CN114612262B - 一种智能制造工业物联网系统及控制方法 - Google Patents

一种智能制造工业物联网系统及控制方法 Download PDF

Info

Publication number
CN114612262B
CN114612262B CN202210454373.0A CN202210454373A CN114612262B CN 114612262 B CN114612262 B CN 114612262B CN 202210454373 A CN202210454373 A CN 202210454373A CN 114612262 B CN114612262 B CN 114612262B
Authority
CN
China
Prior art keywords
data
production
platform
server
product
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
Application number
CN202210454373.0A
Other languages
English (en)
Other versions
CN114612262A (zh
Inventor
邵泽华
向海堂
李勇
权亚强
刘彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Qinchuan IoT Technology Co Ltd
Original Assignee
Chengdu Qinchuan IoT Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Qinchuan IoT Technology Co Ltd filed Critical Chengdu Qinchuan IoT Technology Co Ltd
Priority to CN202210454373.0A priority Critical patent/CN114612262B/zh
Publication of CN114612262A publication Critical patent/CN114612262A/zh
Priority to US17/807,720 priority patent/US11619928B1/en
Application granted granted Critical
Publication of CN114612262B publication Critical patent/CN114612262B/zh
Priority to US18/171,395 priority patent/US11953886B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
    • 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]
    • G05B19/41835—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 programme execution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/25—Manufacturing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/20—Information sensed or collected by the things relating to the thing itself
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/30—Control
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • 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
    • G05B2219/31368—MAP manufacturing automation protocol
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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]
    • 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)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Manufacturing & Machinery (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Automation & Control Theory (AREA)
  • Primary Health Care (AREA)
  • Accounting & Taxation (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本发明公开了一种智能制造工业物联网系统及控制方法，包括：用户平台，交互于用户；服务平台从管理平台中提取处理用户平台需要的信息，并发送至用户平台；管理平台控制对象平台运行，并接收对象平台的反馈数据；传感网络平台用于对象平台和管理平台交互；对象平台为执行制造的生产线设备和生产线传感器；服务平台、管理平台和传感网络平台均采用集中式布置。本发明适用于生产线相对简单，生产流程不太复杂的智能制造企业，服务平台和管理平台对应的服务器可以集中处理整个生产线上的所有的数据内容，传感网络平台也可以统一对数据进行传输，架构简单，可以适用于很大一类的智能制造生产线，适用性较强。

Description

一种智能制造工业物联网系统及控制方法
技术领域
本发明涉及智能制造技术，具体涉及一种智能制造工业物联网系统及控制方法。
背景技术
智能制造（Intelligent Manufacturing，IM）是一种由智能机器和人类专家共同组成的人机一体化智能系统，它在制造过程中能进行智能活动，诸如分析、推理、判断、构思和决策等。通过人与智能机器的合作共事，去扩大、延伸和部分地取代人类专家在制造过程中的脑力劳动。它把制造自动化的概念更新，扩展到柔性化、智能化和高度集成化。
现有技术对于智能制造技术的研究，主要停留在对单一项目的研究，比如某种产品生产线或者生产节点的控制，缺乏普遍的适用性，容易造成重复开发。
发明内容
本发明所要解决的技术问题是现有技术对于智能制造的研究是针对于具体的产品生产线或生产节点进行的，缺乏普遍的适用性，目的在于提供一种智能制造工业物联网系统及控制方法，解决上述问题。
本发明通过下述技术方案实现：
在一个方面：
一种智能制造工业物联网系统，包括：依次交互的用户平台、服务平台、管理平台、传感网络平台和对象平台；其中：
用户平台，被配置为终端设备，且交互于用户；
服务平台，被配置为第一服务器，接收所述用户平台的指令并发送至所述管理平台，且从所述管理平台中提取处理所述用户平台需要的信息，并发送至所述用户平台；
管理平台，被配置为第二服务器，且控制所述对象平台运行，并接收所述对象平台的反馈数据；
传感网络平台，被配置为通信网络和网关，用于所述对象平台和所述管理平台交互；
对象平台，被配置为执行制造的生产线设备和生产线传感器；
所述服务平台、所述管理平台和所述传感网络平台均采用集中式布置；所述集中式布置是指任意一个平台统一接收数据、统一处理数据和统一发送数据；
当所述终端设备根据所述用户的指令修改生产线参数时，生成第一指令并将所述第一指令发送至所述第一服务器；
所述第一服务器对所述第一指令进行处理生成用于所述第二服务器识别的第二指令并发送至所述第二服务器；
所述第二服务器根据所述第二指令对存储于所述第二服务器的工单参数进行修改，并根据修改后的工单参数生成第三指令；
所述第二服务器通过所述传感网络平台将所述第三指令发送至所述对象平台时，所述对象平台根据所述第三指令执行制造和采集生产线数据。
进一步的，所述对象平台将采集到的生产线数据通过所述传感网络平台发送至所述第二服务器形成生产线数据库；
所述第一服务器根据预先设置的规则或所述终端设备的请求，从所述生产线数据库中提取对应的数据并发送至所述终端设备；
所述终端设备将接收到的数据向用户展示。
进一步的，所述第二服务器在所述对象平台生产过程中遍历所述生产线数据库，并从所述生产线数据库中提取每个产品生产中的各生产环节的数据作为对应所述产品的生产周期数据；
所述第二服务器将每个产品的所述生产周期数据与该产品的合格情况建立映射关系形成样本数据；
所述第二服务器采用支持向量机对所述样本数据进行分类生成二元分类器；所述二元分类器的输入数据为所述生产周期数据，所述二元分类器的输出数据为产品是否合格；
当新完成一个产品的生产周期时，所述第二服务器将该产品的所述生产周期数据输入所述二元分类器，并根据所述二元分类器的输出结果判断该产品是否合格。
进一步的，所述工单参数以参数表的形式存储于所述第二服务器；所述参数表为参数名称与参数值的对应关系；所述参数表还配置有各参数之间的关联关系；
当所述第二服务器接收到所述第二指令时，从所述第二指令中提取需要修改的参数的参数名称，并根据所述参数名称从所述参数表中遍历检索出该参数所有的所述关联关系对应的参数形成关联参数集；
所述第二服务器根据所述第二指令中所述参数名称对应的参数数值对所述关联参数集中的参数进行修改，并检测所述关联参数集中的参数是否超过其对应的预设值；
如果所述关联参数集中任意参数不在对应预设值范围内，所述第二服务器拒绝本次参数修改，并将参数数值进行回滚；
所述第二服务器在拒绝本次参数修改后通过所述第一服务器向所述终端设备反馈信息数据。
进一步的，如果所述关联参数集中任意参数均在对应预设值范围内时，所述第二服务器根据所述关联参数集修改所述参数表，并生成组态文件通过所述传感网络平台下发至所述对象平台。
进一步的，针对产品的生产周期内的每一个生产环节，所述对象平台还用于：
基于第一采集频率采集该生产环节的生产环节数据，所述生产环节数据包括该生产环节的产品数据、设备运转参数以及设备监控数据；
所述第二服务器还用于：
根据异常判定模型对所述生产环节数据进行处理，确定该生产环节对应的设备是否存在异常。
进一步的，所述异常判定模型包括依次连接的生产特征提取层与设备异常判断层，所述第二服务器还用于：
通过所述生产特征提取层对生产环节数据序列进行处理，确定所述生产环节对应的设备的生产特征向量，所述生产环节数据序列包括多个时间点的所述生产环节数据；
通过所述设备异常判断层对所述生产特征向量进行处理，得到所述生产环节对应的设备是否存在异常的判断结论。
进一步的，所述判断结论包括所述生产环节对应的设备是否存在异常的判断结果及其置信度，当所述置信度小于阈值时，所述第二服务器还用于：
将所述对象平台的所述第一采集频率调整为第二采集频率，所述第二采集频率高于所述第一采集频率。
在一个方面：
一种智能制造工业物联网控制方法，应用于依次交互的用户平台、服务平台、管理平台、传感网络平台和对象平台；其中：
用户平台，被配置为终端设备，且交互于用户；
服务平台，被配置为第一服务器，接收所述用户平台的指令并发送至所述管理平台，且从所述管理平台中提取处理所述用户平台需要的信息，并发送至所述用户平台；
管理平台，被配置为第二服务器，且控制所述对象平台运行，并接收所述对象平台的反馈数据；
传感网络平台，被配置为通信网络和网关，用于所述对象平台和所述管理平台交互；
对象平台，被配置为执行制造的生产线设备和生产线传感器；
所述服务平台、所述管理平台和所述传感网络平台均采用集中式布置；所述集中式布置是指任意一个平台统一接收数据、统一处理数据和统一发送数据；
所述方法包括：
当所述终端设备根据所述用户的指令修改生产线参数时，生成第一指令并将所述第一指令发送至所述第一服务器；
所述第一服务器对所述第一指令进行处理生成用于所述第二服务器识别的第二指令并发送至所述第二服务器；
所述第二服务器根据所述第二指令对存储于所述第二服务器的工单参数进行修改，并根据修改后的工单参数生成第三指令；
所述第二服务器通过所述传感网络平台将所述第三指令发送至所述对象平台器时，所述对象平台根据所述第三指令执行制造和采集生产线数据。
进一步的，还包括：
所述对象平台将采集到的生产线数据通过所述传感网络平台发送至所述第二服务器形成生产线数据库；
所述第一服务器根据预先设置的规则或所述终端设备的请求，从所述生产线数据库中提取对应的数据并发送至所述终端设备；
所述终端设备将接收到的数据向用户展示。
进一步的，还包括：
所述第二服务器在所述对象平台生产过程中遍历所述生产线数据库，并从所述生产线数据库中提取每个产品生产中的各生产环节的数据作为对应所述产品的生产周期数据；
所述第二服务器将每个产品的所述生产周期数据与该产品的合格情况建立映射关系形成样本数据；
所述第二服务器采用支持向量机对所述样本数据进行分类生成二元分类器；所述二元分类器的输入数据为所述生产周期数据，所述二元分类器的输出数据为产品是否合格；
当新完成一个产品的生产周期时，所述第二服务器将该产品的所述生产周期数据输入所述二元分类器，并根据所述二元分类器的输出结果判断该产品是否合格。
进一步的，所述工单参数以参数表的形式存储于所述第二服务器；所述参数表为参数名称与参数值的对应关系；所述参数表还配置有各参数之间的关联关系；
所述第二服务器根据所述第二指令对存储于所述第二服务器的工单参数进行修改包括：
当所述第二服务器接收到所述第二指令时，从所述第二指令中提取需要修改的参数的参数名称，并根据所述参数名称从所述参数表中遍历检索出该参数所有的所述关联关系对应的参数形成关联参数集；
所述第二服务器根据所述第二指令中所述参数名称对应的参数数值对所述关联参数集中的参数进行修改，并检测所述关联参数集中的参数是否超过其对应的预设值；
如果所述关联参数集中任意参数不在对应预设值范围内，所述第二服务器拒绝本次参数修改，并将参数数值进行回滚；
所述第二服务器在拒绝本次参数修改后通过所述第一服务器向所述终端设备反馈信息数据。
进一步的，所述第二服务器根据所述第二指令对存储于所述第二服务器的工单参数进行修改还包括：
如果所述关联参数集中任意参数均在对应预设值范围内时，所述第二服务器根据所述关联参数集修改所述参数表，并生成组态文件通过所述传感网络平台下发至所述对象平台。
进一步的，所述方法还包括：
针对产品的生产周期内的每一个生产环节，所述对象平台基于第一采集频率采集该生产环节的生产环节数据，所述生产环节数据包括该生产环节的产品数据、设备运转参数以及设备监控数据；
所述第二服务器根据异常判定模型对所述生产环节数据进行处理，确定该生产环节对应的设备是否存在异常。
进一步的，所述异常判定模型包括依次连接的生产特征提取层与设备异常判断层，所述第二服务器根据异常判定模型对生产环节数据进行处理，确定该生产环节对应的设备是否存在异常包括：
通过所述生产特征提取层对生产环节数据序列进行处理，确定所述生产环节对应的设备的生产特征向量，所述生产环节数据序列包括多个时间点的所述生产环节数据；
通过所述设备异常判断层对所述生产特征向量进行处理，得到所述生产环节对应的设备是否存在异常的判断结论。
进一步的，所述判断结论包括所述生产环节对应的设备是否存在异常的判断结果及其置信度，所述方法还包括：
当所述置信度小于阈值时，所述第二服务器将所述对象平台的所述第一采集频率调整为第二采集频率，所述第二采集频率高于所述第一采集频率。
在一个方面：
一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行前述的智能制造工业物联网控制方法。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明一种智能制造工业物联网系统及控制方法，采用了发明人之前所提出的五平台结构的形式进行智能制造工业物联网的搭建，其中每一个平台均有对应的硬件设备，由于其中的服务平台、管理平台和传感网络平台均采用集中式布置，使得本发明很适用于生产线相对简单，生产流程不太复杂的智能制造企业，服务平台和管理平台对应的服务器可以集中处理整个生产线上的所有的数据内容，传感网络平台也可以统一对数据进行传输，架构简单，可以适用于很大一类的智能制造生产线，适用性较强。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本说明书的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本说明书一些实施例所示的智能制造工业物联网架构示意图；
图2为本说明书一些实施例所示的智能制造工业物联网方法步骤示意图；
图3为本说明书一些实施例所示的判断设备是否存在异常的方法步骤示意图；
图4为本说明书一些实施例所示的设备异常判定模型的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例
为了便于对上述的智能制造工业物联网系统进行阐述，请结合参考图1，提供了本发明实施例所公开的一种智能制造工业物联网系统的通信架构示意图。其中，所述一种智能制造工业物联网系统可以包括依次交互的用户平台、服务平台、管理平台、传感网络平台和对象平台，用户平台、服务平台、管理平台、传感网络平台和对象平台依次通信连接。其中：
用户平台，被配置为终端设备，且交互于用户；
服务平台，被配置为第一服务器，接收所述用户平台的指令并发送至所述管理平台，且从所述管理平台中提取处理所述用户平台需要的信息，并发送至所述用户平台；
管理平台，被配置为第二服务器，且控制所述对象平台运行，并接收所述对象平台的反馈数据；
传感网络平台，被配置为通信网络和网关，用于所述对象平台和所述管理平台交互；
对象平台，被配置为执行制造的生产线设备和生产线传感器；
所述服务平台、所述管理平台和所述传感网络平台均采用集中式布置；所述集中式布置是指任意一个平台统一接收数据、统一处理数据和统一发送数据；
当所述终端设备根据所述用户的指令修改生产线参数时，生成第一指令并将所述第一指令发送至所述第一服务器；
所述第一服务器对所述第一指令进行处理生成用于所述第二服务器识别的第二指令并发送至所述第二服务器；
所述第二服务器根据所述第二指令对存储于所述第二服务器的工单参数进行修改，并根据修改后的工单参数生成第三指令；
所述第二服务器通过所述传感网络平台将所述第三指令发送至所述对象平台时，所述对象平台根据所述第三指令执行制造和采集生产线数据。
在具体的实施方式中，用户平台可以是台式电脑、平板电脑、笔记本电脑、手机或者其他能够实现数据处理以及数据通信的电子设备，在此不作过多限定。
在具体的实施方式中，第一服务器和第二服务器可以采用单一服务器，也可以采用服务器集群，在此不作过多限定。应当理解的是，在本说明书的一些实施例中所提到的数据处理过程可以通过服务器的处理器进行处理，而存储在服务器的数据，都可以存储在服务器的存储设备上，如硬盘等存储器。
现有技术中，对于规模比较小的生产线，如果想实现智能制造，那么需要引进诸如PLM、CRM、ERP、MES、WMS、SCADA、WCS等一系列的系统，从而实现数据监控、自动控制等一系列过程，对于生产规模较小的企业来说，支出成本明细过高。
本实施例实施时，采用了发明人之前所提出的五平台结构的形式进行智能制造工业物联网的搭建，其中每一个平台均有对应的硬件设备，由于其中的服务平台、管理平台和传感网络平台均采用集中式布置，使得本发明很适用于生产线相对简单，生产流程不太复杂的智能制造企业，服务平台和管理平台对应的服务器可以集中处理整个生产线上的所有的数据内容，传感网络平台也可以统一对数据进行传输，架构简单，可以适用于很大一类的智能制造生产线，适用性较强。
在本实施例中，形成了一整套从终端设备到生产线设备的指令传输过程，其中：
以终端设备作为用户平台硬件录入用户指令并生成第一指令，以第一服务器对第一指令进行处理生成可以供第二服务器直接进行识别的指令，此处说的处理包括：分类、统一转码、统一协议等处理过程，由于有第一服务器的存在，终端设备可以采用各种设备进行指令下发，并且经过处理后生成的第二指令也大大简化了第二服务器的读取流程。应当理解的是，第二指令应当是一种可以被第二服务器快速读取的数据格式。第二指令采用预先与第二服务器约定好的数据包格式进行包装。
示例的，作为一种实现方式，在第二指令的帧头标注出第二指令所属类型，此处的所属类型包括参数修改、生产启停等各种类型；而在第二指令的帧预定位置标注出修改的主体，如具体修改那个参数。
第二服务器中的存储器存储有此时生产活动的工单，由第二服务器中的处理器依据第二指令对所述工单的工单参数进行修改，修改后的内容由处理器生成新的组态文件下发到具体的生产线设备上。
在本实施例中，由于采用了统一的管理平台，所以所有的数据计算过程由管理平台直接完成，非常便于小型企业进行智能制造工业物联网的搭建，从功能上来说，通过管理平台实现了各种数据处理功能，而不需要重复性的对每一个智能制造软件进行服务器搭建，是一种架构性的创新。
同样的，对于统一的服务平台来说，所有用户平台对应的终端设备均接入服务平台进行数据的统一化，也有利于第一服务器的搭建，简化了数据交互的流程。
同样的，对于统一的传感网络平台来说，所有的对象平台的设备和传感器，通过同一个传感网络平台进行数据的交互，对于不复杂的生产线是有利的，降低了系统的整体复杂度，提高了系统运行的效率。
在一些实施例中，所述对象平台将采集到的生产线数据通过所述传感网络平台发送至所述第二服务器形成生产线数据库；
所述第一服务器根据预先设置的规则或所述终端设备的请求，从所述生产线数据库中提取对应的数据并发送至所述终端设备；
所述终端设备将接收到的数据向用户展示。
本实施例实施时，基于智能制造产业的特点，不同于上一个实施例，上一个实施例主要提供的是数据下行，即从用户平台发出的指令是如何控制对象平台设备工作的；而在本实施例中实现的是数据上行，生产线数据包括传感器检测到的数据、生产产品的质检数据、生产线的生产数量等，这些数据在第二服务器进行汇总后，由第一服务器进行提取并提供给用户平台，从而实现数据流的闭环。
在一些实施例中，所述第二服务器在所述对象平台生产过程中遍历所述生产线数据库，并从所述生产线数据库中提取每个产品生产中的各生产环节的数据作为对应所述产品的生产周期数据；
所述第二服务器将每个产品的所述生产周期数据与该产品的合格情况建立映射关系形成样本数据；
所述第二服务器采用支持向量机对所述样本数据进行分类生成二元分类器；所述二元分类器的输入数据为所述生产周期数据，所述二元分类器的输出数据为产品是否合格；
当新完成一个产品的生产周期时，所述第二服务器将该产品的所述生产周期数据输入所述二元分类器，并根据所述二元分类器的输出结果判断该产品是否合格。
本实施例实施时，由于大量的生产线数据在第二服务器中进行汇总，形成了大数据，为了实现进一步的智能化控制，本实施例采用了二元分类器对产品的质检进行辅助；在生产周期数据中，表征出了产品在生产过程中所经历的生产情况，发明人在实践中发现，由于产品质检控制是一个范围性控制，对于很多类型的产品，即使生产周期数据中，有部分数据出现了波动或异常，产品依然可能是合格的状态。所以在本实施例中，采用了一种对大数据进行分类的方式对产品的合格情况进行初步判断，由于支持向量机（SVM）是一个二分的算法，非常适合判断产品的合格情况，因为产品的合格情况只有合格和不合格两种，所以采用这种算法生成的二元分类器可以直接用于产品合格情况的初判。同时支持向量机的计算量较小，二元分类器模型的运算量也非常适合小规模服务器，所以很适合用于本实施例中的合格情况检测。
在一些实施例中，所述工单参数以参数表的形式存储于所述第二服务器；所述参数表为参数名称与参数值的对应关系；所述参数表还配置有各参数之间的关联关系；
当所述第二服务器接收到所述第二指令时，从所述第二指令中提取需要修改的参数的参数名称，并根据所述参数名称从所述参数表中遍历检索出该参数所有的所述关联关系对应的参数形成关联参数集；
所述第二服务器根据所述第二指令中所述参数名称对应的参数数值对所述关联参数集中的参数进行修改，并检测所述关联参数集中的参数是否超过其对应的预设值；
如果所述关联参数集中任意参数不在对应预设值范围内，所述第二服务器拒绝本次参数修改，并将参数数值进行回滚；
所述第二服务器在拒绝本次参数修改后通过所述第一服务器向所述终端设备反馈信息数据。
本实施例实施时，在进行工单参数修改时，一个参数的变化可能会带来大量其他关联参数的变化，示例的，修改一条流水线的速度，会影响下游所有加工设备的工作周期和下游流水线的速度。所以在本实施例中，对参数进行了关联处理，当修改一个参数时，对其他的关联参数进行一并处理，并且处理后对关联参数进行监控，保证了每次修改参数时，生产线都可以持续正常运行，提高了生产安全性。
在一些实施例中，如果所述关联参数集中任意参数均在对应预设值范围内时，所述第二服务器根据所述关联参数集修改所述参数表，并生成组态文件通过所述传感网络平台下发至所述对象平台。
在上述基础上，请结合参阅图2，为本发明实施例所提供的一种智能制造工业物联网控制方法的流程示意图，所述一种智能制造工业物联网控制方法可以应用于图1中的一种智能制造工业物联网系统，进一步地，所述一种智能制造工业物联网控制方法具体可以包括以下步骤S1-步骤S4所描述的内容。
S1：当所述终端设备根据所述用户的指令修改生产线参数时，生成第一指令并将所述第一指令发送至所述第一服务器；
S2：所述第一服务器对所述第一指令进行处理生成用于所述第二服务器识别的第二指令并发送至所述第二服务器；
S3：所述第二服务器根据所述第二指令对存储于所述第二服务器的工单参数进行修改，并根据修改后的工单参数生成第三指令；
S4：所述第二服务器通过所述传感网络平台将所述第三指令发送至所述对象平台时，所述对象平台根据所述第三指令执行制造和采集生产线数据。
在一些实施例中，还包括：
所述对象平台将采集到的生产线数据通过所述传感网络平台发送至所述第二服务器形成生产线数据库；
所述第一服务器根据预先设置的规则或所述终端设备的请求，从所述生产线数据库中提取对应的数据并发送至所述终端设备；
所述终端设备将接收到的数据向用户展示。
在一些实施例中，还包括：
所述第二服务器在所述对象平台生产过程中遍历所述生产线数据库，并从所述生产线数据库中提取每个产品生产中的各生产环节的数据作为对应所述产品的生产周期数据；
所述第二服务器将每个产品的所述生产周期数据与该产品的合格情况建立映射关系形成样本数据；
所述第二服务器采用支持向量机对所述样本数据进行分类生成二元分类器；所述二元分类器的输入数据为所述生产周期数据，所述二元分类器的输出数据为产品是否合格；
当新完成一个产品的生产周期时，所述第二服务器将该产品的所述生产周期数据输入所述二元分类器，并根据所述二元分类器的输出结果判断该产品是否合格。
基于支持向量机确定的二元分类器也可以记作产品合格判定模型。在一些实施例中，产品合格判断模型也通过其他机器学习模型或智能算法实现。例如，可以基于产品的周期数据构建聚类算法作为产品合格判断模型，根据产品的分类结果确定产品是否合格。再例如，产品合格判定模型可以通过包含逻辑回归模块的神经网络模型构建，其中，可以根据产品的逻辑回归结果确定产品是否合格。
需要说明的是，支持向量机以及二元分类器的训练过程可以与实际工作分离。例如，在实际工作中，可以直接基于训练好的二元分类器对生产周期数据进行处理，以确定该产品是否合格。
在一些实施例中，所述工单参数以参数表的形式存储于所述第二服务器；所述参数表为参数名称与参数值的对应关系；所述参数表还配置有各参数之间的关联关系；
所述第二服务器根据所述第二指令对存储于所述第二服务器的工单参数进行修改包括：
当所述第二服务器接收到所述第二指令时，从所述第二指令中提取需要修改的参数的参数名称，并根据所述参数名称从所述参数表中遍历检索出该参数所有的所述关联关系对应的参数形成关联参数集；
所述第二服务器根据所述第二指令中所述参数名称对应的参数数值对所述关联参数集中的参数进行修改，并检测所述关联参数集中的参数是否超过其对应的预设值；
如果所述关联参数集中任意参数不在对应预设值范围内，所述第二服务器拒绝本次参数修改，并将参数数值进行回滚；
所述第二服务器在拒绝本次参数修改后通过所述第一服务器向所述终端设备反馈信息数据。
在一些实施例中，所述第二服务器根据所述第二指令对存储于所述第二服务器的工单参数进行修改还包括：
如果所述关联参数集中任意参数均在对应预设值范围内时，所述第二服务器根据所述关联参数集修改所述参数表，并生成组态文件通过所述传感网络平台下发至所述对象平台。
在一些实施例中，还可以基于生产环节数据对生产环节对应的设备是否存在异常进行判断。
图3是本说明书一些实施例提供的基于生产环节数据判断设备异常情况的方法。流程300可以由智能制造工业物联网系统执行。如图3所示，流程300可以包括如下步骤：
步骤310，针对产品的生产周期内的每一个生产环节，基于第一采集频率采集该生产环节的生产环节数据，所述生产环节数据包括该生产环节的产品数据、设备运转参数以及设备监控数据。在一些实施例中，步骤310可以由对象平台执行。
本说明书一些实施例中的产品可以指生产线输出的成品。例如，生产线是工业制品生产线时，产品可以是最终输出的工业制品。在一些实施例中，产品也可以包括在产品在生产过程中的中间产品或副产品。
本说明书一些实施例中生产周期可以指一个产品的生产原料或半成品投入生产线后，直至输出该产品成品的过程。在每一个生产周期中，产品可以经过多个生产环节进行加工处理以得到成品。例如，玻璃瓶产品，其需要通过原料预加工、配合料制备、熔制、成型、热处理这五个连续生产环节。
生产环节也可以称为生产流程、生产过程。在本说明书的一些实施例中生产环节可以指产品在生产周期内经历的各个加工工艺。例如，生产环节可以包括投料、粗加工、深加工、包装、分装等。再例如，塑料产品的生产环节可以包括加料、塑化、注射、保压、冷却、开模取件等加工工艺。
在一些实施例中，生产线生产可以具有周期性。其中，生产线的周期性可以与产品的批次有关。例如，对于某一批次的产品，该批次的产品从投料到加工完成的完整过程视为一个生产线的周期。在一些实施例中，产品批次可以根据实际情况确定。例如，产品在生产线中周期性投料时，则每一个投料周期所生产的产品可以是作为一个产品批次。再例如，产品在生产线中持续投料时，则可以将预设时间内生产出的产品作为一个批次的产品。
基于生产线的周期性，生产环节也具有周期性。在一些实施例中，可以通过环节周期反应各个生产环节的周期性。其中，每批次产品在各个生产环节的加工工程可以视为该生产环节的一个环节周期。例如，对于2025年11月25日第2批次的玻璃瓶，该批玻璃瓶的各个产品在熔制环节的处理过程可以作为熔制环节的一个环节周期，2025年11月25日第3批次玻璃瓶在熔制环节的处理过程可以作为熔制环节的下一个环节周期。
在一些实施例中，对象平台可以采集生产环节在各个环节周期中的数据，以确定各个生产环节的生产环节数据。其中，各个生产环节的生产环节数据可以指该生产环节在一个或多个环节周期中的相关数据。例如，生产环节的生产环节数据可以反应与当前环节周期对应批次的产品在该生产环节的处理情况。在一些实施例中，生产环节数据可以包括产品数据、设备运转参数、设备监控数据等。
产品数据可以指包括各个生产环节的生产设备在该环节周期内实际产出的产品的相关数据。例如，产品数据可以包括该生产环节的生产出的产品或半成品规格、质检数据、投入该生产环节的产品数据等。
设备运转参数可以指该生产环节中各个设备的内部工作情况。在一些实施例中，设备运转参数可以由设备的内置传感器确定。例如，设备运转参数可以包括各个设备内部传感器确定的设备运转时的温度、压力、转数等相关数据。
设备监控数据可以指通过对象平台的传感器获取的设备的相关数据，例如，设备监控数据可以包括通过温度传感器检测的设备的设备温度、通过压力传感器检测到的设备的输出压力值、通过计数器检测到的设备的转动次数。
在一些实施例中，生产环节数据可以由对象平台的传感器通过监控获得，并通过传感网络平台汇总并上传至管理平台，储存于管理平台的生产线数据库中。第二服务器在调用生产环节数据时，可以遍历生产线数据库，并从生产线数据库中提取各生产环节的相关数据作为对应的生产环节数据。
在一些实施例中，对象平台可以基于第一采集频率获取生产环节数据。其中，第一采集频率可以是各个环节周期中对象平台的传感器采集生产环节数据的次数。在一些实施例中，第一采集频率可以包括生产环节数据中各类数据的采集频率。例如，可以包括产品数据、设备运转参数、设备监控数据的采集频率。
在一些情况中，在基于生产环节数据的各个数据综合判断生产环节的相关状况时，往往需要以预设格式输入生产环节数据的各个参数。本说明书的一些实施例中，对于以不同频率采集获取的生产环节数据的各项参数，可以基于采集频率确定采集周期，并基于采集周期对生产环节数据的各项参数进行数据统计，以确定后续步骤中的输入（如图4中生产环节数据序列）。其中，采集周期可以根据各个参数的实际采集频率确定。例如，可以根据各个参数的实际采集频率确定采集频率的最大公约数频率，将该最大公约数频率对应的时间间隔作为一个采集周期。在一些实施例中，可以通过计算平均数的方法，确定一个采集周期内各个监控数据的平均值，作为生产环节在所述采集周期内相应的监控数据值。例如，某个生产环节，采集周期为5分钟。在对设备温度进行监控时，可以预设第一采集频率为1次/分钟，实际采集的温度分别为40度、42度、40度、42度、41度，可以计算出温度的平均值为41度，则可以将温度的均值41度作为该采集周期的设备温度。
在一些实施例中，当参数的实际采集频率大于预设阈值时，可以通过统计数据分布的方法对采集到的数据进行处理。其中，数据的分布规律可以根据实际工作时的正常工作情况确定。例如，可以根据生产规律确定包含正常工作情况的监控数据的多个范围区间。示例性的，对于某设备的温度监控数据，基于该设备的生产规律，其正常工作温度可以为区间[40℃,45℃]，则可以设定（30℃,40℃），[40℃,45℃]，（45℃,75℃）这三个温度区间。假设采集周期为10分钟，温度监控数据的实际采集频率为1次/分钟，则在一个采集周期内温度的检测值可以为35度、41度、41度、55度、38度、39度、43度、42度、42度、44度。经处理后，该数据可以表示为[3，6，1]，其中每个参数表示落在三个温度区间的次数，具体为检测数据中落入区间（30℃,40℃）3次，区间[40℃,45℃]6次，区间（45℃,75℃）1次。本说明书的一些实施例通过获得统计数据的分布，确定生产环节数据分布的规律，可以进一步确定设备的异常状态，避免一次性输入过多数据计算量过大，确保所述设备异常判定的准确性。
步骤320，根据异常判定模型对生产环节数据进行处理，确定该生产环节对应的设备是否存在异常。在一些实施例中，步骤320可以由第二服务器执行。
生产线的各个生产环节可以对应一个或多个生产设备。生产设备可以对所属生产环节的生产原料或半成品进行处理，以获取本生产环节的产品。在一些实施例中，生产线可以由多个具有不同功能的设备组成，在划分生产环节时可以根据设备的功能确定生产环节。例如，按照加工过程将各个设备的冷却功能作为冷却环节，则在该加工顺序中具有冷却功能的设备可以作为该冷却环节的相关设备。
在一些实施例中，可以基于异常判定模型对生产环节数据进行分析处理，从而确定该生产环节对应的设备是否存在异常。在一些实施例中，某一生产环节的生产环节数据可以是异常判定模型的输入，该生产环节对应的设备是否存在异常的判断结论可以是异常判定模型的输出。例如，异常判定模型可以输入冷却环节的生产环节数据，经处理输出冷却环节内各个设备是否存在异常的判断结论。
在一些实施例中，异常判定模型可以包括依次连接的生产特征提取层以及设备异常判断层。异常判定模型在工作时，可以通过生产特征提取层对生产环节数据序列进行处理，确定生产环节对应的设备的生产特征向量，然后通过设备异常判断层对生产特征向量进行处理，得到生产环节对应的设备是否存在异常的判断结论。其中，生产环节数据序列可以是从第二服务器的生产线数据库中提取的、包括多个时间点的生产环节数据。关于异常判定模型的内部结构、训练方法的更多内容可以参见图4的相关描述。
基于本说明书实施例提供的智能制造工业物联网控制方法，可以获取在生产周期中各个生产环节的相关数据并基于数据判断设备的异常情况，实现了生产线中各个生产环节的设备的故障排查。在一些实施例中，还可以基于本说明书实施例中的异常判断结果及时维修或调整生产线，以避免出现生产问题，进而保证了产品的良品率。
图4是本说明书一些实施例提供的异常判定模型的结构示意图。
如图4所示，异常判定模型410可以包括依次连接的生产特征提取层410-1与设备异常判断层410-2。在一些实施例中，可以通过生产特征提取层410-1对某一生产环节的生产环节数据序列421进行处理，确定该生产环节对应的设备的生产特征向量412；通过设备异常判断层410-2对生产特征向量412进行处理，得到该生产环节对应的设备是否存在异常的判断结论430。其中，生产环节数据序列可以包括采集周期内多个时间点的生产环节数据。在一些实施例中，生产特征提取层可以为长短期记忆网络模型（Long Short-TermMemory，LSTM）。在一些实施例中，设备异常判断层为深度神经网络模型（Deep NeuralNetworks，DNN）。
生产特征提取层的输入可以是环节周期各个时间点（如前述采集周期）的生产环节数据（也可以称为环节周期的生产环节数据序列421），生产特征提取层的输出可以是各个生产环节数据的生产特征向量。
在一些实施例中，可以根据生产环节数据采集的时间点确定生产环节数据序列。其中，数据采集的时间点可以指前述采集周期，生产环节数据序列可以包括多个时间点（如多个采集周期）的生产环节数据，每个生产环节数据可以包括生产环节中产品数据（如产品规格）、设备运转参数、设备监控数据等。
生产特征向量为生产环节数据中特征的向量表示。在一些实施例中，生产特征向量的表现形式可以根据实际需要以及模型训练要求确定。在一些实施例中，生产特征向量可以描述生产环节数据内各个参数的异常情况，其表现形式可以为各个参数是否符合预设要求。例如，生产特征向量可以包括前述设备温度满足设备正常工作的概率。示例性地，生产环节数据序列中的设备温度监控值可以表示为[3，6，1]，对应的生产特征向量中温度正常的概率可以是落入区间[40℃,45℃]的次数占总次数的比值，具体可以为60%。
在一些实施例中，生产特征提取层可以按照数据采集的时间顺序对生产环节数据序列中的各个生产环节数据依次处理。例如，生产特征提取层可以按照时间顺序将生产环节数据序列输入生产特征提取层。其中，生产特征提取层可以基于当前输入的生产环节数据以及其他时刻的生产环节数据的相关数据（如上一时刻生产环节数据的生产特征向量）确定当前输入的生产环节数据的生产特征向量。
设备异常判断层的输入可以为生产环节数据的生产特征向量，并对生产环节数据的生产特征向量进行处理以确定该生产环节对应的设备是否存在异常的判断结论。其中，设备异常判断层的输入可以是生产环节数据的生产特征向量，输出可以是该生产环节对应的设备是否存在异常的判断结论。在一些实施例中，可以将生产环节数据的生产特征向量输入异常判断层的输入层，并通过隐藏层对生产环节数据的生产特征向量进行处理，并在输出层输出生产环节对应的设备是否存在异常的判断结论。
在一些实施例中，判断结论可以用于描述生产环节对应的设备是否存在异常。例如，当生产环节包括多个生产设备时，判断结论可以以向量的形式呈现，其中，向量中的每一个元素可以对应生产环节的各个设备，元素值可以表征各个设备的是否存在异常。例如，是否存在异常可以通过0/1值表示，其中，0表示设备正常，1表示设备异常。再例如，是否存在异常可以通过设备的异常概率描述，即对应的元素值可以是异常概率。示例性地，判断结论可以为（0.5,0.7,0.8），其中，各个元素值为该生产环节的三个设备发生异常的概率。
在一些实施例中，判断结论可以包括判断结果。判断结果表征基于生产环节数据所确定的各个设备是否存在异常的判断结果。判断结果可以包括该生产环节对应的设备正常或该生产环节对应的设备异常。在一些实施例中，可以基于输出向量与预设规则，确定判断结果。例如，输出向量为（0.6,0.7），表征第一设备的异常概率为0.6、第二设备的异常概率为0.7，预设规则为当某一设备的异常概率大于0.5时，判断该设备存在异常，则判断结论可以为第一设备、第二设备均存在异常。
在一些实施例中，判断结论还可以包括判断结果的置信度。置信度可以描述对应的判断结果的可靠程度。在一些实施例中，判断结果的置信度可以直接基于输出向量中的异常概率确定。例如，输出向量为（0.6,0.7），那么判断结论可以为第一设备存在异常的置信度为0.6、第二设备均存在异常的置信度为0.7。在一些实施例中，判断结果的置信度还可以与生产数据的置信度相关。某一生产环节数据的生产环节数据的置信度为0.8，输出向量为（0.6,0.7），那么判断结论可以为第一设备存在异常的置信度为0.8×0.6=0.48、第二设备存在异常的置信度为0.8×0.7=0.56。
在一些实施例中，可以基于历史数据对初始生产特征提取层以及初始设备异常判断层进行联合训练，获得异常判定模型。其中，初始生产特征提取层以及初始设备异常判断层分别是未设置参数的生产特征提取层以及设备异常判断层。在一些实施例中，可以基于历史数据构建异常判定模型的训练数据。其中，历史数据可以包括历史生产环节数据以及该历史生产环节数据对应的生产环节中各设备的历史异常情况，前述历史生产环节数据以及前述历史异常情况可以从各批产品的历史生产周期内的生产环节中确定。
训练数据可以包括训练样本以及样本标签。训练样本可以是历史生产环节数据，样本标签可以是该历史生产环节对应的历史判断结论。值得说明的是，当判断结论仅包括判断结果时，可以基于相应的历史数据中获取的设备是否异常进行确定样本标签。例如，样本标签可以根据历史数据中设备日志确定对应的设备是否异常，并对对应的训练样本进行手工标注。再例如，可以根据设备的历史维修情况确定设备的历史异常情况并进行标注。当判断结论包括判断结果及其置信度时，置信度对应的样本标签可以根据历史数据采集情况进行手工标注。
在一些实施例中，可以将训练样本输入初始生产特征提取层中，将初始生产特征提取层的输出输入到初始设备异常判断层中，基于初始设备异常判断层的输出与样本标签构建损失函数，并基于损失函数同时迭代更新初始生产特征提取层以及初始设备异常判断层的参数，直到预设条件被满足训练完成，得到训练好的生产特征提取层以及设备异常判断层。
在一些实施例中，异常判定模型的内部子模型或功能层（如生产特征提取层、设备异常断层）的参数可以随异常判定模型的训练过程一同确定。由此，通过上述训练方式获得生产特征提取层、设备异常断层的参数，在一些情况下有利于解决单独训练生产特征提取层时难以获得标签的问题。此外，还可以使生产特征提取层能较好地得到反映生产环节数据序列的特征。
本说明书的一些实施例还可以基于置信度调节数据第一采集频率。具体如下：
在一些实施例中，可以对判断结果的置信度进行判断，当判断结果的置信度小于阈值时，对第一采集频率进行调节，获得第二采集频率。其中，第二采集频率高于第一采集频率。第二采集频率可以是在设备存在异常可能时，为加强对设备监控而采取的数据采集频率。例如，判断结果的置信度为0.7，阈值为0.75，第一采集频率为10次/分，可以增大第一采集频率为第二采集频率。
在一些实施例中，第二采集频率的具体大小可以根据判断结果的置信度要求确定。
在一些实施例中，生产数据的采集频率与生产数据的置信度正相关。生成数据的采集频率越大，生产数据的置信度越高；生成数据的采集频率越小，生产数据的置信度越低。采集频率与生产数据的置信度可以根据预设的对应规则确定。例如，第二服务器可以预先设置有第一频率阈值为6次/分，第二频率阈值为10次/分，当采集频率小于或等于第一频率阈值时，对应的生产环节数据的置信度为0.6；当采集频率大于第一频率阈值小于第二频率阈值时，对应的生产环节数据的置信度为0.8；当采集频率大于或等于第二频率阈值时，对应的生产环节数据的置信度为1。
应当理解的是，基于较少的生产环节数据进行分析时，由于数据量较少，得到判断结果不够准确，置信度较低，因此，可以提高生产环节数据的采集频率，对更多的生产环节数据进行分析处理，从而得到更加准确的判断结果，判断结果的置信度更高。
在一些实施例中，生产环节数据的采集频率也可以作为异常判定模型（如生产特征提取层）的输入，从而使异常判定模型可以根据数据采集频率直接确定判断结果的置信度。
在一些实施例中，置信度还可以根据判断结果所依赖的数据确定。在一些实施例中，置信度可以与当前时刻以及之前的判断结论有关。例如，当前时刻的判断结论与上一时刻的判断结论不同时，则判断结论发生变化的时刻的置信度可能较低。当前时刻的判断结论与上一时刻的判断结论相同时，则判断结论发生变化的时刻的置信度可以较高。在一些实施例中，置信度可以根据多种判断因素进行综合判断。例如，置信度可以根据各个因素的加权结果确定。示例性的，置信度P=αA+βB+γ。其中，A可以为当前时刻的判断结论与上一时刻的判断结论的差异，B可以为数据的采集频率，α、β、γ可以是预设的参数。
如图4所示，异常判定模型410还可以包括产品特征提取层410-3。其中，产品特征提取层410-3可以用于处理产品数据422，以生成产品特征向量411。产品特征提取层的输入为产品数据，输出为产品特征向量。
在一些实施例中，产品数据可以指产品在该生产环节的相关数据。产品数据的具体包含的内容可以根据产品特征向量的实际需要确定并调整。例如，产品特征向量用于确定生产环节的所需的监控数据时，产品数据可以包括但不限于产品原材料、产品生产格、产品在本生产环节所执行的加工工期、产品在上一生产环节的加工工艺等产品相关信息。再例如，产品特征向量用于输入生产特征提取层以提高异常判定模型的精确度时，产品数据可以包括但不限于产品在上一生产环节的处理情况（如合格率、处理后的产品形态等）。
产品特征向量可以描述产品本身对生产环节的影响。在一些实施例中，产品特征向量可以包括产品在该生产环节的形态特征、工艺特征等。示例性地，不同的产品在各个生产环节开始处理时，产品的初始形态（如产品的材料、形状、尺寸、大小）的不同，在后续的生产过程的其变化不同，相应的，产品特征向量可以包括产品在该生产环节中形态变化情况、导致形态变化的原因（该环节的产品加工工艺）。在一些实施例中，可以根据产品形态变化情况、产品加工工艺确定该生产环节的具体监控方法以及对应的监控数据。
在一些实施例中，产品特征向量可以包括当前环节的产品特征。当包含当前环节的产品特征的产品特征向量输入生产特征提取层时，可以使生产特征提取层基于当前生产环节应生产出的产品特征完善对生产关节数据的处理，从而提高判断结论的准确性。
在一些实施例中，产品特征向量还可以包括当前环节的上一生产环节加工后的产品特征。例如，产品特征向量可以包括上一生产环节的良品率。考虑到，上一生产环节的产品在当前生产环节中作为原材料。当将包含上一生产环节的产品特征的的产品特征向量输入生产特征提取层时，生产特征提取层可以基于上一生产环节的生产情况完善判断结论，从而提高判断结论的准确性。
在一些实施例中，产品特征提取层可以是LSTM。在一些实施例中，所述产品特征提取层输入的产品数据可以是环节周期中各个采集时间点（如各个采集周期）采集到的产品相关数据。产品特征提取层可以根据当前采集时间点的产品数据以及其他时间点的产品数据的相关数据（如，上一时刻的产品特征向量），确定当前时间点的产品特征向量。示例性地，可以根据当前时刻的产品数据以及上一时刻的产品特征向量确定当前时刻的产品特征向量。
在一些实施例中，异常判定模型的子模型可以通过单独训练获得。在异常判定模型的训练过程中，该训练好的子模型的参数不随训练而更改。例如，产品特征提取层可以单独训练，并将训练好的产品特征提取层载入异常判定模型。
在一些实施例中，可以将至少一个初始产品特征提取层与其他功能模块连接并构建整体训练模型，通过对整体训练模型进行联合训练，从而确定产品特征提取层的参数。
在一些实施例中，整体训练模型可以构建为初始产品对比模型。初始产品对比模型可以为产品对比模型的初始训练模型。产品对比模型中可以包括产品特征提取层、另一产品特征提取层以及产品判断层。在一些实施例中，产品判断层可以为DNN模型。产品判断层可以根据两个产品的产品特征向量判断该两个产品是否为同一产品。例如，产品判断层可以基于两个产品特征向量的欧式距离，判断两个产品是否为同一产品。对应的，初始产品对比模型可以包括初始产品特征提取层、另一初始产品特征提取层以及初始产品判断层。其中，初始产品特征提取层、另一初始产品特征提取层可以是参数共享且参数未设置的产品特征提取层。在一些实施例中，初始产品特征提取层、另一初始产品特征提取层可以分别处理相同或不同的两个产品的产品数据，以确定对应的产品特征向量并输入到产品判断层。
在一些实施例中，初始产品对比模型的训练数据可以包括多个产品的历史产品数据。在训练中，可以从训练数据中随机选取两个产品的历史产品数据作为训练样本，并根据该两个产品是否为同一产品确定训练标签。可以将随机选取两个产品的历史产品数据分别输入初始产品特征提取层、另一初始产品特征提取层，以得到初始产品特征提取层输出的第一历史产品特征向量以及另一初始产品特征提取层输出的第二历史产品特征向量。并将第一历史产品特征向量以及第二历史产品特征向量输入初始产品判断层，基于两个产品特征向量的欧式距离，得到历史判断结果。并根据历史判断结果与训练标签构建损失函数，并基于损失函数同时迭代更新初始产品特征提取层、另一初始产品特征提取层以及初始产品判断层的参数，直到预设条件被满足训练完成，得到训练好的产品对比模型，训练完成后产品对比模型中的产品特征提取层的参数也可以确定。
在一些实施例中，整体训练模型可以构建为初始产品识别模型。初始产品识别模型可以为产品识别模型的初始训练模型。产品识别模型可以包括产品特征提取层以及产品识别层。在一些实施例中，产品特征提取层可以根据输入的产品数据，确定对应的产品特征向量并输入到产品识别层。产品识别层可以为DNN模型，产品识别层可以根据输入的产品特征向量识别该产品的类型。对应的，初始产品识别模型可以包括初始产品特征提取层以及初始产品识别层。其中，初始产品特征提取层可以是参数未设置的产品特征提取层。
在一些实施例中，初始产品识别模型的训练数据可以包括多个产品的历史产品数据以及对应的产品类型。其中，训练样本可以是产品的历史产品数据，样本标签可以是对应的产品类型。可以将训练样本输入初始产品特征提取层以获取历史产品特征向量，通过初始产品识别层处理历史产品特征向量确定产品类型历史识别结果。并基于将历史识别结果和样本标签构建损失函数，并基于损失函数同时迭代更新初始产品特征提取层以及初始产品识别层的参数，直到预设条件被满足训练完成，得到训练好的产品识别模型，训练完成后产品识别模型中产品特征提取层的参数也可以确定。
基于本说明书实施例提供的智能制造工业物联网控制方法，可以通过机器学习模型确定设备的异常判断结果。在判断过程中引入生产周期的多个时间点的生产环节数据，从而提高了判断结果的精确度。此外，本说明书的实施例中还引入了判断结果的置信度，从而提高了判断的准确定，避免数据波动造成的错误判断结果影响整个生产线的生产。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本说明书的一些实施例中，应该理解到，所揭露的装置和方法，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，所述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显然本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
另外，在本发明各个实施例中的各功能单元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，也可以是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，也可以采用软件功能单元的形式实现。
所述集成的单元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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网格设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种智能制造工业物联网系统，包括：依次交互的用户平台、服务平台、管理平台、传感网络平台和对象平台；其特征在于，其中：
用户平台，被配置为终端设备，且交互于用户；
服务平台，被配置为第一服务器，接收所述用户平台的指令并发送至所述管理平台，且从所述管理平台中提取处理所述用户平台需要的信息，并发送至所述用户平台；
管理平台，被配置为第二服务器，且控制所述对象平台运行，并接收所述对象平台的反馈数据；
传感网络平台，被配置为通信网络和网关，用于所述对象平台和所述管理平台交互；
对象平台，被配置为执行制造的生产线设备和生产线传感器；
所述服务平台、所述管理平台和所述传感网络平台均采用集中式布置；所述集中式布置是指任意一个平台统一接收数据、统一处理数据和统一发送数据；
当所述终端设备根据所述用户的指令修改生产线参数时，生成第一指令并将所述第一指令发送至所述第一服务器；
所述第一服务器对所述第一指令进行处理生成用于所述第二服务器识别的第二指令并发送至所述第二服务器；
所述第二服务器根据所述第二指令对存储于所述第二服务器的工单参数进行修改，并根据修改后的工单参数生成第三指令；
所述第二服务器通过所述传感网络平台将所述第三指令发送至所述对象平台时，所述对象平台根据所述第三指令执行制造和采集生产线数据；
所述对象平台将采集到的生产线数据通过所述传感网络平台发送至所述第二服务器形成生产线数据库；
所述第一服务器根据预先设置的规则或所述终端设备的请求，从所述生产线数据库中提取对应的数据并发送至所述终端设备；
所述终端设备将接收到的数据向用户展示；
所述第二服务器在所述对象平台生产过程中遍历所述生产线数据库，并从所述生产线数据库中提取每个产品生产中的各生产环节的数据作为对应所述产品的生产周期数据；
所述第二服务器将每个产品的所述生产周期数据与该产品的合格情况建立映射关系形成样本数据；
所述第二服务器采用支持向量机对所述样本数据进行分类生成二元分类器；所述二元分类器的输入数据为所述生产周期数据，所述二元分类器的输出数据为产品是否合格；
当新完成一个产品的生产周期时，所述第二服务器将该产品的所述生产周期数据输入所述二元分类器，并根据所述二元分类器的输出结果判断该产品是否合格。
2.根据权利要求1所述的一种智能制造工业物联网系统，其特征在于，所述工单参数以参数表的形式存储于所述第二服务器；所述参数表为参数名称与参数值的对应关系；所述参数表还配置有各参数之间的关联关系；
当所述第二服务器接收到所述第二指令时，从所述第二指令中提取需要修改的参数的参数名称，并根据所述参数名称从所述参数表中遍历检索出该参数所有的所述关联关系对应的参数形成关联参数集；
所述第二服务器根据所述第二指令中所述参数名称对应的参数数值对所述关联参数集中的参数进行修改，并检测所述关联参数集中的参数是否超过其对应的预设值；
如果所述关联参数集中任意参数不在对应预设值范围内，所述第二服务器拒绝本次参数修改，并将参数数值进行回滚；
所述第二服务器在拒绝本次参数修改后通过所述第一服务器向所述终端设备反馈信息数据；
如果所述关联参数集中任意参数均在对应预设值范围内时，所述第二服务器根据所述关联参数集修改所述参数表，并生成组态文件通过所述传感网络平台下发至所述对象平台。
3.根据权利要求1所述的一种智能制造工业物联网系统，其特征在于，针对产品的生产周期内的每一个生产环节，所述对象平台还用于：
基于第一采集频率采集该生产环节的生产环节数据，所述生产环节数据包括该生产环节的产品数据、设备运转参数以及设备监控数据；
所述第二服务器还用于：
根据异常判定模型对所述生产环节数据进行处理，确定该生产环节对应的设备是否存在异常；
所述异常判定模型包括依次连接的生产特征提取层与设备异常判断层，所述第二服务器还用于：
通过所述生产特征提取层对生产环节数据序列进行处理，确定所述生产环节对应的设备的生产特征向量，所述生产环节数据序列包括多个时间点的所述生产环节数据；
通过所述设备异常判断层对所述生产特征向量进行处理，得到所述生产环节对应的设备是否存在异常的判断结论。
4.根据权利要求3所述的一种智能制造工业物联网系统，其特征在于，所述判断结论包括所述生产环节对应的设备是否存在异常的判断结果及其置信度，当所述置信度小于阈值时，所述第二服务器还用于：
将所述对象平台的所述第一采集频率调整为第二采集频率，所述第二采集频率高于所述第一采集频率。
5.一种智能制造工业物联网控制方法，应用于依次交互的用户平台、服务平台、管理平台、传感网络平台和对象平台；其特征在于，其中：
用户平台，被配置为终端设备，且交互于用户；
服务平台，被配置为第一服务器，接收所述用户平台的指令并发送至所述管理平台，且从所述管理平台中提取处理所述用户平台需要的信息，并发送至所述用户平台；
管理平台，被配置为第二服务器，且控制所述对象平台运行，并接收所述对象平台的反馈数据；
传感网络平台，被配置为通信网络和网关，用于所述对象平台和所述管理平台交互；
对象平台，被配置为执行制造的生产线设备和生产线传感器；
所述服务平台、所述管理平台和所述传感网络平台均采用集中式布置；所述集中式布置是指任意一个平台统一接收数据、统一处理数据和统一发送数据；
所述方法包括：
当所述终端设备根据所述用户的指令修改生产线参数时，生成第一指令并将所述第一指令发送至所述第一服务器；
所述第一服务器对所述第一指令进行处理生成用于所述第二服务器识别的第二指令并发送至所述第二服务器；
所述第二服务器根据所述第二指令对存储于所述第二服务器的工单参数进行修改，并根据修改后的工单参数生成第三指令；
所述第二服务器通过所述传感网络平台将所述第三指令发送至所述对象平台时，所述对象平台根据所述第三指令执行制造和采集生产线数据；
还包括：
所述对象平台将采集到的生产线数据通过所述传感网络平台发送至所述第二服务器形成生产线数据库；
所述第一服务器根据预先设置的规则或所述终端设备的请求，从所述生产线数据库中提取对应的数据并发送至所述终端设备；
所述终端设备将接收到的数据向用户展示；
还包括：
所述第二服务器在所述对象平台生产过程中遍历所述生产线数据库，并从所述生产线数据库中提取每个产品生产中的各生产环节的数据作为对应所述产品的生产周期数据；
所述第二服务器将每个产品的所述生产周期数据与该产品的合格情况建立映射关系形成样本数据；
所述第二服务器采用支持向量机对所述样本数据进行分类生成二元分类器；所述二元分类器的输入数据为所述生产周期数据，所述二元分类器的输出数据为产品是否合格；
当新完成一个产品的生产周期时，所述第二服务器将该产品的所述生产周期数据输入所述二元分类器，并根据所述二元分类器的输出结果判断该产品是否合格。
6.根据权利要求5所述的一种智能制造工业物联网控制方法，其特征在于，所述工单参数以参数表的形式存储于所述第二服务器；所述参数表为参数名称与参数值的对应关系；所述参数表还配置有各参数之间的关联关系；
所述第二服务器根据所述第二指令对存储于所述第二服务器的工单参数进行修改包括：
当所述第二服务器接收到所述第二指令时，从所述第二指令中提取需要修改的参数的参数名称，并根据所述参数名称从所述参数表中遍历检索出该参数所有的所述关联关系对应的参数形成关联参数集；
所述第二服务器根据所述第二指令中所述参数名称对应的参数数值对所述关联参数集中的参数进行修改，并检测所述关联参数集中的参数是否超过其对应的预设值；
如果所述关联参数集中任意参数不在对应预设值范围内，所述第二服务器拒绝本次参数修改，并将参数数值进行回滚；
所述第二服务器在拒绝本次参数修改后通过所述第一服务器向所述终端设备反馈信息数据；
所述第二服务器根据所述第二指令对存储于所述第二服务器的工单参数进行修改还包括：
如果所述关联参数集中任意参数均在对应预设值范围内时，所述第二服务器根据所述关联参数集修改所述参数表，并生成组态文件通过所述传感网络平台下发至所述对象平台。
7.根据权利要求5所述的一种智能制造工业物联网控制方法，其特征在于，所述方法还包括：
针对产品的生产周期内的每一个生产环节，所述对象平台基于第一采集频率采集该生产环节的生产环节数据，所述生产环节数据包括该生产环节的产品数据、设备运转参数以及设备监控数据；
所述第二服务器根据异常判定模型对所述生产环节数据进行处理，确定该生产环节对应的设备是否存在异常；
所述异常判定模型包括依次连接的生产特征提取层与设备异常判断层，所述第二服务器根据异常判定模型对生产环节数据进行处理，确定该生产环节对应的设备是否存在异常包括：
通过所述生产特征提取层对生产环节数据序列进行处理，确定所述生产环节对应的设备的生产特征向量，所述生产环节数据序列包括多个时间点的所述生产环节数据；
通过所述设备异常判断层对所述生产特征向量进行处理，得到所述生产环节对应的设备是否存在异常的判断结论。
8.根据权利要求7所述的一种智能制造工业物联网控制方法，其特征在于，所述判断结论包括所述生产环节对应的设备是否存在异常的判断结果及其置信度，所述方法还包括：
当所述置信度小于阈值时，所述第二服务器将所述对象平台的所述第一采集频率调整为第二采集频率，所述第二采集频率高于所述第一采集频率。
CN202210454373.0A 2022-04-28 2022-04-28 一种智能制造工业物联网系统及控制方法 Active CN114612262B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202210454373.0A CN114612262B (zh) 2022-04-28 2022-04-28 一种智能制造工业物联网系统及控制方法
US17/807,720 US11619928B1 (en) 2022-04-28 2022-06-19 Industrial internet of things system for smart manufacturing and control method thereof
US18/171,395 US11953886B2 (en) 2022-04-28 2023-02-20 Industrial internet of things system for intelligent production control and control method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210454373.0A CN114612262B (zh) 2022-04-28 2022-04-28 一种智能制造工业物联网系统及控制方法

Publications (2)

Publication Number Publication Date
CN114612262A CN114612262A (zh) 2022-06-10
CN114612262B true CN114612262B (zh) 2022-07-22

Family

ID=81870289

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210454373.0A Active CN114612262B (zh) 2022-04-28 2022-04-28 一种智能制造工业物联网系统及控制方法

Country Status (2)

Country Link
US (2) US11619928B1 (zh)
CN (1) CN114612262B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114629940B (zh) * 2022-05-13 2022-07-22 成都秦川物联网科技股份有限公司 利于系统扩展性的工业物联网系统及控制方法
CN114741454B (zh) 2022-06-10 2022-09-13 成都秦川物联网科技股份有限公司 用于巡检数据处理的工业物联网及其控制方法
CN114742487B (zh) * 2022-06-13 2022-10-11 成都秦川物联网科技股份有限公司 基于工业物联网的生产任务管控方法及系统
CN115034347B (zh) * 2022-06-21 2024-05-28 成都秦川物联网科技股份有限公司 用于二维码数据溯源的工业物联网及其控制方法
CN114827213B (zh) * 2022-06-28 2022-09-13 成都秦川物联网科技股份有限公司 用于生产任务计划实施的工业物联网及其控制方法
CN115277784B (zh) * 2022-08-09 2023-06-20 成都秦川物联网科技股份有限公司 便于实现本地权限控制的工业物联网系统及控制方法
CN115376372B (zh) * 2022-08-26 2023-07-25 广东粤鹏科技有限公司 一种多媒体教学方法及教学系统
CN115681821B (zh) * 2022-12-13 2023-04-07 成都秦川物联网科技股份有限公司 用于智慧燃气设备管理的加臭自动控制方法和物联网系统
CN115631066B (zh) 2022-12-22 2023-03-07 成都秦川物联网科技股份有限公司 智慧燃气管道冻胀安全管理方法和物联网系统
CN116192907B (zh) * 2023-04-26 2023-07-04 成都秦川物联网科技股份有限公司 基于服务分平台的工业物联网监控方法和系统
CN116187724B (zh) 2023-04-27 2023-07-14 成都秦川物联网科技股份有限公司 智慧燃气平台工单联动处理方法、物联网系统及存储介质
CN117490809B (zh) * 2023-12-19 2024-03-26 成都秦川物联网科技股份有限公司 用于智慧生产的超声波燃气表测试方法及工业物联网系统
CN117873006B (zh) * 2024-03-11 2024-05-17 深圳市磐锋精密技术有限公司 基于互联网的自动化螺丝机控制管理系统
CN118550958B (zh) * 2024-07-29 2024-10-18 成都秦川物联网科技股份有限公司 一种基于工业物联网的设备异常判定方法、系统和介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102567611A (zh) * 2010-12-23 2012-07-11 中国移动通信集团江苏有限公司 一种远程医疗系统及远程医疗设备
CN103489053A (zh) * 2013-05-13 2014-01-01 湖南云控科技有限公司 一种基于云计算与专家系统的智能水资源管控平台
CN205750508U (zh) * 2016-06-23 2016-11-30 北京中冶力和科技有限公司 一种工业自动化信息管控系统
CN110059738A (zh) * 2019-04-11 2019-07-26 清华大学深圳研究生院 一种压铸件质量的预警方法和系统
CN110601876A (zh) * 2019-08-20 2019-12-20 西安向南网络信息科技有限公司 一种智能物联网平台
WO2020138828A2 (ko) * 2018-12-28 2020-07-02 숙명여자대학교산학협력단 사물 인터넷을 이용한 통합 서비스 플랫폼 서버 및 통합 서비스 제공 방법
CN111667375A (zh) * 2020-06-05 2020-09-15 游青山 茶叶智能生产线监控系统的研究方法
CN112165501A (zh) * 2020-08-05 2021-01-01 宁夏无线互通信息技术有限公司 基于工业互联网标识解析产品远程运维系统及运维方法
CN112989980A (zh) * 2021-03-05 2021-06-18 华南理工大学 一种基于web云平台的目标检测系统及方法
CN113141381A (zh) * 2021-06-21 2021-07-20 成都秦川物联网科技股份有限公司 物联网跨网数据交互方法及系统

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102567811A (zh) 2011-12-31 2012-07-11 中山大学 基于实时道路交通特征的机动车排放测算方法
US12046040B2 (en) * 2015-07-17 2024-07-23 Origin Research Wireless, Inc. Method, apparatus, and system for people counting and recognition based on rhythmic motion monitoring
US10146217B2 (en) * 2014-09-15 2018-12-04 Abb Schweiz Ag Controlling real world objects in an industrial installation
CN107850558A (zh) * 2015-06-12 2018-03-27 艾德亚柯里亚有限责任公司 用于智能材料监视的系统和方法
US20190339688A1 (en) * 2016-05-09 2019-11-07 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things
US20200225655A1 (en) * 2016-05-09 2020-07-16 Strong Force Iot Portfolio 2016, Llc Methods, systems, kits and apparatuses for monitoring and managing industrial settings in an industrial internet of things data collection environment
US20210157312A1 (en) * 2016-05-09 2021-05-27 Strong Force Iot Portfolio 2016, Llc Intelligent vibration digital twin systems and methods for industrial environments
CN106302686A (zh) * 2016-08-10 2017-01-04 成都秦川科技发展有限公司 物联网体系
US11442445B2 (en) * 2017-08-02 2022-09-13 Strong Force Iot Portfolio 2016, Llc Data collection systems and methods with alternate routing of input channels
US11084225B2 (en) * 2018-04-02 2021-08-10 Nanotronics Imaging, Inc. Systems, methods, and media for artificial intelligence process control in additive manufacturing
US20200133254A1 (en) * 2018-05-07 2020-04-30 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for part identification and operating characteristics determination using the industrial internet of things
US11315684B2 (en) * 2019-04-04 2022-04-26 Kpn Innovations, Llc. Systems and methods for generating alimentary instruction sets based on vibrant constitutional guidance
US11941082B2 (en) * 2019-04-12 2024-03-26 Ul Llc Technologies for classifying feedback using machine learning models
US11520322B2 (en) * 2019-05-24 2022-12-06 Markforged, Inc. Manufacturing optimization using a multi-tenant machine learning platform
WO2022072921A1 (en) * 2020-10-04 2022-04-07 Strong Force Iot Portfolio 2016, Llc Industrial digital twin systems and methods with echelons of executive, advisory and operations messaging and visualization
CN114488988B (zh) * 2022-04-14 2022-07-08 成都秦川物联网科技股份有限公司 用于生产线平衡率调控的工业物联网及控制方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102567611A (zh) * 2010-12-23 2012-07-11 中国移动通信集团江苏有限公司 一种远程医疗系统及远程医疗设备
CN103489053A (zh) * 2013-05-13 2014-01-01 湖南云控科技有限公司 一种基于云计算与专家系统的智能水资源管控平台
CN205750508U (zh) * 2016-06-23 2016-11-30 北京中冶力和科技有限公司 一种工业自动化信息管控系统
WO2020138828A2 (ko) * 2018-12-28 2020-07-02 숙명여자대학교산학협력단 사물 인터넷을 이용한 통합 서비스 플랫폼 서버 및 통합 서비스 제공 방법
CN110059738A (zh) * 2019-04-11 2019-07-26 清华大学深圳研究生院 一种压铸件质量的预警方法和系统
CN110601876A (zh) * 2019-08-20 2019-12-20 西安向南网络信息科技有限公司 一种智能物联网平台
CN111667375A (zh) * 2020-06-05 2020-09-15 游青山 茶叶智能生产线监控系统的研究方法
CN112165501A (zh) * 2020-08-05 2021-01-01 宁夏无线互通信息技术有限公司 基于工业互联网标识解析产品远程运维系统及运维方法
CN112989980A (zh) * 2021-03-05 2021-06-18 华南理工大学 一种基于web云平台的目标检测系统及方法
CN113141381A (zh) * 2021-06-21 2021-07-20 成都秦川物联网科技股份有限公司 物联网跨网数据交互方法及系统

Also Published As

Publication number Publication date
US11953886B2 (en) 2024-04-09
CN114612262A (zh) 2022-06-10
US20230205187A1 (en) 2023-06-29
US11619928B1 (en) 2023-04-04

Similar Documents

Publication Publication Date Title
CN114612262B (zh) 一种智能制造工业物联网系统及控制方法
US11340142B2 (en) System and method for monitoring manufacturing
CN104267711B (zh) 烟草物流系统运行状态监测及故障诊断方法
CN105467953B (zh) 一种面向工业大数据的知识表示及其自动化应用方法
CN111738308A (zh) 基于聚类及半监督学习的监控指标动态阈值检测方法
CN113344133B (zh) 一种时序行为异常波动检测方法及系统
CN106096977A (zh) 一种基于二维码的药芯焊丝生产参数追溯方法及系统
Him et al. Iot-based predictive maintenance for smart manufacturing systems
CN114253242B (zh) 一种基于vpn的物联网云端设备数据采集系统
KR20230115970A (ko) 빅데이터 및 인공지능 기반의 제조 실행 시스템 및이의 운영방법
US20230221684A1 (en) Explaining Machine Learning Output in Industrial Applications
CN112561383A (zh) 一种基于生成对抗网络的实时异常检测方法
EP4273653A1 (en) Device control using processed sensor data corresponding to unexpected operations
CN112884212A (zh) 烟支单支克重偏差分析预测方法
Saha et al. Artificial Intelligence in Pharmaceutical Manufacturing: Enhancing Quality Control and Decision Making
CN117834202A (zh) 一种基于XGBoost模型的SDWAN异常流量识别方法
Chen et al. Exploring equipment electrocardiogram mechanism for performance degradation monitoring in smart manufacturing
CN106233217A (zh) 用于提供广义化连续性能指示符的装置和方法
CN117754834A (zh) 一种基于智慧工厂的注塑机一站式服务平台
Gao et al. Analysis and application of manufacturing data driven by digital twins
CN112347069B (zh) 一种基于制造大数据的制造企业预测型维修服务方法
CN112364088A (zh) 基于工厂数字化制造资源的可视化配置系统
Dobra et al. Predicting the impact of type changes on Overall Equipment Effectiveness (OEE) through machine learning
CN118550958B (zh) 一种基于工业物联网的设备异常判定方法、系统和介质
Princz et al. Anomaly Detection in Binary Time Series Data: An unsupervised Machine Learning Approach for Condition Monitoring

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