CN118114405A - 用于零件生产流程的智能检测方法及系统 - Google Patents
用于零件生产流程的智能检测方法及系统 Download PDFInfo
- Publication number
- CN118114405A CN118114405A CN202410501264.9A CN202410501264A CN118114405A CN 118114405 A CN118114405 A CN 118114405A CN 202410501264 A CN202410501264 A CN 202410501264A CN 118114405 A CN118114405 A CN 118114405A
- Authority
- CN
- China
- Prior art keywords
- information
- nonstandard
- risk
- standard
- processing
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 76
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 261
- 238000003754 machining Methods 0.000 claims abstract description 130
- 238000000034 method Methods 0.000 claims abstract description 73
- 230000008569 process Effects 0.000 claims abstract description 36
- 238000012502 risk assessment Methods 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 33
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000010224 classification analysis Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000007689 inspection Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 9
- 238000012797 qualification Methods 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000015654 memory Effects 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
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了用于零件生产流程的智能检测方法及系统,涉及数据处理技术领域,通过根据非标零件的非标规格预测获得第一加工精度风险和第一加工变形风险,根据生产工艺流程预测获得第二加工精度风险和第二加工变形风险,结合第一加工精度风险和第一加工变形风险获得加工精度风险,结合第二加工精度风险和第二加工变形风险获得加工变形风险,输出流程风险检测结果。解决了现有技术存在非标零件的工艺流程确定的时间成本和经济成本居高不下的技术问题。达到了快速预测基于工艺流程进行非标零件生产的加工精度偏差风险和加工形变风险,以量化评价加工工艺流程合格性的技术效果。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及用于零件生产流程的智能检测方法及系统。
背景技术
目前,对于非标零件的加工工艺可靠性评价仍需通过多轮次的试生产来进行,反复的试产验证虽然能够有效地排除潜在的问题和风险,确保非标零件的加工工艺能够可靠地满足客户的需求和要求,但这种依赖于试生产的评价方法,显著增加了项目开发的周期和成本。
综上所述,现有技术中对于非标零件的加工工艺可靠性评价依赖于多轮次非标零件试生产,导致非标零件的工艺流程确定的时间成本和经济成本居高不下的技术问题。
发明内容
本申请提供了用于零件生产流程的智能检测方法及系统,用于针对解决现有技术中对于非标零件的加工工艺可靠性评价依赖于多轮次非标零件试生产,导致非标零件的工艺流程确定的时间成本和经济成本居高不下的技术问题。
鉴于上述问题,本申请提供了用于零件生产流程的智能检测方法及系统。
本申请的第一个方面,提供了用于零件生产流程的智能检测方法,所述方法包括:采集待进行加工生产的非标零件的非标规格信息,其中,所述非标规格信息包括多个非标位置的多个位置非标信息;将所述非标规格信息输入零件规格库内进行归类分析,获得多组位置归类零件的多组归类位置标准信息,所述零件规格库基于多种标准零件的规格信息进行构建;根据所述多组归类位置标准信息,分析获得所述多个位置非标信息的多个位置非标度,预测所述非标零件的多个第一加工精度风险信息;获取所述非标零件的包括所述多个非标位置的多个位置加工参数的生产工艺流程,结合所述多个位置非标信息,进行加工精度风险预测,获得多个第二加工精度风险信息,结合所述多个第一加工精度风险信息,计算获得加工精度风险信息;根据所述多个位置非标度,预测非标零件的多个非标位置的第一加工变形风险信息,并基于所述多个位置加工参数和多个位置非标信息,预测获得多个非标位置的第二加工变形风险信息,计算获得加工变形风险信息;基于所述加工变形风险信息和加工精度风险信息,输出所述非标零件的生产工艺流程的流程风险检测结果。
