CN116394161A - 一种基于数据分析的电极生产管理方法及*** - Google Patents
一种基于数据分析的电极生产管理方法及*** Download PDFInfo
- Publication number
- CN116394161A CN116394161A CN202310655166.6A CN202310655166A CN116394161A CN 116394161 A CN116394161 A CN 116394161A CN 202310655166 A CN202310655166 A CN 202310655166A CN 116394161 A CN116394161 A CN 116394161A
- Authority
- CN
- China
- Prior art keywords
- grinding
- crack
- area
- real
- electrode
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 59
- 238000007405 data analysis Methods 0.000 title claims abstract description 26
- 238000007726 management method Methods 0.000 title claims abstract description 24
- 238000012937 correction Methods 0.000 claims abstract description 77
- 238000000034 method Methods 0.000 claims abstract description 52
- 239000002699 waste material Substances 0.000 claims abstract description 47
- 238000010586 diagram Methods 0.000 claims abstract description 44
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 27
- 230000004927 fusion Effects 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000010219 correlation analysis Methods 0.000 claims description 9
- 238000007499 fusion processing Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000000047 product Substances 0.000 description 34
- 238000003860 storage Methods 0.000 description 8
- 238000003754 machining Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000013210 evaluation model Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000006698 induction Effects 0.000 description 3
- 230000001939 inductive effect Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000011149 active material Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
- B24B49/12—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation involving optical means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
- B24B49/006—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation taking regard of the speed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Mechanical Engineering (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
Abstract
本发明涉及电极生产技术领域,特别是一种基于数据分析的电极生产管理方法及***,基于所述第一裂纹三维模型图与第二裂纹三维模型图分析出裂纹的延伸特性信息;基于所述裂纹的延伸特性信息计算出裂纹延伸至非磨削区域所需的延伸时间,并基于所述裂纹延伸至非磨削区域所需的延伸时间分析出在磨削过程中的电极是否为废品;若为废品,则立即生成停止磨削程序;若不为废品,则生成磨削修正参数;将所述停止磨削程序或磨削修正参数输送至控制终端。通过本方法能够避免出现对裂纹已经延伸到非磨削区域的电极产品继续进行磨削加工的情况,从而降低生产成本,能够有效提高生产效率。
Description
技术领域
本发明涉及电极生产技术领域,特别是一种基于数据分析的电极生产管理方法及***。
背景技术
电极是指在电路中起连接或断开电路、调节电路、测量电路或将电能转换为其他形式的元件,是电器、电子设备中必不可少的部件之一。电极通常由电导体材料制成,例如金属、碳或半导体材料。常见的电极有:金属电极、碳电极、半导体电极、纳米电极等。并且电极的种类和形状也非常复杂,如根据不同的用途和形状,可分为引线电极、片状电极、插针电极、贴片式电极等。目前,电极在生产过程中存在生产效率低下和生产成本高等缺陷。为了优化电极的生产过程,提高电极的生产效率和减少生产成本,本发明提出了一种基于数据分析的电极生产管理方法及***。
发明内容
本发明克服了现有技术的不足,提供了一种基于数据分析的电极生产管理方法及***。
为达到上述目的本发明采用的技术方案为:
本发明第一方面公开了一种基于数据分析的电极生产管理方法,具体包括以下步骤:
获取电极的工程蓝图信息,基于所述工程蓝图信息确定出电极的磨削区域与非磨削区域;将所述磨削区域分为若干个子磨削区域;
获取在磨削各个子磨削区域时的实时图像信息,对所述实时图像信息进行识别,得到第一识别结果或第二识别结果;
若识别结果为第一识别结果,则基于所述实时图像信息构建得到第一时间节点对应的第一裂纹三维模型图;在预设时间间隔后获取电极在磨削时的第二实时图像信息,基于所述第二实时图像信息构建得到第二时间节点对应的第二裂纹三维模型图;
基于所述第一裂纹三维模型图与第二裂纹三维模型图分析出裂纹的延伸特性信息;其中,所述延伸特性信息包括延伸速率与延伸路径;
基于所述裂纹的延伸特性信息计算出裂纹延伸至非磨削区域所需的延伸时间,并基于所述裂纹延伸至非磨削区域所需的延伸时间分析出在磨削过程中的电极是否为废品;若为废品,则立即生成停止磨削程序;若不为废品,则生成磨削修正参数;将所述停止磨削程序或磨削修正参数输送至控制终端。
进一步地,本发明的一个较佳实施例中,获取电极在磨削时的实时图像信息,并对所述实时图像信息进行识别,得到第一识别结果或第二识别结果,具体为:
获取电极在磨削时的实时图像信息,并对所述实时图像信息进行处理,得到处理后的实时图像信息;
通过大数据网络获取不同裂纹的裂纹图像信息,构建数据库,并将所述不同裂纹的裂纹图像信息导入所述数据库中,得到裂纹数据库;
将所述处理后的实时图像信息导入所述裂纹数据库,通过灰色关联分析法计算所述处理后的实时图像信息与各裂纹图像信息之间的配对率,得到若干个配对率;
对若干个所述配对率进行大小排序,并提取出最大配对率;将所述最大配对率与预设配对率进行比较;若所述最大配对率大于预设配对率,则说明电极在当前磨削时间节点产生了裂纹,此时生成第一识别结果;若所述最大配对率不大于预设配对率,则说明电极在当前磨削时间节点没有产生裂纹,此时生成第二识别结果。
进一步地,本发明的一个较佳实施例中,基于所述实时图像信息构建得到第一时间节点对应的第一裂纹三维模型图,具体为:
通过ORB算法对所述实时图像信息进行特征配对,得到若干稀疏特征点;并通过LOF算法计算所述稀疏特征点的局部离群因子值,将局部离群因子值为预设值的稀疏特征点剔除,得到筛选后的稀疏特征点;
构建三维坐标系,并将所述筛选后的稀疏特征点导入所述三维坐标系中,在所述三维坐标系中获取各筛选后的稀疏特征点的坐标值;
基于所述坐标值计算每两个筛选后的稀疏特征点之间的中点坐标值,并基于所述中点坐标值确定出每两个筛选后的稀疏特征点之间的中间点;
将所述筛选后的稀疏特征点与所述每两个筛选后的稀疏特征点之间的中间点进行汇聚,得到若干个稠密特征点,并获取各稠密特征点的点云数据;基于所述稠密特征点的点云数据构建得到第一裂纹三维模型图。
进一步地,本发明的一个较佳实施例中,基于所述第一裂纹三维模型图与第二裂纹三维模型图分析出裂纹的延伸特性信息,具体为:
对所述第一裂纹三维模型图进行特征提取,得到第一纹理特征;对所述第二裂纹三维模型图进行特征提取,得到第二纹理特征;
构建虚拟融合空间,将所述第一裂纹三维模型图与第二裂纹三维模型图导入所述虚拟融合空间中,并基于第一纹理特征与第二纹理特征将所述第一裂纹三维模型图与第二裂纹三维模型图进行融合处理;
将第一裂纹三维模型图与第二裂纹三维模型图相重合的模型区域在所述虚拟融合空间中剔除,将第一裂纹三维模型图与第二裂纹三维模型图不相重合的模型区域在所述虚拟融合空间中保留,得到融合处理后的裂纹三维模型图;
计算所述融合处理后的裂纹三维模型图的体积值,基于所述体积值计算出裂纹的延伸速率;获取得到所述融合处理后的裂纹三维模型图的轮廓特征,基于所述轮廓特征得到裂纹的延伸路径。
进一步地,本发明的一个较佳实施例中,基于所述裂纹的延伸特性信息计算出裂纹延伸至非磨削区域所需的延伸时间,并基于所述裂纹延伸至非磨削区域所需的延伸时间分析出在磨削过程中的电极是否为废品;若为废品,则立即生成停止磨削程序;若不为废品,则生成磨削修正参数;将所述停止磨削程序或磨削修正参数输送至控制终端,具体为:
获取磨削设备的预设工艺参数信息,基于所述预设工艺参数信息获取磨削头的极限磨削速度与预设磨削路径;以及获取磨削头在磨削当前子磨削区域的实时磨削位置信息;
基于所述极限磨削速度、预设磨削路径以及实时磨削位置信息计算出磨削头磨削完当前子磨削区域所需的最短剩余磨削时间;
获取电极的非磨削区域,基于所述裂纹的延伸特性信息计算出裂纹延伸至非磨削区域所需的延伸时间;
将磨削头磨削完当前子磨削区域所需的最短剩余磨削时间与裂纹延伸至非磨削区域所需的延伸时间进行比较;若磨削头磨削完当前子磨削区域所需的最短剩余磨削时间大于裂纹延伸至非磨削区域所需的延伸时间,则说明该电极是废品,则立即生成停止磨削程序,并将所述停止磨削程序输送至磨削设备的控制终端;
若磨削头磨削完当前子磨削区域所需的最短剩余磨削时间不大于裂纹延伸至非磨削区域所需的延伸时间,则生成磨削修正参数,并将所述磨削修正参数输送至磨削设备的控制终端。
进一步地,本发明的一个较佳实施例中,若磨削头磨削完当前子磨削区域所需的最短剩余磨削时间不大于裂纹延伸至非磨削区域所需的延伸时间,则生成磨削修正参数,具体为:
基于所述预设磨削路径与实时磨削位置信息得到磨削头磨削完当前子磨削区域的剩余磨削路程值;
基于磨削头磨削完当前子磨削区域的剩余磨削路程值与裂纹延伸至非磨削区域所需的延伸时间计算得到磨削头所需的实际磨削速度;
基于所述预设工艺参数信息获取磨削头的预设磨削速度,获取所述实际磨削速度与预设磨削速度之间的差值,得到磨削速度差值;
根据所述磨削速度差值生成磨削修正参数,并将所述磨削修正参数输送至磨削设备的控制终端,以根据所述磨削速度差值对磨削头的预设磨削速度进行修正。
本发明第二方面公开了一种基于数据分析的电极生产管理***,所述电极生产管理***包括存储器与处理器,所述存储器中存储有电极生产管理方法程序,所述电极生产管理方法程序被所述处理器执行时,实现如下步骤:
获取电极的工程蓝图信息,基于所述工程蓝图信息确定出电极的磨削区域与非磨削区域;将所述磨削区域分为若干个子磨削区域;
获取在磨削各个子磨削区域时的实时图像信息,对所述实时图像信息进行识别,得到第一识别结果或第二识别结果;
若识别结果为第一识别结果,则基于所述实时图像信息构建得到第一时间节点对应的第一裂纹三维模型图;在预设时间间隔后获取电极在磨削时的第二实时图像信息,基于所述第二实时图像信息构建得到第二时间节点对应的第二裂纹三维模型图;
基于所述第一裂纹三维模型图与第二裂纹三维模型图分析出裂纹的延伸特性信息;其中,所述延伸特性信息包括延伸速率与延伸路径;
基于所述裂纹的延伸特性信息计算出裂纹延伸至非磨削区域所需的延伸时间,并基于所述裂纹延伸至非磨削区域所需的延伸时间分析出在磨削过程中的电极是否为废品;若为废品,则立即生成停止磨削程序;若不为废品,则生成磨削修正参数;将所述停止磨削程序或磨削修正参数输送至控制终端。
进一步地,本发明的一个较佳实施例中,获取电极在磨削时的实时图像信息,并对所述实时图像信息进行识别,得到第一识别结果或第二识别结果,具体为:
获取电极在磨削时的实时图像信息,并对所述实时图像信息进行处理,得到处理后的实时图像信息;
通过大数据网络获取不同裂纹的裂纹图像信息,构建数据库,并将所述不同裂纹的裂纹图像信息导入所述数据库中,得到裂纹数据库;
将所述处理后的实时图像信息导入所述裂纹数据库,通过灰色关联分析法计算所述处理后的实时图像信息与各裂纹图像信息之间的配对率,得到若干个配对率;
对若干个所述配对率进行大小排序,并提取出最大配对率;将所述最大配对率与预设配对率进行比较;若所述最大配对率大于预设配对率,则说明电极在当前磨削时间节点产生了裂纹,此时生成第一识别结果;若所述最大配对率不大于预设配对率,则说明电极在当前磨削时间节点没有产生裂纹,此时生成第二识别结果。
进一步地,本发明的一个较佳实施例中,基于所述裂纹的延伸特性信息计算出裂纹延伸至非磨削区域所需的延伸时间,并基于所述裂纹延伸至非磨削区域所需的延伸时间分析出在磨削过程中的电极是否为废品;若为废品,则立即生成停止磨削程序;若不为废品,则生成磨削修正参数;将所述停止磨削程序或磨削修正参数输送至控制终端,具体为:
获取磨削设备的预设工艺参数信息,基于所述预设工艺参数信息获取磨削头的极限磨削速度与预设磨削路径;以及获取磨削头在磨削当前子磨削区域的实时磨削位置信息;
基于所述极限磨削速度、预设磨削路径以及实时磨削位置信息计算出磨削头磨削完当前子磨削区域所需的最短剩余磨削时间;
