[发明专利]基于人工智能的制壳生产过程的工序监测方法与系统

说明书

本发明涉及基于人工智能的制壳生产过程的工序监测方法与系统，属于制壳设备的智能监测领域，该方法包括获取各个工序在当前时刻下的m个特征参数，将特征参数带入对应各工序的设定主元向量的偏离投影模型，确定各个工序的特征参数在主元向量的各偏离方向上的投影值，判断各偏离方向上的投影值是否在设定的投影值临界范围；根据各个工序的特征参数在各偏离方向上的投影值与投影值临界范围的偏差，判断对应的工序是否异常，当判定为工序异常时进行报警。本发明能够客观的监测各个工序的异常情况，并将监测异常结果及时上报，监测准确性较高，不容易产生误判、漏判等情况，实现了制壳生产过程的自动智能监测，不需要人工现场监测，降低了人力成本。

技术领域

本发明涉及制壳设备的智能监测领域，具体涉及基于人工智能的制壳生产过程的工序监测方法与系统。

背景技术

目前，精密铸造技术主要涉及在于军工、航空类产品的生产过程中，不仅如此，该技术在各种工业领域中都会出现，例如：电子、石油、化工、能源等领域。精密铸造的过程即是整个制壳的生产过程，该过程主要包括以下工序的流程：成型蜡模（工序一）-涂料的配制（工序二）-沾浆淋砂（工序三）-风干硬化（工序四）-脱蜡（工序五）-焙烧（工序六）。制壳过程在各个工序上完成的好坏均能够影响最终制壳成品的质量，因此对各个工序进行监测是非常必要的。但是，现有技术中，对于制壳生产过程的监控，均是通过设置专门的工作人员，进行现场监控所有工序来实现的，这种监控方式的效果受工作人员的处理经验的影响较大，不客观，容易产生工序监控异常的误判和漏判，监测的准确性较低。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的制壳生产过程的工序监测方法与系统，用于解决现有方法通过人工监测制壳生产过程工序增加人工成本的问题，以及解决现有方法的监测结果不准确的问题。

第一方面，对于基于人工智能的制壳生产过程的工序监测方法，所采用的技术方案具体如下：

步骤S01，获取制壳生产过程中各个工序在当前时刻下的m个特征参数，m≥2；

步骤S02，将各个工序在当前时刻下的m个特征参数，带入对应各工序的设定主元向量的偏离投影模型，确定各个工序的特征参数在主元向量的各偏离方向上的投影值，并判断各偏离方向上的投影值是否在设定的投影值临界范围；

步骤S03，根据各个工序的特征参数在各偏离方向上的投影值与投影值临界范围的偏差，判断对应的工序是否异常，当判定为工序异常时进行报警提醒。

优选的，步骤S02中，各工序的设定主元向量的偏离投影模型的确定过程如下：

步骤S0201，获取各个工序的m个特征参数的历史数据，历史数据包括n个时刻下的m个特征参数，n≥2，确定n个时刻下的m个特征参数分别与对应的m个标准特征参数之间的特征参数差异，构成各工序下的差异矩阵；

步骤S0202，利用主成分分析算法，确定各工序下差异矩阵的k个主成分向量，以及与各主成分向量对应的一组特征向量；其中k≥2，k个主成分向量的方向对应为特征参数在主元向量的k个偏离方向，每个主成分向量对应的一组特征向量即为映射到对应偏离方向的一组特征向量；

步骤S0203，利用各工序下m个特征参数在主元向量的k个偏离方向的特征向量，构建各工序的设定主元向量的偏离投影模型，该模型为：各工序在某一时刻下的m个特征参数，分别与对应k个偏离方向的特征向量进行内积运算，得到对应工序的特征参数在主元向量的k个偏离方向上的投影值。

优选的，步骤S02中，设定的投影值临界范围的确定过程如下：

步骤S0211，获取各个工序的m个特征参数在正常制壳生产工况下的特征参数范围，包括m个特征参数上限和m个特征参数下限，m个特征参数上限构成特征参数上限向量，m个特征参数下限构成特征参数下限向量；