CN117113260B - 基于数据分析的智能贴合设备故障预警系统 - Google Patents
基于数据分析的智能贴合设备故障预警系统 Download PDFInfo
- Publication number
- CN117113260B CN117113260B CN202311355501.7A CN202311355501A CN117113260B CN 117113260 B CN117113260 B CN 117113260B CN 202311355501 A CN202311355501 A CN 202311355501A CN 117113260 B CN117113260 B CN 117113260B
- Authority
- CN
- China
- Prior art keywords
- detection
- data
- detection device
- detected
- data detected
- 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.)
- Active
Links
- 238000010030 laminating Methods 0.000 title claims abstract description 119
- 238000007405 data analysis Methods 0.000 title claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 356
- 230000002159 abnormal effect Effects 0.000 claims abstract description 77
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 16
- 230000005856 abnormality Effects 0.000 claims description 45
- 230000000875 corresponding effect Effects 0.000 claims description 39
- 238000005070 sampling Methods 0.000 claims description 35
- 238000003475 lamination Methods 0.000 claims description 34
- 239000000853 adhesive Substances 0.000 claims description 23
- 230000001070 adhesive effect Effects 0.000 claims description 23
- 230000007246 mechanism Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 12
- 238000011897 real-time detection Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 28
- 238000001179 sorption measurement Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 239000012939 laminating adhesive Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了基于数据分析的智能贴合设备故障预警系统,包括贴合检测模块、数据偏离分析模块、数据异常归属判定模块、故障追踪定位模块和故障预警提示模块。本发明通过各检测设备对与该检测设备相关联的执行部件进行数据检测,并进行检测数据的偏离量分析,对检测的数据的偏离量进行偶然性分析,通过偶然性系数的分析可排除检测设备的检测精度以及检测稳定程度等因素对检测的数据的干扰,以准确分析出检测的数据是否异常,并对检测的异常数据进行追踪判定,可有效地对异常数据进行故障归属;采用多级筛选的方法模拟预测出各检测检测设备检测的异常数据的故障源头,便于及时对故障源头进行预警提醒。
Description
技术领域
本发明属于智能贴合技术领域,涉及到基于数据分析的智能贴合设备故障预警系统。
背景技术
随着人们对消费电子的性能要求日渐提高,电子产品的更新换代越来越快,产品加工的技术要求越来越高,以保证产品的稳定性,特别针对线路板上的元器件贴合,贴合设备将元器件贴至线路板上指定位置,一旦元器件贴合位置、角度以及贴合附着力等异常,会导致线路板工作异常,元器件贴合过程中需组成贴合设备的各执行部件对元器件进行操作,以达到元器件贴合的要求。
对元器件贴合的过程中,无法判定对执行部件执行情况进行检测时,检测设备检测的数据是否异常,以及对异常数据无法进行归属性判定,导致无法确定是因检测设备异常导致还是与检测设备相关联的执行部件异常所导致检测的数据异常,同时对因非检测设备异常而导致的检测数据异常无法进行故障源头的准确追踪定位,导致无法根据检测的数据对存在的故障进行及时预警;另外,当其中一执行部件的执行情况异常,会导致与该执行部件相关联的其他执行部件异常,进而存在由多个执行部件共同作用下所呈现的贴合效果差,现有技术无法根据实际的贴合后效果与检测的数据所预测的贴合效果相匹配,无法根据检测的数据对贴合过程中各执行部件的执行情况进行调整,进而存在贴合效果差、故障难准确定位识别等问题。
发明内容
本发明公开了基于数据分析的智能贴合设备故障预警系统,解决了现有技术中存在的问题。
