CN117130337B - 漆包线生产工艺自动化调节方法及系统 - Google Patents
漆包线生产工艺自动化调节方法及系统 Download PDFInfo
- Publication number
- CN117130337B CN117130337B CN202311386105.0A CN202311386105A CN117130337B CN 117130337 B CN117130337 B CN 117130337B CN 202311386105 A CN202311386105 A CN 202311386105A CN 117130337 B CN117130337 B CN 117130337B
- Authority
- CN
- China
- Prior art keywords
- sample
- production
- performance
- control parameters
- enameled wire
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 363
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000001514 detection method Methods 0.000 claims abstract description 171
- 238000005457 optimization Methods 0.000 claims abstract description 83
- 238000010923 batch production Methods 0.000 claims abstract description 14
- 238000004088 simulation Methods 0.000 claims abstract description 14
- 238000000576 coating method Methods 0.000 claims description 105
- 239000011248 coating agent Substances 0.000 claims description 92
- 238000004886 process control Methods 0.000 claims description 37
- 238000004458 analytical method Methods 0.000 claims description 33
- 238000001931 thermography Methods 0.000 claims description 27
- 238000012544 monitoring process Methods 0.000 claims description 21
- 210000003298 dental enamel Anatomy 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 15
- 230000007547 defect Effects 0.000 claims description 15
- 238000009413 insulation Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000001360 synchronised effect Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000003331 infrared imaging Methods 0.000 claims description 4
- 238000011056 performance test Methods 0.000 claims 2
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 5
- 238000003908 quality control method Methods 0.000 abstract description 5
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 9
- 230000000875 corresponding effect Effects 0.000 description 8
- 239000004020 conductor Substances 0.000 description 7
- 239000003973 paint Substances 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 239000000853 adhesive Substances 0.000 description 2
- 230000001070 adhesive effect Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000010292 electrical insulation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013386 optimize process Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000004381 surface treatment Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- -1 treatment methods Substances 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Coating With Molten Metal (AREA)
Abstract
本申请提供了漆包线生产工艺自动化调节方法及系统,涉及工艺生产领域,所述方法包括:确定产品信息和需求信息,预构建漆包线性能检测网络,对样品进行预处理和图像采集,获得性能偏差集,通过进行性能优化仿真得到控制参数,通过控制参数进行自动化调节和多批次生产。本申请主要解决了进行漆包线生产过程中所使用生产设备的控制参数设定往往受到操作员个人技能和经验的影响,存在基于人工设置的控制参数进行漆包线生产时,漆包线品控稳定性较弱的技术问题。通过确定产品和应用场景,根据性能偏差信息进行自动化控制和多批次生产,达到了提高生产效率,还可以降低废品率并减少质量波动,为漆包线行业的生产和发展提供有益的帮助的技术效果。
Description
技术领域
本发明涉及工艺生产的技术领域,具体涉及漆包线生产工艺自动化调节方法及系统。
背景技术
漆包线是电机、变压器等电气设备中常用的导线,在生产过程中,为了确保漆包线的质量,还需要进行一系列的质量检测。比如,应该对导体材料的成分、导体的直径、线盘的规格等进行严格的控制;同时,还需要对涂料的质量和涂覆效果进行检测,保证涂料的附着力和绝缘性能符合要求。
现有技术在生产过程中所使用生产设备的控制参数设定是通过操作员个人技能和经验进行操作和设置。
现有技术在进行漆包线生产过程中所使用生产设备的控制参数设定往往受到操作员个人技能和经验的影响,存在基于人工设置的控制参数进行漆包线生产时,漆包线品控稳定性较弱的技术问题。
发明内容
本申请主要解决了进行漆包线生产过程中所使用生产设备的控制参数设定往往受到操作员个人技能和经验的影响,存在基于人工设置的控制参数进行漆包线生产时,漆包线品控稳定性较弱的技术问题。
鉴于上述问题,本申请实施例提供了漆包线生产工艺自动化调节方法及系统,第一方面,本申请实施例提供了漆包线生产工艺自动化调节方法,所述方法包括:交互确定待生产漆包线的目标应用场景,根据所述目标应用场景确定目标应用需求信息,其中,所述目标应用需求信息包括目标导电性能约束、目标绝缘性能约束和目标耐热性能约束,将所述目标应用需求同步至预构建的工艺参数分析子网络,获得第一生产控制参数,其中,所述第一生产控制参数包括K个工艺控制参数,基于所述第一生产控制参数进行所述待生产漆包线的试生产,获得样品漆包线,预构建漆包线性能检测网络,其中,所述漆包线性能检测网络包括表观瑕疵检测通道和绝缘涂覆检测通道,对所述样品漆包线进行通电预处理和图像采集,获得样品表观图像集和样品热成像图像集,将所述样品表观图像集和所述样品热成像图像集分别同步至所述漆包线性能检测网络的所述表观瑕疵检测通道和所述绝缘涂覆检测通道进行性能检测,获得性能偏差信息集,根据所述性能偏差信息集对所述第一生产控制参数进行性能优化仿真,获得第二生产控制参数,其中,所述第二生产控制参数包括K个优化控制参数,K为正整数,采用所述第二生产控制参数进行所述待生产漆包线的生产工艺自动化调节以及所述待生产漆包线的多批次生产。
第二方面,本申请实施例提供了漆包线生产工艺自动化调节系统,所述系统包括:应用场景确定模块,所述应用场景确定模块用于交互确定待生产漆包线的目标应用场景,需求信息确定模块,所述需求信息确定模块是根据所述目标应用场景确定目标应用需求信息,其中,所述目标应用需求信息包括目标导电性能约束、目标绝缘性能约束和目标耐热性能约束,第一生产控制参数获取模块,所述第一生产控制参数获取模块用于将所述目标应用需求同步至预构建的工艺参数分析子网络,获得第一生产控制参数,其中,所述第一生产控制参数包括K个工艺控制参数,样品漆包线获取模块,所述样品漆包线获取模块是基于所述第一生产控制参数进行所述待生产漆包线的试生产,获得样品漆包线,性能检测网络预构建模块,所述性能检测网络预构建模块用于预构建漆包线性能检测网络,其中,所述漆包线性能检测网络包括表观瑕疵检测通道和绝缘涂覆检测通道,性能偏差信息集获取模块,所述性能偏差信息集获取模块用于对所述样品漆包线进行通电预处理和图像采集,获得样品表观图像集和样品热成像图像集,将所述样品表观图像集和所述样品热成像图像集分别同步至所述漆包线性能检测网络的所述表观瑕疵检测通道和所述绝缘涂覆检测通道进行性能检测,获得性能偏差信息集,第二生产控制参数获取模块,所述第二生产控制参数获取模块用于根据所述性能偏差信息集对所述第一生产控制参数进行性能优化仿真,获得第二生产控制参数,其中,所述第二生产控制参数包括K个优化控制参数,K为正整数,生产自动化调节模块,所述生产自动化调节模块用于采用所述第二生产控制参数进行所述待生产漆包线的生产工艺自动化调节以及所述待生产漆包线的多批次生产。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请提供了漆包线生产工艺自动化调节方法及系统,涉及工艺生产领域,所述方法包括:确定产品信息和需求信息,预构建漆包线性能检测网络,对样品进行预处理和图像采集,获得性能偏差集,通过进行性能优化仿真得到控制参数,通过控制参数进行自动化调节和多批次生产。
本申请主要解决了进行漆包线生产过程中所使用生产设备的控制参数设定往往受到操作员个人技能和经验的影响,存在基于人工设置的控制参数进行漆包线生产时,漆包线品控稳定性较弱的技术问题。通过确定产品和应用场景,根据性能偏差信息进行自动化控制和多批次生产,达到了提高生产效率,还可以降低废品率并减少质量波动,为漆包线行业的生产和发展提供有益的帮助的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本公开或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是示例性的,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供了漆包线生产工艺自动化调节方法流程示意图;
图2为本申请实施例提供了漆包线生产工艺自动化调节方法中,构建K个设备检修周期的方法流程示意图;
图3为本申请实施例提供了漆包线生产工艺自动化调节方法中,生成第二生产控制参数的方法流程示意图;
图4为本申请实施例提供了漆包线生产工艺自动化调节系统的结构示意图。
附图标记说明:应用场景确定模块10,需求信息确定模块20,第一生产控制参数获取模块30,样品漆包线获取模块40,性能检测网络预构建模块50,性能偏差信息集获取模块60,第二生产控制参数获取模块70,生产自动化调节模块80。
具体实施方式
本申请主要解决了进行漆包线生产过程中所使用生产设备的控制参数设定往往受到操作员个人技能和经验的影响,存在基于人工设置的控制参数进行漆包线生产时,漆包线品控稳定性较弱的技术问题。通过确定产品和应用场景,根据性能偏差信息进行自动化控制和多批次生产,达到了提高生产效率,还可以降低废品率并减少质量波动,为漆包线行业的生产和发展提供有益的帮助的技术效果。
为了更好地理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述方案进行详细介绍:
实施例一
如图1所示漆包线生产工艺自动化调节方法,所述方法包括:
交互确定待生产漆包线的目标应用场景;
具体而言,漆包线主要应用于电机和变压器行业,同时也大量应用于家电设备中,比如电视、洗衣机、冰箱和空调等。除此之外,汽车行业对漆包线的需求也很大,特别是新能源汽车。因此,可以确定这些是待生产漆包线的目标应用场景,电机和变压器行业,家电设备行业,以及汽车行业,特别是新能源汽车。确定应用场景进行更细节的生产。
根据所述目标应用场景确定目标应用需求信息,其中,所述目标应用需求信息包括目标导电性能约束、目标绝缘性能约束和目标耐热性能约束;
具体而言,在电机和变压器中,漆包线需要具有良好的导电性能,以确保电能的有效传输和转换。因此,目标导电性能约束应该是高导电率,低电阻,以及优良的传输电能的能力。在家电设备和电机、变压器中,漆包线需要具备优良的绝缘性能,以防止电流短路或电击等电气事故的发生。因此,目标绝缘性能约束应该是具有良好的绝缘强度和绝缘电阻,能够抵抗各种环境和物理、化学因素影响,保证安全可靠的电绝缘性能。在电机、变压器以及机电设备中,漆包线在运行过程中会受到一定的热量影响。因此,漆包线需要具有一定的耐热性能,以保证在高温环境下仍能保持良好的导电和绝缘性能。目标耐热性能约束应该是能够在一定的高温环境下保持稳定,不软化、不熔化、不降低电气性能。目标应用需求信息应包括目标导电性能约束、目标绝缘性能约束和目标耐热性能约束。
将所述目标应用需求同步至预构建的工艺参数分析子网络,获得第一生产控制参数,其中,所述第一生产控制参数包括K个工艺控制参数;
具体而言,将目标应用需求信息,包括目标导电性能约束、目标绝缘性能约束和目标耐热性能约束,同步至预构建的工艺参数分析子网络,这个子网络可以基于人工智能或机器学习算法,使用这些目标应用需求作为输入,进行工艺参数的分析和优化。将目标应用需求信息输入到预构建的工艺参数分析子网络中。工艺参数分析子网络根据输入的目标应用需求信息,对漆包线的生产工艺过程进行模拟和分析。这可以涉及对各种工艺参数(如导体材料、处理方法、涂料类型和涂覆过程等)进行评估,以确定它们对目标应用需求的影响。根据模拟和分析的结果,工艺参数分析子网络生成第一生产控制参数,第一生产控制参数是理论上可以生产符合或者最接近目标应用需求的漆包线的生产工艺参数。这个第一生产控制参数是K个工艺控制参数的集合,其中K可以是任何正整数,取决于漆包线生产工艺中的控制环节和具体参数。这些K个工艺控制参数可以是关于温度、压力、时间、涂料浓度、涂覆次数、烘烤时间等生产工艺环节的控制参数。这个第一生产控制参数,即K个工艺控制参数,是基于目标应用需求信息分析得到的,用于指导和控制漆包线的生产过程,以保证生产的漆包线满足目标应用需求。
