CN116027754A - 一种基于主动标识载体的生产设备运维方法、设备及介质 - Google Patents
一种基于主动标识载体的生产设备运维方法、设备及介质 Download PDFInfo
- Publication number
- CN116027754A CN116027754A CN202310073495.XA CN202310073495A CN116027754A CN 116027754 A CN116027754 A CN 116027754A CN 202310073495 A CN202310073495 A CN 202310073495A CN 116027754 A CN116027754 A CN 116027754A
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- identification
- maintenance
- terminal
- 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.)
- Pending
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 239
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 165
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000004458 analytical method Methods 0.000 claims abstract description 111
- 206010048669 Terminal state Diseases 0.000 claims abstract description 50
- 238000007405 data analysis Methods 0.000 claims abstract description 40
- 229940088594 vitamin Drugs 0.000 claims abstract description 29
- 229930003231 vitamin Natural products 0.000 claims abstract description 29
- 235000013343 vitamin Nutrition 0.000 claims abstract description 29
- 239000011782 vitamin Substances 0.000 claims abstract description 29
- 150000003722 vitamin derivatives Chemical class 0.000 claims abstract description 29
- 230000005540 biological transmission Effects 0.000 claims description 55
- 238000012544 monitoring process Methods 0.000 claims description 42
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000007619 statistical method Methods 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000000969 carrier Substances 0.000 claims 2
- 238000007726 management method Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 16
- 238000012545 processing Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 9
- 230000009466 transformation Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000013523 data management Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006855 networking Effects 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000001746 injection moulding Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例公开了一种基于主动标识载体的生产设备运维方法、设备及介质,涉及标识解析技术领域,方法包括:获取多个主动标识终端的终端数据和多个设备标识数据;根据多个主动标识终端的终端数据和预设的状态阈值,判断每个主动标识终端的当前终端状态;根据预设的设备运维策略,确定对应的多个待运维生产设备,其中,设备运维策略包括运维类型;根据预先设置的生产设备与主动标识终端的对应关系,确定每个待运维生产设备对应的指定主动标识终端;当正常运行状态时,确定出指定主动标识终端采集的多个指定设备标识数据;根据设备运维策略,对多个指定设备标识数据进行数据分析,生成运维分析数据,以根据运维分析数据对生产设备进行运行维护。
Description
技术领域
本说明书涉及主动标识技术领域,尤其涉及一种基于主动标识载体的生产设备运维方法、设备及介质。
背景技术
主动标识载体技术作为产业界与学术界针对工业互联网标识解析技术的创新探索获得广泛关注。区别于传统被动标识载体需要附着在设备和产品表面通过读卡器等设备才能获取数据信息,主动标识载体具备联网通信能力,能够与标识服务节点或标识数据应用平台主动建立连接,并承载必要的证书、算法与密钥。主动标识载体的发展,有助于扩大工业互联网标识解析的覆盖面,促进标识产业及工业企业向智能化、网络化、数字化方向发展。智能制造的核心是通过对制造业加工生产设备数据采集并进行分析利用,提升工作效率,降低生产成本,促使企业管理标准化,使企业内部现场控制层与管理层之间的信息互联互通,以此提高企业核心竞争力。通过数据实现工业互联网设备数据基础,让设备成为企业数字化转型的活跃用户。
