CN117620345A - 一种真空回流焊炉的数据记录系统 - Google Patents
一种真空回流焊炉的数据记录系统 Download PDFInfo
- Publication number
- CN117620345A CN117620345A CN202311827623.1A CN202311827623A CN117620345A CN 117620345 A CN117620345 A CN 117620345A CN 202311827623 A CN202311827623 A CN 202311827623A CN 117620345 A CN117620345 A CN 117620345A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- reflow oven
- vacuum reflow
- short
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000013145 classification model Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 22
- 238000010276 construction Methods 0.000 claims abstract description 16
- 230000000007 visual effect Effects 0.000 claims abstract description 10
- 238000013480 data collection Methods 0.000 claims abstract description 9
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 230000007246 mechanism Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000001816 cooling Methods 0.000 claims description 7
- 238000005476 soldering Methods 0.000 claims description 7
- 238000010438 heat treatment Methods 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000003466 welding Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004821 distillation Methods 0.000 description 4
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229910000679 solder Inorganic materials 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Electric Connection Of Electric Components To Printed Circuits (AREA)
Abstract
本发明公开了一种真空回流焊炉的数据记录系统,所属技术领域为数据记录领域,包括:数据收集子系统,用于基于分布式传感器对真空回流焊炉的运行参数进行监测,生成运行状态数据集;数据处理子系统,用于将所述运行状态数据集进行处理,生成处理数据集;分类模型构建子系统,用于通过卷积神经网络对长短时记忆网络进行训练,生成数据分类模型;数据记录子系统,用于通过所述数据分类模型对所述处理数据集进行计算,生成真空回流焊炉的运行分类结果并生成可视化报告。本发明通过卷积神经网络和长短时记忆网络结合的方法,系统可以分析设备的运行状况并预测潜在的故障。这有助于实施预防性维护,减少设备停机时间,提高生产效率。
Description
技术领域
本发明属于数据记录领域,特别是涉及一种真空回流焊炉的数据记录系统。
背景技术
真空回流焊炉是通过提供一种加热环境,使焊锡膏受热融化从而让表面贴装的元器件和电路板通过焊锡膏合金可靠地结合在一起的设备。真空回流焊炉是电子制造业表面贴装技术的关键设备,它的质量和使用操作直接影响到最终产品的品质。
目前真空回流焊炉在焊接的过程中的数据记录通常采用人为监控的手段,导致不同的人采集到的数据并不相同,同时人工记录数据无法学习和适应不同的生产环境和工艺变化,即人工记录并不具有处理不确定性和复杂系统的能力,若多人同时采集焊接过程中的多个参数,不仅浪费了人力物力,数据获取方面也并不精确。
发明内容
本发明的目的是提供一种真空回流焊炉的数据记录系统,以解决上述现有技术存在的问题。
为实现上述目的,本发明提供了一种真空回流焊炉的数据记录系统,包括:
数据收集子系统,用于基于分布式传感器对真空回流焊炉的运行参数进行监测,生成运行状态数据集;
数据处理子系统,与所述数据收集子系统连接,用于将所述运行状态数据集进行处理,生成处理数据集;
分类模型构建子系统,与所述数据处理子系统连接,用于通过卷积神经网络对长短时记忆网络进行训练,并将注意力机制和残差模块引入所述长短时记忆网络后再通过样本集对所述长短时记忆网络进行训练,生成数据分类模型;
数据记录子系统,与所述分类模型构建子系统连接,用于通过所述数据分类模型对所述处理数据集进行计算,生成真空回流焊炉的运行分类结果并生成可视化报告。
优选的,所述数据收集子系统包括:
传感器收集模块,用于通过分布式传感器收集真空回流焊炉在运行过程中的参数;
汇总模块,用于将所述真空回流焊炉在运行过程中的参数进行汇总,好僧成所述运行状态数据集。
优选的,所述传感器收集模块收集的运行过程中的参数包括温度数据、压力数据、加热和冷却速率、焊炉门状态、焊炉运行时间、传感器状态、电源和电流数据和焊接结果数据。
优选的,所述数据处理子系统包括:
异常数据清除模块,用于将所述运行状态数据集进行缺失值的删除并通过回归分析方法填充缺失值,获得清洗数据集;
结构更改模块,用于将所述清洗数据集进行最小-最大归一化处理后将数据集的数据结构进行更改,生成所述处理数据集。
优选的,所述分类模型构建子系统包括:
模型构建模块,用于构建卷积神经网络模型和长短时记忆网络;
历史数据获取模块,用于获取历史真空回流焊炉运行数据的样本集;
第一训练模块,用于通过所述卷积神网络的输出对所述长短时记忆网络进行训练,生成学生网络模型;
改进模块,用于构建注意力机制模块和残差模块,并将所述注意力机制模块和残差模块引入至所述长短时记忆网络中,生成改进的长短时记忆网络;
第二训练模块,用于通过所述样本集对所述改进的长短时记忆网络进行训练,生成所述数据分类模型。
优选的,所述第一训练模块包括:
教师模型输出获取单元,用于通过所述卷积神经网络对所述样本集进行向前传播,获得卷积神经网络的输出;
学生模型获取单元,用于将所述卷积神经网络的输出作为目标标签,并引入温度参数对所述长短时记忆网络进行训练,获得所述学生网络模型。
优选的,所述改进模块包括:
模块构建单元,用于构建所述注意力机制模块和残差模块;
注意力机制引入单元,用于将所述注意力机制模块引入至所述长短时记忆网络的隐藏层的前三层中,获得注意力分类模型;
残差引入单元,用于将所述残差模块引入至所述注意力分类模型中,生成所述改进的长短时记忆网络。
优选的,所述数据记录子系统包括:
计算模块,用于通过所述数据分类模型对所述处理数据集进行计算,生成真空回流焊炉的实时运行状态和预测运行状态图;
绘制模块,用于通过所述真空回流焊炉的实时运行状态和预测运行状态图对真空回流焊炉的运行数据和运行趋势数据进行记录并生成可视化报告。
优选的,所述计算模块还用于通过所述真空回流焊炉的实时运行状态和预测运行状态图生成异常分类预测结果并基于时间轴反馈至所述绘制模块中进行异常标注。
本发明的技术效果为:
本发明通过卷积神经网络和长短时记忆网络结合的方法,系统可以分析设备的运行状况并预测潜在的故障。这有助于实施预防性维护,减少设备停机时间,提高生产效率。并且,本发明的神经网络系统能够学习和适应不同的生产环境和工艺变化。这种自适应性使得系统更具灵活性,能够在不同条件下保持高效运行,同时可以分析大量的生产数据,并识别潜在的关联关系。这有助于理解各种参数之间的相互影响,从而优化整个生产流程。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例中的真空回流焊炉的数据记录系统示意图;
图2为本发明实施例中的使用卷积网络模型的输出和相应的目标标签来训练长短时神经网络示意图;
图3为本发明实施例中的卷积网络示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
实施例一
如图1所示,本实施例中提供一种真空回流焊炉的数据记录系统,包括:
数据收集子系统,用于基于分布式传感器对真空回流焊炉的运行参数进行监测,生成运行状态数据集;
数据处理子系统,与所述数据收集子系统连接,用于将所述运行状态数据集进行处理,生成处理数据集;
分类模型构建子系统,与所述数据处理子系统连接,用于通过卷积神经网络对长短时记忆网络进行训练,并将注意力机制和残差模块引入所述长短时记忆网络后再通过样本集对所述长短时记忆网络进行训练,生成数据分类模型;
数据记录子系统,与所述分类模型构建子系统连接,用于通过所述数据分类模型对所述处理数据集进行计算,生成真空回流焊炉的运行分类结果并生成可视化报告。
进一步实施该方案,具体的实施过程为:
数据收集子系统,这个系统是专门用于监控真空回流焊炉的运行参数的。数据收集子系统基于分布式传感器来收集数据,确保对设备运行状态的全面监测。这些传感器可以实时收集数据,为后续处理提供原始材料。
数据处理子系统的任务是对收集到的运行状态数据集进行深度处理。这种处理可能包括数据的清洗、归一化、特征提取等操作,使数据更适合用于后续的模型训练。
分类模型构建子系统负责训练深度学习模型,具体来说是一个卷积神经网络与长短时记忆网络的结合。这种网络结构可以有效地处理时间序列数据,并具有长期依赖性的特点。注意力机制和残差模块的引入进一步增强了模型的表达能力和对复杂模式的捕捉能力。然后,该模型会使用样本集进行训练,以提高其对真实数据的分类精度。
数据记录子系统的任务是通过已训练的数据分类模型对处理后的数据集进行计算。计算结果将生成真空回流焊炉的运行分类结果,同时生成一份详细的可视化报告。
进一步优化方案,所述数据收集子系统包括:
传感器收集模块,用于通过分布式传感器收集真空回流焊炉在运行过程中的参数;
汇总模块,用于将所述真空回流焊炉在运行过程中的参数进行汇总,好僧成所述运行状态数据集。
进一步优化方案,所述传感器收集模块收集的运行过程中的参数包括温度数据、压力数据、加热和冷却速率、焊炉门状态、焊炉运行时间、传感器状态、电源和电流数据和焊接结果数据。传感器收集模块收集的数据具体为:
温度数据:记录焊炉内各个区域的温度,包括加热区域、冷却区域和焊接区域。这有助于确保焊炉在操作时保持适当的温度。
压力数据:记录焊炉内部的真空度或气氛压力。控制焊炉内的气氛对焊接质量至关重要。
气氛成分数据:监测焊炉内的气氛成分,如氮气、氢气、氧气等。这对于控制焊接过程的气氛环境至关重要,以避免氧化和其他不良影响。
加热和冷却速率:记录加热和冷却过程的速率,以确保在焊接和冷却阶段的适当速度。
焊炉门状态:监测焊炉门的打开和关闭状态。这对于确保焊接区域的密封性和气氛控制至关重要。
焊炉运行时间:记录焊炉运行的时间,包括开始时间和结束时间。这有助于计算焊炉的使用寿命和维护需求。
故障日志:记录焊炉运行过程中的任何故障或异常情况。这有助于及时发现和解决问题,确保焊接质量和设备稳定性。
传感器状态:监测用于测量温度、压力等参数的传感器的状态。这有助于及时发现并纠正任何传感器故障。
电源和电流数据:记录焊炉的电源和电流参数。这对于监测焊接能量的分配和效率很重要。
焊接结果数据:记录焊接过程的结果,包括焊点质量、焊接强度等。这些数据对于生产质量控制至关重要。
进一步优化方案,所述数据处理子系统包括:
异常数据清除模块,用于将所述运行状态数据集进行缺失值的删除并通过回归分析方法填充缺失值,获得清洗数据集;
结构更改模块,用于将所述清洗数据集进行最小-最大归一化处理后将数据集的数据结构进行更改,生成所述处理数据集。
最小-最大归一化的公式为:
[X_{\text{norm}}=\frac{X-X_{\text{min}}}{X_{\text{max}}-X_{\text{min}}}]
其中:
(X_{\text{norm}})是归一化后的数据。
(X)是原始数据。
(X_{\text{min}})是原始数据的最小值。
(X_{\text{max}})是原始数据的最大值。
进一步优化方案,所述分类模型构建子系统包括:
模型构建模块,用于构建卷积神经网络模型和长短时记忆网络;
历史数据获取模块,用于获取历史真空回流焊炉运行数据的样本集;
第一训练模块,用于通过所述卷积神网络的输出对所述长短时记忆网络进行训练,生成学生网络模型;
改进模块,用于构建注意力机制模块和残差模块,并将所述注意力机制模块和残差模块引入至所述长短时记忆网络中,生成改进的长短时记忆网络;
第二训练模块,用于通过所述样本集对所述改进的长短时记忆网络进行训练,生成所述数据分类模型。
进一步优化方案,所述第一训练模块包括:
教师模型输出获取单元,用于通过所述卷积神经网络对所述样本集进行向前传播,获得卷积神经网络的输出;
学生模型获取单元,用于将所述卷积神经网络的输出作为目标标签,并引入温度参数对所述长短时记忆网络进行训练,获得所述学生网络模型。
其中,所述第一训练模块具体的训练过程为:确保数据集包含卷积网络模型期望的输入和输出。
如图2-3所示,使用卷积网络模型对数据集进行前向传播,得到卷积网络模型的输出。使用卷积网络模型的输出和相应的目标标签来训练长短时神经网络。这可以通过常规的监督学习损失函数(例如,均方误差或交叉熵损失)实现。
加入温度参数:引入一个温度参数,用于控制卷积网络模型输出的软化程度。温度参数通常是一个介于0和1之间的值。较高的温度会使概率分布更平滑,使得长短时神经网络更容易学习。
设计蒸馏损失函数:引入蒸馏损失函数,该损失函数用于比较长短时神经网络的输出和卷积网络模型的软化输出。蒸馏损失函数的设计可能包括均方误差损失或交叉熵损失,具体取决于任务的性质。
联合训练:联合训练长短时神经网络,同时使用传统的监督学习损失函数和蒸馏损失函数。通过平衡这两个损失函数,可以确保长短时神经网络既能够拟合目标标签,又能够从卷积网络模型中蒸馏出知识。
调整超参数:根据实验结果,调整温度参数和其他超参数,以优化长短时神经网络的性能。
进一步优化方案,所述改进模块包括:
模块构建单元,用于构建所述注意力机制模块和残差模块;
注意力机制引入单元,用于将所述注意力机制模块引入至所述长短时记忆网络的隐藏层的前三层中,获得注意力分类模型;
残差引入单元,用于将所述残差模块引入至所述注意力分类模型中,生成所述改进的长短时记忆网络。
进一步优化方案,所述数据记录子系统包括:
计算模块,用于通过所述数据分类模型对所述处理数据集进行计算,生成真空回流焊炉的实时运行状态和预测运行状态图;
绘制模块,用于通过所述真空回流焊炉的实时运行状态和预测运行状态图对真空回流焊炉的运行数据和运行趋势数据进行记录并生成可视化报告。
计算模块用于通过所述数据分类模型对所述处理数据集进行计算。这个模块利用先进的算法和模型,对大量数据进行分类、分析和处理,以生成真空回流焊炉的实时运行状态和预测运行状态图。这些状态图能够清晰地反映出真空回流焊炉的运行状态,包括实时数据和预测数据,为操作人员提供准确的参考。
绘制模块通过所述真空回流焊炉的实时运行状态和预测运行状态图对真空回流焊炉的运行数据和运行趋势数据进行记录并生成可视化报告。这个模块利用图表、曲线图等形式,将复杂的数据和趋势直观地呈现出来,使操作人员能够快速了解真空回流焊炉的运行情况,从而做出更准确的决策。同时,可视化报告还能帮助操作人员更好地理解设备的性能和运行状态,为设备的维护和优化提供有力的支持。
进一步优化方案,所述计算模块还用于通过所述真空回流焊炉的实时运行状态和预测运行状态图生成异常分类预测结果并基于时间轴反馈至所述绘制模块中进行异常标注。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (9)
1.一种真空回流焊炉的数据记录系统,其特征在于,包括:
数据收集子系统,用于基于分布式传感器对真空回流焊炉的运行参数进行监测,生成运行状态数据集;
数据处理子系统,与所述数据收集子系统连接,用于将所述运行状态数据集进行处理,生成处理数据集;
分类模型构建子系统,与所述数据处理子系统连接,用于通过卷积神经网络对长短时记忆网络进行训练,并将注意力机制和残差模块引入所述长短时记忆网络后再通过样本集对所述长短时记忆网络进行训练,生成数据分类模型;
数据记录子系统,与所述分类模型构建子系统连接,用于通过所述数据分类模型对所述处理数据集进行计算,生成真空回流焊炉的运行分类结果并生成可视化报告。
2.根据权利要求1所述的真空回流焊炉的数据记录系统,其特征在于,所述数据收集子系统包括:
传感器收集模块,用于通过分布式传感器收集真空回流焊炉在运行过程中的参数;
汇总模块,用于将所述真空回流焊炉在运行过程中的参数进行汇总,好僧成所述运行状态数据集。
3.根据权利要求1所述的真空回流焊炉的数据记录系统,其特征在于,所述传感器收集模块收集的运行过程中的参数包括温度数据、压力数据、加热和冷却速率、焊炉门状态、焊炉运行时间、传感器状态、电源和电流数据和焊接结果数据。
4.根据权利要求1所述的真空回流焊炉的数据记录系统,其特征在于,所述数据处理子系统包括:
异常数据清除模块,用于将所述运行状态数据集进行缺失值的删除并通过回归分析方法填充缺失值,获得清洗数据集;
结构更改模块,用于将所述清洗数据集进行最小-最大归一化处理后将数据集的数据结构进行更改,生成所述处理数据集。
5.根据权利要求1所述的真空回流焊炉的数据记录系统,其特征在于,所述分类模型构建子系统包括:
模型构建模块,用于构建卷积神经网络模型和长短时记忆网络;
历史数据获取模块,用于获取历史真空回流焊炉运行数据的样本集;
第一训练模块,用于通过所述卷积神网络的输出对所述长短时记忆网络进行训练,生成学生网络模型;
改进模块,用于构建注意力机制模块和残差模块,并将所述注意力机制模块和残差模块引入至所述长短时记忆网络中,生成改进的长短时记忆网络;
第二训练模块,用于通过所述样本集对所述改进的长短时记忆网络进行训练,生成所述数据分类模型。
6.根据权利要求5所述的真空回流焊炉的数据记录系统,其特征在于,所述第一训练模块包括:
教师模型输出获取单元,用于通过所述卷积神经网络对所述样本集进行向前传播,获得卷积神经网络的输出;
学生模型获取单元,用于将所述卷积神经网络的输出作为目标标签,并引入温度参数对所述长短时记忆网络进行训练,获得所述学生网络模型。
7.根据权利要求5所述的真空回流焊炉的数据记录系统,其特征在于,所述改进模块包括:
模块构建单元,用于构建所述注意力机制模块和残差模块;
注意力机制引入单元,用于将所述注意力机制模块引入至所述长短时记忆网络的隐藏层的前三层中,获得注意力分类模型;
残差引入单元,用于将所述残差模块引入至所述注意力分类模型中,生成所述改进的长短时记忆网络。
8.根据权利要求1所述的真空回流焊炉的数据记录系统,其特征在于,所述数据记录子系统包括:
计算模块,用于通过所述数据分类模型对所述处理数据集进行计算,生成真空回流焊炉的实时运行状态和预测运行状态图;
绘制模块,用于通过所述真空回流焊炉的实时运行状态和预测运行状态图对真空回流焊炉的运行数据和运行趋势数据进行记录,生成真空回流焊炉的运行分类结果,并生成可视化报告。
9.根据权利要求8所述的真空回流焊炉的数据记录系统,其特征在于,所述计算模块还用于通过所述真空回流焊炉的实时运行状态和预测运行状态图生成异常分类预测结果并基于时间轴反馈至所述绘制模块中进行异常标注。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311827623.1A CN117620345A (zh) | 2023-12-28 | 2023-12-28 | 一种真空回流焊炉的数据记录系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311827623.1A CN117620345A (zh) | 2023-12-28 | 2023-12-28 | 一种真空回流焊炉的数据记录系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117620345A true CN117620345A (zh) | 2024-03-01 |
Family
ID=90032295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311827623.1A Pending CN117620345A (zh) | 2023-12-28 | 2023-12-28 | 一种真空回流焊炉的数据记录系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117620345A (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111611377A (zh) * | 2020-04-22 | 2020-09-01 | 淮阴工学院 | 基于知识蒸馏的多层神经网络语言模型训练方法与装置 |
CN112733431A (zh) * | 2020-12-22 | 2021-04-30 | 中国电子科技集团公司第五十五研究所 | 基于人工神经网络的回流焊参数智能生成方法 |
US20210271582A1 (en) * | 2018-06-28 | 2021-09-02 | Zte Corporation | Operation and maintenance system and method |
CN114015825A (zh) * | 2021-11-09 | 2022-02-08 | 上海交通大学 | 基于注意力机制的高炉热负荷异常状态监测方法 |
CN114218703A (zh) * | 2021-12-13 | 2022-03-22 | 深圳市浦联智能科技有限公司 | 基于机器学习的回流焊工艺参数优化方法、装置和设备 |
CN114912716A (zh) * | 2022-07-11 | 2022-08-16 | 国网信息通信产业集团有限公司 | 基于双向长短时记忆网络的短期电力负荷预测方法及系统 |
CN115017828A (zh) * | 2022-07-01 | 2022-09-06 | 国网河南省电力公司电力科学研究院 | 基于双向长短时记忆网络的电力电缆故障识别方法及系统 |
CN115099135A (zh) * | 2022-06-16 | 2022-09-23 | 桂林理工大学 | 一种改进的人工神经网络多类型作业功耗预测方法 |
CN116275462A (zh) * | 2023-05-15 | 2023-06-23 | 上海耀焊科技有限公司 | 一种惯性摩擦焊机智能焊接方法和系统 |
CN116318907A (zh) * | 2023-02-28 | 2023-06-23 | 宿州市耀舱电子商务有限公司 | 基于大数据和神经网络分析计算机网络态势的方法及系统 |
CN116578137A (zh) * | 2023-04-25 | 2023-08-11 | 广州安通林灯具有限公司 | 一种回流焊炉温监控方法、装置、设备及存储介质 |
CN116668198A (zh) * | 2023-07-31 | 2023-08-29 | 南京争锋信息科技有限公司 | 基于深度学习的流量回放测试方法、装置、设备及介质 |
CN116833559A (zh) * | 2023-08-10 | 2023-10-03 | 天津恒兴机械设备有限公司 | 一种基于机器学习的焊接参数优化方法 |
CN117149857A (zh) * | 2023-09-18 | 2023-12-01 | 合肥力发电气科技有限责任公司 | 一种基于深度学习的电气设备故障预警与自动化维护系统 |
CN117218083A (zh) * | 2023-09-14 | 2023-12-12 | 吉林大学 | 一种基于改进YOLOv8钢管焊缝缺陷检测方法 |
-
2023
- 2023-12-28 CN CN202311827623.1A patent/CN117620345A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210271582A1 (en) * | 2018-06-28 | 2021-09-02 | Zte Corporation | Operation and maintenance system and method |
CN111611377A (zh) * | 2020-04-22 | 2020-09-01 | 淮阴工学院 | 基于知识蒸馏的多层神经网络语言模型训练方法与装置 |
CN112733431A (zh) * | 2020-12-22 | 2021-04-30 | 中国电子科技集团公司第五十五研究所 | 基于人工神经网络的回流焊参数智能生成方法 |
CN114015825A (zh) * | 2021-11-09 | 2022-02-08 | 上海交通大学 | 基于注意力机制的高炉热负荷异常状态监测方法 |
CN114218703A (zh) * | 2021-12-13 | 2022-03-22 | 深圳市浦联智能科技有限公司 | 基于机器学习的回流焊工艺参数优化方法、装置和设备 |
CN115099135A (zh) * | 2022-06-16 | 2022-09-23 | 桂林理工大学 | 一种改进的人工神经网络多类型作业功耗预测方法 |
CN115017828A (zh) * | 2022-07-01 | 2022-09-06 | 国网河南省电力公司电力科学研究院 | 基于双向长短时记忆网络的电力电缆故障识别方法及系统 |
CN114912716A (zh) * | 2022-07-11 | 2022-08-16 | 国网信息通信产业集团有限公司 | 基于双向长短时记忆网络的短期电力负荷预测方法及系统 |
CN116318907A (zh) * | 2023-02-28 | 2023-06-23 | 宿州市耀舱电子商务有限公司 | 基于大数据和神经网络分析计算机网络态势的方法及系统 |
CN116578137A (zh) * | 2023-04-25 | 2023-08-11 | 广州安通林灯具有限公司 | 一种回流焊炉温监控方法、装置、设备及存储介质 |
CN116275462A (zh) * | 2023-05-15 | 2023-06-23 | 上海耀焊科技有限公司 | 一种惯性摩擦焊机智能焊接方法和系统 |
CN116668198A (zh) * | 2023-07-31 | 2023-08-29 | 南京争锋信息科技有限公司 | 基于深度学习的流量回放测试方法、装置、设备及介质 |
CN116833559A (zh) * | 2023-08-10 | 2023-10-03 | 天津恒兴机械设备有限公司 | 一种基于机器学习的焊接参数优化方法 |
CN117218083A (zh) * | 2023-09-14 | 2023-12-12 | 吉林大学 | 一种基于改进YOLOv8钢管焊缝缺陷检测方法 |
CN117149857A (zh) * | 2023-09-18 | 2023-12-01 | 合肥力发电气科技有限责任公司 | 一种基于深度学习的电气设备故障预警与自动化维护系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113112086B (zh) | 一种基于边缘计算和标识解析的智能生产系统 | |
US10288043B2 (en) | Wind turbine condition monitoring method and system | |
CN106598791B (zh) | 一种基于机器学习的工业设备故障预防性识别方法 | |
CN104390657B (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
Mourtzis et al. | Intelligent predictive maintenance and remote monitoring framework for industrial equipment based on mixed reality | |
CN103512619A (zh) | 一种变压器状态信息智能监控系统及方法 | |
CN112527613A (zh) | 基于云边协同的设备故障维护方法及装置 | |
Xu et al. | Quantile regression neural network‐based fault detection scheme for wind turbines with application to monitoring a bearing | |
CN114453709A (zh) | 一种基于边缘计算的机器人焊接现场智能监控系统 | |
CN110032093A (zh) | 一种基于视觉物联网的工程用电安全管理方法 | |
CN116308304B (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及系统 | |
CN104895547A (zh) | 钻机电控系统智能移动监控和全自动维护方法及装置 | |
CN104179529A (zh) | 基于物联网和云计算的矿井通风机智能监控与故障诊断系统 | |
CN112650195A (zh) | 基于云边协同的设备故障维护方法及装置 | |
CN116800199A (zh) | 一种分布式光伏运行电能质量监测与分析方法 | |
CN116824731A (zh) | 一种火电厂智能巡检方法和设备 | |
CN114297265A (zh) | 基于物联技术的智能运维方法 | |
CN117544998B (zh) | 一种基于人工智能的无线网速智能化评估系统 | |
CN107052727A (zh) | 白车身信息化管理方法及其系统 | |
CN117620345A (zh) | 一种真空回流焊炉的数据记录系统 | |
CN113836816A (zh) | 一种基于红外图像的发电机碳刷温度监测系统及温度预测方法 | |
CN112255969A (zh) | 一种数控机床的数据采集分析展示系统及方法 | |
Liyakat et al. | ML in the Electronics Manufacturing Industry | |
CN113537658A (zh) | 一种设备风险评估及检修系统和方法 | |
CN110794799A (zh) | 应用于工业生产的具有故障诊断功能的大数据系统 |
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 |