CN111461533B - 一种基于大数据的工业生产流水线的故障监测方法及系统 - Google Patents

一种基于大数据的工业生产流水线的故障监测方法及系统 Download PDF

Info

Publication number
CN111461533B
CN111461533B CN202010240605.3A CN202010240605A CN111461533B CN 111461533 B CN111461533 B CN 111461533B CN 202010240605 A CN202010240605 A CN 202010240605A CN 111461533 B CN111461533 B CN 111461533B
Authority
CN
China
Prior art keywords
sensor
fault
data
production line
module
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
Application number
CN202010240605.3A
Other languages
English (en)
Other versions
CN111461533A (zh
Inventor
张彩霞
王向东
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.)
Jiangxi Light Metal Equipment Group Co ltd
Original Assignee
Foshan University
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 Foshan University filed Critical Foshan University
Priority to CN202010240605.3A priority Critical patent/CN111461533B/zh
Publication of CN111461533A publication Critical patent/CN111461533A/zh
Priority to PCT/CN2020/109913 priority patent/WO2021196501A1/zh
Application granted granted Critical
Publication of CN111461533B publication Critical patent/CN111461533B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • 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

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本发明涉及一种基于大数据的工业生产流水线的故障监测方法及系统，包括以下：步骤201、将工业生产流水线按照传感器的分布位置进行分段划分，并按照生产线流通方向进行分段编号
Figure ZY_1
；步骤202、获取传感器
Figure ZY_2
的n个测量数据得到n个采样值，将传感器
Figure ZY_3
的n个测量数据中的异常数据进行剔除，并计算异常数据剔除率β；步骤203、判断剔除率β是否高于第一阈值，若是则判断所述传感器
Figure ZY_4
处存在故障风险；步骤204、重复上述步骤202至步骤203得到每个传感器处的故障风险情况；步骤205、对存在故障的传感器的故障排查次序进行排序，并告知工作人员进行处理。本发明能够在生产线存在故障风险时及时告知工作人员进行处理，确保生产线的稳定进行。

Description

一种基于大数据的工业生产流水线的故障监测方法及系统
技术领域
本发明涉及人工智能领域，尤其涉及一种基于大数据的工业生产流水线的故障监测方法及系统。
背景技术
工业流水线在工业生产中是即为重要的，一旦其中的任何一个环节出现问题的话，将会导致部分生产线停滞甚至整个生产线停滞，在维修期间所产生的损失是不可估量的，所以必须对整个生产线进行故障监测，在出现隐患时就提醒相关工作人员进行处理，确保生产线的稳定进行。
发明内容
本发明的目的是解决现有技术的不足，提供一种基于大数据的工业生产流水线的故障监测方法及系统，能够通过在生产流水线处设立多个传感器，并由流通方向设定优先级，通过计算每个传感器的异常数据剔除率来判断该传感器是否存在故障风险，若存在则提醒工作人员进行处理，能够确保生产线的稳定进行。
为了实现上述目的，本发明采用以下的技术方案：
提出一种基于大数据的工业生产流水线的故障监测系统，包括：
多个传感器Mi，i取1-m，依次按照i的取值范围从小到大的顺序以生产线流通的方向设置于生产线上，用于对相应的生产线的数据进行监测；
异常数据剔除模块，用于、获取传感器Mi的n个测量数据得到n个采样值
Figure BDA0002432420620000011
将传感器Mi的n个测量数据中的异常数据进行剔除；
异常数据剔除率计算模块，用于根据所述异常数据剔除模块所剔除的异常数据的数量，计算异常数据剔除率β，β＝剔除的数据数/n；
故障风险判断模块，用于根据所述异常数据剔除率计算模块计算得到的异常数据剔除率β，判断所述传感器Mi处是否存在故障风险；
故障排查次序排序模块，用于对存在故障的传感器的故障排查次序进行排序，并告知工作人员进行处理。
还提出一种基于大数据的工业生产流水线的故障监测方法，包括以下：
步骤201、将工业生产流水线按照传感器的分布位置进行分段划分，每一段包含一个传感器，并按照生产线流通方向进行分段编号Mi，i取1-m；
步骤202、获取传感器Mi的n个测量数据得到n个采样值
Figure BDA0002432420620000021
将传感器Mi的n个测量数据中的异常数据进行剔除，并计算异常数据剔除率β，β＝剔除的数据数/n；
步骤203、判断剔除率β是否高于第一阈值，若是则判断所述传感器Mi处存在故障风险，若否则判断所述传感器Mi处不存在故障风险；
步骤204、重复上述步骤202至步骤203得到每个传感器处的故障风险情况；
步骤205、对存在故障的传感器的故障排查次序进行排序，并告知工作人员进行处理。
进一步，上述步骤202中的异常数据的剔除的方法具体包括以下：
步骤301、将传感器Mi的n个测量数据按照从小到大的顺序进行排列；
步骤302、计算传感器Mi的n个测量数据的算术平均值
Figure BDA0002432420620000022
以及测量数据的方差S2：
Figure BDA0002432420620000023
Figure BDA0002432420620000024
步骤303、判断
Figure BDA0002432420620000025
是否大于第二阈值λ，若是则判定Mi为异常数据，应当进行剔除，若否则判定Mi不是异常数据，应当予以保留，其中
Figure BDA0002432420620000026
而
Figure BDA0002432420620000027
可以通过查t分布表获得。
进一步，上述步骤205中对存在故障的传感器的故障排查顺序进行排序具体为：
结合传感器Mi处的故障风险情况以及传感器Mi处的故障处理预测时间对存在故障的传感器的故障排查次序进行排序；
所述传感器Mi处的故障风险情况具体为传感器的编号大小；
所述传感器Mi处的故障处理预测时间通过以往处理该处传感器的故障时间的大数据来获取；
以传感器编号从小到大优先处理的原则对存在故障的传感器进行处理，若存在生产线流通方向并联的情况，则优先处理故障处理预测时间较短的传感器。
进一步，在完成传感器故障排查顺序的排序后，还会生成日志文件，所述日志文件具体包括：存在故障的传感器的编号Mi，预测处理对应传感器所需要的预测时间，以及完成排序的排查次序情况。
进一步，所述第一阈值为0.05。
本发明在采用上述的系统以及方法时能够获得以下有益效果：
本发明能够通过在生产流水线处设立多个传感器，并由流通方向设定优先级，通过计算每个传感器的异常数据剔除率来判断该传感器是否存在故障风险，若存在故障风险则提醒工作人员进行处理，能够确保生产线的稳定进行。
附图说明
图1所示为本发明一种基于大数据的工业生产流水线的故障监测方法流程图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。附图中各处使用的相同的附图标记指示相同或相似的部分。
参照图1，本发明提出一种基于大数据的工业生产流水线的故障监测系统，包括：
多个传感器Mi，i取1-m，依次按照i的取值范围从小到大的顺序以生产线流通的方向设置于生产线上，用于对相应的生产线的数据进行监测；
异常数据剔除模块，用于、获取传感器Mi的n个测量数据得到n个采样值
Figure BDA0002432420620000031
将传感器Mi的n个测量数据中的异常数据进行剔除；
异常数据剔除率计算模块，用于根据所述异常数据剔除模块所剔除的异常数据的数量，计算异常数据剔除率β，β＝剔除的数据数/n；
故障风险判断模块，用于根据所述异常数据剔除率计算模块计算得到的异常数据剔除率β，判断所述传感器Mi处是否存在故障风险；
故障排查次序排序模块，用于对存在故障的传感器的故障排查次序进行排序，并告知工作人员进行处理。
还提出一种基于大数据的工业生产流水线的故障监测方法，包括以下：
步骤201、将工业生产流水线按照传感器的分布位置进行分段划分，每一段包含一个传感器，并按照生产线流通方向进行分段编号Mi，i取1-m；
步骤202、获取传感器Mi的n个测量数据得到n个采样值
Figure BDA0002432420620000032
将传感器Mi的n个测量数据中的异常数据进行剔除，并计算异常数据剔除率β，β＝剔除的数据数/n；
步骤203、判断剔除率β是否高于第一阈值，若是则判断所述传感器Mi处存在故障风险，若否则判断所述传感器Mi处不存在故障风险；
步骤204、重复上述步骤202至步骤203得到每个传感器处的故障风险情况；
步骤205、对存在故障的传感器的故障排查次序进行排序，并告知工作人员进行处理。
作为本方案的优选实施方式，上述步骤202中的异常数据的剔除的方法具体包括以下：
步骤301、将传感器Mi的n个测量数据按照从小到大的顺序进行排列；
步骤302、计算传感器Mi的n个测量数据的算术平均值
Figure BDA0002432420620000041
以及测量数据的方差S2：
Figure BDA0002432420620000042
Figure BDA0002432420620000043
步骤303、判断
Figure BDA0002432420620000044
是否大于第二阈值λ，若是则判定Mi为异常数据，应当进行剔除，若否则判定Mi不是异常数据，应当予以保留，其中
Figure BDA0002432420620000045
而
Figure BDA0002432420620000046
可以通过查t分布表获得。
作为本方案的优选实施方式，上述步骤205中对存在故障的传感器的故障排查顺序进行排序具体为：
结合传感器Mi处的故障风险情况以及传感器Mi处的故障处理预测时间对存在故障的传感器的故障排查次序进行排序；
所述传感器Mi处的故障风险情况具体为传感器的编号大小；
所述传感器Mi处的故障处理预测时间通过以往处理该处传感器的故障时间的大数据来获取；
以传感器编号从小到大优先处理的原则对存在故障的传感器进行处理，若存在生产线流通方向并联的情况，则优先处理故障处理预测时间较短的传感器。
作为本方案的优选实施方式，在完成传感器故障排查顺序的排序后，还会生成日志文件，所述日志文件具体包括：存在故障的传感器的编号Mi，预测处理对应传感器所需要的预测时间，以及完成排序的排查次序情况。
作为本方案的优选实施方式，所述第一阈值为0.05。
在运行时，首先按照上述说明对本系统的传感器进行布置，之后只要进行自动监测，并根据监测结果安排工作人员进行处理即可，十分智能方便，在具体应用时，假设监测到编号为2、8、10处的传感器存在问题，在会优选让工作人员对2处的进行排查，其次是8处，最后是10处，而如果2处的传感器存在并联的情况，即2a与2b均存在问题，则2个传感器在生产线的流通上的重要程度是相同的，这样一来就会根据大数据情况来获得2a与2b的大数据平均处理时间，优先处理修理时间短的，尽量先解决一处。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储的介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。