智能制造转型的关键在于如何更容易的获取制造业设备加工数据。工厂设备种类繁多,新旧程度不一,传统自动化企业提供数据采集的业务,但是设备数据不能直接用于生产管理的分析服务;各类网关提供商主要关注传统的设备监控数据的采集,对高价值的数据处理并不擅长。
在智能生产园区内,生产设备种类繁多,导致采集的设备数据多而杂乱,此外,园区内不同的生产系统的运维需求不同。因此,未考虑不同生产系统的运维需求的差异直接采集设备数据,数据多而杂乱,无法保证采集数据的针对性和准确性,导致设备运维效率较低。
发明内容
本说明书一个或多个实施例提供了一种基于主动标识载体的生产设备运维方法、设备及介质,用于解决如下技术问题:未考虑不同生产系统的运维需求的差异直接采集设备数据,数据多而杂乱,无法保证采集数据的针对性和准确性,导致设备运维效率较低。
本说明书一个或多个实施例采用下述技术方案:
本说明书一个或多个实施例提供一种基于主动标识载体的生产设备运维方法,其特征在于,应用于生产设备运维系统,所述方法包括:获取多个主动标识终端的终端数据和所述主动标识终端采集的生产设备的多个设备标识数据;根据所述多个主动标识终端的终端数据和预设的状态阈值,判断每个主动标识终端的当前终端状态,其中,所述终端状态包括正常运行状态和异常运行状态;根据预先设置的设备运维策略,确定对应的多个待运维生产设备,其中,所述设备运维策略包括运维类型;根据预先设置的生产设备与主动标识终端的对应关系,确定每个待运维生产设备对应的指定主动标识终端;当所述每个指定主动标识终端的终端状态为正常运行状态时,在所述多个设备标识数据中,确定出所述指定主动标识终端采集的多个指定设备标识数据;根据所述设备运维策略,对所述多个指定设备标识数据进行数据分析,生成运维分析数据,以根据所述运维分析数据对所述生产设备进行运行维护。
进一步地,根据预先设置的设备运维策略,确定对应的多个待运维生产设备,具体包括:确定当前的设备运维策略中的运维范围,其中,所述运维范围包括生产设备对应的多个待运维生产环节;获取园区内多个生产设备的历史设备数据和每个生产设备的设备标识码;根据所述历史设备数据和设备标识码,构建工厂模型,其中,所述工厂模型包括多个生产环节;根据所述运维范围对应的多个待运维生产环节和所述工厂模型,确定待运维生产设备的设备标识码;基于所述待运维生产设备的设备标识码,确定所述设备运维策略对应的多个待运维生产设备。
进一步地,根据预先设置的生产设备与主动标识终端的对应关系,确定每个待运维生产设备对应的指定主动标识终端之前,所述方法还包括:通过主动标识终端与标识解析体系对接,向所述标识解析体系中的行业二级节点申请标识码;将所述标识码存储至所述主动标识终端中,并将所述主动标识终端与对应的生产设备进行绑定,以生成所述生产设备与所述主动标识终端之间的对应关系。
进一步地,根据所述设备运维策略,对所述多个指定设备标识数据进行数据分析,生成运维分析数据,具体包括:确定当前的设备运维策略中的运维类型,其中,所述运维类型包括设备数据统计分析、设备运行趋势预测以及故障数据监控;根据所述运维类型,确定与所述运维类型对应的指定数据分析方法;基于所述指定数据分析方法,对所述多个指定设备标识数据进行数据分析,生成运维分析数据。
进一步地,根据所述运维类型,确定与所述运维类型对应的指定数据分析方法,具体包括:当所述运维类型为设备数据统计分析时,根据所述多个指定设备标识数据,确定出每个所述指定设备标识数据对应的指定待运维生产设备;在指定数据库中,获取每个所述指定待运维生产设备的历史设备数据;对所述历史设备数据和所述指定设备标识数据进行统计分析,以生成运维分析数据;当所述运维类型为设备运行趋势预测时,获取所述指定运维生产设备的设备运行模型;根据所述设备运行模型和所述指定设备标识数据,对所述指定运维生产设备的运行趋势进行预测分析,以生成运维分析数据;当所述运维类型为故障数据监控时,设置数据监测任务,其中,所述数据监测任务包括预设的监测阈值;通过所述数据监测任务,根据所述监测阈值,对所述多个指定设备标识数据进行故障监测;当所述多个指定设备标识数据中存在大于所述监测阈值的第一设备标识数据时,对所述第一设备标识数据对应的待运维生产设备进行故障预警,以生成运维分析数据。
进一步地,根据所述多个主动标识终端的终端数据和预设的状态阈值,判断每个主动标识终端的当前终端状态,具体包括:获取所述主动标识终端的标识解析请求的历史发送记录,其中,所述历史发送记录包括多个发送标识和每个发送标识对应的发送时间;根据所述主动标识终端的标识解析请求的历史发送记录,生成两次标识解析请求对应的时间间隔,将所述时间间隔作为状态阈值;获取所述主动标识终端的实时终端数据,其中,所述实时终端数据包括所述主动标识终端发送标识解析请求的发送时刻;将所述历史发送记录,按照发送时间进行排序,确定所述历史发送记录中末端的发送时刻;根据所述历史发送记录中末端的发送时刻、所述实时终端数据中所述主动标识终端发送标识解析请求的发送时刻以及状态阈值,判断每个主动标识终端的当前终端状态。
进一步地,根据所述历史发送记录中末端的发送时刻、所述实时终端数据中所述主动标识终端发送标识解析请求的发送时刻以及状态阈值,判断每个主动标识终端的当前终端状态,具体包括:计算所述实时终端数据中所述主动标识终端发送标识解析请求的发送时刻和所述历史发送记录中末端的发送时刻的差值,得到当前时间间隔;当所述时间间隔大于所述状态阈值时,判定所述主动标识终端的当前终端状态为异常运行状态;当所述时间间隔不大于所述状态阈值时,判定所述主动标识终端的当前终端状态为正常运行状态。
进一步地,根据所述设备运维策略,对所述多个指定设备标识数据进行数据分析,生成运维分析数据之后,所述方法还包括:根据所述设备运维策略,对所述运维分析数据设置运维标识;根据所述运维标识,建立所述设备运维策略和所述运维分析数据的关联关系;将所述关联关系和所述运维分析数据,存储至对应数据库中,以便于通过Web服务技术,在对应数据库中获取所述运维数据,实现业务系统之间的数据共享,其中,所述数据库包括分布式业务数据库、单节点时序数据库、分布式时序数据库以及内存数据库。
本说明书一个或多个实施例提供一种基于主动标识载体的生产设备运维设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取多个主动标识终端的终端数据和所述主动标识终端采集的生产设备的多个设备标识数据;根据所述多个主动标识终端的终端数据和预设的状态阈值,判断每个主动标识终端的当前终端状态,其中,所述终端状态包括正常运行状态和异常运行状态;根据预先设置的设备运维策略,确定对应的多个待运维生产设备,其中,所述设备运维策略包括运维类型;根据预先设置的生产设备与主动标识终端的对应关系,确定每个待运维生产设备对应的指定主动标识终端;当所述每个指定主动标识终端的终端状态为正常运行状态时,在所述多个设备标识数据中,确定出所述指定主动标识终端采集的多个指定设备标识数据;根据所述设备运维策略,对所述多个指定设备标识数据进行数据分析,生成运维分析数据,以根据所述运维分析数据对所述生产设备进行运行维护。
本说明书一个或多个实施例提供的一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
获取多个主动标识终端的终端数据和所述主动标识终端采集的生产设备的多个设备标识数据;根据所述多个主动标识终端的终端数据和预设的状态阈值,判断每个主动标识终端的当前终端状态,其中,所述终端状态包括正常运行状态和异常运行状态;根据预先设置的设备运维策略,确定对应的多个待运维生产设备,其中,所述设备运维策略包括运维类型;根据预先设置的生产设备与主动标识终端的对应关系,确定每个待运维生产设备对应的指定主动标识终端;当所述每个指定主动标识终端的终端状态为正常运行状态时,在所述多个设备标识数据中,确定出所述指定主动标识终端采集的多个指定设备标识数据;根据所述设备运维策略,对所述多个指定设备标识数据进行数据分析,生成运维分析数据,以根据所述运维分析数据对所述生产设备进行运行维护。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:通过上述技术方案,首先对主动标识终端的终端状态进行判定,保证主动标识终端为正常状态,避免了由于主动标识终端的异常导致采集数据不准确或传输不及时的情况;此外,由于园区内设备众多,设备标识数据多而杂乱,结合设备运维策略,在众多设备标识数据中,确定出与设备运维相关的数据,剔除了杂乱无用数据,保证了设备数据的针对性和相关性;另外,根据根据运维策略选择对应的数据分析方法,生成运维分析数据,保证了运维分析数据的准确性,有助于为企业用户的运维提供高价值数据,帮助企业实现数字化转型,提高生产效率。
附图说明
为了更清楚地说明本说明书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说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本说明书实施例提供的一种基于主动标识载体的生产设备运维方法的流程示意图;
图2为本说明书实施例提供的一种基于主动标识载体的生产设备运维设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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说明书一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
主动标识载体技术作为产业界与学术界针对工业互联网标识解析技术的创新探索获得广泛关注。区别于传统被动标识载体需要附着在设备和产品表面通过读卡器等设备才能获取数据信息,主动标识载体具备联网通信能力,能够与标识服务节点或标识数据应用平台主动建立连接,并承载必要的证书、算法与密钥。主动标识载体的发展,有助于扩大工业互联网标识解析的覆盖面,促进标识产业及工业企业向智能化、网络化、数字化方向发展。智能制造的核心是通过对制造业加工生产设备数据采集并进行分析利用,提升工作效率,降低生产成本,促使企业管理标准化,使企业内部现场控制层与管理层之间的信息互联互通,以此提高企业核心竞争力。通过数据实现工业互联网设备数据基础,让设备成为企业数字化转型的活跃用户。
智能制造转型的关键在于如何更容易的获取制造业设备加工数据。工厂设备种类繁多,新旧程度不一,传统自动化企业提供数据采集的业务,但是设备数据不能直接用于生产管理的分析服务;各类网关提供商主要关注传统的设备监控数据的采集,对高价值的数据处理并不擅长。
在智能生产园区内,生产设备种类繁多,导致采集的设备数据多而杂乱,此外,园区内不同的生产系统的运维需求不同。因此,未考虑不同生产系统的运维需求的差异直接采集设备数据,数据多而杂乱,无法保证采集数据的针对性和准确性,导致设备运维效率较低。
本说明书实施例提供一种基于主动标识载体的生产设备运维方法,需要说明的是,本说明书实施例中的执行主体可以是服务器,也可以是任意一种具备数据处理能力的设备。图1为本说明书实施例提供的一种基于主动标识载体的生产设备运维方法的流程示意图,应用于生产设备运维系统,如图1所示,主要包括如下步骤:
步骤S101,获取多个主动标识终端的终端数据和主动标识终端采集的生产设备的多个设备标识数据。
在本说明书的一个实施例中,通过生产设备运维系统与设置在生产设备处的主动标识终端对接,获取主动标识终端的终端数据和主动标识终端采集的生产设备的多个设备标识数据,此处的设备标识数据可以是设备运行数据,也可以是设备状态数据或设备位置数据。
步骤S102,根据多个主动标识终端的终端数据和预设的状态阈值,判断每个主动标识终端的当前终端状态。
根据该多个主动标识终端的终端数据和预设的状态阈值,判断每个主动标识终端的当前终端状态,具体包括:获取该主动标识终端的标识解析请求的历史发送记录,其中,该历史发送记录包括多个发送标识和每个发送标识对应的发送时间;根据该主动标识终端的标识解析请求的历史发送记录,生成两次标识解析请求对应的时间间隔,将该时间间隔作为状态阈值;获取该主动标识终端的实时终端数据,其中,该实时终端数据包括该主动标识终端发送标识解析请求的发送时刻;将该历史发送记录,按照发送时间进行排序,确定该历史发送记录中末端的发送时刻;根据该历史发送记录中末端的发送时刻、该实时终端数据中该主动标识终端发送标识解析请求的发送时刻以及状态阈值,判断每个主动标识终端的当前终端状态。
在实际的应用场景中,主动标识终端在使用过程中会出现损耗或故障,导致无法采集数据或采集数据不准确,进而导致设备运维的准确率无法满足需求。
在本说明书的一个实施例中,根据每个主动标识终端的终端数据和预设的状态阈值,对主动标识终端的终端状态进行判定,终端状态包括正常运行状态和异常运行状态。首先是状态阈值的设定,不同的主动标识终端由于设备差异其对应的运行状态阈值存在差异。一般情况下,主动标识终端可以自动与标识解析体系对接,具备联网通信能力,能够与标识服务节点或标识数据应用平台主动建立连接,若主动设备标识与标识解析节点或系统的对接出现故障,容易出现发送数据慢或无法发送数据的问题,此时则认为主动标识终端为异常运行状态。
为了可以准确地对主动标识终端的运行进行判定,根据每个主动标识终端的历史运行数据设置该主动标识终端对应的状态阈值。当主动标识终端与标识解析节点进行数据发送时,将生成发送记录存储至对应的数据库中,此处发送的数据可以是标识解析请求;同样地,与应用系统对接时,也需要将数据发送记录存储值对应的数据库中,此处发送的数据可以是设备标识数据。
在本说明书的一个实施例中,获取该主动标识终端的标识解析请求的历史发送记录,历史发送记录包括多个发送标识和每个发送标识对应的发送时间,发送标识可以用0和1进行区分,发送成功则记录发送标识为1,发送失败则记录发送标识为0,并对发送时间进行存档。根据主动标识终端的标识解析请求的历史发送记录,计算相邻两次标识解析请求对应的时间间隔,对多个时间间隔求平均值,得到平均时间间隔,将此平均时间间隔作为状态阈值。
在得到状态阈值之后,将历史发送记录,按照发送时间进行排序,确定该历史发送记录中末端的发送时刻,也就是距离当前时刻最近的上一次发送时间。根据该历史发送记录中末端的发送时刻、该实时终端数据中该主动标识终端发送标识解析请求的发送时刻以及状态阈值,判断每个主动标识终端的当前终端状态,终端状态包括正常运行状态和异常运行状态。
根据该历史发送记录中末端的发送时刻、该实时终端数据中该主动标识终端发送标识解析请求的发送时刻以及状态阈值,判断每个主动标识终端的当前终端状态,具体包括:计算该实时终端数据中该主动标识终端发送标识解析请求的发送时刻和该历史发送记录中末端的发送时刻的差值,得到当前时间间隔;当该当前时间间隔大于该状态阈值时,判定该主动标识终端的当前终端状态为异常运行状态;当该当前时间间隔不大于该状态阈值时,判定该主动标识终端的当前终端状态为正常运行状态。
在本说明书的一个实施例中,计算实时终端数据中主动标识终端发送标识解析请求的发送时刻和历史发送记录中末端的发送时刻的差值,得到当前时间间隔,若该当前时间间隔大于状态阈值对应的时间间隔,则判定主动标识终端的当前终端状态为异常运行状态,反之,若当前时间间隔不大于状态阈值对应的时间间隔,判定当前终端状态为正常运行状态。
通过上述技术方案,在对数据进行处理分析之前,对数据获取来源对应的主动标识终端进行判断,避免了由于终端的异常运行导致的数据传输慢或数据无法传输的问题,进一步保证了设备标识数据的准确性。
步骤S103,根据预先设置的设备运维策略,确定对应的多个待运维生产设备。
根据预先设置的设备运维策略,确定对应的多个待运维生产设备,具体包括:确定当前的设备运维策略中的运维范围,其中,该运维范围包括生产设备对应的多个待运维生产环节;获取园区内多个生产设备的历史设备数据和每个生产设备的设备标识码;根据该历史设备数据和设备标识码,构建工厂模型,其中,该工厂模型包括多个生产环节;根据该运维范围对应的多个待运维生产环节和该工厂模型,确定待运维生产设备的设备标识码;基于该待运维生产设备的设备标识码,确定该设备运维策略对应的多个待运维生产设备。
在本说明书的一个实施例中,园区内的生产设备类型不同,在不同生产环节对应的运维需求不同,获取预先设置的设备运维策略,此处的运维策略包括运维范围,也就是需要运维的生产环节。获取园区内多个生产设备的历史设备数据和每个生产设备的设备标识码,以设备标识码为依托,根据历史设备数据建立工厂模型,需要说明的是,工厂模型用于将多个生产环节与生产设备进行关联,通过当前运维策略中的待运维生产环节,根据工厂模型确定出该待运维生产环节对应的待运维生产设备的设备标识码,通过待运维生产设备的设备标识码,确定设备运维策略对应的多个待运维生产设备。
步骤S104,根据预先设置的生产设备与主动标识终端的对应关系,确定每个待运维生产设备对应的指定主动标识终端。
在本说明书的一个实施例中,通过主动标识终端与标识解析体系对接,向该标识解析体系中的行业二级节点申请标识码将该标识码存储至该主动标识终端中,并将该主动标识终端与对应的生产设备进行绑定,以生成该生产设备与该主动标识终端之间的对应关系。根据预先设置的生产设备与主动标识终端的对应关系,确定每个待运维生产设备对应的指定主动标识终端。
步骤S105,当每个指定主动标识终端的终端状态为正常运行状态时,在多个设备标识数据中,确定出指定主动标识终端采集的多个指定设备标识数据。
由于园区内生产设备数量较多,导致设备数据多而杂乱,存在很多与当前运维策略无关的设备标识数据,在本说明书的一个实施例中,当每个指定主动标识终端的终端状态为正常运行状态时,在多个设备标识数据中,确定出指定主动标识终端采集的多个指定设备标识数据,也就是说,确定出与运维策略中运维范围对应的多个指定设备标识数据。
步骤S106,根据设备运维策略,对多个指定设备标识数据进行数据分析,生成运维分析数据,以根据运维分析数据对生产设备进行运行维护。
根据该设备运维策略,对该多个指定设备标识数据进行数据分析,生成运维分析数据,具体包括:确定当前的设备运维策略中的运维类型,其中,该运维类型包括设备数据统计分析、设备运行趋势预测以及故障数据监控;根据该运维类型,确定与该运维类型对应的指定数据分析方法;基于该指定数据分析方法,对该多个指定设备标识数据进行数据分析,生成运维分析数据。
在本说明书的一个实施例中,设备运维策略包括运维范围和运维类型,运维类型包括设备数据统计分析、设备运行趋势预处以及故障数据监控,根据用户设置的设备运维策略中的运维类型,选择对应的数据分析方法,生成运维分析数据。
根据该运维类型,确定与该运维类型对应的指定数据分析方法,具体包括:当该运维类型为设备数据统计分析时,根据该多个指定设备标识数据,确定出每个该指定设备标识数据对应的指定待运维生产设备;在指定数据库中,获取每个该指定待运维生产设备的历史设备数据;对该历史设备数据和该指定设备标识数据进行统计分析,以生成运维分析数据;当该运维类型为设备运行趋势预测时,获取该指定运维生产设备的设备运行模型;根据该设备运行模型和该指定设备标识数据,对该指定运维生产设备的运行趋势进行预测分析,以生产运维分析数据;当该运维类型为故障数据监控时,设置数据监测任务,其中,该数据监测任务包括预设的监测阈值;通过该数据监测任务,根据该监测阈值,对该多个指定设备标识数据进行故障监测;当该多个指定设备标识数据中存在大于该监测阈值的第一设备标识数据时,对该第一设备标识数据对应的待运维生产设备进行故障预警,以生成运维分析数据。
在本说明书的一个实施例中,当运维类型为设备数据统计分析时,需要对指定设备标识数据进行统计分析,生成统计数据。首先,根据多个指定设备标识数据,确定出对应的指定待运维生产设备,以便于根据指定待运维生产设备在指定数据库中,获取每个指定待运维生产设备的历史设备数据。将历史设备数据和指定设备标识数据进行统计分析,以生成运维分析数据,分析指定运维生产设备的历史运行情况。
当该运维类型为设备运行趋势预测时,需要对指定运维生产设备的运行进行预测,首先获取指定运维生产设备的设备运行模型,该设备运行模型为经过历史设备数据训练后的神经网络模型。将指定设备标识数据输入至设备运行模型,对该指定运维生产设备的运行趋势进行预测分析,输出预设设备数据,以生成运维分析数据。
当该运维类型为故障数据监控时,通过设置数据监测任务,其中,该数据监测任务包括预设的监测阈值;通过数据监测任务,对该多个指定设备标识数据进行故障监测;当该多个指定设备标识数据中存在大于监测阈值的第一设备标识数据时,对第一设备标识数据对应的待运维生产设备进行故障预警,以生成运维分析数据,根据运维分析数据,对生产设备进行针对性运维。
根据该设备运维策略,对该多个指定设备标识数据进行数据分析,生成运维分析数据之后,该方法还包括:根据该设备运维策略,对该运维分析数据设置运维标识;根据该运维标识,建立该设备运维策略和该运维分析数据的关联关系;将该关联关系和该运维分析数据,存储至对应数据库中,以便于通过Web服务技术,在对应数据库中获取该运维数据,实现业务系统之间的数据共享,其中,该数据库包括分布式业务数据库、单节点时序数据库、分布式时序数据库以及内存数据库。
在本说明书的一个实施例中,为了便于用户对数据的调用,将生成的运维分析数据进行存储。首先,根据设备运维策略,对运维分析数据设置运维标识,按照运维标识,建立设备运维策略和运维分析数据之间的关联关系。在进行运维分析数据存储时,将关联关系一并存储至对应的数据库中,以便于通过Web服务技术,在对应数据库中获取该运维数据,实现业务系统之间的数据共享。此处的数据库可以是MySQL分布式业务数据库,用于层数统计数据并作为数据分析内核的业务数据库,也可以是InfluxDB单节点时序数据库、TimeScale分布式时序数据库,着力于高性能地查询与存储时序型数据,还可以是Redis内存数据库。
通过上述技术方案,首先对主动标识终端的终端状态进行判定,保证主动标识终端为正常状态,避免了由于主动标识终端的异常导致采集数据不准确或传输不及时的情况;此外,由于园区内设备众多,设备标识数据多而杂乱,结合设备运维策略,在众多设备标识数据中,确定出与设备运维相关的数据,剔除了杂乱无用数据,保证了设备数据的针对性和相关性;另外,根据根据运维策略选择对应的数据分析方法,生成运维分析数据,保证了运维分析数据的准确性,有助于为企业用户的运维提供高价值数据,帮助企业实现数字化转型,提高生产效率。
本说明书实施例还提供一种生产设备运维系统,系统包括数据采集模块、数据集成共享模块、数据安全模块、数据治理模块、数据存储模块、设备运行监控模块、设备运维模块以及可视化模块。
在本说明书的一个实施例中,数据采集模块支持静默式改造,无需设备停工,减少对生产的影响,自动采集工业设备关键数据;可以全面场景覆盖,无需复杂配置可对接市面主流的生产设备,包括但不限于PLC、机器人、数控机床、切割机、折弯机、注塑机、电力仪表、各种传感器等;具备强大边缘计算能力,通过高性能流式分析工具实时判定设备的故障告警,数据清洗、去重和实时计算等预处理秒级响应;可以适配多种网络环境,支持有线网络、4G/5G无线网络、串口转网口等多种网络连接环境;支持快速灵活配置,支持采集频率可配置,支持集中配置管理,一站式解决工业设备数据采集复杂性的问题。
在本说明书的一个实施例中,数据集成共享模块,采用标准开放接口,支持与其它系统的数据交换和共享,数据交换方式既能支持中间件、数据库及离线文件等三个层次的实时或定时交互。通过Web服务技术实现业务系统之间的数据交换和应用整合。主要通过数据访问引擎对设备、工艺、能源、质量、物料和报警等各类数据进行读取,为上层工业应用提供数据服务。数据共享层提供统一的数据访问接口,统一接口设计,简化数据接口的复杂性。平台接口遵循Resetful API规范,支持系统灵活扩展。ETL可视化工具,对接系统中的数据给到内部其他应用或者第三方应用。数据安全模块中数据内核主要提供基于Netfilter/IPtables框架的安全管理。Netfilter/iptables由三部分组成,分别是Netfilter框架、Iptables(内核空间)以及Iptables命令行工具(用户空间)。
数据处理分析模块,采用Flink、数据中台、数据分析以及数据分析可视化工具,其中,Flink是一个分布式系统,需要计算资源才能执行应用程序。针对数据流的分布式计算提供了数据分布、数据通信以及容错机制等功能;要求具有高性能、高扩展性、高开放性的物联数据处理分析模块。数据治理模块用于对中台的数据进行配置和设备生产管理治理,例如,告警管理、算法管理、历史数据、自定义数据治理、自定义状态、自定义函数、自定义统计量、自定义计算量以及自定义层级。数据存储模块要求支持MySQL分布式业务数据库,用于层数统计数据并作为数据分析内核的业务数据库;要求支持InfluxDB单节点时序数据库与支持TimeScale分布式时序数据库,着力于高性能地查询与存储时序型数据;要求支持Redis内存数据库,提高内存进行存储和高速实时计算能力。
在本说明书的一个实施例中,设备运行监控模块,要求支持设备实时数据、历史数据查询分析,支持设备稼动率实时计算,支持设备故障数据推送存档。设备运维模块要求支持设备维保、报修计划发布,支持接单、派单等工单管理闭环操作。通过设备档案、维保计划、维保报修、工单管理、我的工单模块,通过规范化的流程,对设备全周期进行管理。让管理更智能化,提高管理效率,降低维护成本,减少意外故障,延长设备寿命。可视化模块要求支持智能报表功能,可实现历史数据分析定时导出生成日报、周报、月报等功能。要求具备可视化组态编辑模块,包含工具栏、左侧导航栏、画布、右侧配置等功能。通过拖拉拽等方式迅速实现生产过程组态化,支持元件库、图库导入功能。支持大屏管理功能,创建及管理大屏应用,包括资产管理、数据管理、编辑器、预览和发布、复制分享、配置数据源等功能。
在本说明书的一个实施例中,系统支持有线网络和无线网络两种组网方式。有线网络可靠稳定,需要覆盖到每台设备;支持百兆、千兆和万兆光纤以太网;无线网络支持使用5G、WiFi、Zigbee、LoRa等无线网络,不影响生产,成本负荷较轻。系统支持多类型主动标识设备终端连接、各种设备协议,包括各类控制系统和智能仪表。支持根据配置进行数据异常处理,可在线设定异常判断条件及处理逻辑,可支持各种计算规则。系统数据处理模块将实时数据、外部结构化业务数据、文本等非结构化数据按照平台所建立的数据模型和规则进行数据转换、清洗和治理后,将数据按照业务模型或主题数据标准存储于工业数据平台相关中相关相应的数据库中,并进行标识关联。数据处理完后后平台需要提供大量数据分析的算法组件,包括数据预处理算法、分类算法、回归、聚类、关联规则等,提供趋势预测、聚类分析、评分模型等数据分析工具。具有报表、查询、分析、仪表盘等功能,可以满足各种数据分析应用需求,如大数据分析、自助分析、地图分析、指挥大屏幕、企业报表平台等。系统将处理后的数据分类存储在数据库中,以满足数据的分析与共享需求。系统存放着通过主动标识终端采集得到的标识数据,以及通过重新建模和汇总计算生成的统计标识数据。通过资产建模模块建立起数据关联及标识关联,将各个系统之间有关联性的数据进行整合存储并进行统一管理,作为后续数据分析的重要基础。
在本说明书的一个实施例中,系统支持标识数据资产模型管理功能,以实时数据和关系数据为数据基础,数据标识为唯一介质,通过构建工厂模型来管理监控生产中的各个环节。系统支持组态图绘图功能软件、Web发布工具、动态显示和数据更新软件等,客户端软件可通过统一窗口显示所绘制的图表,方便技术人员进行数据的分析和查询。支持设备维保、设备档案、设备报警配置等全生命周期管理功能。
通过上述技术方案,监控设备的运行情况,统计设备的运行数据,设备故障自动预警提醒,自动计算设备的稼动率,帮助企业实现数字化转型,提高生产效率;通过给设备进行智能化升级,变为标识解析智能设备,实现远程监控设备状态,监控设备的位置和健康情况,通过自动报警提示,实现预测性维护的作用。
本说明书实施例还提供一种基于主动标识载体的生产设备运维设备,如图2所示,设备包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够:
获取多个主动标识终端的终端数据和该主动标识终端采集的生产设备的多个设备标识数据;根据该多个主动标识终端的终端数据和预设的状态阈值,判断每个主动标识终端的当前终端状态,其中,该终端状态包括正常运行状态和异常运行状态;根据预先设置的设备运维策略,确定对应的多个待运维生产设备,其中,该设备运维策略包括运维类型;根据预先设置的生产设备与主动标识终端的对应关系,确定每个待运维生产设备对应的指定主动标识终端;当该每个指定主动标识终端的终端状态为正常运行状态时,在该多个设备标识数据中,确定出该指定主动标识终端采集的多个指定设备标识数据;根据该设备运维策略,对该多个指定设备标识数据进行数据分析,生成运维分析数据,以根据该运维分析数据对该生产设备进行运行维护。
本说明书实施例还提供一种非易失性计算机存储介质,存储有计算机可执行指令,计算机可执行指令设置为:
获取多个主动标识终端的终端数据和该主动标识终端采集的生产设备的多个设备标识数据;根据该多个主动标识终端的终端数据和预设的状态阈值,判断每个主动标识终端的当前终端状态,其中,该终端状态包括正常运行状态和异常运行状态;根据预先设置的设备运维策略,确定对应的多个待运维生产设备,其中,该设备运维策略包括运维类型;根据预先设置的生产设备与主动标识终端的对应关系,确定每个待运维生产设备对应的指定主动标识终端;当该每个指定主动标识终端的终端状态为正常运行状态时,在该多个设备标识数据中,确定出该指定主动标识终端采集的多个指定设备标识数据;根据该设备运维策略,对该多个指定设备标识数据进行数据分析,生成运维分析数据,以根据该运维分析数据对该生产设备进行运行维护。
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。尤其,对于装置、设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,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。
本说明书实施例提供的设备和介质与方法是一一对应的,因此,设备和介质也具有与其对应的方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述设备和介质的有益技术效果。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本说明书的一个或多个实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种基于主动标识载体的生产设备运维方法,其特征在于,应用于生产设备运维系统,所述方法包括:
获取多个主动标识终端的终端数据和所述主动标识终端采集的生产设备的多个设备标识数据;
根据所述多个主动标识终端的终端数据和预设的状态阈值,判断每个主动标识终端的当前终端状态,其中,所述终端状态包括正常运行状态和异常运行状态;
根据预先设置的设备运维策略,确定对应的多个待运维生产设备,其中,所述设备运维策略包括运维类型;
根据预先设置的生产设备与主动标识终端的对应关系,确定每个待运维生产设备对应的指定主动标识终端;
当所述每个指定主动标识终端的终端状态为正常运行状态时,在所述多个设备标识数据中,确定出所述指定主动标识终端采集的多个指定设备标识数据;
根据所述设备运维策略,对所述多个指定设备标识数据进行数据分析,生成运维分析数据,以根据所述运维分析数据对所述生产设备进行运行维护。
2.根据权利要求1所述的一种基于主动标识载体的生产设备运维方法,其特征在于,根据预先设置的设备运维策略,确定对应的多个待运维生产设备,具体包括:
确定当前的设备运维策略中的运维范围,其中,所述运维范围包括生产设备对应的多个待运维生产环节;
获取园区内多个生产设备的历史设备数据和每个生产设备的设备标识码;
根据所述历史设备数据和设备标识码,构建工厂模型,其中,所述工厂模型包括多个生产环节;
根据所述运维范围对应的多个待运维生产环节和所述工厂模型,确定待运维生产设备的设备标识码;
基于所述待运维生产设备的设备标识码,确定所述设备运维策略对应的多个待运维生产设备。
3.根据权利要求1所述的一种基于主动标识载体的生产设备运维方法,其特征在于,根据预先设置的生产设备与主动标识终端的对应关系,确定每个待运维生产设备对应的指定主动标识终端之前,所述方法还包括:
通过主动标识终端与标识解析体系对接,向所述标识解析体系中的行业二级节点申请标识码;
将所述标识码存储至所述主动标识终端中,并将所述主动标识终端与对应的生产设备进行绑定,以生成所述生产设备与所述主动标识终端之间的对应关系。
4.根据权利要求1所述的一种基于主动标识载体的生产设备运维方法,其特征在于,根据所述设备运维策略,对所述多个指定设备标识数据进行数据分析,生成运维分析数据,具体包括:
确定当前的设备运维策略中的运维类型,其中,所述运维类型包括设备数据统计分析、设备运行趋势预测以及故障数据监控;
根据所述运维类型,确定与所述运维类型对应的指定数据分析方法;
基于所述指定数据分析方法,对所述多个指定设备标识数据进行数据分析,生成运维分析数据。
5.根据权利要求4所述的一种基于主动标识载体的生产设备运维方法,其特征在于,根据所述运维类型,确定与所述运维类型对应的指定数据分析方法,具体包括:
当所述运维类型为设备数据统计分析时,根据所述多个指定设备标识数据,确定出每个所述指定设备标识数据对应的指定待运维生产设备;
在指定数据库中,获取每个所述指定待运维生产设备的历史设备数据;
对所述历史设备数据和所述指定设备标识数据进行统计分析,以生成运维分析数据;
当所述运维类型为设备运行趋势预测时,获取所述指定运维生产设备的设备运行模型;
根据所述设备运行模型和所述指定设备标识数据,对所述指定运维生产设备的运行趋势进行预测分析,以生成运维分析数据;
当所述运维类型为故障数据监控时,设置数据监测任务,其中,所述数据监测任务包括预设的监测阈值;
通过所述数据监测任务,根据所述监测阈值,对所述多个指定设备标识数据进行故障监测;
当所述多个指定设备标识数据中存在大于所述监测阈值的第一设备标识数据时,对所述第一设备标识数据对应的待运维生产设备进行故障预警,以生成运维分析数据。
6.根据权利要求1所述的一种基于主动标识载体的生产设备运维方法,其特征在于,根据所述多个主动标识终端的终端数据和预设的状态阈值,判断每个主动标识终端的当前终端状态,具体包括:
获取所述主动标识终端的标识解析请求的历史发送记录,其中,所述历史发送记录包括多个发送标识和每个发送标识对应的发送时间;
根据所述主动标识终端的标识解析请求的历史发送记录,生成两次标识解析请求对应的时间间隔,将所述时间间隔作为状态阈值;
获取所述主动标识终端的实时终端数据,其中,所述实时终端数据包括所述主动标识终端发送标识解析请求的发送时刻;
将所述历史发送记录,按照发送时间进行排序,确定所述历史发送记录中末端的发送时刻;
根据所述历史发送记录中末端的发送时刻、所述实时终端数据中所述主动标识终端发送标识解析请求的发送时刻以及状态阈值,判断每个主动标识终端的当前终端状态。
7.根据权利要求6所述的一种基于主动标识载体的生产设备运维方法,其特征在于,根据所述历史发送记录中末端的发送时刻、所述实时终端数据中所述主动标识终端发送标识解析请求的发送时刻以及状态阈值,判断每个主动标识终端的当前终端状态,具体包括:
计算所述实时终端数据中所述主动标识终端发送标识解析请求的发送时刻和所述历史发送记录中末端的发送时刻的差值,得到当前时间间隔;
当所述时间间隔大于所述状态阈值时,判定所述主动标识终端的当前终端状态为异常运行状态;
当所述时间间隔不大于所述状态阈值时,判定所述主动标识终端的当前终端状态为正常运行状态。
8.根据权利要求1所述的一种基于主动标识载体的生产设备运维方法,其特征在于,根据所述设备运维策略,对所述多个指定设备标识数据进行数据分析,生成运维分析数据之后,所述方法还包括:
根据所述设备运维策略,对所述运维分析数据设置运维标识;
根据所述运维标识,建立所述设备运维策略和所述运维分析数据的关联关系;
将所述关联关系和所述运维分析数据,存储至对应数据库中,以便于通过Web服务技术,在对应数据库中获取所述运维数据,实现业务系统之间的数据共享,其中,所述数据库包括分布式业务数据库、单节点时序数据库、分布式时序数据库以及内存数据库。
9.一种基于主动标识载体的生产设备运维设备,其特征在于,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取多个主动标识终端的终端数据和所述主动标识终端采集的生产设备的多个设备标识数据;
根据所述多个主动标识终端的终端数据和预设的状态阈值,判断每个主动标识终端的当前终端状态,其中,所述终端状态包括正常运行状态和异常运行状态;
根据预先设置的设备运维策略,确定对应的多个待运维生产设备,其中,所述设备运维策略包括运维类型;
根据预先设置的生产设备与主动标识终端的对应关系,确定每个待运维生产设备对应的指定主动标识终端;
当所述每个指定主动标识终端的终端状态为正常运行状态时,在所述多个设备标识数据中,确定出所述指定主动标识终端采集的多个指定设备标识数据;
根据所述设备运维策略,对所述多个指定设备标识数据进行数据分析,生成运维分析数据,以根据所述运维分析数据对所述生产设备进行运行维护。
10.一种非易失性计算机存储介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令设置为:
获取多个主动标识终端的终端数据和所述主动标识终端采集的生产设备的多个设备标识数据;
根据所述多个主动标识终端的终端数据和预设的状态阈值,判断每个主动标识终端的当前终端状态,其中,所述终端状态包括正常运行状态和异常运行状态;
根据预先设置的设备运维策略,确定对应的多个待运维生产设备,其中,所述设备运维策略包括运维类型;
根据预先设置的生产设备与主动标识终端的对应关系,确定每个待运维生产设备对应的指定主动标识终端;
当所述每个指定主动标识终端的终端状态为正常运行状态时,在所述多个设备标识数据中,确定出所述指定主动标识终端采集的多个指定设备标识数据;
根据所述设备运维策略,对所述多个指定设备标识数据进行数据分析,生成运维分析数据,以根据所述运维分析数据对所述生产设备进行运行维护。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310073495.XA CN116027754A (zh) | 2023-01-17 | 2023-01-17 | 一种基于主动标识载体的生产设备运维方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310073495.XA CN116027754A (zh) | 2023-01-17 | 2023-01-17 | 一种基于主动标识载体的生产设备运维方法、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116027754A true CN116027754A (zh) | 2023-04-28 |
Family
ID=86091019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310073495.XA Pending CN116027754A (zh) | 2023-01-17 | 2023-01-17 | 一种基于主动标识载体的生产设备运维方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116027754A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116561693A (zh) * | 2023-05-26 | 2023-08-08 | 工业富联(佛山)产业示范基地有限公司 | 注塑机异常确定方法、电子设备及存储介质 |
-
2023
- 2023-01-17 CN CN202310073495.XA patent/CN116027754A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116561693A (zh) * | 2023-05-26 | 2023-08-08 | 工业富联(佛山)产业示范基地有限公司 | 注塑机异常确定方法、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Karmakar et al. | Industrial internet of things: A review | |
US11295047B2 (en) | Using cloud-based data for industrial simulation | |
US9800667B2 (en) | Remote industrial monitoring using a cloud infrastructure | |
US11169507B2 (en) | Scalable industrial analytics platform | |
US9253054B2 (en) | Remote industrial monitoring and analytics using a cloud infrastructure | |
CN107272608B (zh) | 云平台中的工业设备和系统证明 | |
CN104142664B (zh) | 使用大数据的工业产品的预测维护 | |
US20140336795A1 (en) | Remote assistance via a cloud platform for industrial automation | |
US20180052451A1 (en) | Remote industrial automation site operation in a cloud platform | |
US20160182309A1 (en) | Cloud-based emulation and modeling for automation systems | |
CN108804668A (zh) | 数据处理方法及装置 | |
US8078294B2 (en) | Conditional download of data from embedded historians | |
Bevilacqua et al. | Big data analytics methodologies applied at energy management in industrial sector: A case study | |
CN116027754A (zh) | 一种基于主动标识载体的生产设备运维方法、设备及介质 | |
CN114925905A (zh) | 一种基于标识解析的工业能耗调配方法、设备及介质 | |
Nwasuka et al. | Industry 4.0: An Overview | |
Xiao et al. | Application of Big Data processing method in intelligent manufacturing | |
KR20230032675A (ko) | Cnc 공작기계를 이용한 데이터 수집 시스템 | |
Corallo et al. | Processing big data in streaming for fault prediction: an industrial application | |
Koch et al. | Tackling Problems on Maintenance and Evolution in Industry 4.0 Scenarios Using a Distributed Architecture. | |
del Castillo et al. | The productivity impact of the digitally connected 5–layer stack in manufacturing enterprises | |
Davoli et al. | IoT-enabled Smart Monitoring and Optimization for Industry 4.0 | |
Fimmers et al. | Asset Administration Shells in Tool Lifecycle Monitoring | |
CN114780522A (zh) | 一种基于大数据的设备状态诊断系统 | |
CN115544682A (zh) | 一种自动包装机械的物理模型及预测性维护方法 |
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 |