CN112508129A - 设备的异常处理方法及装置 - Google Patents
设备的异常处理方法及装置 Download PDFInfo
- Publication number
- CN112508129A CN112508129A CN202011536083.8A CN202011536083A CN112508129A CN 112508129 A CN112508129 A CN 112508129A CN 202011536083 A CN202011536083 A CN 202011536083A CN 112508129 A CN112508129 A CN 112508129A
- Authority
- CN
- China
- Prior art keywords
- data
- exception handling
- anomaly
- input data
- output data
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种设备的异常处理方法及装置。其中,该方法包括:采集自动生产过程中的各个设备的输入数据以及输出数据;通过异常确定模型,确定与输入数据以及输出数据对应的异常类型以及异常设备标识;基于异常设备标识确定出现异常的目标设备;基于异常类型确定目标设备的异常处理策略;基于异常处理策略对目标设备进行异常处理。本发明解决了相关技术中自动化生产过程中,现场操作人员无法对自动化生产中出现异常的设备进行快速处理,导致生产效率降低的技术问题。
Description
技术领域
本发明涉及自动化生产技术领域,具体而言,涉及一种设备的异常处理方法及装置。
背景技术
在自动化生产过程中,有轨小车如RGV或堆垛机为物料的处理提供了极大的便利;然而,传统的RGV或堆垛机在运行过程中,会出现一些异常;则需要专业人员进行故障排除处理,这中间可能会存在一段时间,生产无法继续进行,导致生产效率降低。
例如,每一个群都有多个硬件或多个设备组成,一个大型的立体库设备可以包括成百个,当其中一个设备出现故障时往往会牵扯到别的设备,这就很难辨别是哪个设备造成的。
针对上述相关技术中自动化生产过程中,现场操作人员无法对自动化生产中出现异常的设备进行快速处理,导致生产效率降低的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种设备的异常处理方法及装置,以至少解决相关技术中自动化生产过程中,现场操作人员无法对自动化生产中出现异常的设备进行快速处理,导致生产效率降低的技术问题。
根据本发明实施例的一个方面,提供了一种设备的异常处理方法,包括:采集自动生产过程中的各个设备的输入数据以及输出数据;通过异常确定模型,确定与所述输入数据以及所述输出数据对应的异常类型以及异常设备标识,其中,所述异常确定模型是利用多组训练数据通过机器学习训练得到的,所述多组训练数据中的每一组训练数据均包括:输入数据以及输出数据、与所述输入数据以及所述输出数据对应的异常类型和设备标识;基于所述异常设备标识确定出现异常的目标设备;基于所述异常类型确定所述目标设备的异常处理策略;基于所述异常处理策略对所述目标设备进行异常处理。
可选地,在采集自动生产过程中的各个设备的输入数据以及输出数据之前,该设备的异常处理方法还包括:接收所述自动生产过程中的异常报警信号。
可选地,在通过异常确定模型,确定与所述输入数据以及所述输出数据对应的异常类型以及异常设备标识之前,该设备的异常处理方法还包括:采集历史时间段内的多个历史输入数据以及多个历史输出数据、与所述多个历史输入数据以及所述多个历史输出数据对应的多个历史异常类型以及多个异常设备标识;对包括所述多个历史输入数据、所述多个历史输出数据、所述多个历史异常类型以及所述多个异常设备标识的多组训练数据进行训练,得到所述异常确定模型。
可选地,在对包括所述多个历史输入数据、所述多个历史输出数据、所述多个历史异常类型以及所述多个异常设备标识的多组训练数据进行训练,得到所述异常确定模型之后,该设备的异常处理方法还包括:对所述异常确定模型进行更新;其中,对所述异常确定模型进行更新,包括:利用神经网络的自学习功能对所述异常确定模型中预定函数的权值进行调整;将调整后的权值作为所述预定函数的权值,得到更新后的异常确定模型。
可选地,所述输入数据包括以下至少之一:速度、温度、信号、工况;所述输出数据至少包括:设备状态。
可选地,基于所述异常类型确定所述目标设备的异常处理策略,包括:通过异常处理模型,确定与所述异常类型对应的异常处理处策略,其中,所述异常处理模型为使用多组数据通过机器学习训练得到的,所述多组数据中的每组数据均包括:异常类型、与异常类型对应的异常处理策略。
可选地,所述各个设备至少包括:堆垛机设备、穿梭车群、RGV群、流水线群、PDA群。
根据本发明实施例的另外一个方面,还提供了一种设备的异常处理装置,包括:第一采集单元,用于采集自动生产过程中的各个设备的输入数据以及输出数据;第一确定单元,用于通过异常确定模型,确定与所述输入数据以及所述输出数据对应的异常类型以及异常设备标识,其中,所述异常确定模型是利用多组训练数据通过机器学习训练得到的,所述多组训练数据中的每一组训练数据均包括:输入数据以及输出数据、与所述输入数据以及所述输出数据对应的异常类型和设备标识;第二确定单元,用于基于所述异常设备标识确定出现异常的目标设备;第三确定单元,用于基于所述异常类型确定所述目标设备的异常处理策略;异常处理单元,用于基于所述异常处理策略对所述目标设备进行异常处理。
可选地,该设备的异常处理装置还包括:接收单元,用于在采集自动生产过程中的各个设备的输入数据以及输出数据之前,接收所述自动生产过程中的异常报警信号。
可选地,该设备的异常处理装置还包括:第二采集单元,用于在通过异常确定模型,确定与所述输入数据以及所述输出数据对应的异常类型以及异常设备标识之前,采集历史时间段内的多个历史输入数据以及多个历史输出数据、与所述多个历史输入数据以及所述多个历史输出数据对应的多个历史异常类型以及多个异常设备标识;训练单元,用于对包括所述多个历史输入数据、所述多个历史输出数据、所述多个历史异常类型以及所述多个异常设备标识的多组训练数据进行训练,得到所述异常确定模型。
可选地,该设备的异常处理装置还包括:更新单元,用于在对包括所述多个历史输入数据、所述多个历史输出数据、所述多个历史异常类型以及所述多个异常设备标识的多组训练数据进行训练,得到所述异常确定模型之后,对所述异常确定模型进行更新;其中,所述更新单元,包括:调整模块,用于利用神经网络的自学习功能对所述异常确定模型中预定函数的权值进行调整;确定模块,用于将调整后的权值作为所述预定函数的权值,得到更新后的异常确定模型。
可选地,所述输入数据包括以下至少之一:速度、温度、信号、工况;所述输出数据至少包括:设备状态。
可选地,基于所述异常类型确定所述目标设备的异常处理策略,包括:通过异常处理模型,确定与所述异常类型对应的异常处理处策略,其中,所述异常处理模型为使用多组数据通过机器学习训练得到的,所述多组数据中的每组数据均包括:异常类型、与异常类型对应的异常处理策略。
可选地,所述各个设备至少包括:堆垛机设备、穿梭车群、RGV群、流水线群、PDA群。
根据本发明实施例的另外一个方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述计算机存储介质所在设备执行上述中任一项所述的设备的异常处理方法。
根据本发明实施例的另外一个方面,还提供了一种处理器,所述处理器用于运行计算机程序,其中,所述计算机程序运行时执行上述中任一项所述的设备的异常处理方法。
在本发明实施例中,采用采集自动生产过程中的各个设备的输入数据以及输出数据;通过异常确定模型,确定与输入数据以及输出数据对应的异常类型以及异常设备标识,其中,异常确定模型是利用多组训练数据通过机器学习训练得到的,多组训练数据中的每一组训练数据均包括:输入数据以及输出数据、与输入数据以及输出数据对应的异常类型和设备标识;基于异常设备标识确定出现异常的目标设备;基于异常类型确定目标设备的异常处理策略;基于异常处理策略对目标设备进行异常处理,通过本发明实施例提供的设备的异常处理方法,实现了对自动化生产过程中的设备异常进行自动排查以及确定异常处理策略的目的,达到了对自动化生产过程中的异常处理效率的技术效果,进而也提高了生产效率,进而解决了相关技术中自动化生产过程中,现场操作人员无法对自动化生产中出现异常的设备进行快速处理,导致生产效率降低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,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是根据本发明实施例的设备的异常处理方法的流程图;
图2是根据本发明实施例的机器学习的示意图;
图3是根据本发明实施例的神经网络模型训练的示意图;
