CN112784217A - 工业设备稼动率统计方法、装置、计算机设备和存储介质 - Google Patents
工业设备稼动率统计方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112784217A CN112784217A CN202110119329.XA CN202110119329A CN112784217A CN 112784217 A CN112784217 A CN 112784217A CN 202110119329 A CN202110119329 A CN 202110119329A CN 112784217 A CN112784217 A CN 112784217A
- Authority
- CN
- China
- Prior art keywords
- current
- equipment
- utilization rate
- real
- time
- 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
- 238000007619 statistical method Methods 0.000 title claims abstract description 15
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 103
- 238000005265 energy consumption Methods 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 48
- 230000002159 abnormal effect Effects 0.000 claims description 29
- 238000003754 machining Methods 0.000 claims description 23
- 238000001914 filtration Methods 0.000 claims description 20
- 238000004519 manufacturing process Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000001746 injection moulding Methods 0.000 abstract description 3
- 238000004080 punching Methods 0.000 abstract description 3
- 238000010008 shearing Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 5
- 230000008676 import Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000010924 continuous production Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Abstract
本申请涉及一种工业设备稼动率统计方法、装置、计算机设备和存储介质，上述方法包括获取待测设备的设备电流能耗数据；根据获取的待测设备的设备电流能耗数据基于预先设定的标准电流上界和标准电流下界判定待测设备的当前实际运行工况；根据判定的当前实际运行工况基于预先设定的标准加工节拍计算当前设备实时稼动率；将计算得到的所述当前设备实时稼动率存储并生成实时稼动率展示界面。本发明实现针对不同种类工业设备，例如冲压机、注塑机、剪板机、数控机床的设备运行稼动率的实时统计，保证了数据的实时性和准确性的同时，在使用场景上大大增加了方法的通用性，还节省了人员统计的时间成本和人力成本。
Description
技术领域
本申请涉及稼动率统计技术领域，特别是涉及一种工业设备稼动率统计方法、装置、计算机设备和存储介质。
背景技术
稼动率，英文称作activation或utilization，是指设备在所能提供的时间内为了创造价值而占用的时间所占的比重。目前，现有技术中对稼动率的统计方法多种多样，如一般传统车间采取人工统计稼动率的方式为统计员工的实际生产工作工时，然后计算实际生产工作时间与计划的生产工作时间的比值，进而得出车间设备的稼动率。
或者，通过在设备旁增加电子式计时器，员工在实际生产加工时可以启动计时器，当出现异常时停止计时器的。通过计时器的时间来确定实际生产工作时间，进而得出稼动率。
然而，上述的统计方法费时费力，需要人员高度参与，统计工作费时费力，且准确性不足，因统计工作依赖于人员的操作，很可能造成统计的错漏和缺失，产生准确性不足的问题，且还缺乏实时性，因人工统计一般的统计周期为天，没有办法实时掌握设备稼动率情况；进而，导致降低操作人员效率，需要增加了一线操作人员的生产工作步骤，每次生产和停止生产都要操作电子计时器，当然还有缺乏实时性的缺点，仍然要以天为周期进行统计，不能够将数据实时汇总。
因而，可以看出，市面上工业设备稼动率统计的方法均需要花费大量的时间，且存在不能实时统计、准确率不高且统计不高效的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够实时且准确高效地统计设备的稼动率的工业设备稼动率统计方法、装置、计算机设备和存储介质。
本发明技术方案如下：
一种工业设备稼动率统计方法，所述方法包括：
步骤S100：获取待测设备的设备电流能耗数据；
