CN113724211B - 一种基于状态感应的故障自动识别方法及系统 - Google Patents
一种基于状态感应的故障自动识别方法及系统 Download PDFInfo
- Publication number
- CN113724211B CN113724211B CN202110933408.4A CN202110933408A CN113724211B CN 113724211 B CN113724211 B CN 113724211B CN 202110933408 A CN202110933408 A CN 202110933408A CN 113724211 B CN113724211 B CN 113724211B
- Authority
- CN
- China
- Prior art keywords
- action
- processing
- machining
- identifiable
- obtaining
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Abstract
本发明提供了一种基于状态感应的故障自动识别方法及系统,方法包括:获得第一加工产品的第一工艺流程信息;获得第一可识别动作线;对第一可识别动作线进行视频采集,获得第一加工视频信息,进行连续帧分析,生成第一连续帧组合,构成第一加工动作集;对第一加工动作集进行筛检,获得第二加工动作集;获得第一可识别动作线的第一加工设备状态;根据第二加工动作集和所述第一加工设备状态,判断第一可识别动作线是否存在故障;存在故障,获得第一识别故障信息;根据第一预警指令将第一识别故障信息发送至第一流程控制中心预警。解决了现有技术中由于缺乏设备历史数据而无法进行大数据分析,导致存在没有可行性较强的智能检测手段的技术问题。
Description
技术领域
本发明涉及智能制造相关技术领域,具体涉及一种基于状态感应的故障自动识别方法及系统。
背景技术
智能制造是利用各种现代化的技术,实现工厂的办公、管理及生产自动化,达到加强及规范企业管理、减少工作失误、堵塞各种漏洞、提高工作效率、进行安全生产、提供决策参考、加强外界联系、拓宽国际市场的目的而提出的发展方向。目前主要处于生产自动化阶段,为了保证生产线的良好运作,对生产流程各环节做好故障检测是必要的。
目前国内对于生产线故障的智能检测主要还是通过采集单个硬件设备的数据,进而分析,实现故障报警的手段,而且由于工程中各设备工作状态历史数据的缺乏,使得大数据分析难以开展,对此有相关技术指出通过提取流水线各设备数据,建立模型模拟设备运作排除故障,但是此类方法成本较高,且无法实时检测各设备运作,因而可行性较低。
但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:
现有技术中由于缺乏设备历史数据而无法进行大数据分析,导致存在没有可行性较强的智能检测手段的技术问题。
发明内容
本申请实施例通过提供了一种基于状态感应的故障自动识别方法及系统,解决了现有技术中由于缺乏设备历史数据而无法进行大数据分析,导致存在没有可行性较强的智能检测手段的技术问题。通过收集工艺产品生产线上的所有设备的正常加工状态信息,生成加工动作集数据,再对生成信息筛检降维,进而结合实时监测到的设备加工状态信息,在发现异常状态时进行预警。在不依赖大数据分析的情况下,可行性较强的实时性故障检测的技术效果。
鉴于上述问题,本申请实施例提供了一种基于状态感应的故障自动识别方法及系统。
第一方面,本申请实施例提供了一种基于状态感应的故障自动识别方法,其中,所述方法应用于一种基于状态感应的故障自动识别系统,所述系统与第一视频采集装置和第一传感器智能连接,所述方法包括:获得第一加工产品的第一工艺流程信息;根据所述第一工艺流程信息,获得第一可识别动作线;根据所述第一视频采集装置对所述第一可识别动作线进行视频采集,获得第一加工视频信息,其中,所述第一加工视频信息是对所述第一可识别动作线中的加工动作状态进行视频采集;通过对所述第一加工视频信息进行连续帧分析,生成第一连续帧组合;根据所述第一连续帧组合,构成第一加工动作集;通过对所述第一加工动作集按照第一相似筛检规则进行筛检,获得第二加工动作集;根据所述第一传感器,获得所述第一可识别动作线的第一加工设备状态;根据所述第二加工动作集和所述第一加工设备状态,判断所述第一可识别动作线是否存在故障;若所述第一可识别动作线存在故障,获得第一识别故障信息;根据第一预警指令将所述第一识别故障信息发送至第一流程控制中心进行预警。
另一方面,本申请实施例提供了一种基于状态感应的故障自动识别系统,其中,所述系统包括:第一获得单元,所述第一获得单元用于获得第一加工产品的第一工艺流程信息;第二获得单元,所述第二获得单元用于根据所述第一工艺流程信息,获得第一可识别动作线;第三获得单元,所述第三获得单元用于根据第一视频采集装置对所述第一可识别动作线进行视频采集,获得第一加工视频信息,其中,所述第一加工视频信息是对所述第一可识别动作线中的加工动作状态进行视频采集;第一生成单元,所述第一生成单元用于通过对所述第一加工视频信息进行连续帧分析,生成第一连续帧组合;第一构成单元,所述第一构成单元用于根据所述第一连续帧组合,构成第一加工动作集;第四获得单元,所述第四获得单元用于通过对所述第一加工动作集按照第一相似筛检规则进行筛检,获得第二加工动作集;第五获得单元,所述第五获得单元用于根据第一传感器,获得所述第一可识别动作线的第一加工设备状态;第一判断单元,所述第一判断单元用于根据所述第二加工动作集和所述第一加工设备状态,判断所述第一可识别动作线是否存在故障;第六获得单元,所述第六获得单元用于若所述第一可识别动作线存在故障,获得第一识别故障信息;第一发送单元,所述第一发送单元用于根据第一预警指令将所述第一识别故障信息发送至第一流程控制中心进行预警。
第三方面,本申请实施例提供了一种基于状态感应的故障自动识别系统,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程序,其中,所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