图4是根据本发明实施例的设备的异常处理装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种设备的异常处理方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的设备的异常处理方法的流程图,如图1所示,该设备的异常处理方法包括如下步骤:
步骤S102,采集自动生产过程中的各个设备的输入数据以及输出数据。
可选的,在本发明实施例中,各个设备可以包括但不限于:堆垛机、穿梭车、RGV、流水线、PDA(电脑);在该实施例中,可以先对自动化生产过程中的各个设备进行分组,例如,堆垛机设备群、网络群、穿梭车群、RGV群、流水线群、PDA群等。
在一种可选的实施例中,在采集自动生产过程中的各个设备的输入数据以及输出数据之前,该设备的异常处理方法还包括:接收自动生产过程中的异常报警信号。
可选的,上述输入数据包括以下至少之一:速度、温度、信号、工况;上述输出数据至少包括:设备状态。
步骤S104,通过异常确定模型,确定与输入数据以及输出数据对应的异常类型以及异常设备标识,其中,异常确定模型是利用多组训练数据通过机器学习训练得到的,多组训练数据中的每一组训练数据均包括:输入数据以及输出数据、与输入数据以及输出数据对应的异常类型和设备标识。
在一种可选的实施例中,在通过异常确定模型,确定与输入数据以及输出数据对应的异常类型以及异常设备标识之前,该设备的异常处理方法还可以包括:采集历史时间段内的多个历史输入数据以及多个历史输出数据、与多个历史输入数据以及多个历史输出数据对应的多个历史异常类型以及多个异常设备标识;对包括多个历史输入数据、多个历史输出数据、多个历史异常类型以及多个异常设备标识的多组训练数据进行训练,得到异常确定模型。
其中,通过机器学习的方式训练得到异常确定模型,可以是先确定一个初始神经网络模型,对该初始神经网络模型进行初始化,得到初始异常确定模型,该初始异常确定模型可以包括:输入层、隐含层以及输出层;其中,每一层都会对应有多个硬件(例如,硬件1、硬件2、……硬件n、硬件n+1);另外,输入层可以对应设备状态、隐含层对应隐含状态、输出层对应输出报警(例如,报警1处理方法、报警2处理方法、报警n处理方法、报警n+1处理方法)。具体地,如图2所示,图2是根据本发明实施例的机器学习的示意图。
在一种可选的实施例中,在对包括多个历史输入数据、多个历史输出数据、多个历史异常类型以及多个异常设备标识的多组训练数据进行训练,得到异常确定模型之后,该设备的异常处理方法还可以包括:对异常确定模型进行更新;其中,对异常确定模型进行更新,包括:利用神经网络的自学习功能对异常确定模型中预定函数的权值进行调整;将调整后的权值作为预定函数的权值,得到更新后的异常确定模型。
例如,可以根据人工神经网络的自学习功能,基于不同设备输入的不同数据(例如,速度、温度、信号、不同状态下的数据等)对权值进行调整,改善立体库设备状态监控;另外,可以通过监督学习,将样本数据加到网络输入端(例如,堆垛机设备群等设备在不同状态下的输出数据和对应输出的结果),网络就可以通过自学习功能慢慢的输出类似的故障报警以及原因,找出相对正确的解决方案。
图3是根据本发明实施例的神经网络模型训练的示意图,如图3所示,输入(例如,x1、x2、x3……xn)可以用于对神经网络模型的预定函数的权重进行调整得到调整后的权重(wij、w2j、w3j……wnj),将这些调整后的权重作为传递函数的权重,接着将传递函数的输出作为对激励函数的输入。
步骤S106,基于异常设备标识确定出现异常的目标设备;基于异常类型确定目标设备的异常处理策略。
步骤S108,基于异常处理策略对目标设备进行异常处理。
由上可知,在本发明实施例中,采集自动生产过程中的各个设备的输入数据以及输出数据;通过异常确定模型,确定与输入数据以及输出数据对应的异常类型以及异常设备标识,其中,异常确定模型是利用多组训练数据通过机器学习训练得到的,多组训练数据中的每一组训练数据均包括:输入数据以及输出数据、与输入数据以及输出数据对应的异常类型和设备标识;基于异常设备标识确定出现异常的目标设备;基于异常类型确定目标设备的异常处理策略;基于异常处理策略对目标设备进行异常处理,实现了对自动化生产过程中的设备异常进行自动排查以及确定异常处理策略的目的,达到了对自动化生产过程中的异常处理效率的技术效果,进而也提高了生产效率。
因此,通过本发明实施例提供的设备的异常处理方法,解决了相关技术中自动化生产过程中,现场操作人员无法对自动化生产中出现异常的设备进行快速处理,导致生产效率降低的技术问题。
在一种可选的实施例中,基于异常类型确定目标设备的异常处理策略,包括:通过异常处理模型,确定与异常类型对应的异常处理处策略,其中,异常处理模型为使用多组数据通过机器学习训练得到的,多组数据中的每组数据均包括:异常类型、与异常类型对应的异常处理策略。
通过本发明实施例中提供的设备的异常处理方法,首先可以搭建人工神经网络系统,把立体库在使用的设备需要手机的数据进行整理(例如,运动系统时间和速度等)并输入到人工神经网络输入端,通过大量样本数据取完善并使用这套系统可以自主学习,在经过大量数据输入并学习以后,在环境发生改变(输入的某个数据发生改变),系统可以比较自学习时输入的报警和异常处理方法,最终找到最相似的情况并输出设备当前状态(例如,某个设备出现故障如何处理)并反馈至操作人员,这样操作人员就可以快速了解问题所在,并能够快速处理;利用这种进行大量数据输入到系统,使系统自主学习的前提条件是需要做出具体且很全的报警和异常处理作为参考答案,从而使得系统能够按照答案进行学习和比较。
综上所述,在本发明实施例中,在得到自带排查异常的有轨小车系统成型后,当设备运行异常时能马上反馈出异常点以及处理方法,让现场人员可以快速解决异常,以减少研发人员工作量,解决了现场操作人员或用户无法快速发现问题并组织解决影响生产问题。
实施例2
根据本发明实施例的另外一个方面,还提供了一种设备的异常处理装置,图4是根据本发明实施例的设备的异常处理装置的示意图,如图4所示,该设备的异常处理装置包括:第一采集单元41,第一确定单元43,第二确定单元45以及异常处理单元47。下面对该设备的异常处理装置进行说明。
第一采集单元41,用于采集自动生产过程中的各个设备的输入数据以及输出数据。
第一确定单元43,用于通过异常确定模型,确定与输入数据以及输出数据对应的异常类型以及异常设备标识,其中,异常确定模型是利用多组训练数据通过机器学习训练得到的,多组训练数据中的每一组训练数据均包括:输入数据以及输出数据、与输入数据以及输出数据对应的异常类型和设备标识。
第二确定单元45,用于基于异常设备标识确定出现异常的目标设备;第三确定单元,用于基于异常类型确定目标设备的异常处理策略。
异常处理单元47,用于基于异常处理策略对目标设备进行异常处理。
此处需要说明的是,上述第一采集单元41,第一确定单元43,第二确定单元45以及异常处理单元47对应于实施例1中的步骤S102至S108,上述单元与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述单元作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
由上可知,在本申请上述实施例中,可以利用第一采集单元采集自动生产过程中的各个设备的输入数据以及输出数据;然后利用第一确定单元通过异常确定模型,确定与输入数据以及输出数据对应的异常类型以及异常设备标识,其中,异常确定模型是利用多组训练数据通过机器学习训练得到的,多组训练数据中的每一组训练数据均包括:输入数据以及输出数据、与输入数据以及输出数据对应的异常类型和设备标识;并利用第二确定单元基于异常设备标识确定出现异常的目标设备;以及利用第三确定单元基于异常类型确定目标设备的异常处理策略;异常处理单元,用于基于异常处理策略对目标设备进行异常处理。通过本发明实施例提供的设备的异常处理装置,实现了对自动化生产过程中的设备异常进行自动排查以及确定异常处理策略的目的,达到了对自动化生产过程中的异常处理效率的技术效果,进而也提高了生产效率,解决了相关技术中自动化生产过程中,现场操作人员无法对自动化生产中出现异常的设备进行快速处理,导致生产效率降低的技术问题。
在一种可选的实施例中,该设备的异常处理装置还包括:接收单元,用于在采集自动生产过程中的各个设备的输入数据以及输出数据之前,接收自动生产过程中的异常报警信号。
在一种可选的实施例中,该设备的异常处理装置还包括:第二采集单元,用于在通过异常确定模型,确定与输入数据以及输出数据对应的异常类型以及异常设备标识之前,采集历史时间段内的多个历史输入数据以及多个历史输出数据、与多个历史输入数据以及多个历史输出数据对应的多个历史异常类型以及多个异常设备标识;训练单元,用于对包括多个历史输入数据、多个历史输出数据、多个历史异常类型以及多个异常设备标识的多组训练数据进行训练,得到异常确定模型。
在一种可选的实施例中,该设备的异常处理装置还包括:更新单元,用于在对包括多个历史输入数据、多个历史输出数据、多个历史异常类型以及多个异常设备标识的多组训练数据进行训练,得到异常确定模型之后,对异常确定模型进行更新;其中,更新单元,包括:调整模块,用于利用神经网络的自学习功能对异常确定模型中预定函数的权值进行调整;确定模块,用于将调整后的权值作为预定函数的权值,得到更新后的异常确定模型。
在一种可选的实施例中,输入数据包括以下至少之一:速度、温度、信号、工况;输出数据至少包括:设备状态。
在一种可选的实施例中,基于异常类型确定目标设备的异常处理策略,包括:通过异常处理模型,确定与异常类型对应的异常处理处策略,其中,异常处理模型为使用多组数据通过机器学习训练得到的,多组数据中的每组数据均包括:异常类型、与异常类型对应的异常处理策略。
在一种可选的实施例中,各个设备至少包括:堆垛机设备、穿梭车群、RGV群、流水线群、PDA群。
实施例3
根据本发明实施例的另外一个方面,还提供了一种计算机可读存储介质,计算机可读存储介质包括存储的计算机程序,其中,在计算机程序被处理器运行时控制计算机存储介质所在设备执行上述中任一项的设备的异常处理方法。
实施例4
根据本发明实施例的另外一个方面,还提供了一种处理器,处理器用于运行计算机程序,其中,计算机程序运行时执行上述中任一项的设备的异常处理方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,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一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种设备的异常处理方法,其特征在于,包括:
采集自动生产过程中的各个设备的输入数据以及输出数据;
通过异常确定模型,确定与所述输入数据以及所述输出数据对应的异常类型以及异常设备标识,其中,所述异常确定模型是利用多组训练数据通过机器学习训练得到的,所述多组训练数据中的每一组训练数据均包括:输入数据以及输出数据、与所述输入数据以及所述输出数据对应的异常类型和设备标识;
基于所述异常设备标识确定出现异常的目标设备;
基于所述异常类型确定所述目标设备的异常处理策略;
基于所述异常处理策略对所述目标设备进行异常处理。
2.根据权利要求1所述的方法,其特征在于,在采集自动生产过程中的各个设备的输入数据以及输出数据之前,还包括:
接收所述自动生产过程中的异常报警信号。
3.根据权利要求1所述的方法,其特征在于,在通过异常确定模型,确定与所述输入数据以及所述输出数据对应的异常类型以及异常设备标识之前,还包括:
采集历史时间段内的多个历史输入数据以及多个历史输出数据、与所述多个历史输入数据以及所述多个历史输出数据对应的多个历史异常类型以及多个异常设备标识;
对包括所述多个历史输入数据、所述多个历史输出数据、所述多个历史异常类型以及所述多个异常设备标识的多组训练数据进行训练,得到所述异常确定模型。
4.根据权利要求3所述的方法,其特征在于,在对包括所述多个历史输入数据、所述多个历史输出数据、所述多个历史异常类型以及所述多个异常设备标识的多组训练数据进行训练,得到所述异常确定模型之后,还包括:对所述异常确定模型进行更新;
其中,对所述异常确定模型进行更新,包括:
利用神经网络的自学习功能对所述异常确定模型中预定函数的权值进行调整;
将调整后的权值作为所述预定函数的权值,得到更新后的异常确定模型。
5.根据权利要求1至4中任一项所述的方法,其特征在于,所述输入数据包括以下至少之一:速度、温度、信号、工况;所述输出数据至少包括:设备状态。
6.根据权利要求5所述的方法,其特征在于,基于所述异常类型确定所述目标设备的异常处理策略,包括:
通过异常处理模型,确定与所述异常类型对应的异常处理处策略,其中,所述异常处理模型为使用多组数据通过机器学习训练得到的,所述多组数据中的每组数据均包括:异常类型、与异常类型对应的异常处理策略。
7.根据权利要求6所述的方法,其特征在于,所述各个设备至少包括:堆垛机设备、穿梭车群、RGV群、流水线群、PDA群。
8.一种设备的异常处理装置,其特征在于,包括:
第一采集单元,用于采集自动生产过程中的各个设备的输入数据以及输出数据;
第一确定单元,用于通过异常确定模型,确定与所述输入数据以及所述输出数据对应的异常类型以及异常设备标识,其中,所述异常确定模型是利用多组训练数据通过机器学习训练得到的,所述多组训练数据中的每一组训练数据均包括:输入数据以及输出数据、与所述输入数据以及所述输出数据对应的异常类型和设备标识;
第二确定单元,用于基于所述异常设备标识确定出现异常的目标设备;
第三确定单元,用于基于所述异常类型确定所述目标设备的异常处理策略;
异常处理单元,用于基于所述异常处理策略对所述目标设备进行异常处理。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述计算机存储介质所在设备执行权利要求1至7中任一项所述的设备的异常处理方法。
10.一种处理器,其特征在于,所述处理器用于运行计算机程序,其中,所述计算机程序运行时执行权利要求1至7中任一项所述的设备的异常处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011536083.8A CN112508129A (zh) | 2020-12-22 | 2020-12-22 | 设备的异常处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011536083.8A CN112508129A (zh) | 2020-12-22 | 2020-12-22 | 设备的异常处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112508129A true CN112508129A (zh) | 2021-03-16 |
Family
ID=74923369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011536083.8A Pending CN112508129A (zh) | 2020-12-22 | 2020-12-22 | 设备的异常处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508129A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114567536A (zh) * | 2022-02-24 | 2022-05-31 | 北京百度网讯科技有限公司 | 异常数据处理方法、装置、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106165345A (zh) * | 2014-03-24 | 2016-11-23 | 微软技术许可有限责任公司 | 标识用于化解网络故障的故障排除选项 |
US20190278529A1 (en) * | 2018-03-06 | 2019-09-12 | Kabushiki Kaisha Toshiba | System and method for machine learning optimization of human resource scheduling for device repair visits |
US20190296979A1 (en) * | 2018-03-22 | 2019-09-26 | Citrix Systems, Inc. | Systems and methods for inventory discovery in a network |
CN111464399A (zh) * | 2020-04-14 | 2020-07-28 | 山东大学 | 一种基于软件定义无线电的专网异常检测方法 |
CN112051800A (zh) * | 2020-09-17 | 2020-12-08 | 珠海格力智能装备有限公司 | 机床的异常处理方法及装置、计算机可读存储介质 |
-
2020
- 2020-12-22 CN CN202011536083.8A patent/CN112508129A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106165345A (zh) * | 2014-03-24 | 2016-11-23 | 微软技术许可有限责任公司 | 标识用于化解网络故障的故障排除选项 |
US20190278529A1 (en) * | 2018-03-06 | 2019-09-12 | Kabushiki Kaisha Toshiba | System and method for machine learning optimization of human resource scheduling for device repair visits |
US20190296979A1 (en) * | 2018-03-22 | 2019-09-26 | Citrix Systems, Inc. | Systems and methods for inventory discovery in a network |
CN111464399A (zh) * | 2020-04-14 | 2020-07-28 | 山东大学 | 一种基于软件定义无线电的专网异常检测方法 |
CN112051800A (zh) * | 2020-09-17 | 2020-12-08 | 珠海格力智能装备有限公司 | 机床的异常处理方法及装置、计算机可读存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114567536A (zh) * | 2022-02-24 | 2022-05-31 | 北京百度网讯科技有限公司 | 异常数据处理方法、装置、电子设备和存储介质 |
CN114567536B (zh) * | 2022-02-24 | 2024-02-23 | 北京百度网讯科技有限公司 | 异常数据处理方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111614491B (zh) | 一种面向电力监控系统安全态势评估指标选取方法及系统 | |
KR20180108446A (ko) | Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 | |
CN113935497A (zh) | 智能运维故障处理方法、装置、设备及其存储介质 | |
DE102016015017A1 (de) | Steuervorrichtung mit Lernfunktion zum Erfassen einer Rauschursache | |
CN106685676B (zh) | 一种节点切换方法及装置 | |
JP2019185422A (ja) | 故障予知方法、故障予知装置および故障予知プログラム | |
CN113516244B (zh) | 一种智能运维方法、装置、电子设备及存储介质 | |
CN104934968A (zh) | 基于多智能体的配网应灾恢复协调控制方法及装置 | |
CN110968619A (zh) | 基于故障树(fta)的液压机自学习故障诊断方法及系统 | |
CN115063118A (zh) | 一种基于工业互联网的智能车间设备管理方法及系统 | |
CN112508129A (zh) | 设备的异常处理方法及装置 | |
CN115800272A (zh) | 基于拓扑识别的电网故障分析方法、系统、终端及介质 | |
CN109409780B (zh) | 变更处理方法、装置、计算机设备和存储介质 | |
CN117111568B (zh) | 基于物联网的设备监测方法、装置、设备及存储介质 | |
CN117294617A (zh) | 通信网络异常检测方法及装置 | |
CN110532773A (zh) | 恶意访问行为识别方法、数据处理方法、装置和设备 | |
CN112803581A (zh) | 低压联络柜的智能供电控制方法、系统及装置 | |
CN117074822A (zh) | 充电桩故障诊断方法、计算机设备及存储介质 | |
CN111832758A (zh) | 基于数字孪生的地铁站台门维保作业方法和装置以及设备 | |
CN113835973B (zh) | 一种模型训练方法及相关装置 | |
CN116359658A (zh) | 一种电力设备异常判断方法、装置、电子设备及存储介质 | |
CN114598480B (zh) | 一种网络安全运营平台机器数据处理方法及系统 | |
CN108805462A (zh) | 配网风险预警的方法及装置、存储介质、处理器 | |
CN115833927A (zh) | 一种纤芯的切换方法、装置、电子设备和存储介质 | |
CN114511179A (zh) | 一种处理配电柜异常的智能规划方法及系统 |
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 |