CN118211958A - 一种产前设备自诊断方法、装置、电子设备及存储介质 - Google Patents
一种产前设备自诊断方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN118211958A CN118211958A CN202410342358.6A CN202410342358A CN118211958A CN 118211958 A CN118211958 A CN 118211958A CN 202410342358 A CN202410342358 A CN 202410342358A CN 118211958 A CN118211958 A CN 118211958A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- equipment
- prediction model
- characteristic parameter
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004092 self-diagnosis Methods 0.000 title claims abstract description 22
- 238000004519 manufacturing process Methods 0.000 claims abstract description 83
- 238000001514 detection method Methods 0.000 claims abstract description 34
- 238000012423 maintenance Methods 0.000 claims abstract description 30
- 241000208125 Nicotiana Species 0.000 claims description 80
- 235000002637 Nicotiana tabacum Nutrition 0.000 claims description 80
- 235000019504 cigarettes Nutrition 0.000 claims description 64
- 239000002245 particle Substances 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 33
- 230000000007 visual effect Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000011176 pooling Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000008187 granular material Substances 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例公开了一种产前设备自诊断方法、装置、电子设备及存储介质。该方法包括先基于检测单元获取生产设备的至少一个设备运行数据,再基于设备种类将各设备运行数据分别输入至训练好的各预测模型中,得到特征参数值,接着将各特征参数值与预设的故障阈值进行比对,得到比对结果,生成故障报警信息,并确定对应的故障数据,获取故障数据中的导航信息,基于导航信息定位设备故障位置,并生成故障位置信息。通过各预测模型自动化分析采集的设备运行数据,满足了当出现设备故障时可及时进行自动故障报警的要求,并且通过分析故障数据的导航信息还可确定精确故障位置及维修路线,极大程度上节省了维修时间,达到了提高生产效率的目的。
Description
技术领域
本说明书一个或多个实施例涉及自动化检测技术领域,尤其涉及一种产前设备自诊断方法、装置、电子设备及存储介质。
背景技术
在烟草行业中,目前对香烟生产设备的故障检测主要依赖人工检查,不仅存在人力成本高、效率低的问题,并且由于人工检测的局限性,设备故障往往不能及时被发现和处理,导致生产延误和设备损坏。此外,采用人工检测由于无法准确定位设备故障部位,维修人员往往需要花费大量时间来查找和修复故障。
发明内容
本说明书实施例提供了一种产前设备自诊断方法、装置、电子设备及存储介质,其技术方案如下:
第一方面,本说明书实施例提供了一种产前设备自诊断方法,所述方法包括:
基于检测单元获取生产设备的至少一个设备运行数据;
基于设备种类将各所述设备运行数据分别输入至训练好的各预测模型中,得到各所述设备运行数据对应的特征参数值;
将各所述特征参数值与预设的故障阈值进行比对,得到比对结果,基于所述比对结果生成故障报警信息;
确定所述故障报警信息对应的故障数据,并获取所述故障数据中的导航信息,基于所述导航信息定位设备故障位置,并生成故障位置信息。
第二方面,提供了一种产前设备自诊断装置,所述装置包括:
获取模块,用于基于检测单元获取生产设备的至少一个设备运行数据;
输入模块,基于设备种类将各所述设备运行数据分别输入至训练好的各预测模型中,得到各所述设备运行数据对应的特征参数值;
比对模块,用于将各所述特征参数值与预设的故障阈值进行比对,得到比对结果,基于所述比对结果生成故障报警信息;
定位模块,用于确定所述故障报警信息对应的故障数据,并获取所述故障数据中的导航信息,基于所述导航信息定位设备故障位置,并生成故障位置信息。
第三方面,提供了一种电子设备,包括设备处理器以及存储器;
所述设备处理器与所述存储器相连;
所述存储器,用于存储可执行程序代码;
所述设备处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于执行如第一方面或第一方面的任意一种可能的实现方式提供的方法的步骤。
第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机可读存储介质中存储有指令,当所述指令在计算机或设备处理器上运行时,使得所述计算机或设备处理器执行如第一方面或第一方面的任意一种可能的实现方式提供的方法。
本说明书一些实施例提供的技术方案带来的有益效果至少包括:
在本说明书一个或多个实施例中,先基于检测单元获取生产设备的至少一个设备运行数据,再基于设备种类将各设备运行数据分别输入至训练好的各预测模型中,得到各设备运行数据对应的特征参数值,接着将各特征参数值与预设的故障阈值进行比对,得到比对结果,基于比对结果生成故障报警信息,并确定故障报警信息对应的故障数据,获取故障数据中的导航信息,基于导航信息定位设备故障位置,并生成故障位置信息。通过各预测模型自动化分析采集的设备运行数据,满足了当出现设备故障时可及时进行自动故障报警的要求,并且通过分析故障数据的导航信息还可确定精确故障位置及维修路线,极大程度上节省了维修时间,达到了提高生产效率的目的。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例中所需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申请的一些实施例,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为本说明书实施例提供的一种产前设备自诊断方法的系统架构示意图;
图2为本说明书实施例提供的一种产前设备自诊断方法的流程图;
图3为本说明书实施例提供的一种产前设备自诊断装置的结构示意图;
图4为本说明书实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
本说明书中的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
下面的描述提供了示例,并且不对权利要求书中阐述的范围、适用性或示例进行限制。可以在不脱离本说明书内容的范围的情况下,对描述的元素的功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。例如所描述的方法可以以所描述的顺序不同的顺序来执行,并且可以添加、省略或组合各种步骤。此外,可以将关于一些示例描述的特征组合到其他示例中。
请参阅图1,图1示出了本说明书实施例提供的一种产前设备自诊断方法。
如图1所示,该产前设备自诊断方法的系统架构至少可以包括终端10、服务器20和网络30。
终端10包括但不限于智能手机、台式计算机、平板电脑、笔记本电脑、智能音箱、数字助理、智能可穿戴设备等类型的电子设备,也可以为运行于上述电子设备的软体,例如应用程序等。可选的,电子设备上运行的操作系统可以包括但不限于安卓系统、IOS系统、linux、windows等。可选地,终端10向用户提供产前设备自诊断服务,终端10可以获取应用程序接口的接入指令,并向服务器20发送产前设备自诊断请求。
服务器20可以为终端10提供后台服务,根据终端10发送的产前设备自诊断请求,服务器20会获取一系列产前设备自诊断指令,服务器20通过网络30将产前设备自诊断指令传输给其他终端10。具体的,服务器20可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。
网络30用以在终端10和服务器20之间提供通信链路的介质。网络30可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
此外,需要说明的是,图1所示的仅仅是本公开提供的一种系统,在实际应用中,还可以包括其他系统,例如可以包括更多的终端。
本说明书实施例中,上述终端10以及服务器20可以通过有线或无线通信方式进行直接或间接地连接,本公开在此不做限制。
接下来请参阅图2,图2示出了本说明书实施例提供的一种产前设备自诊断方法的整体流程图,该产前设备自诊断方法可以用于服务器20中。
如图2所示,该产前设备自诊断方法至少可以包括以下步骤:
步骤201、基于检测单元获取生产设备的至少一个设备运行数据。
在本说明书实施例中,烟草行业在连续生产香烟时,普遍采用定期班次交换生产方式进行香烟流水线生产。因此可以在交换生产班次时,即下一生产批次之前对生产设备进行自动化故障诊断。若需对生产设备进行自动化故障诊断,可先通过生产设备中安装的检测单元,来获取生产设备在上一生产批次中的设备运行数据,通过后续对设备运行数据的分析来判断生产设备的运行状态。
其中,由于各香烟生产车间的工艺流程不同,导致其生产车间对应的生产设备有所差异,各组生产设备中包括的生产机器也对应不同,但单个生产机器都会对应固定的检测单元,以便同一类生产机器获取统一标准的设备运行数据。作为一种示例,若某一生产车间中的生产设备包括干燥机,则干燥机中的检测单元对应为湿度传感器和重量传感器,其所获得的设备运行数据为干燥机数据。
在一种可实施方式中,所述生产设备包括干燥机、破碎机和卷烟机;
所述设备运行数据包括干燥机数据、破碎机数据和卷烟机数据;
所述干燥机对应的所述检测单元包括湿度传感器和重量传感器;
所述破碎机对应的所述检测单元包括振动传感器、颗粒大小传感器、颗粒形状传感器、颗粒密度传感器和烟丝视觉检测器;
所述卷烟机对应的所述检测单元包括速度传感器、张力传感器、数量传感器、滤嘴视觉检测器和烟支视觉检测器;
所述预测模型包括干燥机预测模型、破碎机预测模型和卷烟机预测模型。
在本说明书实施例中,烟草行业中最常见的标准生产车间一般工艺流程都包括烟叶干燥、破碎制丝和烟丝合卷,因此标准生产车间中的生产设备可包括干燥机、破碎机和卷烟机。其中,干燥机内部设置的检测单元可包括湿度传感器和重量传感器,破碎机内部设置的检测单元可包括振动传感器、颗粒大小传感器、颗粒形状传感器、颗粒密度传感器和烟丝视觉检测器,卷烟机内部设置的检测单元可包括速度传感器、张力传感器、数量传感器、滤嘴视觉检测器和烟支视觉检测器。因此,通过干燥机内部检测单元采集的设备运行数据为干燥机数据,通过破碎机内部检测单元采集的设备运行数据为破碎机数据,通过卷烟机内部检测单元采集的设备运行数据为卷烟机数据,由此可获取的设备运行数据可包括干燥机数据、破碎机数据和卷烟机数据。通过设备运行数据进行分析的预测模型可包括干燥机预测模型、破碎机预测模型和卷烟机预测模型。
其中,颗粒大小传感器可以通过激光采用散射光阻法来测量颗粒大小。颗粒形状传感器可采用摄像机对烟丝进行拍照得到。颗粒密度传感器可以通过使用X射线、γ射线或中子射线穿透颗粒目标样品,通过测量射线穿过目标样品时的衰减来计算密度。烟丝视觉检测器、滤嘴视觉检测器与烟支视觉检测器可采用摄像机分别对烟丝、滤嘴和成品烟支进行拍照,并通过图像处理算法得到各烟丝视觉处理图、各滤嘴视觉处理图和各烟支视觉处理图。
在一种可实施方式中,所述基于设备种类将各所述设备运行数据分别输入至训练好的各预测模型中,得到各所述设备运行数据对应的特征参数值之前,包括:
获取各所述生产设备对应的训练样本数据,基于所述训练样本数据构建训练集,所述训练样本数据包括各设备历史运行数据和各设备历史运行数据对应的特征参数值;
基于所述训练集对预设的初始预测模型进行训练,得到训练好的预测模型。
在本说明书实施例中,在对各设备运行数据进行模型预测之前,需要先对预测模型进行训练。首先,获取各生产设备中的训练样本数据,训练样本数据包括各设备历史运行数据和各设备历史运行数据对应的特征参数值。其中,各设备历史运行数据为生产人员统计历史生产批次中,通过各检测单元对应采集的各生产设备的设备运行数据,其对应的特征参数值可通过特征数据库查询设备运行数据对应的特征值得到,特征数据库为生产人员在长期实际生产过程中,通过统计大量的历史设备运行数据及其对应的设备运行状态得到。接着,再将各设备历史运行数据作为输入,其对应的特征参数值作为输出构建为训练集。最后,将训练集代入至预设的各初始预测模型中对各初始预测模型进行训练,得到训练好的各预测模型。
步骤202、基于设备种类将各所述设备运行数据分别输入至训练好的各预测模型中,得到各所述设备运行数据对应的特征参数值。
在本说明书实施例中,在获取了各设备运行数据后,由于各生产设备的设备种类不同,从而获取的设备运行数据大小格式不同,获取特征参数的预测模型也不相同。因此,首先需要先将获取的设备运行数据基于生产设备种类进行分类,再接着基于生产设备种类确定各预测模型种类,最后将各设备运行数据分别输入至对应的训练好的各预测模型中,以得到各设备运行数据对应的特征参数值。
作为一种示例,当目标生产设备为干燥机时,则获取的设备运行数据为干燥机数据,其对应的预测模型为干燥机预测模型。因此,在获取得到干燥机数据后,将干燥机数据输入至训练好的干燥机预测模型中,得到干燥机数据对应的干燥机特征参数值。
在一种可实施方式中,所述基于设备种类将各所述设备运行数据分别输入至训练好的各预测模型中,得到各所述设备运行数据对应的特征参数值,包括:
将所述干燥机数据输入至训练好的所述干燥机预测模型中,得到干燥机特征参数值;
将所述破碎机数据输入至训练好的所述破碎机预测模型中,得到破碎机特征参数值;
将所述卷烟机数据输入至训练好的所述卷烟机预测模型中,得到卷烟机特征参数值。
在本说明书实施例中,由于标准生产车间中的生产设备可包括干燥机、破碎机和卷烟机,因此其对应的预测模型可包括干燥机预测模型、破碎机预测模型和卷烟机预测模型。在对各设备运行数据进行模型预测时,可分别将干燥机数据输入至对应的训练好的干燥机预测模型中,得到干燥机特征参数值,将破碎机数据输入至对应的训练好的破碎机预测模型中,得到破碎机特征参数值,将卷烟机数据输入至对应的训练好的卷烟机预测模型中,得到卷烟机特征参数值。
在一种可实施方式中,所述方法还包括:
获取所述颗粒大小传感器、颗粒形状传感器、颗粒密度传感器和烟丝视觉检测器对应的烟丝历史数据;
基于卷积神经网络算法构建初始烟丝质量模型,并基于所述烟丝历史数据对所述初始烟丝质量模型进行训练,得到训练好的烟丝质量预测模型;
将烟丝数据输入训练好的所述烟丝质量预测模型中,得到烟丝质量特征参数值。
在本说明书实施例中,在香烟实际生产过程中,除了需要保证生产设备的正常运行状态,还需要定期检测同一批次的烟丝质量,如果烟丝质量不满足要求,即使生产设备处于正常运行状态,也需要在生产换班期进行及时的设备调整,以避免产生大量的残次品,影响生产效率,因此可通过检测单元采集的特定设备运行数据来对烟丝质量进行判断。首先,可将颗粒大小传感器、颗粒形状传感器、颗粒密度传感器和烟丝视觉检测器采集的数据合成特定的设备运行数据,即烟丝数据。接着,获取生产人员通过在长期的实际生产统计的烟丝历史数据,再基于卷积神经网络算法对目标烟丝构建初始的烟丝质量模型。进一步的,通过具有长期工作经验的生产人员对每个烟丝历史数据进行判断,得到其对应的烟丝质量特征值。接着,将烟丝历史数据作为输入,其对应的烟丝质量特征值作为输出对初始烟丝质量模型进行训练,得到训练好的烟丝质量预测模型。最后,将各检测单元采集的上一生产批次的烟丝数据输入至训练好的烟丝质量预测模型中,得到烟丝质量特征参数值。
其中,卷积神经网络(Convolutional Neural Networks,CNN)是一种深度学习模型,其基本结构如下:
输入层:接受原始图像数据作为输入。
卷积层(Convolutional Layer):通过卷积操作提取图像的特征。卷积层使用一组可学习的过滤器(或称为内核),这些过滤器在输入图像上滑动,通过计算过滤器与图像各部分的点积来生成特征图(feature map)。每个过滤器负责检测图像中的特定特征,如边缘、角点等。
激活函数:通常在卷积层之后使用非线性激活函数,如ReLU(Rectified LinearUnit)。激活函数增加了网络的非线性,使得网络能够学习更复杂的特征。
池化层(Pooling Layer):减少特征图的空间大小,同时保留重要信息。最常用的池化操作是最大池化(Max Pooling),它选择每个局部区域内的最大值作为该区域的代表。
全连接层(Fully Connected Layer):在网络的最后几层,全连接层将前一层的所有激活值连接到每一个神经元,这与传统的神经网络结构相似。全连接层用于进行最后的分类或回归任务。
输出层:根据具体任务输出最终结果。
步骤203、将各所述特征参数值与预设的故障阈值进行比对,得到比对结果,基于所述比对结果生成故障报警信息。
在本说明书实施例中,通过各预测模型得到各设备运行数据对应的特征参数值后,为了判断各生产设备是否发生故障,可先将得到的各特征参数值与其预设的各对应故障阈值进行比对,以得到比对结果,最后通过得到的比对结果来判断各生产设备是否发生故障。若通过比对结果判断生产设备发生故障,则立即生成故障报警信息,若通过比对结果判断生产设备无故障,则保持可生产状态。
在一种可实施方式中,所述将各所述特征参数值与预设的故障阈值进行比对,得到比对结果,基于所述比对结果生成故障报警信息,包括:
将所述干燥机特征参数值与预设的干燥机故障阈值进行差值计算,得到第一差值结果;
将所述破碎机特征参数值与预设的破碎机故障阈值进行差值计算,得到第二差值结果;
将所述卷烟机特征参数值与预设的卷烟机故障阈值进行差值计算,得到第三差值结果;
将所述烟丝质量特征参数值与预设的烟丝质量故障阈值进行差值计算,得到第四差值结果;
当所述第一差值结果、第二差值结果、第三差值结果和第四差值结果中的至少一个差值结果表征为所述特征参数值大于预设的所述故障阈值时,生成故障报警信息。
在本说明书实施例中,在对标准生产车间中的生产设备进行产前设备自诊断时,由于获取的特征参数值可包括干燥机特征参数值、破碎机特征参数值、卷烟机特征参数值和烟丝质量特征参数值,因此可先通过具有长期工作经验的生产人员预设其各对应的干燥机故障阈值、破碎机故障阈值、卷烟机故障阈值和烟丝质量故障阈值。接着,将干燥机特征参数值与预设的干燥机故障阈值进行差值计算,得到第一差值结果,将破碎机特征参数值与预设的破碎机故障阈值进行差值计算,得到第二差值结果,将卷烟机特征参数值与预设的卷烟机故障阈值进行差值计算,得到第三差值结果,将烟丝质量特征参数值与预设的烟丝质量故障阈值进行差值计算,得到第四差值结果。当第一差值结果、第二差值结果、第三差值结果和第四差值结果中的只要有一个差值结果为正数时,即表征为其中至少有一个特征参数值大于其对应预设的故障阈值,生产设备发生故障,则立即生成故障报警信息。当第一差值结果、第二差值结果、第三差值结果和第四差值结果中的所有差值结果都不为正数时,即表征全部特征参数值都小于其对应预设的故障阈值,生产设备无故障,保持可生产状态。
步骤204、确定所述故障报警信息对应的故障数据,并获取所述故障数据中的导航信息,基于所述导航信息定位设备故障位置,并生成故障位置信息。
在本说明书实施例中,当判断生产设备发生故障后生产故障报警信息,为了进一步确定生产设备的故障位置,可先根据生产设备的设备结构建立设备模型。作为一种示例,当标准生产车间中包括一个干燥机、一个破碎机和一个卷烟机时,可将这三台设备对应的各设备区域模型合成一个整体设备模型。接着,再确定出该故障报警信息对应的故障数据。其中,每一个故障数据可包括数据头和数据主体两部分,数据头包括故障数据来源信息,即导航信息。因此,接着可再对故障数据进行拆分,得到故障数据中的导航信息。进一步的,在建立的设备模型中查找该导航信息对应的设备故障位置。最后,再统计所有的设备故障位置,并生成故障位置信息上传给终端。
作为一种示例,若故障数据为干燥机中湿度传感器采集到的湿度数据,故障数据表示为1-湿度数据,则通过整体设备模型库查询其数据头的导航信息1,可定位故障设备位置为干燥机的热烘区域。
在一种可实施方式中,所述确定所述故障报警信息对应的故障数据,并获取所述故障数据中的导航信息,基于所述导航信息定位设备故障位置,并生成故障位置信息,包括:
确定所述故障报警信息对应的故障数据,并获取所述故障数据中的导航信息;
基于所述导航信息获取设备故障位置和数据联动关系,所述数据联动关系为各所述故障数据之间的影响关系;
基于所述数据联动关系确定所述生产设备的维修优先级,并基于所述维修优先级生成故障维修信息,所述故障维修信息包括故障位置信息和维修路线信息。
在本说明书实施例中,当判断生产设备发生故障后生产故障报警信息,为了进一步确定生产设备的故障位置,可先根据生产设备的设备结构建立设备模型,再确定产生故障报警信息时对应的故障数据。接着可再对故障数据进行拆分,得到故障数据中的导航信息,其中,导航信息除了可包括故障数据的来源信息之外,还可包括出现多个故障数据时,各故障数据之间的影响关系,即数据联动关系。作为一种示例,仍以上述实施例中的故障数据表示形式为例,当故障数据包括1-湿度数据、3-颗粒大小数据时,该故障数据中的1和3存在数据联动关系,即干燥机发生故障时,无论破碎机是否发生故障,干燥机产生的1-湿度数据都可以影响破碎机产生的3-颗粒大小数据。因此,再接着基于获取的数据联动关系确定各生产设备的维修优先级。最后基于维修优先级确定故障位置信息和维修路线信息,即故障维修信息。作为一种示例,若当故障数据包括1-湿度数据、3-颗粒大小数据时,干燥机产生的1-湿度数据可以影响破碎机产生的3-颗粒大小数据。因此在故障维修时应该先检修干燥机再检修破碎机,以避免由于干燥机故障导致破碎机故障报警的情况。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
接下来请参阅图3,图3示出了本说明书实施例提供的一种产前设备自诊断装置的结构示意图。需要说明的是,图3所示的产前设备自诊断装置用于执行本申请图2所示实施例的方法,为了便于说明,仅示出了与本申请实施例相关的部分,具体技术细节未揭示的,请参照本申请图2所示的实施例。
如图3所示,该产前设备自诊断装置至少可以包括:
获取模块301,用于基于检测单元获取生产设备的至少一个设备运行数据;
输入模块302,用于基于设备种类将各所述设备运行数据分别输入至训练好的各预测模型中,得到各所述设备运行数据对应的特征参数值;
比对模块303,用于将各所述特征参数值与预设的故障阈值进行比对,得到比对结果,基于所述比对结果生成故障报警信息;
定位模块304,用于确定所述故障报警信息对应的故障数据,并获取所述故障数据中的导航信息,基于所述导航信息定位设备故障位置,并生成故障位置信息。
在一种可实施方式中,获取模块301具体用于:
获取各所述生产设备对应的训练样本数据,基于所述训练样本数据构建训练集,所述训练样本数据包括各设备历史运行数据和各设备历史运行数据对应的特征参数值;
基于所述训练集对预设的初始预测模型进行训练,得到训练好的预测模型。
在一种可实施方式中,获取模块301具体还用于:
所述设备运行数据包括干燥机数据、破碎机数据和卷烟机数据;
所述干燥机对应的所述检测单元包括湿度传感器和重量传感器;
所述破碎机对应的所述检测单元包括振动传感器、颗粒大小传感器、颗粒形状传感器、颗粒密度传感器和烟丝视觉检测器;
所述卷烟机对应的所述检测单元包括速度传感器、张力传感器、数量传感器、滤嘴视觉检测器和烟支视觉检测器;
所述预测模型包括干燥机预测模型、破碎机预测模型和卷烟机预测模型。
在一种可实施方式中,输入模块302具体用于:
将所述干燥机数据输入至训练好的所述干燥机预测模型中,得到干燥机特征参数值;
将所述破碎机数据输入至训练好的所述破碎机预测模型中,得到破碎机特征参数值;
将所述卷烟机数据输入至训练好的所述卷烟机预测模型中,得到卷烟机特征参数值。
在一种可实施方式中,输入模块302具体还用于:
获取所述颗粒大小传感器、颗粒形状传感器、颗粒密度传感器和烟丝视觉检测器对应的烟丝历史数据;
基于卷积神经网络算法构建初始烟丝质量模型,并基于所述烟丝历史数据对所述初始烟丝质量模型进行训练,得到训练好的烟丝质量预测模型;
将烟丝数据输入训练好的所述烟丝质量预测模型中,得到烟丝质量特征参数值。
在一种可实施方式中,比对模块303具体用于:
将所述干燥机特征参数值与预设的干燥机故障阈值进行差值计算,得到第一差值结果;
将所述破碎机特征参数值与预设的破碎机故障阈值进行差值计算,得到第二差值结果;
将所述卷烟机特征参数值与预设的卷烟机故障阈值进行差值计算,得到第三差值结果;
将所述烟丝质量特征参数值与预设的烟丝质量故障阈值进行差值计算,得到第四差值结果;
当所述第一差值结果、第二差值结果、第三差值结果和第四差值结果中的至少一个差值结果表征为所述特征参数值大于预设的所述故障阈值时,生成故障报警信息。
在一种可实施方式中,定位模块304具体用于:
确定所述故障报警信息对应的故障数据,并获取所述故障数据中的导航信息;
基于所述导航信息获取设备故障位置和数据联动关系,所述数据联动关系为各所述故障数据之间的影响关系;
基于所述数据联动关系确定所述生产设备的维修优先级,并基于所述维修优先级生成故障维修信息,所述故障维修信息包括故障位置信息和维修路线信息。
本领域的技术人员可以清楚地了解到本申请实施例的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件,其中硬件例如可以是现场可编程门阵列(Field-ProgrammableGate Array,FPGA)、集成电路(Integrated Circuit,IC)等。
本申请实施例的各处理单元和/或模块,可通过实现本申请实施例所述的功能的模拟电路而实现,也可以通过执行本申请实施例所述的功能的软件而实现。
接下来请参阅图4,图4示出了本说明书实施例提供的一种电子设备的结构示意图。
如图4所示,该电子设备400可以包括:至少一个设备处理器401、至少一个网络接口404、用户接口403、存储器405以及至少一个通信总线402。
其中,通信总线402可用于实现上述各个组件的连接通信。
其中,用户接口403可以包括按键,可选用户接口还可以包括标准的有线接口、无线接口。
其中,网络接口404可以但不局限于包括蓝牙模块、NFC模块、Wi-Fi模块等。
其中,设备处理器401可以包括一个或者多个处理核心。设备处理器401利用各种接口和线路连接整个电子设备400内的各个部分,通过运行或执行存储在存储器405内的指令、程序、代码集或指令集,以及调用存储在存储器405内的数据,执行电子设备400的各种功能和处理数据。可选的,设备处理器401可以采用DSP、FPGA、PLA中的至少一种硬件形式来实现。设备处理器401可集成CPU、GPU和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到设备处理器401中,单独通过一块芯片进行实现。
其中,存储器405可以包括RAM,也可以包括ROM。可选的,该存储器405包括非瞬时性计算机可读介质。存储器405可用于存储指令、程序、代码、代码集或指令集。存储器405可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器405可选的还可以是至少一个位于远离前述设备处理器401的存储装置。如图4所示,作为一种计算机存储介质的存储器405中可以包括操作系统、网络通信模块、用户接口模块以及程序指令。
具体的,设备处理器401可以用于调用存储器405中存储的产前设备自诊断应用程序,并具体执行以下操作:
基于检测单元获取生产设备的至少一个设备运行数据;
基于设备种类将各所述设备运行数据分别输入至训练好的各预测模型中,得到各所述设备运行数据对应的特征参数值;
将各所述特征参数值与预设的故障阈值进行比对,得到比对结果,基于所述比对结果生成故障报警信息;
确定所述故障报警信息对应的故障数据,并获取所述故障数据中的导航信息,基于所述导航信息定位设备故障位置,并生成故障位置信息。
作为本说明书实施例的一种可选,其特征在于,所述基于设备种类将各所述设备运行数据分别输入至训练好的各预测模型中,得到各所述设备运行数据对应的特征参数值之前,包括:
获取各所述生产设备对应的训练样本数据,基于所述训练样本数据构建训练集,所述训练样本数据包括各设备历史运行数据和各设备历史运行数据对应的特征参数值;
基于所述训练集对预设的初始预测模型进行训练,得到训练好的预测模型。
作为本说明书实施例的一种可选,其特征在于,所述生产设备包括干燥机、破碎机和卷烟机;
所述设备运行数据包括干燥机数据、破碎机数据和卷烟机数据;
所述干燥机对应的所述检测单元包括湿度传感器和重量传感器;
所述破碎机对应的所述检测单元包括振动传感器、颗粒大小传感器、颗粒形状传感器、颗粒密度传感器和烟丝视觉检测器;
所述卷烟机对应的所述检测单元包括速度传感器、张力传感器、数量传感器、滤嘴视觉检测器和烟支视觉检测器;
所述预测模型包括干燥机预测模型、破碎机预测模型和卷烟机预测模型。
作为本说明书实施例的一种可选,其特征在于,所述基于设备种类将各所述设备运行数据分别输入至训练好的各预测模型中,得到各所述设备运行数据对应的特征参数值,包括:
将所述干燥机数据输入至训练好的所述干燥机预测模型中,得到干燥机特征参数值;
将所述破碎机数据输入至训练好的所述破碎机预测模型中,得到破碎机特征参数值;
将所述卷烟机数据输入至训练好的所述卷烟机预测模型中,得到卷烟机特征参数值。
作为本说明书实施例的一种可选,其特征在于,所述方法还包括:
获取所述颗粒大小传感器、颗粒形状传感器、颗粒密度传感器和烟丝视觉检测器对应的烟丝历史数据;
基于卷积神经网络算法构建初始烟丝质量模型,并基于所述烟丝历史数据对所述初始烟丝质量模型进行训练,得到训练好的烟丝质量预测模型;
将烟丝数据输入训练好的所述烟丝质量预测模型中,得到烟丝质量特征参数值。
作为本说明书实施例的一种可选,其特征在于,所述将各所述特征参数值与预设的故障阈值进行比对,得到比对结果,基于所述比对结果生成故障报警信息,包括:
将所述干燥机特征参数值与预设的干燥机故障阈值进行差值计算,得到第一差值结果;
将所述破碎机特征参数值与预设的破碎机故障阈值进行差值计算,得到第二差值结果;
将所述卷烟机特征参数值与预设的卷烟机故障阈值进行差值计算,得到第三差值结果;
将所述烟丝质量特征参数值与预设的烟丝质量故障阈值进行差值计算,得到第四差值结果;
当所述第一差值结果、第二差值结果、第三差值结果和第四差值结果中的至少一个差值结果表征为所述特征参数值大于预设的所述故障阈值时,生成故障报警信息。
作为本说明书实施例的一种可选,其特征在于,所述确定所述故障报警信息对应的故障数据,并获取所述故障数据中的导航信息,基于所述导航信息定位设备故障位置,并生成故障位置信息,包括:
确定所述故障报警信息对应的故障数据,并获取所述故障数据中的导航信息;
基于所述导航信息获取设备故障位置和数据联动关系,所述数据联动关系为各所述故障数据之间的影响关系;
基于所述数据联动关系确定所述生产设备的维修优先级,并基于所述维修优先级生成故障维修信息,所述故障维修信息包括故障位置信息和维修路线信息。
本说明书实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法的步骤。其中,计算机可读存储介质可以包括但不限于任何类型的盘,包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器IC),或适合于存储指令和/或数据的任何类型的媒介或设备。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可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,仅仅为一种逻辑功能划分,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服务接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
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,在本申请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。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(Read-Only Memory, ROM)、随机存取存储器(Random Access Memory,RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通进程序来指令相关的硬件来完成,该程序可以存储于计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(Read-Only Memory, ROM)、随机存取器(Random AccessMemory,RAM)、磁盘或光盘等。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
Claims (10)
1.一种产前设备自诊断方法,其特征在于,所述方法包括:
基于检测单元获取生产设备的至少一个设备运行数据;
基于设备种类将各所述设备运行数据分别输入至训练好的各预测模型中,得到各所述设备运行数据对应的特征参数值;
将各所述特征参数值与预设的故障阈值进行比对,得到比对结果,基于所述比对结果生成故障报警信息;
确定所述故障报警信息对应的故障数据,并获取所述故障数据中的导航信息,基于所述导航信息定位设备故障位置,并生成故障位置信息。
2.根据权利要求1所述的方法,其特征在于,所述基于设备种类将各所述设备运行数据分别输入至训练好的各预测模型中,得到各所述设备运行数据对应的特征参数值之前,包括:
获取各所述生产设备对应的训练样本数据,基于所述训练样本数据构建训练集,所述训练样本数据包括各设备历史运行数据和各设备历史运行数据对应的特征参数值;
基于所述训练集对预设的初始预测模型进行训练,得到训练好的预测模型。
3.根据权利要求1所述的方法,其特征在于,所述生产设备包括干燥机、破碎机和卷烟机;
所述设备运行数据包括干燥机数据、破碎机数据和卷烟机数据;
所述干燥机对应的所述检测单元包括湿度传感器和重量传感器;
所述破碎机对应的所述检测单元包括振动传感器、颗粒大小传感器、颗粒形状传感器、颗粒密度传感器和烟丝视觉检测器;
所述卷烟机对应的所述检测单元包括速度传感器、张力传感器、数量传感器、滤嘴视觉检测器和烟支视觉检测器;
所述预测模型包括干燥机预测模型、破碎机预测模型和卷烟机预测模型。
4.根据权利要求3所述的方法,其特征在于,所述基于设备种类将各所述设备运行数据分别输入至训练好的各预测模型中,得到各所述设备运行数据对应的特征参数值,包括:
将所述干燥机数据输入至训练好的所述干燥机预测模型中,得到干燥机特征参数值;
将所述破碎机数据输入至训练好的所述破碎机预测模型中,得到破碎机特征参数值;
将所述卷烟机数据输入至训练好的所述卷烟机预测模型中,得到卷烟机特征参数值。
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:
获取所述颗粒大小传感器、颗粒形状传感器、颗粒密度传感器和烟丝视觉检测器对应的烟丝历史数据;
基于卷积神经网络算法构建初始烟丝质量模型,并基于所述烟丝历史数据对所述初始烟丝质量模型进行训练,得到训练好的烟丝质量预测模型;
将烟丝数据输入训练好的所述烟丝质量预测模型中,得到烟丝质量特征参数值。
6.根据权利要求5所述的方法,其特征在于,所述将各所述特征参数值与预设的故障阈值进行比对,得到比对结果,基于所述比对结果生成故障报警信息,包括:
将所述干燥机特征参数值与预设的干燥机故障阈值进行差值计算,得到第一差值结果;
将所述破碎机特征参数值与预设的破碎机故障阈值进行差值计算,得到第二差值结果;
将所述卷烟机特征参数值与预设的卷烟机故障阈值进行差值计算,得到第三差值结果;
将所述烟丝质量特征参数值与预设的烟丝质量故障阈值进行差值计算,得到第四差值结果;
当所述第一差值结果、第二差值结果、第三差值结果和第四差值结果中的至少一个差值结果表征为所述特征参数值大于预设的所述故障阈值时,生成故障报警信息。
7.根据权利要求1所述的方法,其特征在于,所述确定所述故障报警信息对应的故障数据,并获取所述故障数据中的导航信息,基于所述导航信息定位设备故障位置,并生成故障位置信息,包括:
确定所述故障报警信息对应的故障数据,并获取所述故障数据中的导航信息;
基于所述导航信息获取设备故障位置和数据联动关系,所述数据联动关系为各所述故障数据之间的影响关系;
基于所述数据联动关系确定所述生产设备的维修优先级,并基于所述维修优先级生成故障维修信息,所述故障维修信息包括故障位置信息和维修路线信息。
8.一种产前设备自诊断装置,其特征在于,所述装置包括:
获取模块,用于基于检测单元获取生产设备的至少一个设备运行数据;
输入模块,用于基于设备种类将各所述设备运行数据分别输入至训练好的各预测模型中,得到各所述设备运行数据对应的特征参数值;
比对模块,用于将各所述特征参数值与预设的故障阈值进行比对,得到比对结果,基于所述比对结果生成故障报警信息;
定位模块,用于确定所述故障报警信息对应的故障数据,并获取所述故障数据中的导航信息,基于所述导航信息定位设备故障位置,并生成故障位置信息。
9.一种电子设备,包括存储器、处理器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如权利要求1-7任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,所述计算机可读存储介质中存储有指令,当所述指令在计算机或处理器上运行时,使得所述计算机或处理器执行如权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410342358.6A CN118211958A (zh) | 2024-03-25 | 2024-03-25 | 一种产前设备自诊断方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410342358.6A CN118211958A (zh) | 2024-03-25 | 2024-03-25 | 一种产前设备自诊断方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118211958A true CN118211958A (zh) | 2024-06-18 |
Family
ID=91451536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410342358.6A Pending CN118211958A (zh) | 2024-03-25 | 2024-03-25 | 一种产前设备自诊断方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118211958A (zh) |
-
2024
- 2024-03-25 CN CN202410342358.6A patent/CN118211958A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11598880B2 (en) | Detecting fault states of an aircraft | |
CN108257121B (zh) | 产品缺陷检测模型更新的方法、装置、存储介质及终端设备 | |
US11715190B2 (en) | Inspection system, image discrimination system, discrimination system, discriminator generation system, and learning data generation device | |
US11657121B2 (en) | Abnormality detection device, abnormality detection method and computer readable medium | |
US11521120B2 (en) | Inspection apparatus and machine learning method | |
CN110837852A (zh) | 一种轧机齿轮箱的故障诊断方法、装置及终端设备 | |
JP2019121162A (ja) | 監視装置、監視方法および監視プログラム | |
CN111400850B (zh) | 设备故障分析方法、装置、设备和存储介质 | |
CN116415126A (zh) | 用于造纸机的刮刀的异常检测的方法、装置和计算设备 | |
CN110490132B (zh) | 数据处理方法和装置 | |
CN114528942A (zh) | 工程机械的数据样本库的构建、故障预测方法及工程机械 | |
CN114548280A (zh) | 故障诊断模型的训练、故障诊断方法及电子设备 | |
CN114462820A (zh) | 一种轴承状态监测与健康管理系统性能测试及优化方法和系统 | |
CN111931323B (zh) | 存储器、加氢裂化设备故障预测方法、装置和设备 | |
CN116860562A (zh) | 一种用于数据中台数据质量的监控方法及系统 | |
CN118211958A (zh) | 一种产前设备自诊断方法、装置、电子设备及存储介质 | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
CN113033845B (zh) | 一种电力传输资源共建共享的建设方法及装置 | |
CN109783713A (zh) | 一种动态网站分类方法、系统、设备及介质 | |
US20230021965A1 (en) | Methods and systems for assessing printed circuit boards | |
CN114898174A (zh) | 基于不同识别模型的电缆故障识别系统 | |
JP7396133B2 (ja) | パラメータ調整装置、推論装置、パラメータ調整方法、及びパラメータ調整プログラム | |
CN114462127A (zh) | 基于深度极限学习机的结构损伤识别方法及系统 | |
CN114218574A (zh) | 一种数据检测方法、装置、电子设备以及存储介质 | |
CN109753742A (zh) | 一种基于不均衡样本的航空发动机故障诊断方法、系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |