注塑成型过程的异常监控方法、电子设备及存储介质与流程

1.本技术涉及数据分析领域，尤其涉及一种注塑成型过程的异常监控方法、电子设备及存储介质。


背景技术：

2.目前注塑成型的质量监测是通过对成品质量的检验来实现的。对于持续生产的注塑生产现场，质量监管人员通过定期检查或者随机抽检的方式对成品的质量进行检验。但是这种方式从产品生产到异常品检出的周期通常较长，在此期间可能有更多的废品产生。另外，质量监管人员在发现成品质量异常后会通知相关人员进行处理，这个过程需要耗费大量的时间，不能及时的反馈信息。同时，相关人员需要根据自身经验进行处理，处理过程严重依赖人员能力并且具有很大的不可控性。


技术实现要素：

3.鉴于以上内容，有必要提供一种注塑成型过程的异常监控方法、电子设备及存储介质，可以及时发现成型过程中的异常情况，从而降低成型品的不良率。
4.本技术提供一种注塑成型过程的异常监控方法，所述方法包括：获取注塑成型过程中多个部件的数据；调用预先训练完成的异常监测模型对每个部件的数据进行异常分析，得到每个部件的制程风险值和至少一个影响参数；根据所述制程风险值判断对应的部件是否存在异常；当根据所述制程风险值确定目标部件存在异常时，根据所述目标部件的至少一个影响参数调整所述目标部件的设备参数。
5.在一种可能的实现方式中，所述获取注塑成型过程中多个部件的数据包括：获取注塑机的控制器数据、模具的第一传感器数据和模温机的第二传感器数据。
6.在一种可能的实现方式中，所述获取注塑机的控制器数据、模具的第一传感器数据和模温机的第二传感器数据之后，所述方法还包括：根据所述控制器数据中的工段信息，对所述控制器数据进行切分，得到多个工段数据，不同的工段数据对应不同的注塑成型过程。
7.在一种可能的实现方式中，所述调用预先训练完成的异常监测模型对每个部件的数据进行异常分析，得到每个部件的制程风险值和至少一个影响参数包括：调用预先训练完成的异常监测模型对所述注塑机的控制器数据进行异常分析，得到第一制程风险值和至少一个第一影响参数；调用预先训练完成的异常监测模型对所述模具的第一传感器数据进行异常分析，得到第二制程风险值和至少一个第二影响参数；调用预先训练完成的异常监测模型对所述模温机的第二传感器数据进行异常分析，得到第三制程风险值和至少一个第三影响参数。
8.在一种可能的实现方式中，在所述调用预先训练完成的异常监测模型对每个部件的数据进行异常分析之前，所述方法还包括：设置注塑机的成型工作周期；每隔所述成型工作周期调用预先训练完成的异常监测模型对每个部件的数据进行异常分析。
9.在一种可能的实现方式中，所述方法还包括：每隔所述成型工作周期，根据所述至少一个第一影响参数绘制第一参数周期变化状态图，根据所述至少一个第二影响参数绘制第二参数周期变化状态图，根据所述至少一个第三影响参数绘制第三参数周期变化状态图。
10.在一种可能的实现方式中，所述根据所述制程风险值判断对应的部件是否存在异常包括：判断所述第一制程风险值是否大于预设的第一阈值，当所述第一制程风险值大于所述预设的第一阈值时，输出第一结果，所述第一结果表明所述注塑机存在异常；判断所述第二制程风险值是否大于预设的第二阈值，当所述第二制程风险值大于所述预设的第二阈值时，输出第二结果，所述第二结果所述模具存在异常；判断所述第三制程风险值是否大于预设的第三阈值，当所述第三制程风险值大于所述预设的第三阈值时，输出第三结果，所述第三结果所述模温机存在异常。
11.在一种可能的实现方式中，所述当根据所述制程风险值确定目标部件存在异常时，根据所述目标部件的至少一个影响参数调整所述目标部件的设备参数包括：当确定所述注塑机出现异常时，将所述控制器数据和所述至少一个第一影响参数输入至预先训练完成的智能调节模型，所述智能调节模型输出所述注塑机的至少一个第一设备参数，根据所述至少一个第一设备参数调整所述注塑机的设备参数；当确定所述模具出现异常时，将所述第一传感器数据和所述至少一个第二影响参数输入至预先训练完成的智能调节模型，所述智能调节模型输出所述模具的至少一个第二设备参数，根据所述至少一个第二设备参数调整所述模具的设备参数；当确定所述模温机出现异常时，将所述第二传感器数据和所述至少一个第三影响参数输入至预先训练完成的智能调节模型，所述智能调节模型输出所述模温机的至少一个第三设备参数，根据所述至少一个第三设备参数调整所述模具的设备参数。
12.本技术还提供一种电子设备，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现所述的注塑成型过程的异常监控方法。
13.本技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述的注塑成型过程的异常监控方法。
14.本技术公开的注塑成型过程的异常监控方法及相关设备，通过实时采集成型过程数据，监测异常状况并及时进行反馈提示，能够及时的发现系统异常，减少不良品的产生，节省原料，提升注塑成型设备的有效价值时间。
附图说明
15.图1是本技术实施例提供的一种注塑成型过程的异常监控方法的较佳实施例的电子设备的结构示意图。
16.图2是本技术实施例提供的一种注塑成型过程的异常监控方法的较佳实施例的流程图。
具体实施方式
17.为了使本技术的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本技术进行详细描述。
18.请参阅图1，图1为本技术一实施例的电子设备的示意图。参阅图1所示，所述电子设备1包括，但不仅限于，存储器11和至少一个处理器12上述元件之间可以通过通讯总线13连接，也可以直接连接。
19.所述电子设备1可以是计算机、手机、平板电脑、个人数字助理(personal digital assistant，pda)等安装有应用程序的设备。本领域技术人员可以理解，所述示意图1仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
20.如图2所示，是本技术注塑成型过程的异常监控方法的较佳实施例的流程图。所述注塑成型过程的异常监控方法应用在所述电子设备1中。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。在本实施方式中，所述注塑成型过程的异常监控方法包括：
21.s21、获取注塑成型过程中多个部件的数据。
22.在本技术的一个实施例中，所述获取注塑成型过程中多个部件的数据包括：
23.(1)获取注塑机的控制器数据。所述注塑机是将热塑性塑料或热固性塑料利用模具制成各种形状的塑料制品的主要成型设备。其中，所述注塑机能加热塑料，对熔融塑料施加高压，使其射出而充满模具型腔。具体实施时，通过可编程逻辑控制器(programmable logic controller，plc)通讯板接口与所述注塑机通讯连接，实时采集plc数据，其中所述plc数据包括：所述注塑机系统参数、所述注塑机开关状态和所述注塑机内部数据。通过所述plc通讯板接口发送所述plc数据至所述电子设备。
24.(2)获取模具的第一传感器数据。所述模具为注塑成型过程中依据实物的形状和结构按比例制成的，用压制或浇灌的方法使材料成为一定形状的工具。具体实施时，设置温度传感器，通过所述温度传感器测量所述模具的温度数据，设置距离传感器，通过所述距离传感器测量所述模具的位置数据和尺寸数据。将所述模具的温度数据、所述模具的位置数据和所述模具尺寸数据作为所述第一传感器数据发送至所述电子设备。
25.(3)获取模温机的第二传感器数据。所述模温机是一种包含加热和冷却作用的机械设备，用于工业控温，在注塑城成型过程中用于控制所述模具的温度。具体实施时，设置距离传感器通过所述距离传感器测量所述模温机内部循环泵的尺寸数据、加热管的尺寸数据和电器配件的尺寸数据，设置温度传感器，通过所述温度传感器测量所述模温机内部循环泵的温度数据、加热管的温度数据和电器配件的温度数据。将所述循环泵的尺寸数据、所述加热管的尺寸数据、所述电器配件的尺寸数据、所述循环泵的温度数据、所述加热管的温度数据和所述电器配件的温度数据作为所述第二传感器数据发送至所述电子设备。
26.通过获取注塑成型过程中各个部件的数据，可以更全面的对注塑成型过程进行异常分析，从而使得分析结果更加准确。
27.作为一种可选的实施方式，所述步骤s21之后，所述方法还包括：根据所述控制器数据中的工段信息，对所述控制器数据进行切分，得到多个工段数据，不同的工段数据对应不同的注塑成型过程。
28.在本技术的一个实施例中，注射成型是一个循环的过程，每一个循环周期包括：定量加料、熔融塑化、施压注射、充模冷却和启模取件。取出塑件后又再闭模，进行下一个循
环。根据所述循环周期，可以将所述控制器数据划分为加料过程数据、塑化过程数据、注射过程数据、冷却过程数据和取件过程数据。
29.通过对所述控制器数据进行划分，后续对数据进行异常分析时，可以精准的定位异常数据所在的过程，从而提高异常监测效率。
30.s22、调用预先训练完成的异常监测模型对每个部件的数据进行异常分析，得到每个部件的制程风险值和至少一个影响参数。
31.在本技术的一个实施例中，预先训练异常监测模型，具体实施时，获取第一训练数据集，所述第一训练数据集包括预设第一数量的第一训练数据，将所述第一训练数据输入至预先搭建的神经网络框架中进行训练，得到所述异常监测模型。获取第一测试数据集，所述第一测试数据集包括预设第二数量的第一测试数据，使用所述第一测试数据测试所述异常监测模型并获取第一测试通过率。当所述测试通过率大于预设第一通过率阈值时，将所述异常监测模型作为所述训练完成的异常监测模型，当所述第一测试通过率小于预设第一通过率阈值时，调整所述异常监测模型的模型参数，直至所述第一测试通过率大于预设第一通过率阈值。
32.在本技术的一个实施例中，所述调用预先训练完成的异常监测模型对每个部件的数据进行异常分析，得到每个部件的制程风险值和至少一个影响参数包括：
33.(1)调用所述训练完成的异常监测模型对所述注塑机的控制器数据进行异常分析，得到第一制程风险值和至少一个第一影响参数的参数值。具体实施时，输入所述加料过程数据至所述训练完成的异常监测模型，输出第一加料风险值；输入所述塑化过程数据至所述训练完成的异常监测模型，输出第一塑化风险值；输入所述注射过程数据至所述训练完成的异常监测模型，输出第一注射风险值；输入所述冷却过程数据至所述训练完成的异常监测模型，输出第一冷却风险值；输入所述取件过程数据至所述训练完成的异常监测模型，输出第一取件风险值；根据所述工段的重要性设置每个工段的占比，例如，加料过程占比10％，塑化过程占比30％，注射过程占比20％，冷却过程占比30％以及取件过程占比10％；根据所述第一加料风险值、所述第一塑化风险值、所述第一注射风险值、所述第一冷却风险值和所述第一取件风险值，以及所述每个工段的占比得到所述第一制程风险值。其中，所述第一制程风险值越大，表示所述注塑机存在异常的可能性越高，注塑过程的风险制越大。所述第一影响参数为所述注塑机的设备参数，包括：注射量、注射压力、注射速率、塑化能力、合模面积、合模力、开合模速度和空循环时间。
34.(2)调用所述训练完成的异常监测模型对所述模具的第一传感器数据进行异常分析，得到第二制程风险值和至少一个第二影响参数的参数值。其中，所述第二制程风险值越大，表示所述模具存在异常的可能性越高，成型过程的风险制越大。所述第二影响参数为所述模具的设备参数，包括：材料类别，抗拉强度、厚度、毛刺高度、双面间隙、塌角深度和复磨寿命。
35.(3)调用所述训练完成的异常监测模型对所述模温机的第二传感器数据进行异常分析，得到第三制程风险值和至少一个第三影响参数的参数值。其中，所述第三制程风险值越大，表示所述模温机存在异常的可能性越高，模具制作过程的风险制越大。所述第三影响参数为所述模温机的设备参数，包括：温控范围、温控精度、传热媒体、膨胀箱容量、泵浦功率和泵浦压力。
36.通过利用预先训练完成的异常监测模型得到所述注塑机的制程风险值和影响参数、所述模具的制程风险值和影响参数和所述模温机的制程风险值和影响参数，代替了传统的人工监测方法，可以提高监测的准确率和效率。
37.作为一种可选的实施方式，所述步骤s22之前，所述方法还包括：设置注塑机的成型工作周期；每隔所述成型工作周期调用预先训练完成的异常监测模型对每个部件的数据进行异常分析。
38.作为一种可选的实施方式，所述步骤s22之后，所述方法还包括：每隔所述成型工作周期，根据所述至少一个第一影响参数绘制第一参数周期变化状态图，根据所述至少一个第二影响参数绘制第二参数周期变化状态图，根据所述至少一个第三影响参数绘制第三参数周期变化状态图。
39.s23、根据所述制程风险值判断对应的部件是否存在异常。
40.在本技术的一个实施例中，所述根据所述制程风险值判断对应的部件是否存在异常包括：判断所述第一制程风险值是否大于预设的第一阈值，当所述第一制程风险值大于所述预设的第一阈值时，输出第一结果，所述第一结果表明所述注塑机存在异常；判断所述第二制程风险值是否大于预设的第二阈值，当所述第二制程风险值大于所述预设的第二阈值时，输出第二结果，所述第二结果所述模具存在异常；判断所述第三制程风险值是否大于预设的第三阈值，当所述第三制程风险值大于所述预设的第三阈值时，输出第三结果，所述第三结果所述模温机存在异常。
41.示例性的，设置所述第一阈值为0.3，所述第二阈值为0.6，所述第三阈值为0.5。所述第一制程风险值为0.1，所述第二制程风险值为0.5，所述第三制程风险值为0.7，其中所述第三制程风险值大与所述第三阈值，输出所述模温机存在异常的提示。
42.通过利用所述制程风险值判断各个部件是否存在异常，通过实时采集成型过程数据，监测异常状况并及时进行反馈提示，能够及时的发现系统异常，减少不良品的产生，节省原料，提升注塑成型设备的有效价值时间。
43.s24、当根据所述制程风险值确定目标部件存在异常时，根据所述目标部件的至少一个影响参数调整所述目标部件的设备参数。
44.在本技术的一个实施例中，预先训练智能调节模型，具体实施时，获取第二训练数据集，所述第二训练数据集包括预设第三数量的第二训练数据，将所述第二训练数据输入至预先搭建的神经网络框架中进行训练，得到所述智能调节模型。获取第二测试数据集，所述第二测试数据集包括预设第四数量的第二测试数据，使用所述第二测试数据测试所述智能调节模型并获取第二测试通过率。当所述第二测试通过率大于预设第二通过率阈值时，将所述智能调节模型作为所述训练完成的智能调节模型，当所述第二测试通过率小于预设第二通过率阈值时，调整所述智能调节模型的模型参数，直至所述第二测试通过率大于预设第二通过率阈值。
45.在本技术的一个实施例中，所述当根据所述制程风险值确定目标部件存在异常时，根据所述目标部件的至少一个影响参数调整所述目标部件的设备参数包括：当确定所述注塑机出现异常时，将所述控制器数据和所述至少一个第一影响参数的参数值输入至预先训练完成的智能调节模型，所述智能调节模型输出所述注塑机的至少一个第一设备参数，根据所述至少一个第一设备参数调整所述注塑机的设备参数；当确定所述模具出现异
常时，将所述第一传感器数据和所述至少一个第二影响参数的参数值输入至预先训练完成的智能调节模型，所述智能调节模型输出所述模具的至少一个第二设备参数，根据所述至少一个第二设备参数调整所述模具的设备参数；当确定所述模温机出现异常时，将所述第二传感器数据和所述至少一个第三影响参数的参数值输入至预先训练完成的智能调节模型，所述智能调节模型输出所述模温机的至少一个第三设备参数的参数值，根据所述至少一个第三设备参数调整所述模具的设备参数。
46.通过利用所述智能调节模型调整所述注塑机、所述模具和所述模温机的设备参数，一方面可以实现智能调节，减少人力物力的浪费，调高设备调节的准确度，另一方面可以为现场人员调试设备提供重要的参考信息。
47.请继续参阅图1，本实施例中，所述存储器11可以是电子设备1的内部存储器，即内置于所述电子设备1的存储器。在其他实施例中，所述存储器11也可以是电子设备1的外部存储器，即外接于所述电子设备1的存储器。
48.在一些实施例中，所述存储器11用于存储程序代码和各种数据，并在电子设备1的运行过程中实现高速、自动地完成程序或数据的存取。
49.所述存储器11可以包括随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
50.在一实施例中，所述处理器12可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者所述处理器也可以是其它任何常规的处理器等。
51.所述存储器11中的程序代码和各种数据如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本技术实现上述实施例方法中的全部或部分流程，例如实现延长电池服务寿命的方法中的步骤，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，所述计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)等。
52.可以理解的是，以上所描述的模块划分，为一种逻辑功能划分，实际实现时可以有另外的划分方式。另外，在本技术各个实施例中的各功能模块可以集成在相同处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在相同单元中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
53.最后应说明的是，以上实施例仅用以说明本技术的技术方案而非限制，尽管参照较佳实施例对本技术进行了详细说明，本领域的普通技术人员应当理解，可以对本技术的技术方案进行修改或等同替换，而不脱离本技术技术方案的精神和范围。