CN119494645A 一种基于机器视觉的模具异常管理系统及方法 （厦门博视源机器视觉技术有限公司）

件园三期诚毅北大街62号209单元一种基于机器视觉的模具异常管理系统及常检测模块利用高清摄像头和红外热像仪采集测与健康管理模块借助时间序列分析和机器学度模块运用深度强化学习和遗传算法优化维修策略与任务分配；数据分析与可视化模块借助Grafana、Kibana展示数据并实现智能报警与决2模具异常检测模块：配置有高清摄像头和红外热像仪，所述高清摄像网络CNN基于采集到的模具表面图像提取特征并识别表面缺陷，以检测模具表面是否存在故障预测与健康管理模块：依靠时间序列分析与机器学习技术，通过长短网络分析模具运行数据以预测故障风险，结合支持向量机SVM与随机森林RF处理模具健康智能维修与保养调度模块：利用深度强化学习DRL根据模具健康状态优化维修调度策数据分析与可视化模块：采用ApacheKafka与ApacheSpark处理模具数据流，借助具异常检测模块利用生成对抗网络GAN生成缺陷图像以增强数据，从而提高卷积神经网络;;;;;3为上一时刻隐藏状态h-s到输入门的权重矩阵，h-s为在时间步t-1的隐藏为输入到候选细胞状态的权重矩阵，wig为上一个时间步的隐藏状态h-s到候选细胞状态支持向量机SVM用于二分类时，其目标是找到一个超平面w'x+b-0来最大化两类数;s.t.；策树，其在某一节点分裂时选择使信息增益最大的特征进行分裂，信息增益计算公式;能维修与保养调度模块利用深度强化学习DRL模型动态调整维修策略，依据模具的实时健;4策支持，并通过智能报警系统推送异常通知至相关人员；该模块在利用ApacheKafka与ApacheSpark处理模具数据流时，ApacheSpark的核心计算逻辑基于弹性分布式数据集据分析与可视化模块的Grafana与Kibana系统用于将模具的运行状态、健康数据及故障预柱状图展示不同模具故障类型出现的频次，对于不同模具故障类型Fifi-1,2,…,n)，其对应得出，表示为其中，T(p)表示按照个体8.一种基于机器视觉的模具异常管理方法，其特征在于权利要求1_7中任一项所述基于机器视觉的模具异常管理系统5提前制定合理的维护计划，只能采取预防性的过度维护或者在故障发生后进行紧急抢修，前者会增加不必要的维护成本，后者则可能因维修时间紧迫而无法选用最优的维修方案，[0005]维修与保养调度方面，传统管理模式通常依据简单的规则或6LSTM网络分析模具运行数据以预测故障风险，结合支持向量机SVM与随机森林RF处理模具智能维修与保养调度模块：利用深度强化学习DRL根据模具健康状态优化维修调[0009]作为一种优选方案，模具异常检测模块利用生成对抗网络GAN生成缺陷图像以增;;;;;输入数据，为时刻t通过tanh函数处理得到的临时状态，wa为输入到输入门的权重矩7为输入到遗忘门的权重矩阵，为上一个时间步的隐藏状态h-s到遗忘门的权重矩阵，为输入到输出门的权重矩阵，wio为上一个时间步的隐藏状态h-s到输出门的权重矩支持向量机SVM用于二分类时，其目标是找到一个超平面w'xtb-0来最大化两;;随机森林RF通过构建多个决策树并综合其结果进行预测，假设训练集D有n个样;[0011]作为一种优选方案，智能维修与保养调度模块利用深度强化学习DRL模型动态调计算公式为：;其中，为折扣因子通过在模具管理环境下根据不同的模具健康状8[0013]作为一种优选方案，数据分析与可视化模块的Grafana与Kibana系统用于将模具的运行状态、健康数据及故障预警信息通过仪表板、图表和日志分析的方式进行展示；多模态数据融合检测：通过高清摄像头采集模具表面图像，利用卷积神经网络处理时间序列数据，捕捉数据中的长期依赖关系，精准预测故障风险；结合支持向量机9障风险优化维修调度策略；DRL模型能在复杂模具管理环境中，依据不断变化的状态信息（如模具当前健康状态、生产任务紧急程度、维修资源可用性等动态选择最优维修动作经网络CNN基于采集到的模具表面图像提取特征并识别表面缺陷，以检测模具表面是否存模具温度变化监测：利用红外热像仪实时监测模具在运行过程中的温度变化情长短期记忆LSTM网络分析模具运行数据以预测故障风险，结合支持向量机SVM与随机森林练集数据对LSTM模型进行训练，通过反向传播算法计算模型预测值与实际值之间的误差，参数变化等信息；选择合适的可视化工具和库（如Python中的Matplotlib、Seaborn或的动态变化过程；利用柱状图展示不同类型故障发生的频次或不同零部件的健康状况分[0023]本实施例中，智能维修与保养调度模块利用深度强化学习DRL根据模具健康状态数据读取与转换（基于RDD或DataFrame使用Spar模具运行状态进行分类、构建回归模型预测模具故障时间等根据业务需求，定义相应的测模具温度是否偏离正常范围；数据集成平台搭建：搭建数据集成平台，选择合适的技术和工具（如Apache储系统（如上述提到的数据库或实时分析结果输出的数据源在Grafana中创建仪表板示模具实时运行状态的仪表板，包括温度曲线、压力柱状图、设备状态指示灯等可视化元素；Kibana日志分析配置（可选如果涉及模具相关的日志数据展示，安装并配置数据的时间字段和其他关键字段，以便进行时间序列分析和查询过滤；通过创建可视化;;;输入数据，为时刻t通过tanh函数处理得到的临时状态，wa为输入到输入门的权重矩为输入到遗忘门的权重矩阵，为上一个时间步的隐藏状态h-s到遗忘门的权重矩阵，为输入到输出门的权重矩阵，wio为上一个时间步的隐藏状态h-s到输出门的权重矩支持向量机SVM用于二分类时，其目标是找到一个超平面w'xtb-0来最大化两;;随机森林RF通过构建多个决策树并综合其结果进行预测，假设训练集D有n个样;[0026]本实施例中，智能维修与保养调度模块利用深度强化学习DRL模型动态调整维修;其中，为折扣因子通过在模具管理环境下根据不同的模具健康状[0027]本实施例中，数据分析与可视化模块通过数据集成平台[0028]本实施例中，数据分析与可视化模块的Grafana与Kibana系统用于将模具的运行;温度范围10℃以上则确定模具存在表面缺陷且可能存在内部结构问题，触发报警系统，;时间间隔转换为以天为单位的数值，将关键零部件剩余寿命比例转换为0到1之间的数值，型能够根据输入特征准确地将模具状态分为正常和故障两类，支持向量机SVM用于二分类;;;将实时获取的模具健康数据输入训练好的SVM和RF模型中，得到两个模型的预测通过数据接口实时获取故障预测与健康管理模块分析得到的模具健康状态数据，将模具管理环境建模为马尔可夫决策过程（MDP状态空间定义为模具的健康状函数J(w)关于参数的梯度；,其中，T(p)表示按照个体p方案完成维修任务所需的总时间，utp)表示对应的资源利用率；计算每个个体的适应度值，采用轮盘赌选择法选择30个个体