CN113656389A - 一种智能工厂异常数据处理方法、装置、系统及存储介质 - Google Patents

Abstract

本申请提供一种智能工厂异常数据处理方法、装置、系统及存储介质所述方法包括：实时获取关键参数；依据历史数据建立关键参数的数据关联模型；依据所述数据关联模型以及关键参数的逻辑关系建立业务模型；依据所述业务模型及关键参数的实时关联参数，计算并输出关键参数的实时的补偿或修正数据。一方面，数据关联模型的建立实现了关键参数与关联参数的计算关系建立；另一方面，业务模型的建立，能够更加符合工业现场的实际情况，使得补偿或修正数据的计算结果更加贴合关键参数的实际数值；最后，由于输出的是补偿或修正数据，实现了对关键参数的实时修正，在智能工厂的异常数据处理过程中，保证了参与计算的数据的准确性、连续性与实时性。

Description

一种智能工厂异常数据处理方法、装置、系统及存储介质

技术领域

本申请涉及异常数据采集技术领域，尤其是涉及一种智能工厂异常数据处理方法、装置、系统及存储介质。

背景技术

智能工厂作为未来发展的主流，其主要实现了对工厂数据资产的合理利用。在智能工厂落地的过程中，需要采集工厂中各工艺流程的数据。然而，任何对数据的分析过程，均需要保证数据的准确性与实时性，这将直接关系到过程控制是否能实现自动化、智能化，以及大数据分析与挖掘的基础条件是否可靠。

在实际工业生产过程中，大多通过仪表升级、优化工艺管理等方式提高数据的准确性和实时性，一旦数据异常工况出现，如数据突变、数据缺失或中断、数据不匹配等，异常的数据仍会导致数据处理与计算的过程不可信，无论是工厂的自动化、智能化还是大数据的应用，均受到影响，一方面降低了智能工厂数据资源应用能效，另一方面也影响了智能工厂的智能化落地。

发明内容

为了提高智能工厂异常数据的可靠性，本申请目的是提供一种智能工厂异常数据处理方法、装置、系统及存储介质。

第一方面，本申请提供一种智能工厂异常数据处理方法，其特征在于，包括：

实时获取关键参数；

依据历史数据建立关键参数的数据关联模型；

依据所述数据关联模型以及关键参数的逻辑关系建立业务模型；

依据所述业务模型及关键参数的实时关联参数，计算并输出关键参数的实时的补偿或修正数据。

通过采用上述技术方案，一方面，数据关联模型的建立实现了关键参数与关联参数的计算关系建立；另一方面，业务模型的建立，能够更加符合工业现场的实际情况，使得补偿或修正数据的计算结果更加贴合关键参数的实际数值；最后，由于输出的是补偿或修正数据，实现了对关键参数的异常值的实时修正，在智能工厂的异常数据处理过程中，保证了参与计算的数据的准确性、连续性与实时性。

在一个优选的可实施方案中，获取关键参数的方法包括：

实时获取工艺参数；

当所述工艺参数与预设流程规则不同时，将所述工艺参数作为所述关键参数。

通过采用上述技术方案，通过对比实时的工艺参数与流程规则，实现了对每一工艺参数的实时分析，当工艺参数出现异常时，则将工艺参数作为关键参数计算相应的补偿或修正数据。这一对工艺参数的实时计算过程摆脱了对其余智能控制系统的数据依赖，自主的从工艺参数中获取关键参数。

在一个优选的可实施方案中，获取关键参数的方法包括：

获取与工艺参数匹配的报警信息或操作信息，当报警信息或操作信息存在时，将所述工艺参数作为所述关键参数；

所述报警信息为智能系统中依据所述工艺参数自动输出的报警信息；

所述操作信息为人为输入的表征对应工艺参数异常的操作指令。

通过采用上述技术方案，报警信息与操作信息可直接明确关键参数，节约了从工艺参数中选取关键参数的步骤和时间，不但提高了关键参数获取的速度，同时，也提高了由关键参数计算补偿或修正数据的灵活性。

在一个优选的可实施方案中，依据历史数据建立关键参数的数据关联模型的方法包括：

获取所述关键参数的关联参数；

计算所述关联参数与所述关键参数之间的唯一计算模型；

依据一个或多个与所述关键参数之间具有唯一计算模型的关联参数建立所述数据关联模型；

所述关联参数与所述关键参数同属于一个工艺或关联工艺。

通过采用上述技术方案，实现了与关键参数之间具有唯一计算模型的关联参数的选取，与关键参数之间具有唯一计算模型的关联参数表示关联参数与关键参数之间的变化关系唯一，这样的关联参数能够实现对关键参数的准确估算；同时，关联参数与关键参数同属一个工艺或关联工艺，增加了关联参数的选取范围，突破了现有数据关联模型的限制，增加了补偿或修正数据计算的准确性。

在一个优选的可实施方案中，所述关联参数与所述关键参数为同类型数据或不同类型数据。

在一个优选的可实施方案中，在所述关联参数与所述关键参数属于关联工艺时，依据所述数据关联模型、关键参数所属的工艺信息以及关联参数所属的工艺信息建立所述业务模型。

通过采用上述技术方案，将数据关联模型以及关键参数和关联参数的工艺信息结合后生成业务模型，参考了关键参数所属工艺以及关联参数所属工艺的工艺信息，从而进一步的提高了补偿或修正数据计算的准确性。

在一个优选的可实施方案中，所述处理方法还包括：

依据所述业务模型及关键参数的实时关联参数，计算并同步输出关键参数以及关键参数的实时的补偿或修正数据。

第二方面，本申请还提供一种智能工厂异常数据处理装置，其特征在于，所述装置包括：

数据获取模块，用于实时获取关键参数；

第一模型构建模块，用于依据历史数据建立关键参数的数据关联模型；

第二模型构建模块，用于依据所述数据关联模型以及关键参数的逻辑关系建立业务模型；

数据输出模块，用于依据所述业务模型及关键参数的实时关联参数，计算并输出关键参数的实时的补偿或修正数据。

第三方面，本申请还提供一种智能工厂异常数据处理系统，其特征在于，所述系统包括：

一个或多个存储器，用于存储指令；

一个或多个处理器，用于调取所述指令，并执行所述的智能工厂异常数据处理方法。

第四方面，本申请还提供一种存储介质，其特征在于，所述存储介质存储有能够被计算机识别并执行所述的智能工厂异常数据处理方法的程序。

综上所述，本申请包括以下至少一种有益技术效果：

1.业务模型的建立，基于业务场景计算补偿或修正数据，使得补偿或修正数据更加符合关键参数的实际数值，关键参数的计算更具实际意义；

2.补偿或修正数据的输出，实现了对关键参数的实时修正，从而保证了智能工厂数据的准确性、连续性和实时性；

3.关联参数的选取摆脱了现有数据分析的同类关联性要求，使得不同工艺、不同类型的数据均能够作为关联参数，提高了本申请技术方案的应用范围以及修正参数计算的准确性。

附图说明

图1是本申请实施例的智能工厂异常数据处理方法流程示意图。

图2是本申请实施例依据历史数据建立数据关联模型的流程示意图。

图3是本申请实施例的业务模型示意图。

图4是本申请实施例的智能工厂异常数据处理装置系统图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。

下面结合说明书附图对本申请实施例作进一步详细描述。

本申请实施例提供一种智能工厂异常数据处理方法，所述的智能工厂表示利用工厂数据资源进行工厂智能化、自动化管理的工厂。所述的数据资源表示能够利用智能仪表自动采集的智能工厂的数据。在一般的智能工厂数据资源利用过程中，一般包括两个步骤：第一步是对智能工厂数据的智能采集，第二部是对智能工厂数据的应用。第一步完成后，一般表示所采集的数据为真实的数据，然而，由于数据中可能存在数据突变、数据缺失或中断等问题，导致第一步所获得的数据存在数据的准确性低、数据连续性差等问题。在智能工厂的一整套数据资源利用系统中，数据的准确性低、连续性差就会导致智能工厂数据资源利用的可靠性降低，使得智能化的实用性降低。

参照图1，本申请提供的智能工厂异常数据处理方法是为了对所采集的数据进行处理以得到连续的准确性高的数据，其主要包括以下步骤。

步骤S101：实时获取关键参数。

智能工厂中的数据依据工艺流程的不同以及所代表的测量值不同表征为不同的工艺参数，不同的工艺流程如：水泥厂煤粉输送工艺，煤粉出口检测工艺等；所述的工艺参数如：输煤风压、喂煤量、煤磨机出口温度、收尘器出口温度等。具体的工艺流程的划分可依据智能工厂的不同有不同的划分形式，在此不做唯一限定。在智能工厂运作过程中，每一工艺参数均通过智能仪表或传感器检测并输出，以实现对智能工厂每一工艺节点的数据采集。所述的关键参数表示出现数据异常的工艺参数。

在一个示例中，通过配置一个数据处理器，将所述工艺参数中可能出现异常而又很重要的参数挑选出来，形成所述的关键参数。具体的，通过数据处理器连接各智能仪表和传感器，并获取每一工艺参数，当工艺参数与数据处理器中预存的预设流程规则不同时，则表示该工艺参数出现数据异常，将模型的输出替代此工艺参数的直接测量值。所述的预设流程规则表示判断实时获取的工艺参数是否存在数据异常的规则，如输煤量持续监测过程中，如果输煤量因信息干扰发生突变或者计量仪表数据中断，就这时候就用利用输煤风压与输煤量关系的模型，输出输煤量的校正值或补充值。

在另一个示例中，一般的智能工厂中均配置有采集数据的智能系统，智能系统可以是独立的数据采集系统，也可以是在某一智能控制系统中的一个功能模块，但该智能系统具有判断所采集的工艺参数是否有数据异常问题的能力。所述的获取关键参数，是直接连接智能系统，并获取智能系统输出的报警信息。所述报警信息是所述智能系统在判断工艺参数出现数据异常后输出的对应工艺参数的报警信号。通过获取报警信息，可直接获取到报警信息对应的工艺参数。如智能系统在判断所采集到的煤磨机出口温度数据出现异常，则输出表示煤磨机出口温度异常的报警信息，通过获取报警信息，用煤磨出口温度校正模型的输出替代异常值，以保生产系统正常进行。

步骤S102：依据历史数据建立关键参数的数据关联模型，参照图2，具体包括：

步骤S1021：获取关键参数的关联参数；

步骤S1022：计算所述关联参数与所述关键参数之间的唯一计算模型；

步骤S1023：依据一个或多个与所述关键参数之间具有唯一计算模型的关联参数建立所述数据关联模型。

在实际的工业生产过程中，每一个生产过程，无论是物理过程还是化学过程，都会伴随着一些列参数有相关联的变化，而不是只有单个参数的变化。所述的关联参数，即与所述关键参数变化相关联的工艺参数，如加热温度与加热功率是相互关联的变化关系、产品温度与散热功率是相互关联的变化关系，依据这些变化关系可以从工艺参数中选取所述的关联参数。需要说明的是：所述的关联参数与所述关键参数可以是同属于一个工艺流程，也可以是属于关联工艺流程，可以是同类型的数据，如温度数据，也可以是不同类型的数据，如温度数据和风速数据，只要是能够与关键参数产生关联性变化的即可作为关联参数；所述的关联工艺流程，如水泥熟料的烧成过程中的水泥厂煤粉输送工艺和回转窑烧成给料工艺，其煤粉的输送量与回转窑给料速度为相互关联的工艺参数。。

所述的唯一计算模型是在所述关联参数中进行二次选取的依据。在获取到关联参数和关键参数后，判断关联参数与关键参数之间的变化关系是否唯一，如变化关系唯一，则关联参数与关键参数之间具有唯一的计算模型，如输煤风压作为关键参数，则输煤风压的关联参数——喂煤量与所述输煤风压之间具有数值上的唯一线型变化关系，则唯一的线型变化关系即可作为唯一计算模型。与关键参数之间具有唯一计算模型的关联参数可以是一个，也可以是多个，在此不做限定。

计算模型可以是依据数据分析得出的不同工艺参数之间的转换计算关系，也可以是预存的一个或多个计算模型。如预存的计算模型是线型变化的计算模型f=k*x，则依次将每一关联参数的历史数据与关键参数的历史数据进行模型分析，如符合诉述的计算模型f=k*x，则将所述关联参数以及相应的计算模型作为所述数据关联模型的组成部分。多个与关键参数之间具有唯一计算模型的关键参数以及相应计算模型共同组合成所述的数据关联模型。

步骤S103：依据所述数据关联模型以及关键参数的逻辑关系建立业务模型。

所述的关键参数的逻辑关系表示所述关键参数以及组成所述数据关联模型的关联参数所在的工艺的工艺信息。如水泥厂中，关键参数是输煤风压时，与输煤风压具有唯一计算模型的关联参数中包含分解炉加热窑温度，则工艺信息就包含了输煤风压所在的煤粉输送工艺流程的工艺信息以及分解炉温度所在的窑炉加热工艺流程所在的工艺信息。

在一个优选的示例中，所述的工艺信息表征所述工艺所处状态，所述状态包含但不限定检修状态、启动状态、正常工作状态和停工状态，所述工艺所处状态的不同，其工艺参数在数据处理过程中的可信度也不同，如检修状态下，其个工艺参数随检修过程发生变化，但检修过程中的工艺参数不能够纳入到业务模型中，再如正常工作状态下的两个具有唯一计算模型的工艺参数，在启动状态下可能会不符合唯一计算模型的转换能力，此时的两个原本相互关联的工艺参数之间的关联关系就会发生变化。

所述的建立业务模型涉及：在所述数据关联模型的基础上，对所述关联参数进行第三次筛选。所述工艺信息依据关键参数与关联参数所属工艺，具有一个或多个，则选取工艺信息处于正常工作流程下的关联参数。

步骤S104：依据所述业务模型及关键参数的实时关联参数，计算并同步输出关键参数以及关键参数的实时的补偿或修正数据。

参照图3，所述的业务模型包括至少两组输入参数，分别为关联参数以及工艺信息，还包括至少三组输出参数，分别为修正数据、故障报警和超限报警。其中，故障报警和超限报警为依据预设流程规则对所述关联参数进行判断后输出的，若所述关联参数表征了所述预设流程规则中的超限，如关联参数高于或低于正常的范围，则输出超限报警；若所述关联参数表征了所述预设流程规则中的故障，如关联参数突变，则输出故障报警。故障报警和超限报警是对所述关联参数的异常进行的报警。当所述关联参数异常时，屏蔽相应关联参数的输入，最后，依据输入的关联参数分别计算补偿数据或修正数据。

其中，修正数据为所述关联参数分别依据唯一计算模型计算得到的表示关键参数的实际值的数据；补偿数据为所述关联参数分别依据唯一计算模型计算得到的表示已丢失关键参数的实际值的数据。

由于关联参数具有一个或多个，则依据不同的关联参数计算得到的修正数据会有不同。在一个示例中，可以通过取平均值法，计算一个或多个修正参数的平均值作为最终的修正参数。具体的，依据多个修正数据计算最终的修正数据的方式不做唯一限定。

在最终的修正数据计算完成后，将修正数据替换所述关键参数，并将修正数据以及关键参数同步输出为实时参数。

本申请方案的实施，即通过数据关联模型的建立实现了关键参数与关联参数的计算关系建立，又通过业务模型的建立，使得修正数据的计算结果更加符合工业现场的实际情况，更加贴合关键参数的实际数值；最后，由于输出的是修正数据，实现了对关键参数的实时修正，在智能工厂的异常数据处理过程中，保证了参与计算的数据的准确性、连续性与实时性。

参照图4，在另一个实施例中，本申请还提供一种智能工厂异常数据处理装置，所述装置包括：

数据获取模块，用于实时获取关键参数；

第一模型构建模块，用于依据历史数据建立关键参数的数据关联模型；

第二模型构建模块，用于依据所述数据关联模型以及关键参数的逻辑关系建立业务模型；

以及，数据输出模块，用于依据所述业务模型及关键参数的实时关联参数，计算并输出关键参数的实时的补偿或修正数据。

本实施例所述的智能工厂异常数据处理装置中所涉及的各模块的功能及实现方式与所述的智能工厂异常数据处理方法中相应步骤的功能及实现方式相同，通过对前述智能工厂异常数据处理方法的描述，本领域技术人员可以清楚的直到本实施例中的智能工厂异常数据处理装置的实施方法，为了说明书的简洁，在此不再详述。

