CN117742224B - Pad终端实时异常监控与智能处理方法 - Google Patents
Pad终端实时异常监控与智能处理方法 Download PDFInfo
- Publication number
- CN117742224B CN117742224B CN202410187198.2A CN202410187198A CN117742224B CN 117742224 B CN117742224 B CN 117742224B CN 202410187198 A CN202410187198 A CN 202410187198A CN 117742224 B CN117742224 B CN 117742224B
- Authority
- CN
- China
- Prior art keywords
- coefficient
- power supply
- abnormal
- equipment
- instruction
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 86
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000004519 manufacturing process Methods 0.000 claims abstract description 224
- 230000002159 abnormal effect Effects 0.000 claims abstract description 167
- 238000000034 method Methods 0.000 claims abstract description 114
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims description 96
- 230000007613 environmental effect Effects 0.000 claims description 61
- 238000011156 evaluation Methods 0.000 claims description 46
- 238000012549 training Methods 0.000 claims description 46
- 230000008569 process Effects 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012163 sequencing technique Methods 0.000 claims description 12
- 230000033228 biological regulation Effects 0.000 claims description 9
- 230000001105 regulatory effect Effects 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 7
- 230000001276 controlling effect Effects 0.000 claims description 6
- 238000012797 qualification Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 239000003638 chemical reducing agent Substances 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- JXASPPWQHFOWPL-UHFFFAOYSA-N Tamarixin Natural products C1=C(O)C(OC)=CC=C1C1=C(OC2C(C(O)C(O)C(CO)O2)O)C(=O)C2=C(O)C=C(O)C=C2O1 JXASPPWQHFOWPL-UHFFFAOYSA-N 0.000 claims description 2
- 230000007423 decrease Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000008439 repair process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- 230000005355 Hall effect Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 101100127891 Caenorhabditis elegans let-4 gene Proteins 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection 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
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属于实时异常监控技术领域,本发明公开了PAD终端实时异常监控与智能处理方法;方法包括:构建生产线地图;采集组设备运行数据;计算对应的设备运行系数,判断是否生成第二初步异常指令;若生成第二初步异常指令,则采集m张产品图像;分析m张产品图像,判断是否生成异常指令;若生成异常指令,统计异常指令对应的生产设备数量,计算异常数量占比,判断是否生成电源异常指令;若不生成电源异常指令,则分析异常指令对应的设备运行数据,判断是否生成调节指令;若生成调节指令,则对调节指令对应的设备运行数据进行调节;本发明能够高效完成生产线各设备的异常监控和智能处理任务,实现提高生产效率的目的。
Description
技术领域
本发明涉及实时异常监控技术领域,更具体地说,本发明涉及PAD终端实时异常监控与智能处理方法。
背景技术
在制造执行系统(MES)中,PAD终端是一种重要的工具,用于生产线上工作人员进行操作和监控生产过程;然而,随着制造业的发展和生产规模的扩大,生产过程中的异常情况也越来越多,给生产效率和质量带来了挑战,目前大部分生产企业仍然采用传统的巡检方式进行设备状态监测,缺乏全面和有效的实时监控处理体系,无法及时发现和处理生产线上的异常情况,从而影响生产质量和效率;
当然也存在智能的设备异常监控方法,例如公开号为CN113655761A的中国专利公开了基于MES系统的报警分级推送二维码维修方法及系统,包括S1:若MES系统检测到工作状态为异常则生产大屏显示“出现异常”,进入步骤S2;否则生产大屏显示“工作正常”,返回步骤S1;S2:MES系统检测在预设时间t内自动化采集单元采集的产品数量,若产品数量大于或等于预设值n,则判断生产线恢复正常,生产大屏显示“工作正常”并返回步骤S1;否则,判断生产线出现设备故障,进入步骤S3;S3:MES系统控制生产线停止工作并生成对应的故障单,将故障单上传至云端网络,根据故障单进行对应的维修工作。该发明极大地缩短了生产线出现故障时的响应时间,并使整个维修过程可视化展示,提高生产线的生产制造效率;
但上述技术并未说明判断工作状态异常的基本逻辑,无法得知在何种情况下生产大屏会显示“出现异常”;仅通过产品数量判断生产线是否恢复正常,并未考虑产品质量,会出现误判的情况;同时对于一些设备可以自动调节的异常情况也停止工作并进行维修,造成人力资源和时间成本的浪费,并且降低产能;
鉴于此,本发明提出PAD终端实时异常监控与智能处理方法以解决上述问题。
发明内容
为了克服现有技术的上述缺陷,为实现上述目的,本发明提供如下技术方案:PAD终端实时异常监控与智能处理方法,包括:
S1:构建生产线地图,在生产线地图中将生产线内的n个生产设备依次标记为、、……/>,即标记为/>,/>;
S2:采集组设备运行数据,/>,/>组设备运行数据与生产线中的n个生产设备一一对应;
S3:分析组设备运行数据,计算对应的设备运行系数,判断是否生成第二初步异常指令;
S4:若生成第二初步异常指令,则采集m张产品图像,m张产品图像与第二初步异常指令对应的个生产设备一一对应,/>且/>;
S5:分析m张产品图像,判断是否生成异常指令;
S6:若生成异常指令,统计异常指令对应的生产设备数量,并标记为异常数量,计算异常数量占比,判断是否生成电源异常指令;
S7:若不生成电源异常指令,则分析异常指令对应的设备运行数据,判断是否生成调节指令;若生成调节指令,则对调节指令对应的设备运行数据进行调节;若不生成调节指令,则将对应的生产设备标记为异常设备,对异常设备对应的设备运行数据进行分析,判断异常类型,将异常设备对应的标记、异常类型以及异常设备/>在生产线地图中的位置上传至PAD终端,生成相应的故障单;
S8:若生成电源异常指令,则生产线停止工作,并将电源数据上传至PAD终端,生成相应的故障单。
进一步地,生产线地图根据生产线中n个生产设备的位置进行构建;一组设备运行数据包括一个功率、一个转速以及一个运行温度;所述功率为生产设备运行时的功率,所述功率根据采集的电流、电压以及功率因数计算获取,所述功率的计算方法包括:,其中/>为功率,/>为电压,/>为电流,/>为功率因数;所述转速为生产设备运行时的转速;所述运行温度为生产设备运行时的运行温度。
进一步地,设备运行系数的计算方法包括:
;
式中,为第i个生产设备的设备运行系数,/>为第i个生产设备的功率,/>为第i个生产设备的转速,/>为第i个生产设备的运行温度,/>、/>、/>为预设比例系数。
进一步地,所述判断是否生成第二初步异常指令的方法包括:
预设个第一运行系数阈值/>和/>个第二运行系数阈值/>,其中,/>;/>个第一运行系数阈值/>和/>个第二运行系数阈值/>与n个生产设备一一对应,将/>个设备运行系数分别与对应的/>个第一运行系数阈值/>和/>个第二运行系数阈值/>进行对比,若/>,则不生成第一初步异常指令;若,则生成第一初步异常指令;若/>,则生成第二初步异常指令,;
若生成第一初步异常指令,则采集第一初步指令对应的生产设备的时间数据,时间数据为生产设备对应设备运行数据异常的持续时间;
预设个时间阈值/>,/>,/>个时间阈值与n个生产设备一一对应,将多个时间数据分别与对应的时间阈值进行对比,若/>,则不生成第二初步异常指令;若,则生成第二初步异常指令。
进一步地,所述分析m张产品图像的方法包括:
将m张产品图像分别输入训练好的a个产品分析模型,其中,m张产品图像与a个产品分析模型一一对应,以判断每张产品图像中是否出现产品不合格现象;其中产品分析模型共有b个,/>,b个产品分析模型与n个生产设备一一对应;
n个产品分析模型的训练过程均一致,其中一个产品分析模型的训练过程包括:
预先收集多张产品图像,多张产品图像均为一个生产设备生产产品对应的图像;将每张产品图像标记为训练图像,对每张训练图像中产品进行标注,标注包括产品合格和产品不合格;将产品合格和产品不合格分别转换为数字标注;将标注后的训练图像分为训练集和测试集;使用训练集对产品分析模型进行训练,使用测试集对产品分析模型进行测试;预设误差阈值,当测试集中所有训练图像的预测误差的均值小于误差阈值时,输出产品分析模型;所述产品分析模型为卷积神经网络模型。
进一步地,所述判断是否生成异常指令的方法包括:
若产品分析模型输出的预测标注对应为产品合格,则不生成异常指令;
若产品分析模型输出的预测标注对应为产品不合格,则生成异常指令。
进一步地,异常数量占比的计算方法包括:
;
式中,为异常数量占比,/>为异常数量;
所述判断是否生成电源异常指令的方法包括:
S601:预设占比阈值,将异常数量占比与占比阈值进行对比,判断是否生成初步电源异常指令;
若,则生成初步电源异常指令;若/>,则不生成初步电源异常指令;
S602:若生成初步电源异常指令,则采集电源数据,电源数据包括电源功率和电源阻抗;电源功率为电源的输出功率;电源阻抗为电源在交流电路中的等效电阻;
S603:根据电源数据,计算对应的电源系数;
电源系数的计算方法包括:
将电源功率转换为复数形式;
;
式中,为电源系数,/>为电源功率,/>为电源阻抗,/>、/>为预设权重系数;
S604:绘制电源正常工作状态下电源系数的箱线图,将计算出的电源系数加入电源系数的箱线图中;
电源正常工作状态下电源系数箱线图的绘制方法包括:
在历史电源正常工作状态下,计算Y组对应的电源系数;
计算Y个电源系数对应的下四分位数、上四分位数以及四分位距;
将Y个电源系数从小到大进行排序;
下四分位数的计算过程为:/>;若/>为整数,则下四分位数/>为第/>个电源系数的数值,若/>不为整数,则下四分位数/>为第/>个电源系数的数值与第个电源系数的数值的平均值;/>为下四分位数位置索引;
上四分位数的计算过程为:/>;若/>为整数,则上四分位数/>为第/>个电源系数的数值,若/>不为整数,则上四分位数/>为第/>个电源系数的数值与第/>个电源系数的数值的平均值;/>为上四分位数位置索引;
四分位距;
计算Y个电源系数对应的上边界值和下边界值;
上边界值;下边界值/>;
若或/>,则生成电源异常指令;
若,则不生成电源异常指令。
进一步地,所述判断是否生成调节指令的方法包括:
若,则生成调节指令;
若,则不生成调节指令;
若生成调节指令,则将调节指令对应的生产设备标记为调节设备,对调节设备的设备运行数据进行调节;将调节设备对应的设备运行系数减去对应的第一运行系数阈值,获取系数差值;根据系数差值以及/>、/>、/>计算出第一差值、第二差值以及第三差值;
第一差值、第二差值以及第三差值的计算方法包括:
;
;
;
式中,为系数差值;
首先根据第一差值对调节设备对应的功率进行调节,将调节设备对应的功率减去第一差值获取功率差值,根据功率差值对调节设备的功率进行调节;功率调节完成后,重新采集调节设备对应的转速,将重新采集的转速减去第二差值获取转速差值,根据转速差值对调节设备的转速进行调节;转速调节完成后,重新采集调节设备对应的运行温度,将重新采集的运行温度减去第三差值获取温度差值,根据温度差值对调节设备的运行温度进行调节;其中当功率减小时,生产设备的电机减小转子电流;当转速减小时,生产设备的减速器增大传动比例;当运行温度减小时,生产设备的加热器降温。
进一步地,所述判断异常类型的方法包括:
将一组设备运行数据作为一组分析数据;将组分析数据输入训练好的异常分析模型,预测出每组分析数据对应的异常类型;
异常分析模型的训练过程包括:
预先对多组分析数据设置对应的异常类型,对不同异常类型均设置不同的数字标签;
将异常类型的数字标签标记为判断标签,将分析数据与对应的判断标签转换为对应的一组特征向量;
将每组特征向量作为异常分析模型的输入,所述异常分析模型以每组分析数据对应的一组预测判断标签作为输出,以每组分析数据对应的实际判断标签作为预测目标,实际判断标签即为预先设置的与分析数据对应的判断结果的数字标签;以最小化所有分析数据的预测误差之和作为训练目标;对异常分析模型进行训练,直至预测误差之和达到收敛时停止训练;
所述异常分析模型为深度神经网络模型;
根据预测的判断标签获取对应的异常类型。
进一步地,将生产线根据生产设备的工作内容划分为G个区域,G为大于1的整数;
根据生产线地图,获取每个区域中每个生产设备标记的下标值,并标记为生产设备下标值,将每个区域对应生产设备下标值的均值作为对应区域的判断系数;
若不生成电源异常指令,则将异常指令对应的生产设备标记为故障设备,获取故障设备对应标记的下标值,并标记为故障设备下标值,计算故障设备下标值对应的均值,并标记为故障均值;将G个区域对应的判断系数从大到小进行排序,并生成排序表,将故障均值加入排序表中,获取位于故障均值前一位和后一位的判断系数,将前一位的判断系数标记为第一判断系数,将后一位的判断系数标记为第二判断系数;将每个故障设备下标值分别减去第一判断系数后相加再除以故障设备数量,作为第一评估系数,将每个故障设备下标值分别减去第二判断系数后相加再除以故障设备数量,作为第二评估系数;
预设评估阈值,将第一评估系数和第二评估系数分别与评估阈值进行对比,若第一评估系数小于或等于评估阈值,则将第一判断系数对应的区域标记为环境区域,若第二评估系数小于或等于评估阈值,则将第二判断系数对应的区域标记为环境区域,若第一评估系数和第二评估系数均大于评估阈值,则执行步骤S7。
进一步地,采集环境区域的环境数据,环境数据包括环境温度和空气质量;
空气质量由采集到的PM2.5数量和PM10数量通过计算分析获取,空气质量的计算方法为:,其中/>为第j个区域的空气质量,/>为j个区域的PM2.5数量,/>为j个区域的PM10数量,/>、/>为预设权重系数且/>、/>均大于0,;
根据环境数据,计算对应的环境系数;
环境系数的计算方法包括:
;
式中,为第j个区域的环境系数,/>为第j个区域的环境温度,/>、/>为预设比例系数;
预设环境系数阈值,将环境系数与环境系数阈值进行对比,若环境系数小于环境系数阈值,则不生成环境异常指令,若环境系数大于或等于环境系数阈值,则生成环境异常指令;
若不生成环境异常指令,则执行步骤S7;
若生成环境异常指令,则执行调控方法,调控方法包括控制环境区域相通的窗户自动开启,以及控制环境温控器降温;执行调控方法后再次采集环境数据,并判断是否生成环境异常指令,若仍生成环境异常指令,则将环境数据上传至PAD终端,生成相应的故障单。
一种电子设备,包括存储器、处理器以及存储在存储器上并可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所述的PAD终端实时异常监控与智能处理方法。
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所述的PAD终端实时异常监控与智能处理方法。
本发明PAD终端实时异常监控与智能处理方法的技术效果和优点:
1.应用全面深入的监测策略,通过建立生产线地图并采集各生产设备的设备运行数据和产品图像进行深层计算分析,可以对单个设备和整条生产线进行高效高准的实时监测;设定详尽的阈值判断规则,可区分一般波动与真实异常情况,降低误报,提高监测效果;对部分处于异常状态的生产设备进行自动调节,能够高效完成生产线各设备的智能处理任务,实现提高生产效率的目的;此外工作人员可通过PAD终端获取相应的故障单,能够及时根据故障单信息对异常设备进行检修。
2.将生产线划分为多个区域,根据每个区域内生产设备标记的下标值计算判断系数;当多个设备同时异常时,可以通过计算设备标记的下标值与区域判断系数的评估系数,判断异常是否由环境造成;同时,采集各区域的环境数据如温度和空气质量,计算环境系数判断环境是否异常;能够识别出环境问题导致的设备共同异常,即时采取调整窗口和降温等措施解决环境问题,从而避免因环境影响下设备问题无法自动修复而停产维修,节省人力成本并保证生产率,提高了处理多设备联动异常的能力和效率。
附图说明
图1为本发明实施例1的PAD终端实时异常监控与智能处理方法流程图;
图2为本发明实施例1的电源系数箱线示意图;
图3为本发明实施例2的PAD终端实时异常监控与智能处理方法流程图;
图4为本发明实施例3的电子设备示意图;
图5为本发明实施例4的存储介质示意图。
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1所示,本实施例所述PAD终端实时异常监控与智能处理方法,包括:
S1:根据生产线中n个生产设备的位置构建生产线地图,在生产线地图中将生产线内的n个生产设备依次标记为、/>、……/>,即标记为/>,/>;
S2:采集组设备运行数据,/>,/>组设备运行数据与生产线中的n个生产设备一一对应;一组设备运行数据包括一个功率、一个转速以及一个运行温度;
功率为生产设备运行时的功率,功率根据采集的电流、电压以及功率因数计算获取,功率的计算方法包括:,其中/>为功率,/>为电压,/>为电流,/>为功率因数;电压由安装在n个生产设备中电机输入端的/>个电压传感器获取,电流由安装在n个生产设备中电机输入端的/>个电流传感器获取,/>,功率因数由n个生产设备对应的技术规格和用户手册获取;电流和电压均会影响功率,电流越大,则功率越大,反之则相反,电压越大,功率也越大,反之则相反;
转速为生产设备运行时的转速,转速由安装在n个生产设备中电机端盖上的个霍尔效应传感器获取;运行温度为生产设备运行时的运行温度,运行温度由安装在n个生产设备中电机表面的/>个热电偶传感器获取,/>;
需要说明的是,设备运行数据用于反映生产设备的运行状态,其中功率、转速和运行温度均会影响生产设备的运行状态,当生产设备的功率、转速和运行温度过高时,均表明生产设备处于异常状态;
S3:分析组设备运行数据,计算对应的设备运行系数,判断是否生成第二初步异常指令;
设备运行系数的计算方法包括:
;
式中,为第i个生产设备的设备运行系数,/>为第i个生产设备的功率,/>为第i个生产设备的转速,/>为第i个生产设备的运行温度,/>、/>、/>为预设比例系数;
式中比例系数的具体数值可以根据实际情况进行设置,比例系数反映了每种设备运行数据的重要性,本领域技术人员可以根据每种设备运行数据的重要性预设对应的比例系数,以便准确评估生产设备的运行情况;
需要说明的是,设备运行系数仅用于判断生产设备是否状态异常,因此设备运行系数的计算为去量纲计算;生产设备的功率、转速和运行温度为决定生产设备的设备运行系数的相关参数,当功率、转速和运行温度超出正常范围值时,功率、转速和运行温度越大,说明生产设备的异常程度越大;
判断是否生成第二初步异常指令的方法包括:
预设个第一运行系数阈值/>和/>个第二运行系数阈值/>,其中,/>;/>个第一运行系数阈值/>和/>个第二运行系数阈值/>与n个生产设备一一对应,将/>个设备运行系数分别与对应的/>个第一运行系数阈值/>和/>个第二运行系数阈值/>进行对比,若/>,则不生成第一初步异常指令,说明设备运行系数对应生产设备的设备运行数据正常,生产设备处于正常状态;若,则生成第一初步异常指令,说明设备运行系数对应生产设备的设备运行数据异常;若/>,则生成第二初步异常指令,说明设备运行系数对应生产设备的设备运行数据异常,且异常程度较大,/>;
需要说明的是,个第一运行系数阈值/>和/>个第二运行系数阈值/>由本领域技术人员在n个生产设备处于正常运行状态时,对一个生产设备采集多组设备运行数据,依次计算对应的设备运行系数,将多个设备运行系数中最大的设备运行系数作为该生产设备对应的第一运行系数阈值;以此类推获取n个生产设备对应的第一运行系数阈值;以及由本领域技术人员在n个生产设备对应的设备运行数据产生波动时,对一个生产设备采集多组设备运行数据,依次计算对应的设备运行系数,将多个设备运行系数中最大的设备运行系数作为该生产设备对应的第二运行系数阈值;以此类推获取n个生产设备对应的第二运行系数阈值;设备运行数据产生波动即为,设备运行数据对应的设备运行系数超过对应的第一运行系数阈值,但持续时间小于下述预设的时间阈值;
若生成第一初步异常指令,则采集第一初步指令对应的生产设备的时间数据,时间数据为生产设备对应设备运行数据异常的持续时间,时间数据由安装在n个生产设备旁的个时间传感器获取,/>;
预设个时间阈值/>,/>,/>个时间阈值与n个生产设备一一对应,将多个时间数据分别与对应的时间阈值进行对比,若/>,则不生成第二初步异常指令,说明时间数据对应生产设备的设备运行数据正常,设备运行数据仅在较短时间内处于异常状态,生产设备能自行应对短暂的设备运行数据波动;若/>,则生成第二初步异常指令,说明时间数据对应生产设备的设备运行数据异常,此时初步判断生产设备状态异常;
需要说明的是,个时间阈值根据对应生产设备的类型以及用途确定,通过对应生产设备的技术规格和用户手册获取;采集时间数据判断是否生成第二初步异常指令的原因在于,生产设备在运行过程中会出现电源电压波动、环境条件变化、负载变化等情况,当波动和变化较大时,生产设备对应的设备运行数据变化也较大,导致生成第一初步异常指令,而在这些情况下,设备运行数据变化所持续的时间通常较短,即在较短时间内则会恢复正常,此时生产设备并未处于异常状态,若不采集时间数据进行判断,则会出现误判的情况,但设备运行数据对应的设备运行系数仅会在第一运行系数阈值与第二运行系数阈值之间,若设备运行数据对应的设备运行系数大于第二运行系数阈值,则直接说明对应的设备运行数据异常;
S4:若生成第二初步异常指令,则采集m张产品图像,m张产品图像与第二初步异常指令对应的个生产设备一一对应,/>且/>;产品图像为生产设备生产出的产品对应的图像,产品图像由安装在n个生产设备旁的/>个图像传感器获取,/>;
需要说明的是,上述的个电压传感器、/>个电流传感器、/>个霍尔效应传感器、个热电偶传感器、/>个时间传感器以及/>个图像传感器均与n个生产设备一一对应;
S5:分析m张产品图像,判断是否生成异常指令;
分析m张产品图像的方法包括:
将m张产品图像分别输入训练好的a个产品分析模型,其中,m张产品图像与a个产品分析模型一一对应,以判断每张产品图像中是否出现产品不合格现象;其中产品分析模型共有b个,/>,b个产品分析模型与n个生产设备一一对应;
n个产品分析模型的具体训练过程均一致,其中一个产品分析模型的具体训练过程包括:
预先收集多张产品图像,多张产品图像均为一个生产设备生产产品对应的图像;将每张产品图像标记为训练图像,对每张训练图像中产品进行标注,标注包括产品合格和产品不合格;将产品合格和产品不合格分别转换为数字标注,示例性的,将产品合格转换为0,将产品不合格转换为1;将标注后的训练图像分为训练集和测试集,将70%的训练图像作为训练集,将30%的训练图像作为测试集;使用训练集对产品分析模型进行训练,使用测试集对产品分析模型进行测试;预设误差阈值,当测试集中所有训练图像的预测误差的均值小于误差阈值时,输出产品分析模型;其中,预测误差均值的计算公式为,其中/>为预测误差,/>为训练图像的编号,/>为第/>组训练图像对应的预测标注,/>为第组训练图像对应的实际标注,D为测试集中训练图像的数量;所述误差阈值根据产品分析模型所需要的精度进行预先设置;
上述产品分析模型具体为卷积神经网络模型;
判断是否生成异常指令的方法包括:
若产品分析模型输出的预测标注对应为产品合格,则不生成异常指令,说明产品分析模型对应生产设备生产的产品合格,生产设备不存在状态异常,设备运行数据异常的原因在于对应生产设备内部的传感器出现故障;
若产品分析模型输出的预测标注对应为产品不合格,则生成异常指令,说明产品分析模型对应生产设备生产的产品不合格,生产设备存在状态异常;
需要说明的是,结合产品图像判断生产设备是否状态异常的原因在于,在通过设备运行数据和时间数据判断生产设备是否状态异常时,可能出现传感器故障的情况,导致采集的设备运行数据和时间数据不准确,出现误判的情况,因此需要结合产品图像进一步进行分析,以准确判断生产设备是否存在状态异常现象;
S6:若生成异常指令,统计异常指令对应的生产设备数量,并标记为异常数量,计算异常数量占比,判断是否生成电源异常指令;
异常数量占比的计算方法包括:
;
式中,为异常数量占比,/>为异常数量;
判断是否生成电源异常指令的方法包括:
S601:预设占比阈值,将异常数量占比与占比阈值进行对比,判断是否生成初步电源异常指令;
若,则生成初步电源异常指令,说明生产设备状态异常数量较多,可能由于电源异常导致较多生产设备状态异常;若/>,则不生成初步电源异常指令,说明生产设备状态异常数量较少,生产设备状态异常的原因不是因为电源异常所导致的;
S602:若生成初步电源异常指令,则采集电源数据,电源数据包括电源功率和电源阻抗;电源功率为电源的输出功率,由安装在电源输出端的功率传感器获取;电源阻抗为电源在交流电路中的等效电阻,由安装在电源输出端的阻抗分析仪获取;电源数据异常会导致生产设备的设备运行数据异常,电源功率增大、电源阻抗减小,则生产设备的功率、转速和运行温度均增大,反之则相反;
S603:根据电源数据,计算对应的电源系数;
电源系数的计算方法包括:
由于电源阻抗为复数形式,因此将电源功率转换为复数形式;示例性的,电源功率为100W,将电源功率转换为复数形式,电源功率的复数形式为,其中j为虚数单位;电源系数仅用于判断电源是否发生故障,因此电源系数的计算为去量纲计算;
;
式中,为电源系数,/>为电源功率,/>为电源阻抗,/>、/>为预设权重系数;
式中权重系数的具体数值可以根据实际情况进行设置,权重系数反映了每种电源数据的重要性,本领域技术人员可以根据每种电源数据的重要性预设对应的权重系数,以便准确评估电源的运行情况;
S604:绘制电源正常工作状态下电源系数的箱线图,将计算出的电源系数加入电源系数的箱线图中;
电源正常工作状态下电源系数箱线图的绘制方法包括:
在历史电源正常工作状态下,计算Y组对应的电源系数;
计算Y个电源系数对应的下四分位数、上四分位数以及四分位距;
将Y个电源系数从小到大进行排序;
下四分位数的计算过程为:/>;若/>为整数,则下四分位数/>为第/>个电源系数的数值,若/>不为整数,则下四分位数/>为第/>个电源系数的数值与第/>个电源系数的数值的平均值;/>为下四分位数位置索引;
上四分位数的计算过程为:/>;若/>为整数,则上四分位数/>为第/>个电源系数的数值,若/>不为整数,则上四分位数/>为第/>个电源系数的数值与第/>个电源系数的数值的平均值;/>为上四分位数位置索引;
四分位距;/>
计算Y个电源系数对应的上边界值和下边界值;
上边界值;下边界值/>;
根据上边界值和下边界值绘制箱线图;
电源系数箱线图具体示例请参阅图2所示;
若或/>,则生成电源异常指令,说明此时电源对应的电源系数异常,电源处于异常状态;
若,则不生成电源异常指令,说明此时电源对应的电源系数正常,电源处于正常状态;
S7:若不生成电源异常指令,则分析异常指令对应的设备运行数据,判断是否生成调节指令;若生成调节指令,则对调节指令对应的设备运行数据进行调节;若不生成调节指令,则将对应的生产设备标记为异常设备,对异常设备对应的设备运行数据进行分析,判断异常类型,将异常设备对应的标记、异常类型以及异常设备/>在生产线地图中的位置上传至PAD终端,生成相应的故障单;
判断是否生成调节指令的方法包括:
若,则生成调节指令,说明生产设备对应的设备运行数据异常程度较小,可以进行自动调节,以消除异常状态;
若,则不生成调节指令,说明生产设备对应的设备运行数据异常程度较大,无法进行自动调节,需要工作人员进行检修;
若生成调节指令,则将调节指令对应的生产设备标记为调节设备,对调节设备的设备运行数据进行调节;将调节设备对应的设备运行系数减去对应的第一运行系数阈值,获取系数差值;根据系数差值以及/>、/>、/>计算出第一差值、第二差值以及第三差值;
第一差值、第二差值以及第三差值的计算方法包括:
;
;
;
式中,为系数差值;
首先根据第一差值对调节设备对应的功率进行调节,将调节设备对应的功率减去第一差值获取功率差值,根据功率差值对调节设备的功率进行调节;功率调节完成后,重新采集调节设备对应的转速,将重新采集的转速减去第二差值获取转速差值,根据转速差值对调节设备的转速进行调节;转速调节完成后,重新采集调节设备对应的运行温度,将重新采集的运行温度减去第三差值获取温度差值,根据温度差值对调节设备的运行温度进行调节;其中当功率减小时,生产设备的电机减小转子电流,通过变频驱动器调整电机端频率和电流强度,降低电机输出功率;当转速减小时,生产设备的减速器增大传动比例,从而调节转速;当运行温度减小时,生产设备的加热器降温,从而调节运行温度;
判断异常类型的方法包括:
将一组设备运行数据作为一组分析数据;将组分析数据输入训练好的异常分析模型,预测出每组分析数据对应的异常类型;异常类型例如传动链磨损、通风不当、绝缘断裂等;
异常分析模型的具体训练过程包括:
预先对多组分析数据设置对应的异常类型,对不同异常类型均设置不同的数字标签,示例性的,对传动链磨损设置数字标签为1,对通风不当设置数字标签为2,对绝缘断裂设置数字标签为3;分析数据对应的异常类型由本领域技术人员在历史生产设备状态异常时,收集多组不同的分析数据,并且对每组分析数据对应的生产设备进行异常类型判断,将判断出的异常类型作为分析数据对应的异常类型;
将异常类型的数字标签标记为判断标签,将分析数据与对应的判断标签转换为对应的一组特征向量;
将每组特征向量作为异常分析模型的输入,所述异常分析模型以每组分析数据对应的一组预测判断标签作为输出,以每组分析数据对应的实际判断标签作为预测目标,实际判断标签即为预先设置的与分析数据对应的判断结果的数字标签;以最小化所有分析数据的预测误差之和作为训练目标;其中,预测误差的计算公式为,其中为预测误差,/>为分析数据对应特征向量的组号,/>为第/>组分析数据对应的预测判断标签,/>为第/>组分析数据对应的实际判断标签;对异常分析模型进行训练,直至预测误差之和达到收敛时停止训练;
上述异常分析模型具体为深度神经网络模型;
根据预测的判断标签获取对应的异常类型;
工作人员通过PAD终端即可查看故障单信息,能够及时根据故障单信息对异常设备进行检修;
S8:若生成电源异常指令,则生产线停止工作,并将电源数据上传至PAD终端,生成相应的故障单;
本实施例应用全面深入的监测策略,通过建立生产线地图并采集各生产设备的设备运行数据和产品图像进行深层计算分析,可以对单个设备和整条生产线进行高效高准的实时监测;设定详尽的阈值判断规则,可区分一般波动与真实异常情况,降低误报,提高监测效果;对部分处于异常状态的生产设备进行自动调节,能够高效完成生产线各设备的智能处理任务,实现提高生产效率的目的;此外工作人员可通过PAD终端获取相应的故障单,能够及时根据故障单信息对异常设备进行检修。
实施例2
请参阅图3所示,本实施例在实施例1的基础上进一步改进设计,当生产线中多个标记连续的生产设备出现状态异常时,可能是由于多个生产设备所处的环境对多个生产设备对应的设备运行数据造成了影响,若不对相应的环境进行调节,则会导致在对调节指令对应的设备运行数据进行调节后,设备运行数据仍然异常;因此本实施例提供了PAD终端实时异常监控与智能处理方法,还包括:
将生产线根据生产设备的工作内容划分为G个区域,G为大于1的整数,例如组装区域、测试区域、包装区域等;
根据生产线地图,获取每个区域中每个生产设备标记的下标值,并标记为生产设备下标值,将每个区域对应生产设备下标值的均值作为对应区域的判断系数;示例性的,一个区域内的生产设备有、/>、/>、/>、/>,将4+5+6+7+8=30,30÷5=6,即6为该区域的判断系数;
若不生成电源异常指令,则将异常指令对应的生产设备标记为故障设备,获取故障设备对应的标记的下标值,并标记为故障设备下标值,计算故障设备下标值对应的均值,并标记为故障均值;将G个区域对应的判断系数从大到小进行排序,并生成排序表,将故障均值加入排序表中,获取位于故障均值前一位和后一位的判断系数,将前一位的判断系数标记为第一判断系数,将后一位的判断系数标记为第二判断系数;将每个故障设备下标值分别减去第一判断系数后相加再除以故障设备数量,作为第一评估系数,将每个故障设备下标值分别减去第二判断系数后相加再除以故障设备数量,作为第二评估系数;
预设评估阈值,将第一评估系数和第二评估系数分别与评估阈值进行对比,若第一评估系数小于或等于评估阈值,则将第一判断系数对应的区域标记为环境区域,若第二评估系数小于或等于评估阈值,则将第二判断系数对应的区域标记为环境区域,若第一评估系数和第二评估系数均大于评估阈值,则执行步骤S7;由于故障设备不可能同时出现在两个区域,因此不存在第一评估系数和第二评估系数均小于或等于评估阈值的情况;
需要说明的是,评估阈值由本领域技术人员在历史生产设备状态异常时,多次收集生产设备对应标记的下标值,将一次收集的多个生产设备下标值均减去对应的判读系数并求取均值,依此类推获取多个均值,将多个均值对应的均值作为评估阈值;其中历史生产设备状态异常是由于一个区域的环境数据异常,从而导致该区域内的生产设备状态异常;
采集环境区域的环境数据,环境数据包括环境温度和空气质量;
环境温度由安装在G个区域内的个温度传感器获取,/>;
空气质量由采集到的PM2.5数量和PM10数量通过计算分析获取,PM2.5数量和PM10数量分别由安装在G个区域内的个PM2.5传感器和/>个PM10传感器获取,/>,空气质量的计算方法为:/>,其中/>为第j个区域的空气质量,/>为j个区域的PM2.5数量,/>为j个区域的PM10数量,/>、/>为预设权重系数且、/>均大于0,/>;式中权重系数的具体数值可以根据实际情况进行设置,权重系数反映了PM2.5数量和PM10数量的重要性,本领域技术人员可以根据PM2.5数量和PM10数量的重要性预设对应的权重系数,以便准确评估空气质量情况;在持续空气质量较差的环境下,污垢堆积程度越高;
需要说明的是,PM2.5数量和PM10数量为决定空气质量的相关参数,PM2.5数量和PM10数量越多,说明区域中的悬浮粒子状物质越多,而这些悬浮粒子状物质越多,则表明空气污染越严重,空气质量也越差,反之则相反;
需要说明的是,个温度传感器、/>个PM2.5传感器和/>个PM10传感器与G个区域一一对应;
根据环境数据,计算对应的环境系数;
环境系数的计算方法包括:
;
式中,为第j个区域的环境系数,/>为第j个区域的环境温度,/>、/>为预设比例系数;
式中比例系数的具体数值可以根据实际情况进行设置,比例系数反映了每种环境数据的重要性,本领域技术人员可以根据每种环境数据的重要性预设对应的比例系数,以便准确评估每个区域的环境情况;
需要说明的是,环境系数仅用于判断区域内的环境是否异常,因此环境系数的计算为去量纲计算;区域内的环境温度和空气质量为决定区域的环境系数的相关参数,当环境温度和空气质量超出正常范围值时,环境温度和空气质量越大,说明区域内的环境越差;
预设环境系数阈值,将环境系数与环境系数阈值进行对比,若环境系数小于环境系数阈值,则不生成环境异常指令,若环境系数大于或等于环境系数阈值,则生成环境异常指令;
需要说明的是,环境系数阈值为本领域技术人员在历史阶段,由于环境数据异常导致生产设备状态异常时,采集多组环境数据,并计算对应的环境系数,将多个环境系数的均值作为环境系数阈值;
若不生成环境异常指令,则执行步骤S7;
若生成环境异常指令,则执行调控方法,调控方法包括控制环境区域相通的窗户自动开启,以及控制环境温控器降温;执行调控方法后再次采集环境数据,并判断是否生成环境异常指令,若仍生成环境异常指令,则将环境数据上传至PAD终端,生成相应的故障单;
本实施例将生产线划分为多个区域,根据每个区域内生产设备标记的下标值计算判断系数;当多个设备同时异常时,可以通过计算设备标记的下标值与区域判断系数的评估系数,判断异常是否由环境造成;同时,采集各区域的环境数据如温度和空气质量,计算环境系数判断环境是否异常;能够识别出环境问题导致的设备共同异常,即时采取调整窗口和降温等措施解决环境问题,从而避免因环境影响下设备问题无法自动修复而停产维修,节省人力成本并保证生产率,提高了处理多设备联动异常的能力和效率。
实施例3
请参阅图4所示,根据本申请的又一方面还提供了电子设备500。该电子设备500可包括一个或多个处理器以及一个或多个存储器。其中,存储器中存储有计算机可读代码,计算机可读代码当由一个或多个处理器运行时,可以执行如上所述的PAD终端实时异常监控与智能处理方法。
根据本申请实施方式的方法或系统也可以借助于图4所示的电子设备的架构来实现。如图4所示,电子设备500可包括总线501、一个或多个CPU502、只读存储器(ROM)503、随机存取存储器(RAM)504、连接到网络的通信端口505、输入/输出506、硬盘507等。电子设备500中的存储设备,例如ROM503或硬盘507可存储本申请提供的PAD终端实时异常监控与智能处理方法。进一步地,电子设备500还可包括用户界面508。当然,图4所示的架构只是示例性的,在实现不同的设备时,根据实际需要,可以省略图4示出的电子设备中的一个或多个组件。
实施例4
请参阅图5所示,是根据本申请一个实施方式的计算机可读存储介质600。计算机可读存储介质600上存储有计算机可读指令。当计算机可读指令由处理器运行时,可执行参照以上附图描述的根据本申请实施方式的PAD终端实时异常监控与智能处理方法。存储介质600包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器例如可包括只读存储器(ROM)、硬盘、闪存等。
另外,根据本申请的实施方式,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请提供了非暂时性机器可读存储介质,所述非暂时性机器可读存储介质存储有机器可读指令,所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令,例如:PAD终端实时异常监控与智能处理方法。在该计算机程序被中央处理单元(CPU)执行时,执行本申请的方法中限定的上述功能。
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以意识到,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,可以通过其它的方式实现。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,机械或其它的形式。
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,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (11)
1.PAD终端实时异常监控与智能处理方法,其特征在于,包括:
S1:构建生产线地图,在生产线地图中将生产线内的n个生产设备依次标记为、/>、……/>,即标记为/>,/>;
S2:采集组设备运行数据,/>,/>组设备运行数据与生产线中的n个生产设备一一对应;
S3:分析组设备运行数据,计算对应的设备运行系数,判断是否生成第二初步异常指令;
S4:若生成第二初步异常指令,则采集m张产品图像,m张产品图像与第二初步异常指令对应的个生产设备一一对应,/>且/>;
S5:分析m张产品图像,判断是否生成异常指令;
S6:若生成异常指令,统计异常指令对应的生产设备数量,并标记为异常数量,计算异常数量占比,判断是否生成电源异常指令;
将生产线根据生产设备的工作内容划分为G个区域,G为大于1的整数;
根据生产线地图,获取每个区域中每个生产设备标记的下标值,并标记为生产设备下标值,将每个区域对应生产设备下标值的均值作为对应区域的判断系数;
若不生成电源异常指令,则将异常指令对应的生产设备标记为故障设备,获取故障设备对应标记的下标值,并标记为故障设备下标值,计算故障设备下标值对应的均值,并标记为故障均值;将G个区域对应的判断系数从大到小进行排序,并生成排序表,将故障均值加入排序表中,获取位于故障均值前一位和后一位的判断系数,将前一位的判断系数标记为第一判断系数,将后一位的判断系数标记为第二判断系数;将每个故障设备下标值分别减去第一判断系数后相加再除以故障设备数量,作为第一评估系数,将每个故障设备下标值分别减去第二判断系数后相加再除以故障设备数量,作为第二评估系数;
预设评估阈值,将第一评估系数和第二评估系数分别与评估阈值进行对比,若第一评估系数小于或等于评估阈值,则将第一判断系数对应的区域标记为环境区域,若第二评估系数小于或等于评估阈值,则将第二判断系数对应的区域标记为环境区域,若第一评估系数和第二评估系数均大于评估阈值,则执行步骤S7;
采集环境区域的环境数据,环境数据包括环境温度和空气质量;
空气质量由采集到的PM2.5数量和PM10数量通过计算分析获取,空气质量的计算方法为:,其中/>为第j个区域的空气质量,/>为j个区域的PM2.5数量,/>为j个区域的PM10数量,/>、/>为预设权重系数且/>、/>均大于0,;
根据环境数据,计算对应的环境系数;
环境系数的计算方法包括:
;
式中,为第j个区域的环境系数,/>为第j个区域的环境温度,/>、/>为预设比例系数;
预设环境系数阈值,将环境系数与环境系数阈值进行对比,若环境系数小于环境系数阈值,则不生成环境异常指令,若环境系数大于或等于环境系数阈值,则生成环境异常指令;
若不生成环境异常指令,则执行步骤S7;
若生成环境异常指令,则执行调控方法,调控方法包括控制环境区域相通的窗户自动开启,以及控制环境温控器降温;执行调控方法后再次采集环境数据,并判断是否生成环境异常指令,若仍生成环境异常指令,则将环境数据上传至PAD终端,生成相应的故障单;
S7:若不生成电源异常指令,则分析异常指令对应的设备运行数据,判断是否生成调节指令;若生成调节指令,则对调节指令对应的设备运行数据进行调节;若不生成调节指令,则将对应的生产设备标记为异常设备,对异常设备对应的设备运行数据进行分析,判断异常类型,将异常设备对应的标记、异常类型以及异常设备/>在生产线地图中的位置上传至PAD终端,生成相应的故障单;
S8:若生成电源异常指令,则生产线停止工作,并将电源数据上传至PAD终端,生成相应的故障单。
2.根据权利要求1所述的PAD终端实时异常监控与智能处理方法,其特征在于,生产线地图根据生产线中n个生产设备的位置进行构建;一组设备运行数据包括一个功率、一个转速以及一个运行温度;所述功率为生产设备运行时的功率,所述功率根据采集的电流、电压以及功率因数计算获取,所述功率的计算方法包括:,其中/>为功率,/>为电压,/>为电流,/>为功率因数;所述转速为生产设备运行时的转速;所述运行温度为生产设备运行时的运行温度。
3.根据权利要求2所述的PAD终端实时异常监控与智能处理方法,其特征在于,设备运行系数的计算方法包括:
;
式中,为第i个生产设备的设备运行系数,/>为第i个生产设备的功率,/>为第i个生产设备的转速,/>为第i个生产设备的运行温度,/>、/>、/>为预设比例系数。
4.根据权利要求3所述的PAD终端实时异常监控与智能处理方法,其特征在于,所述判断是否生成第二初步异常指令的方法包括:
预设个第一运行系数阈值/>和/>个第二运行系数阈值/>,其中/>,;/>个第一运行系数阈值/>和/>个第二运行系数阈值/>与n个生产设备一一对应,将/>个设备运行系数分别与对应的/>个第一运行系数阈值/>和/>个第二运行系数阈值/>进行对比,若/>,则不生成第一初步异常指令;若/>,则生成第一初步异常指令;若/>,则生成第二初步异常指令,/>;
若生成第一初步异常指令,则采集第一初步异常指令对应的生产设备的时间数据,时间数据为生产设备对应设备运行数据异常的持续时间;
预设个时间阈值/>,/>,/>个时间阈值与n个生产设备一一对应;将多个时间数据分别与对应的时间阈值进行对比,若/>,则不生成第二初步异常指令;若/>,则生成第二初步异常指令。
5.根据权利要求4所述的PAD终端实时异常监控与智能处理方法,其特征在于,所述分析m张产品图像的方法包括:
将m张产品图像分别输入训练好的a个产品分析模型,其中,m张产品图像与a个产品分析模型一一对应,以判断每张产品图像中是否出现产品不合格现象;其中产品分析模型共有b个,/>,b个产品分析模型与n个生产设备一一对应;
n个产品分析模型的训练过程均一致,其中一个产品分析模型的训练过程包括:
预先收集多张产品图像,多张产品图像均为一个生产设备生产产品对应的图像;将每张产品图像标记为训练图像,对每张训练图像中产品进行标注,标注包括产品合格和产品不合格;将产品合格和产品不合格分别转换为数字标注;将标注后的训练图像分为训练集和测试集;使用训练集对产品分析模型进行训练,使用测试集对产品分析模型进行测试;预设误差阈值,当测试集中所有训练图像的预测误差的均值小于误差阈值时,输出产品分析模型;所述产品分析模型为卷积神经网络模型。
6.根据权利要求5所述的PAD终端实时异常监控与智能处理方法,其特征在于,所述判断是否生成异常指令的方法包括:
若产品分析模型输出的预测标注对应为产品合格,则不生成异常指令;
若产品分析模型输出的预测标注对应为产品不合格,则生成异常指令。
7.根据权利要求6所述的PAD终端实时异常监控与智能处理方法,其特征在于,异常数量占比的计算方法包括:
;
式中,为异常数量占比,/>为异常数量;
所述判断是否生成电源异常指令的方法包括:
S601:预设占比阈值,将异常数量占比与占比阈值进行对比,判断是否生成初步电源异常指令;
若,则生成初步电源异常指令;若/>,则不生成初步电源异常指令;
S602:若生成初步电源异常指令,则采集电源数据,电源数据包括电源功率和电源阻抗;电源功率为电源的输出功率;电源阻抗为电源在交流电路中的等效电阻;
S603:根据电源数据,计算对应的电源系数;
电源系数的计算方法包括:
将电源功率转换为复数形式;
;
式中,为电源系数,/>为电源功率,/>为电源阻抗,/>、/>为预设权重系数;
S604:绘制电源正常工作状态下电源系数的箱线图,将计算出的电源系数加入电源系数的箱线图中;
电源正常工作状态下电源系数箱线图的绘制方法包括:
在历史电源正常工作状态下,计算Y组对应的电源系数;
计算Y个电源系数对应的下四分位数、上四分位数以及四分位距;
将Y个电源系数从小到大进行排序;
下四分位数的计算过程为:/>;若/>为整数,则下四分位数/>为第/>个电源系数的数值,若/>不为整数,则下四分位数/>为第/>个电源系数的数值与第/>个电源系数的数值的平均值;/>为下四分位数位置索引;
上四分位数的计算过程为:/>;若/>为整数,则上四分位数/>为第/>个电源系数的数值,若/>不为整数,则上四分位数/>为第/>个电源系数的数值与第/>个电源系数的数值的平均值;/>为上四分位数位置索引;
四分位距;
计算Y个电源系数对应的上边界值和下边界值;
上边界值;下边界值/>;
若或/>,则生成电源异常指令;
若,则不生成电源异常指令。
8.根据权利要求7所述的PAD终端实时异常监控与智能处理方法,其特征在于,所述判断是否生成调节指令的方法包括:
若,则生成调节指令;
若,则不生成调节指令;
若生成调节指令,则将调节指令对应的生产设备标记为调节设备,对调节设备的设备运行数据进行调节;将调节设备对应的设备运行系数减去对应的第一运行系数阈值,获取系数差值;根据系数差值以及/>、/>、/>计算出第一差值、第二差值以及第三差值;
第一差值、第二差值以及第三差值的计算方法包括:
;
;
;
式中,为系数差值;
首先根据第一差值对调节设备对应的功率进行调节,将调节设备对应的功率减去第一差值获取功率差值,根据功率差值对调节设备的功率进行调节;功率调节完成后,重新采集调节设备对应的转速,将重新采集的转速减去第二差值获取转速差值,根据转速差值对调节设备的转速进行调节;转速调节完成后,重新采集调节设备对应的运行温度,将重新采集的运行温度减去第三差值获取温度差值,根据温度差值对调节设备的运行温度进行调节;其中当功率减小时,生产设备的电机减小转子电流;当转速减小时,生产设备的减速器增大传动比例;当运行温度减小时,生产设备的加热器降温。
9.根据权利要求8所述的PAD终端实时异常监控与智能处理方法,其特征在于,所述判断异常类型的方法包括:
将一组设备运行数据作为一组分析数据;将组分析数据输入训练好的异常分析模型,预测出每组分析数据对应的异常类型;
异常分析模型的训练过程包括:
预先对多组分析数据设置对应的异常类型,对不同异常类型均设置不同的数字标签;
将异常类型的数字标签标记为判断标签,将分析数据与对应的判断标签转换为对应的一组特征向量;
将每组特征向量作为异常分析模型的输入,所述异常分析模型以每组分析数据对应的一组预测判断标签作为输出,以每组分析数据对应的实际判断标签作为预测目标,实际判断标签即为预先设置的与分析数据对应的判断结果的数字标签;以最小化所有分析数据的预测误差之和作为训练目标;对异常分析模型进行训练,直至预测误差之和达到收敛时停止训练;
所述异常分析模型为深度神经网络模型;
根据预测的判断标签获取对应的异常类型。
10.一种电子设备,包括存储器、处理器以及存储在存储器上并可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1-9任一项所述的PAD终端实时异常监控与智能处理方法。
11.一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1-9任一项所述的PAD终端实时异常监控与智能处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410187198.2A CN117742224B (zh) | 2024-02-20 | 2024-02-20 | Pad终端实时异常监控与智能处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410187198.2A CN117742224B (zh) | 2024-02-20 | 2024-02-20 | Pad终端实时异常监控与智能处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117742224A CN117742224A (zh) | 2024-03-22 |
CN117742224B true CN117742224B (zh) | 2024-05-07 |
Family
ID=90279914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410187198.2A Active CN117742224B (zh) | 2024-02-20 | 2024-02-20 | Pad终端实时异常监控与智能处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117742224B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110910369A (zh) * | 2019-11-19 | 2020-03-24 | 珠海格力电器股份有限公司 | 一种生产线监管的方法、装置及存储介质 |
WO2022105318A1 (zh) * | 2020-11-18 | 2022-05-27 | 长鑫存储技术有限公司 | 监测机台运行状况的方法及装置、存储介质及电子设备 |
CN115774431A (zh) * | 2022-12-02 | 2023-03-10 | 安徽华腾再生金属科技有限公司 | 电池塑壳注塑车间的全智能化生产管理系统 |
CN116611817A (zh) * | 2023-05-26 | 2023-08-18 | 江苏邦鼎科技有限公司 | 一种饲料厂设备的故障管理方法及系统 |
CN117272179A (zh) * | 2023-11-22 | 2023-12-22 | 南京迅集科技有限公司 | 基于物联网的设备状态检测系统及方法 |
CN117407679A (zh) * | 2023-12-15 | 2024-01-16 | 南京中鑫智电科技有限公司 | 智能末屏传感器的数据采集方法及系统 |
-
2024
- 2024-02-20 CN CN202410187198.2A patent/CN117742224B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110910369A (zh) * | 2019-11-19 | 2020-03-24 | 珠海格力电器股份有限公司 | 一种生产线监管的方法、装置及存储介质 |
WO2022105318A1 (zh) * | 2020-11-18 | 2022-05-27 | 长鑫存储技术有限公司 | 监测机台运行状况的方法及装置、存储介质及电子设备 |
CN115774431A (zh) * | 2022-12-02 | 2023-03-10 | 安徽华腾再生金属科技有限公司 | 电池塑壳注塑车间的全智能化生产管理系统 |
CN116611817A (zh) * | 2023-05-26 | 2023-08-18 | 江苏邦鼎科技有限公司 | 一种饲料厂设备的故障管理方法及系统 |
CN117272179A (zh) * | 2023-11-22 | 2023-12-22 | 南京迅集科技有限公司 | 基于物联网的设备状态检测系统及方法 |
CN117407679A (zh) * | 2023-12-15 | 2024-01-16 | 南京中鑫智电科技有限公司 | 智能末屏传感器的数据采集方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117742224A (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104390657B (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
CN102393882B (zh) | 在线监控和诊断室内空气质量传感器的方法 | |
CN112097365A (zh) | 基于预测和分类模型的空调故障检测与辩识方法及装置 | |
CN109675935A (zh) | 一种变控制限的ipca轧制过程在线故障诊断方法 | |
TWI738016B (zh) | 液態氣體充填之智能化學習機制與自適應調節系統 | |
CN109634238A (zh) | 一种数控机床加工过程质量-能量效率评估与监控方法 | |
Groba et al. | Architecture of a predictive maintenance framework | |
CN112580858A (zh) | 设备参数预测分析方法及系统 | |
CN115562225A (zh) | 工业机器人运维管理方法、装置、计算机设备和存储介质 | |
CN115060312A (zh) | 一种基于人工智能的建筑材料安全监测系统 | |
CN108416386A (zh) | 一种用于水电机组轴承温度异常判断的方法及系统 | |
CN117742224B (zh) | Pad终端实时异常监控与智能处理方法 | |
CN112836396B (zh) | 一种建筑实时能耗异常诊断系统 | |
KR20130065844A (ko) | 지능형 빌딩 에너지 설비 효율 관리 시스템 및 그 방법 | |
CN116611953A (zh) | 基于物联网的电能表生产制造实时数据管理方法和系统 | |
CN113642248B (zh) | 定位设备剩余使用时间的评估方法及装置 | |
CN114091811A (zh) | 一种核电厂循环水泵维修决策系统及设计方法 | |
Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
CN117540330B (zh) | 基于自学习功能的配电柜系统 | |
Tal et al. | A predictive model for an effective maintenance of hospital critical systems | |
CN117764422B (zh) | 智慧节能运维管理云平台 | |
KR20200072069A (ko) | 모터 정보 기반 로봇 상태 정보 제공 시스템 | |
CN108537174A (zh) | 时变工况条件下旋转机械运行状态在线监测方法及系统 | |
TWI783593B (zh) | 智慧產線設備精實預防保養及耗能可視化監控系統及其方法 | |
CN117233519B (zh) | 一种基于数据分析的检测测试系统 |
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 |