CN111489517B - 螺丝锁附异常警报方法、装置、计算机装置及存储介质 - Google Patents
螺丝锁附异常警报方法、装置、计算机装置及存储介质 Download PDFInfo
- Publication number
- CN111489517B CN111489517B CN201910077319.7A CN201910077319A CN111489517B CN 111489517 B CN111489517 B CN 111489517B CN 201910077319 A CN201910077319 A CN 201910077319A CN 111489517 B CN111489517 B CN 111489517B
- Authority
- CN
- China
- Prior art keywords
- locking
- parameter information
- data
- abnormality
- screw
- 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
Links
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
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0423—Input/output
-
- 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
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23P—METAL-WORKING NOT OTHERWISE PROVIDED FOR; COMBINED OPERATIONS; UNIVERSAL MACHINE TOOLS
- B23P19/00—Machines for simply fitting together or separating metal parts or objects, or metal and non-metal parts, whether or not involving some deformation; Tools or devices therefor so far as not provided for in other classes
- B23P19/04—Machines for simply fitting together or separating metal parts or objects, or metal and non-metal parts, whether or not involving some deformation; Tools or devices therefor so far as not provided for in other classes for assembling or disassembling parts
- B23P19/06—Screw or nut setting or loosening machines
- B23P19/065—Arrangements for torque limiters or torque indicators in screw or nut setting machines
- B23P19/066—Arrangements for torque limiters or torque indicators in screw or nut setting machines by electrical means
-
- 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
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/041—Function-oriented details
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G05B2219/20—Pc systems
- G05B2219/23—Pc programming
- G05B2219/23399—Adapt set parameter as function of measured conditions
-
- 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
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24024—Safety, surveillance
-
- 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)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mechanical Engineering (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Debugging And Monitoring (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Details Of Spanners, Wrenches, And Screw Drivers And Accessories (AREA)
Abstract
本发明提供一种螺丝锁附异常警报方法,包括:调取数据库中不同规格螺丝锁附参数信息的置信区间,按照置信区间的范围在锁附设备中设置螺丝锁附过程的锁附参数信息;实时采集锁附设备中的锁附参数信息;将所述锁附参数信息导入已有数据模型分析出锁附正常的锁附参数信息和锁附异常的锁附参数信息,将锁附异常的锁附参数信息导入已有的故障分类模型分析锁附异常的锁附参数信息对应的故障类型;如果存在锁附异常的锁附参数信息,则将所述锁附异常参数以及锁附异常参数对应的故障类型发出异常警报通知。本发明还提供一种螺丝锁附异常警报装置、计算机装置及存储介质。本发明能够监控锁螺丝的过程并将出现的异常情况进行通知反馈。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种螺丝锁附异常警报方法、锁附异常警报装置、计算机装置及计算机可读存储介质。
背景技术
在工业自动锁螺丝设备中,现有技术通常采用可编程逻辑控制器(ProgrammableLogic Controller,PLC)控制和人工检测相结合的模式或者采用计算机控制和人工检测相结合的模式完成自动锁附,这种锁附方式各硬件体系和指令系统属于封闭式的,互不兼容且通用性差,模组改变需要重新开发控制程序,导致产线生产的海量数据被埋没浪费,且人工检测未能对结果做出分析,无法追溯制程更不能起到优化生产参数的目的。因此需要引进新的锁附异常警报方法能够充分收集产线海量数据资源,分析数据结果,判断螺丝的锁附状况,并将异常锁附的结果反馈至相关工作人员。
发明内容
鉴于以上内容,有必要提出一种螺丝锁附异常警报方法及装置、计算机装置和计算机可读存储介质,能够监控锁螺丝的过程并将结果进行通知反馈。
本申请的第一方面提供一种螺丝锁附异常警报方法,所述方法包括:
锁附参数设置:调取不同规格螺丝锁附参数信息的置信区间,按照所述置信区间的范围设置螺丝锁附过程的锁附参数信息;
