CN116797201A - 数据处理方法、系统、装置、设备及介质 - Google Patents
数据处理方法、系统、装置、设备及介质 Download PDFInfo
- Publication number
- CN116797201A CN116797201A CN202310660369.4A CN202310660369A CN116797201A CN 116797201 A CN116797201 A CN 116797201A CN 202310660369 A CN202310660369 A CN 202310660369A CN 116797201 A CN116797201 A CN 116797201A
- Authority
- CN
- China
- Prior art keywords
- data
- target
- time
- insight
- equipment
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 230000000007 visual effect Effects 0.000 claims abstract description 94
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims description 26
- 230000004044 response Effects 0.000 claims description 24
- 238000004519 manufacturing process Methods 0.000 claims description 22
- 238000012423 maintenance Methods 0.000 claims description 16
- 238000012800 visualization Methods 0.000 claims description 15
- 230000003068 static effect Effects 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 5
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 19
- 238000010586 diagram Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012417 linear regression Methods 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
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请实施例提供数据处理方法、系统、装置、设备及介质。该方法包括:获取用于表示目标设备的设备属性的时序数据;响应于用户对时序数据在设备属性维度和时间维度的选择操作,生成包含有与所述设备属性相关的预测结果的洞察可视图;基于包含有所述预测结果的所述洞察可视图基于所述洞察可视图中包含的所述时序数据和所述预测结果,生成针对所述目标设备的设备管理建议。基于洞察可视图可以进一步分析生成针对该目标设备的设备管理建议。不同于现有技术中仅提供专业的设备相关数据,而是提供用户能够理解的设备管理建议,简化用户面对专业的设备相关时序数据的分析工作,减少分析工作所耗费的时间。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及数据处理方法、系统、装置、设备及介质。
背景技术
随着自动化技术的发展,越来越多的工厂利用自动化设备进行产品生成加工。为了确保设备安全稳定运行,需要对设备相关状态进行全面掌握。
在现有的自动化生成车间中,每台设备能够对自身工作状态数据进行反馈,但是所反馈的工作状态数据都是一些底层零散数据,还需要设备工程师进一步根据自己的工作经验和专业知识,对数据进行分析,根据分析结果对设备进行管理或维护。此外,由于设备所呈现出的工作状态数据是当前设备真实状态相关数据,若这些数据存在问题,则表示当前设备已经出现问题,此时针对性解决问题往往具有一定的滞后性。
发明内容
为解决或改善现有技术中存在的问题,本申请各实施例提供了数据处理方法、系统、装置、设备及介质。
第一方面,在本申请的一个实施例中,提供了一种数据处理方法。应用于服务器,该方法包括:
获取用于表示目标设备的设备属性的时序数据;
响应于用户对时序数据在设备属性维度和时间维度的选择操作,生成包含有与所述设备属性相关的预测结果的洞察可视图;
基于所述洞察可视图中包含的所述时序数据和所述预测结果,生成针对所述目标设备的设备管理建议。
第二方面,在本申请的一个实施例中,提供了一种数据处理方法。应用于客户端,该方法包括:
基于包含有目标设备的时序数据的显示界面,将用户对所述时序数据对应的设备属性维度和时间维度的选择操作发送给服务器;
接收所述服务器返回的洞察可视图和设备管理建议;其中,所述洞察可视图的生成方式包括:响应于用户对时序数据在设备属性维度和时间维度的选择操作,生成包含有与所述设备属性相关的预测结果的洞察可视图;所述设备管理建议的生成方式包括:基于所述洞察可视图中包含的所述时序数据和所述预测结果,生成针对所述目标设备的设备管理建议。
第三方面,本申请的一个实施例中,提供了一种数据处理装置,所述装置包括:
获取模块,用于获取用于表示目标设备的设备属性的时序数据;
第一生成模块,用于响应于用户对时序数据在设备属性维度和时间维度的选择操作,生成包含有与所述设备属性相关的预测结果的洞察可视图;
第二生成模块,用于基于所述洞察可视图中包含的所述时序数据和所述预测结果,生成针对所述目标设备的设备管理建议。
第四方面,本申请的一个实施例中,提供了一种应用操作系统,包括:
生产设备,用于向服务器提供时序数据;
所述服务器,用于执行第一方面中任一项所述的方法;
客户端,用于执行第二方面中所述的方法。
第五方面,在本申请的一个实施例中,提供了一种电子设备,包括存储器及处理器;其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以用于实现第一方面所述的方法或用于实现第二方面所述的方法。
第六方面,在本申请的一个实施例中,提供了一种非暂时性机器可读存储介质,所述非暂时性机器可读存储介质上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如第一方面所述的方法,或执行如第二方面所述的方法。
本申请实施例提供的技术方案,在设备生成运行过程中,会对设备进行时序数据的实时收集以及存储。不仅能够获取到目标设备的设备属性相关的时序数据,还能够获取到生产线中其他设备的时序数据。进而,根据用户的选择操作,从多个设备中选择目标设备,以及选择用于表示该设备属性的时序数据。进而,根据时序数据生成对应的预测结果。并生成包含有预测结果的洞察可视图,通过洞察可视图全面展示用户所选择的时序数据的数据趋势以及相关预测结果,并且从该图中可以直观的看到时序数据与预测结果的对应关系。进一步地,基于洞察可视图可以进一步分析生成针对该目标设备的设备管理建议。不同于现有技术中仅提供专业的设备相关数据,而是提供用户能够理解的设备管理建议,简化用户面对专业的设备相关时序数据的分析工作,减少分析工作所耗费的时间。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的数据处理方法的流程示意图;
图2为本申请实施例举例说明的洞察可视图的示意图;
图3为本申请实施例举例说明的包含预警值的洞察可视图的示意图;
图4为本申请实施例提供的一种数据处理装置的示意图;
图5为本申请实施例提供的系统结构示意图;
图6为本申请实施例提供的一种电子设备的结构示意图;
图7a为本申请实施例提供的并列处理的示意图;
图7b为本申请实施例提供的共享处理的示意图;
图7c为本申请实施例提供的叠加处理的示意图;
图7d为本申请实施例提供的通过列表设置选择操作的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
在本申请的说明书、权利要求书及上述附图中描述的一些流程中,包含了按照特定顺序出现的多个操作,这些操作可以不按照其在本文中出现的顺序来执行或并行执行。操作的序号如101、102等,仅仅是用于区分各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。此外,下文描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域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,都属于本申请保护的范围。
随着工业生产自动化水平的提高,由大量自动化设备按照工艺流程进行排列并执行既定任务。每台设备都有大量设备的工作状态数据,需要专业的设备工程师才能了解各个工作状态数据的含义。当面对一台设备时,设备工程师还能够相对容易的找到自己所需的工作状态数据,并根据工作状态数据分析该设备的工作状态,以及确定是否需要针对该设备进行维护。然而,当面对很多台设备大量工作状态数据的时候,设备工程师也无法快速从中找到所需要的数据,更难以根据很多工作状态数据对设备的工作状态进行准确分析。此外,现有技术中虽然有很多对数据采集、整理并将这些数据可视化呈现的能力,但是,这些数据到底代表什么含义,以及接下来该对设备进行哪些管理、维护操作还需要依赖设备工程师根据专业知识和工作经验进行分析。因此,需要一种能够将目标设备的时序数据按照用户需求进行数据处理的解决方案。
术语解释:
数据洞察:区分于数据分析和数据挖掘,数据洞察主要瞄准的是数据的直接使用者,有三个关键要素:数据、场景、标准。数据分析和数据挖掘更加偏向于数据处理的手段,通过业务或者机器的方式将数据加工成一些信息。而数据洞察更强调的对多种信息的加工和处理——结合场景,产出对于发展有价值的逻辑分析结果。数据洞察结果可以通过洞察可视图和文字形式呈现给用户。
时序数据:时序数据是时间序列数据,即带有时间戳的数据序列。这个序列中的一个数据也成为数据点(data point),一个数据点通常是一个(timestamp,value)对。以冰箱为例,冰箱的温度可以组成时序数据的一条线,而电压、电流则构成另外的一条时序数据;两条时序数据的节奏可以是不同的。多点位是指一个设备有多个属性,比如冰箱包括温度、电压、电流等多个点位时序数据。
设备工程师:主要是工业生产中,负责工业工厂,车间,产线下,设备的运转控制,调试,维护的专业工作人员,主要关注点是设备的效率性能,而不是IT数据技能。工程师常常依靠个人的经验,对设备的熟悉程度等,来对设备进行运维诊断,以此确保工业生产的持续稳定运行,确保企业经营的正常运转。
下面将结合具体实施例对本申请实现的技术方案进行解释说明。
如图1为本申请实施例提供的数据处理方法的流程示意图。该方法的执行主体可以是远程证明装置。从图1中可以看到具体包括如下步骤:
101:获取用于表示目标设备的设备属性的时序数据。
102:响应于用户对时序数据在设备属性维度和时间维度的选择操作,生成包含有与所述设备属性相关的预测结果的洞察可视图。
103:基于所述洞察可视图中包含的所述时序数据和所述预测结果,生成针对所述目标设备的设备管理建议。
需要说明的是,这里所说的时序数据是包含有时间标识的表示设备属性的数据(比如,以键值对形式建立包含有时间标识和数据的时序数据)。也就是通过按照时间顺序采集的多个数据,并且为每个数据关联上对应的时间标识。该时序数据能够准确记录设备相关设备属性的动态变化情况。并且,还能够基于这些时序数据推测出后续相关设备属性的变化情况。
这里所说的用户选择的时间维度,可以是时间段,也可以是一个时间点(也就是一个时刻)。比如,可以根据需要,选择一个月的时间段,或者选择12小时的时间段。当然,该时间维度,也可以是中午12点,还可以是连续一个月的每天中午12点。当然,在实际应用中,若用户指定的某个时刻没有相应的实际数据,则可以根据与该时刻相邻的前后时刻的实际数据来推测用户指定的某个时刻数据,比如,用户指定中午12点的数据,但是由于中午12点并没有采集到准确数据,但是在11点和13点的时候都有采集到数据,因此,根据11点对应数据和13点对应数据推测出12点对应数据。
在生成洞察可视图的时候,根据用户需求选择性生成。具体来说,用户选择不同维度的设备属性和不同时间维度,所得到的洞察可视图不同,此外对于设备工程师而言,所得到的设备管理建议、设备状态等设备相关结论也是不同的。比如,用户选择的设备属性有:设备单位时间产量、产品合格率,则可知,设备工程师想要了解设备稳定性;或者,用户选择的设备属性有:设备报警次数、距离上次保养时间,则可知,设备工程师想要了解设备是否需要维护保养。
因此,在实际应用中,根据选择设备属性维度、时间维度等内容不同,所得到的洞察可视图是不同的,并且,基于该洞察可视图所得到的设备管理建议也是不同的。设立所说的设备管理建议,包含设备维修、维护、保养、升级等建议。基于相同的时序数据,面对不同类型用户时所生成的设备管理建议内容不同,比如,当面对设备工程师所得到的设备管理建议是合适对设备什么部件进行维修,当面对高层管理人员时所得到的设备管理建议是设备维保计划、对整体产能影响评估等等。
需要说明的是,所述时序数据包括:设备动态数据和设备静态数据。其中,所述设备动态数据至少包括:传感器动态状态、设备功能动态数据;所述设备静态数据至少包括:生产时间、维护时间。
例如,设备动态数据可以是可联网采集传输的数据,包括:设备功能动态数据比如:电机转速,传感器动态数据比如:传感器采集温度、湿度等等。设备静态数据是无法被自动联网采集的数据,比如,设备购买时间、设备保养时间、设备更换部件、设备维护时间等等。
此外,本方案适用于对不易察觉设备变化进行有效监测,并根据长期历史数据输出结论,能够在故障发生之前就及时解决故障,而不是在故障发生后在解决,实现防患于未然的效果。例如,对生产流水线中多个设备的振动状态进行监测,收集各个设备的振动数据,随着设备使用、运行,设备众多螺丝中的一个或者多个可能会发生松动现象,在螺丝松动后,设备精度等设备性能会下降,导致出现不合格产品的概率增加。但是,由于设备螺丝很多,设备问题隐蔽不易察觉,采用本申请技术方案,可以通过检测设备整体的振动参数,当振动参数达到一定阈值的情况下,则认为设备将出现因螺丝松动而产生故障,需要及时维修并将故障解除,避免出现故障后导致生产出品质不合格的产品。
在本申请的一个或者多个实施例中,响应于用户对时序数据在设备属性维度和时间维度的选择操作,生成包含有预测结果的洞察可视图,包括:
响应于用户对时序数据在设备属性维度和时间维度的选择操作,确定所述目标时序数据;
基于所述目标时序数据,生成所述预测结果;
基于所述预测结果和所述目标时序数据生成所述洞察可视图。
在实际应用中,当用户指定设备属性维度和时间维度之后,可以明确知道用户所需的目标时序数据。例如,用户选择的设备属性维度包括:电机电压、电机电流;时间维度包括:一个月,一个月中每一天的某个时刻。通过获取目标时序数据,可以知道目标设备的工作状态、状态趋势等。
在洞察可视图当中,可以同时显示基于目标时序数据得到图表信息,以及基于目标时序数据得到的预测结果。通过将目标时序数据和预测结果通过预测曲线、预测范围和实时时序数据曲线的形式在同一洞察可视图中展示,使得用户能够方便、直接的了解到当前实际设备属性相关状态,以及预期设备属性相关状态。从而为设备工程师下一步工作提供参考依据。此外,在洞察可视图中展示预测结果和目标时序数据的方式可以是通过表格展示,也可以是通过折线图或者曲线图展示。若通过曲线图或者折线图展示更为直观,使得观看用户能够直接了解到实际目标时序数据的数据趋势,预测结果中数据趋势,以及预测结果与目标时序数据之间大小关系。
这里需要说明的是,在进行预测的时候,所得到的预测结果可以是基于单一时序数据进行预测得到的单一数据的结果,也可以是综合多种时序数据进行预测得到的综合结果。例如,假设单一时序数据为电机耗电量,进行预测的结果可以是该电机的下周耗电量;假设多种时序数据包括:电机耗电量、历史故障次数、产量数据、当前故障次数等数据,综合预测出设备下一周产量。当然,同样可以输出预测得到的设备管理建议,比如,基于综合的基础时序数据输出设备更换配件建议等,在问题出现之前就解决掉问题,避免出现有问题产品。
通过上述方案,以图表的形式对比展示预测结果和目标时序数据,能够使得用户观看时更加直观,不需要再手动选择对比,而且由于提供预测结果,不需要依赖用户的工作经验,有效提高数据展示效果。
在本申请的一个或者多个实施例中,基于所述目标时序数据,生成所述预测结果,包括:
确定基于所述目标时序数据预测得到的各时刻的所述设备属性对应的中心值和所述中心值对应的波动范围值;
基于所述中心值生成预测曲线;
基于所述波动范围值生成预测范围;
所述基于所述预测结果和所述目标时序数据生成所述洞察可视图,包括:
将包含有所述预测曲线和所述预测范围的预测结果添加到所述洞察可视图中,其中,所述洞察可视图中还包含有基于所述目标时序数据生成的目标洞察图表。
这里所说的预测结果包括:预测得到的中心值和该中心值对应的波动范围。这里所说的波动范围,是基于该中心值确定的波动上下限值。换言之,当实际目标时序数据在波动范围时,则当前目标时序数据在合理范围内,若超过波动范围,则认为目标时序数据超过了合理范围。
如图2为本申请实施例举例说明的洞察可视图的示意图。从图2中可以看到,中心值生成一条预测曲线,同时还可以基于目标时序数据生成实时数据曲线。同时,在得到中心值之后,可以推测出各个中心值分别对应的波动范围(也就是,基于中心值发生波动的上下限值),还可以基于波动范围值生成预测范围,该预测范围可以是基于上限值曲线和下限值曲线构成的成片连续区域。中心值对应的预测曲线则在预测范围内。而实际得到的目标时序数据对应的实时数据曲线则会根据实际情况上下波动,个别时刻对应的时序数据可能会超过预测范围的范围。
为了实现显著区分,在生成洞察可视图的时候,实时数据曲线和预测曲线的线条类型(连续曲线还是虚线)、曲线形式或者折线形式、线条颜色、线条粗细都可以区分选择,从而使得用户在洞察可视图中可以直接区分出不同曲线。预测范围可以填充颜色,从而使得用户可直观的看到区间范围,需要说明的是,在选择预测范围的填充颜色的时候,要选择与实时数据曲线和预测曲线不同的颜色,为了方便区分,可以将填充颜色设置为浅色。
通过上述方式,用户可以通过洞察可视图全面了解到当前设备工作状态。由于在洞察可视图当中包含有实时数据曲线、预测曲线以及预测范围,用户能够直接看到时序数据趋势和可能预测到的情况。尤其是对于对设备数据不是很熟悉的用户来说,仅仅依据当前实际采集到的时序数据无法预知接下来设备工作状态,通过该洞察可视图能够全面了解设备当前状态,还可以通过预测曲线了解到设备未来工作状态,以及通过预测范围了解到当前设备工作状态是否正常等。
在本申请的一个或者多个实施例中,还包括:在洞察可视图中,当目标时序数据超过所述预测范围时,则将超过所述预测范围的所述目标时序数据标记为预警值。
如前文所述可知,预测范围是由基于中心值确定的上下限所划分得到的,也就意味着,如果实际是目标时序数据超过上下限值时,则认为该目标时序数据为异常。因此,为了使得用户可以更加直观的了解到当前设备的时序数据状态,可以将上下限值作为预警值。由于预测得到的中心值是动态变化的,因此,预警值也随着中心值变化而变化。当然,在实际应用中,有一些设备的时序数据要求比较严格,是相对固定的,则对应的预警值可以是固定值。例如,如图3为本申请实施例举例说明的包含预警值的洞察可视图的示意图。从图3中可以看到,当实时的时序数据曲线与预测范围发生交叉的时候,将该交叉点显著性显示,并标记出预警值(比如,图3中预警值A1、预警值A2、预警值A3、预警值A4)。从而使得用户能够从可视图中直观的了解到当前设备状态为触发预警状态。通过上述方案,即便用户对设备不是很了解,或者用户不在设备现场,可以通过洞察可视图直观的了解到当前设备的工作状态,并且触发预警。需要设备工程师及时介入处理。作为可选方案,当设备触发预警值的时候,可以将该预警信息同时发送给相关人员(比如,设备工程师)的客户端或者邮箱,以便相关人员能够及时解决该设备异常情况。
在本申请的一个或者多个实施例中,所述基于所述目标时序数据,生成所述预测结果,包括:将所述目标时序数据,以及对应的设备属性和时间维度输入预训练的机器学习模型,生成所述预测结果。
在实际应用中,预测结果可以利用机器学习模型进行预测处理得到的。该机器学习模型可以利用历史的时序数据进行训练,具体来说,比如该机器学习模型可以是线性回归模型,用于对设备温度进行预测。比如,机器学习模型可以是支持向量机训练得到的,用于对设备是否需要维保进行预测。为了获得更好的预测结果,该预训练得到的机器学习模型可以是一个复合模型,也就是该模型当中可能同时包含有多个用于对不同类型设备属性进行预测的模型。通过复合模型可以实现针对各种不同类型时序数据的准确预测。
在本申请的一个或者多个实施例中,所述获取用于表示目标设备的设备属性的时序数据,包括:获取用于表示至少一个目标设备的设备属性的时序数据。
所述响应于用户对时序数据在设备属性维度和时间维度的选择操作,确定所述目标时序数据,包括:响应于对同一目标设备的同一设备属性不同时间维度的选择操作,确定用户根据所述设备属性和时间维度选择的第一目标时序数据;或者,响应于对不同目标设备的同一设备属性相同时间维度的选择操作,确定用户根据所述设备属性和时间维度选择的第二目标时序数据。
在实际应用中,可以根据需要同时对多个设备的时序数据进行对比。具体来说,用户可以根据需要选择获取多个目标设备的设备属性的时序数据。每个目标设备都有很多设备属性,也就意味着,目标设备有多组时序数据,用户可以根据实际需求选择多个目标设备的时序数据。
在选择时序数据时,具体来说,可以分为两种选择方式。第一种是针对同一目标设备、同一设备属性的不同时间维度的数据进行选择,作为得到的第一目标时序数据。第二种是针对不同目标设备的相同设备属性、相同时间维度进行选择,作为得到的第二目标时序数据。
在得到第一目标时序数据后,可以根据时间维度对第一目标时序数据进行拆分,得到多个不同时间段的多组目标时序数据。不同组的目标时序数据可以分别生成对应的图表,并在可视图中展示。在展示的时候,可以通过不同图表对比展示。比如,选择3月份和4月份整个月的设备产量数据,从而可以实现对每一周、每一天生产状况的具体对比,不需要用户左右拖动或者来回切换数据内容、曲线内容,更加方便用户对比观看。
在得到第二目标时序数据后,可以根据设备维度对第二目标时序数据进行拆分,得到多个不同设备相同设备属性的多组目标时序数据。不同组的目标时序数据可以分别生成对应的图表,并在可视图中展示。在展示的时候,可以通过不同图表对比展示。比如,选择目标设备1和目标设备2的设备产量数据,从而可以实现对每一周、每一天生产状况的具体对比,不需要用户左右拖动或者来回切换数据内容、曲线内容,更加方便用户对比观看。
在实际应用中,用户在进行选择操作的时候,可以从数据列表中选择所需数据,在列表中只有时序数据的数据名称,因此,需要对目标设备各项参数含义充分熟悉的工作人员进行选择。此外,还可以根据流水线模型进行选择,具体来说,当用户想要选择某项参数的时候,若用户对产线不是很了解,则用户可以通过产线模型图进行选择。当用户点击产线中某个目标设备模型的情况下,目标设备模型被选中放大,用户可以看到放大后的目标设备模型中的各个机械部件、传感器,进而,用户可以在该目标设备模型中点击对应的机械部件或者传感器,与该机械部件或者传感器相关的时序数据呈现在可视图当中。通过上述方式,不需要用户掌握所有设备各个数据名称,只需要根据自己的视角关注点就能够实现快速选择。
在本申请的一个或者多个实施例中,所述响应于用户对时序数据在设备属性维度和时间维度的选择操作,确定所述目标时序数据,包括:响应于用户对时序数据在设备属性维度和时间维度的选择操作,确定所述目标时序数据;根据可视化需求,对所述目标时序数据对应纵轴参数进行可视化处理,生成满足所述可视化需求的对比维度。
在实际应用中,用户根据实际需要对时序数据进行选择,具体来说包括从多个设备属性中选择所需的至少一个设备属性,以及所需的至少一个设备属性对应的时间段或者时刻,进而,将该时间段或时刻对应的至少一个设备属性的时序数据作为目标时序数据。通过上述方式,用户可以根据需要更加灵活的选择时序数据。在进行设备属性选择的时候,可以在搜索框中输入内容查找,可以通过下拉菜单查找,也可以通过设备示意图或者流水线(包含多个设备)的示意图,选择设备以及设备中某个部件的设备属性,比如,选择A设备中第一道工序的温度传感器,选中该温度传感器采集到的温度值对应的时序数据。能够有效提升用户选择时序数据的工作效率。
用户所选择的目标时序数据还可以基于图表进行相应处理,下面将结合附图具体举例说明。例如,如图7a为本申请实施例提供的并列处理的示意图;并列处理:将曲线图中的Y轴独立展示,不需要对Y轴重叠。比如图7a中,例如选择两个点位,分别代表设备启停状态,第二个代表产量,两者Y轴虽然都是数值number,但是数值差距非常大,常规情况下都会放在多Y轴在同一图里边进行信息统一展示,方便用户对比观察。
如图7b为本申请实施例提供的共享处理的示意图。共享处理:将曲线图中的Y轴进行重叠展示,Y轴的单位长度代表的刻度是等长的。对于数值接近的,譬如同类设备,用这种图可以作为叠加对比,可以看出设备的运行指标差异但是对于不同的设备指标,在数值差距非常大,设备的运行周期会被压缩成一个无线接近于0的线条,因此需要下边一种来做展示。
如图7c为本申请实施例提供的叠加处理的示意图。叠加处理:将曲线图中的Y轴重叠展示,Y轴的单位长度代表的刻度不是不等长的。叠加的时候,Y轴的长度一致,但是刻度不一致,这种就可以解决数据差异过大的情况,可以展示出设备节拍正常波动,产量也在持续上涨的场景(当设备一直在波动但是产量没有变化的情况下,则代表入料或者其他一些异常情况)
如图7d为本申请实施例提供的通过列表设置选择操作的示意图。从图7d中可以看到,在可视图当中,用户可以根据需要对坐标轴进行设置,包括:X轴表示时间时的时间间隔、聚合数据类型(针对实时数据聚合还是历史数据聚合)、起始坐标是否需要偏移、是否需要填充缺失值等等。
在本申请的一个或者多个实施例中,所述基于所述洞察可视图中包含的所述时序数据和所述预测结果,生成针对所述目标设备的设备管理建议,包括:确定发出所述选择操作的用户身份;对所述预测结果和所述时序数据进行分析处理,生成与所述用户身份对应的设备管理建议。
在实际应用中,不同用户的设备需求不同,需要关注的内容也不同。例如,设备工程师更加关注设备工作状况、是否存在故障等等:而品质工程师更加关注设备生产出的产品是否合格、品质是否稳定等:对于管理人员而言,关心的是设备产能是否达标、产能是否饱和、设备稳定性是否合格等宏观层面的设备信息。上述各种不同用户的不同需求都是基于设备最基础的时序数据经过分析、推理后得到的。因此,当具有不同用户身份的多个用户分别选择并建立洞察可视图以及生成预测结果时,所生成的设备管理建议不完全相同,换言之,生成的设备管理建议是与用户身份向对应的。
在生成设备管理建议的时候,需要综合预测结果与时序数据的比较以及分析结果生成与用户身份对应的管理建议。比如,比较一下预测结果与时序数据的大小关系,或者比较预测结果与历史时序数据相似度,给出更加合理的设备管理建议。
通过上述实施例,能够基于相同的时序数据针对不同用户身份生成对应的设备管理建议,而不是传统可视化方式中将设备参数直接呈现给不同的用户(因为有的用户不懂各个设备参数代表什么含义),从而使得各个用户都可以很容易了解到设备管理建议,并且能够通过洞察可视图直观的看到设备的时序参数、预测结果和预测范围。能够有效减轻工作人员分析负担,同时提高分析效率。
此外,由于设备管理建议是可以由设备根据当前实时采集到的时序数据推理得到的,因此,当有需要设备工程师关注内容的时候,可以由设备将设备管理建议发送给设备工程师等用户的客户端或者邮箱。
基于同样的思路,在本申请提供了另一种数据处理方法。应用于客户端,该方法包括:基于包含有目标设备的时序数据的显示界面,将用户对所述时序数据对应的设备属性维度和时间维度的选择操作发送给服务器;接收所述服务器返回的洞察可视图和设备管理建议;其中,所述洞察可视图的生成方式包括:响应于用户对时序数据在设备属性维度和时间维度的选择操作,生成包含有预测结果的洞察可视图;所述设备管理建议的生成方式包括:基于所述洞察可视图中包含的所述时序数据和所述预测结果,生成针对所述目标设备的设备管理建议。
在设备生成运行过程中,会对设备进行时序数据的实时收集以及存储。不仅能够获取到目标设备的设备属性相关的时序数据,还能够获取到生产线中其他设备的时序数据。进而,根据用户的选择操作,从多个设备中选择目标设备,以及选择用于表示该设备属性的时序数据。进而,根据时序数据生成对应的预测结果。并生成包含有预测结果的洞察可视图,通过洞察可视图全面展示用户所选择的时序数据的数据趋势以及相关预测结果,并且从该图中可以直观的看到时序数据与预测结果的对应关系。进一步地,基于洞察可视图可以进一步分析生成针对该目标设备的设备管理建议。不同于现有技术中仅提供专业的设备相关数据,而是提供用户能够理解的设备管理建议,简化用户面对专业的设备相关时序数据的分析工作,减少分析工作所耗费的时间。
基于同样的思路,本申请实施例还提供一种数据处理装置。如图4为本申请实施例提供的一种数据处理装置的示意图。从图4中可也看到,该装置包括:
获取模块41,用于获取用于表示目标设备的设备属性的时序数据。
第一生成模块42,用于响应于用户对时序数据在设备属性维度和时间维度的选择操作,生成包含有与所述设备属性相关的预测结果的洞察可视图。
第二生成模块43,用于基于所述洞察可视图中包含的所述时序数据和所述预测结果,生成针对所述目标设备的设备管理建议。
可选地,第一生成模块42,用于响应于用户对时序数据在设备属性维度和时间维度的选择操作,确定所述目标时序数据;
基于所述目标时序数据,生成所述预测结果;
基于所述预测结果和所述目标时序数据生成所述洞察可视图。
可选地,第一生成模块42,用于确定基于所述目标时序数据预测得到的各时刻的所述设备属性对应的中心值和所述中心值对应的波动范围值;
基于所述中心值生成预测曲线;
基于所述波动范围值生成预测范围;
所述基于所述预测结果和所述目标时序数据生成所述洞察可视图,包括:
将包含有所述预测曲线和所述预测范围的预测结果添加到所述洞察可视图中,其中,所述洞察可视图中还包含有基于所述目标时序数据生成的目标洞察图表。
可选地,第一生成模块42,用于在洞察可视图中,当目标时序数据超过所述预测范围时,则将超过所述预测范围的所述目标时序数据标记为预警值。
可选地,第一生成模块42,用于将所述目标时序数据,以及对应的设备属性和时间维度输入预训练的机器学习模型,生成所述预测结果。
可选地,获取模块41,用于获取用于表示至少一个目标设备的设备属性的时序数据;
可选地,第一生成模块42,用于响应于对同一目标设备的同一设备属性不同时间维度的选择操作,确定用户根据所述设备属性和时间维度选择的第一目标时序数据;或者,
响应于对不同目标设备的同一设备属性相同时间维度的选择操作,确定用户根据所述设备属性和时间维度选择的第二目标时序数据。
可选地,第一生成模块42,用于响应于用户对时序数据在设备属性维度和时间维度的选择操作,确定所述目标时序数据;
根据可视化需求,对所述目标时序数据对应表示所述设备属性的纵轴参数进行可视化处理,生成满足所述可视化需求的对比维度。
可选地,第二生成模块43,用于确定发出所述选择操作的用户身份;
对所述预测结果和所述时序数据进行分析处理,生成与所述用户身份对应的设备管理建议。
可选地,所述时序数据包括:设备动态数据和设备静态数据;
其中,所述设备动态数据至少包括:传感器动态状态、设备功能动态数据;
所述设备静态数据至少包括:生产时间、维护时间。
基于同样的思路,本申请实施例还提供一种数据处理系统。如图5为本申请实施例提供的系统结构示意图。从图5中可以看到,该系统包括:
生产设备51,用于向服务器52提供时序数据;需要说明的是,该系统中的生产设备可能有多个,比如,一个生产流水线上可能按照工艺流程设置有多个设备。
所述服务器52,用于执行:
获取用于表示目标设备的设备属性的时序数据;
响应于用户对时序数据在设备属性维度和时间维度的选择操作,生成包含有与所述设备属性相关的预测结果的洞察可视图;
基于所述洞察可视图中包含的所述时序数据和所述预测结果,生成针对所述目标设备的设备管理建议。
服务器52,用于执行:响应于用户对时序数据在设备属性维度和时间维度的选择操作,确定所述目标时序数据;
基于所述目标时序数据,生成所述预测结果;
基于所述预测结果和所述目标时序数据生成所述洞察可视图。
服务器52,用于执行:确定基于所述目标时序数据预测得到的各时刻的所述设备属性对应的中心值和所述中心值对应的波动范围值;
基于所述中心值生成预测曲线;
基于所述波动范围值生成预测范围;
所述基于所述预测结果和所述目标时序数据生成所述洞察可视图,包括:
将包含有所述预测曲线和所述预测范围的预测结果添加到所述洞察可视图中,其中,所述洞察可视图中还包含有基于所述目标时序数据生成的目标洞察图表。
服务器52,用于执行:在洞察可视图中,当目标时序数据超过所述预测范围时,则将超过所述预测范围的所述目标时序数据标记为预警值。
服务器52,用于执行:将所述目标时序数据,以及对应的设备属性和时间维度输入预训练的机器学习模型,生成所述预测结果。
服务器52,用于执行:获取用于表示至少一个目标设备的设备属性的时序数据;
所述响应于用户对时序数据在设备属性维度和时间维度的选择操作,确定所述目标时序数据,包括:
响应于对同一目标设备的同一设备属性不同时间维度的选择操作,确定用户根据所述设备属性和时间维度选择的第一目标时序数据;或者,
响应于对不同目标设备的同一设备属性相同时间维度的选择操作,确定用户根据所述设备属性和时间维度选择的第二目标时序数据。
服务器52,用于执行:响应于用户对时序数据在设备属性维度和时间维度的选择操作,确定所述目标时序数据;
根据可视化需求,对所述目标时序数据对应表示所述设备属性的纵轴参数进行可视化处理,生成满足所述可视化需求的对比维度。
服务器52,用于执行:确定发出所述选择操作的用户身份;
对所述预测结果和所述时序数据进行分析处理,生成与所述用户身份对应的设备管理建议。
所述时序数据包括:设备动态数据和设备静态数据;
其中,所述设备动态数据至少包括:传感器动态状态、设备功能动态数据;
所述设备静态数据至少包括:生产时间、维护时间。
客户端53,用于向所述服务器52发送数据操作请求。
本申请一个实施例还提供一种电子设备。该电子设备为计算单元中主节点电子设备。如图6为本申请实施例提供的一种电子设备的结构示意图。该电子设备包括存储器601、处理器602及通信组件603;其中,
所述存储器601,用于存储程序;
所述处理器602,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以用于:
获取用于表示目标设备的设备属性的时序数据;
响应于用户对时序数据在设备属性维度和时间维度的选择操作,生成包含有与所述设备属性相关的预测结果的洞察可视图;
基于所述洞察可视图中包含的所述时序数据和所述预测结果,生成针对所述目标设备的设备管理建议。
处理器602,用于响应于用户对时序数据在设备属性维度和时间维度的选择操作,确定所述目标时序数据;
基于所述目标时序数据,生成所述预测结果;
基于所述预测结果和所述目标时序数据生成所述洞察可视图。
处理器602,用于确定基于所述目标时序数据预测得到的各时刻的所述设备属性对应的中心值和所述中心值对应的波动范围值;
基于所述中心值生成预测曲线;
基于所述波动范围值生成预测范围;
所述基于所述预测结果和所述目标时序数据生成所述洞察可视图,包括:
将包含有所述预测曲线和所述预测范围的预测结果添加到所述洞察可视图中,其中,所述洞察可视图中还包含有基于所述目标时序数据生成的目标洞察图表。
处理器602,用于在洞察可视图中,当目标时序数据超过所述预测范围时,则将超过所述预测范围的所述目标时序数据标记为预警值。
处理器602,用于将所述目标时序数据,以及对应的设备属性和时间维度输入预训练的机器学习模型,生成所述预测结果。
处理器602,用于获取用于表示至少一个目标设备的设备属性的时序数据;
所述响应于用户对时序数据在设备属性维度和时间维度的选择操作,确定所述目标时序数据,包括:
响应于对同一目标设备的同一设备属性不同时间维度的选择操作,确定用户根据所述设备属性和时间维度选择的第一目标时序数据;或者,
响应于对不同目标设备的同一设备属性相同时间维度的选择操作,确定用户根据所述设备属性和时间维度选择的第二目标时序数据。
处理器602,用于响应于用户对时序数据在设备属性维度和时间维度的选择操作,确定所述目标时序数据;
根据可视化需求,对所述目标时序数据对应表示所述设备属性的纵轴参数进行可视化处理,生成满足所述可视化需求的对比维度。
处理器602,用于确定发出所述选择操作的用户身份;
对所述预测结果和所述时序数据进行分析处理,生成与所述用户身份对应的设备管理建议。
所述时序数据包括:设备动态数据和设备静态数据;
其中,所述设备动态数据至少包括:传感器动态状态、设备功能动态数据;
所述设备静态数据至少包括:生产时间、维护时间。
上述存储器601可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令。存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
进一步地,本实施例中的所述处理器602可以具体是:可编程交换处理芯片,该可编程交换处理芯片中配置有数据复制引擎,能对接收到的数据进行复制。
上述处理器602在执行存储器中的程序时,除了上面的功能之外,还可实现其它功能,具体可参见前面各实施例的描述。进一步,如图6所示,电子设备还包括:电源组件604等其它组件。
本申请实施例还提供一种非暂时性机器可读存储介质,所述非暂时性机器可读存储介质上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行图1或图2对应实施例所述的方法。
基于上述实施例,在设备生成运行过程中,会对设备进行时序数据的实时收集以及存储。不仅能够获取到目标设备的设备属性相关的时序数据,还能够获取到生产线中其他设备的时序数据。进而,根据用户的选择操作,从多个设备中选择目标设备,以及选择用于表示该设备属性的时序数据。进而,根据时序数据生成对应的预测结果。并生成包含有预测结果的洞察可视图,通过洞察可视图全面展示用户所选择的时序数据的数据趋势以及相关预测结果,并且从该图中可以直观的看到时序数据与预测结果的对应关系。进一步地,基于洞察可视图可以进一步分析生成针对该目标设备的设备管理建议。不同于现有技术中仅提供专业的设备相关数据,而是提供用户能够理解的设备管理建议,简化用户面对专业的设备相关时序数据的分析工作,减少分析工作所耗费的时间。
此外,在大型生产车间中,包含有很多设备,也就意味着时序数据的数据量庞大。当需要对设备状态进行分析的时候,仅仅依靠单一数据难以实现准确分析,而是需要综合大量数据进行全面分析后才能得到相对准确的分析结果。同理,为了使得服务器能够得到准确的设备管理建议,需要用户指定多个维度的目标时序数据,并基于目标时序数据得到相应预测结果,进而基于预测结果得到准确的设备管理建议。有效减轻用户基于大量数据得到准确设备管理建议的工作量,同时基于可视图更加方便用户直观的对比各个时序数据与预测结果。
本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是: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 (14)
1.一种数据处理方法,其特征在于,应用于服务器,所述方法包括:
获取用于表示目标设备的设备属性的时序数据;
响应于对时序数据在设备属性维度和时间维度的选择操作,生成包含有与所述设备属性相关的预测结果的洞察可视图;
基于所述洞察可视图中包含的所述时序数据和所述预测结果,生成针对所述目标设备的设备管理建议。
2.根据权利要求1所述的方法,其特征在于,响应于用户对时序数据在设备属性维度和时间维度的选择操作,生成包含有预测结果的洞察可视图,包括:
响应于用户对时序数据在设备属性维度和时间维度的选择操作,确定目标时序数据;
基于所述目标时序数据,生成所述预测结果;
基于所述预测结果和所述目标时序数据生成所述洞察可视图。
3.根据权利要求2所述的方法,其特征在于,基于所述目标时序数据,生成所述预测结果,包括:
确定基于所述目标时序数据预测得到的各时刻的所述设备属性对应的中心值和所述中心值对应的波动范围值;
基于所述中心值生成预测曲线;
基于所述波动范围值生成预测范围;
所述基于所述预测结果和所述目标时序数据生成所述洞察可视图,包括:
将包含有所述预测曲线和所述预测范围的预测结果添加到所述洞察可视图中,其中,所述洞察可视图中还包含有基于所述目标时序数据生成的目标洞察图表。
4.根据权利要求2或3所述的方法,其特征在于,还包括:
在洞察可视图中,当目标时序数据超过所述预测范围时,则将超过所述预测范围的所述目标时序数据标记为预警值。
5.根据权利要求2所述的方法,其特征在于,所述基于所述目标时序数据,生成所述预测结果,包括:
将所述目标时序数据,以及对应的设备属性和时间维度输入预训练的机器学习模型,生成所述预测结果。
6.根据权利要求2-5任一项所述的方法,其特征在于,所述获取用于表示目标设备的设备属性的时序数据,包括:
获取用于表示至少一个目标设备的设备属性的时序数据;
所述响应于用户对时序数据在设备属性维度和时间维度的选择操作,确定所述目标时序数据,包括:
响应于对同一目标设备的同一设备属性不同时间维度的选择操作,确定用户根据所述设备属性和时间维度选择的第一目标时序数据;或者,
响应于对不同目标设备的同一设备属性相同时间维度的选择操作,确定用户根据所述设备属性和时间维度选择的第二目标时序数据。
7.根据权利要求2-5任一项所述的方法,其特征在于,响应于用户对时序数据在设备属性维度和时间维度的选择操作,确定所述目标时序数据之后,还包括:
对所述目标时序数据对应表示所述设备属性的纵轴参数进行可视化处理,生成满足可视化需求的对比维度。
8.根据权利要求1所述的方法,其特征在于,所述基于所述洞察可视图中包含的所述时序数据和所述预测结果,生成针对所述目标设备的设备管理建议,包括:
确定所述选择操作对应的用户身份;
对所述预测结果和所述时序数据进行分析处理,生成与所述用户身份对应的设备管理建议。
9.根据权利要求1所述的方法,其特征在于,所述时序数据包括:设备动态数据和设备静态数据;
其中,所述设备动态数据至少包括:传感器动态状态、设备功能动态数据;
所述设备静态数据至少包括:生产时间、维护时间。
10.一种数据处理方法,其特征在于,应用于客户端,所述方法包括:
基于包含有目标设备的时序数据的显示界面,将用户对所述时序数据对应的设备属性维度和时间维度的选择操作发送给服务器;
接收所述服务器返回的洞察可视图和设备管理建议;其中,所述洞察可视图的生成方式包括:响应于用户对时序数据在设备属性维度和时间维度的选择操作,生成包含有与所述设备属性相关的预测结果的洞察可视图;所述设备管理建议的生成方式包括:基于所述洞察可视图中包含的所述时序数据和所述预测结果,生成针对所述目标设备的设备管理建议。
11.一种数据处理装置,其特征在于,所述装置包括:
获取模块,用于获取用于表示目标设备的设备属性的时序数据;
第一生成模块,用于响应于用户对时序数据在设备属性维度和时间维度的选择操作,生成包含有与所述设备属性相关的预测结果的洞察可视图;
第二生成模块,用于基于所述洞察可视图中包含的所述时序数据和所述预测结果,生成针对所述目标设备的设备管理建议。
12.一种数据处理系统,所述系统包括:
生产设备,用于向服务器提供时序数据;
所述服务器,用于执行权利要求1至9中任一项所述的方法;
客户端,用于执行权利要求10所述的方法。
13.一种电子设备,包括存储器及处理器;其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以用于实现上述权利要求1至9中任一项所述的方法,或者实现上述权利要求10所述的方法。
14.一种非暂时性机器可读存储介质,所述非暂时性机器可读存储介质上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如权利要求1至9中任一项所述的方法,或者执行权利要求10所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310660369.4A CN116797201A (zh) | 2023-06-05 | 2023-06-05 | 数据处理方法、系统、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310660369.4A CN116797201A (zh) | 2023-06-05 | 2023-06-05 | 数据处理方法、系统、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116797201A true CN116797201A (zh) | 2023-09-22 |
Family
ID=88042977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310660369.4A Pending CN116797201A (zh) | 2023-06-05 | 2023-06-05 | 数据处理方法、系统、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116797201A (zh) |
-
2023
- 2023-06-05 CN CN202310660369.4A patent/CN116797201A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210349455A1 (en) | System and method for monitoring manufacturing | |
EP3246779B1 (en) | Systems and methods for prioritizing and monitoring device status in a condition monitoring software application | |
US9454855B2 (en) | Monitoring and planning for failures of vehicular components | |
CN102576328B (zh) | 系统操作管理装置、系统操作管理方法和程序存储介质 | |
US20120283988A1 (en) | Automated system and method for implementing unit and collective level benchmarking of power plant operations | |
US9069352B2 (en) | Automated fault analysis and response system | |
CN108376308A (zh) | 用于可靠性监测的系统和方法 | |
WO2002071164A2 (en) | System for collecting and storing information | |
TWI653530B (zh) | 運轉資訊分析裝置 | |
US20130282333A1 (en) | Service port explorer | |
US20210240172A1 (en) | Dynamic value stream management | |
KR20160072812A (ko) | 업데이트들, 증거 및 트리거들의 케이스 관리 링키지 | |
CN116797201A (zh) | 数据处理方法、系统、装置、设备及介质 | |
CN112286088A (zh) | 一种动力设备故障预测模型在线应用的方法及应用系统 | |
JP5292182B2 (ja) | 水処理設備管理システム | |
US20220092509A1 (en) | Work Improvement Support Apparatus, and Work Improvement Support System | |
Doganaksoy et al. | Getting the right data up front: A key challenge | |
Koehler et al. | Trace induction for complete manufacturing process model discovery | |
CN114091931A (zh) | 一种定期工作评价方法和系统 | |
JP2023547729A (ja) | スケーラブル自動保全最適化のためのシステムおよび方法 | |
Kutzner et al. | The value of joint decision-making in an inventory–production system with random yield and imperfect information | |
JP2015046005A (ja) | プラント状態解析システム及びプラント状態解析方法 | |
Andela et al. | Best practices in maintenance performance measurement at the Netherlands armed forces | |
Kostroš et al. | Overview of Big Data analysis for root cause determination and problem predictions | |
Parpala et al. | Empower an IoT Machine's Monitoring Platforms with Augmented Reality |
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 |