CN117077993A - 基于人工智能的车间物料自动称重数据管理***及方法 - Google Patents

基于人工智能的车间物料自动称重数据管理***及方法 Download PDF

Info

Publication number
CN117077993A
CN117077993A CN202311347942.2A CN202311347942A CN117077993A CN 117077993 A CN117077993 A CN 117077993A CN 202311347942 A CN202311347942 A CN 202311347942A CN 117077993 A CN117077993 A CN 117077993A
Authority
CN
China
Prior art keywords
weighing
data
batch
measured
processing flow
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
Application number
CN202311347942.2A
Other languages
English (en)
Other versions
CN117077993B (zh
Inventor
熊年昀
杨文仁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Baoxin Software Nanjing Co ltd
Original Assignee
Baoxin Software Nanjing Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Baoxin Software Nanjing Co ltd filed Critical Baoxin Software Nanjing Co ltd
Priority to CN202311347942.2A priority Critical patent/CN117077993B/zh
Publication of CN117077993A publication Critical patent/CN117077993A/zh
Application granted granted Critical
Publication of CN117077993B publication Critical patent/CN117077993B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01G—WEIGHING
    • G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2282—Tablespace storage structures; Management thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • G06Q10/0633—Workflow analysis
    • 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
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Primary Health Care (AREA)
  • Manufacturing & Machinery (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • General Factory Administration (AREA)

Abstract

本发明涉及称重数据管理技术领域，具体为基于人工智能的车间物料自动称重数据管理***及方法，所述***包括称重波动分析模块，所述称重波动分析模块根据待测物料批次在当前加工流程对应的理论称重值及相应称重值存在的器具理论称量偏差量，得到待测物料批次在当前加工流程对应的理论称重波动区间。本发明考虑到动态称量过程中，衡器在不能及时执行归零校准操作的情况下，随着使用时间及称重数据的积累，衡器的称重精度出现偏差导致的称量数据异常问题；并与计划、物料等信息或设备联动，实现对衡器归零校准操作的调控及对动态称量数据精度的管控，确保车间工序称重无人化的实现。

