CN108445854B - 一种基于大数据的智能车间的车间自主学习方法 - Google Patents
一种基于大数据的智能车间的车间自主学习方法 Download PDFInfo
- Publication number
- CN108445854B CN108445854B CN201810379073.4A CN201810379073A CN108445854B CN 108445854 B CN108445854 B CN 108445854B CN 201810379073 A CN201810379073 A CN 201810379073A CN 108445854 B CN108445854 B CN 108445854B
- Authority
- CN
- China
- Prior art keywords
- information
- workshop
- production
- period
- monitoring
- 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
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000004519 manufacturing process Methods 0.000 claims abstract description 74
- 238000012544 monitoring process Methods 0.000 claims abstract description 68
- 239000002994 raw material Substances 0.000 claims description 41
- 238000013480 data collection Methods 0.000 claims description 17
- 238000012797 qualification Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 19
- 239000002184 metal Substances 0.000 abstract description 10
- 230000002159 abnormal effect Effects 0.000 abstract description 9
- 238000013461 design Methods 0.000 abstract description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000007812 deficiency Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种基于大数据的智能车间的车间自主学习方法，涉及钣金车间设计领域，旨在解决现有技术中，钣金车间的加工效率较低的问题。其技术方案要点是，将生产监控点监控到的监控信息与学习数据库内存储的生产信息进行比对，当监控信息异常时，学习数据库导出相应的解决方案信息，从而使得智能总控模块能够对监控信息的异常情况进行及时的处理，提高了车间的智能化程度，具有能够有效提高车间加工效率的优点。
Description
技术领域
本发明涉及钣金车间设计领域，更具体地说，它涉及一种基于大数据的智能车间的车间自主学习方法。
背景技术
钣金是针对金属薄板的一种综合冷加工工艺，包括剪、冲/切/复合、折、铆接、拼接、成型等。钣金车间作为传统工业加工系统之一，因其产品繁多、统一度低等特点，如何实现钣金车间的智能化、高效率加工一直是传统机械加工行业的难点。
现有公开号为CN107065792A的中国专利公开了一种钣金成型车间的远程监控系统，远程监控技术领域，钣金成型车间的远程监控系统包括第一远程站、第二远程站、第三远程站、第四远程站、中央控制器和远程模块。操作者通过该远程监控系统，即可方便的对车间现场进行远程监控。
但是，上述远程监控系统中，需要操作者根据自身的工作经验去设置相关参数以及处理相关的突发状况，智能化程度不高，导致钣金车间的加工效率较低，此问题有待解决。
发明内容
针对现有技术存在的不足，本发明的第一发明目的在于提供一种基于大数据的智能车间，其具有能够有效提高车间加工效率的优势。
为实现上述目的，本发明提供了如下技术方案：
一种基于大数据的智能车间，包括设置有学习数据库的智能总控模块，还包括：
数据采集点，与所述智能总控模块通信连接，用于收集车间的生产信息，所述生产信息包括原材料余量信息；所述生产信息存储于学习数据库内，并在所述学习数据库内自动生成相应的解决方案信息；
生产监控点，与所述智能总控模块通信连接，用于实时监控车间工况并生成相应的监控信息；将所述监控信息与学习数据库内存储的生产信息进行比对，当所述监控信息异常时，所述学习数据库导出相应的解决方案信息供智能总控模块对监控信息异常情况进行处理。
通过采用上述技术方案，数据采集点用于收集车间的生产信息，生产监控点用于实时监控车间工况并生成相应的监控信息。将生产监控点监控到的监控信息与学习数据库内存储的生产信息进行比对，当监控信息异常时，学习数据库会导出相应的解决方案信息，从而使得智能总控模块能够对监控信息的异常情况进行及时的处理，提高了车间的智能化程度，具有能够有效提高车间加工效率的优点。
进一步地，所述生产信息还包括产品质量信息和温湿度信息。
通过采用上述技术方案，能够使学习数据库自动生成与产品质量和温湿度对应的解决方案信息，进一步提高了车间的智能化，使得车间的加工效率更高。
进一步地，所述智能总控模块连接有温湿度自动调节模块。
通过采用上述技术方案，当车间温湿度信息异常，影响车间所生产产品的质量时，智能总控模块会控制温湿度自动调节模块自动将车间调节至合适的温湿度状态。
进一步地，所述智能总控模块还连接有报警模块，所述报警模块包括第一报警灯和第二报警灯。
通过采用上述技术方案，当生产监控点监控到车间生产的产品质量信息异常时，第一报警灯亮；当生产监控点监控到车间的温湿度信息异常时，第二报警灯亮。第一报警灯和第二报警灯的设置，具有能够及时向操作者提醒车间的异常状态的作用。
进一步地，所述智能总控模块还连接有显示模块，所述显示模块用于显示学习数据库导出的解决方案信息。
通过采用上述技术方案，显示模块能将学习数据库导出的解决方案信息显示出，便于操作者了解到车间的异常状况信息，并对异常状况进行相应的处理。
本发明的另一发明目的在于提供一种应用于上述基于大数据的智能车间的车间自主学习方法，其具有能够有效提高车间加工效率的优势。
一种应用于上述基于大数据的智能车间的车间自主学习方法，将生产过程分为时间相等的时间段N1、N2、N3…NY,其中，Y>1;每个时间段均分为时间相等的生产周期T1、T2、T3…TX,其中，X>1；当所述数据采集点采集到在时间段N1的生产周期TX内原材料余量低于预设的原材料余量阈值时，所述智能总控模块将该预设的原材料余量阈值信息存储于学习数据库内，并在所述学习数据库内自动生成在时间段NY的生产周期TX-1内提前采购适量原材料的解决方案信息；当所述生产监控点在时间段NY的生产周期TX-1内监控到当前原材料余量低于学习数据库内记录的预设的原材料余量阈值时，所述学习数据库自动导出提前采购适量原材料的解决方案信息，此时，所述智能总控模块控制第一报警灯发出报警信号。
通过采用上述技术方案，当原材料余量即将不足时，智能总控模块会控制第一报警灯发出报警信号，以提醒操作者提前采购适量的原材料，从而有效避免了在某一生产周期内出现原材料余量不足的情况，提高了车间的加工效率。
进一步地，当在时间段N1的生产周期TX内原材料存储量低于预设的原材料存储量阈值且原材料的采购困难度高于预设的采购困难度阈值时，确定在时间段N1的生产周期TX内原材料余量低于预设的原材料余量阈值。
通过采用上述技术方案，方便判断时间段N1的生产周期TX内原材料余量是否低于预设的原材料余量阈值，从而便于生成相应的解决方案信息。
进一步地，将生产过程分为时间相等的检修周期M1、M2、M3…Mi,其中，i>2；当所述数据采集点采集到在检修周期M1内的产品质量信息不满足要求，而检修周期M1结束时对设备进行检修后，检修周期M2内的产品质量信息满足要求，但是在检修周期M3内的产品质量信息又不满足要求的检修信息时，所述智能总控模块将该检修信息存储于学习数据库内，并在所述学习数据库内自动生成在检修周期Mi结束时对设备进行检修的解决方案信息；当所述生产监控点监控到检修周期Mi结束时，所述学习数据库自动导出对设备进行检修的解决方案信息，此时，所述智能总控模块控制第二报警灯发出报警信号。
通过采用上述技术方案，当生产监控点监控到检修周期Mi结束时，智能总控模块会控制第二报警灯发出报警信号，以提醒操作者对生产设备进行检修，从而有效避免了在某一检修周期内出现产品质量信息不满足要求的情况，进一步的提高了车间的加工效率。
进一步地，当一个检修周期内产品的合格率低于预设的合格率阈值或连续多个产品的质量数据低于预设的质量数据阈值时，确定在该检修周期内的产品质量信息不满足要求。
通过采用上述技术方案，方便判断一个检修周期内的产品质量信息是否满足要求，从而便于生成相应的解决方案信息，有效提高了车间的智能化水平，提高了车间生产效率。
