CN110096036A - 一种设备状态的确定方法、装置及设备 - Google Patents
一种设备状态的确定方法、装置及设备 Download PDFInfo
- Publication number
- CN110096036A CN110096036A CN201810082723.9A CN201810082723A CN110096036A CN 110096036 A CN110096036 A CN 110096036A CN 201810082723 A CN201810082723 A CN 201810082723A CN 110096036 A CN110096036 A CN 110096036A
- Authority
- CN
- China
- Prior art keywords
- characteristic
- data
- production
- production equipment
- equipment
- 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 88
- 238000004519 manufacturing process Methods 0.000 claims abstract description 295
- 230000002159 abnormal effect Effects 0.000 claims description 47
- 230000008569 process Effects 0.000 claims description 35
- 230000002123 temporal effect Effects 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 16
- 230000005856 abnormality Effects 0.000 claims description 7
- 230000000052 comparative effect Effects 0.000 claims description 7
- 239000000047 product Substances 0.000 description 175
- 229910052710 silicon Inorganic materials 0.000 description 21
- 239000010703 silicon Substances 0.000 description 21
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 20
- 238000004458 analytical method Methods 0.000 description 18
- 238000005520 cutting process Methods 0.000 description 13
- 239000006227 byproduct Substances 0.000 description 9
- 238000000605 extraction Methods 0.000 description 9
- 238000009776 industrial production Methods 0.000 description 9
- 241001269238 Data Species 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000036541 health Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000013178 mathematical model 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
- 238000011160 research Methods 0.000 description 1
- 150000003376 silicon Chemical class 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012549 training 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]
- G05B19/41885—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 modeling, simulation of the manufacturing system
-
- 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
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (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
本申请提供一种设备状态的确定方法、装置及设备，该方法包括：获取生产设备生产的产品对应的产品数据；获取与所述生产设备相关的传感器采集的传感器数据；根据所述产品数据和所述传感器数据，获取所述生产设备对应的特征数据；根据所述特征数据确定所述生产设备对应的设备状态。通过本申请的技术方案，及时检测生产设备的设备状态，可以对生产设备的设备状态进行评估，能够预测生产设备是否发生故障，及时对故障进行修复，保证产品质量。
Description
技术领域
本申请涉及通信技术领域，尤其是一种设备状态的确定方法、装置及设备。
背景技术
在工业生产领域，产品的生产是一系列操作和步骤的组成，各个生产环节都是由多种因素影响的结果。在工业生产领域，“人，机，料，法，环”是生产过程的五个主要因素，人是指操作人员，机是指生产设备(也可以称为生产机器)，料是指生产物料，法是指生产工艺(也可以称为生产方法)，环是指生产环境。
生产设备是上述五个因素的重要组成部分，对生产结果的影响很大。如果生产设备异常，则会导致产品出现质量问题，甚至产品生产失败。因此，需要能够及时检测生产设备的状态，而当前并没有生产设备状态的有效检测手段。
发明内容
本申请提供一种设备状态的确定方法，所述方法包括：
获取生产设备生产的产品对应的产品数据；
获取与所述生产设备相关的传感器采集的传感器数据；
根据所述产品数据和所述传感器数据，获取所述生产设备对应的特征数据；
根据所述特征数据确定所述生产设备对应的设备状态。
本申请提供一种设备状态的确定方法，所述方法包括：
获取与特定类型设备相关的传感器采集的传感器数据；
根据所述传感器数据获取所述特定类型设备对应的特征数据；
根据所述特征数据确定所述特定类型设备对应的设备状态。
本申请提供一种设备状态的确定装置，所述装置包括：
获取模块，用于获取生产设备生产的产品对应的产品数据；获取与所述生产设备相关的传感器采集的传感器数据；根据所述产品数据和所述传感器数据，获取所述生产设备对应的特征数据；
确定模块，用于根据所述特征数据确定所述生产设备对应的设备状态。
本申请提供一种用于确定设备状态的分析设备，包括：处理器，用于获取生产设备生产的产品对应的产品数据；获取与所述生产设备相关的传感器采集的传感器数据；根据所述产品数据和所述传感器数据，获取所述生产设备对应的特征数据；根据所述特征数据确定所述生产设备对应的设备状态。
基于上述技术方案，本申请实施例中，可以根据产品数据和传感器数据获取生产设备对应的特征数据，并根据特征数据确定生产设备对应的设备状态，从而及时检测生产设备的设备状态，可以对生产设备的设备状态进行评估，能够预测生产设备是否发生故障，及时对故障进行修复，保证产品质量。上述方式提供一种基于传感器数据的建模分析方式，用于评估生产设备的设备状态，提升工业生产从业者的分析能力，快速准确的诊断生产设备的设备状态，甚至***生产设备的故障发生，辅助生产设备的维护保养计划，在尽量不影响正常生产的情况下进行生产设备的维护保养，推动工业企业的效益得到提升。
附图说明
为了更加清楚地说明本申请实施例或者现有技术中的技术方案，下面将对本申请实施例或者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申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据本申请实施例的这些附图获得其它的附图。
图1是本申请一种实施方式中的设备状态的确定方法的流程图；
图2是本申请一种实施方式中的流程架构示意图；
图3是本申请另一种实施方式中的设备状态的确定方法的流程图；
图4是本申请一种实施方式中的设备状态的确定装置的结构图。
具体实施方式
在本申请实施例使用的术语仅仅是出于描述特定实施例的目的，而非限制本申请。本申请和权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其它含义。还应当理解，本文中使用的术语“和/或”是指包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息，取决于语境。
本申请实施例中提出一种设备状态的确定方法，该方法可以应用于分析设备，该分析设备可以包括但不限于PC(Personal Computer，个人计算机)、终端设备、笔记本电脑、服务器等，对此分析设备的类型不做限制。参见图1所示，为上述设备状态的确定方法的流程图示例，该方法可以包括以下步骤：
步骤101，获取生产设备生产的产品对应的产品数据。
步骤102，获取与该生产设备相关的传感器采集的传感器数据。
步骤103，根据该产品数据和该传感器数据，获取该生产设备对应的特征数据。
步骤104，根据该特征数据确定该生产设备对应的设备状态。
在一个例子中，上述执行顺序只是为了方便描述给出的一个示例，在实际应用中，还可以改变步骤之间的执行顺序，对此执行顺序不做限制。而且，在其它实施例中，并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其它实施例中可能被分解为多个步骤进行描述；本说明书中所描述的多个步骤，在其它实施例也可能被合并为单个步骤进行描述。
针对步骤103，在一个例子中，针对“根据该产品数据和该传感器数据，获取该生产设备对应的特征数据”的过程，可以包括但不限于如下方式：
将与同一时间信息对应的产品数据和传感器数据进行关联，并利用关联后的产品数据和传感器数据，获取该生产设备对应的特征数据。也就是说，可以利用与同一时间信息对应的产品数据和传感器数据，获取该生产设备对应的特征数据，也就是该生产设备生产的产品所对应的特征数据。
针对“将与同一时间信息对应的产品数据和传感器数据进行关联”的过程，可以包括：从产品数据中获取第一时间信息，并从传感器数据中获取第二时间信息；然后，根据该第一时间信息和该第二时间信息，确定与同一时间信息对应的产品数据和传感器数据，并将确定的产品数据和传感器数据进行关联。
针对步骤103，在一个例子中，针对“根据该产品数据和该传感器数据，获取该生产设备对应的特征数据”的过程，可以包括但不限于如下方式：
为该产品选取对应的特定模型，并利用该特定模型对该产品数据和该传感器数据进行处理，得到该生产设备对应的特征数据。进一步的，所述特定模型可以包括但不限于：时间序列模型；或者，回归模型；或者，树结构模型。
针对步骤104，在一个例子中，针对“根据该特征数据确定该生产设备对应的设备状态”的过程，可以包括但不限于如下方式：判断该特征数据是否为异常数据；若是异常数据，则可以确定该生产设备对应的设备状态是异常状态；若不是异常数据，则可以确定该生产设备对应的设备状态是正常状态。
在一个例子中，针对“判断该特征数据是否为异常数据”的过程，可以包括但不限于如下方式：方式一、根据该特征数据与正常参数的比较结果，判断该特征数据是否为异常数据；其中，该正常参数是表示该生产设备正常的参数信息。或者，方式二、根据该特征数据与异常参数的比较结果，判断该特征数据是否为异常数据；其中，该异常参数是表示该生产设备异常的参数信息。或者，方式三、获取该生产设备生产的多个产品对应的多个特征数据，并利用所述多个特征数据之间的对比性，分析所述多个特征数据中是否存在异常数据。
针对方式三，在一个例子中，针对“获取该生产设备生产的多个产品对应的多个特征数据”的过程，可以包括：获取该生产设备生产的多个产品对应的多个生产批次；通过所述多个生产批次查询映射关系，得到多个生产批次对应的多个特征数据；其中，该映射关系是生产批次与特征数据的映射关系。
进一步的，在“根据该产品数据和该传感器数据，获取该生产设备对应的特征数据”之后，还可以从该产品数据中获取该产品对应的生产批次，并建立该生产批次与该特征数据的映射关系。基于此映射关系，就可以执行“通过所述多个生产批次查询映射关系，得到多个生产批次对应的多个特征数据”的操作。
针对方式三，在一个例子中，针对“利用所述多个特征数据之间的对比性，分析所述多个特征数据中是否存在异常数据”的过程，可以包括：若所述多个特征数据中存在指定类型特征数据，则可以确定该指定类型特征数据是异常数据。其中，该指定类型特征数据与其它特征数据的差异大于预设阈值。
基于上述技术方案，本申请实施例中，可以根据产品数据和传感器数据获取生产设备对应的特征数据，并根据特征数据确定生产设备对应的设备状态，从而及时检测生产设备的设备状态，可以对生产设备的设备状态进行评估，能够预测生产设备是否发生故障，及时对故障进行修复，保证产品质量。上述方式提供一种基于传感器数据的建模分析方式，用于评估生产设备的设备状态，提升工业生产从业者的分析能力，快速准确的诊断生产设备的设备状态，甚至***生产设备的故障发生，辅助生产设备的维护保养计划，在尽量不影响正常生产的情况下进行生产设备的维护保养，推动工业企业的效益得到提升。
以下结合具体应用场景，对本申请实施例的上述方案进行详细说明。
在工业生产领域，生产设备(如自动化生产设备等)可以部署一个或者多个传感器，该传感器用于对生产设备的生产加工过程进行数据采集，得到传感器数据，为了区分方便，可以将传感器采集到的数据称为传感器数据，基于此传感器数据，可以实现自动化控制，并对生产设备的生产过程进行监控和报警。
例如，可以在生产设备部署温度传感器，该温度传感器可以采集生产加工过程的温度信息。或者，可以在生产设备部署压力传感器，该压力传感器可以采集生产加工过程的压力信息。或者，可以在生产设备部署振动传感器，该振动传感器可以采集生产加工过程的冲击力或者加速度信息。或者，可以在生产设备部署距离传感器，该距离传感器可以采集生产加工过程的物体移动距离。
