CN117148775A - 管道生产过程远程监控方法、系统、设备及介质 - Google Patents
管道生产过程远程监控方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN117148775A CN117148775A CN202311422712.8A CN202311422712A CN117148775A CN 117148775 A CN117148775 A CN 117148775A CN 202311422712 A CN202311422712 A CN 202311422712A CN 117148775 A CN117148775 A CN 117148775A
- Authority
- CN
- China
- Prior art keywords
- data
- production
- sensing information
- detection model
- edge computing
- 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.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 183
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 58
- 230000002159 abnormal effect Effects 0.000 claims abstract description 39
- 230000005856 abnormality Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 23
- 230000009191 jumping Effects 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 238000003754 machining Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000002547 anomalous effect Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 230000008685 targeting Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 239000002994 raw material Substances 0.000 description 5
- 230000007774 longterm Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000011960 computer-aided design Methods 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization 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
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0423—Input/output
-
- 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
- G05B2219/20—Pc systems
- G05B2219/23—Pc programming
- G05B2219/23051—Remote control, enter program remote, detachable programmer
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种管道生产过程远程监控方法、系统、设备及介质，涉及监控技术，包括基于在生产现场部署的传感器实时获取管道生产过程的传感信息，将所述传感信息发送至与所述生产现场关联的边缘计算设备；通过所述边缘计算设备的实时数据处理流程将所述传感信息分解为多个数据元组，通过所述边缘计算设备的异常检测模型检测所述多个数据元组是否存在异常；若存在异常，则将异常数据反馈至生产参数调整系统，并且对多个数据元组进行加密后发送至云端，在云端通过远程控制功能调整生产参数，并且构建与所述生产现场对应的数字孪生体，对调整结果进行可视化显示；若不存在异常，则将所述传感信息存储至所述边缘计算设备的数据库中。
Description
技术领域
本发明涉及监控技术，尤其涉及一种管道生产过程远程监控方法、系统、设备及介质。
背景技术
管道生产过程中涉及的产品款式种类繁多、款式加工时间不一致，导致产能浮动，加上产品的加工设备的数量较多，现有情况下，缺乏有效的工具协助管理和评估产品加工生产过程中的实时状况及过程，给加工生产管理带来不少的挑战。
发明内容
本发明实施例提供一种管道生产过程远程监控方法、系统、设备及介质，能够至少解决现有技术中部分问题。
本发明实施例的第一方面，提供一种管道生产过程远程监控方法，包括：
基于在生产现场部署的传感器实时获取管道生产过程的传感信息，将所述传感信息发送至与所述生产现场关联的边缘计算设备，其中，所述传感信息包括温度信息、压力信息、流量信息中至少一种；
通过所述边缘计算设备的实时数据处理流程将所述传感信息分解为多个数据元组，通过所述边缘计算设备的异常检测模型检测所述多个数据元组是否存在异常，其中，所述数据元组用于指示所述传感信息对应数据集合；
若存在异常，则将异常数据反馈至生产参数调整系统，并且对多个数据元组进行加密后发送至云端，在云端通过远程控制功能调整生产参数，并且构建与所述生产现场对应的数字孪生体，对调整结果进行可视化显示；若不存在异常，则将所述传感信息存储至所述边缘计算设备的数据库中。
在一种可选的实施方式中，通过所述边缘计算设备的异常检测模型检测所述多个数据元组是否存在异常之前，所述方法还包括训练异常检测模型：
步骤1：随机将由生产现场的历史生产状态以及传感信息组成的数据集划分为训练数据集和测试数据集；
步骤2：确定待训练的异常检测模型的结构与参数，其中，异常检测模型的结构与参数包括网络的卷积层数、下采样层数、全连接层的层数和各层神经元个数、批量化尺寸、L2正则项系数、保留率、最大迭代次数中至少一种；
步骤3:在(0,1)范围内随机对待训练的异常检测模型进行权值矩阵、偏置参数的初始化，并令迭代次数n=0；
步骤4：在将训练数据集输入待训练的异常检测模型训练前，将训练数据集的一维数据转换为二维特征图；
步骤5：训练数据集经过各隐含层的前向传播，交替进行卷积、批归一化、激活、下采样操作，最后输出得到当前生产任务完成时间的预测值；
步骤6：根据当前生产任务完成时间的预测值与实际任务完成时间，计算出异常检测模型的预测误差；
步骤7：若异常检测模型的当前迭代次数n不满足最大迭代次数，则跳转至步骤8进行误差反向传播，若n满足最大迭代次数，则跳转至步骤11；
步骤8：初始化异常检测模型的参数向量，其中，参数向量包括每层的权值矩阵、偏置、一阶矩估计、二阶矩估计、矩估计的指数衰减速率中至少一种，并令时间步t=0；
步骤9：令t=t+1，n=n+1，计算对参数向量的导数，对异常检测模型的参数向量进行更新；
步骤10：判断n是否满足最大迭代次数，若满足，跳转至步骤4，若未满足，则跳转步骤9；
步骤11：异常检测模型训练完成，将测试集数据输入，预测当前生产任务的剩余完成时间。
在一种可选的实施方式中，将异常数据反馈至生产参数调整系统，并且对多个数据元组进行加密后发送至云端包括：
随机生成一对密钥和初始化加密向量，其中，密钥包括公钥和私钥，所述公钥用于加密数据，所述私钥用于解密数据；
对当前数据元组通过公钥和前一数据元组的初始化加密向量进行数据加密，通过安全通信协议将加密后的数据发送至云端；
云端根据所述私钥对加密后的数据进行解密，获取当前数据元组的原始格式。
在一种可选的实施方式中，构建与所述生产现场对应的数字孪生体包括：
以所述生产现场的车间为根层次，以车间环境、人员、立体仓库、物流系统以及机加工、装配检测单元为茎层次，以构成各茎层次的设备作为叶层次从而以三层结构化组织车间资源，对数字化制造车间涉及到的人员、设备、厂房、物料对象，在几何维度上对物理车间进行准确映射。
在一种可选的实施方式中，所述数字孪生体包括：
物理实体层，通过传感器收集真实世界的信息并将其传给计算模块；
孪生产品层，在云端构建与物理实体一对一的数字孪生体；
点对点通信，通过将所包含的所有物理实体或网络进行唯一身份绑定，每当物理实体发生变化时，传感器就会将物理实体的当前状态推送至数字孪生体，从而实现物理实体的实时虚拟映射；
智能服务层，利用贝叶斯网络设计智能交互控制器并构造模糊规则库，进行数字孪生重构和实时决策；
系统应用层，基于情景驱动为用户提供多种数据融合方式。
在一种可选的实施方式中，在云端通过远程控制功能调整生产参数包括：
根据生产现场的生产条件，根据管道生产的产量设置产量约束条件以及所述产量约束条件对应的惩罚系数；
引入多个附加条件，并且为所述多个附加条件设置对应的附加约束权重；
综合所述产量约束条件、所述惩罚系数以及所述多个附加条件、所述附加约束权重，以所述管道生产的产量最大化为目标迭代调整生产参数。
在一种可选的实施方式中，综合所述产量约束条件、所述惩罚系数以及所述多个附加条件、所述附加约束权重，以所述管道生产的产量最大化为目标迭代调整生产参数包括：
；
其中，J()表示目标函数，(X1,X2,…,Xn)表示生产参数，Y表示产量预测值，m、k分别表示产量约束条件的数量以及附加条件的数量，wi、Pi分别表示第i个产量约束条件对应的惩罚系数以及第i个产量约束条件，rj表示第j个附加约束权重，hj(X)表示第j个附加约束条件函数。
本发明实施例的第二方面，提供一种管道生产过程远程监控系统，包括：
第一单元，用于基于在生产现场部署的传感器实时获取管道生产过程的传感信息，将所述传感信息发送至与所述生产现场关联的边缘计算设备，其中，所述传感信息包括温度信息、压力信息、流量信息中至少一种；
第二单元，用于通过所述边缘计算设备的实时数据处理流程将所述传感信息分解为多个数据元组，通过所述边缘计算设备的异常检测模型检测所述多个数据元组是否存在异常，其中，所述数据元组用于指示所述传感信息对应数据集合；
第三单元，用于若存在异常，则将异常数据反馈至生产参数调整系统，并且对多个数据元组进行加密后发送至云端，在云端通过远程控制功能调整生产参数，并且构建与所述生产现场对应的数字孪生体，对调整结果进行可视化显示；若不存在异常，则将所述传感信息存储至所述边缘计算设备的数据库中。
本发明实施例的第三方面，提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本发明实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
基于深度学习模型的异常检测在学习历史数据模式的基础上，能够高度准确地识别传感信息中的异常，边缘计算设备上的模型能够实时处理传感信息，及时识别并响应异常情况，确保生产过程的即时监控和调整。通过准确预测生产任务完成时间，生产管理者能够更好地调整生产计划，提高生产效率和资源利用率，及时识别异常并通知相关人员，帮助企业快速采取行动，减少生产损失和质量问题。异常检测模型通过多轮迭代和反向传播，提高了模型的鲁棒性，对于不同类型的异常场景有较好的适应性，边缘计算设备上的模型经过充分训练，确保了系统的稳定性和可靠性，在长期运行中能够保持高效运作。
附图说明
图1为本发明实施例管道生产过程远程监控方法的流程示意图；
图2为本发明实施例管道生产过程远程监控系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明实施例管道生产过程远程监控方法的流程示意图，如图1所示，所述方法包括：
S101. 基于在生产现场部署的传感器实时获取管道生产过程的传感信息，将所述传感信息发送至与所述生产现场关联的边缘计算设备，其中，所述传感信息包括温度信息、压力信息、流量信息中至少一种；
示例性地，选择适用于管道生产环境的传感器，包括温度传感器、压力传感器、流量传感器等，合理布置传感器，确保传感器能够准确捕捉到关键的生产参数信息。配置传感器节点，实时采集温度、压力、流量等传感信息，对传感器数据进行预处理，包括去噪、滤波、数据格式转换等，确保数据质量。选择适合的边缘计算设备，例如工业级边缘服务器或网关设备，用于接收和处理传感器数据，在生产现场部署边缘计算设备，确保设备性能满足实时数据处理需求。
使用工业级通信协议，例如Modbus、OPC UA等，将传感器数据传输至边缘计算设备，考虑数据传输的稳定性和可靠性，选择适当的通信技术，如以太网、Wi-Fi等。在边缘计算设备上设置数据存储模块，将传感器数据保存在本地，以便后续分析和查询。
S102. 通过所述边缘计算设备的实时数据处理流程将所述传感信息分解为多个数据元组，通过所述边缘计算设备的异常检测模型检测所述多个数据元组是否存在异常，其中，所述数据元组用于指示所述传感信息对应数据集合；
示例性地，边缘计算设备接收传感器数据后，将传感信息分解为多个数据元组。每个数据元组包含特定时刻的温度、压力、流量等传感信息，以及时间戳和传感器ID等元数据。其中，所述数据元组用于指示所述传感信息对应数据集合。具体地，数据元组是由多个数据项组成的序列，这些数据项可以是不同类型的数据。每个数据项都被称为元素，而整个序列即为数据元组。数据元组通常用于表示数据库中的记录，其中每个数据元组代表数据库中的一行。考虑一个简单的生产过程监控系统，该系统使用传感器实时监测管道的温度、压力和流量，并将这些信息转换为数据元组。在这个案例中，一个数据元组可以包含以下信息：数据元组=（温度值，压力值，流量值，时间戳，传感器ID），此外，数据元组还可以转换为具体的数字形式：(75°C, 150 kPa, 10 L/min, 2023-10-06 14:30:00, Sensor-123)。
部署异常检测模型，可以使用机器学习算法（例如基于统计的方法、聚类算法、或者深度学习模型等）进行异常检测，训练该模型使用历史数据，使其能够识别正常和异常的数据模式。边缘计算设备通过消息队列（如Apache Kafka）接收数据元组，确保数据的有序性和可靠性，数据元组进入数据处理流程，首先进行格式解析，将数据解析为可处理的格式，然后，将数据传递给已部署的异常检测模型进行实时检测，异常检测模型输出检测结果，标识哪些数据元组存在异常情况。对于被检测为异常的数据元组，触发相应的异常处理机制，例如发送警报通知、记录日志、或者自动调整生产参数。
将所有数据元组保存在本地数据库中，用于后续的分析和报告生成。配置数据分析模块，对历史数据进行分析，挖掘潜在的异常模式，以提高异常检测的准确性。部署远程监控系统，允许远程用户通过安全的网络连接访问边缘计算设备的实时数据和异常信息。配置可视化界面，以图表、图形等形式展示实时数据和异常信息，方便用户直观地了解生产过程的状态。实施数据加密和身份验证机制，确保传输的数据安全。遵循隐私保护法规，对采集到的数据进行匿名化处理，以保护用户隐私。
在一种可选的实施方式中，通过所述边缘计算设备的异常检测模型检测所述多个数据元组是否存在异常之前，所述方法还包括训练异常检测模型：
步骤1：随机将由生产现场的历史生产状态以及传感信息组成的数据集划分为训练数据集和测试数据集；
步骤2：确定待训练的异常检测模型的结构与参数，其中，异常检测模型的结构与参数包括网络的卷积层数、下采样层数、全连接层的层数和各层神经元个数、批量化尺寸、L2正则项系数、保留率、最大迭代次数中至少一种；
步骤3:在(0,1)范围内随机对待训练的异常检测模型进行权值矩阵、偏置参数的初始化，并令迭代次数n=0；
步骤4：在将训练数据集输入待训练的异常检测模型训练前，将训练数据集的一维数据转换为二维特征图；
步骤5：训练数据集经过各隐含层的前向传播，交替进行卷积、批归一化、激活、下采样操作，最后输出得到当前生产任务完成时间的预测值；
步骤6：根据当前生产任务完成时间的预测值与实际任务完成时间，计算出异常检测模型的预测误差；
步骤7：若异常检测模型的当前迭代次数n不满足最大迭代次数，则跳转至步骤8进行误差反向传播，若n满足最大迭代次数，则跳转至步骤11；
步骤8：初始化异常检测模型的参数向量，其中，参数向量包括每层的权值矩阵、偏置、一阶矩估计、二阶矩估计、矩估计的指数衰减速率中至少一种，并令时间步t=0；
步骤9：令t=t+1，n=n+1，计算对参数向量的导数，对异常检测模型的参数向量进行更新；
步骤10：判断n是否满足最大迭代次数，若满足，跳转至步骤4，若未满足，则跳转步骤9；
步骤11：异常检测模型训练完成，将测试集数据输入，预测当前生产任务的剩余完成时间。
示例性地，从历史生产状态和传感信息组成的数据集中，随机划分80%的数据作为训练数据集，20%的数据作为测试数据集。选择适当的异常检测模型，比如深度学习中的卷积神经网络（CNN），确定模型的结构，包括卷积层数、下采样层数、全连接层的层数和各层神经元个数、批量化尺寸等，设置超参数，如学习率、L2正则项系数等。在(0, 1)范围内随机初始化模型的权值矩阵和偏置参数，设置最大迭代次数（例如，1000次）和初始迭代次数n=0。
将训练数据集的一维数据转换为二维特征图，适应卷积神经网络的输入格式，进行模型的前向传播：将数据通过各隐含层进行前向传播，执行卷积、批归一化、激活函数、下采样等操作，得到生产任务完成时间的预测值。计算预测误差，将预测值与实际任务完成时间进行比较，执行误差反向传播（反向传播算法），更新模型的参数向量（包括权值矩阵和偏置参数），根据当前迭代次数n判断是否满足最大迭代次数，如果满足则跳转至步骤4，如果不满足则继续迭代。
基于深度学习模型的异常检测在学习历史数据模式的基础上，能够高度准确地识别传感信息中的异常，边缘计算设备上的模型能够实时处理传感信息，及时识别并响应异常情况，确保生产过程的即时监控和调整。通过准确预测生产任务完成时间，生产管理者能够更好地调整生产计划，提高生产效率和资源利用率，及时识别异常并通知相关人员，帮助企业快速采取行动，减少生产损失和质量问题。异常检测模型通过多轮迭代和反向传播，提高了模型的鲁棒性，对于不同类型的异常场景有较好的适应性，边缘计算设备上的模型经过充分训练，确保了系统的稳定性和可靠性，在长期运行中能够保持高效运作。
S103. 若存在异常，则将异常数据反馈至生产参数调整系统，并且对多个数据元组进行加密后发送至云端，在云端通过远程控制功能调整生产参数，并且构建与所述生产现场对应的数字孪生体，对调整结果进行可视化显示；若不存在异常，则将所述传感信息存储至所述边缘计算设备的数据库中。
示例性地，当边缘计算设备检测到异常数据元组时，将该数据元组发送至生产参数调整系统，生产参数调整系统接收到异常数据后，根据预设的规则和算法进行生产参数调整，确保生产过程稳定。
异常数据元组在传输前使用AES加密算法进行加密，确保数据的机密性，加密后的异常数据元组通过安全通道发送至云端服务器，保障数据在传输过程中的安全性。云端服务器接收到加密的异常数据后，解密数据，并将异常信息与相应的生产参数调整命令关联；使用接收到的异常数据和调整命令构建数字孪生体，该孪生体模拟了生产现场的实时状态；远程控制系统使用数字孪生体进行模拟实验和场景分析，评估不同生产参数对异常的影响，并提供最优的生产参数调整建议。
调整结果和异常数据的分析结果通过可视化工具（如图表、仪表盘等）展示，以便生产管理人员直观了解生产过程状态；可视化界面显示异常数据、调整前后的生产参数、产量、成本等关键指标，帮助用户全面了解生产过程的影响因素和调整效果；对于正常的传感信息数据元组，直接存储至边缘计算设备的数据库中，以备后续分析和历史数据查询。
在一种可选的实施方式中，将异常数据反馈至生产参数调整系统，并且对多个数据元组进行加密后发送至云端包括：
随机生成一对密钥和初始化加密向量，其中，密钥包括公钥和私钥，所述公钥用于加密数据，所述私钥用于解密数据；
对当前数据元组通过公钥和前一数据元组的初始化加密向量进行数据加密，通过安全通信协议将加密后的数据发送至云端；
云端根据所述私钥对加密后的数据进行解密，获取当前数据元组的原始格式。
示例性地，系统在边缘计算设备和云端分别生成一对非对称密钥（公钥和私钥），确保数据的安全传输；为了加强安全性，每次会话过程中，生成一个随机的初始化向量（IV），用于加密当前数据元组；当有异常数据元组产生时，使用公钥和前一数据元组的初始化向量进行数据加密；加密过程采用对称加密算法（如AES），使用公钥加密数据，并将初始化向量与密文一同传输至云端，通过安全通信协议（如HTTPS）将加密后的数据和初始化向量发送至云端服务器。
云端服务器接收到加密的数据和初始化向量后，使用预先存储的私钥和初始化向量进行解密；使用私钥和初始化向量解密密文，得到原始的异常数据元组。其中，密钥的生成、存储和更新需要进行严格管理，确保只有授权人员能够访问私钥，定期更换密钥对，以减小破解的风险，确保系统的长期安全性；每次生成新的初始化向量，确保同样的数据在不同会话中使用不同的向量加密，增强安全性。
异常数据通过非对称加密和对称加密技术进行加密，确保传输过程中数据的机密性，即使在传输过程中被截获，也无法被解密；采用非对称加密算法，有效管理公钥和私钥，确保密钥的安全性和难以被破解；使用HTTPS等安全通信协议，保障数据在传输过程中的完整性和机密性，防止数据被中间人攻击或篡改；随机生成的初始化向量每次不同，增加了攻击者破解的难度，提高了数据传输的安全性。密钥的定期更换和初始化向量的随机生成增加了系统的鲁棒性和安全性，保障了系统的长期稳定性。
在一种可选的实施方式中，在云端通过远程控制功能调整生产参数包括：
根据生产现场的生产条件，根据管道生产的产量设置产量约束条件以及所述产量约束条件对应的惩罚系数；
引入多个附加条件，并且为所述多个附加条件设置对应的附加约束权重；
综合所述产量约束条件、所述惩罚系数以及所述多个附加条件、所述附加约束权重，以所述管道生产的产量最大化为目标迭代调整生产参数。
在一种可选的实施方式中，综合所述产量约束条件、所述惩罚系数以及所述多个附加条件、所述附加约束权重，以所述管道生产的产量最大化为目标迭代调整生产参数包括：
；
其中，J()表示目标函数，(X1,X2,…,Xn)表示生产参数，Y表示产量预测值，m、k分别表示产量约束条件的数量以及附加条件的数量，wi、Pi分别表示第i个产量约束条件对应的惩罚系数以及第i个产量约束条件，rj表示第j个附加约束权重，hj(X)表示第j个附加约束条件函数。
示例性地，根据生产现场的生产条件，设置管道生产的产量约束条件，例如每小时产量不低于预设单位；设定相应的惩罚系数，当产量未达到约束条件时，根据产量与约束条件的偏差程度，施加不同程度的惩罚。惩罚系数可根据生产的重要性和生产目标的紧急程度来调整。
引入多个附加条件，如原材料消耗、设备利用率、能源消耗等，这些条件可以是生产过程中的各种资源利用情况；为每个附加条件设置相应的附加约束权重，权重反映了该条件对生产目标的影响程度，权重的设定可以由生产专家根据经验进行调整。将产量约束条件、惩罚系数、多个附加条件和附加约束权重综合成一个目标函数；目标函数的形式可以是一个多目标规划问题，其中包含了产量约束条件、惩罚项（根据产量偏差计算）、多个附加条件和对应的权重。在算法中引入适应度函数，将目标函数和约束条件转化为适应度函数，以便算法能够搜索最优解。
假设在某个管道生产场景中，需要保证每小时生产的管道数量不少于1000根。此外，还有两个附加条件：原材料消耗不能超过2000吨，设备利用率需保持在90%以上；对于产量未达到1000根的，每不达到一根，罚款金额为1000元；附加条件的权重分别为0.5（原材料消耗）和0.3（设备利用率）。
可以根据上述公式构建目标函数，调整生产参数，直至产量最大化。
可以理解的是，主要优化目标是产量，确保管道生产过程实现最大产量，提高生产效率和产值；产量约束条件确保了管道生产的最低产量，保证生产始终满足基本需求；惩罚系数的引入，对未达到产量约束的情况施加罚款，激励系统始终达到或超过产量约束；附加条件及其权重，考虑了生产中的其他因素（如原材料消耗、能源消耗等），优化这些条件以最大程度利用生产资源。目标函数综合了多个产量约束条件、惩罚机制和附加条件，以多目标优化的方式调整生产参数，使得生产系统在产量、资源利用和其他附加条件方面达到平衡。
在一种可选的实施方式中，构建与所述生产现场对应的数字孪生体包括：
以所述生产现场的车间为根层次，以车间环境、人员、立体仓库、物流系统以及机加工、装配检测单元为茎层次，以构成各茎层次的设备作为叶层次从而以三层结构化组织车间资源，对数字化制造车间涉及到的人员、设备、厂房、物料对象，在几何维度上对物理车间进行准确映射。
所述数字孪生体包括：
物理实体层，通过传感器收集真实世界的信息并将其传给计算模块；
孪生产品层，在云端构建与物理实体一对一的数字孪生体；
点对点通信，通过将所包含的所有物理实体或网络进行唯一身份绑定，每当物理实体发生变化时，传感器就会将物理实体的当前状态推送至数字孪生体，从而实现物理实体的实时虚拟映射；
智能服务层，利用贝叶斯网络设计智能交互控制器并构造模糊规则库，进行数字孪生重构和实时决策；
系统应用层，基于情景驱动为用户提供多种数据融合方式。
构建与生产现场对应的数字孪生体是现代制造业中的一项关键技术，它模拟和映射了实际生产过程的所有方面，包括设备、人员、材料、环境等，以数字化的方式呈现在计算机系统中。
示例性地，本申请的数字孪生体包括：将生产现场的车间设为根节点，将车间环境、人员、立体仓库、物流系统、机加工、装配检测单元等定义为车间的茎层次节点，每个节点代表一个子系统；每个茎层次节点下挂载具体的设备、机器、传感器等作为叶层次节点，代表具体的物理实体；使用几何学原理，将每个叶层次节点的几何特征（位置、形状、大小）映射到数字化空间中。基于几何映射，采用计算机辅助设计（CAD）技术，为每个叶层次节点创建3D模型，包括设备、人员、厂房、物料等，确保数字孪生体与实际物理空间的精确对应。
可选地，以根层次为管道装配车间为例，茎层次可以包括车间环境：包括温度、湿度、空气质量等传感器；人员：每个员工携带身份识别卡，定位系统跟踪员工位置；立体仓库：自动化立体仓库系统，配备货物传感器；物流系统：AGV（自动导引|车）和传感器网络；机加工单元：包含各类机床，配备运行状态传感器；装配检测单元：装配线上的各个检测点，包括视觉检测、传感器检测等。叶层次：设备：每台机床、AGV等具体设备；人员：每个员工，包括其身份信息和位置；物料：每个零部件、原材料，具有追溯码和传感器标识。
通过以上结构，数字孪生体可以准确映射现实世界中的车间资源，实时更新各节点的状态，帮助管理人员和工程师了解车间运行情况，进行生产优化和决策。
示例性地，本申请的数字孪生体包括：
物理实体层：可以通过部署各种传感器（温度、湿度、压力、运动等）在生产现场的设备和环境中，用于实时采集各种参数数据；采集到的数据通过安全的通信协议传输至计算模块，确保数据的完整性和保密性。
孪生产品层：可以将传感器采集到的数据存储在云端数据库中，构建与物理实体一对一的数字孪生体；使用大数据分析和机器学习技术，对云端数据进行处理和建模，构建数字孪生体的模型。
点对点通信：为所有物理实体分配唯一的身份标识，确保每个实体都有独立的识别码。每当物理实体发生变化时，相关传感器将实时数据推送至云端，保持数字孪生体与实际情况的同步。
智能服务层：构建贝叶斯网络模型，用于分析传感器数据之间的关系，帮助识别潜在的问题和优化机制；建立模糊规则库，用于处理传感器数据的模糊、不确定性问题，提供更加智能化的决策支持。
系统应用层：根据不同的生产情景，设计相应的数据融合算法，将来自不同传感器的数据进行融合，提供更加全面的生产信息；基于数据融合的结果，设计用户友好的界面，提供多种数据可视化方式，以帮助用户更好地理解生产现场的状况。
通过传感器实时收集生产现场各个实体的数据，包括温度、湿度、压力、生产速度等，形成数字孪生体的基础数据；数字孪生体可以基于实时数据进行分析和优化，提供实时的生产指导和调整建议，帮助实现生产过程的优化和提高效率；数字孪生体能够模拟各种运行状况，便于识别和定位实体（设备或系统）中的问题，从而实现快速故障诊断。基于历史数据，数字孪生体可以通过机器学习算法预测设备的维护需求，帮助实现预防性维护，减少生产中断和损失。可以在数字孪生体上进行生产过程的虚拟仿真，预测不同参数对生产效果的影响，避免实际生产中的试错成本；基于仿真结果，可以优化生产过程中的参数和工艺，提高生产效率、降低能耗，优化生产资源的利用。
图2为本发明实施例管道生产过程远程监控系统的结构示意图，如图2所示，所述系统包括：
第一单元，用于基于在生产现场部署的传感器实时获取管道生产过程的传感信息，将所述传感信息发送至与所述生产现场关联的边缘计算设备，其中，所述传感信息包括温度信息、压力信息、流量信息中至少一种；
第二单元，用于通过所述边缘计算设备的实时数据处理流程将所述传感信息分解为多个数据元组，通过所述边缘计算设备的异常检测模型检测所述多个数据元组是否存在异常，其中，所述数据元组用于指示所述传感信息对应数据集合；
第三单元，用于若存在异常，则将异常数据反馈至生产参数调整系统，并且对多个数据元组进行加密后发送至云端，在云端通过远程控制功能调整生产参数，并且构建与所述生产现场对应的数字孪生体，对调整结果进行可视化显示；若不存在异常，则将所述传感信息存储至所述边缘计算设备的数据库中。
本发明实施例的第三方面，提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本发明实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，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，或者对其中部分或者全部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发明各实施例技术方案的范围。
Claims (10)
1.一种管道生产过程远程监控方法，其特征在于，包括：
基于在生产现场部署的传感器实时获取管道生产过程的传感信息，将所述传感信息发送至与所述生产现场关联的边缘计算设备，其中，所述传感信息包括温度信息、压力信息、流量信息中至少一种；
通过所述边缘计算设备的实时数据处理流程将所述传感信息分解为多个数据元组，通过所述边缘计算设备的异常检测模型检测所述多个数据元组是否存在异常，其中，所述数据元组用于指示所述传感信息对应数据集合；
若存在异常，则将异常数据反馈至生产参数调整系统，并且对多个数据元组进行加密后发送至云端，在云端通过远程控制功能调整生产参数，并且构建与所述生产现场对应的数字孪生体，对调整结果进行可视化显示；若不存在异常，则将所述传感信息存储至所述边缘计算设备的数据库中。
2.根据权利要求1所述的方法，其特征在于，通过所述边缘计算设备的异常检测模型检测所述多个数据元组是否存在异常之前，所述方法还包括训练异常检测模型：
步骤1：随机将由生产现场的历史生产状态以及传感信息组成的数据集划分为训练数据集和测试数据集；
步骤2：确定待训练的异常检测模型的结构与参数，其中，异常检测模型的结构与参数包括网络的卷积层数、下采样层数、全连接层的层数和各层神经元个数、批量化尺寸、L2正则项系数、保留率、最大迭代次数中至少一种；
步骤3:在(0,1)范围内随机对待训练的异常检测模型进行权值矩阵、偏置参数的初始化，并令迭代次数n=0；
步骤4：在将训练数据集输入待训练的异常检测模型训练前，将训练数据集的一维数据转换为二维特征图；
步骤5：训练数据集经过各隐含层的前向传播，交替进行卷积、批归一化、激活、下采样操作，最后输出得到当前生产任务完成时间的预测值；
步骤6：根据当前生产任务完成时间的预测值与实际任务完成时间，计算出异常检测模型的预测误差；
步骤7：若异常检测模型的当前迭代次数n不满足最大迭代次数，则跳转至步骤8进行误差反向传播，若n满足最大迭代次数，则跳转至步骤11；
步骤8：初始化异常检测模型的参数向量，其中，参数向量包括每层的权值矩阵、偏置、一阶矩估计、二阶矩估计、矩估计的指数衰减速率中至少一种，并令时间步t=0；
步骤9：令t=t+1，n=n+1，计算对参数向量的导数，对异常检测模型的参数向量进行更新；
步骤10：判断n是否满足最大迭代次数，若满足，跳转至步骤4，若未满足，则跳转步骤9；
步骤11：异常检测模型训练完成，将测试集数据输入，预测当前生产任务的剩余完成时间。
3.根据权利要求1所述的方法，其特征在于，将异常数据反馈至生产参数调整系统，并且对多个数据元组进行加密后发送至云端包括：
随机生成一对密钥和初始化加密向量，其中，密钥包括公钥和私钥，所述公钥用于加密数据，所述私钥用于解密数据；
对当前数据元组通过公钥和前一数据元组的初始化加密向量进行数据加密，通过安全通信协议将加密后的数据发送至云端；
云端根据所述私钥对加密后的数据进行解密，获取当前数据元组的原始格式。
4.根据权利要求1所述的方法，其特征在于，构建与所述生产现场对应的数字孪生体包括：
以所述生产现场的车间为根层次，以车间环境、人员、立体仓库、物流系统以及机加工、装配检测单元为茎层次，以构成各茎层次的设备作为叶层次从而以三层结构化组织车间资源，对数字化制造车间涉及到的人员、设备、厂房、物料对象，在几何维度上对物理车间进行准确映射。
5.根据权利要求1所述的方法，其特征在于，所述数字孪生体包括：
物理实体层，通过传感器收集真实世界的信息并将其传给计算模块；
孪生产品层，在云端构建与物理实体一对一的数字孪生体；
点对点通信，通过将所包含的所有物理实体或网络进行唯一身份绑定，每当物理实体发生变化时，传感器就会将物理实体的当前状态推送至数字孪生体，从而实现物理实体的实时虚拟映射；
智能服务层，利用贝叶斯网络设计智能交互控制器并构造模糊规则库，进行数字孪生重构和实时决策；
系统应用层，基于情景驱动为用户提供多种数据融合方式。
6.根据权利要求1所述的方法，其特征在于，在云端通过远程控制功能调整生产参数包括：
根据生产现场的生产条件，根据管道生产的产量设置产量约束条件以及所述产量约束条件对应的惩罚系数；
引入多个附加条件，并且为所述多个附加条件设置对应的附加约束权重；
综合所述产量约束条件、所述惩罚系数以及所述多个附加条件、所述附加约束权重，以所述管道生产的产量最大化为目标迭代调整生产参数。
7.根据权利要求6所述的方法，其特征在于，综合所述产量约束条件、所述惩罚系数以及所述多个附加条件、所述附加约束权重，以所述管道生产的产量最大化为目标迭代调整生产参数包括：
；
其中，J()表示目标函数，(X1,X2,…,Xn)表示生产参数，Y表示产量预测值，m、k分别表示产量约束条件的数量以及附加条件的数量，wi、Pi分别表示第i个产量约束条件对应的惩罚系数以及第i个产量约束条件，rj表示第j个附加约束权重，hj(X)表示第j个附加约束条件函数。
8.一种管道生产过程远程监控系统，其特征在于，包括：
第一单元，用于基于在生产现场部署的传感器实时获取管道生产过程的传感信息，将所述传感信息发送至与所述生产现场关联的边缘计算设备，其中，所述传感信息包括温度信息、压力信息、流量信息中至少一种；
第二单元，用于通过所述边缘计算设备的实时数据处理流程将所述传感信息分解为多个数据元组，通过所述边缘计算设备的异常检测模型检测所述多个数据元组是否存在异常，其中，所述数据元组用于指示所述传感信息对应数据集合；
第三单元，用于若存在异常，则将异常数据反馈至生产参数调整系统，并且对多个数据元组进行加密后发送至云端，在云端通过远程控制功能调整生产参数，并且构建与所述生产现场对应的数字孪生体，对调整结果进行可视化显示；若不存在异常，则将所述传感信息存储至所述边缘计算设备的数据库中。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311422712.8A CN117148775B (zh) | 2023-10-31 | 2023-10-31 | 管道生产过程远程监控方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311422712.8A CN117148775B (zh) | 2023-10-31 | 2023-10-31 | 管道生产过程远程监控方法、系统、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117148775A true CN117148775A (zh) | 2023-12-01 |
| CN117148775B CN117148775B (zh) | 2024-01-23 |
Family
ID=88903072
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311422712.8A Active CN117148775B (zh) | 2023-10-31 | 2023-10-31 | 管道生产过程远程监控方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117148775B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109799533A (zh) * | 2018-12-28 | 2019-05-24 | 中国石油化工股份有限公司 | 一种基于双向循环神经网络的储层预测方法 |
| CN109947072A (zh) * | 2017-12-13 | 2019-06-28 | 西门子股份公司 | 用于在生产过程期间自动检测异常工件的数据驱动方法 |
| CN110717302A (zh) * | 2019-09-27 | 2020-01-21 | 云南电网有限责任公司 | 面向电网实时在线监测业务的边缘计算终端设备布设方法 |
| CN111857065A (zh) * | 2020-06-08 | 2020-10-30 | 北京邮电大学 | 基于边缘计算和数字孪生的智能生产系统和方法 |
| CN112200244A (zh) * | 2020-10-09 | 2021-01-08 | 西安交通大学 | 一种基于递阶对抗训练的航天发动机异常智能检测方法 |
| CN112449362A (zh) * | 2020-11-18 | 2021-03-05 | 中国科学院上海微系统与信息技术研究所 | 基于信物模型的智能传感器自适应配置方法、装置及系统 |
| CN113391239A (zh) * | 2021-06-10 | 2021-09-14 | 国网四川省电力公司营销服务中心 | 一种基于边缘计算的互感器异常监测方法与系统 |
| CN113778034A (zh) * | 2021-09-14 | 2021-12-10 | 宏普科技（扬州）有限公司 | 一种基于边缘计算的智能制造监测工业互联网平台 |
| CN114048600A (zh) * | 2021-11-09 | 2022-02-15 | 苏州纽克斯电源技术股份有限公司 | 一种数字孪生驱动的多模型融合工业系统异常检测方法 |
| CN114184232A (zh) * | 2021-12-10 | 2022-03-15 | 重庆大学 | 一种输电线路多参量集成监测系统 |
| CN114285012A (zh) * | 2021-12-23 | 2022-04-05 | 中国电力科学研究院有限公司 | 继电保护装置动作定值优化方法、系统、设备及存储介质 |
| CN115017015A (zh) * | 2022-08-04 | 2022-09-06 | 北京航空航天大学 | 一种边缘计算环境下程序异常行为检测方法及系统 |
| CN115225536A (zh) * | 2022-06-17 | 2022-10-21 | 上海仪电（集团）有限公司中央研究院 | 一种基于无监督学习的虚拟机异常检测方法及系统 |
| WO2022228049A1 (zh) * | 2021-04-27 | 2022-11-03 | 浙大城市学院 | 基于5g边缘计算和深度学习的航空发动机故障诊断方法 |
| US20230176560A1 (en) * | 2021-12-02 | 2023-06-08 | Zhejiang University | Edge-cloud collaborative fault detection method for low-voltage distribution network based on random matrix theory |
-
2023
- 2023-10-31 CN CN202311422712.8A patent/CN117148775B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109947072A (zh) * | 2017-12-13 | 2019-06-28 | 西门子股份公司 | 用于在生产过程期间自动检测异常工件的数据驱动方法 |
| CN109799533A (zh) * | 2018-12-28 | 2019-05-24 | 中国石油化工股份有限公司 | 一种基于双向循环神经网络的储层预测方法 |
| CN110717302A (zh) * | 2019-09-27 | 2020-01-21 | 云南电网有限责任公司 | 面向电网实时在线监测业务的边缘计算终端设备布设方法 |
| CN111857065A (zh) * | 2020-06-08 | 2020-10-30 | 北京邮电大学 | 基于边缘计算和数字孪生的智能生产系统和方法 |
| CN112200244A (zh) * | 2020-10-09 | 2021-01-08 | 西安交通大学 | 一种基于递阶对抗训练的航天发动机异常智能检测方法 |
| CN112449362A (zh) * | 2020-11-18 | 2021-03-05 | 中国科学院上海微系统与信息技术研究所 | 基于信物模型的智能传感器自适应配置方法、装置及系统 |
| WO2022228049A1 (zh) * | 2021-04-27 | 2022-11-03 | 浙大城市学院 | 基于5g边缘计算和深度学习的航空发动机故障诊断方法 |
| CN113391239A (zh) * | 2021-06-10 | 2021-09-14 | 国网四川省电力公司营销服务中心 | 一种基于边缘计算的互感器异常监测方法与系统 |
| CN113778034A (zh) * | 2021-09-14 | 2021-12-10 | 宏普科技（扬州）有限公司 | 一种基于边缘计算的智能制造监测工业互联网平台 |
| CN114048600A (zh) * | 2021-11-09 | 2022-02-15 | 苏州纽克斯电源技术股份有限公司 | 一种数字孪生驱动的多模型融合工业系统异常检测方法 |
| US20230176560A1 (en) * | 2021-12-02 | 2023-06-08 | Zhejiang University | Edge-cloud collaborative fault detection method for low-voltage distribution network based on random matrix theory |
| CN114184232A (zh) * | 2021-12-10 | 2022-03-15 | 重庆大学 | 一种输电线路多参量集成监测系统 |
| CN114285012A (zh) * | 2021-12-23 | 2022-04-05 | 中国电力科学研究院有限公司 | 继电保护装置动作定值优化方法、系统、设备及存储介质 |
| CN115225536A (zh) * | 2022-06-17 | 2022-10-21 | 上海仪电（集团）有限公司中央研究院 | 一种基于无监督学习的虚拟机异常检测方法及系统 |
| CN115017015A (zh) * | 2022-08-04 | 2022-09-06 | 北京航空航天大学 | 一种边缘计算环境下程序异常行为检测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 葛世荣;张帆;王世博;王忠宾;: "数字孪生智采工作面技术架构研究", 煤炭学报, no. 06 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117148775B (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111562769B (zh) | 用于工业数字孪生的ai扩展和智能模型验证 | |
| US10902368B2 (en) | Intelligent decision synchronization in real time for both discrete and continuous process industries | |
| KR101825881B1 (ko) | 빅 데이터 분석을 이용한 제조 공정 관리 방법 및 이를 이용한 제조 공정 관리 시스템 | |
| CN107976968B (zh) | 用于检测过程工厂中的阀的操作模式的方法和系统 | |
| US7568000B2 (en) | Shared-use data processing for process control systems | |
| CN100555136C (zh) | 加工厂中的异常状况预防方法和系统 | |
| CN108089696A (zh) | 用于工业自动化的虚拟现实和增强现实 | |
| CN108073277A (zh) | 用于工业自动化的虚拟现实和增强现实 | |
| CN107690507A (zh) | 钻机控制系统 | |
| CN116911700B (zh) | 一种基于bim与iot的工程安全与质量监管方法及系统 | |
| KR102252887B1 (ko) | Ot 네트워크에서의 계층적 데이터 이상탐지 시스템 및 그 방법 | |
| CN117148775B (zh) | 管道生产过程远程监控方法、系统、设备及介质 | |
| CN113573856A (zh) | 机器学习模型运用管理系统以及机器学习模型运用管理方法 | |
| CN105900030A (zh) | 用于分析厂房内的生产和/或处理工程工序和/或工序步骤的方法、系统和计算机程序产品 | |
| CN114326517A (zh) | 一种基于虚拟现实的远程管理方法和系统 | |
| CN108370375A (zh) | 现场设备的访问密钥 | |
| CN110506270A (zh) | 风险分析以识别和回顾网络安全威胁 | |
| Bouzeraib et al. | A multi-objective genetic gan oversampling: Application to intelligent transport anomaly detection\ | |
| EP3995920A1 (en) | Event analytics in modular industrial plants | |
| CN112036913A (zh) | 应用区块链技术实现生产流水线设备溯源的系统及方法 | |
| CN117644431B (zh) | 基于数字孪生模型的cnc机床加工质量分析方法及系统 | |
| CN116976862B (zh) | 一种工厂设备信息化管理系统及方法 | |
| CN117170658B (zh) | 一种适用于涂布机的控制系统软件编辑方法及系统 | |
| EP4369119A1 (en) | Industrial automation data staging and transformation | |
| EP4369121A1 (en) | Industrial data extraction |
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 |