进一步地，将每个时间段均分为时间相等的监控周期R1、R2、R3…RW,其中，W≥1；当所述数据采集点采集到在时间段N1的监控周期RW内的产品质量信息不满足要求，但是调节车间的温湿度至合适的温湿度阈值后，监控周期RW内的产品质量信息又满足要求的监测信息时，所述智能总控模块将该温湿度阈值存储于学习数据库内，并在所述学习数据库内自动生成在时间段NY的监控周期RW内控制所述温湿度自动调节模块将车间的温湿度调节至该温湿度阈值的解决方案信息；当所述生产监控点监控到当前时间处于时间段NY的监控周期RW内时，所述学习数据库自动导出相应的解决方案信息，此时，所述智能总控模块控制温湿度自动调节模块将车间的温湿度调节至学习数据库内记录的温湿度阈值。
通过采用上述技术方案，智能总控模块能够控制温湿度自动调节模块将车间的温湿度自动调节至合适的状态，有效保证了车间所加工产品的质量，从而进一步的提高了车间的加工效率。
综上所述，本发明具有以下有益效果：
1、通过设置数据采集点和生产监控点，具有方便处理车间异常情况、提高车间加工效率的效果；
2、通过设置温湿度自动调节模块，具有能够有效保证车间所加工产品的质量的效果；
3、通过设置显示模块，具有方便操作者了解到车间的异常状况信息的效果。
附图说明
图1为实施例1中基于大数据的智能车间的整体结构示意图。
图中：100、智能总控模块；101、学习数据库；200、数据采集点；300、生产监控点；400、温湿度自动调节模块；500、报警模块；501、第一报警灯；502、第二报警灯；600、显示模块。
具体实施方式
以下结合附图对本发明作进一步详细说明。
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。
实施例1：
一种基于大数据的智能车间，参照图1，其包括智能总控模块100、数据采集点200、生产监控点300、温湿度自动调节模块400、报警模块500和显示模块600，智能总控模块100内设置有学习数据库101。
参照图1，数据采集点200与智能总控模块100通信连接，用于收集车间的生产信息。在本实施例中，生产信息包括原材料余量信息、产品质量信息和温湿度信息。数据采集点200收集的生产信息存储于学习数据库101内，并在学习数据库101内自动生成与生产信息对应的解决方案信息。
参照图1，生产监控点300与智能总控模块100通信连接，用于实时监控车间工况并生成相应的监控信息，监控信息与学习数据库101内存储的生产信息相对应。将监控信息与学习数据库101内存储的生产信息进行比对，当监控信息异常时，学习数据库101会导出相应的解决方案信息，从而使得智能总控模块100能够对监控信息异常情况进行处理。
参照图1，温湿度自动调节模块400和报警模块500均与智能总控模块100连接，报警模块500包括第一报警灯501和第二报警灯502。当生产监控点300监控到车间生产的产品质量信息异常时，第一报警灯501亮。当生产监控点300监控到车间的温湿度信息异常时，第二报警灯502亮，具有能够及时提醒操作者车间异常情况的作用。
参照图1，显示模块600与智能总控模块100连接，用于显示学习数据库101导出的解决方案信息，从而便于操作者了解到车间的异常状况信息，并对车间的异常状况进行及时的处理。
工作原理如下：
数据采集点200收集车间的生产信息后，会将生产信息传输至学习数据库101内并存储起来，学习数据库101会根据自身存储的生产信息自动生成相应的解决方案信息。
当生产监控点300监控到的监控信息与学习数据库101内的生产信息进行比对出现异常时，学习数据库101自动导出相应的解决方案信息，从而使得智能总控模块100能够对监控信息的异常情况进行及时的处理，提高了车间的智能化程度，具有能够有效提高车间加工效率的优点。
实施例2：
一种应用于实施例1中基于大数据的智能车间的车间自主学习方法，将生产过程分为时间相等的时间段N1、N2、N3…NY,其中，Y>1。在本实施例中，将生产过程分为第一年、第二年、第三年…第Y年，其中，Y>1，且Y为整数。每个时间段均分为时间相等的生产周期T1、T2、T3…TX,其中，X>1。在本实施例中，每个时间段均分为第一月、第二月、第三月…第X月，其中1<X≤12，且X为整数。参照图1，当数据采集点200采集到在第一年的第X月内，原材料余量低于预设的原材料余量阈值时，智能总控模块100将该预设的原材料余量阈值信息存储于学习数据库101内，并在学习数据库101内自动生成在第Y年的第X-1月内提前采购适量原材料的解决方案信息。在本实施例中，当在第一年的第X月内，原材料存储量低于预设的原材料存储量阈值且原材料的采购困难度高于预设的采购困难度阈值时，确定在第一年的第X月内，原材料余量低于预设的原材料余量阈值。
参照图1，当生产监控点300在第Y年的第X-1月内监控到当前原材料余量低于学习数据库101内记录的预设的原材料余量阈值时，学习数据库101自动导出在第X-1月内提前采购适量原材料的解决方案信息。此时，智能总控模块100控制第一报警灯501发出报警信号，即第一报警灯501亮，并且显示模块600会显示出对应的解决方案信息，从而提醒操作者提前采购适量的原材料。
实施例3：
一种应用于实施例1中基于大数据的智能车间的车间自主学习方法，将生产过程分为时间相等的检修周期M1、M2、M3…Mi,其中，i>2，且i为整数。参照图1，当数据采集点200采集到在检修周期M1内的产品质量信息不满足要求，然后在检修周期M1结束时对设备进行检修后，检修周期M2内的产品质量信息满足要求，但是在检修周期M3内的产品质量信息又不满足要求的检修信息时，智能总控模块100将该检修信息存储于学习数据库101内，并在学习数据库101内自动生成在检修周期Mi结束时对设备进行检修的解决方案信息。在本实施例中，在一个检修周期内，产品的合格率低于预设的合格率阈值或连续多个产品的质量数据低于预设的质量数据阈值时，确定在该检修周期内的产品质量信息不满足要求。
参照图1，当生产监控点300监控到检修周期Mi结束时，学习数据库101自动导出对设备进行检修的解决方案信息。此时，智能总控模块100控制第二报警灯502发出报警信号，即第二报警灯502亮，并且显示模块600会显示出对应的解决方案信息，从而提醒操作者对设备进行检修。
实施例4：
一种应用于实施例1中基于大数据的智能车间的车间自主学习方法，将生产过程分为时间相等的时间段N1、N2、N3…NY,其中，Y>1，且Y为整数;每个时间段均分为时间相等的监控周期R1、R2、R3…RW,其中，W≥1, 且W为整数。参照图1，当数据采集点200采集到在时间段N1的监控周期RW内的产品质量信息不满足要求，但是调节车间的温湿度至合适的温湿度阈值后，时间段N1的监控周期RW内的产品质量信息又满足要求的监测信息时，智能总控模块100将该温湿度阈值存储于学习数据库101内，并在学习数据库101内自动生成在时间段NY的监控周期RW内，控制温湿度自动调节模块400将车间的温湿度调节至该温湿度阈值的解决方案信息。
参照图1，当生产监控点300监控到当前时间处于时间段NY的监控周期RW内时，学习数据库101自动导出相应的解决方案信息，此时，智能总控模块100控制温湿度自动调节模块400自动将车间的温湿度调节至学习数据库101内记录的温湿度阈值。
Claims (5)
1.一种基于大数据的智能车间的车间自主学习方法，其特征在于：
所述智能车间包括：
设置有学习数据库(101)的智能总控模块(100)；
数据采集点(200)，与所述智能总控模块(100)通信连接，用于收集车间的生产信息，所述生产信息包括原材料余量信息、产品质量信息和温湿度信息；所述生产信息存储于学习数据库(101)内，并在所述学习数据库(101)内自动生成相应的解决方案信息；
生产监控点(300)，与所述智能总控模块(100)通信连接，用于实时监控车间工况并生成相应的监控信息；将所述监控信息与学习数据库(101)内存储的生产信息进行比对，当所述监控信息异常时，所述学习数据库(101)导出相应的解决方案信息供智能总控模块(100)对监控信息异常的情况进行处理；
所述智能总控模块(100)连接有温湿度自动调节模块(400)和报警模块(500)，所述报警模块(500)包括第一报警灯(501)和第二报警灯(502)；
所述车间自主学习方法包括：
将生产过程分为时间相等的时间段N1、N2、N3…NY,其中，Y>1;每个时间段均分为时间相等的生产周期T1、T2、T3…TX,其中，X>1；当所述数据采集点(200)采集到在时间段N1的生产周期TX内原材料余量低于预设的原材料余量阈值时，所述智能总控模块(100)将该预设的原材料余量阈值信息存储于学习数据库(101)内，并在所述学习数据库(101)内自动生成在时间段NY的生产周期TX-1内提前采购适量原材料的解决方案信息；
当所述生产监控点(300)在时间段NY的生产周期TX-1内监控到当前原材料余量低于学习数据库(101)内记录的预设的原材料余量阈值时，所述学习数据库(101)自动导出提前采购适量原材料的解决方案信息，此时，所述智能总控模块(100)控制第一报警灯(501)发出报警信号。
2.根据权利要求1所述的车间自主学习方法，其特征在于：当在时间段N1的生产周期TX内原材料存储量低于预设的原材料存储量阈值且原材料的采购困难度高于预设的采购困难度阈值时，确定在时间段N1的生产周期TX内原材料余量低于预设的原材料余量阈值。
3.根据权利要求2所述的车间自主学习方法，其特征在于：将生产过程分为时间相等的检修周期M1、M2、M3…Mi,其中，i>2；当所述数据采集点(200)采集到在检修周期M1内的产品质量信息不满足要求，而检修周期M1结束时对设备进行检修后，检修周期M2内的产品质量信息满足要求，但是在检修周期M3内的产品质量信息又不满足要求的检修信息时，所述智能总控模块(100)将该检修信息存储于学习数据库(101)内，并在所述学习数据库(101)内自动生成在检修周期Mi结束时对设备进行检修的解决方案信息；
当所述生产监控点(300)监控到检修周期Mi结束时，所述学习数据库(101)自动导出对设备进行检修的解决方案信息，此时，所述智能总控模块(100)控制第二报警灯(502)发出报警信号。
4.根据权利要求3所述的车间自主学习方法，其特征在于：当一个检修周期内产品的合格率低于预设的合格率阈值或连续多个产品的质量数据低于预设的质量数据阈值时，确定在该检修周期内的产品质量信息不满足要求。
5.根据权利要求4所述的车间自主学习方法，其特征在于：将每个时间段均分为时间相等的监控周期R1、R2、R3…RW,其中，W≥1；当所述数据采集点(200)采集到在时间段N1的监控周期RW内的产品质量信息不满足要求，但是调节车间的温湿度至合适的温湿度阈值后，监控周期RW内的产品质量信息又满足要求的监测信息时，所述智能总控模块(100)将该温湿度阈值存储于学习数据库(101)内，并在所述学习数据库(101)内自动生成在时间段NY的监控周期RW内控制所述温湿度自动调节模块(400)将车间的温湿度调节至该温湿度阈值的解决方案信息；
当所述生产监控点(300)监控到当前时间处于时间段NY的监控周期RW内时，所述学习数据库(101)自动导出相应的解决方案信息，此时，所述智能总控模块(100)控制温湿度自动调节模块(400)将车间的温湿度调节至学习数据库(101)内记录的温湿度阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810379073.4A CN108445854B (zh) | 2018-04-25 | 2018-04-25 | 一种基于大数据的智能车间的车间自主学习方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810379073.4A CN108445854B (zh) | 2018-04-25 | 2018-04-25 | 一种基于大数据的智能车间的车间自主学习方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108445854A CN108445854A (zh) | 2018-08-24 |
| CN108445854B true CN108445854B (zh) | 2019-09-20 |
Family
ID=63200986
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810379073.4A Active CN108445854B (zh) | 2018-04-25 | 2018-04-25 | 一种基于大数据的智能车间的车间自主学习方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108445854B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110880074B (zh) * | 2019-11-20 | 2022-04-12 | 珠海格力电器股份有限公司 | 质量监控系统和方法及存储介质、服务器 |
| CN111906552A (zh) * | 2020-08-07 | 2020-11-10 | 湖南石门宝川连杆制造有限责任公司 | 汽车连杆的智能生产车间 |
| CN111857084B (zh) * | 2020-08-18 | 2021-07-13 | 精工工业建筑系统有限公司 | 一种可用于板材机无人值守的自动化生产控制系统 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7239931B2 (en) * | 2003-11-13 | 2007-07-03 | Amada Company, Limited | Sheet metal factory processing system |
| CN104965501A (zh) * | 2015-07-07 | 2015-10-07 | 成都亨通兆业精密机械有限公司 | 一种生产车间智能管理系统 |
| CN106354106A (zh) * | 2016-08-19 | 2017-01-25 | 广东省自动化研究所 | 一种基于mes的数据处理系统 |
| CN106357426B (zh) * | 2016-08-26 | 2019-04-26 | 东北大学 | 一种基于工业云的大规模分布式智能数据采集系统及方法 |
| CN107065792A (zh) * | 2017-01-23 | 2017-08-18 | 王安基 | 钣金成型车间的远程监控系统 |
| CN107272621A (zh) * | 2017-06-23 | 2017-10-20 | 深圳市盛路物联通讯技术有限公司 | 一种智能车间管理方法和系统 |
| CN107747971A (zh) * | 2017-10-13 | 2018-03-02 | 王宁 | 触摸屏生产车间智能监控管理系统 |
| CN107908166B (zh) * | 2017-11-20 | 2020-10-09 | 上海亚太计算机信息系统有限公司 | 一种基于工业互联网的汽车制造mes数据采集系统 |
-
2018
- 2018-04-25 CN CN201810379073.4A patent/CN108445854B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN108445854A (zh) | 2018-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108445854B (zh) | 一种基于大数据的智能车间的车间自主学习方法 | |
| CN108767851B (zh) | 一种变电站运维智能作业指挥方法及系统 | |
| CN202735796U (zh) | 智能工业监控设备 | |
| CN116258431B (zh) | 一种基于互联网的冷链运输安全远程监控系统 | |
| CN103324175A (zh) | 一种铝型材生产线的管控系统 | |
| CN116189407B (zh) | 一种基于数据监测的智能预警系统 | |
| CN109634238A (zh) | 一种数控机床加工过程质量-能量效率评估与监控方法 | |
| CN102915478A (zh) | 生产执行力管理系统及方法 | |
| CN105184431B (zh) | 钢化玻璃工艺操作管理系统 | |
| CN101625564B (zh) | 一种自动控制与报警的方法与系统 | |
| CN110111028A (zh) | 产品生产线的单耗监测方法 | |
| DE102005046235A1 (de) | Anordnung und Verfahren zur Ermittlung des Wirkungsgrades von Energieumwandlungsanlagen, insbesondere Wärme- und Kälteanlagen | |
| EP2847842B1 (de) | Energieversorgungsanlage mit vorverarbeitungseinrichtung | |
| CN110488775A (zh) | 设备状态判定及产量节拍统计系统及方法 | |
| CN116345687A (zh) | 电力监控系统用户行为安全预警系统 | |
| CN116223000A (zh) | 一种机器故障智能在线自动检测系统 | |
| CN106650154B (zh) | 一种基于热力性能指标的核电常规岛设备可靠性监测方法 | |
| CN113034027A (zh) | 一种电子元器件的智能制造执行系统 | |
| WO2017080686A1 (de) | Vorrichtung und verfahren zur multifunktionsvernetzung | |
| WO2014044246A2 (de) | Verfahren und anlage zur parallelen verfolgung von ortszugeordneten energieverbrauchbeeinflussenden ereignissen einer industriellen produktionsanlage | |
| EP2120118A1 (de) | Verfahren zum Betrieb einer verfahrenstechnischen Anlage | |
| CN110648484A (zh) | 一种激光打孔智能评判预警系统及其评判方法 | |
| CN221002828U (zh) | 一种金矿矿山通风管理系统 | |
| CN116911581B (zh) | 一种装配式建筑的智能生产管理系统及方法 | |
| CN109458717B (zh) | 一种空调智能控制装置及控制方法 |
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 |