CN109190892B - 一种基于数据的智能注塑设备检测装置检测频率决策方法 - Google Patents
一种基于数据的智能注塑设备检测装置检测频率决策方法 Download PDFInfo
- Publication number
- CN109190892B CN109190892B CN201810847313.9A CN201810847313A CN109190892B CN 109190892 B CN109190892 B CN 109190892B CN 201810847313 A CN201810847313 A CN 201810847313A CN 109190892 B CN109190892 B CN 109190892B
- Authority
- CN
- China
- Prior art keywords
- injection molding
- intelligent injection
- equipment
- molding equipment
- detection device
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 170
- 238000001746 injection moulding Methods 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 238000004590 computer program Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000002347 injection Methods 0.000 claims description 4
- 239000007924 injection Substances 0.000 claims description 4
- 238000013461 design Methods 0.000 abstract description 5
- 238000009825 accumulation Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明涉及设备检测技术领域,具体涉及了一种基于数据的智能注塑设备检测装置检测频率决策方法及装置、以及存储介质、计算机,本发明通过利用神经网络模型,结合设备的运行数据对设备检测装置检测频率进行决策,保证采集到足够的***状态信息来设计控制律同时,提高智能注塑设备的效率和稳定性及其可靠性,最大限度优化设备的执行控制率的有效性、设备的安全性、产品质量、以及使用期限,进而利用预设专家经验设备报废指标,判断设备是否处于报废,为设备及时采买更换提供依据,能够优化智能注塑设备检测装置的检测频率,同时保证采集到足够的***状态信息来设计控制律,提高了智能注塑设备的效率和稳定性及其可靠性,具有很强的创造性。
Description
技术领域
本发明涉及设备检测技术领域,具体涉及了一种基于数据的智能注塑设备检测装置检测频率决策方法及装置、以及存储介质、计算机。
背景技术
随着高新技术的快速发展,智能制造等领域的自动化设备呈现出大规模和复杂化的趋势,由于智能注塑设备大多是分布式的,如果存在太多的布线会制约智能注塑设备的生产过程,减小***灵活性并降低生产效率。同时,由于无线网络具有良好的灵活性和扩展性,并且能够减少布线成本。因此,常采用无线传输设备来传输所采集得到的***状态信息。但是,针对某些需要停机检测的设备,需要同时考虑检测频率、设备安全性、产品质量、停机检测损耗等重要信息,因此在不考虑无线网络的带宽和能量的情况下,如何设定智能注塑设备检测装置的检测频率,同时保证采集到足够的***状态信息来设计控制律,提高智能注塑设备的效率和稳定性及其可靠性是至关重要的科学问题。
发明内容
有鉴于此,本发明实施例的目的在于提供一种基于数据的智能注塑设备检测装置检测频率决策方法及装置、以及存储介质、计算机,针对某些需要停机检测的设备,在不考虑无线网络的带宽和能量的情况下,能够优化智能注塑设备检测装置的检测频率,同时保证采集到足够的***状态信息来设计控制律,提高了智能注塑设备的效率和稳定性及其可靠性。
本发明实施例解决上述技术问题所采用的技术方案如下:
一种基于数据的智能注塑设备检测装置检测频率决策方法,包括以下步骤:
1)获取智能注塑设备的运行数据;
2)构建基于神经网络模型的智能注塑设备检测装置检测频率决策模型;
