CN113777965B - 喷涂质量控制方法、装置、计算机设备及存储介质 - Google Patents
喷涂质量控制方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113777965B CN113777965B CN202010433845.5A CN202010433845A CN113777965B CN 113777965 B CN113777965 B CN 113777965B CN 202010433845 A CN202010433845 A CN 202010433845A CN 113777965 B CN113777965 B CN 113777965B
- Authority
- CN
- China
- Prior art keywords
- spraying
- candidate
- parameter
- target
- parameters
- 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
- 239000007921 spray Substances 0.000 title claims abstract description 126
- 238000003908 quality control method Methods 0.000 title claims abstract description 35
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000005507 spraying Methods 0.000 claims abstract description 690
- 238000000034 method Methods 0.000 claims description 46
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 23
- 230000032683 aging Effects 0.000 claims description 20
- 239000003973 paint Substances 0.000 claims description 15
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 42
- 238000012549 training Methods 0.000 description 33
- 238000010422 painting Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 15
- 238000012360 testing method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000003066 decision tree Methods 0.000 description 7
- 239000011248 coating agent Substances 0.000 description 6
- 238000000576 coating method Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000012797 qualification Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0423—Input/output
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B05—SPRAYING OR ATOMISING IN GENERAL; APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
- B05B—SPRAYING APPARATUS; ATOMISING APPARATUS; NOZZLES
- B05B12/00—Arrangements for controlling delivery; Arrangements for controlling the spray area
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B05—SPRAYING OR ATOMISING IN GENERAL; APPLYING FLUENT MATERIALS TO SURFACES, IN GENERAL
- B05B—SPRAYING APPARATUS; ATOMISING APPARATUS; NOZZLES
- B05B12/00—Arrangements for controlling delivery; Arrangements for controlling the spray area
- B05B12/08—Arrangements for controlling delivery; Arrangements for controlling the spray area responsive to condition of liquid or other fluent material to be discharged, of ambient medium or of target ; responsive to condition of spray devices or of supply means, e.g. pipes, pumps or their drive means
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Application Of Or Painting With Fluid Materials (AREA)
Abstract
本申请公开了一种喷涂质量控制方法、装置、计算机设备及存储介质,涉及喷涂技术领域。该喷涂质量控制方法通过获取候选喷涂参数组,候选喷涂参数组中包括多个不同类型的候选喷涂参数;对候选喷涂参数组进行质量预测,得到候选喷涂参数组的质量预测结果;当质量预测结果为质量不合格时,对候选喷涂参数组中的目标喷涂参数进行调整,得到调整后的目标喷涂参数组,其中,目标喷涂参数为造成候选喷涂参数组质量不合格的候选喷涂参数,目标喷涂参数组的质量预测结果为质量合格,目标喷涂参数组用于供喷涂机器人执行喷涂作业。喷涂机器人按照目标喷涂参数组执行喷涂作业,可以保证喷涂质量。因此相比于现有技术,提高了喷涂质量。
Description
技术领域
本申请涉及喷涂技术领域,特别是涉及一种喷涂质量控制方法、装置、计算机设备及存储介质。
背景技术
在建筑行业中,喷涂作业一般是由工人完成的。然而人工操作存在工作效率低的问题。针对于此,目前,提出了一种采用喷涂机器人进行喷涂作业的方案。
在现有技术中,采用喷涂机器人进行喷涂作业的过程一般是:工人根据个人经验设置喷涂机器人的喷涂参数,喷涂机器人按照设置好的喷涂参数进行喷涂作业。
然而,由于喷涂参数是工人根据个人经验设置的,因此喷涂机器人的喷涂质量较低。
发明内容
基于此,有必要针对上述喷涂机器人的喷涂质量较低的问题,提供一种喷涂质量控制方法、装置、计算机设备及存储介质。
一种喷涂质量控制方法,该方法包括:
获取候选喷涂参数组,候选喷涂参数组中包括多个不同类型的候选喷涂参数;
对候选喷涂参数组进行质量预测,得到候选喷涂参数组的质量预测结果;
当质量预测结果为质量不合格时,对候选喷涂参数组中的目标喷涂参数进行调整,得到调整后的目标喷涂参数组,其中,目标喷涂参数为造成候选喷涂参数组质量不合格的候选喷涂参数,目标喷涂参数组的质量预测结果为质量合格,目标喷涂参数组用于供喷涂机器人执行喷涂作业。
在本申请的一个实施例中,获取候选喷涂参数组之后,方法还包括:
检测候选喷涂参数组中是否存在缺失参数;
当候选喷涂参数组中存在缺失参数时,根据候选喷涂参数组中包括的候选喷涂参数对缺失参数进行参数推荐,得到推荐后的候选喷涂参数组;
