CN117077552A - 一种基于深度学习的发动机装配工艺合规监测方法 - Google Patents
一种基于深度学习的发动机装配工艺合规监测方法 Download PDFInfo
- Publication number
- CN117077552A CN117077552A CN202311342347.XA CN202311342347A CN117077552A CN 117077552 A CN117077552 A CN 117077552A CN 202311342347 A CN202311342347 A CN 202311342347A CN 117077552 A CN117077552 A CN 117077552A
- Authority
- CN
- China
- Prior art keywords
- assembly process
- engine assembly
- real
- data
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 418
- 238000012544 monitoring process Methods 0.000 title claims abstract description 200
- 238000013135 deep learning Methods 0.000 title claims abstract description 34
- 238000012216 screening Methods 0.000 claims abstract description 127
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000012795 verification Methods 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 31
- 230000007613 environmental effect Effects 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 5
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及工艺合规监测领域，尤其涉及一种基于深度学习的发动机装配工艺合规监测方法，包括：S1、利用发动机装配工艺流程对应实时数据得到发动机装配工艺流程实时监测数据；S2、利用所述发动机装配工艺流程实时监测数据对应历史数据建立发动机装配工艺合规实时筛选模型；S3、根据所述发动机装配工艺合规实时筛选模型进行输出结果时态化筛选得到发动机装配工艺合规监测结果，配合装配工艺流程中各项标准的调整实施，选择无监督深度学习建立筛选模型，并将发动机装配工艺中实施标准等效为深度学习的监督条件，最终完成模型的有监督训练建立，完成收敛训练，对于存在问题的节点收集并多次返回优化模型，以达到最终输出结果的高度准确。
Description
技术领域
本发明涉及工艺合规监测领域，具体涉及一种基于深度学习的发动机装配工艺合规监测方法。
背景技术
在发动机装配工艺流程中，其装配零件、装配环境与实时监测图像的综合性研判处理至关重要，在装配工艺的各流程中均需要实时监测，以保证最终发动机完整组装的成功率，但常规方案无论是人工监测或者筛选模型的直接建立，均存在误报或问题错失等情况，监测前期准备与实施阶段稳定性无法确保，同时，由于工厂生产要求需要保存一段时间内的过往监测数据，单纯存储也较为浪费，因此，如何合理将以上各条件综合协调处理，在模型建立阶段，监测数据处理阶段的高效处理成为亟需解决的问题。
发明内容
针对现有技术的不足，本发明提供了一种基于深度学习的发动机装配工艺合规监测方法，通过将装配零件、环境数据与实时监测图像的协同处理，在无监督深度学习的基础上提升装配工艺流程合规的准确检测。
为实现上述目的，本发明提供了一种基于深度学习的发动机装配工艺合规监测方法，包括：
S1、利用发动机装配工艺流程对应实时数据得到发动机装配工艺流程实时监测数据；
S2、利用所述发动机装配工艺流程实时监测数据对应历史数据建立发动机装配工艺合规实时筛选模型；
S3、根据所述发动机装配工艺合规实时筛选模型进行输出结果时态化筛选得到发动机装配工艺合规监测结果。
优选的，利用发动机装配工艺流程对应实时数据得到发动机装配工艺流程实时监测数据包括：
S1-1、获取发动机装配工艺实时零件数据、发动机装配工艺实时环境数据与发动机装配工艺实时图像数据作为实时数据；
S1-2、利用所述实时数据得到发动机装配工艺流程实时监测数据；
其中，所述发动机装配工艺实时零件数据为发动机装配零件尺寸数据，发动机装配工艺实时装配数据为发动机装配工艺环境数据，发动机装配工艺实时图像数据为发动机装配工艺实时监测图像数据。
进一步的，利用所述实时数据得到发动机装配工艺流程实时监测数据包括：
S1-2-1、判断所述发动机装配工艺实时零件数据是否符合当前发动机装配工艺标准，若是，则执行S1-2-2，否则，放弃处理；
S1-2-2、判断所述发动机装配工艺实时环境数据是否符合当前发动机装配工艺标准，若是，则执行S1-2-3，否则，放弃处理；
S1-2-3、利用所述发动机装配工艺实时图像数据作为发动机装配工艺实时监测主要数据，利用所述发动机装配工艺实时图像数据对应发动机装配工艺实时零件数据与发动机装配工艺实时环境数据作为发动机装配工艺实时监测辅助数据；
S1-2-4、利用所述发动机装配工艺实时监测主要数据与发动机装配工艺实时监测辅助数据作为发动机装配工艺流程实时监测数据。
进一步的，利用所述发动机装配工艺流程实时监测数据对应历史数据建立发动机装配工艺合规实时筛选模型包括：
S2-1、获取所述发动机装配工艺流程实时监测数据的发动机装配工艺实时图像数据对应历史数据建立第一训练集；
S2-2、获取所述第一训练集对应发动机装配工艺实时零件数据与发动机装配工艺实时环境数据建立第一验证集；
S2-3、利用所述第一训练集与第一验证集基于深度学习建立发动机装配工艺初始筛选模型；
S2-4、利用所述发动机装配工艺流程实时监测数据根据发动机装配工艺初始筛选模型得到发动机装配工艺合规实时筛选模型。
进一步的，利用所述第一训练集与第一验证集基于深度学习建立发动机装配工艺初始筛选模型包括：
S2-3-1、利用所述第一训练集作为输入，第一训练集对应发动机装配工艺合规监测结果作为输出，基于无监督深度学习算法进行训练得到发动机装配工艺基础筛选模型；
S2-3-2、将所述第一验证集带入发动机装配工艺基础筛选模型得到发动机装配工艺基础筛选结果；
S2-3-3、判断所述发动机装配工艺基础筛选结果与第一验证集对应发动机装配工艺合规监测结果是否完全匹配，若是，则输出发动机装配工艺基础筛选模型作为发动机装配工艺初始筛选模型，否则，利用所述第一验证集中不存在对应发动机装配工艺基础筛选结果的子集加入第一训练集后，返回S2-3-1；
其中，完全匹配为第一验证集中各子集均存在对应正确发动机装配工艺基础筛选结果。
进一步的，利用所述发动机装配工艺流程实时监测数据根据发动机装配工艺初始筛选模型得到发动机装配工艺合规实时筛选模型包括：
S2-4-1、将所述发动机装配工艺流程实时监测数据的发动机装配工艺实时监测主要数据带入发动机装配工艺初始筛选模型得到发动机装配工艺初始筛选结果；
S2-4-2、判断所述发动机装配工艺实时监测主要数据是否存在对应历史数据，若是，则执行S2-4-3，否则，直接输出发动机装配工艺初始筛选模型作为发动机装配工艺合规实时筛选模型；
S2-4-3、判断所述发动机装配工艺初始筛选结果与历史数据对应发动机装配工艺初始筛选结果是否相同，若是，则输出发动机装配工艺初始筛选模型作为发动机装配工艺合规实时筛选模型，否则，执行S2-4-4；
S2-4-4、判断所述发动机装配工艺流程实时监测数据的发动机装配工艺实时监测辅助数据是否为正常状态，若是，则获取相邻下一时刻发动机装配工艺流程实时监测数据作为当前发动机装配工艺流程实时监测数据，并返回S2-4-1，否则，获取相邻下一时刻发动机装配工艺流程实时监测数据作为当前发动机装配工艺流程实时监测数据，并返回S2-1；
其中，所述正常状态为发动机装配工艺实时监测辅助数据的发动机装配工艺实时零件数据与发动机装配工艺实时环境数据均与当前工艺流程对应。
进一步的，根据所述发动机装配工艺合规实时筛选模型进行输出结果时态化筛选得到发动机装配工艺合规监测结果包括：
S3-1、获取当前时刻作为实时筛选起始时刻t；
