基于大数据模型与跨模态交互的铸造漏液检测方法与流程

本发明涉及工业检测，具体为基于大数据模型与跨模态交互的铸造漏液检测方法。

背景技术：

1、在铸造生产过程中，尤其是在汽车传动壳体、变速器壳体、差速器壳体等复杂结构零部件的制造过程中，熔融金属液需要按照预设路径完成充型、保压和凝固等工艺步骤，由于生产节拍快、模具结构复杂以及现场工况变化频繁，生产企业通常利用视觉数据、温度数据、声音数据以及设备运行数据等多源信息对浇注状态进行监测分析，以便及时发现生产过程中的异常情况并保障铸件质量与生产安全。

2、现有铸造漏液检测方式通常通过对采集到的多源数据进行实时分析，当检测结果达到预设报警条件时触发漏液报警，而对于未达到报警条件但已经表现出轻微异常特征的数据往往直接作为正常数据处理，例如分型面局部短时温升、浇口区域间歇性异常声学变化或者模具边缘偶发异常热斑等情况虽然可能被检测模型识别为疑似异常，但由于单次异常程度较低而无法形成有效报警，因此这些异常信息在后续检测过程中通常不会被持续关注和利用。

3、实际上在部分漏液事故发生之前，同一模具的同一结构区域往往会在连续多个生产炉次中反复出现上述未达到报警条件的疑似异常现象，这类异常虽然不会立即引发漏液报警，但其出现频率和持续程度会随着模具磨损、结构间隙变化或者局部密封性能下降而逐渐增加，如果长期缺乏针对该类未报警疑似异常的关联分析与持续跟踪，则容易导致潜在漏液隐患无法被提前识别，最终在生产过程中演变为突发漏液事故，进而造成停线、模具损伤、铸件报废率上升以及生产成本增加等问题。

技术实现思路

1、针对现有技术的不足，本发明提供了基于大数据模型与跨模态交互的铸造漏液检测方法，解决了背景技术中提到的问题。

2、为实现以上目的，本发明通过以下技术方案予以实现：基于大数据模型与跨模态交互的铸造漏液检测方法，包括如下步骤：

3、s1：获取当前铸造炉次对应的铸造监测数据和模具炉次标识数据，并将所述铸造监测数据按照预设的模具结构区域划分结果输入大数据模型进行跨模态异常识别，生成各结构区域对应的结构区域疑似漏液识别结果；

4、s2：将所述结构区域疑似漏液识别结果分别与预设的漏液报警条件和预设的疑似异常记忆条件进行比较，当所述结构区域疑似漏液识别结果未达到所述漏液报警条件且达到所述疑似异常记忆条件时，生成对应结构区域的未报警疑似异常记忆事件；

5、s3：基于所述模具炉次标识数据，将所述未报警疑似异常记忆事件写入对应的结构区域隐患记忆库，并在所述结构区域隐患记忆库中形成同一模具结构区域在多个铸造炉次中的未报警疑似异常记忆序列；

6、s4：对所述未报警疑似异常记忆序列中的重复出现特征进行关联分析，生成对应模具结构区域的结构区域隐患记忆结果；

7、s5：根据所述结构区域隐患记忆结果判断对应模具结构区域是否满足预设的漏液隐患预警条件，若满足所述漏液隐患预警条件，则输出漏液隐患预警结果。

8、优选的，所述步骤s1包括：

9、s11、通过铸造现场已有的图像采集装置采集当前铸造炉次对应的可见光图像数据和温度图像数据，并将所述可见光图像数据和所述温度图像数据定义为铸造监测数据；

10、s12、从铸造生产管理系统或铸造设备控制系统中获取当前铸造炉次对应的模具编号、炉次编号和浇注时间信息，并将所述模具编号、所述炉次编号和所述浇注时间信息定义为模具炉次标识数据；

11、s13、将所述铸造监测数据和所述模具炉次标识数据传输至大数据模型处理端，并按照所述浇注时间信息对所述可见光图像数据和所述温度图像数据进行时间对齐处理；

12、s14、将时间对齐处理后的所述铸造监测数据按照预设的模具结构区域划分结果输入大数据模型进行跨模态异常识别，生成各结构区域对应的结构区域疑似漏液识别结果；

13、所述模具结构区域划分结果通过如下步骤获得：

14、a1、获取铸造模具对应的模具图像或模具结构图；

15、a2、根据铸造模具中的浇口区域、冒口区域、分型面区域和模具边缘区域，对所述模具图像或所述模具结构图进行区域划分，获得多个结构区域；

16、a3、为每个结构区域配置唯一对应的结构区域编号；

17、a4、将多个结构区域以及各结构区域对应的所述结构区域编号定义为所述模具结构区域划分结果。

18、优选的，所述结构区域疑似漏液识别结果通过如下步骤获得：

19、b1、根据所述模具结构区域划分结果和所述结构区域编号，将所述可见光图像数据和所述温度图像数据分别映射至对应结构区域；

20、b2、通过所述大数据模型对映射至同一所述结构区域编号的所述可见光图像数据和所述温度图像数据进行跨模态异常识别；

21、b3、根据跨模态异常识别结果获得对应结构区域的异常区域位置、异常持续时间、异常影响范围和异常强度；

22、b4、将同一所述结构区域编号对应的所述异常区域位置、所述异常持续时间、所述异常影响范围和所述异常强度组合生成所述结构区域疑似漏液识别结果。

23、优选的，所述异常区域位置由所述可见光图像数据和所述温度图像数据中对应异常区域的重合位置确定，所述异常影响范围由所述异常区域位置在对应结构区域内覆盖的图像区域范围确定，所述异常强度由所述温度图像数据中的异常温度差值和所述可见光图像数据中的异常亮度变化共同确定。

24、优选的，所述步骤s2包括：

25、s21、将所述结构区域疑似漏液识别结果与预设的漏液报警条件进行比较，获得漏液报警比较结果；

26、s22、将未达到所述漏液报警条件的所述结构区域疑似漏液识别结果继续与预设的疑似异常记忆条件进行比较，获得疑似异常记忆比较结果；

27、s23、当所述漏液报警比较结果为未达到所述漏液报警条件，且所述疑似异常记忆比较结果为达到所述疑似异常记忆条件时，将对应结构区域确定为未报警疑似异常结构区域；

28、s24、其中，所述疑似异常记忆条件为所述异常持续时间达到异常持续时间记录条件、所述异常影响范围达到异常影响范围记录条件和所述异常强度达到异常强度记录条件中的至少两项。

29、优选的，所述未报警疑似异常记忆事件通过如下步骤生成：

30、c1、提取所述未报警疑似异常结构区域对应的所述模具编号、所述炉次编号、所述结构区域编号、所述异常区域位置、所述异常持续时间、所述异常影响范围和所述异常强度；

31、c2、根据所述浇注时间信息生成对应的事件生成时间；

32、c3、将所述模具编号、所述炉次编号、所述结构区域编号、所述异常区域位置、所述异常持续时间、所述异常影响范围、所述异常强度和所述事件生成时间组合为所述未报警疑似异常记忆事件；

33、c4、将所述未报警疑似异常记忆事件定义为未触发漏液报警但进入隐患记忆处理的数据对象。

34、优选的，所述步骤s3包括：

35、s31、按照所述模具编号和所述结构区域编号建立对应的结构区域隐患记忆库；

36、s32、将所述未报警疑似异常记忆事件写入与所述模具编号和所述结构区域编号对应的所述结构区域隐患记忆库；

37、s33、在所述结构区域隐患记忆库中按照所述炉次编号对多个所述未报警疑似异常记忆事件进行排序；

38、s34、将同一所述模具编号和同一所述结构区域编号下按照所述炉次编号排序后的多个所述未报警疑似异常记忆事件定义为未报警疑似异常记忆序列。

39、优选的，所述步骤s4包括：

40、s41、从所述未报警疑似异常记忆序列中读取多个所述未报警疑似异常记忆事件；

41、s42、统计所述未报警疑似异常记忆事件的数量并定义为重复出现次数；

42、s43、根据相邻两个所述未报警疑似异常记忆事件对应的所述炉次编号计算多个相邻炉次编号差值，并将多个相邻炉次编号差值中的最大值定义为炉次间隔；

43、s44、根据多个所述未报警疑似异常记忆事件对应的所述异常区域位置计算多个所述异常区域位置之间的重合面积占并集面积的比例，并将计算结果定义为异常区域位置重合情况；

44、s45、将所述重复出现次数、所述炉次间隔和所述异常区域位置重合情况定义为重复出现特征。

45、优选的，所述步骤s4还包括：

46、s46、将所述重复出现次数与预设的预设重复次数条件进行比较，获得重复次数比较结果，将所述炉次间隔与预设的预设最大炉次间隔条件进行比较，获得炉次间隔比较结果，并将所述异常区域位置重合情况与预设的预设区域重合条件进行比较，获得区域重合比较结果；

47、s47、当所述重复次数比较结果为所述重复出现次数达到所述预设重复次数条件，所述炉次间隔比较结果为所述炉次间隔不大于所述预设最大炉次间隔条件，且所述区域重合比较结果为所述异常区域位置重合情况达到所述预设区域重合条件时，将对应结构区域确定为候选漏液隐患结构区域；

48、s48、根据预设的预设隐患等级映射关系确定所述候选漏液隐患结构区域对应的隐患等级，并生成包括所述候选漏液隐患结构区域和所述隐患等级的结构区域隐患记忆结果，其中，所述预设隐患等级映射关系为根据所述重复出现次数、所述炉次间隔和所述异常区域位置重合情况确定所述隐患等级的对应关系。

49、优选的，所述步骤s5包括：

50、s51、当所述隐患等级满足预设的漏液隐患预警条件时，将所述候选漏液隐患结构区域确定为漏液隐患结构区域，并输出包括所述漏液隐患结构区域、所述模具编号、所述炉次编号和所述隐患等级的漏液隐患预警结果。

51、本发明提供了基于大数据模型与跨模态交互的铸造漏液检测方法，具备以下有益效果：

52、（1）系统运行时，通过将铸造过程中的可见光图像数据、温度图像数据、模具编号、炉次编号以及浇注时间信息进行关联处理，实现对铸造过程中异常现象的跨模态识别与连续跟踪，相较于仅依赖单次检测结果进行漏液判断的方式，本发明不仅能够识别已经达到报警条件的漏液异常，还能够对未达到报警条件但具有潜在风险的疑似异常进行保留和持续分析，从而避免轻微异常因单次表现不明显而被直接忽略的问题；同时，本发明以模具结构区域作为分析对象，使异常识别结果能够对应到具体的浇口区域、冒口区域、分型面区域或模具边缘区域，提升异常定位的准确性，并进一步结合多个炉次中的异常出现情况进行关联判断，使原本分散、孤立的异常信息能够形成具有连续性的隐患信息；此外，本发明利用重复出现次数、炉次间隔以及异常区域位置重合情况对未报警疑似异常进行记忆分析，能够识别同一模具同一结构区域中长期重复出现且位置集中的异常现象，从而在实际漏液发生之前提前发现潜在漏液隐患，实现从单次异常检测向长期隐患识别的转变，不仅提高了漏液检测的准确性和稳定性，而且有助于现场人员提前开展模具维护、工艺调整和风险排查工作，降低因漏液导致的铸件缺陷、模具损伤、生产中断以及批量报废风险，提高铸造生产过程的可靠性和产品质量稳定性。

53、（2）本方法将铸造过程中的图像信息、温度信息、模具信息和炉次信息结合起来进行漏液检测，不仅能够识别已经达到报警程度的漏液异常，还能够保留未达到报警条件但具有疑似漏液表现的数据，使原本容易被忽略的轻微异常能够被持续分析，从而提前发现同一模具同一结构区域中的潜在漏液隐患，降低突发漏液、停线、模具损伤和铸件报废的风险。

54、（3）在数据获取和疑似异常识别方面，本方法利用可见光图像数据和温度图像数据共同确定铸造监测数据，并结合模具编号、炉次编号和浇注时间信息进行时间对齐，使不同来源的数据能够对应到同一铸造炉次；同时，基于模具结构区域划分结果，将异常识别结果直接对应到浇口区域、冒口区域、分型面区域和模具边缘区域，并通过异常区域位置、异常持续时间、异常影响范围和异常强度描述疑似漏液表现，提高了异常定位的准确性和后续判断的数据基础可靠性。

55、（4）在隐患记忆和预警方面，本方法将未达到漏液报警条件但达到疑似异常记忆条件的结构区域确定为未报警疑似异常结构区域，并生成未报警疑似异常记忆事件，按照模具编号和结构区域编号形成未报警疑似异常记忆序列，再利用重复出现次数、炉次间隔和异常区域位置重合情况判断异常是否具有重复性和位置集中性，进而形成结构区域隐患记忆结果和漏液隐患预警结果，使漏液检测由单次异常判断延伸为多炉次隐患识别，提高了对渐进式漏液风险的提前发现能力。