CN117455316A - 一种注塑工厂设备数据采集的方法 - Google Patents

一种注塑工厂设备数据采集的方法 Download PDF

Info

Publication number
CN117455316A
CN117455316A CN202311755106.8A CN202311755106A CN117455316A CN 117455316 A CN117455316 A CN 117455316A CN 202311755106 A CN202311755106 A CN 202311755106A CN 117455316 A CN117455316 A CN 117455316A
Authority
CN
China
Prior art keywords
injection molding
product
injection
information
quality
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.)
Granted
Application number
CN202311755106.8A
Other languages
English (en)
Other versions
CN117455316B (zh
Inventor
唐玉龙
李文豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongshan Dongrun Intelligent Equipment Co ltd
Original Assignee
Zhongshan Dongrun Intelligent Equipment Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhongshan Dongrun Intelligent Equipment Co ltd filed Critical Zhongshan Dongrun Intelligent Equipment Co ltd
Priority to CN202311755106.8A priority Critical patent/CN117455316B/zh
Publication of CN117455316A publication Critical patent/CN117455316A/zh
Application granted granted Critical
Publication of CN117455316B publication Critical patent/CN117455316B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality 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
    • G06N3/045—Combinations of networks
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Databases & Information Systems (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Tourism & Hospitality (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)

Abstract

本发明公开了一种注塑工厂设备数据采集的方法，涉及注塑数据处理技术领域，包括以下步骤：收集注塑过程数据信息，所述注塑过程数据信息包括注塑原料信息，注塑设备工作数据，注塑模具信息；收集注塑过程数据信息对应的注塑产品质量信息，建立数据库；设置注塑产品的质量标准信息；该注塑工厂设备数据采集的方法，通过图像识别算法对比标准注塑产品和实际注塑产品，可快速确定实际产品的问题部位；并通过从第一神经网络模型和第二神经网络模型的训练数据中，挖掘注塑产品出现的问题与影响因素之间的关系，可通过注塑产品出现的问题推测出注塑过程中导致问题出现的影响因素，方便维护人员快速锁定问题进行维护。

Description

一种注塑工厂设备数据采集的方法
技术领域
本发明涉及注塑数据处理技术领域，具体涉及一种注塑工厂设备数据采集的方法。
背景技术
注塑机是塑料制品生产常用的设备，随着塑料制品的更新换代发展，需要注塑机生产效率提升，而传统的注塑技术过分依赖于人员经验，导致注塑生产效率较低，成本较高。
公开号为CN113176764A的发明专利，公开了一种基于注塑机数据采集与上云的方法，包括以下步骤：步骤一：基于同一局域网，注塑机通过超五类网线连接交换机，PROBOX-I通过超五类网线连接交换机，在交换机正常工作状态下，使用PROBOX-I采集注塑机的工艺参数；步骤二：基于TCP/IP协议，将PROBOX-I从注塑机采集的工艺参数通过交换机传输至工控机的设备数据接收和处理软件中处理，经过工控机的设备数据接收和处理软件处理之后，将处理好的工艺参数通过云端API接口传输至工控机部署的PROIMM系统后端服务；步骤三：PROIMM前端系统的三个子系统分别调用PROIMM系统后端服务获取处理好的工艺参数，对处理好的工艺参数进行统计与分析，并对处理好的工艺参数进行显示；便于注塑机采集数据以及提升注塑机的数据管理水平。
然而上述现有技术还存在无法根据注塑产品的质量外观，来快速锁定注塑过程中出现的问题，仅依靠对注塑设备的工作数据来判断注塑设备是否异常存在一定的局限性，如注塑设备自身出现异常，导致其实际工作的效果达不到工作数据显示的效果，或监测装置本身出现异常导致监测数据不准，从而导致注塑设备监测或控制出现误差，影响到注塑产品的质量。
发明内容
本发明的目的是提供一种注塑工厂设备数据采集的方法，以解决现有技术中的上述不足之处。
为了实现上述目的，本发明提供如下技术方案：一种注塑工厂设备数据采集的方法，包括以下步骤：
S1、收集注塑过程数据信息，所述注塑过程数据信息包括注塑原料信息，注塑设备工作数据，注塑模具信息；
S2、收集注塑过程数据信息对应的注塑产品质量信息，建立数据库；
S3、设置注塑产品的质量标准信息；
S4、对比注塑产品质量信息与对应的质量标准信息，得到不符合质量标准信息的注塑产品质量信息及其对应的注塑产品和注塑过程数据信息，将得到的注塑过程数据信息提取出来标记为问题注塑过程数据信息；
S5、对比问题注塑过程数据信息与注塑过程数据信息，得到差异数据；
S6、综合所述差异数据，得到影响因素，所述影响因素为对所述注塑产品质量信息有影响的数据过程数据信息；
S7、基于所述影响因素及其对应的注塑产品质量信息，和质量标签，训练第一神经网络模型，并将训练数据储存到数据库中；使得向第一神经网络模型输入影响因素，第一神经网络模型经过计算后输出预测的注塑产品质量信息及其关联的质量标签；
S8、判断质量不合格的注塑产品存在的问题，并结合第一神经网络模型，分析得到影响因素与注塑产品存在的问题之间的关系。
进一步的，所述注塑原料信息包括注塑原料的名称及其熔融温度、成型温度、模温推荐值；
所述注塑设备工作数据包括注塑设备的工作电压、工作电流、工作功率、模具温度、螺杆的注射终点、螺杆转速、背压压力值、注射压力值、初始保压压力值、保压时间、冷却时间、开模时间、起始位置和速度；
所述注塑模具信息包括开模行程、脱模行程。
进一步的，所述方法还包括用注塑产品与标准产品的相似度来判断注塑产品的质量。
进一步的，用相似度判断注塑产品质量信息的具体步骤包括：
A1、对标准产品进行部位的划分并分别进行标记，对注塑产品的对应部位进行同样的标记，即使得标准产品和注塑产品的相同部位的标记相同；
A2、对标准产品的全方位进行拍摄，得到标准产品图像；
A3、对注塑产品进行全方位拍摄，得到注塑产品图像；
A4、分析注塑产品图像与标准产品图像的各部位的相似度，通过对比相似度与设置的判断阈值，判断注塑产品的各部位的质量。同时可通过查看导致注塑产品次品或不合格的部位的位置来辅助判断注塑过程中可能存在问题的步骤。
进一步的，所述判断注塑产品的各部位的质量的具体步骤包括：
通过的图像识别算法分析注塑产品图像与标准产品图像各部位的相似度；设置优品阈值、次品阈值和不合格阈值，若注塑产品的各部位相似度均大于等于优品阈值，则注塑产品为优品；若注塑产品的各部位相似度均大于等于次品阈值，且存在相似度小于优品阈值的部位，则注塑产品为次品；若注塑产品存在相似度小于不合格阈值的部位，则注塑产品不合格。
进一步的，判断质量不合格的注塑产品存在的问题，具体步骤包括：
B1、收集质量不达标的注塑产品，及该注塑产品的问题图像，所述问题图像为该注塑产品图像中导致该注塑产品质量不达标的部位对应部分；
B2、人工判断注塑产品出现的问题；
B3、设置问题标签与所述问题关联，并将问题标签与该质量不达标的注塑产品的问题图像关联；
B4、基于问题图像和问题标签，训练第二神经网络模型，使得向第二神经网络模型输入问题图像，经过第二神经网络模型分析处理后，得到输出值、预测的问题标签及与该问题标签关联的问题。
进一步的，S7步骤中所述注塑产品质量信息为所述注塑产品的注塑产品图像输入所述第二神经网络模型得到的输出值。
进一步的，基于关联规则挖掘算法，从第一神经网络模型和第二神经网络模型的训练数据中，挖掘注塑产品出现的问题与影响因素之间的关系。
与现有技术相比，本发明提供的一种注塑工厂设备数据采集的方法，通过收集注塑产品的注塑生产过程的数据，确定对注塑产品质量的影响因素，并训练第一神经网络模型，实现了通过输入影响因素可对产品质量进行预测，方便用户调试注塑设备，确定注塑设备参数，保证注塑产品质量。
与现有技术相比，本发明提供的一种注塑工厂设备数据采集的方法，通过图像识别算法对比标准注塑产品和实际注塑产品，可快速确定实际产品的问题部位，并对问题部位使用训练的第二神经网络模型进行分析，缩小需要处理数据，快速确定注塑产品的问题。
与现有技术相比，本发明提供的一种注塑工厂设备数据采集的方法，通过从第一神经网络模型和第二神经网络模型的训练数据中，挖掘注塑产品出现的问题与影响因素之间的关系，可通过注塑产品出现的问题推测出注塑过程中导致问题出现的影响因素，方便维护人员快速锁定问题进行维护。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的方法步骤图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面将结合附图对本发明作进一步的详细介绍。
在本发明的描述中，需要理解的是，术语"中心"、"纵向"、"横向"、"长度"、"宽度"、"厚度"、"上"、"下"、"前"、"后"、"左"、"右"、"竖直"、"水平"、"顶"、"底"、"内"、"外"、"顺时针"、"逆时针"等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语"第一"、"第二"仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有"第一"、"第二"的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，"多个"的含义是两个或两个以上，除非另有明确具体的限定。此外，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在下文中将参考附图更充分地描述示例实施例，但是所述示例实施例可以以不同形式来体现且不应当被解释为限于本文阐述的实施例。反之，提供这些实施例的目的在于使本公开透彻和完整，并将使本领域技术人员充分理解本公开的范围。
在不冲突的情况下，本公开各实施例及实施例中的各特征可相互组合。
如本文所使用的，术语“和/或”包括一个或多个相关列举条目的任何和所有组合。
本文所使用的术语仅用于描述特定实施例，且不意欲限制本公开。如本文所使用的，单数形式“一个”和“该”也意欲包括复数形式，除非上下文另外清楚指出。还将理解的是，当本说明书中使用术语“包括”和/或“由……制成”时，指定存在所述特征、整体、步骤、操作、元件和/或组件，但不排除存在或添加一个或多个其它特征、整体、步骤、操作、元件、组件和/或其群组。
本文所述实施例可借助本公开的理想示意图而参考平面图和/或截面图进行描述。因此，可根据制造技术和/或容限来修改示例图示。因此，实施例不限于附图中所示的实施例，而是包括基于制造工艺而形成的配置的修改。因此，附图中例示的区具有示意性属性，并且图中所示区的形状例示了元件的区的具体形状，但并不旨在是限制性的。
除非另外限定，否则本文所用的所有术语(包括技术和科学术语)的含义与本领域普通技术人员通常理解的含义相同。还将理解，诸如那些在常用字典中限定的那些术语应当被解释为具有与其在相关技术以及本公开的背景下的含义一致的含义，且将不解释为具有理想化或过度形式上的含义，除非本文明确如此限定。
请参阅图1，一种注塑工厂设备数据采集的方法，包括以下步骤：
S1、收集注塑过程数据信息，注塑过程数据信息包括注塑原料信息，注塑设备工作数据，注塑模具信息；其中注塑原料信息包括注塑原料的名称及其熔融温度、成型温度、模温推荐值；
注塑设备工作数据包括注塑设备的工作电压、工作电流、工作功率、模具温度、螺杆的注射终点、螺杆转速、背压压力值、注射压力值、初始保压压力值、保压时间、冷却时间、开模时间、起始位置和速度；
注塑模具信息包括开模行程、脱模行程。
S2、收集注塑过程数据信息对应的注塑产品质量信息，建立数据库；
S3、设置注塑产品的质量标准信息；
S4、对比注塑产品质量信息与对应的质量标准信息，得到不符合质量标准信息的注塑产品质量信息及其对应的注塑产品和注塑过程数据信息，将得到的注塑过程数据信息提取出来标记为问题注塑过程数据信息；
S5、对比问题注塑过程数据信息与注塑过程数据信息，得到差异数据；
S6、综合差异数据，得到影响因素，影响因素为对注塑产品质量信息有影响的数据过程数据信息；
S7、基于影响因素及其对应的注塑产品质量信息，和质量标签，训练第一神经网络模型，并将训练数据储存到数据库中；使得向第一神经网络模型输入影响因素，第一神经网络模型经过计算后输出预测的注塑产品质量信息及其关联的质量标签；此处注塑产品质量信息为注塑产品的注塑产品图像输入第二神经网络模型得到的输出值。
S8、判断质量不合格的注塑产品存在的问题，并结合第一神经网络模型，分析得到影响因素与注塑产品存在的问题之间的关系。
方法还包括用注塑产品与标准产品的相似度来判断注塑产品的质量，具体步骤包括：
A1、对标准产品进行部位的划分并分别进行标记，对注塑产品的对应部位进行同样的标记，即使得标准产品和注塑产品的相同部位的标记相同；
A2、对标准产品的全方位进行拍摄，得到标准产品图像；
A3、对注塑产品进行全方位拍摄，得到注塑产品图像；
A4、分析注塑产品图像与标准产品图像的各部位的相似度，通过对比相似度与设置的判断阈值，判断注塑产品的各部位的质量。可通过查看导致注塑产品次品或不合格的部位的位置来辅助判断注塑过程中可能存在问题的步骤。
判断注塑产品的各部位的质量的具体步骤包括：
通过的图像识别算法分析注塑产品图像与标准产品图像各部位的相似度；设置优品阈值、次品阈值和不合格阈值，若注塑产品的各部位相似度均大于等于优品阈值，则注塑产品为优品；若注塑产品的各部位相似度均大于等于次品阈值，且存在相似度小于优品阈值的部位，则注塑产品为次品；若注塑产品存在相似度小于不合格阈值的部位，则注塑产品不合格。
S8中判断质量不合格的注塑产品存在的问题，具体步骤包括：
B1、收集质量不达标的注塑产品，及该注塑产品的问题图像，问题图像为该注塑产品图像中导致该注塑产品质量不达标的部位对应部分；
B2、人工判断注塑产品出现的问题；
B3、设置问题标签与问题关联，并将问题标签与该质量不达标的注塑产品的问题图像关联；
B4、基于问题图像和问题标签，训练第二神经网络模型，使得向第二神经网络模型输入问题图像，经过第二神经网络模型分析处理后，得到输出值、预测的问题标签及与该问题标签关联的问题，在训练第二神经网络模型的过程中，将问题图像和问题标签组成的样本集均分为训练集和验证集，首先对输入的训练集的问题图像进行图像处理，将处理后的问题图像的数据输入第二神经网络模型，得到一个输出值，将输出值与该问题图像关联的问题标签关联，直至将训练集的数据处理完毕，以确定各问题标签关联的输出值的取值区间；然后对验证集的问题图像进行图像处理，将处理后的问题图像的数据输入训练后的第二神经网络模型，得到输出值并查看该输出值所在的取值区间对应的问题标签，输出该问题标签，并验证输出的问题标签与输入的问题图像关联的问题标签是否相同，若不相同则调整第二神经网络模型的参数直至输出的问题标签的准确率达到设置标准，确定此时第二神经网络模型的参数，得到第二神经网络模型。
可基于关联规则挖掘算法，从第一神经网络模型和第二神经网络模型的训练数据中，挖掘注塑产品出现的问题与影响因素之间的关系，使得可通过注塑产品出现的问题推测出注塑过程中导致问题出现的影响因素，方便维护人员快速锁定问题进行维护。
以上只通过说明的方式描述了本发明的某些示范性实施例，毋庸置疑，对于本领域的普通技术人员，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，不应理解为对本发明权利要求保护范围的限制。

Claims (8)

1.一种注塑工厂设备数据采集的方法，其特征在于：包括以下步骤：
S1、收集注塑过程数据信息，所述注塑过程数据信息包括注塑原料信息，注塑设备工作数据，注塑模具信息；
S2、收集注塑过程数据信息对应的注塑产品质量信息，建立数据库；
S3、设置注塑产品的质量标准信息；
S4、对比注塑产品质量信息与对应的质量标准信息，得到不符合质量标准信息的注塑产品质量信息及其对应的注塑产品和注塑过程数据信息，将得到的注塑过程数据信息提取出来标记为问题注塑过程数据信息；
S5、对比问题注塑过程数据信息与注塑过程数据信息，得到差异数据；
S6、综合所述差异数据，得到影响因素，所述影响因素为对所述注塑产品质量信息有影响的数据过程数据信息；
S7、基于所述影响因素及其对应的注塑产品质量信息，和质量标签，训练第一神经网络模型；
S8、判断质量不合格的注塑产品存在的问题，并结合第一神经网络模型，分析得到影响因素与注塑产品存在的问题之间的关系。
2.根据权利要求1所述的一种注塑工厂设备数据采集的方法，其特征在于：所述注塑原料信息包括注塑原料的名称及其熔融温度、成型温度、模温推荐值；
所述注塑设备工作数据包括注塑设备的工作电压、工作电流、工作功率、模具温度、螺杆的注射终点、螺杆转速、背压压力值、注射压力值、初始保压压力值、保压时间、冷却时间、开模时间、起始位置和速度；
所述注塑模具信息包括开模行程、脱模行程。
3.根据权利要求1所述的一种注塑工厂设备数据采集的方法，其特征在于：所述方法还包括用注塑产品与标准产品的相似度来判断注塑产品的质量。
4.根据权利要求3所述的一种注塑工厂设备数据采集的方法，其特征在于：用相似度判断注塑产品质量信息的具体步骤包括：
A1、对标准产品进行部位的划分并分别进行标记，对注塑产品的对应部位进行同样的标记；
A2、对标准产品的全方位进行拍摄，得到标准产品图像；
A3、对注塑产品进行全方位拍摄，得到注塑产品图像；
A4、分析注塑产品图像与标准产品图像的各部位的相似度，通过对比相似度与设置的判断阈值，判断注塑产品的各部位的质量。
5.根据权利要求4所述的一种注塑工厂设备数据采集的方法，其特征在于：所述判断注塑产品的各部位的质量的具体步骤包括：
通过的图像识别算法分析注塑产品图像与标准产品图像各部位的相似度；
设置优品阈值、次品阈值和不合格阈值，若注塑产品的各部位相似度均大于等于优品阈值，则注塑产品为优品；
若注塑产品的各部位相似度均大于等于次品阈值，且存在相似度小于优品阈值的部位，则注塑产品为次品；
若注塑产品存在相似度小于不合格阈值的部位，则注塑产品不合格。
6.根据权利要求4所述的一种注塑工厂设备数据采集的方法，其特征在于：判断质量不合格的注塑产品存在的问题，具体步骤包括：
B1、收集质量不达标的注塑产品，及该注塑产品的问题图像，所述问题图像为该注塑产品图像中导致该注塑产品质量不达标的部位对应部分；
B2、人工判断注塑产品出现的问题；
B3、设置问题标签与所述问题关联，并将问题标签与该质量不达标的注塑产品的问题图像关联；
B4、基于问题图像和问题标签，训练第二神经网络模型，使得向第二神经网络模型输入问题图像，经过第二神经网络模型分析处理后，得到输出值、预测的问题标签及与该问题标签关联的问题。
7.根据权利要求6所述的一种注塑工厂设备数据采集的方法，其特征在于：S7步骤中所述注塑产品质量信息为所述注塑产品的注塑产品图像输入所述第二神经网络模型得到的输出值。
8.根据权利要求7所述的一种注塑工厂设备数据采集的方法，其特征在于：基于关联规则挖掘算法，从第一神经网络模型和第二神经网络模型的训练数据中，挖掘注塑产品出现的问题与影响因素之间的关系。
CN202311755106.8A 2023-12-20 2023-12-20 一种注塑工厂设备数据采集的方法 Active CN117455316B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311755106.8A CN117455316B (zh) 2023-12-20 2023-12-20 一种注塑工厂设备数据采集的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311755106.8A CN117455316B (zh) 2023-12-20 2023-12-20 一种注塑工厂设备数据采集的方法

Publications (2)

Publication Number Publication Date
CN117455316A true CN117455316A (zh) 2024-01-26
CN117455316B CN117455316B (zh) 2024-04-19

Family

ID=89591232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311755106.8A Active CN117455316B (zh) 2023-12-20 2023-12-20 一种注塑工厂设备数据采集的方法

Country Status (1)

Country Link
CN (1) CN117455316B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117644625A (zh) * 2024-01-30 2024-03-05 陕西美伦包装有限公司 一种基于机器视觉的智能注塑方法
CN118071110A (zh) * 2024-04-17 2024-05-24 山东省信息技术产业发展研究院(中国赛宝(山东)实验室) 一种基于机器学习的设备参数自适应调整方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111231251A (zh) * 2020-01-09 2020-06-05 杭州电子科技大学 注塑机的产品检测方法、设备及系统
KR102264066B1 (ko) * 2021-03-17 2021-06-14 신봉근 인공지능과 이미지 분석에 의한 사출기 스마트 제어 시스템 및 그 운용방법
CN113119425A (zh) * 2021-03-22 2021-07-16 广东工业大学 一种基于改进支持向量机的注塑产品质量预测方法
CN113313681A (zh) * 2021-05-28 2021-08-27 中山市满鑫科技有限公司 一种注塑制品质量检测系统
CN115408842A (zh) * 2022-08-19 2022-11-29 广东工业大学 注塑成型仿真过程特性相似性分析方法
CN116151133A (zh) * 2023-04-20 2023-05-23 南京邮电大学 基于机器学习的模块封装注塑工艺参数预测方法
CN116468961A (zh) * 2023-06-20 2023-07-21 中山市东润智能装备有限公司 一种图像分类方法及注塑产品智能瑕疵检测系统
US20230347564A1 (en) * 2020-08-14 2023-11-02 Basf Se Computer-implemented method for controlling and/or monitoring at least one injection molding process

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111231251A (zh) * 2020-01-09 2020-06-05 杭州电子科技大学 注塑机的产品检测方法、设备及系统
US20230347564A1 (en) * 2020-08-14 2023-11-02 Basf Se Computer-implemented method for controlling and/or monitoring at least one injection molding process
KR102264066B1 (ko) * 2021-03-17 2021-06-14 신봉근 인공지능과 이미지 분석에 의한 사출기 스마트 제어 시스템 및 그 운용방법
CN113119425A (zh) * 2021-03-22 2021-07-16 广东工业大学 一种基于改进支持向量机的注塑产品质量预测方法
CN113313681A (zh) * 2021-05-28 2021-08-27 中山市满鑫科技有限公司 一种注塑制品质量检测系统
CN115408842A (zh) * 2022-08-19 2022-11-29 广东工业大学 注塑成型仿真过程特性相似性分析方法
CN116151133A (zh) * 2023-04-20 2023-05-23 南京邮电大学 基于机器学习的模块封装注塑工艺参数预测方法
CN116468961A (zh) * 2023-06-20 2023-07-21 中山市东润智能装备有限公司 一种图像分类方法及注塑产品智能瑕疵检测系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117644625A (zh) * 2024-01-30 2024-03-05 陕西美伦包装有限公司 一种基于机器视觉的智能注塑方法
CN117644625B (zh) * 2024-01-30 2024-04-05 陕西美伦包装有限公司 一种基于机器视觉的智能注塑方法
CN118071110A (zh) * 2024-04-17 2024-05-24 山东省信息技术产业发展研究院(中国赛宝(山东)实验室) 一种基于机器学习的设备参数自适应调整方法

Also Published As

Publication number Publication date
CN117455316B (zh) 2024-04-19

Similar Documents

Publication Publication Date Title
CN117455316B (zh) 一种注塑工厂设备数据采集的方法
CN108444708B (zh) 基于卷积神经网络的滚动轴承智能诊断模型的建立方法
CN109712162B (zh) 一种基于投影直方图差异的线缆字符缺陷检测方法和装置
EP4155974A1 (en) Knowledge graph construction method and apparatus, check method and storage medium
CN106952419A (zh) 一种考卷自动分发回收机
CN113744244B (zh) 测量锂电池极片边缘到极耳边缘距离的在线视觉检测系统
CN106182591A (zh) 注射成形系统
CN117576100B (zh) 一种fpc连接器表面缺陷分级检测评价方法
CN108527803A (zh) 适用于模具的物联监测系统及其方法
CN111811567A (zh) 一种基于曲线拐点比对的设备检测方法及相关装置
CN116050678A (zh) 一种基于云计算的压铸产品加工测试系统及方法
CN115328048A (zh) 注塑工艺监控方法、系统、设备及计算机可读存储介质
DE112021003916T5 (de) Spritzgussunterstützungssystem und -verfahren
CN103913150A (zh) 智能电能表电子元器件一致性检测方法
CN116026487B (zh) 液面温度测量方法、装置、计算机设备和存储介质
CN116739304A (zh) 一种基于产品历史数据的生产误差监控系统及方法
JPH0788030B2 (ja) 射出成形品の良否判別モニタリング方法
CN116520068A (zh) 一种电力数据的诊断方法、装置、设备及存储介质
CN113665079B (zh) 一种塑料注塑成型工艺控制方法及系统
CN105058731A (zh) 用于注射压机成型问题的管理系统
CN111400644B (zh) 一种用于实验室分析样品的计算处理方法
CN108827974A (zh) 一种瓷砖缺陷检测方法及系统
CN109753979B (zh) 基于图像特征的故障检测方法及装置
CN111124816A (zh) 一种基于hdp算法的服务器日志分析方法及系统
CN112677438B (zh) 基于注塑成型和调机数据特征分段构造与筛选方法及系统

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