CN116805194A - 基于云平台的大数据处理分析系统 - Google Patents

Abstract

本发明公开了基于云平台的大数据处理分析方法，所述该方法包括以下步骤：步骤S1：通过在设备上布局传感器对设备运转状态下自身特征数据进行收集；步骤S2：通过专有视觉采集模块和AI视觉算法分析零部件的状态，并上传云平台；步骤S3：通过异常检测模块分析出设备运转状态，上传云平台；步骤S4：通过定位单元定位故障设备的位置和人员分布位置合理分配技术人员；步骤S5：通过预测模块对未来一天的设备状态进行预测，将结果上传云平台；步骤S6：预测原料使用时间，原料即将耗尽之前进行自动补货；步骤S7：通过设备状态可视化模块将数据转化为可视的图表，本发明，具有合理分配人力资源和确保设备稳定运行的特点。

Description

基于云平台的大数据处理分析系统

技术领域

本发明涉及大数据处理分析技术领域，具体为基于云平台的大数据处理分析系统。

背景技术

云平台是指基于硬件的服务，提供计算、网络和存储能力。

目前工厂的生产活动都离不开设备的安全稳定运行，设备一直以固定的程序运行不可避免的会出现一些问题，尤其是一些零部件的生产，生产设备略微出现一点问题都将影响产品的最终质量，传统的生产模式会配备一个甚至几个技术人员来确保能够安全稳定的运行，但设备在大多数时候都是可以稳定运行的，不需要太多技术人员一直看护，因此这种模式就造成了人力资源的浪费，当设备出现一点小问题的时候并不容易被发现，这时设备仍继续进行生产的话就会造成所生产的零部件出现瑕疵，造成原材料的浪费，虽然一些工厂已经采用了数字化技术监控设备，但是效果并不是很理想，只是稍微降低了技术人员的投入量，没有解决人力资源分配不合理的问题。因此，设计合理分配人力资源和确保设备稳定运行来节约成本的基于云平台的大数据处理分析系统是很有必要的。

发明内容

本发明的目的在于提供基于云平台的大数据处理分析系统，以解决上述背景技术中提出的问题。

为了解决上述技术问题，本发明提供如下技术方案：基于云平台的大数据处理分析方法，包括以下步骤：

步骤S1：通过在设备上布局传感器对设备运转状态下自身特征数据进行收集；

步骤S2：通过专有视觉采集模块和AI视觉算法分析零部件的状态，并上传云平台；

步骤S3：通过异常检测模块分析出设备运转状态，上传云平台；

步骤S4：通过定位单元定位故障设备的位置和人员分布位置合理分配技术人员；

步骤S5：通过预测模块对未来一天的设备状态进行预测，将结果上传云平台；

步骤S6：通过预测模块预测原料使用时间，原料即将耗尽之前进行自动补货；

步骤S7：通过设备状态可视化模块将数据转化为可视的图表。

根据上述技术方案，所述对设备运转状态下自身特征数据进行收集，包括：

通过在设备上布局的的温度传感器、震动频率传感器、噪音监测传感器等对设备温度、震动频率、噪音等数据进行实时收集；

收集设备状态信息数据集合S_n＝(S₁，S₂，...S₆)并上传云平台，其中S₁代表的是一条包含了温度、震动频率和噪音等数据的数据包，以便后续根据数据变化幅度预测设备运行状态。

根据上述技术方案，所述通过专有视觉采集模块和AI视觉算法分析零部件的状态，并上传云平台的步骤，包括：

通过专有视觉采集模块来拍摄采集零部件的视觉图像；

采集图像后通过数据接口传输到AI视觉算法；

AI视觉算法针对采集的零部件视觉数据，进行AI分析计算，将计算结果上传云平台。

根据上述技术方案，所述进行AI分析计算，将计算结果上传云平台的步骤，包括：

异常检测模块进行分析的方法主要包括针对设备运转状态的分析、对零部件实际尺寸数据的分析、以及对零部件特征信息的分析；

针对设备运转状态的分析具体方法为：通过数据传输模块调取云平台的分析数据库数和历史数据库，从分析数据库中调取采集的设备运转状态数据集合S_n，从历史数据库中调取经技术人员整理的设备运行中各项数据的指标范围K_a-K_b，当K_a<S_n<K_b时，符合设备正常运行要求，设备安全稳定运行，反之则当S_n<K_a或S_n>K_b时，设备运行异常，异常检测模块立即做出反应调动设备控制单元控制设备停止运行；

对零部件实际尺寸数据的分析具体方法为：通过数据传输模块调取分析数据库中零部件尺寸数据集合M，根据零部件生产要求设定的完美零部件镜像投影进行重合覆盖式尺寸分析，当重合率大于95％时，零部件尺寸合格，设备继续进行生产，当合格率小于等于95％时，判定为不合格零部件将从传送带上分离进入残次品队列，当连续出现3个或3个以上的残次品时，设备控制单元控制设备停止运行，并发出警报；

对零部件特征信息的分析具体方法为：设备稳定运行时零部件出设备的瞬间状态是不会改变的，获取零部件的瞬间视觉图像数据，通过异常检测模块进行分析，当零部件都是A类时，设备正常运行，当零部件出现B类时，零部件生产出现问题，异常检测模块立即调动设备控制单元控制设备停止运行。

根据上述技术方案，所述通过定位单元定位故障设备的位置和人员分布位置合理分配技术人员的步骤，包括：

通过在设备和技术人员手环中安装定位单元，对设备和技术人员进行实时定位，通过异常检测模块判断设备故障，利用定位单元定位技术人员位置，通过提前录入数据库的工厂车间线路图，计算出技术人员与设备的距离，判断出最近的技术人员信息并与设备进行绑定，将该名技术人员的信息状态修改为忙碌状态，完成维修后忙碌状态将释放为空闲状态；

人员调配的方法主要包括对技术人员与设备之间距离的计算和判断和对技术人员的派遣状态调整。

根据上述技术方案，所述通过预测模块对未来一天的设备状态进行预测的步骤，包括：

根据设备各项状态数据分别建立折线图模型，折线图模型上数据上下变化的幅度代表设备的稳定程度，变化幅度越大设备的出现的概率就越大，反之则，变化幅度越小设备状态就越稳定。

根据上述技术方案，所述进行自动补货的步骤，包括：

通过预测模块计算出一批原料的大致使用时间的具体方法为：基于原材料的重量通过故障预测模块计算出一批原材料的使用时间；

其中M为原材料的总质量，K_总为商品生产总数量，m是一个零部件的重量，a为生产该零部件的损耗率并且0<a<1，K_天为一天生产的零部件总数，t为生产一个零部件所需的时间且该零部件较大生产时间较长t以小时为计量单位，D_总为所属原材料使用的天数，当距离购入原材料已经过去的天数接近D_总时系统将会弹出提示窗提醒即将要补充原料，提示是否进行补货，当确定进行补货则系统通过互联网向供货商发送订单并附带要求几日内送达。

根据上述技术方案，所述将数据转化为可视的图表的步骤，包括：

通过云平台对以上数据的处理分析，将设备自身属性包括温度、震动频率、噪音等数据绘制成折线图模型，显示在控制设备页面上，通过云平台将故障预测模块上传的数据利用图表模型显示在页面上。

根据上述技术方案，所述基于云平台的大数据处理分析系统包括：

云平台，用于存放系统所需的数据库并为用户提供技术与支持；

设备采集模块，用于对采集的视觉图像进行处理分析和对设备运行中的状态包括温度、震动频率、噪音等数据进行采集；

处理分析模块，用于检测设备运转状态，根据判断结果对设备进行控制，预测设备故障和原料使用情况；

设备状态可视化模块，用于对设备运行状态在页面上进行投影反馈设备运行情况。

与现有技术相比，本发明所达到的有益效果是：本发明，通过设置有异常检测模块能够分析设备的运转状态，根据数据的异常确认故障设备信息，利用定位单元定位故障设备的位置和人员分布位置合理分配技术人员，使得企业能够合理分配人力资源，并且确保设备稳定运行减小企业的运行成本，在设备生过程中，预测模块可以预测原料的使用时间，在原料即将耗尽之前进行自动补货，降低企业用于采购原料的人力资源投入。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例一提供的基于云平台的大数据处理分析方法流程图；

图2为本发明实施例二提供的基于云平台的大数据处理分析系统的模块组成示意图。

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：图1为本发明实施例一提供的基于云平台的大数据处理分析方法流程图，本实施例可应用设备日常运行维护的场景，该方法可以由本实施例提供的基于云平台的大数据处理分析系统来执行，如图1所示，该方法具体包括以下步骤：

步骤S1：通过在设备上布局传感器对设备运转状态下自身特征数据进行收集；

示例性的，在本发明实例中，在设备生产零部件的过程中，通过在设备上布局的温度传感器、震动频率传感器、噪音监测传感器等对设备温度、震动频率、噪音等数据进行实时收集，收集设备状态信息数据集合S_n＝(S₁，S₂，...S₆)并上传云平台，其中S₁代表的是一条包含了温度、震动频率和噪音等数据的数据包，以便后续根据数据变化幅度预测设备运行状态。

步骤S2：通过专有视觉采集模块和AI视觉算法分析零部件的状态，并上传云平台；

示例性的，在本发明实施例中，专用的视觉采集模块与AI视觉算法电连接，AI视觉算法与云平台网络连接，在设备生产零部件的过程中，通过专有视觉采集模块来拍摄采集零部件的视觉图像，此处的视觉模块包括但不限于摄像模组，采集图像后通过数据接口传输到AI视觉算法，AI视觉算法针对采集的零部件视觉数据，进行AI分析计算，将计算结果上传云平台，其中专用的视觉采集模块位于零部件生产传送带上方，采集所生产的零部件各个方向上的视觉图像，还有部分视觉采集模块位于零部件传出口，采集零部件刚被生产出在传送带上位置姿态的视觉图像，为AI视觉算法提供视觉图像数据，监控设备生产状况。

示例性的，AI视觉算法进行分析计算的主要方法包括针对零部件数量的计算、针对还原零部件的实际尺寸数据的计算、以及针对零部件设定的特征点的识别。其中针对零部件数量的计算具体方法为：位于零部件传出口的视觉采集模块对零部件进行抓拍，每一次抓拍零部件离开生产设备的瞬间都会触发历史数据库中的自增方法插入数据，每增加一条数据，数据记录序号ID就会增加一次，通过AI视觉算法调取历史数据库计算记录条数，计算出的记录数量即零部件产量，方便计算零部件数量，节约计件时间。针对还原零部件的实际尺寸数据的计算具体方法为：调取分析数据库，获取零部件各个方向上的视觉图像，通过AI视觉算法根据所得视觉图像数据建立零部件的镜像投影，镜像投影数据集合M＝(M₁，M₂，...M₈)收集上传至云平台，为异常检测模块检测零部件质量提供数据，分担异常检测模块的数据处理流量，优化系统的运行速度。针对零部件设定的特征点的识别具体方法为：设备的特征点包括特定形状、标签标记和位置，将设备的以上特征点提前录入AI视觉算法，通过AI视觉算法识别视觉图像上零部件设定的特征点并标记，当识别特征点为三个时记为A类，反之则，当特征点少于三个时记为B类，将分析结果上传云平台，特征点的设置为视觉模块采集零部件各个方向上的视觉图像数据提供特征参照。

步骤S3：通过异常检测模块分析出设备运转状态，上传云平台；

示例性的，在本发明实例中，数据传输模块与云平台网络连接，数据传输与异常检测模块电性连接，通过数据传输模块调取云平台数据传输至异常检测模块，异常检测模块针对数据传输模块调取的数据，进行检测分析，将分析结果上传云平台。

示例性的，异常检测模块进行分析的方法主要包括针对设备运转状态的分析、对零部件实际尺寸数据的分析、以及对零部件特征信息的分析。其中针对设备运转状态的分析具体方法为：通过数据传输模块调取云平台的分析数据库数和历史数据库，从分析数据库中调取采集的设备运转状态数据集合S_n，从历史数据库中调取经技术人员整理的设备运行中各项数据的指标范围K_a-K_b，当K_a<S_n<K_b时，符合设备正常运行要求，设备安全稳定运行，反之则当S_n<K_a或S_n>K_b时，设备运行异常，异常检测模块立即做出反应调动设备控制单元控制设备停止运行，这样就避免发现问题不能及时解决造成的成本增加。对零部件实际尺寸数据的分析具体方法为：通过数据传输模块调取分析数据库中零部件尺寸数据集合M，根据零部件生产要求设定的完美零部件镜像投影进行重合覆盖式尺寸分析，当重合率大于95％时，零部件尺寸合格，设备继续进行生产，当合格率小于等于95％时，判定为不合格零部件将从传送带上分离进入残次品队列，当连续出现3个或3个以上的残次品时，设备控制单元控制设备停止运行，并发出警报，通过这种方式可以节省零部件合格质检的人力资源投入，提高零部件的合格率，因此降低了原料的损失节约了成本；对零部件特征信息的分析具体方法为：设备稳定运行时零部件出设备的瞬间状态是不会改变的，获取零部件的瞬间视觉图像数据，通过异常检测模块进行分析，当零部件都是A类时，设备正常运行，当零部件出现B类时，零部件生产出现问题，异常检测模块立即调动设备控制单元控制设备停止运行，因此可以提高原料的利用率。

步骤S4：通过定位单元定位故障设备的位置和人员分布位置合理分配技术人员；

示例性的，在本发明实例中，通过在设备和技术人员手环中安装定位单元，对设备和技术人员进行实时定位，通过异常检测模块判断设备故障，利用定位单元定位技术人员位置，通过提前录入数据库的工厂车间线路图，计算出技术人员与设备的距离，判断出最近的技术人员信息并与设备进行绑定，将该名技术人员的信息状态修改为忙碌状态，完成维修后忙碌状态将释放为空闲状态。

示例性的，人员调配的方法主要包括对技术人员与设备之间距离的计算和判断和对技术人员的派遣状态调整。其中针对技术人员与设备之间距离的计算和判断具体方法为：建立路线数据库，将工厂的走道路线和设备位置记录并上传云平台，通过异常检测模块确认故障设备信息，利用定位单元定位设备和可调动的技术人员在数据库中的位置，对比筛选出距离最近的一名可调动技术人员，利用云平台通过网络向其手环发出信号引起手环震动并在手环屏幕上显示故障设备编码，可调动技术人员根据编码前去设备进行维修，方便对技术人员的调度，避免了传统的设备运维模式带来的人力资源调度短缺或人力资源过盛等问题的出现，可以实现在有限的人手内看护尽可能多的设备，有效的减少人力资源的浪费。通过云平台对该名技术人员手环发送信号，将手环信息与故障设备进行绑定并更改手环状态为正在维护中，另外手环与故障设备信息绑定实现了设备维护责任制，方便了对设备问题的责任追究。

步骤S5：通过预测模块对未来一天的设备状态进行预测，将结果上传云平台；

示例性的，根据设备各项状态数据分别建立折线图模型，折线图模型上数据上下变化的幅度代表设备的稳定程度，变化幅度越大设备的出现的概率就越大，反之则，变化幅度越小设备状态就越稳定。通过刷门禁卡识别在岗人数和人员信息，上传云平台，当在岗人数小于工厂设定的在岗技术人员阈值N时，变化幅度的预警值将调整为A-B，适当降低设备故障预测的灵敏度，缓解人力资源紧张，避免人员调度不开而设备又一直处于警报状态的现象出现，当在岗人数大于工厂设定的在岗技术人员阈值N时，变化幅度的预警值将调整为a-b，提高设备故障预测的灵敏度，加强对设备的排查，避免小故障变成大故障，减少设备宕机时间和维修时间，减少生产成本，其中A<a，B>b，A-B表示的预警范围比a-b表示的预警范围要大，即a-b包含在A-B中。

步骤S6：通过预测模块预测原料使用时间，原料即将耗尽之前进行自动补货；

示例性的，通过预测模块计算出一批原料的大致使用时间的具体方法为：基于原材料的重量通过故障预测模块计算出一批原材料的使用时间；

其中M为原材料的总质量，K_总为商品生产总数量，m是一个零部件的重量，a为生产该零部件的损耗率并且0<a<1，K_天为一天生产的零部件总数，t为生产一个零部件所需的时间且该零部件较大生产时间较长t以小时为计量单位，D_总为所属原材料使用的天数，当距离购入原材料已经过去的天数接近D_总时系统将会弹出提示窗提醒即将要补充原料，提示是否进行补货，当确定进行补货则系统通过互联网向供货商发送订单并附带要求几日内送达，不再由人工进行原料采购，节省了人力资源的雇佣，减少了生产成本。

步骤S7：通过设备状态可视化模块将数据转化为可视的图表。

示例性的，通过云平台对以上数据的处理分析，将设备自身属性包括温度、震动频率、噪音等数据绘制成折线图模型，显示在控制设备页面上，通过云平台将故障预测模块上传的数据利用图表模型显示在页面上。方便技术人员对设备的管理，一个人可以负责多台设备，因此可以节省大量的人力资源节约成本。

实施例二：本发明实施例二提供了基于云平台的大数据处理分析系统，图2为本发明实施例二提供的基于云平台的大数据处理分析系统的模块组成示意图，如图2所示，该系统包括：

云平台，用于存放系统所需的数据库并为用户提供技术与支持；

设备采集模块，用于对采集的视觉图像进行处理分析和对设备运行中的状态包括温度、震动频率、噪音等数据进行采集；

处理分析模块，用于检测设备运转状态，根据判断结果对设备进行控制，预测设备故障和原料使用情况；

设备状态可视化模块，用于对设备运行状态在页面上进行投影反馈设备运行情况。

在本发明的一些实施例中，云平台包括：

路线数据库，用于储存工厂的设备位置和走道线路数据；

历史数据库，用于储存视觉模块采集经过AI视觉算法处理过的数据和设备状态数据；

分析数据库，用于储存处理模块处理过的数据。

在本发明的一些实施例中，设备状态采集模块包括：

视觉模块，用于对所生产的零部件进行抓拍，采集零部件视觉图像数据；

AI视觉算法，用于对视觉图像数据进行处理分析；

传感器模块，用于对设备运行过程中包括温度，震动频率、噪音等数据的采集。

在本发明的一些实施例中，处理分析模块包括：

数据传输模块，用于对云平台的数据库的数据进行调取；

异常检测模块，用于对设备运行状态的检测判断其运行状态是否正常，确定故障设备信息调度技术人员前往维修；

预测模块，用于预测对未来一天设备的运转状态，预测一批原料的使用期限；

定位单元，用于对故障设备和技术人员的定位；

设备控制单元，用于异常检测模块确定设备信息后控制设备的运行。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于云平台的大数据处理分析方法，其特征在于：所述方法包括以下步骤：

步骤S1：通过在设备上布局传感器对设备运转状态下自身特征数据进行收集；

步骤S2：通过专有视觉采集模块和AI视觉算法分析零部件的状态，并上传云平台；

步骤S3：通过异常检测模块分析出设备运转状态，上传云平台；

步骤S4：通过定位单元定位故障设备的位置和人员分布位置合理分配技术人员；

步骤S5：通过预测模块对未来一天的设备状态进行预测，将结果上传云平台；

步骤S6：通过预测模块预测原料使用时间，原料即将耗尽之前进行自动补货；

步骤S7：通过设备状态可视化模块将数据转化为可视的图表。

2.根据权利要求1所述的基于云平台的大数据处理分析方法，其特征在于：所述通过在设备上布局传感器对设备运转状态下自身特征数据进行收集，包括：

通过设备自身的温度传感器、震动频率传感器、噪音监测传感器对设备温度、震动频率、噪音数据进行实时收集；

收集设备状态信息数据集合S_n＝(S₁，S₂，...S₆)并上传云平台，其中S₁代表的是一条包含了温度、震动频率和噪音数据的数据包。

3.根据权利要求2所述的基于云平台的大数据处理分析方法，其特征在于：所述通过专有视觉采集模块和AI视觉算法分析零部件的状态，并上传云平台的步骤，包括：

通过专有视觉采集模块来拍摄采集零部件的视觉图像；

采集图像后通过数据接口传输到AI视觉算法；

AI视觉算法针对采集的零部件视觉数据，进行AI分析计算，将计算结果上传云平台。

4.根据权利要求3所述的基于云平台的大数据处理分析方法，其特征在于：所述进行AI分析计算，将计算结果上传云平台的步骤，包括：

通过数据传输模块调取云平台的分析数据库数和历史数据库，从分析数据库中调取采集的设备运转状态数据集合S_n，从历史数据库中调取经技术人员整理的设备运行中各项数据的指标范围K_a-K_b，当K_a<S_n<K_b时，符合设备正常运行要求，设备安全稳定运行，反之则当S_n<K_a或S_n>K_b时，设备运行异常，异常检测模块立即做出反应调动设备控制单元控制设备停止运行；

通过数据传输模块调取分析数据库中零部件尺寸数据集合M，根据零部件生产要求设定的完美零部件镜像投影进行重合覆盖式尺寸分析，当重合率大于95％时，零部件尺寸合格，设备继续进行生产，当合格率小于等于95％时，判定为不合格零部件将从传送带上分离进入残次品队列，当连续出现3个或3个以上的残次品时，设备控制单元控制设备停止运行，并发出警报；

获取零部件的瞬间视觉图像数据，通过异常检测模块进行分析，当零部件都是A类时，设备正常运行，当零部件出现B类时，零部件生产出现问题，异常检测模块立即调动设备控制单元控制设备停止运行。

5.根据权利要求4所述的基于云平台的大数据处理分析方法，其特征在于：所述通过定位单元定位故障设备的位置和人员分布位置合理分配技术人员的步骤，包括：

通过在设备和技术人员手环中安装定位单元，对设备和技术人员进行实时定位，通过异常检测模块判断设备故障，利用定位单元定位技术人员位置，通过提前录入数据库的工厂车间线路图，计算出技术人员与设备的距离，判断出最近的技术人员信息并与设备进行绑定，将该名技术人员的信息状态修改为忙碌状态，完成维修后忙碌状态将释放为空闲状态；

人员调配的方法主要包括对技术人员与设备之间距离的计算和判断和对技术人员的派遣状态调整。

6.根据权利要求5所述的基于云平台的大数据处理分析方法，其特征在于：所述对未来一天的设备状态进行预测的步骤，包括：

根据设备各项状态数据分别建立折线图模型，折线图模型上数据上下变化的幅度代表设备的稳定程度，变化幅度越大设备的出现的概率就越大，反之则，变化幅度越小设备状态就越稳定。

7.根据权利要求6所述的基于云平台的大数据处理分析方法，其特征在于：所述进行自动补货的步骤，包括：

基于原材料的重量通过故障预测模块计算出一批原材料的使用时间；

其中M为原材料的总质量，K_总为商品生产总数量，m是一个零部件的重量，a为生产该零部件的损耗率并且0<a<1，K_天为一天生产的零部件总数，t为生产一个零部件所需的时间且该零部件较大生产时间较长t以小时为计量单位，D_总为所属原材料使用的天数，当距离购入原材料已经过去的天数接近D_总时系统将会弹出提示窗提醒即将要补充原料，提示是否进行补货，当确定进行补货则系统通过互联网向供货商发送订单并附带要求几日内送达。

8.根据权利要求7所述的基于云平台的大数据处理分析方法，其特征在于：所述将数据转化为可视的图表的步骤，包括：

通过云平台对以上数据的处理分析，将设备自身属性包括温度、震动频率、噪音等数据绘制成折线图模型，显示在控制设备页面上，通过云平台将故障预测模块上传的数据利用图表模型显示在页面上。

9.基于云平台的大数据处理分析系统，其特征在于：所述该系统包括：

云平台，用于存放系统所需的数据库并为用户提供技术与支持；

设备采集模块，用于对采集的视觉图像进行处理分析和对设备运行中的状态包括温度、震动频率、噪音等数据进行采集；

处理分析模块，用于检测设备运转状态，根据判断结果对设备进行控制，预测设备故障和原料使用情况；

设备状态可视化模块，用于对设备运行状态在页面上进行投影反馈设备运行情况。

10.根据权利要求9所述的基于云平台的大数据处理分析系统，其特征在于：所述云平台包括：

路线数据库，用于储存工厂的设备位置和走道线路数据；

历史数据库，用于储存视觉模块采集经过AI视觉算法处理过的数据和设备状态数据；

分析数据库，用于储存处理模块处理过的数据；

所述设备状态采集模块包括：

视觉模块，用于对所生产的零部件进行抓拍，采集零部件视觉图像数据；

AI视觉算法，用于对视觉图像数据进行处理分析；

传感器模块，用于对设备运行过程中包括温度，震动频率、噪音等数据的采集；

所述处理分析模块包括：

数据传输模块，用于对云平台的数据库的数据进行调取；

异常检测模块，用于对设备运行状态的检测判断其运行状态是否正常，确定故障设备信息调度技术人员前往维修；

预测模块，用于预测对未来一天设备的运转状态，预测一批原料的使用期限；

定位单元，用于对故障设备和技术人员的定位；

设备控制单元，用于异常检测模块确定设备信息后控制设备的运行。