CN116757535B - 一种用于工业应用平台的智能管理方法及系统 - Google Patents
一种用于工业应用平台的智能管理方法及系统 Download PDFInfo
- Publication number
- CN116757535B CN116757535B CN202310712346.3A CN202310712346A CN116757535B CN 116757535 B CN116757535 B CN 116757535B CN 202310712346 A CN202310712346 A CN 202310712346A CN 116757535 B CN116757535 B CN 116757535B
- Authority
- CN
- China
- Prior art keywords
- equipment
- target
- parameter
- indexes
- result
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 71
- 238000012544 monitoring process Methods 0.000 claims abstract description 53
- 238000012423 maintenance Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims description 39
- 238000005457 optimization Methods 0.000 claims description 21
- 238000003491 array Methods 0.000 claims description 18
- 230000001502 supplementing effect Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 239000013589 supplement Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种用于工业应用平台的智能管理方法及系统,涉及数据处理技术领域,方法包括:对K个目标机器设备对应设定K个目标测点,预设监测周期K个目标测点对K个目标机器设备进行设备运行参数采集,获得K个目标运行参数集进行数据稳定性分析,根据预警划分区间对设备运行稳定性指数集进行区间划分,输出稳定区间划分结果对机器设备配置进行多等级运维管理,本发明解决了现有技术中存在不能根据机器设备运行状态进行针对性、个性化的监测管理,导致工业应用平台对于机器设备族群安全运行的效用较低的技术问题,实现了根据机器设备运行状态的合理化精准管控,进而提高机器设备族群安全运行的效用。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种用于工业应用平台的智能管理方法及系统。
背景技术
随着科学技术的高速发展,特别是工业应用平台的发展,由于在工业应用平台中需要对多台机器进行控制,则需要对每台机器设备的运行参数以及运行状态进行监测,而现有技术中存在不能根据机器设备运行状态进行针对性、个性化的监测管理,导致工业应用平台对于机器设备族群安全运行的效用较低的技术问题。
发明内容
本申请提供了一种用于工业应用平台的智能管理方法及系统,用于针对解决现有技术中存在的不能根据机器设备运行状态进行针对性、个性化的监测管理,导致工业应用平台对于机器设备族群安全运行的效用较低的技术问题。
鉴于上述问题,本申请提供了一种用于工业应用平台的智能管理方法及系统。
第一方面,本申请提供了一种用于工业应用平台的智能管理方法,所述方法包括:基于工业应用平台获取目标管理对象的机器设备构成,其中,所述机器设备构成包括K个目标机器设备,K为大于1的正整数;对所述K个目标机器设备对应设定K个目标测点,其中,每个所述目标测点对应进行一个所述目标机器设备的设备运行参数监测;预设监测周期,所述K个目标测点基于所述预设监测周期对所述K个目标机器设备进行设备运行参数采集,获得K个目标运行参数集,其中,每个所述目标运行参数集包括M项设备运行指标-M项设备运行参数,M为正整数;基于所述K个目标运行参数集进行数据稳定性分析,获得设备运行稳定性指数集,其中,所述设备运行稳定性指数集包括K个设备运行稳定性指数;预设预警划分区间,根据所述预警划分区间对所述设备运行稳定性指数集进行区间划分,输出稳定区间划分结果,其中,所述稳定区间划分结果中每一稳定区间中的多个所述目标机器设备具有相同运维等级;根据所述稳定区间划分结果对所述机器设备配置进行多等级运维管理。
第二方面,本申请提供了一种用于工业应用平台的智能管理系统,所述系统包括:设备构成模块,所述设备构成模块用于基于工业应用平台获取目标管理对象的机器设备构成,其中,所述机器设备构成包括K个目标机器设备,K为大于1的正整数;测点设定模块,所述测点设定模块用于对所述K个目标机器设备对应设定K个目标测点,其中,每个所述目标测点对应进行一个所述目标机器设备的设备运行参数监测;参数集获取模块,所述参数集获取模块用于预设监测周期,所述K个目标测点基于所述预设监测周期对所述K个目标机器设备进行设备运行参数采集,获得K个目标运行参数集,其中,每个所述目标运行参数集包括M项设备运行指标-M项设备运行参数,M为正整数;稳定性分析模块,所述稳定性分析模块用于基于所述K个目标运行参数集进行数据稳定性分析,获得设备运行稳定性指数集,其中,所述设备运行稳定性指数集包括K个设备运行稳定性指数;区间划分模块,所述区间划分模块用于预设预警划分区间,根据所述预警划分区间对所述设备运行稳定性指数集进行区间划分,输出稳定区间划分结果,其中,所述稳定区间划分结果中每一稳定区间中的多个所述目标机器设备具有相同运维等级;多等级运维管理模块,所述多等级运维管理模块用于根据所述稳定区间划分结果对所述机器设备配置进行多等级运维管理。
