CN116204566A - 一种数字化工厂监控大数据处理系统 - Google Patents
一种数字化工厂监控大数据处理系统 Download PDFInfo
- Publication number
- CN116204566A CN116204566A CN202310476645.1A CN202310476645A CN116204566A CN 116204566 A CN116204566 A CN 116204566A CN 202310476645 A CN202310476645 A CN 202310476645A CN 116204566 A CN116204566 A CN 116204566A
- Authority
- CN
- China
- Prior art keywords
- day
- energy consumption
- data
- parameter
- average energy
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 title claims abstract description 20
- 238000005265 energy consumption Methods 0.000 claims abstract description 154
- 230000003203 everyday effect Effects 0.000 claims abstract description 35
- 230000002159 abnormal effect Effects 0.000 claims abstract description 28
- 238000010276 construction Methods 0.000 claims abstract description 9
- 230000005856 abnormality Effects 0.000 claims description 50
- 238000000034 method Methods 0.000 claims description 26
- 230000002354 daily effect Effects 0.000 claims description 22
- 238000012417 linear regression Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 31
- 238000007477 logistic regression Methods 0.000 description 11
- 238000001746 injection moulding Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 210000002268 wool Anatomy 0.000 description 1
Images
Classifications
-
- 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
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Business, Economics & Management (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Manufacturing & Machinery (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种数字化工厂监控大数据处理系统,包括:历史耗电数据获取模块、关联线性方程构建模块、关联权重获取模块、能耗分类结果获取模块,获得设备的历史耗电数据,引入时间衰减因子,构建设备参数与平均能耗的关联线性方程;计算每天每个设备参数的第一异常率,对所有平均能耗和完成率进行聚类,根据聚类结果计算每天的第二异常率,获得每天每个设备参数的关联权重;获得历史耗电数据中每天的残差项,对残差项和平均能耗进行多项式拟合,根据当天与历史耗电数据的参数相似度获得参考平均能耗,根据参考平均能耗获得当天的能耗分类结果,对当天的设备参数进行调节。本发明的预测结果更加准确,提高了生产效率。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种数字化工厂监控大数据处理系统。
背景技术
数字化工厂是指通过互联网、物联网、人工智能等先进技术,将传统工厂的生产过程数字化并优化,实现生产过程的智能化和自动化。数字化工厂可以提高生产效率、降低生产成本、提高产品质量、降低环境污染等。其核心特点是:产品的智能化、生产的自动化、信息流和物资流合一。
能源管理是数字化工厂监控大数据之一,大量自动化生产必然会带来更多能源的耗费,现有利用生产过程中的数据和智能技术,对能源进行监测和管理,实现能源的高效利用和节约,降低生产成本。但是生产过程中影响参数较多,无法判断设备参数是否存在异常,是否会造成多余能源消耗,仅能根据经验值进行调节。因此如何有效挖掘工厂能源管理监控大数据,判断设备参数异常,进而对实时生产参数进行相关调节减少能源消耗,是仍亟待解决、不断探索研究的问题。
发明内容
本发明提供一种数字化工厂监控大数据处理系统,以解决现有的问题。
本发明的一种数字化工厂监控大数据处理系统采用如下技术方案:
本发明提供了一种数字化工厂监控大数据处理系统,所述系统包括:
历史耗电数据获取模块,获得设备的历史耗电数据,包括指标数据、产能数据、损耗数据、运行时长、总耗电量、各项设备参数;
关联线性方程构建模块,引入时间衰减因子,根据平均能耗等于多个设备参数影响量的累加和与时间衰减因子的乘积加上残差项,构建设备参数与平均能耗的关联线性方程;
关联权重获取模块,根据设备参数的异常程度计算每天每个设备参数的第一异常率,将每天的总耗电量和产能数据的比值记为每天的平均能耗,将每天的产能数据和损耗数据的差值与每天的指标数据的比值记为每天的完成率,对所有天的平均能耗和完成率组成的二维散点图进行聚类,获得聚类结果,根据聚类结果计算每天的第二异常率,根据每天的第二异常率对每天每个设备参数的第一异常率进行验证,获得每天每个设备参数的关联权重;
能耗分类结果获取模块,获得历史耗电数据中每天的残差项,对历史耗电数据中所有天的残差项和平均能耗进行多项式拟合,根据当天与历史耗电数据中所有天的参数相似度获得当天的参考残差项和参考平均能耗,根据当天的参考平均能耗获得当天的能耗分类结果,对当天的设备参数进行调节。
进一步地,所述构建设备参数与平均能耗的关联线性方程,包括的具体步骤如下:
拟合所有历史耗电数据中设备参数与平均能耗的关联线性方程,具体为:
式中,表示第r天的总耗电量,表示第r天的产能数据,表示第r天的平均能
耗,表示第r天的运行时长,为时间衰减因子,表示第r天第z个设备参数的关
联权重,表示第r天第z个设备参数的线性系数,第r天第z个设备参数的线性系数等
于第r天的平均能耗除以第r天第z个设备参数的参数值,表示第r天第z个设备参数的参
数值,n表示设备参数的数量,表示第r天的残差项,表示以自然常数为底的指数函
数。
进一步地,所述计算每天每个设备参数的第一异常率,包括的具体步骤如下:
第r天第z个设备参数的第一异常率的计算公式为:
进一步地,所述根据聚类结果计算每天的第二异常率,包括的具体步骤如下:
对于任意一个聚类簇,根据聚类簇的聚类中心的完成率和平均能耗获得该聚类簇的第二异常率,具体计算公式为:
将获得的聚类簇的第二异常率作为聚类簇中所有数据点的第二异常率,将每个数据点的第二异常率作为每天的第二异常率。
进一步地,所述获得每天每个设备参数的关联权重,包括的具体步骤如下:
每天每个设备参数与能耗数据的关联权重的计算公式为:
进一步地,所述获得历史耗电数据中每天的残差项,包括的具体步骤如下:
根据历史耗电数据中每天的总耗电量、产能数据、运行时长、每个设备参数的参数值,以及获得的每天每个设备参数的线性系数和每天每个设备参数的关联权重,获得历史耗电数据中每天的残差项;
对历史耗电数据中所有天的残差项和平均能耗进行多项式拟合,获得残差项-平均能耗线性回归方程,其中,每天的残差项为自变量,每天的平均能耗为因变量。
进一步地,所述根据当天与历史耗电数据中所有天的参数相似度获得当天的参考残差项和参考平均能耗,包括的具体步骤如下:
将当天的所有设备参数与历史耗电数据中第r天的设备参数的均方误差,记为当天与第r天的参数相似度;获得当天与历史耗电数据中所有天的参数相似度,将参数相似度最大的前K天的残差项作为当天的参考残差项;根据当天的所有参考残差项和残差项-平均能耗线性回归方程,获得当天的所有参考残差项对应的平均能耗,记为当天的参考平均能耗。
本发明的技术方案的有益效果是:本发明通过估计历史耗电数据平的均能耗和多维设备参数之间的影响关系,拟合所有历史耗电数据中设备参数与平均能耗的关联线性方程,引入时间衰减因子和每天每个设备参数的关联权重,优化关联性,获取优化后的历史耗电数据中每天的残差项,以残差项作为自变量与平均能耗进行多项式拟合,获取残差项-平均能耗线性回归方程,然后进行逻辑回归预测当天设备参数是否存在高能耗。本发明通过历史耗电数据中高能耗异常分析,获取关联权重来优化多维设备参数关联性的方式,使残差项与平均能耗之间也具有较高的关联性,解决了多维设备参数与单维平均能耗之间无法构建线性回归模型的问题,最后在线性回归模型基础上进行逻辑回归预测,其相比于传统历史耗电数据直接匹配设备参数进行预测的方法更加准确,检测设备参数异常后及时进行调整,提高了生产效率。
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为本发明的一种数字化工厂监控大数据处理系统的系统框图。
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数字化工厂监控大数据处理系统,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数字化工厂监控大数据处理系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种数字化工厂监控大数据处理系统,该系统包括以下模块:
历史耗电数据获取模块S101,用于获得设备的历史耗电数据。
数字化工厂具有自动生成生产报告、日志的功能,从相应服务器获取注塑机生产设备从首次投入生产开始至今的每天的历史耗电数据,耗电数据是高维数据,包括指标数据(即每日订单数据)、产能数据(即毛生产量)、损耗数据(包括缺陷产品数量以及设备损坏数据)、运行时长(设备每日运行的时间)、总耗电量、各项设备参数等。
本实施例针对工厂监控大数据进行处理,当历史耗电数据的数据量较少时,分析模型可能不太理想,也可以从互联网获取同型号设备的相关耗电数据引用于本厂耗能分析。
关联线性方程构建模块S102,用于引入时间衰减因子,模拟构建设备参数与平均能耗的关联线性方程。
需要说明的是,能源管理是数字化工厂监控大数据之一,大量自动化生产必然会带来更多能源的耗费,现有利用生产过程中的数据和智能技术,对能源进行监测和管理,实现能源的高效利用和节约,降低生产成本。但是生产过程中影响参数较多,无法判断设备参数是否存在异常,是否会造成多余能源消耗,仅能根据经验值进行调节。因此如何有效挖掘工厂能源管理监控大数据,判断设备参数异常,进而对实时生产参数进行相关调节减少能源消耗,是仍亟待解决、不断探索研究的问题。
进一步需要说明的是,以注塑机的耗电数据为例,在生产过程中需要控制喷嘴、进料速度、射出速度等,这些操作的速度和频率都会影响注塑机的电能消耗。通常情况下,较高的速度和频率会导致更高的能源消耗。且注塑机长时间运行的情况下,射出机构和锁模机构等各个部分的摩擦和热量会导致系统温度升高,使得机器内部的相对湿度降低,这会增加注塑机的电能消耗。此外,长时间运行也会增加注塑机关键部件的磨损和疲劳程度,可能需要更频繁的维护和换件,这也会导致注塑机的总能耗增加。如果可以量化设备参数与耗电量之间的关系,且获得的设备参数与耗电量之间的关系能够通过历史耗电数据的验证,就能够通过当天正在生产过程的设备参数、目标生产量,预测当天的耗电情况,进而调节部分设备参数,以节省能源消耗。因此本实施例最终目的在于,以历史耗电数据为验证数据集,预测当天的设备参数是否会造成能源浪费。但影响能耗的因素众多,因此,若直接以当天的设备参数与历史耗电数据匹配的方式,通过历史耗电数据的生产能耗来预测当天的能耗数据,预测准确率较低,这是因为看似相近的设备参数可能会导致出现差异很大的耗能数据。
进一步需要说明的是,现有逻辑回归算法是预测设备参数是否异常的二分类预测算法,预测效果较好且应用广泛,但是逻辑回归算法是建立在线性回归方程之上的,考虑到设备参数具有多个维度,本实施例中如果要根据设备参数预测生产能耗是否异常,变量关系应为多维的设备参数与一维的生产能耗之间的关系,如何获取多维数据和一维数据之间的线性回归方程是仍亟待解决的问题。虽然无法具体量化每一个设备参数对耗电量变化的实际影响,但是可以先构建一个粗糙的逻辑关联分析,即将每一个历史耗电数据的设备参数与平均能耗的影响关系视为一个关联线性方程,该线性方程虽然不能准确描述多维设备参数和单维平均能耗之间的关系,但是可以将该线性关系下产生的误差全部放在残差项中,再通过完善该关联线性方程,提高其关联可信度,当所有历史耗电数据中多维设备参数的关联关系比较稳定时,那么同时也优化了残差项与平均能耗之间的关联性,使其可以作为独立的变量数据,简单来说就是原变量(即多维设备参数)之间的关联关系越稳定时,输出的残差项也很稳定,这样可以变为一对一(即残差项和平均能耗)的随机变量数据,拟合所有历史能耗数据的残差项和平均能耗之间的关系得到一个线性回归模型,这样一来即可将难以直接关联的多维设备参数的影响分析,转化为残差项与平均能耗两个一维数据之间的影响分析。
拟合所有历史耗电数据中设备参数与平均能耗的关联线性方程,具体为:
式中,表示第r天的总耗电量,表示第r天的产能数据,表示第r天的平均能
耗,表示第r天的运行时长,表示第r天第z个设备参数的关联权重,表示第r天第z
个设备参数的线性系数,第r天第z个设备参数的线性系数等于第r天的平均能耗除以第
r天第z个设备参数的参数值,表示第r天第z个设备参数的参数值,n表示设备参数的数
量,表示第r天的残差项,表示以自然常数为底的指数函数。
构建逻辑为:假设第r天设备存在唯一设备参数(实际为多个设备参数),那么
基本的线性关系为,K代表线性系数,若在多维设备参数下,代表任意第r天第r
个设备参数,假设每个设备参数对平均能耗都会产生影响,每个参数与平均能耗的线性系
数为,那么多维设备参数之间仅仅是每个设备参数对平均能耗的影响程度、大小不同,
因此,设置第z个设备参数的关联权重项,线性关系应变为。
同时,考虑到设备会随着运行时长的增加而出现耗电增加的情况,因此第r天的设备运行时
长越大时,第r天的平均能耗越大,且为非线性关系,因此本实施例引入函数,即作为时间衰减因子,时间衰减因子随着运行时长增大而增大,且时间衰减因子
的取值范围在0.5到1之间;综上,根据平均能耗等于多个设备参数影响量的累加和与时间
衰减因子的乘积加上残差项构建设备参数与平均能耗的关联线性方程。
关联权重获取模块S103,用于计算每天每个设备参数的第一异常率,对所有平均能耗和完成率组成的二维散点图进行聚类,获得聚类结果,根据聚类结果计算每天的第二异常率,结合第一异常率和第二异常率计算每天每个设备参数的关联权重。
需要说明的是,想要拟合所有历史能耗数据的残差项和平均能耗之间的关系得到一个线性回归模型,就需要获得所有历史能耗数据的残差项,针对关联线性方程构建模块中构建的关联线性方程,其中,只有每天每个设备参数的关联权重和每天的残差项未知,因此,只要确定了每天每个设备参数的关联权重,就能够确定历史能耗数据中每天的残差项。仍在获取关联线性方程的参数,当关联模型可信度越高时,即当多维设备参数与平均能耗之间关联关系越稳定,相应的残差项和平均能耗之间的关联关系也更加稳定,即可将残差项作为一个变量值,代替多维设备参数与平均能耗进行线性拟合。关联权重的大小与单个设备参数的异常程度直接相关,因此计算每天每个设备参数的异常长度,作为每天每个设备参数的关联权重。
1.计算每天每个设备参数的第一异常率。
需要说明的是,平均能耗异常增大必然与某些出现异常的设备参数有直接关系,因此可以根据设备参数的异常程度计算每天每个设备参数的第一异常率。
第r天第z个设备参数的第一异常率的计算公式为:
表示第r天第z个设备参数的参数值偏离平均值的偏移程度,该值越大,
偏离程度越大,则第r天第z个设备参数越可能存在异常,方差表示所有第z个设备参数的
波动区间,第r天第z个设备参数的参数值偏离平均值的偏移程度与第z个设备参数的波动
区间的比值越大,则第r天第z个设备参数越可能存在异常,第r天第z个设备参数的第一异
常率越大。
2.对所有平均能耗和完成率组成的二维散点图进行聚类,获得聚类结果,根据聚类结果计算每天的第二异常率。
需要说明的是,上述步骤获得的每天每个设备参数的第一异常率还未经过结果验证其可信度,因为某些历史耗电数据中设备参数的第一异常率较高,但实际生产中却没有使每天的总耗电量增加太多,也没有影响每天的产能数据;因此需要获得设备参数与总耗电量和产能数据的关系,反映设备参数与生产效率的关系,进而获得设备参数的第二异常率。
进一步需要说明的是,根据完成率与平均耗电量的关系即可体现不同历史耗电数据是否存在异常,若越异常则越可以验证某些个别设备参数的第一异常率的可信度。由于第二异常率作为验证第一异常率的计算过程,为了避免验证项过多会出现验证结果失真的问题,简单来说若对每个历史数据计算第二异常率,其计算复杂度与第一异常率几乎差不多,那么验证结果更加混乱,仍无法体现个别设备参数异常的问题,因此本实施例采用聚类的方式,按聚类结果,对每个聚类簇仅计算一个第二异常率,将获得的第二异常率作为聚类簇中所有数据点的第二异常率,进而实现对每个数据点的第一异常率进行验证。
在本实施例中,将每天的总耗电量和产能数据的比值记为每天的平均能耗,将每天的产能数据和损耗数据的差值与每天的指标数据的比值记为每天的完成率。
根据历史耗电数据获得所有天的平均能耗和完成率,以平均能耗为横轴,以完成率为纵轴构建直角坐标系,将每天的平均能耗和完成率转换为直角坐标系中的一个数据点,对所有数据点进行均值漂移聚类,均值漂移聚类算法不需要太多先验参数,初始种子点的数量取30个即可,获得多个聚类簇,每个聚类簇包括一个聚类中心和属于该聚类簇的若干个数据点。
对于任意一个聚类簇,根据该聚类簇的聚类中心的完成率和平均能耗获得该聚类簇的第二异常率,具体计算公式为:
聚类簇的聚簇中心对应的数据点的完成率越小,且聚类簇的聚簇中心对应的数
据点的平均能耗越大,则该聚类簇中对应的数据点对应的设备参数导致耗费大量的电量
却产出较少的产品,则说明对应的设备参数存在异常,则聚类簇的第二异常率越大。
将获得的聚类簇的第二异常率作为聚类簇中所有数据点的第二异常率,由于每个数据点都是历史耗电数据中的一天的耗电数据对应的,因此,将每个数据点的第二异常率作为每天的第二异常率。
均值漂移聚类算法的原理为邻域中密度小的数据点向密度高的数据点移动,因此每个聚类簇的聚簇中心均为局部密度最大的数据点,聚类簇中聚簇中心对应的数据点的平均能耗越大且完成率越低,则聚类簇中的数据点越异常,第r天的第二异常率越大。
3.根据每天每个设备参数的第一异常率和每天的第二异常率计算每天每个设备参数与能耗数据的关联权重。
每天每个设备参数与能耗数据的关联权重的计算公式为:
第一异常率表征每天每个设备参数偏离正常参数均值的异常程度,第二异常率表征每天生产结果的异常程度,通过第二异常率对第一异常率进行验证,即通过每天生产结果的异常程度验证设备参数偏离正常参数均值的异常,得到每天每个设备参数的关联权重。
能耗分类结果获取模块S104,用于获得历史耗电数据中每天的残差项,对历史耗电数据中所有天的残差项和平均能耗进行多项式拟合,当天的参考残差项和参考平均能耗,进而获得当天的能耗分类结果,对当天的设备参数进行调节。
用于模拟构建设备参数与平均能耗之间的关联线性方程,引入时间衰减因子,优化关联线性方程,输入残差项,以残差项与平均能耗之间的多项式拟合函数作为线性回归模型,进行逻辑回归预测。
对历史耗电数据中所有天的残差项和平均能耗进行多项式拟合,获得残差项-平均能耗线性回归方程,其中,每天的残差项为自变量,每天的平均能耗为因变量。
将当天的所有设备参数与历史耗电数据中第r天的设备参数的均方误差,记为当天与第r天的参数相似度;获得当天与历史耗电数据中所有天的参数相似度,将参数相似度最大的前K天的残差项作为当天的参考残差项;根据当天的所有参考残差项和残差项-平均能耗线性回归方程,获得当天的所有参考残差项对应的平均能耗,记为当天的参考平均能耗;根据当天的所有参考平均能耗和逻辑回归模型获得当天的能耗分类结果。
逻辑回归模型(即Logistic函数)是一个二分类模型,逻辑函数输出一个0到1之间的概率值,一般设置阈值0.5,将输出概率分为高能耗和低能耗,概率值大于0.5,则当天的平均能耗的分类结果为高能耗,否则,为低能耗,可用于预测设备参数是否异常,由于残差项-平均能耗线性回归方程的因变量为平均能耗,因此逻辑回归模型输出的结果为当天的设备参数下,平均能耗是高能耗还是低能耗的二分类预测结果。
如果能耗分类结果为高能耗,调整当天的设备参数,直至模拟调节后的设备参数对应的当天的能耗分类结果为低能耗后,设置设备参数进行生产。具体调节过程由工人根据经验进行调节。
本发明的系统包括历史耗电数据获取模块、关联线性方程构建模块、关联权重获取模块和能耗分类结果获取模块。本发明通过估计历史耗电数据平的均能耗和多维设备参数之间的影响关系,拟合所有历史耗电数据中设备参数与平均能耗的关联线性方程,引入时间衰减因子和每天每个设备参数的关联权重,优化关联性,获取优化后的历史耗电数据中每天的残差项,以残差项作为自变量与平均能耗进行多项式拟合,获取残差项-平均能耗线性回归方程,然后进行逻辑回归预测当天设备参数是否存在高能耗。本发明通过历史耗电数据中高能耗异常分析,获取关联权重来优化多维设备参数关联性的方式,使残差项与平均能耗之间也具有较高的关联性,解决了多维设备参数与单维平均能耗之间无法构建线性回归模型的问题,最后在线性回归模型基础上进行逻辑回归预测,其相比于传统历史耗电数据直接匹配设备参数进行预测的方法更加准确,检测设备参数异常后及时进行调整,提高了生产效率。
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 (7)
1.一种数字化工厂监控大数据处理系统,其特征在于,所述系统包括:
历史耗电数据获取模块,获得设备的历史耗电数据,包括指标数据、产能数据、损耗数据、运行时长、总耗电量、各项设备参数;
关联线性方程构建模块,引入时间衰减因子,根据平均能耗等于多个设备参数影响量的累加和与时间衰减因子的乘积加上残差项,构建设备参数与平均能耗的关联线性方程;
关联权重获取模块,根据设备参数的异常程度计算每天每个设备参数的第一异常率,将每天的总耗电量和产能数据的比值记为每天的平均能耗,将每天的产能数据和损耗数据的差值与每天的指标数据的比值记为每天的完成率,对所有天的平均能耗和完成率组成的二维散点图进行聚类,获得聚类结果,根据聚类结果计算每天的第二异常率,根据每天的第二异常率对每天每个设备参数的第一异常率进行验证,获得每天每个设备参数的关联权重;
能耗分类结果获取模块,获得历史耗电数据中每天的残差项,对历史耗电数据中所有天的残差项和平均能耗进行多项式拟合,根据当天与历史耗电数据中所有天的参数相似度获得当天的参考残差项和参考平均能耗,根据当天的参考平均能耗获得当天的能耗分类结果,对当天的设备参数进行调节。
2.根据权利要求1所述的一种数字化工厂监控大数据处理系统,其特征在于,所述构建设备参数与平均能耗的关联线性方程,包括的具体步骤如下:
拟合所有历史耗电数据中设备参数与平均能耗的关联线性方程,具体为:
6.根据权利要求1所述的一种数字化工厂监控大数据处理系统,其特征在于,所述获得历史耗电数据中每天的残差项,包括的具体步骤如下:
根据历史耗电数据中每天的总耗电量、产能数据、运行时长、每个设备参数的参数值,以及获得的每天每个设备参数的线性系数和每天每个设备参数的关联权重,获得历史耗电数据中每天的残差项;
对历史耗电数据中所有天的残差项和平均能耗进行多项式拟合,获得残差项-平均能耗线性回归方程,其中,每天的残差项为自变量,每天的平均能耗为因变量。
7.根据权利要求1所述的一种数字化工厂监控大数据处理系统,其特征在于,所述根据当天与历史耗电数据中所有天的参数相似度获得当天的参考残差项和参考平均能耗,包括的具体步骤如下:
将当天的所有设备参数与历史耗电数据中第r天的设备参数的均方误差,记为当天与第r天的参数相似度;获得当天与历史耗电数据中所有天的参数相似度,将参数相似度最大的前K天的残差项作为当天的参考残差项;根据当天的所有参考残差项和残差项-平均能耗线性回归方程,获得当天的所有参考残差项对应的平均能耗,记为当天的参考平均能耗。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310476645.1A CN116204566B (zh) | 2023-04-28 | 2023-04-28 | 一种数字化工厂监控大数据处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310476645.1A CN116204566B (zh) | 2023-04-28 | 2023-04-28 | 一种数字化工厂监控大数据处理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116204566A true CN116204566A (zh) | 2023-06-02 |
CN116204566B CN116204566B (zh) | 2023-07-14 |
Family
ID=86511475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310476645.1A Active CN116204566B (zh) | 2023-04-28 | 2023-04-28 | 一种数字化工厂监控大数据处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116204566B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117572917A (zh) * | 2024-01-17 | 2024-02-20 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 一种用于温度智能控制器的数据融合方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015153230A (ja) * | 2014-02-17 | 2015-08-24 | 富士通株式会社 | 電力見積方法、電力見積装置及びプログラム |
US20160291623A1 (en) * | 2015-03-31 | 2016-10-06 | Enernoc, Inc. | Demand response dispatch system employing weather induced facility energy consumption characterizations |
CN107590565A (zh) * | 2017-09-08 | 2018-01-16 | 北京首钢自动化信息技术有限公司 | 一种构建建筑能耗预测模型的方法及装置 |
US20190302713A1 (en) * | 2018-03-27 | 2019-10-03 | Terminus (Beijing) Technology Co., Ltd. | Method and device for automatically diagnosing and controlling apparatus in intelligent building |
WO2019183781A1 (zh) * | 2018-03-26 | 2019-10-03 | 华为技术有限公司 | 一种数据处理方法及网络设备 |
US20190347577A1 (en) * | 2018-05-10 | 2019-11-14 | International Business Machines Corporation | Localizing energy consumption anomalies in buildings |
CN110658791A (zh) * | 2019-09-28 | 2020-01-07 | 深圳中物智建科技有限公司 | 基于物联网的建筑施工智能管理方法及系统 |
US20210041487A1 (en) * | 2018-06-27 | 2021-02-11 | Mitsubishi Electric Corporation | Power consumption estimation device |
CN115081723A (zh) * | 2022-07-04 | 2022-09-20 | 中用科技有限公司 | 一种智慧厂务能源管理系统及管理方法 |
CN115879750A (zh) * | 2023-03-02 | 2023-03-31 | 厦门润和生物科技有限公司 | 一种水产育苗环境监控管理系统及方法 |
-
2023
- 2023-04-28 CN CN202310476645.1A patent/CN116204566B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015153230A (ja) * | 2014-02-17 | 2015-08-24 | 富士通株式会社 | 電力見積方法、電力見積装置及びプログラム |
US20160291623A1 (en) * | 2015-03-31 | 2016-10-06 | Enernoc, Inc. | Demand response dispatch system employing weather induced facility energy consumption characterizations |
CN107590565A (zh) * | 2017-09-08 | 2018-01-16 | 北京首钢自动化信息技术有限公司 | 一种构建建筑能耗预测模型的方法及装置 |
WO2019183781A1 (zh) * | 2018-03-26 | 2019-10-03 | 华为技术有限公司 | 一种数据处理方法及网络设备 |
US20190302713A1 (en) * | 2018-03-27 | 2019-10-03 | Terminus (Beijing) Technology Co., Ltd. | Method and device for automatically diagnosing and controlling apparatus in intelligent building |
US20190347577A1 (en) * | 2018-05-10 | 2019-11-14 | International Business Machines Corporation | Localizing energy consumption anomalies in buildings |
US20210041487A1 (en) * | 2018-06-27 | 2021-02-11 | Mitsubishi Electric Corporation | Power consumption estimation device |
CN110658791A (zh) * | 2019-09-28 | 2020-01-07 | 深圳中物智建科技有限公司 | 基于物联网的建筑施工智能管理方法及系统 |
CN115081723A (zh) * | 2022-07-04 | 2022-09-20 | 中用科技有限公司 | 一种智慧厂务能源管理系统及管理方法 |
CN115879750A (zh) * | 2023-03-02 | 2023-03-31 | 厦门润和生物科技有限公司 | 一种水产育苗环境监控管理系统及方法 |
Non-Patent Citations (3)
Title |
---|
JENSEN A R等: "LTE UE power consumption model:For system level energy and performance optimization", 2012 IEEE VEHICULAR TECHNOLOGY CONFERENCE(VTC FALL), pages 1 - 5 * |
SEKER S等: "A Curve Fitting Modeling Approach to Forecast Long-term Electrical Energy Consumption:case study of Turkey", SAKARYA UNIVERSITY JOURNAL OF COMPUTER AND INFORMATION SCIENCE, vol. 4, no. 2, pages 1 - 11 * |
孙智超;王波;: "基于数据挖掘技术的建筑能耗分析集成方法", 计算机应用与软件, no. 11, pages 103 - 108 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117572917A (zh) * | 2024-01-17 | 2024-02-20 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 一种用于温度智能控制器的数据融合方法及系统 |
CN117572917B (zh) * | 2024-01-17 | 2024-04-09 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 一种用于温度智能控制器的数据融合方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116204566B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116204566B (zh) | 一种数字化工厂监控大数据处理系统 | |
CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
CN113361139B (zh) | 一种基于数字孪生的产线仿真滚动优化系统及方法 | |
CN104049595B (zh) | 用工业自动化系统的组织模型确定能量信息的系统及方法 | |
Zheng et al. | Short-term load forecasting of power system based on neural network intelligent algorithm | |
CN114838767A (zh) | 一种冷链物流用温湿度智能化监测系统及方法 | |
Bao et al. | Wind turbine condition monitoring based on improved active learning strategy and KNN algorithm | |
CN115409563A (zh) | 一种多因素影响的农业装备库存需求预测方法 | |
CN116974230A (zh) | 一种基于物联网的设备运行模式智能控制方法及系统 | |
CN115238573A (zh) | 考虑工况参数的水电机组性能劣化趋势预测方法和系统 | |
CN113733506B (zh) | 一种基于互联网的注塑产品加工的工艺参数优化方法 | |
CN107942873A (zh) | 一种家具制造生产线的运营成本智能化核算及监控方法 | |
CN117273402B (zh) | 基于物联网技术的玻璃深加工生产线节能管理系统及方法 | |
Li et al. | Energy-saving control in multistage production systems using a state-based method | |
Wang et al. | Short-term wind power prediction based on DBSCAN clustering and support vector machine regression | |
CN113705897A (zh) | 一种面向工业铜箔生产的产品质量预测方法及系统 | |
CN111428329A (zh) | 基于模型的机器学习系统 | |
CN115994674B (zh) | 一种基于数字孪生综合能源系统的调度管理方法 | |
CN111026624B (zh) | 电网信息系统的故障预测方法、装置 | |
CN117217407A (zh) | 一种用于预评估电力系统碳排放量的方法、介质及装置 | |
CN112255969A (zh) | 一种数控机床的数据采集分析展示系统及方法 | |
CN116360339A (zh) | 一种基于元动作单元数字孪生模型的数控机床可靠性优化方法 | |
CN115081681A (zh) | 一种基于prophet算法的风电功率预测方法 | |
CN113485280A (zh) | 基于信息物理模型转换的新能源冲压车间调度系统与方法 | |
CN114155072A (zh) | 基于大数据分析的财务预测模型构建方法及系统 |
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 |