当然，上述传感器只是本申请的几个示例，对此不做限制，而传感器采集到的数据，如上述的温度信息、压力信息、物体移动距离等，就是传感器数据。
基于传感器采集到的传感器数据，本申请实施例提出一种设备状态的确定方法，是一个面向工业生产领域的、基于传感器数据的设备状态的确定方法，可以通过数据挖掘、数学建模、机器学习等手段，确定生产设备的特征数据，并利用该特征数据确定生产设备的设备状态，预测生产设备是否发生故障，从而评估生产设备的设备健康画像(MachineHealth Profile)。例如，通过已有生产批次数据的建模分析，预测未来生产设备发生故障的概率，用于辅助生产设备的维护保养决策，提升工业生产从业者的分析能力，快速准确的诊断生产设备的运行健康状态，***生产设备的故障发生，使得生产设备的维护保养可以在尽量不影响正常生产的情况下进行，推动工业企业的效益得到提升。
为了更加清楚的阐述上述设备状态的确定方法，先介绍本申请实施例的应用场景，为了方便描述，以工业生产领域的硅片切割工艺为例进行说明。当然，硅片切割工艺只是工业生产领域的一个示例，对此不做限制，所有在生产设备部署传感器的应用场景，均可以采用上述设备状态的确定方法，其实现流程与硅片切割工艺的流程类似，在本应用场景中，以硅片切割工艺为例进行说明。
在硅片切割工艺中，生产设备用于将硅锭切割成硅片，这个硅片相当于生产设备生产的产品。在切割过程中，生产设备可以采集硅片的产品数据，该产品数据可以包括但不限于以下内容之一或任意组合：产品数据的采集时间、硅片的生产批次、硅片的生产进度，当然还可以包括其它内容，对此不做限制。
例如，生产设备采集到产品数据1-产品数据6，这些产品数据可以如表1所示，然后，生产设备可以将这些产品数据存储到数据库中。当然，在实际应用中，生产设备采集到的产品数据远远多于表1中的产品数据，后续以表1为例进行说明。生产设备每切割出一个硅片，相当于生产出一个产品(即硅片)，而生产一个产品时，就可以采集到多个产品数据，如产品数据1-产品数据3是针对产品1的产品数据，产品数据4-产品数据6是针对产品2的产品数据。
表1
| 产品数据标识 | 采集时间 | 生产批次 | 生产进度 |
| 产品数据1 | 2017.12.17-10:32:28 | 20171217001 | 10％ |
| 产品数据2 | 2017.12.17-12:32:30 | 20171217001 | 60％ |
| 产品数据3 | 2017.12.17-14:20:28 | 20171217001 | 90％ |
| 产品数据4 | 2017.12.17-15:06:28 | 20171217002 | 5％ |
| 产品数据5 | 2017.12.17-16:32:30 | 20171217002 | 40％ |
| 产品数据6 | 2017.12.17-17:40:28 | 20171217002 | 95％ |
在一个例子中，可以在生产设备部署传感器(如距离传感器)，该距离传感器可以采集生产加工过程的物体移动距离，如传感器可以部署在生产设备的切割部件上，且传感器用于采集锥形轴(即硅片切割机锥形轴)的移动距离，即在切割部件将硅锭切割成硅片的过程中，采集锥形轴的移动距离。例如，在初始状态下，锥形轴的移动距离为0，此时切割部件还没有对硅锭进行切割；随着切割部件对硅锭的切割，锥形轴的移动距离越来越大，且传感器可以采集到锥形轴的移动距离，如锥形轴的移动距离为2厘米、4厘米等，对此不做限制。
在切割过程中，传感器可以采集到传感器数据，该传感器数据可以包括但不限于以下内容之一或者任意组合：传感器数据的采集时间、锥形轴的移动距离。当然，传感器数据还可以包括其它内容，对此传感器数据不做限制。
例如，传感器采集到传感器数据1-传感器数据6，这些传感器数据可以如表2所示，然后，传感器将这些传感器数据存储到数据库中。当然，在实际应用中，传感器采集到的传感器数据会远远多于表2中的传感器数据，后续以表2为例。生产设备每切割出一个硅片，相当于生产出一个产品(即硅片)，而生产一个产品时，就可以采集到多个传感器数据，如传感器数据1-传感器数据3是针对产品1的传感器数据，传感器数据4-传感器数据6是针对产品2的传感器数据。
表2
基于数据库中存储的产品数据(如表1所示)和传感器数据(如表2所示)，就可以确定生产设备的设备状态，如确定生产设备本身的设备状态，或者，生产设备上某个部件(如切割部件)的设备状态。以下对此过程进行详细说明。
参见图2所示，为本申请实施例中的流程架构示意图，该架构可以包括但不限于：数据层、预处理层、模型特征层、配置层、挖掘层和应用层。其中：
1、数据层。在数据库中可以存储传感器数据、产品数据、MES(ManufacturingExecution System，制造企业生产过程执行***)数据、品质校验数据、工艺设定数据等，这些数据均是工业生产过程广泛使用的数据，对数据库中的数据类型不做限制，只要包括传感器数据、产品数据即可。在数据层，可以从数据库中获取传感器数据和产品数据，并将传感器数据和产品数据提供给预处理层。
其中，产品数据是生产设备生产的产品对应的产品数据，可以如表1所示。传感器数据是与生产设备相关的传感器采集的传感器数据，可以如表2所示。
2、预处理层。在得到传感器数据和产品数据后，可以对传感器数据和产品数据进行预处理(如删除异常值等)，并将传感器数据和产品数据进行关联。
其中，由于传感器数据中可能包含异常值，因此，在得到传感器数据之后，先判断传感器数据中是否存在异常值。如果是，则删除传感器数据中的异常值，如果否，则不需要删除传感器数据中的异常值。例如，假设最终产品(即硅片)的长度为10厘米，则锥形轴的移动距离不会超过10厘米，因此，若传感器数据包括大于10厘米的移动距离，则这个传感器数据就是异常值，需要被删除。
其中，由于产品数据中可能包含异常值，因此，在得到产品数据后，先判断产品数据中是否存在异常值。如果是，则删除产品数据中的异常值，如果否，则不需要删除产品数据中的异常值。例如，生产进度不会超过100％，若产品数据包括大于100％的生产进度，则这个产品数据就是异常值，需要被删除。
其中，由于产品数据中包括时间信息(为了区分方便，将产品数据中的时间信息称为第一时间信息，即表1中的采集时间)，且传感器数据中包括时间信息(为了区分方便，将传感器数据中的时间信息称为第二时间信息，即表2中的采集时间)，因此，可以将与同一时间信息对应的产品数据和传感器数据进行关联。具体的，从产品数据中获取第一时间信息，并从传感器数据中获取第二时间信息，根据该第一时间信息和该第二时间信息，确定与同一时间信息对应的产品数据和传感器数据，并将确定的产品数据和传感器数据进行关联。
例如，产品数据1的第一时间信息为2017.12.17-10:32:28，传感器数据1的第二时间信息为2017.12.17-10:32:28，因此，产品数据1和传感器数据1与同一时间信息“2017.12.17-10:32:28”对应，即可以将产品数据1和传感器数据1进行关联。类似的，可以将产品数据2和传感器数据2进行关联，将产品数据3和传感器数据3进行关联，将产品数据4和传感器数据4进行关联，将产品数据5和传感器数据5进行关联，将产品数据6和传感器数据6进行关联。
进一步的，预处理层还可以将关联后的产品数据和传感器数据(如产品数据1和传感器数据1的关联关系、产品数据2和传感器数据2的关联关系、产品数据3和传感器数据3的关联关系等，以此类推)提供给模型特征层。
3、模型特征层。在得到关联后的产品数据和传感器数据后，可以利用关联后的产品数据和传感器数据，获取生产设备对应的特征数据。即，可以利用与同一时间信息对应的产品数据和传感器数据，获取生产设备对应的特征数据。
具体的，可以为该产品选取对应的特定模型，并利用该特定模型对关联后的产品数据和传感器数据进行处理，得到该生产设备对应的特征数据。特定模型可以包括但不限于：时间序列模型；或者，回归模型；或者，树结构模型。
例如，该模型特征层可以得到产品数据1和传感器数据1的关联关系、产品数据2和传感器数据2的关联关系、产品数据3和传感器数据3的关联关系、产品数据4和传感器数据4的关联关系、产品数据5和传感器数据5的关联关系、产品数据6和传感器数据6的关联关系。然后，由于产品数据1、产品数据2和产品数据3对应同一个生产批次“20171217001”，也就是说，产品数据1、产品数据2和产品数据3对应同一个产品(即产品1)，因此，可以将产品数据1和传感器数据1、产品数据2和传感器数据2、产品数据3和传感器数据3作为同一组输入数据，这组输入数据用于训练产品1的产品数据。同理，可以将产品数据4和传感器数据4、产品数据5和传感器数据5、产品数据6和传感器数据6作为同一组输入数据，这组输入数据用于训练产品2的产品数据。
假设特定模型为时间序列模型，则可以将产品数据1和传感器数据1、产品数据2和传感器数据2、产品数据3和传感器数据3作为输入数据，输出给时间序列模型，时间序列模型根据这些输入数据进行建模分析和特征抽取，得到特征数据A。同理，还可以将产品数据4和传感器数据4、产品数据5和传感器数据5、产品数据6和传感器数据6输出给时间序列模型，时间序列模型根据这些数据进行建模分析和特征抽取，得到特征数据B。
进一步的，上述特征数据A和特征数据B也就是生产设备对应的特征数据。
其中，时间序列模型的相关定义可以如下所示：在生产和科学研究中，对某个或者某组变量进行观察测量，将在一系列时刻按照时间次序排列，并用于解释变量和相互关系的数学表达式，所得到的离散数字组成的序列集合，可以称为时间序列，这种有时间意义的序列也称为动态数据。时间序列分析是根据***观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法，一般采用曲线拟合和参数估计方法(如非线性最小二乘法)进行。
假设特定模型为回归模型，则可以将产品数据1和传感器数据1、产品数据2和传感器数据2、产品数据3和传感器数据3作为输入数据，输出给回归模型，由所述回归模型根据这些输入数据进行建模分析和特征抽取，从而得到特征数据A。同理，还可以将产品数据4和传感器数据4、产品数据5和传感器数据5、产品数据6和传感器数据6输出给回归模型，由所述回归模型根据这些数据进行建模分析和特征抽取，从而得到特征数据B。
进一步的，上述特征数据A和特征数据B也就是生产设备对应的特征数据。
其中，回归模型(也称为回归分析模型)的相关定义可以如下所示：回归分析用于研究一个变量(被解释变量)关于另一个(些)变量(解释变量)的具体依赖关系，从一组样本数据出发，确定变量之间的数学关系式对这些关系式的可信程度，并从影响某一特定变量的诸多变量中找出哪些变量的影响显著，哪些不显著。此外，可以利用所求的关系式，根据一个或者几个变量的取值来预测或者控制另一个特定变量的取值，并给出这种预测或者控制的精确程度。
假设特定模型为树结构模型，则可以将产品数据1和传感器数据1、产品数据2和传感器数据2、产品数据3和传感器数据3作为输入数据，输出给树结构模型，由树结构模型根据这些输入数据进行建模分析和特征抽取，从而得到特征数据A。同理，还可以将产品数据4和传感器数据4、产品数据5和传感器数据5、产品数据6和传感器数据6输出给树结构模型，由树结构模型根据这些数据进行建模分析和特征抽取，从而得到特征数据B。
进一步的，上述特征数据A和特征数据B也就是生产设备对应的特征数据。
其中，树结构模型的相关定义可以如下所示：树结构是一种重要的非线性数据结构，其是数据元素(在树中称为结点)按分支关系组织起来的结构。
在上述过程中，介绍了时间序列模型、回归模型、树结构模型的处理方式，对于“时间序列模型、回归模型、树结构模型根据输入数据进行建模分析和特征抽取”的过程，本文不做限制，只要根据输入数据可以得到特征数据即可。
例如，基于时间序列模型，假设将产品数据作为横坐标，将传感器数据作为纵坐标，则产品数据1和传感器数据1对应一个坐标点1，产品数据2和传感器数据2对应一个坐标点2，产品数据3和传感器数据3对应一个坐标点3。若坐标点1、坐标点2和坐标点3组成一条直线，则上述特征数据可以是这条直线的斜率，即时间序列模型根据输入数据进行建模分析和特征抽取后，得到的特征数据是直线的斜率。若坐标点1、坐标点2和坐标点3组成一条曲线，则上述特征数据可以是这条曲线的变化率，即时间序列模型根据输入数据进行建模分析和特征抽取后，得到的特征数据是曲线的变化率。当然，特征数据还可以是其它内容，不同模型的特征数据可以相同，也可以不同，对此不做限制。
模型特征层在得到生产设备对应的特征数据后，还可以将该生产设备对应的特征数据提供给挖掘层。例如，经过上述处理，模型特征层可以将特征数据A提供给挖掘层，并可以将特征数据B提供给挖掘层。
4、配置层。向用户提供配置选项，由用户根据该配置选项输入相关信息。
例如，配置选项可以为正常参数，基于此，用户可以根据该配置选项，在配置层输入产品的正常参数，且所述正常参数是表示生产设备正常的参数信息，例如，特征数据X等。基于此，若特征数据A/特征数据B与特征数据X之间的差值小于阈值时，则特征数据A/特征数据B为正常，即生产设备的设备状态为正常状态。若特征数据A/特征数据B与特征数据X之间的差值不小于阈值时，则特征数据A/特征数据B为异常，即生产设备的设备状态为异常状态。
例如，配置选项可以为异常参数，基于此，用户可以根据该配置选项，在配置层输入产品的异常参数，且所述异常参数是表示生产设备异常的参数信息，例如，特征数据Y等。基于此，若特征数据A/特征数据B与特征数据Y之间的差值小于阈值时，则特征数据A/特征数据B为异常，即生产设备的设备状态为异常状态。若特征数据A/特征数据B与特征数据Y之间的差值不小于阈值时，则特征数据A/特征数据B为正常，即生产设备的设备状态为正常状态。
例如，配置选项可以为生产批次信息，基于此，用户可以根据该配置选项，在配置层输入设备信息和生产批次，如设备信息A、生产批次“20171217001”、生产批次“20171217002”，表示生产批次“20171217001”对应的产品、生产批次“20171217002”对应的产品，均是设备信息A对应的生产设备所生产的。
其中，该设备信息可以包括但不限于以下之一或者任意组合：设备类型、设备机台、设备部件，对此设备信息不做限制，只要基于所述设备信息，能够唯一表示一个生产设备即可，即通过设备信息能够获知对应的生产设备。
综上所述，配置层在得到正常参数后，可以将正常参数提供给挖掘层。或者，配置层在得到异常参数后，可以将异常参数提供给挖掘层。或者，配置层在得到设备信息和生产批次的对应关系后，可以将设备信息和生产批次的对应关系提供给挖掘层。当然，上述只是配置层的几个示例，对此不做限制。
5、挖掘层。在得到生产设备对应的特征数据(由模型特征层提供)、用户输入的相关信息(由配置层提供)后，可以根据该特征数据确定生产设备对应的设备状态。具体的，判断该特征数据是否为异常数据；若是，确定生产设备对应的设备状态是异常状态；若否，确定生产设备对应的设备状态是正常状态。
例如，若模型特征层提供特征数据A/特征数据B，配置层提供正常参数(如特征数据X)，则可以根据特征数据A/特征数据B与正常参数(如特征数据X)的比较结果，判断特征数据A/特征数据B是否为异常数据。例如，若特征数据A/特征数据B与特征数据X之间的差值小于阈值时，则确定特征数据A/特征数据B为正常数据，因此，确定生产设备对应的设备状态是正常状态。若特征数据A/特征数据B与特征数据X之间的差值不小于阈值时，则确定特征数据A/特征数据B为异常数据，因此，确定生产设备对应的设备状态是异常状态。
例如，若模型特征层提供特征数据A/特征数据B，配置层提供异常参数(如特征数据Y)，则可以根据特征数据A/特征数据B与异常参数(如特征数据Y)的比较结果，判断特征数据A/特征数据B是否为异常数据。例如，若特征数据A/特征数据B与特征数据Y之间的差值小于阈值时，则确定特征数据A/特征数据B为异常数据，因此，确定生产设备对应的设备状态是异常状态。若特征数据A/特征数据B与特征数据X之间的差值不小于阈值时，则确定特征数据A/特征数据B为正常数据，因此，确定生产设备对应的设备状态是正常状态。
例如，若模型特征层提供特征数据A/特征数据B，配置层提供设备信息和生产批次的对应关系，则获取生产设备生产的多个产品对应的多个特征数据，并利用多个特征数据之间的对比性，分析多个特征数据中是否存在异常数据。
其中，由于产品数据可以包括生产批次，参见表1所示，因此，模型特征层在获取到特征数据之后，还可以从产品数据中获取生产批次，并建立该生产批次与该特征数据的映射关系。例如，模型特征层可以建立特征数据A和生产批次20171217001的映射关系，并建立特征数据B和生产批次20171217002的映射关系。基于此，模型特征层是将特征数据A和生产批次20171217001的映射关系、特征数据B和生产批次20171217002的映射关系提供给挖掘层。
其中，配置层在接收到用户输入的相关信息后，可以将用户输入的设备信息A、生产批次“20171217001”、生产批次“20171217002”提供给挖掘层。
综上所述，挖掘层可以得到特征数据A和生产批次20171217001的映射关系；特征数据B和生产批次20171217002的映射关系；设备信息A、生产批次“20171217001”、生产批次“20171217002”的对应关系，基于此，挖掘层确定设备信息A对应生产批次“20171217001”和生产批次“20171217002”，并确定设备信息A对应特征数据A和特征数据B，也就是说，所述多个特征数据为特征数据A和特征数据B。当然，上述只是一个示例，在实际应用中，设备信息A对应的多个特征数据可以更多，以对应特征数据A-特征数据D为例。
然后，挖掘层可以利用多个特征数据之间的对比性，分析多个特征数据中是否存在异常数据。具体的，若多个特征数据中存在指定类型特征数据，则可以确定该指定类型特征数据是异常数据。其中，该指定类型特征数据与其它特征数据的差异大于预设阈值。例如，若特征数据A与特征数据B之间的差值大于预设阈值、且特征数据A与特征数据C之间的差值大于预设阈值、且特征数据A与特征数据D之间的差值大于预设阈值，而特征数据B、特征数据C、特征数据D相同或者近似，则特征数据A是指定类型特征数据，即是异常数据。
当然，上述分析方式，只是分析多个特征数据中是否存在异常数据的一个示例，对此分析方式不做限制。例如，可以根据相关性分析方法，分析多个特征数据中是否存在异常数据，总的来说，对于一个生产设备，其生产的大部分产品的特征数据可能是正常的，少部分产品的特征数据可能是异常的。而且，时间靠前的特征数据正常的概率较大，而时间靠后的特征数据异常的概率较大。
6、应用层。可以利用生产设备对应的多个特征数据，预测生产设备在未来是否发生故障。具体的，可以利用生产设备对应的多个特征数据，分析多个特征数据的指标趋势，并利用该指标趋势预测生产设备的健康状态，即预测生产设备是否会在未来的某个时间发生故障，从而形成针对生产设备的健康画像。
例如，特征数据A-特征数据D按照时间先后顺序的排序结果为：特征数据A、特征数据B、特征数据C、特征数据D，即特征数据A的时间距离当前时间最大，而特征数据D的时间距离当前时间最小。虽然特征数据A、特征数据B、特征数据C、特征数据D均不是异常数据，但是，特征数据A、特征数据B、特征数据C、特征数据D距离异常情况越来越接近，如假设异常标准为0.5，而特征数据A为0.8、特征数据B为0.7、特征数据C为0.6、特征数据D为0.55，则说明随着时间的推进，生产设备生产的产品的特征数据，距离异常情况越来越接近，因此，预测生产设备在未来的某个时间，发生故障的概率很大，生产设备的健康画像是未来可能出现故障。若特征数据A、特征数据B、特征数据C、特征数据D不存在距离异常情况越来越接近的现象，则预测生产设备在未来的某个时间，发生故障的概率很小，生产设备的健康画像是未来故障概率很小。
在一个例子中，可以根据生产设备的状态，给出新工艺参数，并将工艺参数推荐给用户，用户可以使用新工艺参数进行生产，生产过程形成的数据又被采集下来，供之后的分析所用，以此类推，形成线上线下闭环，促进良性循环。
基于与上述方法同样的申请构思，本申请实施例还提出一种设备状态的确定方法，参见图3所示，为该方法的流程图，该方法可以包括以下步骤：
步骤301，获取与特定类型设备相关的传感器采集的传感器数据。
步骤302，根据该传感器数据获取该特定类型设备对应的特征数据。
步骤303，根据该特征数据确定该特定类型设备对应的设备状态。
其中，特定类型设备可以包括但不限于生产设备(如自动化生产设备等)。
其中，针对“根据该传感器数据获取该特定类型设备对应的特征数据”的过程，可以包括但不限于：根据生产设备生产的产品对应的产品数据、与该生产设备相关的传感器采集的传感器数据，获取该生产设备对应的特征数据。
其中，步骤301-步骤303的实现，可以参见图1或者图2所示，不再赘述。
基于与上述方法同样的申请构思，本申请实施例还提供一种设备状态的确定装置，如图4所示，为所述设备状态的确定装置的结构图，所述装置包括：
获取模块401，用于获取生产设备生产的产品对应的产品数据；获取与所述生产设备相关的传感器采集的传感器数据；根据所述产品数据和所述传感器数据，获取所述生产设备对应的特征数据；
确定模块402，用于根据所述特征数据确定所述生产设备对应的设备状态。
所述获取模块401，具体用于在根据产品数据和传感器数据，获取生产设备对应的特征数据的过程中，将与同一时间信息对应的产品数据和传感器数据进行关联；利用关联后的产品数据和传感器数据，获取生产设备对应的特征数据。
所述获取模块401，具体用于在根据产品数据和传感器数据，获取生产设备对应的特征数据的过程中，为所述产品选取对应的特定模型，利用所述特定模型对所述产品数据和所述传感器数据进行处理，得到生产设备对应的特征数据。
所述确定模块402，具体用于在根据特征数据确定生产设备对应的设备状态的过程中，判断所述特征数据是否为异常数据；若是，确定所述生产设备对应的设备状态是异常状态；若否，确定所述生产设备对应的设备状态是正常状态。
所述确定模块402，具体用于在判断所述特征数据是否为异常数据的过程中，根据所述特征数据与正常参数的比较结果，判断所述特征数据是否为异常数据；其中，所述正常参数是表示生产设备正常的参数信息；或者，
根据所述特征数据与异常参数的比较结果，判断所述特征数据是否为异常数据；其中，所述异常参数是表示生产设备异常的参数信息；或者，
获取所述生产设备生产的多个产品对应的多个特征数据；利用所述多个特征数据之间的对比性，分析所述多个特征数据中是否存在异常数据。
基于与上述方法同样的申请构思，本申请实施例还提供一种用于确定设备状态的分析设备，该分析设备可以包括处理器；其中：所述处理器，用于获取生产设备生产的产品对应的产品数据；获取与所述生产设备相关的传感器采集的传感器数据；根据所述产品数据和所述传感器数据，获取所述生产设备对应的特征数据；根据所述特征数据确定所述生产设备对应的设备状态。
基于与上述方法同样的申请构思，本申请实施例还提供一种机器可读存储介质，所述机器可读存储介质上存储有若干计算机指令，所述计算机指令被执行时进行如下处理：获取生产设备生产的产品对应的产品数据；获取与生产设备相关的传感器采集的传感器数据；根据所述产品数据和传感器数据，获取所述生产设备对应的特征数据；根据所述特征数据确定生产设备对应的设备状态。
上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可以由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其它可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其它可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
而且，这些计算机程序指令也可以存储在能引导计算机或其它可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或者多个流程和/或方框图一个方框或者多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其它可编程数据处理设备上，使得在计算机或者其它可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其它可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (17)
1.一种设备状态的确定方法，其特征在于，所述方法包括：
获取生产设备生产的产品对应的产品数据；
获取与所述生产设备相关的传感器采集的传感器数据；
根据所述产品数据和所述传感器数据，获取所述生产设备对应的特征数据；
根据所述特征数据确定所述生产设备对应的设备状态。
2.根据权利要求1所述的方法，其特征在于，所述根据所述产品数据和所述传感器数据，获取所述生产设备对应的特征数据的过程，具体包括：
将与同一时间信息对应的产品数据和传感器数据进行关联；
利用关联后的产品数据和传感器数据，获取所述生产设备对应的特征数据。
3.根据权利要求2所述的方法，其特征在于，所述将与同一时间信息对应的产品数据和传感器数据进行关联的过程，具体包括：
从产品数据中获取第一时间信息，并从传感器数据中获取第二时间信息；
根据所述第一时间信息和所述第二时间信息，确定与同一时间信息对应的产品数据和传感器数据，并将确定的产品数据和传感器数据进行关联。
4.根据权利要求1或2所述的方法，其特征在于，所述根据所述产品数据和所述传感器数据，获取所述生产设备对应的特征数据的过程，具体包括：
为所述产品选取对应的特定模型，并利用所述特定模型对所述产品数据和所述传感器数据进行处理，得到所述生产设备对应的特征数据。
5.根据权利要求4所述的方法，其特征在于，所述特定模型包括：
时间序列模型；或者，回归模型；或者，树结构模型。
6.根据权利要求1所述的方法，其特征在于，
根据所述特征数据确定所述生产设备对应的设备状态的过程，包括：
判断所述特征数据是否为异常数据；
若是，则确定所述生产设备对应的设备状态是异常状态；
若否，则确定所述生产设备对应的设备状态是正常状态。
7.根据权利要求6所述的方法，其特征在于，
所述判断所述特征数据是否为异常数据的过程，具体包括：
根据所述特征数据与正常参数的比较结果，判断所述特征数据是否为异常数据；其中，所述正常参数是表示生产设备正常的参数信息；或者，
根据所述特征数据与异常参数的比较结果，判断所述特征数据是否为异常数据；其中，所述异常参数是表示生产设备异常的参数信息；或者，
获取所述生产设备生产的多个产品对应的多个特征数据；利用所述多个特征数据之间的对比性，分析所述多个特征数据中是否存在异常数据。
8.根据权利要求7所述的方法，其特征在于，
所述获取所述生产设备生产的多个产品对应的多个特征数据的过程，包括：
获取所述生产设备生产的多个产品对应的多个生产批次；
通过所述多个生产批次查询映射关系，得到所述多个生产批次对应的多个特征数据；其中，所述映射关系是生产批次与特征数据的映射关系。
9.根据权利要求8所述的方法，其特征在于，所述根据所述产品数据和所述传感器数据，获取所述生产设备对应的特征数据之后，所述方法还包括：
从所述产品数据中获取所述产品对应的生产批次；
建立所述生产批次与所述特征数据的映射关系。
10.根据权利要求7所述的方法，其特征在于，所述利用所述多个特征数据之间的对比性，分析所述多个特征数据中是否存在异常数据，包括：
若多个特征数据中存在指定类型特征数据，则确定所述指定类型特征数据是异常数据，所述指定类型特征数据与其它特征数据的差异大于预设阈值。
11.一种设备状态的确定方法，其特征在于，所述方法包括：
获取与特定类型设备相关的传感器采集的传感器数据；
根据所述传感器数据获取所述特定类型设备对应的特征数据；
根据所述特征数据确定所述特定类型设备对应的设备状态。
12.一种设备状态的确定装置，其特征在于，所述装置包括：
获取模块，用于获取生产设备生产的产品对应的产品数据；获取与所述生产设备相关的传感器采集的传感器数据；根据所述产品数据和所述传感器数据，获取所述生产设备对应的特征数据；
确定模块，用于根据所述特征数据确定所述生产设备对应的设备状态。
13.根据权利要求12所述的装置，其特征在于，所述获取模块，具体用于在根据所述产品数据和所述传感器数据，获取所述生产设备对应的特征数据的过程中，将与同一时间信息对应的产品数据和传感器数据进行关联；利用关联后的产品数据和传感器数据，获取所述生产设备对应的特征数据。
14.根据权利要求12或13所述的装置，其特征在于，所述获取模块，具体用于在根据所述产品数据和所述传感器数据，获取所述生产设备对应的特征数据的过程中，为所述产品选取对应的特定模型，并利用所述特定模型对所述产品数据和所述传感器数据进行处理，得到所述生产设备对应的特征数据。
15.根据权利要求12所述的装置，其特征在于，所述确定模块，具体用于在根据所述特征数据确定所述生产设备对应的设备状态的过程中，判断所述特征数据是否为异常数据；若是，则确定所述生产设备对应的设备状态是异常状态；若否，则确定所述生产设备对应的设备状态是正常状态。
16.根据权利要求15所述的装置，其特征在于，
所述确定模块，具体用于在判断所述特征数据是否为异常数据的过程中，根据所述特征数据与正常参数的比较结果，判断所述特征数据是否为异常数据；其中，所述正常参数是表示生产设备正常的参数信息；或者，
根据所述特征数据与异常参数的比较结果，判断所述特征数据是否为异常数据；其中，所述异常参数是表示生产设备异常的参数信息；或者，
获取所述生产设备生产的多个产品对应的多个特征数据；利用所述多个特征数据之间的对比性，分析所述多个特征数据中是否存在异常数据。
17.一种用于确定设备状态的分析设备，其特征在于，包括：处理器，用于获取生产设备生产的产品对应的产品数据；获取与所述生产设备相关的传感器采集的传感器数据；根据所述产品数据和所述传感器数据，获取所述生产设备对应的特征数据；根据所述特征数据确定所述生产设备对应的设备状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810082723.9A CN110096036A (zh) | 2018-01-29 | 2018-01-29 | 一种设备状态的确定方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810082723.9A CN110096036A (zh) | 2018-01-29 | 2018-01-29 | 一种设备状态的确定方法、装置及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110096036A true CN110096036A (zh) | 2019-08-06 |
Family
ID=67442691
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810082723.9A Pending CN110096036A (zh) | 2018-01-29 | 2018-01-29 | 一种设备状态的确定方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110096036A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111090266A (zh) * | 2019-12-04 | 2020-05-01 | 广州市高士实业有限公司 | 密封胶制备的监控方法、装置、计算机设备以及存储介质 |
| CN111752251A (zh) * | 2020-07-07 | 2020-10-09 | 临沂启阳电缆有限公司 | 一种工厂车间智能化控制管理*** |
| CN112002403A (zh) * | 2020-08-25 | 2020-11-27 | 上海至数企业发展有限公司 | 用于医疗设备的量化评估方法、装置、设备及存储介质 |
| CN112525247A (zh) * | 2019-09-19 | 2021-03-19 | 山东东华水泥有限公司 | 一种饱磨状态的检测方法、装置及设备 |
| CN113539909A (zh) * | 2021-09-15 | 2021-10-22 | 深圳市信润富联数字科技有限公司 | 一种故障检测方法、装置、终端设备及存储介质 |
| CN115993366A (zh) * | 2023-03-24 | 2023-04-21 | 枣庄市大猫电子科技有限公司 | 基于传感设备的加工件表面检测方法及*** |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030200060A1 (en) * | 2002-04-22 | 2003-10-23 | Evren Eryurek | On-line rotating equipment monitoring device |
| US20030229469A1 (en) * | 2002-06-07 | 2003-12-11 | Limin Song | Virtual RPM sensor |
| CN1476051A (zh) * | 2002-07-15 | 2004-02-18 | 松下电器产业株式会社 | 半导体制造装置的监控***以及监控方法 |
| CN101118437A (zh) * | 2007-09-03 | 2008-02-06 | 石毅 | 一种新型的数控机床远程状态监测与故障诊断***实现方法 |
| CN102361014A (zh) * | 2011-10-20 | 2012-02-22 | 上海大学 | 大规模半导体制造过程的状态监控与故障诊断方法 |
| CN102798534A (zh) * | 2011-05-23 | 2012-11-28 | 松下电器产业株式会社 | 设备工作状态诊断方法及设备工作状态诊断装置 |
| US20130218522A1 (en) * | 2010-10-28 | 2013-08-22 | Hideaki Suzuki | Abnormality diagnostic system and industrial machinery |
| CN103604622A (zh) * | 2013-11-29 | 2014-02-26 | 北京普拉斯科技发展有限公司 | 一种风电机组在线监测即时报警与故障诊断*** |
-
2018
- 2018-01-29 CN CN201810082723.9A patent/CN110096036A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030200060A1 (en) * | 2002-04-22 | 2003-10-23 | Evren Eryurek | On-line rotating equipment monitoring device |
| US20030229469A1 (en) * | 2002-06-07 | 2003-12-11 | Limin Song | Virtual RPM sensor |
| CN1476051A (zh) * | 2002-07-15 | 2004-02-18 | 松下电器产业株式会社 | 半导体制造装置的监控***以及监控方法 |
| CN101118437A (zh) * | 2007-09-03 | 2008-02-06 | 石毅 | 一种新型的数控机床远程状态监测与故障诊断***实现方法 |
| US20130218522A1 (en) * | 2010-10-28 | 2013-08-22 | Hideaki Suzuki | Abnormality diagnostic system and industrial machinery |
| CN102798534A (zh) * | 2011-05-23 | 2012-11-28 | 松下电器产业株式会社 | 设备工作状态诊断方法及设备工作状态诊断装置 |
| CN102361014A (zh) * | 2011-10-20 | 2012-02-22 | 上海大学 | 大规模半导体制造过程的状态监控与故障诊断方法 |
| CN103604622A (zh) * | 2013-11-29 | 2014-02-26 | 北京普拉斯科技发展有限公司 | 一种风电机组在线监测即时报警与故障诊断*** |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112525247A (zh) * | 2019-09-19 | 2021-03-19 | 山东东华水泥有限公司 | 一种饱磨状态的检测方法、装置及设备 |
| CN111090266A (zh) * | 2019-12-04 | 2020-05-01 | 广州市高士实业有限公司 | 密封胶制备的监控方法、装置、计算机设备以及存储介质 |
| CN111752251A (zh) * | 2020-07-07 | 2020-10-09 | 临沂启阳电缆有限公司 | 一种工厂车间智能化控制管理*** |
| CN112002403A (zh) * | 2020-08-25 | 2020-11-27 | 上海至数企业发展有限公司 | 用于医疗设备的量化评估方法、装置、设备及存储介质 |
| CN113539909A (zh) * | 2021-09-15 | 2021-10-22 | 深圳市信润富联数字科技有限公司 | 一种故障检测方法、装置、终端设备及存储介质 |
| CN115993366A (zh) * | 2023-03-24 | 2023-04-21 | 枣庄市大猫电子科技有限公司 | 基于传感设备的加工件表面检测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110096036A (zh) | 一种设备状态的确定方法、装置及设备 | |
| KR101917006B1 (ko) | 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법 | |
| Bagheri et al. | Cyber-physical systems architecture for self-aware machines in industry 4.0 environment | |
| Lee et al. | Service innovation and smart analytics for industry 4.0 and big data environment | |
| Alves et al. | Deployment of a smart and predictive maintenance system in an industrial case study | |
| Xia et al. | Online analytics framework of sensor-driven prognosis and opportunistic maintenance for mass customization | |
| CN111385140B (zh) | 生成监控网络物理***的数据以早期确定异常的***和方法 | |
| US20150026107A1 (en) | System and apparatus that identifies, captures, classifies and deploys tribal knowledge unique to each operator in a semi-automated manufacturing set-up to execute automatic technical superintending operations to improve manufacturing system performance and the methods therefor | |
| Cohen et al. | A smart process controller framework for Industry 4.0 settings | |
| JP2007219692A (ja) | プロセス異常分析装置およびプロセス異常分析システム並びにプログラム | |
| Groba et al. | Architecture of a predictive maintenance framework | |
| EP3696693A1 (en) | Method and apparatus for monitoring state of device in process industry and medium | |
| CN107942956A (zh) | 信息处理装置、信息处理方法、信息处理程序及记录介质 | |
| CN111950577A (zh) | 一种点检方法及装置 | |
| WO2020175084A1 (ja) | 運営評価装置、運営評価方法、およびプログラム | |
| CN109919505A (zh) | 一种操作状态判断方法、装置、***、设备和存储介质 | |
| JP6702297B2 (ja) | プロセスの異常状態診断方法および異常状態診断装置 | |
| Gittler et al. | International Conference on Advanced and Competitive Manufacturing Technologies milling tool wear prediction using unsupervised machine learning | |
| JP2002236511A (ja) | 工程管理システムおよび工程管理方法 | |
| Lee et al. | Intelligent factory agents with predictive analytics for asset management | |
| Mehta et al. | Smart manufacturing: state-of-the-art review in context of conventional and modern manufacturing process modeling, monitoring and control | |
| Raabe et al. | Vision based quality control and maintenance in high volume production by use of zero defect strategies | |
| EP3674828B1 (en) | System and method of generating data for monitoring of a cyber-physical system for early determination of anomalies | |
| CN101118423A (zh) | 虚拟测量预估模型的适用性选择方法与*** | |
| Bauer et al. | Big Data in manufacturing systems engineering–close up on a machine tool |
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 | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40012137 Country of ref document: HK |
|
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190806 |
|
| RJ01 | Rejection of invention patent application after publication |