本申请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:
本申请提供的一种用于工业应用平台的智能管理方法及系统,涉及数据处理技术领域,解决了现有技术中不能根据机器设备运行状态进行针对性、个性化的监测管理,导致工业应用平台对于机器设备族群安全运行的效用较低的技术问题,实现了根据机器设备运行状态的合理化精准管控,进而提高机器设备族群安全运行的效用。
附图说明
图1为本申请提供了一种用于工业应用平台的智能管理方法流程示意图;
图2为本申请提供了一种用于工业应用平台的智能管理方法中设备运行稳定性指数集流程示意图;
图3为本申请提供了一种用于工业应用平台的智能管理方法中调整稳定区间划分结果流程示意图;
图4为本申请提供了一种用于工业应用平台的智能管理方法中设备运行参数监测流程示意图;
图5为本申请提供了一种用于工业应用平台的智能管理系统结构示意图。
附图标记说明:设备构成模块1,测点设定模块2,参数集获取模块3,稳定性分析模块4,区间划分模块5,多等级运维管理模块6。
具体实施方式
本申请通过提供一种用于工业应用平台的智能管理方法及系统,用于解决现有技术中不能根据机器设备运行状态进行针对性、个性化的监测管理,导致工业应用平台对于机器设备族群安全运行的效用较低的技术问题。
实施例一
如图1所示,本申请实施例提供了一种用于工业应用平台的智能管理方法,该方法包括:
步骤S100:基于工业应用平台获取目标管理对象的机器设备构成,其中,所述机器设备构成包括K个目标机器设备,K为大于1的正整数;
具体而言,本申请实施例提供的一种用于工业应用平台的智能管理方法应用于一种用于工业应用平台的智能管理系统,为确保后期对设备运行状态进行实时监测、预警和控制,从而及时发现并解决设备故障和异常情况,因此需要在系统所连接的工业应用平台中对目标管理对象的机器折欸构成进行对应确定,示例性的,其目标管理对象可以是火力发电厂中所包含的所有机器设备,同时基于工业应用平台进行火力发电厂中所包含的所有机器设备的运行参数控制以及运行状态的监测,进一步的,该目标管理对象的机器设备构成包含K个目标机器设备,且K为大于1的正整数,是指在目标管理对象所包含的机器设备中至少包含两个机器设备,为后期实现对工业应用平台进行智能管理作为重要参考依据。
步骤S200:对所述K个目标机器设备对应设定K个目标测点,其中,每个所述目标测点对应进行一个所述目标机器设备的设备运行参数监测;
具体而言,在上述机器设备构成中所包含的K个目标机器设备的基础上,对每个目标机器设备均对应设定一个目标测点,即K个目标机器设备对应K个目标测点,且在工业应用平台中所包含的K个目标测点通常是指在生产过程中,通过传感器等设备采集各种参数或信号,并在工业控制系统中进行处理和分析的数据点,通过对K个目标机器所对应的K个目标测点数据的采集和分析,可以实现对工业生产过程的监控、控制和优化,提高生产效率和质量,且每个目标测点均对应进行一个目标机器设备的设备运行参数监测,是指在每个目标测点中均包含与目标机器设备所对应的设备运行参数的监督与测试,进而为实现对工业应用平台进行智能管理做保障。
步骤S300:预设监测周期,所述K个目标测点基于所述预设监测周期对所述K个目标机器设备进行设备运行参数采集,获得K个目标运行参数集,其中,每个所述目标运行参数集包括M项设备运行指标-M项设备运行参数,M为正整数;
具体而言,为保证对每一个目标测点所对应获得的目标机器设备的设备运行参数的准确性,因此需要对该测点的监测周期进行预先设定,其预设检测周期是由相关技术人员根据目标测点的监测数据进行预设,进一步的,以预设监测周期作为基准,将上述与K个目标机器设备所对应设定的K个目标测点对K个目标机器设备采集对应设备的运行参数,设备运行参数可以是设备压力参数、设备速度参数、设备时间参数等,在此基础上,完成对K个目标机器设备所对应的K个目标运行参数集进行获取,其中,每个目标运行参数集均包含M项设备运行指标-M项设备运行参数,且M为正整数,M项设备运行指标是指对K个目标运行参数集进行目标衡量的指标参数,M项设备运行参数是指在K个目标机器设备在运行过程中所包含的各项参数,为后续实现对工业应用平台进行智能管理夯实基础。
步骤S400:基于所述K个目标运行参数集进行数据稳定性分析,获得设备运行稳定性指数集,其中,所述设备运行稳定性指数集包括K个设备运行稳定性指数;
进一步而言,如图2所示,本申请步骤S400还包括:
步骤S410:根据所述K个目标运行参数集提取获得第一目标机器设备的第一目标运行参数集,其中,所述第一目标运行参数集包括M项设备运行指标-M项设备运行参数;
步骤S420:通过对所述M项设备运行参数进行寻优筛选,获得N项关联运行参数,其中,N为<M的正整数;
