电池盖组装良率优化方法、组电池盖装备、装置及存储介质与流程
本公开涉及生产组装,尤其涉及电池盖组装良率优化方法、组电池盖装备、装置及存储介质。
背景技术:
1、在手机电池盖等部件的高精度组装场景中,组装精度的要求持续提升,相关技术中,组装过程的良率管控主要通过人工预设工艺参数,机械臂按照固定参数执行组装,组装完成后进行质量检测,相关技术依赖人工设定参数,难以适配不同供应商与不同批次的物料波动,导致产能良率下降。
技术实现思路
1、为克服相关技术中存在的问题,本公开提供一种电池盖组装良率优化方法、组电池盖装备、装置及存储介质。
2、根据本公开实施例的第一方面,提供一种电池盖组装良率优化方法,包括:
3、响应于所述多台工业相机完成图像采集,所述边缘端根据部署的本地模型进行物料质量判定,输出质量判定结果;
4、响应于所述质量判定结果为合格,发送控制指令至所述运动控制系统,并将物料的工艺参数发送至云端;
5、所述云端根据所述工艺参数生成优化后的模型参数,并将所述优化后的模型参数发送至所述边缘端;
6、所述边缘端根据所述优化后的模型参数更新所述本地模型。
7、在一些实施例中,所述边缘端根据部署的本地模型进行物料质量判定,输出质量判定结果,包括:对采集的物料图像进行图像预处理,得到图像类特征;对物料离散属性进行编码,得到标签类特征;对传感器采集的数据进行标准化处理,得到数值类特征;筛选所述图像类特征、所述标签类特征与所述数值类特征,拼接得到融合特征;根据所述融合特征对物料质量进行判定,输出质量判定结果。
8、在一些实施例中,所述边缘端根据所述优化后的模型参数更新所述本地模型,包括:响应于接收云端发送的增量更新包,对所述增量更新包进行完整性校验,并计算更新后的模型大小;响应于所述增量更新包通过完整性校验且所述更新后的模型大小未超出模型大小限值,在后台线程中根据所述增量更新包对本地模型进行更新,得到更新后的本地模型;对所述更新后的本地模型进行性能验证;响应于所述更新后的本地模型性能验证通过,显示模型更新结果。
9、在一些实施例中,所述云端的质量模型包括梯度提升决策树模型与深度学习模型,所述梯度提升决策树模型的训练过程,包括:对物料的工艺参数标准化处理,得到标准化测试值;根据所述标准化测试值和电芯标签构建训练集;根据所述训练集对梯度提升决策树模型进行训练,确定所述梯度提升决策树模型的损失值;响应于所述梯度提升决策树模型的损失值低于预设损失阈值,确定训练后的梯度提升决策树模型。
10、在一些实施例中,所述深度学习模型的训练过程,包括:将历史生产数据划分为标注数据集与未标注数据集;生成所述未标注数据集的正样本对,通过对比学习法最大化所述正样本对的相似度,得到预训练的模型;通过交叉熵损失函数对所述标注数据集进行训练,得到预测结果与真实标签的损失值;根据所述预测结果与真实标签的损失值更新所述预训练的模型的参数,得到深度学习模型。
11、在一些实施例中,所述云端的质量模型与所述边缘端部署的本地模型知识蒸馏的步骤,包括:将训练样本分别输入所述云端的质量模型与所述边缘端部署的本地模型,得到教师模型输出与学生模型输出,其中,所述教师模型为所述云端的质量模型,所述学生模型为所述边缘端部署的本地模型;根据所述教师模型输出与所述学生模型输出,确定蒸馏损失;对所述蒸馏损失与所述学生模型的交叉熵损失加权求和,确定总损失;根据所述总损失更新所述边缘端部署的本地模型的参数。
12、在一些实施例中,所述云端的质量模型与所述边缘端部署的本地模型的参数更新步骤,包括:所述云端接收所述边缘端发送的本地模型参数变化量,其中所述本地模型参数变化量为本地模型的梯度和/或权重的变化;根据所述边缘端对应的本地数据集大小对所述本地模型参数变化量进行加权聚合,得到全局模型更新参数;将所述全局模型更新参数发送至所述边缘端。
