CN117435294B - 一种智慧石化生产的可视化展示方法及系统 - Google Patents
一种智慧石化生产的可视化展示方法及系统 Download PDFInfo
- Publication number
- CN117435294B CN117435294B CN202311759289.0A CN202311759289A CN117435294B CN 117435294 B CN117435294 B CN 117435294B CN 202311759289 A CN202311759289 A CN 202311759289A CN 117435294 B CN117435294 B CN 117435294B
- Authority
- CN
- China
- Prior art keywords
- outlier
- production
- petrochemical
- vibration
- 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.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 343
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000000007 visual effect Effects 0.000 title claims abstract description 37
- 238000009877 rendering Methods 0.000 claims abstract description 59
- 230000003213 activating effect Effects 0.000 claims abstract description 37
- 238000012544 monitoring process Methods 0.000 claims abstract description 34
- 239000003086 colorant Substances 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims description 70
- 230000002159 abnormal effect Effects 0.000 claims description 59
- 238000005336 cracking Methods 0.000 claims description 27
- 239000002994 raw material Substances 0.000 claims description 27
- 230000015572 biosynthetic process Effects 0.000 claims description 21
- 238000003786 synthesis reaction Methods 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 8
- 229920002521 macromolecule Polymers 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 239000004575 stone Substances 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 4
- 230000004044 response Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 7
- 230000010354 integration Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- GFWBKUDRXMQSFD-FJXQXJEOSA-M 3-aminopropanoyl-[(1s)-1-carboxy-2-(1h-imidazol-5-yl)ethyl]azanide;zinc Chemical compound [Zn].NCCC(=O)[N-][C@H](C(O)=O)CC1=CN=CN1 GFWBKUDRXMQSFD-FJXQXJEOSA-M 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012993 chemical processing Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 229940056457 promace Drugs 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/451—Execution arrangements for user interfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/12—Geometric CAD characterised by design entry means specially adapted for CAD, e.g. graphical user interfaces [GUI] specially adapted for CAD
-
- 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
- G06Q10/10—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Architecture (AREA)
- Medical Informatics (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及数据处理技术领域,提供一种智慧石化生产的可视化展示方法及系统,包括:加载多条石化产品生产线并进行二级聚类,生成若干组石化产品生产线;离群产线分析提取第一离群生产线;激活服务端、设备状态传感阵列,生成第一离群状态;激活服务端,构建第一石化工厂车间数字孪生模型,对非离群生产线匹配正常渲染颜色;可视化展示并渲染,解决监测所得信息不集中,需要花时间查找和整理信息,响应时长较长,或将导致生产中断和损失技术问题,实现可视化展示更直观地监测生产线的运行情况,从而更好地控制生产过程,提高石化生产的效率和质量,降低生产线的故障率,减少维护成本和停机时间,提高生产线的可靠性和稳定性技术效果。
Description
技术领域
本发明涉及数据处理相关技术领域,具体涉及一种智慧石化生产的可视化展示方法及系统。
背景技术
在石化生产车间中安装有物理仪表盘和指示灯,用于显示关键参数和设备状态,物理仪表盘和指示灯通常是基于阈值设置的,当参数偏离正常范围时会触发警报。
常见的,石化生产数据分散在不同的报表中,需要花费大量时间查找和整理信息,同时,可视化终端显示仅为最底层的数据,底层数据到决策数据之间往往具有较复杂的映射路径,降低了决策效率,对于用户实现石化生产管理,困难性较大。
综上所述,现有技术中存在监测所得信息不集中,需要花时间查找和整理信息,响应时长较长,或将导致生产中断和损失的技术问题。
发明内容
本申请通过提供了一种智慧石化生产的可视化展示方法及系统,旨在解决现有技术中的监测所得信息不集中,需要花时间查找和整理信息,响应时长较长,或将导致生产中断和损失的技术问题。
鉴于上述问题,本申请提供了一种智慧石化生产的可视化展示方法及系统。
本申请公开的第一个方面,提供了一种智慧石化生产的可视化展示方法,其中,应用于智慧石化生产的可视化展示系统,所述系统包括服务端和显示终端,所述方法包括:加载第一石化工厂车间的多条石化产品生产线;根据产品类型和生产规模对所述多条石化产品生产线进行二级聚类,生成若干组石化产品生产线;遍历所述若干组石化产品生产线进行离群产线分析,提取第一离群生产线;激活服务端,激活所述第一离群生产线的设备状态传感阵列,采集设备监测状态信息进行离群状态分析,生成第一离群状态;激活服务端,构建第一石化工厂车间数字孪生模型,对所述第一离群生产线和所述第一离群状态进行匹配离群渲染颜色和文字渲染内容,对非离群生产线匹配正常渲染颜色;在显示终端,对所述第一石化工厂车间数字孪生模型进行可视化展示,并根据所述离群渲染颜色和所述文字渲染内容对所述第一离群生产线和所述第一离群状态进行渲染,根据所述正常渲染颜色对所述非离群生产线进行渲染。
本申请公开的另一个方面,提供了一种智慧石化生产的可视化展示系统,其中,所述系统包括:生产加载模块,用于加载第一石化工厂车间的多条石化产品生产线;二级聚类模块,用于根据产品类型和生产规模对所述多条石化产品生产线进行二级聚类,生成若干组石化产品生产线;第一离群产线分析模块,用于遍历所述若干组石化产品生产线进行离群产线分析,提取第一离群生产线;第二离群状态分析模块,用于激活服务端,激活所述第一离群生产线的设备状态传感阵列,采集设备监测状态信息进行离群状态分析,生成第一离群状态;数字孪生模型构建模块,用于激活服务端,构建第一石化工厂车间数字孪生模型,对所述第一离群生产线和所述第一离群状态进行匹配离群渲染颜色和文字渲染内容,对非离群生产线匹配正常渲染颜色;可视化展示模块,用于在显示终端,对所述第一石化工厂车间数字孪生模型进行可视化展示,并根据所述离群渲染颜色和所述文字渲染内容对所述第一离群生产线和所述第一离群状态进行渲染,根据所述正常渲染颜色对所述非离群生产线进行渲染。
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:
由于采用了加载多条石化产品生产线并进行二级聚类,生成若干组石化产品生产线;离群产线分析提取第一离群生产线;激活服务端,激活第一离群生产线的设备状态传感阵列,采集设备监测状态信息进行离群状态分析,生成第一离群状态;激活服务端,构建第一石化工厂车间数字孪生模型,对第一离群生产线和第一离群状态进行匹配离群渲染颜色和文字渲染内容,对非离群生产线匹配正常渲染颜色;可视化展示,并渲染,根据正常渲染颜色对非离群生产线进行渲染,解决了监测所得信息不集中,需要花时间查找和整理信息,响应时长较长,或将导致生产中断和损失的技术问题,实现了可视化展示可以更直观地监测生产线的运行情况,从而更好地控制生产过程,提高石化生产的效率和质量,同时,通过提高生产监测的实时性、信息整合性、决策客观性和反应速度,降低生产线的故障率,减少维护成本和停机时间,提高了生产线的可靠性和稳定性的技术效果。
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
图1为本申请实施例提供了一种智慧石化生产的可视化展示方法可能的流程示意图。
图2为本申请实施例提供了基于数字收银机按键的电流分配控制方法中生成第一离群生产线可能的流程示意图。
图3为本申请实施例提供了一种智慧石化生产的可视化展示系统可能的结构示意图。
附图标记说明:生产加载模块100,二级聚类模块200,第一离群产线分析模块300,第二离群状态分析模块400,数字孪生模型构建模块500,可视化展示模块600。
具体实施方式
以下结合附图对本发明的示范性实施例作出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
实施例一
如图1所示,本申请实施例提供了一种智慧石化生产的可视化展示方法,其中,应用于智慧石化生产的可视化展示系统,所述系统包括服务端和显示终端,所述方法包括:
Step-1:加载第一石化工厂车间的多条石化产品生产线;
Step-2:根据产品类型和生产规模对所述多条石化产品生产线进行二级聚类,生成若干组石化产品生产线;
Step-3:遍历所述若干组石化产品生产线进行离群产线分析,提取第一离群生产线;
所述石化产品生产线是指在石化工厂车间中,用于生产各种石化产品的生产线。每条生产线可能包括多台设备,用于进行各种化学反应和加工步骤;二级聚类用于将相似的对象(在这种情况下是生产线)分组在一起,一级聚类首先将对象大致分组,然后二级聚类在这些初步分组的基础上进行更细致的聚类。
所述离群产线分析是指通过统计和分析生产线上的各种数据,识别出那些与大多数其他生产线在某些方面存在显著差异的离群生产线,所述离群生产线一般是指存在故障、效率低下或者其他问题的生产线;所述第一离群生产线是指在所有离群生产线中,被识别出来的问题最严重或者最优先需要关注的生产线。二级聚类分析和离群产线分析的方法也有助于提高数据分析和挖掘的效率和准确性,为后续分析提供数据支持。
Step-4:激活服务端,激活所述第一离群生产线的设备状态传感阵列,采集设备监测状态信息进行离群状态分析,生成第一离群状态;
Step-5:激活服务端,构建第一石化工厂车间数字孪生模型,对所述第一离群生产线和所述第一离群状态进行匹配离群渲染颜色和文字渲染内容,对非离群生产线匹配正常渲染颜色;
Step-6:在显示终端,对所述第一石化工厂车间数字孪生模型进行可视化展示,并根据所述离群渲染颜色和所述文字渲染内容对所述第一离群生产线和所述第一离群状态进行渲染,根据所述正常渲染颜色对所述非离群生产线进行渲染。
监控智慧石化生产中的第一离群生产线和第一离群状态,并通过可视化方式展示第一离群生产线和第一离群状态的方法,具体包括:服务端通常指的是服务器端,包含应用程序、数据和相应的计算机系统,可以处理客户端的请求并返回所需的信息。
利用Ansys Twin Builder(软件名,提供了建模、仿真和部署数字孪生模型的功能,可以帮助用户对石化工厂进行数字化建模和优化)、ProMACE(软件名,可以利用数字孪生建模工具集构建石化工厂的全厂数字孪生模型,描述物理资产的功能位置、机械特性、工艺特性等)进行仿真建模,为第一石化工厂车间创建一个数字化的模型并命名为第一石化工厂车间数字孪生模型,所述第一石化工厂车间数字孪生模型可以反映车间的实时运行状态,第一石化工厂车间数字孪生模型基于物理模型、传感器更新、历史和实时数据的集成;
将第一离群生产线和第一离群状态以特定的颜色和文字进行渲染,而后在第一石化工厂车间数字孪生模型中进行可视化展示,所述离群渲染颜色即在第一石化工厂车间数字孪生模型中,为生产线或状态选择一种颜色,区别性的,非离群生产线匹配正常渲染颜色,通过正常渲染颜色、离群渲染颜色在可视化展示中进行区分;所述文字渲染内容指的是在第一石化工厂车间数字孪生模型中,将要展示的离群值以一定的样式进行呈现。
激活服务端指的是启动或唤醒服务器,以便执行后续的任务;激活第一离群生产线的设备状态传感阵列指的是启动第一离群生产线上的所有设备状态传感器,这些传感器用于收集设备的状态信息;采集设备监测状态信息进行离群状态分析是指从设备状态传感器采集设备的状态信息,并通过离群状态分析技术,识别出是否存在离群状态;在显示终端上展示第一石化工厂车间的数字孪生模型,展示的内容会根据上述步骤中对颜色的渲染以及文字的渲染内容进行展示。实时监控智慧石化生产中的离群生产线和离群状态,通过可视化展示的方式在显示终端上清晰、准确地呈现出来,便于技术人员及时了解和应对可能的问题,提高生产效率和安全性。
根据产品类型和生产规模对所述多条石化产品生产线进行二级聚类,生成若干组石化产品生产线,Step-2包括:
对所述多条石化产品生产线进行阶段划分,生成原料裂解产线集与大分子合成产线集;
根据原料产品类型和裂解产品类型对所述原料裂解产线集进行一级聚类,生成原料裂解阶段一级产线聚类结果;
根据生产规模对遍历所述原料裂解阶段一级产线聚类结果进行二级聚类,生成原料裂解阶段二级产线聚类结果;
根据裂解产品类型和合成分子类型对所述大分子合成产线集进行一级聚类,生成大分子合成阶段一级产线聚类结果;
根据生产规模对遍历所述大分子合成阶段一级产线聚类结果进行二级聚类,生成大分子合成阶段二级产线聚类结果;
将所述原料裂解阶段二级产线聚类结果和所述大分子合成阶段二级产线聚类结果,添加进所述若干组石化产品生产线。
从产品类型、原料类型、生产规模(表征单位时间内的产量)等方面,将多条石化产品生产线划分为若干组,具体包括:所述石化产品生产线是指用于生产石化产品的生产工艺线或生产流程;原料裂解产线集是原料裂解是石化生产的一部分,涉及将原始原料分解成较小的分子,通常是碳氢化合物,以供后续合成其他化学产品使用;所述大分子合成产线集是大分子合成阶段是指将裂解产线的产物,即小分子化合物,合成成大分子化合物的阶段,可以是塑料、橡胶或其他高分子材料。
一级聚类是对产线进行第一层次的聚类分析,根据产品类型或原料类型将产线分组;二级聚类是在一级聚类的基础上,对产线进行更详细的第二层次的聚类分析,通常是根据生产规模或更具体的产品类型进行分组。
将相似的生产线放在一起,可以更好地优化生产计划和资源分配;通过对生产线的聚类,可以更有效地管理原料和资源,降低生产成本;聚类分析有助于更好地理解和优化生产流程,从而提高生产效率;将生产线按照相似性聚类可以为决策制定提供更多的数据支持,包括产品选择、设备维护等;总之,有助于更好地管理和优化石化生产线,以实现更高的效率和降低成本。
如图2所示,遍历所述若干组石化产品生产线进行离群产线分析,提取第一离群生产线,Step-3包括:
对所述若干组石化产品生产线的第一组石化产品生产线进行多单位时长产量监控,生成多组石化产品产量集;
遍历所述多组石化产品产量集进行产量离群分析,生成所述第一离群生产线。
对多组石化产品生产线进行离群值(异常值)分析,包括:离群产线分析是指识别在多组石化产品生产线中具有异常产量或性能的生产线的过程;第一离群生产线是指在多组生产线中,首先被识别为异常或离群的生产线;多单位时长产量监控即对多个石化产品生产线在一段时间内的产量进行监控,包括多个单位时间段内的产量数据。
多组石化产品产量集是在不同单位和时间段内收集的多组石化产品产量数据的集合;产量离群分析是对多组石化产品产量数据进行分析,以识别出产量异常或明显不同寻常的情况;识别出在多组石化产品生产线中产量异常的生产线,以便采取适当的措施。
一方面,通过监控产量数据并识别离群值,可以在问题加剧之前早期发现生产线上的异常情况,及时识别并处理产量异常可以降低生产线停机的风险,从而降低生产损失;另一方面,离群值分析可以为决策制定提供数据支持,包括资源分配、设备维护、生产调整等方面的决策;综上,进行离群产线分析,提前发现潜在问题,降低生产风险,提高效率和质量。
遍历所述多组石化产品产量集进行产量离群分析,生成所述第一离群生产线,Step-3还包括:
提取所述多组石化产品产量集的第一生产线的第一组石化产品产量集;
按照一致产量偏差和生产规模对所述第一组石化产品产量集进行二值化:
当石化产品产量和所述生产规模的偏差小于所述一致产量偏差,进行1值标识;
当石化产品产量和所述生产规模的偏差大于或等于所述一致产量偏差,进行0值标识;
统计0值标识数量在标识总数量的占比,设为第一生产线单线离群概率;
当所述第一生产线单线离群概率大于或等于单线离群概率阈值,将所述第一生产线添加进所述第一离群生产线。
对多组石化产品产量数据进行分析,以识别离群的单个生产线,具体包括:多组石化产品产量集是多个石化产品生产线在不同时间或单位内的产量数据的集合;单产线产量离群分析是指对每个独立的石化产品生产线的产量数据进行离群值(异常值)分析。
一级离群生产线是指在多组生产线中,首先被识别为异常或离群的石化产品生产线;一致产量偏差是一个衡量石化产品产量与生产规模之间的差异的指标,当产量与规模之间的差异小于此值时,认为产量是一致的(默认为±0.05);二值化是将数据转化为只包含两个值(0和1)的过程,根据产量与规模的差异是否小于一致产量偏差来进行二值化。
单线离群概率用于度量每个独立生产线被识别为离群的概率,根据产量与规模的差异是否大于一致产量偏差来计算;单线离群概率阈值用于确定何时将一个生产线标识为离群:当单线离群概率大于或等于此阈值时,生产线被视为离群。
一方面,通过监控每个生产线的产量与规模差异,可以在问题加剧之前早期发现生产线的异常情况,及时识别并处理离群的生产线可以降低生产线停机的风险,从而降低生产损失;另一方面,识别离群的生产线有助于更有效地分配资源和优化生产计划,从而通过解决离群问题,可以提高整个生产过程的效率;总之,有助于维护和优化石化生产线的技术,可以帮助早期发现问题并采取适当的措施。
激活服务端,激活所述第一离群生产线的设备状态传感阵列,采集设备监测状态信息进行离群状态分析,生成第一离群状态,Step-4包括:
所述设备状态传感阵列包括振动传感器阵列和温度传感器阵列;
提取所述第一离群生产线的生产控制参数进行正样本分析,生成多个振动敏感位置的振动幅度基线信息和多个温度敏感位置的温度基线信息;
激活振动传感器阵列,采集所述多个振动敏感位置的振动幅度序列,结合所述振动幅度基线信息进行离群状态分析,生成离群振动位置;
激活温度传感器阵列,采集所述多个温度敏感位置的温度监测序列,结合所述温度基线信息进行离群状态分析,生成离群温度位置;
将所述离群振动位置和所述离群温度位置,添加进所述第一离群状态。
对第一离群生产线的设备状态进行监测与分析,包括:设备状态传感阵列是一组用于监测设备的状态信息的传感器阵列,其中,包括振动传感器阵列和温度传感器阵列,所述振动传感器阵列是一种用于测量设备的振动情况的传感器阵列,可以用于监测设备的运行状态和性能,所述温度传感器阵列是一种用于测量设备各处的温度的传感器阵列,可以用于监测设备的热情况。
振动幅度基线信息即振动敏感位置的基础数据,用于作为参考基准,与实时采集到的振动数据进行比对,以识别离群振动位置;温度基线信息即温度敏感位置的基础数据,用于作为参考基准,与实时采集到的温度数据进行比对,以识别离群温度位置。
离群状态是指设备或传感器的状态异常情况,与正常状态有明显的差异,比如,设备因机械故障、电气故障、传感器故障等原因无法正常运转,导致生产线停滞或生产量下降;生产出的产品不符合规格要求,如成分含量超标、尺寸偏差过大等,导致产品报废或需要返工;设备在运行过程中出现能源消耗过高、生产周期过长、生产成本过高等情况,导致生产效率低下;设备受到温度、湿度、压力、光照等环境因素的影响,以及受到污染物的侵蚀,导致性能下降或损坏;设备没有得到及时的保养和维护,导致设备故障或性能下降。
正样本分析是指利用第一离群生产线的正常生产控制参数进行分析,以获得振动和温度的基准信息;离群振动位置是指通过分析当前的振动数据和基线信息,识别出振动异常的位置;离群温度位置是指通过分析当前的温度数据和基线信息,识别出温度异常的位置。
通过实时监测设备状态,可以及时发现设备状态中的异常情况,一方面可以减少可能的故障或损坏,制定更合理的维护计划,避免不必要的维护成本;另一方面,通过对设备状态的监测与分析,可以提高设备的可靠性,避免因故障而导致的生产中断,保证设备的正常运行,可以提高生产线的稳定性和效率;总之,激活设备状态传感阵列并进行离群状态分析,可以及时发现并处理设备状态的异常情况,保证生产线的稳定性和效率。
提取所述第一离群生产线的生产控制参数进行正样本分析,生成多个振动敏感位置的振动幅度基线信息和多个温度敏感位置的温度基线信息,Step-4还包括:
根据所述第一离群生产线进行负样本历史回溯,获得故障事务集,其中,所述故障事务集包括异常振动触发记录位置和异常温度触发记录位置;
对任意一个所述异常振动触发记录位置进行频率统计,生成第一异常触发频率,对任意一个所述异常温度触发记录位置进行频率统计,生成第二异常触发频率;
将所述第一异常触发频率大于或等于触发频率阈值的所述异常振动触发记录位置,添加进所述多个振动敏感位置;
将所述第二异常触发频率大于或等于触发频率阈值的所述异常温度触发记录位置,添加进所述多个温度敏感位置;
根据所述生产控制参数和所述第一离群生产线,在所述多个振动敏感位置进行正样本历史回溯,获取多组振动幅度正样本记录值,遍历所述多组振动幅度正样本记录值进行集中值评价,生成所述多个振动敏感位置的所述振动幅度基线信息;
根据所述生产控制参数和所述第一离群生产线,在所述多个温度敏感位置进行正样本历史回溯,获取多组温度正样本记录值,遍历所述多组温度正样本记录值进行集中值评价,生成所述多个温度敏感位置的温度基线信息。
提取第一离群生产线的生产控制参数进行正样本分析,生成多个振动敏感位置的振动幅度基线信息和多个温度敏感位置的温度基线信息,具体步骤:所述负样本历史回溯是指基于已知故障情况的历史数据,进行反向追溯,寻找导致这些故障的相关因素的过程;所述故障事务集是指导致生产中断或损失的离群生产线上的相关因素集合,包括异常振动触发记录位置和异常温度触发记录位置;所述第一异常触发频率和所述第二异常触发频率分别指代的是振动和温度的异常触发位置的频繁程度;所述振动敏感位置和所述温度敏感位置指代的是在石化生产过程中,对振动和温度变化更为敏感的设备或区域。
通过第一离群生产线进行负样本历史回溯,获得故障事务集,在本申请实施例中,基于已知故障情况的历史数据,进行反向追溯,寻找导致这些故障的相关因素的过程;并将导致这些故障的相关因素存放至所述故障事务集,其中,至少包括异常振动触发记录位置和异常温度触发记录位置。
对任意一个异常振动触发记录位置进行频率统计,生成第一异常触发频率。对任意一个异常温度触发记录位置也进行频率统计,生成第二异常触发频率,主要是在分析这些异常因素(异常振动和异常温度)出现的频繁程度;将第一异常触发频率大于或等于触发频率阈值的异常振动触发记录位置,添加进多个振动敏感位置,同样地,将第二异常触发频率大于或等于触发频率阈值的异常温度触发记录位置,添加进多个温度敏感位,主要是在确定哪些位置对振动和温度变化更为敏感。
根据生产控制参数和第一离群生产线,在多个振动敏感位置进行正样本历史回溯,获取多组振动幅度正样本记录值,遍历多组振动幅度正样本记录值进行集中值评价,生成多个振动敏感位置的振动幅度基线信息,主要是在分析这些振动敏感位置在正常情况下的振动幅度基线信息;同样地,根据生产控制参数和第一离群生产线,在多个温度敏感位置进行正样本历史回溯,获取多组温度正样本记录值。遍历多组温度正样本记录值进行集中值评价,生成多个温度敏感位置的温度基线信息,主要是在分析这些温度敏感位置在正常情况下的温度基线信息。
通过负样本历史回溯和正样本历史回溯,结合生产控制参数,确定出在石化生产过程中,对振动和温度变化敏感的位置,并为振动和温度变化敏感的位置生成正常操作情况下的基线信息,基线信息可以作为判断设备是否出现异常(如离群状态)的参考依据,帮助提高生产监测的实时性和信息整合性,从而提高了石化生产的效率和质量。
激活振动传感器阵列,采集所述多个振动敏感位置的振动幅度序列,结合所述振动幅度基线信息进行离群状态分析,生成离群振动位置,Step-4还包括:
从所述振动幅度序列提取所述多个振动敏感位置的第一振动敏感位置的第一振动幅度序列;
从所述振动幅度基线信息提取所述多个振动敏感位置的第一振动敏感位置的第一幅度基线信息;
统计所述第一振动幅度序列超出所述第一幅度基线信息的时刻比,设为第一振动敏感位置离群概率;
当所述第一振动敏感位置离群概率大于或等于振动敏感位置离群概率阈值,将所述第一振动敏感位置添加进所述离群振动位置。
激活振动传感器阵列,采集多个振动敏感位置的振动幅度序列,结合振动幅度基线信息进行离群状态分析,生成离群振动位置,具体步骤包括:所述振动幅度序列是单位时间内振动传感器阵列中各个振动敏感位置的振动幅度的连续记录。
所述第一振动敏感位置是所述多个振动敏感位置中的任意一项,对应的,所述第一振动幅度序列是指从振动幅度序列中提取的第一振动敏感位置的振动幅度数据;所述第一幅度基线信息是指正常运行情况下,第一振动敏感位置的振动幅度基线数据。
所述离群状态指设备或生产线的状态出现异常,如过大的振动幅度;所述离群概率即衡量设备或生产线的状态出现离群状态的概率;所述离群振动位置即出现离群状态的振动敏感位置。
从振动幅度基线信息提取多个振动敏感位置的第一振动敏感位置的第一幅度基线信息,是为了获取在正常操作情况下,第一振动敏感位置的振动幅度基线数据;统计第一振动幅度序列超出第一幅度基线信息的时刻比,设为第一振动敏感位置离群概率,主要是通过比较实际测得的振动幅度序列和基线信息,来找出可能存在的离群状态;当第一振动敏感位置离群概率大于或等于振动敏感位置离群概率阈值,将第一振动敏感位置添加进离群振动位置,是在判断该振动敏感位置是否已经出现离群状态,如果出现,则将其添加进离群振动位置。
总体上来说,通过采集多个振动敏感位置的振动幅度序列,结合正常操作情况下的基线信息,找出可能出现的离群状态,可以实时监测设备的运行状态,及时发现并处理可能出现的问题,从而提高生产效率和设备可靠性。
综上所述,本申请实施例所提供的一种智慧石化生产的可视化展示方法及系统具有如下技术效果:
1.利用物联网技术,实时收集和传输生产数据,能够实时监测生产过程,快速发现问题。
2.通过可视化界面呈现,轻松查看所有关键信息,提高了信息的可访问性和整合性。
3.借助数据分析和机器学习技术,提供客观的决策支持,基于数据和模型进行决策,减少了主观判断的影响,提高了决策的一致性和准确性。
4.自动检测异常情况,并发出警报,帮助更快地应对问题,降低了生产中断的风险,提高了生产效率。
5.由于采用了从振动幅度序列提取多个振动敏感位置的第一振动敏感位置的第一振动幅度序列;从振动幅度基线信息提取多个振动敏感位置的第一振动敏感位置的第一幅度基线信息;统计第一振动幅度序列超出第一幅度基线信息的时刻比,设为第一振动敏感位置离群概率;当第一振动敏感位置离群概率大于或等于振动敏感位置离群概率阈值,将第一振动敏感位置添加进离群振动位置。通过采集多个振动敏感位置的振动幅度序列,结合正常操作情况下的基线信息,找出可能出现的离群状态,可以实时监测设备的运行状态,及时发现并处理可能出现的问题,从而提高生产效率和设备可靠性。
实施例二
基于与前述实施例中一种智慧石化生产的可视化展示方法相同的发明构思,如图3所示,本申请实施例提供了一种智慧石化生产的可视化展示系统,其中,所述系统包括服务端和显示终端,所述系统包括:
生产加载模块100,用于加载第一石化工厂车间的多条石化产品生产线;
二级聚类模块200,用于根据产品类型和生产规模对所述多条石化产品生产线进行二级聚类,生成若干组石化产品生产线;
第一离群产线分析模块300,用于遍历所述若干组石化产品生产线进行离群产线分析,提取第一离群生产线;
第二离群状态分析模块400,用于激活服务端,激活所述第一离群生产线的设备状态传感阵列,采集设备监测状态信息进行离群状态分析,生成第一离群状态;
数字孪生模型构建模块500,用于激活服务端,构建第一石化工厂车间数字孪生模型,对所述第一离群生产线和所述第一离群状态进行匹配离群渲染颜色和文字渲染内容,对非离群生产线匹配正常渲染颜色;
可视化展示模块600,用于在显示终端,对所述第一石化工厂车间数字孪生模型进行可视化展示,并根据所述离群渲染颜色和所述文字渲染内容对所述第一离群生产线和所述第一离群状态进行渲染,根据所述正常渲染颜色对所述非离群生产线进行渲染。
进一步的,所述二级聚类模块200用于执行以下步骤:
对所述多条石化产品生产线进行阶段划分,生成原料裂解产线集与大分子合成产线集;
根据原料产品类型和裂解产品类型对所述原料裂解产线集进行一级聚类,生成原料裂解阶段一级产线聚类结果;
根据生产规模对遍历所述原料裂解阶段一级产线聚类结果进行二级聚类,生成原料裂解阶段二级产线聚类结果;
根据裂解产品类型和合成分子类型对所述大分子合成产线集进行一级聚类,生成大分子合成阶段一级产线聚类结果;
根据生产规模对遍历所述大分子合成阶段一级产线聚类结果进行二级聚类,生成大分子合成阶段二级产线聚类结果;
将所述原料裂解阶段二级产线聚类结果和所述大分子合成阶段二级产线聚类结果,添加进所述若干组石化产品生产线。
进一步的,所述第一离群产线分析模块300用于执行以下步骤:
对所述若干组石化产品生产线的第一组石化产品生产线进行多单位时长产量监控,生成多组石化产品产量集;
遍历所述多组石化产品产量集进行产量离群分析,生成所述第一离群生产线。
进一步的,所述第一离群产线分析模块300还用于执行以下步骤:
提取所述多组石化产品产量集的第一生产线的第一组石化产品产量集;
按照一致产量偏差和生产规模对所述第一组石化产品产量集进行二值化:
当石化产品产量和所述生产规模的偏差小于所述一致产量偏差,进行1值标识;
当石化产品产量和所述生产规模的偏差大于或等于所述一致产量偏差,进行0值标识;
统计0值标识数量在标识总数量的占比,设为第一生产线单线离群概率;
当所述第一生产线单线离群概率大于或等于单线离群概率阈值,将所述第一生产线添加进所述第一离群生产线。
进一步的,所述第二离群状态分析模块400用于执行以下步骤:
所述设备状态传感阵列包括振动传感器阵列和温度传感器阵列;
提取所述第一离群生产线的生产控制参数进行正样本分析,生成多个振动敏感位置的振动幅度基线信息和多个温度敏感位置的温度基线信息;
激活振动传感器阵列,采集所述多个振动敏感位置的振动幅度序列,结合所述振动幅度基线信息进行离群状态分析,生成离群振动位置;
激活温度传感器阵列,采集所述多个温度敏感位置的温度监测序列,结合所述温度基线信息进行离群状态分析,生成离群温度位置;
将所述离群振动位置和所述离群温度位置,添加进所述第一离群状态。
进一步的,所述第二离群状态分析模块400还用于执行以下步骤:
根据所述第一离群生产线进行负样本历史回溯,获得故障事务集,其中,所述故障事务集包括异常振动触发记录位置和异常温度触发记录位置;
对任意一个所述异常振动触发记录位置进行频率统计,生成第一异常触发频率,对任意一个所述异常温度触发记录位置进行频率统计,生成第二异常触发频率;
将所述第一异常触发频率大于或等于触发频率阈值的所述异常振动触发记录位置,添加进所述多个振动敏感位置;
将所述第二异常触发频率大于或等于触发频率阈值的所述异常温度触发记录位置,添加进所述多个温度敏感位置;
根据所述生产控制参数和所述第一离群生产线,在所述多个振动敏感位置进行正样本历史回溯,获取多组振动幅度正样本记录值,遍历所述多组振动幅度正样本记录值进行集中值评价,生成所述多个振动敏感位置的所述振动幅度基线信息;
根据所述生产控制参数和所述第一离群生产线,在所述多个温度敏感位置进行正样本历史回溯,获取多组温度正样本记录值,遍历所述多组温度正样本记录值进行集中值评价,生成所述多个温度敏感位置的温度基线信息。
进一步的,所述第二离群状态分析模块400还用于执行以下步骤:
从所述振动幅度序列提取所述多个振动敏感位置的第一振动敏感位置的第一振动幅度序列;
从所述振动幅度基线信息提取所述多个振动敏感位置的第一振动敏感位置的第一幅度基线信息;
统计所述第一振动幅度序列超出所述第一幅度基线信息的时刻比,设为第一振动敏感位置离群概率;
当所述第一振动敏感位置离群概率大于或等于振动敏感位置离群概率阈值,将所述第一振动敏感位置添加进所述离群振动位置。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中,并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法,在此不做多余限制。
进一步的,综上所述的第一或第二可能不止代表次序关系,也可能代表某项特指概念,和/或指的是多个元素之间可单独或全部选择。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 (7)
1.一种智慧石化生产的可视化展示方法,其特征在于,应用于智慧石化生产的可视化展示系统,所述系统包括服务端和显示终端,包括:
加载第一石化工厂车间的多条石化产品生产线;
根据产品类型和生产规模对所述多条石化产品生产线进行二级聚类,生成若干组石化产品生产线,其中,所述二级聚类是在一级聚类的基础上,对产线进行更详细的第二层次的聚类分析,是根据生产规模或更具体的产品类型进行分组;
遍历所述若干组石化产品生产线进行离群产线分析,提取第一离群生产线;
激活服务端,激活所述第一离群生产线的设备状态传感阵列,采集设备监测状态信息进行离群状态分析,生成第一离群状态;
激活服务端,构建第一石化工厂车间数字孪生模型,对所述第一离群生产线和所述第一离群状态进行匹配离群渲染颜色和文字渲染内容,对非离群生产线匹配正常渲染颜色;
在显示终端,对所述第一石化工厂车间数字孪生模型进行可视化展示,并根据所述离群渲染颜色和所述文字渲染内容对所述第一离群生产线和所述第一离群状态进行渲染,根据所述正常渲染颜色对所述非离群生产线进行渲染;
其中,根据产品类型和生产规模对所述多条石化产品生产线进行二级聚类,生成若干组石化产品生产线,包括:
对所述多条石化产品生产线进行阶段划分,生成原料裂解产线集与大分子合成产线集;
根据原料产品类型和裂解产品类型对所述原料裂解产线集进行一级聚类,生成原料裂解阶段一级产线聚类结果;
根据生产规模对遍历所述原料裂解阶段一级产线聚类结果进行二级聚类,生成原料裂解阶段二级产线聚类结果;
根据裂解产品类型和合成分子类型对所述大分子合成产线集进行一级聚类,生成大分子合成阶段一级产线聚类结果;
根据生产规模对遍历所述大分子合成阶段一级产线聚类结果进行二级聚类,生成大分子合成阶段二级产线聚类结果;
将所述原料裂解阶段二级产线聚类结果和所述大分子合成阶段二级产线聚类结果,添加进所述若干组石化产品生产线。
2.如权利要求1所述的方法,其特征在于,遍历所述若干组石化产品生产线进行离群产线分析,提取第一离群生产线,包括:
对所述若干组石化产品生产线的第一组石化产品生产线进行多单位时长产量监控,生成多组石化产品产量集;
遍历所述多组石化产品产量集进行产量离群分析,生成所述第一离群生产线。
3.如权利要求2所述的方法,其特征在于,遍历所述多组石化产品产量集进行产量离群分析,生成所述第一离群生产线,包括:
提取所述多组石化产品产量集的第一生产线的第一组石化产品产量集;
按照一致产量偏差和生产规模对所述第一组石化产品产量集进行二值化:
当石化产品产量和所述生产规模的偏差小于所述一致产量偏差,进行1值标识;
当石化产品产量和所述生产规模的偏差大于或等于所述一致产量偏差,进行0值标识;
统计0值标识数量在标识总数量的占比,设为第一生产线单线离群概率;
当所述第一生产线单线离群概率大于或等于单线离群概率阈值,将所述第一生产线添加进所述第一离群生产线。
4.如权利要求2所述的方法,其特征在于,激活服务端,激活所述第一离群生产线的设备状态传感阵列,采集设备监测状态信息进行离群状态分析,生成第一离群状态,包括:
所述设备状态传感阵列包括振动传感器阵列和温度传感器阵列;
提取所述第一离群生产线的生产控制参数进行正样本分析,生成多个振动敏感位置的振动幅度基线信息和多个温度敏感位置的温度基线信息;
激活振动传感器阵列,采集所述多个振动敏感位置的振动幅度序列,结合所述振动幅度基线信息进行离群状态分析,生成离群振动位置;
激活温度传感器阵列,采集所述多个温度敏感位置的温度监测序列,结合所述温度基线信息进行离群状态分析,生成离群温度位置;
将所述离群振动位置和所述离群温度位置,添加进所述第一离群状态。
5.如权利要求4所述的方法,其特征在于,提取所述第一离群生产线的生产控制参数进行正样本分析,生成多个振动敏感位置的振动幅度基线信息和多个温度敏感位置的温度基线信息,包括:
根据所述第一离群生产线进行负样本历史回溯,获得故障事务集,其中,所述故障事务集包括异常振动触发记录位置和异常温度触发记录位置;
对任意一个所述异常振动触发记录位置进行频率统计,生成第一异常触发频率,对任意一个所述异常温度触发记录位置进行频率统计,生成第二异常触发频率;
将所述第一异常触发频率大于或等于触发频率阈值的所述异常振动触发记录位置,添加进所述多个振动敏感位置;
将所述第二异常触发频率大于或等于触发频率阈值的所述异常温度触发记录位置,添加进所述多个温度敏感位置;
根据所述生产控制参数和所述第一离群生产线,在所述多个振动敏感位置进行正样本历史回溯,获取多组振动幅度正样本记录值,遍历所述多组振动幅度正样本记录值进行集中值评价,生成所述多个振动敏感位置的所述振动幅度基线信息;
根据所述生产控制参数和所述第一离群生产线,在所述多个温度敏感位置进行正样本历史回溯,获取多组温度正样本记录值,遍历所述多组温度正样本记录值进行集中值评价,生成所述多个温度敏感位置的温度基线信息。
6.如权利要求4所述的方法,其特征在于,激活振动传感器阵列,采集所述多个振动敏感位置的振动幅度序列,结合所述振动幅度基线信息进行离群状态分析,生成离群振动位置,包括:
从所述振动幅度序列提取所述多个振动敏感位置的第一振动敏感位置的第一振动幅度序列;
从所述振动幅度基线信息提取所述多个振动敏感位置的第一振动敏感位置的第一幅度基线信息;
统计所述第一振动幅度序列超出所述第一幅度基线信息的时刻比,设为第一振动敏感位置离群概率;
当所述第一振动敏感位置离群概率大于或等于振动敏感位置离群概率阈值,将所述第一振动敏感位置添加进所述离群振动位置。
7.一种智慧石化生产的可视化展示系统,其特征在于,用于实施权利要求1-6任意一项所述的一种智慧石化生产的可视化展示方法,包括:
生产加载模块,用于加载第一石化工厂车间的多条石化产品生产线;
二级聚类模块,用于根据产品类型和生产规模对所述多条石化产品生产线进行二级聚类,生成若干组石化产品生产线,其中,所述二级聚类是在一级聚类的基础上,对产线进行更详细的第二层次的聚类分析,是根据生产规模或更具体的产品类型进行分组;
第一离群产线分析模块,用于遍历所述若干组石化产品生产线进行离群产线分析,提取第一离群生产线;
第二离群状态分析模块,用于激活服务端,激活所述第一离群生产线的设备状态传感阵列,采集设备监测状态信息进行离群状态分析,生成第一离群状态;
数字孪生模型构建模块,用于激活服务端,构建第一石化工厂车间数字孪生模型,对所述第一离群生产线和所述第一离群状态进行匹配离群渲染颜色和文字渲染内容,对非离群生产线匹配正常渲染颜色;
可视化展示模块,用于在显示终端,对所述第一石化工厂车间数字孪生模型进行可视化展示,并根据所述离群渲染颜色和所述文字渲染内容对所述第一离群生产线和所述第一离群状态进行渲染,根据所述正常渲染颜色对所述非离群生产线进行渲染。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311759289.0A CN117435294B (zh) | 2023-12-20 | 2023-12-20 | 一种智慧石化生产的可视化展示方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311759289.0A CN117435294B (zh) | 2023-12-20 | 2023-12-20 | 一种智慧石化生产的可视化展示方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117435294A CN117435294A (zh) | 2024-01-23 |
CN117435294B true CN117435294B (zh) | 2024-03-15 |
Family
ID=89552087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311759289.0A Active CN117435294B (zh) | 2023-12-20 | 2023-12-20 | 一种智慧石化生产的可视化展示方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117435294B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112731887A (zh) * | 2020-12-31 | 2021-04-30 | 南京理工大学 | 石化无人值守装卸线数字孪生智能监控系统及方法 |
CN112733461A (zh) * | 2021-01-21 | 2021-04-30 | 广东工业大学 | 数字孪生驱动的实时渲染方法、系统和计算机可读介质 |
-
2023
- 2023-12-20 CN CN202311759289.0A patent/CN117435294B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112731887A (zh) * | 2020-12-31 | 2021-04-30 | 南京理工大学 | 石化无人值守装卸线数字孪生智能监控系统及方法 |
CN112733461A (zh) * | 2021-01-21 | 2021-04-30 | 广东工业大学 | 数字孪生驱动的实时渲染方法、系统和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117435294A (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110347116B (zh) | 一种基于运行数据流的机床状态监测系统与监测方法 | |
CN109711659B (zh) | 一种工业生产的良率提升管理系统和方法 | |
US9423793B2 (en) | System, method and computer program for pattern based intelligent control, monitoring and automation | |
US20110178963A1 (en) | system for the detection of rare data situations in processes | |
CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN106020158A (zh) | 一种项目型产品加工工艺大数据支持系统 | |
CN104765322A (zh) | 生产线监控系统 | |
CN105354616A (zh) | 一种电力计量资产数据处理装置及其在线处理方法 | |
CN109298680A (zh) | 一种数控机床刀具检测的数据采集系统 | |
KR20190062739A (ko) | 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법, 알고리즘 및 장치 | |
WO2009025952A2 (en) | A tool to report the status and drill-down of an application in an automated manufacturing environment | |
JP7493930B2 (ja) | 情報処理方法、情報処理装置、生産システム、プログラム、記録媒体 | |
CN113189942A (zh) | 一种工业数据智能分析系统及方法 | |
CN106054832B (zh) | 基于多变量的间歇化工生产过程动态在线监测方法与装置 | |
Wanner et al. | A taxonomy and archetypes of business analytics in smart manufacturing | |
Li et al. | Real-time OEE visualisation for downtime detection | |
CN117435294B (zh) | 一种智慧石化生产的可视化展示方法及系统 | |
CN112257995A (zh) | 一种基于互联网的产品质量风险监测抽样方法及系统 | |
CN116431873A (zh) | 一种设备运行数据可视化分析系统 | |
CN116433218A (zh) | 基于自组织映射聚类的矿井机械设备在线健康评估方法 | |
JP6904331B2 (ja) | 要因分析装置、要因分析方法、およびプログラム | |
CN113011325B (zh) | 一种基于孤立森林算法的堆垛机轨道损伤定位方法 | |
TW201913255A (zh) | 製程偵錯與診斷方法 | |
US20220383227A1 (en) | A Method for Generating a Performance Value of a Process Module and a System Thereof | |
CN116551467B (zh) | 基于物联网监控数据的刀具磨损状态识别方法 |
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 |