CN116755411A - 一种工业设备数据采集方法及装置 - Google Patents
一种工业设备数据采集方法及装置 Download PDFInfo
- Publication number
- CN116755411A CN116755411A CN202310854988.7A CN202310854988A CN116755411A CN 116755411 A CN116755411 A CN 116755411A CN 202310854988 A CN202310854988 A CN 202310854988A CN 116755411 A CN116755411 A CN 116755411A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- equipment
- machine learning
- learning model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000010801 machine learning Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000007619 statistical method Methods 0.000 claims abstract description 19
- 238000004140 cleaning Methods 0.000 claims abstract description 16
- 238000013079 data visualisation Methods 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 36
- 238000013136 deep learning model Methods 0.000 claims description 31
- 238000012360 testing method Methods 0.000 claims description 20
- 238000012417 linear regression Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- 238000013480 data collection Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 230000001960 triggered effect Effects 0.000 claims description 5
- 238000005065 mining Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000005355 Hall effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
-
- 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
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31282—Data acquisition, BDE MDE
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供的一种工业设备数据采集方法,包括:确定数据需求,并根据所述数据需求选择传感器,实时监测设备状态;建立本地数据库,存储采集的设备状态数据,将所述设备状态数据上传到云平台;使用数据处理工具对采集的原始数据进行处理和清洗,使用统计分析和机器学习对采集的数据进行分析和优化;使用数据可视化工具,将处理后的数据形成图表、仪表盘或报告的形式,完成数据采集。本申请增加了机器学习,并将机器学习融合进统计分析中,可有效提高隐含信息的挖掘。
Description
技术领域
本申请涉及数据采集领域,尤其涉及一种工业设备数据采集方法,还涉及一种工业设备数据采集装置。
背景技术
数据收集是一个典型的一般过程,包括收集原始数据并将其转换为有用的信息。数据收集的基本过程通常包括四个主要步骤,即数据收集、数据组织、数据分析和报告分析。
第一步是数据收集,包括从各种来源收集数据。有许多数据收集技术,例如使用传感器设备,准备收集实时变化数据,使用问卷收集质量数据,访问仓库数据,进行实地观察等。在这个阶段,还需要验证传入数据,并确保其准确性、可靠性和隐私性。
第二步是对收集到的数据进行预处理和清理,以便将非标准数据组织成符合标准的数据,设置在这里,可以有效地检测数据中的异常值和重复值,以便进行后续分析。
第三步是数据分析,全面分析。
但是针对第三步,目前采用的仅仅是通过数据统计的方式进行数据分析,对数据中隐含的信息挖掘不够。
发明内容
本申请的目的在于克服现有技术中对数据中隐含的信息挖掘不够的缺陷,提供一种工业设备数据采集方法,还涉及一种工业设备数据采集装置。
本申请提供的一种工业设备数据采集方法,包括:
确定数据需求,并根据所述数据需求选择传感器,实时监测设备状态;
建立本地数据库,存储采集的设备状态数据,将所述设备状态数据上传到云平台;
使用数据处理工具对采集的原始数据进行处理和清洗,使用统计分析和机器学习对采集的数据进行分析和优化;
使用数据可视化工具,将处理后的数据形成图表、仪表盘或报告的形式,完成数据采集。
可选地,还包括:
根据设备的正常操作范围,设定所述设备状态数据警报阈值,同时基于历史数据和故障模式,使用机器学习算法训练模型,预测设备潜在故障;
当触发所述数据警报阈值,发出警报并将所述设备潜在故障通知到相关人员。
可选地,所述使用统计分析和机器学习对采集的数据进行分析和优化,包括:
从数据源中采集原始数据,并进行数据清洗、去噪和处理缺失值预处理;
计算数据的均值、方差统计指标,以及相关性指标;
根据所述均值、方差和相关性指的指标,绘制数据的图表,观察数据的分布和关系;
选择机器学习算法,包括线性回归、决策树或支持向量机;
将数据集划分为训练集和测试集,对训练集进行模型训练和验证,确定深度学习模型;
使用测试集评估模型的性能,计算准确度、F1分数指标,获得机器学习模型,基于所述机器学习模型分析和优化数据。
可选地,还包括,设置深度学习模型测设备潜在故障,所述设置深度学习模型包括:
根据数据类型和问题的复杂性选择适当的深度学习模型,包括卷积神经网络(CNN)或者循环神经网络(RNN);
对数据进行预处理,将数据集划分为训练集和测试集;
对训练集进行深度学习模型的训练,并使用验证集进行模型调参和选择最佳模型;
使用测试集评估模型的性能,计算损失函数、准确度指标,获得深度学习模型;
结合机器学习模型和深度学习模型的结果,进行分析的融合,包括:使用特征选择、特征工程和或模型集成方法来优化模型的性能;根据实际需求和新数据的变化进行模型的持续优化和改进。
可选地,对于线性回归模型,成本函数是平均平方误差(Mean Squared Error,MSE),其公式如下:
其中,N表示样本数量,yi为实际观测值,为模型的预测值。
本申请还提供一种工业设备数据采集装置,包括:
获取模块,用于确定数据需求,并根据所述数据需求选择传感器,实时监测设备状态;
本地模块,用于建立本地数据库,存储采集的设备状态数据,将所述设备状态数据上传到云平台;
清洗模块,用于使用数据处理工具对采集的原始数据进行处理和清洗,使用统计分析和机器学习对采集的数据进行分析和优化;
完成模块,用于使用数据可视化工具,将处理后的数据形成图表、仪表盘或报告的形式,完成数据采集。
可选地,还包括:
根据设备的正常操作范围,设定所述设备状态数据警报阈值,同时基于历史数据和故障模式,使用机器学习算法训练模型,预测设备潜在故障;
当触发所述数据警报阈值,发出警报并将所述设备潜在故障通知到相关人员。可选地,所述使用统计分析和机器学习对采集的数据进行分析和优化,包括:
从数据源中采集原始数据,并进行数据清洗、去噪和处理缺失值预处理;
计算数据的均值、方差统计指标,以及相关性指标;
根据所述均值、方差和相关性指的指标,绘制数据的图表,观察数据的分布和关系;
选择机器学习算法,包括线性回归、决策树或支持向量机;
将数据集划分为训练集和测试集,对训练集进行模型训练和验证,确定深度学习模型;
使用测试集评估模型的性能,计算准确度、F1分数指标,获得机器学习模型,基于所述机器学习模型分析和优化数据。
可选地,还包括,设置深度学习模型测设备潜在故障,所述设置深度学习模型包括:
根据数据类型和问题的复杂性选择适当的深度学习模型,包括卷积神经网络(CNN)或者循环神经网络(RNN);
对数据进行预处理,将数据集划分为训练集和测试集;
对训练集进行深度学习模型的训练,并使用验证集进行模型调参和选择最佳模型;
使用测试集评估模型的性能,计算损失函数、准确度指标,获得深度学习模型;
结合机器学习模型和深度学习模型的结果,进行分析的融合,包括:使用特征选择、特征工程和或模型集成方法来优化模型的性能;根据实际需求和新数据的变化进行模型的持续优化和改进。
可选地,对于线性回归模型,成本函数是平均平方误差(Mean Squared Error,MSE),其公式如下:
其中,N表示样本数量,yi为实际观测值,为模型的预测值。
本申请的优点和有益效果:
发明点1,增加机器学习。
发明点2,通过深度神经网络对机器学习处理的数据进行分析,获得故障信息。
发明点3,使用特征选择、特征工程和或模型集成方法来优化模型的性能。
本申请提供的一种工业设备数据采集方法,包括:确定数据需求,并根据所述数据需求选择传感器,实时监测设备状态;建立本地数据库,存储采集的设备状态数据,将所述设备状态数据上传到云平台;使用数据处理工具对采集的原始数据进行处理和清洗,使用统计分析和机器学习对采集的数据进行分析和优化;使用数据可视化工具,将处理后的数据形成图表、仪表盘或报告的形式,完成数据采集。本申请增加了机器学习,并将机器学习融合进统计分析中,可有效提高隐含信息的挖掘。
