CN116300661B - 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 PDFInfo
- Publication number
- CN116300661B CN116300661B CN202310557832.2A CN202310557832A CN116300661B CN 116300661 B CN116300661 B CN 116300661B CN 202310557832 A CN202310557832 A CN 202310557832A CN 116300661 B CN116300661 B CN 116300661B
- Authority
- CN
- China
- Prior art keywords
- robot
- index
- data
- field
- 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.)
- Active
Links
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
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:
;
式中:为环境安全指标,/>为环境光照强度,/>为环境温度,/>为环境湿度;
机器人故障指标的综合获得公式为:
;
式中:为机器人故障指标,/>为机器人停机次数,/>为机器人累计工作时长,/>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:
;
式中:为机器人操作规范指标,/>为机器人操作熟练度,/>为生产设备整洁程度,/>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:
;
式中:为机器人生产质量指标,/>为产品缺陷数量,/>为原材料质量指标,/>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:
;
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,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:
;
;
式中:为超平面的最小间隔,w为支持向量,b为偏置量,/>表示松弛变量,/>为样本标签,/>为特征的数量,/>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:
;
;
;
式中:为模型的准确率,/>为模型的召回率,/>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:
;
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,再将参数/>作为自变量带入函数/>,根据函数值对现场安全级别进行分级评估:
当时,现场安全级别为一级;
当时,现场安全级别为二级;
式中:为/>函数值的最小值,/>为/>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:
;
式中:为环境安全指标,/>为环境光照强度,/>为环境温度,/>为环境湿度;
机器人故障指标的综合获得公式为:
;
式中:为机器人故障指标,/>为机器人停机次数,/>为机器人累计工作时长,/>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:
;
式中:为机器人操作规范指标,/>为机器人操作熟练度,/>为生产设备整洁程度,/>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:
;
式中:为机器人生产质量指标,/>为产品缺陷数量,/>为原材料质量指标,/>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:
;
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,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:
;
;
式中:为超平面的最小间隔,w为支持向量,b为偏置量,/>表示松弛变量,/>为样本标签,/>为特征的数量,/>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:
;
;
;
式中:为模型的准确率,/>为模型的召回率,/>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:
;
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,再将参数/>作为自变量带入函数/>,根据函数值对现场安全级别进行分级评估:
当时,现场安全级别为一级;
当时,现场安全级别为二级;
式中:为/>函数值的最小值,/>为/>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 (6)
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:
式中:MA为环境安全指标,CA为环境光照强度,CB为环境温度,CC为环境湿度;
机器人故障指标的综合获得公式为:
式中:MB为机器人故障指标,DA为机器人停机次数,DB为机器人累计工作时长,DC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:
式中:MC为机器人操作规范指标,ZA为机器人操作熟练度,ZB为生产设备整洁程度,ZC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:
式中:MD为机器人生产质量指标,FA为产品缺陷数量,FB为原材料质量指标,FC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:
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,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:
s.t.yi(wTxi+b)≥1,i=1,2,…,m;
式中:minw,b为超平面的最小间隔,w为支持向量,b为偏置量,xi表示松弛变量,yi为样本标签,i为特征的数量,s.t.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:
式中:W1为模型的准确率,W2为模型的召回率,F1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。
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,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Y1,再将参数Y1作为自变量带入函数根据函数值对现场安全级别进行分级评估:
当时,现场安全级别为一级;
当时,现场安全级别为二级;
式中:f(Y1)min为f(Y1)函数值的最小值,f(Y1)max为f(Y1)函数值的最大值。
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 CN116300661A (zh) | 2023-06-23 |
CN116300661B true 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 (9)
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 |
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 |
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 |
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 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11796993B2 (en) * | 2021-05-12 | 2023-10-24 | Yokogawa Electric Corporation | Systems, methods, and devices for equipment monitoring and fault prediction |
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 |
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 |
CN116107282B (zh) * | 2023-04-13 | 2023-06-09 | 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 |
-
2023
- 2023-05-18 CN CN202310557832.2A patent/CN116300661B/zh active Active
Patent Citations (9)
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 |
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 |
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 |
Non-Patent Citations (2)
Title |
---|
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;谯兵;胡斌;;铁路计算机应用(12);全文 * |
基于大数据技术的输变电设备状态评估及风险评估研究;董艳唯;满玉岩;王磊;刘创华;李聪利;;电气应用(22);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116300661A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113420162B (zh) | 一种基于知识图谱的设备运行链状态监测方法 | |
CN115578015A (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 | |
CN112085261A (zh) | 基于云端融合和数字孪生技术的企业生产现状诊断方法 | |
CN108873859B (zh) | 基于改进关联规则的桥式抓斗卸船机故障预测模型方法 | |
CN105574593B (zh) | 基于云计算和大数据的轨道状态静态检控系统及方法 | |
CN112508053A (zh) | 基于集成学习框架的智能诊断方法、装置、设备及介质 | |
CN113627735B (zh) | 工程建设项目安全风险的预警方法及系统 | |
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 | |
Massaro et al. | Advanced process defect monitoring model and prediction improvement by artificial neural network in kitchen manufacturing industry: A case of study | |
CN116300661B (zh) | 基于物联网的现场数据采集系统 | |
CN117649207A (zh) | 一种建筑施工管理系统 | |
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 | |
Lin et al. | Design and implementation of a CPS‐based predictive maintenance and automated management platform | |
CN114036035A (zh) | 一种基于实时数据流量化复杂度的异常识别的方法 | |
Bi et al. | A fault diagnosis algorithm for wind turbine blades based on bp neural network | |
Albayrak et al. | Digitalization of a Steel Pipe Production Factory: STEEL4. 0-A Family of Products Developed on Routes from Industry 3.0 to Industry 4.0 | |
Vicêncio et al. | An intelligent predictive maintenance approach based on end-of-line test logfiles in the automotive industry | |
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 | |
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) | |
CN103440537A (zh) | 基于样本相似性排序建模实时评估系统状态的方法 | |
US20240230458A9 (en) | Ai method and apparatus for detection of real-time damage using ae (acoustic emissions) | |
Wu et al. | Current State and Future Opportunities of Data Mining for Construction 4.0 |
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 |