CN113506082B - 一种基于vr的数字化工厂生产线的监管方法及系统 - Google Patents
一种基于vr的数字化工厂生产线的监管方法及系统 Download PDFInfo
- Publication number
- CN113506082B CN113506082B CN202110669886.9A CN202110669886A CN113506082B CN 113506082 B CN113506082 B CN 113506082B CN 202110669886 A CN202110669886 A CN 202110669886A CN 113506082 B CN113506082 B CN 113506082B
- Authority
- CN
- China
- Prior art keywords
- information
- production line
- obtaining
- production
- equipment
- 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.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 261
- 238000000034 method Methods 0.000 title claims abstract description 77
- 230000007547 defect Effects 0.000 claims abstract description 46
- 230000003993 interaction Effects 0.000 claims abstract description 41
- 238000012544 monitoring process Methods 0.000 claims abstract description 33
- 238000013210 evaluation model Methods 0.000 claims abstract description 21
- 230000002452 interceptive effect Effects 0.000 claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 45
- 238000012417 linear regression Methods 0.000 claims description 30
- 230000009471 action Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000003066 decision tree Methods 0.000 claims description 13
- 239000000463 material Substances 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 4
- 238000004883 computer application Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 25
- 230000007246 mechanism Effects 0.000 abstract description 7
- 238000003062 neural network model Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000005457 optimization Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000012800 visualization Methods 0.000 description 5
- 230000002093 peripheral effect Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000036632 reaction speed Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012261 overproduction Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003238 somatosensory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/006—Mixed reality
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于VR的数字化工厂生产线的监管方法及系统，其中，所述方法包括：通过图像采集装置获得第一生产线的第一图像信息；获得第一生产线的设备台账信息；根据第一图像信息和设备台账信息构建所述第一生产线的三维VR影像；根据第一生产线的三维VR影像生成第一交互虚拟空间；获得第一时间的第一反馈信息；将第一反馈信息和第一时间输入缺陷信息评估模型，获得第一缺陷信息；通过所述第一缺陷信息，获得第一监管指令；将所述第一监管指令发送至所述数字化工厂生产线的监管系统的后台监测系统；通过第一监管指令对所述第一生产线进行监管。解决了因缺少精准的算法和评估机制导致交互过程中系统出错率较高的技术问题。
Description
技术领域
本发明涉及可视化监管领域，尤其涉及一种基于VR的数字化工厂生产线的监管方法及系统。
背景技术
数字化工厂监管日益去向可视化方向发展，利用虚拟现实(VR)技术、数据可视化技术、物联网的技术和设备监控技术，将整个工厂的各种元素和过程以可视化和虚拟现实(VR)的形式呈现在管理者的桌面上，结合同步数据管理系统，实现管理者足不出户就可以监控、管理整个生产过程的每一环节。管理者可以在终端设备实现在3D虚拟工厂中行走、漫游导航，并对目标设备的放大缩小、设备信息的实时显示等，实现工厂的三维虚拟现实场景浏览和交互操作，给用户一个更直观、形象、精确、实时的可视化工厂管理方式。
本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
现有技术中的监管方法在实现人机交互时缺少精准的算法分割估机制，使得交互过程中系统出错率较高，从而影响用户的交互体验感。
发明内容
本申请实施例通过提供一种基于VR的数字化工厂生产线的监管方法及系统，基于VR影像建立虚拟交互空间建立并通过神经网络模型对用户的反馈信息进行数据优化，解决了虚拟空间人机交互时缺少精准的算法和评估机制导致交互过程中系统出错率较高的技术问题，达到了提高虚拟交互空间准确性的技术目的，实现了提高用户体验感的技术效果，进一步提高了数字化工厂生产线的监管可靠度。
为解决现有存在的技术问题，本申请实施例提供一种基于VR的数字化工厂生产线的监管方法及系统。
第一方面，本申请提供了一种基于VR的数字化工厂生产线的监管方法，其中，所述方法应用于一数字化工厂生产线的监管系统，所述系统包括图像采集装置，所述方法包括：通过所述图像采集装置获得第一生产线的第一图像信息；获得所述第一生产线的设备台账信息；根据所述第一图像信息和所述设备台账信息构建所述第一生产线的三维VR影像；根据所述第一生产线的三维VR影像生成第一交互虚拟空间；获得第一时间的第一反馈信息，所述第一反馈信息来自第一管理员；将所述第一反馈信息和第一时间输入缺陷信息评估模型，获得第一缺陷信息；通过所述第一缺陷信息，获得第一监管指令；将所述第一监管指令发送至所述数字化工厂生产线的监管系统的后台监测系统，所述后台监测系统由所述第一管理员进行操作；通过第一监管指令对所述第一生产线进行监管。
另一方面，本申请还提供了一种基于VR的数字化工厂生产线的监管系统，其中，所述系统包括：第一获得单元，所述第一获得单元用于通过所述图像采集装置获得第一生产线的第一图像信息；第二获得单元，所述第二获得单元用于获得所述第一生产线的设备台账信息；第一构建单元，所述第一构建单元用于根据所述第一图像信息和所述设备台账信息构建所述第一生产线的三维VR影像；第一生成单元，所述第一生成单元用于根据所述第一生产线的三维VR影像生成第一交互虚拟空间；第三获得单元，所述第三获得单元用于获得第一时间的第一反馈信息，所述第一反馈信息来自第一管理员；第四获得单元，所述第四获得单元用于将所述第一反馈信息和第一时间输入缺陷信息评估模型，获得第一缺陷信息；第五获得单元，所述第五获得单元用于通过所述第一缺陷信息，获得第一监管指令；第一发送单元，所述第一发送单元用于将所述第一监管指令发送至所述数字化工厂生产线的监管系统的后台监测系统，所述后台监测系统由所述第一管理员进行操作；第一执行单元，所述第一执行单元用于通过第一监管指令对所述第一生产线进行监管。
另一方面，本申请实施例还提供一种基于VR的数字化工厂生产线的监管系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机应用程序和操作系统，其中，所述处理器执行所述程序时实现上述第一方面所述方法的步骤。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请实施例通过提供一种基于VR的数字化工厂生产线的监管方法及系统，基于VR影像建立虚拟交互空间建立并通过神经网络模型对用户的反馈信息进行数据优化，解决了虚拟空间人机交互时缺少精准的算法和评估机制导致交互过程中系统出错率较高的技术问题，达到了提高虚拟交互空间准确性的技术目的，实现了提高用户体验感的技术效果，进一步提高了数字化工厂生产线的监管可靠度。
上述说明是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本发明实施例或背景技术中的技术方案，下面对本发明实施例或背景技术中所需使用的附图进行说明。
图1为本申请实施例一种基于VR的数字化工厂生产线的监管方法的流程示意图；
图2为本申请实施例一种基于VR的数字化工厂生产线的监管系统的结构示意图；
图3为本申请实施例示例性电子设备的结构示意图。
附图标记说明：第一获得单元11，第二获得单元12，第一构建单元13，第一生成单元14，第三获得单元15，第四获得单元16，第五获得单元17，第一发送单元18，第一执行单元19，总线310，处理器320，收发器330，总线接口340，存储器350，操作系统351，应用程序352，用户接口360。
具体实施方式
本申请实施例通过提供一种基于VR的数字化工厂生产线的监管方法及系统，基于VR影像建立虚拟交互空间建立并通过神经网络模型对用户的反馈信息进行数据优化，解决了虚拟空间人机交互时缺少精准的算法和评估机制导致交互过程中系统出错率较高的技术问题，达到了提高虚拟交互空间准确性的技术目的，实现了提高用户体验感的技术效果，进一步提高了数字化工厂生产线的监管可靠度。
下面，将参考附图详细地描述本申请的示例实施例，显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
数字化工厂监管日益去向可视化方向发展，利用虚拟现实(VR)技术、数据可视化技术、物联网的技术和设备监控技术，将整个工厂的各种元素和过程以可视化和虚拟现实(VR)的形式呈现在管理者的桌面上，结合同步数据管理系统，实现管理者足不出户就可以监控、管理整个生产过程的每一环节。管理者可以在终端设备实现在3D虚拟工厂中行走、漫游导航，并对目标设备的放大缩小、设备信息的实时显示等，实现工厂的三维虚拟现实场景浏览和交互操作，给用户一个更直观、形象、精确、实时的可视化工厂管理方式。现有技术中的监管方法在实现人机交互时缺少精准的算法和评估机制，使得交互过程中系统出错率较高，从而影响用户的交互体验感。
针对上述技术问题，本申请提供的技术方案总体思路如下：
本申请提供了一种基于VR的数字化工厂生产线的监管方法，其中，所述方法应用于一数字化工厂生产线的监管系统，所述系统包括图像采集装置，所述方法包括：通过所述图像采集装置获得第一生产线的第一图像信息；获得所述第一生产线的设备台账信息；根据所述第一图像信息和所述设备台账信息构建所述第一生产线的三维VR影像；根据所述第一生产线的三维VR影像生成第一交互虚拟空间；获得第一时间的第一反馈信息，所述第一反馈信息来自第一管理员；将所述第一反馈信息和第一时间输入缺陷信息评估模型，获得第一缺陷信息；通过所述第一缺陷信息，获得第一监管指令；将所述第一监管指令发送至所述数字化工厂生产线的监管系统的后台监测系统，所述后台监测系统由所述第一管理员进行操作；通过第一监管指令对所述第一生产线进行监管。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
图1为本申请实施例一种基于VR的数字化工厂生产线的监管方法的流程示意图。如图1所示，所述方法包括：
步骤S100：通过所述图像采集装置获得第一生产线的第一图像信息；
步骤S200：获得所述第一生产线的设备台账信息；
步骤S300：根据所述第一图像信息和所述设备台账信息构建所述第一生产线的三维VR影像；
具体而言，虚拟现实技术(VR)是一种可以创建和体验虚拟世界的计算机仿真系统，它利用计算机生成一种模拟环境，将现实生活中的数据，通过计算机技术产生的电子信号，与各种输出设备结合使其转化为能够让人们感受到的现象。数字化工厂虚拟现实系统是基于虚拟现实技术、人机交互技术及三维仿真技术开发的智能展示系统，以高度沉浸式三维虚拟仿真场景取代传统的二维平面图纸进行整体布局规划。在进行布局规划前，获取所述第一生产线的第一图像信息，所述第一图像信息作为三维建模的基础，是VR环境搭建的关键步骤，通过图像采集装置提取所述第一图像，并结合所述第一生产线的设备台账信息构建所述第一生产线的三维VR影像。所述第一生产线的设备台账信息包含所述第一生产线设备的设备名称，型号规格，购入日期，使用年限，使用部门和使用状况等信息，通过获得所述设备台账信息能够精准衡量所述第一生产线的设备状况，提前对设备布局做出引导和指示。
步骤S400：根据所述第一生产线的三维VR影像生成第一交互虚拟空间；
具体而言，所述第一交互虚拟空间由所述第一生产线的三维VR影像生成，其实现对数字工厂内部情况进行模拟演示，使用者可以通过可视化设备例如VR眼镜看到所述第一交互虚拟空间，通过终端硬件例如体感机等对所述第一交互虚拟空间内的对象进行相关操作。当使用者进入所述第一交互虚拟空间，使用者跟环境产生相互作用，当使用者进行某种操作时，所述第一交互虚拟空间也会做出某种反应。例如，当使用者按下第一交互虚拟空间内的某一设备开机按键，上述台设备会在所述第一交互虚拟空间内启动。所述第一虚拟交互空间通过三维驱动平台进行驱动，将三维VR影像导入三维驱动平台，经过后期编辑、交互制作、特效制作、界面设计等步骤，生成所述第一交互虚拟空间。
步骤S500：获得第一时间的第一反馈信息，所述第一反馈信息来自第一管理员；
步骤S600：将所述第一反馈信息和第一时间输入缺陷信息评估模型，获得第一缺陷信息；
具体而言，所述第一管理为所述数字化工厂生产线的监管系统的使用者，所述第一管理员通过进入第一交互虚拟空间并对所述第一生产线进行全方位的模拟监测，可对所述第一生产线的实时状态进行反馈。由于系统误差的存在，所述第一反馈结果和实际状态之间往往不是完全相同的，所以需要对所述第一反馈结果进行进一步的提取和优化。所述缺陷信息评估模型为机器学习中的神经网络模型，神经网络(Neural Networks，NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(Artificial Neural Networks)，是对人类大脑系统的一阶特性的一种描述。简单地讲，它是一个数学模型。通过大量训练数据的训练，将所述第一反馈信息和第一时间输入缺陷信息评估模型输入神经网络模型，获得第一缺陷信息，其中，所述第一时间为所述第一生产线运行过程中的任一时间点，所述第一缺陷信息表示结合所述第一生产线的运行进程对所述第一反馈信息进行分析获得的标准化缺陷信息。
步骤S700：通过所述第一缺陷信息，获得第一监管指令；
具体而言，在获得所述第一缺陷信息后，系统会发出相应的指令完成对所述第一生产线的监管。所述第一监管指令为一计算机指令，其内容包含计算机的具体操作动作，例如，通过所述第一监管指令，可实现对所述第一生产线的设备的远程控制。对于不同的缺陷信息，都有与之对应的监管指令，以防止程序错误启动而导致非理想结果的出现。
步骤S800：将所述第一监管指令发送至所述数字化工厂生产线的监管系统的后台监测系统，所述后台监测系统由所述第一管理员进行操作；
步骤S900：通过第一监管指令对所述第一生产线进行监管。
具体而言，所述第一监管指令由所述数字化工厂生产线的监管系统发送至所述数字化工厂生产线的监管系统的后台监测系统，所述后台监测系统由所述第一管理员进行操作。所述第一管理员按照所述第一监管指令对在所述第一交互虚拟空间内完成对系统的操作，最终实现通过虚拟交互空间远程对数字化车间进行可视化监控，达到足不出户就可以监控、管理整个生产过程的每一环节、每一设备和一产品的目的。同时，数字化工厂的三维虚拟现实场景浏览和交互操作，给所述第一管理员更直观的监管体验，能够通过空间模拟及时发现生产线存在的问题，避免实际运行时出现大的纰漏。
进一步地，本申请实施例还包括步骤S1000，其中，步骤S1000包括：
步骤S1010：通过所述第一交互虚拟空间获得不同时间点采集的第一生产线的电机运转速度集合、传输带运行速度集合和设备温度集合；
步骤S1020：通过多元线性回归函数对所电机运转速度集合、所述传输带运行速度集合和所述设备温度集合进行数据拟合，获得第一多元线性回归函数；
步骤S1030：获得第一代价函数；
步骤S1040：通过所述第一代价函数对所述第一多元线性回归函数进行优化，获得所述第一生产线的第一多元线性回归模型；
步骤S1050：获得所述第一生产线在第三时间采集的电机运转速度、传输带运行速度和设备温度；
步骤S1060：将所述第一生产线在第三时间采集的电机运转速度、传输带运行速度和设备温度输入所述第一生产线的第一多元线性回归模型，获得所述第一生产线的运作情况评估结果，所述运作情况评估结果用于对所述第一生产线的设备运行情况进行评估。
具体而言，通过对所电机运转速度集合、所述传输带运行速度集合和所述设备温度集合进行数据拟合，获得第一多元线性回归函数，并依据第一代价函数对所述第一多元线性回归函数进行优化从而获得所述第一生产线的第一多元线性回归模型的过程实质上是一个线性回归的过程。在回归分析中，为了获得所述第一生产线的相关设备参数与设备运行情况之间的依存关系，采用多元线性回归法对其进行拟合分析，而所述第一多元线性回归函数为初步拟合结果，为了获得更精确的函数模型，通常还需要进行进一步的数学运算。代价函数用于衡量模型预测值与真实值之间的差异，在机器学习中，优化模型的过程本质上是寻找最小代价函数的过程，通过缩小代价函数的取值可以使预测模型逐步逼近真实值。所述第一代价函数为通过所述第一多元线性回归函数获得的所述第一生产线运行情况评估结果与其实际值之间的最小函数，通过获得所述第一代价函数，对所述第一多元线性回归函数进行进一步优化，获得所述第一生产线的第一多元线性回归模型。所述第一多元线性回归模型用于评估所述第一生产线的设备运行情况，通过将所述第一生产线在第三时间采集的电机运转速度、传输带运行速度和设备温度输入所述第一多元线性回归模型中可得到对应的设备运行情况评估结果。所述运作情况评估结果用于对所述第一生产线的设备运行情况进行评估。通过数据拟合和代价函数的优化获得的第一多元线性回归模型进一步提高了模型判断的准确性，通过输入相关参数即可得到设备运行情况，同时节省了所述第一管理员进入实际生产线逐一排查的时间和精力，提高了对所述第一生产线的监管效率，也侧面提高了数字化工厂在应对突发状况的反应速度。
进一步地，本申请实施例步骤S1030还包括：
步骤S1031：获得所述第一生产线的产能信息集合；
步骤S1032：根据梯度下降算法从所述第一生产线的产能信息集合中获得所述第一产能信息，其中，所述第一产能信息能够使得所述第一代价函数的值最小；
步骤S1033：根据所述第一产能信息，获得第一代价函数。
具体而言，梯度下降法(Gradient Descent)是一种常用的一阶优化方法，是求解无约束优化问题最简单、经典的方法之一。梯度下降算法在机器学习中应用十分的广泛，不论是在线性回归还是逻辑回归中，它的主要目的是通过迭代找到目标函数的最小值。所述第一生产线的产能信息集合中的任一项对所述第一多元线性回归函数的影响不尽相同，通过梯度下降算法从所述第一生产线的产能信息集合中获得所述第一产能信息，所述第一产能信息为使得所述第一多元线性回归函数与实际值之间误差最小的参数，根据所述第一性能参数，确定第一代价函数。梯度下降算法对梯度的估计是无偏的，样例越多，标准差越低。此外，它的完成方式允许并行化，不但节约系统内存还可以节省大量的运算时间。
进一步地，本申请实施例步骤S900还包括：
步骤S910：获得所述第一管理员的第一互动动作；
步骤S920：根据所述第一互动动作，获得动作识别特征信息；
步骤S930：通过所述位置传感装置获得所述第一管理员的第一操作位置；
步骤S940：通过所述图像采集装置获得所述第一管理员的第二图像信息；
步骤S950：根据所述第一操作位置、所述第二图像信息，获得操作动作特征信息；
步骤S960：根据所述操作动作特征信息、所述动作识别特征信息，对所述第一生产线进行监管。
具体而言，为了给使用者提供更好的交互体验，通过图像采集装置和位置传感装置对所述第一管理员的第二图像信息和第一操作位置进行提取，并根据所述第一操作位置、所述第二图像信息获得操作动作特征信息。所述动作识别特征信息由所述第一管理员的第一互动动作获得，用于表征所述第一管理员的大范围身体动作，例如蹲起、行走等动作，所述操作动作特征信息用于表征所述第一管理员在操作范围内的肢体动作，例如转动操作感、按下按键等动作。所述操作动作特征信息、所述动作识别特征信息进行结合，实现在所述第一交互虚拟空间内完成场景化的具体动作行为，最终实现对所述第一生产线进行监管。通过特征信息识别的方式提高了对所述第一管理员动作识别的准确性，避免交互过程中识别不准而出现误触等现象影响所述第一生产线的正常作业。
进一步地，本申请实施例还包括步骤S1100，其中，步骤S1100包括：
步骤S1110：获得所述第一生产线的生产计划表；
步骤S1120：根据所述生产计划表，获得第一产品的第一预设数量要求；
步骤S1130：获得所述第一生产线的生产状态信息；
步骤S1140：根据所述生产状态信息判断生产数量是否超出所述第一预设数量要求；
步骤S1150：当所述生产数量超出所述第一预设数量要求时，获得第一暂停信息，所述第一暂停信息用于控制所述第一生产线进入待机模式。
具体而言，在实际生产过程中，数字工厂的生产线需要做到对产量的精准把控，在超产情况发生时，应尽快做出应对，以避免生产线持续作业而造成的资源、能源浪费。通过所述第一生产线的生产计划表可获得第一产品的第一预设数量要求，所述第一产品为所述第一生产线加工的产品，所述第一预设数量为所述第一生产线在某一工时内的计划产量。所述第一生产线的生产状态信息为所述第一生产线在某一工时内的成品总数，上述成品总数不包括残次品。当所述生产数量超出所述第一预设数量要求时，表示所述第一生产线生产状态饱和，需要停止操作，在获得第一暂停信息后应立即对所述第一生产线进行待机操作，避免造成产能过剩、产品堆积情况，进一步避免了数字化工厂在资源层面的浪费。
进一步地，本申请实施例还包括步骤S1200，其中，步骤S1200包括：
步骤S1210：获得第一影像信息；
步骤S1220：获根据所述第一影像信息获得所述第一生产线在第三时间的第一设备参数信息、第一物料使用信息、第一生产进度信息；
步骤S1230：获将所述第一设备参数信息、第一物料使用信息、第一生产进度信息输入生产状态评估模型，其中，所述生产状态评估模型通过多组训练数据训练获得，所述多组训练数据中的每组均包括：所述第一设备参数信息、第一物料使用信息、第一生产进度信息和生产状态信息的标识信息；
步骤S1240：获获得所述生产状态评估模型的输出信息，所述输出信息包括所述生产状态信息，所述生产状态信息用于评估所述第一生产线的作业完成度。
具体而言，所述生产状态评估模型通过多组训练数据训练获得，所述训练的过程实质为监督学习的过程，每一组监督数据均包括所述第一生产线在第三时间的第一设备参数信息、第一物料使用信息、第一生产进度信息和标识生产状态信息的标识信息，将所述第一设备参数信息、第一物料使用信息、第一生产进度信息和标识生产状态信息的标识信息输入到神经网络模型中，根据用于标识生产状态信息的标识信息，所述神经网络模型进行不断的自我修正、调整，直至获得的输出结果与所述标识信息一致，则结束本组数据监督学习，进行下一组数据监督学习；当所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时，则监督学习过程结束。通过对所述神经网络模型的监督学习，进而使得所述神经网络模型处理所述输入信息更加准确，进而获得更加准确、适合的输出信息，进而达到输入所述第一设备参数信息、第一物料使用信息、第一生产进度信息而得到所述生产状态信息目的，同时加入神经网络模型提高了数据运算处理结果的效率和准确度，为提供更加准确合适的生产状态信息夯实了基础。
进一步地，本申请实施例步骤S700还包括：
步骤S710：获得所述第一生产线的影像信息集合；
步骤S720：根据大数据获得多个缺陷分类特征；
步骤S730：根据所述多个缺陷分类特征对所述第一生产线的影像信息集合进行分类，并进行信息论编码运算，获得多个信息熵；
步骤S740：根据所述多个信息熵，构建生产线异常分类决策树；
步骤S750：根据所述生产线异常分类决策树，获得第一分类结果；
步骤S760：根据所述第一分类结果，获得相应的第一提醒信息，所述第一提醒信息用于提醒第一监管人员按照所述第一分类结果对所述第一生产线进行监管操作。
具体而言，为进一步提高对所述第一生产线的监管效率，将所述第一生产线的异常情况进行分类，再依照分类结果匹配合适的引导信息和解决方法以完成对所述第一生产线的监管。所述多个缺陷分类特征由大数据获得，是对所述第一生产线的影像信息集合进行分类的依据，例如，所述多个缺陷分类特征可以是设备异常、程序异常或终端异常等。根据所述多个缺陷分类特征对所述第一生产线的影像信息集合进行分类，并进行信息论编码运算，获得多个信息熵，并根据所述多个信息熵，构建生产线异常分类决策树。通过统计学方法获得通信系统中信息传递和信息处理的共同规律，进行信息论编码运算，获得多个信息熵。信息熵即信息的量化度量的表达，用来描述信源的不确定度，一个数据集的熵越大，则说明该数据分类的“纯度”越高。通过获得多个信息熵，可就弹幕分类情况构建弹幕分类决策树。决策树是机器学习的常见算法，分为分类树和回归树，当对一个样本的分类进行预测时使用分类树。分类决策树即根据训练数据集构造一个类似树形的分类决策模型，然后用这个模型来辅助决策。使用信息增益作为划分数据集的依据。整个数据集的熵称作原始熵，数据集根据某个特征划分之后的熵为条件熵，信息增益＝原始熵-条件熵。用信息增益划分的具体做法是：计算每一类特征对应的信息增益，然后挑选信息增益最小的特征进行划分。所述生产线异常分类决策树是对信息集合进行合理划分的结果，通过所述生产线异常分类决策树，获得第一分类结果，所述第一分类结果为一个集合，当输出信息为第一分类结果时，表示其类别相同，可使用相同领域的方法对该异常信息进行处理。通过信息熵构建决策树的方式对所述第一生产线可能出现的异常情况进行分类，再根据分类结果对异常情况进行针对性处理，大大提高了系统再应对异常信息时的工作效率，并且将异常情况分类处理的过程也减小了处理结果出现错误的几率，进一步提高了监管系统的精确性。
综上所述，本申请实施例所提供的一种基于VR的数字化工厂生产线的监管方法具有如下技术效果：
1、本申请实施例通过提供一种基于VR的数字化工厂生产线的监管方法及系统，基于VR影像建立虚拟交互空间建立并通过神经网络模型对用户的反馈信息进行数据优化，解决了虚拟空间人机交互时缺少精准的算法和评估机制导致交互过程中系统出错率较高的技术问题，达到了提高虚拟交互空间准确性的技术目的，实现了提高用户体验感的技术效果，进一步提高了数字化工厂生产线的监管可靠度。
2、通过对所电机运转速度集合、所述传输带运行速度集合和所述设备温度集合进行数据拟合，获得第一多元线性回归函数，并依据第一代价函数对所述第一多元线性回归函数进行优化从而获得所述第一生产线的第一多元线性回归模型进一步提高了模型判断的准确性，通过输入相关参数即可得到设备运行情况，同时节省了所述第一管理员进入实际生产线逐一排查的时间和精力，提高了对所述第一生产线的监管效率，也侧面提高了数字化工厂在应对突发状况的反应速度。
3、通过引入神经网络模型对缺陷信息进行评估，将所述第一反馈信息和第一时间输入缺陷信息评估模型输入神经网络模型，获得第一缺陷信息。所述缺陷信息评估模型为一机器学习模型，基于机器学习模型能不断学习、获取经验来处理数据的方式，使得对第一缺陷信息结果的获得更为准确。
实施例二
基于与前述实施例中一种基于VR的数字化工厂生产线的监管方法同样发明构思，本发明还提供了一种基于VR的数字化工厂生产线的监管系统，如图2所示，所述系统包括：
第一获得单元11，所述第一获得单元11用于通过所述图像采集装置获得第一生产线的第一图像信息；
第二获得单元12，所述第二获得单元12用于获得所述第一生产线的设备台账信息；
第一构建单元13，所述第一构建单元13用于根据所述第一图像信息和所述设备台账信息构建所述第一生产线的三维VR影像；
第一生成单元14，所述第一生成单元14用于根据所述第一生产线的三维VR影像生成第一交互虚拟空间；
第三获得单元15，所述第三获得单元15用于获得第一时间的第一反馈信息，所述第一反馈信息来自第一管理员；
第四获得单元16，所述第四获得单元16用于将所述第一反馈信息和第一时间输入缺陷信息评估模型，获得第一缺陷信息；
第五获得单元17，所述第五获得单元17用于通过所述第一缺陷信息，获得第一监管指令；
第一发送单元18，所述第一发送单元18用于将所述第一监管指令发送至所述数字化工厂生产线的监管系统的后台监测系统，所述后台监测系统由所述第一管理员进行操作；
第一执行单元19，所述第一执行单元19用于通过第一监管指令对所述第一生产线进行监管。
进一步地，所述系统还包括：
第六获得单元，所述第六获得单元用于通过所述第一交互虚拟空间获得不同时间点采集的第一生产线的电机运转速度集合、传输带运行速度集合和设备温度集合；
第七获得单元，所述第七获得单元用于通过多元线性回归函数对所电机运转速度集合、所述传输带运行速度集合和所述设备温度集合进行数据拟合，获得第一多元线性回归函数；
第八获得单元，所述第八获得单元用于获得第一代价函数；
第九获得单元，所述第九获得单元用于通过所述第一代价函数对所述第一多元线性回归函数进行优化，获得所述第一生产线的第一多元线性回归模型；
第十获得单元，所述第十获得单元用于获得所述第一生产线在第三时间采集的电机运转速度、传输带运行速度和设备温度；
第十一获得单元，所述第十一获得单元用于将所述第一生产线在第三时间采集的电机运转速度、传输带运行速度和设备温度输入所述第一生产线的第一多元线性回归模型，获得所述第一生产线的运作情况评估结果，所述运作情况评估结果用于对所述第一生产线的设备运行情况进行评估。
进一步地，所述系统还包括：
第十二获得单元，所述第十二获得单元用于获得所述第一生产线的产能信息集合；
第十三获得单元，所述第十三获得单元用于根据梯度下降算法从所述第一生产线的产能信息集合中获得所述第一产能信息，其中，所述第一产能信息能够使得所述第一代价函数的值最小；
第十四获得单元，所述第十四获得单元用于根据所述第一产能信息，获得第一代价函数。
进一步地，所述系统还包括：
第十五获得单元，所述第十五获得单元用于获得所述第一管理员的第一互动动作；
第十六获得单元，所述第十六获得单元用于根据所述第一互动动作，获得动作识别特征信息；
第十七获得单元，所述第十七获得单元用于通过所述位置传感装置获得所述第一管理员的第一操作位置；
第十八获得单元，所述第十八获得单元用于通过所述图像采集装置获得所述第一管理员的第二图像信息；
第十九获得单元，所述第十九获得单元用于根据所述第一操作位置、所述第二图像信息，获得操作动作特征信息；
第二执行单元，所述第二执行单元用于根据所述操作动作特征信息、所述动作识别特征信息，对所述第一生产线进行监管。
进一步地，所述系统还包括：
第二十获得单元，所述第二十获得单元用于获得所述第一生产线的生产计划表；
第二十一获得单元，所述第二十一获得单元用于根据所述生产计划表，获得第一产品的第一预设数量要求；
第二十二获得单元，所述第二十二获得单元用于获得所述第一生产线的生产状态信息；
第一判断单元，所述第一判断单元用于根据所述生产状态信息判断生产数量是否超出所述第一预设数量要求；
第二十三获得单元，所述第二十三获得单元用于当所述生产数量超出所述第一预设数量要求时，获得第一暂停信息，所述第一暂停信息用于控制所述第一生产线进入待机模式。
进一步地，所述系统还包括：
第二十四获得单元，所述第二十四获得单元用于获得第一影像信息；
第二十五获得单元，所述第二十五获得单元用于根据所述第一影像信息获得所述第一生产线在第三时间的第一设备参数信息、第一物料使用信息、第一生产进度信息；
第一输入单元，所述第一输入单元用于将所述第一设备参数信息、第一物料使用信息、第一生产进度信息输入生产状态评估模型，其中，所述生产状态评估模型通过多组训练数据训练获得，所述多组训练数据中的每组均包括：所述第一设备参数信息、第一物料使用信息、第一生产进度信息和生产状态的标识信息；
第二十六获得单元，所述第二十六获得单元用于获得所述生产状态评估模型的输出信息，所述输出信息包括所述生产状态信息，所述生产状态信息用于评估所述第一生产线的作业完成度。
进一步地，所述系统还包括：
第二十七获得单元，所述第二十七获得单元用于获得所述第一生产线的影像信息集合；
第二十八获得单元，所述第二十八获得单元用于根据大数据获得多个缺陷分类特征；
第二十九获得单元，所述第二十九获得单元用于根据所述多个缺陷分类特征对所述第一生产线的影像信息集合进行分类，并进行信息论编码运算，获得多个信息熵；
第二构建单元，所述第二构建单元用于根据所述多个信息熵，构建生产线异常分类决策树；
第三十获得单元，所述第三十获得单元用于根据所述生产线异常分类决策树，获得第一分类结果；
第三十一获得单元，所述第三十一获得单元用于根据所述第一分类结果，获得相应的第一提醒信息，所述第一提醒信息用于提醒第一监管人员按照所述第一分类结果对所述第一生产线进行监管操作。
关于基于VR的数字化工厂生产线的监管系统的具体限定可以参见上文中基于VR的数字化工厂生产线的监管方法的限定，在此不再赘述。上述基于VR的数字化工厂生产线的监管系统中的各个单元可全部或部分通过软件、硬件及其组合来实现。上述各单元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单元对应的操作。
示例性电子设备
本发明实施例还提供了一种电子设备，包括总线，收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序和操作系统，该收发器、存储器和处理器分别通过总线相连，计算机程序被处理器执行时实现上述基于VR的数字化工厂生产线的监管方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
下面参考图3来描述本申请实施例的电子设备。
参见图3所示，本发明实施例还提供了一种电子设备，该电子设备包括总线310、处理器320、收发器330、总线接口340、存储器350和用户接口360。
在本发明实施例中，该电子设备还包括：存储在存储器350上并可在处理器320上运行的计算机程序，计算机程序被处理器320执行时实现上述基于VR的数字化工厂生产线的监管方法实施例的各个过程。
本发明实施例中，总线架构(用总线310来代表)，总线310可以包括任意数量互联的总线和桥，总线310将包括由处理器320代表的一个或多个处理器与存储器350代表的存储器的各种电路连接在一起。
总线310表示若干类型的总线结构中的任何一种总线结构中的一个或多个，包括存储器总线以及存储器控制器、外围总线、加速图形端口(Accelerate Graphical Port，AGP)、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制，这样的体系结构包括；工业标准体系结构(Industry Standard Architecture，ISA)总线、微通道体系结构(Micro Channel Architecture，MCA)总线、扩展ISA(Enhanced ISA，EISA)总线、视频电子标准协会(Video Electronics Standards Association，VESA)、外围部件互连(Peripheral Component Interconnect，PCI)总线。
总线310还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。
处理器320可以是一种集成电路芯片，具有信号处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括：通用处理器、中央处理器(Central Processing Unit，CPU)，网络处理器(Network Processor，NP)、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)，现场可编程门阵列(FieldProgrammable Gate Array，FPGA)、复杂可编程逻辑器件(Complex Programmable LogicDevice，CPLD)、可编程逻辑阵列(Programmable Logic Array，PLA)微控制单元(Microcontroller Unit，MCU)或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本发明实施例中公开的各方法、步骤及逻辑框图。例如，处理器可以是单核处理器或多核处理器，处理器可以集成于单颗芯片或位于多颗不同的芯片。
处理器320可以是微处理器或任何常规的处理器。结合本发明实施例所公开的方法步骤可以直接由硬件译码处理器执行完成，或者由译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存取存储器(Random Access Memory，RAM)，闪存(FlashMemory)、只读存储器(Read-Only Memory，ROM)，可编程只读存储器(Programmable ROM，PROM)，可擦除可编程只读存储器(Erasable PROM，EPROM)、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
收发器330，用于在处理器320的控制下接收和发送数据。收发器330可以是一个元件，也可以是多个元件，例如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。例如：收发器330从其他设备接收外部数据，收发器330用于将处理器320处理后的数据发送给其他设备。取决于计算机系统的性质，还可以提供用户接口360，例如：触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔等。
存储器350可进一步包括相对于处理器320远程设置的存储器，这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络(Ad hocnetwork)，内联网(Intranet)、外联网(Extranet)，虚拟专用网(VPN)、局域网(LAN)、无线局域网(WLAN)、广域网(WAN)、无线广域网(WWAN)、城域网(MAN)、互联网(Internet)、公共交换电话网(PSTN)、普通老式电话业务网(POTS)，蜂窝电话网，无线网络、无线保真(Wi-Fi)网络以及两个或更多个上述网络的组合。例如，蜂窝电话网和无线网络可以是全球移动通信(GSM)系统、码分多址(CDMA)系统、全球微波互联接入(WiMAX)系统、通用分组无线业务(GPRS)系统、宽带码分多址(WCDMA)系统、长期演进(LTE)系统、LTE频分双工(FDD)系统、LTE时分双工(TDD)系统、先进长期演进(LTE-A)系统、通用移动通信(UMTS)系统、增强移动宽带(Enhance Mobile Broadband，eMBB)系统，海量机器类通信(massivc Machinc Typc ofCommunication，mMTC)系统，超可靠低时延通信(Ultra Reliable Low LatencyCommunications，uRLLC)系统等。
在本发明实施例中，存储器350进一步包括操作系统351和应用程序352。操作系统35l包含各种系统程序，例如：框架层，核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序352包含各种应用程序，例如：媒体播放器(Media Player)，浏览器(Browser)，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序352中。应用程序352包括：小程序、对象、组件、逻辑、数据结构以及其他执行特定任务或实现特定抽象数据类型的计算机系统可执行指令。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框，以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品，该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体或详细，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，还可以作出若干变形和改进，这些都属于本申请的保护范围。因此，本申请实施例的保护范围应以权利要求为准。
Claims (8)
1.一种基于VR的数字化工厂生产线的监管方法，其中，所述方法应用于一数字化工厂生产线的监管系统，所述系统包括图像采集装置，所述方法包括：
通过所述图像采集装置获得第一生产线的第一图像信息；
获得所述第一生产线的设备台账信息，所述第一生产线的设备台账信息包含所述第一生产线设备的设备名称，型号规格，购入日期，使用年限，使用部门和使用状况信息；
根据所述第一图像信息和所述设备台账信息构建所述第一生产线的三维VR影像；
根据所述第一生产线的三维VR影像生成第一交互虚拟空间；
获得第一时间的第一反馈信息，所述第一反馈信息来自第一管理员，所述第一管理员通过进入所述第一交互虚拟空间并对所述第一生产线进行全方位的模拟监测，获得所述第一时间的第一反馈信息；
将所述第一反馈信息和第一时间输入缺陷信息评估模型，获得第一缺陷信息；
通过所述第一缺陷信息，获得第一监管指令；
将所述第一监管指令发送至所述数字化工厂生产线的监管系统的后台监测系统，所述后台监测系统由所述第一管理员进行操作；
通过第一监管指令对所述第一生产线进行监管；
通过所述第一交互虚拟空间获得不同时间点采集的第一生产线的电机运转速度集合、传输带运行速度集合和设备温度集合；
通过多元线性回归函数对所述电机运转速度集合、所述传输带运行速度集合和所述设备温度集合进行数据拟合，获得第一多元线性回归函数；
获得第一代价函数；
通过所述第一代价函数对所述第一多元线性回归函数进行优化，获得所述第一生产线的第一多元线性回归模型；
获得所述第一生产线在第三时间采集的电机运转速度、传输带运行速度和设备温度；
将所述第一生产线在第三时间采集的电机运转速度、传输带运行速度和设备温度输入所述第一生产线的第一多元线性回归模型，获得所述第一生产线的运作情况评估结果，所述运作情况评估结果用于对所述第一生产线的设备运行情况进行评估。
2.如权利要求1所述的方法，其中，所述获得第一代价函数包括：
获得所述第一生产线的产能信息集合；
根据梯度下降算法从所述第一生产线的产能信息集合中获得第一产能信息，其中，所述第一产能信息能够使得所述第一代价函数的值最小；
根据所述第一产能信息，获得第一代价函数。
3.如权利要求1所述的方法，其中，所述系统包括一位置传感装置，所述通过第一监管指令对所述第一生产线进行监管包括：
获得所述第一管理员的第一互动动作；
根据所述第一互动动作，获得动作识别特征信息；
通过所述位置传感装置获得所述第一管理员的第一操作位置；
通过所述图像采集装置获得所述第一管理员的第二图像信息；
根据所述第一操作位置、所述第二图像信息，获得操作动作特征信息；
根据所述操作动作特征信息、所述动作识别特征信息，对所述第一生产线进行监管。
4.如权利要求1所述的方法，其中，所述方法包括：
获得所述第一生产线的生产计划表；
根据所述生产计划表，获得第一产品的第一预设数量要求；
获得所述第一生产线的生产状态信息；
根据所述生产状态信息判断生产数量是否超出所述第一预设数量要求；
当所述生产数量超出所述第一预设数量要求时，获得第一暂停信息，所述第一暂停信息用于控制所述第一生产线进入待机模式。
5.如权利要求4所述的方法，其中，所述方法包括：
获得第一影像信息；
根据所述第一影像信息获得所述第一生产线在第三时间的第一设备参数信息、第一物料使用信息、第一生产进度信息；
将所述第一设备参数信息、第一物料使用信息、第一生产进度信息输入生产状态评估模型，其中，所述生产状态评估模型通过多组训练数据训练获得，所述多组训练数据中的每组均包括：所述第一设备参数信息、第一物料使用信息、第一生产进度信息和生产状态信息的标识信息；
获得所述生产状态评估模型的输出信息，所述输出信息包括所述生产状态信息，所述生产状态信息用于评估所述第一生产线的作业完成度。
6.如权利要求1所述的方法，其中，通过所述第一缺陷信息，获得第一监管指令包括：
获得所述第一生产线的影像信息集合；
根据大数据获得多个缺陷分类特征；
根据所述多个缺陷分类特征对所述第一生产线的影像信息集合进行分类，并进行信息论编码运算，获得多个信息熵；
根据所述多个信息熵，构建生产线异常分类决策树；
根据所述生产线异常分类决策树，获得第一分类结果；
根据所述第一分类结果，获得相应的第一提醒信息，所述第一提醒信息用于提醒第一监管人员按照所述第一分类结果对所述第一生产线进行监管操作。
7.一种基于VR的数字化工厂生产线的监管系统，应用于权利要求1-6任一所述方法，其中，所述系统包括：
第一获得单元，所述第一获得单元用于通过图像采集装置获得第一生产线的第一图像信息；
第二获得单元，所述第二获得单元用于获得所述第一生产线的设备台账信息；
第一构建单元，所述第一构建单元用于根据所述第一图像信息和所述设备台账信息构建所述第一生产线的三维VR影像；
第一生成单元，所述第一生成单元用于根据所述第一生产线的三维VR影像生成第一交互虚拟空间；
第三获得单元，所述第三获得单元用于获得第一时间的第一反馈信息，所述第一反馈信息来自第一管理员；
第四获得单元，所述第四获得单元用于将所述第一反馈信息和第一时间输入缺陷信息评估模型，获得第一缺陷信息；
第五获得单元，所述第五获得单元用于通过所述第一缺陷信息，获得第一监管指令；
第一发送单元，所述第一发送单元用于将所述第一监管指令发送至所述数字化工厂生产线的监管系统的后台监测系统，所述后台监测系统由所述第一管理员进行操作；
第一执行单元，所述第一执行单元用于通过第一监管指令对所述第一生产线进行监管。
8.一种基于VR的数字化工厂生产线的监管系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机应用程序和操作系统，其中，所述处理器执行所述程序时实现权利要求1-6任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110669886.9A CN113506082B (zh) | 2021-06-17 | 2021-06-17 | 一种基于vr的数字化工厂生产线的监管方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110669886.9A CN113506082B (zh) | 2021-06-17 | 2021-06-17 | 一种基于vr的数字化工厂生产线的监管方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113506082A CN113506082A (zh) | 2021-10-15 |
| CN113506082B true CN113506082B (zh) | 2024-03-08 |
Family
ID=78009972
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110669886.9A Active CN113506082B (zh) | 2021-06-17 | 2021-06-17 | 一种基于vr的数字化工厂生产线的监管方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113506082B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113702083B (zh) * | 2021-10-27 | 2022-03-18 | 江苏思克赛斯机械制造有限公司 | 一种传动载物平台的性能评估方法及系统 |
| CN114202248B (zh) * | 2022-01-13 | 2022-09-02 | 浙江工企信息技术股份有限公司 | 一种基于mes智能制造的生产管理方法及系统 |
| CN116679639B (zh) * | 2023-05-26 | 2024-01-05 | 广州市博煌节能科技有限公司 | 金属制品生产控制系统的优化方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190032908A (ko) * | 2017-09-20 | 2019-03-28 | 주식회사 에이치엔에스휴먼시스템 | 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법 및 시스템 |
| WO2019076234A1 (zh) * | 2017-10-17 | 2019-04-25 | 广东工业大学 | 一种智能车间透明监控方法及系统 |
| KR101977000B1 (ko) * | 2018-10-23 | 2019-05-13 | 주식회사 이피엠솔루션즈 | 실물영상기반 리얼타임 가상공장 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190392728A1 (en) * | 2018-06-25 | 2019-12-26 | Pike Enterprises, Llc | Virtual reality training and evaluation system |
-
2021
- 2021-06-17 CN CN202110669886.9A patent/CN113506082B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190032908A (ko) * | 2017-09-20 | 2019-03-28 | 주식회사 에이치엔에스휴먼시스템 | 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법 및 시스템 |
| WO2019076234A1 (zh) * | 2017-10-17 | 2019-04-25 | 广东工业大学 | 一种智能车间透明监控方法及系统 |
| KR101977000B1 (ko) * | 2018-10-23 | 2019-05-13 | 주식회사 이피엠솔루션즈 | 실물영상기반 리얼타임 가상공장 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113506082A (zh) | 2021-10-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113506082B (zh) | 一种基于vr的数字化工厂生产线的监管方法及系统 | |
| CN109993299A (zh) | 数据训练方法及装置、存储介质、电子装置 | |
| EP4020315A1 (en) | Method, apparatus and system for determining label | |
| CN113344552B (zh) | 一种基于工程造价的多项目联合管理方法及系统 | |
| CN104063550A (zh) | 一种基于云计算平台的多物理场cae系统 | |
| CN111435463A (zh) | 数据处理方法及相关设备、系统 | |
| CN110571792A (zh) | 一种电网调控系统运行状态的分析评估方法及系统 | |
| CN110287316A (zh) | 一种告警分类方法、装置、电子设备及存储介质 | |
| CN113347641B (zh) | 网络部署方法、装置和计算机可读存储介质 | |
| CN113377880A (zh) | 一种基于bim的建筑模型自动匹配方法及系统 | |
| CN113535831A (zh) | 一种基于大数据的报表分析方法、装置、设备和介质 | |
| CN110727670B (zh) | 基于流程图的数据结构预测传递及自动化数据处理方法 | |
| CN114546365A (zh) | 一种流程可视化的建模方法、服务器、计算机系统及介质 | |
| CN113420722A (zh) | 一种机场安全管理平台的突发事件联动方法及系统 | |
| CN111858927B (zh) | 数据测试方法、装置、电子设备及存储介质 | |
| CN110456356B (zh) | 一种面向资料同化的天气雷达径向速度质量控制方法 | |
| CN115169426B (zh) | 一种基于相似性学习融合模型的异常检测方法及系统 | |
| CN116134387B (zh) | 用于确定工业任务的ai模型的压缩率的方法和系统 | |
| CN113609126B (zh) | 一种众源时空数据的一体化存储管理方法及系统 | |
| Aksyonov et al. | Application of the process parameter analysis tree for technological process analysis | |
| CN117591283B (zh) | 基于跨平台数据融合的云切设备管理方法及系统 | |
| CN117167366B (zh) | 一种液压分配器的自动化流量控制方法及系统 | |
| CN113360717B (zh) | 一种智能线索处理方法及系统 | |
| CN113284256B (zh) | 一种mr混合现实三维场景素材库生成方法及系统 | |
| US20240013027A1 (en) | Model recommendation method and apparatus, and computer device |
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 |