为了更好的执行上述方法，本申请实施例还提供一种智能工厂异常数据处理系统，所述系统包括：

一个或多个存储器，用于存储指令；

一个或多个处理器，用于调取所述指令，并执行前述的智能工厂异常数据处理方法。

存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如计算所述关联参数与所述关键参数之间的唯一计算模型)以及用于实现上述智能工厂异常数据处理方法的指令等；存储数据区可存储上述智能工厂异常数据处理方法中涉及到的数据或参数等。

处理器可以包括一个或者多个处理核心。处理器通过运行或执行存储在存储器内的指令、程序、代码集或指令集，调用存储在存储器内的数据，执行本发明的各种功能和处理数据。处理器可以为特定用途集成电路、数字信号处理器、数字信号处理装置、可编程逻辑装置、现场可编程门阵列、中央处理器、控制器、微控制器和微处理器中的至少一种。可以理解地，对于不同的设备，用于实现上述处理器功能的电子器件还可以为其它，本申请实施例不作具体限定。

所述方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取计算机可读存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个计算机可读存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上具体实施方式的实施例均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。

Claims (10)

1.一种智能工厂异常数据处理方法，其特征在于，包括：

实时获取关键参数；

依据历史数据建立关键参数的数据关联模型；

依据所述数据关联模型以及关键参数的逻辑关系建立业务模型；

依据所述业务模型及关键参数的实时关联参数，计算并输出关键参数的实时的补偿或修正数据。

2.根据权利要求1所述的一种智能工厂异常数据处理方法，其特征在于，获取关键参数的方法包括：

实时获取工艺参数；

当所述工艺参数与预设流程规则不同时，将所述工艺参数作为所述关键参数。

3.根据权利要求1、2任一项所述的一种智能工厂异常数据处理方法，其特征在于：获取关键参数的方法包括：

获取与工艺参数匹配的报警信息或操作信息，当报警信息或操作信息存在时，将所述工艺参数作为所述关键参数；

所述报警信息为智能系统中依据所述工艺参数自动输出的报警信息；

所述操作信息为人为输入的表征对应工艺参数异常的操作指令。

4.根据权利要求1所述的一种智能工厂异常数据处理方法，其特征在于，依据历史数据建立关键参数的数据关联模型的方法包括：

获取所述关键参数的关联参数；

计算所述关联参数与所述关键参数之间的唯一计算模型；

依据一个或多个与所述关键参数之间具有唯一计算模型的关联参数建立所述数据关联模型；

所述关联参数与所述关键参数同属于一个工艺或关联工艺。

5.根据权利要求4所述的一种智能工厂异常数据处理方法，其特征在于，所述关联参数与所述关键参数为同类型数据或不同类型数据。

6.根据权利要求4所述的一种智能工厂异常数据处理方法，其特征在于，在所述关联参数与所述关键参数属于关联工艺时，依据所述数据关联模型、关键参数所属的工艺信息以及关联参数所属的工艺信息建立所述业务模型。

7.根据权利要求1所述的一种智能工厂异常数据处理方法，其特征在于，所述处理方法还包括：

依据所述业务模型及关键参数的实时关联参数，计算并同步输出关键参数以及关键参数的实时的补偿或修正数据。

8.一种智能工厂异常数据处理装置，其特征在于，所述装置包括：

数据获取模块，用于实时获取关键参数；

第一模型构建模块，用于依据历史数据建立关键参数的数据关联模型；

第二模型构建模块，用于依据所述数据关联模型以及关键参数的逻辑关系建立业务模型；

数据输出模块，用于依据所述业务模型及关键参数的实时关联参数，计算并输出关键参数的实时的补偿或修正数据。

9.一种智能工厂异常数据处理系统，其特征在于，所述系统包括：

一个或多个存储器，用于存储指令；

一个或多个处理器，用于调取所述指令，并执行权利要求1-7任一项所述的智能工厂异常数据处理方法。

10.一种存储介质，其特征在于，所述存储介质存储有能够被计算机识别并执行如权利要求1-7任一项所述的方法的程序。

Images