CN114265891A - 基于多源数据融合的智慧车间系统、方法及存储介质 - Google Patents
基于多源数据融合的智慧车间系统、方法及存储介质 Download PDFInfo
- Publication number
- CN114265891A CN114265891A CN202111589570.5A CN202111589570A CN114265891A CN 114265891 A CN114265891 A CN 114265891A CN 202111589570 A CN202111589570 A CN 202111589570A CN 114265891 A CN114265891 A CN 114265891A
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- workshop
- source data
- efficiency
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及物联网技术领域，具体为一种基于多源数据融合的智慧车间系统、方法及存储介质，其中系统，包括：车间数据采集子系统，用于采集车间内不同来源的多源数据，且对采集的多源数据提供OPC UA服务访问接口；云分布式存储子系统，用于对车间数据采集子系统采集的多源数据进行加密存储；数据分析子系统，用于对云分布式存储子系统中的多源数据进行清洗、融合和归一化处理，对处理后的多源数据进行数据挖掘，提取多源数据中的有效信息，进行分析和可视化处理。本系统实现车间数据的采集、存储、分析和可视化的一体化，降低企业转型升级成本，促进企业的智能转型升级。
Description
技术领域
本发明涉及物联网技术领域，具体为一种基于多源数据融合的智慧车间系统、方法及存储介质。
背景技术
工业软件是数字工业加速走向信息化与工业化的融合剂，广泛应用于数字工业领域各个要素和环节之中。数字车间的建设是制造企业实现智能制造的关键环节，其实现依赖于车间的自主决策、自组装生产，以及设备互联、自动感知、数据融合、实时分析及可视化，但是目前这些技术是工业发展中的薄弱环节。
传统制造行业在智能转型升级过程中面临很多问题，其中突出的问题是：数据感知困难度高、工业协议标准不统一且数据开放性低和数据利用不充分，这些问题造成企业转型升级成本高、数据共享不通畅、设备维护不及时等不良后果，严重制约了传统制造行业的智能转型升级。
发明内容
本发明的目的之一在于提供一种基于多源数据融合的智慧车间系统，以降低数据感觉困难度，增加数据开放性，使数据得到充分利用。
本发明提供的基础方案一：基于多源数据融合的智慧车间系统，包括：
车间数据采集子系统，用于采集车间内不同来源的多源数据，且对采集的多源数据提供OPC UA服务访问接口；
云分布式存储子系统，用于对车间数据采集子系统采集的多源数据进行加密存储；
数据分析子系统，用于对云分布式存储子系统中的多源数据进行清洗、融合和归一化处理，对处理后的多源数据进行数据挖掘，提取多源数据中的有效信息，进行分析和可视化处理。
基础方案一的有益效果：本系统设置了多个子系统，包括：车间数据采集子系统、云分布式存储子系统和数据分析子系统，其中车间数据采集子系统，采集车间内不同来源的多源数据，为后续数据分析子系统进行分析提供大量数据支持，且对采集的多源数据提供OPC UA服务访问接口，以方便SCADA、MES、ERP等异构系统网络中对数据访问，防止异构网络不互通互联，从而提高数据开放性。车间数据采集子系统采集的数据上传到云分布式存储子系统中进行加密存储，在保证数据安全的情况下，云分布式存储的数据存储量大，存储速度也快，可以更好的匹配车间数据采集子系统的采集速度，将车间数据采集子系统采集到的多源数据进行存储。数据分析子系统根据实际分析需求，对云分布式存储子系统中的多源数据进行清洗、融合和归一化处理，对处理后的多源数据进行数据挖掘，提取多源数据中的有效信息，进行分析和可视化处理，使采集到的多源数据得到更为充分的利用。
本系统实现车间数据的采集、存储、分析和可视化的一体化，降低企业转型升级成本，促进企业的智能转型升级。
进一步，所述多源数据包括：车间设备数据和工人管理数据；
所述车间设备数据包括：设备流水线位置流动信息数据、观测设备运转的状态数据和影响流水线生产效率的调度数据；
所述工人管理数据包括：生产流水线中工作时间数据和工作失误数据。
有益效果：多源数据包括车间设备数据，也包括工人管理数据，从而对车间内无论是设备还是工人都进行相应的监测，即保证车间设备正常运行，也保证工人合理工作，从而便于根据整个车间情况进行相应的生产优化。
进一步，所述数据分析子系统，包括：异常状态预警模块、健康状态监测模块和状态大数据画像模块；
异常状态预警模块，统计车间设备的异常状态预警信息，并根据选择时间段显示选择时间段内的异常状态预警信息；
健康状态监测模块，包括：故障诊断子模块和寿命预测子模块；
故障诊断子模块，用于根据观测设备运转的状态数据，采用诊断模型对设备进行故障诊断，并可视化显示故障诊断结果，包括：根据多元数据中的有效信息，判断设备属于各类别故障的概率，提取概率值最高的故障类别作为该设备的故障类别，并显示该设备的故障类别；
寿命预测子模块，用于采用回归分析，通过计算退化率以及设备的额定寿命来分析设备的剩余寿命，并显示预测的剩余寿命；
状态大数据画像模块，用于显示第一预设时间段内，按时间分布的设备的异常状态和健康状态。
有益效果：数据分析子系统包括异常状态预警模块和健康状态监测模块，对车间设备进行异常状态和健康状态监测，在通常情况下车间设备本身就具有一定的可靠性，从而统计车间设备的异常状态预警信息，能反应出设备运行的情况。健康状态监测模块包括故障诊断子模块和寿命预测子模块，两个子模块，一个判断设备故障类别，一个是预测设备剩余寿命，从而是对设备的健康状况进行更有效的监测，帮助相关人员了解设备使用过程中关键零部件的性能，便于对其进行改进和提高。状态大数据画像模块显示第一预设时间段内，按时间分布的设备的异常状态和健康状态，从而避免设备的状态多数据孤立，通过状态大数据画像对各设备的数据进行整体展示，有利于管理人员更好的抓住设备状态的分布情况。
进一步，所述数据分析子系统，还包括：开机率和运行效率分析模块；
开机率和运行效率分析模块，包括：设备开机率可视化子模块和设备运行效率可视化子模块；
设备开机率可视化子模块，用于根据各设备的观测设备运转的状态数据，计算各设备的开机率，并进行可视化显示；
设备运行效率可视化子模块，用于根据各设备的观测设备运转的状态数据，计算各设备的效率，并显示第二预设时间段内，各设备的效率；还用于通过综合数据分析，计算最高效率、平均效率以及最低效率，并进行显示。
有益效果：数据分析子系统还包括开机率和运行效率分析模块，开机率和运行效率分析模块包括设备开机率可视化子模块和设备运行效率可视化子模块，两个子模块一个是用于计算设备的开机率，一个是用于计算设备的效率，设备的开机率和效率是对设备运行状况的整体反应，便于相关人员掌握设备运行状况，提高车间设备的管理效率。
进一步，所述数据分析子系统，还包括：工人监测模块和生产调度模块；
工人监测模块，用于根据生产流水线中工作时间数据和工作失误数据，统计分析工人生产效率和工人安全生产工时；
生产调度模块，包括：调度子模块、监控子模块和执行子模块；
调度子模块，用于生产调度、路径规划和指令解析，并下发生产和运输的任务到执行子模块；
执行子模块，用于接收来自调度层的任务，将在制品从起点运往终点；
监控子模块，用于负责数据的采集和传输，同时对生产物流系统进行动态监控。
有益效果：统计分析工人生产效率和工人安全生产工时，便于对工人工作情况进行掌握和调整，生产调度模块对生产的物流进行动态调度，提高企业物流效率。
本发明的目的之二在于提供一种基于多源数据融合的智慧车间方法，以降低数据感觉困难度，增加数据开放性，使数据得到充分利用。
本发明提供的基础方案二：基于多源数据融合的智慧车间方法，包括如下内容：
车间数据采集步骤：采集车间内不同来源的多源数据，且对采集的多源数据提供OPC UA服务访问接口；
云分布式存储步骤：对车间数据采集子系统采集的多源数据进行加密云分布式存储；
数据分析步骤：对云分布式存储子系统中的多源数据进行清洗、融合和归一化处理，对处理后的多源数据进行数据挖掘，提取多源数据中的有效信息，进行分析和可视化处理。
基础方案二的有益效果：采集车间内不同来源的多源数据，为后续数据分析提供大量数据支持，且对采集的多源数据提供OPC UA服务访问接口，以方便SCADA、MES、ERP等异构系统网络中对数据访问，防止异构网络不互通互联，从而提高数据开放性。采集的数据会进行加密云分布式存储，在保证数据安全的情况下，云分布式存储的数据存储量大，存储速度也快，可以更好的匹配车间数据采集的采集速度，将采集到的多源数据进行存储；然后根据实际分析需求，对存储的多源数据进行清洗、融合和归一化处理，对处理后的多源数据进行数据挖掘，提取多源数据中的有效信息，进行分析和可视化处理，使采集到的多源数据得到更为充分的利用。
本方法实现车间数据的采集、存储、分析和可视化的一体化，降低企业转型升级成本，促进企业的智能转型升级。
进一步，所述多源数据包括：车间设备数据和工人管理数据；
所述车间设备数据包括：设备流水线位置流动信息数据、观测设备运转的状态数据和影响流水线生产效率的调度数据；
所述工人管理数据包括：生产流水线中工作时间数据和工作失误数据。
有益效果：多源数据包括车间设备数据，也包括工人管理数据，从而对车间内无论是设备还是工人都进行相应的监测，即保证车间设备正常运行，也保证工人合理工作，从而便于根据整个车间情况进行相应的生产优化。
进一步，所述数据分析步骤，包括：
异常状态预警步骤：统计车间设备的异常状态预警信息，并根据选择时间段显示选择时间段内的异常状态预警信息；
健康状态监测步骤，包括：故障诊断步骤和寿命预测步骤；
故障诊断步骤：根据状态数据，采用诊断模型对设备进行故障诊断，并可视化显示故障诊断结果，包括：根据多元数据中的有效信息，判断设备属于各类别故障的概率，提取概率值最高的故障类别作为该设备的故障类别，并显示该设备的故障类别；
寿命预测步骤：采用回归分析，通过计算退化率以及设备的额定寿命来分析设备的剩余寿命，并显示预测的剩余寿命；
状态大数据画像步骤：显示第一预设时间段内，按时间分布的设备的异常状态和健康状态。
有益效果：上述步骤，对车间设备进行异常状态和健康状态监测，在通常情况下车间设备本身就具有一定的可靠性，从而统计车间设备的异常状态预警信息，能反应出设备运行的情况。其中异常状态预警步骤和健康状态监测步骤，一个判断设备故障类别，一个是预测设备剩余寿命，从而是对设备的健康状况进行更有效的监测，帮助相关人员了解设备使用过程中关键零部件的性能，便于对其进行改进和提高。状态大数据画像步骤显示第一预设时间段内，按时间分布的设备的异常状态和健康状态，从而避免设备的状态多数据孤立，通过状态大数据画像对各设备的数据进行整体展示，有利于管理人员更好的抓住设备状态的分布情况。
进一步，所述数据分析步骤，还包括：
开机率和运行效率分析步骤，包括：设备开机率可视化步骤和设备运行效率可视化步骤；
设备开机率可视化步骤：根据各设备的状态数据，计算各设备的开机率，并进行可视化显示；
设备运行效率可视化步骤：根据各设备的状态数据，计算各设备的效率，并显示第二预设时间段内，各设备的效率；还用于通过综合数据分析，计算最高效率、平均效率以及最低效率，并进行显示；
工人监测步骤：根据生产流水线中工作时间数据和工作失误数据，统计分析工人生产效率和工人安全生产工时；
生产调度步骤：进行生产调度、路径规划和指令解析；根据生产和运输的任务，将在制品从起点运往终点；并负责数据的采集和传输，同时对生产物流系统进行动态监控。
有益效果：设备开机率可视化步骤和设备运行效率可视化步骤，一个是用于计算设备的开机率，一个是用于计算设备的效率，设备的开机率和效率是对设备运行状况的整体反应，便于相关人员掌握设备运行状况，提高车间设备的管理效率。统计分析工人生产效率和工人安全生产工时，便于对工人工作情况进行掌握和调整，生产调度模块对生产的物流进行动态调度，提高企业物流效率。
本发明的目的之三在于提供一种基于多源数据融合的智慧车间存储介质。
本发明提供基础方案三：基于多源数据融合的智慧车间存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现任一项上述基于多源数据融合的智慧车间方法的步骤。
基础方案三的有益效果：基于多源数据融合的智慧车间存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现任一项上述基于多源数据融合的智慧车间方法的步骤，以便于基于多源数据融合的智慧车间方法的应用。
附图说明
图1为本发明基于多源数据融合的智慧车间系统实施例的逻辑结构示意图。
具体实施方式
下面通过具体实施方式进一步详细说明：
实施例一
本实施例基本如附图1所示：基于多源数据融合的智慧车间系统，包括：车间数据采集子系统、云分布式存储子系统和数据分析子系统；
车间数据采集子系统，用于采集车间内不同来源的多源数据，且对采集的多源数据提供OPC UA服务访问接口，以方便SCADA、MES、ERP等异构系统网络中对数据访问，防止异构网络不互通互联，从而提高数据开放性；其中多源数据包括：车间设备数据和工人管理数据；车间设备数据包括：设备流水线位置流动信息数据、观测设备运转的状态数据和影响流水线生产效率的调度数据；其中设备流水线位置流动信息数据为生产物流系统进行动态监控的数据；状态数据包括但不限于：异常状态预警信息、设备故障信息、设备故障时间、各设备的当前使用时长、各设备的处于开机状态的时间、各设备的运行时间、各设备实际进行加工的时间、各设备生成合格品的工作时间；调度数据为调度子模块产生的数据，例如：生产调度的数据和路径规划的数据；工人管理数据包括：生产流水线中工作时间数据和工作失误数据；其中工作时间数据即工人的工作时间；工作失误数据包括：设备故障时间内工人的工作时间。
本实施例中车间数据采集子系统通过先进传感器和物联网平台构建，先进传感器和车间内各设备连接，获取设备以及PLC系统的多源数据，传输给物联网平台；所述物联网平台将多源数据进行预处理，并上传到云分布式存储子系统中；OPC UA服务接口是基于node-opcua模块开发，利用了node.js的异步特性，可创建实时响应的OPC UA服务接口应用程序。OPC服务启动流程先通过服务初始化配置，然后对车间、设备信息模型定义，并根据车间、设备信息模型定义各模型属性，读取数据库里车间和设备信息，依据数据库车间、设备信息和采集系统采集到的实时信息，实例化车间和设备对象，最后启动OPC UA服务，等待采集系统、SCADA、MES、ERP等异构系统对车间数据访问、数据更新等。
云分布式存储子系统，用于对车间数据采集子系统采集的多源数据进行加密存储；采用现有数据加密技术进行加密；本实施例中根据数字车间数据存储与管理需求，云分布式存储子系统选择使用开源的非关系型的MongoDB数据库开展数据存储与管理任务。MongoDB适合数据量大、数据模型无法确认、需要对接多个数据源等的场景，可满足数字车间数据存储与管理需求。此外云分布存储子系统中还采用数据加密技术、密文检索技术、数据筛选技术和数据完整性验证技术，数据加密技术允许用户将数据以加密形式存储在云分布式存储子系统，保护用户数据隐私；密文检索技术使得云分布式存储子系统可向用户提供基于数据密文的检索,而无需在检索前对数据进行解密；数据筛选技术既可以节省网络带宽也提高了云分布式存储子系统的存储效率；数据完整性验证技术为用户提供了验证其云端数据完整性的便捷方案,同时还可提供一定程度的数据恢复。
数据分析子系统，用于对云分布式存储子系统中的多源数据进行清洗、融合和归一化处理，对处理后的多源数据进行数据挖掘，提取多源数据中的有效信息，进行分析和可视化处理；其中清洗为删除数据中的无效数据和缺失数据，融合在一定准则下对数据加以自动分析和综合，归一化处理采用数据标准化方法；有效信息为其他模块能使用的信息，例如：设备故障信息中包含设备的哪几个器件故障，可以根据几个器件的位置获取隐含的信息，比如是哪个大的部件故障，从而故障的器件和故障的部件为有效信息。
具体地，数据分析子系统，包括：异常状态预警模块、健康状态监测模块、状态大数据画像模块、开机率和运行效率分析模块、工人监测模块和生产调度模块；
异常状态预警模块，统计车间设备的异常状态预警信息，并根据选择时间段显示选择时间段内的异常状态预警信息；
健康状态监测模块，包括：故障诊断子模块和寿命预测子模块；
故障诊断子模块，用于根据多元数据中的有效信息，即状态数据中的设备故障信息，采用诊断模型对设备进行故障诊断，并可视化显示故障诊断结果，包括：根据多元数据中的有效信息，判断设备属于各类别故障的概率，提取概率值最高的故障类别作为该设备的故障类别，并显示该设备的故障类别。本实施例中采用诊断模型对设备进行故障诊断，包括基于深度小样本学习的设备故障诊断方法和复杂工况下基于元学习的小样本轴承故障诊断方法；其中基于深度小样本学习的设备故障诊断方法具体为：针对数字车间设备数据融合与分析在设备故障诊断应用中通常很难获得足够的样本来训练融合分析算法模型以保证模型的鲁棒性及泛化能力的难点，提出并采用融合小样本学习的设备故障诊断深度神经网络模型，融合小样本学习的诊断模型不仅有效提升了模型在小数据集或者非平衡数据集里训练的模型算法的准确性，同时也保证了算法模型的鲁棒性及泛化能力，例如：轴承故障诊断的few-shot学习基于one-shot学习的多种应用，训练模型的输入是具有相同或不同类别标签的样本对的集合，训练模型的输出是判断该对是否属于相同或不同类别的概率距离。复杂工况下基于元学习的小样本轴承故障诊断方法具体为：针对实际生产中面临的复杂工况及有限样本问题，采用一种复杂工况下基于元学习的小样本轴承故障诊断方法(MLFD)。MLFD模型与传统模型不同，它基于与模型无关的元学习(MAML)框架，并具有学习跨相关任务学习的能力。具体来说，将从不同工作条件收集的轴承振动信号转换为时频图像，根据元学习框架的协议利用时频图像构建任务。MLFD通过从元训练阶段多个已知工况中学习先验知识，并利用该知识实现元测试阶段新环境下小样本的快速准确诊断。
寿命预测子模块，用于采用回归分析，通过计算退化率以及设备的额定寿命来分析设备的剩余寿命，并显示预测的剩余寿命；本实施例中采用基于深度迁移学习的设备寿命预测，具体为：寿命预测的BLSTM深度神经网络的迁移学习数据融合方法框架，通过深度迁移学习融合方法对不同工况下的数据迁移融合，运用已有大量相关的不同工况或不同种类的各种故障数据学到的相关知识来辅助学习少量新的工况或种类的新知识，充分利用相关的设备采集运行故障数据，有效缓解难以获取高质量以及海量的设备运行故障数据的问题，可更好更快地完成设备的故障诊断和剩余使用寿命预测。其框架由两个长短期记忆(BLSTM)网络组成，上半部分算法网络模型先通过大量源数据来训练模型参数，然后在下半部分算法网络模型中通过使用少量目标数据来进一步微调训练模型参数，使用的源数据与目标数据通常是不同工况但特征相似的数据。此外健康状态监测模块还可以采用设备综合效能(OEE)指标进行各设备的效率计算，包括：
OEE＝AE×PE×QE×100％
其中，AE为可用性效率，
PE为绩效效率，
QE为合格品率，
T运行为设备运行时间；
T开机为设备处于开机状态的时间；
T实际为设备实际进行加工的时间；
T合格为设备生成合格品的工作时间；
状态大数据画像模块，用于显示第一预设时间段内，按时间分布的设备的异常状态和健康状态，从而避免设备的状态多数据孤立，通过状态大数据画像对各设备的数据进行整体展示，有利于管理人员更好的抓住设备状态的分布情况；
开机率和运行效率分析模块，包括：设备开机率可视化子模块和设备运行效率可视化子模块；
设备开机率可视化子模块，用于根据各设备的观测设备运转的状态数据，计算各设备的开机率，开机率为预设单位时间内的设备处于开机状态的时间，并进行可视化显示；
设备运行效率可视化子模块，用于根据各设备的观测设备运转的状态数据，计算各设备的效率，并显示第二预设时间段内，各设备的效率；还用于通过综合数据分析，计算最高效率、平均效率以及最低效率，并进行显示；设备的效率等于设备实际进行加工的时间除以设备处于开机状态的时间；
工人监测模块，用于根据生产流水线中工作时间数据和工作失误数据，统计分析工人生产效率和工人安全生产工时；工人生产效率
生产调度模块，包括：调度子模块、监控子模块和执行子模块；
调度子模块，用于生产调度、路径规划和指令解析，并下发生产和运输的任务到执行子模块；
执行子模块，用于接收来自调度层的任务，将在制品从起点运往终点；
监控子模块，用于负责数据的采集和传输，同时对生产物流系统进行动态监控。
本系统实现车间数据的采集、存储、分析和可视化的一体化，降低企业转型升级成本，促进企业的智能转型升级。
实施例二
本实施例与上述实施例基本相同，区别在于：寿命预测子模块，还用于获取设备的预测总寿命，其中预测总寿命等于设备已使用时间加上预测的剩余寿命；
健康状态监测模块还包括：寿命监测子模块；
寿命监测子模块，用于监测设备的实际使用寿命；
数据分析子系统，还包括运行分析模块；
运行分析模块，用于判断设备的实际使用寿命是否大于等于预测总寿命，若是，则调取该设备的异常状态预警信息、故障诊断结果、工作时间数据和工人安全生产工时；根据调取结果，进行运行情况分析；具体地，根据获取的异常状态预警信息的条数，获取设备异常的概率，设备异常的概率为预设单位时间内设备异常的次数；
根据故障诊断结果，判断故障原因是否为人为原因，若是，则记录人为原因的故障诊断结果，获取人为原因的故障诊断结果次数；例如：设备故障是因为开合次数过多，则是日常使用的原因，不是认为原因，但是设备故障是因为每次开合的工人用力过大，则故障原因是人为原因；
根据工作时间数据和工人安全生产工时，计算工人安全生产概率，具体地，工人安全生产概率为工人安全生产工时除以工作时间数据；
根设备异常的概率、人为原因的故障诊断结果次数和工人安全生产概率对工人的工作进行综合评价，获得综合评价分值；具体地，先分别将设备异常的概率、人为原因的故障诊断结果次数和工人安全生产概率进行排序，根据排序结果设置对应的分值，设备异常的概率越高对应分值越低，人为原因的故障诊断结果次数越高对应分值越低，工人安全生产概率越高对应分值越高；将设备异常的概率、人为原因的故障诊断结果次数和工人安全生产概率对应的分值相加获得综合评价分值，从而对工人的工作情况进行多方位考量评价，管理层可以选择综合评价分值最高的工人给其他工人分享工作经验，以提升其他工人的工作水平，其他工人工作水平提高后，可以在一定程度上延长设备的寿命；
若否，则调取该设备的故障诊断结果；根据故障诊断结果，判断故障原因是否为人为原因，若是，则记录人为原因的故障诊断结果，获取人为原因的故障诊断结果占比；例如：设备故障是因为开合次数过多，则是日常使用的原因，不是认为原因，但是设备故障是因为每次开合的工人用力过大，则故障原因是人为原因；
判断人为原因的故障诊断结果占比是否大于预设比值，若是，则获取操作该设备的工人信息，推送给管理层的终端；若否，则该设备的所有故障诊断结果，推送给管理层的终端；从而简单判断设备的实际使用寿命小于预测总寿命的原因认为原因还是设备原因，以便于管理层对工人或者设备进行对应的调整，提升车间生产效率。
实施例三
本实施例提供一种基于多源数据融合的智慧车间方法，包括：
车间数据采集步骤：采集车间内不同来源的多源数据，且对采集的多源数据提供OPC UA服务访问接口，以方便SCADA、MES、ERP等异构系统网络中对数据访问，防止异构网络不互通互联，从而提高数据开放性；其中多源数据包括：车间设备数据和工人管理数据；车间设备数据包括：设备流水线位置流动信息数据、观测设备运转的状态数据和影响流水线生产效率的调度数据；工人管理数据包括：生产流水线中工作时间数据和工作失误数据。
云分布式存储步骤：对车间数据采集子系统采集的多源数据进行加密云分布式存储；本实施例中根据数字车间数据存储与管理需求，采用开源的非关系型的MongoDB数据库进行加密云分布式存储。MongoDB适合数据量大、数据模型无法确认、需要对接多个数据源等的场景，可满足数字车间数据存储与管理需求。此外云分布存储步骤中还采用数据加密技术、密文检索技术、数据筛选技术和数据完整性验证技术，数据加密技术允许用户将数据以加密形式存储在云分布式存储子系统，保护用户数据隐私；密文检索技术使得云分布式存储子系统可向用户提供基于数据密文的检索,而无需在检索前对数据进行解密；数据筛选技术既可以节省网络带宽也提高了云分布式存储子系统的存储效率；数据完整性验证技术为用户提供了验证其云端数据完整性的便捷方案,同时还可提供一定程度的数据恢复。
数据分析步骤：对云分布式存储子系统中的多源数据进行清洗、融合和归一化处理，对处理后的多源数据进行数据挖掘，提取多源数据中的有效信息，进行分析和可视化处理。
数据分析步骤，包括：
异常状态预警步骤：统计车间设备的异常状态预警信息，并根据选择时间段显示选择时间段内的异常状态预警信息；
健康状态监测步骤，包括：故障诊断步骤和寿命预测步骤；
故障诊断步骤：根据多元数据中的有效信息，即状态数据，采用诊断模型对设备进行故障诊断，并可视化显示故障诊断结果，包括：根据多元数据中的有效信息，判断设备属于各类别故障的概率，提取概率值最高的故障类别作为该设备的故障类别，并显示该设备的故障类别；本实施例中采用诊断模型对设备进行故障诊断，包括基于深度小样本学习的设备故障诊断方法和复杂工况下基于元学习的小样本轴承故障诊断方法；其中基于深度小样本学习的设备故障诊断方法具体为：针对数字车间设备数据融合与分析在设备故障诊断应用中通常很难获得足够的样本来训练融合分析算法模型以保证模型的鲁棒性及泛化能力的难点，提出并采用融合小样本学习的设备故障诊断深度神经网络模型，融合小样本学习的诊断模型不仅有效提升了模型在小数据集或者非平衡数据集里训练的模型算法的准确性，同时也保证了算法模型的鲁棒性及泛化能力，例如：轴承故障诊断的few-shot学习基于one-shot学习的多种应用，训练模型的输入是具有相同或不同类别标签的样本对的集合，训练模型的输出是判断该对是否属于相同或不同类别的概率距离。复杂工况下基于元学习的小样本轴承故障诊断方法具体为：针对实际生产中面临的复杂工况及有限样本问题，提出了一种复杂工况下基于元学习的小样本轴承故障诊断方法(MLFD)。MLFD模型与传统模型不同，它基于与模型无关的元学习(MAML)框架，并具有学习跨相关任务学习的能力。具体来说，将从不同工作条件收集的轴承振动信号转换为时频图像，根据元学习框架的协议利用时频图像构建任务。MLFD通过从元训练阶段多个已知工况中学习先验知识，并利用该知识实现元测试阶段新环境下小样本的快速准确诊断。
寿命预测步骤：采用回归分析，通过计算退化率以及设备的额定寿命来分析设备的剩余寿命，并显示预测的剩余寿命；本实施例中采用基于深度迁移学习的设备寿命预测，具体为：用于寿命预测的BLSTM深度神经网络的迁移学习数据融合方法框架，通过深度迁移学习融合方法对不同工况下的数据迁移融合，运用已有大量相关的不同工况或不同种类的各种故障数据学到的相关知识来辅助学习少量新的工况或种类的新知识，充分利用相关的设备采集运行故障数据，有效缓解难以获取高质量以及海量的设备运行故障数据的问题，可更好更快地完成设备的故障诊断和剩余使用寿命预测。其框架由两个长短期记忆(BLSTM)网络组成，上半部分算法网络模型先通过大量源数据来训练模型参数，然后在下半部分算法网络模型中通过使用少量目标数据来进一步微调训练模型参数，使用的源数据与目标数据通常是不同工况但特征相似的数据。
状态大数据画像步骤：显示第一预设时间段内，按时间分布的设备的异常状态和健康状态，从而避免设备的状态多数据孤立，通过状态大数据画像对各设备的数据进行整体展示，有利于管理人员更好的抓住设备状态的分布情况；
开机率和运行效率分析步骤，包括：设备开机率可视化步骤和设备运行效率可视化步骤；
设备开机率可视化步骤：根据各设备的观测设备运转的状态数据，计算各设备的开机率，并进行可视化显示；
设备运行效率可视化步骤：根据各设备的观测设备运转的状态数据，计算各设备的效率，并显示第二预设时间段内，各设备的效率；还用于通过综合数据分析，计算最高效率、平均效率以及最低效率，并进行显示；
工人监测步骤：根据生产流水线中工作时间数据和工作失误数据，统计分析工人生产效率和工人安全生产工时；
生产调度步骤：进行生产调度、路径规划和指令解析；根据生产和运输的任务，将在制品从起点运往终点；并负责数据的采集和传输，同时对生产物流系统进行动态监控。
本方法实现车间数据的采集、存储、分析和可视化的一体化，降低企业转型升级成本，促进企业的智能转型升级。且本方法的各步骤可独立进行。
上述基于多源数据融合的智慧车间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，可以存储在一个可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过程序来指令相关的硬件来完成，程序可存储于一可读存储介质中，该程序在被处理器执行时，可实现上述方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
实施例四
本实施例与上述实施例基本相同，区别在于：寿命预测步骤，还包括获取设备的预测总寿命，其中预测总寿命等于设备已使用时间加上预测的剩余寿命；
健康状态监测步骤还包括：寿命监测步骤；
寿命监测步骤，监测设备的实际使用寿命；
数据分析步骤，还包括运行分析步骤；
运行分析步骤，判断设备的实际使用寿命是否大于等于预测总寿命，若是，则调取该设备的异常状态预警信息、故障诊断结果、工作时间数据和工人安全生产工时；根据调取结果，进行运行情况分析；具体地，根据获取的异常状态预警信息的条数，获取设备异常的概率，设备异常的概率为预设单位时间内设备异常的次数；
根据故障诊断结果，判断故障原因是否为人为原因，若是，则记录人为原因的故障诊断结果，获取人为原因的故障诊断结果次数；例如：设备故障是因为开合次数过多，则是日常使用的原因，不是认为原因，但是设备故障是因为每次开合的工人用力过大，则故障原因是人为原因；
根据工作时间数据和工人安全生产工时，计算工人安全生产概率，具体地，工人安全生产概率为工人安全生产工时除以工作时间数据；
根设备异常的概率、人为原因的故障诊断结果次数和工人安全生产概率对工人的工作进行综合评价，获得综合评价分值；具体地，先分别将设备异常的概率、人为原因的故障诊断结果次数和工人安全生产概率进行排序，根据排序结果设置对应的分值，设备异常的概率越高对应分值越低，人为原因的故障诊断结果次数越高对应分值越低，工人安全生产概率越高对应分值越高；将设备异常的概率、人为原因的故障诊断结果次数和工人安全生产概率对应的分值相加获得综合评价分值，从而对工人的工作情况进行多方位考量评价，管理层可以选择综合评价分值最高的工人给其他工人分享工作经验，以提升其他工人的工作水平，其他工人工作水平提高后，可以在一定程度上延长设备的寿命；
若否，则调取该设备的故障诊断结果；根据故障诊断结果，判断故障原因是否为人为原因，若是，则记录人为原因的故障诊断结果，获取人为原因的故障诊断结果占比；例如：设备故障是因为开合次数过多，则是日常使用的原因，不是认为原因，但是设备故障是因为每次开合的工人用力过大，则故障原因是人为原因；
判断人为原因的故障诊断结果占比是否大于预设比值，若是，则获取操作该设备的工人信息，推送给管理层的终端；若否，则该设备的所有故障诊断结果，推送给管理层的终端；从而简单判断设备的实际使用寿命小于预测总寿命的原因认为原因还是设备原因，以便于管理层对工人或者设备进行对应的调整，提升车间生产效率。
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (10)
1.基于多源数据融合的智慧车间系统，其特征在于：包括：
车间数据采集子系统，用于采集车间内不同来源的多源数据，且对采集的多源数据提供OPC UA服务访问接口；
云分布式存储子系统，用于对车间数据采集子系统采集的多源数据进行加密存储；
数据分析子系统，用于对云分布式存储子系统中的多源数据进行清洗、融合和归一化处理，对处理后的多源数据进行数据挖掘，提取多源数据中的有效信息，进行分析和可视化处理。
2.根据权利要求1所述的基于多源数据融合的智慧车间系统，其特征在于：所述多源数据包括：车间设备数据和工人管理数据；
所述车间设备数据包括：设备流水线位置流动信息数据、观测设备运转的状态数据和影响流水线生产效率的调度数据；
所述工人管理数据包括：生产流水线中工作时间数据和工作失误数据。
3.根据权利要求2所述的基于多源数据融合的智慧车间系统，其特征在于：所述数据分析子系统，包括：异常状态预警模块、健康状态监测模块和状态大数据画像模块；
异常状态预警模块，统计车间设备的异常状态预警信息，并根据选择时间段显示选择时间段内的异常状态预警信息；
健康状态监测模块，包括：故障诊断子模块和寿命预测子模块；
故障诊断子模块，用于根据状态数据，采用诊断模型对设备进行故障诊断，并可视化显示故障诊断结果，包括：根据多元数据中的有效信息，判断设备属于各类别故障的概率，提取概率值最高的故障类别作为该设备的故障类别，并显示该设备的故障类别；
寿命预测子模块，用于采用回归分析，通过计算退化率以及设备的额定寿命来分析设备的剩余寿命，并显示预测的剩余寿命；
状态大数据画像模块，用于显示第一预设时间段内，按时间分布的设备的异常状态和健康状态。
4.根据权利要求2所述的基于多源数据融合的智慧车间系统，其特征在于：所述数据分析子系统，还包括：开机率和运行效率分析模块；
开机率和运行效率分析模块，包括：设备开机率可视化子模块和设备运行效率可视化子模块；
设备开机率可视化子模块，用于根据各设备的状态数据，计算各设备的开机率，并进行可视化显示；
设备运行效率可视化子模块，用于根据各设备的状态数据，计算各设备的效率，并显示第二预设时间段内，各设备的效率；还用于通过综合数据分析，计算最高效率、平均效率以及最低效率，并进行显示。
5.根据权利要求2所述的基于多源数据融合的智慧车间系统，其特征在于：所述数据分析子系统，还包括：工人监测模块和生产调度模块；
工人监测模块，用于根据生产流水线中工作时间数据和工作失误数据，统计分析工人生产效率和工人安全生产工时；
生产调度模块，包括：调度子模块、监控子模块和执行子模块；
调度子模块，用于生产调度、路径规划和指令解析，并下发生产和运输的任务到执行子模块；
执行子模块，用于接收来自调度层的任务，将在制品从起点运往终点；
监控子模块，用于负责数据的采集和传输，同时对生产物流系统进行动态监控。
6.基于多源数据融合的智慧车间方法，其特征在于：包括如下内容：
车间数据采集步骤：采集车间内不同来源的多源数据，且对采集的多源数据提供OPCUA服务访问接口；
云分布式存储步骤：对车间数据采集子系统采集的多源数据进行加密云分布式存储；
数据分析步骤：对云分布式存储子系统中的多源数据进行清洗、融合和归一化处理，对处理后的多源数据进行数据挖掘，提取多源数据中的有效信息，进行分析和可视化处理。
7.根据权利要求6所述的基于多源数据融合的智慧车间方法，其特征在于：所述多源数据包括：车间设备数据和工人管理数据；
所述车间设备数据包括：设备流水线位置流动信息数据、观测设备运转的状态数据和影响流水线生产效率的调度数据；
所述工人管理数据包括：生产流水线中工作时间数据和工作失误数据。
8.根据权利要求7所述的基于多源数据融合的智慧车间方法，其特征在于：所述数据分析步骤，包括：
异常状态预警步骤：统计车间设备的异常状态预警信息，并根据选择时间段显示选择时间段内的异常状态预警信息；
健康状态监测步骤，包括：故障诊断步骤和寿命预测步骤；
故障诊断步骤：根据状态数据，采用诊断模型对设备进行故障诊断，并可视化显示故障诊断结果，包括：根据多元数据中的有效信息，判断设备属于各类别故障的概率，提取概率值最高的故障类别作为该设备的故障类别，并显示该设备的故障类别；
寿命预测步骤：采用回归分析，通过计算退化率以及设备的额定寿命来分析设备的剩余寿命，并显示预测的剩余寿命；
状态大数据画像步骤：显示第一预设时间段内，按时间分布的设备的异常状态和健康状态。
9.根据权利要求7所述的基于多源数据融合的智慧车间方法，其特征在于：所述数据分析步骤，还包括：
开机率和运行效率分析步骤，包括：设备开机率可视化步骤和设备运行效率可视化步骤；
设备开机率可视化步骤：根据各设备的状态数据，计算各设备的开机率，并进行可视化显示；
设备运行效率可视化步骤：根据各设备的状态数据，计算各设备的效率，并显示第二预设时间段内，各设备的效率；还用于通过综合数据分析，计算最高效率、平均效率以及最低效率，并进行显示；
工人监测步骤：根据生产流水线中工作时间数据和工作失误数据，统计分析工人生产效率和工人安全生产工时；
生产调度步骤：进行生产调度、路径规划和指令解析；根据生产和运输的任务，将在制品从起点运往终点；并负责数据的采集和传输，同时对生产物流系统进行动态监控。
10.基于多源数据融合的智慧车间存储介质，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上述权利要求6至9任一项的基于多源数据融合的智慧车间方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111589570.5A CN114265891A (zh) | 2021-12-23 | 2021-12-23 | 基于多源数据融合的智慧车间系统、方法及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111589570.5A CN114265891A (zh) | 2021-12-23 | 2021-12-23 | 基于多源数据融合的智慧车间系统、方法及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114265891A true CN114265891A (zh) | 2022-04-01 |
Family
ID=80829197
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111589570.5A Pending CN114265891A (zh) | 2021-12-23 | 2021-12-23 | 基于多源数据融合的智慧车间系统、方法及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114265891A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114781888A (zh) * | 2022-04-28 | 2022-07-22 | 广州高专资讯科技有限公司 | 一种机器生产数据的处理方法、装置、设备及存储介质 |
-
2021
- 2021-12-23 CN CN202111589570.5A patent/CN114265891A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114781888A (zh) * | 2022-04-28 | 2022-07-22 | 广州高专资讯科技有限公司 | 一种机器生产数据的处理方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | Literature review and prospect of the development and application of FMEA in manufacturing industry | |
| Saldivar et al. | Self-organizing tool for smart design with predictive customer needs and wants to realize Industry 4.0 | |
| US7827122B1 (en) | Data mining of unfiltered controller data | |
| CN110633855A (zh) | 一种桥梁健康状态检测与管养决策系统及方法 | |
| KR101825881B1 (ko) | 빅 데이터 분석을 이용한 제조 공정 관리 방법 및 이를 이용한 제조 공정 관리 시스템 | |
| KR20180108446A (ko) | Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 | |
| US11409962B2 (en) | System and method for automated insight curation and alerting | |
| Subramaniyan et al. | Artificial intelligence for throughput bottleneck analysis–State-of-the-art and future directions | |
| Friederich et al. | Towards data-driven reliability modeling for cyber-physical production systems | |
| CN115858226A (zh) | 基于人工智能的智能运维系统 | |
| US20230123527A1 (en) | Distributed client server system for generating predictive machine learning models | |
| JP2023547849A (ja) | ラベルなしセンサデータを用いた産業システム内の稀な障害の自動化されたリアルタイムの検出、予測、及び予防に関する、方法または非一時的コンピュータ可読媒体 | |
| CN114265891A (zh) | 基于多源数据融合的智慧车间系统、方法及存储介质 | |
| Pashami et al. | Explainable predictive maintenance | |
| EP4111280A1 (en) | Method for at least partially decentralized calculation of the state of health of at least one wind turbine | |
| Rodrigues et al. | Using prognostic system and decision analysis techniques in aircraft maintenance cost-benefit models | |
| Ariansyah et al. | Enhancing interoperability of digital twin in the maintenance phase of lifecycle | |
| Merkt | Predictive models for maintenance optimization: an analytical literature survey of industrial maintenance strategies | |
| CN113807704A (zh) | 一种城市轨道交通数据的智能算法平台构建方法 | |
| Lin et al. | Design and implementation of a CPS‐based predictive maintenance and automated management platform | |
| Sharma et al. | The fundamentals and strategies of maintenance, repair, and overhaul (MRO) in Industry 4.0 | |
| Turkoglu et al. | Application of data mining in failure estimation of cold forging machines: An industrial research | |
| Martins et al. | Predictive Maintenance of Mining Machines Applying Advanced Data Analysis | |
| Castro-Puma et al. | Automatic learning algorithm for troubleshooting in hydraulic machinery | |
| Helgo | Deep Learning and Machine Learning Algorithms for Enhanced Aircraft Maintenance and Flight Data Analysis |
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 |