Claims (4)

1.一种基于大数据的工业生产流水线的故障监测系统，其特征在于，包括：
多个传感器，i取1-m，依次按照i的取值范围从小到大的顺序以生产线流通的方向设置于生产线上，用于对相应的生产线的数据进行监测；
异常数据剔除模块，用于、获取传感器的n个测量数据得到n个采样值，将传感器的n个测量数据中的异常数据进行剔除；
异常数据剔除率计算模块，用于根据所述异常数据剔除模块所剔除的异常数据的数量，计算异常数据剔除率β，β=剔除的数据数/n；
故障风险判断模块，用于根据所述异常数据剔除率计算模块计算得到的异常数据剔除率β，判断所述传感器处是否存在故障风险；
故障排查次序排序模块，用于对存在故障的传感器的故障排查次序进行排序，并告知工作人员进行处理；
用于异常数据的剔除的模块具体包括：
用于将传感器的n个测量数据按照从小到大的顺序进行排列的模块；
用于计算传感器的n个测量数据的算术平均值以及测量数据的方差的模块：
，
；
用于判断是否大于第二阈值λ，若是则判定为异常数据，应当进行剔除，若否则判定不是异常数据，应当予以保留的模块，其中
λ=，
而可以通过查t分布表获得；
用于对存在故障的传感器的故障排查顺序进行排序的模块具体包括：
用于结合传感器处的故障风险情况以及传感器处的故障处理预测时间对存在故障的传感器的故障排查次序进行排序的模块；
用于所述传感器处的故障风险情况具体为传感器的编号大小的模块；
用于所述传感器处的故障处理预测时间通过以往处理该处传感器的故障时间的大数据来获取的模块；
用于以传感器编号从小到大优先处理的原则对存在故障的传感器进行处理，若存在生产线流通方向并联的情况，则优先处理故障处理预测时间较短的传感器的模块。
2.一种基于大数据的工业生产流水线的故障监测方法，其特征在于，包括以下：
步骤201、将工业生产流水线按照传感器的分布位置进行分段划分，每一段包含一个传感器，并按照生产线流通方向进行分段编号，i取1-m；
步骤202、获取传感器的n个测量数据得到n个采样值，将传感器的n个测量数据中的异常数据进行剔除，并计算异常数据剔除率β，β=剔除的数据数/n；
步骤203、判断剔除率β是否高于第一阈值，若是则判断所述传感器处存在故障风险，若否则判断所述传感器处不存在故障风险；
步骤204、重复上述步骤202至步骤203得到每个传感器处的故障风险情况；
步骤205、对存在故障的传感器的故障排查次序进行排序，并告知工作人员进行处理；
上述步骤202中的异常数据的剔除的方法具体包括以下：
步骤301、将传感器的n个测量数据按照从小到大的顺序进行排列；
步骤302、计算传感器的n个测量数据的算术平均值以及测量数据的方差：
，
；
步骤303、判断是否大于第二阈值λ，若是则判定为异常数据，应当进行剔除，若否则判定不是异常数据，应当予以保留，其中
λ=,
而可以通过查t分布表获得；
上述步骤205中对存在故障的传感器的故障排查顺序进行排序具体为：
结合传感器处的故障风险情况以及传感器处的故障处理预测时间对存在故障的传感器的故障排查次序进行排序；
所述传感器处的故障风险情况具体为传感器的编号大小；
所述传感器处的故障处理预测时间通过以往处理该处传感器的故障时间的大数据来获取；
以传感器编号从小到大优先处理的原则对存在故障的传感器进行处理，若存在生产线流通方向并联的情况，则优先处理故障处理预测时间较短的传感器。
3.根据权利要求2所述的一种基于大数据的工业生产流水线的故障监测方法，其特征在于，在完成传感器故障排查顺序的排序后，还会生成日志文件，所述日志文件具体包括：存在故障的传感器的编号，预测处理对应传感器所需要的预测时间，以及完成排序的排查次序情况。
4.根据权利要求2所述的一种基于大数据的工业生产流水线的故障监测方法，其特征在于，所述第一阈值为0.05。
CN202010240605.3A 2020-03-31 2020-03-31 一种基于大数据的工业生产流水线的故障监测方法及系统 Active CN111461533B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010240605.3A CN111461533B (zh) 2020-03-31 2020-03-31 一种基于大数据的工业生产流水线的故障监测方法及系统
PCT/CN2020/109913 WO2021196501A1 (zh) 2020-03-31 2020-08-19 一种基于大数据的工业生产流水线的故障监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010240605.3A CN111461533B (zh) 2020-03-31 2020-03-31 一种基于大数据的工业生产流水线的故障监测方法及系统

Publications (2)

Publication Number Publication Date
CN111461533A CN111461533A (zh) 2020-07-28
CN111461533B true CN111461533B (zh) 2023-04-25

Family

ID=71681784

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010240605.3A Active CN111461533B (zh) 2020-03-31 2020-03-31 一种基于大数据的工业生产流水线的故障监测方法及系统

Country Status (2)

Country Link
CN (1) CN111461533B (zh)
WO (1) WO2021196501A1 (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109306385B (zh) * 2018-10-29 2023-04-07 甘肃酒钢集团宏兴钢铁股份有限公司 一种高炉顶压稳定控制系统及其控制方法
CN111461533B (zh) * 2020-03-31 2023-04-25 佛山科学技术学院 一种基于大数据的工业生产流水线的故障监测方法及系统
CN113359639B (zh) * 2021-06-23 2022-07-15 浙江安防职业技术学院 基于安全检测机器人的工厂设备监控方法及系统
CN114062837B (zh) * 2021-10-15 2022-08-02 中山市沃尔沃照明科技有限公司 基于大数据的城市道路及公园照明系统监测方法及装置
CN114259684B (zh) * 2021-12-22 2022-10-04 三一汽车制造有限公司 消防车水路故障检测方法及装置
CN114967613B (zh) * 2022-05-11 2023-06-09 杭州康吉森自动化科技有限公司 一种具有多传感器的生产设备状态监测方法和装置
CN115204426B (zh) * 2022-09-14 2022-12-06 山东汇泓纺织科技有限公司 一种基于物联网的纺织流水线运行监管系统
CN115759479B (zh) * 2022-12-12 2023-09-19 中国人民解放军海军工程大学 一种基于综合值的复杂设备故障定位优化方法和系统
CN116088454B (zh) * 2023-03-08 2023-06-09 广东技术师范大学 基于数据融合的智能制造管理系统
CN116258344A (zh) * 2023-03-20 2023-06-13 中机生产力促进中心有限公司 一种用于机械加工的监测方法及系统
CN117422425B (zh) * 2023-12-18 2024-04-30 国网浙江省电力有限公司宁波供电公司 一种基于即时通讯的现场安全隐患管理方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110333689A (zh) * 2019-03-20 2019-10-15 广西壮族自治区机械工业研究院 一种用于包装码垛生产线的物联网数据采集分析系统
CN110348617A (zh) * 2019-06-28 2019-10-18 佛山科学技术学院 一种基于机器学习的多级联排防洪系统、方法及存储介质
CN110530872A (zh) * 2019-07-26 2019-12-03 华中科技大学 一种多通道平面信息检测方法、系统及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102339389B (zh) * 2011-09-14 2013-05-29 清华大学 一种基于密度的参数优化单分类支持向量机故障检测方法
CN103411774B (zh) * 2013-07-17 2016-12-28 华北电力大学 波动工况下的风电机组在线预警方法
CN109531799A (zh) * 2018-09-25 2019-03-29 泉州市三联机械制造有限公司 一种全自动伺服砖机生产线
CN109542058A (zh) * 2018-11-15 2019-03-29 苏州宏久航空防热材料科技有限公司 一种湿法薄毡生产线物联网供料电控系统
CN111461533B (zh) * 2020-03-31 2023-04-25 佛山科学技术学院 一种基于大数据的工业生产流水线的故障监测方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110333689A (zh) * 2019-03-20 2019-10-15 广西壮族自治区机械工业研究院 一种用于包装码垛生产线的物联网数据采集分析系统
CN110348617A (zh) * 2019-06-28 2019-10-18 佛山科学技术学院 一种基于机器学习的多级联排防洪系统、方法及存储介质
CN110530872A (zh) * 2019-07-26 2019-12-03 华中科技大学 一种多通道平面信息检测方法、系统及装置

Also Published As

Publication number Publication date
CN111461533A (zh) 2020-07-28
WO2021196501A1 (zh) 2021-10-07

Similar Documents

Publication Publication Date Title
CN111461533B (zh) 一种基于大数据的工业生产流水线的故障监测方法及系统
CN109186813B (zh) 一种温度传感器自检装置及方法
WO2020052147A1 (zh) 监测设备故障检测方法及装置
CN105974273B (zh) 配电网故障定位系统
CN110348150B (zh) 一种基于相关概率模型的故障检测方法
CN112801497B (zh) 一种异常检测方法及装置
KR102069377B1 (ko) 원자력 발전설비의 기계학습식 복합결함 예측진단장치
CN111931334A (zh) 一种用于评估电缆设备运行可靠性的方法及系统
JP2012018623A (ja) 異常データ分析システム
CN117314020B (zh) 一种浮游生物的湿地碳汇数据监测系统
CN114789468A (zh) 一种自动故障检测及修复系统、方法、设备及终端
CN116008701B (zh) 用于智能高压开关柜的电动机构运行诊断系统及方法
CN117309042A (zh) 基于物联网技术的智能制造数据实时监测方法及系统
KR102649453B1 (ko) 회전기계의 결함을 진단하는 방법 및 시스템
CN115629323A (zh) 一种电池组故障检测方法、装置及车辆
CN112834752B (zh) 适用于大批量人群的血糖标准化测量系统、方法、终端及介质
CN112532481B (zh) 一种网络质量的监测分析方法、系统和存储介质
CN111599033B (zh) 一种诊断卷烟机故障的处理方法
CN116802471A (zh) 综合诊断旋转机械的缺陷的方法及系统
CN112202630A (zh) 一种基于无监督模型的网路质量异常检测方法及装置
CN111881502A (zh) 一种基于模糊聚类分析的桥梁状态判别方法
CN112445632A (zh) 基于故障数据建模的hpc可靠性评估方法
KR20140140877A (ko) 불량 샘플의 결함 맵을 이용한 문제 설비 판정 방법 및 그 장치
CN117310422B (zh) 一种火工品电阻器性能测试方法及系统
CN117873007A (zh) 基于工业物联网的制造流程管理方法、系统、设备及介质

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240411

Address after: 331200 Chengbei Industrial Park, Zhangshu City, Yichun City, Jiangxi Province

Patentee after: JIANGXI LIGHT METAL EQUIPMENT GROUP CO.,LTD.

Country or region after: China

Address before: No.33 Guangyun Road, Shishan town, Nanhai District, Foshan City, Guangdong Province

Patentee before: FOSHAN University

Country or region before: China