CN114614946B - 一种电子智造业运维云平台系统 - Google Patents
一种电子智造业运维云平台系统 Download PDFInfo
- Publication number
- CN114614946B CN114614946B CN202210092826.XA CN202210092826A CN114614946B CN 114614946 B CN114614946 B CN 114614946B CN 202210092826 A CN202210092826 A CN 202210092826A CN 114614946 B CN114614946 B CN 114614946B
- Authority
- CN
- China
- Prior art keywords
- data
- defining
- equipment
- characteristic
- relay module
- 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
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 29
- 238000012423 maintenance Methods 0.000 title claims abstract description 21
- 230000005540 biological transmission Effects 0.000 claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000004891 communication Methods 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 24
- 230000004927 fusion Effects 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000696 magnetic material Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
- H04L1/0015—Systems modifying transmission characteristics according to link quality, e.g. power backoff characterised by the adaptation strategy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种电子智造业运维云平台系统,解决的是数据传输效率低的技术问题,通过采用所述电子智造业运维云平台系统包括用于提供中间级数据处理的中继模块,用于采集制造设备数据的数据采集单元,一个中继模块可连接多个数据采集单元;中继模块通过区块链通信单元连接有设备状态云分析单元;设备状态云分析单元通过分析结果反馈控制和维护制造设备;所述中继模块内置有数据中继处理程序的技术方案,较好的解决了该问题,可用于电子智造业中。
Description
技术领域
本发明涉及电子智造领域,具体涉及一种电子智造业运维云平台系统。
背景技术
电子工业是制造电子设备、电子元件、电子器件及其专用原材料的工业部门。主要生产电子计算机、电视机、收音机和通信、雷达、广播、导航、电子控制、电子仪表等设备,生产电阻器、电容器、电感器、印刷电路板,接插元件和电子管、晶体管、集成电路等器件,以及高频磁性材料、高频绝缘材料、半导体材料等专用原材料。
电子智造是加入人工智能、大数据技术的综合性智能化制造技术。现有的电子智造业运维云平台系统存在数据冗余多,传输效率慢的技术问题,本发明提供一种电子智造业运维云平台系统能够解决以上问题。
发明内容
本发明所要解决的技术问题是现有技术中存在的数据冗余多,传输效率慢的技术问题。提供一种新的电子智造业运维云平台系统,该电子智造业运维云平台系统具有数据传输效率高的特点。
为解决上述技术问题,采用的技术方案如下:
一种电子智造业运维云平台系统,所述电子智造业运维云平台系统包括:
用于提供中间级数据处理的中继模块,用于采集制造设备数据的数据采集单元,一个中继模块可连接多个数据采集单元;中继模块通过区块链通信单元连接有设备状态云分析单元;设备状态云分析单元连接有设备工序流程动态配置单元和设备状态诊断单元,通过分析结果反馈控制和维护制造设备;所述中继模块内置有数据中继处理程序,用于执行如下步骤:
步骤1,中继模块接收设备数据;
步骤2,提取设备数据的特征,在中继模块历史传输数据库中检索匹配出相似数据,记录相似数据标签,将相似数据定义为参考数据;如果无法检索匹配出相似数据,则将设备数据定义为待传输数据,直接执行步骤5;
步骤3,以参考数据为源,设备数据为目标,计算出变换补偿序列;
步骤4,将相似数据标签、变换补偿序列定义待传输数据;比对设备数据与待传输数据的大小,待处理数据小于待传输数据,则执行步骤5,否则将设备数据更新为待传输数据;
步骤5,判断待传输数据与传输阈值大小,待传输数据小于传输阈值,则返还执行步骤1,否则执行步骤6;
步骤6,中继模块对待传输数据进行压缩编码,完成中继处理,传输给设备状态云分析单元。
上述方案中,为优化,进一步地,步骤2包括:
步骤2.1,定义一个特征提取框,特征提取框的宽度为w;
步骤2.2,使用特征提取框遍历设备数据,完成特征提取;
步骤2.3,将提取的特征与中继模块历史传输数据库中的历史数据特征进行匹配,将匹配率大于预设阈值的历史数据定义为相似数据。
进一步地,步骤2中,设备数据为模拟数据,包括:
步骤(1),采集设备数据的时域曲线,定义自适应时间窗口,时间窗口的一侧为左端点或右端点,时间窗口内包含一个极大值和极小值,定义左端点的垂直线为第一中线,定义左端点的垂直线的均值为第二中线;分别以第一中线和第二中线为对称面,对时间窗口内的实时特征时间序列信号进行对称计算,得到新的实时特征曲线;
步骤(2),从新的特征曲线中检测出N个极大值或极小值,记作{(vi,ti)|i=0,1,...,N},其中N为大于3的自然数;
步骤(3),计算相邻极大值或极小值之间的时间差,得到极值间隔数据库{(vi,Δti)|i=1,2,...,N};
步骤(4),定义特征提取框宽度为w,特征提取框的移动速度为v;
w=(max(Δti)-min(Δti))×p;
其中,p为特征提取框宽度和特征曲线宽度的预设比例值,1≤i≤N;
步骤(5),从横向扫描确定峰值阈值范围(V1,V2);从纵向扫描确定时间间隔阈值范围(T1,T2);
步骤(6),将峰值阈值范围(V1,V2)和时间间隔阈值范围(T1,T2)构成的区域定义为标准特征点的可信区域;
步骤(7),将标准特征点的可信区域组成的曲线,更新定义为优化特征曲线函数T=(s1,s2,...,sn),其中,n为更正特征曲线的长度;
步骤(8),将中继模块历史传输数据库中经过步骤(1)~步骤(7)的历史数据特征S=(s1,s2,...,sm),m为历史数据特征长度,使用DTW算法计算一致性对比度,一致性对比度低于预设阈值的判定两者一致,否则判定不一致。
进一步地,步骤3包括;
步骤3.1,以特征提取框为单位确定源数据内的源数据子元,目标数据内的目标数据子元;
步骤3.2,定义变换方程为:E=d+η×s;补偿方程为:I‘’=αI′+β;
其中,η为预设的权权重值,I′表示形变后的源数据子元,I‘’表示经过幅度补偿之后的源数据子元;相邻源数据子元的连通性s,s=0表示不连通,s=1表示连通;
步骤3.3,确定源数据子元到目标数据子元的距离d,幅度补偿系数α和β;
步骤3.4,将源数据子元标签、目标数据子元标签、距离变换参数d、连通性s、幅度变换参数α和β定义为变换补偿序列。
进一步地,所述设备状态云分析预测单元执行分析预测程序,包括:
数据归一化处理,对归一化数据进行设备状态云分析,归一化处理包括
步骤a,选出2个样本数据集分别定义为特征样本C和特征样本D,将特征样本C和特征样本D变换分解为Z个子样本,每一个子样本分解为2部分,第一部分滤波系数定义为第二部分滤波系数定义为/>C/D表示特征样本C或特征样本D,1≤γ≤Z表示第γ次分解;
步骤b,对于第γ次分解的第一部分滤波系数,采用第一融合准则进行融合,遍历特征样本C或特征样本D,计算特征样本C或特征样本D的相关度,得到融合权重,第一融合准则准则为:
确定P×Q的窗口为区域R,计算区域R内每个特征样本的子点在水平方向和垂直方向的梯度幅值Gx[i,j]和Gy[i,j],计算出梯度值G(i,j)
计算出区域R的中心点的内积能量为E(P(x,y))
<>为区域内积运算;
计算出特征样本C和特征样本D的相关性为:
假设阈值为a,权重系数wC和wD为:
当时,wC=0,wD=0;
时,/>wD=1-wC;
计算出第一部分融合后特征为RF(x,y)=wC·RC(x,y)+wC·RC(x,y);
步骤c,对于第γ次分解的第二部分系数,采用第二融合准则进行融合,定义P×Q的窗口为区域R;第二融合准则为计算区域能量的最大值E进行融合;
其中w(i,j)为区域中每个相邻点像素的权值;
步骤d,采用与步骤a对应的逆变换对步骤b和步骤c的融合结果进行重构,得到归一化特征F。
本发明的有益效果:本发明,在运维的数据采集和传输过程中,采用分级传输,减少传输开销,提高传输效率。在此基础上,本发明选择将新采集的数据与中介节点的历史数据进行相似性判断,在判断出相似数据后,直接将两者的相似性参数(即变换补偿序列)作为待传输参数,进行传输。但是,为了防止浪费开销和降低传输效率,在此时,需要对处理前和处理后的数据段大小进行比对,有所减少后才使用新的数据段进行传输。接收端接收后,对应判断是否有相似性参数(即变换补偿序列),并通过逆运算解出数据。在此方案中,已经被传输给接收端的数据是存储在接收端的,如果存在相似数据,不用重新传输新数据,仅传输两者之间的变换关系,能够极大的节约传输带宽,增加传输效率。同时,采用将运维分析策略所需的不同种类数据进行规划处理,分析的效率。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1,电子智造业运维云平台系统示意图。
图2,中继处理程序示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例1
本实施例提供一种电子智造业运维云平台系统,如图1,所述电子智造业运维云平台系统包括:
用于提供中间级数据处理的中继模块,用于采集制造设备数据的数据采集单元,一个中继模块可连接多个数据采集单元;中继模块通过区块链通信单元连接有设备状态云分析单元;设备状态云分析单元连接有设备工序流程动态配置单元和设备状态诊断单元,通过分析结果反馈控制和维护制造设备;所述中继模块内置有数据中继处理程序,如图2,用于执行如下步骤:
步骤1,中继模块接收设备数据;
步骤2,提取设备数据的特征,在中继模块历史传输数据库中检索匹配出相似数据,记录相似数据标签,将相似数据定义为参考数据;如果无法检索匹配出相似数据,则将设备数据定义为待传输数据,直接执行步骤5;
步骤3,以参考数据为源,设备数据为目标,计算出变换补偿序列;
步骤4,将相似数据标签、变换补偿序列定义待传输数据;比对设备数据与待传输数据的大小,待处理数据小于待传输数据,则执行步骤5,否则将设备数据更新为待传输数据;
步骤5,判断待传输数据与传输阈值大小,待传输数据小于传输阈值,则返还执行步骤1,否则执行步骤6;
步骤6,中继模块对待传输数据进行压缩编码,完成中继处理,传输给设备状态云分析单元。
本实施例的SMT设备配置以太网功能,信息采集内容更加丰富,完全可以做到远程实时控制。通过IPV4或IPV6以太网系统可以实时采集数控设备程序运行的开始/结束信息、设备运行状态信息(断电、开机、运行、空闲、报警等)、系统状态信息(编辑、手动、运行、MDI等),设备所有报警信息(设备错误、系统错误、操作提示等)、程序运行内容(程序号信息、程序段信息、各种坐标值数据)、操作履历数据、刀具/设备参数表、设备的实时坐标信息、主轴功率、进给、倍率、转速等。这些设备可以通过网络传输生产需求的各类文档(如NC程序、设计图、生产任务信息等),也可以及时传输检验检测报告,方便进行SPC质量控制。将各种状态信息、运行参数信息实时保存到本地数据库中,如自动立体库,生产线监控系统等,方便地与数据库进行集成即可满足实时采集要求。
采用IPV4或IPV6以太网技术建立高效数据采集网络,可将整个车间生产现场综合到同一个数据交换平台,包括设备状态采集、车间工况数据采集和生产数据交换功能等内容,其数据采集软件、工况数据采集器可以最大程度地采集满足生产管理所需的工况数据,实现生产、管理所需的数据、工夹具装备等资源信息的共享。
在本实施例中,整个工厂设备本质既是一种多域结构,包含架设不同网络的各工厂和车间;同时也是一个分布式结构的,有很高的效率且开放性强和易于扩展,故本实施例认为工厂设备联网系统是一种分布式多域体系结构。层次结构是按照上下级进行划分的逻辑概念。域首负责每个域的管理,依据对等实体间完全对称的协作方式完成数据采集任务。结构中的协作形式有两个:域首和域成员的协作;域首和域首的协作。采用这两种协作方式,可充分提高监控系统的实时性、可拓展性,可操作性,适应节点的状态的变化以及移动性。
具体地,步骤2包括:
步骤2.1,定义一个特征提取框,特征提取框的宽度为w;
步骤2.2,使用特征提取框遍历设备数据,完成特征提取;
步骤2.3,将提取的特征与中继模块历史传输数据库中的历史数据特征进行匹配,将匹配率大于预设阈值的历史数据定义为相似数据。
进一步地,步骤2中,设备数据为模拟数据,包括:
步骤(1),采集设备数据的时域曲线,定义自适应时间窗口,时间窗口的一侧为左端点或右端点,时间窗口内包含一个极大值和极小值,定义左端点的垂直线为第一中线,定义左端点的垂直线的均值为第二中线;分别以第一中线和第二中线为对称面,对时间窗口内的实时特征时间序列信号进行对称计算,得到新的实时特征曲线;
步骤(2),从新的特征曲线中检测出N个极大值或极小值,记作{(vi,ti)|i=0,1,...,N},其中N为大于3的自然数;
步骤(3),计算相邻极大值或极小值之间的时间差,得到极值间隔数据库{(vi,Δti)|i=1,2,...,N};
步骤(4),定义特征提取框宽度为w,特征提取框的移动速度为v;
w=(max(Δti)-min(Δti))×p;
其中,p为特征提取框宽度和特征曲线宽度的预设比例值,1≤i≤N;
步骤(5),从横向扫描确定峰值阈值范围(V1,V2);从纵向扫描确定时间间隔阈值范围(T1,T2);
步骤(6),将峰值阈值范围(V1,V2)和时间间隔阈值范围(T1,T2)构成的区域定义为标准特征点的可信区域;
步骤(7),将标准特征点的可信区域组成的曲线,更新定义为优化特征曲线函数T=(s1,s2,...,sn),其中,n为更正特征曲线的长度;
步骤(8),将中继模块历史传输数据库中经过步骤(1)~步骤(7)的历史数据特征S=(s1,s2,...,sm),m为历史数据特征长度,使用DTW算法计算一致性对比度,一致性对比度低于预设阈值的判定两者一致,否则判定不一致。
进一步地,步骤3包括;
步骤3.1,以特征提取框为单位确定源数据内的源数据子元,目标数据内的目标数据子元;
步骤3.2,定义变换方程为:E=d+η×s;补偿方程为:I‘’=αI′+β;
其中,η为预设的权权重值,I′表示形变后的源数据子元,I‘’表示经过幅度补偿之后的源数据子元;相邻源数据子元的连通性s,s=0表示不连通,s=1表示连通;
步骤3.3,确定源数据子元到目标数据子元的距离d,幅度补偿系数α和β;
步骤3.4,将源数据子元标签、目标数据子元标签、距离变换参数d、连通性s、幅度变换参数α和β定义为变换补偿序列。
进一步地,所述设备状态云分析预测单元执行分析预测程序,包括:
数据归一化处理,对归一化数据进行设备状态云分析,归一化处理包括
步骤a,选出2个样本数据集分别定义为特征样本C和特征样本D,将特征样本C和特征样本D变换分解为Z个子样本,每一个子样本分解为2部分,第一部分滤波系数定义为第二部分滤波系数定义为/>C/D表示特征样本C或特征样本D,1≤γ≤Z表示第γ次分解;
步骤b,对于第γ次分解的第一部分滤波系数,采用第一融合准则进行融合,遍历特征样本C或特征样本D,计算特征样本C或特征样本D的相关度,得到融合权重,第一融合准则准则为:
确定P×Q的窗口为区域R,计算区域R内每个特征样本的子点在水平方向和垂直方向的梯度幅值Gx[i,j]和Gy[i,j],计算出梯度值G(i,j)
计算出区域R的中心点的内积能量为E(P(x,y))
<>为区域内积运算;
计算出特征样本C和特征样本D的相关性为:
假设阈值为a,权重系数wC和wD为:
当时,wC=0,wD=0;
时,/>wD=1-wC;
计算出第一部分融合后特征为RF(x,y)=wC·RC(x,y)+wC·RC(x,y);
步骤c,对于第γ次分解的第二部分系数,采用第二融合准则进行融合,定义P×Q的窗口为区域R;第二融合准则为计算区域能量的最大值E进行融合;
其中w(i,j)为区域中每个相邻点像素的权值;
步骤d,采用与步骤a对应的逆变换对步骤b和步骤c的融合结果进行重构,得到归一化特征F。
本实施例在运维的数据采集和传输过程中,采用分级传输,减少传输开销,提高传输效率。在此基础上,本发明选择将新采集的数据与中介节点的历史数据进行相似性判断,在判断出相似数据后,直接将两者的相似性参数(即变换补偿序列)作为待传输参数,进行传输。但是,为了防止浪费开销和降低传输效率,在此时,需要对处理前和处理后的数据段大小进行比对,有所减少后才使用新的数据段进行传输。接收端接收后,对应判断是否有相似性参数(即变换补偿序列),并通过逆运算解出数据。在此方案中,已经被传输给接收端的数据是存储在接收端的,如果存在相似数据,不用重新传输新数据,仅传输两者之间的变换关系,能够极大的节约传输带宽,增加传输效率。同时,采用将运维分析策略所需的不同种类数据进行规划处理,分析的效率。
此外,为了实现不同设备之间的数据采集,采用黑板结构来实现协同通信,将分布在不同物理环境下多个实体协作完成任务的并行和分布计算模型。结合OPC DA规范数据采集优势。
本实施例在OPC Server Agent内部设置一个黑板,通过该黑板来实现OPC ServerAgent和各子系统Agent,以及各子系统Agent之间的通信。同时,将设置OPC Server Agent中的黑板中分为专用区和公共区两个区域。其中,公共区域负责OPC Server中多Agent的数据采集代理结构中不同部分的通信功能。专用区域其用于存放各子系统Agent的专有数据,除了子系统Agent与OPC Server Agent外其他子系统Agent不能进入访问,在专用区实现OPC ServerAgent与各子系统Agent之间的通信;公共区用于存放公有数据,所有子系统可共享Agent,其负责子系统Agent之间的通信,在子系统之间交互数据、联动控制时使用。
对于现场总线网络中设备类信息的采集,本实施例主要通过前述的OPC Server多Agent结构通过数据存取规范来对现场总线网络中的设备的信息进行采集,对于现场总线网络中链路类信息的进行高效采集与传输。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员能够理解本发明,但是本发明不仅限于具体实施方式的范围,对本技术领域的普通技术人员而言,只要各种变化只要在所附的权利要求限定和确定的本发明精神和范围内,一切利用本发明构思的发明创造均在保护之列。
Claims (5)
1.一种电子智造业运维云平台系统,其特征在于:所述电子智造业运维云平台系统包括:
用于提供中间级数据处理的中继模块,用于采集制造设备数据的数据采集单元,一个中继模块可连接多个数据采集单元;中继模块通过区块链通信单元连接有设备状态云分析单元;设备状态云分析单元连接有设备工序流程动态配置单元和设备状态诊断单元,通过分析结果反馈控制和维护制造设备;所述中继模块内置有数据中继处理程序,用于执行如下步骤:
步骤1,中继模块接收设备数据;
步骤2,提取设备数据的特征,在中继模块历史传输数据库中检索匹配出相似数据,记录相似数据标签,将相似数据定义为参考数据;如果无法检索匹配出相似数据,则将设备数据定义为待传输数据,直接执行步骤5;
步骤3,以参考数据为源,设备数据为目标,计算出变换补偿序列;
步骤4,将相似数据标签、变换补偿序列定义待传输数据;比对设备数据与待传输数据的大小,待处理数据小于待传输数据,则执行步骤5,否则将设备数据更新为待传输数据;
步骤5,判断待传输数据与传输阈值大小,待传输数据小于传输阈值,则返还执行步骤1,否则执行步骤6;
步骤6,中继模块对待传输数据进行压缩编码,完成中继处理,传输给设备状态云分析单元。
2.根据权利要求1所述的电子智造业运维云平台系统,其特征在于:步骤2包括:
步骤2.1,定义一个特征提取框,特征提取框的宽度为w;
步骤2.2,使用特征提取框遍历设备数据,完成特征提取;
步骤2.3,将提取的特征与中继模块历史传输数据库中的历史数据特征进行匹配,将匹配率大于预设阈值的历史数据定义为相似数据。
3.根据权利要求1所述的电子智造业运维云平台系统,其特征在于:步骤2中,设备数据为模拟数据,包括:
步骤(1),采集设备数据的时域曲线,定义自适应时间窗口,时间窗口的一侧为左端点或右端点,时间窗口内包含一个极大值和极小值,定义左端点的垂直线为第一中线,定义左端点的垂直线的均值为第二中线;分别以第一中线和第二中线为对称面,对时间窗口内的实时特征时间序列信号进行对称计算,得到新的实时特征曲线;
步骤(2),从新的特征曲线中检测出N个极大值或极小值,记作{(vi,ti)|i=0,1,...,N},其中N为大于3的自然数;
步骤(3),计算相邻极大值或极小值之间的时间差,得到极值间隔数据库{(vi,Δti)|i=1,2,...,N};
步骤(4),定义特征提取框宽度为w,特征提取框的移动速度为v;
w=(max(Δti)-min(Δti))×p;
其中,p为特征提取框宽度和特征曲线宽度的预设比例值,1≤i≤N;
步骤(5),从横向扫描确定峰值阈值范围(V1,V2);从纵向扫描确定时间间隔阈值范围(T1,T2);
步骤(6),将峰值阈值范围(V1,V2)和时间间隔阈值范围(T1,T2)构成的区域定义为标准特征点的可信区域;
步骤(7),将标准特征点的可信区域组成的曲线,更新定义为优化特征曲线函数T=(s1,s2,...,sn),其中,n为更正特征曲线的长度;
步骤(8),将中继模块历史传输数据库中经过步骤(1)~步骤(7)的历史数据特征S=(s1,s2,...,sm),m为历史数据特征长度,使用DTW算法计算一致性对比度,一致性对比度低于预设阈值的判定两者一致,否则判定不一致。
4.根据权利要求2或3所述的电子智造业运维云平台系统,其特征在于:步骤3包括;
步骤3.1,以特征提取框为单位确定源数据内的源数据子元,目标数据内的目标数据子元;
步骤3.2,定义变换方程为:E=d+η×s;补偿方程为:I‘’=αI′+β;
其中,η为预设的权权重值,I′表示形变后的源数据子元,I‘’表示经过幅度补偿之后的源数据子元;相邻源数据子元的连通性s,s=0表示不连通,s=1表示连通;
步骤3.3,确定源数据子元到目标数据子元的距离d,幅度补偿系数α和β;
步骤3.4,将源数据子元标签、目标数据子元标签、距离变换参数d、连通性s、幅度变换参数α和β定义为变换补偿序列。
5.根据权利要求1所述的电子智造业运维云平台系统,其特征在于:所述设备状态云分析预测单元执行分析预测程序,包括:
数据归一化处理,对归一化数据进行设备状态云分析,归一化处理包括
步骤a,选出2个样本数据集分别定义为特征样本C和特征样本D,将特征样本C和特征样本D变换分解为Z个子样本,每一个子样本分解为2部分,第一部分滤波系数定义为第二部分滤波系数定义为/>C/D表示特征样本C或特征样本D,1≤γ≤Z表示第γ次分解;
步骤b,对于第γ次分解的第一部分滤波系数,采用第一融合准则进行融合,遍历特征样本C或特征样本D,计算特征样本C或特征样本D的相关度,得到融合权重,第一融合准则准则为:
确定P×Q的窗口为区域R,计算区域R内每个特征样本的子点在水平方向和垂直方向的梯度幅值Gx[i,j]和Gy[i,j],计算出梯度值G(i,j)
计算出区域R的中心点的内积能量为E(P(x,y))
<>为区域内积运算;
计算出特征样本C和特征样本D的相关性为:
假设阈值为a,权重系数wC和wD为:
当时,wC=0,wD=0;
时,/>wD=1-wC;
计算出第一部分融合后特征为RF(x,y)=wC·RC(x,y)+wC·RC(x,y);
步骤c,对于第γ次分解的第二部分系数,采用第二融合准则进行融合,定义P×Q的窗口为区域R;第二融合准则为计算区域能量的最大值E进行融合;
其中w(i,j)为区域中每个相邻点像素的权值;
步骤d,采用与步骤a对应的逆变换对步骤b和步骤c的融合结果进行重构,得到归一化特征F。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210092826.XA CN114614946B (zh) | 2022-01-26 | 2022-01-26 | 一种电子智造业运维云平台系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210092826.XA CN114614946B (zh) | 2022-01-26 | 2022-01-26 | 一种电子智造业运维云平台系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114614946A CN114614946A (zh) | 2022-06-10 |
CN114614946B true CN114614946B (zh) | 2023-09-01 |
Family
ID=81859265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210092826.XA Active CN114614946B (zh) | 2022-01-26 | 2022-01-26 | 一种电子智造业运维云平台系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114614946B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107291060A (zh) * | 2016-03-31 | 2017-10-24 | 上海海事大学 | 基于Oracle数据库的大规模工业信息控制系统及其控制方法 |
WO2019003233A1 (en) * | 2017-06-27 | 2019-01-03 | Kavitha Parthasarathy | SYSTEM AND METHOD FOR MONITORING, CONTROLLING, AND PROCESSING INFORMATION FROM A REMOTE DEVICE VIA A CONFIGURABLE CLOUD APPLICATION |
CN113806725A (zh) * | 2021-11-17 | 2021-12-17 | 北京翰凌科技有限公司 | 一种金融商业数据云交互方法 |
-
2022
- 2022-01-26 CN CN202210092826.XA patent/CN114614946B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107291060A (zh) * | 2016-03-31 | 2017-10-24 | 上海海事大学 | 基于Oracle数据库的大规模工业信息控制系统及其控制方法 |
WO2019003233A1 (en) * | 2017-06-27 | 2019-01-03 | Kavitha Parthasarathy | SYSTEM AND METHOD FOR MONITORING, CONTROLLING, AND PROCESSING INFORMATION FROM A REMOTE DEVICE VIA A CONFIGURABLE CLOUD APPLICATION |