数据采集:实时采集锁附参数信息;
数据整理:对采集的锁附参数信息进行数据整理;
数据分析:分析整理后的数据得出锁附正常的锁附参数信息和锁附异常的锁附参数信息,并对锁附异常的锁附参数信息进行分析得出锁附异常的锁附参数信息对应的故障类型;
锁附过程异常报警:如果存在锁附异常的锁附参数信息,则根据所述锁附异常的锁附参数信息以及锁附异常的锁附参数信息对应的故障类型发出异常警报通知。
所述数据采集的实现方法为:通过应用程序编程接口远程采集锁附参数信息。
所述锁附参数信息包括所述锁附螺丝的锁附角度、锁附的扭矩、锁附速度,其中锁附角度与锁附扭矩存在对应关系,锁附角度与锁附速度存在对应关系。
所述数据整理的方法包括数据的预处理和统计特征整理:
所述预处理包括:对所述锁附角度进行划分,将锁附角度进行分段处理;分别按照已有的锁附角度和锁附扭矩的对应关系和已有锁附角度和锁附速度的对应关系,绘制锁附角度与锁附扭矩的二维曲线图和锁附角度与锁附速度的二维曲线图;把锁附角度不同的分段集合进行延伸和缩短来计算两个时间序列之间的相似性;对同一分段集合内的数据进行聚类分析;最后合并同一区间内的相同数据,对所述数据进行精简整合;
所述统计特征整理包括:经过预处理的所述数据是具有趋势区间的分段数据,将所述分段数据使用统计学方法进行处理,得到具有统计特征的特征矢量。
所述数据分析的方法是通过将整理后的数据导入至数据模型中进行分析,拟合出锁附正常的锁附参数信息和锁附异常的锁附参数信息,所述数据模型包括多元逻辑回归模型、高斯回归模型中的任一种。
所述数据分析的方法是通过将锁附异常的锁附参数信息导入至故障分类模型中进行分析,所述故障分类模型包括多重多元回归模型、基于判定树的分类模型、基于裕度优化的SVM分类模型、基于神经网络的组合分类模型中的至少一种。
所述锁附参数设置的方法还包括从一置信区间数据库中调取不同规格螺丝锁附参数信息的置信区间,所述置信区间数据库的生成方法包括:
采集锁附参数信息;
对采集到的锁附参数信息进行数据整理;
将所述经过数据整理的锁附数据导入数据模型拟合出锁附正常的锁附参数信息和锁附异常的锁附参数信息;
将数据模型分析得到的锁附异常的锁附参数信息,导入故障分析模型,分析出锁附异常的锁附参数信息对应的故障类型;
创建含有不同型号螺丝的锁附参数信息置信区间的置信区间数据库,所述置信区间即是不同螺丝规格在锁附过程中的锁附参数信息。
本申请的第二方面提供一种螺丝锁附异常警报装置,所述装置包括:
锁附参数确定模块,用于调取不同规格螺丝锁附参数信息的置信区间,按照所述置信区间的范围设置螺丝锁附过程的锁附参数信息;
数据采集模块,用于采集锁附参数信息;
数据整理模块,用于对采集的锁附参数信息进行数据整理;
数据模型分析模块,分析整理后的数据拟合出锁附正常的锁附参数信息和锁附异常的锁附参数信息;
故障类型分析模块,用于对锁附异常的锁附参数信息进行分析得出锁附异常的锁附参数信息对应的故障类型;
异常报警通知模块,用于根据所述锁附异常的锁附参数信息以及锁附异常的锁附参数信息对应的故障类型发出异常警报通知。
所述装置还包括:置信区间确定模块,用于生成所述置信区间数据库,所述锁附参数确定模块从所述置信区间数据库中调取不同规格螺丝锁附参数信息的置信区间。
所述数据整理模块还用于进行数据的预处理和统计特征整理,所述预处理包括:对所述锁附角度进行划分,将锁附角度进行分段处理;分别按照已有的锁附角度和锁附扭矩的对应关系和已有锁附角度和锁附速度的对应关系,绘制锁附角度与锁附扭矩的二维曲线图和锁附角度与锁附速度的二维曲线图;把锁附角度不同的分段集合进行延伸和缩短来计算两个时间序列之间的相似性;对同一分段集合内的数据进行聚类分析;最后合并同一区间内的相同数据,对所述数据进行精简整合;所述统计特征整理包括:经过预处理的所述数据是具有趋势区间的分段数据,将所述分段数据使用统计学方法进行处理,得到具有统计特征的特征矢量。
所述数据模型分析模块还用于将整理后的数据导入至数据模型中进行分析,所述数据模型包括多元逻辑回归模型、高斯回归模型中的任一种,将所述经过数据整理的数据导入所述数据模型拟合出锁附正常的锁附参数信息和锁附异常的锁附参数信息。
所述故障类型分析模块还用于将锁附异常的锁附参数信息导入至故障分类模型中进行分析,所述故障分类模型包括多重多元回归模型、基于判定树的分类模型、基于裕度优化的SVM分类模型、基于神经网络的组合分类模型中的至少一种。
本申请的第三方面提供一种计算机装置,所述计算机装置包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如前所述的螺丝锁附异常警报方法。
本申请的第四方面提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如前所述的螺丝锁附异常警报方法。
本发明螺丝锁附异常警报方法能够充分收集产线海量锁附参数信息,对数据资源进行分析整理,设置锁螺丝过程的设备性能参数,监控锁螺丝的过程并将结果进行通知反馈。
附图说明
图1是本发明螺丝锁附异常警报方法的应用环境架构示意图。
图2是本发明螺丝锁附异常警报方法的置信区间数据库的构建方法流程图。
图3是本发明螺丝锁附异常警报方法的锁附角度与锁附扭矩对应关系图。
图4是本发明螺丝锁附异常警报方法流程图。
图5是本发明螺丝锁附异常警报方法的螺丝锁附异常警报装置的结构示意图。
图6是本发明螺丝锁附异常警报方法的计算机装置示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施例对本发明进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
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。
参阅图1所示,为本发明螺丝锁附异常警报方法的应用环境架构示意图。
本发明中的螺丝锁附异常警报方法应用在计算机装置1中,所述计算机装置1与至少一个用户终端2、至少一个锁附设备3通过网络建立通信连接。所述网络可以是有线网络,也可以是无线网络,例如无线电、无线保真(Wireless Fidelity,WIFI)、蜂窝、卫星、广播等。
所述计算机装置1可以为安装有螺丝锁附异常警报方法软件的电子设备,例如个人电脑、服务器等,其中,所述服务器可以是单一的服务器、服务器集群或云服务器等。
所述用户终端2是具有显示屏的各种智能电子设备,包括但不限于智能手机、平板电脑、膝上型便携式计算机、台式计算机等。
所述锁附设备3是具有螺丝锁附功能的机台或机台集群。
请参阅图2所示,螺丝锁附异常警报方法的置信区间数据库的构建方法流程图,所述置信区间数据库用于在螺丝锁附过程中设置锁附参数信息。根据不同的需求,所述流程图中步骤的顺序可以改变,某些步骤可以省略。
步骤S11,采集锁附参数信息。
使用应用程序编程接口(Application Programming Interface,API)远程采集锁附参数信息,所述锁附参数信息包括所述锁附螺丝的锁附角度、锁附的扭矩、锁附速度,其中锁附角度与锁附扭矩存在对应关系,所述对应关系如图3螺丝锁附异常警报方法的锁附角度与锁附扭矩对应关系图所示,锁附角度与锁附速度存在对应关系。
本发明一实施方式中,在Python中使用API接口远程获取锁附设备中的锁附参数信息。
在本发明的另一个实施方式中,在Java中使用ipmi命令远程获取锁附设备中锁附参数信息。
步骤S12,对采集到的锁附参数信息进行数据整理。
所述数据整理包括数据的预处理和统计特征整理。
具体地,所述数据的预处理包括如下步骤:
