CN117861962A - 点胶机实时性监控诊断方法 - Google Patents
点胶机实时性监控诊断方法 Download PDFInfo
- Publication number
- CN117861962A CN117861962A CN202311833808.3A CN202311833808A CN117861962A CN 117861962 A CN117861962 A CN 117861962A CN 202311833808 A CN202311833808 A CN 202311833808A CN 117861962 A CN117861962 A CN 117861962A
- Authority
- CN
- China
- Prior art keywords
- data
- adhesive
- dispensing
- glue
- point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000012544 monitoring process Methods 0.000 title claims abstract description 70
- 230000001070 adhesive effect Effects 0.000 claims abstract description 375
- 239000000853 adhesive Substances 0.000 claims abstract description 350
- 230000002159 abnormal effect Effects 0.000 claims abstract description 108
- 238000003745 diagnosis Methods 0.000 claims abstract description 98
- 238000012545 processing Methods 0.000 claims abstract description 97
- 229920000297 Rayon Polymers 0.000 claims abstract description 88
- 238000012937 correction Methods 0.000 claims abstract description 79
- 238000004458 analytical method Methods 0.000 claims abstract description 71
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 230000009471 action Effects 0.000 claims abstract description 16
- 239000003292 glue Substances 0.000 claims description 286
- 230000007547 defect Effects 0.000 claims description 96
- 239000012530 fluid Substances 0.000 claims description 61
- 230000008569 process Effects 0.000 claims description 48
- 238000012502 risk assessment Methods 0.000 claims description 43
- 238000004422 calculation algorithm Methods 0.000 claims description 37
- 230000008859 change Effects 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 30
- 238000013441 quality evaluation Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 27
- 238000012795 verification Methods 0.000 claims description 21
- 230000005856 abnormality Effects 0.000 claims description 18
- 238000001228 spectrum Methods 0.000 claims description 18
- 238000013178 mathematical model Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 14
- 238000012098 association analyses Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 230000002950 deficient Effects 0.000 claims description 8
- 238000001303 quality assessment method Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 239000000758 substrate Substances 0.000 claims description 6
- 238000013526 transfer learning Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000005065 mining Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 description 37
- 230000007480 spreading Effects 0.000 description 22
- 238000003892 spreading Methods 0.000 description 22
- 238000004026 adhesive bonding Methods 0.000 description 20
- 238000000576 coating method Methods 0.000 description 15
- 230000009286 beneficial effect Effects 0.000 description 10
- 239000011248 coating agent Substances 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 239000007788 liquid Substances 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- RVRCFVVLDHTFFA-UHFFFAOYSA-N heptasodium;tungsten;nonatriacontahydrate Chemical compound O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W] RVRCFVVLDHTFFA-UHFFFAOYSA-N 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000005507 spraying Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 229920000715 Mucilage Polymers 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000000518 rheometry Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Landscapes
- Application Of Or Painting With Fluid Materials (AREA)
Abstract
本发明涉及故障监测技术领域,尤其涉及一种点胶机实时性监控诊断方法。所述方法包括以下步骤:对点胶机进行参数校准,生成初始点胶机参数;根据初始点胶机参数进行黏胶作用数据采集,生成实时黏胶作用数据;根据实时黏胶作用数据进行热特性处理,并进行黏胶流变分析,从而得到黏胶点特性数据;对黏胶点特性数据进行黏胶点质量分类,并进行时序质量趋势分析,生成胶点质量趋势数据;通过胶点质量趋势数据对点胶机进行轨道偏移修正处理,生成轨道修正优化数据;基于黏胶点特性数据利用黏胶点数据对点胶机进行异常故障诊断处理,并传输至监控终端设备,得到实时监控诊断数据。本发明通过对黏胶点的特性检测实现点胶机的轨道修正以及故障诊断。
Description
技术领域
本发明涉及故障监测技术领域,尤其涉及一种点胶机实时性监控诊断方法。
背景技术
在电子、汽车、医疗器械等领域,产品制造对于胶水的点胶精度和一致性要求非常高。因此,需要一种实时监控系统,以确保点胶过程的准确性和稳定性。然而,传统的点胶机实时性监控诊断方法往往利用摄像机或其他图像传感器捕捉胶点的影像,通过图像处理来提取胶点的特征参数,存在计算量大,检测速度慢,往往提供有限的实时性,不能满足高速生产的需求。此外,只能检测胶点的表面特征,不能检测胶点的内部特征,导致遗漏一些潜在的故障或缺陷。
发明内容
基于此,本发明提供一种点胶机实时性监控诊断方法,以解决至少一个上述技术问题。
为实现上述目的,一种点胶机实时性监控诊断方法,包括以下步骤:
步骤S1:对点胶机进行参数校准,生成初始点胶机参数;根据初始点胶机参数进行点胶策略制定,得到点胶策略数据;根据点胶策略数据进行黏胶作用数据采集,生成实时黏胶作用数据;
步骤S2:根据实时黏胶作用数据进行动态应力差分处理,生成动态应力数据;获取黏胶流体特性数据;通过黏胶流体特性数据对动态应力数据进行热特性处理,并进行黏胶流变分析,从而得到黏胶点特性数据;
步骤S3:对黏胶点特性数据进行质量评估处理,生成胶点质量评分数据;根据胶点质量评分数据进行黏胶点质量分类,得到黏胶点数据;对黏胶点数据进行时序质量趋势分析,生成胶点质量趋势数据;
步骤S4:通过胶点质量趋势数据对点胶机进行点胶轨道偏移处理,生成轨道偏移缺陷数据;根据轨道偏移缺陷数据进行轨道偏移修正处理,生成轨道修正优化数据;
步骤S5:基于黏胶点特性数据利用黏胶点数据对点胶机进行异常故障诊断处理,生成实时故障诊断数据;将实时故障诊断数据传输至监控终端设备,从而得到实时监控诊断数据。
本发明通过对点胶机进行参数校准,确保了点胶机在工作时的准确性和稳定性,从而提高了生产效率。通过点胶策略的制定,可以优化点胶的过程,减少废品率,提高产品的质量。实时黏胶作用数据的采集使得生产过程中的各种因素能够被监测和控制,有助于调整参数以适应不同的工艺需求,最终提高了生产的灵活性和可控性。动态应力差分处理和热特性处理通过对实时黏胶作用数据的深入分析,提供了关键的动态应力和热特性数据,有助于理解胶点形成的机理。黏胶流变分析则使得对胶点流动性的认识更加深入,有助于优化生产过程,提高产品的一致性和稳定性。通过质量评估处理,可以及时发现并纠正潜在的生产问题,从而减少废品率。黏胶点质量分类能够帮助生产者识别不同等级的胶点,有助于进行针对性的质量管理和控制。时序质量趋势分析提供了随时间推移的胶点质量变化趋势,帮助预测未来可能的生产状况。通过胶点质量趋势数据进行点胶轨道偏移处理,可以及时发现并纠正点胶机运行中可能存在的轨道偏移问题,从而提高了点胶的精度和一致性。轨道偏移修正处理则通过根据实际情况对轨道进行调整,进一步提高了点胶机的精准度,减少了不良产品的产生。通过黏胶点特性数据进行异常故障诊断处理,可以及时识别并解决点胶机可能出现的问题,减少停机时间,提高生产效率。实时故障诊断数据的传输至监控终端设备使得操作人员能够迅速响应并采取相应的措施,保障了生产线的连续性和稳定性。这样的实时监控诊断数据有助于实现智能化生产管理,提高了生产的可靠性和可控性。因此,本发明的一种点胶机实时性监控诊断方法通过采集涂胶点的动态应力数据,综合考虑涂胶点的热特性以及黏胶流变特性,检测出黏胶点潜在故障或缺陷。同时,对点胶轨道进行智能偏移监控,以实现对点胶机的实时监控诊断。
优选地,步骤S1包括以下步骤:
步骤S11:获取点胶需求数据;
步骤S12:通过点胶需求数据对点胶机进行参数校准,生成初始点胶机参数;
步骤S13:通过初始点胶机参数对点胶需求数据进行黏胶点方位处理,生成黏胶点方位数据;
步骤S14:根据黏胶点方位数据进行点胶轨道规划,生成点胶轨道规划数据;
步骤S15:根据点胶轨道规划数据进行点胶策略制定,从而得到点胶策略数据;
步骤S16:基于点胶策略数据利用点胶机对点胶方位数据进行点胶处理,并通过传感器设备实时采集每个黏胶点中黏胶流体与基板上的作用过程数据,生成实时黏胶作用数据,其中实时黏胶作用数据包括动态应力信号数据以及黏胶温度信号数据。
本发明通过系统或生产计划获得点胶需求数据。这些数据可能包括产品规格、要求的涂胶量、涂胶位置等信息。获取准确的点胶需求数据是实现精确点胶操作的基础,对点胶机进行参数校准。通过调整参数如压力、速度、温度等,以确保点胶机在生产过程中能够满足产品的特定要求。利用初始点胶机参数,对点胶需求数据进行处理,确定每个涂胶点的具体位置和方向,形成黏胶点方位数据,确保涂胶过程中的准确定位,使得每个涂胶点都落在产品的指定区域,避免了涂胶偏差。基于黏胶点方位数据,进行点胶轨道规划,确定每个涂胶点之间的最优路径,提高点胶效率,减少涂胶时间,并确保涂胶的连续性。基于点胶轨道规划数据,制定点胶策略,考虑涂胶速度、停留时间等因素,以实现最佳的涂胶效果。根据点胶策略数据,点胶机进行涂胶操作,并通过传感器实时采集每个涂胶点中的黏胶流体与基板的作用过程数据。实时黏胶作用数据包括动态应力信号数据和黏胶温度信号数据,用于质量评估、流变分析等,从而优化涂胶过程,提高产品质量。
优选地,步骤S2包括以下步骤:
步骤S21:获取黏胶流体特性数据;
步骤S22:根据动态应力信号数据进行差分计算,生成动态应力数据;
步骤S23:对动态应力数据进行波形频谱转换处理,得到动态应力频谱数据;
步骤S24:通过预设的应力-胶量特性规则对动态应力频谱数据进行胶量关联分析,生成黏胶点胶量数据;
步骤S25:通过黏胶流体特性数据对黏胶温度信号数据进行热特性处理,从而得到黏胶点胶宽数据;
步骤S26:根据黏胶流体特性数据以及黏胶点胶宽数据进行黏胶流变分析,生成黏度特性数据;
步骤S27:通过黏胶点胶量数据对黏度特性数据以及黏胶点胶宽数据进行时序胶形处理,生成黏胶点胶高数据。
本发明获取黏胶流体的特性数据,包括但不限于黏度、流变指数、温度敏感性等。通过对实时采集的动态应力信号数据进行差分计算,可以得到与时间变化相关的动态应力数据。这些数据反映了涂胶过程中的力学变化,有助于分析涂胶的压力分布、变化趋势,提供了动态应力方面的详细信息。通过对动态应力数据进行波形频谱转换处理,可以将时域的动态应力数据转换为频域的数据,得到动态应力频谱数据。这有助于分析不同频率下的应力成分。通过预设的应力-胶量特性规则对动态应力频谱数据进行关联分析,推导出黏胶点的胶量数据。建立动态应力和涂胶量之间的关系,提供了精确的胶量信息,有助于优化涂胶过程,确保每个涂胶点的质量。对黏胶温度信号数据进行热特性处理,得到与温度相关的胶宽数据,了解涂胶过程中的温度变化对胶宽的影响,提供了关键的温度特性信息。基于黏胶流体特性数据和已获取的黏胶点胶宽数据,进行黏胶流变分析,得到与黏度相关的特性数据。这有助于理解涂胶过程中的流变特性,结合黏胶点胶量数据,对黏度特性数据以及黏胶点胶宽数据进行时序胶形处理,得到与时间变化相关的胶高数据。这有助于分析涂胶过程中的高度变化趋势,提供了有关胶形的时序信息,为质量评估和生产过程的优化提供参考。
优选地,步骤S25包括以下步骤:
步骤S251:根据黏胶流体特性数据进行流体热特性分析,生成流体热特性数据;
步骤S252:根据流体热特性数据构建温度-宽度数学模型;
步骤S253:对黏胶温度信号数据进行数据预处理,生成标准黏胶温度数据;
步骤S254:根据标准黏胶温度数据进行曲线拟合处理,从而得到黏胶温度曲线数据;
步骤S255:根据黏胶温度曲线数据进行温度梯度分析,生成温度梯度数据;
步骤S256:通过温度-宽度数学模型对温度梯度数据进行宽度变化响应处理,从而得到黏胶点胶宽数据。
本发明通过分析黏胶流体的热特性,包括但不限于热传导系数、比热容等参数,生成流体热特性数据。基于获得的流体热特性数据,构建温度-宽度数学模型,描述涂胶过程中温度与涂胶宽度之间的关系,这个数学模型将帮助理解温度变化如何影响涂胶宽度。对采集到的黏胶温度信号数据进行数据预处理,包括去噪、平滑等操作,以获得更准确、稳定的标准黏胶温度数据,提高数据的质量,减少干扰因素对后续分析的影响。通过对标准黏胶温度数据进行曲线拟合处理,得到黏胶温度随时间变化的曲线数据。这有助于更精确地捕捉涂胶过程中的温度变化趋势,提供了详细的温度曲线信息。通过对黏胶温度曲线数据进行分析,计算得到温度梯度数据,即温度随空间变化的梯度信息,这提供了有关涂胶过程中温度变化速率的重要数据。利用已构建的温度-宽度数学模型,对温度梯度数据进行处理,推导得到黏胶点胶宽数据,揭示温度梯度如何影响涂胶宽度的变化,提供了关于温度与涂胶宽度之间复杂关系的定量信息,为进一步的涂胶优化提供指导。
优选地,步骤S3包括以下步骤:
步骤S31:根据点胶需求数据进行黏胶质量标准设定,生成黏胶标准质量数据;
步骤S32:根据黏胶点特性数据进行质量权重赋值,从而得到特性权重数据;
步骤S33:利用黏胶质量评估算法对黏胶标准质量数据、特性权重数据以及黏胶点特性数据进行黏胶点质量评估,生成胶点质量评分数据;
步骤S34:通过预设的质量等级划分阈值对胶点质量评分数据进行黏胶点质量分类,得到黏胶点数据,其中黏胶点数据包括正常黏胶点数据、异常黏胶点数据以及缺陷黏胶点数据;
步骤S35:根据黏胶点数据进行波动区域处理,生成波动区域数据;
步骤S36:通过波动区域数据对黏胶点数据进行时序质量趋势分析,生成胶点质量趋势数据。
本发明根据点胶需求数据,设定黏胶的质量标准,包括黏度、涂布厚度、位置精度等方面的要求。生成黏胶标准质量数据有助于建立对良好涂胶结果的标准。通过分析已获取的黏胶点特性数据,赋予各个特性相应的权重值,反映了它们在总体质量中的相对重要性。生成的特性权重数据有助于根据实际情况量化不同质量特性的重要程度。利用先前设定的质量标准、特性权重以及实际的黏胶点特性数据,运用黏胶质量评估算法对每个涂胶点进行综合评估,生成胶点质量评分数据,从而量化每个涂胶点的质量。通过设定质量等级划分阈值,对胶点质量评分数据进行分类,判定每个涂胶点的质量等级,生成的黏胶点数据包括正常、异常和缺陷的涂胶点。基于已分类的黏胶点数据,对涂胶点的位置、质量等信息进行波动区域处理,识别出涂胶过程中的波动区域。生成的波动区域数据有助于定量分析涂胶过程中的不稳定因素。利用波动区域数据,对黏胶点数据进行时序质量趋势分析,追踪涂胶过程中每个涂胶点的质量变化趋势。
优选地,步骤S33中黏胶质量评估算法公式如下所示:
式中,S表示为黏胶点质量评分数据,e表示为自然对数的底数,n表示为黏胶点特性的个数,i表示为黏胶点特性序号,Wi表示为第i个特性权重数据,Xi表示为黏胶点第i个实时特性数据,Mi表示为第i个黏胶特性标准数据,Ti表示为第i个特性的变化因子,R表示为黏胶质量评估函数优化指数的异常调整值。
本发明利用一种黏胶质量评估算法,该算法公式充分考虑了自然对数的底数e、黏胶点特性的个数n、黏胶点特性序号i、第i个特性权重数据Wi、黏胶点第i个实时特性数据Xi、第i个黏胶特性标准数据Mi、第i个特性的变化因子Ti以及函数之间的相互作用关系,以形成函数关系式:
即,通过考虑逻辑斯蒂回归函数进行黏胶点质量评分数据计算,并进行迭代评分优化,实现黏胶点质量评分数据S的计算。式子项/>将每个特性的权重数据Wi和实时特性数据Xi相乘,然后求和,得到一个数值,再通过一个指数函数,将这个数值转换为一个介于0和1之间的数值,作为黏胶点的质量评分数据S。这个函数的特点是,当数值越大时,S越接近1;当数值越小时,S越接近0。这样,就可以用S来反映黏胶点的实际质量水平,S越大,表示黏胶点越优秀;S越小,表示黏胶点越劣质。式子项/>将每个特性的标准数据Mi加上1,再求以2为底的对数,得到一个数值,表示了第i个特性的标准化后的对数值。将这个数值除以每个实时特性数据Xi加上1,再求以2为底的对数,得到一个数值,表示了第i个特性的实时对数值与标准对数值的比值。这个操作的作用是将两个数值进行归一化,使得它们在同一尺度上。将这个数值乘以每个特性的变化因子的平方根,再求正弦值,得到一个数值,表示了第i个特性的标准化后特性数据M。这个操作的作用是将数值转换为一个介于-1和1之间的数值,作为黏胶点的标准化后特性数据M。将每个实时特性数据Xi和标准化后特性数据M相减,得到一个数值,再求平均,得到一个数值,作为黏胶点的质量评分数据S的优化值。从而根据不同的权重数据Wi、标准数据Mi、变化因子Ti和异常调整值R,进行灵活的调整和优化,以适应不同的需求和场景。
优选地,步骤S4包括以下步骤:
步骤S41:将异常黏胶点数据以及缺陷黏胶点数据进行异常胶点聚类处理,生成异常胶点组数据;
步骤S42:通过黏胶点方位数据对异常胶点组数据进行方位差异分析,生成方位差异数据;
步骤S43:根据方位差异数据进行轨道偏移缺陷筛选,生成轨道偏移缺陷数据;
步骤S44:获取实时点胶轨道数据;利用实时点胶轨道数据对点胶轨道规划数据进行实时偏移拟合,当实时偏移拟合成功,生成轨道未偏移诊断数据;当实时偏移拟合失败,生成实时轨道偏移数据;
步骤S45:通过轨道未偏移诊断数据对轨道偏移缺陷数据进行偏移缺陷分析,生成偏移缺陷分析数据;
步骤S46:通过实时轨道偏移数据对轨道偏移缺陷数据进行偏移量计算,生成轨道偏移量数据;
步骤S47:通过预设的偏移阈值数据对轨道偏移量数据进行偏移分级判断,当轨道偏移量数据高于偏移阈值数据时,实时发出预警信号,并停止点胶机进行作业;当轨道偏移量数据低于偏移阈值数据时,执行步骤S48;
步骤S48:通过胶点质量趋势数据对轨道偏移量数据进行轨道偏移修正处理,生成轨道偏移修正数据;
步骤S49:对轨道偏移修正数据进行轨道修正方案制定,并反馈于点胶策略数据,从而得到轨道修正优化数据。
本发明将被分类为异常和缺陷的黏胶点数据进行聚类处理,形成异常胶点组数据。通过对异常胶点组数据进行方位差异分析,比较其黏胶点的方位与正常胶点的方位差异。生成的方位差异数据有助于识别异常胶点在位置上的差异。基于方位差异数据,对异常胶点组数据进行轨道偏移缺陷的筛选。生成的轨道偏移缺陷数据指示了轨道偏移的可能性。通过获取实时点胶轨道数据,进行实时的轨道偏移拟合。如果拟合成功,生成轨道未偏移诊断数据,表示当前轨道未发生偏移;如果拟合失败,生成实时轨道偏移数据,表明当前存在轨道偏移。这有助于实时监测轨道状况,及时发现和处理轨道偏移问题。利用轨道未偏移诊断数据对已筛选的轨道偏移缺陷数据进行分析,了解偏移缺陷的性质、原因,生成偏移缺陷分析数据。这有助于深入了解轨道偏移问题,制定更精准的修正方案。利用实时轨道偏移数据对已筛选的轨道偏移缺陷数据进行偏移量计算,确定轨道偏移的具体数值。通过设定的偏移阈值对实时获取的轨道偏移量数据进行分级判断。如果轨道偏移量高于设定的阈值,发出预警信号并停止点胶机作业,防止质量问题进一步扩大。如果轨道偏移量低于阈值,继续执行后续轨道偏移修正步骤。借助胶点质量趋势数据,对轨道偏移量数据进行修正处理,纠正轨道偏移的影响,根据实际质量趋势调整轨道,提高胶点的精准度和质量,实现更稳定的点胶过程。通过对轨道偏移修正数据进行分析和处理,制定有效的轨道修正方案。将修正方案反馈给点胶策略数据,从而实现对点胶机的轨道修正优化。这有助于提高整体点胶质量和生产效率,确保轨道在点胶过程中保持准确的位置。
优选地,步骤S48包括以下步骤:
步骤S481:对胶点质量趋势数据进行特征工程处理,生成胶点趋势特征数据;
步骤S482:利用反向传播算法建立胶点趋势与轨道偏移特性的映射关系,生成初始轨道修正模型;
步骤S483:获取点胶机的历史轨道偏移数据;将历史轨道偏移数据进行数据划分处理,分别得到偏移训练集以及偏移验证集;
步骤S484:通过偏移训练集对初始轨道修正模型进行模型训练处理,并根据偏移验证集进行模型验证以及超参数调优处理,从而获得轨道偏移修正模型;
步骤S485:将胶点趋势特征数据以及轨道偏移量数据传输至轨道偏移修正模型进行轨道偏移修正处理,生成轨道偏移修正数据。
本发明通过进行特征工程处理,从胶点质量趋势数据中提取关键特征。这些特征可以包括胶点质量的均值、方差、趋势变化等信息。通过利用反向传播算法,建立胶点趋势与轨道偏移特性之间的映射关系。反向传播算法是神经网络训练的一种常用方法,通过调整神经网络的权重和偏置,使得输出与实际观测值更加拟合。收集点胶机的历史轨道偏移数据作为训练模型的依据。通过将历史轨道偏移数据进行数据划分,得到偏移训练集和偏移验证集。训练集用于训练初始轨道修正模型,验证集用于评估模型的性能和泛化能力。通过使用偏移训练集对初始轨道修正模型进行训练,调整模型的权重和偏置,以提高模型的性能。同时,利用偏移验证集进行模型验证和超参数调优,确保模型在验证数据上的性能良好且具有较好的泛化能力。将胶点趋势特征数据和轨道偏移量数据传输至经过训练和验证的轨道偏移修正模型。通过模型的预测能力,对实际轨道偏移进行修正处理,生成轨道偏移修正数据。这个过程能够实现实时的轨道修正,确保点胶过程中轨道的准确性和稳定性。
优选地,步骤S5包括以下步骤:
步骤S51:对点胶机进行性能故障分析,生成性能故障数据;
步骤S52:根据性能故障数据进行异常特性因素挖掘,从而得到异常特性因素数据;
步骤S53:根据性能故障数据与异常特性因素数据进行故障关联分析,并传输至预设的知识图谱嵌入模型中进行迁移学习,从而得到知识图谱嵌入模型;
步骤S54:基于黏胶点特性数据利用知识图谱嵌入模型对异常黏胶点数据以及偏移缺陷分析数据进行潜在异常诊断,生成潜在异常原因数据;通过知识图谱嵌入模型对缺陷黏胶点数据进行质量异常诊断,生成缺陷质量诊断数据;
步骤S55:根据缺陷质量诊断数据进行工作风险评估处理,生成风险评估数据;
步骤S56:根据风险评估数据进行故障预警处理,并对点胶机进行实时故障诊断,生成实时故障诊断数据;
步骤S57:将实时故障诊断数据以及潜在异常原因数据传输至监控终端设备,从而得到实时监控诊断数据。
本发明对点胶机进行全面的性能故障分析,收集与点胶机性能相关的各种数据,包括但不限于工作参数、传感器反馈、操作记录等。生成的性能故障数据有助于了解点胶机在运行过程中可能遇到的问题。通过对性能故障数据的分析,挖掘其中的异常特性因素,包括但不限于异常频率、异常模式、异常时段等。通过对性能故障数据和异常特性因素数据的关联分析,确定性能故障与异常特性因素之间的关系。将这些关联数据传输至预设的知识图谱嵌入模型中,进行迁移学习,以构建一个更全面的故障知识图谱嵌入模型。利用已建立的知识图谱嵌入模型,对异常黏胶点数据和偏移缺陷分析数据进行潜在异常诊断。同时,通过该模型对缺陷黏胶点数据进行质量异常诊断。这有助于快速而准确地确定异常原因和质量问题,提高故障诊断的效率。基于缺陷质量诊断数据进行综合性评估,确定工作中可能存在的风险。可以及早发现潜在问题,采取相应措施降低生产过程中的风险。根据风险评估数据进行故障预警,提前警示潜在的问题。同时,对点胶机进行实时故障诊断,生成实时故障诊断数据,以便及时采取措施解决问题,确保生产的连续性和稳定性。将实时故障诊断数据和潜在异常原因数据传输至监控终端设备,使操作人员能够实时了解点胶机的状态和潜在问题,以便采取相应的措施维护设备并优化生产过程。
优选地,步骤S55中的故障风险评估函数公式如下所示:
式中,G(x)表示为故障风险评估数据,x表示为点胶机的运行时间,N表示为点胶机每次运行时产生的黏胶点的数量,Qj表示为第j个黏胶点的质量指标,Q0表示为黏胶点的质量标准,θ表示为黏胶点的偏移角度,φ表示为黏胶点的缺陷角度,λ表示为点胶机的性能衰减速率,α表示为黏胶点的平均面积大小,β表示为黏胶点的面积分布的离散程度,γ表示为黏胶点的平均厚度大小,δ表示为黏胶点的厚度分布的离散程度。
本发明利用一种故障风险评估函数,该算法充分考虑了点胶机的运行时间x、点胶机每次运行时产生的黏胶点的数量N、第j个黏胶点的质量指标Qj、黏胶点的质量标准Q0、黏胶点的偏移角度θ、黏胶点的缺陷角度φ、点胶机的性能衰减速率λ、黏胶点的平均面积大小α、黏胶点的面积分布的离散程度β、黏胶点的平均厚度大小γ、黏胶点的厚度分布的离散程度δ以及函数之间的相互作用关系,以形成函数关系式:
即,通过评估每次运行时产生多少个具有不同缺陷或问题且与标准值之间存在较大差异(即风险高)的黏胶点,并根据其数量和比例来确定风险等级(即风险高低)。式子项反映了黏胶点的质量变化趋势,如果质量指标Qj持续低于质量标准Q0,则对数求和的极限会趋于负无穷,导数会趋于负无穷,风险评估数据G(x)会趋于正无穷,表示风险极高;如果质量指标Qj持续高于质量标准Q0,则对数求和的极限会趋于正无穷,导数会趋于正无穷,风险评估数据G(x)也会趋于正无穷,表示风险极高;只有当质量指标Qj接近质量标准Q0时,对数求和的极限会趋于零,导数会趋于零。式子项/>反映了黏胶点的偏移和缺陷程度,如果偏移角度θ和缺陷角度φ都很大,则三角函数求平方和会接近2,开根号会接近2,风险评估数据G(x)会增加2,表示风险较高;如果偏移角度θ和缺陷角度φ都很小,则三角函数求平方和会接近0,开根号会接近0,风险评估数据G(x)会减少0,表示风险较低。式子项/>反映了点胶机的性能衰减和黏胶点的形状变化对故障风险的影响,如果衰减系数λ很大,或者黏胶点的面积和厚度的标准差β和δ很大,或者黏胶点的平均面积和厚度α和γ远离理想值,那么指数函数求积分的值会增大,风险评估数据G(x)也会增大,表示风险较高;如果衰减系数λ很小,或者黏胶点的面积和厚度的标准差β和δ很小,或者黏胶点的平均面积和厚度α和γ接近理想值,那么指数函数求积分的值会减小,风险评估数据G(x)也会减小,表示风险较低。
附图说明
图1为本发明一种点胶机实时性监控诊断方法的步骤流程示意图。
图2为图1中步骤S3的详细实施步骤流程示意图;
图3为图1中步骤S5的详细实施步骤流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的技术人员在没有做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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图3,本发明提供一种点胶机实时性监控诊断方法,包括以下步骤:
步骤S1:对点胶机进行参数校准,生成初始点胶机参数;根据初始点胶机参数进行点胶策略制定,得到点胶策略数据;根据点胶策略数据进行黏胶作用数据采集,生成实时黏胶作用数据;
步骤S2:根据实时黏胶作用数据进行动态应力差分处理,生成动态应力数据;获取黏胶流体特性数据;通过黏胶流体特性数据对动态应力数据进行热特性处理,并进行黏胶流变分析,从而得到黏胶点特性数据;
步骤S3:对黏胶点特性数据进行质量评估处理,生成胶点质量评分数据;根据胶点质量评分数据进行黏胶点质量分类,得到黏胶点数据;对黏胶点数据进行时序质量趋势分析,生成胶点质量趋势数据;
步骤S4:通过胶点质量趋势数据对点胶机进行点胶轨道偏移处理,生成轨道偏移缺陷数据;根据轨道偏移缺陷数据进行轨道偏移修正处理,生成轨道修正优化数据;
步骤S5:基于黏胶点特性数据利用黏胶点数据对点胶机进行异常故障诊断处理,生成实时故障诊断数据;将实时故障诊断数据传输至监控终端设备,从而得到实时监控诊断数据。
本发明通过对点胶机进行参数校准,确保了点胶机在工作时的准确性和稳定性,从而提高了生产效率。通过点胶策略的制定,可以优化点胶的过程,减少废品率,提高产品的质量。实时黏胶作用数据的采集使得生产过程中的各种因素能够被监测和控制,有助于调整参数以适应不同的工艺需求,最终提高了生产的灵活性和可控性。动态应力差分处理和热特性处理通过对实时黏胶作用数据的深入分析,提供了关键的动态应力和热特性数据,有助于理解胶点形成的机理。黏胶流变分析则使得对胶点流动性的认识更加深入,有助于优化生产过程,提高产品的一致性和稳定性。通过质量评估处理,可以及时发现并纠正潜在的生产问题,从而减少废品率。黏胶点质量分类能够帮助生产者识别不同等级的胶点,有助于进行针对性的质量管理和控制。时序质量趋势分析提供了随时间推移的胶点质量变化趋势,帮助预测未来可能的生产状况。通过胶点质量趋势数据进行点胶轨道偏移处理,可以及时发现并纠正点胶机运行中可能存在的轨道偏移问题,从而提高了点胶的精度和一致性。轨道偏移修正处理则通过根据实际情况对轨道进行调整,进一步提高了点胶机的精准度,减少了不良产品的产生。通过黏胶点特性数据进行异常故障诊断处理,可以及时识别并解决点胶机可能出现的问题,减少停机时间,提高生产效率。实时故障诊断数据的传输至监控终端设备使得操作人员能够迅速响应并采取相应的措施,保障了生产线的连续性和稳定性。这样的实时监控诊断数据有助于实现智能化生产管理,提高了生产的可靠性和可控性。因此,本发明的一种点胶机实时性监控诊断方法通过采集涂胶点的动态应力数据,综合考虑涂胶点的热特性以及黏胶流变特性,检测出黏胶点潜在故障或缺陷。同时,对点胶轨道进行智能偏移监控,以实现对点胶机的实时监控诊断。
本发明实施例中,参考图1所述,为本发明一种点胶机实时性监控诊断方法的步骤流程示意图,在本实施例中,所述的一种点胶机实时性监控诊断方法包括以下步骤:
步骤S1:对点胶机进行参数校准,生成初始点胶机参数;根据初始点胶机参数进行点胶策略制定,得到点胶策略数据;根据点胶策略数据进行黏胶作用数据采集,生成实时黏胶作用数据;
本发明实施例中,通过点胶机控制界面或相关软件进入参数设置,调整涉及流量、速度、压力等的关键参数。例如,根据粘度和要求的胶水流量,设置点胶机的速度和压力参数。一旦参数校准完成,点胶机即可按照这些参数执行点胶作业。基于初始点胶机参数,制定点胶策略,例如,确定点胶路径、间距、速度曲线等。通过仿真和调整得到最优的点胶策略数据,实施点胶策略后,点胶机开始工作,同时采集实时粘胶作用数据,包括黏胶点的压力、温度等信息。
步骤S2:根据实时黏胶作用数据进行动态应力差分处理,生成动态应力数据;获取黏胶流体特性数据;通过黏胶流体特性数据对动态应力数据进行热特性处理,并进行黏胶流变分析,从而得到黏胶点特性数据;
本发明实施例中,从传感器或监测设备获取实时的粘胶作用数据,包括胶水施加在工件上的应力、温度等信息。利用数学算法,例如有限元分析,对实时的粘胶作用数据进行动态应力差分处理,得到不同时间和位置上的动态应力数据。对动态应力数据进行热特性处理,考虑温度对动态应力的影响,分析黏胶在施加力的情况下的变形和流动特性。例如,基于已有的流变学模型,根据动态应力数据计算黏胶的剪切应力、剪切速率等参数,从而了解其在点胶作业中的流变特性。将经过动态应力差分、热特性处理和流变分析的数据整合,得到黏胶点特性数据。最终得到的数据包括每个时间点、位置上的动态应力、温度和流变特性参数,构成了黏胶点特性的全面描述。
步骤S3:对黏胶点特性数据进行质量评估处理,生成胶点质量评分数据;根据胶点质量评分数据进行黏胶点质量分类,得到黏胶点数据;对黏胶点数据进行时序质量趋势分析,生成胶点质量趋势数据;
本发明实施例中,制定黏胶点质量评估的指标,例如形状、大小、均匀性等。将黏胶点特性数据与定义的评估指标结合,使用合适的算法进行质量评估,生成胶点质量评分数据。例如,如果评估指标包括胶点的直径、圆形度和均匀性,可以通过计算这些参数并设置合适的权重,应用评估模型生成胶点质量评分数据。根据胶点质量评分数据设定分类标准,例如按照得分范围划分为正常、异常、缺陷等级。将每个黏胶点根据评分分类标准进行分类,形成黏胶点数据的质量分类。将黏胶点数据按照时间序列整理,形成时序数据集,利用统计方法对时序数据进行趋势分析,得到胶点质量随时间变化的趋势数据。
步骤S4:通过胶点质量趋势数据对点胶机进行点胶轨道偏移处理,生成轨道偏移缺陷数据;根据轨道偏移缺陷数据进行轨道偏移修正处理,生成轨道修正优化数据;
本发明实施例中,根据胶点质量趋势数据进行胶点质量趋势统计,找出质量变化的趋势和规律。例如,如果在某个时间段内发现了胶点质量下降的趋势,需要进一步分析这个时间段内胶点的位置和轨迹信息。制定轨道偏移的标准,例如胶点应该位于某个特定区域内,检测每个胶点的实际位置与预期位置的偏移情况,通过实时轨道数据以及轨道规划数据进行拟合,结合每个发现轨道偏移的胶点,记录其具体的偏移量和方向。将所有记录的轨道偏移信息整合,形成轨道偏移缺陷数据。根据轨道偏移缺陷数据,定位造成轨道偏移的可能源头,可以是机械问题、控制系统误差等。针对定位的偏移源,调整点胶机的相关参数,例如调整机械结构、重新校准传感器等。进行点胶作业,并重新采集数据,验证是否成功修正了轨道偏移问题。记录进行轨道修正时所调整的各项参数,包括机械结构、传感器校准等。将调整后的点胶机参数整合,形成轨道修正优化数据。
步骤S5:基于黏胶点特性数据利用黏胶点数据对点胶机进行异常故障诊断处理,生成实时故障诊断数据;将实时故障诊断数据传输至监控终端设备,从而得到实时监控诊断数据。
本发明实施例中,利用先前收集的黏胶点特性数据,建立故障知识图谱嵌入模型,通过监测数据的偏离程度判断是否存在异常。确定可能导致异常的因素,如流量异常、压力异常、温度异常等。将实时采集的数据与建立的异常模型进行比对和分析,检测是否存在异常情况。根据异常检测的结果,确定具体的故障类型,如流量不稳定、压力过高等。基于异常检测和故障诊断结果,生成实时的故障诊断数据报告,包括异常的种类、位置、可能的原因等详细信息。将实时故障诊断数据通过网络传输至监控终端设备,以便实时监测和远程诊断。监控终端设备接收实时故障诊断数据,对接收到的数据进行分析,判断故障的严重程度和紧急性,提供相应的报警或建议。
优选地,步骤S1包括以下步骤:
步骤S11:获取点胶需求数据;
步骤S12:通过点胶需求数据对点胶机进行参数校准,生成初始点胶机参数;
步骤S13:通过初始点胶机参数对点胶需求数据进行黏胶点方位处理,生成黏胶点方位数据;
步骤S14:根据黏胶点方位数据进行点胶轨道规划,生成点胶轨道规划数据;
步骤S15:根据点胶轨道规划数据进行点胶策略制定,从而得到点胶策略数据;
步骤S16:基于点胶策略数据利用点胶机对点胶方位数据进行点胶处理,并通过传感器设备实时采集每个黏胶点中黏胶流体与基板上的作用过程数据,生成实时黏胶作用数据,其中实时黏胶作用数据包括动态应力信号数据以及黏胶温度信号数据。
本发明通过系统或生产计划获得点胶需求数据。这些数据可能包括产品规格、要求的涂胶量、涂胶位置等信息。获取准确的点胶需求数据是实现精确点胶操作的基础,对点胶机进行参数校准。通过调整参数如压力、速度、温度等,以确保点胶机在生产过程中能够满足产品的特定要求。利用初始点胶机参数,对点胶需求数据进行处理,确定每个涂胶点的具体位置和方向,形成黏胶点方位数据,确保涂胶过程中的准确定位,使得每个涂胶点都落在产品的指定区域,避免了涂胶偏差。基于黏胶点方位数据,进行点胶轨道规划,确定每个涂胶点之间的最优路径,提高点胶效率,减少涂胶时间,并确保涂胶的连续性。基于点胶轨道规划数据,制定点胶策略,考虑涂胶速度、停留时间等因素,以实现最佳的涂胶效果。根据点胶策略数据,点胶机进行涂胶操作,并通过传感器实时采集每个涂胶点中的黏胶流体与基板的作用过程数据。实时黏胶作用数据包括动态应力信号数据和黏胶温度信号数据,用于质量评估、流变分析等,从而优化涂胶过程,提高产品质量。
本发明实施例中,考虑生产需求,确定每个位置需要点胶的数量,获取选择的胶水的黏性、流动性等特性,结合生产计划,确定每个点胶位置的具体要求,如胶水量、速度等。根据点胶需求数据中的点胶位置,调整点胶机的坐标系,确保胶水能够精确地落在目标位置。如果需要,在机器上设置工件定位装置,以确保工件能够准确放置在指定位置。根据需求数据中的点胶速度要求,设置点胶机的运动速度和加速度,以确保点胶过程中的精准性和稳定性。根据需求数据中的点胶位置,设定胶水的喷射方向,确保胶水能够正确覆盖目标区域。根据设定的喷射方向和点胶机坐标系,计算每个需求数据中的点胶位置在实际点胶机坐标系中的坐标。根据黏胶点方位数据规划胶水喷射的路径,确保路径覆盖每个需求数据中的点胶位置,根据工艺要求和设备能力,设计胶水点胶过程中的速度曲线,以确保稳定均匀的涂布。将速度曲线整合到轨迹生成过程中,以实现精准的喷射速度控制。利用点胶机,按照点胶轨道规划数据和点胶策略数据对每个需求数据中的胶水点进行喷胶处理。在点胶过程中,通过传感器设备实时采集每个黏胶点的黏胶流体与基板的作用过程数据。将实时采集到的动态应力信号和黏胶温度信号整合成实时黏胶作用数据,确保包含每个时间点的作用过程信息。
优选地,步骤S2包括以下步骤:
步骤S21:获取黏胶流体特性数据;
步骤S22:根据动态应力信号数据进行差分计算,生成动态应力数据;
步骤S23:对动态应力数据进行波形频谱转换处理,得到动态应力频谱数据;
步骤S24:通过预设的应力-胶量特性规则对动态应力频谱数据进行胶量关联分析,生成黏胶点胶量数据;
步骤S25:通过黏胶流体特性数据对黏胶温度信号数据进行热特性处理,从而得到黏胶点胶宽数据;
步骤S26:根据黏胶流体特性数据以及黏胶点胶宽数据进行黏胶流变分析,生成黏度特性数据;
步骤S27:通过黏胶点胶量数据对黏度特性数据以及黏胶点胶宽数据进行时序胶形处理,生成黏胶点胶高数据。
