CN112906920A - 汽车智能制造设备的状态监测及预测性维修方法及装置 - Google Patents
汽车智能制造设备的状态监测及预测性维修方法及装置 Download PDFInfo
- Publication number
- CN112906920A CN112906920A CN202110343964.6A CN202110343964A CN112906920A CN 112906920 A CN112906920 A CN 112906920A CN 202110343964 A CN202110343964 A CN 202110343964A CN 112906920 A CN112906920 A CN 112906920A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- manufacturing equipment
- equipment
- parameters
- intelligent automobile
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Game Theory and Decision Science (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Development Economics (AREA)
Abstract
本申请涉及一种汽车智能制造设备的状态监测及预测性维修方法及装置。该方法包括:确定汽车智能制造设备中监测对象的监测参数类型;若监测对象设置有数据采集源,则通过数据采集源,并根据监测参数类型,获取监测对象对应的监测参数,监测参数用于指示汽车智能制造设备的状态;基于监测参数及汽车智能制造设备对应的制造运营管理系统,获取汽车智能制造设备的维修备件数据,维修备件数据用于指示汽车智能制造设备所需的备件采购量和/或备件存储量。由于是自动实时监测,相较于人工巡检采集,能够及时发现隐患或故障所在,从而能够对制造设备进行及时维护。另外,由于能够预测设备故障,提前决策并消除隐患,进而能够对制造设备进行及时维护。
Description
技术领域
本申请涉及汽车智能制造技术领域,特别是涉及一种汽车智能制造设备的状态监测及预测性维修方法及装置。
背景技术
目前汽车制造工艺的不同,相应的制造设备类型通常差距也较大,设备状态监测及维修方式也有很大不同。在相关技术中,也即在传统汽车制造设备的状态监测中,主要是采用人工巡检采集方式。其中,人工巡检采集一般是在巡检结束后才能发现隐患或者故障所在,从而发现隐患或故障通常都不够及时,进而不能对制造设备进行及时维护而造成较大损失。
发明内容
基于此,有必要针对上述技术问题,提供一种能够及时发现制造设备隐患或故障所在的汽车智能制造设备的状态监测及预测性维修方法及装置。
一种汽车智能制造设备的状态监测及预测性维修方法,该方法包括:
确定汽车智能制造设备中监测对象的监测参数类型;
若监测对象设置有数据采集源,则通过数据采集源,并根据监测参数类型,获取监测对象对应的监测参数,监测参数用于指示汽车智能制造设备的状态;
基于监测参数及汽车智能制造设备对应的制造运营管理系统,获取汽车智能制造设备的维修备件数据,维修备件数据用于指示汽车智能制造设备所需的备件采购量和/或备件存储量。
在其中一个实施例中,监测对象包括监测设备;监测设备包括以下设备中的至少任意一项,以下设备分别为压力机、辊压机、腹面数控冲孔机、三面数控冲孔机、折弯机、空压机、设备空调、厂房空调以及焊接设备。
在其中一个实施例中,监测对象包括焊接设备;相应地,监测参数包括焊接设备的焊钳参数,焊钳参数包括以下参数中的至少任意一项,以下参数分别为焊钳的压力、水流量及水温;对于监测对象中除焊接设备之外的其它监测设备,监测参数还包括其它监测设备的机械振动量和/或温度。
在其中一个实施例中,监测对象包括监测部件;
监测部件包括以下部件中的至少任意一项,以下部件分别为压力机的驱动电机及飞轮、辊压机的开卷电机及辊形电机、腹面数控冲孔机的油泵电机、三面数控冲孔机的油泵电机、折弯机的折弯电机、设备空调的电机及风机、厂房空调的电机及风机、空压机的前后端盖以及焊接设备的焊钳。
在其中一个实施例中,该方法还包括:获取监测对象对应的三维建模模型,并在可视化界面中显示三维建模模型。
在其中一个实施例中,通过数据采集源,并根据监测参数类型,获取监测对象对应的监测参数之后,还包括:将监测参数输入至预设模型中,输出制造设备的运行诊断报告,运行诊断报告中至少包含诊断结果。
在其中一个实施例中,通过数据采集源,并根据监测参数类型,获取监测对象对应的监测参数之后,还包括:基于监测参数,在可视化界面中显示制造设备的状态趋势图。
一种汽车智能制造设备的状态监测及预测性维修装置,该装置包括:
确定模块,用于确定汽车智能制造设备中监测对象的监测参数类型;
第一获取模块,用于当监测对象设置有数据采集源时,则通过数据采集源,并根据监测参数类型,获取监测对象对应的监测参数,监测参数用于指示汽车智能制造设备的状态;
第二获取模块,用于基于监测参数及汽车智能制造设备对应的制造运营管理系统,获取汽车智能制造设备的维修备件数据,维修备件数据用于指示汽车智能制造设备所需的备件采购量和/或备件存储量。
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:确定汽车智能制造设备中监测对象的监测参数类型;若监测对象设置有数据采集源,则通过数据采集源,并根据监测参数类型,获取监测对象对应的监测参数,监测参数用于指示汽车智能制造设备的状态;基于监测参数及汽车智能制造设备对应的制造运营管理系统,获取汽车智能制造设备的维修备件数据,维修备件数据用于指示汽车智能制造设备所需的备件采购量和/或备件存储量。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:确定汽车智能制造设备中监测对象的监测参数类型;若监测对象设置有数据采集源,则通过数据采集源,并根据监测参数类型,获取监测对象对应的监测参数,监测参数用于指示汽车智能制造设备的状态;基于监测参数及汽车智能制造设备对应的制造运营管理系统,获取汽车智能制造设备的维修备件数据,维修备件数据用于指示汽车智能制造设备所需的备件采购量和/或备件存储量。
上述汽车智能制造设备的状态监测及预测性维修方法及装置,通过确定汽车智能制造设备中监测对象的监测参数类型,并在监测对象设置有数据采集源时,通过数据采集源,并根据监测参数类型,获取监测对象对应的监测参数。由于上述过程是通过数据采集源采集监测参数以及数据传输的方式自动获取监测参数,也即是自动实时监测,从而相较于人工巡检采集,能够及时发现隐患或故障所在。
另外,通过基于监测参数及汽车智能制造设备对应的制造运营管理系统,获取汽车智能制造设备的维修备件数据,从而能够预测设备故障,提前决策并消除隐患,进而能够对汽车智能制造设备进行及时维护以减轻损失。
除此之外,由于可以根据汽车智能制造设备的当前状态,明确其具体需要采购多少备件或者储备多少备件供其使用,从而不会因采购过多或者储备过多,而大大提升维护成本,或者因采购过少或者储备过少,而导致汽车智能制造设备出现故障或者隐患时备件供应不足。
附图说明
图1为一个实施例中汽车智能制造设备的状态监测及预测性维修的流程示意图;
图2为一个实施例中汽车智能制造设备监测及预测性维修平台的架构图;
图3为一个实施例中汽车智能制造设备监测及预测性维修平台的数据流转示意图;
图4为一个实施例中汽车智能制造设备监测及预测性维修平台的不同数据处理阶段参与的数据类型示意图;
图5为一个实施例中汽车智能制造设备的状态监测及预测性维修装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
目前汽车制造工艺的不同,相应的制造设备类型通常差距也较大,设备状态监测及维修方式也有很大不同。在相关技术中,也即在传统汽车制造设备的状态监测中,主要是采用人工巡检采集方式。其中,人工巡检采集一般是在巡检结束后才能发现隐患或者故障所在,从而发现隐患或故障通常都不够及时,进而不能对制造设备进行及时维护而造成较大损失。
针对上述相关技术中存在的问题,本发明实施例提供了一种汽车智能制造设备的状态监测及预测性维修方法。该方法的执行主体可以为个人计算机、笔记本电脑、智能手机、平板电脑及服务器等,其中,服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现,本发明实施例不对执行主体的类型及数量作具体限定。需要说明的是,该方法除了适用于汽车智能制造设备之外,也可以适用于其它交通工具的制造设备或者进一步地,还可以适用于制造其它实体产品的制造设备,如机床的制造设备、运输工具的制造设备或家用电器的制造设备等,本发明实施例对此不作具体限定。
参见图1,本发明实施例所提供的汽车智能制造设备的状态监测及预测性维修方法,包括:101、确定汽车智能制造设备中监测对象的监测参数类型;102、若监测对象设置有数据采集源,则通过数据采集源,并根据监测参数类型,获取监测对象对应的监测参数,监测参数用于指示汽车智能制造设备的状态;103、基于监测参数及汽车智能制造设备对应的制造运营管理系统,获取汽车智能制造设备的维修备件数据,维修备件数据用于指示汽车智能制造设备所需的备件采购量和/或备件存储量。
在上述步骤101中,监测对象为汽车智能制造设备中的运作实体,比如某电机、某空压机等,本发明实施例对此不作具体限定。在执行上述步骤101之前,可以先确定哪些对象需要作为监测对象以进行状态监测。本发明实施例不对确定监测对象的方式作具体限定,包括但不限于根据预设的考量因素来确定。
具体地,汽车智能制造设备中往往会存在故障频发的设备或者部件,从而故障出现次数可以作为预设的考量因素之一。同样地,设备的贵重程度、维修成本的高低、因安装隐蔽而被发现故障或隐患的容易程度、监测困难程度以及对整体制造产能的影响程度等,都可以作为预设的考量因素。需要说明的是,实际实施过程中,并非只能使用一种预设的考量因素来确定监测对象,还可以对上述几种预设的考量因素进行任意组合,也即通过多种预设的考量因素来确定监测对象,本发明实施例对此不作限定。
在确定监测对象之后,在步骤101中,可以进一步确定汽车智能制造设备中监测对象的监测参数类型。同样地,也可以基于一些考量因素来确定监测参数类型。例如,可以基于哪些参数关系到维修操作或哪些参数关系到整体制造产能等考量因素,来确定汽车智能制造设备中监测对象的监测参数类型。
通过上述步骤101在确定监测参数类型之后,在执行上述步骤102之前,可以先判断监测对象中是否设置有数据采集源。若设置有数据采集源,则继续执行步骤101。若未设置有数据采集源,则可在监测对象上安装智能传感器以作为数据采集源。其中,数据采集源主要用来采集监测对象在工作中所产生的参数,智能传感器的类型可以为无线与有线两种。在监测对象上安装智能传感器时,可以采用胶粘和/或磁吸的方式,本发明实施例对此不作具体限定。
在步骤102中,在确定监测对象设置有数据采集源后,则可由数据采集源,按照监测参数类型,来采集相应的监测参数。其中,监测参数可以用于指示汽车智能制造设备的状态。例如,可以指示汽车智能制造设备中一些设备的损耗程度、是否工作异常等,本发明实施例对此不作具体限定。
在步骤103中,制造运营管理的定义为通过协调管理企业的人员、设备、物料和能源等资源,把原材料或零件转化为产品的活动,而制造运营管理系统基于对维修人员的管理,维修点的指定以及维修信息的统计,可以指导备件管理。具体地,可以将监测参数输入至制造运营管理系统,由制造运营管理系统对监测参数进行分析,以在备件方案库中匹配最佳的备件方案,从而通过备件方案来指导备件管理。其中,备件方案中可以包括备件数据。备件数据除了包括制造设备所需的备件采购量和/或备件存储量,还可以包括备件型号或者品牌等,本发明实施例对此不作具体限定。
本发明实施例所提供的方法,通过确定汽车智能制造设备中监测对象的监测参数类型,并在监测对象设置有数据采集源时,通过数据采集源,并根据监测参数类型,获取监测对象对应的监测参数。由于上述过程是通过数据采集源采集监测参数以及数据传输的方式自动获取监测参数,也即是自动实时监测,从而相较于人工巡检采集,能够及时发现隐患或故障所在。
另外,通过基于监测参数及汽车智能制造设备对应的制造运营管理系统,获取汽车智能制造设备的维修备件数据,从而能够预测设备故障,提前决策并消除隐患,进而能够对汽车智能制造设备进行及时维护以减轻损失。
除此之外,由于可以根据汽车智能制造设备的当前状态,明确其具体需要采购多少备件或者储备多少备件供其使用,从而不会因采购过多或者储备过多,而大大提升维护成本,或者因采购过少或者储备过少,而导致汽车智能制造设备出现故障或者隐患时备件供应不足。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
结合上述实施例的内容,在一个实施例中,监测对象包括监测设备;监测设备包括以下设备中的至少任意一项,以下设备分别为压力机、辊压机、腹面数控冲孔机、三面数控冲孔机、折弯机、空压机、设备空调、厂房空调以及焊接设备。
其中,上述列举的各项设备均为汽车制造工厂、基地、生产线或车间中的运作实体,如厂房空调与涂装车间的设备空调均为汽车制造工厂或者基地中用于辅助汽车制造的设备,腹面数控冲孔机以及三面数控冲孔机均为汽车生产线上的设备,而焊接设备为汽车焊接车间中的设备。
在实际实施过程中,上述空压机大多数可以采用1用1备或2用1备方式,部分车间也可以不备用空压机。与此同时,对于由多个空压机所形成的空压机组,空压机组可以交替使用,由此运行时长可以基本达到相同。由于空压机运行时长基本达到相同,从而当1台空压机出现故障时,其余空压机也将到达故障期,以此可整体判断这些空压机可能均需要维护。另外,上述实施例中提到的空压机可以包括焊装车间、总装车间以及车架车间中的空压机,而不仅限于某一个或者某一种车间中的空压机。
本发明实施例所提供的方法,由于上述实施例列举的监测设备,均为故障频发、设备贵重、维修成本高或者对整体制造产能影响较大的设备,从而将这些监测设备作为监测对象,能够尽早发现这些重要设备的故障或隐患,进而能够对汽车智能制造设备进行及时维护以减轻损失。
结合上述实施例的内容,在一个实施例中,监测对象包括焊接设备;相应地,监测参数包括焊接设备的焊钳参数,焊钳参数包括以下参数中的至少任意一项,以下参数分别为焊钳的压力、水流量及水温;
对于监测对象中除焊接设备之外的其它监测设备,监测参数还包括其它监测设备的机械振动量和/或温度。
本发明实施例所提供的方法,由于焊钳故障是焊装车间中的主要故障之一,而上述实施例所列举的焊钳参数均为会造成焊钳故障的主要参数,通过将焊接设备作为监测对象,并将上述实施例中列举的焊钳参数作为监测参数,从而能够尽可能发现焊接设备的故障或隐患,进而能够对焊接设备进行及时维护以减轻损失。
结合上述实施例的内容,在一个实施例中,监测对象包括监测部件;监测部件包括以下部件中的至少任意一项,以下部件分别为压力机的驱动电机及飞轮、辊压机的开卷电机及辊形电机、腹面数控冲孔机的油泵电机、三面数控冲孔机的油泵电机、折弯机的折弯电机、设备空调的电机及风机、厂房空调的电机及风机、空压机的前后端盖以及焊接设备的焊钳。
其中,监测部件为监测设备中的部件。上述实施例列举的监测部件,同样可以是根据预设的考量因素来确定的,关于预设的考量因素的具体说明,可以参考上述实施例中确定监测设备的相关内容,此处不再赘述。
本发明实施例所提供的方法,由于上述实施例列举的监测部件,均为故障频发、设备贵重、维修成本高或者对整体制造产能影响较大的设备,从而将这些监测部件作为监测对象,能够尽早发现这些重要设备的故障或隐患,进而能够对汽车智能制造设备进行及时维护以减轻损失。
结合上述实施例的内容,在一个实施例中,该方法还包括:获取监测对象对应的三维建模模型,并在可视化界面中显示三维建模模型。其中,三维建模模型的建模方式可以为3DSMax、AutoCAD或Maya等,可视化界面可以为终端或服务器的操作展示界面,本发明实施例对此不作具体限定。需要说明的是,关于上述获取三维建模模型并显示的过程所对应的执行时序,该过程具体可以在步骤101之前执行,也可以在步骤101与步骤102之间执行,可以在步骤102之后执行,还可以与步骤101或者步骤102同时执行,本发明实施例对此不作具体限定。
本发明实施例所提供的方法,通过获取监测对象对应的三维建模模型,并在可视化界面中显示三维建模模型。由于通过可视化界面显示的方式,能够让相关操作人员更快且更直观地定位至监测对象,从而能够使得相关操作人员更容易发现监测对象的故障或隐患,进而能够对汽车智能制造设备进行及时维护以减轻损失。
另外,为了便于相关操作人员更直观地获取汽车智能制造设备的参数,除了上述三维建模模型之外,可视化界面还可以显示与参数相关的内容。基于该需求,结合上述实施例的内容,在一个实施例中,该方法还包括:基于监测参数,在可视化界面中显示汽车智能制造设备的状态趋势图。
其中,汽车智能制造设备的状态可以分为异常或者异常,异常可以用黄色显示元素表示,正常可以用蓝色显示元素表示。当然,状态还可以进一步分为待维护等,本发明实施例对此不作具体限定。基于某一时段或者某一时刻的监测参数,通过快速傅里叶变化、小波分析或包括分析等算法,可以获取该时段或者该时刻汽车智能制造设备对应的状态。再按照状态的获取时序进行排布,即可得到汽车智能制造设备的状态趋势图。另外,按照上述算法除了可以得到状态趋势图之外,还可以得到汽车智能制造设备的状态时域图谱、状态频域图谱以及状态预测趋势图。相应地,除了在可视化界面中显示状态趋势图之外,还可以显示状态时域图谱、状态频域图谱以及状态预测趋势图。
本发明实施例所提供的方法,通过基于监测参数,在可视化界面中显示汽车智能制造设备的状态趋势图。由于可在可视化界面中显示汽车智能制造设备的状态趋势图,且还可显示状态时域图谱或频域图谱等内容,从而能够便于相关操作人员更直观地获取汽车智能制造设备的当前状态,进而针对性地进行维修或维护。
结合上述实施例的内容,在一个实施例中,在通过数据采集源,并根据监测参数类型,获取监测对象对应的监测参数之后,还包括:将监测参数输入至预设模型中,输出汽车智能制造设备的运行诊断报告,运行诊断报告中至少包含诊断结果。
在上述过程中,预设模型可以是基于监督式的初始神经网络模型训练得到的。具体地,可以将样本监测参数作为初始神经网络模型的输入,将基于样本监测参数所确定的诊断结果作为初始神经网络模型的输出,通过监督训练的方式不断调整初始模型中的参数,从而得到训练后的模型,也即预设模型。
其中,初始神经网络模型可以为KNN(K-NearestNeighbor,最邻近节点)神经网络模型,也可以为SVM(Support Vector Machine,支持向量机)神经网络模型等其它模型,本发明实施例对此不作具体限定。另外,运行诊断报告除了可以包含诊断结果之外,如哪些设备存在故障和/或哪些设备存在隐患,还可以包含针对诊断结果所适用的维护计划、维修建议或设备运行参数优化建议等,本发明实施例不对运行诊断报告所包含的内容作具体限定。
需要说明的是,实际实施过程中,获取监测参数的过程及将监测参数输入至预设模型以输出运行诊断报告的过程,该两个过程可以由同一执行主体执行,如由具有数据处理功能的数据采集源执行。该两个过程还可以由不同的执行主体执行,如获取监测参数的过程可以由数据采集源执行,而将监测参数输入至预设模型以输出运行诊断报告的过程可以由具体数据处理功能的服务器执行。其中,数据采集源与服务器之间可以通过有线或者无线的传输方式,由数据采集源将采集到的监测参数传输至服务器,再由服务器进行处理。
再进一步地,若数据采集源是通过无线传输方式将采集到的监测参数传输至服务器,考虑到无线传输的方式会存在信号耦合干扰,为了保证信号的质量,在数据采集源与服务器之间还可以设置数据采集模块,由数据采集模块对信号进行降噪处理。也即,由数据采集模块通过有线或者无线的方式从数据采集源获取监测参数,再由数据采集模块将监测参数传输至服务器。另外,若实际实施过程中为采集数据及数据处理而构建的网络较为复杂,则数据采集模块与服务器之间还可以设置网络交换机,从而可以为数据采集子网络或者数据处理子网络提供更多的连接端口以连接至服务器。
其中,数据采集模块可以通过自适应干扰抵消算法以实现降噪,还可以使用其它提高信号质量的算法如阈值降噪或滤波降噪算法等,本发明实施例对此不作具体限定。为了实现上述功能,数据采集模块至少包括具有降噪功能的信号处理单元。当然,实际实施过程中,为了能够从数据采集源获取更精准的数据,数据采集模块还可以配备专门的采集板卡和/或采集主板。为了能够与数据采集源连接,数据采集模块还可以配置专门的连接块。若数据采集模块是独立工作或者在难以提供有源电源的环境下工作,数据采集模块还可以配置电源。
还需要说明的是,若在实际实施过程中,数据采集源、数据采集模块、网络交换机及服务器均有参与实施,则按照数据流的流向,上述四个部分相邻两两之间可以选用不同的有线传输协议或者无线传输协议进行数据传输。其中,具体选用协议可以根据实际需求设定,本发明实施例对此不作具体限定。
例如,数据采集源与数据采集模块之间可以采用串行通讯标准协议RS485或者无线通信协议ZigBee,而数据采集模块与网络交换机之间可以采用传输控制协议,4G网络传输协议、5G网络传输协议或WIFI协议等。同理,网络交换机与服务器之间也可以采用上述提及的传输协议。
本发明实施例所提供的方法,通过将监测参数输入至预设模型中,输出汽车智能制造设备的运行诊断报告。由于可以自动生成运行诊断报告,从而可以及时且精准获知汽车智能制造设备的故障或隐患,进而能够对汽车智能制造设备进行及时且针对性的维护以减轻损失。另外,由于运行诊断报告中还可以包含维修建议或维护计划等内容,从而可以方便相关操作人员进行有效维修或维护。
需要说明的是,上述阐述的技术方案在实际实施过程中可以作为独立实施例来实施,也可以彼此之间进行组合并作为组合实施例实施。另外,在对上述本发明实施例内容进行阐述时,仅基于方便阐述的思路,按照相应顺序对不同实施例进行阐述,如按照数据流流向的顺序,而并非是对不同实施例之间的执行顺序进行限定。相应地,在实际实施过程中,若需要实施本发明提供的多个实施例,则不一定需要按照本发明阐述实施例时所提供的执行顺序,而是可以根据需求安排不同实施例之间的执行顺序。
为了便于理解,现以上述实施例阐述的技术方案依托于汽车智能制造设备监测及预测性维修平台来实现为例,通过对汽车智能制造设备监测及预测性维修平台的功能及组成进行阐述,来对上述实施例在落实到具体应用场景下的实施方式进行解释说明。相应地,结合上述实施例的内容,本发明实施例还提供了一种汽车智能制造设备监测及预测性维修平台,该平台可采用JAVA语言编写,并可采用RESTful风格的接口函数,数据库可使用MySQL数据库,部署环境为Linux系统(如CentOS 7系统)。结合图2,该平台的具体说明如下:
该平台主要用于监测汽车智能制造设备及实现对制造设备的预测性维修。其中,平台在选择监测设备、监测部件后,可确定监测参数。通过判定监测设备和监测部件是否内置数据采集源,而选择是否增加智能传感器。在确定监测设备和监测部件内置数据采集源或者智能传感器后,可由智能传感器或数据采集源将数据通过线缆传输到数据采集模块,在数据采集模块中把采集的电信号转为光信号,通过光纤传送至网络交换机,再由网络交换机将数据通过光纤传送至企业服务器。企业服务器可通过监测诊断模型对接收到的数据进行智能分析、智能预测诊断、智能决策及智能优化,从而实现制造设备的状态监测以及预测性维修或维护。
另外,相关操作人员可以通过局域网和互联网两种途径进行访问服务器,以实现关键数据的可视化。企业本身或获得权限的其它关联公司的任意终端,也可以通过互联网浏览与访问服务器,从而协同实现汽车智能制造设备状态监测及预测性维修平台的搭建。
其中,监测设备或监测部件的选择原则是故障频发、设备贵重、维修成本高和对整车制造产能影响较大的设备。监测设备或监测部件具体可以为:冲压车间自动线的压力机、车架车间滚压线的辊压机、腹面数控冲孔机、三面数控冲孔机、折弯机、涂装车间的设备空调、厂房空调及焊装车间的焊钳等。其中,空压机大多数采用1用1备或2用1备方式,部分车间可以没有备用空压机。另外,空压机机组可以是交替使用,运行时间基本相同。当1台空压机出现故障时,其余空压机也将到达故障期。空压机可以分为焊装车间、总装车间及车架车间的空压机。
另外,为快速定位监测设备或监测部件,标识并识别监测结果,针对监测设备或监测部件,可以开展近似三维建模,并在平台系统设备详情图中展示三维建模模型。
压力机的摇杆、拉杆、齿轮、传动系统铜瓦及飞轮轴等断裂,近年大修损耗成本较大,与此同时,飞轮、电机等轴承安装隐蔽,无法观察到其磨损状态,人工状态监测困难。压力机在故障发生之前,常伴有轴承温度变高和振动异常等现象。另外,对辊压机、冲孔机、折弯机、空调风机分析得知,设备发生故障之前同样伴有电机轴承的温度和振动异常。因此,监测设备的监测部件可以为电机、飞轮、风机等轴承位置,监测参数可以是轴承的振动和温度参数。
焊钳故障是焊装车间的主要故障之一,而焊钳工作状态下的压力、水流及水温等又是影响焊钳故障的主要参数,从而焊装车间的监测设备焊钳的主要监测参数可以为压力、水流及水温等。
另外,该平台还支持业务系统数据接入、互联网数据采集、合作伙伴系统数据接入及外部临时数据导入等。其中,数据交换可兼容各类数据格式、如JSON、文本文件及XML等多种数据格式。数据交换的形式包含非实时、准实时及实时传输。
为了获取监测参数,平台可通过判定监测设备及监测部件是否内置数据采集源选择增加智能传感器,智能传感器可以设计为有线或无线两种方式,智能传感器的安装方式是胶粘加磁吸。另外,智能传感器或内置数据采集源在传输数据时,可通过统一的数据传输协议,如RS485(有线)或ZigBee(无线)。
数据采集模块可包括采集板卡,采集主板、AIC算法、连接块及电源等。其中,采集板卡将采集的数据送至采集主板,该主板相当于边缘计算机,通过AIC9000程序将传输来的电压及电流信号转化为光信号。数据采集模块可通过传输控制协议将数据传至网络交换机,网络交换机可同样通过传输控制协议传输至服务器。
服务器中可集成最邻近节点算法、最优化算法、快速傅里叶变化算法、小波分析算法及包络分析算法,以对监测参数进行处理。通过最邻近节点算法或最优化算法对网络交换机上传上来的数据进行监测和分析,再按照一定的规则存入MySQL关系型数据库,以供后续处理使用。监测参数经由快速傅里叶变化、小波分析或者包络分析算法可生成制造设备的状态趋势、时域及频域等图谱。
通过预先建立和优化设备的故障诊断模型,然后结合专家库对历史监测数据开展AI诊断,预先生成包含诊断建议的诊断报告。再将实际实施过程中的监测参数输入至故障诊断模型,从而预测设备故障,以提前决策并消除隐患。
另外,上述建立的故障诊断模型及诊断结果可存储至公司数据湖平台,实现该平台与数据湖平台之间的数据集成及对接,具体可如图3所示。图3中某一数据处理阶段上方的数字标号代表参与该数据处理阶段的数据类型,数据标号对应的数据类型具体可参考图4。其中,汽车智能制造过程中产生的状态监测数据及预测性维修数据,在集成及对接至数据湖平台后,可以用在企业运营实施的其它场景中。
制造运营管理系统基于对维修人员的管理,维修点的指定以及维修信息的统计,再通过将服务器中的监测参数与制造运营管理系统进行集成对接,可以自动生成维修备件数据,以实现指导备件管理。其中,实际实施中备件采购存储数量可降低70%左右,成本相应可降低70%以上。
该平台可采用B\S架构,用户可以在互联网覆盖的任意地方访问该平台,以随时实现制造设备的监测及预测性维修。另外,基于公司、基地工厂、车间及设备的四级实物管理,可快速捕捉设备状态,包括设备测点状态、设备启停时长、设备7日内报警趋势、设备三维数据、监测参数实时值、时域、频域及预测趋势图,基于捕捉到的设备状态可以实现该平台的数据可视化。
本发明实施例提供的汽车智能制造设备监测及预测性维修平台,在监测对象设置有数据采集源时,通过数据采集源,并根据监测参数类型,获取监测对象对应的监测参数。由于上述过程是通过数据采集源采集监测参数以及数据传输的方式自动获取监测参数,也即是自动实时监测,从而相较于人工巡检采集,能够及时发现隐患或故障所在,进而能够对汽车智能制造设备进行及时维护以减轻损失。
另外,通过基于监测参数及汽车智能制造设备对应的制造运营管理系统,获取汽车智能制造设备的维修备件数据,从而能够预测设备故障,提前决策并消除隐患,进而能够对汽车智能制造设备进行及时维护以减轻损失。
除此之外,由于可以根据汽车智能制造设备的当前状态,明确其具体需要采购多少备件或者储备多少备件供其使用,从而不会因采购过多或者储备过多,而大大提升维护成本,或者因采购过少或者储备过少,而导致汽车智能制造设备出现故障或者隐患时备件供应不足。
结合上述实施例的内容,在一个实施例中,如图5所示,提供了一种制造设备的状态监测装置,包括:确定模块501、第一获取模块502及第二获取模块503,其中:
确定模块501,用于确定汽车智能制造设备中监测对象的监测参数类型;
第一获取模块502,用于当监测对象设置有数据采集源时,则通过数据采集源,并根据监测参数类型,获取监测对象对应的监测参数,监测参数用于指示汽车智能制造设备的状态;
第二获取模块503,用于基于监测参数及汽车智能制造设备对应的制造运营管理系统,获取汽车智能制造设备的维修备件数据,维修备件数据用于指示汽车智能制造设备所需的备件采购量和/或备件存储量。
在一个实施例中,确定模块501中的监测对象包括监测设备;监测设备包括以下设备中的至少任意一项,以下设备分别为压力机、辊压机、腹面数控冲孔机、三面数控冲孔机、折弯机、空压机、设备空调、厂房空调以及焊接设备。
在一个实施例中,确定模块501中的监测对象包括焊接设备;相应地监测参数包括焊接设备的焊钳参数,焊钳参数包括以下参数中的至少任意一项,以下参数分别为焊钳的压力、水流量及水温;对于监测对象中除焊接设备之外的其它监测设备,监测参数还包括其它监测设备的机械振动量和/或温度。
在一个实施例中,确定模块501中的监测对象包括监测部件;监测部件包括以下部件中的至少任意一项,以下部件分别为压力机的驱动电机及飞轮、辊压机的开卷电机及辊形电机、腹面数控冲孔机的油泵电机、三面数控冲孔机的油泵电机、折弯机的折弯电机、设备空调的电机及风机、厂房空调的电机及风机、空压机的前后端盖以及焊接设备的焊钳。
在一个实施例中,该装置还包括第三获取模块和显示模块;
第三获取模块,用于获取监测对象对应的三维建模模型;
第一显示模块,用于在可视化界面中显示三维建模模型。
在一个实施例中,该装置还包括输出模块;
输出模块,用于将监测参数输入至预设模型中,输出汽车智能制造设备的运行诊断报告,运行诊断报告中至少包含诊断结果。
在一个实施例中,该装置还包括第二显示模块;
第二显示模块,用于基于监测参数,在可视化界面中显示汽车智能制造设备的状态趋势图。
关于汽车智能制造设备的状态监测装置的具体限定可以参见上文中对于汽车智能制造设备的状态监测方法的限定,在此不再赘述。上述汽车智能制造设备的状态监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储监测参数。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种汽车智能制造设备的状态监测方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:确定汽车智能制造设备中监测对象的监测参数类型;若监测对象设置有数据采集源,则通过数据采集源,并根据监测参数类型,获取监测对象对应的监测参数,监测参数用于指示汽车智能制造设备的状态;基于监测参数及汽车智能制造设备对应的制造运营管理系统,获取汽车智能制造设备的维修备件数据,维修备件数据用于指示汽车智能制造设备所需的备件采购量和/或备件存储量。
在一个实施例中,处理器执行计算机程序时,监测对象包括监测设备;监测设备包括以下设备中的至少任意一项,以下设备分别为压力机、辊压机、腹面数控冲孔机、三面数控冲孔机、折弯机、空压机、设备空调、厂房空调以及焊接设备。
在一个实施例中,处理器执行计算机程序时,监测对象包括焊接设备;相应地,监测参数包括焊接设备的焊钳参数,焊钳参数包括以下参数中的至少任意一项,以下参数分别为焊钳的压力、水流量及水温;
对于监测对象中除焊接设备之外的其它监测设备,监测参数还包括其它监测设备的机械振动量和/或温度。
在一个实施例中,处理器执行计算机程序时,监测对象包括监测部件;
监测部件包括以下部件中的至少任意一项,以下部件分别为压力机的驱动电机及飞轮、辊压机的开卷电机及辊形电机、腹面数控冲孔机的油泵电机、三面数控冲孔机的油泵电机、折弯机的折弯电机、设备空调的电机及风机、厂房空调的电机及风机、空压机的前后端盖以及焊接设备的焊钳。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取监测对象对应的三维建模模型,并在可视化界面中显示三维建模模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将监测参数输入至预设模型中,输出汽车智能制造设备的运行诊断报告,运行诊断报告中至少包含诊断结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于监测参数,在可视化界面中显示汽车智能制造设备的状态趋势图。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:确定汽车智能制造设备中监测对象的监测参数类型;若监测对象设置有数据采集源,则通过数据采集源,并根据监测参数类型,获取监测对象对应的监测参数,监测参数用于指示汽车智能制造设备的状态;基于监测参数及汽车智能制造设备对应的制造运营管理系统,获取汽车智能制造设备的维修备件数据,维修备件数据用于指示汽车智能制造设备所需的备件采购量和/或备件存储量。
在一个实施例中,计算机程序被处理器执行时,监测对象包括监测设备;监测设备包括以下设备中的至少任意一项,以下设备分别为压力机、辊压机、腹面数控冲孔机、三面数控冲孔机、折弯机、空压机、设备空调、厂房空调以及焊接设备。
在一个实施例中,计算机程序被处理器执行时,监测对象包括焊接设备;相应地,监测参数包括焊接设备的焊钳参数,述焊钳参数包括以下参数中的至少任意一项,以下参数分别为焊钳的压力、水流量及水温;对于监测对象中除焊接设备之外的其它监测设备,监测参数还包括其它监测设备的机械振动量和/或温度。
在一个实施例中,计算机程序被处理器执行时,监测对象包括监测部件;监测部件包括以下部件中的至少任意一项,以下部件分别为压力机的驱动电机及飞轮、辊压机的开卷电机及辊形电机、腹面数控冲孔机的油泵电机、三面数控冲孔机的油泵电机、折弯机的折弯电机、设备空调的电机及风机、厂房空调的电机及风机、空压机的前后端盖以及焊接设备的焊钳。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取监测对象对应的三维建模模型,并在可视化界面中显示三维建模模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将监测参数输入至预设模型中,输出汽车智能制造设备的运行诊断报告,运行诊断报告中至少包含诊断结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于监测参数,在可视化界面中显示汽车智能制造设备的状态趋势图。
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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)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。
Claims (10)
1.一种汽车智能制造设备的状态监测及预测性维修方法,其特征在于,所述方法包括:
确定汽车智能制造设备中监测对象的监测参数类型;
若所述监测对象设置有数据采集源,则通过所述数据采集源,并根据所述监测参数类型,获取所述监测对象对应的监测参数,所述监测参数用于指示所述汽车智能制造设备的状态;
基于所述监测参数及所述汽车智能制造设备对应的制造运营管理系统,获取所述汽车智能制造设备的维修备件数据,所述维修备件数据用于指示所述汽车智能制造设备所需的备件采购量和/或备件存储量。
2.根据权利要求1所述的方法,其特征在于,所述监测对象包括监测设备;所述监测设备包括以下设备中的至少任意一项,所述以下设备分别为压力机、辊压机、腹面数控冲孔机、三面数控冲孔机、折弯机、空压机、设备空调、厂房空调以及焊接设备。
3.根据权利要求2所述的方法,其特征在于,所述监测对象包括所述焊接设备;相应地,所述监测参数包括所述焊接设备的焊钳参数,述焊钳参数包括以下参数中的至少任意一项,所述以下参数分别为焊钳的压力、水流量及水温;
对于所述监测对象中除所述焊接设备之外的其它监测设备,所述监测参数还包括所述其它监测设备的机械振动量和/或温度。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述监测对象包括监测部件;
所述监测部件包括以下部件中的至少任意一项,所述以下部件分别为压力机的驱动电机及飞轮、辊压机的开卷电机及辊形电机、腹面数控冲孔机的油泵电机、三面数控冲孔机的油泵电机、折弯机的折弯电机、设备空调的电机及风机、厂房空调的电机及风机、空压机的前后端盖以及焊接设备的焊钳。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述监测对象对应的三维建模模型,并在可视化界面中显示所述三维建模模型。
6.根据权利要求1所述的方法,其特征在于,所述通过所述数据采集源,并根据所述监测参数类型,获取所述监测对象对应的监测参数之后,还包括:
将所述监测参数输入至预设模型中,输出所述汽车智能制造设备的运行诊断报告,所述运行诊断报告中至少包含诊断结果。
7.根据权利要求1所述的方法,其特征在于,所述通过所述数据采集源,并根据所述监测参数类型,获取所述监测对象对应的监测参数之后,还包括:
基于监测参数,在可视化界面中显示所述汽车智能制造设备的状态趋势图。
8.一种汽车智能制造设备的状态监测及预测性维修装置,其特征在于,所述装置包括:
确定模块,用于确定汽车智能制造设备中监测对象的监测参数类型;
第一获取模块,用于当所述监测对象设置有数据采集源时,则通过所述数据采集源,并根据所述监测参数类型,获取所述监测对象对应的监测参数,所述监测参数用于指示所述汽车智能制造设备的状态;
第二获取模块,用于基于所述监测参数及所述汽车智能制造设备对应的制造运营管理系统,获取所述汽车智能制造设备的维修备件数据,所述维修备件数据用于指示所述汽车智能制造设备所需的备件采购量和/或备件存储量。
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7中任一项所述的方法的步骤。
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7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110343964.6A CN112906920B (zh) | 2021-03-30 | 2021-03-30 | 汽车智能制造设备的状态监测及预测性维修方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110343964.6A CN112906920B (zh) | 2021-03-30 | 2021-03-30 | 汽车智能制造设备的状态监测及预测性维修方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112906920A true CN112906920A (zh) | 2021-06-04 |
CN112906920B CN112906920B (zh) | 2022-06-17 |
Family
ID=76109600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110343964.6A Active CN112906920B (zh) | 2021-03-30 | 2021-03-30 | 汽车智能制造设备的状态监测及预测性维修方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906920B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113284131A (zh) * | 2021-06-15 | 2021-08-20 | 深圳市捷易检测服务有限责任公司 | 发动机检测方法、系统、计算机设备和存储介质 |
CN114253235A (zh) * | 2021-12-10 | 2022-03-29 | 上海勃傲自动化系统有限公司 | 一种汽车生产线便捷性预测性维护系统及装置 |
CN116117827A (zh) * | 2023-04-13 | 2023-05-16 | 北京奔驰汽车有限公司 | 工业机器人状态监控方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040019511A1 (en) * | 2001-11-02 | 2004-01-29 | Mckinney Jerry L. | Regulatory compliance system and method |
CN102005816A (zh) * | 2009-08-27 | 2011-04-06 | 通用电气公司 | 用于监视和调度操作和维护活动的方法和系统 |
CN102221829A (zh) * | 2010-04-15 | 2011-10-19 | 深圳市先阳软件技术有限公司 | 一种企业生产设备管控一体化系统和方法 |
CN108459574A (zh) * | 2018-03-27 | 2018-08-28 | 重庆邮电大学 | 一种基于语义与opc ua的现场设备信息管理系统 |
CN108873830A (zh) * | 2018-05-31 | 2018-11-23 | 华中科技大学 | 一种生产现场数据在线采集分析及故障预测系统 |
CN110930536A (zh) * | 2019-11-06 | 2020-03-27 | 西安理工大学 | 一种基于数字孪生的连铸机通用零件在线监控与追溯方法 |
CN111800676A (zh) * | 2020-07-07 | 2020-10-20 | 墙小兰 | 一种基于云数据库的运维综合监控装置及监控方法 |
-
2021
- 2021-03-30 CN CN202110343964.6A patent/CN112906920B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040019511A1 (en) * | 2001-11-02 | 2004-01-29 | Mckinney Jerry L. | Regulatory compliance system and method |
CN102005816A (zh) * | 2009-08-27 | 2011-04-06 | 通用电气公司 | 用于监视和调度操作和维护活动的方法和系统 |
CN102221829A (zh) * | 2010-04-15 | 2011-10-19 | 深圳市先阳软件技术有限公司 | 一种企业生产设备管控一体化系统和方法 |
CN108459574A (zh) * | 2018-03-27 | 2018-08-28 | 重庆邮电大学 | 一种基于语义与opc ua的现场设备信息管理系统 |
CN108873830A (zh) * | 2018-05-31 | 2018-11-23 | 华中科技大学 | 一种生产现场数据在线采集分析及故障预测系统 |
CN110930536A (zh) * | 2019-11-06 | 2020-03-27 | 西安理工大学 | 一种基于数字孪生的连铸机通用零件在线监控与追溯方法 |
CN111800676A (zh) * | 2020-07-07 | 2020-10-20 | 墙小兰 | 一种基于云数据库的运维综合监控装置及监控方法 |
Non-Patent Citations (2)
Title |
---|
王庆锋: "基于风险和状态的智能维修决策优化系统及应用研究", 《中国博士学位论文全文数据库 工程科技II辑》 * |
王庆锋: "基于风险和状态的智能维修决策优化系统及应用研究", 《中国博士学位论文全文数据库 工程科技II辑》, no. 04, 15 April 2012 (2012-04-15), pages 2 - 5 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113284131A (zh) * | 2021-06-15 | 2021-08-20 | 深圳市捷易检测服务有限责任公司 | 发动机检测方法、系统、计算机设备和存储介质 |
CN114253235A (zh) * | 2021-12-10 | 2022-03-29 | 上海勃傲自动化系统有限公司 | 一种汽车生产线便捷性预测性维护系统及装置 |
CN114253235B (zh) * | 2021-12-10 | 2024-05-31 | 上海勃傲自动化系统有限公司 | 一种汽车生产线便捷性预测性维护系统及装置 |
CN116117827A (zh) * | 2023-04-13 | 2023-05-16 | 北京奔驰汽车有限公司 | 工业机器人状态监控方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112906920B (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112906920B (zh) | 汽车智能制造设备的状态监测及预测性维修方法及装置 | |
US20200279229A1 (en) | Predictive Maintenance | |
EP2697699B1 (en) | Dynamic assessment system for high-voltage electrical components | |
US11897068B2 (en) | Information processing method, information processing system, and information processing device | |
EP3722901B1 (en) | Vehicle trouble diagnosis method and vehicle trouble diagnosis apparatus | |
JP5746420B2 (ja) | 協働的なマルチエージェント式の車両障害診断システム及び関連する方法 | |
US6609051B2 (en) | Method and system for condition monitoring of vehicles | |
CN106406273A (zh) | 车辆中故障原因的确定 | |
CN108388950A (zh) | 基于大数据的变压器智能运维方法及系统 | |
CN112036610A (zh) | 一种基于大数据分析的智能电缆预警平台及预警方法 | |
RU2587122C2 (ru) | Система контроля и диагностики для основанной на энергии текучей среды машинной системы, а также основанная на энергии текучей среды машинная система | |
CN105809255A (zh) | 一种基于物联网的火电厂旋转机械健康管理方法及系统 | |
CN105511448A (zh) | 一种集成式车用诊断仪及其诊断方法 | |
CN109885951A (zh) | 设备故障诊断方法及装置 | |
CN111353911A (zh) | 电力设备运维方法、系统、设备和存储介质 | |
CN111098463A (zh) | 一种注塑机故障诊断系统及诊断方法 | |
CN112947290A (zh) | 基于边云协同的设备状态监测方法、监测系统及存储介质 | |
CN106403188A (zh) | 一种空调维护方法及其维护装置 | |
CN116629627A (zh) | 输电在线监测装置的智能检测系统 | |
CN112025703B (zh) | 机器人自诊断的方法、装置及系统 | |
CN116882426A (zh) | 基于标识解析的机电设备管理平台 | |
CN112610564A (zh) | 液压马达的监测系统和维护系统、及车辆 | |
JP6176377B1 (ja) | 設備管理システム、設備管理方法およびプログラム | |
CN117061568B (zh) | 一种电气设备的智能数据处理方法及系统 | |
WO2021042233A1 (en) | Remote diagnosis system, apparatus and method for power tool |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |