CN113805548A - 一种机械加工智能控制系统、方法及计算机可读介质 - Google Patents
一种机械加工智能控制系统、方法及计算机可读介质 Download PDFInfo
- Publication number
- CN113805548A CN113805548A CN202111103878.4A CN202111103878A CN113805548A CN 113805548 A CN113805548 A CN 113805548A CN 202111103878 A CN202111103878 A CN 202111103878A CN 113805548 A CN113805548 A CN 113805548A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- data
- network model
- parameter
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003754 machining Methods 0.000 title claims abstract description 54
- 230000002159 abnormal effect Effects 0.000 claims abstract description 173
- 238000003062 neural network model Methods 0.000 claims abstract description 41
- 238000011217 control strategy Methods 0.000 claims abstract description 31
- 230000005856 abnormality Effects 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000009776 industrial production Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 description 25
- 230000006870 function Effects 0.000 description 22
- 230000008569 process Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000011265 semifinished product Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000003466 welding 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]
- G05B19/4185—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 the network communication
-
- 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
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31088—Network communication between supervisor and cell, machine group
-
- 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)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
本申请的实施例基于工业互联网和物联网技术,提供了一种机械加工智能控制系统、方法、计算机可读介质及电子设备。该机械加工智能控制方法包括:在机械加工的过程中,采集各设备组件的运行数据,并将运行数据通过预先构建的神经网络模型进行检测,以判断设备组件的运行状态是否正常;在设备组件的运行状态异常时对运行数据进行分析,确定运行数据中的异常数据以及发生异常的异常组件;基于异常数据确定对异常组件的控制策略,最后基于控制策略,发送控制指令至异常组件。通过上述实时感知运行数据,并对运行数据进行分析确定异常控制策略、进行异常调控的方式,提高了机械加工控制的精确性和可靠性,增强了工业生产的效率。
Description
技术领域
本申请涉及工业互联网领域,具体而言,涉及一种机械加工智能控制系统、方法、计算机可读介质及电子设备。
背景技术
在当前工业4.0发展迅速的科技时代,提升制造业的智能化水平,建立具有适应性、资源效率及基因工程学的智慧工厂是制造企业都希望实现的工业模式。工业4.0包含了由集中式控制向分散式增强型控制的基本模式转变,目标是建立一个高度灵活的个性化和数字化的产品与服务的生产模式。在这种模式中,传统的行业界限将消失,并会产生各种新的活动领域和合作形式。创造新价值的过程正在发生改变,产业链分工将被重组。
但是,在基于智慧生产的制造行业,企业在生产过程的各个环节中都面临着各种各样的问题,例如,数据获取的效率较低、加工生产的流程较传统,数据处理、控制技术比较落后,这些都为企业生产造成较大的影响。尤其是在控制领域,当前的控制技术较落后,容易造成控制效率低、精确度低的问题。
发明内容
本申请的实施例提供了一种机械加工智能控制系统、方法、计算机可读介质及电子设备,进而至少在一定程度上可以提高控制效率和控制精度,实现智能化生产,提高生产效率和可靠性。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面,提供了一种机械加工智能控制方法,包括:在机械加工的过程中,采集各设备组件的运行数据;将所述运行数据通过预先构建的神经网络模型进行检测,判断所述设备组件的运行状态是否正常;在所述设备组件的运行状态异常时,对所述运行数据进行分析,确定所述运行数据中的异常数据以及发生异常的异常组件;基于所述异常数据,确定对所述异常组件的控制策略;基于所述控制策略,发送控制指令至所述异常组件。
在本申请的一些实施例中,基于前述方案,所述在机械加工的过程中,采集各设备组件的运行数据,包括:通过感知设备采集各设备组件的运行数据;所述感知设备包括温度传感器、距离传感器;或获取设备上传的设备组件的运行数据;将所述运行数据上传至云端或者上位机。
在本申请的一些实施例中,基于前述方案,所述将所述运行数据通过预先构建的神经网络模型进行检测,判断所述设备组件的运行状态是否正常之前,包括:获取样本数据和样本标签;基于神经网络构建网络模型,将所述样本数据输入所述网络模型中进行处理;获取样本数据是否异常的判断结果;基于所述判断结果和所述样本标签,确定损失函数;根据所述损失函数更新所述网络模型的参数,生成所述神经网络模型。
在本申请的一些实施例中,基于前述方案,所述网络模型包括特征提取模块、异常参数模块、判别器模块;将所述样本数据输入所述网络模型中进行处理,包括:将所述样本数据输入所述特征提取模块中,从所述样本数据中提取出特征数据;将所述特征数据输入所述异常参数模块中,基于所述特征数据计算所述设备组件对应的异常参数;基于所述异常参数输入所述判别器模块中,生成判断结果。
在本申请的一些实施例中,基于前述方案,所述将所述运行数据通过预先构建的神经网络模型进行检测,判断所述设备组件的运行状态是否正常,包括:将所述样本数据输入所述神经网络模型的特征提取模块中,从所述样本数据中提取出特征数据;将所述特征数据输入所述神经网络模型的异常参数模块中,基于所述特征数据计算所述设备组件对应的异常参数;基于所述异常参数输入所述神经网络模型的判别器模块中,生成判断结果。
在本申请的一些实施例中,基于前述方案,所述特征数据包括:实时运转频率、实时位置参数、实时产出量以及实时加工环境参数,所述加工环境数据包括如下至少一种温度、湿度以及音量;基于所述特征数据计算所述设备组件对应的异常参数,包括:计算所述实时运转频率与设定运转频率范围之间的第一差异参数、实时位置参数与设定位置范围之间的第二差异参数、实时产出量与设定产出量范围之间的第三差异参数;基于所述实时加工环境参数生成异常因子;基于所述异常因子对所述第一差异参数、第二差异参数以及所述第三差异参数进行加权,确定所述异常参数。
在本申请的一些实施例中,基于前述方案,所述方法还包括:在所述异常参数大于设定的异常阈值时,进行告警。
根据本申请实施例的一个方面,提供了一种机械加工智能控制系统,包括:感知模块,用于在机械加工的过程中,采集各设备组件的运行数据;检测模块,用于将所述运行数据通过预先构建的神经网络模型进行检测,判断所述设备组件的运行状态是否正常;分析模块,用于在所述设备组件的运行状态异常时,对所述运行数据进行分析,确定所述运行数据中的异常数据以及发生异常的异常组件;决策模块,用于基于所述异常数据,确定对所述异常组件的控制策略;控制模块,用于基于所述控制策略,发送控制指令至所述异常组件。
根据本申请实施例的一个方面,提供了一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述实施例中所述的机械加工智能控制方法。
根据本申请实施例的一个方面,提供了一种电子设备,包括:一个或多个处理器;存储系统,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述实施例中所述的机械加工智能控制方法。
根据本申请实施例的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各种可选实现方式中提供的机械加工智能控制方法。
在本申请的一些实施例所提供的技术方案中,基于工业互联网和物联网技术,在机械加工的过程中,采集各设备组件的运行数据,并将运行数据通过预先构建的神经网络模型进行检测,以判断设备组件的运行状态是否正常;在设备组件的运行状态异常时对运行数据进行分析,确定运行数据中的异常数据以及发生异常的异常组件;基于异常数据确定对异常组件的控制策略,最后基于控制策略,发送控制指令至异常组件。通过上述实时感知运行数据,并对运行数据进行分析确定异常控制策略、进行异常调控的方式,提高了机械加工控制的精确性和可靠性,增强了工业生产的效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图;
图2示意性示出了根据本申请的一个实施例的机械加工智能控制方法的流程图;
图3示意性示出了根据本申请的一个实施例的机械加工智能控制系统的示意图;
图4示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本申请将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。
如图1所示,系统架构可以包括设备组件106、感知装置107、终端设备(如图1中所示智能手机101、平板电脑102和便携式计算机103中的一种或多种,当然也可以是台式计算机等等)、网络104和服务器105。网络104用以在终端设备和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线通信链路、无线通信链路等等。
应该理解,图1中的设备组件、感知装置、终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,具有任意数目的终端设备、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。
感知装置107用于采集设备组件106的运行数据,并将运行数据直接上传至服务器105。除此之外,用户可以使用终端设备通过网络104与服务器105交互,以接收或发送消息等。服务器105可以是提供各种服务的服务器。例如用户利用终端设备103(也可以是终端设备101或102)向服务器105上传了各设备组件的运行数据,并将运行数据通过预先构建的神经网络模型进行检测,以判断设备组件的运行状态是否正常;在设备组件的运行状态异常时对运行数据进行分析,确定运行数据中的异常数据以及发生异常的异常组件;基于异常数据确定对异常组件的控制策略,最后基于控制策略,发送控制指令至异常组件。
需要说明的是,本申请实施例所提供的机械加工智能控制方法一般由服务器105执行,相应地,机械加工智能控制系统一般设置于服务器105中。但是,在本申请的其它实施例中,终端设备也可以与服务器具有相似的功能,从而执行本申请实施例所提供的机械加工智能控的方案。
以下对本申请实施例的技术方案的实现细节进行详细阐述:
图2示出了根据本申请的一个实施例的机械加工智能控制方法的流程图,该机械加工智能控制方法可以由服务器来执行,该服务器可以是图1中所示的服务器。参照图2所示,该机械加工智能控制方法至少包括步骤S210至步骤S250,详细介绍如下:
在步骤S210中,在机械加工的过程中,采集各设备组件的运行数据。
在实际应用中,机器的生产过程是指从原材料或半成品制成产品的全部过程。对机器生产而言包括原材料的运输和保存,生产的准备,毛坯的制造,零件的加工和热处理,产品的装配、及调试,油漆和包装等内容。生产过程的内容十分广泛,现代企业用系统工程学的原理和方法组织生产和指导生产,将生产过程看成是一个具有输入和输出的生产系统。
在生产过程中,机械加工包括了改变生产对象的形状、尺寸、位置和性质等,使其成为成品或者半成品的工艺过程。它是生产过程的主要部分。工艺过程又可分为铸造、锻造、冲压、焊接、机械加工、装配等工艺过程,机械制造工艺过程一般是指零件的机械加工工艺过程和机器的装配工艺过程的总和,其他过程则称为辅助过程,例如运输、保管、动力供应、设备维修等。工艺过程又是由一个或若干个顺序排列的工序组成的,一个工序由有若干个工步组成。
本实施例中在机械加工过程中,可以通过各种方式来采集得到各设备组件的运行数据。例如通过感知设备采集各设备组件的运行数据;所述感知设备包括温度传感器、距离传感器,通过上述不同类型的感知设备来实时采集各设备组件的运行数据,以提高数据获取的精确性。
除此之外,还可以通过各个设备中的设备组件来获取运行设备。其中,设备组件可以包括设备中的数据监控组件等等。
在本申请一实施例中,在机械加工智能控制系统中布设有云端服务器或者上位机设备等等,用于获取并存储工业加工过程中的运行数据。以便于之后对这些数据分析、溯源等等处理,提高运行数据的利用率。
在步骤S220中,将所述运行数据通过预先构建的神经网络模型进行检测,判断所述设备组件的运行状态是否正常。
在本申请一实施例中,预先构建有神经网络模型,用于对运行数据进行检测,确定运行数据中是否存在异常数据,以判断设备组件的运行状态是否正常。
进一步的,本实施例中将所述运行数据通过预先构建的神经网络模型进行检测,判断所述设备组件的运行状态是否正常之前,包括如下步骤:
获取样本数据和样本标签;
基于神经网络构建网络模型,将所述样本数据输入所述网络模型中进行处理;
获取样本数据是否异常的判断结果;
基于所述判断结果和所述样本标签,确定损失函数;
根据所述损失函数更新所述网络模型的参数,生成所述神经网络模型。
具体的,本实施例中在构建网络模型时,先获取样本数据和样本标签。本实施例中的样本数据可以包括设备运行的历史运行数据、历史加工数据等等,样本标签可以是人为基于样本数据确定的标签,即设备是否发生异常的判断结果。
本实施例中的网络模型可以是基于神经网络构建的,本实施例中网络模型可以包括多层的网络结构:输入层、卷积层、池化层、全连接层以及输出层。其中,输入层可以处理多维数据,一维卷积神经网络的输入层接收一维或二维数组,其中一维数组通常为时间、或者某一类型的运行数据;二维数组可以包含包含多个通道,例如包括至少两个类型的运行数据。卷积层的功能是对输入数据进行特征提取,其内部包含多个卷积核,组成卷积核的每个元素都对应一个权重系数和一个偏差量,类似于一个前馈神经网络的神经元。卷积层内每个神经元都与前一层中位置接近的区域的多个神经元相连,区域的大小取决于卷积核的大小。在卷积层进行特征提取后,输出的特征图会被传递至池化层进行特征选择和信息过滤。池化层包含预设定的池化函数,其功能是将特征图中单个点的结果替换为其相邻区域的特征图统计量。池化层选取池化区域与卷积核扫描特征图步骤相同,由池化大小、步长和填充控制。卷积神经网络中的全连接层等价于传统前馈神经网络中的隐含层。全连接层位于卷积神经网络隐含层的最后部分,并只向其它全连接层传递信号。特征图在全连接层中会失去空间拓扑结构,被展开为向量并通过激励函数。卷积神经网络中输出层的上游通常是全连接层,因此其结构和工作原理与传统前馈神经网络中的输出层相同。示例性的,对于本实施例中的异常判断问题,输出层使用逻辑函数或归一化指数函数输出判断标签,即是否异常。
本实施例中构建得到网络模型之后,将样本数据输入所述网络模型中进行处理,进而得到样本数据是否异常的判断结果。之后基于所述判断结果和所述样本标签,确定损失函数;根据所述损失函数更新所述网络模型的参数,生成所述神经网络模型。
进一步的,依照模型的功能而言,本实施例中网络模型包括特征提取模块、异常参数模块、判别器模块。在将样本数据输入网络模型中之后,将所述样本数据输入所述特征提取模块中,从所述样本数据中提取出特征数据;将所述特征数据输入所述异常参数模块中,基于所述特征数据计算所述设备组件对应的异常参数;基于所述异常参数输入所述判别器模块中,生成判断结果。
基于网络模型中在对样本数据的处理方式,在训练得到最终的神经网络模型之后,将运行数据通过神经网络模型进行检测方式与上述样本数据的处理方式相同。
本实施例中将所述运行数据通过预先构建的神经网络模型进行检测,判断所述设备组件的运行状态是否正常,包括如下步骤:
S221:将所述样本数据输入所述神经网络模型的特征提取模块中,从所述样本数据中提取出特征数据;
S222:将所述特征数据输入所述神经网络模型的异常参数模块中,基于所述特征数据计算所述设备组件对应的异常参数;
S223:基于所述异常参数输入所述神经网络模型的判别器模块中,生成判断结果。
在本申请一实施例中,先将样本数据输入神经网络模型的特征提取模块中,提取得到样本数据中的特征数据。具体的提取方式可以是文本识别的方式,本实施例中的特征数据可以包括特征数据包括:实时运转频率、实时位置参数、实时产出量以及实时加工环境参数,所述加工环境数据包括如下至少一种温度、湿度以及音量。
在提取得到特征数据之后,将所述特征数据输入所述神经网络模型的异常参数模块中,基于所述特征数据计算所述设备组件对应的异常参数。进一步的,上述计算异常参数的过程包括如下步骤:
计算所述实时运转频率与设定运转频率范围之间的第一差异参数、实时位置参数与设定位置范围之间的第二差异参数、实时产出量与设定产出量范围之间的第三差异参数;
基于所述实时加工环境参数生成异常因子;
基于所述异常因子对所述第一差异参数、第二差异参数以及所述第三差异参数进行加权,确定所述异常参数。
具体的,本实施例中通过如下公式计算实时运转频率与设定运转频率范围之间的第一差异参数:
其中,[fre_min,fre_max]表示设定运转频率范围,fre表示实时运转频率。
同理,通过如下公式计算实时位置参数与设定位置范围之间的第二差异参数:
其中,[loc_min,loc_max]表示设定位置范围,loc表示实时运转频率。
同理,通过如下公式计算实时产出量与设定产出量范围之间的第三差异参数:
其中,[yie_min,yie_max]表示设定产出量范围,yie表示实时运转频率。
在本申请一实施例中,加工环境数据包括如下至少一种温度、湿度以及音量,除此之外还可以是其他类型的环境参数;基于所述实时加工环境参数生成异常因子可以通过如下公式得到:
其中,ΔAi用于表示各环境参数与设定环境数值之间的差,i表示环境参数的标识,k表示环境参数的数目。
在计算得到异常因子、第一差异参数、第二差异参数以及所述第三差异参数之后,确定所述异常参数的公式如下:
Abn=Ano·(Dif_fre+Dif_loc+Dif_yie)
在计算得到异常参数之后,基于预先设定的异常阈值,将上述异常参数和异常阈值进行对比,若异常参数大于或者等于异常阈值,则判定设备组件发生异常;反之则未发生异常。
通过上述得到异常参数的方式,将实际的运行数据考虑进异常运行的判断过程中,同时将环境因素也考虑进行异常判断中,提高了异常判断的全面性和客观性,进而可以得到更加精确的异常判断结果,提高加工过程中的控制精度和效率,提高机械加工、生产的安全性和可靠性。
在步骤S230中,在所述设备组件的运行状态异常时,对所述运行数据进行分析,确定所述运行数据中的异常数据以及发生异常的异常组件。
在本实施例中,在检测到设备组件的运行状态发生异常时,对运行数据数据进行异常分析,来确定运行数据中的异常数据。具体的,在对运行数据进行分析时,可以求取运行数据的平均值,计算运行数据值与平均值之间的差值,确定差值大于预设差值时对应的运行数据,进而将这些运行数据作为异常数据,将生成这些异常数据、或者与这些异常数据相关运行组件作为异常组件。
在步骤S240中,基于异常数据,确定对所述异常组件的控制策略。
本实施例中预设有异常控制库,其中包括了中异常数据、异常情况对应的调控策略。在确定了异常数据和异常组件之后,基于异常数据在预设的异常控制库中确定对应的异常控制策略。其中,可以通过异常数据查找、匹配的方式,来确定异常数据对应的控制策略。
除此之外,还可以在所述异常参数大于设定的异常阈值时,进行告警。以通知相关人员来处理异常情况,提高异常处理的可靠性。
通过上述预建异常控制库的方式,可以用于应对各种异常情况的发生,使得在发生异常情况时,可以及时的确定有效的应对策略,提高异常的控制效率,降低生产损失,提高机械加工的安全性和可靠性。
在步骤S250中,基于所述控制策略,发送控制指令至所述异常组件。
在本申请一实施例中,在确定了控制策略之后,生成控制策略对应的控制指令,并将控制指令发送至相关的异常组件,以控制异常组件暂停工作、或者基于控制策略中的方式运行。
在本申请的一些实施例所提供的技术方案中,基于工业互联网和物联网技术,在机械加工的过程中,采集各设备组件的运行数据,并将运行数据通过预先构建的神经网络模型进行检测,以判断设备组件的运行状态是否正常;在设备组件的运行状态异常时对运行数据进行分析,确定运行数据中的异常数据以及发生异常的异常组件;基于异常数据确定对异常组件的控制策略,最后基于控制策略,发送控制指令至异常组件。通过上述实时感知运行数据,并对运行数据进行分析确定异常控制策略、进行异常调控的方式,提高了机械加工控制的精确性和可靠性,增强了工业生产的效率。
以下介绍本申请的系统实施例,可以用于执行本申请上述实施例中的机械加工智能控制方法。可以理解的是,所述系统可以是运行于计算机设备中的一个计算机程序(包括程序代码),例如该系统为一个应用软件;该系统可以用于执行本申请实施例提供的方法中的相应步骤。对于本申请系统实施例中未披露的细节,请参照本申请上述的机械加工智能控制方法的实施例。
图3示出了根据本申请的一个实施例的机械加工智能控制系统的框图。
参照图3所示,根据本申请的一个实施例的机械加工智能控制系统300,包括:
感知模块310,用于在机械加工的过程中,采集各设备组件的运行数据;
检测模块320,用于将所述运行数据通过预先构建的神经网络模型进行检测,判断所述设备组件的运行状态是否正常;
分析模块330,用于在所述设备组件的运行状态异常时,对所述运行数据进行分析,确定所述运行数据中的异常数据以及发生异常的异常组件;
决策模块340,用于基于所述异常数据,确定对所述异常组件的控制策略;
控制模块350,用于基于所述控制策略,发送控制指令至所述异常组件。
在本申请的一些实施例中,基于前述方案,所述在机械加工的过程中,采集各设备组件的运行数据,包括:通过感知设备采集各设备组件的运行数据;所述感知设备包括温度传感器、距离传感器;或获取设备上传的设备组件的运行数据;将所述运行数据上传至云端或者上位机。
在本申请的一些实施例中,基于前述方案,所述将所述运行数据通过预先构建的神经网络模型进行检测,判断所述设备组件的运行状态是否正常之前,包括:获取样本数据和样本标签;基于神经网络构建网络模型,将所述样本数据输入所述网络模型中进行处理;获取样本数据是否异常的判断结果;基于所述判断结果和所述样本标签,确定损失函数;根据所述损失函数更新所述网络模型的参数,生成所述神经网络模型。
在本申请的一些实施例中,基于前述方案,所述网络模型包括特征提取模块、异常参数模块、判别器模块;将所述样本数据输入所述网络模型中进行处理,包括:将所述样本数据输入所述特征提取模块中,从所述样本数据中提取出特征数据;将所述特征数据输入所述异常参数模块中,基于所述特征数据计算所述设备组件对应的异常参数;基于所述异常参数输入所述判别器模块中,生成判断结果。
在本申请的一些实施例中,基于前述方案,所述将所述运行数据通过预先构建的神经网络模型进行检测,判断所述设备组件的运行状态是否正常,包括:将所述样本数据输入所述神经网络模型的特征提取模块中,从所述样本数据中提取出特征数据;将所述特征数据输入所述神经网络模型的异常参数模块中,基于所述特征数据计算所述设备组件对应的异常参数;基于所述异常参数输入所述神经网络模型的判别器模块中,生成判断结果。
在本申请的一些实施例中,基于前述方案,所述特征数据包括:实时运转频率、实时位置参数、实时产出量以及实时加工环境参数,所述加工环境数据包括如下至少一种温度、湿度以及音量;基于所述特征数据计算所述设备组件对应的异常参数,包括:计算所述实时运转频率与设定运转频率范围之间的第一差异参数、实时位置参数与设定位置范围之间的第二差异参数、实时产出量与设定产出量范围之间的第三差异参数;基于所述实时加工环境参数生成异常因子;基于所述异常因子对所述第一差异参数、第二差异参数以及所述第三差异参数进行加权,确定所述异常参数。
在本申请的一些实施例中,基于前述方案,所述方法还包括:在所述异常参数大于设定的异常阈值时,进行告警。
在本申请的一些实施例所提供的技术方案中,基于工业互联网和物联网技术,在机械加工的过程中,采集各设备组件的运行数据,并将运行数据通过预先构建的神经网络模型进行检测,以判断设备组件的运行状态是否正常;在设备组件的运行状态异常时对运行数据进行分析,确定运行数据中的异常数据以及发生异常的异常组件;基于异常数据确定对异常组件的控制策略,最后基于控制策略,发送控制指令至异常组件。通过上述实时感知运行数据,并对运行数据进行分析确定异常控制策略、进行异常调控的方式,提高了机械加工控制的精确性和可靠性,增强了工业生产的效率。
图4示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是,图4示出的电子设备的计算机系统400仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示,计算机系统400包括中央处理单元(Central Processing Unit,CPU)401,其可以根据存储在只读存储器(Read-Only Memory,ROM)402中的程序或者从储存部分408加载到随机访问存储器(Random Access Memory,RAM)403中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM 403中,还存储有系统操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(Input/Output,I/O)接口405也连接至总线404。
以下部件连接至I/O接口405:包括键盘、鼠标等的输入部分406;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分407;包括硬盘等的储存部分408;以及包括诸如LAN(Local Area Network,局域网)卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器410上,以便于从其上读出的计算机程序根据需要被安装入储存部分408。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中,该计算机程序可以通过通信部分409从网络上被下载和安装,和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各种可选实现方式中提供的方法。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现上述实施例中所述的方法。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种机械加工智能控制系统,其特征在于,包括:
感知模块,用于在机械加工的过程中,采集各设备组件的运行数据;
检测模块,用于将所述运行数据通过预先构建的神经网络模型进行检测,判断所述设备组件的运行状态是否正常;
分析模块,用于在所述设备组件的运行状态异常时,对所述运行数据进行分析,确定所述运行数据中的异常数据以及发生异常的异常组件;
决策模块,用于基于所述异常数据,确定对所述异常组件的控制策略;
控制模块,用于基于所述控制策略,发送控制指令至所述异常组件。
2.一种机械加工智能控制方法,其特征在于,包括:
在机械加工的过程中,采集各设备组件的运行数据;
将所述运行数据通过预先构建的神经网络模型进行检测,判断所述设备组件的运行状态是否正常;
在所述设备组件的运行状态异常时,对所述运行数据进行分析,确定所述运行数据中的异常数据以及发生异常的异常组件;
基于所述异常数据,确定对所述异常组件的控制策略;
基于所述控制策略,发送控制指令至所述异常组件。
3.根据权利要求2所述的方法,其特征在于,在机械加工的过程中,采集各设备组件的运行数据,包括:
通过感知设备采集各设备组件的运行数据;所述感知设备包括温度传感器、距离传感器;或获取设备上传的设备组件的运行数据;
将所述运行数据上传至云端或者上位机。
4.根据权利要求2所述的方法,其特征在于,将所述运行数据通过预先构建的神经网络模型进行检测,判断所述设备组件的运行状态是否正常之前,包括:
获取样本数据和样本标签;
基于神经网络构建网络模型,将所述样本数据输入所述网络模型中进行处理;
获取样本数据是否异常的判断结果;
基于所述判断结果和所述样本标签,确定损失函数;
根据所述损失函数更新所述网络模型的参数,生成所述神经网络模型。
5.根据权利要求4所述的方法,其特征在于,所述网络模型包括特征提取模块、异常参数模块、判别器模块;
将所述样本数据输入所述网络模型中进行处理,包括:
将所述样本数据输入所述特征提取模块中,从所述样本数据中提取出特征数据;
将所述特征数据输入所述异常参数模块中,基于所述特征数据计算所述设备组件对应的异常参数;
基于所述异常参数输入所述判别器模块中,生成判断结果。
6.根据权利要求2所述的方法,其特征在于,将所述运行数据通过预先构建的神经网络模型进行检测,判断所述设备组件的运行状态是否正常,包括:
将所述样本数据输入所述神经网络模型的特征提取模块中,从所述样本数据中提取出特征数据;
将所述特征数据输入所述神经网络模型的异常参数模块中,基于所述特征数据计算所述设备组件对应的异常参数;
基于所述异常参数输入所述神经网络模型的判别器模块中,生成判断结果。
7.根据权利要求6所述的方法,其特征在于,所述特征数据包括:实时运转频率、实时位置参数、实时产出量以及实时加工环境参数,所述加工环境数据包括如下至少一种温度、湿度以及音量;
基于所述特征数据计算所述设备组件对应的异常参数,包括:
计算所述实时运转频率与设定运转频率范围之间的第一差异参数、实时位置参数与设定位置范围之间的第二差异参数、实时产出量与设定产出量范围之间的第三差异参数;
基于所述实时加工环境参数生成异常因子;
基于所述异常因子对所述第一差异参数、第二差异参数以及所述第三差异参数进行加权,确定所述异常参数。
8.根据权利要求2所述的方法,其特征在于,所述方法还包括:
在所述异常参数大于设定的异常阈值时,进行告警。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求2至8中任一项所述的机械加工智能控制方法。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求2至8中任一项所述的机械加工智能控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111103878.4A CN113805548B (zh) | 2021-09-18 | 2021-09-18 | 一种机械加工智能控制系统、方法及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111103878.4A CN113805548B (zh) | 2021-09-18 | 2021-09-18 | 一种机械加工智能控制系统、方法及计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113805548A true CN113805548A (zh) | 2021-12-17 |
CN113805548B CN113805548B (zh) | 2023-04-14 |
Family
ID=78896054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111103878.4A Active CN113805548B (zh) | 2021-09-18 | 2021-09-18 | 一种机械加工智能控制系统、方法及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113805548B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114509214A (zh) * | 2022-02-14 | 2022-05-17 | 深圳市玄羽科技有限公司 | 一种融合多传感器的监测系统及方法 |
CN114760341A (zh) * | 2022-06-13 | 2022-07-15 | 深圳市玄羽科技有限公司 | 一种工业互联网设备智能管控远程运维平台及方法 |
CN115063118A (zh) * | 2022-07-05 | 2022-09-16 | 深圳市宇航智能信息技术有限公司 | 一种基于工业互联网的智能车间设备管理方法及系统 |
CN115086137A (zh) * | 2022-06-23 | 2022-09-20 | 北京天融信网络安全技术有限公司 | 工业设备管理方法及装置 |
CN115963798A (zh) * | 2023-02-23 | 2023-04-14 | 深圳市玄羽科技有限公司 | 工业互联网中的设备运控方法、系统及电子设备 |
CN116400627A (zh) * | 2023-04-13 | 2023-07-07 | 深圳市丰源升科技有限公司 | 一种基于5g的工业远程控制系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106354123A (zh) * | 2016-11-01 | 2017-01-25 | 武汉理工大学 | 基于物联网的大型机械设备故障自动检测系统 |
CN108172288A (zh) * | 2018-01-05 | 2018-06-15 | 深圳倍佳医疗科技服务有限公司 | 医疗设备智能监控方法、装置及计算机可读存储介质 |
CN110046146A (zh) * | 2019-04-16 | 2019-07-23 | 中国联合网络通信集团有限公司 | 基于移动边缘计算的工业设备的监测方法和装置 |
CN110362068A (zh) * | 2019-08-02 | 2019-10-22 | 苏州容思恒辉智能科技有限公司 | 一种基于工业物联网的机械设备故障预警方法、系统和可读存储介质 |
US20200234143A1 (en) * | 2019-01-23 | 2020-07-23 | MakinaRocks Co., Ltd. | Anomaly detection |
CN112580784A (zh) * | 2020-12-16 | 2021-03-30 | 哈尔滨电站设备成套设计研究所有限公司 | 基于多输入多输出卷积神经网络的设备智能预警方法 |
CN113009896A (zh) * | 2021-03-09 | 2021-06-22 | 国能大渡河猴子岩发电有限公司 | 基于边缘计算和云计算的生产控制方法及系统 |
-
2021
- 2021-09-18 CN CN202111103878.4A patent/CN113805548B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106354123A (zh) * | 2016-11-01 | 2017-01-25 | 武汉理工大学 | 基于物联网的大型机械设备故障自动检测系统 |
CN108172288A (zh) * | 2018-01-05 | 2018-06-15 | 深圳倍佳医疗科技服务有限公司 | 医疗设备智能监控方法、装置及计算机可读存储介质 |
US20200234143A1 (en) * | 2019-01-23 | 2020-07-23 | MakinaRocks Co., Ltd. | Anomaly detection |
CN110046146A (zh) * | 2019-04-16 | 2019-07-23 | 中国联合网络通信集团有限公司 | 基于移动边缘计算的工业设备的监测方法和装置 |
CN110362068A (zh) * | 2019-08-02 | 2019-10-22 | 苏州容思恒辉智能科技有限公司 | 一种基于工业物联网的机械设备故障预警方法、系统和可读存储介质 |
CN112580784A (zh) * | 2020-12-16 | 2021-03-30 | 哈尔滨电站设备成套设计研究所有限公司 | 基于多输入多输出卷积神经网络的设备智能预警方法 |
CN113009896A (zh) * | 2021-03-09 | 2021-06-22 | 国能大渡河猴子岩发电有限公司 | 基于边缘计算和云计算的生产控制方法及系统 |
Non-Patent Citations (1)
Title |
---|
王秀红;: "基于神经网络的SPC/EPC整合过程监测方法研究" * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114509214A (zh) * | 2022-02-14 | 2022-05-17 | 深圳市玄羽科技有限公司 | 一种融合多传感器的监测系统及方法 |
CN114760341A (zh) * | 2022-06-13 | 2022-07-15 | 深圳市玄羽科技有限公司 | 一种工业互联网设备智能管控远程运维平台及方法 |
CN115086137A (zh) * | 2022-06-23 | 2022-09-20 | 北京天融信网络安全技术有限公司 | 工业设备管理方法及装置 |
CN115063118A (zh) * | 2022-07-05 | 2022-09-16 | 深圳市宇航智能信息技术有限公司 | 一种基于工业互联网的智能车间设备管理方法及系统 |
CN115963798A (zh) * | 2023-02-23 | 2023-04-14 | 深圳市玄羽科技有限公司 | 工业互联网中的设备运控方法、系统及电子设备 |
CN116400627A (zh) * | 2023-04-13 | 2023-07-07 | 深圳市丰源升科技有限公司 | 一种基于5g的工业远程控制系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113805548B (zh) | 2023-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113805548B (zh) | 一种机械加工智能控制系统、方法及计算机可读介质 | |
CN109459993B (zh) | 一种流程工业过程在线自适应故障监测与诊断方法 | |
US11662719B2 (en) | Classification modeling for monitoring, diagnostics optimization and control | |
Chiu et al. | An integrative machine learning method to improve fault detection and productivity performance in a cyber-physical system | |
Lin et al. | Fog computing based hybrid deep learning framework in effective inspection system for smart manufacturing | |
CN113572625B (zh) | 故障预警方法、预警装置、设备及计算机介质 | |
US20210081501A1 (en) | System and method for automated insight curation and alerting | |
US11126692B2 (en) | Base analytics engine modeling for monitoring, diagnostics optimization and control | |
Kejela et al. | Predictive analytics of sensor data using distributed machine learning techniques | |
US11644823B2 (en) | Automatic modeling for monitoring, diagnostics, optimization and control | |
CN115769235A (zh) | 提供与训练函数的准确度有关的警报的方法和系统 | |
KR20230115970A (ko) | 빅데이터 및 인공지능 기반의 제조 실행 시스템 및이의 운영방법 | |
CN111768034A (zh) | 一种电力负荷预测中基于近邻算法进行插补补充缺失值的方法 | |
CN106776316A (zh) | 一种电力信息软件缺陷预防方法 | |
US20190102352A1 (en) | Multi-engine modeling for monitoring, diagnostics, optimization and control | |
Queiroz et al. | Agent-based distributed data analysis in industrial cyber-physical systems | |
WO2022218632A1 (en) | System and method of monitoring an industrial environment | |
Chen | Big data analytics for semiconductor manufacturing | |
CN117485842A (zh) | 门式斗轮机轮斗横梁姿态实时监测方法及其系统 | |
Yuan et al. | Abnormal condition identification via OVR-IRBF-NN for the process industry with imprecise data and semantic information | |
Queiroz et al. | An agent-based industrial cyber-physical system deployed in an automobile multi-stage production system | |
Yu et al. | A hybrid learning-based model for on-line monitoring and diagnosis of out-of-control signals in multivariate manufacturing processes | |
CN114818813A (zh) | 一种基于自注意力卷积神经网络的刀具磨损值预测算法 | |
JP2018014093A (ja) | プロセスの状態診断方法及び状態診断装置 | |
Haq et al. | TransNAS-TSAD: Harnessing Transformers for Multi-Objective Neural Architecture Search in Time Series Anomaly Detection |
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 |