CN113934536A - 面向边缘计算的数据采集方法 - Google Patents
面向边缘计算的数据采集方法 Download PDFInfo
- Publication number
- CN113934536A CN113934536A CN202111182420.2A CN202111182420A CN113934536A CN 113934536 A CN113934536 A CN 113934536A CN 202111182420 A CN202111182420 A CN 202111182420A CN 113934536 A CN113934536 A CN 113934536A
- Authority
- CN
- China
- Prior art keywords
- production equipment
- edge computing
- production
- cloud
- detection
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了面向边缘计算的数据采集方法,涉及数据采集技术领域,解决了现有技术中无法通过数据采集对工业设备进行全面检测的技术问题,通过边缘计算云端检测能够判定生产设备对应的边缘计算云端是否合格,防止对生产设备的数据采集出现误差,导致生产设备的检测不准确,降低了边缘计算采集的工作效率,也避免采集的数据无法安全储存,提高了数据存储的可靠性;通过第一状态数据采集能够准确判定生产设备的生产效率,提高产品合格率,同时能够及时检测产品的好坏,控制半成品的数量,降低了产品生产的不必要成本,增加产品的利润同时增加了边缘计算对生产的有益影响。
Description
技术领域
本发明涉及数据采集技术领域,具体为面向边缘计算的数据采集方法。
背景技术
边缘计算是在靠近物或数据源头的网络边缘侧,融合网络、计算、存储、应用核心能力的开放平台。边缘计算与云计算互相协同,共同助力各行各业的数字化转型。它就近提供智能互联服务,满足行业在数字化变革过程中对业务实时、业务智能、数据聚合与互操作、安全与隐私保护等方面的关键需求。数据采集,又称数据获取,是利用一种装置,从系统外部采集数据并输入到系统内部的一个接口。数据采集技术广泛应用在各个领域。同时数据采集往往采集边缘计算算法。
但是在现有技术中,工业设备的存在检测力度低,进行数据采集时不能够准确分析边缘计算云端是否合格,无法确保采集的数据安全储存且数据误差低;同时不能够对工业设备的运行、环境等方面进行检测,导致数据采集全面性低,工作效率低下。
发明内容
本发明的目的就在于提出面向边缘计算的数据采集方法,通过边缘计算云端检测能够判定生产设备对应的边缘计算云端是否合格,防止对生产设备的数据采集出现误差,导致生产设备的检测不准确,降低了边缘计算采集的工作效率,也避免采集的数据无法安全储存,提高了数据存储的可靠性;通过第一状态数据采集能够准确判定生产设备的生产效率,提高产品合格率,同时能够及时检测产品的好坏,控制半成品的数量,降低了产品生产的不必要成本,增加产品的利润同时增加了边缘计算对生产的有益影响。
本发明的目的可以通过以下技术方案实现:
面向边缘计算的数据采集方法,具体数据采集步骤如下:
步骤一、边缘计算云端搭建:在工厂内设置局域网,通过局域网构建边缘计算云端,并将工厂内各个生产设备安装各个终端节点设备,通过终端节点设备将生产设备信息传输至边缘计算云端;
步骤二、边缘计算云端检测:边缘计算云端完成构建后进行检测,若检测合格则生成云端检测合格信号并将云端检测合格信号发送至云服务器;若检测不合格则生成云端检测不合格信号,则将对应边缘计算云端进行重搭建;
步骤三、数据采集检测:云服务器接收到云端检测合格信号后,生成第一状态数据采集,并通过边缘计算云端对生产设备进行第一状态数据采集,并通过边缘计算云端对采集的第一状态数据进行检测,若检测合格,则进行第二状态数据采集,若检测不合格,则将不合格的第一状态数据储存至云服务器,云服务器将对应生产设备进行整顿;第一状态数据包括产品质量数据与生产环境数据;通过边缘计算云端对生产设备进行第二状态数据采集,并通过边缘计算云端将采集的第二状态数据进行检测,若检测合格,则将合格的第二状态数据和第一状态数据发送至数据库进行储存,若检测不合格,则将不合格的第二状态数据储存至云服务器,云服务器将对应生产设备进行整顿。
进一步地,步骤二中边缘计算云端具体检测步骤如下:
采集边缘计算云端的最大数据储存量,并将边缘计算云端最大数据储存量标记为CC;当边缘计算云端内数据储存量达到数据储存量阈值时,采集到边缘计算云端内数据传输的间隔时长,并将边缘计算云端内数据传输的间隔时长标记为JC;采集到边缘计算云端内数据传输异常的频率和次数,并将边缘计算云端内数据传输异常的频率和次数分别标记为PL和CS;
通过公式获取到边缘计算云端的检测系数X,其中,a1、a2、a3以及a4均为预设比例系数,且a1>a2>a3>a4>0,β为误差修正因子,取值为2.31;将边缘计算云端的检测系数X与检测系数阈值进行比较:若边缘计算云端的检测系数X≥检测系数阈值,则判定边缘计算云端检测不合格,生成云端重搭建指令并将边缘计算云端进行重新搭建;若边缘计算云端的检测系数X<检测系数阈值,则判定边缘计算云端检测合格,生成云端检测合格信号并将云端检测合格信号发送至云服务器。
进一步地,步骤三中第一状态数据的采集步骤如下:
设置上行采集时间阈值,采集到在上行采集时间阈值内生产设备的产量与产量内合格产品与不合格产品的比值,并将上行采集时间阈值内生产设备的产量与产量内合格产品与不合格产品的比值分别标记为CL和BZ;通过公式C=α1(CL×b1+BZ×b2)获取到局域网内生产设备对应产品质量分析系数C,其中,b1和b2均为预设比例系数,且b1>b2>0,α1为误差修正阈值,取值为1.452;
采集到在上行采集时间阈值内生产设备周边环境的温度平均变化值和湿度平均变化值,并将在上行采集时间阈值内生产设备周边环境的温度平均变化值和湿度平均变化值分别标记为WDP和SDP;通过公式M=α2(WDP×b3+SDP×b4)(b3+b4)获取到局域网内生产设备对应生产环境分析系数M,其中,b3和b4均为预设比例系数,且b3>b4>0,α2为误差修正因子,取值为1.653;
将产品质量分析系数C和生产环境分析系数M分别与质量分析系数阈值和生产环境分析系数阈值进行比较:
若产品质量分析系数C大于质量分析系数阈值,且生产环境分析系数M小于生产环境分析系数阈值,则判定对应第一状态数据检测合格,并将第一状态数据标记为合格上行数据,将合格上行数据发送至数据库;
若产品质量分析系数C小于质量分析系数阈值或者生产环境分析系数M大于生产环境分析系数阈值,则判定对应第一状态数据检测不合格,并将第一状态数据标记为不合格上行数据,将不合格上行数据储存至云服务器,云服务器对不合格上行数据进行分析,若产品质量分析系数不合格,则生成产品质量把控指令并将对应生产设备的产品进行质量把控;若生产环境分析系数不合格,则生成环境整顿指令并将对应生产设备的生产环境进行调节。
进一步地,步骤三中第二状态数据采集过程如下:
第二状态数据表示为生产设备投入生产的总时长、在投入生产的总时长内生产设备的运行时长与停机时长的比值以及生产设备在运行时长内的故障频率与在停机时长内的故障频率;采集到生产设备投入生产的总时长,并将生产设备投入生产的总时长标记为ZSC;采集到在投入生产的总时长内生产设备的运行时长与停机时长的比值,并将在投入生产的总时长内生产设备的运行时长与停机时长的比值标记为SBZ;根据投入运行时长和停机时长采集到生产设备在运行时长内的故障频率与在停机时长内的故障频率,并将生产设备在运行时长内的故障频率与在停机时长内的故障频率分别标记为YGP和TGP;
若生产设备的运行分析系数G≥运行分析系数阈值,则判定对应生产设备的运行分析系数不合格,生产第二状态数据不合格信号并将第二状态数据不合格信号储存至云服务器;云服务器接收到第二状态数据不合格信号后,生产设备维护指令并将对应生产设备进行维护;若生产设备的运行分析系数G<运行分析系数阈值,则判定对应生产设备的运行分析系数合格;并将第二状态数据发送至数据库进行储存。
与现有技术相比,本发明的有益效果是:
本发明中,通过边缘计算云端检测能够判定生产设备对应的边缘计算云端是否合格,防止对生产设备的数据采集出现误差,导致生产设备的检测不准确,降低了边缘计算采集的工作效率,也避免采集的数据无法安全储存,提高了数据存储的可靠性;通过第一状态数据采集能够准确判定生产设备的生产效率,提高产品合格率,同时能够及时检测产品的好坏,控制半成品的数量,降低了产品生产的不必要成本,增加产品的利润同时增加了边缘计算对生产的有益影响;通过第二状态数据采集能够准确分析生产设备的运行状态,防止生产设备存在异常,导致生产效率降低,增加了生产产品的报废率,给生产带来不必要的成本浪费。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明的方法流程图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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它实施例,都属于本发明保护的范围。
如图1所示,面向边缘计算的数据采集方法,具体数据采集步骤如下:
在工厂内设置局域网,通过局域网构建边缘计算云端,并将工厂内各个生产设备安装各个终端节点设备,通过终端节点设备将生产设备信息传输至边缘计算云端;边缘计算云端完成构建后进行检测,若检测合格则生成云端检测合格信号并将云端检测合格信号发送至云服务器;若检测不合格则生成云端检测不合格信号,则将对应边缘计算云端进行重搭建;本申请中终端节点设备表示为网络连接设备,能够接入局域网并将生成设备信息进行上传,生产设备信息表示为生产设备的编号、型号以及操控人员编号;
云服务器接收到云端检测合格信号后,生成第一状态数据采集,并通过边缘计算云端对生产设备进行第一状态数据采集,并通过边缘计算云端对采集的第一状态数据进行检测,若检测合格,则进行第二状态数据采集,若检测不合格,则将不合格的第一状态数据储存至云服务器,云服务器将对应生产设备进行整顿;第一状态数据包括产品质量数据与生产环境数据;
通过边缘计算云端对生产设备进行第二状态数据采集,并通过边缘计算云端将采集的第二状态数据进行检测,若检测合格,则将合格的第二状态数据和第一状态数据发送至数据库进行储存,若检测不合格,则将不合格的第二状态数据储存至云服务器,云服务器将对应生产设备进行整顿;
通过边缘计算云端检测能够判定生产设备对应的边缘计算云端是否合格,防止对生产设备的数据采集出现误差,导致生产设备的检测不准确,降低了边缘计算采集的工作效率,也避免采集的数据无法安全储存,提高了数据存储的可靠性,边缘计算云端具体检测步骤如下:
采集边缘计算云端的最大数据储存量,并将边缘计算云端最大数据储存量标记为CC;当边缘计算云端内数据储存量达到数据储存量阈值时,采集到边缘计算云端内数据传输的间隔时长,并将边缘计算云端内数据传输的间隔时长标记为JC;采集到边缘计算云端内数据传输异常的频率和次数,并将边缘计算云端内数据传输异常的频率和次数分别标记为PL和CS;
通过公式获取到边缘计算云端的检测系数X,其中,a1、a2、a3以及a4均为预设比例系数,且a1>a2>a3>a4>0,β为误差修正因子,取值为2.31;边缘计算云端的检测系数是将边缘计算云端的参数进行归一化处理得到一个用于检测边缘计算云端合格率的数值;通过公式可得最大数据储存量越小,间隔时长、数据传输异常的频率和次数越大,边缘计算云端的检测系数越大,表示边缘计算云端的合格率越小;
将边缘计算云端的检测系数X与检测系数阈值进行比较:
若边缘计算云端的检测系数X≥检测系数阈值,则判定边缘计算云端检测不合格,生成云端重搭建指令并将边缘计算云端进行重新搭建;
若边缘计算云端的检测系数X<检测系数阈值,则判定边缘计算云端检测合格,生成云端检测合格信号并将云端检测合格信号发送至云服务器;
通过第一状态数据采集能够准确判定生产设备的生产效率,提高产品合格率,同时能够及时检测产品的好坏,控制半成品的数量,降低了产品生产的不必要成本,增加产品的利润同时增加了边缘计算对生产的有益影响,第一状态数据的采集步骤如下:
设置上行采集时间阈值,采集到在上行采集时间阈值内生产设备的产量与产量内合格产品与不合格产品的比值,并将上行采集时间阈值内生产设备的产量与产量内合格产品与不合格产品的比值分别标记为CL和BZ;通过公式C=α1(CL×b1+BZ×b2)获取到局域网内生产设备对应产品质量分析系数C,其中,b1和b2均为预设比例系数,且b1>b2>0,α1为误差修正阈值,取值为1.452;
采集到在上行采集时间阈值内生产设备周边环境的温度平均变化值和湿度平均变化值,并将在上行采集时间阈值内生产设备周边环境的温度平均变化值和湿度平均变化值分别标记为WDP和SDP;通过公式M=α2(WDP×b3+SDP×b4)(b3+b4)获取到局域网内生产设备对应生产环境分析系数M,其中,b3和b4均为预设比例系数,且b3>b4>0,α2为误差修正因子,取值为1.653;
将产品质量分析系数C和生产环境分析系数M分别与质量分析系数阈值和生产环境分析系数阈值进行比较:
若产品质量分析系数C大于质量分析系数阈值,且生产环境分析系数M小于生产环境分析系数阈值,则判定对应第一状态数据检测合格,并将第一状态数据标记为合格上行数据,将合格上行数据发送至数据库;
若产品质量分析系数C小于质量分析系数阈值或者生产环境分析系数M大于生产环境分析系数阈值,则判定对应第一状态数据检测不合格,并将第一状态数据标记为不合格上行数据,将不合格上行数据储存至云服务器,云服务器对不合格上行数据进行分析,若产品质量分析系数不合格,则生成产品质量把控指令并将对应生产设备的产品进行质量把控;若生产环境分析系数不合格,则生成环境整顿指令并将对应生产设备的生产环境进行调节;
通过第二状态数据采集能够准确分析生产设备的运行状态,防止生产设备存在异常,导致生产效率降低,增加了生产产品的报废率,给生产带来不必要的成本浪费,第二状态数据采集过程如下:
第二状态数据表示为生产设备投入生产的总时长、在投入生产的总时长内生产设备的运行时长与停机时长的比值以及生产设备在运行时长内的故障频率与在停机时长内的故障频率;采集到生产设备投入生产的总时长,并将生产设备投入生产的总时长标记为ZSC;采集到在投入生产的总时长内生产设备的运行时长与停机时长的比值,并将在投入生产的总时长内生产设备的运行时长与停机时长的比值标记为SBZ;根据投入运行时长和停机时长采集到生产设备在运行时长内的故障频率与在停机时长内的故障频率,并将生产设备在运行时长内的故障频率与在停机时长内的故障频率分别标记为YGP和TGP;
通过公式获取到局域网内生产设备的运行分析系数G,其中,f1、f2、f3以及f4均为预设比例系数,且f1>f2>f3>f4>0,e为自然常数;生产设备的运行分析系数是将生产设备的参数进行归一化处理得到一个用于检测生产设备合格率的数值;通过公式可得投入生产的总时长、运行时长与停机时长的比值、运行时长内的故障频率与在停机时长内的故障频率越大,生产设备的运行分析系数越大,表示生产设备的合格率越小;
将生产设备的运行分析系数G与运行分析系数阈值进行比较:
若生产设备的运行分析系数G≥运行分析系数阈值,则判定对应生产设备的运行分析系数不合格,生产第二状态数据不合格信号并将第二状态数据不合格信号储存至云服务器;云服务器接收到第二状态数据不合格信号后,生产设备维护指令并将对应生产设备进行维护;
若生产设备的运行分析系数G<运行分析系数阈值,则判定对应生产设备的运行分析系数合格;并将第二状态数据发送至数据库进行储存。
本发明工作原理:面向边缘计算的数据采集方法,在工作时,在工厂内设置局域网,通过局域网构建边缘计算云端,并将工厂内各个生产设备安装各个终端节点设备,通过终端节点设备将生产设备信息传输至边缘计算云端;边缘计算云端完成构建后进行检测,若检测合格则生成云端检测合格信号并将云端检测合格信号发送至云服务器;若检测不合格则生成云端检测不合格信号,则将对应边缘计算云端进行重搭建;服务器接收到检测合格信号后,生成第一状态数据采集,并通过边缘计算云端对生产设备进行第一状态数据采集,并通过边缘计算云端对采集的第一状态数据进行检测,若检测合格,则进行第二状态数据采集,若检测不合格,则将不合格的第一状态数据储存至云服务器,云服务器将对应生产设备进行整顿;通过边缘计算云端对生产设备进行第二状态数据采集,并通过边缘计算云端将采集的第二状态数据进行检测,若检测合格,则将合格的第二状态数据和第一状态数据发送至数据库进行储存,若检测不合格,则将不合格的第二状态数据储存至云服务器,云服务器将对应生产设备进行整顿。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况进行设置。
以上内容仅仅是对本发明结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (4)
1.面向边缘计算的数据采集方法,其特征在于,具体数据采集步骤如下:
步骤一、边缘计算云端搭建:在工厂内设置局域网,通过局域网构建边缘计算云端,并将工厂内各个生产设备安装各个终端节点设备,通过终端节点设备将生产设备信息传输至边缘计算云端;
步骤二、边缘计算云端检测:边缘计算云端完成构建后进行检测,若检测合格则生成云端检测合格信号并将云端检测合格信号发送至云服务器;若检测不合格则生成云端检测不合格信号,则将对应边缘计算云端进行重搭建;
步骤三、数据采集检测:云服务器接收到云端检测合格信号后,生成第一状态数据采集,并通过边缘计算云端对生产设备进行第一状态数据采集,并通过边缘计算云端对采集的第一状态数据进行检测,若检测合格,则进行第二状态数据采集,若检测不合格,则将不合格的第一状态数据储存至云服务器,云服务器将对应生产设备进行整顿;第一状态数据包括产品质量数据与生产环境数据;第二状态数据包括为生产设备投入生产的总时长、在投入生产的总时长内生产设备的运行时长与停机时长的比值以及生产设备在运行时长内的故障频率与在停机时长内的故障频率;通过边缘计算云端对生产设备进行第二状态数据采集,并通过边缘计算云端将采集的第二状态数据进行检测,若检测合格,则将合格的第二状态数据和第一状态数据发送至数据库进行储存,若检测不合格,则将不合格的第二状态数据储存至云服务器,云服务器将对应生产设备进行整顿。
2.根据权利要求1所述的面向边缘计算的数据采集方法,其特征在于,步骤二中边缘计算云端具体检测步骤如下:
采集边缘计算云端的最大数据储存量,并将边缘计算云端最大数据储存量标记为CC;当边缘计算云端内数据储存量达到数据储存量阈值时,采集到边缘计算云端内数据传输的间隔时长,并将边缘计算云端内数据传输的间隔时长标记为JC;采集到边缘计算云端内数据传输异常的频率和次数,并将边缘计算云端内数据传输异常的频率和次数分别标记为PL和CS;
3.根据权利要求1所述的面向边缘计算的数据采集方法,其特征在于,步骤三中第一状态数据的采集步骤如下:
设置上行采集时间阈值,采集到在上行采集时间阈值内生产设备的产量与产量内合格产品与不合格产品的比值,并将上行采集时间阈值内生产设备的产量与产量内合格产品与不合格产品的比值分别标记为CL和BZ;通过公式C=α1(CL×b1+BZ×b2)获取到局域网内生产设备对应产品质量分析系数C,其中,b1和b2均为预设比例系数,且b1>b2>0,α1为误差修正阈值,取值为1.452;
采集到在上行采集时间阈值内生产设备周边环境的温度平均变化值和湿度平均变化值,并将在上行采集时间阈值内生产设备周边环境的温度平均变化值和湿度平均变化值分别标记为WDP和SDP;通过公式M=α2(WDP×b3+SDP×b4)(b3+b4)获取到局域网内生产设备对应生产环境分析系数M,其中,b3和b4均为预设比例系数,且b3>b4>0,α2为误差修正因子,取值为1.653;
将产品质量分析系数C和生产环境分析系数M分别与质量分析系数阈值和生产环境分析系数阈值进行比较:
若产品质量分析系数C大于质量分析系数阈值,且生产环境分析系数M小于生产环境分析系数阈值,则判定对应第一状态数据检测合格,并将第一状态数据标记为合格上行数据,将合格上行数据发送至数据库;
若产品质量分析系数C小于质量分析系数阈值或者生产环境分析系数M大于生产环境分析系数阈值,则判定对应第一状态数据检测不合格,并将第一状态数据标记为不合格上行数据,将不合格上行数据储存至云服务器,云服务器对不合格上行数据进行分析,若产品质量分析系数不合格,则生成产品质量把控指令并将对应生产设备的产品进行质量把控;若生产环境分析系数不合格,则生成环境整顿指令并将对应生产设备的生产环境进行调节。
4.根据权利要求1所述的面向边缘计算的数据采集方法,其特征在于,步骤三中第二状态数据采集过程如下:
第二状态数据表示为生产设备投入生产的总时长、在投入生产的总时长内生产设备的运行时长与停机时长的比值以及生产设备在运行时长内的故障频率与在停机时长内的故障频率;采集到生产设备投入生产的总时长,并将生产设备投入生产的总时长标记为ZSC;采集到在投入生产的总时长内生产设备的运行时长与停机时长的比值,并将在投入生产的总时长内生产设备的运行时长与停机时长的比值标记为SBZ;根据投入运行时长和停机时长采集到生产设备在运行时长内的故障频率与在停机时长内的故障频率,并将生产设备在运行时长内的故障频率与在停机时长内的故障频率分别标记为YGP和TGP;
若生产设备的运行分析系数G≥运行分析系数阈值,则判定对应生产设备的运行分析系数不合格,生产第二状态数据不合格信号并将第二状态数据不合格信号储存至云服务器;云服务器接收到第二状态数据不合格信号后,生产设备维护指令并将对应生产设备进行维护;若生产设备的运行分析系数G<运行分析系数阈值,则判定对应生产设备的运行分析系数合格;并将第二状态数据发送至数据库进行储存。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111182420.2A CN113934536B (zh) | 2021-10-11 | 2021-10-11 | 面向边缘计算的数据采集方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111182420.2A CN113934536B (zh) | 2021-10-11 | 2021-10-11 | 面向边缘计算的数据采集方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113934536A true CN113934536A (zh) | 2022-01-14 |
CN113934536B CN113934536B (zh) | 2022-08-16 |
Family
ID=79278203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111182420.2A Active CN113934536B (zh) | 2021-10-11 | 2021-10-11 | 面向边缘计算的数据采集方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113934536B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114582107A (zh) * | 2022-03-01 | 2022-06-03 | 中用科技有限公司 | 有限空间作业安全智能预警系统 |
CN115065544A (zh) * | 2022-06-28 | 2022-09-16 | 慧之安信息技术股份有限公司 | 一种基于边缘计算的海上防御辅助检测系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019079317A (ja) * | 2017-10-25 | 2019-05-23 | 株式会社東芝 | エッジサーバ |
CN110225116A (zh) * | 2019-06-12 | 2019-09-10 | 上海阿刻忒科技有限公司 | 一种基于边缘计算架构的不确定网络环境下的自适应鲁棒控制方法及系统 |
CN110336703A (zh) * | 2019-07-12 | 2019-10-15 | 河海大学常州校区 | 基于边缘计算的工业大数据监测系统 |
CN111144715A (zh) * | 2019-12-11 | 2020-05-12 | 重庆邮电大学 | 一种基于边云协同的工厂电能管控系统及方法 |
CN112101767A (zh) * | 2020-09-09 | 2020-12-18 | 中国石油大学(北京) | 一种设备运行状态边云融合诊断方法及系统 |
CN112307076A (zh) * | 2019-08-02 | 2021-02-02 | 深圳中集智能科技有限公司 | 基于云与端融合的生产设备运维系统及生产设备运维方法 |
US20210096911A1 (en) * | 2020-08-17 | 2021-04-01 | Essence Information Technology Co., Ltd | Fine granularity real-time supervision system based on edge computing |
CN112650580A (zh) * | 2020-11-02 | 2021-04-13 | 北京迅达云成科技有限公司 | 一种基于边缘计算的工业大数据监测系统 |
CN113448298A (zh) * | 2021-09-01 | 2021-09-28 | 深圳联钜自控科技有限公司 | 一种用于自动化生产设备数据采集系统 |
-
2021
- 2021-10-11 CN CN202111182420.2A patent/CN113934536B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019079317A (ja) * | 2017-10-25 | 2019-05-23 | 株式会社東芝 | エッジサーバ |
CN110225116A (zh) * | 2019-06-12 | 2019-09-10 | 上海阿刻忒科技有限公司 | 一种基于边缘计算架构的不确定网络环境下的自适应鲁棒控制方法及系统 |
CN110336703A (zh) * | 2019-07-12 | 2019-10-15 | 河海大学常州校区 | 基于边缘计算的工业大数据监测系统 |
CN112307076A (zh) * | 2019-08-02 | 2021-02-02 | 深圳中集智能科技有限公司 | 基于云与端融合的生产设备运维系统及生产设备运维方法 |
CN111144715A (zh) * | 2019-12-11 | 2020-05-12 | 重庆邮电大学 | 一种基于边云协同的工厂电能管控系统及方法 |
US20210096911A1 (en) * | 2020-08-17 | 2021-04-01 | Essence Information Technology Co., Ltd | Fine granularity real-time supervision system based on edge computing |
CN112101767A (zh) * | 2020-09-09 | 2020-12-18 | 中国石油大学(北京) | 一种设备运行状态边云融合诊断方法及系统 |
CN112650580A (zh) * | 2020-11-02 | 2021-04-13 | 北京迅达云成科技有限公司 | 一种基于边缘计算的工业大数据监测系统 |
CN113448298A (zh) * | 2021-09-01 | 2021-09-28 | 深圳联钜自控科技有限公司 | 一种用于自动化生产设备数据采集系统 |
Non-Patent Citations (2)
Title |
---|
张文龙,等: "云/边缘协同的轴承故障诊断方法", 《计算机集成制造系统》 * |
蒋炜,等: "基于边缘计算的电力领域预测性维护架构设计", 《江西科学》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114582107A (zh) * | 2022-03-01 | 2022-06-03 | 中用科技有限公司 | 有限空间作业安全智能预警系统 |
CN115065544A (zh) * | 2022-06-28 | 2022-09-16 | 慧之安信息技术股份有限公司 | 一种基于边缘计算的海上防御辅助检测系统 |
CN115065544B (zh) * | 2022-06-28 | 2023-10-03 | 慧之安信息技术股份有限公司 | 一种基于边缘计算的海上防御辅助检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113934536B (zh) | 2022-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11746753B2 (en) | Method and apparatus for detecting fault, method and apparatus for training model, and device and storage medium | |
CN108199795B (zh) | 一种设备状态的监测方法和装置 | |
CN113934536B (zh) | 面向边缘计算的数据采集方法 | |
JP6141235B2 (ja) | 時系列データにおける異常を検出する方法 | |
CN113762604B (zh) | 一种工业互联网大数据服务系统 | |
US12092269B2 (en) | Method for troubleshooting potential safety hazards of compressor in smart gas pipeline network and internet of things system thereof | |
CN107944005B (zh) | 一种数据展示方法及装置 | |
CN117034194B (zh) | 基于人工智能的核电仪表设备运维管理系统、方法及设备 | |
Kirchen et al. | Metrics for the evaluation of data quality of signal data in industrial processes | |
CN112001511A (zh) | 基于数据挖掘的设备可靠性及动态风险评价方法、系统和设备 | |
CN115529595A (zh) | 一种日志数据的异常检测方法、装置、设备及介质 | |
CN117032004A (zh) | 基于物联网的工业生产自动化控制平台 | |
CN116993329A (zh) | 一种基于数据分析的通讯设备运行维修决策管理系统 | |
CN116844315A (zh) | 人工智能预警方法、系统及存储介质 | |
CN117348557B (zh) | 一种自动化控制系统及控制方法 | |
CN117933822A (zh) | 一种基于边缘计算的物联网数据管理系统及方法 | |
CN118093336A (zh) | 一种面向硬件的风险分析方法及系统 | |
CN117038048B (zh) | 一种用于医疗器械的远程故障处理方法及系统 | |
CN117560300A (zh) | 一种智能物联网流量预测与优化系统 | |
CN117092964A (zh) | 一种用于建材加工的数控机床故障预警系统及方法 | |
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 | |
CN116126807A (zh) | 一种日志分析方法及相关装置 | |
CN113361730B (zh) | 一种检修计划的风险预警方法、装置、设备和介质 | |
CN113421170A (zh) | 一种电力工程质量综合优化管理系统以及方法 | |
CN118430092B (zh) | 一种基于mcc系统的数据通用采集方法 |
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 |