一种涂板过程的质量异常监控与诊断方法和系统技术方案

本发明专利技术提供一种涂板过程的质量异常监控与诊断方法和系统，监控与诊断方法包括如下步骤：建立用于表示质量图像与异常类别之间映射关系的深度学习网络模型；所述深度学习网络模型包括第一卷积层、第一池化层、第二卷积层、第二池化层和全连接层；获取极板的质量图像样本，采用极板的质量图像对所述深度学习网络模型进行训练，得到训练后的深度学习网络模型；在涂板过程中检测极板的厚度，并根据极板的厚度得到极板的质量图像；然后将极板的质量图像输入到训练后的深度学习网络模型中，得到极板的异常类别。本发明专利技术所提供的技术方案可在对涂板过程进行质量监控时，通过极板的厚度变化识别出其异常类别。

A method and system for monitoring and diagnosing abnormal quality in coating process

【技术实现步骤摘要】
一种涂板过程的质量异常监控与诊断方法和系统
本专利技术属于极板涂板过程质量检测
，具体涉及一种涂板过程的质量异常监控与诊断方法和系统。
技术介绍
涂板过程是指铅膏与板栅形成极板的过程，所形成极板是铅酸蓄电池电化反应的主体部分，其质量的优劣直接影响到电池的使用寿命和电容量。而厚度为涂板过程的关键质量特性，涂板过程中涂抹厚度不均匀会对极板配组率产生重要影响，进而影响电池的性能。目前，铅酸蓄电池涂板过程的质量异常监控与诊断方法通常先使用控制图进行监控。如控制图报警，操作人员再介入查找报警原因，并对其进行消除。控制图报警的滞后性使得其难以用于自动化生产线。授权公告号为CN207263278U的中国专利技术专利公开的一种涂板过程的在线监控装置，包括电子秤、显示屏和主计算机，对每片极板称重并将数据传输至屏幕和主计算机。当主计算机发现极板重量接近或超过公差限时触动报警，监测到的重量数值会现实在屏幕上，操作人员需要对涂板机的参数进行调整。该方法的缺点在于：涂板过程具有高腐蚀的特点，而电子秤大都为接触式，强酸的腐蚀会造成电子秤的损坏进而造成称重结果的不可靠。并且这种检测方法难以用于自动化涂板生产线。自动化涂板线每分钟可生产120-150片极板，该方法难以实现极板的全检。涂板过程本身生产精度不高，该方法只关注单个极板的测量值是否超过公差限，一旦超过公差限就调整涂板机会造成过度调整，从而导致过程的不稳定。授权公告号为CN201607195U的中国专利技术专利公开了了一种极板厚度测量装置，能够方便有效的对极板堆高厚度进行测量，克服了游标卡尺的弊端。该装置虽成本低，但只能通过抽样的方式检测极板的质量，无法满足自动化程度日益提高的生产线。涂板过程大都完成了在线监控与诊断装置的换装，但目前缺乏先进的监控与诊断的方法作为配套，难以实现真正的生产智能化。控制图方法仅能识别出过程的正常和异常，无法识别出异常类别、难以进行下一步诊断。综上所述，现有技术中的对涂板过程进行质量监控时，存在不能识别异常类别的问题。
技术实现思路
本专利技术的目的是提供一种涂板过程的质量异常监控与诊断方法和系统，以解决现有技术中在对涂板过程进行质量监控时，无法识别异常类别的问题。为实现上述目的，本专利技术采用如下技术方案：一种涂板过程的质量异常监控与诊断方法，其特征在于，包括如下步骤：(1)建立用于表示质量图像与异常类别之间映射关系的深度学习网络模型；所述深度学习网络模型包括第一卷积层、第一池化层、第二卷积层、第二池化层和全连接层；(2)获取极板的质量图像样本，采用极板的质量图像对所述深度学习网络模型进行训练，得到训练后的深度学习网络模型；(3)在涂板过程中检测极板的厚度，并根据极板的厚度得到极板的质量图像；然后将极板的质量图像输入到训练后的深度学习网络模型中，得到极板的异常类别。进一步的，获取极板的质量图像样本的方法为：从历史数据中获取极板的厚度数据样本；对厚度数据样本进行归一化处理，并对归一化处理后的厚度数据样本进行聚类分析；将聚类分析后的极板的厚度数据样本映射到灰度图像中，得到极板的质量图像样本。进一步的，将聚类分析后的厚度数据样本乘以255后取整，得到极板的质量图像样本。进一步的，将极板的质量图像输入到训练好的深度学习网络模型中后，得到极板质量图像属于各异常类别的概率，将概率最大的异常类别作为质量图像对应的异常类别。一种涂板过程的质量异常监控与诊断系统，包括处理器和存储器，所述存储器上存储有用于在处理器上执行的计算机程序；所述处理器执行所述计算机程序时，实现如下步骤：(1)建立用于表示质量图像与异常类别之间映射关系的深度学习网络模型；所述深度学习网络模型包括第一卷积层、第一池化层、第二卷积层、第二池化层和全连接层；(2)获取极板的质量图像样本，采用极板的质量图像对所述深度学习网络模型进行训练，得到训练后的深度学习网络模型；(3)在涂板过程中检测极板的厚度，并根据极板的厚度得到极板的质量图像；然后将极板的质量图像输入到训练后的深度学习网络模型中，得到极板的异常类别。进一步的，获取极板的质量图像样本的方法为：从历史数据中获取极板的厚度数据样本；对厚度数据样本进行归一化处理，并对归一化处理后的厚度数据样本进行聚类分析；将聚类分析后的极板的厚度数据样本映射到灰度图像中，得到极板的质量图像样本。进一步的，将聚类分析后的厚度数据样本乘以255后取整，得到极板的质量图像样本。进一步的，将极板的质量图像输入到训练好的深度学习网络模型中后，得到极板质量图像属于各异常类别的概率，将概率最大的异常类别作为质量图像对应的异常类别。本专利技术的有益效果：本专利技术所提供的技术方案，首先建立用于表示质量图像与异常类别之间映射关系的深度学习网络模型，然后检测涂板过程中极板的厚度，根据极板的厚度得到极板的质量图像，最后结合深度学习网络模型得到涂板的异常类别。本专利技术所提供的技术方案可在对涂板过程进行质量监控时，通过极板的厚度识别出其异常类别。附图说明图1是本专利技术方法实施例中涂板过程生产线的结构示意图；图2是本专利技术方法实施例中涂板过程的质量异常监控与诊断方法的流程图。具体实施方式方法实施例：本实施例提供一种涂板过程的质量异常监控与诊断方法，用于解决现有技术中对涂板过程监控效果差的问题。本实施例所提供的涂板过程的质量异常监控与诊断方法，其所用到的涂板过程生产线如图1所示，在生产线上安装有涂料机1、淋酸喷头2、激光测厚仪4和表面干燥机5。板栅7放置在传送带上，铅膏6从涂板机1中输出，涂在传送带上的板栅7上形成极板3，淋酸喷头2对极板3进行喷酸，激光测厚仪4检测传送带上极板3的厚度。传送带将极板3传输到表面干燥机5内进行干燥。本实施例所提供的涂板过程的质量异常监控与诊断方法，其流程如图1所示，包括如下步骤：(1)建立用于表示极板质量图像与异常类别之间映射关系的深度学习网络模型。本实施例中建立的深度学习网络模型为卷积神经网络模型，其结构包括第一卷积层、第一池化层、第二卷积层、第二池化层和全连接层，深度学习网络模型输入极板的质量图像，输出质量图像属于的异常类别。其中，第一卷积层的卷积核数量设为25，卷积核尺寸为3×3；第一池化层的池化函数为最大值池化；第二卷积层的卷积核数量设为50，卷积核尺寸为3×3；第二池化层的池化函数为最大值池化；全连接层的节点数量为200。(2)获取极板的厚度数据样本，根据极板的厚度数据样本得到极板的质量图像样本，采用质量图像样本对建立的深度学习网络模型进行训练，得到训练后的深度学习网络模型。本实施例中采用激光测厚仪获取极板的厚度数据样本，在时间段T1中每个时刻涂板机产生一个极板，其中在时间段T1＝{t1,t2,...,tn}。激光测厚仪采集极板的厚度，其中每个极板对各不同的位置进行厚度测量，得到测试数本文档来自技高网...

【技术保护点】
1.一种涂板过程的质量异常监控与诊断方法，其特征在于，包括如下步骤：/n(1)建立用于表示质量图像与异常类别之间映射关系的深度学习网络模型；所述深度学习网络模型包括第一卷积层、第一池化层、第二卷积层、第二池化层和全连接层；/n(2)获取极板的质量图像样本，采用极板的质量图像对所述深度学习网络模型进行训练，得到训练后的深度学习网络模型；/n(3)在涂板过程中检测极板的厚度，并根据极板的厚度得到极板的质量图像；然后将极板的质量图像输入到训练后的深度学习网络模型中，得到极板的异常类别。/n

【技术特征摘要】
1.一种涂板过程的质量异常监控与诊断方法，其特征在于，包括如下步骤：
(1)建立用于表示质量图像与异常类别之间映射关系的深度学习网络模型；所述深度学习网络模型包括第一卷积层、第一池化层、第二卷积层、第二池化层和全连接层；
(2)获取极板的质量图像样本，采用极板的质量图像对所述深度学习网络模型进行训练，得到训练后的深度学习网络模型；
(3)在涂板过程中检测极板的厚度，并根据极板的厚度得到极板的质量图像；然后将极板的质量图像输入到训练后的深度学习网络模型中，得到极板的异常类别。


2.根据权利要求1所述的涂板过程的质量异常监控与诊断方法，其特征在于，获取极板的质量图像样本的方法为：
从历史数据中获取极板的厚度数据样本；
对厚度数据样本进行归一化处理，并对归一化处理后的厚度数据样本进行聚类分析；
将聚类分析后的极板的厚度数据样本映射到灰度图像中，得到极板的质量图像样本。


3.根据权利要求2所述的涂板过程的质量异常监控与诊断方法，其特征在于，将聚类分析后的厚度数据样本乘以255后取整，得到极板的质量图像样本。


4.根据权利要求1所述的涂板过程的质量异常监控与诊断方法，其特征在于，将极板的质量图像输入到训练好的深度学习网络模型中后，得到极板质量图像属于各异常类别的概率，将概率最大的异常类别作为质量图像对应的异常类别。


5.一种涂板过程的质量异常监控与诊断系...

【专利技术属性】
技术研发人员：刘玉敏，赵哲耘，
申请(专利权)人：郑州大学，
类型：发明
国别省市：河南;41