本申请的第二个方面,提供了用于零件生产流程的智能检测系统,所述系统包括:非标规格采集单元,用于采集待进行加工生产的非标零件的非标规格信息,其中,所述非标规格信息包括多个非标位置的多个位置非标信息;归组分析执行单元,用于将所述非标规格信息输入零件规格库内进行归类分析,获得多组位置归类零件的多组归类位置标准信息,所述零件规格库基于多种标准零件的规格信息进行构建;加工风险预测单元,用于根据所述多组归类位置标准信息,分析获得所述多个位置非标信息的多个位置非标度,预测所述非标零件的多个第一加工精度风险信息;精度风险预测单元,用于获取所述非标零件的包括所述多个非标位置的多个位置加工参数的生产工艺流程,结合所述多个位置非标信息,进行加工精度风险预测,获得多个第二加工精度风险信息,结合所述多个第一加工精度风险信息,计算获得加工精度风险信息;变形风险计算单元,用于根据所述多个位置非标度,预测非标零件的多个非标位置的第一加工变形风险信息,并基于所述多个位置加工参数和多个位置非标信息,预测获得多个非标位置的第二加工变形风险信息,计算获得加工变形风险信息;检测结果输出单元,用于基于所述加工变形风险信息和加工精度风险信息,输出所述非标零件的生产工艺流程的流程风险检测结果。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的方法通过采集待进行加工生产的非标零件的非标规格信息,其中,所述非标规格信息包括多个非标位置的多个位置非标信息;将所述非标规格信息输入零件规格库内进行归类分析,获得多组位置归类零件的多组归类位置标准信息,所述零件规格库基于多种标准零件的规格信息进行构建;根据所述多组归类位置标准信息,分析获得所述多个位置非标信息的多个位置非标度,预测所述非标零件的多个第一加工精度风险信息;获取所述非标零件的包括所述多个非标位置的多个位置加工参数的生产工艺流程,结合所述多个位置非标信息,进行加工精度风险预测,获得多个第二加工精度风险信息,结合所述多个第一加工精度风险信息,计算获得加工精度风险信息;根据所述多个位置非标度,预测非标零件的多个非标位置的第一加工变形风险信息,并基于所述多个位置加工参数和多个位置非标信息,预测获得多个非标位置的第二加工变形风险信息,计算获得加工变形风险信息;基于所述加工变形风险信息和加工精度风险信息,输出所述非标零件的生产工艺流程的流程风险检测结果。达到了在获得非标零件的位置非标信息和工艺流程的条件下,快速预测基于工艺流程进行非标零件生产的加工精度偏差风险和加工形变风险,以量化评价加工工艺流程合格性的技术效果。
附图说明
图1为本申请提供的用于零件生产流程的智能检测方法流程示意图;
图2为本申请提供的用于零件生产流程的智能检测方法中预测第一加工精度风险信息的流程示意图;
图3为本申请提供的用于零件生产流程的智能检测系统的结构示意图。
附图标记说明:非标规格采集单元1,归组分析执行单元2,加工风险预测单元3,精度风险预测单元4,变形风险计算单元5,检测结果输出单元6。
具体实施方式
本申请提供了用于零件生产流程的智能检测方法及系统,用于针对解决现有技术中对于非标零件的加工工艺可靠性评价依赖于多轮次非标零件试生产,导致非标零件的工艺流程确定的时间成本和经济成本居高不下的技术问题。达到了在获得非标零件的位置非标信息和工艺流程的条件下,快速预测基于工艺流程进行非标零件生产的加工精度偏差风险和加工形变风险,以量化评价加工工艺流程合格性的技术效果。
本发明技术方案中对数据的获取、存储、使用、处理等均符合相关规定。
下面,将参考附图对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是本发明的全部实施例,应理解,本发明不受这里描述的示例实施例的限制。基于本发明的实施例,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,都属于本发明保护的范围。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部。
实施例一
如图1所示,本申请提供了用于零件生产流程的智能检测方法,所述方法包括:
A100:采集待进行加工生产的非标零件的非标规格信息,其中,所述非标规格信息包括多个非标位置的多个位置非标信息;
具体而言,应理解的,所述非标准零件是不同于市场上通用的标准零件规格,没有广泛统一标准的零件,通常是针对特定企业或设备而设计的独特零件。
在本实施例中,采集待进行加工生产的非标零件的非标规格信息,所述非标规格信息是指所述非标零件与同类型标准零件规格相异的信息,具体包括多个非标位置的多个位置非标信息。
所述非标位置指的是非标零件上与其他标准零件规格不同的位置,比如螺栓上的螺纹、粗细等,所述位置非标信息则是这些非标位置的具体设计规格参数,包括但不限于尺寸、形状等方面的偏离标准的非标准化要求。
A200:将所述非标规格信息输入零件规格库内进行归类分析,获得多组位置归类零件的多组归类位置标准信息,所述零件规格库基于多种标准零件的规格信息进行构建;
在一个实施例中,将所述非标规格信息输入零件规格库内进行归类分析,获得多组位置归类零件的多组归类位置标准信息,本申请提供的方法步骤A200还包括:
A210:获取所述非标零件的多种同类标准零件的多个标准规格信息,其中,每个标准规格信息包括多个位置的多个位置标准信息;
A220:对所述多个标准规格信息进行划分,获得多个位置的多个位置标准信息集合;
A230:采用所述多个位置标准信息集合,构建多个位置的多个位置规格库;
A240:基于所述多个位置规格库,获得所述零件规格库;
A250:将所述多个位置非标信息输入所述零件规格库内进行归类分析,获得所述多组位置归类零件的多组归类位置标准信息。
在一个实施例中,将所述多个位置非标信息输入所述零件规格库内进行归类分析,本申请提供的方法步骤A250还包括:
A251:分别将所述多个位置非标信息输入所述多个位置规格库内进行归类分析,提取最接近的两个位置标准信息,作为多组归类位置标准信息,其中,每组归类位置标准信息内包括大于和小于位置非标信息的两个归类位置标准信息;
A252:根据所述多组归类位置标准信息对应的标准零件,获得所述多组位置归类零件。