相应的,对候选喷涂参数组进行质量预测,包括:
对推荐后的候选喷涂参数组进行质量预测。
在本申请的一个实施例中,对候选喷涂参数组中的目标喷涂参数进行调整之前,该方法还包括:
获取候选喷涂参数组中每个候选喷涂参数对质量预测结果的贡献度;
根据每个候选喷涂参数的贡献度的大小确定目标喷涂参数。
在本申请的一个实施例中,目标喷涂参数包括多个,对候选喷涂参数组中的目标喷涂参数进行调整,包括:
获取与目标喷涂参数对应的目标参数推荐模型组,目标参数推荐模型组中包括至少一个参数推荐模型,参数推荐模型用于对目标喷涂参数进行参数推荐;
将候选喷涂参数组中目标喷涂参数之外的候选喷涂参数输入到目标参数推荐模型组中,得到目标参数推荐模型组输出的参数推荐结果,参数推荐结果包括多个目标喷涂参数的推荐值和推荐准确率;
根据推荐准确率最高的参数推荐结果包括的多个目标喷涂参数的推荐值对候选喷涂参数组中的目标喷涂参数进行调整。
在本申请的一个实施例中,该方法还包括:
当各参数推荐结果的推荐准确率中最高的推荐准确率小于等于准确率阈值时,对于每个目标喷涂参数,从历史数据库中获取目标喷涂参数的备选值;
根据各目标喷涂参数的备选值对候选喷涂参数组中的目标喷涂参数进行调整。
在本申请的一个实施例中,获取与多个目标喷涂参数对应的目标参数推荐模型组之前,该方法包括:
获取喷涂控制参数,喷涂控制参数包括离墙距离、实际喷嘴压力、喷涂速度、喷嘴老化程度、漆水比和风速中的至少两种;
将喷涂控制参数划分为第一喷涂参数和第二喷涂参数,得到多个喷涂组合,任意两个喷涂组合中的第二喷涂参数不同;
对于每个喷涂组合,分别构建喷涂组合对应的多个参数推荐模型,并根据多个参数推荐模型得到喷涂组合的参数推荐模型组;
相应的,获取与多个目标喷涂参数对应的目标参数推荐模型组,包括:
将与多个目标喷涂参数相同的第二喷涂参数对应的喷涂组合的参数推荐模型组确定为目标参数推荐模型组。
在本申请的一个实施例中,候选喷涂参数的类型包括温度、湿度、PM2.5、基层含水率、漆水比、实际喷嘴压力、喷涂速度、离墙距离、喷嘴老化程度和风速中的至少两种。
一种喷涂质量控制装置,该装置包括:
获取模块,用于获取候选喷涂参数组,候选喷涂参数组中包括多个不同类型的候选喷涂参数;
质量预测模块,用于对候选喷涂参数组进行质量预测,得到候选喷涂参数组的质量预测结果;
调整模块,用于当质量预测结果为质量不合格时,对候选喷涂参数组中的目标喷涂参数进行调整,得到调整后的目标喷涂参数组,其中,目标喷涂参数为造成候选喷涂参数组质量不合格的候选喷涂参数,目标喷涂参数组的质量预测结果为质量合格,目标喷涂参数组用于供喷涂机器人执行喷涂作业。
一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该计算机程序被该处理器执行时实现以下步骤:
获取候选喷涂参数组,候选喷涂参数组中包括多个不同类型的候选喷涂参数;
对候选喷涂参数组进行质量预测,得到候选喷涂参数组的质量预测结果;
当质量预测结果为质量不合格时,对候选喷涂参数组中的目标喷涂参数进行调整,得到调整后的目标喷涂参数组,其中,目标喷涂参数为造成候选喷涂参数组质量不合格的候选喷涂参数,目标喷涂参数组的质量预测结果为质量合格,目标喷涂参数组用于供喷涂机器人执行喷涂作业。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:
获取候选喷涂参数组,候选喷涂参数组中包括多个不同类型的候选喷涂参数;
对候选喷涂参数组进行质量预测,得到候选喷涂参数组的质量预测结果;
当质量预测结果为质量不合格时,对候选喷涂参数组中的目标喷涂参数进行调整,得到调整后的目标喷涂参数组,其中,目标喷涂参数为造成候选喷涂参数组质量不合格的候选喷涂参数,目标喷涂参数组的质量预测结果为质量合格,目标喷涂参数组用于供喷涂机器人执行喷涂作业。
本申请实施例提供的技术方案带来的有益效果至少包括:
上述喷涂质量控制方法、装置、计算机设备及存储介质,可以提高喷涂质量。该喷涂质量控制方法中,喷涂机器人可以获取候选喷涂参数组,候选喷涂参数组中包括多个不同类型的候选喷涂参数,对候选喷涂参数组进行质量预测,得到质量预测结果,当质量预测结果为质量不合格,说明喷涂机器人按照该候选喷涂参数组中的候选喷涂参数进行喷涂作业时,喷涂质量不合格。此时,本申请实施例中,喷涂机器人可以从候选喷涂参数组中选出造成质量不合格的目标喷涂参数,通过对目标喷涂参数的调整得到调整后的目标喷涂参数组,目标喷涂参数组的质量预测结果为质量合格。喷涂机器人按照目标喷涂参数组执行喷涂作业,可以保证喷涂质量。因此相比于现有技术,提高了喷涂质量。
附图说明
图1为本申请实施例提供的喷涂质量控制方法的实施环境的示意图;
图2为本申请实施例提供的一种喷涂质量控制方法的流程图;
图3为本申请实施例提供的一种交互界面示意图;
图4为本申请实施例提供的另一种喷涂质量控制方法的流程图;
图5为本申请实施例提供的一种喷涂质量预测结果示意图;
图6为本申请实施例提供的另一种喷涂质量预测结果示意图;
图7为本申请实施例提供的一种对目标喷涂参数进行调整的流程图;
图8为本申请实施例提供的一种获取目标参数推荐模型组的流程图;
图9为本申请实施例提供的另一种喷涂质量控制方法的流程图;
图10为本申请实施例提供的一种喷涂质量控制装置的模块图;
图11为本申请实施例提供的一种计算机设备的模块图。
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,下面将结合附图对本申请实施方式作进一步地详细描述。
随着大数据行业的快速不断发展,人们越来越意识到数据背后所蕴含的潜在价值。目前,基于大数据和人工智能技术的研究已经成为了重要课题。然而,大数据和人工智能技术在建筑行业中的研究和应用比较少。
建筑行业是劳动密集型行业,一直以来都依赖于大量的人工劳动力。然而,随着我国人口老龄化,劳动力成本急剧增加。为了降低成本,研究和发展建筑行业的机器人的想法应用而生。建筑行业的机器人例如可以是腻子涂敷机器人,喷涂机器人,墙板铺贴机器人,地砖铺贴机器人和捆绑钢筋机器人等。通过“机器换人”的方式提高效率,降低成本。
对于喷涂机器人而言,目前,采用喷涂机器人进行喷涂作业的过程一般是:工人根据个人经验设置喷涂机器人的喷涂参数,喷涂机器人按照设置好的喷涂参数进行喷涂作业。然而,由于喷涂参数是工人根据个人经验设置的,因此喷涂机器人的喷涂质量较低。
目前,提出了一种对喷涂参数的喷涂质量进行预测的方法,然而,当质量预测结果为不合格时,需要由工人根据个人经验修改喷涂参数,然后再次对修改后的喷涂参数进行喷涂质量预测,通过不断尝试的方式对质量预测结果不合格的情况工作效率低。
本申请实施例提供的喷涂质量控制方法可以提高喷涂质量。该方法中,喷涂机器人可以获取候选喷涂参数组,候选喷涂参数组中包括多个不同类型的候选喷涂参数,对候选喷涂参数组进行质量预测,得到质量预测结果,当质量预测结果为质量不合格,说明喷涂机器人按照该候选喷涂参数组中的候选喷涂参数进行喷涂作业时,喷涂质量不合格。此时,本申请实施例中,喷涂机器人可以从候选喷涂参数组中选出造成质量不合格的目标喷涂参数,通过对目标喷涂参数的调整得到调整后的目标喷涂参数组,目标喷涂参数组的质量预测结果为质量合格。喷涂机器人按照目标喷涂参数组执行喷涂作业,可以保证喷涂质量。因此相比于现有技术,提高了喷涂质量。
下面,将对本申请实施例提供的喷涂质量控制方法所涉及到的实施环境进行简要说明。
图1为本申请实施例提供的喷涂质量控制方法所涉及到的一种实施环境的示意图,如图1所示,该实施环境还可以包括服务器101和喷涂机器人102,服务器101可以获取候选喷涂参数组,对候选喷涂参数组进行质量预测,得到候选喷涂参数组的质量预测结果;当质量预测结果为质量不合格时,对候选喷涂参数组中的目标喷涂参数进行调整,得到调整后的目标喷涂参数组。服务器101可以将目标喷涂参数组发送给喷涂机器人102,以供喷涂机器人102根据目标喷涂参数组中包括的喷涂参数进行喷涂作业。
在一种可选的实现方式中,该实施环境还可以仅包括喷涂机器人102,喷涂机器人102包括传感器组件、人机交互界面、控制组件和喷涂组件。
