CN117540258A - 一种注塑生产监测方法、装置及系统 - Google Patents
一种注塑生产监测方法、装置及系统 Download PDFInfo
- Publication number
- CN117540258A CN117540258A CN202410034185.1A CN202410034185A CN117540258A CN 117540258 A CN117540258 A CN 117540258A CN 202410034185 A CN202410034185 A CN 202410034185A CN 117540258 A CN117540258 A CN 117540258A
- Authority
- CN
- China
- Prior art keywords
- parameter
- curve
- injection molding
- similarity
- sequence
- 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
Links
- 238000001746 injection moulding Methods 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 44
- 238000012544 monitoring process Methods 0.000 title claims abstract description 43
- 230000007547 defect Effects 0.000 claims abstract description 135
- 238000012216 screening Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 35
- 238000012806 monitoring device Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 abstract description 5
- 230000001808 coupling effect Effects 0.000 abstract description 4
- 230000002950 deficient Effects 0.000 abstract description 4
- 238000010924 continuous production Methods 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 91
- 238000004590 computer program Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明涉及监测领域,特别是涉及一种注塑生产监测方法、装置及系统,其中,方法包括对于任意一种产品缺陷,先确定注塑机是否有异常波动的关联参数,如果没有,则逐一计算关联参数之间的相似度,以此将具有强关联的关联参数筛出,筛出的关联参数互相之间发生的耦合作用为导致产品缺陷的可能性最大的原因,并将生成提示信息,以使工作人员进行对应的参数调整;在本申请中,能在关联参数没有明显的异常波动的情况下,能够从各个关联参数中将具有强关联且具有最大可能性导致产品缺陷的关联参数筛选出来,便于工作人员对于产品缺陷进行准确归因,以及时准确的对确定出来的参数进行相应调整,进而及时控制住缺陷产品的持续产生。
Description
技术领域
本发明涉及监测领域,特别是涉及一种注塑生产监测方法、装置及系统。
背景技术
注塑生产的厂区布置有大量的注塑机,多台注塑机用于生产同一产品时,由于不同的设备的工况状态不同,会出现不同类型以及不同程度的缺陷;
注塑机在工作的过程中有一个参数的正常波动范围,还有一个阈值范围,通常情况,当参数在正常波动范围时,注塑机正常工作,产品不会产生缺陷,而如果参数超过阈值范围,则注塑机工作不正常,往往会导致产品缺陷;然而在正常范围和阈值范围之间还存在一个中间范围,当注塑机参数处于中间范围时,该参数独自作用往往不至于导致产品缺陷,但该参数与其它的具有强关联的参数相耦合作用则有可能导致产品缺陷;但现有技术只能通过监测各个参数是否超过阈值范围,以此来确定产生缺陷产品的原因,而忽略了两个具有强关联的参数耦合作用的情况,进而会导致对产品缺陷进行错误的归因,使工作人员难以进行准确的参数调整。
发明内容
基于此,有必要针对上述的问题,提供一种注塑生产监测方法、装置及系统。
本发明实施例是这样实现的,一种注塑生产监测方法,所述方法包括:
S1:构建缺陷类型与关联参数对照表,并从缺陷类型与关联参数对照表中获取各种缺陷类型以及每一种缺陷类型对应的关联参数序列,对于关联参数序列中的任意一种关联参数,该关联参数的排序越靠前,对对应的缺陷类型影响程度越高;
S2:取任意一种缺陷类型作为第一缺陷类型,取第一缺陷类型对应的关联参数序列为第一序列,进而从注塑车间中的注塑机中筛选出第一缺陷类型发生率超过设定发生率的注塑机作为第一注塑机;
S3:判断第一注塑机对应的第一序列中的各个关联参数是否均处于对应的预设阈值范围内,若至少一个关联参数处于对应的预设阈值范围外,则生成第一检修报警信息,以提示工作人员超出对应的预设阈值范围的关联参数需要调整;
S4:若第一序列中各个关联参数均处于对应的预设阈值范围内,取第一序列中的第i位关联参数作为第一参数;
S5:判断第一参数在过去的第一设定时间段中是否处于预设标准范围与预设阈值范围之间的范围,其中,预设标准范围处于预设阈值范围之中;
S6:若第一参数在第一设定时间段中处于预设标准范围与预设阈值范围之间的范围,则取第一注塑机对应的第一序列中的第i+1位关联参数作为第二参数,并获取第一参数在第一设定时间段中的第一参数曲线,以及第二参数在第一设定时间段中的第二参数曲线,进而确定第一参数曲线与第二参数曲线的第一相似度;
S7:当第一注塑机的产品再次出现第一缺陷时,计算在第二设定时间段中第一参数对应的第一参数曲线与第二参数对应的第二参数曲线之间的第二相似度,若第二相似度与第一相似度的差距小于设定值,生成第二检修报警信息,以提示工作人员第一参数与第二参数强关联,需要协同调整,其中,第二设定时间段为第一注塑机的产品再次出现第一缺陷之前的一个时间段;
S8:若第一参数在第一设定时间段中处于预设标准范围内,则令i=i+1,取第一序列中的第i位关联参数作为第一参数,执行步骤S5至步骤S8,直至i+1等于第一序列中参数的个数;
S9:若步骤S8之后,未确定出强关联的第一参数与第二参数,则整体调整第一序列中的关联参数后,继续监测,直至确定出强关联的第一参数与第二参数。
在其中一个实施例中,本发明提供了一种注塑生产监测装置,所述注塑生产监测装置中的模块用于执行所述的注塑生产监测方法中的步骤,具体包括:
第一处理模块,用于构建缺陷类型与关联参数对照表,并从缺陷类型与关联参数对照表中获取各种缺陷类型以及每一种缺陷类型对应的关联参数序列,对于关联参数序列中的任意一种关联参数,该关联参数的排序越靠前,对对应的缺陷类型影响程度越高;
第二处理模块,用于取任意一种缺陷类型作为第一缺陷类型,取第一缺陷类型对应的关联参数序列为第一序列,进而从注塑车间中的注塑机中筛选出第一缺陷类型发生率超过设定发生率的注塑机作为第一注塑机;
第一判断模块,用于判断第一注塑机对应的第一序列中的各个关联参数是否均处于对应的预设阈值范围内,若至少一个关联参数处于对应的预设阈值范围外,则生成第一检修报警信息,以提示工作人员超出对应的预设阈值范围的关联参数需要调整;
第三处理模块,用于若第一序列中各个关联参数均处于对应的预设阈值范围内,取第一序列中的第i位关联参数作为第一参数;
第二判断模块,用于判断第一参数在过去的第一设定时间段中是否处于预设标准范围与预设阈值范围之间的范围,其中,预设标准范围处于预设阈值范围之中;
第四处理模块,用于若第一参数在第一设定时间段中处于预设标准范围与预设阈值范围之间的范围,则取第一注塑机对应的第一序列中的第i+1位关联参数作为第二参数,并获取第一参数在第一设定时间段中的第一参数曲线,以及第二参数在第一设定时间段中的第二参数曲线,进而确定第一参数曲线与第二参数曲线的第一相似度;
第五处理模块,用于当第一注塑机的产品再次出现第一缺陷时,计算在第二设定时间段中第一参数对应的第一参数曲线与第二参数对应的第二参数曲线之间的第二相似度,若第二相似度与第一相似度的差距小于设定值,生成第二检修报警信息,以提示工作人员第一参数与第二参数强关联,需要协同调整,其中,第二设定时间段为第一注塑机的产品再次出现第一缺陷之前的一个时间段;
第六处理模块,用于若第一参数在第一设定时间段中处于预设标准范围内,则令i=i+1,取第一序列中的第i位关联参数作为第一参数,执行步骤S5至步骤S8,直至i+1等于第一序列中参数的个数;
第七处理模块,用于若步骤S8之后,未确定出强关联的第一参数与第二参数,则整体调整第一序列中的关联参数后,继续监测,直至确定出强关联的第一参数与第二参数。
在其中一个实施例中,本发明提供了一种注塑生产监测系统,所述系统包括:
若干个注塑机,每一个注塑机用于生产产品,并且记录生产参数信息;
计算机设备,所述计算机与各个注塑机连接,用于执行所述的注塑生产监测方法。
本发明提供了一种注塑生产监测方法、装置及系统,其中方法包括构建缺陷类型与关联参数对照表,并从缺陷类型与关联参数对照表中获取各种缺陷类型以及每一种缺陷类型对应的关联参数序列;取任意一种缺陷类型作为第一缺陷类型,取第一缺陷类型对应的关联参数序列为第一序列,进而从注塑车间中的注塑机中筛选出第一缺陷类型发生率超过设定发生率的注塑机作为第一注塑机;判断第一注塑机对应的第一序列中的各个关联参数是否均处于对应的预设阈值范围内,若至少一个关联参数处于对应的预设阈值范围外,则生成第一检修报警信息;若第一序列中各个关联参数均处于对应的预设阈值范围内,取第一序列中的第i位关联参数作为第一参数;判断第一参数在过去的第一设定时间段中是否处于预设标准范围与预设阈值范围之间的范围;若第一参数在第一设定时间段中处于预设标准范围与预设阈值范围之间的范围,则取第一注塑机对应的第一序列中的第i+1位关联参数作为第二参数,并获取第一参数在第一设定时间段中的第一参数曲线,以及第二参数在第一设定时间段中的第二参数曲线,进而确定第一参数曲线与第二参数曲线的第一相似度;当第一注塑机的产品再次出现第一缺陷时,计算在第二设定时间段中第一参数对应的第一参数曲线与第二参数对应的第二参数曲线之间的第二相似度,若第二相似度与第一相似度的差距小于设定值,生成第二检修报警信息;若第一参数在第一设定时间段中处于预设标准范围内,则令i=i+1,取第一序列中的第i位关联参数作为第一参数,执行上述步骤,直至i+1等于第一序列中参数的个数;若仍然未确定出强关联的第一参数与第二参数,则整体调整第一序列中的关联参数后,继续监测,直至确定出强关联的第一参数与第二参数;在本申请中,在缺陷对应的关联参数均没有超过阈值的情况下,即关联参数没有明显的异常波动的情况下,能够从各个关联参数中将具有强关联且具有最大可能性导致产品缺陷的关联参数筛选出来,便于工作人员对于产品缺陷进行准确归因,以及时准确的对确定出来的参数进行相应调整,进而及时控制住缺陷产品的持续产生。
附图说明
图1为一个实施例中提供的注塑生产监测方法的整体流程图;
图2为一个实施例中提供的注塑生产监测方法的生成检修报警信息的流程图;
图3为一个实施例中提供的注塑生产监测装置的模块流程图;
图4为一个实施例中提供的注塑生产监测系统的组成图;
图5为一个实施例中计算机设备的内部结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
可以理解,本发明所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但除非特别说明,这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本发明的范围的情况下,可以将第一xx脚本称为第二xx脚本,且类似地,可将第二xx脚本称为第一xx脚本。
如图1-2所示,在一个实施例中,提出了一种注塑生产监测方法,所述方法包括:
S1:构建缺陷类型与关联参数对照表,并从缺陷类型与关联参数对照表中获取各种缺陷类型以及每一种缺陷类型对应的关联参数序列,其中,对于关联参数序列中的任意一种关联参数,该关联参数的排序越靠前,对对应的缺陷类型影响程度越高;
S2:取任意一种缺陷类型作为第一缺陷类型,取第一缺陷类型对应的关联参数序列为第一序列,进而从注塑车间中的注塑机中筛选出第一缺陷类型发生率超过设定发生率的注塑机作为第一注塑机;
S3:判断第一注塑机对应的第一序列中的各个关联参数是否均处于对应的预设阈值范围内,若至少一个关联参数处于对应的预设阈值范围外,则生成第一检修报警信息,以提示工作人员超出对应的预设阈值范围的关联参数需要调整;
S4:若第一序列中各个关联参数均处于对应的预设阈值范围内,取第一序列中的第i位关联参数作为第一参数;
S5:判断第一参数在过去的第一设定时间段中是否处于预设标准范围与预设阈值范围之间的范围,其中,预设标准范围处于预设阈值范围之中;
S6:若第一参数在第一设定时间段中处于预设标准范围与预设阈值范围之间的范围,则取第一注塑机对应的第一序列中的第i+1位关联参数作为第二参数,并获取第一参数在第一设定时间段中的第一参数曲线,以及第二参数在第一设定时间段中的第二参数曲线,进而确定第一参数曲线与第二参数曲线的第一相似度;
S7:当第一注塑机的产品再次出现第一缺陷时,计算在第二设定时间段中第一参数对应的第一参数曲线与第二参数对应的第二参数曲线之间的第二相似度,若第二相似度与第一相似度的差距小于设定值,生成第二检修报警信息,以提示工作人员第一参数与第二参数强关联,需要协同调整,其中,第二设定时间段为第一注塑机的产品再次出现第一缺陷之前的一个时间段;
S8:若第一参数在第一设定时间段中处于预设标准范围内,则令i=i+1,取第一序列中的第i位关联参数作为第一参数,执行步骤S5至步骤S8,直至i+1等于第一序列中参数的个数;
S9:若步骤S8之后,未确定出强关联的第一参数与第二参数,则整体调整第一序列中的关联参数后,继续监测,直至确定出强关联的第一参数与第二参数。
在本实施例中,本方法在计算机设备中执行,计算机设备可以是独立的物理服务器或终端,也可以是多个物理服务器构成的服务器集群,可以是提供云服务器、云数据库、云存储和CDN等基础云计算服务的云服务器;
关联参数是指会参数不稳定时会导致对应缺陷的参数,例如注射压力、注射温度均为缺料的关联参数;如表1所示,在缺陷类型与关联参数对照表中,每个缺陷类型可以对应多个关联参数,按照对缺陷类型影响大小,对每个缺陷的关联参数进行排序,即得到关联参数序列;
表1、缺陷类型与关联参数对照表(部分)
第一缺陷类型发生率是指注塑机针对于第一缺陷类型的累计发生率,即有第一缺陷类型的产品占该注塑机在历史上生产的产品总数的比例,比如5%,10%;设定发生率可以是10%,也可以是其它值,在此不作限定;筛选出来的第一注塑机可能只有一台,也可能有多台,如果第一注塑机有多台,则对每一台第一注塑机执行步骤S3至步骤S9;
对应于每一个关联参数,预设有预设阈值范围,比如对于关联参数塑化温度,预设阈值范围为200度-300度,此范围为工作人员依据历史生产情况而定的范围,若关联参数超过此范围则该关联参数大概率会导致产品缺陷;预设标准范围为工作人员预设的处于预设阈值范围之中的一个范围,比如对于关联参数塑化温度,预设阈值范围为240度-260度,此范围为工作人员依据历史生产情况而定的范围,若关联参数处于预设标准范围内,则产品几乎不会产生缺陷;预设标准范围与预设阈值范围之间的范围,比如对于关联参数塑化温度,此范围即200度-240度以及260度-300度;
第一设定时间段、第二设定时间段以及第三设定时间段,均为计算机设备执行对应步骤的时刻之前的一段时间,并且三个时间段的时长分别为预先设定好的时长,三个时间段的设定时长可以相同也可以不相同,但均不短于一个产品从入料到产出成品的时长;
第一参数曲线和第二参数曲线均为时间与参数的曲线,注塑机在生产过程中会实时记录各个关联参数的参数值,进而生成对应于各个关联参数的时间与参数的变化曲线;
在本申请中,对于注塑车间的每一台注塑机在每一个缺陷类型的情况下均通过本方法来监控;如图2所示,本方法对于任意一个第一缺陷类型对应的任意一个第一注塑机,先判断其是否存在超过对应的预设阈值范围的关联参数,如果有则可以直接判断这些参数导致了第一缺陷类型,如果所有的关联参数均在各自对应的预设阈值范围以内,则第一缺陷类型是由不同的关联参数协同作用导致,进一步对各个关联参数的之间关联性进行计算,通过比较关联参数的曲线的相似度的方式判断关联参数是否具有强关联,进而能够将具有强关联的关联参数找出来,这些关联参数大概率就是引起第一缺陷类型的原因,进而可以提示工作人员有针对性的去调节这一部分参数,即本方法可以使工作人员更为准确的找到导致产品缺陷的原因,以进行有针对性的参数调整,提高了工作人员的调整效率,也节约了人力;另外,如果第一注塑机的各个关联参数都在预设标准范围内,但第一缺陷类型发生率依然高于设定发生率,则有可能是检测数据发生了数据偏离(即检测到的数据比真实数据整体偏离了一个值),此时本方法可以将数据进行整体回调,再继续检测,即本方法在监测过程中能够实时排除数据偏离的干扰,进一步提升监测的准确性。
作为一个优选的实施例,第一参数曲线为第一参数在一个时间段中的各个极值点的连线,第二参数曲线为第二参数在一个时间段中的各个极值点的连线,所述确定第一参数曲线与第二参数曲线的第一相似度包括:
S51:在第二参数曲线的起始点起取包括r个极值点的子曲线作为基础子曲线,其中,r的初始值为3;
S52:判断在第一参数曲线中是否存在与基础子曲线的变化趋势一致或相反的比对子曲线,若存在,则将比对子曲线筛出;
S53:依据相似度公式计算每一个比对子曲线与基础子曲线之间的相似度,其中,相似度越接近1,表征相似度越高;
S54:从各个计算出的相似度中筛取最接近1的候选相似度;
S55:令r=r+1,执行步骤S51至步骤S55,直至r等于第二参数曲线中的极值点总数;
S56:从各个候选相似度中取最接近1的候选相似度作为第一相似度。
每一个比对子曲线中的极值点个数与基础子曲线的极值点个数一致;
将比对子曲线中的极值点作为第一极值点,将基础子曲线中的极值点作为第二极值点,从基础子曲线的起始点开始对基础子曲线中的各个第二极值点编序号,并从比对子曲线的起始点开始对比对子曲线中的各个第一极值点编序号;
对于任意一个比对子曲线,比对子曲线与基础子曲线的变化趋势一致,表征为每一对序号相同的第一极值点与第二极值点的极值点类型一致;比对子曲线与基础子曲线的变化趋势相反,表征为每一对序号相同的第一极值点与第二极值点的极值点类型不同,其中极值点类型包括极大值点和极小值点。
在比对子曲线中,每两个相邻的极值点之间的线段为第一分段;在基础子曲线中,每两个相邻的极值点之间的线段为第二分段;从基础子曲线的起始点所在的第二分段开始对各个第二分段编序号;对于任意一个比对子曲线,从该比对子曲线的起始点所在的第一分段开始对各个第一分段编序号;所述相似度公式具体如下:
其中,D为相似度,k为基础子曲线对应的时间长度占第二参数曲线对应的时间长度的比例,n为基础子曲线中极值点的数量,为序号为j的第二分段对应的时间长度,/>为序号为j的第一分段对应的时间长度。
在本实施例中,第一参数曲线与第二参数曲线均是极值点的连线,其中每一个极值点为参数曲线在一个局部范围的峰值或者谷值,本方法对第一参数曲线与第二参数曲线的变化趋势进行对比,即对两个关联参数的极值的变化趋势进行比对,可以更直观准确的发现两个参数曲线的相关性(正相关或者负相关);再者,通过r值的设置可以实现在不同的范围对第一参数曲线与第二参数曲线进行多次的相似度比较,进而能够确定其对应的最高相似度,排除了局部异常数据对最终的计算结果的干扰;本实施例的相似度公式与基础子曲线和比对子曲线之间的时长比值相关,即基础子曲线和比对子曲线之间的时长比值越接近1,相似度D越接近1,本公式在基础子曲线和比对子曲线的变化趋势具有相关性的情况下保证了两者的时间跨度也具有相似性,由此计算出来的值能够准确的体现出基础子曲线和比对子曲线的相似度。
作为一个优选的实施例,确定第一相似度后,记录第一相似度对应的r值为r1;确定第二相似度的方式与确定第一相似度的方式相同,并且,确定第二相似度后,记录第二相似度对应的r值为r2;
若第二相似度与第一相似度的差距小于第一设定值,r2与r1的差距小于第二设定值,则生成第二检修报警信息。
在本实施例中,第二相似度与第一相似度的差距即第二相似度与第一相似度的差值的绝对值,比如0.1,r2与r1的差距即r2与r1的差值的绝对值,比如1、2;在本实施例中,既能体现前后两次计算出来的相似度是否具有一致性,并且还能体现两次计算相似度的尺度范围是否具有一致性,由此能够准确的推断出再次产生的第一缺陷类型的产品即与在先确定的第一参数与第二参数的耦合作用有关,即能够判定第一参数与第二参数强关联,并且能对产品造成第一缺陷类型的缺陷。
作为一个优选的实施例,整体调整第一序列中的关联参数即为整体调整第一序列中第t个关联参数,其中t的初始值为1,具体包括以下步骤:
计算第t个关联参数在过去的第三设定时间段的平均值;
分别计算第t个关联参数在第三设定时间段中参数值大于平均值的第一时长,以及第t个关联参数在第三设定时间段中参数值小于平均值的第二时长;
若第一时长大于第二时长,则将后续采集的每一个第t个关联参数的参数值减去平均值;
若第一时长不大于第二时长,则将后续采集的每一个第t个关联参数的参数值加上平均值。
整体调整第一序列中第t个关联参数之后,取i=1,取第一序列中的第i位关联参数作为第一参数,执行步骤S5至步骤S8,若未确定出强关联的第一参数与第二参数,则令t=t+1,重复执行本步骤,直至确定出强关联的第一参数与第二参数。
在本实施例中,在对各个相邻的关联参数逐一进行相似度计算之后,依然无法找到导致第一缺陷类型的强关联关联参数组合时,则大概率是数据发生了偏移,此时先对第一序列中的第一个关联参数进行整体调整,待数据稳定后再进行监测,若还是没有发现强关联关联参数组合,则对第一序列中的下一个关联参数进行整体调整,重复上述过程,由于缺陷产品已经产生,第一注塑机中必定有耦合作用的关联参数,因此,通过本实施例的方式也必定能将强关联的第一参数与第二参数筛出。
如图3所示,在一个实施例中,提供了一种注塑生产监测装置,所述注塑生产监测装置中的模块用于执行所述的注塑生产监测方法中的步骤,具体包括:
第一处理模块,用于构建缺陷类型与关联参数对照表,并从缺陷类型与关联参数对照表中获取各种缺陷类型以及每一种缺陷类型对应的关联参数序列,其中,对于关联参数序列中的任意一种关联参数,该关联参数的排序越靠前,对对应的缺陷类型影响程度越高;
第二处理模块,用于取任意一种缺陷类型作为第一缺陷类型,取第一缺陷类型对应的关联参数序列为第一序列,进而从注塑车间中的注塑机中筛选出第一缺陷类型发生率超过设定发生率的注塑机作为第一注塑机;
第一判断模块,用于判断第一注塑机对应的第一序列中的各个关联参数是否均处于对应的预设阈值范围内,若至少一个关联参数处于对应的预设阈值范围外,则生成第一检修报警信息,以提示工作人员超出对应的预设阈值范围的关联参数需要调整;
第三处理模块,用于若第一序列中各个关联参数均处于对应的预设阈值范围内,取第一序列中的第i位关联参数作为第一参数;
第二判断模块,用于判断第一参数在过去的第一设定时间段中是否处于预设标准范围与预设阈值范围之间的范围,其中,预设标准范围处于预设阈值范围之中;
第四处理模块,用于若第一参数在第一设定时间段中处于预设标准范围与预设阈值范围之间的范围,则取第一注塑机对应的第一序列中的第i+1位关联参数作为第二参数,并获取第一参数在第一设定时间段中的第一参数曲线,以及第二参数在第一设定时间段中的第二参数曲线,进而确定第一参数曲线与第二参数曲线的第一相似度;
第五处理模块,用于当第一注塑机的产品再次出现第一缺陷时,计算在第二设定时间段中第一参数对应的第一参数曲线与第二参数对应的第二参数曲线之间的第二相似度,若第二相似度与第一相似度的差距小于设定值,生成第二检修报警信息,以提示工作人员第一参数与第二参数强关联,需要协同调整,其中,第二设定时间段为第一注塑机的产品再次出现第一缺陷之前的一个时间段;
第六处理模块,用于若第一参数在第一设定时间段中处于预设标准范围内,则令i=i+1,取第一序列中的第i位关联参数作为第一参数,执行步骤S5至步骤S8,直至i+1等于第一序列中参数的个数;
第七处理模块,用于若步骤S8之后,未确定出强关联的第一参数与第二参数,则整体调整第一序列中的关联参数后,继续监测,直至确定出强关联的第一参数与第二参数。
本实施例提供的注塑生产监测装置中各模块实现各自功能的过程,具体可参考前述图1所示实施例的描述,此处不再赘述。
如图4所示,在一个实施例中,提供了一种注塑生产监测系统,设置在注塑车间中,所述系统包括:
若干个注塑机,每一个注塑机用于生产产品,并且记录生产参数信息;
计算机设备,所述计算机与各个注塑机连接,用于执行所述的注塑生产监测方法。
在本实施例中,计算机设备与各个注塑机连接,以通过注塑生产监测方法对各个注塑机进行监测,在对任意一个注塑机进行监测时,在缺陷对应的关联参数均没有超过阈值的情况下,即关联参数没有明显的异常波动的情况下,能够从各个关联参数中将具有强关联且具有最大可能性导致产品缺陷的关联参数筛选出来,便于工作人员对于产品缺陷进行准确归因,以及时准确的对确定出来的参数进行相应调整,进而及时控制住缺陷产品的持续产生。
图5示出了一个实施例中计算机设备的内部结构图。如图5所示,该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现本发明实施例提供的注塑生产监测方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行本发明实施例提供的注塑生产监测方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本发明实施例提供的注塑生产监测装置可以实现为一种计算机程序的形式,计算机程序可在如图5所示的计算机设备上运行。计算机设备的存储器中可存储组成该注塑生产监测装置的各个程序模块,比如,图3所示的第一处理模块、第二处理模块、第一判断模块、第三处理模块、第二判断模块、第四处理模块、第五处理模块、第六处理模块、第七处理模块。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本发明各个实施例的实训室用数据管理方法中的步骤。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本发明各个实施例的注塑生产监测方法中的步骤。
例如,图5所示的计算机设备可以通过如图3所示的注塑生产监测装置中的第一处理模块执行步骤S1;计算机设备可通过第二处理模块执行步骤S2;计算机设备可通过第一判断模块执行步骤S3;计算机设备可通过第三处理模块执行步骤S4;计算机设备可通过第二判断模块执行步骤S5;计算机设备可通过第四处理模块执行步骤S6;计算机设备可通过第五处理模块执行步骤S7;计算机设备可通过第六处理模块执行步骤S8;计算机设备可通过第七处理模块执行步骤S9。
在一个实施例中,提出了一种计算机设备,所述计算机设备包括存储器、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计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
S1:构建缺陷类型与关联参数对照表,并从缺陷类型与关联参数对照表中获取各种缺陷类型以及每一种缺陷类型对应的关联参数序列,其中,对于关联参数序列中的任意一种关联参数,该关联参数的排序越靠前,对对应的缺陷类型影响程度越高;
S2:取任意一种缺陷类型作为第一缺陷类型,取第一缺陷类型对应的关联参数序列为第一序列,进而从注塑车间中的注塑机中筛选出第一缺陷类型发生率超过设定发生率的注塑机作为第一注塑机;
S3:判断第一注塑机对应的第一序列中的各个关联参数是否均处于对应的预设阈值范围内,若至少一个关联参数处于对应的预设阈值范围外,则生成第一检修报警信息,以提示工作人员超出对应的预设阈值范围的关联参数需要调整;
S4:若第一序列中各个关联参数均处于对应的预设阈值范围内,取第一序列中的第i位关联参数作为第一参数;
S5:判断第一参数在过去的第一设定时间段中是否处于预设标准范围与预设阈值范围之间的范围,其中,预设标准范围处于预设阈值范围之中;
S6:若第一参数在第一设定时间段中处于预设标准范围与预设阈值范围之间的范围,则取第一注塑机对应的第一序列中的第i+1位关联参数作为第二参数,并获取第一参数在第一设定时间段中的第一参数曲线,以及第二参数在第一设定时间段中的第二参数曲线,进而确定第一参数曲线与第二参数曲线的第一相似度;
S7:当第一注塑机的产品再次出现第一缺陷时,计算在第二设定时间段中第一参数对应的第一参数曲线与第二参数对应的第二参数曲线之间的第二相似度,若第二相似度与第一相似度的差距小于设定值,生成第二检修报警信息,以提示工作人员第一参数与第二参数强关联,需要协同调整,其中,第二设定时间段为第一注塑机的产品再次出现第一缺陷之前的一个时间段;
S8:若第一参数在第一设定时间段中处于预设标准范围内,则令i=i+1,取第一序列中的第i位关联参数作为第一参数,执行步骤S5至步骤S8,直至i+1等于第一序列中参数的个数;
S9:若步骤S8之后,未确定出强关联的第一参数与第二参数,则整体调整第一序列中的关联参数后,继续监测,直至确定出强关联的第一参数与第二参数。
在一个实施例中,提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时,使得处理器执行以下步骤:
S1:构建缺陷类型与关联参数对照表,并从缺陷类型与关联参数对照表中获取各种缺陷类型以及每一种缺陷类型对应的关联参数序列,其中,对于关联参数序列中的任意一种关联参数,该关联参数的排序越靠前,对对应的缺陷类型影响程度越高;
S2:取任意一种缺陷类型作为第一缺陷类型,取第一缺陷类型对应的关联参数序列为第一序列,进而从注塑车间中的注塑机中筛选出第一缺陷类型发生率超过设定发生率的注塑机作为第一注塑机;
S3:判断第一注塑机对应的第一序列中的各个关联参数是否均处于对应的预设阈值范围内,若至少一个关联参数处于对应的预设阈值范围外,则生成第一检修报警信息,以提示工作人员超出对应的预设阈值范围的关联参数需要调整;
S4:若第一序列中各个关联参数均处于对应的预设阈值范围内,取第一序列中的第i位关联参数作为第一参数;
S5:判断第一参数在过去的第一设定时间段中是否处于预设标准范围与预设阈值范围之间的范围,其中,预设标准范围处于预设阈值范围之中;
S6:若第一参数在第一设定时间段中处于预设标准范围与预设阈值范围之间的范围,则取第一注塑机对应的第一序列中的第i+1位关联参数作为第二参数,并获取第一参数在第一设定时间段中的第一参数曲线,以及第二参数在第一设定时间段中的第二参数曲线,进而确定第一参数曲线与第二参数曲线的第一相似度;
S7:当第一注塑机的产品再次出现第一缺陷时,计算在第二设定时间段中第一参数对应的第一参数曲线与第二参数对应的第二参数曲线之间的第二相似度,若第二相似度与第一相似度的差距小于设定值,生成第二检修报警信息,以提示工作人员第一参数与第二参数强关联,需要协同调整,其中,第二设定时间段为第一注塑机的产品再次出现第一缺陷之前的一个时间段;
S8:若第一参数在第一设定时间段中处于预设标准范围内,则令i=i+1,取第一序列中的第i位关联参数作为第一参数,执行步骤S5至步骤S8,直至i+1等于第一序列中参数的个数;
S9:若步骤S8之后,未确定出强关联的第一参数与第二参数,则整体调整第一序列中的关联参数后,继续监测,直至确定出强关联的第一参数与第二参数。
应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (9)
1.一种注塑生产监测方法,其特征在于,所述方法包括:
S1:构建缺陷类型与关联参数对照表,并从缺陷类型与关联参数对照表中获取各种缺陷类型以及每一种缺陷类型对应的关联参数序列,其中,对于关联参数序列中的任意一种关联参数,该关联参数的排序越靠前,对对应的缺陷类型影响程度越高;
S2:取任意一种缺陷类型作为第一缺陷类型,取第一缺陷类型对应的关联参数序列为第一序列,进而从注塑车间中的注塑机中筛选出第一缺陷类型发生率超过设定发生率的注塑机作为第一注塑机;
S3:判断第一注塑机对应的第一序列中的各个关联参数是否均处于对应的预设阈值范围内,若至少一个关联参数处于对应的预设阈值范围外,则生成第一检修报警信息,以提示工作人员超出对应的预设阈值范围的关联参数需要调整;
S4:若第一序列中各个关联参数均处于对应的预设阈值范围内,取第一序列中的第i位关联参数作为第一参数;
S5:判断第一参数在过去的第一设定时间段中是否处于预设标准范围与预设阈值范围之间的范围,其中,预设标准范围处于预设阈值范围之中;
S6:若第一参数在第一设定时间段中处于预设标准范围与预设阈值范围之间的范围,则取第一注塑机对应的第一序列中的第i+1位关联参数作为第二参数,并获取第一参数在第一设定时间段中的第一参数曲线,以及第二参数在第一设定时间段中的第二参数曲线,进而确定第一参数曲线与第二参数曲线的第一相似度;
S7:当第一注塑机的产品再次出现第一缺陷时,计算在第二设定时间段中第一参数对应的第一参数曲线与第二参数对应的第二参数曲线之间的第二相似度,若第二相似度与第一相似度的差距小于设定值,生成第二检修报警信息,以提示工作人员第一参数与第二参数强关联,需要协同调整,其中,第二设定时间段为第一注塑机的产品再次出现第一缺陷之前的一个时间段;
S8:若第一参数在第一设定时间段中处于预设标准范围内,则令i=i+1,取第一序列中的第i位关联参数作为第一参数,执行步骤S5至步骤S8,直至i+1等于第一序列中参数的个数;
S9:若步骤S8之后,未确定出强关联的第一参数与第二参数,则整体调整第一序列中的关联参数后,继续监测,直至确定出强关联的第一参数与第二参数。
2.根据权利要求1所述的方法,其特征在于,第一参数曲线为第一参数在一个时间段中的各个极值点的连线,第二参数曲线为第二参数在一个时间段中的各个极值点的连线,所述确定第一参数曲线与第二参数曲线的第一相似度包括:
S51:在第二参数曲线的起始点起取包括r个极值点的子曲线作为基础子曲线,其中,r的初始值为3;
S52:判断在第一参数曲线中是否存在与基础子曲线的变化趋势一致或相反的比对子曲线,若存在,则将比对子曲线筛出;
S53:依据相似度公式计算每一个比对子曲线与基础子曲线之间的相似度,其中,相似度越接近1,表征相似度越高;
S54:从各个计算出的相似度中筛取最接近1的候选相似度;
S55:令r=r+1,执行步骤S51至步骤S55,直至r等于第二参数曲线中的极值点总数;
S56:从各个候选相似度中取最接近1的候选相似度作为第一相似度。
3.根据权利要求2所述的方法,其特征在于,每一个比对子曲线中的极值点个数与基础子曲线的极值点个数一致;
将比对子曲线中的极值点作为第一极值点,将基础子曲线中的极值点作为第二极值点,从基础子曲线的起始点开始对基础子曲线中的各个第二极值点编序号,并从比对子曲线的起始点开始对比对子曲线中的各个第一极值点编序号;
对于任意一个比对子曲线,比对子曲线与基础子曲线的变化趋势一致,表征为每一对序号相同的第一极值点与第二极值点的极值点类型一致;比对子曲线与基础子曲线的变化趋势相反,表征为每一对序号相同的第一极值点与第二极值点的极值点类型不同,其中极值点类型包括极大值点和极小值点。
4.根据权利要求3所述的方法,其特征在于,在比对子曲线中,每两个相邻的极值点之间的线段为第一分段;在基础子曲线中,每两个相邻的极值点之间的线段为第二分段;从基础子曲线的起始点所在的第二分段开始对各个第二分段编序号;对于任意一个比对子曲线,从该比对子曲线的起始点所在的第一分段开始对各个第一分段编序号;所述相似度公式具体如下:
其中,D为相似度,k为基础子曲线对应的时间长度占第二参数曲线对应的时间长度的比例,n为基础子曲线中极值点的数量,为序号为j的第二分段对应的时间长度,/>为序号为j的第一分段对应的时间长度。
5.根据权利要求2所述的方法,其特征在于,确定第一相似度后,记录第一相似度对应的r值为r1;确定第二相似度的方式与确定第一相似度的方式相同,并且,确定第二相似度后,记录第二相似度对应的r值为r2;
若第二相似度与第一相似度的差距小于第一设定值,r2与r1的差距小于第二设定值,则生成第二检修报警信息。
6.根据权利要求1所述的方法,其特征在于,整体调整第一序列中的关联参数即为整体调整第一序列中第t个关联参数,其中t的初始值为1,具体包括以下步骤:
计算第t个关联参数在过去的第三设定时间段的平均值;
分别计算第t个关联参数在第三设定时间段中参数值大于平均值的第一时长,以及第t个关联参数在第三设定时间段中参数值小于平均值的第二时长;
若第一时长大于第二时长,则将后续采集的每一个第t个关联参数的参数值减去平均值;
若第一时长不大于第二时长,则将后续采集的每一个第t个关联参数的参数值加上平均值。
7.根据权利要求6所述的方法,其特征在于,整体调整第一序列中第t个关联参数之后,取i=1,取第一序列中的第i位关联参数作为第一参数,执行步骤S5至步骤S8,若未确定出强关联的第一参数与第二参数,则令t=t+1,重复执行本步骤,直至确定出强关联的第一参数与第二参数。
8.一种注塑生产监测装置,其特征在于,所述注塑生产监测装置中的模块用于执行权利要求1中所述的注塑生产监测方法中的步骤,具体包括:
第一处理模块,用于构建缺陷类型与关联参数对照表,并从缺陷类型与关联参数对照表中获取各种缺陷类型以及每一种缺陷类型对应的关联参数序列,其中,对于关联参数序列中的任意一种关联参数,该关联参数的排序越靠前,对对应的缺陷类型影响程度越高;
第二处理模块,用于取任意一种缺陷类型作为第一缺陷类型,取第一缺陷类型对应的关联参数序列为第一序列,进而从注塑车间中的注塑机中筛选出第一缺陷类型发生率超过设定发生率的注塑机作为第一注塑机;
第一判断模块,用于判断第一注塑机对应的第一序列中的各个关联参数是否均处于对应的预设阈值范围内,若至少一个关联参数处于对应的预设阈值范围外,则生成第一检修报警信息,以提示工作人员超出对应的预设阈值范围的关联参数需要调整;
第三处理模块,用于若第一序列中各个关联参数均处于对应的预设阈值范围内,取第一序列中的第i位关联参数作为第一参数;
第二判断模块,用于判断第一参数在过去的第一设定时间段中是否处于预设标准范围与预设阈值范围之间的范围,其中,预设标准范围处于预设阈值范围之中;
第四处理模块,用于若第一参数在第一设定时间段中处于预设标准范围与预设阈值范围之间的范围,则取第一注塑机对应的第一序列中的第i+1位关联参数作为第二参数,并获取第一参数在第一设定时间段中的第一参数曲线,以及第二参数在第一设定时间段中的第二参数曲线,进而确定第一参数曲线与第二参数曲线的第一相似度;
第五处理模块,用于当第一注塑机的产品再次出现第一缺陷时,计算在第二设定时间段中第一参数对应的第一参数曲线与第二参数对应的第二参数曲线之间的第二相似度,若第二相似度与第一相似度的差距小于设定值,生成第二检修报警信息,以提示工作人员第一参数与第二参数强关联,需要协同调整,其中,第二设定时间段为第一注塑机的产品再次出现第一缺陷之前的一个时间段;
第六处理模块,用于若第一参数在第一设定时间段中处于预设标准范围内,则令i=i+1,取第一序列中的第i位关联参数作为第一参数,执行步骤S5至步骤S8,直至i+1等于第一序列中参数的个数;
第七处理模块,用于若步骤S8之后,未确定出强关联的第一参数与第二参数,则整体调整第一序列中的关联参数后,继续监测,直至确定出强关联的第一参数与第二参数。
9.一种注塑生产监测系统,其特征在于,所述系统包括:
若干个注塑机,每一个注塑机用于生产产品,并且记录生产参数信息;
计算机设备,所述计算机与各个注塑机连接,用于执行如权利要求1-7任意一项权利要求所述的注塑生产监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410034185.1A CN117540258B (zh) | 2024-01-10 | 2024-01-10 | 一种注塑生产监测方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410034185.1A CN117540258B (zh) | 2024-01-10 | 2024-01-10 | 一种注塑生产监测方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117540258A true CN117540258A (zh) | 2024-02-09 |
CN117540258B CN117540258B (zh) | 2024-05-03 |
Family
ID=89782732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410034185.1A Active CN117540258B (zh) | 2024-01-10 | 2024-01-10 | 一种注塑生产监测方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117540258B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740975A (zh) * | 2016-01-26 | 2016-07-06 | 云南电网有限责任公司电力科学研究院 | 一种基于数据关联关系的设备缺陷评估与预测方法 |
CN110866331A (zh) * | 2019-10-28 | 2020-03-06 | 国网河北省电力有限公司电力科学研究院 | 一种电力变压器家族质量缺陷的评估方法 |
CN113313409A (zh) * | 2021-06-16 | 2021-08-27 | 中国南方电网有限责任公司 | 基于数据关联的电力系统二次设备缺陷分析方法及系统 |
US20210388950A1 (en) * | 2018-10-18 | 2021-12-16 | Aquarius Spectrum Ltd. | System and method for mechanical failure classification, condition assessment and remediation recommendation |
US20220128983A1 (en) * | 2020-10-28 | 2022-04-28 | Boe Technology Group Co., Ltd. | Defect prediction methods, apparautses, electronic devices and storage media |
CN115729907A (zh) * | 2021-08-30 | 2023-03-03 | 腾讯科技(深圳)有限公司 | 为数据库实例的监控指标分类的方法和装置、为数据库实例分类的方法和装置 |
CN116244279A (zh) * | 2022-12-19 | 2023-06-09 | 国网安徽省电力有限公司电力科学研究院 | 基于因果图注意力机制的高压开关柜缺陷预测方法和系统 |
CN117157541A (zh) * | 2022-03-30 | 2023-12-01 | 京东方科技集团股份有限公司 | 一种检测参数分析方法及装置 |
CN117194995A (zh) * | 2023-08-14 | 2023-12-08 | 中车长春轨道客车股份有限公司 | 基于数据挖掘的轨道车辆rams数据关联性分析方法 |
-
2024
- 2024-01-10 CN CN202410034185.1A patent/CN117540258B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740975A (zh) * | 2016-01-26 | 2016-07-06 | 云南电网有限责任公司电力科学研究院 | 一种基于数据关联关系的设备缺陷评估与预测方法 |
US20210388950A1 (en) * | 2018-10-18 | 2021-12-16 | Aquarius Spectrum Ltd. | System and method for mechanical failure classification, condition assessment and remediation recommendation |
CN110866331A (zh) * | 2019-10-28 | 2020-03-06 | 国网河北省电力有限公司电力科学研究院 | 一种电力变压器家族质量缺陷的评估方法 |
US20220128983A1 (en) * | 2020-10-28 | 2022-04-28 | Boe Technology Group Co., Ltd. | Defect prediction methods, apparautses, electronic devices and storage media |
CN113313409A (zh) * | 2021-06-16 | 2021-08-27 | 中国南方电网有限责任公司 | 基于数据关联的电力系统二次设备缺陷分析方法及系统 |
CN115729907A (zh) * | 2021-08-30 | 2023-03-03 | 腾讯科技(深圳)有限公司 | 为数据库实例的监控指标分类的方法和装置、为数据库实例分类的方法和装置 |
CN117157541A (zh) * | 2022-03-30 | 2023-12-01 | 京东方科技集团股份有限公司 | 一种检测参数分析方法及装置 |
CN116244279A (zh) * | 2022-12-19 | 2023-06-09 | 国网安徽省电力有限公司电力科学研究院 | 基于因果图注意力机制的高压开关柜缺陷预测方法和系统 |
CN117194995A (zh) * | 2023-08-14 | 2023-12-08 | 中车长春轨道客车股份有限公司 | 基于数据挖掘的轨道车辆rams数据关联性分析方法 |
Non-Patent Citations (2)
Title |
---|
BIANCA SCHROEDER ET AL: ""A Large-Scale Study of Failures in High-Performance Computing Systems"", 《IEEE TRANSACTIONS ON DEPENDABLE AND SECURE COMPUTING》, vol. 7, no. 4, 6 February 2009 (2009-02-06), pages 337 - 350, XP011449410, DOI: 10.1109/TDSC.2009.4 * |
MARIELA CERRADA ET AL: ""A review on data-driven fault severity assessment in rolling bearings"", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》, vol. 99, 15 January 2018 (2018-01-15), pages 169 - 196, XP085152089, DOI: 10.1016/j.ymssp.2017.06.012 * |
Also Published As
Publication number | Publication date |
---|---|
CN117540258B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9245000B2 (en) | Methods for the cyclical pattern determination of time-series data using a clustering approach | |
CA2841437A1 (en) | Method of sequential kernel regression modeling for forecasting and prognostics | |
CN112257755A (zh) | 航天器运行状态的分析方法和装置 | |
CN110807245B (zh) | 一种设备故障预警的自动建模方法和系统 | |
CN115237710A (zh) | 服务器温度预测方法、装置、计算机设备和存储介质 | |
CN111325159A (zh) | 故障诊断方法、装置、计算机设备和存储介质 | |
CN114240243A (zh) | 一种基于动态系统辨识的精馏塔产品质量预测方法及装置 | |
CN114997744A (zh) | 一种设备健康评估方法、装置、计算机设备及介质 | |
CN117540258B (zh) | 一种注塑生产监测方法、装置及系统 | |
CN111679953B (zh) | 基于人工智能的故障节点识别方法、装置、设备和介质 | |
JPWO2020166236A5 (zh) | ||
EP3844579A1 (de) | Verfahren, vorrichtung und system zur ermittlung von messinformationen | |
CN110995506B (zh) | 告警量异常的定位方法、装置、存储介质和计算机设备 | |
CN112819386A (zh) | 带有异常的时间序列数据生成方法、系统及存储介质 | |
CN113282876B (zh) | 异常检测中一维时间序列数据生成方法、装置和设备 | |
Baier et al. | Identifying failure root causes by visualizing parameter interdependencies with spectrograms | |
CN116340872A (zh) | 一种基于重构和预测联合确定异常的方法 | |
CN109783876A (zh) | 时间序列模型建立方法、装置、计算机设备和存储介质 | |
US20210365189A1 (en) | Performance analysis apparatus and performance analysis method | |
US20200402659A1 (en) | Disease suffering probability prediction method and electronic apparatus | |
JP7223947B2 (ja) | 製造条件計算装置、製造条件計算方法及び製造条件計算プログラム | |
CN112882896A (zh) | 数据监控方法、装置和电子设备 | |
JP5569324B2 (ja) | 操業条件管理装置 | |
CN114781278B (zh) | 一种基于数据驱动的机电设备寿命预测方法及系统 | |
CN114997554B (zh) | 复杂机械设备健康状况的评估方法、装置和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |