TWI820932B - 設備孿生數據的模擬系統以及設備孿生數據的模擬方法 - Google Patents
設備孿生數據的模擬系統以及設備孿生數據的模擬方法 Download PDFInfo
- Publication number
- TWI820932B TWI820932B TW111136821A TW111136821A TWI820932B TW I820932 B TWI820932 B TW I820932B TW 111136821 A TW111136821 A TW 111136821A TW 111136821 A TW111136821 A TW 111136821A TW I820932 B TWI820932 B TW I820932B
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- abnormal
- simulation
- group
- data group
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000002159 abnormal effect Effects 0.000 claims abstract description 212
- 238000004088 simulation Methods 0.000 claims abstract description 208
- 238000004364 calculation method Methods 0.000 claims abstract description 52
- 238000001514 detection method Methods 0.000 claims abstract description 33
- 230000005856 abnormality Effects 0.000 claims description 28
- 230000003247 decreasing effect Effects 0.000 claims description 9
- 208000002693 Multiple Abnormalities Diseases 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 description 12
- 239000000498 cooling water Substances 0.000 description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Reverberation, Karaoke And Other Acoustics (AREA)
- Debugging And Monitoring (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
提供一種設備孿生數據的模擬系統以及設備孿生數據的模擬方法。設備孿生數據的模擬系統包括儲存裝置以及處理器。儲存裝置儲存模擬配置數據組以及多個模組。處理器耦接儲存裝置,且用以執行:將模擬配置數據組輸入至初始數據生成模組,以獲得初始數據組;通過數據計算模組對初始數據組進行統計計算以獲得統計特徵數據組;通過數據生成模組根據模擬配置數據組、初始數據組以及統計特徵數據組獲得模擬數據組;通過異常數據偵測模組以根據模擬數據組執行異常數據判斷,根據異常數據判斷的判斷結果輸出對應的輸出數據組/警示訊息。
Description
本發明涉及一種設備孿生(Digital Twin)數據模擬技術,尤其是一種設備孿生數據的模擬系統以及設備孿生數據的模擬方法。
在模擬設備的各項數據中,由於設備所需的參數/數據(Data)並不是單線的數據集,因此在設備孿生數據的模擬過程中需要產生多項模擬數據組。換言之,生產/製造設備的運作中所需要以及相關聯的數據為多維度的數據而集結成數據集/組。因此,當以產生數據孿生的角度對產品生產進行模擬、評估以及優化的模擬數位化工廠時,需要可以提供多維度的模擬數據組,且同時對設備的多組參數進行異常監控與模擬的系統及方法。
本發明是針對一種設備孿生數據的模擬系統以及設備孿生數據的模擬方法可根據不同設定值對應地產生包含多項參數的模擬數據組。
根據本發明的實施例,本發明的設備孿生數據的模擬系統包括儲存裝置以及處理器。儲存裝置儲存多個模組,多個模組包括初始數據生成模組、數據計算模組、數據生成模組、異常數據偵測模組以及數據輸出模組。處理器耦接儲存裝置。處理器執行初始數據生成模組,以通過初始數據生成模組根據模擬配置數據組產生初始數據組。並且處理器執行數據計算模組,以通過數據計算模組對初始數據組進行統計計算,進而分別產生多個統計特徵數據組。處理器執行數據生成模組,以通過數據生成模組根據模擬配置數據組、初始數據組以及統計特徵數據組產生模擬數據組。並且數據生成模組將模擬數據組輸入至資料庫(Data Base)中。處理器根據異常數據偵測模組對模擬數據組執行異常數據判斷,並且根據異常數據判斷的判斷結果,決定繼續執行或停止數據生成模組產生下一組模擬數據組。
根據本發明的實施例,本發明的設備孿生數據的模擬方法包括以下步驟:通過初始數據生成模組以根據模擬配置數據組產生初始數據組;通過數據計算模組對初始數據組進行統計計算以分別產生多個統計特徵數據組;通過數據生成模組根據模擬配置數據組、初始數據組以及多個統計特徵數據組產生模擬數據組,並且將模擬數據組輸入至資料庫中;通過異常數據偵測模組根據儲存於資料庫中的模擬數據組執行異常數據判斷,並且根據異常數據判斷的判斷結果,決定繼續執行或停止數據生成模組產生下一組模擬數據組。
基於上述,本發明的設備孿生數據的模擬系統以及設備孿生數據的模擬方法,可根據不同設定值對應地產生模擬數據組。模擬數據組包含與設備相關的多項參數/數據。如此,設備孿生數據的模擬系統及其方法達到讓數位工廠(Digital Factory)模擬運行時的模擬度/擬真程度更高。同時,提供全面且即時的異常判斷數據與處理,以更加接近設備於實際運作狀態下的各種情況。
圖1是本發明的一實施例的設備孿生數據的模擬系統的示意圖。參考圖1,設備孿生數據的模擬系統100包括處理器110以及儲存裝置120。處理器110耦接儲存裝置120。儲存裝置120可儲存模擬配置數據組、資料庫125以及多個模組。處理器110可存入以及讀取儲存裝置120中的數據/資料,以執行多個模組。在本實施例中,多個模組包括初始數據生成模組121、數據計算模組122、數據生成模組123、異常數據偵測模組124以及數據輸出模組126。舉例而言,初始數據生成模組121可例如是初始化器,以根據模擬配置數據組中的初始設定產生初始數據。
圖2是本發明的一實施例的設備孿生數據的模擬方法的流程圖。參考圖1以及圖2,本實施例的設備孿生數據的模擬系統100可執行如以下步驟S210~S260,以生成對應模擬配置數據組的模擬數據組,同時對每一項數據進行異常偵測。在步驟S210中,處理器110將模擬配置數據組輸入至初始數據生成模組121,進而通過初始數據生成模組121根據模擬配置數據產生初始數據組。舉例而言,處理器110將經用戶預先設定/選擇的模擬配置數據組輸入至初始數據生成模組121,以使初始數據生成模組121產生初始數據組。在本實施例中,初始數據組為模擬數據中的第一組多個數據。舉例而言,初始數據組可包括專案為冷卻水、刀具以及螺桿,序號皆為1以及數值分別為20、100以及0。
在步驟S220中,處理器110可通過數據計算模組122對初始數據組進行統計計算以產生統計特徵數據組。舉例而言,處理器110執行數據計算模組122,以通過數據計算模組122對初始數據組根據不同專案(例如作業項目、生產項目以及生產目標等)/設備參數類型(例如磨損型設備)進行統計計算以產生對應的多個統計特徵數據組。在步驟S230中,處理器110通過數據生成模組123根據模擬配置數據組、初始數據組以及統計特徵數據組產生模擬數據組。
如此,數據生成模組123根據模擬配置數據組中的多維度數據、多維度數據類型(例如多項數據分別不同的成長趨勢/數據走向)、多項數據之間的關係、對應多項數據的多項設定值(例如上下界、平均值、起始值、變異數、產生數據量、異常發生種類以及異常發生機率等)分別產生對應的模擬數據,並且多項模擬數據形成模擬數據組。舉例而言,多維度數據例如是彼此之間有關聯的多項數據,因此有關聯的多項數據可以通過平面數據圖或多維度圖進行表示。也就是說,模擬配置數據組不僅包括與設備相關的多項數據,還包括多項數據之間的關係,以使設備孿生設具的模擬系統100及其方法可提供高模擬、高真實性的模擬數據組。
在步驟S240中,處理器110通過數據生成模組123將模擬數據組輸入至資料庫125中。資料庫125例如是儲存裝置120中用以儲存初始數據組以及模擬數據組的記憶體區塊。在步驟S250中,通過異常數據偵測模組124根據模擬數據組執行異常數據判斷。在本實施例中,處理器110執行異常數據偵測模組124,以使異常數據偵測模組124根據儲存於資料庫125中的模擬數據組執行異常數據判斷。
在步驟S260中,根據異常數據判斷的判斷結果,輸出警示訊息/模擬數據組。在本實施例中,處理器110根據異常數據判斷(即異常數據偵測模組124所執行的判斷)的判斷結果,決定繼續執行或停止數據生成模組123產生下一組模擬數據組。在一實施例中,處理器110根據異常數據判斷的判斷結果,決定繼續執行或停止數據生成模組126產生下一組模擬數據組的步驟中還包括:當異常數據判斷的判斷結果為有異常數據,異常數據偵測模組124則輸出警示訊息,並且停止數據生成模組123產生下一組模擬數據組,以及當異常數據判斷的判斷結果為無異常數據,異常數據偵測模組124通過數據輸出模組126輸出模擬數據組,並且處理器110持續/再次執行數據生成模組123以產生下一組模擬數據組。
也就是說,設備孿生數據的模擬系統100及其方法通過將每一次的模擬數據組存入資料庫125,以使異常數據偵測模組124連接資料庫125以存取資料庫125中的任一數據。如此,異常數據偵測模組124可即時地偵測與判斷模擬數據組的任一數據值是否有發生數據異常的狀況(例如數值大於/小於預先設定的數據正常範圍)。若有,則停止數據生成模組123產生下一組模擬數據組,並且輸出警示訊息至外部系統/使用者的設備。若無,則執行數據生成模組123繼續產生下一組模擬數據組。
在一實施例中,處理器110還可耦接外部資料庫或內部的資料庫125,以讀取/寫入外部資料庫或內部的資料庫125中的模擬配置數據組以及使用者所預先設定的模擬配置數據組。在另一實施例中,設備孿生數據的模擬系統100還可包括收發器,以接收/傳送用戶端所傳輸的數據組/設定數據組。如此,本發明之設備孿生數據的模擬系統100可根據經選擇的數據類型、多項參數設定值以及多維度數據產生對應的模擬數據組,同時根據異常數據偵測模組124對每一次的模擬數據組進行異常數據判斷。如此,設備孿生數據的模擬系統100及其方法所生成的模擬數據組具有高真實性的優點,以及具有針對數據中不同設定範圍有即時判斷數據異常的功能。
在本實施例中,處理器110可例如包括中央處理單元(Central Processing Unit,CPU),或是其他可程式設計之一般用途或特殊用途的微處理器(Microprocessor)、數位訊號處理器(Digital Signal Processor,DSP)、特殊應用積體電路(Application Specific Integrated Circuits,ASIC)、可程式設計邏輯器件(Programmable Logic Device,PLD)、其他類似處理電路或這些裝置的組合。儲存裝置120可包括記憶體(Memory)及/或資料庫(database)。在一實施例中,儲存裝置120可儲存有模擬配置數據組、數據模式庫、異常數據模式庫以及資料庫125。並且,儲存裝置120可例如非易失性記憶體(Non-Volatile Memory,NVM)。儲存裝置120可儲存有用於實現本發明各實施例的相關程式、模組、系統或演算法,以供處理器110存取並執行而實現本發明各實施例所描述的相關功能及操作。
在一實施例中,初始數據生成模組121、數據計算模組122、數據生成模組123、異常數據偵測模組124、資料庫125、數據輸出模組126以及異常機率觸發模組127可例如是以JSON(JavaScript Object Notation)、可延伸標記式語言(Extensible Markup Language,XML)或YAML等諸如此類的程式語言來實現的,但本發明也不限於此。在本實施例中,設備孿生數據的模擬系統100可具體實現在個人電腦(Personal Computer,PC)、地端伺服器(Server)或雲端伺服器中,而本發明並不加以限制。在一實施例中,設備孿生數據的模擬系統100亦可整合在企業資源計畫(Enterprise Resource Planning,ERP)系統中,以根據預先設定的數據類型提供高真實性的設備孿生數據(模擬數據組)。
在本發明中,模擬配置數據組中的數據類型可以是波動型、遞增型、遞增水準型、遞減型、遞減水準型、指數型或線性規則型的至少其中之一。並且,處理器110通過數據生成模組123以及數據計算模組122以使模擬數據組中下一組的模擬數據與前一組模擬數據符合對應的數據類型。如此,使用者可根據當前要模擬的設備的各項參數類型設定對應的數據類型,舉例而言,模擬的生產設備數據包括刀具類耗損數據以及水溫數據,如此使用者選擇遞減型數據類型以模擬刀具的耗損以及選擇遞增行數據類型以模擬水溫逐漸升高。如此一來,模擬數據組中多項數據皆可根據對應的數據類型進行模擬與產生,以使設備孿生數據的模擬系統100及其方法所產生的模擬數據組具有高模擬性及高應用性。
圖3是本發明的一實施例的設備孿生數據的模擬系統的流程示意圖。參考圖1至圖3,在本實施例中,多個模組還包括數據輸出模組126以及異常機率觸發模組127。並且,儲存裝置120更儲存有異常數據模式庫132以及數據模式庫133。在本實施例中,數據生成模組123還包括常態數據生成單元1231以及異常數據生成單元1232。
在一實施例中,數據生成模組123根據模擬配置數據組(模擬配置數據131)、初始數據組以及多個統計特徵數據組產生模擬數據組的步驟包括:常態數據生成單元1231根據模擬配置數據組(模擬配置數據131)、初始數據組以及多個統計特徵數據組執行常態數據生成以產生常態模式數據組,模擬數據組(即當前的模擬數據組)包括初始數據組以及常態模式數據組。並且,常態數據生成單元1231將模擬數據組(即當前的模擬數據組)輸入至異常數據生成單元1232。接著,異常數據生成單元1232基於模擬配置數據組(模擬配置數據131)中的多個異常發生機率產生異常模式數據組,並且當異常數據生成單元1232產生異常模式數據組時,模擬數據組(即當前的模擬數據組)還包括異常模式數據組。
值得說明的是,本發明中所提及的常態模式數據組為根據常態模式的設定所產生的數據組,也就是說,即使是常態模式中所產生的數據組也可能大於模擬配置數據131中的上臨界值與下臨界值(即上/下限),例如要模擬的生產設備為磨損類的設備,則即使任一個異常發生機率皆未被觸發/未發生異常。但是,根據真實運作情境以及本發明的常態模式數據組中,屬於磨損類生產設備經過一定的使用次數/時間後,仍會發生數據超出臨界值的情況(例如磨損類生產設備的使用次數已達臨界值而發生設備溫度過高)。如此,本發明的設備孿生數據的模擬系統100及其方法不僅可用於產生具有高真實性的設備模擬數據組,也可以用於模擬設備的每個參數/每個元件的預估運作時間,以使使用者可以通過模擬系統獲得設備孿生數據。
在一實施例中,當異常數據生成單元1232基於多個異常發生機率產生異常模式數據組時,異常數據生成單元1232執行異常數據生成以根據模擬配置數據組(模擬配置數據131)、初始數據組以及當前的模擬數據組(即上一步驟中,常態數據生成單元1231所生成的常態模式數據組以及初始數據組)產生異常模式數據組,並且異常數據生成單元1232將異常模式數據組、初始數據組以及當前的模擬數據組作為當前模擬數據組,並且輸入至數據計算模組122。
另一方面,當異常數據生成單元1232基於多個異常發生機率不產生異常模式數據組時(即異常發生機率皆未被觸發/未發生異常),異常數據生成單元1232將初始數據組以及模擬數據組作為當前模擬數據組,並且輸入至數據計算模組122。接著,數據計算模組122根據當前模擬數據組進行統計計算以產生多個當前統計特徵數據組,並且處理器110通過常態數據生成單元1231以及異常數據生成單元1232重複地分別執行常態數據生成以及異常數據生成以獲得下一組模擬數據組,直到處理器110通過異常數據偵測模組124停止常態數據生成單元1231以及異常數據生成單元1232產生新的模擬數據組。
舉例而言,模擬配置數據131可儲存有常態數據類型、起始值、平均值、數值最大值、數值最小值、異常數據類型、數據類型(例如常態數據類型)、異常發生機率以及單次數據量的至少其中之一。值得注意的是,本發明的模擬配置數據組(即模擬配置數據131)中還包括單一產生數據專案的多個異常數據類型以及對應的異常機率。也就是說,異常數據生成單元1232所產生的異常模式數據組可包括對應多種異常發生/數據類型的不同異常機率。舉例而言,生產設備中的螺桿震動的異常狀態可包含位置異常、轉速異常或是電力異常等多種異常狀態。而模擬配置數據131可針對不同異常狀態設定不同的異常機率(例如千分之一、十萬分之一),以使異常模式數據組具有高模擬性。模擬配置數據131可如下表1所示。
表1
模擬配置數據 | |||
設備類型-自動化CNC | |||
產生數據項目 | 自動化CNC | 刀具 | 螺桿震動 |
常態數據類型 | 遞增水準型 | 持續下降 | 波動型 |
起始值 | 20 | 100 | 0 |
平均值 | 25 | - | 5000 |
變異數 | 2.5 | - | 150 |
磨耗率 | - | 1/20萬 | - |
上下界 | 上臨界值:28,下臨界值:16 | 上臨界值:無 下臨界值:80 | 上臨界值:5500 下臨界值:4800 |
異常數據類型1 | 單點(水管破裂) | 單點(電力異常) | 連續多點(轉速異常) |
異常幾率1 | 1/1000 | 1/10萬 | 1/1000 |
異常數據類型2 | 連續多點(冷卻水阻塞) | - | 單點(電力異常) |
異常幾率2 | 1/10萬 | - | 1/10萬 |
單次產生量 | 1 | 1 | 1 |
接著,初始數據生成模組121根據模擬配置數據組產生初始數據組(步驟S210)。初始數據組可如下表2所示。初始數據生成模組121將初始數據組輸入至資料庫125,以使異常數據偵測模組124可偵測儲存於資料庫125中的初始數據組。在本實施例中,異常數據偵測模組124的異常數據判斷結果為無異常數據,因此處理器110通過資料庫125將初始數據組輸入至數據計算模組122。數據計算模組122對初始數據組進行統計計算以產生對應的統計特徵數據組(步驟S220)。初始數據組可如下表3所示。
表2
表3
項目 | 序號 | 數值 |
冷卻水 | 1 | 20 |
刀具 | 1 | 100 |
螺桿 | 1 | 0 |
項目 | 統計特徵 | 數值 |
冷卻水 | 數據總數 | 1 |
平均值 | 20 | |
最大值 | 20 | |
最小值 | 20 | |
刀具 | 數據總數 | 1 |
平均值 | 100 | |
最大值 | 100 | |
最小值 | 100 | |
螺桿 | 數據總數 | 1 |
平均值 | 0 | |
最大值 | 0 | |
最小值 |
在本舉例中,處理器110接著分別通過數據生成模組123中的常態數據生成單元1231以及異常數據生成單元1232根據模擬配置數據組、初始數據組以及統計特徵數據組產生模擬數據組(即常態模式數據組以及異常模式數據組)(步驟S230)。在本舉例中,常態模式數據組可如下表4所示,且異常模式數據組可如下表5所示。當前的模擬數據組可如下表6所示。
表4
表5
表6
常態模式數據組 | |
項目 | 數值 |
冷卻水 | 23°C |
刀具(磨耗率) | 99.9998 |
螺桿(震動頻率) | 4950 |
異常模式數據組 | |
機率 | 數值 |
0 | - |
0 | - |
0 | - |
項目 | 序號 | 數值 |
冷卻水 | 1 | 20 |
冷卻水 | 2 | 23 |
刀具 | 1 | 100 |
刀具 | 2 | 99.9998 |
螺桿 | 1 | 0 |
螺桿 | 2 | 4950 |
在一實施例中,數據計算模組122根據儲存於資料庫125中的模擬數據組以及當前模擬數據組執行統計計算組(即多組統計計算)以產生對應於每一數據的統計特徵數據組。也就是說,設備孿生數據的模擬系統100以及設備孿生數據的模擬方法會通過數據生成模組123中的常態數據生成單元1231以及異常數據生成單元1232重複地多次產生常態模式數據組以及異常模式數據組。並且,每一次產生的常態模式數據組以及異常模式數據組皆會將當前的模擬數據(即當前每一次的常態模式數據、當前每一次的異常模式數據以及初始數據)的統計特徵數據做為參考數據,以使模擬數據組高度符合模擬配置數據組中的設定值。
舉例來說,數據生成模組123產生第一組模擬數據組後,將第一組模擬數據組儲存於資料庫125,接著,數據計算模組122讀取第一組模擬數據組以及初始數據組以進行統計計算,進而產生對應於第一組模擬數據組以及初始數據組的統計特徵數據組。接著,數據生成模組123根據統計特徵數據、初始數據以及第一組模擬數據再次執行數據生成以產生第二組模擬數據組(即包括初始數據、第一次模擬數據以及第二次模擬數據)。同樣地,數據生成模組123將第二組模擬數據儲存於資料庫125,且重複上述統計特徵分析以及數據生成直到異常數據偵測模組124偵測到異常數據,且輸出異常判斷結果以停止數據生成模組123生成下一組模擬數據組。
在本舉例中,處理器110將常態模式數據組以及異常模式數據組輸入至資料庫125中,以使異常數據偵測模組124讀取資料庫125中的數據且產生對應的異常數據判斷結果(步驟S250)。在本舉例中,異常數據判斷結果為未有異常數據。因此,處理器110根據異常數據判斷結果(步驟S260),通過異常數據偵測模組124繼續執行數據計算模組122以及數據生成模組123,以重複地產生下一組統計特徵數據組、下一組常態數據組以及下一組異常數據組,直到異常數據偵測模組124所產生的異常數據判斷為有異常數據。在本實施例中,下一組統計特徵數據組可如下表7所示,下一組常態模式數據組可如下表8所示以及下一組異常模式數據組可如下表9所示。
表7
表8
表9
項目 | 統計特徵 | 數值 |
冷卻水 | 數據總數 | 2 |
平均值 | 21.5 | |
最大值 | 23 | |
最小值 | 20 | |
刀具 | 數據總數 | 2 |
平均值 | 99.9999 | |
最大值 | 100 | |
最小值 | 99.9998 | |
螺桿 | 數據總數 | 2 |
平均值 | 2475 | |
最大值 | 4950 | |
最小值 | 0 |
常態模式數據組 | |
項目 | 數值 |
冷卻水 | 25.5°C |
刀具(磨耗率) | 99.9997 |
螺桿(震動頻率) | 5025 |
異常模式數據組 | |
機率 | 數值 |
0 | - |
0 | - |
1 | 5675,5566,5730… |
在一實施例中,數據模式庫133儲存常態數據模式。如此,常態數據生成單元1231基於常態數據模式產生常態模式數據組,常態模式數據組包括多種設備數據類型以及對應的多組設備常態數據。異常數據模式庫132儲存異常數據模式。如此,異常數據生成單元1232基於異常數據模式產生異常模式數據組,異常模式數據組包括多種設備數據類型以及對應的多組設備異常數據。
舉例而言,常態數據模式例如是波動型、遞增型、遞增水準型、遞減型、遞減水準型、指數型、線性規則型的至少其中之一。異常數據模式例如是單點異常、多點連續異常、告警型異常、無數據型異常的至少其中之一,但本發明也不限於此。也就是說,通過儲存裝置120中劃分出的兩個儲存區塊,分別是數據模式庫133以及異常數據模式庫132,以提高常態數據生成單元1231以及異常數據生成單元1232從儲存裝置120中讀取常態數據模式以及異常數據模的讀取速度。
在一實施例中,數據輸出模組126用以輸出模擬數據組以及/或警示訊息至外部的電子裝置,並且輸出的模擬數據組為經使用者指定的模擬數據組。數據輸出模組126可例如是數據交換介面,或是與數據收發器通訊連接的輸出模組。如此,數據輸出模組126用以將模擬數據輸出至外部的電子裝置。電子裝置/電子設備例如是伺服器、資料庫、筆記型電腦、桌上型電腦等。
在一實施例中,資料庫125可以根據條列式儲存初始數據組、常態模式數據組、異常模式數據組、當前模擬數據組以及模擬數據組。結果數據集125耦接數據輸出模組126以通過數據輸出模組126輸出經指定的數據。舉例而言,用戶或相關人員通過收發器以及數據輸出模組126傳送數據指定指令。如此,處理器110根據數據指定指令將經指定的數據輸出至使用者的電子裝置。
在一實施例中,異常機率觸發模組127基於多個異常發生機率觸發異常數據生成單元1232產生異常模式數據組,並且多個異常發生機率包括多種異常狀態以及對應的多個異常機率。模擬配置數據組(即模擬配置數據131)儲存有多種異常發生機率,並且分別對應多種種異常狀態(如上表1所示)。舉例而言,異常狀態例如是冷卻水阻塞、電力故障以及水溫過高,但本發明不限於此。多種異常狀態對應的異常發生機率可例如分別是50萬分之1、百分之一以及千分之一。並且,每個異常狀態對應有異常數據模式(即數據類型)。如此,設備孿生數據的模擬系統100以及設備孿生數據的模擬方法所產生的異常數據生成單元1232不僅可涵蓋多種異常狀態,且模擬配置數據組(即模擬配置數據131)可根據不同異常狀態設定包括不同的異常發生機率。因此,設備孿生數據的模擬系統100及其方法具有可適用於不同生產設備以及對應地產生異常數據,進而具有彈性以及全面地應用於不同生產設備的優點。
綜上所述,本發明的設備孿生數據的模擬系統100以及設備孿生數據的模擬方法,可根據不同設定值對應地產生模擬數據組。模擬數據組包含與設備相關的多項參數/數據。如此,設備孿生數據的模擬系統100及其方法達到讓數位工廠模擬運行時的模擬度/擬真程度更高。同時,本發明的設備孿生數據的模擬系統100以及設備孿生數據的模擬方法通過異常數據偵測模組124提供全面且即時的異常數據判斷與處理。並且,通過模擬配置數據組包括多維度/多項數據組合與設定以模擬設備的全面狀態數據,進而更加接近設備於實際運作狀態下的各種情況。
最後應說明的是:以上各實施例僅用以說明本公開的技術方案,而非對其限制;儘管參照前述各實施例對本公開進行了詳細的說明,本領域的普通技術人員應當理解:其依然可以對前述各實施例所記載的技術方案進行修改,或者對其中部分或者全部技術特徵進行等同替換;而這些修改或者替換,並不使相應技術方案的本質脫離本公開各實施例技術方案的範圍。
100:設備孿生數據的模擬系統
110:處理器
120:儲存裝置
121:初始數據生成模組
122:數據計算模組
123:數據生成模組
1231:常態數據生成單元
1232:異常數據生成單元
124:異常數據偵測模組
125:資料庫
126:數據輸出模組
127:異常機率觸發模組
131:模擬配置數據
132:異常數據模式庫
133:數據模式庫
S210、S220、S230、S240、S250、S260:步驟
圖1是本發明的一實施例的設備孿生數據的模擬系統的示意圖。
圖2是本發明的一實施例的設備孿生數據的模擬方法的流程圖。
圖3是本發明的一實施例的設備孿生數據的模擬系統的流程示意圖。
S210、S220、S230、S240、S250、S260:步驟
Claims (20)
- 一種設備孿生數據的模擬系統,其包括: 儲存裝置,儲存模擬配置數據組、資料庫以及多個模組,其中所述多個模組包括初始數據生成模組、數據計算模組、數據生成模組、異常數據偵測模組以及數據輸出模組;以及 處理器,耦接所述儲存裝置, 其中所述處理器執行所述初始數據生成模組,並且將所述模擬配置數據組輸入至所述初始數據生成模組,以通過所述初始數據生成模組產生初始數據組, 其中所述處理器執行所述數據計算模組,以通過所述數據計算模組對所述初始數據組進行統計計算以分別產生多個統計特徵數據組, 其中所述處理器執行所述數據生成模組,以通過所述數據生成模組根據所述模擬配置數據組、所述初始數據組以及所述統計特徵數據組產生模擬數據組,並且所述數據生成模組將所述模擬數據組輸入至所述資料庫中, 其中所述處理器執行所述異常數據偵測模組,以根據儲存於所述資料庫中的所述模擬數據組執行異常數據判斷,並且所述處理器根據所述異常數據判斷的判斷結果,決定繼續執行或停止所述數據生成模組產生下一組模擬數據組。
- 如請求項1所述的設備孿生數據的模擬系統,其中,當所述異常數據判斷的判斷結果為有異常數據,所述異常數據偵測模組輸出警示訊息,並且停止執行所述數據生成模組產生下一組模擬數據組, 當所述異常數據判斷的所述判斷結果為無異常數據,所述異常數據偵測模組通過所述數據輸出模組輸出所述模擬數據組,並且所述處理器持續執行所述數據生成模組以產生所述下一組模擬數據組。
- 如請求項1所述的設備孿生數據的模擬系統,其中,所述數據生成模組是根據所述模擬配置數據組中的多種數據類型分別產生所述模擬數據組,並且所述多種數據類型包括波動型、遞增型、遞增水準型、遞減型、遞減水準型、指數以及線性規則型的至少其中之一,並且所述處理器通過所述數據生成模組以及所述數據計算模組以使所述模擬數據組中下一組的數據組與前一組數據組之間的數據關係符合對應的所述多種數據類型。
- 如請求項1所述的設備孿生數據的模擬系統,其中,所述數據生成模組還包括常態數據生成單元以及異常數據生成單元, 其中所述常態數據生成單元根據所述模擬配置數據組、所述初始數據組以及所述多個統計特徵數據組執行常態數據生成以產生常態模式數據組,並且所述模擬數據組包括所述初始數據組以及所述常態模式數據組, 其中所述異常數據生成單元基於所述模擬配置數據組中的多個異常發生機率產生異常模式數據組,並且當所述異常數據生成單元產生所述異常模式數據組時,所述模擬數據組還包括所述異常模式數據組。
- 如請求項4所述的設備孿生數據的模擬系統,其中,當所述異常數據生成單元基於所述多個異常發生機率產生所述異常模式數據組時,所述異常數據生成單元執行異常數據生成以根據所述模擬配置數據組、所述初始數據組以及所述模擬數據組產生所述異常模式數據組,並且所述異常數據生成單元將所述異常模式數據組、所述初始數據組以及所述模擬數據組作為當前模擬數據組,並且輸入至所述數據計算模組, 當所述異常數據生成單元基於所述多個異常發生機率不產生所述異常模式數據組時,所述異常數據生成單元將所述初始數據組以及所述模擬數據組作為所述當前模擬數據組,並且輸入至所述數據計算模組, 其中所述數據計算模組根據所述當前模擬數據組進行所述統計計算以產生多個當前統計特徵數據組,並且所述處理器通過所述常態數據生成單元以及所述異常數據生成單元重複地分別執行所述常態數據生成以及所述異常數據生成以獲得下一組所述模擬數據組,直到所述處理器通過所述異常數據偵測模組停止所述常態數據生成單元以及所述異常數據生成單元產生所述模擬數據組。
- 如請求項5所述的設備孿生數據的模擬系統,其中,所述儲存裝置還儲存數據模式庫以及異常數據模式庫, 其中所述數據模式庫儲存常態數據模式,並且所述常態數據生成單元基於所述常態數據模式產生所述常態模式數據組,所述常態模式數據組包括多種設備數據類型以及對應的多組設備常態數據, 其中所述異常數據模式庫儲存異常數據模式,並且所述異常數據生成單元基於所述異常數據模式產生所述異常模式數據組,所述異常模式數據組包括多種設備數據類型以及對應的多組設備異常數據, 其中所述資料庫以條列式儲存所述初始數據組、常態數據組、異常數據組、所述當前模擬數據組以及所述模擬數據組。
- 如請求項5所述的設備孿生數據的模擬系統,其中,所述多個模組還包括異常機率觸發模組,所述異常機率觸發模組基於所述多個異常發生機率觸發所述異常數據生成單元產生所述異常模式數據組,並且所述多個異常發生機率包括多種異常狀態以及對應的多個異常機率。
- 如請求項1所述的設備孿生數據的模擬系統,其中,所述模擬配置數據組包括:常態數據類型、起始值、平均值、數值最大值、數值最小值、異常數據類型、所述多種數據類型、異常發生機率、數據產生量以及單次數據量的至少其中之一。
- 如請求項1所述的設備孿生數據的模擬系統,其中,所述數據輸出模組用以輸出所述模擬數據組以及警示訊息至外部的電子裝置。
- 如請求項5所述的設備孿生數據的模擬系統,其中,所述數據計算模組根據儲存於所述資料庫中的所述模擬數據組以及當前模擬數據組執行統計計算以產生對應於每一數據的統計特徵數據組。
- 一種設備孿生數據的模擬方法,其包括: 通過初始數據生成模組以根據模擬配置數據組產生初始數據組; 通過數據計算模組對所述初始數據組進行統計計算以分別產生多個統計特徵數據組; 通過數據生成模組根據所述模擬配置數據組、所述初始數據組以及所述多個統計特徵數據組產生模擬數據組,並且將所述模擬數據組輸入至資料庫中;以及 通過異常數據偵測模組根據儲存於所述資料庫中的所述模擬數據組執行異常數據判斷,並且根據所述異常數據判斷的判斷結果,決定繼續執行或停止所述數據生成模組產生下一組模擬數據組。
- 如請求項11所述的設備孿生數據的模擬方法,還包括: 當所述異常數據判斷的判斷結果為有異常數據,通過所述異常數據偵測模組輸出警示訊息,並且停止執行所述數據生成模組產生所述下一組模擬數據組, 當所述異常數據判斷的所述判斷結果為無異常數據,通過所述異常數據偵測模組以及數據輸出模組輸出所述模擬數據組,並且通過所述數據生成模組以產生所述下一組模擬數據組。
- 如請求項11所述的設備孿生數據的模擬方法,其中,所述模擬數據組是根據所述模擬配置數據組中的多種數據類型分別被產生的,並且所述多種數據類型包括波動型、遞增型、遞增水準型、遞減型、遞減水準型、指數以及線性規則型的至少其中之一; 其中所述模擬方法還包括: 通過所述數據生成模組以及所述數據計算模組以使所述模擬數據組中下一組的數據組與前一組數據組之間的數據關係符合對應的所述多種數據類型。
- 如請求項11所述的設備孿生數據的模擬方法,還包括: 通過常態數據生成單元根據所述模擬配置數據組、所述初始數據組以及所述多個統計特徵數據組執行常態數據生成以產生常態模式數據組,並且所述模擬數據組包括所述初始數據組以及所述常態模式數據組, 通過異常數據生成單元基於所述模擬配置數據組中的多個異常發生機率產生異常模式數據組,並且當所述異常數據生成單元產生所述異常模式數據組時,所述模擬數據組還包括所述異常模式數據組。
- 如請求項14所述的設備孿生數據的模擬方法,還包括: 當所述異常數據生成單元基於所述多個異常發生機率產生所述異常模式數據組時,通過所述異常數據生成單元執行異常數據生成以根據所述模擬配置數據組、所述初始數據組以及所述模擬數據組產生所述異常模式數據組,並且所述異常數據生成單元將所述異常模式數據組、所述初始數據組以及所述模擬數據組作為當前模擬數據組,並且輸入至所述數據計算模組, 當所述異常數據生成單元基於所述多個異常發生機率不產生所述異常模式數據組時,通過所述異常數據生成單元將所述初始數據組以及所述模擬數據組作為所述當前模擬數據組,並且輸入至所述數據計算模組, 其中通過所述數據計算模組根據所述當前模擬數據組執行所述統計計算以產生多個當前統計特徵數據組,並且通過所述常態數據生成單元以及所述異常數據生成單元重複地分別執行所述常態數據生成以及所述異常數據生成以獲得下一組所述模擬數據組,直到通過所述異常數據偵測模組停止所述常態數據生成單元以及所述異常數據生成單元產生所述模擬數據組。
- 如請求項15所述的設備孿生數據的模擬方法,還包括: 通過數據模式庫儲存常態數據模式,並且所述常態數據生成單元基於所述常態數據模式產生所述常態模式數據組,所述常態模式數據組包括多種設備數據類型以及對應的多組設備常態數據, 通過異常數據模式庫儲存異常數據模式,並且所述異常數據生成單元基於所述異常數據模式產生所述異常模式數據組,所述異常模式數據組包括多種設備數據類型以及對應的多組設備異常數據, 其中所述資料庫以條列式儲存所述初始數據組、常態數據組、異常數據組、所述當前模擬數據組以及所述模擬數據組。
- 如請求項15所述的設備孿生數據的模擬方法,還包括: 通過異常機率觸發模組基於所述多個異常發生機率觸發所述異常數據生成單元產生所述異常模式數據組,並且所述多個異常發生機率包括多種異常狀態以及對應的多個異常機率。
- 如請求項11所述的設備孿生數據的模擬方法,其中,所述模擬配置數據組包括:常態數據類型、起始值、平均值、數值最大值、數值最小值、異常數據類型、所述多種數據類型、異常發生機率、數據產生量以及單次數據量的至少其中之一。
- 如請求項11所述的設備孿生數據的模擬方法,其中,通過數據輸出模組用以輸出所述模擬數據組以及警示訊息至外部的電子裝置。
- 如請求項15所述的設備孿生數據的模擬方法,其中,通過所述數據計算模組根據儲存於所述資料庫中的所述模擬數據組以及當前模擬數據組執行統計計算以產生對應於每一數據的統計特徵數據組。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210953409.XA CN115203973A (zh) | 2022-08-10 | 2022-08-10 | 设备孪生数据的模拟系统以及设备孪生数据的模拟方法 |
CN202210953409.X | 2022-08-10 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI820932B true TWI820932B (zh) | 2023-11-01 |
TW202407567A TW202407567A (zh) | 2024-02-16 |
Family
ID=83586867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111136821A TWI820932B (zh) | 2022-08-10 | 2022-09-28 | 設備孿生數據的模擬系統以及設備孿生數據的模擬方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115203973A (zh) |
TW (1) | TWI820932B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784427A (zh) * | 2021-01-28 | 2021-05-11 | 工业云制造(四川)创新中心有限公司 | 一种基于数字孪生技术智能制造仿真系统 |
CN113051830A (zh) * | 2021-04-01 | 2021-06-29 | 重庆大学 | 智能产线动态误差预测系统、控制系统、控制方法及数字孪生系统 |
US20220051184A1 (en) * | 2019-11-05 | 2022-02-17 | Strong Force Vcn Portfolio 2019, Llc | Digital twin for control tower and enterprise management platform managing packaging design |
US20220245574A1 (en) * | 2019-11-05 | 2022-08-04 | Strong Force Vcn Portfolio 2019, Llc | Systems, Methods, Kits, and Apparatuses for Digital Product Network Systems and Biology-Based Value Chain Networks |
-
2022
- 2022-08-10 CN CN202210953409.XA patent/CN115203973A/zh active Pending
- 2022-09-28 TW TW111136821A patent/TWI820932B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220051184A1 (en) * | 2019-11-05 | 2022-02-17 | Strong Force Vcn Portfolio 2019, Llc | Digital twin for control tower and enterprise management platform managing packaging design |
US20220245574A1 (en) * | 2019-11-05 | 2022-08-04 | Strong Force Vcn Portfolio 2019, Llc | Systems, Methods, Kits, and Apparatuses for Digital Product Network Systems and Biology-Based Value Chain Networks |
CN112784427A (zh) * | 2021-01-28 | 2021-05-11 | 工业云制造(四川)创新中心有限公司 | 一种基于数字孪生技术智能制造仿真系统 |
CN113051830A (zh) * | 2021-04-01 | 2021-06-29 | 重庆大学 | 智能产线动态误差预测系统、控制系统、控制方法及数字孪生系统 |
Also Published As
Publication number | Publication date |
---|---|
TW202407567A (zh) | 2024-02-16 |
CN115203973A (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10481597B2 (en) | System and method for monitoring manufacturing | |
US8036764B2 (en) | Virtual sensor network (VSN) system and method | |
US20090119065A1 (en) | Virtual sensor network (VSN) system and method | |
CN109784581B (zh) | 一种考虑弹性的系统预防性维修周期优化方法 | |
JP7053113B2 (ja) | 継続的プロセス検証(cpv)用の分析/統計モデリングを使用するための方法及び装置、製品 | |
US20170372212A1 (en) | Model based root cause analysis | |
JP2020027556A (ja) | 装置、方法、プログラム、および、記録媒体 | |
JP5025776B2 (ja) | 異常診断フィルタ生成装置 | |
US20210042585A1 (en) | Abnormality detection device, abnormality detection method and computer readable medium | |
JP2019083000A5 (zh) | ||
CN112380089A (zh) | 一种数据中心监控预警方法及系统 | |
US20120150334A1 (en) | Integrated Fault Detection And Analysis Tool | |
CN113168206A (zh) | 使用预测模型的自动超频 | |
Wang et al. | Condition monitoring of wind turbine based on incremental learning and multivariate state estimation technique | |
TWI820932B (zh) | 設備孿生數據的模擬系統以及設備孿生數據的模擬方法 | |
CN111400850B (zh) | 设备故障分析方法、装置、设备和存储介质 | |
Salmasnia et al. | Integration of production planning, maintenance scheduling and noncentral chi-square chart parameters with random failures and multiple assignable causes | |
WO2024098668A1 (zh) | 基于5g的核电设备异常诊断方法、装置和计算机设备 | |
TWI833372B (zh) | 設備模擬數據生成系統以及設備模擬數據生成方法 | |
JP6458157B2 (ja) | データ分析装置および分析方法 | |
EP4224380A1 (en) | Maintenance simulation device and maintenance simulation method | |
JP6568488B2 (ja) | 計算機及び分析指標の算出方法 | |
US11748674B2 (en) | System and method for health reporting in a data center | |
Berezovskaya et al. | A hybrid fault detection and diagnosis method in server rooms’ cooling systems | |
JP7052914B1 (ja) | 異常診断システム、異常診断装置、異常診断方法、及びプログラム |