具体而言,在本实施例中,在采集待进行加工生产的非标零件的非标规格信息的同时,采集获得的所述非标零件的标准规格信息,所述标准规格信息多个标准位置的多个位置标准信息。
对所述非标零件进行零件类型调用,以零件类型和标准规格信息为匹配比对约束,进行同类型零件匹配,获得多种同类型标准零件,其中,每种同类型标准零件和所述非标零件类型相同且在所述多个标准位置相同的零件位置的设计参数与所述多个位置标准信息相同。
进而本实施例对所述多个同类型标准零件进行零件对位(Part Registration),以使多个同类型标注零件可以进行相同位置的数据采集。
预设数据采集位点,所述数据采集位点包括用于进行零件数据采集的多个位置,在完成零件对位工作后,参考所述数据采集位点的多个位置对所述多种同类标准零件进行数据采集,获得多个标准规格信息,其中,每个标准规格信息包括多个位置的多个位置标准信息,应理解的,基于所述标准规格信息能够实现进行对应的同类型标准零件的高还原度建模。
以所述数据采集位点的多个位置作为数据分组标准,对所述多个标准规格信息进行划分,获得多个位置的多个位置标准信息集合,采用所述多个位置标准信息集合,基于知识图谱构建多个位置的多个位置规格库。
基于知识图谱,对所述多个位置规格库进行关联存储,获得所述零件规格库,所述零件规格库的第一属性对应的多个第一属性值为多个位置,第二属性对应的多个属性值为多个位置规格库。
对所述非标零件采用对所述多个同类型标准零件进行零件对位(PartRegistration)相同对位方式进行零件对位,以对所述多个非标位置进行位置对齐。
从位置对齐后的多个非标位置中随机调用获得第一非标位置和第一位置非标信息,并将所述第一非标位置输入所述零件规格库中,在所述零件规格库中,采用所述第一非标位置遍历所述多个位置规格库的多个位置进行第一非标位置和所述多个位置的空间距离计算,获得多个位置距离参数,序列化所述多个位置距离参数并进行最近的位置距离参数在多个位置中对应位置的位置规格库调用。
进而采用第一位置非标信息遍历调用获得的位置规格库,获得大于和小于第一位置非标信息的尺寸参数的两个归类位置标准信息,作为第一组归类位置标准信息。
以此类推,获得位置对齐后的多个位置非标信息的多组归类位置标准信息,其中,每组归类位置标准信息内包括大于和小于位置非标信息的两个归类位置标准信息,进而根据所述多组归类位置标准信息从多种同类标准零件中进行对应标准零件的反向追溯调用,获得所述多组位置归类零件。
本实施例基于零件同位置参数比对,实现了获得与非标零件多个非标位置的位置非标参数最接近的若干个标准零件,为后续进行非标零件的生产风险分析提供比对参考基准的技术效果。
A300:根据所述多组归类位置标准信息,分析获得所述多个位置非标信息的多个位置非标度,预测所述非标零件的多个第一加工精度风险信息;
在一个实施例中,如图2所示,根据所述多组归类位置标准信息,分析获得所述多个位置非标信息的多个位置非标度,预测所述非标零件的多个第一加工精度风险信息,本申请提供的方法步骤A300还包括:
A310:根据所述多组归类位置标准信息和多个位置非标信息,计算获得多组位置规格非标幅度信息;
A320:根据所述多组位置规格非标幅度信息,加权计算获得多个位置非标度;
A330:根据非标零件的加工历史数据,获取多个非标位置的多个样本位置非标度集合,并获取加工后加工精度偏离的多个样本第一加工精度风险信息集合;
A340:分别采用所述多个样本位置非标度集合和多个样本加工精度风险信息集合,构建多个第一加工精度风险分析分支,获得第一加工精度风险分析器;
A350:基于所述第一加工精度风险分析器,对所述多个位置非标度进行分析预测,获得所述多个第一加工精度风险信息。
具体而言,在本实施例中,所述第一组归类位置标准信息包括大于和小于第一位置非标信息的尺寸参数的两个归类位置标准信息,基于第一组归类位置标准信息和所述第一位置非标信息的尺寸参数指标构成一致。
对小于第一位置非标信息的归类位置标准信息和所述第一位置非标信息进行尺寸参数指标调用以及单位归一化处理,获得多组归类位置尺寸-位置非标尺寸,进而进行偏差百分比计算,获得多组尺寸偏差百分数,进而均值计算,作为对小于第一位置非标信息的归类位置标准信息和所述第一位置非标信息的位置规格非标幅度信息。
采用相同方法,对大于第一位置非标信息的归类位置标准信息和所述第一位置非标信息进行位置规格非标幅度信息计算,获得第一位置非标信息和第一组归类位置标准信息的第一组位置规格非标幅度信息。
以此类推,根据所述多组归类位置标准信息和多个位置非标信息,计算获得多组位置规格非标幅度信息。
交互获得加工获得的非标零件尺寸大于非标零件设计尺寸的二次加工成本,交互获得加工获得的非标零件尺寸小于非标零件设计尺寸的报废成本,将二次加工成本和报废成本的加和结果作为分母,将二次加工成本作为分子进行权重计算,作为大于位置非标信息对应位置规格幅度信息的权重分配,将二次加工成本和报废成本的加和结果作为分母,将报废成本作为分子进行权重计算,作为小于位置非标信息对应位置规格幅度信息的权重分配。采用如上计算获得的权重分配对所述多组位置规格非标幅度信息进行加权计算,获得多个非标位置的多个位置非标度。
根据非标零件的加工历史数据,调用获得多个非标位置的多个历史位置非标信息集合,并采用前文计算获得多个非标位置的多个位置非标度相同方法,计算获取多个非标位置的多个样本位置非标度集合。
在本实施例中,加工精度风险信息是基于位置非标信息对零件非标位置进行加工后,所获成品的加工精度偏离位置非标信息的风险程度的量化结果,本实施例中,进行风险量化可以基于专家评价法,加工报废率等进行加工精度风险信息的产出,最终获得对应于多个样本位置非标度集合的多个样本第一加工精度风险信息集合。
基于反向传播神经网络,预构建标准加工精度风险分析模型,所述标准加工精度风险分析模型的输入为位置非标度,输出为加工精度风险预测结果。
基于第一非标位置从所述多个样本位置非标度集合和多个样本加工精度风险信息集合调用获得第一样本位置非标度集合和第一样本加工精度风险信息集合。
进而采用进行反向传播神经网络训练的常规训练方法,以第一样本位置非标度集合和第一样本加工精度风险信息集合作为标准加工精度风险分析模型的训练数据,进行标准加工精度风险分析模型的训练,直至模型输出精度稳定高于97%,获得第一非标位置的第一加工精度风险分析分支。
以此类推,分别采用所述多个样本位置非标度集合和多个样本加工精度风险信息集合,构建多个第一加工精度风险分析分支,将多个第一加工精度风险分析分支并列设置,获得第一加工精度风险分析器。
将所述多个位置非标度根据其对应的多个非标位置,映射同步至所述第一加工精度风险分析器的多个第一加工精度风险分析分支进行同步分析预测,获得在加工中实现多个非标位置的多个位置非标信息的加工风险程度的所述多个第一加工精度风险信息。
本实施例通过进行加工风险精度预量化,以及构建多分支的第一加工精度风险分析器,实现了在获得非标加工位置的位置非标信息后,快速量化评价实现该非标位置信息的加工风险程度的技术效果。
A400:获取所述非标零件的包括所述多个非标位置的多个位置加工参数的生产工艺流程,结合所述多个位置非标信息,进行加工精度风险预测,获得多个第二加工精度风险信息,结合所述多个第一加工精度风险信息,计算获得加工精度风险信息;
在一个实施例中,获取所述非标零件的包括所述多个非标位置的多个位置加工参数的生产工艺流程,结合所述多个位置非标信息,进行加工精度风险预测,本申请提供的方法步骤A400还包括:
A410:获取当前所述非标零件进行加工设置的生产工艺流程,所述生产工艺流程包括所述多个非标位置的多个位置加工参数;
A420:根据非标零件的加工历史数据,获取多个样本位置非标信息集合,并获取多个样本位置加工参数集合和多个样本第二加工精度风险信息集合;
A430:采用所述多个样本位置非标信息集合、多个样本位置加工参数集合和多个样本第二加工精度风险信息集合,构建多个第二加工精度风险分析分支,获得第二加工精度风险分析器;
A440:采用所述第二加工精度风险分析器,对所述多个位置非标信息和多个位置加工参数进行加工精度风险预测,获得所述多个第二加工精度风险信息;
A450:对所述多个第一加工精度风险信息和第二加工精度风险信息进行加权计算,获得多个位置加工精度风险信息;
A460:根据所述多个位置非标度的大小,对所述多个位置加工精度风险信息进行加权计算,获得所述加工精度风险信息。
具体而言,在本实施例中,交互获取对当前所述非标零件进行批量化加工设置的生产工艺流程,所述生产工艺流程包括所述多个非标位置的多个位置加工参数。
根据非标零件的加工历史数据,调用实际加工生产的多个历史非标零件在多个非标位置的测定获得多个样本位置非标信息集合,调用实际加工获得的多个历史非标零件的在多个非标位置的多个样本位置加工参数集合。
基于加工参数决定位置非标信息的数据递进特性,本实施例构建多个样本位置非标信息集合和多个样本位置加工参数集合的关联映射,以获得对应于多个非标位置的多组样本位置非标信息-样本位置加工参数。
进而采用获得多个样本第一加工精度风险信息集合相同方法,以多组样本位置非标信息-样本位置加工参数作为评价数据,基于专家评价法或基于加工成本进行加工过程出现加工精度偏差的风险量化,获得多个样本第二加工精度风险信息集合。
基于反向传播神经网络构建标准第二加工精度风险分析模型,所述标准第二加工精度风险分析模型的输入为位置非标信息和位置加工参数,输出结果为生产过程维度的加工精度风险信息。
采用多个样本位置非标信息集合和多个样本位置加工参数集合以及多个样本第二加工精度风险信息集合作为训练数据,采用常规的反向传播神经网络的训练方法执行标准第二加工精度风险分析模型的训练,获得多个第二加工精度风险分析分支。通过将多个第二加工精度风险分析分支并列设置,获得第二加工精度风险分析器。
将所述多个位置非标信息和多个位置加工参数根据和多个非标位置的映射关系,同步至所述第二加工精度风险分析器的多个第二加工精度风险分析分支,对进行加工精度风险预测,获得所述多个第二加工精度风险信息。
对第一加工精度风险信息和第二加工精度风险信息进行权重预分配,这里的权重分配赋值本实施例不做限定,可根据实际生产的非标零件设计和非标零件生产线控制成本等信息综合分析确定。
基于预分配的权重对所述多个第一加工精度风险信息和第二加工精度风险信息进行加权计算,获得多个位置加工精度风险信息。
根据所述多个位置非标度的大小生成多个非标位置的多个权重参数,并采用获得的多个权重参数对所述多个位置加工精度风险信息进行加权计算,获得所述加工精度风险信息。
本实施例实现了从非标零件的非标位置设计维度以及非标位置的加工控制维度进行综合评价,获得全方位量化非标零件的加工控制风险的加工精度风险信息的技术效果。
A500:根据所述多个位置非标度,预测非标零件的多个非标位置的第一加工变形风险信息,并基于所述多个位置加工参数和多个位置非标信息,预测获得多个非标位置的第二加工变形风险信息,计算获得加工变形风险信息;
在一个实施例中,根据所述多个位置非标度,预测非标零件的多个非标位置的第一加工变形风险信息,并基于所述多个位置加工参数和多个位置非标信息,预测获得多个非标位置的第二加工变形风险信息,计算获得加工变形风险信息,本申请提供的方法步骤A500还包括:
A510:获取多个样本位置非标度集合和多个样本第一加工变形风险信息集合,构建包括多个第一加工变形风险分析分支的第一加工变形风险分析器,对所述多个位置非标度进行加工变形风险预测,获得多个非标位置的多个第一加工变形风险信息;
A520:根据所述多个位置加工参数和多个位置非标信息,预测获得多个非标位置的多个第二加工变形风险信息;
A530:对所述多个第一加工变形风险信息和多个第二加工变形风险信息进行加权计算,获得所述加工变形风险信息。
具体而言,本实施例在步骤A300根据非标零件的加工历史数据,获取多个非标位置的多个样本位置非标度集合,进而,本实施例从所述加工历史数据中调用获得每个样本位置非标度对应的同批次非标零件在样本位置非标度对应的非标位置不满足所述样本位置非标信息的概率,共计获得对应于多个样本位置非标度集合的多个样本第一加工变形风险信息集合。
基于反向传播神经网络构建标准第一加工变形风险模型,所述标准第一加工变形风险分析模型的输入为位置非标度,输出结果为第一加工变形风险信息。
采用前文训练标准第一加工精度风险分析模型相同方法,将多个样本位置非标度集合和多个样本第一加工变形风险信息集合作为训练数据,训练获得多个非标位置的多个第一加工变形风险分析分支,将多个第一加工变形风险分析分支并列设置,生成第一加工变形风险分析器。
根据所述多个位置非标度与多个非标位置的映射关系,将多个位置非标度同步至多个第一加工变形风险分析分支同步进行加工变形风险预测,获得多个非标位置的多个第一加工变形风险信息。
实施例在步骤A420根据非标零件的加工历史数据,获取多个样本位置非标信息集合和多个样本位置加工参数集合,进而基于加工历史数据调用获得每个样本位置非标信息-样本位置加工参数进行非标零件生产过程发生形变的概率,获得多个样本第二加工变形风险信息集合。
采用构建第一加工变形风险分析器相同方法,基于多个样本位置非标信息集合、多个样本位置加工参数集合和多个样本第二加工变形风险信息集合构建生成包括并列设置多个第二加工变形风险分析分支的第二加工变形风险分析器。
采用第二加工变形风险分析器对所述多个位置加工参数和多个位置非标信息进行风险预测,获得多个非标位置的多个第二加工变形风险信息。
采用对第一加工精度风险信息和第二加工精度风险信息进行权重预分配,对所述多个第一加工变形风险信息和多个第二加工变形风险信息进行加权计算,获得多个生产加工精度风险信息。
根据所述多个位置非标度的大小生成多个非标位置的多个权重参数,并采用获得的多个权重参数对多个生产加工精度风险信息进行加权计算,获得所述加工变形风险信息。
本实施例实现了从非标零件的非标位置生产成品形变维度以及非标位置的加工控制形变维度进行综合评价,获得全方位量化非标零件的加工形变风险的加工变形风险信息的技术效果。
A600:基于所述加工变形风险信息和加工精度风险信息,输出所述非标零件的生产工艺流程的流程风险检测结果。
在一个实施例中,基于所述加工变形风险信息和加工精度风险信息,输出所述非标零件的生产工艺流程的流程风险检测结果,本申请提供的方法步骤A600还包括:
A610:根据非标零件的生产数据记录,获取样本加工变形风险信息集合和样本加工精度风险信息集合,并根据生产获得的非标零件的实际规格信息和非标规格信息,评估获得样本流程风险检测结果集合;
A620:采用加工变形风险信息和加工精度风险信息,构建流程风险评估坐标系,将所述样本加工变形风险信息集合和样本加工精度风险信息集合输入所述流程风险评估坐标系,获得多个评估坐标点,采用所述样本流程风险检测结果集合,对所述多个评估坐标点进行标识;
A630:将所述加工变形风险信息和加工精度风险信息输入所述流程风险评估坐标系,获得实时坐标点;
A640:获取所述实时坐标点最邻近的M个评估坐标点的M个样本流程风险监测结果,计算获得所述非标零件的生产工艺流程的流程风险检测结果,M为大于等于3的整数。
具体而言,在本实施例中,根据非标零件的生产数据记录,获取基于历史生产的样本非标部件集合映射的样本加工变形风险信息集合和样本加工精度风险信息集合。
进而根据生产获得的样本非标部件集合的实际规格信息集合和非标规格信息集合进行规格偏差计算,以获得样本流程风险检测结果集合。这里的规格偏差计算为对实际规格信息和非标规格信息进行同规格参数的偏差计算以及基于同规格参数偏差计算获得的多项规格参数的偏差均值计算。
采用加工变形风险信息和加工精度风险信息,构建流程风险评估坐标系,将所述样本加工变形风险信息集合和样本加工精度风险信息集合输入所述流程风险评估坐标系,获得多个评估坐标点,采用所述样本流程风险检测结果集合,对所述多个评估坐标点进行标识。
将所述加工变形风险信息和加工精度风险信息输入所述流程风险评估坐标系,获得实时坐标点;获取所述实时坐标点最邻近的M个评估坐标点的M个样本流程风险监测结果,根据所述实时坐标点最邻近与M个评估坐标点的M个平面距离对M个样本流程风险监测结果进行权重分配并进行加权计算,获得所述非标零件的生产工艺流程的流程风险检测结果。
本实施例达到了在获得非标零件的位置非标信息和工艺流程的条件下,快速预测基于工艺流程进行非标零件生产的加工精度偏差风险和加工形变风险,以量化评价加工工艺流程合格性的技术效果。
实施例二
基于与前述实施例中用于零件生产流程的智能检测方法相同的发明构思,如图3所示,本申请提供了用于零件生产流程的智能检测系统,其中,所述系统包括:
非标规格采集单元1,用于采集待进行加工生产的非标零件的非标规格信息,其中,所述非标规格信息包括多个非标位置的多个位置非标信息;
归组分析执行单元2,用于将所述非标规格信息输入零件规格库内进行归类分析,获得多组位置归类零件的多组归类位置标准信息,所述零件规格库基于多种标准零件的规格信息进行构建;
加工风险预测单元3,用于根据所述多组归类位置标准信息,分析获得所述多个位置非标信息的多个位置非标度,预测所述非标零件的多个第一加工精度风险信息;
精度风险预测单元4,用于获取所述非标零件的包括所述多个非标位置的多个位置加工参数的生产工艺流程,结合所述多个位置非标信息,进行加工精度风险预测,获得多个第二加工精度风险信息,结合所述多个第一加工精度风险信息,计算获得加工精度风险信息;
变形风险计算单元5,用于根据所述多个位置非标度,预测非标零件的多个非标位置的第一加工变形风险信息,并基于所述多个位置加工参数和多个位置非标信息,预测获得多个非标位置的第二加工变形风险信息,计算获得加工变形风险信息;
检测结果输出单元6,用于基于所述加工变形风险信息和加工精度风险信息,输出所述非标零件的生产工艺流程的流程风险检测结果。
在一个实施例中,所述归组分析执行单元2还包括:
获取所述非标零件的多种同类标准零件的多个标准规格信息,其中,每个标准规格信息包括多个位置的多个位置标准信息;
对所述多个标准规格信息进行划分,获得多个位置的多个位置标准信息集合;
采用所述多个位置标准信息集合,构建多个位置的多个位置规格库;
基于所述多个位置规格库,获得所述零件规格库;
将所述多个位置非标信息输入所述零件规格库内进行归类分析,获得所述多组位置归类零件的多组归类位置标准信息。
在一个实施例中,所述归组分析执行单元2还包括:
分别将所述多个位置非标信息输入所述多个位置规格库内进行归类分析,提取最接近的两个位置标准信息,作为多组归类位置标准信息,其中,每组归类位置标准信息内包括大于和小于位置非标信息的两个归类位置标准信息;
根据所述多组归类位置标准信息对应的标准零件,获得所述多组位置归类零件。
在一个实施例中,所述加工风险预测单元3还包括:
根据所述多组归类位置标准信息和多个位置非标信息,计算获得多组位置规格非标幅度信息;
根据所述多组位置规格非标幅度信息,加权计算获得多个位置非标度;
根据非标零件的加工历史数据,获取多个非标位置的多个样本位置非标度集合,并获取加工后加工精度偏离的多个样本第一加工精度风险信息集合;
分别采用所述多个样本位置非标度集合和多个样本加工精度风险信息集合,构建多个第一加工精度风险分析分支,获得第一加工精度风险分析器;
基于所述第一加工精度风险分析器,对所述多个位置非标度进行分析预测,获得所述多个第一加工精度风险信息。
在一个实施例中,所述精度风险预测单元4还包括:
获取当前所述非标零件进行加工设置的生产工艺流程,所述生产工艺流程包括所述多个非标位置的多个位置加工参数;
根据非标零件的加工历史数据,获取多个样本位置非标信息集合,并获取多个样本位置加工参数集合和多个样本第二加工精度风险信息集合;
采用所述多个样本位置非标信息集合、多个样本位置加工参数集合和多个样本第二加工精度风险信息集合,构建多个第二加工精度风险分析分支,获得第二加工精度风险分析器;
采用所述第二加工精度风险分析器,对所述多个位置非标信息和多个位置加工参数进行加工精度风险预测,获得所述多个第二加工精度风险信息;
对所述多个第一加工精度风险信息和第二加工精度风险信息进行加权计算,获得多个位置加工精度风险信息;
根据所述多个位置非标度的大小,对所述多个位置加工精度风险信息进行加权计算,获得所述加工精度风险信息。
在一个实施例中,所述变形风险计算单元5还包括:
获取多个样本位置非标度集合和多个样本第一加工变形风险信息集合,构建包括多个第一加工变形风险分析分支的第一加工变形风险分析器,对所述多个位置非标度进行加工变形风险预测,获得多个非标位置的多个第一加工变形风险信息;
根据所述多个位置加工参数和多个位置非标信息,预测获得多个非标位置的多个第二加工变形风险信息;
对所述多个第一加工变形风险信息和多个第二加工变形风险信息进行加权计算,获得所述加工变形风险信息。
在一个实施例中,所述检测结果输出单元6还包括:
根据非标零件的生产数据记录,获取样本加工变形风险信息集合和样本加工精度风险信息集合,并根据生产获得的非标零件的实际规格信息和非标规格信息,评估获得样本流程风险检测结果集合;
采用加工变形风险信息和加工精度风险信息,构建流程风险评估坐标系,将所述样本加工变形风险信息集合和样本加工精度风险信息集合输入所述流程风险评估坐标系,获得多个评估坐标点,采用所述样本流程风险检测结果集合,对所述多个评估坐标点进行标识;
将所述加工变形风险信息和加工精度风险信息输入所述流程风险评估坐标系,获得实时坐标点;
获取所述实时坐标点最邻近的M个评估坐标点的M个样本流程风险监测结果,计算获得所述非标零件的生产工艺流程的流程风险检测结果,M为大于等于3的整数。
综上所述的任意一项方法或者步骤可作为计算机指令或程序存储在各种不限类型的计算机存储器中,通过各种不限类型的计算机处理器识别计算机指令或程序,进而实现上述任一项方法或者步骤。
基于本发明的上述具体实施例,本技术领域的技术人员在不脱离本发明原理的前提下,对本发明所作的任何改进和修饰,皆应落入本发明的专利保护范围。
Claims (8)
1.用于零件生产流程的智能检测方法,其特征在于,所述方法包括:
采集待进行加工生产的非标零件的非标规格信息,其中,所述非标规格信息包括多个非标位置的多个位置非标信息;
将所述非标规格信息输入零件规格库内进行归类分析,获得多组位置归类零件的多组归类位置标准信息,所述零件规格库基于多种标准零件的规格信息进行构建;
根据所述多组归类位置标准信息,分析获得所述多个位置非标信息的多个位置非标度,预测所述非标零件的多个第一加工精度风险信息;
获取所述非标零件的包括所述多个非标位置的多个位置加工参数的生产工艺流程,结合所述多个位置非标信息,进行加工精度风险预测,获得多个第二加工精度风险信息,结合所述多个第一加工精度风险信息,计算获得加工精度风险信息;
根据所述多个位置非标度,预测非标零件的多个非标位置的第一加工变形风险信息,并基于所述多个位置加工参数和多个位置非标信息,预测获得多个非标位置的第二加工变形风险信息,计算获得加工变形风险信息;
基于所述加工变形风险信息和加工精度风险信息,输出所述非标零件的生产工艺流程的流程风险检测结果。
2.根据权利要求1所述的方法,其特征在于,将所述非标规格信息输入零件规格库内进行归类分析,获得多组位置归类零件的多组归类位置标准信息,包括:
获取所述非标零件的多种同类标准零件的多个标准规格信息,其中,每个标准规格信息包括多个位置的多个位置标准信息;
对所述多个标准规格信息进行划分,获得多个位置的多个位置标准信息集合;
采用所述多个位置标准信息集合,构建多个位置的多个位置规格库;
基于所述多个位置规格库,获得所述零件规格库;
将所述多个位置非标信息输入所述零件规格库内进行归类分析,获得所述多组位置归类零件的多组归类位置标准信息。
3.根据权利要求2所述的方法,其特征在于,将所述多个位置非标信息输入所述零件规格库内进行归类分析,包括:
分别将所述多个位置非标信息输入所述多个位置规格库内进行归类分析,提取最接近的两个位置标准信息,作为多组归类位置标准信息,其中,每组归类位置标准信息内包括大于和小于位置非标信息的两个归类位置标准信息;
根据所述多组归类位置标准信息对应的标准零件,获得所述多组位置归类零件。
4.根据权利要求1所述的方法,其特征在于,根据所述多组归类位置标准信息,分析获得所述多个位置非标信息的多个位置非标度,预测所述非标零件的多个第一加工精度风险信息,包括:
根据所述多组归类位置标准信息和多个位置非标信息,计算获得多组位置规格非标幅度信息;
根据所述多组位置规格非标幅度信息,加权计算获得多个位置非标度;
根据非标零件的加工历史数据,获取多个非标位置的多个样本位置非标度集合,并获取加工后加工精度偏离的多个样本第一加工精度风险信息集合;
分别采用所述多个样本位置非标度集合和多个样本加工精度风险信息集合,构建多个第一加工精度风险分析分支,获得第一加工精度风险分析器;
基于所述第一加工精度风险分析器,对所述多个位置非标度进行分析预测,获得所述多个第一加工精度风险信息。
5.根据权利要求1所述的方法,其特征在于,获取所述非标零件的包括所述多个非标位置的多个位置加工参数的生产工艺流程,结合所述多个位置非标信息,进行加工精度风险预测,包括:
获取当前所述非标零件进行加工设置的生产工艺流程,所述生产工艺流程包括所述多个非标位置的多个位置加工参数;
根据非标零件的加工历史数据,获取多个样本位置非标信息集合,并获取多个样本位置加工参数集合和多个样本第二加工精度风险信息集合;
采用所述多个样本位置非标信息集合、多个样本位置加工参数集合和多个样本第二加工精度风险信息集合,构建多个第二加工精度风险分析分支,获得第二加工精度风险分析器;
采用所述第二加工精度风险分析器,对所述多个位置非标信息和多个位置加工参数进行加工精度风险预测,获得所述多个第二加工精度风险信息;
对所述多个第一加工精度风险信息和第二加工精度风险信息进行加权计算,获得多个位置加工精度风险信息;
根据所述多个位置非标度的大小,对所述多个位置加工精度风险信息进行加权计算,获得所述加工精度风险信息。
6.根据权利要求1所述的方法,其特征在于,根据所述多个位置非标度,预测非标零件的多个非标位置的第一加工变形风险信息,并基于所述多个位置加工参数和多个位置非标信息,预测获得多个非标位置的第二加工变形风险信息,计算获得加工变形风险信息,包括:
获取多个样本位置非标度集合和多个样本第一加工变形风险信息集合,构建包括多个第一加工变形风险分析分支的第一加工变形风险分析器,对所述多个位置非标度进行加工变形风险预测,获得多个非标位置的多个第一加工变形风险信息;
根据所述多个位置加工参数和多个位置非标信息,预测获得多个非标位置的多个第二加工变形风险信息;
对所述多个第一加工变形风险信息和多个第二加工变形风险信息进行加权计算,获得所述加工变形风险信息。
7.根据权利要求1所述的方法,其特征在于,基于所述加工变形风险信息和加工精度风险信息,输出所述非标零件的生产工艺流程的流程风险检测结果,包括:
根据非标零件的生产数据记录,获取样本加工变形风险信息集合和样本加工精度风险信息集合,并根据生产获得的非标零件的实际规格信息和非标规格信息,评估获得样本流程风险检测结果集合;
采用加工变形风险信息和加工精度风险信息,构建流程风险评估坐标系,将所述样本加工变形风险信息集合和样本加工精度风险信息集合输入所述流程风险评估坐标系,获得多个评估坐标点,采用所述样本流程风险检测结果集合,对所述多个评估坐标点进行标识;
将所述加工变形风险信息和加工精度风险信息输入所述流程风险评估坐标系,获得实时坐标点;
获取所述实时坐标点最邻近的M个评估坐标点的M个样本流程风险监测结果,计算获得所述非标零件的生产工艺流程的流程风险检测结果,M为大于等于3的整数。
8.用于零件生产流程的智能检测系统,其特征在于,用于实施权利要求1至7中任意一项所述方法的步骤,包括:
非标规格采集单元,用于采集待进行加工生产的非标零件的非标规格信息,其中,所述非标规格信息包括多个非标位置的多个位置非标信息;
归组分析执行单元,用于将所述非标规格信息输入零件规格库内进行归类分析,获得多组位置归类零件的多组归类位置标准信息,所述零件规格库基于多种标准零件的规格信息进行构建;
加工风险预测单元,用于根据所述多组归类位置标准信息,分析获得所述多个位置非标信息的多个位置非标度,预测所述非标零件的多个第一加工精度风险信息;
精度风险预测单元,用于获取所述非标零件的包括所述多个非标位置的多个位置加工参数的生产工艺流程,结合所述多个位置非标信息,进行加工精度风险预测,获得多个第二加工精度风险信息,结合所述多个第一加工精度风险信息,计算获得加工精度风险信息;
变形风险计算单元,用于根据所述多个位置非标度,预测非标零件的多个非标位置的第一加工变形风险信息,并基于所述多个位置加工参数和多个位置非标信息,预测获得多个非标位置的第二加工变形风险信息,计算获得加工变形风险信息;
检测结果输出单元,用于基于所述加工变形风险信息和加工精度风险信息,输出所述非标零件的生产工艺流程的流程风险检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410501264.9A CN118114405B (zh) | 2024-04-25 | 用于零件生产流程的智能检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410501264.9A CN118114405B (zh) | 2024-04-25 | 用于零件生产流程的智能检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118114405A true CN118114405A (zh) | 2024-05-31 |
CN118114405B CN118114405B (zh) | 2024-07-09 |
Family
ID=
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020037942A1 (zh) * | 2018-08-20 | 2020-02-27 | 平安科技(深圳)有限公司 | 风险预测处理方法、装置、计算机设备和介质 |
CN113159615A (zh) * | 2021-05-10 | 2021-07-23 | 麦荣章 | 一种工业控制系统信息安全风险智能测定系统及方法 |
CN113779496A (zh) * | 2021-09-24 | 2021-12-10 | 广州健新科技有限责任公司 | 一种基于设备全景数据的电力设备状态评估方法及系统 |
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020037942A1 (zh) * | 2018-08-20 | 2020-02-27 | 平安科技(深圳)有限公司 | 风险预测处理方法、装置、计算机设备和介质 |
CN113159615A (zh) * | 2021-05-10 | 2021-07-23 | 麦荣章 | 一种工业控制系统信息安全风险智能测定系统及方法 |
CN113779496A (zh) * | 2021-09-24 | 2021-12-10 | 广州健新科技有限责任公司 | 一种基于设备全景数据的电力设备状态评估方法及系统 |
Non-Patent Citations (1)
Title |
---|
王佳;: "基于多属性决策的工业控制系统安全风险评估", 工业技术创新, no. 01, 25 February 2020 (2020-02-25) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113792825B (zh) | 一种用电信息采集设备故障分类模型训练方法及装置 | |
CN108241901B (zh) | 一种基于预测数据的变压器预警评估方法及装置 | |
CN110555596B (zh) | 一种基于配电物资质量评价的抽检策略制定方法及系统 | |
CN101246369B (zh) | 一种汽车零部件尺寸质量控制系统和方法 | |
CN113092981B (zh) | 晶圆数据检测方法及系统、存储介质及测试参数调整方法 | |
CN110569566B (zh) | 一种板带力学性能预测方法 | |
Lejon et al. | Machine learning for detection of anomalies in press-hardening: Selection of efficient methods | |
CN111949939A (zh) | 基于改进topsis和聚类分析的智能电表运行状态评价方法 | |
CN113642666A (zh) | 一种基于样本扩充和筛选的主动增强软测量方法 | |
CN116520772A (zh) | 基于多任务迁移学习的薄板零件数控加工质量预测方法 | |
CN117370871B (zh) | 一种特种钢材的质量分析方法与系统 | |
CN118114405B (zh) | 用于零件生产流程的智能检测方法及系统 | |
CN113742248A (zh) | 一种基于项目测量数据进行组织过程预测的方法及系统 | |
Kamil et al. | A case study on the application of Mahalanobis-Taguchi system for magnetic component | |
CN117171896A (zh) | 一种汽车转向器输入轴加工优化方法及系统 | |
CN118114405A (zh) | 用于零件生产流程的智能检测方法及系统 | |
CN109886288A (zh) | 一种用于电力变压器的状态评价方法及装置 | |
CN114139932A (zh) | 一种基于计量经济学联动分析理论的负荷特性指标关联性分析方法 | |
CN114139408A (zh) | 一种电力变压器健康状态评估方法 | |
Charongrattanasakul et al. | Designing of optimal required sample sizes for double acceptance sampling plans under the zero-inflated defective data | |
Seifi et al. | Designing different sampling plans based on process capability index | |
Avakh Darestani et al. | Developing fuzzy tool capability measurement system analysis | |
Wang et al. | Optimizing the Uncertainty of PPM on Small Batch of Quality Data | |
CN118010953B (zh) | 用于金属结构制造的智能测试方法及系统 | |
Bamrungsetthapong et al. | Designing of Double Acceptance Sampling Plan for Zero-inflated and Over-dispersed Data Using Multi-objective Optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |