CN108388237B - 一种离散制造设备的故障诊断方法、装置、设备及介质 - Google Patents
一种离散制造设备的故障诊断方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN108388237B CN108388237B CN201810337164.1A CN201810337164A CN108388237B CN 108388237 B CN108388237 B CN 108388237B CN 201810337164 A CN201810337164 A CN 201810337164A CN 108388237 B CN108388237 B CN 108388237B
- Authority
- CN
- China
- Prior art keywords
- fault
- discrete manufacturing
- neural network
- manufacturing equipment
- fault diagnosis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 133
- 238000003745 diagnosis Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004364 calculation method Methods 0.000 claims abstract description 41
- 238000003860 storage Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims description 57
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000013079 data visualisation Methods 0.000 claims description 5
- 230000007257 malfunction Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 239000000463 material Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011084 recovery Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种离散制造设备的故障诊断方法，包括获取离散制造设备的运行数据，并根据预设的计算规则对运行数据进行计算得出运行结果，再利用预先设置的故障诊断知识库查询运行结果对应的故障信息，从而避免了每次都需要人为地通过运行数据得出离散制造设备的故障信息，不依赖人工的时间和精力和各个技术人员的技术水平，能够及时有效地对离散制造设备进行故障诊断。本申请还公开了一种离散制造设备的故障诊断装置、设备及计算机可读存储介质，均具有上述有益效果。
Description
技术领域
本发明涉及设备检测领域，特别涉及一种离散制造设备的故障诊断方法、装置、设备及计算机可读存储介质。
背景技术
随着工业设备的自动化程度日益增高，设备控制工艺变得越来越繁杂和精密。在一些离散式生产(例如机械制造、电子设备制造的生产)中，离散制造设备一旦发生故障，轻则降低企业的生产效率，重则设备停机，造成重大经济损失，甚至发生危及生命安全的恶性事故。因此，迫切需要对离散制造设备进行准确的故障诊断，以便进行快速的维修，从而尽可能地减少生产上的损失。
由于离散制造设备的复杂性，现有的对离散制造设备的故障诊断方式都是在获取设备的运行数据之后，等待技术人员到达生产设备现场，然后技术人员根据获取到的运行数据对离散制造设备的故障进行诊断，这种方式严重依赖人工的时间和精力以及各个技术人员的技术水平，因此不能及时且有效地对离散制造设备进行故障诊断，从而影响工业制造的效率，造成生产上的损失。
因此，如何提供一种能够及时有效的对离散制造设备进行故障诊断的方法是本领域技术人员目前需要解决的技术问题。
发明内容
有鉴于此，本发明的目的在于提供一种离散制造设备的故障诊断方法，能够及时有效的对离散制造设备进行故障诊断；本发明的另一目的是提供一种离散制造设备的故障诊断装置、设备及计算机可读存储介质，均具有上述有益效果。
为解决上述技术问题，本发明提供一种离散制造设备的故障诊断方法，包括：
获取离散制造设备的运行数据；
根据预设的计算规则对所述运行数据进行计算，得到运行结果；
利用预先设置的故障诊断知识库查询所述运行结果对应的故障信息。
优选地，在所述根据预设的计算规则对所述运行数据进行计算，得到运行结果之后进一步包括：
判断所述故障诊断知识库中是否存在所述运行结果对应的故障信息；
若否，则获取与所述运行结果对应的故障信息并存储于所述故障诊断知识库中，并进入所述利用预先设置的故障诊断知识库查询所述运行结果对应的故障信息的步骤。
优选地，所述获取离散制造设备的运行数据具体包括：
利用离散设备云终端将所述运行数据进行分类，并将分类后的所述运行数据存储于离散制造设备数据库。
优选地，进一步包括：
根据所述故障信息判断当前的故障是否为可调节故障；
若是，则利用所述运行数据和预设的样本值计算神经网络模型的计算误差；
利用所述神经网络模型的计算误差计算神经网络权重修正值，并利用所述神经网络权重修正值修正神经网络的权重；
根据离散制造设备的故障误差值和所述神经网络的权重，并利用神经网络激活函数计算出神经网络节点的输出值；
根据所述神经网络节点的输出值调整离散制造设备的输入信号，使得运行数据在预设范围内。
优选地，在所述根据所述故障信息判断当前的故障是否为可调节故障之后，进一步包括：
若否，则发出提示信息。
优选地，进一步包括：
利用数据可视化工具显示所述运行数据。
为解决上述技术问题，本发明还提供一种离散制造设备的故障诊断装置，包括：
获取模块，用于获取离散制造设备的运行数据；
计算模块，用于根据预设的计算规则对所述运行数据进行计算，得到运行结果；
查询模块，用于利用预先设置的故障诊断知识库查询所述运行结果对应的故障信息。
为解决上述技术问题，本发明还提供一种离散制造设备的故障诊断设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现上述任一种离散制造设备的故障诊断方法的步骤。
为解决上述技术问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种离散制造设备的故障诊断方法的步骤。
本发明提供的离散制造设备的故障诊断方法，包括获取离散制造设备的运行数据，并根据预设的计算规则对运行数据进行计算得出运行结果，再利用预先设置的故障诊断知识库查询运行结果对应的故障信息，从而避免了每次都需要人为地通过运行数据得出离散制造设备的故障信息，不依赖人工的时间和精力和各个技术人员的技术水平，能够及时有效地对离散制造设备进行故障诊断。
为解决上述技术问题，本发明还提供了一种离散制造设备的故障诊断装置、设备及计算机可读存储介质，均具有上述有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种离散制造设备的故障诊断方法的流程图；
图2为本发明实施例提供的另一种离散制造设备的故障诊断方法的流程图；
图3为本发明实施例提供的一种离散制造设备的故障诊断装置的结构图；
图4为本发明实施例提供的一种离散制造设备的故障诊断设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例的核心是提供一种离散制造设备的故障诊断方法，能够及时有效的对离散制造设备进行故障诊断；本发明的另一核心是提供一种离散制造设备的故障诊断装置、设备及计算机可读存储介质，均具有上述有益效果。
为了使本领域技术人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。
图1为本发明实施例提供的一种离散制造设备的故障诊断方法的流程图，如图1所示，一种离散制造设备的故障诊断方法包括：
S10：获取离散制造设备的运行数据。
在具体实施中，一般的，离散制造车间中有多条生产线，每一条生产线上存在多台离散制造设备，根据实际需求获取预先选择的离散制造设备的运行数据。具体的，运行数据可以包括设备编号、设备运行时间、设备运行程序名称、设备生产单个零件的时间、设备各部分的位置、温度、承载力、速度、零件实时数量、零件细节参数、物料信息等。对应的，可以通过不同的信息采集装置获取离散制造设备的运行数据，例如，通过伺服驱动器如PLC(Programmable Logic Controller，可编程逻辑控制器)、DSP(Digital SignalProcessor，数字信号处理器)等的数控内核采集离散制造设备的设备编号、设备运行时间、设备运行程序名称、设备生产单个零件的时间等信息，利用速度传感器、位置传感器、温度传感器、压力传感器、光电开关等分别获取离散制造设备的设备各部分的速度、位置、温度、承载力等信息；利用视觉检测系统、RFID(Radio Frequency Identification，射频识别技术)、无线传感器采集零件实时数量、零件细节参数、物料信息等信息。需要说明的是，本实施例对信息采集装置的类型及装置的型号不做限定。另外需要说明的是，离散制造设备的运行数据一般包括利用多种不同的信息采集装置获取的数据，通过采集多种不同的数据，便于后续的计算，提高故障诊断的准确性。
S20：根据预设的计算规则对运行数据进行计算，得到运行结果。
具体的，在获取到离散制造设备的运行数据后，根据预设的计算规则对运行数据进行计算，从而得到运行结果。需要说明的是，计算规则可以是根据实际生产过程中的经验得出或者通过长时间的大数据学习得出，本实施例对计算规则不做限定。
需要说明的是，同一离散制造设备的计算规则可以只有一个，也可以是有多个，本实施例对此不做限定。另外，也可以将计算规则存储于故障诊断知识库中，以提高计算的效率。
S30：利用预先设置的故障诊断知识库查询运行结果对应的故障信息。
需要说明的是，故障诊断知识库具体为根据运行结果与故障信息对应关系的数据库。在计算出运行结果之后，在预先设置的故障知识库中查询与计算出的运行结果对应的故障信息。具体的，故障信息可以包括故障类型、故障部位和故障原因。
例如，假设A为伺服电动机速度，B为油泵压力，C为零件实时数量，D为物料数量，α、β、γ和δ为系数，根据预设的计算规则αA+βB+γC+δD计算出运行结果，因此根据运行结果在预先设置的故障诊断知识库中查询该运行结果对应的故障信息，假设运行结果为伺服电动机的速度不为0，并且油泵压力过低，零件的实时数量不增长，物料数量不减少，且αA+βB+γC+δD＜|F|，则根据查询结果得出故障为油泵损坏或者油面过底。
本发明实施例提供的离散制造设备的故障诊断方法，包括获取离散制造设备的运行数据，并根据预设的计算规则对运行数据进行计算得出运行结果，再利用预先设置的故障诊断知识库查询运行结果对应的故障信息，从而避免了每次都需要人为地通过运行数据得出离散制造设备的故障信息，不依赖人工的时间和精力，能够及时有效地对离散制造设备进行故障诊断。
在上述实施例的基础上，本实施例对技术方案作了进一步的说明和优化，具体的，在根据预设的计算规则对运行数据进行计算，得到运行结果之后进一步包括：
判断故障诊断知识库中是否存在运行结果对应的故障信息；
若否，则获取与运行结果对应的故障信息并存储于故障诊断知识库中，并进入利用预先设置的故障诊断知识库查询运行结果对应的故障信息的步骤。
可以理解的是，由于故障诊断知识库中的运行结果及故障信息是通过长期的学习进行设置的，因此可能存在运行结果超出知识库范围无法识别的情况，也即在故障诊断知识库中查询不到对应的故障信息的情况。因此，作为优选的实施方式，本实施例可以通过故障诊断专家，例如设备供应商、工程师、企业技术人员等根据运行结果对离散制造设备进行在线、实时和协同诊断，即人为地根据运行数据进行诊断，获取对应的故障信息，同时将该运行结果及对应的故障信息存储于故障诊断知识库中，以更新故障诊断知识库。
在上述实施例的基础上，本实施例对技术方案作了进一步的说明和优化，具体的，获取离散制造设备的运行数据具体包括：
利用离散设备云终端将运行数据进行分类，并将分类后的运行数据存储于离散制造设备数据库。
需要说明的是，一般的，信息采集装置在获取到离散制造设备的运行数据之后，将获取到的运行数据直接存储至离散制造设备数据库中，然后再对运行数据按照预设的计算规则进行计算的步骤。作为优选的实施方式，本实施例中，在信息采集装置获取到离散制造设备的运行数据之后，先将运行数据暂存至离散设备云终端，并且利用离散设备云终端根据数据的类型将运行数据进行分类，再将分类后的运行数据存储至离散制造设备数据库中。
可以理解的是，通过利用离散设备云终端将运行数据进行分类后再存储至离散制造设备数据库，相较于直接将运行数据存储至离散制造设备数据库中的方式，本实施例在利用运行数据进行计算时提取数据更加便捷高效，同时，也便于操作者查看离散制造设备的运行数据，提高了用户体验。
图2为本发明实施例提供的另一种离散制造设备的故障诊断方法的流程图。在上述实施例的基础上，本实施例对技术方案作了进一步的说明和优化，具体的，进一步包括：
S40：根据故障信息判断当前的故障是否为可调节故障。
具体的，在获取到故障信息之后，进一步获取该故障信息对应的故障类型。故障类型包括可调节故障和不可调节故障，可调节故障为可以通过在线调节自主完成故障恢复的故障类型，不可调节故障即为不可以通过在线调节自主完成故障恢复的故障类型。
S50：若是，则利用运行数据和预设的样本值计算神经网络模型的计算误差。
当判断出故障类型为可调节故障时，则利用多层神经网络模型设置离散制造设备的故障恢复控制机制。具体的，利用运行数据和预设的样本值计算离散制造设备的神经网络模型的计算误差，更具体的，定义计算神经网络模型的计算误差的公式为：
E＝0.5∑(Ti-Yi)2，
其中，E为神经网络模型的计算误差，i为变量，且i一般为正整数，表示神经网络中同一层中的节点，也即离散制造设备中采集运行数据的节点，Ti为采集到的离散制造设备i节点的运行数据，Yi为离散制造设备i节点对应的预设的样本值，Ti-Yi为离散制造设备的故障误差值。
S60：利用神经网络模型的计算误差计算神经网络权重修正值，并利用神经网络权重修正值修正神经网络的权重。
具体的，利用神经网络模型的计算误差作为神经网络权重修正公式中的输入值，计算神经网络权重修正值。
在本实施例中，设置神经网络权重修正公式为：
其中，i、j表示神经网络中相邻两层中的节点，本实施例对神经网络的总层数不做限定。n表示当前时刻，n+1表示当前时刻的下一时刻，Wij(n)表示在当前时刻第i个神经网络节点到第j个神经网络节点的权重，例如，第1层的第3个节点到第2层的第4个节点的权重表示为W34(n)。E(n)为当前时刻的神经网络模型的计算误差，
表示对E(n)进行求导计算。h为常数，表示学习速率，优选的使用学习步长，且h的取值一般为0＜h＜1；α为标量，表示动量因子，具体的，
其中，
具体的，在利用神经网络模型的计算误差计算出神经网络权重修正值之后，利用神经网络权重修正值修正神经网络的权重。通过利用神经网络权重修正值修正神经网络的权重，提高神经网络权重的准确度，以便于后续利用神经网络的权重进行计算。
S70：根据离散制造设备的故障误差值和神经网络的权重，并利用神经网络激活函数计算出神经网络节点的输出值。
具体的，在计算下一个神经网络节点的输出值时，需要根据当前神经网络节点的输入值乘以对应的权重得到的值，并利用神经网络激活函数对得到的值进行格式化后输出给下一个神经网络节点，从而作为下一个神经网络节点的输入值，然后将下一个神经网络节点设置为当前神经网络节点并按照计算规则进行计算。需要说明的是，第一个神经网络节点的输入值为离散制造设备的故障误差值，即(Ti-Yi)。
需要说明的是，本实施例优选使用神经网络的激活函数Sigmoid型函数来激活神经网络当前神经网络节点的输入乘以对应的权重得到的值，当然，还可以使用其他的神经网络激活函数，本实施例对此不做限定。
S80：根据神经网络节点的输出值调整离散制造设备的输入信号，使得运行数据在预设范围内。
具体的，在计算出神经网络的输出值后，根据神经网络的输出值调整离散制造设备的输入信号，也就是说，根据神经网络的输出值调整离散制造设备的输入信号，从而调整离散制造设备的运行数据，使得离散制造设备的运行数据在预设范围内，也即使得离散制造设备的运行数据处于正常状态。
需要说明的是，在根据故障信息判断当前的故障是否为可调节故障之后，进一步包括：
S90：若否，则发出提示信息。
具体的，在对故障信息的故障类型进行判断之后，若判断出故障类型不是可调节故障，即为不可调节故障，则发出提示信息。具体的，提示信息可以是通过声音的形式发出，也可以是通过灯光或文字的形式发出，本实施例对此不做限定。也就是说，通过提示信息提醒操作者当前的故障为不可调节故障，以便于进行人为的调整例如将发生故障的生产线中需要加工的剩余物料合理分配至其他正常的生产线，从而避免没有及时排除故障导致降低生产效率。
在上述实施例的基础上，本实施例对技术方案作了进一步的说明和优化，具体的，进一步包括：
利用数据可视化工具显示运行数据。
需要说明的是，在获取到离散制造设备的运行数据之后，通过可视化工具对获取到的运行数据进行显示。具体的，数据可视化工具为一种允许利用图形、图像处理、计算机视觉以及用户界面，通过表达、建模以及对立体、表面、属性以及动画的显示，对数据加以可视化解释的工具，本实施例对可视化工具的类型不做限定。可见，通过数据可视化工具可以便于操作者更加直观地查看离散制造设备的运行数据，便于操作者了解离散制造设备的运行情况。
上文对于本发明提供的一种离散制造设备的故障诊断方法的实施例进行了详细的描述，本发明还提供了一种与该方法对应的离散制造设备的故障诊断装置、设备及计算机可读存储介质，由于装置、设备及计算机可读存储介质部分的实施例与方法部分的实施例相互照应，因此装置、设备及计算机可读存储介质部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
图3为本发明实施例提供的一种离散制造设备的故障诊断装置的结构图，如图所示，包括：
获取模块31，用于获取离散制造设备的运行数据；
计算模块32，用于根据预设的计算规则对运行数据进行计算，得到运行结果；
查询模块33，用于利用预先设置的故障诊断知识库查询运行结果对应的故障信息。
本发明提供的一种离散制造设备的故障诊断装置，具有上述一种离散制造设备的故障诊断方法的有益效果。
图4为本发明实施例提供的一种离散制造设备的故障诊断设备的结构图，包括：
存储器41，用于存储计算机程序；
处理器42，用于执行计算机程序时实现如上述公开的离散制造设备的故障诊断方法的步骤。
本发明提供的一种离散制造设备的故障诊断设备，具有上述一种离散制造设备的故障诊断方法的有益效果。
为解决上述技术问题，本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述公开的离散制造设备的故障诊断方法的步骤。
本实施例提供的计算机可读存储介质，具有上述离散制造设备的故障诊断方法的有益效果。
以上对本发明所提供的离散制造设备的故障诊断方法、装置、设备及计算机可读存储介质进行了详细介绍。本文中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
Claims (7)
1.一种离散制造设备的故障诊断方法，其特征在于，包括：
获取离散制造设备的运行数据；
利用离散设备云终端将所述运行数据进行分类，并将分类后的所述运行数据存储于离散制造设备数据库；
根据预设的计算规则对所述运行数据进行计算，得到运行结果；
利用预先设置的故障诊断知识库查询所述运行结果对应的故障信息；
根据故障信息判断当前的故障是否为可调节故障；
若是，则利用所述运行数据和预设的样本值计算神经网络模型的计算误差；
利用所述神经网络模型的计算误差计算神经网络权重修正值，并利用所述神经网络权重修正值修正神经网络的权重；
根据离散制造设备的故障误差值和所述神经网络的权重，并利用神经网络激活函数计算出神经网络节点的输出值，所述故障误差值表达式为Ti-Yi，Ti为采集到的离散制造设备i节点的运行数据，Yi为离散制造设备i节点对应的预设的样本值；
根据所述神经网络节点的输出值调整离散制造设备的输入信号，使得运行数据在预设范围内。
2.根据权利要求1所述的方法，其特征在于，在所述根据预设的计算规则对所述运行数据进行计算，得到运行结果之后进一步包括：
判断所述故障诊断知识库中是否存在所述运行结果对应的故障信息；
若否，则获取与所述运行结果对应的故障信息并存储于所述故障诊断知识库中，并进入所述利用预先设置的故障诊断知识库查询所述运行结果对应的故障信息的步骤。