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:
由于采用了获得第一加工产品的第一工艺流程信息;根据所述第一工艺流程信息,获得第一可识别动作线;根据所述第一视频采集装置对所述第一可识别动作线进行视频采集,获得第一加工视频信息,其中,所述第一加工视频信息是对所述第一可识别动作线中的加工动作状态进行视频采集;通过对所述第一加工视频信息进行连续帧分析,生成第一连续帧组合;根据所述第一连续帧组合,构成第一加工动作集;通过对所述第一加工动作集按照第一相似筛检规则进行筛检,获得第二加工动作集;根据所述第一传感器,获得所述第一可识别动作线的第一加工设备状态;根据所述第二加工动作集和所述第一加工设备状态,判断所述第一可识别动作线是否存在故障;若所述第一可识别动作线存在故障,获得第一识别故障信息;根据第一预警指令将所述第一识别故障信息发送至第一流程控制中心进行预警的技术方案,通过收集工艺产品生产线上的所有设备的正常加工状态信息,生成加工动作集数据,再对生成信息筛检降维,进而结合实时监测到的设备加工状态信息,在发现异常状态时进行预警。在不依赖大数据分析的情况下,可行性较强的实时性故障检测的技术效果。
上述说明仅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它目的、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
图1-图7为本申请实施例一种基于状态感应的故障自动识别方法流程示意图;
图8为本申请实施例一种基于状态感应的故障自动识别系统结构示意图;
图9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,第三获得单元13,第一生成单元14,第一构成单元15,第四获得单元16,第五获得单元17,第一判断单元18,第六获得单元19,第一发送单元20,电子设备300,存储器301,处理器302,通信接口303,总线架构304。
具体实施方式
本申请实施例通过提供了一种基于状态感应的故障自动识别方法及系统,解决了现有技术中由于缺乏设备历史数据而无法进行大数据分析,导致存在没有可行性较强的智能检测手段的技术问题。通过收集工艺产品生产线上的所有设备的正常加工状态信息,生成加工动作集数据,再对生成信息筛检降维,进而结合实时监测到的设备加工状态信息,在发现异常状态时进行预警。在不依赖大数据分析的情况下,可行性较强的实时性故障检测的技术效果。
申请概述
智能制造是利用各种现代化的技术,实现工厂的办公、管理及生产自动化,达到加强及规范企业管理、减少工作失误、堵塞各种漏洞、提高工作效率、进行安全生产、提供决策参考、加强外界联系、拓宽国际市场的目的而提出的发展方向。目前主要处于生产自动化阶段,为了保证生产线的良好运作,对生产流程各环节做好故障检测是必要的。
目前国内对于生产线故障的智能检测主要还是通过采集单个硬件设备的数据,进而分析,实现故障报警的手段,而且由于工程中各设备工作状态历史数据的缺乏,使得大数据分析难以开展,对此有相关技术指出通过提取流水线各设备数据,建立模型模拟设备运作排除故障,但是此类方法成本较高,且无法实时检测各设备运作,因而可行性较低。但现有技术中由于缺乏设备历史数据而无法进行大数据分析,导致存在没有可行性较强的智能检测手段的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请实施例提供了一种基于状态感应的故障自动识别方法,其中,所述方法应用于一种基于状态感应的故障自动识别系统,所述系统与第一视频采集装置和第一传感器智能连接,所述方法包括:获得第一加工产品的第一工艺流程信息;根据所述第一工艺流程信息,获得第一可识别动作线;根据所述第一视频采集装置对所述第一可识别动作线进行视频采集,获得第一加工视频信息,其中,所述第一加工视频信息是对所述第一可识别动作线中的加工动作状态进行视频采集;通过对所述第一加工视频信息进行连续帧分析,生成第一连续帧组合;根据所述第一连续帧组合,构成第一加工动作集;通过对所述第一加工动作集按照第一相似筛检规则进行筛检,获得第二加工动作集;根据所述第一传感器,获得所述第一可识别动作线的第一加工设备状态;根据所述第二加工动作集和所述第一加工设备状态,判断所述第一可识别动作线是否存在故障;若所述第一可识别动作线存在故障,获得第一识别故障信息;根据第一预警指令将所述第一识别故障信息发送至第一流程控制中心进行预警。
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
如图1所示,本申请实施例提供了一种基于状态感应的故障自动识别方法,其中,所述方法应用于一种基于状态感应的故障自动识别系统,所述系统与第一视频采集装置和第一传感器智能连接,所述方法包括:
S100:获得第一加工产品的第一工艺流程信息;
具体而言,所述第一加工产品的第一工艺流程信息指的是加工产品在流水线上的被加工过程涉及的数据。例如涉及到此加工产品的所有加工设备状态信息、加工设备的动作信息、传输带信息、加工顺序信息、质检设备状态信息、质检设备动作信息等。通过获取加工产品涉及的整个工艺流程的所有信息,得到较全面的原始数据,为后步的故障检测提供了信息基础。进一步的,存储的数据也可作为历史数据为以后的故障排除提供参考。
S200:根据所述第一工艺流程信息,获得第一可识别动作线;
S300:根据所述第一视频采集装置对所述第一可识别动作线进行视频采集,获得第一加工视频信息,其中,所述第一加工视频信息是对所述第一可识别动作线中的加工动作状态进行视频采集;
具体而言,所述第一可识别动作线指的是所述第一加工产品被加工时各设备的加工动作,优选的以所述第一加工产品的加工时间要素按顺序存储所述第一可识别动作线;所述第一视频采集装置为对产品加工状况进行监测的设备,优选高清智能摄像头,可以清晰的采集并展示产品加工状态。进一步的,依据所述第一视频采集装置对所述第一可识别动作线中的加工状态进行视频采集,得到所述第一加工视频信息。更进一步的,通过对所述第一加工视频信息的多次采集,结合技术人员的意见,整理并存储出所述第一工艺流程的标准加工动作。通过对所述第一可识别动作线的加工动作状态采集,既可以构建一套标准的加工动作状态,建立故障检测时的评估基准,也可以作为采集的待进行故障检测的实时加工动作状态信息。
S400:通过对所述第一加工视频信息进行连续帧分析,生成第一连续帧组合;
S500:根据所述第一连续帧组合,构成第一加工动作集;
具体而言,所述第一连续帧组合指的是将所述第一加工视频信息分解为以帧单位的一个个图像组合,进一步的,将所述第一连续帧组合以所述第一产品的加工顺序为准,以时间要素为线索进行存储,构成所述第一加工动作集。因为对于所述第一加工视频信息的识别对比效果会较差且成本较高,所以基于成熟的图像识别技术,将所述第一加工视频信息进行分解,得到以帧为单位的连续高清图片组合,更便于进行加工处理,且,增强了故障检测的可行性。
S600:通过对所述第一加工动作集按照第一相似筛检规则进行筛检,获得第二加工动作集;
具体而言,所述第一相似筛选规则指的是预设为了将所述第一加工动作集数据降维简化的条件,优选的条件内容为:将重复和相似程度较高的加工动作删减,相似程度根据所述第一加工产品的实际加工状况设置,在此不做限定。进一步的,通过所述第一相似筛选规则对所述第一加工动作集进行降维处理,得到精简后的动作集即为所述第二加工动作集。所述第一加工动作集过于冗杂,重复的动作较多,数据量过大,通过所述第一相似筛选规则处理之后,得到的能够所述第二加工动作集可以更高效的进行数据处理。
S700:根据所述第一传感器,获得所述第一可识别动作线的第一加工设备状态;
S800:根据所述第二加工动作集和所述第一加工设备状态,判断所述第一可识别动作线是否存在故障;
具体而言,所述第一传感器为对所述第一加工设备状态进行检测的装置,可以传递所述第一加工设备工作参数,实时加工动作信息,所述第一加工产品的加工位置等数据;基于所述第一可识别动作线,依据所述第一加工产品的加工过程传递所述第一加工设备状态。进一步的,将所述第一加工设备状态、所述第二加工动作集和标准加工动作比对,进行故障排查。通过对所述第二加工动作线的分析可以对整个加工流程故障排查实现整体控制,通过对所述第一加工设备状态的检查实现了对所述第一加工产品进行实时的故障检测。达到了整体和个体结合的实时故障检测技术效果。
S900:若所述第一可识别动作线存在故障,获得第一识别故障信息;
S1000:根据第一预警指令将所述第一识别故障信息发送至第一流程控制中心进行预警。
具体而言,若是通过比对之后,检测出所述第一可识别动作线存在故障,就获得所述第一识别故障信息,其至少包括如:错误设备,错误动作,错误位置等信息。进一步的,依据所述第一预警指令将所述第一识别故障信息发送至第一流程控制中心进行预警并进行故障检修。达到了根据实时的加工动作和设备工作状态自动检测故障的技术效果。
进一步的,基于所述通过对所述第一加工动作集按照第一相似筛检规则进行筛检,获得第二加工动作集,如图2所示,所述方法步骤S600还包括:
S610:将所述第一加工动作集中的信息输入动作分析识别模型中,获得第一相似系数集合;
具体而言,所述第一相似系数集合信息是将所述第一加工动作集中的信息输入所述动作分析识别模型智能化分析得到的表征动作集中重复相似度的结果,所述动作分析识别模型是以神经网络模型为基础建立,具有神经网络模型的特性,其中,人工神经网络是在现代神经科学的基础上提出和发展起来的,旨在反映人脑结构及功能的一种抽象数学模型,神经网络是一种运算模型,由大量的节点(或称神经元)之间相互连接构成,每个节点代表一种特定的输出函数称为激励函数,每两个节点之间的连接都代表一个对于通过该连接信号的加权值,称之为权重,这相当于人工神经网络的记忆,网络的输出则依照网络的连接方式,是对一种逻辑策略的表达,基于神经网络模型建立的所述动作分析识别模型能够输出准确的所述第一相似系数集合信息,从而具备了较强的分析计算能力,达到了准确而高效的技术效果。
S620:根据所述第一相似系数集合,获得第一预设相似度;
S630:通过对所述第一加工动作集进行筛检,获得小于等于第一预设相似度的加工动作,获得第一筛检动作集合;
S640:将所述第一筛检动作集合作为所述第二加工动作集。
具体而言,所述第一相似系数集合中包括有每个重复动作的之间的相似程度信息,当不同的两个动作相似度过高时,就会判定为相同动作,则选择其一存储,而所述第一预设相似度就是预设的判定相似度是否过高的阀值;所述第一筛检动作集合指的是依据所述第一预设相似度和所述第一相似系数集合比较,在所述第一加工动作集中进行筛检,将小于等于所述第一预设相似度的加工动作存储,得到降维后的精简数据集。进一步的,将所述第一筛检动作集合设置为所述第二加工动作集。所述第一加工动作集过于冗杂,重复的动作较多,数据量过大,通过所述第一相似筛选规则处理之后,达到了提高故障检测效率得技术效果。
进一步的,基于所述根据所述第二加工动作集和所述第一加工设备状态,判断所述第一可识别动作线是否存在故障,如图3所示,所述方法步骤S800还包括:
S810:获得所述第一可识别动作线的第一标准加工状态和第一标准设备状态;
S820:根据所述第二加工动作集合和所述第一标准加工状态,获得第一异常指数;
S830:根据所述第一加工设备状态和所述第一标准设备状态,获得第二异常指数;
S840:根据所述第一异常指数和所述第二异常指数,生成第一故障系数,其中,所述第一故障系数表示所述第一可识别动作线的故障风险程度。
具体而言,所述第一标准加工状态的确定可选的使用上述整理并存储的所述第一工艺流程的标准加工动作整理得到;所述第一标准设备状态的确定可选的依据多次所述第一传感器得到的设备工作状态在技术人员指导下整理得到数据。进一步的,将所述第二加工动作集和所述第一标准加工状态比较,优选的将相同步骤和所述第一标准加工动作不同的所述第二加工动作统计,可选统计方式为:计数器初始化为n1=0,当有一个不符合标准的动作时,执行+1命令,直到对比完最后一个所述第二加工动作停止计数,将得到计数器数目n1最终的值作为所述第一异常指数;同理,将所述第一加工设备状态和所述第一标准设备状态比较,确定所述第二异常指数。更进一步的,所述第一故障系数可选的确定方式为:计算所述第一异常指数在所述第二加工动作集中的百分比占比,所述第二异常指数在所述第一加工设备状态中的百分比占比,以这两个占比作为所述第一故障系数,并依据所述第一产品的实际生产情况确定异常指数占比的最高比例,而所述第一故障系数超过最高比例的百分比即可作为所述第一可识别动作线的故障风险程度。当所述第一可识别动作线的故障风险程度超过预设值的时候,即断定所述第一可识别动作线存在故障。
进一步的,基于所述通过对所述第一加工动作集按照第一相似筛检规则进行筛检,获得第二加工动作集,如图4所示,所述方法还包括步骤S1100:
S1110:根据所述第一加工动作集和所述第二加工动作集,获得第一动作差集合;
S1120:根据所述第一动作差集合引入损失函数,获得第一损失指数;
S1130:判断所述第一损失指数是否处于预设损失指数阈值中;
S1140:若所述第一损失指数处于所述预设损失指数阈值中,判断所述第二加工动作集的第一复杂指数是否处于预设复杂指数阈值中;
S1150:若所述第二加工动作集的第一复杂指数不处于预设复杂指数阈值中,获得第一降维指令;
S1160:根据所述第一降维指令,对所述第一动作差集合进行降维分析获得第三加工动作集。
具体而言,所述第一动作差集指的是将所述第一加工动作集对所述第二加工动作集做差,得到的筛检的加工动作集合;因为依据相似度进行筛检,并不是只筛检重复的加工动作,所以筛检的加工动作对于所述第一可识别动作线的故障排查有一定数据损失。为完善故障检测数据,此处依据通过将有差别的加工动作提取出来,构建所述第一损失指数。进一步的,所述预设损失指数阈值指的是预设的所述损失指数值,当所述第一损失函数小于即为不处于所述预设损失指数阈值中,则在可接受的损失范围内。更进一步的,所述第一复杂指数指的是所述第二加工动作的复杂程度,可选的使用加工动作类型,加工时长,损耗能量进行表征;所述预设复杂指数阈值指的是预设的某个所述复杂指数值。若所述第一损失指数处于(大于等于)所述预设损失指数阈值中,且,所述第二加工动作集的第一复杂指数不处于预设复杂指数阈值之中时,则单独通过所述第二加工动作集进行故障检测就不太准确,所以依据所述第一降维指令,对所述第一动作差集合进行降维分析获得所述第三加工动作集。通过对筛检的所述第一动作差集的损失函数分析,当所述第二加工动作集复杂度不符合要求时,对所述第一损失函数超过预设值的所述第一动作差集进行降维分析得到所述第三加工动作集,结合所述第二加工动作集进行故障检测,使得检测结果更加准确。
进一步的,基于所述根据所述第一连续帧组合,构成第一加工动作集,如图5所示,所述方法S500还包括:
S510:根据所述第一连续帧组合,获得所述第一可识别动作线所有加工动作特征;
S520:通过对所述所有加工动作特征进行连续帧的动作变化分析,获得第一变化加工特征;
S530:通过对所述所有第一变化加工特征进行分类统计,获得第一特征分类结果;
S540:基于所述第一特征分类结果,构成所述第一加工动作集。
具体而言,所述第一可识别动作线所有加工动作特征指的是基于得到多个连续加工动作图像进行特征提取得到动作特征,优选的可以使用基于卷积神经网络训练的特征提取模型进行特征提取,卷积可以作为在机器学习中的特征提取器,从而使得提取到的特征信息具有集中性和代表性,进而获得所述第一历史检查数据的卷积特征,卷积神经网络是神经网络的一种,对于特征提取尤其是图像特征提取有着优异的识别功能;进一步的,依据所述所有加工动作特征的连续帧变化进行分析,得到前后连续两个动作之间的变化特征,以前后关系依次将所述所有加工动作特征的变化特征连接起来,得到所述所有第一变化加工特征;更进一步的,可选的根据所述第一加工产品的加工环节将所述所有第一变化加工特征分为不同环节统计存储,得到第一特征分类结果,组成所述第一加工动作集。
更进一步的,根据所述第一连续帧组合,获得所述第一可识别动作线所有加工动作特征,如图6所示,所述方法步骤S510还包括:
S511:将所述第一可识别动作线的夹角变化作为第一变化特征,获得第一夹具变化特征;
S512:将所述第一可识别动作线的传输变化作为第二变化特征,获得第一传输变化特征;
S513:将所述第一可识别动作线的加工变化作为第三变化特征,获得第一加工变化特征;
S514:根据所述第一夹具变化特征、所述第一传输变化特征和所述第一加工变化特征,构建加工特征识别模型;
S515:将所述第一连续帧组合的信息输入所述加工特征识别模型,获得所述所有加工特征。
具体而言,将所述第一可识别动作线的夹角变化作为所述第一变化特征,统计所有的所述第一变化特征即为所述第一夹具变化特征;将所述第一可识别动作线的传输变化作为所述第二变化特征,统计所有的所述第二变化特征即为所述第一传输变化特征;将所述第一可识别动作线的加工变化作为所述第三变化特征,统计所有的所述第三变化特征即为第一加工变化特征。进一步的,所述加工特征识别模型优选为上述基于卷积神经网络模型使用多组所述第一可识别动作线的加工动作信息训练得到智能模型,可以提取出所述第一夹具变化特征、所述第一传输变化特征和所述第一加工变化特征。更进一步的,将所述第一连续帧组合的信息输入所述加工特征识别模型,获得所述所有加工特征。
进一步的,基于所述将所述第一加工动作集中的信息输入动作分析识别模型中,获得第一相似系数集合,如图7所示,所述方法步骤S610还包括:
S611:将所述第一加工动作集作为输入信息构建动作分析识别模型;
S612:所述动作分析识别模型通过多组训练数据训练至收敛获得,其中,所述多组训练数据中的每组数据均包括所述第一加工动作集和作为用于标识第一相似系数的标识信息;
S613:获得所述动作分析识别模型的输出结果,所述输出结果包括所述第一相似系数;
S614:根据所述第一相似系数,获得所述第一相似系数集合。
具体而言,所述动作分析识别模型也为神经网络模型,所述神经网络模型即机器学习中的神经网络模型,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。其中,它能根据训练数据进行不断的自我训练学习,所述多组中的训练数据中的每一组训练数据均包括:所述多组训练数据中的每组数据均包括所述第一加工动作集和作为用于标识第一相似系数的标识信息。所述动作分析识别模型不断地自我的修正,当所述动作分析识别模型的输出信息达到预定的准确率/收敛状态时,则有监督学习过程结束。通过对所述动作分析识别模型进行数据训练,使得所述动作分析识别模型处理输入数据更加准确,进而使得输出的所述第一相似系数也更加准确,达到了准确获得数据信息,提高评估结果智能化的技术效果。
综上所述,本申请实施例所提供的一种基于状态感应的故障自动识别方法及系统具有如下技术效果:
1、由于采用了获得第一加工产品的第一工艺流程信息;根据所述第一工艺流程信息,获得第一可识别动作线;根据所述第一视频采集装置对所述第一可识别动作线进行视频采集,获得第一加工视频信息,其中,所述第一加工视频信息是对所述第一可识别动作线中的加工动作状态进行视频采集;通过对所述第一加工视频信息进行连续帧分析,生成第一连续帧组合;根据所述第一连续帧组合,构成第一加工动作集;通过对所述第一加工动作集按照第一相似筛检规则进行筛检,获得第二加工动作集;根据所述第一传感器,获得所述第一可识别动作线的第一加工设备状态;根据所述第二加工动作集和所述第一加工设备状态,判断所述第一可识别动作线是否存在故障;若所述第一可识别动作线存在故障,获得第一识别故障信息;根据第一预警指令将所述第一识别故障信息发送至第一流程控制中心进行预警的技术方案,通过收集工艺产品生产线上的所有设备的正常加工状态信息,生成加工动作集数据,再对生成信息筛检降维,进而结合实时监测到的设备加工状态信息,在发现异常状态时进行预警。在不依赖大数据分析的情况下,可行性较强的实时性故障检测的技术效果。
2、通过对筛检的所述第一动作差集的损失函数分析,当所述第二加工动作集复杂度不符合要求时,对所述第一损失函数超过预设值的所述第一动作差集进行降维分析得到所述第三加工动作集,结合所述第二加工动作集进行故障检测,使得检测结果更加准确。
实施例二
基于与前述实施例中一种基于状态感应的故障自动识别方法相同的发明构思,如图8所示,本申请实施例提供了一种基于状态感应的故障自动识别系统,其中,所述系统包括:
第一获得单元11,所述第一获得单元11用于获得第一加工产品的第一工艺流程信息;
第二获得单元12,所述第二获得单元12用于根据所述第一工艺流程信息,获得第一可识别动作线;
第三获得单元13,所述第三获得单元13用于根据第一视频采集装置对所述第一可识别动作线进行视频采集,获得第一加工视频信息,其中,所述第一加工视频信息是对所述第一可识别动作线中的加工动作状态进行视频采集;
第一生成单元14,所述第一生成单元14用于通过对所述第一加工视频信息进行连续帧分析,生成第一连续帧组合;
第一构成单元15,所述第一构成单元15用于根据所述第一连续帧组合,构成第一加工动作集;
第四获得单元16,所述第四获得单元16用于通过对所述第一加工动作集按照第一相似筛检规则进行筛检,获得第二加工动作集;
第五获得单元17,所述第五获得单元17用于根据第一传感器,获得所述第一可识别动作线的第一加工设备状态;
第一判断单元18,所述第一判断单元18用于根据所述第二加工动作集和所述第一加工设备状态,判断所述第一可识别动作线是否存在故障;
第六获得单元19,所述第六获得单元19用于若所述第一可识别动作线存在故障,获得第一识别故障信息;
第一发送单元20,所述第一发送单元20用于根据第一预警指令将所述第一识别故障信息发送至第一流程控制中心进行预警。
进一步的,所述系统还包括:
第七获得单元,所述第七获得单元用于将所述第一加工动作集中的信息输入动作分析识别模型中,获得第一相似系数集合;
第八获得单元,所述第八获得单元用于根据所述第一相似系数集合,获得第一预设相似度;
第九获得单元,所述第九获得单元用于通过对所述第一加工动作集进行筛检,获得小于等于第一预设相似度的加工动作,获得第一筛检动作集合;
第一设置单元,所述第一设置单元用于将所述第一筛检动作集合作为所述第二加工动作集。
进一步的,所述系统还包括:
第十获得单元,所述第十获得单元用于获得所述第一可识别动作线的第一标准加工状态和第一标准设备状态;
第十一获得单元,所述第十一获得单元用于根据所述第二加工动作集合和所述第一标准加工状态,获得第一异常指数;
第十二获得单元,所述第十二获得单元用于根据所述第一加工设备状态和所述第一标准设备状态,获得第二异常指数;
第二生成单元,所述第二生成单元用于根据所述第一异常指数和所述第二异常指数,生成第一故障系数,其中,所述第一故障系数表示所述第一可识别动作线的故障风险程度。
进一步的,所述系统还包括:
第十三获得单元,所述第十三获得单元用于根据所述第一加工动作集和所述第二加工动作集,获得第一动作差集合;
第十四获得单元,所述第十四获得单元用于根据所述第一动作差集合引入损失函数,获得第一损失指数;
第二判断单元,所述第二判断单元用于判断所述第一损失指数是否处于预设损失指数阈值中;
第三判断单元,所述第三判断单元用于若所述第一损失指数处于所述预设损失指数阈值中,判断所述第二加工动作集的第一复杂指数是否处于预设复杂指数阈值中;
第十五获得单元,所述第十五获得单元用于若所述第二加工动作集的第一复杂指数不处于预设复杂指数阈值中,获得第一降维指令;
第十六获得单元,所述第十六获得单元用于根据所述第一降维指令,对所述第一动作差集合进行降维分析获得第三加工动作集。
进一步的,所述系统还包括:
第十七获得单元,所述第十七获得单元用于根据所述第一连续帧组合,获得所述第一可识别动作线所有加工动作特征;
第十八获得单元,所述第十八获得单元用于通过对所述所有加工动作特征进行连续帧的动作变化分析,获得第一变化加工特征;
第十九获得单元,所述第十九获得单元用于通过对所述所有第一变化加工特征进行分类统计,获得第一特征分类结果;
第二构成单元,所述第二构成单元用于基于所述第一特征分类结果,构成所述第一加工动作集。
