发明内容
本申请提供一种基于边缘计算的智能工厂管控系统及方法,采用多对一的架构布置边缘服务器,通过边缘服务器接收工站内多个加工机台的多个维度加工数据,并对多个维度加工数据进行分析处理,基于分析结果进行品质判定,将品质判定结果及时反馈于加工机台,减少数据服务器的计算负担,提高计算速度。
本申请第一方面提供一种基于边缘计算的智能工厂管控系统,所述智能工厂管控系统包括:至少一个边缘服务器,每个所述边缘服务器用于接收加工机台的运行数据,所述运行数据包括运行参数、加工数据和生产履历信息,依次将每个加工机台的所述运行参数和所述加工数据输入至预测模型得到预测结果,根据所述预测结果进行加工品质判定;及数据服务器,与所述边缘服务器耦接,用于基于每个所述边缘服务器上传的各所述加工机台的运行数据及所述预测结果,构建第一数据集及相应的第一数据表。
在较优的一实施例中,进一步包括至少一个数据采集设备,每个所述数据采集设备与对应的所述边缘服务器耦接,用于采集至少一个加工机台的运行数据,并将采集到的所述运行数据上传至对应的所述边缘服务器。
在较优的一实施例中,进一步包括第一数据应用设备,所述第一数据应用设备与所述数据服务器耦接,用于获取所述数据服务器反馈的所述第一数据集,基于所述第一数据集训练预先存储的预测模型,得到更新的预测模型,并反馈所述更新的预测模型至所述数据服务器。
在较优的一实施例中,所述数据服务器还用于接收所述更新的预测模型,并将所述更新的预测模型发送至所述边缘服务器,所述边缘服务器还用于接收所述更新的预测模型对加工品质进行判定。
在较优的一实施例中,每个工站包括至少一个加工机台,每个所述边缘服务器与一个工站对应,所述边缘服务器还用于:接收所述数据采集设备采集的一工站内加工机台的运行参数、加工数据及生产履历信息;分别将所述工站内加工机台的所述运行参数和所述加工数据输入至预测模型,得到所述工站内加工机台的预测结果,所述预测结果包括参数预测值及特征预测值,根据所述参数预测值和/或所述特征预测值对所述加工机台进行加工品质判定。
在较优的一实施例中,所述边缘服务器还用于:处理及存储所述工站内加工机台的预测结果、加工品质判定结果、运行参数、加工数据及生产履历信息;基于存储的所述预测结果、所述加工品质判定结果、所述运行参数、所述加工数据及所述生产履历信息,构建状态数据集,按照设定存储周期,删除所述状态数据集中超过设定存储周期的数据。
在较优的一实施例中,所述边缘服务器还用于:从所述状态数据集中筛选出部分数据上传至所述数据服务器;获取所述状态数据集中所述加工品质判定结果,并下发至所述工站内加工机台。
在较优的一实施例中,所述数据服务器还用于:将所述第一数据集拆分成履历数据集、加工数据集和训练集,所述履历数据集包括所述生产履历信息,所述加工数据集为包括所述运行参数、所述加工数据以及所述预测结果的集合,所述训练集为包括所述运行参数、所述加工数据以及所述预测结果的另一集合;依据所述履历数据集和所述加工数据集生成所述第一数据表,所述第一数据表包括履历信息表及加工信息表。
在较优的一实施例中,进一步包括第二数据应用设备,所述第二数据应用设备与所述数据服务器耦接,用于获取所述数据服务器反馈的所述第一数据表,对所述第一数据表中数据进行清洗和重组,生成所述第二数据表。
本申请第二方面提供一种基于边缘计算的智能工厂管控方法,智能工厂管控方法包括:边缘服务器获取加工机台的运行数据,所述运行数据包括运行参数、加工数据和生产履历信息;边缘服务器依次将所述加工机台的所述运行参数和所述加工数据输入至预测模型得到预测结果,根据所述预测结果对所述加工机台进行加工品质判定;数据服务器基于所述加工机台的所述运行数据及所述预测结果,构建第一数据集及相应的第一数据表。
在较优的一实施例中,还进一步包括:数据采集设备采集至少一个加工机台的运行数据,并将采集到的所述运行数据上传至对应的所述边缘服务器。
在较优的一实施例中,还进一步包括:第一数据应用设备基于所述第一数据集训练所述预测模型,得到更新的预测模型;所述数据服务器接收所述更新的预测模型,并将所述更新的预测模型发送至所述边缘服务器;所述边缘服务器根据所述更新的预测模型对加工品质进行判定。
在较优的一实施例中,每个工站包括至少一个加工机台,每个所述边缘服务器与一个工站对应,该方法还进一步包括:所述边缘服务器获取一工站内加工机台的运行参数、加工数据及生产履历信息;所述边缘服务器分别将所述工站内加工机台的所述运行参数和所述加工数据输入至预测模型,得到所述工站内加工机台的预测结果,所述预测结果包括参数预测值及特征预测值,根据所述参数预测值和/或所述特征预测值对所述加工机台进行加工品质判定。
在较优的一实施例中,所述将加工机台的所述运行参数输入至预测模型,得到预测结果的步骤,包括:输入所述运行参数数据至训练好的预测模型,得到参数预测值;构建预警区间,根据所述参数预测值和所述预警区间对所述加工机台进行加工品质判定。
在较优的一实施例中,所述加工数据包括设备运行输入的光电信号和/设备加工前后的图像数据,将所述光电信号和/所述图像数据输入至预测模型,得到预测结果的步骤,包括:输入所述光电信号和/所述图像数据至训练好的预测模型,得到特征预测值;设定特征标准值,根据所述特征预测值和所述特征标准值对所述设备进行品质判定。
在较优的一实施例中,进一步包括:所述边缘服务器处理及存储各所述工站内加工机台的预测结果、加工品质判定结果、运行参数、加工数据及生产履历信息;所述边缘服务器基于存储的所述预测结果、所述加工品质判定结果、所述运行参数、所述加工数据及所述生产履历信息,构建状态数据集,按照设定存储周期,删除所述状态数据集中超过设定存储周期的数据;所述边缘服务器从所述状态数据集中筛选出部分数据上传至所述数据服务器,同时获取所述状态数据集中所述加工品质判定结果,并下发至所述工站内加工机台。
在较优的一实施例中,进一步包括:所述数据服务器将所述第一数据集拆分成履历数据集、加工数据集和训练集,所述履历数据集包括所述生产履历信息,所述加工数据集为包括所述运行参数、所述加工数据以及所述预测结果的集合,所述训练集为包括所述运行参数、所述加工数据以及所述预测结果的另一集合;所述数据服务器依据所述履历数据集和所加工数据集生成所述第一数据表,所述第一数据表包括履历信息表及加工信息表。
在较优的一实施例中,进一步包括:第二数据应用设备对所述第一数据表中数据进行清洗和重组,生成所述第二数据表。
本申请通过边缘服务器预设的预测模型对每个加工机台的运行参数和加工数据进行自动化分析得到物料加工预测结果,然后根据上述预测结果对加工机台进行品质判定,基于品质判定结果及时回控加工机台进行分料作业,本申请基于多个维度的加工数据进行加工品质分析,提高了加工品质分析效率及准确性。
本申请采用由多个数据采集设备、多个边缘服务器、数据服务器、第一数据应用设备及第二数据应用设备及组成的树状管控架构来管控加工机台,利于大规模数据处理及维护。
本申请采用多对一的主从式架构布置边缘服务器,通过数据采集设备采集一工站内多个加工设备的运行数据,并上传至与该工站相对应的边缘服务器上,减少数据服务器的计算负担,能提高计算速度,并能实时将品质判定结果反馈于加工机台进行自动化分料。
具体实施方式
为了能够更清楚地理解本申请的目的、特征和优点,下面结合附图和具体实施例对本申请进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互结合。在下面的描述中阐述了很多具体细节以便于充分理解本申请,所述描述的实施例仅是本申请一部分实施例,而不是全部的实施例。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
除非另有定义,本文所使用的所有的技术和科学术语与术语本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
图1示出了本申请一个实施例提供的一种基于边缘计算的智能工厂管控系统100的系统框架图。为了便于说明,仅示出了与本申请实施例相关的部分,详述如下:
该智能工厂管控系统100用于采集及分析多个加工机台的多个维度加工数据,利用分析结果管控加工机台。智能工厂管控系统100包括:
至少一个边缘服务器101,每个边缘服务器101用于接收加工机台的运行数据,运行数据包括运行参数、加工数据和生产履历信息,依次将每个加工机台的运行参数和加工数据输入至预测模型得到预测结果,根据预测结果进行加工品质判定;及
数据服务器102,与边缘服务器101耦接,用于基于每个边缘服务器101上传的各加工机台的运行数据及预测结果,构建第一数据集及相应的第一数据表。
在一些实施方式中,运行参数为加工机台输入的工艺参数,以焊接制程为例,运行参数包括但不限于焊点半径、能量、功率及速度,此处不作限定。加工数据表示为从加工机台采集的光电信号以及从加工机台采集的物料加工前后及加工过程中的图像数据。以焊接制程为例,光电信号包括但不限于等离子体、背光反射、温度、压力及震动信号,此处不作限定。图像数据包括但不限于焊前与焊后图像及胶入与胶后图像,此处不作限定。生产履历信息包括但不限于生产履历表、治具码及设备码,此处不作限定。
进一步需要说明的是,预测模型可采用卷积神经网络模型、长短期记忆模型、聚类模型等,此处不作限定。
具体地,边缘服务器101将每个加工机台的工艺参数输入至预测模型,得到参数预测值。例如,预测模型为聚类模型,边缘服务器101可将加工机台的工艺参数输入至聚类模型,得到参数预测值。
边缘服务器101将每个加工机台的光电信号输入至长短期记忆模型,从而判定光电信号是否异常,当光电信号的品质判定结果为OK时,则判定当前加工物料品质没有缺陷,并反馈至自动化加工机台继续进行下一个物料品质检测操作,当光电信号的品质判定结果为NG时,则判定当前加工物料品质有缺陷,并反馈至自动化加工机台进行分料操作。
边缘服务器101将每个加工机台的图像数据输入至卷积神经网络模型,从而判定图像数据是否异常,当图像数据的品质判定结果为OK时,则判定当前加工物料品质没有缺陷,并反馈至自动化加工机台继续进行下一个物料品质检测操作,当图像数据的品质判定结果为NG时,则判定当前加工物料品质有缺陷,并反馈至自动化加工机台进行分料操作。
数据服务器102与至少一边缘服务器101进行通信,每个边缘服务器101将从加工机台采集的运行参数、加工数据、生产履历信息及经过预测模型得到的预测结果等数据中筛选出部分数据上传至数据服务器102,数据服务器102根据接收到的运行参数、加工数据、生产履历信息及预测结果构建第一数据集,基于第一数据集中运行参数、加工数据、生产履历信息及预测结果生成第一数据表,数据服务器102通过第一数据表可视化物料在加工过程中生产履历信息、运行参数信息、加工数据信息以及预测信息,能够根据不同数据类型生成不同的数据表,更有效提供各种数据查询及动态显示。
图2示出了本申请另一个实施例提供的一种基于边缘计算的智能工厂管控系统100的框架图,为了便于说明,仅示出了与本申请实施例相关的部分,详述如下。
在一些实施例中,智能工厂管控系统100还包括至少一个数据采集设备103,每个数据采集设备103与对应的边缘服务器101耦接,用于采集至少一个加工机台的运行数据,并将采集到的运行数据上传至对应的边缘服务器101。
需要说明的是,数据采集设备103采集物料加工过程中的光电信号时,数据采集设备103包括边缘网关和感测器。感测器包括但不限于光谱仪、光电计、红外相机,此处不作限定,数据采集设备103采集物料加工过程中的图像数据时,数据采集设备包括但不限于摄像装置,此处不作限定。边缘网关支持不同的物理协议,边缘网关将从所述数据采集设备103接收加工数据转换成统一格式的数据。
在一些实施方式中,每个工站包括至少一个加工机台,每个边缘服务器101、每个数据采集设备103分别与一个工站对应,一个边缘服务器101耦接一个数据采集设备103。边缘服务器101还用于:接收一数据采集设备103采集的一工站内加工机台的运行参数、加工数据及生产履历信息;分别将工站内加工机台的运行参数和加工数据输入至预测模型,得到工站内加工机台的预测结果,预测结果包括参数预测值及特征预测值,根据参数预测值和/或特征预测值对加工机台进行加工品质判定。
图3示出了本申请另一个实施例提供的另一种基于边缘计算的智能工厂管控系统100的框架图。边缘服务器101与数据采集设备103采用主从式架构布置,一个数据采集设备103与一个边缘服务器101耦接,每一个工站对应一个数据采集设备103及一个边缘服务器101,边缘服务器101与数据采集设备103可为一个、三个、五个等,具体由工站的数量来定。以图3为例,该智能工厂包括工站A、工站B及工站C,工站A、工站B及工站C内分别布置有四个加工机台(机台A、机台B、机台C、机台D),智能工厂管控系统100配置有用于分别采集工站A、工站B及工站C内加工设备数据的三个数据采集设备103、以及与工站A、工站B及工站C相对应的三个边缘服务器。三个数据采集设备103用于采集工站A、工站B及工站C内四个加工机台的运行数据,并将采集到的运行数据上传至对应的边缘服务器101。三个边缘服务器101分别与三个数据采集设备103耦接,分别用于接收相应的数据采集设备103采集的工站A/工站B/工站C内四个加工机台的运行数据,将工站A/工站B/工站C内四个加工机台的运行数据分别输入至预测模型,得到工站A/工站B/工站C内四个加工机台的预测结果,该预测结果包括参数预测值及特征预测值;根据工站A/工站B/工站C内四个加工机台的参数预测值和/或特征预测值分别对四个加工机台进行加工品质判定。
数据采集设备103采集一工站内多个加工机台的运行数据,边缘服务器101直接实时接收与其对应的数据采集设备103采集的数据,降低数据排队传输延迟的问题。
需要说明的是,加工机台的运行参数经过预测模型计算,得到参数预测值。加工数据包括从加工机台采集的光电信号以及从加工机台采集的物料加工前后及加工过程中的图像数据,加工机台的光电信号经过预测模型计算,得到信号特征预测值,加工机台的图像数据经过预测模型计算,得到图像特征预测值。
当参数预测值处于参数预警区间,则判定所述加工机台加工的物料品质合格,当参数预测值不处于参数预警区间,则判定所述加工机台加工的物料品质不合格。
当信号特征预测值与信号特征标准值之间的误差大于预设值时,则判定所述加工机台加工的物料品质不合格,当信号特征预测值与信号特征标准值之间的误差小于预设值时,则判定所述加工机台加工的物料品质合格。
当图像特征预测值与图像特征标准值之间的误差大于预设值时,则判定所述加工机台加工的物料品质不合格,当图像特征预测值与图像特征标准值之间的误差小于预设值时,则判定所述加工机台加工的物料品质合格。
在一些实施方式中,边缘服务器101还用于:处理及存储工站内加工机台的预测结果、加工品质判定结果、运行参数、加工数据及生产履历信息;基于存储的预测结果、加工品质判定结果、运行参数、加工数据及生产履历信息,构建状态数据集,按照设定存储周期,删除状态数据集中超过设定存储周期的数据。
需要说明的是,此处预测结果包括参数预测值、信号特征预设值及图像特征预设值,加工品质判定结果包括物料正常或者异常。
以图3为例,边缘服务器101处理及存储工站A/B/C内四个加工机台的预测结果、加工品质判定结果、运行参数、加工数据及生产履历信息的步骤,包括:
边缘服务器101先将工站A/B/C内四个加工机台的预测结果、加工品质判定结果及生产履历信息进行汇总及存储,按照设定的存储周期,将工站A/B/C内四个加工机台的运行参数、加工数据、生产履历信息、预测结果及加工品质判定结果存储至本地数据库中,生成状态数据集,基于预设的存储周期,将状态数据集中超出存储周期的数据定期删除。
边缘服务器101周期性存储工站A/B/C内四个加工机台的运行参数、加工数据、生产履历信息、预测结果及加工品质判定结果等数据,为模型训练提供历史数据,便于查询加工机台的加工数据信息。边缘服务器101还定期删除超过存储周期的数据,维持边缘服务器101内存储资源,便于减轻边缘服务器101的存储负担,从而提高边缘服务器101处理数据的效率。
在一些实施方式中,边缘服务器101还用于:从状态数据集中筛选出部分数据上传至数据服务器102;获取状态数据集中加工品质判定结果,并下发至工站内加工机台。
以图3为例,边缘服务器101从周期性存储的数据中筛选出部分数据上传至数据服务器102,该部分数据包括工站A/B/C内四个加工机台的部分运行参数数据、部分加工数据、部分生产履历信息及部分预测结果。边缘服务器101筛选出轻量数据上传至数据服务器102上,降低信息外泄风险,提高数据服务器102的处理速度。
边缘服务器101获取状态数据集中工站A/B/C内四个加工机台的加工品质判定结果,并下发至工站A/B/C内相应的加工机台,便于加工机台及时对加工物料品质进行判定,从而实现加工机台自动化分料。
上述的边缘服务器101对加工机台的运行参数及加工数据进行分析,得到相应的分析数据,利用分析数据对加工机台进行加工品质判定,并及时将加工品质判定结果回控加工机台,实现加工机台进行自动化NG分料,全程无需人为干涉。边缘服务器101通过对大量数据的存储及分析,能处理较复杂度、计算量较高的数据分析任务,减少了数据服务器102的负担。
以图3为例,数据服务器102接收三个边缘服务器101上传的部分数据,构建第一数据集,第一数据集包括工站A、B、C内四个加工机台的部分运行参数数据、部分加工数据、部分生产履历信息及部分预测结果。
在一些实施方式中,数据服务器102还用于:将第一数据集拆分成履历数据集、加工数据集和训练集,履历数据集包括生产履历信息,加工数据集为包括运行参数、加工数据以及预测结果的集合,训练集为包括运行参数、加工数据以及预测结果的另一集合;依据履历数据集和加工数据集生成第一数据表,第一数据表包括履历信息表及加工信息表,经本地数据库存储履历信息表、加工信息表及训练集,由履历信息表、加工信息表可视化工站A、B、C内各加工机台的加工信息,能够更好呈现各加工机台的数据变化。
上述的数据服务器102能够根据不同需求基于数据集生成相应的数据表,能够更有效提供各种数据查询及动态显示加工信息,提高加工数据读取及加工数据之间的关联性,防止数据破坏风险。数据服务器102定期存储数据表中数据,以防止数据丢失或断电等风险。
在一些实施例中,如图4所示,智能工厂管控系统还包括第一数据应用设备104,第一数据应用设备104与数据服务器102耦接,用于获取数据服务器102反馈的第一数据集,基于第一数据集训练预先存储的预测模型,得到更新的预测模型,并反馈更新的预测模型至数据服务器102。
第一数据集包括履历数据集、加工数据集和训练集。第一数据应用设备104获取训练集,基于该训练集中运行参数、加工数据以及预测结果对预先存储的预测模型进行训练,设定一模型更新周期,按照设定的模型更新周期将训练好的新的预测模型下发至数据服务器102。
在一些实施方式中,数据服务器102还用于接收第一数据应用设备104下发的更新的预测模型,并将更新的预测模型发送至每个边缘服务器101,每个边缘服务器101还用于接收更新的预测模型对加工品质进行判定。
数据服务器102可实现对每个边缘服务器101的远端回控,包括重启及更新预测模型。
需要说明的是,第一数据应用设备104包括但不限于模型训练服务器,此处不作限定。模型训练服务器获取数据服务器102反馈的第一数据集,其中第一数据集包括加工数据集、训练集和履历数据集的集合,利用训练集训练预先存储的预测模型,得到更新的预测模型,并反馈更新的预测模型至数据服务器102。
上述的第一数据应用设备104能够利用历史加工信息更新预测模型,能够提高边缘服务器101分析加工数据的准确性。
在一些实施方式中,如图4所示,智能工厂管控系统还包括第二数据应用设备105,第二数据应用设备105与数据服务器102耦接,用于获取数据服务器102反馈的第一数据表,对第一数据表中数据进行清洗和重组,生成所述第二数据表。
第一数据表包括履历信息表及加工信息表。第二数据应用设备105获取加工信息表,对加工信息表中数据进行清洗和重组,生成第二数据表,以履历信息表和第二数据表可视化加工机台的履历信息及加工数据信息。
需要说明的是,第二数据应用设备105包括但不限于仪表板以及扫码盘点检料系统,此处不作限定。仪表板及扫码盘点检料系统与数据服务器102耦接,用于获取数据服务器102反馈的履历信息表及加工信息表,并对加工信息表中数据进行清洗和重组,生成新的加工信息表。仪表板以及扫码盘点检料系统以履历信息及新的加工信息表可视化加工机台信息,并提供物料查询服务。
上述的第二数据应用设备105通过对加工信息表中数据进行数据重组,以更好地呈现各加工机台的加工信息。
上述的智能工厂管控系统,通过多个数据采集设备103采集多个工站内加工机台的运行数据,多个边缘服务器101接收多个工站内加工机台的运行数据,每个边缘服务器101分别将每个工站内加工机台的运行数据输入至预测模型得到预测结果,根据预测结果对加工机台进行品质判定;数据服务器102汇总及存储多个边缘服务器101上传的多个工站内加工机台的部分运行数据及部分预测结果,构建第一数据集及相应的第一数据表;第一数据应用设备104获取数据服务器102反馈的第一数据集,基于第一数据集训练预先存储的预测模型,按照设定的更新周期经数据服务器102将训练好的新的预测模型反馈给多个边缘服务器101,每个边缘服务器101接收更新的预测模型对加工品质进行判定,第二数据应用设备105获取数据服务器102反馈的第一数据表,对第一数据表中数据进行清洗和重组,生成第二数据表,以新的第二数据表可视化多个工站内加工机台的加工信息。
上述的智能工厂管控系统采用由多个数据采集设备103、多个边缘服务器101、数据服务器102、第一数据应用设备104及第二数据应用设备105及组成的树状管控架构来管控加工机台,利于大规模数据处理及维护。其中,多个数据采集设备103、多个边缘服务器101与工站采用多对一的主从式架构,采用数据采集设备103采集一工站内多个加工设备的运行数据,并上传至与该工站相对应的边缘服务器101上。该主从式架构,减少数据服务器的计算负担,能提高计算速度,并能实时将品质判定结果反馈于加工机台进行自动化NG分料。数据服务器102接收经边缘服务器101分析后的数据信息,会依照不同的数据类型生成相应的数据表结构,更有效提供各种数据查询及动态显示功能;第一数据应用设备104利用数据服务器102反馈的数据周期性更新预测模型,能够提高边缘服务器101分析加工数据的准确性。第二数据应用设备105通过对加工信息表中数据进行数据重组,以更好地呈现各加工机台的加工信息。
图5示出了本申请另一个实施例提供的一种基于边缘计算的智能工厂管控方法的实现流程图,为了便于说明,仅示出了与本申请实施例相关的部分,详述如下。
请参阅图5,智能工厂管控方法是基于上述的智能工厂管控系统实现的,包括:
S100,边缘服务器101获取加工机台的运行数据,其中,运行数据包括运行参数、加工数据和生产履历信息。
在一些实施方式中,运行参数为加工机台输入的工艺参数,以焊接制程为例,运行参数包括但不限于焊点半径、能量、功率及速度,此处不作限定。加工数据表示为从加工机台采集的光电信号以及从加工机台采集的物料加工前后及加工过程中的图像数据。以焊接制程为例,光电信号包括但不限于等离子体、背光反射、温度、压力及震动信号,此处不作限定。图像数据包括但不限于焊前与焊后图像及胶入与胶后图像,此处不作限定。生产履历信息包括但不限于生产履历表、治具码及设备码,此处不作限定。
S200,边缘服务器101依次将加工机台的运行参数和加工数据输入至预测模型得到预测结果,根据预测结果对加工机台进行加工品质判定。
需要说明的是,预测模型可采用卷积神经网络模型、长短期记忆模型、聚类模型,此处不作限定。
具体地,边缘服务器101将每个加工机台的工艺参数输入至训练好的预测模型,得到参数预测值。例如,训练好的预测模型为聚类模型,可将加工机台的工艺参数输入至聚类模型,得到参数预测值。
边缘服务器101将每个加工机台的光电信号输入至长短期记忆模型,从而判定光电信号是否异常,当光电信号的品质判定结果为OK时,则判定当前加工物料品质没有缺陷,并反馈至自动化加工机台继续进行下一个物料品质检测操作,当光电信号的品质判定结果为NG时,则判定当前加工物料品质有缺陷,并反馈至自动化加工机台进行分料操作。
边缘服务器101将每个加工机台的图像数据输入至卷积神经网络模型,从而判定图像数据是否异常,当图像数据的品质判定结果为OK时,则判定当前加工物料品质没有缺陷,并反馈至自动化加工机台继续进行下一个物料品质检测操作,当图像数据的品质判定结果为NG时,则判定当前加工物料品质有缺陷,并反馈至自动化加工机台进行分料操作。
S300,数据服务器102基于加工机台的运行数据及预测结果,构建第一数据集及相应的第一数据表。
数据服务器102与至少一边缘服务器101进行通信,每个边缘服务器101将从加工机台采集的运行参数、加工数据、生产履历信息及经过预测模型得到的预测结果等数据中筛选出部分数据上传至数据服务器102,数据服务器102根据接收到的运行参数、加工数据、生产履历信息及预测结果构建第一数据集,基于第一数据集中运行参数、加工数据、生产履历信息及预测结果生成第一数据表,通过第一数据表可视化物料在加工过程中生产履历信息、运行参数信息、加工数据信息以及预测信息,从而便于工厂内工程人员通过第一数据表对物料在加工过程中的品质进行核查,进而有利于物料在加工过程中品质把控。
在一些实施例中,智能工厂包括多个工站,每个工站包括至少一个加工机台,每个所述边缘服务器101、每个数据采集设备103与一个工站对应,一个边缘服务器101耦接一个数据采集设备103,数据服务器102耦接多个边缘服务器101。
图6示出了本申请另一个实施例提供的另一种基于边缘计算的智能工厂管控方法的实现流程图。在一些实施例中,如图6所示,以一个工站为例,该智能工厂管控方法包括:
S101,数据采集设备103采集一工站内至少一个加工机台的运行数据,并将采集到的运行数据上传至对应的边缘服务器101。
S201,边缘服务器102分别将工站内加工机台的运行参数和加工数据输入至预测模型,得到工站内加工机台的预测结果,预测结果包括参数预测值及特征预测值,根据参数预测值和/或特征预测值对加工机台进行加工品质判定。
在一些实施例中,将加工机台的运行参数输入至预测模型,得到预测结果的步骤,包括:
输入所述运行参数数据至训练好的预测模型,得到参数预测值;
构建预警区间,根据所述参数预测值和所述预警区间对所述加工机台进行加工品质判定。
当参数预测值处于参数预警区间,则判定加工机台加工的物料品质合格,当参数预测值不处于参数预警区间,则判定加工机台加工的物料品质不合格。
在一些实施例中,加工数据包括设备运行输入的光电信号和/设备加工前后的图像数据,将光电信号和/所述图像数据输入至预测模型,得到预测结果的步骤,包括:
输入光电信号和/所述图像数据至训练好的预测模型,得到特征预测值;
设定特征标准值,根据特征预测值对所述设备进行品质判定。
需要说明的是,加工机台的光电信号经过预测模型计算,得到信号特征预测值,加工机台的图像数据经过预测模型计算,得到图像特征预测值。
当信号特征预测值与信号特征标准值之间的误差大于预设值时,则判定所述加工机台加工的物料品质不合格,当信号特征预测值与信号特征标准值之间的误差小于预设值时,则判定所述加工机台加工的物料品质合格。
当图像特征预测值与图像特征标准值之间的误差大于预设值时,则判定所述加工机台加工的物料品质不合格,当图像特征预测值与图像特征标准值之间的误差小于预设值时,则判定所述加工机台加工的物料品质合格。
在一些实施例中,如图6所示,该智能工厂管控方法还包括:
S202,边缘服务器101处理及存储各工站内加工机台的预测结果、加工品质判定结果、运行参数、加工数据及生产履历信息。
S203,边缘服务器101基于存储的预测结果、加工品质判定结果、运行参数、加工数据及所述生产履历信息,构建状态数据集,按照设定存储周期,删除状态数据集中超过设定存储周期的数据。
S204,边缘服务器101从状态数据集中筛选出部分数据上传至数据服务器102,同时获取状态数据集中加工品质判定结果,并下发至工站内加工机台。
需要说明的是,此处预测结果包括参数预测值、信号特征预设值及图像特征预设值,加工品质判定结果包括物料正常或者异常。
边缘服务器101周期性存储工站内加工机台的预测结果、加工品质判定结果、运行参数、加工数据及生产履历信息,构建由加工机台的预测结果、加工品质判定结果、运行参数、加工数据及生产履历信息组成的状态数据集,将所述状态数据集中超出存储周期的数据定期删除,便于减轻边缘服务器101的存储负担,从而提高边缘服务器101的处理数据的效率。
图7示出了本申请另一个实施例提供的另一种基于边缘计算的智能工厂管控方法的实现流程图。在一些实施例中,如图7所示,该智能工厂管控方法还包括:
S301,数据服务器102基于加工机台的运行数据及预测结果,构建第一数据集。
数据服务器102与至少一边缘服务器101进行通信,每个边缘服务器101将从加工机台采集的运行参数、加工数据、生产履历信息及经过预测模型得到的预测结果等数据中筛选出部分数据上传至数据服务器102,数据服务器102根据接收到的运行参数、加工数据、生产履历信息及预测结果构建第一数据集。
在一些实施例中,如图7所示,该智能工厂管控方法还包括:
S302,数据服务器102将第一数据集拆分成履历数据集、加工数据集和训练集,履历数据集包括生产履历信息,加工数据集为包括所述运行参数、所述加工数据以及所述预测结果的集合,训练集为包括所述运行参数、所述加工数据以及所述预测结果的另一集合。
S303,数据服务器102依据履历数据集和加工数据集生成第一数据表,第一数据表包括履历信息表及加工信息表。
数据服务器102基于第一数据集中运行参数、加工数据、生产履历信息及预测结果生成第一数据表,通过第一数据表可视化物料在加工过程中生产履历信息、运行参数信息、加工数据信息以及预测信息,从而便于工厂内工程人员通过第一数据表对物料在加工过程中的品质进行核查,进而有利于物料在加工过程中品质把控。
图8示出了本申请另一个实施例提供的另一种基于边缘计算的智能工厂管控方法的实现流程图。在一些实施例中,如图8所示,智能工厂管控方法还包括:
S400,第一数据应用设备104基于第一数据集训练预先存储的预测模型,得到更新的预测模型。
第一数据集包括履历数据集、加工数据集和训练集。第一数据应用设备104获取训练集,基于该训练集中运行参数、加工数据以及预测结果对预先存储的预测模型进行训练,设定一模型更新周期,按照设定周期将训练好的新的预测模型下发至数据服务器102。
S401,数据服务器102接收更新的预测模型,并将更新的预测模型发送至边缘服务器101;边缘服务器101根据更新的预测模型对加工品质进行判定。
在一些实施例中,如图8所示,智能工厂管控方法还包括:
S500,第二数据应用设备105对第一数据表中数据进行清洗和重组,生成第二数据表。
第一数据表包括履历信息表及加工信息表。第二数据应用设备105获取加工数据集,对加工数据集中数据进行清洗和重组,生成第二数据表,以履历信息表和第二数量表可视化加工机台的履历信息及加工数据信息。
上述的智能工厂管控方法,通过数据采集设备103采集一工站内加工机台的运行数据,边缘服务器101接收工站内加工机台的运行数据,将工站内加工机台的运行数据输入至预测模型得到预测结果,根据预测结果对加工机台进行品质判定;数据服务器102汇总及存储边缘服务器101上传的工站内加工机台的部分运行数据及部分预测结果,构建第一数据集及相应的第一数据表;第一数据应用设备104基于第一数据集训练预先存储的预测模型,按照设定的更新周期经数据服务器102将训练好的新的预测模型反馈给边缘服务器101,边缘服务器101接收更新的预测模型对加工品质进行判定,第二数据应用设备105对第一数据表中数据进行清洗和重组,生成第二数据表,以新的第二数据表可视化多个工站内加工机台的加工信息。
本申请在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个模块或装置也可以由一个模块或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本申请的技术方案而非限制,尽管参照较佳实施例对本申请进行了详细说明,本领域的普通技术人员应当理解,可以对本申请的技术方案进行修改或等同替换,而不脱离本申请技术方案的精神和范围。