S3-2、判断实时筛选起始时刻t的发动机装配工艺流程实时监测数据的发动机装配工艺实时监测辅助数据是否为正常状态，若是，则将所述发动机装配工艺流程实时监测数据的发动机装配工艺实时监测主要数据带入发动机装配工艺合规实时筛选模型得到发动机装配工艺实时筛选前置结果，并执行S3-3，否则，利用所述发动机装配工艺实时监测辅助数据进行验证回溯处理；
S3-3、判断t+1时刻的发动机装配工艺流程实时监测数据的发动机装配工艺实时监测辅助数据是否为正常状态，若是，将所述发动机装配工艺流程实时监测数据的发动机装配工艺实时监测主要数据带入发动机装配工艺合规实时筛选模型得到发动机装配工艺实时筛选后置结果，并执行S3-4，否则，利用所述发动机装配工艺实时监测辅助数据进行验证回溯处理；
S3-4、判断所述发动机装配工艺实时筛选前置结果与发动机装配工艺实时筛选后置结果是否对应，若是，则输出发动机装配工艺实时筛选前置结果作为t时刻的发动机装配工艺合规监测结果，否则，执行S3-5；
S3-5、判断t+2时刻的发动机装配工艺流程实时监测数据的发动机装配工艺实时监测辅助数据是否为正常状态，若是，将所述发动机装配工艺流程实时监测数据的发动机装配工艺实时监测主要数据带入发动机装配工艺合规实时筛选模型得到发动机装配工艺实时筛选追加结果，并执行S3-6，否则，放弃处理；
S3-6、判断所述发动机装配工艺实时筛选追加结果与发动机装配工艺实时筛选后置结果是否对应，若是，则输出发动机装配工艺实时筛选前置结果作为t时刻的发动机装配工艺合规监测结果，否则，放弃处理，并分别输出t、t+1与t+2时刻的发动机装配工艺流程实时监测数据；
其中，所述正常状态为发动机装配工艺实时监测辅助数据的发动机装配工艺实时零件数据与发动机装配工艺实时环境数据均与当前工艺流程对应。
进一步的，利用所述发动机装配工艺实时监测辅助数据进行验证回溯处理包括：
判断当前发动机装配工艺实时监测辅助数据与历史发动机装配工艺实时监测辅助数据是否存在对应，若是，则验证正常，并结束处理，否则，获取所述发动机装配工艺实时监测辅助数据对应发动机装配工艺实时监测主要数据；
利用所述发动机装配工艺实时监测主要数据与发动机装配工艺实时监测辅助数据建立回溯集合进行回溯处理。
进一步的，利用所述发动机装配工艺实时监测主要数据与发动机装配工艺实时监测辅助数据建立回溯集合进行回溯处理包括：
利用所述发动机装配工艺实时监测主要数据建立回溯训练集；
利用所述发动机装配工艺实时监测辅助数据建立回溯验证集；
利用所述回溯训练集与第一训练集合并建立当前第一训练集，并返回S2-3-1；
利用所述回溯验证集替换第一验证集，并返回S2-3-2。
与最接近的现有技术相比，本发明具有的有益效果：
为了配合装配工艺流程中各项标准的调整实施，选择无监督深度学习建立筛选模型，并将发动机装配工艺中实施标准等效为深度学习的监督条件，最终完成模型的有监督训练建立，完成收敛训练，同时在模型建立的过程中，标记时间点，对于存在问题的节点收集并多次返回优化模型，以达到最终输出结果的高度准确。
附图说明
图1是本发明提供的一种基于深度学习的发动机装配工艺合规监测方法的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例1：本发明提供了一种基于深度学习的发动机装配工艺合规监测方法，如图1所示，包括：
S1、利用发动机装配工艺流程对应实时数据得到发动机装配工艺流程实时监测数据；
S2、利用所述发动机装配工艺流程实时监测数据对应历史数据建立发动机装配工艺合规实时筛选模型；
S3、根据所述发动机装配工艺合规实时筛选模型进行输出结果时态化筛选得到发动机装配工艺合规监测结果。
S1具体包括：
S1-1、获取发动机装配工艺实时零件数据、发动机装配工艺实时环境数据与发动机装配工艺实时图像数据作为实时数据；
S1-2、利用所述实时数据得到发动机装配工艺流程实时监测数据；
其中，所述发动机装配工艺实时零件数据为发动机装配零件尺寸数据，发动机装配工艺实时装配数据为发动机装配工艺环境数据，发动机装配工艺实时图像数据为发动机装配工艺实时监测图像数据。
本实施例中，一种基于深度学习的发动机装配工艺合规监测方法，选择发动机装配零件尺寸数据与发动机装配工艺环境数据为后续无监督深度学习的训练建立监督条件基础。
