CN117950381B - 一种数字化生产制造管理系统 - Google Patents
一种数字化生产制造管理系统 Download PDFInfo
- Publication number
- CN117950381B CN117950381B CN202410349261.8A CN202410349261A CN117950381B CN 117950381 B CN117950381 B CN 117950381B CN 202410349261 A CN202410349261 A CN 202410349261A CN 117950381 B CN117950381 B CN 117950381B
- Authority
- CN
- China
- Prior art keywords
- equipment
- model
- image
- acquiring
- temperature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 48
- 230000010354 integration Effects 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims description 34
- 230000007613 environmental effect Effects 0.000 claims description 22
- 238000013178 mathematical model Methods 0.000 claims description 22
- 238000011084 recovery Methods 0.000 claims description 22
- 238000007781 pre-processing Methods 0.000 claims description 17
- 238000007726 management method Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 description 6
- 238000009413 insulation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种数字化生产制造管理系统,属于生产管理技术领域,包括设备检测模块、电源保护模块、服务器和工位管理模块;所述检测模块用于检测设备的运行状况,具体方法包括:实时获取设备的检测温度和环境温度,获取设备的型号,将检测温度、环境温度和设备型号标记为输入数据;获取温度模型;将输入数据输入至温度模型获取输出结果,输出结果是设备整合温度;通过设置分析模型,将设备整合温度、设备噪音和设备振幅输入到分析模型中,获得设备状态标签,当设备状态标签设备故障时,发出警报声,或者有用户设置直接关闭设备,可以及时的发现设备问题,降低设备故障对生产计划的影响。
Description
技术领域
本发明属于生产制造管理技术领域;具体是一种数字化生产制造管理系统。
背景技术
生产线就是产品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。生产线是按对象原则组织起来的,完成产品工艺过程的一种生产组织形式,即按产品专业化原则,配备生产某种产品(零、部件)所需要的各种设备和各工种的工人,负责完成某种产品(零、部件)的全部制造工作,对相同的劳动对象进行不同工艺的加工。
目前生产线在运行过程中会产生热量、震动和噪音,当出现故障时,往往不能及时的发现,有的工人经验丰富,可能会发现设备有问题,但是仅仅根据工人操作经验并不能满足生产的需求,而且当设备出现故障停止运行时,这个时候进行检修已经晚了,会给设备和生产计划带来更坏的影响;因此本发明综合温度、设备噪音和设备振幅对生产设备进行检测,解决设备出现故障不能及时发现的问题。
发明内容
本发明的目的在于提供一种数字化生产制造管理系统,解决设备出现故障不能及时发现的问题。通过实时获取环境噪音和厂房内噪音,建立数学模型,数学模型用于将输入的数学信息生成反向的数学信息,将获取到的环境噪音转化为数字信息输入到数学模型中,对输入数学模型中的数字信息生成抵消信息,再将抵消信息转化为声音,抵消获取到的厂房内噪音,将抵消后的厂房内噪音标记为设备噪音,消除环境噪音对设备噪音采集的影响,增加设备检测的正确性。
本发明的目的可以通过以下技术方案实现:
一种数字化生产制造管理系统,包括设备检测模块、电源保护模块、服务器和工位管理模块;
所述检测模块用于检测设备的运行状况,具体方法包括:实时获取设备的检测温度和环境温度,获取设备的型号,将检测温度、环境温度和设备型号标记为输入数据;获取温度模型;将输入数据输入至温度模型获取输出结果,输出结果是设备整合温度;实时获取环境噪音和厂房内噪音,建立数学模型,数学模型用于将输入的数学信息生成反向的数学信息,将获取到的环境噪音转化为数字信息输入到数学模型中,对输入数学模型中的数字信息生成抵消信息,再将抵消信息转化为声音,抵消获取到的厂房内噪音,将抵消后的厂房内噪音标记为设备噪音,实时获取设备的振幅,设置分析模型,将设备整合温度、设备噪音和设备振幅输入到分析模型中,获得设备状态标签。
进一步地,所述设备状态标签包括01、02、03和04,当状态标签为01时,表示分析面积警戒值大于综合状态圈面积且综合状态圈与警戒圈未相交,设备运行正常;当状态标签为02时,表示分析面积警戒值不大于综合状态圈面积,综合状态圈与警戒圈未相交,设备运行故障;当状态标签为03时,表示分析面积警戒值大于综合状态圈面积,综合状态圈与警戒圈相交,设备运行故障;当状态标签为04时,表示分析面积警戒值不大于综合状态圈面积,综合状态圈与警戒圈相交,设备运行故障。
进一步地,设置分析模型的方法包括:建立三轴坐标系,分别以设备整合温度、设备振幅和设备噪音为三个坐标轴方向,获取设备整合温度警戒值、设备振幅警戒值和设备噪音警戒值,以设备整合温度警戒值、设备振幅警戒值和设备噪音警戒值建立警戒圈,根据输入进来的设备整合温度、设备噪音和设备振幅建立综合状态圈,并计算出综合状态圈的面积,设置分析面积警戒值,将分析面积警戒值与综合状态圈面积进行对比,输出对比结果,判断综合状态圈与警戒圈是否相交,输出判断结果。
进一步地,所述电源保护模块用于检测设备的线路安全,具体方法包括:获取设备线路的高清图像,将高清图像进行图像预处理,并将图像预处理之后的图像标记为第一灰度图像;以图像中心为原点,建立图像灰度值三维坐标系,将第一图像灰度值输入到坐标系中,将相邻灰度值点使用平滑曲线进行连接,形成第一灰度值曲面,获取设备线路的背景图像,将背景图像进行图像预处理,并将图像预处理之后的背景图像标记为背景灰度图像,将背景灰度图像输入到图像灰度值三维坐标系中,根据灰度值将第一灰度图像中的背景进行分割,将分割后的第一灰度图像标记为无背景图像,建立设备线路灰度值对照库,将无背景图像输入到设备线路灰度值对照库中进行匹配,获得线路的工作状态。
进一步地,所述工位管理模块用于对生产线的工位进行管理,具体方法包括:获取生产线历史工作效率数据,历史工作效率数据包括回收效率和成本预算,获取神经网络模型,为历史工作效率数据设置对应的工位数量,通过历史工作效率数据与对应的工位数量对神经网络模型进行训练,将训练完成的神经网络模型标记为工位模型,获取用户回收计划,根据用户回收计划获得回收效率和成本预算,将回收效率和成本预算输入到工位模型中,获得工位数量,根据工位数量对生产线上的工位数量进行安排。
本发明的有益效果:通过实时获取设备的检测温度和环境温度,获取设备的型号,将检测温度、环境温度和设备型号标记为输入数据;获取温度模型;将输入数据输入至温度模型获取输出结果,输出结果是设备整合温度;因为单一的检测温度、环境温度和设备型号都是设备的影响因素,只有将检测温度、环境温度和设备型号整合起来,才能得出真正的设备影响温度;通过实时获取环境噪音和厂房内噪音,建立数学模型,数学模型用于将输入的数学信息生成反向的数学信息,将获取到的环境噪音转化为数字信息输入到数学模型中,对输入数学模型中的数字信息生成抵消信息,再将抵消信息转化为声音,抵消获取到的厂房内噪音,将抵消后的厂房内噪音标记为设备噪音,消除环境噪音对设备噪音采集的影响,增加设备检测的正确性;通过设置分析模型,将设备整合温度、设备噪音和设备振幅输入到分析模型中,获得设备状态标签,当设备状态标签设备故障时,发出警报声,或者有用户设置直接关闭设备,可以及时的发现设备问题,降低设备故障对生产计划的影响。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明原理框图;
图2为本发明分析模型示意图。
具体实施方式
下面将结合实施例对本发明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。
如图1-2所示,一种数字化生产制造管理系统,包括设备检测模块、电源保护模块、服务器和工位管理模块;
检测模块用于检测设备的运行状况,具体方法包括:实时获取设备的检测温度和环境温度,环境温度为设备运行空间内的温度,获取设备的型号,将检测温度、环境温度和设备型号标记为输入数据;获取温度模型;将输入数据输入至温度模型获取输出结果,输出结果是设备整合温度;因为单一的检测温度、环境温度和设备型号都是设备的影响因素,只有将检测温度、环境温度和设备型号整合起来,才能得出真正的设备影响温度;实时获取环境噪音和厂房内噪音,建立数学模型,数学模型用于将输入的数学信息生成反向的数学信息,将获取到的环境噪音转化为数字信息输入到数学模型中,对输入数学模型中的数字信息生成抵消信息,抵消信息就是数字信息的相反信息,再将抵消信息转化为声音,抵消获取到的厂房内噪音,将抵消后的厂房内噪音标记为设备噪音,实时获取设备的振幅,设备的振幅就是设备在工作过程中的震动幅度,设置分析模型,将设备整合温度、设备噪音和设备振幅输入到分析模型中,获得设备状态标签,当设备状态标签设备故障时,发出警报声,或者有用户设置直接关闭设备。
设备状态标签包括01、02、03和04,当状态标签为01时,表示分析面积警戒值大于综合状态圈面积且综合状态圈与警戒圈未相交,设备运行正常;当状态标签为02时,表示分析面积警戒值不大于综合状态圈面积,综合状态圈与警戒圈未相交,设备运行故障;当状态标签为03时,表示分析面积警戒值大于综合状态圈面积,综合状态圈与警戒圈相交,设备运行故障;当状态标签为04时,表示分析面积警戒值不大于综合状态圈面积,综合状态圈与警戒圈相交,设备运行故障。
设置分析模型的方法包括:建立三轴坐标系,分别以设备整合温度、设备振幅和设备噪音为三个坐标轴方向,获取设备整合温度警戒值、设备振幅警戒值和设备噪音警戒值,设备整合温度警戒值、设备振幅警戒值和设备噪音警戒值均是根据设备的使用说明、设备工作所在地区和用户使用习惯进行设置,以设备整合温度警戒值、设备振幅警戒值和设备噪音警戒值建立警戒圈,根据输入进来的设备整合温度、设备噪音和设备振幅建立综合状态圈,并计算出综合状态圈的面积,是坐标轴以最小分度个数计算的面积,设置分析面积警戒值,分析面积警戒值根据设备的使用说明、安全规范和网络数据由专家组讨论设置,将分析面积警戒值与综合状态圈面积进行对比,输出对比结果,判断综合状态圈与警戒圈是否相交,输出判断结果。
温度模型的获取方法包括以下步骤:获取设备历史温度数据,设备历史温度数据包括检测温度、环境温度和设备型号;为设备历史温度数据设置对应的输出结果;构建人工智能模型;人工智能模型包括误差逆向传播神经网络、RBF神经网络和深度卷积神经网络;将设备历史温度数据和对应的状态标签按照设定比例划分为训练集、测试集和校验集;设定比例包括2:2:1、3:2:1和3:1:1;通过训练集、测试集和校验集对人工智能模型进行训练、测试和校验;将训练完成的人工智能模型标记为温度模型。
电源保护模块用于检测设备的线路安全,具体方法包括:获取设备线路的高清图像,将高清图像进行图像预处理,并将图像预处理之后的图像标记为第一灰度图像;图像预处理包括图像分割、图像去噪、图像增强和灰度变换;以图像中心为原点,建立图像灰度值三维坐标系,将第一图像灰度值输入到坐标系中,将相邻灰度值点使用平滑曲线进行连接,形成第一灰度值曲面,获取设备线路的背景图像,设备线路的背景图像与设备线路图像相比就是没有线路而已,将背景图像进行图像预处理,并将图像预处理之后的背景图像标记为背景灰度图像,将背景灰度图像输入到图像灰度值三维坐标系中,根据灰度值将第一灰度图像中的背景进行分割,将分割后的第一灰度图像标记为无背景图像,建立设备线路灰度值对照库,设备线路灰度值对照库用于收录不同状态下线路的灰度值图像,不同状态下线路就是过载、短路、老化、积灰等情况,将无背景图像输入到设备线路灰度值对照库中进行匹配,获得线路的工作状态;顺着导线观察线路绝缘层,若发现绝缘层出现颜色失去光泽、变暗、变硬、裂纹、部分脱落,用双手弯曲绝缘导线时导线僵硬,甚至绝缘层开裂、绝缘层脱落等,这说明该导线已经出现了不同程度的老化和严重老化。
工位管理模块用于对生产线的工位进行管理,具体方法包括:获取生产线历史工作效率数据,历史工作效率数据包括回收效率和成本预算,成本预算就是计划投入的成本,包括人工成本、设备折旧成本和能源成本,获取神经网络模型,为历史工作效率数据设置对应的工位数量,通过历史工作效率数据与对应的工位数量对神经网络模型进行训练,将训练完成的神经网络模型标记为工位模型,获取用户回收计划,用户回收计划包括回收量、成本预算和工作进度,根据用户回收计划获得回收效率和成本预算,将回收效率和成本预算输入到工位模型中,获得工位数量,根据工位数量对生产线上的工位数量进行安排。
本发明在使用时,实时获取设备的检测温度和环境温度,获取设备的型号,将检测温度、环境温度和设备型号标记为输入数据;获取温度模型;将输入数据输入至温度模型获取输出结果,输出结果是设备整合温度;实时获取环境噪音和厂房内噪音,建立数学模型,数学模型用于将输入的数学信息生成反向的数学信息,将获取到的环境噪音转化为数字信息输入到数学模型中,对输入数学模型中的数字信息生成抵消信息,再将抵消信息转化为声音,抵消获取到的厂房内噪音,将抵消后的厂房内噪音标记为设备噪音,实时获取设备的振幅,设置分析模型,将设备整合温度、设备噪音和设备振幅输入到分析模型中,获得设备状态标签;设备状态标签包括01、02、03和04,当状态标签为01时,表示分析面积警戒值大于综合状态圈面积且综合状态圈与警戒圈未相交,设备运行正常;当状态标签为02时,表示分析面积警戒值不大于综合状态圈面积,综合状态圈与警戒圈未相交,设备运行故障;当状态标签为03时,表示分析面积警戒值大于综合状态圈面积,综合状态圈与警戒圈相交,设备运行故障;当状态标签为04时,表示分析面积警戒值不大于综合状态圈面积,综合状态圈与警戒圈相交,设备运行故障。
建立三轴坐标系,分别以设备整合温度、设备振幅和设备噪音为三个坐标轴方向,获取设备整合温度警戒值、设备振幅警戒值和设备噪音警戒值,以设备整合温度警戒值、设备振幅警戒值和设备噪音警戒值建立警戒圈,根据输入进来的设备整合温度、设备噪音和设备振幅建立综合状态圈,并计算出综合状态圈的面积,设置分析面积警戒值,将分析面积警戒值与综合状态圈面积进行对比,输出对比结果,判断综合状态圈与警戒圈是否相交,输出判断结果。获取设备历史温度数据,设备历史温度数据包括检测温度、环境温度和设备型号;为设备历史温度数据设置对应的输出结果;构建人工智能模型;将设备历史温度数据和对应的状态标签按照设定比例划分为训练集、测试集和校验集;通过训练集、测试集和校验集对人工智能模型进行训练、测试和校验;将训练完成的人工智能模型标记为温度模型。
获取设备线路的高清图像,将高清图像进行图像预处理,并将图像预处理之后的图像标记为第一灰度图像;以图像中心为原点,建立图像灰度值三维坐标系,将第一图像灰度值输入到坐标系中,将相邻灰度值点使用平滑曲线进行连接,形成第一灰度值曲面,获取设备线路的背景图像,将背景图像进行图像预处理,并将图像预处理之后的背景图像标记为背景灰度图像,将背景灰度图像输入到图像灰度值三维坐标系中,根据灰度值将第一灰度图像中的背景进行分割,将分割后的第一灰度图像标记为无背景图像,建立设备线路灰度值对照库,将无背景图像输入到设备线路灰度值对照库中进行匹配,获得线路的工作状态;工位管理模块用于对生产线的工位进行管理,具体方法包括:获取生产线历史工作效率数据,历史工作效率数据包括回收效率和成本预算,获取神经网络模型,为历史工作效率数据设置对应的工位数量,通过历史工作效率数据与对应的工位数量对神经网络模型进行训练,将训练完成的神经网络模型标记为工位模型,获取用户回收计划,根据用户回收计划获得回收效率和成本预算,将回收效率和成本预算输入到工位模型中,获得工位数量,根据工位数量对生产线上的工位数量进行安排。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”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发明的至少一个实施例或示例中。在本说明书中,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。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上内容仅仅是对本发明结构所做的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (3)
1.一种数字化生产制造管理系统,其特征在于,包括设备检测模块、电源保护模块、服务器和工位管理模块;
所述检测模块用于检测设备的运行状况,具体方法包括:实时获取设备的检测温度和环境温度,获取设备的型号,将检测温度、环境温度和设备型号标记为输入数据;获取温度模型;将输入数据输入至温度模型获取输出结果,输出结果是设备整合温度;实时获取环境噪音和厂房内噪音,建立数学模型,数学模型用于将输入的数学信息生成反向的数学信息,将获取到的环境噪音转化为数字信息输入到数学模型中,对输入数学模型中的数字信息生成抵消信息,再将抵消信息转化为声音,抵消获取到的厂房内噪音,将抵消后的厂房内噪音标记为设备噪音,实时获取设备的振幅,设置分析模型,将设备整合温度、设备噪音和设备振幅输入到分析模型中,获得设备状态标签;所述电源保护模块用于检测设备的线路安全,具体方法包括:获取设备线路的高清图像,将高清图像进行图像预处理,并将图像预处理之后的图像标记为第一灰度图像;以图像中心为原点,建立图像灰度值三维坐标系,将第一图像灰度值输入到坐标系中,将相邻灰度值点使用平滑曲线进行连接,形成第一灰度值曲面,获取设备线路的背景图像,将背景图像进行图像预处理,并将图像预处理之后的背景图像标记为背景灰度图像,将背景灰度图像输入到图像灰度值三维坐标系中,根据灰度值将第一灰度图像中的背景进行分割,将分割后的第一灰度图像标记为无背景图像,建立设备线路灰度值对照库,将无背景图像输入到设备线路灰度值对照库中进行匹配,获得线路的工作状态;所述工位管理模块用于对生产线的工位进行管理,具体方法包括:获取生产线历史工作效率数据,历史工作效率数据包括回收效率和成本预算,获取神经网络模型,为历史工作效率数据设置对应的工位数量,通过历史工作效率数据与对应的工位数量对神经网络模型进行训练,将训练完成的神经网络模型标记为工位模型,获取用户回收计划,根据用户回收计划获得回收效率和成本预算,将回收效率和成本预算输入到工位模型中,获得工位数量,根据工位数量对生产线上的工位数量进行安排。
2.根据权利要求1所述的一种数字化生产制造管理系统,其特征在于,所述设备状态标签包括01、02、03和04,当状态标签为01时,表示分析面积警戒值大于综合状态圈面积且综合状态圈与警戒圈未相交,设备运行正常;当状态标签为02时,表示分析面积警戒值不大于综合状态圈面积,综合状态圈与警戒圈未相交,设备运行故障;当状态标签为03时,表示分析面积警戒值大于综合状态圈面积,综合状态圈与警戒圈相交,设备运行故障;当状态标签为04时,表示分析面积警戒值不大于综合状态圈面积,综合状态圈与警戒圈相交,设备运行故障。
3.根据权利要求1所述的一种数字化生产制造管理系统,其特征在于,设置分析模型的方法包括:建立三轴坐标系,分别以设备整合温度、设备振幅和设备噪音为三个坐标轴方向,获取设备整合温度警戒值、设备振幅警戒值和设备噪音警戒值,以设备整合温度警戒值、设备振幅警戒值和设备噪音警戒值建立警戒圈,根据输入进来的设备整合温度、设备噪音和设备振幅建立综合状态圈,并计算出综合状态圈的面积,设置分析面积警戒值,将分析面积警戒值与综合状态圈面积进行对比,输出对比结果,判断综合状态圈与警戒圈是否相交,输出判断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410349261.8A CN117950381B (zh) | 2024-03-26 | 2024-03-26 | 一种数字化生产制造管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410349261.8A CN117950381B (zh) | 2024-03-26 | 2024-03-26 | 一种数字化生产制造管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117950381A CN117950381A (zh) | 2024-04-30 |
CN117950381B true CN117950381B (zh) | 2024-05-28 |
Family
ID=90794694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410349261.8A Active CN117950381B (zh) | 2024-03-26 | 2024-03-26 | 一种数字化生产制造管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117950381B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019192107A (ja) * | 2018-04-27 | 2019-10-31 | 株式会社シーイーシー | 管理装置、及び、管理装置のプログラム |
CN111650914A (zh) * | 2020-07-02 | 2020-09-11 | 昆明理工大学 | 一种汽车动力电池的装配过程的优化调度方法 |
CN113420290A (zh) * | 2021-06-25 | 2021-09-21 | 深圳得讯信息技术有限公司 | 一种电力物联网设备的安全性检测方法及系统 |
WO2022216522A2 (en) * | 2021-04-06 | 2022-10-13 | Delaware Capital Formation, Inc. | Predictive maintenance of industrial equipment |
WO2022240906A1 (en) * | 2021-05-11 | 2022-11-17 | Strong Force Vcn Portfolio 2019, Llc | Systems, methods, kits, and apparatuses for edge-distributed storage and querying in value chain networks |
CN115576269A (zh) * | 2022-10-10 | 2023-01-06 | 深圳市博硕科技股份有限公司 | 一种cap系列注塑件双面胶自动贴合设备控制系统及方法 |
CN116088399A (zh) * | 2023-04-10 | 2023-05-09 | 中国电力工程顾问集团西南电力设计院有限公司 | 一种智慧电厂厂区监控系统及其监控方法 |
CN116224926A (zh) * | 2022-12-19 | 2023-06-06 | 同济大学 | 面向单件小批柔性制造车间的动态调度优化方法及装置 |
CN117590816A (zh) * | 2023-12-14 | 2024-02-23 | 湖南比邻星科技有限公司 | 一种基于物联网的多机器人协同控制系统及方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10551826B2 (en) * | 2016-03-24 | 2020-02-04 | Andrei Popa-Simil | Method and system to increase operator awareness |
KR20240010457A (ko) * | 2021-04-16 | 2024-01-23 | 스트롱 포스 브이씨엔 포트폴리오 2019, 엘엘씨 | 디지털 제품 네트워크 시스템 및 생물학 기반 가치 사슬 네트워크를 위한 시스템, 방법, 키트 및 장치 |
-
2024
- 2024-03-26 CN CN202410349261.8A patent/CN117950381B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019192107A (ja) * | 2018-04-27 | 2019-10-31 | 株式会社シーイーシー | 管理装置、及び、管理装置のプログラム |
CN111650914A (zh) * | 2020-07-02 | 2020-09-11 | 昆明理工大学 | 一种汽车动力电池的装配过程的优化调度方法 |
WO2022216522A2 (en) * | 2021-04-06 | 2022-10-13 | Delaware Capital Formation, Inc. | Predictive maintenance of industrial equipment |
WO2022240906A1 (en) * | 2021-05-11 | 2022-11-17 | Strong Force Vcn Portfolio 2019, Llc | Systems, methods, kits, and apparatuses for edge-distributed storage and querying in value chain networks |
CN113420290A (zh) * | 2021-06-25 | 2021-09-21 | 深圳得讯信息技术有限公司 | 一种电力物联网设备的安全性检测方法及系统 |
CN115576269A (zh) * | 2022-10-10 | 2023-01-06 | 深圳市博硕科技股份有限公司 | 一种cap系列注塑件双面胶自动贴合设备控制系统及方法 |
CN116224926A (zh) * | 2022-12-19 | 2023-06-06 | 同济大学 | 面向单件小批柔性制造车间的动态调度优化方法及装置 |
CN116088399A (zh) * | 2023-04-10 | 2023-05-09 | 中国电力工程顾问集团西南电力设计院有限公司 | 一种智慧电厂厂区监控系统及其监控方法 |
CN117590816A (zh) * | 2023-12-14 | 2024-02-23 | 湖南比邻星科技有限公司 | 一种基于物联网的多机器人协同控制系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117950381A (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Compare et al. | Challenges to IoT-enabled predictive maintenance for industry 4.0 | |
CN109656793A (zh) | 一种基于多源异构数据融合的信息系统性能立体监测方法 | |
CN107273924B (zh) | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 | |
CN101799674B (zh) | 一种数控装备服役状态分析方法 | |
CN111461555A (zh) | 一种生产线质量监测方法、装置及系统 | |
CN102521604B (zh) | 一种基于巡检系统的设备性能退化评估装置及方法 | |
CN114723285B (zh) | 一种电网设备安全性评估预测方法 | |
CN104407589A (zh) | 面向车间制造过程的实时生成性能主动感知与异常分析方法 | |
CN113902242A (zh) | 一种基于数字孪生的电网设备的综合状态评价方法及系统 | |
CN114218763A (zh) | 一种基于数字孪生的产线动态虚拟重组方法 | |
CN112383630A (zh) | 一种基于生产线切面的分布式可插拔工序数据上报系统 | |
CN113627032A (zh) | 一种基于数字孪生的设备设计/维修方案智能决策方法 | |
CN112580858A (zh) | 设备参数预测分析方法及系统 | |
CN116956215A (zh) | 一种传动系统故障诊断方法及系统 | |
CN113641667B (zh) | 一种分布式大数据采集平台的数据异常监控系统及方法 | |
CN113611096A (zh) | 一种空压站电能消耗监测预警系统 | |
CN117950381B (zh) | 一种数字化生产制造管理系统 | |
CN117270482A (zh) | 基于数字孪生的汽车工厂控制系统 | |
CN117217020A (zh) | 一种基于数字孪生的工业模型构建方法及系统 | |
CN117332252A (zh) | 一种基于振动增长速度的旋转动设备趋势预警方法 | |
CN116993215A (zh) | 一种电力装备制造质量智能化评价预警方法及系统 | |
CN116467592A (zh) | 一种基于深度学习的生产设备故障智能监测方法及系统 | |
CN114442543A (zh) | 一种适用于水电站故障预警的计算机监测方法 | |
Li et al. | Research on Mathematical Calculation of Bridge Health Monitoring System based on BIM Model Time History Analysis | |
CN112364088A (zh) | 基于工厂数字化制造资源的可视化配置系统 |
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 |