CN116362630B - 基于物联网的锡膏印刷机管理方法、***及介质 - Google Patents
基于物联网的锡膏印刷机管理方法、***及介质 Download PDFInfo
- Publication number
- CN116362630B CN116362630B CN202310642594.5A CN202310642594A CN116362630B CN 116362630 B CN116362630 B CN 116362630B CN 202310642594 A CN202310642594 A CN 202310642594A CN 116362630 B CN116362630 B CN 116362630B
- Authority
- CN
- China
- Prior art keywords
- solder paste
- performance
- printing
- printer
- state transition
- 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
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 title claims abstract description 20
- 238000007726 management method Methods 0.000 title claims abstract description 20
- 229910000679 solder Inorganic materials 0.000 claims abstract description 339
- 238000000034 method Methods 0.000 claims abstract description 139
- 230000007704 transition Effects 0.000 claims abstract description 88
- 239000011159 matrix material Substances 0.000 claims abstract description 78
- 238000006731 degradation reaction Methods 0.000 claims abstract description 52
- 230000015556 catabolic process Effects 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 39
- 230000008569 process Effects 0.000 claims description 108
- 239000013598 vector Substances 0.000 claims description 79
- 238000013441 quality evaluation Methods 0.000 claims description 53
- 238000010586 diagram Methods 0.000 claims description 28
- 238000011156 evaluation Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 17
- 230000002950 deficient Effects 0.000 abstract description 5
- 238000012797 qualification Methods 0.000 description 8
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012946 outsourcing Methods 0.000 description 2
- 238000010923 batch production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005476 soldering Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/25—Manufacturing
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Primary Health Care (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computer Graphics (AREA)
Abstract
本发明涉及一种基于物联网的锡膏印刷机管理方法、***及介质,属于锡膏印刷机管理技术领域,本发明通过获取当前锡膏印刷产品的印刷工艺要求数据信息,并基于当前锡膏印刷产品的印刷工艺要求数据信息以及相关的性能临界点生成锡膏印刷建议。本发明通过对于预设时间之内的锡膏印刷产品生产的质量,从而根据该生产质量通过马尔科夫链转换为状态转移概率矩阵,从而根据状态转移概率矩阵构建锡膏印刷机性能退化预测模型来预测锡膏印刷机的退化情况,从而与待锡膏印刷产品的加工要求结合评估,使得避免了不符合加工要求的锡膏印刷机对产品进行批量生产时,产生大量的次品或者不满足要求的产品。
Description
技术领域
本发明涉及锡膏印刷机技术领域,尤其涉及一种基于物联网的锡膏印刷机管理方法、***及介质。
背景技术
SMT技术起步于70 年代,快速增长于80 年代,稳定发展于90 年代,至今已逐步成熟。锡膏印刷、元器件贴装和再流焊工艺是SMT 组装技术的三大主要工序,锡膏印刷是第一个工序,大量数据显示,70%以上的组装缺陷都是由锡膏印刷造成的。伴随电子产品向短、小、轻、薄化方向发展,0201、01005 等片式元件以及SOIC、QFP、CSP、BGA 和FC 等细间距器件得到大量应用,这些对锡膏工艺及设备提出了更高要求。此外,无铅化工艺的实施也对现有工艺提出了新的要求。然而,对于产品的批量生产而言,由于设备的长时间生产,相关零部件就会产生一定的退化现象,从而进一步导致的锡膏印刷机的性能发生变化,从而导致了当前的锡膏印刷机可能不符合加工要求,一旦不符合加工要求的锡膏印刷机对产品进行批量生产时,这时就会产生大量的次品或者不满足要求的产品。
发明内容
本发明克服了现有技术的不足,提供了一种基于物联网的锡膏印刷机管理方法、***及介质。
为达上述目的,本发明采用的技术方案为:
本发明第一方面提供了一种基于物联网的锡膏印刷机管理方法,其特征在于包括以下步骤:
获取锡膏印刷机的实时印刷影像数据信息,并基于锡膏印刷机的实时印刷影像数据信息构建锡膏印刷产品的实时模型图,对锡膏印刷产品的实时模型图通过层次分析法进行质量评价,获取锡膏印刷产品的实时质量评价权重向量信息;
通过马尔科夫链对实时质量评价权重向量信息进行状态转移概率计算,并构建状态转移概率矩阵,根据状态转移概率矩阵构建锡膏印刷机性能退化预测模型;
基于锡膏印刷机性能退化预测模型对预设时间之内的锡膏印刷机性能进行预估,获取性能预估结果,并根据性能预估结果获取相关的性能临界点;
获取当前锡膏印刷产品的印刷工艺要求数据信息,并基于当前锡膏印刷产品的印刷工艺要求数据信息以及相关的性能临界点生成锡膏印刷建议。
进一步地,本发明的一个较佳实施例中,获取锡膏印刷机的实时印刷影像数据信息,并基于锡膏印刷机的实时印刷影像数据信息构建锡膏印刷产品的实时模型图,具体为:
获取锡膏印刷机的实时印刷影像数据信息,并通过对实时印刷影像数据信息进行滤波以及去噪处理,获取预处理后的影像数据信息;
通过特征金字塔对预处理后的影像数据信息对锡膏印刷区域部分进行特征提取,通过特征提取之后,通过边缘检测算法对锡膏印刷区域部分的边缘轮廓特征进行检测;
基于锡膏印刷区域部分的边缘轮廓特征通过三维建模软件构建锡膏印刷产品的实时模型图。
进一步地,本发明的一个较佳实施例中,对锡膏印刷产品的实时模型图通过层次分析法进行质量评价,获取锡膏印刷产品的实时质量评价权重向量信息,具体包括以下步骤:
获取当前锡膏印刷产品的印刷工艺要求数据信息,确定评价的层次结构体系,并将评价的层次结构体系分为目标层、准则层以及方案层,并预设加工质量评价效果;
将加工质量评价效果输入到目标层中,将当前锡膏印刷产品的印刷工艺要求数据信息输入到准则层中,将锡膏印刷产品的实时模型图输入到方案层中,生成评价体系;
根据准则层以及方案层组内的各因素进行相互比较,以预设定量标度进行相对重要性定量化,生成标度值,根据标度值构建判断矩阵;
通过方根法对判断矩阵进行归一化计算,得到特征向量,并获取特征向量的在判断矩阵的最大特征值,根据特征向量以及最大特征值得到实时质量评价权重向量信息。
进一步地,本发明的一个较佳实施例中,通过马尔科夫链对实时质量评价权重向量信息进行状态转移概率计算,并构建状态转移概率矩阵,根据状态转移概率矩阵构建锡膏印刷机性能退化预测模型,具体包括:
获取每一次锡膏印刷机在印刷过程中的实时质量评价权重向量信息,并通过马尔科夫链对实时质量评价权重向量信息进行状态转移概率计算,构建状态转移概率矩阵;
基于卷积神经网络构建锡膏印刷机性能退化预测模型,并将状态转移概率矩阵输入到卷积层中进行卷积处理,提取卷积处理后的状态转移概率矩阵中的局部特征信息;
对局部特征信息进行降维处理,生成一维向量组成的状态转移概率矩阵,引入图嵌入算法对状态转移概率矩阵中一维向量在低维稠密的空间中进行嵌入表示,生成嵌入向量;
将嵌入向量输入到全连接层中,通过输出向量识别,最后通过Softmax 进行分类,保存模型参数,输出锡膏印刷机性能退化预测模型。
进一步地,本发明的一个较佳实施例中,基于锡膏印刷机性能退化预测模型对预设时间之内的锡膏印刷机性能进行预估,获取性能预估结果,并根据性能预估结果获取相关的性能临界点,具体包括:
获取各锡膏印刷机在预设时间之内的状态转移概率矩阵,并将各锡膏印刷机在预设时间之内的状态转移概率矩阵输入到锡膏印刷机性能退化预测模型中进行预估,获取性能预估结果;
根据锡膏印刷性能设置关键词信息,并根据关键词信息通过大数据检索,获取锡膏印刷工艺的评价指标数据信息,并根据锡膏印刷流程的评价指标数据信息设置若干个性能指标标度值;
基于性能指标标度值对性能预估结果进行锡膏印刷机的性能工艺范围分类,并获取锡膏印刷机的相关的性能临界点。
进一步地,本发明的一个较佳实施例中,基于当前锡膏印刷产品的印刷工艺要求数据信息以及相关的性能临界点生成锡膏印刷建议,具体包括:
获取锡膏印刷工艺的评价指标数据信息,根据锡膏印刷工艺的评价指标数据信息对当前锡膏印刷产品的印刷工艺要求数据信息进行分类,获取各类别的锡膏印刷产品;
获取各锡膏印刷机当前所处的相关的性能临界点,并根据相关的性能临界点生成印刷工艺性能范围信息,基于印刷工艺性能范围信息进行聚类,获取各性能工艺范围信息聚类结果;
计算各类别的锡膏印刷产品以及所述各性能工艺范围信息的锡膏印刷机的重合度,并判断所述重合度是否大于预设重合度;
当所述重合度大于预设重合度,则将该类锡膏印刷机作为锡膏印刷产品的候选锡膏印刷设备,并选取最大重合度的候选锡膏印刷机作为最终的锡膏印刷设备进行推荐,生成锡膏印刷建议。
本发明第二方面提供了一种基于物联网的锡膏印刷机管理***,该管理***包括存储器以及处理器,存储器中包括基于物联网的锡膏印刷机管理方法程序,基于物联网的锡膏印刷机管理方法程序被处理器执行时,实现如下步骤:
获取锡膏印刷机的实时印刷影像数据信息,并基于锡膏印刷机的实时印刷影像数据信息构建锡膏印刷产品的实时模型图,对锡膏印刷产品的实时模型图通过层次分析法进行质量评价,获取锡膏印刷产品的实时质量评价权重向量信息;
通过马尔科夫链对实时质量评价权重向量信息进行状态转移概率计算,并构建状态转移概率矩阵,根据状态转移概率矩阵构建锡膏印刷机性能退化预测模型;
基于锡膏印刷机性能退化预测模型对预设时间之内的锡膏印刷机性能进行预估,获取性能预估结果,并根据性能预估结果获取相关的性能临界点;
获取当前锡膏印刷产品的印刷工艺要求数据信息,并基于当前锡膏印刷产品的印刷工艺要求数据信息以及相关的性能临界点生成锡膏印刷建议。
在本实施例中,通过马尔科夫链对实时质量评价权重向量信息进行状态转移概率计算,并构建状态转移概率矩阵,根据状态转移概率矩阵构建锡膏印刷机性能退化预测模型,具体包括:
获取每一次锡膏印刷机在印刷过程中的实时质量评价权重向量信息,并通过马尔科夫链对实时质量评价权重向量信息进行状态转移概率计算,构建状态转移概率矩阵;
基于卷积神经网络构建锡膏印刷机性能退化预测模型,并将状态转移概率矩阵输入到卷积层中进行卷积处理,提取卷积处理后的状态转移概率矩阵中的局部特征信息;
对局部特征信息进行降维处理,生成一维向量组成的状态转移概率矩阵,引入图嵌入算法对状态转移概率矩阵中一维向量在低维稠密的空间中进行嵌入表示,生成嵌入向量;
将嵌入向量输入到全连接层中,通过输出向量识别,最后通过Softmax 进行分类,保存模型参数,输出锡膏印刷机性能退化预测模型。
在本实施例中,基于当前锡膏印刷产品的印刷工艺要求数据信息以及相关的性能临界点生成锡膏印刷建议,具体包括:
获取锡膏印刷工艺的评价指标数据信息,根据锡膏印刷工艺的评价指标数据信息对当前锡膏印刷产品的印刷工艺要求数据信息进行分类,获取各类别的锡膏印刷产品;
获取各锡膏印刷机当前所处的相关的性能临界点,并根据相关的性能临界点生成印刷工艺性能范围信息,基于印刷工艺性能范围信息进行聚类,获取各性能工艺范围信息聚类结果;
计算各类别的锡膏印刷产品以及所述各性能工艺范围信息的锡膏印刷机的重合度,并判断所述重合度是否大于预设重合度;
当所述重合度大于预设重合度,则将该类锡膏印刷机作为锡膏印刷产品的候选锡膏印刷设备,并选取最大重合度的候选锡膏印刷机作为最终的锡膏印刷设备进行推荐,生成锡膏印刷建议。
本发明第三方面提供了一种计算机可读存储介质,计算机可读存储介质包括基于物联网的锡膏印刷机管理方法程序,基于物联网的锡膏印刷机管理方法程序被处理器执行时,实现任一项的基于物联网的锡膏印刷机管理方法的步骤。
本发明解决了背景技术中存在的缺陷,本发明具备以下有益效果:
本发明通过根据状态转移概率矩阵构建锡膏印刷机性能退化预测模型;从而基于锡膏印刷机性能退化预测模型对预设时间之内的锡膏印刷机性能进行预估,获取性能预估结果,并根据性能预估结果获取相关的性能临界点;最后通过获取当前锡膏印刷产品的印刷工艺要求数据信息,并基于当前锡膏印刷产品的印刷工艺要求数据信息以及相关的性能临界点生成锡膏印刷建议。本发明通过对于预设时间之内的锡膏印刷产品生产的质量,从而根据该生产质量通过马尔科夫链转换为状态转移概率矩阵,从而根据状态转移概率矩阵构建锡膏印刷机性能退化预测模型来预测锡膏印刷机的退化情况,从而与待锡膏印刷产品的加工要求结合评估,使得避免了不符合加工要求的锡膏印刷机对产品进行批量生产时,产生大量的次品或者不满足要求的产品。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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实施例的附图。
图1示出了基于物联网的锡膏印刷机管理方法的整体方法流程图;
图2示出了基于物联网的锡膏印刷机管理方法的第一方法流程图;
图3示出了基于物联网的锡膏印刷机管理方法的第二方法流程图;
图4示出了基于物联网的锡膏印刷机管理***的***框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示,本发明第一方面提供了一种基于物联网的锡膏印刷机管理方法,其特征在于包括以下步骤:
S102:获取锡膏印刷机的实时印刷影像数据信息,并基于锡膏印刷机的实时印刷影像数据信息构建锡膏印刷产品的实时模型图,对锡膏印刷产品的实时模型图通过层次分析法进行质量评价,获取锡膏印刷产品的实时质量评价权重向量信息;
S104:通过马尔科夫链对实时质量评价权重向量信息进行状态转移概率计算,并构建状态转移概率矩阵,根据状态转移概率矩阵构建锡膏印刷机性能退化预测模型;
S106:基于锡膏印刷机性能退化预测模型对预设时间之内的锡膏印刷机性能进行预估,获取性能预估结果,并根据性能预估结果获取相关的性能临界点;
S108:获取当前锡膏印刷产品的印刷工艺要求数据信息,并基于当前锡膏印刷产品的印刷工艺要求数据信息以及相关的性能临界点生成锡膏印刷建议。
需要说明的是,本发明通过对于预设时间之内的锡膏印刷产品生产的质量,从而根据该生产质量通过马尔科夫链转换为状态转移概率矩阵,从而根据状态转移概率矩阵构建锡膏印刷机性能退化预测模型来预测锡膏印刷机的退化情况,从而与待锡膏印刷产品的加工要求结合评估,使得避免了不符合加工要求的锡膏印刷机对产品进行批量生产时,产生大量的次品或者不满足要求的产品。
进一步地,本发明的一个较佳实施例中,在步骤S102中,该步骤具体包括:
获取锡膏印刷机的实时印刷影像数据信息,并通过对实时印刷影像数据信息进行滤波以及去噪处理,获取预处理后的影像数据信息;
通过特征金字塔对预处理后的影像数据信息对锡膏印刷区域部分进行特征提取,通过特征提取之后,通过边缘检测算法对锡膏印刷区域部分的边缘轮廓特征进行检测;
基于锡膏印刷区域部分的边缘轮廓特征通过三维建模软件构建锡膏印刷产品的实时模型图。
示例性的,其中,三维建模软件可以为SolidWorks、maya、proe软件等。
如图2所示,进一步地,本发明的一个较佳实施例中,对锡膏印刷产品的实时模型图通过层次分析法进行质量评价,获取锡膏印刷产品的实时质量评价权重向量信息,具体包括以下步骤:
S202:获取当前锡膏印刷产品的印刷工艺要求数据信息,确定评价的层次结构体系,并将评价的层次结构体系分为目标层、准则层以及方案层,并预设加工质量评价效果;
S204:将加工质量评价效果输入到目标层中,将当前锡膏印刷产品的印刷工艺要求数据信息输入到准则层中,将锡膏印刷产品的实时模型图输入到方案层中,生成评价体系;
S206:根据准则层以及方案层组内的各因素进行相互比较,以预设定量标度进行相对重要性定量化,生成标度值,根据标度值构建判断矩阵;
S208:通过方根法对判断矩阵进行归一化计算,得到特征向量,并获取特征向量的在判断矩阵的最大特征值,根据特征向量以及最大特征值得到实时质量评价权重向量信息。
示例性的,其中,在本实施例中,印刷工艺要求数据信息包括锡膏印刷包括锡膏印刷区域的所在区域位置、锡膏印刷的平整度要求、锡膏印刷的高度要求等。通过锡膏印刷产品的实时模型图能实时的反映印刷工艺要求数据信息,并通过层次分析法求出实时质量评价权重向量信息。当实时质量评价权重向量信息越大,表示锡膏印刷产品的印刷质量越高。
进一步地,本发明的一个较佳实施例中,通过马尔科夫链对实时质量评价权重向量信息进行状态转移概率计算,并构建状态转移概率矩阵,根据状态转移概率矩阵构建锡膏印刷机性能退化预测模型,具体包括:
获取每一次锡膏印刷机在印刷过程中的实时质量评价权重向量信息,并通过马尔科夫链对实时质量评价权重向量信息进行状态转移概率计算,构建状态转移概率矩阵;
基于卷积神经网络构建锡膏印刷机性能退化预测模型,并将状态转移概率矩阵输入到卷积层中进行卷积处理,提取卷积处理后的状态转移概率矩阵中的局部特征信息;
对局部特征信息进行降维处理,生成一维向量组成的状态转移概率矩阵,引入图嵌入算法对状态转移概率矩阵中一维向量在低维稠密的空间中进行嵌入表示,生成嵌入向量;
将嵌入向量输入到全连接层中,通过输出向量识别,最后通过Softmax 进行分类,保存模型参数,输出锡膏印刷机性能退化预测模型。
示例性的,在本实施例中,若***下一时刻的状态只与***当前状态相关,则可用一种被称为马尔科夫链的特殊随机过程来描述***性能退化过程。在状态转移概率矩阵中,假设加工的零件有500件,则案例锡膏印刷机每加工一个工件的状态转移概率五百分之一。通过引入图嵌入算法对状态转移概率矩阵中一维向量在低维稠密的空间中进行嵌入表示,生成嵌入向量,从而提高锡膏印刷机性能退化预测模型运行精度以及运行鲁棒性。
进一步地,本发明的一个较佳实施例中,基于锡膏印刷机性能退化预测模型对预设时间之内的锡膏印刷机性能进行预估,获取性能预估结果,并根据性能预估结果获取相关的性能临界点,具体包括:
获取各锡膏印刷机在预设时间之内的状态转移概率矩阵,并将各锡膏印刷机在预设时间之内的状态转移概率矩阵输入到锡膏印刷机性能退化预测模型中进行预估,获取性能预估结果;
根据锡膏印刷性能设置关键词信息,并根据关键词信息通过大数据检索,获取锡膏印刷工艺的评价指标数据信息,并根据锡膏印刷流程的评价指标数据信息设置若干个性能指标标度值;
基于性能指标标度值对性能预估结果进行锡膏印刷机的性能工艺范围分类,并获取锡膏印刷机的相关的性能临界点。
示例性的,在本实施例中,锡膏印刷工艺的评价指标数据包括锡膏印刷时的印刷能够达到高度标准、宽度标准、平整度标准。性能指标标度值为高度标准、宽度标准、平整度标准对应的数值。假设锡膏印刷机平整度标准设置有低合格率标准、中合格率标准、高合格率标准,在实际中,由于锡膏印刷机的性能会随着机器的使用频率是发生迁移以及变化的,相关的性能临界点相当于某一类型标准的临界值,如平整度高合格率标准为锡膏印刷的平整度偏移量不超过百分之二,即平整度的相关的性能临界点在工艺要求的百分之九十八到百分之百之间。
如图3所示,进一步地,本发明的一个较佳实施例中,基于当前锡膏印刷产品的印刷工艺要求数据信息以及相关的性能临界点生成锡膏印刷建议,具体包括:
S302:获取锡膏印刷工艺的评价指标数据信息,根据锡膏印刷工艺的评价指标数据信息对当前锡膏印刷产品的印刷工艺要求数据信息进行分类,获取各类别的锡膏印刷产品;
示例性的,由于不同锡膏印刷产品可能会存在不同锡膏印刷工艺要求,如一些锡膏印刷产品的加工工艺要求较高,而某一些锡膏印刷产品的加工工艺要求较低,通过本方法可以根据锡膏印刷产品的加工工艺要进行分类。
S304:获取各锡膏印刷机当前所处的相关的性能临界点,并根据相关的性能临界点生成印刷工艺性能范围信息,基于印刷工艺性能范围信息进行聚类,获取各性能工艺范围信息聚类结果;
示例性的,在本实施例中,由于于锡膏印刷机的性能会随着机器的使用频率是发生迁移以及变化的,相同型号的锡膏印刷机在不同的使用频率以及使用年限,其各印刷性能情况均是不一致的。
S306:计算各类别的锡膏印刷产品以及所述各性能工艺范围信息的锡膏印刷机的重合度,并判断所述重合度是否大于预设重合度;
S308:当所述重合度大于预设重合度,则将该类锡膏印刷机作为锡膏印刷产品的候选锡膏印刷设备,并选取最大重合度的候选锡膏印刷机作为最终的锡膏印刷设备进行推荐,生成锡膏印刷建议。
需要说明的是,通过本方法对锡膏印刷产品的工艺要求以及设备的性能退化情况进行结合评估以及生成相关的调整建议,使得避免了不符合加工要求的锡膏印刷机对产品进行批量生产时,产生大量的次品或者不满足要求的产品。当重合度大于预设重合度说明该设备是符合锡膏印刷产品的工艺要求的,并选取最大重合度的候选锡膏印刷机作为最终的锡膏印刷设备进行推荐,如现有的锡膏印刷产品的平整度要求为中等合格率,而现有的锡膏印刷设备有中等合格率以及高等合格率的设备,按照实际来说两者均是符合加工工艺要求的,但是中等合格率的匹配度较高,就会选择该印刷设备作为最终的印刷设备。
此外,本方法还可以包括以下步骤:
获取相关企业中各性能工艺范围的锡膏印刷机,并将所述相关企业中各性能工艺范围的锡膏印刷机输入到区域链中进行存储;
若所述重合度不大于预设重合度时,通过大数据获取各种性能工艺范围的锡膏印刷机,当性能工艺范围大于当前锡膏印刷产品的印刷工艺要求数据信息,选取该锡膏印刷机作为替换锡膏印刷设备;
通过大数据获取所述替换锡膏印刷设备的历史故障频率数据信息,并构建故障频率排序表,将所述历史故障频率数据信息输入到所述故障频率排序表中进行从小到大排序;
将所述故障频率排序表中的替换锡膏印刷设备输入到所述区块链中进行匹配,当存在匹配度大于预设匹配度的相关企业时,则将该企业作为外包推荐企业。
需要说明的是,通过本方法能够进一步地推荐出符合当前锡膏印刷产品的印刷工艺要求数据信息的锡膏印刷设备,并且从区块链中选取出适合当前锡膏印刷产品的印刷工艺要求数据信息的外包加工企业。
此外,本方法还可以包括以下步骤:
通过性能退化预测模型获取锡膏印刷机到达相关的性能临界点的预估时间,并获取当前锡膏印刷产品的订单数量信息;
通过大数据获取当前单位数量的锡膏印刷产品的平均完成时间,并根据所述当前单位数量的锡膏印刷产品的平均完成时间对当前锡膏印刷产品的订单数量信息进行预估,获取生产订单完成的时间点信息;
判断所述生产订单完成的时间点信息是否大于锡膏印刷机到达相关的性能临界点的预估时间;
当所述生产订单完成的时间点信息大于锡膏印刷机到达相关的性能临界点的预估时间时,则重新选取生产订单完成的时间点信息不大于锡膏印刷机到达相关的性能临界点的预估时间的锡膏印刷机作为最终的锡膏印刷设备。
需要说明的是,通过本方法能够进一步提高选择锡膏印刷机作为最终的生产设备,以避免了不符合加工要求的锡膏印刷机对产品进行批量生产时,产生大量的次品或者不满足要求的产品。
如图4所示,本发明第二方面提供了一种基于物联网的锡膏印刷机管理***4,该管理***4包括存储器41以及处理器62,存储器41中包括基于物联网的锡膏印刷机管理方法程序,基于物联网的锡膏印刷机管理方法程序被处理器62执行时,实现如下步骤:
获取锡膏印刷机的实时印刷影像数据信息,并基于锡膏印刷机的实时印刷影像数据信息构建锡膏印刷产品的实时模型图,对锡膏印刷产品的实时模型图通过层次分析法进行质量评价,获取锡膏印刷产品的实时质量评价权重向量信息;
通过马尔科夫链对实时质量评价权重向量信息进行状态转移概率计算,并构建状态转移概率矩阵,根据状态转移概率矩阵构建锡膏印刷机性能退化预测模型;
基于锡膏印刷机性能退化预测模型对预设时间之内的锡膏印刷机性能进行预估,获取性能预估结果,并根据性能预估结果获取相关的性能临界点;
获取当前锡膏印刷产品的印刷工艺要求数据信息,并基于当前锡膏印刷产品的印刷工艺要求数据信息以及相关的性能临界点生成锡膏印刷建议。
在本实施例中,通过马尔科夫链对实时质量评价权重向量信息进行状态转移概率计算,并构建状态转移概率矩阵,根据状态转移概率矩阵构建锡膏印刷机性能退化预测模型,具体包括:
获取每一次锡膏印刷机在印刷过程中的实时质量评价权重向量信息,并通过马尔科夫链对实时质量评价权重向量信息进行状态转移概率计算,构建状态转移概率矩阵;
基于卷积神经网络构建锡膏印刷机性能退化预测模型,并将状态转移概率矩阵输入到卷积层中进行卷积处理,提取卷积处理后的状态转移概率矩阵中的局部特征信息;
对局部特征信息进行降维处理,生成一维向量组成的状态转移概率矩阵,引入图嵌入算法对状态转移概率矩阵中一维向量在低维稠密的空间中进行嵌入表示,生成嵌入向量;
将嵌入向量输入到全连接层中,通过输出向量识别,最后通过Softmax 进行分类,保存模型参数,输出锡膏印刷机性能退化预测模型。
在本实施例中,基于当前锡膏印刷产品的印刷工艺要求数据信息以及相关的性能临界点生成锡膏印刷建议,具体包括:
获取锡膏印刷工艺的评价指标数据信息,根据锡膏印刷工艺的评价指标数据信息对当前锡膏印刷产品的印刷工艺要求数据信息进行分类,获取各类别的锡膏印刷产品;
获取各锡膏印刷机当前所处的相关的性能临界点,并根据相关的性能临界点生成印刷工艺性能范围信息,基于印刷工艺性能范围信息进行聚类,获取各性能工艺范围信息聚类结果;
计算各类别的锡膏印刷产品以及所述各性能工艺范围信息的锡膏印刷机的重合度,并判断所述重合度是否大于预设重合度;
当所述重合度大于预设重合度,则将该类锡膏印刷机作为锡膏印刷产品的候选锡膏印刷设备,并选取最大重合度的候选锡膏印刷机作为最终的锡膏印刷设备进行推荐,生成锡膏印刷建议。
本发明第三方面提供了一种计算机可读存储介质,计算机可读存储介质包括基于物联网的锡膏印刷机管理方法程序,基于物联网的锡膏印刷机管理方法程序被处理器执行时,实现任一项的基于物联网的锡膏印刷机管理方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例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一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.基于物联网的锡膏印刷机管理方法,其特征在于,包括以下步骤:
获取锡膏印刷机的实时印刷影像数据信息,并基于所述锡膏印刷机的实时印刷影像数据信息构建锡膏印刷产品的实时模型图,对锡膏印刷产品的实时模型图通过层次分析法进行质量评价,获取锡膏印刷产品的实时质量评价权重向量信息;
通过马尔科夫链对所述实时质量评价权重向量信息进行状态转移概率计算,并构建状态转移概率矩阵,根据所述状态转移概率矩阵构建锡膏印刷机性能退化预测模型;
基于所述锡膏印刷机性能退化预测模型对预设时间之内的锡膏印刷机性能进行预估,获取性能预估结果,并根据所述性能预估结果获取相关的性能临界点;
获取当前锡膏印刷产品的印刷工艺要求数据信息,并基于所述当前锡膏印刷产品的印刷工艺要求数据信息以及相关的性能临界点生成锡膏印刷建议;
其中,通过马尔科夫链对所述实时质量评价权重向量信息进行状态转移概率计算,并构建状态转移概率矩阵,根据所述状态转移概率矩阵构建锡膏印刷机性能退化预测模型,具体包括:
获取每一次锡膏印刷机在印刷过程中的实时质量评价权重向量信息,并通过马尔科夫链对所述实时质量评价权重向量信息进行状态转移概率计算,构建状态转移概率矩阵;
基于卷积神经网络构建锡膏印刷机性能退化预测模型,并将所述状态转移概率矩阵输入到卷积层中进行卷积处理,提取卷积处理后的状态转移概率矩阵中的局部特征信息;
对所述局部特征信息进行降维处理,生成一维向量组成的状态转移概率矩阵,引入图嵌入算法对状态转移概率矩阵中一维向量在低维稠密的空间中进行嵌入表示,生成嵌入向量;
将所述嵌入向量输入到全连接层中,通过输出向量识别,最后通过Softmax 进行分类,保存模型参数,输出锡膏印刷机性能退化预测模型。
2.根据权利要求1所述的基于物联网的锡膏印刷机管理方法,其特征在于,获取锡膏印刷机的实时印刷影像数据信息,并基于所述锡膏印刷机的实时印刷影像数据信息构建锡膏印刷产品的实时模型图,具体为:
获取锡膏印刷机的实时印刷影像数据信息,并通过对所述实时印刷影像数据信息进行滤波以及去噪处理,获取预处理后的影像数据信息;
通过特征金字塔对所述预处理后的影像数据信息对锡膏印刷区域部分进行特征提取,通过特征提取之后,通过边缘检测算法对锡膏印刷区域部分的边缘轮廓特征进行检测;
基于锡膏印刷区域部分的边缘轮廓特征通过三维建模软件构建锡膏印刷产品的实时模型图。
3.根据权利要求1所述的基于物联网的锡膏印刷机管理方法,其特征在于,对锡膏印刷产品的实时模型图通过层次分析法进行质量评价,获取锡膏印刷产品的实时质量评价权重向量信息,具体包括以下步骤:
获取当前锡膏印刷产品的印刷工艺要求数据信息,确定评价的层次结构体系,并将所述评价的层次结构体系分为目标层、准则层以及方案层,并预设加工质量评价效果;
将所述加工质量评价效果输入到目标层中,将所述当前锡膏印刷产品的印刷工艺要求数据信息输入到准则层中,将锡膏印刷产品的实时模型图输入到方案层中,生成评价体系;
根据所述准则层以及方案层组内的各因素进行相互比较,以预设定量标度进行相对重要性定量化,生成标度值,根据标度值构建判断矩阵;
通过方根法对所述判断矩阵进行归一化计算,得到特征向量,并获取所述特征向量的在判断矩阵的最大特征值,根据所述特征向量以及最大特征值得到实时质量评价权重向量信息。
4.根据权利要求1所述的基于物联网的锡膏印刷机管理方法,其特征在于,基于所述锡膏印刷机性能退化预测模型对预设时间之内的锡膏印刷机性能进行预估,获取性能预估结果,并根据所述性能预估结果获取相关的性能临界点,具体包括:
获取各锡膏印刷机在预设时间之内的状态转移概率矩阵,并将所述各锡膏印刷机在预设时间之内的状态转移概率矩阵输入到所述锡膏印刷机性能退化预测模型中进行预估,获取性能预估结果;
根据锡膏印刷性能设置关键词信息,并根据所述关键词信息通过大数据检索,获取锡膏印刷工艺的评价指标数据信息,并根据所述锡膏印刷流程的评价指标数据信息设置若干个性能指标标度值;
基于所述性能指标标度值对所述性能预估结果进行锡膏印刷机的性能工艺范围分类,并获取锡膏印刷机的相关的性能临界点。
5.根据权利要求1所述的基于物联网的锡膏印刷机管理方法,其特征在于,基于所述当前锡膏印刷产品的印刷工艺要求数据信息以及相关的性能临界点生成锡膏印刷建议,具体包括:
获取锡膏印刷工艺的评价指标数据信息,根据所述锡膏印刷工艺的评价指标数据信息对当前锡膏印刷产品的印刷工艺要求数据信息进行分类,获取各类别的锡膏印刷产品;
获取各锡膏印刷机当前所处的相关的性能临界点,并根据所述相关的性能临界点生成印刷工艺性能范围信息,基于所述印刷工艺性能范围信息进行聚类,获取各性能工艺范围信息的锡膏印刷机;
计算各类别的锡膏印刷产品以及所述各性能工艺范围信息的锡膏印刷机的重合度,并判断所述重合度是否大于预设重合度;
当所述重合度大于预设重合度,则将该类锡膏印刷机作为锡膏印刷产品的候选锡膏印刷设备,并选取最大重合度的候选锡膏印刷机作为最终的锡膏印刷设备进行推荐,生成锡膏印刷建议。
6.基于物联网的锡膏印刷机管理***,其特征在于,所述管理***包括存储器以及处理器,所述存储器中包括基于物联网的锡膏印刷机管理方法程序,所述基于物联网的锡膏印刷机管理方法程序被所述处理器执行时,实现如下步骤:
获取锡膏印刷机的实时印刷影像数据信息,并基于所述锡膏印刷机的实时印刷影像数据信息构建锡膏印刷产品的实时模型图,对锡膏印刷产品的实时模型图通过层次分析法进行质量评价,获取锡膏印刷产品的实时质量评价权重向量信息;
通过马尔科夫链对所述实时质量评价权重向量信息进行状态转移概率计算,并构建状态转移概率矩阵,根据所述状态转移概率矩阵构建锡膏印刷机性能退化预测模型;
基于所述锡膏印刷机性能退化预测模型对预设时间之内的锡膏印刷机性能进行预估,获取性能预估结果,并根据所述性能预估结果获取相关的性能临界点;
获取当前锡膏印刷产品的印刷工艺要求数据信息,并基于所述当前锡膏印刷产品的印刷工艺要求数据信息以及相关的性能临界点生成锡膏印刷建议;
其中,通过马尔科夫链对所述实时质量评价权重向量信息进行状态转移概率计算,并构建状态转移概率矩阵,根据所述状态转移概率矩阵构建锡膏印刷机性能退化预测模型,具体包括:
获取每一次锡膏印刷机在印刷过程中的实时质量评价权重向量信息,并通过马尔科夫链对所述实时质量评价权重向量信息进行状态转移概率计算,构建状态转移概率矩阵;
基于卷积神经网络构建锡膏印刷机性能退化预测模型,并将所述状态转移概率矩阵输入到卷积层中进行卷积处理,提取卷积处理后的状态转移概率矩阵中的局部特征信息;
对所述局部特征信息进行降维处理,生成一维向量组成的状态转移概率矩阵,引入图嵌入算法对状态转移概率矩阵中一维向量在低维稠密的空间中进行嵌入表示,生成嵌入向量;
将所述嵌入向量输入到全连接层中,通过输出向量识别,最后通过Softmax 进行分类,保存模型参数,输出锡膏印刷机性能退化预测模型。
7.根据权利要求6所述的基于物联网的锡膏印刷机管理***,其特征在于,基于所述当前锡膏印刷产品的印刷工艺要求数据信息以及相关的性能临界点生成锡膏印刷建议,具体包括:
获取锡膏印刷工艺的评价指标数据信息,根据所述锡膏印刷工艺的评价指标数据信息对当前锡膏印刷产品的印刷工艺要求数据信息进行分类,获取各类别的锡膏印刷产品;
获取各锡膏印刷机当前所处的相关的性能临界点,并根据所述相关的性能临界点生成印刷工艺性能范围信息,基于所述印刷工艺性能范围信息进行聚类,获取各性能工艺范围信息聚类结果;
计算各类别的锡膏印刷产品以及所述各性能工艺范围信息的锡膏印刷机的重合度,并判断所述重合度是否大于预设重合度;
当所述重合度大于预设重合度,则将该类锡膏印刷机作为锡膏印刷产品的候选锡膏印刷设备,并选取最大重合度的候选锡膏印刷机作为最终的锡膏印刷设备进行推荐,生成锡膏印刷建议。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括基于物联网的锡膏印刷机管理方法程序,所述基于物联网的锡膏印刷机管理方法程序被处理器执行时,实现如权利要求1-5任一项所述的基于物联网的锡膏印刷机管理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310642594.5A CN116362630B (zh) | 2023-06-01 | 2023-06-01 | 基于物联网的锡膏印刷机管理方法、***及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310642594.5A CN116362630B (zh) | 2023-06-01 | 2023-06-01 | 基于物联网的锡膏印刷机管理方法、***及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116362630A CN116362630A (zh) | 2023-06-30 |
CN116362630B true CN116362630B (zh) | 2023-08-18 |
Family
ID=86910590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310642594.5A Active CN116362630B (zh) | 2023-06-01 | 2023-06-01 | 基于物联网的锡膏印刷机管理方法、***及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116362630B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116823803B (zh) * | 2023-07-21 | 2024-01-30 | 深圳鑫舟生物信息科技有限公司 | 一种生物补偿理疗*** |
CN116931534B (zh) * | 2023-09-19 | 2023-12-01 | 深圳市俱进纸品包装有限公司 | 基于物联网的刺绣产品生产控制方法及*** |
CN117056711B (zh) * | 2023-10-11 | 2024-01-30 | 深圳正实自动化设备有限公司 | 基于多源数据的锡膏印刷机性能评估方法、***及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108170680A (zh) * | 2017-12-29 | 2018-06-15 | 厦门市美亚柏科信息股份有限公司 | 基于隐马尔科夫模型的关键词识别方法、终端设备及存储介质 |
CN109146181A (zh) * | 2018-08-24 | 2019-01-04 | 郑州云海信息技术有限公司 | 一种smt印刷品质优化***及方法 |
CN109597968A (zh) * | 2018-12-29 | 2019-04-09 | 西安电子科技大学 | 基于smt大数据的锡膏印刷性能影响因素分析方法 |
CN109677118A (zh) * | 2018-12-14 | 2019-04-26 | 格力电器(重庆)有限公司 | 一种smt印刷机锡膏回拢检测方法及*** |
CN114375107A (zh) * | 2020-10-15 | 2022-04-19 | 中兴通讯股份有限公司 | Smt产线锡膏印刷非结构化影响因素重构方法、装置及设备 |
CN115460608A (zh) * | 2021-06-09 | 2022-12-09 | ***通信集团四川有限公司 | 一种网络安全策略的执行方法、装置及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180082213A1 (en) * | 2016-09-18 | 2018-03-22 | Newvoicemedia, Ltd. | System and method for optimizing communication operations using reinforcement learning |
-
2023
- 2023-06-01 CN CN202310642594.5A patent/CN116362630B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108170680A (zh) * | 2017-12-29 | 2018-06-15 | 厦门市美亚柏科信息股份有限公司 | 基于隐马尔科夫模型的关键词识别方法、终端设备及存储介质 |
CN109146181A (zh) * | 2018-08-24 | 2019-01-04 | 郑州云海信息技术有限公司 | 一种smt印刷品质优化***及方法 |
CN109677118A (zh) * | 2018-12-14 | 2019-04-26 | 格力电器(重庆)有限公司 | 一种smt印刷机锡膏回拢检测方法及*** |
CN109597968A (zh) * | 2018-12-29 | 2019-04-09 | 西安电子科技大学 | 基于smt大数据的锡膏印刷性能影响因素分析方法 |
CN114375107A (zh) * | 2020-10-15 | 2022-04-19 | 中兴通讯股份有限公司 | Smt产线锡膏印刷非结构化影响因素重构方法、装置及设备 |
CN115460608A (zh) * | 2021-06-09 | 2022-12-09 | ***通信集团四川有限公司 | 一种网络安全策略的执行方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116362630A (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116362630B (zh) | 基于物联网的锡膏印刷机管理方法、***及介质 | |
CN117152123B (zh) | 一种用于锡膏印刷的检测定位优化方法、***及存储介质 | |
CN116523414B (zh) | 一种复合镍铜散热底板的生产管理方法及*** | |
CN117309891B (zh) | 一种基于智能反馈机制的玻璃钢化膜检测方法及*** | |
CN115302963B (zh) | 一种基于机器视觉的条形码印刷控制方法、***及介质 | |
CN117314919B (zh) | 基于机器视觉的包装袋生产分析方法、***及存储介质 | |
CN117608259B (zh) | 一种储存芯片生产设备的控制方法及*** | |
CN117726322A (zh) | 一种探头测试设备智能管理方法及*** | |
CN116394161B (zh) | 一种基于数据分析的电极生产管理方法及*** | |
CN117095247B (zh) | 基于数控加工的加工姿态运行优化方法、***及介质 | |
CN116931534B (zh) | 基于物联网的刺绣产品生产控制方法及*** | |
CN114138601A (zh) | 一种业务告警方法、装置、设备及存储介质 | |
CN117273980A (zh) | 基于数据分析的智慧工厂管理方法、***及存储介质 | |
CN117726965A (zh) | 基于神经网络的无人值守过磅控制方法及*** | |
CN117390370A (zh) | 基于健康指数的机台预警方法、装置、设备及可读介质 | |
CN113627755B (zh) | 智能终端工厂的测试方法、装置、设备及存储介质 | |
CN114419034A (zh) | 一种智能穿戴用硅胶材料的自动化检测方法、***及介质 | |
CN114841971A (zh) | 金属块凹坑缺陷检测方法、***及装置 | |
CN114723748B (zh) | 电机控制器的检测方法、装置、设备及存储介质 | |
CN116842415B (zh) | 一种镜面放电加工机的远程监测方法、***及介质 | |
CN118095971B (zh) | 一种ad钙奶饮料加工工艺评估方法、***及介质 | |
CN117875945B (zh) | 一种电网设备维修预测方法、***和介质 | |
CN114638851B (zh) | 一种基于生成对抗网络的图像分割方法、***及存储介质 | |
CN117370824B (zh) | 一种空气压缩机进气状态智能监测方法及*** | |
CN114627340B (zh) | 基于三重度量的图像隐写检测特征自适应选取方法 |
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 |