Description

基于人工智能的车间物料自动称重数据管理***及方法
技术领域
本发明涉及称重数据管理技术领域，具体为基于人工智能的车间物料自动称重数据管理***及方法。
背景技术
在冶金行业中工序间物料流转的称重方式一般有吊钩秤、天车称和平台秤等，若采用静态称重，即保持物料静置，待仪表数据稳定后获取重量，虽精度较高，但效率较低，故研究动态称重***以提高称重效率。在动态称重过程中，因存在振动、冲击、速度等干扰因素的影响，获取高精度的实际重量比较困难。
同时，在动态称重的过程中，由于称重设备一直在运行，进而衡器并不能及时执行归零操作，而衡器在使用过程中，随着使用时间及称重数据的积累，衡器的称重精度可能会逐渐出现偏差，进而出现称量数据异常的问题；因此，如何调节衡器执行归零操作的时间，在一定程度上能够直观反映称量数据的精度，现有技术中，往往通过设置固定时长来对衡器执行归零操作，该方式存在较大的缺陷，一方面无法有效缩减衡器的称量效率（总的称量时长），另一方面无法与计划、物料等信息或设备联动，真正实现车间工序称重的无人化。
发明内容
本发明的目的在于提供基于人工智能的车间物料自动称重数据管理***及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：基于人工智能的车间物料自动称重数据管理方法，所述方法包括以下步骤：
S1、获取待测物料批次所属编号及当前时间所属加工流程，并获取待测物料从进入至流出衡器的时间段，记为动态称量区间；通过衡器内置的传感器实时获取物料动态称重过程中的动态称量区间内，衡器内置传感器的监测信息，所述监测信息包括振动传感器及称重传感器在动态称重过程中不同时间分别对应的检测数据；
S2、根据检测数据的数值变化情况，对动态称重过程中动态称量区间内的传感器监测信息进行片段划分，并判断不同传感器监测信息划分后的数据片段之间的关联性；分析关联数据片段之间的称量状态异常偏差，结合称量状态异常偏差值最小的关联数据片段，预测待测物料批次中称重物料的称量值，得到待测物料批次在当前加工流程对应的称重值；
S3、查询历史称重数据库中待测物料批次编号在前一个加工流程对应的称量结果，记为参照称量信息，获取数据库中得到参照称量信息时衡器的执行状态信息，结合得到待测物料批次在当前加工流程对应的称重值时衡器的执行状态信息，预测待测物料批次在当前加工流程对应的称重值存在的器具理论称量偏差量；
S4、根据待测物料批次在当前加工流程对应的理论称重值及相应称重值存在的器具理论称量偏差量，得到待测物料批次在当前加工流程对应的理论称重波动区间；所述待测物料批次在当前加工流程对应的理论称重值通过查询数据库预置表单获取；
S5、根据待测物料批次在当前加工流程对应的称量值及相应的理论称重波动区间，判断待测物料批次在当前加工流程对应的称量值是否异常，并在异常状态下停止继续称量物料，对衡器进行归零校准，并将状态异常的待测物料批次***到未称量的其余物料批次前，再次对待测物料批次在当前加工流程对应的重量进行动态称量；相邻两次对衡器执行归零校准的时间区间内执行的称量的物料批次个数大于n，n≥1；
S6、对物料批次在不同加工流程的称量结果进行管理，并将异常的称量结果对应的物料批次反馈给管理员。
进一步的，所述S1中将动态称量区间记为[T1，T2]；将衡器内置传感器的监测信息中振动传感器在时间t对应的检测数据记为Zt，所述t∈[T1，T2]；将衡器内置传感器的监测信息中称量传感器在时间t对应的检测数据记为Ct；
所述S2中对动态称重过程中动态称量区间内的传感器监测信息进行片段划分的方法包括以下步骤：
S201、获取动态称重过程中动态称量区间内的传感器监测信息中，不同时间点分别对应的振动传感器监测数据，将每个监测数据与相应的时间点构建一个监测数据对，记为（tz，Atz），其中，tz为动态称量区间内的一个时间点，Atz表示动态称重过程中时间点tz时振动传感器监测的数据；
S202、在第一平面直角坐标系中将S201中得到的各个监测数据对分别对应的坐标点进行标记，并将第一平面直角坐标系中相邻的各个标记点进行连接，得到振动幅度折线图，所述第一平面直角坐标系是以时间为x轴且振动传感器监测的振动幅度为y轴构建的平面直角坐标系；
S203、标记振动幅度折线图中的各个关系突变节点，所述关系突变节点为振动幅度折线图中数据由递增关系转变为递减关系的转折点或由递减关系转变为递增关系的转折点，以关系突变节点对应的时间为切割位置，将振动幅度折线图分割成多个数据片段，所述划分的数据片段个数等于相应关系突变节点个数加一；
本发明中关系突变节点为相应折线图对应函数中的各个极大值及极小值分别对应的点，关系突变节点的获取，只能反馈出相应折线图对应函数在各个部分对应的变化趋势，极大值对应的点表示相应折线图中数据由递增关系转变为递减关系的转折点，极小值对应的点表示相应折线图中数据由递减关系转变为递增关系的转折点，极大值与极小值之间不存在明确的数值大小关系，极大值可能大于等于或者小于极小值；
S204、构建第二平面直角坐标系，并按S201-S202中所述方法构建称量数据折线图，所述第二平面直角坐标系是以时间为横轴且称重传感器监测数据为纵轴构建的平面直角坐标系；以S203中所得关系突变节点对应的时间为切割位置，将称量数据折线图分割成多个数据片段；
所述S2中判断不同传感器监测信息划分后的数据片段之间的关联性的方法包括以下步骤：
S211、获取S203中的振动幅度折线图对应的数据片段，及S204中称重数据折线图对应的数据片段，每个数据片段对应一个时间区间，将振动幅度折线图对应的数据片段与称重数据折线图对应的数据片段中，对应时间区间相同的两个数据片段进行绑定，每个绑定结果分别对应一个称重数据折线图对应的数据片段及一个振动幅度折线图对应的数据片段；将第i个绑定结果对应的称重数据折线图对应的数据片段记为FCi，将第i个绑定结果对应的振动幅度折线图对应的数据片段记为FZi；
S212、获取第i个绑定结果中FCi与FZi之间的绑定关联值，记为Gi，
所述Gi=1/（i2-i1）·∫b=i1 b=i2|FCi（b）-H[FZi（b）]|db，
其中，i1表示第i个绑定结果内数据片段对应时间区间的最小值，i2表示第i个绑定结果内数据片段对应时间区间的最大值，FCi（b）表示时间为b时FCi内对应的称重数据，FZi（b）表示时间为b时FZi内对应的振动幅度，H[FZi（b）]表示对FZi（b）转化后的函数值，
H[FZi(b)]=[FCi(i2)-FCi(i1)]/[FZi(i2)-FZi(i1)]·{FZi(b)-FZi(i1)}+FCi(i1)，
其中，FCi(i2)表示时间为i2时FCi内对应的称重数据，FCi(i1)表示时间为i1时FCi内对应的称重数据，FZi(i2)表示时间为i2时FZi内对应的称重数据，FZi(i1)表示时间为i1时FZi内对应的称重数据；默认FZi(i2)与FZi(i1)不相等；
本发明中由于数据片段FCi与FZi属于分别对应不同的变量关系，进而两者无法直接进行比较及运算，需要将两者转化为同一维度上才能进行运算，进而本发明运用H[]对应的转化函数对FZi进行转化，H[FZi（b）]是为了将b为不同值时FZi对应的取值区间转化为FCi对应的取值区间，进而分析两者之间的绑定关联值（偏差情况）；获取绑定结果中FCi与FZi之间的绑定关联值，是为了获取FCi与FZi在函数图形结构上的差异情况；
S213、将Gi与绑定关联阈值进行比较，所述绑定关联阈值为数据库中预置的常数，
当Gi大于等于绑定关联阈值时，则判定第i个绑定结果中FCi与FZi不存在关联关系，绑定的数据片段中传感器监测数据受到噪声干扰；
当Gi小于绑定关联阈值时，则判定第i个绑定结果中FCi与FZi存在关联关系。
进一步的，所述S2中预测待测物料批次中称重物料的称量值的方法包括以下步骤：
S221、获取存在关联关系的绑定结果，并对获取的绑定结果进行编号，根据第k个存在关联关系的绑定结果中的数据片段，预测振动幅度为0时对应的称重结果，记为CYk；
当第k个存在关联关系的绑定结果中属于振动幅度折线图的数据片段内存在振动幅度为0的情况时，获取振动幅度为0的时间点，记为tsk，则CYk等于第k个存在关联关系的绑定结果中属于称重数据折线图的数据片段内时间为tsk时的称重结果；
当第k个存在关联关系的绑定结果中属于振动幅度折线图的数据片段内不存在振动幅度为0的情况时，则获取属于振动幅度折线图的数据片段内两个端点对应的直线上，幅度为0时对应的时间点，记为tLk，则CYk等于第k个存在关联关系的绑定结果中属于称重数据折线图的数据片段内两个端点对应的直线上，时间为tsk时的称重结果；
本发明中振动传感器对应的振动幅度的取值范围为正数、0及负数；
S222、得到待测物料批次在当前加工流程对应的称重值，所述待测物料批次在当前加工流程对应的称重值等于各个存在关联关系的绑定结果分别对应的振动幅度为0时称重结果预测值的平均值。
进一步的，所述S3中获取衡器的执行状态信息的过程中，获取衡器对待测物料批次在相应加工流程中进行称重的起始时间tq及相应衡器最近一次执行归零校准操作的时间tg；将衡器在tg至tq的时间段内时间tm对应的称量数据记为Ctm，则衡器相应的执行状态信息为∫tm=tg tm=tqCtmdtm，所述tm∈[tg，tq]且tg≤tq；
所述S3中预测待测物料批次在当前加工流程对应的称重值存在的器具理论称量偏差量的方法包括以下步骤：
S311、获取数据库预制表单中衡器的不同执行状态信息分别对应的偏差称量区间，将参照称量信息对应衡器执行状态信息相应的偏差称量区间记为[Cpc1，Cpc2]，将待测物料批次在当前加工流程对应的衡器执行状态信息相应的偏差称量区间记为[Cpd1，Cpd2]，
其中，Cpc1表示数据库中衡器的执行状态信息为参照称量信息对应衡器执行状态信息时对应的称量偏差量的最小值（本发明通过检测衡器的执行状态信息达到参照称量信息对应衡器执行状态信息时，在停止继续称重的情况下，衡器上示数与0之间的差值，来得到相应的称量偏差量）；Cpc2表示数据库中衡器的执行状态信息为参照称量信息对应衡器执行状态信息时对应的称量偏差量的最大值；Cpd1表示数据库中衡器的执行状态信息为待测物料批次在当前加工流程对应的衡器执行状态信息时，对应的称量偏差量的最小值；Cpd2表示数据库中衡器的执行状态信息为待测物料批次在当前加工流程对应的衡器执行状态信息时，对应的称量偏差量的最大值；
S312、得到待测物料批次在当前加工流程对应的称重值存在的器具理论称量偏差量的预测值，记为[min{Cpd1-Cpc1,Cpd2-Cpc2}，max{Cpd1-Cpc1,Cpd2-Cpc2}]，
其中，min{Cpd1-Cpc1,Cpd2-Cpc2}表示Cpd1-Cpc1与Cpd2-Cpc2中的最小值，max{Cpd1-Cpc1,Cpd2-Cpc2}表示Cpd1-Cpc1与Cpd2-Cpc2中的最大值。
进一步的，所述S4中将待测物料批次在当前加工流程对应的理论称重波动区间记为[D1+D2，D1+D3]，其中，D1表示待测物料批次在当前加工流程对应的理论称重值，D2表示待测物料批次在当前加工流程对应称重值存在的器具理论称量偏差量中的最小值，D3表示待测物料批次在当前加工流程对应称重值存在的器具理论称量偏差量中的最大值；
所述S5判断待测物料批次在当前加工流程对应的称量值是否异常时，获取待测物料批次在当前加工流程对应的称量值及相应的理论称重波动区间，
当待测物料批次在当前加工流程对应称量值属于相应的理论称重波动区间时，则判定待测物料批次在当前加工流程对应的称量值正常；
当待测物料批次在当前加工流程对应称量值不属于相应的理论称重波动区间时，则判定待测物料批次在当前加工流程对应的称量值异常。
本发明判断待测物料批次在当前加工流程对应的称量值是否异常，是为了得到对衡器执行归零校准操作的判定条件，实现对动态称量过程中衡器的称量精度的管控。
本发明人工智能体现在结合衡器的称量情况，实现对待测物料批次在当前加工流程对应的称量值的预测及相应的理论称重波动区间的预估分析，并结合两者的比较结果，实现对衡器归零校准操作的智能管控，在一定程度上实现了称量的无人化。
进一步的，所述S6中对物料批次在不同加工流程的称量结果进行管理时，若同一物料批次在同一加工流程连续称量两次，将第二次的称量结果的状态作为相应物料批次在相应加工流程对应称量值所属的状态。
基于人工智能的车间物料自动称重数据管理***，所述***包括以下模块：
称量数据动态采集模块，所述称量数据动态采集模块获取待测物料批次所属编号及当前时间所属加工流程，并获取待测物料从进入至流出衡器的时间段，记为动态称量区间；通过衡器内置的传感器实时获取物料动态称重过程中的动态称量区间内，衡器内置传感器的监测信息；
检测信息分割及关联分析模块，所述检测信息分割及关联分析模块根据检测数据的数值变化情况，对动态称重过程中动态称量区间内的传感器监测信息进行片段划分，并判断不同传感器监测信息划分后的数据片段之间的关联性；分析关联数据片段之间的称量状态异常偏差，结合称量状态异常偏差值最小的关联数据片段，预测待测物料批次中称重物料的称量值，得到待测物料批次在当前加工流程对应的称重值；
理论称量偏差预测模块，所述理论称量偏差预测模块查询历史称重数据库中待测物料批次编号在前一个加工流程对应的称量结果，记为参照称量信息，获取数据库中得到参照称量信息时衡器的执行状态信息，结合得到待测物料批次在当前加工流程对应的称重值时衡器的执行状态信息，预测待测物料批次在当前加工流程对应的称重值存在的器具理论称量偏差量；
称重波动分析模块，所述称重波动分析模块根据待测物料批次在当前加工流程对应的理论称重值及相应称重值存在的器具理论称量偏差量，得到待测物料批次在当前加工流程对应的理论称重波动区间；
归零校准操作管理模块，所述归零校准操作管理模块根据待测物料批次在当前加工流程对应的称量值及相应的理论称重波动区间，判断待测物料批次在当前加工流程对应的称量值是否异常，并在异常状态下停止继续称量物料，对衡器进行归零校准，并将状态异常的待测物料批次***到未称量的其余物料批次前，再次对待测物料批次在当前加工流程对应的重量进行动态称量；
异常反馈模块，所述异常反馈模块对物料批次在不同加工流程的称量结果进行管理，并将异常的称量结果对应的物料批次反馈给管理员。
进一步的，所述检测信息分割及关联分析模块包括数据片段划分单元、关联性分析单元及称量预测单元，
所述数据片段划分单元根据检测数据的数值变化情况，对动态称重过程中动态称量区间内的传感器监测信息进行片段划分；
所述关联性分析单元判断不同传感器监测信息划分后的数据片段之间的关联性；
所述称量预测单元分析关联数据片段之间的称量状态异常偏差，结合称量状态异常偏差值最小的关联数据片段，预测待测物料批次中称重物料的称量值，得到待测物料批次在当前加工流程对应的称重值。
与现有技术相比，本发明所达到的有益效果是：本发明考虑到动态称量过程中，衡器在不能及时执行归零校准操作的情况下，随着使用时间及称重数据的积累，衡器的称重精度出现偏差导致的称量数据异常问题；并与计划、物料等信息或设备联动，实现对衡器归零校准操作的调控及对动态称量数据精度的管控，确保车间工序称重无人化的实现。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明基于人工智能的车间物料自动称重数据管理方法的结构示意图；
图2是本发明基于人工智能的车间物料自动称重数据管理***的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供技术方案：基于人工智能的车间物料自动称重数据管理方法，所述方法包括以下步骤：
S1、获取待测物料批次所属编号及当前时间所属加工流程，并获取待测物料从进入至流出衡器的时间段，记为动态称量区间；通过衡器内置的传感器实时获取物料动态称重过程中的动态称量区间内，衡器内置传感器的监测信息，所述监测信息包括振动传感器及称重传感器在动态称重过程中不同时间分别对应的检测数据；
所述S1中将动态称量区间记为[T1，T2]；将衡器内置传感器的监测信息中振动传感器在时间t对应的检测数据记为Zt，所述t∈[T1，T2]；将衡器内置传感器的监测信息中称量传感器在时间t对应的检测数据记为Ct；
S2、根据检测数据的数值变化情况，对动态称重过程中动态称量区间内的传感器监测信息进行片段划分，并判断不同传感器监测信息划分后的数据片段之间的关联性；分析关联数据片段之间的称量状态异常偏差，结合称量状态异常偏差值最小的关联数据片段，预测待测物料批次中称重物料的称量值，得到待测物料批次在当前加工流程对应的称重值；
所述S2中对动态称重过程中动态称量区间内的传感器监测信息进行片段划分的方法包括以下步骤：
S201、获取动态称重过程中动态称量区间内的传感器监测信息中，不同时间点分别对应的振动传感器监测数据，将每个监测数据与相应的时间点构建一个监测数据对，记为（tz，Atz），其中，tz为动态称量区间内的一个时间点，Atz表示动态称重过程中时间点tz时振动传感器监测的数据；
S202、在第一平面直角坐标系中将S201中得到的各个监测数据对分别对应的坐标点进行标记，并将第一平面直角坐标系中相邻的各个标记点进行连接，得到振动幅度折线图，所述第一平面直角坐标系是以时间为x轴且振动传感器监测的振动幅度为y轴构建的平面直角坐标系；
S203、标记振动幅度折线图中的各个关系突变节点，所述关系突变节点为振动幅度折线图中数据由递增关系转变为递减关系的转折点或由递减关系转变为递增关系的转折点，以关系突变节点对应的时间为切割位置，将振动幅度折线图分割成多个数据片段，所述划分的数据片段个数等于相应关系突变节点个数加一；
S204、构建第二平面直角坐标系，并按S201-S202中所述方法构建称量数据折线图，所述第二平面直角坐标系是以时间为横轴且称重传感器监测数据为纵轴构建的平面直角坐标系；以S203中所得关系突变节点对应的时间为切割位置，将称量数据折线图分割成多个数据片段；
所述S2中判断不同传感器监测信息划分后的数据片段之间的关联性的方法包括以下步骤：
S211、获取S203中的振动幅度折线图对应的数据片段，及S204中称重数据折线图对应的数据片段，每个数据片段对应一个时间区间，将振动幅度折线图对应的数据片段与称重数据折线图对应的数据片段中，对应时间区间相同的两个数据片段进行绑定，每个绑定结果分别对应一个称重数据折线图对应的数据片段及一个振动幅度折线图对应的数据片段；将第i个绑定结果对应的称重数据折线图对应的数据片段记为FCi，将第i个绑定结果对应的振动幅度折线图对应的数据片段记为FZi；
S212、获取第i个绑定结果中FCi与FZi之间的绑定关联值，记为Gi，
所述Gi=1/（i2-i1）·∫b=i1 b=i2|FCi（b）-H[FZi（b）]|db，
其中，i1表示第i个绑定结果内数据片段对应时间区间的最小值，i2表示第i个绑定结果内数据片段对应时间区间的最大值，FCi（b）表示时间为b时FCi内对应的称重数据，FZi（b）表示时间为b时FZi内对应的振动幅度，H[FZi（b）]表示对FZi（b）转化后的函数值，
H[FZi(b)]=[FCi(i2)-FCi(i1)]/[FZi(i2)-FZi(i1)]·{FZi(b)-FZi(i1)}+FCi(i1)，
其中，FCi(i2)表示时间为i2时FCi内对应的称重数据，FCi(i1)表示时间为i1时FCi内对应的称重数据，FZi(i2)表示时间为i2时FZi内对应的称重数据，FZi(i1)表示时间为i1时FZi内对应的称重数据；默认FZi(i2)与FZi(i1)不相等；
本实施例中H[FZi（b）]是为了将b为不同值时FZi对应的取值区间转化为FCi对应的取值区间，进而分析两者之间的绑定关联值（偏差情况）；
S213、将Gi与绑定关联阈值进行比较，所述绑定关联阈值为数据库中预置的常数，
当Gi大于等于绑定关联阈值时，则判定第i个绑定结果中FCi与FZi不存在关联关系，绑定的数据片段中传感器监测数据受到噪声干扰；
当Gi小于绑定关联阈值时，则判定第i个绑定结果中FCi与FZi存在关联关系。
所述S2中预测待测物料批次中称重物料的称量值的方法包括以下步骤：
S221、获取存在关联关系的绑定结果，并对获取的绑定结果进行编号，根据第k个存在关联关系的绑定结果中的数据片段，预测振动幅度为0时对应的称重结果，记为CYk；
当第k个存在关联关系的绑定结果中属于振动幅度折线图的数据片段内存在振动幅度为0的情况时，获取振动幅度为0的时间点，记为tsk，则CYk等于第k个存在关联关系的绑定结果中属于称重数据折线图的数据片段内时间为tsk时的称重结果；
当第k个存在关联关系的绑定结果中属于振动幅度折线图的数据片段内不存在振动幅度为0的情况时，则获取属于振动幅度折线图的数据片段内两个端点对应的直线上，幅度为0时对应的时间点，记为tLk，则CYk等于第k个存在关联关系的绑定结果中属于称重数据折线图的数据片段内两个端点对应的直线上，时间为tsk时的称重结果；
本实施例中振动传感器对应的振动幅度的取值范围为正数、0及负数；
S222、得到待测物料批次在当前加工流程对应的称重值，所述待测物料批次在当前加工流程对应的称重值等于各个存在关联关系的绑定结果分别对应的振动幅度为0时称重结果预测值的平均值。
S3、查询历史称重数据库中待测物料批次编号在前一个加工流程对应的称量结果，记为参照称量信息，获取数据库中得到参照称量信息时衡器的执行状态信息，结合得到待测物料批次在当前加工流程对应的称重值时衡器的执行状态信息，预测待测物料批次在当前加工流程对应的称重值存在的器具理论称量偏差量；
所述S3中获取衡器的执行状态信息的过程中，获取衡器对待测物料批次在相应加工流程中进行称重的起始时间tq及相应衡器最近一次执行归零校准操作的时间tg；将衡器在tg至tq的时间段内时间tm对应的称量数据记为Ctm，则衡器相应的执行状态信息为∫tm=tg tm=tqCtmdtm，所述tm∈[tg，tq]且tg≤tq；
所述S3中预测待测物料批次在当前加工流程对应的称重值存在的器具理论称量偏差量的方法包括以下步骤：
S311、获取数据库预制表单中衡器的不同执行状态信息分别对应的偏差称量区间，将参照称量信息对应衡器执行状态信息相应的偏差称量区间记为[Cpc1，Cpc2]，将待测物料批次在当前加工流程对应的衡器执行状态信息相应的偏差称量区间记为[Cpd1，Cpd2]，
其中，Cpc1表示数据库中衡器的执行状态信息为参照称量信息对应衡器执行状态信息时对应的称量偏差量的最小值（本实施例通过检测衡器的执行状态信息达到参照称量信息对应衡器执行状态信息时，在停止继续称重的情况下，衡器上示数与0之间的差值，来得到相应的称量偏差量）；Cpc2表示数据库中衡器的执行状态信息为参照称量信息对应衡器执行状态信息时对应的称量偏差量的最大值；Cpd1表示数据库中衡器的执行状态信息为待测物料批次在当前加工流程对应的衡器执行状态信息时，对应的称量偏差量的最小值；Cpd2表示数据库中衡器的执行状态信息为待测物料批次在当前加工流程对应的衡器执行状态信息时，对应的称量偏差量的最大值；
S312、得到待测物料批次在当前加工流程对应的称重值存在的器具理论称量偏差量的预测值，记为[min{Cpd1-Cpc1,Cpd2-Cpc2}，max{Cpd1-Cpc1,Cpd2-Cpc2}]，
其中，min{Cpd1-Cpc1,Cpd2-Cpc2}表示Cpd1-Cpc1与Cpd2-Cpc2中的最小值，max{Cpd1-Cpc1,Cpd2-Cpc2}表示Cpd1-Cpc1与Cpd2-Cpc2中的最大值。
S4、根据待测物料批次在当前加工流程对应的理论称重值及相应称重值存在的器具理论称量偏差量，得到待测物料批次在当前加工流程对应的理论称重波动区间；所述待测物料批次在当前加工流程对应的理论称重值通过查询数据库预置表单获取；
所述S4中将待测物料批次在当前加工流程对应的理论称重波动区间记为[D1+D2，D1+D3]，其中，D1表示待测物料批次在当前加工流程对应的理论称重值，D2表示待测物料批次在当前加工流程对应称重值存在的器具理论称量偏差量中的最小值，D3表示待测物料批次在当前加工流程对应称重值存在的器具理论称量偏差量中的最大值；
S5、根据待测物料批次在当前加工流程对应的称量值及相应的理论称重波动区间，判断待测物料批次在当前加工流程对应的称量值是否异常，并在异常状态下停止继续称量物料，对衡器进行归零校准，并将状态异常的待测物料批次***到未称量的其余物料批次前，再次对待测物料批次在当前加工流程对应的重量进行动态称量；相邻两次对衡器执行归零校准的时间区间内执行的称量的物料批次个数大于n，n≥1；
所述S5判断待测物料批次在当前加工流程对应的称量值是否异常时，获取待测物料批次在当前加工流程对应的称量值及相应的理论称重波动区间，
当待测物料批次在当前加工流程对应称量值属于相应的理论称重波动区间时，则判定待测物料批次在当前加工流程对应的称量值正常；
当待测物料批次在当前加工流程对应称量值不属于相应的理论称重波动区间时，则判定待测物料批次在当前加工流程对应的称量值异常。
本实施例中待测物料批次在当前加工流程对应的理论称重值是根据历史数据中同种类物料在不同流程中称重量比值关系获取的；
若待测物料的种类为P，待测物料在当前加工流程之前的各个加工流程中分别对应的称量结果构成的集合为{P1，P2，...Pn，...Pn1}，n1表示待测物料在当前加工流程之前的加工流程总个数，Pn表示待测物料在第n个加工流程对应的称重结果；
将待测物料批次在当前加工流程对应的理论称重值记为1/n1·∑n=1 n=n1Pn·g{n，n1+1}，其中，g{n，n1+1}表示历史数据中物料种类为P的每个批次在第n1+1个加工流程的称重值与在第n个加工流程的称重值的比值的平均值；
本实施例中执行第一个加工流程时，待测物料批次对应称量结果的理论称重值是根据客户订单需求预置的常数；
S6、对物料批次在不同加工流程的称量结果进行管理，并将异常的称量结果对应的物料批次反馈给管理员；
所述S6中对物料批次在不同加工流程的称量结果进行管理时，若同一物料批次在同一加工流程连续称量两次，将第二次的称量结果的状态作为相应物料批次在相应加工流程对应称量值所属的状态。
本实施例中若存在甲、乙、丙三个物料批次，
若甲在第二加工流程中只称量了一次且称量结果对应的状态异常，则将物料批次甲反馈给管理员；
若乙在第二加工流程中连续称量了两次，且第一次称量结果对应的状态异常，第二次称量结果对应的状态正常，则判定物流批次乙的称量结果正常，无需将物料批次乙反馈给管理员，并将乙对应的第一次称量结果作为错误称量值，将第二次称量结果作为正确的称量值；
若丙在第二加工流程中连续称量了两次，且第一次称量结果对应的状态异常，第二次称量结果对应的状态异常，则判定物流批次丙的称量结果异常，需要将物料批次丙反馈给管理员，并将丙对应的第一次称量结果作为错误称量值，将第二次称量结果作为正确的称量值。
如图2所示，基于人工智能的车间物料自动称重数据管理***，所述***包括以下模块：
称量数据动态采集模块，所述称量数据动态采集模块获取待测物料批次所属编号及当前时间所属加工流程，并获取待测物料从进入至流出衡器的时间段，记为动态称量区间；通过衡器内置的传感器实时获取物料动态称重过程中的动态称量区间内，衡器内置传感器的监测信息；
检测信息分割及关联分析模块，所述检测信息分割及关联分析模块根据检测数据的数值变化情况，对动态称重过程中动态称量区间内的传感器监测信息进行片段划分，并判断不同传感器监测信息划分后的数据片段之间的关联性；分析关联数据片段之间的称量状态异常偏差，结合称量状态异常偏差值最小的关联数据片段，预测待测物料批次中称重物料的称量值，得到待测物料批次在当前加工流程对应的称重值；
理论称量偏差预测模块，所述理论称量偏差预测模块查询历史称重数据库中待测物料批次编号在前一个加工流程对应的称量结果，记为参照称量信息，获取数据库中得到参照称量信息时衡器的执行状态信息，结合得到待测物料批次在当前加工流程对应的称重值时衡器的执行状态信息，预测待测物料批次在当前加工流程对应的称重值存在的器具理论称量偏差量；
称重波动分析模块，所述称重波动分析模块根据待测物料批次在当前加工流程对应的理论称重值及相应称重值存在的器具理论称量偏差量，得到待测物料批次在当前加工流程对应的理论称重波动区间；
归零校准操作管理模块，所述归零校准操作管理模块根据待测物料批次在当前加工流程对应的称量值及相应的理论称重波动区间，判断待测物料批次在当前加工流程对应的称量值是否异常，并在异常状态下停止继续称量物料，对衡器进行归零校准，并将状态异常的待测物料批次***到未称量的其余物料批次前，再次对待测物料批次在当前加工流程对应的重量进行动态称量；
异常反馈模块，所述异常反馈模块对物料批次在不同加工流程的称量结果进行管理，并将异常的称量结果对应的物料批次反馈给管理员。
所述检测信息分割及关联分析模块包括数据片段划分单元、关联性分析单元及称量预测单元，
所述数据片段划分单元根据检测数据的数值变化情况，对动态称重过程中动态称量区间内的传感器监测信息进行片段划分；
所述关联性分析单元判断不同传感器监测信息划分后的数据片段之间的关联性；
所述称量预测单元分析关联数据片段之间的称量状态异常偏差，结合称量状态异常偏差值最小的关联数据片段，预测待测物料批次中称重物料的称量值，得到待测物料批次在当前加工流程对应的称重值。
本实施例中还包括另一种基于人工智能的车间物料自动称重数据管理方法，通过引入粒子群算法，并加以改进惯性权重，以提高全局寻优能力，最终使得BP神经网络在动态称重数据处理上有较高的准确度；具体内容如下：
在粒子群算法（POS）中，所有的粒子在搜索范围内移动，将每一个粒子看作问题的一个解，所有粒子组成的种群作为解向量，通过不断的调整粒子的位置，完成对搜索空间内最优解的搜索。
在d维空间中，随机生成个数为N的初始种群：
式(1)：Xi=（xi 1，xi 2，...，xi d），i=1,2,3,...N，
式中，xi表示在d维空间中第i个粒子所在的位置；
粒子的位置和速度更新定义如下：
式(2)：vid t+1=w·vid t+c1r1（Pid t-xid t）+c2r2（Pgd t-xid t），
式(3)：xid t+1=xid t+vid t，
式(2)、(3)中，vid t+1表示第i个粒子在t+1时刻的速度，vid t表示第i个粒子在t时刻的速度，w表示权重，c1、c2是加速因子，r1、r2是[0,1]的随机数，xid t表示第i个粒子在t时刻的位置，Pid t表示第i个粒子在t时刻搜索到的最优位置，Pgd t表示整体在t时刻搜索到的最优位置。
由上述基本公式可知，粒子通过跟踪两个极值不断调整自身位置和速度实现全局搜索，当粒子中的最优适应度值达到设定目标，或者迭代次数达到设定值时，跳出循环，则具有最优适应度值的粒子即为最优解。
在PSO算法中惯性权重因子体现粒子继承上一次迭代速度的能力，决定了算法全局搜索和局部搜索的能力，因此一个合适的惯性权重有利于平衡全局和局部搜索能力。
惯性权重因子一般采用随机数规则，虽然提高了随机性，但无法反映当前执行过程，因此本文通过改进惯性权重因子使其与当前过程状态相关，实现惯性权重因子可控，以进一步提高PSO的搜索速度和精度。
在算法中fiti(t)表示第i粒子在第t次迭代时的适应度值，worst(t)表示粒子在第t时刻的最差适应度值，N是群体的大小。
则worst(t)定义如下：
式(4)：worst(t)=min{fiti(t)|i=1,2,3,...N}，
通过定义惯性权重如下,得到式(5)：
当fiti(t)≤fitavg(t)时，
wi(t)=wmax-[(wmax-wmin)·(fiti(t)-worst(t))]/[fitavg(t)-worst(t)]，
当fiti(t)≤fitavg(t)时，wi(t)=wmax，
其中，wmin、wmax表示惯性权重w的最大值和最小值，本文中，取wmin=0.1，wmax=0.6，fitavg(t)表示当前时刻平均适应度值，fiti(t)表示当前时刻的适应度值。在公式中，粒子的惯性权重随着粒子的目标函数值改变而改变。
通过对改进PSO算法的分析，利用其对神经网络的初始权值和阈值进行优化。为了满足PSO寻优要求，将神经网络的均方误差的倒数作为改进PSO算法的适应度函数。
PSO算法的步骤如下所述：
步骤1）：根据粒子的限制条件，随机初始化种群及初始速度；
步骤2）：根据适应度函数，计算每个粒子的适应度值；
步骤3）：对每个粒子，用它的适应度值fiti(t)和个体极值Pid t比较，如果fiti(t)>Pid t，则用Pid t替换掉Pid t，反之保留；
步骤4）：对每个粒子，用它的适应度值fiti(t)和全局极值Pgd t比较，如果fiti(t)>Pgd t，则用Pid t替换掉Pgd t，反之保留；
步骤5）：根据公式（2）和（3）更新粒子的速度和位置；
步骤6）：当达到最佳适应度值或者最大迭代次数，则结束，否则重复执行步骤2)-步骤5)。
该方式采用基于改进的PSO-BP神经网络，降低了模型的复杂度，确保了动态称重的数据结果的准确性，提高了物料流转效率。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.基于人工智能的车间物料自动称重数据管理方法，其特征在于，所述方法包括以下步骤：
S1、获取待测物料批次所属编号及当前时间所属加工流程，并获取待测物料从进入至流出衡器的时间段，记为动态称量区间；通过衡器内置的传感器实时获取物料动态称重过程中的动态称量区间内，衡器内置传感器的监测信息，所述监测信息包括振动传感器及称重传感器在动态称重过程中不同时间分别对应的检测数据；
S2、根据检测数据的数值变化情况，对动态称重过程中动态称量区间内的传感器监测信息进行片段划分，并判断不同传感器监测信息划分后的数据片段之间的关联性；分析关联数据片段之间的称量状态异常偏差，结合称量状态异常偏差值最小的关联数据片段，预测待测物料批次中称重物料的称量值，得到待测物料批次在当前加工流程对应的称重值；
S3、查询历史称重数据库中待测物料批次编号在前一个加工流程对应的称量结果，记为参照称量信息，获取数据库中得到参照称量信息时衡器的执行状态信息，结合得到待测物料批次在当前加工流程对应的称重值时衡器的执行状态信息，预测待测物料批次在当前加工流程对应的称重值存在的器具理论称量偏差量；
S4、根据待测物料批次在当前加工流程对应的理论称重值及相应称重值存在的器具理论称量偏差量，得到待测物料批次在当前加工流程对应的理论称重波动区间；所述待测物料批次在当前加工流程对应的理论称重值通过查询数据库预置表单获取；
S5、根据待测物料批次在当前加工流程对应的称量值及相应的理论称重波动区间，判断待测物料批次在当前加工流程对应的称量值是否异常，并在异常状态下停止继续称量物料，对衡器进行归零校准，并将状态异常的待测物料批次***到未称量的其余物料批次前，再次对待测物料批次在当前加工流程对应的重量进行动态称量；相邻两次对衡器执行归零校准的时间区间内执行的称量的物料批次个数大于n，n≥1；
S6、对物料批次在不同加工流程的称量结果进行管理，并将异常的称量结果对应的物料批次反馈给管理员。
2.根据权利要求1所述的基于人工智能的车间物料自动称重数据管理方法，其特征在于：所述S1中将动态称量区间记为[T1，T2]；将衡器内置传感器的监测信息中振动传感器在时间t对应的检测数据记为Zt，所述t∈[T1，T2]；将衡器内置传感器的监测信息中称量传感器在时间t对应的检测数据记为Ct；
所述S2中对动态称重过程中动态称量区间内的传感器监测信息进行片段划分的方法包括以下步骤：
S201、获取动态称重过程中动态称量区间内的传感器监测信息中，不同时间点分别对应的振动传感器监测数据，将每个监测数据与相应的时间点构建一个监测数据对，记为（tz，Atz），其中，tz为动态称量区间内的一个时间点，Atz表示动态称重过程中时间点tz时振动传感器监测的数据；
S202、在第一平面直角坐标系中将S201中得到的各个监测数据对分别对应的坐标点进行标记，并将第一平面直角坐标系中相邻的各个标记点进行连接，得到振动幅度折线图，所述第一平面直角坐标系是以时间为x轴且振动传感器监测的振动幅度为y轴构建的平面直角坐标系；
S203、标记振动幅度折线图中的各个关系突变节点，所述关系突变节点为振动幅度折线图中数据由递增关系转变为递减关系的转折点或由递减关系转变为递增关系的转折点，以关系突变节点对应的时间为切割位置，将振动幅度折线图分割成多个数据片段，所述划分的数据片段个数等于相应关系突变节点个数加一；
S204、构建第二平面直角坐标系，并按S201-S202中所述方法构建称量数据折线图，所述第二平面直角坐标系是以时间为横轴且称重传感器监测数据为纵轴构建的平面直角坐标系；以S203中所得关系突变节点对应的时间为切割位置，将称量数据折线图分割成多个数据片段；
所述S2中判断不同传感器监测信息划分后的数据片段之间的关联性的方法包括以下步骤：
S211、获取S203中的振动幅度折线图对应的数据片段，及S204中称重数据折线图对应的数据片段，每个数据片段对应一个时间区间，将振动幅度折线图对应的数据片段与称重数据折线图对应的数据片段中，对应时间区间相同的两个数据片段进行绑定，每个绑定结果分别对应一个称重数据折线图对应的数据片段及一个振动幅度折线图对应的数据片段；将第i个绑定结果对应的称重数据折线图对应的数据片段记为FCi，将第i个绑定结果对应的振动幅度折线图对应的数据片段记为FZi；
S212、获取第i个绑定结果中FCi与FZi之间的绑定关联值，记为Gi，
所述Gi=1/（i2-i1）·∫b=i1 b=i2|FCi（b）-H[FZi（b）]|db，
其中，i1表示第i个绑定结果内数据片段对应时间区间的最小值，i2表示第i个绑定结果内数据片段对应时间区间的最大值，FCi（b）表示时间为b时FCi内对应的称重数据，FZi（b）表示时间为b时FZi内对应的振动幅度，H[FZi（b）]表示对FZi（b）转化后的函数值，
H[FZi(b)]=[FCi(i2)-FCi(i1)]/[FZi(i2)-FZi(i1)]·{FZi(b)-FZi(i1)}+FCi(i1)，
其中，FCi(i2)表示时间为i2时FCi内对应的称重数据，FCi(i1)表示时间为i1时FCi内对应的称重数据，FZi(i2)表示时间为i2时FZi内对应的称重数据，FZi(i1)表示时间为i1时FZi内对应的称重数据；默认FZi(i2)与FZi(i1)不相等；
S213、将Gi与绑定关联阈值进行比较，所述绑定关联阈值为数据库中预置的常数，
当Gi大于等于绑定关联阈值时，则判定第i个绑定结果中FCi与FZi不存在关联关系，绑定的数据片段中传感器监测数据受到噪声干扰；
当Gi小于绑定关联阈值时，则判定第i个绑定结果中FCi与FZi存在关联关系。
3.根据权利要求2所述的基于人工智能的车间物料自动称重数据管理方法，其特征在于：所述S2中预测待测物料批次中称重物料的称量值的方法包括以下步骤：
S221、获取存在关联关系的绑定结果，并对获取的绑定结果进行编号，根据第k个存在关联关系的绑定结果中的数据片段，预测振动幅度为0时对应的称重结果，记为CYk；
当第k个存在关联关系的绑定结果中属于振动幅度折线图的数据片段内存在振动幅度为0的情况时，获取振动幅度为0的时间点，记为tsk，则CYk等于第k个存在关联关系的绑定结果中属于称重数据折线图的数据片段内时间为tsk时的称重结果；
当第k个存在关联关系的绑定结果中属于振动幅度折线图的数据片段内不存在振动幅度为0的情况时，则获取属于振动幅度折线图的数据片段内两个端点对应的直线上，幅度为0时对应的时间点，记为tLk，则CYk等于第k个存在关联关系的绑定结果中属于称重数据折线图的数据片段内两个端点对应的直线上，时间为tsk时的称重结果；
S222、得到待测物料批次在当前加工流程对应的称重值，所述待测物料批次在当前加工流程对应的称重值等于各个存在关联关系的绑定结果分别对应的振动幅度为0时称重结果预测值的平均值。
4.根据权利要求1所述的基于人工智能的车间物料自动称重数据管理方法，其特征在于：所述S3中获取衡器的执行状态信息的过程中，获取衡器对待测物料批次在相应加工流程中进行称重的起始时间tq及相应衡器最近一次执行归零校准操作的时间tg；将衡器在tg至tq的时间段内时间tm对应的称量数据记为Ctm，则衡器相应的执行状态信息为∫tm=tg tm= tqCtmdtm，所述tm∈[tg，tq]且tg≤tq；
所述S3中预测待测物料批次在当前加工流程对应的称重值存在的器具理论称量偏差量的方法包括以下步骤：
S311、获取数据库预制表单中衡器的不同执行状态信息分别对应的偏差称量区间，将参照称量信息对应衡器执行状态信息相应的偏差称量区间记为[Cpc1，Cpc2]，将待测物料批次在当前加工流程对应的衡器执行状态信息相应的偏差称量区间记为[Cpd1，Cpd2]，
其中，Cpc1表示数据库中衡器的执行状态信息为参照称量信息对应衡器执行状态信息时对应的称量偏差量的最小值；Cpc2表示数据库中衡器的执行状态信息为参照称量信息对应衡器执行状态信息时对应的称量偏差量的最大值；Cpd1表示数据库中衡器的执行状态信息为待测物料批次在当前加工流程对应的衡器执行状态信息时，对应的称量偏差量的最小值；Cpd2表示数据库中衡器的执行状态信息为待测物料批次在当前加工流程对应的衡器执行状态信息时，对应的称量偏差量的最大值；
S312、得到待测物料批次在当前加工流程对应的称重值存在的器具理论称量偏差量的预测值，记为[min{Cpd1-Cpc1,Cpd2-Cpc2}，max{Cpd1-Cpc1,Cpd2-Cpc2}]，
其中，min{Cpd1-Cpc1,Cpd2-Cpc2}表示Cpd1-Cpc1与Cpd2-Cpc2中的最小值，max{Cpd1-Cpc1,Cpd2-Cpc2}表示Cpd1-Cpc1与Cpd2-Cpc2中的最大值。
5.根据权利要求1所述的基于人工智能的车间物料自动称重数据管理方法，其特征在于：所述S4中将待测物料批次在当前加工流程对应的理论称重波动区间记为[D1+D2，D1+D3]，其中，D1表示待测物料批次在当前加工流程对应的理论称重值，D2表示待测物料批次在当前加工流程对应称重值存在的器具理论称量偏差量中的最小值，D3表示待测物料批次在当前加工流程对应称重值存在的器具理论称量偏差量中的最大值；
所述S5判断待测物料批次在当前加工流程对应的称量值是否异常时，获取待测物料批次在当前加工流程对应的称量值及相应的理论称重波动区间，
当待测物料批次在当前加工流程对应称量值属于相应的理论称重波动区间时，则判定待测物料批次在当前加工流程对应的称量值正常；
当待测物料批次在当前加工流程对应称量值不属于相应的理论称重波动区间时，则判定待测物料批次在当前加工流程对应的称量值异常。
6.根据权利要求1所述的基于人工智能的车间物料自动称重数据管理方法，其特征在于：所述S6中对物料批次在不同加工流程的称量结果进行管理时，若同一物料批次在同一加工流程连续称量两次，将第二次的称量结果的状态作为相应物料批次在相应加工流程对应称量值所属的状态。
7.基于人工智能的车间物料自动称重数据管理***，所述***应用权利要求1-6中任意一项所述的基于人工智能的车间物料自动称重数据管理方法实现，其特征在于：所述***包括以下模块：
称量数据动态采集模块，所述称量数据动态采集模块获取待测物料批次所属编号及当前时间所属加工流程，并获取待测物料从进入至流出衡器的时间段，记为动态称量区间；通过衡器内置的传感器实时获取物料动态称重过程中的动态称量区间内，衡器内置传感器的监测信息；
检测信息分割及关联分析模块，所述检测信息分割及关联分析模块根据检测数据的数值变化情况，对动态称重过程中动态称量区间内的传感器监测信息进行片段划分，并判断不同传感器监测信息划分后的数据片段之间的关联性；分析关联数据片段之间的称量状态异常偏差，结合称量状态异常偏差值最小的关联数据片段，预测待测物料批次中称重物料的称量值，得到待测物料批次在当前加工流程对应的称重值；
理论称量偏差预测模块，所述理论称量偏差预测模块查询历史称重数据库中待测物料批次编号在前一个加工流程对应的称量结果，记为参照称量信息，获取数据库中得到参照称量信息时衡器的执行状态信息，结合得到待测物料批次在当前加工流程对应的称重值时衡器的执行状态信息，预测待测物料批次在当前加工流程对应的称重值存在的器具理论称量偏差量；
称重波动分析模块，所述称重波动分析模块根据待测物料批次在当前加工流程对应的理论称重值及相应称重值存在的器具理论称量偏差量，得到待测物料批次在当前加工流程对应的理论称重波动区间；
归零校准操作管理模块，所述归零校准操作管理模块根据待测物料批次在当前加工流程对应的称量值及相应的理论称重波动区间，判断待测物料批次在当前加工流程对应的称量值是否异常，并在异常状态下停止继续称量物料，对衡器进行归零校准，并将状态异常的待测物料批次***到未称量的其余物料批次前，再次对待测物料批次在当前加工流程对应的重量进行动态称量；
异常反馈模块，所述异常反馈模块对物料批次在不同加工流程的称量结果进行管理，并将异常的称量结果对应的物料批次反馈给管理员。
8.根据权利要求7所述的基于人工智能的车间物料自动称重数据管理***，其特征在于：所述检测信息分割及关联分析模块包括数据片段划分单元、关联性分析单元及称量预测单元，
所述数据片段划分单元根据检测数据的数值变化情况，对动态称重过程中动态称量区间内的传感器监测信息进行片段划分；
所述关联性分析单元判断不同传感器监测信息划分后的数据片段之间的关联性；
所述称量预测单元分析关联数据片段之间的称量状态异常偏差，结合称量状态异常偏差值最小的关联数据片段，预测待测物料批次中称重物料的称量值，得到待测物料批次在当前加工流程对应的称重值。
CN202311347942.2A 2023-10-18 2023-10-18 基于人工智能的车间物料自动称重数据管理***及方法 Active CN117077993B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311347942.2A CN117077993B (zh) 2023-10-18 2023-10-18 基于人工智能的车间物料自动称重数据管理***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311347942.2A CN117077993B (zh) 2023-10-18 2023-10-18 基于人工智能的车间物料自动称重数据管理***及方法

Publications (2)

Publication Number Publication Date
CN117077993A true CN117077993A (zh) 2023-11-17
CN117077993B CN117077993B (zh) 2024-01-26

Family

ID=88713889

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311347942.2A Active CN117077993B (zh) 2023-10-18 2023-10-18 基于人工智能的车间物料自动称重数据管理***及方法

Country Status (1)

Country Link
CN (1) CN117077993B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4534428A (en) * 1983-08-11 1985-08-13 Package Machinery Co. Vibratory feeder control for a weighing system
JP2000180256A (ja) * 1998-12-18 2000-06-30 Ishida Co Ltd 計量装置
US20010052431A1 (en) * 2000-05-19 2001-12-20 Sartorius Ag Electronic weighing sensor
DE10114481A1 (de) * 2001-03-24 2002-09-26 Schenck Process Gmbh Verfahren und Vorrichtung zur dynamischen Messung der Achslast oder des Gewichts von Fahrzeugen
CN106268400A (zh) * 2016-09-23 2017-01-04 中化重庆涪陵化工有限公司 自动配料***
CN108871526A (zh) * 2018-05-31 2018-11-23 运城学院 一种监测秤台振动预减法运算的动态称重方法
CN112304413A (zh) * 2020-09-28 2021-02-02 梅特勒-托利多(常州)精密仪器有限公司 称重传感器的状态检测方法和装置
CN112816045A (zh) * 2020-12-30 2021-05-18 北京万集科技股份有限公司 一种车辆的动态称重方法及动态称重装置
CN114166328A (zh) * 2021-12-06 2022-03-11 深圳市杰曼科技股份有限公司 一种称重传感器自调整的方法
CN116380228A (zh) * 2023-03-14 2023-07-04 山东钢铁集团日照有限公司 衡器运行监测方法、***、终端及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4534428A (en) * 1983-08-11 1985-08-13 Package Machinery Co. Vibratory feeder control for a weighing system
JP2000180256A (ja) * 1998-12-18 2000-06-30 Ishida Co Ltd 計量装置
US20010052431A1 (en) * 2000-05-19 2001-12-20 Sartorius Ag Electronic weighing sensor
DE10114481A1 (de) * 2001-03-24 2002-09-26 Schenck Process Gmbh Verfahren und Vorrichtung zur dynamischen Messung der Achslast oder des Gewichts von Fahrzeugen
CN106268400A (zh) * 2016-09-23 2017-01-04 中化重庆涪陵化工有限公司 自动配料***
CN108871526A (zh) * 2018-05-31 2018-11-23 运城学院 一种监测秤台振动预减法运算的动态称重方法
CN112304413A (zh) * 2020-09-28 2021-02-02 梅特勒-托利多(常州)精密仪器有限公司 称重传感器的状态检测方法和装置
CN112816045A (zh) * 2020-12-30 2021-05-18 北京万集科技股份有限公司 一种车辆的动态称重方法及动态称重装置
CN114166328A (zh) * 2021-12-06 2022-03-11 深圳市杰曼科技股份有限公司 一种称重传感器自调整的方法
CN116380228A (zh) * 2023-03-14 2023-07-04 山东钢铁集团日照有限公司 衡器运行监测方法、***、终端及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘九卿;: "浅谈称重传感器技术动向、发展趋势和产业方向", 衡器, no. 06, pages 1 - 5 *
张瑞;吕文红;张瑞玺;: "基于神经网络自适应滤波的车辆动态称重***研究", 公路交通科技, no. 07, pages 138 - 141 *
李浩;宿金菲;赵敏慧;梁杰;: "基于向量分割的动态称重模型优化方法", 公路交通科技, no. 07, pages 101 - 107 *
李浩等: "不停车计重收费***的动态称重传感器优化方法研究", 科学技术与工程, pages 303 - 306 *

Also Published As

Publication number Publication date
CN117077993B (zh) 2024-01-26

Similar Documents

Publication Publication Date Title
US5251144A (en) System and method utilizing a real time expert system for tool life prediction and tool wear diagnosis
Iverson et al. Run-time statistical estimation of task execution times for heterogeneous distributed computing
US20090187381A1 (en) Novelty detection
CN105871634B (zh) 检测集群异常的方法及应用、管理集群的***
JP6887361B2 (ja) 監視対象選定装置、監視対象選定方法、およびプログラム
CN109359665A (zh) 一种基于支持向量机的家电负荷识别方法及装置
CN117270514B (zh) 基于工业物联网的生产过程全流程故障检测方法
US20220011766A1 (en) Error-based method for calculating a remaining useful life of an apparatus
CN118094449B (zh) 基于工业互联网的生产智能监控方法、***及装置
CN108664000A (zh) 一种氧化铝生产蒸发过程稳态检测方法及***
KR102059112B1 (ko) 사물 인터넷 스트림 데이터 품질 측정 지표 및 프로파일링 방법 및 그 시스템
US7412430B1 (en) Determining the quality of computer software
CN117330963B (zh) 储能电站故障检测方法、***及设备
CN117077993B (zh) 基于人工智能的车间物料自动称重数据管理***及方法
CN110837857A (zh) 工业用电负荷预测方法、***及其存储介质
CN117055005A (zh) 一种基于深度主动学习的雷达目标识别方法及雷达***
CN114637620B (zh) 一种基于svm算法的数据库***异常分类预测方法
CN115511159A (zh) 一种基于贝叶斯神经网络的快速路事件检测方法和装置
CN113408076A (zh) 基于支持向量机模型的小样本机械剩余寿命预测方法
Scrimieri et al. Modular reconfiguration of flexible production systems using machine learning and performance estimates
CN117808052B (zh) 基于真空环境机械臂负载自适应方法及***
CN117578948B (zh) 一种永磁电机运行偏差自适应调控方法及***
El-Férik et al. A tractable class of maximal hedging policies in multi-part manufacturing systems
Mehra et al. Learning load-balancing strategies using artificial neural networks
CN118381197A (zh) 基于数字孪生的配电网故障监测方法及***

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