附图说明
图1是本申请中工业设备数据采集流程示意图。
图2是本申请中工业设备数据采集结构示意图。
具体实施方式
下面结合附图对具体实施例作详细说明,以使本领域的技术人员可以更好地理解本申请并能予以实施。
本申请提供的一种工业设备数据采集方法,包括:确定数据需求,并根据所述数据需求选择传感器,实时监测设备状态;建立本地数据库,存储采集的设备状态数据,将所述设备状态数据上传到云平台;使用数据处理工具对采集的原始数据进行处理和清洗,使用统计分析和机器学习对采集的数据进行分析和优化;使用数据可视化工具,将处理后的数据形成图表、仪表盘或报告的形式,完成数据采集。本申请增加了机器学习,并将机器学习融合进统计分析中,可有效提高隐含信息的挖掘。
请参照图1所示,S101确定数据需求,并根据所述数据需求选择传感器,实时监测设备状态;
数据需求确定:
温度:使用温度传感器采集环境温度数据。
压力:使用压力传感器采集设备压力数据。
湿度:使用湿度传感器采集环境湿度数据。
电流:使用电流传感器采集设备电流数据。
电压:使用电压传感器采集设备电压数据。
速度:使用速度传感器采集设备运行速度数据。
传感器选择:
温度传感器:选择高精度和工业级温度传感器,如PT1000传感器。
压力传感器:选择具有稳定性和高压力范围的压力传感器,如压电式压力传感器。
湿度传感器:选择可靠且准确的湿度传感器,如电容式湿度传感器。
电流传感器:选择适用于所需电流范围的电流传感器,如霍尔效应传感器。
电压传感器:选择能够测量所需电压范围的电压传感器,如电阻分压器。
速度传感器:选择适合设备运行速度测量的速度传感器,如霍尔效应传感器或光电传感器。
数据传输方式:
使用工业以太网或RS485通信协议进行数据传输,可保证稳定性和可靠性。
使用Wi-Fi或蓝牙等无线通信技术进行数据传输,适用于设备位置难以布线的情况。
将传感器数据整合到现有的工业控制系统中,如PLC或SCADA系统。
网络设置:
配置网络设备,如交换机或路由器,确保网络连接稳定和可靠。
实施网络安全措施,如防火墙、虚拟专用网络(VPN)等,保护数据传输过程中的安全性。
请参照图1所示,S102建立本地数据库,存储采集的设备状态数据,将所述设备状态数据上传到云平台;
建立本地数据库,存储采集的数据。可以使用关系型数据库(如MySQL)或时序数据库(如InfluxDB)。
将采集的数据上传到云平台,如AWS、Azure或Google Cloud,进行中央存储和处理。
请参照图1所示,S103使用数据处理工具对采集的原始数据进行处理和清洗,使用统计分析和机器学习对采集的数据进行分析和优化。
使用统计分析、机器学习或深度学习等算法,对采集的数据进行分析和优化。统计分析、机器学习和深度学习结合的算法,如下:
从数据源中采集原始数据,并进行数据清洗、去噪和处理缺失值等预处理步骤。
计算数据的均值、方差等统计指标,以及相关系数等相关性指标。绘制数据的直方图、散点图等图表,观察数据的分布和关系。
根据具体问题选择适当的机器学习算法,如线性回归、决策树、支持向量机等。将数据集划分为训练集和测试集。
对训练集进行模型训练,并使用验证集进行模型调参和选择最佳模型。
使用测试集评估模型的性能,计算准确度、F1分数等指标。
深度学习:
根据数据类型和问题的复杂性选择适当的深度学习模型,如卷积神经网络(CNN)、循环神经网络(RNN)等。
对数据进行预处理,如归一化、独热编码等。
将数据集划分为训练集和测试集。
对训练集进行深度学习模型的训练,并使用验证集进行模型调参和选择最佳模型。
使用测试集评估模型的性能,计算损失函数、准确度等指标。
最后,结合机器学习和深度学习模型的结果,进行预测或分析的融合。使用特征选择、特征工程和模型集成等方法来优化模型的性能。
监测模型的性能,根据实际需求和新数据的变化进行模型的持续优化和改进。
该算法应用于复杂数据问题,如销售预测、股票预测、医疗诊断等。
具体的,深度学习中:
卷积操作:output[i,j]=sum(input[i+m,j+n]*kernel[m,n]),其中m和n是卷积核的索引。
激活函数(如ReLU):output=max(0,input)。
循环神经网络(RNN)的核心公式如下:
隐藏层状态更新:hidden_state[t]=activation(W*input[t]+U*hidden_state[t-1]+b)。
输出层计算:output[t]=softmax(V*hidden_state[t]+c)。
当结合统计分析、机器学习和深度学习时,线性回归模型用于建立输入变量(特征)与输出变量之间的线性关系。
成本函数(也称为损失函数)的表达式,用于衡量模型的预测与实际观测值之间的差异。
对于线性回归模型,最常用的成本函数是平均平方误差(Mean Squared Error,MSE)。其公式如下:
其中,N表示样本数量,yi为实际观测值,为模型的预测值。
以上公式代表了预测值与实际值之间的误差平方和的平均值。在线性回归模型的训练过程中,目标是通过优化参数,使得MSE最小化,从而获得最佳拟合线。
潜在故障预测:
基于历史数据和故障模式,使用机器学习算法训练模型,预测设备潜在故障,并提前采取维护措施,减少停机时间和维修成本。
分析设备数据,识别能源消耗模式,并提供优化建议,以降低能源成本和环境影响。利用设备数据分析结果,优化生产过程,提高生产效率和产品质量。
针对利用设备数据分析结果来优化生产过程,使用多元线性回归模型来建立设备数据与生产指标之间的关系,并通过优化该模型来提高生产效率和产品质量。
例如:设X为设备数据的特征矩阵,包含m个样本和n个特征,其中每一行表示一个样本的设备数据特征向量。设Y为对应的生产指标矩阵,包含相同数量的样本。
多元线性回归模型的一般形式为:
Y=Xβ+ε
其中,Y是大小为m×1的目标变量向量,X是大小为m×n的因变量矩阵,β是大小为n×1的回归系数向量,ε是大小为m×1的误差向量。
最小二乘法(Least Squares)可用于估计回归系数β的值,使得误差平方和最小化。通过对成本函数进行优化,可以得到:
β*=(XTX)-1XTY
其中,β*是回归系数的最优解。
通过求解该复杂公式,可以获得最优的回归系数β,从而建立设备数据与生产指标之间的关系模型。根据该模型,可以进行生产过程的优化,找出影响生产效率和产品质量的关键设备数据,进一步提高生产效率和产品质量。
需要注意的是,以上公式只是多元线性回归模型的一个示例。在实际应用中,可能需要考虑更复杂的模型,如非线性回归模型、神经网络模型等,以适应具体的生产过程和数据特征。此外,选择适当的特征工程方法、数据预处理技术和优化算法也是非常重要的步骤,以提高模型的准确性和稳定性。
进一步的,使用加密协议(如SSL/TLS)保护数据传输过程中的安全性。
进一步的,要求用户在访问设备数据时进行身份验证,以确保只有授权人员可以访问敏感数据。
进一步的,尊重相关法规,如GDPR,保护用户数据隐私,在数据存储、处理和传输过程中采取适当的安全措施。
监视设备数据采集和传输过程,实时检测传感器故障或数据传输中断等问题。设置远程访问权限,以便维护人员可以通过云平台或远程连接工具对设备进行监控和维护。
按照设备制造商的建议,定期检查传感器的运行状况,进行校准和维护,确保数据采集的准确性和可靠性。
请参照图1所示,S104使用数据可视化工具,将处理后的数据形成图表、仪表盘或报告的形式,完成数据采集。
使用数据处理工具,如Python的pandas和NumPy库,对采集的原始数据进行处理和清洗。
使用数据可视化工具,如Matplotlib、Plotly或Grafana,将处理后的数据以图表、仪表盘或报告的形式展示。
根据设备的正常操作范围,设定警报阈值。超过或低于阈值时触发报警。
定期检查传感器数据,实时监测设备状态。通过邮件、短信或手机应用程序等形式发送警报通知到相关人员。
本申请还提供一种工业设备数据采集装置,包括:
获取模块,用于确定数据需求,并根据所述数据需求选择传感器,实时监测设备状态;
本地模块,用于建立本地数据库,存储采集的设备状态数据,将所述设备状态数据上传到云平台;
清洗模块,用于使用数据处理工具对采集的原始数据进行处理和清洗,使用统计分析和机器学习对采集的数据进行分析和优化;
完成模块,用于使用数据可视化工具,将处理后的数据形成图表、仪表盘或报告的形式,完成数据采集。
最后应说明的是:以上的方法适用于全脊柱的椎间盘。以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种工业设备数据采集方法,其特征在于,包括:
确定数据需求,并根据所述数据需求选择传感器,实时监测设备状态;
建立本地数据库,存储采集的设备状态数据,将所述设备状态数据上传到云平台;
使用数据处理工具对采集的原始数据进行处理和清洗,使用统计分析和机器学习对采集的数据进行分析和优化;
使用数据可视化工具,将处理后的数据形成图表、仪表盘或报告的形式,完成数据采集。
2.根据权利要求1所述工业设备数据采集方法,其特征在于,还包括:
根据设备的正常操作范围,设定所述设备状态数据警报阈值,同时基于历史数据和故障模式,使用机器学习算法训练模型,预测设备潜在故障;
当触发所述数据警报阈值,发出警报并将所述设备潜在故障通知到相关人员。
3.根据权利要求1所述工业设备数据采集方法,其特征在于,所述使用统计分析和机器学习对采集的数据进行分析和优化,包括:
从数据源中采集原始数据,并进行数据清洗、去噪和处理缺失值预处理;
计算数据的均值、方差统计指标,以及相关性指标;
根据所述均值、方差和相关性指的指标,绘制数据的图表,观察数据的分布和关系;
选择机器学习算法,包括线性回归、决策树或支持向量机;
将数据集划分为训练集和测试集,对训练集进行模型训练和验证,确定深度学习模型;
使用测试集评估模型的性能,计算准确度、F1分数指标,获得机器学习模型,基于所述机器学习模型分析和优化数据。
4.根据权利要求3所述工业设备数据采集方法,其特征在于,还包括,设置深度学习模型测设备潜在故障,所述设置深度学习模型包括:
根据数据类型和问题的复杂性选择适当的深度学习模型,包括卷积神经网络(CNN)或者循环神经网络(RNN);
对数据进行预处理,将数据集划分为训练集和测试集;
对训练集进行深度学习模型的训练,并使用验证集进行模型调参和选择最佳模型;
使用测试集评估模型的性能,计算损失函数、准确度指标,获得深度学习模型;
结合机器学习模型和深度学习模型的结果,进行分析的融合,包括:使用特征选择、特征工程和或模型集成方法来优化模型的性能;根据实际需求和新数据的变化进行模型的持续优化和改进。
5.根据权利要求3所述工业设备数据采集方法,其特征在于,对于线性回归模型,成本函数是平均平方误差(Mean Squared Error,MSE),其公式如下:
其中,N表示样本数量,yi为实际观测值,为模型的预测值。
6.一种工业设备数据采集装置,其特征在于,包括:
获取模块,用于确定数据需求,并根据所述数据需求选择传感器,实时监测设备状态;
本地模块,用于建立本地数据库,存储采集的设备状态数据,将所述设备状态数据上传到云平台;
清洗模块,用于使用数据处理工具对采集的原始数据进行处理和清洗,使用统计分析和机器学习对采集的数据进行分析和优化;
完成模块,用于使用数据可视化工具,将处理后的数据形成图表、仪表盘或报告的形式,完成数据采集。
7.根据权利要求6所述工业设备数据采集装置,其特征在于,还包括:
根据设备的正常操作范围,设定所述设备状态数据警报阈值,同时基于历史数据和故障模式,使用机器学习算法训练模型,预测设备潜在故障;
当触发所述数据警报阈值,发出警报并将所述设备潜在故障通知到相关人员。
8.根据权利要求6所述工业设备数据采集装置,其特征在于,所述使用统计分析和机器学习对采集的数据进行分析和优化,包括:
从数据源中采集原始数据,并进行数据清洗、去噪和处理缺失值预处理;
计算数据的均值、方差统计指标,以及相关性指标;
根据所述均值、方差和相关性指的指标,绘制数据的图表,观察数据的分布和关系;
选择机器学习算法,包括线性回归、决策树或支持向量机;
将数据集划分为训练集和测试集,对训练集进行模型训练和验证,确定深度学习模型;
使用测试集评估模型的性能,计算准确度、F1分数指标,获得机器学习模型,基于所述机器学习模型分析和优化数据。
9.根据权利要求8所述工业设备数据采集方法,其特征在于,还包括,设置深度学习模型测设备潜在故障,所述设置深度学习模型包括:
根据数据类型和问题的复杂性选择适当的深度学习模型,包括卷积神经网络(CNN)或者循环神经网络(RNN);
对数据进行预处理,将数据集划分为训练集和测试集;
对训练集进行深度学习模型的训练,并使用验证集进行模型调参和选择最佳模型;
使用测试集评估模型的性能,计算损失函数、准确度指标,获得深度学习模型;
结合机器学习模型和深度学习模型的结果,进行分析的融合,包括:使用特征选择、特征工程和或模型集成方法来优化模型的性能;根据实际需求和新数据的变化进行模型的持续优化和改进。
10.根据权利要求8所述工业设备数据采集装置,其特征在于,对于线性回归模型,成本函数是平均平方误差(Mean Squared Error,MSE),其公式如下:
其中,N表示样本数量,yi为实际观测值,为模型的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310854988.7A CN116755411A (zh) | 2023-07-13 | 2023-07-13 | 一种工业设备数据采集方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310854988.7A CN116755411A (zh) | 2023-07-13 | 2023-07-13 | 一种工业设备数据采集方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116755411A true CN116755411A (zh) | 2023-09-15 |
Family
ID=87958963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310854988.7A Pending CN116755411A (zh) | 2023-07-13 | 2023-07-13 | 一种工业设备数据采集方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116755411A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117829794A (zh) * | 2024-01-02 | 2024-04-05 | 浙江精创教育科技有限公司 | 一种基于云计算的人力资源数据处理方法及系统 |
-
2023
- 2023-07-13 CN CN202310854988.7A patent/CN116755411A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117829794A (zh) * | 2024-01-02 | 2024-04-05 | 浙江精创教育科技有限公司 | 一种基于云计算的人力资源数据处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2019527413A (ja) | 根本的原因分析を実行してプラントワイド操業での希少イベントの発生の予測モデルを構築するコンピュータシステムおよび方法 | |
CN1324515C (zh) | 处理工具优化系统和方法 | |
US20050159835A1 (en) | Device for and method of creating a model for determining relationship between process and quality | |
JP2013012229A (ja) | プロセス制御システムのための共有利用方式によるデータ処理 | |
KR20100042293A (ko) | 화학 플랜트 또는 정제소를 연속해서 온라인 모니터하는 시스템 및 방법 | |
CN105758661B (zh) | 一种锅炉受热面寿命评估系统和方法 | |
KR20190062739A (ko) | 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법, 알고리즘 및 장치 | |
CN116755411A (zh) | 一种工业设备数据采集方法及装置 | |
WO2019226846A1 (en) | Competency gap identification of an operators response to various process control and maintenance conditions | |
CN117193222A (zh) | 一种基于工业物联网和大数据的智能质量控制系统及其控制方法 | |
CN116822115A (zh) | 一种基于数字孪生技术的智慧园区的环境管理方法及系统 | |
Mohammed et al. | An IoT and machine learning-based predictive maintenance system for electrical motors | |
CN116560326B (zh) | 一种智慧工厂管理平台 | |
CN117609716A (zh) | 基于状态健康信息的电力设备剩余寿命远程预测方法及系统 | |
CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
CN116235121A (zh) | 识别用于执行生产过程的工业设施中的异常的装置和方法 | |
Sathish et al. | Event based robot prognostics using principal component analysis | |
KR20220080983A (ko) | 실시간 생산현황 모니터링을 위한 IoT 엣지 컴퓨팅 시스템 | |
US11237550B2 (en) | Ultrasonic flow meter prognostics with near real-time condition based uncertainty analysis | |
Ma et al. | Automated and Systematic Digital Twins Testing for Industrial Processes | |
CN117780679B (zh) | 一种离心风机故障诊断方法及在线监测系统 | |
CN116773238B (zh) | 一种基于工业数据的故障监测方法及系统 | |
US20230305552A1 (en) | System and method for retroactive and automated validation or corrective action with respect to online sensors | |
AU2018285617A1 (en) | Apparatus and method for identifying impacts and causes of variability or control giveaway on model-based controller performance | |
CN117870034B (zh) | 洁净室环境参数的控制方法、装置及系统 |
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 |