CN116681426B - 一种工业互联网设备预测性维护系统及方法 - Google Patents
一种工业互联网设备预测性维护系统及方法 Download PDFInfo
- Publication number
- CN116681426B CN116681426B CN202310966902.XA CN202310966902A CN116681426B CN 116681426 B CN116681426 B CN 116681426B CN 202310966902 A CN202310966902 A CN 202310966902A CN 116681426 B CN116681426 B CN 116681426B
- Authority
- CN
- China
- Prior art keywords
- industrial internet
- equipment
- internet equipment
- information
- data
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 238000012216 screening Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000009825 accumulation Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000000638 solvent extraction Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及工业互联网、设备预测维护技术领域,尤其涉及一种工业互联网设备预测性维护系统及方法,首先,对工业互联网设备在运行状态下进行信息采集,并将采集到的信息进行有效筛选;随后,对筛选的有效工业互联网设备信息数据进行特征计算,并将得到的特征数据通过预测模块对所述工业互联网设备状态进行预测;最后,根据预测状态值与设备状态数据库中对应的设备合理状态数据进行对比,并根据对比判断结果进行决策判定,进一步,对所述工业互联网设备进行相应等级的预测性维护。解决了现有技术中预测维护的准确性较差和处理过程算法复杂的技术问题,提高了预测维护的准确性以及降低了处理过程算法复杂度的技术效果。
Description
技术领域
本发明涉及工业互联网、设备预测维护技术领域,尤其涉及一种工业互联网设备预测性维护系统及方法。
背景技术
随着工业互联网的发展,工程制造设备变得更加高效与智能,但设备本身维护工作却仍面临巨大挑战。传统维护模式中的故障后维护与定期维护将影响生产效率与产品质量,并大幅度提高制造商的成本,随着物联网、大数据、云计算、机器学习与传感器等基数的成熟,预测性维护技术应运而生。
放眼工业4.0、智能制造,预测性维护是大势所趋,预测性维护属于事先维护,基于安装在设备上的各种传感器,实时监控设备运行状态,更准确的判断故障何时发生。这种方法旨在突出问题,允许在任何损坏发生之前安排预防性维护。相较于其他的维护方式,预测性维护具有智能化,降低维护成本,增加不停机运行时间等特点。目前市面上有很多关于预测性维护的产品都能很好的对设备进行实时监测,从而实现预测性维护的目的。
对于工业互联网设备的预测性维护方法有许多,应展秋等人发明的,申请号为“CN202111645142.X”,“一种基于MES的设备预测性维护系统”,包括监测对象选择模块、特征信号采集模块、特征数据对比模块、状态趋势判断模块、故障情况判断模块、中央处理器、决策模块、结果输出模块、通讯模块和大数据模块,所述监测对象选择模块、特征信号采集模块、特征数据对比模块、状态趋势判断模块、故障情况判断模块、决策模块、结果输出模块、通讯模块和大数据模块均与中央处理器连接;通过监测对象选择模块选择监测对象,为后续的特征采集做准备;特征信号采集模块用于对设备的相关特征数据进行采集;特征数据对比模块是将特征信号采集模块采集的数据与大数据中合理的数据进行比较;状态趋势判断模块根据特征数据对比模块的数据对比,预测设备状态的趋势;故障情况判断模块根据特征数据对比模块的数据对比结果,判断设备故障情况;决策模块是根据状态趋势判断模块以及故障情况判断模块的判断结果,决策出综合结果。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:预测维护的准确性较差和处理过程算法复杂的技术问题。
发明内容
本申请实施例通过提供一种工业互联网设备预测性维护系统及方法,解决了现有技术中预测维护的准确性较差和处理过程算法复杂的技术问题,提高了预测维护的准确性以及降低了处理过程算法复杂度的技术效果。
本申请提供了一种工业互联网设备预测性维护系统及方法,具体包括以下技术方案:
一种工业互联网设备预测性维护系统,具体内容包括以下部分:
信息采集模块,信息筛选模块,特征数据计算模块,设备状态数据库,预测模块,对比模块;
所述信息采集模块,对工业互联网设备信息数据进行采集;
所述信息筛选模块,对采集到的工业互联网设备的信息数据进行信息有效筛选,得到有效工业互联网设备数据;
所述特征数据计算模块,对筛选后的工业互联网设备的有效数据根据不同类型的数据分别进行特征计算,得到当前状态的特征数据;
所述设备状态数据库,用来存储所有工业互联网设备在正常运行状态下的所有合理状态数据;
所述预测模块,根据特征数据的计算结果,对所述工业互联网设备的状态进行预测判断,得到设备的预测状态;
所述对比模块,将预测模块处理后得到的当前设备的预测状态数据与设备状态数据库中对应的设备合理状态数据进行对比,并根据对比判断结果进行决策判定,进一步对所述工业互联网设备进行相应等级的预测性维护。
一种工业互联网设备预测性维护方法,包括以下步骤:
S1. 首先,对工业互联网设备在运行状态下进行信息采集,并将采集到的信息进行有效筛选;
S2. 随后,对筛选的有效工业互联网设备信息数据进行特征计算,并将得到的特征数据通过预测模块对所述工业互联网设备状态进行预测;
S3. 最后,根据预测状态值与设备状态数据库中对应的设备合理状态数据进行对比,并根据对比判断结果进行决策判定,进一步对所述工业互联网设备进行相应等级的预测性维护。
优选的,所述步骤S1,具体包括:
首先,对所述工业互联网设备在运行状态下的信息进行采集,为对设备进行维护时更好的溯源,对所有工业互联网设备进行编号,得到设备集合S,其中,n表示设备的个数;并将所述工业互联网设备采集到的设备信息记为集合Data,其中/>,m表示设备信息数据的个数;
采集到的设备信息包含不同类型的数据信息,有图片,文档,日志,数值形式信息数据;
随后,利用工作人员根据设备基础信息、合理工作状态信息以及工作经验进行定义的权重矩阵,设置阈值ξ,将采集到的数据信息集合中大于ξ的元素筛选出来,同时将对应位置的工业互联网设备信息提取出来作为工业互联网设备的有效信息,组成工业互联网设备有效信息集合,其中/>,/>表示所述工业互联网设备有效信息个数,所述有效信息包含工业互联网设备相关历史数据、专家经验、操作记录、设备不同类型的状态数据。
优选的,所述步骤S2,具体包括:
针对所述工业互联网设备有效数据中的数值型数据,以所述工业互联网设备工作积累状态参数值为例,根据工业互联网设备的工作状态信息中的工业互联网设备运行总时长,以及工业互联网设备在工作时间段内每天对应的历史当天完成任务量,依次来计算所述工业互联网设备对应的日常损耗特征参数值,为所述工业互联网设备预测性维护提供依据;
根据所述工业互联网设备历史工作状态信息,引入折损因子,
,
其中,T表示工业互联网设备在工作时长下引起的损耗,G表示工业互联网设备在工作量大小下引起的损耗,、/>表示各个参数所占权重值;
,
,
进一步,计算工业互联网设备对应的日常故障损耗值X:
,
其中,n表示所述工业互联网设备历史工作时长,表示工业互联网设备第i天对应的工作运行总时长,/>表示工业互联网设备第i天完成的工作量。
优选的,在所述步骤S2中,还包括:
针对图片型数据,以所述工业互联网设备中的摄像头拍摄的图像为例,通过所述设备的摄像头上传的图像清晰度来对设备中的摄像头的图像数据进行特征值计算,具体过程如下:
将一定时间内摄像头拍到的设备相关图像构成集合Photo,,其中,p表示图像个数,/>表示第p个图像,对每个图像进行分割,得到相同大小的/>个图像块,记/>为第l个图像的第/>块的灰度值,,则第l个图像的清晰度公式为:
,
当清晰度的值越大时,则对应的图像越清晰,反之越模糊;
利用上述清晰度公式计算所有图像的清晰度,得到图像清晰度集合。
优选的,在所述步骤S2中,还包括:
针对数值型数据,在已知损耗值X以及当前工作总时长以及当前已完成工作量前提下,对后一天的运行总时长以及可完成任务量的预测估计可表示为:
,
,
其中,、/>表示当前工业互联网设备已经工作总时长以及当前工业互联网设备已完成工作量。
优选的,在所述步骤S3中,具体包括:
根据预测状态值与设备状态数据库中对应的设备合理状态数据进行对比;在数值型数据进行对比时,以所述工业互联网设备工作积累状态特征参数预测值为例:
通过引入对比因子Rat
,
其中,表示所述工业互联网设备合理状态值,/>表示所述工业互联网设备预测状态特征值,对应所述的运行总时长的比较因子为/>,完成任务量的比较因子为/>;
计算得到所述工业互联网设备的后续工作状态对应的超负荷预警值可表示为:
,
其中,u[]表示阶跃函数,取值非0即1,表示在工业互联网设备全新状态下当天运行总时长,/>表示在工业互联网设备全新状态下当天总任务量,/>,;
根据上述得到的超负荷预警值Warn值对工业互联网设备加状态进行预测性维护,当Warn值为0时,对工业互联网设备进行日常维护;当Warn值为1时,对工业互联网设备进行一级维护;当Warn值为2时,对工业互联网设备进行二级维护。
有益效果:
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1、本申请通过对工业互联网设备进行编号,对工业互联网设备信息进行采集,并对采集到的设备信息根据数据类型进行有效筛选,找出最能代表工业互联网设备状态的信息,有效的避免了无效工作,减少了工作量,提高工作效率。
2、本申请通过引入损耗因子结合工业互联网设备时长以及工作量的损耗来计算工业互联网设备的日常损耗值,通过结合运算,可以获得更准确的工业互联网设备损耗值,为工业互联网设备预测性维护提供较准确的参数依据。
3、本申请通过对图片型数据进行分块利用每块的灰度值计算图像清晰度,得到更准确的所述工业互联网设备中与图像相关设备的状态特征值,即图像的清晰度值,进一步提高所述工业物联网设备预测性维护的准确率。
4、本申请通过引入对比因子对所述工业互联网设备状态预测特征值与所述工业互联网设备合理状态特征值进行对比,得到相对预测状态从而计算得到较准确的超负荷预警值,对工业互联网设备状态进行预测性维护。
附图说明
图1为本申请所述一种工业互联网设备预测性维护系统的结构框图;
图2为本申请所述一种工业互联网设备预测性维护方法的流程图;
具体实施方式
本申请实施例中的技术方案为解决上述估计过程复杂,估计速度较慢的问题,总体思路如下:
首先,对工业互联网设备在运行状态下进行信息采集,并将采集到的信息进行有效筛选;随后,对筛选的有效工业互联网设备信息数据进行特征计算,并将得到的特征数据通过预测模块对所述工业互联网设备状态进行预测;最后,根据预测状态值与设备状态数据库中对应的设备合理状态数据进行对比,并根据对比判断结果进行决策判定,进一步,对所述工业互联网设备进行相应等级的预测性维护。本申请经过了一系列的效果调研,通过对工业互联网设备进行编号,对工业互联网设备信息进行采集,并对采集到的设备信息根据数据类型进行有效筛选,找出最能代表工业互联网设备状态的信息,有效的避免了无效工作,减少了工作量,提高工作效率;通过引入损耗因子结合工业互联网设备时长以及工作量的损耗来计算工业互联网设备的日常损耗值,通过结合运算,可以获得更准确的工业互联网设备损耗值,为工业互联网设备预测性维护提供较准确的参数依据;通过对图片型数据进行分块利用每块的灰度值计算图像清晰度,得到更准确所述工业互联网设备中与图像相关设备的状态特征值,即图像的清晰度值,进一步提高所述工业物联网设备预测性维护的准确率;通过引入对比因子对所述工业互联网设备状态预测特征值与所述工业互联网设备合理状态特征值进行对比,得到相对预测状态从而计算得到较准确的超负荷预警值,对工业互联网设备状态进行预测性维护。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参考附图1,本申请所述的一种工业互联网设备预测性维护系统,具体内容包括以下部分:
信息采集模块,信息筛选模块,特征数据计算模块,设备状态数据库,预测模块,对比模块;
所述信息采集模块,对工业互联网设备信息数据进行采集;
所述信息筛选模块,对采集到的工业互联网设备的信息数据进行信息有效筛选,得到有效工业互联网设备数据;
所述特征数据计算模块,对筛选后的工业互联网设备的有效数据根据不同类型的数据分别进行特征计算,得到当前状态的特征数据;
所述设备状态数据库,用来存储所有工业互联网设备在正常运行状态下的所有合理状态数据;
所述预测模块,根据特征数据的计算结果,对所述工业互联网设备的状态进行预测判断,得到设备的预测状态;
所述对比模块,将预测模块处理后得到的当前设备的预测状态数据与设备状态数据库中对应的设备合理状态数据进行对比,并根据对比判断结果进行决策判定,进一步对所述工业互联网设备进行相应等级的预测性维护;
首先通过信息采集模块对工业互联网设备进行信息采集,随后将采集到的信息数据传送至信息筛选模块进行有效信息筛选,将筛选后的有效数据经特征数据计算模块进行特征计算,得到设备的当前状态的特征数据,利用预测模块根据特征数据的计算结果,对所述工业互联网设备的状态进行预测判断,得到设备的预测状态;最后,将预测模块处理后得到的当前设备的预测状态数据与设备状态数据库中对应的设备合理状态数据进行对比,并根据对比判断结果进行决策判定,进一步对所述工业互联网设备进行相应等级的预测性维护,维护完成后,再定期对设备进行预测性维护,形成闭环反馈系统。
所述预测性维护,包括日常维护、一级维护、二级维护;所述日常维护,亦称理性维护,其主要内容是进行清洁、润滑、紧固易松动的零件,检查零件、部件的完整以及对工业互联网设备普遍地进行拧紧、清洁、紧固,还要部分地进行调整;所述一级维护,其主要内容是内部清洁、润滑、局部解体检查和调整;所述二级维护,其主要是对工业互联网设备主体部分进行解体检查和调整工作,必要时对达到规定磨损限度的零件加以更换。此外,还要对主要零部件的磨损情况进行测量、鉴定和记录。二级维护和一级维护在操作工人参与下,一般由专职保养维修工人承担。
在各类维护中,日常维护是基础,维护的类别和内容,要针对不同工业互联网设备的特点加以规定,不仅要考虑到工业互联网设备的生产工艺、结构复杂程度、规模大小等具体情况和特点,同时要考虑到不同工业企业内部长期形成的维修习惯。
参照附图2:本申请所述一种工业互联网设备预测性维护方法,具体包括以下步骤:
S1. 首先,对工业互联网设备在运行状态下进行信息采集,并将采集到的信息进行有效筛选;
S11.对工业互联网设备在运行状态下进行信息采集;
首先,对所述工业互联网设备在运行状态下的信息进行采集,并根据设备名称、设备类型、设备功能、设备出厂以及其他设备基本信息进行编号,为在预测性维护判定时进行溯源,根据设备信息以及设备状态信息进行维护策略制定,更好地实施预测性维护。
作为一个具体实施例,对所有工业互联网设备进行编号,得到设备集合S,其中,n表示设备的个数;对所述工业互联网设备进行信息采集,所述信息包含设备的运行状态信息,实时参数信息,设备功率,设备温度,设备日志以及其他设备运行信息;并将所述工业互联网设备采集到的设备信息记为集合Data,其中,m表示设备信息数据的个数。
采集到的设备信息包含不同类型的数据信息,有图片,文档,日志,数值以及其他可能形式的信息数据。
S12.对采集到的设备信息数据进行有效筛选处理;
针对权重矩阵各种数据类型的设备信息数据进行筛选,具体有:
作为一个具体实施例,权重矩阵:
,
其中,分别表示图片、文档、日志、数值的权重矩阵部分,,/>表示第j个设备中的第i个设备信息数据的权重值,,n表示设备的个数,m表示设备信息数据的个数,且/>由工作人员根据设备基础信息、合理工作状态信息以及工作经验进行定义;
参考权重矩阵利用经验法设置阈值,/>,/>分别表示图片、文档、日志、数值的阈值;
对于图片类型数据,利用阈值,将图片权重矩阵/>进行筛选,将权重矩阵/>中大于/>的权重筛选出来,并利用坐标位置将工业互联网设备信息提取出来作为工业互联网设备的有效图片信息;
对于文档类型数据,利用阈值,将文档权重矩阵/>进行筛选,将权重矩阵/>中大于/>的权重筛选出来,并利用坐标位置将工业互联网设备信息提取出来作为工业互联网设备的有效文档信息;
对于日志类型数据,利用阈值,将日志权重矩阵/>进行筛选,将权重矩阵/>中大于/>的权重筛选出来,并利用坐标位置将工业互联网设备信息提取出来作为工业互联网设备的有效日志信息;
对于数值类型数据,利用阈值,将数值权重矩阵/>进行筛选,将权重矩阵/>中大于/>的权重筛选出来,并利用坐标位置将工业互联网设备信息提取出来作为工业互联网设备的有效数值信息;组成工业互联网设备有效信息集合。
本申请通过对工业互联网设备进行编号,对工业互联网设备信息进行采集,并对采集到的设备信息根据数据类型进行有效筛选,找出最能代表工业互联网设备状态的信息,有效的避免了无效工作,减少了工作量,提高工作效率。
S2. 随后,对筛选的有效工业互联网设备信息数据进行特征计算,并将得到的特征数据通过预测模块对所述工业互联网设备状态进行预测;
S21.根据获取的工业互联网设备实时有效工作状态信息,对所述工业互联网设备进行特征计算。
针对数值型数据,以所述工业互联网设备工作积累状态参数值为例,根据工业互联网设备的工作状态信息中的工业互联网设备运行总时长,以及工业互联网设备在工作时间段内每天对应的历史当天完成任务量,依次来计算所述工业互联网设备对应的日常损耗特征参数值,为所述工业互联网设备预测性维护提供依据。
根据工业互联网设备历史工作状态信息,本申请引入折损因子,
,
其中,T表示工业互联网设备在工作时长下引起的损耗,G表示工业互联网设备在工作量大小下引起的损耗,、/>表示各个参数所占权重值。
,
,
计算工业互联网设备对应的日常故障损耗值X:
,
其中,n表示所述工业互联网设备历史工作时长(总天数),表示工业互联网设备第i天对应的工作运行总时长,/>表示工业互联网设备第i天完成的工作量。
本申请通过引入折损因子,结合所述工业互联网设备时长以及工作量的损耗来计算工业互联网设备的日常损耗特征值,通过结合运算,可以获得更准确的工业互联网设备损耗的特征值,为工业互联网设备预测性维护提供较准确的特征参数依据。
针对图片型数据,以所述工业互联网设备中的摄像头拍摄的图像为例,通过所述设备的摄像头上传的图像清晰度来对设备中的摄像头的图像数据进行特征值计算,具体过程如下:
将一定时间内摄像头拍到的设备相关图像构成集合Photo,,其中,p表示图像个数,/>表示第p个图像,对每个图像进行分割,得到相同大小的/>个图像块,记/>为第l个图像的第/>块的灰度值,,则第l个图像的清晰度公式为:
,
当清晰度的值越大时,则对应的图像越清晰,反之越模糊;
利用上述清晰度公式计算所有图像的清晰度,得到图像清晰度集合。
本申请通过对图片型数据进行分块利用每块的灰度值计算图像清晰度,得到更准确所述工业互联网设备中与图像相关设备的状态特征值,即图像的清晰度值,进一步提高所述工业物联网设备预测性维护的准确率。
特别地,根据不同类型的信息数据进行相应的特征值计算。
S22.根据上述计算得到的工业互联网设备特征数据通过预测模块对所述工业互联网设备状态进行预测;
根据步骤S21中,针对数值型数据,在已知损耗值X以及当前工作总时长以及当前已完成工作量前提下,对后一天的运行总时长以及可完成任务量的预测估计可表示为:
,
,
其中,、/>表示当前工业互联网设备已经工作总时长以及当前工业互联网设备已完成工作量。
针对图像型数据,在已知图像清晰度集合,通过利用现有图像拟合以及插值拟合对集合中的图像清晰度进行预测得到图像清晰预测值。
S3. 最后,根据预测状态值与设备状态数据库中对应的设备合理状态数据进行对比,并根据对比判断结果进行决策判定,进一步对进行相应等级的预测性维护。
作为一个具体实施例,在数值型数据进行对比时,以所述工业互联网设备工作积累状态特征参数预测值为例:
本申请通过引入对比因子Rat
,
其中,表示所述工业互联网设备合理状态值,/>表示所述工业互联网设备预测状态特征值,对应所述的运行总时长的比较因子为/>,完成任务量的比较因子为/>。
计算得到所述工业互联网设备的后续工作状态对应的超负荷预警值可表示为:
,
其中,u[]表示阶跃函数,取值非0即1,表示在工业互联网设备全新状态下当天运行总时长,/>表示在工业互联网设备全新状态下当天总任务量,/>,。
根据上述得到的超负荷预警值Warn值对工业互联网设备加状态进行预测性维护,当Warn值为0时,对工业互联网设备进行日常维护;当Warn值为1时,对工业互联网设备进行一级维护;当Warn值为2时,对工业互联网设备进行二级维护。
本申请通过引入对比因子对所述工业互联网设备状态预测特征值与所述工业互联网设备合理状态特征值进行对比,得到相对预测状态从而计算得到较准确的超负荷预警值,对工业互联网设备状态进行预测性维护。
综上所述,便完成了一种工业互联网设备预测性维护具体运行方法。
上述本申请实施例中的技术方案,至少具有如下的技术效果或优点:
1、本申请通过对工业互联网设备进行编号,对工业互联网设备信息进行采集,并对采集到的设备信息根据数据类型进行有效筛选,找出最能代表工业互联网设备状态的信息,有效的避免了无效工作,减少了工作量,提高工作效率。
2、本申请通过引入损耗因子结合工业互联网设备时长以及工作量的损耗来计算工业互联网设备的日常损耗值,通过结合运算,可以获得更准确的工业互联网设备损耗值,为工业互联网设备预测性维护提供较准确的参数依据。
3、本申请通过对图片型数据进行分块利用每块的灰度值计算图像清晰度,得到更准确的所述工业互联网设备中与图像相关设备的状态特征值,即图像的清晰度值,进一步提高所述工业物联网设备预测性维护的准确率。
4、本申请通过引入对比因子对所述工业互联网设备状态预测特征值与所述工业互联网设备合理状态特征值进行对比,得到相对预测状态从而计算得到较准确的超负荷预警值,对工业互联网设备状态进行预测性维护。
效果调研:
本申请经过了一系列的效果调研,通过对工业互联网设备进行编号,对工业互联网设备信息进行采集,并对采集到的设备信息根据数据类型进行有效筛选,找出最能代表工业互联网设备状态的信息,有效的避免了无效工作,减少了工作量,提高工作效率;通过引入损耗因子结合工业互联网设备时长以及工作量的损耗来计算工业互联网设备的日常损耗值,通过结合运算,可以获得更准确的工业互联网设备损耗值,为工业互联网设备预测性维护提供较准确的参数依据;通过对图片型数据进行分块利用每块的灰度值计算图像清晰度,得到更准确的所述工业互联网设备中与图像相关设备的状态特征值,即图像的清晰度值,进一步提高所述工业物联网设备预测性维护的准确率;通过引入对比因子对所述工业互联网设备状态预测特征值与所述工业互联网设备合理状态特征值进行对比,得到相对预测状态从而计算得到较准确的超负荷预警值,对工业互联网设备状态进行预测性维护。
本发明是参照根据本发明实施例的方法、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。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (3)
1.一种工业互联网设备预测性维护方法,其特征在于,包括以下步骤:
S1. 首先,对工业互联网设备在运行状态下进行信息采集,并将采集到的信息进行有效筛选;采集到的设备信息包含不同类型的数据信息,有图片,文档,日志,数值形式信息数据;利用工作人员根据设备基础信息、合理工作状态信息以及工作经验进行定义的权重矩阵,设置阈值ξ,将采集到的数据信息集合中大于ξ的元素筛选出来,同时将对应位置的工业互联网设备信息提取出来作为工业互联网设备的有效信息,组成工业互联网设备有效信息集合,所述有效信息包含工业互联网设备相关历史数据、专家经验、操作记录、设备不同类型的状态数据;
S2. 随后,对筛选的有效工业互联网设备信息数据进行特征计算,具体为:针对所述有效工业互联网设备信息数据中的数值型数据,具体为所述工业互联网设备工作积累状态参数值,根据工业互联网设备的工作状态信息中的工业互联网设备运行总时长,以及工业互联网设备在工作时间段内每天对应的历史当天完成任务量,依次来计算所述工业互联网设备对应的日常损耗特征参数值,为所述工业互联网设备预测性维护提供依据;
根据所述工业互联网设备历史工作状态信息,引入折损因子,
,
其中,T表示工业互联网设备在工作时长下引起的损耗,G表示工业互联网设备在工作量大小下引起的损耗,、/>表示各个参数所占权重值;
,
,
进一步,计算工业互联网设备对应的日常故障损耗值X:
,
其中,n表示所述工业互联网设备历史工作时长,表示工业互联网设备第i天对应的工作运行总时长,/>表示工业互联网设备第i天完成的工作量;
针对图片型数据,具体为所述工业互联网设备中的摄像头拍摄的图像,通过所述工业互联网设备的摄像头上传的图像清晰度来对设备中的摄像头的图像数据进行特征值计算,具体过程如下:
将一定时间内摄像头拍到的设备相关图像构成集合Photo,,其中,p表示图像个数,/>表示第p个图像,对每个图像进行分割,得到相同大小的/>个图像块,记/>为第l个图像的第/>块的灰度值,,则第l个图像的清晰度公式为:
,
当清晰度的值越大时,则对应的图像越清晰,反之越模糊;
利用上述清晰度公式计算所有图像的清晰度,得到图像清晰度集合;
将得到的特征数据通过预测模块对所述工业互联网设备状态进行预测;针对数值型数据,在已知损耗值X以及当前工作总时长以及当前已完成工作量前提下,对后一天的运行总时长以及可完成任务量的预测估计可表示为:
,
,
其中,、/>表示当前工业互联网设备已经工作总时长以及当前工业互联网设备已完成工作量;
S3. 最后,根据预测状态值与设备状态数据库中对应的设备合理状态数据进行对比,并根据对比判断结果进行决策判定,进一步对所述工业互联网设备进行相应等级的预测性维护;在数值型数据进行对比时,具体为所述工业互联网设备工作积累状态特征参数预测值:
通过引入对比因子Rat
,
其中,表示所述工业互联网设备合理状态值,/>表示所述工业互联网设备预测状态特征值,对应所述的运行总时长的比较因子为/>,完成任务量的比较因子为;
计算得到所述工业互联网设备的后续工作状态对应的超负荷预警值可表示为:
,
其中,u[]表示阶跃函数,取值非0即1,表示在工业互联网设备全新状态下当天运行总时长,/>表示在工业互联网设备全新状态下当天总任务量,/>,;
根据上述得到的超负荷预警值Warn值对工业互联网设备加状态进行预测性维护,当Warn值为0时,对工业互联网设备进行日常维护;当Warn值为1时,对工业互联网设备进行一级维护;当Warn值为2时,对工业互联网设备进行二级维护。
2.根据权利要求1所述的一种工业互联网设备预测性维护方法,其特征在于,所述步骤S1,具体包括:
首先,对所述工业互联网设备在运行状态下的信息进行采集,为对设备进行维护时更好的溯源,对所有工业互联网设备进行编号,得到设备集合S,其中,n表示设备的个数;并将所述工业互联网设备采集到的设备信息记为集合Data,其中,m表示设备信息数据的个数;
采集到的设备信息包含不同类型的数据信息,有图片,文档,日志,数值形式信息数据;
随后,利用工作人员根据设备基础信息、合理工作状态信息以及工作经验进行定义的权重矩阵,设置阈值ξ,将采集到的数据信息集合中大于ξ的元素筛选出来,同时将对应位置的工业互联网设备信息提取出来作为工业互联网设备的有效信息,组成工业互联网设备有效信息集合,其中/>,/>表示所述工业互联网设备有效信息个数,所述有效信息包含工业互联网设备相关历史数据、专家经验、操作记录、设备不同类型的状态数据。
3.一种工业互联网设备预测性维护系统,其特征在于,具体内容包括以下部分:
信息采集模块,信息筛选模块,特征数据计算模块,设备状态数据库,预测模块,对比模块;
所述信息采集模块,对工业互联网设备信息数据进行采集;
所述信息筛选模块,对采集到的工业互联网设备的信息数据进行信息有效筛选,得到有效工业互联网设备数据;利用工作人员根据设备基础信息、合理工作状态信息以及工作经验进行定义的权重矩阵,设置阈值ξ,将采集到的工业互联网设备信息数据集合中大于ξ的元素筛选出来,同时将对应位置的工业互联网设备信息提取出来作为工业互联网设备的有效信息,组成工业互联网设备有效信息集合,所述有效信息包含工业互联网设备相关历史数据、专家经验、操作记录、设备不同类型的状态数据;
所述特征数据计算模块,对筛选后的工业互联网设备的有效数据根据不同类型的数据信息分别进行特征计算,得到当前状态的特征数据;所述不同类型的数据信息,有图片,文档,日志,数值形式信息数据;针对所述有效工业互联网设备信息数据中的数值型数据,具体为所述工业互联网设备工作积累状态参数值,根据工业互联网设备的工作状态信息中的工业互联网设备运行总时长,以及工业互联网设备在工作时间段内每天对应的历史当天完成任务量,依次来计算所述工业互联网设备对应的日常损耗特征参数值,为所述工业互联网设备预测性维护提供依据;
根据所述工业互联网设备历史工作状态信息,引入折损因子,
,
其中,T表示工业互联网设备在工作时长下引起的损耗,G表示工业互联网设备在工作量大小下引起的损耗,、/>表示各个参数所占权重值;
,
,
进一步,计算工业互联网设备对应的日常故障损耗值X:
,
其中,n表示所述工业互联网设备历史工作时长,表示工业互联网设备第i天对应的工作运行总时长,/>表示工业互联网设备第i天完成的工作量;
针对图片型数据,具体为所述工业互联网设备中的摄像头拍摄的图像,通过所述工业互联网设备的摄像头上传的图像清晰度来对设备中的摄像头的图像数据进行特征值计算,具体过程如下:
将一定时间内摄像头拍到的设备相关图像构成集合Photo,,其中,p表示图像个数,/>表示第p个图像,对每个图像进行分割,得到相同大小的/>个图像块,记/>为第l个图像的第/>块的灰度值,,则第l个图像的清晰度公式为:
,
当清晰度的值越大时,则对应的图像越清晰,反之越模糊;
利用上述清晰度公式计算所有图像的清晰度,得到图像清晰度集合;
所述设备状态数据库,用来存储所有工业互联网设备在正常运行状态下的所有合理状态数据;
所述预测模块,根据特征数据的计算结果,对所述工业互联网设备的状态进行预测判断,得到设备的预测状态;针对数值型数据,在已知损耗值X以及当前工作总时长以及当前已完成工作量前提下,对后一天的运行总时长以及可完成任务量的预测估计可表示为:
,
,
其中,、/>表示当前工业互联网设备已经工作总时长以及当前工业互联网设备已完成工作量;
所述对比模块,通过引入对比因子将预测模块处理后得到的当前设备的预测状态数据与设备状态数据库中对应的设备合理状态数据进行对比,得到相对预测状态,并根据对比判断结果进行决策判定,进一步对所述工业互联网设备进行相应等级的预测性维护;具体为:
在数值型数据进行对比时,所述工业互联网设备工作积累状态特征参数预测值:
通过引入对比因子Rat
,
其中,表示所述工业互联网设备合理状态值,/>表示所述工业互联网设备预测状态特征值,对应所述的运行总时长的比较因子为/>,完成任务量的比较因子为;
计算得到所述工业互联网设备的后续工作状态对应的超负荷预警值可表示为:
,
其中,u[]表示阶跃函数,取值非0即1,表示在工业互联网设备全新状态下当天运行总时长,/>表示在工业互联网设备全新状态下当天总任务量,/>,;
根据上述得到的超负荷预警值Warn值对工业互联网设备加状态进行预测性维护,当Warn值为0时,对工业互联网设备进行日常维护;当Warn值为1时,对工业互联网设备进行一级维护;当Warn值为2时,对工业互联网设备进行二级维护;
应用于权利要求1所述的一种工业互联网设备预测性维护方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310966902.XA CN116681426B (zh) | 2023-08-03 | 2023-08-03 | 一种工业互联网设备预测性维护系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310966902.XA CN116681426B (zh) | 2023-08-03 | 2023-08-03 | 一种工业互联网设备预测性维护系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116681426A CN116681426A (zh) | 2023-09-01 |
CN116681426B true CN116681426B (zh) | 2023-10-27 |
Family
ID=87789456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310966902.XA Active CN116681426B (zh) | 2023-08-03 | 2023-08-03 | 一种工业互联网设备预测性维护系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116681426B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117423444A (zh) * | 2023-09-26 | 2024-01-19 | 中普达科技股份有限公司 | 一种基于物联网的医疗设备管理系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070264A (zh) * | 2020-07-23 | 2020-12-11 | 上海琥崧智能科技股份有限公司 | 基于大数据的设备预测性维护方法 |
CN112327784A (zh) * | 2020-11-18 | 2021-02-05 | 科通工业技术(深圳)有限公司 | 一种工业预测性维护数据采集系统 |
CN113469383A (zh) * | 2021-07-06 | 2021-10-01 | 山西大数据产业发展有限公司 | 基于互联网方式的设备远程预测性维护系统及方法 |
CN113657693A (zh) * | 2021-10-20 | 2021-11-16 | 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)) | 一种智能制造装备的预测性维护系统和方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6301902B2 (ja) * | 2015-12-21 | 2018-03-28 | ファナック株式会社 | 保守時期予測システム及び保守時期予測装置 |
-
2023
- 2023-08-03 CN CN202310966902.XA patent/CN116681426B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070264A (zh) * | 2020-07-23 | 2020-12-11 | 上海琥崧智能科技股份有限公司 | 基于大数据的设备预测性维护方法 |
CN112327784A (zh) * | 2020-11-18 | 2021-02-05 | 科通工业技术(深圳)有限公司 | 一种工业预测性维护数据采集系统 |
CN113469383A (zh) * | 2021-07-06 | 2021-10-01 | 山西大数据产业发展有限公司 | 基于互联网方式的设备远程预测性维护系统及方法 |
CN113657693A (zh) * | 2021-10-20 | 2021-11-16 | 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)) | 一种智能制造装备的预测性维护系统和方法 |
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 (1)
Title |
---|
物联网设备故障数据定位优化仿真研究;张岚;;计算机仿真(第09期);第385页第1栏第1段至第387页第2栏第2段 * |
Also Published As
Publication number | Publication date |
---|---|
CN116681426A (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11722642B2 (en) | Machine-vision system and method for remote quality inspection of a product | |
CN109766334B (zh) | 用于电力设备在线监测异常数据的处理方法及系统 | |
CN116681426B (zh) | 一种工业互联网设备预测性维护系统及方法 | |
US11982987B2 (en) | Programmable logic controller and analyzer | |
CN113909996B (zh) | 一种基于数字孪生的高端装备加工状态监测方法及系统 | |
WO2021007845A1 (zh) | 一种氧化铝生产指标的云-边协同预报系统及方法 | |
CN116028887B (zh) | 一种连续性工业生产数据的分析方法 | |
JP2009086896A (ja) | コンピュータの障害予測システムおよび障害予測方法 | |
CN116050678A (zh) | 一种基于云计算的压铸产品加工测试系统及方法 | |
CN115718466A (zh) | 基于随机森林和层次分析法的数字孪生车间故障预测方法 | |
CN115936676A (zh) | 一种基于数字孪生的设备健康管理方法及系统 | |
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 | |
CN114297265A (zh) | 基于物联技术的智能运维方法 | |
CN116611953A (zh) | 基于物联网的电能表生产制造实时数据管理方法和系统 | |
CN116700183A (zh) | 一种灌装牛奶生产监测方法及管理系统 | |
CN118096123A (zh) | 一种基于区块链的设备预测性维护方法 | |
CN112988529A (zh) | 一种基于机器学习进行数据库系统性能预测的方法及系统 | |
CN116993734B (zh) | 基于视觉成像进行分析的电池隔热棉裁切质量预测系统 | |
TWI783593B (zh) | 智慧產線設備精實預防保養及耗能可視化監控系統及其方法 | |
CN117826644A (zh) | 一种基于人工智能的煤采样机集中控制系统及方法 | |
CN117891223A (zh) | 一种基于工业物联网的设备管理方法、系统、设备及介质 | |
CN117950947A (zh) | 一种基于互联网的计算机故障监测系统及方法 | |
CN117490338A (zh) | 基于深度学习的船舶冷却机组控制方法及系统 | |
CN118014127A (zh) | 一种基于机器学习算法的工艺诊断、优化及预测方法 | |
CN117592753A (zh) | 一种基于知识图谱的生产监管控制系统 |
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 |