本发明在其一个应用方面中提供了基于数据分析的智能贴合设备故障预警系统,包括用于对贴合设备在贴合过程中与执行部件相关联的检测设备对执行部件的执行数据进行检测的贴合检测模块,还包括数据偏离分析模块、数据异常归属判定模块、故障追踪定位模块和故障预警提示模块;
所述数据偏离分析模块用于获得各固定采集周期内各检测设备检测的数据,建立实时检测数据集,对实时检测数据集内各固定采样周期内检测的数据进行偏离量分析;
所述数据异常归属判定模块分析数据的偏离量所对应的偶然性系数,并对偶然性系数大于设定阈值的偏离量数据进行异常判定及追踪分析;
所述故障追踪定位模块用于提取各检测设备检测的数据存在异常下的固定采样周期内该检测设备检测数据的检测逼近系数,对各检测设备检测的数据所对应的检测逼近系数进行预测分析,模拟追踪出各检测设备检测的异常数据的故障源头;
所述故障预警提示模块用于判断各故障源头所对应的异常数据的检测逼近系数是否大于设定的贴合安全系数阈值下限,若大于设定的贴合安全系数阈值下限,及时对检测设备检测的异常数据所对应的故障进行预警提示。
进一步地,各检测设备检测的数据进行偏离程度判定,得到偏离量数据,,j=1,2,…,n,k=1,2,…,m,/>表示为第j个检测设备正常运行下所检测的正常数值,/>表示为第v个固定采样周期内第j个检测设备在/>时刻检测的数据的偏离量,/>表示为第v个固定采样周期内第j个检测设备在/>时刻检测的数据。
进一步地,各检测设备的偶然性系数计算:,/>表示为第j个检测设备检测的数据的偏离量大于该检测设备正常运行所检测的偏离量阈值/>的个数,v=1,2,…,V。
进一步地,对各检测设备检测的数据进行相关性分析,采用的公式如下:,/>表示为检测设备处于正常运行状态下的第i个和第j个检测设备检测的数据间的相关性,/>表示为第i个检测设备检测的数据异常下引发第j个检测设备检测的数据异常的基础关联影响系数,/>和/>分别表示为第v个固定检测周期内第i个和第j个检测设备检测的数据的均值,当/>大于0时,表示第i个检测设备与第j个检测设备检测的数据存在正相关性,当/>小于0时,表示第i个检测设备与第j个检测设备检测的数据存在负相关性,当/>等于0时,表示第i个检测设备与第j个检测设备检测的数据不存在相关性。
进一步地,对各固定采样周期内各检测设备检测的数据进行异常判定,判定方法如下:
步骤1、提取各固定采样周期内各检测设备检测的数据所对应的数学期望;
步骤2、分析固定采样周期内各检测设备检测的数据方差;
步骤3、采用异常判定模型分析出检测设备检测的数据是否异常;
步骤4、对检测的异常数据进行故障追踪溯源。
进一步地,异常判定模型为,/>表示为检测的数据所对应的偏离度系数小于偏离量阈值下的第j个检测设备在第v个固定采样周期内检测数据的数学期望,/>表示为检测的数据的偏离度系数小于偏离量阈值且偶然性系数小于设定阈值的第j个检测设备在第v个固定采样周期内检测数据的数学期望,当满足异常判定模型公式时,表明第v个固定采样周期内第j个检测设备在/>时刻检测的数据正常,若不满足,则表明第v个固定采样周期内第j个检测设备在/>时刻检测的数据异常。
进一步地,判断第i个检测设备的故障追踪溯源模型公式是否满足条件,筛选出满足故障追踪模型的检测设备所检测的数据异常归类,若第i个检测设备检测的数据满足故障追踪溯源模型,则表明与第i个检测设备相关联的执行机构存在故障而非第i个检测设备故障;若第i个检测设备检测的数据不满足故障追踪溯源模型,则表明该检测设备存在故障,其中,/>,/>表示为第i个检测设备的检测数据异常引发多个检测设备检测的数据异常的概率,/>表示为第j个检测设备的权重,/>,/>表示为第j个检测设备在/>时刻检测的数据异常概率,若第j个检测设备在/>时刻检测的数据无异常,则取值为0,反之,则取值1。
进一步地,对各检测设备检测的异常数据进行故障源头追踪分析,分析方法:
步骤1、筛选出各检测设备检测的数据存在异常下的检测逼近系数最大所对应的检测设备以及检测逼近系数最大的检测设备所检测的数据;
步骤2、分析该检测设备检测的数据的偏离量,/>,/>表示为第i个检测设备在一个完整的固定检测周期内检测的数据的均值;
步骤3、提取固定采样周期下各检测设备检测的数据,计算各检测设备的偏离量;
步骤4、基于各检测设备间的相关性,预测出检测逼近系数最大的检测设备所检测的数据的偏离量对其他检测设备检测的数据的偏离量计算,;
步骤5、判断步骤3中各检测设备的偏离量是否均小于由检测逼近系数最大的检测设备预测的各检测设备检测的数据的偏离量/>,若/>均小于预测的各检测设备检测的数据的偏离量/>,则表明该贴合设备仅存在检测逼近系数最大所对应的检测设备检测的故障,若各检测设备的偏移量存在大于预测的各检测设备检测的数据的偏离量,执行步骤6;
步骤6、筛选出步骤3中各检测设备的偏离量大于检测逼近系数最大的检测设备所预测的偏离量/>的检测设备,从中筛选出检测逼近系数最大的检测设备所检测的数据,并重复执行步骤2-5,直至各检测设备的偏移量均小于筛选出的检测逼近系数最大的检测设备所检测的数据的偏离量对步骤5中待定检测设备检测的数据的偏离量之和;
进一步地,还包括用于采集元器件经贴合设备贴合后的位置图像,提取位置图像中关键位置点的位置坐标,同时检测元器件贴合在线路板上的附着力的贴合检测模块,以及贴合性能统筹模块;
贴合性能统筹模块用于提取位置数据分析模块分析的关键位置特征点间的夹角以及距离,并提取元器件贴合至线路板上的附着力,基于训练的摆放角度、摆放位置以及附着力对元器件贴合所对应的权重,分析出元器件经贴合后所实际对应的贴合性能系数。
进一步地,还包括贴合性能预测模块,贴合性能预测模块用于提取与各执行部件相关联的检测设备检测的数据所对应的偏离量,预测出元器件的推演贴合性能系数,并将元器件的推演贴合性能系数与贴合性能统筹模块分析的元器件的贴合性能系数进行对比,若在允许的误差范围内,则表明预测的元器件的推演贴合性能系数与经图像以及附着力分析的实际贴合性能系数匹配,若不在允许的误差范围内,对预测的元器件的推演贴合性能系数进行修正。
有益效果
本发明通过各检测设备对与该检测设备相关联的执行部件进行数据检测,并进行检测数据的偏离量分析,对检测的数据的偏离量进行偶然性分析,通过偶然性系数的分析可排除检测设备的检测精度以及检测稳定程度等因素对检测的数据的干扰,以准确分析出检测的数据是否异常,并对检测的异常数据进行追踪判定,可有效地对异常数据进行故障归属。
本发明通过对检测的异常数据进行判定及追踪分析,能够确定检测的数据异常的根源是检测设备异常还是与检测设备相关联的执行部件异常所导致,并采用故障追踪溯源模型分析出贴合设备存在的故障,对各检测设备检测的数据进行检测逼近系数分析,采用多级筛选的方法模拟预测出各检测检测设备检测的异常数据的故障源头,实现对引发各检测设备检测的数据异常情况下的追踪分析,实现故障源头的精准定位和查找,便于及时对检测逼近系数大于设定的贴合安全系数阈值下限的故障源头进行预警提醒。
本发明通过对位置图像中的关键位置特征点的位置坐标进行数据分析,获得关键位置特征点间的夹角以及距离,并提取元器件贴合至线路板上的附着力,根据位置图像中元器件贴合至线路板上的情况对贴合效果进行量化数值确定,实现对贴合效果的综合数值化评估,为后期根据各检测设备检测的数据对元器件的贴合性能进行对比提供实际依据。
通过与各执行部件相关联的检测设备检测的数据所对应的偏离量,预测出元器件的推演贴合性能系数,采用元器件的推演贴合性能系数与根据位置图像以及吸附力检测所获得的贴合性能系数进行对比,判断预测与实际的贴合效果是否存在误差,并对预测的贴合效果进行修正,对修正后的各检测设备检测的数据进行及时调整,以保证经检测设备检测的数据下所预测的贴合效果满足贴合要求且与实际贴合后的效果相一致,大大提高了与检测设备相连的执行部件间的调整,满足贴合需求。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为元器件贴合至线路板上的位置图像示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例的附图,对本公开实施例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公开的一部分实施例,而不是全部的实施例。基于所描述的本公开的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
贴合设备用于将元器件贴至线路板上指定位置,一旦元器件贴合位置、角度以及贴合附着力等异常,都会导致线路板工作异常,而元器件不同的贴合异常情况针对不同的贴合设备故障情况,无法根据贴合异常情况对贴合设备故障进行智能分析,以达到预警作用,同时,由于在贴合的过程中,因检测设备异常会导致对贴合设备是否存在故障的判定异常。
本发明提供了基于数据分析的智能贴合设备故障预警系统,包括贴合检测模块、数据偏离分析模块、数据异常归属判定模块、故障追踪定位模块和故障预警提示模块。
贴合检测模块用于对贴合设备在贴合过程中与执行部件相关联的检测设备对执行部件的执行数据进行检测,检测的执行数据为执行部件的执行量。
与元器件贴合相关联的执行部件包括旋转机构、上料进给机构、气缸压合机构等,旋转机构用于对元器件进行360°的角度旋转,以调整元器件的摆放角度,上料进给机构为与旋转机构相连的夹持机构进行供料,气缸压合机构对经旋转机构调整元器件的摆放角度后元器件进行压合处理,增加了元器件与线路板上的附着力。
旋转机构上设有检测设备,检测设备为角度传感器,用于检测旋转机构对元器件摆放角度进行旋转调节时的旋转角度。
上料进给机构上设有检测皮带轮转速的检测设备,检测设备选用转速传感器以及其他传感器,皮带轮转速决定了元器件上料的速度等。
气缸压合机构上设有多个检测设备,分别为位移传感器以及压力传感器等,位移传感器检测气缸伸缩量,压力传感器检测气缸压合机构对元器件施加的压力。
与元器件贴合相关联的旋转机构的执行量为旋转角度,上料进给机构的执行量为电机转速等,气缸压合机构的执行量为移动距离以及压力数值等。
上述检测设备是例举的部分检测设备,在此不过多例举,且检测设备种类均根据贴合设备在贴合过程中所需的检测设备而定。
数据偏离分析模块用于获得各固定采集周期内各检测设备检测的数据,建立实时检测数据集W,对实时检测数据集内各固定采样周期内检测的数据进行偏离量分析。
其中,实时检测数据集,/>表示为第v个固定采样周期内第n个传感器在/>时刻检测的数据,随着检测设备持续进行数据检测,固定采样周期内检测的数据在实时发生变化。
对实时检测数据集中各检测设备检测的数据进行偏离程度判定,得到偏离量数据,,j=1,2,…,n,k=1,2,…,m,/>表示为第j个检测设备正常运行下所检测的正常数值,/>表示为第v个固定采样周期内第j个检测设备在/>时刻检测的数据的偏离量。
数据异常归属判定模块用于提取各检测设备检测的数据的偏离量,判定数据的偏离量所对应的偶然性系数,并对偶然性系数大于设定阈值的偏离量数据进行异常判定及追踪分析。
各检测设备的偶然性系数计算:,/>表示为第j个检测设备检测的数据的偏离量大于该检测设备正常运行所检测的偏离量阈值/>的个数,v=1,2,…,V,偏离量阈值/>根据检测设备的检测精度以及检测稳定性所决定的,采用实验数据获得,当各检测设备检测的数据的偏离量大于该检测设备正常运行所检测的偏离量阈值时,则该检测设备检测的数据可能为异常数据;当第j个检测设备的偶然性系数小于设定阈值(偶然性系数上限)时,表明在监测的时间段内该检测设备检测的数据正常,不存在检测设备以及贴合设备故障的情况;当第j个检测设备的偶然性系数大于设定阈值(偶然性系数上限)时,表明在监测的时间段内该检测设备检测的数据异常,属于检测设备故障或贴合设备故障而导致的检测数据异常,通过偶然性系数的分析,可排除检测设备的检测精度以及检测稳定性对检测的数值的干扰,能够分析出检测的异常数据以及对异常数据进行追踪判定。
