CN114872290A - 一种注塑件的自适应生产异常监测方法 - Google Patents
一种注塑件的自适应生产异常监测方法 Download PDFInfo
- Publication number
- CN114872290A CN114872290A CN202210548437.3A CN202210548437A CN114872290A CN 114872290 A CN114872290 A CN 114872290A CN 202210548437 A CN202210548437 A CN 202210548437A CN 114872290 A CN114872290 A CN 114872290A
- Authority
- CN
- China
- Prior art keywords
- workpiece
- abnormal
- normal
- forest model
- samples
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 37
- 238000001746 injection moulding Methods 0.000 title claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims abstract description 67
- 238000007637 random forest analysis Methods 0.000 claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000007788 liquid Substances 0.000 claims description 6
- 238000002347 injection Methods 0.000 claims description 5
- 239000007924 injection Substances 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 abstract 1
- 230000005856 abnormality Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
- B29C45/17—Component parts, details or accessories; Auxiliary operations
- B29C45/76—Measuring, controlling or regulating
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
- B29C2945/76—Measuring, controlling or regulating
- B29C2945/76929—Controlling method
- B29C2945/76973—By counting
-
- 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
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Mechanical Engineering (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明公开一种注塑件的自适应生产异常监测方法,包括以下步骤:S1:采集生产线上依次生产的N个工件的监测数据作为工件样本,并提取每一工件样本监测数据的K个特征值;S2:构建孤立森林模型,将S1中提取的每一工件样本监测数据的K个特征值输入该模型,以获取这N个工件样本的正常、异常标签,并输出正常、异常判定的置信度。本发明采用孤立森林模型和随机森林模型相结合的方式,可对工件生产的K个特征值进行重要性排序,当工件生产异常时,即可根据该排序的特征值,快速定位产品生产异常的原因,以便工作人员及时调整,进而提高工作效率。
Description
技术领域
本发明涉及注塑件异常监测技术领域,尤其涉及一种注塑件的自适应生产异常监测方法。
背景技术
目前,注塑企业对于注塑成型工件尺寸的监测模式,大多是对生产的工件进行抽检,即以一定比例的抽检工件来代表大批量工件的尺寸质量,这种抽样评估整体的可信度存在不合理的问题,且无法及时挑选出批量的异常工件。
也有少部分企业是基于机器学习构建异常监测模型,进而可对生产的每一工件进行实时判定,但基本是采用无监督模型进行工件异常的监测,当该模型判断生产出来的工件异常时,却无法给出异常的原因,导致工作人员无法及时分析调整,进而降低工作效率。
发明内容
本发明的目的是提供一种注塑件的自适应生产异常监测方法,以解决上述问题。
为实现上述目的,采用以下技术方案:
一种注塑件的自适应生产异常监测方法,包括以下步骤:
S1:采集生产线上依次生产的N个工件的监测数据作为工件样本,并提取每一工件样本监测数据的K个特征值;
S2:构建孤立森林模型,将S1中提取的每一工件样本监测数据的K个特征值输入该模型,以获取这N个工件样本的正常、异常标签,并输出正常、异常判定的置信度;
S3:构建随机森林模型,并从第N个工件样本开始向前数m个工件样本,作为该随机森林模型的训练集,并依据S2获取的工件样本的正常、异常标签,分别生成这m个工件样本的每一特征值的置信值,并依据该置信值的大小,分别对这m个工件样本中的K个特征值进行重要性排序;
S4:采集新生产的工件的监测数据,并以该工件为起点重新向前数N个工件,并以该N个工件的监测数据作为新的工件样本,并提取每一工件样本监测数据的K个特征值;
S5:基于S2构建的孤立森林模型,获取S4中新的N个工件样本的正常、异常标签及正常、异常判定的置信度;
S6:从S4中新生产的工件为起点,重新向前数m个工件样本,作为S3构建的随机森林模型的新的训练集,并依据S5获取的工件样本的正常、异常标签,生成新工件的每一特征值的置信值,并依据该置信值的大小,对该新工件的K个特征值进行重要性排序;
S7:继续生产新工件时,循环S4至S6。
进一步地,所述S1中采集生产线上依次生产的N个工件的监测数据作为工件样本,具体包括以下步骤:
S11:预先在模具上安装以下高频传感器:模内压力传感器、模内温度传感器、模温机来水流流量计、实际螺杆传感器、熔融液体射出压力传感器、模仁温度传感器;
S12:预先在模温机上安装以下高频传感器:冷水温度传感器、热水温度传感器、回水温度传感器;
S13:通过安装于模具、模温机上的若干传感器采集工件的实时监测数据。
进一步地,所述S1中提取每一工件样本监测数据的K个特征值包括:最大值、最小值、有效值、均值、方根幅值、方差。
进一步地,所述S1中在提取每一工件样本监测数据的K个特征值之前,首先对数据进行清洗,数据清洗具体包括以下步骤:
S14:基于动态时间规整算法,将数据进行时间对齐;
S15:基于箱线图切分法,抓取数据中的异常值;
S16:采用滑动平均法将抓取的异常值消除;
S17:基于高通滤波法,将数据清洗降噪。
进一步地,所述S2中的孤立森林模型生成的工件样本正常标签为0,异常标签为1;所述孤立森林模型输出正常、异常判定的置信度的范围为0~100%,且当置信度为0时,工件样本标签为0,当置信度为100%时,工件样本标签为1。
进一步地,所述S5中使用孤立森林模型计算S4中新的N个工件样本的正常、异常标签及正常、异常判定的置信度时,孤立森林模型的contamination参数中的a的计算公式如下:
当新生产的工件为正常标签,且以该新工件为起点向前第N-1个工件样本为异常标签时:
当新生产的工件为异常标签,且以该新工件为起点向前第N-1个工件样本为正常标签时:
采用上述方案,本发明的有益效果是:
1)该方法采用孤立森林模型和随机森林模型相结合的方式,可对工件生产的K个特征值进行重要性排序,当工件生产异常时,即可根据该排序的特征值,快速定位产品生产异常的原因,以便工作人员及时调整,进而提高工作效率;
2)由于对每个生产出来的工件都利用其之前的N个样本,使用孤立森林模型进行异常的判断,依据孤立森林模型的特点,使得其会更加符合注塑生产的实际情况;
3)由于孤立森林模型需要设置contamination参数才能进行应用,而如果一直采用某一固定值,则会导致每次孤立森林模型计算的结果中,都会出现固定的N*a个样本被标记为异常,而该方法则是根据实际生产状况,对contamination参数中的a值进行自适应调整,提高了孤立森林模型对N个样本分布的适应性,使得其更加符合实际生产情况;
4)该方法提供了部分参数可供工作人员,依据实际生产情况进行调整,适应性强。
附图说明
图1为本发明的流程性框图。
具体实施方式
以下结合附图和具体实施例,对本发明进行详细说明。
参照图1所示,本发明提供一种注塑件的自适应生产异常监测方法,包括以下步骤:
S1:采集生产线上依次生产的N个工件的监测数据作为工件样本,并提取每一工件样本监测数据的K个特征值;
S2:构建孤立森林模型,将S1中提取的每一工件样本监测数据的K个特征值输入该模型,以获取这N个工件样本的正常、异常标签,并输出正常、异常判定的置信度;
S3:构建随机森林模型,并从第N个工件样本开始向前数m个工件样本,作为该随机森林模型的训练集,并依据S2获取的工件样本的正常、异常标签,分别生成这m个工件样本的每一特征值的置信值,并依据该置信值的大小,分别对这m个工件样本中的K个特征值进行重要性排序;
S4:采集新生产的工件的监测数据,并以该工件为起点重新向前数N个工件,并以该N个工件的监测数据作为新的工件样本,并提取每一工件样本监测数据的K个特征值;
S5:基于S2构建的孤立森林模型,获取S4中新的N个工件样本的正常、异常标签及正常、异常判定的置信度;
S6:从S4中新生产的工件为起点,重新向前数m个工件样本,作为S3构建的随机森林模型的新的训练集,并依据S5获取的工件样本的正常、异常标签,生成新工件的每一特征值的置信值,并依据该置信值的大小,对该新工件的K个特征值进行重要性排序;
S7:继续生产新工件时,循环S4至S6。
其中,所述S1中采集生产线上依次生产的N个工件的监测数据作为工件样本,具体包括以下步骤:
S11:预先在模具上安装以下高频传感器:模内压力传感器、模内温度传感器、模温机来水流流量计、实际螺杆传感器、熔融液体射出压力传感器、模仁温度传感器;
S12:预先在模温机上安装以下高频传感器:冷水温度传感器、热水温度传感器、回水温度传感器;
S13:通过安装于模具、模温机上的若干传感器采集工件的实时监测数据。
所述S1中提取每一工件样本监测数据的K个特征值包括:最大值、最小值、有效值、均值、方根幅值、方差;所述S1中在提取每一工件样本监测数据的K个特征值之前,首先对数据进行清洗,数据清洗具体包括以下步骤:
S14:基于动态时间规整算法,将数据进行时间对齐;
S15:基于箱线图切分法,抓取数据中的异常值;
S16:采用滑动平均法将抓取的异常值消除;
S17:基于高通滤波法,将数据清洗降噪。
所述S2中的孤立森林模型生成的工件样本正常标签为0,异常标签为1;所述孤立森林模型输出正常、异常判定的置信度的范围为0~100%,且当置信度为0时,工件样本标签为0,当置信度为100%时,工件样本标签为1。
所述S5中使用孤立森林模型计算S4中新的N个工件样本的正常、异常标签及正常、异常判定的置信度时,孤立森林模型的contamination参数中的a的计算公式如下:
当新生产的工件为正常标签,且以该新工件为起点向前第N-1个工件样本为异常标签时:
当新生产的工件为异常标签,且以该新工件为起点向前第N-1个工件样本为正常标签时:
本发明工作原理:
继续参照图1所示,该方法可应用于注塑工件生产领域中,可对生产的注塑件进行实时判定,当判定异常时,可依据生成的并排序后的特征值,快速定位产品生产异常的原因,以便工作人员及时调整,进而提高工作效率,具体地:
第一阶段:首先需要进行初始样本数据的积累,因此,需要采集一段时间范围内,生产线上生产的工件的监测数据,而现有的工件注塑成型***一般由注塑成型机和模温机组成,故需要预先在模具上安装如下传感器:模内压力传感器、模内温度传感器、模温机来水流流量计、实际螺杆传感器、熔融液体射出压力传感器、模仁温度传感器;在模温机上安装以下高频传感器:冷水温度传感器、热水温度传感器、回水温度传感器;通过上述传感器采集工件生产过程中的模具温度、压力等各项参数,在数据采集完毕后,为避免因传感器异常等原因而影响采集的实时监测数据的精确性,需要对其进行清洗,首先通过动态时间规整算法(DWT)将数据进行时间对齐,以解决因传感器数据采集开始时间不统一的问题,随后,基于箱线图切分法,抓取数据中的异常值,再利用滑动平均法去除异常值,最后,再通过高通滤波法,将数据清洗降噪。
随后,提取清洗后每一工件监测数据的K个特征值,该特征值包括平均值特征(如模内温度、压力的平均值)、最大最小值(如模内温度、压力的最大、最小值等)、有效值、方根幅值、方差、峰峰值、偏态指标、峭度指标、峰值指标、波形指标、脉冲指标、裕度指标和变异系数等等;本实施例中,初始样本的数量N≥500,在特征值获取完毕后,将该N个工件样本中每一样本的K个特征值输入至预先构建的孤立森林模型,以获取这N个工件样本的正常、异常标签,并输出正常、异常判定的置信度,其中,孤立森林模型初始的contamination参数的a取值为,为工作人员根据经验、具体生产环境自由设置(参照表1)的参数,该实施例中,工件正常的标签为0,工件异常的标签为1,且孤立森林模型也会输出正常、异常判断的置信度(0~100%),当置信度为0时,样本标签为0,当置信度为100%时,样本标签为1。
由于孤立森林模型无法产出特征值的重要性,进而无法对当前生产的工件异常的主要原因进行判断,因此,构建了随机森林模型,并从第N个工件样本开始向前数m个工件样本,作为该随机森林模型的训练集,该实施例中,,其标签为孤立森林模型输出的这N个工件样本的正常、异常标签(1或0),分别生成这m个工件样本的每一特征值的置信值,并依据该置信值的大小,分别对这m个工件样本中的K个特征值进行重要性排序,如表2所示,由该表格可知,若该工件生产异常,则根据该工件的特征值的重要性排序,即可定位该工件异常的原因(如表2中,模内熔融液压力的置信值为62.4%,排序第1),则工作人员可快速定位工件生产时,模内熔融液压有问题,则可对应调整解决。
第二阶段:基于上述样本积累后,当加工新的工件时,可采集新生产的工件的监测数据,并以该工件为起点重新向前数N个工件,并以该N个工件的监测数据作为新的工件样本,并提取每一工件样本监测数据的K个特征值,然后将其输入孤立森林模型,获取新的N个工件样本的正常、异常标签及正常、异常判定的置信度,其中,在计算新的N个工件样本的正常、异常标签及正常、异常判定的置信度时,孤立森林模型的contamination参数中的a的计算公式如下:
当新生产的工件为正常标签,且以该新工件为起点向前第N-1个工件样本为异常标签时:
当新生产的工件为异常标签,且以该新工件为起点向前第N-1个工件样本为正常标签时:
由于孤立森林模型需要设置contamination参数才能进行应用,而如果一直采用某一固定值,则会导致每次孤立森林模型计算的结果中,都会出现固定的N*a个样本被标记为异常,而根据上述,该方法则是根据实际生产状况,对contamination参数中的a值进行自适应调整,提高了孤立森林模型对N个样本分布的适应性,使得其更加符合实际生产情况。
在计算完新的N个工件样本的正常、异常标签及正常、异常判定的置信度后,排列在最后的工件的标签及置信度,即为新生产工件的判定结果,随后,以该新生产的工件为起点,重新向前数m个工件样本,作为随机森林模型的新的训练集,其标签为孤立森林模型生成的这N个工件样本的正常、异常标签(1或0),进而生成新工件的每一特征值的置信值,并依据该置信值的大小,对该新工件的K个特征值进行重要性排序,如表2所示,若该工件标签异常,则可根据其特征值的重要性排序,快速定位该工件异常的原因,以便及时调整。
随后,继续加工,每加工一次,重复上述第二阶段,即可对每一生产的工件异常的原因进行判定,以便快速调整,提高工作效率,此外,因每次加工,都会利用之前的参数进行模型训练,因此,参数每次调整,都可实施应用,且采用此种方法的特点是,参数调整可实时在判定结果中反馈,其可调参数如表1所示,提高了方法的适应性。
表1 该方法中的可调参数表
表2 某工件的特征值重要性排序表
以上仅为本发明的较佳实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种注塑件的自适应生产异常监测方法,其特征在于,包括以下步骤:
S1:采集生产线上依次生产的N个工件的监测数据作为工件样本,并提取每一工件样本监测数据的K个特征值;
S2:构建孤立森林模型,将S1中提取的每一工件样本监测数据的K个特征值输入该模型,以获取这N个工件样本的正常、异常标签,并输出正常、异常判定的置信度;
S3:构建随机森林模型,并从第N个工件样本开始向前数m个工件样本,作为该随机森林模型的训练集,并依据S2获取的工件样本的正常、异常标签,分别生成这m个工件样本的每一特征值的置信值,并依据该置信值的大小,分别对这m个工件样本中的K个特征值进行重要性排序;
S4:采集新生产的工件的监测数据,并以该工件为起点重新向前数N个工件,并以该N个工件的监测数据作为新的工件样本,并提取每一工件样本监测数据的K个特征值;
S5:基于S2构建的孤立森林模型,获取S4中新的N个工件样本的正常、异常标签及正常、异常判定的置信度;
S6:从S4中新生产的工件为起点,重新向前数m个工件样本,作为S3构建的随机森林模型的新的训练集,并依据S5获取的工件样本的正常、异常标签,生成新工件的每一特征值的置信值,并依据该置信值的大小,对该新工件的K个特征值进行重要性排序;
S7:继续生产新工件时,循环S4至S6。
2.根据权利要求1所述的注塑件的自适应生产异常监测方法,其特征在于,所述S1中采集生产线上依次生产的N个工件的监测数据作为工件样本,具体包括以下步骤:
S11:预先在模具上安装以下高频传感器:模内压力传感器、模内温度传感器、模温机来水流流量计、实际螺杆传感器、熔融液体射出压力传感器、模仁温度传感器;
S12:预先在模温机上安装以下高频传感器:冷水温度传感器、热水温度传感器、回水温度传感器;
S13:通过安装于模具、模温机上的若干传感器采集工件的实时监测数据。
3.根据权利要求1所述的注塑件的自适应生产异常监测方法,其特征在于,所述S1中提取每一工件样本监测数据的K个特征值包括:最大值、最小值、有效值、均值、方根幅值、方差。
4.根据权利要求3所述的注塑件的自适应生产异常监测方法,其特征在于,所述S1中在提取每一工件样本监测数据的K个特征值之前,首先对数据进行清洗,数据清洗具体包括以下步骤:
S14:基于动态时间规整算法,将数据进行时间对齐;
S15:基于箱线图切分法,抓取数据中的异常值;
S16:采用滑动平均法将抓取的异常值消除;
S17:基于高通滤波法,将数据清洗降噪。
5.根据权利要求1所述的注塑件的自适应生产异常监测方法,其特征在于,所述S2中的孤立森林模型生成的工件样本正常标签为0,异常标签为1;所述孤立森林模型输出正常、异常判定的置信度的范围为0~100%,且当置信度为0时,工件样本标签为0,当置信度为100%时,工件样本标签为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210548437.3A CN114872290B (zh) | 2022-05-20 | 2022-05-20 | 一种注塑件的自适应生产异常监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210548437.3A CN114872290B (zh) | 2022-05-20 | 2022-05-20 | 一种注塑件的自适应生产异常监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114872290A true CN114872290A (zh) | 2022-08-09 |
CN114872290B CN114872290B (zh) | 2024-02-06 |
Family
ID=82678093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210548437.3A Active CN114872290B (zh) | 2022-05-20 | 2022-05-20 | 一种注塑件的自适应生产异常监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114872290B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115907569A (zh) * | 2023-03-02 | 2023-04-04 | 昆山市恒达精密机械工业有限公司 | 一种基于物联网的塑胶产品安全监测方法及*** |
CN117007135A (zh) * | 2023-10-07 | 2023-11-07 | 东莞百舜机器人技术有限公司 | 一种基于物联网数据的液压风扇自动组装线监测*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110149258A (zh) * | 2019-04-12 | 2019-08-20 | 北京航空航天大学 | 一种基于孤立森林的汽车can总线网络数据异常检测方法 |
CN110414555A (zh) * | 2019-06-20 | 2019-11-05 | 阿里巴巴集团控股有限公司 | 检测异常样本的方法及装置 |
WO2020019403A1 (zh) * | 2018-07-26 | 2020-01-30 | 平安科技(深圳)有限公司 | 用电量异常检测方法、装置、设备及可读存储介质 |
CN111695639A (zh) * | 2020-06-17 | 2020-09-22 | 浙江经贸职业技术学院 | 一种基于机器学习的电力用户用电异常检测方法 |
CN112529056A (zh) * | 2020-12-02 | 2021-03-19 | 国网浙江省电力有限公司营销服务中心 | 一种用于配电网大面积停电的研判方法 |
CN113537642A (zh) * | 2021-08-20 | 2021-10-22 | 日月光半导体制造股份有限公司 | 产品品质预测方法、装置、电子设备及存储介质 |
WO2021238455A1 (zh) * | 2020-05-29 | 2021-12-02 | 中兴通讯股份有限公司 | 数据处理方法、设备及计算机可读存储介质 |
CN114358160A (zh) * | 2021-12-27 | 2022-04-15 | 杭州百富电子技术有限公司 | 一种电力***中的数据异常检测方法 |
-
2022
- 2022-05-20 CN CN202210548437.3A patent/CN114872290B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020019403A1 (zh) * | 2018-07-26 | 2020-01-30 | 平安科技(深圳)有限公司 | 用电量异常检测方法、装置、设备及可读存储介质 |
CN110149258A (zh) * | 2019-04-12 | 2019-08-20 | 北京航空航天大学 | 一种基于孤立森林的汽车can总线网络数据异常检测方法 |
CN110414555A (zh) * | 2019-06-20 | 2019-11-05 | 阿里巴巴集团控股有限公司 | 检测异常样本的方法及装置 |
WO2021238455A1 (zh) * | 2020-05-29 | 2021-12-02 | 中兴通讯股份有限公司 | 数据处理方法、设备及计算机可读存储介质 |
CN111695639A (zh) * | 2020-06-17 | 2020-09-22 | 浙江经贸职业技术学院 | 一种基于机器学习的电力用户用电异常检测方法 |
CN112529056A (zh) * | 2020-12-02 | 2021-03-19 | 国网浙江省电力有限公司营销服务中心 | 一种用于配电网大面积停电的研判方法 |
CN113537642A (zh) * | 2021-08-20 | 2021-10-22 | 日月光半导体制造股份有限公司 | 产品品质预测方法、装置、电子设备及存储介质 |
CN114358160A (zh) * | 2021-12-27 | 2022-04-15 | 杭州百富电子技术有限公司 | 一种电力***中的数据异常检测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115907569A (zh) * | 2023-03-02 | 2023-04-04 | 昆山市恒达精密机械工业有限公司 | 一种基于物联网的塑胶产品安全监测方法及*** |
CN117007135A (zh) * | 2023-10-07 | 2023-11-07 | 东莞百舜机器人技术有限公司 | 一种基于物联网数据的液压风扇自动组装线监测*** |
CN117007135B (zh) * | 2023-10-07 | 2023-12-12 | 东莞百舜机器人技术有限公司 | 一种基于物联网数据的液压风扇自动组装线监测*** |
Also Published As
Publication number | Publication date |
---|---|
CN114872290B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114872290A (zh) | 一种注塑件的自适应生产异常监测方法 | |
CN111354366B (zh) | 一种异常声音检测方法及异常声音检测装置 | |
CN105302123B (zh) | 在线测量数据的监控方法 | |
CN116307289B (zh) | 一种纺织品加工工序参数检测预测方法、***及存储介质 | |
CN107179749A (zh) | 热镀锌产品全流程质量控制方法 | |
CN107379455B (zh) | 加工单元以及加工单元管理*** | |
CN107063099A (zh) | 一种基于视觉***的机械制造业在线质量监测方法 | |
CN101870076A (zh) | 一种基于性能退化模型的数控机床导轨副寿命预测方法 | |
CN110989510A (zh) | 一种热镀锌产品全流程质量控制与等级自动判断*** | |
CN108470570B (zh) | 电机异音检测方法 | |
CN111724203B (zh) | 基于多重回归模型的产品加工价格预估方法及*** | |
CN114161227A (zh) | 一种基于仿真特征和信号特征融合的刀具磨损量监控方法 | |
CN114020598B (zh) | 一种时间序列数据的异常检测方法、装置及设备 | |
CN116339253A (zh) | 一种基于物联网的智能化机械生产监测管控*** | |
CN116408501A (zh) | 窜刀模式下滚刀磨损状态在机无监督实时监测方法 | |
CN114326593B (zh) | 一种刀具寿命预测***及方法 | |
CN109598309B (zh) | 一种金属包装冲压机的检测***及其监测方法 | |
CN114701135B (zh) | 基于虚拟量测模型的注塑工件尺寸预测方法 | |
CN116703254B (zh) | 模具机械零部件生产信息管理*** | |
KR102045617B1 (ko) | 설비 이상 모니터링 장치 및 방법 | |
CN115861294B (zh) | 一种基于计算机视觉的混凝土生产异常检测方法及装置 | |
CN104992218B (zh) | 一种生产线产量实时自动计数方法 | |
Amiri et al. | Identifying time of a monotonic change in the fraction nonconforming of a high-quality process | |
CN108181315B (zh) | 一种基于图像处理的饼干损伤检测装置及检测方法 | |
CN112697299A (zh) | 一种基于自回归模型的光纤测温***警报风险预测方法 |
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 |