CN116300661A - 基于物联网的现场数据采集系统 - Google Patents

基于物联网的现场数据采集系统 Download PDF

Info

Publication number
CN116300661A
CN116300661A CN202310557832.2A CN202310557832A CN116300661A CN 116300661 A CN116300661 A CN 116300661A CN 202310557832 A CN202310557832 A CN 202310557832A CN 116300661 A CN116300661 A CN 116300661A
Authority
CN
China
Prior art keywords
data
field
robot
index
module
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
CN202310557832.2A
Other languages
English (en)
Other versions
CN116300661B (zh
Inventor
刘连成
陈精禄
林立志
吴秋丽
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.)
Qingdao Yufang Robot Industry Co ltd
Original Assignee
Qingdao Yufang Robot Industry 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 Qingdao Yufang Robot Industry Co ltd filed Critical Qingdao Yufang Robot Industry Co ltd
Priority to CN202310557832.2A priority Critical patent/CN116300661B/zh
Publication of CN116300661A publication Critical patent/CN116300661A/zh
Application granted granted Critical
Publication of CN116300661B publication Critical patent/CN116300661B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G05B19/0423—Input/output
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24215—Scada supervisory control and data acquisition
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及数据模型处理技术领域，具体公开了基于物联网的现场数据采集系统，包括数据采集模块、数据处理模块、预测模型建立模块、数据评估模块、数据存储模块以及可视化模块；本发明通过在不同节点设置机器人采集并生成现场数据集，通过现场数据集建立现场安全程度评估模型，再依据评估结果对现场安全级别进行划分，同时实时监控生产环境和设备运行状态，便于及时发现安全隐患，降低事故发生的风险。通过机器人参与生产过程，并构建基于物联网的现场数据采集系统，实现了生产过程的智能化、自动化和数字化，提高生产效率。

Description

基于物联网的现场数据采集系统
技术领域
本发明涉及数据模型处理技术领域，更具体地说，本发明涉及基于物联网的现场数据采集系统。
背景技术
物联网是互联网基础上的延伸和扩展的网络，将各种信息传感设备与网络结合起来而形成的一个巨大网络，实现在任何时间、任何地点，人、机和物的互联互通。目前，以物联网技术和计算机技术为核心的信息技术已经成为各行各业发展的重中之重，制造企业生产技术也已经从过去人工加机器的方式转变为现代化的科技信息技术时代。而现有制造业中缺少一个完整的系统对生产现场的数据采集进行监测评估，从而造成无法对生产现场的安全隐患及时把握。为了解决上述问题，现提供一种技术方案。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供基于物联网的现场数据采集系统，本发明通过在不同节点设置机器人采集并生成现场数据集，依据现场数据集建立现场安全程度评估模型，再依据评估结果对现场安全级别进行划分，实时监控生产环境和设备运行状态，便于及时发现安全隐患，降低事故发生的风险。同时，通过支持向量机模型对现场数据集的各项指标进行分类，提高评估的准确性；机器人参与生产过程，并实时监控生产环境和设备运行状态，便于及时发现安全隐患，降低事故发生的风险，再通过构建基于物联网的现场数据采集系统，提高生产效率，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：基于物联网的现场数据采集系统，包括数据采集模块、数据处理模块、预测模型建立模块、数据评估模块、数据存储模块以及可视化模块，数据采集模块与数据处理模块相连，数据处理模块与预测模型建立模块相连，预测模型建立模块与数据评估模块相连，数据评估模块与数据存储模块相连，数据存储模块与可视化模块相连，具体为：
数据采集模块通过在不同节点设置机器人，实时监控采集现场数据，生成现场数据集；
数据处理模块用于对现场数据集进行预处理，包括数据清洗、数据标准化、数据正则化、数据去噪以及数据转换处理；
预测模型建立模块用于对预处理后的现场数据集进行分析和挖掘，通过支持向量机模型对现场数据集的各项指标进行分类；
数据评估模块通过现场数据集建立现场安全程度评估模型，依据评估结果对现场安全级别进行划分；
数据存储模块用于实时存储现场数据集以及现场安全程度评估结果，利用加密算法对存储的数据及时进行加密处理；
可视化模块利用大数据分析和可视化技术，实现对现场数据的监测，将现场安全程度及时反馈至云平台。
作为本发明的进一步方案，现场数据集包括环境安全指标、机器人故障指标、机器人操作规范指标以及机器人生产质量指标，其中，各项指标的获取具体为：
环境安全指标通过综合机器人探头的光电传感器、温度传感器以及湿度传感器检测的光照强度、温度以及湿度获得；
机器人故障指标通过综合机器人停机次数、机器人累计工作时长以及机器人维护次数获得；
机器人操作规范指标通过综合机器人操作熟练度、生产设备整洁程度以及生产设备输出功率获得；
机器人生产质量指标通过综合产品缺陷数量、原材料质量指标以及机器人生产工序指标获得。
作为本发明的进一步方案，环境安全指标、机器人故障指标、机器人操作规范指标以及机器人生产质量指标的综合获得公式分别为：
环境安全指标的综合获得公式为：
Figure SMS_1
；
式中：
Figure SMS_2
为环境安全指标，/>
Figure SMS_3
为环境光照强度，/>
Figure SMS_4
为环境温度，/>
Figure SMS_5
为环境湿度；
机器人故障指标的综合获得公式为：
Figure SMS_6
；
式中：
Figure SMS_7
为机器人故障指标，/>
Figure SMS_8
为机器人停机次数，/>
Figure SMS_9
为机器人累计工作时长，
Figure SMS_10
为机器人维护次数；
机器人操作规范指标的综合获得公式为：
Figure SMS_11
；
式中：
Figure SMS_12
为机器人操作规范指标，/>
Figure SMS_13
为机器人操作熟练度，/>
Figure SMS_14
为生产设备整洁程度，/>
Figure SMS_15
为生产设备输出功率；
机器人生产质量指标的综合获得公式为：
Figure SMS_16
；
式中：
Figure SMS_17
为机器人生产质量指标，/>
Figure SMS_18
为产品缺陷数量，/>
Figure SMS_19
为原材料质量指标，/>
Figure SMS_20
为机器人生产工序指标。
作为本发明的进一步方案，数据处理模块用于对现场数据集进行预处理，包括数据清洗、数据标准化、数据正则化、数据去噪以及数据转换处理，其中，对现场数据集进行数据标准化处理的计算公式为：
S=（现场数据集的原始数据-现场数据集的均值）/现场数据集的标准差；
式中：S为标准化后的现场数据集；
对现场数据集进行数据归一化处理的计算公式为：
Figure SMS_21
；
式中：J为正则化后的现场数据集，L为现场数据集的损失函数，W为网络权重，b为偏置值，m为现场数据集的样本数量，n为网络层数，
Figure SMS_22
为超参数。
作为本发明的进一步方案，预测模型建立模块对预处理后的现场数据集进行分析和挖掘，并通过支持向量机模型对现场数据集的各项指标进行分类预测，具体步骤为：
步骤一，数据划分：通过交叉验证的方式将预处理后的现场数据集划分为训练集和数据集；
步骤二，特征选择：通过相关性分析对划分的训练集进行特征选择，选择出对现场安全程度影响最小的特征；
步骤三，模型训练：通过训练集为输入参数对支持向量机模型进行训练及优化；
步骤四，数据分类：通过支持向量机模型对未选择的特征进行分类预测，计算公式为：
Figure SMS_23
；
Figure SMS_24
；
式中：
Figure SMS_25
为超平面的最小间隔，w为支持向量，b为偏置量，/>
Figure SMS_26
表示松弛变量，/>
Figure SMS_27
为样本标签，/>
Figure SMS_28
为特征的数量，/>
Figure SMS_29
含义为同时满足；
步骤五，通过计算分类结果进行评估，评估模型的准确率、召回率以及F1值，其中，模型的准确率、召回率以及F1值的计算公式为：
Figure SMS_30
；
Figure SMS_31
；
Figure SMS_32
；
式中：
Figure SMS_33
为模型的准确率，/>
Figure SMS_34
为模型的召回率，/>
Figure SMS_35
为模型的F1值，TP为真正例，TN为真负例，FP为假正例，FN为假负例。
在进行现场安全程度评估时，各项评估指标存在以下的数值变化规则：
情况一：环境安全指标和标准环境安全指标的绝对值在设定的阈值范围内、机器人故障指标和标准机器人故障指标差值的绝对值在设定的阈值范围内、机器人操作规范指标和标准机器人操作规范指标差值的绝对值在设定的阈值范围内，机器人生产质量指标和标准机器人生产质量指标差值的绝对值较小时，现场安全程度数值较小，机器人生产质量指标和标准机器人生产质量指标差值的绝对值较大时，现场安全程度数值较大。
情况二：机器人生产质量指标和标准机器人生产质量指标差值的绝对值在设定的阈值范围内、机器人故障指标和标准机器人故障指标差值的绝对值在设定的阈值范围内、机器人操作规范指标和标准机器人操作规范指标差值的绝对值在设定的阈值范围内，环境安全指标和标准环境安全指标差值的绝对值较小时，现场安全程度数值较小，环境安全指标和标准环境安全指标差值的绝对值较大时，现场安全程度数值较大。
情况三：机器人生产质量指标和标准机器人生产质量指标差值的绝对值在设定的阈值范围内、环境安全指标和标准环境安全指标的绝对值在设定的阈值范围内、机器人操作规范指标和标准机器人操作规范指标差值的绝对值在设定的阈值范围内，机器人故障指标和标准机器人故障指标差值的绝对值较大时，现场安全程度数值较小，机器人故障指标和标准机器人故障指标差值的绝对值较小时，现场安全程度数值较大。
情况四：机器人生产质量指标和标准机器人生产质量指标差值的绝对值在设定的阈值范围内、环境安全指标和标准环境安全指标的绝对值在设定的阈值范围内、机器人故障指标和标准机器人故障指标差值的绝对值在设定的阈值范围内，机器人操作规范指标和标准机器人操作规范指标差值的绝对值较小时，现场安全程度数值较小，机器人操作规范指标和标准机器人操作规范指标差值的绝对值较大时，现场安全程度数值较大。
作为本发明的进一步方案，数据评估模块通过现场数据集建立现场安全程度评估模型，其中，现场安全程度与环境安全指标正相关，与机器人故障指标负相关，与机器人操作规范指标正相关，与机器人生产质量指标正相关，现场安全程度评估模型的计算公式为：
Figure SMS_36
；
式中：Y为现场安全程度。
作为本发明的进一步方案，通过现场安全程度评估结果对现场安全级别进行划分，对现场安全程度进行线性变换，对线性变换后的现场安全程度进行标准化、正则化得到
Figure SMS_37
，再将参数/>
Figure SMS_38
作为自变量带入函数/>
Figure SMS_39
，根据函数值对现场安全级别进行分级评估：
当
Figure SMS_40
时，现场安全级别为一级；
当
Figure SMS_41
时，现场安全级别为二级；
式中：
Figure SMS_42
为/>
Figure SMS_43
函数值的最小值，/>
Figure SMS_44
为/>
Figure SMS_45
函数值的最大值。
本发明基于物联网的现场数据采集系统的技术效果和优点：
1.本发明通过在不同节点机器人参与生产过程，并实时监控生产环境和设备运行状态，便于及时发现安全隐患，降低事故发生的风险；
2.本发明通过构建基于物联网的现场数据采集系统，实现生产过程的智能化、自动化和数字化，提高生产效率；
3.本发明通过实时监测和管理环境数据，实现生产过程的绿色、低碳和环保，有利于实现可持续发展目标。
附图说明
图1为本发明基于物联网的现场数据采集系统的结构示意图。
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。
基于物联网的现场数据采集系统，包括数据采集模块、数据处理模块、预测模型建立模块、数据评估模块、数据存储模块以及可视化模块，数据采集模块与数据处理模块相连，数据处理模块与预测模型建立模块相连，预测模型建立模块与数据评估模块相连，数据评估模块与数据存储模块相连，数据存储模块与可视化模块相连，具体为：
数据采集模块通过在不同节点设置机器人，实时监控采集现场数据，生成现场数据集；
数据处理模块用于对现场数据集进行预处理，包括数据清洗、数据标准化、数据正则化、数据去噪以及数据转换处理；
预测模型建立模块用于对预处理后的现场数据集进行分析和挖掘，通过支持向量机模型对现场数据集的各项指标进行分类；
数据评估模块通过现场数据集建立现场安全程度评估模型，依据评估结果对现场安全级别进行划分；
数据存储模块用于实时存储现场数据集以及现场安全程度评估结果，利用加密算法对存储的数据及时进行加密处理；
可视化模块利用大数据分析和可视化技术，实现对现场数据的监测，将现场安全程度及时反馈至云平台。
本实施例通过机器人采集并生成现场数据集，并建立现场安全程度评估模型，再依据评估结果对现场安全级别进行划分，实时监控生产环境和设备运行状态，便于及时发现安全隐患，降低事故发生的风险。同时，通过支持向量机模型对现场数据集的各项指标进行分类，有助于提高评估的准确性。通过构建基于物联网的现场数据采集系统，实现生产过程的智能化、自动化和数字化，提高生产效率。
本实施例中的现场数据集包括环境安全指标、机器人故障指标、机器人操作规范指标以及机器人生产质量指标，其中，各项指标的获取具体为：
环境安全指标通过综合机器人探头的光电传感器、温度传感器以及湿度传感器检测的光照强度、温度以及湿度获得；
机器人故障指标通过综合机器人停机次数、机器人累计工作时长以及机器人维护次数获得；
机器人操作规范指标通过综合机器人操作熟练度、生产设备整洁程度以及生产设备输出功率获得；
机器人生产质量指标通过综合产品缺陷数量、原材料质量指标以及机器人生产工序指标获得。
本实施例中的环境安全指标、机器人故障指标、机器人操作规范指标以及机器人生产质量指标的综合获得公式分别为：
环境安全指标的综合获得公式为：
Figure SMS_46
；
式中：
Figure SMS_47
为环境安全指标，/>
Figure SMS_48
为环境光照强度，/>
Figure SMS_49
为环境温度，/>
Figure SMS_50
为环境湿度；
机器人故障指标的综合获得公式为：
Figure SMS_51
；
式中：
Figure SMS_52
为机器人故障指标，/>
Figure SMS_53
为机器人停机次数，/>
Figure SMS_54
为机器人累计工作时长，
Figure SMS_55
为机器人维护次数；
机器人操作规范指标的综合获得公式为：
Figure SMS_56
；
式中：
Figure SMS_57
为机器人操作规范指标，/>
Figure SMS_58
为机器人操作熟练度，/>
Figure SMS_59
为生产设备整洁程度，/>
Figure SMS_60
为生产设备输出功率；
机器人生产质量指标的综合获得公式为：
Figure SMS_61
；
式中：
Figure SMS_62
为机器人生产质量指标，/>
Figure SMS_63
为产品缺陷数量，/>
Figure SMS_64
为原材料质量指标，/>
Figure SMS_65
为机器人生产工序指标。
本实施例中的数据处理模块用于对现场数据集进行预处理，包括数据清洗、数据标准化、数据正则化、数据去噪以及数据转换处理，其中，对现场数据集进行数据标准化处理的计算公式为：
S=（现场数据集的原始数据-现场数据集的均值）/现场数据集的标准差；
式中：S为标准化后的现场数据集；
对现场数据集进行数据归一化处理的计算公式为：
Figure SMS_66
；
式中：J为正则化后的现场数据集，L为现场数据集的损失函数，w为网络权重，b为偏置值，m为现场数据集的样本数量，n为网络层数，
Figure SMS_67
为超参数。
本实施例通过计算环境安全指标、机器人故障指标、机器人操作规范指标以及机器人生产质量指标的数值，有助于平衡现场安全程度的各项评估因子之间的数量级。
本实施例中的预测模型建立模块对预处理后的现场数据集进行分析和挖掘，并通过支持向量机模型对现场数据集的各项指标进行分类预测，具体步骤为：
步骤一，数据划分：通过交叉验证的方式将预处理后的现场数据集划分为训练集和数据集；
步骤二，特征选择：通过相关性分析对划分的训练集进行特征选择，选择出对现场安全程度影响最小的特征；
步骤三，模型训练：通过训练集为输入参数对支持向量机模型进行训练及优化；
步骤四，数据分类：通过支持向量机模型对未选择的特征进行分类预测，计算公式为：
Figure SMS_68
；
Figure SMS_69
；
式中：
Figure SMS_70
为超平面的最小间隔，w为支持向量，b为偏置量，/>
Figure SMS_71
表示松弛变量，/>
Figure SMS_72
为样本标签，/>
Figure SMS_73
为特征的数量，/>
Figure SMS_74
含义为同时满足；
步骤五，通过计算分类结果进行评估，评估模型的准确率、召回率以及F1值，其中，模型的准确率、召回率以及F1值的计算公式为：
Figure SMS_75
；
Figure SMS_76
；
Figure SMS_77
；
式中：
Figure SMS_78
为模型的准确率，/>
Figure SMS_79
为模型的召回率，/>
Figure SMS_80
为模型的F1值，TP为真正例，TN为真负例，FP为假正例，FN为假负例。
在进行现场安全程度评估时，各项评估指标存在以下的数值变化规则：
情况一：环境安全指标和标准环境安全指标的绝对值在设定的阈值范围内、机器人故障指标和标准机器人故障指标差值的绝对值在设定的阈值范围内、机器人操作规范指标和标准机器人操作规范指标差值的绝对值在设定的阈值范围内，机器人生产质量指标和标准机器人生产质量指标差值的绝对值较小时，现场安全程度数值较小，机器人生产质量指标和标准机器人生产质量指标差值的绝对值较大时，现场安全程度数值较大。
情况二：机器人生产质量指标和标准机器人生产质量指标差值的绝对值在设定的阈值范围内、机器人故障指标和标准机器人故障指标差值的绝对值在设定的阈值范围内、机器人操作规范指标和标准机器人操作规范指标差值的绝对值在设定的阈值范围内，环境安全指标和标准环境安全指标差值的绝对值较小时，现场安全程度数值较小，环境安全指标和标准环境安全指标差值的绝对值较大时，现场安全程度数值较大。
情况三：机器人生产质量指标和标准机器人生产质量指标差值的绝对值在设定的阈值范围内、环境安全指标和标准环境安全指标的绝对值在设定的阈值范围内、机器人操作规范指标和标准机器人操作规范指标差值的绝对值在设定的阈值范围内，机器人故障指标和标准机器人故障指标差值的绝对值较大时，现场安全程度数值较小，机器人故障指标和标准机器人故障指标差值的绝对值较小时，现场安全程度数值较大。
情况四：机器人生产质量指标和标准机器人生产质量指标差值的绝对值在设定的阈值范围内、环境安全指标和标准环境安全指标的绝对值在设定的阈值范围内、机器人故障指标和标准机器人故障指标差值的绝对值在设定的阈值范围内，机器人操作规范指标和标准机器人操作规范指标差值的绝对值较小时，现场安全程度数值较小，机器人操作规范指标和标准机器人操作规范指标差值的绝对值较大时，现场安全程度数值较大。
本实施例中的数据评估模块通过现场数据集建立现场安全程度评估模型，其中，现场安全程度与环境安全指标正相关，与机器人故障指标负相关，与机器人操作规范指标正相关，与机器人生产质量指标正相关，现场安全程度评估模型的计算公式为：
Figure SMS_81
；
式中：Y为现场安全程度。
本实施例通过现场安全程度评估结果对现场安全级别进行划分，对现场安全程度进行线性变换，对线性变换后的现场安全程度进行标准化、正则化得到
Figure SMS_82
，再将参数/>
Figure SMS_83
作为自变量带入函数/>
Figure SMS_84
，根据函数值对现场安全级别进行分级评估：
当
Figure SMS_85
时，现场安全级别为一级；
当
Figure SMS_86
时，现场安全级别为二级；
式中：
Figure SMS_87
为/>
Figure SMS_88
函数值的最小值，/>
Figure SMS_89
为/>
Figure SMS_90
函数值的最大值。
综上所述，本实施例通过在不同节点设置机器人采集并生成现场数据集，根据现场数据集建立现场安全程度评估模型，再依据评估结果对现场安全级别进行划分，实时监控生产环境和设备运行状态，便于及时发现安全隐患，降低事故发生的风险。同时，通过支持向量机模型对现场数据集的各项指标进行分类，有助于提高评估的准确性。通过构建基于物联网的现场数据采集系统，实现生产过程的智能化、自动化和数字化，提高生产效率。并且通过实时监测和管理环境数据，实现生产过程的绿色、低碳和环保，有利于实现可持续发展目标。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (7)

1.基于物联网的现场数据采集系统，包括数据采集模块、数据处理模块、预测模型建立模块、数据评估模块、数据存储模块以及可视化模块，其特征在于，现场数据集包括环境安全指标、机器人故障指标、机器人操作规范指标以及机器人生产质量指标，其中，
环境安全指标的综合获得公式为：
Figure QLYQS_1
；
式中：
Figure QLYQS_2
为环境安全指标，/>
Figure QLYQS_3
为环境光照强度，/>
Figure QLYQS_4
为环境温度，/>
Figure QLYQS_5
为环境湿度；
机器人故障指标的综合获得公式为：
Figure QLYQS_6
；
式中：
Figure QLYQS_7
为机器人故障指标，/>
Figure QLYQS_8
为机器人停机次数，/>
Figure QLYQS_9
为机器人累计工作时长，/>
Figure QLYQS_10
为机器人维护次数；
机器人操作规范指标的综合获得公式为：
Figure QLYQS_11
；
式中：
Figure QLYQS_12
为机器人操作规范指标，/>
Figure QLYQS_13
为机器人操作熟练度，/>
Figure QLYQS_14
为生产设备整洁程度，
Figure QLYQS_15
为生产设备输出功率；
机器人生产质量指标的综合获得公式为：
Figure QLYQS_16
；
式中：
Figure QLYQS_17
为机器人生产质量指标，/>
Figure QLYQS_18
为产品缺陷数量，/>
Figure QLYQS_19
为原材料质量指标，/>
Figure QLYQS_20
为机器人生产工序指标；
数据评估模块通过现场数据集建立现场安全程度评估模型，现场安全程度评估模型的计算公式为：
Figure QLYQS_21
；
式中：Y为现场安全程度。
2.根据权利要求1所述的基于物联网的现场数据采集系统，其特征在于，数据采集模块与数据处理模块相连，数据处理模块与预测模型建立模块相连，预测模型建立模块与数据评估模块相连，数据评估模块与数据存储模块相连，数据存储模块与可视化模块相连。
3.根据权利要求2所述的基于物联网的现场数据采集系统，其特征在于，
数据采集模块通过在不同节点设置机器人，实时监控采集现场数据，生成现场数据集；
数据处理模块用于对现场数据集进行预处理，包括数据清洗、数据标准化、数据正则化、数据去噪以及数据转换处理；
预测模型建立模块用于对预处理后的现场数据集进行分析和挖掘，通过支持向量机模型对现场数据集的各项指标进行分类；
数据评估模块通过现场数据集建立现场安全程度评估模型，依据评估结果对现场安全级别进行划分；
数据存储模块用于实时存储现场数据集以及现场安全程度评估结果，利用加密算法对存储的数据及时进行加密处理；
可视化模块利用大数据分析和可视化技术，实现对现场数据的监测，将现场安全程度及时反馈至云平台。
4.根据权利要求1所述的基于物联网的现场数据采集系统，其特征在于，各项指标的获取具体为：
环境安全指标通过综合机器人探头的光电传感器、温度传感器以及湿度传感器检测的光照强度、温度以及湿度获得；
机器人故障指标通过综合机器人停机次数、机器人累计工作时长以及机器人维护次数获得；
机器人操作规范指标通过综合机器人操作熟练度、生产设备整洁程度以及生产设备输出功率获得；
机器人生产质量指标通过综合产品缺陷数量、原材料质量指标以及机器人生产工序指标获得。
5.根据权利要求1所述的基于物联网的现场数据采集系统，其特征在于，数据处理模块用于对现场数据集进行预处理，包括数据清洗、数据标准化、数据正则化、数据去噪以及数据转换处理，其中，对现场数据集进行数据标准化处理的计算公式为：
S=（现场数据集的原始数据-现场数据集的均值）/现场数据集的标准差；
式中：S为标准化后的现场数据集；
对现场数据集进行数据归一化处理的计算公式为：
Figure QLYQS_22
；
式中：J为正则化后的现场数据集，L为现场数据集的损失函数，W为网络权重，b为偏置值，m为现场数据集的样本数量，n为网络层数，
Figure QLYQS_23
为超参数。
6.根据权利要求1所述的基于物联网的现场数据采集系统，其特征在于，预测模型建立模块对预处理后的现场数据集进行分析和挖掘，并通过支持向量机模型对现场数据集的各项指标进行分类预测，具体步骤为：
步骤一，数据划分：通过交叉验证的方式将预处理后的现场数据集划分为训练集和数据集；
步骤二，特征选择：通过相关性分析对划分的训练集进行特征选择，选择出对现场安全程度影响最小的特征；
步骤三，模型训练：通过训练集为输入参数对支持向量机模型进行训练及优化；
步骤四，数据分类：通过支持向量机模型对未选择的特征进行分类预测，计算公式为：
Figure QLYQS_24
；
Figure QLYQS_25
；
式中：
Figure QLYQS_26
为超平面的最小间隔，w为支持向量，b为偏置量，/>
Figure QLYQS_27
表示松弛变量，/>
Figure QLYQS_28
为样本标签，/>
Figure QLYQS_29
为特征的数量，/>
Figure QLYQS_30
含义为同时满足；
步骤五，通过计算分类结果进行评估，评估模型的准确率、召回率以及F1值，其中，模型的准确率、召回率以及F1值的计算公式为：
Figure QLYQS_31
；
Figure QLYQS_32
；
Figure QLYQS_33
；
式中：
Figure QLYQS_34
为模型的准确率，/>
Figure QLYQS_35
为模型的召回率，/>
Figure QLYQS_36
为模型的F1值，TP为真正例，TN为真负例，FP为假正例，FN为假负例。
7.根据权利要求1所述的基于物联网的现场数据采集系统，其特征在于，通过现场安全程度评估结果对现场安全级别进行划分，对现场安全程度进行线性变换，对线性变换后的现场安全程度进行标准化、正则化得到
Figure QLYQS_37
，再将参数/>
Figure QLYQS_38
作为自变量带入函数/>
Figure QLYQS_39
，根据函数值对现场安全级别进行分级评估：
当
Figure QLYQS_40
时，现场安全级别为一级；
当
Figure QLYQS_41
时，现场安全级别为二级；
式中：
Figure QLYQS_42
为/>
Figure QLYQS_43
函数值的最小值，/>
Figure QLYQS_44
为/>
Figure QLYQS_45
函数值的最大值。
CN202310557832.2A 2023-05-18 2023-05-18 基于物联网的现场数据采集系统 Active CN116300661B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310557832.2A CN116300661B (zh) 2023-05-18 2023-05-18 基于物联网的现场数据采集系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310557832.2A CN116300661B (zh) 2023-05-18 2023-05-18 基于物联网的现场数据采集系统

Publications (2)

Publication Number Publication Date
CN116300661A true CN116300661A (zh) 2023-06-23
CN116300661B CN116300661B (zh) 2023-08-01

Family

ID=86796315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310557832.2A Active CN116300661B (zh) 2023-05-18 2023-05-18 基于物联网的现场数据采集系统

Country Status (1)

Country Link
CN (1) CN116300661B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9913006B1 (en) * 2016-11-28 2018-03-06 01dB-METRAVIB, Société par Actions Simplifiée Power-efficient data-load-efficient method of wirelessly monitoring rotating machines
CN111209942A (zh) * 2019-12-27 2020-05-29 广东省智能制造研究所 一种足式机器人多模态感知的异常监测方法
EP3969966A2 (en) * 2019-05-17 2022-03-23 Tata Consultancy Services Limited Method and system for adaptive learning of models for manufacturing systems
CN115146798A (zh) * 2022-06-30 2022-10-04 华南理工大学 基于本体数据的装配机器人全流程监测与辅助方法及系统
CN115167273A (zh) * 2022-09-05 2022-10-11 中建安装集团有限公司 一种工地现场的施工用电节能管理控制系统
CN115205782A (zh) * 2022-07-04 2022-10-18 常州大学 一种基于数字孪生技术的喂饭机器人集群监测管理方法
CN115328036A (zh) * 2022-07-19 2022-11-11 广西科学院 一种智能化生产线运行管理平台
US20220365525A1 (en) * 2021-05-12 2022-11-17 Yokogawa Electric Corporation Systems, methods, and devices for equipment monitoring and fault prediction
CN115562225A (zh) * 2022-09-28 2023-01-03 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 工业机器人运维管理方法、装置、计算机设备和存储介质
CN115577979A (zh) * 2022-11-11 2023-01-06 国家电网有限公司 一种低压设备批量新装场景下rpa能效评估的方法
CN115689353A (zh) * 2022-10-31 2023-02-03 三峡大学 基于gs-svm算法的水电站调速系统健康评估方法
CN115685897A (zh) * 2022-09-21 2023-02-03 扬州市职业大学(扬州开放大学) 基于5g网络的智能工业机器人管控系统
CN116107282A (zh) * 2023-04-13 2023-05-12 北京奔驰汽车有限公司 一种基于企业应用集成的工业机器人预测性维护系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9913006B1 (en) * 2016-11-28 2018-03-06 01dB-METRAVIB, Société par Actions Simplifiée Power-efficient data-load-efficient method of wirelessly monitoring rotating machines
EP3969966A2 (en) * 2019-05-17 2022-03-23 Tata Consultancy Services Limited Method and system for adaptive learning of models for manufacturing systems
CN111209942A (zh) * 2019-12-27 2020-05-29 广东省智能制造研究所 一种足式机器人多模态感知的异常监测方法
US20220365525A1 (en) * 2021-05-12 2022-11-17 Yokogawa Electric Corporation Systems, methods, and devices for equipment monitoring and fault prediction
CN115146798A (zh) * 2022-06-30 2022-10-04 华南理工大学 基于本体数据的装配机器人全流程监测与辅助方法及系统
CN115205782A (zh) * 2022-07-04 2022-10-18 常州大学 一种基于数字孪生技术的喂饭机器人集群监测管理方法
CN115328036A (zh) * 2022-07-19 2022-11-11 广西科学院 一种智能化生产线运行管理平台
CN115167273A (zh) * 2022-09-05 2022-10-11 中建安装集团有限公司 一种工地现场的施工用电节能管理控制系统
CN115685897A (zh) * 2022-09-21 2023-02-03 扬州市职业大学(扬州开放大学) 基于5g网络的智能工业机器人管控系统
CN115562225A (zh) * 2022-09-28 2023-01-03 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 工业机器人运维管理方法、装置、计算机设备和存储介质
CN115689353A (zh) * 2022-10-31 2023-02-03 三峡大学 基于gs-svm算法的水电站调速系统健康评估方法
CN115577979A (zh) * 2022-11-11 2023-01-06 国家电网有限公司 一种低压设备批量新装场景下rpa能效评估的方法
CN116107282A (zh) * 2023-04-13 2023-05-12 北京奔驰汽车有限公司 一种基于企业应用集成的工业机器人预测性维护系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
李斌;: "基于大数据技术的轨道电路室外设备PHM研究", 铁路通信信号工程技术, no. 12 *
董艳唯;满玉岩;王磊;刘创华;李聪利;: "基于大数据技术的输变电设备状态评估及风险评估研究", 电气应用, no. 22 *
谯兵;胡斌;: "基于EHM理念的铁路机务设备大数据健康管理系统的设计与实现", 铁路计算机应用, no. 12 *
高宏力;刘庆杰;黄柏权;赵敏;吴希曦;寿云;: "数控机床故障预测与健康管理系统关键技术", 计算机集成制造系统, no. 10 *

Also Published As

Publication number Publication date
CN116300661B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN115578015B (zh) 基于物联网的污水处理全过程监管方法、系统及存储介质
CN113420162B (zh) 一种基于知识图谱的设备运行链状态监测方法
CN110636066B (zh) 基于无监督生成推理的网络安全威胁态势评估方法
Nkonyana et al. Performance evaluation of data mining techniques in steel manufacturing industry
Weber et al. Machine learning based system identification tool for data-based energy and resource modeling and simulation
CN114429152A (zh) 基于动态指数对抗性自适应的滚动轴承故障诊断方法
CN117523177A (zh) 一种基于人工智能混合大模型的燃气管道监测系统和方法
CN116359285A (zh) 一种基于大数据的油气浓度智能检测系统及方法
Guang Development of migrant workers in construction based on machine learning and artificial intelligence technology
Dong Mine gas emission prediction based on Gaussian process model
CN117649207A (zh) 一种建筑施工管理系统
CN116300661B (zh) 基于物联网的现场数据采集系统
Bond et al. A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data
CN116011982A (zh) 一种磨煤机磨辊断裂在线监测方法及系统
Jiang et al. A novel ensemble fuzzy model for degradation prognostics of rolling element bearings
Bi et al. A fault diagnosis algorithm for wind turbine blades based on bp neural network
Lowin et al. From physical to virtual: leveraging drone imagery to automate photovoltaic system maintenance
CN103440537A (zh) 基于样本相似性排序建模实时评估系统状态的方法
Atif et al. Development of interactive dashboards and intelligent data analytics for visual decision-making in the underground mining environment: The sterkfontein cave case study
Żółtowski et al. Selection measure of energy propagation in vibration diagnostic and modal analysis methods
Weng et al. A Correlation Analysis-Based Multivariate Alarm Method With Maximum Likelihood Evidential Reasoning
US20240133767A1 (en) Ai method and apparatus for detection of real-time damage using ae (acoustic emissions)
KR102602840B1 (ko) 학습 데이터셋 생성 시스템 및 이를 이용한 학습 데이터셋 생성 방법
Tabit et al. Machine Learning: Strategies for industrial defect detection
CN113987055B (zh) 基于大数据分析的煤矿安全生产动态预测可视化方法

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
GR01 Patent grant
GR01 Patent grant