CN117172756A - 模具管理方法、装置、设备及存储介质 - Google Patents
模具管理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117172756A CN117172756A CN202311436029.XA CN202311436029A CN117172756A CN 117172756 A CN117172756 A CN 117172756A CN 202311436029 A CN202311436029 A CN 202311436029A CN 117172756 A CN117172756 A CN 117172756A
- Authority
- CN
- China
- Prior art keywords
- die
- operation data
- mold
- preset
- data
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 55
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000012423 maintenance Methods 0.000 claims abstract description 74
- 238000012545 processing Methods 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052755 nonmetal Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004663 powder metallurgy Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Landscapes
- Moulds For Moulding Plastics Or The Like (AREA)
Abstract
本申请公开了一种模具管理方法、装置、设备及存储介质,该方法包括步骤:通过设置于模具上的传感器采集所述模具的运行数据;将所述运行数据输入至预设处理模型,基于所述预设处理模型,对所述运行数据进行预测,得到预测结果,其中,所述预设处理模型是基于模具的历史运行数据进行迭代训练得到的,所述预测结果包括模具故障状态;基于所述预测结果,对所述模具进行管理或维护。本申请提高了对模具的维护及保养效率。
Description
技术领域
本申请涉及模具管理技术领域,尤其涉及一种模具管理方法、装置、设备及存储介质。
背景技术
在制造业中,模具是生产过程中不可或缺的工具,然而,由于长时间的使用和环境因素的影响,模具容易出现磨损、变形和损坏等问题,影响生产效率和产品质量。
目前,模具的维护和保养主要依靠人工经验和定期检查,有时候无法准确定位到模具的问题点,这种方式存在效率低下、漏检和过度维护等问题,且保养过程中无标准作业规范,导致模具的维护和保养效率低下。
发明内容
本申请的主要目的在于提供一种模具管理方法、装置、设备及存储介质,旨在解决相关技术中,依靠人工经验和定期检查,无法准确定位到模具的问题点,导致模具的维护和保养效率低下的技术问题。
为实现上述目的,本申请实施例提供了一种模具管理方法,所述方法包括:
通过设置于模具上的传感器采集所述模具的运行数据;
将所述运行数据输入至预设处理模型,基于所述预设处理模型,对所述运行数据进行预测,得到预测结果,其中,所述预设处理模型是基于模具的历史运行数据进行迭代训练得到的,所述预测结果包括模具故障状态;
基于所述预测结果,对所述模具进行管理或维护。
在本申请的一种可能的实施方式中,所述基于所述预设处理模型,对所述运行数据进行预测,得到预测结果的步骤,包括:
基于所述预设处理模型,提取所述运行数据的特征,得到第一特征数据;
将所述第一特征数据输入至各个神经网络层以及全连接层进行预测处理,输出预测结果。
在本申请的一种可能的实施方式中,所述将所述运行数据输入至预设处理模型,基于所述预设处理模型,对所述运行数据进行预测,得到预测结果的步骤之后,包括:
将所述运行数据存储于预设数据库中,所述预设数据库还包括历史运行数据和当前运行数据;
对所述预设数据库中的历史运行数据以及当前运行数据进行分析,得到第一分析数据;
根据所述第一分析数据,确定所述模具的维护策略,其中,所述维护策略包括维护周期、故障模式以及维护方式;
所述基于所述预测结果,对所述模具进行管理或维护的步骤,还包括:
基于所述预测结果和所述维护策略,对所述模具进行管理或维护。
在本申请的一种可能的实施方式中,所述通过设置于模具上的传感器采集所述模具的运行数据的步骤之后,包括:
对所述运行数据进行检测,得到检测结果;
若所述检测结果显示所述模具的运行状态满足预设告警要求,则向用户端所在界面上报告警以及告警原因;
若所述检测结果显示所述模具的运行状态不满足预设告警要求,则执行所述将所述运行数据输入至预设处理模型的步骤。
在本申请的一种可能的实施方式中,所述若所述检测结果显示所述模具的运行状态满足预设告警要求,则向用户端所在界面上报告警以及告警原因的步骤之后,包括:
根据所述告警原因,生成模具维护任务,并上传所述告警原因对应的维护建议;
可视化展示所述模具维护任务和所述维护建议,以供相关技术人员根据所述维护建议对模具进行修复,直至模具修复完成。
在本申请的一种可能的实施方式中,所述通过设置于模具上的传感器采集所述模具的运行数据的步骤,包括:
基于所述传感器,对所述模具在运行状态下的状态参数进行实时监测,得到实时运行数据;
将所述实时运行数据转换为字符串格式的数据,得到所述模具的运行数据。
在本申请的一种可能的实施方式中,所述将所述运行数据输入至预设处理模型的步骤之前,包括:
提取预设数据库中的历史运行样本数据;
将所述历史运行样本数据输入至预设的待训练模型,得到预测模具状态;
将所述预测模具状态与所述历史运行样本数据对应的模具状态标签进行差异计算,得到误差结果;
判断所述误差结果是否满足预设误差阈值范围指示的误差标准;
若所述误差结果未满足所述预设误差阈值范围指示的误差标准,返回将所述历史运行样本数据输入至预设的待训练模型,得到预测模具状态的步骤,直到所述误差结果满足所述预设误差阈值范围指示的误差标准后停止训练,得到具有满足精度条件的预设处理模型。
本申请还提供一种模具管理装置,所述模具管理装置包括:
采集模块,用于通过设置于模具上的传感器采集所述模具的运行数据;
预测模块,用于将所述运行数据输入至预设处理模型,基于所述预设处理模型,对所述运行数据进行预测,得到预测结果,其中,所述预设处理模型是基于模具的历史运行数据进行迭代训练得到的,所述预测结果包括模具使用状态;
管理模块,用于基于所述预测结果,对所述模具进行管理或维护。
本申请还提供一种模具管理设备,所述模具管理设备为实体节点设备,所述模具管理设备包括:存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述模具管理方法的程序,所述模具管理方法的程序被处理器执行时可实现如上述所述模具管理方法的步骤。
为实现上述目的,还提供一种存储介质,所述存储介质上存储有模具管理程序,所述模具管理程序被处理器执行时实现上述任一所述的模具管理方法的步骤。
本申请提供了一种模具管理方法、装置、设备及存储介质。与相关技术中,依靠人工经验和定期检查,无法准确定位到模具的问题点,导致模具的维护和保养效率低下相比,在本申请中,通过传感器采集模具的运行数据,将模具的运行数据输入预设处理模型,由于预设处理模型是基于模具的历史运行数据进行迭代训练得到的,通过预设处理模型对运行数据进行预测处理,相对应人工检测的方式,可以准确得出模具的故障状态,根据预测结果,即可精准定位模具的问题点,方便工作人员对模具进行维护以及保养,进而,提升了模具的维护及保养效率。
附图说明
图1为本申请模具管理方法的第一实施例的流程示意图;
图2为本申请模具管理方法涉及的整体实施流程示意图;
图3为本申请实施例方案涉及的硬件运行环境的设备结构示意图;
图4为本申请模具管理方法涉及的装置结构示意图。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供一种模具管理方法,在本申请模具管理方法的第一实施例中,参照图1,所述方法包括以下步骤:
步骤S10,通过设置于模具上的传感器采集所述模具的运行数据;
需要说明的是,模具管理方法可以应用于模具管理装置,模具管理装置属于模具管理系统,该模具管理系统属于模具管理设备。
需要说明的是,本方法的执行主体为模具管理系统,该模具管理系统包括传感器、计量保养模具模块、数据存储与分析模块以及告警模块,其中,传感器主要是用于采集数据;计量保养模具模块和数据存储与分析模块主要是用于数据分析,判断出模具出现故障的问题点或是需要维护的组件,并将模具的问题点以及维护建议发送至用户端所在的显示界面,告警模块主要是用于发出告警,大部分出现告警的情况主要是模具出现重大故障,无法正常工作,需要快速修复的情况,此时就需要该系统上报告警。
需要说明的是,传感器可以是超声传感器、压力传感器、运动传感器等,以超声传感器为例,通过超声传感器采集模具的运行数据,同时,将超声传感器安装在模具上,并确保传感器能够准确监测模具的状态和运行情况。
需要理解的是,模具可以是加工金属的模具、加工非金属和粉末冶金的模具、塑料模具等,具体不作限定。
需要理解的是,运行数据可以是模具运行时的模具温度、压力、振动程度等参数,传感器设置于模具上,使得运行数据可以实时采集,并上传至系统进行分析计算。
本申请与现有技术的区别在于:
现有技术:通过人工经验和定期检查模具的方式,当发现问题时,才会对模具进行修复,若有一段时间检查不到或者漏检时,就会影响模具的工作,同时,通过人工经验来保养模具的方式也不符合标准作业规范。
本申请:使用传感器采集模具的实时运行数据,并通过预设处理模型对该运行数据进行预测处理,从而准确定位模具的问题点,方便技术人员对模具进行维护,同时,为模具的问题点提供维护建议,提高了模具的维护效率,最大程度地延长模具的使用寿命,减少生产线停机时间。
其中,所述通过设置于模具上的传感器采集所述模具的运行数据的步骤S10,包括:
步骤S11,基于所述传感器,对所述模具在运行状态下的状态参数进行实时监测,得到实时运行数据;
需要说明的是,实时运行数据为模具在运行状态下的模具温度参数以及压力参数等,这些参数可以反映出模具的磨损以及变形情况。
步骤S12,将所述实时运行数据转换为字符串格式的数据,得到所述模具的运行数据。
需要说明的是,将实时运行数据转换为字符串格式的数据的目的在于,将实时运行数据转换为系统可识别的数据,方便后续计算。
步骤S20,将所述运行数据输入至预设处理模型,基于所述预设处理模型,对所述运行数据进行预测,得到预测结果,其中,所述预设处理模型是基于模具的历史运行数据进行迭代训练得到的,所述预测结果包括模具故障状态;
需要理解的是,预设处理模型为基于深度强化学习的模型,使用模具的历史运行数据对预设处理模型进行迭代训练,可以得到预测模型故障状态的模型,在使用预设处理模型定位模具的问题点时,只需要将运行数据(模具压力、振动程度参数等)输入至预设处理模型,使用预设处理模型对运行数据进行预测,即可得到预测结果。
需要理解的是,预测结果主要是模具的故障状态,例如模具的哪一部分组件出现了故障、出现了什么故障以及故障程度等。
其中,所述基于所述预设处理模型,对所述运行数据进行预测,得到预测结果的步骤S20,包括:
步骤S21,基于所述预设处理模型,提取所述运行数据的特征,得到第一特征数据;
需要理解的是,在运行数据输入至模型中各个神经网络层之前,需要提取运行数据中的特征,并生成相应的特征数据。
具体地,第一特征数据为提取运行数据中的特征后,得到的特征数据。
步骤S22,将所述第一特征数据输入至各个神经网络层以及全连接层进行预测处理,输出预测结果。
需要理解的是,第一特征数据由神经网络层(例如卷积网络层)进行处理后,最后传输至全连接层,进而,由全连接层输出预测结果。
其中,所述将所述运行数据输入至预设处理模型,基于所述预设处理模型,对所述运行数据进行预测,得到预测结果的步骤S20之后,包括:
步骤S210,将所述运行数据存储于预设数据库中,所述预设数据库还包括历史运行数据和当前运行数据;
需要理解的是,在采集到模具的实时运行数据后,会将运行数据同步存储于预设数据库中,其中,预设数据库中还包括历史运行数据。
步骤S220,对所述预设数据库中的历史运行数据以及当前运行数据进行分析,得到第一分析数据;
需要理解的是,对历史运行数据以及当前运行数据进行分析的过程可以是:将历史运行数据与当前运行数据进行对比,查看二者的相似度,并根据历史运行数据相对应的解决方案,确定当前运行数据所需要的解决方案。
需要理解的是,第一分析数据即是得到当前的运行数据所对应的维护方案数据。
步骤S230,根据所述第一分析数据,确定所述模具的维护策略,其中,所述维护策略包括维护周期、故障模式以及维护方式;
需要理解的是,维护策略主要包括维护周期、故障模式以及维护方式,其中,维护周期为多久维护一次,故障模式可以是故障情况,维护方式可以是解决模具当前故障的具体实施方式。
步骤S30,基于所述预测结果,对所述模具进行管理或维护;
需要理解的是,在预测结果对应的模具问题点确定后,即可对模具进行管理维护。
所述基于所述预测结果,对所述模具进行管理或维护的步骤S30,还包括:
步骤S310,基于所述预测结果和所述维护策略,对所述模具进行管理或维护。
需要理解的是,对模具进行管理维护的方式可以是:根据预测结果对应的问题点以及维护策略对应的问题点解决方案,解决模具当前出现的故障,维护工作完成。
具体地,本申请的整体实施流程示意图如图2所示,通过传感器采集模具的运行数据,先判断运行数据是否达到预设告警要求,若未达到预设告警要求,则使用预设处理模型对运行数据进行处理,得到预测结果,使工作人员根据预测结果对模具进行维护。
本申请提供了一种模具管理方法、装置、设备及存储介质。与相关技术中,依靠人工经验和定期检查,无法准确定位到模具的问题点,导致模具的维护和保养效率低下相比,在本申请中,通过传感器采集模具的运行数据,将模具的运行数据输入预设处理模型,由于预设处理模型是基于模具的历史运行数据进行迭代训练得到的,通过预设处理模型对运行数据进行预测处理,相对应人工检测的方式,可以准确得出模具的故障状态,根据预测结果,即可精准定位模具的问题点,方便工作人员对模具进行维护以及保养,进而,提升了模具的维护及保养效率。
进一步地,基于本申请中第一实施例,提供本申请的另一实施例,在该实施例中,所述通过设置于模具上的传感器采集所述模具的运行数据的步骤S10之后,包括:
步骤S110,对所述运行数据进行检测,得到检测结果;
需要理解的是,在采集到运行数据后,对运行数据进行检测的目的在于:检测模具是否出现重大告警,对运行数据进行基本的筛查检测,若出现比较严重的告警情况,则不需要预设处理模型对运行数据进行预测,此时直接告知用户进行排查的效果较好。
步骤S120,若所述检测结果显示所述模具的运行状态满足预设告警要求,则向用户端所在界面上报告警以及告警原因;
需要理解的是,预设告警要求为用户预设的参数值,例如,预设告警要求可以是压力参数小于500pa,或是温度低于80摄氏度等,具体不做限定。
需要理解的是,用户端所在界面为相关技术人员所监控的界面,向用户端所在界面上报告警后,可以使技术人员及时了解到模具生产线的具体情况。
需要理解的是,告警原因可以是导致模具故障的原因以及模具故障的情况等。
步骤S130,若所述检测结果显示所述模具的运行状态不满足预设告警要求,则执行所述将所述运行数据输入至预设处理模型的步骤。
需要理解的是,当检测结果显示所述模具的运行状态不满足预设告警要求时,说明模具所在的生产线并未出现重大告警,则可以将运行数据输入至预设处理模型,进行较为细致准确的故障定位工作。
其中,所述若所述检测结果显示所述模具的运行状态满足预设告警要求,则向用户端所在界面上报告警以及告警原因的步骤S120之后,包括:
步骤A1,根据所述告警原因,生成模具维护任务,并上传所述告警原因对应的维护建议;
步骤A2,可视化展示所述模具维护任务和所述维护建议,以供相关技术人员根据所述维护建议对模具进行修复,直至模具修复完成。
需要理解的是,根据告警原因,在系统中生成相应的模具维护任务,同时,也可以生成告警原因对应的维护建议。
需要理解的是,将模具维护任务和维护建议展示于可视化界面,从而使得相关技术人员根据维护建议对模具进行修复,在模具修复完成后,模具维护任务终止。
在本实施例中,在使用预设处理模型对运行数据进行处理前,判断运行数据是否达到预设告警要求,使得模具出现较严重的告警时,可以及时被用户发现,提高了模具维护效率。
进一步地,基于本申请中第一实施例和第二实施例,提供本申请的另一实施例,在该实施例中,所述将所述运行数据输入至预设处理模型的步骤S20之前,包括:
步骤S110,提取预设数据库中的历史运行样本数据;
需要理解的是,历史运行样本数据可以是模具的历史运行数据。
步骤S120,将所述历史运行样本数据输入至预设的待训练模型,得到预测模具状态;
需要理解的是,预测模具状态可以是待训练模型对历史运行样本数据进行处理后所输出的预测结果,此时,待训练模型还无法正确预测模具的故障位置,还需要进行多次的迭代训练。
步骤S130,将所述预测模具状态与所述历史运行样本数据对应的模具状态标签进行差异计算,得到误差结果;
需要理解的是,模具状态标签用于与预测模具状态作对比,比较二者之间的差异化程度,以判断模型预测结果所产生的误差。
步骤S140,判断所述误差结果是否满足预设误差阈值范围指示的误差标准;
需要理解的是,预设误差阈值范围为预设值,主要用于判断误差结果的误差程度,在误差程度小于预设误差阈值范围时,则证明模型训练完成。
步骤S150,若所述误差结果未满足所述预设误差阈值范围指示的误差标准,返回将所述历史运行样本数据输入至预设的待训练模型,得到预测模具状态的步骤,直到所述误差结果满足所述预设误差阈值范围指示的误差标准后停止训练,得到具有满足精度条件的预设处理模型。
需要理解的是,若误差结果未满足所述预设误差阈值范围指示的误差标准时,则就需要再次使用历史运行样本数据输入至预设的待训练模型,进行迭代训练,当误差结果满足预设误差阈值范围指示的误差标准后,即是得到了满足精度条件的预设处理模型,至此,模型训练完成。
在本实施例中,在将运行数据输入至预设处理模型之前,对待训练模型进行迭代训练,从而得到满足精度条件的预设处理模型,进而,输出准确的预测结果。
参照图3,图3是本申请实施例方案涉及的硬件运行环境的设备结构示意图。
如图3所示,该模具管理设备可以包括:处理器1001,存储器1005,通信总线1002。通信总线1002用于实现处理器1001和存储器1005之间的连接通信。
可选地,该模具管理设备还可以包括用户接口、网络接口、摄像头、RF(RadioFrequency,射频)电路,传感器、WiFi模块等等。用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard),可选用户接口还可以包括标准的有线接口、无线接口。网络接口可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解,图3中示出的模具管理设备结构并不构成对模具管理设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图3所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块以及模具管理程序。操作系统是管理和控制模具管理设备硬件和软件资源的程序,支持模具管理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信,以及与模具管理系统中其它硬件和软件之间通信。
在图3所示的模具管理设备中,处理器1001用于执行存储器1005中存储的模具管理程序,实现上述任一项所述的模具管理方法的步骤。
本申请模具管理设备具体实施方式与上述模具管理方法各实施例基本相同,在此不再赘述。
本申请还提供一种模具管理装置,参照图4,所述模具管理装置包括:
采集模块,用于通过设置于模具上的传感器采集所述模具的运行数据;
预测模块,用于将所述运行数据输入至预设处理模型,基于所述预设处理模型,对所述运行数据进行预测,得到预测结果,其中,所述预设处理模型是基于模具的历史运行数据进行迭代训练得到的,所述预测结果包括模具使用状态;
管理模块,用于基于所述预测结果,对所述模具进行管理或维护。
在本申请的一种可能的实施方式中,所述预测模块包括:
提取单元,用于基于所述预设处理模型,提取所述运行数据的特征,得到第一特征数据;
处理单元,用于将所述第一特征数据输入至各个神经网络层以及全连接层进行预测处理,输出预测结果。
在本申请的一种可能的实施方式中,所述模具管理装置还包括:
存储模块,用于将所述运行数据存储于预设数据库中,所述预设数据库还包括历史运行数据和当前运行数据;
分析模块,用于对所述预设数据库中的历史运行数据以及当前运行数据进行分析,得到第一分析数据;
确定模块,用于根据所述第一分析数据,确定所述模具的维护策略,其中,所述维护策略包括维护周期、故障模式以及维护方式。
在本申请的一种可能的实施方式中,所述模具管理装置还包括:
检测模块,用于对所述运行数据进行检测,得到检测结果;
上报模块,用于若所述检测结果显示所述模具的运行状态满足预设告警要求,则向用户端所在界面上报告警以及告警原因;
执行模块,用于若所述检测结果显示所述模具的运行状态不满足预设告警要求,则执行所述将所述运行数据输入至预设处理模型的步骤。
在本申请的一种可能的实施方式中,所述模具管理装置还包括:
生成模块,用于根据所述告警原因,生成模具维护任务,并上传所述告警原因对应的维护建议;
可视化展示模块,用于可视化展示所述模具维护任务和所述维护建议,以供相关技术人员根据所述维护建议对模具进行修复,直至模具修复完成。
在本申请的一种可能的实施方式中,所述采集模块包括:
实时监测单元,用于基于所述传感器,对所述模具在运行状态下的状态参数进行实时监测,得到实时运行数据;
转换单元,用于将所述实时运行数据转换为字符串格式的数据,得到所述模具的运行数据。
在本申请的一种可能的实施方式中,所述模具管理装置还包括:
提取模块,用于提取预设数据库中的历史运行样本数据;
输入模块,用于将所述历史运行样本数据输入至预设的待训练模型,得到预测模具状态;
计算模块,用于将所述预测模具状态与所述历史运行样本数据对应的模具状态标签进行差异计算,得到误差结果;
判定模块,用于判断所述误差结果是否满足预设误差阈值范围指示的误差标准;
训练模块,用于若所述误差结果未满足所述预设误差阈值范围指示的误差标准,返回将所述历史运行样本数据输入至预设的待训练模型,得到预测模具状态的步骤,直到所述误差结果满足所述预设误差阈值范围指示的误差标准后停止训练,得到具有满足精度条件的预设处理模型。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种模具管理方法,其特征在于,所述模具管理方法包括以下步骤:
通过设置于模具上的传感器采集所述模具的运行数据;
将所述运行数据输入至预设处理模型,基于所述预设处理模型,对所述运行数据进行预测,得到预测结果,其中,所述预设处理模型是基于模具的历史运行数据进行迭代训练得到的,所述预测结果包括模具故障状态;
基于所述预测结果,对所述模具进行管理或维护。
2.如权利要求1所述的模具管理方法,其特征在于,所述基于所述预设处理模型,对所述运行数据进行预测,得到预测结果的步骤,包括:
基于所述预设处理模型,提取所述运行数据的特征,得到第一特征数据;
将所述第一特征数据输入至各个神经网络层以及全连接层进行预测处理,输出预测结果。
3.如权利要求2所述的模具管理方法,其特征在于,所述将所述运行数据输入至预设处理模型,基于所述预设处理模型,对所述运行数据进行预测,得到预测结果的步骤之后,包括:
将所述运行数据存储于预设数据库中,所述预设数据库还包括历史运行数据和当前运行数据;
对所述预设数据库中的历史运行数据以及当前运行数据进行分析,得到第一分析数据;
根据所述第一分析数据,确定所述模具的维护策略,其中,所述维护策略包括维护周期、故障模式以及维护方式;
所述基于所述预测结果,对所述模具进行管理或维护的步骤,还包括:
基于所述预测结果和所述维护策略,对所述模具进行管理或维护。
4.如权利要求1所述的模具管理方法,其特征在于,所述通过设置于模具上的传感器采集所述模具的运行数据的步骤之后,包括:
对所述运行数据进行检测,得到检测结果;
若所述检测结果显示所述模具的运行状态满足预设告警要求,则向用户端所在界面上报告警以及告警原因;
若所述检测结果显示所述模具的运行状态不满足预设告警要求,则执行所述将所述运行数据输入至预设处理模型的步骤。
5.如权利要求4所述的模具管理方法,其特征在于,所述若所述检测结果显示所述模具的运行状态满足预设告警要求,则向用户端所在界面上报告警以及告警原因的步骤之后,包括:
根据所述告警原因,生成模具维护任务,并上传所述告警原因对应的维护建议;
可视化展示所述模具维护任务和所述维护建议,以供相关技术人员根据所述维护建议对模具进行修复,直至模具修复完成。
6.如权利要求1所述的模具管理方法,其特征在于,所述通过设置于模具上的传感器采集所述模具的运行数据的步骤,包括:
基于所述传感器,对所述模具在运行状态下的状态参数进行实时监测,得到实时运行数据;
将所述实时运行数据转换为字符串格式的数据,得到所述模具的运行数据。
7.如权利要求1所述的模具管理方法,其特征在于,所述将所述运行数据输入至预设处理模型的步骤之前,包括:
提取预设数据库中的历史运行样本数据;
将所述历史运行样本数据输入至预设的待训练模型,得到预测模具状态;
将所述预测模具状态与所述历史运行样本数据对应的模具状态标签进行差异计算,得到误差结果;
判断所述误差结果是否满足预设误差阈值范围指示的误差标准;
若所述误差结果未满足所述预设误差阈值范围指示的误差标准,返回将所述历史运行样本数据输入至预设的待训练模型,得到预测模具状态的步骤,直到所述误差结果满足所述预设误差阈值范围指示的误差标准后停止训练,得到具有满足精度条件的预设处理模型。
8.一种模具管理装置,其特征在于,所述模具管理装置包括:
采集模块,用于通过设置于模具上的传感器采集所述模具的运行数据;
预测模块,用于将所述运行数据输入至预设处理模型,基于所述预设处理模型,对所述运行数据进行预测,得到预测结果,其中,所述预设处理模型是基于模具的历史运行数据进行迭代训练得到的,所述预测结果包括模具使用状态;
管理模块,用于基于所述预测结果,对所述模具进行管理或维护。
9.一种模具管理设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的模具管理程序,所述模具管理程序配置为实现如权利要求1至7中任一项所述的模具管理方法的步骤。
10.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有模具管理程序,所述模具管理程序被处理器执行时实现如权利要求1至7中任一项所述的模具管理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311436029.XA CN117172756A (zh) | 2023-11-01 | 2023-11-01 | 模具管理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311436029.XA CN117172756A (zh) | 2023-11-01 | 2023-11-01 | 模具管理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117172756A true CN117172756A (zh) | 2023-12-05 |
Family
ID=88943455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311436029.XA Pending CN117172756A (zh) | 2023-11-01 | 2023-11-01 | 模具管理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117172756A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768022A (zh) * | 2020-05-09 | 2020-10-13 | 中国煤矿机械装备有限责任公司 | 煤机生产设备的设备检测方法及装置 |
CN114254779A (zh) * | 2021-12-23 | 2022-03-29 | 九号智能科技(上海)有限公司 | 一种基于预测性维护的生产设备健康管理系统 |
CN114444231A (zh) * | 2022-04-02 | 2022-05-06 | 深圳市信润富联数字科技有限公司 | 模具剩余寿命在线自适应预测方法、装置、设备及介质 |
CN115798078A (zh) * | 2022-11-29 | 2023-03-14 | 永安行科技股份有限公司 | 一种车辆精准故障诊断方法和装置 |
-
2023
- 2023-11-01 CN CN202311436029.XA patent/CN117172756A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768022A (zh) * | 2020-05-09 | 2020-10-13 | 中国煤矿机械装备有限责任公司 | 煤机生产设备的设备检测方法及装置 |
CN114254779A (zh) * | 2021-12-23 | 2022-03-29 | 九号智能科技(上海)有限公司 | 一种基于预测性维护的生产设备健康管理系统 |
CN114444231A (zh) * | 2022-04-02 | 2022-05-06 | 深圳市信润富联数字科技有限公司 | 模具剩余寿命在线自适应预测方法、装置、设备及介质 |
CN115798078A (zh) * | 2022-11-29 | 2023-03-14 | 永安行科技股份有限公司 | 一种车辆精准故障诊断方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1982301B1 (en) | Method of condition monitoring | |
US6834256B2 (en) | Method and system for determining motor reliability | |
US7873581B2 (en) | Method and system for determining the reliability of a DC motor system | |
US20090096405A1 (en) | Method and system for remotely predicting the remaining life of an ac motor system | |
JP6540531B2 (ja) | 監視装置及び監視装置の制御方法 | |
CN111340250A (zh) | 设备检修装置、方法及计算机可读存储介质 | |
CN111867806A (zh) | 用于基于件的过程(批量制造)、特别是注射成型过程的自动的过程监控和过程诊断的方法和实施所述过程的机器或实施所述过程的机器总成 | |
US7996337B2 (en) | Method and system for remotely determining the reliability of a DC motor system | |
JP6795562B2 (ja) | 検査装置及び機械学習方法 | |
CN116651971A (zh) | 一种汽车冲压模具在线检测方法及系统 | |
CN110023861A (zh) | 用于监控制造工厂的系统和方法 | |
JP2009086896A (ja) | コンピュータの障害予測システムおよび障害予測方法 | |
JP7296548B2 (ja) | 作業効率評価方法、作業効率評価装置、及びプログラム | |
CN111445034A (zh) | 一种工业设备故障预测的系统及方法 | |
CN115617606A (zh) | 设备监测方法和系统、电子设备、存储介质 | |
JP6540532B2 (ja) | 監視装置及び監視装置の制御方法 | |
US20200073641A1 (en) | Software generation method and software generation system | |
JP6823025B2 (ja) | 検査装置及び機械学習方法 | |
JP2021092971A (ja) | 制御方法、制御装置、機械設備、制御プログラム、記録媒体 | |
JP2021053772A (ja) | 工作機械のツール摩耗診断装置 | |
KR20160019119A (ko) | 스테이지 모니터링 및 진단 시스템, 스테이지 장치 및 제조, 계측 및 검사 장비 | |
CN117172756A (zh) | 模具管理方法、装置、设备及存储介质 | |
CN117115169A (zh) | 一种汽车配件压铸模具表面形变异常智能识别方法 | |
CN116205623A (zh) | 设备维护方法、装置、系统、电子设备及存储介质 | |
CN110888782A (zh) | 设备处理方法、系统、电子设备及计算机可读存储介质 |
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 |