CN114011903A - 冲压生产异常监测方法、装置、***与可读存储介质 - Google Patents
冲压生产异常监测方法、装置、***与可读存储介质 Download PDFInfo
- Publication number
- CN114011903A CN114011903A CN202111291982.0A CN202111291982A CN114011903A CN 114011903 A CN114011903 A CN 114011903A CN 202111291982 A CN202111291982 A CN 202111291982A CN 114011903 A CN114011903 A CN 114011903A
- Authority
- CN
- China
- Prior art keywords
- data set
- production
- calculation model
- index value
- target index
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 154
- 238000012544 monitoring process Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 115
- 230000002159 abnormal effect Effects 0.000 claims abstract description 45
- 230000005856 abnormality Effects 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 31
- 238000012806 monitoring device Methods 0.000 claims description 20
- 238000004080 punching Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 238000005094 computer simulation Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 6
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 6
- 239000010931 gold Substances 0.000 description 6
- 229910052737 gold Inorganic materials 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012827 research and development Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010923 batch production Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21C—MANUFACTURE OF METAL SHEETS, WIRE, RODS, TUBES OR PROFILES, OTHERWISE THAN BY ROLLING; AUXILIARY OPERATIONS USED IN CONNECTION WITH METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL
- B21C51/00—Measuring, gauging, indicating, counting, or marking devices specially adapted for use in the production or manipulation of material in accordance with subclasses B21B - B21F
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B30—PRESSES
- B30B—PRESSES IN GENERAL
- B30B15/00—Details of, or accessories for, presses; Auxiliary measures in connection with pressing
- B30B15/26—Programme control arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mechanical Engineering (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种冲压生产异常监测方法、装置、***和可读存储介质,该方法包括:在检测到启动指令时,获取所述启动指令中的模具编号,并根据所述模具编号确定对应的计算模型;采集模具对应的数据集合,并对所述数据集合进行预设操作;将经过预设操作的数据集合输入所述计算模型,以得到目标指标值,并根据所述目标指标值,判断生产是否异常;本发明通过模具编号确定对应的计算模型,并将模具对应的数据集合输入计算模型,得到目标指标值,并根据目标指标值判断生产是否异常,以实时监测生产是否异常,进而提高产品良率。
Description
技术领域
本发明涉及机器学习技术领域,尤其涉及冲压生产异常监测方法、装置、***与可读存储介质。
背景技术
对于换模频次高、加工节拍快的冲压生产场景,模具数量、种类较多,生产中经常会出现跳料压伤、漏打孔、冲孔形位尺寸超差等质量问题,由于生产节奏较快,因此上述问题很容易导致批量不良的情况发生;现行生产异常监控的模式为:对于冲压件质量的监测依靠产品质量抽检反馈的方式进行,当抽检到异常产品时,批量不良的产品数量已经较多,这样不仅影响产品良率,而且浪费生产材料。
发明内容
本发明的主要目的在于提出一种冲压生产异常监测方法、装置、***与可读存储介质,旨在解决如何及时监测生产异常,以提高产品良率的问题。
为实现上述目的,本发明提供一种冲压生产异常监测方法,所述冲压生产异常监测方法包括如下步骤:
在检测到启动指令时,获取所述启动指令中的模具编号,并根据所述模具编号确定对应的计算模型;
采集模具对应的数据集合,并对所述数据集合进行预设操作;
将经过预设操作的数据集合输入所述计算模型,以得到目标指标值,并根据所述目标指标值,判断生产是否异常。
优选地,在检测到启动指令时,获取所述启动指令中的模具编号,并根据所述模具编号确定对应的计算模型的步骤之前,所述冲压生产异常监测方法还包括:
获取不同模具的样本数据集合,并对所述样本数据集合进行训练,得到计算模型集合;
将所述计算模型集合储存在云端服务器中。
优选地,获取不同模具的样本数据集合,并对所述样本数据集合进行训练,得到计算模型集合的步骤包括:
根据预设样本数量和模具编号,获取不同模具对应的样本数据集合;
通过云端服务器对不同模具对应的样本数据集合进行训练,得到不同模具对应的计算模型,以得到计算模型集合。
优选地,根据所述模具编号确定对应的计算模型的步骤包括:
将所述模具编号发送到云端服务器,并接收所述云端服务器根据所述模具标号下发的计算模型。
优选地,对所述数据集合进行预设操作的步骤包括:
对所述数据集合进行时间对齐操作,并对经过所述时间对齐操作的数据集合进行滤波操作;
对所述经过滤波操作的数据集合进行特征构造操作,以获取数据集合对应的时域特征集合和频域特征集合。
优选地,将经过预设操作的数据集合输入所述计算模型,以得到目标指标值,并根据所述目标指标值,判断生产是否异常的步骤包括:
将所述时域特征集合和所述频域特征集合输入所述计算模型,以得到目标指标值,并将所述目标指标值与预设指标阈值进行对比;
若所述目标指标值小于所述预设指标阈值,则确定生产异常,并进行报警操作;
若所述目标指标值不小于所述预设指标阈值,则确定生产非异常,以继续进行生产操作。
优选地,将经过预设操作的数据集合输入所述计算模型,以得到目标指标值,并根据所述目标指标值,判断生产是否异常的步骤之后,所述冲压生产异常监测方法还包括:
若接收到反馈指令,获取所述反馈指令中的反馈数据集合,并将所述反馈数据集合发送到云端服务器,以通过所述反馈数据集合和样本数据集合更新对应的计算模型。
此外,为实现上述目的,本发明还提供一种冲压生产异常监测装置,所述冲压生产异常监测装置包括:
获取模块,用于在检测到启动指令时,获取所述启动指令中的模具编号,并根据所述模具编号确定对应的计算模型;
采集模块,用于采集模具对应的数据集合,并对所述数据集合进行预设操作;
计算模块,用于将经过预设操作的数据集合输入所述计算模型,以得到目标指标值,并根据所述目标指标值,判断生产是否异常。
进一步地,所述获取模块还包括训练模块,所述训练模块用于:
获取不同模具的样本数据集合,并对所述样本数据集合进行训练,得到计算模型集合;
将所述计算模型集合储存在云端服务器中。
进一步地,所述训练模块还用于:
根据预设样本数量和模具编号,获取不同模具对应的样本数据集合;
通过云端服务器对不同模具对应的样本数据集合进行训练,得到不同模具对应的计算模型,以得到计算模型集合。
进一步地,所述获取模块还用于:
将所述模具编号发送到云端服务器,并接收所述云端服务器根据所述模具标号下发的计算模型。
进一步地,所述采集模块还包括提取模块,所述提取模块用于:
对所述数据集合进行时间对齐操作,并对经过所述时间对齐操作的数据集合进行滤波操作;
对所述经过滤波操作的数据集合进行特征构造操作,以获取数据集合对应的时域特征集合和频域特征集合。
进一步地,所述计算模块还用于:
将所述时域特征集合和所述频域特征集合输入所述计算模型,以得到目标指标值,并将所述目标指标值与预设指标阈值进行对比;
若所述目标指标值小于所述预设指标阈值,则确定生产异常,并进行报警操作;
若所述目标指标值不小于所述预设指标阈值,则确定生产非异常,以继续进行生产操作。
进一步地,所述计算模块还包括反馈模块,所述反馈模块用于:
若接收到反馈指令,获取所述反馈指令中的反馈数据集合,并将所述反馈数据集合发送到云端服务器,以通过所述反馈数据集合和样本数据集合更新对应的计算模型。
此外,为实现上述目的,本发明还提供一种冲压生产异常监测***,所述冲压生产异常监测***包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的冲压生产异常监测程序,所述冲压生产异常监测程序被所述处理器执行时实现如上所述的冲压生产异常监测方法的步骤。
此外,为实现上述目的,本发明还提供一种可读存储介质,所述可读存储介质为计算机可读储存介质,所述计算机可读存储介质上存储有冲压生产异常监测程序,所述冲压生产异常监测程序被处理器执行时实现如上所述的冲压生产异常监测方法的步骤。
本发明提出的冲压生产异常监测方法,在检测到启动指令时,获取启动指令中的模具编号,并根据模具编号确定对应的计算模型;采集模具对应的数据集合,并对数据集合进行预设操作;将经过预设操作的数据集合输入所述计算模型,以得到目标指标值,并根据目标指标值,判断生产是否异常;本发明通过模具编号确定对应的计算模型,并将模具对应的数据集合输入计算模型,得到目标指标值,并根据目标指标值判断生产是否异常,以实时监测生产是否异常,进而提高产品良率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图;
图2为本发明冲压生产异常监测方法第一实施例的流程示意图;
图3为本发明传感器安装位置示意图;
图4为本发明模具内传感器连线方式示意图;
图5为本发明更新计算模型流程示意图。
附图标号说明:
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
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图。
本发明实施例设备可以是PC机或服务器设备。
如图1所示,该设备可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的设备结构并不构成对设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及冲压生产异常监测程序。
其中,操作***是管理和控制便携监测设备与软件资源的程序,支持网络通信模块、用户接口模块、冲压生产异常监测程序以及其他程序或软件的运行;网络通信模块用于管理和控制网络接口1002;用户接口模块用于管理和控制用户接口1003。
在图1所示的监测设备中,所述监测设备通过处理器1001调用存储器1005中存储的冲压生产异常监测程序,并执行下述冲压生产异常监测方法各个实施例中的操作。
基于上述硬件结构,提出本发明冲压生产异常监测方法实施例。
参照图2,图2为本发明冲压生产异常监测方法第一实施例的流程示意图,所述方法包括:
步骤S10,在检测到启动指令时,获取所述启动指令中的模具编号,并根据所述模具编号确定对应的计算模型;
步骤S20,采集模具对应的数据集合,并对所述数据集合进行预设操作;
步骤S30,将经过预设操作的数据集合输入所述计算模型,以得到目标指标值,并根据所述目标指标值,判断生产是否异常。
本实施例冲压生产异常监测方法运用于冲压生产机构的生产异常监测设备中,该生产异常监测设备可以是终端或PC设备,能与云端服务器进行通信,并能通过多种传感器获取对应的数据;该生产异常监测设备包括但不限于:UE传感器、AE传感器、柔性传感器、电涡流传感器以及边缘端;为描述方便,以监测设备为例进行描述;监测设备在检测到启动指令时,获取启动会指令中对应的模具编号,将模具编号发送到云端服务器,云端服务器根据模具编号确定对应的计算模型,并将计算模型下发到监测设备的边缘端;监测设备通过UE传感器、AE传感器、柔性传感器和电涡流传感器,获取生产过程中对应的数据,得到数据集合,并对数据集合进行预设操作,以提取数据集合对应的时域特征和频域特征;监测设备将经过预设操作的数据集合通过边缘端输入计算模型,以得到目标指标值,并根据目标指标值,判断生产是否异常。需要说明的是,不同的模具用不同的模具编号表示,在云端服务器中储存有不同的模具对应的计算模型;UE传感器采集的是生产中的超声数据,AE传感器采集的是生产中的声波数据,柔性传感器采集的是生产中的冲压力数据,电涡流传感器采集的是生产中的电涡流数据;边缘端用于根据云端服务器下发的计算模型生成生产异常监测算法API服务,并进行对传感器采集的数据集合进行数据预处理、特征工程、模型判定等操作,最终给出当前模次生产对应的目标指标值。
本实施例的冲压生产异常监测方法,在检测到启动指令时,获取启动指令中的模具编号,并根据模具编号确定对应的计算模型;采集模具对应的数据集合,并对数据集合进行预设操作;将经过预设操作的数据集合输入所述计算模型,以得到目标指标值,并根据目标指标值,判断生产是否异常;本发明通过模具编号确定对应的计算模型,并将模具对应的数据集合输入计算模型,得到目标指标值,并根据目标指标值判断生产是否异常,以及时监测生产是否异常,进而提高产品良率。
以下将对各个步骤进行详细说明:
步骤S10,在检测到启动指令时,获取所述启动指令中的模具编号,并根据所述模具编号确定对应的计算模型;
在本实施例中,监测设备在检测到启动指令时,获取启动指令中的模具编号,并将模具编号发送到云端服务器,进而确定对应的计算模型,如:相关生产人员在对生产设备更换了模具后,启动生产设备进行生产操作,此时检测设备检测到启动指令,根据启动指令获取到更换后的模具对应的模具编号,并将模具编号发送到云端服务器,以确定对应的计算模型;需要说明的是,云端服务器中储存有不同模具对应的计算模型,并且所有的计算模型都与对应的模具编号进行绑定。
具体地,步骤S10还包括:
步骤a,将所述模具编号发送到云端服务器,并接收所述云端服务器根据所述模具标号下发的计算模型。
在该步骤中,监测设备将模具编号发送到云端服务器,云端服务器在接收到模具编号后,在模型库中搜索对应的计算模型,并将对应的计算模型下发到监测设备中的边缘端;在一实施例中,检测设备根据启动指令获取到对应的模具编号为10,并将模具编号10发送到云端服务器,云端服务器根据模具编号10在模型库中进行搜索,以确定模具编号10对应的计算模型,并将对应的计算模型下到监测设备中的边缘端。
步骤S20,采集模具对应的数据集合,并对所述数据集合进行预设操作;
在本实施例中,监测设备通过传感器,采集模具对应的各种参数数据没形成数据集合,并对数据集合进行预设操作,使得数据集合能够被输入计算模型中进行计算;在一实施例中,如图3所示,模具由上模座38、上垫板39、脱料板310、下打板311、下垫板312和下模座313组成,柔性传感器35安装在冲压机床36的机床立柱37,可以测量冲压机床36的冲压力,安装方式为贴装;UE传感器33安装在模具内部的脱料板310上,可以提供在冲压过程中模具的超声数据,安装方式为贴装,安装位置需结合实际生产要求,以不影响正常生产为前提设计最优的安放位置;AE传感器32安装在模具的上模座38上,可以提供在冲压过程中模具的声波数据,安装方式为贴装,安装位置需结合实际生产要求,以不影响正常生产为前提设计最优的安放位置;电涡流传感器34安装在模具的下模座313上,可以提供在冲压过程中模具的电涡流数据,安装方式为贴装,安装位置需结合实际生产要求,以不影响正常生产为前提设计最优的安放位置,其中UE传感器33和AE传感器32是安装在模具中的,每个不同的模具都提前安装有UE传感器33和AE传感器32,UE传感器33和AE传感器32的接线方式如图4所示,UE传感器33和AE传感器32并联,最终汇集至模具侧边的传感器统一接口31上,采用快插结构设计,方便更换模具时快速的接线,与监测设备连接。
具体地,步骤S20还包括:
步骤b,对所述数据集合进行时间对齐操作,并对经过所述时间对齐操作的数据集合进行滤波操作;
在该步骤中,监测设备将采集到的数据集合传输到边缘端,通过边缘端对数据集合进行时间对齐操作以及对经过时间对齐操作后的数据集合进行滤波操作。
在一实施例中,监测设备通过边缘端采用DTW算法,将UE传感器采集的超声数据,AE传感器采集的声波数据,柔性传感器采集的冲压力数据,电涡流传感器采集的电涡流数据,分别与预先设定的超声样本数据、声波样本数据、冲压力样本数据和电涡流样本数据进行时间对齐,并将经过时间对齐操作后的超声数据、声波数据、冲压力数据和电涡流数据分别进行高通滤波,将超声数据、声波数据、冲压力数据和电涡流数据中的噪声进行过滤;需要说明的是,DTW算法用于衡量两个长度不同的时间序列的相似度,把数据序列伸长或缩短(压扩),直到与预设样本数据序列的长度一致,在这一过程中,数据序列会产生扭曲或弯折,以便其时间特征量与预设样本数据序列对应。
步骤c,对所述经过滤波操作的数据集合进行特征构造操作,以获取数据集合对应的时域特征集合和频域特征集合。
在该步骤中,监测设备对经过滤波操作的数据集合进行特征构造操作,以获取数据集合对应的时域特征集合,并对数据集合进行FFT转换,以获取数据集合对应的频域特征集合。
在一实施例中,监测设备将经过滤波操作的超声数据、声波数据、冲压力数据和电涡流数据分别进行特征构造操作和FFT转换,分别获取超声数据、声波数据、冲压力数据和电涡流数据对应的时域特征(包含:平均值、方差、最大最小值、峰峰值、偏度、峰度系数、裕度系数等),和频域特征(包含:重心频率、均方频率、频率方差、短时功率谱密度等)。
步骤S30,将经过预设操作的数据集合输入所述计算模型,以得到目标指标值,并根据所述目标指标值,判断生产是否异常。
在本实施例中,监测设备将经过预设操作的数据集合得到的时域特征集合和频域特征集合通过边缘端输入对应的计算模型中,通过计算模型得到目标指标值,并将目标指标值与预设指标阈值进行对比,以判断生产是否异常。
具体地,步骤S30还包括:
步骤d,将所述时域特征集合和所述频域特征集合输入所述计算模型,以得到目标指标值,并将所述目标指标值与预设指标阈值进行对比;
在该步骤中,监测设备将数据集合对应的时域特征集合和频域特征集合通过边缘端输入计算模型,以得到目标指标值,并将目标指标值与预设指标阈值进行对比;
在一实施例中,监测设备分别将数据集合中的超声数据、声波数据、冲压力数据和电涡流数据对应的时域特征集合和频域特征集合,通过边缘端输入计算模型,利用计算模型中的无监督机器学习模型的孤立森林算法,计算得到目标指标值,并将目标指标值与预设指标阈值进行对比,得到对比结果。
步骤e,若所述目标指标值小于所述预设指标阈值,则确定生产异常,并进行报警操作;
在该步骤中,监测设备得到对比结果为目标指标值小于预设指标阈值,则确定生产异常,并进行报警操作,以提醒相关生产人员暂停生产,并对模具进行检查更换,以防止该批次生产的产品中出现较多不良的产品。
步骤f,若所述目标指标值不小于所述预设指标阈值,则确定生产非异常,以继续进行生产操作。
在该步骤中,监测设备得到对比结果为目标指标值不小于预设指标阈值,则确定生产非异常,继续进行生产操作,能保证正常的生产效率不受影响。
本实施例的冲压生产异常监测方法,监测设备在检测到启动指令时,获取启动会指令中对应的模具编号,将模具编号发送到云端服务器,云端服务器根据模具编号确定对应的计算模型,并将计算模型下发到监测设备的边缘端;监测设备通过UE传感器、AE传感器、柔性传感器和电涡流传感器,获取生产过程中对应的数据,得到数据集合,并对数据集合进行预设操作,以提取数据集合对应的时域特征和频域特征;监测设备将经过预设操作的数据集合通过边缘端输入计算模型,以得到目标指标值,并根据目标指标值,判断生产是否异常,发明通过模具编号确定对应的计算模型,并将模具对应的数据集合输入计算模型,得到目标指标值,并根据目标指标值判断生产是否异常,以实时监测生产是否异常,进而提高产品良率。
进一步地,基于本发明冲压生产异常监测方法第一实施例,提出本发明冲压生产异常监测方法第二实施例。
冲压生产异常监测方法的第二实施例与冲压生产异常监测方法的第一实施例的区别在于,在步骤S10之前,冲压生产异常监测方法还包括:
步骤f,获取不同模具的样本数据集合,并对所述样本数据集合进行训练,得到计算模型集合;
步骤g,将所述计算模型集合储存在云端服务器中。
本实施例中监测设备在生产过程中,通过传感器获取不同模具的样本数据集合,形成初始训练样本数据集合,并通过初始训练样本数据集合进行训练,得到不同模具对应的计算模型,并将所有模具对应的计算模型储存在云端服务器中。
以下对各个步骤进行详细说明:
步骤f,获取不同模具的样本数据集合,并对所述样本数据集合进行训练,得到计算模型集合;
在该步骤中,监测设备在日常生产过程中通过传感器采集每个模具对应的数据,得到样本数据集合,并通过样本数据集合形成初始训练样本数据集合,通过云端服务器对初始训练样本数据集合进行训练,得到每个模具对应的计算模型,以得到计算模型集合。
进一步地,步骤f包括:
根据预设样本数量和模具编号,获取不同模具对应的样本数据集合;
在该步骤中,监测设备根据由相关研发人员设定的预设样本数量以及不同模具的模具编号,在日常生产过程中获取每个不同模具对应的样本数据,得到不同模具对应的样本数据集合;如:相关研发人员设定每个不同模具对应的预设样本数量为300个,监测设备在日常生产过程中通过传感器采集不同模具的样本数据集合,并将样本数据集合与模具对应的模具编号进行绑定储存。需要说明的是,样本数据集合中随机包含正常数据与异常数据。
通过云端服务器对不同模具对应的样本数据集合进行训练,得到不同模具对应的计算模型,以得到计算模型集合。
在该步骤中,监测设备将得到的不同模具对应的样本数据集合发送到云端服务器,用过云端服务器对不同模具对应的样本数据集合进行训练,得到不同模具对应的计算模型集合;如:相关研发人员设定每个不同模具对应的预设样本数量为300个,当监测设备获得某个模具对应的样本数据集合达到300个时,将该样本数据集合发送到云端服务器,云端服务器将样本数据集合形成初始训练样本数据集合,并储存在样本数据库中,云端服务器对初始训练样本数据集合进行时间对齐操作、滤波操作、特征构造操作和FFT转换,得到初始训练样本数据集合中每个数据对应的时域特征和频域特征,并将每个数据对应的时域特征和频域特征通过孤立森林算法,最终得到该模具对应的计算模型,其他模具对应的计算模型也是通过上述步骤得到,在此不一一描述。
步骤g,将所述计算模型集合储存在云端服务器中。
在该步骤中,监测设备得到每个模具对应的计算模型后,通过云端服务器,将每个模具对应的计算模型打包为计算模型集合,并将机损模型集合存储在云端服务器中,需要说明的是,每个模具对应的计算模型都会与对应的模具编号绑定,也即当云端服务器接收到模具编号时,能迅速从计算模型集合中找到模具编号对应的计算模型,以便进行生产异常监测的操作。
本实施例的监测设备在生产过程中,通过传感器获取不同模具的样本数据集合,形成初始训练样本数据集合,并通过初始训练样本数据集合进行训练,得到不同模具对应的计算模型,并将所有模具对应的计算模型储存在云端服务器中,以便进行生产异常监测的操作,在频繁更换模具的生产过程中也能实时对生产异常进行监测,有助于提高生产异常监测的效率。
进一步地,基于本发明冲压生产异常监测方法第一实施例和第二实施例,提出本发明冲压生产异常监测方法第三实施例。
冲压生产异常监测方法的第三实施例与冲压生产异常监测方法的第一实施例和第二实施例的区别在于,在步骤S30之后,冲压生产异常监测方法还包括:
步骤h,若接收到反馈指令,获取所述反馈指令中的反馈数据集合,并将所述反馈数据集合发送到云端服务器,以通过所述反馈数据集合和样本数据集合更新对应的计算模型。
在本实施例中,如图5所示,监测设备接收到反馈指令,则获取反馈指令中的反馈数据集合,并将反馈数据集合发送到云端服务器,云端服务器通过结合反馈数据集合和储存在云端服务器的样本数据集合得到黄金数据集,根据黄金数据集更新对应的计算模型。需要说明的是,反馈指令包括误判反馈指令和漏判反馈指令。
在一实施例中,当监测设备判定当前生产为异常时,会由生产员工判断当前生产得到的产品是否存在跳料、漏打孔、冲孔形位尺寸异常等情况,如果模型判断正确,员工不需进行任何操作;如果,模型判定结果为异常,但员工发现工件为正常时,需要员工在***页面提交误判反馈,监测设备接收到反馈指令,则获取反馈指令中的反馈数据集合,并将反馈数据集合发送到云端服务器,云端服务器通过结合反馈数据集合和储存在云端服务器的样本数据集合得到黄金数据集,根据黄金数据集更新对应的计算模型;
如果,对于***判断生产非异常的情况,在后续装配等工序中,有员工反发现异常的产品,那么员工需要进行漏判反馈,将漏判结果根据产品编号、模具编号,批次等信息向***反馈,监测设备接收到反馈指令,则获取反馈指令中的反馈数据集合,并将反馈数据集合发送到云端服务器,云端服务器通过结合反馈数据集合和储存在云端服务器的样本数据集合得到黄金数据集,根据黄金数据集更新对应的计算模型。
本实施例中的监测设备接收到反馈指令,则获取反馈指令中的反馈数据集合,并将反馈数据集合发送到云端服务器,云端服务器通过结合反馈数据集合和储存在云端服务器的样本数据集合得到黄金数据集,根据黄金数据集更新对应的计算模型,有助于计算模型的及时更新,有助于提高生产异常监测的准确性。
本发明还提供一种冲压生产异常监测装置。本发明冲压生产异常监测装置包括:
获取模块,用于在检测到启动指令时,获取所述启动指令中的模具编号,并根据所述模具编号确定对应的计算模型;
采集模块,用于采集模具对应的数据集合,并对所述数据集合进行预设操作;
计算模块,用于将经过预设操作的数据集合输入所述计算模型,以得到目标指标值,并根据所述目标指标值,判断生产是否异常。
进一步地,所述获取模块还包括训练模块,所述训练模块用于:
获取不同模具的样本数据集合,并对所述样本数据集合进行训练,得到计算模型集合;
将所述计算模型集合储存在云端服务器中。
进一步地,所述训练模块还用于:
根据预设样本数量和模具编号,获取不同模具对应的样本数据集合;
通过云端服务器对不同模具对应的样本数据集合进行训练,得到不同模具对应的计算模型,以得到计算模型集合。
进一步地,所述获取模块还用于:
将所述模具编号发送到云端服务器,并接收所述云端服务器根据所述模具标号下发的计算模型。
进一步地,所述采集模块还包括提取模块,所述提取模块用于:
对所述数据集合进行时间对齐操作,并对经过所述时间对齐操作的数据集合进行滤波操作;
对所述经过滤波操作的数据集合进行特征构造操作,以获取数据集合对应的时域特征集合和频域特征集合。
进一步地,所述计算模块还用于:
将所述时域特征集合和所述频域特征集合输入所述计算模型,以得到目标指标值,并将所述目标指标值与预设指标阈值进行对比;
若所述目标指标值小于所述预设指标阈值,则确定生产异常,并进行报警操作;
若所述目标指标值不小于所述预设指标阈值,则确定生产非异常,以继续进行生产操作。
进一步地,所述计算模块还包括反馈模块,所述反馈模块用于:
若接收到反馈指令,获取所述反馈指令中的反馈数据集合,并将所述反馈数据集合发送到云端服务器,以通过所述反馈数据集合和样本数据集合更新对应的计算模型。
本发明还提供一种冲压生产异常监测***。
冲压生产异常监测***包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的冲压生产异常监测程序,所述冲压生产异常监测程序被所述处理器执行时实现如上所述的冲压生产异常监测方法的步骤。
其中,在所述处理器上运行的冲压生产异常监测程序被执行时所实现的方法可参照本发明冲压生产异常监测方法各个实施例,此处不再赘述。
本发明还提供一种可读存储介质。
所述可读存储介质为计算机可读储存介质,可读存储介质上存储有冲压生产异常监测程序,所述冲压生产异常监测程序被处理器执行时实现如上所述的冲压生产异常监测方法的步骤。
其中,在所述处理器上运行的冲压生产异常监测程序被执行时所实现的方法可参照本发明冲压生产异常监测方法各个实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书与附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种冲压生产异常监测方法,其特征在于,所述冲压生产异常监测方法包括如下步骤:
在检测到启动指令时,获取所述启动指令中的模具编号,并根据所述模具编号确定对应的计算模型;
采集模具对应的数据集合,并对所述数据集合进行预设操作;
将经过预设操作的数据集合输入所述计算模型,以得到目标指标值,并根据所述目标指标值,判断生产是否异常。
2.如权利要求1所述的冲压生产异常监测方法,其特征在于,所述在检测到启动指令时,获取所述启动指令中的模具编号,并根据所述模具编号确定对应的计算模型的步骤之前,所述冲压生产异常监测方法还包括:
获取不同模具的样本数据集合,并对所述样本数据集合进行训练,得到计算模型集合;
将所述计算模型集合储存在云端服务器中。
3.如权利要求2所述的冲压生产异常监测方法,其特征在于,所述获取不同模具的样本数据集合,并对所述样本数据集合进行训练,得到计算模型集合的步骤包括:
根据预设样本数量和模具编号,获取不同模具对应的样本数据集合;
通过云端服务器对不同模具对应的样本数据集合进行训练,得到不同模具对应的计算模型,以得到计算模型集合。
4.如权利要求1所述的冲压生产异常监测方法,其特征在于,所述根据所述模具编号确定对应的计算模型的步骤包括:
将所述模具编号发送到云端服务器,并接收所述云端服务器根据所述模具标号下发的计算模型。
5.如权利要求1中所述的冲压生产异常监测方法,其特征在于,所述对所述数据集合进行预设操作的步骤包括:
对所述数据集合进行时间对齐操作,并对经过所述时间对齐操作的数据集合进行滤波操作;
对所述经过滤波操作的数据集合进行特征构造操作,以获取数据集合对应的时域特征集合和频域特征集合。
6.如权利要求5所述的冲压生产异常监测方法,其特征在于,所述将经过预设操作的数据集合输入所述计算模型,以得到目标指标值,并根据所述目标指标值,判断生产是否异常的步骤包括:
将所述时域特征集合和所述频域特征集合输入所述计算模型,以得到目标指标值,并将所述目标指标值与预设指标阈值进行对比;
若所述目标指标值小于所述预设指标阈值,则确定生产异常,并进行报警操作;
若所述目标指标值不小于所述预设指标阈值,则确定生产非异常,以继续进行生产操作。
7.如权利要求6所述的冲压生产异常监测方法,其特征在于,所述将经过预设操作的数据集合输入所述计算模型,以得到目标指标值,并根据所述目标指标值,判断生产是否异常的步骤之后,所述冲压生产异常监测方法还包括:
若接收到反馈指令,获取所述反馈指令中的反馈数据集合,并将所述反馈数据集合发送到云端服务器,以通过所述反馈数据集合和样本数据集合更新对应的计算模型。
8.一种冲压生产异常监测装置,其特征在于,所述冲压生产异常监测装置包括:
获取模块,用于在检测到启动指令时,获取所述启动指令中的模具编号,并根据所述模具编号确定对应的计算模型;
采集模块,用于采集模具对应的数据集合,并对所述数据集合进行预设操作;
计算模块,用于将经过预设操作的数据集合输入所述计算模型,以得到目标指标值,并根据所述目标指标值,判断生产是否异常。
9.一种冲压生产异常监测***,其特征在于,所述冲压生产异常监测***包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的冲压生产异常监测程序,所述冲压生产异常监测程序被所述处理器执行时实现如权利要求1至7中任一项所述的冲压生产异常监测方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质为计算机可读储存介质,所述可读存储介质上存储有冲压生产异常监测程序,所述冲压生产异常监测程序被处理器执行时实现如权利要求1至7中任一项所述的冲压生产异常监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111291982.0A CN114011903A (zh) | 2021-11-01 | 2021-11-01 | 冲压生产异常监测方法、装置、***与可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111291982.0A CN114011903A (zh) | 2021-11-01 | 2021-11-01 | 冲压生产异常监测方法、装置、***与可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114011903A true CN114011903A (zh) | 2022-02-08 |
Family
ID=80059925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111291982.0A Pending CN114011903A (zh) | 2021-11-01 | 2021-11-01 | 冲压生产异常监测方法、装置、***与可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114011903A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114295365A (zh) * | 2022-03-09 | 2022-04-08 | 深圳市信润富联数字科技有限公司 | 插针机精度异常监测方法、***、设备及存储介质 |
CN114603912A (zh) * | 2022-03-15 | 2022-06-10 | 江苏铭瀚智能科技有限公司 | 一种基于人工智能的压片机粘冲调节方法及*** |
CN114998478A (zh) * | 2022-07-19 | 2022-09-02 | 深圳市信润富联数字科技有限公司 | 数据处理方法、装置、设备及计算机可读存储介质 |
CN115034096A (zh) * | 2022-08-10 | 2022-09-09 | 深圳市信润富联数字科技有限公司 | 基于冲压信号的建模方法及装置、存储介质、电子设备 |
CN115034274A (zh) * | 2022-08-10 | 2022-09-09 | 深圳市信润富联数字科技有限公司 | 模具履历管理方法、***、装置、设备及可读存储介质 |
CN116713373A (zh) * | 2023-08-10 | 2023-09-08 | 聊城市誉林工业设计有限公司 | 基于量产工业数据分析的换向片冲压工艺力补偿*** |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017019016A (ja) * | 2015-07-07 | 2017-01-26 | 日本電産シンポ株式会社 | 金型の異常予測システム、それを備えたプレス機及び金型の異常予測方法 |
EP3389890A1 (de) * | 2015-12-14 | 2018-10-24 | Materials Center Leoben Forschung GmbH | Verfahren und vorrichtung zum trennen eines werkstückes |
CN109724785A (zh) * | 2018-12-29 | 2019-05-07 | 中铁工程装备集团有限公司 | 一种基于多源信息融合的刀具状态监测及寿命预测*** |
CN111055532A (zh) * | 2018-10-16 | 2020-04-24 | 会田工程技术有限公司 | 压力机及压力机的异常监视方法 |
CN111678681A (zh) * | 2020-05-21 | 2020-09-18 | 中国长城科技集团股份有限公司 | 风扇寿命检测方法、***、终端设备及存储介质 |
CN111966045A (zh) * | 2020-07-08 | 2020-11-20 | 航天科工深圳(集团)有限公司 | 机床撞机监控方法、装置、终端设备及存储介质 |
WO2021003970A1 (zh) * | 2019-07-05 | 2021-01-14 | 广东利元亨智能装备股份有限公司 | 生产线监控方法、装置、电子设备及可读存储介质 |
CN112486097A (zh) * | 2020-11-19 | 2021-03-12 | 苏州众智诺成信息科技有限公司 | 一种基于模型算法的切割平台磨损状态监测方法、***及可读存储介质 |
CN112529036A (zh) * | 2020-11-06 | 2021-03-19 | 上海发电设备成套设计研究院有限责任公司 | 一种故障预警方法、装置、设备及存储介质 |
CN112862220A (zh) * | 2021-03-23 | 2021-05-28 | 山东中创软件工程股份有限公司 | 一种设备生命周期预测方法、装置及相关设备 |
WO2021120677A1 (zh) * | 2020-07-07 | 2021-06-24 | 平安科技(深圳)有限公司 | 一种仓储模型训练方法、装置、计算机设备及存储介质 |
CN113427731A (zh) * | 2021-06-24 | 2021-09-24 | 广州中和互联网技术有限公司 | 一种基于机器视觉的注塑机模具检测***及方法 |
-
2021
- 2021-11-01 CN CN202111291982.0A patent/CN114011903A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017019016A (ja) * | 2015-07-07 | 2017-01-26 | 日本電産シンポ株式会社 | 金型の異常予測システム、それを備えたプレス機及び金型の異常予測方法 |
EP3389890A1 (de) * | 2015-12-14 | 2018-10-24 | Materials Center Leoben Forschung GmbH | Verfahren und vorrichtung zum trennen eines werkstückes |
CN111055532A (zh) * | 2018-10-16 | 2020-04-24 | 会田工程技术有限公司 | 压力机及压力机的异常监视方法 |
CN109724785A (zh) * | 2018-12-29 | 2019-05-07 | 中铁工程装备集团有限公司 | 一种基于多源信息融合的刀具状态监测及寿命预测*** |
WO2021003970A1 (zh) * | 2019-07-05 | 2021-01-14 | 广东利元亨智能装备股份有限公司 | 生产线监控方法、装置、电子设备及可读存储介质 |
CN111678681A (zh) * | 2020-05-21 | 2020-09-18 | 中国长城科技集团股份有限公司 | 风扇寿命检测方法、***、终端设备及存储介质 |
WO2021120677A1 (zh) * | 2020-07-07 | 2021-06-24 | 平安科技(深圳)有限公司 | 一种仓储模型训练方法、装置、计算机设备及存储介质 |
CN111966045A (zh) * | 2020-07-08 | 2020-11-20 | 航天科工深圳(集团)有限公司 | 机床撞机监控方法、装置、终端设备及存储介质 |
CN112529036A (zh) * | 2020-11-06 | 2021-03-19 | 上海发电设备成套设计研究院有限责任公司 | 一种故障预警方法、装置、设备及存储介质 |
CN112486097A (zh) * | 2020-11-19 | 2021-03-12 | 苏州众智诺成信息科技有限公司 | 一种基于模型算法的切割平台磨损状态监测方法、***及可读存储介质 |
CN112862220A (zh) * | 2021-03-23 | 2021-05-28 | 山东中创软件工程股份有限公司 | 一种设备生命周期预测方法、装置及相关设备 |
CN113427731A (zh) * | 2021-06-24 | 2021-09-24 | 广州中和互联网技术有限公司 | 一种基于机器视觉的注塑机模具检测***及方法 |
Non-Patent Citations (2)
Title |
---|
李艳华 等著: "农业水价综合改革理论与实践探索", vol. 1, 31 August 2021, 黄河水利出版社, pages: 1157 - 1160 * |
李艳华 等著: "现代航天遥测技术", vol. 1, 中国宇航出版社, pages: 1157 - 1160 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114295365A (zh) * | 2022-03-09 | 2022-04-08 | 深圳市信润富联数字科技有限公司 | 插针机精度异常监测方法、***、设备及存储介质 |
CN114603912A (zh) * | 2022-03-15 | 2022-06-10 | 江苏铭瀚智能科技有限公司 | 一种基于人工智能的压片机粘冲调节方法及*** |
CN114603912B (zh) * | 2022-03-15 | 2022-12-20 | 江苏铭瀚智能科技有限公司 | 一种基于人工智能的压片机粘冲调节方法及*** |
CN114998478A (zh) * | 2022-07-19 | 2022-09-02 | 深圳市信润富联数字科技有限公司 | 数据处理方法、装置、设备及计算机可读存储介质 |
CN115034096A (zh) * | 2022-08-10 | 2022-09-09 | 深圳市信润富联数字科技有限公司 | 基于冲压信号的建模方法及装置、存储介质、电子设备 |
CN115034274A (zh) * | 2022-08-10 | 2022-09-09 | 深圳市信润富联数字科技有限公司 | 模具履历管理方法、***、装置、设备及可读存储介质 |
CN116713373A (zh) * | 2023-08-10 | 2023-09-08 | 聊城市誉林工业设计有限公司 | 基于量产工业数据分析的换向片冲压工艺力补偿*** |
CN116713373B (zh) * | 2023-08-10 | 2023-10-31 | 聊城市誉林工业设计有限公司 | 基于量产工业数据分析的换向片冲压工艺力补偿*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114011903A (zh) | 冲压生产异常监测方法、装置、***与可读存储介质 | |
US11703845B2 (en) | Abnormality predicting system and abnormality predicting method | |
USRE47557E1 (en) | Method and computer system for characterizing a sheet metal part | |
CN108584598B (zh) | 一种电梯故障自动分析与预警方法、存储介质及智能终端 | |
JP2007114900A5 (zh) | ||
JP2009211431A5 (zh) | ||
CN113838480B (zh) | 一种洗衣机异音检测方法、装置及电子设备 | |
CN111061394B (zh) | 触摸力度识别方法及其模型的训练方法、装置和电子*** | |
CN105869635A (zh) | 一种语音识别方法及*** | |
WO2003052533A1 (en) | Method and system for on-line monitoring stamping operation | |
CN111310351A (zh) | 车间设备的状态监测方法、装置、终端设备及存储介质 | |
JP6937961B1 (ja) | データ処理装置、データ処理方法およびデータ処理プログラム | |
CN113221402B (zh) | 一种冲压件回弹预测及监控方法、***及存储介质 | |
CN113450827A (zh) | 基于压缩神经网络的设备异常工况声纹分析算法 | |
CN113723016A (zh) | 冲头剩余寿命预测方法、装置、***与可读存储介质 | |
JP7442102B2 (ja) | 測定端末、測定システム、測定方法およびプログラム | |
CN111858352A (zh) | 自动化测试监控的方法、装置、设备及存储介质 | |
CN111353867A (zh) | 学习率的调整方法、装置、设备及可读存储介质 | |
CN113843305B (zh) | 模具监控预警方法、***、设备及计算机可读存储介质 | |
CN113361811A (zh) | 运行状态预测方法、***、设备及计算机可读存储介质 | |
CN112052914B (zh) | 分类模型预测方法及装置 | |
CN116382721B (zh) | 一种智能交互平板的录屏方法及录屏装置 | |
CN113778836B (zh) | 云原生应用健康监测方法、装置、设备与可读存储介质 | |
CN115049652B (zh) | 液压机智能控制方法、装置、设备及存储介质 | |
JP2019061501A (ja) | 行動情報処理装置 |
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 |