基于所述第一生产控制参数进行所述待生产漆包线的试生产,获得样品漆包线;
具体而言,根据第一生产控制参数,设置生产设备和工艺参数。包括调整导线处理方法、导体材料、涂料类型、涂覆过程、烘烤温度和时间等参数。启动生产设备并按照设定的参数进行试生产。包括将导体材料加工成线材、进行表面处理、加热、涂覆涂料、烘烤等步骤。在每个生产环节,对试生产的漆包线进行质量检测。这可能包括测量导体的直径、检查涂层的平整度和厚度、测试绝缘性能等。根据质量检测的结果,对生产设备和工艺参数进行调整,以优化生产的漆包线的性能和质量。重复试生产和质量检测步骤,直到生产的漆包线满足目标应用需求为止。最终,试生产的样品漆包线可以用于评估产品的性能和质量,验证第一生产控制参数的有效性,并为进一步的生产提供参考。同时,试生产过程中获得的数据和经验也可以用于进一步优化漆包线的生产工艺和控制参数。
预构建漆包线性能检测网络,其中,所述漆包线性能检测网络包括表观瑕疵检测通道和绝缘涂覆检测通道;
具体而言,预构建漆包线性能检测网络,其中,表观瑕疵检测通道,表观瑕疵检测通道用于检测漆包线的外观缺陷,如表面不平整、裂纹、颜色不均等。配置适当的照明系统,以突出显示可能存在的外观缺陷。使用高分辨率相机或扫描仪捕获漆包线的图像。应用损失算法和图像处理技术来识别和测量缺陷的大小、形状和位置。根据预设的标准和阈值,对缺陷进行分类和评估,确定其是否超出了可接受的范围。绝缘涂覆检测通道,绝缘涂覆检测通道用于评估漆包线的绝缘性能,包括涂层的厚度、平整度、附着力和绝缘电阻等指标。使用测量仪器(如测厚仪)测量涂层的厚度。通过表面平整度检测设备评估涂层的平整度。通过划格试验或剥离试验测试涂层的附着力。使用绝缘电阻测试设备测量涂层的绝缘电阻。根据测试结果,评估涂层的绝缘性能是否满足预期要求。
通过上述两个通道的检测,漆包线性能检测网络可以提供全面的性能评估,帮助用户了解漆包线的质量状况,并做出相应的调整和改进。
对所述样品漆包线进行通电预处理和图像采集,获得样品表观图像集和样品热成像图像集,将所述样品表观图像集和所述样品热成像图像集分别同步至所述漆包线性能检测网络的所述表观瑕疵检测通道和所述绝缘涂覆检测通道进行性能检测,获得性能偏差信息集;
具体而言,通电预处理,在样品漆包线通电的情况下,对其进行一定时间的处理。这种处理可能是加热、冷却、施加电压等。通电预处理的目的是为了模拟漆包线在实际应用中可能遇到的情况,以便在更接近实际运行条件的条件下进行性能检测。图像采集,在通电预处理后,使用高分辨率相机或扫描仪等设备对样品漆包线的外观进行拍摄或扫描,获取样品表观图像集。同时,可以采集样品漆包线的热成像图像,了解其在通电情况下的温度分布等情况。将样品表观图像集和样品热成像图像集分别同步至漆包线性能检测网络的表观瑕疵检测通道和绝缘涂覆检测通道。在表观瑕疵检测通道中,使用缺陷算法和图像处理技术来识别和测量样品漆包线的外观缺陷。在绝缘涂覆检测通道中,通过测量涂层的厚度、平整度、附着力和绝缘电阻等指标,评估涂层的绝缘性能。根据上述性能检测的结果,可以获得漆包线的性能偏差信息集。这个信息集描述了样品漆包线在各种性能指标上的偏差,可以用来指导生产过程的优化和改进,以满足目标应用需求。可以获得更准确的性能偏差信息集,进而对漆包线的生产过程进行精细的调整和优化,以确保生产的漆包线性能达到预期的要求。
根据所述性能偏差信息集对所述第一生产控制参数进行性能优化仿真,获得第二生产控制参数,其中,所述第二生产控制参数包括K个优化控制参数,K为正整数;
具体而言,性能优化仿真:利用性能偏差信息集,对漆包线的生产工艺过程进行模拟和优化。这包括调整生产设备的参数、优化涂料配方、改善涂覆过程等。通过性能优化仿真,可以确定K个优化控制参数。这些参数是基于性能偏差信息集的优化结果,旨在改进生产过程,提高漆包线的性能和质量。这K个优化控制参数的集合即为第二生产控制参数。这些参数可以用于指导漆包线的生产过程,确保生产的漆包线在目标应用需求上具有优良的性能和质量。通过性能优化仿真和确定第二生产控制参数,可以进一步提高漆包线的性能和质量,以满足目标应用需求。同时,这些优化后的生产控制参数可以为实际生产提供参考,实现漆包线性能的持续改进和提升。
采用所述第二生产控制参数进行所述待生产漆包线的生产工艺自动化调节以及所述待生产漆包线的多批次生产。
具体而言,生产工艺自动化调节:使用第二生产控制参数,对漆包线的生产工艺过程进行自动化调节。这可能涉及调整生产设备的参数,如温度、压力、时间等,以及优化涂料配方和涂覆过程等。根据这些优化后的参数,可以设置自动化控制系统,实现生产工艺的自动化调节,确保生产的漆包线性能和质量满足目标应用需求。在生产工艺自动化调节完成后,可以按照第二生产控制参数进行多批次生产。这可以保证生产的漆包线性能和质量的一致性和可靠性。同时,通过多批次生产,可以进一步验证第二生产控制参数的可行性和有效性,并为大规模生产提供参考。采用第二生产控制参数进行待生产漆包线的生产工艺自动化调节和多批次生产,可以确保生产的漆包线性能和质量满足目标应用需求,并提高生产效率和产品质量一致性,为漆包线行业的生产和发展提供有益的帮助。
进一步而言,如图2所示,本申请方法,采用第二生产控制参数进行所述待生产漆包线的生产工艺自动化调节以及所述待生产漆包线的多批次生产,所述方法还包括:
根据所述K个工艺控制参数获得K个生产工艺节点;
构建所述性能偏差信息集与所述K个生产工艺节点的关联映射,获得K个性能检测约束;
根据所述K个生产工艺节点构建K个生产监测窗口,其中,所述K个生产监测窗口具有K个生产监测周期;
所述生产监测窗口以所述K个性能检测约束为基准进行所述待生产漆包线生产过程的多轮次监测,获得K组生产偏差节点;
根据所述K组生产偏差节点构建所述K个生产工艺节点的K个设备检修周期。
具体而言,根据第二生产控制参数获得K个工艺控制参数,这些参数用于指导漆包线的生产工艺过程。根据这些工艺控制参数,确定对应的生产工艺节点。这些生产工艺节点可能包括不同的生产阶段,如导体处理、涂料涂覆、烘烤等阶段。构建性能偏差信息集与K个生产工艺节点的关联映射。通过这种关联映射,可以将性能偏差信息集中的数据与特定的生产工艺节点相对应,从而为每个生产工艺节点建立性能检测约束。根据K个生产工艺节点构建K个生产监测窗口。每个生产监测窗口都具有独特的生产监测周期,用于监测特定生产工艺节点的过程和性能。这些生产监测窗口以性能检测约束为基准,对待生产漆包线的生产过程进行多轮次监测。这可以获得K组生产偏差节点,这些偏差节点反映了每个生产工艺节点的实际生产过程与预期目标之间的差异。根据K组生产偏差节点,可以构建K个生产工艺节点的K个设备检修周期。这些设备检修周期可以针对每个生产工艺节点的偏差进行调整和修复,从而优化生产过程并提高漆包线的性能和质量。通过上述步骤,可以对待生产漆包线的生产工艺进行自动化调节,并实现多批次生产。同时,通过监测窗口和设备检修周期的建立,可以有效地监测和控制生产过程,确保生产的漆包线性能和质量满足目标应用需求。这不仅可以提高生产效率,还可以降低废品率并减少质量波动,为漆包线行业的生产和发展提供有益的帮助。
