CN112783872A - 一种基于工业大数据的设备优化模型构建方法 - Google Patents
一种基于工业大数据的设备优化模型构建方法 Download PDFInfo
- Publication number
- CN112783872A CN112783872A CN202110287523.9A CN202110287523A CN112783872A CN 112783872 A CN112783872 A CN 112783872A CN 202110287523 A CN202110287523 A CN 202110287523A CN 112783872 A CN112783872 A CN 112783872A
- Authority
- CN
- China
- Prior art keywords
- data
- analysis
- industrial big
- optimization model
- equipment optimization
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 30
- 238000010276 construction Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000013499 data model Methods 0.000 claims abstract description 12
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 210000002569 neuron Anatomy 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000004519 manufacturing process Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 9
- 238000000611 regression analysis Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 230000001364 causal effect Effects 0.000 claims description 3
- 238000013079 data visualisation Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000005183 dynamical system Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000003340 mental effect Effects 0.000 claims description 3
- 238000010223 real-time analysis Methods 0.000 claims description 3
- 230000005477 standard model Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于工业大数据的设备优化模型构建方法，涉及工业大数据技术领域，该基于工业大数据的设备优化模型构建方法包括数据获取、数据处理、算法分析和数据模型的构建。本发明扩大了模型构建所需要的数据的来源，丰富了数据的种类，尤其是来源于传感器、遥感监测的数据，提高了智能数据在数据样本中的比重，从而使最后所构建的数据模型更加准确。同时采用统计回归方法和人工神经元方法进行数据分析计算，通过对不同的数据采取不同的算法，在提高了算法的多样性的同时也提高了基于算法所建立的数据联系的准确性，进而使该数据模型在设备优化工作中的效率提高，提高了该基于工业大数据的设备优化模型构建方法的实用性。
Description
技术领域
本发明涉及工业大数据技术领域，具体涉及一种基于工业大数据的设备优化模型构建方法。
背景技术
随着流程工业的不断发展，流程工业正朝着产品多样化、生产阶段多样化、生产批次多样化的方向发展。在这种生产方式下，生产设备的状态往往决定着各个生产阶段的生产效率，也实质上决定着整个工厂的生产效率。同时随着对产品质量要求的不断提高，和生产规模的不断扩大，产品的生产方式在不断地改进。这就使得生产流程变得进一步复杂化，生产复杂化往往意味着工厂可能同时使用不同品牌的生产设备，这就意味着工厂需要多个设备厂家的领域专家来对自己的设备进行单独的装配调优，这就使得企业的发展对领域专家具有很强的依赖性，工业生产越来越朝着智能化方向发展。现代工业越来越依靠数据。
针对现有技术存在以下问题：
1、传统的基于工业大数据的设备优化模型构建方法，所获取的数据来源与种类较为单一，从而使最后所构建的模型容易存在缺陷；
2、传统的基于工业大数据的设备优化模型构建方法，所采用的数据算法固定，所得到的数据之间的联系的准确性难以辨别，进而达不到有效使设备优化的使用初衷，该基于工业大数据的设备优化模型构建方法的实用性变差，因此需要进行结构创新来解决具体问题。
发明内容
本发明需要解决的技术问题是提供一种基于工业大数据的设备优化模型构建方法，其中一种目的是为了具备丰富的数据来源，解决传统的基于工业大数据的设备优化模型构建方法，所获取的数据来源与种类较为单一，从而使最后所构建的模型容易存在缺陷的问题；其中另一种目的是为了解决传统的基于工业大数据的设备优化模型构建方法，所采用的数据算法固定，所得到的数据之间的联系的准确性难以辨别的问题，以达到有效使设备优化，提高该基于工业大数据的设备优化模型构建方法的实用性的效果。
为解决上述技术问题，本发明所采用的技术方案是：
一种基于工业大数据的设备优化模型构建方法，该基于工业大数据的设备优化模型构建方法包括以下步骤，
步骤一：数据获取；
步骤二：数据处理；
步骤三：算法分析；
步骤四；数据模型的构建。
本发明技术方案的进一步改进在于：所述步骤一种数据获取的来源包括传感器、遥感监测、手工录入、视频监控、图像拍摄、企业内网和互联网。
本发明技术方案的进一步改进在于：所述步骤一种数据获取所采用的数据种类包括历史数据、当前生产流程的实时数据、设计数据和工业设备运行状态的检测数据。
本发明技术方案的进一步改进在于：所述步骤二中数据处理包括以下步骤，
A1：数据分类，将不同类型不同时间的数据分类处理；
A2、数据提取，提取其中合理的数据，提出其中不合理，极小概率发生的特殊环境下所产生的数据；
A3、数据储存，将提取得来的数据进行分类储存，建立数据库，数据库包括关系数据库、非关系型数据库、实时数据库、地理数据库和分布式数据库。
本发明技术方案的进一步改进在于：所述步骤三中算法分析的方法还包括：统计回归方法和人工精神元方法。
统计回归方法：在掌握大量观察数据的基础上，利用数理统计方法建立因变量与自变量之间的回归关系函数表达式，分为线性回归分析和非线性回归分析，通常线性回归分析法是最基本的分析方法，遇到非线性回归问题可以借助数学手段化为线性回归问题处理，利用回归分析方法，根据一个或一组自变量的变动情况预测与其有相关关系的某随机变量的未来值。进行回归分析需要建立描述变量间相关关系的回归方程。
人工神经元方法：基于数学统计学类型的学习方法得以优化，实际为数学统计学方法的一种实际应用，能够得到大量的可以用函数来表达的局部结构空间，主要采用动力学系统理论、非线性规划理论和统计理论。
本发明技术方案的进一步改进在于：所述步骤三中算法分析内容包括数据流实时分析、可扩展统计分析、异质数据混合运算、基于机器学习的智能分析和基于领域知识的分析。
本发明技术方案的进一步改进在于：所述步骤四中数据模型的构建包括以下步骤，
B1：数据关联分析整理，查找存在于项目集合或对象集合之间的关联、相关性或因果结构，即描述数据库中不同数据项之间所存在关系的规则，将其整理构建成为规范的模型。
B2：数据可视化，将数据以及其之间的关联所组成的模型可视化。
由于采用了上述技术方案，本发明相对现有技术来说，取得的技术进步是：
1、本发明提供一种基于工业大数据的设备优化模型构建方法，扩大了模型构建所需要的数据的来源，丰富了数据的种类，尤其是来源于传感器、遥感监测的数据，提高了智能数据在数据样本中的比重，从而使最后所构建的数据模型更加准确。
2、本发明提供一种基于工业大数据的设备优化模型构建方法，采用统计回归方法和人工神经元方法进行数据分析计算，通过对不同的数据采取不同的算法，在提高了算法的多样性的同时也提高了基于算法所建立的数据联系的准确性，进而使该数据模型在设备优化工作中的效率提高，提高了该基于工业大数据的设备优化模型构建方法的实用性。
附图说明
图1为本发明的流程示意图；
图2为本发明数据获取架构示意图；
图3为本发明数据处理架构示意图；
图4为本发明算法分析架构示意图；
图5为本发明数据模型的构建架构示意图。
具体实施方式
下面结合实施例对本发明做进一步详细说明：
如图1－图5所示，本发明提供了一种基于工业大数据的设备优化模型构建方法，该基于工业大数据的设备优化模型构建方法包括以下步骤，
步骤一：数据获取，数据获取的来源包括传感器、遥感监测、手工录入、视频监控、图像拍摄、企业内网和互联网，数据获取所采用的数据种类包括历史数据、当前生产流程的实时数据、设计数据和工业设备运行状态的检测数据，增强智能数据在数据样本中的比重。
步骤二：数据处理，数据处理包括以下步骤，
A1：数据分类，将不同类型不同时间的数据分类处理；
A2、数据提取，提取其中合理的数据，提出其中不合理，极小概率发生的特殊环境下所产生的数据，获取最终的数据样本；
A3、数据储存，将提取得来的数据进行分类储存，建立数据库，数据库包括关系数据库、非关系型数据库、实时数据库、地理数据库和分布式数据库，将不同类型的数据划分进入不同的数据库内，数据库内部不只有单一类型数据，具有初步联系的数据可以在同一个数据库内部。
步骤三：算法分析，算法分析的方法还包括：统计回归方法和人工精神元方法。
统计回归方法：在掌握大量观察数据的基础上，利用数理统计方法建立因变量与自变量之间的回归关系函数表达式，分为线性回归分析和非线性回归分析，通常线性回归分析法是最基本的分析方法，遇到非线性回归问题可以借助数学手段化为线性回归问题处理，利用回归分析方法，根据一个或一组自变量的变动情况预测与其有相关关系的某随机变量的未来值。进行回归分析需要建立描述变量间相关关系的回归方程，主要用于计算人工数据，例如时间、速度等数据。
人工神经元方法：基于数学统计学类型的学习方法得以优化，实际为数学统计学方法的一种实际应用，能够得到大量的可以用函数来表达的局部结构空间，主要采用动力学系统理论、非线性规划理论和统计理论，主要用于计算智能数据，例如温度所产生的变化、时间所产生的变化、季节所产生的变化等。
算法分析内容包括数据流实时分析、可扩展统计分析、异质数据混合运算、基于机器学习的智能分析和基于领域知识的分析。
步骤四；数据模型的构建，数据模型的构建包括以下步骤，
B1：数据关联分析整理，查找存在于项目集合或对象集合之间的关联、相关性或因果结构，即描述数据库中不同数据项之间所存在关系的规则，将其整理构建成为规范的模型。
B2：数据可视化，将数据以及其之间的关联所组成的模型可视化。
本发明所提供的一种基于工业大数据的设备优化模型构建方法的有益效果为：
本发明扩大了模型构建所需要的数据的来源，丰富了数据的种类，尤其是来源于传感器、遥感监测的数据，提高了智能数据在数据样本中的比重，从而使最后所构建的数据模型更加准确。
本发明采用统计回归方法和人工神经元方法进行数据分析计算，通过对不同的数据采取不同的算法，在提高了算法的多样性的同时也提高了基于算法所建立的数据联系的准确性，进而使该数据模型在设备优化工作中的效率提高，提高了该基于工业大数据的设备优化模型构建方法的实用性。
上文一般性的对本发明做了详尽的描述，但在本发明基础上，可以对之做一些修改或改进，这对于技术领域的一般技术人员是显而易见的。因此，在不脱离本发明思想精神的修改或改进，均在本发明的保护范围之内。
Claims (7)
1.一种基于工业大数据的设备优化模型构建方法，其特征在于：该基于工业大数据的设备优化模型构建方法包括以下步骤，
步骤一：数据获取；
步骤二：数据处理；
步骤三：算法分析；
步骤四；数据模型的构建。
2.根据权利要求1所述的一种基于工业大数据的设备优化模型构建方法，其特征在于：所述步骤一种数据获取的来源包括传感器、遥感监测、手工录入、视频监控、图像拍摄、企业内网和互联网。
3.根据权利要求1所述的一种基于工业大数据的设备优化模型构建方法，其特征在于：所述步骤一种数据获取所采用的数据种类包括历史数据、当前生产流程的实时数据、设计数据和工业设备运行状态的检测数据。
4.根据权利要求1所述的一种基于工业大数据的设备优化模型构建方法，其特征在于：所述步骤二中数据处理包括以下步骤，
A1：数据分类，将不同类型不同时间的数据分类处理；
A2、数据提取，提取其中合理的数据，提出其中不合理，极小概率发生的特殊环境下所产生的数据；
A3、数据储存，将提取得来的数据进行分类储存，建立数据库，数据库包括关系数据库、非关系型数据库、实时数据库、地理数据库和分布式数据库。
5.根据权利要求1所述的一种基于工业大数据的设备优化模型构建方法，其特征在于：所述步骤三中算法分析的方法还包括:统计回归方法和人工精神元方法。
统计回归方法：在掌握大量观察数据的基础上，利用数理统计方法建立因变量与自变量之间的回归关系函数表达式，分为线性回归分析和非线性回归分析，通常线性回归分析法是最基本的分析方法，遇到非线性回归问题可以借助数学手段化为线性回归问题处理，利用回归分析方法，根据一个或一组自变量的变动情况预测与其有相关关系的某随机变量的未来值。进行回归分析需要建立描述变量间相关关系的回归方程。
人工神经元方法：基于数学统计学类型的学习方法得以优化，实际为数学统计学方法的一种实际应用，能够得到大量的可以用函数来表达的局部结构空间，主要采用动力学系统理论、非线性规划理论和统计理论。
6.根据权利要求1所述的一种基于工业大数据的设备优化模型构建方法，其特征在于：所述步骤三中算法分析内容包括数据流实时分析、可扩展统计分析、异质数据混合运算、基于机器学习的智能分析和基于领域知识的分析。
7.根据权利要求1所述的一种基于工业大数据的设备优化模型构建方法，其特征在于：所述步骤四中数据模型的构建包括以下步骤，
B1：数据关联分析整理，查找存在于项目集合或对象集合之间的关联、相关性或因果结构，即描述数据库中不同数据项之间所存在关系的规则，将其整理构建成为规范的模型。
B2：数据可视化，将数据以及其之间的关联所组成的模型可视化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110287523.9A CN112783872A (zh) | 2021-03-17 | 2021-03-17 | 一种基于工业大数据的设备优化模型构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110287523.9A CN112783872A (zh) | 2021-03-17 | 2021-03-17 | 一种基于工业大数据的设备优化模型构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112783872A true CN112783872A (zh) | 2021-05-11 |
Family
ID=75762659
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110287523.9A Pending CN112783872A (zh) | 2021-03-17 | 2021-03-17 | 一种基于工业大数据的设备优化模型构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112783872A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115328063A (zh) * | 2022-09-15 | 2022-11-11 | 北京东华博泰科技有限公司 | 基于人工智能的设备优化系统及方法 |
-
2021
- 2021-03-17 CN CN202110287523.9A patent/CN112783872A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115328063A (zh) * | 2022-09-15 | 2022-11-11 | 北京东华博泰科技有限公司 | 基于人工智能的设备优化系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao | Perspectives on nonstationary process monitoring in the era of industrial artificial intelligence | |
| Pani et al. | A survey of data treatment techniques for soft sensor design | |
| Carbery et al. | A Bayesian network based learning system for modelling faults in large-scale manufacturing | |
| CN113919540B (zh) | 一种生产过程运行状态的监测方法及相关设备 | |
| JP2002525757A (ja) | 統計的プロセス管理のための多次元的方法及びシステム | |
| CN110757510B (zh) | 一种机器人剩余寿命预测方法及系统 | |
| CN111461746A (zh) | 一种面向装配的质量智能追溯方法 | |
| CN112348101B (zh) | 一种基于异常数据分析的轧钢燃耗预警方法及系统 | |
| US20230221684A1 (en) | Explaining Machine Learning Output in Industrial Applications | |
| Amooee et al. | A comparison between data mining prediction algorithms for fault detection (Case study: Ahanpishegan co.) | |
| CN117829453A (zh) | 一种智能化装备生产与管理一体化系统 | |
| KR20210126378A (ko) | 슬라이딩 윈도우 기법을 이용한 제조설비의 실시간 다변량 이상감지 시스템 | |
| CN113984389A (zh) | 一种基于多感受野与改进胶囊图神经网络的滚动轴承故障诊断方法 | |
| CN112783872A (zh) | 一种基于工业大数据的设备优化模型构建方法 | |
| Ribeiro et al. | A comparison of anomaly detection methods for industrial screw tightening | |
| Lyu et al. | Automated visual inspection expert system for multivariate statistical process control chart | |
| Budka et al. | From sensor readings to predictions: On the process of developing practical soft sensors | |
| CN117993613A (zh) | 针对数字化工厂运行数据的人工智能分析方法及系统 | |
| CN115935285A (zh) | 基于掩码图神经网络模型的多元时间序列异常检测方法和系统 | |
| Song et al. | Application of Machine Learning and Data Mining in Manufacturing Industry | |
| CN112364088A (zh) | 基于工厂数字化制造资源的可视化配置系统 | |
| Feng et al. | Real-time Equipment State Monitoring and Cycle Time Calculation Method Based on DTW-KNN | |
| CN112348415B (zh) | 一种mes生产排程延时关联分析方法及系统 | |
| Shen et al. | Data-driven adaptive improved just-in-time learning for industrial process soft sensor | |
| Vannucci et al. | AI Data Analysis and SOM for the Monitoring and Improvement of Quality in Rolled Steel Bars |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210511 |