在该实施例,需要进一步明确的是,通过判断任意两检测设备检测的数据分析两检测设备间的相关性,即提取同一固定采样周期内任意两检测设备所检测的数据,对检测设备检测的数据进行相关性分析,采用的公式如下:,/>表示为检测设备处于正常运行状态下的第i个和第j个检测设备检测的数据间的相关性,/>表示为第i个检测设备检测的数据异常下引发第j个检测设备检测的数据异常的基础关联影响系数,/>和/>分别表示为第v个固定检测周期内第i个和第j个检测设备检测的数据的均值,当/>大于0时,表示第i个检测设备与第j个检测设备检测的数据存在正相关性,当/>小于0时,表示第i个检测设备与第j个检测设备检测的数据存在负相关性,当/>等于0时,表示第i个检测设备与第j个检测设备检测的数据不存在相关性。
其中,基础关联影响系数的确定:当第i个检测设备的检测数据异常时,若为第i个检测设备故障导致的检测数据异常,则引发与第i个检测设备相关联的第j个检测设备检测的数据异常的基础关联影响系数为0;若第i个检测设备所检测的执行部件异常而导致检测数据异常,则引发与第i个检测设备相关联的第j个检测设备检测的数据异常的基础关联影响系数为1。
对各固定采样周期内各检测设备检测的数据进行异常判定,判定方法如下:
步骤1、提取各固定采样周期内各检测设备检测的数据所对应的数学期望;
步骤2、分析固定采样周期内各检测设备检测的数据方差,表示为第v个固定采样周期内第j个检测设备在/>时刻检测的数据,j=1,2,…,n,/>表示为第j个检测设备在一个完整的固定检测周期内检测的数据的均值,/>表示为第v个固定采样周期内第j个检测设备检测数据的方差,固定检测周期是检测设备执行一次完整的操作所对应的时间,一个固定采样周期的时长大于一个固定检测周期的时长。
步骤3、采用异常判定模型分析出检测设备检测的数据是否异常;
异常判定模型,其中,/>表示为检测的数据所对应的偏离度系数小于偏离量阈值下的第j个检测设备在第v个固定采样周期内检测数据的数学期望,表示为检测的数据的偏离度系数小于偏离量阈值且偶然性系数小于设定阈值的第j个检测设备在第v个固定采样周期内检测数据的数学期望,当满足异常判定模型公式时,表明第v个固定采样周期内第j个检测设备在/>时刻检测的数据正常,若不满足,则表明第v个固定采样周期内第j个检测设备在/>时刻检测的数据异常。
步骤4、对检测的异常数据进行故障追踪溯源。
通过对检测的异常数据进行判定及追踪分析,能够确定检测数据异常的根源是检测设备异常还是与检测设备相关联的执行部件异常所导致,但是当确定为执行部件异常所导致的检测数据异常时,需对故障进一步地进行追踪溯源,以准确分析出引发该检测数据异常的执行部件。
由于各执行部件间相互配合使用,实现贴合设备的智能贴合功能,当其中一执行部件异常或检测该执行部件执行情况的检测设备异常时,导致无法完成对元器件进行准确贴合操作,影响元器件贴合效果。
由其中一检测设备的检测数据异常概率计算引发多个检测设备数据异常的概率,/>表示为第i个检测设备的检测数据异常引发多个检测设备检测的数据异常的概率,/>表示为第j个检测设备的权重,/>,/>表示为第j个检测设备在/>时刻检测的数据异常概率,若第j个检测设备在/>时刻检测的数据无异常,则取值为0,反之,则取值1。
判断第i个检测设备的故障追踪溯源模型公式是否满足条件,筛选出满足故障追踪模型的检测设备所检测的数据异常归类,若第i个检测设备检测的数据满足故障追踪溯源模型,则表明与第i个检测设备相关联的执行机构存在故障而非第i个检测设备故障;若第i个检测设备检测的数据不满足故障追踪溯源模型,则表明该检测设备存在故障。
故障追踪定位模块用于提取各检测设备检测的数据存在异常下的固定采样周期内该检测设备检测数据的检测逼近系数,对各检测设备检测的数据所对应的检测逼近系数进行预测分析,模拟追踪出各检测设备检测的异常数据的故障源头,实现对引发各检测设备检测的数据异常的追踪分析,能够精准定位出故障源头。
检测逼近系数反映出各检测设备检测的数据的稳定程度,当相邻两时刻的检测逼近系数持续递增,则表明由该检测设备所检测的贴合故障逐渐增加。
检测逼近系数的计算公式:,/>和/>分别表示为第j个检测设备检测的数据非异常情况下所允许的最小检测数值和最大检测数值,/>表示为第v个固定采样周期下第j个检测设备在/>时刻下的检测逼近系数。
对各检测设备检测的异常数据进行故障源头追踪分析,分析方法:
步骤1、筛选出各检测设备检测的数据存在异常下的检测逼近系数最大所对应的检测设备以及检测逼近系数最大的检测设备所检测的数据;
步骤2、分析该检测设备检测的数据的偏离量,/>,/>表示为第i个检测设备在一个完整的固定检测周期内检测的数据的均值;
步骤3、提取固定采样周期下各检测设备检测的数据,计算各检测设备的偏离量;
步骤4、基于各检测设备间的相关性,预测出检测逼近系数最大的检测设备所检测的数据的偏离量对其他检测设备检测的数据的偏离量计算,;
步骤5、判断步骤3中各检测设备的偏离量是否均小于由检测逼近系数最大的检测设备预测的各检测设备检测的数据的偏离量/>,若/>均小于预测的各检测设备检测的数据的偏离量/>,则表明该贴合设备仅存在检测逼近系数最大所对应的检测设备检测的故障,若各检测设备的偏移量存在大于预测的各检测设备检测的数据的偏离量,执行步骤6;
步骤6、筛选出步骤3中各检测设备的偏离量大于检测逼近系数最大的检测设备所预测的偏离量/>的检测设备,从中筛选出检测逼近系数最大的检测设备所检测的数据,并重复执行步骤2-5,直至各检测设备的偏移量均小于筛选出的检测逼近系数最大的检测设备所检测的数据的偏离量对步骤5中待定检测设备检测的数据的偏离量之和;
待定检测设备为步骤5中各检测设备检测的数据的偏离量大于根据检测逼近系数最大的检测设备检测的数据的偏离量所预测对其他检测设备检测的数据的偏离量的检测设备。
通过对各检测设备检测的异常数据所对应的检测逼近系数进行分析,筛选出检测逼近系数最大的检测设备对其他设备的检测数据的偏离量与该检测设备实际检测的数据的偏离量进行对比,采用多级筛选的方式,使得各检测设备实际检测的数据的偏离量均小于以往依次筛选出的检测逼近系数最大的检测设备所检测的数据的偏离量对其他检测设备的偏离量累计之和,能够准确筛选定位出引发各检测设备检测的数据异常的所有故障根源,实现故障溯源追踪。
故障预警提示模块用于从故障追踪定位模块中筛选出各检测设备所检测的异常数据的故障源头,判断该故障源头所对应的异常数据的检测逼近系数是否大于设定的贴合安全系数阈值下限,若大于设定的贴合安全系数阈值下限,及时对检测设备检测的异常数据所对应的故障进行预警提示,能够对追踪出的故障源头进行有效预警提示,且排除其他故障对检测设备检测数据的干扰,可准确对发生故障的执行部件进行针对性预警,提高了故障预警的准确性和及时性。
实施例二
智能贴合设备在贴合的过程中,因其中一执行部件的执行情况异常,会导致与该执行部件相关联的其他执行部件异常,进而存在由多个执行部件共同作用下所呈现的贴合效果差,且仅根据单一检测设备检测到与该检测设备相关联的执行部件执行过程中的检测数据,无法对贴合过程中所检测的各执行部件的执行数据进行综合分析,以评估贴合效果。
贴合检测模块除了实施例一的功能外,贴合检测模块还用于采集元器件经贴合设备贴合后的位置图像,提取位置图像中关键位置点的位置坐标,同时检测元器件贴合在线路板上的附着力。
元器件贴合至线路板上后,采用附着力检测仪对元器件的贴合吸附力进行检测,获得元器件贴合至线路板上的吸附力数据,当贴合设备的压合力不足,随着运输、使用中的振动等情况,造成元器件的引脚或连接处与线路板脱落,出现元器件的贴合故障,影响元器件贴合的稳定性。
位置数据分析模块对位置图像中的关键位置特征点的位置坐标进行数据分析,分析出关键位置特征点间的夹角以及关键位置特征点间的距离,并确定贴合异常类型。
贴合设备对元器件贴合至指定位置并完成压合过程时,需由组成贴合设备的多个执行部件相互配合,当与执行部件相关联的传感器异常时,会导致该执行部件执行异常,进而影响贴合设备对元器件的贴合效果。
贴合异常类型包括贴合摆放角度、贴合摆放位置、摆放速度、贴合压力不足或过大等。
基于元器件贴合至线路板上的位置图像,确定贴合异常类型的方法,包括:
步骤1、提取元器件贴合后位置图像中元器件上两关键位置特征点的位置坐标以及线路板上的关键位置特征点的位置坐标,分别为(x1,y1),(x2,y2),(x0,y0);
步骤2、分析线路板上关键位置特征点分别与元器件上两关键位置特征点连线的夹角,如图1所示,夹角/>,且,/>,/>。
步骤3、判断夹角是否在允许的角度范围内,若在允许的角度范围内,则表明元器件贴合摆放角度正常,若不在允许的角度范围内,则提取标准位置图像上线路板上关键位置特征点到元器件上两关键位置特征点的图像距离A和B,其中,所述允许的角度范围等于,/>为元器件贴合至标准位置所对应的标准夹角;
步骤4、判断采集的位置图像上线路板上关键位置特征点到元器件上两关键位置特征点的图像距离a和b,若图像距离a<A且b>B,则表明元器件在贴合位置处存在贴合摆放角度异常,若图像距离a>A且b>B或a<A且b<B,则表明元器件的贴合摆放位置异常。
对元器件贴合后元器件上任意两固定的关键位置特征点与线路板上的关键位置特征点间建立几何关系,可分析出经贴合后,元器件存在的问题,便于根据元器件贴合的问题对贴合效果进行评估。
贴合性能统筹模块用于提取位置数据分析模块分析的关键位置特征点间的夹角以及距离,并提取元器件贴合至线路板上的附着力,基于训练的摆放角度、摆放位置以及附着力对元器件贴合所对应的权重,分析出元器件经贴合后所实际对应的贴合性能系数,贴合性能系数反映出智能贴合设备对元器件贴合至线路板上的贴合效果,当贴合性能系数小于设定的贴合性能阈值,则表明元器件的贴合效果差,出现贴合异常情况,影响线路板的稳定运行。
贴合性能系数的计算公式为:/>,e是自然对数函数的底数,一般取2.718,/>分别表示为摆放角度、摆放位置以及附着力对元器件贴合影响的权重,/>表示为关键位置特征点间的角度与标准夹角间的差值,/>表示为检测出的元器件的附着力与标准附着力间的差值,/>表示为元器件贴合的标准附着力,元器件贴合的标准附着力受元器件与线路板的贴合面积相关,元器件与线路板贴合面积越大,贴合满足要求下,该元器件的附着力越大。
采用贴合后的位置图像进行分析以及贴合附着力进行检测,以对贴合整体的效果进行综合评估,为后期根据各检测设备检测的数据对元器件的贴合性能进行对比提供实际依据。
实施例三
针对实施例二中根据贴合后的位置图像以及附着力检测,能够对贴合的效果进行评估,在贴合评估的过程中存在无法建立与执行部件相关联的检测设备检测的数据进行贴合关联,进而无法根据贴合效果对与执行部件相关联的检测设备检测的数据建立对应的关系,以达到根据各检测设备检测的数据能够直接且及早准确预测分析出元器件的贴合效果,从而为满足元器件的贴合效果对各检测设备检测的数据进行及早调控,提供可靠的基础,实现贴合效果的调控。
贴合性能预测模块用于提取与各执行部件相关联的检测设备检测的数据所对应的偏离量,预测出元器件的推演贴合性能系数,并将元器件的推演贴合性能系数与贴合性能统筹模块分析的元器件的贴合性能系数进行对比,若在允许的误差范围内,则表明预测的元器件的推演贴合性能系数与经图像以及附着力分析的实际贴合性能系数匹配,若不在允许的误差范围内,对预测的元器件的推演贴合性能系数进行修正,以降低与实际贴合性能系数间的误差,使得与实际贴合性能系数接近,并对执行部件执行量进行调整,使得贴合后的元器件满足贴合要求。
推演贴合性能系数的计算公式:,e是自然对数函数的底数,一般取2.718;
在智能贴合设备在贴合过程中,检测设备检测到在先执行部件的执行量数据后,为满足推演贴合性能系数与实际贴合性能系数在允许的范围内,对后续执行部件的执行量数据进行调整,以保证最终贴合后的贴合效果满足元器件的贴合需求,提高了元器件贴合效果的稳定性、智能化,同时提高了贴合设备贴合的成功率。
以上内容仅仅是对本发明的构思所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的构思或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (7)
1.基于数据分析的智能贴合设备故障预警系统,包括用于对贴合设备在贴合过程中与执行部件相关联的检测设备对执行部件的执行数据进行检测的贴合检测模块,其特征在于,还包括数据偏离分析模块、数据异常归属判定模块、故障追踪定位模块和故障预警提示模块;
所述数据偏离分析模块用于获得各固定采集周期内各检测设备检测的数据,建立实时检测数据集,对实时检测数据集内各固定采样周期内检测的数据进行偏离量分析;
所述数据异常归属判定模块分析数据的偏离量所对应的偶然性系数,并对偶然性系数大于设定阈值的偏离量数据进行异常判定及追踪分析;
各检测设备的偶然性系数计算:,/>表示为第j个检测设备检测的数据的偏离量大于该检测设备正常运行所检测的偏离量阈值/>的个数,v=1,2,…,V,/>表示为检测设备处于正常运行状态下的第i个和第j个检测设备检测的数据间的相关性;
所述故障追踪定位模块用于提取各检测设备检测的数据存在异常下的固定采样周期内该检测设备检测数据的检测逼近系数,对各检测设备检测的数据所对应的检测逼近系数进行预测分析,模拟追踪出各检测设备检测的异常数据的故障源头;
检测逼近系数的计算公式:,/>和/>分别表示为第j个检测设备检测的数据非异常情况下所允许的最小检测数值和最大检测数值,/>表示为第v个固定采样周期下第j个检测设备在/>时刻下的检测逼近系数,/>表示为第v个固定采样周期内第j个检测设备在/>时刻检测的数据;
对各检测设备检测的异常数据进行故障源头追踪分析,分析方法:
步骤1、筛选出各检测设备检测的数据存在异常下的检测逼近系数最大所对应的检测设备以及检测逼近系数最大的检测设备所检测的数据;
步骤2、分析该检测设备检测的数据的偏离量,/>,/>表示为第i个检测设备在一个完整的固定检测周期内检测的数据的均值;
步骤3、提取固定采样周期下各检测设备检测的数据,计算各检测设备的偏离量;
步骤4、基于各检测设备间的相关性,预测出检测逼近系数最大的检测设备所检测的数据的偏离量对其他检测设备检测的数据的偏离量计算,;
步骤5、判断步骤3中各检测设备的偏离量是否均小于由检测逼近系数最大的检测设备预测的各检测设备检测的数据的偏离量/>,若/>均小于预测的各检测设备检测的数据的偏离量/>,则表明该贴合设备仅存在检测逼近系数最大所对应的检测设备检测的故障,若各检测设备的偏移量存在大于预测的各检测设备检测的数据的偏离量,执行步骤6;
步骤6、筛选出步骤3中各检测设备的偏离量大于检测逼近系数最大的检测设备所预测的偏离量/>的检测设备,从中筛选出检测逼近系数最大的检测设备所检测的数据,并重复执行步骤2-5,直至各检测设备的偏移量均小于筛选出的检测逼近系数最大的检测设备所检测的数据的偏离量对步骤5中待定检测设备检测的数据的偏离量之和;
所述故障预警提示模块用于判断各故障源头所对应的异常数据的检测逼近系数是否大于设定的贴合安全系数阈值下限,若大于设定的贴合安全系数阈值下限,及时对检测设备检测的异常数据所对应的故障进行预警提示;
本系统还包括用于采集元器件经贴合设备贴合后的位置图像,提取位置图像中关键位置点的位置坐标,同时检测元器件贴合在线路板上的附着力的贴合检测模块,以及贴合性能统筹模块;
贴合性能统筹模块用于提取位置数据分析模块分析的关键位置特征点间的夹角以及距离,并提取元器件贴合至线路板上的附着力,基于训练的摆放角度、摆放位置以及附着力对元器件贴合所对应的权重,分析出元器件经贴合后所实际对应的贴合性能系数;
贴合性能系数的计算公式为:/>,e是自然对数函数的底数,/>分别表示为摆放角度、摆放位置以及附着力对元器件贴合影响的权重,表示为关键位置特征点间的角度与标准夹角间的差值,/>表示为检测出的元器件的附着力与标准附着力间的差值,/>表示为元器件贴合的标准附着力,A和B分别为标准位置图像上线路板上关键位置特征点到元器件上两关键位置特征点的图像距离,/>为元器件贴合至标准位置所对应的标准夹角,a和b分别为采集的位置图像上线路板上关键位置特征点到元器件上两关键位置特征点的图像距离。
2.根据权利要求1所述的基于数据分析的智能贴合设备故障预警系统,其特征在于,各检测设备检测的数据进行偏离程度判定,得到偏离量数据,,j=1,2,…,n,k=1,2,…,m,/>表示为第j个检测设备正常运行下所检测的正常数值,/>表示为第v个固定采样周期内第j个检测设备在/>时刻检测的数据的偏离量,/>表示为第v个固定采样周期内第j个检测设备在/>时刻检测的数据。
3.根据权利要求1所述的基于数据分析的智能贴合设备故障预警系统,其特征在于,对各检测设备检测的数据进行相关性分析,采用的公式如下:,/>表示为检测设备处于正常运行状态下的第i个和第j个检测设备检测的数据间的相关性,/>表示为第i个检测设备检测的数据异常下引发第j个检测设备检测的数据异常的基础关联影响系数,/>表示为第v个固定采样周期内第i个检测设备在/>时刻检测的数据,k=1,2,…,m,/>和/>分别表示为第v个固定检测周期内第i个和第j个检测设备检测的数据的均值,当/>大于0时,表示第i个检测设备与第j个检测设备检测的数据存在正相关性,当/>小于0时,表示第i个检测设备与第j个检测设备检测的数据存在负相关性,当/>等于0时,表示第i个检测设备与第j个检测设备检测的数据不存在相关性。
4.根据权利要求3所述的基于数据分析的智能贴合设备故障预警系统,其特征在于,对各固定采样周期内各检测设备检测的数据进行异常判定,判定方法如下:
步骤1、提取各固定采样周期内各检测设备检测的数据所对应的数学期望;
步骤2、分析固定采样周期内各检测设备检测的数据方差;
步骤3、采用异常判定模型分析出检测设备检测的数据是否异常;
步骤4、对检测的异常数据进行故障追踪溯源。
5.根据权利要求4所述的基于数据分析的智能贴合设备故障预警系统,其特征在于,异常判定模型为,/>表示为检测的数据所对应的偏离度系数小于偏离量阈值下的第j个检测设备在第v个固定采样周期内检测数据的数学期望,/>表示为检测的数据的偏离度系数小于偏离量阈值且偶然性系数小于设定阈值的第j个检测设备在第v个固定采样周期内检测数据的数学期望,当满足异常判定模型公式时,表明第v个固定采样周期内第j个检测设备在/>时刻检测的数据正常,若不满足,则表明第v个固定采样周期内第j个检测设备在/>时刻检测的数据异常。
6.根据权利要求5所述的基于数据分析的智能贴合设备故障预警系统,其特征在于,判断第i个检测设备的故障追踪溯源模型公式是否满足条件,筛选出满足故障追踪模型的检测设备所检测的数据异常归类,若第i个检测设备检测的数据满足故障追踪溯源模型,则表明与第i个检测设备相关联的执行机构存在故障而非第i个检测设备故障;若第i个检测设备检测的数据不满足故障追踪溯源模型,则表明该检测设备存在故障,其中,/>,j=1,2,…,n,/>表示为第i个检测设备的检测数据异常引发多个检测设备检测的数据异常的概率,/>表示为第j个检测设备的权重,/>,/>表示为第j个检测设备在/>时刻检测的数据异常概率,若第j个检测设备在/>时刻检测的数据无异常,则取值为0,反之,则取值1。
7.根据权利要求1所述的基于数据分析的智能贴合设备故障预警系统,其特征在于,还包括贴合性能预测模块,贴合性能预测模块用于提取与各执行部件相关联的检测设备检测的数据所对应的偏离量,预测出元器件的推演贴合性能系数,并将元器件的推演贴合性能系数与贴合性能统筹模块分析的元器件的贴合性能系数进行对比,若在允许的误差范围内,则表明预测的元器件的推演贴合性能系数与经图像以及附着力分析的实际贴合性能系数匹配,若不在允许的误差范围内,对预测的元器件的推演贴合性能系数进行修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311355501.7A CN117113260B (zh) | 2023-10-19 | 2023-10-19 | 基于数据分析的智能贴合设备故障预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311355501.7A CN117113260B (zh) | 2023-10-19 | 2023-10-19 | 基于数据分析的智能贴合设备故障预警系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117113260A CN117113260A (zh) | 2023-11-24 |
CN117113260B true CN117113260B (zh) | 2024-01-30 |
Family
ID=88794990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311355501.7A Active CN117113260B (zh) | 2023-10-19 | 2023-10-19 | 基于数据分析的智能贴合设备故障预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117113260B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105808368A (zh) * | 2016-03-15 | 2016-07-27 | 南京联成科技发展有限公司 | 一种基于随机概率分布的信息安全异常检测的方法及系统 |
CN106230628A (zh) * | 2016-07-29 | 2016-12-14 | 山东工商学院 | 一种设备辅助检修方法和系统 |
CN114707605A (zh) * | 2022-04-08 | 2022-07-05 | 重庆电子工程职业学院 | 一种基于人工智能的电路缺陷检测方法及系统 |
CN115390513A (zh) * | 2022-07-14 | 2022-11-25 | 深圳市博硕科技股份有限公司 | 一种自动贴合机远程智能监控系统 |
CN115712268A (zh) * | 2022-12-23 | 2023-02-24 | 深圳市创立宏科技有限公司 | 一种电子产品辅料自动贴合装置用故障预警系统 |
CN116304718A (zh) * | 2023-05-10 | 2023-06-23 | 深圳市领志光机电自动化系统有限公司 | 基于物联网数据链的全自动无人设备异常监测预警系统 |
CN116304909A (zh) * | 2023-03-13 | 2023-06-23 | 天翼云科技有限公司 | 一种异常检测模型训练方法、故障场景定位方法及装置 |
CN116451044A (zh) * | 2023-06-13 | 2023-07-18 | 深圳市超卓实业有限公司 | 基于数据分析的机加设备故障预警系统 |
WO2023173686A1 (zh) * | 2022-03-17 | 2023-09-21 | 上海商汤智能科技有限公司 | 检测方法、装置、电子设备及存储介质 |
-
2023
- 2023-10-19 CN CN202311355501.7A patent/CN117113260B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105808368A (zh) * | 2016-03-15 | 2016-07-27 | 南京联成科技发展有限公司 | 一种基于随机概率分布的信息安全异常检测的方法及系统 |
CN106230628A (zh) * | 2016-07-29 | 2016-12-14 | 山东工商学院 | 一种设备辅助检修方法和系统 |
WO2023173686A1 (zh) * | 2022-03-17 | 2023-09-21 | 上海商汤智能科技有限公司 | 检测方法、装置、电子设备及存储介质 |
CN114707605A (zh) * | 2022-04-08 | 2022-07-05 | 重庆电子工程职业学院 | 一种基于人工智能的电路缺陷检测方法及系统 |
CN115390513A (zh) * | 2022-07-14 | 2022-11-25 | 深圳市博硕科技股份有限公司 | 一种自动贴合机远程智能监控系统 |
CN115712268A (zh) * | 2022-12-23 | 2023-02-24 | 深圳市创立宏科技有限公司 | 一种电子产品辅料自动贴合装置用故障预警系统 |
CN116304909A (zh) * | 2023-03-13 | 2023-06-23 | 天翼云科技有限公司 | 一种异常检测模型训练方法、故障场景定位方法及装置 |
CN116304718A (zh) * | 2023-05-10 | 2023-06-23 | 深圳市领志光机电自动化系统有限公司 | 基于物联网数据链的全自动无人设备异常监测预警系统 |
CN116451044A (zh) * | 2023-06-13 | 2023-07-18 | 深圳市超卓实业有限公司 | 基于数据分析的机加设备故障预警系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117113260A (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10502253B2 (en) | Machine learning device for learning assembly operation and component assembly system | |
CN105817430B (zh) | 基于机器视觉的产品检测方法 | |
WO2018103130A1 (zh) | 一种成型产品在线质量检测方法 | |
Kucukoglu et al. | Application of the artificial neural network method to detect defective assembling processes by using a wearable technology | |
CN106323633A (zh) | 一种基于指令域分析的进给轴装配故障的诊断方法 | |
EP3637335A1 (en) | Manufacturing monitoring system | |
US10549423B2 (en) | Controller and machine learning device | |
JP2022507110A (ja) | 非定常性機械性能の自動分析 | |
JP2018051721A (ja) | 異常検出装置、異常検出方法及びプログラム | |
CN115239725A (zh) | 一种橡胶手套胶浸涂层视觉监测方法及系统 | |
CN115508366B (zh) | 基于多光谱成像的产品缺陷智能检测系统及其方法 | |
CN105809674A (zh) | 一种基于机器视觉的模具保护装置及其方法 | |
Wu et al. | The development of automated solder bump inspection using machine vision techniques | |
CN117113260B (zh) | 基于数据分析的智能贴合设备故障预警系统 | |
CN117260815A (zh) | 基于视觉定位的机械手精准定位方法及系统 | |
TWI694250B (zh) | 表面缺陷偵測系統及其方法 | |
CN116777375B (zh) | 一种基于机器视觉的工业互联网系统 | |
CN117148809A (zh) | 用于人造革生产设备的工艺优化方法及系统 | |
CN115993366B (zh) | 基于传感设备的加工件表面检测方法及系统 | |
KR101883277B1 (ko) | Dtwep 기반 제조공정의 이상탐지 방법 및 장치 | |
CN114998357B (zh) | 基于多信息分析的工业检测方法、系统、终端和介质 | |
Reyna et al. | Product Digital Quality Inspection using Machine Vision Systems–A Categorical Review | |
JP2019190911A (ja) | 検査装置 | |
CN114967775A (zh) | 一种用于健身器材的力馈调控系统及方法 | |
US11468353B2 (en) | System for detecting data drift in machine-learning process monitoring |
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 |