进一步而言,本申请方法,将所述目标应用需求同步至预构建的工艺参数分析子网络,获得第一生产控制参数,其中,所述第一生产控制参数包括K个工艺控制参数,所述方法还包括:
交互获得多个样本漆包线的多组样本工艺控制参数,其中,所述多组样本工艺控制参数中每组样本工艺控制参数包括K个样本控制参数;
交互获得多个所述样本漆包线的多组样本应用需求,其中,所述多组样本应用需求中每组样本应用需求包括样本导电性能参数、样本绝缘性能参数和样本耐热性能参数,其中,所述多组样本应用需求和所述多组样本工艺控制参数基于样本漆包线关联映射;
基于知识图谱构建所述工艺参数分析子网络,在所述工艺参数分析子网络中第一属性为导电性能,第二属性为绝缘性能,第三属性为性能;
根据所述工艺参数分析子网络的属性分配进行所述多组样本应用需求的数据填充,完成所述工艺参数分析子网络的构建;
将所述目标应用需求同步至所述工艺参数分析子网络,遍历所述多组样本应用需求进行偏差计算,获得映射于所述多组样本应用需求的多组需求偏差参数;
预设需求偏差权值,并基于所述需求偏差权值对所述多组需求偏差参数进行加权计算,获得多个需求偏差指数;
序列化所述多个需求偏差指数获得需求偏差极值,根据所述需求偏差极值在所述多组样本工艺控制参数调用获得所述第一生产控制参数。
具体而言,交互获得多个样本漆包线的多组样本工艺控制参数。这些样本漆包线和样本工艺控制参数可以由生产领域的专家、工程师或者研究人员通过实验或者经验获得。每组样本工艺控制参数包括K个样本控制参数,K可以为任意正整数。交互获得多个样本漆包线的多组样本应用需求。这些样本应用需求可以包括样本导电性能参数、样本绝缘性能参数和样本耐热性能参数等,这些参数可以通过实验或模拟获得。每组样本应用需求对应一组样本工艺控制参数,这些参数基于样本漆包线关联映射。基于知识图谱构建工艺参数分析子网络。这个子网络的属性可以包括导电性能、绝缘性能和耐热性能等,这些属性可以用来分析漆包线的性能。在构建这个子网络时,需要根据这些属性进行数据填充,以完成网络的构建。将目标应用需求同步至工艺参数分析子网络。然后,遍历多组样本应用需求进行偏差计算,这样可以获得映射于这些应用需求的多个需求偏差参数。预设需求偏差权值,并基于这些需求偏差权值对多组需求偏差参数进行加权计算,这样可以获得多个需求偏差指数。序列化多个需求偏差指数获得需求偏差极值。这个极值可以用来评估漆包线的性能,并确定哪些样本工艺控制参数需要调整以获得最佳性能。根据需求偏差极值在多组样本工艺控制参数中调用获得第一生产控制参数。这些参数可以指导漆包线的生产过程,以确保生产的漆包线满足目标应用需求。通过以上步骤,可以基于知识图谱对漆包线的生产控制参数进行优化,提高生产效率和产品质量。
进一步而言,本申请方法,预构建漆包线性能检测网络,其中,所述漆包线性能检测网络包括表观瑕疵检测通道和绝缘涂覆检测通道,所述方法还包括:
交互获得所述K个生产工艺节点的K组瑕疵特征;
采集获得样本绝缘层瑕疵图像集,并参考所述K组瑕疵特征对所述样本绝缘层瑕疵图像集中的绝缘层瑕疵图像进行瑕疵类型标识,获得样本瑕疵标识图像集;
基于循环神经网络构建表观瑕疵检测通道,其中,所述表观瑕疵检测通道以所述样本绝缘层瑕疵图像集和所述样本瑕疵标识图像集作为检测精度优化的训练数据;
采集获得样本绝缘层红外图像集,并对所述样本绝缘层红外图像集中的绝缘层红外图像进行均匀度缺陷标识,获得样本绝缘涂覆标识图像集;
基于反向传播神经网络构建绝缘涂覆检测通道,其中,所述绝缘涂覆检测通道以所述样本绝缘层红外图像集和所述样本绝缘涂覆标识图像集作为检测精度优化的训练数据;
预构建所述漆包线性能检测网络,其中,所述漆包线性能检测子网络包括性能检测双通道,将所述表观瑕疵检测通道和所述绝缘涂覆检测通道同步至所述性能检测双通道,完成所述漆包线性能检测网络的构建。
具体而言,交互获得K个生产工艺节点的K组瑕疵特征:基于检测结果进行规律总结,以获得每个生产工艺节点的加工偏差产生的特征瑕疵类型。采集获得样本绝缘层瑕疵图像集,通过采集漆包线样本的绝缘层瑕疵图像,可以通过图像处理技术来提取这些图像中的瑕疵特征。参考K组瑕疵特征对样本绝缘层瑕疵图像集中的绝缘层瑕疵图像进行瑕疵类型标识,通过与瑕疵特征进行比对,可以确定每一张样本绝缘层瑕疵图像中瑕疵的类型。基于循环神经网络构建表观瑕疵检测通道,首先,可以通过图像采集设备获取,例如高分辨率相机或扫描仪。对数据进行数据预处理,对采集的图像进行预处理,包括图像清晰度、对比度、亮度等参数的调整,以使得瑕疵能够在这些图像中更明显地显示出来。此外,可能还需要进行一些图像增强操作,例如旋转、翻转、裁剪等,以增加数据集的多样性和泛化能力。使用循环神经网络作为基础,构建一个深度学习模型。这个模型将输入图像,并输出对图像中存在的瑕疵类型的预测。为了使RNN能够更好地理解和识别瑕疵,可以在RNN中加入一些特定于瑕疵的特征,例如形状、大小、颜色等。使用采集的样本图像和对应的瑕疵类型标签来训练这个模型。训练过程将通过反向传播算法以及优化算法(例如Adam或SGD)来进行,以最小化预测结果和实际标签之间的差异。在验证集和测试集上评估模型的性能。这可以通过比较模型对验证集和测试集的预测结果与实际标签的匹配程度来完成。一旦模型经过训练并得到验证,就可以将其应用于实际生产中的漆包线表观瑕疵检测。通过将生产的漆包线样本输入到模型中,可以得到瑕疵类型的预测,从而指导生产过程中的优化。采集获得样本绝缘层红外图像集,通过采集漆包线样本的绝缘层红外图像,可以获得其热特性信息。对样本绝缘层红外图像集中的绝缘层红外图像进行均匀度缺陷标识:通过分析这些红外图像,可以发现其均匀度是否存在缺陷。基于反向传播神经网络构建绝缘涂覆检测通道,这个通道可以用于训练另一个深度学习模型,该模型能够根据采集到的漆包线红外图像,自动检测其绝缘涂覆的均匀度是否存在缺陷。训练数据即为样本绝缘层红外图像集和样本绝缘涂覆标识图像集。预构建漆包线性能检测网络,这个网络包括性能检测双通道,将已经训练好的表观瑕疵检测通道和绝缘涂覆检测通道同步至这个双通道,完成漆包线性能检测网络的构建。通过以上步骤,我们就可以成功构建一个漆包线性能检测网络,这个网络能够同时进行表观瑕疵检测和绝缘涂覆检测,从而全面评估漆包线的性能和质量。
进一步而言,本申请方法,对所述样品漆包线进行通电预处理和图像采集,获得样品表观图像集和样品热成像图像集,将所述样品表观图像集和所述样品热成像图像集分别同步至所述漆包线性能检测网络的所述表观瑕疵检测通道和所述绝缘涂覆检测通道进行性能检测,获得性能偏差信息集,所述方法还包括:
对所述样品漆包线进行表观图像采集,获得样品表观图像集;
对所述样品漆包线进行通电预处理,并采用红外成像设备进行所述样品漆包线的图像采集,获得样品热成像图像集;
将所述样品表观图像集和所述样品热成像图像集分别同步至所述漆包线性能检测网络的所述表观瑕疵检测通道和所述绝缘涂覆检测通道进行性能检测,获得样品表观瑕疵标识集和样品涂覆缺陷标识集;
根据所述K组瑕疵特征对所述样品表观瑕疵标识集进行瑕疵发声频次计数,获得K组样品瑕疵频次;
序列化所述K组样品瑕疵频次,获得所述K个生产工艺节点的性能优化优先级序列;
所述性能优化优先级序列、所述样品表观瑕疵标识集和所述样品涂覆缺陷标识集构成所述性能偏差信息集。
具体而言,对样品漆包线进行表观图像采集,获得样品表观图像集。这个步骤可以通过使用高分辨率的摄像头或者扫描仪来获取样品漆包线的表面图像。对样品漆包线进行通电预处理,然后采用红外成像设备进行样品漆包线的图像采集,获得样品热成像图像集。通电预处理可以模拟实际运行条件,使得检测结果更接近真实性能。将样品表观图像集和样品热成像图像集分别同步至漆包线性能检测网络的表观瑕疵检测通道和绝缘涂覆检测通道进行性能检测,获得样品表观瑕疵标识集和样品涂覆缺陷标识集。根据K组瑕疵特征对样品表观瑕疵标识集进行瑕疵发声频次计数,获得K组样品瑕疵频次。这个步骤中,可以根据预设的瑕疵特征,对样品表观瑕疵标识集中的每个瑕疵进行分类,并统计各类瑕疵的频次。序列化K组样品瑕疵频次,获得K个生产工艺节点的性能优化优先级序列。这个步骤可以通过对瑕疵频次进行排序或者加权处理,来确定各个生产工艺节点的优化优先级。将性能优化优先级序列、样品表观瑕疵标识集和样品涂覆缺陷标识集构成性能偏差信息集。这个信息集可以用于指导生产过程中的优化改进,从而提高漆包线的性能和质量。通过上述步骤,可以有效地评估样品的性能,并将评估结果用于指导生产过程的优化。这种方法可以帮助企业提高产品质量,降低废品率,并提高生产效率。
进一步而言,如图3所示,本申请方法,根据所述性能偏差信息集对所述第一生产控制参数进行性能优化仿真,获得第二生产控制参数,其中,所述第二生产控制参数包括K个优化控制参数,所述方法还包括:
对所述K个生产工艺节点进行拆分处理,获得涂覆工艺节点和K-1个生产工艺节点;
根据所述涂覆工艺节点在所述第一生产控制参数调用获得涂覆生产控制参数;
根据所述样品涂覆缺陷标识集对所述涂覆生产控制参数进行一级优化,获得涂覆优化控制参数;
根据所述性能优化优先级序列对所述K-1个生产工艺节点进行控制参数寻优,获得K-1个优化控制参数;
所述K-1个优化控制参数和所述涂覆优化控制参数构成所述第二生产控制参数。
具体而言,对K个生产工艺节点进行拆分处理,获得涂覆工艺节点和K-1个生产工艺节点。这个步骤可以通过对生产工艺节点的分析和分解来实现。根据涂覆工艺节点在第一生产控制参数中调用获得涂覆生产控制参数。这个步骤可以通过在第一生产控制参数中查询与涂覆工艺节点相对应的控制参数来实现。根据样品涂覆缺陷标识集对涂覆生产控制参数进行一级优化,获得涂覆优化控制参数。这个步骤可以通过分析样品涂覆缺陷标识集中的数据,对涂覆生产控制参数进行优化,例如调整参数值或改变工艺条件等。根据性能优化优先级序列对K-1个生产工艺节点进行控制参数寻优,获得K-1个优化控制参数。这个步骤可以通过根据性能优化优先级序列来确定每个生产工艺节点的优化优先级,并寻找相应的优化控制参数。将K-1个优化控制参数和涂覆优化控制参数构成第二生产控制参数。这个步骤可以通过将涂覆优化控制参数和K-1个优化控制参数合并成一个集合来得到第二生产控制参数。通过以上步骤,可以获得包含涂覆优化控制参数和K-1个优化控制参数的第二生产控制参数,这些参数可以用于指导漆包线生产的进一步优化和控制,从而提高产品的性能和质量。
进一步而言,本申请方法,根据所述性能优化优先级序列对所述K-1个生产工艺节点进行控制参数寻优,获得K-1个优化控制参数,所述方法还包括:
预设控制参数调整步长;
根据所述K组瑕疵特征设置K个寻优暂停特征;
根据所述性能优化优先级序列在所述K-1个生产工艺节点调用获得第一生产工艺节点,将所述第一生产工艺节点作为第一寻优方向;
根据所述第一生产工艺节点在所述第一生产控制参数调用获得第一生产控制参数,根据所述第一生产工艺节点在所述K个寻优暂停特征调用获得第一寻优暂停特征;
以所述第一生产控制参数为基准,以所述控制参数调整步长为变量进行所述第一寻优方向的控制参数的一次寻优,获得第一调整控制参数;
基于所述第一调整控制参数和所述涂覆优化控制参数进行所述第一生产控制参数的对应替换,获得第一寻优控制参数;
基于所述第一寻优控制参数进行所述待生产漆包线的试生产和试生产漆包线的表观瑕疵检测,获得第一寻优检测结果;
判断所述第一寻优检测结果是否满足所述第一寻优暂停特征,若所述第一寻优检测结果满足所述第一寻优暂停特征,则根据所述性能优化优先级序列在所述K-1个生产工艺节点调用获得第二生产工艺节点,将所述第二生产工艺节点作为第二寻优方向;
以此类推,根据所述性能优化优先级序列对所述K-1个生产工艺节点进行控制参数寻优,获得所述K-1个优化控制参数。
具体而言,预设控制参数调整步长。这个步长可以是预设的固定值,用于控制每次参数调整的大小。根据K组瑕疵特征设置K个寻优暂停特征。这些暂停特征可以用于判断寻优过程是否满足某些特定条件,从而决定是否需要暂停寻优。根据性能优化优先级序列在K-1个生产工艺节点调用获得第一生产工艺节点,将第一生产工艺节点作为第一寻优方向。根据第一生产工艺节点在第一生产控制参数调用获得第一生产控制参数,根据第一生产工艺节点在K个寻优暂停特征调用获得第一寻优暂停特征。以第一生产控制参数为基准,以控制参数调整步长为变量进行第一寻优方向的控制参数的一次寻优,获得第一调整控制参数。基于第一调整控制参数和涂覆优化控制参数进行第一生产控制参数的对应替换,获得第一寻优控制参数。基于第一寻优控制参数进行待生产漆包线的试生产和试生产漆包线的表观瑕疵检测,获得第一寻优检测结果。判断第一寻优检测结果是否满足第一寻优暂停特征。如果满足,则根据性能优化优先级序列在K-1个生产工艺节点调用获得第二生产工艺节点,将第二生产工艺节点作为第二寻优方向。以此类推,根据性能优化优先级序列对K-1个生产工艺节点进行控制参数寻优,获得K-1个优化控制参数。通过以上步骤,我们可以对K-1个生产工艺节点的控制参数进行寻优,以获得最佳的控制参数组合,从而提高漆包线的性能和质量。每个方向的寻优过程都是独立的,可以并行进行,以提高寻优效率。
实施例二
基于与前述实施例漆包线生产工艺自动化调节方法相同的发明构思,如图4所示,本申请提供了漆包线生产工艺自动化调节系统,所述系统包括:
应用场景确定模块10,所述应用场景确定模块10用于交互确定待生产漆包线的目标应用场景;
需求信息确定模块20,所述需求信息确定模块20是根据所述目标应用场景确定目标应用需求信息,其中,所述目标应用需求信息包括目标导电性能约束、目标绝缘性能约束和目标耐热性能约束;
第一生产控制参数获取模块30,所述第一生产控制参数获取模块30用于将所述目标应用需求同步至预构建的工艺参数分析子网络,获得第一生产控制参数,其中,所述第一生产控制参数包括K个工艺控制参数;
样品漆包线获取模块40,所述样品漆包线获取模块40是基于所述第一生产控制参数进行所述待生产漆包线的试生产,获得样品漆包线;
性能检测网络预构建模块50,所述性能检测网络预构建模块50用于预构建漆包线性能检测网络,其中,所述漆包线性能检测网络包括表观瑕疵检测通道和绝缘涂覆检测通道;
性能偏差信息集获取模块60,所述性能偏差信息集获取模块60用于对所述样品漆包线进行通电预处理和图像采集,获得样品表观图像集和样品热成像图像集,将所述样品表观图像集和所述样品热成像图像集分别同步至所述漆包线性能检测网络的所述表观瑕疵检测通道和所述绝缘涂覆检测通道进行性能检测,获得性能偏差信息集;
第二生产控制参数获取模块70,所述第二生产控制参数获取模块70用于根据所述性能偏差信息集对所述第一生产控制参数进行性能优化仿真,获得第二生产控制参数,其中,所述第二生产控制参数包括K个优化控制参数,K为正整数;
生产自动化调节模块80,所述生产自动化调节模块80用于采用所述第二生产控制参数进行所述待生产漆包线的生产工艺自动化调节以及所述待生产漆包线的多批次生产。
进一步地,该系统还包括:
K个生产工艺节点获取模块,用于根据所述K个工艺控制参数获得K个生产工艺节点;
性能检测约束获取模块用于构建所述性能偏差信息集与所述K个生产工艺节点的关联映射,获得K个性能检测约束;
K个生产监测窗口构建模块,用于根据所述K个生产工艺节点构建K个生产监测窗口,其中,所述K个生产监测窗口具有K个生产监测周期;
K组生产偏差节点获取模块,是所述生产监测窗口以所述K个性能检测约束为基准进行所述待生产漆包线生产过程的多轮次监测,获得K组生产偏差节点;
K个设备检修周期构建模块,用于根据所述K组生产偏差节点构建所述K个生产工艺节点的K个设备检修周期。
进一步地,该系统还包括:
多个样本漆包线控制参数获取模块,是交互获得多个样本漆包线的多组样本工艺控制参数,其中,所述多组样本工艺控制参数中每组样本工艺控制参数包括K个样本控制参数;
应用需求获取模块,用于交互获得多个所述样本漆包线的多组样本应用需求,其中,所述多组样本应用需求中每组样本应用需求包括样本导电性能参数、样本绝缘性能参数和样本耐热性能参数,其中,所述多组样本应用需求和所述多组样本工艺控制参数基于样本漆包线关联映射;
分析子网络构建模块,是基于知识图谱构建所述工艺参数分析子网络,在所述工艺参数分析子网络中第一属性为导电性能,第二属性为绝缘性能,第三属性为性能;
数据填充模块,是根据所述工艺参数分析子网络的属性分配进行所述多组样本应用需求的数据填充,完成所述工艺参数分析子网络的构建;
偏差计算模块,是将所述目标应用需求同步至所述工艺参数分析子网络,遍历所述多组样本应用需求进行偏差计算,获得映射于所述多组样本应用需求的多组需求偏差参数;
需求偏差指数获取模块,是预设需求偏差权值,并基于所述需求偏差权值对所述多组需求偏差参数进行加权计算,获得多个需求偏差指数;
第一生产控制参数获取模块,是序列化所述多个需求偏差指数获得需求偏差极值,根据所述需求偏差极值在所述多组样本工艺控制参数调用获得所述第一生产控制参数。
进一步地,该系统还包括:
K组瑕疵特征获取模块,是交互获得所述K个生产工艺节点的K组瑕疵特征;
图像集采集模块,用于采集获得样本绝缘层瑕疵图像集,并参考所述K组瑕疵特征对所述样本绝缘层瑕疵图像集中的绝缘层瑕疵图像进行瑕疵类型标识,获得样本瑕疵标识图像集;
优化训练模块,是基于循环神经网络构建表观瑕疵检测通道,其中,所述表观瑕疵检测通道以所述样本绝缘层瑕疵图像集和所述样本瑕疵标识图像集作为检测精度优化的训练数据;
红外图像集采集模块,用于采集获得样本绝缘层红外图像集,并对所述样本绝缘层红外图像集中的绝缘层红外图像进行均匀度缺陷标识,获得样本绝缘涂覆标识图像集;
训练数据获取模块,是基于反向传播神经网络构建绝缘涂覆检测通道,其中,所述绝缘涂覆检测通道以所述样本绝缘层红外图像集和所述样本绝缘涂覆标识图像集作为检测精度优化的训练数据;
性能检测网络构建模块,用于预构建所述漆包线性能检测网络,其中,所述漆包线性能检测子网络包括性能检测双通道,将所述表观瑕疵检测通道和所述绝缘涂覆检测通道同步至所述性能检测双通道,完成所述漆包线性能检测网络的构建。
进一步地,该系统还包括:
样品表现图像集获取模块,用于对所述样品漆包线进行表观图像采集,获得样品表观图像集;
成品热成像图像集获取模块,用于对所述样品漆包线进行通电预处理,并采用红外成像设备进行所述样品漆包线的图像采集,获得样品热成像图像集;
样品涂标识集获取模块,用于将所述样品表观图像集和所述样品热成像图像集分别同步至所述漆包线性能检测网络的所述表观瑕疵检测通道和所述绝缘涂覆检测通道进行性能检测,获得样品表观瑕疵标识集和样品涂覆缺陷标识集;
K组样品瑕疵频次获取模块,用于根据所述K组瑕疵特征对所述样品表观瑕疵标识集进行瑕疵发声频次计数,获得K组样品瑕疵频次;
性能优化优先级序列获取模块,用于序列化所述K组样品瑕疵频次,获得所述K个生产工艺节点的性能优化优先级序列;
性能偏差信息集获取模块,用于所述性能优化优先级序列、所述样品表观瑕疵标识集和所述样品涂覆缺陷标识集构成所述性能偏差信息集。
进一步地,该系统还包括:
生产工艺节点获取模块,用于对所述K个生产工艺节点进行拆分处理,获得涂覆工艺节点和K-1个生产工艺节点;
控制参数获取模块,用于根据所述涂覆工艺节点在所述第一生产控制参数调用获得涂覆生产控制参数;
优化控制参数获取模块,用于根据所述样品涂覆缺陷标识集对所述涂覆生产控制参数进行一级优化,获得涂覆优化控制参数;
优化控制参数获取模块,用于根据所述性能优化优先级序列对所述K-1个生产工艺节点进行控制参数寻优,获得K-1个优化控制参数;
第二生产控制参数获取模块,是所述K-1个优化控制参数和所述涂覆优化控制参数构成所述第二生产控制参数。
进一步地,该系统还包括:
步长调整模块,用于预设控制参数调整步长;
寻优特征设置模块,用于根据所述K组瑕疵特征设置K个寻优暂停特征;
第一寻优方向获取模块,用于根据所述性能优化优先级序列在所述K-1个生产工艺节点调用获的第一生产工艺节点,将所述第一生产工艺节点作为第一寻优方向;
第一生产控制参数获取模块,用于根据所述第一生产工艺节点在所述第一生产控制参数调用获得第一生产控制参数,根据所述第一生产工艺节点在所述K个寻优暂停特征调用获得第一寻优暂停特征;
第一调整控制参数获取模块,用于以所述第一生产控制参数为基准,以所述控制参数调整步长为变量进行所述第一寻优方向的控制参数的一次寻优,获得第一调整控制参数;
第一寻优控制参数获取模块,是基于所述第一调整控制参数和所述涂覆优化控制参数进行所述第一生产控制参数的对应替换,获得第一寻优控制参数;
第一寻优检测结果获取模块,是基于所述第一寻优控制参数进行所述待生产漆包线的试生产和试生产漆包线的表观瑕疵检测,获得第一寻优检测结果;
第二寻优方向获取模块,是判断所述第一寻优检测结果是否满足所述第一寻优暂停特征,若所述第一寻优检测结果满足所述第一寻优暂停特征,则根据所述性能优化优先级序列在所述K-1个生产工艺节点调用获得第二生产工艺节点,将所述第二生产工艺节点作为第二寻优方向;
K-1个优化控制参数获取模块,是以此类推,根据所述性能优化优先级序列对所述K-1个生产工艺节点进行控制参数寻优,获得所述K-1个优化控制参数。
说明书通过前述漆包线生产工艺自动化调节方法的详细描述,本领域技术人员可以清楚地知识本实施例中漆包线生产工艺自动化调节系统,对于实施例公开的系统而言,由于其与实施例公开装置相对应,所以描述得比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其他实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.漆包线生产工艺自动化调节方法,其特征在于,所述方法包括:
交互确定待生产漆包线的目标应用场景;
根据所述目标应用场景确定目标应用需求信息,其中,所述目标应用需求信息包括目标导电性能约束、目标绝缘性能约束和目标耐热性能约束;
将所述目标应用需求同步至预构建的工艺参数分析子网络,获得第一生产控制参数,其中,所述第一生产控制参数包括K个工艺控制参数;
基于所述第一生产控制参数进行所述待生产漆包线的试生产,获得样品漆包线;
预构建漆包线性能检测网络,其中,所述漆包线性能检测网络包括表观瑕疵检测通道和绝缘涂覆检测通道;
对所述样品漆包线进行通电预处理和图像采集,获得样品表观图像集和样品热成像图像集,将所述样品表观图像集和所述样品热成像图像集分别同步至所述漆包线性能检测网络的所述表观瑕疵检测通道和所述绝缘涂覆检测通道进行性能检测,获得性能偏差信息集;
根据所述性能偏差信息集对所述第一生产控制参数进行性能优化仿真,获得第二生产控制参数,其中,所述第二生产控制参数包括K个优化控制参数,K为正整数;
采用所述第二生产控制参数进行所述待生产漆包线的生产工艺自动化调节以及所述待生产漆包线的多批次生产。
2.如权利要求1所述的方法,其特征在于,采用所述第二生产控制参数进行所述待生产漆包线的生产工艺自动化调节以及所述待生产漆包线的多批次生产,所述方法还包括:
根据所述K个工艺控制参数获得K个生产工艺节点;
构建所述性能偏差信息集与所述K个生产工艺节点的关联映射,获得K个性能检测约束;
根据所述K个生产工艺节点构建K个生产监测窗口,其中,所述K个生产监测窗口具有K个生产监测周期;
所述生产监测窗口以所述K个性能检测约束为基准进行所述待生产漆包线生产过程的多轮次监测,获得K组生产偏差节点;
根据所述K组生产偏差节点构建所述K个生产工艺节点的K个设备检修周期。
3.如权利要求2所述的方法,其特征在于,将所述目标应用需求同步至预构建的工艺参数分析子网络,获得第一生产控制参数,其中,所述第一生产控制参数包括K个工艺控制参数,所述方法还包括:
交互获得多个样本漆包线的多组样本工艺控制参数,其中,所述多组样本工艺控制参数中每组样本工艺控制参数包括K个样本控制参数;
交互获得多个所述样本漆包线的多组样本应用需求,其中,所述多组样本应用需求中每组样本应用需求包括样本导电性能参数、样本绝缘性能参数和样本耐热性能参数,其中,所述多组样本应用需求和所述多组样本工艺控制参数基于样本漆包线关联映射;
基于知识图谱构建所述工艺参数分析子网络,在所述工艺参数分析子网络中第一属性为导电性能,第二属性为绝缘性能,第三属性为性能;
根据所述工艺参数分析子网络的属性分配进行所述多组样本应用需求的数据填充,完成所述工艺参数分析子网络的构建;
将所述目标应用需求同步至所述工艺参数分析子网络,遍历所述多组样本应用需求进行偏差计算,获得映射于所述多组样本应用需求的多组需求偏差参数;
预设需求偏差权值,并基于所述需求偏差权值对所述多组需求偏差参数进行加权计算,获得多个需求偏差指数;
序列化所述多个需求偏差指数获得需求偏差极值,根据所述需求偏差极值在所述多组样本工艺控制参数调用获得所述第一生产控制参数。
4.如权利要求2所述的方法,其特征在于,预构建漆包线性能检测网络,其中,所述漆包线性能检测网络包括表观瑕疵检测通道和绝缘涂覆检测通道,所述方法还包括:
交互获得所述K个生产工艺节点的K组瑕疵特征;
采集获得样本绝缘层瑕疵图像集,并参考所述K组瑕疵特征对所述样本绝缘层瑕疵图像集中的绝缘层瑕疵图像进行瑕疵类型标识,获得样本瑕疵标识图像集;
基于循环神经网络构建表观瑕疵检测通道,其中,所述表观瑕疵检测通道以所述样本绝缘层瑕疵图像集和所述样本瑕疵标识图像集作为检测精度优化的训练数据;
采集获得样本绝缘层红外图像集,并对所述样本绝缘层红外图像集中的绝缘层红外图像进行均匀度缺陷标识,获得样本绝缘涂覆标识图像集;
基于反向传播神经网络构建绝缘涂覆检测通道,其中,所述绝缘涂覆检测通道以所述样本绝缘层红外图像集和所述样本绝缘涂覆标识图像集作为检测精度优化的训练数据;
预构建所述漆包线性能检测网络,其中,所述漆包线性能检测子网络包括性能检测双通道,将所述表观瑕疵检测通道和所述绝缘涂覆检测通道同步至所述性能检测双通道,完成所述漆包线性能检测网络的构建。
5.如权利要求4所述的方法,其特征在于,对所述样品漆包线进行通电预处理和图像采集,获得样品表观图像集和样品热成像图像集,将所述样品表观图像集和所述样品热成像图像集分别同步至所述漆包线性能检测网络的所述表观瑕疵检测通道和所述绝缘涂覆检测通道进行性能检测,获得性能偏差信息集,所述方法还包括:
对所述样品漆包线进行表观图像采集,获得样品表观图像集;
对所述样品漆包线进行通电预处理,并采用红外成像设备进行所述样品漆包线的图像采集,获得样品热成像图像集;
将所述样品表观图像集和所述样品热成像图像集分别同步至所述漆包线性能检测网络的所述表观瑕疵检测通道和所述绝缘涂覆检测通道进行性能检测,获得样品表观瑕疵标识集和样品涂覆缺陷标识集;
根据所述K组瑕疵特征对所述样品表观瑕疵标识集进行瑕疵发声频次计数,获得K组样品瑕疵频次;
序列化所述K组样品瑕疵频次,获得所述K个生产工艺节点的性能优化优先级序列;
所述性能优化优先级序列、所述样品表观瑕疵标识集和所述样品涂覆缺陷标识集构成所述性能偏差信息集。
6.如权利要求5所述的方法,其特征在于,根据所述性能偏差信息集对所述第一生产控制参数进行性能优化仿真,获得第二生产控制参数,其中,所述第二生产控制参数包括K个优化控制参数,所述方法还包括:
对所述K个生产工艺节点进行拆分处理,获得涂覆工艺节点和K-1个生产工艺节点;
根据所述涂覆工艺节点在所述第一生产控制参数调用获得涂覆生产控制参数;
根据所述样品涂覆缺陷标识集对所述涂覆生产控制参数进行一级优化,获得涂覆优化控制参数;
根据所述性能优化优先级序列对所述K-1个生产工艺节点进行控制参数寻优,获得K-1个优化控制参数;
所述K-1个优化控制参数和所述涂覆优化控制参数构成所述第二生产控制参数。
7.如权利要求6所述的方法,其特征在于,根据所述性能优化优先级序列对所述K-1个生产工艺节点进行控制参数寻优,获得K-1个优化控制参数,所述方法还包括:
预设控制参数调整步长;
根据所述K组瑕疵特征设置K个寻优暂停特征;
根据所述性能优化优先级序列在所述K-1个生产工艺节点调用获得第一生产工艺节点,将所述第一生产工艺节点作为第一寻优方向;
根据所述第一生产工艺节点在所述第一生产控制参数调用获得第一生产控制参数,根据所述第一生产工艺节点在所述K个寻优暂停特征调用获得第一寻优暂停特征;
以所述第一生产控制参数为基准,以所述控制参数调整步长为变量进行所述第一寻优方向的控制参数的一次寻优,获得第一调整控制参数;
基于所述第一调整控制参数和所述涂覆优化控制参数进行所述第一生产控制参数的对应替换,获得第一寻优控制参数;
基于所述第一寻优控制参数进行所述待生产漆包线的试生产和试生产漆包线的表观瑕疵检测,获得第一寻优检测结果;
判断所述第一寻优检测结果是否满足所述第一寻优暂停特征,若所述第一寻优检测结果满足所述第一寻优暂停特征,则根据所述性能优化优先级序列在所述K-1个生产工艺节点调用获得第二生产工艺节点,将所述第二生产工艺节点作为第二寻优方向;
以此类推,根据所述性能优化优先级序列对所述K-1个生产工艺节点进行控制参数寻优,获得所述K-1个优化控制参数。
8.漆包线生产工艺自动化调节系统,其特征在于,所述系统包括
应用场景确定模块,所述应用场景确定模块用于交互确定待生产漆包线的目标应用场景;
需求信息确定模块,所述需求信息确定模块是根据所述目标应用场景确定目标应用需求信息,其中,所述目标应用需求信息包括目标导电性能约束、目标绝缘性能约束和目标耐热性能约束;
第一生产控制参数获取模块,所述第一生产控制参数获取模块用于将所述目标应用需求同步至预构建的工艺参数分析子网络,获得第一生产控制参数,其中,所述第一生产控制参数包括K个工艺控制参数;
样品漆包线获取模块,所述样品漆包线获取模块是基于所述第一生产控制参数进行所述待生产漆包线的试生产,获得样品漆包线;
性能检测网络预构建模块,所述性能检测网络预构建模块用于预构建漆包线性能检测网络,其中,所述漆包线性能检测网络包括表观瑕疵检测通道和绝缘涂覆检测通道;
性能偏差信息集获取模块,所述性能偏差信息集获取模块用于对所述样品漆包线进行通电预处理和图像采集,获得样品表观图像集和样品热成像图像集,将所述样品表观图像集和所述样品热成像图像集分别同步至所述漆包线性能检测网络的所述表观瑕疵检测通道和所述绝缘涂覆检测通道进行性能检测,获得性能偏差信息集;
第二生产控制参数获取模块,所述第二生产控制参数获取模块用于根据所述性能偏差信息集对所述第一生产控制参数进行性能优化仿真,获得第二生产控制参数,其中,所述第二生产控制参数包括K个优化控制参数,K为正整数;
生产自动化调节模块,所述生产自动化调节模块用于采用所述第二生产控制参数进行所述待生产漆包线的生产工艺自动化调节以及所述待生产漆包线的多批次生产。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311386105.0A CN117130337B (zh) | 2023-10-25 | 2023-10-25 | 漆包线生产工艺自动化调节方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311386105.0A CN117130337B (zh) | 2023-10-25 | 2023-10-25 | 漆包线生产工艺自动化调节方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117130337A CN117130337A (zh) | 2023-11-28 |
CN117130337B true CN117130337B (zh) | 2023-12-22 |
Family
ID=88863074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311386105.0A Active CN117130337B (zh) | 2023-10-25 | 2023-10-25 | 漆包线生产工艺自动化调节方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117130337B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117572839B (zh) * | 2024-01-17 | 2024-04-30 | 高捷体育股份有限公司 | 一种地坪漆的智能生产方法及其系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111968797A (zh) * | 2020-08-06 | 2020-11-20 | 珠海格力电工有限公司 | 调整漆包线漆膜厚度的方法、装置、存储介质及电子设备 |
CN112285114A (zh) * | 2020-09-29 | 2021-01-29 | 华南理工大学 | 一种基于机器视觉的漆包线点焊质量检测系统及检测方法 |
CN113793732A (zh) * | 2021-08-04 | 2021-12-14 | 宜昌给立金刚石工业有限公司 | 便于高精度调节的漆包线涂漆装置及使用方法 |
CN116859873A (zh) * | 2023-08-22 | 2023-10-10 | 广东凡易紧固件有限公司 | 一种紧固件生产工艺参数控制方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9031317B2 (en) * | 2012-09-18 | 2015-05-12 | Seiko Epson Corporation | Method and apparatus for improved training of object detecting system |
-
2023
- 2023-10-25 CN CN202311386105.0A patent/CN117130337B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111968797A (zh) * | 2020-08-06 | 2020-11-20 | 珠海格力电工有限公司 | 调整漆包线漆膜厚度的方法、装置、存储介质及电子设备 |
CN112285114A (zh) * | 2020-09-29 | 2021-01-29 | 华南理工大学 | 一种基于机器视觉的漆包线点焊质量检测系统及检测方法 |
CN113793732A (zh) * | 2021-08-04 | 2021-12-14 | 宜昌给立金刚石工业有限公司 | 便于高精度调节的漆包线涂漆装置及使用方法 |
CN116859873A (zh) * | 2023-08-22 | 2023-10-10 | 广东凡易紧固件有限公司 | 一种紧固件生产工艺参数控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117130337A (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117130337B (zh) | 漆包线生产工艺自动化调节方法及系统 | |
CN112085071A (zh) | 一种基于边缘计算的配电房设备故障分析预判方法及装置 | |
CN106991074B (zh) | 基于加速因子不变原则的加速退化试验优化设计方法 | |
CN117008557B (zh) | 共混型互穿网络热塑性弹性体的生产控制方法及系统 | |
CN108918989A (zh) | 一种基于多参数的服役电缆剩余寿命评估方法 | |
CN112446136B (zh) | 一种基于微元化物理模型的电缆寿命预测方法 | |
Kaur et al. | Fault detection in power transformers using random neural networks | |
CN112039073A (zh) | 一种适用于配电房设备故障判断的协同优化方法及系统 | |
CN106096116B (zh) | 一种用于为涂敷电力复合脂的端子板建立温升预测模型的方法及系统 | |
CN109766518B (zh) | 考虑样本个体差异的不确定加速退化建模和分析方法 | |
CN118051083A (zh) | 一种加热丝的智能温控方法和装置 | |
CN118500981A (zh) | 涂料生产过程智能质检监控系统及方法 | |
CN116740063B (zh) | 基于机器视觉的玻璃纤维丝生产质量检测方法 | |
CN117936190A (zh) | 绞线机的监测系统及其方法 | |
CN109448615A (zh) | 一种电子纸驱动波形自动调试方法 | |
CN116539099A (zh) | 一种基于生产工艺参数调整的电缆质量监控方法 | |
CN116227071A (zh) | 一种低压电器电寿命的预测方法及装置 | |
CN116305705A (zh) | 基于红外仿真的成像系统环境适应性评估方法 | |
Darwison et al. | A leakage current estimation based on thermal image of polymer insulator | |
CN113538325A (zh) | 评估点焊完整性的系统和方法 | |
CN208156464U (zh) | 基于径向基神经网络的荧光温度解调系统 | |
CN115576288B (zh) | 一种过滤材料的生产控制方法和系统 | |
TW202125300A (zh) | 扣件尺寸的線上預測方法與扣件尺寸的線上預測系統 | |
CN117491357B (zh) | 一种涂料的质量监测方法及系统 | |
Turabee et al. | Predicting insulation resistance of enamelled wire using neural network and curve fit methods under thermal aging |
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 |