CN108873830A - 一种生产现场数据在线采集分析及故障预测系统 - Google Patents

Abstract

本发明属于智能制造相关技术领域，并公开了一种生产现场数据在线采集分析及故障预测系统，该系统基于B/S架构建设，并包括底层传感网络单元、下位机采集站单元和上位机服务器单元，其中下位机采集站单元与底层传感网络单元信号相连，并用于实时获取包含智能制造车间的设备状态、生产工艺、产品质量、物流信息等在内的多项实时数据，同时提取特征数据；上位机服务器单元用于基于实时数据来将车间位姿和运行状态予以可视化显示，基于特征数据来预测得出各设备的故障所在，同时给出更富针对性的故障维修措施。通过本发明，能够实现智能制造车间设备的统一联网管理，彻底消除信息孤岛，同时重点对设备故障和能耗给出了针对性解决手段。

Description

一种生产现场数据在线采集分析及故障预测系统

技术领域

本发明属于智能制造相关技术领域，更具体地，涉及一种生产现场数据在线采集分析及故障预测系统。

背景技术

随着中国制造2025、“互联网+”和智能制造工程的提出，对生产现场数据的在线采集、分析、预测与管理的需求更加迫切。随着计算机技术和网络技术的不断发展，企业对生产过程现场数据采集分析预测与管理提出了更高的要求，尤其对现场条件恶劣、危险性高或环境卫生要求高的企业，实现设备的远程监测，减少维护人员到现场的可能是十分必要的。

检索发现，针对此需求现有技术已经提出了一些解决方案。例如，CN201720070550.X提出了一种车间设备在线监测系统，其能够测量生产车间设备的实时状态信息，并将其与预设标准值进行分析比较，并实时显示各项参数信息和其标准信息，以供查看和发出预警；又如，CN201610189650.4公开了一种基于物联网设备在线状态监测系统及方法，CN201110373973公布了一种绝缘设备在线检测方法，CN201410035719公开了一种机械加工设备的颤振在线监测方法，等等。

然而，进一步的研究表明，上述现有技术仍具备以下的缺陷或不足：(1)目前工业生产现场所使用的监控系统功能过于单一，仅仅通过阈值检测判断是否产生故障，不能进行多分析手段、多信号源的故障诊断；(2)在生产过程中缺乏对更多关键信息的在线采集及分析，例如生产工艺参数信息、产品质量信息、物流信息、能源消耗信息、设备信息、人员信息等监控明显不足，导致产品次品率高、管理混乱等问题；(3)未实现生产场景三维模型的数据驱动，实现生产场景的远程实时显示，与此同时也未能充分利用互联网的大数据分析技术对设备故障特征，产品质量特征及加工工艺特征进行分析。

发明内容

针对现有技术的以上不足之处和改进需求，本发明提供了一种生产现场数据在线采集分析及故障预测系统，其中一方面通过对多种类型生产现场数据的在线采集与分析环节进行针对性设计，实际测试表明能够较好地解决数据孤立化问题尤其是机械故障不可控而造成的损失问题；另一方面，通过对各类数据后期的实时检测、故障诊断及维修管理等多个环节进行重点研究和重新设计，相应不仅可实现对车间多台设备的联网及信息交换，实时获知所有设备的运行状态和车间生产情况，而且能够及时发现故障及进行分类处置，因而尤其适用于现代化智能制造车间之类的应用场合。

为实现上述目的，按照本发明，提供了一种生产现场数据在线采集分析及故障预测系统，其特征在于，该系统适用于智能制造且基于B/S架构来建立，并包括底层传感网络单元、下位机采集站单元和上位机服务器单元，其中：

所述底层传感网络单元由各类传感器、采集卡和工业总线组成，并用于对智能制造车间内的各个生产设备实时检测其加工参数和设备状态信息，同时对加工过程中的产品质量信息、物流信息、能源消耗信息及加工人员信息等予以实时检测；

