CN117115169A - 一种汽车配件压铸模具表面形变异常智能识别方法 - Google Patents
一种汽车配件压铸模具表面形变异常智能识别方法 Download PDFInfo
- Publication number
- CN117115169A CN117115169A CN202311385267.2A CN202311385267A CN117115169A CN 117115169 A CN117115169 A CN 117115169A CN 202311385267 A CN202311385267 A CN 202311385267A CN 117115169 A CN117115169 A CN 117115169A
- Authority
- CN
- China
- Prior art keywords
- data
- die
- model
- abnormality
- casting die
- 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.)
- Pending
Links
- 238000004512 die casting Methods 0.000 title claims abstract description 54
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 65
- 230000005856 abnormality Effects 0.000 claims abstract description 62
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 238000010801 machine learning Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 42
- 238000011156 evaluation Methods 0.000 claims description 26
- 238000004458 analytical method Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000013136 deep learning model Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 230000002411 adverse Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000013523 data management Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 230000007774 longterm Effects 0.000 claims description 4
- 238000003908 quality control method Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 3
- 230000008451 emotion Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
-
- 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
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Abstract
本发明公开了一种汽车配件压铸模具表面形变异常智能识别方法，包括以下步骤：对压铸模具进行数据采集：通过高精度的三维扫描仪或摄像头对汽车配件压铸模具进行表面扫描，获取模具的三维点云数据或图像数据；本申请实现自动化监测模具表面的形变异常，能够在短时间内处理大量的数据，提高了检测的效率，并且可以在实时或定期基础上执行检测；通过机器学习和模型优化，智能系统提供高度准确和可靠的异常检测；能够捕捉微小的异常变化，不容易漏报或误报；智能系统可以通过不断优化模型、特征提取和数据处理流程来持续改进性能，在不同应用场景中具有更广泛的适用性。
Description
技术领域
本发明涉及形变异常识别技术领域，具体为一种汽车配件压铸模具表面形变异常智能识别方法。
背景技术
汽车配件压铸模具表面形变异常指的是在压铸模具的表面出现了不正常或异常的变形或损坏情况。这种异常可能会对汽车配件的制造过程和最终产品的质量产生不良影响。
一般的，在模具投入生产前，会有专业的工人对模具进行形变异常检测，避免上述情况的发生，而这种检测流程大多数会通过有经验的技术工人去操作，这种检测方式需要耗费大量的时间和人力资源，不如够快速和持续，而且可能会导致疲劳和因人员经验、情感的波动导致的不一致性，可能受限于人员的主观判断和视觉疲劳，可能会导致错误的判断，人工检测的改进通常需要培训和经验积累。
