CN115809417A - 用于高压变频器控制柜的生产线运行信号检测方法 - Google Patents

用于高压变频器控制柜的生产线运行信号检测方法 Download PDF

Info

Publication number
CN115809417A
CN115809417A CN202310085013.2A CN202310085013A CN115809417A CN 115809417 A CN115809417 A CN 115809417A CN 202310085013 A CN202310085013 A CN 202310085013A CN 115809417 A CN115809417 A CN 115809417A
Authority
CN
China
Prior art keywords
abnormal
upstream
data point
anomaly
degree
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
Application number
CN202310085013.2A
Other languages
English (en)
Other versions
CN115809417B (zh
Inventor
李志刚
刘吉洲
侯胜旺
檀通
张铎
郑茂宽
赵辉
赵公政
张潇
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.)
Windsun Science and Technology Co Ltd
Original Assignee
Windsun Science and 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 Windsun Science and Technology Co Ltd filed Critical Windsun Science and Technology Co Ltd
Priority to CN202310085013.2A priority Critical patent/CN115809417B/zh
Publication of CN115809417A publication Critical patent/CN115809417A/zh
Application granted granted Critical
Publication of CN115809417B publication Critical patent/CN115809417B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

本发明涉及用于高压变频器控制柜的生产线运行信号检测方法，属于数据识别技术领域，该方法步骤包括：获取各级每个装配设备在装配每件产品时的运行信号，并根据生产线装配流程获取每个装配设备的上游装配设备；将每个运行信号转换为高维空间的一个数据点，利用LOF算法计算出每个数据点的原始异常程度，筛选出异常数据点，同时计算出异常数据点从每个上游装配设备继承的异常继承系数和异常数据点在异常设备中的异常生成系数；利用异常继承系数和异常生成系数计算出异常数据点是由每个上游装配设备产生的隐藏异常程度；本发明根据生产线运行信号在识别出异常装配设备的同时还能查找出上游中存在隐藏异常的装配设备。

Description

用于高压变频器控制柜的生产线运行信号检测方法
技术领域
本发明属于数据识别技术领域，具体涉及用于高压变频器控制柜的生产线运行信号检测方法。
背景技术
高压变频器是一种利用半导体器件得通断作用将工频电压变换为其他频率的电能控制装置，其被广泛应用于大型的矿业生产、石油化工、市政供水、电力能源等行业的各种风机、水泵、压缩机等设备的负载控制中。而随着工业化、城市化的发展，各行业对高压变频器的需求量逐年增加，对于高压变频器的生产企业来说，为了提高高压变频器的生产效率，引入装配生产线是普遍被应用的手段，而保证高压变频器生产线的正常运行是保证企业生产效益的基础。
对于高压变频器，其主要以控制柜的形式进行生产，这就需要在装配生产线上配置多个装配工序，不同的装配工序上具有不同的装配设备，每件产品会在不同装配工序的装配设备上装配加工，同时加工过每件产品的装配设备都会有加工这件产品时生产运行信号进行存档；为了保证高压变频器生产线的正常运行，需要隔一段时间监测一下每个装配设备的生产运行信号是否出现异常，由于装配设备装配产品的不同或者由于运行信号的不稳定会造成同一装配设备在装配某一产品时出现异常，而装配另一产品时又恢复正常，这样就会造成很难排查出存在异常的装配设备；现有技术对生产线运行信号的检测方式仅通过将生产线整体信号进行时序分解，提取生产线整体信号的时序特征构建特征向量并利用LOF算法来监测异常信号，进而评价生产线整体是否存在运行异常，这种方式仅仅能将生产线整体异常识别出来，但不能准确分析各个装配环节出现的运行异常，现有技术的另一种方式是将各个装配环节进行单独的运行信号监测，这种方式仅能识别出当前装配环节中设备出现异常情况，但由于各环节的异常情况不尽相同，无法分辨异常是否是由上游环节继承而来的，并不能排查出存在隐藏异常的异常设备。
发明内容
本发明提供用于高压变频器控制柜的生产线运行信号检测方法，根据每个装配设备在装配每件产品时的运行信号，准确识别出装配工序中出现异常的装配设备，并对出现异常的装配设备的上游装配设备进行溯源，查找出上游中存在隐藏异常的装配设备。
本发明的用于高压变频器控制柜的生产线运行信号检测方法采用如下技术方案：
获取生产线上每个装配设备在监测时段时间内装配每件产品时的运行信号，并将每个装配设备在装配每件产品时的运行信号转化为高维空间的一个数据点；其中，每个装配设备产生多个数据点；
利用LOF算法及每个装配设备产生多个数据点之间的距离计算出每个数据点的原始异常程度，当每个装配设备产生的全部数据点的原始异常程度均小于或等于预设第一阈值时，判定该装配设备在监测时段内装配全部产品时均未出现异常；
当每个装配设备产生多个数据点中任一数据点的原始异常程度大于预设第一阈值时，将该装配设备标记为异常设备，并获取该异常设备中产生的异常数据点；
获取该异常设备的每一个上游装配设备及异常数据点所对应的产品在每一个上游装配设备中产生的目标数据点，同时获取每个目标数据点在对应上游装配设备产生的关联第一目标产品集合，利用每个关联第一目标产品集合在异常设备中产生的数据点与异常数据点形成每个上游装备继承的第一数据点集合；利用LOF算法计算异常数据点在每个上游装备继承的第一数据点集合中的继承异常程度；
利用每个异常数据点的原始异常程度及在每个上游装备继承的第一数据点集合中的继承异常程度，计算出异常数据点从每个上游装配设备继承的异常继承系数；
利用每一个上游装配设备产生的关联第一目标产品集合，筛选出第二目标产品集合，并获取第二目标产品集合在异常设备运行信号对应的数据点并与异常数据点形成第二数据点集合，利用LOF算法计算异常数据点在第二数据点集合中的生成异常程度；根据异常数据点对应的生成异常程度和原始异常程度计算出异常数据点在异常设备中的异常生成系数；
利用异常数据点在异常设备中的异常生成系数、原始异常程度及从每个上游装配设备继承的异常继承系数得到异常数据点是由每个上游装配设备产生的隐藏异常程度；
当异常数据点是由每个上游装配设备产生的隐藏异常程度大于预设第一阈值时标记该上游装备设备为上游装配异常设备，并获取上游装配异常设备中的异常数据点在上游装配异常设备的上游装配设备产生的隐藏异常程度，直到隐藏异常程度小于预设第一阈值时，标记出所有异常设备，并对标注的异常设备进行检修排查。
进一步地，所述并将每个装配设备在装配每件产品时的运行信号转化为高维空间的一个数据点的步骤包括：
每个装配设备在装配每件产品时的运行信号由不同种类的运行数据组成，将每个运行信号运行数据的种类数作为高维空间的维数，将每个运行信号转换为高维空间的一个数据点。
进一步地，所述同时获取每个目标数据点在对应上游装配设备产生的关联第一目标产品集合的步骤包括：
利用LOF算法在计算目标数据点在对应上游装配设备的原始异常程度时，在上游装配设备产生多个数据点中选取目标数据点邻域点集，由目标数据点邻域点集内包含的所有数据点对应的所有产品组成目标数据点在对应上游装配设备产生的关联第一目标产品集合。
进一步地，所述异常数据点从每个上游装配设备继承的异常继承系数的计算公式为：
Figure SMS_1
其中，
Figure SMS_2
表示异常数据点从第
Figure SMS_5
个上游装配设备继承的异常继承系数，
Figure SMS_9
表示异常设备标号；
Figure SMS_3
表示异常数据点对应产品的生产序号；
Figure SMS_6
表示异常数据点的原始异常程度；
Figure SMS_8
表示异常设备的第
Figure SMS_10
个上游设备；
Figure SMS_4
表示异常数据点在第
Figure SMS_7
个上游装备继承的继承异常程度。
进一步地，所述利用每一个上游装配设备产生的关联第一目标产品集合，筛选出第二目标产品集合的步骤包括：
获取异常设备的每一个上游装配设备产生的关联第一目标产品集合，获取全部关联第一目标产品集合的交集；
在异常装配设备产生的多个数据点对应的全部产品中剔除交集中包含的产品，由剩余产品组成第二目标产品集合。
进一步地，所述异常数据点在异常设备中的异常生成系数的计算公式为：
Figure SMS_11
其中，
Figure SMS_12
表示异常数据点在异常设备中的异常生成系数；
Figure SMS_13
表示异常设备标号；
Figure SMS_14
表示异常数据点对应产品的生产序号；
Figure SMS_15
表示异常数据点的原始异常程度；
Figure SMS_16
表示异常数据点对应的生成异常程度。
进一步地，所述利用异常数据点在异常设备中的异常生成系数、原始异常程度及从每个上游装配设备继承的异常继承系数得到异常数据点是由每个上游装配设备产生的隐藏异常程度的步骤包括：
计算出1与异常数据点在异常设备中的异常生成系数的第一差值；
选取异常设备的一个上游装配设备作为第一上游装配设备；
计算出异常数据点从全部上游装配设备继承的异常继承系数的第一和值；
获取异常数据点从第一个上游装配设备继承的异常继承系数，并记作第一异常继承系数；
计算出第一异常继承系数与第一和值的第一比值；
将异常数据点在异常设备中的原始异常程度、第一差值、第一比值相乘作为异常数据点是由第一个上游装配设备产生的隐藏异常程度；
同理计算出异常数据点是由每个上游装配设备产生的隐藏异常程度。
进一步地，所述异常数据点是由每个上游装配设备产生的隐藏异常程度的计算公式为：
Figure SMS_17
其中，
Figure SMS_19
表示异常数据点是由第
Figure SMS_23
个上游装配设备产生的隐藏异常程度，
Figure SMS_25
表示异常设备标号；
Figure SMS_20
表示异常数据点对应产品的生产序号；
Figure SMS_22
表示异常数据点的原始异常程度；
Figure SMS_24
表示异常数据点在异常设备中的异常生成系数；
Figure SMS_27
表示异常设备的第
Figure SMS_18
个上游设备；
Figure SMS_21
表示异常数据点从第
Figure SMS_26
个上游装配设备继承的异常继承系数；
Figure SMS_28
表示异常设备的上游设备总数。
本发明的有益效果是：
本发明提供的用于高压变频器控制柜的生产线运行信号检测方法，相对现有技术中利用LOF算法进行生产线上各装配设备本身的异常检测方式来说，本发明在通过装配设备在装配每件产品时的运行信号识别出异常装配设备后，对异常装配设备的上游装配设备进行溯源，判断异常装配设备的异常是否从上游装配设备中继承而来的。
为了判断异常装配设备的异常是否从上游装配设备中继承而来的，本发明先计算异常数据点从每个上游装配设备继承的异常继承系数，异常继承系数越大代表异常数据点的异常越有可能是从上游继承来的，同时还计算出异常数据点在异常设备中的异常生成系数，异常生成系数越大代表异常数据点的异常越有可能是本身设备产生的，最后利用异常数据点从每个上游装配设备继承的异常继承系数和异常数据点在异常设备中的异常生成系数，计算出异常数据点是由每个上游装配设备产生的隐藏异常程度，根据隐藏异常程度判断上游装配设备是否为异常设备。
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，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地介绍，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他的附图。
图1为本发明的用于高压变频器控制柜的生产线运行信号检测方法的实施例总体步骤的示意图；
图2为本发明实施例中异常装配设备具有两个上游装配设备的示意图；
图3为本发明实施例中异常装配设备和两个上游装配设备中产生的多个数据点对应的产品标号示意图。
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。
本发明的用于高压变频器控制柜的生产线运行信号检测方法的实施例，如图1所示，该方法包括：
S1、获取生产线上每个装配设备在监测时段时间内装配每件产品时的运行信号，并将每个装配设备在装配每件产品时的运行信号转化为高维空间的一个数据点；其中，每个装配设备产生多个数据点。
并将每个装配设备在装配每件产品时的运行信号转化为高维空间的一个数据点的步骤包括：每个装配设备在装配每件产品时的运行信号由不同种类的运行数据组成，将每个运行信号运行数据的种类数作为高维空间的维数，将每个运行信号转换为高维空间的一个数据点。
对于一个装配生产线，其是由多级装配设备组成的，各个级别的装配设备在装配一件产品时会生成一段运行信号，在装配好后将产品送入下一工序装配设备进行后续的加工，则对于一个装配设备（除了第一级装配设备）来说，其均具有一个或多个上游装配设备，这个是由生产流程决定的，因此，获取各级每个装配设备在装配每件产品时的运行信号，并根据生产线装配流程获取每个装配设备的上游装配设备。
对于一个生产产品，其是具有对应的生产序号的，类似于产品条形码，使用产品的生产序号能准确的找到装配过该产品的装配设备，在产品被一个装配设备加工时，装配设备的运行信号就是对该生产序号产品进行加工产生的，因此将生产序号同时赋予给运行信号。
对于一个运行信号数据，其本身可以为装备的工作电压、工作电流等设备运行时可采集到的不同种类的设备运行数据，将不同种类的数据作为不同的数据维度，则一个设备的运行数据可对应至高维空间中的一个数据点上，将运行信号对应的产品生产序号作为其标签；至此，每个装配设备均对应着多个具有生产序号标签的运行信号高维数据点，以
Figure SMS_29
表示，上标
Figure SMS_30
表示装配设备的标号，下标
Figure SMS_31
表示高维数据点对应的产品生产序号标签。
S2、利用LOF算法及每个装配设备产生多个数据点之间的距离计算出每个数据点的原始异常程度，当装配设备产生的全部数据点的原始异常程度均小于或等于预设第一阈值时，判定该装配设备在监测时段内装配全部产品时均未出现异常。
现有技术中LOF算法用于从数据集中选取出异常数据点，由于每个装配设备在监测时段内装配的全部产品对应数据点组成监测数据点集，利用LOF算法计算出监测数据点集中每个数据点的原始异常程度，当装配设备产生的全部数据点的原始异常程度均小于或等于预设第一阈值时，判定该装配设备在监测时段内装配全部产品时均未出现异常，本发明中设置LOF异常值阈值即预设第一阈值（预设第一阈值为自设参数，推荐为2）。
S3、当装配设备产生多个数据点中任一数据点的原始异常程度大于预设第一阈值时，将该装配设备标记为异常设备，并获取该异常设备中产生的异常数据点。
若装配设备产生多个数据点中任一数据点的原始异常程度大于预设第一阈值时，本发明中设置LOF异常值阈值即预设第一阈值（预设第一阈值为自设参数，推荐为2），当任一数据点的原始异常程度大于2时，认为装配设备在监测时段内装配某件产品出现异常时，获取该产品的生产序号并标记为异常生产序号，由于该装配设备在装配异常生产序号产品时出现异常，认为需要对该装配设备进行检修，所以将该装配设备标记为异常设备，并获取异常设备的全部上游装配设备。
S4、获取该异常设备的每一个上游装配设备及异常数据点所对应的产品在每一个上游装配设备中产生的目标数据点，同时获取每个目标数据点在对应上游装配设备产生的关联第一目标产品集合，利用每个关联第一目标产品集合在异常设备中产生的数据点与异常数据点形成每个上游装备继承的第一数据点集合；利用LOF算法计算异常数据点在每个上游装备继承的第一数据点集合中的继承异常程度。
同时获取每个目标数据点在对应上游装配设备产生的关联第一目标产品集合的步骤包括：利用LOF算法在计算目标数据点在对应上游装配设备的原始异常程度时，在上游装配设备产生多个数据点中选取目标数据点邻域点集，由目标数据点邻域点集内包含的所有数据点对应的所有产品组成目标数据点在对应上游装配设备产生的关联第一目标产品集合。
对于一个装配设备来说，其运行数据
Figure SMS_32
的异常程度是与上游设备有关的，也即若上游设备加工出的产品出现问题，则进入该装配设备的加工过程时，也可能会出现异常，此时就需要对运行异常是出自设备本身还是上游设备进行区分，但单单对上游设备生产同一序号的产品是否出现异常进行评价是不准确的，因为各个产品序号在不同的装配环节时评价异常的标准均不同，也即可能发生异常是在上游设备中产生，但确由下游设备加工时才可发现，因此，为了解决这个问题，在一个装配设备的运行信号数据中检测出异常后，需要判定该异常是否来自上游，或者该异常是否仅由当前装配工序产生，也即需要计算异常继承系数以及异常生成系数。
对于异常继承系数来说，其本身表示的是上游装配设备对某生产序号产品进行加工后是否将异常继承至后续装配工序，其计算方式如下：
对于一个设备标号为
Figure SMS_33
的装配设备来说，如图2所示，装配设备
Figure SMS_34
具有两个上游装配设备，装配设备
Figure SMS_35
的第
Figure SMS_36
个上游设备用标号
Figure SMS_37
表示，第
Figure SMS_38
个上游设备又具有两个上游装配设备，本实施例只分析与每个设备有相邻关系的上游设备。
以设备标号为
Figure SMS_41
的装配设备来说，装配设备
Figure SMS_42
在装配每件产品时都会产生一个运行信号，假设在监测时段内共装配
Figure SMS_44
件产品，其对应
Figure SMS_40
个运行信号，将
Figure SMS_43
个运行信号转换到高维空间中对应
Figure SMS_45
个数据点，第
Figure SMS_46
个数据点为
Figure SMS_39
。
现有技术中LOF算法用于从数据集中选取出异常数据点，在利用LOF算法计算第
Figure SMS_48
个数据点的异常程度
Figure SMS_53
时，需要设置一个
Figure SMS_55
距离邻域，
Figure SMS_49
距离表示对于第
Figure SMS_52
个数据点来说，将数据集中其它点与第
Figure SMS_54
个数据点之间距离从小到大排序，第
Figure SMS_57
个数据点与第
Figure SMS_47
个数据点之间的距离即为
Figure SMS_51
距离，
Figure SMS_56
距离邻域指到第
Figure SMS_58
个数据点之间的距离小于等于
Figure SMS_50
距离邻域的数据点。
在本发明中，利用LOF算法计算装配设备
Figure SMS_59
产生的
Figure SMS_60
个数据点中每个数据点的原始异常程度时，设置参数
Figure SMS_61
，即设置10距离邻域，为现有技术。例如，如图3所示，若在计算第2个数据点的原始异常程度时，需要找到其10距离邻域内的数据点，数据点对应的产品生产序号集合为：{17、6、16、2、13、7、14、9、1、3}，在选取出10距离邻域内的数据点集合后，在计算第2个数据点的原始异常程度。
设置LOF异常值阈值即预设第一阈值（预设第一阈值为自设参数，推荐为2)，若
Figure SMS_72
大于2，则判定第
Figure SMS_64
个数据点异常，也即设备标号为
Figure SMS_66
的装配设备在生产序号为
Figure SMS_63
的产品时出现运行异常，此时，将装配设备
Figure SMS_68
标记为异常设备
Figure SMS_73
，异常设备
Figure SMS_77
的第
Figure SMS_71
个上游设备（设备标号以
Figure SMS_75
表示）中生产序号为
Figure SMS_62
的数据进行标记也即
Figure SMS_67
，
Figure SMS_74
表示第
Figure SMS_78
个上游设备的目标数据点。在LOF算法在计算目标数据点
Figure SMS_76
在对应的第
Figure SMS_79
个上游装配设备的原始异常程度时，在上游装配设备产生多个数据点中选取目标数据点
Figure SMS_65
的10距离邻域点集，此步骤为LOF算法中的一个步骤，不再赘述，如图3所示，获取目标数据点
Figure SMS_69
在第1个上游装配设备的10距离邻域点集为：{12、3、5、10、11、7、6、15、1、9}，由于数据点对应的标号为产品生产序号，由此可获取目标数据点
Figure SMS_70
在第1个上游装配设备产生的关联第一目标产品集合{12、3、5、10、11、7、6、15、1、9}。
在获取关联第一目标产品集合{12、3、5、10、11、7、6、15、1、9}后，按照产品对应的生产序号在异常设备
Figure SMS_80
中查找该产品在异常设备中产生的数据点，例如：关联第一目标产品集合中12，那么在异常设备
Figure SMS_81
中查找12对应的数据点，12指的是产品生产序号，而12产品在异常设备中装配时会有对应的运行信号，所以按照生产序号，查找该生产序号在异常设备中对应的数据点，将查找到的关联第一目标产品集合中全部产品在异常设备中产生的数据点与异常数据点2共同组成每个上游装备继承的第一数据点集合，也即将目标数据点
Figure SMS_82
的
Figure SMS_83
距离邻域点集中的点一一换成上标变为
Figure SMS_84
、下标不变的数据点；在获取第一数据点集合后计算出异常数据点在每个上游装备继承的第一数据点集合中的继承异常程度。
S5、利用每个异常数据点的原始异常程度及在每个上游装备继承的第一数据点集合中的继承异常程度，计算出异常数据点从每个上游装配设备继承的异常继承系数。
对于异常数据点
Figure SMS_85
来说，计算其从第
Figure SMS_86
个上游装配设备继承的异常继承系数
Figure SMS_87
的计算公式为：
Figure SMS_88
其中，
Figure SMS_97
表示异常数据点从第
Figure SMS_90
个上游装配设备继承的异常继承系数，
Figure SMS_96
表示异常设备标号；
Figure SMS_103
表示异常数据点对应产品的生产序号；
Figure SMS_106
表示异常数据点的原始异常程度；
Figure SMS_105
表示异常设备的第
Figure SMS_108
个上游设备；
Figure SMS_99
表示异常数据点在第
Figure SMS_102
个上游装备继承的继承异常程度；
Figure SMS_89
为0-1之间的数，其越趋近于1，越说明
Figure SMS_94
与
Figure SMS_92
相似，也即
Figure SMS_95
点在设备
Figure SMS_98
被评价为异常时，将其对应至上游设备
Figure SMS_101
上时，其
Figure SMS_93
距离邻域点集中的点按照生产序号对应至设备
Figure SMS_100
的运行数据中计算出的异常程度与
Figure SMS_104
点在设备
Figure SMS_107
上被直接计算出的异常程度相似，因此，异常继承系数越大，说明异常很大可能是从第j个上游装配设备继承而来，以上述方式计算设备标号为
Figure SMS_91
的设备中产生的异常数据点从每个上游装配设备继承的异常继承系数。
S6、利用每一个上游装配设备产生的关联第一目标产品集合，筛选出第二目标产品集合，并获取第二目标产品集合在异常设备运行信号对应的数据点并与异常数据点形成第二数据点集合，利用LOF算法计算异常数据点在第二数据点集合中的生成异常程度；根据异常数据点对应的生成异常程度和原始异常程度计算出异常数据点在异常设备中的异常生成系数。
利用每一个上游装配设备产生的关联第一目标产品集合，筛选出第二目标产品集合的步骤包括：获取异常设备的每一个上游装配设备产生的关联第一目标产品集合，获取全部关联第一目标产品集合的交集；在异常装配设备产生的多个数据点对应的全部产品中剔除交集中包含的产品，由剩余产品组成第二目标产品集合。
对于异常生成系数，其表示设备
Figure SMS_109
本身产生异常的程度，计算方式如下：对于设备
Figure SMS_110
的所有上游设备，若一个点
Figure SMS_111
的异常不是由上游设备引起，则获取所有
Figure SMS_112
,（其中，
Figure SMS_113
表示上游设备个数，所述上游设备是指直接与设备
Figure SMS_114
有相邻关系的设备，跳跃相邻不算，对应的多个
Figure SMS_115
距离邻域点集（一共Q个点集）。
如图3所示，获取目标数据点
Figure SMS_116
在第1个上游装配设备的10距离邻域点集为：{12、3、5、10、11、7、6、15、1、9}，由于数据点对应的标号为产品生产序号，由此可获取目标数据点
Figure SMS_117
在第1个上游装配设备产生的关联第一目标产品集合{12、3、5、10、11、7、6、15、1、9}，需要说明的是关联第一目标产品集合中的数值代表的产品对应的生产序号，获取生产序号后再到对应设备中查找该生产序号对应的高维数据点；同时获取目标数据点
Figure SMS_118
在第2个上游装配设备的10距离邻域点集为：{5、7、1、13、18、3、9、17、13、16}，在计算出两个关联第一目标产品集合，求这两个关联第一目标产品集合的交集为{3、5、7、1、9}；由于异常装配设备产生的多个数据点对应的产品集合为{1、2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、18、19、20}，在异常装配设备产生的多个数据点集合中剔除交集中数据点，由剩余数据点对应的产品组成第二目标产品集合，第二目标产品集合为为{2、4、6、8、10、11、12、13、14、15、16、17、18、19、20}，获取第二目标产品集合在异常设备运行信号对应的数据点并与异常数据点形成第二数据点集合，利用LOF算法计算异常数据点在第二数据点集合中的生成异常程度，生成异常程度记为
Figure SMS_119
，则计算异常数据点在异常设备中的异常生成系数
Figure SMS_120
的公式如下：
Figure SMS_121
其中，
Figure SMS_123
表示异常数据点在异常设备中的异常生成系数；
Figure SMS_128
表示异常设备标号；
Figure SMS_131
表示异常数据点对应产品的生产序号；
Figure SMS_124
表示异常数据点的原始异常程度；
Figure SMS_126
表示异常数据点对应的生成异常程度；
Figure SMS_132
为0-1之间的数，其越趋近于1，越说明
Figure SMS_135
与
Figure SMS_122
相似，也即
Figure SMS_129
点在设备
Figure SMS_130
被评价为异常时，将其对应至上游设备
Figure SMS_136
上时，其
Figure SMS_125
距离邻域点集中的点按照生产序号对应至设备
Figure SMS_127
的运行数据中并被剔除后计算出的异常程度与
Figure SMS_133
点在设备
Figure SMS_134
上被直接计算出的异常程度相似，因此，异常生成系数越大，说明异常很大可能是由设备自己产生的。
S7、利用异常数据点在异常设备中的异常生成系数、原始异常程度及从每个上游装配设备继承的异常继承系数得到异常数据点是由每个上游装配设备产生的隐藏异常程度。
利用异常数据点在异常设备中的异常生成系数、原始异常程度及从每个上游装配设备继承的异常继承系数得到异常数据点是由每个上游装配设备产生的隐藏异常程度的步骤包括：计算出1与异常数据点在异常设备中的异常生成系数的第一差值；选取异常设备的一个上游装配设备作为第一上游装配设备；计算出异常数据点从全部上游装配设备继承的异常继承系数的第一和值；获取异常数据点从第一个上游装配设备继承的异常继承系数，并记作第一异常继承系数；计算出第一异常继承系数与第一和值的第一比值；将异常数据点在异常设备中的原始异常程度、第一差值、第一比值相乘作为异常数据点是由第一个上游装配设备产生的隐藏异常程度；同理计算出异常数据点是由每个上游装配设备产生的隐藏异常程度。
异常数据点是由每个上游装配设备产生的隐藏异常程度的计算公式为：
Figure SMS_137
其中，
Figure SMS_139
表示异常数据点是由第
Figure SMS_143
个上游装配设备产生的隐藏异常程度，
Figure SMS_147
表示异常设备标号；
Figure SMS_141
表示异常数据点对应产品的生产序号；
Figure SMS_142
表示异常数据点的原始异常程度；
Figure SMS_149
表示异常数据点在异常设备中的异常生成系数；
Figure SMS_152
表示异常设备的第
Figure SMS_140
个上游设备；
Figure SMS_145
表示异常数据点从第
Figure SMS_146
个上游装配设备继承的异常继承系数；
Figure SMS_150
表示异常设备的上游设备总数；在异常数据点是由每个上游装配设备产生的隐藏异常程度的计算公式中，
Figure SMS_138
表示非自身引起的异常程度；
Figure SMS_144
表示第
Figure SMS_148
个上游设备的异常继承系数占所有上游设备的异常继承系数总和的比值，比值越大表示第
Figure SMS_151
个上游设备的隐藏异常程度越大。
S8、当异常数据点是由每个上游装配设备产生的隐藏异常程度大于预设第一阈值时标记该上游装备设备为上游装配异常设备，并获取上游装配异常设备中的异常数据点在上游装配异常设备的上游装配设备产生的隐藏异常程度，直到隐藏异常程度小于预设第一阈值时，标记出所有异常设备，并对标注的异常设备进行检修排查。
在步骤S7中计算出了异常数据点是由每个上游装配设备产生的隐藏异常程度，当异常数据点是由每个上游装配设备产生的隐藏异常程度大于预设第一阈值（预设第一阈值为2）时标记该上游装备设备为上游装配异常设备，之后根据上游装配异常设备所在生产线的流程位置，继续对上游装配异常设备的上游设备的隐藏异常程度排查。
本发明提供用于高压变频器控制柜的生产线运行信号检测方法，根据每个装配设备在装配每件产品时的运行信，准确识别出装配工序中出现异常的装配设备，并对出现异常的装配设备的上游装配设备进行溯源，查找出上游中存在隐藏异常的装配设备。
以上所述仅为本发明的较佳实施例而已，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 (8)

1.用于高压变频器控制柜的生产线运行信号检测方法，其特征在于，该方法包括：
获取生产线上每个装配设备在监测时段时间内装配每件产品时的运行信号，并将每个装配设备在装配每件产品时的运行信号转化为高维空间的一个数据点；其中，每个装配设备产生多个数据点；
利用LOF算法及每个装配设备产生多个数据点之间的距离计算出每个数据点的原始异常程度，当装配设备产生的全部数据点的原始异常程度均小于或等于预设第一阈值时，判定该装配设备在监测时段内装配全部产品时均未出现异常；
当装配设备产生多个数据点中任一数据点的原始异常程度大于预设第一阈值时，将该装配设备标记为异常设备，并获取该异常设备中产生的异常数据点；
获取该异常设备的每一个上游装配设备及异常数据点所对应的产品在每一个上游装配设备中产生的目标数据点，同时获取每个目标数据点在对应上游装配设备产生的关联第一目标产品集合，利用每个关联第一目标产品集合在异常设备中产生的数据点与异常数据点形成每个上游装备继承的第一数据点集合；利用LOF算法计算异常数据点在每个上游装备继承的第一数据点集合中的继承异常程度；
利用每个异常数据点的原始异常程度及在每个上游装备继承的第一数据点集合中的继承异常程度，计算出异常数据点从每个上游装配设备继承的异常继承系数；
利用每一个上游装配设备产生的关联第一目标产品集合，筛选出第二目标产品集合，并获取第二目标产品集合在异常设备运行信号对应的数据点并与异常数据点形成第二数据点集合，利用LOF算法计算异常数据点在第二数据点集合中的生成异常程度；根据异常数据点对应的生成异常程度和原始异常程度计算出异常数据点在异常设备中的异常生成系数；
利用异常数据点在异常设备中的异常生成系数、原始异常程度及从每个上游装配设备继承的异常继承系数得到异常数据点是由每个上游装配设备产生的隐藏异常程度；
当异常数据点是由每个上游装配设备产生的隐藏异常程度大于预设第一阈值时标记该上游装备设备为上游装配异常设备，并获取上游装配异常设备中的异常数据点在上游装配异常设备的上游装配设备产生的隐藏异常程度，直到隐藏异常程度小于预设第一阈值时，标记出所有异常设备，并对标注的异常设备进行检修排查。
2.根据权利要求1所述的用于高压变频器控制柜的生产线运行信号检测方法，其特征在于，所述并将每个装配设备在装配每件产品时的运行信号转化为高维空间的一个数据点的步骤包括：
每个装配设备在装配每件产品时的运行信号由不同种类的运行数据组成，将每个运行信号运行数据的种类数作为高维空间的维数，将每个运行信号转换为高维空间的一个数据点。
3.根据权利要求1所述的用于高压变频器控制柜的生产线运行信号检测方法，其特征在于，所述同时获取每个目标数据点在对应上游装配设备产生的关联第一目标产品集合的步骤包括：
利用LOF算法在计算目标数据点在对应上游装配设备的原始异常程度时，在上游装配设备产生多个数据点中选取目标数据点邻域点集，由目标数据点邻域点集内包含的所有数据点对应的所有产品组成目标数据点在对应上游装配设备产生的关联第一目标产品集合。
4.根据权利要求1所述的用于高压变频器控制柜的生产线运行信号检测方法，其特征在于，所述异常数据点从每个上游装配设备继承的异常继承系数的计算公式为：
Figure QLYQS_1
其中，
Figure QLYQS_4
表示异常数据点从第
Figure QLYQS_7
个上游装配设备继承的异常继承系数，
Figure QLYQS_9
表示异常设备标号；
Figure QLYQS_2
表示异常数据点对应产品的生产序号；
Figure QLYQS_5
表示异常数据点的原始异常程度；
Figure QLYQS_8
表示异常设备的第
Figure QLYQS_10
个上游设备；
Figure QLYQS_3
表示异常数据点在第
Figure QLYQS_6
个上游装备继承的继承异常程度。
5.根据权利要求1所述的用于高压变频器控制柜的生产线运行信号检测方法，其特征在于，所述利用每一个上游装配设备产生的关联第一目标产品集合，筛选出第二目标产品集合的步骤包括：
获取异常设备的每一个上游装配设备产生的关联第一目标产品集合，获取全部关联第一目标产品集合的交集；
在异常装配设备产生的多个数据点对应的全部产品中剔除交集中包含的产品，由剩余产品组成第二目标产品集合。
6.根据权利要求1所述的用于高压变频器控制柜的生产线运行信号检测方法，其特征在于，所述异常数据点在异常设备中的异常生成系数的计算公式为：
Figure QLYQS_11
其中，
Figure QLYQS_12
表示异常数据点在异常设备中的异常生成系数；
Figure QLYQS_13
表示异常设备标号；
Figure QLYQS_14
表示异常数据点对应产品的生产序号；
Figure QLYQS_15
表示异常数据点的原始异常程度；
Figure QLYQS_16
表示异常数据点对应的生成异常程度。
7.根据权利要求1所述的用于高压变频器控制柜的生产线运行信号检测方法，其特征在于，所述利用异常数据点在异常设备中的异常生成系数、原始异常程度及从每个上游装配设备继承的异常继承系数得到异常数据点是由每个上游装配设备产生的隐藏异常程度的步骤包括：
计算出1与异常数据点在异常设备中的异常生成系数的第一差值；
选取异常设备的一个上游装配设备作为第一上游装配设备；
计算出异常数据点从全部上游装配设备继承的异常继承系数的第一和值；
获取异常数据点从第一个上游装配设备继承的异常继承系数，并记作第一异常继承系数；
计算出第一异常继承系数与第一和值的第一比值；
将异常数据点在异常设备中的原始异常程度、第一差值、第一比值相乘作为异常数据点是由第一个上游装配设备产生的隐藏异常程度；
同理计算出异常数据点是由每个上游装配设备产生的隐藏异常程度。
8.根据权利要求7所述的用于高压变频器控制柜的生产线运行信号检测方法，其特征在于，所述异常数据点是由每个上游装配设备产生的隐藏异常程度的计算公式为：
Figure QLYQS_17
其中，
Figure QLYQS_19
表示异常数据点是由第
Figure QLYQS_22
个上游装配设备产生的隐藏异常程度，
Figure QLYQS_26
表示异常设备标号；
Figure QLYQS_20
表示异常数据点对应产品的生产序号；
Figure QLYQS_21
表示异常数据点的原始异常程度；
Figure QLYQS_25
表示异常数据点在异常设备中的异常生成系数；
Figure QLYQS_27
表示异常设备的第
Figure QLYQS_18
个上游设备；
Figure QLYQS_23
表示异常数据点从第
Figure QLYQS_24
个上游装配设备继承的异常继承系数；
Figure QLYQS_28
表示异常设备的上游设备总数。
CN202310085013.2A 2023-02-09 2023-02-09 用于高压变频器控制柜的生产线运行信号检测方法 Active CN115809417B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310085013.2A CN115809417B (zh) 2023-02-09 2023-02-09 用于高压变频器控制柜的生产线运行信号检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310085013.2A CN115809417B (zh) 2023-02-09 2023-02-09 用于高压变频器控制柜的生产线运行信号检测方法

Publications (2)

Publication Number Publication Date
CN115809417A true CN115809417A (zh) 2023-03-17
CN115809417B CN115809417B (zh) 2023-05-09

Family

ID=85487699

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310085013.2A Active CN115809417B (zh) 2023-02-09 2023-02-09 用于高压变频器控制柜的生产线运行信号检测方法

Country Status (1)

Country Link
CN (1) CN115809417B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108573368A (zh) * 2017-03-09 2018-09-25 欧姆龙株式会社 管理装置以及可读取记录介质
CN110532119A (zh) * 2019-07-26 2019-12-03 中国船舶重工集团公司第七一九研究所 动力系统运行异常点检测方法
US20210034994A1 (en) * 2019-08-02 2021-02-04 Capital One Services, Llc Computer-based systems configured for detecting, classifying, and visualizing events in large-scale, multivariate and multidimensional datasets and methods of use thereof
CN112711507A (zh) * 2020-12-17 2021-04-27 浙江高速信息工程技术有限公司 设备告警方法、电子设备和介质
WO2021218179A1 (zh) * 2020-04-28 2021-11-04 平安科技（深圳）有限公司 异常数据查询方法、装置、计算机设备及存储介质
CN114328168A (zh) * 2020-10-09 2022-04-12 腾讯科技（深圳）有限公司 异常检测方法、装置、计算机设备和存储介质
CN114374541A (zh) * 2021-12-16 2022-04-19 四川大学 一种基于强化学习的异常网络流量检测器生成方法
WO2022105318A1 (zh) * 2020-11-18 2022-05-27 长鑫存储技术有限公司 监测机台运行状况的方法及装置、存储介质及电子设备
CN114627140A (zh) * 2022-05-16 2022-06-14 新风光电子科技股份有限公司 基于高压变频器的煤矿通风机智能调节方法
CN115329902A (zh) * 2022-10-12 2022-11-11 南通创为机械科技有限公司 一种数控卷板机产品异常数据分析识别方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108573368A (zh) * 2017-03-09 2018-09-25 欧姆龙株式会社 管理装置以及可读取记录介质
CN110532119A (zh) * 2019-07-26 2019-12-03 中国船舶重工集团公司第七一九研究所 动力系统运行异常点检测方法
US20210034994A1 (en) * 2019-08-02 2021-02-04 Capital One Services, Llc Computer-based systems configured for detecting, classifying, and visualizing events in large-scale, multivariate and multidimensional datasets and methods of use thereof
WO2021218179A1 (zh) * 2020-04-28 2021-11-04 平安科技（深圳）有限公司 异常数据查询方法、装置、计算机设备及存储介质
CN114328168A (zh) * 2020-10-09 2022-04-12 腾讯科技（深圳）有限公司 异常检测方法、装置、计算机设备和存储介质
WO2022105318A1 (zh) * 2020-11-18 2022-05-27 长鑫存储技术有限公司 监测机台运行状况的方法及装置、存储介质及电子设备
CN112711507A (zh) * 2020-12-17 2021-04-27 浙江高速信息工程技术有限公司 设备告警方法、电子设备和介质
CN114374541A (zh) * 2021-12-16 2022-04-19 四川大学 一种基于强化学习的异常网络流量检测器生成方法
CN114627140A (zh) * 2022-05-16 2022-06-14 新风光电子科技股份有限公司 基于高压变频器的煤矿通风机智能调节方法
CN115329902A (zh) * 2022-10-12 2022-11-11 南通创为机械科技有限公司 一种数控卷板机产品异常数据分析识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
RUI BAI ETAL.: "Research on the Forecast of Workshop Production Abnormity under Cloud Manufacturing Environment" *
张永旺等: "电力计量检定运行过程中 D 动态感知监控方法" *

Also Published As

Publication number Publication date
CN115809417B (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
Helbing et al. Deep Learning for fault detection in wind turbines
US9378183B2 (en) Monitoring diagnostic device and monitoring diagnostic method
US8566070B2 (en) Apparatus abnormality monitoring method and system
KR101955305B1 (ko) 희소 코딩 방법론을 활용한 가스 터빈 센서 고장 검출
US20190310979A1 (en) Anomaly data priority assessment device and anomaly data priority assessment method
Fan et al. Defective wafer detection using a denoising autoencoder for semiconductor manufacturing processes
JP2011059790A (ja) 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム
US11435736B2 (en) Cause determination of anomalous events
Yu et al. Abnormal data detection for multivariate alarm systems based on correlation directions
CN112287988A (zh) 一种水污染源在线监测数据异常的识别方法
KR20190082715A (ko) 상관도를 고려한 데이터 분류 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체
Abbasi et al. Development of predictive maintenance interface using multiple linear regression
Peco Chacón et al. False alarms management by data science
Zhang et al. Intelligent fault detection of reciprocating compressor using a novel discrete state space
KR101997580B1 (ko) 상관도를 고려한 데이터 분류 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체
CN115809417A (zh) 用于高压变频器控制柜的生产线运行信号检测方法
CN112731022A (zh) 光伏逆变器故障检测方法、设备及介质
Giannoulidis et al. Investigating thresholding techniques in a real predictive maintenance scenario
JP2014026327A (ja) 実稼働データによる機器の状態診断装置
Raj An Improved Accuracy and Efficiency Based Defect Detection Method for Industrial Signal Processing
Lee et al. Autoencoder-based detector for distinguishing process anomaly and sensor failure
Li et al. Control chart pattern recognition under small shifts based on multi-scale weighted ordinal pattern and ensemble classifier
CN113065766B (zh) 一种基于历史数据挖掘分析的汽机运行工况寻优方法
Patil et al. Economic design of moving average control chart for non-normally distributed data: a comparative study
Kellermann et al. Fault Detection in Multi-stage Manufacturing to Improve Process Quality

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