CN116343359B - 一种工业生产异常行为态势检测方法及系统 - Google Patents
一种工业生产异常行为态势检测方法及系统 Download PDFInfo
- Publication number
- CN116343359B CN116343359B CN202310123728.2A CN202310123728A CN116343359B CN 116343359 B CN116343359 B CN 116343359B CN 202310123728 A CN202310123728 A CN 202310123728A CN 116343359 B CN116343359 B CN 116343359B
- Authority
- CN
- China
- Prior art keywords
- result
- abnormal
- equipment
- quality
- obtaining
- 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
- 206010000117 Abnormal behaviour Diseases 0.000 title claims abstract description 83
- 238000009776 industrial production Methods 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 167
- 238000004458 analytical method Methods 0.000 claims abstract description 111
- 238000011156 evaluation Methods 0.000 claims abstract description 105
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000003993 interaction Effects 0.000 claims abstract description 13
- 230000005856 abnormality Effects 0.000 claims description 40
- 238000004519 manufacturing process Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 11
- 238000011161 development Methods 0.000 description 10
- 239000010410 layer Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000000630 rising effect Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 238000001125 extrusion Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000002346 layers by function Substances 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/14—Quality control systems
- G07C3/146—Quality control systems during manufacturing process
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/08—Registering or indicating the production of the machine either with or without registering working or idle time
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Manufacturing & Machinery (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供了一种工业生产异常行为态势检测方法及系统，通过获得目标工厂的工业生产信息，基于大数据和工业生产信息构建设备异常行为态势特征集合，然后根据图像采集装置采集生产产品的图像，得到图像采集结果，进而对图像采集结果进行产品的质量识别，生成质量识别结果，然后通过对数据交互装置进行设备的运行数据采集，获得设备运行数据集合，进而根据设备异常行为态势特征集合进行设备运行数据的数据匹配，获得注意时间窗口，然后根据质量识别结果和注意时间窗口进行关联评价，基于关联评价结果获得异常预测结果。本发明能够提高异常行为及时采集分析，且提高异常预测的准确程度。
Description
技术领域
本发明涉及数据处理技术领域，特别是涉及一种工业生产异常行为态势检测方法及系统。
背景技术
随着经济和科学技术的不断发展，工业产品的生产也从数量为先转变为质量为先，企业的生产活动也随着需求的转变进行适应性调整。因此，研究工业生产的生产过程对于提高产品质量，满足人们需求有着十分重要的意义。
目前，随着产品工艺越来越复杂，产品设备的种类以及设备之间的关联关系日益增多，对制造过程中的产品生产情况往往采用人工记录的方式。也有通过传感器对设备情况进行采集，将记录数据进行汇总，供日后进行查找。
然而，依靠人工记录生产情况，非常容易发生疏漏和错误，同时记录信息传递周期长，数据的可靠程度和时效性都无法保障。设备生产过程中产生大量数据，在发现产品出现异常时对生产数据进行回溯分析时，往往无法准确找到相关数据，从而不能快速找到异常原因，导致生产损失。现有技术中存在工业生产中异常行为检测反馈周期长，异常分析准确率低的技术问题。
发明内容
为了克服现有技术的不足，本发明的目的是提供一种工业生产异常行为态势检测方法及系统，用以解决现有技术中存在工业生产中异常行为检测反馈周期长，异常分析准确率低的技术问题。
为实现上述目的，本发明提供了如下方案：
本发明第一方面提供了一种工业生产异常行为态势检测方法，所述方法应用于异常识别系统，所述异常识别系统分别与图像采集装置和数据交互装置通信连接，所述方法包括：
获得目标工厂的工业生产信息，并通过大数据和所述工业生产信息构建设备异常行为态势特征集合；
通过所述图像采集装置进行生产产品的图像采集，获得图像采集结果；
对所述图像采集结果进行产品的质量识别，生成质量识别结果；
通过所述数据交互装置进行设备的运行数据采集，获得设备运行数据集合；
通过所述设备异常行为态势特征集合进行所述设备运行数据集合的数据匹配，获得注意时间窗口；
根据所述质量识别结果和所述注意时间窗口进行关联评价，得到关联评价结果，并根据所述关联评价结果得到异常预测结果。
优选地，所述质量识别结果具有时间标识和设备标识。
优选地，所述根据所述质量识别结果和所述注意时间窗口进行关联评价，得到关联评价结果，包括：
基于所述设备标识进行所述质量识别结果的同设备质量分类，获得同设备质量识别结果；
通过所述时间标识进行所述同设备质量识别结果的顺序排序，获得顺序质量识别结果；
通过所述注意时间窗口进行所述顺序质量识别结果的质量异常分析，得到质量异常分析结果；
根据所述质量异常分析结果获得所述关联评价结果。
优选地，通过所述注意时间窗口进行所述顺序质量识别结果的质量异常分析，基于质量异常分析结果获得所述关联评价结果，包括：
获得所述注意时间窗口对应的设备异常行为态势特征；
对所述设备异常行为态势特征进行异常趋势分析，获得第一异常趋势分析结果；
对所述顺序质量识别结果进行产品异常趋势分析，获得第二异常趋势分析结果；
基于所述第一异常趋势分析结果和所述第二异常趋势分析结果进行异常一致性评价，得到一致性评价结果；
根据所述一致性评价结果获得所述关联评价结果。
优选地，根据所述一致性评价结果获得所述关联评价结果，包括：
设定一致性趋势评价阈值；
判断所述第一异常趋势分析结果和所述第二异常趋势分析结果中的趋势分析是否满足所述一致性趋势评价阈值；
若是，则输出异常一致结果，并输出初始关联值；
通过所述初始关联值获得所述关联评价结果。
优选地，通过所述初始关联值获得所述关联评价结果，包括：
根据所述第一异常趋势分析结果获得异常节点集合；
基于所述异常节点集合进行所述第二异常趋势分析结果的节点匹配，获得节点匹配数量和节点相似值；
根据所述节点匹配数量和所述节点相似值进行所述初始关联值的加权计算，并根据加权计算结果获得所述关联评价结果。
优选地，在判断所述第一异常趋势分析结果和所述第二异常趋势分析结果中的趋势分析是否满足所述一致性趋势评价阈值之后，还包括：
若否，则输出异常不一致结果，并输出初始非关联值；
通过所述初始非关联值获得所述关联评价结果。
优选地，通过所述设备异常行为态势特征集合进行所述设备运行数据集合的数据匹配，获得注意时间窗口，包括：
通过所述设备异常行为态势特征集合构建设备异常识别模型；
获得所述目标工厂的设备历史运行信息，并根据所述历史运行信息生成设备特征数据；
基于所述设备特征数据构建隐含层，将所述隐含层添加至所述设备异常识别模型；
将所述设备运行数据输入所述设备异常识别模型，获得输出结果；
根据所述输出结果获得所述注意时间窗口。
本发明另一方面提供了一种工业生产异常行为态势检测系统，包括：
态势特征构建模块，用于获得目标工厂的工业生产信息，通过大数据和所述工业生产信息构建设备异常行为态势特征集合；
采集结果获得模块，用于通过图像采集装置进行生产产品的图像采集，获得图像采集结果；
识别结果生成模块，用于对所述图像采集结果进行产品的质量识别，生成质量识别结果；
运行数据采集模块，用于通过数据交互装置进行设备的运行数据采集，获得设备运行数据集合；
时间窗口获得模块，用于通过所述设备异常行为态势特征集合进行所述设备运行数据的数据匹配，获得注意时间窗口；
关联评价模块，用于根据所述质量识别结果和所述注意时间窗口进行关联评价，得到关联评价结果，并根据关联评价结果获得异常预测结果。
优选地，所述质量识别结果具有时间标识和设备标识。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种工业生产异常行为态势检测方法及系统，通过获得目标工厂的工业生产信息，基于大数据和工业生产信息构建设备异常行为态势特征集合，然后根据图像采集装置采集生产产品的图像，得到图像采集结果，进而对图像采集结果进行产品的质量识别，生成质量识别结果，然后通过对数据交互装置进行设备的运行数据采集，获得设备运行数据集合，进而根据设备异常行为态势特征集合进行设备运行数据的数据匹配，获得注意时间窗口，然后根据质量识别结果和注意时间窗口进行关联评价，基于关联评价结果获得异常预测结果。本发明能够提高异常行为及时采集分析，且提高异常预测的准确程度。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的工业生产异常行为态势检测方法的流程示意图；
图2为本发明实施例提供的工业生产异常行为态势检测方法中获得注意时间窗口的流程示意图；
图3为本发明实施例提供的工业生产异常行为态势检测方法中获得关联评价结果的流程示意图；
图4为本发明实施例提供的工业生产异常行为态势检测系统的结构示意图；
附图标记说明：
11-态势特征构建模块，12-采集结果获得模块，13-识别结果生成模块，14-运行数据采集模块，15-时间窗口获得模块，16-关联评价模块。
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。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤、过程、方法等没有限定于已列出的步骤，而是可选地还包括没有列出的步骤，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤元。
本发明的目的是提供一种一种工业生产异常行为态势检测方法及系统，解决了现有技术中存在工业生产中异常行为检测反馈周期长，异常分析准确率低的技术问题。达到了对异常行为进行准确分析，提高分析效率的技术效果。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例提供的工业生产异常行为态势检测方法的流程示意图，如图1所示，本实施例所述方法包括：
步骤S100：获得目标工厂的工业生产信息，通过大数据和所述工业生产信息构建设备异常行为态势特征集合；
具体而言，所述目标工厂是任意一个需要进行生产制造过程中的异常情况分析的工厂。所述工业生产信息是对目标工厂的工业生产活动进行记录得到的数据，包括：目标工厂的生产范围、加工产品类型、主要设备类型等。进而，以所述工业生产信息为搜索标签，基于大数据技术对符合所述工业生产信息的设备异常情况进行采集，得到所述设备异常行为态势特征集合。其中，所述设备异常行为态势特征集合是指对所述目标工厂中的设备可能出现的异常情况进行特征汇总得到的集合，包括：温升异常、转速异常、振动和噪声过大、出现撞击声、输出参数异常、设备零件出现裂纹等。通过建立设备异常行为态势特征集合，为后续识别目标工厂的设备异常情况提供识别依据，达到了提高异常行为检测的准确性，以及通过进行直接特征比对，减少异常查找时间，提高检测效率的技术效果。
步骤S200：通过所述图像采集装置进行生产产品的图像采集，获得图像采集结果；
步骤S300：对所述图像采集结果进行产品的质量识别，生成质量识别结果，其中，所述质量识别结果具有时间和设备标识；
具体而言，所述图像采集装置是对所述目标工厂的图像进行实时采集，得到从不同的角度展示生产产品外观的图像。所述图像采集结果是从不同角度对产品外观和细节进行展现的图像，优选的，包括正视图、侧视图、细节图、重点零件图等。从而对生产产品进行全方位的图像采集，为后续分析产品质量提供全面、可靠的数据。进而对所述图像采集结果进行产品的质量识别，优选的，质量识别是要对根据产品的质量验收规定，对所述图像采集结果中的图像进行组合，进而从图像信息中得到产品是否符合规定的结果。示例性的，检测断路器的外观质量，从所述图像采集结果中获得断路器所有的外观图像，包括断路器的正面、侧面和底面，根据外观图像判断断路器表面是否存在裂纹、夹渣、毛刺、异物等，进而获得断路器结构连接处、断路器零件的细节图，判断是否存在接缝过大的现象，从而对断路器的外观质量进行综合评定得到质量识别结果。其中，所述质量识别结果是根据图像对工业产品的质量进行评定，评估产品质量的具体情况，并且所述质量识别结果具有时间和设备标识。时间标识是指对所述工业产品加工生产的时间进行标记得到的。所述设备标识是对加工工业产品的具体设备进行标记得到的。通过对生产产品进行图像采集并进行质量识别，可以及时发现产品的质量情况，进而形成反馈信息，为后续分析工业生产的异常情况提供依据。
步骤S400：通过所述数据交互装置进行设备的运行数据采集，获得设备运行数据集合；
具体而言，所述数据交互装置是对设备的运行数据进行采集得到的，优选的，可以通过RFID技术自动识别设备，并对设备相关的数据进行采集，通过非接触双向通信，识别设备信息，主要是对设备在运行过程中产生的数据进行采集。其中，所述设备运行数据集合是对通过数据交互装置对设备运行过程中的数据进行采集后得到的，包括设备转速、运行时间、震动和噪声数据等。通过对设备数据进行采集，为后续分析设备运行状态提供基础分析数据。
步骤S500：通过所述设备异常行为态势特征集合进行所述设备运行数据的数据匹配，获得注意时间窗口；
进一步的，如图2所示，本申请实施例步骤S500还包括：
步骤S510：通过所述设备异常行为态势特征集合构建设备异常识别模型；
步骤S520：获得所述目标工厂的设备历史运行信息，根据所述历史运行信息生成设备特征数据；
步骤S530：基于所述设备特征数据构建隐含层，将所述隐含层添加至所述设备异常识别模型；
步骤S540：将所述设备运行数据输入所述设备异常识别模型，获得输出结果，根据所述输出结果获得所述注意时间窗口。
具体而言，所述设备异常识别模型是对目标工厂的设备运行过程中的异常情况进行快速识别的功能模型。优选的，根据所述设备异常行为态势特征集合中设备异常行为的特征，将其按比例分为为训练数据和验证数据，根据所述训练对所述设备异常识别模型进行训练，进而根据所述验证数据对所述设备异常识别模型进行验证，直至模型的准确度能够满足要求，完成所述设备异常识别模型的基础构建。所述设备历史运行信息是对目标工厂中的设备在历史时间内运行中的数据进行采集得到的。根据所述历史运行信息可以得到工厂内的设备运行过程中的特征情况。其中，所述设备特征数据是所述目标工厂的设备所具有的特征，包括设备种类、设备功能、运行时间、运行功率、设备关联情况等。所述隐含层是用于对所述设备异常识别模型添加的功能层，用于对识别的设备运行异常数据进行特征添加。进而，将所述设备运行数据输入所述设备异常识别模型中，对目标工厂的设备运行进行异常识别，得到所述输出结果。其中，所述输出结果反映了目标工厂的设备出现的异常情况。进而，根据所述输出结果中的异常数据，获取异常数据对应的注意时间窗口。所述注意时间窗口是对设备异常行为发生的时间和异常行为的种类进行确定的数据。进而通过对设备运行数据进行异常识别，并得到对应的注意时间窗口，达到了对异常行为进行时间定位，并确定异常的种类，为后续判断产品质量是否是由设备异常引起的提供分析数据的技术效果。
步骤S600：根据所述质量识别结果和所述注意时间窗口进行关联评价，基于关联评价结果获得异常预测结果。
进一步的，如图3所示，本申请实施例步骤S600还包括：
步骤S610：基于所述设备标识进行所述质量识别结果的同设备质量分类，获得同设备质量识别结果；
步骤S620：通过所述时间标识进行所述同设备质量识别结果的顺序排序，获得顺序质量识别结果；
步骤S630：通过所述注意时间窗口进行所述顺序质量识别结果的质量异常分析，基于质量异常分析结果获得所述关联评价结果。
具体而言，所述关联评价是对质量识别结果和注意时间窗口之间的关联性进行评价，即产品质量与设备异常之间的联系进行评价。进而，根据所述关联评价结果对目标工厂的设备异常情况进行预测，得到所述异常预测结果。其中，所述异常预测结果是从已生产产品质量信息和已发现设备异常信息的分析中，得到的目标工厂可能会发生的异常情况。示例性的，在断路器的制备生产过程中，对已经生产的断路器进行图像采集，根据图像采集结果发现断路器表面的存在裂纹，而通过对机床设备的速度、压力、震动数据进行分析后，发现机床设备的加工夹盘压力过大，导致断路器在加工过程中受到的挤压力过大，机床刀具以正常速度进行加工，由于挤压力作用，使断路器产生裂纹。
具体的，根据所述设备标识对所述质量识别结果按照不同的设备类型和设备组别进行分类，得到所述同设备质量识别结果。其中，所述同设备质量识别结果是指同一设备加工出的产品对应的质量识别结果。进而，按照所述时间标识，对所述同设备质量识别结果按照加工顺序进行排序，从而得到所述顺序质量识别结果。其中，所述顺序质量识别结果是对同一设备的加工产品质量识别结果按照时间进行排序，从而在生产产品发生异常时，可以进一步异常是否随时间延续，从而对异常原因进行判断。
具体的，根据所述注意时间窗口对所述顺序质量识别结果进行质量异常分析。根据所述注意时间窗口中包含的异常种类对所述顺序质量识别结果进行对比匹配，进而根据匹配的结果得到产品异常与注意时间窗口对应的设备异常之间的关联程度进行评价，得到所述关联评价结果。达到了对目标工厂的工业生产异常进行关联性评价，增强异常检测的可靠程度的技术效果。
进一步的，本申请实施例步骤S600还包括：
步骤S640：获得所述注意时间窗口对应的设备异常行为态势特征；
步骤S650：对所述设备异常行为态势特征进行异常趋势分析，获得第一异常趋势分析结果；
步骤S660：对所述顺序质量识别结果进行产品异常趋势分析，获得第二异常趋势分析结果；
步骤S670：基于所述第一异常趋势分析结果和所述第二异常趋势分析结果进行异常一致性评价，基于一致性评价结果获得所述关联评价结果。
进一步的，本申请实施例步骤S670还包括：
步骤S671：设定一致性趋势评价阈值；
步骤S672：判断所述第一异常趋势分析结果和所述第二异常趋势分析结果中的趋势分析是否满足所述一致性趋势评价阈值；
步骤S673：当可以满足所述一致性趋势评价阈值时，则输出异常一致结果，并输出初始关联值；
步骤S674：通过所述初始关联值获得所述关联评价结果。
具体而言，根据所述注意时间窗口获取对应的设备异常行为态势特征。其中，所述设备异常行为态势特征是指所述设备异常行为的发展趋势对应的特征，示例性的，当机床设备出现震动的频率，由60次/分，上升至120次/分，表明此时震动频率的增长幅度过大，并且还有继续增加的趋势。进而，对所述设备异常行为态势特征进行异常趋势分析，即根据所述设备异常行为态势特征在所述注意时间窗口内的特征变化情况，分析异常未来发展的方向和幅度，从而得到所述第一异常趋势分析结果。根据所述顺序质量识别结果提取产品异常结果，并保留产品异常结果之间的顺序特征，进而对所述产品异常结果进行趋势分析，得到产品异常是否存在规律，根据规律对所述产品异常情况进行预测，从而得到所述第二异常趋势分析结果。示例性的，当产品异常结果按照时间呈离散型分布，表明产品异常的原因不是同一设备引起，不具备普遍性，连续10个产品都出现异常，随着时间延长，在间隔5个正常产品后，又有连续15个产品出现异常，表明产品异常随着时间增长逐渐加剧。
具体的，根据所述第一异常趋势分析结果和所述第二异常趋势分析结果进行异常趋势分析，对异常变化的趋势一致程度进行分析，从而得到所述一致性评价结果。示例性的，当第一异常趋势分析结果反映的设备异常行为呈现逐渐上升的趋势，而所述第二异常趋势分析结果表明此时产品质量处于平稳发展的趋势，表明此时设备异常不影响产品生产，而当所述第二异常趋势分析结果中产品质量异常也在逐渐上升，并且上升的速度与设备异常的上升速度一致，则表明此时产品异常与设备异常密切相关。进而，根据所述一致性评价结果得到所述关联评价结果。达到了从异常变化发展的趋势对设备异常和产品异常进行分析，提高异常行为态势检测的准确度的技术效果。
具体的，所述一致性趋势评价阈值是人为设定的趋势评价一致程度的数值范围，由工作人员自行设置，在此不做限制。进而，通过判断趋势分析是否满足所述一致性趋势评价阈值，可以对趋势分析进行具体的量化判断，从而使趋势评价有客观的评价标准，具备直观性和实际可操作性，而不是根据不同人员的感觉进行判断，提高检测的客观性。当满足所述一致性趋势评价阈值时，可以表明此时设备异常和产品异常是一致的，得到所述异常一致结果。其中，所述异常一致结果是指产品异常与设备异常的发展趋势一致，即表明此时产品的质量异常是由设备引起的，需要对设备进行调整。所述初始关联值是对设备异常和产品异常发展趋势的一致程度进行评估得到的。
示例性的，对已生产的断路器按照生产顺序进行质量评价，得到从中午开始生产的断路器表面平整度出现异常，并且最开始只有2个断路器的平整度不能满足要求，随着时间发展，间隔4个断路器开始出现有连续6个断路器的平整度不符合要求，进而，间隔3个断路器开始连续出现8个断路器的平整度不符合要求。并且，不合格的断路器都是由同一生产加工设备进行加工的。进而按照最开始出现不合格断路器的时间节点，得到该生产加工设备的加工数据，主要对设备平行度数据进行分析，从而发展从该时间节点开始，设备由于地脚螺栓的松动，导致设备平行度降低，并且随着螺栓松动度增长，设备平行度降低幅度也在逐渐升高。由此，可以得到产品的平整度不合格与所述设备平行度降低有关，并且平整度的降低幅度变化与设备平行度降低幅度变化一致。
进一步的，本申请实施例步骤S674还包括：
步骤S6741：根据所述第一异常趋势分析结果获得异常节点集合；
步骤S6742：基于所述异常节点集合进行所述第二异常趋势分析结果的节点匹配，获得节点匹配数量和节点相似值；
步骤S6743：根据所述节点匹配数量和所述节点相似值进行所述初始关联值的加权计算，根据加权计算结果获得所述关联评价结果。
进一步的，本申请实施例步骤S674还包括：
步骤S6744：当所述第一异常趋势分析结果和所述第二异常趋势分析结果中的趋势分析不满足所述一致性趋势评价阈值时，则输出异常不一致结果，并输出初始非关联值；
步骤S6745：通过所述初始非关联值获得所述关联评价结果。
具体而言，根据所述第一异常趋势分析结果对异常节点进行采集，得到所述异常节点集合。其中，所述异常节点是设备运行数据的变化出现拐点的时间点。进而，将所述异常节点集合与所述第二异常趋势分析结果对应的节点进行匹配，按照异常节点集合的时间顺序，对应查找所述第二异常趋势分析结果的时间节点，判断异常节点集合中的时间点，第二异常趋势分析结果中是否出现节点，当出现时表明匹配成功，从而将匹配成功的节点数量进行统计，得到所述节点匹配数量。进而，对匹配成功的节点与所述异常节点集合中的节点的变化趋势进行相似度匹配，示例性的，当变化都是上升趋势，就根据上升的幅度大小进行相似度匹配，从而得到所述节点相似值。其中，所述节点相似值是异常节点与第二异常趋势分析结果的节点相似程度。进而，对所述初始关联值进行加权计算，得到所述关联评价结果。优选的，根据节点匹配结果中的节点相似值大小对所述异常节点集合的关联程度进行加权计算。由此，实现了对异常趋势中的节点匹配情况进行分析的目标，达到了精细化进行关联评价，提高异常检测的准确度的技术效果。
具体的，当不满足所述一致性趋势评价阈值时，表明此时设备异常与产品异常之间的关联程度不大，得到所述异常不一致结果。进而，根据所述异常不一致结果得到所述初始非关联值。其中，所述异常不一致结果是指异常不一致的程度。所述初始非关联值是对设备异常和产品异常之间不一致的情况进行评估后得到的值。进而，达到了对异常进行全面分析，保证检测结果的可靠性的技术效果。
综上所述，本申请所提供的一种工业生产异常行为态势检测方法具有如下技术效果：
本申请通过对目标工厂的工业生产信息进行采集，将其作为搜索线索，进而基于大数据技术构建设备异常行为态势特征集合，实现了为异常行为的识别提供依据的目标，进而采集生产产品的图像，根据图像采集结果进行产品的质量识别，得到质量识别结果，并且，质量识别结果具有时间和设备标识，为后续进行产品加工时间和加工设备定位提供依据，进而通过数据交互装置采集设备，得到设备运行数据集合，通过设备异常行为态势特征集合对设备运行数据进行数据匹配，得到注意时间窗口，对质量识别结果和注意时间窗口进行关联评价，基于关联评价结果获得异常预测结果。达到了提高异常行为检测的准确性，分析设备与产品之间的异常，深入挖掘分析异常发展态势，提高检测质量和效率的技术效果。
实施例二
基于与前述实施例中一种工业生产异常行为态势检测方法同样的发明构思，如图4所示，本申请还提供了一种工业生产异常行为态势检测系统，其中，所述系统包括：
态势特征构建模块11，所述态势特征构建模块11用于获得目标工厂的工业生产信息，通过大数据和所述工业生产信息构建设备异常行为态势特征集合；
采集结果获得模块12，所述采集结果获得模块12用于通过图像采集装置进行生产产品的图像采集，获得图像采集结果；
识别结果生成模块13，所述识别结果生成模块13用于对所述图像采集结果进行产品的质量识别，生成质量识别结果，其中，所述质量识别结果具有时间和设备标识；
运行数据采集模块14，所述运行数据采集模块14用于通过数据交互装置进行设备的运行数据采集，获得设备运行数据集合；
时间窗口获得模块15，所述时间窗口获得模块15用于通过所述设备异常行为态势特征集合进行所述设备运行数据的数据匹配，获得注意时间窗口；
关联评价模块16，所述关联评价模块16用于根据所述质量识别结果和所述注意时间窗口进行关联评价，基于关联评价结果获得异常预测结果。
进一步的，所述系统还包括：
质量识别结果获得单元，所述用于基于所述设备标识进行所述质量识别结果的同设备质量分类，获得同设备质量识别结果；
顺序排序单元，所述用于通过所述时间标识进行所述同设备质量识别结果的顺序排序，获得顺序质量识别结果；
异常分析单元，所述用于通过所述注意时间窗口进行所述顺序质量识别结果的质量异常分析，基于质量异常分析结果获得所述关联评价结果。
进一步的，所述系统还包括：
异常行为态势获得单元，所述用于获得所述注意时间窗口对应的设备异常行为态势特征；
异常趋势分析单元，所述用于对所述设备异常行为态势特征进行异常趋势分析，获得第一异常趋势分析结果；
产品异常分析单元，所述用于对所述顺序质量识别结果进行产品异常趋势分析，获得第二异常趋势分析结果；
一致性评价单元，所述用于基于所述第一异常趋势分析结果和所述第二异常趋势分析结果进行异常一致性评价，基于一致性评价结果获得所述关联评价结果。
进一步的，所述系统还包括：
评价阈值设定单元，所述用于设定一致性趋势评价阈值；
趋势分析结果判断单元，所述用于判断所述第一异常趋势分析结果和所述第二异常趋势分析结果中的趋势分析是否满足所述一致性趋势评价阈值；
初始关联值输出单元，所述用于当可以满足所述一致性趋势评价阈值时，则输出异常一致结果，并输出初始关联值；
评价结果获得单元，所述用于通过所述初始关联值获得所述关联评价结果。
进一步的，所述系统还包括：
异常节点获得单元，所述用于根据所述第一异常趋势分析结果获得异常节点集合；
节点匹配单元，所述用于基于所述异常节点集合进行所述第二异常趋势分析结果的节点匹配，获得节点匹配数量和节点相似值；
加权计算单元，所述用于根据所述节点匹配数量和所述节点相似值进行所述初始关联值的加权计算，根据加权计算结果获得所述关联评价结果。
进一步的，所述系统还包括：
初始非关联值输出单元，所述用于当所述第一异常趋势分析结果和所述第二异常趋势分析结果中的趋势分析不满足所述一致性趋势评价阈值时，则输出异常不一致结果，并输出初始非关联值；
关联评价结果获得单元，所述用于通过所述初始非关联值获得所述关联评价结果。
进一步的，所述系统还包括：
异常识别模型构建单元，所述用于通过所述设备异常行为态势特征集合构建设备异常识别模型；
设备特征数据生成单元，所述用于获得所述目标工厂的设备历史运行信息，根据所述历史运行信息生成设备特征数据；
隐含层添加单元，所述用于基于所述设备特征数据构建隐含层，将所述隐含层添加至所述设备异常识别模型；
注意时间窗口获得单元，所述用于将所述设备运行数据输入所述设备异常识别模型，获得输出结果，根据所述输出结果获得所述注意时间窗口。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，前述图1实施例一中的一种工业生产异常行为态势检测方法和具体实例同样适用于本实施例的一种工业生产异常行为态势检测系统，通过前述对一种工业生产异常行为态势检测方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种工业生产异常行为态势检测系统，所以为了说明书的简洁，在此不再详述。
本发明的有益效果如下：
本发明解决了现有技术中存在工业生产中异常行为检测反馈周期长，异常分析准确率低的技术问题。达到了对异常行为进行准确分析，提高分析效率的技术效果。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种工业生产异常行为态势检测方法，其特征在于，所述方法应用于异常识别系统，所述异常识别系统分别与图像采集装置和数据交互装置通信连接，所述方法包括：
获得目标工厂的工业生产信息，并通过大数据和所述工业生产信息构建设备异常行为态势特征集合；
通过所述图像采集装置进行生产产品的图像采集，获得图像采集结果；
对所述图像采集结果进行产品的质量识别，生成质量识别结果；
通过所述数据交互装置进行设备的运行数据采集，获得设备运行数据集合；
通过所述设备异常行为态势特征集合进行所述设备运行数据集合的数据匹配，获得注意时间窗口；
根据所述质量识别结果和所述注意时间窗口进行关联评价，得到关联评价结果，并根据所述关联评价结果得到异常预测结果；
所述设备异常行为态势特征集合是指对所述目标工厂中的设备能出现的异常情况进行特征汇总得到的集合，包括：温升异常、转速异常、振动和噪声过大、出现撞击声、输出参数异常、设备零件出现裂纹；所述注意时间窗口是对设备异常行为发生的时间和异常行为的种类进行确定的数据；所述注意时间窗口的获取方式包括：通过所述设备异常行为态势特征集合构建设备异常识别模型；获得所述目标工厂的设备历史运行信息，根据所述历史运行信息生成设备特征数据；基于所述设备特征数据构建隐含层，将所述隐含层添加至所述设备异常识别模型；将所述设备运行数据输入所述设备异常识别模型，获得输出结果，根据所述输出结果获得所述注意时间窗口；得到所述异常预测结果的方式包括：基于设备标识进行所述质量识别结果的同设备质量分类，获得同设备质量识别结果；所述质量识别结果具有时间标识和设备标识；通过所述时间标识进行所述同设备质量识别结果的顺序排序，获得顺序质量识别结果；通过所述注意时间窗口进行所述顺序质量识别结果的质量异常分析，基于质量异常分析结果获得所述关联评价结果。
2.根据权利要求1所述的工业生产异常行为态势检测方法，其特征在于，所述质量识别结果具有时间标识和设备标识。
3.根据权利要求2所述的工业生产异常行为态势检测方法，其特征在于，根据所述质量识别结果和所述注意时间窗口进行关联评价，得到关联评价结果，包括：
基于所述设备标识进行所述质量识别结果的同设备质量分类，获得同设备质量识别结果；
通过所述时间标识进行所述同设备质量识别结果的顺序排序，获得顺序质量识别结果；
通过所述注意时间窗口进行所述顺序质量识别结果的质量异常分析，得到质量异常分析结果；
根据所述质量异常分析结果获得所述关联评价结果。
4.根据权利要求3所述的工业生产异常行为态势检测方法，其特征在于，通过所述注意时间窗口进行所述顺序质量识别结果的质量异常分析，基于质量异常分析结果获得所述关联评价结果，包括：
获得所述注意时间窗口对应的设备异常行为态势特征；
对所述设备异常行为态势特征进行异常趋势分析，获得第一异常趋势分析结果；
对所述顺序质量识别结果进行产品异常趋势分析，获得第二异常趋势分析结果；
基于所述第一异常趋势分析结果和所述第二异常趋势分析结果进行异常一致性评价，得到一致性评价结果；
根据所述一致性评价结果获得所述关联评价结果。
5.根据权利要求4所述的工业生产异常行为态势检测方法，其特征在于，根据所述一致性评价结果获得所述关联评价结果，包括：
设定一致性趋势评价阈值；
判断所述第一异常趋势分析结果和所述第二异常趋势分析结果中的趋势分析是否满足所述一致性趋势评价阈值；
若是，则输出异常一致结果，并输出初始关联值；
通过所述初始关联值获得所述关联评价结果。
6.根据权利要求5所述的工业生产异常行为态势检测方法，其特征在于，通过所述初始关联值获得所述关联评价结果，包括：
根据所述第一异常趋势分析结果获得异常节点集合；
基于所述异常节点集合进行所述第二异常趋势分析结果的节点匹配，获得节点匹配数量和节点相似值；
根据所述节点匹配数量和所述节点相似值进行所述初始关联值的加权计算，并根据加权计算结果获得所述关联评价结果。
7.根据权利要求5所述的工业生产异常行为态势检测方法，其特征在于，在判断所述第一异常趋势分析结果和所述第二异常趋势分析结果中的趋势分析是否满足所述一致性趋势评价阈值之后，还包括：
若否，则输出异常不一致结果，并输出初始非关联值；
通过所述初始非关联值获得所述关联评价结果。
8.一种工业生产异常行为态势检测系统，其特征在于，包括：
态势特征构建模块，用于获得目标工厂的工业生产信息，通过大数据和所述工业生产信息构建设备异常行为态势特征集合；
采集结果获得模块，用于通过图像采集装置进行生产产品的图像采集，获得图像采集结果；
识别结果生成模块，用于对所述图像采集结果进行产品的质量识别，生成质量识别结果；
运行数据采集模块，用于通过数据交互装置进行设备的运行数据采集，获得设备运行数据集合；
时间窗口获得模块，用于通过所述设备异常行为态势特征集合进行所述设备运行数据的数据匹配，获得注意时间窗口；
关联评价模块，用于根据所述质量识别结果和所述注意时间窗口进行关联评价，得到关联评价结果，并根据关联评价结果获得异常预测结果；
所述设备异常行为态势特征集合是指对所述目标工厂中的设备能出现的异常情况进行特征汇总得到的集合，包括：温升异常、转速异常、振动和噪声过大、出现撞击声、输出参数异常、设备零件出现裂纹；所述注意时间窗口是对设备异常行为发生的时间和异常行为的种类进行确定的数据；所述注意时间窗口的获取方式包括：通过所述设备异常行为态势特征集合构建设备异常识别模型；获得所述目标工厂的设备历史运行信息，根据所述历史运行信息生成设备特征数据；基于所述设备特征数据构建隐含层，将所述隐含层添加至所述设备异常识别模型；将所述设备运行数据输入所述设备异常识别模型，获得输出结果，根据所述输出结果获得所述注意时间窗口；得到所述异常预测结果的方式包括：基于设备标识进行所述质量识别结果的同设备质量分类，获得同设备质量识别结果；所述质量识别结果具有时间标识和设备标识；通过所述时间标识进行所述同设备质量识别结果的顺序排序，获得顺序质量识别结果；通过所述注意时间窗口进行所述顺序质量识别结果的质量异常分析，基于质量异常分析结果获得所述关联评价结果。
9.根据权利要求8所述的工业生产异常行为态势检测系统，其特征在于，所述质量识别结果具有时间标识和设备标识。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310123728.2A CN116343359B (zh) | 2023-02-16 | 2023-02-16 | 一种工业生产异常行为态势检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310123728.2A CN116343359B (zh) | 2023-02-16 | 2023-02-16 | 一种工业生产异常行为态势检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116343359A CN116343359A (zh) | 2023-06-27 |
| CN116343359B true CN116343359B (zh) | 2023-10-31 |
Family
ID=86875467
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310123728.2A Active CN116343359B (zh) | 2023-02-16 | 2023-02-16 | 一种工业生产异常行为态势检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116343359B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116862741B (zh) * | 2023-07-25 | 2024-05-28 | 杭州超腾能源技术股份有限公司 | 一种工业园区碳排放的智能监测方法及系统 |
| CN117076899B (zh) * | 2023-10-08 | 2023-12-22 | 江苏华一机械有限公司 | 一种磨毛机运行故障监测识别方法及系统 |
| CN117675394B (zh) * | 2023-12-14 | 2024-06-28 | 上海迪塔班克数据科技有限公司 | 一种化塑业的互联网数据异常检测方法及系统 |
| CN118278827B (zh) * | 2024-06-04 | 2024-09-20 | 临沂红阳管业有限公司 | 一种基于塑料管质量检测的管材生产设备管理方法及系统 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103042658A (zh) * | 2012-12-21 | 2013-04-17 | 广州市香港科大霍英东研究院 | 注塑机用多功能机械手装置和注塑产品质量全检方法 |
| CN103212538A (zh) * | 2013-03-19 | 2013-07-24 | 常州机电职业技术学院 | 机械零部件质量检测分拣装置及方法 |
| CN104899936A (zh) * | 2015-06-16 | 2015-09-09 | 深圳市联翼风电技术有限公司 | 一种基于图像识别的光伏组件故障提示方法及系统 |
| CN105427335A (zh) * | 2015-12-31 | 2016-03-23 | 先进储能材料国家工程研究中心有限责任公司 | 一种连续带状多孔金属材料漏镀缺陷的检测并定位的方法 |
| CN105445286A (zh) * | 2015-11-10 | 2016-03-30 | 沈阳建筑大学 | 玻璃保险丝管产品上标志质量缺陷检测方法及装置 |
| CN105738370A (zh) * | 2015-11-16 | 2016-07-06 | 任荣源 | 充气式电流互感器缺陷监测装置 |
| CN106556606A (zh) * | 2016-11-15 | 2017-04-05 | 合肥工业大学 | 基于机器视觉的大型机械产品总成件的在线质量控制方法 |
| CN106845826A (zh) * | 2017-01-18 | 2017-06-13 | 西安交通大学 | 一种基于PCA‑Cpk的冷连轧生产线服役质量状态评估方法 |
| CN108332689A (zh) * | 2018-02-08 | 2018-07-27 | 南京航空航天大学 | 一种检测表面粗糙度和表面损伤的光学测量系统及方法 |
| CN110597212A (zh) * | 2019-09-27 | 2019-12-20 | 红云红河烟草(集团)有限责任公司 | 一种基于设备震动成像诊断的卷包设备故障预警的方法 |
| CN112173636A (zh) * | 2020-08-18 | 2021-01-05 | 洛阳视距智能科技有限公司 | 一种巡检机器人对皮带机托辊故障的检测方法 |
| CN112738014A (zh) * | 2020-10-28 | 2021-04-30 | 北京工业大学 | 一种基于卷积时序网络的工控流量异常检测方法及系统 |
| JP2021119442A (ja) * | 2020-01-30 | 2021-08-12 | 株式会社Ye Digital | 異常検知方法、異常検知装置、異常検知プログラムおよび学習方法 |
| WO2021212756A1 (zh) * | 2020-04-23 | 2021-10-28 | 平安科技（深圳）有限公司 | 指标异常分析方法、装置、电子设备及存储介质 |
| CN215910360U (zh) * | 2022-01-19 | 2022-02-25 | 齐鲁工业大学 | 一种工业产品质检系统 |
| CN115202310A (zh) * | 2022-08-12 | 2022-10-18 | 山东品正金属制品有限公司 | 一种电动汽车电机扣件的自动化加工方法及系统 |
| WO2022269470A1 (en) * | 2021-06-21 | 2022-12-29 | M31 Italia S.R.L. | Modular apparatus for the inspection of industrial products and related methods |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE602004014098D1 (de) * | 2004-03-16 | 2008-07-10 | Fiat Ricerche | Verfahren und System zur Qualitätüberwachung von industriellen Prozessen |
| CN108242054A (zh) * | 2018-01-09 | 2018-07-03 | 北京百度网讯科技有限公司 | 一种钢板缺陷检测方法、装置、设备和服务器 |
-
2023
- 2023-02-16 CN CN202310123728.2A patent/CN116343359B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103042658A (zh) * | 2012-12-21 | 2013-04-17 | 广州市香港科大霍英东研究院 | 注塑机用多功能机械手装置和注塑产品质量全检方法 |
| CN103212538A (zh) * | 2013-03-19 | 2013-07-24 | 常州机电职业技术学院 | 机械零部件质量检测分拣装置及方法 |
| CN104899936A (zh) * | 2015-06-16 | 2015-09-09 | 深圳市联翼风电技术有限公司 | 一种基于图像识别的光伏组件故障提示方法及系统 |
| CN105445286A (zh) * | 2015-11-10 | 2016-03-30 | 沈阳建筑大学 | 玻璃保险丝管产品上标志质量缺陷检测方法及装置 |
| CN105738370A (zh) * | 2015-11-16 | 2016-07-06 | 任荣源 | 充气式电流互感器缺陷监测装置 |
| CN105427335A (zh) * | 2015-12-31 | 2016-03-23 | 先进储能材料国家工程研究中心有限责任公司 | 一种连续带状多孔金属材料漏镀缺陷的检测并定位的方法 |
| CN106556606A (zh) * | 2016-11-15 | 2017-04-05 | 合肥工业大学 | 基于机器视觉的大型机械产品总成件的在线质量控制方法 |
| CN106845826A (zh) * | 2017-01-18 | 2017-06-13 | 西安交通大学 | 一种基于PCA‑Cpk的冷连轧生产线服役质量状态评估方法 |
| CN108332689A (zh) * | 2018-02-08 | 2018-07-27 | 南京航空航天大学 | 一种检测表面粗糙度和表面损伤的光学测量系统及方法 |
| CN110597212A (zh) * | 2019-09-27 | 2019-12-20 | 红云红河烟草(集团)有限责任公司 | 一种基于设备震动成像诊断的卷包设备故障预警的方法 |
| JP2021119442A (ja) * | 2020-01-30 | 2021-08-12 | 株式会社Ye Digital | 異常検知方法、異常検知装置、異常検知プログラムおよび学習方法 |
| WO2021212756A1 (zh) * | 2020-04-23 | 2021-10-28 | 平安科技（深圳）有限公司 | 指标异常分析方法、装置、电子设备及存储介质 |
| CN112173636A (zh) * | 2020-08-18 | 2021-01-05 | 洛阳视距智能科技有限公司 | 一种巡检机器人对皮带机托辊故障的检测方法 |
| CN112738014A (zh) * | 2020-10-28 | 2021-04-30 | 北京工业大学 | 一种基于卷积时序网络的工控流量异常检测方法及系统 |
| WO2022269470A1 (en) * | 2021-06-21 | 2022-12-29 | M31 Italia S.R.L. | Modular apparatus for the inspection of industrial products and related methods |
| CN215910360U (zh) * | 2022-01-19 | 2022-02-25 | 齐鲁工业大学 | 一种工业产品质检系统 |
| CN115202310A (zh) * | 2022-08-12 | 2022-10-18 | 山东品正金属制品有限公司 | 一种电动汽车电机扣件的自动化加工方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116343359A (zh) | 2023-06-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116343359B (zh) | 一种工业生产异常行为态势检测方法及系统 | |
| Zhu et al. | Online tool wear monitoring via hidden semi-Markov model with dependent durations | |
| Wang et al. | A novel statistical time-frequency analysis for rotating machine condition monitoring | |
| CN112193959A (zh) | 电梯异响检测方法及系统 | |
| JP2005121639A (ja) | 検査方法および検査装置ならびに設備診断装置 | |
| KR20130100266A (ko) | 납땜 이음의 품질을 검사하는 방법 | |
| CN115650006B (zh) | 一种基于大数据的电梯安全监测预警方法及系统 | |
| CN111336100A (zh) | 水泵故障诊断系统 | |
| CN106198749B (zh) | 一种基于金属裂纹监测的多路传感器的数据融合方法 | |
| CN109034076A (zh) | 一种机械故障信号的自动聚类方法及自动聚类系统 | |
| CN117909784A (zh) | 一种基于人工智能的设备故障检测分析方法及装置 | |
| CN118011994A (zh) | 一种基于跨模态工业大模型的故障诊断系统及方法 | |
| CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
| CN117437933A (zh) | 基于特征聚类结合生成式学习的变压器声纹信号故障无监督检测方法 | |
| CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
| CN112016206A (zh) | 判定塔架失稳状态的方法、系统、计算机设备及应用 | |
| CN118051822A (zh) | 一种基于声纹识别技术的设备运行状态异常检测方法 | |
| CN113312696A (zh) | 基于arima算法的桥梁健康状况动态预测告警方法 | |
| CN117350710A (zh) | 矿用提升钢丝绳智能检测系统 | |
| CN115469585B (zh) | 一种基于大数据的水电机组状态监测方法及系统 | |
| CN115106615B (zh) | 一种基于工况智能识别的焊偏实时检测方法及系统 | |
| CN109872511B (zh) | 一种针对轴向位移突变监测的自适应两级报警方法 | |
| CN113222049B (zh) | 一种特殊螺纹上扣扭矩的分类识别方法及识别设备 | |
| CN114997207A (zh) | 设备状态检测方法、装置、设备和存储介质 | |
| CN112814890A (zh) | 一种基于声纹和震动检测泵机故障的方法 |
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 |