CN112988843A - 一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统 - Google Patents
一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统 Download PDFInfo
- Publication number
- CN112988843A CN112988843A CN202110323635.5A CN202110323635A CN112988843A CN 112988843 A CN112988843 A CN 112988843A CN 202110323635 A CN202110323635 A CN 202110323635A CN 112988843 A CN112988843 A CN 112988843A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- fault
- equipment
- user
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 41
- 238000007726 management method Methods 0.000 claims abstract description 75
- 238000013500 data storage Methods 0.000 claims abstract description 70
- 238000007405 data analysis Methods 0.000 claims abstract description 45
- 238000013135 deep learning Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000005516 engineering process Methods 0.000 claims abstract description 18
- 238000004891 communication Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims description 36
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 13
- 238000012423 maintenance Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- 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
- G06N3/047—Probabilistic or stochastic 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Fuzzy Systems (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统，包括故障管理子系统和故障处理子系统；故障管理子系统包括用户信息管理模块、故障数据输入模块、故障数据分析模块、故障诊断模块和故障预测模块；故障处理子系统包括数据采集模块、通信模块、数据存储模块和中心控制模块；中心控制模块包括数据接口模块、数据对比模块、数据分析模块和深度学习模块；通过故障管理子系统即可利用SQL Server数据库技术实现对SMT贴片机故障数据的智能化管理，降低企业使用SQL Server数据库管理SMT贴片机故障数据的技术门槛；利用SQL Sever数据库和神经网技术实现对SMT贴片机的故障诊断、预测，使企业根据以往的故障数据进行设备故障诊断和预测以降低设备的故障发生率。
Description
技术领域
本发明涉及设备故障管理及诊断领域,，具体是一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统。
背景技术
在SMT系列技术中，贴片机技术是最体现“高科技、自动化”最具有挑战性的技术。随着电子产品的快速发展，全自动贴片机也得到了广泛的应用和相应的发展。贴片机是电子产业的关键设备之一，它具有高速、高精度、智能化、多功能等特点。采用全自动贴片技术，能有效提高生产效率，降低制造成本。随着SMT在产品中的广泛应用，SMT生产中的关键设备——贴片机也得到了相应的发展，但在贴片机的使用过程，会不可避免地发生一些故障。
基于以上现状，SMT生产企业迫切需要实现对SMT贴片机故障数据的智能化管理，以提高SMT生产线的生产效率和企业智能化水平。其次，设备维护人员的人员更迭使得难以实现对设备维护人员维修经验的可视化和长期保存。利用SMT故障管理及诊断系统管理SMT企业的SMT贴片机故障数据，能够将SMT贴片机的故障数据长期储存在企业的数据库系统中，并将工人经验以数据、文字、图形等形象的方式显示出来。因此，开发一套专门用于SMT贴片机的故障管理及诊断系统，将对提高SMT生产企业的智能化水平产生十分重要的意义。
发明内容
本发明的目的在于克服现有技术的不足，而提供一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统。
实现本发明目的的技术方案是：
一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统，包括故障管理子系统和故障处理子系统；所述故障管理子系统包括用户信息管理模块、故障数据输入模块、故障数据分析模块、故障诊断模块和故障预测模块；所述故障处理子系统包括数据采集模块、通信模块、数据存储模块和中心控制模块；所述中心控制模块包括数据接口模块、数据对比模块、数据分析模块和深度学习模块；
所述的用户信息管理模块，用于管理用户的账户信息，具体是通过该模块户进行注册和登录，进入管理系统；
所述的故障数据输入模块，用于将已有的设备故障数据添加保存至故障处理子系统的数据存储模块中；
所述的和故障诊断模块，根据故障数据输入模块输入至数据存储模块中的设备故障数据，并对输入的数据进行分析，诊断出设备故障的原因以及各种故障原因出现的概率；
所述的数据采集模块，用于采集SMT贴片机设备的运行状态数据，并将采集到的数据通过通信模块传输至数据接口模块；
所述的数据存储模块，用于存储设备的故障数据和管理用户的账户信息，具体是将设备的故障类别、引起设备故障的原因、各类设备故障出现的次数、各类设备故障对应故障原因的出现次数、用户账户信息、登录密码等信息存储至SQL Server数据库中；
所述的数据接口模块分别与数据对比模块、深度学习模块和数据分析模块连接，将接收到的数据分别传输至数据对比模块、深度学习模块和数据分析模块；
所述的数据对比模块，接收数据接口模块的数据，并判断接收到的数据是否存于数据存储模块中，具体是利用机器学习技术建立文字对比系统，对比输入的数据与SQLServer数据库中存储的故障信息的相似度，从而判断输入的故障数据是否在数据存储模块中已存在；
所述的数据分析模块，接收数据接口模块的数据，根据用户的分析要求，从数据存储模块中获取数据，建立故障数据分析模型后，对接收到的数据进行分析，并将分析结果图表的形式传输至故障管理子系统的故障数据分析模块；
所述的深度学习模块，从数据存储模块中获取设备异常运行状态数据，利用概率神经网络建立故障预测模型，并利用训练好的故障预测模块对接收到的数据进行预测，预测设备的运行状态是否异常，并将预测结果通过通信模块传输至故障管理子系统的故障预测模块中，当预测结果为异常时，故障预测模块向用户发送报警信息。
所述的通信模块，是利用ZigBee技术，建立数据采集模块与中心控制系统之间的数据传输通道。
所述的数据采集模块，是由若干传感器和嵌入式系统构成的传感系统，用于采集SMT贴片机设备的运行状态数据。
一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统，其管理与诊断的方法，包括如下步骤：
1）用户将设备的故障数据储存到SQL Server数据库中，具体包括如下步骤如下：
1-1）用户通过故障管理子系统中的故障数据输入模块输入SMT贴片机异常运行时的设备故障类别、引起故障的原因和设备异常时的设备运行状态数据等信息；
1-2）用户通过故障数据输入模块输入的数据进入故障处理子系统后，经过数据接口模块进入到中心控制系统的数据对比模块；
1-3）数据对比模块中的文字对比系统根据输入的故障数据与SQL Server数据库中已有数据的相似度，进而判断用户输入的故障数据在数据存储模块中是否已经存在；
1-4）经过数据对比模块的数据被传送到数据存储模块中，数据存储模块根据数据对比模块的比对结果对输入的故障数据进行储存处理；若数据对比模块比对得出输入的故障数据在数据存储模块中不存在，则在SQL Server数据库新添加该故障信息；若数据对比模块比对得出输入的故障数据在数据存储系统中已存在，则通过修改储存在SQL Server数据库中对应的故障发生次数、故障原因出现的次数来更新数据库信息；
1-5）数据存储模块将存储结果反馈至故障管理子系统，以提醒用户此次故障数据存储操作是否成功；
2）分析设备故障数据，以帮助设备维护人员分析SMT贴片机的工作性能，具体包括如下步骤：
2-1）用户通过故障管理子系统的故障数据分析模块输入分析对象信息；
2-2）用户通过故障分析模块输入的分析对象信息，进入故障处理子系统后经过数据接口模块进入到中心控制模块的数据对比模块；
2-3）数据对比模块中的文字对比系统根据对比输入的分析对象信息与SQLServer数据库中已有故障数据的相似度，从而确定输入分析对象所需要的故障数据；
2-4）经过数据对比模块处理后的数据传输到数据存储模块中，并从数据存储模块中获取分析所需要的数据；
2-5）将从数据存储模块获得的数据传输到中心控制模块的数据分析模块中，数据分析模块根据分析对象的需求对获取的数据进行建模分析后，将分析结果传输故障管理子系统的故障数据分析模块中；
2-6）故障数据分析模块将获得的数据以图表的形式显示在操作界面上，用于帮助用户分析设备的工作性能；
3）诊断设备故障，用于用户根据已有的故障数据去诊断现有设备故障的原因，从而为设备维修提供一定的技术指导，具体包括如下步骤：
3-1）用户通过故障管理子系统中的故障诊断模块输入现有的设备故障类别；
3-2）用户通过故障诊断模块输入的设备故障类别进入故障处理子系统后经过数据接口模块进入到中心控制模块的数据对比模块；
3-3）数据对比模块中的文字对比系统根据对比输入的设备故障类别与SQLServer数据库中已有故障数据的相似度，从而确定诊断该类设备故障所需要的故障数据；
3-4）经过数据对比模块处理后的数据传输到数据存储模块后，从数据存储模块中获取诊断该类故障所需要的数据；
