CN117519006A - 生产线数据处理方法、装置、计算机设备和存储介质 - Google Patents
生产线数据处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117519006A CN117519006A CN202311410692.2A CN202311410692A CN117519006A CN 117519006 A CN117519006 A CN 117519006A CN 202311410692 A CN202311410692 A CN 202311410692A CN 117519006 A CN117519006 A CN 117519006A
- Authority
- CN
- China
- Prior art keywords
- production
- data
- production line
- action
- analysis
- 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 985
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000003672 processing method Methods 0.000 title abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 175
- 238000007405 data analysis Methods 0.000 claims abstract description 150
- 238000000034 method Methods 0.000 claims abstract description 64
- 238000010223 real-time analysis Methods 0.000 claims abstract description 37
- 238000004590 computer program Methods 0.000 claims abstract description 24
- 230000000007 visual effect Effects 0.000 claims abstract description 21
- 230000009471 action Effects 0.000 claims description 285
- 230000006870 function Effects 0.000 claims description 112
- 230000002159 abnormal effect Effects 0.000 claims description 67
- 238000009826 distribution Methods 0.000 claims description 56
- 238000013439 planning Methods 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 40
- 230000036541 health Effects 0.000 claims description 19
- 238000012544 monitoring process Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 26
- 230000005856 abnormality Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 238000007619 statistical method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 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
- 239000002994 raw material Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种生产线数据处理方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取目标生产线的生产状态实时数据；生产状态实时数据为采用边缘数据采集设备对目标生产线中的生产设备进行采集得到的；按照当前所选择的生产线分析功能关联的至少一个数据分析项目对应的数据分析方式，对生产状态实时数据进行数据分析，得到各数据分析项目对应的生产线分析结果；在生产线分析功能对应的实时分析功能报表中展示各生产线分析结果对应的可视化展示界面。采用本方法能够提高对生产线状态的监测效率。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种生产线数据处理方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着计算机技术的发展，各种各样的信息化系统广泛地应用于制造业车间，以实现高效的生产管理。
目前，应用于制造业车间的信息化系统多侧重于对制造业车间的生产流程管理。然而，侧重于对制造业车间的生产流程管理的信息化系统无法对生产线的生产状态实时数据进行分析，导致无法及时地发现生产线的异常情况及定位到出现异常情况的具体位置。
因此，传统技术中存在对生产线状态的监测效率不高的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高对生产线状态的监测效率的生产线数据处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
一种生产线数据处理方法，包括：
获取目标生产线的生产状态实时数据；生产状态实时数据为采用边缘数据采集设备对目标生产线中的生产设备进行采集得到的；
按照当前所选择的生产线分析功能关联的至少一个数据分析项目对应的数据分析方式，对生产状态实时数据进行数据分析，得到各数据分析项目对应的生产线分析结果；
在生产线分析功能对应的实时分析功能报表中展示各生产线分析结果对应的可视化展示界面。
在其中一个实施例中，在数据分析项目为当班节拍的情况下，生产状态实时数据包括生产线节拍数据；按照当前所选择的生产线分析功能关联的至少一个数据分析项目对应的数据分析方式，对生产状态实时数据进行数据分析，得到各数据分析项目对应的生产线分析结果，包括：
基于生产线节拍数据在时间轴上的分布进行散点趋势拟合，得到散点趋势拟合结果；
获取生产线规划节拍，在散点趋势拟合结果表征生产线当前节拍正在增大且生产线当前节拍超出生产线规划节拍的情况下，输出第一预警信息，以获得生产线分析结果。
在其中一个实施例中，在数据分析项目为当班故障的情况下，生产状态实时数据包括生产线对应的运行状态时长数据；按照当前所选择的生产线分析功能关联的至少一个数据分析项目对应的数据分析方式，对生产状态实时数据进行数据分析，得到各数据分析项目对应的生产线分析结果，包括：
根据生产线对应的运行状态时长数据，确定生产线的故障状态与运行状态的占比信息；
在占比信息所表征的数值超过预设比例的情况下，输出第二预警信息，以获得生产线分析结果。
在其中一个实施例中，在数据分析项目为节拍墙的情况下，生产状态实时数据包括生产线中各生产工位对应的最新生产工件节拍数据；最新生产工件节拍数据为生产工位在生产工件时的预设数量的最新工件对应的节拍数据；按照当前所选择的生产线分析功能关联的至少一个数据分析项目对应的数据分析方式，对生产状态实时数据进行数据分析，得到各数据分析项目对应的生产线分析结果，包括：
在各生产工位对应的最新生产工件节拍数据中确定各生产工位对应的生产节拍和实际节拍；
获取各生产工位对应的规划节拍，根据各生产工位对应的生产节拍、实际节拍和规划节拍，生成目标柱状图；
在任一生产工位对应的实际节拍超出规划节拍的情况下，在目标柱状图中显示第三预警信息，以获得生产线分析结果。
在其中一个实施例中，在数据分析项目为生产动作实时时序的情况下，生产状态实时数据包括任一生产工位在生产工件时各生产动作对应的生产动作数据；按照当前所选择的生产线分析功能关联的至少一个数据分析项目对应的数据分析方式，对生产状态实时数据进行数据分析，得到各数据分析项目对应的生产线分析结果，包括：
对于生产线中的任一生产工位，根据生产工位在生产工件时各生产动作对应的生产动作数据，确定生产工位下各生产动作的动作时长占生产工位的全部生产动作时长的比例；
根据任一生产工位下各生产动作的动作时长占生产工位的全部生产动作时长的比例，生成生产工位对应的动态时序甘特图，以获得生产线分析结果。
在其中一个实施例中，方法还包括：
获取目标生产线中任一生产工位的生产设备对应的生产动作历史数据，根据生产设备对应的生产动作历史数据，构建针对生产设备的设备健康模型；
根据设备健康模型，确定针对生产设备的各生产动作的第一时长阈值和第二时长阈值；
根据生产设备的各生产动作的第一时长阈值和第二时长阈值，确定针对生产设备的各生产动作的正常时长数值区间和异常时长数值区间。
在其中一个实施例中，异常时长数值区间包括第一异常时长数值区间和第二异常时长数值区间；在数据分析项目为工位设备生产动作的情况下，生产状态实时数据包括各生产工位中生产设备对应的生产动作实时时长数据；按照当前所选择的生产线分析功能关联的至少一个数据分析项目对应的数据分析方式，对生产状态实时数据进行数据分析，得到各数据分析项目对应的生产线分析结果，包括：
对于任一生产工位中的生产设备，根据生产设备对应的生产动作实时时长数据，确定当前生产设备的各生产动作对应的时长；
对于任一生产设备的任一生产动作，在生产动作对应的时长在该生产动作对应的第一异常时长数值区间的情况下，输出针对生产动作的异常预警信息，以获得生产线分析结果；
对于任一生产工位下的任一生产动作，在生产动作对应的时长在该生产动作对应的第二异常时长数值区间的情况下，输出针对生产动作的异常报警信息，以获得生产线分析结果。
一种生产线数据处理装置，包括：
获取模块，用于获取目标生产线的生产状态实时数据；生产状态实时数据为采用边缘数据采集设备对目标生产线中的生产设备进行采集得到的；
分析模块，用于按照当前所选择的生产线分析功能关联的至少一个数据分析项目对应的数据分析方式，对生产状态实时数据进行数据分析，得到各数据分析项目对应的生产线分析结果；
展示模块，用于在生产线分析功能对应的实时分析功能报表中展示各生产线分析结果对应的可视化展示界面。
一种计算机设备，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的方法的步骤。
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的方法的步骤。
一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的方法的步骤。
上述生产线数据处理方法、装置、计算机设备、存储介质和计算机程序产品，通过获取目标生产线的生产状态实时数据；生产状态实时数据为采用边缘数据采集设备对目标生产线中的生产设备进行采集得到的；按照当前所选择的生产线分析功能关联的至少一个数据分析项目对应的数据分析方式，对生产状态实时数据进行数据分析，得到各数据分析项目对应的生产线分析结果；在生产线分析功能对应的实时分析功能报表中展示各生产线分析结果对应的可视化展示界面；如此，生产线的管理人员能够在生产线边缘对制造业车间在生产过程中的生产线数据进行有效采集和分析，并且，通过采用多种生产线分析功能及相应的数据分析项目对生产线数据进行多个维度的统计分析，并通过可视化的实时分析功能报表进行可视化展示，能够及时地发现生产线的异常情况及定位到出现异常情况的具体位置，提高了对生产线状态的监测效率。
附图说明
图1为一个实施例中一种生产线数据处理方法的流程示意图；
图2为一个实施例中一种实时分析功能报表的示意图；
图3为另一个实施例中一种实时分析功能报表的示意图；
图4为另一个实施例中一种实时分析功能报表的示意图；
图5为另一个实施例中一种实时分析功能报表的示意图；
图6为一个实施例中一种偏态、正态数据转换时对应的统计图；
图7为一个实施例中一种样例数据的示意图；
图8为一个实施例中一种频率分布图；
图9为一个实施例中另一种频率分布图；
图10为一个实施例中一种时长健康区间的示意图；
图11为一个实施例中一种生产线边缘数据处理系统的边缘端系统的架构图；
图12为一个实施例中一种云边端系统的功能框架图；
图13为一个实施例中一种传统方式的生产线HMI数据处理系统的架构图；
图14为一个实施例中一种传统方式的工厂信息化系统的架构图；
图15为一个实施例中一种生产线边缘数据处理系统的数据框架图；
图16另为一个实施例中一种生产线数据处理方法的流程示意图；
图17为一个实施例中一种生产线数据处理装置的结构框图；
图18为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是本公开的一些方面相一致的装置和方法的例子。
在一个实施例中，如图1所示，提供了一种生产线数据处理方法，以该方法应用于边缘服务器为例进行说明，包括以下步骤：
步骤S102，获取目标生产线的生产状态实时数据；生产状态实时数据为采用边缘数据采集设备对目标生产线中的生产设备进行采集得到的。
其中，目标生产线可以是制造业生产车间中的工件在生产过程所经过的路线，即从原料进入生产现场开始，经过加工、运送、装配、检验等一系列生产活动所构成的路线。
其中，生产状态实时数据可以是制造业生产车间中生产工件过程中的生产记录数据。
其中，边缘数据采集设备可以是具有在生产线的边缘进行实时数据采集、实时数据处理功能的自动化数据采集设备。
其中，生产设备可以是生产线中的任一用于生产工件的生产设备。
具体实现中，边缘服务器获取目标生产线的生产状态实时数据，其中，生产状态实时数据为边缘数据采集设备对目标生产线中的生产设备采集得到的。
步骤S104，按照当前所选择的生产线分析功能关联的至少一个数据分析项目对应的数据分析方式，对生产状态实时数据进行数据分析，得到各数据分析项目对应的生产线分析结果。
其中，生产线分析功能可以是生产线对应的生产信息分析功能、节拍信息分析功能、工位时序信息分析功能和超时分析功能。
其中，数据分析项目可以是任一生产线分析功能对应的分析项目。例如，在生产线分析功能为生产信息分析功能时，生产信息分析功能对应的数据分析项目可以是“当班产量”、“当班节拍”、“当班故障”等分析项目；在生产线分析功能为节拍信息分析功能时，节拍信息分析功能对应的数据分析项目可以是“当班节拍”、“节拍墙”等分析项目；在生产线分析功能为工位时序信息分析功能时，工位时序信息分析功能对应的数据分析项目可以是“实时时序”、“工位时序”、“工位时序对比”等分析项目；在生产线分析功能为超时分析功能时，超时分析功能对应的数据分析项目可以是“动作超时统计”、“动作次数分布”、“动作时长分布”等分析项目。
其中，数据分析方式可以是任一数据分析项目采用的数据分析方法。例如，在数据分析项目为当班故障时，所采用的数据分析方式可以是对当班故障时长和当班正常运动时长进行对比分析；在数据分析项目为节拍墙时，所采用的数据分析方式可以是对各个生产工位在当日的生产节拍、工艺节拍和规划节拍进行统计，并将统计分析生成的柱状图作为节拍墙的展示内容。
其中，生产线分析结果可以是对制造业生产车间中生产工件过程中实时产生的生产数据进行数据分析后得到的结果。
具体实现中，边缘服务器按照当前所选择的生产线分析功能关联的至少一个数据分析项目对应的数据分析方式，对生产状态实时数据进行数据分析，得到各数据分析项目对应的生产线分析结果。
步骤S106，在生产线分析功能对应的实时分析功能报表中展示各生产线分析结果对应的可视化展示界面。
其中，实时分析功能报表可以是基于生产线分析功能对应的各个数据分析项目生成的功能报表。例如，在生产线分析功能为生产信息分析功能时，实时分析功能报表可以是用于显示当班产量的分析图表、当班节拍的分析图表、当班故障的分析图表所组成的功能报表。
具体实现中，边缘服务器在生产线分析功能对应的实时分析功能报表中展示各生产线分析结果对应的可视化展示界面。
为了便于本领域技术人员的理解，图2示例性地提供了一种生产信息分析功能对应的实时分析功能报表的示意图，图3示例性地提供了一种节拍信息分析功能对应的实时分析功能报表的示意图，图4示例性地提供了一种工位时序信息分析功能对应的实时分析功能报表的示意图，图5示例性地提供了一种超时分析功能对应的实时分析功能报表的示意图。
其中，图2、3、4和5对应的实时分析功能报表中都包括可以用于显示生产线实时状态的“实时状态”显示模块，图2所示的生产信息分析功能关联的数据分析项目有“当班产量”、“当班节拍”、“当班故障”，图3所示的节拍信息分析功能关联的数据分析项目有“当班节拍”、“节拍墙”，图4所示的工位时序信息分析功能关联的数据分析项目有“实时时序”、“工位时序”和“工位时序对比”，图5所示的超时分析功能关联的数据分析项目有“工位超时动作查询”、“工位生产动作次数分布”、“工位生产动作时长分布”。如图2、3、4、5所示的各个实时分析功能报表对应于各个生产线分析功能，任一实时分析功能报表显示有相应的生产线分析功能关联各数据分析项目对应的生产线分析结果。
上述生产线数据处理方法中，通过获取目标生产线的生产状态实时数据；生产状态实时数据为采用边缘数据采集设备对目标生产线中的生产设备进行采集得到的；按照当前所选择的生产线分析功能关联的至少一个数据分析项目对应的数据分析方式，对生产状态实时数据进行数据分析，得到各数据分析项目对应的生产线分析结果；在生产线分析功能对应的实时分析功能报表中展示各生产线分析结果对应的可视化展示界面；如此，生产线的管理人员能够在生产线边缘对制造业车间在生产过程中的生产线数据进行有效采集和分析，并且，通过采用多种生产线分析功能及相应的数据分析项目对生产线数据进行多个维度的统计分析，并通过可视化的实时分析功能报表进行可视化展示，能够及时地发现生产线的异常情况及定位到出现异常情况的具体位置，提高了对生产线状态的监测效率。
在另一个实施例中，在数据分析项目为当班节拍的情况下，生产状态实时数据包括生产线节拍数据；按照当前所选择的生产线分析功能关联的至少一个数据分析项目对应的数据分析方式，对生产状态实时数据进行数据分析，得到各数据分析项目对应的生产线分析结果，包括：基于生产线节拍数据在时间轴上的分布进行散点趋势拟合，得到散点趋势拟合结果；获取生产线规划节拍，在散点趋势拟合结果表征生产线当前节拍正在增大且生产线当前节拍超出生产线规划节拍的情况下，输出第一预警信息，以获得生产线分析结果。
其中，生产线节拍数据包括当班各个小时对应的生产线当前节拍、生产线规划节拍等数据。
其中，生产线规划节拍为针对生产线设置的规划节拍，基于生产线规划节拍可以确定生产线当前节拍是否偏离正常，以进行生产监控。
其中，生产线当前节拍为生产线当前的节拍数。
其中，第一预警信息可以是在统计分析图表中显示的高亮闪烁符号。
具体实现中，边缘服务器获取生产线节拍数据在时间轴上的记录分布，边缘服务器采用回归算法对生产线节拍数据在时间轴上的散点趋势进行拟合，得到散点趋势拟合结果，边缘服务器获取生产线规划节拍，并将生产线规划节拍与散点趋势拟合结果进行对比，边缘服务器在散点趋势拟合结果表征生产线当前节拍正在增大且生产线当前节拍超出生产线规划节拍一定比例的情况下，输出第一预警信息，以获得生产线分析结果。
图2所示的生产信息分析功能对应的实时分析功能报表中的“当班节拍”模块所显示的内容即是基于本实施例的技术方案所生成的可视化内容，“当班节拍”模块显示了当班各个小时生产线对应的生产节拍和规划节拍，在生产节拍超过规划节拍(对应于“当班节拍”模块中显示的横虚线)的情况下，“当班节拍”模块将会显示预警信号，例如，显示高亮。
本实施例的技术方案，通过基于生产线节拍数据在时间轴上的分布进行散点趋势拟合，得到散点趋势拟合结果；获取生产线规划节拍，在散点趋势拟合结果表征生产线当前节拍正在增大且生产线当前节拍超出生产线规划节拍的情况下，输出第一预警信息，以获得生产线分析结果；如此，能够在监控到生产线节拍由上升趋势且超出生产线规划节拍一定比例时进行提前预警，实现了对生产线的生产线节拍的有效监控。
在另一个实施例中，在数据分析项目为当班故障的情况下，生产状态实时数据包括生产线对应的运行状态时长数据；按照当前所选择的生产线分析功能关联的至少一个数据分析项目对应的数据分析方式，对生产状态实时数据进行数据分析，得到各数据分析项目对应的生产线分析结果，包括：根据生产线对应的运行状态时长数据，确定生产线的故障状态与运行状态的占比信息；在占比信息所表征的数值超过预设比例的情况下，输出第二预警信息，以获得生产线分析结果。
其中，运行状态时长数据可以是生产线在当班各个小时的故障时长数据和运行时长数据。
其中，占比信息可以是故障状态和运行状态的占比。
其中，第二预警信息可以是在统计分析图表中显示的高亮闪烁符号。
具体实现中，边缘服务器根据生产线在当班各个小时的故障时长数据和运行时长数据，确定生产线的故障状态与运行状态的占比，边缘服务器在占比超过预设比例的情况下，输出第二预警信息，以获得生产线分析结果。
图2所示的生产信息分析功能对应的实时分析功能报表中的“当班故障”模块所显示的内容即是基于本实施例的技术方案所生成的可视化内容，“当班故障”模块显示了当班各个小时生产线对应的故障状态时间和运行状态时间，在产线停线比例过高时，“当班故障”模块会显示预警信号，例如，显示高亮。
另外，图2所示的“当班产量”模块可以显示生产线每个小时的产量及新增产量。
本实施例的技术方案，通过根据生产线对应的运行状态时长数据，确定生产线的故障状态与运行状态的占比信息；在占比信息所表征的数值超过预设比例的情况下，输出第二预警信息，以获得生产线分析结果；如此，能够在生产线的停线比例过高时进行提前预警，实现了对生产线的整体运行状况的有效监控。
在另一个实施例中，在数据分析项目为节拍墙的情况下，生产状态实时数据包括生产线中各生产工位对应的最新生产工件节拍数据；最新生产工件节拍数据为生产工位在生产工件时的预设数量的最新工件对应的节拍数据；按照当前所选择的生产线分析功能关联的至少一个数据分析项目对应的数据分析方式，对生产状态实时数据进行数据分析，得到各数据分析项目对应的生产线分析结果，包括：在各生产工位对应的最新生产工件节拍数据中确定各生产工位对应的生产节拍和实际节拍；获取各生产工位对应的规划节拍，根据各生产工位对应的生产节拍、实际节拍和规划节拍，生成目标柱状图；在任一生产工位对应的实际节拍超出规划节拍的情况下，在目标柱状图中显示第三预警信息，以获得生产线分析结果。
其中，节拍墙可以是展示有过去一段时间某生产线内各工位的各类型节拍的节拍平均值的显示界面。
其中，生产工位可以是制造业生产车间中生产工件的工位。实际应用中，生产工位可以是工位MB010、工位MB020、工位MB030。
其中，最新生产工件节拍数据可以是生产工位的最新的预设数量的工件的节拍数据。例如，最新生产工件节拍数据可以是生产工位的最新的12个工件的节拍数据。
其中，生产节拍可以是生产工位中首动作到首动作的时长。
其中，实际节拍可以是生产工位中首动作到末动作的时长。
其中，规划节拍可以是针对生产工位设置的规划节拍，基于规划节拍可以更好地对生产工位在生产工件时的生产动作进行监控。
其中，目标柱状图可以是由各生产工位的节拍数据统计而得到的柱状图。
其中，第三预警信息可以是在可视化界面显示的高亮标识。
具体实现中，边缘服务器在各生产工位对应的最新生产工件节拍数据中确定各生产工位对应的生产节拍和实际节拍，边缘服务器获取各生产工位对应的规划节拍，再根据各生产工位对应的生产节拍、实际节拍和规划节拍，生产目标柱状图，边缘服务器在任一生产工位对应的实际节拍超出规划节拍的情况下，在目标柱状图中进行高亮显示，以获得生产线分析结果。
图3所示节拍信息分析功能对应的实时分析功能报表中的“节拍墙”模块所显示的内容即是基于本实施例的技术方案所生成的可视化内容，“节拍墙”模块通过柱状图的形式显示了各个生产工位在当日的生产节拍、工艺节拍，并通过虚线显示规划节拍，在确定任一生产工位的实际节拍超过规划节拍的情况下，“节拍墙”模块将会显示预警信号，例如，显示高亮。另外，图3所示的“当班节拍”模块所显示的内容是各个生产工位生产各个工件所对应的当班节拍，实际应用中，“当班节拍”模块还可以由显示各个生产工位生产各个工件所对应的“当班节拍”切换为显示各个生产工位生产各个工件所对应的“生产节拍”。
本实施例的技术方案，通过在各生产工位对应的最新生产工件节拍数据中确定各生产工位对应的生产节拍和实际节拍；获取各生产工位对应的规划节拍，根据各生产工位对应的生产节拍、实际节拍和规划节拍，生成目标柱状图；在任一生产工位对应的实际节拍超出规划节拍的情况下，在目标柱状图中显示第三预警信息，以获得生产线分析结果；如此，能够通过生产节拍和规划节拍的对比确定生产线实际生产与规划生产之间的偏差程度，同时，还能够在实际节拍超出规划节拍的情况下，进行提前预警，实现了对生产线的生产节拍的有效监控。
在另一个实施例中，在数据分析项目为生产动作实时时序的情况下，生产状态实时数据包括任一生产工位在生产工件时各生产动作对应的生产动作数据；按照当前所选择的生产线分析功能关联的至少一个数据分析项目对应的数据分析方式，对生产状态实时数据进行数据分析，得到各数据分析项目对应的生产线分析结果，包括：对于生产线中的任一生产工位，根据生产工位在生产工件时各生产动作对应的生产动作数据，确定生产工位下各生产动作的动作时长占生产工位的全部生产动作时长的比例；根据任一生产工位下各生产动作的动作时长占生产工位的全部生产动作时长的比例，生成生产工位对应的动态时序甘特图，以获得生产线分析结果。
其中，生产动作实时时序可以是任一生产工位对应的所有工序工步的时序。
其中，生产动作可以是生产工位在生产工件时对应的生产动作，例如，生产动作可以是生产工位MB030对应的滑橇进入动作、夹具1A1夹紧动作、夹具1A2夹紧动作、夹具1A5夹紧动作。
其中，生产动作数据可以是各个生产工位对应的所有生产动作对应的时序数据。
具体实现中，对于生产线中的任一生产工位，边缘服务器根据生产工位在生产工件时各生产动作对应的生产动作数据，确定该生产工位下各个生产动作的动作时长占该生产工位的全部生产动作时长的比例，边缘服务器再根据该生产工位下各个生产动作的动作时长占该生产工位的全部生产动作时长的比例，生成该生产工位对应的动态时序甘特图，如此，边缘服务器获得各个生产工位对应的动态时序甘特图，以获得生产线分析结果。
图4所示的工位时序信息分析功能对应的实时分析功能报表中的“实时时序”模块所显示的内容即是基于本实施例的技术方案所生成的可视化内容，“实时时序”模块显示了生产工位对应的动态时序甘特图，通过动态时序甘特图对生产工位内的所有工序工步进行远程监控，能够通过动态时序甘特图中的不同颜色实时对比各个工步与基准值的差异，同时，“实时时序”模块支持对历史某一段时间窗的工序工步进行数字化监控。另外，图4的“工位时序”模块可以显示对生产工位的每一个CYCLE进行数字化建模后得到的数字化工位时序模型，还原生产工位内各工步的时长和时间戳，实际应用中，通过“工位时序”模块，能够分析工步与工步之间的等待、同步性、一致性、平衡性和连续性，能够对生产工艺进行更细粒度的分析。图4的“工位时序对比”模块可以显示同一生产工位对应的不同CYCLE的数字化工位时序模型，有利于快速直观暴露生产工位的变化点。
本实施例的技术方案，通过对于生产线中的任一生产工位，根据生产工位在生产工件时各生产动作对应的生产动作数据，确定生产工位下各生产动作的动作时长占生产工位的全部生产动作时长的比例；根据任一生产工位下各生产动作的动作时长占生产工位的全部生产动作时长的比例，生成生产工位对应的动态时序甘特图，以获得生产线分析结果；如此，能够通过动态时序甘特图中的不同颜色远程实时监控生产工位内所有工序工步，并将各工步和基准值进行对比，能够实现对生产线中各个生产工位的工序工步进行实时监控。
在另一个实施例中，方法还包括：获取目标生产线中任一生产工位的生产设备对应的生产动作历史数据，根据生产设备对应的生产动作历史数据，构建针对生产设备的设备健康模型；根据设备健康模型，确定针对生产设备的各生产动作的第一时长阈值和第二时长阈值；根据生产设备的各生产动作的第一时长阈值和第二时长阈值，确定针对生产设备的各生产动作的正常时长数值区间和异常时长数值区间。
其中，生产动作历史数据可以是生产设备的各个生产动作对应的生产时长历史数据。
其中，设备健康模型可以是基于偏态分布模型构建的用于确定生产设备是否出现异常的模型。
实际应用中，对于任一生产工位中的生产设备，需要获取大量的该生产工位中的生产设备的历史生产动作时序数据和该生产工位的历史节拍数据，进而对该生产设备的每一个生产动作构建一个偏态分布模型，将该生产设备的每一个生产动作对应的偏态分布模型作为该生产身边的设备健康模型。
其中，第一时长阈值和第二时长阈值可以是基于生产动作对应的偏态分布模型确定的，例如，第一时长阈值可以是偏态分布模型对应的方差值，第二时长阈值可以是偏态分布模型对应的方差值的两倍。
其中，正常时长数值区间可以是用于确定生产动作的时长是否为正常时长的数值区间。
其中，异常时长数值区间可以是用于确定生产动作的时长是否为异常时长的数值区间。
实际应用中，在对一个生产工位中的生产设备进行实时分析时，需要基于该生产设备的各个生产动作的偏态分布模型，确定各个生产动作的时长对应的期望值和方差，基于1倍方差确定该生产动作的时长对应的时长健康区间、基于2倍方差确定该生产动作的时长对应的时长异常区间。
具体实现中，边缘服务器获取目标生产线中任一生产工位的生产设备对应的生产动作历史数据，以确定生产设备的各个生产动作对应的生产时长历史数据，边缘服务器根据生产设备的各个生产动作对应的生产时长历史数据，构建针对生产设备的设备健康模型，即构建了针对该生产设备的各个生产动作对应的偏态分布模型，边缘服务器该生产设备的各个生产动作对应的偏态分布模型，确定针对生产设备的各生产动作的第一时长阈值和第二时长阈值，边缘服务器根据生产设备的各生产动作的第一时长阈值和第二时长阈值，确定针对生产设备的各生产动作的正常时长数值区间和异常时长数值区间。
实际应用中，在对一个生产设备的生产动作进行分析时，若基于该生产动作的偏态分布模型确定该生产动作对应的期望值为a，方差为b的情况下，将[a-b,a+b]作为该生产动作的时长对应的正常时长数值区间；将除[a-b,a+b]区间外的区间作为该生产动作的时长对应的异常时长数值区间。
上述在构建针对生产动作的偏态分布模型时，还需要进行正态性校验。首先需要基于Q-Q图(Quantile-Quantile Plot，一种概率图)以及Shapiro–Wilk正态性检验对偏态数据进行预处理，在偏态数据不满足正态性要求的情况下，通过box-cox算法(一种广义幂变换方法)进行偏态和正态的处理与转换。box-cox算法对应的转换方式为：
实际应用中，基于Q-Q图(Quantile-Quantile Plot，一种概率图)以及Shapiro–Wilk正态性检验对偏态数据(对应的数据直方图如图6中的(a)所示)进行预处理，得到的处理结果如图6(b)所示，对应的shapiro统计量数值为0.8050165176391602，P值为4.857576121139558e-33，可以确定不满足正态性要求，故进行数据转换(得到的转换后数据的直方图如图6中的(c)所示)，得到的处理结果如图6(d)所示，对应的shapiro统计量数值为0.9980031251907349，P值为0.28393447399139404，可以确定满足正态性要求。
下述示例性地提供了一种偏态、正态的转换方法，图7还示例性一种样例数据的示意图，该转换方法的具体步骤为：
步骤1：获取2000条数据，并绘制频率分布图，如图8所示；
步骤2：对数据采用Box-Cox算法进行转换，转换得到的结果如图9所示；
步骤3：基于图9，确定转换后的数据明显趋于正态分布，则使用python的numpy库的函数计算转换后的正态分布对应的均值为0.11799675733706355和标准6.161068983382383e-11；
步骤4：根据正态分布的均值和标准差，使用python中Box-Cox的反转函数inv_boxcox求出原始数据的均值11.019852177164827和健康区间[10.631966272759524,11.60470253811232]，图10示例性地提供了一种健康区间的示意图。
本实施例的技术方案，通过获取目标生产线中任一生产工位的生产设备对应的生产动作历史数据，根据生产设备对应的生产动作历史数据，构建针对生产设备的设备健康模型；根据设备健康模型，确定针对生产设备的各生产动作的第一时长阈值和第二时长阈值；根据生产设备的各生产动作的第一时长阈值和第二时长阈值，确定针对生产设备的各生产动作的正常时长数值区间和异常时长数值区间；如此，能够基于各个生产设备的生产动作历史数据，为每个生产设备都构建一个设备健康模型，并为每个生产设备的每个生产动作划定正常时长数值区间和异常时长数值区间，有利于在后续对生产设备的各个生产动作的实时生产时长进行快速监控，使得能够及时而精准地确定生产设备在生产工件过程中各个生产动作的异常。
在另一个实施例中，异常时长数值区间包括第一异常时长数值区间和第二异常时长数值区间；在数据分析项目为工位设备生产动作的情况下，生产状态实时数据包括各生产工位中生产设备对应的生产动作实时时长数据；按照当前所选择的生产线分析功能关联的至少一个数据分析项目对应的数据分析方式，对生产状态实时数据进行数据分析，得到各数据分析项目对应的生产线分析结果，包括：对于任一生产工位中的生产设备，根据生产设备对应的生产动作实时时长数据，确定当前生产设备的各生产动作对应的时长；对于任一生产设备的任一生产动作，在生产动作对应的时长在该生产动作对应的第一异常时长数值区间的情况下，输出针对生产动作的异常预警信息，以获得生产线分析结果；对于任一生产工位下的任一生产动作，在生产动作对应的时长在该生产动作对应的第二异常时长数值区间的情况下，输出针对生产动作的异常报警信息，以获得生产线分析结果。
其中，第一异常时长数值区间和第二异常时长数值区间可以是对异常时长数值区间进行进一步划分后得到的区间。
例如，将该生产动作时长对应的异常时长数值区间进行划分，将[a-2b,a-b]、[a+b,a+2b]的区间作为该生产动作时长对应的第一异常时长数值区间；将除[a-2b,a+2b]之外的区间作为该生产动作时长对应的第二异常时长数值区间。
其中，生产动作实时时长数据可以是生产动作对应的实时时长。
其中，异常预警信息可以是在可视化界面显示的高亮标识。
其中，异常报警信息可以是在向生产线管理系统发出的警示声音。
具体实现中，对于任一生产工位中的生产设备，边缘服务器根据生产设备对应的生产动作实时时长数据，确定当前生产设备的各生产动作对应的时长，对于任一生产设备的任一生产动作，边缘服务器确定该生产动作对应的时长在该生产动作对应的第一异常时长数值区间的情况下，输出针对生产动作的异常预警信息，边缘服务器确定该生产动作对应的时长在该生产动作对应的第二异常时长数值区间的情况下，输出针对生产动作的异常报警信息，以获得生产线分析结果。
实际应用中，可将[a-b,a+b]作为该生产动作的时长对应的健康区间、将[a-2b,a-b]、[a+b,a+2b]的区间作为该生产动作的时长对应的亚健康区间，将除[a-b,a+b]、[a-2b,a-b]、[a+b,a+2b]之外的区间作为该生产动作的时长对应的异常区间。在该生产动作对应的实时时长处于亚健康区间时，边缘服务器将会发出预警信息，在该生产动作对应的实时时长处于异常区间时，边缘服务器将会发出报警信息。
本实施例的技术方案，通过对于任一生产工位中的生产设备，根据生产设备对应的生产动作实时时长数据，确定当前生产设备的各生产动作对应的时长；对于任一生产设备的任一生产动作，在生产动作对应的时长在该生产动作对应的第一异常时长数值区间的情况下，输出针对生产动作的异常预警信息，以获得生产线分析结果；对于任一生产工位下的任一生产动作，在生产动作对应的时长在该生产动作对应的第二异常时长数值区间的情况下，输出针对生产动作的异常报警信息，以获得生产线分析结果；如此，能够对每一个生产设备的每一个生产动作进行监控，从而实现了在及时地发现生产设备的异常的同时，精准地定位到生产设备中发生异常的生产动作，并输出不同的异常提示信息提示用户端异常情况的严重程度，提高了对生产线异常事件的响应速度。
在另一个实施例中，在数据分析项目为生产动作次数分布或生产动作时长分布的情况下，生产状态实时数据包括任一生产工位在生产工件时各生产动作对应的生产动作数据；按照当前所选择的生产线分析功能关联的至少一个数据分析项目对应的数据分析方式，对生产状态实时数据进行数据分析，得到各数据分析项目对应的生产线分析结果，包括：对于生产线中的任一生产工位，根据生产工位在生产工件时各生产动作对应的超时数据，在各生产动作中确定目标生产动作；目标生产动作对应的超时时长大于预设时长或超时次数大于预设次数；根据目标生产动作的生产动作时长在时间轴上的分布信息，构建针对目标生产动作的回归模型；回归模型用于预测目标生产动作的生产动作时长在未来时刻的变化趋势；将回归模型的输出结果作为生产线分析结果。
其中，生产动作次数分布可以是生产动作次数对应的分布情况。
其中，生产动作时长分布可以是生产动作时长在时间轴上的分布情况。
其中，超时数据可以是生产动作的超时时长或超时次数。
其中，目标生产动作可以是被判定为不稳定的生产动作。
其中，超时时长可以是生产动作超过正常时长的时长。
其中，超时次数可以是生产动作超时的累计次数。
具体实现中，对于生产线中的任一生产工位，边缘服务器根据该生产工位在生产工件时各个生产动作对应的超时数据，定位超时时长大于预设时长或超时次数大于预设次数的生产动作，作为不稳定生产动作，即目标生产动作，边缘服务器再根据不稳定生产动作的动作时长在时间轴上的分布信息，构建针对不稳定生产动作的回归模型，以预测不稳定动作的生产动作时长在未来时刻的变化趋势，如此，边缘服务器获得各个生产工位对应的不稳定动作在未来时刻的变化趋势，边缘服务器再将回归模型的输出结果作为生产线分析结果。
图5所示的超时分析功能对应的实时分析功能报表所显示的内容即是基于本实施例的技术方案所生成的可视化内容，其中，“工位超时动作查询”模块显示任一生产工位中各个动作对应的超时累计时间和超时次数，“工位生产动作次数分布”模块显示任一生产工位中任一生产动作对应的超时动作时长和正常动作时长，“工位生产动作时长分布”模块显示任一生产工位中任一生产动作对应的动作时长分布。
实际应用中，可以通过“工位超时动作查询”模块定位超时时长或超时次数最高的生产动作，并将该生产动作确定为不稳定动作，并在实时分析功能报表中对该不稳定动作进行点击，再通过“工位生产动作时长分布”模块显示该不稳定动作的历史动作时长在时间轴上的分布，并基于该不稳定动作的历史动作时长在时间轴上的分布，构建回归模型，以预测生产动作发展趋势，并可以与规划值或健康值进行对比，能够预判动作异常，实现预防性维护。
本实施例的技术方案，通过对于生产线中的任一生产工位，根据生产工位在生产工件时各生产动作对应的超时数据，在各生产动作中确定目标生产动作；目标生产动作对应的超时时长大于预设时长或超时次数大于预设次数；根据目标生产动作的生产动作时长在时间轴上的分布信息，构建针对目标生产动作的回归模型；回归模型用于预测目标生产动作的生产动作时长在未来时刻的变化趋势；将回归模型的输出结果作为生产线分析结果；如此，能够预测各个生产动作的发展趋势，能够预判生产动作的异常，实现对生产线的预防性维护。
在另一个实施例中，方法还包括：根据目标生产动作的超时次数的分布信息，构建针对目标生产动作的偏态分布模型；偏态分布模型用于确定目标生产动作发生异常的次数波动情况；将偏态分布模型的输出结果作为生产线分析结果。
具体实现中，边缘服务器根据目标生产动作的超时次数的分布信息，构建针对目标生产动作的偏态分布模型，以确定目标生产动作发生异常的次数波动情况，边缘服务器再将偏态分布模型的输出结果作为生产线分析结果。
实际应用中，可以通过图5所示的“工位超时动作查询”模块定位超时时长或超时次数最高的生产动作，并将该生产动作确定为不稳定动作，并在实时分析功能报表中对该不稳定动作进行点击，再通过“工位生产动作次数分布”模块显示该不稳定动作的次数分布，并基于该不稳定动作的次数分布计算偏态分布模型，进而及时期望和标准差，以确定波动情况。
本实施例的技术方案，通过根据目标生产动作的超时次数的分布信息，构建针对目标生产动作的偏态分布模型；偏态分布模型用于确定目标生产动作发生异常的次数波动情况；将偏态分布模型的输出结果作为生产线分析结果；如此，能够预测不稳定生产动作的波动情况，有利于实现对生产线的预防性维护。
实际应用中，本申请的生产线数据处理方法可应用于生产线边缘数据处理系统中，图11示例性地提供了一种生产线边缘数据处理系统的边缘端系统的架构图，该边缘端系统对应于图12对应的“云边端”功能框架中的“边”部分，该边缘端系统中的边缘服务器对应于本申请的边缘服务器；图13示例性地提供了一种传统方式的生产线HMI数据处理系统的架构图；图14示例性地提供了一种传统方式的工厂信息化系统的架构图；图15示例性地提供了一种生产线边缘数据处理系统的数据框架图。
图11所示的生产线边缘数据处理系统边缘端系统，系统中的PLC(ProgrammableLogic Controller，简称PLC，可编程控制器)基于工控设备特有协议对生产线中各工控设备进行高速数采，系统中的数据采集装置通过以太网获取PLC中的生产状态实时数据，系统中的边缘服务器通过以太网获取系统中的数据采集装置中的生产状态实时数据并进行实时分析，得到实时分析结果，系统中的显示屏通过HDMI(High Definition MultimediaInterface，一种数字化视频/音频接口技术)接口对系统中的边缘服务器的实时分析结果进行显示，用户在系统中的显示屏对生产线现场的生产线设备进行操作。图11所示的生产线边缘数据处理系统边缘端系统能够使现场人员能够对显示屏进行操作，无需接入生产线的工厂网络或办公网络，只需接入生产线现场的信息网络即可实现通讯。
图13所示的传统方式的生产线HMI数据处理系统，系统中的PLC基于工控设备特有协议对生产线中各工控设备进行高速数采，系统中的WINCC(Windows Control Center，视窗控制中心)服务器通过以太网获取PLC采集到的数据，并对采集到的数据进行显示，用户在WINCC服务器中对生产线现场的生产线设备进行操作。图13所示的传统方式的生产线HMI数据处理系统，采用的是一体机式的服务器，性能普通，无法进行大数据量的解析和处理；并且，HMI触摸屏使更偏向控制；同时，HMI基于传统JS、.NET的架构开发，开放性差，功能单一，拓展性较差。而图所示的本申请的生产线边缘数据处理系统能够解决传统方式的生产线HMI数据处理系统存在的问题，本申请的系统框架采用开源IT架构构建，使用的.NETJavascript的架构有较强的开放性和拓展性；并且，本申请的系统对硬件要求极低，系统轻量，可在满足最小配置的任意系统和平台进行快速部署。
图14所示的传统方式的工厂信息化系统，系统中的交换机通过生产线的工厂网络获取多个PLC采集到的数据，系统中的ERP(Enterprise Resource Planning，一套面向企业流程管理的系统)\MES(Manufacturing Execution System，制造执行系统，面向车间生产的管理系统)\PLM(Product Lifecycle Management，产品生命周期管理)服务器通过工厂核心网获取数据，用户通过系统中的堡垒机远程访问ERP\MES\PLM服务器。图14所示的传统方式的工厂信息化系统，通过将所有终端设备终端在统一终端服务器进行解析和处理，用户只能在办公室或中控室等接入工厂网络的设备才能访问到工厂信息化系统；并且，该系统需要1-2年的部署周期；同时，该系统主要关注车间级生产流程相关的管理。并未对产线级、工位级、设备级数据进行有效采集和分析。而本申请的生产线边缘数据处理系统能够解决传统方式的工厂信息化系统存在的问题，本申请的系统轻量，能够实现快速部署，不同于传统方式的工厂信息化系统需要1-2年的部署周期；并且，本申请的生产线边缘数据处理系统较传统信息化系统进行轻量化改造，不需要服务器，可直接在现场电控柜内小型工控机内安装；同时，本申请的生产线边缘数据处理系统能够对产线级、工位级、设备级数据进行有效采集和分析，在制造业生产线各工作组位置有人机交互触摸屏，功能主要是进行设备控制和生产监控，具备简单的数据追溯和分析能力。
图15所示的生产线边缘数据处理系统中的数据采集装置进行数据采集后，将采集得到的数据发送至数据码头(数据库)，再将数据码头(数据库)中的数据发送至Kafka消息系统，Kafka消息系统再将接收到的数据存储至边缘服务器中的时序数据库、关系数据库和缓存数据库，从而使边缘服务器能够调用时序数据库、关系数据库和缓存数据库进行实时数据分析，并在与边缘服务器相连接的Web界面进行数据可视化展示。
在另一个实施例中，如图16所示，提供了一种生产线数据处理方法，以该方法应用边缘服务器进行说明，包括以下步骤：
步骤S1602，获取目标生产线的生产状态实时数据；生产状态实时数据为采用边缘数据采集设备对目标生产线中的生产设备进行采集得到的；在数据分析项目为当班故障的情况下，生产状态实时数据包括生产线对应的运行状态时长数据。
步骤S1604，根据生产线对应的运行状态时长数据，确定生产线的故障状态与运行状态的占比信息。
步骤S1606，在占比信息所表征的数值超过预设比例的情况下，输出第二预警信息，以获得生产线分析结果。
步骤S1608，在生产线分析功能对应的实时分析功能报表中展示各生产线分析结果对应的可视化展示界面。
需要说明的是，上述步骤的具体限定可以参见上文对一种生产线数据处理方法的具体限定。
应该理解的是，虽然如上所述的各实施例所涉及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，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的生产线数据处理方法的生产线数据处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个生产线数据处理装置实施例中的具体限定可以参见上文中对于生产线数据处理方法的限定，在此不再赘述。
在一个实施例中，如图17所示，提供了一种生产线数据处理装置，包括：
获取模块1702，用于获取目标生产线的生产状态实时数据；生产状态实时数据为采用边缘数据采集设备对目标生产线中的生产设备进行采集得到的；
分析模块1704，用于按照当前所选择的生产线分析功能关联的至少一个数据分析项目对应的数据分析方式，对生产状态实时数据进行数据分析，得到各数据分析项目对应的生产线分析结果；
展示模块1706，用于在生产线分析功能对应的实时分析功能报表中展示各生产线分析结果对应的可视化展示界面。
在其中一个实施例中，在数据分析项目为当班节拍的情况下，生产状态实时数据包括生产线节拍数据；所述分析模1704，具体用于基于生产线节拍数据在时间轴上的分布进行散点趋势拟合，得到散点趋势拟合结果；获取生产线规划节拍，在散点趋势拟合结果表征生产线当前节拍正在增大且生产线当前节拍超出生产线规划节拍的情况下，输出第一预警信息，以获得生产线分析结果。
在其中一个实施例中，在数据分析项目为当班故障的情况下，生产状态实时数据包括生产线对应的运行状态时长数据；所述分析模块1704，具体用于根据生产线对应的运行状态时长数据，确定生产线的故障状态与运行状态的占比信息；在占比信息所表征的数值超过预设比例的情况下，输出第二预警信息，以获得生产线分析结果。
在其中一个实施例中，在数据分析项目为节拍墙的情况下，生产状态实时数据包括生产线中各生产工位对应的最新生产工件节拍数据；最新生产工件节拍数据为生产工位在生产工件时的预设数量的最新工件对应的节拍数据；所述分析模块1704，具体用于在各生产工位对应的最新生产工件节拍数据中确定各生产工位对应的生产节拍和实际节拍；获取各生产工位对应的规划节拍，根据各生产工位对应的生产节拍、实际节拍和规划节拍，生成目标柱状图；在任一生产工位对应的实际节拍超出规划节拍的情况下，在目标柱状图中显示第三预警信息，以获得生产线分析结果。
在其中一个实施例中，在数据分析项目为生产动作实时时序的情况下，生产状态实时数据包括任一生产工位在生产工件时各生产动作对应的生产动作数据；所述分析模块1704，具体用于实时数据进行数据分析，得到各数据分析项目对应的生产线分析结果，包括：对于生产线中的任一生产工位，根据生产工位在生产工件时各生产动作对应的生产动作数据，确定生产工位下各生产动作的动作时长占生产工位的全部生产动作时长的比例；根据任一生产工位下各生产动作的动作时长占生产工位的全部生产动作时长的比例，生成生产工位对应的动态时序甘特图，以获得生产线分析结果。
在其中一个实施例中，所述装置还包括：确定模块，用于获取目标生产线中任一生产工位的生产设备对应的生产动作历史数据，根据生产设备对应的生产动作历史数据，构建针对生产设备的设备健康模型；根据设备健康模型，确定针对生产设备的各生产动作的第一时长阈值和第二时长阈值；根据生产设备的各生产动作的第一时长阈值和第二时长阈值，确定针对生产设备的各生产动作的正常时长数值区间和异常时长数值区间。
在其中一个实施例中，异常时长数值区间包括第一异常时长数值区间和第二异常时长数值区间；在数据分析项目为工位设备生产动作的情况下，生产状态实时数据包括各生产工位中生产设备对应的生产动作实时时长数据；所述确定模块，具体用于对于任一生产工位中的生产设备，根据生产设备对应的生产动作实时时长数据，确定当前生产设备的各生产动作对应的时长；对于任一生产设备的任一生产动作，在生产动作对应的时长在该生产动作对应的第一异常时长数值区间的情况下，输出针对生产动作的异常预警信息，以获得生产线分析结果；对于任一生产工位下的任一生产动作，在生产动作对应的时长在该生产动作对应的第二异常时长数值区间的情况下，输出针对生产动作的异常报警信息，以获得生产线分析结果。
上述生产线数据处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图18所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储生产线数据处理数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种生产线数据处理方法。
本领域技术人员可以理解，图18中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述一种生产线数据处理方法的步骤。此处一种生产线数据处理方法的步骤可以是上述各个实施例的一种生产线数据处理方法中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述一种生产线数据处理方法的步骤。此处一种生产线数据处理方法的步骤可以是上述各个实施例的一种生产线数据处理方法中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时，使得处理器执行上述一种生产线数据处理方法的步骤。此处一种生产线数据处理方法的步骤可以是上述各个实施例的一种生产线数据处理方法中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，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、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上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申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (11)
1.一种生产线数据处理方法，其特征在于，所述方法包括：
获取目标生产线的生产状态实时数据；所述生产状态实时数据为采用边缘数据采集设备对所述目标生产线中的生产设备进行采集得到的；
按照当前所选择的生产线分析功能关联的至少一个数据分析项目对应的数据分析方式，对所述生产状态实时数据进行数据分析，得到各所述数据分析项目对应的生产线分析结果；
在所述生产线分析功能对应的实时分析功能报表中展示各所述生产线分析结果对应的可视化展示界面。
2.根据权利要求1所述的方法，其特征在于，在所述数据分析项目为当班节拍的情况下，所述生产状态实时数据包括生产线节拍数据；所述按照当前所选择的生产线分析功能关联的至少一个数据分析项目对应的数据分析方式，对所述生产状态实时数据进行数据分析，得到各所述数据分析项目对应的生产线分析结果，包括：
基于所述生产线节拍数据在时间轴上的分布进行散点趋势拟合，得到散点趋势拟合结果；
获取生产线规划节拍，在所述散点趋势拟合结果表征生产线当前节拍正在增大且所述生产线当前节拍超出所述生产线规划节拍的情况下，输出第一预警信息，以获得所述生产线分析结果。
3.根据权利要求1所述的方法，其特征在于，在所述数据分析项目为当班故障的情况下，所述生产状态实时数据包括所述生产线对应的运行状态时长数据；所述按照当前所选择的生产线分析功能关联的至少一个数据分析项目对应的数据分析方式，对所述生产状态实时数据进行数据分析，得到各所述数据分析项目对应的生产线分析结果，包括：
根据所述生产线对应的运行状态时长数据，确定所述生产线的故障状态与运行状态的占比信息；
在所述占比信息所表征的数值超过预设比例的情况下，输出第二预警信息，以获得所述生产线分析结果。
4.根据权利要求1所述的方法，其特征在于，在所述数据分析项目为节拍墙的情况下，所述生产状态实时数据包括所述生产线中各生产工位对应的最新生产工件节拍数据；所述最新生产工件节拍数据为所述生产工位在生产工件时的预设数量的最新工件对应的节拍数据；所述按照当前所选择的生产线分析功能关联的至少一个数据分析项目对应的数据分析方式，对所述生产状态实时数据进行数据分析，得到各所述数据分析项目对应的生产线分析结果，包括：
在各所述生产工位对应的最新生产工件节拍数据中确定各所述生产工位对应的生产节拍和实际节拍；
获取各所述生产工位对应的规划节拍，根据各所述生产工位对应的生产节拍、实际节拍和规划节拍，生成目标柱状图；
在任一所述生产工位对应的实际节拍超出所述规划节拍的情况下，在所述目标柱状图中显示第三预警信息，以获得所述生产线分析结果。
5.根据权利要求1所述的方法，其特征在于，在所述数据分析项目为生产动作实时时序的情况下，所述生产状态实时数据包括任一生产工位在生产工件时各生产动作对应的生产动作数据；所述按照当前所选择的生产线分析功能关联的至少一个数据分析项目对应的数据分析方式，对所述生产状态实时数据进行数据分析，得到各所述数据分析项目对应的生产线分析结果，包括：
对于所述生产线中的任一所述生产工位，根据所述生产工位在生产工件时各所述生产动作对应的生产动作数据，确定所述生产工位下各所述生产动作的动作时长占所述生产工位的全部生产动作时长的比例；
根据任一所述生产工位下各所述生产动作的动作时长占所述生产工位的全部生产动作时长的比例，生成所述生产工位对应的动态时序甘特图，以获得所述生产线分析结果。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述目标生产线中任一生产工位的生产设备对应的生产动作历史数据，根据所述生产设备对应的生产动作历史数据，构建针对所述生产设备的设备健康模型；
根据所述设备健康模型，确定针对所述生产设备的各生产动作的第一时长阈值和第二时长阈值；
根据所述生产设备的各所述生产动作的第一时长阈值和第二时长阈值，确定针对所述生产设备的各所述生产动作的正常时长数值区间和异常时长数值区间。
7.根据权利要求6所述的方法，其特征在于，所述异常时长数值区间包括第一异常时长数值区间和第二异常时长数值区间；在所述数据分析项目为工位设备生产动作的情况下，所述生产状态实时数据包括各所述生产工位中生产设备对应的生产动作实时时长数据；所述按照当前所选择的生产线分析功能关联的至少一个数据分析项目对应的数据分析方式，对所述生产状态实时数据进行数据分析，得到各所述数据分析项目对应的生产线分析结果，包括：
对于任一所述生产工位中的生产设备，根据所述生产设备对应的生产动作实时时长数据，确定当前所述生产设备的各所述生产动作对应的时长；
对于任一所述生产设备的任一所述生产动作，在所述生产动作对应的时长在该所述生产动作对应的第一异常时长数值区间的情况下，输出针对所述生产动作的异常预警信息，以获得所述生产线分析结果；
对于任一所述生产工位下的任一所述生产动作，在所述生产动作对应的时长在该所述生产动作对应的第二异常时长数值区间的情况下，输出针对所述生产动作的异常报警信息，以获得所述生产线分析结果。
8.一种生产线数据处理装置，其特征在于，所述装置包括：
获取模块，用于获取目标生产线的生产状态实时数据；所述生产状态实时数据为采用边缘数据采集设备对所述目标生产线中的生产设备进行采集得到的；
分析模块，用于按照当前所选择的生产线分析功能关联的至少一个数据分析项目对应的数据分析方式，对所述生产状态实时数据进行数据分析，得到各所述数据分析项目对应的生产线分析结果；
展示模块，用于在所述生产线分析功能对应的实时分析功能报表中展示各所述生产线分析结果对应的可视化展示界面。
9.一种计算机设备，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至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
11.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311410692.2A CN117519006A (zh) | 2023-10-27 | 2023-10-27 | 生产线数据处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311410692.2A CN117519006A (zh) | 2023-10-27 | 2023-10-27 | 生产线数据处理方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117519006A true CN117519006A (zh) | 2024-02-06 |
Family
ID=89742889
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311410692.2A Pending CN117519006A (zh) | 2023-10-27 | 2023-10-27 | 生产线数据处理方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117519006A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117952562A (zh) * | 2024-03-15 | 2024-04-30 | 厦门美契信息技术有限公司 | 一种基于mes和agv的工业智能制造管理系统 |
-
2023
- 2023-10-27 CN CN202311410692.2A patent/CN117519006A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117952562A (zh) * | 2024-03-15 | 2024-04-30 | 厦门美契信息技术有限公司 | 一种基于mes和agv的工业智能制造管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108073497B (zh) | 一种基于数据中心数据采集平台的多指标异动分析方法 | |
| US11921014B2 (en) | System and method for monitoring manufacturing | |
| Unver | An ISA-95-based manufacturing intelligence system in support of lean initiatives | |
| CN112152830A (zh) | 一种智能的故障根因分析方法及系统 | |
| US7684881B2 (en) | Transient-sensitive indicators for HMI devices | |
| CN105406991A (zh) | 基于网络监控指标由历史数据生成业务阈值的方法及系统 | |
| US20190228353A1 (en) | Competition-based tool for anomaly detection of business process time series in it environments | |
| CN117519006A (zh) | 生产线数据处理方法、装置、计算机设备和存储介质 | |
| CN101673100A (zh) | 一种工艺过程参数的采集方法及系统 | |
| CN105656693A (zh) | 一种基于回归的信息安全异常检测的方法及系统 | |
| Ali et al. | Middleware for real-time event detection andpredictive analytics in smart manufacturing | |
| CN105808368A (zh) | 一种基于随机概率分布的信息安全异常检测的方法及系统 | |
| US20200302354A1 (en) | Dynamic Prediction of Risk Levels for Manufacturing Operations through Leading Risk Indicators: Dynamic Risk Sloping Trend Method and System | |
| CN107508728B (zh) | 基于iec61850服务跟踪的二次设备在线监测方法 | |
| US20220214679A1 (en) | Dynamic Prediction of Risk Levels for Manufacturing Operations through Leading Risk Indicators: Dynamic Exceedance Probability Method and System | |
| CA3173398A1 (en) | Data processing for industrial machine learning | |
| Chircu et al. | Visualization and machine learning for data center management | |
| CN116448234A (zh) | 一种电力变压器运行状态声纹监测方法及系统 | |
| CN115222181B (zh) | 机器人运营状态监控系统及方法 | |
| CN111931798B (zh) | 进行冷头状态分类检测和寿命预测的方法 | |
| CN212623707U (zh) | 一种兆候设备管理系统 | |
| Tanuska et al. | Data integration for incidents analysis in manufacturing infrastructure | |
| Guo et al. | Research on prognostics technology of spot-welding system in automotive manufacturing based on statistical process control | |
| CN110569287B (zh) | 产品抽测的控制方法、系统、电子设备和存储介质 | |
| Vuyyuru | Using Predictive Maintenance techniques and Business Intelligence to develop smarter factory systems for the digital age |
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 |