CN112288116A - 一种生产制造流程优化管理的工业大数据系统及方法 - Google Patents

Abstract

本发明属于计算机技术领域，具体涉及一种生产制造流程优化管理的工业大数据系统及方法。数据采集单元，用于实时采集工业设备实时状态数据并上传，用于对实时状态数据进行特征点检测，选取实时状态数据中跨越预设阈值最高值的总时长为M的信号作为采样信号；数据分析单元，用于根据实时采集的工业设备状态数据，进行分析；数据展示单元，用于对数据分析单元做出的异常判断结果以及状态预测结果进行展示。通过物联网技术可远程监控设备运行状况并可提前预测设备故障、提出解决方案并自动通知设备使用单位、生产厂家、维保单位对设备提前维保，以减少不必要的停机并降低设备使用成本，实现设备的智能运维。

Description

一种生产制造流程优化管理的工业大数据系统及方法

技术领域

本发明属于大数据处理技术领域，具体涉及一种生产制造流程优化管理的工业大数据系统及方法。

背景技术

石油、化工、冶金、电力等行业每年因设备故障给企业带来的安全风险及损失巨大，同时，企业在设备的维修、备品备件的储备上也花费了大量的人力、物力、财力。为帮助企业降低因设备故障带来的安全及损失，同时降低备品备件的储备投入，需要为石油、化工、冶金、轻工、电力等工业企业及工业设备生产厂家提供一种基于工业大数据的设备状态预测分析平台一站式解决方案。

发明内容

有鉴于此，本发明的主要目的在于提供了一种生产制造流程优化管理的工业大数据系统及方法，通过物联网技术可远程监控设备运行状况并可提前预测设备故障、提出解决方案并自动通知设备使用单位、生产厂家、维保单位对设备提前维保，以减少不必要的停机并降低设备使用成本，实现设备的智能运维。

为达到上述目的，本发明的技术方案是这样实现的：

一种生产制造流程优化管理的工业大数据系统，所述系统包括：

数据采集单元，用于实时采集工业设备实时状态数据并上传，用于对实时状态数据进行特征点检测，选取实时状态数据中跨越预设阈值最高值的总时长为M的信号作为采样信号；

数据分析单元，用于根据实时采集的工业设备状态数据，进行分析；

数据展示单元，用于对数据分析单元做出的异常判断结果以及状态预测结果进行展示。

进一步的，所述数据分析单元包括：

似度计算模块，用于将所述实时状态数据分别与M段历史报警信息进行似度计算，得到M个似度计算结果；

归一处理模块，用于对M个似度计算结果分别进行归一处理，得到归一处理后的似度计算结果；

趋势预测模块，用于根据归一处理后的似度计算结果预测所述实时状态数据的未来变化趋势。

一种生产制造流程优化管理的工业大数据方法，所述方法执行以下步骤：

步骤S1，对实时信号进行特征点检测，选取实时信号中跨越预设阈值最高值的总时长为M的信号作为采样信号；

步骤S2，将所述采样信号分别与M段历史报警信息进行似度计算，得到M个似度计算结果；

步骤S3，对M个似度计算结果分别进行归一处理，得到归一处理后的似度计算结果；

步骤S4，根据归一处理后的似度计算结果预测所述采样信号的未来变化趋势；

步骤S2的具体实现为：

假设M段历史报警信息中其中一段历史报警信息的集合为H＝

[h1,h2,…,hm]，用hj表示历史报警信息的集合中第j个特征点的幅值特性，其中j＝1,2,…,m，m表示历史报警信息的集合中特征点的个数，计算si和hj之间的欧氏距离为：

根据所述欧式距离计算sM和hm之间的规整距离，具体实现包括：

构建si和hj之间的规整距离公式为：其中设定初始值g(-1,0)＝0，g(0,-1)＝0，g(0,0)＝0；

根据所述规整距离公式迭代计算出sM和hm之间的规整距离g(M,m)，即p＝g(M,m)，其中p表示采样信号与其中一段历史报警信息的相似度；

如此反复循环，直到计算出所述采样信号与M段历史报警信息的相似度，得到M个似度计算结果，并形成相似度集合为：P＝[p1,p2,…,pM]；其中p1,p2,…,pM分别表示采样信号与M段历史报警信息中第1至M段历史报警信息的相似度。

进一步的，所述对M个似度计算结果分别进行归一处理，得到归一处理后的似度计算结果的方法包括：

(1)特征数据分组；

(2)任选一个归一函数，计算出各分组对应的归一函数的参数；

(3)构建分组归一函数，将各分组对应的归一函数的参数代入其函数内，得到各个分组的归一映射关系；

(4)分组归一处理，每个分组使用对应的归一函数进行特征数据变换，特征归一结束。

进一步的，所述步骤S1的具体实现为：

将所述采样信号按照总时长M划分为M个特征点；

计算每个特征点的幅值特征，用si表示第i个特征点的幅值特性，其中i＝1,2,…,M；并构建采样信号集合S＝[s1,s2,…,sM]；所述采样信号集合中至少有一个特征点的幅值特性大于预设阈值最高值。

进一步的，步骤S4的具体实现为：

对所有经过归一处理后的相似度进行排序，选取大于等于预设相似度阈值Q的相似度px，用k表示大于等于预设相似度阈值Q的相似度的个数，则x＝1,2,3,…k，并选取与px相对应的历史报警信息之后的一段时长为Lp的信号数据HLpx作为评估预测依据；计算得到所述采样信号的未来变化趋势为：

SLP＝&Sigma；x＝1k(HLPx&CeMterDot；px/&Sigma；x＝1kpx)。

本发明的一种生产制造流程优化管理的工业大数据系统及方法，具有如下有益效果：基于物联网技术，通过数据采集单元众多的传感器模块采集设备的运行状态，数据分析单元通过行业专家数据建立设备运维数学模型，并根据历史正常运转数据定义所述数学模型参数范围，实现设备运行状态的远程监控、远程诊断，并根据控制日志结合实时运行状态数据提前预测设备故障、提出解决方案并自动通知设备使用单位、生产厂家、维保单位对设备提前维保，以减少不必要的停机并降低设备使用成本，实现设备的智能运维。

附图说明

图1为本发明的生产制造流程优化管理的工业大数据系统的系统结构示意图。

具体实施方式

下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。

如图1所示，一种生产制造流程优化管理的工业大数据系统，所述系统包括：

数据采集单元，用于实时采集工业设备实时状态数据并上传，用于对实时状态数据进行特征点检测，选取实时状态数据中跨越预设阈值最高值的总时长为M的信号作为采样信号；

数据分析单元，用于根据实时采集的工业设备状态数据，进行分析；

数据展示单元，用于对数据分析单元做出的异常判断结果以及状态预测结果进行展示。

进一步的，所述数据分析单元包括：

似度计算模块，用于将所述实时状态数据分别与M段历史报警信息进行似度计算，得到M个似度计算结果；

归一处理模块，用于对M个似度计算结果分别进行归一处理，得到归一处理后的似度计算结果；

趋势预测模块，用于根据归一处理后的似度计算结果预测所述实时状态数据的未来变化趋势。

一种生产制造流程优化管理的工业大数据方法，所述方法执行以下步骤：

步骤S1，对实时信号进行特征点检测，选取实时信号中跨越预设阈值最高值的总时长为M的信号作为采样信号；

步骤S2，将所述采样信号分别与M段历史报警信息进行似度计算，得到M个似度计算结果；

步骤S3，对M个似度计算结果分别进行归一处理，得到归一处理后的似度计算结果；

步骤S4，根据归一处理后的似度计算结果预测所述采样信号的未来变化趋势；

步骤S2的具体实现为：

假设M段历史报警信息中其中一段历史报警信息的集合为H＝[h1,h2,…,hm]，用hj表示历史报警信息的集合中第j个特征点的幅值特性，其中j＝1,2,…,m，m表示历史报警信息的集合中特征点的个数，计算si和hj之间的欧氏距离为：

根据所述欧式距离计算sM和hm之间的规整距离，具体实现包括：

构建si和hj之间的规整距离公式为：其中设定初始值g(-1,0)＝0，g(0,-1)＝0，g(0,0)＝0；

根据所述规整距离公式迭代计算出sM和hm之间的规整距离g(M,m)，即p＝g(M,m)，其中p表示采样信号与其中一段历史报警信息的相似度；

如此反复循环，直到计算出所述采样信号与M段历史报警信息的相似度，得到M个似度计算结果，并形成相似度集合为：P＝[p1,p2,…,pM]；其中p1,p2,…,pM分别表示采样信号与M段历史报警信息中第1至M段历史报警信息的相似度。

进一步的，所述对M个似度计算结果分别进行归一处理，得到归一处理后的似度计算结果的方法包括：

(1)特征数据分组；

(2)任选一个归一函数，计算出各分组对应的归一函数的参数；

(3)构建分组归一函数，将各分组对应的归一函数的参数代入其函数内，得到各个分组的归一映射关系；

(4)分组归一处理，每个分组使用对应的归一函数进行特征数据变换，特征归一结束。

进一步的，所述步骤S1的具体实现为：

将所述采样信号按照总时长M划分为M个特征点；

计算每个特征点的幅值特征，用si表示第i个特征点的幅值特性，其中i＝1,2,…,M；并构建采样信号集合S＝[s1,s2,…,sM]；所述采样信号集合中至少有一个特征点的幅值特性大于预设阈值最高值。

进一步的，步骤S4的具体实现为：

对所有经过归一处理后的相似度进行排序，选取大于等于预设相似度阈值Q的相似度px，用k表示大于等于预设相似度阈值Q的相似度的个数，则x＝1,2,3,…k，并选取与px相对应的历史报警信息之后的一段时长为Lp的信号数据HLpx作为评估预测依据；计算得到所述采样信号的未来变化趋势为：

SLP＝&Sigma；x＝1k(HLPx&CeMterDot；px/&Sigma；x＝1kpx)。

所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。

需要说明的是，上述实施例提供的系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。

所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。

本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序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。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。

术语“包括”或者任何其它类似用语旨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/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (6)

1.一种生产制造流程优化管理的工业大数据系统，其特征在于，所述系统包括：

数据采集单元，用于实时采集工业设备实时状态数据并上传，用于对实时状态数据进行特征点检测，选取实时状态数据中跨越预设阈值最高值的总时长为M的信号作为采样信号；

数据分析单元，用于根据实时采集的工业设备状态数据，进行分析；

数据展示单元，用于对数据分析单元做出的异常判断结果以及状态预测结果进行展示。

2.如权利要求1所述的生产制造流程优化管理的工业大数据系统，其特征在于，所述数据分析单元包括：

似度计算模块，用于将所述实时状态数据分别与M段历史报警信息进行似度计算，得到M个似度计算结果；

归一处理模块，用于对M个似度计算结果分别进行归一处理，得到归一处理后的似度计算结果；

趋势预测模块，用于根据归一处理后的似度计算结果预测所述实时状态数据的未来变化趋势。

3.一种生产制造流程优化管理的工业大数据方法，其特征在于，所述方法执行以下步骤：

步骤S1，对实时信号进行特征点检测，选取实时信号中跨越预设阈值最高值的总时长为M的信号作为采样信号；

步骤S2，将所述采样信号分别与M段历史报警信息进行似度计算，得到M个似度计算结果；

步骤S3，对M个似度计算结果分别进行归一处理，得到归一处理后的似度计算结果；

步骤S4，根据归一处理后的似度计算结果预测所述采样信号的未来变化趋势；

步骤S2的具体实现为：

假设M段历史报警信息中其中一段历史报警信息的集合为H＝[h1,h2,…,hm]，用hj表示历史报警信息的集合中第j个特征点的幅值特性，其中j＝1,2,…,m，m表示历史报警信息的集合中特征点的个数，计算si和hj之间的欧氏距离为：

根据所述欧式距离计算sM和hm之间的规整距离，具体实现包括：

构建si和hj之间的规整距离公式为：其中设定初始值g(-1,0)＝0，g(0,-1)＝0，g(0,0)＝0；

根据所述规整距离公式迭代计算出sM和hm之间的规整距离g(M,m)，即p＝g(M,m)，其中p表示采样信号与其中一段历史报警信息的相似度；

如此反复循环，直到计算出所述采样信号与M段历史报警信息的相似度，得到M个似度计算结果，并形成相似度集合为：P＝[p1,p2,…,pM]；其中p1,p2,…,pM分别表示采样信号与M段历史报警信息中第1至M段历史报警信息的相似度。

4.如权利要求3所述的生产制造流程优化管理的工业大数据方法，其特征在于，所述对M个似度计算结果分别进行归一处理，得到归一处理后的似度计算结果的方法包括：

(1)特征数据分组；

(2)任选一个归一函数，计算出各分组对应的归一函数的参数；

(3)构建分组归一函数，将各分组对应的归一函数的参数代入其函数内，得到各个分组的归一映射关系；

(4)分组归一处理，每个分组使用对应的归一函数进行特征数据变换，特征归一结束。

5.如权利要求4所述的生产制造流程优化管理的工业大数据方法，其特征在于，所述步骤S1的具体实现为：

将所述采样信号按照总时长M划分为M个特征点；

计算每个特征点的幅值特征，用si表示第i个特征点的幅值特性，其中i＝1,2,…,M；并构建采样信号集合S＝[s1,s2,…,sM]；所述采样信号集合中至少有一个特征点的幅值特性大于预设阈值最高值。

6.根据权利要求5所述的生产制造流程优化管理的工业大数据方法，其特征在于，步骤S4的具体实现为：

对所有经过归一处理后的相似度进行排序，选取大于等于预设相似度阈值Q的相似度px，用k表示大于等于预设相似度阈值Q的相似度的个数，则x＝1,2,3,…k，并选取与px相对应的历史报警信息之后的一段时长为Lp的信号数据HLpx作为评估预测依据；计算得到所述采样信号的未来变化趋势为：

SLP＝&Sigma；x＝1k(HLPx&CeMterDot；px/&Sigma；x＝1kpx)。

Images