CN111623830A - 一种机电设备运行状态的监测方法、装置及系统 - Google Patents
一种机电设备运行状态的监测方法、装置及系统 Download PDFInfo
- Publication number
- CN111623830A CN111623830A CN202010530898.9A CN202010530898A CN111623830A CN 111623830 A CN111623830 A CN 111623830A CN 202010530898 A CN202010530898 A CN 202010530898A CN 111623830 A CN111623830 A CN 111623830A
- Authority
- CN
- China
- Prior art keywords
- safety
- data
- training
- neural network
- actual
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 121
- 238000013528 artificial neural network Methods 0.000 claims abstract description 105
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 231100000279 safety data Toxicity 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000012806 monitoring device Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 14
- 238000007726 management method Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000003860 storage Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 230000000644 propagated effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013523 data management Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 238000007514 turning Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000001851 vibrational circular dichroism spectroscopy Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种机电设备运行状态的监测方法、装置及系统，其中，方法包括获取多组与待监测机电设备的运行状态相关的训练数据；利用多组训练数据对预置的神经网络进行训练，得到优化的神经网络；获取与待监测机电设备的运行状态相关的实际数据；利用优化的神经网络及实际数据获取实际数据中每种实际运行参数的准确值。本发明利用优化的神经网络对与待监测机电设备的运行状态相关的实际数据中的多种实际运行参数进行种内融合，更加精确地得出每种实际运行参数的值，不仅提升了获取数据的精确度，而且使得机电设备具有较高的工作效率。
Description
技术领域
本发明涉及控制工程技术领域，尤其是指一种机电设备运行状态的监测方法、装置及系统。
背景技术
随着时代的不断发展，工业化水平的不断提高，机电设备的种类也越来越多。机电设备按照用途可分为三大类：产业类机电设备、信息类机电设备、民生类机电设备。产业类机电设备是指用于生产企业的机电设备，例如普通车床、普通铣床、数控机床等；信息类机电设备是指用于信息的采集、传输和存储处理的电子机械产品，例如计算机终端、通讯设备、传真机、打印机等；民生类机电设备是指用于人民生活领域的电子机械产品，例如VCD、空调、电冰箱等。
近些年来，数控机床凭借其自动化程度高、易实现计算机控制、数控加工连续性高、数控加工一致性好、适合加工复杂零件、便于建立网络化系统等特性，被广泛应用于各种生产企业中。而由于数控机床是一种装有程序控制系统的自动化机床，故对像数控机床这样的机电设备的运行状态进行实时监测是一项至关重要的工作。目前，在对机电设备的运行状态进行监测时，存在机电设备的运行效率较低、协同性较差、获取的数据精确度不高、控制中心负担较大、控制系统架构相对落后等问题。
因此，有必要对上述机电设备运行状态的监测方法进行改进。
发明内容
本发明所要解决的技术问题是：提供一种机电设备运行状态的监测方法、装置及系统，旨在解决在现有的机电设备运行状态的监测方法中，获取的数据精确度不高的问题。
为了解决上述技术问题，本发明采用的技术方案为：
本发明实施例第一方面提供了一种机电设备运行状态的监测方法，该方法包括如下步骤：
获取多组与待监测机电设备的运行状态相关的训练数据，其中，每组所述训练数据均包括与待监测机电设备的运行状态相关的多种训练用运行参数；
利用多组所述训练数据对预置的神经网络进行训练，得到优化的神经网络，其中，所述优化的神经网络用于对每组训练数据中的多种训练用运行参数分别进行种内融合，得到每种所述训练用运行参数的准确值；
获取与所述待监测机电设备的运行状态相关的实际数据，其中，所述实际数据包括与待监测机电设备的运行状态相关的多种实际运行参数；
利用所述优化的神经网络及实际数据获取实际数据中每种实际运行参数的准确值。
在一些实施方案中，所述预置的神经网络的网络结构包括输入层、多个隐藏层及输出层，所述预置的神经网络中的数据流向包括正向数据流向及反向数据流向，所述正向数据流向依次为输入层、多个隐藏层及输出层，所述反向数据流向依次为输出层、多个隐藏层及输入层，且所述优化的神经网络的网络结构、数据流向均与预置的神经网络一致。
在一些实施方案中，所述利用多组所述训练数据对预置的神经网络进行训练，得到优化的神经网络，具体包括：
将多组所述训练数据分别以正向数据流向代入至预置的神经网络，得到每组所述训练数据中每种训练用运行参数的输出结果；
分别判断每组所述训练数据中每种训练用运行参数的输出结果是否与每种训练用运行参数的期望结果一致，若是，则得到所述优化的神经网络；
若否，则获取每组所述训练数据中每种训练用运行参数的输出结果与每种训练用运行参数的期望结果之间的误差；
将所述误差以反向数据流向代入至预置的神经网络，并基于所述误差分别对每一隐藏层的神经元的权系数进行修改，得到修改后的每一隐藏层的神经元的权系数，而后转到将多组所述训练数据分别以正向数据流向代入至预置的神经网络，得到每组所述训练数据中每种训练用运行参数的输出结果。
