CN111275331A - 一种生产系统的监控方法和装置 - Google Patents
一种生产系统的监控方法和装置 Download PDFInfo
- Publication number
- CN111275331A CN111275331A CN202010065341.2A CN202010065341A CN111275331A CN 111275331 A CN111275331 A CN 111275331A CN 202010065341 A CN202010065341 A CN 202010065341A CN 111275331 A CN111275331 A CN 111275331A
- Authority
- CN
- China
- Prior art keywords
- equipment
- parameter
- parameters
- production
- production system
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012544 monitoring process Methods 0.000 title claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 230000007547 defect Effects 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012806 monitoring device Methods 0.000 claims description 2
- 201000010099 disease Diseases 0.000 abstract description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 241000208125 Nicotiana Species 0.000 description 4
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种生产系统的监控方法和装置，所述生产系统包括多个用于生产的设备，所述方法包括：获取生产输出参数与设备运行参数之间的相关系数；根据所述相关系数筛选出有效的设备运行参数；对所述有效的设备运行参数进行预处理，生成第一对比参数；获取对所述生产设备的参数进行预测的与所述第一对比参数相对应的第二对比参数；计算所述第一对比参数与所述第二对比参数的对应差值，并基于所述对应差值计算拟合曲线的斜率；基于所述斜率的值，确定所述生产系统的状态。本发明可以提前预判生产系统是否正常，避免生产系统“带病”运行，进而避免设备损坏影响产品质量。
Description
技术领域
本发明涉及设备制造，特别是涉及一种生产系统的监控方法和装置。
背景技术
现今各行各业使用的加工设备众多，特别是烟草行业制丝工序为流水线作业，其单线加工设备涉及几十种且部分设备还有多种型号，这些设备的健康状态一直是监控的空白区域，使设备运维沦为了设备的修理，不能起到设备依状态检修，提前预防的目的。
行业外一些单位也做过设备预防化检修的试验，但是都是仅限于设备运行信息采集汇总如：温度、转速、频率等的采集，以获取有用信息，但是此种方法并不能发现设备的运行是否有问题，所以设备如果处于带病运行的状态，轻则设备损坏，重则影响产品质量。
发明内容
基于此，有必要提供一种生产系统的监控方法和装置，提前预判生产系统是否正常，避免生产系统“带病”运行，进而避免设备损坏影响产品质量。
一种生产系统的监控方法，所述生产系统包括多个用于生产的设备，所述方法包括：
获取生产输出参数与设备运行参数之间的相关系数；
根据所述相关系数筛选出有效的设备运行参数；
对所述有效的设备运行参数进行预处理，生成第一对比参数；
获取对所述生产设备的参数进行预测的与所述第一对比参数相对应的第二对比参数；
计算所述第一对比参数与所述第二对比参数的对应差值，并基于所述对应差值计算拟合曲线的斜率；
基于所述斜率的值，确定所述生产系统的状态。
优选的，所述根据所述相关系数筛选出有效的设备运行参数，包括：
确定所述相关系数是否在预设的区间；
若是，则将与所述相关系数对应的设备运行参数确定为有效的设备运行参数。
优选的，所述对所述有效的设备运行参数进行预处理，生成第一对比参数，包括：
从所述有效的设备运行参数中剔除存在缺陷的参数，得到第一目标参数；
计算所述第一目标参数的平均值和方差，并从所述第一目标参数中获取大于平均值与方差的差值且小于平均值与方差的和值的第二目标参数；
对所述第二目标参数进行归一化处理，得到在映射区间[0，1]的第一对比参数。
优选的，所述获取对所述生产设备的参数进行预测的与所述第一对比参数相对应的第二对比参数，包括：
对贝叶斯模型进行正则化，以获取优化后的参数；