所述下位机采集站单元包括信号采集模块和信号分析传输模块，其中该信号采集模块与所述底层传感网络单元进行通讯，并用于实时获取与所述底层传感网络单元所检测信息相对应的所有数据；该信号分析传输模块用于将这些实时数据存入时序数据库内，同时从中提取反映加工缺陷的特征数据；

所述上位机服务器单元包括实时监测模块、故障诊断预测模块和维修管理模块，其中该实时监测模块与所述信号采集模块信号相连，并通过使用从其提取的所述实时数据来将智能制造车间的位姿和运行状态予以实时可视化显示，然后结合预设的阈值判断得出各个生产设备的初步健康结论；该故障诊断预测模块与所述信号分析传输模块信号相连，并通过使用从其提取的所述特征数据来进一步预测得出各个生产设备的故障所在；所述维修管理模块则依照所述实时检测模块、故障诊断预测模块所提供的信息，相应给出故障维修策略并执行维修措施，同时对维修执行情况进行记录。

作为进一步优选地，对于所述下位机采集站单元而言，它的信号分析传输模块优选从时域、频域、时频域来计算得到所述特征数据。

作为进一步优选地，对于所述下位机采集站单元而言，它的信号采集模块优选对所获取的实时数据进行编码，将数据不同的位赋予不同的属性值，并根据传感器的不同以及数值单位制定标志位，然后解码转成不同的对象。

作为进一步优选地，对于所述上位机服务器单元而言，它的实时监测模块优选使用从所述信号采集模块提取的所述实时数据，并采用3DMax或CATIA来建立三维模型由此直观展现智能制造车间的加工场景，同时对各个加工设备的所有关键部件以状态条的形式显示其状态。

作为进一步优选地，对于所述上位机服务器单元而言，它的故障诊断预测模块优选采用深度神经网络来构建故障预测模型，并且将所述特征信号作为该模型的输入层。

作为进一步优选地，所述维修管理模块优选由维修分析、维修规划和维修执行三个子模块组成，其中该维修分析子模块用于结合历史数据对故障趋势、零件寿命、多次出现的故障及原因以及多次采用的维修措施等进行归纳分析；该维修规划子模块用于结合所述维修分析子模块所提供的分析结果，确定故障维修所需资源并针对故障位置、故障类型、故障程度、维护人员选择、备件可用度等方面自动生成维修策略；该维修执行子模块根据所述维修规划子模块所生成的维修策略下达指令，执行具体的维修操作并对执行情况进行记录和跟踪。

作为进一步优选地，所述位机服务器单元优选还包括故障模拟模块，其中该故障模拟模块用于对一些不便于进行实物试验的制造设备采用虚拟样机试验的方式执行故障机理分析，并相应提取故障特征集、质量特征集合工艺特征集。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，主要具备以下的技术优点：

1、通过对智能制造车间的多类复杂数据进行在线采集和分类管理设计，可高效、方便地实现信息的实时采集，对整个车间现场的各种设备实现集中处理和统一管理，能够远程在线可视化显示、分析与管理车间现场设备状态信息、生产工艺参数信息、产品质量信息、物流信息、能源消耗信息、设备信息、人员信息关键信息等；

2、通过对实时数据和特征数据进行分类采集及管理，能够更为科学地将整个智能制造工艺中的多类数据予以联系及运用，并便于以更高效率和精度来执行后续的故障诊断及处置环节；

3、本发明还重点对能耗分析方面进行了研究和改进，在生产过程中利用传感器集中监控所有的生产流程，同时在后期故障预测及维修环节提供针对性的解决手段，相应能够更高响应发现能耗的异常或峰值情形，由此便可在生产过程中优化能源的消耗，实现绿色生产并降低成本；

4、本发明还进一步选择了深度神经网络算法来构建故障预测模型，相比于纯粹的其他参数拟合或自回归模型，使模型有更好的准确性和鲁棒性，并以更高精度和更具针对性的方式来获得寻优结果，进而更好地符合智能制造车间之类的运用实际；

5、此外，本系统采用B/S模式建设，与C/S模式相比，B/S模式更方便、更易于使用，用户可以根据权限完全通过浏览器来进行对设备的监控，且能实现原来比较复杂的专用软件才能实现的强大功能，并能节约成本。

附图说明

图1是按照本发明所构建的适用于智能制造的生产现场数据在线采集及故障预测系统的整体组成模块示意图；

图2是用于更为具体地解释说明按照本发明的下位机采集站单元的工作流程示意图；

图3是按照本发明的一个具体实施例、用于示范性显示上位机服务器单元的原理示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

图1是按照本发明所构建的适用于智能制造的生产现场数据在线采集及故障预测系统的整体组成模块示意图。如图1所示，该系统优选基于B/S架构来建立，并包括底层传感网络单元、下位机采集站单元和上位机服务器单元，下面将对其逐一进行具体解释说明。

对于底层传感网络单元而言，它譬如可由各类传感器、采集卡和工业总线组成，并用于对智能制造车间内的各个生产设备实时检测其加工参数和设备状态信息，同时对加工过程中的产品质量信息、物流信息、能源消耗信息及加工人员信息等予以实时检测。

对于下位机采集站单元而言，它包括信号采集模块和信号分析传输模块，其中该信号采集模块与所述底层传感网络单元进行通讯，并用于实时获取与所述底层传感网络单元所检测信息相对应的所有数据；该信号分析传输模块用于将这些实时数据存入时序数据库内，同时从中提取反映加工缺陷的特征数据。

如图2所示，所示信号采集模块一方面可通过智能型高速工业总线通信器与数字化车间生产线的主要智能设备(如数控设备、工业机器人)进行通讯，实时获取加工参数和设备状态信息，并可通过采集卡采集生产线上安装的传感器数据，采集温度、压力、电流、电压、位移、振动和噪声等数据，以及获取加工时产品质量信息、物流信息、能源消耗信息及加工人员信息。相应地，实现对车间物流、仓储、生产、设备、能源消耗情况的监管。

更具体地，信号分析传输模块一方面将实时采集数据存入时序数据库，另一方面优选通过信号时域、频域及时频域计算方法得到信号的特征数据，并且根据需求将信号特征数据和实时数据上传至上位机服务器单元。

在实际工作时，和下位机采集站单元相关的工作线程主要包括以下三个，也即主线程、自启动线程和传输数据线程，其工作原理及过程如下：

下位机处的web网站主线程可提供一个界面，对采集参数进行配置、对增、删、换的传感器进行相应设置、修改IP地址和端口，并将修改后的信息保存进数据库中。然后传消息给上位机服务器，通知其更换，增加系统的灵活性，降低系统的维护难度。

自启动线程将采集到的数据存储在时序数据库(譬如KairosDB)，时序数据库支持时序数据的快速写入、持久化、多纬度的聚合查询等基本功能，通过时序数据库更加清晰方便的使用深度学习和图像识别方法从多维度分析数据，获取更加精准的特征信息。此外，为减少数据上传量，减轻系统负担并达到要求的监控效果，在自启动线程中还可以进行特征数据提取，并优选从时域、频域、时频域计算得到特征数据。除此之外，下位机自启动线程要进行数据保存，实现数据备份，并定时清理，一旦出现网络故障或丢包等问题，可以等网络恢复后传输备份文件。

按照本发明的一个优选实施例，为保证网站的通用性，自启动线程优选对从不同传感器接受到的二进制数据进行编码，不同的位对应不同的属性值，类似计算机网络传输层的帧，根据不同的传感器以及数值单位进行制定标志位，然后在监控网站进行解码，再转成不同的对象。先制定转换格式，整合数据结构，尽量保证通用性。更具体地，自启动线程将数据对象打包，然后譬如通过Snappy压缩工具压缩，最后通过TCP\IP的协议通信建立Socket链接，实现上位机与下位机的实时通信。

对于传输数据线程而言，由上位机服务器单元发出获取原始数据命令启动传输数据线程，利用原始数据驱动三维场景模型，在实时监测模块中实现对生产场景的虚拟同步展示。

如图3所示，所述上位机服务器单元可包括实时监测模块、故障诊断预测模块和维修管理模块等，其中该实时监测模块与所述信号采集模块信号相连，并通过使用从其提取的所述实时数据来将智能制造车间的位姿和运行状态予以实时可视化显示，然后结合预设的阈值判断得出各个生产设备的初步健康结论；该故障诊断预测模块与所述信号分析传输模块信号相连，并通过使用从其提取的所述特征数据来进一步预测得出各个生产设备的故障所在；所述维修管理模块则依照所述实时检测模块、故障诊断预测模块所提供的信息，相应给出故障维修策略并执行维修措施，同时对维修执行情况进行记录。

更具体地，该上位机服务器单元还可以包括故障模拟模块，以及系统配置模块和信息管理模块之类的常规组件。例如，故障模拟模块可调用仿真软件如ansys等，对于某些不便于进行实物试验的设备借助虚拟样机试验方法进行故障机理研究，并在此基础上进一步提取故障特征集、质量特征集和工艺特征集。系统配置模块通过访问下位机的配置界面，可以直接通过服务器进行传感网络的配置。信息管理模块存储管理实时运行数据、历史状态数据、生产加工工艺数据、加工产品质量数据、诊断维修数据、物流装配信息、人员信息。其中，人员信息管理可采用安全框架Shiro，对登录的用户进行检验，通过对不同的用户赋予不同的权限，来限制用户的操作范围。

此外，对于实时监测模块而言，其用于由三维模型直观展现生产现场的加工情况的虚拟场景。三维模型譬如可以通过3DMax或CATIA建立，前者模型视觉效果逼真，后者强调模型准确性。使用该模块时发出命令启动下位机的传输原始数据线程，使用获得的原始数据驱动三维虚拟场景，实时可视化车间制造资源的位姿和运行状态。并可以根据信号进行基本的阈值判断，得出设备健康情况的初步结论，并对每个设备的各个关键部件以状态条形式显示其状态。

对于故障诊断预测模块而言，其一方面可用于对信号进行必要处理，具体包括时域的最小二乘拟合、FIR滤波、IIR滤波、相关函数的计算；频域的快速傅里叶变换、功率谱计算、倒频谱计算；时频域的小波变换、wigner变换；另一方面可提供各种故障诊断工具，包括故障树分析、神经网络分析等，并重点基于故障信号特征集、采用深度学习神经网络来构建故障预测模型，相应将实时采集并计算得到的特征信号作为输入，利用这些数据可以实现包括设备诊断、用电量分析、能耗分析、质量事故分析(包括违反生产规定、零部件故障)等分析，进而得到对故障的诊断预测、加工质量的检测、生产工艺的评估，以便及时处理故障、提高加工质量、改进生产工艺。

对于维修管理模块而言，其优选包括维修分析、维修规划、维修执行三个子模块，其中维修分析子模块用于参照历史数据进行趋势分析、零件寿命的消耗分析、对多次出现的故障进行原因分析和对经常采用的维修措施进行分析改进；维修规划子模块用于确定所需资源、确定备件可用度、选择人员、根据故障位置、故障类型和故障程度，自动生成维修策略；维修执行子模块用于下达维修指令，并对维修执行情况进行记录、跟踪和管理。

综上，本发明通过对生产车间信号进行集中采集处理分析和管理，同时对实时数据和特征数据予以分类采集，相应能够分析整个生产流程，并重点对故障实现预测和维护。一旦有某个流程偏离了标准工艺，可以及时产生一个报警信号，能更快速地发现错误或者瓶颈所在，从而更容易解决问题。利用大数据分析结果，还可以建立生产过程模型，仿真并优化生产流程，有助于改进生产流程。

此外，通过加工产品时生成的庞大的检测结果，可以准确地发现产品良率波动的关键原因。除了可以快速地得到传统单一指标的过程能力分析报表之外，更重要的是还可以从大量数据中得到很多深入分析结果。在能耗分析方面，本发明由于在生产过程中能够集中、全面地监控所有的生产流程，能够发现能耗的异常或峰值情形，由此便可在生产过程中优化能源的消耗，实现绿色生产并降低成本。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种生产现场数据在线采集分析及故障预测系统，其特征在于，该系统适用于智能制造且基于B/S架构来建立，并包括底层传感网络单元、下位机采集站单元和上位机服务器单元，其中：

所述底层传感网络单元由各类传感器、采集卡和工业总线组成，并用于对智能制造车间内的各个生产设备实时检测其加工参数和设备状态信息，同时对加工过程中的产品质量信息、物流信息、能源消耗信息及加工人员信息等予以实时检测；

所述下位机采集站单元包括信号采集模块和信号分析传输模块，其中该信号采集模块与所述底层传感网络单元进行通讯，并用于实时获取与所述底层传感网络单元所检测信息相对应的所有数据；该信号分析传输模块用于将这些实时数据存入时序数据库内，同时从中提取反映加工缺陷的特征数据；

所述上位机服务器单元包括实时监测模块、故障诊断预测模块和维修管理模块，其中该实时监测模块与所述信号采集模块信号相连，并通过使用从其提取的所述实时数据来将智能制造车间的位姿和运行状态予以实时可视化显示，然后结合预设的阈值判断得出各个生产设备的初步健康结论；该故障诊断预测模块与所述信号分析传输模块信号相连，并通过使用从其提取的所述特征数据来进一步预测得出各个生产设备的故障所在；所述维修管理模块则依照所述实时检测模块、故障诊断预测模块所提供的信息，相应给出故障维修策略并执行维修措施，同时对维修执行情况进行记录。

2.如权利要求1所述的系统，其特征在于，对于所述下位机采集站单元而言，它的信号分析传输模块优选从时域、频域、时频域来计算得到所述特征数据。

3.如权利要求1或2所述的系统，其特征在于，对于所述下位机采集站单元而言，它的信号采集模块优选对所获取的实时数据进行编码，将数据不同的位赋予不同的属性值，并根据传感器的不同以及数值单位制定标志位，然后解码转成不同的对象。

4.如权利要求1-3任意一项所述的系统，其特征在于，对于所述上位机服务器单元而言，它的实时监测模块优选使用从所述信号采集模块提取的所述实时数据，并采用3DMax或CATIA来建立三维模型由此直观展现智能制造车间的加工场景，同时对各个加工设备的所有关键部件以状态条的形式显示其状态。

5.如权利要求1-4任意一项所述的系统，其特征在于，对于所述上位机服务器单元而言，它的故障诊断预测模块优选采用深度神经网络来构建故障预测模型，并且将所述特征信号作为该模型的输入层。

6.如权利要求1-5任意一项所述的系统，其特征在于，所述维修管理模块优选由维修分析、维修规划和维修执行三个子模块组成，其中该维修分析子模块用于结合历史数据对故障趋势、零件寿命、多次出现的故障及原因以及多次采用的维修措施等进行归纳分析；该维修规划子模块用于结合所述维修分析子模块所提供的分析结果，确定故障维修所需资源并针对故障位置、故障类型、故障程度、维护人员选择、备件可用度等方面自动生成维修策略；该维修执行子模块根据所述维修规划子模块所生成的维修策略下达指令，执行具体的维修操作并对执行情况进行记录和跟踪。

7.如权利要求1-6任意一项所述的系统，其特征在于，所述上位机服务器单元优选还包括故障模拟模块，其中该故障模拟模块用于对一些不便于进行实物试验的制造设备采用虚拟样机试验的方式执行故障机理分析，并相应提取故障特征集、质量特征集合工艺特征集。