在一些实施方案中，所述利用所述优化的神经网络及实际数据获取实际数据中每种实际运行参数的准确值，具体包括：
将所述实际数据以正向数据流向代入至优化的神经网络，得到所述实际数据中每种实际运行参数的准确值。
在一些实施方案中，所述获取与所述待监测机电设备的运行状态相关的实际数据之前，还包括：
获取多组与待监测机电设备的运行状态相关的安全数据，其中，每组所述安全数据均包括与待监测机电设备的运行状态相关的多种安全运行参数；
将多组所述安全数据分别以正向数据流向代入至优化的神经网络，得到每组所述安全数据中每种安全运行参数的输出结果；
根据每组所述安全数据中每种安全运行参数的输出结果，综合得到与每种所述安全运行参数相对应的安全值或安全范围。
在一些实施方案中，所述利用所述优化的神经网络及实际数据获取实际数据中每种实际运行参数的准确值之后，还包括：
分别判断每种所述实际运行参数的准确值是否对应超过每种实际运行参数的安全值或安全范围，并根据超过所述安全值或安全范围的实际运行参数生成安全问题报告，其中，每种所述实际运行参数的安全值或安全范围即为与每种安全运行参数相对应的安全值或安全范围。
在一些实施方案中，所述根据超过所述安全值或安全范围的实际运行参数生成安全问题报告之后，还包括：
根据所述安全问题报告判断待监测机电设备是否能够自行解决安全问题报告中存在的安全问题；
若否，则将所述安全问题报告发送至待监测机电设备的关联平台，以由所述关联平台解决安全问题报告中存在的安全问题。
在一些实施方案中，所述由所述关联平台解决安全问题报告中存在的安全问题，具体包括：
将所述安全问题报告中超过安全值或安全范围的实际运行参数与预置的安全知识库进行比对，得到比对结果，其中，所述安全知识库包括机电设备专家、书籍、网络上所有与待监测机电设备的运行状态相关的安全知识；
对所述比对结果进行分析，得出解决方案。
本发明实施例第二方面提供了一种机电设备运行状态的监测装置，该装置包括：
第一获取模块，用于获取多组与待监测机电设备的运行状态相关的训练数据，其中，每组所述训练数据均包括与待监测机电设备的运行状态相关的多种训练用运行参数；
训练模块，用于利用多组所述训练数据对预置的神经网络进行训练，得到优化的神经网络，其中，所述优化的神经网络用于对每组训练数据中的多种训练用运行参数分别进行种内融合，得到每种所述训练用运行参数的准确值；
第二获取模块，用于获取与所述待监测机电设备的运行状态相关的实际数据，其中，所述实际数据包括与待监测机电设备的运行状态相关的多种实际运行参数；
监测模块，用于利用所述优化的神经网络及实际数据获取实际数据中每种实际运行参数的准确值。
本发明实施例第三方面提供了一种机电设备运行状态的监测系统，该系统包括云平台及设置在待监测机电设备上如本发明实施例第二方面所述的机电设备运行状态的监测装置，所述云平台即为本发明实施例第一方面所述的关联平台，所述云平台与机电设备运行状态的监测装置之间通过GPRS、Wifi、3G、4G、5G中的至少一种方式进行通信连接。
从上述描述可知，与现有技术相比，本发明的有益效果在于：
首先，利用多组与待监测机电设备的运行状态相关的训练数据对预置的神经网络进行训练，以得到优化的神经网络；其次，利用优化的神经网络对与待监测机电设备的运行状态相关的实际数据中的多种实际运行参数进行种内融合，更加精确地得出每种实际运行参数的值。此过程提升了获取数据的精确度，使得机电设备具有较高的工作效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明第一实施例提供的机电设备运行状态的监测方法的流程图；
图2为本发明第二实施例提供的机电设备运行状态的监测方法的流程图；
图3为连接图2的本发明第二实施例提供的机电设备运行状态的监测方法的流程图；
图4为本发明第二实施例提供的预置的神经网络的训练示意图；
图5为本发明第二实施例提供的预置的神经网络的训练结果图；
图6为本发明第二实施例提供的关联平台解决安全问题报告中存在的安全问题的方法的流程图；
图7为本发明第三实施例提供的机电设备运行状态的监测装置的模块方框图；
图8为本发明第四实施例提供的机电设备运行状态的监测系统的模块方框图；
图9为本发明第四实施例提供的边-云协同模式架构图；
图10为本发明第四实施例提供的基于改进Hadoop分布式系统基础架构的云平台架构图；
图11为本发明第四实施例提供的数控机床故障知识库的示意图。
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，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。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。此外，下面所描述的本发明的各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
下文所描述的“训练数据、训练用运行参数”、“实际数据、实际运行参数”以及“安全数据、安全运行参数”之间可以为同一种参数，比如同为温度，只不过在训练数据、训练用运行参数中，该温度参数用于训练预置的神经网络；在实际数据、实际运行参数中，该温度参数用于待监测机电设备的运行状态的实际监测；在安全数据、安全运行参数中，该温度参数用于求取待监测机电设备的温度安全值或安全范围。
请参阅图1，图1为本发明第一实施例提供的机电设备运行状态的监测方法的流程图。
如图1所示，本发明第一实施例提供的机电设备运行状态的监测方法包括如下步骤：
S11、获取多组与待监测机电设备的运行状态相关的训练数据，其中，每组训练数据均包括与待监测机电设备的运行状态相关的多种训练用运行参数；
S12、利用多组训练数据对预置的神经网络进行训练，得到优化的神经网络，其中，优化的神经网络用于对每组训练数据中的多种训练用运行参数分别进行种内融合，得到每种训练用运行参数的准确值；
S13、获取与待监测机电设备的运行状态相关的实际数据，其中，实际数据包括与待监测机电设备的运行状态相关的多种实际运行参数；
S14、利用优化的神经网络及实际数据获取实际数据中每种实际运行参数的准确值。
具体的，于本实施例中，获取多组与待监测机电设备的运行状态相关的训练数据/实际数据是基于设置在待监测机电设备上的多种多个传感器实现的，且设置在待监测机电设备上的多种多个传感器分为3种组合类型：
其一，具有同一种检测参数(如温度、光强等)、同种传感器结构、位于待监测机电设备不同位置的多个传感器组合，例如，在待监测机电设备的不同位置设置3个光敏传感器以检测光强；
其二，具有同一种检测参数、不同传感器结构、检测与待监测机电设备的运行状态相关的同一运行参数(如位置变化、运行安全系数等)的多个传感器组合，例如，在待监测机电设备的某些位置设置位移传感器及超声波传感器以检测位置变化；
其三，具有不同检测参数、不同传感器结构、检测与待监测机电设备的运行状态相关的同一运行参数的多个传感器组合，例如，在待监测机电设备的某些位置设置碰撞传感器、声音传感器、振动传感器及火焰传感器以检测运行安全系数，或者在待监测机电设备的某些位置设置温度传感器及热敏传感器以检测温度。
本发明第一实施例提供的机电设备运行状态的监测方法，第一方面，首先，利用多组与待监测机电设备的运行状态相关的训练数据对预置的神经网络进行训练，以得到优化的神经网络；其次，利用优化的神经网络对与待监测机电设备的运行状态相关的实际数据中的多种实际运行参数进行种内融合，更加精确地得出每种实际运行参数的值。此过程提升了获取数据的精确度，使得机电设备具有较高的工作效率。第二方面，具有同一种检测参数、同种传感器结构、位于待监测机电设备不同位置的多个传感器组合，避免了传感器检测区域单一所导致的结果偏差；具有同一种检测参数、不同传感器结构、检测与待监测机电设备的运行状态相关的同一运行参数的多个传感器组合，避免了由于单种传感器检测误差较大所导致的结果偏差；具有不同检测参数、不同传感器结构、检测与待监测机电设备的运行状态相关的同一运行参数的多个传感器组合，从不同的角度切入问题，保证了结果的准确性。第三方面，获取多组与待监测机电设备的运行状态相关的训练数据/实际数据时，在待监测机电设备上设置了3种类型的传感器组合，真正意义上实现了对待监测机电设备的多源信息采集，进一步提升了获取数据的精确度。
请参阅图2、图3、图4、图5以及图6，图2为本发明第二实施例提供的机电设备运行状态的监测方法的流程图，图3为连接图2的本发明第二实施例提供的机电设备运行状态的监测方法的流程图，图4为本发明第二实施例提供的预置的神经网络的训练示意图，图5为本发明第二实施例提供的预置的神经网络的训练结果图，图6为本发明第二实施例提供的关联平台解决安全问题报告中存在的安全问题的方法的流程图。
以本发明第一实施例提供的机电设备运行状态的监测方法为基础，在本发明第二实施例中：
进一步地，预置的神经网络的网络结构包括输入层、多个隐藏层及输出层，且预置的神经网络中的数据流向包括正向数据流向及反向数据流向，正向数据流向依次为输入层、多个隐藏层及输出层，反向数据流向依次为输出层、多个隐藏层及输入层。
需要说明的是，于本实施例中，优化的神经网络的网络结构、数据流向均与预置的神经网络一致。另外，当数据流经预置的神经网络中的多个隐藏层时，任一隐藏层的神经元的状态只会对下一隐藏层的神经元的状态产生影响。
进一步地，如图2所示，步骤S12包括：
S121、将多组训练数据分别以正向数据流向代入至预置的神经网络，得到每组训练数据中每种训练用运行参数的输出结果；
S122、分别判断每组训练数据中每种训练用运行参数的输出结果是否与每种训练用运行参数的期望结果一致，若是，则得到所述优化的神经网络；
S123、若否，则获取每组训练数据中每种所述训练用运行参数的输出结果与每种训练用运行参数的期望结果之间的误差；
S124、将误差以反向数据流向代入至预置的神经网络，并基于误差分别对每一隐藏层的神经元的权系数进行修改，得到修改后的每一隐藏层的神经元的权系数，而后转到S121。
为清楚地理解本实施例提供的步骤S121-S124，下面对其进行举例说明：
如图4所示，图4中的“方框”代表输入层或输出层，“圆形”代表隐藏层，将位于待监测机电设备上的碰撞传感器、声音传感器、振动传感器及火焰传感器的数据分别作为预置的神经网络的输入值，中间第一层隐藏层接受4种传感器的数据，经权值计算和激活函数处理后将输入传至第二层隐藏层，第二层隐藏层为3输入及1输出，第二层隐藏层将第一层隐藏层的数据输入并经第二层隐藏层的权值计算和激活函数处理后，由输出层输出运行安全系数，此时，需要对输出的运行安全系数与期望系数进行比对，若比对结果不一致，即未达到迭代次数，则获取输出的运行安全系数与期望系数之间的误差，并将误差在预置的神经网络中进行反向数据流向传播，同时更新中间两层隐藏层的权系数后，再对4种传感器的数据在预置的神经网络中进行正向数据流向传播，以此为循环，最终使得每一隐藏层的权系数达到最优，以得到优化的神经网络。另外，如图5所示，在对预置的神经网络进行训练后，经过469次迭代运算，预置的神经网络所输出的结果的准确率已达到98.85％，此时，预置的神经网络即为优化的神经网络。
进一步地，如图2所示，步骤S14包括：
S141、将实际数据以正向数据流向代入至优化的神经网络，得到实际数据中每种实际运行参数的准确值。
需要说明的是，于本实施例中，优化的神经网络中各隐藏层的权系数已是最优值，故此时被代入至优化的神经网络的实际数据，可经优化的神经网络得到实际数据中每种实际运行参数的准确值。
进一步地，如图2所示，步骤S13之前包括：
S21、获取多组与待监测机电设备的运行状态相关的安全数据，其中，每组安全数据均包括与待监测机电设备的运行状态相关的多种安全运行参数；
S22、将多组安全数据分别以正向数据流向代入至优化的神经网络，得到每组安全数据中每种安全运行参数的输出结果；
S23、根据每组安全数据中每种安全运行参数的输出结果，综合得到与每种安全运行参数相对应的安全值或安全范围。
需要说明的是，于本实施例中，由于优化的神经网络中各隐藏层的权系数已是最优值，所以利用优化的神经网络得到的与每种安全运行参数相对应的安全值或安全范围具有较高的精确度。
进一步地，如图3所示，步骤S14之后包括：
S31、分别判断每种实际运行参数的准确值是否对应超过每种实际运行参数的安全值或安全范围，并根据超过安全值或安全范围的实际运行参数生成安全问题报告。
S32、根据安全问题报告判断待监测机电设备是否能够自行解决安全问题报告中存在的安全问题；
S33、若否，则将安全问题报告发送至待监测机电设备的关联平台，以由关联平台解决安全问题报告中存在的安全问题。
其中，每种实际运行参数的安全值或安全范围即为步骤S23中的与每种安全运行参数相对应的安全值或安全范围。
进一步地，如图6所示，由关联平台解决安全问题报告中存在的安全问题包括如下步骤：
S41、将安全问题报告中超过安全值或安全范围的实际运行参数与预置的安全知识库进行比对，得到比对结果，其中，安全知识库包括机电设备专家、书籍、网络上所有与待监测机电设备的运行状态相关的安全知识；
S42、对比对结果进行分析，得出解决方案。
需要说明的是，于本实施例中，关联平台即为控制中心。
为清楚地理解本发明第二实施例提供的机电设备运行状态的监测方法，下面对该方法的步骤进行完整的说明：
S101、获取多组与待监测机电设备的运行状态相关的训练数据；
S102、将多组训练数据分别以正向数据流向代入至预置的神经网络，得到每组训练数据中每种训练用运行参数的输出结果；
S103、判断每组训练数据中每种训练用运行参数的输出结果是否与每种训练用运行参数的期望结果一致，若是，则转到S105；
S104、若否，则获取每组训练数据中每种训练用运行参数的输出结果与每种训练用运行参数的期望结果之间的误差，将误差以反向数据流向代入至预置的神经网络，并基于误差分别对每一隐藏层的神经元的权系数进行修改，得到修改后的每一隐藏层的神经元的权系数，而后转到S103；
S105、得到优化的神经网络；
S106、获取多组与待监测机电设备的运行状态相关的安全数据；
S107、将多组安全数据分别以正向数据流向代入至优化的神经网络，得到每组安全数据中每种安全运行参数的输出结果；
S108、根据每组安全数据中每种安全运行参数的输出结果，综合得到与每种安全运行参数相对应的安全值或安全范围；
S109、获取与待监测机电设备的运行状态相关的实际数据；
S110、将实际数据以正向数据流向代入至优化的神经网络，得到实际数据中每种实际运行参数的准确值；
S111、判断每种实际运行参数的准确值是否对应超过每种实际运行参数的安全值或安全范围；
S112、根据超过安全值或安全范围的实际运行参数生成安全问题报告；
S113、判断待监测机电设备是否能够自行解决安全问题报告中存在的安全问题；
S114、若否，则将安全问题报告发送至待监测机电设备的关联平台。
本发明第二实施例提供的机电设备运行状态的监测方法，第一方面，通过在预置的神经网络中以正向数据流向传播多组训练数据，以反向数据流向传播每组训练数据中每种训练用运行参数的输出结果与每种训练用运行参数的期望结果之间的误差的方式，不断地循环以更新预置的神经网络中多个隐藏层的权系数，使多个隐藏层的权系数达到最优，生成优化的神经网络，使得在利用优化的神经网络处理诸如实际数据、安全数据等数据时，输出的结果更加精准。第二方面，若待监测机电设备能够自行解决安全问题报告中存在的安全问题，则待监测机电设备自行解决安全问题报告中存在的安全问题；若待监测机电设备不能自行解决安全问题报告中存在的安全问题，则将安全问题报告发送至待监测机电设备的关联平台(控制中心)，以由关联平台解决安全问题报告中存在的安全问题，此时，不仅通过待监测机电设备与关联平台的协同工作方式，使得整个系统具有较好的协同性，而且关联平台也不必承担所有的处理工作，避免了控制中心负担较大的问题。第三方面，将安全问题报告中超过安全值或安全范围的实际运行参数与预置的安全知识库进行比对，得到比对结果，并根据比对结果得出解决方案，使得维修人员可以更快地修复待监测机电设备的故障。
请参阅图7，图7为本发明第三实施例提供的机电设备运行状态的监测装置的模块方框图。
如图7所示，与本发明第一实施例提供的机电设备运行状态的监测方法相对应，本发明第三实施例提供的机电设备运行状态的监测装置100包括：
第一获取模块101，用于获取多组与待监测机电设备的运行状态相关的训练数据，其中，每组训练数据均包括与待监测机电设备的运行状态相关的多种训练用运行参数；
训练模块102，用于利用多组训练数据对预置的神经网络进行训练，得到优化的神经网络，其中，优化的神经网络用于对每组训练数据中的多种训练用运行参数分别进行种内融合，得到每种训练用运行参数的准确值；
第二获取模块103，用于获取与所述待监测机电设备的运行状态相关的实际数据，其中，实际数据包括与待监测机电设备的运行状态相关的多种实际运行参数；
监测模块104，用于利用优化的神经网络及实际数据获取实际数据中每种实际运行参数的准确值。
请参阅图8、图9、图10以及图11，图8为本发明第四实施例提供的机电设备运行状态的监测系统的模块方框图，图9为本发明第四实施例提供的边-云协同模式架构图，图10为本发明第四实施例提供的基于改进Hadoop分布式系统基础架构的云平台架构图，图11为本发明第四实施例提供的数控机床故障知识库的示意图。
如图8所示，本发明第四实施例提供的机电设备运行状态的监测系统200包括云平台201及设置在待监测机电设备上如本发明第三实施例所提供的机电设备运行状态的监测装置100，其中，云平台201即为本发明第二实施例所提供的关联平台，且云平台201与机电设备运行状态的监测装置100之间通过GPRS、Wifi、3G、4G、5G中的至少一种方式进行通信连接。
具体的，于本实施例中，设置在待监测机电设备上的机电设备运行状态的监测装置100相当于边缘计算节点。云平台201由SaaS、PaaS和IaaS构成，SaaS由Flex、CSS、HTML等组成，PaaS由并行计算、分布式缓存、测试环境、资源池等组成，IaaS由存储设备、虚拟化、网络设备、服务器设置等组成，且云平台201还具有资源整合调度、数据处理分析、设施管理监控和数据安全存储的功能。于其他实施例中，如图9所示，多个边缘计算节点与云平台201之间的协同工作组成了边-云协同模式。
具体的，于本实施例中，云平台201与机电设备运行状态的监测装置100之间通过GPRS、Wifi、3G、4G、5G中的至少一种方式进行无线通信连接，利用无线传输将数据信息传至云平台201，在云端进行大数据融合。而软件一方面可按模块功能分类，进行灵活组合；另一方面还具有实时网络数据处理、人机界面交互控制功能。除此之外，一方面可利用专网通信、无线图像传输、计算机网络以及多媒体技术等多种手段建立监控指挥平台；另一方面可利用专网通信、无线图像传输等多种手段建立移动指挥通信平台，提供多功能的指挥调度平台和远程决策平台。软件系统可采用C/S架构与模块化设计，由调度、GPS、短消息、报表和轨迹回放等功能模块组成。
需要说明的是，于本实施例中，云平台201内设有安全知识库子系统，该安全知识库子系统包括知识库(例如图11中的数控机床故障知识库)、数据库及推理机，其中，知识库包括机床专家、书籍、网络等各种具备专业决策评判的事物提出的安全知识，其常以多种规则来规范操作，并加以置信度因子来提高准确度；数据库能够存储事实数据，由动态与静态数据库组成，静态数据库存储变换不大的参数，例如机床的大小、机械臂的运动范围等等，动态数据库存储机床运行中的各项参数，例如电机当前运行速度、机械臂当前位置、机床当前温度，这些参数均是决策中的重要构成；推理机负责根据输入的数据参数运用知识库的相关知识内容推理出一定的结论，其包含正向、反向和混合推理，推理机的性能与构造一般与知识的表示方法有关，与知识的内容无关。
还需要说明的是，于其他实施例中，如图10所示，由于Hadoop架构拥有高扩展、高效和高容错性的特点，非常适合构建边-云协同的数控机床系统，故云平台201可以为基于改进Hadoop分布式系统基础架构的云平台201。该云平台201以Linux为操作系统，HDFS和MapReduce为主要核心，数据库查询和程序设计语言SQL与EIL，并配备数据接口和无线通信，实现机床设施管理、边缘设备管理、数据管理、系统管理及用户管理的功能。机床设施管理功能主要是对机床相关软硬件运行状态进行监控，出现故障时通过调用安全知识库给出相关决策，保证机床正常运行。边缘设备管理主要通过对各个边缘节点的实时监控获取机床配套电脑和机床上各个传感器的运行状态，保证边缘节点正常工作。数据管理主要负责机床、边缘设备数据的获取、神经网络数据处理、知识库数据分析的功能，保证指令正确迅速下达，兼具数据存储记录功能。系统管理则监控整个云平台的各个子系统运行状况，保证云平台安全高效运行。用户模块负责给予管理员和操作人员不同权限，监控保存操作记录，保证操作系统安全。
本发明第四实施例提供的机电设备运行状态的监测系统，第一方面，多个边缘计算节点与云平台之间的协同工作组成边-云协同模式，其一，利用边缘计算的灵活性(边缘计算节点可遍布机电设备的大部分区域)，快速地获取机电设备的整体数据，兼顾数据交互和数据集处理功能，可使整个机电设备系统运作灵活，且其自带的计算力可实现神经网络数据融合功能，减轻云平台运算负担，提高整个系统的工作效率；其二，利用云平台的强大算力、大数据处理与存储功能，同时基于硬件资源和软件资源的服务，配备深度学习系统，对机电设备的边缘计算中心发送的数据进行神经网络训练，得到最优权系数，从而构建适配于该系统的网络结构，其计算速率大大超过传统数据处理算法。第二方面，云平台与机电设备运行状态的监测装置之间通过GPRS、Wifi、3G、4G、5G中的至少一种方式进行无线通信连接，可解决机电设备中机械臂、相机、电机之间的数据传输问题。第三方面，软件按模块功能分类，进行灵活组合，解决了多制式应急通信信息系统集成中的各项互联问题，实现了融合通信。第四方面，软件具有实时网络数据处理、人机界面交互控制功能，可实现对网络信息的实时监控与管理，为用户提供可靠的人机交互界面，满足信息处理对数据交换控制、计算性能、图形处理和显示以及相应的指挥控制要求，为应急指挥系统实现智能化人机交互提供支持，同时可通过各车型、各任务规划设计，满足具体指挥和云平台的电源系统、音视频控制可视化操作需求。第五方面，利用专网通信、无线图像传输、计算机网络以及多媒体技术等多种手段建立监控指挥平台，可实现现场信息以图像、声音等形式回传到云平台。第六方面，软件系统采用C/S架构与模块化设计，由调度、GPS、短消息、报表和轨迹回放等功能模块组成，可以满足各种部署需求。第七方面，云平台设计成基于改进Hadoop分布式系统基础架构的云平台，配备机床设施管理、边缘设备管理、数据管理、系统管理及用户管理的功能，保证了机电设备及云平台正常运行、边缘节点正常工作、指令正确且迅速下达及操作系统的安全，同时还兼具数据存储记录功能。第八方面，知识库常以多种规则来规范操作，并加以置信度因子来提高准确度，提高了安全知识库子系统的推理能力。第九方面，推理机的性能与构造与知识的表示方法有关，与知识的内容无关，有利于保证推理机与知识库的独立性，提高了推理的灵活性。
综上所述，本发明提供的机电设备运行状态的监测方法、装置及系统，其有益效果在于：
首先，利用多组与待监测机电设备的运行状态相关的训练数据对预置的神经网络进行训练，以得到优化的神经网络；其次，利用优化的神经网络对与待监测机电设备的运行状态相关的实际数据中的多种实际运行参数进行种内融合，更加精确地得出每种实际运行参数的值。此过程提升了获取数据的精确度，使得机电设备具有较高的工作效率。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明所述的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk)等。
需要说明的是，本发明内容中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于产品类实施例而言，由于其与方法类实施例相似，所以描述的比较简单，相关之处参见方法类实施例的部分说明即可。
还需要说明的是，在本发明内容中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明内容。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本发明内容中所定义的一般原理可以在不脱离本发明内容的精神或范围的情况下，在其它实施例中实现。因此，本发明内容将不会被限制于本发明内容所示的这些实施例，而是要符合与本发明内容所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种机电设备运行状态的监测方法，其特征在于，包括如下步骤：
获取多组与待监测机电设备的运行状态相关的训练数据，其中，每组所述训练数据均包括与待监测机电设备的运行状态相关的多种训练用运行参数；
利用多组所述训练数据对预置的神经网络进行训练，得到优化的神经网络，其中，所述优化的神经网络用于对每组训练数据中的多种训练用运行参数分别进行种内融合，得到每种所述训练用运行参数的准确值；
获取与所述待监测机电设备的运行状态相关的实际数据，其中，所述实际数据包括与待监测机电设备的运行状态相关的多种实际运行参数；
利用所述优化的神经网络及实际数据获取实际数据中每种实际运行参数的准确值。
2.如权利要求1所述的机电设备运行状态的监测方法，其特征在于，所述预置的神经网络的网络结构，包括：输入层、多个隐藏层及输出层，所述预置的神经网络中的数据流向包括正向数据流向及反向数据流向，所述正向数据流向依次为输入层、多个隐藏层及输出层，所述反向数据流向依次为输出层、多个隐藏层及输入层，且所述优化的神经网络的网络结构、数据流向均与预置的神经网络一致。
3.如权利要求2所述的机电设备运行状态的监测方法，其特征在于，所述利用多组所述训练数据对预置的神经网络进行训练，得到优化的神经网络，具体包括：
将多组所述训练数据分别以正向数据流向代入至预置的神经网络，得到每组所述训练数据中每种训练用运行参数的输出结果；
分别判断每组所述训练数据中每种训练用运行参数的输出结果是否与每种训练用运行参数的期望结果一致，若是，则得到所述优化的神经网络；
若否，则获取每组所述训练数据中每种训练用运行参数的输出结果与每种训练用运行参数的期望结果之间的误差；
将所述误差以反向数据流向代入至预置的神经网络，并基于所述误差分别对每一隐藏层的神经元的权系数进行修改，得到修改后的每一隐藏层的神经元的权系数，而后转到将多组所述训练数据分别以正向数据流向代入至预置的神经网络，得到每组所述训练数据中每种训练用运行参数的输出结果。
4.如权利要求2所述的机电设备运行状态的监测方法，其特征在于，所述利用所述优化的神经网络及实际数据获取实际数据中每种实际运行参数的准确值，具体包括：将所述实际数据以正向数据流向代入至优化的神经网络，得到所述实际数据中每种实际运行参数的准确值。
5.如权利要求2所述的机电设备运行状态的监测方法，其特征在于，所述获取与所述待监测机电设备的运行状态相关的实际数据之前，还包括：
获取多组与待监测机电设备的运行状态相关的安全数据，其中，每组所述安全数据均包括与待监测机电设备的运行状态相关的多种安全运行参数；
将多组所述安全数据分别以正向数据流向代入至优化的神经网络，得到每组所述安全数据中每种安全运行参数的输出结果；
根据每组所述安全数据中每种安全运行参数的输出结果，综合得到与每种所述安全运行参数相对应的安全值或安全范围。
6.如权利要求5所述的机电设备运行状态的监测方法，其特征在于，所述利用所述优化的神经网络及实际数据获取实际数据中每种实际运行参数的准确值之后，还包括：分别判断每种所述实际运行参数的准确值是否对应超过每种实际运行参数的安全值或安全范围，并根据超过所述安全值或安全范围的实际运行参数生成安全问题报告，其中，每种所述实际运行参数的安全值或安全范围即为与每种安全运行参数相对应的安全值或安全范围。
7.如权利要求6所述的机电设备运行状态的监测方法，其特征在于，所述根据超过所述安全值或安全范围的实际运行参数生成安全问题报告之后，还包括：
根据所述安全问题报告判断待监测机电设备是否能够自行解决安全问题报告中存在的安全问题；
若否，则将所述安全问题报告发送至待监测机电设备的关联平台，以由所述关联平台解决安全问题报告中存在的安全问题。
8.如权利要求7所述的机电设备运行状态的监测方法，其特征在于，所述由所述关联平台解决安全问题报告中存在的安全问题，具体包括：
将所述安全问题报告中超过安全值或安全范围的实际运行参数与预置的安全知识库进行比对，得到比对结果，其中，所述安全知识库包括机电设备专家、书籍、网络上所有与待监测机电设备的运行状态相关的安全知识；
对所述比对结果进行分析，得出解决方案。
9.一种机电设备运行状态的监测装置，其特征在于，包括：
第一获取模块，用于获取多组与待监测机电设备的运行状态相关的训练数据，其中，每组所述训练数据均包括与待监测机电设备的运行状态相关的多种训练用运行参数；
训练模块，用于利用多组所述训练数据对预置的神经网络进行训练，得到优化的神经网络，其中，所述优化的神经网络用于对每组训练数据中的多种训练用运行参数分别进行种内融合，得到每种所述训练用运行参数的准确值；
第二获取模块，用于获取与所述待监测机电设备的运行状态相关的实际数据，其中，所述实际数据包括与待监测机电设备的运行状态相关的多种实际运行参数；
监测模块，用于利用所述优化的神经网络及实际数据获取实际数据中每种实际运行参数的准确值。
10.一种机电设备运行状态的监测系统，其特征在于，包括：云平台及设置在待监测机电设备上如权利要求9所述的机电设备运行状态的监测装置，所述云平台即为权利要求7-8任一项所述的关联平台，所述云平台与机电设备运行状态的监测装置之间通过GPRS、Wifi、3G、4G、5G中的至少一种方式进行通信连接。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010530898.9A CN111623830A (zh) | 2020-06-11 | 2020-06-11 | 一种机电设备运行状态的监测方法、装置及系统 |
| PCT/CN2020/123106 WO2021248769A1 (zh) | 2020-06-11 | 2020-10-23 | 一种机电设备运行状态的监测方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010530898.9A CN111623830A (zh) | 2020-06-11 | 2020-06-11 | 一种机电设备运行状态的监测方法、装置及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111623830A true CN111623830A (zh) | 2020-09-04 |
Family
ID=72258349
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010530898.9A Pending CN111623830A (zh) | 2020-06-11 | 2020-06-11 | 一种机电设备运行状态的监测方法、装置及系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111623830A (zh) |
| WO (1) | WO2021248769A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113393143A (zh) * | 2021-06-24 | 2021-09-14 | 重庆大学 | 基于信息融合的翅片机加工状态监测方法 |
| WO2021248769A1 (zh) * | 2020-06-11 | 2021-12-16 | 深圳技术大学 | 一种机电设备运行状态的监测方法、装置及系统 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116893614B (zh) * | 2023-06-06 | 2023-12-15 | 苏州优世达智能科技有限公司 | 一种基于多传感器融合的水陆两栖无人艇的控制方法 |
| CN118329128B (zh) * | 2024-06-13 | 2024-08-27 | 山东飞宏工程机械有限公司 | 一种远程智能加工用机电设备运行状态监控方法 |
| CN118625735A (zh) * | 2024-08-08 | 2024-09-10 | 中科航迈数控软件(深圳)有限公司 | 数控机床的控制方法、设备、存储介质及程序产品 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0704775A1 (de) * | 1994-08-22 | 1996-04-03 | Zellweger Luwa Ag | Verfahren und Vorrichtung zur Bestimmung von relevanten Grössen bei einer Verarbeitung von textilen Gebilden |
| CN101799367A (zh) * | 2010-01-27 | 2010-08-11 | 北京信息科技大学 | 一种机电设备神经网络故障趋势预测方法 |
| CN102880115A (zh) * | 2012-09-29 | 2013-01-16 | 佛山喜讯电子科技有限公司 | 一种基于物联网的数控机床远程协作诊断系统 |
| CN102937534A (zh) * | 2012-11-26 | 2013-02-20 | 北京信息科技大学 | 一种基于组合预测模型对机电设备的故障预测方法 |
| CN104085789A (zh) * | 2014-05-06 | 2014-10-08 | 新乡市起重机厂有限公司 | 一种起重机运行状态的智能监测方法 |
| CN106203627A (zh) * | 2016-07-08 | 2016-12-07 | 中国电子科技集团公司电子科学研究院 | 一种对网络靶场进行评价的方法 |
| CN106874581A (zh) * | 2016-12-30 | 2017-06-20 | 浙江大学 | 一种基于bp神经网络模型的建筑空调能耗预测方法 |
| CN107040555A (zh) * | 2016-02-03 | 2017-08-11 | 上海迪麦科能源科技有限公司 | 一种基于云端服务器的机电设备远程管理方法 |
| CN107168244A (zh) * | 2017-07-10 | 2017-09-15 | 吉林工程技术师范学院 | 一种数控机床运行状态在线监测及报警系统 |
| CN107942940A (zh) * | 2016-10-28 | 2018-04-20 | 华中科技大学 | 一种基于指令域分析的数控机床的进给轴装配故障的检测方法和装置 |
| CN109632355A (zh) * | 2018-12-20 | 2019-04-16 | 广州航天海特系统工程有限公司 | 基于机电设备状态数据漂移的故障预测方法及系统 |
| CN109931678A (zh) * | 2019-03-13 | 2019-06-25 | 中国计量大学 | 基于深度学习lstm的空调故障诊断方法 |
| CN110119851A (zh) * | 2019-05-23 | 2019-08-13 | 上海建工四建集团有限公司 | 一种建筑机电系统故障智能预测方法和系统 |
| US20190316913A1 (en) * | 2018-04-11 | 2019-10-17 | Micron Technology, Inc. | Determining Autonomous Vehicle Status Based on Mapping of Crowdsourced Object Data |
| CN110361987A (zh) * | 2019-08-08 | 2019-10-22 | 上海博坤信息技术有限公司 | 一种基于建筑信息模型的机电设备运行状态模拟仿真方法 |
| CN110362037A (zh) * | 2019-07-05 | 2019-10-22 | 南京简睿捷软件开发有限公司 | 一种用于数控机床的综合维护系统平台 |
| CN110554657A (zh) * | 2019-10-16 | 2019-12-10 | 河北工业大学 | 一种数控机床运行状态健康诊断系统及诊断方法 |
| CN111007799A (zh) * | 2019-12-18 | 2020-04-14 | 宁波财经学院 | 一种基于神经网络的数控装备远程诊断系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018079400A1 (ja) * | 2016-10-24 | 2018-05-03 | ホーチキ株式会社 | 火災監視システム |
| CN109543814A (zh) * | 2018-08-31 | 2019-03-29 | 南京理工大学 | 一种地铁信号系统各设备故障预测方法 |
| CN109357749B (zh) * | 2018-09-04 | 2020-12-04 | 南京理工大学 | 一种基于dnn算法的电力设备音频信号分析方法 |
| CN109376620A (zh) * | 2018-09-30 | 2019-02-22 | 华北电力大学 | 一种风电机组齿轮箱故障的迁移诊断方法 |
| CN111623830A (zh) * | 2020-06-11 | 2020-09-04 | 深圳技术大学 | 一种机电设备运行状态的监测方法、装置及系统 |
-
2020
- 2020-06-11 CN CN202010530898.9A patent/CN111623830A/zh active Pending
- 2020-10-23 WO PCT/CN2020/123106 patent/WO2021248769A1/zh active Application Filing
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0704775A1 (de) * | 1994-08-22 | 1996-04-03 | Zellweger Luwa Ag | Verfahren und Vorrichtung zur Bestimmung von relevanten Grössen bei einer Verarbeitung von textilen Gebilden |
| CN101799367A (zh) * | 2010-01-27 | 2010-08-11 | 北京信息科技大学 | 一种机电设备神经网络故障趋势预测方法 |
| CN102880115A (zh) * | 2012-09-29 | 2013-01-16 | 佛山喜讯电子科技有限公司 | 一种基于物联网的数控机床远程协作诊断系统 |
| CN102937534A (zh) * | 2012-11-26 | 2013-02-20 | 北京信息科技大学 | 一种基于组合预测模型对机电设备的故障预测方法 |
| CN104085789A (zh) * | 2014-05-06 | 2014-10-08 | 新乡市起重机厂有限公司 | 一种起重机运行状态的智能监测方法 |
| CN107040555A (zh) * | 2016-02-03 | 2017-08-11 | 上海迪麦科能源科技有限公司 | 一种基于云端服务器的机电设备远程管理方法 |
| CN106203627A (zh) * | 2016-07-08 | 2016-12-07 | 中国电子科技集团公司电子科学研究院 | 一种对网络靶场进行评价的方法 |
| CN107942940A (zh) * | 2016-10-28 | 2018-04-20 | 华中科技大学 | 一种基于指令域分析的数控机床的进给轴装配故障的检测方法和装置 |
| CN106874581A (zh) * | 2016-12-30 | 2017-06-20 | 浙江大学 | 一种基于bp神经网络模型的建筑空调能耗预测方法 |
| CN107168244A (zh) * | 2017-07-10 | 2017-09-15 | 吉林工程技术师范学院 | 一种数控机床运行状态在线监测及报警系统 |
| US20190316913A1 (en) * | 2018-04-11 | 2019-10-17 | Micron Technology, Inc. | Determining Autonomous Vehicle Status Based on Mapping of Crowdsourced Object Data |
| CN109632355A (zh) * | 2018-12-20 | 2019-04-16 | 广州航天海特系统工程有限公司 | 基于机电设备状态数据漂移的故障预测方法及系统 |
| CN109931678A (zh) * | 2019-03-13 | 2019-06-25 | 中国计量大学 | 基于深度学习lstm的空调故障诊断方法 |
| CN110119851A (zh) * | 2019-05-23 | 2019-08-13 | 上海建工四建集团有限公司 | 一种建筑机电系统故障智能预测方法和系统 |
| CN110362037A (zh) * | 2019-07-05 | 2019-10-22 | 南京简睿捷软件开发有限公司 | 一种用于数控机床的综合维护系统平台 |
| CN110361987A (zh) * | 2019-08-08 | 2019-10-22 | 上海博坤信息技术有限公司 | 一种基于建筑信息模型的机电设备运行状态模拟仿真方法 |
| CN110554657A (zh) * | 2019-10-16 | 2019-12-10 | 河北工业大学 | 一种数控机床运行状态健康诊断系统及诊断方法 |
| CN111007799A (zh) * | 2019-12-18 | 2020-04-14 | 宁波财经学院 | 一种基于神经网络的数控装备远程诊断系统 |
Non-Patent Citations (1)
| Title |
|---|
| 徐红辉: "高速公路机电设备运行状态无线监测方法仿真", 《计算机仿真》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021248769A1 (zh) * | 2020-06-11 | 2021-12-16 | 深圳技术大学 | 一种机电设备运行状态的监测方法、装置及系统 |
| CN113393143A (zh) * | 2021-06-24 | 2021-09-14 | 重庆大学 | 基于信息融合的翅片机加工状态监测方法 |
| CN113393143B (zh) * | 2021-06-24 | 2022-06-17 | 重庆大学 | 基于信息融合的翅片机加工状态监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021248769A1 (zh) | 2021-12-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111623830A (zh) | 一种机电设备运行状态的监测方法、装置及系统 | |
| US12013842B2 (en) | Web services platform with integration and interface of smart entities with enterprise applications | |
| US11252115B2 (en) | Conversation interface agent for manufacturing operation information | |
| CN113112086B (zh) | 一种基于边缘计算和标识解析的智能生产系统 | |
| Kassner et al. | The social factory: connecting people, machines and data in manufacturing for context-aware exception escalation | |
| US20160132538A1 (en) | Crawler for discovering control system data in an industrial automation environment | |
| US20190095517A1 (en) | Web services platform with integration of data into smart entities | |
| CN109086182A (zh) | 数据库自动告警的方法及终端设备 | |
| CN113179190B (zh) | 边缘控制器、边缘计算系统及其配置方法 | |
| CN113176948A (zh) | 边缘网关、边缘计算系统及其配置方法 | |
| CN112464672A (zh) | 一种在物联网边缘设备中构建语义模型的优化方法 | |
| US7974937B2 (en) | Adaptive embedded historians with aggregator component | |
| CN115860259A (zh) | 故障处理方法、装置及计算机可读存储介质 | |
| US10942942B2 (en) | Transactional-unstructured data driven sequential federated query method for distributed systems | |
| da Cunha et al. | Proposal for an IoT architecture in industrial processes | |
| KR20210147594A (ko) | 에너지 데이터 수집 및 관리에 최적화 기능을 제공하는 엣지 컴퓨팅 장치의 통신시스템 및 데이터베이스 운영방법 | |
| CN114170041A (zh) | 应用建筑主题数据建立智慧建筑运维管理系统的方法 | |
| CN117112459A (zh) | 一种多设备分布式数据采集系统构建及方法 | |
| CN110347451B (zh) | 一种基于ai和iot的通用人机交互系统和方法 | |
| US20240012378A1 (en) | Building automation system with validated commissioning workflow and digital twin population | |
| CN115439015B (zh) | 基于数据中台的局域电网数据管理方法、装置及设备 | |
| CN114745616A (zh) | 一种地下热信息远程监控预警系统和方法 | |
| CN117376346A (zh) | 基于边缘计算与分布式计算的设备数据处理方法及装置 | |
| CN112925831A (zh) | 基于云计算服务的大数据挖掘方法及大数据挖掘服务系统 | |
| Dua et al. | Design of Detection and Measurement System for Petroleum Transportation Pipeline Based on WEB Technology |
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 |
Application publication date: 20200904 |