CN113156899A - 安全联锁失效预测方法以及卷包生产系统 - Google Patents
安全联锁失效预测方法以及卷包生产系统 Download PDFInfo
- Publication number
- CN113156899A CN113156899A CN202110268730.XA CN202110268730A CN113156899A CN 113156899 A CN113156899 A CN 113156899A CN 202110268730 A CN202110268730 A CN 202110268730A CN 113156899 A CN113156899 A CN 113156899A
- Authority
- CN
- China
- Prior art keywords
- alarm information
- safety
- fault
- failure prediction
- safety interlock
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims description 26
- 229920000298 Cellophane Polymers 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 3
- 230000007123 defense Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012706 support-vector machine 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]
- G05B19/41885—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 modeling, simulation of the manufacturing system
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供一种安全联锁失效预测方法以及卷包生产系统,其应用于实时地预测安全联锁装置是否失效,安全联锁装置应用于配置了安全防护罩的生产设备,安全联锁失效预测方法包括:安全联锁失效预测模型获取生产设备的实时运行数据进行预测;安全联锁失效预测模型根据实时运行数据中的故障停机报警信息以及非故障护罩报警信息,对安全联锁装置是否失效进行预测,并生成预测结果;若预测结果表明安全联锁装置失效,则生成预警信息;故障停机报警信息为打开安全保护罩使生产设备停机时产生的报警信息,非故障护罩报警信息为生产设备停机后开合安全保护罩时产生的报警信息。本申请可以准确地判断出安全联锁装置是否失效,从而保证了生产的安全性。
Description
技术领域
本申请实施例涉及安全生产技术领域,尤其涉及一种安全联锁失效预测方法以及卷包生产系统。
背景技术
卷包现场设备均有安全防护罩以及安全联锁防护装置,正常情况下,在设备运行过程中,安全防护罩打开会触发安全联锁装置动作,进而改变输入到卷包现场设备的电控系统的信号状态,使得卷包现场设备将立即停机,直到安全防护罩再次关闭并复位后,才能重启卷包现场设备。一般采用操作人员点检与安全员巡检的方式判断包装机组安全联锁装置是否失效,这是基于“人防”与“物防”的基础手段。这种基础手段会出现安全联锁装置实际已失效但却未巡检出来,由此导致潜在的安全问题。
发明内容
有鉴于此,本申请实施例所解决的技术问题之一在于提供一种安全联锁失效预测方法以及卷包生产系统,用以克服或者缓解现有技术中上述缺陷。
第一方面,本申请实施例提供一种安全联锁失效预测方法,其应用于实时地预测安全联锁装置是否失效,所述安全联锁装置应用于配置了安全防护罩的生产设备,所述安全联锁失效预测方法包括:
安全联锁失效预测模型获取所述生产设备的实时运行数据进行预测;
所述安全联锁失效预测模型根据所述实时运行数据中的故障停机报警信息以及非故障护罩报警信息,对所述安全联锁装置是否失效进行预测,并生成预测结果;
若所述预测结果表明所述安全联锁装置失效,则生成预警信息;
其中,所述故障停机报警信息为打开所述安全保护罩使所述生产设备停机时产生的报警信息,所述非故障护罩报警信息为所述生产设备停机后开合所述安全保护罩时产生的报警信息。
可选地,在本申请一实施例中,所述安全联锁失效预测方法,还包括:对所述生产设备的目标部位进行故障监测,若监测到所述目标部位发生故障,则生成打开所述安全保护罩的提示。
可选地,在本申请一实施例中,所述目标部位的故障包括第一提升器发生堵塞、第二提升器发生堵塞、CV条透玻璃纸丢失、CV透明纸耗尽或者缺少、CV拉带用完、CT上部折叠器堵塞、CV透明纸展开堵塞中至少其一。
可选地,在本申请一实施例中,所述安全联锁失效预测模型获取所述生产设备的运行数据之前,包括:
获取所述生产设备的历史运行数据;
基于所述历史运行数据中的故障停机报警信息以及非故障护罩报警信息,训练所述安全联锁失效预测模型,所述故障停机报警信息为在预设的监控时段内目标部位存在故障致使所述生产设备停机的总次数超过3次的报警信息。
可选地,在本申请一实施例中,所述安全联锁失效预测模型获取所述生产设备的实时运行数据之后,所述安全联锁失效预测模型根据所述实时运行数据中的故障停机报警信息以及非故障护罩报警信息,对所述安全联锁装置是否失效进行预测,并生成预测结果之前,包括:
数据采集装置采集所述实时运行数据中的故障停机报警信息以及非故障护罩报警信息。
可选地,在本申请一实施例中,所述数据采集装置采集所述实时运行数据中的故障停机报警信息以及非故障护罩报警信息,包括:所述数据采集装置通过对所述实时运行数据的类型进行识别,以采集所述实时运行数据中的故障停机报警信息以及非故障护罩报警信息。
可选地,在本申请一实施例中,所述数据采集装置通过对所述实时运行数据的类型进行识别,以采集所述实时运行数据中的故障停机报警信息以及非故障护罩报警信息,包括:所述数据采集装置通过对所述实时运行数据的类型进行识别,确定出报警信息队列,所述报警信息队列包括故障停机报警信息以及非故障护罩报警信息,所述故障报警信息位于所述报警信息队列的队首,所述非故障护罩报警信息位于所述故障报警信息之后。
可选地,在本申请一实施例中,所述数据采集装置通过对所述实时运行数据的类型进行识别,确定出报警信息队列,包括:所述数据采集装置对所述实时运行数据的类型进行识别,以监控是否产生报警信息,并建立报警信息列表;根据所述报警信息列表生成报警信息队列;在所述生产设备从停机变为运行时清空所述报警信息队列,或者,从运行变为停机时将监控到的所述报警信息插入到所述报警信息列表中。
第二方面,本申请实施例提供一种卷包生产系统,所述卷包生产系统包括卷包生产装置、为所述卷包生产装置配置的安全保护罩,以及在所述安全保护罩打开时触发安全联锁装置进行工作,所述安全联锁装置使得所述卷包生产装置停机,所述安全联锁装置是否失效通过本申请任一实施例所述安全联锁失效预测方法进行预测。
本申请实施例的技术方案中,通过安全联锁失效预测模型获取所述生产设备的实时运行数据进行预测;所述安全联锁失效预测模型根据所述实时运行数据中的故障停机报警信息以及非故障护罩报警信息,对所述安全联锁装置是否失效进行预测,并生成预测结果;若所述预测结果表明所述安全联锁装置失效,则生成预警信息;其中,所述故障停机报警信息为打开所述安全保护罩使所述生产设备停机时产生的报警信息,所述非故障护罩报警信息为所述生产设备停机后开合所述安全保护罩时产生的报警信息,从而解决现有技术中安全联锁装置实际已失效但未人工巡检出来的问题,或称之,可以准确地判断出安全联锁装置是否失效,从而保证了生产的安全性。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本申请实施例的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应所述理解,这些附图未必是按比例绘制的。附图中:
图1为本申请实施例安全联锁失效预测方法的流程示意图;
图2为本申请实施例数据采集方法流程示意图;
图3为本申请实施例数据采集方法流程示意图;
图4为本申请实施例中安全联锁失效预测模型的训练方法。
具体实施方式
实施本申请实施例的任一技术方案必不一定需要同时达到以上的所有优点。
为了使本领域的人员更好地理解本申请实施例中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,本领域普通技术人员所获得的所有其他实施例,都应当属于本申请实施例保护的范围。
下面结合本申请实施例附图进一步说明本申请实施例的具体实现。
图1为本申请实施例安全联锁失效预测方法的流程示意图;该安全联锁失效预测方法应用于实时地预测安全联锁装置是否失效,所述安全联锁装置应用于配置了安全防护罩的生产设备。
如图1所示,所述安全联锁失效预测方法包括:
S101、安全联锁失效预测模型获取所述生产设备的实时运行数据进行预测;
S102、所述安全联锁失效预测模型根据所述实时运行数据中的故障停机报警信息以及非故障护罩报警信息,对所述安全联锁装置是否失效进行预测,并生成预测结果;
S103、若所述预测结果表明所述安全联锁装置失效,则生成预警信息;
具体地,本实施例中,所述故障停机报警信息为安全防护罩所保护范围内生产设备停机时产生的报警信息,所述非故障护罩报警信息为所述生产设备停机后开合所述安全保护罩时产生的报警信息。否则,则不生成预警信息。
可选地,在本申请一实施例中,所述安全联锁失效预测方法,还包括:对所述生产设备的目标部位进行故障监测,若检测到所述目标部位发生故障,则生成打开所述安全保护罩的提示。
可选地,在本申请一实施例中,所述目标部位的故障包括第一提升器发生堵塞、第二提升器发生堵塞、CV条透玻璃纸丢失、CV透明纸耗尽或者缺少、CV拉带用完、CT上部折叠器堵塞、CV透明纸展开堵塞中至少其一。
本实施例中,所述安全联锁失效预测模型是利用样本报警信息对选择的预测模型进行训练得到的,所述预测模型可以根据应用场景来确定。具体地,可以通过非线性支持向量机算法(Non-Linear Support Vector Machine,Non-Linear SVM)对选择的预测模型进行训练得到所述安全联锁失效预测模型。
本实施例中,在生产设备生产的过程中,比如需要进行故障处理时必然对安全防护罩进行开合操作。为此,本实施例中,针对故障处理时产生的上述故障停机报警信息,还针对安全保护罩被打开的情形而产生的非故障护罩报警信息,基于这种应用场景的假设,从而准确全面地训练上述预测模型从而得到准确的安全联锁失效预测模型,以对所述安全联锁装置是否失效进行准确地预测。
进一步地,本实施例中,为了保证数据的安全,可以将上述故障停机报警信息以及非故障护罩报警信息存储在数据库服务器上,所述安全联锁失效预测模型通过加密的数据通道从所述数据库服务器上获取上述故障停机报警信息以及非故障护罩报警信息。
图2为本申请实施例数据采集方法流程示意图;在所述安全联锁失效预测模型获取所述生产设备的实时运行数据之后,所述安全联锁失效预测模型根据所述实时运行数据中的故障停机报警信息以及非故障护罩报警信息,对所述安全联锁装置是否失效进行预测,并生成预测结果之前,执行本数据采集方法,包括:数据采集装置采集所述实时运行数据中的故障停机报警信息以及非故障护罩报警信息。
可选地,在本申请一实施例中,所述数据采集装置采集所述实时运行数据中的故障停机报警信息以及非故障护罩报警信息,包括:所述数据采集装置通过对所述实时运行数据的类型进行识别,以采集所述实时运行数据中的故障停机报警信息以及非故障护罩报警信息。
可选地,在本申请一实施例中,所述实时运行数据包括红色信息次数、设备产量、相关剔除量、相关停机原因组成的四维特征数据,所述数据采集装置通过采用包裹式特征选择中的递归式特征消除方法对所述实时运行数据的类型进行识别,以采集所述实时运行数据中的故障停机报警信息以及非故障护罩报警信息,从而提高了数据识别的的准确度。
可选地,在本请一实施例中,基于线性SVM和逻辑回归做基分类器、步长为1,所述数据采集装置通过采用包裹式特征选择中的递归式特征消除方法对所述实时运行数据的类型进行识别,以采集所述实时运行数据中的故障停机报警信息以及非故障护罩报警信息,从而提高了数据识别的效率和准确度。
可选地,在本申请一实施例中,所述数据采集装置通过对所述实时运行数据的类型进行识别,以采集所述实时运行数据中的故障停机报警信息以及非故障护罩报警信息,包括:所述数据采集装置通过对所述实时运行数据的类型进行识别,确定出报警信息队列,所述报警信息队列包括故障停机报警信息以及非故障护罩报警信息,所述故障报警信息位于所述报警信息队列的队首,所述非故障护罩报警信息位于所述故障报警信息之后。
可选地,在本申请一实施例中,所述数据采集装置通过对所述实时运行数据的类型进行识别,确定出报警信息队列,包括:
S201、所述数据采集装置对所述实时运行数据的类型进行识别,以监控是否产生报警信息,并建立报警信息列表;
S202、根据所述报警信息列表生成报警信息队列;在所述生产设备从停机变为运行时清空所述报警信息队列,或者,从运行变为停机时将监控到的所述报警信息插入到所述报警信息列表中。
图3为本申请实施例数据采集方法流程示意图;如图3所示,本实施例中,包括:
S301、加载配置初始化;
S302、建立因安全保护罩开合导致的所述报警信息列表;
S303、判断所述生产设备从停机变为运行还是从运行变为停机;
S304A、若所述生产设备从停机变为运行时清空所述报警信息队列;
S304B、若所述生产设备从运行变为停机时将监控到的所述报警信息插入到所述报警信息列表中并开始计时以统计所述安全防护罩的开合次数。
图4为本申请实施例中安全联锁失效预测模型的训练方法;如图4所示,所述安全联锁失效预测模型获取所述生产设备的运行数据之前训练所述安全联锁失效预测模型,具体地,训练方法包括:
S401、获取所述生产设备的历史运行数据;
S402、基于所述历史运行数据中的故障停机报警信息以及所述故障非停机报警信息,训练所述安全联锁失效预测模型,所述故障停机报警信息为在预设的监控时段内目标部位存在故障致使所述生产设备停机的总次数超过3次的报警信息,所述生产设备从而筛除掉在稳定运行过程中安全防护罩开合信息也较少而导致很难准确判断护罩安全联锁失效状态的数据,保证了可以准确地预测出所述安全联锁装置是否失效。如前所述,所述目标部位的故障包括第一提升器发生堵塞、第二提升器发生堵塞、CV条透玻璃纸丢失、CV透明纸耗尽或者缺少、CV拉带用完、CT上部折叠器堵塞、CV透明纸展开堵塞中至少其一。
可选地,在本申请一实施例中,所述历史运行数据中的故障停机报警信息以及所述故障非停机报警信息组成数据集,该数据集随机分成训练集与测试集比例为8:2,其中,训练集用于训练所述安全联锁失效预测模型,所述测试集用于测试所述安全联锁失效预测模型是否准确,从而提高了泛化效果。
可选地,在本申请一实施例中,所述安全联锁失效预测模型如下:
所述安全联锁失效预测模型如下:其中,α*表示第一训练参数向量(比如具体为拉格朗日乘子向量),b*表示第二训练参数向量,xi表示所述故障停机报警信息与非故障护罩报警信息构成的二维特征向量,yi表示对xi的训练标签取值±1,K(x,xi)表示训练内核,所述训练内核为非线性高斯内核,sign表示符号函数,若所述安全联锁装置失效,则所述符号函数的值为1,否则,所述符号函数的值为-1,从而完成了将二维特征映射到更高维度的空间,寻找一个超平面进行分类,实现了将非线性问题转化为线性问题求解,到最佳的第一训练参数向量和第二训练参数向量。另外,由于加入了训练标签,训练标签体现了对安全联锁失效程度的理解,所以不同的训练标签可以实现训练阶段的输入不同,因此在实践应用中及时对检查反馈情况与预测情况进行比对,以优化模型的参数,提高训练模型的准确度。
进一步地,在进行训练时,满足如下约束条件,从而得到最佳的第一训练参数向量和第二训练参数向量,且提高了模型训练的准确率:
第二方面,本申请实施例提供一种卷包生产系统,所述卷包生产系统包括卷包生产装置、为所述卷包生产装置配置的安全保护罩,以及在所述安全保护罩打开时触发安全联锁装置进行工作,所述安全联锁装置使得所述卷包生产装置停机,所述安全联锁装置是否失效通过本申请任一实施例所述安全联锁失效预测方法进行预测。
至此,已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作可以按照不同的顺序来运行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序,以实现期望的结果。在某些实施方式中,多任务处理和并行处理可以是有利的。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个…”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他一实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (9)
1.一种安全联锁失效预测方法,其特征在于,应用于实时地预测安全联锁装置是否失效,所述安全联锁装置应用于配置了安全防护罩的生产设备,所述安全联锁失效预测方法包括:
安全联锁失效预测模型获取所述生产设备的实时运行数据进行预测;
所述安全联锁失效预测模型根据所述实时运行数据中的故障停机报警信息以及非故障护罩报警信息,对所述安全联锁装置是否失效进行预测,并生成预测结果;
若所述预测结果表明所述安全联锁装置失效,则生成预警信息;
其中,所述故障停机报警信息为所述安全防护罩所保护范围内所述生产设备停机时产生的报警信息,所述非故障护罩报警信息为所述生产设备停机后开合所述安全保护罩时产生的报警信息。
2.根据权利要求1所述安全联锁失效预测方法,其特征在于,所述安全联锁失效预测方法,还包括:对所述生产设备的目标部位进行故障监测,若监测到所述目标部位发生故障,则生成打开所述安全保护罩的提示。
3.根据所述权利要求2所述安全联锁失效预测方法,其特征在于,所述目标部位的故障包括第一提升器发生堵塞、第二提升器发生堵塞、CV条透玻璃纸丢失、CV透明纸耗尽或者缺少、CV拉带用完、CT上部折叠器堵塞、CV透明纸展开堵塞中至少其一。
4.根据权利要求1所述安全联锁失效预测方法,其特征在于,所述安全联锁失效预测模型获取所述生产设备的运行数据之前,包括:
获取所述生产设备的历史运行数据;
基于所述历史运行数据中的故障停机报警信息以及非故障护罩报警信息,训练所述安全联锁失效预测模型,所述故障停机报警信息为在预设的监控时段内目标部位存在故障致使所述生产设备停机的总次数超过3次的报警信息。
5.根据权利要求1所述安全联锁失效预测方法,其特征在于,所述安全联锁失效预测模型获取所述生产设备的实时运行数据之后,所述安全联锁失效预测模型根据所述实时运行数据中的故障停机报警信息以及非故障护罩报警信息,对所述安全联锁装置是否失效进行预测,并生成预测结果之前,包括:
数据采集装置采集所述实时运行数据中的故障停机报警信息以及非故障护罩报警信息。
6.根据权利要求5所述安全联锁失效预测方法,其特征在于,所述数据采集装置采集所述实时运行数据中的故障停机报警信息以及非故障护罩报警信息,包括:所述数据采集装置通过对所述实时运行数据的类型进行识别,以采集所述实时运行数据中的故障停机报警信息以及非故障护罩报警信息。
7.根据权利要求6所述安全联锁失效预测方法,其特征在于,所述数据采集装置通过对所述实时运行数据的类型进行识别,以采集所述实时运行数据中的故障停机报警信息以及非故障护罩报警信息,包括:所述数据采集装置通过对所述实时运行数据的类型进行识别,确定出报警信息队列,所述报警信息队列包括故障停机报警信息以及非故障护罩报警信息,所述故障报警信息位于所述报警信息队列的队首,所述非故障护罩报警信息位于所述故障报警信息之后。
8.根据权利要求7所述安全联锁失效预测方法,其特征在于,所述数据采集装置通过对所述实时运行数据的类型进行识别,确定出报警信息队列,包括:所述数据采集装置对所述实时运行数据的类型进行识别,以监控是否产生报警信息,并建立报警信息列表;根据所述报警信息列表生成报警信息队列;在所述生产设备从停机变为运行时清空所述报警信息队列,或者,从运行变为停机时将监控到的所述报警信息插入到所述报警信息列表中。
9.一种卷包生产系统,其特征在于,所述卷包生产系统包括卷包生产装置、为所述卷包生产装置配置的安全保护罩,以及在所述安全保护罩打开时触发安全联锁装置进行工作,所述安全联锁装置使得所述卷包生产装置停机,所述安全联锁装置是否失效通过上述权利要求1-8任一项所述安全联锁失效预测方法进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110268730.XA CN113156899B (zh) | 2021-03-12 | 2021-03-12 | 安全联锁失效预测方法以及卷包生产系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110268730.XA CN113156899B (zh) | 2021-03-12 | 2021-03-12 | 安全联锁失效预测方法以及卷包生产系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113156899A true CN113156899A (zh) | 2021-07-23 |
CN113156899B CN113156899B (zh) | 2022-07-29 |
Family
ID=76887230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110268730.XA Active CN113156899B (zh) | 2021-03-12 | 2021-03-12 | 安全联锁失效预测方法以及卷包生产系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113156899B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577700A (zh) * | 2013-11-14 | 2014-02-12 | 哈尔滨工程大学 | 一种船舶消防系统连锁性失效的预测方法 |
CN203740223U (zh) * | 2014-01-25 | 2014-07-30 | 厦门烟草工业有限责任公司 | 一种高速条盒包装机组防护罩安全连锁装置 |
CN109779938A (zh) * | 2018-12-29 | 2019-05-21 | 北京博华信智科技股份有限公司 | 一种离心压缩机组智能联锁保护方法 |
US20200106481A1 (en) * | 2018-09-28 | 2020-04-02 | The Boeing Company | Predictive analytics for broadband over power line data |
CN111768022A (zh) * | 2020-05-09 | 2020-10-13 | 中国煤矿机械装备有限责任公司 | 煤机生产设备的设备检测方法及装置 |
CN112085275A (zh) * | 2020-09-09 | 2020-12-15 | 合肥工业大学 | 基于多时间尺度的电力信息物理系统的连锁故障预测方法 |
-
2021
- 2021-03-12 CN CN202110268730.XA patent/CN113156899B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577700A (zh) * | 2013-11-14 | 2014-02-12 | 哈尔滨工程大学 | 一种船舶消防系统连锁性失效的预测方法 |
CN203740223U (zh) * | 2014-01-25 | 2014-07-30 | 厦门烟草工业有限责任公司 | 一种高速条盒包装机组防护罩安全连锁装置 |
US20200106481A1 (en) * | 2018-09-28 | 2020-04-02 | The Boeing Company | Predictive analytics for broadband over power line data |
CN109779938A (zh) * | 2018-12-29 | 2019-05-21 | 北京博华信智科技股份有限公司 | 一种离心压缩机组智能联锁保护方法 |
CN111768022A (zh) * | 2020-05-09 | 2020-10-13 | 中国煤矿机械装备有限责任公司 | 煤机生产设备的设备检测方法及装置 |
CN112085275A (zh) * | 2020-09-09 | 2020-12-15 | 合肥工业大学 | 基于多时间尺度的电力信息物理系统的连锁故障预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113156899B (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Goel et al. | Industrial alarm systems: Challenges and opportunities | |
US10078317B2 (en) | Method, device and computer program for monitoring an industrial control system | |
EP3444724B1 (en) | Method and system for health monitoring and fault signature identification | |
Nan et al. | Real-time fault diagnosis using knowledge-based expert system | |
Mathew et al. | Failure mechanisms based prognostics | |
KR102373787B1 (ko) | 고장 예측 시스템의 고장 유형 빅데이터를 이용한 기계설비의 잠재적 고장 예측 방법 | |
US20160239756A1 (en) | Correlation and annotation of time series data sequences to extracted or existing discrete data | |
US20170161963A1 (en) | Method of identifying anomalies | |
CN103178615A (zh) | 电力设备故障监控方法及其系统 | |
Yuan et al. | Safety barriers in the chemical process industries: A state-of-the-art review on their classification, assessment, and management | |
Jocelyn et al. | Contribution of dynamic experience feedback to the quantitative estimation of risks for preventing accidents: A proposed methodology for machinery safety | |
Kim et al. | Abnormality diagnosis model for nuclear power plants using two-stage gated recurrent units | |
Ly et al. | Fault diagnosis and failure prognosis for engineering systems: A global perspective | |
Punitha et al. | Software defect prediction using software metrics-A survey | |
EP3627264B1 (en) | Plant assessment system and plant assessment method | |
US20210232104A1 (en) | Method and system for identifying and forecasting the development of faults in equipment | |
Zhang et al. | Real-time diagnosis and alarm of down-hole incidents in the shale-gas well fracturing process | |
Alestra et al. | Rare event anticipation and degradation trending for aircraft predictive maintenance | |
CN113156899B (zh) | 安全联锁失效预测方法以及卷包生产系统 | |
Ahn et al. | Operation validation system to prevent human errors in nuclear power plants | |
Felsberger et al. | Explainable deep learning for fault prognostics in complex systems: A particle accelerator use-case | |
Alsulieman et al. | Dynamic risk analysis of evolving scenarios in oil and gas separator | |
KR102618023B1 (ko) | 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법 | |
Dai et al. | Data driven methods | |
Ramler et al. | Requirements for integrating defect prediction and risk-based testing |
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 |