CN112731876A - 一种基于生产数据的工业设备管理系统 - Google Patents
一种基于生产数据的工业设备管理系统 Download PDFInfo
- Publication number
- CN112731876A CN112731876A CN202011523193.0A CN202011523193A CN112731876A CN 112731876 A CN112731876 A CN 112731876A CN 202011523193 A CN202011523193 A CN 202011523193A CN 112731876 A CN112731876 A CN 112731876A
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- cloud server
- module
- maintenance
- 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 46
- 238000012423 maintenance Methods 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000003860 storage Methods 0.000 claims abstract description 16
- 230000000007 visual effect Effects 0.000 claims abstract description 10
- 238000007726 management method Methods 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 31
- 238000012544 monitoring process Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000013079 data visualisation Methods 0.000 claims description 2
- 238000010892 electric spark Methods 0.000 claims description 2
- 230000002688 persistence Effects 0.000 claims description 2
- 230000004044 response Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 5
- 238000011161 development Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000003208 petroleum Substances 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013523 data management Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- 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)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
一种基于生产数据的工业设备管理系统，包括相互耦合的部署在工厂的本地服务器和部署在具有公网IP的云端服务器，建立在工厂实地的本地服务器，连接远程互联网和工厂本地，采集设备的实时运行数据，并通过工业互联网和消息组件转发至云端服务器进行存储；同时还需要接受云端服务器发送的设备控制指令，并将其解析给实际工业设备，远程控制用户；部署在云端的云端服务器，连接用户和底层工业设备，搭载了整个工业设备管理系统，用户通过PC端或移动端浏览器和公网IP访问云端服务器上的管理系统可视化界面，通过操作界面管理维护设备。本发明与企业信息系统中的数据库模块进行交互，同时处理现场采集到的工业设备数据，降低企业维护设备的成本。
Description
技术领域
本发明涉及一种基于生产数据的工业设备管理系统。系统以工业机器人、数控车床等工业设备为管理对象，为了解决制造中工业设备管理混乱、维护成本高昂等问题。
技术背景
随着现代工业的迅猛发展，各国制造业创新战略都提出了智能制造这一理念，它推动制造业的数字化、网络化和智能化发展。制造执行系统(manufacturing executionsystem，MES)的出现为智能制造企业提供精细的制造环境和生产过程中设备的可视化监控与数据管理；同时通过人工智能技术研发智能制造辅助方案，并结合成熟的信息技术将其和制造执行系统融合，预测性维护便是其中的重要应用领域。在预测性维护产生之前，对于工业设备的维护通常是常规性维护，主要以时间为单位进行周期性的保养，这导致资源浪费和设备损耗。预测性维护的产生改善了这一现状，通过融合人工智能、数据挖掘、云计算等一系列技术，它能在设备损坏之前合理预估设备部件使用剩余寿命，尽早预测设备故障隐患，避免故障恶化，从而有效减少设备停机维修时间，降低设备维修成本。正因为如此，预测性维护也被CB insight评为2019年人工智能发展趋势之一。
设备管理是MES系统中最基础的一环，主要包括设备的型号、参数等基础信息管理和电流、电压等运转数据管理，对于设备的维护保养和生产安排具有重大参考价值。国内外有许多学者对设备管理系统的开发与应用进行研究，汪远平等提出一种通用的工业设备智能化管理系统开发及应用(汪远平,刘志成,查明彦.一种工业设备智能化管理系统的开发及应用[J].通讯世界,2019,26(4):266-268.)，重点解决设备维修方面的管理，降低维修成本；胥祯浩等基于Zigbee无线组网技术实现工业设备电源的远程管理(胥祯浩,张哲,方泽豪.基于无线组网技术的工业设备电源远程管理系统设计[J].数字技术与应用,2017(7):174-175.)，能够对设备电源进行实时监测和远距离控制启停；秦玉龙开发了一套石油设备管理系统(秦玉龙.石油工业设备管理系统的研究与开发[D].电子科技大学,2009.)，基于J2EE平台和EJB多层结构开发思想，解决石油企业存在的基础数据缺乏，不完善等问题。
从目前的研究成果来看，所设计的设备管理系统都只停留在设备管理和监控层面，智能化水平不高，设备维护方式落后，采用传统的故障维修手段无法满足现代智能制造大背景下的制造企业需求。因此，随着智能制造的不断推进，开发一款智能化程度高，能结合人工智能等新兴技术实现预测性维护功能的设备管理系统具有很大的应用价值。
发明内容
本发明要克服现有技术的上述缺点，提供一种基于生产数据的工业设备管理系统。
首先该系统能解决制造型企业设备管理模式落后、设备智能化维护程度较低等问题。其次根据实际生产需求设计设备管理模块，实现设备基础信息和生产数据管理；并开发人机交互良好的前端界面，达到设备信息可视化管理的目的；整合多种数据库设计数据存储模块，解决系统不同数据种类的读写问题；基于Spark大数据处理框架设计设备维护模块，对设备实时数据进行在线分析，并使用机器学习回归算法对历史数据进行预测模型训练，实现设备状态的实时监控与剩余使用寿命预测，达到设备预测性维护目的。最后通过工业机器人设备实验验证所设计的管理系统的可行性。
本发明为解决现有技术问题所采用的技术方案是：
一种基于生产数据的工业设备管理系统，包括相互耦合的部署在工厂的本地服务器和部署在具有公网IP的云端服务器，建立在工厂实地的本地服务器，连接远程互联网和工厂本地，采集设备的实时运行数据，并通过工业互联网和消息组件转发至云端服务器进行存储；同时还需要接受云端服务器发送的设备控制指令，并将其解析给实际工业设备，远程控制用户。部署在云端的云端服务器，连接用户和底层工业设备，搭载了整个工业设备管理系统，用户通过PC端或移动端浏览器和公网IP就可以访问云端服务器上的管理系统可视化界面，通过操作界面管理维护设备。
所述本地服务器包括：设备操作模块、机床数据采集模块、机器人数据采集模块和监控模块。
设备操作模块：输入云端服务器发回的控制信号，输出现场工业设备的启停信号；为所有设备进行统一的启动、停止和复位操作，保证了整条生产线上的设备都处在同一运行状态，防止因不同设备运行状态不一致引发的生产问题。
机床数据采集模块：输入加工中心和电火花机的运行数据，通过Thrift输出给云端服务器进行存储和处理。
机器人数据采集模块：输机器人在运送物料期间的轴位置信息和状态信息，输出到云端服务器存储和处理，操作人员可以根据采集内容判断物料能否正确运输。
监控模块：输入网络摄像头获得视频数据，使用视频传输协议推流至云端服务器，将加工设备的实时监控视频传到可视化界面上进行播放，确保车间生产线整体正常运行。
所述云端服务器包括：数据处理模块和数据存储模块。其中数据处理模块按照功能可分为三个单元：
设备运行监测单元：输入现场服务器传回的设备运行数据和网络摄像头视频流数据，通过解析和数据可视化，结合图表插件显示到页面，实现运行监测。此外按照设备运行数据在数据库中的存储顺序生成设备数据报表，以表格形式展示在前端显示页面。
预测性维护分析：输入持久化数据库中经预处理后的设备运行数据，通过机器学习回归算法训练，获得设备剩余寿命的预测模型，存入文件数据库，使用该训练好的模型对设备进行预测分析。同时应用缓存数据库中，现场服务器采集的实时数据，经处理缓存成固定格式的数据集，经第三方算子处理，若处理结果显示设备异常，则输出警报信号，同时输出控制信号给设备管理模块，进行设备停机。
维护历史记录：记录模具制造生产线内部设备的保养维护历史记录，存储到数据库中，以表格形式展示到前端可视化页面，便于管理人员在下一次维护前进行查询，帮助制定维护计划。
数据存储模块：输入数据来自本地服务器中采集的设备数据和视频数据以及云端服务器各个模块处理后的数据，同时输出云端服务器各模块和数据处理算子需要的数据，使用四种不同类型的数据库实现，可实现对热数据、普通关系型数据、工业大数据和文件数据四大类生产相关数据的存储。
优选地，本发明采用解耦的模式，将数据采集和数据处理部署在不同的服务端上，方便维护和拓展。
优选地，本发明以工业设备生产数据为核心，将采集数据与处理数据同时进行，使得对设备的维护响应速度更好；通过多类型数据库分类型存储数据，提高数据的清晰度，最大程度保证数据价值。
优选地，本发明包含多种类型的数据分析方法，提升工业设备维护的覆盖面。
优选地，本发明系统界面简洁清晰，数据处理结果做了可视化处理，用户友好度高，容易上手，操作学习成本低。
本发明的优点和积极效果是：
1.设计多类型数据库，根据工业生产场景下产生的数据特点，进行特异化存储。这种方式极大的提升了工业数据的利用率和数据清晰度，在一定程度上能够提升数据可分析提取的价值。
2.多维度监测设备运行状况，提升系统设备管理覆盖面，能够及时发现或提前预测设备可能出现的问题，系统功能执行效果好。
3.采用远程监控模式结合B/S架构，用户学习成本和使用门槛低，提高工程师检修和解决问题的效率。
4.系统采用前后端分离开发模式，使得系统的耦合度降低，有利于系统故障排查和功能拓展。
附图说明
图1为本发明的系统结构框图。
图2为本发明与现场设备通讯框架。
图3为本发明大数据处理框架图。
图4为本发明流式数据阈值筛选流程图。
图5为本发明离线模型预测流程图。
图6工业机器人各关节电流图。
图7a～7f模型训练与模型离线预测流程图，其中图7a是数据上传栏，图7b是训练模型配置文件，图7c是模型上传栏，图7d是模型文件，图7e是设备预测栏，图7f是预测结果栏。
具体实施方式
以下为结合附图对本发明的实施做进一步详述。
参照图1软件结构，一种基于生产数据的工业设备管理系统，基于模块分离的解耦原则，将本系统设计成部署在工厂的本地服务器和部署在具有公网IP的云端服务器两大块。在云端核心服务部分，本系统应用SpringBoot框架设计系统结构，包含设备监控和预测维护功能块；应用MySQL等数据库组成系统存储模块。在本地服务器中包含设备控制模块、机床与机器人数据采集模块和现场监控模块。本发明主要与企业信息系统中的数据库模块进行交互，同时处理现场采集到的工业设备数据。
云端系统与现场设备通讯时，由于Java语言缺乏对实际设备进行直接控制的能力，因此需要借助底层C#服务器进行设备控制，而两种语言进程之间的通信则要依赖于RPC调用框架。通过技术选型，本系统基于Thrift框架构建线程通讯架构，如图2所示，ThriftClient位于Service所在的系统后台框架内，负责向外提供deviceStart(设备启动)、deviceStop(设备停止)等接口，而真正提供接口内部实现方法的则是位于底层服务器的Thrift Server，两个文件源代码都由Thrift自动生成。首先创建Thrift的脚本文件，包含服务端源代码生成路径、数据格式、内部对象、方法名称等。通过运行thrift--gen<language><Thrift filename>指令即可自动生成Java和C#下的源码文件，由两端的代码通过底部分层架构进行通信，从而实现远程方法的调用。以调用底层设备启动方法为例，后台SpringBoot框架只需正常调用同一工程文件夹下的Client接口，Thrift框架会通过HTTP、TCP等通信协议，将方法参数传递给底层服务端Server，Server经过处理后将返回值写入输出流返回给客户端Client，完成底层设备的控制。
本地服务器实现的数据采集和设备控制是设备管理系统最重要和最基本的功能之一。通过对现有的几种自动采集方式进行比较，最终基于C/S通信模式，通过OPC UA SDK建立底层服务器中的OPC UA客户端，并与设备中的OPC UA服务端建立连接，向服务端发送请求获取设备数据，从而为数据显示打下基础。
设备维护模块的实现主要是通过对设备生产过程中的电流、电压等数据进行处理与分析来达到设备维护目的，本系统主要用到Spark框架中的Spark-Streaming和Spark-MLlib，即流式数据分析和机器模型训练预测。本系统的大数据处理架构如图3所示。
工业机器人、数控车床等工业设备上的底层通信代码C#会通过消息中间件Kafka进行相关主题的数据消息发布，Spark-Streaming从Kafka订阅相应的数据进行实时计算处理。采用滑动窗口法实现数据的收取，在该窗口时间内的连续数据会被缓存成RDD弹性数据集，然后经过统一的Spark算子处理，来决定是否要发出警报。当这一段时间的数据处理完成后，数据全部清除，重新开始缓存新的时间窗口数据。如果出现警报，警报数值的相关信息则会存入Redis，并且通过建立的WebSocket前后台长连接直接向可视化界面发送报警故障信息，流式数据阈值筛选处理流程如图4所示。
本系统将数据集分成70％的训练集和30％的测试集，通过测试集来评估预测模型的准确性。该模型可以对实时数据进行设备状态预测，返回设备零部件剩余使用寿命，从而达到预测性维护的目的。服务器向Spark-MLlib模块发送需要预测的数据，通过训练模型的预测方法即可获得数据预测结果，并存入Redis中。系统的离线模型预测流程如图5所示。
本发明基于1台工业UR5工业机器人设备、1台连接外网的交换机，1套底层PLC控制系统，1台具有公网IP的云端服务器、1台用户电脑和1个具有云传输功能的工业摄像头的实验平台进行功能测试。
通过输入公网IP、端口号加项目内文件名访问本监控系统登陆首页，输入用户名和密码之后进入系统首页，显示用户设备数量、报警信息和分布情况；设备列表展示设备连接状态、设备名称、操作人员等信息，还可对设备进行添加、删除或修改等操作；数据图表可以对工业机器人电压、温度等生产数据进行查询，Echarts图标组件对数据进行折线图展示，并且能通过选择显示对象进行显示图表切换；设备报表可以对过去24小时之内的设备运行状态进行报表显示与导出；设备控制是为应对设备发生运行故障时，工程师可以通过网络进行异地控制，借助高清的工业摄像头的视频云传输，观察设备控制情况，直至报警解除，设备恢复工作状态。
设备运行分析模块借助工业网关，本地服务器可以将设备实时的状态数据发送到Kafka的Broker服务器内的对应主题，Spark-Streaming订阅相应主题并连续接收主题内的数据进行实时处理。该子模块默认显示当前一小时内的加工中心运行数据，同时图表也会进行实时的更新操作，起到一定的实时分析效果。对于历史分析，管理人员通过选择需要查询的设备、日期和时间段，获得该时间段内设备的历史运行折线图、设备使用率饼状图和部分重要历史数据。根据上述信息，管理人员可以对报警次数多、使用率高、运行异常时间久的设备进行必要的停机维护，避免造成设备不可逆转的损坏。
预测性维护分析模块借助底层服务数据采集系统，将工业机器人生产过程中的状态数据上传至云端服务器的ElasticSearch数据库进行存储。同时可以将数据库的生产数据进行导出，经过完整的数据预处理，形成一份可以提供算法训练的数据集,工业机器人关节电流数据通过MQTT在ElasticSearch中存储如图6所示。
在数据训练上传界面选择设备种类和训练算法，提交之后本系统便在后台进行异步的模型训练，完成后对模型进行存储，便于预测功能的调用，上传数据训练界面如图7(a)所示，选择工业机器人作为所需要预测的设备，选择线性回归作为预测算法，将历史数据集文件进行上传，训练后所得的线性回归模型PMML文件如图7(b)所示。除在线训练模型之外还可以上传本地模型，通过上传用户已训练好的模型压缩文件，后台直接解压获得模型文件，同样可以实现预测效果。本地模型上传操作和解压后的模型文件结构如图7(c)、(d)所示，上传模型压缩文件至后台，后台直接进行解压操作，将解压后的模型文件存放在系统中的模型存储文件夹。在存储文件夹中存有上传或训练的模型之后，模型预测界面就可以查询存在的模型并通过下拉框的形式供用户选择，用户再输入需要预测的数据和选择预测的工业设备，点击立即预测，等待后台模型预测完成并将预测数值进行处理就可以返回预测结果，数据预测方式和预测结果如图7(e)、(f)所示。
本发明基于模块分离的解耦原则，将系统设计成部署在工厂的本地服务器和部署在具有公网IP的云端服务器两大块。在云端核心服务部分，系统应用SpringBoot框架设计系统结构，包含设备监控和预测维护功能块；应用MySQL等数据库组成系统存储模块。在本地服务器中包含设备控制模块、机床与机器人数据采集模块和现场监控模块。本发明主要与企业信息系统中的数据库模块进行交互，同时处理现场采集到的工业设备数据，可以有效降低企业维护设备的成本，提升企业经济效益。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (5)
1.一种基于生产数据的工业设备管理系统，其特征在于：包括相互耦合的部署在工厂的本地服务器和部署在具有公网IP的云端服务器，建立在工厂实地的本地服务器，连接远程互联网和工厂本地，采集设备的实时运行数据，并通过工业互联网和消息组件转发至云端服务器进行存储；同时还需要接受云端服务器发送的设备控制指令，并将其解析给实际工业设备，远程控制用户；部署在云端的云端服务器，连接用户和底层工业设备，搭载了整个工业设备管理系统，用户通过PC端或移动端浏览器和公网IP访问云端服务器上的管理系统可视化界面，通过操作界面管理维护设备；
所述本地服务器包括：设备操作模块、机床数据采集模块、机器人数据采集模块和监控模块。
设备操作模块：输入云端服务器发回的控制信号，输出现场工业设备的启停信号；为所有设备进行统一的启动、停止和复位操作，保证了整条生产线上的设备都处在同一运行状态，防止因不同设备运行状态不一致引发的生产问题。
机床数据采集模块：输入加工中心和电火花机的运行数据，通过Thrift输出给云端服务器进行存储和处理。
机器人数据采集模块：输入数据内容为机器人在运送物料期间的轴位置信息和状态信息，输出到云端服务器存储和处理，操作人员可以根据采集内容判断物料能否正确运输。
监控模块：输入网络摄像头获得视频数据，使用视频传输协议推流至云端服务器，将加工设备的实时监控视频传到可视化界面上进行播放，确保车间生产线整体正常运行。
所述云端服务器包括：数据处理模块和数据存储模块。其中数据处理模块按照功能可分为三个单元：
设备运行监测单元：输入现场服务器传回的设备运行数据和网络摄像头视频流数据，通过解析和数据可视化，结合图表插件显示到页面，实现运行监测。此外按照设备运行数据在数据库中的存储顺序生成设备数据报表，以表格形式展示在前端显示页面。
预测性维护分析单元：输入持久化数据库中经预处理后的设备运行数据，通过机器学习回归算法训练，获得设备剩余寿命的预测模型，存入文件数据库，使用该训练好的模型对设备进行预测分析。同时应用缓存数据库中，现场服务器采集的实时数据，经处理缓存成固定格式的数据集，经第三方算子处理，若处理结果显示设备异常，则输出警报信号，同时输出控制信号给设备管理模块，进行设备停机。
维护历史记录：记录模具制造生产线内部设备的保养维护历史记录，存储到数据库中，以表格形式展示到前端可视化页面，便于管理人员在下一次维护前进行查询，帮助制定维护计划。
数据存储模块：输入本地服务器中采集的设备数据和视频数据以及云端服务器各个模块处理后的数据，同时输出云端服务器各模块和数据处理算子需要的数据，使用四种不同类型的数据库实现，可实现对热数据、普通关系型数据、工业大数据和文件数据四大类生产相关数据的存储。
2.根据权利要求1所述的基于生产数据的工业设备管理系统，其特征在于：采用解耦的模式，将数据采集和数据处理部署在不同的服务端上，方便维护和拓展。
3.根据权利要求1所述的基于生产数据的工业设备管理系统，其特征在于：以工业设备生产数据为核心，将采集数据与处理数据同时进行，使得对设备的维护响应速度更好；通过多类型数据库分类型存储数据，提高数据的清晰度，最大程度保证数据价值。
4.根据权利要求1所述的基于生产数据的工业设备管理系统，其特征在于：包含多种类型的数据分析方法，提升工业设备维护的覆盖面。
5.根据权利要求1所述的基于生产数据的工业设备管理系统，其特征在于：系统界面简洁清晰，数据处理结果做了可视化处理，用户友好度高，容易上手，操作学习成本低。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011523193.0A CN112731876A (zh) | 2020-12-22 | 2020-12-22 | 一种基于生产数据的工业设备管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011523193.0A CN112731876A (zh) | 2020-12-22 | 2020-12-22 | 一种基于生产数据的工业设备管理系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112731876A true CN112731876A (zh) | 2021-04-30 |
Family
ID=75605615
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011523193.0A Pending CN112731876A (zh) | 2020-12-22 | 2020-12-22 | 一种基于生产数据的工业设备管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112731876A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113377839A (zh) * | 2021-06-18 | 2021-09-10 | 北京德风新征程科技有限公司 | 一种基于工业互联网大数据分析提取方法 |
| CN113419490A (zh) * | 2021-05-14 | 2021-09-21 | 深圳市华信智能科技股份有限公司 | 物联网工厂设备实时监测控制方法、装置、设备及存储介质 |
| CN113536154A (zh) * | 2021-07-19 | 2021-10-22 | 苏州知研信息技术有限公司 | 将移动终端应用于工业互联网的人机交互的实现方法 |
| CN113868306A (zh) * | 2021-08-31 | 2021-12-31 | 云南昆钢电子信息科技有限公司 | 一种基于opc-ua规范的数据建模系统和方法 |
| CN113944923A (zh) * | 2021-10-18 | 2022-01-18 | 西安热工研究院有限公司 | 基于Spark Streaming实时检测锅炉壁温超限报警的方法 |
| CN114253242A (zh) * | 2021-12-21 | 2022-03-29 | 上海纽酷信息科技有限公司 | 一种基于vpn的物联网云端设备数据采集系统 |
| CN114338420A (zh) * | 2021-12-24 | 2022-04-12 | 山东浪潮通软信息科技有限公司 | 一种基于云模式的智能设备管理方法、装置、设备及介质 |
| CN114528262A (zh) * | 2022-01-27 | 2022-05-24 | 华南理工大学 | 一种基于物联网的数控系统文件共享系统 |
| US11531329B1 (en) | 2021-08-19 | 2022-12-20 | Ford Global Technologies, Llc | Predictive maintenance systems and methods of a manufacturing environment |
| CN117952597A (zh) * | 2024-03-21 | 2024-04-30 | 无锡学院 | 一种工业设备数据管理方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109831354A (zh) * | 2019-01-22 | 2019-05-31 | 浙江工业大学 | 基于opc ua工业通讯协议的虚拟调试系统 |
| CN110597057A (zh) * | 2019-08-22 | 2019-12-20 | 浙江工业大学 | 在工业应用场景下的数据处理系统 |
-
2020
- 2020-12-22 CN CN202011523193.0A patent/CN112731876A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109831354A (zh) * | 2019-01-22 | 2019-05-31 | 浙江工业大学 | 基于opc ua工业通讯协议的虚拟调试系统 |
| CN110597057A (zh) * | 2019-08-22 | 2019-12-20 | 浙江工业大学 | 在工业应用场景下的数据处理系统 |
Non-Patent Citations (1)
| Title |
|---|
| 禹鑫燚: "面向预测性维护的工业设备管理系统", 《计算机科学》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113419490A (zh) * | 2021-05-14 | 2021-09-21 | 深圳市华信智能科技股份有限公司 | 物联网工厂设备实时监测控制方法、装置、设备及存储介质 |
| CN113377839A (zh) * | 2021-06-18 | 2021-09-10 | 北京德风新征程科技有限公司 | 一种基于工业互联网大数据分析提取方法 |
| CN113536154A (zh) * | 2021-07-19 | 2021-10-22 | 苏州知研信息技术有限公司 | 将移动终端应用于工业互联网的人机交互的实现方法 |
| CN113536154B (zh) * | 2021-07-19 | 2023-10-20 | 正知（上海）智能技术有限公司 | 将移动终端应用于工业互联网的人机交互的实现方法 |
| US11531329B1 (en) | 2021-08-19 | 2022-12-20 | Ford Global Technologies, Llc | Predictive maintenance systems and methods of a manufacturing environment |
| CN113868306A (zh) * | 2021-08-31 | 2021-12-31 | 云南昆钢电子信息科技有限公司 | 一种基于opc-ua规范的数据建模系统和方法 |
| CN113944923A (zh) * | 2021-10-18 | 2022-01-18 | 西安热工研究院有限公司 | 基于Spark Streaming实时检测锅炉壁温超限报警的方法 |
| CN114253242A (zh) * | 2021-12-21 | 2022-03-29 | 上海纽酷信息科技有限公司 | 一种基于vpn的物联网云端设备数据采集系统 |
| CN114253242B (zh) * | 2021-12-21 | 2023-12-26 | 上海纽酷信息科技有限公司 | 一种基于vpn的物联网云端设备数据采集系统 |
| CN114338420A (zh) * | 2021-12-24 | 2022-04-12 | 山东浪潮通软信息科技有限公司 | 一种基于云模式的智能设备管理方法、装置、设备及介质 |
| CN114528262A (zh) * | 2022-01-27 | 2022-05-24 | 华南理工大学 | 一种基于物联网的数控系统文件共享系统 |
| CN114528262B (zh) * | 2022-01-27 | 2024-05-24 | 华南理工大学 | 一种基于物联网的数控系统文件共享系统 |
| CN117952597A (zh) * | 2024-03-21 | 2024-04-30 | 无锡学院 | 一种工业设备数据管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112731876A (zh) | 一种基于生产数据的工业设备管理系统 | |
| CN108919765B (zh) | 一种基于数字孪生的智能制造工厂虚拟调试和虚拟监控方法及系统 | |
| CN113112086B (zh) | 一种基于边缘计算和标识解析的智能生产系统 | |
| CN110733038B (zh) | 工业机器人远程监控及数据处理系统 | |
| CN208754331U (zh) | 一种基于物联网和工业云的纺织机械远程运维系统 | |
| CN109246223A (zh) | 一种纺织机械远程运维系统及其实现方法 | |
| CN109669406A (zh) | 一种工业设备的远程在线监测系统及其工作流程 | |
| JP2020074640A (ja) | プロセス制御システム内でのアナリティクスのためのストリーミングデータ | |
| CN110728443A (zh) | 一种电机全生命周期管控系统 | |
| CN110597057A (zh) | 在工业应用场景下的数据处理系统 | |
| CN102882724B (zh) | 一种现场总线设备监控管理方法 | |
| CN109507924B (zh) | 用于油田作业设备的远程监控系统 | |
| CN101601057A (zh) | 变电站监测和诊断 | |
| CN112186901B (zh) | 一种变电站全景感知监控方法及系统 | |
| CN106559501B (zh) | 一种扁平式工控方法与系统 | |
| CN109100984A (zh) | 远程监控的模锻机智能操作系统 | |
| CN103369402A (zh) | 一种进行多种机顶盒功能一致性比对的方法及系统 | |
| CN112995327A (zh) | 一种云平台系统、工厂端、工业云平台及服务对接系统 | |
| CN115480542A (zh) | 生产线运行状态及相关工艺数据采集系统 | |
| CN105978140A (zh) | 一种电力设备的信息融合方法 | |
| CN109392192B (zh) | 用于快速通信的scada系统的装置连接的方法以及系统 | |
| CN114785830A (zh) | 一种演艺智慧云平台 | |
| CN114648212A (zh) | 一种基于云计算的船舶设备性能智能管理系统及方法 | |
| CN113848838A (zh) | 一种工业物联网的数据通信系统、方法 | |
| CN115922736B (zh) | 一种基于5g网络实现机器人远程控制和远程运维系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210430 |
|
| RJ01 | Rejection of invention patent application after publication |