1)对所述锁附角度进行划分,将锁附角度进行分段处理。
具体地,采用时间序列分段处理的方法是按照时间序列使用滑动窗口SW算法对所述锁附角度进行划分,将采集的连续的锁附角度按照时间分段成分段集合。在本实施例中,对任一个锁附过程时间序列,给定一个窗口长度的最小值N和最大值M,从序列第一点开始,与第N点连线,计算各点拟合误差,如果拟合误差小于给定的阈值R,拟合成功。进一步增强窗口的长度,连线再计算拟合误差,如果拟合误差小于R,继续增加窗口长度一直到窗口长度为M。如果拟合误差大于R,则第一段结束,固定为锁螺丝时间第一分段。将所述M点作为新的窗口起始点,继续同样的过程,直到序列划分完毕,得到整条锁螺丝过程锁附角度的分段集合,所述阈值R根据不同螺丝的锁附工艺要求进行设定。
2)分别按照已有的锁附角度和锁附扭矩的对应关系和已有锁附角度和锁附速度的对应关系,绘制锁附角度与锁附扭矩的二维曲线图和锁附角度与锁附速度的二维曲线图。
其中,所述二维曲线图分别以锁附角度为横坐标,锁附扭矩和锁附速度为纵坐标,所述二维曲线分别按照所述锁附角度的时间分段把曲线分割成长短不等的若干段锁附角度与锁附扭矩的分段集合和锁附角度与锁附速度的分段集合。
3)把锁附角度不同的分段集合进行延伸和缩短来计算两个时间序列之间的相似性。
其中,采用动态时间规整算法把所述锁附角度与锁附扭矩的分段集合和锁附角度与锁附速度的分段集合进行延伸和缩短来计算分段集合之间的相似性。
4)对同一分段集合内的数据进行聚类分析。
具体地,采用K-means均值算法对所述锁附角度与锁附扭矩的每一个分段集合内的数据进行聚类分析,去除多余数据,保留关键数据;采用K-means均值算法对所述锁附角度与锁附速度的每一个分段集合内的数据进行聚类分析,去除多余数据,保留关键数据。
5)合并同一区间内的相同数据,对所述数据进行精简整合。
具体地,采用时间序列的折线处理方法,将经过K-means均值算法处理过的锁附角度与锁附扭矩曲线同一区间内的相同数据进行连线,对具有同样趋势的连线数据进行删除,从而实现对所述锁附数据进行精简整合;将经过K-means均值算法处理过的锁附角度与锁附速度曲线同一区间内的相同数据进行连线,对具有同样趋势的连线数据进行删除,从而实现对所述锁附数据进行精简整合。
经过预处理的所述锁附数据是具有趋势区间的分段数据,所述统计特征整理包括:将所述分段数据使用统计学方法进行处理,得到具有统计特征的特征矢量。
步骤S13,将所述经过数据整理的锁附数据导入数据模型拟合出锁附正常的锁附参数信息和锁附异常的锁附参数信息。
在本实施例中,所述的数据模型是高斯回归模型,将所述经过数据整理的锁附角度,锁附扭矩,锁附速度导入高斯回归模型,按照三维高斯分布图,确定高斯混合模型的中心和标准差。通过高斯分布图确定高斯混合模型的中心的坐标值和标准差,将落在高斯混合模型中心坐标值标准差范围内的数据为锁附正常的锁附参数信息,将落在高斯混合模型中心坐标标准差范围外的数据为锁附异常的锁附参数信息。其中,所述锁附正常是指螺丝完全锁入螺孔,并且无法再锁紧时的状态;所述锁附正常的锁附参数信息是指当锁附正常时,锁附设备中设置的锁附角度,锁附扭矩和锁附速度;所述锁附异常是指锁螺丝过程中出现的未锁入、未锁紧、锁歪、滑丝、定位偏移等锁附异常时,锁附设备中设置的锁附角度,锁附扭矩和锁附速度。
在本发明的另一实施例中,所述的数据模型为逻辑回归模型,在一实施例中,选择Sigmoid函数作为判别函数,不断输入锁附参数信息以最快的梯度方向训练函数参数,最终得到最优参数的逻辑回归模型。将锁附参数信息代入训练好的逻辑回归模型可以判断出所述锁附参数信息是否正常。
所述高斯回归模型三维高斯分布图的训练过程以及逻辑回归模型的参数训练过程可以离线完成。
步骤S14,将数据模型分析得到的锁附异常的锁附参数信息,代入故障分析模型,分析出锁附异常的锁附参数信息对应的故障类型。
所述故障分类模型包括多重多元回归模型、基于判定树的分类模型、基于裕度优化的SVM分类模型、基于神经网络的组合分类模型中的任一种。
在本实施例中,所述故障分析模型为多重多元回归模型,多重多元回归方程形式如下所示:
Y=β0X0+β1X1+β2X2+…+βnXn+ε
其中X0…Xn为螺丝的物理参数信息和锁附异常的锁附参数信息;所述螺丝的物理参数信息包括帽径、帽厚、杆径、杆长中的一个或多个参数,所述锁附异常的锁附参数信息包括锁附角度、锁附扭矩、锁附速度;Y为锁附故障类型,如未锁入、未锁紧、锁歪、滑丝、定位偏移,所述锁附故障类型可以用数字量化表示;β0…βn为回归方程的回归系数,ε为随机误差。
多重多元回归方程的回归系数的训练方法如下:选取已有的锁附异常的锁附参数信息以及锁附异常的锁附参数信息对应的故障类型,对模型的参数进行拟合。将螺丝的物理参数信息、锁附异常的锁附参数信息、以及已量化的锁附故障类型代入多重多元回归方程进行拟合,拟合得到多重多元回归方程的系数和随机误差。所述拟合多重多元回归方程系数的方法可以离线完成。
将异常锁附参数信息和不同型号螺丝的物理参数信息代入拟合好的多重多元回归方程,通过方程得到不同型号螺丝的异常锁附参数信息对应的故障类型。
在本发明的其他实施方式中,也可以将不同型号螺丝的物理参数信息和异常的锁附参数信息代入基于判定树的分类模型、基于裕度优化的SVM分类模型、基于神经网络的组合分类模型中拟合出不同型号螺丝在锁附过程中出现的不同故障。
本发明一些实施方式中,还可以通过集成学习算法的方式进一步提高故障分析的结果。所述集成学习是指通过组合几种模型来提高机器学习的效果,由于是现有技术,在此不再详述。
步骤S15,通过统计抽样提取的方法创建含有不同型号螺丝的锁附参数信息置信区间的数据库。
根据故障类型对应的锁附参数信息(所述锁附参数信息可以由步骤S4得到),以及不同型号螺丝的物理参数使用统计抽样提取的方法确定样品的置信区间,所述置信区间即是不同螺丝规格在锁附过程中的锁附参数信息。
在本实施例中,所述统计抽样提取的方法为Bootstrap方法,使用步骤S14得到的故障类型对应的锁附参数信息以及不同螺丝的物理参数信息,能够提炼出不同型号螺丝的锁附参数信息。Bootstrap方法利用已知的经验分布函数,并通过非参数方法,半参数法和参数化法再抽样技术来获得统计量的Bootstrap分布,在此基础上可进行统计推断,推算出不同型号螺丝的锁附参数信息的置信区间,从而建立了包含不同螺丝规格的锁附参数信息置信区间的数据库。所述数据库的创建过程可以离线完成。
图4是本发明螺丝锁附异常警报方法流程图。
步骤S21:根据使用螺丝的规格型号,在置信区间数据库中调取所述螺丝规格锁附参数信息的置信区间,按照所述置信区间的范围设置螺丝锁附过程的锁附参数信息。
根据锁附螺丝的规格型号,调取所述置信区间数据库中所述螺丝的置信区间,并按照所述置信区间设置螺丝锁附过程的锁附参数信息。所述数据库的创建方法可以根据步骤S11-S15完成。
步骤S22:实时采集所述螺丝的锁附参数信息。
所述步骤S22中所述的采集锁附设备中锁附参数信息的方法与步骤S11相同,即,实时远程采集锁附设备中的锁附参数信息,所述锁附参数信息包含锁附角度、锁附扭矩、锁附速度,其中锁附角度与锁附扭矩存在对应关系,锁附角度与锁附速度存在对应关系。
步骤S23:对采集到的锁附参数信息进行数据整理。
按照步骤S12中所述的方法对实时采集的锁附数据信息进行数据整理,所述数据整理的方法包括数据的预处理和统计特征整理。所述预处理包括:采用时间序列分段处理的方法按照时间序列使用滑动窗口SW算法对所述锁附角度进行划分,将锁附角度进行分段处理;分别按照已有的锁附角度和锁附扭矩的对应关系和已有锁附角度和锁附速度的对应关系,绘制锁附角度与锁附扭矩的二维曲线图和锁附角度与锁附速度的二维曲线图;采用动态时间规整算法把锁附角度不同的分段集合进行延伸和缩短来计算两个时间序列之间的相似性;采用K-means均值算法对同一分段集合内的数据进行聚类分析;最后采用时间序列的折线处理方法,合并同一区间内的相同数据,从而实现对所述锁附数据进行精简整合。经过预处理的所述锁附数据是具有趋势区间的分段数据,将所述分段数据使用波形均值、方差、极值、波段的数学方法进行处理,得到具有统计特征作为特征矢量。
步骤S24:将所述经过数据整理的锁附数据导入数据模型拟合出锁附正常的锁附参数信息和锁附异常的锁附参数信息。
按照与步骤S13相同的方法,使用数据模型判断出锁附锁附正常的锁附参数信息和锁附异常的锁附参数信息。
步骤S25:将数据模型分析得到的锁附异常的锁附参数信息,代入故障分析模型,分析出锁附异常的锁附参数信息对应的故障类型。
按照步骤S14所述的方法,将数据模型分析的锁附异常的锁附参数信息,代入故障分析模型,分析出锁附异常的锁附参数信息对应的故障类型。
步骤S26:如果存在锁附异常的锁附参数信息,则根据所述锁附异常的锁附参数信息以及锁附异常的锁附参数信息对应的故障类型发出异常警报通知。
本发明一实施方式中,将所述异常警报通知发送至所述至少一用户终端2。
所述异常警报通知的方法至少包括邮件通知、电话通知、短信通知、社交网络平台通知的一种或多种。
上述图4详细介绍了本发明的螺丝锁附异常警报方法,下面结合第4-5图,对实现所述螺丝锁附异常警报方法的软件装置的功能模块以及实现所述锁附异常警报方法的硬件装置架构进行介绍。
应所述了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
图5是本发明螺丝锁附异常警报方法的螺丝锁附异常警报装置的结构示意图。
在一些实施例中,螺丝锁附异常警报装置10运行于计算机装置中。所述计算机装置通过网络连接了多个用户终端。所述螺丝锁附异常警报装置10可以包括多个由程序代码段所组成的功能模块。螺丝锁附异常警报装置10中的各个程序段的程序代码可以存储于计算机装置的存储器中,并由所述至少一个处理器所执行,以实现螺丝锁附异常警报功能。
本实施例中,所述螺丝锁附异常警报装置10根据其所执行的功能,可以被划分为多个功能模块。参阅图4所示,所述功能模块可以包括:锁附参数确定模块100、数据采集模块101、数据整理模块102、数据模型分析模块103、故障类型分析模块104、异常报警通知模块105、置信区间确定模块106。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。在本实施例中,关于各模块的功能将在后续的实施例中详述。
锁附参数确定模块100用于调取置信区间数据库中关于不同规格螺丝锁附参数信息的置信区间,按照所述置信区间的范围在锁附设备中设置螺丝锁附过程的锁附参数信息;
数据采集模块101用于使用应用程序编程接口远程采集锁附参数信息,所述锁附参数信息包含锁附角度、锁附的扭矩、锁附速度。
本发明一实施方式中,在Python中使用API接口远程获取锁附设备中的锁附参数信息。
在本发明的另一个实施方式中,在Java中使用ipmi命令远程获取锁附设备中锁附参数信息。
数据整理模块102所述数据整理包括数据的预处理和统计特征整理。
具体地,所述数据的预处理包括如下步骤:
1)对所述锁附角度进行划分,将锁附角度进行分段处理。
具体地,采用时间序列分段处理的方法是按照时间序列使用滑动窗口SW算法对所述锁附角度进行划分,将采集的连续的锁附角度按照时间分段成分段集合。在本实施例中,对任一个锁附过程时间序列,给定一个窗口长度的最小值N和最大值M,从序列第一点开始,与第N点连线,计算各点拟合误差,如果拟合误差小于给定的阈值R,拟合成功。进一步增强窗口的长度,连线再计算拟合误差,如果拟合误差小于R,继续增加窗口长度一直到窗口长度为M。如果拟合误差大于R,则第一段结束,固定为锁螺丝时间第一分段。将所述M点作为新的窗口起始点,继续同样的过程,直到序列划分完毕,得到整条锁螺丝过程锁附角度的分段集合,所述阈值R根据不同螺丝的锁附工艺要求进行设定。
2)分别按照已有的锁附角度和锁附扭矩的对应关系和已有锁附角度和锁附速度的对应关系,绘制锁附角度与锁附扭矩的二维曲线图和锁附角度与锁附速度的二维曲线图。
其中,所述二维曲线图分别以锁附角度为横坐标,锁附扭矩和锁附速度为纵坐标,所述二维曲线分别按照所述锁附角度的时间分段把曲线分割成长短不等的若干段锁附角度与锁附扭矩的分段集合和锁附角度与锁附速度的分段集合。
3)把锁附角度不同的分段集合进行延伸和缩短来计算两个时间序列之间的相似性。
其中,采用动态时间规整算法把所述锁附角度与锁附扭矩的分段集合和锁附角度与锁附速度的分段集合进行延伸和缩短来计算分段集合之间的相似性。
4)对同一分段集合内的数据进行聚类分析。
具体地,采用K-means均值算法对所述锁附角度与锁附扭矩的每一个分段集合内的数据进行聚类分析,去除多余数据,保留关键数据;采用K-means均值算法对所述锁附角度与锁附速度的每一个分段集合内的数据进行聚类分析,去除多余数据,保留关键数据。
5)合并同一区间内的相同数据,对所述数据进行精简整合。
具体地,采用时间序列的折线处理方法,将经过K-means均值算法处理过的锁附角度与锁附扭矩曲线同一区间内的相同数据进行连线,对具有同样趋势的连线数据进行删除,从而实现对所述锁附数据进行精简整合;将经过K-means均值算法处理过的锁附角度与锁附速度曲线同一区间内的相同数据进行连线,对具有同样趋势的连线数据进行删除,从而实现对所述锁附数据进行精简整合。
经过预处理的所述锁附数据是具有趋势区间的分段数据,所述统计特征整理包括:将所述分段数据使用统计学方法进行处理,得到具有统计特征的特征矢量。
数据模型分析模块103分析整理后的数据拟合出锁附正常的锁附参数信息和锁附异常的锁附参数信息;
数据模型分析模块还用于将整理后的数据导入至数据模型中进行分析,所述数据模型包括多元逻辑回归模型、高斯回归模型中的任一种,将所述经过数据整理的数据导入所述数据模型拟合出锁附正常的锁附参数信息和锁附异常的锁附参数信息。
在本实施例中,所述的数据模型是高斯回归模型,将所述经过数据整理的锁附角度,锁附扭矩,锁附速度导入高斯回归模型,按照三维高斯分布图,确定高斯混合模型的中心和标准差。通过高斯分布图确定高斯混合模型的中心的坐标值和标准差,将落在高斯混合模型中心坐标值标准差范围内的数据为锁附正常的锁附参数信息,将落在高斯混合模型中心坐标标准差范围外的数据为锁附异常的锁附参数信息。其中,所述锁附正常是指螺丝完全锁入螺孔,并且无法再锁紧时的状态;所述锁附正常的锁附参数信息是指当锁附正常时,锁附设备中设置的锁附角度,锁附扭矩和锁附速度;所述锁附异常是指锁螺丝过程中出现的未锁入、未锁紧、锁歪、滑丝、定位偏移等锁附异常时,锁附设备中设置的锁附角度,锁附扭矩和锁附速度。
在本发明的另一实施例中,所述的数据模型为逻辑回归模型,在一实施例中,选择Sigmoid函数作为判别函数,不断输入锁附参数信息以最快的梯度方向训练函数参数,最终得到最优参数的逻辑回归模型。将锁附参数信息代入训练好的逻辑回归模型可以判断出所述锁附参数信息是否正常。
所述高斯回归模型三维高斯分布图的训练过程以及逻辑回归模型的参数训练过程可以离线完成。
故障类型分析模块104用于对锁附异常的锁附参数信息进行分析得出锁附异常的锁附参数信息对应的故障类型。
所述故障类型分析模块还用于将锁附异常的锁附参数信息导入至故障分类模型中进行分析,所述故障分类模型包括多重多元回归模型、基于判定树的分类模型、基于裕度优化的SVM分类模型、基于神经网络的组合分类模型中的至少一种。
所述故障分类模型包括多重多元回归模型、基于判定树的分类模型、基于裕度优化的SVM分类模型、基于神经网络的组合分类模型中的任一种。
在本实施例中,所述故障分析模型为多重多元回归模型,多重多元回归方程形式如下所示:
Y=β0X0+β1X1+β2X2+…+βnXn+ε
其中X0…Xn为螺丝的物理参数信息和锁附异常的锁附参数信息;所述螺丝的物理参数信息包括帽径、帽厚、杆径、杆长中的一个或多个参数,所述锁附异常的锁附参数信息包括锁附角度、锁附扭矩、锁附速度;Y为锁附故障类型,如未锁入、未锁紧、锁歪、滑丝、定位偏移,所述锁附故障类型可以用数字量化表示;β0…βn为回归方程的回归系数,ε为随机误差。
多重多元回归方程的回归系数的训练方法如下:选取已有的锁附异常的锁附参数信息以及锁附异常的锁附参数信息对应的故障类型,对模型的参数进行拟合。将螺丝的物理参数信息、锁附异常的锁附参数信息、以及已量化的锁附故障类型代入多重多元回归方程进行拟合,拟合得到多重多元回归方程的系数和随机误差。所述拟合多重多元回归方程系数的方法可以离线完成。
将异常锁附参数信息和不同型号螺丝的物理参数信息代入拟合好的多重多元回归方程,通过方程得到不同型号螺丝的异常锁附参数信息对应的故障类型。
在本发明的其他实施方式中,也可以将不同型号螺丝的物理参数信息和异常的锁附参数信息代入基于判定树的分类模型、基于裕度优化的SVM分类模型、基于神经网络的组合分类模型中拟合出不同型号螺丝在锁附过程中出现的不同故障。
本发明一些实施方式中,还可以通过集成学习算法的方式进一步提高故障分析的结果。所述集成学习是指通过组合几种模型来提高机器学习的效果,由于是现有技术,在此不再详述。
异常报警通知模块105用于根据所述锁附异常的锁附参数信息以及锁附异常的锁附参数信息对应的故障类型发出异常警报通知。
本发明一实施方式中,将所述异常警报通知发送至所述至少一用户终端2。
所述异常警报通知的方法至少包括邮件通知、电话通知、短信通知、社交网络平台通知的一种或多种。
所述置信区间确定模块106用于生成所述置信区间数据库。
所述置信区间确定模块106生成所述置信区间数据库可以是利用所述实施例二提供的置信区间数据库的构建方法实现的。
具体地,所述置信区间确定模块106确定所述置信区间数据库的方法包括:
采集锁附参数信息;
对采集到的锁附参数信息进行数据整理;
将所述经过数据整理的锁附数据导入数据模型拟合出锁附正常的锁附参数信息和锁附异常的锁附参数信息;
将数据模型分析得到的锁附异常的锁附参数信息,导入故障分析模型,分析出锁附异常的锁附参数信息对应的故障类型;
创建含有不同型号螺丝的锁附参数信息置信区间的置信区间数据库,所述置信区间即是不同螺丝规格在锁附过程中的锁附参数信息。
图6是本发明螺丝锁附异常警报方法的计算机装置示意图。
所述计算机装置1包括存储器20、处理器30以及存储在所述存储器20中并可在所述处理器30上运行的计算机程序40,例如螺丝锁附异常警报程序。所述处理器30执行所述计算机程序40时实现上述螺丝锁附异常警报方法实施例中的步骤。或者,所述处理器30执行所述计算机程序40时实现上述螺丝锁附异常警报装置实施例中各模块/单元的功能,例如图4中的单元100-106。
示例性的,所述计算机程序40可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器20中,并由所述处理器30执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,所述指令段用于描述所述计算机程序40在所述计算机装置1中的执行过程。例如,所述计算机程序40可以被分割成图5中的锁附参数确定模块100、数据采集模块101、数据整理模块102、数据模型分析模块103、故障类型分析模块104、异常报警通知模块105、置信区间确定模块106。
所述计算机装置1可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。本领域技术人员可以理解,所述示意图仅仅是计算机装置1的示例,并不构成对计算机装置1的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述计算机装置1还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者所述处理器30也可以是任何常规的处理器等,所述处理器30是所述计算机装置1的控制中心,利用各种接口和线路连接整个计算机装置1的各个部分。
所述存储器20可用于存储所述计算机程序40和/或模块/单元,所述处理器30通过运行或执行存储在所述存储器20内的计算机程序和/或模块/单元,以及调用存储在存储器20内的数据,实现所述计算机装置1的各种功能。所述存储器20可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据计算机装置1的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器20可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述计算机装置1集成的模块/单元如果以软件功能单元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介质中,所述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,Random Access 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电载波信号和电信信号。
在本发明所提供的几个实施例中,应所述理解到,所揭露的计算机装置和方法,可以通过其它的方式实现。例如,以上所描述的计算机装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
另外,在本发明各个实施例中的各功能单元可以集成在相同处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在相同单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。计算机装置权利要求中陈述的多个单元或计算机装置也可以由同一个单元或计算机装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (13)
1.一种螺丝锁附异常警报方法,其特征在于,所述方法包括:
锁附参数设置:调取不同规格螺丝锁附参数信息的置信区间,按照所述置信区间的范围设置螺丝锁附过程的锁附参数信息;
数据采集:实时采集锁附参数信息;
数据整理:对采集的锁附参数信息进行数据整理,所述锁附参数信息包括锁附角度、锁附扭矩和锁附速度,其中,所述锁附角度与所述锁附扭矩存在对应关系,所述锁附角度与所述锁附速度存在对应关系;所述数据整理的方法包括数据的预处理,所述数据的预处理包括:对所述锁附角度进行划分,将所述锁附角度进行分段处理;分别按照已有的锁附角度和锁附扭矩的对应关系和已有的锁附角度和锁附速度的对应关系,绘制所述锁附角度与所述锁附扭矩的二维曲线图和所述锁附角度与所述锁附速度的二维曲线图;把所述锁附角度不同的分段集合进行延伸和缩短来计算两个时间序列之间的相似性;对同一分段集合内的数据进行聚类分析;最后合并同一区间内的相同数据,对所述数据进行精简整合;
数据分析:分析整理后的数据得出锁附正常的锁附参数信息和锁附异常的锁附参数信息,并对锁附异常的锁附参数信息进行分析得出锁附异常的锁附参数信息对应的故障类型;
锁附过程异常报警:如果存在锁附异常的锁附参数信息,则根据所述锁附异常的锁附参数信息以及锁附异常的锁附参数信息对应的故障类型发出异常警报通知。
2.如权利要求1所述的螺丝锁附异常警报方法,其特征在于,所述数据采集的实现方法为:通过应用程序编程接口远程采集锁附参数信息。
3.如权利要求1所述的螺丝锁附异常警报方法,其特征在于,所述数据整理的方法包括统计特征整理:
所述统计特征整理包括:经过预处理的所述数据是具有趋势区间的分段数据,将所述分段数据使用统计学方法进行处理,得到具有统计特征的特征矢量。
4.如权利要求1所述的螺丝锁附异常警报方法,其特征在于,所述数据分析的方法是通过将整理后的数据导入至数据模型中进行分析,拟合出锁附正常的锁附参数信息和锁附异常的锁附参数信息,所述数据模型包括多元逻辑回归模型、高斯回归模型中的任一种。
5.如权利要求1所述的螺丝锁附异常警报方法,其特征在于,所述数据分析的方法是通过将锁附异常的锁附参数信息导入至故障分类模型中进行分析,所述故障分类模型包括多重多元回归模型、基于判定树的分类模型、基于裕度优化的SVM分类模型、基于神经网络的组合分类模型中的至少一种。
6.如权利要求1所述的螺丝锁附异常警报方法,其特征在于,所述锁附参数设置的方法还包括从一置信区间数据库中调取不同规格螺丝锁附参数信息的置信区间,所述置信区间数据库的生成方法包括:
采集锁附参数信息;
对采集到的锁附参数信息进行数据整理;
将所述经过数据整理的锁附数据导入数据模型拟合出所述锁附正常的锁附参数信息和锁附异常的所述锁附参数信息;
将数据模型分析得到的锁附异常的锁附参数信息,导入故障分析模型,分析出锁附异常的锁附参数信息对应的故障类型;
创建含有不同型号螺丝的锁附参数信息置信区间的置信区间数据库,所述置信区间即是不同螺丝规格在锁附过程中的锁附参数信息。
7.一种螺丝锁附异常警报装置,其特征在于,所述装置包括:
锁附参数确定模块,用于调取不同规格螺丝锁附参数信息的置信区间,按照所述置信区间的范围设置螺丝锁附过程的锁附参数信息;
数据采集模块,用于采集锁附参数信息;
数据整理模块,用于对采集的锁附参数信息进行数据整理;所述锁附参数信息包括所述锁附螺丝的锁附角度、锁附扭矩和锁附速度;所述数据整理模块还用于进行数据的预处理,所述预处理包括:对所述锁附角度进行划分,将所述锁附角度进行分段处理;分别按照已有的锁附角度和锁附扭矩的对应关系和已有锁附角度和锁附速度的对应关系,绘制所述锁附角度与所述锁附扭矩的二维曲线图和所述锁附角度与所述锁附速度的二维曲线图;把所述锁附角度不同的分段集合进行延伸和缩短来计算两个时间序列之间的相似性;对同一分段集合内的数据进行聚类分析;最后合并同一区间内的相同数据,对所述数据进行精简整合;
数据模型分析模块,分析整理后的数据拟合出锁附正常的锁附参数信息和锁附异常的锁附参数信息;
故障类型分析模块,用于对锁附异常的锁附参数信息进行分析得出锁附异常的锁附参数信息对应的故障类型;
异常报警通知模块,用于根据所述锁附异常的锁附参数信息以及锁附异常的锁附参数信息对应的故障类型发出异常警报通知。
8.如权利要求7所述的螺丝锁附异常警报装置,其特征在于,所述装置还包括:
置信区间确定模块,用于生成所述置信区间数据库,所述锁附参数确定模块从所述置信区间数据库中调取不同规格螺丝锁附参数信息的置信区间。
9.如权利要求7所述的螺丝锁附异常警报装置,其特征在于,所述统计特征整理包括:经过预处理的所述数据是具有趋势区间的分段数据,将所述分段数据使用统计学方法进行处理,得到具有统计特征的特征矢量。
10.如权利要求7所述的螺丝锁附异常警报装置,其特征在于,所述数据模型分析模块还用于将整理后的数据导入至数据模型中进行分析,所述数据模型包括多元逻辑回归模型、高斯回归模型中的任一种,将所述经过数据整理的数据导入所述数据模型拟合出锁附正常的锁附参数信息和锁附异常的锁附参数信息。
11.如权利要求7所述的螺丝锁附异常警报装置,其特征在于,所述故障类型分析模块还用于将锁附异常的锁附参数信息导入至故障分类模型中进行分析,所述故障分类模型包括多重多元回归模型、基于判定树的分类模型、基于裕度优化的SVM分类模型、基于神经网络的组合分类模型中的至少一种。
12.一种计算机装置,其特征在于:所述计算机装置包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-6中任一项所述的螺丝锁附异常警报方法。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的螺丝锁附异常警报方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910077319.7A CN111489517B (zh) | 2019-01-25 | 2019-01-25 | 螺丝锁附异常警报方法、装置、计算机装置及存储介质 |
TW108105477A TWI777035B (zh) | 2019-01-25 | 2019-02-19 | 螺絲鎖附異常警報方法、裝置、電腦裝置及存儲介質 |
US16/658,492 US11372388B2 (en) | 2019-01-25 | 2019-10-21 | Locking error alarm device and method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910077319.7A CN111489517B (zh) | 2019-01-25 | 2019-01-25 | 螺丝锁附异常警报方法、装置、计算机装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111489517A CN111489517A (zh) | 2020-08-04 |
CN111489517B true CN111489517B (zh) | 2023-08-01 |
Family
ID=71732564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910077319.7A Active CN111489517B (zh) | 2019-01-25 | 2019-01-25 | 螺丝锁附异常警报方法、装置、计算机装置及存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11372388B2 (zh) |
CN (1) | CN111489517B (zh) |
TW (1) | TWI777035B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113211426B (zh) * | 2020-12-02 | 2023-02-28 | 格创东智(深圳)科技有限公司 | 机器人故障诊断方法、装置、计算机设备以及存储介质 |
CN112692553B (zh) * | 2020-12-17 | 2022-05-17 | 内蒙古第一机械集团股份有限公司 | 一种钢丝螺套安装工艺参数的控制系统 |
CN112676817B (zh) * | 2020-12-17 | 2022-05-17 | 内蒙古第一机械集团股份有限公司 | 一种钢丝螺套安装系统 |
CN113642683A (zh) * | 2021-10-14 | 2021-11-12 | 深圳市信润富联数字科技有限公司 | 提示方法及装置、电子设备和计算机可读存储介质 |
CN115070660B (zh) * | 2022-06-23 | 2024-01-09 | 珠海格力智能装备有限公司 | 一种伺服电批的控制方法及控制装置 |
CN117410215B (zh) * | 2023-12-15 | 2024-04-09 | 合肥晶合集成电路股份有限公司 | 机台参数的确定方法、控制方法、控制系统及其装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101648336A (zh) * | 2009-09-11 | 2010-02-17 | 海泰斯(北京)工程设备有限公司 | 螺栓紧固系统 |
CN101825538A (zh) * | 2009-03-05 | 2010-09-08 | 名硕电脑(苏州)有限公司 | 螺丝锁附可靠度的检测方法 |
CN103302487A (zh) * | 2012-03-09 | 2013-09-18 | 名硕电脑(苏州)有限公司 | 锁螺丝异常侦测方法及应用其的自动锁螺丝装置 |
CN105345447A (zh) * | 2015-11-12 | 2016-02-24 | 苏州工业园区嘉宝精密机械有限公司 | 基于plc的螺丝锁附方法及系统 |
CN105425732A (zh) * | 2015-11-13 | 2016-03-23 | 苏州博众精工科技有限公司 | 一种螺丝锁附力矩的自适应调整方法 |
CN108803697A (zh) * | 2018-06-14 | 2018-11-13 | 上海铁路机务综合开发有限公司 | 扭矩控制智能管理系统 |
CN109048313A (zh) * | 2018-10-11 | 2018-12-21 | 联宝(合肥)电子科技有限公司 | 一种电子设备的螺丝锁附方法及装置 |
CN109092709A (zh) * | 2018-08-09 | 2018-12-28 | 珠海格力智能装备有限公司 | 螺丝检测方法及装置 |
Family Cites Families (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5549169A (en) * | 1993-01-13 | 1996-08-27 | Nippondenso Co., Ltd. | Screw tightening apparatus |
DE4330481A1 (de) * | 1993-09-09 | 1995-03-16 | Bosch Gmbh Robert | Verfahren zum Herstellen einer Fügeverbindung, insbesondere einer Schraubverbindung |
US6473703B1 (en) * | 1996-11-20 | 2002-10-29 | International Business Machines Corporation | Method for controlling a manufacturing process utilizing control charts with specified confidence intervals |
DE60113073T2 (de) * | 2000-03-10 | 2006-08-31 | Smiths Detection Inc., Pasadena | Steuerung für einen industriellen prozes mit einer oder mehreren multidimensionalen variablen |
DE10100887C1 (de) * | 2001-01-11 | 2002-01-17 | Bosch Gmbh Robert | Vorrichtung und Verfahren zum Konfigurieren eines Schraubsystems |
US7912676B2 (en) * | 2006-07-25 | 2011-03-22 | Fisher-Rosemount Systems, Inc. | Method and system for detecting abnormal operation in a process plant |
WO2008040019A2 (en) * | 2006-09-28 | 2008-04-03 | Fisher-Rosemount Systems, Inc. | Abnormal situation prevention in a coker heater |
WO2008040018A2 (en) * | 2006-09-28 | 2008-04-03 | Fisher-Rosemount Systems, Inc. | Abnormal situation prevention in a heat exchanger |
CN103503042B (zh) * | 2011-02-26 | 2016-03-30 | 地震预警系统公司 | 可定制的策略引擎 |
JP5733122B2 (ja) * | 2011-09-12 | 2015-06-10 | 株式会社デンソーウェーブ | 螺子締め装置および螺子浮き判定方法 |
JP5780896B2 (ja) * | 2011-09-20 | 2015-09-16 | 株式会社マキタ | 電動工具 |
CA2897875C (en) * | 2013-01-25 | 2015-12-08 | Calaeris Energy & Environment Ltd. | Turbulent vacuum thermal separation methods and systems |
CN104142229B (zh) * | 2013-05-10 | 2017-08-04 | 中科风电(北京)有限公司 | 一种风力发电机组法兰螺栓在线监测及故障诊断系统 |
TWM467684U (zh) * | 2013-06-10 | 2013-12-11 | Jung-Tang Huang | 結構安全監控與光雕照明裝置及系統 |
CN103878575A (zh) * | 2014-03-11 | 2014-06-25 | 昆山利特自动化设备有限公司 | 一种多轴螺丝机锁嘴夹爪机构 |
US10197977B2 (en) * | 2014-09-02 | 2019-02-05 | Johnson Controls Technology Company | Feedback control system with normalized performance indices for setpoint alarming |
CN105115652A (zh) * | 2015-07-09 | 2015-12-02 | 西北工业大学 | 一种利用主动超声导波定量化监测螺栓预紧力矩的方法 |
CN106584083B (zh) * | 2015-10-20 | 2021-06-01 | 鸿富锦精密电子(郑州)有限公司 | 用于检测螺丝锁固状态的电子装置 |
CN105354999A (zh) * | 2015-11-25 | 2016-02-24 | 高佳 | 一种桌面型自动锁螺丝机异常警示器 |
CN107433446B (zh) * | 2016-05-27 | 2021-01-15 | 富泰华工业(深圳)有限公司 | 防混装装置及方法 |
TWI676014B (zh) * | 2016-09-02 | 2019-11-01 | 邱智煇 | 固定裝置之力感測裝置、具力感測元件的裝置與系統 |
CN206484252U (zh) * | 2017-02-28 | 2017-09-12 | 东莞市元汇电器有限公司 | 一种螺丝锁附机用缺料自动报警装置 |
DE102017002440A1 (de) * | 2017-03-13 | 2018-09-13 | Liebherr-Components Biberach Gmbh | Verfahren und Vorrichtung zum Anziehen von Verschraubungen |
US11783464B2 (en) * | 2018-05-18 | 2023-10-10 | Lawrence Livermore National Security, Llc | Integrating extended reality with inspection systems |
CN109175980A (zh) * | 2018-09-19 | 2019-01-11 | 广州市安埗自动化设备有限公司 | 螺丝锁付生产线故障管理系统 |
CN210115668U (zh) * | 2019-03-05 | 2020-02-28 | 富士康精密电子(太原)有限公司 | 螺丝锁附装置 |
-
2019
- 2019-01-25 CN CN201910077319.7A patent/CN111489517B/zh active Active
- 2019-02-19 TW TW108105477A patent/TWI777035B/zh active
- 2019-10-21 US US16/658,492 patent/US11372388B2/en active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101825538A (zh) * | 2009-03-05 | 2010-09-08 | 名硕电脑(苏州)有限公司 | 螺丝锁附可靠度的检测方法 |
CN101648336A (zh) * | 2009-09-11 | 2010-02-17 | 海泰斯(北京)工程设备有限公司 | 螺栓紧固系统 |
CN103302487A (zh) * | 2012-03-09 | 2013-09-18 | 名硕电脑(苏州)有限公司 | 锁螺丝异常侦测方法及应用其的自动锁螺丝装置 |
CN105345447A (zh) * | 2015-11-12 | 2016-02-24 | 苏州工业园区嘉宝精密机械有限公司 | 基于plc的螺丝锁附方法及系统 |
CN105425732A (zh) * | 2015-11-13 | 2016-03-23 | 苏州博众精工科技有限公司 | 一种螺丝锁附力矩的自适应调整方法 |
CN108803697A (zh) * | 2018-06-14 | 2018-11-13 | 上海铁路机务综合开发有限公司 | 扭矩控制智能管理系统 |
CN109092709A (zh) * | 2018-08-09 | 2018-12-28 | 珠海格力智能装备有限公司 | 螺丝检测方法及装置 |
CN109048313A (zh) * | 2018-10-11 | 2018-12-21 | 联宝(合肥)电子科技有限公司 | 一种电子设备的螺丝锁附方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111489517A (zh) | 2020-08-04 |
TW202029011A (zh) | 2020-08-01 |
TWI777035B (zh) | 2022-09-11 |
US11372388B2 (en) | 2022-06-28 |
US20200241494A1 (en) | 2020-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111489517B (zh) | 螺丝锁附异常警报方法、装置、计算机装置及存储介质 | |
CN109583332B (zh) | 人脸识别方法、人脸识别系统、介质及电子设备 | |
CN111522704A (zh) | 告警信息处理方法、装置、计算机装置及存储介质 | |
CN108108743B (zh) | 异常用户识别方法和用于识别异常用户的装置 | |
CN111026653B (zh) | 异常程序行为检测方法、装置、电子设备和存储介质 | |
CN112015603A (zh) | 用户终端硬件检测方法、装置、计算机装置及存储介质 | |
EP3620982B1 (en) | Sample processing method and device | |
CN110672323B (zh) | 一种基于神经网络的轴承健康状态评估方法及装置 | |
EP3852007B1 (en) | Method, apparatus, electronic device, readable storage medium and program for classifying video | |
CN110991170A (zh) | 基于电子病历信息的中文疾病名称智能标准化方法与系统 | |
CN113743650B (zh) | 电力负荷预测方法、装置、设备与存储介质 | |
CN112801053B (zh) | 视频数据处理方法、装置 | |
CN112199374B (zh) | 针对数据缺失的数据特征挖掘方法及其相关设备 | |
CN114064872A (zh) | 对话数据信息的智能存储方法、装置、设备及介质 | |
CN116841846A (zh) | 一种实时日志异常检测方法、装置、设备及其存储介质 | |
CN115080745A (zh) | 基于人工智能的多场景文本分类方法、装置、设备及介质 | |
CN111291186B (zh) | 一种基于聚类算法的上下文挖掘方法、装置和电子设备 | |
CN115730205A (zh) | 一种配置决策装置的方法、装置及相关设备 | |
CN115881103B (zh) | 语音情绪识别模型训练方法、语音情绪识别方法及装置 | |
CN113743427B (zh) | 图像识别方法、装置、计算机装置及存储介质 | |
CN117171141A (zh) | 一种基于关系图谱的数据模型建模方法 | |
EP4339814A1 (en) | Visualization technology for finding anomalous patterns | |
CN117172632B (zh) | 一种企业异常行为检测方法、装置、设备及存储介质 | |
EP4339815A1 (en) | Generating models for detection of anomalous patterns | |
CN114970535B (zh) | 意图识别方法、系统、装置及存储介质 |
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 |