本发明获取黏胶流体的特性数据,包括但不限于黏度、流变指数、温度敏感性等。通过对实时采集的动态应力信号数据进行差分计算,可以得到与时间变化相关的动态应力数据。这些数据反映了涂胶过程中的力学变化,有助于分析涂胶的压力分布、变化趋势,提供了动态应力方面的详细信息。通过对动态应力数据进行波形频谱转换处理,可以将时域的动态应力数据转换为频域的数据,得到动态应力频谱数据。这有助于分析不同频率下的应力成分。通过预设的应力-胶量特性规则对动态应力频谱数据进行关联分析,推导出黏胶点的胶量数据。建立动态应力和涂胶量之间的关系,提供了精确的胶量信息,有助于优化涂胶过程,确保每个涂胶点的质量。对黏胶温度信号数据进行热特性处理,得到与温度相关的胶宽数据,了解涂胶过程中的温度变化对胶宽的影响,提供了关键的温度特性信息。基于黏胶流体特性数据和已获取的黏胶点胶宽数据,进行黏胶流变分析,得到与黏度相关的特性数据。这有助于理解涂胶过程中的流变特性,结合黏胶点胶量数据,对黏度特性数据以及黏胶点胶宽数据进行时序胶形处理,得到与时间变化相关的胶高数据。这有助于分析涂胶过程中的高度变化趋势,提供了有关胶形的时序信息,为质量评估和生产过程的优化提供参考。
本发明实施例中,在设定的实验条件下,测定黏胶流体的黏度,获取不同剪切速率下的流变曲线,测试不同浓度下的剪切稀释效应,了解胶水在不同浓度下的流变特性,观察不同条件下黏胶流体的黏度变化,确定黏胶流体特性。对动态应力信号进行差分计算,得到相邻时间点之间的变化值,形成动态应力数据。对动态应力数据进行傅里叶变换,将时域的动态应力信号转换为频域的频谱数据,分析傅里叶变换后的频谱图,了解不同频率下动态应力的分布情况。建立动态应力频谱与胶水量之间的关联规则,利用设定的规则,对动态应力频谱数据进行分析,得到胶水量的关联数据。根据黏胶流体特性数据中的温度敏感性,进行温度校正,以消除温度对温度信号的影响。利用黏胶流体特性数据中的热传导系数等参数,对温度信号进行热特性处理,得到每个时间点的黏胶点胶宽数据。例如,根据流变仪测试得到的黏胶流体特性数据,计算黏胶在不同温度下的热特性,对实时采集到的温度信号进行校正和处理,得到每个时间点的黏胶点胶宽数据。将黏胶点胶宽数据应用于流变模型,拟合流变曲线,得到不同时间点的黏度数据,将拟合得到的黏度数据整合成黏度特性数据,确保包含每个时间点的黏度信息。通过预设的时序胶形处理模型将胶水点胶量、黏度特性数据以及黏胶点胶宽数据整合,得到每个时间点的胶高数据。
优选地,步骤S25包括以下步骤:
步骤S251:根据黏胶流体特性数据进行流体热特性分析,生成流体热特性数据;
步骤S252:根据流体热特性数据构建温度-宽度数学模型;
步骤S253:对黏胶温度信号数据进行数据预处理,生成标准黏胶温度数据;
步骤S254:根据标准黏胶温度数据进行曲线拟合处理,从而得到黏胶温度曲线数据;
步骤S255:根据黏胶温度曲线数据进行温度梯度分析,生成温度梯度数据;
步骤S256:通过温度-宽度数学模型对温度梯度数据进行宽度变化响应处理,从而得到黏胶点胶宽数据。
本发明通过分析黏胶流体的热特性,包括但不限于热传导系数、比热容等参数,生成流体热特性数据。基于获得的流体热特性数据,构建温度-宽度数学模型,描述涂胶过程中温度与涂胶宽度之间的关系,这个数学模型将帮助理解温度变化如何影响涂胶宽度。对采集到的黏胶温度信号数据进行数据预处理,包括去噪、平滑等操作,以获得更准确、稳定的标准黏胶温度数据,提高数据的质量,减少干扰因素对后续分析的影响。通过对标准黏胶温度数据进行曲线拟合处理,得到黏胶温度随时间变化的曲线数据。这有助于更精确地捕捉涂胶过程中的温度变化趋势,提供了详细的温度曲线信息。通过对黏胶温度曲线数据进行分析,计算得到温度梯度数据,即温度随空间变化的梯度信息,这提供了有关涂胶过程中温度变化速率的重要数据。利用已构建的温度-宽度数学模型,对温度梯度数据进行处理,推导得到黏胶点胶宽数据,揭示温度梯度如何影响涂胶宽度的变化,提供了关于温度与涂胶宽度之间复杂关系的定量信息,为进一步的涂胶优化提供指导。
本发明实施例中,获取黏胶流体的温度敏感性,即温度对其性质的影响。从流变仪实验或厂商提供的数据中获取黏胶流体的热传导系数。根据热传导系数分析黏胶在不同温度下的温度分布情况。基于黏胶流体的流体热传导特性,建立传热模型,描述温度在流体中的传播规律。基于黏胶流体的流体热传导特性,建立传热模型,描述温度在流体中的传播规律。基于流体热特性数据,建立温度与宽度之间的关系模型。使用数学公式描述黏胶在不同温度下的宽度变化规律,可以采用线性、非线性等模型。通过拟合算法调整数学模型的参数,使其最好地拟合实际温度-宽度关系。对温度信号进行滤波处理,去除可能的噪声,根据之前建立的温度-宽度数学模型,进行数据的校正,消除温度对宽度的影响。对温度数据进行曲线拟合,调整拟合参数以最好地匹配实际数据。将拟合得到的曲线模型应用于整个温度数据集,得到黏胶温度曲线数据。对黏胶温度曲线数据进行差分处理,得到相邻时间点之间的温度梯度。将温度梯度数据应用于温度-宽度数学模型,计算每个时间点的宽度变化响应。根据数学模型的参数,校正计算得到的宽度变化响应数据,从而得到黏胶点胶宽数据。
优选地,步骤S3包括以下步骤:
步骤S31:根据点胶需求数据进行黏胶质量标准设定,生成黏胶标准质量数据;
步骤S32:根据黏胶点特性数据进行质量权重赋值,从而得到特性权重数据;
步骤S33:利用黏胶质量评估算法对黏胶标准质量数据、特性权重数据以及黏胶点特性数据进行黏胶点质量评估,生成胶点质量评分数据;
步骤S34:通过预设的质量等级划分阈值对胶点质量评分数据进行黏胶点质量分类,得到黏胶点数据,其中黏胶点数据包括正常黏胶点数据、异常黏胶点数据以及缺陷黏胶点数据;
步骤S35:根据黏胶点数据进行波动区域处理,生成波动区域数据;
步骤S36:通过波动区域数据对黏胶点数据进行时序质量趋势分析,生成胶点质量趋势数据。
本发明根据点胶需求数据,设定黏胶的质量标准,包括黏度、涂布厚度、位置精度等方面的要求。生成黏胶标准质量数据有助于建立对良好涂胶结果的标准。通过分析已获取的黏胶点特性数据,赋予各个特性相应的权重值,反映了它们在总体质量中的相对重要性。生成的特性权重数据有助于根据实际情况量化不同质量特性的重要程度。利用先前设定的质量标准、特性权重以及实际的黏胶点特性数据,运用黏胶质量评估算法对每个涂胶点进行综合评估,生成胶点质量评分数据,从而量化每个涂胶点的质量。通过设定质量等级划分阈值,对胶点质量评分数据进行分类,判定每个涂胶点的质量等级,生成的黏胶点数据包括正常、异常和缺陷的涂胶点。基于已分类的黏胶点数据,对涂胶点的位置、质量等信息进行波动区域处理,识别出涂胶过程中的波动区域。生成的波动区域数据有助于定量分析涂胶过程中的不稳定因素。利用波动区域数据,对黏胶点数据进行时序质量趋势分析,追踪涂胶过程中每个涂胶点的质量变化趋势。
作为本发明的一个实例,参考图2所示,为图1中步骤S3的详细实施步骤流程示意图,在本实例中所述步骤S3包括:
步骤S31:根据点胶需求数据进行黏胶质量标准设定,生成黏胶标准质量数据;
本发明实施例中,整理点胶需求数据,包括胶量、胶宽、胶高等要求,根据需求数据,设定黏胶质量的标准,例如规定合格的胶量范围、胶宽和胶高的要求。将设定的质量标准数据整合成黏胶标准质量数据,确保包含了各项指标的要求。例如,一个胶点的标准质量数据可以是:胶量应在10mg到15mg之间,胶宽应在0.5mm到1.0mm之间,胶高应满足产品需求。
步骤S32:根据黏胶点特性数据进行质量权重赋值,从而得到特性权重数据;
本发明实施例中,定义各个特性在质量评估中的相对重要性,可以通过专家意见、用户需求或统计分析等方式获得。例如,动态应力可能对质量的影响更为重要。根据特性的相对重要性,计算各个特性的权重。权重的总和通常应为1,以确保权重的相对比例。例如,通过专家评估,确定了动态应力对于质量评估的重要性较高,因此赋予动态应力较大的权重。具体权重的计算根据相对重要性来确定,最终整合成特性权重数据。
步骤S33:利用黏胶质量评估算法对黏胶标准质量数据、特性权重数据以及黏胶点特性数据进行黏胶点质量评估,生成胶点质量评分数据;
本发明实施例中,将黏胶标准质量数据、特性权重数据和黏胶点特性数据整合成一个数据集,以备算法使用。利用选择的黏胶质量评估算法对整合的数据进行评估。基于规则的算法可能会使用预定义的规则和权重,计算得到一个质量评分。从而得到胶点质量评分数据,表示每个胶点在质量上的得分。
步骤S34:通过预设的质量等级划分阈值对胶点质量评分数据进行黏胶点质量分类,得到黏胶点数据,其中黏胶点数据包括正常黏胶点数据、异常黏胶点数据以及缺陷黏胶点数据;
本发明实施例中,根据产品需求或行业标准,设定质量等级划分的阈值。例如,阈值可以将质量划分为正常、异常和缺陷等级。据设定的阈值,对每个胶点的评分进行分类。例如,如果评分高于某个阈值,则判定为正常;如果在两个阈值之间,则判定为异常;如果低于最低阈值,则判定为缺陷。根据分类结果,生成黏胶点数据,包括正常黏胶点数据、异常黏胶点数据以及缺陷黏胶点数据。
步骤S35:根据黏胶点数据进行波动区域处理,生成波动区域数据;
本发明实施例中,设定一个滑动窗口,窗口的大小可以根据实际情况调整。例如,选择窗口大小为10个胶点。在每个窗口内计算胶点评分的平均值,得到平均评分值。计算每个窗口内胶点评分与平均评分值的差异,得到波动值。根据波动值与阈值的关系,标记出波动区域,可以是连续波动或特定波动模式。
步骤S36:通过波动区域数据对黏胶点数据进行时序质量趋势分析,生成胶点质量趋势数据。
本发明实施例中,选择合适的时序质量趋势分析方法,可以是基于统计学的方法。例如,选择使用移动平均法。设定一个时间窗口,窗口的大小可以根据实际情况调整。例如,选择时间窗口为30分钟。在每个时间窗口内,根据波动区域数据计算质量趋势的评估指标,可以使用移动平均法计算每个窗口内的质量趋势值。根据趋势值的变化情况,判断质量是趋势稳定、上升还是下降。例如,通过比较当前时间窗口的趋势值与前一窗口的趋势值,确定趋势的变化方向。每个时间窗口内的趋势情况都被记录,形成质量趋势数据。
优选地,步骤S33中黏胶质量评估算法公式如下所示:
式中,S表示为黏胶点质量评分数据,e表示为自然对数的底数,n表示为黏胶点特性的个数,i表示为黏胶点特性序号,Wi表示为第i个特性权重数据,Xi表示为黏胶点第i个实时特性数据,Mi表示为第i个黏胶特性标准数据,Ti表示为第i个特性的变化因子,R表示为黏胶质量评估函数优化指数的异常调整值。
本发明利用一种黏胶质量评估算法,该算法公式充分考虑了自然对数的底数e、黏胶点特性的个数n、黏胶点特性序号i、第i个特性权重数据Wi、黏胶点第i个实时特性数据Xi、第i个黏胶特性标准数据Mi、第i个特性的变化因子Ti以及函数之间的相互作用关系,以形成函数关系式:
即,通过考虑逻辑斯蒂回归函数进行黏胶点质量评分数据计算,并进行迭代评分优化,实现黏胶点质量评分数据S的计算。式子项/>将每个特性的权重数据Wi和实时特性数据Xi相乘,然后求和,得到一个数值,再通过一个指数函数,将这个数值转换为一个介于0和1之间的数值,作为黏胶点的质量评分数据S。这个函数的特点是,当数值越大时,S越接近1;当数值越小时,S越接近0。这样,就可以用S来反映黏胶点的实际质量水平,S越大,表示黏胶点越优秀;S越小,表示黏胶点越劣质。式子项/>将每个特性的标准数据Mi加上1,再求以2为底的对数,得到一个数值,表示了第i个特性的标准化后的对数值。将这个数值除以每个实时特性数据Xi加上1,再求以2为底的对数,得到一个数值,表示了第i个特性的实时对数值与标准对数值的比值。这个操作的作用是将两个数值进行归一化,使得它们在同一尺度上。将这个数值乘以每个特性的变化因子的平方根,再求正弦值,得到一个数值,表示了第i个特性的标准化后特性数据M。这个操作的作用是将数值转换为一个介于-1和1之间的数值,作为黏胶点的标准化后特性数据M。将每个实时特性数据Xi和标准化后特性数据M相减,得到一个数值,再求平均,得到一个数值,作为黏胶点的质量评分数据S的优化值。从而根据不同的权重数据Wi、标准数据Mi、变化因子Ti和异常调整值R,进行灵活的调整和优化,以适应不同的需求和场景。
优选地,步骤S4包括以下步骤:
步骤S41:将异常黏胶点数据以及缺陷黏胶点数据进行异常胶点聚类处理,生成异常胶点组数据;
步骤S42:通过黏胶点方位数据对异常胶点组数据进行方位差异分析,生成方位差异数据;
步骤S43:根据方位差异数据进行轨道偏移缺陷筛选,生成轨道偏移缺陷数据;
步骤S44:获取实时点胶轨道数据;利用实时点胶轨道数据对点胶轨道规划数据进行实时偏移拟合,当实时偏移拟合成功,生成轨道未偏移诊断数据;当实时偏移拟合失败,生成实时轨道偏移数据;
步骤S45:通过轨道未偏移诊断数据对轨道偏移缺陷数据进行偏移缺陷分析,生成偏移缺陷分析数据;
步骤S46:通过实时轨道偏移数据对轨道偏移缺陷数据进行偏移量计算,生成轨道偏移量数据;
步骤S47:通过预设的偏移阈值数据对轨道偏移量数据进行偏移分级判断,当轨道偏移量数据高于偏移阈值数据时,实时发出预警信号,并停止点胶机进行作业;当轨道偏移量数据低于偏移阈值数据时,执行步骤S48;
步骤S48:通过胶点质量趋势数据对轨道偏移量数据进行轨道偏移修正处理,生成轨道偏移修正数据;
步骤S49:对轨道偏移修正数据进行轨道修正方案制定,并反馈于点胶策略数据,从而得到轨道修正优化数据。
本发明实施例中,从异常胶点数据中选择合适的特征,例如胶点方位、质量评分等。应用选择的聚类算法,将异常胶点数据划分为不同的簇。将属于同一簇的异常胶点归纳为一个异常胶点组。从异常胶点组数据中选择方位作为分析的特征,应用选择的统计学方法,对不同异常胶点组的方位数据进行差异分析。根据实际情况设定方位差异的阈值,用于判断是否存在轨道偏移缺陷。应用选择的轨道偏移缺陷筛选方法,判断每个异常胶点组的方位差异是否超过设定的阈值。例如,选择了规则-based方法,设定了方位差异的阈值为5度。根据方位差异数据,判断每个异常胶点组的方位差异是否超过5度,生成了轨道偏移。利用实时点胶轨道数据作为输入,包括当前每个胶点的位置信息。利用实时点胶轨道数据作为输入,包括当前每个胶点的位置信息。如果拟合成功,表示当前轨道未发生偏移,生成轨道未偏移诊断数据。如果拟合成功,表示当前轨道未发生偏移,生成轨道未偏移诊断数据。如果拟合成功,表示当前轨道未发生偏移,生成轨道未偏移诊断数据。应用选择的偏移量计算方法,计算实时轨道偏移的具体量值。将每个胶点的实时偏移量数据与预设的偏移阈值数据进行比较,根据比较结果,将轨道偏移量数据分为不同级别,例如高偏移、中偏移、低偏移。如果轨道偏移量数据高于预设的阈值,发出预警信号。同时,停止点胶机的作业,确保高偏移情况下不进行继续点胶。如果轨道偏移量数据低于或等于预设的阈值,继续执行步骤S48。根据胶点质量趋势数据,判断是否存在轨道偏移引起的质量问题。如果发现轨道偏移引起的质量问题,执行相应的修正处理。可能包括调整点胶轨道、校准点胶机参数等。利用生成的轨道偏移修正数据,制定相应的轨道修正方案。可能包括调整点胶轨道、优化点胶机参数等。将制定的轨道修正方案反馈于点胶策略数据中,确保下一轮的点胶作业考虑到了修正后的轨道信息。
优选地,步骤S48包括以下步骤:
步骤S481:对胶点质量趋势数据进行特征工程处理,生成胶点趋势特征数据;
步骤S482:利用反向传播算法建立胶点趋势与轨道偏移特性的映射关系,生成初始轨道修正模型;
步骤S483:获取点胶机的历史轨道偏移数据;将历史轨道偏移数据进行数据划分处理,分别得到偏移训练集以及偏移验证集;
步骤S484:通过偏移训练集对初始轨道修正模型进行模型训练处理,并根据偏移验证集进行模型验证以及超参数调优处理,从而获得轨道偏移修正模型;
步骤S485:将胶点趋势特征数据以及轨道偏移量数据传输至轨道偏移修正模型进行轨道偏移修正处理,生成轨道偏移修正数据。
本发明通过进行特征工程处理,从胶点质量趋势数据中提取关键特征。这些特征可以包括胶点质量的均值、方差、趋势变化等信息。通过利用反向传播算法,建立胶点趋势与轨道偏移特性之间的映射关系。反向传播算法是神经网络训练的一种常用方法,通过调整神经网络的权重和偏置,使得输出与实际观测值更加拟合。收集点胶机的历史轨道偏移数据作为训练模型的依据。通过将历史轨道偏移数据进行数据划分,得到偏移训练集和偏移验证集。训练集用于训练初始轨道修正模型,验证集用于评估模型的性能和泛化能力。通过使用偏移训练集对初始轨道修正模型进行训练,调整模型的权重和偏置,以提高模型的性能。同时,利用偏移验证集进行模型验证和超参数调优,确保模型在验证数据上的性能良好且具有较好的泛化能力。将胶点趋势特征数据和轨道偏移量数据传输至经过训练和验证的轨道偏移修正模型。通过模型的预测能力,对实际轨道偏移进行修正处理,生成轨道偏移修正数据。这个过程能够实现实时的轨道修正,确保点胶过程中轨道的准确性和稳定性。
本发明实施例中,通过分析胶点质量趋势数据,提取其中的关键特征,如变化趋势、振荡频率等。对提取的特征进行处理,可能包括归一化、平滑处理等,以保证特征的准确性和稳定性。选择合适的反向传播算法,用于训练轨道修正模型。定义神经网络的结构,包括输入层、隐藏层、输出层等。利用反向传播算法对神经网络进行训练,使其学习胶点趋势与轨道偏移特性的映射关系。从点胶机的历史记录或数据库中获取历史轨道偏移数据。将历史轨道偏移数据按照一定比例划分为偏移训练集和偏移验证集,通常采用80-20或70-30的比例。利用偏移训练集对初始轨道修正模型进行训练,不断更新模型参数以适应实际的轨道偏移情况。将胶点趋势特征数据和轨道偏移量数据传输至轨道偏移修正模型中。利用训练好的轨道偏移修正模型对输入数据进行处理,预测修正后的轨道偏移量,得到轨道偏移修正数据。
优选地,步骤S5包括以下步骤:
步骤S51:对点胶机进行性能故障分析,生成性能故障数据;
步骤S52:根据性能故障数据进行异常特性因素挖掘,从而得到异常特性因素数据;
步骤S53:根据性能故障数据与异常特性因素数据进行故障关联分析,并传输至预设的知识图谱嵌入模型中进行迁移学习,从而得到知识图谱嵌入模型;
步骤S54:基于黏胶点特性数据利用知识图谱嵌入模型对异常黏胶点数据以及偏移缺陷分析数据进行潜在异常诊断,生成潜在异常原因数据;通过知识图谱嵌入模型对缺陷黏胶点数据进行质量异常诊断,生成缺陷质量诊断数据;
步骤S55:根据缺陷质量诊断数据进行工作风险评估处理,生成风险评估数据;
步骤S56:根据风险评估数据进行故障预警处理,并对点胶机进行实时故障诊断,生成实时故障诊断数据;
步骤S57:将实时故障诊断数据以及潜在异常原因数据传输至监控终端设备,从而得到实时监控诊断数据。
本发明对点胶机进行全面的性能故障分析,收集与点胶机性能相关的各种数据,包括但不限于工作参数、传感器反馈、操作记录等。生成的性能故障数据有助于了解点胶机在运行过程中可能遇到的问题。通过对性能故障数据的分析,挖掘其中的异常特性因素,包括但不限于异常频率、异常模式、异常时段等。通过对性能故障数据和异常特性因素数据的关联分析,确定性能故障与异常特性因素之间的关系。将这些关联数据传输至预设的知识图谱嵌入模型中,进行迁移学习,以构建一个更全面的故障知识图谱嵌入模型。利用已建立的知识图谱嵌入模型,对异常黏胶点数据和偏移缺陷分析数据进行潜在异常诊断。同时,通过该模型对缺陷黏胶点数据进行质量异常诊断。这有助于快速而准确地确定异常原因和质量问题,提高故障诊断的效率。基于缺陷质量诊断数据进行综合性评估,确定工作中可能存在的风险。可以及早发现潜在问题,采取相应措施降低生产过程中的风险。根据风险评估数据进行故障预警,提前警示潜在的问题。同时,对点胶机进行实时故障诊断,生成实时故障诊断数据,以便及时采取措施解决问题,确保生产的连续性和稳定性。将实时故障诊断数据和潜在异常原因数据传输至监控终端设备,使操作人员能够实时了解点胶机的状态和潜在问题,以便采取相应的措施维护设备并优化生产过程。
作为本发明的一个实例,参考图3所示,为图1中步骤S5的详细实施步骤流程示意图,在本实例中所述步骤S5包括:
步骤S51:对点胶机进行性能故障分析,生成性能故障数据;
本发明实施例中,在点胶机上安装传感器和监控设备,用于实时采集各项性能参数。监控关键性能参数,如点胶压力、温度、速度、液体流量等。将采集到的数据按时间顺序整理,建立历史性能数据记录。根据数据记录,区分正常运行和异常运行时的性能数据。当性能参数异常时,将异常数据标记,包括具体异常的参数、数值、时间等信息。对每个异常数据生成故障事件描述,包括可能的故障原因。定期更新数据库,确保性能故障数据的及时性。
步骤S52:根据性能故障数据进行异常特性因素挖掘,从而得到异常特性因素数据;
本发明实施例中,从性能故障数据中提取潜在的异常特性因素,如液体流量波动、压力变化等。使用聚类算法(如K均值聚类)将性能故障数据分为不同的类别,每个类别代表一组相似的异常特性因素。使用关联规则挖掘算法,找出异常特性因素之间的关联关系。对性能故障数据进行挖掘,得到异常特性因素。
步骤S53:根据性能故障数据与异常特性因素数据进行故障关联分析,并传输至预设的知识图谱嵌入模型中进行迁移学习,从而得到知识图谱嵌入模型;
本发明实施例中,利用统计学方法分析性能故障数据与异常特性因素数据之间的关联性。发现性能故障与异常特性因素之间的潜在原因,例如特定的异常特性因素可能导致特定类型的性能故障。根据发现的故障关联关系,设计知识图谱结构,包括故障节点和异常特性因素节点以及它们之间的边。利用图嵌入算法(如TransE、Node2Vec等),将节点映射到低维向量空间中,形成知识图谱嵌入模型。将知识图谱嵌入模型迁移到点胶机领域,以适应性能故障分析。使用迁移学习算法,例如领域自适应方法,通过模型调整实现在点胶机领域的知识迁移。对构建的知识图谱嵌入模型进行训练,使其能够更好地捕捉性能故障与异常特性因素之间的关系。使用验证集对知识图谱嵌入模型进行验证,确保其在点胶机领域的有效性。
步骤S54:基于黏胶点特性数据利用知识图谱嵌入模型对异常黏胶点数据以及偏移缺陷分析数据进行潜在异常诊断,生成潜在异常原因数据;通过知识图谱嵌入模型对缺陷黏胶点数据进行质量异常诊断,生成缺陷质量诊断数据;
本发明实施例中,将异常黏胶点数据与偏移缺陷分析数据整合,形成待诊断的数据集。利用知识图谱嵌入模型,将异常特性因素节点映射到低维向量空间,得到潜在异常特性因素的嵌入表示。计算待诊断数据中的异常特性因素与知识图谱中异常特性因素的相似度,通过相似度来判断潜在异常原因,筛选出潜在异常原因,作为潜在异常诊断结果。利用知识图谱嵌入模型,将质量缺陷节点映射到低维向量空间,得到质量缺陷的嵌入表示。计算待诊断数据中的质量缺陷与知识图谱中质量缺陷的相似度,通过相似度来判断质量异常。利用知识图谱嵌入模型,将质量缺陷节点映射到低维向量空间,得到质量缺陷的嵌入表示。计算待诊断数据中的质量缺陷与知识图谱中质量缺陷的相似度,通过相似度来判断质量异常。
步骤S55:根据缺陷质量诊断数据进行工作风险评估处理,生成风险评估数据;
本发明实施例中,从缺陷质量诊断数据中筛选出与工作风险相关的特征,如异常特性因素、缺陷类型、质量分数等。利用故障风险评估函数对缺陷质量诊断数据进行工作风险评估处理,生成每个样本的工作风险评估分数。
步骤S56:根据风险评估数据进行故障预警处理,并对点胶机进行实时故障诊断,生成实时故障诊断数据;
本发明实施例中,利用风险评估数据,监测实时产生的缺陷质量诊断数据。设定故障预警的阈值,一般通过历史数据和专业知识来确定。例如,当风险评估分数超过某个设定值时触发预警。持续监测最新的缺陷质量诊断数据,比较其风险评估分数与设定阈值,判断是否达到故障预警条件。最后综合知识图谱嵌入模型输出的诊断结果数据进行整体故障诊断,生成实时故障诊断数据。
步骤S57:将实时故障诊断数据以及潜在异常原因数据传输至监控终端设备,从而得到实时监控诊断数据。
本发明实施例中,将实时故障诊断数据以及潜在异常原因数据整合为一个完整的实时监控数据包。利用安全可靠的通信协议,将实时监控数据包传输至监控终端设备。解析数据包,提取其中的故障诊断信息和潜在异常原因数据。在监控终端设备上展示实时监控诊断数据,包括故障诊断信息和潜在异常原因。在监控终端设备的界面上显示故障诊断信息和潜在异常原因,同时触发报警通知,提醒操作员注意。操作员通过监控终端设备查看到“液体供应故障”的故障诊断信息和“液体流量设备故障”的潜在异常原因,随后采取维修液体供应设备的措施。
优选地,步骤S55中的故障风险评估函数公式如下所示:
式中,G(x)表示为故障风险评估数据,x表示为点胶机的运行时间,N表示为点胶机每次运行时产生的黏胶点的数量,Qj表示为第j个黏胶点的质量指标,Q0表示为黏胶点的质量标准,θ表示为黏胶点的偏移角度,φ表示为黏胶点的缺陷角度,λ表示为点胶机的性能衰减速率,α表示为黏胶点的平均面积大小,β表示为黏胶点的面积分布的离散程度,γ表示为黏胶点的平均厚度大小,δ表示为黏胶点的厚度分布的离散程度。
本发明利用一种故障风险评估函数,该算法充分考虑了点胶机的运行时间x、点胶机每次运行时产生的黏胶点的数量N、第j个黏胶点的质量指标Qj、黏胶点的质量标准Q0、黏胶点的偏移角度θ、黏胶点的缺陷角度φ、点胶机的性能衰减速率λ、黏胶点的平均面积大小α、黏胶点的面积分布的离散程度β、黏胶点的平均厚度大小γ、黏胶点的厚度分布的离散程度δ以及函数之间的相互作用关系,以形成函数关系式:
即,通过评估每次运行时产生多少个具有不同缺陷或问题且与标准值之间存在较大差异(即风险高)的黏胶点,并根据其数量和比例来确定风险等级(即风险高低)。式子项反映了黏胶点的质量变化趋势,如果质量指标Qj持续低于质量标准Q0,则对数求和的极限会趋于负无穷,导数会趋于负无穷,风险评估数据G(x)会趋于正无穷,表示风险极高;如果质量指标Qj持续高于质量标准Q0,则对数求和的极限会趋于正无穷,导数会趋于正无穷,风险评估数据G(x)也会趋于正无穷,表示风险极高;只有当质量指标Qj接近质量标准Q0时,对数求和的极限会趋于零,导数会趋于零。式子项/>反映了黏胶点的偏移和缺陷程度,如果偏移角度θ和缺陷角度φ都很大,则三角函数求平方和会接近2,开根号会接近2,风险评估数据G(x)会增加2,表示风险较高;如果偏移角度θ和缺陷角度φ都很小,则三角函数求平方和会接近0,开根号会接近0,风险评估数据G(x)会减少0,表示风险较低。式子项/>反映了点胶机的性能衰减和黏胶点的形状变化对故障风险的影响,如果衰减系数λ很大,或者黏胶点的面积和厚度的标准差β和δ很大,或者黏胶点的平均面积和厚度α和γ远离理想值,那么指数函数求积分的值会增大,风险评估数据G(x)也会增大,表示风险较高;如果衰减系数λ很小,或者黏胶点的面积和厚度的标准差β和δ很小,或者黏胶点的平均面积和厚度α和γ接近理想值,那么指数函数求积分的值会减小,风险评估数据G(x)也会减小,表示风险较低。
本申请有益效果在于,通过点胶机控制界面或相关软件,调整关键参数,包括流量、速度、压力等,以满足胶水的粘度和流量需求。点胶机按照参数执行作业,制定策略,确定路径、间距、速度曲线等。利用仿真优化策略数据,开始作业并采集实时粘胶作用数据,如压力、温度等。传感器实时监测胶水施加在工件上的应力、温度等信息。应用数学算法,如有限元分析,处理实时粘胶作用数据,得到不同时间和位置的动态应力数据。考虑温度对动态应力的影响,分析黏胶在施加力下的变形和流动特性。基于流变学模型计算剪切应力、剪切速率等参数,了解其流变特性。整合处理后的数据,得到全面的黏胶点特性描述。通过制定黏胶点质量评估指标,如形状、大小、均匀性。结合黏胶点特性数据,使用算法进行质量评估,生成评分数据。根据评分设定分类标准,如正常、异常、缺陷等级。分类黏胶点数据,形成质量分类。整理黏胶点数据,形成时序数据集,利用统计方法进行趋势分析,得到胶点质量随时间变化的趋势数据。根据趋势数据找出质量变化规律,进一步分析轨道信息。设定轨道偏移标准,检测实际位置与预期位置的偏移,记录轨道偏移缺陷数据。根据数据定位可能源头,调整相关参数,验证修正轨道偏移。记录调整后的参数,形成优化数据。利用黏胶点特性数据建立故障知识图谱嵌入模型。通过监测数据的偏离程度判断异常情况,确定可能的异常因素。实时采集数据与异常模型比对,检测异常情况。确定具体故障类型,如流量不稳定、压力过高。生成实时故障诊断数据报告,包括异常种类、位置、可能原因。通过网络传输至监控终端设备,实现实时监测和远程诊断,从而判断故障的严重程度,提供报警或建议。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的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发明的精神或范围的情况下,在其它实施例中实现。因此,本发明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发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种点胶机实时性监控诊断方法,其特征在于,包括以下步骤:
步骤S1:对点胶机进行参数校准,生成初始点胶机参数;根据初始点胶机参数进行点胶策略制定,得到点胶策略数据;根据点胶策略数据进行黏胶作用数据采集,生成实时黏胶作用数据;
步骤S2:根据实时黏胶作用数据进行动态应力差分处理,生成动态应力数据;获取黏胶流体特性数据;通过黏胶流体特性数据对动态应力数据进行热特性处理,并进行黏胶流变分析,从而得到黏胶点特性数据;
步骤S3:对黏胶点特性数据进行质量评估处理,生成胶点质量评分数据;根据胶点质量评分数据进行黏胶点质量分类,得到黏胶点数据;对黏胶点数据进行时序质量趋势分析,生成胶点质量趋势数据;
步骤S4:通过胶点质量趋势数据对点胶机进行点胶轨道偏移处理,生成轨道偏移缺陷数据;根据轨道偏移缺陷数据进行轨道偏移修正处理,生成轨道修正优化数据;
步骤S5:基于黏胶点特性数据利用黏胶点数据对点胶机进行异常故障诊断处理,生成实时故障诊断数据;将实时故障诊断数据传输至监控终端设备,从而得到实时监控诊断数据。
2.根据权利要求1所述的点胶机实时性监控诊断方法,其特征在于,步骤S1包括以下步骤:
步骤S11:获取点胶需求数据;
步骤S12:通过点胶需求数据对点胶机进行参数校准,生成初始点胶机参数;
步骤S13:通过初始点胶机参数对点胶需求数据进行黏胶点方位处理,生成黏胶点方位数据;
步骤S14:根据黏胶点方位数据进行点胶轨道规划,生成点胶轨道规划数据;
步骤S15:根据点胶轨道规划数据进行点胶策略制定,从而得到点胶策略数据;
步骤S16:基于点胶策略数据利用点胶机对点胶方位数据进行点胶处理,并通过传感器设备实时采集每个黏胶点中黏胶流体与基板上的作用过程数据,生成实时黏胶作用数据,其中实时黏胶作用数据包括动态应力信号数据以及黏胶温度信号数据。
3.根据权利要求2所述的点胶机实时性监控诊断方法,其特征在于,黏胶点特性数据包括黏胶点胶量数据、黏胶点胶宽数据、黏度特性数据以及黏胶点胶高数据,步骤S2包括以下步骤:
步骤S21:获取黏胶流体特性数据;
步骤S22:根据动态应力信号数据进行差分计算,生成动态应力数据;
步骤S23:对动态应力数据进行波形频谱转换处理,得到动态应力频谱数据;
步骤S24:通过预设的应力-胶量特性规则对动态应力频谱数据进行胶量关联分析,生成黏胶点胶量数据;
步骤S25:通过黏胶流体特性数据对黏胶温度信号数据进行热特性处理,从而得到黏胶点胶宽数据;
步骤S26:根据黏胶流体特性数据以及黏胶点胶宽数据进行黏胶流变分析,生成黏度特性数据;
步骤S27:通过黏胶点胶量数据对黏度特性数据以及黏胶点胶宽数据进行时序胶形处理,生成黏胶点胶高数据。
4.根据权利要求3所述的点胶机实时性监控诊断方法,其特征在于,步骤S25包括以下步骤:
步骤S251:根据黏胶流体特性数据进行流体热特性分析,生成流体热特性数据;
步骤S252:根据流体热特性数据构建温度-宽度数学模型;
步骤S253:对黏胶温度信号数据进行数据预处理,生成标准黏胶温度数据;
步骤S254:根据标准黏胶温度数据进行曲线拟合处理,从而得到黏胶温度曲线数据;
步骤S255:根据黏胶温度曲线数据进行温度梯度分析,生成温度梯度数据;
步骤S256:通过温度-宽度数学模型对温度梯度数据进行宽度变化响应处理,从而得到黏胶点胶宽数据。
5.根据权利要求3所述的点胶机实时性监控诊断方法,其特征在于,步骤S3包括以下步骤:
步骤S31:根据点胶需求数据进行黏胶质量标准设定,生成黏胶标准质量数据;
步骤S32:根据黏胶点特性数据进行质量权重赋值,从而得到特性权重数据;
步骤S33:利用黏胶质量评估算法对黏胶标准质量数据、特性权重数据以及黏胶点特性数据进行黏胶点质量评估,生成胶点质量评分数据;
步骤S34:通过预设的质量等级划分阈值对胶点质量评分数据进行黏胶点质量分类,得到黏胶点数据,其中黏胶点数据包括正常黏胶点数据、异常黏胶点数据以及缺陷黏胶点数据;
步骤S35:根据黏胶点数据进行波动区域处理,生成波动区域数据;
步骤S36:通过波动区域数据对黏胶点数据进行时序质量趋势分析,生成胶点质量趋势数据。
6.根据权利要求5所述的点胶机实时性监控诊断方法,其特征在于,步骤S33中黏胶质量评估算法公式如下所示:
式中,S表示为黏胶点质量评分数据,e表示为自然对数的底数,n表示为黏胶点特性的个数,i表示为黏胶点特性序号,Wi表示为第i个特性权重数据,Xi表示为黏胶点第i个实时特性数据,Mi表示为第i个黏胶特性标准数据,Ti表示为第i个特性的变化因子,R表示为黏胶质量评估函数优化指数的异常调整值。
7.根据权利要求5所述的点胶机实时性监控诊断方法,其特征在于,步骤S4包括以下步骤:
步骤S41:将异常黏胶点数据以及缺陷黏胶点数据进行异常胶点聚类处理,生成异常胶点组数据;
步骤S42:通过黏胶点方位数据对异常胶点组数据进行方位差异分析,生成方位差异数据;
步骤S43:根据方位差异数据进行轨道偏移缺陷筛选,生成轨道偏移缺陷数据;
步骤S44:获取实时点胶轨道数据;利用实时点胶轨道数据对点胶轨道规划数据进行实时偏移拟合,当实时偏移拟合成功,生成轨道未偏移诊断数据;当实时偏移拟合失败,生成实时轨道偏移数据;
步骤S45:通过轨道未偏移诊断数据对轨道偏移缺陷数据进行偏移缺陷分析,生成偏移缺陷分析数据;
步骤S46:通过实时轨道偏移数据对轨道偏移缺陷数据进行偏移量计算,生成轨道偏移量数据;
步骤S47:通过预设的偏移阈值数据对轨道偏移量数据进行偏移分级判断,当轨道偏移量数据高于偏移阈值数据时,实时发出预警信号,并停止点胶机进行作业;当轨道偏移量数据低于偏移阈值数据时,执行步骤S48;
步骤S48:通过胶点质量趋势数据对轨道偏移量数据进行轨道偏移修正处理,生成轨道偏移修正数据;
步骤S49:对轨道偏移修正数据进行轨道修正方案制定,并反馈于点胶策略数据,从而得到轨道修正优化数据。
8.根据权利要求7所述的点胶机实时性监控诊断方法,其特征在于,步骤S48包括以下步骤:
步骤S481:对胶点质量趋势数据进行特征工程处理,生成胶点趋势特征数据;
步骤S482:利用反向传播算法建立胶点趋势与轨道偏移特性的映射关系,生成初始轨道修正模型;
步骤S483:获取点胶机的历史轨道偏移数据;将历史轨道偏移数据进行数据划分处理,分别得到偏移训练集以及偏移验证集;
步骤S484:通过偏移训练集对初始轨道修正模型进行模型训练处理,并根据偏移验证集进行模型验证以及超参数调优处理,从而获得轨道偏移修正模型;
步骤S485:将胶点趋势特征数据以及轨道偏移量数据传输至轨道偏移修正模型进行轨道偏移修正处理,生成轨道偏移修正数据。
9.根据权利要求7所述的点胶机实时性监控诊断方法,其特征在于,步骤S52包括以下步骤:
步骤S51:对点胶机进行性能故障分析,生成性能故障数据;
步骤S52:根据性能故障数据进行异常特性因素挖掘,从而得到异常特性因素数据;
步骤S53:根据性能故障数据与异常特性因素数据进行故障关联分析,并传输至预设的知识图谱嵌入模型中进行迁移学习,从而得到知识图谱嵌入模型;
步骤S54:基于黏胶点特性数据利用知识图谱嵌入模型对异常黏胶点数据以及偏移缺陷分析数据进行潜在异常诊断,生成潜在异常原因数据;通过知识图谱嵌入模型对缺陷黏胶点数据进行质量异常诊断,生成缺陷质量诊断数据;
步骤S55:根据缺陷质量诊断数据进行工作风险评估处理,生成风险评估数据;
步骤S56:根据风险评估数据进行故障预警处理,并对点胶机进行实时故障诊断,生成实时故障诊断数据;
步骤S57:将实时故障诊断数据以及潜在异常原因数据传输至监控终端设备,从而得到实时监控诊断数据。
10.根据权利要求9所述的点胶机实时性监控诊断方法,其特征在于,步骤S55中风险评估数据通过故障风险评估函数进行工作风险评估处理,故障风险评估函数公式如下所示:
式中,G(x)表示为故障风险评估数据,x表示为点胶机的运行时间,N表示为点胶机每次运行时产生的黏胶点的数量,Qj表示为第j个黏胶点的质量指标,Q0表示为黏胶点的质量标准,θ表示为黏胶点的偏移角度,φ表示为黏胶点的缺陷角度,λ表示为点胶机的性能衰减速率,α表示为黏胶点的平均面积大小,β表示为黏胶点的面积分布的离散程度,γ表示为黏胶点的平均厚度大小,δ表示为黏胶点的厚度分布的离散程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311833808.3A CN117861962A (zh) | 2023-12-27 | 2023-12-27 | 点胶机实时性监控诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311833808.3A CN117861962A (zh) | 2023-12-27 | 2023-12-27 | 点胶机实时性监控诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117861962A true CN117861962A (zh) | 2024-04-12 |
Family
ID=90587623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311833808.3A Pending CN117861962A (zh) | 2023-12-27 | 2023-12-27 | 点胶机实时性监控诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117861962A (zh) |
-
2023
- 2023-12-27 CN CN202311833808.3A patent/CN117861962A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3495705B2 (ja) | センサおよびプロセスの超高感度監視 | |
US20200104229A1 (en) | Proactive information technology infrastructure management | |
US20080270328A1 (en) | Building and Using Intelligent Software Agents For Optimizing Oil And Gas Wells | |
JP2018515834A (ja) | 供給組成を推測するためのデータクレンジングシステムおよび方法 | |
JP2010506253A (ja) | 多変量統計解析を用いたプロセスの監視および診断 | |
CN1639854A (zh) | 生产线后端数据挖掘与处理工具数据挖掘的相关性 | |
CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
US20230375441A1 (en) | Monitoring device and method for segmenting different times series of sensor data points | |
CN109409425A (zh) | 一种基于近邻成分分析的故障类型识别方法 | |
CN117193222A (zh) | 一种基于工业物联网和大数据的智能质量控制系统及其控制方法 | |
CN116705272A (zh) | 基于多维诊断的设备健康状态综合评价方法 | |
CN111542010A (zh) | 基于分类自适应估计加权融合算法的wsn数据融合方法 | |
CN117861962A (zh) | 点胶机实时性监控诊断方法 | |
Xin et al. | Dynamic probabilistic model checking for sensor validation in Industry 4.0 applications | |
CN114048085B (zh) | 一种磁盘故障分析方法、装置、设备及可读存储介质 | |
CN106528940B (zh) | 基于数理模型对列车车轴性能进行评价和预警的方法 | |
CN114019139B (zh) | 一种农用地土壤重金属异常数据的探测方法 | |
CN115795999A (zh) | 一种长期服役抽水蓄能机组性能异常预警方法 | |
CN118094449B (zh) | 基于工业互联网的生产智能监控方法、系统及装置 | |
CN117649209B (zh) | 企业营收稽核方法、系统、设备及存储介质 | |
CN112070415B (zh) | 基于软件定量管理过程构建的场景化基线与模型实现方法 | |
CN117889943B (zh) | 基于机器学习的气体超声波流量计检验方法及系统 | |
CN117609703B (zh) | 融合多源异构信息的复杂设备健康管理方法及系统 | |
CN117708622A (zh) | 运维系统的异常指标分析方法、系统和电子装置 | |
Lu et al. | Research on Anomaly Detection Algorithm of Chemical Storage Tanks Based on FCM-LSTM |
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 |