CN117273402A - 基于物联网技术的玻璃深加工生产线节能管理系统及方法 - Google Patents
基于物联网技术的玻璃深加工生产线节能管理系统及方法 Download PDFInfo
- Publication number
- CN117273402A CN117273402A CN202311549255.9A CN202311549255A CN117273402A CN 117273402 A CN117273402 A CN 117273402A CN 202311549255 A CN202311549255 A CN 202311549255A CN 117273402 A CN117273402 A CN 117273402A
- Authority
- CN
- China
- Prior art keywords
- data
- energy
- production line
- equipment
- time
- 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 107
- 238000012545 processing Methods 0.000 title claims abstract description 94
- 239000011521 glass Substances 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000007726 management method Methods 0.000 title claims abstract description 38
- 238000005516 engineering process Methods 0.000 title claims abstract description 34
- 238000005265 energy consumption Methods 0.000 claims abstract description 81
- 238000007405 data analysis Methods 0.000 claims abstract description 32
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 238000013433 optimization analysis Methods 0.000 claims abstract description 18
- 230000004044 response Effects 0.000 claims abstract description 11
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims description 29
- 238000012423 maintenance Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 230000032683 aging Effects 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 10
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000005314 correlation function Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010067484 Adverse reaction Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006838 adverse reaction Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000009740 moulding (composite fabrication) Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Biodiversity & Conservation Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及生产线管理控制技术领域，尤其涉及基于物联网技术的玻璃深加工生产线节能管理系统及方法。首先，采集玻璃深加工生产线中设备的数据并进行数据初步处理及初步数据分析；然后，基于初步处理的结果以及历史数据进行数据深度预测，结合初步数据分析结果进行优化分析，得到设备能效优化建议，并根据设备能效优化建议得到最佳调整策略，进一步得到控制指令；最后，监测每个设备的状态和响应情况，按照设备能效优化建议进行调整，遇到潜在的冲突或故障时，自动调整或停止相关设备并及时反馈。解决了现有技术中节能控制准确率较低以及能耗依然较高的技术问题，实现了高准确率低能耗的生产线节能管理的技术效果。
Description
技术领域
本发明涉及生产线管理控制技术领域，尤其涉及基于物联网技术的玻璃深加工生产线节能管理系统及方法。
背景技术
传统的玻璃深加工生产线通常是通过人工或简单的自动化设备来控制的，这种方式在能源利用、生产效率以及生产成本上存在很大的局限性；能源消耗问题：玻璃深加工过程通常涉及到高温熔化、冷却、成型等步骤，这些步骤都需要大量的能源，传统的管理方法很难对能源消耗进行有效的监控和管理；物联网技术是通过互联网将各种物体连接起来，实现物体与物体之间、物体与人之间的智能互动。近年来，物联网技术在工业、家居、医疗等领域得到了广泛的应用；通过物联网技术实现对生产线的智能管理，以达到节约能源、降低生产成本、提高生产效率的目的。
对于生产线管理的方法有很多，杨磊等人提出的申请号：“CN202011159779.3”，专利名称：“生产线管理方法、装置、系统以及存储介质”，主要包括：服务器通过定位终端实时获取在预设时间窗口内，目标对象的运动轨迹。服务器根据运动轨迹、预设运动区域和预设规则，确定目标对象的运动轨迹是否存在异常。其中，预设规则可以包括获取该运动轨迹的运动幅度，并与预设幅度进行比较、获取该运动轨迹在预设运动区域外的运动时长，并与预设时长进行比较、获取该运动轨迹在预设运动区域内的有效距离，并与预设距离里进行比较。当服务器确定该目标对象的运动轨迹可能存在异常，服务器发送异常信息。该申请的方法，提高了对产线员工的管理，提高了人机协同性，提高了人力资源和设备资源的利用率。
但上述技术至少存在如下技术问题：节能控制准确率较低以及能耗依然较高的技术问题。
发明内容
本申请实施例通过提供基于物联网技术的玻璃深加工生产线节能管理系统及方法，解决了现有技术中节能控制准确率较低以及能耗依然较高的技术问题，实现了高准确率低能耗的生产线节能管理的技术效果。
本申请提供了基于物联网技术的玻璃深加工生产线节能管理系统及方法，具体包括以下技术方案：
一种基于物联网技术的玻璃深加工生产线节能管理系统，包括以下部分：
智能采集模块，实时处理模块，初步分析模块，优化分析模块，智能预测控制模块，系统工作调节模块；
所述智能采集模块，采集玻璃深加工生产线的实时设备操作状态，玻璃生产过程的物理参数，包括温度、压力、机器转速；实时电能参数，包括电流、电压数据，并将采集到的数据送至实时处理模块；
所述实时处理模块，对采集到的数据进行实时处理，得到处理后的数据，送至初步分析模块；
所述初步分析模块，对实时处理后的数据进行初步分析，形成初步的数据分析结果，所述初步的数据分析结果包含异常能耗检测及原因分析，设备效率与能耗之间的关系，将初步数据分析结果传送到优化分析模块；
所述优化分析模块，基于初步的数据分析结果结合历史数据，对实时数据进行深度预测分析得到设备能效优化建议；
所述智能预测控制模块，根据设备能效优化建议得到最佳调整策略，生成控制指令，调整生产线状态，达到最佳的节能模式；同时与系统工作调节模块沟通获取设备的实时协同状态，确保调整方案不会引发设备冲突；
所述系统工作调节模块，利用内部传感器和反馈系统，实时监测每个设备的状态和响应情况，在遇到潜在的设备冲突或故障时，自动调整或停止相关设备，并向智能预测控制模块反馈情况。
优选的，还包括：
对所述基于物联网技术的玻璃深加工生产线节能管理系统，进行集成化设计：将智能采集模块，实时处理模块，初步分析模块，优化分析模块集成在一个小型的硬件板上，成为能耗监测与分析单元；模块通讯协议：为智能预测控制模块和系统工作调节模块设计统一的通讯协议，使它们可以更好地与其他模块交互；模块化插件体系：根据不同的玻璃深加工设备，智能预测控制模块可以灵活加载不同的控制插件。
一种基于物联网技术的玻璃深加工生产线节能管理方法，包括以下步骤：
S1. 采集玻璃深加工生产线中设备的数据，并进行数据初步处理，基于数据初步处理的结果进行初步数据分析；
S2. 基于数据初步处理的结果以及历史数据进行数据深度预测，结合初步数据分析结果进行优化分析，得到设备能效优化建议，并根据所述设备能效优化建议得到最佳调整策略，进一步得到控制指令，调整生产线状态，达到最佳的节能模式；
S3. 监测每个设备的状态和响应情况，按照设备能效优化建议进行调整，遇到潜在的冲突或故障时，自动调整或停止相关设备，并及时反馈。
优选的，所述步骤S1，具体包括：
对采集到的玻璃深加工生产线中设备的数据进行数据初步处理，得到初步处理的数据集合；在对基于初步处理的数据集合进行初步数据分析时构建综合的设备能耗计算模型。
优选的，在所述步骤S1中，还包括：
所述综合的设备能耗计算模型，构建如下：
，
其中，是初步处理后的实时电能数据集合；/>是设备运行状态数据集合；/>是设备操作参数集合；/>是机械参数集合；/>是生产参数集合；/>是维护与老化数据集合；/>表示模型输出。
优选的，所述步骤S2，具体包括：
基于初步数据分析结果结合历史数据利用长短时记忆网络进行数据深度预测，预测未来的生产线能耗，具体过程如下：首先，进行数据准备与预处理；再对预处理后的数据进行数据分割；长短时记忆网络模型构建；对构建好的长短时记忆网络模型进行模型训练；模型验证与调优；最后对未来能耗进行预测。
优选的，在所述步骤S2中，还包括：
在玻璃深加工生产线的节能管理过程中，预测的时间序列数据与实际生产数据之间存在时间偏移，引入动态时间偏移修正算法，动态地调整预测模型。
优选的，在所述步骤S2中，还包括：
所述动态时间偏移修正算法，实现过程：
第一步，数据准备；
第二步，计算互相关性；
第三步，定位偏移；
第四步，预测修正；
第五步，更新和反馈。
有益效果：
本申请实施例中提供的多个技术方案，至少具有如下技术效果或优点：
1、本申请通过提供的综合设备能耗计算模型，结合实时电能数据、设备运行状态、操作参数、机械参数、生产参数以及维护与老化数据，对设备的能耗进行了全面的考虑，此模型的复杂性反映了现实生产环境中能耗的各种影响因素，使得能耗的预测和计算更为准确，对设备的效率进行计算，并得到各影响因素与能耗的关系，可以为管理者提供具体的操作和维护建议，进一步提高生产效率，减少能耗，降低成本。
2、本申请通过结合初步数据分析和长短时记忆（LSTM）网络，可以对未来的生产线能耗进行更为精确的预测，从而为节能决策提供有力支持，引入的动态时间偏移修正算法有效地减少了预测与实际数据之间的时间偏移，提高了预测的准确性，使决策更为精准。
3、本申请的技术方案能够有效解决节能控制准确率较低以及能耗依然较高的技术问题，并且，上述系统或方法经过了一系列的效果调研，通过提供的综合设备能耗计算模型，结合实时电能数据、设备运行状态、操作参数、机械参数、生产参数以及维护与老化数据，对设备的能耗进行了全面的考虑，此模型的复杂性反映了现实生产环境中能耗的各种影响因素，使得能耗的预测和计算更为准确，对设备的效率进行计算，并得到各影响因素与能耗的关系，可以为管理者提供具体的操作和维护建议，进一步提高生产效率，减少能耗，降低成本；通过结合初步数据分析和长短时记忆（LSTM）网络，可以对未来的生产线能耗进行更为精确的预测，从而为节能决策提供有力支持，引入的动态时间偏移修正算法有效地减少了预测与实际数据之间的时间偏移，提高了预测的准确性，使决策更为精准。
附图说明
图1为本申请基于物联网技术的玻璃深加工生产线节能管理系统的模块图；
图2为本申请基于物联网技术的玻璃深加工生产线节能管理方法的流程图；
具体实施方式
本申请实施例通过提供基于物联网技术的玻璃深加工生产线节能管理系统及方法，解决了现有技术中节能控制准确率较低以及能耗依然较高的技术问题，总体思路如下：
首先，采集玻璃深加工生产线中设备的数据，并进行数据初步处理，基于初步处理的结果进行数据初步数据分析；然后，基于初步数据处理结果以及历史数据进行数据深度预测，结合初步数据分析结果进行优化分析，得到设备能效优化建议，并根据设备能效优化建议得到最佳调整策略，进一步得到控制指令，调整生产线状态达到最佳的节能模式；最后，监测每个设备的状态和响应情况，按照设备能效优化建议进行调整，遇到可能的冲突或故障时，自动调整或停止相关设备，并及时反馈。通过提供的综合设备能耗计算模型，结合实时电能数据、设备运行状态、操作参数、机械参数、生产参数以及维护与老化数据，对设备的能耗进行了全面的考虑，此模型的复杂性反映了现实生产环境中能耗的各种影响因素，使得能耗的预测和计算更为准确，对设备的效率进行计算，并得到各影响因素与能耗的关系，可以为管理者提供具体的操作和维护建议，进一步提高生产效率，减少能耗，降低成本；通过结合初步数据分析和长短时记忆（LSTM）网络，可以对未来的生产线能耗进行更为精确的预测，从而为节能决策提供有力支持，引入的动态时间偏移修正算法有效地减少了预测与实际数据之间的时间偏移，提高了预测的准确性，使决策更为精准。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参照附图1，本申请所述的一种基于物联网技术的玻璃深加工生产线节能管理系统包括以下部分：
智能采集模块，实时处理模块，初步分析模块，优化分析模块，智能预测控制模块，系统工作调节模块；
所述智能采集模块，采集玻璃深加工生产线的实时设备操作状态，玻璃生产过程的物理参数，如温度、压力、机器转速；实时电能参数，如电流、电压数据等，并将采集到的数据送至实时处理模块；
所述实时处理模块，对采集到的数据进行实时处理，得到处理后的数据，送至初步分析模块；
所述初步分析模块，对实时处理后的数据进行初步分析，形成初步的数据分析结果，所述初步的数据分析结果包含异常能耗检测及原因分析，设备效率与能耗之间的关系，将初步数据分析结果传送到优化分析模块；
所述优化分析模块，基于初步的数据分析结果结合历史数据，对实时数据进行深度预测分析得到设备能效优化建议；
所述智能预测控制模块，根据设备能效优化建议得到最佳调整策略，生成控制指令，调整生产线状态，达到最佳的节能模式；同时与系统工作调节模块沟通获取设备的实时协同状态，确保调整方案不会引发设备冲突；
所述系统工作调节模块，利用内部传感器和反馈系统，实时监测每个设备的状态和响应情况，在遇到可能的设备冲突或故障时，自动调整或停止相关设备，并向智能预测控制模块反馈情况；
对所述基于物联网技术的玻璃深加工生产线节能管理系统，进行集成化设计：将智能采集模块，实时处理模块，初步分析模块，优化分析模块集成在一个小型的硬件板上，成为一个能耗监测与分析单元，降低整体系统的复杂性；模块通讯协议：为智能预测控制模块和系统工作调节模块设计统一的通讯协议，使得它们可以更好地与其他模块交互；模块化插件体系：根据不同的玻璃深加工设备，智能预测控制模块可以灵活加载不同的控制插件，增强系统的通用性和可扩展性；
参照附图2，本申请所述一种基于物联网技术的玻璃深加工生产线节能管理方法包括以下步骤：
S1. 采集玻璃深加工生产线中设备的数据，并进行数据初步处理，基于数据初步处理的结果进行初步数据分析；
S11.数据采集；
根据玻璃深加工生产线中的设备清单与生产线布局，在关键部位（如加热炉、切割机、研磨机）进行传感器选择与安装；所述传感器选择，如温度传感器：考虑使用热电偶或热电阻，因为它们适合玻璃生产过程中的高温环境；压力传感器：选择能适应生产线中的气压或液压环境的型号；电能参数传感器：选择合适的电流互感器和电压互感器；所述传感器安装：传感器应在生产线的关键部位被正确且稳定地安装，确保其能准确地采集数据。
通过安装好的传感器，按照数据采集策略进行数据采集，所述数据采集策略，确定数据的采集频率，例如，可以选择每秒读取一次数据，以确保数据的实时性；同时，确保智能采集模块有足够的存储空间来存放这些数据；根据采集到的数据，构建数据集合，采集到的数据有玻璃生产过程的物理参数，如温度、压力、机器转速；实时电能参数，如电流、电压数据，得到物理参数数据集合，/>，集合/>中的任意一个子集可由/>表示，/>表示在特定时间点/>采集到第i个物理参数数据集合，/>，/>表示物理参数数据个数；实时电能参数数据集合/>，/>，集合/>中的任意一个子集可由/>表示，/>表示在特定时间点/>采集到第i个电能参数数据集合，，/>表示电能参数数据个数；
S12.数据初步处理与初步数据分析；
进一步对采集到的数据进行初步处理，首先，考虑到现场环境中可能存在的电磁干扰或其他噪声源，对每个数据集合、/>使用低通滤波器进行滤波；对滤波后的数据利用线性校正进行数据校正，确保了数据的准确性和一致性；为了便于后续处理和分析，将模拟信号采用等级编码法进行A/D转换；
最终得到初步处理的数据集合；
进一步基于初步处理的数据集合进行初步分析，得到初步分析结果，具体过程有：
首先，构建一个综合的设备能耗计算模型，考虑不同因素会影响到设备的实际能耗；具体模型构建如下：
，
其中，是初步处理后的实时电能数据集合，包含/>个数据，如：实时电流/>，实时电压/>，功率因数/>；/>是设备运行状态数据集合，/>，/>表示集合A元素的个数，所述设备运行状态数据，如设备运行时长，设备负载百分比；/>是设备操作参数集合，/>，/>表示集合B元素的个数，所述设备操作参数如设备的操作模式（正常模式、节能模式、高效模式等），使用的物料种类或质量（如：在玻璃加工中，不同种类或质量的玻璃可能会有不同的加工能耗），设备的操作员经验或操作习惯，当前设备的任务复杂度（如：复杂的图案切割可能需要更多的能量），设备的软件版本或固件（某些版本可能经过优化，以减少能耗）；/>是机械参数集合，/>，/>表示集合C元素的个数，所述机械参数，如设备转速，设备压力；/>是生产参数集合，/>，/>表示集合D元素的个数，所述生产参数，如生产线速度，生产数量；/>是维护与老化数据集合，，/>表示集合E元素的个数，所述维护与老化数据，如设备使用年限，距上次维护的时长；/>表示模型输出，设备能耗，基于上述数据进行计算得出的结果。
考虑到设备的电能消耗受多种因素影响，结合线性和非线性关系，得到：
，
，
其中，是初步处理后实时电能参数数据集合/>中的第i个参数；/>、/>、/>、...、/>是各项的系数，它们代表每项对能耗的影响权重，根据专家经验获得；/>到/>是权重系数，反映了各个数据集合对能耗的影响程度，而函数/>表示各个数据集合对能耗的具体影响方式，可能是线性、非线性或其他更复杂的函数关系；为获得这些权重和函数形式，使用数据驱动的方法，如机器学习，来从历史数据中学习和预测设备的能耗；
使用上述模型计算每个设备的效率，进一步得到各个影响因素与能耗的关系，得到初步数据分析结果；
本申请通过提供的综合设备能耗计算模型，结合实时电能数据、设备运行状态、操作参数、机械参数、生产参数以及维护与老化数据，对设备的能耗进行了全面的考虑，此模型的复杂性反映了现实生产环境中能耗的各种影响因素，使得能耗的预测和计算更为准确，对设备的效率进行计算，并得到各影响因素与能耗的关系，可以为管理者提供具体的操作和维护建议，进一步提高生产效率，减少能耗，降低成本。
S2. 基于数据初步处理的结果以及历史数据进行数据深度预测，结合初步数据分析结果进行优化分析，得到设备能效优化建议，并根据所述设备能效优化建议得到最佳调整策略，进一步得到控制指令，调整生产线状态，达到最佳的节能模式；
基于初步数据分析结果结合历史数据利用长短时记忆（LSTM）网络进行数据深度预测，预测未来的生产线能耗，具体过程如下：
首先，进行数据准备与预处理；从玻璃深加工生产线的数据存储系统中提取物理参数和电能参数的历史数据，据生产线特性，可能需要创建一些衍生特征，例如设备运行时长、设备启停频率；对数据进行数据清洗，识别和处理缺失值、异常值和重复值，进行归一化，使用min-max归一化确保所有特征数值范围一致；
再对预处理后的数据进行数据分割，使用滑动窗口法，将连续的历史数据分块，以便为LSTM模型提供连续时间段的数据输入，根据时间序列的特点，将最近的数据设为验证集，其余为训练集；
进一步，LSTM模型构建；初始化，初始化LSTM网络的权重和偏置，通常使用小的随机数；结构设计，设计一个双层LSTM结构，第一层捕获数据的低层次特征，第二层捕获更高层次的时间依赖关系；激活函数选择，选择适当的激活函数，如ReLU或Tanh，来增强模型的非线性特性；
进一步，对构建好的模型进行模型训练，学习率选择，使用自适应学习率策略，如Adam优化器，来自动调整学习率；批次选择，选择适当大小的批次，以确保训练的稳定性与速度之间的平衡；回调函数，实施学习率衰减或模型检查点策略来改善训练效果和保存最优模型；
进一步，模型验证与调优；交叉验证，使用时间序列交叉验证方法来评估模型的稳定性；超参数调整，使用贝叶斯优化或随机搜索来寻找最佳的网络参数；
最后对未来能耗预测，根据最新的数据进行滚动预测，即使用最新的观测值来预测下一时刻的值，然后再用这个预测值来预测下一个时刻，以此类推；置信区间，利用Bootstrapping方法为预测结果提供置信区间，为决策者提供更多的参考信息；
在玻璃深加工生产线的节能管理过程中，由于各种原因，预测的时间序列数据可能与实际生产数据之间存在时间偏移，这种偏移可能是由于生产环节之间的不同响应速度、数据采集和处理的时间延迟、模型本身的固有特性所导致的；因此，引入动态时间偏移修正算法，动态地调整预测模型，以减少预测与实际数据之间的时间偏移，从而提高预测的准确性，所述动态时间偏移修正算法，实现过程：
第一步，数据准备；收集连续的实际生产数据和相应的预测数据/>；引入新的变量/>，表示预测与实际数据之间的平均时间偏移，是一个累计值，通过历史的预测与实际数据对比得到，代表了系统在历史上预测的偏差趋势；
第二步，计算互相关性；使用互相关函数 (Cross-Correlation Function, CCF)来衡量两个时间序列之间的相似度：
，
其中,表示两个时间序列在滞后/>时的互相关值，这是衡量两个时间序列相似度的关键函数；/>表示滞后量或者领先量，用于在互相关函数中比对两个时间序列的相似度，这个变量是在算法内部计算得出的；/>是一个窗口函数，确保近期的数据有更高的权重，从而反映出最新的时间偏移；/>和/>分别是实际值序列和预测值序列的均值。
第三步，定位偏移；通过上述互相关函数，定位到最大的相关性，找出最佳的滞后量：
，
其中，是最佳的时间偏移量，代表了预测数据需要进行多少时间修正来达到与实际数据的最佳对齐；/>是权重系数，用于在当前的时间偏移和历史偏移之间进行权衡，通过经验法获得；/>代表了上一次计算时的平均时间偏移；
第四步，预测修正；根据找到的滞后量，对预测值进行实时修正：
，
其中，和/>分别代表修正后和修正前的预测值。前者是为了达到节能目的的调整后的预测，而后者是原始预测；
第五步，更新和反馈；将修正后的预测值和实际值进行对比，更新平均时间偏移值：
，
其中，表示平均时间偏移，但在此步骤中，它被更新以反映当前的最佳偏移；/>是另一个权重系数，用于在当前滞后量和过去的平均滞后量之间进行权衡；
上述过程，首先，通过收集和对比实际与预测数据，定位到时间偏移；接着，利用互相关函数对此偏移进行精确测量；再之后，依据测量结果对预测进行实时修正；最后，修正的预测会与新的实际数据对比，进一步校准偏移量，这样循环下去，使得系统不断校准和修正，提高预测准确性。
接下来将进一步细化优化分析、设备能效优化建议、确定最佳调整策略、控制指令生成、调整生产线状态这几个环节的实现过程。
进一步，基于初步分析结果和预测结果进行优化分析，首先根据初步处理后的数据评估每台设备的当前效率；根据历史数据，确定每台设备在相同条件下的平均效率；比较当前效率与平均效率，找出偏低的设备；对偏低效率的设备，分析可能的原因，如机械磨损、温度偏差、操作不当等；
进一步，给出设备能效优化建议，对于每一个效率偏低的设备，根据其可能的原因提出具体的优化措施，例如提议定期维护、调整操作参数等；对于每一个优化措施，预估可能的能效提升幅度；将所有的优化建议按照预估的能效提升幅度进行排序；
进一步，确定最佳调整策略，根据设备能效优化建议，列出所有可能的调整方案；为每一个调整方案分配一个优先级，基于其预估的能效提升幅度以及实施的难易程度；使用模拟或数值方法预测每一种调整方案的效果；根据最佳调整策略，确定具体的操作步骤和参数；将这些操作步骤和参数转换为设备可以理解的控制指令；对每一条控制指令进行验证，确保其可行性；在一个安全的时间窗口内，逐一执行上述的控制指令；在执行过程中，实时监控设备的反应和效率变化；如果发现某一条指令引发了不良反应或者没有达到预期效果，立即回滚到前一状态，并对控制指令进行调整；在所有指令执行完毕后，评估整体的效率提升幅度，与预期进行比较；
本申请通过结合初步数据分析和长短时记忆（LSTM）网络，可以对未来的生产线能耗进行更为精确的预测，从而为节能决策提供有力支持，引入的动态时间偏移修正算法有效地减少了预测与实际数据之间的时间偏移，提高了预测的准确性，使决策更为精准。
S3. 监测每个设备的状态和响应情况，按照设备能效优化建议进行调整，遇到潜在的冲突或故障时，自动调整或停止相关设备，并及时反馈；
在物联网技术的玻璃深加工生产线节能管理场景中，首先，采用物联网的边缘计算技术，使设备本地对原始数据进行初步处理和筛选，只上传关键数据，同时，利用5G技术或NB-IoT技术保障数据的实时、稳定上传，通过时序数据库对接收到的数据进行高效存储，为后续的实时分析提供支撑，得到实时设备数据；
接下来，利用流处理框架，例如Apache Kafka或Apache Flink，实时消费和处理数据，而在数据处理中，采用基于机器学习的异常检测模型，动态学习并识别设备状态的异常模式，从而标记出有异常标签的数据；
进一步，在处理异常数据时，系统会利用决策树或规则引擎，对异常数据和建议进行综合判决，生成调整策略，为了确保调整策略的可行性和安全性，该方案引入数字孪生技术，模拟设备调整后的状态，预测其可能的效果，生成设备调整命令；
在设备调整中，为了避免冲突和故障，构建了设备网络拓扑图来明确设备间的依赖关系，从而识别冲突，更进一步，使用深度学习的长短期记忆（LSTM）模型预测设备的未来状态，进一步辅助冲突和故障的预警，形成故障预警及设备命令冲突列表；
针对设备响应，通过物联网网关统一下发调整命令，确保指令的及时执行。同时，采用强化学习模型，根据实时反馈持续优化设备的调整策略，以提高能效，从而产生设备的实际响应状态及调整结果；
最后，为了实现系统的连续性反馈，使用大数据实时可视化工具，例如Grafana或Kibana，展示设备的实时状态和预警，结合报警系统，例如Prometheus，当达到特定阈值时会自动通知操作人员，实现实时更新的中心控制室可视化界面及预警通知；
综上所述，便完成了本申请所述的基于物联网技术的玻璃深加工生产线节能管理系统及方法。
上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：
1、本申请通过提供的综合设备能耗计算模型，结合实时电能数据、设备运行状态、操作参数、机械参数、生产参数以及维护与老化数据，对设备的能耗进行了全面的考虑，此模型的复杂性反映了现实生产环境中能耗的各种影响因素，使得能耗的预测和计算更为准确，对设备的效率进行计算，并得到各影响因素与能耗的关系，可以为管理者提供具体的操作和维护建议，进一步提高生产效率，减少能耗，降低成本。
2、本申请通过结合初步数据分析和长短时记忆（LSTM）网络，可以对未来的生产线能耗进行更为精确的预测，从而为节能决策提供有力支持，引入的动态时间偏移修正算法有效地减少了预测与实际数据之间的时间偏移，提高了预测的准确性，使决策更为精准。
效果调研：
本申请的技术方案能够有效解决节能控制准确率较低以及能耗依然较高的技术问题，并且，上述系统或方法经过了一系列的效果调研，通过提供的综合设备能耗计算模型，结合实时电能数据、设备运行状态、操作参数、机械参数、生产参数以及维护与老化数据，对设备的能耗进行了全面的考虑，此模型的复杂性反映了现实生产环境中能耗的各种影响因素，使得能耗的预测和计算更为准确，对设备的效率进行计算，并得到各影响因素与能耗的关系，可以为管理者提供具体的操作和维护建议，进一步提高生产效率，减少能耗，降低成本；通过结合初步数据分析和长短时记忆（LSTM）网络，可以对未来的生产线能耗进行更为精确的预测，从而为节能决策提供有力支持，引入的动态时间偏移修正算法有效地减少了预测与实际数据之间的时间偏移，提高了预测的准确性，使决策更为精准。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于物联网技术的玻璃深加工生产线节能管理系统，其特征在于，包括以下部分：
智能采集模块，实时处理模块，初步分析模块，优化分析模块，智能预测控制模块，系统工作调节模块；
所述智能采集模块，采集玻璃深加工生产线的实时设备操作状态，玻璃生产过程的物理参数，包括温度、压力、机器转速；实时电能参数，包括电流、电压数据，并将采集到的数据送至实时处理模块；
所述实时处理模块，对采集到的数据进行实时处理，得到处理后的数据，送至初步分析模块；
所述初步分析模块，对实时处理后的数据进行初步分析，形成初步的数据分析结果，所述初步的数据分析结果包含异常能耗检测及原因分析，设备效率与能耗之间的关系，将初步数据分析结果传送到优化分析模块；
所述优化分析模块，基于初步的数据分析结果结合历史数据，对实时数据进行深度预测分析得到设备能效优化建议；
所述智能预测控制模块，根据设备能效优化建议得到最佳调整策略，生成控制指令，调整生产线状态，达到最佳的节能模式；同时与系统工作调节模块沟通获取设备的实时协同状态，确保调整方案不会引发设备冲突；
所述系统工作调节模块，利用内部传感器和反馈系统，实时监测每个设备的状态和响应情况，在遇到潜在的设备冲突或故障时，自动调整或停止相关设备，并向智能预测控制模块反馈情况。
2.根据权利要求1所述的一种基于物联网技术的玻璃深加工生产线节能管理系统，其特征在于，还包括：
对所述基于物联网技术的玻璃深加工生产线节能管理系统，进行集成化设计：将智能采集模块，实时处理模块，初步分析模块，优化分析模块集成在一个小型的硬件板上，成为能耗监测与分析单元；模块通讯协议：为智能预测控制模块和系统工作调节模块设计统一的通讯协议，使它们可以更好地与其他模块交互；模块化插件体系：根据不同的玻璃深加工设备，智能预测控制模块可以灵活加载不同的控制插件。
3.一种基于物联网技术的玻璃深加工生产线节能管理方法，其特征在于，包括以下步骤：
S1. 采集玻璃深加工生产线中设备的数据，并进行数据初步处理，基于数据初步处理的结果进行初步数据分析；
S2. 基于数据初步处理的结果以及历史数据进行数据深度预测，结合初步数据分析结果进行优化分析，得到设备能效优化建议，并根据所述设备能效优化建议得到最佳调整策略，进一步得到控制指令，调整生产线状态，达到最佳的节能模式；
S3. 监测每个设备的状态和响应情况，按照设备能效优化建议进行调整，遇到潜在的冲突或故障时，自动调整或停止相关设备，并及时反馈。
4.根据权利要求3所述的一种基于物联网技术的玻璃深加工生产线节能管理方法，其特征在于，所述步骤S1，具体包括：
对采集到的玻璃深加工生产线中设备的数据进行数据初步处理，得到初步处理的数据集合；在对基于初步处理的数据集合进行初步数据分析时构建综合的设备能耗计算模型。
5.根据权利要求4所述的一种基于物联网技术的玻璃深加工生产线节能管理方法，其特征在于，在所述步骤S1中，还包括：
所述综合的设备能耗计算模型，构建如下： ，
其中，是初步处理后的实时电能数据集合；/>是设备运行状态数据集合；/>是设备操作参数集合；/>是机械参数集合；/>是生产参数集合；/>是维护与老化数据集合；/>表示模型输出。
6.根据权利要求3所述的一种基于物联网技术的玻璃深加工生产线节能管理方法，其特征在于，所述步骤S2，具体包括：
基于初步数据分析结果结合历史数据利用长短时记忆网络进行数据深度预测，预测未来的生产线能耗，具体过程如下：首先，进行数据准备与预处理；再对预处理后的数据进行数据分割；长短时记忆网络模型构建；对构建好的长短时记忆网络模型进行模型训练；模型验证与调优；最后对未来能耗进行预测。
7.根据权利要求6所述的一种基于物联网技术的玻璃深加工生产线节能管理方法，其特征在于，在所述步骤S2中，还包括：
在玻璃深加工生产线的节能管理过程中，预测的时间序列数据与实际生产数据之间存在时间偏移，引入动态时间偏移修正算法，动态地调整预测模型。
8.根据权利要求7所述的一种基于物联网技术的玻璃深加工生产线节能管理方法，其特征在于，在所述步骤S2中，还包括：
所述动态时间偏移修正算法，实现过程：
第一步，数据准备；
第二步，计算互相关性；
第三步，定位偏移；
第四步，预测修正；
第五步，更新和反馈。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311549255.9A CN117273402B (zh) | 2023-11-21 | 2023-11-21 | 基于物联网技术的玻璃深加工生产线节能管理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311549255.9A CN117273402B (zh) | 2023-11-21 | 2023-11-21 | 基于物联网技术的玻璃深加工生产线节能管理系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117273402A true CN117273402A (zh) | 2023-12-22 |
| CN117273402B CN117273402B (zh) | 2024-02-13 |
Family
ID=89208401
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311549255.9A Active CN117273402B (zh) | 2023-11-21 | 2023-11-21 | 基于物联网技术的玻璃深加工生产线节能管理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117273402B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117784620A (zh) * | 2024-02-27 | 2024-03-29 | 山东九曲圣基新型建材有限公司 | 尾矿干排脱水机的参数智能调整系统及方法 |
| CN117970897A (zh) * | 2024-04-02 | 2024-05-03 | 深圳华钛自动化科技有限公司 | 自动化设备的节能控制方法、装置、系统及存储介质 |
| CN118051757A (zh) * | 2024-01-22 | 2024-05-17 | 青岛天一红旗软控科技有限公司 | 基于物联网屏的喷气织机数据采集及分析方法 |
| CN118483968A (zh) * | 2024-05-06 | 2024-08-13 | 北京市成城交大建材有限公司 | 混凝土速凝剂生产质量控制系统及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1851590A (zh) * | 2006-04-25 | 2006-10-25 | 李钢 | 浮法玻璃生产线风机节能控制装置及其节能控制方法 |
| CN104992298A (zh) * | 2015-07-16 | 2015-10-21 | 南京朗坤软件有限公司 | 能源管理系统 |
| CN109902871A (zh) * | 2019-02-27 | 2019-06-18 | 万洲电气股份有限公司 | 一种结合企业生产线差异化特点的智能优化节能系统 |
| CN111832859A (zh) * | 2019-04-18 | 2020-10-27 | 万洲电气股份有限公司 | 一种基于工业生产线管理同步优化和精确管控的智能优化节能系统 |
-
2023
- 2023-11-21 CN CN202311549255.9A patent/CN117273402B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1851590A (zh) * | 2006-04-25 | 2006-10-25 | 李钢 | 浮法玻璃生产线风机节能控制装置及其节能控制方法 |
| CN104992298A (zh) * | 2015-07-16 | 2015-10-21 | 南京朗坤软件有限公司 | 能源管理系统 |
| CN109902871A (zh) * | 2019-02-27 | 2019-06-18 | 万洲电气股份有限公司 | 一种结合企业生产线差异化特点的智能优化节能系统 |
| CN111832859A (zh) * | 2019-04-18 | 2020-10-27 | 万洲电气股份有限公司 | 一种基于工业生产线管理同步优化和精确管控的智能优化节能系统 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118051757A (zh) * | 2024-01-22 | 2024-05-17 | 青岛天一红旗软控科技有限公司 | 基于物联网屏的喷气织机数据采集及分析方法 |
| CN117784620A (zh) * | 2024-02-27 | 2024-03-29 | 山东九曲圣基新型建材有限公司 | 尾矿干排脱水机的参数智能调整系统及方法 |
| CN117784620B (zh) * | 2024-02-27 | 2024-05-10 | 山东九曲圣基新型建材有限公司 | 尾矿干排脱水机的参数智能调整系统及方法 |
| CN117970897A (zh) * | 2024-04-02 | 2024-05-03 | 深圳华钛自动化科技有限公司 | 自动化设备的节能控制方法、装置、系统及存储介质 |
| CN117970897B (zh) * | 2024-04-02 | 2024-06-07 | 深圳华钛自动化科技有限公司 | 自动化设备的节能控制方法、装置、系统及存储介质 |
| CN118483968A (zh) * | 2024-05-06 | 2024-08-13 | 北京市成城交大建材有限公司 | 混凝土速凝剂生产质量控制系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117273402B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117273402B (zh) | 基于物联网技术的玻璃深加工生产线节能管理系统及方法 | |
| JP2023017888A (ja) | 根本的原因分析を実行してプラントワイド操業での希少イベントの発生の予測モデルを構築するコンピュータシステムおよび方法 | |
| CN117176560B (zh) | 一种基于物联网的监测设备监管系统及其方法 | |
| CN111160616B (zh) | 一种基于边云协同的厨电设备预测性维护系统及方法 | |
| CN113325721B (zh) | 一种工业系统无模型自适应控制方法及系统 | |
| JP2002532799A (ja) | 特にセメントキルンの技術プロセスにおけるセンサ予測のための事例ベース推論システムと方法および装置 | |
| WO2024065988A1 (zh) | 设备监测方法和系统、电子设备、存储介质 | |
| CN113468720B (zh) | 一种数模联动的随机退化设备寿命预测方法 | |
| US20240223661A1 (en) | Methods and smart gas internet of things (iot) systems for smart control of smart gas pipeline network data collection terminals | |
| CN116822115A (zh) | 一种基于数字孪生技术的智慧园区的环境管理方法及系统 | |
| CN117591857A (zh) | 一种基于深度学习的电机检测方法 | |
| CN118309644A (zh) | 基于数字孪生的管道泵运行流量监测方法及系统 | |
| CN117128162B (zh) | 智慧能源空压站节能控制系统及控制方法 | |
| CN118017502A (zh) | 基于数字孪生的配电算力预测方法、系统及介质 | |
| Fan et al. | A particle-filtering approach for remaining useful life estimation of wind turbine gearbox | |
| CN112214911B (zh) | 一种电源的健康状态预测方法 | |
| CN116976531B (zh) | 用于井下电控设备的集成管理方法及系统 | |
| CN117743961A (zh) | 基于长短期记忆lstm的电缆接头故障检测方法及系统 | |
| CN116483042A (zh) | 一种精益生产管控平台数字化精益诊断方法 | |
| Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
| CN117076260B (zh) | 一种参数及设备异常检测方法及装置 | |
| CN118521187B (zh) | 一种基于人工智能的工程技术支持与决策管理系统 | |
| CN114414938B (zh) | 一种配电网故障的动态响应方法及系统 | |
| CN117519042B (zh) | 基于ai技术的水泥生产智能控制方法、系统及存储介质 | |
| CN118758374A (zh) | 一种智能家居远程调控预警方法及系统 |
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 |