本实施例中，一种基于深度学习的发动机装配工艺合规监测方法，上述发动机装配各项数据，例如，零件尺寸数据可根据图像处理的复杂程度或工艺环境情况摘取零件的一个或多个尺寸数据进行处理，环境数据可根据零件类型选择温度、湿度、光照度等因素作为环境数据类型，选取零件自身与外部数据可有效避免单一来源数据的不稳定性与干扰因素过高等问题。
S1-2具体包括：
S1-2-1、判断所述发动机装配工艺实时零件数据是否符合当前发动机装配工艺标准，若是，则执行S1-2-2，否则，放弃处理；
S1-2-2、判断所述发动机装配工艺实时环境数据是否符合当前发动机装配工艺标准，若是，则执行S1-2-3，否则，放弃处理；
S1-2-3、利用所述发动机装配工艺实时图像数据作为发动机装配工艺实时监测主要数据，利用所述发动机装配工艺实时图像数据对应发动机装配工艺实时零件数据与发动机装配工艺实时环境数据作为发动机装配工艺实时监测辅助数据；
S1-2-4、利用所述发动机装配工艺实时监测主要数据与发动机装配工艺实时监测辅助数据作为发动机装配工艺流程实时监测数据。
S2具体包括：
S2-1、获取所述发动机装配工艺流程实时监测数据的发动机装配工艺实时图像数据对应历史数据建立第一训练集；
S2-2、获取所述第一训练集对应发动机装配工艺实时零件数据与发动机装配工艺实时环境数据建立第一验证集；
S2-3、利用所述第一训练集与第一验证集基于深度学习建立发动机装配工艺初始筛选模型；
S2-4、利用所述发动机装配工艺流程实时监测数据根据发动机装配工艺初始筛选模型得到发动机装配工艺合规实时筛选模型。
S2-3具体包括：
S2-3-1、利用所述第一训练集作为输入，第一训练集对应发动机装配工艺合规监测结果作为输出，基于无监督深度学习算法进行训练得到发动机装配工艺基础筛选模型；
S2-3-2、将所述第一验证集带入发动机装配工艺基础筛选模型得到发动机装配工艺基础筛选结果；
S2-3-3、判断所述发动机装配工艺基础筛选结果是否完全匹配，若是，则输出发动机装配工艺基础筛选模型作为发动机装配工艺初始筛选模型，否则，利用所述第一验证集中不存在对应发动机装配工艺基础筛选结果的子集加入第一训练集后，返回S2-3-1；
其中，完全匹配为第一验证集中各子集均存在对应正确发动机装配工艺基础筛选结果。
S2-4具体包括：
S2-4-1、将所述发动机装配工艺流程实时监测数据的发动机装配工艺实时监测主要数据带入发动机装配工艺初始筛选模型得到发动机装配工艺初始筛选结果；
S2-4-2、判断所述发动机装配工艺实时监测主要数据是否存在对应历史数据，若是，则执行S2-4-3，否则，直接输出发动机装配工艺初始筛选模型作为发动机装配工艺合规实时筛选模型；
S2-4-3、判断所述发动机装配工艺初始筛选结果与历史数据对应发动机装配工艺初始筛选结果是否相同，若是，则输出发动机装配工艺初始筛选模型作为发动机装配工艺合规实时筛选模型，否则，执行S2-4-4；
S2-4-4、判断所述发动机装配工艺流程实时监测数据的发动机装配工艺实时监测辅助数据是否为正常状态，若是，则获取相邻下一时刻发动机装配工艺流程实时监测数据作为当前发动机装配工艺流程实时监测数据，并返回S2-4-1，否则，获取相邻下一时刻发动机装配工艺流程实时监测数据作为当前发动机装配工艺流程实时监测数据，并返回S2-1；
其中，所述正常状态为发动机装配工艺实时监测辅助数据的发动机装配工艺实时零件数据与发动机装配工艺实时环境数据均与当前工艺流程对应。
本实施例中，一种基于深度学习的发动机装配工艺合规监测方法，发动机装配工艺初始筛选结果合理的判定方式根据发动机装配工艺流程中各项标准进行制定，可根据要求调整，实现了方法的适应性广。
S3具体包括：
S3-1、获取当前时刻作为实时筛选起始时刻t；
S3-2、判断实时筛选起始时刻t的发动机装配工艺流程实时监测数据的发动机装配工艺实时监测辅助数据是否为正常状态，若是，则将所述发动机装配工艺流程实时监测数据的发动机装配工艺实时监测主要数据带入发动机装配工艺合规实时筛选模型得到发动机装配工艺实时筛选前置结果，并执行S3-3，否则，利用所述发动机装配工艺实时监测辅助数据进行验证回溯处理；
S3-3、判断t+1时刻的发动机装配工艺流程实时监测数据的发动机装配工艺实时监测辅助数据是否为正常状态，若是，将所述发动机装配工艺流程实时监测数据的发动机装配工艺实时监测主要数据带入发动机装配工艺合规实时筛选模型得到发动机装配工艺实时筛选后置结果，并执行S3-4，否则，利用所述发动机装配工艺实时监测辅助数据进行验证回溯处理；