步骤S430:将所述N项关联运行参数代入设备稳定性指数计算公式,获得第一设备运行稳定性指数,以此类推获得对应于所述K个目标机器设备的K个设备运行稳定性指数;
步骤S440:基于所述K个设备运行稳定性指数构成所述设备运行稳定性指数集。
所述设备稳定性指数计算公式如下:
其中,S为设备运行稳定性指数,n为关联运行参数总共的采样数,ai代表第二关联运行参数,Δai代表第二关联运行参数与第一关联运行参数之间的波动幅值。
进一步而言,本申请步骤S420包括:
步骤S421:根据所述第一目标机器设备的型号信息获得第一标准运行参数集,其中,所述第一标准运行参数集包括M项标准设备运行参数;
步骤S422:根据所述第一目标机器设备的型号信息获得同型号的多个样本目标机器设备的多个历史运行故障记录数据,其中,每个历史运行故障记录数据为所述样本目标机器设备发生运行故障瞬间的M项设备瞬时运行参数;
步骤S423:比对所述历史运行故障记录数据与所述M项标准设备运行参数,获得M项设备运行偏离数组;
步骤S424:根据所述M项设备运行偏离数组提取获得M项参数偏离频次:
步骤S425:对所述M项参数偏离频次进行序列化处理并基于预设频次筛选阈值对序列化处理结果进行筛选,获得N项设备关联指标;
步骤S426:根据所述N项设备关联指标在所述M项设备运行参数中遍历获得所述N项关联运行参数。
进一步而言,本申请步骤S426包括:
步骤S4261:比对所述历史运行故障记录数据与所述M项标准设备运行参数,获得M项设备运行偏离数组;
步骤S4262:基于所述M项设备运行偏离数组和所述M项标准设备运行参数,计算获得M项参数偏离百分比;
步骤S4263:对所述M项参数偏离频次进行序列化处理并基于预设频次筛选阈值对序列化处理结果进行筛选,获得第一筛选结果;
步骤S4264:基于所述第一筛选结果对所述N项设备关联指标进行优化处理,获得设备关联指标优化结果;
步骤S4265:将所述设备关联指标优化结果在所述M项设备运行参数中遍历获得设备关联参数优化结果;
步骤S4266:将所述设备关联参数优化结果替代所述N项关联运行参数。
具体而言,以K个目标运行参数集作为基础,对其进行数据的稳定性分析,是首先根据K个目标运行参数集提取获得第一目标机器设备的第一目标运行参数集,第一目标机器设备是在K个目标机器设备中随机提取的一个目标机器设备,第一目标运行参数是与第一目标设备所对应的并同时被包含在K个目标运行参数集中的目标运行参数集,其中,第一目标运行参数集包括M项设备运行指标-M项设备运行参数,进一步的,通过对M项设备运行参数进行寻优筛选,且M为正整数,是指根据第一目标机器设备的型号信息获得第一标准运行参数集,第一目标机器设备的型号信息与第一目标机器设备为对应关系,因此第一标准运行参数集是与第一目标机器设备所对应的运行参数区间,其中,第一标准运行参数集中包括M项标准设备运行参数,同时根据第一目标机器设备的型号信息获得同型号的多个样本目标机器设备的多个历史运行故障记录数据,是指将第一目标机器设备的型号信息作为基准,对与第一目标机器设备相同型号的所有目标设备作为样本,从而对其在过去时间内所出现过并存在记录的历史故障数据进行提取,其中,每个历史运行故障记录数据为样本目标机器设备发生运行故障瞬间的M项设备瞬时运行参数,即M项中每一个时刻的设备运行参数,进一步的,将多个样本目标设备所包含的历史运行故障记录数据与上述所获的M项标准设备运行参数进行比对,示例性的,若第一目标设备的历史数据存在一个参数在其所对应的标准参数区间内,则当第一目标设备发生故障时,该参数不发生变化,若该参数未在其所对应的标准参数区间内时,当该参数大于标准参数区间时,则将此时的瞬时数据减去区间最大值从而对第一目标设备的偏离数据进行获得,当该参数小于标准参数区间时,则将此时的瞬时数据减去区间最小值并计算绝对从而对第一目标设备的偏离数据进行获得,继而让所计算出的所有偏离数据记作M项设备运行偏离数组,同时对M项设备运行偏离数组进行M项参数偏离频次的提取,是指M项设备在M项设备运行偏离数组中单位时间内所出现的偏离次数,其中所出现的偏离次数越高,则偏离频次越高。
进一步的,对所提取处的M项参数偏离频次进行序列化处理,是指将M项参数偏离频次按照由大到小的序列进行排序处理,继而将所预设的频次筛选阈值作为基础,对所获序列化处理结果进行筛选,其中预设频次筛选阈值由相关技术人员根据M项参数偏离频次的数据量进行预设,并将满足预设频次筛选阈值且在序列化处理结果中位于前列的记作N项设备关联指标,最终根据N项设备关联指标在M项设备运行参数中进行遍历,是指首先基于M项设备运行偏离数组和M项标准设备运行参数,计算获得M项参数偏离百分比,其M项参数偏离百分比的计算方法是:计算获得标准设备允许参数的取值范围作为分母,将偏离数据作为分子,对其百分比进行计算,所计算的百分比越大则说明M项目标设备偏离的越严重。
进一步的,对上述M项参数偏离频次进行序列化处理并基于预设频次筛选阈值对序列化处理结果进行筛选的筛选结果记作第一筛选结果,继而在第一筛选结果的基础上对上述所获的N项设备关联指标进行优化处理,对于N项设备关联指标不同的偏离频次、不同筛选结果、不同目标设备进行专门的设置以获得更好的设备关联指标准确率和设备关联指标指标敏感度,在此基础上对设备关联指标优化结果进行获取,从而将设备关联指标优化结果在M项设备运行参数中进行遍历,是指将设备关联指标优化结果作为基准对M项设备运行参数中的每一个设备运行参数进行访问比对,并根据访问数据对设备运行参数按照设备关联指标优化结果进行参数优化,进一步对设备关联参数优化结果进行获得,最终将所获设备关联参数优化结果替代N项关联运行参数,其中,N为<M的正整数;
为了保障目标设备的稳定性,因此需要将N项关联运行参数代入如下所示的设备稳定性指数计算公式中进行计算:
其中,S为设备运行稳定性指数,n为关联运行参数总共的采样数,ai代表第二关联运行参数,Δai代表第二关联运行参数与第一关联运行参数之间的波动幅值。
该计算公式中,每个运行采样数据的稳定性权重都与其与前一个采样数据之间的波动幅值成反比例关系,即,若两组采样数据相差越小,其稳定性权重就越高。这种设计考虑到了数据的连续性和变化趋势,能够更好地反映数据的稳定性情况,在实际应用中,可以通过不同的参数设置对该计算公式进行调整,以适应不同领域的数据特点和需求。例如,可以调整采样率、波动幅值阈值等参数来控制数据稳定性指数的计算方式和结果。
将N项关联运行参数代入设备稳定性指数计算公式中进行计算并对应输出第一设备运行稳定性指数,进一步的,以此类推获得对应于K个目标机器设备的K个设备运行稳定性指数,最终将所获K个设备运行稳定性指数进行整合汇总后完成对设备运行稳定性指数集的构建,实现对工业应用平台进行智能管理有着推进的作用。
步骤S500:预设预警划分区间,根据所述预警划分区间对所述设备运行稳定性指数集进行区间划分,输出稳定区间划分结果,其中,所述稳定区间划分结果中每一稳定区间中的多个所述目标机器设备具有相同运维等级;
具体而言,为保证对目标设备的运行状态进行实时监测、预警和控制,以此及时发现并解决设备故障和异常情况,首先需要对预警划分区间进行预设,其中预设预警划分区间由相关技术人员根据目标设备所出现的历史故障数据量进行预设,且该预警控制具体方法可以包括自动停机、报警提示、通知维修人员等,进一步的,在所预设的预警划分区间的基础上对上述所获设备运行稳定指数集进行不同预警区间的区间划分,是指由于不同目标设备的稳定性不同,因此其所包含的设备运行稳定性指数也不相同,则需要将设备运行稳定性指数相似的进行聚类,划分出稳定性指数相同或相似的设备运行稳定指数区间,并将划分好的区间记作稳定区间划分结果进行输出,由于不同稳定区间中对目标机器设备的运维等级不同,即稳定性高的区间则对目标机器设备的运维等级低,因此所输出的稳定区间划分结果中每一个稳定区间中所包含的多个目标机器设备均具有相同的运维等级,以便为后期对工业应用平台进行智能管理时作为参照数据。
步骤S600:根据所述稳定区间划分结果对所述机器设备配置进行多等级运维管理。
进一步而言,如图3所示,本申请步骤S600还包括:
步骤S610:对所述目标管理对象进行价值识别,获得目标价值识别结果,其中,所述目标价值识别结果包括K个目标价值指数;
步骤S620:对所述目标管理对象进行运行序列识别,获得关联序列识别结果,其中,所述关联序列识别结果包括K个关联序列指数;
步骤S630:对所述目标价值识别结果和所述关联序列识别结果进行数据融合,获得目标关键值集合,其中,所述目标关键值集合包括K个目标关键值指数;
步骤S640:判断所述K个目标关键值指数是否满足预设关键性阈值,获得满足预设关键性阈值的H个关键机器设备;
步骤S650:基于所述H个关键机器设备调整所述稳定区间划分结果。
具体而言,将上述所获稳定区间划分结果作为基础,对当前的机器设备配置进行对应不同等级的运维管理,是指首先对目标管理对象进行价值识别,价值识别是单个设备单次维修的维修成本,并将其记作目标价值识别结果,其中,目标价值识别结果包括与K个目标机器设备所对应的K个目标价值指数,进一步的,对目标管理对象进行运行序列识别,序列化识别是判断单个设备单次维修是否造成与之构成生产线或存在关联关系的多个设备停摆,关联设备停摆的数据量同步记作单个设备的序列化识别结果的数据量,并将其记作关联序列识别结果,其中,关联序列识别结果包括与K个目标价值指数所对应的K个关联序列指数,进一步的,对上述所获目标价值识别结果以及所获关联序列识别结果进行数据融合,其数据融合的过程是将目标价值识别结果以及所获关联序列识别结果加以联合、相关及组合,获得更为精确的目标机器设备所对应的目标关键值指数估计,并将所估计的所有目标关键值指数进行整合汇总,记作目标关键值集合,其中,目标关键值集合包括K个目标关键值指数,进一步的,对K个目标关键值指数是否满足预设关键性阈值进行判断,其中预设关键性阈值由相关技术人员根据K个目标关键值的数据进行预设,同时将判断K个目标关键值指数满足预设关键性阈值的H个关键机器设备进行提取,并根据所提取的H个关键机器设备对稳定区间划分结果进行调整,由于在故障发现后的存在目标设备的运维滞后,运维成本高的设备会导致设备故障进一步恶化,进而导致运维成本更高,因此调整等级的目的是对于维修成本高且对于其他健康设备的正常运行影响较大的设备也纳入第一等级预警里,第一等级预警为优先级最高的预警,以加快这一类型设备的运维及时性,实现了根据机器设备运行状态的合理化精准管控,进而提高机器设备族群安全运行的效用。
进一步而言,如图4所示,本申请还包括:
步骤S710:预设监测窗口增补规则:
步骤S720:根据所述监测窗口增补规则对所述稳定区间划分结果中的K个目标测点增补监测窗口,获得K个增补监测周期;
步骤S730:基于所述K个增补监测周期进行所述K个目标机器设备的设备运行参数监测。
具体而言,为提高对目标机器设备的监测精准度,因此首先需要对目标机器设备的监测窗口进行预设监测窗口的增补规则,其增补规则可以是述监测窗口原则上应与目标机器设备的数量一致,如目标机器设备存在故障未解决,则进行相应的增补,进一步的,在所设定的监测窗口增补规则的限定内,若目标机器设备存在故障未解决或对故障处理的效用低时,则对稳定区间划分结果中的K个目标测点进行相应增补监测窗口,从而对所增补的监测窗口所对应的K个增补监测周期进行获取,最终以所获K个增补监测周期对K个目标机器设备的设备运行参数进行实时监测控制,在此基础上达到提高对K个目标机器设备的监测精准度,避免运维未解决故障或者故障处理效用低的问题。
综上所述,本申请实施例提供的一种用于工业应用平台的智能管理方法,至少包括如下技术效果,实现了根据机器设备运行状态的合理化精准管控,进而提高机器设备族群安全运行的效用。
实施例二
基于与前述实施例中一种用于工业应用平台的智能管理方法相同的发明构思,如图5所示,本申请提供了一种用于工业应用平台的智能管理系统,系统包括:
设备构成模块1,所述设备构成模块1用于基于工业应用平台获取目标管理对象的机器设备构成,其中,所述机器设备构成包括K个目标机器设备,K为大于1的正整数;
测点设定模块2,所述测点设定模块2用于对所述K个目标机器设备对应设定K个目标测点,其中,每个所述目标测点对应进行一个所述目标机器设备的设备运行参数监测;
参数集获取模块3,所述参数集获取模块3用于预设监测周期,所述K个目标测点基于所述预设监测周期对所述K个目标机器设备进行设备运行参数采集,获得K个目标运行参数集,其中,每个所述目标运行参数集包括M项设备运行指标-M项设备运行参数,M为正整数;
稳定性分析模块4,所述稳定性分析模块4用于基于所述K个目标运行参数集进行数据稳定性分析,获得设备运行稳定性指数集,其中,所述设备运行稳定性指数集包括K个设备运行稳定性指数;
区间划分模块5,所述区间划分模块5用于预设预警划分区间,根据所述预警划分区间对所述设备运行稳定性指数集进行区间划分,输出稳定区间划分结果,其中,所述稳定区间划分结果中每一稳定区间中的多个所述目标机器设备具有相同运维等级;
多等级运维管理模块6,所述多等级运维管理模块6用于根据所述稳定区间划分结果对所述机器设备配置进行多等级运维管理。
进一步而言,系统还包括:
参数集提取模块,所述参数集提取模块用于根据所述K个目标运行参数集提取获得第一目标机器设备的第一目标运行参数集,其中,所述第一目标运行参数集包括M项设备运行指标-M项设备运行参数;
寻优筛选模块,所述寻优筛选模块用于通过对所述M项设备运行参数进行寻优筛选,获得N项关联运行参数,其中,N为<M的正整数;
公式模块,所述公式模块用于将所述N项关联运行参数代入设备稳定性指数计算公式,获得第一设备运行稳定性指数,以此类推获得对应于所述K个目标机器设备的K个设备运行稳定性指数;
指数集构成模块,所述指数集构成模块用于基于所述K个设备运行稳定性指数构成所述设备运行稳定性指数集。
进一步而言,系统还包括:
参数集模块,所述参数集模块用于根据所述第一目标机器设备的型号信息获得第一标准运行参数集,其中,所述第一标准运行参数集包括M项标准设备运行参数;
数据记录模块,所述数据记录模块用于根据所述第一目标机器设备的型号信息获得同型号的多个样本目标机器设备的多个历史运行故障记录数据,其中,每个历史运行故障记录数据为所述样本目标机器设备发生运行故障瞬间的M项设备瞬时运行参数;
第一偏离数组模块,所述第一偏离数组模块用于比对所述历史运行故障记录数据与所述M项标准设备运行参数,获得M项设备运行偏离数组;
偏离频次模块,所述偏离频次模块用于根据所述M项设备运行偏离数组提取获得M项参数偏离频次:
第一筛选模块,所述第一筛选模块用于对所述M项参数偏离频次进行序列化处理并基于预设频次筛选阈值对序列化处理结果进行筛选,获得N项设备关联指标;
第一遍历模块,所述第一遍历模块用于根据所述N项设备关联指标在所述M项设备运行参数中遍历获得所述N项关联运行参数。
进一步而言,系统还包括:
第二偏离数组模块,所述第二偏离数组模块用于比对所述历史运行故障记录数据与所述M项标准设备运行参数,获得M项设备运行偏离数组;
偏离百分比模块,所述偏离百分比模块用于基于所述M项设备运行偏离数组和所述M项标准设备运行参数,计算获得M项参数偏离百分比;
第一筛选模块,所述第一筛选模块用于对所述M项参数偏离频次进行序列化处理并基于预设频次筛选阈值对序列化处理结果进行筛选,获得第一筛选结果;
优化处理模块,所述优化处理模块用于基于所述第一筛选结果对所述N项设备关联指标进行优化处理,获得设备关联指标优化结果;
第二遍历模块,所述第二遍历模块用于将所述设备关联指标优化结果在所述M项设备运行参数中遍历获得设备关联参数优化结果;
结果替代模块,所述结果替代模块用于将所述设备关联参数优化结果替代所述N项关联运行参数。
进一步而言,系统还包括:
价值识别模块,所述价值识别模块用于对所述目标管理对象进行价值识别,获得目标价值识别结果,其中,所述目标价值识别结果包括K个目标价值指数;
运行序列识别模块,所述运行序列识别模块用于对所述目标管理对象进行运行序列识别,获得关联序列识别结果,其中,所述关联序列识别结果包括K个关联序列指数;
数据融合模块,所述数据融合模块用于对所述目标价值识别结果和所述关联序列识别结果进行数据融合,获得目标关键值集合,其中,所述目标关键值集合包括K个目标关键值指数;
判断模块,所述判断模块用于判断所述K个目标关键值指数是否满足预设关键性阈值,获得满足预设关键性阈值的H个关键机器设备;
调整模块,所述调整模块用于基于所述H个关键机器设备调整所述稳定区间划分结果。
进一步而言,系统还包括:
规则模块,所述规则模块用于预设监测窗口增补规则:
窗口模块,所述窗口模块用于根据所述监测窗口增补规则对所述稳定区间划分结果中的K个目标测点增补监测窗口,获得K个增补监测周期;
参数监测模块,所述参数监测模块用于基于所述K个增补监测周期进行所述K个目标机器设备的设备运行参数监测。
本说明书通过前述对一种用于工业应用平台的智能管理方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种用于工业应用平台的智能管理系统,对于实施例公开的装置而言,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。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (4)
1.一种用于工业应用平台的智能管理方法,其特征在于,所述方法包括:
基于工业应用平台获取目标管理对象的机器设备构成,其中,所述机器设备构成包括K个目标机器设备,K为大于1的正整数;
对所述K个目标机器设备对应设定K个目标测点,其中,每个所述目标测点对应进行一个所述目标机器设备的设备运行参数监测;
预设监测周期,所述K个目标测点基于所述预设监测周期对所述K个目标机器设备进行设备运行参数采集,获得K个目标运行参数集,其中,每个所述目标运行参数集包括M项设备运行指标-M项设备运行参数,M为正整数;
基于所述K个目标运行参数集进行数据稳定性分析,获得设备运行稳定性指数集,其中,所述设备运行稳定性指数集包括K个设备运行稳定性指数,包括:
根据所述K个目标运行参数集提取获得第一目标机器设备的第一目标运行参数集,其中,所述第一目标运行参数集包括M项设备运行指标-M项设备运行参数;
通过对所述M项设备运行参数进行寻优筛选,获得N项关联运行参数,其中,N为<M的正整数,包括:
根据所述第一目标机器设备的型号信息获得第一标准运行参数集,其中,所述第一标准运行参数集包括M项标准设备运行参数;
根据所述第一目标机器设备的型号信息获得同型号的多个样本目标机器设备的多个历史运行故障记录数据,其中,每个历史运行故障记录数据为所述样本目标机器设备发生运行故障瞬间的M项设备瞬时运行参数;
比对所述历史运行故障记录数据与所述M项标准设备运行参数,获得M项设备运行偏离数组;
根据所述M项设备运行偏离数组提取获得M项参数偏离频次:
对所述M项参数偏离频次进行序列化处理并基于预设频次筛选阈值对序列化处理结果进行筛选,获得N项设备关联指标;
根据所述N项设备关联指标在所述M项设备运行参数中遍历获得所述N项关联运行参数;将所述N项关联运行参数代入设备稳定性指数计算公式,获得第一设备运行稳定性指数,以此类推获得对应于所述K个目标机器设备的K个设备运行稳定性指数;
基于所述K个设备运行稳定性指数构成所述设备运行稳定性指数集;
其中,所述设备稳定性指数计算公式如下:
其中,S为设备运行稳定性指数,n为关联运行参数总共的采样数,ai代表第二关联运行参数,Δai代表第二关联运行参数与第一关联运行参数之间的波动幅值;
预设预警划分区间,根据所述预警划分区间对所述设备运行稳定性指数集进行区间划分,输出稳定区间划分结果,其中,所述稳定区间划分结果中每一稳定区间中的多个所述目标机器设备具有相同运维等级;
根据所述稳定区间划分结果对所述机器设备配置进行多等级运维管理,包括:
对所述目标管理对象进行价值识别,价值识别是单个设备单次维修的维修成本,获得目标价值识别结果,其中,所述目标价值识别结果包括K个目标价值指数;
对所述目标管理对象进行运行序列识别,序列化识别是判断单个设备单次维修是否造成与之构成生产线或存在关联关系的多个设备停摆,关联设备停摆的数据量同步记作单个设备的序列化识别结果的数据量,获得关联序列识别结果,其中,所述关联序列识别结果包括K个关联序列指数;
对所述目标价值识别结果和所述关联序列识别结果进行数据融合,获得目标关键值集合,其中,所述目标关键值集合包括K个目标关键值指数;
判断所述K个目标关键值指数是否满足预设关键性阈值,获得满足预设关键性阈值的H个关键机器设备;
基于所述H个关键机器设备调整所述稳定区间划分结果。
2.如权利要求1所述的方法,其特征在于,对所述M项参数偏离频次进行序列化处理并基于预设频次筛选阈值对序列化处理结果进行筛选,获得所述N项设备关联运行参数,所述方法还包括:
比对所述历史运行故障记录数据与所述M项标准设备运行参数,获得M项设备运行偏离数组;
基于所述M项设备运行偏离数组和所述M项标准设备运行参数,计算获得M项参数偏离百分比;
对所述M项参数偏离频次进行序列化处理并基于预设频次筛选阈值对序列化处理结果进行筛选,获得第一筛选结果:
基于所述第一筛选结果对所述N项设备关联指标进行优化处理,获得设备关联指标优化结果;
将所述设备关联指标优化结果在所述M项设备运行参数中遍历获得设备关联参数优化结果;
将所述设备关联参数优化结果替代所述N项关联运行参数。
3.如权利要求1所述的方法,其特征在于,所述方法还包括:
预设监测窗口增补规则:
根据所述监测窗口增补规则对所述稳定区间划分结果中的K个目标测点增补监测窗口,获得K个增补监测周期;
基于所述K个增补监测周期进行所述K个目标机器设备的设备运行参数监测。
4.一种用于工业应用平台的智能管理系统,其特征在于,所述系统包括:
设备构成模块,所述设备构成模块用于基于工业应用平台获取目标管理对象的机器设备构成,其中,所述机器设备构成包括K个目标机器设备,K为大于1的正整数;
测点设定模块,所述测点设定模块用于对所述K个目标机器设备对应设定K个目标测点,其中,每个所述目标测点对应进行一个所述目标机器设备的设备运行参数监测;
参数集获取模块,所述参数集获取模块用于预设监测周期,所述K个目标测点基于所述预设监测周期对所述K个目标机器设备进行设备运行参数采集,获得K个目标运行参数集,其中,每个所述目标运行参数集包括M项设备运行指标-M项设备运行参数,M为正整数;
稳定性分析模块,所述稳定性分析模块用于基于所述K个目标运行参数集进行数据稳定性分析,获得设备运行稳定性指数集,其中,所述设备运行稳定性指数集包括K个设备运行稳定性指数;
区间划分模块,所述区间划分模块用于预设预警划分区间,根据所述预警划分区间对所述设备运行稳定性指数集进行区间划分,输出稳定区间划分结果,其中,所述稳定区间划分结果中每一稳定区间中的多个所述目标机器设备具有相同运维等级;
多等级运维管理模块,所述多等级运维管理模块用于根据所述稳定区间划分结果对所述机器设备配置进行多等级运维管理;
参数集提取模块,所述参数集提取模块用于根据所述K个目标运行参数集提取获得第一目标机器设备的第一目标运行参数集,其中,所述第一目标运行参数集包括M项设备运行指标-M项设备运行参数;
寻优筛选模块,所述寻优筛选模块用于通过对所述M项设备运行参数进行寻优筛选,获得N项关联运行参数,其中,N为<M的正整数;
公式模块,所述公式模块用于将所述N项关联运行参数代入设备稳定性指数计算公式,获得第一设备运行稳定性指数,以此类推获得对应于所述K个目标机器设备的K个设备运行稳定性指数,所述设备稳定性指数计算公式如下:
其中,S为设备运行稳定性指数,n为关联运行参数总共的采样数,ai代表第二关联运行参数,Δai代表第二关联运行参数与第一关联运行参数之间的波动幅值;
指数集构成模块,所述指数集构成模块用于基于所述K个设备运行稳定性指数构成所述设备运行稳定性指数集;
参数集模块,所述参数集模块用于根据所述第一目标机器设备的型号信息获得第一标准运行参数集,其中,所述第一标准运行参数集包括M项标准设备运行参数;
数据记录模块,所述数据记录模块用于根据所述第一目标机器设备的型号信息获得同型号的多个样本目标机器设备的多个历史运行故障记录数据,其中,每个历史运行故障记录数据为所述样本目标机器设备发生运行故障瞬间的M项设备瞬时运行参数;
第一偏离数组模块,所述第一偏离数组模块用于比对所述历史运行故障记录数据与所述M项标准设备运行参数,获得M项设备运行偏离数组;
偏离频次模块,所述偏离频次模块用于根据所述M项设备运行偏离数组提取获得M项参数偏离频次:
第一筛选模块,所述第一筛选模块用于对所述M项参数偏离频次进行序列化处理并基于预设频次筛选阈值对序列化处理结果进行筛选,获得N项设备关联指标;
第一遍历模块,所述第一遍历模块用于根据所述N项设备关联指标在所述M项设备运行参数中遍历获得所述N项关联运行参数;
价值识别模块,所述价值识别模块用于对所述目标管理对象进行价值识别,价值识别是单个设备单次维修的维修成本,获得目标价值识别结果,其中,所述目标价值识别结果包括K个目标价值指数;
运行序列识别模块,所述运行序列识别模块用于对所述目标管理对象进行运行序列识别,序列化识别是判断单个设备单次维修是否造成与之构成生产线或存在关联关系的多个设备停摆,关联设备停摆的数据量同步记作单个设备的序列化识别结果的数据量,获得关联序列识别结果,其中,所述关联序列识别结果包括K个关联序列指数;
数据融合模块,所述数据融合模块用于对所述目标价值识别结果和所述关联序列识别结果进行数据融合,获得目标关键值集合,其中,所述目标关键值集合包括K个目标关键值指数;
判断模块,所述判断模块用于判断所述K个目标关键值指数是否满足预设关键性阈值,获得满足预设关键性阈值的H个关键机器设备;
调整模块,所述调整模块用于基于所述H个关键机器设备调整所述稳定区间划分结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310712346.3A CN116757535B (zh) | 2023-06-16 | 2023-06-16 | 一种用于工业应用平台的智能管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310712346.3A CN116757535B (zh) | 2023-06-16 | 2023-06-16 | 一种用于工业应用平台的智能管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116757535A CN116757535A (zh) | 2023-09-15 |
CN116757535B true CN116757535B (zh) | 2023-12-01 |
Family
ID=87949066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310712346.3A Active CN116757535B (zh) | 2023-06-16 | 2023-06-16 | 一种用于工业应用平台的智能管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116757535B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106487574A (zh) * | 2016-04-01 | 2017-03-08 | 国家计算机网络与信息安全管理中心 | 自动化运行维护监测系统 |
CN113537681A (zh) * | 2020-04-20 | 2021-10-22 | 中国石油化工股份有限公司 | 用于炼化企业设备管理信息化的方法及系统 |
CN115081926A (zh) * | 2022-07-14 | 2022-09-20 | 石家庄良村热电有限公司 | 一种适用于智能电厂的运行安全预警方法及系统 |
CN115542866A (zh) * | 2022-11-28 | 2022-12-30 | 江苏未来网络集团有限公司 | 基于工业互联网全连接管理的焊接生产监测方法及系统 |
-
2023
- 2023-06-16 CN CN202310712346.3A patent/CN116757535B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106487574A (zh) * | 2016-04-01 | 2017-03-08 | 国家计算机网络与信息安全管理中心 | 自动化运行维护监测系统 |
CN113537681A (zh) * | 2020-04-20 | 2021-10-22 | 中国石油化工股份有限公司 | 用于炼化企业设备管理信息化的方法及系统 |
CN115081926A (zh) * | 2022-07-14 | 2022-09-20 | 石家庄良村热电有限公司 | 一种适用于智能电厂的运行安全预警方法及系统 |
CN115542866A (zh) * | 2022-11-28 | 2022-12-30 | 江苏未来网络集团有限公司 | 基于工业互联网全连接管理的焊接生产监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116757535A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109813544B (zh) | 一种基于在线监测的旋转机械早期故障诊断方法及系统 | |
CN109284933B (zh) | 一种基于数理统计的电子式互感器状态评估系统及方法 | |
CN110926809A (zh) | 一种基于大数据分析的风电机组传动链故障预警方法 | |
CN114252749B (zh) | 基于多传感器的变压器局部放电检测方法及装置 | |
WO2004109250A1 (en) | Machine and/or process monitoring | |
CN114580666A (zh) | 一种多模式融合电动机智能维护系统 | |
CN117060409B (zh) | 电力线路运行状态自动化检测分析方法及系统 | |
CN116360367A (zh) | 一种工业设备物联网数据采集方法及系统 | |
CN109741927A (zh) | 微型变压器生产线的设备故障和潜在不良品智能预测系统 | |
CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
CN117406026A (zh) | 一种适用于分布式电源的配电网故障检测方法 | |
CN113239132A (zh) | 一种电压互感器的超差在线辨识方法 | |
CN112861350A (zh) | 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法 | |
CN116383633A (zh) | 一种多因素综合分析的机制砂振动筛故障检测方法及系统 | |
CN117078017A (zh) | 一种用于电力电网设备监控智能化决策分析系统 | |
CN115372816A (zh) | 基于数据分析的配电开关设备运行故障预测系统及方法 | |
CN114323642A (zh) | 风电机组振动数据处理系统以及数据稀释方法 | |
US20140058615A1 (en) | Fleet anomaly detection system and method | |
CN116757535B (zh) | 一种用于工业应用平台的智能管理方法及系统 | |
CN116937818A (zh) | 对内部进行实时监控的高压直流配电柜监控系统 | |
CN113036917B (zh) | 一种基于机器学习的配电网监控信息监视系统和方法 | |
CN114037010A (zh) | 一种电量数据异常的识别方法及装置 | |
CN113513304A (zh) | 一种基于抽油机电功图的平衡度检测方法 | |
CN111781554A (zh) | 基于四象限电能量数据的计量装置故障判定方法及系统 | |
CN112742544A (zh) | 一种中速磨煤机动态分离器的调试方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |