CN117252346B - 一种物料溯源系统及方法 - Google Patents
一种物料溯源系统及方法 Download PDFInfo
- Publication number
- CN117252346B CN117252346B CN202311516098.1A CN202311516098A CN117252346B CN 117252346 B CN117252346 B CN 117252346B CN 202311516098 A CN202311516098 A CN 202311516098A CN 117252346 B CN117252346 B CN 117252346B
- Authority
- CN
- China
- Prior art keywords
- node
- data
- nodes
- processing
- processing link
- 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
- 239000000463 material Substances 0.000 title claims abstract description 160
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000000547 structure data Methods 0.000 claims abstract description 29
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 238000012512 characterization method Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 3
- 206010027175 memory impairment Diseases 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 28
- 238000005266 casting Methods 0.000 description 14
- 229910052742 iron Inorganic materials 0.000 description 14
- 238000003801 milling Methods 0.000 description 14
- 229910000838 Al alloy Inorganic materials 0.000 description 7
- 238000005520 cutting process Methods 0.000 description 6
- 238000003754 machining Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
Abstract
本发明涉及溯源技术领域,公开了一种物料溯源系统及方法,其中一种物料溯源方法,包括:获取物料的故障信息;获取物料的加工工艺流程数据;构建图结构数据,图结构数据包括节点以及节点之间的边,节点包括第一节点和第二节点,第一节点与物料的故障信息建立数据联系;第二节点与物料的加工环节信息建立数据联系;将图结构数据输入第一神经网络模型,输出表示第二节点数据联系的物料的加工环节信息所属的加工环节是否是问题环节的值;标记是问题环节的加工环节,并提取对应的加工环节信息发送给管理人员;本发明能够基于物料的故障信息来追溯物料加工工艺流程中的出现问题的加工环节。
Description
技术领域
本发明涉及溯源技术领域,更具体地说,它涉及一种物料溯源系统及方法。
背景技术
公开号为CN116883025A,名称为一种基于数字孪生的分布式制造物料追溯方法的中国专利公开的方法可以实时的追踪到从物料到产品的正向追溯和从产品到物料的逆向追溯中涉及的设备编号、机台号、操作人、操作时间、物料名称、物料供应商、物料编码、规格、分类、批次、数量等相关数据,并且可以可视化的查看物料在各个工厂设备之间如何流转。
虽然上述方法能够完整的追溯信息,并且实现可视化,但是发现出现问题的工艺环节仍然需要人工从追溯的信息中发掘,需要结合历史数据进行大量的统计分析工作,确定出现问题的工艺环节的难度大。
发明内容
本发明提供一种物料溯源系统及方法,解决相关技术中的物料溯源系统仅能够追溯获取工艺流程信息,并不能确定出现问题的工艺环节的技术问题。
本发明提供了一种物料溯源方法,包括以下步骤:
步骤S101,获取物料的故障信息;
步骤S102,获取物料的加工工艺流程数据,加工工艺流程数据包括加工环节信息;
步骤S103,构建图结构数据,图结构数据包括节点以及节点之间的边,节点包括第一节点和第二节点,第一节点与物料的故障信息建立数据联系;第二节点与物料的加工环节信息建立数据联系;
第一节点与第二节点之间存在的双向边表示第一节点数据联系的物料的故障信息与第二节点数据联系的物料的加工环节信息属于同一批物料;
两个第二节点之间存在的单向边表示这两个第二节点数据联系的物料的加工环节信息属于同一批物料的两个相邻的加工环节,单向边的终点的第二节点数据联系的物料的加工环节信息所属的加工环节的前一个加工环节是单向边的起点的第二节点数据联系的物料的加工环节信息所属的加工环节;
所有节点均连接一个指向自己的单向边;第一节点的数据联系的物料的故障信息编码生成第一节点的初始特征;第二节点的数据联系的物料的加工环节信息编码生成第二节点的初始特征;
步骤S104,将图结构数据输入第一神经网络模型,第一神经网络模型包括:第一隐藏层、第二隐藏层和全连接层,第一隐藏层用于生成节点的隐藏特征到第二隐藏层;
第二隐藏层包括RNN单元,RNN单元的第s个时间步输入第s个第二节点的隐藏特征,并输出第s个第二节点的表征向量;
全连接层输入第二节点的表征向量,并输出表示第二节点数据联系的物料的加工环节信息所属的加工环节是否是问题环节的值;
步骤S105,标记是问题环节的加工环节,并提取对应的加工环节信息发送给管理人员,管理人员能够直接根据追溯的问题环节来发现加工中具体出现的问题,以此来对加工工艺进行优化。
进一步地,第一隐藏层的计算公式如下:
;
;
;
;
;
;
;
其中为第v个节点输入第一隐藏层的输入特征,/>表示第v个节点的初始特征,表示融合系数,/>表示聚合特征,/>表示遗忘特征,/>表示控制特征,/>表示新生特征,/>表示第v个节点在第t个时间步的隐藏特征,/>表示第v个节点在第t-1个时间步的隐藏特征,/>表示第j个节点在第t-1个时间步的隐藏特征,/>表示sigmoid函数,/>表示通过双向边或指向第v个节点的单向边连接第v个节点的节点的集合,/>表示双曲正切函数,/>表示点乘,‖表示向量拼接,/>、/>、/>、/>、/>、/>、/>、/>分别表示第一、二、三、四、五、六、七、八权重参数,/>表示第一偏置参数,M>t>1,M为可调参数,缺省值为5。
进一步地,第二节点的序号是按照第二节点数据联系的物料的加工环节信息所属的加工环节的先后顺序排序的。
进一步地,RNN单元为GRU单元或LSTM单元。
进一步地,全连接层连接softmax层,softmax层输出表示第二节点数据联系的物料的加工环节信息所属的加工环节是否是问题环节的概率值,如果第二节点数据联系的物料的加工环节信息所属的加工环节是问题环节的概率值大于或等于0.5,则判断第二节点数据联系的物料的加工环节信息所属的加工环节是问题环节,否则判断第二节点数据联系的物料的加工环节信息所属的加工环节不是问题环节。
进一步地,全连接层的输出连接softmax层,softmax层输出对应于多个分类标签的概率值,其中一个分类标签表示第二节点数据联系的物料的加工环节信息所属的加工环节不是问题环节,其余的分类标签表示第二节点数据联系的物料的加工环节信息所属的加工环节的问题类型。
进一步地,物料的加工环节信息包含文本和参数数值,对物料的加工环节信息中的词进行独热编码,对参数数值转化为二进制数,然后将独热编码和二进制数按照加工环节信息中的文本和参数数值的顺序进行拼接。
本发明还提供了一种物料溯源系统,包括:
故障信息获取模块,其用于获取物料的故障信息;
工艺流程信息获取模块,其用于获取物料的加工工艺流程数据,加工工艺流程数据包括加工环节信息;
图结构数据生成模块,其用于构建图结构数据,图结构数据包括节点以及节点之间的边,节点包括第一节点和第二节点,第一节点与物料的故障信息建立数据联系;第二节点与物料的加工环节信息建立数据联系;
第一节点与第二节点之间存在的双向边表示第一节点数据联系的物料的故障信息与第二节点数据联系的物料的加工环节信息属于同一批物料;
两个第二节点之间存在的单向边表示这两个第二节点数据联系的物料的加工环节信息属于同一批物料的两个相邻的加工环节,单向边的终点的第二节点数据联系的物料的加工环节信息所属的加工环节的前一个加工环节是单向边的起点的第二节点数据联系的物料的加工环节信息所属的加工环节;
所有节点均连接一个指向自己的单向边;第一节点的数据联系的物料的故障信息编码生成第一节点的初始特征;第二节点的数据联系的物料的加工环节信息编码生成第二节点的初始特征;
问题环节识别模块,其用于将图结构数据输入第一神经网络模型,第一神经网络模型包括:第一隐藏层、第二隐藏层和全连接层,第一隐藏层用于生成节点的隐藏特征到第二隐藏层;第二隐藏层包括RNN单元,RNN单元的第s个时间步输入第s个第二节点的隐藏特征,并输出第s个第二节点的表征向量;全连接层输入第二节点的表征向量,并输出表示第二节点数据联系的物料的加工环节信息所属的加工环节是否是问题环节的值;
工艺信息发送模块,其用于提取属于问题环节的加工环节的信息发送给管理人员。
进一步地,第一神经网络模型输出表示第二节点数据联系的物料的加工环节信息所属的加工环节的问题类型的值,工艺信息发送模块将属于问题环节的加工环节的信息和问题类型发送给管理人员。
本发明还提供了一种存储介质,其存储了非暂时性计算机可读指令,当非暂时性计算机可读指令由计算机执行时,能够执行前述的一种物料溯源方法中的步骤。
本发明的有益效果在于:本发明能够基于物料的故障信息来追溯物料加工工艺流程中的出现问题的加工环节,管理人员能够直接根据追溯的问题环节来发现加工中具体出现的问题,以此来对加工工艺进行优化,降低管理人员的工作量。
附图说明
图1是本发明的一种物料溯源方法的流程图;
图2是本发明的一种物料溯源系统的模块示意图。
图中:故障信息获取模块201,工艺流程信息获取模块202,图结构数据生成模块203,问题环节识别模块204,工艺信息发送模块205。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解,讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题,可以在不脱离本说明书内容的保护范围的情况下,对所讨论的元素的功能和排列进行改变。各个示例可以根据需要,省略、替代或者添加各种过程或组件。另外,相对一些示例所描述的特征在其他例子中也可以进行组合。
如图1所示,本发明提供一种物料溯源方法,包括:
步骤S101,获取物料的故障信息;
步骤S102,获取物料的加工工艺流程数据,加工工艺流程数据包括加工环节信息;
在本发明的一个实施例中,对加工工艺流程数据进行预处理,删除备料、检验等对物料的质量没有影响的加工环节。
步骤S103,构建图结构数据,图结构数据包括节点以及节点之间的边,节点包括第一节点和第二节点,第一节点与物料的故障信息建立数据联系;第二节点与物料的加工环节信息建立数据联系;
第一节点与第二节点之间存在的双向边表示第一节点数据联系的物料的故障信息与第二节点数据联系的物料的加工环节信息属于同一批物料;
两个第二节点之间存在的单向边表示这两个第二节点数据联系的物料的加工环节信息属于同一批物料的两个相邻的加工环节,单向边的终点的第二节点数据联系的物料的加工环节信息所属的加工环节的前一个加工环节是单向边的起点的第二节点数据联系的物料的加工环节信息所属的加工环节;
所有节点均连接一个指向自己的单向边;第一节点的数据联系的物料的故障信息编码生成第一节点的初始特征;第二节点的数据联系的物料的加工环节信息编码生成第二节点的初始特征;
在本发明的一个实施例中,物料的故障信息和物料的加工环节信息均为文本数据,通过一般的语义编码的方式编码。
在本发明的一个实施例中,物料的加工环节信息包含文本和参数数值,对物料的加工环节信息中的词进行独热编码,对参数数值转化为二进制数,然后将独热编码和二进制数按照加工环节信息中的文本和参数数值的顺序进行拼接。
步骤S104,将图结构数据输入第一神经网络模型,第一神经网络模型包括:第一隐藏层、第二隐藏层和全连接层;
第一隐藏层的计算公式如下:
;
;
;
;
;
;
;
其中为第v个节点输入第一隐藏层的输入特征,/>表示第v个节点的初始特征,表示融合系数,/>表示聚合特征,/>表示遗忘特征,/>表示控制特征,/>表示新生特征,/>表示第v个节点在第t个时间步的隐藏特征,/>表示第v个节点在第t-1个时间步的隐藏特征,/>表示第j个节点在第t-1个时间步的隐藏特征,/>表示sigmoid函数,/>表示通过双向边或指向第v个节点的单向边连接第v个节点的节点的集合,/>表示双曲正切函数,/>表示点乘,‖表示向量拼接,/>、/>、/>、/>、/>、/>、/>、/>分别表示第一、二、三、四、五、六、七、八权重参数,/>表示第一偏置参数,M>t>1,M为可调参数,缺省值为5。
第二隐藏层包括RNN单元,RNN单元的第s个时间步输入第s个第二节点的隐藏特征,并输出第s个第二节点的表征向量;
K>s>1,K的取值等于第二节点的数量。
全连接层输入第二节点的表征向量,并输出表示第二节点数据联系的物料的加工环节信息所属的加工环节是否是问题环节的值。
第二节点的序号是按照第二节点数据联系的物料的加工环节信息所属的加工环节的先后顺序排序的;
需要说明的是,第一隐藏层和第二隐藏层均是分为多个时间步进行计算的,后一个时间步的计算依赖于前一个时间步计算的结果。
在本发明的一个实施例中,全连接层输出第一值和第二值,如果第一值大于或等于第二值则判断第二节点数据联系的物料的加工环节信息所属的加工环节是问题环节,否则判断第二节点数据联系的物料的加工环节信息所属的加工环节不是问题环节。
在本发明的一个实施例中,全连接层的输出连接softmax层,softmax层输出表示第二节点数据联系的物料的加工环节信息所属的加工环节是否是问题环节的概率值,如果第二节点数据联系的物料的加工环节信息所属的加工环节是问题环节的概率值大于或等于0.5,则判断第二节点数据联系的物料的加工环节信息所属的加工环节是问题环节,否则判断第二节点数据联系的物料的加工环节信息所属的加工环节不是问题环节。
在本发明的一个实施例中,全连接层的输出连接softmax层,softmax层输出对应于多个分类标签的概率值,其中一个分类标签表示第二节点数据联系的物料的加工环节信息所属的加工环节不是问题环节,其余的分类标签表示第二节点数据联系的物料的加工环节信息所属的加工环节的问题类型。
步骤S105,标记是问题环节的加工环节,并提取对应的加工环节信息发送给管理人员,管理人员能够直接根据追溯的问题环节来发现加工中具体出现的问题,以此来对加工工艺进行优化。
在本发明的一个实施例中,RNN单元为GRU(Gate Recurrent Unit)单元或LSTM(Long Short-Term Memory Network)单元。
在本发明的一个实施例中,物料为发动机缸体。发动机缸体的加工工艺流程包括以下加工环节:曲轴孔半圆面粗加工(铸铁件);曲轴孔半精加工镗削(铝合金件);曲轴孔精镗(铸铁件);决定轴颈部位宽度的两侧边铣削(铸铁件);决定轴颈部位宽度的两侧边铣削(铝合金件);决定轴颈部位宽度的两侧面加工铣削(铸铁件);第3轴承面精镗(铸铁件);第3轴承面精加工(铸铁件);轴承面油槽加工(铸铁件);缸孔粗镗;缸孔精镗;缸孔内倒角加工(铝合金件);上下面粗铣(铝合金件);上下面精铣(铝合金件);前后面精铣(铝合金件);搬送用基准面铣削(铝合金件);轴承盖座粗铣(铸铁件);轴承盖座精铣(铸铁件);上下面粗铣(铸铁件);上下面精铣(铸铁件);下面精铣(铸铁件);前后面粗铣(铸铁件);前后面精铣(铸铁件);各种孔加工。
故障信息对应于故障的类型或描述,具体的故障的类型包括漏气、发动机的输出功率过低、发动机的输出功率不稳定、活塞磨损超标。故障信息可以是由检测设备进行检测来获得,或者是由实际使用获得。
加工环节信息包括切削深度、每齿进给量和切削速度等,例如一个加工环节信息为切削深度45、每齿进给量0.08和切削速度2.5。
需要说明的是切削深度的默认单位为m/min,每齿进给量的默认单位为mm/tooth,切削速度的默认单位为mm/side。
基于前述的一种物料溯源方法,如图2所示,本发明的一个实施例中提供一种物料溯源系统,包括:
故障信息获取模块201,其用于获取物料的故障信息;
工艺流程信息获取模块202,其用于获取物料的加工工艺流程数据,加工工艺流程数据包括加工环节信息;
图结构数据生成模块203,其用于构建图结构数据,图结构数据包括节点以及节点之间的边,节点包括第一节点和第二节点,第一节点与物料的故障信息建立数据联系;第二节点与物料的加工环节信息建立数据联系;
第一节点与第二节点之间存在的双向边表示第一节点数据联系的物料的故障信息与第二节点数据联系的物料的加工环节信息属于同一批物料;
两个第二节点之间存在的单向边表示这两个第二节点数据联系的物料的加工环节信息属于同一批物料的两个相邻的加工环节,单向边的终点的第二节点数据联系的物料的加工环节信息所属的加工环节的前一个加工环节是单向边的起点的第二节点数据联系的物料的加工环节信息所属的加工环节;
所有节点均连接一个指向自己的单向边;第一节点的数据联系的物料的故障信息编码生成第一节点的初始特征;第二节点的数据联系的物料的加工环节信息编码生成第二节点的初始特征;
问题环节识别模块204,其用于将图结构数据输入第一神经网络模型,第一神经网络模型包括:第一隐藏层、第二隐藏层和全连接层,第一隐藏层用于生成节点的隐藏特征到第二隐藏层;第二隐藏层包括RNN单元,RNN单元的第s个时间步输入第s个第二节点的隐藏特征,并输出第s个第二节点的表征向量;全连接层输入第二节点的表征向量,并输出表示第二节点数据联系的物料的加工环节信息所属的加工环节是否是问题环节的值;
工艺信息发送模块205,其用于提取属于问题环节的加工环节的信息发送给管理人员。
在本发明的一个实施例中,第一神经网络模型输出表示第二节点数据联系的物料的加工环节信息所属的加工环节的问题类型的值,工艺信息发送模块205将属于问题环节的加工环节的信息和问题类型发送给管理人员。
本发明提供一种存储介质,其存储了非暂时性计算机可读指令,当非暂时性计算机可读指令由计算机执行时,能够执行前述的一种物料溯源方法中的步骤。
上面对本实施例的实施例进行了描述,但是本实施例并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本实施例的启示下,还可做出很多形式,均属于本实施例的保护之内。
Claims (7)
1.一种物料溯源方法,其特征在于,包括以下步骤:
步骤S101,获取物料的故障信息;
步骤S102,获取物料的加工工艺流程数据,加工工艺流程数据包括加工环节信息;
步骤S103,构建图结构数据,图结构数据包括节点以及节点之间的边,节点包括第一节点和第二节点,第一节点与物料的故障信息建立数据联系;第二节点与物料的加工环节信息建立数据联系;
第一节点与第二节点之间存在的双向边表示第一节点数据联系的物料的故障信息与第二节点数据联系的物料的加工环节信息属于同一批物料;
两个第二节点之间存在的单向边表示这两个第二节点数据联系的物料的加工环节信息属于同一批物料的两个相邻的加工环节,单向边的终点的第二节点数据联系的物料的加工环节信息所属的加工环节的前一个加工环节是单向边的起点的第二节点数据联系的物料的加工环节信息所属的加工环节;
所有节点均连接一个指向自己的单向边;第一节点的数据联系的物料的故障信息编码生成第一节点的初始特征;第二节点的数据联系的物料的加工环节信息编码生成第二节点的初始特征;
步骤S104,将图结构数据输入第一神经网络模型,第一神经网络模型包括:第一隐藏层、第二隐藏层和全连接层,第一隐藏层用于生成节点的隐藏特征到第二隐藏层;
第二隐藏层包括RNN单元,RNN单元的第s个时间步输入第s个第二节点的隐藏特征,并输出第s个第二节点的表征向量;
全连接层输入第二节点的表征向量,并输出表示第二节点数据联系的物料的加工环节信息所属的加工环节是否是问题环节的值;
第一隐藏层的计算公式如下:
;
;
;
;
;
;
;
其中为第v个节点输入第一隐藏层的输入特征,/>表示第v个节点的初始特征,/>表示融合系数,/>表示聚合特征,/>表示遗忘特征,/>表示控制特征,/>表示新生特征,表示第v个节点在第t个时间步的隐藏特征,/>表示第v个节点在第t-1个时间步的隐藏特征,/>表示第j个节点在第t-1个时间步的隐藏特征,/>表示sigmoid函数,/>表示通过双向边或指向第v个节点的单向边连接第v个节点的节点的集合,/>表示双曲正切函数,/>表示点乘,‖表示向量拼接,/>、/>、/>、/>、/>、/>、/>、/>分别表示第一、二、三、四、五、六、七、八权重参数,/>表示第一偏置参数,M>t>1,M为可调参数,缺省值为5;
全连接层连接softmax层,softmax层输出表示第二节点数据联系的物料的加工环节信息所属的加工环节是否是问题环节的概率值,如果第二节点数据联系的物料的加工环节信息所属的加工环节是问题环节的概率值大于或等于0.5,则判断第二节点数据联系的物料的加工环节信息所属的加工环节是问题环节,否则判断第二节点数据联系的物料的加工环节信息所属的加工环节不是问题环节;
步骤S105,标记是问题环节的加工环节,并提取对应的加工环节信息发送给管理人员。
2.根据权利要求1所述的一种物料溯源方法,其特征在于,第二节点的序号是按照第二节点数据联系的物料的加工环节信息所属的加工环节的先后顺序排序的。
3.根据权利要求1所述的一种物料溯源方法,其特征在于,RNN单元为GRU单元或LSTM单元。
4.根据权利要求1所述的一种物料溯源方法,其特征在于,物料的加工环节信息包含文本和参数数值,对物料的加工环节信息中的词进行独热编码,对参数数值转化为二进制数,然后将独热编码和二进制数按照加工环节信息中的文本和参数数值的顺序进行拼接。
5.一种物料溯源系统,其特征在于,其用于执行如权利要求1-4任一所述的一种物料溯源方法,包括:
故障信息获取模块,其用于获取物料的故障信息;
工艺流程信息获取模块,其用于获取物料的加工工艺流程数据,加工工艺流程数据包括加工环节信息;
图结构数据生成模块,其用于构建图结构数据,图结构数据包括节点以及节点之间的边,节点包括第一节点和第二节点,第一节点与物料的故障信息建立数据联系;第二节点与物料的加工环节信息建立数据联系;
第一节点与第二节点之间存在的双向边表示第一节点数据联系的物料的故障信息与第二节点数据联系的物料的加工环节信息属于同一批物料;
两个第二节点之间存在的单向边表示这两个第二节点数据联系的物料的加工环节信息属于同一批物料的两个相邻的加工环节,单向边的终点的第二节点数据联系的物料的加工环节信息所属的加工环节的前一个加工环节是单向边的起点的第二节点数据联系的物料的加工环节信息所属的加工环节;
所有节点均连接一个指向自己的单向边;第一节点的数据联系的物料的故障信息编码生成第一节点的初始特征;第二节点的数据联系的物料的加工环节信息编码生成第二节点的初始特征;
问题环节识别模块,其用于将图结构数据输入第一神经网络模型,第一神经网络模型包括:第一隐藏层、第二隐藏层和全连接层,第一隐藏层用于生成节点的隐藏特征到第二隐藏层;第二隐藏层包括RNN单元,RNN单元的第s个时间步输入第s个第二节点的隐藏特征,并输出第s个第二节点的表征向量;全连接层输入第二节点的表征向量,并输出表示第二节点数据联系的物料的加工环节信息所属的加工环节是否是问题环节的值;
工艺信息发送模块,其用于提取属于问题环节的加工环节的信息发送给管理人员。
6.根据权利要求5所述的一种物料溯源系统,其特征在于,第一神经网络模型输出表示第二节点数据联系的物料的加工环节信息所属的加工环节的问题类型的值,工艺信息发送模块将属于问题环节的加工环节的信息和问题类型发送给管理人员。
7.一种存储介质,其特征在于,其存储了非暂时性计算机可读指令,当非暂时性计算机可读指令由计算机执行时,能够执行如权利要求1-4任一所述的一种物料溯源方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311516098.1A CN117252346B (zh) | 2023-11-15 | 2023-11-15 | 一种物料溯源系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311516098.1A CN117252346B (zh) | 2023-11-15 | 2023-11-15 | 一种物料溯源系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117252346A CN117252346A (zh) | 2023-12-19 |
CN117252346B true CN117252346B (zh) | 2024-02-13 |
Family
ID=89131656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311516098.1A Active CN117252346B (zh) | 2023-11-15 | 2023-11-15 | 一种物料溯源系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117252346B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784159A (zh) * | 2020-07-01 | 2020-10-16 | 深圳市检验检疫科学研究院 | 一种食品风险追溯信息分级方法和装置 |
CN112288327A (zh) * | 2020-11-23 | 2021-01-29 | 格力电工(眉山)有限公司 | 物料追溯方法、系统、存储介质及电子设备 |
CN112684300A (zh) * | 2021-01-19 | 2021-04-20 | 浙江大学 | 一种利用双向监测信息的主动配电网故障诊断方法及装置 |
CN113065751A (zh) * | 2021-03-19 | 2021-07-02 | 杭州晨龙智能科技有限公司 | 信息追溯系统、方法、存储介质及电子设备 |
CN113240098A (zh) * | 2021-06-16 | 2021-08-10 | 湖北工业大学 | 基于混合门控神经网络的故障预测方法、装置和存储介质 |
WO2021197350A1 (zh) * | 2020-04-01 | 2021-10-07 | 深圳点链科技有限公司 | 基于区块链的质量追溯系统、方法及计算机可读存储介质 |
CN114244728A (zh) * | 2021-12-31 | 2022-03-25 | 北京工业大学 | 基于多因素层次化的网络安全态势评估与预测方法 |
CN115051929A (zh) * | 2022-06-20 | 2022-09-13 | 湖北工业大学 | 基于自监督目标感知神经网络的网络故障预测方法及装置 |
CN115278741A (zh) * | 2022-06-15 | 2022-11-01 | 清华大学 | 一种基于多模态数据依赖关系的故障诊断方法和装置 |
CN116562514A (zh) * | 2023-07-12 | 2023-08-08 | 苏州简诺科技有限公司 | 基于神经网络的企业生产状况即时分析方法及系统 |
CN116882546A (zh) * | 2023-06-02 | 2023-10-13 | 福建中科中欣智能科技有限公司 | 一种农产品的溯源系统及方法 |
CN116883025A (zh) * | 2023-09-06 | 2023-10-13 | 杭州比智科技有限公司 | 一种基于数字孪生的分布式制造物料追溯方法 |
-
2023
- 2023-11-15 CN CN202311516098.1A patent/CN117252346B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021197350A1 (zh) * | 2020-04-01 | 2021-10-07 | 深圳点链科技有限公司 | 基于区块链的质量追溯系统、方法及计算机可读存储介质 |
CN111784159A (zh) * | 2020-07-01 | 2020-10-16 | 深圳市检验检疫科学研究院 | 一种食品风险追溯信息分级方法和装置 |
CN112288327A (zh) * | 2020-11-23 | 2021-01-29 | 格力电工(眉山)有限公司 | 物料追溯方法、系统、存储介质及电子设备 |
CN112684300A (zh) * | 2021-01-19 | 2021-04-20 | 浙江大学 | 一种利用双向监测信息的主动配电网故障诊断方法及装置 |
CN113065751A (zh) * | 2021-03-19 | 2021-07-02 | 杭州晨龙智能科技有限公司 | 信息追溯系统、方法、存储介质及电子设备 |
CN113240098A (zh) * | 2021-06-16 | 2021-08-10 | 湖北工业大学 | 基于混合门控神经网络的故障预测方法、装置和存储介质 |
CN114244728A (zh) * | 2021-12-31 | 2022-03-25 | 北京工业大学 | 基于多因素层次化的网络安全态势评估与预测方法 |
CN115278741A (zh) * | 2022-06-15 | 2022-11-01 | 清华大学 | 一种基于多模态数据依赖关系的故障诊断方法和装置 |
CN115051929A (zh) * | 2022-06-20 | 2022-09-13 | 湖北工业大学 | 基于自监督目标感知神经网络的网络故障预测方法及装置 |
CN116882546A (zh) * | 2023-06-02 | 2023-10-13 | 福建中科中欣智能科技有限公司 | 一种农产品的溯源系统及方法 |
CN116562514A (zh) * | 2023-07-12 | 2023-08-08 | 苏州简诺科技有限公司 | 基于神经网络的企业生产状况即时分析方法及系统 |
CN116883025A (zh) * | 2023-09-06 | 2023-10-13 | 杭州比智科技有限公司 | 一种基于数字孪生的分布式制造物料追溯方法 |
Non-Patent Citations (1)
Title |
---|
基于质量追溯的面向订单装配的供应链质量控制机制设计;李宇雨;但斌;黄波;郭钢;;计算机集成制造系统(第12期);第2405-2411页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117252346A (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
Castejón et al. | On-line tool wear monitoring using geometric descriptors from digital images | |
CN108907896B (zh) | 一种刀具剩余寿命在线预测方法及系统 | |
CN107220734A (zh) | 基于决策树的数控车床车削过程能耗预测系统 | |
Sivakumar et al. | An approach towards the integration of CAD/CAM/CAI through STEP file using feature extraction for cylindrical parts | |
CN112765768B (zh) | 基于物联网的离散型车间数字溯源方法 | |
CN109732450B (zh) | 一种基于神经网络的叶片抛磨加工方法 | |
Bhanot et al. | Sustainable manufacturing: an interaction analysis for machining parameters using graph theory | |
CN106779143A (zh) | 一种生产排产调度优化方法 | |
CN104239603B (zh) | 一种基于正序逆序结合的三维工序模型生成方法 | |
CN113780153A (zh) | 一种刀具磨损监测和预测方法 | |
CN115422814B (zh) | 一种数字孪生驱动的复杂机电产品闭环优化设计方法 | |
CN110807518A (zh) | 一种面向电网数据的离群点检测方法 | |
CN117252346B (zh) | 一种物料溯源系统及方法 | |
CN115878603A (zh) | 基于k近邻算法与gan网络的水质缺失数据插补算法 | |
CN115392534A (zh) | 一种基于ffm模型的车间设备综合效率预测方法及系统 | |
CN104656558B (zh) | 一种获取刀具轨迹中加工特征点的方法及其应用 | |
CN117010666B (zh) | 一种汽修工具生产工作站智能管理方法及系统 | |
CN111724203B (zh) | 基于多重回归模型的产品加工价格预估方法及系统 | |
EP1457853A1 (en) | Method and system for reverse and re-engineering parts | |
CN110782315B (zh) | 一种基于珠宝社交电商平台的商业系统及方法 | |
CN109460599A (zh) | 一种装配特征偏差的传递量化分析方法及系统 | |
CN113204590B (zh) | 基于序列化自编码器的无监督kpi异常检测方法 | |
CN111695582A (zh) | 一种颤振纹理的检测方法及其装置 | |
CN113379344A (zh) | 一种基于云计算处理的智能物流处理方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |