CN109634233A - 工业大数据智能分析决策方法、可读存储介质和终端 - Google Patents
工业大数据智能分析决策方法、可读存储介质和终端 Download PDFInfo
- Publication number
- CN109634233A CN109634233A CN201811491111.1A CN201811491111A CN109634233A CN 109634233 A CN109634233 A CN 109634233A CN 201811491111 A CN201811491111 A CN 201811491111A CN 109634233 A CN109634233 A CN 109634233A
- Authority
- CN
- China
- Prior art keywords
- data
- industrial
- manufaturing
- manufaturing data
- decision
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004458 analytical method Methods 0.000 title claims abstract description 37
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000004519 manufacturing process Methods 0.000 claims abstract description 85
- 230000002159 abnormal effect Effects 0.000 claims abstract description 37
- 238000013480 data collection Methods 0.000 claims description 21
- 239000002184 metal Substances 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000003745 diagnosis Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 12
- 230000007547 defect Effects 0.000 description 8
- 238000009826 distribution Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 241001269238 Data Species 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000005530 etching Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000000265 homogenisation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005238 degreasing Methods 0.000 description 1
- 238000001312 dry etching Methods 0.000 description 1
- 238000005323 electroforming Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007747 plating Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 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)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种工业大数据智能分析决策方法、可读存储介质和终端，所述方法包括：获取历史的工业制造数据；对所获取的工业制造数据进行预处理，得到预处理后的工业制造数据；基于预处理后的工业制造数据，构造工业制造数据之间的关系网络模型；基于所构造的工业制造数据之间的关系网络模型，创建工业制造异常数据与解决方案之间的对应关系；基于所创建的工业制造异常数据与解决方案之间的对应关系，对于工业制造过程进行决策控制。上述的方案，可以提高工业制造过程决策控制的效率和智能化程度。
Description
技术领域
本发明属于工业制造技术领域，特别是涉及一种工业大数据智能分析决策方法、可读存储介质和终端。
背景技术
随着工业互联网的迅速发展，具有感知、监控能力的各类采集或控制传感或控制器以及泛在技术、移动通信、智能分析等技术不断融入到工业生产过程各个环节，从而大幅提高制造效率，改善产品质量，降低产品成本和资源消耗，最终实现将传统工业提升到智能化的新阶段。
但需注意的是，工业智能制造发展也面临着海量、高维、多源异构、高噪声等数据问题，这些数据在一定程度上使工业智能制造的运行性能与运行过程受到影响，要求借助数据实现工业智能制造的运行分析与决策。
但是，现有的工业制造过程决策控制方式，存在效率和智能化程度较为低下的问题。
发明内容
本发明解决的技术问题是如何提高工业制造过程决策控制的效率和智能化程度。
为了达到上述目的，本发明提供一种工业大数据智能分析决策方法，所述方法包括：
获取历史的工业制造数据：
对所获取的工业制造数据进行预处理，得到预处理后的工业制造数据；
基于预处理后的工业制造数据，构造工业制造数据之间的关系网络模型；
基于所构造的工业制造数据之间的关系网络模型，创建工业制造异常数据与解决方案之间的对应关系；
基于所创建的工业制造异常数据与解决方案之间的对应关系，对于工业制造过程进行决策控制。
可选地，所述对所获取的工业制造数据进行预处理，包括：
对所获取的工业制造数据进行清洗去噪。
可选地，所述基于预处理后的工业制造数据，构造工业制造数据之间的关系网络模型，包括：
对预处理后的工业制造数据创建索引，构建不同类型的工业制造数据的时序数据集；
按照目标尺度将具有不同时间尺度的不同类型的工业制造数据的时序数据集进行转换，得到不同类型的工业制造数据关于目标尺度的时序数据集；
基于不同类型的工业制造数据关于目标尺度的时序数据集，求解得到不同类型的工业制造数据之间的关联关系；
基于不同类型的工业制造数据之间的关联关系，构建工业制造数据关系网络模型。
可选地，所述基于所构造的工业制造数据之间的关系网络模型，创建工业制造异常数据与解决方案之间的对应关系，包括：
从所构造的工业制造数据之间的关系网络模型中提取工业制造数据的变化规律；
将偏离工业制造数据的变化规律的数据作为异常工业制造数据，并根据人工经验确定所述异常工业制造数据的解决方案；
将所述异常工业制造数据与对应的解决方案进行存储，形成决策专家知识库。
可选地，所述基于所创建的工业制造异常数据与解决方案之间的对应关系，对于工业制造过程进行决策控制，包括：
获取工业制造过程中产生的异常数据；
从所述决策专家知识库中匹配得到与所产生的异常数据对应的解决方案；
采用匹配得到的解决方案对工业制造设备进行控制，从而对所述工业制造过程进行决策控制。
可选地，所述方法还包括：
生成与所述异常数据对应的诊断报告并输出显示给用户。
可选地，所述方法还包括：
采用深度神经网络对历史工业制造数据和决策专家知识库中的数据进行训练，得到对应的工业制造设备性能预测模型；
在工业制造过程中，采用训练得到的工业制造设备性能预测模型对工业制造设备的性能指标进行预测。
可选地，所述工业制造数据为金属芯模制造数据。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述任一项所述的工业大数据智能分析决策方法的步骤。
本发明实施例还提供了一种终端，包括存储器和处理器，所述存储器上储存有能够在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行上述任一项所述的工业大数据智能分析决策方法的步骤。
与现有技术相比，本发明的有益效果为：
上述的方案，通过基于对所获取的工业制造数据进行预处理得到的预处理后的工业制造数据，构造工业制造数据之间的关系网络模型，并基于所构造的工业制造数据之间的关系网络模型，创建工业制造异常数据与解决方案之间的对应关系，再基于所创建的工业制造异常数据与解决方案之间的对应关系，对于工业制造过程进行决策控制，可以实现对工业制造工程的自动化决策控制，从而可以提高决策控制的智能化程度和效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的一种工业大数据智能分析决策方法的流程示意图；
图2是本发明实施例的一种工业大数据智能分析决策装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。本发明实施例中有关方向性指示(诸如上、下、左、右、前、后等)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
如背景技术所述，现有技术中的工业制造过程决策控制方式，在出现异常数据存在效率和智能化程度较为低下的问题。
本发明的技术方案通过基于对所获取的工业制造数据进行预处理得到的预处理后的工业制造数据，构造工业制造数据之间的关系网络模型，并基于所构造的工业制造数据之间的关系网络模型，创建工业制造异常数据与解决方案之间的对应关系，再基于所创建的工业制造异常数据与解决方案之间的对应关系，对于工业制造过程进行决策控制，可以实现对工业制造工程的自动化决策控制，从而可以提高决策控制的智能化程度和效率。
为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
图1是本发明实施例的一种工业大数据智能分析决策方法的流程示意图。参见图1，一种工业大数据智能分析决策方法，具体可以包括如下的步骤：
步骤S101：获取历史的工业制造数据。
在具体实施中，所述历史的工业制造数据为工业制造过程中收集到的可靠的历史工业制造数据，包括历史的工业智能制造设备运行参数以及性能指标数据等。
步骤S102：对所获取的工业制造数据进行预处理，得到预处理后的工业制造数据。
在具体实施中，对所获取的工业制造数据进行预处理，包括数值化、归一化、降维等清洗去噪操作。
步骤S103：基于预处理后的工业制造数据，构造工业制造数据之间的关系网络模型。
在具体实施中，造工业制造数据之间的关系网络模型时，包括以下的操作：
首先，对预处理后的工业制造数据创建索引，并构建不同类型的工业制造数据的时序数据集，具体地，首先对所得到的预处理后得到的工业制造数据进行快速索引，采用时序数据集的增量式多维索引方法，将局部索引、控制器局域网覆盖网络全局索引和增量式索引更新器结合，实现快速索引。
接着，按照目标尺度将具有不同时间尺度的不同类型的工业制造数据的时序数据集进行转换，得到不同类型的工业制造数据关于目标尺度的时序数据集。例如，将按秒度量的工业制造数据的时序数据集与按小时级时间尺度测量的工业制造数据之间进行统计分析，采用诸如多网格蒙特卡罗方法等时序数据集转换方法，通过时序数据集的小尺度离散化与大尺度均匀化过程，将不同工业制造数据按照目标尺度构建新的时序数据集，实现时序模型在不同时间尺度间的转换。
然后，将基于不同类型的工业制造数据关于目标尺度的时序数据集，求解得到不同类型的工业制造数据之间的关联关系。在本发明一实施例中，对关于目标时间尺度的不同类型的工业制造数据的时序数据集采用归一化算法构建数据关联关系描述模型，通过FP-growth算法求解得到不同类型的工业制造数据的关联关系。
最后，基于不同类型的工业制造数据之间的关联关系，构建工业制造数据关系网络模型。因工业制造系统与复杂网络在拓扑结构上具有相似性，通过建立不同类型制造数据与复杂网络节点之间的映射关系，以及产品、工艺、装备、系统等制造数据时序变化向复杂网络节点集聚、消散、衰亡、派生等行为的映射规则，可以获得基于复杂网络的制造数据关系网络模型，从而全面描述若干工艺参数误差的累积效应对工业设备性能的影响。通过发现设备加工数据影响缺陷分布数据所属模式、缺陷分布模式影响电性测试数据的显著波动，可以发现生产过程中数据呈现的线性或指数等内在规律。
步骤S104：基于所构造的工业制造数据之间的关系网络模型，创建工业制造异常数据与解决方案之间的对应关系。
在具体实施中，当构造得到工业制造数据之间的关系网络模型时，从工业制造数据之间的关系网络模型中可以确定工业生成过程中数据所呈现的内在发展规律，从而可以获取不同类型的工业制造数据中的异常数据，即不符合或偏离对应的数据内在发展规律的缺陷数据。通过先验经验确定对于不同类型的工业制造数据中的异常数据的处置方案或者称为解决方案，并构建不同类型的工业制造数据中的异常数据与对应的解决方案之间的对应关系存储至预设的决策专家知识库，以备在后续工业制造过程中使用。
步骤S105：基于所创建的工业制造异常数据与解决方案之间的对应关系，对于工业制造过程进行决策控制。
在具体实施中，当形成不同类型的工业制造数据中的异常数据与对应的解决方案之间的决策专家知识库时，便可以使用所述决策专家知识库在工业制造过程中监测到的异常数据匹配出对应的解决方案，从而实现对于工业制造过程的决策控制。
在具体实施中，本发明实施例中的工业大数据智能分析决策方法还可以包括：
步骤S106：生成与所述异常数据对应的诊断报告并输出显示给用户。
在具体实施中，为了便于用户对于工业制造过程进行实时的掌控和理解，可以将采集到的异常数据和对应的解决方案的信息生成对应的诊断报告并输出显示，以为操作人员提供决策支持。
在具体实施中，本发明实施例中的工业大数据智能分析决策方法还可以包括：
步骤S107：采用深度神经网络对历史工业制造数据和决策专家知识库中的数据进行训练，得到对应的工业制造设备性能预测模型，并在工业制造过程中，采用训练得到的工业制造设备性能预测模型对工业制造设备的性能指标进行预测。
在具体实施中，通过利用深度神经网络等机器学习方法，基于海量历史工业制造数据，构建以设备加工数据为输入层、多级缺陷分布数据和电性测试数据为隐藏层、工业设备性能预测数据为输出层的复杂结构深度神经网络，利用各层的连接关系描述数据之间的相关性系数，实现运行规律知识的描述与表达，从而根据设备加工数据对工业设备性能预测数据地准确预测。
本发明实施例中的上述技术方案通过工业制造认知数据库，认知数据库，进行数据时序模型和关系网络模型的构建，发现数据间影响规律及隐藏其间的关系。再利用认知数据库结果评估挖掘，深加工数据，进行多维分析，明确工业智能制造过程中生产性能指标的内在关系。然后进行行为预测，结合数据挖掘得出的结果，分析这些性能指标所受工业智能制造运行数据的影响，利用工业智能制造的性能预测模型，如若发生故障，设备能有应激维护措施，若未发生故障，能主动预警。最后进行状态决策，与预测不同的是，预测侧重于对工业智能制造运行过程中数据的时变特性预测，而决策强调结合分析预测结果提出相关的优化策略。
下面将以金属芯模制造为例，对本发明实施例中的工业大数据智能分析决策方法进行描述。
工业制造金属芯模的环节中每天都会产生大量的告警信息，由于告警信息与金属芯模相关模型与数据间难以关联，无法形成统一的模型，所以工作人员需要根据人工经验在各数据模块间判断运行情况，从而影响决策时间，失去处置故障的良机。且工业制造金属芯模的环节故障分析及辅助决策的相关软件仅停留在多源信息的一体化展示，依然需要人工经验去应对和处理。因此，对监控关联数据统一化，打通数据链对机加工设备运行状态的获取，并对数据进行时序分析、关系网络建模、聚类分析、专家知识库与知识推理等智能分析方法，从而拥有决策推送的功能，增强自主决策能力。具体而言，包括：
步骤一，通过数据预处理手段从海量高速的金属芯模制造数据中抽取正确可靠的历史数据，通过数值化、归一化、降维等方法进行清洗去噪处理，对结构化的原料等供应清单、非结构化的图像音频等、半结构化的XML及HTML文件等统一化处理并按列存储于hadoop的HBase数据库，为工业运行分析与决策提供可靠、可复用的数据资源支持。
步骤二，对工业制造金属芯模的预处理数据进行快速索引，采用时序数据集的增量式多维索引方法，即当索引得到某批次金属芯模在某台刻蚀机上干法刻蚀时温度传感器测到的空气温度的度量值集合时，将局部索引、控制器局域网覆盖网络全局索引和增量式索引更新器结合，实现快速索引。
步骤三，将按秒度量的刻蚀机空气温度与按小时级时间尺度测量的金属芯模刻蚀腔槽深度之间的统计分析，采用多网格蒙特卡罗方法，建立时序数据集的小尺度离散化与大尺度均匀化过程，根据目标尺度构建新的时序数据集，实现时序模型在不同时间尺度间的转换。
步骤四，对金属芯模优良率数据产生影响的金属片尺寸数据、刻蚀工艺数据等不同类型制造数据的时间序列尺度通过归一化算法构建数据关联关系描述模型，并通过FP-growth算法求解得到数据关联关系。
步骤五，由于工业制造系统与复杂网络在拓扑结构上具有相似性，建立不同类型制造数据与复杂网络节点之间的映射关系，以及产品、工艺、装备、系统等制造数据时序变化向复杂网络节点集聚、消散、衰亡、派生等行为的映射规则，获得基于复杂网络的制造数据关系网络模型，从而全面描述若干工艺参数误差的累积效应对金属芯模良率数据的影响。通过发现设备加工数据影响缺陷分布数据所属模式、缺陷分布模式影响电性测试数据的显著波动，可以发现生产过程中数据呈现的线性或指数等内在规律。
步骤六，在工业制造金属芯模过程中，建立监控智能辅助决策专家知识库，把监控员分析信号的经验变成专家知识库规则。定义制造过程可能产生的事故脱脂、弱浸蚀、制备分离层、镀裹紧层、电铸、机加工、加固、脱模和热处理规则，越限阀值规则，告警规则，保护开关动作等，进而满足专家知识库分析判断告警信号是否为事故告警。将金属芯模数据变化趋势，定义告警阀值，匹配处置预案及决策建议进行关联，一旦根据专家规则出现与专家知识库中类似的情况则智能的给出相应的预案及处置建议，为工作人员提供决策支持。
步骤七，利用深度神经网络等机器学习方法，基于海量历史数据，构建以设备加工数据为输入层、多级缺陷分布数据和电性测试数据为隐藏层、金属芯模优良数据为输出层的复杂结构深度神经网络，利用各层的连接关系描述数据之间的相关性系数，实现运行规律知识的描述与表达，从而根据设备加工数据对金属芯模良率进行准确预测。
步骤八，在金属芯模制造过程中产生的数据进行监控管理，监控数据通过与决策专家知识库关联匹配，对调度管理流程提供设备类数据支持，在流程中自动推送及查询设备监控信息，实现设备状态的同步感知功能。发现设备缺陷主动发起设备处置流程并提供设备状态支撑。在设备检修计划管理时，若该设备存在尚未处置完成的缺陷，则给出设备缺陷提示，并给检修系统推送该设备缺陷状态标识，设备缺陷处理结束后对返回的处理结果存储。在基于专家知识库判断结束后，系统自动生成诊断报告。系统可提供格式化报告，将诊断结果显示给操作员，各开关动作原因及评价、各保护动作原因及建议、设备运转情况、筛选出的异常信息及原因。
上述对本发明实施例中的工业大数据智能分析决策方法进行了详细的描述，下面将对上述的方法对应的装置进行介绍。
图2示出了本发明实施例中的一种工业大数据智能分析决策装置的结构示意图。参见图2，本发明实施例中的一种工业大数据智能分析决策装置20可以包括获取单元201、预处理单元202、构造单元203、创建单元204和决策控制单元205，其中：
所述获取单元201，适于获取历史的工业制造数据。
预处理单元202，适于对所获取的工业制造数据进行预处理，得到预处理后的工业制造数据。
构造单元203，适于基于预处理后的工业制造数据，构造工业制造数据之间的关系网络模型。
创建单元204，适于基于所构造的工业制造数据之间的关系网络模型，创建工业制造异常数据与解决方案之间的对应关系。
决策控制单元205，适于基于所创建的工业制造异常数据与解决方案之间的对应关系，对于工业制造过程进行决策控制。
在具体实施中，所述预处理单元202，适于对所获取的工业制造数据进行清洗去噪。
