CN115147052A - 一种hdmi线缆库区智能管理系统 - Google Patents
一种hdmi线缆库区智能管理系统 Download PDFInfo
- Publication number
- CN115147052A CN115147052A CN202211067820.3A CN202211067820A CN115147052A CN 115147052 A CN115147052 A CN 115147052A CN 202211067820 A CN202211067820 A CN 202211067820A CN 115147052 A CN115147052 A CN 115147052A
- Authority
- CN
- China
- Prior art keywords
- stacking
- abnormal
- factor
- mechanical
- sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000002159 abnormal effect Effects 0.000 claims abstract description 204
- 230000005856 abnormality Effects 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 72
- 238000005286 illumination Methods 0.000 claims description 35
- 238000012216 screening Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 17
- 230000000694 effects Effects 0.000 abstract description 10
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000005299 abrasion Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及仓储物流行业的数据处理系统技术领域,具体涉及一种HDMI线缆库区智能管理系统。该系统通过采集对HDMI线缆码垛堆叠过程中码垛机的机械信息和码垛效果信息,获得码放堆叠异常因子和机械异常因子。在时序上对码放堆叠异常因子进行统计聚类,获得异常聚类簇。分析异常聚类簇中每个样本的码放堆叠异常因子与机械异常因子的匹配关系,判断出机械异常对应的异常聚类簇并进行红色预警。通过分析非机械异常对应的异常聚类簇中码放堆叠异常因子的变化趋势,判断当前的异常信息是否真实有效,并反馈黄色预警。本发明通过对码放堆叠过程中数据的分析,实现了精准的异常预警,根据异常预警即可实现对HDMI库区的智能管理。
Description
技术领域
本发明涉及仓储物流行业的数据处理系统技术领域,具体涉及一种HDMI线缆库区智能管理系统。
背景技术
在HDMI线缆生产过程中,经过生产车间对线缆的组装和封装后,线缆会盘成线圈进行存储,在后续生产流程中需要对线缆上的线材进行裁剪并在两端安装接头,形成产品。
在对线缆进行仓储存储时,需要利用码垛机将盘好的线缆运输到固定位置并进行堆叠,在堆叠过程中,以第一层线缆作为基础,码垛机的机械手深入线缆中,通过扩张力使得机械手撑起线圈,并将线圈运送至堆叠区域,在第一层线缆的基础上堆叠。
在实际生产中,码垛机作为机械装置,有可能因为机械质量导致的异常振动或者控制参数设置异常,使得码垛堆叠过程中线缆位置出现偏移,随着堆叠高度越来越高,偏移的线缆对码垛影响也越来越大。若无法及时判断出码垛堆叠异常,使得某个时刻堆叠的线缆倒塌,不仅要重新进行码垛工作,还会给周围工作人员带来安全隐患。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种HDMI线缆库区智能管理系统,所采用的技术方案具体如下:
本发明提出了一种HDMI线缆库区智能管理系统,所述系统包括:
数据采集模块,用于采集码垛机的机械手连接关节处的振动、机械手的扩张力、码垛区域的光照遮挡面积;所述光照遮挡面积采集方法包括:在码垛区域下方部署固定光源,上方部署光源接收器,根据光源接收器接收到的光照量获得每次码放线缆的光照遮挡面积;
码放堆叠异常评价模块,用于根据时序上光照遮挡面积序列的元素值和元素值变化特征获得码放堆叠异常因子;
机械振动异常评价模块,用于根据时序上振动序列的元素值大小和扩张力序列的元素波动特征获得机械异常因子;
机械异常预警模块,用于根据所述堆叠异常因子在时序上进行聚类,获得多个聚类簇,每个所述聚类簇中的样本点在时序上连续;根据每个聚类簇对应的所述堆叠异常因子筛选出异常聚类簇;将所述异常聚类簇中每个样本的所述堆叠异常因子和所述机械异常因子进行匹配,获得平均匹配距离;若所述平均匹配距离小于预设匹配距离阈值,则认为所述异常聚类簇对应的时段发生了机械异常,反馈红色预警信号;
码放堆叠异常预警模块,用于将非机械异常对应的所述异常聚类簇中时序上第一个样本点作为起点,其他样本点作为终点,获得多个堆叠异常因子向量;对所有堆叠异常因子向量进行线性筛选处理,获得多个线性堆叠异常因子向量;获得所述线性堆叠异常因子向量与标准线性堆叠异常因子向量的向量相似度,若存在向量相似度小于预设相似度阈值,则认为所述异常聚类簇对应时段发生堆叠异常,反馈黄色预警信号。
进一步地,所述数据采集模块的采集频率为每执行一次线缆码垛堆叠动作采集一次数据。
进一步地,所述根据时序上光照遮挡面积序列的元素值和元素值变化特征获得码放堆叠异常因子包括:
获得所述光照遮挡面积序列的元素均值与标准光照遮挡面积的第一比值;获得光照遮挡面积序列中后一个元素与前一个元素的第二比值,获得第二比值序列;将所述第一比值和所述第二比值序列中的最大第二比值相乘,获得所述码放堆叠异常因子。
进一步地,所述根据时序上振动序列的元素值大小和扩张力序列的元素波动特征获得机械异常因子包括:
预设异常振动阈值与所述振动序列中每个元素的比值构成异常振动比值序列;
根据机械异常因子公式获得所述机械异常因子,所述机械异常因子公式包括:
进一步地,所述根据所述堆叠异常因子在时序上进行聚类,获得多个聚类簇包括:
基于所述堆叠异常因子利用DBSCAN密度聚类算法在时序上进行聚类。
进一步地,所述根据每个聚类簇对应的所述堆叠异常因子筛选出异常聚类簇包括:
根据每个所述聚类簇对应的时序信息进行排序,以时序上第一个所述聚类簇作为标准聚类簇,与所述标准聚类簇对应的所述堆叠异常因子不一致的其他所述聚类簇均为所述异常聚类簇。
进一步地,所述将所述异常聚类簇中每个样本的所述堆叠异常因子和所述机械异常因子进行匹配包括:
将所述异常聚类簇中每个样本的所述堆叠异常因子和所述机械异常因子各自归一化,以归一化后的所述堆叠异常因子和所述机械异常因子之间的欧氏距离作为所述匹配距离。
进一步地,所述对所有堆叠异常因子向量进行线性筛选处理,获得多个线性堆叠异常因子向量包括:
以所有所述堆叠异常因子向量作为训练数据,利用非线性函数把所述训练数据映射到一个高维特征空间,在所述高维特征空间中进行线性回归;所述训练数据在所述高维特征空间中满足:(xi,yi)满足如下条件yi(xi*ω+b)-1+ξi≥0,其中ξi为松弛变量,且满足ξi≥0,i=1,2,3,...,n;ω为法向量;b为位移项;
采用10折交叉验证的方法寻找出最佳的gamma和cost的组合,获得线性堆叠面积异常因子集合。
进一步地,所述获得所述线性堆叠异常因子向量与标准线性堆叠异常因子向量的向量相似度包括:
以所述标准聚类簇对应的所述线性堆叠异常因子向量作为标准线性堆叠异常因子向量;以每个所述线性堆叠异常因子向量与所述标准线性堆叠异常因子向量之间的余弦相似度作为所述向量相似度。
本发明具有如下有益效果:
本发明实施例采集码垛机自身的机械数据,并且通过获取光照遮挡面积表征线缆码垛的效果数据,分别根据两张数据获得机械异常因子和堆叠异常因子。因为堆叠异常因子直观反映了当前码垛的堆叠效果,因此在时序上根据堆叠异常因子进行聚类,获得异常聚类簇,异常聚类簇对应的时间段即为码垛出现异常的时间段。进一步通过异常聚类簇中每个样本点的机械异常因子和堆叠异常因子匹配结果判断当前码垛异常是否为机械异常。若为机械异常,则说明此时码垛机自身机械装置出现了老化等现象,需要及时进行维护,因此设置红色预警信号。进一步对非机械振动异常的异常聚类簇进行处理,获得表示堆叠异常因子向量变化的堆叠异常因子向量,经过线性筛选,选择特征性较强的线性堆叠异常因子向量。将线性堆叠异常因子向量与标准线性堆叠异常因子向量进行相似度对比,判断实时的变化与标准变化之间的相似度,若相似度较小,则说明此时的堆叠异常影响较大,反馈黄色预警信号,若相似度较大,则说明此时的异常聚类簇为数据波动导致的,并不影响整体码垛。本发明实施例通过不同数据表征的特征及特征之间的关联性,判断出准确的预警信号,通过预警信号实现对HDMI线缆库区的自动化智能管理,避免码垛异常导致的一系列隐患问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种HDMI线缆库区智能管理系统框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种HDMI线缆库区智能管理系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种HDMI线缆库区智能管理系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种HDMI线缆库区智能管理系统框图,该系统包括:数据采集模块101、码放堆叠异常评价模块102、机械振动异常评价模块103、机械异常预警模块104和码放堆叠异常预警模块105。
数据采集模块101用于采集码垛机的机械手连接关节处的振动、机械手的扩张力、码垛区域的光照遮挡面积。其中码垛机的机械手连接关节处的振动和机械手的扩张力均为码垛机自身的机械数据,通过机械数据能够表征码垛机在执行码垛任务时是否出现自身机械故障问题。码垛区域的光照遮挡面积的采集方法包括:在码垛区域下方部署固定光源,上方部署光源接收器,根据光源接收器接收到的光照量获得每次码放线缆的光照遮挡面积。码垛区域的光照遮挡面积直观的反应了当前码垛任务的码垛效果,在正常的线缆码垛过程中,线缆会在下一层的基础上进行堆叠,每次堆叠都将与下一层的线路对齐,即光照遮挡面积不会存在较大变化;在异常的线缆码垛过程中,若某一层堆叠的线缆发生了偏移,会使得光照遮挡面积增加。因此通过机械数据和码垛效果数据可对当前实时的码垛过程的异常性进行判断。
优选的,数据采集模块101的采集频率为每执行一次线缆码垛堆叠动作就采集一次数据。
对本发明实施例中各个数据的采集方法及数据含义做出进一步的说明,具体包括:
(1)对于振动数据而言,本发明实施例在机械手传动位置部署振动加速度计,根据振动加速度计反馈的数据获得振动数据。
(2)对于扩张力数据而言,扩张力的大小直接影响机械手拿取线缆的稳定程度,当扩张力较小时,会使得在码垛堆叠过程中线缆出现滑落情况,使得线圈排布出现问题,无法与下层线缆对齐。在本发明实施例中,扩张力可直接在终端读取码垛机自身附带的传感器的数据。
(3)对于光照遮挡面积而言,码垛区域下方的固定光源竖直向上进行照射,通过光源接收器接收到的光源数据量即可获得光照遮挡面积。光照遮挡面积反映了线缆码垛堆叠过程中的堆叠效果。
码放堆叠异常评价模块102,用于根据时序上光照遮挡面积序列的元素值和元素值变化特征获得码放堆叠异常因子。因为在线缆码垛堆叠过程中,线缆的排布位置会直接影响光照遮挡面积。若某一码垛堆叠过程执行后,光照遮挡面积增大,则说明此时线缆出现了偏移,增加的光照遮挡面积越大说明偏移越严重,可通过时序上光照遮挡面积序列的元素值和元素值变化特征获得码放堆叠异常因子,具体包括:
获得光照遮挡面积序列的元素均值与标准光照遮挡面积的第一比值;获得光照遮挡面积序列中后一个元素与前一个元素的第二比值,获得第二比值序列。将第一比值和第二比值序列中的最大第二比值相乘,获得码放堆叠异常因子。表达式为:
其中,为码放堆叠异常因子,为光照遮挡面积序列的元素均值,为标准光照遮挡面积,标准光照遮挡面积即为每个线缆的截面面积,为第二比值序列,为第二比值序列中的最大第二比值,、、和均为光照遮挡面积序列中元素的序号,其中n为大于0的正整数,为光照遮挡面积序列中最后一个元素的序号。
在码放堆叠异常因子表达式中,越大,说明在堆叠过程中存在偏移程度较大的线缆,或者存在多处线缆偏移,即码放堆叠越异常,码放堆叠异常因子越大;越大,说明在堆叠过程的某一时刻的线缆发生了较大的偏移,即码放堆叠越异常,码放堆叠异常因子越大。
机械振动异常评价模块103用于根据时序上振动序列的元素值大小和扩张力序列的元素波动特征获得机械异常因子。码垛机在进行码垛工作时,是由机械手对线缆的扩张力进行拿取线缆,当机械手携带线缆到固定码垛区域后,机械手收缩,将线缆堆叠至下一层线缆上。如果码垛机的机械手出现了机械异常,产生异常振动和扩张力不足,就会导致线缆无法合理的在下层线缆之上进行堆叠。机械异常往往是因为码垛机传导部件磨损导致的,由于机械的老化与磨损,导致机械臂整体出现异常振动和扩张力不足的现象,因此据时序上振动序列的元素值大小和扩张力序列的元素波动特征获得机械异常因子,以机械异常因子表征当前机械臂的机械运行异常情况,具体包括:
预设异常振动阈值与振动序列中每个元素的比值构成异常振动比值序列;
根据机械异常因子公式获得机械异常因子,机械异常因子公式包括:
在机械异常因子公式中,为一个以扩张力序列的标准差作为自变量的递增函数,即标准差越大,说明机械因为自身导致扩张力不均衡,扩张力的波动性越大,机械臂越不稳定,无法正常将线缆按照原定位置进行码放,机械异常因子越大;因为预设异常振动阈值的一个较大的振动幅值,因此预设异常振动阈值与振动序列中每个元素的比值越小,说明振动序列中的元素值越接近异常振动阈值,即此时越小,越大,当前机械臂机械越异常,机械异常因子越大。需要说明的是,为了满足函数中的增减性,扩张力序列的标准差需要经过归一化处理,将其取值范围限定在0到1之间。
机械异常预警模块104用于根据堆叠异常因子在时序上进行聚类,获得多个聚类簇,每个聚类簇中的样本点在时序上连续;根据每个聚类簇对应的堆叠异常因子筛选出异常聚类簇;将异常聚类簇中每个样本的堆叠异常因子和机械异常因子进行匹配,获得平均匹配距离;若平均匹配距离小于预设匹配距离阈值,则认为异常聚类簇对应的时段发生了机械异常,反馈红色预警信号。
因为线缆堆叠过程是一个时序过程,通过执行连续的线缆码垛堆叠,实现对线缆的码垛任务;又因为堆叠异常因子能够直观反映出当前线缆的堆叠效果,因此可根据堆叠异常因子在时序上进行聚类,获得多个聚类簇。其中,每个聚类簇中的样本点在时序上连续,且对应的堆叠异常因子相似。优选的,基于堆叠异常因子利用DBSCAN密度聚类算法在时序上进行聚类。
因为堆叠异常因子越大,说明码垛堆叠越异常,因此可根据每个聚类簇对应的堆叠异常因子筛选出异常聚类簇,即异常聚类簇中的样本点所在的时段有可能会发生码垛异常。
优选的,考虑到码垛过程为一个时序上的过程,通常码垛异常均发生在开始执行码垛工作后的时间里,因此认为初始时段的码垛工作是没有异常的,即根据每个聚类簇对应的时序信息进行排序,以时序上第一个聚类簇作为标准聚类簇,与标准聚类簇对应的堆叠异常因子不一致的其他聚类簇均为异常聚类簇。
进一步对异常聚类簇中的信息进行分析,如果此时的码垛异常是机械异常导致的,则此时的码垛堆叠异常因子与机械异常因子均为较大数值,因此可将所述异常聚类簇中每个样本的堆叠异常因子和机械异常因子进行匹配,获得平均匹配距离。平均匹配距离越小,说明堆叠异常因子和机械异常因子越匹配,若平均匹配距离小于预设匹配距离阈值,则认为异常聚类簇对应的时段发生了机械异常,需要及时对码垛机进行检修维护,避免因为机械问题导致码垛机进一步的损坏,因此反馈优先级较高的红色预警信号。具体匹配方法包括:
将异常聚类簇中每个样本的堆叠异常因子和机械异常因子各自归一化,以归一化后的堆叠异常因子和机械异常因子之间的欧氏距离作为匹配距离。
在本发明实施例中,将匹配距离进行归一化,将匹配距离阈值设置为0.3,本发明实施例中数据的归一化方法可利用最大最小值归一化算法,在此不做限定。
码放堆叠异常预警模块105用于将非机械异常对应的异常聚类簇中时序上第一个样本点作为起点,其他样本点作为终点,获得多个堆叠异常因子向量;对所有堆叠异常因子向量进行线性筛选处理,获得多个线性堆叠异常因子向量;获得线性堆叠异常因子向量与标准线性堆叠异常因子向量的向量相似度,若存在向量相似度小于预设相似度阈值,则认为异常聚类簇对应时段发生堆叠异常,反馈黄色预警信号。
码放堆叠异常预警模块105进一步分析非机械异常对应的异常聚类簇,因为数据分析过程中难免会存在数据波动形成的误差,因此不能将所有异常聚类簇都认为是在此时段发生了异常,需要对异常聚类簇进一步的分析。将异常聚类簇中时序上第一个样本点作为起点,其他样本点作为终点,可获得多个堆叠异常因子向量。
堆叠异常因子向量表征了码放堆叠异常因子的变化,但是因为整个堆叠异常因子向量集合中存在大量的无用向量,无法准确的表示堆叠异常因子变化的趋势,因此需要对所有堆叠面积异常因子向量进行线性筛选处理,获得多个线性堆叠异常因子向量。线性堆叠异常因子向量能够表征在时间段内码放堆叠异常因子的线性变化情况,能够根据线性变化情况判断此时是否真实发生了码垛异常。具体进行线性筛选处理的方法包括:
以所有所述堆叠异常因子向量作为训练数据,利用非线性函数把所述训练数据映射到一个高维特征空间,在高维特征空间中进行线性回归;所述训练数据在所述高维特征空间中满足:(xi,yi)满足如下条件yi(xi*ω+b)-1+ξi≥0,其中ξi为松弛变量,且满足ξi≥0,i=1,2,3...n;ω为法向量;b为位移项;
采用10折交叉验证的方法寻找出最佳的gamma和cost的组合,其中ε不敏感损失函数选择:
核函数选择径向函数,需要说明的是,ε不敏感损失函数和核函数都选用本领域技术人员数值的现有函数,函数具体参数及形式不再赘述。经过线性分析后,获得线性堆叠面积异常因子集合。需要说明的是,gamma为径向基函数中的参数值,cost为径向基函数中的代价函数,具体参数意义和代价函数意义为本领域技术人员熟知的技术手段,在此不做赘述。
获得线性堆叠异常因子向量与标准线性堆叠异常因子向量的向量相似度,向量相似度越大,说明对应时段越符合标准码垛堆叠异常因子的变化情况,需要说明的是,标准的码垛堆叠异常因子是一个小数值且在时段内不会发生变化。具体获得向量相似度的方法包括:
以标准聚类簇对应的线性堆叠异常因子向量作为标准线性堆叠异常因子向量;以每个线性堆叠异常因子向量与标准线性堆叠异常因子向量之间的余弦相似度作为向量相似度。需要说明的是,标准聚类簇的线性堆叠异常因子向量获取方法与异常聚类簇的线性堆叠异常因子向量获取方法相同。
因为存在多个线性堆叠异常因子,因此若存在向量相似度小于预设相似度阈值,则认为异常聚类簇对应时段发生堆叠异常,反馈黄色预警信号。若异常聚类簇不反馈预警信号,则认为此时的异常信息为数据波动造成的误差信息,或者此时的异常信息并不影响整体码垛工作。工作人员可根据预警信息的类别对码垛机及其对应的码垛进行针对性的管理与维护。在本发明实施例中,相似度阈值设置为0.9。
综上所述,本发明实施例通过采集对HDMI线缆码垛堆叠过程中码垛机的机械信息和码垛效果信息,获得码放堆叠异常因子和机械异常因子。在时序上对码放堆叠异常因子进行统计聚类,获得异常聚类簇。分析异常聚类簇中每个样本的码放堆叠异常因子与机械异常因子的匹配关系,判断出机械异常对应的异常聚类簇并进行红色预警。通过分析非机械异常对应的异常聚类簇中码放堆叠异常因子的变化趋势,判断当前的异常信息是否真实有效,并反馈黄色预警。本发明实施例通过对码放堆叠过程中数据的分析,实现了精准的异常预警,根据异常预警即可实现对HDMI库区的智能管理。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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 (9)
1.一种HDMI线缆库区智能管理系统,其特征在于,所述系统包括:
数据采集模块,用于采集码垛机的机械手连接关节处的振动、机械手的扩张力、码垛区域的光照遮挡面积;所述光照遮挡面积采集方法包括:在码垛区域下方部署固定光源,上方部署光源接收器,根据光源接收器接收到的光照量获得每次码放线缆的光照遮挡面积;
码放堆叠异常评价模块,用于根据时序上光照遮挡面积序列的元素值和元素值变化特征获得码放堆叠异常因子;
机械振动异常评价模块,用于根据时序上振动序列的元素值大小和扩张力序列的元素波动特征获得机械异常因子;
机械异常预警模块,用于根据所述堆叠异常因子在时序上进行聚类,获得多个聚类簇,每个所述聚类簇中的样本点在时序上连续;根据每个聚类簇对应的所述堆叠异常因子筛选出异常聚类簇;将所述异常聚类簇中每个样本的所述堆叠异常因子和所述机械异常因子进行匹配,获得平均匹配距离;若所述平均匹配距离小于预设匹配距离阈值,则认为所述异常聚类簇对应的时段发生了机械异常,反馈红色预警信号;
码放堆叠异常预警模块,用于将非机械异常对应的所述异常聚类簇中时序上第一个样本点作为起点,其他样本点作为终点,获得多个堆叠异常因子向量;对所有堆叠异常因子向量进行线性筛选处理,获得多个线性堆叠异常因子向量;获得所述线性堆叠异常因子向量与标准线性堆叠异常因子向量的向量相似度,若存在向量相似度小于预设相似度阈值,则认为所述异常聚类簇对应时段发生堆叠异常,反馈黄色预警信号。
2.根据权利要求1所述的一种HDMI线缆库区智能管理系统,其特征在于,所述数据采集模块的采集频率为每执行一次线缆码垛堆叠动作采集一次数据。
3.根据权利要求1所述的一种HDMI线缆库区智能管理系统,其特征在于,所述根据时序上光照遮挡面积序列的元素值和元素值变化特征获得码放堆叠异常因子包括:
获得所述光照遮挡面积序列的元素均值与标准光照遮挡面积的第一比值;获得光照遮挡面积序列中后一个元素与前一个元素的第二比值,获得第二比值序列;将所述第一比值和所述第二比值序列中的最大第二比值相乘,获得所述码放堆叠异常因子。
5.根据权利要求1所述的一种HDMI线缆库区智能管理系统,其特征在于,所述根据所述堆叠异常因子在时序上进行聚类,获得多个聚类簇包括:
基于所述堆叠异常因子利用DBSCAN密度聚类算法在时序上进行聚类。
6.根据权利要求1所述的一种HDMI线缆库区智能管理系统,其特征在于,所述根据每个聚类簇对应的所述堆叠异常因子筛选出异常聚类簇包括:
根据每个所述聚类簇对应的时序信息进行排序,以时序上第一个所述聚类簇作为标准聚类簇,与所述标准聚类簇对应的所述堆叠异常因子不一致的其他所述聚类簇均为所述异常聚类簇。
7.根据权利要求1所述的一种HDMI线缆库区智能管理系统,其特征在于,所述将所述异常聚类簇中每个样本的所述堆叠异常因子和所述机械异常因子进行匹配包括:
将所述异常聚类簇中每个样本的所述堆叠异常因子和所述机械异常因子各自归一化,以归一化后的所述堆叠异常因子和所述机械异常因子之间的欧氏距离作为所述匹配距离。
8.根据权利要求1所述的一种HDMI线缆库区智能管理系统,其特征在于,所述对所有堆叠异常因子向量进行线性筛选处理,获得多个线性堆叠异常因子向量包括:
以所有所述堆叠异常因子向量作为训练数据,利用非线性函数把所述训练数据映射到一个高维特征空间,在所述高维特征空间中进行线性回归;所述训练数据在所述高维特征空间中满足:(xi,yi)满足如下条件yi(xi*ω+b)-1+ξi≥0,其中ξi为松弛变量,且满足ξi≥0,i=1,2,3,...,n;ω为法向量;b为位移项;
采用10折交叉验证的方法寻找出最佳的gamma和cost的组合,获得线性堆叠面积异常因子集合。
9.根据权利要求6所述的一种HDMI线缆库区智能管理系统,其特征在于,所述获得所述线性堆叠异常因子向量与标准线性堆叠异常因子向量的向量相似度包括:
以所述标准聚类簇对应的所述线性堆叠异常因子向量作为标准线性堆叠异常因子向量;以每个所述线性堆叠异常因子向量与所述标准线性堆叠异常因子向量之间的余弦相似度作为所述向量相似度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211067820.3A CN115147052B (zh) | 2022-09-02 | 2022-09-02 | 一种hdmi线缆库区智能管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211067820.3A CN115147052B (zh) | 2022-09-02 | 2022-09-02 | 一种hdmi线缆库区智能管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115147052A true CN115147052A (zh) | 2022-10-04 |
CN115147052B CN115147052B (zh) | 2022-11-15 |
Family
ID=83415812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211067820.3A Active CN115147052B (zh) | 2022-09-02 | 2022-09-02 | 一种hdmi线缆库区智能管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115147052B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116821833A (zh) * | 2023-08-29 | 2023-09-29 | 好林(威海)新材料有限公司 | 一种机器滤布粘连的数据异常检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093331A (zh) * | 2013-01-30 | 2013-05-08 | 北京枫桥众联科技有限公司 | 码垛方法及系统 |
CN104089790A (zh) * | 2014-07-09 | 2014-10-08 | 合肥奥博特自动化设备有限公司 | 一种振动式码垛机器人故障预测方法 |
CN104102989A (zh) * | 2014-07-08 | 2014-10-15 | 武汉理工大学 | 一种基于射频识别的仓储异常管理系统及仓储异常检测方法 |
US20160162759A1 (en) * | 2014-12-05 | 2016-06-09 | Lg Cns Co., Ltd. | Abnormal pattern analysis method, abnormal pattern analysis apparatus performing the same and storage medium storing the same |
CN106228332A (zh) * | 2016-08-11 | 2016-12-14 | 电信科学技术第四研究所 | 一种基于物联网的危险化工原料物流仓储管理系统和方法 |
CN106395403A (zh) * | 2016-11-09 | 2017-02-15 | 苏州超群智能科技有限公司 | 线缆码垛机 |
US9740897B1 (en) * | 2016-08-22 | 2017-08-22 | The Boeing Company | Inventory management system and method |
CN111612120A (zh) * | 2020-05-11 | 2020-09-01 | 中国电子科技集团公司电子科学研究院 | 基于模糊聚类算法的群体异常行为检测方法及装置 |
CN113988202A (zh) * | 2021-11-04 | 2022-01-28 | 季华实验室 | 一种基于深度学习的机械臂异常振动检测方法 |
-
2022
- 2022-09-02 CN CN202211067820.3A patent/CN115147052B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093331A (zh) * | 2013-01-30 | 2013-05-08 | 北京枫桥众联科技有限公司 | 码垛方法及系统 |
CN104102989A (zh) * | 2014-07-08 | 2014-10-15 | 武汉理工大学 | 一种基于射频识别的仓储异常管理系统及仓储异常检测方法 |
CN104089790A (zh) * | 2014-07-09 | 2014-10-08 | 合肥奥博特自动化设备有限公司 | 一种振动式码垛机器人故障预测方法 |
US20160162759A1 (en) * | 2014-12-05 | 2016-06-09 | Lg Cns Co., Ltd. | Abnormal pattern analysis method, abnormal pattern analysis apparatus performing the same and storage medium storing the same |
CN106228332A (zh) * | 2016-08-11 | 2016-12-14 | 电信科学技术第四研究所 | 一种基于物联网的危险化工原料物流仓储管理系统和方法 |
US9740897B1 (en) * | 2016-08-22 | 2017-08-22 | The Boeing Company | Inventory management system and method |
CN106395403A (zh) * | 2016-11-09 | 2017-02-15 | 苏州超群智能科技有限公司 | 线缆码垛机 |
CN111612120A (zh) * | 2020-05-11 | 2020-09-01 | 中国电子科技集团公司电子科学研究院 | 基于模糊聚类算法的群体异常行为检测方法及装置 |
CN113988202A (zh) * | 2021-11-04 | 2022-01-28 | 季华实验室 | 一种基于深度学习的机械臂异常振动检测方法 |
Non-Patent Citations (3)
Title |
---|
刘正勇等: "高速洁净玻璃基板搬运机器人发展现状与展望", 《科学技术与工程》 * |
周明等: "码垛机器人健康状态评估与诊断方法研究", 《中国设备工程》 * |
郭丽等: "智能码垛在医药物流仓储系统的研究与应用", 《制造业自动化》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116821833A (zh) * | 2023-08-29 | 2023-09-29 | 好林(威海)新材料有限公司 | 一种机器滤布粘连的数据异常检测方法 |
CN116821833B (zh) * | 2023-08-29 | 2023-11-14 | 好林(威海)新材料有限公司 | 一种机器滤布粘连的数据异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115147052B (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115147052B (zh) | 一种hdmi线缆库区智能管理系统 | |
JP5544418B2 (ja) | プラントの診断装置、診断方法、及び診断プログラム | |
US8657105B2 (en) | System and method for controlling a conveyor belt condition monitoring system | |
CN110543907A (zh) | 一种基于微机监测功率曲线的故障分类方法 | |
JP2009070052A (ja) | 監視装置及びプログラム | |
JP3515756B2 (ja) | 処理装置の監視方法 | |
CN103400308B (zh) | Gis设备运行状态在线检测方法与系统 | |
CN108399115A (zh) | 一种运维操作检测方法、装置及电子设备 | |
KR102026069B1 (ko) | 반도체 설비의 센서 데이터 분할 시스템 및 그 방법 | |
CN108760268B (zh) | 一种基于信息熵的立磨运行数据阶跃故障诊断方法 | |
US7299154B1 (en) | Method and apparatus for fast disturbance detection and classification | |
CN106940206A (zh) | 用于故障识别和监视的方法和系统 | |
EP3706047A1 (en) | Cluster based classification for time series data | |
US7443395B2 (en) | Multi-variable operations | |
CN113011325B (zh) | 一种基于孤立森林算法的堆垛机轨道损伤定位方法 | |
JP7236886B2 (ja) | 異常検知装置、異常検知方法、及び異常検知システム | |
CN110737685A (zh) | 一种电力大数据的数据异常判别方法 | |
US11898552B2 (en) | Method and system for predicting failures of sucker rod pumps using scaled load ratios | |
EP3706048A1 (en) | Anomaly prediction in an industrial system | |
CN115406778B (zh) | 一种网格线收线区域的损伤位置定位方法 | |
US12007758B2 (en) | Process state monitoring device and process state monitoring method | |
CN111310697A (zh) | 设备运转周期检测及健康度分析方法、装置及存储介质 | |
JP7342849B2 (ja) | 異常判定装置、異常判定モデル生成方法および異常判定方法 | |
CN112988792B (zh) | 一种晶圆良率问题数据库的搜索方法和装置 | |
JP2016151086A (ja) | ショベル支援装置 |
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 |