CN111007817A - 设备加工工件质量检测方法、装置及计算机可读存储介质 - Google Patents
设备加工工件质量检测方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111007817A CN111007817A CN201911272497.1A CN201911272497A CN111007817A CN 111007817 A CN111007817 A CN 111007817A CN 201911272497 A CN201911272497 A CN 201911272497A CN 111007817 A CN111007817 A CN 111007817A
- Authority
- CN
- China
- Prior art keywords
- operation data
- workpiece
- sequence
- equipment
- data sequence
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 54
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 79
- 230000008569 process Effects 0.000 claims abstract description 37
- 238000013145 classification model Methods 0.000 claims description 22
- 238000003754 machining Methods 0.000 claims description 19
- DMJXRYSGXCLCFP-LBPRGKRZSA-N (3s)-n-tert-butyl-1,2,3,4-tetrahydroisoquinoline-3-carboxamide Chemical compound C1=CC=C2CN[C@H](C(=O)NC(C)(C)C)CC2=C1 DMJXRYSGXCLCFP-LBPRGKRZSA-N 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 3
- 230000015654 memory Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
本申请提供了一种设备加工工件质量检测方法、装置及计算机可读存储介质，涉及质量检测技术领域，包括：获取所述设备在工件加工过程中按照时间顺序产生的实际运行数据序列；确定与所述实际运行数据序列对应的预设标准运行数据序列；将所述预设标准运行数据序列与所述实际运行数据序列按照时间顺序进行对比，得到对比结果；根据所述对比结果确定所述设备加工的工件质量，解决设备加工工件质量检测结果的准确性较低的技术问题。
Description
技术领域
本申请涉及质量检测技术领域，尤其是涉及一种设备加工工件质量检测方法、装置及计算机可读存储介质。
背景技术
同一产品的质量统一化对于产品质量控制具有重要意义，但工厂在进行批量加工工件过程中，由于操作工人水平不一、工人状态不稳定，以及设备运行状态等因素，导致产品无法形成较为稳定的加工质量。
目前，工件加工质量的监测主要聚焦于加工过程中的加工参数、流程管理，这些方式往往伴随着人为因素的影响，使设备加工工件质量检测结果的准确性较低。
发明内容
本发明的目的在于提供一种设备加工工件质量检测方法、装置及计算机可读存储介质，以解决设备加工工件质量检测结果的准确性较低的技术问题。
第一方面，本申请实施例提供了一种设备加工工件质量检测方法，应用于电子设备，所述方法包括：
获取所述设备在工件加工过程中按照时间顺序产生的实际运行数据序列；
确定与所述实际运行数据序列对应的预设标准运行数据序列；
将所述预设标准运行数据序列与所述实际运行数据序列按照时间顺序进行对比，得到对比结果；
根据所述对比结果确定所述设备加工的工件质量。
在一个可能的实现中，确定与所述实际运行数据序列对应的预设标准运行数据序列的步骤，包括：
利用分类模型对所述实际运行数据序列中按照时间顺最先产生的第一实际运行数据进行分类，得到所述设备在产生所述第一实际运行数据时加工的第一实际加工工件；
确定在加工所述第一实际加工工件时预设所述设备产生的第一预设标准运行数据，以及按照时间顺序加工所述第一实际加工工件之后预设所述设备产生的第二预设标准运行数据；
将所述第一预设标准运行数据以及所述第二预设标准运行数据按照时间顺序形成预设标准运行数据序列。
在一个可能的实现中，所述实际运行数据包括所述设备的电流、扭矩、转速中的至少一种。
在一个可能的实现中，获取所述设备在工件加工过程中按照时间顺序产生的实际运行数据序列的步骤之前，还包括：
采集所述设备按照时间顺序产生的多个运行数据；
利用时间序列分割聚类TICC算法对所述多个运行数据进行分割，得到所述设备的待机状态对应的运行数据以及所述设备的工件加工状态对应的运行数据；
将所述工件加工状态对应的运行数据按照时间顺序形成的运行数据序列，作为所述设备在工件加工过程中按照时间顺序产生的实际运行数据序列。
在一个可能的实现中，所述按照时间顺最先产生的第一实际运行数据为：在所述实际运行数据序列中，按照时间顺序从最开始的时间点至预设时间段结束时，所述设备产生的实际运行数据。
在一个可能的实现中，所述分类模型为长短期记忆网络LSTM分类模型。
在一个可能的实现中，在所述LSTM分类模型的预先训练过程中，输入至初始神经网络模型的数据为带标注标签的所述预设标准运行数据序列，所述标注标签为预设所述设备在产生所述预设标准运行数据序列时加工的标准加工工件。
在一个可能的实现中，根据所述对比结果确定所述设备加工的工件质量的步骤，包括：
根据所述对比结果中所述实际运行数据序列和所述预设标准运行数据序列之间的差异程度，确定所述设备加工的工件质量。
第二方面，提供了一种设备加工工件质量检测装置，应用于电子设备，所述装置包括：
获取模块，用于获取所述设备在工件加工过程中按照时间顺序产生的实际运行数据序列；
第一确定模块，用于确定与所述实际运行数据序列对应的预设标准运行数据序列；
对比模块，用于将所述预设标准运行数据序列与所述实际运行数据序列按照时间顺序进行对比，得到对比结果；
第二确定模块，用于根据所述对比结果确定所述设备加工的工件质量。
第三方面，本申请实施例又提供了一种计算机可读存储介质，所述计算机可读存储介质存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述的第一方面所述方法。
本申请实施例带来了以下有益效果：
本方案中，先获取设备在工件加工过程中按照时间顺序产生的实际运行数据序列，之后确定与实际运行数据序列对应的预设标准运行数据序列，然后，将预设标准运行数据序列与实际运行数据序列按照时间顺序进行对比，从而得到对比结果，最后，根据该对比结果确定设备加工的工件质量，由于在设备加工工件过程中按照时间顺序产生的各运行数据能够在一定程度上反映出设备加工工件过程中的完整流程，即加工质量相近的工件过程中，按照时间顺序产生的运行数据会具备高度的相似性，因此，通过将加工工件过程中按照时间顺序产生的实际运行数据序列，和对应的预设标准运行数据序列进行对比，能够更为准确、客观的检测出实际加工工件的质量，减少人为因素的影响，使设备实际加工工件的质量检测结果能够得到更为精确、客观的量化，解决现有技术中存在的设备加工工件质量检测结果的准确性较低的技术问题。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种设备加工工件质量检测方法的流程示意图；
图2为本申请实施例提供的一种设备加工工件质量检测方法的另一流程示意图；
图3为本申请实施例提供的一种设备加工工件质量检测装置的结构示意图；
图4为本申请实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，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。
本申请实施例中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括其他没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
在本申请的描述中，除非另有说明，“至少一个”的含义是指一个或一个以上。
下面将详细描述本申请的各个方面的特征和示例性实施例。在下面的详细描述中，提出了许多具体细节，以便提供对本申请的全面理解。但是，对于本领域技术人员来说很明显的是，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请的更好的理解。本申请决不限于下面所提出的任何具体配置和算法，而是在不脱离本申请的精神的前提下覆盖了元素、部件和算法的任何修改、替换和改进。在附图和下面的描述中，没有示出公知的结构和技术，以便避免对本申请造成不必要的模糊。
目前，同一产品的质量统一化对于产品质量控制具有重要意义，但工厂在进行批量加工工件过程中，由于操作工人水平不一、工人状态不稳定，以及设备运行状态等因素，导致产品无法形成较为稳定的加工质量。
工件加工质量的监测主要聚焦于加工过程中的加工参数、流程管理，这些方式往往伴随着人为因素的影响，使设备加工工件质量检测结果的准确性较低。同时，很难对大批量、多人员、多设备的加工工件的质量进行监测。
基于此，本申请实施例提供的一种设备加工工件质量检测方法、装置及计算机可读存储介质，可以解决现有技术中存在的设备加工工件质量检测结果的准确性较低的技术问题。
为便于对本实施例进行理解，首先对本申请实施例所公开的一种设备加工工件质量检测方法、装置及计算机可读存储介质进行详细介绍。
图1为本申请实施例提供的一种设备加工工件质量检测方法的流程示意图。如图1所示，该方法包括：
S110，获取设备在工件加工过程中按照时间顺序产生的实际运行数据序列。
实际运行数据为设备在实际的工件加工过程中的设备运行数据，该实际运行数据可以包括：设备的电流、扭矩、转速中的至少一种。例如，设备在实际的工件加工过程中，设备电流最开始为5.7A，之后由于加工过程进展到下一道工序其电流变为4.5A，设备加工过程进展到最后一道工序其电流为2A，则实际运行数据为5.7A、4.5A、……、2A。设备的扭矩、转速等方面同理。
S120，确定与实际运行数据序列对应的预设标准运行数据序列。
其中，预设标准运行数据序列包括：实际加工工件对应的预设标准运行数据，以及按照时间顺序加工实际加工工件之后设备产生的预设标准运行数据。
S130，将预设标准运行数据序列与实际运行数据序列按照时间顺序进行对比，得到对比结果。
本步骤中，如图2所示，可以先将分类出的实际加工工件，匹配到加工该实际加工工件时所应该产生的标准运行数据，通过对比实际运行数据与标准运行数据的差异性，检测出加工过程中的异常情况。
S140，根据对比结果确定设备加工的工件质量。
通过对比实际运行数据与匹配到的标准运行数据之间的差异，检测加工工件质量及异常情况。
需要说明的是，由于在设备加工过程中按照时序产生的各运行数据能够在一定程度上反映出设备加工工件过程中的完整流程，同一工件若具有相近质量，其按照时序产生的运行数据应具备高度的相似性。
本实施例中，通过对工件加工过程中的运行数据进行监控，比对标准工件的对应数据，从而能够完成工件加工质量的检测，实现在线设备加工质量监测，为企业的人员配置、设备管理、产品质量管理提供参考。相较于目前已有的方法，本实施例提供的方法能够对加工件的加工质量进行实时监测，判断加工异常，同时人为干扰因素低，对于大批量、多人员、多设备的加工工件的质量控制具有较大优势。
在一些实施例中，上述步骤S120具体可以包括如下步骤：
步骤a，利用分类模型对实际运行数据序列中按照时间顺最先产生的第一实际运行数据进行分类，得到设备在产生第一实际运行数据时加工的第一实际加工工件；
步骤b，确定在加工第一实际加工工件时预设设备产生的第一预设标准运行数据，以及按照时间顺序加工第一实际加工工件之后预设设备产生的第二预设标准运行数据；
步骤c，将第一预设标准运行数据以及第二预设标准运行数据按照时间顺序形成预设标准运行数据序列。
对于步骤a，按照时间顺最先产生的第一实际运行数据为：在实际运行数据序列中，按照时间顺序从最开始的时间点至预设时间段结束时，设备产生的实际运行数据。
示例性的，利用分类模型对多个实际运行数据中按照时间顺序最先产生的部分运行数据进行分类，得到部分运行数据对应的实际加工工件。其中，按照时间顺序最先产生的部分运行数据为：在多个实际运行数据中，按照时间顺序从最开始的时间点至预设时间段结束时，设备产生的运行数据。实际加工工件为设备产生的运行数据为上述运行数据时，此刻该设备实际加工的产品部件种类。
分类模型可以为很多种用于分类的神经网络模型，示例性的，分类模型为长短期记忆网络LSTM分类模型。本实施例中，利用LSTM分类模型的算法分类出最开始的加工工件，判别开始加工的工件的种类。例如，如图2所示，利用设备运行数据的最开始前60秒的数据，结合预先训练好的LSTM分类模型，判别这60秒加工的工件，以便于将该工件后续与标准数据进行匹配。
在一些实施例中，在LSTM分类模型的预先训练过程中，输入至初始神经网络模型的数据为带标注标签的预设标准运行数据序列，标注标签为预设设备在产生预设标准运行数据序列时加工的标准加工工件。
如图2所示，在进行分类模型训练的过程中，需要先搜集每类工件加工过程中的运行数据，利用LSTM对该数据进行分类训练，得到分类模型。
通过利用经过训练的LSTM分类模型，能够使正式的分类过程的效率得到提高，以快速的得到准确性较高的分类机构，即运行数据所对应的工件种类。
在一些实施例中，上述步骤S110之前，还可以包括如下步骤：
步骤d，采集设备按照时间顺序产生的多个运行数据；
步骤e，利用时间序列分割聚类TICC算法对多个运行数据进行分割，得到设备的待机状态对应的运行数据以及设备的工件加工状态对应的运行数据；
步骤f，将工件加工状态对应的运行数据按照时间顺序形成的运行数据序列，作为设备在工件加工过程中按照时间顺序产生的实际运行数据序列。
如图2所示，利用TICC算法进行加工数据分割，具体的，通过数据采集装置实时获取设备加工工件过程中按照时序产生的运行数据，利用TICC算法对已采集的运行数据进行分割，将运行数据分割为待机状态及工作状态两类，若当前的运行数据被分割为工作状态，则将当前的运行数据作为设备在工件加工过程中按照时间顺序产生的多个实际运行数据。
通过分类之前的数据分割过程，能够使后续的分类过程更加具有针对性，只针对工作状态的运行数据进行分类，节省分类过程所需的时间，以提高分类过程的处理效率。
在一些实施例中，上述步骤S140可以包括如下步骤：
根据对比结果中实际运行数据序列和预设标准运行数据序列之间的差异程度，确定设备加工的工件质量。
因此，可以通过实际运行数据序列和预设标准运行数据序列之间的差异大小，来判断加工工件的质量，使设备加工工件的质量能够得到精确的量化，以使检测出的质量结果更加客观、准确。
图3提供了一种设备加工工件质量检测装置结构示意图。该装置应用于电子设备，如图3所示，设备加工工件质量检测装置300包括：
获取模块301，用于获取设备在工件加工过程中按照时间顺序产生的实际运行数据序列；
第一确定模块302，用于确定与实际运行数据序列对应的预设标准运行数据序列；
对比模块303，用于将预设标准运行数据序列与实际运行数据序列按照时间顺序进行对比，得到对比结果；
第二确定模块304，用于根据对比结果确定设备加工的工件质量。
在一些实施例中，第一确定模块302具体用于：
利用分类模型对实际运行数据序列中按照时间顺最先产生的第一实际运行数据进行分类，得到设备在产生第一实际运行数据时加工的第一实际加工工件；
确定在加工第一实际加工工件时预设设备产生的第一预设标准运行数据，以及按照时间顺序加工第一实际加工工件之后预设设备产生的第二预设标准运行数据；
将第一预设标准运行数据以及第二预设标准运行数据按照时间顺序形成预设标准运行数据序列。
在一些实施例中，实际运行数据包括设备的电流、扭矩、转速中的至少一种。
在一些实施例中，该装置还包括：
采集模块，用于采集设备按照时间顺序产生的多个运行数据；
分割模块，用于利用时间序列分割聚类TICC算法对多个运行数据进行分割，得到设备的待机状态对应的运行数据以及设备的工件加工状态对应的运行数据；
作为模块，用于将工件加工状态对应的运行数据按照时间顺序形成的运行数据序列，作为设备在工件加工过程中按照时间顺序产生的实际运行数据序列。
在一些实施例中，按照时间顺最先产生的第一实际运行数据为：在实际运行数据序列中，按照时间顺序从最开始的时间点至预设时间段结束时，设备产生的实际运行数据。
在一些实施例中，分类模型为长短期记忆网络LSTM分类模型。
在一些实施例中，在LSTM分类模型的预先训练过程中，输入至初始神经网络模型的数据为带标注标签的预设标准运行数据序列，标注标签为预设设备在产生预设标准运行数据序列时加工的标准加工工件。
在一些实施例中，第二确定模块304具体用于：
根据对比结果中实际运行数据序列和预设标准运行数据序列之间的差异程度，确定设备加工的工件质量。
本申请实施例提供的设备加工工件质量检测装置，与上述实施例提供的设备加工工件质量检测方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
本申请实施例提供的一种电子设备，如图4所示，电子设备4包括存储器41、处理器42，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述实施例提供的方法的步骤。
参见图4，电子设备还包括：总线43和通信接口44，处理器42、通信接口44和存储器41通过总线43连接；处理器42用于执行存储器41中存储的可执行模块，例如计算机程序。
其中，存储器41可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口44(可以是有线或者无线)实现该***网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线43可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器41用于存储程序，所述处理器42在接收到执行指令后，执行所述程序，前述本申请任一实施例揭示的过程定义的装置所执行的方法可以应用于处理器42中，或者由处理器42实现。
处理器42可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器42中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器42可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41，处理器42读取存储器41中的信息，结合其硬件完成上述方法的步骤。
对应于上述设备加工工件质量检测方法，本申请实施例还提供了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运行时执行上述设备加工工件质量检测方法的步骤。
本申请实施例所提供的设备加工工件质量检测装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的***、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述移动控制方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的范围。都应涵盖在本申请的保护范围之内。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (10)
1.一种设备加工工件质量检测方法，应用于电子设备，其特征在于，所述方法包括：
获取所述设备在工件加工过程中按照时间顺序产生的实际运行数据序列；
确定与所述实际运行数据序列对应的预设标准运行数据序列；
将所述预设标准运行数据序列与所述实际运行数据序列按照时间顺序进行对比，得到对比结果；
根据所述对比结果确定所述设备加工的工件质量。
2.根据权利要求1所述的方法，其特征在于，确定与所述实际运行数据序列对应的预设标准运行数据序列的步骤，包括：
利用分类模型对所述实际运行数据序列中按照时间顺最先产生的第一实际运行数据进行分类，得到所述设备在产生所述第一实际运行数据时加工的第一实际加工工件；
确定在加工所述第一实际加工工件时预设所述设备产生的第一预设标准运行数据，以及按照时间顺序加工所述第一实际加工工件之后预设所述设备产生的第二预设标准运行数据；
将所述第一预设标准运行数据以及所述第二预设标准运行数据按照时间顺序形成预设标准运行数据序列。
3.根据权利要求1所述的方法，其特征在于，所述实际运行数据包括所述设备的电流、扭矩、转速中的至少一种。
4.根据权利要求1所述的方法，其特征在于，获取所述设备在工件加工过程中按照时间顺序产生的实际运行数据序列的步骤之前，还包括：
采集所述设备按照时间顺序产生的多个运行数据；
利用时间序列分割聚类TICC算法对所述多个运行数据进行分割，得到所述设备的待机状态对应的运行数据以及所述设备的工件加工状态对应的运行数据；
将所述工件加工状态对应的运行数据按照时间顺序形成的运行数据序列，作为所述设备在工件加工过程中按照时间顺序产生的实际运行数据序列。
5.根据权利要求2所述的方法，其特征在于，所述按照时间顺最先产生的第一实际运行数据为：在所述实际运行数据序列中，按照时间顺序从最开始的时间点至预设时间段结束时，所述设备产生的实际运行数据。
6.根据权利要求2所述的方法，其特征在于，所述分类模型为长短期记忆网络LSTM分类模型。
7.根据权利要求6所述的方法，其特征在于，在所述LSTM分类模型的预先训练过程中，输入至初始神经网络模型的数据为带标注标签的所述预设标准运行数据序列，所述标注标签为预设所述设备在产生所述预设标准运行数据序列时加工的标准加工工件。
8.根据权利要求1所述的方法，其特征在于，根据所述对比结果确定所述设备加工的工件质量的步骤，包括：
根据所述对比结果中所述实际运行数据序列和所述预设标准运行数据序列之间的差异程度，确定所述设备加工的工件质量。
9.一种设备加工工件质量检测装置，应用于电子设备，其特征在于，所述装置包括：
获取模块，用于获取所述设备在工件加工过程中按照时间顺序产生的实际运行数据序列；
第一确定模块，用于确定与所述实际运行数据序列对应的预设标准运行数据序列；
对比模块，用于将所述预设标准运行数据序列与所述实际运行数据序列按照时间顺序进行对比，得到对比结果；
第二确定模块，用于根据所述对比结果确定所述设备加工的工件质量。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行所述权利要求1至8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911272497.1A CN111007817A (zh) | 2019-12-11 | 2019-12-11 | 设备加工工件质量检测方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911272497.1A CN111007817A (zh) | 2019-12-11 | 2019-12-11 | 设备加工工件质量检测方法、装置及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111007817A true CN111007817A (zh) | 2020-04-14 |
Family
ID=70114659
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911272497.1A Pending CN111007817A (zh) | 2019-12-11 | 2019-12-11 | 设备加工工件质量检测方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111007817A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112410765A (zh) * | 2020-11-05 | 2021-02-26 | 宣城睿晖宣晟企业管理中心合伙企业(有限合伙) | 一种团簇式设备控制方法及装置及存储介质 |
| CN112766059A (zh) * | 2020-12-30 | 2021-05-07 | 深圳市裕展精密科技有限公司 | 产品加工品质的检测方法、检测装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101710235A (zh) * | 2009-12-11 | 2010-05-19 | 重庆大学 | 一种数控机床在线加工工件的自动识别和监控方法 |
| CN102147602A (zh) * | 2010-02-08 | 2011-08-10 | 普瑞玛工业股份有限公司 | 用于监控激光加工工艺的质量的方法及相应的*** |
| CN103760820A (zh) * | 2014-02-15 | 2014-04-30 | 华中科技大学 | 数控铣床加工过程状态信息评价装置 |
| WO2019012437A1 (en) * | 2017-07-13 | 2019-01-17 | Anand Deshpande | SOUND DEVICE BASED ON MONITORING OF MACHINE USES AND METHOD OF OPERATING SAME |
| CN110031227A (zh) * | 2019-05-23 | 2019-07-19 | 桂林电子科技大学 | 一种基于双通道卷积神经网络的滚动轴承状态诊断方法 |
| CN110031214A (zh) * | 2019-04-09 | 2019-07-19 | 重庆大学 | 基于长短期记忆网络的滚齿质量在线评估方法 |
| CN110337343A (zh) * | 2017-02-24 | 2019-10-15 | 豪迈面板分割科技有限公司 | 运行工具机、特别是加工板状工件的板材加工设备的方法以及工具机 |
| CN110469461A (zh) * | 2019-08-14 | 2019-11-19 | 树根互联技术有限公司 | 一种风机齿带的断裂预估方法、其装置及可读存储介质 |
-
2019
- 2019-12-11 CN CN201911272497.1A patent/CN111007817A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101710235A (zh) * | 2009-12-11 | 2010-05-19 | 重庆大学 | 一种数控机床在线加工工件的自动识别和监控方法 |
| CN102147602A (zh) * | 2010-02-08 | 2011-08-10 | 普瑞玛工业股份有限公司 | 用于监控激光加工工艺的质量的方法及相应的*** |
| CN103760820A (zh) * | 2014-02-15 | 2014-04-30 | 华中科技大学 | 数控铣床加工过程状态信息评价装置 |
| CN110337343A (zh) * | 2017-02-24 | 2019-10-15 | 豪迈面板分割科技有限公司 | 运行工具机、特别是加工板状工件的板材加工设备的方法以及工具机 |
| WO2019012437A1 (en) * | 2017-07-13 | 2019-01-17 | Anand Deshpande | SOUND DEVICE BASED ON MONITORING OF MACHINE USES AND METHOD OF OPERATING SAME |
| CN110031214A (zh) * | 2019-04-09 | 2019-07-19 | 重庆大学 | 基于长短期记忆网络的滚齿质量在线评估方法 |
| CN110031227A (zh) * | 2019-05-23 | 2019-07-19 | 桂林电子科技大学 | 一种基于双通道卷积神经网络的滚动轴承状态诊断方法 |
| CN110469461A (zh) * | 2019-08-14 | 2019-11-19 | 树根互联技术有限公司 | 一种风机齿带的断裂预估方法、其装置及可读存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112410765A (zh) * | 2020-11-05 | 2021-02-26 | 宣城睿晖宣晟企业管理中心合伙企业(有限合伙) | 一种团簇式设备控制方法及装置及存储介质 |
| CN112766059A (zh) * | 2020-12-30 | 2021-05-07 | 深圳市裕展精密科技有限公司 | 产品加工品质的检测方法、检测装置 |
| CN112766059B (zh) * | 2020-12-30 | 2024-05-03 | 富联裕展科技(深圳)有限公司 | 产品加工品质的检测方法、检测装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20150346066A1 (en) | Asset Condition Monitoring | |
| CN109934268B (zh) | 异常交易检测方法及*** | |
| JPWO2017090098A1 (ja) | 設備管理装置および方法 | |
| CN109882834B (zh) | 锅炉设备的运行数据监测方法及装置 | |
| CN110008082B (zh) | 异常任务智能监测方法、装置、设备及存储介质 | |
| EP3373211A1 (en) | Management device and non-transitory computer-readable medium | |
| CN111007817A (zh) | 设备加工工件质量检测方法、装置及计算机可读存储介质 | |
| CN109726058B (zh) | 检测方法、装置及计算机设备 | |
| CN111666198A (zh) | 日志异常监控方法、装置及电子设备 | |
| JP6737277B2 (ja) | 製造プロセス分析装置、製造プロセス分析方法、及び、製造プロセス分析プログラム | |
| CN111064719B (zh) | 文件异常下载行为的检测方法及装置 | |
| KR101945131B1 (ko) | 비정규분포 공정에서의 극소불량률 관리 방법 및 장치 | |
| CN114285612B (zh) | 一种异常数据检测的方法、***、装置、设备及介质 | |
| CN117112336B (zh) | 智能通信设备异常检测方法、设备、存储介质及装置 | |
| CN112637888B (zh) | 覆盖空洞区域识别方法、装置、设备及可读存储介质 | |
| CN112330063B (zh) | 设备故障预测方法、装置以及计算机可读存储介质 | |
| US10862812B2 (en) | Information processing apparatus, data management system, data management method, and non-transitory computer readable medium storing program | |
| CN112214768A (zh) | 一种恶意进程的检测方法及装置 | |
| CN113703401B (zh) | 异常检测算法的配置方法、装置、电子设备和存储介质 | |
| CN110795308A (zh) | 一种服务器检验方法、装置、设备及存储介质 | |
| JP2020166407A (ja) | モデル生成装置、異常発生予測装置、異常発生予測モデルの生成方法及び異常発生予測方法 | |
| CN114227378B (zh) | 一种夹具状态的检测方法、装置、终端和存储介质 | |
| CN113535458B (zh) | 异常误报的处理方法及装置、存储介质、终端 | |
| CN112882854B (zh) | 一种请求异常的处理方法及装置 | |
| JP7239824B2 (ja) | 画像検査システム、画像検査装置及び画像検査プログラム |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200414 |