获取电极的非磨削区域,基于所述裂纹的延伸特性信息计算出裂纹延伸至非磨削区域所需的延伸时间;
将磨削头磨削完当前子磨削区域所需的最短剩余磨削时间与裂纹延伸至非磨削区域所需的延伸时间进行比较;若磨削头磨削完当前子磨削区域所需的最短剩余磨削时间大于裂纹延伸至非磨削区域所需的延伸时间,则说明该电极是废品,则立即生成停止磨削程序,并将所述停止磨削程序输送至磨削设备的控制终端;
若磨削头磨削完当前子磨削区域所需的最短剩余磨削时间不大于裂纹延伸至非磨削区域所需的延伸时间,则生成磨削修正参数,并将所述磨削修正参数输送至磨削设备的控制终端。
进一步地,本发明的一个较佳实施例中,若磨削头磨削完当前子磨削区域所需的最短剩余磨削时间不大于裂纹延伸至非磨削区域所需的延伸时间,则生成磨削修正参数,具体为:
基于所述预设磨削路径与实时磨削位置信息得到磨削头磨削完当前子磨削区域的剩余磨削路程值;
基于磨削头磨削完当前子磨削区域的剩余磨削路程值与裂纹延伸至非磨削区域所需的延伸时间计算得到磨削头所需的实际磨削速度;
基于所述预设工艺参数信息获取磨削头的预设磨削速度,获取所述实际磨削速度与预设磨削速度之间的差值,得到磨削速度差值;
根据所述磨削速度差值生成磨削修正参数,并将所述磨削修正参数输送至磨削设备的控制终端,以根据所述磨削速度差值对磨削头的预设磨削速度进行修正。
本发明解决了背景技术中存在的技术缺陷,本发明具备以下有益效果:获取电极的工程蓝图信息,基于所述工程蓝图信息确定出电极的磨削区域与非磨削区域;将所述磨削区域分为若干个子磨削区域;获取在磨削各个子磨削区域时的实时图像信息,对所述实时图像信息进行识别,得到第一识别结果或第二识别结果;若识别结果为第一识别结果,则基于所述实时图像信息构建得到第一时间节点对应的第一裂纹三维模型图;在预设时间间隔后获取电极在磨削时的第二实时图像信息,基于所述第二实时图像信息构建得到第二时间节点对应的第二裂纹三维模型图;基于所述第一裂纹三维模型图与第二裂纹三维模型图分析出裂纹的延伸特性信息;其中,所述延伸特性信息包括延伸速率与延伸路径;基于所述裂纹的延伸特性信息计算出裂纹延伸至非磨削区域所需的延伸时间,并基于所述裂纹延伸至非磨削区域所需的延伸时间分析出在磨削过程中的电极是否为废品;若为废品,则立即生成停止磨削程序;若不为废品,则生成磨削修正参数;将所述停止磨削程序或磨削修正参数输送至控制终端。通过本方法能够避免出现对裂纹已经延伸到非磨削区域的电极产品继续进行磨削加工的情况,从而降低生产成本,能够有效提高生产效率。
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为一种基于数据分析的电极生产管理方法的整体方法流程图;
图2为一种基于数据分析的电极生产管理方法的第一方法流程图;
图3为一种基于数据分析的电极生产管理方法的第二方法流程图;
图4为一种基于数据分析的电极生产管理***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。
本发明第一方面公开了一种基于数据分析的电极生产管理方法,如图1所示,具体包括以下步骤:
S102:获取电极的工程蓝图信息,基于所述工程蓝图信息确定出电极的磨削区域与非磨削区域;将所述磨削区域分为若干个子磨削区域;
S104:获取在磨削各个子磨削区域时的实时图像信息,对所述实时图像信息进行识别,得到第一识别结果或第二识别结果;
S106:若识别结果为第一识别结果,则基于所述实时图像信息构建得到第一时间节点对应的第一裂纹三维模型图;在预设时间间隔后获取电极在磨削时的第二实时图像信息,基于所述第二实时图像信息构建得到第二时间节点对应的第二裂纹三维模型图;
S108:基于所述第一裂纹三维模型图与第二裂纹三维模型图分析出裂纹的延伸特性信息;其中,所述延伸特性信息包括延伸速率与延伸路径;
S110:基于所述裂纹的延伸特性信息计算出裂纹延伸至非磨削区域所需的延伸时间,并基于所述裂纹延伸至非磨削区域所需的延伸时间分析出在磨削过程中的电极是否为废品;若为废品,则立即生成停止磨削程序;若不为废品,则生成磨削修正参数;将所述停止磨削程序或磨削修正参数输送至控制终端。
需要说明的是,工程蓝图信息由设计人员提前设计得到,工程蓝图信息中包括电极在经过磨削前后的产品尺寸信息、定位基准信息、磨削区域以及非磨削区域;其中,磨削区域为在磨削工站时电极所需的加工位置区域,非磨削区域为在磨削工站时电极不需要加工位置区域。在磨削加工时,由于磨削头磨削力的作用下,磨削区域中难免会产生磨削裂纹,在裂纹尺寸允许的范围内,此为正常的加工现象,但若磨削裂纹延伸到了非磨削区域,此为加工异常现象,此时说明电极的使用性能和可靠性受到较大影响,此时电极已经是废品。另外还需要说明的是,根据磨削区域连贯或不连贯性将磨削区域分为多个子磨削区域,如电极的两端为两个不同的子磨削区域。
在本发明的一个较佳实施例中,获取电极在磨削时的实时图像信息,并对所述实时图像信息进行识别,得到第一识别结果或第二识别结果,具体为:
获取电极在磨削时的实时图像信息,并对所述实时图像信息进行处理,得到处理后的实时图像信息;
通过大数据网络获取不同裂纹的裂纹图像信息,构建数据库,并将所述不同裂纹的裂纹图像信息导入所述数据库中,得到裂纹数据库;
将所述处理后的实时图像信息导入所述裂纹数据库,通过灰色关联分析法计算所述处理后的实时图像信息与各裂纹图像信息之间的配对率,得到若干个配对率;
对若干个所述配对率进行大小排序,并提取出最大配对率;将所述最大配对率与预设配对率进行比较;若所述最大配对率大于预设配对率,则说明电极在当前磨削时间节点产生了裂纹,此时生成第一识别结果;若所述最大配对率不大于预设配对率,则说明电极在当前磨削时间节点没有产生裂纹,此时生成第二识别结果。
需要说明的是,灰色关联分析法是灰色***理论中的一种方法,它采用灰色关联度来反映因素之间的联系和影响程度。通过灰色关联分析可以找出因素之间的关联系数,从而挖掘出变量并解释它们之间的相互关系。灰色关联系数是一种大于等于0小于等于1的无量纲化指标,用于衡量因素之间的相近程度。
需要说明的是,通过磨削设备上的磨削头对各个子磨削区域进行磨削加工时,通过磨削设备上的高清摄像机获取在磨削时的实时图像信息,然后基于去噪处理、图像增强处理、背景分割处理、形态学处理等图像处理方法对实时图像信息,得到处理后的实时图像信息。并且在大数据网络检索得到不同磨削裂纹所对应的裂纹图像信息,进而构建得到裂纹数据库。然后通过灰色关联分析法计算所述处理后的实时图像信息与各裂纹图像信息之间的配对率,若最大配对率大于预设配对率,说明在当前磨削时间节点上该子磨削区域已经产生了磨削裂纹;若最大配对率不大于预设配对率,则说明在当前磨削时间节点上该子磨削区域并产生了磨削裂纹,加工状况正常。通过本方法能够快速识别出在磨削加工时电极是否产生了磨削裂纹。
在本发明的一个较佳实施例中,基于所述实时图像信息构建得到第一时间节点对应的第一裂纹三维模型图,具体为:
通过ORB算法对所述实时图像信息进行特征配对,得到若干稀疏特征点;并通过LOF算法计算所述稀疏特征点的局部离群因子值,将局部离群因子值为预设值的稀疏特征点剔除,得到筛选后的稀疏特征点;
构建三维坐标系,并将所述筛选后的稀疏特征点导入所述三维坐标系中,在所述三维坐标系中获取各筛选后的稀疏特征点的坐标值;
基于所述坐标值计算每两个筛选后的稀疏特征点之间的中点坐标值,并基于所述中点坐标值确定出每两个筛选后的稀疏特征点之间的中间点;
将所述筛选后的稀疏特征点与所述每两个筛选后的稀疏特征点之间的中间点进行汇聚,得到若干个稠密特征点,并获取各稠密特征点的点云数据;基于所述稠密特征点的点云数据构建得到第一裂纹三维模型图。
需要说明的是,ORB(Oriented FAST and Rotated BRIEF)算法是一种用于实时目标跟踪和识别的特征提取和描述算法,它是基于FAST角点检测和BRIEF二进制特征描述子的改进算法。LOF(Local Outlier Factor,局部异常因子)算法是一种用于离群点检测的算法。它的主要思想是,通过计算数据点的局部密度与其周围邻居点的平均局部密度之比,来判断该数据点是否为离群点。在LOF算法中,每个数据点的LOF值(局部离群因子值)越大,表示该数据点越可能是离群点。
需要说明的是,若识别出电极在磨削过程产生了磨削裂纹,此时通过ORB算法对所述实时图像信息进行特征配对,得到若干稀疏特征点;并且利用LOF算法计算稀疏特征点的局部离群因子值,以用来识别稀疏特征点中存在的局部离群点,以发现全局异常性描述的稀疏特征点并将其剔除,得到筛选后的稀疏特征点。另外,当通过ORB算法获取得到实时图像信息中裂纹的稀疏特征点后,在匹配过程中稀疏特征点会存在失真与遗失的情况,若直接通过匹配得到的稀疏特征点构建第一裂纹三维模型图,由于在构建三维模型的过程中缺少关键信息,会降低模型的准确性,使得模型的特征变得模糊或不清晰,导致模型变形或细节不完整,这样就很难还原裂纹的真实形态。为了解决上述问题,本发明通过对筛选后的稀疏特征点进行稠密匹配处理,从而更多的裂纹的特征点,从而生成稠密特征点,并获取各稠密特征点的点云数据,然后通过对点云数据进行网格化处理,直至生成曲面,从而得到一个完整的、高精度的裂纹的三维模型图(第一裂纹三维模型图)。通过本方法能够对失真与丢失的特征点进行补充,从而构建得到更加完整的、精度更高的裂纹模型图,以更加真实的还原裂纹形态。
需要说明的是,当得到第一裂纹三维模型图后,在预设时间间隔后获取电极在磨削时的第二实时图像信息,基于所述第二实时图像信息构建得到第二时间节点对应的第二裂纹三维模型图,其中,第二裂纹三维模型图为在于预设时间间隔后裂纹的实时形态图。第二裂纹三维模型图的构建原理与第一裂纹三维模型图的构建原理相同,在此不多做说明。
在本发明的一个较佳实施例中,基于所述第一裂纹三维模型图与第二裂纹三维模型图分析出裂纹的延伸特性信息,如图2所示,具体为:
S202:对所述第一裂纹三维模型图进行特征提取,得到第一纹理特征;对所述第二裂纹三维模型图进行特征提取,得到第二纹理特征;
S204:构建虚拟融合空间,将所述第一裂纹三维模型图与第二裂纹三维模型图导入所述虚拟融合空间中,并基于第一纹理特征与第二纹理特征将所述第一裂纹三维模型图与第二裂纹三维模型图进行融合处理;
S206:将第一裂纹三维模型图与第二裂纹三维模型图相重合的模型区域在所述虚拟融合空间中剔除,将第一裂纹三维模型图与第二裂纹三维模型图不相重合的模型区域在所述虚拟融合空间中保留,得到融合处理后的裂纹三维模型图;
S208:计算所述融合处理后的裂纹三维模型图的体积值,基于所述体积值计算出裂纹的延伸速率;获取得到所述融合处理后的裂纹三维模型图的轮廓特征,基于所述轮廓特征得到裂纹的延伸路径。
需要说明的是,纹理特征包括裂纹特形态、色彩、深度、长度、宽度等。通过工业三维软件构建虚拟融合空间,将所述第一裂纹三维模型图与第二裂纹三维模型图导入所述虚拟融合空间中进行融合处理,将第一裂纹三维模型图与第二裂纹三维模型图相重合的模型区域在所述虚拟融合空间中剔除,将第一裂纹三维模型图与第二裂纹三维模型图不相重合的模型区域在所述虚拟融合空间中保留,得到融合处理后的裂纹三维模型图;然后通过网格法、离散化法等方法计算出所述融合处理后的裂纹三维模型图的体积值,得到模型差值,根据模型差值便能够仿真计算出裂纹的延伸速率;通过边缘检测算法、投影法等方法获取得到所述融合处理后的裂纹三维模型图的轮廓特征,利用三维软件对获取得到的轮廓特征进行仿真分析,便能够得到裂纹的延伸路径,如根据轮廓特征提取出裂纹尖端点,然后根据裂纹尖端点的变化情况便能够仿真出裂纹的延伸路径。整个计算方法简单,不需要经过复杂的运算便能够快速得到裂纹的延伸速率与延伸路径,能够提高***的鲁棒性,进一步提高生产效率。
在本发明的一个较佳实施例中,基于所述裂纹的延伸特性信息计算出裂纹延伸至非磨削区域所需的延伸时间,并基于所述裂纹延伸至非磨削区域所需的延伸时间分析出在磨削过程中的电极是否为废品;若为废品,则立即生成停止磨削程序;若不为废品,则生成磨削修正参数;将所述停止磨削程序或磨削修正参数输送至控制终端,如图3所示,具体为:
S302:获取磨削设备的预设工艺参数信息,基于所述预设工艺参数信息获取磨削头的极限磨削速度与预设磨削路径;以及获取磨削头在磨削当前子磨削区域的实时磨削位置信息;
S304:基于所述极限磨削速度、预设磨削路径以及实时磨削位置信息计算出磨削头磨削完当前子磨削区域所需的最短剩余磨削时间;
S306:获取电极的非磨削区域,基于所述裂纹的延伸特性信息计算出裂纹延伸至非磨削区域所需的延伸时间;
S308:将磨削头磨削完当前子磨削区域所需的最短剩余磨削时间与裂纹延伸至非磨削区域所需的延伸时间进行比较;若磨削头磨削完当前子磨削区域所需的最短剩余磨削时间大于裂纹延伸至非磨削区域所需的延伸时间,则说明该电极是废品,则立即生成停止磨削程序,并将所述停止磨削程序输送至磨削设备的控制终端;
S310:若磨削头磨削完当前子磨削区域所需的最短剩余磨削时间不大于裂纹延伸至非磨削区域所需的延伸时间,则生成磨削修正参数,并将所述磨削修正参数输送至磨削设备的控制终端。
需要说明的是,若在加工过程中产生的磨削裂纹延伸到了非磨削区域,此为加工异常现象,此时说明电极的使用性能和可靠性受到较大影响,如当磨削裂纹延伸到了电极均流区、活性物质层区、粘接区等区域时,此时电极已经是废品。预设工艺参数信息由设计人员提前设定,预设工艺参数信息中包括磨削头的极限磨削速度、预设磨削速度与预设磨削路径等信息,预设工艺参数信息存储在磨削设备的储存器内。
需要说明的是,当磨削头对某一个磨削区域进行磨削的过程中,若磨削头并为离开该子磨削区域(即未对该子磨削区域磨削完毕),若该子磨削区域产生了磨削裂纹,该磨削裂纹在磨削力的作用下,其会进一步延伸扩展,故磨削裂纹有可能会延伸至非磨削区域内,而当磨削头对该子磨削区域磨削完毕直至离开该子磨削区域后,该磨削裂纹才不会受到磨削力的作用,此时裂纹便会停止延伸。根据磨削头的极限磨削速度、预设磨削路径以及实时磨削位置信息计算出磨削头磨削完当前子磨削区域所需的最短剩余磨削时间,并且根据裂纹的延伸特性信息(延伸速率与延伸路径)计算出裂纹延伸至非磨削区域所需的延伸时间;若磨削头磨削完当前子磨削区域所需的最短剩余磨削时间大于裂纹延伸至非磨削区域所需的延伸时间,此时说明即使提高磨削头的磨削速度,并且使得磨削头以极限磨削速度对该子磨削区域进行磨削,该磨削裂纹始终能够延伸到非磨削区域内,此时即使对该电极继续进行加工依旧是废品,因为即使在最快的速度对该子磨削区域进行磨削加工,该磨削裂纹始终能够延伸到非磨削区域内,此时立即生成停止磨削程序,从停止对该电极进行停止加工,并且对该电极进行报废处理,从而避免出现对裂纹已经延伸到非磨削区域的电极产品继续进行磨削的情况,从而降低生产成本,并且能够有效提高生产效率。此外,若磨削头磨削完当前子磨削区域所需的最短剩余磨削时间不大于裂纹延伸至非磨削区域所需的延伸时间,此时说明能够通过提高磨削头的磨削速度方式来使得当前的磨削裂纹不延伸至非磨削区域内,从而避免电极报废,进而节约生产成本。
在本发明的一个较佳实施例中,若磨削头磨削完当前子磨削区域所需的最短剩余磨削时间不大于裂纹延伸至非磨削区域所需的延伸时间,则生成磨削修正参数,具体为:
基于所述预设磨削路径与实时磨削位置信息得到磨削头磨削完当前子磨削区域的剩余磨削路程值;
基于磨削头磨削完当前子磨削区域的剩余磨削路程值与裂纹延伸至非磨削区域所需的延伸时间计算得到磨削头所需的实际磨削速度;
基于所述预设工艺参数信息获取磨削头的预设磨削速度,获取所述实际磨削速度与预设磨削速度之间的差值,得到磨削速度差值;
根据所述磨削速度差值生成磨削修正参数,并将所述磨削修正参数输送至磨削设备的控制终端,以根据所述磨削速度差值对磨削头的预设磨削速度进行修正。
需要说明的是,通过调整磨削头的预设磨削速度,从而减少对该子磨削区域的磨削加工时间,从而有效避免磨削裂纹延伸到非磨削区域上,从而避免造成更多的报废品,能够节省报废成本。
此外,一种基于数据分析的电极生产管理方法,还包括以下步骤:
在预设时间内统计磨削设备的不合格品数量,基于所述在预设时间内统计磨削设备的不合格品数量计算出磨削设备的实时报废率;
根据卷积神经网络建预测模型,并将所述磨削设备的实时报废率导入所述预测模型中进行训练,得到训练完成后的预测模型;
获取电极的生产批次信息,并将所述生产批次信息导入所述训练完成后的预测模型中,得到预设时间内电极产品的合格量;
将所述合格量与预设合格量进行比较,若所述合格量小于预设合格量,则根据预设时间内电极产品的合格量对其余空闲磨削设备进行分配,得到分配结果,并将所述分配结果输出。
需要说明的是,所述生产批次信息包括产量需求。
需要说明的是,在通过磨削设备对电极进行磨削加工时,由于原材料批次的存在一定的差异性,故在对不同批次的电极进行磨削加工时,各批次的电极废品率不同,因此加工不同批次的电极时,单位时间内磨削设备所能够生产出来的合格量也各不相同,因此先在预设时间内统计磨削设备的不合格品数量,基于所述在预设时间内统计磨削设备的不合格品数量计算出磨削设备的实时报废率,若所述合格量小于预设合格量,说明当前磨削设备不能够按时完成产品产出任务,此时则获取生产时间中其余空闲磨削设备,并安排其余磨削设备进行排班生产,进而确保能够按时完成订单任务,避免出现因产量不足而导致毁约现象,提高磨削设备在生产过程中的协调性。
此外,所述一种基于数据分析的电极生产管理方法,还包括以下步骤:
通过大数据网络获取磨削设备的历史加工信息,并基于所述历史加工信息获取得到磨削设备在各加工条件下的故障概率;
基于深度学习网络构建评估模型,并将所述磨削设备在各加工条件下的故障概率导入所述评估模型中进行训练,得到训练好的评估模型;
获取磨削设备的实时加工条件,并将所述实时加工条件导入训练好的评估模型中,得到磨削设备的故障概率;
若故障概率大于预设故障概率,则获取故障概率大于预设故障概率的磨削设备的预估维修时间;
若所述预估维修时间大于预设阈值,则根据磨削设备的预估维修时间对其余空闲磨削设备进行分配,得到分配结果,并将所述分配结果输出。
需要说明的是,加工条件包括加工环境参数、加工零件使用时间等。
需要说明的是,在实际生产过程中,由于加工环境、零件使用寿命等参数不同,设备发生故障的概率也不同,若设备发生故障概率大于预设故障概率,此时说明设备在当前条件下发生故障的可能性较大,此时获取故障概率大于预设故障概率的磨削设备的预估维修时间,若所述预估维修时间大于预设阈值,说明由于维修时间的影响导致当前磨削设备不能够按时完成产品产出任务,此时则获取生产时间中其余空闲磨削设备,并安排其余磨削设备进行排班生产,进而确保能够按时完成订单任务,避免出现因产量不足而导致毁约现象,提高磨削设备在生产过程中的协调性。
此外,所述一种基于数据分析的电极生产管理方法,还包括以下步骤:
若裂纹延伸至非磨削区域,则获取裂纹的特征信息,通过所述特征信息生成关联性文本;特征信息包括裂纹深度、长度、宽度、形态;
根据所述关联性文本得到一个或多个造成裂纹延伸至非磨削区域的诱源设备;
将所述一个或多个造成裂纹延伸至非磨削区域的诱源设备导入贝叶斯网络中进行二次关联,得到造成裂纹延伸至非磨削区域的最终诱源设备,并将最终诱源设备输出。
需要说明的是,若裂纹延伸至非磨削区域,此时产品已经是废品,此时对造成该废品的诱源设备进行溯源,如若裂纹为网状,说明该裂纹是由于磨削的粗糙度过大导致的,通过本方法能够快速溯源出造成产品报废的诱源设备。
此外,所述一种基于数据分析的电极生产管理方法,还包括以下步骤:
获取子磨削区域的温度信息,获取第二裂纹三维模型图;
基于所述温度信息与第二裂纹三维模型图对子磨削区域中的裂纹进行有限元分析,得到裂纹的实时内应力值;
获取当前子磨削区域的材料特征信息,基于所述材料特征信息得到当前子磨削区域的屈服应力值;
判断所述实时内应力值是否大于屈服应力值,则基于调整磨削力的大小。
需要说明的是,由于子磨削区域在磨削过程中已经产生了磨削裂纹,由于温度容易影响裂纹的内应力值,不同温度场的内应力值是不一致的。利用温度传感器、热敏传感器、红外传感器等获取到磨削区域的温度值,从而确定出该裂纹的实时内应力值。材料特征信息为材质信息,如钢、铜、石墨烯等。磨削力的大小可以通过改变吃刀量、进给速度进行调节。通过本方法能够降低裂纹的延伸速率,从而提高了电极加工的成功率。
本发明第二方面公开了一种基于数据分析的电极生产管理***,所述电极生产管理***包括存储器25与处理器26,所述存储器25中存储有电极生产管理方法程序,所述电极生产管理方法程序被所述处理器26执行时,如图4所示,实现如下步骤:
获取电极的工程蓝图信息,基于所述工程蓝图信息确定出电极的磨削区域与非磨削区域;将所述磨削区域分为若干个子磨削区域;
获取在磨削各个子磨削区域时的实时图像信息,对所述实时图像信息进行识别,得到第一识别结果或第二识别结果;
若识别结果为第一识别结果,则基于所述实时图像信息构建得到第一时间节点对应的第一裂纹三维模型图;在预设时间间隔后获取电极在磨削时的第二实时图像信息,基于所述第二实时图像信息构建得到第二时间节点对应的第二裂纹三维模型图;
基于所述第一裂纹三维模型图与第二裂纹三维模型图分析出裂纹的延伸特性信息;其中,所述延伸特性信息包括延伸速率与延伸路径;
基于所述裂纹的延伸特性信息计算出裂纹延伸至非磨削区域所需的延伸时间,并基于所述裂纹延伸至非磨削区域所需的延伸时间分析出在磨削过程中的电极是否为废品;若为废品,则立即生成停止磨削程序;若不为废品,则生成磨削修正参数;将所述停止磨削程序或磨削修正参数输送至控制终端。
进一步地,本发明的一个较佳实施例中,获取电极在磨削时的实时图像信息,并对所述实时图像信息进行识别,得到第一识别结果或第二识别结果,具体为:
获取电极在磨削时的实时图像信息,并对所述实时图像信息进行处理,得到处理后的实时图像信息;
通过大数据网络获取不同裂纹的裂纹图像信息,构建数据库,并将所述不同裂纹的裂纹图像信息导入所述数据库中,得到裂纹数据库;
将所述处理后的实时图像信息导入所述裂纹数据库,通过灰色关联分析法计算所述处理后的实时图像信息与各裂纹图像信息之间的配对率,得到若干个配对率;
对若干个所述配对率进行大小排序,并提取出最大配对率;将所述最大配对率与预设配对率进行比较;若所述最大配对率大于预设配对率,则说明电极在当前磨削时间节点产生了裂纹,此时生成第一识别结果;若所述最大配对率不大于预设配对率,则说明电极在当前磨削时间节点没有产生裂纹,此时生成第二识别结果。
进一步地,本发明的一个较佳实施例中,基于所述裂纹的延伸特性信息计算出裂纹延伸至非磨削区域所需的延伸时间,并基于所述裂纹延伸至非磨削区域所需的延伸时间分析出在磨削过程中的电极是否为废品;若为废品,则立即生成停止磨削程序;若不为废品,则生成磨削修正参数;将所述停止磨削程序或磨削修正参数输送至控制终端,具体为:
获取磨削设备的预设工艺参数信息,基于所述预设工艺参数信息获取磨削头的极限磨削速度与预设磨削路径;以及获取磨削头在磨削当前子磨削区域的实时磨削位置信息;
基于所述极限磨削速度、预设磨削路径以及实时磨削位置信息计算出磨削头磨削完当前子磨削区域所需的最短剩余磨削时间;
获取电极的非磨削区域,基于所述裂纹的延伸特性信息计算出裂纹延伸至非磨削区域所需的延伸时间;
将磨削头磨削完当前子磨削区域所需的最短剩余磨削时间与裂纹延伸至非磨削区域所需的延伸时间进行比较;若磨削头磨削完当前子磨削区域所需的最短剩余磨削时间大于裂纹延伸至非磨削区域所需的延伸时间,则说明该电极是废品,则立即生成停止磨削程序,并将所述停止磨削程序输送至磨削设备的控制终端;
若磨削头磨削完当前子磨削区域所需的最短剩余磨削时间不大于裂纹延伸至非磨削区域所需的延伸时间,则生成磨削修正参数,并将所述磨削修正参数输送至磨削设备的控制终端。
进一步地,本发明的一个较佳实施例中,若磨削头磨削完当前子磨削区域所需的最短剩余磨削时间不大于裂纹延伸至非磨削区域所需的延伸时间,则生成磨削修正参数,具体为:
基于所述预设磨削路径与实时磨削位置信息得到磨削头磨削完当前子磨削区域的剩余磨削路程值;
基于磨削头磨削完当前子磨削区域的剩余磨削路程值与裂纹延伸至非磨削区域所需的延伸时间计算得到磨削头所需的实际磨削速度;
基于所述预设工艺参数信息获取磨削头的预设磨削速度,获取所述实际磨削速度与预设磨削速度之间的差值,得到磨削速度差值;
根据所述磨削速度差值生成磨削修正参数,并将所述磨削修正参数输送至磨削设备的控制终端,以根据所述磨削速度差值对磨削头的预设磨削速度进行修正。
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 (10)
1.一种基于数据分析的电极生产管理方法,其特征在于,具体包括以下步骤:
获取电极的工程蓝图信息,基于所述工程蓝图信息确定出电极的磨削区域与非磨削区域;将所述磨削区域分为若干个子磨削区域;
获取在磨削各个子磨削区域时的实时图像信息,对所述实时图像信息进行识别,得到第一识别结果或第二识别结果;
若识别结果为第一识别结果,则基于所述实时图像信息构建得到第一时间节点对应的第一裂纹三维模型图;在预设时间间隔后获取电极在磨削时的第二实时图像信息,基于所述第二实时图像信息构建得到第二时间节点对应的第二裂纹三维模型图;
基于所述第一裂纹三维模型图与第二裂纹三维模型图分析出裂纹的延伸特性信息;其中,所述延伸特性信息包括延伸速率与延伸路径;
基于所述裂纹的延伸特性信息计算出裂纹延伸至非磨削区域所需的延伸时间,并基于所述裂纹延伸至非磨削区域所需的延伸时间分析出在磨削过程中的电极是否为废品;若为废品,则立即生成停止磨削程序;若不为废品,则生成磨削修正参数;将所述停止磨削程序或磨削修正参数输送至控制终端。
2.根据权利要求1所述的一种基于数据分析的电极生产管理方法,其特征在于,获取电极在磨削时的实时图像信息,并对所述实时图像信息进行识别,得到第一识别结果或第二识别结果,具体为:
获取电极在磨削时的实时图像信息,并对所述实时图像信息进行处理,得到处理后的实时图像信息;
通过大数据网络获取不同裂纹的裂纹图像信息,构建数据库,并将所述不同裂纹的裂纹图像信息导入所述数据库中,得到裂纹数据库;
将所述处理后的实时图像信息导入所述裂纹数据库,通过灰色关联分析法计算所述处理后的实时图像信息与各裂纹图像信息之间的配对率,得到若干个配对率;
对若干个所述配对率进行大小排序,并提取出最大配对率;将所述最大配对率与预设配对率进行比较;若所述最大配对率大于预设配对率,则说明电极在当前磨削时间节点产生了裂纹,此时生成第一识别结果;若所述最大配对率不大于预设配对率,则说明电极在当前磨削时间节点没有产生裂纹,此时生成第二识别结果。
3.根据权利要求1所述的一种基于数据分析的电极生产管理方法,其特征在于,基于所述实时图像信息构建得到第一时间节点对应的第一裂纹三维模型图,具体为:
通过ORB算法对所述实时图像信息进行特征配对,得到若干稀疏特征点;并通过LOF算法计算所述稀疏特征点的局部离群因子值,将局部离群因子值为预设值的稀疏特征点剔除,得到筛选后的稀疏特征点;
构建三维坐标系,并将所述筛选后的稀疏特征点导入所述三维坐标系中,在所述三维坐标系中获取各筛选后的稀疏特征点的坐标值;
基于所述坐标值计算每两个筛选后的稀疏特征点之间的中点坐标值,并基于所述中点坐标值确定出每两个筛选后的稀疏特征点之间的中间点;
将所述筛选后的稀疏特征点与所述每两个筛选后的稀疏特征点之间的中间点进行汇聚,得到若干个稠密特征点,并获取各稠密特征点的点云数据;基于所述稠密特征点的点云数据构建得到第一裂纹三维模型图。
4.根据权利要求1所述的一种基于数据分析的电极生产管理方法,其特征在于,基于所述第一裂纹三维模型图与第二裂纹三维模型图分析出裂纹的延伸特性信息,具体为:
对所述第一裂纹三维模型图进行特征提取,得到第一纹理特征;对所述第二裂纹三维模型图进行特征提取,得到第二纹理特征;
构建虚拟融合空间,将所述第一裂纹三维模型图与第二裂纹三维模型图导入所述虚拟融合空间中,并基于第一纹理特征与第二纹理特征将所述第一裂纹三维模型图与第二裂纹三维模型图进行融合处理;
将第一裂纹三维模型图与第二裂纹三维模型图相重合的模型区域在所述虚拟融合空间中剔除,将第一裂纹三维模型图与第二裂纹三维模型图不相重合的模型区域在所述虚拟融合空间中保留,得到融合处理后的裂纹三维模型图;
计算所述融合处理后的裂纹三维模型图的体积值,基于所述体积值计算出裂纹的延伸速率;获取得到所述融合处理后的裂纹三维模型图的轮廓特征,基于所述轮廓特征得到裂纹的延伸路径。
5.根据权利要求1所述的一种基于数据分析的电极生产管理方法,其特征在于,基于所述裂纹的延伸特性信息计算出裂纹延伸至非磨削区域所需的延伸时间,并基于所述裂纹延伸至非磨削区域所需的延伸时间分析出在磨削过程中的电极是否为废品;若为废品,则立即生成停止磨削程序;若不为废品,则生成磨削修正参数;将所述停止磨削程序或磨削修正参数输送至控制终端,具体为:
获取磨削设备的预设工艺参数信息,基于所述预设工艺参数信息获取磨削头的极限磨削速度与预设磨削路径;以及获取磨削头在磨削当前子磨削区域的实时磨削位置信息;
基于所述极限磨削速度、预设磨削路径以及实时磨削位置信息计算出磨削头磨削完当前子磨削区域所需的最短剩余磨削时间;
获取电极的非磨削区域,基于所述裂纹的延伸特性信息计算出裂纹延伸至非磨削区域所需的延伸时间;
将磨削头磨削完当前子磨削区域所需的最短剩余磨削时间与裂纹延伸至非磨削区域所需的延伸时间进行比较;若磨削头磨削完当前子磨削区域所需的最短剩余磨削时间大于裂纹延伸至非磨削区域所需的延伸时间,则说明该电极是废品,则立即生成停止磨削程序,并将所述停止磨削程序输送至磨削设备的控制终端;
若磨削头磨削完当前子磨削区域所需的最短剩余磨削时间不大于裂纹延伸至非磨削区域所需的延伸时间,则生成磨削修正参数,并将所述磨削修正参数输送至磨削设备的控制终端。
6.根据权利要求5所述的一种基于数据分析的电极生产管理方法,其特征在于,若磨削头磨削完当前子磨削区域所需的最短剩余磨削时间不大于裂纹延伸至非磨削区域所需的延伸时间,则生成磨削修正参数,具体为:
基于所述预设磨削路径与实时磨削位置信息得到磨削头磨削完当前子磨削区域的剩余磨削路程值;
基于磨削头磨削完当前子磨削区域的剩余磨削路程值与裂纹延伸至非磨削区域所需的延伸时间计算得到磨削头所需的实际磨削速度;
基于所述预设工艺参数信息获取磨削头的预设磨削速度,获取所述实际磨削速度与预设磨削速度之间的差值,得到磨削速度差值;
根据所述磨削速度差值生成磨削修正参数,并将所述磨削修正参数输送至磨削设备的控制终端,以根据所述磨削速度差值对磨削头的预设磨削速度进行修正。
7.一种基于数据分析的电极生产管理***,其特征在于,所述电极生产管理***包括存储器与处理器,所述存储器中存储有电极生产管理方法程序,所述电极生产管理方法程序被所述处理器执行时,实现如下步骤:
获取电极的工程蓝图信息,基于所述工程蓝图信息确定出电极的磨削区域与非磨削区域;将所述磨削区域分为若干个子磨削区域;
获取在磨削各个子磨削区域时的实时图像信息,对所述实时图像信息进行识别,得到第一识别结果或第二识别结果;
若识别结果为第一识别结果,则基于所述实时图像信息构建得到第一时间节点对应的第一裂纹三维模型图;在预设时间间隔后获取电极在磨削时的第二实时图像信息,基于所述第二实时图像信息构建得到第二时间节点对应的第二裂纹三维模型图;
基于所述第一裂纹三维模型图与第二裂纹三维模型图分析出裂纹的延伸特性信息;其中,所述延伸特性信息包括延伸速率与延伸路径;
基于所述裂纹的延伸特性信息计算出裂纹延伸至非磨削区域所需的延伸时间,并基于所述裂纹延伸至非磨削区域所需的延伸时间分析出在磨削过程中的电极是否为废品;若为废品,则立即生成停止磨削程序;若不为废品,则生成磨削修正参数;将所述停止磨削程序或磨削修正参数输送至控制终端。
8.根据权利要求7所述的一种基于数据分析的电极生产管理***,其特征在于,获取电极在磨削时的实时图像信息,并对所述实时图像信息进行识别,得到第一识别结果或第二识别结果,具体为:
获取电极在磨削时的实时图像信息,并对所述实时图像信息进行处理,得到处理后的实时图像信息;
通过大数据网络获取不同裂纹的裂纹图像信息,构建数据库,并将所述不同裂纹的裂纹图像信息导入所述数据库中,得到裂纹数据库;
将所述处理后的实时图像信息导入所述裂纹数据库,通过灰色关联分析法计算所述处理后的实时图像信息与各裂纹图像信息之间的配对率,得到若干个配对率;
对若干个所述配对率进行大小排序,并提取出最大配对率;将所述最大配对率与预设配对率进行比较;若所述最大配对率大于预设配对率,则说明电极在当前磨削时间节点产生了裂纹,此时生成第一识别结果;若所述最大配对率不大于预设配对率,则说明电极在当前磨削时间节点没有产生裂纹,此时生成第二识别结果。
9.根据权利要求7所述的一种基于数据分析的电极生产管理***,其特征在于,基于所述裂纹的延伸特性信息计算出裂纹延伸至非磨削区域所需的延伸时间,并基于所述裂纹延伸至非磨削区域所需的延伸时间分析出在磨削过程中的电极是否为废品;若为废品,则立即生成停止磨削程序;若不为废品,则生成磨削修正参数;将所述停止磨削程序或磨削修正参数输送至控制终端,具体为:
获取磨削设备的预设工艺参数信息,基于所述预设工艺参数信息获取磨削头的极限磨削速度与预设磨削路径;以及获取磨削头在磨削当前子磨削区域的实时磨削位置信息;
基于所述极限磨削速度、预设磨削路径以及实时磨削位置信息计算出磨削头磨削完当前子磨削区域所需的最短剩余磨削时间;
获取电极的非磨削区域,基于所述裂纹的延伸特性信息计算出裂纹延伸至非磨削区域所需的延伸时间;
将磨削头磨削完当前子磨削区域所需的最短剩余磨削时间与裂纹延伸至非磨削区域所需的延伸时间进行比较;若磨削头磨削完当前子磨削区域所需的最短剩余磨削时间大于裂纹延伸至非磨削区域所需的延伸时间,则说明该电极是废品,则立即生成停止磨削程序,并将所述停止磨削程序输送至磨削设备的控制终端;
若磨削头磨削完当前子磨削区域所需的最短剩余磨削时间不大于裂纹延伸至非磨削区域所需的延伸时间,则生成磨削修正参数,并将所述磨削修正参数输送至磨削设备的控制终端。
10.根据权利要求9所述的一种基于数据分析的电极生产管理***,其特征在于,若磨削头磨削完当前子磨削区域所需的最短剩余磨削时间不大于裂纹延伸至非磨削区域所需的延伸时间,则生成磨削修正参数,具体为:
基于所述预设磨削路径与实时磨削位置信息得到磨削头磨削完当前子磨削区域的剩余磨削路程值;
基于磨削头磨削完当前子磨削区域的剩余磨削路程值与裂纹延伸至非磨削区域所需的延伸时间计算得到磨削头所需的实际磨削速度;
基于所述预设工艺参数信息获取磨削头的预设磨削速度,获取所述实际磨削速度与预设磨削速度之间的差值,得到磨削速度差值;
根据所述磨削速度差值生成磨削修正参数,并将所述磨削修正参数输送至磨削设备的控制终端,以根据所述磨削速度差值对磨削头的预设磨削速度进行修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310655166.6A CN116394161B (zh) | 2023-06-05 | 2023-06-05 | 一种基于数据分析的电极生产管理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310655166.6A CN116394161B (zh) | 2023-06-05 | 2023-06-05 | 一种基于数据分析的电极生产管理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116394161A true CN116394161A (zh) | 2023-07-07 |
CN116394161B CN116394161B (zh) | 2023-08-11 |
Family
ID=87012663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310655166.6A Active CN116394161B (zh) | 2023-06-05 | 2023-06-05 | 一种基于数据分析的电极生产管理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116394161B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992740A (zh) * | 2023-09-26 | 2023-11-03 | 深圳市松青锌镁铝精密压铸有限公司 | 一种通讯基站精密部件生产设备的智能调控方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170370856A1 (en) * | 2016-06-27 | 2017-12-28 | Disco Corporation | Internal crack detecting method and internal crack detecting apparatus |
CN111465842A (zh) * | 2018-04-10 | 2020-07-28 | 日本电气硝子株式会社 | 玻璃板、玻璃板的制造方法以及端面检查方法 |
EP3881968A1 (de) * | 2020-03-17 | 2021-09-22 | Fraisa SA | Verfahren zur ermittlung des verschleisszustandes eines werkzeugs |
CN113610812A (zh) * | 2021-08-10 | 2021-11-05 | 哈尔滨理工大学 | 超声振动磨削光学玻璃亚表面裂纹形式判别与影响因素的权重解算方法 |
CN114273988A (zh) * | 2021-12-20 | 2022-04-05 | 徐州申工金属科技有限公司 | 一种基于三维设计优化的金属铸件精准打磨方法 |
CN114571326A (zh) * | 2022-01-20 | 2022-06-03 | 上海交通大学 | 基于计算机视觉的变形曲面磨削方法、装置及*** |
CN115338709A (zh) * | 2022-10-18 | 2022-11-15 | 徐州艾奇川自动化设备有限公司 | 一种基于工业智能化的数控加工智能监测控制*** |
US11580647B1 (en) * | 2021-12-24 | 2023-02-14 | Guangzhou University | Global and local binary pattern image crack segmentation method based on robot vision |
-
2023
- 2023-06-05 CN CN202310655166.6A patent/CN116394161B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170370856A1 (en) * | 2016-06-27 | 2017-12-28 | Disco Corporation | Internal crack detecting method and internal crack detecting apparatus |
CN111465842A (zh) * | 2018-04-10 | 2020-07-28 | 日本电气硝子株式会社 | 玻璃板、玻璃板的制造方法以及端面检查方法 |
EP3881968A1 (de) * | 2020-03-17 | 2021-09-22 | Fraisa SA | Verfahren zur ermittlung des verschleisszustandes eines werkzeugs |
CN113610812A (zh) * | 2021-08-10 | 2021-11-05 | 哈尔滨理工大学 | 超声振动磨削光学玻璃亚表面裂纹形式判别与影响因素的权重解算方法 |
CN114273988A (zh) * | 2021-12-20 | 2022-04-05 | 徐州申工金属科技有限公司 | 一种基于三维设计优化的金属铸件精准打磨方法 |
US11580647B1 (en) * | 2021-12-24 | 2023-02-14 | Guangzhou University | Global and local binary pattern image crack segmentation method based on robot vision |
CN114571326A (zh) * | 2022-01-20 | 2022-06-03 | 上海交通大学 | 基于计算机视觉的变形曲面磨削方法、装置及*** |
CN115338709A (zh) * | 2022-10-18 | 2022-11-15 | 徐州艾奇川自动化设备有限公司 | 一种基于工业智能化的数控加工智能监测控制*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992740A (zh) * | 2023-09-26 | 2023-11-03 | 深圳市松青锌镁铝精密压铸有限公司 | 一种通讯基站精密部件生产设备的智能调控方法及*** |
CN116992740B (zh) * | 2023-09-26 | 2023-12-01 | 深圳市松青锌镁铝精密压铸有限公司 | 一种通讯基站精密部件生产设备的智能调控方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116394161B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116394161B (zh) | 一种基于数据分析的电极生产管理方法及*** | |
CN116009480B (zh) | 一种数控机床的故障监测方法、装置、设备及存储介质 | |
CN114627092A (zh) | 缺陷检测方法、装置、电子设备及可读存储介质 | |
CN116618764B (zh) | 一种镜面放电加工机的生产优化方法及*** | |
CN116992740B (zh) | 一种通讯基站精密部件生产设备的智能调控方法及*** | |
CN116362630A (zh) | 基于物联网的锡膏印刷机管理方法、***及介质 | |
CN113856938B (zh) | 一种石墨烯防腐涂料的喷涂均匀性检测方法及*** | |
CN111970400B (zh) | 骚扰电话识别方法及装置 | |
CN116523414B (zh) | 一种复合镍铜散热底板的生产管理方法及*** | |
CN114613705B (zh) | 一种半导体元器件加工的控制方法、***及介质 | |
CN116523140A (zh) | 窃电检测方法、装置、电子设备和存储介质 | |
CN113703392B (zh) | 一种碳纤维产品的数据采集方法、装置及设备 | |
CN116228766B (zh) | 一种等离子加工设备的智能调控方法及*** | |
CN117726322A (zh) | 一种探头测试设备智能管理方法及*** | |
CN115984158A (zh) | 缺陷分析方法、装置、电子设备及计算机可读存储介质 | |
CN117390370A (zh) | 基于健康指数的机台预警方法、装置、设备及可读介质 | |
CN115761648A (zh) | 应用于变压器的渗油评估方法、装置、设备、介质及产品 | |
CN115455714A (zh) | 一种设备洁净度确定方法、装置、电子设备及存储介质 | |
CN114742297A (zh) | 动力电池的处理方法 | |
CN116842415B (zh) | 一种镜面放电加工机的远程监测方法、***及介质 | |
CN113743435A (zh) | 业务数据分类模型的训练、业务数据的分类方法和装置 | |
CN116562923B (zh) | 一种基于电商行为的大数据分析方法、***及介质 | |
CN118052877A (zh) | 电力线缆断股缺陷的定位方法、装置、设备及介质 | |
CN117850216A (zh) | 一种亚克力镜片生产设备智能控制方法及*** | |
CN115420384A (zh) | 一种温度监控方法、装置、设备及存储介质 |
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 |