3-5）将从数据存储模块获得的数据传输到中心控制模块的数据分析模块中，数据分析模块对获取的数据进行建模，分析得到引起该类设备的原因以及各种原因出现的概率大小，并将分析结果传输给故障管理子系统的故障诊断模块中；
3-6）故障诊断模块将获得的数据以图表的形式显示在操作界面上，为设备维护提供技术指导；
4）根据设备的运行状态数据，预测设备的运行状态是否正常，具体包括如下步骤：
4-1）故障预测模型的建立与训练
4-1-1）收集较长一段时间内设备异常时的设备运行状态数据；
4-1-2）利用概率神经网络建立故障预测模型；
4-1-3）利用收集到的异常设备运行状态数据训练设备的故障预测模型；
4-1-4）将训练好的模型用于预测设备故障；
4-2）故障预测模型的使用
4-2-1）由若干传感器和嵌入式系统构成的数据采集模块实时采集设备的运行状态数据；
4-2-2）数据的通信模块传输给中心控制模块的数据接口模块，并通过数据接口模块进入到采集模块将采集到的数据通过ZigBee技术建立深度学习模块；
4-2-3）数据进入深度学习模块后，深度学习模块会利用已建立好的故障预测模型对数据采集模块获得设备运行状态数据对设备的运行状态进行预测；
4-2-4）当故障预测模型分析得出设备的运行状态异常时，通过报警提示用户，并将预测结果通过故障管理子系统的故障预测模块显示给用户；
4-2-5）用户根据报警信息去确认设备的运行状态是否正常；
4-2-6）若设备运行状态异常，则通过故障管理子系统中的故障数据输入模块将之前的故障数据输入到数据存储系统中，更新数据存储模块中的故障数据。
本发明提供的一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统，该系统通过故障管理子系统即可利用SQL Server数据库技术实现对SMT贴片机故障数据的智能化管理，降低了企业使用SQL Server数据库管理SMT贴片机故障数据的技术门槛；其次，通过利用SQL Sever数据库和神经网技术可以实现对SMT贴片机的故障诊断、故障预测和技术工人经验的长期储存与可视化管理；使得企业可以根据以往的故障数据进行设备故障诊断及设备故障预测以降低设备的故障发生率，为提高企业的生产效率和智能化水平产生十分重要的意义。
附图说明
图1为一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统的结构框图；
图2为故障数据输入的操作流程图；
图3为故障数据分析的操作流程图；
图4为故障诊断的操作流程图；
图5为故障预测的操作流程图。
具体实施方式
下面结合附图和实施例对本发明内容做进一步阐述，但不是对本发明的限定。
实施例：
如图1所示，一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统，包括故障管理子系统和故障处理子系统；所述故障管理子系统包括用户信息管理模块、故障数据输入模块、故障数据分析模块、故障诊断模块和故障预测模块；所述故障处理子系统包括数据采集模块、通信模块、数据存储模块和中心控制模块；所述中心控制模块包括数据接口模块、数据对比模块、数据分析模块和深度学习模块；其中故障管理子系统可以采用C#编写成操作界面，用户可以通过简单的界面操作利用SQL Server数据库技术实现对SMT贴片机故障数据的管理，该故障管理子系统是连接用户与故障处理系统的桥梁。
所述的用户信息管理模块，用于管理用户的账户信息，具体是通过该模块户进行注册和登录，进入管理系统；
所述的故障数据输入模块，用于将已有的设备故障数据添加保存至故障处理子系统的数据存储模块中；
所述的和故障诊断模块，根据故障数据输入模块输入至数据存储模块中的设备故障数据，并对输入的数据进行分析，诊断出设备故障的原因以及各种故障原因出现的概率；
所述的数据采集模块，用于采集SMT贴片机设备的运行状态数据，并将采集到的数据通过通信模块传输至数据接口模块；
所述的数据存储模块，用于存储设备的故障数据和管理用户的账户信息，具体是将设备的故障类别、引起设备故障的原因、各类设备故障出现的次数、各类设备故障对应故障原因的出现次数、用户账户信息、登录密码等信息存储至SQL Server数据库中；
所述的数据接口模块分别与数据对比模块、深度学习模块和数据分析模块连接，将接收到的数据分别传输至数据对比模块、深度学习模块和数据分析模块；
所述的数据对比模块，接收数据接口模块的数据，并判断接收到的数据是否存于数据存储模块中，具体是利用机器学习技术建立文字对比系统，对比输入的数据与SQLServer数据库中存储的故障信息的相似度，从而判断输入的故障数据是否在数据存储模块中已存在；
所述的数据分析模块，接收数据接口模块的数据，根据用户的分析要求，从数据存储模块中获取数据，建立故障数据分析模型后，对接收到的数据进行分析，并将分析结果图表的形式传输至故障管理子系统的故障数据分析模块；
所述的深度学习模块，从数据存储模块中获取设备异常运行状态数据，利用概率神经网络建立故障预测模型，并利用训练好的故障预测模块对接收到的数据进行预测，预测设备的运行状态是否异常，并将预测结果通过通信模块传输至故障管理子系统的故障预测模块中，当预测结果为异常时，故障预测模块向用户发送报警信息。
所述的通信模块，是利用ZigBee技术，建立数据采集模块与中心控制系统之间的数据传输通道。
所述的数据采集模块，是由若干传感器和嵌入式系统构成的传感系统，用于采集SMT贴片机设备的运行状态数据。
一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统，其管理与诊断的方法，包括如下步骤：
1）用户将设备的故障数据储存到SQL Server数据库中，如图2所示，具体包括如下步骤如下：
1-1）用户通过故障管理子系统中的故障数据输入模块输入SMT贴片机异常运行时的设备故障类别、引起故障的原因和设备异常时的设备运行状态数据等信息；
1-2）用户通过故障数据输入模块输入的数据进入故障处理子系统后，经过数据接口模块进入到中心控制系统的数据对比模块；
1-3）数据对比模块中的文字对比系统根据输入的故障数据与SQL Server数据库中已有数据的相似度，进而判断用户输入的故障数据在数据存储模块中是否已经存在；
1-4）经过数据对比模块的数据被传送到数据存储模块中，数据存储模块根据数据对比模块的比对结果对输入的故障数据进行储存处理；若数据对比模块比对得出输入的故障数据在数据存储模块中不存在，则在SQL Server数据库新添加该故障信息；若数据对比模块比对得出输入的故障数据在数据存储系统中已存在，则通过修改储存在SQL Server数据库中对应的故障发生次数、故障原因出现的次数来更新数据库信息；
1-5）数据存储模块将存储结果反馈至故障管理子系统，以提醒用户此次故障数据存储操作是否成功；
2）分析设备故障数据，以帮助设备维护人员分析SMT贴片机的工作性能，如图3所示，具体包括如下步骤：
2-1）用户通过故障管理子系统的故障数据分析模块输入分析对象信息；
2-2）用户通过故障分析模块输入的分析对象信息，进入故障处理子系统后经过数据接口模块进入到中心控制模块的数据对比模块；
2-3）数据对比模块中的文字对比系统根据对比输入的分析对象信息与SQLServer数据库中已有故障数据的相似度，从而确定输入分析对象所需要的故障数据；
2-4）经过数据对比模块处理后的数据传输到数据存储模块中，并从数据存储模块中获取分析所需要的数据；
2-5）将从数据存储模块获得的数据传输到中心控制模块的数据分析模块中，数据分析模块根据分析对象的需求对获取的数据进行建模分析后，将分析结果传输故障管理子系统的故障数据分析模块中；
2-6）故障数据分析模块将获得的数据以图表的形式显示在操作界面上，用于帮助用户分析设备的工作性能；
3）诊断设备故障，用于用户根据已有的故障数据去诊断现有设备故障的原因，从而为设备维修提供一定的技术指导，如图4所示，具体包括如下步骤：
3-1）用户通过故障管理子系统中的故障诊断模块输入现有的设备故障类别；
3-2）用户通过故障诊断模块输入的设备故障类别进入故障处理子系统后经过数据接口模块进入到中心控制模块的数据对比模块；
3-3）数据对比模块中的文字对比系统根据对比输入的设备故障类别与SQLServer数据库中已有故障数据的相似度，从而确定诊断该类设备故障所需要的故障数据；
3-4）经过数据对比模块处理后的数据传输到数据存储模块后，从数据存储模块中获取诊断该类故障所需要的数据；
3-5）将从数据存储模块获得的数据传输到中心控制模块的数据分析模块中，数据分析模块对获取的数据进行建模，分析得到引起该类设备的原因以及各种原因出现的概率大小，并将分析结果传输给故障管理子系统的故障诊断模块中；
3-6）故障诊断模块将获得的数据以图表的形式显示在操作界面上，为设备维护提供技术指导；
4）根据设备的运行状态数据，预测设备的运行状态是否正常，如图5所示，具体包括如下步骤：
4-1）故障预测模型的建立与训练
4-1-1）收集较长一段时间内设备异常时的设备运行状态数据；
4-1-2）利用概率神经网络建立故障预测模型；
4-1-3）利用收集到的异常设备运行状态数据训练设备的故障预测模型；
4-1-4）将训练好的模型用于预测设备故障；
4-2）故障预测模型的使用
4-2-1）由若干传感器和嵌入式系统构成的数据采集模块实时采集设备的运行状态数据；
4-2-2）数据的通信模块传输给中心控制模块的数据接口模块，并通过数据接口模块进入到采集模块将采集到的数据通过ZigBee技术建立深度学习模块；
4-2-3）数据进入深度学习模块后，深度学习模块会利用已建立好的故障预测模型对数据采集模块获得设备运行状态数据对设备的运行状态进行预测；
4-2-4）当故障预测模型分析得出设备的运行状态异常时，通过报警提示用户，并将预测结果通过故障管理子系统的故障预测模块显示给用户；
4-2-5）用户根据报警信息去确认设备的运行状态是否正常；
4-2-6）若设备运行状态异常，则通过故障管理子系统中的故障数据输入模块将之前的故障数据输入到数据存储系统中，更新数据存储模块中的故障数据。
Claims (4)
1. 一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统，其特征在于，包括故障管理子系统和故障处理子系统；所述故障管理子系统包括用户信息管理模块、故障数据输入模块、故障数据分析模块、故障诊断模块和故障预测模块；所述故障处理子系统包括数据采集模块、通信模块、数据存储模块和中心控制模块；所述中心控制模块包括数据接口模块、数据对比模块、数据分析模块和深度学习模块；
所述的用户信息管理模块，用于管理用户的账户信息，具体是通过该模块户进行注册和登录，进入管理系统；
所述的故障数据输入模块，用于将已有的设备故障数据添加保存至故障处理子系统的数据存储模块中；
所述的和故障诊断模块，根据故障数据输入模块输入至数据存储模块中的设备故障数据，并对输入的数据进行分析，诊断出设备故障的原因以及各种故障原因出现的概率；
所述的数据采集模块，用于采集SMT贴片机设备的运行状态数据，并将采集到的数据通过通信模块传输至数据接口模块；
所述的数据存储模块，用于存储设备的故障数据和管理用户的账户信息，具体是将设备的故障类别、引起设备故障的原因、各类设备故障出现的次数、各类设备故障对应故障原因的出现次数、用户账户信息、登录密码等信息存储至SQL Server数据库中；
所述的数据接口模块分别与数据对比模块、深度学习模块和数据分析模块连接，将接收到的数据分别传输至数据对比模块、深度学习模块和数据分析模块；
所述的数据对比模块，接收数据接口模块的数据，并判断接收到的数据是否存于数据存储模块中，具体是利用机器学习技术建立文字对比系统，对比输入的数据与SQL Server数据库中存储的故障信息的相似度，从而判断输入的故障数据是否在数据存储模块中已存在；
所述的数据分析模块，接收数据接口模块的数据，根据用户的分析要求，从数据存储模块中获取数据，建立故障数据分析模型后，对接收到的数据进行分析，并将分析结果图表的形式传输至故障管理子系统的故障数据分析模块；
所述的深度学习模块，从数据存储模块中获取设备异常运行状态数据，利用概率神经网络建立故障预测模型，并利用训练好的故障预测模块对接收到的数据进行预测，预测设备的运行状态是否异常，并将预测结果通过通信模块传输至故障管理子系统的故障预测模块中，当预测结果为异常时，故障预测模块向用户发送报警信息。
2. 根据权利要求1所述的一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统，其特征在于，所述的通信模块，是利用ZigBee技术，建立数据采集模块与中心控制系统之间的数据传输通道。
3. 根据权利要求1所述的一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统，其特征在于，所述的数据采集模块，是由若干传感器和嵌入式系统构成的传感系统，用于采集SMT贴片机设备的运行状态数据。
4. 根据权利要求1所述的一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统，其特征在于，其管理与诊断的方法，包括如下步骤：
1）用户将设备的故障数据储存到SQL Server数据库中，具体包括如下步骤如下：
1-1）用户通过故障管理子系统中的故障数据输入模块输入SMT贴片机异常运行时的设备故障类别、引起故障的原因和设备异常时的设备运行状态数据等信息；
1-2）用户通过故障数据输入模块输入的数据进入故障处理子系统后，经过数据接口模块进入到中心控制系统的数据对比模块；
1-3）数据对比模块中的文字对比系统根据输入的故障数据与SQL Server数据库中已有数据的相似度，进而判断用户输入的故障数据在数据存储模块中是否已经存在；
1-4）经过数据对比模块的数据被传送到数据存储模块中，数据存储模块根据数据对比模块的比对结果对输入的故障数据进行储存处理；若数据对比模块比对得出输入的故障数据在数据存储模块中不存在，则在SQL Server数据库新添加该故障信息；若数据对比模块比对得出输入的故障数据在数据存储系统中已存在，则通过修改储存在SQL Server数据库中对应的故障发生次数、故障原因出现的次数来更新数据库信息；
1-5）数据存储模块将存储结果反馈至故障管理子系统，以提醒用户此次故障数据存储操作是否成功；
2）分析设备故障数据，以帮助设备维护人员分析SMT贴片机的工作性能，具体包括如下步骤：
2-1）用户通过故障管理子系统的故障数据分析模块输入分析对象信息；
2-2）用户通过故障分析模块输入的分析对象信息，进入故障处理子系统后经过数据接口模块进入到中心控制模块的数据对比模块；
2-3）数据对比模块中的文字对比系统根据对比输入的分析对象信息与SQL Server数据库中已有故障数据的相似度，从而确定输入分析对象所需要的故障数据；
2-4）经过数据对比模块处理后的数据传输到数据存储模块中，并从数据存储模块中获取分析所需要的数据；
2-5）将从数据存储模块获得的数据传输到中心控制模块的数据分析模块中，数据分析模块根据分析对象的需求对获取的数据进行建模分析后，将分析结果传输故障管理子系统的故障数据分析模块中；
2-6）故障数据分析模块将获得的数据以图表的形式显示在操作界面上，用于帮助用户分析设备的工作性能；
3）诊断设备故障，用于用户根据已有的故障数据去诊断现有设备故障的原因，从而为设备维修提供一定的技术指导，具体包括如下步骤：
3-1）用户通过故障管理子系统中的故障诊断模块输入现有的设备故障类别；
3-2）用户通过故障诊断模块输入的设备故障类别进入故障处理子系统后经过数据接口模块进入到中心控制模块的数据对比模块；
3-3）数据对比模块中的文字对比系统根据对比输入的设备故障类别与SQL Server数据库中已有故障数据的相似度，从而确定诊断该类设备故障所需要的故障数据；
3-4）经过数据对比模块处理后的数据传输到数据存储模块后，从数据存储模块中获取诊断该类故障所需要的数据；
3-5）将从数据存储模块获得的数据传输到中心控制模块的数据分析模块中，数据分析模块对获取的数据进行建模，分析得到引起该类设备的原因以及各种原因出现的概率大小，并将分析结果传输给故障管理子系统的故障诊断模块中；
3-6）故障诊断模块将获得的数据以图表的形式显示在操作界面上，为设备维护提供技术指导；
4）根据设备的运行状态数据，预测设备的运行状态是否正常，具体包括如下步骤：
4-1）故障预测模型的建立与训练
4-1-1）收集较长一段时间内设备异常时的设备运行状态数据；
4-1-2）利用概率神经网络建立故障预测模型；
4-1-3）利用收集到的异常设备运行状态数据训练设备的故障预测模型；
4-1-4）将训练好的模型用于预测设备故障；
4-2）故障预测模型的使用
4-2-1）由若干传感器和嵌入式系统构成的数据采集模块实时采集设备的运行状态数据；
4-2-2）数据的通信模块传输给中心控制模块的数据接口模块，并通过数据接口模块进入到采集模块将采集到的数据通过ZigBee技术建立深度学习模块；
4-2-3）数据进入深度学习模块后，深度学习模块会利用已建立好的故障预测模型对数据采集模块获得设备运行状态数据对设备的运行状态进行预测；
4-2-4）当故障预测模型分析得出设备的运行状态异常时，通过报警提示用户，并将预测结果通过故障管理子系统的故障预测模块显示给用户；
4-2-5）用户根据报警信息去确认设备的运行状态是否正常；
4-2-6）若设备运行状态异常，则通过故障管理子系统中的故障数据输入模块将之前的故障数据输入到数据存储系统中，更新数据存储模块中的故障数据。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110323635.5A CN112988843B (zh) | 2021-03-26 | 2021-03-26 | 一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统 |
| PCT/CN2021/113453 WO2022037631A1 (zh) | 2020-08-21 | 2021-08-19 | 杂环类衍生物及其制备方法和用途 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110323635.5A CN112988843B (zh) | 2021-03-26 | 2021-03-26 | 一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112988843A true CN112988843A (zh) | 2021-06-18 |
| CN112988843B CN112988843B (zh) | 2022-05-24 |
Family
ID=76333667
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110323635.5A Active CN112988843B (zh) | 2020-08-21 | 2021-03-26 | 一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112988843B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116056443A (zh) * | 2023-04-03 | 2023-05-02 | 四川易景智能终端有限公司 | 一种基于5g通信的smt贴片故障诊断系统 |
| CN116827764A (zh) * | 2023-08-23 | 2023-09-29 | 山西绿柳科技有限公司 | 一种基于神经网络的物联网故障检测控制方法及系统 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105045256A (zh) * | 2015-07-08 | 2015-11-11 | 北京泰乐德信息技术有限公司 | 基于数据对比分析的轨道交通实时故障诊断方法和系统 |
| CN105095963A (zh) * | 2015-08-17 | 2015-11-25 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种精确诊断与预测风洞设备故障的方法 |
| CN106251059A (zh) * | 2016-07-27 | 2016-12-21 | 中国电力科学研究院 | 一种基于概率神经网络算法的电缆状态评估方法 |
| CN107328582A (zh) * | 2017-08-25 | 2017-11-07 | 中国人民解放军镇江船艇学院 | 柴油机故障检测装置 |
| CN108520339A (zh) * | 2018-03-23 | 2018-09-11 | 佛山科学技术学院 | 一种电力网络故障诊断系统及方法 |
| CN109491816A (zh) * | 2018-10-19 | 2019-03-19 | 中国船舶重工集团公司第七六研究所 | 基于知识的故障诊断方法 |
| CN109739213A (zh) * | 2019-01-07 | 2019-05-10 | 东莞百宏实业有限公司 | 一种故障预测系统以及预测方法 |
| US20190205746A1 (en) * | 2017-12-29 | 2019-07-04 | Intel Corporation | Machine learning sparse computation mechanism for arbitrary neural networks, arithmetic compute microarchitecture, and sparsity for training mechanism |
| CN110297179A (zh) * | 2018-05-11 | 2019-10-01 | 宫文峰 | 基于集成深度学习的柴油发电机故障预测与监测系统装置 |
| CN111098463A (zh) * | 2018-10-27 | 2020-05-05 | 泰瑞机器股份有限公司 | 一种注塑机故障诊断系统及诊断方法 |
| CN111124852A (zh) * | 2019-11-21 | 2020-05-08 | 北京计算机技术及应用研究所 | 一种基于bmc健康管理模块的故障预测方法及系统 |
| CN112101431A (zh) * | 2020-08-30 | 2020-12-18 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 电子设备故障诊断系统 |
| CN112231493A (zh) * | 2020-11-10 | 2021-01-15 | 泽恩科技有限公司 | 基于知识图谱的机房故障诊断方法、装置、设备及介质 |
| CN112418451A (zh) * | 2020-11-05 | 2021-02-26 | 武汉大学 | 基于数字孪生的变压器故障诊断定位系统 |
-
2021
- 2021-03-26 CN CN202110323635.5A patent/CN112988843B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105045256A (zh) * | 2015-07-08 | 2015-11-11 | 北京泰乐德信息技术有限公司 | 基于数据对比分析的轨道交通实时故障诊断方法和系统 |
| CN105095963A (zh) * | 2015-08-17 | 2015-11-25 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种精确诊断与预测风洞设备故障的方法 |
| CN106251059A (zh) * | 2016-07-27 | 2016-12-21 | 中国电力科学研究院 | 一种基于概率神经网络算法的电缆状态评估方法 |
| CN107328582A (zh) * | 2017-08-25 | 2017-11-07 | 中国人民解放军镇江船艇学院 | 柴油机故障检测装置 |
| US20190205746A1 (en) * | 2017-12-29 | 2019-07-04 | Intel Corporation | Machine learning sparse computation mechanism for arbitrary neural networks, arithmetic compute microarchitecture, and sparsity for training mechanism |
| CN108520339A (zh) * | 2018-03-23 | 2018-09-11 | 佛山科学技术学院 | 一种电力网络故障诊断系统及方法 |
| CN110297179A (zh) * | 2018-05-11 | 2019-10-01 | 宫文峰 | 基于集成深度学习的柴油发电机故障预测与监测系统装置 |
| CN109491816A (zh) * | 2018-10-19 | 2019-03-19 | 中国船舶重工集团公司第七六研究所 | 基于知识的故障诊断方法 |
| CN111098463A (zh) * | 2018-10-27 | 2020-05-05 | 泰瑞机器股份有限公司 | 一种注塑机故障诊断系统及诊断方法 |
| CN109739213A (zh) * | 2019-01-07 | 2019-05-10 | 东莞百宏实业有限公司 | 一种故障预测系统以及预测方法 |
| CN111124852A (zh) * | 2019-11-21 | 2020-05-08 | 北京计算机技术及应用研究所 | 一种基于bmc健康管理模块的故障预测方法及系统 |
| CN112101431A (zh) * | 2020-08-30 | 2020-12-18 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 电子设备故障诊断系统 |
| CN112418451A (zh) * | 2020-11-05 | 2021-02-26 | 武汉大学 | 基于数字孪生的变压器故障诊断定位系统 |
| CN112231493A (zh) * | 2020-11-10 | 2021-01-15 | 泽恩科技有限公司 | 基于知识图谱的机房故障诊断方法、装置、设备及介质 |
Non-Patent Citations (4)
| Title |
|---|
| 但斌斌等: "基于神经网络的高线中轧电机故障诊断的研究", 《机电工程技术》 * |
| 但斌斌等: "基于神经网络的高线中轧电机故障诊断的研究", 《机电工程技术》, no. 07, 15 July 2009 (2009-07-15), pages 51 - 52 * |
| 董辛？等: "风机远程监测与故障诊断系统中数据库的设计", 《化工装备技术》 * |
| 董辛？等: "风机远程监测与故障诊断系统中数据库的设计", 《化工装备技术》, no. 03, 30 June 2005 (2005-06-30), pages 68 - 70 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116056443A (zh) * | 2023-04-03 | 2023-05-02 | 四川易景智能终端有限公司 | 一种基于5g通信的smt贴片故障诊断系统 |
| CN116827764A (zh) * | 2023-08-23 | 2023-09-29 | 山西绿柳科技有限公司 | 一种基于神经网络的物联网故障检测控制方法及系统 |
| CN116827764B (zh) * | 2023-08-23 | 2023-11-03 | 山西绿柳科技有限公司 | 一种基于神经网络的物联网故障检测控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112988843B (zh) | 2022-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102765643B (zh) | 基于数据驱动的电梯故障诊断与预警方法 | |
| CN103760901B (zh) | 一种基于关联规则分类器的轨道交通故障识别方法 | |
| CN112988843B (zh) | 一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统 | |
| CN110084158B (zh) | 一种基于智能算法的用电设备识别方法 | |
| CN112492567B (zh) | 一种应急指挥通信中的故障分析和解决方法及装置 | |
| CN116823227A (zh) | 一种基于物联网的智能设备管理系统及方法 | |
| CN101833324A (zh) | 胎面挤出过程智能故障诊断系统及其诊断方法 | |
| CN111124852A (zh) | 一种基于bmc健康管理模块的故障预测方法及系统 | |
| CN116185757B (zh) | 机房能耗智能监测系统 | |
| CN114640177B (zh) | 一种基于电力能效监测装置的电力能效监测方法 | |
| CN113516244A (zh) | 一种智能运维方法、装置、电子设备及存储介质 | |
| CN116125958A (zh) | 一种基于数字孪生的智能化工厂故障诊断与决策系统 | |
| CN117055502A (zh) | 基于物联网和大数据分析的智能控制系统 | |
| CN111062827B (zh) | 一种基于人工智能模式的工程监理方法 | |
| CN117408162A (zh) | 基于数字孪生的电网故障控制方法 | |
| CN116523722A (zh) | 一种具备机器学习能力的环境监测分析系统 | |
| CN113807462B (zh) | 一种基于ai的网络设备故障原因定位方法及其系统 | |
| CN116824734A (zh) | 一种基于数字孪生的设备远程故障诊断方法、系统和装置 | |
| CN115438093A (zh) | 一种电力通信设备故障判断方法与检测系统 | |
| CN113835387A (zh) | 运维管理方法、系统及介质 | |
| CN117648237B (zh) | 性能测试过程自动监控方法 | |
| CN116774135B (zh) | 一种远程抄表异常监测方法及系统 | |
| CN117728582B (zh) | 一种具有自适应判断能力的5g电力监控系统 | |
| CN110596586B (zh) | 一种基于Alexnet算法的电机电流波形分析方法 | |
| CN114722715A (zh) | 基于机器学习的设备故障处理方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210618 Assignee: Guilin Shenghui Technology Co.,Ltd. Assignor: GUILIN University OF ELECTRONIC TECHNOLOGY Contract record no.: X2023980044665 Denomination of invention: A Fault Management and Diagnosis System for SMT Mounter Based on SQL Server Database Granted publication date: 20220524 License type: Common License Record date: 20231031 Application publication date: 20210618 Assignee: Guilin Yuanjing Electronic Technology Co.,Ltd. Assignor: GUILIN University OF ELECTRONIC TECHNOLOGY Contract record no.: X2023980044645 Denomination of invention: A Fault Management and Diagnosis System for SMT Mounter Based on SQL Server Database Granted publication date: 20220524 License type: Common License Record date: 20231030 |
|
| EE01 | Entry into force of recordation of patent licensing contract |