3.根据权利要求1所述的方法，其特征在于，在所述根据所述故障信息判断当前的故障是否为可调节故障之后，进一步包括：
若否，则发出提示信息。
4.根据权利要求1至3任一项所述的方法，其特征在于，进一步包括：
利用数据可视化工具显示所述运行数据。
5.一种离散制造设备的故障诊断装置，其特征在于，包括：
获取模块，用于获取离散制造设备的运行数据；
计算模块，用于根据预设的计算规则对所述运行数据进行计算，得到运行结果；
查询模块，用于利用预先设置的故障诊断知识库查询所述运行结果对应的故障信息；
若是，则利用所述运行数据和预设的样本值计算神经网络模型的计算误差；
利用所述神经网络模型的计算误差计算神经网络权重修正值，并利用所述神经网络权重修正值修正神经网络的权重；
根据离散制造设备的故障误差值和所述神经网络的权重，并利用神经网络激活函数计算出神经网络节点的输出值，所述的故障误差值表达式为Ti-Yi，Ti为采集到的离散制造设备i节点的运行数据，Yi为离散制造设备i节点对应的预设的样本值；
根据所述神经网络节点的输出值调整离散制造设备的输入信号，使得运行数据在预设范围内。
6.一种离散制造设备的故障诊断设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至3任一项所述的离散制造设备的故障诊断方法的步骤。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述的离散制造设备的故障诊断方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810337164.1A CN108388237B (zh) | 2018-04-16 | 2018-04-16 | 一种离散制造设备的故障诊断方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810337164.1A CN108388237B (zh) | 2018-04-16 | 2018-04-16 | 一种离散制造设备的故障诊断方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108388237A CN108388237A (zh) | 2018-08-10 |
| CN108388237B true CN108388237B (zh) | 2020-08-28 |
Family
ID=63064824
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810337164.1A Active CN108388237B (zh) | 2018-04-16 | 2018-04-16 | 一种离散制造设备的故障诊断方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108388237B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109739902A (zh) * | 2018-12-29 | 2019-05-10 | 联想(北京)有限公司 | 一种数据分析方法、设备及计算机可读存储介质 |
| CN109741927B (zh) * | 2019-03-14 | 2020-08-07 | 贵港市嘉龙海杰电子科技有限公司 | 微型变压器生产线的设备故障和潜在不良品智能预测系统 |
| CN111123894B (zh) * | 2019-12-30 | 2021-09-07 | 杭州电子科技大学 | 一种基于lstm和mlp结合的化工过程故障诊断方法 |
| CN112487265B (zh) * | 2020-11-30 | 2024-05-28 | 北京大豪工缝智控科技有限公司 | 数据处理方法、装置、计算机存储介质及电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102243497A (zh) * | 2011-07-25 | 2011-11-16 | 江苏吉美思物联网产业股份有限公司 | 用于工程机械的基于物联网技术的远程智能分析服务系统 |
| CN103206614A (zh) * | 2013-04-01 | 2013-07-17 | 中山大学 | 用于承压储罐的bleve事故监测的预警装置及方法 |
| CN103577707A (zh) * | 2013-11-15 | 2014-02-12 | 上海交通大学 | 一种利用多模式融合推理的机器人故障诊断方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2665030A1 (en) * | 2012-05-14 | 2013-11-20 | Siemens Aktiengesellschaft | Method and a system for an automatic recovery from a fault situation in a production plant |
| CN103293415B (zh) * | 2013-05-23 | 2015-04-08 | 江西中能电气科技有限公司 | 一种基于神经网络专家系统的微逆变器故障检测方法 |
| CN104714175A (zh) * | 2013-12-12 | 2015-06-17 | 北京有色金属研究总院 | 电池系统故障诊断方法及系统 |
| CN106124982A (zh) * | 2016-06-14 | 2016-11-16 | 都城绿色能源有限公司 | 一种风电机组的自动专家综合故障诊断系统及诊断方法 |
| CN107505906B (zh) * | 2017-09-29 | 2020-11-06 | 北京星航机电装备有限公司 | 一种预制装配式混凝土结构自动生产线故障诊断方法及系统 |
-
2018
- 2018-04-16 CN CN201810337164.1A patent/CN108388237B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102243497A (zh) * | 2011-07-25 | 2011-11-16 | 江苏吉美思物联网产业股份有限公司 | 用于工程机械的基于物联网技术的远程智能分析服务系统 |
| CN103206614A (zh) * | 2013-04-01 | 2013-07-17 | 中山大学 | 用于承压储罐的bleve事故监测的预警装置及方法 |
| CN103577707A (zh) * | 2013-11-15 | 2014-02-12 | 上海交通大学 | 一种利用多模式融合推理的机器人故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108388237A (zh) | 2018-08-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108388237B (zh) | 一种离散制造设备的故障诊断方法、装置、设备及介质 | |
| CN108199795B (zh) | 一种设备状态的监测方法和装置 | |
| US10782664B2 (en) | Production system that sets determination value of variable relating to abnormality of product | |
| CN104866632B (zh) | 家电设备的故障数据获取方法、装置及终端 | |
| CN113552840B (zh) | 一种机械加工控制系统 | |
| CN112882954A (zh) | 一种分布式数据库运维动态阈值告警方法及装置 | |
| US8639454B2 (en) | Method of efficacy anticipation and failure examination for an apparatus | |
| CN102262401A (zh) | 一种工业生产线监控系统 | |
| CN111340250A (zh) | 设备检修装置、方法及计算机可读存储介质 | |
| CN111208782B (zh) | 一种用于机床主轴状态预测的数据处理方法及装置 | |
| CN114266944B (zh) | 快速模型训练结果检验系统 | |
| CN117706413B (zh) | 一种基于数据分析的标准电源模块运行自检系统 | |
| CN108830335A (zh) | 光伏电站故障预警方法及系统 | |
| WO2014040838A1 (de) | Verfahren zur rechnergestützten überwachung des betriebs eines technischen systems, insbesondere einer elektrischen energieerzeugungsanlage | |
| CN110968061A (zh) | 设备故障的预警方法、装置、存储介质和计算机设备 | |
| CN110941558B (zh) | 一种智慧办公远程运维的方法及系统 | |
| JP7252703B2 (ja) | 操作支援装置、操作支援方法、操作支援プログラム及び記録媒体 | |
| CN116594349A (zh) | 机床预测方法、装置、终端设备以及计算机可读存储介质 | |
| CN117471990A (zh) | 数控机床加工方法、装置、终端设备以及计算机存储介质 | |
| CN111127242A (zh) | 一种基于小样本数据的电力系统可靠性动态实时评估方法 | |
| CN117311295A (zh) | 基于无线网络设备的生产质量提升方法及系统 | |
| JP2020170357A (ja) | 予兆保全設備、予兆保全方法及び予兆保全プログラム | |
| CN115619358A (zh) | 一种基于bim技术的建筑工程进度管理系统及方法 | |
| CN113051700B (zh) | 设备可靠性监测方法及装置 | |
| CN111866924B (zh) | 性能指标监控方法、装置、计算设备及计算机存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |