CN116797187B - 一种自动化生产线设备数据管理系统 - Google Patents
一种自动化生产线设备数据管理系统 Download PDFInfo
- Publication number
- CN116797187B CN116797187B CN202311080838.1A CN202311080838A CN116797187B CN 116797187 B CN116797187 B CN 116797187B CN 202311080838 A CN202311080838 A CN 202311080838A CN 116797187 B CN116797187 B CN 116797187B
- Authority
- CN
- China
- Prior art keywords
- data
- analysis
- production line
- layer
- value
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 213
- 238000013523 data management Methods 0.000 title claims abstract description 11
- 230000008859 change Effects 0.000 title description 2
- 238000004458 analytical method Methods 0.000 claims abstract description 124
- 238000000034 method Methods 0.000 claims abstract description 57
- 230000008569 process Effects 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000006243 chemical reaction Methods 0.000 claims abstract description 32
- 238000013500 data storage Methods 0.000 claims abstract description 30
- 238000007726 management method Methods 0.000 claims abstract description 22
- 230000005540 biological transmission Effects 0.000 claims abstract description 16
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 238000012544 monitoring process Methods 0.000 claims description 43
- 230000000737 periodic effect Effects 0.000 claims description 23
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000007613 environmental effect Effects 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 10
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 239000001301 oxygen Substances 0.000 claims description 9
- 229910052760 oxygen Inorganic materials 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000009529 body temperature measurement Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000013079 data visualisation Methods 0.000 claims description 6
- 239000000428 dust Substances 0.000 claims description 6
- 238000003754 machining Methods 0.000 claims description 6
- 238000010295 mobile communication Methods 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012827 research and development Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 abstract description 4
- 230000006872 improvement Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003139 buffering effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000010791 quenching Methods 0.000 description 1
- 230000000171 quenching effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24552—Database cache management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24578—Query processing with adaptation to user needs using ranking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于生产线设备管理技术领域,具体是一种自动化生产线设备数据管理系统,包括传感层、数据转换层、数据存储层、智能分析层和应用决策层;传感层用于数据采集和手工输入,数据转换层用于数据过滤、缓存和传输,智能分析层用于通过设备模型、工艺模型以进行智能处理分析,应用决策层用于进行数据应用;本发明通过构建热冲压CPS的“传感层‑数据转换层‑数据存储层‑智能分析层‑应用决策层”体系架构,能够实现对物理系统的智能感知和模型映射,并将决策控制信息反馈到物理控制执行系统,降低热冲压生产线管理难度的同时提升其智能化程度,有助于保证生产效率和生产安全。
Description
技术领域
本发明涉及生产线设备管理技术领域,具体是一种自动化生产线设备数据管理系统。
背景技术
热冲压成形技术是一种通过模具快速冷却同时实现成形和淬火强化的高性能板料成形技术,是获得超高强度构件而又能有效减少回弹,保证模具寿命和合理价格的一个有效的工艺技术,也是实现汽车轻量化,提高汽车安全性的有效途径,目前主要通过热冲压生产线进行相应汽车零部件的生产加工;
但目前难以将生产线实体、生产过程行为、生产环境等要素精准映射到信息空间并进行实时处理反馈,实现从信息到物理融合的双维度视角去解决复杂生产系统的模型构建、决策优化、不确定性问题处理等难题,管理难度大,智能化程度低,难以保证热冲压生产线的安全高效运行;
针对上述的技术缺陷,现提出一种解决方案。
发明内容
本发明的目的在于提供一种自动化生产线设备数据管理系统,解决了现有技术难以将生产线实体、生产过程行为、生产环境等要素精准映射到信息空间并进行实时处理反馈,管理难度大,智能化程度低,不利于保证热冲压生产线安全高效运行的问题。
为实现上述目的,本发明提供如下技术方案:
一种自动化生产线设备数据管理方法,包括以下步骤:
步骤一、进行数据全面采集和手工输入;
步骤二、通过异构互联和协议转换实现数据流动和归约,并通过清洗、降噪获取到必要和有用的数据,且通过缓存以防止5G移动通信网络的传输中断;
步骤三、对数据进行存储,且通过设备模型、工艺模型的智能处理分析以实现数据的价值提升,并给出热冲压工艺的优化建议;
步骤四、进行数据应用,以实现数据可视化处理和智能决策。
进一步的,本发明还提出了一种自动化生产线设备数据管理系统,该自动化生产线设备数据管理系统应用于热冲压生产线,包括传感层、数据转换层、数据存储层、智能分析层和应用决策层;传感层和数据转换层部署在生产现场,数据存储层和智能分析层部署在云计算中心,应用决策层部署在生产管理、生产工艺与过程研发智能决策中心;
传感层用于数据采集和手工输入,包括传感器、控制器采集的数据和人工录入的生产数据;数据转换层用于数据过滤、缓存和传输,传感层发送的数据通过异构互联和协议转换实现数据流动和归约,并通过清洗、降噪获取到有效数据,且通过缓存以防止5G移动通信网络的传输中断;
数据存储层用于数据存储,以满足海量数据存储需求和后续扩展;智能分析层用于通过设备模型、工艺模型以进行智能处理分析,并给出热冲压工艺的优化建议;应用决策层用于进行数据应用,以实现数据可视化处理和智能决策功能;
传感层在进行数据采集时,针对生产线的人员、设备、物料、工艺和环境数据,根据其数据类型、价值以及所遵循的传输协议,通过设备连接管理实现采集,将相同通信协议相同的设备置于同一数据采集装置下,以便于批量处理并对高维数据进行特征提取,以降低数据传输量并提高传输速度,之后分别传输至数据转换层进行后续处理;
在数据转换层,将来自传感层遵循不同通信协议的数据通过信息模型分别转换为符合OPC-UA协议的数据格式并整合,对整合处理后的传感数据采用数据多缓存队列的方法,实现多源传感数据在时间轴上对齐和传感数据获取失效的容错性,通过编写定时任务的方式,将数据定时传输到数据存储层;
在数据存储层,储存来自数据转换层的数据,构建关系型数据库对数据进行管理与调用,并利用云端对生产线状态的映射模型进行训练,且对数据与命令进行处理,云端在获取采集的数据与信息时还将控制及修正指令下发到生产线生产管理系统,在生产线生产管理系统中对设备进行优化控制,以形成完整的CPS闭环。
进一步的,数据多缓存队列的方法具体如下:
为每种设备生产数据建立相应的数据队列,每个数据队列独立运行,通过多个数据队列自主的入队出队机制保障不同源的设备生产数据在数据接收端的时间轴上进行对齐与容错;当数据队列中的数据大于1组时,数据多缓存队列需要采取数据出队的操作,直到数据队列中仅剩1组数据,以保证位于队首的数据总是最新获取的,以及保证数据队列中至少有1组数据,实现通信异常延迟情况下数据的容错性。
进一步的,智能分析层内嵌入有OEE模型,智能分析层在进行智能处理分析时,通过OEE模型进行各子项分析,OEE模型进行分析所采用的分析公式为:TF=Rt*Rp*Rq;
其中,TF表示设备综合利用效率,Rt是设备时间利用率,用于反映设备的时间利用状况;Rp是设备性能利用率,用于反映设备的性能发挥状况;Rq是产品合格率,用于反映设备的有效工作状况;
Rt=设备开动时间/负荷时间;负荷时间=工作时间-计划停机时间-外部因素停机时间;设备开动时间=负荷时间-故障停机时间-调整初始化时间;
RP=设备净开动率*速度开动率;设备净开动率=加工数量*实际加工周期/设备开动时间;速度开动率=理论加工周期/实际加工周期;
Rq=合格品数量/加工数量。
进一步的,智能分析层的运行过程还包括:
获取到所需监管的热冲压生产线,将对应热冲压生产线标记为目标生产线i,i为大于1的自然数;在目标生产线i的运行加工过程中,在目标生产线i所对应的生产区域中设定若干个环境检测点,采集到对应环境检测点的环境有害数据和环境可燃数据,将环境可燃数据和环境有害数据与预设环境可燃数据阈值和预设环境有害数据阈值分别进行数值比较,若环境可燃数据或环境有害数据超过对应预设阈值,则将对应环境检测点标记为一级异常点;
若环境可燃数据和环境有害数据均未超过对应预设阈值,则采集到对应环境检测点的温度、湿度、氧气浓度和粉尘颗粒物浓度,将温度相较于预设适宜生产环境温度的偏离值标记为温测数据,同理获取到湿测数据和氧测数据;将温测数据、湿测数据、氧测数据和粉尘颗粒物浓度进行分析计算得到监测环析值,将监测环析值与预设监测环析阈值进行数值比较,若监测环析值超过预设监测环析阈值,则将对应环境检测点标记为二级异常点。
进一步的,若目标生产线i所对应的生产区域中存在一级异常点,则生成环险预警信号,若目标生产线i中不存在一级异常点和二级异常点,则生成环境安全信号;其余情况则采集目标生产线i中二级异常点的数量,并将对应二级异常点的监测环析值减去预设监测环析阈值以得到监测环析差值,将所有二级异常点的监测环析差值进行均值计算得到监测环析系数,以及将数值最大的监测环析差值标记为监测环析幅值;
将目标生产线i中二级异常点的数量、监测环析系数和监测环析幅值进行数值计算,且将计算结果标记为目标环况值;将目标环况值与预设目标环况阈值进行数值比较,若目标环况值超过预设目标环况阈值,则生成环险预警信号;若目标环况值未超过预设目标环况阈值,则生成环境安全信号。
进一步的,智能分析层还用于将各个热冲压生产线的生产安全状况进行追溯监管分析,据此以判断目标生产线i的生产安全性,并生成周期风险信号或周期安全信号;追溯监管分析的具体分析过程如下:
设定时长为P1的追溯监管周期,采集到目标生产线i在追溯监管周期内生成环险预警信号的次数并标记为环险生成频率;以及采集到每次生成环险预警信号的时刻,将相邻两次生成环险预警信号的时刻进行时间差计算得到环险间隔时长,将所有环险间隔时长进行均值计算得到环险时表值;将环险生成频率与环险时表值进行数值计算得到追溯初析值,将追溯初析值与预设追溯初析阈值进行数值比较,若追溯初析值超过预设追溯初析阈值,则生成周期风险信号;
若追溯初析值未超过预设追溯初析阈值,则采集追溯监管周期内目标生产线i的生产事故频率和设备故障频率,以及生产事故所涉及的操作人员数量;将生产事故频率、设备故障频率以及生产事故所涉及的人员数量进行数值计算获取到追溯总析值,将追溯总析值与预设追溯总析值进行数值比较,若追溯总析值超过预设追溯总析阈值,则生成周期风险信号,若追溯总析值未超过预设追溯总析阈值,则生成周期安全信号。
与现有技术相比,本发明的有益效果是:
1、本发明中,通过传感层进行数据全面采集和手工输入,数据转换层进行数据过滤、缓存和传输,数据存储层进行数据存储以满足海量数据存储需求和后续扩展,智能分析层通过设备模型、工艺模型等智能处理分析以实现数据的价值提升,应用决策层为数据应用而设计以实现数据可视化处理和智能决策等功能;通过构建热冲压CPS的“传感层-数据转换层-数据存储层-智能分析层-应用决策层”体系架构,基于各类传感器对终端数据的采集,能够实现对物理系统的智能感知和模型映射,降低热冲压生产线管理难度的同时提升其智能化程度,以及有助于保证生产效率和生产安全;
2、本发明中,通过将各个热冲压生产线的环境状况进行实时检测分析以生成环险预警信号或环境安全信号,在生成环险预警信号时及时通知相应热冲压生产线的管理人员,以便及时进行相应环境调控或其它处理措施,从而有助于保证相应热冲压生产线的安全高效且持续稳定运行;以及通过将各个热冲压生产线的生产安全状况进行追溯监管分析,据此以生成周期风险信号或周期安全信号,在生成周期风险信号时及时通知相应热冲压生产线的管理人员,以便管理人员针对性的作出相应改善措施,进一步保证相应热冲压生产线的安全高效运行。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明;
图1为本发明的方法流程图;
图2为本发明的整体系统框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一:如图1所示,本发明提出的一种自动化生产线设备数据管理方法,包括以下步骤:
步骤一、进行数据全面采集和手工输入;
步骤二、通过异构互联和协议转换实现数据流动和归约,并通过清洗、降噪获取到必要和有用的数据,且通过缓存以防止5G移动通信网络的传输中断;
步骤三、对数据进行存储,且通过设备模型、工艺模型的智能处理分析以实现数据的价值提升,并给出热冲压工艺的优化建议;
步骤四、进行数据应用,以实现数据可视化处理和智能决策。
实施例二:如图2所示,本发明提出的一种自动化生产线设备数据管理系统,该自动化生产线设备数据管理系统主要应用于热冲压生产线,且该系统采用热冲压生产线CPS的层级模型,包括传感层、数据转换层、数据存储层、智能分析层和应用决策层;热冲压生产线CPS主要用于热冲压工艺参数的监测、生产效率以及生产线运行可靠性分析。它从多个角度描述了生产线和生产过程,用于优化生产流程和工艺。根据CPS的5C层级和生产实际需求,构建了热冲压CPS的“传感层-数据转换层-数据存储层-智能分析层-应用决策层”体系架构,基于各类传感器对终端数据的采集,CPS能够实现对物理系统的智能感知和模型映射,并将决策控制信息反馈到物理控制执行系统;
CPS(即Cyber-PhysicalSystems,是信息物理系统的缩写)是在环境感知的基础上,深度融合计算、通信和控制能力的可控可信可扩展的网络化物理系统,通过计算进程和物理进程相互影响的反馈循环实现深度融合和实时交互来增加或扩展新的功能,以安全、可靠、高效和实时的方式监测或控制物理实体,对于热冲压生产线来说,有了CPS技术,可将生产线实体、生产过程行为、生产环境等要素精准映射到信息空间并进行实时处理反馈,实现从信息到物理融合的双维度视角去解决复杂生产系统的模型构建、决策优化、不确定性问题处理等难题;
具体而言,传感层和数据转换层部署在生产现场,数据存储层和智能分析层部署在云计算中心,应用决策层部署在生产管理、生产工艺与过程研发智能决策中心;传感层用于数据采集和手工输入,包括传感器、控制器采集的数据和人工录入的生产数据;数据转换层用于数据过滤、缓存和传输,一方面,从传感层数据经过异构互联,协议转换实现数据流动和归约,再经过清洗、降噪获取有效数据(主要指用于后续分析的相关数据,包括设备开动时间、负荷时间、设备开动时间、负荷时间等),另一方面,通过缓存防止5G移动通信网络的传输中断;
数据存储层用于数据存储,以满足海量数据存储需求和后续扩展;智能分析层用于通过设备模型、工艺模型等智能处理分析以实现数据的价值提升,并给出热冲压工艺的优化建议;应用决策层是为数据应用设计的,实现了数据可视化处理和智能决策等功能。
传感层在进行数据采集时,针对生产线的人员、设备、物料、工艺和环境数据,根据其数据类型、价值以及所遵循的传输协议,通过设备连接管理实现采集,将相同通信协议相同的设备置于同一数据采集装置下,以便于批量处理并对高维数据进行特征提取,以降低数据传输量并提高传输速度,之后分别传输至数据转换层进行后续处理;
在数据转换层,将来自传感层遵循不同通信协议的数据通过信息模型分别转换为符合OPC-UA协议的数据格式并整合,对整合处理后的传感数据采用数据多缓存队列的方法,实现多源传感数据在时间轴上对齐和传感数据获取失效的容错性,通过编写定时任务的方式,将数据定时传输到数据存储层;
具体而言,由于生产线上的设备异构、生产动作独立,因此,设备生产数据的产生和获取周期也是不确定的。为了将不同传感器的数据在同一时间轴上进行对齐,对整合处理后的传感数据采用数据多缓存队列的方法,数据多缓存队列的方法具体如下:
为每种设备生产数据建立相应的数据队列,每个数据队列独立运行,通过多个数据队列自主的入队出队机制保障不同源的设备生产数据在数据接收端的时间轴上进行对齐与容错,保证了生产数据在数据接收端的时间轴上对齐与容错;数据缓存队列的入队和出队操作总是独立的;当数据队列中的数据大于1组时,数据多缓存队列需要采取数据出队的操作,直到数据队列中仅剩1组数据,以保证位于队首的数据总是最新获取的,以及保证数据队列中至少有1组数据,实现通信异常延迟情况下数据的容错性。
在数据存储层,储存来自数据转换层的数据,构建关系型数据库对数据进行管理与调用,并利用云端对生产线状态的映射模型进行训练,且由于OPC-UA协议支持“写”功能,并结合方法调用,对数据与命令进行处理。云端不仅能够获取采集的数据与信息,还能够将控制及修正指令下发到生产线生产管理系统,在生产线生产管理系统中对设备进行优化控制,进而形成完整的CPS闭环。
智能分析层内嵌入有OEE模型,智能分析层在进行智能处理分析时,通过OEE模型进行各子项分析,以明确生产线效率以及生产的各环节损失,并确定相应的改善工作以帮助企业找到影响生产效率的瓶颈,并进行改进和跟踪;需要进行说明的是,OEE模型中的OEE(OverallEquipmentEffectiveness,它是一种用来评估设备在生产过程中的效率的指标,通过OEE可以找出影响生产效率的根本原因,并提出相应的长期和短期解决措施)是一个独立的测量工具,它用来表现生产线实际的生产能力相对于理论产能的比率;
针对热冲压生产线而言,OEE模型进行分析时所采用的分析公式为:TF=Rt*Rp*Rq;其中,TF表示设备综合利用效率,Rt是设备时间利用率,用于反映设备的时间利用状况;Rp是设备性能利用率,用于反映设备的性能发挥状况;Rq是产品合格率,用于反映设备的有效工作状况;简单来说:一条生产线的可用时间只占运行时间的一部分,在此期间可能只发挥了部分的性能,而且可能只有部分产品是合格品;
Rt=设备开动时间/负荷时间;负荷时间=工作时间-计划停机时间-外部因素停机时间;设备开动时间=负荷时间-故障停机时间-调整初始化时间(包括更换生产线产品规格、更换生产模具等生产活动所用时间);
RP=设备净开动率*速度开动率;设备净开动率=加工数量*实际加工周期/设备开动时间;速度开动率=理论加工周期/实际加工周期;Rq=合格品数量/加工数量。
根据上述OEE计算模型所涉及的生产过程数据变量,可以得知生产线生产效率低与产品合格率对该生产线TF指标干扰较大,通过测算可以快速的知道生产过程环节存在什么问题;例如,生产线生产效率在某一个时间段很低,说明在生产损失中和TF可用率损失有关的故障太多,那么就应该把过程控制和改善重点放在对这些问题的影响方面。
同理,如果质量指数或者表现性导致生产线TF水平降低,那么应该把关注调整的重点放在和质量有关的问题点上。通过将上述理论模型应用到生产线实际生产过程中,以进行生产线生产流程的验证和优化。热冲压生产线CPS还可以监测热冲压生产线成形压力、加热参数和模具温度等各种关键工艺参数,并实现连续的关键工艺参数对比,这些参数指标可以用于评估热冲压生产线的整体稳定性。
实施例三:本实施例与实施例二的区别在于,智能分析层的运行过程还包括:
获取到所需监管的热冲压生产线,将对应热冲压生产线标记为目标生产线i,i为大于1的自然数;在目标生产线i的运行加工过程中,在目标生产线i所对应的生产区域中设定若干个环境检测点,采集到对应环境检测点的环境有害数据和环境可燃数据,其中,环境有害数据是表示对应区域环境中有害气体浓度大小的数据量值,环境可燃数据是表示对应区域环境中可燃气体浓度大小的数据量值;将环境可燃数据和环境有害数据与预设环境可燃数据阈值和预设环境有害数据阈值分别进行数值比较,若环境可燃数据或环境有害数据超过对应预设阈值,表明对应环境检测点的环境状况极差,存在较严重的安全隐患,则将对应环境检测点标记为一级异常点;
若环境可燃数据和环境有害数据均未超过对应预设阈值,则采集到对应环境检测点的温度、湿度、氧气浓度和粉尘颗粒物浓度,将温度相较于预设适宜生产环境温度的偏离值标记为温测数据,同理获取到湿测数据和氧测数据;通过公式CX=a1*WC+a2*SC+a3*YC+a4*FC将温测数据WC、湿测数据SC、氧测数据YC和粉尘颗粒物浓度FC进行分析计算得到监测环析值CX,其中,a1、a2、a3、a4为预设权重系数,a1、a2、a3、a4的取值均大于零;并且,监测环析值CX的数值越大,表明对应环境检测点的环境状况越差,越不利于安全生产;将监测环析值CX与预设监测环析阈值进行数值比较,若监测环析值CX超过预设监测环析阈值,则将对应环境检测点标记为二级异常点;
若目标生产线i所对应的生产区域中存在一级异常点,则生成环险预警信号,若目标生产线i中不存在一级异常点和二级异常点,则生成环境安全信号;其余情况则采集目标生产线i中二级异常点的数量,并将对应二级异常点的监测环析值减去预设监测环析阈值以得到监测环析差值,将所有二级异常点的监测环析差值进行均值计算得到监测环析系数,以及将数值最大的监测环析差值标记为监测环析幅值;
通过公式BKi=bp1*EYi+bp2*HXi+bp3*HFi将目标生产线i中二级异常点的数量EYi、监测环析系数HXi和监测环析幅值HFi进行数值计算,且将计算结果标记为目标环况值BKi;其中,bp1、bp2、bp3为预设权重系数,bp1>bp2>bp3>0;并且,目标环况值BKi的数值越大,则表明目标生产线i的整体生产环境状况越差,越不利于保证目标生产线i的安全高效生产;将目标环况值与预设目标环况阈值进行数值比较,若目标环况值超过预设目标环况阈值,则生成环险预警信号;若目标环况值未超过预设目标环况阈值,则生成环境安全信号;在生成环险预警信号时及时通知相应热冲压生产线的管理人员,以便及时进行相应环境调控或其它处理措施,从而有助于保证相应热冲压生产线的安全高效且持续稳定运行。
实施例四:本实施例与实施例二、实施例三的区别在于,智能分析层还用于将各个热冲压生产线的生产安全状况进行追溯监管分析,据此以判断目标生产线i的生产安全性,并生成周期风险信号或周期安全信号,在生成周期风险信号时及时通知相应热冲压生产线的管理人员,以便管理人员针对性的作出相应改善措施,包括加强员工培训和现场监督管理等,从而进一步保证相应热冲压生产线的安全高效运行;追溯监管分析的具体分析过程如下:
设定时长为P1的追溯监管周期,采集到目标生产线i在追溯监管周期内生成环险预警信号的次数并标记为环险生成频率;以及采集到每次生成环险预警信号的时刻,将相邻两次生成环险预警信号的时刻进行时间差计算得到环险间隔时长,将所有环险间隔时长进行均值计算得到环险时表值;通过公式ZXi=rp1*HPi+rp2/(XSi+0.835)将环险生成频率HPi与环险时表值XSi进行数值计算得到追溯初析值ZXi,其中,rp1、rp2为预设比例系数,rp2>rp1>0;并且,追溯初析值ZXi的数值越大,表明目标生产线i的周期运行安全表现越差;将追溯初析值ZXi与预设追溯初析阈值进行数值比较,若追溯初析值ZXi超过预设追溯初析阈值,则生成周期风险信号;
若追溯初析值ZXi未超过预设追溯初析阈值,则采集到追溯监管周期内目标生产线i的生产事故频率和设备故障频率,生产事故频率和设备故障频率是表示生产事故次数多少和设备故障次数多少的数据量值;以及采集追溯监管周期内目标生产线i的生产事故所涉及的操作人员数量;通过公式ZPi=rq1*SGi+rq2*SLi+rq3*SRi将生产事故频率SGi、设备故障频率SLi以及生产事故所涉及的人员数量SRi进行数值计算获取到追溯总析值ZPi;
其中,rq1、rq2、rq3为预设权重系数,rq1、rq2、rq3的取值均大于零;并且,追溯总析值ZPi的数值越大,则表明目标生产线i的周期运行安全表现越差;将目标生产线i的追溯总析值ZPi与预设追溯总析值进行数值比较,若追溯总析值ZPi超过预设追溯总析阈值,表明目标生产线i的周期运行安全表现较差,则生成周期风险信号,若追溯总析值ZPi未超过预设追溯总析阈值,表明目标生产线i的周期运行安全表现较好,则生成周期安全信号。
本发明的工作原理:使用时,通过传感层进行数据全面采集和手工输入,数据转换层进行数据过滤、缓存和传输,经过异构互联,协议转换实现数据流动和归约,再经过清洗、降噪获取必要和有用的数据,以及通过缓存防止5G移动通信网络的传输中断;数据存储层进行数据存储以满足海量数据存储需求和后续扩展,智能分析层通过设备模型、工艺模型等智能处理分析以实现数据的价值提升,并给出热冲压工艺的优化建议;应用决策层是为数据应用设计的,实现了数据可视化处理和智能决策等功能;通过从多个角度描述生产线和生产过程以用于优化生产流程和工艺,构建热冲压CPS的“传感层-数据转换层-数据存储层-智能分析层-应用决策层”体系架构,基于各类传感器对终端数据的采集,能够实现对物理系统的智能感知和模型映射,并将决策控制信息反馈到物理控制执行系统,降低热冲压生产线管理难度的同时提升其智能化程度,以及有助于保证生产效率和生产安全。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况进行设置。以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (3)
1.一种自动化生产线设备数据管理系统,该自动化生产线设备数据管理系统应用于热冲压生产线,其特征在于,包括传感层、数据转换层、数据存储层、智能分析层和应用决策层;传感层和数据转换层部署在生产现场,数据存储层和智能分析层部署在云计算中心,应用决策层部署在生产管理、生产工艺与过程研发智能决策中心;
传感层用于数据采集和手工输入,包括传感器、控制器采集的数据和人工录入的生产数据;数据转换层用于数据过滤、缓存和传输,传感层发送的数据通过异构互联和协议转换实现数据流动和归约,并通过清洗、降噪获取到有效数据,且通过缓存以防止5G移动通信网络的传输中断;
数据存储层用于数据存储,以满足海量数据存储需求和后续扩展;智能分析层用于通过设备模型、工艺模型以进行智能处理分析,并给出热冲压工艺的优化建议;应用决策层用于进行数据应用,以实现数据可视化处理和智能决策功能;
传感层在进行数据采集时,针对生产线的人员、设备、物料、工艺和环境数据,根据其数据类型、价值以及所遵循的传输协议,通过设备连接管理实现采集,将相同通信协议相同的设备置于同一数据采集装置下,以便于批量处理并对高维数据进行特征提取,以降低数据传输量并提高传输速度,之后分别传输至数据转换层进行后续处理;
在数据转换层,将来自传感层遵循不同通信协议的数据通过信息模型分别转换为符合OPC-UA协议的数据格式并整合,对整合处理后的传感数据采用数据多缓存队列的方法,实现多源传感数据在时间轴上对齐和传感数据获取失效的容错性,通过编写定时任务的方式,将数据定时传输到数据存储层;
在数据存储层,储存来自数据转换层的数据,构建关系型数据库对数据进行管理与调用,并利用云端对生产线状态的映射模型进行训练,且对数据与命令进行处理,云端在获取采集的数据与信息时还将控制及修正指令下发到生产线生产管理系统,在生产线生产管理系统中对设备进行优化控制,以形成完整的CPS闭环;
智能分析层的运行过程还包括:
获取到所需监管的热冲压生产线,将对应热冲压生产线标记为目标生产线i,i为大于1的自然数;在目标生产线i的运行加工过程中,在目标生产线i所对应的生产区域中设定若干个环境检测点,采集到对应环境检测点的环境有害数据和环境可燃数据,将环境可燃数据和环境有害数据与预设环境可燃数据阈值和预设环境有害数据阈值分别进行数值比较,若环境可燃数据或环境有害数据超过对应预设阈值,则将对应环境检测点标记为一级异常点;
若环境可燃数据和环境有害数据均未超过对应预设阈值,则采集到对应环境检测点的温度、湿度、氧气浓度和粉尘颗粒物浓度,将温度相较于预设适宜生产环境温度的偏离值标记为温测数据,同理获取到湿测数据和氧测数据;通过公式将温测数据WC、湿测数据SC、氧测数据YC和粉尘颗粒物浓度FC进行分析计算得到监测环析值CX,其中,a1、a2、a3、a4为预设权重系数,a1、a2、a3、a4的取值均大于零;将监测环析值与预设监测环析阈值进行数值比较,若监测环析值超过预设监测环析阈值,则将对应环境检测点标记为二级异常点;
若目标生产线i所对应的生产区域中存在一级异常点,则生成环险预警信号,若目标生产线i中不存在一级异常点和二级异常点,则生成环境安全信号;其余情况则采集目标生产线i中二级异常点的数量,并将对应二级异常点的监测环析值减去预设监测环析阈值以得到监测环析差值,将所有二级异常点的监测环析差值进行均值计算得到监测环析系数,以及将数值最大的监测环析差值标记为监测环析幅值;
通过公式将目标生产线i中二级异常点的数量EYi、监测环析系数HXi和监测环析幅值HFi进行数值计算,且将计算结果标记为目标环况值BKi;其中,bp1、bp2、bp3为预设权重系数,bp1>bp2>bp3>0;将目标环况值与预设目标环况阈值进行数值比较,若目标环况值超过预设目标环况阈值,则生成环险预警信号;若目标环况值未超过预设目标环况阈值,则生成环境安全信号;
智能分析层还用于将各个热冲压生产线的生产安全状况进行追溯监管分析,据此以判断目标生产线i的生产安全性,并生成周期风险信号或周期安全信号;追溯监管分析的具体分析过程如下:
设定时长为P1的追溯监管周期,采集到目标生产线i在追溯监管周期内生成环险预警信号的次数并标记为环险生成频率;以及采集到每次生成环险预警信号的时刻,将相邻两次生成环险预警信号的时刻进行时间差计算得到环险间隔时长,将所有环险间隔时长进行均值计算得到环险时表值;通过公式将环险生成频率HPi与环险时表值XSi进行数值计算得到追溯初析值ZXi,其中,rp1、rp2为预设比例系数,rp2>rp1>0;将追溯初析值与预设追溯初析阈值进行数值比较,若追溯初析值超过预设追溯初析阈值,则生成周期风险信号;
若追溯初析值未超过预设追溯初析阈值,则采集追溯监管周期内目标生产线i的生产事故频率和设备故障频率,以及生产事故所涉及的操作人员数量;通过公式将生产事故频率SGi、设备故障频率SLi以及生产事故所涉及的人员数量SRi进行数值计算获取到追溯总析值ZPi;其中,rq1、rq2、rq3为预设权重系数,rq1、rq2、rq3的取值均大于零;将追溯总析值与预设追溯总析值进行数值比较,若追溯总析值超过预设追溯总析阈值,则生成周期风险信号,若追溯总析值未超过预设追溯总析阈值,则生成周期安全信号。
2.根据权利要求1所述的一种自动化生产线设备数据管理系统,其特征在于,数据多缓存队列的方法具体如下:
为每种设备生产数据建立相应的数据队列,每个数据队列独立运行,通过多个数据队列自主的入队出队机制保障不同源的设备生产数据在数据接收端的时间轴上进行对齐与容错;当数据队列中的数据大于1组时,数据多缓存队列采取数据出队的操作,直到数据队列中仅剩1组数据,以保证位于队首的数据总是最新获取的,以及保证数据队列中至少有1组数据,实现通信异常延迟情况下数据的容错性。
3.根据权利要求1所述的一种自动化生产线设备数据管理系统,其特征在于,智能分析层内嵌入有OEE模型,智能分析层在进行智能处理分析时,通过OEE模型进行各子项分析,OEE模型进行分析所采用的分析公式为:;
其中,TF表示设备综合利用效率,Rt是设备时间利用率,用于反映设备的时间利用状况;Rp是设备性能利用率,用于反映设备的性能发挥状况;Rq是产品合格率,用于反映设备的有效工作状况;
Rt=设备开动时间/负荷时间;负荷时间=工作时间-计划停机时间-外部因素停机时间;设备开动时间=负荷时间-故障停机时间-调整初始化时间;
RP=设备净开动率*速度开动率;设备净开动率=加工数量*实际加工周期/设备开动时间;速度开动率=理论加工周期/实际加工周期;
Rq=合格品数量/加工数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311080838.1A CN116797187B (zh) | 2023-08-25 | 2023-08-25 | 一种自动化生产线设备数据管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311080838.1A CN116797187B (zh) | 2023-08-25 | 2023-08-25 | 一种自动化生产线设备数据管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116797187A CN116797187A (zh) | 2023-09-22 |
CN116797187B true CN116797187B (zh) | 2023-11-03 |
Family
ID=88044218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311080838.1A Active CN116797187B (zh) | 2023-08-25 | 2023-08-25 | 一种自动化生产线设备数据管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116797187B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078113B (zh) * | 2023-10-16 | 2024-04-02 | 超耐斯(深圳)新能源集团有限公司 | 一种基于数据分析的户外电池生产质量管理系统 |
CN117946292B (zh) * | 2024-03-22 | 2024-06-07 | 青岛浩大海洋生物科技股份有限公司 | 一种海藻多糖衍生物的制备方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190134879A (ko) * | 2018-05-03 | 2019-12-05 | 손영욱 | 클라우드 기반 인공지능 음성인식을 이용한 맞춤형 스마트팩토리 생산관리 통합 서비스 제공 방법 |
CN110751457A (zh) * | 2019-09-27 | 2020-02-04 | 中国兵器装备集团上海电控研究所 | 生产线智能化综合信息管理系统 |
CN113962439A (zh) * | 2021-09-23 | 2022-01-21 | 郭志良 | 基于工业大数据的云平台数据管理系统及其构建方法 |
CN114859835A (zh) * | 2022-05-09 | 2022-08-05 | 广西安讯科技股份有限公司 | 一种智能工厂信息化系统 |
CN115984028A (zh) * | 2023-03-21 | 2023-04-18 | 山东科翔智能科技有限公司 | 基于ai技术的智慧农业生产数据决策管理系统 |
CN115982996A (zh) * | 2022-12-28 | 2023-04-18 | 西南交通大学 | 复杂装备制造过程数字孪生建模与仿真方法与系统 |
CN116184926A (zh) * | 2023-04-21 | 2023-05-30 | 山东力乐新材料有限公司 | 一种面向塑料中空板的全自动智能生产线流程检测系统 |
CN116304256A (zh) * | 2023-03-22 | 2023-06-23 | 北京凡米物联科技有限公司 | 一种煤矿安全大数据湖构建及数据利用方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230004911A1 (en) * | 2021-06-30 | 2023-01-05 | EMC IP Holding Company LLC | Early-warning data-informed business spend and actuation |
-
2023
- 2023-08-25 CN CN202311080838.1A patent/CN116797187B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190134879A (ko) * | 2018-05-03 | 2019-12-05 | 손영욱 | 클라우드 기반 인공지능 음성인식을 이용한 맞춤형 스마트팩토리 생산관리 통합 서비스 제공 방법 |
CN110751457A (zh) * | 2019-09-27 | 2020-02-04 | 中国兵器装备集团上海电控研究所 | 生产线智能化综合信息管理系统 |
CN113962439A (zh) * | 2021-09-23 | 2022-01-21 | 郭志良 | 基于工业大数据的云平台数据管理系统及其构建方法 |
CN114859835A (zh) * | 2022-05-09 | 2022-08-05 | 广西安讯科技股份有限公司 | 一种智能工厂信息化系统 |
CN115982996A (zh) * | 2022-12-28 | 2023-04-18 | 西南交通大学 | 复杂装备制造过程数字孪生建模与仿真方法与系统 |
CN115984028A (zh) * | 2023-03-21 | 2023-04-18 | 山东科翔智能科技有限公司 | 基于ai技术的智慧农业生产数据决策管理系统 |
CN116304256A (zh) * | 2023-03-22 | 2023-06-23 | 北京凡米物联科技有限公司 | 一种煤矿安全大数据湖构建及数据利用方法 |
CN116184926A (zh) * | 2023-04-21 | 2023-05-30 | 山东力乐新材料有限公司 | 一种面向塑料中空板的全自动智能生产线流程检测系统 |
Non-Patent Citations (3)
Title |
---|
Anomaly detection in streaming environmental sensor data: A data-driven modeling approach;David J. Hill a, Barbara S. Minsker;《Environmental Modelling & Software》;1014-1022 * |
施工危险区域信标传感器预警系统设计及测试分析;孔繁盛;《CNKI优秀硕士学位论文全文库》;1-66 * |
物联网技术在油气管道中的应用展望;崔红升;魏政;;油气储运(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116797187A (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116797187B (zh) | 一种自动化生产线设备数据管理系统 | |
US11340142B2 (en) | System and method for monitoring manufacturing | |
CN112085261B (zh) | 基于云端融合和数字孪生技术的企业生产现状诊断方法 | |
CN101477374B (zh) | 基于模糊神经网络的连铸漏钢时序空间组合诊断预报方法 | |
CN104808587A (zh) | 一种基于机加工设备运行状态的稼动率统计方法 | |
CN115186883A (zh) | 基于边云协同计算的工业设备健康状态监测系统及方法 | |
CN112506097A (zh) | 一种基于工业互联网的胎架远程监测系统及监测方法 | |
CN116594346B (zh) | 一种石墨加热器用智能控制系统及控制方法 | |
WO2024065988A1 (zh) | 设备监测方法和系统、电子设备、存储介质 | |
CN109100994A (zh) | 一种电池生产线实时监控方法 | |
CN114297265A (zh) | 基于物联技术的智能运维方法 | |
CN107015540A (zh) | 一种基于dcs的生产数据实时采集系统 | |
Shan et al. | Key technologies of real-time visualization system for intelligent manufacturing equipment operating state under IIOT environment | |
CN110794799A (zh) | 应用于工业生产的具有故障诊断功能的大数据系统 | |
CN106603396B (zh) | 一种基于总线型数据交换的物联网接入网关 | |
CN116992346A (zh) | 一种基于人工智能大数据分析的企业生产数据处理系统 | |
CN116090626A (zh) | 一种基于云边协同的风电机组状态评估与智能预警系统及方法 | |
CN115640980A (zh) | 基于目标控制的电网工程造价动态管理系统 | |
CN112380818B (zh) | 一种基于图形操作变更单自动成票系统 | |
CN102789182A (zh) | 基于arm的风力发电机齿轮箱润滑油在线监测控制平台 | |
CN105809257A (zh) | 一种基于电力通信网络的触发式状态检修方法 | |
CN108873823B (zh) | 数据管理和传输系统 | |
CN110426997A (zh) | 推焦车状态远程监测系统 | |
CN110764475A (zh) | 一种基于云计算和大数据技术的火电厂远程监控系统 | |
Yi et al. | Construction of intelligent control platform for forging production line based on cyber-physical system |
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 |