CN117150333B - 一种冲压成型设备的运维监管方法及系统 - Google Patents
一种冲压成型设备的运维监管方法及系统 Download PDFInfo
- Publication number
- CN117150333B CN117150333B CN202311425215.3A CN202311425215A CN117150333B CN 117150333 B CN117150333 B CN 117150333B CN 202311425215 A CN202311425215 A CN 202311425215A CN 117150333 B CN117150333 B CN 117150333B
- Authority
- CN
- China
- Prior art keywords
- data
- maintenance
- abnormal
- result
- 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.)
- Active
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 162
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000002159 abnormal effect Effects 0.000 claims abstract description 102
- 238000012544 monitoring process Methods 0.000 claims abstract description 63
- 238000013507 mapping Methods 0.000 claims abstract description 44
- 239000002994 raw material Substances 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 238000007405 data analysis Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims description 39
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 14
- 230000000737 periodic effect Effects 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 13
- 230000005856 abnormality Effects 0.000 claims description 10
- 238000004080 punching Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000007547 defect Effects 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 15
- 238000004519 manufacturing process Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B30—PRESSES
- B30B—PRESSES IN GENERAL
- B30B15/00—Details of, or accessories for, presses; Auxiliary measures in connection with pressing
- B30B15/26—Programme control arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Mechanical Engineering (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种冲压成型设备的运维监管方法及系统,涉及数据处理技术领域,该方法包括:进行设备运行数据调用,并建立调用数据与产品数据的映射关联;以输入样本对冲压质量补偿,并进行成型设备的运行数据与异常标识映射;将映射结果执行数据聚类,生成N个数据聚类簇;生成初始特征约束,通过联动异常补偿获得补偿数据,建立运维监督网络,对实时监测数据进行数据分析,生成运维监管结果。本发明解决了现有技术中在进行冲压成型设备的运行状态分析时,未考虑冲压原材料的影响,导致运维监管效果不佳的技术问题,达到了基于原材料质量特征对设备运行数据进行补偿,提高设备运行分析的准确性,进而提高设备运维管理水平的技术效果。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种冲压成型设备的运维监管方法及系统。
背景技术
冲压设备是利用机械原理来实现冷弯成型的设备,是现代工业生产中不可缺少的一种设备,科学的运行监测和定期预防性维修,能够使设备保持良好的运行状态,延长设备的使用寿命,减少生产过程中的事故和停机时间,提高生产效益。但目前的运维管理,多依赖设备运行数据的监测,未排除生产原材料造成的产品质量问题,导致运维管理的效果不佳。
发明内容
本申请提供了一种冲压成型设备的运维监管方法及系统,用于解决现有技术中在进行冲压成型设备的运行状态分析时,未考虑冲压原材料的影响,导致运维监管效果不佳的技术问题。
本申请的第一个方面,提供了一种冲压成型设备的运维监管方法,所述方法包括:建立冲压成型设备的设备通信,通过所述设备通信进行运行数据调用,并建立调用数据与产品数据的映射关联,其中,所述产品数据通过采集产品冲压质量和输入样本获得;以所述输入样本对所述冲压质量补偿,并基于补偿结果进行成型设备的运行数据与异常标识映射;将映射结果作为基础空间数据,并执行所述基础空间数据的数据聚类,生成N个数据聚类簇,其中,所述N个数据聚类簇包含同一数据的复用聚类结果,且所述N个数据聚类簇带有聚类标识;通过聚类标识进行N个数据聚类簇的特征变化与异常标识的变化分析,生成初始特征约束;建立运维监督网络,所述运维监督网络通过补偿数据建立,所述补偿数据通过调用复用数据,基于所述复用数据进行初始特征约束的联动异常补偿获得;根据运维监督网络对所述冲压成型设备的实时监测数据进行数据分析,生成运维监管结果。
本申请的第二个方面,提供了一种冲压成型设备的运维监管系统,所述系统包括:映射关联建立模块,所述映射关联建立模块用于建立冲压成型设备的设备通信,通过所述设备通信进行运行数据调用,并建立调用数据与产品数据的映射关联,其中,所述产品数据通过采集产品冲压质量和输入样本获得;异常标识映射模块,所述异常标识映射模块用于以所述输入样本对所述冲压质量补偿,并基于补偿结果进行成型设备的运行数据与异常标识映射;数据聚类簇生成模块,所述数据聚类簇生成模块用于将映射结果作为基础空间数据,并执行所述基础空间数据的数据聚类,生成N个数据聚类簇,其中,所述N个数据聚类簇包含同一数据的复用聚类结果,且所述N个数据聚类簇带有聚类标识;初始特征约束生成模块,所述初始特征约束生成模块用于通过聚类标识进行N个数据聚类簇的特征变化与异常标识的变化分析,生成初始特征约束;运维监督网络建立模块,所述运维监督网络建立模块用于建立运维监督网络,所述运维监督网络通过补偿数据建立,所述补偿数据通过调用复用数据,基于所述复用数据进行初始特征约束的联动异常补偿获得;运维监管结果生成模块,所述运维监管结果生成模块用于根据运维监督网络对所述冲压成型设备的实时监测数据进行数据分析,生成运维监管结果。
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:
本申请提供的一种冲压成型设备的运维监管方法,涉及数据处理技术领域,通过进行设备运行数据调用,并建立调用数据与产品数据的映射关联,以输入样本对冲压质量补偿,并进行运行数据与异常标识映射,然后将映射结果执行数据聚类,生成N个数据聚类簇,进而生成初始特征约束,通过联动异常补偿获得补偿数据,建立运维监督网络,对实时监测数据进行数据分析,生成运维监管结果,解决了现有技术中在进行冲压成型设备的运行状态分析时,未考虑冲压原材料的影响,导致运维监管效果不佳的技术问题,实现了基于原材料质量特征对设备运行数据进行补偿,提高设备运行分析的准确性,进而提高设备运维管理水平的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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一种冲压成型设备的运维监管方法流程示意图;
图2为本申请实施例提供的一种冲压成型设备的运维监管方法中通过非活动特征约束和联动特征约束获得所述补偿数据的流程示意图;
图3为本申请实施例提供的一种冲压成型设备的运维监管方法中通过重构后的异常结果生成运维监管结果的流程示意图;
图4为本申请实施例提供的一种冲压成型设备的运维监管系统结构示意图。
附图标记说明:映射关联建立模块11,异常标识映射模块12,数据聚类簇生成模块13,初始特征约束生成模块14,运维监督网络建立模块15,运维监管结果生成模块16。
具体实施方式
本申请提供了一种冲压成型设备的运维监管方法,用于解决现有技术中在进行冲压成型设备的运行状态分析时,未考虑冲压原材料的影响,导致运维监管效果不佳的技术问题。
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、完整的描述。显然,所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,本领域普通技术人员在没有作出创造性劳动的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。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例一
如图1所示,本申请提供了一种冲压成型设备的运维监管方法,所述方法包括:
P10:建立冲压成型设备的设备通信,通过所述设备通信进行运行数据调用,并建立调用数据与产品数据的映射关联,其中,所述产品数据通过采集产品冲压质量和输入样本获得;
应当理解的是,建立与待监测冲压成型设备的设备通信,也就是数据传输路径,通过所述设备通信进行待监测冲压成型设备的运行数据调用,获得当前设备在过去一段时间内的运行数据,作为调用数据,同时,采集产品冲压质量和输入样本,所述产品冲压质量是指当前设备加工完成的成品的冲压质量数据,所述输入样本是指加工原材料样本数据,包括材料的纯度、硬度、表面质量等,进一步的,将所述产品冲压质量和输入样本作为产品数据,建立与所述调用数据的映射关联,也就是将成品的原材料数据、加工时的设备运行数据、成品质量进行一一对应关联,以方便后续进行冲压质量补偿。
P20:以所述输入样本对所述冲压质量补偿,并基于补偿结果进行成型设备的运行数据与异常标识映射;
示例性的,使用所述输入样本对所述冲压质量进行补偿,也就是建立原材料质量问题与冲压成品质量问题之间的联系,例如原材料版面由波纹造成的冲压成品起皱缺陷、原材料表面有麻点磕碰,使用生产出的冲压拉伸件外观不良等关联问题,并基于所述补偿结果,去除因原材料导致的成品异常数据,进而重新建立成型设备的运行数据与成品异常数据的标识映射,也就是筛选出由设备运行问题导致的成品质量异常数据,并重新进行设备运行数据和成品质量异常数据的关联标识,由此排除原材料造成的产品质量问题对设备运行数据异常的干扰。
P30:将映射结果作为基础空间数据,并执行所述基础空间数据的数据聚类,生成N个数据聚类簇,其中,所述N个数据聚类簇包含同一数据的复用聚类结果,且所述N个数据聚类簇带有聚类标识;
可选的,将设备运行数据与成品质量异常数据之间的映射结果作为基础空间数据,也就是用来进行设备运行异常分析的运行数据提取空间,并按照运行异常参数类型进行数据聚类,所述运行异常参数类型包括冲压力、温度、冲压速度、模具间隙等,将同一参数类型的所述映射结果放在同一个簇中,不同参数类型的所述映射结果放在不同的簇中,生成N个数据聚类簇。
其中,由于同一成品质量问题可能由多个运行参数异常造成,所有所述N个数据聚类簇包含同一数据的复用聚类结果,例如冲压力过大和冲压速度过快共同造成的产品变形问题。并且,所述N个数据聚类簇带有聚类标识,也就是每个数据聚类簇均带有相应的运行参数异常标识和成品质量异常标识。
P40:通过聚类标识进行N个数据聚类簇的特征变化与异常标识的变化分析,生成初始特征约束;
在本申请一种可能的实施例中,通过聚类标识进行N个数据聚类簇的特征变化与异常标识的变化分析,所述特征变化就是运行参数变化,通过聚类标识显示的各数据聚类簇中的运行参数值和产品质量异常的对应关系,也就是梳理出单个特征对应的异常结果,以此作为初始特征约束,可以反映每个异常参数与异常结果的对应关系。
P50:建立运维监督网络,所述运维监督网络通过补偿数据建立,所述补偿数据通过调用复用数据,基于所述复用数据进行初始特征约束的联动异常补偿获得;
具体的,调用复用数据,所述复用数据就是在上述聚类中重复使用过的数据,重复使用代表不止一个异常参数对应于一个异常结果,即同一个异常结果可能是由两个或者多个参数异常导致。基于所述复用数据进行初始特征约束的联动异常补偿,也就是根据所述复用数据寻找出由两个或两个以上异常参数导致的异常结果,并组成相应的聚类簇,对所述初始特征约束进行替换和补充,获得所述补偿数据,以方便后续作为所述运维监督网络的训练样本数据,提高所述运维监督网络对多个参数造成的异常结果的识别能力。
进一步的,分别以所述补偿数据中的异常参数与对应的异常结果作为训练样本数据,结合BP神经网络构建基于单个异常参数的异常识别子网络,以及基于多个异常参数的异常识别子网络,结合训练数据进行训练、验证和测试,直至子网络的输出达到收敛并满足预设的准确度要求,得到基于单个异常参数的异常识别子网络,以及基于多个异常参数的异常识别子网络,并由此组成运维监督网络,所述运维监督网络既可以识别单一参数异常导致的成品异常问题,又可以识别两个或两个以上参数异常导致的成品异常问题。
进一步的,如图2所示,本申请实施例步骤P50还包括:
P51:通过所述复用数据进行各个聚类标识下的联动区间划分,确定联动划分区域;
P52:将所述初始特征约束中与联动划分区域关联的约束调整为活动约束,对非活动约束对应数据重新执行特征变化与异常标识的变化分析,重构非活动特征约束;
P53:依据所述联动划分区域执行多参数的同步变化与异常标识的关联评价,根据关联评价结果建立联动特征约束;
P54:通过非活动特征约束和联动特征约束获得所述补偿数据。
可选的,通过所述复用数据进行各个聚类标识下的联动区间划分,确定联动划分区域,也就是确定各复用数据的复用范围,比如冲压速度的被重复使用的参数数值范围。进一步的,将所述初始特征约束与联动划分区域进行匹配,将属于联动划分区域范围的所述初始特征约束作为活动约束,也就是包含复用数据的聚类簇,将不属于联动划分区域范围的所述初始特征约束作为非活动约束。
进一步的,对非活动约束对应数据重新执行特征变化与异常标识的变化分析,也就是重新进行单一异常参数与异常结果的关联,重构非活动特征约束。依据所述联动划分区域执行多参数的同步变化与异常标识的关联评价,也就是将多参数异常数据与异常结果进行关联匹配,建立对应关系作为关联评价结果,并将关联评价结果作为联动特征约束。最后将非活动特征约束和联动特征约束共同作为所述补偿数据,可以作为所述运维监督网络的训练样本。
进一步的,本申请实施例步骤P51还包括:
P51-1:对N个数据聚类簇中的数据依据对应聚类标识进行标识参数的变化顺序排序,获得顺序排序结果;
P51-2:设定连续判定比例,所述连续判定比例为复用数据与常规数据的数据判定比例;
P51-3:通过所述复用数据和所述连续判定比例对所述顺序排序结果的连续联动划分;
P51-4:根据连续联动划分结果确定联动划分区域。
应当理解的是,依据对应聚类标识,将N个数据聚类簇中的数据按照标识参数的大小变化进行顺序排序,例如将异常冲压速度按照从小到大的顺序进行排序,获得顺序排序结果,也就是获得多个参数序列,进一步的,设定连续判定比例,所述连续判定比例为复用数据与常规数据的数据判定比例,也就是当参数序列中重复使用的数据量达到所述连续判定比例,那么该参数即为复用参数,例如设定连续判定比例为70%,当重复使用的数据超过70%,则为复用参数。
进一步的,通过所述复用数据和所述连续判定比例,对所述顺序排序结果的连续联动进行划分,也就是确定每个复用数据的复用数值范围,比如冲压速度的复用范围,以此作为连续联动划分结果,根据连续联动划分结果确定联动划分区域,也就是复用数据的复用数值范围。
P60:根据运维监督网络对所述冲压成型设备的实时监测数据进行数据分析,生成运维监管结果。
示例性的,将所述冲压成型设备的实时监测数据输入所述运维监督网络中,进行数据异常分析,所述实时监测数据包括设备运行参数监测数据和成品质量数据,通过成品质量数据进行设备异常参数识别,并根据异常参数识别结果,生成相应的运维监管指令,依照运维监管指令进行所述冲压成型设备的运维养护,以提高产品质量和生产效率、降低故障损失、延长设备使用寿命。
进一步的,如图3所示,本申请实施例还包括步骤P60a,步骤P60a还包括:
P61a:当任意数据分析结果为异常结果时,则进行对应异常结果的原材回溯;
P62a:根据原材回溯结果进行原材的异常影响补偿;
P63a:基于补偿结果进行异常结果重构,通过重构后的异常结果生成运维监管结果。
可选的,当出现任意数据分析结果为异常结果时,也就是出现任意的产品质量异常问题时,首先进行对应异常结果的原材回溯,也就是首先检查原材料的质量问题,根据原材回溯结果进行原材的异常影响补偿,也就是根据原材料的异常问题进行质量异常影响排除,基于补偿结果进行异常结果重构,去除因原材料问题造成的产品质量异常干扰,并使用去除干扰后的异常结果进行设备异常分析,生成设备运维监管结果。
进一步的,本申请实施例还包括步骤P70,步骤P70还包括:
P71:建立维护数据集,所述维护数据集为对所述冲压成型设备进行设备维护构建的维护特征集;
P72:依据所述维护数据集确定维护时间节点,并确定对应时间节点下的维护特征;
P73:以所述维护时间节点和所述维护特征进行关联特征的衰减评价,根据衰减评价结果添加N个数据聚类簇内的数据影响权重。
具体的,采集所述冲压成型设备在过去一段时间内(可以是三个月、半年等,具体时间可根据实际情况做适应性调整)的维护保养特征数据,包括维修部位、时间、故障类型等,组成维护数据集,根据所述维护数据集确定多个维护时间节点,并确定对应时间节点下的维护特征,也就是对应时间节点维护过的设备特征,例如设备的冲压力的校准、冲压速度的校准等。
进一步的,以所述维护时间节点和所述维护特征进行关联特征的衰减评价,也就是根据维护时间节点以及每个维护时间节点对应的维护特征,进行维护特征的衰减计算,示例性的,某时间节点的维护特征为冲压力的准度,那么距离该时间节点越远,所述冲压力的校准效果越弱。因此,根据每个维护时间节点的维护特征的衰减速度进行衰减评价,并根据衰减评价结果生成相应的数据影响权重,参照时间标识,对应添加至N个数据聚类簇内,以去除维护效果衰减对运行参数的影响。
进一步的,本申请实施例还包括步骤P80,步骤P80还包括:
P81:构建设备生命周期,并依据所述冲压成型设备的数据表现进行周期分割,获得周期分割结果;
P82:依据周期分割结果建立设备的周期衰减影响因子,并通过所述周期分割结果将所述周期衰减影响因子嵌入所述N个数据聚类簇的数据内。
应当理解的是,构建所述冲压成型设备的设备生命周期,例如划分为磨合期、产出期、衰退期,处于不同生命周期的设备的生产状态不同,故不能使用同一套评估标准,依据所述冲压成型设备的数据表现进行周期分割,也就是根据所述冲压成型设备的运行稳定性、生产效率、使用时间等数据表现,进行设备周期划分,获得周期分割结果,依据周期分割结果建立设备的周期衰减影响因子,也就是根据不同的生命周期设定不同的设备状态衰减系数,例如设定衰退期的周期衰减影响因子为1.2,并对应嵌入所述N个数据聚类簇的数据内,对所述N个数据聚类簇的数据进行修正调整,以保证各个设备生命周期内的运维监管结果的准确性。
进一步的,本申请实施例还包括步骤P90,步骤P90还包括:
P91:建立自适应更新子网络,并将所述自适应更新子网络耦合至所述运维监督网络;
P92:对所述运维监管结果进行维护验证,并将维护验证结果和运维监管结果同步至所述自适应更新子网络;
P93:以所述自适应更新子网络进行所述运维监督网络的数据更新。
在本申请一种可能的实施例中,建立所述运维监督网络的自适应更新子网络,并将所述自适应更新子网络耦合至所述运维监督网络,用来通过实际设备运维数据进行所述运维监督网络的更新优化。通过与实际运维数据进行对比,对所述运维监管结果进行维护验证,也就是验证所述运维监管结果提供的设备异常参考是否正确,并将维护验证结果和运维监管结果同步至所述自适应更新子网络,若所述维护验证结果显示所述运维监管结果提供的设备异常参考不准确,则通过所述自适应更新子网络,以实际的设备运维数据作为运维监管样本,嵌入所述运维监督网络中,以达到提高所述运维监督网络的异常识别准确率的效果。
综上所述,本申请实施例至少具有如下技术效果:
本申请通过进行设备运行数据调用,并建立调用数据与产品数据的映射关联,以输入样本对冲压质量补偿,并进行运行数据与异常标识映射,然后将映射结果执行数据聚类,生成N个数据聚类簇,进而生成初始特征约束,通过联动异常补偿获得补偿数据,建立运维监督网络,对实时监测数据进行数据分析,生成运维监管结果。
达到了基于原材料质量特征对设备运行数据进行补偿,提高设备运行分析的准确性,进而提高设备运维管理水平的技术效果。
实施例二
基于与前述实施例中一种冲压成型设备的运维监管方法相同的发明构思,如图4所示,本申请提供了一种冲压成型设备的运维监管系统,本申请实施例中的系统与方法实施例基于同样的发明构思。其中,所述系统包括:
映射关联建立模块11,所述映射关联建立模块11用于建立冲压成型设备的设备通信,通过所述设备通信进行运行数据调用,并建立调用数据与产品数据的映射关联,其中,所述产品数据通过采集产品冲压质量和输入样本获得;
异常标识映射模块12,所述异常标识映射模块12用于以所述输入样本对所述冲压质量补偿,并基于补偿结果进行成型设备的运行数据与异常标识映射;
数据聚类簇生成模块13,所述数据聚类簇生成模块13用于将映射结果作为基础空间数据,并执行所述基础空间数据的数据聚类,生成N个数据聚类簇,其中,所述N个数据聚类簇包含同一数据的复用聚类结果,且所述N个数据聚类簇带有聚类标识;
初始特征约束生成模块14,所述初始特征约束生成模块14用于通过聚类标识进行N个数据聚类簇的特征变化与异常标识的变化分析,生成初始特征约束;
运维监督网络建立模块15,所述运维监督网络建立模块15用于建立运维监督网络,所述运维监督网络通过补偿数据建立,所述补偿数据通过调用复用数据,基于所述复用数据进行初始特征约束的联动异常补偿获得;
运维监管结果生成模块16,所述运维监管结果生成模块16用于根据运维监督网络对所述冲压成型设备的实时监测数据进行数据分析,生成运维监管结果。
进一步的,所述运维监督网络建立模块15还用于执行以下步骤:
通过所述复用数据进行各个聚类标识下的联动区间划分,确定联动划分区域;
将所述初始特征约束中与联动划分区域关联的约束调整为活动约束,对非活动约束对应数据重新执行特征变化与异常标识的变化分析,重构非活动特征约束;
依据所述联动划分区域执行多参数的同步变化与异常标识的关联评价,根据关联评价结果建立联动特征约束;
通过非活动特征约束和联动特征约束获得所述补偿数据。
进一步的,所述运维监督网络建立模块15还用于执行以下步骤:
对N个数据聚类簇中的数据依据对应聚类标识进行标识参数的变化顺序排序,获得顺序排序结果;
设定连续判定比例,所述连续判定比例为复用数据与常规数据的数据判定比例;
通过所述复用数据和所述连续判定比例对所述顺序排序结果的连续联动划分;
根据连续联动划分结果确定联动划分区域。
进一步的,所述系统还包括:
原材回溯模块,所述原材回溯模块用于当任意数据分析结果为异常结果时,则进行对应异常结果的原材回溯;
异常影响补偿模块,所述异常影响补偿模块用于根据原材回溯结果进行原材的异常影响补偿;
运维监管结果生成模块,所述运维监管结果生成模块用于基于补偿结果进行异常结果重构,通过重构后的异常结果生成运维监管结果。
进一步的,所述系统还包括:
维护数据集建立模块,所述维护数据集建立模块用于建立维护数据集,所述维护数据集为对所述冲压成型设备进行设备维护构建的维护特征集;
维护特征确定模块,所述维护特征确定模块用于依据所述维护数据集确定维护时间节点,并确定对应时间节点下的维护特征;
数据影响权重添加模块,所述数据影响权重添加模块用于以所述维护时间节点和所述维护特征进行关联特征的衰减评价,根据衰减评价结果添加N个数据聚类簇内的数据影响权重。
进一步的,所述系统还包括:
周期分割结果获取模块,所述周期分割结果获取模块用于构建设备生命周期,并依据所述冲压成型设备的数据表现进行周期分割,获得周期分割结果;
周期衰减影响因子嵌入模块,所述周期衰减影响因子嵌入模块用于依据周期分割结果建立设备的周期衰减影响因子,并通过所述周期分割结果将所述周期衰减影响因子嵌入所述N个数据聚类簇的数据内。
进一步的,所述系统还包括:
自适应更新子网络建立模块,所述自适应更新子网络建立模块用于建立自适应更新子网络,并将所述自适应更新子网络耦合至所述运维监督网络;
维护验证模块,所述维护验证模块用于对所述运维监管结果进行维护验证,并将维护验证结果和运维监管结果同步至所述自适应更新子网络;
运维监督网络更新模块,所述运维监督网络更新模块用于以所述自适应更新子网络进行所述运维监督网络的数据更新。
需要说明的是,上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种冲压成型设备的运维监管方法,其特征在于,所述方法包括:
建立冲压成型设备的设备通信,通过所述设备通信进行运行数据调用,并建立调用数据与产品数据的映射关联,其中,所述产品数据通过采集产品冲压质量和输入样本获得;
以所述输入样本对所述冲压质量补偿,并基于补偿结果进行成型设备的运行数据与异常标识映射,使用所述输入样本对所述冲压质量进行补偿具体包括:建立原材料质量问题与冲压成品质量问题之间的联系,即通过原材缺陷对成品缺陷关联补偿,并基于补偿结果,去除因原材料导致的成品异常数据,进而重新建立成型设备的运行数据与成品异常数据的标识映射,筛选出由设备运行问题导致的成品质量异常数据,并重新进行设备运行数据和成品质量异常数据的关联标识,排除原材料造成的产品质量问题对设备运行数据异常的干扰;
将映射结果作为基础空间数据,并执行所述基础空间数据的数据聚类,生成N个数据聚类簇,其中,所述N个数据聚类簇包含同一数据的复用聚类结果,且所述N个数据聚类簇带有聚类标识;
通过聚类标识进行N个数据聚类簇的特征变化与异常标识的变化分析,生成初始特征约束,具体包括,通过聚类标识进行N个数据聚类簇的特征变化与异常标识的变化分析,所述特征变化为运行参数变化,通过聚类标识显示的各数据聚类簇中的运行参数值和产品质量异常的对应关系,梳理出单个特征对应的异常结果,以此作为初始特征约束,进而反映每个异常参数与异常结果的对应关系;
建立运维监督网络,所述运维监督网络通过补偿数据建立,所述补偿数据通过调用复用数据,基于所述复用数据进行初始特征约束的联动异常补偿获得,所述复用数据为在聚类中重复使用过的数据,根据所述复用数据寻找出由两个或两个以上异常参数导致的异常结果,并组成相应的聚类簇,对所述初始特征约束进行替换和补充,获得所述补偿数据;
根据运维监督网络对所述冲压成型设备的实时监测数据进行数据分析,生成运维监管结果。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
通过所述复用数据进行各个聚类标识下的联动区间划分,确定联动划分区域,即确定各复用数据的复用范围,将各个聚类标识下的复用范围数据聚类为联动划分区域;
将所述初始特征约束中与联动划分区域关联的约束调整为活动约束,对非活动约束对应数据重新执行特征变化与异常标识的变化分析,重构非活动特征约束;
依据所述联动划分区域执行多参数的同步变化与异常标识的关联评价,根据关联评价结果建立联动特征约束;
通过非活动特征约束和联动特征约束获得所述补偿数据。
3.如权利要求2所述的方法,其特征在于,所述方法还包括:
对N个数据聚类簇中的数据依据对应聚类标识进行标识参数的变化顺序排序,获得顺序排序结果;
设定连续判定比例,所述连续判定比例为复用数据与常规数据的数据判定比例;
通过所述复用数据和所述连续判定比例对所述顺序排序结果的连续联动划分;
根据连续联动划分结果确定联动划分区域。
4.如权利要求1所述的方法,其特征在于,所述方法还包括:
建立维护数据集,所述维护数据集为对所述冲压成型设备进行设备维护构建的维护特征集;
依据所述维护数据集确定维护时间节点,并确定对应时间节点下的维护特征;
以所述维护时间节点和所述维护特征进行关联特征的衰减评价,根据衰减评价结果添加N个数据聚类簇内的数据影响权重。
5.如权利要求4所述的方法,其特征在于,所述方法还包括:
构建设备生命周期,并依据所述冲压成型设备的数据表现进行周期分割,获得周期分割结果;
依据周期分割结果建立设备的周期衰减影响因子,并通过所述周期分割结果将所述周期衰减影响因子嵌入所述N个数据聚类簇的数据内。
6.如权利要求1所述的方法,其特征在于,所述方法还包括:
当任意数据分析结果为异常结果时,则进行对应异常结果的原材回溯;
根据原材回溯结果进行原材的异常影响补偿;
基于补偿结果进行异常结果重构,通过重构后的异常结果生成运维监管结果。
7.如权利要求1所述的方法,其特征在于,所述方法还包括:
建立自适应更新子网络,并将所述自适应更新子网络耦合至所述运维监督网络;
对所述运维监管结果进行维护验证,并将维护验证结果和运维监管结果同步至所述自适应更新子网络;
以所述自适应更新子网络进行所述运维监督网络的数据更新。
8.一种冲压成型设备的运维监管系统,其特征在于,所述系统包括:
映射关联建立模块,所述映射关联建立模块用于建立冲压成型设备的设备通信,通过所述设备通信进行运行数据调用,并建立调用数据与产品数据的映射关联,其中,所述产品数据通过采集产品冲压质量和输入样本获得;
异常标识映射模块,所述异常标识映射模块用于以所述输入样本对所述冲压质量补偿,并基于补偿结果进行成型设备的运行数据与异常标识映射,使用所述输入样本对所述冲压质量进行补偿具体包括:建立原材料质量问题与冲压成品质量问题之间的联系,即通过原材缺陷对成品缺陷关联补偿,并基于补偿结果,去除因原材料导致的成品异常数据,进而重新建立成型设备的运行数据与成品异常数据的标识映射,筛选出由设备运行问题导致的成品质量异常数据,并重新进行设备运行数据和成品质量异常数据的关联标识,排除原材料造成的产品质量问题对设备运行数据异常的干扰;
数据聚类簇生成模块,所述数据聚类簇生成模块用于将映射结果作为基础空间数据,并执行所述基础空间数据的数据聚类,生成N个数据聚类簇,其中,所述N个数据聚类簇包含同一数据的复用聚类结果,且所述N个数据聚类簇带有聚类标识;
初始特征约束生成模块,所述初始特征约束生成模块用于通过聚类标识进行N个数据聚类簇的特征变化与异常标识的变化分析,生成初始特征约束,具体包括,通过聚类标识进行N个数据聚类簇的特征变化与异常标识的变化分析,所述特征变化为运行参数变化,通过聚类标识显示的各数据聚类簇中的运行参数值和产品质量异常的对应关系,梳理出单个特征对应的异常结果,以此作为初始特征约束,进而反映每个异常参数与异常结果的对应关系;
运维监督网络建立模块,所述运维监督网络建立模块用于建立运维监督网络,所述运维监督网络通过补偿数据建立,所述补偿数据通过调用复用数据,基于所述复用数据进行初始特征约束的联动异常补偿获得,所述复用数据为在聚类中重复使用过的数据,根据所述复用数据寻找出由两个或两个以上异常参数导致的异常结果,并组成相应的聚类簇,对所述初始特征约束进行替换和补充,获得所述补偿数据;
运维监管结果生成模块,所述运维监管结果生成模块用于根据运维监督网络对所述冲压成型设备的实时监测数据进行数据分析,生成运维监管结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311425215.3A CN117150333B (zh) | 2023-10-31 | 2023-10-31 | 一种冲压成型设备的运维监管方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311425215.3A CN117150333B (zh) | 2023-10-31 | 2023-10-31 | 一种冲压成型设备的运维监管方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117150333A CN117150333A (zh) | 2023-12-01 |
CN117150333B true CN117150333B (zh) | 2023-12-26 |
Family
ID=88912419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311425215.3A Active CN117150333B (zh) | 2023-10-31 | 2023-10-31 | 一种冲压成型设备的运维监管方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117150333B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117577563B (zh) * | 2024-01-16 | 2024-04-12 | 东屹半导体科技(江苏)有限公司 | 一种半导体划片机的优化控制方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115147236A (zh) * | 2022-07-01 | 2022-10-04 | 北京远舢智能科技有限公司 | 一种处理方法、处理装置和电子设备 |
CN116147714A (zh) * | 2023-04-24 | 2023-05-23 | 北京众驰伟业科技发展有限公司 | 一种d-二聚体和fdp复合质控品生产过程异常监控方法 |
CN116580021A (zh) * | 2023-07-03 | 2023-08-11 | 湖南益友新材料有限公司 | 一种环保混凝土降碳制品生产及质量检测方法 |
CN116956080A (zh) * | 2022-12-15 | 2023-10-27 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置以及存储介质 |
-
2023
- 2023-10-31 CN CN202311425215.3A patent/CN117150333B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115147236A (zh) * | 2022-07-01 | 2022-10-04 | 北京远舢智能科技有限公司 | 一种处理方法、处理装置和电子设备 |
CN116956080A (zh) * | 2022-12-15 | 2023-10-27 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置以及存储介质 |
CN116147714A (zh) * | 2023-04-24 | 2023-05-23 | 北京众驰伟业科技发展有限公司 | 一种d-二聚体和fdp复合质控品生产过程异常监控方法 |
CN116580021A (zh) * | 2023-07-03 | 2023-08-11 | 湖南益友新材料有限公司 | 一种环保混凝土降碳制品生产及质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117150333A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117150333B (zh) | 一种冲压成型设备的运维监管方法及系统 | |
CN108038553B (zh) | 轧机设备状态在线监测与诊断系统及监测诊断方法 | |
CN108446864B (zh) | 基于大数据分析的轨道交通设备的故障预警系统及方法 | |
CN101771758A (zh) | 一种性能指标值正常波动范围的动态确定方法及其装置 | |
CN113219910A (zh) | 一种全流程的生产自诊断及优化系统 | |
CN117113104B (zh) | 一种应用数据分析技术的智能化管理系统及方法 | |
CN116244765A (zh) | 一种基于工业互联网的设备维护管理方法 | |
CN114266197A (zh) | 一种水电站设备故障诊断方法 | |
CN112947290A (zh) | 基于边云协同的设备状态监测方法、监测系统及存储介质 | |
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 | |
CN116227754B (zh) | 一种橡胶手套的生产自适应优化控制方法及系统 | |
CN116341885B (zh) | 一种基于大数据的自动化生产管控系统及方法 | |
CN117076258A (zh) | 一种基于互联网云端的远程监控方法及系统 | |
CN109598309B (zh) | 一种金属包装冲压机的检测系统及其监测方法 | |
CN111985654A (zh) | 一种智能化设备健康管理系统及方法 | |
CN107679163B (zh) | 一种单步工序制造因素显著差异分析系统和分析方法 | |
CN111906772B (zh) | 一种基于工业机器人的智能产品加工方法 | |
CN116467592A (zh) | 一种基于深度学习的生产设备故障智能监测方法及系统 | |
CN116037705A (zh) | 冷冲压模具工作状态实时监控系统 | |
CN115731073A (zh) | 基于业务场景分析的调度操作异常监控方法 | |
CN113837544A (zh) | 基板玻璃生产质量管控装置、方法及处理器 | |
CN113627885A (zh) | 一种电网供电异常监测系统及其监测方法 | |
CN117590793B (zh) | 一种基于物联网的水厂水处理一体化监控系统及方法 | |
CN110990989A (zh) | 一种基于自组织临界理论的工业机器人故障预测方法 | |
Nagy et al. | An industrial application using process mining to reduce the number of faulty products |
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 |