在本发明一实施例中，所述构造单元203，适于对预处理后的工业制造数据创建索引，构建不同类型的工业制造数据的时序数据集；按照目标尺度将具有不同时间尺度的不同类型的工业制造数据的时序数据集进行转换，得到不同类型的工业制造数据关于目标尺度的时序数据集；基于不同类型的工业制造数据关于目标尺度的时序数据集，求解得到不同类型的工业制造数据之间的关联关系；基于不同类型的工业制造数据之间的关联关系，构建工业制造数据关系网络模型。
在本发明一实施例中，所述创建单元204，适于从所构造的工业制造数据之间的关系网络模型中提取工业制造数据的变化规律；将偏离工业制造数据的变化规律的数据作为异常工业制造数据，并根据人工经验确定所述异常工业制造数据的解决方案；将所述异常工业制造数据与对应的解决方案进行存储，形成决策专家知识库。
在本发明一实施例中，所述决策控制单元205，适于获取工业制造过程中产生的异常数据；从所述决策专家知识库中匹配得到与所产生的异常数据对应的解决方案；采用匹配得到的解决方案对工业制造设备进行控制，从而对所述工业制造过程进行决策控制。
在具体实施中，所述工业大数据智能决策分析装置20还可以包括：
诊断报告单元206，适于生成与所述异常数据对应的诊断报告并输出显示给用户。
在具体实施中，所述工业大数据智能决策分析装置20还可以包括：
性能预测单元207，适于采用深度神经网络对历史工业制造数据和决策专家知识库中的数据进行训练，得到对应的工业制造设备性能预测模型；在工业制造过程中，采用训练得到的工业制造设备性能预测模型对工业制造设备的性能指标进行预测。
可选地，所述工业制造数据为金属芯模制造数据。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行所述的工业大数据智能分析决策方法的步骤。其中，所述的工业大数据智能分析决策方法请参见前述部分的介绍，不再赘述。
本发明实施例还提供了一种终端，包括存储器和处理器，所述存储器上储存有能够在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行所述的工业大数据智能分析决策方法的步骤。其中，所述的工业大数据智能分析决策方法请参见前述部分的介绍，不再赘述。
采用本发明实施例中的上述方案，通过基于对所获取的工业制造数据进行预处理得到的预处理后的工业制造数据，构造工业制造数据之间的关系网络模型，并基于所构造的工业制造数据之间的关系网络模型，创建工业制造异常数据与解决方案之间的对应关系，再基于所创建的工业制造异常数据与解决方案之间的对应关系，对于工业制造过程进行决策控制，可以实现对工业制造工程的自动化决策控制，从而可以提高决策控制的智能化程度和效率。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，本发明要求保护范围由所附的权利要求书、说明书及其等效物界定。
Claims (10)
1.一种工业大数据智能分析决策方法，其特征在于，包括：
获取历史的工业制造数据：
对所获取的工业制造数据进行预处理，得到预处理后的工业制造数据；
基于预处理后的工业制造数据，构造工业制造数据之间的关系网络模型；
基于所构造的工业制造数据之间的关系网络模型，创建工业制造异常数据与解决方案之间的对应关系；
基于所创建的工业制造异常数据与解决方案之间的对应关系，对于工业制造过程进行决策控制。
2.根据权利要求1所述的工业大数据智能分析决策方法，其特征在于，所述对所获取的工业制造数据进行预处理，包括：
对所获取的工业制造数据进行清洗去噪。
3.根据权利要求1所述的工业大数据智能分析决策方法，其特征在于，所述基于预处理后的工业制造数据，构造工业制造数据之间的关系网络模型，包括：
对预处理后的工业制造数据创建索引，构建不同类型的工业制造数据的时序数据集；
按照目标尺度将具有不同时间尺度的不同类型的工业制造数据的时序数据集进行转换，得到不同类型的工业制造数据关于目标尺度的时序数据集；
基于不同类型的工业制造数据关于目标尺度的时序数据集，求解得到不同类型的工业制造数据之间的关联关系；
基于不同类型的工业制造数据之间的关联关系，构建工业制造数据关系网络模型。
4.根据权利要求1所述的工业大数据智能分析决策方法，其特征在于，所述基于所构造的工业制造数据之间的关系网络模型，创建工业制造异常数据与解决方案之间的对应关系，包括：
从所构造的工业制造数据之间的关系网络模型中提取工业制造数据的变化规律；
将偏离工业制造数据的变化规律的数据作为异常工业制造数据，并根据人工经验确定所述异常工业制造数据的解决方案；
将所述异常工业制造数据与对应的解决方案进行存储，形成决策专家知识库。
5.根据权利要求4所述的工业大数据智能分析决策方法，其特征在于，所述基于所创建的工业制造异常数据与解决方案之间的对应关系，对于工业制造过程进行决策控制，包括：
获取工业制造过程中产生的异常数据；
从所述决策专家知识库中匹配得到与所产生的异常数据对应的解决方案；
采用匹配得到的解决方案对工业制造设备进行控制，从而对所述工业制造过程进行决策控制。
6.根据权利要求5所述的工业大数据智能分析决策方法，其特征在于，还包括：
生成与所述异常数据对应的诊断报告并输出显示给用户。
7.根据权利要求4所述的工业大数据智能分析决策方法，其特征在于，还包括：
采用深度神经网络对历史工业制造数据和决策专家知识库中的数据进行训练，得到对应的工业制造设备性能预测模型；
在工业制造过程中，采用训练得到的工业制造设备性能预测模型对工业制造设备的性能指标进行预测。
8.根据权利要求1-7任一项所述的工业大数据智能分析决策方法，其特征在于，所述工业制造数据为金属芯模制造数据。
9.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述计算机指令运行时执行权利要求1至8任一项所述的工业大数据智能分析决策方法的步骤。
10.一种终端，其特征在于，包括存储器和处理器，所述存储器上储存有能够在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行权利要求1至8任一项所述的工业大数据智能分析决策方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811491111.1A CN109634233A (zh) | 2018-12-06 | 2018-12-06 | 工业大数据智能分析决策方法、可读存储介质和终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811491111.1A CN109634233A (zh) | 2018-12-06 | 2018-12-06 | 工业大数据智能分析决策方法、可读存储介质和终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109634233A true CN109634233A (zh) | 2019-04-16 |
Family
ID=66071902
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811491111.1A Pending CN109634233A (zh) | 2018-12-06 | 2018-12-06 | 工业大数据智能分析决策方法、可读存储介质和终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109634233A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112579845A (zh) * | 2020-12-29 | 2021-03-30 | 江西省能源大数据有限公司 | 工业大数据展示地理信息系统平台 |
| CN113392155A (zh) * | 2020-09-08 | 2021-09-14 | 重庆高新技术产业研究院有限责任公司 | 面向多类型产业集群互联网流式数据存储与计算系统 |
| CN113778026A (zh) * | 2021-07-30 | 2021-12-10 | 苏州集云云信息科技有限公司 | 一种基于工业物联网的监控方法及系统 |
| CN115242414A (zh) * | 2021-04-15 | 2022-10-25 | 华晨宝马汽车有限公司 | 基于工业实时数据的隐写方法、系统、介质及程序 |
| CN115793588A (zh) * | 2022-12-21 | 2023-03-14 | 广州市智慧农业服务股份有限公司 | 一种基于工业物联网的数据采集方法及系统 |
| CN115903599A (zh) * | 2022-11-24 | 2023-04-04 | 上海乐存信息科技有限公司 | 一种基于mcu的制造方法及装置 |
| CN117649107A (zh) * | 2024-01-29 | 2024-03-05 | 上海朋熙半导体有限公司 | 自动决策节点创建方法、装置、系统及可读介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102637019A (zh) * | 2011-02-10 | 2012-08-15 | 武汉科技大学 | 一种工业生产过程智能集成故障诊断方法及装置 |
| CN104766139A (zh) * | 2015-03-27 | 2015-07-08 | 大唐淮南洛河发电厂 | 基于工业互联网的火电厂设备故障诊断与检修优化方法及系统 |
| US20160091397A1 (en) * | 2014-09-25 | 2016-03-31 | General Electric Company | Systems and methods for fault analysis |
| CN106779316A (zh) * | 2016-11-25 | 2017-05-31 | 中国电子科技集团公司第三十八研究所 | 一种雷达电子装备制造物联系统 |
| CN107770797A (zh) * | 2016-08-17 | 2018-03-06 | 中国移动通信集团内蒙古有限公司 | 一种无线网络告警管理的关联分析方法及系统 |
| CN108228822A (zh) * | 2017-12-31 | 2018-06-29 | 武汉企鹅能源数据有限公司 | 一种基于工业大数据的设备状态预测分析系统 |
| CN108388208A (zh) * | 2017-12-30 | 2018-08-10 | 北京航天智造科技发展有限公司 | 一种基于工业互联网的设备管理系统 |
| CN108564254A (zh) * | 2018-03-15 | 2018-09-21 | 国网四川省电力公司绵阳供电公司 | 基于大数据的配电设备状态可视化平台 |
| CN108596229A (zh) * | 2018-04-13 | 2018-09-28 | 北京华电智慧科技产业有限公司 | 在线异常的监测诊断方法和系统 |
| CN108763729A (zh) * | 2018-05-24 | 2018-11-06 | 西安交通大学 | 基于网络结构熵的流程工业机电系统耦合状态评估方法 |
| CN108873830A (zh) * | 2018-05-31 | 2018-11-23 | 华中科技大学 | 一种生产现场数据在线采集分析及故障预测系统 |
-
2018
- 2018-12-06 CN CN201811491111.1A patent/CN109634233A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102637019A (zh) * | 2011-02-10 | 2012-08-15 | 武汉科技大学 | 一种工业生产过程智能集成故障诊断方法及装置 |
| US20160091397A1 (en) * | 2014-09-25 | 2016-03-31 | General Electric Company | Systems and methods for fault analysis |
| CN104766139A (zh) * | 2015-03-27 | 2015-07-08 | 大唐淮南洛河发电厂 | 基于工业互联网的火电厂设备故障诊断与检修优化方法及系统 |
| CN107770797A (zh) * | 2016-08-17 | 2018-03-06 | 中国移动通信集团内蒙古有限公司 | 一种无线网络告警管理的关联分析方法及系统 |
| CN106779316A (zh) * | 2016-11-25 | 2017-05-31 | 中国电子科技集团公司第三十八研究所 | 一种雷达电子装备制造物联系统 |
| CN108388208A (zh) * | 2017-12-30 | 2018-08-10 | 北京航天智造科技发展有限公司 | 一种基于工业互联网的设备管理系统 |
| CN108228822A (zh) * | 2017-12-31 | 2018-06-29 | 武汉企鹅能源数据有限公司 | 一种基于工业大数据的设备状态预测分析系统 |
| CN108564254A (zh) * | 2018-03-15 | 2018-09-21 | 国网四川省电力公司绵阳供电公司 | 基于大数据的配电设备状态可视化平台 |
| CN108596229A (zh) * | 2018-04-13 | 2018-09-28 | 北京华电智慧科技产业有限公司 | 在线异常的监测诊断方法和系统 |
| CN108763729A (zh) * | 2018-05-24 | 2018-11-06 | 西安交通大学 | 基于网络结构熵的流程工业机电系统耦合状态评估方法 |
| CN108873830A (zh) * | 2018-05-31 | 2018-11-23 | 华中科技大学 | 一种生产现场数据在线采集分析及故障预测系统 |
Non-Patent Citations (1)
| Title |
|---|
| 周东华 等: "工业过程异常检测、寿命预测与维修决策的研究进展", 《自动化学报》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113392155A (zh) * | 2020-09-08 | 2021-09-14 | 重庆高新技术产业研究院有限责任公司 | 面向多类型产业集群互联网流式数据存储与计算系统 |
| CN112579845A (zh) * | 2020-12-29 | 2021-03-30 | 江西省能源大数据有限公司 | 工业大数据展示地理信息系统平台 |
| CN115242414A (zh) * | 2021-04-15 | 2022-10-25 | 华晨宝马汽车有限公司 | 基于工业实时数据的隐写方法、系统、介质及程序 |
| CN113778026A (zh) * | 2021-07-30 | 2021-12-10 | 苏州集云云信息科技有限公司 | 一种基于工业物联网的监控方法及系统 |
| CN115903599A (zh) * | 2022-11-24 | 2023-04-04 | 上海乐存信息科技有限公司 | 一种基于mcu的制造方法及装置 |
| CN115793588A (zh) * | 2022-12-21 | 2023-03-14 | 广州市智慧农业服务股份有限公司 | 一种基于工业物联网的数据采集方法及系统 |
| CN115793588B (zh) * | 2022-12-21 | 2023-09-08 | 广东暨通信息发展有限公司 | 一种基于工业物联网的数据采集方法及系统 |
| CN117649107A (zh) * | 2024-01-29 | 2024-03-05 | 上海朋熙半导体有限公司 | 自动决策节点创建方法、装置、系统及可读介质 |
| CN117649107B (zh) * | 2024-01-29 | 2024-05-14 | 上海朋熙半导体有限公司 | 自动决策节点创建方法、装置、系统及可读介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109634233A (zh) | 工业大数据智能分析决策方法、可读存储介质和终端 | |
| CN111596604B (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 | |
| CN109614451A (zh) | 工业大数据智能分析决策装置 | |
| CN112418277B (zh) | 旋转机械零部件剩余寿命预测方法、系统、介质、设备 | |
| CN107273924B (zh) | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 | |
| US10921759B2 (en) | Computer system and method for monitoring key performance indicators (KPIs) online using time series pattern model | |
| Abu-Samah et al. | Failure prediction methodology for improved proactive maintenance using Bayesian approach | |
| CN114048600A (zh) | 一种数字孪生驱动的多模型融合工业系统异常检测方法 | |
| CN113837000A (zh) | 一种基于任务排序元学习的小样本故障诊断方法 | |
| CN108491931B (zh) | 一种基于机器学习提高无损检测精度的方法 | |
| Lu et al. | Joint training of a predictor network and a generative adversarial network for time series forecasting: A case study of bearing prognostics | |
| CN105975797A (zh) | 一种基于模糊数据处理的产品早期故障根原因识别方法 | |
| CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
| CN116224947B (zh) | 可主动融入领域规则知识的深度学习工业控制系统 | |
| CN109800894A (zh) | 一种基于深度学习发现计量自动化流水线故障诊断方法及诊断系统 | |
| CN117556366B (zh) | 基于数据筛选的数据异常检测系统及方法 | |
| CN117406689A (zh) | 一种数据驱动与知识引导的故障诊断方法及系统 | |
| CN116705272A (zh) | 基于多维诊断的设备健康状态综合评价方法 | |
| CN115983684B (zh) | 一种制冷用铜管生产缺陷管理方法及系统 | |
| CN115310499B (zh) | 一种基于数据融合的工业设备故障诊断系统及方法 | |
| CN116363843A (zh) | 试验室设备预警系统 | |
| CN115718880A (zh) | 一种复杂装备退化阶段的预测方法 | |
| CN115115213A (zh) | 一种钢铁产品质量特性的追溯分析方法及装置 | |
| CN114118844A (zh) | 一种汽车零部件质量分析系统 | |
| CN114779739A (zh) | 基于概率图模型的云边端协同下工业过程的故障监测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190416 |