CN116118154A - 一种汽车内饰原料挤出加工控制方法及*** - Google Patents
一种汽车内饰原料挤出加工控制方法及*** Download PDFInfo
- Publication number
- CN116118154A CN116118154A CN202310395517.4A CN202310395517A CN116118154A CN 116118154 A CN116118154 A CN 116118154A CN 202310395517 A CN202310395517 A CN 202310395517A CN 116118154 A CN116118154 A CN 116118154A
- Authority
- CN
- China
- Prior art keywords
- defect
- data item
- range
- production
- raw material
- 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
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
- B29C48/00—Extrusion moulding, i.e. expressing the moulding material through a die or nozzle which imparts the desired form; Apparatus therefor
- B29C48/25—Component parts, details or accessories; Auxiliary operations
- B29C48/92—Measuring, controlling or regulating
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29B—PREPARATION OR PRETREATMENT OF THE MATERIAL TO BE SHAPED; MAKING GRANULES OR PREFORMS; RECOVERY OF PLASTICS OR OTHER CONSTITUENTS OF WASTE MATERIAL CONTAINING PLASTICS
- B29B9/00—Making granules
- B29B9/02—Making granules by dividing preformed material
- B29B9/06—Making granules by dividing preformed material in the form of filamentary material, e.g. combined with extrusion
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Factory Administration (AREA)
- Extrusion Moulding Of Plastics Or The Like (AREA)
Abstract
本申请涉及塑料加工控制领域,具体而言,涉及一种汽车内饰原料挤出加工控制方法及***,其基于多个已训练缺陷分析模型分别对表征向量序列进行缺陷识别,得到识别结果。其中,识别结果包括表征向量范围的缺陷可信系数,也即将目标原料生产日志分解为多个数据范围进行解析,取代对目标原料生产日志直接进行分析,便于在缺陷识别时将目标原料生产日志中的局部信息进行完善地分析,增加识别的准确度。由于各个已训练缺陷分析模型的识别结果所对应的表征向量范围的覆盖范围不同,完成了基于多种细分度对目标原料生产日志进行识别,加强缺陷识别的准确度。取代了传统人工和图像分析,可以精确定位出现缺陷对应的数据范围。
Description
技术领域
本申请涉及塑料加工控制领域,具体而言,涉及一种汽车内饰原料挤出加工控制方法及***。
背景技术
在汽车内饰的原料加工过程中,通过将各类添加剂与塑料进行混合后,经挤出机挤出、拉条、切割。其中,挤出过程如果生产设备或参数出现问题,将极大影响后续的产品品质,例如原料挤出焦化(降解过程中温度调节异常,导致过热引起降解)、熔体裂口(例如原料挤出时剪切速度过快引起)、塑化不足(原料熔体受热不足,导致未反应完全引起)等。又或者,对于特殊原料,如复合材料,受限于其温度敏感性和优良吸水性,在将原料投入时,原料的初始温度和湿度条件未满足预设要求,导致后续加工出现问题。基于挤出加工的重要性,该环节的监测控制一直受到重点关注。现有技术中,通常通过人工对产品进行检查,以判断是否出现缺陷,或者结合图像处理技术对挤出物进行图像分析,识别缺陷产品,然而,上述方式仅能在产出物环节进行判断,对于产品缺陷产生的成因无法及时分析,此外,缺陷识别的准确性也有提高的空间。
发明内容
第一方面,本申请实施例提供一种汽车内饰原料挤出加工控制方法,应用于生产监测设备,该生产监测设备与至少一条原料加工挤出生产线的检测装置连接,该方法包括:
接收该至少一条原料加工挤出生产线的检测装置发送的生产数据,以及依据预设的数据整理策略对生产数据进行整理,得到目标原料生产日志,该目标原料生产日志中包含的生产数据为预设周期内的生产数据,该目标原料生产日志包含多个生产数据项;
对该目标原料生产日志进行表征向量挖掘,得到该目标原料生产日志的表征向量序列,该表征向量序列包括该目标原料生产日志中多个生产数据项对应的数据项前后关联表征向量;
基于多个已训练缺陷分析模型分别对该表征向量序列进行缺陷识别,得到各个已训练缺陷分析模型对应的识别结果;其中,该已训练缺陷分析模型的识别结果包括该表征向量序列中表征向量范围的缺陷可信系数,该表征向量范围包括一个或多个生产数据项的数据项前后关联表征向量;各个已训练缺陷分析模型的识别结果所对应的表征向量范围的覆盖范围不同;
依据各个已训练缺陷分析模型的识别结果对应的表征向量范围的缺陷可信系数,确定该目标原料生产日志中的缺陷数据项范围。
可选地,在基于多个已训练缺陷分析模型分别对该表征向量序列进行缺陷识别,得到各个已训练缺陷分析模型对应的识别结果之前,该方法还包括:
获取由多个生产数据项构建得到的原料生产训练日志,该原料生产训练日志中的生产数据项对应有表示缺陷信息的第一数据项注释;
基于多个设定数据项覆盖范围,依据每个设定数据项覆盖范围确定该原料生产训练日志中的多个训练数据项范围,以及依据该训练数据项范围对应的第一数据项注释为该训练数据项范围匹配表示缺陷信息的第二数据项注释;
将各个设定数据项覆盖范围对应的包含第二数据项注释的原料生产训练日志作为模型调校模板,基于该模型调校模板对拟优化的缺陷分析模型进行优化,得到各个设定数据项覆盖范围对应的已训练缺陷分析模型。
可选地,依据每个设定数据项覆盖范围确定该原料生产训练日志中的多个训练数据项范围,包括:
基于以该设定数据项覆盖范围为控件锁定范围的筛选控件,将原料生产训练日志中包含于该筛选控件中的所有生产数据项确定为训练数据项范围,其中,该筛选控件依据预设步幅从该原料生产训练日志的开端位置移动到末端位置;
该第一数据项注释包括常态数据项注释和缺陷数据项注释;依据该训练数据项范围对应的第一数据项注释为该训练数据项范围匹配表示缺陷信息的第二数据项注释,包括:依据该筛选控件中的缺陷数据项注释数目和该控件锁定范围生成该训练数据项范围的第二数据项注释。
可选地,在该拟优化的缺陷分析模型的优化环节中,将该拟优化的缺陷分析模型针对该模型调校模板的预估结果与该模型调校模板的第二数据项注释的交叉熵确定为代价函数,基于该代价函数优化该拟优化的缺陷分析模型的参变量。
可选地,对该目标原料生产日志进行表征向量挖掘,得到该目标原料生产日志的表征向量序列,包括:
对该目标原料生产日志进行生产数据项分解处理,获得依生产环节顺次排布的多个生产数据项,以及依据预设的数据对照表将该依生产环节顺次排布的多个生产数据项中的每一生产数据项变换为相应的数据项编码,得到该目标原料生产日志的数据项编码序列;
对该数据项编码序列进行数据项前后关联表征向量挖掘,得到该目标原料生产日志的表征向量序列;
依据该数据项编码序列中的数据项编码确定该数据项编码对应的生产缺陷信息表征向量和生产线环节表征向量;
依据该数据项编码序列中的数据项编码及该数据项编码对应的生产缺陷信息表征向量和生产线环节表征向量生成拟进行提炼的表征向量;
对该拟进行提炼的表征向量进行数据项前后关联表征向量挖掘,得到该目标原料生产日志的表征向量序列。
可选地,基于多个已训练缺陷分析模型分别对该表征向量序列进行缺陷识别,得到各个已训练缺陷分析模型对应的识别结果,包括:
依据该已训练缺陷分析模型对应的设定数据项覆盖范围,基于移动筛选控件的步幅确定该表征向量序列中的表征向量范围;
基于该已训练缺陷分析模型的滤波器获取该表征向量范围的生产缺陷表征向量;
基于该已训练缺陷分析模型的归一决策模块对该生产缺陷表征向量进行缺陷识别,得到该表征向量范围的缺陷可信系数;
其中,该基于该已训练缺陷分析模型的滤波器获取该表征向量范围的生产缺陷表征向量,包括:
依据该已训练缺陷分析模型的滤波器的参变量对该表征向量范围中的所有数据项前后关联表征向量进行合并,得到该表征向量范围的生产缺陷表征向量;
该滤波器的参变量包括第一影响因子和第一参照因子;该依据该已训练缺陷分析模型的滤波器的参变量对该表征向量范围中的所有数据项前后关联表征向量进行合并,得到该表征向量范围的生产缺陷表征向量,包括:
基于该第一影响因子对该表征向量范围中的所有数据项前后关联表征向量进行加权求和,得到影响表征向量;
将该影响表征向量与该第一参照因子进行求和,得到该表征向量范围的生产缺陷表征向量。
可选地,该已训练缺陷分析模型的归一决策模块包括第二影响因子和第二参照因子;
基于该已训练缺陷分析模型的归一决策模块对该生产缺陷表征向量进行缺陷识别,得到该表征向量范围的缺陷可信系数,包括:
将该生产缺陷表征向量乘以该第二影响因子,得到乘积,将该乘积与该第二参照因子进行求和,得到目标表征向量;
基于目标激活函数对该目标表征向量进行处理,得到该表征向量范围的缺陷可信系数。
可选地,依据各个已训练缺陷分析模型识别结果对应的表征向量范围的缺陷可信系数,确定该目标原料生产日志中的缺陷数据项范围,包括:
确定各个已训练缺陷分析模型识别结果对应的表征向量范围的缺陷可信系数中的最大缺陷可信系数;
将该最大缺陷可信系数对应表征向量范围对应的多个生产数据项作为该目标原料生产日志中的缺陷数据项范围。
可选地,该方法还包括:
获取拟分析原料生产日志序列,该拟分析原料生产日志序列包含多个原料生产日志,每一该原料生产日志为对应生产缺陷信息的原料生产日志;
提取每个原料生产日志中各个缺陷数据项范围的缺陷数据项范围表征向量,以及分别获取每个该原料生产日志中各个缺陷数据项范围的缺陷数据项范围时间戳和缺陷类型;
通过每个该原料生产日志的缺陷数据项范围表征向量、缺陷数据项范围时间戳和缺陷类型,确定至少两个原料生产日志中对应相同目标缺陷数据项范围的拟分析缺陷数据项范围;
通过该目标缺陷数据项范围分别在该至少两个原料生产日志中对应的拟分析缺陷数据项范围的缺陷数据项范围时间戳,构建该目标缺陷数据项范围的缺陷变化曲线;
其中,该至少两个原料生产日志包括第一原料生产日志和第二原料生产日志,该第一原料生产日志和该第二原料生产日志为相邻的原料生产日志;该通过每个该原料生产日志的缺陷数据项范围表征向量、缺陷数据项范围时间戳和缺陷类型,确定该至少两个原料生产日志中对应相同目标缺陷数据项范围的拟分析缺陷数据项范围,包括:
确定该第一原料生产日志中的至少一个第一缺陷数据项范围和该第二原料生产日志中的至少一个第二缺陷数据项范围;
对于每个第一缺陷数据项范围,通过该第一缺陷数据项范围在该第一原料生产日志中的缺陷数据项范围时间戳、缺陷类型和缺陷数据项范围表征向量,以及每个第二缺陷数据项范围在该第二原料生产日志中的缺陷数据项范围时间戳、缺陷类型和缺陷数据项范围表征向量,确定该第一缺陷数据项范围和每个该第二缺陷数据项范围之间的相似性度量结果;
依据该相似性度量结果确定对应相同目标缺陷数据项范围的该第一缺陷数据项范围和该第二缺陷数据项范围,并将对应相同目标缺陷数据项范围的该第一缺陷数据项范围和该第二缺陷数据项范围确定为该拟分析缺陷数据项范围。
第二方面,本申请实施例提供了一种汽车内饰原料挤出加工控制***,包括互相连接的生产监测设备和检测装置,该生产监测设备包括存储器和处理器,该存储器存储有计算机程序,当该处理器运行该计算机程序时,实现以上的方法。
本申请至少具有如下有益效果:
本申请实施例基于多个已训练缺陷分析模型分别对表征向量序列进行缺陷识别,得到识别结果。其中,识别结果包括表征向量范围的缺陷可信系数,也即将目标原料生产日志分解为多个数据范围进行解析,取代对目标原料生产日志直接进行分析,便于在缺陷识别时将目标原料生产日志中的局部信息进行完善地分析,增加识别的准确度。进一步而言,由于各个已训练缺陷分析模型的识别结果所对应的表征向量范围的覆盖范围不同,完成了基于多种细分度对目标原料生产日志进行识别,加强缺陷识别的准确度。本申请实施例取代了传统人工和图像分析的方式,可以精确定位出现缺陷对应的数据范围,以便于基于数据范围锁定异常产生环节,有利于及时进行干预。
在后面的描述中,将部分地陈述其他的特征。在检查后面内容和附图时,本领域的技术人员将部分地发现这些特征,或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面,当前申请中的特征可以被实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
附图中的方法、***和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例,其中参考数字在附图的各个视图中代表相似的机构。
图1是根据本申请的一些实施例所示的汽车内饰原料挤出加工控制***组成示意图。
图2是根据本申请的一些实施例所示的一种生产监测设备中硬件和软件组成的示意图。
图3是根据本申请的一些实施例所示的一种汽车内饰原料挤出加工控制方法的流程图。
图4是本申请实施例提供的加工控制装置的架构示意图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
在下面的详细描述中,通过实例阐述了许多具体细节,以便提供对相关指导的全面了解。然而,对于本领域的技术人员来说,显然可以在没有这些细节的情况下实施本申请。在其他情况下,公知的方法、程序、***、组成和/或电路已经在一个相对较高水平上被描述,没有细节,以避免不必要的模糊本申请的方面。
这些和其他特性、当前申请披露的功能、执行的方法、结构中相关元素的功能和部件的组合和生产经济性,在参照附图进行以下描述的考虑中可能会变得更加明显,所有这些形成本申请的一部分。然而,需要理解清楚的是,附图仅仅是为了说明和描述的目的,并不旨在限制本申请的范围。应当了解的是,这些图纸不是按比例绘制的。然而,应当明确理解的是,附图仅用于说明和描述的目的,并不意图限制本申请的范围。应当知晓的是,这些附图并不依照比例。
图1是根据本申请的一些实施例所示的汽车内饰原料挤出加工控制***400的组成示意图,汽车内饰原料挤出加工控制***400包括相互之间通过网络200通信连接的生产监测设备100和检测装置300,检测装置300设置在汽车内饰原料加工挤出生产线上,汽车内饰原料加工挤出生产线的数量至少为一条。
在一些实施例中,请参照图2,是生产监测设备100的架构示意图,该生产监测设备100包括加工控制装置110、存储器120、处理器130和通信单元140,其之间采用I/O接口连接,控制装置110、存储器120、处理器130通过I/O 接口与通信单元140进行数据交换,可采用并行接口,如8155和8255。存储器120、处理器130以及通信单元140各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。加工控制装置110包括至少一个可以软件或固件(firmware)的形式存储于存储器120中或固化在生产监测设备100的操作***(operatingsystem,OS)中的软件功能模块。处理器130用于执行存储器120中存储的可执行模块,例如加工控制装置110所包括的软件功能模块及计算机程序等。
其中,存储器120可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器120用于存储程序,处理器130在接收到执行指令后,执行所述程序。通信单元140用于通过网络建立生产监测设备100与前端摄像设备200之间的通信连接,并用于通过网络收发数据。
处理器可能是一种集成电路芯片,具有信号的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(DSP))、专用集成电路(ASIC)、现场可编程门阵列(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发明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。
可以理解,图2所示的结构仅为示意,生产监测设备100还可包括比图2中所示更多或者更少的组件,或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。
图3是根据本申请的一些实施例所示的一种汽车内饰原料挤出加工控制方法的流程图,该方法应用于图1中的生产监测设备100,具体可以包括以下步骤STEP10~STEP40。在以下步骤STEP10~STEP40基础上,将对一些可选实施例进行说明,这些实施例应当理解为示例,不应理解为实现本方案所必不可少的技术特征。
STEP10:接收至少一条原料加工挤出生产线的检测装置发送的生产数据,以及依据预设的数据整理策略对生产数据进行整理,得到目标原料生产日志,目标原料生产日志中包含的生产数据为预设周期内的生产数据,目标原料生产日志包含多个生产数据项。
每一条原料加工挤出生产线至少可以包含预加热装置、原料混合装置、挤出机桶、加热装置、挤出头、负压装置、冷却装置等,每一组成装置通过检测装置检测生产过程中的生产数据,例如加热温度、机筒温度、挤出速率、剪切速率、机筒压力、原料重量等。容易理解,检测装置可以为温度传感器、压力传感器、设备PLC等,具体不做限定。检测装置将生产数据发送至监测设备后,监测设备可以通过预设的数据整理策略进行整理,例如预设的数据排列顺序(如按照生产环节对应的装置的顺序排列)、数据的归一化、扰动数据的清洗原则等,具体过程不做限定,通过预处理得到目标原料生产日志。可以理解,目标原料生产日志中包含的生产数据为预设周期内的生产数据,预设周期的具体范围可以根据实际需要进行设定,例如1h。目标原料生产日志包含的多个生产数据项对应于原料加工挤出生产线中不同的装置的生产数据,例如生产数据项A对应的数据为机筒温度。
STEP20:对目标原料生产日志进行表征向量挖掘,得到目标原料生产日志的表征向量序列,表征向量序列包括目标原料生产日志中多个生产数据项对应的数据项前后关联表征向量。
本申请实施例中,对目标原料生产日志进行表征向量挖掘,即对目标原料生产日志进行数据项前后缺陷信息表征向量挖掘,将目标原料生产日志的数据变换成矢量表达,得到目标原料生产日志中多个生产数据项对应的数据项前后关联表征向量(表征数据上下文联系的矢量表达),得到表征向量序列。一个生产数据项的数据项前后关联表征向量涵盖其在目标原料生产日志中的缺陷信息。
作为一种实施方式,对目标原料生产日志进行表征向量挖掘的过程可以具体包括如下步骤:
STEP21:对目标原料生产日志进行生产数据项分解处理,获得依生产环节顺次排布的多个生产数据项,以及依据预设的数据对照表将依生产环节顺次排布的多个生产数据项中的每一生产数据项变换为相应的数据项编码,得到目标原料生产日志的数据项编码序列。
本申请实施例中,对生产数据项分解的过程即对目标原料生产日志中的生产数据项进行划分,获得依生产环节顺次排布的多个生产数据项,在划分获得的多个生产数据项后,将每一生产数据项变换为相应的数据项编码,从而得到依序排布的多个数据项编码,即目标原料生产日志的数据项编码序列。数据项编码例如为数字。作为一种实施方式,可以依据预设的数据对照表将生产数据项变换为相应的数据项编码。预设的数据对照表中包含大量生产数据项和生产数据项对应的数据项编码,对于离散型数据,例如状态数据(如Y与N),可以直接为其匹配对应的数据项编码,对于连续型数据,例如温度数据,可以将不同区间的数据进行划分,每个区间对应一个数据项编码(如0~20°C,对应数据项编码为1)。遍历依生产环节顺次排布的多个生产数据项,对于每一个生产数据项,在预设的数据对照表中遍寻和生产数据项匹配的生产数据项(一致或位于对应的范围),将该匹配的生产数据项对应的数据项编码确定为该生产数据项的数据项编码。
STEP22:对数据项编码序列进行数据项前后关联表征向量挖掘,得到目标原料生产日志的表征向量序列。
其中,数据项前后关联表征向量可以体现生产数据项所在的数据环境中,表征生产信息的特征,从而可以体现数据项的缺陷信息。
作为一种实施方式,可以基于预先训练完成的缺陷识别模型对数据项编码序列进行数据项前后关联表征向量挖掘,缺陷识别模型可以是基于卷积神经网络、人工神经网络、循环神经网络、时间递归神经网络等机器学习网络建立得到。
作为一种实施方式,对数据项编码序列进行数据项前后关联表征向量挖掘具体可以包括:依据数据项编码序列中的数据项编码确定数据项编码对应的生产缺陷信息表征向量和生产线环节表征向量;依据数据项编码序列中的数据项编码及数据项编码对应的生产缺陷信息表征向量和生产线环节表征向量生成拟进行提炼的表征向量;对拟进行提炼的表征向量进行数据项前后关联表征向量挖掘,得到目标原料生产日志的表征向量序列。
其中,生产数据项的生产缺陷信息表征向量是对目标原料生产日志的全局信息表征和生产数据项的信息表征进行合并得到的,例如,生产数据项的生产缺陷信息表征向量可以表征生产数据项所在数据段(如目标原料生产日志包括数据段M和数据段N,生产数据项的生产缺陷信息表征向量表征生产数据项是在数据段M或数据段N)、生产数据项所处数据段的来源(如产线预加热段或产线机筒加热段),生产缺陷信息表征向量由缺陷识别模型依据数据项编码和目标原料生产日志确定。生产数据项的生产线环节表征向量表征生产数据项在目标原料生产日志中的生产环节信息,便于在出现缺陷时对缺陷进行准确定位,生产线环节表征向量由缺陷识别模型依据数据项编码和目标原料生产日志确定。
本申请实施例在确定了数据项编码序列中数据项编码对应的生产缺陷信息表征向量和生产线环节表征向量后,将数据项编码与对应的生产缺陷信息表征向量和生产线环节表征向量进行求和,得到拟进行提炼的表征向量。然后对拟进行提炼的表征向量进行数据项前后关联表征向量挖掘,完成信息提炼,得到表征向量序列,表征向量序列中包括每一生产数据项的数据项前后关联表征向量。
STEP30:基于多个已训练缺陷分析模型分别对表征向量序列进行缺陷识别,得到各个已训练缺陷分析模型对应的识别结果。
其中,已训练缺陷分析模型的识别结果包括表征向量序列中表征向量范围的缺陷可信系数,表征向量范围包括一个或多个生产数据项的数据项前后关联表征向量,各个已训练缺陷分析模型的识别结果所对应的表征向量范围的覆盖范围不同。
其中,已训练缺陷分析模型用于预估表征向量序列的缺陷信息,已训练缺陷分析模型对表征向量序列进行缺陷识别所得到的识别结果,包括多个表征向量范围的缺陷可信系数(即对应缺陷的可能性,可以通过概率表示),那么,已训练缺陷分析模型将表征向量序列划分成多个表征向量范围(例如表征向量序列为[(V1);(V2);(V3)……(Vn)],表征向量范围分为[(V1)~(V2)]、[(V3)~(V5)]、[(V6)~(V9)]等),接着预估每一表征向量范围的缺陷可信系数。一个表征向量范围为表征向量序列中的一个组成部分,那么一个表征向量范围包括一个或多个生产数据项的数据项前后关联表征向量。
本申请实施例中,基于多个已训练缺陷分析模型分别对表征向量序列进行缺陷识别,每个已训练缺陷分析模型得到的识别结果中,表征向量范围的范围(横跨的向量长度)均不一致,表征向量范围的范围为组成表征向量范围的数据项前后关联表征向量的数量,如[(V1)~(V2)]包含的数量为2。例如,采用三个已训练缺陷分析模型分别对表征向量序列进行缺陷识别,第一个已训练缺陷分析模型对应的表征向量范围为2,第二个已训练缺陷分析模型对应的表征向量范围为3,第三个已训练缺陷分析模型对应的表征向量范围为4。
作为一种实施方式,已训练缺陷分析模型对表征向量序列进行缺陷分析包括:依据已训练缺陷分析模型对应的设定数据项覆盖范围,基于移动筛选控件的步幅确定表征向量序列中的表征向量范围,并对表征向量范围进行缺陷识别,得到表征向量范围的缺陷可信系数。其中,已训练缺陷分析模型需要将表征向量序列拆分的表征向量范围涉及的长度信息为事先确定给的(即设定数据项覆盖范围)。以设定数据项覆盖范围当做一筛选控件的步幅,再将该筛选控件沿表征向量序列进行移动,筛选控件移动时,表征向量序列在筛选控件中的表征向量即表征向量范围,那么,基于移动筛选控件的步幅将表征向量序列拆分成多个表征向量范围。获得表征向量范围后,对表征向量范围进行缺陷识别,就获得表征向量范围的缺陷可信系数。
在筛选控件移动时,筛选控件通过预设步幅进行平移,以筛选控件的起始端为起始,则当下筛选控件起始端和上一筛选控件起始端间的跨度为预设步幅。例如,预设步幅设置为1(则筛选控件每次往前平移一个生产数据项的幅度),筛选控件起始端从表征向量序列的开端位置移动到末端位置。则在对表征向量序列进行拆分时,如果设定数据项覆盖范围为s,设表征向量序列为(V1、V2、V3…Vp…Vn),表征向量范围为[Vp:Vp+s],表示表征向量范围是从第p个生产数据项的数据项前后关联表征向量Vp到第(p+s)个生产数据项的数据项前后关联表征向量Vp+n,其中,p∈[1,n]。当p=n-s,Vp+s为Vn,如果p持续上升,p+s>n,则Vp+s替换为零。如果设定数据项覆盖范围等于1,即对表征向量序列中的数据项前后关联表征向量进行逐一拆分,得到的表征向量范围为目标原料生产日志中的一个生产数据项对应的数据项前后关联表征向量。
作为一种实施方式,对表征向量范围进行缺陷识别,具体可以包括:基于已训练缺陷分析模型的滤波器获取表征向量范围的生产缺陷表征向量;基于已训练缺陷分析模型的归一决策模块对生产缺陷表征向量进行缺陷识别,得到表征向量范围的缺陷可信系数。
其中,已训练缺陷分析模型包括滤波器和归一决策模块,滤波器用于提取表征向量范围的生产缺陷表征向量,归一决策模块(例如采取全连接层、MLP、决策树、朴素贝叶斯分类器等)用于依据该生产缺陷表征向量计算缺陷可信系数。滤波器基于参变量对表征向量范围中的所有数据项前后关联表征向量进行合并,得到生产缺陷表征向量。滤波器的参变量包括第一影响因子和第一参照因子,第一影响因子和第一参照因子是在模型优化环节中所得到的参变量,不同的已训练缺陷分析模型,其滤波器的参变量不同,第一影响因子体现对应的变量占据的重要性,可通过分配不同的权重实现,第一参照因子体现相应的基值。其中,进行合并时,基于第一影响因子对表征向量范围中的所有数据项前后关联表征向量进加权求和,获得影响表征向量,再将影响表征向量与第一参照因子进行求和,得到表征向量范围的生产缺陷表征向量。设设定数据项覆盖范围s对应已训练缺陷分析模型的滤波器的第一影响因子为Fs1,第一参照因子为Ds1,第p个表征向量范围中的所有数据项前后关联表征向量为[Vp:Vp+s],那么,第p个表征向量范围的生产缺陷表征向量Vsp为:
Vsp=(Fs1·[Vp:Vp+s]+Ds1)
其中,s为设定数据项覆盖范围;Vsp为在设定数据项覆盖范围s下确定的第p个表征向量范围的生产缺陷表征向量;[Vp:Vp+s]为第p个表征向量范围;Fs1、Ds1为设定数据项覆盖范围s所对应已训练缺陷分析模型中滤波器的参变量。
设定数据项覆盖范围可以理解为滤波器的滤波矩阵的宽,基于多细分度的卷积算子对表征向量序列进行滤波。
获取生产缺陷表征向量后,基于归一决策模块对生产缺陷表征向量进行缺陷识别,得到表征向量范围的缺陷可信系数。例如,归一决策模块包含第二影响因子和第二参照因子,先将生产缺陷表征向量乘以第二影响因子得到乘积,再将该乘积与第二参照因子进行求和,得到目标表征向量,最后基于归一决策模块设置的目标激活函数对目标表征向量进行激活处理,得到表征向量范围的缺陷可信系数,目标激活函数的选择不做限定。
作为一种实施方式,设设定数据项覆盖范围s所对应已训练缺陷分析模型的归一决策模块的第二影响因子为Fs2,第二参照因子记为Ds2,目标激活函数为softmax,表征向量范围的缺陷可信系数为:
Qsp=Softmax(Fs2·Vsp+Ds2)
上述公式中,Qsp为在设定数据项覆盖范围s中确定的第p个表征向量范围的缺陷可信系数;Vsp为在设定数据项覆盖范围s中确定的第p个表征向量范围的生产缺陷表征向量;Fs2、Ds2为设定数据项覆盖范围s对应已训练缺陷分析模型中归一决策模块的参变量。
作为一种实施方式,在基于已训练缺陷分析模型对表征向量序列进行缺陷识别前,还包括已训练缺陷分析模型的优化过程,其具体可以包括如下步骤:
STEP101:获取由多个生产数据项构建得到的原料生产训练日志,原料生产训练日志中的生产数据项对应有表示缺陷信息的第一数据项注释。
其中,原料生产训练日志是具有生产缺陷注释的生产缺陷数据集,该生产缺陷数据集由多个生产数据项组成,每一生产数据项对应有表示缺陷信息的第一数据项注释。生产数据项的缺陷信息即该生产数据项是否为缺陷信息,缺陷信息可以基于第一数据项注释的不同表示方式进行表示,比如0(表示生产数据项不是缺陷信息,其为常态数据项注释)和1(表示生产数据项是缺陷信息,其为缺陷数据项注释)。
STEP102:基于多个设定数据项覆盖范围,依据每个设定数据项覆盖范围确定原料生产训练日志中的多个训练数据项范围,以及依据训练数据项范围对应的第一数据项注释为训练数据项范围匹配表示缺陷信息的第二数据项注释。
其中,事先确定多个设定数据项覆盖范围,针对每个设定数据项覆盖范围对原料生产训练日志进行分解,得到原料生产训练日志对应的多个训练数据项范围,以及依据训练数据项范围中每一生产数据项的第一数据项注释为训练数据项范围分配第二数据项注释。第二数据项注释依据第一数据项注释进行计算获得,其代表训练数据项范围的缺陷信息。
依据设定数据项覆盖范围得到原料生产训练日志的多个训练数据项范围,具体可以包括:基于以设定数据项覆盖范围为控件锁定范围的筛选控件,将原料生产训练日志中包含于筛选控件中的所有生产数据项确定为训练数据项范围,其中,筛选控件例如是一个筛选框,其依据预设的步幅从原料生产训练日志的开端位置移动到末端位置。也即,基于以设定数据项覆盖范围为控件锁定范围的筛选控件,再依据预设步幅将筛选控件起始端从原料生产训练日志的开端位置移动到末端位置,每一次移动时,原料生产训练日志中包含于筛选控件中的所有生产数据项生成一训练数据项范围,以此获得多个训练数据项范围。当筛选控件中的生产数据项数量缺少时,可以用补充字段进行填补。
一般来说,预设步幅等于1,获取训练数据项范围请参阅前述表征向量范围获取的介绍。
考虑到原料生产训练日志中每一生产数据项的第一数据项注释只有两类(0/1),如果直接调用第一数据项注释进行模型的优化,基于模型的预估结果与第一数据项注释确定的代价函数不满足误差要求。在模型偏导向量反向传播优化变量进行迭代的过程中,造成部分生产数据项的预估不足,误导模型,降低其预测能力。因此,本申请实施例中,为训练数据项范围重新分配二数据项注释,在筛选控件平移时,依据筛选控件中的缺陷数据项注释数目和控件锁定范围生成训练数据项范围的第二数据项注释。训练数据项范围的第二数据项注释包括常规注释和缺陷注释,其中,常规注释代表训练数据项范围为正常生产的可信系数,缺陷注释代表训练数据项范围为缺陷信息的可信系数,常规注释加上缺陷注释等于一,知其一而知另一。
筛选控件在平移时,将筛选控件中的缺陷数据项注释数目与控件锁定范围的比值确定为训练数据项范围的第二数据项注释中的缺陷注释,该训练数据项范围的常规注释等于(1-缺陷注释)。控件锁定范围等于1时(设定数据项覆盖范围等于1),训练数据项范围即原料生产训练日志中的一个生产数据项,因此训练数据项范围的第二数据项注释与每一生产数据项的第一数据项注释相同。
STEP103:将各个设定数据项覆盖范围对应的包含第二数据项注释的原料生产训练日志作为模型调校模板,基于模型调校模板对拟优化的缺陷分析模型进行优化,得到各个设定数据项覆盖范围对应的已训练缺陷分析模型。
其中,对原料生产训练日志中的训练数据项范围分配第二数据项注释后,将原料生产训练日志作为模型调校模板对拟优化的缺陷分析模型进行优化。基于上述过程后,每个设定数据项覆盖范围均获得一种包含第二数据项注释的原料生产训练日志,即每个设定数据项覆盖范围对应一模型调校模板,在优化环节,调取设定数据项覆盖范围对应的模型调校模板对设定数据项覆盖范围的拟优化的缺陷分析模型进行优化调校,获得该设定数据项覆盖范围对应的已训练缺陷分析模型。
作为一种实施方式,在拟优化的缺陷分析模型的优化环节,将拟优化的缺陷分析模型针对模型调校模板的预估结果与模型调校模板的第二数据项注释的交叉熵确定为代价函数,基于代价函数优化拟优化的缺陷分析模型的参变量,参变量即Fs1、Ds1、Fs2、Ds2等。
其中,代价函数L的确定公式为:
L=-∑(J0sp·logR0sp+J1sp·logR1sp)
上述公式中,J0sp为设定数据项覆盖范围s中的,第p个训练数据项范围中的常态数据项注释;J1sp为设定数据项覆盖范围s中的,第p个训练数据项范围中的缺陷数据项注释,且,J0sp+J1sp=1;R0sp为设定数据项覆盖范围s的拟优化的缺陷分析模型预估的第p个训练数据项范围为常规的可信系数,R1sp为设定数据项覆盖范围s的拟优化的缺陷分析模型预测的第p个训练数据项范围为缺陷的可信系数。
作为一种实施方式,对每一设定数据项覆盖范围对应的拟优化的缺陷分析模型进行优化的过程中,基于设定数据项覆盖范围的递增次序逐一对每一个缺陷分析模型进行优化调校。
STEP40:依据各个已训练缺陷分析模型识别结果对应的表征向量范围的缺陷可信系数,确定目标原料生产日志中的缺陷数据项范围。
其中,一个已训练缺陷分析模型的识别结果包括相同范围跨度的多个表征向量范围的缺陷可信系数,多个已训练缺陷分析模型的识别结果包括多种范围跨度的多个表征向量范围的缺陷可信系数,确定多个缺陷可信系数中,最大的缺陷可信系数,将其对应表征向量范围对应的多个生产数据项确定为目标原料生产日志中的缺陷数据项范围,如此可以确定目标原料生产日志中的缺陷数据项范围的范围跨度与位置。比如最大缺陷可信系数对应的表征向量范围为设定数据项覆盖范围s第p个表征向量范围,确定目标原料生产日志中的缺陷数据项范围是由第p个生产数据项至第(P+s)个生产数据项组成的缺陷数据项范围,进而便于定位对应的装置缺陷,进行及时干预。
本申请实施例基于多个已训练缺陷分析模型分别对表征向量序列进行缺陷识别,得到识别结果。其中,识别结果包括表征向量范围的缺陷可信系数,也即将目标原料生产日志分解为多个数据范围进行解析,取代对目标原料生产日志直接进行分析,便于在缺陷识别时将目标原料生产日志中的局部信息进行完善地分析,增加识别的准确度。进一步而言,由于各个已训练缺陷分析模型的识别结果所对应的表征向量范围的覆盖范围不同,完成了基于多种细分度对目标原料生产日志进行识别,加强缺陷识别的准确度。本申请实施例取代了传统人工和图像分析的方式,可以精确定位出现缺陷对应的数据范围,以便于基于数据范围锁定异常产生环节,有利于及时进行干预。
另外,作为一种可独立实施的实施方式,在获取了目标原料生产日志中的缺陷数据项范围后,对于多个具有缺陷的目标原料生产日志,可以进一步进行分析,得到原料加工挤出生产线的缺陷变化,便于进行生产线设备的深度检查。其具体可以包括如下步骤:
STEP50:获取拟分析原料生产日志序列,该拟分析原料生产日志序列包含多个原料生产日志,每一原料生产日志为对应生产缺陷信息的原料生产日志。
STEP60:提取每个原料生产日志中各个缺陷数据项范围的缺陷数据项范围表征向量,以及分别获取每个原料生产日志中各个缺陷数据项范围的缺陷数据项范围时间戳和缺陷类型。
STEP70:通过每个原料生产日志的缺陷数据项范围表征向量、缺陷数据项范围时间戳和缺陷类型,确定至少两个原料生产日志中对应相同目标缺陷数据项范围的拟分析缺陷数据项范围。
STEP80:通过该目标缺陷数据项范围分别在该至少两个原料生产日志中对应的拟分析缺陷数据项范围的缺陷数据项范围时间戳,构建该目标缺陷数据项范围的缺陷变化曲线。
上述过程中,依据在原料生产日志中提取缺陷数据项范围的缺陷数据项范围表征向量、缺陷数据项范围时间戳和缺陷类型,确定对应相同目标缺陷数据项范围的多个缺陷数据项范围,然后生成相同目标缺陷数据项范围的缺陷变化曲线,依据此,将缺陷数据项范围表征向量与缺陷数据项范围时间戳、缺陷类型综合纳入分析,并依据上述多个角度确定目标缺陷数据项范围的缺陷变化曲线,如此准确评估缺陷数据项范围是否跟随时间变化,以及目标缺陷数据项范围的缺陷变化曲线的准确性。
具体而言,上述至少两个原料生产日志包括第一原料生产日志和第二原料生产日志,该第一原料生产日志和该第二原料生产日志为相邻的原料生产日志;
那么,STEP70中,通过每个原料生产日志的缺陷数据项范围表征向量、缺陷数据项范围时间戳和缺陷类型,确定该至少两个原料生产日志中对应相同目标缺陷数据项范围的拟分析缺陷数据项范围,可以包括如下步骤:
STEP71:确定该第一原料生产日志中的至少一个第一缺陷数据项范围和该第二原料生产日志中的至少一个第二缺陷数据项范围。
STEP72:对于每个第一缺陷数据项范围,通过该第一缺陷数据项范围在该第一原料生产日志中的缺陷数据项范围时间戳、缺陷类型和缺陷数据项范围表征向量,以及每个第二缺陷数据项范围在该第二原料生产日志中的缺陷数据项范围时间戳、缺陷类型和缺陷数据项范围表征向量,确定该第一缺陷数据项范围和每个第二缺陷数据项范围之间的相似性度量结果。
STEP73:依据该相似性度量结果确定对应相同目标缺陷数据项范围的该第一缺陷数据项范围和该第二缺陷数据项范围,并将对应相同目标缺陷数据项范围的该第一缺陷数据项范围和该第二缺陷数据项范围确定为该拟分析缺陷数据项范围。
本申请实施例中,由于每一个原料生产日志中可能包含多个缺陷数据项范围,针对每一第一缺陷数据项范围,本申请实施例通过缺陷数据项范围时间戳、缺陷类型和缺陷数据项范围表征向量,确定与每一第二缺陷数据项范围的相似性度量结果,基于此,对每个第一缺陷数据项范围均完成计算,有效增加拟分析缺陷数据项范围的准确性。
可选地,步骤STEP72中,对于每个第一缺陷数据项范围,通过该第一缺陷数据项范围在该第一原料生产日志中的缺陷数据项范围时间戳、缺陷类型和缺陷数据项范围表征向量,和每个第二缺陷数据项范围在该第二原料生产日志中的缺陷数据项范围时间戳、缺陷类型和缺陷数据项范围表征向量,确定该第一缺陷数据项范围和每个第二缺陷数据项范围的相似性度量结果,具体可以包括如下步骤:
STEP721:对于每个第一缺陷数据项范围,通过该缺陷数据项范围表征向量、该缺陷数据项范围时间戳和该缺陷类型中的至少一个分析类型,在该第二原料生产日志中确定至少一个第二目标缺陷数据项范围。
STEP722:通过该缺陷数据项范围表征向量、该缺陷数据项范围时间戳和该缺陷类型,确定该第一缺陷数据项范围与该第二目标缺陷数据项范围之间的相似性度量结果。
步骤STEP73中,依据该相似性度量结果,确定对应相同目标缺陷数据项范围的该第一缺陷数据项范围和该第二缺陷数据项范围,并将对应相同目标缺陷数据项范围的该第一缺陷数据项范围和该第二缺陷数据项范围确定为该拟分析缺陷数据项范围,具体可以包括:依据该第一缺陷数据项范围和该第二目标缺陷数据项范围之间的相似性度量结果,确定对应相同目标缺陷数据项范围的该第一缺陷数据项范围和该第二目标缺陷数据项范围,同时将对应相同目标缺陷数据项范围的该第一缺陷数据项范围和该第二目标缺陷数据项范围确定为该拟分析缺陷数据项范围。
本申请实施例中,对于每一第一缺陷数据项范围,基于缺陷数据项范围表征向量、缺陷数据项范围时间戳和缺陷类型中的至少一个维度确定第二原料生产日志中的至少一个第二目标缺陷数据项范围,也就是说,通过至少一个分析维度缩小第二原料生产日志中的第二缺陷数据项范围的大小,防止了无效的相似性度量结果计算,提升获取第一缺陷数据项范围和各个第二缺陷数据项范围相似性度量结果的效率。
可选地,步骤STEP721中,对于每个第一缺陷数据项范围,通过该缺陷数据项范围表征向量、该缺陷数据项范围时间戳和该缺陷类型中的至少一个分析类型,在该第二原料生产日志中确定至少一个第二目标缺陷数据项范围,具体可以包括:
STEP7211:若该第一原料生产日志和该第二原料生产日志的接收时间差小于差值阈值,针对每个第一缺陷数据项范围,通过该第一缺陷数据项范围在该第一原料生产日志中的缺陷数据项范围时间戳和每个第二缺陷数据项范围在该第二原料生产日志中的缺陷数据项范围时间戳,获取该第一缺陷数据项范围与每个第二缺陷数据项范围的数据项交并比。
STEP7212:评估该第一缺陷数据项范围与每个第二缺陷数据项范围的数据项交并比是否满足第一比值。
STEP7213:将满足该第一比值的数据项交并比所对应的第二缺陷数据项范围作为该第二目标缺陷数据项范围。
本申请依据确定第一缺陷数据项范围和每个第二缺陷数据项范围的数据项交并比是否满足第一比值,同时将满足第一比值的数据项交并比所对应的第二缺陷数据项范围,作为第二目标缺陷数据项范围,将不满足第一比值的数据项交并比对应的第二缺陷数据项范围删除,提升获取第二目标缺陷数据项范围的效率。
另外,在一些实施方式中,该依据该相似性度量结果,确定对应相同目标缺陷数据项范围的该第一缺陷数据项范围和该第二缺陷数据项范围,包括:依据该相似性度量结果和第一匹配规则,确定该第一缺陷数据项范围和每个第二缺陷数据项范围之间是否完成匹配;将完成匹配的该第一缺陷数据项范围和该第二缺陷数据项范围,确定为对应相同目标缺陷数据项范围的该第一缺陷数据项范围和该第二缺陷数据项范围。
本申请实施例依据该相似性度量结果和第一匹配规则对第一缺陷数据项范围和每个第二缺陷数据项范围进行关联,能够提升关联的精确性,提高获取对应相同目标缺陷数据项范围的第一缺陷数据项范围和第二缺陷数据项范围的准确度。
可选地,该将完成匹配的该第一缺陷数据项范围和该第二缺陷数据项范围,确定对应相同目标缺陷数据项范围的该第一缺陷数据项范围和该第二缺陷数据项范围,具体可以包括:将完成匹配的该第一缺陷数据项范围和该第二缺陷数据项范围,确定为缺陷数据项范围关联对;如果该缺陷数据项范围关联对的数目不少于两个,则通过第二匹配规则,在多个缺陷数据项范围关联对中获取目标缺陷数据项范围关联对,将该目标缺陷数据项范围关联对中的第一缺陷数据项范围和该第二缺陷数据项范围,确定为对应相同目标缺陷数据项范围的该第一缺陷数据项范围和该第二缺陷数据项范围。
如果缺陷数据项范围关联对的数目不少于两个,通过第二匹配规则确定目标缺陷数据项范围关联对,在多个缺陷数据项范围关联对中确定出最相似的目标缺陷数据项范围关联对,便于提高获取对应相同目标缺陷数据项范围的第一缺陷数据项范围和第二缺陷数据项范围的准确性。
请参照图4,是本发明实施例提供的加工控制装置110的功能模块架构示意图,该加工控制装置110可用于执行汽车内饰原料挤出加工控制方法,其中,加工控制装置110包括:
数据接收模块111,用于接收所述至少一条原料加工挤出生产线的检测装置发送的生产数据,以及依据预设的数据整理策略,得到目标原料生产日志,所述目标原料生产日志中包含的生产数据为预设周期内的生产数据,所述目标原料生产日志包含多个生产数据项;
数据挖掘模块112,用于对所述目标原料生产日志进行表征向量挖掘,得到所述目标原料生产日志的表征向量序列,所述表征向量序列包括所述目标原料生产日志中多个生产数据项对应的数据项前后关联表征向量;
缺陷识别模块113,用于基于多个已训练缺陷分析模型分别对所述表征向量序列进行缺陷识别,得到各个已训练缺陷分析模型对应的识别结果;其中,所述已训练缺陷分析模型的识别结果包括所述表征向量序列中表征向量范围的缺陷可信系数,所述表征向量范围包括一个或多个生产数据项的数据项前后关联表征向量;各个已训练缺陷分析模型的识别结果所对应的表征向量范围的覆盖范围不同;
缺陷确定模块114,用于依据各个已训练缺陷分析模型的识别结果对应的表征向量范围的缺陷可信系数,确定所述目标原料生产日志中的缺陷数据项范围。
由于在上述实施例中,已经对本发明实施例提供的汽车内饰原料挤出加工控制方法进行了详细的介绍,而该加工控制装置110的原理与该方法相同,此处不再对加工控制装置110的各模块的执行原理进行赘述。
Claims (10)
1.一种汽车内饰原料挤出加工控制方法,其特征在于,应用于生产监测设备,所述生产监测设备与至少一条原料加工挤出生产线的检测装置连接,所述方法包括:
接收所述至少一条原料加工挤出生产线的检测装置发送的生产数据,以及依据预设的数据整理策略对所述生产数据进行整理,得到目标原料生产日志,所述目标原料生产日志中包含的生产数据为预设周期内的生产数据,所述目标原料生产日志包含多个生产数据项;
对所述目标原料生产日志进行表征向量挖掘,得到所述目标原料生产日志的表征向量序列,所述表征向量序列包括所述目标原料生产日志中多个生产数据项对应的数据项前后关联表征向量;
基于多个已训练缺陷分析模型分别对所述表征向量序列进行缺陷识别,得到各个已训练缺陷分析模型对应的识别结果;其中,所述已训练缺陷分析模型的识别结果包括所述表征向量序列中表征向量范围的缺陷可信系数,所述表征向量范围包括一个或多个生产数据项的数据项前后关联表征向量;各个已训练缺陷分析模型的识别结果所对应的表征向量范围的覆盖范围不同;
依据各个已训练缺陷分析模型的识别结果对应的表征向量范围的缺陷可信系数,确定所述目标原料生产日志中的缺陷数据项范围。
2.如权利要求1所述的汽车内饰原料挤出加工控制方法,其特征在于,在基于多个已训练缺陷分析模型分别对所述表征向量序列进行缺陷识别,得到各个已训练缺陷分析模型对应的识别结果之前,所述方法还包括:
获取由多个生产数据项构建得到的原料生产训练日志,所述原料生产训练日志中的生产数据项对应有表示缺陷信息的第一数据项注释;
基于多个设定数据项覆盖范围,依据每个设定数据项覆盖范围确定所述原料生产训练日志中的多个训练数据项范围,以及依据所述训练数据项范围对应的第一数据项注释为所述训练数据项范围匹配表示缺陷信息的第二数据项注释;
将各个设定数据项覆盖范围对应的包含第二数据项注释的原料生产训练日志作为模型调校模板,基于所述模型调校模板对拟优化的缺陷分析模型进行优化,得到各个设定数据项覆盖范围对应的已训练缺陷分析模型。
3.如权利要求2所述的汽车内饰原料挤出加工控制方法,其特征在于,所述依据每个设定数据项覆盖范围确定所述原料生产训练日志中的多个训练数据项范围,包括:
基于以所述设定数据项覆盖范围为控件锁定范围的筛选控件,将原料生产训练日志中包含于所述筛选控件中的所有生产数据项确定为训练数据项范围,其中,所述筛选控件依据预设步幅从所述原料生产训练日志的开端位置移动到末端位置;
所述第一数据项注释包括常态数据项注释和缺陷数据项注释;依据所述训练数据项范围对应的第一数据项注释为所述训练数据项范围匹配表示缺陷信息的第二数据项注释,包括:依据所述筛选控件中的缺陷数据项注释数目和所述控件锁定范围生成所述训练数据项范围的第二数据项注释。
4.如权利要求3所述的汽车内饰原料挤出加工控制方法,其特征在于,在所述拟优化的缺陷分析模型的优化环节中,将所述拟优化的缺陷分析模型针对所述模型调校模板的预估结果与所述模型调校模板的第二数据项注释的交叉熵确定为代价函数,基于所述代价函数优化所述拟优化的缺陷分析模型的参变量。
5.如权利要求1所述的汽车内饰原料挤出加工控制方法,其特征在于,对所述目标原料生产日志进行表征向量挖掘,得到所述目标原料生产日志的表征向量序列,包括:
对所述目标原料生产日志进行生产数据项分解处理,获得依生产环节顺次排布的多个生产数据项,以及依据预设的数据对照表将所述依生产环节顺次排布的多个生产数据项中的每一生产数据项变换为相应的数据项编码,得到所述目标原料生产日志的数据项编码序列;
对所述数据项编码序列进行数据项前后关联表征向量挖掘,得到所述目标原料生产日志的表征向量序列;
依据所述数据项编码序列中的数据项编码确定所述数据项编码对应的生产缺陷信息表征向量和生产线环节表征向量;
依据所述数据项编码序列中的数据项编码及所述数据项编码对应的生产缺陷信息表征向量和生产线环节表征向量生成拟进行提炼的表征向量;
对所述拟进行提炼的表征向量进行数据项前后关联表征向量挖掘,得到所述目标原料生产日志的表征向量序列。
6.如权利要求1所述的汽车内饰原料挤出加工控制方法,其特征在于,基于多个已训练缺陷分析模型分别对所述表征向量序列进行缺陷识别,得到各个已训练缺陷分析模型对应的识别结果,包括:
依据所述已训练缺陷分析模型对应的设定数据项覆盖范围,基于移动筛选控件的步幅确定所述表征向量序列中的表征向量范围;
基于所述已训练缺陷分析模型的滤波器获取所述表征向量范围的生产缺陷表征向量;
基于所述已训练缺陷分析模型的归一决策模块对所述生产缺陷表征向量进行缺陷识别,得到所述表征向量范围的缺陷可信系数;
其中,所述基于所述已训练缺陷分析模型的滤波器获取所述表征向量范围的生产缺陷表征向量,包括:
依据所述已训练缺陷分析模型的滤波器的参变量对所述表征向量范围中的所有数据项前后关联表征向量进行合并,得到所述表征向量范围的生产缺陷表征向量;
所述滤波器的参变量包括第一影响因子和第一参照因子;所述依据所述已训练缺陷分析模型的滤波器的参变量对所述表征向量范围中的所有数据项前后关联表征向量进行合并,得到所述表征向量范围的生产缺陷表征向量,包括:
基于所述第一影响因子对所述表征向量范围中的所有数据项前后关联表征向量进行加权求和,得到影响表征向量;
将所述影响表征向量与所述第一参照因子进行求和,得到所述表征向量范围的生产缺陷表征向量。
7.如权利要求6所述的汽车内饰原料挤出加工控制方法,其特征在于,所述已训练缺陷分析模型的归一决策模块包括第二影响因子和第二参照因子;
基于所述已训练缺陷分析模型的归一决策模块对所述生产缺陷表征向量进行缺陷识别,得到所述表征向量范围的缺陷可信系数,包括:
将所述生产缺陷表征向量乘以所述第二影响因子,得到乘积,将所述乘积与所述第二参照因子进行求和,得到目标表征向量;
基于目标激活函数对所述目标表征向量进行处理,得到所述表征向量范围的缺陷可信系数。
8.如权利要求1所述的汽车内饰原料挤出加工控制方法,其特征在于,依据各个已训练缺陷分析模型识别结果对应的表征向量范围的缺陷可信系数,确定所述目标原料生产日志中的缺陷数据项范围,包括:
确定各个已训练缺陷分析模型识别结果对应的表征向量范围的缺陷可信系数中的最大缺陷可信系数;
将所述最大缺陷可信系数对应表征向量范围对应的多个生产数据项作为所述目标原料生产日志中的缺陷数据项范围。
9.如权利要求1所述的汽车内饰原料挤出加工控制方法,其特征在于,所述方法还包括:
获取拟分析原料生产日志序列,所述拟分析原料生产日志序列包含多个原料生产日志,每一所述原料生产日志为对应生产缺陷信息的原料生产日志;
提取每个原料生产日志中各个缺陷数据项范围的缺陷数据项范围表征向量,以及分别获取每个所述原料生产日志中各个缺陷数据项范围的缺陷数据项范围时间戳和缺陷类型;
通过每个所述原料生产日志的缺陷数据项范围表征向量、缺陷数据项范围时间戳和缺陷类型,确定至少两个原料生产日志中对应相同目标缺陷数据项范围的拟分析缺陷数据项范围;
通过所述目标缺陷数据项范围分别在所述至少两个原料生产日志中对应的拟分析缺陷数据项范围的缺陷数据项范围时间戳,构建所述目标缺陷数据项范围的缺陷变化曲线;
其中,所述至少两个原料生产日志包括第一原料生产日志和第二原料生产日志,所述第一原料生产日志和所述第二原料生产日志为相邻的原料生产日志;所述通过每个所述原料生产日志的缺陷数据项范围表征向量、缺陷数据项范围时间戳和缺陷类型,确定所述至少两个原料生产日志中对应相同目标缺陷数据项范围的拟分析缺陷数据项范围,包括:
确定所述第一原料生产日志中的至少一个第一缺陷数据项范围和所述第二原料生产日志中的至少一个第二缺陷数据项范围;
对于每个第一缺陷数据项范围,通过所述第一缺陷数据项范围在所述第一原料生产日志中的缺陷数据项范围时间戳、缺陷类型和缺陷数据项范围表征向量,以及每个第二缺陷数据项范围在所述第二原料生产日志中的缺陷数据项范围时间戳、缺陷类型和缺陷数据项范围表征向量,确定所述第一缺陷数据项范围和每个所述第二缺陷数据项范围之间的相似性度量结果;
依据所述相似性度量结果确定对应相同目标缺陷数据项范围的所述第一缺陷数据项范围和所述第二缺陷数据项范围,并将对应相同目标缺陷数据项范围的所述第一缺陷数据项范围和所述第二缺陷数据项范围确定为所述拟分析缺陷数据项范围。
10.一种汽车内饰原料挤出加工控制***,其特征在于,包括互相连接的生产监测设备和检测装置,所述生产监测设备包括存储器和处理器,所述存储器存储有计算机程序,当所述处理器运行所述计算机程序时,实现如权利要求1~9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310395517.4A CN116118154B (zh) | 2023-04-14 | 2023-04-14 | 一种汽车内饰原料挤出加工控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310395517.4A CN116118154B (zh) | 2023-04-14 | 2023-04-14 | 一种汽车内饰原料挤出加工控制方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116118154A true CN116118154A (zh) | 2023-05-16 |
CN116118154B CN116118154B (zh) | 2023-08-22 |
Family
ID=86312130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310395517.4A Active CN116118154B (zh) | 2023-04-14 | 2023-04-14 | 一种汽车内饰原料挤出加工控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116118154B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050080507A1 (en) * | 2003-10-10 | 2005-04-14 | Kevin Silberg | Extrusion of articles |
US20110175248A1 (en) * | 2009-05-18 | 2011-07-21 | Noriyuki Akasaka | Device and method for pressure control of electric injection molding machine |
CN105653444A (zh) * | 2015-12-23 | 2016-06-08 | 北京大学 | 基于互联网日志数据的软件缺陷故障识别方法和*** |
CN113696454A (zh) * | 2021-10-28 | 2021-11-26 | 南通三信塑胶装备科技股份有限公司 | 一种基于人工智能的挤塑设备故障预警方法及*** |
CN114170219A (zh) * | 2021-12-17 | 2022-03-11 | 沭阳延丰精密机械股份有限公司 | 一种基于人工智能的挤出成型机械故障检测方法及*** |
CN114416573A (zh) * | 2022-01-21 | 2022-04-29 | 中国农业银行股份有限公司 | 一种应用程序的缺陷分析方法、装置、设备及介质 |
CN115256900A (zh) * | 2022-07-20 | 2022-11-01 | 德清县飞凡塑料胶粘制品有限公司 | 基于图像处理的塑料保护膜生产参数控制方法 |
CN115648592A (zh) * | 2022-10-25 | 2023-01-31 | 广东瓴仕数字科技有限公司 | 挤出机运行状态的评估方法、***及存储介质 |
-
2023
- 2023-04-14 CN CN202310395517.4A patent/CN116118154B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050080507A1 (en) * | 2003-10-10 | 2005-04-14 | Kevin Silberg | Extrusion of articles |
US20110175248A1 (en) * | 2009-05-18 | 2011-07-21 | Noriyuki Akasaka | Device and method for pressure control of electric injection molding machine |
CN105653444A (zh) * | 2015-12-23 | 2016-06-08 | 北京大学 | 基于互联网日志数据的软件缺陷故障识别方法和*** |
CN113696454A (zh) * | 2021-10-28 | 2021-11-26 | 南通三信塑胶装备科技股份有限公司 | 一种基于人工智能的挤塑设备故障预警方法及*** |
CN114170219A (zh) * | 2021-12-17 | 2022-03-11 | 沭阳延丰精密机械股份有限公司 | 一种基于人工智能的挤出成型机械故障检测方法及*** |
CN114416573A (zh) * | 2022-01-21 | 2022-04-29 | 中国农业银行股份有限公司 | 一种应用程序的缺陷分析方法、装置、设备及介质 |
CN115256900A (zh) * | 2022-07-20 | 2022-11-01 | 德清县飞凡塑料胶粘制品有限公司 | 基于图像处理的塑料保护膜生产参数控制方法 |
CN115648592A (zh) * | 2022-10-25 | 2023-01-31 | 广东瓴仕数字科技有限公司 | 挤出机运行状态的评估方法、***及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116118154B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Botelho et al. | Development and analytical validation of a screening method for simultaneous detection of five adulterants in raw milk using mid-infrared spectroscopy and PLS-DA | |
CN106355030B (zh) | 一种基于层次分析法和加权投票决策融合的故障检测方法 | |
CN110909822B (zh) | 一种基于改进的高斯过程回归模型的卫星异常检测方法 | |
CN109766930A (zh) | 一种基于dcnn模型的矿井机械设备的剩余寿命预测方法 | |
CN108780313B (zh) | 为装配线执行目标参数分析的方法、***和计算机可读介质 | |
CN111079836A (zh) | 基于伪标签方法和弱监督学习的过程数据故障分类方法 | |
CN115983087B (zh) | 一种注意力机制与lstm结合检测时序数据异常方法及终端机 | |
US20210374634A1 (en) | Work efficiency evaluation method, work efficiency evaluation apparatus, and program | |
CN110879971A (zh) | 工业生产设备运行异常情况预测方法及*** | |
CN116088453A (zh) | 生产质量预测模型训练方法及装置、生产质量监控方法 | |
CN115937126A (zh) | 汽车底盘的疲劳测试方法、装置、电子设备及存储介质 | |
CN116118154B (zh) | 一种汽车内饰原料挤出加工控制方法及*** | |
JP2004053440A (ja) | 高分子材料中の添加剤分析方法 | |
CN117591860A (zh) | 一种数据异常检测方法及装置 | |
CN117193178B (zh) | 一种玻璃纤维复合板的生产工艺优化控制方法及*** | |
CN117541095A (zh) | 一种农用地土壤环境质量类别划分的方法 | |
CN112199295A (zh) | 一种基于频谱的深度神经网络缺陷定位方法及*** | |
CN114398228A (zh) | 一种设备资源使用情况的预测方法、装置及电子设备 | |
CN112286969B (zh) | 低频数据连续性确定方法和装置 | |
Yang et al. | Improving quality control with industrial AIoT at HP factories: Experiences and learned lessons | |
US20060277094A1 (en) | Data processing system and method for regulating an installation | |
CN113920437B (zh) | 一种导电粒子识别方法、***、存储介质和计算机设备 | |
CN111781824B (zh) | 一种基于vine copula分位数回归的自适应软测量方法及*** | |
US20230316725A1 (en) | Collecting method for training data | |
CN117275644B (zh) | 基于深度学习的检测结果互认方法、***及存储介质 |
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 |