其中,传感器组件用于检测环境参数,环境参数可以包括温度、湿度、PM2.5浓度和基层含水率。人机交互界面用于供用户输入候选喷涂参数,多个候选喷涂参数和环境参数组成候选喷涂参数组。
控制组件获取候选喷涂参数组,对候选喷涂参数组进行质量预测,得到候选喷涂参数组的质量预测结果;当质量预测结果为质量不合格时,对候选喷涂参数组中的目标喷涂参数进行调整,得到调整后的目标喷涂参数组,然后控制组件可以根据目标喷涂参数组中包括的喷涂参数控制喷涂组件执行喷涂作业。
请参考图2,其示出了本申请实施例提供的一种喷涂质量控制方法的流程图,该喷涂质量控制方法可以应用于图1所示实施环境中的服务器或者喷涂机器人中,本申请以应用于喷涂机器人中为例进行说明,如图2所示,该喷涂质量控制方法可以包括以下步骤:
步骤201,喷涂机器人获取候选喷涂参数组。
候选喷涂参数组中多种类型的候选喷涂参数,可选的,候选喷涂参数的类型可以包括温度、湿度、PM2.5、基层含水率、漆水比、实际喷嘴压力、喷涂速度、离墙距离、喷嘴老化程度和风速中的至少两种。
其中,温度、湿度、PM2.5浓度和基层含水率属于施工现场的环境参数。漆水比、实际喷嘴压力、喷涂速度、离墙距离、喷嘴老化程度和风速属于喷涂控制参数。
本申请实施例中,环境参数可以通过传感器检测得到的,喷涂控制参数可以是人工设置的,候选喷涂参数组可以通过如图3所示的交互界面输入。
步骤202,喷涂机器人对候选喷涂参数组进行质量预测,得到候选喷涂参数组的质量预测结果。
本申请实施例中,喷涂机器人可以将候选喷涂参数组输入到质量预测模型中进行质量预测。
本申请实施例中,质量预测模型是预先建立好的,喷涂机器人可以直接调用质量预测模型。
其中,获取质量预测模型的过程可以是:建立样本集,样本集包括多个样本,每个样本包括一个训练喷涂参数组和该训练喷涂参数组实际的喷涂质量,训练喷涂参数组中的喷涂参数的类型包括温度、湿度、PM2.5、基层含水率、漆水比、实际喷嘴压力、喷涂速度、离墙距离、喷嘴老化程度和风速。
样本集中提取一部分作为训练集,另一部分作为测试集。
利用常见的机器学习分类算法建立机器学习模型,其中,机器学习分类算法例如可以是:AdaBoost(英文:Adaptive Boosting,中文:自适应提升)集成学习算法、GradientBoost(英文:Gradient Boost,中文:梯度提升)算法、XGBoost(英文:eXtremeGradient Boosting,中文:极梯度提升)算法、Bagging(英语:Bootstrap aggregating,中文:引导聚合)算法、随机森林算法、极限树算法、KNN(英文:K-NearestNeighbor,中文:K-邻近)算法、SVM(英文:Support Vector Machine,中文:支持向量机)算法和决策树算法等。然后利用训练集训练该机器学习模型,得到质量预测模型。
喷涂机器人将候选喷涂参数组输入到质量预测模型中,质量预测模型通过对候选喷涂参数组进行分类,得到该候选喷涂参数组的质量预测结果。质量预测结果包括质量合格和质量不合格两种情况。
质量合格表示,喷涂机器人将该候选喷涂参数组确定为目标喷涂参数组,并按照该候选喷涂参数组中的候选喷涂参数进行喷涂作业,其喷涂质量合格。
质量不合格表示,喷涂机器人按照该候选喷涂参数组中的候选喷涂参数进行喷涂作业,其喷涂质量不合格。
步骤203,当质量预测结果为质量不合格时,喷涂机器人对候选喷涂参数组中的目标喷涂参数进行调整,得到调整后的目标喷涂参数组。
本申请实施例中,当质量预测结果为质量不合格时,喷涂机器人需要对候选喷涂参数组中的部分候选喷涂参数进行调整,以使得调整后的目标喷涂参数组的质量预测结果为合格。
其中,需要进行调整的候选喷涂参数为造成候选喷涂参数组质量不合格的候选喷涂参数,本申请实施例中,将该些候选喷涂参数称为目标喷涂参数。目标喷涂参数的数量可以为一个或者多个,但目标喷涂参数的数量一般不超过喷涂控制参数的一半。
可选的,本申请实施例中,目标喷涂参数的确定过程可以是:喷涂机器人根据喷涂控制参数的重要性和参数修改的实际难度对喷涂控制参数进行排序,例如排序可以是离墙距离>实际喷嘴压力>喷涂速度>喷嘴老化程度>漆水比>风速。然后将排序在前的候选喷涂参数确定为目标喷涂参数。
本申请实施例中,喷涂机器人对候选喷涂参数组中的目标喷涂参数进行调整的过程可以包括以下内容:
对目标喷涂参数的数值进行加减百分之5的扰动,得到目标喷涂参数的数值范围,该数值范围是目标喷涂参数的数值的105%-95%,然后从数值范围中采样得到多个候选数值;
根据每个目标喷涂参数的多个候选数值进行排列组合,得到多个目标喷涂参数集合,每个目标喷涂参数集合包括每个目标喷涂参数的一个候选数值。
将候选喷涂参数组中的目标喷涂参数之外的候选喷涂参数与多个目标喷涂参数集合分别组合得到多个目标候选组合。
对每个目标候选组合进行质量预测,当质量预测结果为质量合格时,将该目标候选组合确定为目标喷涂参数组。该目标候选组合中包括的目标喷涂参数集合中包括的每个目标喷涂参数的候选数值为每个目标喷涂参数调整后的数值。
可选的,本申请实施例中,当采用上述方法无法确定出质量合格的目标候选组合时,可以通过扩大扰动范围的方式扩大每个目标喷涂参数的候选数值的数量,从而扩大筛选范围。
可选的,本申请实施例中,质量合格的目标候选组合可以有多个,本申请实施例中,可以将质量合格的目标候选组合中的一个作为目标喷涂参数组。
本申请实施例中,喷涂机器人可以获取候选喷涂参数组,候选喷涂参数组中包括多个不同类型的候选喷涂参数,对候选喷涂参数组进行质量预测,得到质量预测结果,当质量预测结果为质量不合格,说明喷涂机器人按照该候选喷涂参数组中的候选喷涂参数进行喷涂作业时,喷涂质量不合格。此时,本申请实施例中,喷涂机器人可以从候选喷涂参数组中选出造成质量不合格的目标喷涂参数,通过对目标喷涂参数的调整得到调整后的目标喷涂参数组,目标喷涂参数组的质量预测结果为质量合格。喷涂机器人按照目标喷涂参数组执行喷涂作业,可以保证喷涂质量。因此相比于现有技术,提高了喷涂质量。
在一种可选的实现方式中,如图4所示,本申请实施例还提供了一种喷涂质量控制方法,该方法包括以下步骤:
步骤401,喷涂机器人获取候选喷涂参数组。
本申请实施例中,可以参考步骤201公开的内容。
步骤402,喷涂机器人对候选喷涂参数组进行质量预测,得到候选喷涂参数组的质量预测结果。
本申请实施例中,可以参考步骤202公开的内容。
如图5所示,图5中示出的候选喷涂参数组的质量预测结果为合格。如图6所示,图6中示出的候选喷涂参数组的质量预测结果为不合格。
步骤403,喷涂机器人获取候选喷涂参数组中每个候选喷涂参数对质量预测结果的贡献度。
需要说明的是,本申请实施例中,由于候选喷涂参数组中的环境参数是不可修改的参数,因此默认环境参数的贡献度为0。
可选的,本申请实施例中,在进行质量预测的过程中,可以得到该候选喷涂参数组每个候选喷涂参数的数值对质量预测结果的贡献度。
本申请实施例中,不同的候选喷涂参数组中,包括的喷涂参数的类型是相同的,但每个候选喷涂参数的数值是不同的,本申请实施例中,不同的候选喷涂参数组根据各个候选喷涂参数的数值确定该候选喷涂参数对质量预测结果的贡献度。也就是说,同一类型的喷涂参数在不同的候选喷涂参数组中,对质量预测结果的贡献度是不相同的。
如图6所示,图6中示出了离墙距离的贡献度是59.08%、喷涂速度的贡献度是17.4%,漆水比的贡献度23.51%。
步骤404,喷涂机器人根据每个候选喷涂参数的贡献度的大小确定目标喷涂参数。
可以设置贡献阈值,大于贡献阈值的贡献度对应的候选喷涂参数为目标喷涂参数。
例如贡献阈值为10%,可知离墙距离、喷涂速度和漆水比为目标喷涂参数。
图6中示出的喷涂质量检测报告中公开了影响本次质量检测不合格的目标喷涂参数为离墙距离、喷涂速度和漆水比。
步骤405,喷涂机器人对候选喷涂参数组中的目标喷涂参数进行调整,得到调整后的目标喷涂参数组。
本申请实施例中,以图6中示出的候选喷涂参数组为例,本申请实施例中,对目标喷涂参数进行调整的过程可以参考步骤203公开的内容。
在另一种可选的实现方式中,如图7所示,喷涂机器人对目标喷涂参数进行调整的过程可以包括以下步骤:
步骤701,喷涂机器人获取与目标喷涂参数对应的目标参数推荐模型组。
其中,目标参数推荐模型组中包括至少一个参数推荐模型,参数推荐模型用于对目标喷涂参数进行参数推荐。
本申请实施例中,喷涂机器人获取目标参数推荐模型组的过程可以如图8所示:
步骤801,喷涂机器人获取喷涂控制参数。
其中,喷涂控制参数包括离墙距离、实际喷嘴压力、喷涂速度、喷嘴老化程度、漆水比和风速中的至少两种。
步骤802,喷涂机器人将喷涂控制参数划分为第一喷涂参数和第二喷涂参数,得到多个喷涂组合。
其中,任意两个喷涂组合中的第二喷涂参数不同,其中,第二喷涂参数的数量不超过喷涂控制参数的一半。
本申请实施例中,对喷涂控制参数进行划分的过程可以是任意划分。
例如,喷涂组合可以是:第一喷涂参数为离墙距离、实际喷嘴压力、喷涂速度、喷嘴老化程度,第二喷涂参数为漆水比和风速。或者,喷涂组合可以是:第一喷涂参数为漆水比、风速、喷涂速度,第二喷涂参数为离墙距离、喷嘴老化程度、实际喷嘴压力。或者,喷涂组合可以是:第一喷涂参数为离墙距离、喷嘴老化程度、实际喷嘴压力,第二喷涂参数为漆水比、风速、喷涂速度。本申请实施例,在此不进行穷举。
步骤803,对于每个喷涂组合,喷涂机器人分别构建喷涂组合对应的多个参数推荐模型,并根据多个参数推荐模型得到喷涂组合的参数推荐模型组。
可选的,不同的喷涂组合的参数推荐模型组中包括的参数推荐模型的数量可以不相同。
本申请实施例中,喷涂机器人分别构建喷涂组合对应的多个参数推荐模型的过程可以包括以下内容:
下面,本申请实施例示例性地示出了利用KNN最邻近算法,AdaBoost算法和XGBoost算法分别建立参数推荐模型的过程,具体如下:
本申请实施例中,针对每个喷涂组合,构建训练样本,训练样本中包括第一喷涂参数组成的已知量和第二喷涂参数组成的喷涂标签。
然后分别基于KNN最邻近算法,AdaBoost算法和XGBoost算法构建三种机器学习模型,分别通过训练样本对三种机器学习模型进行分别训练,得到三个参数推荐模型,该三个参数推荐模型的输入为第一喷涂参数,输出包括第二喷涂参数。可选的,输出也可以包括第一喷涂参数和第二喷涂参。该三个参数推荐模型可以组成该喷涂组合对应的参数推荐模型组。
需要说明的是,本申请实施例中,每个喷涂组合还可以建立更多种参数推荐模型,并不限于本申请实施例中提到的三种。
下面,对KNN最邻近算法,AdaBoost算法和XGBoost算法进行分别介绍。
1、KNN最邻近算法。
该方法是最常用的数据挖掘算法之一,具有简单,容易理解,无参数估计,不用预先训练的优点,在多分类问题上,分类效果突出。其核心思想就是对一个测试样本在特征空间中,从距离它最近的K个训练样本中选择数量更多的类作为它的类别。
KNN分类质量的好坏主要取决于三个因素:a)数据类别的平衡性。如果不同类别的样本数量非常不平衡,某一类的样本数远远大于其它类别,会导致小样本类别测试的准确性很低;b)计算距离的方式。通常有三种,分别是曼哈顿距离、欧式距离和闵可夫斯基距离。对于n维的特征空间的两个样本点,和/>其通用的距离公式可表示为范数的形式,如公式(1)所示,
当p=1时,此时就是曼哈顿(英文:Manhattan)距离,或L1范数,如公式(2)所示,
当p=2时,此时就是欧式(英文:Euclidean)距离(最常用),或L2范数,如公式(3)所示,
当p=∞时,此时就是闵可夫斯基(英文:Minkowski)距离,或L∞范数,即取各特征中距离最大的差值,如公式(4)所示,
c)K的取值。K的大小对KNN算法的效果影响比较大,若K较小时,算法效率较低,容易过拟合;若K较大时,容易受到较远训练集数据的影响,降低算法预测准确率。通常采用交叉验证的方式选择最优的K值。该智能回溯算法也是利用该验证方案对最优的K值进行选取。
KNN的算法步骤如下(可使用交叉验证或自助采样多次的方式确定训练和测试数据集):
输入:训练数据集Dtrain={(x1,y1),(x2,y2),...,(xm,ym)}。
测试数据集输入K。
输出:测试数据集标签Kopt。
FOR i=1:t
S1:随机从训练集中选K个元组样本,计算与测试样本的距离(最常用欧氏距离-公式(3)),根据距离由大到小的优先级队列排序:S={dK,dK-1,...,d1};
FOR j=1:m
S2:计算每个训练样本与的距离L,dK=Lmax;
IF L≥Lmax,j=j+1,计算下一个训练样本;
ELSE删除当前S中的dK,将L加入S,重新排列S的优先级顺序;
End IF
End FOR
S3:根据多数表决原则,从S中选择K个训练元组的多数类,返回给即
END FOR
S4:利用测试集的结果计算误差率,继续用不同的K值重复S1-S3,直到取得最好的K值,Kopt和对应的训练集标签
2、AdaBoost算法
AdaBoost(英文:Adaptive Boosting,适应性提升)算法是一种将一族串行的弱学习器(通常为CART决策树或MLP神经网络模型)提升成强学习器的集成学习算法。其算法原理就是通过对前一个训练的基(弱)学习器的表现来调整样本分布,增加预测错误的样本的权重,以此再训练下一个基学习器的过程。如此反复,直到达到训练的预定轮数(T)。
AdaBoost的算法流程是基于“加性模型”,对多个基学习器进行线性叠加,以获得预测结果,如公式(6)所示:
αi代表第i个弱学习器的权重,hi(x)代表第i个弱学习器的预测结果。该函数的目标损失函数为0/1损失函数sign(H(x)),算法通过最小化损失函数获得最优的训练模型。为进一步优化算法,Adaboost利用指数损失函数(公式(7))替代0/1损失函数,因为它可以满足连续可微的条件。因此该算法的目标转化成最小化指数损失函数Lexp(H|D),D代表训练样本的权重列表D={w1,w2,...,wm}。
结合该流程,其算法步骤和相关计算公式如下:
输入:训练数据集Dtrain={(x1,y1),(x2,y2),...,(xm,ym)},训练轮数T,基学习器l;
输出:训练好的强分类器,使或Lexp(H|D)最小化;
S1:初始化每个训练样本的权值,(m个样本);
FOR i=1:T
S2:利用更新的权值向量Di训练第i个模型,输出预测结果
S3:计算该弱学习器的错误率:
∈i=Px-D(hi(x)≠y) (8)
IF∈i≥0.5,说明弱学习器的预测准确率低于随机猜测的结果,break跳出该算法,更换更合适的弱学习器;
ELSE,
S4:更新弱学习器权重:
S5:为下一个基分类器,更新训练样本权重(Zi是一个规范化因子,确保Di+1的分布):
END IF
END FOR。
3、XGBoost算法
XGBoost(英文:eXtreme Gradient Boosting,极值梯度提升算法):是目前集成算法在效果上的顶峰模型,具有速度快,提升效果好,灵活性强(可自定义目标和优化函数),能并行处理大数据的优点。该算法可以是基于CART决策树也可以是基于线性分类器。它同GBDT类似,都是基于损失函数在函数空间内的负梯度学习,采用残差叠加的办法形成模型。然而,其目标损失函数以公式(11)的形式表现:
该目标函数在GBDT的基础上添加了L1正则项(γ是该正则项的权重,T是决策树的叶子节点数)和L2正则项(λ该正则项的权重,W是每个叶子节点样本的得分函数)。在每一轮通过对残差进行二阶的泰勒展开(GBDT的负梯度学习就是一阶展开的结果)得到:
/>
其中,C是一个常数。因此,该目标函数转化成求公式(13)的最小值:
通过一系列的推导,可以最终得到XGBoost算法目标损失函数的优化公式:
其中,Gj=∑i∈Ijgi,Hj=∑i∈Ijhi代表样本xi属于第j个叶子节点。实际上,XGBoost算法就是在通过类似于特征增益的方式(公式(15)),寻找决策树中所有***结点的最优候选集。
其具体的算法步骤如下:
输入:训练数据集Dtrain={(x1,y1),(x2,y2),...,(xm,ym)},训练轮数K,基学习器l,正则项权重λ;
输出:训练好的强学习器,使公式(14)中的损失函数L最小化(最大信息增益分数);
S1:初始化增益值Gain=0,利用GBDT训练K轮的CART决策树,保存树的结构;
S2:存储当前决策树中的一阶导和二阶导之和G←∑i∈Ijgi,H←∑i∈Ijhi;
FOR k=1:K
S3:初始化左子树的分数GL←0,HL←0;
FOR j=1:mj(m个训练样本根据所在叶子节点进行排列)
S4:更新所在分割点的左子树和右子树的分数
GL←GL+gj,HL←HL+hj
GR←G-GL,HR←H-HL
S5:利用公式(15)计算分数,
IF保持当前树的结构;
ELSE合并左右子树,更新树的结构;
END FOR
END FOR。
步骤804,喷涂机器人将与多个目标喷涂参数相同的第二喷涂参数对应的喷涂组合的参数推荐模型组确定为目标参数推荐模型组。
喷涂机器人将目标喷涂参数与每个参数推荐模型组的第二喷涂参数进行对比,当目标喷涂参数与某个第二喷涂参数完全相同时,将该第二喷涂参数对应的喷涂组合对应的参数推荐模型组确定为目标参数推荐模型组。
步骤702,喷涂机器人将候选喷涂参数组中目标喷涂参数之外的候选喷涂参数输入到目标参数推荐模型组中,得到目标参数推荐模型组输出的参数推荐结果。
其中,参数推荐结果包括多个目标喷涂参数的推荐值和推荐准确率;
本申请实施例中,喷涂机器人可以将候选喷涂参数组中的目标喷涂参数之外其他候选喷涂参数输入到目标参数推荐模型组中的每个参数推荐模型中,得到每个参数推荐模型输出的每个目标喷涂参数的推荐值以及此处推荐的推荐准确率。
本申请实施例中,目标参数推荐模型组输出的参数推荐结果中可以包括多组推荐值和每组推荐值的推荐准确率。
步骤703,喷涂机器人根据推荐准确率最高的参数推荐结果包括的多个目标喷涂参数的推荐值对候选喷涂参数组中的目标喷涂参数进行调整。
本申请实施例中,可以将推荐准确率最高的参数推荐模型输出的每个目标喷涂参数的推荐值作为该些目标喷涂参数的数值,得到调整后的目标喷涂参数的数值。
在另一种可选的实现方式中,喷涂机器人对目标喷涂参数进行调整的过程还可以包括以下步骤:
步骤A1:当各参数推荐结果的推荐准确率中最高的推荐准确率小于等于准确率阈值时,对于每个目标喷涂参数,从历史数据库中获取目标喷涂参数的备选值。
本申请实施例中,喷涂机器人可以判断各参数推荐结果的推荐准确率中最高的推荐准确率是否小于等于准确率阈值,当大于准确率阈值时,说明该推荐准确率最高的参数推荐结果可靠,因此可以将该推荐准确率最高的参数推荐结果包括的多个目标喷涂参数的推荐值对候选喷涂参数组中的目标喷涂参数进行调整。
当小于等于准确率阈值时,说明该推荐准确率最高的参数推荐结果并不可靠。因此,需要从历史数据中分别提取每一项目标喷涂参数的备选值。
每一项目标喷涂参数的备选值表示的是该目标喷涂参数在历史数据中出现频率最高的数值。
需要说明的是,历史数据表示的是质量预测结果为合格的喷涂参数组中包括的各项喷涂参数的数值。
需要说明的是,当某一目标喷涂参数出现频率最高的数值仍不能使得质量预测结果为合格时,还可以将该目标喷涂参数出现频率第二高、第三高的数据作为该目标喷涂参数的备选值。通过不断调试和质量预测,直至得到质量预测结果为质量合格的目标喷涂参数组。
步骤A2:根据各目标喷涂参数的备选值对候选喷涂参数组中的目标喷涂参数进行调整。
当确定好各目标喷涂参数的备选值后,将各目标喷涂参数的备选值确定为各目标喷涂参数调整后的数值。
本申请实施例中,得到调整后的目标喷涂参数的数值的过程可以包括以下内容:将调整后的目标喷涂参数的数值和候选喷涂参数组中目标喷涂参数之外的其他候选喷涂参数的数值组合起来,得到目标喷涂参数组。
本申请实施例中,通过参数推荐模型组中多个参数推荐模型对候选喷涂参数组中的目标喷涂参数进行参数推荐,提高了参数推荐的准确率。并且,使得一定可以得到一个满足质量预测结果为合格的目标喷涂参数组,提高了喷涂机器人的喷涂质量。
在一种可选的实现方式中,如图9所示,本申请实施例还提供了一种喷涂质量控制方法,该方法包括以下步骤:
步骤901,喷涂机器人获取候选喷涂参数组。
步骤902,喷涂机器人检测候选喷涂参数组中是否存在缺失参数。
本申请实施例中,喷涂机器人可以预先设置有目标类型的喷涂参数,其中,目标类型的喷涂参数是指对于喷涂质量影响比较大的喷涂参数。可选的,目标类型的喷涂参数可以包括:漆水比、实际喷嘴压力、喷涂速度、离墙距离、喷嘴老化程度和风速。
本申请实施例中,目标类型的喷涂参数可以包括多种,喷涂机器人可以逐一地将每一种目标类型的喷涂参数与候选喷涂参数组进行对比,确定候选喷涂参数组是否包括该目标类型的喷涂参数,若不包括,则将该目标类型的喷涂参数确定为缺失参数。喷涂机器人可以确定出候选喷涂参数组中没有包括的一种或者多种缺失参数。
例如,候选喷涂参数组包括的多个候选喷涂参数例如是温度、湿度、PM2.5、基层含水率、漆水比、实际喷嘴压力、喷涂速度、离墙距离、喷嘴老化程度和风速。对比目标类型的喷涂参数可知,候选喷涂参数组中包括了每一项目标类型的喷涂参数,即候选喷涂参数组中不存在缺失。
例如候选喷涂参数组包括的多个候选喷涂参数例如是温度、湿度、PM2.5、基层含水率、漆水比、实际喷嘴压力、喷涂速度、喷嘴老化程度和风速,对比目标类型的喷涂参数可知,候选喷涂参数组中缺少“离墙距离”这一目标类型的喷涂参数,即“离墙距离”这一目标类型的喷涂参数为缺失参数。
候选喷涂参数组中包括目标类型的喷涂参数时,喷涂机器人可以执行上述202-步骤203的内容。
步骤903,当候选喷涂参数组中存在缺失参数时,喷涂机器人根据候选喷涂参数组中包括的多个不同类型的候选喷涂参数对缺失参数进行参数推荐,得到推荐后的候选喷涂参数组。
候选喷涂参数组中存在缺失参数可以是指候选喷涂参数组中存在一种或者多种缺失参数。
本申请实施例中,喷涂机器人对缺失参数进行参数推荐的过程可以参考步骤405公开的内容,在此不进行赘述。
对每一缺失参数进行参数推荐后,可以得到该缺失参数的数值,根据候选喷涂参数组中已经存在的候选喷涂参数和缺失参数的数值可以组成推荐后的候选喷涂参数组。
步骤904,喷涂机器人对推荐后的候选喷涂参数组进行质量预测,得到质量预测结果。
本申请实施例中,喷涂机器人对推荐后的候选喷涂参数组进行质量预测的过程可以参考步骤202公开的内容。
本申请实施例中,一般而言,推荐后的候选喷涂参数组在进行参数推荐的过程中,已经进行了质量预测,因此可以得知,对推荐后的候选喷涂参数组进行质量预测得到的质量预测结果是质量合格。
请参考图10,其示出了本申请实施例提供的一种喷涂质量控制装置的框图,该喷涂质量控制装置可以配置在图1所示实施环境中的喷涂机器人中。如图10所示,该喷涂质量控制装置可以包括获取模块1001,质量预测模块1002和调整模块1003,其中:获取模块1001,用于获取候选喷涂参数组,候选喷涂参数组中包括多个不同类型的候选喷涂参数;质量预测模块1002,用于对候选喷涂参数组进行质量预测,得到候选喷涂参数组的质量预测结果;调整模块1003,用于当质量预测结果为质量不合格时,对候选喷涂参数组中的目标喷涂参数进行调整,得到调整后的目标喷涂参数组,其中,目标喷涂参数为造成候选喷涂参数组质量不合格的候选喷涂参数,目标喷涂参数组的质量预测结果为质量合格,目标喷涂参数组用于供喷涂机器人执行喷涂作业。
在本申请的一个实施例中,质量预测模块1002还用于检测候选喷涂参数组中是否存在缺失参数;当候选喷涂参数组中存在缺失参数时,根据候选喷涂参数组中包括的候选喷涂参数对缺失参数进行参数推荐,得到推荐后的候选喷涂参数组;对推荐后的候选喷涂参数组进行质量预测。
在本申请的一个实施例中,质量预测模块1002还用于获取候选喷涂参数组中每个候选喷涂参数对质量预测结果的贡献度;根据每个候选喷涂参数的贡献度的大小确定目标喷涂参数。
在本申请的一个实施例中,目标喷涂参数包括多个,调整模块1003还用于获取与目标喷涂参数对应的目标参数推荐模型组,目标参数推荐模型组中包括至少一个参数推荐模型,参数推荐模型用于对目标喷涂参数进行参数推荐;将候选喷涂参数组中目标喷涂参数之外的候选喷涂参数输入到目标参数推荐模型组中,得到目标参数推荐模型组输出的参数推荐结果,参数推荐结果包括多个目标喷涂参数的推荐值和推荐准确率;根据推荐准确率最高的参数推荐结果包括的多个目标喷涂参数的推荐值对候选喷涂参数组中的目标喷涂参数进行调整。
在本申请的一个实施例中,调整模块1003还用于当各参数推荐结果的推荐准确率中最高的推荐准确率小于等于准确率阈值时,对于每个目标喷涂参数,从历史数据库中获取目标喷涂参数的备选值;根据各目标喷涂参数的备选值对候选喷涂参数组中的目标喷涂参数进行调整。
在本申请的一个实施例中,调整模块1003还用于获取喷涂控制参数,喷涂控制参数包括离墙距离、实际喷嘴压力、喷涂速度、喷嘴老化程度、漆水比和风速中的至少两种;将喷涂控制参数划分为第一喷涂参数和第二喷涂参数,得到多个喷涂组合,任意两个喷涂组合中的第二喷涂参数不同;对于每个喷涂组合,分别构建喷涂组合对应的多个参数推荐模型,并根据多个参数推荐模型得到喷涂组合的参数推荐模型组;将与多个目标喷涂参数相同的第二喷涂参数对应的喷涂组合的参数推荐模型组确定为目标参数推荐模型组。
在本申请的一个实施例中,候选喷涂参数的类型包括温度、湿度、PM2.5、基层含水率、漆水比、实际喷嘴压力、喷涂速度、离墙距离、喷嘴老化程度和风速中的至少两种。
关于喷涂质量控制装置的具体限定可以参见上文中对于喷涂质量控制方法的限定,在此不再赘述。上述喷涂质量控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在本申请的一个实施例中,提供了一种计算机设备,该计算机设备可以为服务器,其内部结构图可以如图11所示。该计算机设备包括通过***总线连接的处理器、存储器和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该数据库用于存储多个参数推荐模型组和历史数据。该计算机程序被处理器执行时以实现一种喷涂质量控制方法。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在本申请的一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取候选喷涂参数组,候选喷涂参数组中包括多个不同类型的候选喷涂参数;对候选喷涂参数组进行质量预测,得到候选喷涂参数组的质量预测结果;当质量预测结果为质量不合格时,对候选喷涂参数组中的目标喷涂参数进行调整,得到调整后的目标喷涂参数组,其中,目标喷涂参数为造成候选喷涂参数组质量不合格的候选喷涂参数,目标喷涂参数组的质量预测结果为质量合格,目标喷涂参数组用于供喷涂机器人执行喷涂作业。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:检测候选喷涂参数组中是否存在缺失参数;当候选喷涂参数组中存在缺失参数时,根据候选喷涂参数组中包括的候选喷涂参数对缺失参数进行参数推荐,得到推荐后的候选喷涂参数组;对推荐后的候选喷涂参数组进行质量预测。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:获取候选喷涂参数组中每个候选喷涂参数对质量预测结果的贡献度;根据每个候选喷涂参数的贡献度的大小确定目标喷涂参数。
在本申请的一个实施例中,目标喷涂参数包括多个,处理器执行计算机程序时还实现以下步骤:获取与目标喷涂参数对应的目标参数推荐模型组,目标参数推荐模型组中包括至少一个参数推荐模型,参数推荐模型用于对目标喷涂参数进行参数推荐;将候选喷涂参数组中目标喷涂参数之外的候选喷涂参数输入到目标参数推荐模型组中,得到目标参数推荐模型组输出的参数推荐结果,参数推荐结果包括多个目标喷涂参数的推荐值和推荐准确率;根据推荐准确率最高的参数推荐结果包括的多个目标喷涂参数的推荐值对候选喷涂参数组中的目标喷涂参数进行调整。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:当各参数推荐结果的推荐准确率中最高的推荐准确率小于等于准确率阈值时,对于每个目标喷涂参数,从历史数据库中获取目标喷涂参数的备选值;根据各目标喷涂参数的备选值对候选喷涂参数组中的目标喷涂参数进行调整。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:获取喷涂控制参数,喷涂控制参数包括离墙距离、实际喷嘴压力、喷涂速度、喷嘴老化程度、漆水比和风速中的至少两种;将喷涂控制参数划分为第一喷涂参数和第二喷涂参数,得到多个喷涂组合,任意两个喷涂组合中的第二喷涂参数不同;对于每个喷涂组合,分别构建喷涂组合对应的多个参数推荐模型,并根据多个参数推荐模型得到喷涂组合的参数推荐模型组;将与多个目标喷涂参数相同的第二喷涂参数对应的喷涂组合的参数推荐模型组确定为目标参数推荐模型组。
本申请实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在本申请的一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取候选喷涂参数组,候选喷涂参数组中包括多个不同类型的候选喷涂参数;对候选喷涂参数组进行质量预测,得到候选喷涂参数组的质量预测结果;当质量预测结果为质量不合格时,对候选喷涂参数组中的目标喷涂参数进行调整,得到调整后的目标喷涂参数组,其中,目标喷涂参数为造成候选喷涂参数组质量不合格的候选喷涂参数,目标喷涂参数组的质量预测结果为质量合格,目标喷涂参数组用于供喷涂机器人执行喷涂作业。
在本申请的一个实施例中,计算机程序被处理器执行时还可以实现以下步骤:检测候选喷涂参数组中是否存在缺失参数;当候选喷涂参数组中存在缺失参数时,根据候选喷涂参数组中包括的候选喷涂参数对缺失参数进行参数推荐,得到推荐后的候选喷涂参数组;对推荐后的候选喷涂参数组进行质量预测。
在本申请的一个实施例中,计算机程序被处理器执行时还可以实现以下步骤:获取候选喷涂参数组中每个候选喷涂参数对质量预测结果的贡献度;根据每个候选喷涂参数的贡献度的大小确定目标喷涂参数。
在本申请的一个实施例中,目标喷涂参数包括多个,计算机程序被处理器执行时还可以实现以下步骤:获取与目标喷涂参数对应的目标参数推荐模型组,目标参数推荐模型组中包括至少一个参数推荐模型,参数推荐模型用于对目标喷涂参数进行参数推荐;将候选喷涂参数组中目标喷涂参数之外的候选喷涂参数输入到目标参数推荐模型组中,得到目标参数推荐模型组输出的参数推荐结果,参数推荐结果包括多个目标喷涂参数的推荐值和推荐准确率;根据推荐准确率最高的参数推荐结果包括的多个目标喷涂参数的推荐值对候选喷涂参数组中的目标喷涂参数进行调整。
在本申请的一个实施例中,计算机程序被处理器执行时还可以实现以下步骤:当各参数推荐结果的推荐准确率中最高的推荐准确率小于等于准确率阈值时,对于每个目标喷涂参数,从历史数据库中获取目标喷涂参数的备选值;根据各目标喷涂参数的备选值对候选喷涂参数组中的目标喷涂参数进行调整。
在本申请的一个实施例中,计算机程序被处理器执行时还可以实现以下步骤:获取喷涂控制参数,喷涂控制参数包括离墙距离、实际喷嘴压力、喷涂速度、喷嘴老化程度、漆水比和风速中的至少两种;将喷涂控制参数划分为第一喷涂参数和第二喷涂参数,得到多个喷涂组合,任意两个喷涂组合中的第二喷涂参数不同;对于每个喷涂组合,分别构建喷涂组合对应的多个参数推荐模型,并根据多个参数推荐模型得到喷涂组合的参数推荐模型组;将与多个目标喷涂参数相同的第二喷涂参数对应的喷涂组合的参数推荐模型组确定为目标参数推荐模型组。
本申请实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种喷涂质量控制方法,其特征在于,所述方法包括:
获取候选喷涂参数组,所述候选喷涂参数组中包括多个不同类型的候选喷涂参数;
对所述候选喷涂参数组进行质量预测,得到所述候选喷涂参数组的质量预测结果;
当所述质量预测结果为质量不合格时,对所述候选喷涂参数组中的目标喷涂参数进行调整,得到调整后的目标喷涂参数组,其中,所述目标喷涂参数为造成所述候选喷涂参数组质量不合格的候选喷涂参数,所述目标喷涂参数组的质量预测结果为质量合格,所述目标喷涂参数组用于供喷涂机器人执行喷涂作业;
所述目标喷涂参数包括多个,所述对所述候选喷涂参数组中的目标喷涂参数进行调整,包括:
获取与目标喷涂参数对应的目标参数推荐模型组,所述目标参数推荐模型组中包括至少一个参数推荐模型,所述参数推荐模型用于对所述目标喷涂参数进行参数推荐;
将所述候选喷涂参数组中所述目标喷涂参数之外的候选喷涂参数输入到所述目标参数推荐模型组中,得到所述目标参数推荐模型组输出的参数推荐结果,所述参数推荐结果包括所述多个目标喷涂参数的推荐值和推荐准确率;
根据推荐准确率最高的参数推荐结果包括的所述多个目标喷涂参数的推荐值对所述候选喷涂参数组中的目标喷涂参数进行调整。
2.根据权利要求1所述的方法,其特征在于,所述获取候选喷涂参数组之后,所述方法还包括:
检测所述候选喷涂参数组中是否存在缺失参数;
当所述候选喷涂参数组中存在缺失参数时,根据所述候选喷涂参数组中包括的候选喷涂参数对所述缺失参数进行参数推荐,得到推荐后的候选喷涂参数组;
相应的,所述对所述候选喷涂参数组进行质量预测,包括:
对所述推荐后的候选喷涂参数组进行质量预测。
3.根据权利要求1所述的方法,其特征在于,所述对所述候选喷涂参数组中的目标喷涂参数进行调整之前,所述方法还包括:
获取所述候选喷涂参数组中每个所述候选喷涂参数对所述质量预测结果的贡献度;
根据每个所述候选喷涂参数的贡献度的大小确定所述目标喷涂参数。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:根据喷涂控制参数的重要性和参数修改的实际难度对喷涂控制参数进行排序,以确定所述目标喷涂参数。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当各所述参数推荐结果的推荐准确率中最高的推荐准确率小于等于准确率阈值时,对于每个所述目标喷涂参数,从历史数据库中获取所述目标喷涂参数的备选值;
根据各所述目标喷涂参数的备选值对所述候选喷涂参数组中的目标喷涂参数进行调整。
6.根据权利要求1所述的方法,其特征在于,所述获取与多个目标喷涂参数对应的目标参数推荐模型组之前,所述方法包括:
获取喷涂控制参数,所述喷涂控制参数包括离墙距离、实际喷嘴压力、喷涂速度、喷嘴老化程度、漆水比和风速中的至少两种;
将所述喷涂控制参数划分为第一喷涂参数和第二喷涂参数,得到多个喷涂组合,任意两个喷涂组合中的第二喷涂参数不同;
对于每个所述喷涂组合,分别构建所述喷涂组合对应的多个参数推荐模型,并根据所述多个参数推荐模型得到所述喷涂组合的参数推荐模型组;
相应的,所述获取与多个目标喷涂参数对应的目标参数推荐模型组,包括:
将与所述多个目标喷涂参数相同的第二喷涂参数对应的喷涂组合的参数推荐模型组确定为所述目标参数推荐模型组。
7.根据权利要求1所述的方法,其特征在于,所述候选喷涂参数的类型包括温度、湿度、PM2.5、基层含水率、漆水比、实际喷嘴压力、喷涂速度、离墙距离、喷嘴老化程度和风速中的至少两种。
8.一种喷涂质量控制装置,其特征在于,所述装置包括:
获取模块,用于获取候选喷涂参数组,所述候选喷涂参数组中包括多个不同类型的候选喷涂参数;
质量预测模块,用于对所述候选喷涂参数组进行质量预测,得到所述候选喷涂参数组的质量预测结果;
调整模块,用于当所述质量预测结果为质量不合格时,对所述候选喷涂参数组中的目标喷涂参数进行调整,得到调整后的目标喷涂参数组,其中,所述目标喷涂参数为造成所述候选喷涂参数组质量不合格的候选喷涂参数,所述目标喷涂参数组的质量预测结果为质量合格,所述目标喷涂参数组用于供喷涂机器人执行喷涂作业;
所述目标喷涂参数包括多个,所述调整模块还用于:
获取与目标喷涂参数对应的目标参数推荐模型组,所述目标参数推荐模型组中包括至少一个参数推荐模型,所述参数推荐模型用于对所述目标喷涂参数进行参数推荐;将所述候选喷涂参数组中所述目标喷涂参数之外的候选喷涂参数输入到所述目标参数推荐模型组中,得到所述目标参数推荐模型组输出的参数推荐结果,所述参数推荐结果包括所述多个目标喷涂参数的推荐值和推荐准确率;根据推荐准确率最高的参数推荐结果包括的所述多个目标喷涂参数的推荐值对所述候选喷涂参数组中的目标喷涂参数进行调整。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其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权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010433845.5A CN113777965B (zh) | 2020-05-21 | 2020-05-21 | 喷涂质量控制方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010433845.5A CN113777965B (zh) | 2020-05-21 | 2020-05-21 | 喷涂质量控制方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113777965A CN113777965A (zh) | 2021-12-10 |
CN113777965B true CN113777965B (zh) | 2023-07-18 |
Family
ID=78834177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010433845.5A Active CN113777965B (zh) | 2020-05-21 | 2020-05-21 | 喷涂质量控制方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113777965B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115178397A (zh) * | 2022-07-07 | 2022-10-14 | 阿维塔科技(重庆)有限公司 | 喷涂程序调试方法、装置、设备及计算机可读存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007231346A (ja) * | 2006-02-28 | 2007-09-13 | Mitsubishi Heavy Ind Ltd | 溶射方法 |
JP2013068794A (ja) * | 2011-09-22 | 2013-04-18 | Mitsubishi Electric Corp | 訓練学習支援装置 |
CN107533682A (zh) * | 2015-04-24 | 2018-01-02 | Ppg工业俄亥俄公司 | 综合和智能涂装管理 |
CN109100975A (zh) * | 2018-09-03 | 2018-12-28 | 深圳市智物联网络有限公司 | 一种参数优化方法及*** |
CN109234661A (zh) * | 2018-09-21 | 2019-01-18 | 北京联合涂层技术有限公司 | 一种基于人工神经网络的热喷涂方法及*** |
CN109609887A (zh) * | 2019-02-11 | 2019-04-12 | 北京联合涂层技术有限公司 | 一种热喷涂方法及*** |
CN110134040A (zh) * | 2019-05-07 | 2019-08-16 | 上海电气集团股份有限公司 | 工业设备的运行数据的处理方法及*** |
CN110276456A (zh) * | 2019-06-20 | 2019-09-24 | 山东大学 | 一种机器学习模型辅助构建方法、***、设备及介质 |
CN110348646A (zh) * | 2019-07-19 | 2019-10-18 | 蕴硕物联技术(上海)有限公司 | 预测喷涂质量的方法及装置 |
KR20190118937A (ko) * | 2018-04-11 | 2019-10-21 | 삼성에스디에스 주식회사 | 하이퍼파라미터의 최적화 시스템 및 방법 |
CN111027714A (zh) * | 2019-12-11 | 2020-04-17 | 腾讯科技(深圳)有限公司 | 基于人工智能的对象推荐模型训练方法、推荐方法及装置 |
CN111105040A (zh) * | 2019-11-14 | 2020-05-05 | 深圳追一科技有限公司 | 超参数优化方法、装置、计算机设备和存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10969215B2 (en) * | 2017-08-04 | 2021-04-06 | Rolls-Royce North American Technologies, Inc. | Adaptive control of coating thickness |
CN107943571B (zh) * | 2017-11-14 | 2020-03-10 | Oppo广东移动通信有限公司 | 后台应用管控方法、装置、存储介质及电子设备 |
TWI625682B (zh) * | 2017-12-01 | 2018-06-01 | 財團法人工業技術研究院 | 參數最佳化方法、裝置以及非暫態電腦可讀取媒體 |
CN108229572B (zh) * | 2018-01-17 | 2021-03-02 | 北京腾云天下科技有限公司 | 一种参数寻优方法及计算设备 |
-
2020
- 2020-05-21 CN CN202010433845.5A patent/CN113777965B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007231346A (ja) * | 2006-02-28 | 2007-09-13 | Mitsubishi Heavy Ind Ltd | 溶射方法 |
JP2013068794A (ja) * | 2011-09-22 | 2013-04-18 | Mitsubishi Electric Corp | 訓練学習支援装置 |
CN107533682A (zh) * | 2015-04-24 | 2018-01-02 | Ppg工业俄亥俄公司 | 综合和智能涂装管理 |
KR20190118937A (ko) * | 2018-04-11 | 2019-10-21 | 삼성에스디에스 주식회사 | 하이퍼파라미터의 최적화 시스템 및 방법 |
CN109100975A (zh) * | 2018-09-03 | 2018-12-28 | 深圳市智物联网络有限公司 | 一种参数优化方法及*** |
CN109234661A (zh) * | 2018-09-21 | 2019-01-18 | 北京联合涂层技术有限公司 | 一种基于人工神经网络的热喷涂方法及*** |
CN109609887A (zh) * | 2019-02-11 | 2019-04-12 | 北京联合涂层技术有限公司 | 一种热喷涂方法及*** |
CN110134040A (zh) * | 2019-05-07 | 2019-08-16 | 上海电气集团股份有限公司 | 工业设备的运行数据的处理方法及*** |
CN110276456A (zh) * | 2019-06-20 | 2019-09-24 | 山东大学 | 一种机器学习模型辅助构建方法、***、设备及介质 |
CN110348646A (zh) * | 2019-07-19 | 2019-10-18 | 蕴硕物联技术(上海)有限公司 | 预测喷涂质量的方法及装置 |
CN111105040A (zh) * | 2019-11-14 | 2020-05-05 | 深圳追一科技有限公司 | 超参数优化方法、装置、计算机设备和存储介质 |
CN111027714A (zh) * | 2019-12-11 | 2020-04-17 | 腾讯科技(深圳)有限公司 | 基于人工智能的对象推荐模型训练方法、推荐方法及装置 |
Non-Patent Citations (1)
Title |
---|
"等离子啧涂实时控制一传感器与喷枪 非线性参数及涂层厚度的控制";布鲁克莱恩;《热喷涂技术》;第12卷(第1期);43-52 * |
Also Published As
Publication number | Publication date |
---|---|
CN113777965A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816221B (zh) | 项目风险决策方法、装置、计算机设备和存储介质 | |
US9053391B2 (en) | Supervised and semi-supervised online boosting algorithm in machine learning framework | |
Costa et al. | Failure detection in robotic arms using statistical modeling, machine learning and hybrid gradient boosting | |
CN111148118A (zh) | 基于时间序列的流量预测和载波关断方法和*** | |
CN110571792A (zh) | 一种电网调控***运行状态的分析评估方法及*** | |
CN111240975B (zh) | 人工智能***风险检测方法、装置、计算机设备与介质 | |
CN104102917A (zh) | 域自适应分类器的构造及数据分类的方法和装置 | |
CN113657814B (zh) | 一种航空网络风险预测方法及风险等级评估方法 | |
CN112100377B (zh) | 文本分类方法、装置、计算机设备和存储介质 | |
CN113777965B (zh) | 喷涂质量控制方法、装置、计算机设备及存储介质 | |
CN113642652A (zh) | 生成融合模型的方法、装置和设备 | |
US11914672B2 (en) | Method of neural architecture search using continuous action reinforcement learning | |
Liu et al. | On calibration of graph neural networks for node classification | |
CN114398059A (zh) | 参数的更新方法、装置、设备以及存储介质 | |
CN110457155B (zh) | 一种样本类别标签的修正方法、装置及电子设备 | |
CN117152528A (zh) | 绝缘子状态识别方法、装置、设备、存储介质和程序产品 | |
CN112364652A (zh) | 基于多通道卷积的文本实体关系抽取方法及*** | |
KR20220014744A (ko) | 강화 학습을 기반으로 한 데이터 전처리 시스템 및 방법 | |
CN114385808A (zh) | 文本分类模型构建方法与文本分类方法 | |
CN115392404B (zh) | 一种离群点检测模型训练、离群点检测方法及装置 | |
CN115201394B (zh) | 一种多组分变压器油色谱在线监测方法及相关装置 | |
US20220269991A1 (en) | Evaluating reliability of artificial intelligence | |
CN112905166B (zh) | 人工智能编程***、计算机设备、计算机可读存储介质 | |
Ali et al. | Data incremental learning for fault detection and classification in photovoltaic arrays | |
CN111026661B (zh) | 一种软件易用性全面测试方法及*** |
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 |