CN117493800A - 针对设备运行状态的数据处理方法、系统、装置及设备 - Google Patents
针对设备运行状态的数据处理方法、系统、装置及设备 Download PDFInfo
- Publication number
- CN117493800A CN117493800A CN202311447324.5A CN202311447324A CN117493800A CN 117493800 A CN117493800 A CN 117493800A CN 202311447324 A CN202311447324 A CN 202311447324A CN 117493800 A CN117493800 A CN 117493800A
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal
- equipment
- production equipment
- production
- 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
- 238000003672 processing method Methods 0.000 title abstract description 12
- 238000004519 manufacturing process Methods 0.000 claims abstract description 229
- 230000002159 abnormal effect Effects 0.000 claims abstract description 139
- 238000012545 processing Methods 0.000 claims abstract description 83
- 230000005856 abnormality Effects 0.000 claims abstract description 59
- 238000003062 neural network model Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims description 48
- 238000004088 simulation Methods 0.000 claims description 24
- 230000000007 visual effect Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 230000002596 correlated effect Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000013499 data model Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 57
- 230000008569 process Effects 0.000 description 24
- 238000013528 artificial neural network Methods 0.000 description 14
- 210000002569 neuron Anatomy 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000013523 data management Methods 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013500 data storage Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种针对设备运行状态的数据处理方法、系统、装置及设备。针对设备运行状态的数据处理方法包括:获取针对生产设备的预设运行数据以及对生产设备进行数据采集得到的当前运行数据;基于设备异常策略,处理预设运行数据和当前运行数据,得到表征生产设备当前是否异常的第一异常数据;利用神经网络模型,基于预设运行数据和当前运行数据,预测生产设备的运行状态得到第二异常数据;基于第一异常数据和第二异常数据,输出针对生产设备运行状态的异常结果。本发明能够较为准确地确定生产设备的异常情况,及时输出生产设备的异常结果以便运维人员采取相关的运维措施,运维人员无需到厂区现场,降低了设备运维成本,提高了设备运维效率。
Description
技术领域
本发明涉及数据处理、神经网络等领域,尤其涉及一种针对设备运行状态的数据处理方法、系统、装置及设备。
背景技术
目前,如何实现对厂区内设备的生产过程进行有效监控以及运维一直是研究的热点,同时也是生产制造业能够实现智能生产的关键。传统设备运维大多数采用人工方式,例如相关人员到厂区现场纸质抄录设备状态信息,然后将设备故障预警信息传送到运维人员的终端,运维人员到现场根据自身经验进行故障判断和处理,导致故障处理效率较低。
发明内容
本申请实施方式旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本申请实施方式的目的在于提出一种针对设备运行状态的数据处理方法、系统、装置、电子设备、存储介质及程序产品。
本申请实施方式提供一种针对设备运行状态的数据处理方法,所述方法包括:获取针对生产设备的预设运行数据以及对所述生产设备进行数据采集得到的当前运行数据;基于设备异常策略,处理所述预设运行数据和所述当前运行数据,得到表征所述生产设备当前是否异常的第一异常数据;利用神经网络模型,基于所述预设运行数据和所述当前运行数据,预测所述生产设备的运行状态得到第二异常数据;基于所述第一异常数据和所述第二异常数据,输出针对所述生产设备运行状态的异常结果。
本申请另一实施方式提供一种针对设备运行状态的数据处理系统,所述系统包括:数据采集模块以及数据处理模块。数据采集模块,用于执行获取针对生产设备的预设运行数据以及对所述生产设备进行数据采集得到的当前运行数据;数据处理模块,用于执行:基于设备异常策略,处理所述预设运行数据和所述当前运行数据,得到表征所述生产设备当前是否异常的第一异常数据;利用神经网络模型,基于所述预设运行数据和所述当前运行数据,预测所述生产设备的运行状态得到第二异常数据;基于所述第一异常数据和所述第二异常数据,输出针对所述生产设备运行状态的异常结果。
本申请另一实施方式提供一种针对设备运行状态的数据处理装置,所述装置包括:获取模块、处理模块、预测模块和输出模块。获取模块,用于获取针对生产设备的预设运行数据以及对所述生产设备进行数据采集得到的当前运行数据;处理模块,用于基于设备异常策略,处理所述预设运行数据和所述当前运行数据,得到表征所述生产设备当前是否异常的第一异常数据;预测模块,用于利用神经网络模型,基于所述预设运行数据和所述当前运行数据,预测所述生产设备的运行状态得到第二异常数据;输出模块,用于基于所述第一异常数据和所述第二异常数据,输出针对所述生产设备运行状态的异常结果。
本申请另一实施方式提供一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项实施方式所述的方法的步骤。
本申请另一实施方式提供计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项实施方式所述的方法的步骤。
本申请另一实施方式提供一种计算机程序产品,所述计算机程序产品中包括指令,所述指令被计算机设备的处理器执行时,使得所述计算机设备能够执行上述任一项实施方式所述的方法的步骤。
上述实施方式中,通过获取针对生产设备的预设运行数据以及对生产设备进行数据采集得到的当前运行数据;基于设备异常策略,处理预设运行数据和当前运行数据,得到表征生产设备当前是否异常的第一异常数据;利用神经网络模型,基于预设运行数据和当前运行数据,预测生产设备的运行状态得到第二异常数据;基于第一异常数据和第二异常数据,输出针对生产设备运行状态的异常结果。本发明能够较为准确地确定生产设备的异常情况,及时输出生产设备的异常结果以便运维人员采取相关的运维措施,运维人员无需到厂区现场,降低了设备运维成本,提高了设备运维效率。
附图说明
图1为本申请实施方式提供的针对设备运行状态的数据处理方法的流程示意图;
图2为本申请实施方式提供的针对设备运行状态的数据处理系统的示意图;
图3为本申请另一实施方式提供的针对设备运行状态的数据处理系统的示意图;
图4为本申请实施方式提供的针对设备运行状态的数据处理装置的示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
目前,如何实现对厂区内的设备生产过程进行有效监控以及运维一直是研究的热点,同时也是生产制造业能够实现智能生产的关键。传统设备运维大多数采用人工方式,例如相关人员到厂区现场纸质抄录设备状态信息,然后将设备故障预警信息传送到运维人员的终端,运维人员到现场根据自身经验进行故障判断和处理,导致故障处理效率较低。
随着全球经济的快速发展,厂区内的生产设备数量也不断增加。在生产过程中设备产生的数据量将会出现爆炸增长,很难再去依靠人工对设备运行状态进行运维管理。另外,通过人工到厂区现场对生产设备进行巡检的方式,难以获取设备连续性的数据,对设备运行健康状况无法做出预判,且该方式效率较低。其次,生产设备的控制和投入生产的设备数量依赖人工经验,一旦设备出现异常,通过人工运维方式难以及时发现。
在一些示例中,可以通过运维系统对设备进行运维,例如利用数字孪生技术对厂区设备进行模拟仿真,从而达到远程运维的目的。但是,该方式在数据的实时处理、故障诊断以及故障预测方面有所欠缺。
有鉴于此,本申请实施方式提供了一种优化的针对设备运行状态的数据处理方法。
图1为本申请实施方式提供的针对设备运行状态的数据处理方法的流程示意图。
如图1所示,本申请实施方式提供的针对设备运行状态的数据处理方法100例如包括步骤S110-S140。数据处理方法可以由运维系统执行。
步骤S110,获取针对生产设备的预设运行数据以及对生产设备进行数据采集得到的当前运行数据。
示例性地,预设运行数据是预先设定的生产设备理想的运行数据,预设运行数据例如包括转速、电压、电流、功率等等。当前运行数据是生产设备真实的运行数据,是在生产设备运行过程中实时采集的数据。
步骤S120,基于设备异常策略,处理预设运行数据和当前运行数据,得到表征生产设备当前是否异常的第一异常数据。
示例性地,设备异常策略包括异常计算规则,异常计算规则用于基于预设运行数据和当前运行数据进行计算得到表征生产设备是否异常的第一异常数据。在一种情况下,如果预设运行数据和当前运行数据之间的偏差过大,表示生产设备在运行时可能存在异常。
步骤S130,利用神经网络模型,基于预设运行数据和当前运行数据,预测生产设备的运行状态得到第二异常数据。
例如,将预设运行数据和当前运行数据输入神经网络模型中,神经网络模型对预设运行数据和当前运行数据进行理解分析,以预测生产设备在未来的运行状态是否异常,并由神经网络模型输出第二异常数据。
步骤S140,基于第一异常数据和第二异常数据,输出针对生产设备运行状态的异常结果。
示例性地,第一异常数据表征了生产设备实时的运行状态是否异常,第二异常数据表征了生产设备在未来某一时刻或某一时间段是否会发生异常,由此得到的异常结果表征了生产设备实时的异常状态和未来的异常状态。
本申请的实施例利用不同的方式处理预设运行数据和当前运行数据,得到表征生产设备当前是否异常以及未来是否异常的异常结果。通过运维系统自动计算生产设备的异常情况,且利用不同的方式分别确定生产设备当前和未来的异常情况,提高了异常识别的准确性。通过输出生产设备的异常结果以便运维人员采取相关的运维措施,运维人员无需到厂区现场,降低了设备运维的成本,提高了设备运维的效率。
在另一示例中,预设运行数据和当前运行数据在被采集后且被处理前,可以存储于分布式消息中间件之中。通常情况下,针对生产设备的数据处理方式,数据采集过程和数据处理过程是耦合的,即数据采集完成之后需要立即进行数据处理,如果数据处理速度较慢,将会影响数据采集的过程,严重的情况下可能还会导致系统崩溃。因此,本申请的实施例通过分布式消息中间件对数据采集过程和数据处理过程进行解耦,在采集得到预设运行数据和当前运行数据之后,将其存储于分布式消息中间件之中。数据采集完成之后无需立即进行数据处理,由数据处理模块根据实际处理情况从消息中间件中获取需要处理的数据进行处理,可见,通过分布式消息中间件实现了数据采集过程和数据处理过程的解耦,提高了数据采集和数据处理的效果,降低了系统崩溃的可能性。
示例性地,分布式消息中间件包括Kafka中间件,Kafka中间件是一种高产出的分布式消息系统(A high-throughput distributed messaging system)。Kafka中间件作为高性能、高吞吐的中间件,其具备快速、可扩展、可持久化的特点,可实现每秒100k条消息传输,能够实时处理大量数据以满足各种需求场景,满足海量生产设备运行数据接入的需求。应当理解,分布式消息中间件除了包括Kafka中间件,还可以是具有相同或类似功能的其他类型中间件。
在另一示例中,第一异常数据和第二异常数据均可以通过实时流式框架计算得到。可以在实时流式框架中部署设备异常策略和神经网络模型。利用实时流式框架基于设备异常策略计算得到第一异常数据,以及利用实时流式框架基于神经网络模型预测得到第二异常数据。
示例性地,实时流式框架具有低延迟、高吞吐的优势,能够保证生产设备数据处理的实时性。实时流式框架包括Flink框架,Flink是一个分布式计算框架,Flink框架可以搭建廉价机群,快速处理任意规模的数据。可见,通过实时流式框架进行数据处理,提高了数据处理的效率和实时性。
在一示例中,预设运行数据包括预设运行参数,预设运行参数包括参考转速、参考电压、参考电流、参考功率等参数。当前运行数据包括生产运行参数和当前运行指标值。生产运行参数例如与预设运行参数对应,例如生产运行参数包括实际转速、实际电压、实际电流、实际功率等。当前运行指标值例如包括影响生产运行参数的指标值,当前运行指标值例如包括生产设备实际的振动频率数据和温度数据等。
其中,设备异常策略例如表征了以当前运行指标值为参考来确定预设运行参数和生产运行参数之间的偏差是否异常。例如,基于当前运行指标值确定针对生产运行参数的补偿值;基于补偿值对生产运行参数进行补偿,得到补偿后的生产运行参数;确定预设运行参数和补偿后的生产运行参数之间的偏差值,基于偏差值和偏差阈值得到第一异常数据。
举例来说,偏差阈值例如为30%,表示如果预设运行参数和生产运行参数之间的偏差值达到预设运行参数的30%,则表明生产设备可能运行异常。例如预设运行参数为1,生产运行参数为0.6,两者的偏差值0.4超过偏差阈值,一些情况下表示生产设备运行异常。但是,这种确定异常方式没有充分考虑当前运行指标值对设备运行的影响。不同的当前运行指标值对生产运行参数的影响程度是不同的,因此为了更准确地判断设备异常,需要基于当前运行指标值对生产运行参数进行补偿。例如,当基于当前运行指标值确定针对生产运行参数的补偿值为0.1时,补偿后的生产运行参数为0.7,补偿后的生产运行参数与预设运行参数之间的偏差值0.3达到偏差阈值30%,此时第一异常数据表征生产设备当前存在异常。当基于当前运行指标值确定针对生产运行参数的补偿值为0.2时,补偿后的生产运行参数为0.8,补偿后的生产运行参数与预设运行参数之间的偏差值0.2小于偏差阈值30%,此时第一异常数据表征生产设备当前不存在异常。
可以理解,基于当前运行指标值对生产运行参数进行补偿后再判断设备的异常情况,充分考虑了不同的当前运行指标值对生产运行参数产生的不同影响,提高了设备异常识别的准确性。
在一示例中,神经网络模型包括反向传播神经网络模型。反向传播神经网络模型包括网络节点,网络节点之间的权值与学习速率及动量因子值相关联,网络节点的输出阈值与学习速率及动量因子值相关联。反向传播神经网络模型在训练时采用动量梯度下降算法反向调节学习速率和动量因子值。
示例性地,反向传播神经网络模型包括基于动量因子的BP(Back Propagation)神经网络。BP神经网络包括输入层、中间层、输出层。输入层、中间层、输出层均包括至少一个网络节点,网络节点也可以称为神经元。BP神经网络的训练过程由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息(例如包括预设运行数据和当前运行数据),并传递给中间层各神经元。中间层是内部信息处理层,负责信息变换及处理,根据信息变化能力的需求,可以将中间层设计为单隐层结构或者多隐层结构。最后,中间层把信息传递给输出层各神经元,完成一次训练的正向传播处理过程,由输出层向外界输出信息处理结果。输出层输出的结果例如包括异常或正常,或者也可以输出异常的概率或正常的概率。
当实际输出与期望输出的误差没有达到设定的指标时,进入误差的反向传播阶段。误差通过输出层,按动量梯度下降算法修正各层权值,向中间层、输入层逐层反向传播。周而复始的信息正向传播和误差反向传播的过程,是各层神经元的权值和各层神经元的输出阈值不断调整的过程,也是神经网络训练的过程,此过程一直进行到网络输出的误差减少到设定的最小误差范围内,或者到达预先设定的训练次数为止。其中,各层神经元的权值和各层神经元的输出阈值均与学习速率及动量因子值相关联,因此权值和输出阈值的调整也可以看成是学习速率和动量因子值的调整,网络的训练结果是得到最终的学习速率和动量因子值,也即得到最终的权值和输出阈值。
可以理解,本申请通过基于动量因子的BP神经网络预测生产设备未来的异常,基于动量因子的BP神经网络模型适用于生产设备运行场景的异常预测,由此提高了生产设备异常预测的准确性。可以理解,除了通过基于动量因子的BP神经网络预测设备异常,还可以采用其他形式的BP神经网络。或者,除了BP神经网络类型,也可以采用其他类型的神经网络。
在另一示例中,为了实现运维系统的可视化以及对生产设备的运行进行模拟仿真,可以利用数字孪生技术构建针对生产设备的孪生模型。例如,基于生产设备的设备信息、预设运行数据、当前运行数据以及第一异常数据,进行数据模型构建,得到针对生产设备的孪生模型数据。
数字孪生技术是充分利用物理模型数据、传感器数据、历史运行数据等,集成多学科、多物理量、多尺度、多概率的仿真过程,在虚拟空间中完成映射,从而反映相对应的实体装备(生产设备)的全生命周期过程。
在构建得到孪生模型数据之后,可以基于孪生模型数据处理针对生产设备的历史运行数据,得到表征生产设备过去是否异常的第三异常数据,以此重现生产设备的历史运行状态。重现历史运行状态有利于分析生产设备的异常信息。例如,重现得到的表征生产设备过去是否异常的第三异常数据对当前的异常情况可以起到参考作用,在采取相关措施解决当前异常情况时可以参考该第三异常数据。
另外,还可以基于孪生模型数据对生产设备的运行进行模拟仿真,得到运行仿真结果,通过仿真结果可以预测生产设备的运行情况。
在构建得到孪生模型数据之后,还可以基于孪生模型数据生成针对生产设备的可视化展示数据,并基于可视化展示数据展示生产设备。另外,每个生产设备具有设备标识,可以基于设备标识确定对应的可视化展示数据,并将针对生产设备的异常结果与对应生产设备的可视化展示数据进行关联输出,实现生产设备异常信息的可视化,便于基于异常信息对生产设备进行运维。
另外,还可以基于设备标识将表征生产设备在过去是否发生异常的第三异常数据和针对生产设备的运行仿真结果关联至对应生产设备的可视化展示数据,并与可视化展示数据进行关联输出。
可以理解,通过构建针对生产设备的孪生模型,可以实现生产设备的可视化,还可以通过孪生模型模拟仿真生产设备的运行,便于运维人员对生产设备进行运维。
图2为本申请实施方式提供的针对设备运行状态的数据处理系统的示意图。
如图2所示,本申请实施方式提供的针对设备运行状态的数据处理系统至少包括数据采集模块和数据处理模块。数据处理系统可以是运维系统的至少部分。
示例性地,数据采集模块用于获取针对生产设备的预设运行数据以及对生产设备进行数据采集得到的当前运行数据。
示例性地,数据处理模块用于基于设备异常策略处理预设运行数据和当前运行数据,得到表征生产设备当前是否异常的第一异常数据。数据处理模块还可以利用神经网络模型基于预设运行数据和当前运行数据,预测生产设备的运行状态得到第二异常数据。数据处理模块还可以基于第一异常数据和第二异常数据,输出针对生产设备运行状态的异常结果。
预设运行数据是预先设定的生产设备理想的运行数据。当前运行数据是生产设备真实的运行数据。设备异常策略包括异常计算规则,异常计算规则用于基于预设运行数据和当前运行数据进行计算得到表征生产设备是否异常的第一异常数据。
数据处理模块在利用神经网络模型预测生产设备的运行状态时,可以通过将预设运行数据和当前运行数据输入神经网络模型中,以预测生产设备未来的运行状态是否异常,并由神经网络模型输出第二异常数据。
第一异常数据表征了生产设备实时的运行状态是否异常,第二异常数据表征了生产设备在未来某一时刻或某一时间段是否会发生异常,由此得到的异常结果表征了生产设备实时的异常状态和未来的异常状态。
本申请的实施例的数据处理系统,通过利用不同的方式处理预设运行数据和当前运行数据,得到表征生产设备当前是否异常以及未来是否异常的异常结果。通过运维系统自动计算生产设备的异常情况,且利用不同的方式分别确定生产设备当前和未来的异常情况,提高了异常识别的准确性。通过输出生产设备的异常结果以便运维人员采取相关的运维措施,运维人员无需到厂区现场,降低了设备运维的成本,提高了设备运维的效率。
图3为本申请另一实施方式提供的针对设备运行状态的数据处理系统的示意图。
如图3所示,针对设备运行状态的数据处理系统例如至少包括数据治理组件、数字孪生模块以及智能运维组件。数据处理系统与现实生产厂区进行数据交互。
现实生产厂区中包括生产设备和传感装置。传感装置实时采集生产设备的相关数据,相关数据包括预设运行数据、当前运行数据和设备信息等等。预设运行数据包括预设运行参数,当前运行数据包括生产运行参数和当前运行指标值(振动频率数据、温度数据)。设备信息包括设备标识(机器型号)。传感装置可以将采集的相关数据发送给数据治理组件中的数据采集模块,或者由数据采集模块主动向传感装置请求生产设备的相关数据。
数据治理组件包括数据采集模块、数据处理模块、数据传输模块和数据存储模块。
数据采集模块和传感装置建立通信连接,使得数据采集模块能够从传感装置获取生产设备的相关数据。数据采集模块包括分布式消息中间件,获得的预设运行数据和当前运行数据等其他相关数据在被采集后且被数据处理模块处理之前,被存储于分布式消息中间件之中。分布式消息中间件包括Kafka中间件,Kafka中间件作为高性能、高吞吐的中间件,可实现每秒100k条消息的传输,满足了海量设备相关数据接入的需求。
数据处理模块基于实时流式框架Flink进行数据处理,实时流式框架Flink具有低延迟、高吞吐的优势,保证了数据处理的实时性。数据处理模块通过实时流式框架Flink基于设备异常策略处理预设运行数据和当前运行数据得到第一异常数据,数据处理模块还可以通过实时流式框架Flink利用神经网络模型基于预设运行数据和当前运行数据,预测生产设备的运行状态得到第二异常数据。
数据处理模块通过实时计算分析生产设备的运行数据,以对生产设备进行异常预警分析和故障评估。例如,数据处理模块用于基于当前运行指标值确定针对生产运行参数的补偿值,基于补偿值对生产运行参数进行补偿得到补偿后的生产运行参数,确定预设运行参数和补偿后的生产运行参数之间的偏差值,基于偏差值和偏差阈值得到第一异常数据。
另外,数据处理模块还可以利用基于动量因子的BP神经网络模型对生产设备的运行状态进行预测,在生产设备故障之前能发现征兆,以便及时进行维修、保养等管理,以降低设备故障、停机带来的损失,并提高设备的使用寿命,从而大幅度提升设备维运的效率。基于动量因子的BP神经网络模型对设备状态进行预测的关键点在于网络模型的建立。神经网络模型的建立主要包括样本数据准备、神经网络设计、网络的训练与仿真。针对样本数据准备,样本数据主要选择设备的预设运行数据、当前运行数据等运行数据作为模型的输入数据,预测得到的设备故障状态或异常信息作为模型的输出数据。关于神经网络设计,可以根据实际情况设置神经网络的输入节点、输出节点以及隐含节点的个数。关于网络的训练与仿真,可以根据确定的网络结构,利用动量梯度下降法进行神经网络训练,从而得到学习速率以及动量因子值。
数据传输模块用于支持现实生产厂区、数据治理组件、数字孪生模块以及智能运维组件之间的数据传输。
数据存储模块可以利用HBase数据库对实时采集到的设备相关数据或者对数据处理模块的处理结果数据进行存储。HBase数据库是一个高可靠性、高性能、面向列、可伸缩的分布式存储系统,满足了海量设备相关数据的存储需求。
数字孪生模块用于基于生产设备的设备信息、预设运行数据、当前运行数据以及第一异常数据,进行数据模型构建,得到针对生产设备的孪生模型数据。具体地,数字孪生模块可以根据数据采集模块采集到的设备相关数据(包括设备信息、预设运行数据、当前运行数据)以及数据处理模块计算的结果数据(包括第一异常数据),在数字空间内建立和生产设备相匹配的孪生对象。构建得到的孪生模型可以用于处理针对生产设备的历史运行数据,得到表征生产设备过去是否异常的第三异常数据,即数字孪生模块可以根据数据存储模块存储的历史运行数据对设备运行状态进行重现以确定生产设备过去是否异常。孪生模型还可以用于对生产设备的运行进行模拟仿真,得到运行仿真结果。
设备智能运维组件包括设备信息展示模块、设备预警模块以及设备运维模块。
设备信息展示模块用于基于孪生模型数据生成针对生产设备的可视化展示数据,并将异常结果与可视化展示数据进行关联输出。设备信息展示模块还用于将表征生产设备过去是否异常的第三异常数据及对生产设备的运行进行模拟仿真得到的运行仿真结果与可视化展示数据进行关联输出。具体地,设备信息展示模块用于对生产设备的数字孪生对象进行展示、管理和操作,以实现针对生产设备的异常提示、信息管理、实时运行状态显示、仿真分析和历史运行状态重现等功能。
设备预警模块可以通过数据传输模块接收由数据处理模块处理得到的设备故障预警信息或异常信息,或者也可以通过数据传输模块接收数字孪生模块发出的设备故障预警信息或异常信息,并将故障预警信息或异常信息发送给运维人员。
设备运维模块用于支持运维人员对生产设备的生产过程进行故障维护和检修。例如设备运维模块提供可视化操作页面,以便运维人员通过可视化操作页面控制数据处理模块对生产设备的运行数据进行计算和分析,以进行设备故障诊断和危险评估。设备运维模块还用于支持运维人员对数字孪生对象进行数据仿真,以生成全面、系统的运维方案。
本申请的实施例通过传感装置采集生产设备的相关数据并实时上送,利用Kafka消息中间件实现系统模块之间的解耦。基于实时流式框架Flink进行数据处理和分析,并且结合基于动量因子的BP神经网络模型实现设备运行状态的预测。将数据治理组件计算分析得到的数据与数字孪生技术进行结合实现设备运行状态的仿真。通过信息展示模块显示各个生产设备的实时运行状态,同时也可以根据存储的设备历史运行数据重现设备的运行。通过数据治理组件诊断异常设备后利用设备预警模块给运维人员发送预警信息,从而保证设备故障后能得到及时处理。
可见,通过本申请的实施例,运维人员无需到达厂区现场,通过信息展示模块即可观察各个生产设备的运行情况,极大地降低了运维成本,提高了运维工作效率。通过实时流式框架Flink、数字孪生技术等实现海量数据接入和计算分析,实现了设备实时运行状态的展示、设备故障的实时告警以及设备运行状态的预测。根据实时流式框架Flink的计算分析结果对设备进行故障诊断和危险评估,从而生成全面、系统的运维方案。
图4为本申请实施方式提供的针对设备运行状态的数据处理装置的示意图。
本申请实施方式提供一种针对设备运行状态的数据处理装置400,请参阅图4,针对设备运行状态的数据处理装置400包括:获取模块410、处理模块420、预测模块430和输出模块440。
示例性地,获取模块410用于获取针对生产设备的预设运行数据以及对生产设备进行数据采集得到的当前运行数据。
示例性地,处理模块420用于基于设备异常策略,处理预设运行数据和当前运行数据,得到表征生产设备当前是否异常的第一异常数据。
示例性地,预测模块430用于利用神经网络模型,基于预设运行数据和当前运行数据,预测生产设备的运行状态得到第二异常数据。
示例性地,输出模块440用于基于第一异常数据和第二异常数据,输出针对生产设备运行状态的异常结果。
可以理解,关于针对设备运行状态的数据处理装置400的具体描述,可以参见上文中对针对设备运行状态的数据处理方法的描述。
示例性地,装置400还包括:构建模块,用于基于生产设备的设备信息、预设运行数据、当前运行数据以及第一异常数据,进行数据模型构建,得到针对生产设备的孪生模型数据。
示例性地,装置400还包括历史运行数据处理模块和模拟仿真模块中的至少一个。历史运行数据处理模块,用于基于孪生模型数据,处理针对生产设备的历史运行数据,得到表征生产设备过去是否异常的第三异常数据;模拟仿真模块,用于基于孪生模型数据,对生产设备的运行进行模拟仿真,得到运行仿真结果。
示例性地,基于第一异常数据和第二异常数据,输出针对生产设备运行状态的异常结果包括:基于孪生模型数据,生成针对生产设备的可视化展示数据;将异常结果与可视化展示数据进行关联输出。
示例性地,装置400还包括关联输出模块,用于将第三异常数据和运行仿真结果中的至少之一,与可视化展示数据进行关联输出。
示例性地,预设运行数据包括预设运行参数,当前运行数据包括生产运行参数和当前运行指标值;基于设备异常策略,处理预设运行数据和当前运行数据,得到表征生产设备当前异常的第一异常数据包括:基于当前运行指标值,确定针对生产运行参数的补偿值;基于补偿值,对生产运行参数进行补偿,得到补偿后的生产运行参数;确定预设运行参数和补偿后的生产运行参数之间的偏差值;基于偏差值和偏差阈值,得到第一异常数据,其中,当前运行指标值包括振动频率数据和温度数据中的至少一个。
示例性地,神经网络模型包括反向传播神经网络模型;反向传播神经网络模型包括网络节点,网络节点之间的权值与学习速率和动量因子值相关联,网络节点的输出阈值与学习速率和动量因子值相关联;反向传播神经网络模型在训练时采用动量梯度下降算法反向调节学习速率和动量因子值。
示例性地,第一异常数据和第二异常数据均通过实时流式框架计算得到;预设运行数据和当前运行数据在被采集后且被处理前,存储于分布式消息中间件。
本申请实施方式提供一种电子设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述任一项实施方式中的方法的步骤。
本申请实施方式提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任一项实施方式中的方法的步骤。
本申请的一个实施方式提供一种计算机程序产品,计算机程序产品中包括指令,指令被计算机设备的处理器执行时,使得计算机设备能够执行上述任一项实施方式的方法的步骤。
需要说明的是,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本申请而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本申请的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本申请中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
在本申请的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
此外,本申请实施例中所使用的“第一”、“第二”等术语,仅用于描述目的,而不可以理解为指示或者暗示相对重要性,或者隐含指明本实施例中所指示的技术特征数量。由此,本申请实施例中限定有“第一”、“第二”等术语的特征,可以明确或者隐含地表示该实施例中包括至少一个该特征。在本申请的描述中,词语“多个”的含义是至少两个或者两个及以上,例如两个、三个、四个等,除非实施例中另有明确具体的限定。
在本申请中,除非实施例中另有明确的相关规定或者限定,否则实施例中出现的术语“安装”、“相连”、“连接”和“固定”等应做广义理解,例如,连接可以是固定连接,也可以是可拆卸连接,或成一体,可以理解的,也可以是机械连接、电连接等;当然,还可以是直接相连,或者通过中间媒介进行间接连接,或者可以是两个元件内部的连通,或者两个元件的相互作用关系。对于本领域的普通技术人员而言,能够根据具体的实施情况理解上述术语在本申请中的具体含义。
在本申请中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (18)
1.一种针对设备运行状态的数据处理方法,其特征在于,所述方法包括:
获取针对生产设备的预设运行数据以及对所述生产设备进行数据采集得到的当前运行数据;
基于设备异常策略,处理所述预设运行数据和所述当前运行数据,得到表征所述生产设备当前是否异常的第一异常数据;
利用神经网络模型,基于所述预设运行数据和所述当前运行数据,预测所述生产设备的运行状态得到第二异常数据;以及
基于所述第一异常数据和所述第二异常数据,输出针对所述生产设备运行状态的异常结果。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述生产设备的设备信息、所述预设运行数据、所述当前运行数据以及所述第一异常数据,进行数据模型构建,得到针对所述生产设备的孪生模型数据。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括以下至少一项:
基于所述孪生模型数据,处理针对所述生产设备的历史运行数据,得到表征所述生产设备过去是否异常的第三异常数据;
基于所述孪生模型数据,对所述生产设备的运行进行模拟仿真,得到运行仿真结果。
4.根据权利要求3所述的方法,其特征在于,所述基于所述第一异常数据和所述第二异常数据,输出针对所述生产设备运行状态的异常结果包括:
基于所述孪生模型数据,生成针对所述生产设备的可视化展示数据;以及
将所述异常结果与所述可视化展示数据进行关联输出。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
将所述第三异常数据和所述运行仿真结果中的至少之一,与所述可视化展示数据进行关联输出。
6.根据权利要求1-5中任意一项所述的方法,其特征在于,所述预设运行数据包括预设运行参数,所述当前运行数据包括生产运行参数和当前运行指标值;所述基于设备异常策略,处理所述预设运行数据和所述当前运行数据,得到表征所述生产设备当前异常的第一异常数据包括:
基于所述当前运行指标值,确定针对所述生产运行参数的补偿值;
基于所述补偿值,对所述生产运行参数进行补偿,得到补偿后的生产运行参数;
确定所述预设运行参数和补偿后的生产运行参数之间的偏差值;以及
基于所述偏差值和偏差阈值,得到所述第一异常数据,
其中,所述当前运行指标值包括振动频率数据和温度数据中的至少一个。
7.根据权利要求1-5中任意一项所述的方法,其特征在于,所述神经网络模型包括反向传播神经网络模型;所述反向传播神经网络模型包括网络节点,所述网络节点之间的权值与学习速率和动量因子值相关联,所述网络节点的输出阈值与所述学习速率和所述动量因子值相关联;所述反向传播神经网络模型在训练时采用动量梯度下降算法反向调节所述学习速率和所述动量因子值。
8.根据权利要求1-5中任意一项所述的方法,其特征在于,所述第一异常数据和所述第二异常数据均通过实时流式框架计算得到;所述预设运行数据和所述当前运行数据在被采集后且被处理前,存储于分布式消息中间件。
9.一种针对设备运行状态的数据处理系统,其特征在于,所述系统包括:
数据采集模块,用于执行获取针对生产设备的预设运行数据以及对所述生产设备进行数据采集得到的当前运行数据;
数据处理模块,用于执行:
基于设备异常策略,处理所述预设运行数据和所述当前运行数据,得到表征所述生产设备当前是否异常的第一异常数据;
利用神经网络模型,基于所述预设运行数据和所述当前运行数据,预测所述生产设备的运行状态得到第二异常数据;以及
基于所述第一异常数据和所述第二异常数据,输出针对所述生产设备运行状态的异常结果。
10.根据权利要求9所述的系统,其特征在于,所述系统还包括:
数字孪生模块,用于基于所述生产设备的设备信息、所述预设运行数据、所述当前运行数据以及所述第一异常数据,进行数据模型构建,得到针对所述生产设备的孪生模型数据。
11.根据权利要求10所述的系统,其特征在于,所述数字孪生模块还用于执行以下至少一项:
基于所述孪生模型数据,处理针对所述生产设备的历史运行数据,得到表征所述生产设备过去是否异常的第三异常数据;
基于所述孪生模型数据,对所述生产设备的运行进行模拟仿真,得到运行仿真结果。
12.根据权利要求11所述的系统,其特征在于,所述系统还包括:
信息展示模块,用于基于所述孪生模型数据,生成针对所述生产设备的可视化展示数据;以及将所述异常结果与所述可视化展示数据进行关联输出。
13.根据权利要求12所述的系统,其特征在于,所述信息展示模块还用于:
将所述第三异常数据和所述运行仿真结果中的至少之一,与所述可视化展示数据进行关联输出。
14.根据权利要求9-13中任意一项所述的系统,其特征在于,所述预设运行数据包括预设运行参数,所述当前运行数据包括生产运行参数和当前运行指标值;所述数据处理模块具体用于:
基于所述当前运行指标值,确定针对所述生产运行参数的补偿值;
基于所述补偿值,对所述生产运行参数进行补偿,得到补偿后的生产运行参数;
确定所述预设运行参数和补偿后的生产运行参数之间的偏差值;以及
基于所述偏差值和偏差阈值,得到所述第一异常数据,
其中,所述当前运行指标值包括振动频率数据和温度数据中的至少一个。
15.根据权利要求9-13中任意一项所述的系统,其特征在于:
所述数据处理模块包括:实时流式框架,所述第一异常数据和所述第二异常数据均通过实时流式框架计算得到;
所述数据采集模块包括:分布式消息中间件,所述预设运行数据和所述当前运行数据在被采集后且被处理前,存储于所述分布式消息中间件。
16.一种针对设备运行状态的数据处理装置,其特征在于,所述装置包括:
获取模块,用于获取针对生产设备的预设运行数据以及对所述生产设备进行数据采集得到的当前运行数据;
处理模块,用于基于设备异常策略,处理所述预设运行数据和所述当前运行数据,得到表征所述生产设备当前是否异常的第一异常数据;
预测模块,用于利用神经网络模型,基于所述预设运行数据和所述当前运行数据,预测所述生产设备的运行状态得到第二异常数据;以及
输出模块,用于基于所述第一异常数据和所述第二异常数据,输出针对所述生产设备运行状态的异常结果。
17.一种电子设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,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1-8中任意一项所述的方法的步骤。
18.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-8中任意一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311447324.5A CN117493800A (zh) | 2023-10-31 | 2023-10-31 | 针对设备运行状态的数据处理方法、系统、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311447324.5A CN117493800A (zh) | 2023-10-31 | 2023-10-31 | 针对设备运行状态的数据处理方法、系统、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117493800A true CN117493800A (zh) | 2024-02-02 |
Family
ID=89684194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311447324.5A Pending CN117493800A (zh) | 2023-10-31 | 2023-10-31 | 针对设备运行状态的数据处理方法、系统、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117493800A (zh) |
-
2023
- 2023-10-31 CN CN202311447324.5A patent/CN117493800A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111555716B (zh) | 光伏阵列工作状态的确定方法、装置、设备及存储介质 | |
CN108445410A (zh) | 一种监测蓄电池组运行状态的方法及装置 | |
CN106952028A (zh) | 机电装备故障预诊与健康管理方法及系统 | |
BRPI1100290A2 (pt) | mÉtodo para detectar comportamento em equipamento de subestaÇço elÉtrica | |
CN110703743A (zh) | 设备故障预测与检测系统和方法 | |
CN117078017A (zh) | 一种用于电力电网设备监控智能化决策分析系统 | |
CN112505570A (zh) | 电动汽车的电池健康状态的估计方法 | |
CN115128513A (zh) | 一种基于热量的电容器异常检测方法及相关装置 | |
CN112947290A (zh) | 基于边云协同的设备状态监测方法、监测系统及存储介质 | |
CN116224137A (zh) | 一种ups设备故障预警方法及系统 | |
CN118312746B (zh) | 一种基于数字孪生的设备状态评价方法及系统 | |
CN116861503A (zh) | 一种基于大数据的电力变压器数字孪生模型的构建方法 | |
CN116070802A (zh) | 一种基于数据孪生的智能监控运维方法和系统 | |
CN115658400A (zh) | 一种计算芯片测试方法、系统、计算机设备和存储介质 | |
CN115236523A (zh) | 一种基于数字孪生的动力电池故障诊断及预测的方法 | |
CN112580858A (zh) | 设备参数预测分析方法及系统 | |
CN116418117A (zh) | 一种用于智能电网的设备检测系统 | |
CN112991096A (zh) | 配置式桥梁集群结构监测管理装置和方法 | |
CN103616877B (zh) | 能源管网的监控诊断方法和系统 | |
CN116449242A (zh) | 一种面向用户的电池健康状态监测系统 | |
CN117933808A (zh) | 基于生产过程监控的生产质量评估方法及系统 | |
US20230213587A1 (en) | Method and System for Efficiently Monitoring Battery Cells of a Device Battery in an External Central Processing Unit Using a Digital Twin | |
CN117493800A (zh) | 针对设备运行状态的数据处理方法、系统、装置及设备 | |
CN116544458A (zh) | 燃料电池系统的故障告警方法及其装置 | |
CN116578873A (zh) | 一种充电桩故障诊断方法、装置、设备及介质 |
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 |