[发明专利]一种陶瓷砖半成品在加工中的损耗判断方法和系统

权利要求书

1.一种陶瓷砖半成品在加工中的损耗判断方法，其特征在于，包括以下步骤：

步骤(1)：对半成品瓷砖的检测数据进行录入；

步骤(2)：通过网关接口利用各类协议(Modbus/PLC等)采集多个设备的运行数据，所采的运行数据通过传输协议传输至服务器(本地服务器、云服务器等)进行数据存储；

步骤(3)：梳理各个数据采集表中的表字段，将表字段进行转换，并将表字段进行关联；

将代表半成品、设备和产品的数据采集表按照陶瓷砖的加工工序和时间依次进行逻辑关联；筛选出产品的分级检测数据表中对应的加工工序缺陷，与相应加工设备进行逻辑匹配；

步骤(4)：将数据采集表中代表缺陷的数据通过设定不同阈值进行筛选，利用数学模型进行数据提取、清洗、转换和整理，转换成数据集；

步骤(5)：进行数据分析，包括：损耗数据分析、检测变量分析和自动采集变量数据分析；

所述损耗数据分析，将步骤(4)得出的数据集利用数学统计模型对缺陷和损耗数据进行分析，绘制时间趋势图和箱型图；通过图谱分析数据的均值、标准差、中位数、最大值、最小值和/或四分位数，找出加工工序损耗数最多的工序和设备；

所述检测变量分析，通过数学统计模型对包括陶瓷砖成品质量数据和陶瓷砖成品质量数据两者的检测变量进行分析，统计各检测变量独特值的数量，判断瓷砖产品总体质量状况；

所述自动采集变量数据分析，去除设备的变量固定值，用数学统计模型计算变量变异系数，按照变异系数大小进行选择，并根据选择结果判断设备运行状态，并以此作为设备状态监测参数；

步骤(6)：根据步骤(5)的分析结果，筛选可用数据变量；建立数学模型对设备的运行参数、成品的参数、损耗参数进行相关性分析；

步骤(7)：根据步骤(6)筛选出的数据变量搭建预测模型，预测模型的预测结果根据参数变化的损耗数，对损耗数进行预测，并推导影响损耗的设备及运行参数两者的特征的重要性，并对特征的重要性进行排序，基于优先级筛选排名靠前的变量，筛选出的变量作为重点参数优先关注。

2.根据权利要求1所述的陶瓷砖半成品在加工中的损耗判断方法，其特征在于，将陶瓷砖半成品质量数据表、设备的运行数据表和陶瓷砖成品质量数据表按照工序先后顺序进行逻辑关联，筛选出产品分级检测数据表中对应的加工工序缺陷，与相应加工设备进行逻辑匹配；

陶瓷砖半成品质量数据表包括：瓷砖半成品的长度检测数据表、宽度检测数据表和厚度检测数据表；

设备的运行数据表包括：抛光机运行数据表、刮平定厚机运行数据表、磨边机运行数据表、超洁亮机运行数据表、打蜡机运行数据表、尺寸检测仪检测数据表、平整度检测仪检测数据表和表面缺陷检测仪检测数据表；

陶瓷砖成品质量数据表包括：成品瓷砖的长度数据表、宽度长度数据表、厚度长度数据表、对角线差长度数据表、倒角宽度长度数据表和平整度长度数据表。

3.根据权利要求2所述的陶瓷砖半成品在加工中的损耗判断方法，其特征在于，所述步骤(3)中，筛选出数据采集表中对应的加工工序缺陷，与相应加工设备进行逻辑匹配后，将关联后表中变量类型和数据类型进行分类；

变量类型包括：可控变量、不可控变量、约束变量和目标变量；

数据类型包括：string、float、int、bool和datatime。

4.根据权利要求3所述的陶瓷砖半成品在加工中的损耗判断方法，其特征在于，所述步骤(6)中，根据不同设备对应数据中的可控变量、不可控变量、约束变量和目标变量进行变量筛选，建立数学模型对运行参数、成品的参数、损耗参数进行相关性分析；

所述步骤(7)中，根据划分的可控变量、不可控变量、约束变量、目标变量建立数学模型进行训练；使用XGBoost函数包中的数学公式建立模型，将筛选出的变量参数，导入模型中进行训练；模型使用自动调参，调整最大深度,学习率和评估器数量三个超参数；

采用R方值评价回归模型，利用R方值的计算公式：

对不同量纲中最大深度、学习率和评估器数量下模型的效果好坏进行评价；筛选训练集R²_score和测试集R²_score趋近于1的算法模型，评价模型效果为可用模型。