CN112270429A - 基于云边协同的动力电池极片制造设备维护方法和系统 - Google Patents
基于云边协同的动力电池极片制造设备维护方法和系统 Download PDFInfo
- Publication number
- CN112270429A CN112270429A CN202010894795.0A CN202010894795A CN112270429A CN 112270429 A CN112270429 A CN 112270429A CN 202010894795 A CN202010894795 A CN 202010894795A CN 112270429 A CN112270429 A CN 112270429A
- Authority
- CN
- China
- Prior art keywords
- data
- edge
- pole piece
- computing platform
- battery pole
- 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 56
- 238000012423 maintenance Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000007547 defect Effects 0.000 claims abstract description 70
- 238000007726 management method Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000013523 data management Methods 0.000 claims description 6
- 230000008447 perception Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000000513 principal component analysis Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 230000001953 sensory effect Effects 0.000 claims 1
- 238000003860 storage Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 206010003591 Ataxia Diseases 0.000 description 1
- 206010010947 Coordination abnormal Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000016290 incoordination Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000306 recurrent 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/25—Manufacturing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/20—Information sensed or collected by the things relating to the thing itself
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/40—Maintenance of things
-
- 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
-
- 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
- Y02P90/80—Management or planning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Accounting & Taxation (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种基于云边协同的动力电池极片制造设备预测性维护方法和系统,该方法包括:由感知设备采集动力电池极片制造设备状态数据;由边缘计算平台根据感知设备上传的一定时间范围内的设备状态数据获得当前时间段的设备特征数据,同时上传;由云计算平台根据所有边缘计算平台上传的历史特征数据以及专家打分值给出最新的缺陷规模化产生预测模型;由边缘计算平台根据该模型进行预测,输出给定时间段内规模化产生极片缺陷的风险概率,由边缘计算平台判断该风险概率是否满足预先设定的告警及通知条件,若是则告警及通知。本发明通过综合发挥云计算和边缘计算潜力,实现动力电池极片制造设备的预测性维护,降低维护成本及电池极片生产缺陷率。
Description
技术领域
本发明涉及一种基于云边协同的动力电池极片制造设备预测性维护方法和系统。
背景技术
动力电池极片表面缺陷,诸如空洞、划痕等会严重影响电池的质量和使用寿命,如不及时发现采取措施,可能造成严重后果,因此及时进行动力电池极片表面缺陷检测是十分必要的。
目前基于人工或者机器视觉的缺陷检测技术可以实现一些缺陷的检测,但大量的检测数据由于缺乏整合,数据分散并缺乏连贯性,管理人员很难从中得到有用信息,远不能用来指导动力电池极片制造,实现对生产线的优化调整。
使用云计算中心进行此类数据量的收集会产生极高的延迟和占用极大的网络带宽,并导致云计算中心的负载过高、压力过大及消耗额外的能源。
为了解决这个问题,使数据分析更接近数据源系统或设备的边缘计算受到了关注,但边缘计算由于边缘数据的不完整特性,在边缘进行数据分析的结果与使用全局数据相比具有一定偏差。
如何借助云边协同的方法以缓解云计算和边缘计算隔离或不协调造成的高延迟、高能耗和低带宽使用率,将数据监测、故障诊断、预测维护和状态决策融合为一体,已经成为学术界和工业界关注的焦点。
本发明人发现:通过分析评估动力电池极片制造设备健康状况以便预测下一次极片表面缺陷规模化发生的时间及制造设备需要进行维护的时间,能够最大限度地延长设备使用寿命,实现准确高效的动力电池极片制造设备预测性维护。
发明内容
本发明的目的在于提供一种基于云边协同的动力电池极片制造设备预测性维护方法和系统,通过综合发挥云计算和边缘计算潜力,实现动力电池极片制造设备的预测性维护,降低维护成本及动力电池极片生产缺陷率。
为此,本发明提供了一种基于云边协同的动力电池极片制造设备预测性维护方法,包括:由感知设备采集动力电池极片制造设备状态数据,并将其发送至边缘计算平台;由边缘计算平台根据感知设备上传的一定时间范围内的设备状态数据获得当前时间段的设备特征数据,同时上传到云计算平台;由云计算平台根据所有边缘计算平台上传的历史特征数据给出最新的缺陷规模化产生预测模型;由边缘计算平台根据云计算平台下发的缺陷规模化产生预测模型,将当前时间段的设备特征数据输入该模型中进行预测,输出给定时间段内规模化产生极片缺陷的风险概率,由边缘计算平台判断所述给定时间段内规模化产生极片缺陷的风险概率是否满足预先设定的告警及通知条件,若是则告警及通知动力电池极片制造设备的相关人员。
本发明还提供了一种基于云边协同的动力电池极片制造设备预测性维护系统,包括:感知设备,用于采集动力电池极片制造设备状态数据,并将其发送至边缘计算平台;边缘计算平台,用于根据感知设备上传的一定时间范围内的设备状态数据获得当前时间段的设备特征数据,同时上传到云计算平台;以及云计算平台,用于根据所有边缘计算平台上传的历史特征数据给出最新的缺陷规模化产生预测模型,其中,所述边缘计算平台还用于根据云计算平台下发的缺陷规模化产生预测模型,将当前时间段的设备特征数据输入该模型中进行预测,输出给定时间段内规模化产生极片缺陷的风险概率,判断所述给定时间段内规模化产生极片缺陷的风险概率是否满足预先设定的告警及通知条件,若是则告警及通知动力电池极片制造设备的相关人员。
本发明利用云计算平台丰富的计算和存储资源获得全局数据,综合机器学习算法和专家打分模型训练极片表面缺陷规模化产生预测模型,实现模型高效的迭代升级,提高模型精确度。通过边缘计算平台实现本地一定时间段内数据的高效汇总,在边缘侧载入云端训练的最新预测模型,并基于本地数据对模型进行二次训练,提高设备状态模型的本地适配性,节省数据上传云计算平台的等待时间,为动力电池极片制造设备的预测性维护工作争分夺秒。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明的基于云边协同的动力电池极片制造设备预测性维护方法的流程图;以及
图2是根据本发明的基于云边协同的动力电池极片制造设备预测性维护系统的架构图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。
如图1和图2所示,本发明的基于云边协同的动力电池极片制造设备预测性维护方法,包括如下步骤。
S1、感知设备采集动力电池极片制造设备状态数据,并将其发送至边缘计算平台。
S2、由边缘计算平台根据感知设备上传的一定时间范围内的设备状态数据获得当前时间段的设备特征数据,同时上传到云计算平台。
S3、由云计算平台根据所有边缘计算平台上传的历史特征数据以及专家打分值给出最新的缺陷规模化产生预测模型。
S4、由边缘计算平台根据云计算平台下发的缺陷规模化产生预测模型,将当前时间段的设备特征数据输入该模型中进行预测,输出给定时间段内规模化产生极片缺陷的风险概率。
S5、由边缘计算平台判断所述给定时间段内规模化产生极片缺陷的风险概率是否满足预先设定的告警及通知条件,若是则告警及通知动力电池极片制造设备的相关人员,否则返回S1。
在步骤S4中,基于云计算平台下发的最新模型配置,使用本地存储的一定时间段内的感知数据进行二次训练,将当前时间段的设备特征数据输入该模型中进行预测,输出给定时间段内规模化产生极片缺陷的风险概率。
在步骤S3中,由云计算平台根据所有边缘计算平台上传的历史特征数据以及专家打分值给出最新的缺陷规模化产生预测模型。
本方法利用云计算平台丰富的计算和存储资源获得全局数据,综合机器学习算法和专家打分模型训练极片表面缺陷规模化产生预测模型,实现模型高效的迭代升级,提高模型精确度。通过边缘计算平台实现本地一定时间段内数据的高效汇总,在边缘侧载入云端训练的最新预测模型,并基于本地数据对模型进行二次训练,提高设备状态模型的本地适配性,节省数据上传云计算平台的等待时间,为动力电池极片制造设备的预测性维护工作争分夺秒。
优选地,在步骤S1中,感知设备为图像传感器、光电转换器、温湿度传感器等,可通过4G、5G、Wi-Fi、物联网网关等传输方式将动力电池极片制造设备状态数据发送至边缘计算平台。
设备状态数据包括预先设定的进行动力电池极片制造设备预测性维护所需的必要数据,包括但不限于极片表面厚度数据与缺陷数据、电池极片制造设备关键点的温度和湿度以及电池极片制造设备所在环境状态数据。
优选的,在步骤S3中,云计算平台主要包括数据管理、模型管理和配置管理三个功能模块。
其中,数据管理模块存储着云计算平台连接的各个边缘计算平台所上传的所有感知数据;模型管理模块负责使用云计算平台数据管理模块存储的全局数据训练极片表面缺陷规模化产生预测模型;配置管理模块负责在全局数据新增量达到一定数量之后,使用模型管理模块重新训练新的预测模型,并负责与边缘计算平台的数据接收和将训练好的模型配置下发,下发方式包括主动下发和被动响应下发。
优选的,在步骤S2中,边缘计算平台主要包括边缘缺陷检测模块、边缘模型管理模块、边缘预测服务模块和预警管理模块四个功能模块,四个功能模块赋予边缘计算平台存储能力和计算能力。
边缘缺陷检测模块负责数据存储、数据预处理、数据筛选特征提取和数据上传相关的操作,特别的,边缘缺陷检测模块能够存储感知设备上传的一定时间段内的数据;边缘模型管理模块基于云计算平台下发的最新模型配置,使用本地存储的一定时间段内的感知数据进行二次训练;边缘预测服务模块接收边缘模型管理模块所训练的模型配置方案,接收方式包括被动接收和请求响应接收,执行模型并输出运行结果;预警管理模块负责接收边缘预测服务模块输出的运行结果,并根据预先设定的触发阈值将异常预警信息下发给设备负责人和维护人员。
优选的,边缘缺陷检测模块将感知设备上传的数据完成数据预处理后,存储在边缘数据库,然后从中筛选出预测任务所需数据,并进行特征提取。
优选的,数据预处理为预先针对感知设备上传的数据设定的数据处理方式,包括但不限于数据去重、数据清洗和数据去噪,数据预处理规则可以通过云计算平台进行更新;特征提取为预先针对预处理后的数据进行特征处理以符合缺陷规模化产生预测模型输入数据格式和类型的数据操作,包括但不限于主成分分析和正则化,特征提取规则可以通过云计算平台进行更新。
缺陷规模化产生预测模型为根据输入的数据、预测动力电池极片制造设备是否会规模化产生极片缺陷的机器学习算法,模型由三个并列的子模型即循环神经网络RNN、长短时记忆网络LSTM和专家评分模型,各子模型分别根据输入的数据、预测动力电池极片制造设备是否会规模化产生极片缺陷,然后将各自的预测结果通过多模态融合网络进行融合,从而给出给定时间段内规模化产生极片缺陷的风险概率。
多模态融合网络采用1~2层全连接网络,通过给各自模型的预测结果赋予权重,从而得到融合后的给定时间段内规模化产生极片缺陷的风险概率。
专家评分模型根据极片表面厚度数据、缺陷数据等感知数据筛选出各种评价指标,建立各评价指标的数学模型,定量分析该影响因素对缺陷规模化产生的影响权重,构建专家打分的判断矩阵,给出基于所述评价指标的专家打分值,评价该影响因素对缺陷规模化产生的影响。
优选的,在步骤S4中,边缘模型管理模块可以进行预测模型的重配置,重配置方法包括通过获取云计算平台进行更新和在此基础上使用边缘计算平台存储的本地数据进行进一步的训练。
具体的,边缘模型管理模块在任务空闲时向云计算平台请求最新训练的模型配置及对应的数据预处理规则和特征提取规则,请求频率可根据需求自行设置,并基于边缘计算平台所接收到的感知数据对模型进行二次训练,提高设备状态模型的本地适配性;所述任务空闲时指的是任务不会影响当前在边缘计算平台运行的预测任务。
优选的,在步骤S2中,边缘模型管理模块在任务空闲时将未上传的预处理后的数据上传至云计算平台;所谓任务空闲时指的是数据上传任务不会影响当前在边缘计算平台运行的预测任务。
优选的,在步骤S2中,边缘预测服务模块可以执行定期计划的预测任务和即时的预测任务;对于定期计划的预测任务,感知设备的数据上报周期与边缘计算平台上相关的定期计划任务周期协同,进而保证在任务开始之前,最新感知数据已经上传至边缘计算平台;对于即时的预测任务,边缘计算平台下发数据上传指令给相应的感知设备,感知设备接收上层的指令并响应,进而将最新的感知数据上传至边缘计算平台。
优选的,在步骤S5中,预警管理模块为预测后的大批量产生缺陷风险结果满足预先设定的告警及通知条件时,则立刻进行现场告警,并将该预警信息下发给预先设定的负责人和维护人员;所述告警方式包括但不限于语音播放和声光告警;所述通知方式包括但不限于电话、短信、邮件和微信。
进一步的,预先设定的告警及通知条件为:
当大批量产生缺陷风险值小于第一触发阈值,设定为低风险,此时无告警、无通知;当大批量产生缺陷风险值大于等于第一触发阈值且小于第二触发阈值,设定为中风险,此时有告警、无通知;当大批量产生缺陷风险值大于等于第二触发阈值且小于第三触发阈值,设定为高风险,此时有告警、有通知;当大批量产生缺陷风险值大于等于第三触发阈值,设定为超高风险,此时有告警、有通知,此情况下云计算平台参与告警和通知,并进行全平台告警信息广播。
进一步的,所述语音播放频率、语气,声光告警音量、频率、鸣放方式和通知方式、频率等可根据不同风险区间自行设置。阈值、告警及通知规则可以通过云计算平台进行更新。
边缘模型管理模块用于实现边缘端与云端的信息传递;运行模块的输出数据判断极片生产是否具有大批量产生缺陷的风险,根据预先设定的触发阈值将异常预警信息通知给指定相关人员。
本发明还提供了一种基于云边协同的动力电池极片制造设备预测性维护系统,如图2所示,包括感知设备、边缘计算平台和云计算平台。
感知设备用于采集动力电池极片制造设备状态数据,并将其发送至边缘计算平台。
云计算平台用于根据所有边缘计算平台上传的历史特征数据给出最新的缺陷规模化产生预测模型。
边缘计算平台用于根据感知设备上传的一定时间范围内的设备状态数据获得当前时间段的设备特征数据,同时上传到云计算平台。还用于根据云计算平台下发的缺陷规模化产生预测模型,将当前时间段的设备特征数据输入该模型中进行预测,输出给定时间段内规模化产生极片缺陷的风险概率,判断所述给定时间段内规模化产生极片缺陷的风险概率是否满足预先设定的告警及通知条件,若是则告警及通知动力电池极片制造设备的相关人员。
本发明的动力电池极片制造设备预测性维护系统中的云计算平台和边缘计算平台可以集成在电子设备中,该电子设备可以是服务器,也可以是终端等设备。
其中,服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、网络加速服务(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接。
本预测方法的步骤S2-S5由计算机程序来实现,该计算机程序可存储在计算机可读存储介质中,该可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
本发明可以充分发挥云计算和边缘计算潜力,进一步地,通过在集团本部部署云计算平台,在下属厂区部署边缘计算平台,能够高效的实现集团和下属厂区的协同工作,实现产业的迭代升级。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于云边协同的动力电池极片制造设备预测性维护方法,其特征在于,包括:
由感知设备采集动力电池极片制造设备状态数据,并将其发送至边缘计算平台;由边缘计算平台根据感知设备上传的一定时间范围内的设备状态数据获得当前时间段的设备特征数据,同时上传到云计算平台;
由云计算平台根据所有边缘计算平台上传的历史特征数据以及专家打分值给出最新的缺陷规模化产生预测模型;
由边缘计算平台根据云计算平台下发的缺陷规模化产生预测模型,将当前时间段的设备特征数据输入该模型中进行预测,输出给定时间段内规模化产生极片缺陷的风险概率,
由边缘计算平台判断所述给定时间段内规模化产生极片缺陷的风险概率是否满足预先设定的告警及通知条件,若是则告警及通知动力电池极片制造设备的相关人员。
2.根据权利要求1所述的基于云边协同的动力电池极片制造设备预测性维护方法,其特征在于,在步骤S4中,基于云计算平台下发的最新模型配置,使用本地存储的一定时间段内的感知数据进行二次训练,将当前时间段的设备特征数据输入该模型中进行预测,输出给定时间段内规模化产生极片缺陷的风险概率。
3.根据权利要求1所述的基于云边协同的动力电池极片制造设备预测性维护方法,其特征在于,所述动力电池极片制造设备状态数据包括极片表面厚度数据与缺陷数据、电池极片制造设备关键点的温度和湿度、以及电池极片制造设备所在环境状态数据。
4.根据权利要求1所述的基于云边协同的动力电池极片制造设备预测性维护方法,其特征在于,所述云计算平台包括数据管理模块、模型管理模块和配置管理模块,其中,所述数据管理模块用于存储云计算平台连接的各个边缘计算平台所上传的所有感知数据;所述模型管理模块用于根据数据管理模块存储的全局数据训练极片表面缺陷规模化产生预测模型;所述配置管理模块用于在全局数据新增量达到一定数量之后,使用模型管理模块重新训练新的预测模型,并接收边缘计算平台的数据和将训练好的模型配置下发。
5.根据权利要求1所述的基于云边协同的动力电池极片制造设备预测性维护方法,其特征在于,所述边缘计算平台包括边缘缺陷检测模块、边缘模型管理模块、边缘预测服务模块、以及预警管理模块,其中,边缘模型管理模块用于对云计算平台下发的最新模型配置使用本地存储的一定时间段内的感知数据进行二次训练;所述边缘预测服务模块接收边缘模型管理模块所训练的模型配置方案,执行模型并输出运行结果;预警管理模块负责接收边缘预测服务模块输出的运行结果,并根据预先设定的告警及通知条件将异常预警信息下发给设备相关人员。
6.根据权利要求5所述的基于云边协同的动力电池极片制造设备预测性维护方法,其特征在于,所述边缘缺陷检测模块用于将感知设备上传的数据完成数据预处理后,存储在边缘数据库,然后从中筛选出预测任务所需数据,并进行特征提取。
7.根据权利要求6所述的基于云边协同的动力电池极片制造设备预测性维护方法,其特征在于,所述数据预处理包括数据去重、数据清洗和数据去噪,其中,数据预处理规则通过云计算平台进行更新;所述特征提取包括主成分分析和正则化,特征提取规则通过云计算平台进行更新。
8.根据权利要求5所述的基于云边协同的动力电池极片制造设备预测性维护方法,其特征在于,预先设定的告警及通知条件为:
当大批量产生缺陷风险值小于第一触发阈值,设定为低风险,此时无告警、无通知;当大批量产生缺陷风险值大于等于第一触发阈值且小于第二触发阈值,设定为中风险,此时有告警、无通知;当大批量产生缺陷风险值大于等于第二触发阈值且小于第三触发阈值,设定为高风险,此时有告警、有通知;当大批量产生缺陷风险值大于等于第三触发阈值,设定为超高风险,此时有告警、有通知,此情况下云计算平台参与告警和通知,并进行全平台告警信息广播。
9.一种基于云边协同的动力电池极片制造设备预测性维护系统,其特征在于,包括:
感知设备,用于采集动力电池极片制造设备状态数据,并将其发送至边缘计算平台;
边缘计算平台,用于根据感知设备上传的一定时间范围内的设备状态数据获得当前时间段的设备特征数据,同时上传到云计算平台;以及
云计算平台,用于根据所有边缘计算平台上传的历史特征数据以及专家打分值给出最新的缺陷规模化产生预测模型,
其中,所述边缘计算平台还用于根据云计算平台下发的缺陷规模化产生预测模型,将当前时间段的设备特征数据输入该模型中进行预测,输出给定时间段内规模化产生极片缺陷的风险概率,判断所述给定时间段内规模化产生极片缺陷的风险概率是否满足预先设定的告警及通知条件,若是则告警及通知动力电池极片制造设备的相关人员。
10.根据权利要求9所述的基于云边协同的动力电池极片制造设备预测性维护系统,其特征在于,边缘计算平台还用于基于云计算平台下发的最新模型配置,使用本地存储的一定时间段内的感知数据进行二次训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010894795.0A CN112270429A (zh) | 2020-08-31 | 2020-08-31 | 基于云边协同的动力电池极片制造设备维护方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010894795.0A CN112270429A (zh) | 2020-08-31 | 2020-08-31 | 基于云边协同的动力电池极片制造设备维护方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112270429A true CN112270429A (zh) | 2021-01-26 |
Family
ID=74348852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010894795.0A Pending CN112270429A (zh) | 2020-08-31 | 2020-08-31 | 基于云边协同的动力电池极片制造设备维护方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112270429A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113138589A (zh) * | 2021-03-12 | 2021-07-20 | 深圳智造谷工业互联网创新中心有限公司 | 工业设备控制方法、电子装置及存储介质 |
CN113705839A (zh) * | 2021-09-13 | 2021-11-26 | 北京博瑞华通科技有限公司 | 一种燃料电池电堆的预测性维护方法以及维护系统 |
CN115529315A (zh) * | 2022-09-28 | 2022-12-27 | 云南电网有限责任公司电力科学研究院 | 一种云边协同系统 |
CN116032969A (zh) * | 2023-01-05 | 2023-04-28 | 昆明理工大学 | 一种云边协同的智能数控车间自调控系统、控制方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100152878A1 (en) * | 2008-12-16 | 2010-06-17 | Industrial Technology Research Institute | System for maintaining and analyzing manufacturing equipment and method thereof |
WO2011076083A1 (zh) * | 2009-12-25 | 2011-06-30 | 奇瑞汽车股份有限公司 | 一种电池极片激光切割装置 |
CN106933169A (zh) * | 2017-05-19 | 2017-07-07 | 河北工业大学 | 一种锂电池极片轧机设备远程监控系统 |
CN107451552A (zh) * | 2017-07-25 | 2017-12-08 | 北京联合大学 | 一种基于3d‑cnn和卷积lstm的手势识别方法 |
US20180203439A1 (en) * | 2017-01-19 | 2018-07-19 | Omron Corporation | Prediction model creation apparatus, production facility monitoring system, and production facility monitoring method |
CN110135521A (zh) * | 2019-05-28 | 2019-08-16 | 陕西何止网络科技有限公司 | 基于卷积神经网络的极片极耳缺陷检测模型、检测方法及系统 |
CN110336703A (zh) * | 2019-07-12 | 2019-10-15 | 河海大学常州校区 | 基于边缘计算的工业大数据监测系统 |
CN110458828A (zh) * | 2019-08-12 | 2019-11-15 | 广东工业大学 | 一种基于多模态融合网络的激光焊接缺陷识别方法及装置 |
CN110719210A (zh) * | 2019-12-05 | 2020-01-21 | 赣江新区智慧物联研究院有限公司 | 一种基于云边协同的工业设备预测性维护方法 |
-
2020
- 2020-08-31 CN CN202010894795.0A patent/CN112270429A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100152878A1 (en) * | 2008-12-16 | 2010-06-17 | Industrial Technology Research Institute | System for maintaining and analyzing manufacturing equipment and method thereof |
WO2011076083A1 (zh) * | 2009-12-25 | 2011-06-30 | 奇瑞汽车股份有限公司 | 一种电池极片激光切割装置 |
US20180203439A1 (en) * | 2017-01-19 | 2018-07-19 | Omron Corporation | Prediction model creation apparatus, production facility monitoring system, and production facility monitoring method |
CN106933169A (zh) * | 2017-05-19 | 2017-07-07 | 河北工业大学 | 一种锂电池极片轧机设备远程监控系统 |
CN107451552A (zh) * | 2017-07-25 | 2017-12-08 | 北京联合大学 | 一种基于3d‑cnn和卷积lstm的手势识别方法 |
CN110135521A (zh) * | 2019-05-28 | 2019-08-16 | 陕西何止网络科技有限公司 | 基于卷积神经网络的极片极耳缺陷检测模型、检测方法及系统 |
CN110336703A (zh) * | 2019-07-12 | 2019-10-15 | 河海大学常州校区 | 基于边缘计算的工业大数据监测系统 |
CN110458828A (zh) * | 2019-08-12 | 2019-11-15 | 广东工业大学 | 一种基于多模态融合网络的激光焊接缺陷识别方法及装置 |
CN110719210A (zh) * | 2019-12-05 | 2020-01-21 | 赣江新区智慧物联研究院有限公司 | 一种基于云边协同的工业设备预测性维护方法 |
Non-Patent Citations (1)
Title |
---|
何俊 等: "面向深度学习的多模态融合技术研究综述", 计算机工程, vol. 46, no. 5, pages 1 - 11 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113138589A (zh) * | 2021-03-12 | 2021-07-20 | 深圳智造谷工业互联网创新中心有限公司 | 工业设备控制方法、电子装置及存储介质 |
CN113138589B (zh) * | 2021-03-12 | 2022-06-07 | 深圳智造谷工业互联网创新中心有限公司 | 工业设备控制方法、电子装置及存储介质 |
CN113705839A (zh) * | 2021-09-13 | 2021-11-26 | 北京博瑞华通科技有限公司 | 一种燃料电池电堆的预测性维护方法以及维护系统 |
CN113705839B (zh) * | 2021-09-13 | 2023-10-20 | 北京博瑞华通科技有限公司 | 一种燃料电池电堆的预测性维护方法以及维护系统 |
CN115529315A (zh) * | 2022-09-28 | 2022-12-27 | 云南电网有限责任公司电力科学研究院 | 一种云边协同系统 |
CN115529315B (zh) * | 2022-09-28 | 2024-04-09 | 云南电网有限责任公司电力科学研究院 | 一种云边协同系统 |
CN116032969A (zh) * | 2023-01-05 | 2023-04-28 | 昆明理工大学 | 一种云边协同的智能数控车间自调控系统、控制方法 |
CN116032969B (zh) * | 2023-01-05 | 2024-02-20 | 昆明理工大学 | 一种云边协同的智能数控车间自调控系统、控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110719210B (zh) | 一种基于云边协同的工业设备预测性维护方法 | |
CN112270429A (zh) | 基于云边协同的动力电池极片制造设备维护方法和系统 | |
CN114282434A (zh) | 一种工业设备健康管理系统及方法 | |
US20200160207A1 (en) | Automated model update based on model deterioration | |
CN109872003B (zh) | 对象状态预测方法、系统、计算机设备及存储介质 | |
CN106844138A (zh) | 运维报警系统及方法 | |
US11409962B2 (en) | System and method for automated insight curation and alerting | |
CN104142663A (zh) | 云平台中的工业设备和系统证明 | |
US20240142063A1 (en) | Method for troubleshooting potential safety hazards of compressor in smart gas pipeline network and internet of things system thereof | |
CN117176560B (zh) | 一种基于物联网的监测设备监管系统及其方法 | |
CN105721194A (zh) | 移动网故障隐患智能定位系统 | |
CN116307641B (zh) | 一种面向数字化电厂的资源协同调度管理方法及系统 | |
CN111709597B (zh) | 一种电网生产域运营监测系统 | |
Auger et al. | Towards the internet of everything: Deployment scenarios for a QoO-aware integration platform | |
CN116052300A (zh) | 一种基于数字孪生的电力巡检系统和方法 | |
CN110794799A (zh) | 应用于工业生产的具有故障诊断功能的大数据系统 | |
CN110647070A (zh) | 一种用于超大规模数据中心的动力环境监控系统 | |
CN116522274A (zh) | 一种智能配电房多模态监控方法及装置 | |
TW202306347A (zh) | 基站運行的健康管理方法、裝置及計算機可讀存儲介質 | |
CN106330544B (zh) | 一种基于自反馈模型的实时告警响应方法 | |
CN111857015B (zh) | 输变电云端智能控制器 | |
CN114119319A (zh) | 一种基于分布式小样本算法的智慧水务管理方法及系统 | |
CN113887861A (zh) | 一种输变电主设备准实时数据监测系统 | |
CN114118678A (zh) | 一种基于边缘物联网的炼铁厂管理系统及其架构方法 | |
CN113487087A (zh) | 一种设备使用寿命的预测方法、装置、计算机设备及计算机可读存储介质 |
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 |