CN117273471A - 一种钢丝生产制程监管方法及系统 - Google Patents
一种钢丝生产制程监管方法及系统 Download PDFInfo
- Publication number
- CN117273471A CN117273471A CN202311558206.1A CN202311558206A CN117273471A CN 117273471 A CN117273471 A CN 117273471A CN 202311558206 A CN202311558206 A CN 202311558206A CN 117273471 A CN117273471 A CN 117273471A
- Authority
- CN
- China
- Prior art keywords
- data
- risk
- production
- establishing
- value
- 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.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 148
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 49
- 239000010959 steel Substances 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000002159 abnormal effect Effects 0.000 claims abstract description 82
- 230000005856 abnormality Effects 0.000 claims abstract description 34
- 238000012502 risk assessment Methods 0.000 claims abstract description 31
- 230000004927 fusion Effects 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims description 31
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000013500 data storage Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/258—Data format conversion from or to a database
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Abstract
本发明适用于生产监管领域,提供了一种钢丝生产制程监管方法及系统,所述方法包括:直接获取每一个生产厂所采集的钢丝生产数据;建立融合算法,对预处理后的数据进行同一化处理;建立风险模型,提取处理后的数据中的异常信息;实时获取生产异常判断结果,当出现生产异常时,发出警示信息。通过建立的风险模型和风险评估算法,可以对异常信息中的综合数据特征进行评估和预测,从而对生产中的风险进行有效的监测和预警。这样可以帮助生产厂及时发现潜在的风险,并采取相应的措施进行防范。同时能够将不同类型、结构和单位的数据进行转换和统一,提高数据的可操作性和可比性,从而为后续的风险模型建立和风险评估提供更准确和可靠的数据基础。
Description
技术领域
本发明属于生产监管领域,尤其涉及一种钢丝生产制程监管方法及系统。
背景技术
钢丝生产监管领域是指对钢丝生产过程中的质量、安全和环境等方面进行管理和监督的工作领域。在这个领域中,监管机构和相关部门通常会采取一系列措施来确保钢丝产品的合规性和质量可靠性。
钢丝生产监管领域的目标是确保钢丝产品的质量和安全性,保护消费者的权益,促进行业的可持续发展。通过建立健全的监管机制和有效的监督措施,可以提高钢丝生产企业的管理水平和产品质量,促进产业的良性发展。
目前由于每个生产厂商所使用的设备并不统一,系统收集到的数据也并不统一,不同类型、结构和单位的数据通常以不同的格式和方式进行存储和处理,导致数据的多样性和异构性。这使得数据的比较、分析和处理变得困难,因此风险监测和预警通常依赖于人工的观察和判断,容易受到主观因素的影响,且反应速度较慢。
发明内容
本发明的目的在于提供一种钢丝生产制程监管方法,旨在解决背景技术中确定的现有技术存在的技术问题。
本发明是这样实现的,一种钢丝生产制程监管方法,所述方法包括:
直接获取每一个生产厂所采集的钢丝生产数据,并在获取的过程中对数据进行预处理;
建立融合算法,对预处理后的数据进行同一化处理,包括数据类型、数据结构和单位转换;
建立风险模型,提取处理后的数据中的异常信息,并根据信息种类设定异常阈值,同时建立风险评估算法,利用风险评估算法,对异常信息中的综合数据特征,对生产中的风险进行评估和预测;
实时获取生产异常判断结果,当出现生产异常时,发出警示信息,并根据生产异常信息生成异常报表。
作为本发明更进一步的方案,所述获取每一个生产厂所采集的钢丝生产数据,包括:
搭建与生产厂之间的数据通道,并接收生产厂所传递的各项生产数据信息;
获取生产厂在钢丝生产过程中的钢丝生产数据,包括温度数据、压力数据、重量数据、长度数据和时间数据,并将所采集的数据转化为电信号,通过数据通道进行传输;
建立初始存储库,将接收到的电信号数据复原为原始数据,并存储于初始存储库中。
作为本发明更进一步的方案,所述建立融合算法,对预处理后的数据进行同一化处理包括:
将不同类型的数据进行转换,使所采集的温度数据、压力数据、重量数据、长度数据和时间数据均转化为数字类型数据;
将不同结构的数据进行转换,将全部数据转化为浮点类数据;
将不同单位的数据进行转换,对数据进行筛查,将同一类型的数据单位进行换算统一。
作为本发明更进一步的方案,所述建立风险模型,提取处理后的数据中的异常信息,包括:
提取特征数据,包括统计特征、时间特征和频域特征,并建立历史数据库,用于存储已分析的历史数据;
对特征数据进行异常检测,检测公式为:
;
其中,表示样本数量,/>表示待检测的数据点,/>表示符合生产要求的相同类型数据值,/>为核函数,/>为核函数带宽;
设定阈值区间,并将异常检测结果与阈值区间进行比对,若不处于阈值区间内,则判定为异常值;
建立风险评估模型,将异常值代入模型中,推算出该异常值产生风险的概率,推算公式为:
;
其中,表示在已知异常值/>的情况下,风险/>发生的概率,/>表示在风险/>发生的情况下,出现异常值/>的概率,/>表示风险/>发生的先验概率,/>表示异常值/>发生的先验概率;
设定风险阈值,当产生风险的概率值超过风险阈值时,判定为风险数值。
作为本发明更进一步的方案,所述实时获取生产异常判断结果,当出现生产异常时,发出警示信息,包括:
获取风险数值以及风险数值的数据源,并依此对该风险数值进行分类;
为每一种风险情况设定相应的警示通知,并获取现存的风险数值及其数据源,并发出相应的警示通知,并结合风险数值及其数据源建立风险报表。
本发明的另一目的在于提供一种钢丝生产制程监管系统,所述系统包括:
数据采集模块,用于直接获取每一个生产厂所采集的钢丝生产数据,并在获取的过程中对数据进行预处理;
数据融合模块,用于建立融合算法,对预处理后的数据进行同一化处理,包括数据类型、数据结构和单位转换;
分析建模模块,用于建立风险模型,提取处理后的数据中的异常信息,并根据信息种类设定异常阈值,同时建立风险评估算法,利用风险评估算法,对异常信息中的综合数据特征,对生产中的风险进行评估和预测;
异常警示模块,用于实时获取生产异常判断结果,当出现生产异常时,发出警示信息,并根据生产异常信息生成异常报表。
作为本发明更进一步的方案,所述数据采集模块包括:
通道建立单元,用于搭建与生产厂之间的数据通道,并接收生产厂所传递的各项生产数据信息;
传感器采集单元,用于获取生产厂在钢丝生产过程中的钢丝生产数据,包括温度数据、压力数据、重量数据、长度数据和时间数据,并将所采集的数据转化为电信号,通过数据通道进行传输;
数据存储单元,用于建立初始存储库,将接收到的电信号数据复原为原始数据,并存储于初始存储库中。
作为本发明更进一步的方案,所述数据融合模块包括:
类型转换单元,用于将不同类型的数据进行转换,使所采集的温度数据、压力数据、重量数据、长度数据和时间数据均转化为数字类型数据;
结构转换单元,用于将不同结构的数据进行转换,将全部数据转化为浮点类数据;
单位转换单元,用于将不同单位的数据进行转换,对数据进行筛查,将同一类型的数据单位进行换算统一。
作为本发明更进一步的方案,所述分析建模模块包括:
特征提取单元,用于提取特征数据,包括统计特征、时间特征和频域特征,并建立历史数据库,用于存储已分析的历史数据;
异常检测单元,用于对特征数据进行异常检测,检测公式为:
;
其中,表示样本数量,/>表示待检测的数据点,/>表示符合生产要求的相同类型数据值,/>为核函数,/>为核函数带宽;
设定阈值区间,用于并将异常检测结果与阈值区间进行比对,若不处于阈值区间内,则判定为异常值;
风险评估单元,用于建立风险评估模型,将异常值代入模型中,推算出该异常值产生风险的概率,推算公式为:
;
其中,表示在已知异常值/>的情况下,风险/>发生的概率,/>表示在风险/>发生的情况下,出现异常值/>的概率,/>表示风险/>发生的先验概率,/>表示异常值/>发生的先验概率;
设定风险阈值,用于当产生风险的概率值超过风险阈值时,判定为风险数值。
作为本发明更进一步的方案,所述异常警示模块包括:
异常分类单元,用于获取风险数值以及风险数值的数据源,并依此对该风险数值进行分类;
警示通知单元,用于为每一种风险情况设定相应的警示通知,并获取现存的风险数值及其数据源,并发出相应的警示通知,并结合风险数值及其数据源建立风险报表。
本发明的有益效果是:
通过建立的风险模型和风险评估算法,可以对异常信息中的综合数据特征进行评估和预测,从而对生产中的风险进行有效的监测和预警。这样可以帮助生产厂及时发现潜在的风险,并采取相应的措施进行防范。
且为每一种风险情况设定相应的警示通知,并获取现存的风险数值及其数据源,发出相应的警示通知,并结合风险数值及其数据源建立风险报表。这样可以对异常情况进行更详细的记录和分析,为生产厂提供更全面的监管支持;
同时能够将不同类型、结构和单位的数据进行转换和统一,提高数据的可操作性和可比性,从而为后续的风险模型建立和风险评估提供更准确和可靠的数据基础。
附图说明
图1为本发明实施例提供的一种钢丝生产制程监管方法的流程图;
图2为本发明实施例提供的获取每一个生产厂所采集的钢丝生产数据的流程图;
图3为本发明实施例提供的建立融合算法,对预处理后的数据进行同一化处理的流程图;
图4为本发明实施例提供的建立风险模型,提取处理后的数据中的异常信息的流程图;
图5为本发明实施例提供的实时获取生产异常判断结果,当出现生产异常时,发出警示信息的流程图;
图6为本发明实施例提供的一种钢丝生产制程监管系统的结构框图;
图7为本发明实施例提供的数据采集模块的结构框图;
图8为本发明实施例提供的数据融合模块的结构框图;
图9为本发明实施例提供的分析建模模块的结构框图;
图10为本发明实施例提供的异常警示模块的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但除非特别说明,这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一xx脚本称为第二xx脚本,且类似地,可将第二xx脚本称为第一xx脚本。
图1为本发明实施例提供的一种钢丝生产制程监管方法的流程图,如图1所示,一种钢丝生产制程监管方法,所述方法包括:
S100,直接获取每一个生产厂所采集的钢丝生产数据,并在获取的过程中对数据进行预处理;
在本步骤中,建立一个可靠的数据传输通道,确保生产厂可以将采集的数据传递给监管系统,使用网络连接的方式,例如局域网或互联网,通过TCP/IP协议进行数据传输。随后从生产厂的采集设备中读取各项生产数据,例如传感器采集的温度、压力、重量等数据,以及生产过程中的长度和时间信息。这些数据可能以不同的格式和单位进行存储,需要进行预处理和转换,以便后续的数据融合和分析。在数据传输过程中,数据可能以电信号的形式进行传输,需要将其还原为原始数据,负责解码和转换电信号数据,恢复为原始数据,并将其存储于初始存储库中。初始存储库可以是数据库或文件系统,用于暂时存储原始数据,以备后续的数据融合和分析使用。
S200,建立融合算法,对预处理后的数据进行同一化处理,包括数据类型、数据结构和单位转换;
在本步骤中,在钢丝生产过程中,各种数据可能以不同的类型进行采集,例如温度可能是以摄氏度或华氏度进行记录,压力可能是以帕斯卡或兆帕进行记录。本步骤负责将这些不同类型的数据转换为数字类型,以便后续的数据处理和分析。同样的,不同的数据可能以不同的结构进行采集,例如温度可能以整数或小数进行记录,长度可能以分数或小数进行记录。本步骤负责将这些不同结构的数据转换为浮点类数据,以便进行后续的数据融合和分析。且不同的数据可能以不同的单位进行记录,例如温度可能以摄氏度或华氏度进行记录,长度可能以米或英尺进行记录。本步骤负责将这些不同单位的数据进行转换,统一为同一类型的单位,以便进行后续的数据融合和分析。通过对预处理后的数据进行同一化处理,使得数据类型、数据结构和单位统一,为后续的风险模型建立和异常判断提供准备。这样可以确保监管系统能够对钢丝生产过程中的数据进行准确的分析和评估,及时发现异常情况并采取相应的措施。
S300,建立风险模型,提取处理后的数据中的异常信息,并根据信息种类设定异常阈值,同时建立风险评估算法,利用风险评估算法,对异常信息中的综合数据特征,对生产中的风险进行评估和预测;
在本步骤中,通过对预处理后的数据进行特征提取,可以得到各种数据的统计特征,如平均值、方差、最大值、最小值等,时间特征,如周期性、趋势性等,以及频域特征,如频谱分析等。本步骤负责提取这些特征数据,并将其存储到历史数据库中,以便后续的异常检测和风险评估。在钢丝生产过程中,通过对提取的特征数据进行异常检测,可以判断是否存在异常情况。同时会设定异常阈值区间,并将特征数据与阈值区间进行比对,若特征数据不处于阈值区间内,则判定为异常值。最后会对异常值进行风险评估和预测。将异常值代入风险评估模型中,推算出该异常值产生风险的概率,并设定风险阈值,当产生风险的概率值超过风险阈值时,则判定为风险数值。
S400,实时获取生产异常判断结果,当出现生产异常时,发出警示信息,并根据生产异常信息生成异常报表。
在本步骤中,通过得到的异常信息中的风险数值,即异常情况产生风险的概率。本步骤负责获取这些风险数值以及其对应的数据源,并对风险数值进行分类,以便后续的警示通知和报表生成。在钢丝生产过程中,对风险数值进行分类后,本步骤负责为每一种风险情况设定相应的警示通知,以便及时通知相关人员。同时还负责获取现存的风险数值及其数据源,并根据这些信息发出相应的警示通知。此外还结合风险数值及其数据源,建立风险报表,以便对异常情况进行更详细的记录和分析。
图2为本发明实施例提供的获取每一个生产厂所采集的钢丝生产数据的流程图,如图2所示,所述获取每一个生产厂所采集的钢丝生产数据,包括:
S110,搭建与生产厂之间的数据通道,并接收生产厂所传递的各项生产数据信息;
S120,获取生产厂在钢丝生产过程中的钢丝生产数据,包括温度数据、压力数据、重量数据、长度数据和时间数据,并将所采集的数据转化为电信号,通过数据通道进行传输;
S130,建立初始存储库,将接收到的电信号数据复原为原始数据,并存储于初始存储库中。
图3为本发明实施例提供的建立融合算法,对预处理后的数据进行同一化处理的流程图,如图3所示,所述建立融合算法,对预处理后的数据进行同一化处理包括:
S210,将不同类型的数据进行转换,使所采集的温度数据、压力数据、重量数据、长度数据和时间数据均转化为数字类型数据;
S220,将不同结构的数据进行转换,将全部数据转化为浮点类数据;
S230,将不同单位的数据进行转换,对数据进行筛查,将同一类型的数据单位进行换算统一。
图4为本发明实施例提供的建立风险模型,提取处理后的数据中的异常信息的流程图,如图4所示,所述建立风险模型,提取处理后的数据中的异常信息,包括:
S310,提取特征数据,包括统计特征、时间特征和频域特征,并建立历史数据库,用于存储已分析的历史数据;
S320,对特征数据进行异常检测,检测公式为:
;
其中,表示样本数量,/>表示待检测的数据点,/>表示符合生产要求的相同类型数据值,/>为核函数,/>为核函数带宽;
设定阈值区间,并将异常检测结果与阈值区间进行比对,若不处于阈值区间内,则判定为异常值;
S330,建立风险评估模型,将异常值代入模型中,推算出该异常值产生风险的概率,推算公式为:
;
其中,表示在已知异常值/>的情况下,风险/>发生的概率,/>表示在风险/>发生的情况下,出现异常值/>的概率,/>表示风险/>发生的先验概率,/>表示异常值/>发生的先验概率;
设定风险阈值,当产生风险的概率值超过风险阈值时,判定为风险数值。
图5为本发明实施例提供的实时获取生产异常判断结果,当出现生产异常时,发出警示信息的流程图,如图5所示,所述实时获取生产异常判断结果,当出现生产异常时,发出警示信息,包括:
S410,获取风险数值以及风险数值的数据源,并依此对该风险数值进行分类;
S420,为每一种风险情况设定相应的警示通知,并获取现存的风险数值及其数据源,并发出相应的警示通知,并结合风险数值及其数据源建立风险报表。
图6为本发明实施例提供的一种钢丝生产制程监管系统的结构框图,如图6所示,一种钢丝生产制程监管系统,所述系统包括:
数据采集模块100,用于直接获取每一个生产厂所采集的钢丝生产数据,并在获取的过程中对数据进行预处理;
在本模块中,建立一个可靠的数据传输通道,确保生产厂可以将采集的数据传递给监管系统,使用网络连接的方式,例如局域网或互联网,通过TCP/IP协议进行数据传输。随后从生产厂的采集设备中读取各项生产数据,例如传感器采集的温度、压力、重量等数据,以及生产过程中的长度和时间信息。这些数据可能以不同的格式和单位进行存储,需要进行预处理和转换,以便后续的数据融合和分析。在数据传输过程中,数据可能以电信号的形式进行传输,需要将其还原为原始数据,负责解码和转换电信号数据,恢复为原始数据,并将其存储于初始存储库中。初始存储库可以是数据库或文件系统,用于暂时存储原始数据,以备后续的数据融合和分析使用。
数据融合模块200,用于建立融合算法,对预处理后的数据进行同一化处理,包括数据类型、数据结构和单位转换;
在本模块中,在钢丝生产过程中,各种数据可能以不同的类型进行采集,例如温度可能是以摄氏度或华氏度进行记录,压力可能是以帕斯卡或兆帕进行记录。本步骤负责将这些不同类型的数据转换为数字类型,以便后续的数据处理和分析。同样的,不同的数据可能以不同的结构进行采集,例如温度可能以整数或小数进行记录,长度可能以分数或小数进行记录。本步骤负责将这些不同结构的数据转换为浮点类数据,以便进行后续的数据融合和分析。且不同的数据可能以不同的单位进行记录,例如温度可能以摄氏度或华氏度进行记录,长度可能以米或英尺进行记录。本步骤负责将这些不同单位的数据进行转换,统一为同一类型的单位,以便进行后续的数据融合和分析。通过对预处理后的数据进行同一化处理,使得数据类型、数据结构和单位统一,为后续的风险模型建立和异常判断提供准备。这样可以确保监管系统能够对钢丝生产过程中的数据进行准确的分析和评估,及时发现异常情况并采取相应的措施。
分析建模模块300,用于建立风险模型,提取处理后的数据中的异常信息,并根据信息种类设定异常阈值,同时建立风险评估算法,利用风险评估算法,对异常信息中的综合数据特征,对生产中的风险进行评估和预测;
在本模块中,通过对预处理后的数据进行特征提取,可以得到各种数据的统计特征,如平均值、方差、最大值、最小值等,时间特征,如周期性、趋势性等,以及频域特征,如频谱分析等。本步骤负责提取这些特征数据,并将其存储到历史数据库中,以便后续的异常检测和风险评估。在钢丝生产过程中,通过对提取的特征数据进行异常检测,可以判断是否存在异常情况。同时会设定异常阈值区间,并将特征数据与阈值区间进行比对,若特征数据不处于阈值区间内,则判定为异常值。最后会对异常值进行风险评估和预测。将异常值代入风险评估模型中,推算出该异常值产生风险的概率,并设定风险阈值,当产生风险的概率值超过风险阈值时,则判定为风险数值。
异常警示模块400,用于实时获取生产异常判断结果,当出现生产异常时,发出警示信息,并根据生产异常信息生成异常报表。
在本模块中,通过得到的异常信息中的风险数值,即异常情况产生风险的概率。本步骤负责获取这些风险数值以及其对应的数据源,并对风险数值进行分类,以便后续的警示通知和报表生成。在钢丝生产过程中,对风险数值进行分类后,本步骤负责为每一种风险情况设定相应的警示通知,以便及时通知相关人员。同时还负责获取现存的风险数值及其数据源,并根据这些信息发出相应的警示通知。此外还结合风险数值及其数据源,建立风险报表,以便对异常情况进行更详细的记录和分析。
图7为本发明实施例提供的数据采集模块的结构框图,如图7所示,所述数据采集模块包括:
通道建立单元110,用于搭建与生产厂之间的数据通道,并接收生产厂所传递的各项生产数据信息;
传感器采集单元120,用于获取生产厂在钢丝生产过程中的钢丝生产数据,包括温度数据、压力数据、重量数据、长度数据和时间数据,并将所采集的数据转化为电信号,通过数据通道进行传输;
数据存储单元130,用于建立初始存储库,将接收到的电信号数据复原为原始数据,并存储于初始存储库中。
图8为本发明实施例提供的数据融合模块的结构框图,如图8所示,所述数据融合模块包括:
类型转换单元210,用于将不同类型的数据进行转换,使所采集的温度数据、压力数据、重量数据、长度数据和时间数据均转化为数字类型数据;
结构转换单元220,用于将不同结构的数据进行转换,将全部数据转化为浮点类数据;
单位转换单元230,用于将不同单位的数据进行转换,对数据进行筛查,将同一类型的数据单位进行换算统一。
图9为本发明实施例提供的分析建模模块的结构框图,如图9所示,所述分析建模模块包括:
特征提取单元310,用于提取特征数据,包括统计特征、时间特征和频域特征,并建立历史数据库,用于存储已分析的历史数据;
异常检测单元320,用于对特征数据进行异常检测,检测公式为:
;
其中,表示样本数量,/>表示待检测的数据点,/>表示符合生产要求的相同类型数据值,/>为核函数,/>为核函数带宽;
设定阈值区间,用于并将异常检测结果与阈值区间进行比对,若不处于阈值区间内,则判定为异常值;
风险评估单元330,用于建立风险评估模型,将异常值代入模型中,推算出该异常值产生风险的概率,推算公式为:
;
其中,表示在已知异常值/>的情况下,风险/>发生的概率,/>表示在风险/>发生的情况下,出现异常值/>的概率,/>表示风险/>发生的先验概率,/>表示异常值/>发生的先验概率;
设定风险阈值,用于当产生风险的概率值超过风险阈值时,判定为风险数值。
图10为本发明实施例提供的异常警示模块的结构框图,如图10所示,所述异常警示模块包括:
异常分类单元410,用于获取风险数值以及风险数值的数据源,并依此对该风险数值进行分类;
警示通知单元420,用于为每一种风险情况设定相应的警示通知,并获取现存的风险数值及其数据源,并发出相应的警示通知,并结合风险数值及其数据源建立风险报表。
应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种钢丝生产制程监管方法,其特征在于,所述方法包括:
直接获取每一个生产厂所采集的钢丝生产数据,并在获取的过程中对数据进行预处理;
建立融合算法,对预处理后的数据进行同一化处理,包括数据类型、数据结构和单位转换;
建立风险模型,提取处理后的数据中的异常信息,并根据信息种类设定异常阈值,同时建立风险评估算法,利用风险评估算法,对异常信息中的综合数据特征,对生产中的风险进行评估和预测;
实时获取生产异常判断结果,当出现生产异常时,发出警示信息,并根据生产异常信息生成异常报表。
2.根据权利要求1所述的方法,其特征在于,所述获取每一个生产厂所采集的钢丝生产数据,包括:
搭建与生产厂之间的数据通道,并接收生产厂所传递的各项生产数据信息;
获取生产厂在钢丝生产过程中的钢丝生产数据,包括温度数据、压力数据、重量数据、长度数据和时间数据,并将所采集的数据转化为电信号,通过数据通道进行传输;
建立初始存储库,将接收到的电信号数据复原为原始数据,并存储于初始存储库中。
3.根据权利要求2所述的方法,其特征在于,所述建立融合算法,对预处理后的数据进行同一化处理包括:
将不同类型的数据进行转换,使所采集的温度数据、压力数据、重量数据、长度数据和时间数据均转化为数字类型数据;
将不同结构的数据进行转换,将全部数据转化为浮点类数据;
将不同单位的数据进行转换,对数据进行筛查,将同一类型的数据单位进行换算统一。
4.根据权利要求3所述的方法,其特征在于,所述建立风险模型,提取处理后的数据中的异常信息,包括:
提取特征数据,包括统计特征、时间特征和频域特征,并建立历史数据库,用于存储已分析的历史数据;
对特征数据进行异常检测,检测公式为:
;
其中,表示样本数量,/>表示待检测的数据点,/>表示符合生产要求的相同类型数据值,为核函数,/>为核函数带宽;
设定阈值区间,并将异常检测结果与阈值区间进行比对,若不处于阈值区间内,则判定为异常值;
建立风险评估模型,将异常值代入模型中,推算出该异常值产生风险的概率,推算公式为:
;
其中,表示在已知异常值/>的情况下,风险/>发生的概率,/>表示在风险/>发生的情况下,出现异常值/>的概率,/>表示风险/>发生的先验概率,/>表示异常值/>发生的先验概率;
设定风险阈值,当产生风险的概率值超过风险阈值时,判定为风险数值。
5.根据权利要求4所述的方法,其特征在于,所述实时获取生产异常判断结果,当出现生产异常时,发出警示信息,包括:
获取风险数值以及风险数值的数据源,并依此对该风险数值进行分类;
为每一种风险情况设定相应的警示通知,并获取现存的风险数值及其数据源,并发出相应的警示通知,并结合风险数值及其数据源建立风险报表。
6.一种钢丝生产制程监管系统,其特征在于,所述系统包括:
数据采集模块,用于直接获取每一个生产厂所采集的钢丝生产数据,并在获取的过程中对数据进行预处理;
数据融合模块,用于建立融合算法,对预处理后的数据进行同一化处理,包括数据类型、数据结构和单位转换;
分析建模模块,用于建立风险模型,提取处理后的数据中的异常信息,并根据信息种类设定异常阈值,同时建立风险评估算法,利用风险评估算法,对异常信息中的综合数据特征,对生产中的风险进行评估和预测;
异常警示模块,用于实时获取生产异常判断结果,当出现生产异常时,发出警示信息,并根据生产异常信息生成异常报表。
7.根据权利要求6所述的系统,其特征在于,所述数据采集模块包括:
通道建立单元,用于搭建与生产厂之间的数据通道,并接收生产厂所传递的各项生产数据信息;
传感器采集单元,用于获取生产厂在钢丝生产过程中的钢丝生产数据,包括温度数据、压力数据、重量数据、长度数据和时间数据,并将所采集的数据转化为电信号,通过数据通道进行传输;
数据存储单元,用于建立初始存储库,将接收到的电信号数据复原为原始数据,并存储于初始存储库中。
8.根据权利要求7所述的系统,其特征在于,所述数据融合模块包括:
类型转换单元,用于将不同类型的数据进行转换,使所采集的温度数据、压力数据、重量数据、长度数据和时间数据均转化为数字类型数据;
结构转换单元,用于将不同结构的数据进行转换,将全部数据转化为浮点类数据;
单位转换单元,用于将不同单位的数据进行转换,对数据进行筛查,将同一类型的数据单位进行换算统一。
9.根据权利要求8所述的系统,其特征在于,所述分析建模模块包括:
特征提取单元,用于提取特征数据,包括统计特征、时间特征和频域特征,并建立历史数据库,用于存储已分析的历史数据;
异常检测单元,用于对特征数据进行异常检测,检测公式为:
;
其中,表示样本数量,/>表示待检测的数据点,/>表示符合生产要求的相同类型数据值,为核函数,/>为核函数带宽;
设定阈值区间,用于并将异常检测结果与阈值区间进行比对,若不处于阈值区间内,则判定为异常值;
风险评估单元,用于建立风险评估模型,将异常值代入模型中,推算出该异常值产生风险的概率,推算公式为:
;
其中,表示在已知异常值/>的情况下,风险/>发生的概率,/>表示在风险/>发生的情况下,出现异常值/>的概率,/>表示风险/>发生的先验概率,/>表示异常值/>发生的先验概率;
设定风险阈值,用于当产生风险的概率值超过风险阈值时,判定为风险数值。
10.根据权利要求9所述的系统,其特征在于,所述异常警示模块包括:
异常分类单元,用于获取风险数值以及风险数值的数据源,并依此对该风险数值进行分类;
警示通知单元,用于为每一种风险情况设定相应的警示通知,并获取现存的风险数值及其数据源,并发出相应的警示通知,并结合风险数值及其数据源建立风险报表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311558206.1A CN117273471A (zh) | 2023-11-22 | 2023-11-22 | 一种钢丝生产制程监管方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311558206.1A CN117273471A (zh) | 2023-11-22 | 2023-11-22 | 一种钢丝生产制程监管方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117273471A true CN117273471A (zh) | 2023-12-22 |
Family
ID=89219993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311558206.1A Pending CN117273471A (zh) | 2023-11-22 | 2023-11-22 | 一种钢丝生产制程监管方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117273471A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599271A (zh) * | 2016-12-22 | 2017-04-26 | 江苏方天电力技术有限公司 | 一种燃煤机组排放监测时序数据异常值检测方法 |
CN107092582A (zh) * | 2017-03-31 | 2017-08-25 | 江苏方天电力技术有限公司 | 一种基于残差后验的异常值在线检测及置信度评估方法 |
CN115498313A (zh) * | 2022-09-23 | 2022-12-20 | 新源智储能源发展(北京)有限公司 | 风冷型锂离子电池储能集装箱热管理系统异常预警方法 |
CN115901004A (zh) * | 2022-10-09 | 2023-04-04 | 上海理工大学 | 一种热镀锌生产线锌锅感应加热器健康监测系统及方法 |
CN116629709A (zh) * | 2023-07-21 | 2023-08-22 | 国网山东省电力公司青岛市即墨区供电公司 | 一种供电指标的智能化分析报警系统 |
CN116776386A (zh) * | 2023-07-05 | 2023-09-19 | 深圳钰丰信息技术有限公司 | 一种云服务数据信息安全管理方法及系统 |
CN116880412A (zh) * | 2023-08-10 | 2023-10-13 | 上海兴岩信息科技有限公司 | 一种基于云的可视化生产管理平台 |
CN117057608A (zh) * | 2023-08-16 | 2023-11-14 | 河南鑫安利职业健康科技有限公司 | 企业安全生产风险预警系统 |
-
2023
- 2023-11-22 CN CN202311558206.1A patent/CN117273471A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599271A (zh) * | 2016-12-22 | 2017-04-26 | 江苏方天电力技术有限公司 | 一种燃煤机组排放监测时序数据异常值检测方法 |
CN107092582A (zh) * | 2017-03-31 | 2017-08-25 | 江苏方天电力技术有限公司 | 一种基于残差后验的异常值在线检测及置信度评估方法 |
CN115498313A (zh) * | 2022-09-23 | 2022-12-20 | 新源智储能源发展(北京)有限公司 | 风冷型锂离子电池储能集装箱热管理系统异常预警方法 |
CN115901004A (zh) * | 2022-10-09 | 2023-04-04 | 上海理工大学 | 一种热镀锌生产线锌锅感应加热器健康监测系统及方法 |
CN116776386A (zh) * | 2023-07-05 | 2023-09-19 | 深圳钰丰信息技术有限公司 | 一种云服务数据信息安全管理方法及系统 |
CN116629709A (zh) * | 2023-07-21 | 2023-08-22 | 国网山东省电力公司青岛市即墨区供电公司 | 一种供电指标的智能化分析报警系统 |
CN116880412A (zh) * | 2023-08-10 | 2023-10-13 | 上海兴岩信息科技有限公司 | 一种基于云的可视化生产管理平台 |
CN117057608A (zh) * | 2023-08-16 | 2023-11-14 | 河南鑫安利职业健康科技有限公司 | 企业安全生产风险预警系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2019413432B2 (en) | Scalable system and engine for forecasting wind turbine failure | |
US20220245297A1 (en) | Scalable system and method for forecasting wind turbine failure using scada alarm and event logs | |
CN108627720B (zh) | 一种基于贝叶斯算法的电力设备状态监测方法 | |
JP2018139085A (ja) | 異常予測方法、異常予測装置、異常予測システムおよび異常予測プログラム | |
CN115018220A (zh) | 一种基于知识图谱的家电故障预测方法和系统 | |
CN117076258A (zh) | 一种基于互联网云端的远程监控方法及系统 | |
CN117273471A (zh) | 一种钢丝生产制程监管方法及系统 | |
CN116311829B (zh) | 一种数据机房远程报警方法及装置 | |
CN111314110B (zh) | 一种用于分布式系统的故障预警方法 | |
CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
Al-Dahidi et al. | A novel fault detection system taking into account uncertainties in the reconstructed signals | |
Nisi et al. | Transparently Mining Data from a Medium-voltage Distribution Network: A Prognostic-diagnostic Analysis. | |
CN116050930A (zh) | 监盘系统、方法、存储介质及电子设备 | |
JP2019211919A (ja) | 監視装置、監視方法、及びコンピュータプログラム | |
JP2019067139A (ja) | 監視装置、監視方法、監視プログラム、表示装置、表示方法および表示プログラム | |
CN117033913A (zh) | 基于电力设备画像的异常检测方法及设备、存储介质 | |
CN114821985A (zh) | 基于人工智能的工业预警系统及方法 | |
JP2018191217A (ja) | データ監視装置、データ監視方法及びデータ監視プログラム | |
Sheriff et al. | Fault detection of single and interval valued data using statistical process monitoring techniques | |
Rigamonti et al. | AN ADVANCED EARLY FAULT DETECTION TOOL FOR PREDICTIVE MAINTENANCE OF A FLEET OF INDUSTRIAL GAS TURBINES | |
CN117576854B (zh) | 一种基于安防消防一体化的自动报警方法及系统 | |
Kamali et al. | An approach to define the minimum detectable damage and the alarm thresholds in vibration-based shm systems | |
CN117287640B (zh) | 供水风险的预警方法、装置、设备及存储介质 | |
CN116975938B (zh) | 一种产品制造过程中的传感器数据处理方法 | |
CN116660761B (zh) | 一种锂离子电池检测方法及系统 |
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 |