CN110889395A - 基于机器学习的机械运动识别方法及系统 - Google Patents

基于机器学习的机械运动识别方法及系统 Download PDF

Info

Publication number
CN110889395A
CN110889395A CN201911270793.8A CN201911270793A CN110889395A CN 110889395 A CN110889395 A CN 110889395A CN 201911270793 A CN201911270793 A CN 201911270793A CN 110889395 A CN110889395 A CN 110889395A
Authority
CN
China
Prior art keywords
motion
video data
equipment
mechanical
trail
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.)
Granted
Application number
CN201911270793.8A
Other languages
English (en)
Other versions
CN110889395B (zh
Inventor
谢江勇
吴沛泽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Institute Of Intelligent Software Industry
Guangzhou Zhongke Yongxin Technology Co Ltd
Original Assignee
Guangzhou Institute Of Intelligent Software Industry
Guangzhou Zhongke Yongxin Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Institute Of Intelligent Software Industry, Guangzhou Zhongke Yongxin Technology Co Ltd filed Critical Guangzhou Institute Of Intelligent Software Industry
Priority to CN201911270793.8A priority Critical patent/CN110889395B/zh
Publication of CN110889395A publication Critical patent/CN110889395A/zh
Application granted granted Critical
Publication of CN110889395B publication Critical patent/CN110889395B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于机器学习的机械运动识别方法及系统，其中，机械运动识别方法包括：获取车间视频监测系统的视频数据采集；对视频数据进行工位核对，编码视频监控机位及目标设备工位；获取运动区域的运动部件类型；获取指定运动部件的运动轨迹特征参数；利用已有的典型识别样本，判断运动轨迹类型；根据运动轨迹的特征参数对运动轨迹进行统计分类，用于指定时间的统计进料物品数量、设备机械运动工作状况、出料物品数量。本发明实现了实时监控预测工业设备的工作状态的目的，进而可在第一时间发现工业设备的异常苗头，及时报警，杜绝事故的发生。

Description

基于机器学习的机械运动识别方法及系统
技术领域
本发明涉及电子信息技术领域，特别是涉及一种基于机器学习的机械运动识别方法及系统。
背景技术
我国目前存在大量的中小型制造企业，设备自动化和数字化水平较低，无法满足企业生产信息化管理的要求，对生产作业中的工况信息也依赖于人工判断，对企业生产效率、良品率的提升和生产成本的降低造成了很大阻碍。
例如在中小型轴承制造行业，其生产需要经过锻造、车加工、热处理、磨加工、装配等多个工艺流程，需要用到大量专用设备,同时产品又具有精度要求较高、少品种大批量的特点，因此对生产过程的管理要求也很高。
传统的生产车间数字化、自动化改造成本高，工况信息也需要通过昂贵的数控设备接口信息化改造来实现系统化监控，对企业造成了很大的成本压力。同时传统的监控设备依赖人工判定生产过程的视频信息，存在信息监控不及时、准确率不高等问题。
发明内容
针对车间的哑设备、半自动化设备不能及时提供生产作业工况信息，如开机、停机、空载、进料情况、出料情况等，提出一种基于机器学习的机械运动识别方法及系统，通过识别设备运行工况，导入到车间信息管理系统，进而对设备进行非接触式空中诊断，及时发现设备异常工况并实时报警或预警。
为了实现上述目的，本发明技术方案为：
一种基于机器学习的机械运动识别方法，其特征在于，包括步骤：
S1，对车间机械设备及工况进行视频数据采集，并对采集的视频数据进行标识、切割成指定时间片段视频数据；
S2，对视频数据的标识进行工位核对，根据视频采集点与目标设备工位的配置关系，编码视频指定时间片段的监控机位及目标设备工位；
S3，将编码后的视频指定时间片段数据按照时间线进行运动区域识别，标识视频中的运动区域，并切割成局部运动的视频数据；
S4，对切割后的局部运动视频数据按照指定时间间隔抽取运动区域特征参数；
S5，根据抽取的运动区域特征参数，利用已有典型识别样本的运动部件特征参数集，判断运动区域内的运动部件类型；
S6，根据局部运动视频数据，对局部运动视频数据进行特征提取，获取运动轨迹特征参数；
S7，根据指定部件的运动轨迹特征参数，并利用已有的典型识别样本的运动轨迹特征参数集，获取指定部件的运动轨迹类型参数；
S8，对指定部件的运动轨迹类型参数进行状态监测并统计分类，进而获得在指定时间的进料物品数量、设备机械运动工作状况和/或出料物品数量。
进一步地，S4中抽取运动区域特征参数是基于抽取运动特征的静态图片，根据抽取的运动特征的静态图片，对图片进行特征提取，进而获取运动区域特征参数。
更进一步地，对图片进行特征提取是基于LSTM的识别算法和光流特征。
进一步地，S6中对局部运动视频数据进行特征提取是基于对局部运动视频数据进行三维卷积算法获得的。
进一步地，S5中设备已有的典型识别样本的运动部件特征参数集包括可判断其运动部件类别的运动部件识别特征的参数库。
进一步地，S7中设备已有的典型识别样本的运动轨迹特征参数集包括可判断其运动轨迹类型特征的参数库。
更进一步地，通过可判断其运动轨迹类型特征的参数库来判断运动部件的运动轨迹的方法还包括在参数库内采用决策树算法，预测设备运行工况，再使用工时统计，与生产工单的目标产值匹配，预测工单异常事件；建立设备运动模型，分析设备运行效率。
一种基于机器学习的机械运动识别系统，其特征在于，包括：
数据采集单元，用于对车间内的机械设备及工况进行视频数据采集，并对采集的视频数据进行标识、切割成指定时间片段视频数据；
运动区域识别单元，用于对采集的指定时间片段视频数据按照时间线进行运动区域的识别，并抽取运动区域特征参数；
运动部件识别单元，用于根据识别样本的运动部件特征参数集，判断运动区域内的运动部件类型，并获取运动部件在运动区域的运动视频数据；
运动轨迹识别单元，用于对运动视频数据进行特征提取，获取运动轨迹特征参数，再根据已有的典型识别样本的运动轨迹特征参数集，获取指定部件的运动轨迹类型参数；
运动轨迹输出单元，用于对指定部件的运动轨迹类型参数进行状态监测并统计分类，进而获得在指定时间的进料物品数量、设备机械运动工作状况和/或出料物品数量。
上述技术方案具有如下有益效果：本发明从监测运动区域的视频数据，再到监测运动区域的运动部件，最后获取指定运动部件在运动区域内的运动轨迹，实现了实时监控预测工业设备的工作状态的目的，进而可在第一时间发现工业设备的异常苗头，及时报警，杜绝事故的发生；另外，本方案实时获取工业设备的监控视频数据，结合了工业生产管理控制数据、使用区域环境数据，从多角度评估工业生产的高效可控性，使生产管理更加精细。
附图说明
图1为本发明方法流程图。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的首选实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
如图1所示，一种基于机器学习的机械运动识别方法，包括步骤：
S1，对车间机械设备及工况进行视频数据采集，并对采集的视频数据进行标识、切割成指定时间片段视频数据，采集的数据包括设备开工、预热、打样生产、正式生产、待机、停机等监控视频数据，同时采集该设备工位信息、点检记录、巡检记录、生产订单、质检记录等；
S2，对视频数据的标识进行工位核对，根据视频采集点与目标设备工位的配置关系，编码视频指定时间片段的监控机位及目标设备工位；
S3，将编码后的视频指定时间片段数据按照时间线进行运动区域识别，标识视频中的运动区域，并切割成局部运动的视频数据；
S4，对切割后的局部运动视频数据按照指定时间间隔抽取运动区域特征参数，其中，抽取运动区域特征参数是基于抽取运动特征的静态图片，根据抽取的运动特征的静态图片，对图片进行特征提取，进而获取运动区域特征参数，对图片进行特征提取是基于LSTM的识别算法，加入光流特征，获取运动参数特征的。
S5，根据抽取的运动区域特征参数，利用已有典型识别样本的运动部件特征参数集，判断运动区域内的运动部件类型，并标记运动部件，其中，判断的方法是采用深度神经网络卷积算法，对切割后的运动区域视频数据进行识别，对比运动部件类型标记库，识别出设备运动部件类型，另外，已有典型识别样本的运动部件特征参数集包括可判断其运动部件类别的运动部件识别特征的参数库，主要是针对其典型工况的运动部件特征，获取指定的参数，并将这些参数进行分类，按照特征进行有序排列组合获得；
S6，根据局部运动视频数据，并根据S5的判断结果标识视频数据的运动部件编码，根据编码后的局部运动视频数据，使用三维卷积算法，对局部运动视频数据进行特征提取，获取运动轨迹特征参数；
S7，根据指定部件的运动轨迹特征参数，并利用已有的典型识别样本的运动轨迹特征参数集，结合深度神经网络卷积算法，对运动区域视频数据进行识别、对比运动轨迹标记库，获取指定部件的运动轨迹类型参数，具体而言，包括在参数库内采用决策树算法，预测设备运行工况，再使用工时统计，与生产工单的目标产值匹配，预测工单异常事件；建立设备运动模型，分析设备运行效率，其中，已有的典型识别样本的运动轨迹特征参数集包括可判断其运动轨迹类型特征的参数库，主要是针对其典型工况的运动轨迹特征，获取指定的参数，并将这些参数进行分类，按照特征进行有序排列组合；
S8，对指定部件的运动轨迹类型参数进行状态监测并统计分类，进而获得在指定时间的进料物品数量、设备机械运动工作状况和/或出料物品数量。
本方法可以应用于普通常规机械设备、部件生产车间，也特别适合用于本背景技术中提到的轴承生产车间，监测轴承的生产状况。
下面列举一个实现上述方法的机械运动识别系统，以下的机械运动识别系统可用于轴承生产监控方面，具体包括：
数据采集单元，用于对车间内的机械设备及工况进行视频数据采集，并对采集的视频数据进行标识、切割成指定时间片段视频数据；
运动区域识别单元，用于对采集的指定时间片段视频数据按照时间线进行运动区域的识别，并抽取运动区域特征参数；
运动部件识别单元，用于根据识别样本的运动部件特征参数集，判断运动区域内的运动部件类型，并获取运动部件在运动区域的局部运动视频数据；
运动轨迹识别单元，用于对运动视频数据进行特征提取，获取运动轨迹特征参数，再根据已有的典型识别样本的运动轨迹特征参数集，获取指定部件的运动轨迹类型参数；
运动轨迹输出单元，用于对指定部件的局部运动轨迹类型参数进行状态监测并统计分类，进而获得在指定时间的进料物品数量、设备机械运动工作状况和/或出料物品数量。
需要说明的是，数据采集单元可采用移动相机或多个相机组成的摄像系统。
运动区域识别单元、运动部件识别单元、运动轨迹识别单元和运动轨迹输出单元(简称处理系统)及/或实现的方法可基于具备AI功能的终端或者固定终端中，所述的终端并不限定于个人电脑、智能手机、平板电脑、安装有摄像头的台式机或一体机等。或由终端和通过网络与所述终端进行连接的服务器所构成的硬件环境中。网络包括但不限于：广域网、城域网或局域网，本实施例的机械运动识别方法可以由服务器来执行，也可以由终端来执行，还可以是由服务器和终端共同执行。
例如，对于需要进行机械运动AI识别处理终端，可以直接在终端上集成本实施例方法或/和处理系统所提供的机械运动AI识别处理功能，或者安装用于实现本实施例的方法或/和处理系统的客户端。再如，本实施例所提供的方法或/和处理系统还可以软件开发工具包(Software Development Kit，SDK)的形式运行在服务器等设备上，以SDK的形式提供机械运动AI识别处理功能的接口，终端或其他设备通过所提供的接口即可实现机械运动AI识别处理功能。
具体而言，数据采集单元采集的数据是要上传到AI云平台，由AI云平台对采集的视频数据进行运动区域识别、运动部件识别、运动轨迹识别和运动轨迹输出及获得在指定时间的进料物品数量、设备机械运动工作状况和/或出料物品数量。
以上所属实施例仅表达了本发明的集中实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制，应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种基于机器学习的机械运动识别方法，其特征在于，包括步骤：
S1，对车间机械设备及工况进行视频数据采集，并对采集的视频数据进行标识、切割成指定时间片段视频数据；
S2，对视频数据的标识进行工位核对，根据视频采集点与目标设备工位的配置关系，编码视频指定时间片段的监控机位及目标设备工位；
S3，将编码后的视频指定时间片段数据按照时间线进行运动区域识别，标识视频中的运动区域，并切割成局部运动的视频数据；
S4，对切割后的局部运动视频数据按照指定时间间隔抽取运动区域特征参数；
S5，根据抽取的运动区域特征参数，利用已有典型识别样本的运动部件特征参数集，判断运动区域内的运动部件类型；
S6，根据局部运动视频数据，对局部运动视频数据进行特征提取，获取运动轨迹特征参数；
S7，根据指定部件的运动轨迹特征参数，并利用已有的典型识别样本的运动轨迹特征参数集，获取指定部件的运动轨迹类型参数；
S8，对指定部件的运动轨迹类型参数进行状态监测并统计分类，进而获得在指定时间的进料物品数量、设备机械运动工作状况和/或出料物品数量。
2.如权利要求1所述的基于机器学习的机械运动识别方法，其特征在于：S4中抽取运动区域特征参数是基于抽取运动特征的静态图片，根据抽取的运动特征的静态图片，对图片进行特征提取，进而获取运动区域特征参数。
3.如权利要求2所述的基于机器学习的机械运动识别方法，其特征在于：对图片进行特征提取是基于LSTM的识别算法和光流特征。
4.如权利要求1所述的基于机器学习的机械运动识别方法，其特征在于：S6中对局部运动视频数据进行特征提取是基于对局部运动视频数据进行三维卷积算法获得的。
5.如权利要求1所述的基于机器学习的机械运动识别方法，其特征在于：S5中设备已有的典型识别样本的运动部件特征参数集包括可判断其运动部件类别的运动部件识别特征的参数库。
6.如权利要求1所述的基于机器学习的机械运动识别方法，其特征在于：S7中设备已有的典型识别样本的运动轨迹特征参数集包括可判断其运动轨迹类型特征的参数库。
7.如权利要求6所述的基于机器学习的机械运动识别方法，其特征在于：通过可判断其运动轨迹类型特征的参数库来判断运动部件的运动轨迹的方法还包括在参数库内采用决策树算法，预测设备运行工况，再使用工时统计，与生产工单的目标产值匹配，预测工单异常事件；建立设备运动模型，分析设备运行效率。
8.一种基于机械学习的机械运动识别系统，其特征在于，包括：
数据采集单元，用于对车间内的机械设备及工况进行视频数据采集，并对采集的视频数据进行标识、切割成指定时间片段视频数据；
运动区域识别单元，用于对采集的指定时间片段视频数据按照时间线进行运动区域的识别，并抽取运动区域特征参数；
运动部件识别单元，用于根据识别样本的运动部件特征参数集，判断运动区域内的运动部件类型，并获取运动部件在运动区域的运动视频数据；
运动轨迹识别单元，用于对运动视频数据进行特征提取，获取运动轨迹特征参数，再根据已有的典型识别样本的运动轨迹特征参数集，获取指定部件的运动轨迹类型参数；
运动轨迹输出单元，用于对指定部件的运动轨迹类型参数进行状态监测并统计分类，进而获得在指定时间的进料物品数量、设备机械运动工作状况和/或出料物品数量。
CN201911270793.8A 2019-12-12 2019-12-12 基于机器学习的机械运动识别方法及系统 Active CN110889395B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911270793.8A CN110889395B (zh) 2019-12-12 2019-12-12 基于机器学习的机械运动识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911270793.8A CN110889395B (zh) 2019-12-12 2019-12-12 基于机器学习的机械运动识别方法及系统

Publications (2)

Publication Number Publication Date
CN110889395A true CN110889395A (zh) 2020-03-17
CN110889395B CN110889395B (zh) 2023-08-15

Family

ID=69751579

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911270793.8A Active CN110889395B (zh) 2019-12-12 2019-12-12 基于机器学习的机械运动识别方法及系统

Country Status (1)

Country Link
CN (1) CN110889395B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111507261A (zh) * 2020-04-17 2020-08-07 无锡雪浪数制科技有限公司 一种基于视觉目标定位的工序操作质量监控方法
CN117853986A (zh) * 2024-03-06 2024-04-09 西安众望能源科技有限公司 一种基于油井设备的视频监控系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101271527A (zh) * 2008-02-25 2008-09-24 北京理工大学 一种基于运动场局部统计特征分析的异常行为检测方法
CN103065409A (zh) * 2012-12-14 2013-04-24 广州供电局有限公司 输电线监测预警系统
CN106598791A (zh) * 2016-09-12 2017-04-26 湖南微软创新中心有限公司 一种基于机器学习的工业设备故障预防性识别方法
CN110246157A (zh) * 2019-06-21 2019-09-17 大庆安瑞达科技开发有限公司 基于大数据监控的油气田设备生产状态判别系统与方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101271527A (zh) * 2008-02-25 2008-09-24 北京理工大学 一种基于运动场局部统计特征分析的异常行为检测方法
CN103065409A (zh) * 2012-12-14 2013-04-24 广州供电局有限公司 输电线监测预警系统
CN106598791A (zh) * 2016-09-12 2017-04-26 湖南微软创新中心有限公司 一种基于机器学习的工业设备故障预防性识别方法
CN110246157A (zh) * 2019-06-21 2019-09-17 大庆安瑞达科技开发有限公司 基于大数据监控的油气田设备生产状态判别系统与方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111507261A (zh) * 2020-04-17 2020-08-07 无锡雪浪数制科技有限公司 一种基于视觉目标定位的工序操作质量监控方法
CN111507261B (zh) * 2020-04-17 2023-05-26 无锡雪浪数制科技有限公司 一种基于视觉目标定位的工序操作质量监控方法
CN117853986A (zh) * 2024-03-06 2024-04-09 西安众望能源科技有限公司 一种基于油井设备的视频监控系统及方法
CN117853986B (zh) * 2024-03-06 2024-05-28 西安众望能源科技有限公司 一种基于油井设备的视频监控系统及方法

Also Published As

Publication number Publication date
CN110889395B (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
CN110971666A (zh) 一种物联网管理系统及其通讯方法
US10838938B2 (en) Process monitorer, process monitering system, process monitering method, process monitering program, and recording mediam
US20110166912A1 (en) Plant analysis system
CN111507147A (zh) 智能巡检方法、装置、计算机设备和存储介质
CN113253037B (zh) 基于电流波纹的边云协同设备状态监测方法及系统、介质
CN110889395B (zh) 基于机器学习的机械运动识别方法及系统
CN107390649B (zh) 一种项目型产品加工物联网支持系统
CN105488806A (zh) 一种工件位置追踪定位方法及定位系统
CN110096036A (zh) 一种设备状态的确定方法、装置及设备
CN115660288A (zh) 一种基于互联网大数据的分析管理系统
CN116244765A (zh) 一种基于工业互联网的设备维护管理方法
CN117078227A (zh) 一种基于标识解析的环境监测运维平台
CN114253242B (zh) 一种基于vpn的物联网云端设备数据采集系统
CN117114420B (zh) 一种基于图像识别的工贸安全事故风险管控系统和方法
CN111906772B (zh) 一种基于工业机器人的智能产品加工方法
KR102168737B1 (ko) 품질 분석 장치 및 품질 분석 방법
CN101191932A (zh) 一种液晶屏生产中辅助进行统计过程控制的方法及装置
US20230008435A1 (en) Tool Wear Monitoring Device, Tool Wear Monitoring System, and Program
CN116027725A (zh) 一种基于高效机房的群控优化分析系统
CN116416574A (zh) 基于视频的流水线加工作业分析方法及系统
CN114192583B (zh) 一种基于Scada平台的带钢轧制过程质量监控方法和系统
CN111176174A (zh) 一种面向冲压车间的多功能监管系统
CN116551467B (zh) 基于物联网监控数据的刀具磨损状态识别方法
WO2022158216A1 (ja) 作業管理装置、作業管理方法、および作業管理プログラム
CN115018332B (zh) 一种基于虚拟现实的火电厂可视化管理系统

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