13、根据本公开实施例的第二方面,提供一种组电池盖装备,包括:设备端、边缘端与云端;
14、所述设备端包括多台工业相机与运动控制系统;
15、所述多台工业相机用于采集物料图像,所述运动控制系统与所述边缘端通过以太网线连接,用于执行压合动作;
16、所述边缘端包括边缘计算模块与网络接口,所述边缘计算模块分别与所述多台工业相机和所述运动控制系统通信连接,用于接收所述物料图像并输出控制指令;
17、所述网络接口包括第一网络接口和第二网络接口,所述第一网络接口用于与制造执行系统和云端服务器数据通信,所述第二网络接口用于与所述第一网络接口形成聚合组以提供冗余备份;
18、所述云端包括云端服务器,通过所述第一网络接口与所述边缘计算模块通信连接,用于向所述边缘计算模块下发模型和参数。
19、根据本公开实施例的第三方面,提供一种电池盖组装良率优化装置,包括:处理器;
20、用于存储处理器可执行指令的存储器;
21、其中,处理器被配置为执行如第一方面所示的电池盖组装良率优化方法。
22、根据本公开实施例的第四方面,提供一种非临时性计算机可读存储介质,非临时性计算机可读存储介质中存储有计算机执行指令,所述计算机被执行时用于实现上述第一方面提供的电池盖组装良率优化方法。
23、本公开的实施例提供的电池盖组装良率优化方法、组电池盖装备、装置及存储介质,通过设计设备端、边缘端与云端三层协同架构的电池盖组装良率自优化方法,在设备端多台工业相机完成图像采集后,由边缘端部署的本地模型实时进行物料质量判定,判定合格后发送控制指令至运动控制系统并将工艺参数上传云端,云端根据工艺参数生成优化后的模型参数并下发至边缘端更新本地模型,解决了现有方案中参数依赖人工设定、无法适应多供应商与多批次物料变化的问题,利用边缘端的本地模型推理保障了产线不受网络波动影响,利用云端更新模型参数,优化边缘端本地模型的参数,无需人工设置,提升了产能的良率。
24、应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
1.一种电池盖组装良率优化方法,其特征在于,组电池盖装备,包括设备端、边缘端与云端,所述设备端包括多台工业相机与运动控制系统;所述方法,包括:
2.根据权利要求1所述的电池盖组装良率优化方法,其特征在于,所述边缘端根据部署的本地模型进行物料质量判定,输出质量判定结果,包括:
3.根据权利要求1所述的电池盖组装良率优化方法,其特征在于,所述边缘端根据所述优化后的模型参数更新所述本地模型,包括:
4.根据权利要求1所述的电池盖组装良率优化方法,其特征在于,所述云端的质量模型包括梯度提升决策树模型与深度学习模型,所述梯度提升决策树模型的训练过程,包括:
5.根据权利要求4所述的电池盖组装良率优化方法,其特征在于,所述深度学习模型的训练过程,包括:
6.根据权利要求1所述的电池盖组装良率优化方法,其特征在于,所述云端的质量模型与所述边缘端部署的本地模型知识蒸馏的步骤,包括:
7.根据权利要求1所述的电池盖组装良率优化方法,其特征在于,所述云端的质量模型与所述边缘端部署的本地模型的参数更新步骤,包括:
8.一种组电池盖装备,其特征在于,包括:设备端、边缘端与云端;
9.一种电池盖组装良率优化装置,其特征在于,包括:
10.一种非临时性计算机可读存储介质,其特征在于,当所述存储介质中的指令由移动终端的处理器执行时,使得移动终端能够执行如权利要求1至7中任一项所述的电池盖组装良率优化方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com