CN117974069A - 一种注射剂瓶生产数据采集方案制定方法、设备及介质 - Google Patents
一种注射剂瓶生产数据采集方案制定方法、设备及介质 Download PDFInfo
- Publication number
- CN117974069A CN117974069A CN202410361437.1A CN202410361437A CN117974069A CN 117974069 A CN117974069 A CN 117974069A CN 202410361437 A CN202410361437 A CN 202410361437A CN 117974069 A CN117974069 A CN 117974069A
- Authority
- CN
- China
- Prior art keywords
- equipment
- production
- data acquisition
- period
- injection bottle
- 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
- 238000002347 injection Methods 0.000 title claims abstract description 86
- 239000007924 injection Substances 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000011958 production data acquisition Methods 0.000 title claims abstract description 40
- 238000004519 manufacturing process Methods 0.000 claims abstract description 166
- 230000006870 function Effects 0.000 claims description 33
- 238000010191 image analysis Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 230000000630 rising effect Effects 0.000 claims description 12
- 238000012423 maintenance Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000009472 formulation Methods 0.000 claims 1
- 239000000203 mixture Substances 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 description 21
- 239000000047 product Substances 0.000 description 21
- 230000008569 process Effects 0.000 description 19
- 238000012549 training Methods 0.000 description 17
- 238000001514 detection method Methods 0.000 description 12
- 230000005856 abnormality Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 10
- 230000007547 defect Effects 0.000 description 10
- 239000000523 sample Substances 0.000 description 10
- 238000005286 illumination Methods 0.000 description 9
- 239000011521 glass Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000010438 heat treatment Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000000465 moulding Methods 0.000 description 4
- 238000005299 abrasion Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000007789 sealing Methods 0.000 description 3
- 239000011265 semifinished product Substances 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000071 blow moulding Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000004781 supercooling Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- General Factory Administration (AREA)
Abstract
本申请公开了一种注射剂瓶生产数据采集方案制定方法、设备及介质,涉及制造业流程管理领域,包括:针对注射剂瓶生产线中的每个生产设备,将生产设备的生产过程划分为多个时间段;获取生产设备的当前设备状态,确定生产设备的初始故障率,并基于初始故障率,以及预设的函数曲线,得到预估故障率曲线;根据当前时间段的之前时间段中,出现的各时间段的类型,对预估故障率曲线进行补偿;基于补偿后的预估故障率曲线,制定生产设备对应的生产数据采集方案。在制定数据采集方案时,除了当前设备状态这一维度外,还考虑了生产设备在之前时间段中的行为这一维度,制定相应的生产数据采集方案,能够更加贴合生产设备的当前状态。
Description
技术领域
本申请涉及制造业流程管理领域,具体涉及一种注射剂瓶生产数据采集方案制定方法、设备及介质。
背景技术
注射剂瓶在生产过程中,需要对生产设备进行监控,还需要对生产设备生产得到的产品/半成品进行抽样检查,从而对生产工艺、设备运行状态等数据进行把控,在抽样检查的过程中,通常是通过对产品/半成品进行图像采集、分析,从而确定其是否符合生产需求。
传统的图像采集方案中,可能会按照以下的方式进行制定,比如,按照固定的图像采集频率,或者,按照一定范围内的随机采集频率,或者,按照生产设备的工作年限调整图像采集频率等。其难以针对现场实际情况做出准确的调整,这就容易导致图像采集频率过快时,所需算力的增加,造成算力浪费,或者,图像采集频率过慢时,导致异常难以被及时发现。
发明内容
为了解决上述问题,本申请提出了一种注射剂瓶生产数据采集方案制定方法,包括:
基于已关联系统的业务接口,获取注射剂瓶生产线对应的生产计划;
针对所述注射剂瓶生产线中的每个生产设备,根据所述生产计划,将所述生产设备的生产过程划分为多个时间段,所述时间段的类型包括:持续工作时间段、暂停维护时间段、产品调整时间段;
在所述生产过程中,确定进入当前时间段,基于所述生产设备的设备接口,获取所述生产设备的当前设备状态,所述当前时间段的类型为所述持续工作时间段;
根据所述当前设备状态,确定所述生产设备的初始故障率,并基于所述初始故障率,以及预设的函数曲线,对所述生产设备在所述当前时间段内的故障率进行预估,得到预估故障率曲线;
根据所述当前时间段的之前时间段中,出现的各时间段的类型,对所述预估故障率曲线进行补偿;
基于补偿后的预估故障率曲线,制定所述生产设备对应的生产数据采集方案,以根据所述生产数据采集方案,对所述生产设备的生产过程进行图像采集。
另一方面,本申请还提出了一种注射剂瓶生产数据采集方案制定设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如:上述示例所述的注射剂瓶生产数据采集方案制定方法。
另一方面,本申请还提出了一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:上述示例所述的注射剂瓶生产数据采集方案制定方法。
通过本申请提出注射剂瓶生产数据采集方案制定方法能够带来如下有益效果:
在制定数据采集方案时,不再是如现有技术中,采用固定的采集频率,而是通过当前设备状态这一维度,以及生产设备在之前时间段中的行为这一维度,综合这两个维度,作为对生产设备在未来时刻内的故障率进行预估的基础,可以得到结合现场实际情况的预估故障率,并根据预估故障率制定相应的生产数据采集方案,从而使得最终制订的生产数据采集方案中,能够更加贴合生产设备的当前状态,得到更合适的数据采集频率,从而保证在不浪费算力的前提下,提高异常的发现速度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,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为本申请实施例中注射剂瓶生产数据采集方案制定方法的流程示意图;
图2为本申请实施例中设备期间的示意图;
图3为本申请实施例中卷积神经网络进行图像处理的过程示意图;
图4为本申请实施例中针对红外图像预处理的过程示意图;
图5为本申请实施例中卷积神经网络的架构示意图;
图6为本申请实施例中显微镜观察的结果示意图;
图7为本申请实施例中注射剂瓶生产数据采集方案制定设备的示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通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,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
如图1所示,本申请实施例提供一种注射剂瓶生产数据采集方案制定方法,包括:
S101:基于已关联系统的业务接口,获取注射剂瓶生产线对应的生产计划。
数据采集方案制定系统可以是注射剂瓶生产线对应的数控系统,或与该数控系统所关联的具有相应处理能力的服务器,注射剂瓶生产线中包括多个生产设备,比如,注射剂瓶成型设备、注射剂瓶封口设备等。
关联系统可以是ERP系统,其中包含有该注射剂瓶生产线的生产计划,生产计划中,包含有本次将要生产的注射剂瓶的产品信息(比如,产品规格、产品原料等),以及生产过程中的生产信息(比如,产品数量、加工时长等)。
S102:针对所述注射剂瓶生产线中的每个生产设备,根据所述生产计划,将所述生产设备的生产过程划分为多个时间段,所述时间段的类型包括:持续工作时间段、暂停维护时间段、产品调整时间段。
当获取了生产计划后,也就可以获取每个生产设备在生产过程中的加工时长。
预先将时间段划分为三种类型,持续工作时间段指的是,在该时间段内,该生产设备在持续工作,而暂停维护时间段指的是,在该时间段内,生产设备属于暂停工作状态,并由工作人员对设备进行日常维护,比如,对设备进行清洁、润滑、线路检查、更换磨损部件等。产品调整时间段指的是,在该时间段内,所要生产的产品发生变化,从而需要在该时间段内对生产设备的工艺参数、设备模具等进行调整。
S103:在所述生产过程中,确定进入当前时间段,基于所述生产设备的设备接口,获取所述生产设备的当前设备状态,所述当前时间段的类型为所述持续工作时间段。
每当进入新的当前时间段,若为持续工作时间段,则说明生产设备在当前时间段中需要持续进行生产加工过程,此时,需要进行相应的生产数据采集,从而判断产品是否出现异常。而对于其余两种类型的时间段,由于在其过程中,生产设备并未处于工作状态,故而也就无需进行生产数据采集过程。
当前设备状态中可以包括多个维度,而针对不同的生产设备,其当前设备状态可以是统一的,或者,也可以是不同的。比如,当前设备状态可以包括:压力、温度等统一维度,也可以基于生产设备的类型,设置相应的关键零部件的使用时长,或者其他参数作为当前设备状态中的维度。
S104:根据所述当前设备状态,确定所述生产设备的初始故障率,并基于所述初始故障率,以及预设的函数曲线,对所述生产设备在所述当前时间段内的故障率进行预估,得到预估故障率曲线。
初始故障率指的是,在当前设备状态下,生产设备发生故障的概率。
具体地,可以首先确定当前设备状态中所包含的多个维度,以及每个维度对应的参数值。对于不同的生产设备,为其各维度设置相应的预设权重。比如,对于注射剂瓶成型设备,其在生产过程中对于温度的把控非常重要,故而温度这一维度对应的预设权重较高,而对于其他生产设备,温度对应的预设权重则较低。
此时,基于每个维度对应的预设权重,以及参数值,在历史记录中确定与当前设备状态的相似程度高于预设程度的历史设备状态。比如,遍历历史记录中的每条历史设备状态,将其每个维度与当前设备状态的每个维度进行对比,预设权重越高,则所需的相似程度越高,从而找到所有维度的相似程度均高于预设程度的历史设备状态。
针对找到的每个历史设备状态,若在历史设备状态出现后的预设时间段(比如,1分钟)内,生产设备出现故障,则将历史设备状态标记为故障状态,此时,基于故障状态的出现概率,即可得到生产设备的初始故障率,也就是生产设备在当前生产状态下,出现故障的概率。
进一步地,还可以基于预设的函数曲线,对故障率进行预估,从而便于后续生产数据采集方案的制定。
如图2所示,其横坐标为时间,纵坐标为故障率,一般而言,对于新安装的生产设备,由于其需要与注射剂瓶生产线、相应的数控系统、操作人员等进行磨合,故而此时发生的故障率较高,这段时间一般会持续几周、几个月甚至一年,在此将该期间称作初始故障期。
随着生产设备的持续运行,其运行状态逐渐稳定,故障率也会常年保持一个较低的程度,将该期间称作偶发故障期。
而当生产设备运行了若干年后,由于设备自身的损耗,故障率又会逐渐增加,最终直至到达设备的使用寿命,将该期间称作耗损故障期。
基于此,首先确定生产设备的使用年限、设备寿命,并根据使用年限以及设备寿命,确定生产设备当前所处的设备期间,设备期间包括:初始故障期、偶发故障期、耗损故障期。对于不同的设备类型来说,各设备期间对应的使用年限不同,在此可以基于专家经验或者历史数据进行确定。
针对每个设备期间,由于客观原因,其对应的故障率的基础概率不同,故而设置了不同的标准函数曲线,从而能够基于该标准函数曲线,进行更贴合的预估,得到预估故障率曲线。其中,预估故障率曲线的横坐标为时间,纵坐标为故障率。
其中,当设备期间为初始故障期时,对应的标准函数曲线为:
;当设备期间为偶发故障期、耗损故障期时,对应的标准函数曲线为:
。
其中,t为时间,为故障率,/>为初始故障率,/>为对/>进行归一化处理后的函数。
其中,;/>。
为上升参数,取值范围大于1,基于生产设备的设备特性设置,比如,基于专家经验以及历史记录得到生产设备在初始故障期磨合困难程度(与初始故障期的持续时长,以及在该初始故障期内的最高故障率、平均故障率呈正相关),困难程度越高,则b的取值越高。
为预设时间点,基于当前设备状态中的预设权重最高的维度达到最快变化速度的时间点确定,上文已经说过,对于不同的生产设备,其当前设备状态中包含的维度可能是不同,在此选择预设权重最高的维度,即为该生产设备最重要的维度,根据其在历史记录中的最快变化速度的时间点的平均值,得到预设时间点。
M、N分别为、/>对应的权重参数,均大于0,且两者之和不大于1,两者之和可以等于1,也可以小于1,以便于为其他影响因子预留相应的空间。M、N的值可以基于不同生产设备、不同设备期间设置不同的值。
k为斜率参数,且k在各设备期间对应的标准函数曲线中的取值不同,取值从高到低依次为:初始故障期、耗损故障期、偶发故障期。
对于来说,当b大于1时,其函数曲线为先上升后下降,主要用于表示生产设备在初始故障期,设备磨合状态的表示,在初始故障期中,生产设备在每次生产过程中,随着运行时长的持续,磨合问题逐渐体现,故障率逐渐上升,且随着磨合困难程度的提高,上升速度也就越快(通过b的取值越高进行体现)。然而随着运行时长的持续,在单次的生产过程中,生产设备的磨合逐渐适应,此时,故障率反而会下降,符合/>的函数曲线的表现。
而对于来说,其函数曲线为持续上升,且上升速度先增加后减少。其主要用于指代,随着单次生产过程中,生产设备运行时长的增加,设备状态会逐渐下滑,故障率自然会随之增长。
对于设备状态中的各维度,选取其中预设权重最高的维度,其对于生产设备的影响最大,由于生产设备的特性以及限定,各维度的变化程度是有上限的,比如,对于注射剂瓶成型设备来说,选取温度作为预设权重最高的维度,其能达到的最高温度值是具有上限的,无法达到生产设备所不能承受的温度值,且一开始上升速度会越来越快,随着越来越接近上限,上升速度会逐渐降低,逐渐逼近上限。
此时,选取为预设时间点,将预设权重最高的维度达到最快变化速度的时间点作为预设时间点,用于表示/>的中间位置,使其更贴合现实情况中该函数曲线的变化,在短时间运行下,/>对于故障率的影响很小,而在运行了一定时长后,/>的影响逐渐增大,在到达一定时长后,影响逐渐稳定在一个较高值。
k为斜率参数,k的值越高,表示本次故障率的上升速度越快,故而k在各设备期间对应的标准函数曲线中的取值不同,对于长时间运行越容易出现故障的设备期间,其k值越高,基于上文中的描述可以设定,k的取值从高到低依次为:初始故障期、耗损故障期、偶发故障期。
对于初始故障期来说,其面临着设备磨合,以及设备长时间运行所带来的影响,其生产过程中,故障率的变化可能并非是持续增长的,故而需要以及/>两个函数曲线来表示。
而对于耗损故障期、偶发故障期来说,其不需要面对设备磨合这一问题,只需要面对设备长时间运行所带来的影响,故而只需要来表示故障率即可。当然,对这两个期间来说,其对应的参数的具体取值可以进行适应性调整。
S105:根据所述当前时间段的之前时间段中,出现的各时间段的类型,对所述预估故障率曲线进行补偿。
