CN117291751A - 模具的生产监测方法及系统 - Google Patents
模具的生产监测方法及系统 Download PDFInfo
- Publication number
- CN117291751A CN117291751A CN202311318665.2A CN202311318665A CN117291751A CN 117291751 A CN117291751 A CN 117291751A CN 202311318665 A CN202311318665 A CN 202311318665A CN 117291751 A CN117291751 A CN 117291751A
- Authority
- CN
- China
- Prior art keywords
- real
- mold
- die
- production
- time
- 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.)
- Withdrawn
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 291
- 238000000034 method Methods 0.000 title claims abstract description 116
- 238000012544 monitoring process Methods 0.000 title claims abstract description 92
- 230000008569 process Effects 0.000 claims abstract description 66
- 238000005457 optimization Methods 0.000 claims abstract description 53
- 238000013461 design Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 27
- 230000007547 defect Effects 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000000465 moulding Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 29
- 238000001514 detection method Methods 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 16
- 230000003993 interaction Effects 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 230000006798 recombination Effects 0.000 claims description 5
- 238000005215 recombination Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 4
- 239000004065 semiconductor Substances 0.000 abstract description 14
- 238000007689 inspection Methods 0.000 abstract description 9
- 238000012797 qualification Methods 0.000 abstract description 5
- 230000008439 repair process Effects 0.000 abstract description 5
- 239000000463 material Substances 0.000 description 7
- 238000004806 packaging method and process Methods 0.000 description 4
- 238000003908 quality control method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000003746 surface roughness Effects 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Computational Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供了模具的生产监测方法及系统，涉及数据监测技术领域，方法包括：交互获得标准模具设计信息和标准模具生产参数构建标准模具数字模型进行成型件生产接触拟合，获得多级生产关联面，获得实时模具参数集，基于标准模具数字模型和实时模具数字模型进行偏差分析，获得实时模具尺寸偏差集，获得多级尺寸偏差集，对标准模具生产参数进行参数寻优获得优化模具生产参数进行模具生产，并采用生产监测约束进行模具生产监测，解决现有技术中对于半导体精密模具的生产缺陷处理往往基于成品质检和瑕疵修补，导致不利于提升半导体精密模具整体生产合格性和生产品控稳定性的技术问题，实现对加工过程的各工序控制，达到要求的加工精度。
Description
技术领域
本发明涉及数据监测技术领域，具体涉及模具的生产监测方法及系统。
背景技术
随着企业对制造效率和工件质量要求的提高，为模具提供快速、全面且精确的检测已经成为推动现代工业发展的关键，半导体封装模具行业是半导体产业链上的重要环节，其市场现状和发展前景对整个半导体行业的发展具有重要影响，随着封装模具技术的不断升级和改进，封装模具行业的竞争也将更加激烈。因此，封装模具企业需要不断进行技术创新和升级，以提高生产效率和质量，并且加强与半导体企业的合作，以更好地满足市场需求，而在现有技术中存在对于半导体精密模具的生产缺陷处理往往基于成品质检和瑕疵修补，导致不利于提升半导体精密模具整体生产合格性和生产品控稳定性的技术问题。
发明内容
本申请提供了模具的生产监测方法及系统，用于针对解决现有技术中存在的对于半导体精密模具的生产缺陷处理往往基于成品质检和瑕疵修补，导致不利于提升半导体精密模具整体生产合格性和生产品控稳定性的技术问题。
鉴于上述问题，本申请提供了模具的生产监测方法及系统。
第一方面，本申请提供了模具的生产监测方法，所述方法包括：交互获得标准模具设计信息和标准模具生产参数；构建标准模具数字模型，其中，所述标准模具数字模型基于所述标准模具设计信息进行数字模型构建获得；基于所述标准模具数字模型进行成型件生产接触拟合，获得多级生产关联面；获得实时模具参数集，其中，所述实时模具参数集包括实时模具扫描参数集和实时模具图像集，所述实时模具扫描参数集通过采用3D扫描仪对实时模具进行扫描获得，所述实时模具图像集通过采用CCD相机进行所述实时模具的表观图像采集获得；构建实时模具数字模型，其中，所述实时模具数字模型以所述实时模具扫描参数集为基准进行模型构建获得；基于所述标准模具数字模型和所述实时模具数字模型进行偏差分析，获得实时模具尺寸偏差集，基于所述多级生产关联面对所述实时模具尺寸偏差集进行分组处理，获得多级尺寸偏差集；获得实时模具表观瑕疵集，其中，所述实时模具表观瑕疵集中每个实时模具表观瑕疵具有瑕疵类型标识和瑕疵位置标识，所述实时模具表观瑕疵集通过将所述实时模具图像集同步至模具瑕疵识别子网络进行瑕疵识别获得，其中，所述模具瑕疵识别子网络包括对应于所述多级生产关联面的多个瑕疵识别通道；以所述实时模具表观瑕疵集和所述实时模具尺寸偏差集为生产监测约束，对所述标准模具生产参数进行参数寻优，获得优化模具生产参数；基于所述优化模具生产参数进行模具生产，并采用所述生产监测约束进行模具生产监测。
第二方面，本申请提供了模具的生产监测系统，所述系统包括：交互模块，所述交互模块用于交互获得标准模具设计信息和标准模具生产参数；第一模型构建模块，所述第一模型构建模块用于构建标准模具数字模型，其中，所述标准模具数字模型基于所述标准模具设计信息进行数字模型构建获得；接触拟合模块，所述接触拟合模块用于基于所述标准模具数字模型进行成型件生产接触拟合，获得多级生产关联面；扫描模块，所述扫描模块用于获得实时模具参数集，其中，所述实时模具参数集包括实时模具扫描参数集和实时模具图像集，所述实时模具扫描参数集通过采用3D扫描仪对实时模具进行扫描获得，所述实时模具图像集通过采用CCD相机进行所述实时模具的表观图像采集获得；第一模型构建模块，所述第一模型构建模块用于构建实时模具数字模型，其中，所述实时模具数字模型以所述实时模具扫描参数集为基准进行模型构建获得；偏差分析模块，所述偏差分析模块用于基于所述标准模具数字模型和所述实时模具数字模型进行偏差分析，获得实时模具尺寸偏差集，基于所述多级生产关联面对所述实时模具尺寸偏差集进行分组处理，获得多级尺寸偏差集；瑕疵识别模块，所述瑕疵识别模块用于获得实时模具表观瑕疵集，其中，所述实时模具表观瑕疵集中每个实时模具表观瑕疵具有瑕疵类型标识和瑕疵位置标识，所述实时模具表观瑕疵集通过将所述实时模具图像集同步至模具瑕疵识别子网络进行瑕疵识别获得，其中，所述模具瑕疵识别子网络包括对应于所述多级生产关联面的多个瑕疵识别通道；参数寻优模块，所述参数寻优模块用于以所述实时模具表观瑕疵集和所述实时模具尺寸偏差集为生产监测约束，对所述标准模具生产参数进行参数寻优，获得优化模具生产参数；模具生产模块，所述模具生产模块用于基于所述优化模具生产参数进行模具生产，并采用所述生产监测约束进行模具生产监测。
本申请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：
本申请提供的模具的生产监测方法及系统，涉及数据监测技术领域，解决了现有技术中存在对于半导体精密模具的生产缺陷处理往往基于成品质检和瑕疵修补，导致不利于提升半导体精密模具整体生产合格性和生产品控稳定性的技术问题，实现了对加工过程的各工序控制，达到要求的加工精度。
附图说明
图1为本申请提供了模具的生产监测方法流程示意图；
图2为本申请提供了模具的生产监测方法中获得多级尺寸偏差集流程示意图；
图3为本申请提供了模具的生产监测方法中实时模具表观瑕疵集流程示意图；
图4为本申请提供了模具的生产监测系统结构示意图。
附图标记说明：交互模块1，第一模型构建模块2，接触拟合模块3，扫描模块4，第一模型构建模块5，偏差分析模块6，瑕疵识别模块7，参数寻优模块8，模具生产模块9。
具体实施方式
本申请通过提供模具的生产监测方法及系统，用于解决现有技术中存在对于半导体精密模具的生产缺陷处理往往基于成品质检和瑕疵修补，导致不利于提升半导体精密模具整体生产合格性和生产品控稳定性的技术问题。
实施例一
如图1所示，本申请实施例提供了模具的生产监测方法，该方法包括：
步骤A100：交互获得标准模具设计信息和标准模具生产参数；
在本申请中，本申请实施例提供的模具的生产监测方法应用于模具的生产监测系统，为保证在后期模具生产过程中的监测准确度，因此首先需要通过模具的生产监测系统与初始模具数据进行交互，该交互过程是指当模具的生产监测系统想要获得模具的数据，则首先将传入参数通过URL接口地址与服务器中的初始模具数据进行传递，获取标准模具设计信息以及标准模具生产参数，标准模具设计信息中可以包含标准模具图纸信息、标准模具工艺文件信息、标准模具材料规格信息、标准模具检验标准信息等设计信息，标准模具生产参数中可以包含标准模具尺寸、标准模具形状精度、标准模具表面粗糙度等生产参数，为后期实现对模具进行生产监测作为重要参考依据。
步骤A200：构建标准模具数字模型，其中，所述标准模具数字模型基于所述标准模具设计信息进行数字模型构建获得；
在本申请中，为了更好的对模具进行生产监测，则需要以上述所获标准模具设计信息内所包含的标准模具图纸信息、标准模具工艺文件信息、标准模具材料规格信息、标准模具检验标准信息等设计信息作为基础构建数据，在此基础上将标准模具分为凸模和凹模，凸模和凹模是标准模具的两种基本形式。凸模是具有凸起形状的模具，它的作用是在成形过程中将材料强制往模具凸起的部位流动，以达到成型的目的。凹模则是具有凹陷形状的模具，通过材料流向凹陷部位，得到相应凹陷形制品，分别对凸膜的模具设计信息、凹膜的模具设计信息进行数据探索分析，并根据凸膜数据分布情况、凹模数据分布情况以及凸膜数据各维度、凹模数据各维度之间的相关性分别构建标准凸模数字模型和标准凹模数字模型，由此根据标准凸模数字模型和标准凹模数字模型完成标准模具数字模型的构建，进而为实现对模具进行生产监测做保障。
步骤A300：基于所述标准模具数字模型进行成型件生产接触拟合，获得多级生产关联面；
进一步而言，本申请步骤A300还包括：
步骤A310：所述标准模具数字模型包括标准凸模数字模型和标准凹模数字模型；
步骤A320：交互获得标准成型件设计信息，并基于所述标准成型件设计信息构建标准成型件模型；
步骤A330：采用所述标准凸模数字模型和所述标准凹模数字模型对所述标准成型件模型进行生产接触拟合，获得所述多级生产关联面，其中，所述多级生产关联面包括一级接触关联面、二级对准关联面和三级可视关联面；
步骤A340：采用所述多级生产关联面进行所述标准模具数字模型的表面标识处理。
在本申请中，由于模具和生产成品之间需要进行接触组合，是指可以根据模具和生产成品之间的接触关系，将模具表面分为一级瑕疵面、二级瑕疵面和三级瑕疵面，一级瑕疵面就是直接和生产成品接触的，二级瑕疵面是两个模具之间的生产关联面，三级瑕疵面是与外界空气接触的，进一步的，在标准模具数字模型内包括标准凸模数字模型和标准凹模数字模型，通过与系统进行生产成品设计信息的交互，获取标准成型件设计信息，标准成型设计信息内可以包含标准生产成品图纸信息、标准生产成品工艺文件信息、标准生产成品材料规格信息、标准生产成品检验标准信息等设计信息，基于标准生产成品图纸信息、标准生产成品工艺文件信息、标准生产成品材料规格信息、标准生产成品检验标准信息之间的数据关联性以及数据分布特征构建标准成型件模型，进一步的，采用标准凸模数字模型和标准凹模数字模型对标准成型件模型进行生产接触拟合，是指以标准凸模数字模型和标准凹模数字模型作为成型前凸模与凹模基于标准成型件设计信息内的生产成品的设计进行接触组合，从而获得多级生产关联面，且多级生产关联面中包括一级接触关联面、二级对准关联面和三级可视关联面，一级接触关联面是指模具与生产成品直接接触的面积，二级对准关联面是指凸模和凹模进行对准接触的面积，三级可视关联面是指既不和另一模具接触，也不和成型件接触的面积，示例性的，采用机械臂进行模具抓取对准的面，最终采用多级生产关联面对标准模具数字模型进行表面标识处理，是指在标准模具数字模型内将模具所有接触面根据多级生产关联面进行不同接触面的标识，从而更好的对模具中不同类型接触面进行快速区分，为后续实现对模具进行生产监测夯实基础。
步骤A400：获得实时模具参数集，其中，所述实时模具参数集包括实时模具扫描参数集和实时模具图像集，所述实时模具扫描参数集通过采用3D扫描仪对实时模具进行扫描获得，所述实时模具图像集通过采用CCD相机进行所述实时模具的表观图像采集获得；
在本申请中，由于在模具进行生产过程中的操作均具有即时性，因此需要对模具在生产过程中的实时模具参数进行采集，实时模具参数集内包含实时模具扫描参数集、实时模具图像集，且实时模具扫描参数集是通过采用3D扫描仪根据实时模具参数对实时模具进行扫描获得，实时模具参数中可以包含实时模具的层高参数、实时模具的厚度参数、实时模具的点云参数等，而实时模具图像集通过采用CCD相机进行实时模具的表观图像采集获得，实时模具的表观图像可以包含实时模具的表观高度、实时模具的表观凹凸度、实时模具的表观宽度、实时模具的表观接口、实时模具的表观像素放大倍率等数据，由实时模具扫描参数集和实时模具图像集构建实时模具参数集，实现对模具进行生产监测有着限定的作用。
步骤A500：构建实时模具数字模型，其中，所述实时模具数字模型以所述实时模具扫描参数集为基准进行模型构建获得；
在本申请中，为了更精确的对实时模具进行生产监测，因此需要以上述通过3D扫描仪所扫描获取的实时模具扫描参数集内包含的实时模具的层高参数、实时模具的厚度参数、实时模具的点云参数作为基准构建数据，进一步的，根据实时模具的层高参数、实时模具的厚度参数、实时模具的点云参数构建各个参数之间的关联变量关系，在关联变量关系的基础上将实时模具的层高参数、实时模具的厚度参数、实时模具的点云参数进行数据整合，是指分别将实时模具的层高参数、实时模具的厚度参数、实时模具的点云参数进行数据整理、清洗、转换后加载至一个新的数据源，并根据该数据源完成对实时模具数字模型的构建，以便为后期对模具进行生产监测时作为参照数据。
步骤A600：基于所述标准模具数字模型和所述实时模具数字模型进行偏差分析，获得实时模具尺寸偏差集，基于所述多级生产关联面对所述实时模具尺寸偏差集进行分组处理，获得多级尺寸偏差集；
进一步而言，如图2所示，本申请步骤A600还包括：
步骤A610：对所述标准模具数字模型和所述实时模具数字模型进行坐标系统一化预处理；
步骤A620：预设对齐特征点集合，并基于所述对齐特征点集合对预处理后的所述标准模具数字模型和所述实时模具数字模型进行对齐特征点标记，获得标准对齐特征点集合和实时对齐特征点集合；
步骤A630：基于所述标准对齐特征点集合和所述实时对齐特征点集合进行预处理后的所述标准模具数字模型和所述实时模具数字模型的对齐处理，获得模具重叠数字模型；
步骤A640：以所述标准模具数字模型为基准进行所述实时模具数字模型的偏差比对，获得所述实时模具尺寸偏差集，其中，所述实时模具尺寸偏差集中每个实时模具尺寸偏差都具有尺寸偏差位置标识；
步骤A650：基于所述多级生产关联面对所述尺寸偏差位置标识进行层级划分，映射完成所述实时模具尺寸偏差集的分组处理，获得所述多级尺寸偏差集。
在本申请中，为保证通过生产监测使得模具生产的精准性，首先将上述所构建的标准模具数字模型与实时模具数字模型进行偏差分析，是指根据标准模具数字模型中所包含的模具数字参数与实时模具数字模型中所包含的模具数字参数进行数字参数吻合度的比较，其数字参数吻合度与偏差分析结果为反比关系，当标准模具数字模型中所包含的模具数字参数与实时模具数字模型中所包含的模具数字参数的数字吻合度高时，则视为二者数据偏差小，即所生产出的实时模具尺寸就越符合标准模具尺寸，反之当数字吻合度低时，则视为二者数据偏差大，即所生产出的实时模具尺寸就越不符合标准模具尺寸，从而将二者之间的偏差数据进行汇总后记作所生产出的实时模具的实时模具尺寸偏差集。
进一步的，以通过标准模具数字模型进行成型件生产接触拟合获得的多级生产关联面对实时模具尺寸偏差集进行分组处理，是指首先对标准模具数字模型所对应的坐标系的原点与实时模具数字模型所对应的坐标系原点进行合并，从而完成对标准模具数字模型与实时模具数字模型的坐标系统一化预处理，进一步的，预设对齐特征点集合，对齐特征点集合是指在标准模具数字模型中的特征点与实时模具数字模型中的特征点在预处理的统一坐标系中的特征坐标点理论的对齐左边，同时基于对齐特征点集合对预处理后的标准模具数字模型和实时模具数字模型在统一坐标系中将对齐特征点进行特征标记，从而对应获得标准对齐特征点集合和实时对齐特征点集合，基于标准对齐特征点集合和实时对齐特征点集合进行预处理后的标准模具数字模型和实时模具数字模型的对齐处理，是指根据标准对齐特征点集合和实时对齐特征点集合中的对齐特征点在统一坐标系中将标准模具数字模型和实时模具数字模型进行对齐处理后获得模具重叠数字模型，进一步的，以标准模具数字模型作为基准对实时模具数字模型进行偏差比对，是指将标准模具数字模型中所包含的每一个模具数据依次与实时模具数字模型中对应的模具数据进行数据比对，由此获得实时模具尺寸偏差集，且实时模具尺寸偏差集中的每个实时模具尺寸偏差都具有尺寸偏差位置标识，该尺寸偏差位置标识是通过在实时模具数字模型中存在模具尺寸偏差的坐标点进行标识所获，最终以多级生产关联面作为基础，对尺寸偏差位置标识进行层级划分，是指将在多级生产关联面中处于同一接触面的尺寸偏差位置标识作为同一层级进行划分，从而完成实时模具尺寸偏差集的映射分组处理，是指根据多级生产关联面中的每同一个接触面上的尺寸偏差位置标识分为一组，在此基础上，将完成分组处理的实时模具尺寸偏差集，记作多级尺寸偏差集进行输出，提高后期实现对模具进行生产监测的准确率。
步骤A700：获得实时模具表观瑕疵集，其中，所述实时模具表观瑕疵集中每个实时模具表观瑕疵具有瑕疵类型标识和瑕疵位置标识，所述实时模具表观瑕疵集通过将所述实时模具图像集同步至模具瑕疵识别子网络进行瑕疵识别获得，其中，所述模具瑕疵识别子网络包括对应于所述多级生产关联面的多个瑕疵识别通道；
进一步而言，如图3所示，本申请步骤A700还包括：
步骤A710：基于所述多级生产关联面投影映射所述实时模具，进行所述实时模具的关联面划分，获得关联面投影模具；
步骤A720：采用CCD相机进行所述关联面投影模具的多维度表观图像采集获得所述实时模具图像集；
步骤A730：根据所述多级生产关联面进行所述实时模具图像集的图像划分，获得多级模具图像集；
步骤A740：将所述多级模具图像集对应同步至所述模具瑕疵识别子网络的所述多个瑕疵识别通道，同时进行瑕疵类型识别标识，获得多级模具表观瑕疵集；
步骤A750：所述多级模具表观瑕疵集构成所述实时模具表观瑕疵集。
进一步而言，本申请步骤A740包括：
步骤A741：基于所述标准模具设计信息获得同型号模具的历史检测图像信息；
步骤A742：根据所述多级生产关联面进行所述历史检测图像信息的图像分割，获得多级样本检测图像信息；
步骤A743：对所述多级样本检测图像信息进行瑕疵识别和瑕疵类型标识，获得多级样本瑕疵标识图像信息；
步骤A744：基于卷积神经网络构建所述多个瑕疵识别通道，其中，所述多个瑕疵识别通道与所述多级生产关联面一一映射，所述多个瑕疵识别通道中，每个瑕疵识别通道都包括解码器单元和编码器单元；
步骤A745：预设训练数据划分规则，并基于所述训练数据划分规则将所述多级样本瑕疵标识图像信息和所述多级样本检测图像信息标识划分为多级训练集、多级测试集和多级验证集；
步骤A746：基于所述多级训练集和多级测试集对应进行所述多个瑕疵识别通道的解码器单元和编码器单元的训练和测试；
步骤A747：基于所述多级验证集进行所述多个瑕疵识别通道的解码器单元和编码器单元的验证，获得符合预设条件的所述多个瑕疵识别通道；
步骤A748：对所述多个瑕疵识别通道配置输入层和输出层，完成所述模具瑕疵识别子网络的构建。
在本申请中，由于在所生产的实时模具中所包含的每个生产关联面上可能存在的瑕疵的构成不同，对实时模具表面瑕疵集进行构建，示例性的，其瑕疵可以包含缺胶瑕疵、缩水瑕疵、披锋瑕疵、气泡瑕疵等，当以上任意一个缺陷瑕疵出现在接触关联面时，则对模具存在较大影响，并视为该模具为无效模具，即无法进行使用的模具，但当该瑕疵出现在可视关联面时，则对模具基本不存在影响，并可以继续使用，从而基于模具和成型件之间的的接触关系，构建多级接触面，且实时模具表观瑕疵集中每个实时模具表观瑕疵具有瑕疵类型标识和瑕疵位置标识，实时模具表观瑕疵集是通过将实时模具图像集同步至模具瑕疵识别子网络进行瑕疵识别获得，是指首先基于多级生产关联面投影映射实时模具，将实时模具根据多级生产关联面内的每一面均进行实时模具内存在连接关系的关联面划分，从而获得关联面投影模具，进一步的，采用CCD相机进行关联面投影模具的多维度表观图像采集，是指通过CCD相机对关联面投影模具中所包含的每一个关联面均进行表观图像采集，从而获取具有每一个关联面表观图像的实时模具图像集，同时根据多级生产关联面进行实时模具图像集的图像划分，是指将实时模具图像集中的图像符合多级生产关联面中不同层级生产关联面的图像划分为同一层级的图像，确定多级模具图像集。
进一步的，将多级模具图像集对应同步至模具瑕疵识别子网络的多个瑕疵识别通道，同时进行瑕疵类型识别标识，是指首先根据标准模具设计信息获得同型号模具的历史检测图像信息，历史检测图像信息中包含历史模具尺寸检测信息、历史模具表面质量检测信息、历史模具材料检测信息、历史模具组装检测信息，根据多级生产关联面中所包含的多个关联面对历史检测图像信息中具有不同关联面的图像进行分割，将图像分割结果记作多级样本检测图像信息，并对多级样本检测图像信息进行瑕疵识别和瑕疵类型标识，所识别出的瑕疵可以包含缺胶瑕疵、缩水瑕疵、披锋瑕疵、气泡瑕疵、划痕瑕疵、凹陷瑕疵等，并根据所识别出的瑕疵在多级样本检测图像信息中进行不同瑕疵类别的标识，从而获得多级样本瑕疵标识图像信息，进一步的，基于卷积神经网络构建多个瑕疵识别通道，卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，其中，多个瑕疵识别通道与多级生产关联面为一一映射的关系，是指在多个瑕疵识别通道 内取一值，多级生产关联面有且只有一个值对应，而在多级生产关联面内取一值，多个瑕疵识别通道可以有多个值对应，同时在多个瑕疵识别通道中，每个瑕疵识别通道都包括解码器单元和编码器单元，解码器单元是用于将瑕疵识别通道中所包含的瑕疵数字信号转换成瑕疵模拟信号的单元，编码器单元是用于将瑕疵识别通道中所包含的瑕疵模拟信号转换成瑕疵数字信号的单元，并对训练数据划分规则根据瑕疵类型进行不同训练数据的预设，即预设训练数据划分规则，基于预设训练数据划分规则将多级样本瑕疵标识图像信息和多级样本检测图像信息标识划分为多级训练集、多级测试集和多级验证集，其中，多级训练集、多级测试集和多级验证集均为一一对应的监督数据。
进一步的，多个瑕疵识别通道构建过程为：将多级训练集中每一组训练数据输入解码器单元和编码器单元，通过这组训练数据对应的多级测试集中的测试数据进行多个瑕疵识别通道的输出测试调整，当多个瑕疵识别通道的输出结果与多级测试集中的测试数据一致，则当前组训练结束，将多级训练集中全部的训练数据均训练结束，则多个瑕疵识别通道训练完成。
为了保证多个瑕疵识别通道的收敛以及准确性，其收敛过程可以是基于多级验证集进行多个瑕疵识别通道的解码器单元和编码器单元中的输出数据会聚于一点时，向某一个值靠近则为收敛，其准确性可以通过多级验证集进行多个瑕疵识别通道的测试处理，举例而言，验证准确率可以设定为80%，当多级验证集的验证准确率满足80%时，则多个瑕疵识别通道构建完成。
最终对多个瑕疵识别通道配置输入层和输出层，输入层是用于将实时模具图像集进行输入的层级，输出层是用于将实时模具表观瑕疵集进行输出的层级，由此完成模具瑕疵识别子网络的构建，最终通过将所述实时模具图像集同步至模具瑕疵识别子网络进行瑕疵识别获得实时模具表观瑕疵集，达到为后期实现对模具进行生产监测提供重要依据的技术效果。
步骤A800：以所述实时模具表观瑕疵集和所述实时模具尺寸偏差集为生产监测约束，对所述标准模具生产参数进行参数寻优，获得优化模具生产参数；
进一步而言本申请步骤A800还包括：
步骤A810：所述标准模具生产参数获得K个工序标准生产参数，其中，所述K个工序标准生产参数映射于K个模具生产工序节点，K为正整数；
步骤A820：基于所述实时模具表观瑕疵反推定位工序节点，获得N个模具生产工序节点和N个工序瑕疵特征，其中，N为小于K的正整数；
步骤A830：基于所述实时模具尺寸偏差反推定位工序节点，获得H个模具生产工序节点和M个工序尺寸特征，其中，H为小于K的正整数；
步骤A840：对所述N个模具生产工序节点和所述H个模具生产工序节点进行工序节点聚合处理，获得多组工序优化节点，其中，所述多组工序优化节点包括N-M个瑕疵优化节点、H-M个尺寸优化节点和M个双重优化节点；
步骤A850：以所述实时模具表观瑕疵集和所述实时模具尺寸偏差集为生产监测约束，对所述多组工序优化节点进行参数寻优，获得多组优化生产参数；
步骤A860：基于所述多组优化生产参数进行所述标准模具生产参数的对应替换，获得所述优化模具生产参数。
在本申请中，为了更精准的对模具进行优化生产，首先需要以上述所输出的实时模具表观瑕疵集以及实时模具尺寸偏差集作为生产监测约束，对交互所获的标准模具生产参数进行参数寻优，是指通过标准模具生产参数随机提取K个工序标准生产参数，K个工序标准生产参数用于映射K个模具在生产过程中的K个生产工序节点，其中，K为正整数，进一步的，基于实时模具表观瑕疵反推定位工序节点，是指根据当前实时模具的表面瑕疵确定使得其出现瑕疵的工序节点，由此获得于实时模具表观瑕疵一一对应的N个模具生产工序节点和N个工序瑕疵特征，其中，N为小于K的正整数，进一步的，基于实时模具尺寸偏差反推定位工序节点，是指根据当前实时模具的尺寸偏差确定使得其出现尺寸偏差的工序节点，由此获得于实时模具尺寸偏差一一对应的H个模具生产工序节点和M个工序尺寸特征，其中，H为小于K的正整数。
最终对N个模具生产工序节点和H个模具生产工序节点进行工序节点进行聚合处理，是指收集N个模具生产工序节点和H个模具生产工序节点中的表观瑕疵数据以及尺寸偏差数据，并以汇总形式表示，其目的是为对实时模具生产参数进行统计分析。聚合处理是一种对N个模具生产工序节点和H个模具生产工序节点进行数据挖掘程序，其中数据以基于报告的汇总格式进行搜索、收集和呈现，以获得多组工序优化节点，且多组工序优化节点包括N-M个瑕疵优化节点、H-M个尺寸优化节点和M个双重优化节点，N-M个瑕疵优化节点内的实时模具仅包含表观瑕疵数据因此仅对模具表观瑕疵进行生产优化，H-M个尺寸优化节点内的实时模具仅包含尺寸偏差数据因此仅对模具尺寸偏差进行生产优化、M个双重优化节点内的实时模具包含表观瑕疵数据以及尺寸偏差数据因此对模具表观瑕疵和尺寸偏差均进行生产优化，进一步的，以实时模具表观瑕疵集和实时模具尺寸偏差集作为生产监测约束，对多组工序优化节点进行参数寻优，是指分别根据N-M个瑕疵优化节点、H-M个尺寸优化节点和M个双重优化节点对具有不同瑕疵的工艺进行优化，由此获得多组优化生产参数，将所获多组优化生产参数与系统内交互所获的标准模具生产参数进行对应替换，获得优化模具生产参数，以此保证后期更好的对模具进行生产监测。
步骤A900：基于所述优化模具生产参数进行模具生产，并采用所述生产监测约束进行模具生产监测。
进一步而言，本申请步骤A900还包括：
步骤A910：根据所述多组工序优化节点进行所述N个工序瑕疵特征和所述M个工序尺寸特征的特征重组，获得多组工序监测特征；
步骤A920：采用所述优化模具生产参数进行模具生产，获得K个工序监测信息；
步骤A930：采用所述多组工序监测特征进行所述K个工序监测信息的缺陷识别，完成所述模具生产监测。
在本申请中，通过以上述所获优化模具生产参数作为生产基础参数对模具进行生产，同时采用生产监测约束对模具根据优化模具生产参数进行生产的过程进行数据监测，是指首先根据多组工序优化节点对N个工序瑕疵特征和M个工序尺寸特征进行特征重组，将N个工序瑕疵特征内所产生的表观瑕疵根据多组工序优化节点中的瑕疵优化工序步骤，将M个工序尺寸特征内所产生的尺寸偏差根据多组工序优化节点中的尺寸优化工序步骤，分别进行表观工艺、尺寸工艺的调整，并在此基础上更新监测瑕疵特征和尺寸特征，从而获得多组工序监测特征，进一步的，采用优化模具生产参数进行模具生产，同时通过生产监测传感获得与实时模具生产过程中所对应的K个工序监测信息，最终采用多组工序监测特征进行K个工序监测信息的缺陷识别，是指根据多组工序监测特征中的瑕疵特征以及尺寸特征依次对K个工序中所监测的信息进行瑕疵特征和/或尺寸特征的识别，根据所识别出的特征确定K个工序中的生产信息，在此基础上完成模具生产监测，以保证在对模具进行生产监测时的高效性。
综上所述，本申请实施例提供的模具的生产监测方法，至少包括如下技术效果，实现了对加工过程的各工序控制，达到要求的加工精度。
实施例二
基于与前述实施例中模具的生产监测方法相同的发明构思，如图4所示，本申请提供了模具的生产监测系统，系统包括：
交互模块1，所述交互模块1用于交互获得标准模具设计信息和标准模具生产参数；
第一模型构建模块2，所述第一模型构建模块2用于构建标准模具数字模型，其中，所述标准模具数字模型基于所述标准模具设计信息进行数字模型构建获得；
接触拟合模块3，所述接触拟合模块3用于基于所述标准模具数字模型进行成型件生产接触拟合，获得多级生产关联面；
扫描模块4，所述扫描模块4用于获得实时模具参数集，其中，所述实时模具参数集包括实时模具扫描参数集和实时模具图像集，所述实时模具扫描参数集通过采用3D扫描仪对实时模具进行扫描获得，所述实时模具图像集通过采用CCD相机进行所述实时模具的表观图像采集获得；
第一模型构建模块5，所述第一模型构建模块5用于构建实时模具数字模型，其中，所述实时模具数字模型以所述实时模具扫描参数集为基准进行模型构建获得；
偏差分析模块6，所述偏差分析模块6用于基于所述标准模具数字模型和所述实时模具数字模型进行偏差分析，获得实时模具尺寸偏差集，基于所述多级生产关联面对所述实时模具尺寸偏差集进行分组处理，获得多级尺寸偏差集；
瑕疵识别模块7，所述瑕疵识别模块7用于获得实时模具表观瑕疵集，其中，所述实时模具表观瑕疵集中每个实时模具表观瑕疵具有瑕疵类型标识和瑕疵位置标识，所述实时模具表观瑕疵集通过将所述实时模具图像集同步至模具瑕疵识别子网络进行瑕疵识别获得，其中，所述模具瑕疵识别子网络包括对应于所述多级生产关联面的多个瑕疵识别通道；
参数寻优模块8，所述参数寻优模块8用于以所述实时模具表观瑕疵集和所述实时模具尺寸偏差集为生产监测约束，对所述标准模具生产参数进行参数寻优，获得优化模具生产参数；
模具生产模块9，所述模具生产模块9用于基于所述优化模具生产参数进行模具生产，并采用所述生产监测约束进行模具生产监测。
进一步而言，系统还包括：
第二模型构建模块，所述第二模型构建模块用于所述标准模具数字模型包括标准凸模数字模型和标准凹模数字模型；
第一交互模块，所述第一交互模块用于交互获得标准成型件设计信息，并基于所述标准成型件设计信息构建标准成型件模型；
生产接触拟合模块，所述生产接触拟合模块用于采用所述标准凸模数字模型和所述标准凹模数字模型对所述标准成型件模型进行生产接触拟合，获得所述多级生产关联面，其中，所述多级生产关联面包括一级接触关联面、二级对准关联面和三级可视关联面；
表面标识处理模块，所述表面标识处理模块用于采用所述多级生产关联面进行所述标准模具数字模型的表面标识处理。
进一步而言，系统还包括：
预处理模块，所述预处理模块用于对所述标准模具数字模型和所述实时模具数字模型进行坐标系统一化预处理；
对齐特征点标记模块，所述对齐特征点标记模块用于预设对齐特征点集合，并基于所述对齐特征点集合对预处理后的所述标准模具数字模型和所述实时模具数字模型进行对齐特征点标记，获得标准对齐特征点集合和实时对齐特征点集合；
对齐处理模块，所述对齐处理模块用于基于所述标准对齐特征点集合和所述实时对齐特征点集合进行预处理后的所述标准模具数字模型和所述实时模具数字模型的对齐处理，获得模具重叠数字模型；
偏差比对模块，所述偏差比对模块用于以所述标准模具数字模型为基准进行所述实时模具数字模型的偏差比对，获得所述实时模具尺寸偏差集，其中，所述实时模具尺寸偏差集中每个实时模具尺寸偏差都具有尺寸偏差位置标识；
层级划分模块，所述层级划分模块用于基于所述多级生产关联面对所述尺寸偏差位置标识进行层级划分，映射完成所述实时模具尺寸偏差集的分组处理，获得所述多级尺寸偏差集。
进一步而言，系统还包括：
设计模块，所述设计模块用于基于所述标准模具设计信息获得同型号模具的历史检测图像信息；
图像分割模块，所述图像分割模块用于根据所述多级生产关联面进行所述历史检测图像信息的图像分割，获得多级样本检测图像信息；
瑕疵标识模块，所述瑕疵标识模块用于对所述多级样本检测图像信息进行瑕疵识别和瑕疵类型标识，获得多级样本瑕疵标识图像信息；
第一映射模块，所述第一映射模块用于基于卷积神经网络构建所述多个瑕疵识别通道，其中，所述多个瑕疵识别通道与所述多级生产关联面一一映射，所述多个瑕疵识别通道中，每个瑕疵识别通道都包括解码器单元和编码器单元；
划分模块，所述划分模块用于预设训练数据划分规则，并基于所述训练数据划分规则将所述多级样本瑕疵标识图像信息和所述多级样本检测图像信息标识划分为多级训练集、多级测试集和多级验证集；
训练模块，所述训练模块用于基于所述多级训练集和多级测试集对应进行所述多个瑕疵识别通道的解码器单元和编码器单元的训练和测试；
验证模块，所述验证模块用于基于所述多级验证集进行所述多个瑕疵识别通道的解码器单元和编码器单元的验证，获得符合预设条件的所述多个瑕疵识别通道；
子网络构建模块，所述子网络构建模块用于对所述多个瑕疵识别通道配置输入层和输出层，完成所述模具瑕疵识别子网络的构建。
进一步而言，系统还包括：
关联面划分模块，所述关联面划分模块用于基于所述多级生产关联面投影映射所述实时模具，进行所述实时模具的关联面划分，获得关联面投影模具；
图像采集模块，所述图像采集模块用于采用CCD相机进行所述关联面投影模具的多维度表观图像采集获得所述实时模具图像集；
图像划分模块，所述图像划分模块用于根据所述多级生产关联面进行所述实时模具图像集的图像划分，获得多级模具图像集；
识别标识模块，所述识别标识模块用于将所述多级模具图像集对应同步至所述模具瑕疵识别子网络的所述多个瑕疵识别通道，同时进行瑕疵类型识别标识，获得多级模具表观瑕疵集；
第二映射模块，所述第二映射模块用于所述多级模具表观瑕疵集构成所述实时模具表观瑕疵集。
进一步而言，系统还包括：
生产参数模块，所述生产参数模块用于所述标准模具生产参数获得K个工序标准生产参数，其中，所述K个工序标准生产参数映射于K个模具生产工序节点，K为正整数；
第一工序节点模块，所述第一工序节点模块用于基于所述实时模具表观瑕疵反推定位工序节点，获得N个模具生产工序节点和N个工序瑕疵特征，其中，N为小于K的正整数；
第二工序节点模块，所述第二工序节点模块用于基于所述实时模具尺寸偏差反推定位工序节点，获得H个模具生产工序节点和M个工序尺寸特征，其中，H为小于K的正整数；
节点聚合处理模块，所述节点聚合处理模块用于对所述N个模具生产工序节点和所述H个模具生产工序节点进行工序节点聚合处理，获得多组工序优化节点，其中，所述多组工序优化节点包括N-M个瑕疵优化节点、H-M个尺寸优化节点和M个双重优化节点；
生产监测约束模块，所述生产监测约束模块用于以所述实时模具表观瑕疵集和所述实时模具尺寸偏差集为生产监测约束，对所述多组工序优化节点进行参数寻优，获得多组优化生产参数；
替换模块，所述替换模块用于基于所述多组优化生产参数进行所述标准模具生产参数的对应替换，获得所述优化模具生产参数。
进一步而言，系统还包括：
特征重组模块，所述特征重组模块用于根据所述多组工序优化节点进行所述N个工序瑕疵特征和所述M个工序尺寸特征的特征重组，获得多组工序监测特征；
模具生产模块，所述模具生产模块用于采用所述优化模具生产参数进行模具生产，获得K个工序监测信息；
缺陷识别模块，所述缺陷识别模块用于采用所述多组工序监测特征进行所述K个工序监测信息的缺陷识别，完成所述模具生产监测。
本说明书通过前述对模具的生产监测方法的详细描述，本领域技术人员可以清楚的知道本实施例中模具的生产监测系统，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，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 (6)
1.模具的生产监测方法，其特征在于，所述方法包括：
交互获得标准模具设计信息和标准模具生产参数；
构建标准模具数字模型，其中，所述标准模具数字模型基于所述标准模具设计信息进行数字模型构建获得；
基于所述标准模具数字模型进行成型件生产接触拟合，获得多级生产关联面；
获得实时模具参数集，其中，所述实时模具参数集包括实时模具扫描参数集和实时模具图像集，所述实时模具扫描参数集通过采用3D扫描仪对实时模具进行扫描获得，所述实时模具图像集通过采用CCD相机进行所述实时模具的表观图像采集获得；
构建实时模具数字模型，其中，所述实时模具数字模型以所述实时模具扫描参数集为基准进行模型构建获得；
基于所述标准模具数字模型和所述实时模具数字模型进行偏差分析，获得实时模具尺寸偏差集，基于所述多级生产关联面对所述实时模具尺寸偏差集进行分组处理，获得多级尺寸偏差集；
获得实时模具表观瑕疵集，其中，所述实时模具表观瑕疵集中每个实时模具表观瑕疵具有瑕疵类型标识和瑕疵位置标识，所述实时模具表观瑕疵集通过将所述实时模具图像集同步至模具瑕疵识别子网络进行瑕疵识别获得，其中，所述模具瑕疵识别子网络包括对应于所述多级生产关联面的多个瑕疵识别通道；
以所述实时模具表观瑕疵集和所述实时模具尺寸偏差集为生产监测约束，对所述标准模具生产参数进行参数寻优，获得优化模具生产参数；
基于所述优化模具生产参数进行模具生产，并采用所述生产监测约束进行模具生产监测；
所述标准模具数字模型包括标准凸模数字模型和标准凹模数字模型；
交互获得标准成型件设计信息，并基于所述标准成型件设计信息构建标准成型件模型；
采用所述标准凸模数字模型和所述标准凹模数字模型对所述标准成型件模型进行生产接触拟合，获得所述多级生产关联面，其中，所述多级生产关联面包括一级接触关联面、二级对准关联面和三级可视关联面；
采用所述多级生产关联面进行所述标准模具数字模型的表面标识处理对所述标准模具数字模型和所述实时模具数字模型进行坐标系统一化预处理；
预设对齐特征点集合，并基于所述对齐特征点集合对预处理后的所述标准模具数字模型和所述实时模具数字模型进行对齐特征点标记，获得标准对齐特征点集合和实时对齐特征点集合；
基于所述标准对齐特征点集合和所述实时对齐特征点集合进行预处理后的所述标准模具数字模型和所述实时模具数字模型的对齐处理，获得模具重叠数字模型；
以所述标准模具数字模型为基准进行所述实时模具数字模型的偏差比对，获得所述实时模具尺寸偏差集，其中，所述实时模具尺寸偏差集中每个实时模具尺寸偏差都具有尺寸偏差位置标识；
基于所述多级生产关联面对所述尺寸偏差位置标识进行层级划分，映射完成所述实时模具尺寸偏差集的分组处理，获得所述多级尺寸偏差集。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
基于所述标准模具设计信息获得同型号模具的历史检测图像信息；
根据所述多级生产关联面进行所述历史检测图像信息的图像分割，获得多级样本检测图像信息；
对所述多级样本检测图像信息进行瑕疵识别和瑕疵类型标识，获得多级样本瑕疵标识图像信息；
基于卷积神经网络构建所述多个瑕疵识别通道，其中，所述多个瑕疵识别通道与所述多级生产关联面一一映射，所述多个瑕疵识别通道中，每个瑕疵识别通道都包括解码器单元和编码器单元；
预设训练数据划分规则，并基于所述训练数据划分规则将所述多级样本瑕疵标识图像信息和所述多级样本检测图像信息标识划分为多级训练集、多级测试集和多级验证集；
基于所述多级训练集和多级测试集对应进行所述多个瑕疵识别通道的解码器单元和编码器单元的训练和测试；
基于所述多级验证集进行所述多个瑕疵识别通道的解码器单元和编码器单元的验证，获得符合预设条件的所述多个瑕疵识别通道；
对所述多个瑕疵识别通道配置输入层和输出层，完成所述模具瑕疵识别子网络的构建。
3.如权利要求2所述的方法，其特征在于，获得实时模具表观瑕疵集，其中，所述实时模具表观瑕疵集中每个实时模具表观瑕疵具有瑕疵类型标识和瑕疵位置标识，所述实时模具表观瑕疵集通过将所述实时模具图像集同步至模具瑕疵识别子网络进行瑕疵识别获得，其中，所述模具瑕疵识别子网络包括对应于所述多级生产关联面的多个瑕疵识别通道，所述方法还包括：
基于所述多级生产关联面投影映射所述实时模具，进行所述实时模具的关联面划分，获得关联面投影模具；
采用CCD相机进行所述关联面投影模具的多维度表观图像采集获得所述实时模具图像集；
根据所述多级生产关联面进行所述实时模具图像集的图像划分，获得多级模具图像集；
将所述多级模具图像集对应同步至所述模具瑕疵识别子网络的所述多个瑕疵识别通道，同时进行瑕疵类型识别标识，获得多级模具表观瑕疵集；
所述多级模具表观瑕疵集构成所述实时模具表观瑕疵集。
4.如权利要求1所述的方法，其特征在于，以所述实时模具表观瑕疵集和所述实时模具尺寸偏差集为生产监测约束，对所述标准模具生产参数进行参数寻优，获得优化模具生产参数，所述方法还包括：
所述标准模具生产参数获得K个工序标准生产参数，其中，所述K个工序标准生产参数映射于K个模具生产工序节点，K为正整数；
基于所述实时模具表观瑕疵反推定位工序节点，获得N个模具生产工序节点和N个工序瑕疵特征，其中，N为小于K的正整数；
基于所述实时模具尺寸偏差反推定位工序节点，获得H个模具生产工序节点和M个工序尺寸特征，其中，H为小于K的正整数；
对所述N个模具生产工序节点和所述H个模具生产工序节点进行工序节点聚合处理，获得多组工序优化节点，其中，所述多组工序优化节点包括N-M个瑕疵优化节点、H-M个尺寸优化节点和M个双重优化节点；
以所述实时模具表观瑕疵集和所述实时模具尺寸偏差集为生产监测约束，对所述多组工序优化节点进行参数寻优，获得多组优化生产参数；
基于所述多组优化生产参数进行所述标准模具生产参数的对应替换，获得所述优化模具生产参数。
5.如权利要求4所述的方法，其特征在于，基于所述优化模具生产参数进行模具生产，并采用所述生产监测约束进行模具生产监测，所述方法还包括：
根据所述多组工序优化节点进行所述N个工序瑕疵特征和所述M个工序尺寸特征的特征重组，获得多组工序监测特征；
采用所述优化模具生产参数进行模具生产，获得K个工序监测信息；
采用所述多组工序监测特征进行所述K个工序监测信息的缺陷识别，完成所述模具生产监测。
6.模具的生产监测系统，其特征在于，所述系统包括：
交互模块，所述交互模块用于交互获得标准模具设计信息和标准模具生产参数；
第一模型构建模块，所述第一模型构建模块用于构建标准模具数字模型，其中，所述标准模具数字模型基于所述标准模具设计信息进行数字模型构建获得；
接触拟合模块，所述接触拟合模块用于基于所述标准模具数字模型进行成型件生产接触拟合，获得多级生产关联面；
扫描模块，所述扫描模块用于获得实时模具参数集，其中，所述实时模具参数集包括实时模具扫描参数集和实时模具图像集，所述实时模具扫描参数集通过采用3D扫描仪对实时模具进行扫描获得，所述实时模具图像集通过采用CCD相机进行所述实时模具的表观图像采集获得；
第一模型构建模块，所述第一模型构建模块用于构建实时模具数字模型，其中，所述实时模具数字模型以所述实时模具扫描参数集为基准进行模型构建获得；
偏差分析模块，所述偏差分析模块用于基于所述标准模具数字模型和所述实时模具数字模型进行偏差分析，获得实时模具尺寸偏差集，基于所述多级生产关联面对所述实时模具尺寸偏差集进行分组处理，获得多级尺寸偏差集；
瑕疵识别模块，所述瑕疵识别模块用于获得实时模具表观瑕疵集，其中，所述实时模具表观瑕疵集中每个实时模具表观瑕疵具有瑕疵类型标识和瑕疵位置标识，所述实时模具表观瑕疵集通过将所述实时模具图像集同步至模具瑕疵识别子网络进行瑕疵识别获得，其中，所述模具瑕疵识别子网络包括对应于所述多级生产关联面的多个瑕疵识别通道；
参数寻优模块，所述参数寻优模块用于以所述实时模具表观瑕疵集和所述实时模具尺寸偏差集为生产监测约束，对所述标准模具生产参数进行参数寻优，获得优化模具生产参数；
模具生产模块，所述模具生产模块用于基于所述优化模具生产参数进行模具生产，并采用所述生产监测约束进行模具生产监测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311318665.2A CN117291751A (zh) | 2023-10-12 | 2023-10-12 | 模具的生产监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311318665.2A CN117291751A (zh) | 2023-10-12 | 2023-10-12 | 模具的生产监测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117291751A true CN117291751A (zh) | 2023-12-26 |
Family
ID=89256959
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311318665.2A Withdrawn CN117291751A (zh) | 2023-10-12 | 2023-10-12 | 模具的生产监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117291751A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118411084A (zh) * | 2024-07-02 | 2024-07-30 | 南通佳腾精密模具有限公司 | 多场景联检的模具质量检测方法及装置 |
-
2023
- 2023-10-12 CN CN202311318665.2A patent/CN117291751A/zh not_active Withdrawn
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118411084A (zh) * | 2024-07-02 | 2024-07-30 | 南通佳腾精密模具有限公司 | 多场景联检的模具质量检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111815601A (zh) | 一种基于深度卷积自编码器的纹理图像表面缺陷检测方法 | |
| Zhao et al. | A novel parallel classification network for classifying three-dimensional surface with point cloud data | |
| TW200951752A (en) | A method for prognostic maintenance in semiconductor manufacturing | |
| CN108241925A (zh) | 一种基于离群点检测的离散制造机械产品质量溯源方法 | |
| CN112070712B (zh) | 基于自编码器网络的印刷缺陷检测方法 | |
| CN108445838A (zh) | 一种数控机床加工质量分析方法、分类器及设备 | |
| Tang et al. | An in-process inspection method integrating deep learning and classical algorithm for automated fiber placement | |
| CN117922017B (zh) | 一种多通道3d打印方法及3d打印系统 | |
| CN117409005B (zh) | 基于图像的收板机用不良品检测系统及方法 | |
| CN117435992A (zh) | 一种用于盾构机液压推进系统的故障预测方法及系统 | |
| CN116107280A (zh) | 一种用于多维可视化管理的数字孪生工厂控制系统 | |
| CN114048682B (zh) | 一种基于优选小波基与多维深度特征融合的滚动轴承声发射智能诊断方法 | |
| CN116843615B (zh) | 一种基于柔性光路的引线框架智能全检方法 | |
| CN114800041A (zh) | 一种刀具状态监测方法及其监测装置 | |
| CN117291751A (zh) | 模具的生产监测方法及系统 | |
| CN116776647B (zh) | 一种复合镍铜铝散热底板的性能预测方法及系统 | |
| CN117689902A (zh) | 一种球笼的锻造加工工艺 | |
| CN117140847A (zh) | 一种精密模具用的封装方法及系统 | |
| Wei | Power grid facility thermal fault diagnosis via object detection with synthetic infrared imagery | |
| CN108445855B (zh) | 基于K-means的注塑机配方参数优化方法 | |
| CN105867300A (zh) | 一种对具有复杂轮廓的大型成型焊接件逆向再加工方法 | |
| Wang et al. | Broad learning system based visual fault diagnosis for electrical equipment thermography images | |
| CN113781432A (zh) | 基于深度学习的激光扫描自动铺放在线检测方法及装置 | |
| Zheng et al. | Study on the 3D-printed surface defect detection based on multi-row cyclic scanning method | |
| Zhang et al. | Three-Dimensional Segmentation and Global Clearance Analysis for Free-Bent Pipelines in Point-Cloud Scenarios |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231226 |
|
| WW01 | Invention patent application withdrawn after publication |