进一步的,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将所述第一可识别动作线的夹角变化作为第一变化特征,获得第一夹具变化特征;
第二十一获得单元,所述第二十一获得单元用于将所述第一可识别动作线的传输变化作为第二变化特征,获得第一传输变化特征;
第二十二获得单元,所述第二十二获得单元用于将所述第一可识别动作线的加工变化作为第三变化特征,获得第一加工变化特征;
第一构建单元,所述第一构建单元用于根据所述第一夹具变化特征、所述第一传输变化特征和所述第一加工变化特征,构建加工特征识别模型;
第二十三获得单元,所述第二十三获得单元用于将所述第一连续帧组合的信息输入所述加工特征识别模型,获得所述所有加工特征。
进一步的,所述系统还包括:
第二构建单元,所述第二构建单元用于将所述第一加工动作集作为输入信息构建动作分析识别模型;
第一训练单元,所述第一训练单元用于所述动作分析识别模型通过多组训练数据训练至收敛获得,其中,所述多组训练数据中的每组数据均包括所述第一加工动作集和作为用于标识第一相似系数的标识信息;
第一输出单元,所述第一输出单元用于获得所述动作分析识别模型的输出结果,所述输出结果包括所述第一相似系数;
第二十四获得单元,所述第二十四获得单元用于根据所述第一相似系数,获得所述第一相似系数集合。
示例性电子设备
下面参考图9来描述本申请实施例的电子设备,
基于与前述实施例中一种基于状态感应的故障自动识别方法相同的发明构思,本申请实施例还提供了一种基于状态感应的故障自动识别系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得系统以执行第一方面任一项所述的方法
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture,简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN),有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory,EEPROM)、只读光盘(compactdiscread-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种基于状态感应的故障自动识别方法。
可选的,本申请实施例中的计算机执行指令也可以称之为应用程序代码,本申请实施例对此不作具体限定。
本申请实施例提供了一种基于状态感应的故障自动识别方法,其中,所述方法应用于一种基于状态感应的故障自动识别系统,所述系统与第一视频采集装置和第一传感器智能连接,所述方法包括:获得第一加工产品的第一工艺流程信息;根据所述第一工艺流程信息,获得第一可识别动作线;根据所述第一视频采集装置对所述第一可识别动作线进行视频采集,获得第一加工视频信息,其中,所述第一加工视频信息是对所述第一可识别动作线中的加工动作状态进行视频采集;通过对所述第一加工视频信息进行连续帧分析,生成第一连续帧组合;根据所述第一连续帧组合,构成第一加工动作集;通过对所述第一加工动作集按照第一相似筛检规则进行筛检,获得第二加工动作集;根据所述第一传感器,获得所述第一可识别动作线的第一加工设备状态;根据所述第二加工动作集和所述第一加工设备状态,判断所述第一可识别动作线是否存在故障;若所述第一可识别动作线存在故障,获得第一识别故障信息;根据第一预警指令将所述第一识别故障信息发送至第一流程控制中心进行预警。通过收集工艺产品生产线上的所有设备的正常加工状态信息,生成加工动作集数据,再对生成信息筛检降维,进而结合实时监测到的设备加工状态信息,在发现异常状态时进行预警。在不依赖大数据分析的情况下,可行性较强的实时性故障检测的技术效果。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请实施例的范围,也不表示先后顺序。“和/或”,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。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个、种),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。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。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (7)
1.一种基于状态感应的故障自动识别方法,其中,所述方法应用于一种基于状态感应的故障自动识别系统,所述系统与第一视频采集装置和第一传感器智能连接,所述方法包括:
获得第一加工产品的第一工艺流程信息;
根据所述第一工艺流程信息,获得第一可识别动作线;
根据所述第一视频采集装置对所述第一可识别动作线进行视频采集,获得第一加工视频信息,其中,所述第一加工视频信息是对所述第一可识别动作线中的加工动作状态进行视频采集;
通过对所述第一加工视频信息进行连续帧分析,生成第一连续帧组合;
根据所述第一连续帧组合,构成第一加工动作集;
通过对所述第一加工动作集按照第一相似筛检规则进行筛检,获得第二加工动作集;
根据所述第一传感器,获得所述第一可识别动作线的第一加工设备状态;
根据所述第二加工动作集和所述第一加工设备状态,判断所述第一可识别动作线是否存在故障;
若所述第一可识别动作线存在故障,获得第一识别故障信息;
根据第一预警指令将所述第一识别故障信息发送至第一流程控制中心进行预警;
所述根据所述第一连续帧组合,构成第一加工动作集,包括:
根据所述第一连续帧组合,获得所述第一可识别动作线所有加工动作特征;
通过对所述所有加工动作特征进行连续帧的动作变化分析,获得第一变化加工特征;
通过对所述所有第一变化加工特征进行分类统计,获得第一特征分类结果;
基于所述第一特征分类结果,构成所述第一加工动作集;
其中,根据所述第一连续帧组合,获得所述第一可识别动作线所有加工动作特征,包括:
将所述第一可识别动作线的夹角变化作为第一变化特征,获得第一夹角变化特征;
将所述第一可识别动作线的传输变化作为第二变化特征,获得第一传输变化特征;
将所述第一可识别动作线的加工变化作为第三变化特征,获得第一加工变化特征;
根据所述第一夹角 变化特征、所述第一传输变化特征和所述第一加工变化特征,构建加工特征识别模型;
将所述第一连续帧组合的信息输入所述加工特征识别模型,获得所述所有加工特征。
2.如权利要求1所述的方法,其中,所述通过对所述第一加工动作集按照第一相似筛检规则进行筛检,获得第二加工动作集,所述方法还包括:
将所述第一加工动作集中的信息输入动作分析识别模型中,获得第一相似系数集合;
根据所述第一相似系数集合,获得第一预设相似度;
通过对所述第一加工动作集进行筛检,获得小于等于第一预设相似度的加工动作,获得第一筛检动作集合;
将所述第一筛检动作集合作为所述第二加工动作集。
3.如权利要求1所述的方法,其中,所述根据所述第二加工动作集和所述第一加工设备状态,判断所述第一可识别动作线是否存在故障,所述方法还包括:
获得所述第一可识别动作线的第一标准加工状态和第一标准设备状态;
根据所述第二加工动作集合和所述第一标准加工状态,获得第一异常指数;
根据所述第一加工设备状态和所述第一标准设备状态,获得第二异常指数;
根据所述第一异常指数和所述第二异常指数,生成第一故障系数,其中,所述第一故障系数表示所述第一可识别动作线的故障风险程度。
4.如权利要求1所述的方法,其中,所述通过对所述第一加工动作集按照第一相似筛检规则进行筛检,获得第二加工动作集,所述方法还包括:
根据所述第一加工动作集和所述第二加工动作集,获得第一动作差集合;
根据所述第一动作差集合引入损失函数,获得第一损失指数;
判断所述第一损失指数是否处于预设损失指数阈值中;
若所述第一损失指数处于所述预设损失指数阈值中,判断所述第二加工动作集的第一复杂指数是否处于预设复杂指数阈值中;
若所述第二加工动作集的第一复杂指数不处于预设复杂指数阈值中,获得第一降维指令;
根据所述第一降维指令,对所述第一动作差集合进行降维分析获得第三加工动作集。
5.如权利要求2所述的方法,其中,所述将所述第一加工动作集中的信息输入动作分析识别模型中,获得第一相似系数集合,所述方法还包括:
将所述第一加工动作集作为输入信息构建动作分析识别模型;
所述动作分析识别模型通过多组训练数据训练至收敛获得,其中,所述多组训练数据中的每组数据均包括所述第一加工动作集和作为用于标识第一相似系数的标识信息;
获得所述动作分析识别模型的输出结果,所述输出结果包括所述第一相似系数;
根据所述第一相似系数,获得所述第一相似系数集合。
6.一种基于状态感应的故障自动识别系统,其中,所述系统包括:
第一获得单元,所述第一获得单元用于获得第一加工产品的第一工艺流程信息;
第二获得单元,所述第二获得单元用于根据所述第一工艺流程信息,获得第一可识别动作线;
第三获得单元,所述第三获得单元用于根据第一视频采集装置对所述第一可识别动作线进行视频采集,获得第一加工视频信息,其中,所述第一加工视频信息是对所述第一可识别动作线中的加工动作状态进行视频采集;
第一生成单元,所述第一生成单元用于通过对所述第一加工视频信息进行连续帧分析,生成第一连续帧组合;
第一构成单元,所述第一构成单元用于根据所述第一连续帧组合,构成第一加工动作集;
第四获得单元,所述第四获得单元用于通过对所述第一加工动作集按照第一相似筛检规则进行筛检,获得第二加工动作集;
第五获得单元,所述第五获得单元用于根据第一传感器,获得所述第一可识别动作线的第一加工设备状态;
第一判断单元,所述第一判断单元用于根据所述第二加工动作集和所述第一加工设备状态,判断所述第一可识别动作线是否存在故障;
第六获得单元,所述第六获得单元用于若所述第一可识别动作线存在故障,获得第一识别故障信息;
第一发送单元,所述第一发送单元用于根据第一预警指令将所述第一识别故障信息发送至第一流程控制中心进行预警;
第十七获得单元,所述第十七获得单元用于根据所述第一连续帧组合,获得所述第一可识别动作线所有加工动作特征;
第十八获得单元,所述第十八获得单元用于通过对所述所有加工动作特征进行连续帧的动作变化分析,获得第一变化加工特征;
第十九获得单元,所述第十九获得单元用于通过对所述所有第一变化加工特征进行分类统计,获得第一特征分类结果;
第二构成单元,所述第二构成单元用于基于所述第一特征分类结果,构成所述第一加工动作集;
第二十获得单元,所述第二十获得单元用于将所述第一可识别动作线的夹角变化作为第一变化特征,获得第一夹角变化特征;
第二十一获得单元,所述第二十一获得单元用于将所述第一可识别动作线的传输变化作为第二变化特征,获得第一传输变化特征;
第二十二获得单元,所述第二十二获得单元用于将所述第一可识别动作线的加工变化作为第三变化特征,获得第一加工变化特征;
第一构建单元,所述第一构建单元用于根据所述第一夹角变化特征、所述第一传输变化特征和所述第一加工变化特征,构建加工特征识别模型;
第二十三获得单元,所述第二十三获得单元用于将所述第一连续帧组合的信息输入所述加工特征识别模型,获得所述所有加工特征。
7.一种基于状态感应的故障自动识别系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使系统以执行如权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110933408.4A CN113724211B (zh) | 2021-08-13 | 2021-08-13 | 一种基于状态感应的故障自动识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110933408.4A CN113724211B (zh) | 2021-08-13 | 2021-08-13 | 一种基于状态感应的故障自动识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113724211A CN113724211A (zh) | 2021-11-30 |
CN113724211B true CN113724211B (zh) | 2023-01-31 |
Family
ID=78675885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110933408.4A Active CN113724211B (zh) | 2021-08-13 | 2021-08-13 | 一种基于状态感应的故障自动识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113724211B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681272B (zh) * | 2023-06-02 | 2024-02-02 | 苏州索力伊智能科技有限公司 | 一种自动装配生产线状态监测系统及其方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110502995B (zh) * | 2019-07-19 | 2023-03-14 | 南昌大学 | 基于细微面部动作识别的驾驶员打哈欠检测方法 |
CN111898581A (zh) * | 2020-08-12 | 2020-11-06 | 成都佳华物链云科技有限公司 | 动物检测方法、装置、电子设备及可读存储介质 |
CN112925279A (zh) * | 2021-01-30 | 2021-06-08 | 重庆简华科技有限公司 | 一种基于mes系统的故障综合分析系统 |
CN113051236B (zh) * | 2021-03-09 | 2022-06-07 | 北京沃东天骏信息技术有限公司 | 审核视频的方法、装置及计算机可读存储介质 |
-
2021
- 2021-08-13 CN CN202110933408.4A patent/CN113724211B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113724211A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113779496B (zh) | 一种基于设备全景数据的电力设备状态评估方法及系统 | |
CN109033513B (zh) | 电力变压器故障诊断方法与电力变压器故障诊断装置 | |
CN111046916A (zh) | 一种基于空洞卷积胶囊网络的电机故障诊断方法及系统 | |
CN112416643A (zh) | 无监督异常检测方法与装置 | |
CN113111591B (zh) | 基于模块化配电终端内部故障自动诊断方法、装置及设备 | |
CN113344134A (zh) | 一种低压配电监控终端数据采集异常检测方法及系统 | |
CN115409131B (zh) | 基于spc过程管控系统的生产线异常检测方法 | |
KR20190008515A (ko) | 개선된 sax 기법 및 rtc 기법을 이용한 공정 모니터링 장치 및 방법 | |
CN114723082A (zh) | 一种智能低压成套设备的异常预警方法及系统 | |
CN113724211B (zh) | 一种基于状态感应的故障自动识别方法及系统 | |
CN110187206B (zh) | 一种复杂工况下非高斯过程的悬浮系统的故障检测方法 | |
CN113934536B (zh) | 面向边缘计算的数据采集方法 | |
CN114511026A (zh) | 一种故障诊断方法、装置、终端设备及存储介质 | |
CN114116168A (zh) | 一种虚拟网络流量采集的方法 | |
CN112949714A (zh) | 一种基于随机森林的故障可能性预估方法 | |
CN113435307A (zh) | 一种基于视觉识别技术的运维方法、系统及存储介质 | |
CN117421684A (zh) | 基于数据挖掘和神经网络的异常数据监测与分析方法 | |
CN114936614B (zh) | 一种基于神经网络的作业风险识别方法及系统 | |
CN112464164A (zh) | 一种人因可靠性评估的方法、装置和信息处理设备 | |
CN114037673B (zh) | 一种基于机器视觉的硬件衔接接口监测方法及系统 | |
CN113687639B (zh) | 一种纺织机械设备的故障智能预警方法及系统 | |
CN114157486B (zh) | 通信流量数据异常检测方法、装置、电子设备及存储介质 | |
CN115905979A (zh) | 一种基于梁体纵向位移监测的桥梁结构异常在线诊断方法 | |
CN115878598A (zh) | 监控数据处理方法、电子设备及存储介质 | |
CN111026608A (zh) | 一种Oracle数据库性能诊断方法及其系统、设备、介质 |
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 | ||
CB02 | Change of applicant information |
Address after: No.108 Jinshan Road, Yangzhou Economic Development Zone, Jiangsu Province 225000 Applicant after: Yangzhou Meilai medical supplies Co.,Ltd. Address before: No.108 Jinshan Road, Yangzhou Economic Development Zone, Jiangsu Province 225000 Applicant before: YANGZHOU MEDLINE INDUSTRY CO.,LTD. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |