CN117172758A - 基于云边融合的药物生产线设备故障检测方法及系统 - Google Patents
基于云边融合的药物生产线设备故障检测方法及系统 Download PDFInfo
- Publication number
- CN117172758A CN117172758A CN202311446170.8A CN202311446170A CN117172758A CN 117172758 A CN117172758 A CN 117172758A CN 202311446170 A CN202311446170 A CN 202311446170A CN 117172758 A CN117172758 A CN 117172758A
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- result
- fault
- production line
- 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 125
- 239000003814 drug Substances 0.000 title claims abstract description 59
- 229940079593 drug Drugs 0.000 title claims abstract description 58
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 230000004927 fusion Effects 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000004458 analytical method Methods 0.000 claims abstract description 47
- 238000012937 correction Methods 0.000 claims abstract description 14
- 238000012795 verification Methods 0.000 claims description 33
- 230000004044 response Effects 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 11
- 230000005856 abnormality Effects 0.000 claims description 9
- 238000011144 upstream manufacturing Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 238000007905 drug manufacturing Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 8
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- General Factory Administration (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了基于云边融合的药物生产线设备故障检测方法及系统，应用于数据处理技术领域，该方法包括：通过对药物生产线设备进行设备解析，依据解析结果建立设备关联。在药物生产线设备对应设置边缘计算节点，并与云计算中心通信。依据横向设备关联在大数据中提取设备特征数据，完成边缘计算节点的配置。执行设备实时数据采集，进行故障识别，生成故障识别结果。提取生产结果数据的关键数据，发送至云计算中心执行初始化。识别关键数据，生成故障补偿结果。通过故障补偿结果进行故障识别结果修正，基于修正结果完成故障识别。解决了现有技术中药物生产线设备的故障检测采用云计算的方式进行检测，存在检测效率低以及检测准确性低的技术问题。
Description
技术领域
本发明涉及数据处理领域，尤其涉及基于云边融合的药物生产线设备故障检测方法及系统。
背景技术
边缘计算，是指物联网数据源头的一端，就近提供近端服务，从而产生更快的网络服务响应，满足行业在实时业务的基本需求。云端计算则是基于云中心具有强大的处理性能，能够处理海量的数据，而传送海量数据需要一定的时间，云中心处理数据也需要一定的时间，则会加大请求响应时间。在现有技术中，对于药物生产线设备的故障检测多采用云计算的方式进行，由于传输数据量大数据损失较为严重，导致检测效率低检测准确性低的问题。
因此，在现有技术中药物生产线设备的故障检测采用云计算的方式进行检测，存在检测效率低以及检测准确性低的技术问题。
发明内容
本申请通过提供基于云边融合的药物生产线设备故障检测方法及系统，解决了在现有技术中药物生产线设备的故障检测采用云计算的方式进行检测，存在检测效率低以及检测准确性低的技术问题。
本申请提供基于云边融合的药物生产线设备故障检测方法，所述方法包括：对药物生产线设备进行设备解析，依据解析结果建立设备关联，其中，所述设备关联包括横向设备关联和纵向设备关联；在所述药物生产线设备对应设置边缘计算节点，并构建边缘计算节点与云计算中心的通信通道；依据所述横向设备关联在大数据中提取设备特征数据，并将设备特征数据记录为共性数据和特异化数据；在进行边缘计算节点的配置过程中，依据所述共性数据建立基础计算节点，并通过所述特异化数据执行所述基础计算节点的节点数据更新，完成边缘计算节点的配置；通过所述边缘计算节点执行药物生产线设备的设备实时数据采集，并根据采集结果进行故障识别，生成故障识别结果，其中，实时采集的数据包括运行信号数据、生产结果数据；提取所述生产结果数据的关键数据，并通过所述通信通道发送至云计算中心，通过所述纵向设备关联执行云计算中心的初始化；根据初始化完成的云计算中心识别所述关键数据，生成故障补偿结果；通过所述故障补偿结果进行所述故障识别结果修正，基于修正结果完成故障识别。
本申请还提供了基于云边融合的药物生产线设备故障检测系统，所述系统包括：设备解析模块，用于对药物生产线设备进行设备解析，依据解析结果建立设备关联，其中，所述设备关联包括横向设备关联和纵向设备关联；设备解析模块，用于在所述药物生产线设备对应设置边缘计算节点，并构建边缘计算节点与云计算中心的通信通道；特征数据获取模块，用于依据所述横向设备关联在大数据中提取设备特征数据，并将设备特征数据记录为共性数据和特异化数据；节点配置模块，用于在进行边缘计算节点的配置过程中，依据所述共性数据建立基础计算节点，并通过所述特异化数据执行所述基础计算节点的节点数据更新，完成边缘计算节点的配置；故障识别模块，用于通过所述边缘计算节点执行药物生产线设备的设备实时数据采集，并根据采集结果进行故障识别，生成故障识别结果，其中，实时采集的数据包括运行信号数据、生产结果数据；初始化模块，用于提取所述生产结果数据的关键数据，并通过所述通信通道发送至云计算中心，通过所述纵向设备关联执行云计算中心的初始化；故障补偿模块，用于根据初始化完成的云计算中心识别所述关键数据，生成故障补偿结果；结果修正模块，用于通过所述故障补偿结果进行所述故障识别结果修正，基于修正结果完成故障识别。
本申请还提供了一种电子设备，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现本申请提供的基于云边融合的药物生产线设备故障检测方法。
本申请提供一种计算机可读存储介质，存储有计算机程序，该程序被处理器执行时，实现本申请提供的基于云边融合的药物生产线设备故障检测方法。
拟通过本申请提出的基于云边融合的药物生产线设备故障检测方法及系统，通过对药物生产线设备进行设备解析，依据解析结果建立设备关联。在药物生产线设备对应设置边缘计算节点，并与云计算中心通信。依据横向设备关联在大数据中提取设备特征数据，完成边缘计算节点的配置。执行设备实时数据采集，进行故障识别，生成故障识别结果。提取生产结果数据的关键数据，发送至云计算中心执行初始化。识别关键数据，生成故障补偿结果。通过故障补偿结果进行故障识别结果修正，基于修正结果完成故障识别。实现了将云计算以及边缘计算进行数据的融合处理，提高了药物生产线设备故障识别的效率，同时提高了药物生产线设备故障识别的准确性。解决了现有技术中药物生产线设备的故障检测采用云计算的方式进行检测，存在检测效率低以及检测准确性低的技术问题。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对本公开实施例的附图作简单地介绍。明显地，下面描述中的附图仅仅涉及本公开的一些实施例，而非对本公开的限制。
图1为本申请实施例提供的基于云边融合的药物生产线设备故障检测方法的流程示意图；
图2为本申请实施例提供的基于云边融合的药物生产线设备故障检测方法完成横向设备关联构建的流程示意图；
图3为本申请实施例提供的基于云边融合的药物生产线设备故障检测方法获得故障识别结果的流程示意图；
图4为本申请实施例提供的基于云边融合的药物生产线设备故障检测方法的系统的结构示意图；
图5为本发明实施例提供的基于云边融合的药物生产线设备故障检测方法的系统电子设备的结构示意图。
附图标记说明：设备解析模块11，边缘计算设置模块12，特征数据获取模块13，节点配置模块14，故障识别模块15，初始化模块16，故障补偿模块17，结果修正模块18，处理器31，存储器32，输入装置33，输出装置34。
具体实施方式
实施例一
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，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它实施例，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上，所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
如图1所示，本申请实施例提供了基于云边融合的药物生产线设备故障检测方法，所述方法包括：
对药物生产线设备进行设备解析，依据解析结果建立设备关联，其中，所述设备关联包括横向设备关联和纵向设备关联；
在所述药物生产线设备对应设置边缘计算节点，并构建边缘计算节点与云计算中心的通信通道；
依据所述横向设备关联在大数据中提取设备特征数据，并将设备特征数据记录为共性数据和特异化数据；
在进行边缘计算节点的配置过程中，依据所述共性数据建立基础计算节点，并通过所述特异化数据执行所述基础计算节点的节点数据更新，完成边缘计算节点的配置；
对药物生产线设备进行设备解析，依据解析结果建立设备关联，其中，所述设备关联包括横向设备关联和纵向设备关联，横向设备为生产线中各生产节点中具备相同功能的设备，纵向设备即为生产线中的相邻生产节点的生产设备。在所述药物生产线设备对应设置边缘计算节点，其中，边缘计算节点是指在靠近生产线设备数据源头的一侧，设置的网络、计算、存储、应用核心能力为一体的开放平台，从而降低处理数据的交互时间，提高数据分析处理效率，并构建边缘计算节点与云计算中心的通信通道。随后，依据所述横向设备关联在大数据中提取设备特征数据，其中，设备特征数据为设备在历史生产过程中产生的数据，包括各运行数据、生产结果数据以及对应的故障数据，并将设备特征数据记录为共性数据和特异化数据，其中，共性数据为相同设备共同存在的相同数据，如具体的运行控制数据等。特异化数据为相同设备类别中各设备存在的特异化数据，如各设备的生产结果数据等。
进一步，在进行边缘计算节点的配置过程中，依据所述共性数据建立基础计算节点，并通过所述特异化数据执行所述基础计算节点的节点数据更新，完成边缘计算节点的配置。在进行边缘计算节点的配置时，基于获取的共性数据以及对应的故障数据进行基础计算节点的建立，在建立基础计算节点时通过获取的共性数据以及对应的故障数据对神经网络模型进行监督训练，直至模型的输出结果满足预设准确率时获取训练完成的模型得到基础计算节点。随后，根据特异化数据执行所述基础计算节点的节点数据更新，即对基础计算节点进行增量学习，从而完成边缘计算节点的配置。
如图2所示，本申请实施例提供的方法还包括：
通过所述解析结果确定设备功能、设备型号和设备使用数据，所述设备使用数据包括使用时长和使用强度；
依据所述设备功能进行设备聚类，构建设备初始聚类簇；
通过所述设备型号和所述设备使用数据进行所述设备初始聚类簇内的设备相似分析，基于设备相似分析结果进行设备初始聚类簇分裂；
根据分裂结果完成横向设备关联构建。
通过解析结果确定设备功能、设备型号和设备使用数据，所述设备使用数据包括使用时长和使用强度。依据所述设备功能进行设备聚类，即通过设备的功能进行设备的聚类，构建设备初始聚类簇。随后，通过所述设备型号和所述设备使用数据进行所述设备初始聚类簇内的设备相似分析，基于设备相似分析结果进行设备初始聚类簇分裂。根据分裂结果完成横向设备关联构建。
本申请实施例提供的方法还包括：
对所述初始聚类簇内的全部设备执行设备间的相似评价，并基于相似评价的相似度集中区间定位基准设备；
以所述基准设备作为比对对象，重新进行所述初始聚类簇内的设备相似分析；
配置相似阈值，将所述相似阈值作为割裂判定值，执行设备相似分析结果的割裂判定；
基于割裂判定结果完成所述设备初始聚类簇的分裂。
在进行设备初始聚类簇内的设备相似分析时，对所述初始聚类簇内的全部设备执行设备间的相似评价，评价获取全部设备的使用数据排序，并基于相似评价的相似度集中区间定位基准设备，即获取其中全部设备的使用数据的集中区间，获取集中区间对应的设备即基准设备。随后，以所述基准设备作为比对对象，重新进行所述初始聚类簇内的设备相似分析，获取初始聚类簇内的设备与基准设备的相似度，其中，相似度为设备类别相似度以及使用数据相似度的加和数据。进一步，配置相似阈值，其中，相似阈值为区分各设备的预设阈值，将所述相似阈值作为割裂判定值，当满足即大于等于该相似阈值时则对应设备与基准设备的相似度较高，反之则相似度较低，执行设备相似分析结果的割裂判定，基于割裂判定结果完成所述设备初始聚类簇的分裂。
通过所述边缘计算节点执行药物生产线设备的设备实时数据采集，并根据采集结果进行故障识别，生成故障识别结果，其中，实时采集的数据包括运行信号数据、生产结果数据；
提取所述生产结果数据的关键数据，并通过所述通信通道发送至云计算中心，通过所述纵向设备关联执行云计算中心的初始化；
根据初始化完成的云计算中心识别所述关键数据，生成故障补偿结果；
通过所述故障补偿结果进行所述故障识别结果修正，基于修正结果完成故障识别。
通过所述边缘计算节点执行药物生产线设备的设备实时数据采集，并根据采集结果进行故障识别，生成故障识别结果，其中，实时采集的数据包括运行信号数据、生产结果数据。随后，提取所述生产结果数据的关键数据，其中，生产结果数据的关键数据为预先设定的数据类别，并通过所述通信通道发送至云计算中心，通过所述纵向设备关联执行云计算中心的初始化，即对云计算中心基于设备之间的关联性进行初始化。随后，根据初始化完成的云计算中心识别所述关键数据，通过生产结果数据的关键数据进行故障识别完成故障补偿，生成故障补偿结果。最后，通过所述故障补偿结果进行所述故障识别结果修正，基于修正结果完成故障识别。实现了将云计算以及边缘计算进行数据的融合处理，提高了药物生产线设备故障识别的效率，同时提高了药物生产线设备故障识别的准确性。
如图3所示，本申请实施例提供的方法还包括：
调用所述药物生产线设备的设备控制数据，并记录控制节点；
构建循环周期，所述循环周期通过分析所述设备控制数据和控制节点构建而成；
当通过所述边缘计算节点进行采集结果的故障识别时，以所述循环周期作为响应周期执行故障验证；
根据故障验证结果获得所述故障识别结果。
在获得所述故障识别结果时，通过调用所述药物生产线设备的设备控制数据，并记录控制节点。构建循环周期，所述循环周期通过分析所述设备控制数据和控制节点构建而成，由于设备在完成单次生产时为固定的周期，通过分析设备控制数据和控制节点，获取单次生产时的循环周期，即获取控制节点的设备控制数据的控制周期作为循环周期。当通过所述边缘计算节点进行采集结果的故障识别时，以所述循环周期作为响应周期执行故障验证，即将循环周期内的所述设备控制数据和控制节点输入边缘计算节点中执行故障验证，根据故障验证结果获得所述故障识别结果。
本申请实施例提供的方法还包括：
通过所述采集结果进行所述响应周期的响应灵敏度评价，生成第一故障验证结果；
通过所述采集结果进行所述响应周期的响应稳态评价，生成第二故障验证结果；
基于所述第一故障验证结果和所述第二故障验证结果完成故障验证。
通过所述采集结果进行所述响应周期的响应灵敏度评价，生成第一故障验证结果，即判断获取的采集结果是否均处于响应周期内，避免数据采集存在延迟导致采集数据不准确。通过所述采集结果进行所述响应周期的响应稳态评价，生成第二故障验证结果，即判断在响应周期内获取的采集结果是否存在数据缺失，当存在数据缺失则有可能导致获取的故障结果不准确。基于所述第一故障验证结果和所述第二故障验证结果完成故障验证，当第一故障验证结果和所述第二故障验证结果存在异常时则获取的故障数据准确性较低，当第一故障验证结果和所述第二故障验证结果均通过时则获取的故障数据准确性较高。
本申请实施例提供的方法还包括：
通过所述纵向设备关联设定设备间关联，并将上游设备的生产结果作为下游设备的输入结果；
在通过生产结果数据进行所述下游设备的故障识别过程中，依据所述上游设备的生产结果执行异常识别调整；
根据调整结果生成故障补偿结果。
通过所述纵向设备关联设定设备间关联，并将上游设备的生产结果作为下游设备的输入结果。进一步，在通过生产结果数据进行所述下游设备的故障识别过程中，依据所述上游设备的生产结果通过云计算中心进行生产结果识别，判断该生产结果在对应的节点历史生产结果是否存在异常。当该生产结果存在异常时，执行异常识别调整，即根据设备之间的关联性，通过上游设备的生产结果来作为下游设备的输入结果，判断该生产结果是否存在异常，进而实现基于设备关联生产对于故障的补偿调整，根据调整结果生成故障补偿结果，从而提高对于设备故障定位的准确性，进一步降低云端的数据处理量，提高故障识别效率以及识别准确性。
本申请实施例提供的方法还包括：
当识别出故障异常时，生成异常预警信息，并同步进行零件标记；
设定回溯空间，在所述回溯空间内进行所述异常预警信息的生成节点前回溯；
根据回溯结果和所述异常预警信息进行故障管理。
当识别出故障异常时，生成异常预警信息，并同步进行零件标记。设定回溯空间，在所述回溯空间内进行所述异常预警信息的生成节点前回溯，由于生产线均为步骤生产，当一生产节点存在异常时，则之前的生产节点也可能存在异常。因此，预先设置回溯空间即设置当前识别出故障异常零件的之前的一生产节点或之前的多个生产节点，对生成节点之前的回溯空间进行回溯，确定多个生产节点。最后，根据回溯结果和所述异常预警信息进行故障管理。
本发明实施例所提供的技术方案，通过对药物生产线设备进行设备解析，依据解析结果建立设备关联。在所述药物生产线设备对应设置边缘计算节点，并构建边缘计算节点与云计算中心的通信通道。依据所述横向设备关联在大数据中提取设备特征数据，并将设备特征数据记录为共性数据和特异化数据。在进行边缘计算节点的配置过程中，依据所述共性数据建立基础计算节点，并通过所述特异化数据执行所述基础计算节点的节点数据更新，完成边缘计算节点的配置。通过所述边缘计算节点执行药物生产线设备的设备实时数据采集，并根据采集结果进行故障识别，生成故障识别结果，其中，实时采集的数据包括运行信号数据、生产结果数据。提取所述生产结果数据的关键数据，并通过所述通信通道发送至云计算中心，通过所述纵向设备关联执行云计算中心的初始化。根据初始化完成的云计算中心识别所述关键数据，生成故障补偿结果。通过所述故障补偿结果进行所述故障识别结果修正，基于修正结果完成故障识别。实现了将云计算以及边缘计算进行数据的融合处理，提高了药物生产线设备故障识别的效率，同时提高了药物生产线设备故障识别的准确性。解决了现有技术中药物生产线设备的故障检测采用云计算的方式进行检测，存在检测效率低以及检测准确性低的技术问题。
实施例二
基于与前述实施例中基于云边融合的药物生产线设备故障检测方法同样发明构思，本发明还提供了基于云边融合的药物生产线设备故障检测方法的系统，系统可以由硬件和/或软件的方式来实现，一般可集成于电子设备中，用于执行本发明任意实施例所提供的方法。如图4所示，所述系统包括：
设备解析模块11，用于对药物生产线设备进行设备解析，依据解析结果建立设备关联，其中，所述设备关联包括横向设备关联和纵向设备关联；
边缘计算设置模块12，用于在所述药物生产线设备对应设置边缘计算节点，并构建边缘计算节点与云计算中心的通信通道；
特征数据获取模块13，用于依据所述横向设备关联在大数据中提取设备特征数据，并将设备特征数据记录为共性数据和特异化数据；
节点配置模块14，用于在进行边缘计算节点的配置过程中，依据所述共性数据建立基础计算节点，并通过所述特异化数据执行所述基础计算节点的节点数据更新，完成边缘计算节点的配置；
故障识别模块15，用于通过所述边缘计算节点执行药物生产线设备的设备实时数据采集，并根据采集结果进行故障识别，生成故障识别结果，其中，实时采集的数据包括运行信号数据、生产结果数据；
初始化模块16，用于提取所述生产结果数据的关键数据，并通过所述通信通道发送至云计算中心，通过所述纵向设备关联执行云计算中心的初始化；
故障补偿模块17，用于根据初始化完成的云计算中心识别所述关键数据，生成故障补偿结果；
结果修正模块18，用于通过所述故障补偿结果进行所述故障识别结果修正，基于修正结果完成故障识别。
进一步地，所述设备解析模块11还用于：
通过所述解析结果确定设备功能、设备型号和设备使用数据，所述设备使用数据包括使用时长和使用强度；
依据所述设备功能进行设备聚类，构建设备初始聚类簇；
通过所述设备型号和所述设备使用数据进行所述设备初始聚类簇内的设备相似分析，基于设备相似分析结果进行设备初始聚类簇分裂；
根据分裂结果完成横向设备关联构建。
进一步地，所述设备解析模块11还用于：
对所述初始聚类簇内的全部设备执行设备间的相似评价，并基于相似评价的相似度集中区间定位基准设备；
以所述基准设备作为比对对象，重新进行所述初始聚类簇内的设备相似分析；
配置相似阈值，将所述相似阈值作为割裂判定值，执行设备相似分析结果的割裂判定；
基于割裂判定结果完成所述设备初始聚类簇的分裂。
进一步地，所述故障识别模块15还用于：
调用所述药物生产线设备的设备控制数据，并记录控制节点；
构建循环周期，所述循环周期通过分析所述设备控制数据和控制节点构建而成；
当通过所述边缘计算节点进行采集结果的故障识别时，以所述循环周期作为响应周期执行故障验证；
根据故障验证结果获得所述故障识别结果。
进一步地，所述故障识别模块15还用于：
通过所述采集结果进行所述响应周期的响应灵敏度评价，生成第一故障验证结果；
通过所述采集结果进行所述响应周期的响应稳态评价，生成第二故障验证结果；
基于所述第一故障验证结果和所述第二故障验证结果完成故障验证。
进一步地，所述初始化模块16还用于：
通过所述纵向设备关联设定设备间关联，并将上游设备的生产结果作为下游设备的输入结果；
在通过生产结果数据进行所述下游设备的故障识别过程中，依据所述上游设备的生产结果执行异常识别调整；
根据调整结果生成故障补偿结果。
进一步地，所述故障补偿模块17还用于：
当识别出故障异常时，生成异常预警信息，并同步进行零件标记；
设定回溯空间，在所述回溯空间内进行所述异常预警信息的生成节点前回溯；
根据回溯结果和所述异常预警信息进行故障管理。
所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例三
图5为本发明实施例三提供的电子设备的结构示意图，示出了适于用来实现本发明实施方式的示例性电子设备的框图。图5显示的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图5所示，该电子设备包括处理器31、存储器32、输入装置33及输出装置34；电子设备中处理器31的数量可以是一个或多个，图5中以一个处理器31为例，电子设备中的处理器31、存储器32、输入装置33及输出装置34可以通过总线或其他方式连接，图5中以通过总线连接为例。
存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的基于云边融合的药物生产线设备故障检测方法对应的程序指令/模块。处理器31通过运行存储在存储器32中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述基于云边融合的药物生产线设备故障检测方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.基于云边融合的药物生产线设备故障检测方法，其特征在于，所述方法包括：
对药物生产线设备进行设备解析，依据解析结果建立设备关联，其中，所述设备关联包括横向设备关联和纵向设备关联；
在所述药物生产线设备对应设置边缘计算节点，并构建边缘计算节点与云计算中心的通信通道；
依据所述横向设备关联在大数据中提取设备特征数据，并将设备特征数据记录为共性数据和特异化数据；
在进行边缘计算节点的配置过程中，依据所述共性数据建立基础计算节点，并通过所述特异化数据执行所述基础计算节点的节点数据更新，完成边缘计算节点的配置；
通过所述边缘计算节点执行药物生产线设备的设备实时数据采集，并根据采集结果进行故障识别，生成故障识别结果，其中，实时采集的数据包括运行信号数据、生产结果数据；
提取所述生产结果数据的关键数据，并通过所述通信通道发送至云计算中心，通过所述纵向设备关联执行云计算中心的初始化；
根据初始化完成的云计算中心识别所述关键数据，生成故障补偿结果；
通过所述故障补偿结果进行所述故障识别结果修正，基于修正结果完成故障识别。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
通过所述解析结果确定设备功能、设备型号和设备使用数据，所述设备使用数据包括使用时长和使用强度；
依据所述设备功能进行设备聚类，构建设备初始聚类簇；
通过所述设备型号和所述设备使用数据进行所述设备初始聚类簇内的设备相似分析，基于设备相似分析结果进行设备初始聚类簇分裂；
根据分裂结果完成横向设备关联构建。
3.如权利要求2所述的方法，其特征在于，所述方法还包括：
对所述初始聚类簇内的全部设备执行设备间的相似评价，并基于相似评价的相似度集中区间定位基准设备；
以所述基准设备作为比对对象，重新进行所述初始聚类簇内的设备相似分析；
配置相似阈值，将所述相似阈值作为割裂判定值，执行设备相似分析结果的割裂判定；
基于割裂判定结果完成所述设备初始聚类簇的分裂。
4.如权利要求1所述的方法，其特征在于，所述方法还包括：
调用所述药物生产线设备的设备控制数据，并记录控制节点；
构建循环周期，所述循环周期通过分析所述设备控制数据和控制节点构建而成；
当通过所述边缘计算节点进行采集结果的故障识别时，以所述循环周期作为响应周期执行故障验证；
根据故障验证结果获得所述故障识别结果。
5.如权利要求4所述的方法，其特征在于，所述方法还包括：
通过所述采集结果进行所述响应周期的响应灵敏度评价，生成第一故障验证结果；
通过所述采集结果进行所述响应周期的响应稳态评价，生成第二故障验证结果；
基于所述第一故障验证结果和所述第二故障验证结果完成故障验证。
6.如权利要求1所述的方法，其特征在于，所述方法还包括：
通过所述纵向设备关联设定设备间关联，并将上游设备的生产结果作为下游设备的输入结果；
在通过生产结果数据进行所述下游设备的故障识别过程中，依据所述上游设备的生产结果执行异常识别调整；
根据调整结果生成故障补偿结果。
7.如权利要求1所述的方法，其特征在于，所述方法还包括：
当识别出故障异常时，生成异常预警信息，并同步进行零件标记；
设定回溯空间，在所述回溯空间内进行所述异常预警信息的生成节点前回溯；
根据回溯结果和所述异常预警信息进行故障管理。
8.基于云边融合的药物生产线设备故障检测系统，其特征在于，所述系统包括：
设备解析模块，用于对药物生产线设备进行设备解析，依据解析结果建立设备关联，其中，所述设备关联包括横向设备关联和纵向设备关联；
设备解析模块，用于在所述药物生产线设备对应设置边缘计算节点，并构建边缘计算节点与云计算中心的通信通道；
特征数据获取模块，用于依据所述横向设备关联在大数据中提取设备特征数据，并将设备特征数据记录为共性数据和特异化数据；
节点配置模块，用于在进行边缘计算节点的配置过程中，依据所述共性数据建立基础计算节点，并通过所述特异化数据执行所述基础计算节点的节点数据更新，完成边缘计算节点的配置；
故障识别模块，用于通过所述边缘计算节点执行药物生产线设备的设备实时数据采集，并根据采集结果进行故障识别，生成故障识别结果，其中，实时采集的数据包括运行信号数据、生产结果数据；
初始化模块，用于提取所述生产结果数据的关键数据，并通过所述通信通道发送至云计算中心，通过所述纵向设备关联执行云计算中心的初始化；
故障补偿模块，用于根据初始化完成的云计算中心识别所述关键数据，生成故障补偿结果；
结果修正模块，用于通过所述故障补偿结果进行所述故障识别结果修正，基于修正结果完成故障识别。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现权利要求1至7任一项所述的基于云边融合的药物生产线设备故障检测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的基于云边融合的药物生产线设备故障检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311446170.8A CN117172758B (zh) | 2023-11-02 | 2023-11-02 | 基于云边融合的药物生产线设备故障检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311446170.8A CN117172758B (zh) | 2023-11-02 | 2023-11-02 | 基于云边融合的药物生产线设备故障检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117172758A true CN117172758A (zh) | 2023-12-05 |
| CN117172758B CN117172758B (zh) | 2024-03-08 |
Family
ID=88937939
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311446170.8A Active CN117172758B (zh) | 2023-11-02 | 2023-11-02 | 基于云边融合的药物生产线设备故障检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117172758B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112650195A (zh) * | 2020-12-16 | 2021-04-13 | 北京航天智造科技发展有限公司 | 基于云边协同的设备故障维护方法及装置 |
| CN113112086A (zh) * | 2021-04-22 | 2021-07-13 | 北京邮电大学 | 一种基于边缘计算和标识解析的智能生产系统 |
| CN115800520A (zh) * | 2022-11-17 | 2023-03-14 | 蒋曙明 | 基于边缘计算的分布式配电故障处理系统及方法 |
| CN115993807A (zh) * | 2023-03-23 | 2023-04-21 | 日照鲁光电子科技有限公司 | 一种碳化硅的生产监测优化控制方法及系统 |
| CN116859843A (zh) * | 2023-07-05 | 2023-10-10 | 安徽如柒信息科技有限公司 | 一种基于工业大数据的生产设备故障监测方法及系统 |
-
2023
- 2023-11-02 CN CN202311446170.8A patent/CN117172758B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112650195A (zh) * | 2020-12-16 | 2021-04-13 | 北京航天智造科技发展有限公司 | 基于云边协同的设备故障维护方法及装置 |
| CN113112086A (zh) * | 2021-04-22 | 2021-07-13 | 北京邮电大学 | 一种基于边缘计算和标识解析的智能生产系统 |
| CN115800520A (zh) * | 2022-11-17 | 2023-03-14 | 蒋曙明 | 基于边缘计算的分布式配电故障处理系统及方法 |
| CN115993807A (zh) * | 2023-03-23 | 2023-04-21 | 日照鲁光电子科技有限公司 | 一种碳化硅的生产监测优化控制方法及系统 |
| CN116859843A (zh) * | 2023-07-05 | 2023-10-10 | 安徽如柒信息科技有限公司 | 一种基于工业大数据的生产设备故障监测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117172758B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113282461B (zh) | 传输网的告警识别方法和装置 | |
| CN108351707B (zh) | 人机交互方法、装置、终端设备及计算机可读存储介质 | |
| CN113313280B (zh) | 云平台的巡检方法、电子设备及非易失性存储介质 | |
| CN110765195A (zh) | 一种数据解析方法、装置、存储介质及电子设备 | |
| CN112052182A (zh) | 接口自动化测试方法、装置、计算机设备及存储介质 | |
| WO2021012861A1 (zh) | 数据查询耗时评估方法、装置、计算机设备和存储介质 | |
| CN113448807B (zh) | 告警监测方法、系统、电子设备及计算机可读存储介质 | |
| CN117172758B (zh) | 基于云边融合的药物生产线设备故障检测方法及系统 | |
| CN111708672B (zh) | 数据传输方法、装置、设备及存储介质 | |
| CN108512675B (zh) | 一种网络诊断的方法、装置、控制节点和网络节点 | |
| CN111161747B (zh) | 基于Tensorflow唤醒模型的预测方法、装置和计算机设备 | |
| CN113111585A (zh) | 一种智能机柜故障预测方法、系统及智能机柜 | |
| CN110968518A (zh) | 自动化测试日志文件的分析方法及装置 | |
| CN114157486B (zh) | 通信流量数据异常检测方法、装置、电子设备及存储介质 | |
| CN114625106B (zh) | 车辆诊断的方法、装置、电子设备及存储介质 | |
| CN113285978B (zh) | 基于区块链和大数据的故障识别方法及通用计算节点 | |
| CN115098679A (zh) | 文本分类标注样本的异常检测方法、装置、设备及介质 | |
| CN114327988A (zh) | 一种可视化网络故障关系确定方法和装置 | |
| CN114268650A (zh) | 用于建立通信连接的配置方法及系统 | |
| CN114598588B (zh) | 服务器故障确定方法、装置及终端设备 | |
| CN117041121B (zh) | 基于数据挖掘的物联网异常监测方法及系统 | |
| CN113641848B (zh) | 一种电子产品的在线组装连接指导方法及系统 | |
| CN117171409A (zh) | 基于mes系统的生产可视化方法 | |
| CN111259918B (zh) | 一种意图标签的标注方法、装置、服务器及存储介质 | |
| CN113762671A (zh) | 风险评估方法、装置及系统 |
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 |