CN117474710B - 中空玻璃全过程信息化管理系统 - Google Patents
中空玻璃全过程信息化管理系统 Download PDFInfo
- Publication number
- CN117474710B CN117474710B CN202311811405.9A CN202311811405A CN117474710B CN 117474710 B CN117474710 B CN 117474710B CN 202311811405 A CN202311811405 A CN 202311811405A CN 117474710 B CN117474710 B CN 117474710B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- hollow glass
- processing
- production line
- abnormal state
- 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
- 239000011521 glass Substances 0.000 title claims abstract description 196
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000002159 abnormal effect Effects 0.000 claims abstract description 467
- 238000012545 processing Methods 0.000 claims abstract description 329
- 238000004519 manufacturing process Methods 0.000 claims abstract description 242
- 238000005457 optimization Methods 0.000 claims abstract description 72
- 238000010801 machine learning Methods 0.000 claims abstract description 38
- 230000005856 abnormality Effects 0.000 claims description 80
- 238000007726 management method Methods 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 24
- 238000013507 mapping Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 17
- 230000006978 adaptation Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012423 maintenance Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000005265 energy consumption Methods 0.000 claims description 10
- 238000011217 control strategy Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000009825 accumulation Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000007547 defect Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 5
- 238000005520 cutting process Methods 0.000 description 5
- 238000007789 sealing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000011248 coating agent Substances 0.000 description 4
- 238000000576 coating method Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 4
- 238000005461 lubrication Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000005498 polishing Methods 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000009489 vacuum treatment Methods 0.000 description 2
- 238000004026 adhesive bonding Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000003566 sealing material Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction 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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及生产线控制技术领域，本发明公开了中空玻璃全过程信息化管理系统，包括数据获取模块，用于获取中空玻璃生产线中异常加工设备的异常状态特征数据，将异常状态特征数据输入预构建的第一机器学习模型中，以获取每一异常加工设备的异常状态系数；策略生成模块，用于将异常状态系数与设定异常状态系数阈值进行比对分析，以获取优化中空玻璃生产过程的管理策略；所述管理策略包括第一调控策略和第二调控策略；生产控制模块，用于利用第一调控策略或第二调控策略对中空玻璃生产过程进行自动化的优化管控；本发明有利于保证中空玻璃生产线出现异常或严重事故时中空玻璃的生产任务的稳定运行。
Description
技术领域
本发明涉及生产线控制技术领域，更具体地说，本发明涉及中空玻璃全过程信息化管理系统。
背景技术
中空玻璃，是一种由两块或多块玻璃板之间留有一定间隙并用密封材料封闭的结构，具有提高隔热、隔音性能和改善室内舒适度的特点，被广泛用于建筑物的窗户、门、幕墙以及一些车辆的车窗等领域，这使得中空玻璃的市场需求也日益提高；然而，传统的中空玻璃生产线虽然已经实现了一定程度的自动化，但由于中空玻璃生产线的生产环节（包括切割、清洗、涂胶、装配、气体充填和密封等等）繁杂，这导致中空玻璃在生产过程中的人为干预和控制占比仍然较大；此外传统中空玻璃的生产管理系统，缺乏对生产现场信息进行有效信息监控工具，使得中空玻璃生产过程信息的监测和利用率水平较低，进而使得中空玻璃生产效率有限，产能较低，成本较高；因此，开发一套应用于中空玻璃生产线的中空玻璃全过程信息化管理系统变得尤为重要。
目前，缺乏应用于中空玻璃生产线的中空玻璃全过程信息化管理系统，虽存在少量相近的技术专利，例如授权公告号为CN108549341B的中国专利公开了基于物联网的车间生产信息管理方法、系统及装置，再例如申请公开号为CN111722607A的中国专利公开了一种智慧工厂建设用信息管理监控系统，上述方法虽能实现对生产信息的有效监控，但对上述方法以及现有技术进行研究和实际应用发现，上述方法以及现有技术至少存在以下部分缺陷：
（1）信息化程度较低，无法实时确定中空玻璃生产线的运行情况，无法避免异常和严重事故对生产过程的影响，易降低中空玻璃的生产加工效率，进而导致产能较低，成本较高；
（2）无法快速获取中空玻璃生产线异常和严重事故发生的原因，无法帮助维护人员及时进行异常分析，且无法依据事故发生原因进行自动化控制策略的生成，进而无法对中空玻璃生产线进行自动化的调控。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供中空玻璃全过程信息化管理系统。
为实现上述目的，本发明提供如下技术方案：
中空玻璃全过程信息化管理系统，所述系统包括：
数据获取模块，用于获取M条中空玻璃生产线中异常加工设备的异常状态特征数据，将异常状态特征数据输入预构建的第一机器学习模型中，以获取每一异常加工设备的异常状态系数，M为大于零的正整数；
策略生成模块，用于将异常状态系数与设定异常状态系数阈值进行比对分析，以获取优化中空玻璃生产过程的管理策略；所述管理策略包括第一调控策略和第二调控策略；包括：
若异常状态系数小于设定异常状态系数阈值，则将对应异常加工设备所属的中空玻璃生产线作为第一异常生产线，并基于预构建的第二机器学习模型获取第一异常生产线中每一加工设备的加工优化速度，将每一加工设备的加工优化速度作为第一调控策略；
若异常状态系数大于等于设定异常状态系数阈值，则根据约束条件匹配与第一异常生产线相吻合的第二异常生产线，将第二异常生产线作为第二调控策略；
生产控制模块，用于利用第一调控策略或第二调控策略对中空玻璃生产过程进行自动化的优化管控。
进一步地，所述中空玻璃生产线中异常加工设备的确定逻辑如下：
获取中空玻璃生产线中每个加工设备的生产数据；所述生产数据具体为单位时间内的产量；
按时间顺序将单位时间进行对等分划分，并提取每一等分时间内的产量，得到每一细分单位时间的产量；
按时间顺序分别计算每两个细分单位时间之间的产量差平方，将每两个细分单位时间之间的产量差平方作为产量差值；
统计所有产量差值之和，将所有产量差值之和作为设备运行状态值；
将所述设备运行状态值与设备运行状态值阈值进行比较，若设备运行状态值大于等于设备运行状态值阈值，则判定对应加工设备为异常加工设备；若设备运行状态值小于设备运行状态值阈值，则判定对应加工设备为正常加工设备。
进一步地，所述中空玻璃生产线中异常加工设备的异常状态特征数据的获取逻辑如下：
获取异常加工设备的第一异常隐性数据，所述第一异常隐性数据具体为异常加工设备的振动均值；
判定所述振动均值的所属振动均值区间，根据振动均值区间与异常分析数据的预设对应关系，确定所属振动均值区间对应的异常分析数据；所述异常分析数据包括多个异常原因、每个异常原因对应的所属温度均值区间以及每个异常原因对应的异常映射数据，所述异常映射数据包括异常等级、维护所需时长和异常位置坐标；
获取异常加工设备的第二异常隐性数据，所述第二异常隐性数据具体为异常加工设备的温度均值，
将温度均值与异常分析数据中的多个所述温度均值区间进行一一比对，确定所述温度均值对应的所属温度均值区间；
根据温度均值对应的所属温度均值区间以及所属温度均值区间与每个异常原因的关联关系，确定异常加工设备对应的异常原因；
基于异常原因与异常映射数据的关系，获取异常加工设备的异常映射数据，将所述异常映射数据、异常加工设备的温度均值和异常加工设备的振动均值组合作为异常加工设备的异常状态特征数据。
进一步地，所述预构建的第一机器学习模型的生成逻辑如下：
获取异常状态样本集，将所述异常状态样本集划分为异常状态训练集和异常状态测试集；所述异常状态样本集中包括异常状态特征数据及其对应的异常状态系数；
构建第一回归网络，将异常状态训练集中的异常状态特征数据作为第一回归网络的输入数据，将异常状态训练集中的异常状态系数作为第一回归网络的输出数据，对第一回归网络进行训练，得到第一初始回归网络；
利用异常状态测试集对第一初始回归网络进行模型验证，输出大于等于预设第一测试准确度的第一初始回归网络作为第一机器学习模型。
进一步地，所述异常状态样本集中的异常状态系数的生成逻辑如下：
获取每个异常加工设备的异常显性数据，所述异常显性数据包括中空玻璃加工量、每个被加工中空玻璃的加工时长、每个被加工中空玻璃的质量系数以及每个被加工中空玻璃的使用能耗；
根据中空玻璃加工量、每个被加工中空玻璃的加工时长、每个被加工中空玻璃的质量系数以及每个被加工中空玻璃的使用能耗进行公式化计算，以获取每个异常加工设备的异常状态系数。
进一步地，所述质量系数的获取逻辑如下：
获取每一被加工中空玻璃在当前加工环节加工后的实际加工图像；以及提取预存于系统数据库中的标准加工图像；
根据相同的规则将实际加工图像和标准加工图像均划分为多个区域；
将实际加工图像和标准加工图像相同位置区域的像素点进行逐一比较，并记录实际加工图像和标准加工图像存在差异的差异区域；
统计存在差异的差异区域的数量，得到差异区域总数，将差异区域总数作为质量系数，得到每一被加工中空玻璃的质量系数。
进一步地，所述获取第一异常生产线中每一加工设备的加工优化速度，包括：
获取第一异常生产线的单线特征数据，所述单线特征数据包括每一加工设备的初始加工速度以及每一加工设备的任务堆积量；
将单线特征数据输入预构建的第二机器学习模型获取第一异常生产线中每一加工设备的加工优化速度。
进一步地，所述预构建的第二机器学习模型的生成逻辑如下：
获取单线优化样本集，将所述单线优化样本集划分为单线优化训练集和单线优化测试集；所述单线优化样本集中包括单线特征数据及其对应的加工优化速度；
构建第二回归网络，将单线优化训练集中的单线特征数据作为第二回归网络的输入数据，将单线优化训练集中的加工优化速度作为第二回归网络的输出数据，对第二回归网络进行训练，得到第二初始回归网络；
利用单线优化测试集对第二初始回归网络进行模型验证，输出大于等于预设第二测试准确度的第二初始回归网络作为第二机器学习模型。
进一步地，所述约束条件包括任务规格和异常环节适配规则。
进一步地，所述根据约束条件匹配与第一异常生产线相吻合的第二异常生产线，包括：
将除第一异常生产线以外的所有异常生产线作为第二异常生产线；
提取与第一异常生产线任务规格相一致的第二异常生产线，得到任务规格相一致的第二异常生产线；
在任务规格相一致的第二异常生产线的基础上，提取满足异常环节适配规则的第二异常生产线。
中空玻璃全过程信息化管理方法，基于上述的中空玻璃全过程信息化管理系统实现，包括：
获取M条中空玻璃生产线中异常加工设备的异常状态特征数据，将异常状态特征数据输入预构建的第一机器学习模型中，以获取每一异常加工设备的异常状态系数，M为大于零的正整数；
将异常状态系数与设定异常状态系数阈值进行比对分析，以获取优化中空玻璃生产过程的管理策略；所述管理策略包括第一调控策略和第二调控策略；包括：
若异常状态系数小于设定异常状态系数阈值，则将对应异常加工设备所属的中空玻璃生产线作为第一异常生产线，并基于预构建的第二机器学习模型获取第一异常生产线中每一加工设备的加工优化速度，将每一加工设备的加工优化速度作为第一调控策略；
若异常状态系数大于等于设定异常状态系数阈值，则根据约束条件匹配与第一异常生产线相吻合的第二异常生产线，将第二异常生产线作为第二调控策略；
利用第一调控策略或第二调控策略对中空玻璃生产过程进行自动化的优化管控。
一种电子设备，包括存储器、处理器以及存储在存储器上并在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述所述的中空玻璃全过程信息化管理方法。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被执行时实现上述所述的中空玻璃全过程信息化管理方法。
相比于现有技术，本发明的有益效果在于：
本申请公开了中空玻璃全过程信息化管理系统，包括获取中空玻璃生产线中异常加工设备的异常状态特征数据，将异常状态特征数据输入预构建的第一机器学习模型中，以获取每一异常加工设备的异常状态系数；策略生成模块，用于将异常状态系数与设定异常状态系数阈值进行比对分析，以获取优化中空玻璃生产过程的管理策略；所述管理策略包括第一调控策略和第二调控策略；生产控制模块，用于利用第一调控策略或第二调控策略对中空玻璃生产过程进行自动化的优化管控；基于上述模块，本发明能够实时确定中空玻璃生产线的运行情况，能够避免异常和严重事故对生产过程的影响，进而保证产能较低，降低成本；此外，本发明通过快速解析中空玻璃生产线异常和严重事故发生的原因，能够有效辅助维护人员进行异常确定，且有利于根据事故原因进行策略生成，进而实现对中空玻璃生产线进行自动化的调控。
附图说明
图1为本发明提供的中空玻璃全过程信息化管理系统的示意图；
图2为本发明提供的中空玻璃全过程信息化管理方法的流程图；
图3为本发明提供的一种电子设备的结构示意图；
图4为本发明提供的一种计算机可读存储介质的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
实施例1
请参阅图2所示，本实施例公开提供了中空玻璃全过程信息化管理方法，所述方法包括：
S101：获取M条中空玻璃生产线中异常加工设备的异常状态特征数据，将异常状态特征数据输入预构建的第一机器学习模型中，以获取每一异常加工设备的异常状态系数，M为大于零的正整数；
应当了解的是：在中空玻璃生产工厂内存在若干条中空玻璃生产线，其中，存在部分执行相同任务规格的中空玻璃生产线，且也存在部分执行不相同任务规格的中空玻璃生产线；进一步解释说明，相同任务规格是指加工同一种型号的中空玻璃；相反地，不相同任务规格，则是指中空玻璃生产线之间加工的中空玻璃的型号不同；每一所述中空玻璃生产线至少包括切割处理、打磨处理、清洗处理、涂料处理、组装处理、密封处理和真空处理等环节，且至少包括玻璃切割机、打磨机、清洗机、涂覆机、组装机、密封机和真空及气体充填装置等加工设备；
在实施中，中空玻璃生产线中异常加工设备的确定逻辑如下：
获取中空玻璃生产线中每个加工设备的生产数据；所述生产数据具体为单位时间内的产量；
按时间顺序将单位时间进行对等分划分，并提取每一等分时间内的产量，得到每一细分单位时间的产量；
按时间顺序分别计算每两个细分单位时间之间的产量差平方，将每两个细分单位时间之间的产量差平方作为产量差值；
其中，每两个细分单位时间之间的产量差平方的具体计算公式为：；式中，/>表示产量差值，/>表示第j个细分单位时间的产量，j的初始值为2；
统计所有产量差值之和，将所有产量差值之和作为设备运行状态值；
将所述设备运行状态值与设备运行状态值阈值进行比较，若设备运行状态值大于等于设备运行状态值阈值，则判定对应加工设备为异常加工设备；若设备运行状态值小于设备运行状态值阈值，则判定对应加工设备为正常加工设备；
需要说明的是：产量差值越大，则设备运行状态值越大，即说明对应的加工设备处于非正常的运行规律（所述非正常的运行规律是指加工设备未按设定的正常加工规律进行运行）；相反，产量差值越小，则设备运行状态值越小，即说明对应的加工设备处于设定的正常加工规律进行运行；
在实施中，中空玻璃生产线中异常加工设备的异常状态特征数据的获取逻辑如下：
获取异常加工设备的第一异常隐性数据，所述第一异常隐性数据具体为异常加工设备的振动均值；
判定所述振动均值的所属振动均值区间，根据振动均值区间与异常分析数据的预设对应关系，确定所属振动均值区间对应的异常分析数据；所述异常分析数据包括多个异常原因、每个异常原因对应的所属温度均值区间以及每个异常原因对应的异常映射数据，所述异常映射数据包括异常等级、维护所需时长和异常位置坐标；
需要说明的是：系数数据库中预存于有若干个事先划分的振动均值区间；因此，当异常加工设备的振动均值处于若干个事先划分的振动均值区间中的一个振动均值区间时，则将该对应的振动均值区间作为异常加工设备的振动均值的所属振动均值区间；
还需要说明的是：所述异常原因包括但不限于润滑不足、电气短路、温度过高和零件松动等等，所述维护所需时长和异常位置坐标根据实验过程采集并记录得到，所述异常等级包括轻微异常等级、中等异常等级和严重异常等级，所述异常等级根据每个异常原因事先设定，例如：将润滑不足划分为轻微异常等级；
获取异常加工设备的第二异常隐性数据，所述第二异常隐性数据具体为异常加工设备的温度均值，
将温度均值与异常分析数据中的多个所述温度均值区间进行一一比对，确定所述温度均值对应的所属温度均值区间；
需要说明的是：每个异常原因均关联绑定有一个唯一的温度均值区间，当异常加工设备的温度均值处于某一唯一的温度均值区间时，则将该对应的唯一的温度均值区间作为异常加工设备的温度均值的所属温度均值区间；
根据温度均值对应的所属温度均值区间以及所属温度均值区间与每个异常原因的关联关系，确定异常加工设备对应的异常原因；
基于异常原因与异常映射数据的关系，获取异常加工设备的异常映射数据，将所述异常映射数据、异常加工设备的温度均值和异常加工设备的振动均值组合作为异常加工设备的异常状态特征数据；
具体的，预构建的第一机器学习模型的生成逻辑如下：
获取异常状态样本集，将所述异常状态样本集划分为异常状态训练集和异常状态测试集；所述异常状态样本集中包括异常状态特征数据及其对应的异常状态系数；
需要说明的是：所述异常状态特征数据包括异常设备的异常等级、维护所需时长、异常位置坐标、温度均值和振动均值；
构建第一回归网络，将异常状态训练集中的异常状态特征数据作为第一回归网络的输入数据，将异常状态训练集中的异常状态系数作为第一回归网络的输出数据，对第一回归网络进行训练，得到第一初始回归网络；
利用异常状态测试集对第一初始回归网络进行模型验证，输出大于等于预设第一测试准确度的第一初始回归网络作为第一机器学习模型；
需要说明的是：所述回归网络具体为逻辑回归、支持向量机回归、随机森林回归、决策树回归和神经网络回归等算法中的一种；
其中，所述异常状态样本集中的异常状态系数的生成逻辑如下：
获取每个异常加工设备的异常显性数据，所述异常显性数据包括中空玻璃加工量、每个被加工中空玻璃的加工时长、每个被加工中空玻璃的质量系数以及每个被加工中空玻璃的使用能耗；
根据中空玻璃加工量、每个被加工中空玻璃的加工时长、每个被加工中空玻璃的质量系数以及每个被加工中空玻璃的使用能耗进行公式化计算，以获取每个异常加工设备的异常状态系数；其计算公式具体如下：
；
式中：表示异常状态系数，/>表示中空玻璃加工量，/>表示第i个被加工中空玻璃的加工时长，/>表示第i个被加工中空玻璃的使用能耗，/>表示第i个被加工中空玻璃的质量系数，/>、/>、/>和/>为大于零的修正因子，/>；
需要说明的是：若异常状态系数越小，则说明异常加工设备对中空玻璃生产线的生产影响越小，进一步反映了异常加工设备未发生任何严重事件，可通过不停机维护的方式对异常加工设备进行维护处理；相反，若异常状态系数越大，则说明异常加工设备对中空玻璃生产线的生产影响越大，进一步反映了异常加工设备发生严重事件（如电机短路、中空玻璃不合格等），需通过停机维护的方式对异常加工设备进行维护处理；
其中，所述质量系数的获取逻辑如下：
获取每一被加工中空玻璃在当前加工环节加工后的实际加工图像；以及提取预存于系统数据库中的标准加工图像；
根据相同的规则将实际加工图像和标准加工图像均划分为多个区域；
需要说明的是：实际加工图像和标准加工图像中划分区域的划分方式和区域的大小完全相同，当将实际加工图像和标准加工图像中相同位置的区域进行一一比较时，两个相同位置的区域采用的比较方式为每个像素点进行逐一比较，若两个相同位置的区域存在差异的像素点超过一定的百分比，则判断两个相同部位的区域存在差异；
将实际加工图像和标准加工图像相同位置区域的像素点进行逐一比较，并记录实际加工图像和标准加工图像存在差异的差异区域；
统计存在差异的差异区域的数量，得到差异区域总数，将差异区域总数作为质量系数，得到每一被加工中空玻璃的质量系数；
应当了解的是：被加工中空玻璃的质量系数越大，则说明被加工中空玻璃的缺陷越严重；相反，被加工中空玻璃的质量系数越小，则说明被加工中空玻璃的缺陷越小或者不存在缺陷；加工设备出现特定异常时，是导致被加工中空玻璃的产生缺陷具体原因。
S102：将异常状态系数与设定异常状态系数阈值进行比对分析，以获取优化中空玻璃生产过程的管理策略；所述管理策略包括第一调控策略和第二调控策略；包括：
若异常状态系数小于设定异常状态系数阈值，则将对应异常加工设备所属的中空玻璃生产线作为第一异常生产线，并基于预构建的第二机器学习模型获取第一异常生产线中每一加工设备的加工优化速度，将每一加工设备的加工优化速度作为第一调控策略；
在实施中，获取第一异常生产线中每一加工设备的加工优化速度，包括：
获取第一异常生产线的单线特征数据，所述单线特征数据包括每一加工设备的初始加工速度以及每一加工设备的任务堆积量；
将单线特征数据输入预构建的第二机器学习模型获取第一异常生产线中每一加工设备的加工优化速度；
需要说明的是：加工速度通过中空玻璃加工量/加工时间计算得到，所述任务堆积量是指未加工（待加工）中空玻璃的数量；所述任务堆积量和中空玻璃加工量均通过计算传感器采集得到；
具体的，预构建的第二机器学习模型的生成逻辑如下：
获取单线优化样本集，将所述单线优化样本集划分为单线优化训练集和单线优化测试集；所述单线优化样本集中包括单线特征数据及其对应的加工优化速度；
构建第二回归网络，将单线优化训练集中的单线特征数据作为第二回归网络的输入数据，将单线优化训练集中的加工优化速度作为第二回归网络的输出数据，对第二回归网络进行训练，得到第二初始回归网络；
利用单线优化测试集对第二初始回归网络进行模型验证，输出大于等于预设第二测试准确度的第二初始回归网络作为第二机器学习模型；
需要说明的是：同上述第一回归网络，所述第二回归网络具体为逻辑回归、支持向量机回归、随机森林回归、决策树回归和神经网络回归等算法中的一种；
还需要说明的是：所述加工优化速度为人为对异常生产线中每个加工设备进行干预控制后记录得到；
若异常状态系数大于等于设定异常状态系数阈值，则根据约束条件匹配与第一异常生产线相吻合的第二异常生产线，将第二异常生产线作为第二调控策略；
具体的，所述约束条件包括任务规格和异常环节适配规则；
在实施中，根据约束条件匹配与第一异常生产线相吻合的第二异常生产线，包括：
将除第一异常生产线以外的所有异常生产线作为第二异常生产线；
应当明白的是：只要任何一条中空玻璃生产线中存在异常加工设备，则均将对应的中空玻璃生产线作为异常生产线；所述第一异常生产线和第二异常生产线仅为参考对象上的相对而言；进一步示例性解释就是：若存在一个异常加工设备A，则将异常加工设备A所属的中空玻璃生产线作为第一异常生产线，而将其他不包含异常加工设备A的异常生产线作为第二异常生产线；
提取与第一异常生产线任务规格相一致的第二异常生产线，得到任务规格相一致的第二异常生产线；
在任务规格相一致的第二异常生产线的基础上，提取满足异常环节适配规则的第二异常生产线；
需要说明的是：所述异常环节适配规则是指第一异常生产线与第二异常生产线中的异常加工环节满足N和N-1模式；所述异常加工环节的确定逻辑为：获取异常加工设备的所处加工环节，将异常加工设备的所处加工环节作为异常加工环节；
针对上述内容进一步示例性说明就是：假设第一异常生产线中的加工环节包括5个，按顺序分别为E1、E2、E3、E4和E5，而第二异常生产线中的加工环节也包括5个，按顺序分别为D1、D2、D3、D4和D5，若第一异常生产线中的加工环节E3为异常加工环节，而第二异常生产线中的加工环节D2为异常加工环节，若将E3作为N，则按顺序计算可知，D2属于N-1的加工环节；则E3和D2满足N和N-1模式，进而称第一异常生产线与第二异常生产线满足异常环节适配规则；可以理解的是，若第二异常生产线中的加工环节为D4，则E3和D4不满足N和N-1模式，进而称第一异常生产线与第二异常生产线不满足异常环节适配规则；
将满足异常环节适配规则的第二异常生产线作为与第一异常生产线相吻合的第二异常生产线；
S103：利用第一调控策略或第二调控策略对中空玻璃生产过程进行自动化的优化管控；
在一个具体实施例中，若异常状态系数小于设定异常状态系数阈值，通过预构建的第二机器学习模型获，则可获取第一异常生产线中每一加工设备的加工优化速度，即第一调控策略；因此，利用第一调控策略对中空玻璃生产过程进行自动化的优化管控时，则根据第一异常生产线中每一加工设备的加工优化速度调控每个每一加工设备的加工速度，从而保证中空玻璃生产线即使出现异常，也能稳定持久运行；
在另一个具体实施例中，若异常状态系数大于等于设定异常状态系数阈值，根据约束条件匹配与第一异常生产线相吻合的第二异常生产线，则可获取第二调控策略；因此，利用第二调控策略对中空玻璃生产过程进行自动化的优化管控时，则将存在第N异常加工环节的第一异常生产线的加工任务，转移至存在第N-1异常加工环节的第二异常生产线，从而有利于保证中空玻璃生产线即使产生重大异常停机，也保证生产任务的继续运行。
实施例2
请参阅图1所示，基于同一个发明构思，根据上述实施例1，本实施例公开提供了中空玻璃全过程信息化管理系统，所述系统包括：
数据获取模块210，用于获取M条中空玻璃生产线中异常加工设备的异常状态特征数据，将异常状态特征数据输入预构建的第一机器学习模型中，以获取每一异常加工设备的异常状态系数，M为大于零的正整数；
应当了解的是：在中空玻璃生产工厂内存在若干条中空玻璃生产线，其中，存在部分执行相同任务规格的中空玻璃生产线，且也存在部分执行不相同任务规格的中空玻璃生产线；进一步解释说明，相同任务规格是指加工同一种型号的中空玻璃；相反地，不相同任务规格，则是指中空玻璃生产线之间加工的中空玻璃的型号不同；每一所述中空玻璃生产线至少包括切割处理、打磨处理、清洗处理、涂料处理、组装处理、密封处理和真空处理等环节，且至少包括玻璃切割机、打磨机、清洗机、涂覆机、组装机、密封机和真空及气体充填装置等加工设备；
在实施中，中空玻璃生产线中异常加工设备的确定逻辑如下：
获取中空玻璃生产线中每个加工设备的生产数据；所述生产数据具体为单位时间内的产量；
按时间顺序将单位时间进行对等分划分，并提取每一等分时间内的产量，得到每一细分单位时间的产量；
按时间顺序分别计算每两个细分单位时间之间的产量差平方，将每两个细分单位时间之间的产量差平方作为产量差值；
其中，每两个细分单位时间之间的产量差平方的具体计算公式为：；式中，/>表示产量差值，/>表示第j个细分单位时间的产量，j的初始值为2；
统计所有产量差值之和，将所有产量差值之和作为设备运行状态值；
将所述设备运行状态值与设备运行状态值阈值进行比较，若设备运行状态值大于等于设备运行状态值阈值，则判定对应加工设备为异常加工设备；若设备运行状态值小于设备运行状态值阈值，则判定对应加工设备为正常加工设备；
需要说明的是：产量差值越大，则设备运行状态值越大，即说明对应的加工设备处于非正常的运行规律（所述非正常的运行规律是指加工设备未按设定的正常加工规律进行运行）；相反，产量差值越小，则设备运行状态值越小，即说明对应的加工设备处于设定的正常加工规律进行运行；
在实施中，中空玻璃生产线中异常加工设备的异常状态特征数据的获取逻辑如下：
获取异常加工设备的第一异常隐性数据，所述第一异常隐性数据具体为异常加工设备的振动均值；
判定所述振动均值的所属振动均值区间，根据振动均值区间与异常分析数据的预设对应关系，确定所属振动均值区间对应的异常分析数据；所述异常分析数据包括多个异常原因、每个异常原因对应的所属温度均值区间以及每个异常原因对应的异常映射数据，所述异常映射数据包括异常等级、维护所需时长和异常位置坐标；
需要说明的是：系数数据库中预存于有若干个事先划分的振动均值区间；因此，当异常加工设备的振动均值处于若干个事先划分的振动均值区间中的一个振动均值区间时，则将该对应的振动均值区间作为异常加工设备的振动均值的所属振动均值区间；
还需要说明的是：所述异常原因包括但不限于润滑不足、电气短路、温度过高和零件松动等等，所述维护所需时长和异常位置坐标根据实验过程采集并记录得到，所述异常等级包括轻微异常等级、中等异常等级和严重异常等级，所述异常等级根据每个异常原因事先设定，例如：将润滑不足划分为轻微异常等级；
获取异常加工设备的第二异常隐性数据，所述第二异常隐性数据具体为异常加工设备的温度均值，
将温度均值与异常分析数据中的多个所述温度均值区间进行一一比对，确定所述温度均值对应的所属温度均值区间；
需要说明的是：每个异常原因均关联绑定有一个唯一的温度均值区间，当异常加工设备的温度均值处于某一唯一的温度均值区间时，则将该对应的唯一的温度均值区间作为异常加工设备的温度均值的所属温度均值区间；
根据温度均值对应的所属温度均值区间以及所属温度均值区间与每个异常原因的关联关系，确定异常加工设备对应的异常原因；
基于异常原因与异常映射数据的关系，获取异常加工设备的异常映射数据，将所述异常映射数据、异常加工设备的温度均值和异常加工设备的振动均值组合作为异常加工设备的异常状态特征数据；
具体的，预构建的第一机器学习模型的生成逻辑如下：
获取异常状态样本集，将所述异常状态样本集划分为异常状态训练集和异常状态测试集；所述异常状态样本集中包括异常状态特征数据及其对应的异常状态系数；
需要说明的是：所述异常状态特征数据包括异常设备的异常等级、维护所需时长、异常位置坐标、温度均值和振动均值；
构建第一回归网络，将异常状态训练集中的异常状态特征数据作为第一回归网络的输入数据，将异常状态训练集中的异常状态系数作为第一回归网络的输出数据，对第一回归网络进行训练，得到第一初始回归网络；
利用异常状态测试集对第一初始回归网络进行模型验证，输出大于等于预设第一测试准确度的第一初始回归网络作为第一机器学习模型；
需要说明的是：所述回归网络具体为逻辑回归、支持向量机回归、随机森林回归、决策树回归和神经网络回归等算法中的一种；
其中，所述异常状态样本集中的异常状态系数的生成逻辑如下：
获取每个异常加工设备的异常显性数据，所述异常显性数据包括中空玻璃加工量、每个被加工中空玻璃的加工时长、每个被加工中空玻璃的质量系数以及每个被加工中空玻璃的使用能耗；
根据中空玻璃加工量、每个被加工中空玻璃的加工时长、每个被加工中空玻璃的质量系数以及每个被加工中空玻璃的使用能耗进行公式化计算，以获取每个异常加工设备的异常状态系数；其计算公式具体如下：
；
式中：表示异常状态系数，/>表示中空玻璃加工量，/>表示第i个被加工中空玻璃的加工时长，/>表示第i个被加工中空玻璃的使用能耗，/>表示第i个被加工中空玻璃的质量系数，/>、/>、/>和/>为大于零的修正因子，/>；
需要说明的是：若异常状态系数越小，则说明异常加工设备对中空玻璃生产线的生产影响越小，进一步反映了异常加工设备未发生任何严重事件，可通过不停机维护的方式对异常加工设备进行维护处理；相反，若异常状态系数越大，则说明异常加工设备对中空玻璃生产线的生产影响越大，进一步反映了异常加工设备发生严重事件（如电机短路、中空玻璃不合格等），需通过停机维护的方式对异常加工设备进行维护处理；
其中，所述质量系数的获取逻辑如下：
获取每一被加工中空玻璃在当前加工环节加工后的实际加工图像；以及提取预存于系统数据库中的标准加工图像；
根据相同的规则将实际加工图像和标准加工图像均划分为多个区域；
需要说明的是：实际加工图像和标准加工图像中划分区域的划分方式和区域的大小完全相同，当将实际加工图像和标准加工图像中相同位置的区域进行一一比较时，两个相同位置的区域采用的比较方式为每个像素点进行逐一比较，若两个相同位置的区域存在差异的像素点超过一定的百分比，则判断两个相同部位的区域存在差异；
将实际加工图像和标准加工图像相同位置区域的像素点进行逐一比较，并记录实际加工图像和标准加工图像存在差异的差异区域；
统计存在差异的差异区域的数量，得到差异区域总数，将差异区域总数作为质量系数，得到每一被加工中空玻璃的质量系数；
应当了解的是：被加工中空玻璃的质量系数越大，则说明被加工中空玻璃的缺陷越严重；相反，被加工中空玻璃的质量系数越小，则说明被加工中空玻璃的缺陷越小或者不存在缺陷；加工设备出现特定异常时，是导致被加工中空玻璃的产生缺陷具体原因。
策略生成模块220，用于将异常状态系数与设定异常状态系数阈值进行比对分析，以获取优化中空玻璃生产过程的管理策略；所述管理策略包括第一调控策略和第二调控策略；包括：
若异常状态系数小于设定异常状态系数阈值，则将对应异常加工设备所属的中空玻璃生产线作为第一异常生产线，并基于预构建的第二机器学习模型获取第一异常生产线中每一加工设备的加工优化速度，将每一加工设备的加工优化速度作为第一调控策略；
在实施中，获取第一异常生产线中每一加工设备的加工优化速度，包括：
获取第一异常生产线的单线特征数据，所述单线特征数据包括每一加工设备的初始加工速度以及每一加工设备的任务堆积量；
将单线特征数据输入预构建的第二机器学习模型获取第一异常生产线中每一加工设备的加工优化速度；
需要说明的是：加工速度通过中空玻璃加工量/加工时间计算得到，所述任务堆积量是指未加工（待加工）中空玻璃的数量；所述任务堆积量和中空玻璃加工量均通过计算传感器采集得到；
具体的，预构建的第二机器学习模型的生成逻辑如下：
获取单线优化样本集，将所述单线优化样本集划分为单线优化训练集和单线优化测试集；所述单线优化样本集中包括单线特征数据及其对应的加工优化速度；
构建第二回归网络，将单线优化训练集中的单线特征数据作为第二回归网络的输入数据，将单线优化训练集中的加工优化速度作为第二回归网络的输出数据，对第二回归网络进行训练，得到第二初始回归网络；
利用单线优化测试集对第二初始回归网络进行模型验证，输出大于等于预设第二测试准确度的第二初始回归网络作为第二机器学习模型；
需要说明的是：同上述第一回归网络，所述第二回归网络具体为逻辑回归、支持向量机回归、随机森林回归、决策树回归和神经网络回归等算法中的一种；
还需要说明的是：所述加工优化速度为人为对异常生产线中每个加工设备进行干预控制后记录得到；
若异常状态系数大于等于设定异常状态系数阈值，则根据约束条件匹配与第一异常生产线相吻合的第二异常生产线，将第二异常生产线作为第二调控策略；
具体的，所述约束条件包括任务规格和异常环节适配规则；
在实施中，根据约束条件匹配与第一异常生产线相吻合的第二异常生产线，包括：
将除第一异常生产线以外的所有异常生产线作为第二异常生产线；
应当明白的是：只要任何一条中空玻璃生产线中存在异常加工设备，则均将对应的中空玻璃生产线作为异常生产线；所述第一异常生产线和第二异常生产线仅为参考对象上的相对而言；进一步示例性解释就是：若存在一个异常加工设备A，则将异常加工设备A所属的中空玻璃生产线作为第一异常生产线，而将其他不包含异常加工设备A的异常生产线作为第二异常生产线；
提取与第一异常生产线任务规格相一致的第二异常生产线，得到任务规格相一致的第二异常生产线；
在任务规格相一致的第二异常生产线的基础上，提取满足异常环节适配规则的第二异常生产线；
需要说明的是：所述异常环节适配规则是指第一异常生产线与第二异常生产线中的异常加工环节满足N和N-1模式；所述异常加工环节的确定逻辑为：获取异常加工设备的所处加工环节，将异常加工设备的所处加工环节作为异常加工环节；
针对上述内容进一步示例性说明就是：假设第一异常生产线中的加工环节包括5个，按顺序分别为E1、E2、E3、E4和E5，而第二异常生产线中的加工环节也包括5个，按顺序分别为D1、D2、D3、D4和D5，若第一异常生产线中的加工环节E3为异常加工环节，而第二异常生产线中的加工环节D2为异常加工环节，若将E3作为N，则按顺序计算可知，D2属于N-1的加工环节；则E3和D2满足N和N-1模式，进而称第一异常生产线与第二异常生产线满足异常环节适配规则；可以理解的是，若第二异常生产线中的加工环节为D4，则E3和D4不满足N和N-1模式，进而称第一异常生产线与第二异常生产线不满足异常环节适配规则；
将满足异常环节适配规则的第二异常生产线作为与第一异常生产线相吻合的第二异常生产线；
生产控制模块230，用于利用第一调控策略或第二调控策略对中空玻璃生产过程进行自动化的优化管控；
在一个具体实施例中，若异常状态系数小于设定异常状态系数阈值，通过预构建的第二机器学习模型获，则可获取第一异常生产线中每一加工设备的加工优化速度，即第一调控策略；因此，利用第一调控策略对中空玻璃生产过程进行自动化的优化管控时，则根据第一异常生产线中每一加工设备的加工优化速度调控每个每一加工设备的加工速度，从而保证中空玻璃生产线即使出现异常，也能稳定持久运行；
在另一个具体实施例中，若异常状态系数大于等于设定异常状态系数阈值，根据约束条件匹配与第一异常生产线相吻合的第二异常生产线，则可获取第二调控策略；因此，利用第二调控策略对中空玻璃生产过程进行自动化的优化管控时，则将存在第N异常加工环节的第一异常生产线的加工任务，转移至存在第N-1异常加工环节的第二异常生产线，从而有利于保证中空玻璃生产线即使产生重大异常停机，也保证生产任务的继续运行。
实施例3
请参阅图3所示，本实施例公开提供了一种电子设备，包括存储器、处理器以及存储在存储器上并在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述所述中空玻璃全过程信息化管理方法。
由于本实施例所介绍的电子设备为实施本申请实施例中中空玻璃全过程信息化管理方法所采用的电子设备，故而基于本申请实施例中所介绍的中空玻璃全过程信息化管理方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中中空玻璃全过程信息化管理方法所采用的电子设备，都属于本申请所欲保护的范围。
实施例4
请参阅图4所示，一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被执行时实现上述所述中空玻璃全过程信息化管理方法。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数、权重以及阈值选取由本领域的技术人员根据实际情况进行设置。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一 种，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (12)
1.一种中空玻璃全过程信息化管理系统，其特征在于，所述系统包括：
数据获取模块，用于获取M条中空玻璃生产线中异常加工设备的异常状态特征数据，将异常状态特征数据输入预构建的第一机器学习模型中，以获取每一异常加工设备的异常状态系数，M为大于零的正整数；
所述中空玻璃生产线中异常加工设备的异常状态特征数据的获取逻辑如下：
获取异常加工设备的第一异常隐性数据，所述第一异常隐性数据具体为异常加工设备的振动均值；
判定所述振动均值的所属振动均值区间，根据振动均值区间与异常分析数据的预设对应关系，确定所属振动均值区间对应的异常分析数据；所述异常分析数据包括多个异常原因、每个异常原因对应的所属温度均值区间以及每个异常原因对应的异常映射数据，所述异常映射数据包括异常等级、维护所需时长和异常位置坐标；
获取异常加工设备的第二异常隐性数据，所述第二异常隐性数据具体为异常加工设备的温度均值，
将温度均值与异常分析数据中的多个所述温度均值区间进行一一比对，确定所述温度均值对应的所属温度均值区间；
根据温度均值对应的所属温度均值区间以及所属温度均值区间与每个异常原因的关联关系，确定异常加工设备对应的异常原因；
基于异常原因与异常映射数据的关系，获取异常加工设备的异常映射数据，将所述异常映射数据、异常加工设备的温度均值和异常加工设备的振动均值组合作为异常加工设备的异常状态特征数据；
策略生成模块，用于将异常状态系数与设定异常状态系数阈值进行比对分析，以获取优化中空玻璃生产过程的管理策略；所述管理策略包括第一调控策略和第二调控策略；包括：
若异常状态系数小于设定异常状态系数阈值，则将对应异常加工设备所属的中空玻璃生产线作为第一异常生产线，并基于预构建的第二机器学习模型获取第一异常生产线中每一加工设备的加工优化速度，将每一加工设备的加工优化速度作为第一调控策略；
若异常状态系数大于等于设定异常状态系数阈值，则根据约束条件匹配与第一异常生产线相吻合的第二异常生产线，将第二异常生产线作为第二调控策略；
生产控制模块，用于利用第一调控策略或第二调控策略对中空玻璃生产过程进行自动化的优化管控。
2.根据权利要求1所述的中空玻璃全过程信息化管理系统，其特征在于，所述中空玻璃生产线中异常加工设备的确定逻辑如下：
获取中空玻璃生产线中每个加工设备的生产数据；所述生产数据具体为单位时间内的产量；
按时间顺序将单位时间进行等分划分，并提取每一等分时间内的产量，得到每一细分单位时间的产量；
按时间顺序分别计算每两个细分单位时间之间的产量差平方，将每两个细分单位时间之间的产量差平方作为产量差值；
统计所有产量差值之和，将所有产量差值之和作为设备运行状态值；
将所述设备运行状态值与设备运行状态值阈值进行比较，若设备运行状态值大于等于设备运行状态值阈值，则判定对应加工设备为异常加工设备；若设备运行状态值小于设备运行状态值阈值，则判定对应加工设备为正常加工设备。
3.根据权利要求2所述的中空玻璃全过程信息化管理系统，其特征在于，所述预构建的第一机器学习模型的生成逻辑如下：
获取异常状态样本集，将所述异常状态样本集划分为异常状态训练集和异常状态测试集；所述异常状态样本集中包括异常状态特征数据及其对应的异常状态系数；
构建第一回归网络，将异常状态训练集中的异常状态特征数据作为第一回归网络的输入数据，将异常状态训练集中的异常状态系数作为第一回归网络的输出数据，对第一回归网络进行训练，得到第一初始回归网络；
利用异常状态测试集对第一初始回归网络进行模型验证，输出大于等于预设第一测试准确度的第一初始回归网络作为第一机器学习模型。
4.根据权利要求3所述的中空玻璃全过程信息化管理系统，其特征在于，所述异常状态样本集中的异常状态系数的生成逻辑如下：
获取每个异常加工设备的异常显性数据，所述异常显性数据包括中空玻璃加工量、每个被加工中空玻璃的加工时长、每个被加工中空玻璃的质量系数以及每个被加工中空玻璃的使用能耗；
根据中空玻璃加工量、每个被加工中空玻璃的加工时长、每个被加工中空玻璃的质量系数以及每个被加工中空玻璃的使用能耗进行公式化计算，以获取每个异常加工设备的异常状态系数。
5.根据权利要求4所述的中空玻璃全过程信息化管理系统，其特征在于，所述质量系数的获取逻辑如下：
获取每一被加工中空玻璃在当前加工环节加工后的实际加工图像；以及提取预存于系统数据库中的标准加工图像；
根据相同的规则将实际加工图像和标准加工图像均划分为多个区域；
将实际加工图像和标准加工图像相同位置区域的像素点进行逐一比较，并记录实际加工图像和标准加工图像存在差异的差异区域；
统计存在差异的差异区域的数量，得到差异区域总数，将差异区域总数作为质量系数，得到每一被加工中空玻璃的质量系数。
6.根据权利要求5所述的中空玻璃全过程信息化管理系统，其特征在于，所述获取第一异常生产线中每一加工设备的加工优化速度，包括：
获取第一异常生产线的单线特征数据，所述单线特征数据包括每一加工设备的初始加工速度以及每一加工设备的任务堆积量；
将单线特征数据输入预构建的第二机器学习模型获取第一异常生产线中每一加工设备的加工优化速度。
7.根据权利要求6所述的中空玻璃全过程信息化管理系统，其特征在于，所述预构建的第二机器学习模型的生成逻辑如下：
获取单线优化样本集，将所述单线优化样本集划分为单线优化训练集和单线优化测试集；所述单线优化样本集中包括单线特征数据及其对应的加工优化速度；
构建第二回归网络，将单线优化训练集中的单线特征数据作为第二回归网络的输入数据，将单线优化训练集中的加工优化速度作为第二回归网络的输出数据，对第二回归网络进行训练，得到第二初始回归网络；
利用单线优化测试集对第二初始回归网络进行模型验证，输出大于等于预设第二测试准确度的第二初始回归网络作为第二机器学习模型。
8.根据权利要求7所述的中空玻璃全过程信息化管理系统，其特征在于，所述约束条件包括任务规格和异常环节适配规则。
9.根据权利要求8所述的中空玻璃全过程信息化管理系统，其特征在于，所述根据约束条件匹配与第一异常生产线相吻合的第二异常生产线，包括：
将除第一异常生产线以外的所有异常生产线作为第二异常生产线；
提取与第一异常生产线任务规格相一致的第二异常生产线，得到任务规格相一致的第二异常生产线；
在任务规格相一致的第二异常生产线的基础上，提取满足异常环节适配规则的第二异常生产线。
10.一种中空玻璃全过程信息化管理方法，基于权利要求1至9中任一项所述的中空玻璃全过程信息化管理系统实现，其特征在于，包括：
获取M条中空玻璃生产线中异常加工设备的异常状态特征数据，将异常状态特征数据输入预构建的第一机器学习模型中，以获取每一异常加工设备的异常状态系数，M为大于零的正整数；
将异常状态系数与设定异常状态系数阈值进行比对分析，以获取优化中空玻璃生产过程的管理策略；所述管理策略包括第一调控策略和第二调控策略；包括：
若异常状态系数小于设定异常状态系数阈值，则将对应异常加工设备所属的中空玻璃生产线作为第一异常生产线，并基于预构建的第二机器学习模型获取第一异常生产线中每一加工设备的加工优化速度，将每一加工设备的加工优化速度作为第一调控策略；
若异常状态系数大于等于设定异常状态系数阈值，则根据约束条件匹配与第一异常生产线相吻合的第二异常生产线，将第二异常生产线作为第二调控策略；
利用第一调控策略或第二调控策略对中空玻璃生产过程进行自动化的优化管控。
11.一种电子设备，包括存储器、处理器以及存储在存储器上并在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求10所述的中空玻璃全过程信息化管理方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被执行时实现权利要求10所述的中空玻璃全过程信息化管理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311811405.9A CN117474710B (zh) | 2023-12-27 | 2023-12-27 | 中空玻璃全过程信息化管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311811405.9A CN117474710B (zh) | 2023-12-27 | 2023-12-27 | 中空玻璃全过程信息化管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117474710A CN117474710A (zh) | 2024-01-30 |
| CN117474710B true CN117474710B (zh) | 2024-03-22 |
Family
ID=89635083
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311811405.9A Active CN117474710B (zh) | 2023-12-27 | 2023-12-27 | 中空玻璃全过程信息化管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117474710B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113625672A (zh) * | 2021-08-11 | 2021-11-09 | 桐乡华锐自控技术装备有限公司 | 一种设备监控方法、装置及存储介质 |
| CN114706361A (zh) * | 2022-06-07 | 2022-07-05 | 工业富联(杭州)数据科技有限公司 | 离散制造生产系统修复方法、计算机装置及存储介质 |
| CN114721321A (zh) * | 2022-03-01 | 2022-07-08 | 大连理工大学 | 一种基于智能化工业交换机的设备自动管理方法和系统 |
| CN114792223A (zh) * | 2021-12-28 | 2022-07-26 | 洪颖 | 一种车间生产协同方法及系统 |
| CN115718450A (zh) * | 2022-11-21 | 2023-02-28 | 歌尔科技有限公司 | 一种设备停线监控方法、装置、电子设备及系统 |
| CN116976747A (zh) * | 2023-08-14 | 2023-10-31 | 浙江羲和新材料科技有限公司 | 一种液晶显示器的密封剂生产管理方法及系统 |
| CN116993532A (zh) * | 2023-09-25 | 2023-11-03 | 四川泰虹科技有限公司 | 用于提升电池零部件制备效率的方法及系统 |
| CN117086699A (zh) * | 2023-10-16 | 2023-11-21 | 山东滨州鲁丰不锈钢制品有限公司 | 一种不锈钢构件切削加工温度测量方法及系统 |
-
2023
- 2023-12-27 CN CN202311811405.9A patent/CN117474710B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113625672A (zh) * | 2021-08-11 | 2021-11-09 | 桐乡华锐自控技术装备有限公司 | 一种设备监控方法、装置及存储介质 |
| CN114792223A (zh) * | 2021-12-28 | 2022-07-26 | 洪颖 | 一种车间生产协同方法及系统 |
| CN114721321A (zh) * | 2022-03-01 | 2022-07-08 | 大连理工大学 | 一种基于智能化工业交换机的设备自动管理方法和系统 |
| CN114706361A (zh) * | 2022-06-07 | 2022-07-05 | 工业富联(杭州)数据科技有限公司 | 离散制造生产系统修复方法、计算机装置及存储介质 |
| CN115718450A (zh) * | 2022-11-21 | 2023-02-28 | 歌尔科技有限公司 | 一种设备停线监控方法、装置、电子设备及系统 |
| CN116976747A (zh) * | 2023-08-14 | 2023-10-31 | 浙江羲和新材料科技有限公司 | 一种液晶显示器的密封剂生产管理方法及系统 |
| CN116993532A (zh) * | 2023-09-25 | 2023-11-03 | 四川泰虹科技有限公司 | 用于提升电池零部件制备效率的方法及系统 |
| CN117086699A (zh) * | 2023-10-16 | 2023-11-21 | 山东滨州鲁丰不锈钢制品有限公司 | 一种不锈钢构件切削加工温度测量方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117474710A (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7314424B2 (ja) | 太陽光発電アレイの動作状態を決定する方法および装置、デバイスならびに記憶媒体 | |
| CN109063366B (zh) | 一种基于时间和空间加权的建筑性能数据在线预处理方法 | |
| US9996092B2 (en) | Determining a time for corrective action in a data center | |
| US10746425B1 (en) | Thermal modeling technology | |
| CN116992399B (zh) | 一种基于电力数据分析的电力设备运维评估方法 | |
| US20190195525A1 (en) | Method and apparatus for operating heating and cooling equipment via a network | |
| US9652728B2 (en) | Methods and systems for generating a business process control chart for monitoring building processes | |
| CN113868953B (zh) | 工业系统中多机组运行优化方法、装置、系统及存储介质 | |
| CN111723085B (zh) | 公共建筑空调用电能耗数据清洗方法及系统 | |
| CN114610559A (zh) | 设备运行环境评估方法、判决模型训练方法、电子设备 | |
| CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
| CN113036913A (zh) | 一种综合能源设备状态监测方法及装置 | |
| CN111080039A (zh) | 一种风机集群故障预测方法及系统 | |
| CN116167250A (zh) | 一种基于温差加权和时间序列算法的机房环境评估方法 | |
| CN112613709A (zh) | 电力设备综合状态评估方法、装置、电子设备和存储介质 | |
| CN116345700A (zh) | 一种用于储能电站的能耗监测方法及监测系统 | |
| CN104834787B (zh) | 轴承磨床生产车间能耗的感知和分析方法 | |
| CN117474710B (zh) | 中空玻璃全过程信息化管理系统 | |
| CN116167604B (zh) | 一种基于生产全流程跟踪的电力产品生产智能管理系统 | |
| CN117010638A (zh) | 酒店设备的智能管理方法及系统 | |
| CN116432524A (zh) | 一种变压器油温预测方法、装置、设备及存储介质 | |
| CN113408764A (zh) | 基于数字孪生的产品在线技术状态管控系统 | |
| CN111625525A (zh) | 一种环境数据修复/填充方法及系统 | |
| CN117631708B (zh) | 针对洁净实验室的压力信息控制系统及方法 | |
| CN117540330B (zh) | 基于自学习功能的配电柜系统 |
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 |