基于优化后的参数对BP神经网络模型进行优化，生成对所述生产设备的参数进行预测的预测模型；
基于所述预测模型，预测并生成与所述第一对比参数相对应的第二对比参数。
优选的，所述基于所述斜率的值，确定所述生产设备的状态，包括：
当所述斜率为零时，表示所述生产系统正常；
当所述斜率不为零时，表示生产系统异常。
优选的，所述方法还包括：
当基于所述斜率的值，确定所述生产系统异常时，基于设备的输出值，预判出对应的设备运行参数；
将预判的所述设备运行参数与实际的设备运行参数进行对比拟合；
若拟合曲线的斜率不为零，则预判对应的设备异常。
优选的，所述方法还包括：
当基于所述斜率的值，确定所述生产系统异常时，获取设备重点部位的运行参数；
如果所述设备重点部位的运行参数在正常的区间，表示所述设备重点部位的运行正常。
优选的，所述方法还包括：
当基于所述斜率的值，确定所述生产系统异常时，获取设备重点部位在一段时间内累积的运行参数；
基于所述设备重点部位在一段时间内累积的运行参数，生成对应的拟合曲线；
基于所述拟合曲线的斜率判定所述设备重点部位的运行状态的状态。
一种生产系统的监控装置，所述生产系统包括多个用于生产的设备，所述装置包括：
第一获取模块，用于获取生产输出参数与设备运行参数之间的相关系数；
筛选模块，用于根据所述相关系数筛选出有效的设备运行参数；
生成模块，用于对所述有效的设备运行参数进行预处理，生成第一对比参数；
第二获取模块，用于获取对所述生产设备的参数进行预测的与所述第一对比参数相对应的第二对比参数；
计算模块，用于计算所述第一对比参数与所述第二对比参数的对应差值，并基于所述对应差值计算拟合曲线的斜率；
确定模块，用于基于所述斜率的值，确定所述生产系统的状态。
本发明中，获取生产输出参数与设备运行参数之间的相关系数；根据所述相关系数筛选出有效的设备运行参数；对所述有效的设备运行参数进行预处理，生成第一对比参数；获取对所述生产设备的参数进行预测的与所述第一对比参数相对应的第二对比参数；计算所述第一对比参数与所述第二对比参数的对应差值，并基于所述对应差值计算拟合曲线的斜率；基于所述斜率的值，确定所述生产系统的状态。由此，本发明中，在生产系统运行过程中，可以实时的得到生产系统中设备的第一对比参数，并实时的对生产系统中设备的运行参数进行预测，生成第二对比参数；然后将第一对比参数和第二对比参数计算差值并进行拟合，从而确定生产系统的状态，实现了对生产系统的运行状态的提前预判，避免生产系统“带病”运行，进而避免设备损坏影响产品质量。
附图说明
图1为一实施例的生产系统的监控方法的流程图；
图2为一实施例的生产系统的监控装置的结构图。
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。
图1为一实施例的生产系统的监控方法的流程图，所述生产系统包括多个用于生产的设备，如图1所示，该方法包括：
步骤110，获取生产输出参数与设备运行参数之间的相关系数；
步骤120，根据所述相关系数筛选出有效的设备运行参数；
步骤130，对所述有效的设备运行参数进行预处理，生成第一对比参数；
步骤140，获取对所述生产设备的参数进行预测的与所述第一对比参数相对应的第二对比参数；
步骤150，计算所述第一对比参数与所述第二对比参数的对应差值，并基于所述对应差值计算拟合曲线的斜率；
步骤160，基于所述斜率的值，确定所述生产系统的状态。
本发明中，获取生产输出参数与设备运行参数之间的相关系数；根据所述相关系数筛选出有效的设备运行参数；对所述有效的设备运行参数进行预处理，生成第一对比参数；获取对所述生产设备的参数进行预测的与所述第一对比参数相对应的第二对比参数；计算所述第一对比参数与所述第二对比参数的对应差值，并基于所述对应差值计算拟合曲线的斜率；基于所述斜率的值，确定所述生产系统的状态。由此，本发明中，在生产系统运行过程中，可以实时的得到生产系统中设备的第一对比参数，并实时的对生产系统中设备的运行参数进行预测，生成第二对比参数；然后将第一对比参数和第二对比参数计算差值并进行拟合，从而确定生产系统的状态，实现了对生产系统的运行状态的提前预判，避免生产系统“带病”运行，进而避免设备损坏影响产品质量。
本实施例中，相关系数表示一个生产输出参数与至少一个设备运行参数之间的相关程度。相关系数越大，表示相关程度越高，相关系数越小，表示相关程度越小。
其中，步骤120中，所述根据所述相关系数筛选出有效的设备运行参数，包括：
确定所述相关系数是否在预设的区间；
若是，则将与所述相关系数对应的设备运行参数确定为有效的设备运行参数。
本实施例中，在烟丝的生产过程中，薄板烘丝机的热风温度与热风风机频率、进散热器蒸汽压力、进散热器蒸汽薄膜阀开度具有相关性，相关性分析如以下表1所示：
表1
在表1中，r表示相关系数，可以判断相关系数是否在预设的区间，如[0.8,1]，本实施例中，预设的区间并非唯一的，可以根据用户的需要设置。当在区间时，表示高度相关，可以作为有效的设备运行参数。不在区间时，表示中度相关或者不相关，不能作为有效的设备运行参数。
本实施例步骤130中，所述对所述有效的设备运行参数进行预处理，生成第一对比参数，包括：
从所述有效的设备运行参数中剔除存在缺陷的参数，得到第一目标参数；
计算所述第一目标参数的平均值和方差，并从所述第一目标参数中获取大于平均值与方差的差值且小于平均值与方差的和值的第二目标参数；
对所述第二目标参数进行归一化处理，得到在映射区间[0，1]的第一对比参数。
其中，从所述有效的设备运行参数中剔除存在缺陷的参数时，需要剔除明显存在缺陷的数据，如产品判异批次数据、生产中断批次数据、生产数据不在工艺标准范围内批次数据等。本实施例可以采用3Σ法剔除存在缺陷的参数。
本实施例中，因设备运行参数为非正态数据特点，因此，可以计算采集数据的平均值Xˉ以及方差σ，将[Xˉ—σ，Xˉ+σ]范围内的第一目标参数予以保留，超出此范围的第一目标参数予以剔除。
本实施例中，归一化是将数据按比例缩放，使之在特定小区间范围，一般将参数中数据绝对值的MAX值作为分母，消除数据的单位影响，将其转换为单位无关的纯数值。本实施例基于实际实验并根据数据特点，将数据统一映射到[0，1]区间上。为此，本实施例对所述第二目标参数进行归一化处理，得到在映射区间[0，1]的第一对比参数。
本实施例中，可以理解的，生产系统中具有多个用于生产的设备，每个设备均具有设备运行参数。因此，本实施例中的第一对比参数和第二对比参数均非单指一个设备运行参数，而是泛指多个本实施例中全部需要使用到的设备运行参数。第一对比参数和第二对比参数可以理解为第一对比参数组和第二对比参数组，其均包括多个设备运行参数。二者在进行对比时，需要将互相对应的设备运行参数进行对比求差值。
本实施例的一实现方式中，步骤140所述获取对所述生产设备的参数进行预测的与所述第一对比参数相对应的第二对比参数，包括：
对贝叶斯模型进行正则化，以获取优化后的参数；
基于优化后的参数对BP神经网络模型进行优化，生成对所述生产设备的参数进行预测的预测模型；
基于所述预测模型，预测并生成与所述第一对比参数相对应的第二对比参数。
本实施例采用贝叶斯正则化BP神经网络法作为预测模型。贝叶斯正则化BP神经网络法是一种复合形建模方法，其中包含了两个基础建模方法即贝叶斯法以及BP神经网络法。BP神经网络法是一种拥有自我学习建模方法，其属于人工智能范畴，其具有结果预判等功能，其主要应用于非线性数据的预测感知，但是其本身具有过度收敛的缺陷，随之系统自我学习的深入该缺陷会使运算变慢，模型运算核心变得越来越复杂，并不利于模型的健康发展。所以本实施例在建模阶段引入了贝叶斯法对BP神经网络进行优化处理。
贝叶斯法正则化的目标是得到最好性能/最小参数化的神经网络，从而解决拟合的问题，提高BP神经网络泛化能力有效途径是正则化。贝叶斯正则化是在平方误差性能函数的基础上，加入惩罚函数，实现对性能函数的修正，提高网络泛化能力。
具体而言，首先要对贝叶斯模型进行正则化，以获取优化后的参数。其中中，贝叶斯正则化模型信息表如以下表2所示：
表2
优化后，可以得到优化后的参数a、b。
基于优化后的参数a、b可以对BP神经网络模型进行优化，生成对所述生产设备的参数进行预测的预测模型。如下表3所示的神经网络模型信息表：
表3
基于最终的预测模型：f(w)＝αSw+βSD，本实施例可以对生产系统中的设备进行预测。
本实施例中，基于所述预测模型，预测并生成与所述第一对比参数相对应的第二对比参数时，可以将生产输出参数作为因变量，将对应的设备运行参数作为自变量，由上述预测模型，可以基于生产输出参数，预测对应的设备运行参数，从而生成与所述第一对比参数相对应的第二对比参数。
本实施例中，所述基于所述斜率的值，确定所述生产设备的状态，包括：
当所述斜率为零时，表示所述生产系统正常；
当所述斜率不为零时，表示生产系统异常。
当生产系统异常时，可以发出报警提示，维护人员可以根据提示，及时对设备进行维护。
本实施例中，所述方法还包括：
当基于所述斜率的值，确定所述生产系统异常时，基于设备的输出值，预判出对应的设备运行参数；
将预判的所述设备运行参数与实际的设备运行参数进行对比拟合；
若拟合曲线的斜率不为零，则预判对应的设备异常。
由以上可知，本实施例还可以对异常的设备点进行预判。具体而言，预测模型以设备输出值为因变量，而其自变量则为设备运行参数，预测模型会预测每一个自变量，并与其对应设备的实际的设备运行参数进行对比拟合，以得到拟合结果，若设备发生故障则系统自动将拟合曲线中斜率不等于零的参数判定为设备故障点。
本实施例中，所述方法还包括：
当基于所述斜率的值，确定所述生产系统异常时，获取设备重点部位的运行参数；
如果所述设备重点部位的运行参数在正常的区间，表示所述设备重点部位的运行正常。
由以上可知，本实施例还可以对设备重点部位进行预判。具体的，可以判断设备重点部位的运行参数是否在正常的区间，正常的区间为设备运行正常的区间参数，在该区间，表示设备重点部位运行正常。
另一实施例中，所述方法还包括：
当基于所述斜率的值，确定所述生产系统异常时，获取设备重点部位在一段时间内累积的运行参数；
基于所述设备重点部位在一段时间内累积的运行参数，生成对应的拟合曲线；
基于所述拟合曲线的斜率判定所述设备重点部位的运行状态的状态。
由此可知，本实施例中，也可以通过一段时间的设备运行参数，利用拟合曲线法判定设备状态趋势，即是趋于变大还是趋于变小，以供检修人员对设备异常状态发生根源提供参考。
可以理解，当判定设备重点部位的运行状态趋于不好时，可以及时停机检修。由此，本实施例实现了提前对设备重点部位的预判和检修，避免了设备损坏。
例如，本实施例中，可以定时对设备关键部件，如传动机构机,比例阀等关键控制器进行赋值实测，并将设备运行参数录入系统，如设定排潮控制开度为30％，即设定后由专人打开设备使用专用测量工具进行测定并将测量值与设定值均录入系统。然后，生成对应的拟合曲线，并基于所述拟合曲线的斜率判定所述设备重点部位的运行状态的状态。
本实施例中，对生产系统、设备点以及设备重点部位均可以同时预判。需要指出的是，对生产系统进行异常判断时，并不是异常已经发生了，而是预判会发生，此时，自然需要及时检修。本实施例对设备点以及设备重点部位的预判均相同。
本实施例改变了原有设备故障停机后才能知道设备坏点，现在利用本实施例的技术方案能够自动提前预知设备运行状态，避免了因设备故障导致的生产中断，尤其是烟草制丝环节为流水线作业，其最大的质量影响因素之一就是停机断流。本实施例还因为神经网络模型的引入具有了自学功能，提高判断精确性。
图2为一实施例的生产系统的监控装置的结构图，所述生产系统包括多个用于生产的设备，如图2所示，该装置包括：
第一获取模块210，用于获取生产输出参数与设备运行参数之间的相关系数；
筛选模块220，用于根据所述相关系数筛选出有效的设备运行参数；
生成模块230，用于对所述有效的设备运行参数进行预处理，生成第一对比参数；
第二获取模块240，用于获取对所述生产设备的参数进行预测的与所述第一对比参数相对应的第二对比参数；
计算模块250，用于计算所述第一对比参数与所述第二对比参数的对应差值，并基于所述对应差值计算拟合曲线的斜率；
确定模块260，用于基于所述斜率的值，确定所述生产系统的状态。
本发明中，获取生产输出参数与设备运行参数之间的相关系数；根据所述相关系数筛选出有效的设备运行参数；对所述有效的设备运行参数进行预处理，生成第一对比参数；获取对所述生产设备的参数进行预测的与所述第一对比参数相对应的第二对比参数；计算所述第一对比参数与所述第二对比参数的对应差值，并基于所述对应差值计算拟合曲线的斜率；基于所述斜率的值，确定所述生产系统的状态。由此，本发明中，在生产系统运行过程中，可以实时的得到生产系统中设备的第一对比参数，并实时的对生产系统中设备的运行参数进行预测，生成第二对比参数；然后将第一对比参数和第二对比参数计算差值并进行拟合，从而确定生产系统的状态，实现了对生产系统的运行状态的提前预判，避免生产系统“带病”运行，进而避免设备损坏影响产品质量。
需要说明的是，本实施例的装置所包含的技术方案与以上方法实施例中的技术方案相同，具体可以参照以上方法实施例的具体内容，可以理解，以上方法实施例的具体变通也可以应用于以上装置实施例中，本实施例不再具体阐述。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，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 (9)
1.一种生产系统的监控方法，所述生产系统包括多个用于生产的设备，其特征在于，所述方法包括：
获取生产输出参数与设备运行参数之间的相关系数；
根据所述相关系数筛选出有效的设备运行参数；
对所述有效的设备运行参数进行预处理，生成第一对比参数；
获取对所述生产设备的参数进行预测的与所述第一对比参数相对应的第二对比参数；
计算所述第一对比参数与所述第二对比参数的对应差值，并基于所述对应差值计算拟合曲线的斜率；
基于所述斜率的值，确定所述生产系统的状态。
2.根据权利要求1所述的方法，其特征在于，所述根据所述相关系数筛选出有效的设备运行参数，包括：
确定所述相关系数是否在预设的区间；
若是，则将与所述相关系数对应的设备运行参数确定为有效的设备运行参数。
3.根据权利要求1所述的方法，其特征在于，所述对所述有效的设备运行参数进行预处理，生成第一对比参数，包括：
从所述有效的设备运行参数中剔除存在缺陷的参数，得到第一目标参数；
计算所述第一目标参数的平均值和方差，并从所述第一目标参数中获取大于平均值与方差的差值且小于平均值与方差的和值的第二目标参数；
对所述第二目标参数进行归一化处理，得到在映射区间[0，1]的第一对比参数。
4.根据权利要求1所述的方法，其特征在于，所述获取对所述生产设备的参数进行预测的与所述第一对比参数相对应的第二对比参数，包括：
对贝叶斯模型进行正则化，以获取优化后的参数；
基于优化后的参数对BP神经网络模型进行优化，生成对所述生产设备的参数进行预测的预测模型；
基于所述预测模型，预测并生成与所述第一对比参数相对应的第二对比参数。
5.根据权利要求1所述的方法，其特征在于，所述基于所述斜率的值，确定所述生产设备的状态，包括：
当所述斜率为零时，表示所述生产系统正常；
当所述斜率不为零时，表示生产系统异常。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当基于所述斜率的值，确定所述生产系统异常时，基于设备的输出值，预判出对应的设备运行参数；
将预判的所述设备运行参数与实际的设备运行参数进行对比拟合；
若拟合曲线的斜率不为零，则预判对应的设备异常。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当基于所述斜率的值，确定所述生产系统异常时，获取设备重点部位的运行参数；
如果所述设备重点部位的运行参数在正常的区间，表示所述设备重点部位的运行正常。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当基于所述斜率的值，确定所述生产系统异常时，获取设备重点部位在一段时间内累积的运行参数；
基于所述设备重点部位在一段时间内累积的运行参数，生成对应的拟合曲线；
基于所述拟合曲线的斜率判定所述设备重点部位的运行状态的状态。
9.一种生产系统的监控装置，所述生产系统包括多个用于生产的设备，其特征在于，所述装置包括：
第一获取模块，用于获取生产输出参数与设备运行参数之间的相关系数；
筛选模块，用于根据所述相关系数筛选出有效的设备运行参数；
生成模块，用于对所述有效的设备运行参数进行预处理，生成第一对比参数；
第二获取模块，用于获取对所述生产设备的参数进行预测的与所述第一对比参数相对应的第二对比参数；
计算模块，用于计算所述第一对比参数与所述第二对比参数的对应差值，并基于所述对应差值计算拟合曲线的斜率；
确定模块，用于基于所述斜率的值，确定所述生产系统的状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010065341.2A CN111275331A (zh) | 2020-01-20 | 2020-01-20 | 一种生产系统的监控方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010065341.2A CN111275331A (zh) | 2020-01-20 | 2020-01-20 | 一种生产系统的监控方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111275331A true CN111275331A (zh) | 2020-06-12 |
Family
ID=71003392
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010065341.2A Pending CN111275331A (zh) | 2020-01-20 | 2020-01-20 | 一种生产系统的监控方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111275331A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111726589A (zh) * | 2020-07-07 | 2020-09-29 | 山东天原管业股份有限公司 | 一种阀体的生产加工方法 |
| CN112132316A (zh) * | 2020-08-19 | 2020-12-25 | 张家口卷烟厂有限责任公司 | 制丝环节在线设备异常监控系统及方法 |
| CN112848540A (zh) * | 2020-12-30 | 2021-05-28 | 浙江奕源建材有限公司 | 一种具有高保温性的高强度彩钢夹芯板制备方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
| CN107330555A (zh) * | 2017-06-30 | 2017-11-07 | 红云红河烟草(集团)有限责任公司 | 一种基于随机森林回归的制丝过程参数赋权方法 |
| CN107977508A (zh) * | 2017-11-29 | 2018-05-01 | 北京优利康达科技股份有限公司 | 一种发电机轴承故障预测方法 |
| US20190302713A1 (en) * | 2018-03-27 | 2019-10-03 | Terminus (Beijing) Technology Co., Ltd. | Method and device for automatically diagnosing and controlling apparatus in intelligent building |
-
2020
- 2020-01-20 CN CN202010065341.2A patent/CN111275331A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
| CN107330555A (zh) * | 2017-06-30 | 2017-11-07 | 红云红河烟草(集团)有限责任公司 | 一种基于随机森林回归的制丝过程参数赋权方法 |
| CN107977508A (zh) * | 2017-11-29 | 2018-05-01 | 北京优利康达科技股份有限公司 | 一种发电机轴承故障预测方法 |
| US20190302713A1 (en) * | 2018-03-27 | 2019-10-03 | Terminus (Beijing) Technology Co., Ltd. | Method and device for automatically diagnosing and controlling apparatus in intelligent building |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111726589A (zh) * | 2020-07-07 | 2020-09-29 | 山东天原管业股份有限公司 | 一种阀体的生产加工方法 |
| CN112132316A (zh) * | 2020-08-19 | 2020-12-25 | 张家口卷烟厂有限责任公司 | 制丝环节在线设备异常监控系统及方法 |
| CN112848540A (zh) * | 2020-12-30 | 2021-05-28 | 浙江奕源建材有限公司 | 一种具有高保温性的高强度彩钢夹芯板制备方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP1982301B1 (en) | Method of condition monitoring | |
| CN111275331A (zh) | 一种生产系统的监控方法和装置 | |
| CN111461555B (zh) | 一种生产线质量监测方法、装置及系统 | |
| CN110926809B (zh) | 一种基于大数据分析的风电机组传动链故障预警方法 | |
| CN111878320B (zh) | 风力发电机组的监控方法、系统及计算机可读存储介质 | |
| CN107291991B (zh) | 一种基于动态网络标志的风电机组早期缺陷预警方法 | |
| CN106649755B (zh) | 一种多维度实时变电设备数据的阈值自适应设置异常检测方法 | |
| CN116992399B (zh) | 一种基于电力数据分析的电力设备运维评估方法 | |
| CN112273696B (zh) | 切丝后水分控制方法、装置以及设备 | |
| CN112001511A (zh) | 基于数据挖掘的设备可靠性及动态风险评价方法、系统和设备 | |
| CN116028887B (zh) | 一种连续性工业生产数据的分析方法 | |
| KR20140113153A (ko) | 통계적 동일성 검정방법 및 시스템 | |
| CN115982663A (zh) | 一种新能源风机设备的故障预警系统 | |
| CN117871771B (zh) | 一种基于大数据的燃气能源监测方法 | |
| CN115575579A (zh) | 一种基于监测源分析的碳监测方法及系统 | |
| CN118017502A (zh) | 基于数字孪生的配电算力预测方法、系统及介质 | |
| CN116628976A (zh) | 一种水轮机组设备状态变权综合评价方法 | |
| CN116363843A (zh) | 试验室设备预警系统 | |
| CN115828439B (zh) | 风力发电机组异常损耗的识别方法及装置 | |
| KR20240025792A (ko) | 인공지능을 기반으로 품질이상을 탐지하여, 설비를 제어하는 방법 및 시스템 | |
| CN116802471A (zh) | 综合诊断旋转机械的缺陷的方法及系统 | |
| CN113705076A (zh) | 基于偏最小二乘法的风电机组齿轮箱状态监测方法及控制装置 | |
| KR20220096794A (ko) | 회전기계의 결함을 진단하는 방법 및 시스템 | |
| CN118396252B (zh) | 基于云计算的mes客户端数据分析优化方法 | |
| CN115985072A (zh) | 基于机器学习的风力发电机机舱温度监测预警方法及系统 |
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 |