在场景应用上，这种检测还需要不同的专业技能来处理不同类型的数据。
综上，需要提出一种汽车配件压铸模具表面形变异常智能识别方法来解决上述问题。
发明内容
本发明的目的在于提供一种汽车配件压铸模具表面形变异常智能识别方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种汽车配件压铸模具表面形变异常智能识别方法，包括以下步骤：
S1.对压铸模具进行数据采集：通过高精度的三维扫描仪或摄像头对汽车配件压铸模具进行表面扫描，获取模具的三维点云数据或图像数据；
S2.对采集到的压铸模具数据预处理：对采集的点云数据或图像数据进行预处理，包括但不限于噪声去除、滤波、对齐等操作，以提高数据的质量和准确性；
S3.进行特征提取：从预处理后的数据中提取特征，包括形状特征、纹理特征、几何特征，用于描述模具表面的形变情况；
S4.异常检测模型训练：使用机器学习算法，对提取的特征进行训练，构建一个异常检测模型；
S5.模型评估和调优：使用一部分已知正常和异常样本进行模型的评估和调优；
S6.异常识别：利用训练好的异常检测模型对新的汽车配件压铸模具进行识别，输入待检测的模具数据，经过特征提取和模型预测，判断其是否存在表面形变异常。
作为本发明一种汽车配件压铸模具表面形变异常智能识别方法优选的技术方案，所述步骤S1中数据采集具体包括以下步骤：
S101.模具准备：确保待测的汽车配件压铸模具处于适当的状态，清洁并排列好，以确保数据采集的准确性，从而提高后续分析和检测的可信度，通过三维扫描或图像捕捉，获取汽车配件压铸模具表面的实际形状和纹理信息；
S102.表面扫描：使用高精度的三维扫描仪对模具表面进行扫描，以获取表面的三维点云数据或图像数据，确保数据的准确性和精度；
S103.数据记录：记录采集到的数据，包括位置信息、时间戳等，以便后续数据管理和分析，采集的数据被存档，用于后续的模型训练、性能评估和质量控制，有助于长期监测和分析模具状态。
作为本发明一种汽车配件压铸模具表面形变异常智能识别方法优选的技术方案，所述步骤S2中数据预处理具体包括以下步骤：
S201.噪声去除：在采集到的三维点云数据或图像数据中，识别并移除由于采集设备或环境因素引入的噪声点，提高后续分析的准确性，防止噪声对异常检测的误导；
S202.滤波：对数据进行滤波操作，平滑数据，降低数据的变化率，使数据更容易分析和处理，去除数据中的高频噪声，同时保留关键的形状和结构信息，有助于数据的稳定性和可读性；
S203.对齐：将不同采集视角或时间的数据进行对齐，以确保它们在同一坐标系下，消除由于不同位置或角度造成的偏移，使数据具有一致性，便于后续分析和比较；
S204.去除异常值：识别并移除数据中的异常值，这些异常值的产生包括但不限于设备故障的异常原因，避免对模型训练和分析的不良影响，提高数据的可靠性；
S205.数据格式标准化：将数据格式标准化，确保数据的一致性和可比性，用于不同数据源的集成和比较，以及后续分析的一致性。
作为本发明一种汽车配件压铸模具表面形变异常智能识别方法优选的技术方案，所述步骤S3中特征提取具体包括以下步骤：
S301.形状特征提取：识别模具表面的形状特征，帮助捕捉模具表面的整体几何信息，有助于区分不同形状的异常；
S302.纹理特征提取：分析模具表面的纹理信息，捕捉表面纹理的细节，用于检测纹理异常或损伤；
S303.几何特征提取：计算与表面几何相关的特征，描述表面的局部几何形状，用于检测局部几何异常形变。
作为本发明一种汽车配件压铸模具表面形变异常智能识别方法优选的技术方案，所述步骤S4-步骤S5中异常检测模型训练以及评估和调优具体包括以下步骤：
S401.数据划分：将采集到的数据集划分为训练集和测试集，以用于模型训练和性能评估，确保训练和评估是在独立的数据集上进行，防止模型过拟合，并评估模型的泛化性能；
S402.选择异常检测算法：选择适合问题的深度学习模型用于异常检测算法，使模型准确地识别异常，提高模型的性能；
S403.特征输入：将经过特征提取的数据输入选定的异常检测算法；
S404.模型训练和评估：使用训练集数据训练异常检测模型，调整模型参数以最大化性能，使用测试集数据对模型进行评估，通过学习正常模具数据的模式来识别异常，这有助于模型学习并捕捉正常状态的特征；
S405.超参数调优：根据模型评估的结果，调整模型的超参数以提高模型性能，用于找到最佳模型配置，提高异常检测的准确性；
S406.模型部署：将训练好的异常检测模型部署到实际生产环境中，用于实时监测模具的异常，使异常检测成为实际应用的一部分，确保模具表面异常的及时检测和响应。
作为本发明一种汽车配件压铸模具表面形变异常智能识别方法优选的技术方案，所述步骤S4中的算法包括但不限于支持向量机、随机森林或深度学习模型如卷积神经网络中的一种。
作为本发明一种汽车配件压铸模具表面形变异常智能识别方法优选的技术方案，所述步骤S5中调优流程中采用包括交叉验证、ROC曲线、精确度和召回率的指标来评估模型的性能。
与现有技术相比，本发明的有益效果是：
1.自动化和实时性：本申请实现自动化监测模具表面的形变异常，能够在短时间内处理大量的数据，提高了检测的效率，并且在实时或定期基础上执行检测。
2.一致性：本申请智能形变检测系统在不同时间和不同工作条件下能够保持一致的性能水平，不受人员主观判断和情感因素的影响。
3.准确性和可靠性：通过机器学习和模型优化，智能系统提供高度准确和可靠的异常检测。能够捕捉微小的异常变化，不容易漏报或误报。
4.持续改进：智能系统通过不断优化模型、特征提取和数据处理流程来持续改进性能，这种改进根据新数据和反馈进行，不断提高系统的性能。
5.多数据源适用性：该系统适应不同类型的数据，包括三维点云数据、图像数据和颜色数据，因此在不同应用场景中具有更广泛的适用性。
附图说明
图1为本发明的一种汽车配件压铸模具表面形变异常智能识别方法流程图；
实施方式
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，所描述的实施例仅仅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他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供一种技术方案：
一种汽车配件压铸模具表面形变异常智能识别方法，包括以下步骤：
S1.对压铸模具进行数据采集：通过高精度的三维扫描仪或摄像头对汽车配件压铸模具进行表面扫描，获取模具的三维点云数据或图像数据；
S2.对采集到的压铸模具数据预处理：对采集的点云数据或图像数据进行预处理，包括但不限于噪声去除、滤波、对齐等操作，以提高数据的质量和准确性；
S3.进行特征提取：从预处理后的数据中提取特征，包括形状特征、纹理特征、几何特征，用于描述模具表面的形变情况；
S4.异常检测模型训练：使用机器学习算法，对提取的特征进行训练，构建一个异常检测模型；
S5.模型评估和调优：使用一部分已知正常和异常样本进行模型的评估和调优；
S6.异常识别：利用训练好的异常检测模型对新的汽车配件压铸模具进行识别，输入待检测的模具数据，经过特征提取和模型预测，判断其是否存在表面形变异常。
进一步的，所述步骤S1中数据采集具体包括以下步骤：
S101.模具准备：确保待测的汽车配件压铸模具处于适当的状态，清洁并排列好，以确保数据采集的准确性，从而提高后续分析和检测的可信度，通过三维扫描或图像捕捉，获取汽车配件压铸模具表面的实际形状和纹理信息；
S102.表面扫描：使用高精度的三维扫描仪对模具表面进行扫描，以获取表面的三维点云数据或图像数据，确保数据的准确性和精度；
S103.数据记录：记录采集到的数据，包括位置信息、时间戳等，以便后续数据管理和分析，采集的数据被存档，用于后续的模型训练、性能评估和质量控制，有助于长期监测和分析模具状态。
进一步的，所述步骤S2中数据预处理具体包括以下步骤：
S201.噪声去除：在采集到的三维点云数据或图像数据中，识别并移除由于采集设备或环境因素引入的噪声点，提高后续分析的准确性，防止噪声对异常检测的误导；
S202.滤波：对数据进行滤波操作，平滑数据，降低数据的变化率，使数据更容易分析和处理，去除数据中的高频噪声，同时保留关键的形状和结构信息，有助于数据的稳定性和可读性；
S203.对齐：将不同采集视角或时间的数据进行对齐，以确保它们在同一坐标系下，消除由于不同位置或角度造成的偏移，使数据具有一致性，便于后续分析和比较；
S204.去除异常值：识别并移除数据中的异常值，这些异常值的产生包括但不限于设备故障的异常原因，避免对模型训练和分析的不良影响，提高数据的可靠性；
S205.数据格式标准化：将数据格式标准化，确保数据的一致性和可比性，用于不同数据源的集成和比较，以及后续分析的一致性。
进一步的，所述步骤S3中特征提取具体包括以下步骤：
S301.形状特征提取：识别模具表面的形状特征，帮助捕捉模具表面的整体几何信息，有助于区分不同形状的异常；
S302.纹理特征提取：分析模具表面的纹理信息，捕捉表面纹理的细节，用于检测纹理异常或损伤；
S303.几何特征提取：计算与表面几何相关的特征，描述表面的局部几何形状，用于检测局部几何异常形变。
进一步的，所述步骤S4-步骤S5中异常检测模型训练以及评估和调优具体包括以下步骤：
S401.数据划分：将采集到的数据集划分为训练集和测试集，以用于模型训练和性能评估，确保训练和评估是在独立的数据集上进行，防止模型过拟合，并评估模型的泛化性能；
S402.选择异常检测算法：选择适合问题的深度学习模型用于异常检测算法，使模型准确地识别异常，提高模型的性能；
S403.特征输入：将经过特征提取的数据输入选定的异常检测算法；
S404.模型训练和评估：使用训练集数据训练异常检测模型，调整模型参数以最大化性能，使用测试集数据对模型进行评估，通过学习正常模具数据的模式来识别异常，这有助于模型学习并捕捉正常状态的特征；
S405.超参数调优：根据模型评估的结果，调整模型的超参数以提高模型性能，用于找到最佳模型配置，提高异常检测的准确性；
S406.模型部署：将训练好的异常检测模型部署到实际生产环境中，用于实时监测模具的异常，使异常检测成为实际应用的一部分，确保模具表面异常的及时检测和响应。
进一步的，所述步骤S4中的算法包括但不限于支持向量机、随机森林或深度学习模型如卷积神经网络中的一种。
进一步的，所述步骤S5中调优流程中采用包括交叉验证、ROC曲线、精确度和召回率的指标来评估模型的性能。
实施例
一种汽车配件压铸模具表面形变异常智能识别方法，具体包括以下步骤：
S1.对压铸模具进行数据采集：确保待测的汽车配件压铸模具处于适当的状态，清洁并排列好，以确保数据采集的准确性，从而提高后续分析和检测的可信度，通过三维扫描或图像捕捉，获取汽车配件压铸模具表面的实际形状和纹理信息；使用高精度的三维扫描仪对模具表面进行扫描，以获取表面的三维点云数据或图像数据，确保数据的准确性和精度；记录采集到的数据，包括位置信息、时间戳等，以便后续数据管理和分析，采集的数据被存档，用于后续的模型训练、性能评估和质量控制，有助于长期监测和分析模具状态；
S2.对采集到的压铸模具数据预处理：在采集到的三维点云数据或图像数据中，识别并移除由于采集设备或环境因素引入的噪声点，提高后续分析的准确性，防止噪声对异常检测的误导；对数据进行滤波操作，平滑数据，降低数据的变化率，使数据更容易分析和处理，去除数据中的高频噪声，同时保留关键的形状和结构信息，有助于数据的稳定性和可读性；将不同采集视角或时间的数据进行对齐，以确保它们在同一坐标系下，消除由于不同位置或角度造成的偏移，使数据具有一致性，便于后续分析和比较；识别并移除数据中的异常值，这些异常值的产生包括但不限于设备故障的异常原因，避免对模型训练和分析的不良影响，提高数据的可靠性；将数据格式标准化，确保数据的一致性和可比性，用于不同数据源的集成和比较，以及后续分析的一致性；
S3.进行特征提取：识别模具表面的形状特征，帮助捕捉模具表面的整体几何信息，有助于区分不同形状的异常；分析模具表面的纹理信息，捕捉表面纹理的细节，用于检测纹理异常或损伤；计算与表面几何相关的特征，描述表面的局部几何形状，用于检测局部几何异常形变；
S4.异常检测模型训练：将采集到的数据集划分为训练集和测试集，以用于模型训练和性能评估，确保训练和评估是在独立的数据集上进行，防止模型过拟合，并评估模型的泛化性能；选择适合问题的深度学习模型用于异常检测算法，使模型准确地识别异常，提高模型的性能；将经过特征提取的数据输入选定的异常检测算法；使用训练集数据训练异常检测模型，调整模型参数以最大化性能，使用测试集数据对模型进行评估，通过学习正常模具数据的模式来识别异常，这有助于模型学习并捕捉正常状态的特征；根据模型评估的结果，调整模型的超参数以提高模型性能，用于找到最佳模型配置，提高异常检测的准确性；将训练好的异常检测模型部署到实际生产环境中，用于实时监测模具的异常，使异常检测成为实际应用的一部分，确保模具表面异常的及时检测和响应；
S5.模型评估和调优：使用一部分已知正常和异常样本进行模型的评估和调优；
S6.异常识别：利用训练好的异常检测模型对新的汽车配件压铸模具进行识别，输入待检测的模具数据，经过特征提取和模型预测，判断其是否存在表面形变异常。
需要知道的是，步骤S4中的算法包括但不限于支持向量机、随机森林或深度学习模型如卷积神经网络中的一种，步骤S5中调优流程中采用包括交叉验证、ROC曲线、精确度和召回率的指标来评估模型的性能。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，理解在不脱离本发明的原理和精神的情况下对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种汽车配件压铸模具表面形变异常智能识别方法，其特征在于，包括以下步骤：
S1.对压铸模具进行数据采集：通过高精度的三维扫描仪或摄像头对汽车配件压铸模具进行表面扫描，获取模具的三维点云数据或图像数据；
S2.对采集到的压铸模具数据预处理：对采集的点云数据或图像数据进行预处理，包括但不限于噪声去除、滤波、对齐等操作，以提高数据的质量和准确性；
S3.进行特征提取：从预处理后的数据中提取特征，包括形状特征、纹理特征、几何特征，用于描述模具表面的形变情况；
S4.异常检测模型训练：使用机器学习算法，对提取的特征进行训练，构建一个异常检测模型；
S5.模型评估和调优：使用一部分已知正常和异常样本进行模型的评估和调优；
S6.异常识别：利用训练好的异常检测模型对新的汽车配件压铸模具进行识别，输入待检测的模具数据，经过特征提取和模型预测，判断其是否存在表面形变异常。
2.根据权利要求1所述的一种汽车配件压铸模具表面形变异常智能识别方法，其特征在于，所述步骤S1中数据采集具体包括以下步骤：
S101.模具准备：确保待测的汽车配件压铸模具处于适当的状态，清洁并排列好，以确保数据采集的准确性，从而提高后续分析和检测的可信度，通过三维扫描或图像捕捉，获取汽车配件压铸模具表面的实际形状和纹理信息；
S102.表面扫描：使用高精度的三维扫描仪对模具表面进行扫描，以获取表面的三维点云数据或图像数据，确保数据的准确性和精度；
S103.数据记录：记录采集到的数据，包括位置信息、时间戳等，以便后续数据管理和分析，采集的数据被存档，用于后续的模型训练、性能评估和质量控制，有助于长期监测和分析模具状态。
3.根据权利要求2所述的一种汽车配件压铸模具表面形变异常智能识别方法，其特征在于，所述步骤S2中数据预处理具体包括以下步骤：
S201.噪声去除：在采集到的三维点云数据或图像数据中，识别并移除由于采集设备或环境因素引入的噪声点，提高后续分析的准确性，防止噪声对异常检测的误导；
S202.滤波：对数据进行滤波操作，平滑数据，降低数据的变化率，使数据更容易分析和处理，去除数据中的高频噪声，同时保留关键的形状和结构信息，有助于数据的稳定性和可读性；
S203.对齐：将不同采集视角或时间的数据进行对齐，以确保它们在同一坐标系下，消除由于不同位置或角度造成的偏移，使数据具有一致性，便于后续分析和比较；
S204.去除异常值：识别并移除数据中的异常值，这些异常值的产生包括但不限于设备故障的异常原因，避免对模型训练和分析的不良影响，提高数据的可靠性；
S205.数据格式标准化：将数据格式标准化，确保数据的一致性和可比性，用于不同数据源的集成和比较，以及后续分析的一致性。
4.根据权利要求3所述的一种汽车配件压铸模具表面形变异常智能识别方法，其特征在于，所述步骤S3中特征提取具体包括以下步骤：
S301.形状特征提取：识别模具表面的形状特征，帮助捕捉模具表面的整体几何信息，有助于区分不同形状的异常；
S302.纹理特征提取：分析模具表面的纹理信息，捕捉表面纹理的细节，用于检测纹理异常或损伤；
S303.几何特征提取：计算与表面几何相关的特征，描述表面的局部几何形状，用于检测局部几何异常形变。
5.根据权利要求4所述的一种汽车配件压铸模具表面形变异常智能识别方法，其特征在于，所述步骤S4-步骤S5中异常检测模型训练以及评估和调优具体包括以下步骤：
S401.数据划分：将采集到的数据集划分为训练集和测试集，以用于模型训练和性能评估，确保训练和评估是在独立的数据集上进行，防止模型过拟合，并评估模型的泛化性能；
S402.选择异常检测算法：选择适合问题的深度学习模型用于异常检测算法，使模型准确地识别异常，提高模型的性能；
S403.特征输入：将经过特征提取的数据输入选定的异常检测算法；
S404.模型训练和评估：使用训练集数据训练异常检测模型，调整模型参数以最大化性能，使用测试集数据对模型进行评估，通过学习正常模具数据的模式来识别异常，这有助于模型学习并捕捉正常状态的特征；
S405.超参数调优：根据模型评估的结果，调整模型的超参数以提高模型性能，用于找到最佳模型配置，提高异常检测的准确性；
S406.模型部署：将训练好的异常检测模型部署到实际生产环境中，用于实时监测模具的异常，使异常检测成为实际应用的一部分，确保模具表面异常的及时检测和响应。
6.根据权利要求5所述的一种汽车配件压铸模具表面形变异常智能识别方法，其特征在于：所述步骤S4中的算法包括但不限于支持向量机、随机森林或深度学习模型（如卷积神经网络）中的一种。
7.根据权利要求6所述的一种汽车配件压铸模具表面形变异常智能识别方法，其特征在于：所述步骤S5中调优流程中采用包括交叉验证、ROC曲线、精确度和召回率的指标来评估模型的性能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311385267.2A CN117115169A (zh) | 2023-10-25 | 2023-10-25 | 一种汽车配件压铸模具表面形变异常智能识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311385267.2A CN117115169A (zh) | 2023-10-25 | 2023-10-25 | 一种汽车配件压铸模具表面形变异常智能识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117115169A true CN117115169A (zh) | 2023-11-24 |
Family
ID=88809599