在已经得到的预估故障率曲线中,只考虑了当前时间段中的情况,并没有考虑在先时间段中,生产设备的行为对当前时间段所带来的影响,基于此,需要之前时间段中的行为,对预估故障率曲线进行补偿。
具体地,确定当前时间段之前,距离最近的类型为暂停维护时间段的指定时间段,并获取指定时间段与当前时间段之间的所有时间段。对于生产设备来说,每经过一次暂停维护,一般都会使得设备性能、设备状态等恢复到一个较优的状态,此时,以该状态为起点,考虑该状态与当前时间段之间的所有时间段,作为生产设备之前的行为对当前时间段的影响。
获取所有时间段中,产品调整时间段的出现次数,以及所有持续工作时间段对应的总工作时长,并基于出现次数、总工作时长对预估故障率曲线,通过递增函数进行补偿。
产品调整时间段的出现次数越多,代表对生产设备更换工艺参数、生产模具越多,因为每次调整都需要一段时间来适应新的参数设置或者新的模具,故而工艺参数、生产模具的调整越频繁,可能会导致生产过程的不稳定性增加,对生产设备造成额外的负荷和磨损,故而此时对预估故障率曲线的补偿程度越高。而总工作时长越长,表示对生产设备的损耗越高,对预估故障率曲线的补偿程度同样越高。
若生产设备当前处于初始故障期中,则对工艺参数的调整,对生产设备的影响程度更大,故而,出现次数的所占权重,高于总工作时长的所占权重,而在偶发故障期、耗损故障期中,由于设备已经磨合完毕,实现较为稳定的运行,故而出现次数的所占权重,则低于总工作时长的所占权重。
补偿的过程可以是通过递增函数(比如,线性递增函数)进行补偿,比如,在求得的故障率的基础上,再乘递增函数对应的系数值,从而对故障率进行补偿。
S106:基于补偿后的预估故障率曲线,制定所述生产设备对应的生产数据采集方案,以根据所述生产数据采集方案,对所述生产设备的生产过程进行图像采集。
在已经对预估故障率曲线进行补偿后,即可基于该曲线制定相应的生产数据采集方案。
具体地,生产数据采集方案至少包括:数据采集方式、数据采集频率、数据采集范围,以生产设备为注射剂瓶成型设备为例,数据采集方式包括:通过红外热像仪、相机进行采集,数据采集范围则包括红外图像、产品图像,而往往故障率越高时,对应的数据采集频率也越快。
基于此,在进行图像采集时,确定注射剂瓶中间件在注射剂瓶成型设备的生产过程中所处的生产阶段包括:第一阶段、第二阶段,其中,第一阶段指的是高温阶段,在这个阶段中,需要将原材料以高温进行融化并使其成为所需的形状,此时,注射剂瓶中间件对应的温度高于预设的温度阈值,第二阶段指的是低温阶段,此时,注射剂瓶中间件已经冷却并且成型,其对应的温度低于预设的温度阈值。
在第一阶段中,需要考虑温度控制问题以及玻璃热流动不均匀,以拉吹成型机为例,其将玻璃预加热至融化状态,通过模具将玻璃吹成注射瓶形状,需要通过加热玻璃,如果温度控制不准确或设备故障,可能会导致温度过高或过低,使得注射剂瓶产生缺陷,影响成型效果或甚至损坏玻璃材料。并且,在该过程中,如果加热不均匀或存在局部过热或过冷的情况,可能会导致成型件表面质量不均匀,比如,出现痕迹、气泡或变形等问题。
因此,此时基于第一数据采集频率(其为固定频率,比如,可以将其设置为30分钟/次),通过红外热像仪采集注射剂瓶中间件对应的红外图像,以便于对红外图像进行图像分析,该图像分析过程可以基于卷积神经网络(Convolutional Neural Networks,CNN)等图像处理算法实现。
具体地,如图3所示,在通过CNN对红外图像处理时,采集红外图像,将其作为训练样本,对训练样本进行预处理后,通过其对CNN进行训练,CNN的输出层作为分类器,根据其在训练过程中的输出结果,通过有监督训练的方式,对CNN的参数进行调整,直至收敛后,完成对CNN的训练。
在训练完毕后,将实际采集到的红外图像进行图像预处理后,输入至训练完毕的CNN后,通过输出层(也就是分类器)输出相应的检测结果,作为注射剂瓶在第一阶段的检测结果。
其中,为保证训练样本的多样性,需要将训练样本中配置超过预设比例(比如,50%)的,存在缺陷的注射剂瓶的红外图像,该缺陷可以通过生产过程中的温度控制、设备控制,使得故意出现具有缺陷的注射剂瓶,并采集其对应的红外图像。
图像预处理主要包括灰度化以及图像降噪,如图4所示,采集到原始红外图像后,将其进行灰度化处理,得到灰度图像,然后通过去背景的方式进行图像降噪,得到只包含注射剂瓶的图像。其中,在图4中的最左侧的原始红外图像在实际操作中为彩色的。
其中,去背景的方式可以为:在采集的多帧红外图像中,选择指定帧(比如,选择第一帧的红外图像),将当前帧与指定帧相减,将两者相同的部分(也就是背景部分)消除,得到的就是当前帧在去背景后对应的图像。
如图4所示,越明亮的地方表示温度越高,而其中心的高温区域并不连贯,是由于玻璃热流动不均匀,导致的局部过热产生的缺陷。
而基于采集位置、采集时间的不同,缺陷也可能会产生不同的成像效果,为保证识别效果的准确性,可以针对同一缺陷,在不同的采集位置、采集时间分别采集相应的红外图像,作为训练样本。
此时,对图像赋予标签,通过有监督的方式对CNN进行训练。
如图5所示,CNN的架构可以包括:输入层(Input)、卷积层(conv1~conv3)、池化层(pool1~pool3)、全连接层(Fc)以及输出层(对应于Softmax分类器)。
其中,第一卷积层conv1使用32 个3×3卷积核进行卷积,其步长为1,第二卷积层conv2使用64个3×3卷积核进行卷积,其步长为1,第三卷积层使用128个3×3卷积核进行卷积,其步长为1。而各池化层(包括第一池化层pool1、第二池化层pool2、第三池化层pool3)均使用使用2×2卷积核进行池化,且步长为2。
经过卷积积之后维度为15×15×128,将其转化成28800个结点作为全连接层的输入,全连接层包括两层,均采用512个神经元。输出层为2个神经元,使用Softmax 函数将所有单元完全连接到各类的输出概率。
另外,在全连接层中可以采用Droput技术防止模型过拟合。
训练过程中的损失函数可以交叉熵函数:
,其中,m为样本数量,/>为第i个样本的标签值,/>第i个样本的输出值。
在训练过程中可以采用分批次进行训练,将batch size的大小设置为32,将Dropout神经元的随即失活概率设置为0.3,优化算法选取学习率自适应的Adam算法;采用学习率衰减策略进行学习,当验证准确率不再提升时,减少2倍的学习率,将学习率下限设置为0.00001。
通过训练完毕的卷积神经网络CNN可以对红外图像进行识别,可以识别得到红外图像中是否存在缺陷,也就是是否存在异常。
在图像分析结束后,获取针对红外图像的图像分析结果。若图像分析结果出现异常,则说明第一阶段加工得到的注射剂瓶中间件可能存在问题,需要第二阶段获取图像进行检测,当然,若是已经达到第二数据采集频率,则即使第一阶段未出现异常,也通过相机采集注射剂瓶中间件对应的产品图像。
其中,需要说明的是,由于在第一阶段中,注射剂瓶仍属于加热加工过程,在对其升温的过程中,可能会出现暂时性的热流动不均匀问题,而该问题可能随着后续继续的加热过程而解决,故而在第一阶段出现异常的注射剂瓶,在最终生产的产品中,不一定会出现异常,故而此时,需要在第二阶段获取图像进行检测。
第一阶段中的检测,其虽然可能不会对注射剂瓶的最终结果产生影响,但是更能体现出加热加工过程中的状态,有助于对生产过程中的工艺流程进行控制以及改进。
对于第二阶段来说,主要通过图像分析泄露、磨具磨损、气压异常等问题造成的注射剂瓶中间件出现裂纹、损坏等情况发生。
其中,不管是基于泄露、磨具磨损、气压异常等哪些问题,最终体现在注射剂瓶上中间件(也就是经过加热塑型,再冷却后得到的中间件)上的结果,都是出现裂纹或者损坏,故而在第二阶段进行图像分析时,只需要对注射剂瓶中间件上是否存在裂纹、损坏等情况进行检测即可,无需关注出现该裂纹、损坏的原因。
具体地,由于第二阶段中所分析的图像中,注射剂瓶通常为具有一定程度的透明性质,故而对于其进行图像分析的难度,通常要高于第一阶段的图像分析难度,因此,站在节约算力的基础上考虑,将第一数据采集频率设置为固定频率,比如,30分钟/次,并将第二数据采集频率为可变频率,其与预估故障率曲线相关,故障率越高,第二数据采集频率越快。
其中,在实际工作中,预估故障率曲线中的故障率通常为缓慢变化的趋势,故而在根据其设置对应的第二数据采集频率时,可以按照范围设置,比如,故障率在0%~0.1%时,第二数据采集频率为120分钟/次,当故障率在0.1%~0.5%时,第二数据采集频率为60分钟/次,当故障率在0.5%~1%时,第二数据采集频率为30分钟/次,当故障率高于1%时,需要对整个生产线进行维护、检修。
此时,假设根据故障率得到第二数据采集频率为60分钟/次,在第30分钟时,进行第一阶段的红外图像采集以及分析,若分析结果出现异常,则针对该中间件,继续进行第二阶段的图像采集以及分析,若未出现异常,则判定此时并未到达第二数据采集频率,也就无需第二阶段的图像采集以及分析。
在到达第60分钟时,由于此时已经到达第二数据采集频率,则无论第一阶段的图像分析结果是否出现异常,均要进行第二阶段的图像采集以及分析。
当然,若是在第30分钟时,第一阶段的图像分析出现异常,第二阶段进行了图像采集以及分析,则第二数据采集频率也就需要重新计算对应的起始时间,此时,在到达第60分钟时,仍需要根据第一阶段图像的分析结果,判断是否对第二阶段进行异常分析。
进一步地,在第二阶段对图像进行图像分析时,仍可以采用卷积神经网络进行图像分析。
在对该CNN进行训练时,预先采集训练样本,需要在背景为纯色(通常为白色)的环境下,获取包含注射剂瓶在多个角度的图像,通常包括45°立体图、正面图、顶面图。
另外,为了模拟现场实际采集图像时光照,针对每个角度,采集在该角度下,在不同光照环境下的多张图像。光照环境可以包括:顶面光照、侧面光照、正面光照,而光照强度则模拟自然光或者室内光照强度即可。
在采集到该角度下,多个光照环境的图像后,将这多个光照环境的图像进行融合,即可得到该角度下的图像。
此时,针对每个图像,对其进行灰度化处理后,得到灰度图像,并进行图像降噪后,将该灰度图像作为第二阶段对应的CNN的训练样本。其中,此处的图像降噪处理可以包括:通过Retinex算法或Wavelet变换,对反光的部分进行降噪处理。
将图像降噪处理后的图像,作为第二阶段的CNN的输入,训练得到相应的模型,用于对产品图像进行处理。其中,第二阶段的CNN的架构、训练过程以及损失函数与第一阶段的CNN类似,在此不再赘述。
更进一步地,针对第二阶段的图像分析,还可以通过人工辅助检测的方式,进一步确定对产品图像的检测结果,比如,人工通过对电子探针、扫描电子显微镜等工具,进行更细致的直接对注射剂瓶中间件进行检测,并将检测结果作为图像检测结果的补充或替代。如图6所示,经过电子探针的观察,在sp1处为裂纹缺陷,在sp2处为结瘤缺陷。当然,这种微观上观察到的缺陷,可能并不会对注射剂瓶的实际使用产生影响,故而人工辅助检测的结果,可以基于实际需求,来判断是否作为第二阶段对应的检测结果。
对于除了注射剂瓶成型设备之外的其他设备,数据采集方式、数据采集范围通常为通过相机采集产品图像,数据采集频率则与预估故障率曲线中相关,故障率越高,相应的数据采集频率越快。
在制定数据采集方案时,不再是如现有技术中,采用固定的采集频率,而是通过当前设备状态这一维度,以及生产设备在之前时间段中的行为这一维度,综合这两个维度,作为对生产设备在未来时刻内的故障率进行预估的基础,可以得到结合现场实际情况的预估故障率,并根据预估故障率制定相应的生产数据采集方案,从而使得最终制订的生产数据采集方案中,能够更加贴合生产设备的当前状态,得到更合适的数据采集频率,从而保证在不浪费算力的前提下,提高异常的发现速度。
在一个实施例中,如果上游设备出现异常,则下游设备生产的产品大概率也会出现异常。但是当下游设备出现异常时,可能是由于下游设备自身的问题,也可能是因为上游设备的劣化导致的,故而确定在注射剂瓶生产线中,位于生产设备下游的预设关联设备,该预设关联设备可以是生产设备下游相邻的设备,以及指定设备类型的生产设备。比如,设备类型共包括:注射剂瓶成型设备、注射剂瓶封口设备、注射剂瓶洗瓶设备、注射剂瓶印刷设备、注射剂瓶包装设备等,当注射剂瓶印刷设备出现异常时,很有可能是前方工序出现异常,导致的印刷时,对玻璃的二次加工出现异常,故而将其作为关联生产设备。
若预设关联设备的图像分析结果出现异常,则有可能是预设关联设备的问题,也可能是上游的生产设备的异常导致的,故而在未来的预设时长内,增加生产数据采集方案中的数据采集频率,从而保证异常的分析速度。
如图7所示,本申请实施例还提出了一种注射剂瓶生产数据采集方案制定设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如:上述任一实施例所述的注射剂瓶生产数据采集方案制定方法。
本申请实施例还提出了一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:上述任一实施例所述的注射剂瓶生产数据采集方案制定方法。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的范围之内。
Claims (10)
1.一种注射剂瓶生产数据采集方案制定方法,其特征在于,包括:
基于已关联系统的业务接口,获取注射剂瓶生产线对应的生产计划;
针对所述注射剂瓶生产线中的每个生产设备,根据所述生产计划,将所述生产设备的生产过程划分为多个时间段,所述时间段的类型包括:持续工作时间段、暂停维护时间段、产品调整时间段;
在所述生产过程中,确定进入当前时间段,基于所述生产设备的设备接口,获取所述生产设备的当前设备状态,所述当前时间段的类型为所述持续工作时间段;
根据所述当前设备状态,确定所述生产设备的初始故障率,并基于所述初始故障率,以及预设的函数曲线,对所述生产设备在所述当前时间段内的故障率进行预估,得到预估故障率曲线;
根据所述当前时间段的之前时间段中,出现的各时间段的类型,对所述预估故障率曲线进行补偿;
基于补偿后的预估故障率曲线,制定所述生产设备对应的生产数据采集方案,以根据所述生产数据采集方案,对所述生产设备的生产过程进行图像采集。
2.根据权利要求1所述的方法,其特征在于,根据所述当前设备状态,确定所述生产设备的初始故障率,具体包括:
确定所述当前设备状态中所包含的多个维度,以及每个维度对应的参数值;
基于每个维度对应的预设权重,以及所述参数值,在历史记录中确定与所述当前设备状态的相似程度高于预设程度的历史设备状态;
针对每个所述历史设备状态,若在所述历史设备状态出现后的预设时间段内,所述生产设备出现故障,则将所述历史设备状态标记为故障状态;
基于所述故障状态的出现概率,得到所述生产设备的初始故障率。
3.根据权利要求1所述的方法,其特征在于,基于所述初始故障率,以及预设的函数曲线,对所述生产设备在所述当前时间段内的故障率进行预估,得到预估故障率曲线,具体包括:
确定所述生产设备的使用年限、设备寿命,并根据所述使用年限以及所述设备寿命,确定所述生产设备当前所处的设备期间,所述设备期间包括:初始故障期、偶发故障期、耗损故障期;
获取所述设备期间对应的标准函数曲线,并基于所述初始故障率,得到所述生产设备在所述当前时间段内的预估故障率曲线,所述预估故障率曲线的横坐标为时间,纵坐标为故障率。
4.根据权利要求3所述的方法,其特征在于,获取所述设备期间对应的标准函数曲线,具体包括:
当所述设备期间为所述初始故障期时,对应的标准函数曲线为:
;
当所述设备期间为所述偶发故障期、所述耗损故障期时,对应的标准函数曲线为:
;
其中,t为时间,为故障率,/>为初始故障率,/>为对/>进行归一化处理后的函数;
其中,;/>;
为上升参数,取值范围大于1,基于所述生产设备的设备特性设置,/>为预设时间点,基于所述当前设备状态中的预设权重最高的维度达到最快变化速度的时间点确定,M、N分别为/>、/>对应的权重参数,M、N均大于0,且两者之和不大于1,k为斜率参数,且k在各设备期间对应的标准函数曲线中的取值不同,取值从高到低依次为:初始故障期、耗损故障期、偶发故障期。
5.根据权利要求3所述的方法,其特征在于,根据所述当前时间段的之前时间段中,出现的各时间段的类型,对所述预估故障率曲线进行补偿,具体包括:
确定所述当前时间段之前,距离最近的类型为暂停维护时间段的指定时间段,并获取所述指定时间段与当前时间段之间的所有时间段;
获取所述所有时间段中,产品调整时间段的出现次数,以及所有持续工作时间段对应的总工作时长;
基于所述出现次数、所述总工作时长对所述预估故障率曲线,通过递增函数进行补偿;
其中,出现次数越高,总工作时长越长,对所述预估故障率曲线的补偿程度越高;
在初始故障期中,出现次数的所占权重高于总工作时长的所占权重;在偶发故障期、耗损故障期中,出现次数的所占权重低于总工作时长的所占权重。
6.根据权利要求1所述的方法,其特征在于,所述生产数据采集方案至少包括:数据采集方式、数据采集频率、数据采集范围,所述生产设备为注射剂瓶成型设备时;
根据所述生产数据采集方案,对所述生产设备的生产过程进行图像采集,具体包括:
确定注射剂瓶中间件在所述注射剂瓶成型设备的生产过程中所处的生产阶段包括:第一阶段、第二阶段,其中,所述第一阶段时,所述注射剂瓶中间件对应的温度高于预设的温度阈值,所述第二阶段时,所述注射剂瓶中间件对应的温度低于预设的温度阈值;
在所述第一阶段时,基于第一数据采集频率,通过红外热像仪采集所述注射剂瓶中间件对应的红外图像,并获取针对所述红外图像的图像分析结果;
若所述图像分析结果出现异常,或者,已达到第二数据采集频率,则通过相机采集所述注射剂瓶中间件对应的产品图像;
其中,所述第一数据采集频率为固定频率,所述第二数据采集频率为可变频率,且所述预估故障率曲线中的故障率越高,所述第二数据采集频率越快。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
确定在所述注射剂瓶生产线中,位于所述生产设备下游的预设关联设备;
若所述预设关联设备的图像分析结果出现异常,则在未来的预设时长内,增加所述生产数据采集方案中的数据采集频率。
8.根据权利要求7所述的方法,其特征在于,确定在所述注射剂瓶生产线中,位于所述生产设备下游的预设关联设备,具体包括:
确定在所述注射剂瓶生产线中,位于所述生产设备下游的下游生产设备;
在所述下游生产设备中,将所述生产设备的相邻设备,以及指定设备类型的生产设备,作为所述生产设备的预设关联设备,所述指定设备类型包括:注射剂瓶印刷设备。
9.一种注射剂瓶生产数据采集方案制定设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如:权利要求1~8中任一项所述的注射剂瓶生产数据采集方案制定方法。
10.一种非易失性计算机存储介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令设置为:权利要求1~8中任一项所述的注射剂瓶生产数据采集方案制定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410361437.1A CN117974069B (zh) | 2024-03-28 | 2024-03-28 | 一种注射剂瓶生产数据采集方案制定方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410361437.1A CN117974069B (zh) | 2024-03-28 | 2024-03-28 | 一种注射剂瓶生产数据采集方案制定方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117974069A true CN117974069A (zh) | 2024-05-03 |
CN117974069B CN117974069B (zh) | 2024-06-07 |
Family
ID=90858271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410361437.1A Active CN117974069B (zh) | 2024-03-28 | 2024-03-28 | 一种注射剂瓶生产数据采集方案制定方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117974069B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009015885A1 (de) * | 2007-07-31 | 2009-02-05 | Abb Research Ltd. | Verfahren und system zur erstellung eines produktionsplans für eine produktionsanlage |
US20130283104A1 (en) * | 2012-04-24 | 2013-10-24 | International Business Machines Corporation | Maintenance planning and failure prediction from data observed within a time window |
CN106125714A (zh) * | 2016-06-20 | 2016-11-16 | 南京工业大学 | 结合bp神经网络与二参数威布尔分布的故障率预测方法 |
FR3066844A1 (fr) * | 2017-05-23 | 2018-11-30 | Monixo | Procede de prevision de la survenue d'une defaillance sur un appareil dans le temps |
CN109981328A (zh) * | 2017-12-28 | 2019-07-05 | 中国移动通信集团陕西有限公司 | 一种故障预警方法及装置 |
US20210089928A1 (en) * | 2018-03-16 | 2021-03-25 | Hitachi, Ltd. | Failure probability evaluation system and method |
CN113902141A (zh) * | 2021-09-15 | 2022-01-07 | 大唐东北电力试验研究院有限公司 | 一种并行热力系统故障发生概率的预估方法 |
CN114298409A (zh) * | 2021-12-28 | 2022-04-08 | 唐山学院 | 一种设备故障的预测方法及相关装置 |
CN114493204A (zh) * | 2022-01-13 | 2022-05-13 | 山东浪潮工业互联网产业股份有限公司 | 一种基于工业互联网的工业设备监测方法及设备 |
US20230315062A1 (en) * | 2022-07-15 | 2023-10-05 | Chengdu Qinchuan Iot Technology Co., Ltd. | Industrial internet of things, mthods and mediums for early warning of descending function fault of equipment |
-
2024
- 2024-03-28 CN CN202410361437.1A patent/CN117974069B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009015885A1 (de) * | 2007-07-31 | 2009-02-05 | Abb Research Ltd. | Verfahren und system zur erstellung eines produktionsplans für eine produktionsanlage |
US20130283104A1 (en) * | 2012-04-24 | 2013-10-24 | International Business Machines Corporation | Maintenance planning and failure prediction from data observed within a time window |
CN106125714A (zh) * | 2016-06-20 | 2016-11-16 | 南京工业大学 | 结合bp神经网络与二参数威布尔分布的故障率预测方法 |
FR3066844A1 (fr) * | 2017-05-23 | 2018-11-30 | Monixo | Procede de prevision de la survenue d'une defaillance sur un appareil dans le temps |
CN109981328A (zh) * | 2017-12-28 | 2019-07-05 | 中国移动通信集团陕西有限公司 | 一种故障预警方法及装置 |
US20210089928A1 (en) * | 2018-03-16 | 2021-03-25 | Hitachi, Ltd. | Failure probability evaluation system and method |
CN113902141A (zh) * | 2021-09-15 | 2022-01-07 | 大唐东北电力试验研究院有限公司 | 一种并行热力系统故障发生概率的预估方法 |
CN114298409A (zh) * | 2021-12-28 | 2022-04-08 | 唐山学院 | 一种设备故障的预测方法及相关装置 |
CN114493204A (zh) * | 2022-01-13 | 2022-05-13 | 山东浪潮工业互联网产业股份有限公司 | 一种基于工业互联网的工业设备监测方法及设备 |
US20230315062A1 (en) * | 2022-07-15 | 2023-10-05 | Chengdu Qinchuan Iot Technology Co., Ltd. | Industrial internet of things, mthods and mediums for early warning of descending function fault of equipment |
Also Published As
Publication number | Publication date |
---|---|
CN117974069B (zh) | 2024-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7265318B2 (ja) | 機械学習器により成形条件を調整する射出成形機システム | |
CN113033974B (zh) | 基于改进lstm网络的数字钢卷特征质量预测及工艺参数动态调整方法及系统 | |
CN106918594B (zh) | 一种在线分析籽棉色特征和杂质的方法 | |
CN111929053B (zh) | 基于da-rvfln的气动调节阀领域适应故障诊断方法 | |
CN117974069B (zh) | 一种注射剂瓶生产数据采集方案制定方法、设备及介质 | |
CN114943848A (zh) | 镍网激光熔覆过程中的裂纹识别方法 | |
CN116229053A (zh) | 一种基于神经网络的红枣机挡料板动态调整方法 | |
CN114565314B (zh) | 一种基于数字孪生的热轧钢卷端面质量管控系统及方法 | |
CN113983965A (zh) | 一种排线质量检测装置及检测方法 | |
CN116026889B (zh) | 一种生产线ccd检测装置、系统及控制方法 | |
CN116797569A (zh) | 一种晶圆缺陷的检测方法及系统 | |
CN116342468A (zh) | 基于机器视觉的纺纱机纱线断线和缠绕自动检测方法 | |
CN106540886A (zh) | 一种轮胎自动分拣系统 | |
CN111191354A (zh) | 基于gbdt的锅炉建模方法及装置 | |
JP7428197B2 (ja) | 鋼板の形状判別方法、形状測定方法、形状制御方法、製造方法、形状判別モデルの生成方法、及び形状判別装置 | |
WO2020002195A1 (en) | Method for real-time monitoring of thermal time evolution of a furnace adapted to the thermal softening of flat glass articles. | |
CN115100209A (zh) | 一种基于摄像机的图像质量的修正方法及修正系统 | |
CN109239074A (zh) | 一种基于机器视觉的生阳极炭块检测方法 | |
CN113343791A (zh) | 基于卷积神经网络的窑头看火视频亮度识别方法及装置 | |
CN116883400B (zh) | 一种激光选区熔化过程中的铺粉孔隙率预测方法及系统 | |
CN111507960A (zh) | 一种基于神经网络可视化的摄像模组镜头脏污检测方法 | |
CN108133261B (zh) | 基于bp神经网络的汽车胶管芯轴质量评价方法 | |
Tian et al. | Wafer defect classification based on DCNN model | |
DE102021133164B3 (de) | Verfahren zum Durchführen eines Einstellbetriebs einer Behältnisinspektionsvorrichtung und Behältnisinspektionsvorrichtung | |
CN118247479A (zh) | 一种锡炉眼模智能定位识别系统及方法 |
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 |