[发明专利]一种建筑陶瓷砖表面装饰施釉的数据分析预测方法及系统

权利要求书

1.一种建筑陶瓷砖表面装饰施釉的数据分析预测方法，其特征在于：包括以下步骤：

获取产线的施釉工艺数据和产线最后工序分级检测的缺陷数据；

分类所述施釉工艺数据，划分出施釉工艺参数项和缺陷检测参数项；

统计分析所述施釉工艺数据，得到面釉左中右重量的标准差和抛釉左中右重量的标准差，并对所述施釉工艺数据进行清理和清洗；

基于SMOTE采样技术对清洗后的所述施釉工艺数据进行过采样，得到施釉样本库；

根据所述施釉工艺参数项和所述缺陷参数项，建立出Xgboost分类模型，并利用所述施釉样本库对所述Xgboost分类模型进行训练，导出最优的所述Xgboost分类模型用于预测当前釉线会出现的缺陷；所述Xgboost分类模型为：向Xgboost分类模型输入参数X：面釉水量、面釉砖面温度、面釉流速、面釉比重、面釉釉量、第一钟罩左釉量、第一钟罩中釉量、第一钟罩右釉量、抛釉砖面温度、抛釉流速、抛釉比重、抛釉釉量、第二钟罩左釉量、第二钟罩中釉量和第二钟罩右釉量；Xgboost分类模型则输出参数Y：面釉砖面有无残留、面釉有无磨去砖边、面釉有无凹釉、面釉有无拉丝、面釉有无缩釉、抛釉砖面有无残留、抛釉有无磨去砖边、抛釉有无凹釉、抛釉有无拉丝和抛釉有无缩釉；

根据产线最后工序分级检测的缺陷数据，统计出釉线缺陷细项，对每一个所述釉线缺陷细项再进行分级，得到详细分级数据；

根据所述详细分级数据，计算出釉线每小时缺陷率；

按时间关联所述施釉工艺数据和所述详细分级数据，通过所述施釉工艺参数项、所述面釉左中右重量的标准差、所述抛釉左中右重量的标准差以及所述釉线每小时缺陷率，建立Xgboost回归模型，并利用所述施釉样本库对Xgboost回归模型进行训练，导出最优的所述Xgboost回归模型用于预测整线的釉线每小时缺陷率；所述Xgboost回归模型为：向Xgboost回归模型输入参数X：面釉水量、面釉砖面温度、面釉流速、面釉比重、面釉釉量、第一钟罩左釉量、第一钟罩中釉量、第一钟罩右釉量、面釉左中右重量的标准差、抛釉砖面温度、抛釉流速、抛釉比重、抛釉釉量、第二钟罩左釉量、第二钟罩中釉量、第二钟罩右釉量和抛釉左中右重量的标准差；Xgboost回归模型则输出参数Y：釉线每小时缺陷率；

对最优的所述Xgboost回归模型进行特征重要性分析，分析出各工序对釉线每小时缺陷率的重要性。

2.根据权利要求1所述的一种建筑陶瓷砖表面装饰施釉的数据分析预测方法，其特征在于：所述施釉工艺数据包括面釉工艺数据和抛釉工艺数据；

所述面釉工艺数据包括：

可控参数：面釉水量、面釉砖面温度、面釉流速、面釉比重、面釉釉量；

不可控参数：面釉日期、面釉时间、面釉班次、面釉规格、面釉编号、面釉接班存砖、面釉交班存砖；

目标变量：第一钟罩左釉量、第一钟罩中釉量、第一钟罩右釉量、面釉砖面有无残留、面釉有无磨去砖边、面釉有无凹釉、面釉有无拉丝、面釉有无缩釉；

所述抛釉工艺数据包括：

可控参数：抛釉砖面温度、抛釉流速、抛釉比重、抛釉釉量；

不可控参数：抛釉日期、抛釉时间、抛釉班次、抛釉规格、抛釉编号、抛釉接班存砖、抛釉交班存砖；

目标变量：第二钟罩左釉量、第二钟罩中釉量、第二钟罩右釉量、抛釉砖面有无残留、抛釉有无磨去砖边、抛釉有无凹釉、抛釉有无拉丝、抛釉有无缩釉。

3.根据权利要求2所述的一种建筑陶瓷砖表面装饰施釉的数据分析预测方法，其特征在于：

将面釉水量、面釉砖面温度、面釉流速、面釉比重、面釉釉量、第一钟罩左釉量、第一钟罩中釉量、第一钟罩右釉量、抛釉砖面温度、抛釉流速、抛釉比重、抛釉釉量、第二钟罩左釉量、第二钟罩中釉量和第二钟罩右釉量划分为所述施釉工艺参数项；

将面釉砖面有无残留、面釉有无磨去砖边、面釉有无凹釉、面釉有无拉丝、面釉有无缩釉、抛釉砖面有无残留、抛釉有无磨去砖边、抛釉有无凹釉、抛釉有无拉丝、抛釉有无缩釉调整为布尔变量，并划分为所述缺陷检测参数项。

4.根据权利要求1所述的一种建筑陶瓷砖表面装饰施釉的数据分析预测方法，其特征在于：统计分析施釉工艺数据中，统计分析指标包括总数、最小值、最小值位置、25%分位数、中位数、75%分位数、均值、最大值、最大值位置、平均绝对偏差、方差、标准差、峰度和异常值。