CN114826885B - 一种基于数据分析的设备故障监测系统及方法 - Google Patents
一种基于数据分析的设备故障监测系统及方法 Download PDFInfo
- Publication number
- CN114826885B CN114826885B CN202210760648.3A CN202210760648A CN114826885B CN 114826885 B CN114826885 B CN 114826885B CN 202210760648 A CN202210760648 A CN 202210760648A CN 114826885 B CN114826885 B CN 114826885B
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- module
- time
- time information
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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]
Abstract
本发明公开了一种基于数据分析的设备故障监测系统及方法,涉及数据处理技术领域;所述设备故障监测系统包括故障分析处理模块、设备延迟分析模块和设备延迟处理模块;所述故障分析处理模块用于获取模块接收数据时的信号,根据模块接收数据时的信号,分析模块的状态,得到模块是否故障的结果,根据结果对模块进行处理,保证处理后的模块将数据完整传输,从而能够保证数据传输至设备的及时有效性;所述设备延迟分析模块用于获取设备按照指令完成工序的时间信息,如若时间信息为异常时间信息,则对产生异常时间信息的原因进行聚类,得到聚类结果;确保设备能够及时完成工序,减少误差,同时能够保证设备的生产效率,并达到确定生产目标。
Description
技术领域
本发明涉及数据处理技术领域,具体为一种基于数据分析的设备故障监测系统及方法。
背景技术
目前,在执行机械操作指令时常由于采集数据的模块发生故障,导致机器在没有数据情况下无法正常完成操作指令;在检测模块的状态时,往往通过数据信号对系统的进程进行检测,但是在检测过程中,检测信号的间隔时间过长或者过短,都会导致数据造成不同程度的丢失;
为此,常通过两个或者更多同功能的模块进行并行工作,从而保证顺利传输数据;同时为了避免数据传输过程中延误过长时间,通常会提前将数据进行备份,从而保证数据的一致性;然而在数据传输至机器设备后,机器却无法在指定的时间内完成工作,进而造成工作效率降低;因此,有必要提供一种新的技术方案来改善已存在的问题。
发明内容
本发明的目的在于提供一种基于数据分析的设备故障监测系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于数据分析的设备故障监测系统,所述设备故障监测系统包括故障分析处理模块、设备延迟分析模块和设备延迟处理模块;
所述故障分析处理模块用于获取模块接收数据时的信号,根据模块接收数据时的信号,分析模块的状态,得到模块是否故障的结果,根据结果对模块进行处理,保证处理后的模块将数据完整传输;
所述设备延迟分析模块用于获取设备按照指令完成工序的时间信息,如若时间信息为异常时间信息,则对产生异常时间信息的原因进行聚类,得到聚类结果;
所述设备延迟处理模块用于获取产生异常时间信息的原因,对产生的原因进行处理;
所述模块用于接收、处理和保存数据,所述数据经由现场传感器传输所得;
所述故障分析处理模块与设备延迟分析模块和设备延迟处理模块相连接。
进一步的,所述故障分析处理模块包括数据采集单元、传输状态检测单元、状态处理单元、传输切换单元;
所述数据采集单元用于获取传感器上的数据,并将数据输送至设备中;
所述传输状态检测单元用于检测模块接收数据时的信号,并根据模块接收数据时的信号,分析模块的状态,并将模块的状态输送至状态处理单元;
所述状态处理单元用于检测模块的状态,若模块发生故障时,激活与所述模块相同作用的备份模块进行工作;
所述传输切换单元用于通过数据总线实时将所述模块中的数据传输至备份模块中,从而起到将数据实时同步的作用,确保切换后的数据起到无缝切换的效果;
所述数据采集单元的输出端与传输状态检测单元的输入端相连接;所述传输状态检测单元的输出端与状态处理单元的输入端相连接;所述状态处理单元的输出端与传输切换单元的输入端相连接。
进一步的,所述设备延迟分析模块包括数据反馈单元、数据特征分析单元和信息延迟分类单元;所述数据反馈单元用于获取设备按照指令完成工序的时间信息,并将完成工序的时间信息与设定完成工序的时间信息比较,得到比较结果的信息;
所述数据特征分析单元用于计算备份模块向设备传输数据的时间信息,将时间信息与设备传输数据的历史时间信息分别集合在至少一个数据集中;根据数据集获取数据的特征信息;
所述信息延迟分类单元用于更新数据的特征信息得到新数据特征信息,对设备按照指令完成工序的异常时间信息的原因进行聚类,得到聚类结果;
所述数据反馈单元的输出端与数据特征分析单元的输入端相连接,所述数据特征分析单元的输出端与信息延迟分类单元的输入端相连接。
进一步的,所述设备延迟处理模块包括优先级发送单元、指令编辑单元、端口数据验证单元、工作时间优化单元和设备信息获取单元;
所述优先级发送单元在核实到备份模块向设备传输数据所造成的时间延迟时,按照优先级选取部分数据优先传输至设备中;
所述指令编辑单元在核实到第一设备按照指令操作所造成的时间延迟时,输出指令至第二设备,使得第二设备接收传感器数据并按照指令完成工作;
所述端口数据验证单元用于验证第二设备所接收的传感器数据,分析数据的完整性;
所述工作时间优化单元用于获取第二设备工作的时间信息,保证选取第二设备能够在指定条件内执行指令,并完成相应工序;
所述设备信息获取单元用于获取第二设备的信息;
所述端口数据验证单元的输出端与工作时间优化单元和设备信息获取单元的输入端相连接。
进一步的,一种基于数据分析的设备故障监测方法,所述设备故障监测方法执行如下步骤:Z01:获取传感器上的数据,模块接收、处理并保存所述数据;获取模块接收数据时的信号;若核实到在预设时间段内连续接收到异常信号,则模块为故障状态;激活与所述模块相同作用的备份模块处理数据;
Z02:接收数据,第一设备按照指令完成工序,并获取第一设备按照指令完成工序的时间信息;将完成工序的时间信息与设定完成工序的时间信息比较,如若完成工序的时间信息与设定完成工序的时间信息的差值信息大于设定值时,则表示产生异常时间信息;并对产生异常时间信息的原因进行分类,得到分类结果;
Z03:对产生异常时间信息的原因进行处理。
在步骤Z02中,在对产生异常时间信息的原因进行分类前,对备份模块向第一设备
传输数据的时间信息进行计算;获取历史数据中备份模块向第一设备传输数据A时的时间,获取数据传输过程中所受影响因素:网络速度和设备接收数据时的稳定性;将时间和
所受影响因素作为神经网络中输入层的三个神经元X={x1,x2,x3};将第一设备传输数据
时的时间变量作为神经网络输出层的一个神经元;设置神经网路的隐藏层m=
;a是指1-10之间的任意常数;设置激活函数sigmoid,得到输入层至隐藏层的模型为N1=,U1=sigmoid(N1);w是指输入层至隐藏层的权重,b是指偏置项;U1是指隐藏层中
的神经元;通过如下步骤得到预测值:Z021:初始化神经网络中的参数值,设置学习率
和迭代次数;
Z024:更新神经网络中的权重值和偏置项;
在步骤Z02中,若核实到备份模块向第一设备传输数据的时间为异常时间,则表示导致异常时间出现的原因为备份模块数据传输延迟;获取备份模块向第一设备传输数据的时间信息作为数据特征;通过聚类分析法对新数据特征进行训练学习,所述新数据特征信息为所述数据特征和第一设备接收指令完成工序的数据特征信息;如若核实到备份模块向第一设备传输数据的时间并非为异常时间时,则表示第一设备接收指令处理工序而导致时间延迟的概率大于预设概率;为了防止由于第一设备的原因导致后续工序的停滞,则代替所述第一设备完成工序的条件为:
其中:T为第一设备接收指令完成工序的时间段,R为第二设备开始接收指令完成
工序的时间信息,K是指第二设备开始接收其他数据完成工序的时间信息,H0是第一设备已
完成的工序次数,H1是指第一设备维修成功后完成的工序次数;Z1是指第一设备维修结束
的时间信息,Z0是指第一设备维修开始的时间信息,是指第一设备在当日目标完成的工
序次数。
在步骤Z03中,若核实到由于第一设备接收指令并处理工序而导致时间延迟,则获取代替设备完成后续工序的第二设备的位置信息;将第一设备向第二设备开始发送的数据作为对比数据的起点,第二设备完全接收到第一设备的数据作为对比数据的终点,并形成向量;将第一设备开始接收传感器的数据作为标准数据的起点,将第一设备完全接收到传感器的数据作为标准数据的终点,并形成向量;
在步骤Z03中,若核实到备份模块向第一设备传输数据的时间为异常时间时,对所传输数据进行优先级设置;获取备份模块中的数据集合Q={q1,q2,q3...qj},j是指数据集内数据的项数;根据备份模块中所需传输数据与第一设备所需数据内容相关的比例,确定数据传输时的权重值集合D={d1,d2,d3,...,dj};S=α*d;α是指备份模块中部分数据向第一设备传输时,部分数据与第一设备所需数据的相关度,是指部分数据对应的权重值,S是指备份模块中部分数据向设备传输时的优先级;进而得到备份模块向第一设备传输时的优先级排序集合S={s1,s2,s3,...,sj};根据优先级从高至低的顺序进行排序,并按照优先级顺序向第一设备输出数据。
与现有技术相比,本发明所达到的有益效果是:
本发明通过故障分析处理模块,根据信号的状态分析模块是否故障;如若模块发生故障,则对故障进行处理,确保处理后的模块能够将数据完整传输,在处理模块故障的过程中,能够及时替换与模块相同作用的备份模块,从而能够保证数据传输至设备的及时有效性;通过设备延迟分析模块和设备延迟处理模块,对异常时间信息进行识别,并对产生异常时间信息的原因进行聚类,根据聚类结果有效对异常时间信息的原因进行处理,确保设备能够及时完成工序,减少误差,同时能够保证设备的生产效率,并达到确定生产目标。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于数据分析的设备故障监测系统的模块组成示意图;
图2是本发明一种基于数据分析的设备故障监测方法的步骤示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-图2,本发明提供技术方案: 一种基于数据分析的设备故障监测系统,设备故障监测系统包括故障分析处理模块、设备延迟分析模块和设备延迟处理模块;
故障分析处理模块用于获取模块接收数据时的信号,根据模块接收数据时的信号,分析模块的状态,得到模块是否故障的结果,根据结果对模块进行处理,保证处理后的模块将数据完整传输;
设备延迟分析模块用于获取设备按照指令完成工序的时间信息,如若时间信息为异常时间信息,则对产生异常时间信息的原因进行聚类,得到聚类结果;
设备延迟处理模块用于获取产生异常时间信息的原因,对产生的原因进行处理;
模块用于接收、处理和保存数据,所述数据经由现场传感器传输所得;
故障分析处理模块与设备延迟分析模块和设备延迟处理模块相连接。
进一步的,故障分析处理模块包括数据采集单元、传输状态检测单元、状态处理单元、传输切换单元;
数据采集单元用于获取传感器上的数据,并将数据输送至设备中;
传输状态检测单元用于检测模块接收数据时的信号,并根据模块接收数据时的信号,分析模块的状态,并将模块的状态输送至状态处理单元;
状态处理单元用于检测模块的状态,若模块发生故障时,激活与模块相同作用的备份模块进行工作;
传输切换单元用于通过数据总线实时将所述模块中的数据传输至备份模块中,从而起到将数据实时同步的作用,确保切换后的数据起到无缝切换的效果;
数据采集单元的输出端与传输状态检测单元的输入端相连接;传输状态检测单元的输出端与状态处理单元的输入端相连接;状态处理单元的输出端与传输切换单元的输入端相连接。
进一步的,设备延迟分析模块包括数据反馈单元、数据特征分析单元和信息延迟分类单元;数据反馈单元用于获取设备按照指令完成工序的时间信息,并将完成工序的时间信息与设定完成工序的时间信息比较,得到比较结果的信息;
数据特征分析单元用于计算备份模块向设备传输数据的时间信息,将时间信息与设备传输数据的历史时间信息分别集合在至少一个数据集中;根据数据集获取数据的特征信息;
信息延迟分类单元用于更新数据的特征信息得到新数据特征信息,对设备按照指令完成工序的异常时间信息的原因进行聚类,得到聚类结果;
数据反馈单元的输出端与数据特征分析单元的输入端相连接,所述数据特征分析单元的输出端与信息延迟分类单元的输入端相连接。
进一步的,设备延迟处理模块包括优先级发送单元、指令编辑单元、端口数据验证单元、工作时间优化单元和设备信息获取单元;
优先级发送单元在核实到备份模块向设备传输数据所造成的时间延迟时,按照优先级选取部分数据优先传输至设备中;
指令编辑单元在核实到第一设备按照指令操作所造成的时间延迟时,输出指令至第二设备,使得第二设备接收传感器数据并按照指令完成工作;
端口数据验证单元用于验证第二设备所接收的传感器数据,分析数据的完整性;
工作时间优化单元用于获取第二设备工作的时间信息,保证选取第二设备能够在指定条件内执行指令,并完成相应工序;
设备信息获取单元用于获取第二设备的信息;
端口数据验证单元的输出端与工作时间优化单元和设备信息获取单元的输入端相连接。
进一步的,一种基于数据分析的设备故障监测方法,设备故障监测方法执行如下步骤:Z01:获取传感器上的数据,模块接收、处理并保存所述数据;获取模块接收数据时的信号;若核实到在预设时间段内连续接收到异常信号,则模块为故障状态;激活与所述模块相同作用的备份模块处理数据;
Z02:接收数据,第一设备按照指令完成工序,并获取第一设备按照指令完成工序的时间信息;将完成工序的时间信息与设定完成工序的时间信息比较,如若完成工序的时间信息与设定完成工序的时间信息的差值信息大于设定值时,则表示产生异常时间信息;并对产生异常时间信息的原因进行分类,得到分类结果;
Z03:对产生异常时间信息的原因进行处理。
在步骤Z02中,在对产生异常时间信息的原因进行分类前,对备份模块向第一设备
传输数据的时间信息进行计算;获取历史数据中备份模块向第一设备传输数据A时的时间,获取数据传输过程中所受影响因素:网络速度和设备接收数据时的稳定性;将时间和
所受影响因素作为神经网络中输入层的三个神经元X={x1,x2,x3};将第一设备传输数据时的时间变量作为神经网络输出层的一个神经元;设置神经网路的隐藏层m=;a是指1-10之间的任意常数;设置激活函数sigmoid,得到输入层至隐藏层的模
型为N1=,U1=sigmoid(N1);w是指输入层至隐藏层的权重,b是指偏置项;U1是指隐
藏层中的神经元;通过如下步骤得到预测值:Z021:初始化神经网络中的参数值,设置学
习率和迭代次数;
Z024:更新神经网络中的权重值和偏置项;
在步骤Z022中,已得到待训练数据集中的预测值信息和真实值信息,为了使得此
处计算的备份模块向设备传输数据的时间更加精准,不断更新神经网络中的权重值和的偏
置项,确保数据的精准;在步骤Z023和Z024中,所更新的权重值和偏置项、误差项和误差
项分别为输入层向隐藏层的信息和隐藏层向输出层的信息。
在步骤Z02中,若核实到备份模块向第一设备传输数据的时间为异常时间,则表示导致异常时间出现的原因为备份模块数据传输延迟;获取备份模块向第一设备传输数据的时间信息作为数据特征;通过聚类分析法对新数据特征进行训练学习,新数据特征信息为所述数据特征和第一设备接收指令完成工序的数据特征信息;如若核实到备份模块向第一设备传输数据的时间并非为异常时间时,则表示第一设备接收指令处理工序而导致时间延迟的概率大于预设概率;为了防止由于第一设备的原因导致后续工序的停滞,则代替所述第一设备完成工序的条件为:
其中:T为第一设备接收指令完成工序的时间段,R为第二设备开始接收指令完成
工序的时间信息,K是指第二设备开始接收其他数据完成工序的时间信息,H0是第一设备已
完成的工序次数,H1是指第一设备维修成功后完成的工序次数;Z1是指第一设备维修结束
的时间信息,Z0是指第一设备维修开始的时间信息,是指第一设备在当日目标完成的工
序次数;
在条件中,是为了得到在第二设备上能够完成的工序次数,将所述次数与H0、
H1叠加,能够得到在受到第一设备的影响下所完成的工序次数;在第一设备替换为第二设
备后能够完成的工序次数,则需使得所述工序次数要小于第一设备在当日目标完成的工序
次数,其中设备总共完成的最大工序次数为第一设备在当日目标完成的工序次数,因此设
置小于等于;设置了,由于第二设备需完成本身设备的工序目标任务,其中第
一设备上的工序任务是在第二设备有空余时间时完成,因此,第二设备在完成第一设备上
的工序时,需要满足此条件。
在步骤Z03中,若核实到由于第一设备接收指令并处理工序而导致时间延迟,则获取代替设备完成后续工序的第二设备的位置信息;将第一设备向第二设备开始发送的数据作为对比数据的起点,第二设备完全接收到第一设备的数据作为对比数据的终点,并形成向量;将第一设备开始接收传感器的数据作为标准数据的起点,将第一设备完全接收到传感器的数据作为标准数据的终点,并形成向量;
为了验证数据的完整度,防止因数据不完整导致第二设备无法顺利完成工序;在此通过相似度的方式对数据的完整度进行验证;确保不同维度的数据能够顺利比较,而如果通过计算距离的方式并不能够确保数据完整度的精确度;在此方式中,对数据完整度的精确度计算有着极高的要求,如若数据完整度的精确度发生误差,将导致第二设备无法顺利完成工序,更甚至完全偏离原来的工序。
在步骤Z03中,若核实到备份模块向第一设备传输数据的时间为异常时间时,对所传输数据进行优先级设置;获取备份模块中的数据集合Q={q1,q2,q3...qj},j是指数据集内数据的项数;根据备份模块中所需传输数据与第一设备所需数据内容相关的比例,确定数据传输时的权重值集合D={d1,d2,d3,...,dj};S=α*d;α是指备份模块中部分数据向第一设备传输时,部分数据与第一设备所需数据的相关度,是指部分数据对应的权重值,S是指备份模块中部分数据向设备传输时的优先级;进而得到备份模块向第一设备传输时的优先级排序集合S={s1,s2,s3,...,sj};根据优先级从高至低的顺序进行排序,并按照优先级顺序向第一设备输出数据。
实施例:设置有一模块,所述模块中保存了现场传感器的数据和若干数据等等,现将数据传输至第一切割设备中,要求第一切割设备需在设定时间10.30前完成250次工序;根据第一切割设备的工作日志得到,第一设备在10.30完成了190次工序,则对时间延迟的原因进行聚类,分别为 ① 模块发生故障后,激活与模块相同作用的备份模块,将模块中的数据通过数据总线至备份模块中,导致第一切割设备未在指定时间10.30完成250次工序,② 第一切割设备在切割器件步骤产生的时间延迟;
分析是否为① ,分析备份模块向设备传输的数据;则获取历史数据中备份模块向第一设备传输数据A的时间,以及根据影响因素:网络速度和设备接收数据时的稳定性;获取上述因素通过神经网络算法对备份模块向设备传输的时间进行训练预测,根据训练预测值与真实值比较,优化神经网络算法中的权重值和偏置项,使得最终预测的结果与真实值的误差值小于预设误差值;根据神经网络中优化的参数,得到备份模块向设备传输数据的时间值;如若所预测的时间值与历史时间值相比较,得到备份模块向第一设备传输数据的时间并非为异常时间时,则保存第一设备数据的特征信息;
获取① 中的数据特征信息与第一设备接收指令完成工序的数据特征信息;对数据特征信息进行训练,通过聚类算法对不同数据特征与随机的数据特征信息的距离进行匹配,处理后得到产生异常时间信息的结果;
若为①时,则对备份模块向第一设备传输的数据进行优先级发送;通过公式,得到优先级结果,例如为S={5.2,6.8,7.2,9.8,8.4},对优先级结果排序得到S={9.8,8.4,7.2,6.8,5.2};根据优先级的数据将备份模块中的数据优先发送至第一设备中,确保工序能够按时完成;
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于数据分析的设备故障监测系统,其特征在于:所述设备故障监测系统包括故障分析处理模块、设备延迟分析模块和设备延迟处理模块;
所述故障分析处理模块用于获取模块接收数据时的信号,根据模块接收数据时的信号,分析模块的状态,得到模块是否故障的结果,根据结果对模块进行处理,保证处理后的模块将数据完整传输;
所述故障分析处理模块包括数据采集单元、传输状态检测单元、状态处理单元、传输切换单元;
所述数据采集单元用于获取传感器上的数据,并将数据输送至设备中;
所述传输状态检测单元用于检测模块接收数据时的信号,并根据模块接收数据时的信号,分析模块的状态,并将模块的状态输送至状态处理单元;
所述状态处理单元用于检测模块的状态,若模块发生故障时,激活与所述模块相同作用的备份模块进行工作;
所述传输切换单元用于通过数据总线实时将所述模块中的数据传输至备份模块中,从而起到将数据实时同步的作用,确保切换后的数据起到无缝切换的效果;
所述数据采集单元的输出端与传输状态检测单元的输入端相连接;所述传输状态检测单元的输出端与状态处理单元的输入端相连接;所述状态处理单元的输出端与传输切换单元的输入端相连接;
所述设备延迟分析模块用于获取设备按照指令完成工序的时间信息,如若时间信息为异常时间信息,则对产生异常时间信息的原因进行聚类,得到聚类结果;
所述设备延迟处理模块用于获取产生异常时间信息的原因,对产生的原因进行处理;
若核实到备份模块向第一设备传输数据的时间为异常时间,则表示导致异常时间出现的原因为备份模块数据传输延迟;获取备份模块向第一设备传输数据的时间信息作为数据特征;通过聚类分析法对新数据特征进行训练学习,所述新数据特征为所述数据特征和第一设备接收指令完成工序的数据特征信息;如若核实到备份模块向第一设备传输数据的时间并非为异常时间时,则表示第一设备接收指令处理工序而导致时间延迟的概率大于预设概率;为了防止由于第一设备的原因导致后续工序的停滞,则代替所述第一设备完成工序的条件为:
其中:T为第一设备接收指令完成工序的时间段,R为第二设备开始接收指令完成工序
的时间信息,K是指第二设备开始接收其他数据完成工序的时间信息,H0是第一设备已完成
的工序次数,H1是指第一设备维修成功后完成的工序次数;Z1是指第一设备维修结束的时
间信息,Z0是指第一设备维修开始的时间信息,是指第一设备在当日目标完成的工序次
数;
所述模块用于接收、处理和保存数据,所述数据经由现场传感器传输所得;
所述故障分析处理模块与设备延迟分析模块和设备延迟处理模块相连接。
2.根据权利要求1所述的一种基于数据分析的设备故障监测系统,其特征在于:所述设备延迟分析模块包括数据反馈单元、数据特征分析单元和信息延迟分类单元;所述数据反馈单元用于获取设备按照指令完成工序的时间信息,并将完成工序的时间信息与设定完成工序的时间信息比较,得到比较结果的信息;
所述数据特征分析单元用于计算备份模块向设备传输数据的时间信息,将时间信息与设备传输数据的历史时间信息分别集合在至少一个数据集中;根据数据集获取数据的特征信息;
所述信息延迟分类单元用于更新数据的特征信息得到新数据特征信息,对设备按照指令完成工序的异常时间信息的原因进行聚类,得到聚类结果;
所述数据反馈单元的输出端与数据特征分析单元的输入端相连接,所述数据特征分析单元的输出端与信息延迟分类单元的输入端相连接。
3.根据权利要求1所述的一种基于数据分析的设备故障监测系统,其特征在于:所述设备延迟处理模块包括优先级发送单元、指令编辑单元、端口数据验证单元、工作时间优化单元和设备信息获取单元;
所述优先级发送单元在核实到备份模块向设备传输数据所造成的时间延迟时,按照优先级选取部分数据优先传输至设备中;
所述指令编辑单元在核实到第一设备按照指令操作所造成的时间延迟时,输出指令至第二设备;
所述端口数据验证单元用于验证第二设备所接收的传感器数据,分析数据的完整性;
所述工作时间优化单元用于获取第二设备工作的时间信息,保证选取第二设备能够在指定条件内执行指令,并完成相应工序;
所述设备信息获取单元用于获取第二设备的信息;
所述端口数据验证单元的输出端与工作时间优化单元和设备信息获取单元的输入端相连接。
4.一种基于数据分析的设备故障监测方法,其特征在于:所述设备故障监测方法执行如下步骤:
Z01:获取传感器上的数据,模块接收、处理并保存所述数据;获取模块接收数据时的信号;若核实到在预设时间段内连续接收到异常信号,则模块为故障状态;激活与所述模块相同作用的备份模块处理数据;
Z02:接收数据,第一设备按照指令完成工序,并获取第一设备按照指令完成工序的时间信息;将完成工序的时间信息与设定完成工序的时间信息比较,如若完成工序的时间信息与设定完成工序的时间信息的差值信息大于设定值时,则表示产生异常时间信息;并对产生异常时间信息的原因进行分类,得到分类结果;
Z03:对产生异常时间信息的原因进行处理;
在步骤Z02中,若核实到备份模块向第一设备传输数据的时间为异常时间,则表示导致异常时间出现的原因为备份模块数据传输延迟;获取备份模块向第一设备传输数据的时间信息作为数据特征;通过聚类分析法对新数据特征进行训练学习,所述新数据特征为所述数据特征和第一设备接收指令完成工序的数据特征信息;如若核实到备份模块向第一设备传输数据的时间并非为异常时间时,则表示第一设备接收指令处理工序而导致时间延迟的概率大于预设概率;为了防止由于第一设备的原因导致后续工序的停滞,则代替所述第一设备完成工序的条件为:
5.根据权利要求4所述的一种基于数据分析的设备故障监测方法,其特征在于:在步骤
Z02中,在对产生异常时间信息的原因进行分类前,对备份模块向第一设备传输数据的时间
信息进行计算;获取历史数据中备份模块向第一设备传输数据A时的时间,获取数据传输
过程中所受影响因素:网络速度和设备接收数据时的稳定性;将时间和所受影响因素作
为神经网络中输入层的三个神经元X={x1,x2,x3};将第一设备传输数据时的时间变量作为神经网络输出层的一个神经元;设置神经网路的隐藏层m=;a是指1-10
之间的任意常数;设置激活函数sigmoid,得到输入层至隐藏层的模型为N1=,U1=
sigmoid(N1);w是指输入层至隐藏层的权重,b是指偏置项;U1是指隐藏层中的神经元;
Z024:更新神经网络中的权重值和偏置项;
6.根据权利要求5所述的一种基于数据分析的设备故障监测方法,其特征在于:在步骤
Z03中,若核实到由于第一设备接收指令并处理工序而导致时间延迟,则获取代替第一设备
完成后续工序的第二设备的位置信息;将第一设备向第二设备开始发送的数据作为对比数
据的起点,第二设备完全接收到第一设备的数据作为对比数据的终点,并形成向量;将第
一设备开始接收传感器的数据作为标准数据的起点,将第一设备完全接收到传感器的数据
作为标准数据的终点,并形成向量;
7.根据权利要求4所述的一种基于数据分析的设备故障监测方法,其特征在于:在步骤
Z03中,若核实到备份模块向第一设备传输数据的时间为异常时间时,对所传输数据进行优
先级设置;获取备份模块中的数据集合Q={q1,q2,q3...qj},j是指数据集内数据的项数;根
据备份模块中所需传输数据与第一设备所需数据内容相关的比例,确定数据传输时的权重
值集合D={d1,d2,d3,...,dj};S=α*d;α是指备份模块中部分数据向第一设备传输时,部分
数据与第一设备所需数据的相关度,是指部分数据对应的权重值,S是指备份模块中部分
数据向设备传输时的优先级;进而得到备份模块向第一设备传输时的优先级排序集合S=
{s1,s2,s3,...,sj};根据优先级从高至低的顺序进行排序,并按照优先级顺序向第一设备
输出数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210760648.3A CN114826885B (zh) | 2022-06-30 | 2022-06-30 | 一种基于数据分析的设备故障监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210760648.3A CN114826885B (zh) | 2022-06-30 | 2022-06-30 | 一种基于数据分析的设备故障监测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114826885A CN114826885A (zh) | 2022-07-29 |
CN114826885B true CN114826885B (zh) | 2022-09-23 |
Family
ID=82523435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210760648.3A Active CN114826885B (zh) | 2022-06-30 | 2022-06-30 | 一种基于数据分析的设备故障监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114826885B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115034525B (zh) * | 2022-08-11 | 2022-11-22 | 宝信软件(南京)有限公司 | 基于数据分析的钢管订单生产工期预测监管系统及方法 |
CN116533235B (zh) * | 2023-05-09 | 2023-12-12 | 江苏中科云控智能工业装备有限公司 | 一种基于大数据的压铸生产数据传输系统及方法 |
CN117082113B (zh) * | 2023-10-13 | 2023-12-19 | 南京海汇装备科技有限公司 | 一种基于数据融合的分布式设备监测系统及方法 |
CN117528698B (zh) * | 2024-01-08 | 2024-03-19 | 南京海汇装备科技有限公司 | 一种基于数据链的高速数据传输系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106357426A (zh) * | 2016-08-26 | 2017-01-25 | 东北大学 | 一种基于工业云的大规模分布式智能数据采集系统及方法 |
CN114066109A (zh) * | 2020-07-29 | 2022-02-18 | 合肥欣奕华智能机器有限公司 | 一种生产线中异常状态的确定方法及确定系统 |
WO2022091421A1 (ja) * | 2020-11-02 | 2022-05-05 | 株式会社日立製作所 | 産業システム、異常検知システム及び異常検知方法 |
CN114530936A (zh) * | 2022-01-27 | 2022-05-24 | 江苏德胜电气股份有限公司 | 一种用于电力系统的数据监测方法、系统及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914735B (zh) * | 2014-04-17 | 2017-03-29 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN113190421B (zh) * | 2021-03-16 | 2024-03-29 | 北京中大科慧科技发展有限公司 | 一种用于数据中心的设备健康状态的检测分析方法 |
-
2022
- 2022-06-30 CN CN202210760648.3A patent/CN114826885B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106357426A (zh) * | 2016-08-26 | 2017-01-25 | 东北大学 | 一种基于工业云的大规模分布式智能数据采集系统及方法 |
CN114066109A (zh) * | 2020-07-29 | 2022-02-18 | 合肥欣奕华智能机器有限公司 | 一种生产线中异常状态的确定方法及确定系统 |
WO2022091421A1 (ja) * | 2020-11-02 | 2022-05-05 | 株式会社日立製作所 | 産業システム、異常検知システム及び異常検知方法 |
CN114530936A (zh) * | 2022-01-27 | 2022-05-24 | 江苏德胜电气股份有限公司 | 一种用于电力系统的数据监测方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114826885A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114826885B (zh) | 一种基于数据分析的设备故障监测系统及方法 | |
CN109991951B (zh) | 多源故障检测与诊断方法和装置 | |
US7499777B2 (en) | Diagnostic and prognostic method and system | |
CN112987675B (zh) | 一种异常检测的方法、装置、计算机设备和介质 | |
JP6333868B2 (ja) | セル制御装置、及び製造セルにおける複数の製造機械の稼働状況を管理する生産システム | |
CN101859128A (zh) | 一种基于知识的车铣复合机床故障预测专家系统 | |
CN114994061A (zh) | 一种基于机器视觉的钢轨智能化检测方法及系统 | |
KR20200004823A (ko) | 디스플레이 스크린 주변 회로 검출 방법, 장치, 전자기기 및 저장매체 | |
CN111447173A (zh) | 对控制器局域网或者汽车以太网的数据分类的设备和方法 | |
JP7063426B1 (ja) | 予測スコア算出装置、予測スコア算出方法および予測スコア算出プログラム | |
CN114880312A (zh) | 一种可柔性设置的应用系统业务数据稽核方法 | |
KR20200039877A (ko) | 전력 부하 데이터의 패턴 변화 탐지 장치 및 방법 | |
CN110727669B (zh) | 一种电力系统传感器数据清理装置及清理方法 | |
CN111198979A (zh) | 一种用于对输变电可靠性评估大数据进行清洗的方法及系统 | |
JP2019113914A (ja) | データ識別装置およびデータ識別方法 | |
CN114565961A (zh) | 一种面部检测模型训练方法、装置、电子设备及存储介质 | |
CN113157561A (zh) | 一种数控系统软件模块的缺陷预测方法 | |
CN111352966A (zh) | 一种自主航行中的数据标签标定方法 | |
CN110298750A (zh) | 高并发交易数据处理方法、装置、计算机设备和存储介质 | |
JP7345006B1 (ja) | 学習モデル生成方法及び検査装置 | |
Oh et al. | LSTM-based PdM Platform for Automobile SCU Inspection Equipment | |
KR102611399B1 (ko) | 1차원 오토인코더를 이용한 이상 탐지 장치 | |
KR102444941B1 (ko) | 화재모니터링장치 및 그 동작 방법 | |
Li | A Survey: Industrial Anomaly Detection based on Data Mining | |
CN115935166A (zh) | 检测模型训练方法、装置及相关设备 |
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 |