步骤S200：根据获取的待测设备的设备电流能耗数据基于预先设定的标准电流上界和标准电流下界判定待测设备的当前实际运行工况；
步骤S300：根据判定的当前实际运行工况基于预先设定的标准加工节拍计算当前设备实时稼动率；
步骤S400：将计算得到的所述当前设备实时稼动率存储并生成实时稼动率展示界面；其中，所述实时稼动率展示界面用于展示所述当前设备实时稼动率。
具体地，所述步骤S200：所述根据获取的待测设备的设备电流能耗数据基于预先设定的标准电流上界和标准电流下界判定待测设备的当前实际运行工况：具体包括：
步骤S210：根据获取的待测设备的设备电流能耗数据计算得到待测设备的当前工况节拍值；
步骤S220：根据所述设备电流能耗数据和所述当前工况节拍值判定待测设备的当前工况大类；其中，当前工况大类包括间断加工类和连续加工类；
步骤S230：根据所述当前工况大类和所述标准电流上界和标准电流下界判定待测设备的当前实际运行工况；其中，所述当前实际运行工况包括间断加工状态、间断加工空运行状态、连续加工状态和连续加工空运行状态。
具体地，步骤S210：根据获取的待测设备的设备电流能耗数据计算得到待测设备的当前工况节拍值；具体包括：
步骤S211：提取所述设备电流能耗数据中第二特定数量个加工节拍电流值；
步骤S212：计算特定数量个所述加工节拍电流值的电流平均值，并将所述电流平均值定义为所述当前工况节拍值。
具体地，步骤S220：根据所述设备电流能耗数据和所述当前工况节拍值判定待测设备的当前工况大类；其中，当前工况大类包括间断加工类和连续加工类；具体包括：
步骤S221：提取所述设备电流能耗数据中的实时运行电信号；
步骤S222：当检测到所述实时运行电信号具有从1到0又从0到1的跳变时，判定当前工况大类为间断加工类；
步骤S223：当检测到所述实时运行电信号不具有从1到0又从0到1的跳变时，判定当前工况大类为连续加工类。
具体地，所述步骤S300：根据判定的当前实际运行工况基于预先设定的标准加工节拍计算当前设备实时稼动率；具体包括：
步骤S310：根据所述当前实际运行工况判断是否过滤设备空跑；
步骤S320：若判断为否，则根据所述当前实际运行工况判断是否过滤设备异常节拍；
步骤S330：若判断为否，则基于以下公式计算计算所述当前设备实时稼动率：
当前设备实时稼动率=运行时间/计划生产时间*100%；
其中，运行时间=运行状态时间-空跑时间-异常节拍时间。
具体地，步骤S310：根据所述当前实际运行工况判断是否过滤设备空跑；之后还包括：
步骤S311：若判断为是，则判断是否设定标准电流上界和标准电流下界；
步骤S312：若判断为是，则转步骤：判断是否过滤设备异常节拍；若判断为否，则自判断并设定标准电流上界和标准电流下界。
具体地，步骤S320：若判断为否，则根据所述当前实际运行工况判断是否过滤设备异常节拍；之后，还包括：
步骤S321：若判断为是，则判断是否设定标准加工节拍；
步骤S322：若判断为否，则自判断并设定所述标准加工节拍；若判断为是，则转步骤：基于以下公式计算计算所述当前设备实时稼动率：
当前设备实时稼动率=运行时间/计划生产时间*100%；
其中，运行时间=运行状态时间-空跑时间-异常节拍时间。
具体地，一种工业设备稼动率统计装置，所述装置包括：
电流能耗数据获取模块，用于获取待测设备的设备电流能耗数据；
当前实际运行工况判定模块，用于根据获取的待测设备的设备电流能耗数据基于预先设定的标准电流上界和标准电流下界判定待测设备的当前实际运行工况；
实时稼动率计算模块，用于根据判定的当前实际运行工况基于预先设定的标准加工节拍计算当前设备实时稼动率；
实时稼动率展示界面生成模块，用于将计算得到的所述当前设备实时稼动率存储并生成实时稼动率展示界面；其中，所述实时稼动率展示界面用于展示所述当前设备实时稼动率。
具体地，所述当前实际运行工况判定模块还包括：
当前工况节拍值计算模块，用于根据获取的待测设备的设备电流能耗数据计算得到待测设备的当前工况节拍值；
当前工况大类判定模块，用于根据所述设备电流能耗数据和所述当前工况节拍值判定待测设备的当前工况大类；其中，当前工况大类包括间断加工类和连续加工类；
实际运行工况判定模块，用于根据所述当前工况大类和所述标准电流上界和标准电流下界判定待测设备的当前实际运行工况；其中，所述当前实际运行工况包括间断加工状态、间断加工空运行状态、连续加工状态和连续加工空运行状态。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述工业设备稼动率统计方法所述的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述工业设备稼动率统计方法所述的步骤。
本发明实现技术效果如下：
上述工业设备稼动率统计方法、装置、计算机设备和存储介质，先获取待测设备的设备电流能耗数据；再根据获取的待测设备的设备电流能耗数据基于预先设定的标准电流上界和标准电流下界判定待测设备的当前实际运行工况；然后根据判定的当前实际运行工况基于预先设定的标准加工节拍计算当前设备实时稼动率；最后将计算得到的所述当前设备实时稼动率存储并生成实时稼动率展示界面；其中，所述实时稼动率展示界面用于展示所述当前设备实时稼动率，从而实现针对不同种类工业设备，例如冲压机、注塑机、剪板机、数控机床的设备运行稼动率的实时统计，保证了数据的实时性和准确性的同时，在使用场景上大大增加了方法的通用性，还节省了人员统计的时间成本和人力成本。
附图说明
构成本申请的一部分的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为一个实施例中工业设备稼动率统计方法的应用场景图
图2为一个实施例中工业设备稼动率统计方法的流程示意图；
图3为一个实施例中间断加工状态时的信号图；
图4为一个实施例中间断加工空运行状态时的信号图；
图5为一个实施例中连续加工状态时的信号图；
图6为一个实施例中连续加工空运行状态时的信号图；
图7为一个实施例中样本数据的数据表格图；
图8为一个实施例中工业设备稼动率统计装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本领域的技术人员更好的理解本发明方案，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，在本领域普通技术人员没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护范围。
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。
本申请实施例提供的工业设备稼动率统计方法，可以应用于如图1所示的应用环境中。该应用场景中，待测设备即为机床，物联网关硬件与机床通信连接。具体地，通过图1中所示的物联网关硬件获取待测设备的设备电流能耗数据，接着，通过算法层根据获取的待测设备的设备电流能耗数据基于预先设定的标准电流上界和标准电流下界判定待测设备的当前实际运行工况；再根据判定的当前实际运行工况基于预先设定的标准加工节拍计算当前设备实时稼动率；然后，通过接口层用于将计算得到的所述当前设备实时稼动率存储，同时并生成实时稼动率展示界面；其中，所述实时稼动率展示界面用于展示所述当前设备实时稼动率。进一步地，本应用场景中，web api接口采用python的flask框架。
在一个实施例中，如图2所示，提供了一种工业设备稼动率统计方法，所述方法包括：
步骤S100：获取待测设备的设备电流能耗数据；
具体地，本实施例中，以待测设备为机床为例来说明，即本实施例中，为获取机床的设备电流能耗数据。进一步地，通过设置一物联网关硬件来获取待测设备的设备电流能耗数据。本实施例中，物联网关硬件为数据输入端，将物联网关硬件设置为可以通过5路DI可以采集机床设备的运行、空闲、报警、加工完成、自动运行操作模式五种信号。还有1路AI可以通过增加电流互感器采集可以采集设备实时电流情况。故，即为本步骤中所述获取待测设备的设备电流能耗数据。
步骤S200：根据获取的待测设备的设备电流能耗数据基于预先设定的标准电流上界和标准电流下界判定待测设备的当前实际运行工况；
具体地，标准电流上界和标准电流下界为预先设定。即在步骤S200之前还包括以下步骤：
步骤S201：获取待测设备运行特定数量节拍过程中的实时电流信号；
具体地，本实施例中，所述特定数量为5。
步骤S202：提取所述实时电流信号中的最大值和最小值；
步骤S203：将所述实时电流信号中的最大值设定为标准电流上界，将所述实时电流信号中的最小值设定为标准电流下界；
进一步地，通过将所述特定数量设置为5，故步骤S201-S203，即可实现使待测设备在加工时运行5个加工节拍后，可以自动判断该运行过程中电流的最大值和最小值，作为后续加工过程电流的上界和下界，及预先设定标准电流上界和标准电流下界。
在一个实施例中，在步骤S200之前还包括以下步骤：获取预先人工设定的标准电流上界和标准电流下界。
具体地，本实施例中，可以人工根据所加工的产品和所采集设备的电流变化情况，进行人工设定加工过程电流的最大值和最小值，最大值即为所述标准电流上界，最小值即为所述标准电流下界。即为获取预先人工设定的标准电流上界和标准电流下界。
步骤S300：根据判定的当前实际运行工况基于预先设定的标准加工节拍计算当前设备实时稼动率；
具体地，通过当前实际运行工况基于预先设定的标准加工节拍计算当前设备实时稼动率，实现了稼动率的实时统计，提升准确性和高效性。
步骤S400：将计算得到的所述当前设备实时稼动率存储并生成实时稼动率展示界面；其中，所述实时稼动率展示界面用于展示所述当前设备实时稼动率。
具体地，对于所述当前设备实时稼动率存储于何处，本申请不做具体限定。进一步地，所述实时稼动率展示界面可以设置于以载体上，如通过显示屏来显示，从而方便使用者观察所述当前设备实时稼动率。
本发明通过先获取待测设备的设备电流能耗数据；再根据获取的待测设备的设备电流能耗数据基于预先设定的标准电流上界和标准电流下界判定待测设备的当前实际运行工况；然后根据判定的当前实际运行工况基于预先设定的标准加工节拍计算当前设备实时稼动率；最后将计算得到的所述当前设备实时稼动率存储并生成实时稼动率展示界面；其中，所述实时稼动率展示界面用于展示所述当前设备实时稼动率，从而实现针对不同种类工业设备，例如冲压机、注塑机、剪板机、数控机床的设备运行稼动率的实时统计，保证了数据的实时性和准确性的同时，在使用场景上大大增加了方法的通用性，还节省了人员统计的时间成本和人力成本。
在一个实施例中，所述步骤S200：所述根据获取的待测设备的设备电流能耗数据基于预先设定的标准电流上界和标准电流下界判定待测设备的当前实际运行工况：具体包括：
步骤S210：根据获取的待测设备的设备电流能耗数据计算得到待测设备的当前工况节拍值；
具体地，通过计算获取所述当前工况节拍值，便于后续判断待测设备的工况情况。
步骤S220：根据所述设备电流能耗数据和所述当前工况节拍值判定待测设备的当前工况大类；其中，当前工况大类包括间断加工类和连续加工类；
步骤S230：根据所述当前工况大类和所述标准电流上界和标准电流下界判定待测设备的当前实际运行工况；其中，所述当前实际运行工况包括间断加工状态、间断加工空运行状态、连续加工状态和连续加工空运行状态。
具体地，所述当前实际运行工况具体为间断加工状态、间断加工空运行状态、连续加工状态和连续加工空运行状态中的哪一种的判定，具体如下：
如图3-图6所述，其中，以单个工件加工节拍为5min为例，图3-图6中横坐标均代表分钟，纵坐标均代表运行信号的电平值。
具体地，如图3中所示，当判定设备在单个节拍内，运行状态和空闲状态频繁切换，电流值波动较大，在标准电流上界和标准电流下界之间时，判定此时为间断加工状态。
如图4中所示，当判定设备在单个节拍内，运行状态和空闲状态频繁切换，电流值波动较小，且低于正常加工时电流的标准电流下界值时，判定此时为间断加工空运行状态。
如图5中所示，当判定设备设备在单个节拍内，运行状态恒定不变，且电流值波动较大，在标准电流上界和标准电流下界之间时，判定此时为连续加工状态。
如图6中所示，当判定设备设备在单个节拍内，运行状态恒定不变，但电流值波动较小且低于正常加工时电流的标准电流下界值时，，判定此时为连续加工空运行状态。
在一个实施例中，步骤S210：根据获取的待测设备的设备电流能耗数据计算得到待测设备的当前工况节拍值；具体包括：
步骤S211：提取所述设备电流能耗数据中第二特定数量个加工节拍电流值；
具体地，当所述机床通电开机后，开始监控运行信号，即获取所述设备电流能耗数据。当运行信号从0变为1时，判断设备开始加工。
接着，当加工完成信号从0变为1时，可判定为结束加工。
进一步地，本实施例中，所述第二特定数量为5。即，提取所述设备电流能耗数据中5个加工节拍电流值。
步骤S212：计算特定数量个所述加工节拍电流值的电流平均值，并将所述电流平均值定义为所述当前工况节拍值。
具体地，本步骤中为计算连续五个加工节拍的平均值得出工况节拍值。工况节拍值即为所述当前工况节拍值。通过计算平均值，使所述当前工况节拍值准确，提升后续稼动率计算的准确性。
在一个实施例中，步骤S220：根据所述设备电流能耗数据和所述当前工况节拍值判定待测设备的当前工况大类；其中，当前工况大类包括间断加工类和连续加工类；具体包括：
步骤S221：提取所述设备电流能耗数据中的实时运行电信号；
具体地，从设备启动后，便可以实时提取所述设备电流能耗数据中的实时运行电信号。
步骤S222：当检测到所述实时运行电信号具有从1到0又从0到1的跳变时，判定当前工况大类为间断加工类；
具体地，当加工时，有电流，此时电信号为1，不加工时则电信号为0。故，当所述实时运行电信号具有从1到0又从0到1的跳变时，为间断加工类。
步骤S223：当检测到所述实时运行电信号不具有从1到0又从0到1的跳变时，判定当前工况大类为连续加工类。
具体地，本步骤中，当检测到所述实时运行电信号不具有从1到0又从0到1的跳变时，即为设备的电流信号恒定，亦即运行状态恒定不变时，即持续有电流信号时，为连续加工类。
在一个实施例中，所述步骤S300：根据判定的当前实际运行工况基于预先设定的标准加工节拍计算当前设备实时稼动率；具体包括：
步骤S310：根据所述当前实际运行工况判断是否过滤设备空跑；
具体地，在获取了当前实际运行工况后，可以由用户选择判断是否过滤设备空跑。通过选择判断是否过滤空跑，从而提升空跑带来的数据不准确的问题，进而提升数据的准确性。
步骤S320：若判断为否，则根据所述当前实际运行工况判断是否过滤设备异常节拍；
具体地，本实施例中，当判断为否，即为判断不过滤设备空跑。通过选择判断是否过滤设备异常节拍，亦为过滤异常节拍后再计算稼动率的准确性。
步骤S330：若判断为否，则基于以下公式计算计算所述当前设备实时稼动率：
具体地，若判断为否，即为判断根据所述当前实际运行工况判断不过滤设备异常节拍。此时，可以直接进行当前设备实时稼动率的计算。
当前设备实时稼动率=运行时间/计划生产时间*100%；
其中，运行时间=运行状态时间-空跑时间-异常节拍时间。
在一个实施例中，步骤S310：根据所述当前实际运行工况判断是否过滤设备空跑；之后还包括：
步骤S311：若判断为是，则判断是否设定标准电流上界和标准电流下界；
具体地，本步骤中，若判断为是，即为判断所述当前实际运行工况判断不过滤设备空跑。故，此时接着可以判断是否设定标准电流上界和标准电流下界，从而通过标准电流上界和标准电流下界，将空跑滤除。
步骤S312：若判断为是，则转步骤：判断是否过滤设备异常节拍；若判断为否，则自判断并设定标准电流上界和标准电流下界。
具体地，本步骤中，若判断为是，即为判断已经设定标准电流上界和标准电流下界，故此时可以进行下一步，即为判断是否过滤设备异常节拍。
而判断为否时，即为判断未设定标准电流上界和标准电流下界，则自判断并设定标准电流上界和标准电流下界。本步骤中，自判断并设定标准电流上界和标准电流下界采用上述步骤S201-S203的方法来自行判断并设定标准电流上界和标准电流下界。
在一个实施例中，过零设备异常节拍的步骤，具体通过硬件方法，该硬件方法包括：
第一，通过在输入端增加滤波电容。具体地，在实际生产场景中，因为电气元件的运行环境和保养状态等原因，会出现加工节拍异常。具体表现为加工完成信号出现小于0.5ms的上升沿信号，本实施例中，通过在物联硬件输入端增加100uf的电容，使增加电容后可以过滤掉异常脉冲波。
第二，还可以通过增加自动运行操作模式信号的采集。具体地，在实际生产场景中，机床设备不同操作模式状态下代表的工作意义并不相同。如机床MDI代表机床手动调试操作，机床EDIT模式代表机床可以编辑加工程序和加工参数。这些操作模式设备也可以处于运行状态，这就使得单纯采集运行信号作为机床有效工作时间会产生一定误差。本实施例中，通过增加自动运行操作模式信号的采集，只有在此操作模式下才算作真是加工率工作时间，将其余操作模式下的加工节拍进行过滤。
在一个实施例中，过零设备异常节拍的步骤，还可以通过如下步骤来实现，具体包括：
第一，通过设定最小加工节拍时间进行过滤。考虑到机床加工过程中必然会出现调试、热机等情况，这种情况设备运行信号虽然置1，但实际并未产生真正产品，所以应该过滤掉。通过人为在软件中设定最小加工节拍可以过滤掉因为电气元件接触不良或者其他异常产生的时间较短的异常加工节拍。
第二，通过支持向量机算法模型进行判断。本步骤中，通过监督学习算法，将节拍时间和电流均值作为输入，认为标记此节拍是否为异常节拍，通过一定数据的积累，生成模型，进而判断后续的节拍是否为异常。
具体地，首先，作样本数据收集。即收集设备100条加工节拍数据，并人为标记是否为正常节拍，具体数据情况如图7所示。
接着，人工判断节拍是否为异常节拍，如为异常节拍标记为0，正常节拍标记为1。
进一步地，在一个实施例中，可以通过模型进行验证。具体步骤如下：
首先，导入数据，本实施例中，通过pandas.read_csv导入样本数据。
接着，划分测试集和训练集。本领域技术人员可以通过如下编码实现：
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size =0.25, random_state = 0)。
更进一步地，因为节拍时间和电流均值定义域范围差距较大，所以进行特征缩放操作，故还需要进行特征缩放，本领域技术人员可以通过以下编程来实现：
from sklearn.preprocessing import StandardScaler # 导入标准化库
sc_X = StandardScaler()
X_train = sc_X.fit_transform(X_train)
X_test = sc_X.transform(X_test)。
更进一步地，本实施例中，还可以通过支持向量机高斯核函数进行训练，具体可以采用如下编程：
from sklearn.svm import SVC
classifier2 = SVC(kernel = "rbf",random_state = 0)
classifier2.fit(X_train, y_train)。
需要说明的是，本实施例中，上述编程举例仅为举例，其理应为本领域技术人员所熟知并掌握，故对于上述编程具体含义，本申请不做具体阐述。且具体如何编程，理应根据实际需求设定，本申请不做具体限定。
在一个实施例中，步骤S320：若判断为否，则根据所述当前实际运行工况判断是否过滤设备异常节拍；之后，还包括：
步骤S321：若判断为是，则判断是否设定标准加工节拍；
具体地，本步骤中，若判断为是，即为判断根据所述当前实际运行工况判断需要过滤设备异常节拍，故此时先判断是否设定标准加工节拍，以便以标准加工节拍为参照，从而过滤异常节拍。
步骤S322：若判断为否，则自判断并设定所述标准加工节拍；若判断为是，则转步骤：基于以下公式计算计算所述当前设备实时稼动率：
当前设备实时稼动率=运行时间/计划生产时间*100%；
其中，运行时间=运行状态时间-空跑时间-异常节拍时间。
具体地，本步骤中，若判断为否，即为判断未设定了标准加工节拍。故，自判断并设定所述标准加工节拍。具体地，标准加工节拍可以通过自动设定，即为在待测设备运行5个生产节拍后，根据5个节拍的平均值作为所述标准加工节拍。
或者，通过人工设定，当人工设定后，即为获取人工设定的上述标准加工节拍。从而完成上述标准加工节拍的设定。
具体地，本步骤中，若判断为是，即为判断是设定了标准加工节拍，故可直接计算所述当前设备实时稼动率。
在一个实施例中，在计算所述当前设备实时稼动率时，先获取空跑时间和异常节拍时间。
其中，对于空跑时间，一般设备开机前为了保证加工的精度，设备会进行预热，此时设备除不会放入物料外，机器执行的程序和工艺和正常加工时一致。另外有人员为了休息，也有时候会让机器空跑。所以计算稼动率时会减去该空跑时间，如此，使计算的当前设备实时稼动率高效准确，且贴合实际，解决现有技术中当前设备实时稼动率计算不准确的技术问题。
对于异常节拍时间，设备在准备加工的调机阶段和设备结束加工后的调整阶段会产生异常节拍，具体表现为设备运行信号和空闲信号非规律交替。调机并没有真正产出产品，所以计算稼动率时会减去该异常节拍时间，这样亦使计算的当前设备实时稼动率高效准确，解决现有技术中当前设备实时稼动率计算不准确的技术问题。
在一个实施例中，当最终得出的节拍判定结果和空跑判定结果和实际产生较大误差时，可以采用人工矫正的方式来调整电流的上下限值和最小节拍时间。进而提高数据的计算的准确性。
在一个实施例中，一种工业设备稼动率统计装置，如图8所示，所述装置包括：
电流能耗数据获取模块，用于获取待测设备的设备电流能耗数据；
当前实际运行工况判定模块，用于根据获取的待测设备的设备电流能耗数据基于预先设定的标准电流上界和标准电流下界判定待测设备的当前实际运行工况；
实时稼动率计算模块，用于根据判定的当前实际运行工况基于预先设定的标准加工节拍计算当前设备实时稼动率；
实时稼动率展示界面生成模块，用于将计算得到的所述当前设备实时稼动率存储并生成实时稼动率展示界面；其中，所述实时稼动率展示界面用于展示所述当前设备实时稼动率。
在一个实施例中，所述当前实际运行工况判定模块还包括：
当前工况节拍值计算模块，用于根据获取的待测设备的设备电流能耗数据计算得到待测设备的当前工况节拍值；
当前工况大类判定模块，用于根据所述设备电流能耗数据和所述当前工况节拍值判定待测设备的当前工况大类；其中，当前工况大类包括间断加工类和连续加工类；
实际运行工况判定模块，用于根据所述当前工况大类和所述标准电流上界和标准电流下界判定待测设备的当前实际运行工况；其中，所述当前实际运行工况包括间断加工状态、间断加工空运行状态、连续加工状态和连续加工空运行状态。
在一个实施例中，所述当前工况大类判定模块还用于执行以下步骤：
提取所述设备电流能耗数据中的实时运行电信号；
当检测到所述实时运行电信号具有从1到0又从0到1的跳变时，判定当前工况大类为间断加工类；
当检测到所述实时运行电信号不具有从1到0又从0到1的跳变时，判定当前工况大类为连续加工类。
在一个实施例中，所述实时稼动率计算模块还用于执行以下步骤：
根据所述当前实际运行工况判断是否过滤设备空跑；
若判断为否，则根据所述当前实际运行工况判断是否过滤设备异常节拍；
若判断为否，则基于以下公式计算计算所述当前设备实时稼动率：
当前设备实时稼动率=运行时间/计划生产时间*100%；
其中，运行时间=运行状态时间-空跑时间-异常节拍时间。
在一个实施例中，在一个实施例中，所述实时稼动率计算模块还用于执行以下步骤：
若判断为是，则判断是否设定标准电流上界和标准电流下界；
若判断为是，则转步骤：判断是否过滤设备异常节拍；若判断为否，则自判断并设定标准电流上界和标准电流下界。
在一个实施例中，在一个实施例中，所述实时稼动率计算模块还用于执行以下步骤：
若判断为是，则判断是否设定标准加工节拍；
若判断为否，则自判断并设定所述标准加工节拍；若判断为是，则转步骤：基于以下公式计算计算所述当前设备实时稼动率：
当前设备实时稼动率=运行时间/计划生产时间*100%；
其中，运行时间=运行状态时间-空跑时间-异常节拍时间。
本发明还提供一种一种计算机设备，如图9所示，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述工业设备稼动率统计方法所述的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述工业设备稼动率统计方法所述的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种工业设备稼动率统计方法，其特征在于，所述方法包括：
步骤S100：获取待测设备的设备电流能耗数据；
步骤S200：根据获取的待测设备的设备电流能耗数据基于预先设定的标准电流上界和标准电流下界判定待测设备的当前实际运行工况；
步骤S300：根据判定的当前实际运行工况基于预先设定的标准加工节拍计算当前设备实时稼动率；
步骤S400：将计算得到的所述当前设备实时稼动率存储并生成实时稼动率展示界面；其中，所述实时稼动率展示界面用于展示所述当前设备实时稼动率。
2.根据权利要求1所述的工业设备稼动率统计方法，其特征在于，所述步骤S200：所述根据获取的待测设备的设备电流能耗数据基于预先设定的标准电流上界和标准电流下界判定待测设备的当前实际运行工况：具体包括：
步骤S210：根据获取的待测设备的设备电流能耗数据计算得到待测设备的当前工况节拍值；
步骤S220：根据所述设备电流能耗数据和所述当前工况节拍值判定待测设备的当前工况大类；其中，当前工况大类包括间断加工类和连续加工类；
步骤S230：根据所述当前工况大类和所述标准电流上界和标准电流下界判定待测设备的当前实际运行工况；其中，所述当前实际运行工况包括间断加工状态、间断加工空运行状态、连续加工状态和连续加工空运行状态。
3.根据权利要求1所述的工业设备稼动率统计方法，其特征在于，步骤S210：根据获取的待测设备的设备电流能耗数据计算得到待测设备的当前工况节拍值；具体包括：
步骤S211：提取所述设备电流能耗数据中第二特定数量个加工节拍电流值；
步骤S212：计算特定数量个所述加工节拍电流值的电流平均值，并将所述电流平均值定义为所述当前工况节拍值。
4.根据权利要求3所述的工业设备稼动率统计方法，其特征在于，步骤S220：根据所述设备电流能耗数据和所述当前工况节拍值判定待测设备的当前工况大类；其中，当前工况大类包括间断加工类和连续加工类；具体包括：
步骤S221：提取所述设备电流能耗数据中的实时运行电信号；
步骤S222：当检测到所述实时运行电信号具有从1到0又从0到1的跳变时，判定当前工况大类为间断加工类；
步骤S223：当检测到所述实时运行电信号不具有从1到0又从0到1的跳变时，判定当前工况大类为连续加工类。
5.根据权利要求3所述的工业设备稼动率统计方法，其特征在于，所述步骤S300：根据判定的当前实际运行工况基于预先设定的标准加工节拍计算当前设备实时稼动率；具体包括：
步骤S310：根据所述当前实际运行工况判断是否过滤设备空跑；
步骤S320：若判断为否，则根据所述当前实际运行工况判断是否过滤设备异常节拍；
步骤S330：若判断为否，则基于以下公式计算计算所述当前设备实时稼动率：
当前设备实时稼动率=运行时间/计划生产时间*100%；
其中，运行时间=运行状态时间-空跑时间-异常节拍时间。
6.一种工业设备稼动率统计装置，其特征在于，所述装置包括：
电流能耗数据获取模块，用于获取待测设备的设备电流能耗数据；
当前实际运行工况判定模块，用于根据获取的待测设备的设备电流能耗数据基于预先设定的标准电流上界和标准电流下界判定待测设备的当前实际运行工况；
实时稼动率计算模块，用于根据判定的当前实际运行工况基于预先设定的标准加工节拍计算当前设备实时稼动率；
实时稼动率展示界面生成模块，用于将计算得到的所述当前设备实时稼动率存储并生成实时稼动率展示界面；其中，所述实时稼动率展示界面用于展示所述当前设备实时稼动率。
7.根据权利要求6所述的工业设备稼动率统计装置，其特征在于，所述当前实际运行工况判定模块还包括：
当前工况节拍值计算模块，用于根据获取的待测设备的设备电流能耗数据计算得到待测设备的当前工况节拍值；
当前工况大类判定模块，用于根据所述设备电流能耗数据和所述当前工况节拍值判定待测设备的当前工况大类；其中，当前工况大类包括间断加工类和连续加工类；
实际运行工况判定模块，用于根据所述当前工况大类和所述标准电流上界和标准电流下界判定待测设备的当前实际运行工况；其中，所述当前实际运行工况包括间断加工状态、间断加工空运行状态、连续加工状态和连续加工空运行状态。
8.根据权利要求7所述的工业设备稼动率统计装置，其特征在于，当前工况大类判定模块还用于执行以下步骤：
提取所述设备电流能耗数据中的实时运行电信号；
当检测到所述实时运行电信号具有从1到0又从0到1的跳变时，判定当前工况大类为间断加工类；
当检测到所述实时运行电信号不具有从1到0又从0到1的跳变时，判定当前工况大类为连续加工类。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110119329.XA CN112784217A (zh) | 2021-01-28 | 2021-01-28 | 工业设备稼动率统计方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110119329.XA CN112784217A (zh) | 2021-01-28 | 2021-01-28 | 工业设备稼动率统计方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112784217A true CN112784217A (zh) | 2021-05-11 |
Family
ID=75759429
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110119329.XA Pending CN112784217A (zh) | 2021-01-28 | 2021-01-28 | 工业设备稼动率统计方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112784217A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113723315A (zh) * | 2021-09-01 | 2021-11-30 | 常熟希那基汽车零件有限公司 | 一种基于树莓派的稼动率监视系统 |
| CN113848831A (zh) * | 2021-09-16 | 2021-12-28 | 信利(仁寿)高端显示科技有限公司 | 一种旧设备的稼动率自动统计管控方法及系统 |
| WO2023130710A1 (zh) * | 2022-01-05 | 2023-07-13 | 青岛海尔科技有限公司 | 一种设备性能的确定方法和相关装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0814955A (ja) * | 1994-07-01 | 1996-01-19 | Nissan Motor Co Ltd | 設備異常診断装置およびその方法 |
| CN104808587A (zh) * | 2015-04-27 | 2015-07-29 | 重庆大学 | 一种基于机加工设备运行状态的稼动率统计方法 |
| CN109284885A (zh) * | 2017-07-20 | 2019-01-29 | 中华电信股份有限公司 | 适应性机台稼动率分析系统及方法 |
| CN110286647A (zh) * | 2019-07-04 | 2019-09-27 | 武汉般若易修工业技术服务有限公司 | 基于opc技术计算机床稼动率的方法 |
| TWM584502U (zh) * | 2019-05-24 | 2019-10-01 | 國立虎尾科技大學 | 設備稼動率及異常偵測系統 |
| CN110940875A (zh) * | 2019-11-20 | 2020-03-31 | 深圳市华星光电半导体显示技术有限公司 | 设备异常检测方法、装置、存储介质及电子设备 |
| CN111983300A (zh) * | 2019-05-23 | 2020-11-24 | 深圳拓邦股份有限公司 | 电机电流检测方法、系统、搅拌机及存储介质 |
-
2021
- 2021-01-28 CN CN202110119329.XA patent/CN112784217A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0814955A (ja) * | 1994-07-01 | 1996-01-19 | Nissan Motor Co Ltd | 設備異常診断装置およびその方法 |
| CN104808587A (zh) * | 2015-04-27 | 2015-07-29 | 重庆大学 | 一种基于机加工设备运行状态的稼动率统计方法 |
| CN109284885A (zh) * | 2017-07-20 | 2019-01-29 | 中华电信股份有限公司 | 适应性机台稼动率分析系统及方法 |
| CN111983300A (zh) * | 2019-05-23 | 2020-11-24 | 深圳拓邦股份有限公司 | 电机电流检测方法、系统、搅拌机及存储介质 |
| TWM584502U (zh) * | 2019-05-24 | 2019-10-01 | 國立虎尾科技大學 | 設備稼動率及異常偵測系統 |
| CN110286647A (zh) * | 2019-07-04 | 2019-09-27 | 武汉般若易修工业技术服务有限公司 | 基于opc技术计算机床稼动率的方法 |
| CN110940875A (zh) * | 2019-11-20 | 2020-03-31 | 深圳市华星光电半导体显示技术有限公司 | 设备异常检测方法、装置、存储介质及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 吴丽玲: "精益生产在F公司SMT制造的应用研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113723315A (zh) * | 2021-09-01 | 2021-11-30 | 常熟希那基汽车零件有限公司 | 一种基于树莓派的稼动率监视系统 |
| CN113848831A (zh) * | 2021-09-16 | 2021-12-28 | 信利(仁寿)高端显示科技有限公司 | 一种旧设备的稼动率自动统计管控方法及系统 |
| WO2023130710A1 (zh) * | 2022-01-05 | 2023-07-13 | 青岛海尔科技有限公司 | 一种设备性能的确定方法和相关装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112784217A (zh) | 工业设备稼动率统计方法、装置、计算机设备和存储介质 | |
| EP1250632B1 (de) | System und verfahren zur ermittlung der produktionsanlagen-effektivität, von fehlerereignissen und der fehlerursachen | |
| US20200089191A1 (en) | Method for monitoring cutting-tool abrasion | |
| DE69832461T2 (de) | Verfahren und Vorrichtung zur Analyse von Betriebsstörungen bei einer Spritzgiessmaschine | |
| US20180210780A1 (en) | Method for generating a machine heartbeat | |
| WO2020093666A1 (zh) | 面向节能减排的数控机床负荷-能量效率评估与监测方法 | |
| CN109634238B (zh) | 一种数控机床加工过程质量-能量效率评估与监控方法 | |
| CN113253037B (zh) | 基于电流波纹的边云协同设备状态监测方法及系统、介质 | |
| CN113552840A (zh) | 一种机械加工控制系统 | |
| CN114648136A (zh) | 动设备健康度评估方法、装置、设备及存储介质 | |
| CN112692646A (zh) | 一种刀具磨损状态智能评估方法及装置 | |
| DE102019112166A1 (de) | Verfahren und system zum überwachen einer maschinengesundheit zum verbessern einer auswirkung der maschinenzykluszeit | |
| DE102016123338A1 (de) | Verfahren zur vorausschauenden Wartung von Feldgeräten der Automatisierungstechnik | |
| DE102017211737A1 (de) | Überwachungsvorrichtung und Verfahren zur Überwachung eines Systems | |
| CN112404691A (zh) | 超声波焊接系统 | |
| DE102008042969A1 (de) | Verfahren und Vorrichtung zur Detektion von Prozesszuständen in alternierenden Produktionsprozessen | |
| CN115145505A (zh) | 印刷设备的数据智能化采集与处理方法、系统及介质 | |
| CN111595596B (zh) | 移动式混凝土泵车调试检验设备及调试方法 | |
| CN114692393A (zh) | 基于桑基图的电表状态监控方法及装置 | |
| CN110376977B (zh) | 一种循环周期的计算方法、系统、装置和存储介质 | |
| CN112884212A (zh) | 烟支单支克重偏差分析预测方法 | |
| DE112016006839B4 (de) | Längenmessungskontrollvorrichtung, Fertigungssystem, Längenmessungskontrollverfahren und Längenmessungskontrollprogramm | |
| CN109254009B (zh) | 一种钉卷工段压花实时检测处理系统 | |
| DE112021005248T5 (de) | Zustandsbestimmungsvorrichtung und zustandsbestimmungsverfahren | |
| CN109507628B (zh) | 基于三相四线表计设备的反极性故障监测方法和装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210511 |