CN113806725A (zh) * | 2021-11-17 | 2021-12-17 | 北京翰凌科技有限公司 | 一种金融商业数据云交互方法 |
Non-Patent Citations (1)
Title |
---|
产业互联下面向云平台的智造供应链信息协作;谭晓军;何建佳;何胜学;;计算机系统应用(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114614946A (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106228270B (zh) | 一种大数据驱动的挤压设备的能耗预测方法及其系统 | |
CN111475921A (zh) | 一种基于边缘计算和lstm网络的刀具剩余寿命预测方法 | |
CN105607631B (zh) | 间歇过程弱故障模型控制限建立方法及弱故障监测方法 | |
CN110515931B (zh) | 一种基于随机森林算法的电容型设备缺陷预测方法 | |
CN111913849A (zh) | 一种用于运维数据的无监督异常检测和鲁棒趋势预测方法 | |
CN112288597A (zh) | 一种基于层次聚类和直方图算法的能耗在线异常检测方法 | |
CN116599857B (zh) | 一种适用于物联网多场景的数字孪生应用系统 | |
CN114297912A (zh) | 基于深度学习的刀具磨损预测方法 | |
CN114614946B (zh) | 一种电子智造业运维云平台系统 | |
CN114430353A (zh) | 一种基于Modbus协议的数据采集方法、系统、装置及介质 | |
CN113627685B (zh) | 一种考虑风电上网负荷限制的风力发电机功率预测方法 | |
CN112907107B (zh) | 一种基于多源信息融合的渔业事故应急处理系统及方法 | |
CN111736574B (zh) | 一种通用的火电厂故障诊断系统及其诊断方法 | |
CN117421994A (zh) | 一种边缘应用健康度的监测方法和监测系统 | |
CN115933534B (zh) | 一种基于物联网的数控智能检测系统及方法 | |
CN116629448A (zh) | 基于经验模态分解和神经网络相结合的光伏功率预测方法 | |
CN116467592A (zh) | 一种基于深度学习的生产设备故障智能监测方法及系统 | |
CN112269778B (zh) | 一种设备故障诊断方法 | |
CN110794799A (zh) | 应用于工业生产的具有故障诊断功能的大数据系统 | |
CN111988192A (zh) | 一种基于机器学习的列车通信网络故障诊断方法 | |
CN115640980A (zh) | 基于目标控制的电网工程造价动态管理系统 | |
CN115718906A (zh) | 一种多能源系统多源异构数据融合方法及系统 | |
CN114065651A (zh) | 一种用于旋转类设备的故障时间预测方法 | |
CN114546519A (zh) | 一种工控安全数据采集系统与方法 | |
Liu et al. | Monitoring for Health Status of Communication Equipment Based on IoT |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20220610 Assignee: Guilin Hanchen Technology Co.,Ltd. Assignor: GUILIN University OF ELECTRONIC TECHNOLOGY Contract record no.: X2023980046252 Denomination of invention: A Cloud Platform System for Operation and Maintenance of Electronic Intelligent Manufacturing Industry Granted publication date: 20230901 License type: Common License Record date: 20231108 |
|
EE01 | Entry into force of recordation of patent licensing contract |