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311385267.2A Pending CN117115169A (zh) | 2023-10-25 | 2023-10-25 | 一种汽车配件压铸模具表面形变异常智能识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117115169A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117358892A (zh) * | 2023-12-05 | 2024-01-09 | 济南东方结晶器有限公司 | 用于结晶器铜管的形变监测预警方法及系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN205056995U (zh) * | 2015-10-10 | 2016-03-02 | 宁波吉烨汽配模具有限公司 | 一种装有排气镶块且用于制作壳体的压铸模具 |
| WO2017084186A1 (zh) * | 2015-11-18 | 2017-05-26 | 华南理工大学 | 挠性电路板制造过程自动监测和智能分析系统及方法 |
| CN110264567A (zh) * | 2019-06-19 | 2019-09-20 | 南京邮电大学 | 一种基于标记点的实时三维建模方法 |
| CN110826514A (zh) * | 2019-11-13 | 2020-02-21 | 国网青海省电力公司海东供电公司 | 一种基于深度学习的施工现场违章智能识别方法 |
| CN111881970A (zh) * | 2020-07-23 | 2020-11-03 | 国网天津市电力公司 | 一种基于深度学习的外破图像智能识别方法 |
| CN218504096U (zh) * | 2022-07-28 | 2023-02-21 | 广州大学 | 一种具备智能识别、检测焊缝功能的恒力控制打磨器具 |
| CN116188458A (zh) * | 2023-04-19 | 2023-05-30 | 惠州市凯默金属制品有限公司 | 一种汽车配件压铸模具表面形变异常智能识别方法 |
| CN116664508A (zh) * | 2023-05-29 | 2023-08-29 | 华中科技大学 | 一种焊缝表面质量检测方法及计算机可读存储介质 |
| CN116758234A (zh) * | 2023-06-27 | 2023-09-15 | 华南农业大学 | 一种基于多点云数据融合的山地地形建模方法 |
| CN116843323A (zh) * | 2023-09-01 | 2023-10-03 | 曲阜市龙祥冶铸辅料有限公司 | 基于动态图像扫描的螺杆铸造件质量控制监管系统 |
| CN116844068A (zh) * | 2023-09-01 | 2023-10-03 | 山东省地质矿产勘查开发局第五地质大队（山东省第五地质矿产勘查院） | 建筑测绘方法、系统、计算机设备及存储介质 |
| CN116880701A (zh) * | 2023-09-07 | 2023-10-13 | 深圳优立全息科技有限公司 | 基于全息设备的多模态交互方法及系统 |
-
2023
- 2023-10-25 CN CN202311385267.2A patent/CN117115169A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN205056995U (zh) * | 2015-10-10 | 2016-03-02 | 宁波吉烨汽配模具有限公司 | 一种装有排气镶块且用于制作壳体的压铸模具 |
| WO2017084186A1 (zh) * | 2015-11-18 | 2017-05-26 | 华南理工大学 | 挠性电路板制造过程自动监测和智能分析系统及方法 |
| CN110264567A (zh) * | 2019-06-19 | 2019-09-20 | 南京邮电大学 | 一种基于标记点的实时三维建模方法 |
| CN110826514A (zh) * | 2019-11-13 | 2020-02-21 | 国网青海省电力公司海东供电公司 | 一种基于深度学习的施工现场违章智能识别方法 |
| CN111881970A (zh) * | 2020-07-23 | 2020-11-03 | 国网天津市电力公司 | 一种基于深度学习的外破图像智能识别方法 |
| CN218504096U (zh) * | 2022-07-28 | 2023-02-21 | 广州大学 | 一种具备智能识别、检测焊缝功能的恒力控制打磨器具 |
| CN116188458A (zh) * | 2023-04-19 | 2023-05-30 | 惠州市凯默金属制品有限公司 | 一种汽车配件压铸模具表面形变异常智能识别方法 |
| CN116664508A (zh) * | 2023-05-29 | 2023-08-29 | 华中科技大学 | 一种焊缝表面质量检测方法及计算机可读存储介质 |
| CN116758234A (zh) * | 2023-06-27 | 2023-09-15 | 华南农业大学 | 一种基于多点云数据融合的山地地形建模方法 |
| CN116843323A (zh) * | 2023-09-01 | 2023-10-03 | 曲阜市龙祥冶铸辅料有限公司 | 基于动态图像扫描的螺杆铸造件质量控制监管系统 |
| CN116844068A (zh) * | 2023-09-01 | 2023-10-03 | 山东省地质矿产勘查开发局第五地质大队（山东省第五地质矿产勘查院） | 建筑测绘方法、系统、计算机设备及存储介质 |
| CN116880701A (zh) * | 2023-09-07 | 2023-10-13 | 深圳优立全息科技有限公司 | 基于全息设备的多模态交互方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 何锦雄;刘国伟;杨永;: "基于深度学习的配电设备智能识别技术研究", 电子设计工程, no. 06 * |
| 龚海军;周涛;李欢;彭军;: "基于杰魔的铝合金零件逆向建模及压铸模具设计", 铸造, no. 06 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117358892A (zh) * | 2023-12-05 | 2024-01-09 | 济南东方结晶器有限公司 | 用于结晶器铜管的形变监测预警方法及系统 |
| CN117358892B (zh) * | 2023-12-05 | 2024-03-08 | 济南东方结晶器有限公司 | 用于结晶器铜管的形变监测预警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP1982301B1 (en) | Method of condition monitoring | |
| CN117115169A (zh) | 一种汽车配件压铸模具表面形变异常智能识别方法 | |
| CN112669305B (zh) | 一种金属表面抗锈性能测试台及抗锈性能测评方法 | |
| CN111046582A (zh) | 一种核电站柴油发电机组线圈温度预警方法及系统 | |
| CN113253037B (zh) | 基于电流波纹的边云协同设备状态监测方法及系统、介质 | |
| CN116028887B (zh) | 一种连续性工业生产数据的分析方法 | |
| CN116651971B (zh) | 一种汽车冲压模具在线检测方法及系统 | |
| CN116107280B (zh) | 一种用于多维可视化管理的数字孪生工厂控制系统 | |
| CN116050678A (zh) | 一种基于云计算的压铸产品加工测试系统及方法 | |
| CN110208028B (zh) | 基于粉尘浓度的混凝土生产设备在线故障检测方法及系统 | |
| CN116415127A (zh) | 用于造纸质量评估的方法、系统及介质 | |
| CN115496108A (zh) | 一种基于流形学习和大数据分析的故障监测方法及系统 | |
| CN116704733A (zh) | 铝合金电缆的老化预警方法和系统 | |
| CN109598309B (zh) | 一种金属包装冲压机的检测系统及其监测方法 | |
| US11640659B2 (en) | System and method for assessing the health of an asset | |
| CN111623905B (zh) | 风电机组轴承温度预警方法及装置 | |
| CN110303592B (zh) | 基于震动信息的混凝土生产设备在线故障检测方法及系统 | |
| CN110222814B (zh) | 基于嵌入式dcnn的乙烯裂解炉炉管重管识别方法 | |
| CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
| EP3869286A1 (en) | System and method for detecting turbine underperformance and operation anomaly | |
| CN113627885A (zh) | 一种电网供电异常监测系统及其监测方法 | |
| CN110319924B (zh) | 基于噪音分贝的混凝土生产设备在线故障检测方法及系统 | |
| CN117741090B (zh) | 一种变速箱精密铸件质量缺陷检测方法 | |
| CN117806233A (zh) | 一种数控机床智能监控系统及方法 | |
| CN117371985A (zh) | 一种无人机电力巡检报告生产方法 |
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 |