CN117689269A - 一种智能手表加工阶段的故障溯源方法 - Google Patents
一种智能手表加工阶段的故障溯源方法 Download PDFInfo
- Publication number
- CN117689269A CN117689269A CN202410122458.8A CN202410122458A CN117689269A CN 117689269 A CN117689269 A CN 117689269A CN 202410122458 A CN202410122458 A CN 202410122458A CN 117689269 A CN117689269 A CN 117689269A
- Authority
- CN
- China
- Prior art keywords
- fault
- index
- intelligent watch
- data
- processing stage
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000001514 detection method Methods 0.000 claims abstract description 74
- 238000012544 monitoring process Methods 0.000 claims abstract description 52
- 239000000428 dust Substances 0.000 claims abstract description 38
- 238000012795 verification Methods 0.000 claims abstract description 33
- 238000004519 manufacturing process Methods 0.000 claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 29
- 230000002441 reversible effect Effects 0.000 claims abstract description 29
- 239000000463 material Substances 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims description 45
- 238000004458 analytical method Methods 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 29
- 239000002245 particle Substances 0.000 claims description 6
- 238000012797 qualification Methods 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 230000007613 environmental effect Effects 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 239000002994 raw material Substances 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000003754 machining Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011990 functional testing Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012858 packaging process Methods 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013097 stability assessment Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Landscapes
- General Factory Administration (AREA)
Abstract
本发明公开了一种智能手表加工阶段的故障溯源方法,具体涉及故障诊断溯源领域:在智能手表的多个加工阶段,通过设置多个检测点,分别采用不同类型的传感器,包括特征校验波动指数、机芯灰尘辐照度和冲击频率偏差指数,通过预先构建的异常检测模型,判断检测点是否异常,一旦检测点异常,获取故障特征数据,提取加工设备状态下滑速率指数和零部件材料非逆性受损程度值,构建故障预测模型,判断智能手表加工阶段是否发生故障,当发生故障时,结合历史故障数据构建故障类型匹配模型,将历史数据与故障特征数据匹配,实现故障的追溯,从而实现了对智能手表加工阶段全面的实时监测和故障预测,提高产品质量和生产效率。
Description
技术领域
本发明涉及故障诊断溯源领域,具体涉及一种智能手表加工阶段的故障溯源方法。
背景技术
智能手表加工阶段在整个制造过程中扮演关键角色,为确保产品质量达标,现代制造引入智能手表质量监测系统,质量监测系统通过监测智能手表的加工质量,实时进行作业核算,将作业核算结果与质量检测指标进行实时比对分析,若有偏差能够及时的提出控制措施。然而,由于加工车间的内部环境比较复杂,当周围环境因素干扰到了质量监测系统的检测点时,检测点可能出现数据漏检或者错误的情况,最终影响到了智能手表的正常加工,且当多个检测点出现异常时,整个智能手表加工阶段都会受到干扰,质量监测系统难以准确判断异常的原因和风险。
发明内容
本发明的目的是提供一种智能手表加工阶段的故障溯源方法,以解决背景技术中不足。
为了实现上述目的,本发明提供如下技术方案:一种智能手表加工阶段的故障溯源方法,包括以下步骤:
S1:根据智能手表的不同加工阶段设置多个检测点,分别获取对应检测点中由质量监测系统监测到的质量数据,并提取质量数据中的特征校验波动指数,在检测点设置多组不同类型的传感器,用以采集零部件装配过程中的机芯灰尘辐照度、冲击频率偏差指数;
S2:将所述机芯灰尘辐照度、冲击频率偏差指数以及特征校验波动指数输入到预先构建的异常检测模型中进行综合计算,根据计算结果判断检测点是否出现异常;
S3:在确定检测点为异常检测点后,获取异常检测点对应加工阶段的故障特征数据,并提取故障特征数据中的加工设备状态下滑速率指数以及零部件材料非逆性受损程度值;
S4:构建故障预测模型,对所述状态下滑速率指数以及非逆性受损程度值进行综合计算,判断智能手表加工阶段是否发生故障;
S5:当智能手表加工阶段发生故障时,结合智能手表的历史故障数据,构建故障类型匹配模型,将所述历史故障数据与故障特征数据进行匹配,并根据匹配结果进行故障溯源。
在一个优选地实施方式中,S2中,将所述机芯灰尘辐照度、冲击频率偏差指数以及特征校验波动指数输入到预先构建的异常检测模型中进行综合计算;
冲击频率偏差指数的获取逻辑为:获取时间段内零部件在组装过程中受到振动的次数,建立振动次数集合/>={/>}={/>、/>、/>.../>},/>为大于0的正整数,计算实际震动频率,计算表达式为:/>,式中,/>为实际振动频率,获取加工车间内零部件在组装过程中预设的标准振动频率/>、获取振动和冲击引起的装配间隙和尺寸偏差零部件数量总和记为/>以及所有已装配的零部件综合数量记为/>,计算零部件在装配过程中的冲击频率偏差指数,计算表达式为:/>,式中,/>为冲击频率偏差指数;
机芯灰尘辐照度的获取逻辑为:获取机芯内部的空间总面积记为,通过颗粒计数器测量发条、齿轮、摆轮上的颗粒物的总量/>和表面积/>,并获取发条、齿轮、摆轮上对应的最低颗粒物总量/>,计算机芯灰尘辐照度,计算表达式为:/>,式中,/>为机芯灰尘辐照度;
特征校验波动指数的获取逻辑为:获取质量数据中的零部件质量特征识别时间、校验次数/>、同源数据个数/>,获取预期的特征识别时间、校验次数、同源数据个数,计算得到特征识别时间偏差值/>、校验次数偏差值/>、同源数据个数偏差值/>,计算特征校验波动指数,计算表达式为:/>,式中,/>为特征校验波动指数。
在一个优选地实施方式中,将所述机芯灰尘辐照度、冲击频率偏差指数以及特征校验波动指数输入到预先构建的异常检测模型中进行综合计算,计算检测点的稳定性分析系数,计算表达式为:,式中,/>为稳定性分析系数、为冲击频率偏差指数、/>为机芯灰尘辐照度、/>为特征校验波动指数,/>为冲击频率偏差指数、机芯灰尘辐照度、特征校验波动指数的比例系数,且/>;
将获取到的稳定性分析系数与标准阈值进行比较,若稳定性分析系数大于标准阈值,此时发出正常信号;若稳定性分析系数小于等于标准阈值,此时发出异常信号。
在一个优选地实施方式中,S4中,构建故障预测模型,对所述状态下滑速率指数以及非逆性受损程度值进行综合计算;
状态下滑速率指数的获取逻辑为:采集在时间段内智能手表产品合格的数量记为/>,理论生产量记为/>,有效效率表达式为:/>,式中/>代表在/>时间段内的生产智能手表的有效效率,计算有效效率与理论有效效率的效率差的标准效率差,理论有效效率为在规定时间内生产智能手表所需要生产合格品的数量,通过传感器组采集在实际生产过程中生产的合格品数量连续下滑时间内生产智能手表的有效效率,计算表达式为:/> 为设备状态下滑速率指数、/>为/>时间段内的标准效率差,/>为/>时间段内的标准效率差;
非逆性受损程度值的获取逻辑为:获取智能手表装配过程中零部件的装配间隙,获取零部件装配的标准间隙范围为:/>,当采集到的实时零部件装配间隙小于最小标准间隙时,计算此时的间隙差/>,当采集到的实时零部件装配间隙大于最大标准间隙时,计算此时的间隙差/>,计算此时的零部件材料非逆性受损程度值,计算表达式为:/>,式中,/>为非逆性受损程度值。
在一个优选地实施方式中,综合计算状态下滑速率指数以及非逆性受损程度值后,生成故障分析系数,故障分析系数的计算表达式为:,式中,为故障分析系数,/>分别为状态下滑速率指数、非逆性受损程度值的比例系数,且;
将获取到的故障分析系数与风险阈值进行比较,若故障分析系数大于风险阈值,此时发出预警信号;若故障分析系数小于等于风险阈值,此时不发出预警信号。
在上述技术方案中,本发明提供的技术效果和优点:
1、本发明通过在智能手表的不同加工阶段设置多个检测点,分别获取对应检测点内由质量监测系统监测到的质量数据中的特征校验波动指数,以及通过传感器采集得到的零部件装配过程中的机芯灰尘辐照度、冲击频率偏差指数,将所述机芯灰尘辐照度、冲击频率偏差指数以及特征校验波动指数输入到预先构建的异常检测模型中进行综合计算,根据计算结果判断检测点是否出现异常,可以实现对质量监测系统数据和装配过程环境参数的全面评估,有助于及时发现问题、提高生产效率和产品质量。
2、本发明通过获取异常检测点对应加工阶段的故障特征数据,并提取故障特征数据中的加工设备状态下滑速率指数以及零部件材料非逆性受损程度值进行综合计算,判断智能手表加工阶段是否发生故障,当智能手表加工阶段发生故障时,结合智能手表的历史故障数据,构建故障类型匹配模型,将所述历史故障数据与故障特征数据进行匹配,并根据匹配结果进行故障溯源,可以实现对智能手表加工阶段故障的早期预测。这有助于提前采取维护措施,降低故障对生产的不良影响,将当前故障特征数据与历史故障数据进行匹配,可以提高对智能手表加工阶段发生故障的判别准确性,有助于减少误报和漏报,确保对真实故障的及时识别。
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为所述一种智能手表加工阶段的故障溯源方法流程图。
图2为所述智能手表加工阶段故障判别流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
请参阅图1、2所示,本实施例所述一种智能手表加工阶段的故障溯源方法,包括以下步骤:
S1:根据智能手表的不同加工阶段设置多个检测点,分别获取对应检测点中由质量监测系统监测到的质量数据,并提取质量数据中的特征校验波动指数,在检测点设置多组不同类型的传感器,用以采集零部件装配过程中的机芯灰尘辐照度、冲击频率偏差指数;
S2:将所述机芯灰尘辐照度、冲击频率偏差指数以及特征校验波动指数输入到预先构建的异常检测模型中进行综合计算,根据计算结果判断检测点是否出现异常;
S3:在确定检测点为异常检测点后,获取异常检测点对应加工阶段的故障特征数据,并提取故障特征数据中的加工设备状态下滑速率指数以及零部件材料非逆性受损程度值;
S4:构建故障预测模型,对所述状态下滑速率指数以及非逆性受损程度值进行综合计算,判断智能手表加工阶段是否发生故障;
S5:当智能手表加工阶段发生故障时,结合智能手表的历史故障数据,构建故障类型匹配模型,将所述历史故障数据与故障特征数据进行匹配,并根据匹配结果进行故障溯源。
针对智能手表的不同加工阶段,质量监测系统需要获取相应的监测数据,以确保产品质量和生产效率。以下是对各加工阶段可能涉及的监测数据的具体描述:
设计与规划阶段:确保设计符合功能需求、外观规范,CAD模型准确无误。
原材料准备:确保原材料符合规格,检查供应商证明和质量记录。
机械加工阶段:监测机械加工过程中的速度、温度,测量零部件的尺寸,确保符合设计要求。
电子组装阶段:检查电子元件的正确性和完整性,记录焊接过程的质量,确保电子组件连接良好。
装配与调试:记录每个零部件的装配参数,进行整体功能测试,确保各部分协调工作。
软件编程与测试:确保软件版本正确,编程代码无误,进行功能测试,记录测试结果。
外观处理:使用图像处理技术进行外观检测,记录涂层施加过程的质量。
质量检测与控制:进行综合质量检测,使用检测仪器记录各项指标,确保产品符合质量标准。
包装与出厂:记录包装过程,进行出厂检验,确保产品完好无损。
在此说明的是,以上监测数据的具体内容可能因制造商和生产流程而异,但这些数据都是在各个阶段中确保质量和性能的关键信息。监测系统需要综合利用这些数据,进行实时监测和分析,以及反馈到生产流程中,以确保产品在每个阶段都符合标准。
在每个智能手表加工阶段安装传感器,能够提供实时的生产数据,支持监测、控制和优化加工过程。以下是在每个加工阶段可能使用的传感器及其监测的具体数据:
设计与规划阶段:通过CAD模型生成软件监测实时生成的CAD模型,设计参数的变化,设计软件使用情况。
原材料准备:RFID标签、温湿度传感器;RFID标签用于追踪原材料的来源和质量信息,温湿度传感器监测储存条件,确保原材料质量不受影响。
机械加工阶段:设置加工参数传感器、温度传感器、振动传感器;监测数据包括实时监测机械加工参数,记录温度变化,检测机械振动,以防止过度振动影响零件精度。
电子组装阶段:包括触摸传感器、视觉传感器,使用触摸传感器确保电子元件的正确位置,利用视觉传感器进行零件的视觉检测,以确保组装的准确性。
装配与调试:包括位置传感器、力传感器,用于实时监测零部件的位置,应用力传感器确保适当的装配力,确保每个组件的准确安装。
软件编程与测试:包括测试仪器、编程接口传感器,用于实时记录软件测试的结果,编程接口传感器监测编程过程中的错误。
外观处理:包括光学传感器、颜色传感器,使用光学传感器进行外观检测,颜色传感器确保涂层颜色的一致性。
质量检测与控制:包括检测仪器、压力传感器;用于实时监测各项质量指标,使用压力传感器检测零部件的紧固力。
包装与出厂:包括重量传感器、视觉传感器;使用重量传感器确保正确的包装重量,视觉传感器进行包装质量检测。
通过传感器监测实时加工数据,所述实时加工数据包括零部件的冲击频率偏差指数、不可逆形变比例以及加工设备的高精度波动程度值;
冲击频率偏差指数是指智能手表的零部件在安装过程中,由于处于工业环境内,设备可能会受到振动和冲击的影响,可能导致部件相对位置的微小变化,从而引起装配间隙和尺寸偏差,获取部件装配冲击比例的作用包括:
质量监测与控制:有助于监测和控制产品装配过程中的振动和冲击情况。
装配精度优化:通过分析部件冲击频率偏差指数,可以识别影响装配精度的因素,并优化装配过程,减少振动和冲击的影响。
预防装配问题:提前识别振动和冲击可能引起的变化,有助于采取预防措施,避免在后续阶段出现装配不良或质量问题。
提高生产效率:通过控制和优化部件装配冲击偏差,可以减少由于装配问题导致的废品率,提高生产效率,减少装配问题还有助于降低后续生产环节的返工和修复成本。
综合而言,获取智能手表零部件装配过程中冲击频率偏差指数有助于实现全面的质量监测,确保智能手表在生产过程中达到预期的装配质量,提高产品质量和生产效率。
冲击频率偏差指数的获取逻辑为:获取时间段内零部件在组装过程中受到振动的次数,建立振动次数集合/>={/>}={/>、/>、/>.../>},/>为大于0的正整数,计算实际震动频率,计算表达式为:/>,式中,/>为实际振动频率,获取加工车间内零部件在组装过程中预设的标准振动频率/>、获取振动和冲击引起的装配间隙和尺寸偏差零部件数量总和记为/>以及所有已装配的零部件综合数量记为/>,计算零部件在装配过程中的冲击频率偏差指数,计算表达式为:/>,式中,为冲击频率偏差指数,冲击频率偏差指数越大说明零部件在装配过程中受到的振动冲击频率越高,智能手表的零部件装配间隙和尺寸差异可能越大,质量监测系统的监测点很大可能出现异常;
机芯灰尘辐照度指的是智能手表内部机芯(指表内的核心部分,通常包括发条、齿轮、摆轮等)表面附着的灰尘量或颗粒物的程度。机芯灰尘附着度反映了机芯的清洁程度,对于智能手表的精准运行和长期稳定性非常重要。
机芯灰尘辐照度的获取逻辑为:机芯灰尘辐照度的获取逻辑为:获取机芯内部的空间总面积记为,通过颗粒计数器测量发条、齿轮、摆轮上的颗粒物的总量/>和表面积,并获取发条、齿轮、摆轮上对应的最低颗粒物总量/>,计算机芯灰尘辐照度,计算表达式为:/>,式中,/>为机芯灰尘辐照度,灰尘辐照度的值越大,表示单位空间内的灰尘量和表面积越高,反映了机芯内部的灰尘程度越高,可能会对监测环境造成一些负面的影响;
特征校验波动指数是一种通过对加工阶段内质量监测系统监测到的质量数据进行分析和计算得出的指标。特征指数通常是指表征产品或过程某一方面特定特征的数值或参数,例如尺寸、形状、电气性能等。而特征校验波动指数则是对这些特征指数在一定时间内的波动情况进行评估,特征校验指数在评估监测点是否出现异常时的主要作用包括:
环境稳定性评估:特征校验指数可以用于评估监测环境的稳定性。通过监测特定特征的波动情况,可以了解监测环境是否存在变化或波动,以及这些变化是否可能对监测结果产生影响。
异常检测:特征校验指数的变化可以作为异常检测的指标。如果特征校验指数在一定时间范围内发生异常波动,可能表明监测环境发生了异常情况,需要引起注意并进行进一步调查。
数据可靠性评估:特征校验指数可以用于评估监测环境对数据可靠性的影响。稳定的监测环境有助于保持数据的一致性和准确性,而波动较大的环境可能会导致数据不稳定或不可靠。
质量控制:特征校验指数可以作为监测环境质量控制的参考指标。通过监测环境中特定特征的波动情况,可以及时发现环境变化,采取措施保持监测环境的稳定性,从而提高监测数据的质量。
数据一致性:稳定的监测环境有助于保持数据一致性。特征校验指数可以用于评估环境变化对监测数据的一致性产生的潜在影响,帮助维持数据的一致性水平。
特征校验波动指数的获取逻辑为:获取质量数据中的零部件质量特征识别时间、校验次数/>、同源数据个数/>,获取预期的特征识别时间、校验次数、同源数据个数,计算得到特征识别时间偏差值/>、校验次数偏差值/>、同源数据个数偏差值/>,计算特征校验波动指数,计算表达式为:/>,式中,/>为特征校验波动指数;
特征校验指数越大通常表示监测环境中特定特征的波动程度较大。这可能对监测环境产生一系列影响,包括但不限于:
数据不稳定性:较大的特征校验指数可能意味着监测环境存在较大的变化或波动,导致监测数据的不稳定性。
不一致性:特征校验指数的增大可能导致监测数据的不一致性。环境波动引起的特征变化可能使得相同条件下采集到的数据有较大的差异,影响了数据的一致性和可比性。
异常检测:较大的特征校验指数可以作为异常检测的指标。如果指数超过了预设的阈值,可能表明监测环境出现了异常情况。
数据不准确性:特征校验指数增大可能会对监测数据的准确性产生负面影响。环境波动可能导致数据中包含了不希望的变异,降低了数据的精确性。
生产过程问题:特征校验指数的增大可能反映了生产过程中的问题或不稳定因素。
可靠性问题:监测环境波动可能导致监测设备或传感器的性能不稳定,降低了数据采集的可靠性。
将所述机芯灰尘辐照度、冲击频率偏差指数以及特征校验波动指数输入到预先构建的异常检测模型中进行综合计算,计算检测点的稳定性分析系数,计算表达式为:,式中,/>为稳定性分析系数、/>为冲击频率偏差指数、/>为机芯灰尘辐照度、/>为特征校验波动指数,/>为冲击频率偏差指数、机芯灰尘辐照度、特征校验波动指数的比例系数,且/>。
将获取到的稳定性分析系数与标准阈值进行比较,若稳定性分析系数大于标准阈值,说明智能手表加工阶段内质量监测系统的检测点处于正常状态,此时发出正常信号;若稳定性分析系数小于等于标准阈值,说明智能手表加工阶段内质量监测系统的检测点处于异常状态,此时发出异常信号。
本实施例中,通过在智能手表的不同加工阶段设置多个检测点,分别获取对应检测点内由质量监测系统监测到的质量数据中的特征校验波动指数,以及通过传感器采集得到的零部件装配过程中的机芯灰尘辐照度、冲击频率偏差指数,将所述机芯灰尘辐照度、冲击频率偏差指数以及特征校验波动指数输入到预先构建的异常检测模型中进行综合计算,根据计算结果判断检测点是否出现异常,可以实现对质量监测系统数据和装配过程环境参数的全面评估,有助于及时发现问题、提高生产效率和产品质量。
实施例2
在上述实施例1中,通过在智能手表的不同加工阶段设置多个检测点,根据检测点内由质量监测系统监测到的质量数据中的特征校验波动指数,以及通过传感器采集得到的零部件装配过程中的机芯灰尘辐照度、冲击频率偏差指数进行综合计算,根据计算结果判断检测点是否出现异常,当检测点出现异常时,此时质量检测系统检测到的智能手表的质量数据可能为异常数据,再结合此时加工阶段内智能手表的可能发生故障的特征数据进行综合分析,判断加工阶段是否出现故障。
在确定检测点为异常检测点后,获取智能手表加工阶段的故障检测特征,并提取故障检测特征中的加工设备状态下滑速率指数以及零部件材料非逆性受损程度值;
状态下滑速率指数的获取逻辑为:采集在时间段内智能手表产品合格的数量记为/>,理论生产量记为/>,有效效率表达式为:/>,式中/>代表在/>时间段内的生产智能手表的有效效率,计算有效效率与理论有效效率的效率差的标准效率差,理论有效效率为在规定时间内生产智能手表所需要生产合格品的数量,通过传感器组采集在实际生产过程中生产的合格品数量连续下滑时间内生产智能手表的有效效率,计算表达式为:/> 为设备状态下滑速率指数、/>为/>时间段内的标准效率差,/>为/>时间段内的标准效率差;
评估设备状态下滑速率指数对于加工阶段是否发生故障的主要作用在于提供早期预警和预测性维护。具体来说包括:
提前发现设备问题:通过监测状态下滑速率的趋势,可以及时识别潜在的故障迹象,提前发现设备可能存在的问题。
实现预测性维护:通过评估设备状态下滑速率,有助于降低突发故障的概率,减少停机时间,提高生产效率。
优化资源分配:在可能出现故障的设备上进行更频繁的检查和维护,有助于优化维护资源的利用,提高整体设备的可靠性。
降低生产成本:通过提前发现和解决潜在的设备问题,可以降低由于故障造成的生产中断和维修成本。
零部件材料非逆性受损程度值是指智能手表在加工阶段由于零部件装配的先后性,当零部件的间隙过大或者尺寸出现问题时,对于后续零部件的装配材料会造成不可逆的影响,从而导致材料受损;
非逆性受损程度值的获取逻辑为:获取智能手表装配过程中零部件的装配间隙,获取零部件装配的标准间隙范围为:/>,当采集到的实时零部件装配间隙小于最小标准间隙时,计算此时的间隙差/>,当采集到的实时零部件装配间隙大于最大标准间隙时,计算此时的间隙差/>,计算此时的零部件材料非逆性受损程度值,计算表达式为:/>,式中,/>为非逆性受损程度值,当零部件材料的非逆性受损程度值越大时,智能手表在装配过程中出现问题的可能性越大,材料之间装配的容错率越低,越容易发生故障;
构建故障预测模型,对所述状态下滑速率指数以及非逆性受损程度值进行综合计算,判断智能手表加工阶段是否发生故障;
综合计算状态下滑速率指数以及非逆性受损程度值后,生成故障分析系数,故障分析系数的计算表达式为:,式中,/>为故障分析系数,/>分别为状态下滑速率指数、非逆性受损程度值的比例系数,且/>。
将获取到的故障分析系数与风险阈值进行比较,若故障分析系数大于风险阈值,说明智能手表加工阶段内发生故障的风险性较高,此时发出预警信号,将预警信号发送至用户端;若故障分析系数小于等于风险阈值,说明智能手表加工阶段内发生故障的风险性较低,此时不发出预警信号。
当智能手表加工阶段发生故障时,结合智能手表的历史故障数据,构建故障类型匹配模型,将所述历史故障数据与故障特征数据进行匹配,并根据匹配结果进行故障溯源,包括以下步骤:
将历史故障数据和故障特征数据表示为特征向量,这些向量可以包含一系列规则得分,每个规则都对应一个特征;
将每个特征规则进行标准化处理,设定每个规则的向量得分,其中每个特征规则分别设置一个对应的得分;
将历史故障数据和故障特征数据的特征向量视为一组数据进行比较,用以衡量了数据组之间的总体线性关系;
对于每组数据中的特征向量信息,计算特征向量的相似度,计算公式为;,式中,/>为历史故障数据和故障特征数据之间的相似度,/>为历史故障数据特征向量,/>为故障特征数据;
根据历史故障数据和故障特征数据之间的相似度,计算历史故障数据和故障特征数据之间的特征匹配度,计算表达式为;,式中,/>是特征匹配度,/>为调节因子,且/>>0,/>的取值范围为[0, 1];
设置匹配度阈值,/>∈[0, 1]范围之内,将获取到的参数匹配度/>与匹配度阈值/>进行比较,若0≦/></>,说明历史故障数据和故障特征数据之间的特征匹配度较低,此生不生成匹配成功信号,若/>≦/>≦1,说明历史故障数据和故障特征数据之间的特征匹配度较低,此生生成匹配成功信号,在模型输出匹配成功信号后并根据匹配结果进行故障溯源,包括故障的时间、地点以及故障的类型。
本实施例中,在确定检测点为异常检测点后,获取异常检测点对应加工阶段的故障特征数据,并提取故障特征数据中的加工设备状态下滑速率指数以及零部件材料非逆性受损程度值进行综合计算,判断智能手表加工阶段是否发生故障,当智能手表加工阶段发生故障时,结合智能手表的历史故障数据,构建故障类型匹配模型,将所述历史故障数据与故障特征数据进行匹配,并根据匹配结果进行故障溯源,可以实现对智能手表加工阶段故障的早期预测。这有助于提前采取维护措施,降低故障对生产的不良影响,将当前故障特征数据与历史故障数据进行匹配,可以提高对智能手表加工阶段发生故障的判别准确性,有助于减少误报和漏报,确保对真实故障的及时识别。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,其中A,B可以是单数或者复数。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系,但也可能表示的是一种“和/或”的关系,具体可参考前后文进行理解。
本申请中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-onlymemory,ROM)、随机存取存储器(randomaccessmemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,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以所述权利要求的保护范围为准。
Claims (5)
1.一种智能手表加工阶段的故障溯源方法,其特征在于:包括以下步骤;
S1:根据智能手表的不同加工阶段设置多个检测点,分别获取对应检测点中由质量监测系统监测到的质量数据,并提取质量数据中的特征校验波动指数,在检测点设置多组不同类型的传感器,用以采集零部件装配过程中的机芯灰尘辐照度、冲击频率偏差指数;
S2:将所述机芯灰尘辐照度、冲击频率偏差指数以及特征校验波动指数输入到预先构建的异常检测模型中进行综合计算,根据计算结果判断检测点是否出现异常;
S3:在确定检测点为异常检测点后,获取异常检测点对应加工阶段的故障特征数据,并提取故障特征数据中的加工设备状态下滑速率指数以及零部件材料非逆性受损程度值;
S4:构建故障预测模型,对所述状态下滑速率指数以及非逆性受损程度值进行综合计算,判断智能手表加工阶段是否发生故障;
S5:当智能手表加工阶段发生故障时,结合智能手表的历史故障数据,构建故障类型匹配模型,将所述历史故障数据与故障特征数据进行匹配,并根据匹配结果进行故障溯源。
2.根据权利要求1所述的一种智能手表加工阶段的故障溯源方法,其特征在于:S2中,将所述机芯灰尘辐照度、冲击频率偏差指数以及特征校验波动指数输入到预先构建的异常检测模型中进行综合计算;
冲击频率偏差指数的获取逻辑为:获取时间段内零部件在组装过程中受到振动的次数,建立振动次数集合/>={/>}={/>、/>、/>.../>},/>为大于0的正整数,计算实际震动频率,计算表达式为:/>,式中,/>为实际振动频率,获取加工车间内零部件在组装过程中预设的标准振动频率/>、获取振动和冲击引起的装配间隙和尺寸偏差零部件数量总和记为/>以及所有已装配的零部件综合数量记为/>,计算零部件在装配过程中的冲击频率偏差指数,计算表达式为:/>,式中,/>为冲击频率偏差指数;
机芯灰尘辐照度的获取逻辑为:获取机芯内部的空间总面积记为,通过颗粒计数器测量发条、齿轮、摆轮上的颗粒物的总量/>和表面积/>,并获取发条、齿轮、摆轮上对应的最低颗粒物总量/>,计算机芯灰尘辐照度,计算表达式为:/>,式中,/>为机芯灰尘辐照度;
特征校验波动指数的获取逻辑为:获取质量数据中的零部件质量特征识别时间、校验次数/>、同源数据个数/>,获取预期的特征识别时间、校验次数、同源数据个数,计算得到特征识别时间偏差值/>、校验次数偏差值/>、同源数据个数偏差值/>,计算特征校验波动指数,计算表达式为:/>,式中,/>为特征校验波动指数。
3.根据权利要求2所述的一种智能手表加工阶段的故障溯源方法,其特征在于:
将所述机芯灰尘辐照度、冲击频率偏差指数以及特征校验波动指数输入到预先构建的异常检测模型中进行综合计算,计算检测点的稳定性分析系数,计算表达式为:,式中,/>为稳定性分析系数、/>为冲击频率偏差指数、/>为机芯灰尘辐照度、/>为特征校验波动指数,/>为冲击频率偏差指数、机芯灰尘辐照度、特征校验波动指数的比例系数,且/>;
将获取到的稳定性分析系数与标准阈值进行比较,若稳定性分析系数大于标准阈值,此时发出正常信号;若稳定性分析系数小于等于标准阈值,此时发出异常信号。
4.根据权利要求3所述的一种智能手表加工阶段的故障溯源方法,其特征在于:S4中,构建故障预测模型,对所述状态下滑速率指数以及非逆性受损程度值进行综合计算;
状态下滑速率指数的获取逻辑为:采集在时间段内智能手表产品合格的数量记为,理论生产量记为/>,有效效率表达式为:/>,式中/>代表在/>时间段内的生产智能手表的有效效率,计算有效效率与理论有效效率的效率差的标准效率差,理论有效效率为在规定时间内生产智能手表所需要生产合格品的数量,通过传感器组采集在实际生产过程中生产的合格品数量连续下滑时间内生产智能手表的有效效率,计算表达式为: 为设备状态下滑速率指数、/>为/>时间段内的标准效率差,为/>时间段内的标准效率差;
非逆性受损程度值的获取逻辑为:获取智能手表装配过程中零部件的装配间隙,获取零部件装配的标准间隙范围为:/>,当采集到的实时零部件装配间隙小于最小标准间隙时,计算此时的间隙差/>,当采集到的实时零部件装配间隙大于最大标准间隙时,计算此时的间隙差/>,计算此时的零部件材料非逆性受损程度值,计算表达式为:/>,式中,/>为非逆性受损程度值。
5.根据权利要求4所述的一种智能手表加工阶段的故障溯源方法,其特征在于:
综合计算状态下滑速率指数以及非逆性受损程度值后,生成故障分析系数,故障分析系数的计算表达式为:,式中,/>为故障分析系数,/>分别为状态下滑速率指数、非逆性受损程度值的比例系数,且/>;
将获取到的故障分析系数与风险阈值进行比较,若故障分析系数大于风险阈值,此时发出预警信号;若故障分析系数小于等于风险阈值,此时不发出预警信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410122458.8A CN117689269B (zh) | 2024-01-30 | 一种智能手表加工阶段的故障溯源方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410122458.8A CN117689269B (zh) | 2024-01-30 | 一种智能手表加工阶段的故障溯源方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117689269A true CN117689269A (zh) | 2024-03-12 |
CN117689269B CN117689269B (zh) | 2024-05-14 |
Family
ID=
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170084955A (ko) * | 2016-01-13 | 2017-07-21 | 목포대학교산학협력단 | 풍력 발전기의 고장 진단 방법 및 장치 |
CN111724126A (zh) * | 2020-06-12 | 2020-09-29 | 北京科技大学顺德研究生院 | 一种工艺流程质量异常精准追溯方法及系统 |
CN113865695A (zh) * | 2021-09-08 | 2021-12-31 | 杭州安脉盛智能技术有限公司 | 一种集成故障判断算法的无线振动传感器 |
CN116245256A (zh) * | 2023-04-23 | 2023-06-09 | 湖州新江浩电子有限公司 | 一种结合多因素的电容器质量预测方法、系统及存储介质 |
CN117319179A (zh) * | 2023-11-28 | 2023-12-29 | 中南大学 | 基于机理模型及工业物联网的设备异常监测方法及系统 |
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170084955A (ko) * | 2016-01-13 | 2017-07-21 | 목포대학교산학협력단 | 풍력 발전기의 고장 진단 방법 및 장치 |
CN111724126A (zh) * | 2020-06-12 | 2020-09-29 | 北京科技大学顺德研究生院 | 一种工艺流程质量异常精准追溯方法及系统 |
CN113865695A (zh) * | 2021-09-08 | 2021-12-31 | 杭州安脉盛智能技术有限公司 | 一种集成故障判断算法的无线振动传感器 |
CN116245256A (zh) * | 2023-04-23 | 2023-06-09 | 湖州新江浩电子有限公司 | 一种结合多因素的电容器质量预测方法、系统及存储介质 |
CN117319179A (zh) * | 2023-11-28 | 2023-12-29 | 中南大学 | 基于机理模型及工业物联网的设备异常监测方法及系统 |
Non-Patent Citations (1)
Title |
---|
王庆锋 等: "一种数据驱动的旋转机械早期故障检测模型构建和应用研究", 机械工程学报, vol. 56, no. 16, 31 August 2020 (2020-08-31), pages 22 - 32 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Paolanti et al. | Machine learning approach for predictive maintenance in industry 4.0 | |
CN109524139B (zh) | 一种基于设备工况变化的实时设备性能监测方法 | |
EP3105644B1 (en) | Method of identifying anomalies | |
US7496798B2 (en) | Data-centric monitoring method | |
JP5539382B2 (ja) | 航空エンジン内の故障の識別 | |
EP1242923B1 (en) | A process for the monitoring and diagnostics of data from a remote asset | |
CN109186813A (zh) | 一种温度传感器自检装置及方法 | |
US20140365179A1 (en) | Method and Apparatus for Detecting and Identifying Faults in a Process | |
CN107111311A (zh) | 利用稀疏编码方法的燃气涡轮机传感器故障检测 | |
JP6523815B2 (ja) | プラント診断装置及びプラント診断方法 | |
CN109916496B (zh) | 一种电子秤的监测方法及系统 | |
US11941521B2 (en) | Vibrating machine automated diagnosis with supervised learning | |
CN111611294B (zh) | 星敏感器数据异常检测方法 | |
CN117270514B (zh) | 基于工业物联网的生产过程全流程故障检测方法 | |
CN110174878A (zh) | 一种无人化智能装备健康与保障综合管理通用系统 | |
Jain et al. | Dynamic optimization of process quality control and maintenance planning | |
KR20140072331A (ko) | 이상진단 사전감시 방법 | |
CN112580858A (zh) | 设备参数预测分析方法及系统 | |
Calabrese et al. | An event based machine learning framework for predictive maintenance in industry 4.0 | |
CN117689269B (zh) | 一种智能手表加工阶段的故障溯源方法 | |
CN117689269A (zh) | 一种智能手表加工阶段的故障溯源方法 | |
CN116380228A (zh) | 衡器运行监测方法、系统、终端及存储介质 | |
King et al. | Probabilistic approach to the condition monitoring of aerospace engines | |
KR20230125116A (ko) | 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법 | |
CN111656327A (zh) | 维修干预预测 |
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 |