S3-4、判断所述发动机装配工艺实时筛选前置结果与发动机装配工艺实时筛选后置结果是否对应，若是，则输出发动机装配工艺实时筛选前置结果作为t时刻的发动机装配工艺合规监测结果，否则，执行S3-5；
S3-5、判断t+2时刻的发动机装配工艺流程实时监测数据的发动机装配工艺实时监测辅助数据是否为正常状态，若是，将所述发动机装配工艺流程实时监测数据的发动机装配工艺实时监测主要数据带入发动机装配工艺合规实时筛选模型得到发动机装配工艺实时筛选追加结果，并执行S3-6，否则，放弃处理；
S3-6、判断所述发动机装配工艺实时筛选追加结果与发动机装配工艺实时筛选后置结果是否对应，若是，则输出发动机装配工艺实时筛选前置结果作为t时刻的发动机装配工艺合规监测结果，否则，放弃处理，并分别输出t、t+1与t+2时刻的发动机装配工艺流程实时监测数据；
其中，所述正常状态为发动机装配工艺实时监测辅助数据的发动机装配工艺实时零件数据与发动机装配工艺实时环境数据均与当前工艺流程对应。
本实施例中，一种基于深度学习的发动机装配工艺合规监测方法，在监测流程中存在问题时，获取当前时刻对应后续时刻的结果趋势进行复核验证，若结果输出无误时，则保留初始结果，否则，根据不同步骤的时间点保留并输出对应监测数据。
本实施例中，一种基于深度学习的发动机装配工艺合规监测方法，发动机装配工艺实时监测辅助数据正常的判定依据为装配工艺流程中各项标准制定，可随时根据生产环节实时调整，与前述合理性形成呼应。
S3-2与S3-3中利用所述发动机装配工艺实时监测辅助数据进行验证回溯处理包括：
判断当前发动机装配工艺实时监测辅助数据与历史发动机装配工艺实时监测辅助数据是否存在对应，若是，则验证正常，并结束处理，否则，获取所述发动机装配工艺实时监测辅助数据对应发动机装配工艺实时监测主要数据；
利用所述发动机装配工艺实时监测主要数据与发动机装配工艺实时监测辅助数据建立回溯集合进行回溯处理。
利用所述发动机装配工艺实时监测主要数据与发动机装配工艺实时监测辅助数据建立回溯集合进行回溯处理包括：
利用所述发动机装配工艺实时监测主要数据建立回溯训练集；
利用所述发动机装配工艺实时监测辅助数据建立回溯验证集；
利用所述回溯训练集与第一训练集合并建立当前第一训练集，并返回S2-3-1；
利用所述回溯验证集替换第一验证集，并返回S2-3-2。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (9)
1.一种基于深度学习的发动机装配工艺合规监测方法，其特征在于，包括：
S1、利用发动机装配工艺流程对应实时数据得到发动机装配工艺流程实时监测数据；
S2、利用所述发动机装配工艺流程实时监测数据对应历史数据建立发动机装配工艺合规实时筛选模型；
S3、根据所述发动机装配工艺合规实时筛选模型进行输出结果时态化筛选得到发动机装配工艺合规监测结果。
2.如权利要求1所述的一种基于深度学习的发动机装配工艺合规监测方法，其特征在于，利用发动机装配工艺流程对应实时数据得到发动机装配工艺流程实时监测数据包括：
S1-1、获取发动机装配工艺实时零件数据、发动机装配工艺实时环境数据与发动机装配工艺实时图像数据作为实时数据；
S1-2、利用所述实时数据得到发动机装配工艺流程实时监测数据；
其中，所述发动机装配工艺实时零件数据为发动机装配零件尺寸数据，发动机装配工艺实时装配数据为发动机装配工艺环境数据，发动机装配工艺实时图像数据为发动机装配工艺实时监测图像数据。
3.如权利要求2所述的一种基于深度学习的发动机装配工艺合规监测方法，其特征在于，利用所述实时数据得到发动机装配工艺流程实时监测数据包括：
S1-2-1、判断所述发动机装配工艺实时零件数据是否符合当前发动机装配工艺标准，若是，则执行S1-2-2，否则，放弃处理；
S1-2-2、判断所述发动机装配工艺实时环境数据是否符合当前发动机装配工艺标准，若是，则执行S1-2-3，否则，放弃处理；
S1-2-3、利用所述发动机装配工艺实时图像数据作为发动机装配工艺实时监测主要数据，利用所述发动机装配工艺实时图像数据对应发动机装配工艺实时零件数据与发动机装配工艺实时环境数据作为发动机装配工艺实时监测辅助数据；
S1-2-4、利用所述发动机装配工艺实时监测主要数据与发动机装配工艺实时监测辅助数据作为发动机装配工艺流程实时监测数据。
4.如权利要求3所述的一种基于深度学习的发动机装配工艺合规监测方法，其特征在于，利用所述发动机装配工艺流程实时监测数据对应历史数据建立发动机装配工艺合规实时筛选模型包括：
S2-1、获取所述发动机装配工艺流程实时监测数据的发动机装配工艺实时图像数据对应历史数据建立第一训练集；
S2-2、获取所述第一训练集对应发动机装配工艺实时零件数据与发动机装配工艺实时环境数据建立第一验证集；
S2-3、利用所述第一训练集与第一验证集基于深度学习建立发动机装配工艺初始筛选模型；
S2-4、利用所述发动机装配工艺流程实时监测数据根据发动机装配工艺初始筛选模型得到发动机装配工艺合规实时筛选模型。
5.如权利要求4所述的一种基于深度学习的发动机装配工艺合规监测方法，其特征在于，利用所述第一训练集与第一验证集基于深度学习建立发动机装配工艺初始筛选模型包括：
S2-3-1、利用所述第一训练集作为输入，第一训练集对应发动机装配工艺合规监测结果作为输出，基于无监督深度学习算法进行训练得到发动机装配工艺基础筛选模型；
S2-3-2、将所述第一验证集带入发动机装配工艺基础筛选模型得到发动机装配工艺基础筛选结果；
S2-3-3、判断所述发动机装配工艺基础筛选结果与第一验证集对应发动机装配工艺合规监测结果是否完全匹配，若是，则输出发动机装配工艺基础筛选模型作为发动机装配工艺初始筛选模型，否则，利用所述第一验证集中不存在对应发动机装配工艺基础筛选结果的子集加入第一训练集后，返回S2-3-1；
其中，完全匹配为第一验证集中各子集均存在对应正确发动机装配工艺基础筛选结果。
6.如权利要求4所述的一种基于深度学习的发动机装配工艺合规监测方法，其特征在于，利用所述发动机装配工艺流程实时监测数据根据发动机装配工艺初始筛选模型得到发动机装配工艺合规实时筛选模型包括：
S2-4-1、将所述发动机装配工艺流程实时监测数据的发动机装配工艺实时监测主要数据带入发动机装配工艺初始筛选模型得到发动机装配工艺初始筛选结果；
S2-4-2、判断所述发动机装配工艺实时监测主要数据是否存在对应历史数据，若是，则执行S2-4-3，否则，直接输出发动机装配工艺初始筛选模型作为发动机装配工艺合规实时筛选模型；
S2-4-3、判断所述发动机装配工艺初始筛选结果与历史数据对应发动机装配工艺初始筛选结果是否相同，若是，则输出发动机装配工艺初始筛选模型作为发动机装配工艺合规实时筛选模型，否则，执行S2-4-4；
S2-4-4、判断所述发动机装配工艺流程实时监测数据的发动机装配工艺实时监测辅助数据是否为正常状态，若是，则获取相邻下一时刻发动机装配工艺流程实时监测数据作为当前发动机装配工艺流程实时监测数据，并返回S2-4-1，否则，获取相邻下一时刻发动机装配工艺流程实时监测数据作为当前发动机装配工艺流程实时监测数据，并返回S2-1；
其中，所述正常状态为发动机装配工艺实时监测辅助数据的发动机装配工艺实时零件数据与发动机装配工艺实时环境数据均与当前工艺流程对应。
7.如权利要求6所述的一种基于深度学习的发动机装配工艺合规监测方法，其特征在于，根据所述发动机装配工艺合规实时筛选模型进行输出结果时态化筛选得到发动机装配工艺合规监测结果包括：
S3-1、获取当前时刻作为实时筛选起始时刻t；
S3-2、判断实时筛选起始时刻t的发动机装配工艺流程实时监测数据的发动机装配工艺实时监测辅助数据是否为正常状态，若是，则将所述发动机装配工艺流程实时监测数据的发动机装配工艺实时监测主要数据带入发动机装配工艺合规实时筛选模型得到发动机装配工艺实时筛选前置结果，并执行S3-3，否则，利用所述发动机装配工艺实时监测辅助数据进行验证回溯处理；
S3-3、判断t+1时刻的发动机装配工艺流程实时监测数据的发动机装配工艺实时监测辅助数据是否为正常状态，若是，将所述发动机装配工艺流程实时监测数据的发动机装配工艺实时监测主要数据带入发动机装配工艺合规实时筛选模型得到发动机装配工艺实时筛选后置结果，并执行S3-4，否则，利用所述发动机装配工艺实时监测辅助数据进行验证回溯处理；
S3-4、判断所述发动机装配工艺实时筛选前置结果与发动机装配工艺实时筛选后置结果是否对应，若是，则输出发动机装配工艺实时筛选前置结果作为t时刻的发动机装配工艺合规监测结果，否则，执行S3-5；
S3-5、判断t+2时刻的发动机装配工艺流程实时监测数据的发动机装配工艺实时监测辅助数据是否为正常状态，若是，将所述发动机装配工艺流程实时监测数据的发动机装配工艺实时监测主要数据带入发动机装配工艺合规实时筛选模型得到发动机装配工艺实时筛选追加结果，并执行S3-6，否则，放弃处理；
S3-6、判断所述发动机装配工艺实时筛选追加结果与发动机装配工艺实时筛选后置结果是否对应，若是，则输出发动机装配工艺实时筛选前置结果作为t时刻的发动机装配工艺合规监测结果，否则，放弃处理，并分别输出t、t+1与t+2时刻的发动机装配工艺流程实时监测数据；
其中，所述正常状态为发动机装配工艺实时监测辅助数据的发动机装配工艺实时零件数据与发动机装配工艺实时环境数据均与当前工艺流程对应。
8.如权利要求7所述的一种基于深度学习的发动机装配工艺合规监测方法，其特征在于，利用所述发动机装配工艺实时监测辅助数据进行验证回溯处理包括：
判断当前发动机装配工艺实时监测辅助数据与历史发动机装配工艺实时监测辅助数据是否存在对应，若是，则验证正常，并结束处理，否则，获取所述发动机装配工艺实时监测辅助数据对应发动机装配工艺实时监测主要数据；
利用所述发动机装配工艺实时监测主要数据与发动机装配工艺实时监测辅助数据建立回溯集合进行回溯处理。
9.如权利要求5所述的一种基于深度学习的发动机装配工艺合规监测方法，其特征在于，利用所述发动机装配工艺实时监测主要数据与发动机装配工艺实时监测辅助数据建立回溯集合进行回溯处理包括：
利用所述发动机装配工艺实时监测主要数据建立回溯训练集；
利用所述发动机装配工艺实时监测辅助数据建立回溯验证集；
利用所述回溯训练集与第一训练集合并建立当前第一训练集，并返回S2-3-1；
利用所述回溯验证集替换第一验证集，并返回S2-3-2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311342347.XA CN117077552B (zh) | 2023-10-17 | 2023-10-17 | 一种基于深度学习的发动机装配工艺合规监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311342347.XA CN117077552B (zh) | 2023-10-17 | 2023-10-17 | 一种基于深度学习的发动机装配工艺合规监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117077552A true CN117077552A (zh) | 2023-11-17 |
| CN117077552B CN117077552B (zh) | 2024-01-26 |
Family
ID=88719860
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311342347.XA Active CN117077552B (zh) | 2023-10-17 | 2023-10-17 | 一种基于深度学习的发动机装配工艺合规监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117077552B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113596400A (zh) * | 2021-07-28 | 2021-11-02 | 上海六梓科技有限公司 | 轨迹回溯的方法 |
| CN113695109A (zh) * | 2021-08-06 | 2021-11-26 | 成都飞机工业（集团）有限责任公司 | 一种用于自动化喷涂过程的程序匹配和迭代优化方法 |
| CN114973097A (zh) * | 2022-06-10 | 2022-08-30 | 广东电网有限责任公司 | 电力机房内异常行为识别方法、装置、设备及存储介质 |
| CN115121895A (zh) * | 2022-04-28 | 2022-09-30 | 广东省威汇智能科技有限公司 | 基于深度学习的选择波峰焊预警方法、装置及存储介质 |
-
2023
- 2023-10-17 CN CN202311342347.XA patent/CN117077552B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113596400A (zh) * | 2021-07-28 | 2021-11-02 | 上海六梓科技有限公司 | 轨迹回溯的方法 |
| CN113695109A (zh) * | 2021-08-06 | 2021-11-26 | 成都飞机工业（集团）有限责任公司 | 一种用于自动化喷涂过程的程序匹配和迭代优化方法 |
| CN115121895A (zh) * | 2022-04-28 | 2022-09-30 | 广东省威汇智能科技有限公司 | 基于深度学习的选择波峰焊预警方法、装置及存储介质 |
| CN114973097A (zh) * | 2022-06-10 | 2022-08-30 | 广东电网有限责任公司 | 电力机房内异常行为识别方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117077552B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112882954B (zh) | 一种分布式数据库运维动态阈值告警方法及装置 | |
| CN114757512B (zh) | 一种基于图神经网络的作业车间调度方法 | |
| CN115800272A (zh) | 基于拓扑识别的电网故障分析方法、系统、终端及介质 | |
| CN107862863B (zh) | 一种交通数据质量提升的方法及装置 | |
| CN117451115B (zh) | 一种用于分拣输送系统的实时状态监测方法 | |
| CN117077552B (zh) | 一种基于深度学习的发动机装配工艺合规监测方法 | |
| CN111769545B (zh) | 一种在相继的多重开断场景下潮流评估方法及装置 | |
| CN116935203A (zh) | 一种基于声光融合的潜水员智能监控方法和系统 | |
| CN116307930A (zh) | 一种调度自动化系统运维异常指标推荐方法及系统 | |
| CN115393288A (zh) | 加工工艺管控系统及方法 | |
| Cohen et al. | EveSyncIAI: Event synchronization industrial augmented intelligence for fault diagnosis | |
| CN110727669A (zh) | 一种电力系统传感器数据清理装置及清理方法 | |
| KR102417694B1 (ko) | 다중 ai 기법을 이용한 스마트 제조 환경에서의 이상탐지 시스템 및 그 방법 | |
| CN113835416A (zh) | 一种基于汽车零部件生产状态的生产故障诊断方法 | |
| CN117111537B (zh) | 一种基于氢控制器的用于氢系统的控制系统及方法 | |
| CN117474441B (zh) | 一种基于智慧物流大数据的无人仓库进出路径管理方法 | |
| CN113569660B (zh) | 一种用于高光谱影像分类的学习率优化算法折扣系数法 | |
| US20220342375A1 (en) | Master pattern generation method based on control program analysis and training method for cycle analysis model | |
| CN117009774A (zh) | 一种多元数据快速验证方法 | |
| CN115327884A (zh) | 一种平行智能控制系统中计算实验和平行执行方法 | |
| CN118035265A (zh) | 一种基于动态数据库的参数记录变更动态处理方法 | |
| CN118101999A (zh) | 一种短视频流量数据分析方法 | |
| CN117473200A (zh) | 一种用于网站信息数据的综合采集分析方法 | |
| CN110597185A (zh) | 一种基于特征库的复杂曲面零件机械臂加工系统和方法 | |
| CN116542946A (zh) | 一种基于深度学习的钢铁厂中炉门检测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |