CN117421679B - 一种注塑机周期管控方法、装置、电子设备及存储介质 - Google Patents
一种注塑机周期管控方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117421679B CN117421679B CN202311302552.3A CN202311302552A CN117421679B CN 117421679 B CN117421679 B CN 117421679B CN 202311302552 A CN202311302552 A CN 202311302552A CN 117421679 B CN117421679 B CN 117421679B
- Authority
- CN
- China
- Prior art keywords
- data
- information
- future
- operation information
- matrix
- 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
- 238000001746 injection moulding Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 170
- 239000013598 vector Substances 0.000 claims description 62
- 238000012545 processing Methods 0.000 claims description 48
- 238000009826 distribution Methods 0.000 claims description 30
- 238000000605 extraction Methods 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000007726 management method Methods 0.000 claims description 8
- 230000002441 reversible effect Effects 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims 2
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000002347 injection Methods 0.000 description 4
- 239000007924 injection Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000004033 plastic Substances 0.000 description 4
- 229920003023 plastic Polymers 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 229920001169 thermoplastic Polymers 0.000 description 1
- 229920001187 thermosetting polymer Polymers 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本申请涉及注塑机的领域,尤其是涉及一种注塑机周期管控方法、装置、电子设备及存储介质。方法包括:获取历史运行信息以及运行节点信息,历史运行信息为注塑机中不同关键零部件在历史周期内执行不同作业任务的运行数据信息,基于运行节点信息对历史运行信息进行分析预测,得到未来运行信息,获取预约作业信息,并将预约作业信息与未来运行信息中的作业信息进行匹配,得到未来关联部件信息,判断未来关联部件信息中的关键零部件数据是否符合预设部件标准,若不符合,则生成异常提示信息,本申请提高了预测注塑机中关键零部件运行异常发生的准确性。
Description
技术领域
本申请涉及注塑机的领域,尤其是涉及一种注塑机周期管控方法、装置、电子设备及存储介质。
背景技术
注塑机又名注射成型机或注射机。它是将热塑性塑料或热固性塑料利用塑料成型模具制成各种形状的塑料制品的主要成型设备。
目前,我国的塑料制品需求量大,而大部分塑料制品是通过注塑成型而成的。由于注塑机是属于连续生产,为了更好的掌握注塑机的运行状态,及时诊断出注塑机的故障同时能够及时的预估注塑机未来的工作状态,为注塑机停机保养进行正确的判断。维护人员常采用预测性维护技术对注塑机进行预测维护,它能够在故障发生前及时维修更换零部件,阻止故障发生引起设备的停机。预测性维护技术能够使得注塑机具有自动监测所有关键零部件使用状态,预测其剩余使用寿命功能的全自动注塑机。
但是,目前所采用的预测仅是通过大数据的方式采集注塑机中关键零部件的应用时长来判定,而对于注塑机由于异常运行而导致的关联故障却难以预测,因此一旦注塑机中某一关键零部件出现异常运行时,难以对与该关键零部件相关联的其余关键零部件进行维护判定,从而无法及时对其余关键零部件进行维护,降低了对注塑机中关键零部件的预测准确性。
发明内容
为了提高用户的用电体验,本申请提供了一种注塑机周期管控方法、装置、电子设备及存储介质。
第一方面,本申请提供一种注塑机周期管控方法,采用如下的技术方案:
一种注塑机周期管控方法,包括:
获取历史运行信息以及运行节点信息,所述历史运行信息为注塑机中不同关键零部件在历史周期内执行不同作业任务的运行数据信息,所述运行节点信息为不同关键零部件在执行不同作业任务时所对应的运行次序节点信息;
基于所述运行节点信息对所述历史运行信息进行分析预测,得到未来运行信息;
获取预约作业信息,并将所述预约作业信息与所述未来运行信息中的作业信息进行匹配,得到未来关联部件信息,所述预约作业信息为在所述未来预设时间段内所述注塑机所执行作业信息;
判断所述未来关联部件信息中的关键零部件数据是否符合预设部件标准,若不符合,则生成异常提示信息。
在另一种可能实现的方式中,所述基于所述运行节点信息对所述历史运行信息进行分析预测,得到未来运行信息,包括:
确定所述历史运行信息中不同关键零部件的关联部件数量以及所述关联部件数量中每个关联部件在执行不同作业任务时对应的运行数据,并基于所述运行数据以及所述关联部件数量对所述历史运行信息进行无监督时间序列数据整理,得到第一矩阵数据;
将所述第一矩阵数据输入至训练好的特征提取模型进行向量特征提取,得到特征维度数量,并将得到的所述特征维度数量与所述第一矩阵数据进行数据结合处理,生成第二矩阵数据;对所述第二矩阵数据中所包含的数据进行数据处理,得到部件关联数据,并将得到的所述部件关联数据输入至预设算法模型中进行数据推算,得到未来运行信息,所述未来运行信息为所述关联部件数量中每个关联部件在未来预设时间段内的执行不同作业任务时所对应的运行信息。
在另一种可能实现的方式中,所述将所述第一矩阵数据输入至训练好的预测模型进行向量特征提取,得到特征维度数量,包括:
基于所述第一矩阵数据确定所述历史运行信息中每个运行作业的关键零部件名称、关键零部件运行时间以及关键零部件运行数据;
分别将所述关键零部件名称、所述关键零部件运行时间以及所述关键零部件运行数据输入至所述特征提取模型模型进行向量提取,得到与所述关键零部件名称对应的文本特征向量、与所述关键零部件运行时间对应的时间特征向量以及与所述关键零部件运行数据对应的数值特征向量;
对所述文本特征向量、所述时间特征向量以及所述数值特征向量进行数量统计,得到所述特征维度数量。
在另一种可能实现的方式中,所述将得到的所述特征维度数量与所述第一矩阵数据进行数据结合处理,生成第二矩阵数据,包括:
将所述特征维度数量与所述第一矩阵数据进行整合,生成维度矩阵数据,并对所述维度矩阵数据进行基本数据分布探查,得到所述历史运行信息中不同关键零部件与自身相对应的关联零部件发生的相对周期性规律;
基于所述相对周期性规律确定时间周期长度;
基于所述时间周期长度对所述维度矩阵数据进行有监督时间序列数据整理,得到推演矩阵数据;
基于所述推演矩阵数据对未来预设时间段内所述注塑机中不同关键零部件的作业趋势进行预判,生成第二矩阵数据。
在另一种可能实现的方式中,所述对所述第二矩阵数据中所包含的数据进行数据处理,得到部件关联数据,包括:
计算所述第二矩阵数据中所包含的数据的正太分布均值以及正太分布方差,并基于所述正太分布均值以及所述正太分布方差确定所述第二矩阵数据的3δ范围;
判断所述数据是否在所述3δ范围之外,若所述数据在所述3δ范围之外,则确定所述数据所在所述第二矩阵数据的矩阵序列,根据所述矩阵序列计算序列平均值,用所述序列平均值对所述数据进行替换,得到替换后的矩阵序列,并对所述矩阵序列进行缺失值处理;
对所述第二矩阵数据中的矩阵序列进行序列的归一化处理,得到部件关联数据。
在另一种可能实现的方式中,所述将得到的所述部件关联数据输入至预设算法模型中进行数据推算,得到未来运行信息,之后还包括:
获取所述关联部件数量中每个关联部件在未来预设时间段内执行不同作业任务时的真实运行信息;
基于所述真实运行信息对所述未来运行信息进行反归一处理,将所述未来运行信息恢复到所述真实运行信息。
在另一种可能实现的方式中,所述方法还包括:
基于所述真实运行信息以及所述未来运行信息确定运行均方根误差;
根据所述运行均方根误差对所述推演模型中的epoch训练模型中的参数进行设置,并对设置后的epoch训练模型进行反向迭代,得到所述推演模型中每一轮的校验集;
对所述校验集进行计算评估,生成所述校验集的运行损失值以及运行评价指标。
第二方面,本申请提供一种注塑机周期管控装置,采用如下的技术方案:
一种注塑机周期管控装置,包括:
第一获取模块,用于获取历史运行信息以及运行节点信息,所述历史运行信息为注塑机中不同关键零部件在历史周期内执行不同作业任务的运行数据信息,所述运行节点信息为不同关键零部件在执行不同作业任务时所对应的运行次序节点信息;
预测分析模块,用于基于所述运行节点信息对所述历史运行信息进行分析预测,得到未来运行信息;
第二获取模块,用于获取预约作业信息,并将所述预约作业信息与所述未来运行信息中的作业信息进行匹配,得到未来关联部件信息,所述预约作业信息为在所述未来预设时间段内所述注塑机所执行作业信息;
数据判断模块,用于判断所述未来关联部件信息中的关键零部件数据是否符合预设部件标准,若不符合,则生成异常提示信息。
在一种可能的实现方式中,所述预测分析模块在基于所述运行节点信息对所述历史运行信息进行分析预测,得到未来运行信息时,具体用于:
确定所述历史运行信息中不同关键零部件的关联部件数量以及所述关联部件数量中每个关联部件在执行不同作业任务时对应的运行数据,并基于所述运行数据以及所述关联部件数量对所述历史运行信息进行无监督时间序列数据整理,得到第一矩阵数据;
将所述第一矩阵数据输入至训练好的特征提取模型进行向量特征提取,得到特征维度数量,并将得到的所述特征维度数量与所述第一矩阵数据进行数据结合处理,生成第二矩阵数据;对所述第二矩阵数据中所包含的数据进行数据处理,得到部件关联数据,并将得到的所述部件关联数据输入至预设算法模型中进行数据推算,得到未来运行信息,所述未来运行信息为所述关联部件数量中每个关联部件在未来预设时间段内的执行不同作业任务时所对应的运行信息。
在另一种可能的实现方式中,所述预测分析模块在将所述第一矩阵数据输入至训练好的预测模型进行向量特征提取,得到特征维度数量时,具体用于:
基于所述第一矩阵数据确定所述历史运行信息中每个运行作业的关键零部件名称、关键零部件运行时间以及关键零部件运行数据;
分别将所述关键零部件名称、所述关键零部件运行时间以及所述关键零部件运行数据输入至所述特征提取模型模型进行向量提取,得到与所述关键零部件名称对应的文本特征向量、与所述关键零部件运行时间对应的时间特征向量以及与所述关键零部件运行数据对应的数值特征向量;
对所述文本特征向量、所述时间特征向量以及所述数值特征向量进行数量统计,得到所述特征维度数量。
在另一种可能的实现方式中,所述预测分析模块在将得到的所述特征维度数量与所述第一矩阵数据进行数据结合处理,生成第二矩阵数据时,具体用于:
将所述特征维度数量与所述第一矩阵数据进行整合,生成维度矩阵数据,并对所述维度矩阵数据进行基本数据分布探查,得到所述历史运行信息中不同关键零部件与自身相对应的关联零部件发生的相对周期性规律;
基于所述相对周期性规律确定时间周期长度;
基于所述时间周期长度对所述维度矩阵数据进行有监督时间序列数据整理,得到推演矩阵数据;
基于所述推演矩阵数据对未来预设时间段内所述注塑机中不同关键零部件的作业趋势进行预判,生成第二矩阵数据。
在另一种可能的实现方式中,所述预测分析模块在对所述第二矩阵数据中所包含的数据进行数据处理,得到部件关联数据时,具体用于:
计算所述第二矩阵数据中所包含的数据的正太分布均值以及正太分布方差,并基于所述正太分布均值以及所述正太分布方差确定所述第二矩阵数据的3δ范围;
判断所述数据是否在所述3δ范围之外,若所述数据在所述3δ范围之外,则确定所述数据所在所述第二矩阵数据的矩阵序列,根据所述矩阵序列计算序列平均值,用所述序列平均值对所述数据进行替换,得到替换后的矩阵序列,并对所述矩阵序列进行缺失值处理;
对所述第二矩阵数据中的矩阵序列进行序列的归一化处理,得到部件关联数据。
在另一种可能的实现方式中,所述装置还包括:第三获取模块以及归一处理模块,其中,
所述第三获取模块,用于获取所述关联部件数量中每个关联部件在未来预设时间段内执行不同作业任务时的真实运行信息;
所述归一处理模块,用于基于所述真实运行信息对所述未来运行信息进行反归一处理,将所述未来运行信息恢复到所述真实运行信息。
在另一种可能的实现方式中,所述装置还包括:误差确定模块、迭代模块以及运行评估模块,其中,
所述误差确定模块,用于基于所述真实运行信息以及所述未来运行信息确定运行均方根误差;所述迭代模块,用于根据所述运行均方根误差对所述推演模型中的epoch训练模型中的参数进行设置,并对设置后的epoch训练模型进行反向迭代,得到所述推演模型中每一轮的校验集;
所述运行评估模块,用于对所述校验集进行计算评估,生成所述校验集的运行损失值以及运行评价指标。
第三方面,本申请提供一种电子设备,采用如下的技术方案:
一种电子设备,该电子设备包括:
至少一个处理器;
存储器;
至少一个应用程序,其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行上述注塑机周期管控方法。
第四方面,提供了一种计算机可读存储介质,存储介质存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如第一方面中任一可能的实现方式所示的注塑机周期管控方法。
综上所述,本申请包括以下至少一种有益技术效果:
本申请提供了一种注塑机周期管控方法、装置、电子设备及存储介质,与相关技术相比,在本申请中,在注塑机中的不同关键零部件进行周期管控时,获取历史运行信息以及运行节点信息,其中,历史运行信息为注塑机中不同关键零部件在历史周期内执行不同作业任务的运行数据信息,所述运行节点信息为不同关键零部件在执行不同作业任务时所对应的运行次序节点信息,基于所述运行节点信息对所述历史运行信息进行分析预测,得到未来运行信息,然后获取预约作业信息,并将所述预约作业信息与所述未来运行信息中的作业信息进行匹配,得到未来关联部件信息,所述预约作业信息为在所述未来预设时间段内所述注塑机所执行作业信息,然后判断所述未来关联部件信息中的关键零部件数据是否符合预设部件标准,若不符合,则生成异常提示信息,维护人员根据异常提示信息得知当前注塑机中关键零部件以及与关键零部件相关联的关联零部件在未来预设时间段内所存在的异常隐患,从而尽早对该异常进行处理,避免发生注塑机因此关键零部件异常而导致的事故,进而提高了预测注塑机中关键零部件运行异常发生的准确性。
附图说明
图1是本申请实施例一种注塑机周期管控方法的流程示意图;
图2是本申请实施例一种注塑机周期管控装置的方框示意图;
图3是本申请实施例电子设备的示意图。
具体实施方式
以下结合附图1-3对本申请作进一步详细说明。
领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本申请的权利要求范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。
下面结合说明书附图对本申请实施例作进一步详细描述。
本申请实施例提供了一种注塑机周期管控方法,由电子设备执行,该电子设备可以为服务器也可以为终端设备,其中,该服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,还可以是提供云计算服务的云服务器。终端设备可以是智能手机、平板电脑、笔记本电脑、台式计算机等,但并不局限于此,该终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请实施例在此不做限制,如图1所示,该方法包括:
步骤S10,获取历史运行信息以及运行节点信息。
其中,历史运行信息为注塑机中不同关键零部件在历史周期内执行不同作业任务的运行数据信息,运行节点信息为不同关键零部件在执行不同作业任务时所对应的运行次序节点信息。
在本申请实施例中,注塑机的关键零部件包括塑化装置、注射装置、合模装置、液压***、电气控制***以及加料装置,其中,塑化装置包括螺杆、机筒、螺杆头部以及喷嘴,注射装置包括这个螺杆移动注射油缸以及注射移动油缸,合模装置包括模具调整器以及制品顶出装置,液压***包括油泵、液压马达、各种控制阀、蓄能器以及冷却器,电气控制***包括机筒温度控制器、模具温度控制器、液压电动机、液压阀、故障检测报警控制,加料装置包括料斗搅拌器。
具体地,采用可编程逻辑控制器或工业PC技术对注塑机中不同关键零部件进行运行数据采集,包括:关键零部件的状态、性能和运行参数等,然后将采集到的运行数据存储至数据库中进行保存,以供电子设备后续应用,同时也可以为工作人员提供数据查阅。运行节点信息通常会与控制***的逻辑或机器的程序相关联。通过分析控制***的程序或机器的工艺流程来获取对应的运行节点信息。
对于本申请实施例来说,创建注塑机任务作业的AR虚拟任务模型,然后根据运行节点信息确定注塑机当前的任务作业环节,并将任务作业环节以及虚拟任务模型中的作业环节进行匹配,得到虚拟环节图像以及虚拟任务参数,然后将虚拟环节图像以及虚拟任务参数与历史运行信息进行数据融和,得到历史任务模型。
步骤S11,基于运行节点信息对历史运行信息进行分析预测,得到未来运行信息。
具体地,历史运行信息包括不同关键零部件在历史周期内执行不同作业任务的运行数据信息,以及不同关键零部件在执行不同作业任务时所对应的运行次序节点信息。使用时间序列分析、回归分析、神经网络等建模方法,根据运行节点信息对历史运行信息进行预测。根据时间序列分析或回归分析的结果,预测关键零部件未来的运行状态和性能。根据预测结果,得到未来注塑机的运行信息。这些信息包括关键零部件未来可能出现的故障、预计的运行时间、产量等。
步骤S12,获取预约作业信息,并将预约作业信息与未来运行信息中的作业信息进行匹配,得到未来关联部件信息。
其中,预约作业信息为在未来预设时间段内注塑机所执行作业信息。
步骤S13,判断未来关联部件信息中的关键零部件数据是否符合预设部件标准,若不符合,则生成异常提示信息。
具体地,从预测的未来运行信息中,提取出与关键零部件相关的数据,如预计的运行时间、预计的产量、预计的故障率等。然后将提取出的关键零部件数据与预设的部件标准进行对比。通过计算预测数据与标准之间的差距来完成,例如计算预测故障率与标准故障率之间的差距。然后判断是否符合预设部件标准:根据对比结果,判断关键零部件数据是否符合预设部件标准。如果预测的关键零部件数据与预设标准存在显著差距,例如预测的故障率明显高于标准,那么则认为数据不符合预设部件标准。如果关键零部件数据不符合预设部件标准,生成异常提示信息。这个信息可以是一个警告、错误报告或者特定的消息,用于提醒使用者关注并处理这个问题。
本申请实施例提供了一种注塑机周期管控方法,在本申请中,在注塑机中的不同关键零部件进行周期管控时,获取历史运行信息以及运行节点信息,其中,历史运行信息为注塑机中不同关键零部件在历史周期内执行不同作业任务的运行数据信息,运行节点信息为不同关键零部件在执行不同作业任务时所对应的运行次序节点信息,基于运行节点信息对历史运行信息进行分析预测,得到未来运行信息,然后获取预约作业信息,并将预约作业信息与未来运行信息中的作业信息进行匹配,得到未来关联部件信息,预约作业信息为在未来预设时间段内注塑机所执行作业信息,然后判断未来关联部件信息中的关键零部件数据是否符合预设部件标准,若不符合,则生成异常提示信息,维护人员根据异常提示信息得知当前注塑机中关键零部件以及与关键零部件相关联的关联零部件在未来预设时间段内所存在的异常隐患,从而尽早对该异常进行处理,避免发生注塑机因此关键零部件异常而导致的事故,进而提高了预测注塑机中关键零部件运行异常发生的准确性。
本申请实施例的一种可能的实现方式,步骤S11具体包括步骤S111、步骤S112以及步骤S113,其中,步骤S111,确定历史运行信息中不同关键零部件的关联部件数量以及关联部件数量中每个关联部件在执行不同作业任务时对应的运行数据,并基于运行数据以及关联部件数量对历史运行信息进行无监督时间序列数据整理,得到第一矩阵数据。
根据运行数据以及关联部件数量对历史运行信息进行无监督时间序列数据整理,得到一下第一矩阵数据:
其中,m为关联部件数量,n为运行数据。
步骤S112,将第一矩阵数据输入至训练好的特征提取模型进行向量特征提取,得到特征维度数量,并将得到的特征维度数量与第一矩阵数据进行数据结合处理,生成第二矩阵数据。
具体地,在将第一矩阵数据输入至特征提取模块中进行向量特征提取前,需要预先获取矩阵数据样本,矩阵数据样本包括所有历史运行信息所形成的第一矩阵数据以及第一矩阵数据中的向量特征,然后创建特征提取模块,并基于矩阵数据样本对特征提取模块进行训练,得到训练好的特征提取模块。
具体地,特征提取模块为预先训练好的神经网络模型,神经网络(NeuralNetworks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络***,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习***。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力,特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。神经网络的发展与神经科学、数理科学、认知科学、计算机科学、人工智能、信息科学、控制论、机器人学、微电子学、心理学、光计算、分子生物学等有关。
具体地,将第一矩阵数据输入至特征提取模块中进行向量特征提取,并将提取到的向量特征进行统计,得到特征维度数量,其中,向量特征包括历史运行信息中的文本特征向量、时间特征向量以及数值特征向量等,然后将特征维度数量与第一矩阵数据进行数据结合,得到第二矩阵数据。
步骤S113,对第二矩阵数据中所包含的数据进行数据处理,得到部件关联数据,并将得到的部件关联数据输入至预设算法模型中进行数据推算,得到未来运行信息,未来运行信息为关联部件数量中每个关联部件在未来预设时间段内的执行不同作业任务时所对应的运行信息。
对于本申请实施例来说,采用双向LSTM模型为预设算法模型进行举例说明,包括但不仅限于双向LSTM模型。
具体地,预设算法模型构建,模型主体采用双向LSTM作为趋势预测模型,LSTM主要有遗忘门,输入门,输出门构成;
遗忘门:ft=σ(Wf[ht-1,xt]+bf);
输入门:经过遗忘门和输入门的信息过滤后,将历史的记忆和当前阶段的记忆内容合并,生成的值为:
输出门:在上面描述的LSTM之后,在反向接入一层LSTM网络层,通过该过程可以得到BI-LSTM层,由于是若干组事件组合共同训练;添加事件空间特征联合学习层,初始化关联向量矩阵大小为M*V*K,取LSTM最后一层的输出向量,转置乘关联向量参数矩阵,最终连接回归损失函数,完成预设算法模型的构建。
本申请实施例的一种可能的实现方式,步骤S112具体包括步骤S121、步骤S122以及步骤S123,其中,步骤S121,基于第一矩阵数据确定历史运行信息中每个运行作业的关键零部件名称、关键零部件运行时间以及关键零部件运行数据。
具体地,根据第一矩阵数据中x确定关键零部件的部件名称,根据第一矩阵数据中n确定关键零部件运行时间,根据第一矩阵数据中m确定关键零部件运行数据。
步骤S122,分别将关键零部件名称、关键零部件运行时间以及关键零部件运行数据输入至特征提取模型模型进行向量提取,得到与关键零部件名称对应的文本特征向量、与关键零部件运行时间对应的时间特征向量以及与关键零部件运行数据对应的数值特征向量。
具体地,一个矩阵的特征向量的总数计算方法:个数=n-特征矩阵的秩,个数=n-r(入E-A)其中n是阶数,而不是每个矩阵都能相似对角化的。如果一个矩阵,它的特征值各不相同,那么一定可以对角化。特征向量在基向量上的投影(即坐标),这里假设向量空间为h维。由此,可以直接以坐标向量表示。利用基向量,线性变换也可以用一个简单的矩阵乘法表示。
步骤S123,对文本特征向量、时间特征向量以及数值特征向量进行数量统计,得到特征维度数量。
本申请实施例的一种可能的实现方式,步骤S112具体包括步骤S211、步骤S212、步骤S213以及步骤S214,其中,步骤S211,将特征维度数量与第一矩阵数据进行整合,生成维度矩阵数据,并对维度矩阵数据进行基本数据分布探查,得到历史运行信息中不同关键零部件与自身相对应的关联零部件发生的相对周期性规律。
具体地,将特征维度数量作为维度与第一矩阵数据进行整合,本申请实施例采用pytorch技术进行举例说明,包括但不局限于pytorch技术一种可实现方式。
通过pytorch中的指令“out.unsqueeze(-1)”将特征维度数量以维度的方式添加到第一矩阵数据中,实现维度整合。
具体地,PyTorch是一个基于Torch的Python开源机器学习库,用于自然语言处理等应用程序。它主要由Facebookd的人工智能小组开发,不仅能够实现强大的GPU加速,同时还支持动态神经网络,这一点是现在很多主流框架如TensorFlow都不支持的。PyTorch提供了两个高级功能:1.具有强大的GPU加速的张量计算(如Numpy);2.包含自动求导***的深度神经网络除了Facebook之外,Twitter、GMU和Salesforce等机构都采用了PyTorch。
将特征维度数量与第一矩阵数据进行整合完毕后,得到以下维度矩阵数据:
其中,v表示特征维度数量。
步骤S212,基于相对周期性规律确定时间周期长度。
具体地,将维度矩阵数据导入到Excel表格中,并且配置Python集成jupyter环境,针对维度矩阵数据中n时间序列做基本数据分布探查,主要目的在于找到对应序列的的相对周期性规律,然后根据相周期性规律确定时间周期长度。
具体地,用t来代替时间周期性长度,并将维度矩阵数据中的n替换为t,得到新的维度矩阵数据:
步骤S213,基于时间周期长度对维度矩阵数据进行有监督时间序列数据整理,得到推演矩阵数据。
具体地,假设预设未来预设时间段为k,即移动步长为k步预测,得到推演矩阵数据:
步骤S214,基于推演矩阵数据对未来预设时间段内注塑机中不同关键零部件的作业趋势进行预判,生成第二矩阵数据。
本申请实施例的一种可能的实现方式,步骤S113具体包括:步骤S131、步骤S132以及步骤S133,其中,步骤S131,计算第二矩阵数据中所包含的数据的正太分布均值以及正太分布方差,并基于正太分布均值以及正太分布方差确定第二矩阵数据的3δ范围。
步骤S132,判断数据是否在3δ范围之外,若数据在3δ范围之外,则确定数据所在第二矩阵数据的矩阵序列,根据矩阵序列计算序列平均值,用序列平均值对数据进行替换,得到替换后的矩阵序列,并对矩阵序列进行缺失值处理。
步骤S133,对第二矩阵数据中的矩阵序列进行序列的归一化处理,得到部件关联数据。
具体地,具体地,3δ范围是建立在正态分布的等精度重复测量基础上而造成奇异数据的干扰或噪声难以满足正态分布。如果一组测量数据中某个测量值的残余误差的绝对值νi>3δ,则该测量值为坏值,应剔除。通常把等于±3δ的误差作为极限误差,对于正态分布的随机误差,落在±3δ以外的概率只有0.27%,它在有限次测量中发生的可能性很小,故存在3δ准则。3δ准则是最常用也是最简单的粗大误差判别准则,它一般应用于测量次数充分多(n≥30)或当n>10做粗略判别时的情况。
具体地,缺失值是指矩阵序列中由于缺少信息而造成的数据聚类、分组、删失或截断,对于缺失值的处理,从总体上来说分为删除存在缺失值的个案和缺失值插补,本申请实施例采用删除存在缺失值的个案对矩阵序列进行处理,删除存在缺失值的个案主要有简单删除法和权重法。简单删除法是对缺失值进行处理的最原始方法。它将存在缺失值的个案删除。如果数据缺失问题可以通过简单的删除小部分样本来达到目标,那么这个方法是最有效的。当缺失值的类型为非完全随机缺失的时候,可以通过对完整的数据加权来减小偏差。把数据不完全的个案标记后,将完整的数据个案赋予不同的权重,个案的权重可以通过logistic或probit回归求得。
具体地,归一化方法有两种形式,一种是把数变为(0,1)之间的小数,一种是把有量纲表达式变为无量纲表达式。主要是为了数据处理方便提出来的,把数据映射到0~1范围之内处理,更加便捷快速。
具体处理归一方法为:
本申请实施例的一种可能的实现方式,步骤S113之后还包括:步骤Sa以及步骤Sb,其中,
步骤Sa,获取关联部件数量中每个关联部件在未来预设时间段内执行不同作业任务时的真实运行信息。
步骤Sb,基于真实运行信息对未来运行信息进行反归一处理,将未来运行信息恢复到真实运行信息。
本申请实施例的一种可能的实现方式,步骤S13之后还包括:步骤S14、步骤S15以及步骤S16,其中,
步骤S14,基于真实运行信息以及未来运行信息确定运行均方根误差。
步骤S15,根据运行均方根误差对推演模型中的epoch训练模型中的参数进行设置,并对设置后的epoch训练模型进行反向迭代,得到推演模型中每一轮的校验集。
步骤S16,对校验集进行计算评估,生成校验集的运行损失值以及运行评价指标。
上述实施例从方法流程的角度介绍一种注塑机周期管控方法,下述实施例从虚拟模块或者虚拟单元的角度介绍了一种注塑机周期管控装置,具体详见下述实施例。
本申请实施例提供一种注塑机周期管控装置,如图2所示,该注塑机周期管控装置20具体可以包括:第一获取模块21、预测分析模块22、第二获取模块23以及数据判断模块24,其中,
第一获取模块21,用于获取历史运行信息以及运行节点信息,历史运行信息为注塑机中不同关键零部件在历史周期内执行不同作业任务的运行数据信息,运行节点信息为不同关键零部件在执行不同作业任务时所对应的运行次序节点信息;
预测分析模块22,用于基于运行节点信息对历史运行信息进行分析预测,得到未来运行信息;
第二获取模块23,用于获取预约作业信息,并将预约作业信息与未来运行信息中的作业信息进行匹配,得到未来关联部件信息,预约作业信息为在未来预设时间段内注塑机所执行作业信息;
数据判断模块24,用于判断未来关联部件信息中的关键零部件数据是否符合预设部件标准,若不符合,则生成异常提示信息。
本申请实施例的一种可能的实现方式,预测分析模块22在基于运行节点信息对历史运行信息进行分析预测,得到未来运行信息时,具体用于:
确定历史运行信息中不同关键零部件的关联部件数量以及关联部件数量中每个关联部件在执行不同作业任务时对应的运行数据,并基于运行数据以及关联部件数量对历史运行信息进行无监督时间序列数据整理,得到第一矩阵数据;
将第一矩阵数据输入至训练好的特征提取模型进行向量特征提取,得到特征维度数量,并将得到的特征维度数量与第一矩阵数据进行数据结合处理,生成第二矩阵数据;
对第二矩阵数据中所包含的数据进行数据处理,得到部件关联数据,并将得到的部件关联数据输入至预设算法模型中进行数据推算,得到未来运行信息,未来运行信息为关联部件数量中每个关联部件在未来预设时间段内的执行不同作业任务时所对应的运行信息。
本申请实施例的另一种可能的实现方式,预测分析模块22在将第一矩阵数据输入至训练好的预测模型进行向量特征提取,得到特征维度数量时,具体用于:
基于第一矩阵数据确定历史运行信息中每个运行作业的关键零部件名称、关键零部件运行时间以及关键零部件运行数据;
分别将关键零部件名称、关键零部件运行时间以及关键零部件运行数据输入至特征提取模型模型进行向量提取,得到与关键零部件名称对应的文本特征向量、与关键零部件运行时间对应的时间特征向量以及与关键零部件运行数据对应的数值特征向量;
对文本特征向量、时间特征向量以及数值特征向量进行数量统计,得到特征维度数量。
本申请实施例的另一种可能的实现方式,预测分析模块22在将得到的特征维度数量与第一矩阵数据进行数据结合处理,生成第二矩阵数据时,具体用于:
将特征维度数量与第一矩阵数据进行整合,生成维度矩阵数据,并对维度矩阵数据进行基本数据分布探查,得到历史运行信息中不同关键零部件与自身相对应的关联零部件发生的相对周期性规律;
基于相对周期性规律确定时间周期长度;
基于时间周期长度对维度矩阵数据进行有监督时间序列数据整理,得到推演矩阵数据;
基于推演矩阵数据对未来预设时间段内注塑机中不同关键零部件的作业趋势进行预判,生成第二矩阵数据。
本申请实施例的另一种可能的实现方式,预测分析模块22在对第二矩阵数据中所包含的数据进行数据处理,得到部件关联数据时,具体用于:
计算第二矩阵数据中所包含的数据的正太分布均值以及正太分布方差,并基于正太分布均值以及正太分布方差确定第二矩阵数据的3δ范围;
判断数据是否在3δ范围之外,若数据在3δ范围之外,则确定数据所在第二矩阵数据的矩阵序列,根据矩阵序列计算序列平均值,用序列平均值对数据进行替换,得到替换后的矩阵序列,并对矩阵序列进行缺失值处理;
对第二矩阵数据中的矩阵序列进行序列的归一化处理,得到部件关联数据。
本申请实施例的另一种可能的实现方式,装置20还包括:第三获取模块以及归一处理模块,其中,
第三获取模块,用于获取关联部件数量中每个关联部件在未来预设时间段内执行不同作业任务时的真实运行信息;
归一处理模块,用于基于真实运行信息对未来运行信息进行反归一处理,将未来运行信息恢复到真实运行信息。
本申请实施例的另一种可能的实现方式,装置20还包括:误差确定模块、迭代模块以及运行评估模块,其中,
误差确定模块,用于基于真实运行信息以及未来运行信息确定运行均方根误差;
迭代模块,用于根据运行均方根误差对推演模型中的epoch训练模型中的参数进行设置,并对设置后的epoch训练模型进行反向迭代,得到推演模型中每一轮的校验集;
运行评估模块,用于对校验集进行计算评估,生成校验集的运行损失值以及运行评价指标。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还从实体装置的角度介绍了一种电子设备,如图3所示,图3所示的电子设备300除常规配置装置外包括:处理器301和存储器303。其中,处理器301和存储器303相连,如通过总线302相连。可选地,电子设备300还可以包括收发器304。需要说明的是,实际应用中收发器304不限于一个,该电子设备300的结构并不构成对本申请实施例的限定。
处理器301可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器301也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线302可包括一通路,在上述组件之间传送信息。总线302可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线302可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器303可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器303用于存储执行本申请方案的应用程序代码,并由处理器301来控制执行。处理器301用于执行存储器303中存储的应用程序代码,以实现前述方法实施例所示的内容。
其中,电子设备包括但不限于:移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。还可以为服务器等。图3示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (8)
1.一种注塑机周期管控方法,其特征在于,包括:
获取历史运行信息以及运行节点信息,所述历史运行信息为注塑机中不同关键零部件在历史周期内执行不同作业任务的运行数据信息,所述运行节点信息为不同关键零部件在执行不同作业任务时所对应的运行次序节点信息;
基于所述运行节点信息对所述历史运行信息进行分析预测,得到未来运行信息;
获取预约作业信息,并将所述预约作业信息与所述未来运行信息中的作业信息进行匹配,得到未来关联部件信息,所述预约作业信息为在所述未来预设时间段内所述注塑机所执行作业信息;
判断所述未来关联部件信息中的关键零部件数据是否符合预设部件标准,若不符合,则生成异常提示信息;
所述基于所述运行节点信息对所述历史运行信息进行分析预测,得到未来运行信息,包括:
确定所述历史运行信息中不同关键零部件的关联部件数量以及所述关联部件数量中每个关联部件在执行不同作业任务时对应的运行数据,并基于所述运行数据以及所述关联部件数量对所述历史运行信息进行无监督时间序列数据整理,得到第一矩阵数据;
将所述第一矩阵数据输入至训练好的特征提取模型进行向量特征提取,得到特征维度数量,并将得到的所述特征维度数量与所述第一矩阵数据进行数据结合处理,生成第二矩阵数据;
对所述第二矩阵数据中所包含的数据进行数据处理,得到部件关联数据,并将得到的所述部件关联数据输入至预设算法模型中进行数据推算,得到未来运行信息,所述未来运行信息为所述关联部件数量中每个关联部件在未来预设时间段内的执行不同作业任务时所对应的运行信息;
所述将得到的所述特征维度数量与所述第一矩阵数据进行数据结合处理,生成第二矩阵数据,包括:
将所述特征维度数量与所述第一矩阵数据进行整合,生成维度矩阵数据,并对所述维度矩阵数据进行基本数据分布探查,得到所述历史运行信息中不同关键零部件与自身相对应的关联零部件发生的相对周期性规律;
基于所述相对周期性规律确定时间周期长度;
基于所述时间周期长度对所述维度矩阵数据进行有监督时间序列数据整理,得到推演矩阵数据;
基于所述推演矩阵数据对未来预设时间段内所述注塑机中不同关键零部件的作业趋势进行预判,生成第二矩阵数据。
2.根据权利要求1所述的一种注塑机周期管控方法,其特征在于,所述将所述第一矩阵数据输入至训练好的预测模型进行向量特征提取,得到特征维度数量,包括:
基于所述第一矩阵数据确定所述历史运行信息中每个运行作业的关键零部件名称、关键零部件运行时间以及关键零部件运行数据;
分别将所述关键零部件名称、所述关键零部件运行时间以及所述关键零部件运行数据输入至所述特征提取模型模型进行向量提取,得到与所述关键零部件名称对应的文本特征向量、与所述关键零部件运行时间对应的时间特征向量以及与所述关键零部件运行数据对应的数值特征向量;
对所述文本特征向量、所述时间特征向量以及所述数值特征向量进行数量统计,得到所述特征维度数量。
3.根据权利要求2所述的一种注塑机周期管控方法,其特征在于,所述对所述第二矩阵数据中所包含的数据进行数据处理,得到部件关联数据,包括:
计算所述第二矩阵数据中所包含的数据的正太分布均值以及正太分布方差,并基于所述正太分布均值以及所述正太分布方差确定所述第二矩阵数据的3σ范围;
判断所述数据是否在所述3σ范围之外,若所述数据在所述3σ范围之外,则确定所述数据所在所述第二矩阵数据的矩阵序列,根据所述矩阵序列计算序列平均值,用所述序列平均值对所述数据进行替换,得到替换后的矩阵序列,并对所述矩阵序列进行缺失值处理;
对所述第二矩阵数据中的矩阵序列进行序列的归一化处理,得到部件关联数据。
4.根据权利要求1所述的一种注塑机周期管控方法,其特征在于,所述将得到的所述部件关联数据输入至预设算法模型中进行数据推算,得到未来运行信息,之后还包括:
获取所述关联部件数量中每个关联部件在未来预设时间段内执行不同作业任务时的真实运行信息;
基于所述真实运行信息对所述未来运行信息进行反归一处理,将所述未来运行信息恢复到所述真实运行信息。
5.根据权利要求4所述的一种注塑机周期管控方法,其特征在于,所述方法还包括:
基于所述真实运行信息以及所述未来运行信息确定运行均方根误差;
根据所述运行均方根误差对所述推演模型中的epoch训练模型中的参数进行设置,并对设置后的epoch训练模型进行反向迭代,得到所述推演模型中每一轮的校验集;
对所述校验集进行计算评估,生成所述校验集的运行损失值以及运行评价指标。
6.一种注塑机周期管控装置,其特征在于,包括:
第一获取模块,用于获取历史运行信息以及运行节点信息,所述历史运行信息为注塑机中不同关键零部件在历史周期内执行不同作业任务的运行数据信息,所述运行节点信息为不同关键零部件在执行不同作业任务时所对应的运行次序节点信息;
预测分析模块,用于基于所述运行节点信息对所述历史运行信息进行分析预测,得到未来运行信息;
第二获取模块,用于获取预约作业信息,并将所述预约作业信息与所述未来运行信息中的作业信息进行匹配,得到未来关联部件信息,所述预约作业信息为在所述未来预设时间段内所述注塑机所执行作业信息;
数据判断模块,用于判断所述未来关联部件信息中的关键零部件数据是否符合预设部件标准,若不符合,则生成异常提示信息;
所述预测分析模块在基于所述运行节点信息对所述历史运行信息进行分析预测,得到未来运行信息时,具体用于:
确定所述历史运行信息中不同关键零部件的关联部件数量以及所述关联部件数量中每个关联部件在执行不同作业任务时对应的运行数据,并基于所述运行数据以及所述关联部件数量对所述历史运行信息进行无监督时间序列数据整理,得到第一矩阵数据;
将所述第一矩阵数据输入至训练好的特征提取模型进行向量特征提取,得到特征维度数量,并将得到的所述特征维度数量与所述第一矩阵数据进行数据结合处理,生成第二矩阵数据;
对所述第二矩阵数据中所包含的数据进行数据处理,得到部件关联数据,并将得到的所述部件关联数据输入至预设算法模型中进行数据推算,得到未来运行信息,所述未来运行信息为所述关联部件数量中每个关联部件在未来预设时间段内的执行不同作业任务时所对应的运行信息;
所述预测分析模块在将得到的所述特征维度数量与所述第一矩阵数据进行数据结合处理,生成第二矩阵数据时,具体用于:
将所述特征维度数量与所述第一矩阵数据进行整合,生成维度矩阵数据,并对所述维度矩阵数据进行基本数据分布探查,得到所述历史运行信息中不同关键零部件与自身相对应的关联零部件发生的相对周期性规律;
基于所述相对周期性规律确定时间周期长度;
基于所述时间周期长度对所述维度矩阵数据进行有监督时间序列数据整理,得到推演矩阵数据;
基于所述推演矩阵数据对未来预设时间段内所述注塑机中不同关键零部件的作业趋势进行预判,生成第二矩阵数据。
7.一种电子设备,其特征在于,该电子设备包括:
至少一个处理器;
存储器;
至少一个应用程序,其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行权利要求1~5任一项所述的注塑机周期管控方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,当所述计算机程序在计算机中执行时,令所述计算机执行权利要求1~5任一项所述的注塑机周期管控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311302552.3A CN117421679B (zh) | 2023-10-08 | 2023-10-08 | 一种注塑机周期管控方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311302552.3A CN117421679B (zh) | 2023-10-08 | 2023-10-08 | 一种注塑机周期管控方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117421679A CN117421679A (zh) | 2024-01-19 |
CN117421679B true CN117421679B (zh) | 2024-06-18 |
Family
ID=89522018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311302552.3A Active CN117421679B (zh) | 2023-10-08 | 2023-10-08 | 一种注塑机周期管控方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117421679B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114565196A (zh) * | 2022-04-28 | 2022-05-31 | 北京零点远景网络科技有限公司 | 基于政务热线的多事件趋势预判方法、装置、设备及介质 |
CN114675597A (zh) * | 2022-05-30 | 2022-06-28 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床故障预测可视化方法 |
CN115839344A (zh) * | 2023-02-17 | 2023-03-24 | 石家庄宏昌泵业有限公司 | 一种用于渣浆泵的磨损监管方法、装置、设备及存储介质 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150378807A1 (en) * | 2014-06-30 | 2015-12-31 | International Business Machines Corporation | Predicting process failures using analytics |
CN109313440A (zh) * | 2016-05-16 | 2019-02-05 | 伟尔矿物澳大利亚私人有限公司 | 机器监控 |
US11188691B2 (en) * | 2018-12-21 | 2021-11-30 | Utopus Insights, Inc. | Scalable system and method for forecasting wind turbine failure using SCADA alarm and event logs |
US10867250B2 (en) * | 2018-12-27 | 2020-12-15 | Utopus Insights, Inc. | System and method for fault detection of components using information fusion technique |
US11348813B2 (en) * | 2019-01-31 | 2022-05-31 | Applied Materials, Inc. | Correcting component failures in ion implant semiconductor manufacturing tool |
CN111860943A (zh) * | 2020-06-08 | 2020-10-30 | 清华大学 | 基于数值气象数据与机器学习的电网故障预测方法及*** |
AU2022249268A1 (en) * | 2021-03-31 | 2023-10-19 | Caterpillar Inc. | Devices, systems and methods for automatically predicting maintenance events |
CN114660993B (zh) * | 2022-05-25 | 2022-08-19 | 中科航迈数控软件(深圳)有限公司 | 一种基于多源异构数据特征降维的数控机床故障预测方法 |
CN115238969A (zh) * | 2022-06-30 | 2022-10-25 | 杭州卫康有害生物防治有限公司 | 一种白蚁预防的趋势预测方法、装置、电子设备及介质 |
CN116091103A (zh) * | 2023-03-06 | 2023-05-09 | 北京佰信蓝图科技股份有限公司 | 一种周期环境整治测算方法、装置、电子设备及介质 |
CN116009480B (zh) * | 2023-03-24 | 2023-06-09 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床的故障监测方法、装置、设备及存储介质 |
CN116587062A (zh) * | 2023-04-19 | 2023-08-15 | 深圳市雄兴实业有限公司 | 一种数控锯床的监管方法、装置、电子设备及存储介质 |
CN116561693A (zh) * | 2023-05-26 | 2023-08-08 | 工业富联(佛山)产业示范基地有限公司 | 注塑机异常确定方法、电子设备及存储介质 |
CN116842349B (zh) * | 2023-08-31 | 2023-11-21 | 天津鑫宝龙电梯集团有限公司 | 一种智能故障识别方法、装置、设备和介质 |
-
2023
- 2023-10-08 CN CN202311302552.3A patent/CN117421679B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114565196A (zh) * | 2022-04-28 | 2022-05-31 | 北京零点远景网络科技有限公司 | 基于政务热线的多事件趋势预判方法、装置、设备及介质 |
CN114675597A (zh) * | 2022-05-30 | 2022-06-28 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床故障预测可视化方法 |
CN115839344A (zh) * | 2023-02-17 | 2023-03-24 | 石家庄宏昌泵业有限公司 | 一种用于渣浆泵的磨损监管方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117421679A (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12001949B2 (en) | Computer-implemented method, computer program product and system for data analysis | |
Tidriri et al. | Bridging data-driven and model-based approaches for process fault diagnosis and health monitoring: A review of researches and future challenges | |
US10831577B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
EP3620983A1 (en) | Computer-implemented method, computer program product and system for data analysis | |
US10387768B2 (en) | Enhanced restricted boltzmann machine with prognosibility regularization for prognostics and health assessment | |
Jiao et al. | Fault monitoring and remaining useful life prediction framework for multiple fault modes in prognostics | |
Ayodeji et al. | Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction | |
Chen et al. | Using temporal convolution network for remaining useful lifetime prediction | |
US10810508B1 (en) | Methods and apparatus for classifying and discovering historical and future operational states based on Boolean and numerical sensor data | |
Yu et al. | Control chart recognition based on the parallel model of CNN and LSTM with GA optimization | |
Yang | Monitoring and diagnosing of mean shifts in multivariate manufacturing processes using two-level selective ensemble of learning vector quantization neural networks | |
Beyerer et al. | Machine Learning for Cyber Physical Systems: Selected Papers from the International Conference ML4CPS 2018 | |
CN114565196B (zh) | 基于政务热线的多事件趋势预判方法、装置、设备及介质 | |
Bhardwaj et al. | Health insurance amount prediction | |
Vishnu et al. | Data-driven prognostics with predictive uncertainty estimation using ensemble of deep ordinal regression models | |
CN117421679B (zh) | 一种注塑机周期管控方法、装置、电子设备及存储介质 | |
Zheng et al. | Graph partition based on dimensionless similarity and its application to fault diagnosis | |
CN115600102B (zh) | 基于船舶数据的异常点检测方法及装置、电子设备、介质 | |
Chakraborti et al. | Evidential reasoning based digital twins for performance optimization of complex systems | |
CN115408449A (zh) | 一种用户行为的处理方法、装置及设备 | |
Li et al. | A survey of deep learning-driven architecture for predictive maintenance | |
Macedo et al. | A Machine Learning Approach for Spare Parts Lifetime Estimation. | |
Yan et al. | Model parameter estimation and residual life span prediction of pneumatic diaphragm pump based on hidden Markov model in intelligent spraying | |
Mehta et al. | Deep Learning-Based Asset Prognostics | |
Gaffet et al. | Data-driven capability-based health monitoring method for automative manufacturing |
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 |