3)利用预先训练的智能注塑设备检测装置检测频率决策模型,根据所述智能注塑设备的运行数据,确定所述智能注塑设备检测装置检测频率决策结果;
4)建立专家经验设备报废指标模型;
5)利用预设专家经验设备报废指标,判断设备是否处于报废。
优选的,所述运行数据中包括正在使用的智能注塑设备的运行参数X、停机检测损耗指标D、已检测次数N、产品参数与标称参数绝对误差E。
优选的,所述步骤2)的构建包括以下内容:
构建第一层为所述智能注塑设备运行数据输入层、第二层为所述智能注塑设备运行数据特征提取层、第三层为智能注塑设备检测装置检测频率决策结果层的三层深度神经网络模型,其中智能注塑设备检测装置检测频率决策模型权重的确定,随机初始化权重初始,利用所述智能注塑设备运行数据及最小检测装置检测频率f1作为输入输出数据,利用BP反向传播算法训练神经网络模型得到智能注塑设备检测装置检测频率决策模型的权重。
优选的,所述步骤3)利用预先训练的智能注塑设备检测装置检测频率决策模型,根据所述智能注塑设备运行数据,首先确定智能注塑设备运行数据的特征向量,进而确定所述智能注塑设备检测装置检测频率决策结果。
优选的,所述步骤4)利用专家知识库数据,根据各个专家综合可信度,确定智能注塑设备所述特征向量对应的期望设备报废指标。
优选的,所述设备报废指标包括:
①最小频率指标f1,是指保证控制器采集足够的***状态信息并能够执行有效控制率的最小采集频率,有专家经验知识库获取;
②产品参数与标称参数最大绝对误差E1,是指实际产品与标准产品参数的绝对值误差,保证产品质量的关键指标;
③停机检测损耗指标D1,是指每次检测的损耗在已检测次数N1上的累加,设备损耗达到损耗阈值及时采买更换,保障设备的安全可靠性;
所述各个专家的综合可信度为:
假设一组专家A1、A1、…、An的可信度为P1、P2、…、Pn,则
优选的,所述步骤5)利用智能注塑设备检测装置检测频率决策结果f和前述实际产品参数与标准产品参数误差E、停机检测损耗D和专家经验设备报废指标进行对比,即是E≤E1、D≤D1、f1≤f,有一项指标不满足,则进行报废处理。
优选的,一种智能注塑设备检测装置检测频率决策装置,其特征在于:包括数据获取模块、智能注塑设备检测装置检测频率决策模型构建模块、决策模块、专家经验设备报废指标模型构建模块和判断模块;
所述数据获取模块用于获取智能注塑设备的运行数据;
所述智能注塑设备检测装置检测频率决策模型构建模块用于构建基于神经网络模型的智能注塑设备检测装置检测频率决策模型;
所述决策模块用于利用预先训练的智能注塑设备检测装置检测频率决策模型,根据所述智能注塑设备的运行数据,确定所述智能注塑设备检测装置检测频率决策结果;
所述专家经验设备报废指标模型构建模块用于确定智能注塑设备所述运行状态对应的期望设备报废指标;
所述判断模块利用预设专家经验设备报废指标,判断设备是否处于报废。
优选的,一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于:所述处理器执行所述程序时实现如权利要求1至7中任一所述智能注塑设备检测装置检测频率决策方法的步骤。
优选的,一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1至7中任一所述智能注塑设备检测装置检测频率决策方法的步骤。
本发明的有益效果为:
本发明通过利用神经网络模型,结合设备的运行数据对设备检测装置检测频率进行决策,保证采集到足够的***状态信息来设计控制律同时,提高智能注塑设备的效率和稳定性及其可靠性,最大限度优化设备的执行控制率的有效性、设备的安全性、产品质量、以及使用期限,进而利用预设专家经验设备报废指标,判断设备是否处于报废,为设备及时采买更换提供依据。
附图说明
图1本发明智能注塑设备检测装置检测频率决策方法的流程图。
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
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白,以下结合附图和实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅以解释本发明,并不用于限定本发明。
实施例一
请参考图1,一种智能注塑设备检测装置检测频率决策方法,包括以下步骤:
S1.获取智能注塑设备的运行数据;
所述运行数据中分别包括正在使用的智能注塑设备的运行参数X、停机检测损耗指标D、已检测次数N、产品参数与标称参数绝对误差E;
S2.构建基于神经网络模型的智能注塑设备检测装置检测频率决策模型
步骤S1构建三层深度神经网络模型,第一层为所述智能注塑设备运行数据输入层、第二层为所述智能注塑设备运行数据特征提取层、第三层为智能注塑设备检测装置检测频率决策结果层。智能注塑设备检测装置检测频率决策模型权重的确定,随机初始化权重初始,利用所述智能注塑设备运行数据及最小检测装置检测频率f1作为输入输出数据,利用BP反向传播算法训练神经网络模型得到智能注塑设备检测装置检测频率决策模型的权重;
最小检测装置检测频率f1,是指保证控制器采集足够的***状态信息并能够执行有效控制率的最小采集频率,有专家经验知识库获取。
S3.利用预先训练的智能注塑设备检测装置检测频率决策模型,根据所述智能注塑设备的运行数据,确定所述智能注塑设备检测装置检测频率决策结果;
利用预先训练的智能注塑设备检测装置检测频率决策模型,根据所述智能注塑设备运行数据,首先确定智能注塑设备运行数据的特征向量,进而确定所述智能注塑设备检测装置检测频率决策结果;
S4.建立专家经验设备报废指标模型;包括以下子步骤:
利用专家知识库数据,根据各个专家的科技水平,也就是专家的综合可信度,确定智能注塑设备所述特征向量对应的期望设备报废指标
设备报废指标是指,最小频率指标f1,是指保证控制器采集足够的***状态信息并能够执行有效控制率的最小采集频率,有专家经验知识库获取。
产品参数与标称参数最大绝对误差E1,是指实际产品与标准产品参数的绝对值误差,保证产品质量的关键指标。
停机检测损耗指标D1,是指每次检测的损耗在已检测次数N1上的累加,设备损耗达到损耗阈值及时采买更换,保障设备的安全可靠性。
各个专家的综合可信度是指,
假设一组专家A1、A1、…、An的可信度为P1、P2、…、Pn,则
S5.利用预设专家经验设备报废指标,判断设备是否处于报废,包括以下子步骤:
利用智能注塑设备检测装置检测频率决策结果f和前述实际产品参数与标准产品参数误差E、停机检测损耗D和专家经验设备报废指标进行对比,即是E≤E1、D≤D1、f1≤f,有一项指标不满足,则进行报废处理。
由上可知,本发明方法首先获取智能注塑设备的运行数据,然后利用预先训练的智能注塑设备检测装置检测频率决策模型,根据所述智能注塑设备运行数据,确定所述智能注塑设备检测装置检测频率决策结果,进而利用预设专家经验设备报废指标,判断设备是否处于报废。
由此,通过利用神经网络模型,结合设备的运行数据对设备检测装置检测频率进行决策,保证采集到足够的***状态信息来设计控制律同时,提高智能注塑设备的效率和稳定性及其可靠性,最大限度优化设备的执行控制率的有效性、设备的安全性、产品质量、以及使用期限,进而利用预设专家经验设备报废指标,判断设备是否处于报废,为设备及时采买更换提供依据。
实施例二
一种基于数据智能注塑设备检测装置检测频率决策装置包括数据获取模块、智能注塑设备检测装置检测频率决策模型构建模块、决策模块、专家经验设备报废指标模型构建模块和判断模块;
数据获取模块,用于获取智能注塑设备的运行数据;
智能注塑设备检测装置检测频率决策模型构建模块,用于构建基于神经网络模型的智能注塑设备检测装置检测频率决策模型;
决策模块,用于利用预先训练的智能注塑设备检测装置检测频率决策模型,根据所述智能注塑设备的运行数据,确定所述智能注塑设备检测装置检测频率决策结果。
专家经验设备报废指标模型构建模块,用于确定智能注塑设备所述运行状态对应的期望设备报废指标
判断模块,利用预设专家经验设备报废指标,判断设备是否处于报废。
其中,检测装置检测频率决策模型构建模块包括以下子模块:
构建三层深度神经网络模型,第一层为所述智能注塑设备运行数据输入层、第二层为所述智能注塑设备运行数据特征提取层、第三层为智能注塑设备检测装置检测频率决策结果层。
智能注塑设备检测装置检测频率决策模型权重的确定,随机初始化权重初始,利用所述智能注塑设备运行数据及最小检测装置检测频率f1作为输入输出数据,利用BP反向传播算法训练神经网络模型得到智能注塑设备检测装置检测频率决策模型的权重;
最小检测装置检测频率f1,是指保证控制器采集足够的***状态信息并能够执行有效控制率的最小采集频率,有专家经验知识库获取。
决策模块包括以下子模块:
利用预先训练的智能注塑设备检测装置检测频率决策模型,根据所述智能注塑设备运行数据,首先确定智能注塑设备运行数据的特征向量,进而确定所述智能注塑设备检测装置检测频率决策结果。
设备报废指标是指,
最小频率指标f1,是指保证控制器采集足够的***状态信息并能够执行有效控制率的最小采集频率,有专家经验知识库获取。
产品参数与标称参数最大绝对误差E1,是指实际产品与标准产品参数的绝对值误差,保证产品质量的关键指标。
停机检测损耗指标D1,是指每次检测的损耗在已检测次数N1上的累加,设备损耗达到损耗阈值及时采买更换,保障设备的安全可靠性。
进一步地,所述各个专家的综合可信度是指,
假设一组专家A1、A1、…、An的可信度为P1、P2、…、Pn,则
所述判断模块包括以下子模块
利用智能注塑设备检测装置检测频率决策结果f和前述实际产品参数与标准产品参数误差E、停机检测损耗D和专家经验设备报废指标进行对比,即是E≤E1、D≤D1、f1≤f,有一项指标不满足,则进行报废处理。
实施例三
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现本发明智能注塑设备检测装置检测频率决策方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现本发明智能注塑设备检测装置检测频率决策方法的步骤。
计算机可以是移动终端、桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机可包括,但不仅限于,处理器、存储器。所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以是所述计算机的内部存储单元,例如计算机的硬盘或内存。所述存储器也可以是所述计算机的外部存储设备,例如所述计算机上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器还可以既包括所述计算机的内部存储单元也包括外部存储设备。所述存储器用于存储所述计算机程序以及所述计算机所需的其他程序和数据。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
以上参照附图说明了本发明的优选实施例,并非因此局限本发明的权利范围。本领域技术人员不脱离本发明的范围和实质内所作的任何修改、等同替换和改进,均应在本发明的权利范围之内。
Claims (4)
1.一种基于数据的智能注塑设备检测装置检测频率决策方法,其特征在于:包括以下步骤:
1)获取智能注塑设备的运行数据;所述运行数据中包括正在使用的智能注塑设备的运行参数X、停机检测损耗指标D、已检测次数N、产品参数与标称参数绝对误差 E;
2)构建基于神经网络模型的智能注塑设备检测装置检测频率决策模型;构建第一层为所述智能注塑设备运行数据输入层、第二层为所述智能注塑设备运行数据特征提取层、第三层为智能注塑设备检测装置检测频率决策结果层的三层深度神经网络模型,其中,以随机初始化模型权重的方式,确定智能注塑设备检测装置检测频率决策模型权重;利用所述智能注塑设备运行数据作为输入数据,最小检测装置检测频率f1作为输出数据,利用BP反向传播算法训练神经网络模型得到智能注塑设备检测装置检测频率决策模型的权重;
3)利用预先训练的智能注塑设备检测装置检测频率决策模型,根据所述智能注塑设备的运行数据,确定所述智能注塑设备检测装置检测频率决策结果;
其中,利用预先训练的智能注塑设备检测装置检测频率决策模型,根据所述智能注塑设备运行数据,首先确定智能注塑设备运行数据的特征向量,进而确定所述智能注塑设备检测装置检测频率决策结果;
4)建立专家经验设备报废指标模型;利用专家知识库数据,根据各个专家综合可信度,确定智能注塑设备所述特征向量对应的期望设备报废指标;
5)利用预设专家经验设备报废指标,判断设备是否处于报废;所述设备报废指标包括:
①最小检测装置检测频率f1,是指保证控制器采集足够的***状态信息并能够执行有效控制率的最小采集频率,由专家经验知识库获取;
②预设产品参数与标称参数最大绝对误差E1,是指实际产品与标准产品参数的最大绝对值误差,保证产品质量的关键指标;
③预设停机检测损耗指标D1,是指每次停机检测的损耗在对应的已检测次数N1上的累加值;
所述各个专家的综合可信度为:
假设一组专家A1、A2、…、An的可信度为P1、P2、…、Pn,则
利用智能注塑设备检测装置检测频率决策结果f和前述产品参数与标称参数绝对误差E、停机检测损耗指标D和专家经验设备报废指标进行对比,即是E≤E1、D≤D1、f1≤f,有一项指标不满足,则进行报废处理。
2.一种智能注塑设备检测装置检测频率决策装置,其特征在于:包括数据获取模块、智能注塑设备检测装置检测频率决策模型构建模块、决策模块、专家经验设备报废指标模型构建模块和判断模块;
所述数据获取模块用于获取智能注塑设备的运行数据;所述运行数据中包括正在使用的智能注塑设备的运行参数X、停机检测损耗指标D、已检测次数N、产品参数与标称参数绝对误差 E;
所述智能注塑设备检测装置检测频率决策模型构建模块用于构建基于神经网络模型的智能注塑设备检测装置检测频率决策模型,包括:构建第一层为所述智能注塑设备运行数据输入层、第二层为所述智能注塑设备运行数据特征提取层、第三层为智能注塑设备检测装置检测频率决策结果层的三层深度神经网络模型,其中,以随机初始化模型权重的方式,确定智能注塑设备检测装置检测频率决策模型权重;利用所述智能注塑设备运行数据作为输入数据,最小检测装置检测频率f1作为输出数据,利用BP反向传播算法训练神经网络模型得到智能注塑设备检测装置检测频率决策模型的权重;
所述决策模块用于利用预先训练的智能注塑设备检测装置检测频率决策模型,根据所述智能注塑设备的运行数据,确定所述智能注塑设备检测装置检测频率决策结果;其中,利用预先训练的智能注塑设备检测装置检测频率决策模型,根据所述智能注塑设备运行数据,首先确定智能注塑设备运行数据的特征向量,进而确定所述智能注塑设备检测装置检测频率决策结果;
所述专家经验设备报废指标模型构建模块用于建立专家经验设备报废指标模型,包括:利用专家知识库数据,根据各个专家综合可信度,确定智能注塑设备所述特征向量对应的期望设备报废指标;
所述判断模块利用预设专家经验设备报废指标,判断设备是否处于报废;所述设备报废指标包括:
①最小检测装置检测频率f1,是指保证控制器采集足够的***状态信息并能够执行有效控制率的最小采集频率,由专家经验知识库获取;
②预设产品参数与标称参数最大绝对误差E1,是指实际产品与标准产品参数的最大绝对值误差,保证产品质量的关键指标;
③预设停机检测损耗指标D1,是指每次停机检测的损耗在对应的已检测次数N1上的累加值;
所述各个专家的综合可信度为:
假设一组专家A1、A2、…、An的可信度为P1、P2、…、Pn,则
利用智能注塑设备检测装置检测频率决策结果f和前述产品参数与标称参数绝对误差E、停机检测损耗指标D和专家经验设备报废指标进行对比,即是E≤E1、D≤D1、f1≤f,有一项指标不满足,则进行报废处理。
3.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于:所述处理器执行所述程序时实现如权利要求1所述智能注塑设备检测装置检测频率决策方法的步骤。
4.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1所述智能注塑设备检测装置检测频率决策方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810847313.9A CN109190892B (zh) | 2018-07-27 | 2018-07-27 | 一种基于数据的智能注塑设备检测装置检测频率决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810847313.9A CN109190892B (zh) | 2018-07-27 | 2018-07-27 | 一种基于数据的智能注塑设备检测装置检测频率决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109190892A CN109190892A (zh) | 2019-01-11 |
CN109190892B true CN109190892B (zh) | 2022-08-09 |
Family
ID=64937699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810847313.9A Active CN109190892B (zh) | 2018-07-27 | 2018-07-27 | 一种基于数据的智能注塑设备检测装置检测频率决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109190892B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112677438B (zh) * | 2020-12-08 | 2021-11-16 | 上海微亿智造科技有限公司 | 基于注塑成型和调机数据特征分段构造与筛选方法及*** |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101533058B (zh) * | 2009-04-24 | 2012-02-01 | 东北大学 | 一种电力异常故障数据分析装置及诊断方法 |
CN104573845B (zh) * | 2014-12-03 | 2018-07-27 | 国家电网公司 | 信息***设备状态检修辅助决策方法 |
US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
CN106780145A (zh) * | 2016-12-21 | 2017-05-31 | 华北电力大学 | 一种继电保护保障性评估指标体系的评估方法 |
CN108009691B (zh) * | 2017-12-22 | 2021-06-25 | 东软集团股份有限公司 | 设备寿命预测方法、装置及设备 |
-
2018
- 2018-07-27 CN CN201810847313.9A patent/CN109190892B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109190892A (zh) | 2019-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Antoniou et al. | Learning to learn by self-critique | |
CN107678845B (zh) | 应用程序管控方法、装置、存储介质及电子设备 | |
CN106897746B (zh) | 数据分类模型训练方法和装置 | |
CN111798273A (zh) | 产品的购买概率预测模型的训练方法及购买概率预测方法 | |
WO2021089013A1 (zh) | 空间图卷积网络的训练方法、电子设备及存储介质 | |
CN111950596A (zh) | 一种用于神经网络的训练方法以及相关设备 | |
US11301506B2 (en) | Automated digital asset tagging using multiple vocabulary sets | |
CN107870810B (zh) | 应用清理方法、装置、存储介质及电子设备 | |
CN110928889A (zh) | 训练模型更新方法、设备以及计算机存储介质 | |
CN109190892B (zh) | 一种基于数据的智能注塑设备检测装置检测频率决策方法 | |
CN113164056A (zh) | 睡眠预测方法、装置、存储介质及电子设备 | |
CN111159481B (zh) | 图数据的边预测方法、装置及终端设备 | |
CN109615080B (zh) | 无监督模型评估方法、装置、服务器及可读存储介质 | |
CN113657249B (zh) | 训练方法、预测方法、装置、电子设备以及存储介质 | |
CN114911615A (zh) | 微服务运行时智能预测调度的方法及应用 | |
CN104933052B (zh) | 数据真实值的估计方法及数据真实值估计装置 | |
CN109214544B (zh) | 寿命预测及维护决策方法和装置、以及存储介质、计算机 | |
CN116569194A (zh) | 联合学习 | |
CN112997148A (zh) | 睡眠预测方法、装置、存储介质及电子设备 | |
CN112131274B (zh) | 时间序列异常点的检测方法、装置、设备及可读存储介质 | |
CN104516472A (zh) | 处理器和数据处理方法 | |
CN109993182B (zh) | 一种基于Fuzzy ART的模式识别方法及装置 | |
Xu et al. | Effective context inconsistency elimination algorithm based on feedback and reliability distribution for IOV | |
CN107436788B (zh) | 一种应用程序的卸载方法、装置及终端设备 | |
WO2021262139A1 (en) | Distributed machine learning models |
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 | ||
GR01 | Patent grant |