CN111695780A - 一种工艺流程质量多故障自主检测方法及*** - Google Patents
一种工艺流程质量多故障自主检测方法及*** Download PDFInfo
- Publication number
- CN111695780A CN111695780A CN202010419509.5A CN202010419509A CN111695780A CN 111695780 A CN111695780 A CN 111695780A CN 202010419509 A CN202010419509 A CN 202010419509A CN 111695780 A CN111695780 A CN 111695780A
- Authority
- CN
- China
- Prior art keywords
- quality
- information
- fault
- process flow
- flow
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 315
- 230000008569 process Effects 0.000 title claims abstract description 219
- 238000001514 detection method Methods 0.000 title claims abstract description 112
- 238000004519 manufacturing process Methods 0.000 claims abstract description 34
- 238000013507 mapping Methods 0.000 claims abstract description 34
- 238000000354 decomposition reaction Methods 0.000 claims description 35
- 238000007781 pre-processing Methods 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 11
- 238000010206 sensitivity analysis Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000008878 coupling Effects 0.000 claims description 9
- 238000010168 coupling process Methods 0.000 claims description 9
- 238000005859 coupling reaction Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 230000035945 sensitivity Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 230000003068 static effect Effects 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000001364 causal effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000007418 data mining Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 4
- 238000007500 overflow downdraw method Methods 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 description 33
- 229910000831 Steel Inorganic materials 0.000 description 28
- 239000010959 steel Substances 0.000 description 28
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 239000000047 product Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000491 multivariate analysis Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种工艺流程质量多故障自主检测方法及***,该方法包括:在质量流约束下对工艺流程进行分解,将全流程划分为多个子***;构建各子***中对全流程质量波动敏感的质量指标集和质量指标逆映射模型;建立融合层级信息的子***质量多故障检测模型,实现子***质量多故障自主检测;将工艺流程的不同子***的质量多故障自主检测信息进行融合,实现融合局部关联信息的全流程质量多故障自主检测。本发明可及时、准确的对生产过程的质量多故障进行有效的监控和判断;旨在面向现代流程工业质量多故障检测中的关键性挑战问题,探索切实有效的解决方略,具有重要的实际应用与推广价值。
Description
技术领域
本发明涉及生产过程的控制和监测技术领域,特别是指一种工艺流程质量多故障自主检测方法及***。
背景技术
带钢热连轧过程流程长、工序内多变量耦合、工序间质量遗传、***层级与质量指标多,生产过程涉及复杂物理化学反应的气液固多相共存。
带钢热连轧生产流程主要由加热、粗轧、飞剪、精轧、层流、卷取等众多生产工序构成,从原材料到最终产品形成一个以串联结构为主体的产品加工长流程;同时,其相应综合自动化***层级明显,主要包括设备层、实时控制层、过程控制层及制造执行层等。各层级分工明确且相互协作关联,加之其原料成分、设备状态、工艺参数和产品质量等无法实时或全面感知,使其安全性、稳定性分析复杂多变,任一或多个环节异常均会导致故障传播甚至演变演化,引起企业因质量异议用户退货而停产维修,影响企业经济效益。
上述流程工业的连续不间断运行使得任一单元或子***发生故障都可能会通过质量流、能量流、信息流在不同层级上传播并演变演化,产生两种或多种故障同时或相继出现的情况,对生产过程的稳定运行和产品质量造成严重影响。质量多故障的传播、耦合、多重并发等特性以及故障和征兆间的一对多、多对一、多对多的复杂映射关系使得流程工业过程质量多故障诊断成为一个综合且复杂的问题。故,面对日益激烈的市场竞争,通过合理的质量多故障诊断技术来保障流程工业的高质、高效运行成为制造业可持续发展中的重要内容。
发明内容
本发明要解决的技术问题是提供一种工艺流程质量多故障自主检测方法及***,以解决流程工业的质量多故障检测问题,实现可及时、准确的对生产过程的质量多故障进行有效的监控和判断的效果。
为解决上述技术问题,本发明提供如下技术方案:
一种工艺流程质量多故障自主检测方法,该方法包括:
基于待检测的工艺流程的工艺知识和历史数据,在质量流约束下对待检测的工艺流程进行分解,将全流程划分为多个子***;
构建各子***中对全流程质量波动敏感的质量指标集,并对所述质量指标集中的质量指标数据进行预处理,以构建质量指标逆映射模型;
基于待检测的工艺流程的***层级信息和质量指标逆映射模型,建立融合层级信息的子***质量多故障检测模型,实现子***质量多故障自主检测;
将待检测的工艺流程的不同子***的质量多故障自主检测信息进行融合,实现融合局部关联信息的工艺流程全流程质量多故障自主检测。
进一步地,所述基于待检测的工艺流程的工艺知识和历史数据,在质量流约束下对待检测的工艺流程进行分解,将全流程划分为多个子***,包括:
利用待检测的工艺流程的工艺知识和历史数据,以控制关联、反应关联、位置关联、类型关联、结构关联和功能关联为参考顺序,分析质量信息在工艺流程变量间的关联及传播关系,确定全流程质量流信息的变量候选集;
基于所述变量候选集,确定子***主导变量;
利用统计相关性分析方法,衡量所述变量候选集中剩余变量与主导变量间的相关性,确定辅助变量;并以主导变量为中心,将辅助变量聚集在与之相关性强度大于预设阈值的主导变量周围,实现全流程初步分解;
基于工艺流程的层级信息,评价初步分解结果的合理性,调整所述预设阈值,实现质量流约束下的全流程精细化分解,将全流程划分为多个子***。
进一步地,所述工艺知识包括待检测的工艺流程的层级信息、过程机理以及专家知识。
进一步地,所述基于所述变量候选集,确定子***主导变量,包括:
针对过程机理明确的子***,利用先验知识确定其主导变量;针对过程机理不明确的子***,利用偏最小二乘或因果关系分析方法确定其主导变量。
进一步地,构建各子***中对全流程质量波动敏感的质量指标集,并对质量指标集中的质量指标数据进行预处理,以构建质量指标逆映射模型,包括:
分析各子***过程变量对全流程典型质量波动的敏感性;
基于敏感性分析结果,构建各子***中对全流程质量波动敏感的质量指标集,并结合待检测的工艺流程的工艺模型实现质量指标集的优选;
对优选后的质量指标集中的质量指标数据进行预处理;
基于预处理后的质量指标数据,利用工艺知识确定质量信息的层级特性和层级间质量信息的定性关系,采用动态时间窗口联合多变量数据建模方法挖掘各层级间共有的和层级内特有的定量质量信息,实现过程与质量数据的解析;
利用半监督学习与多变量回归相结合的方法,构建以信息深度感知为特征的高维度、多质量指标逆映射模型。
进一步地,分析各子***过程变量对全流程典型质量波动的敏感性,包括:
采用方差分解、基于偏导数的敏感性分析和基于连接权的敏感性分析方法分析各子***过程变量对全流程典型质量波动的敏感性。
进一步地,对优选后的质量指标集中的质量指标数据进行预处理,包括:
采用多尺度数据挖掘的跨尺度上推和下推方法,分析跨尺度情况下累积误差和精确度的变化规律,实现过程与质量变量测量尺度同步化;
采用半监督即时学习方法预处理带有缺失值和随机噪声的过程数据,降低数据的冗余性;在定义每个生产线运行标准轨迹的基础上,将各批次运行数据起始时间同步,采用加速动态时间规整方法得到等长批次的运行数据。
进一步地,所述基于待检测的工艺流程的***层级信息和质量指标逆映射模型,建立融合层级信息的子***质量多故障检测模型,实现子***质量多故障自主检测;包括:
基于待检测的工艺流程的***层级信息和质量指标逆映射模型,利用尺度同步化方法同步多层级信息尺度,利用软传感模型估计非实时测量质量指标;
针对多层级质量信息,将质量信息以***分层结构构建高维数据张量,采用张量分解技术,提取工艺流程过程层级间共性特征和层级内个性特征信息;
分别针对层级间共性特征和层级内个性特征信息,综合考虑质量多故障的时变、传播、耦合和多重并发特性,采用变分推理结合深度神经网络方法,建立融合层级信息的子***质量多故障检测模型;
基于所述子***质量多故障检测模型,利用中心对称多胞体技术在线生成残差区间,作为多故障检测的动态控制限,实现子***质量多故障自主检测。
进一步地,所述将待检测的工艺流程的不同子***的质量多故障自主检测信息进行融合,实现融合局部关联信息的工艺流程全流程质量多故障自主检测,包括:
挖掘各子***间的静态关联与动态协同关系,通过预设的信息融合与机器学习方法,将不同子***的质量多故障自主检测信息进行融合,实现融合局部关联信息的对待检测的工艺流程的全流程质量多故障自主检测。
相应地,为解决上述技术问题,本发明还提供如下技术方案:
一种工艺流程质量多故障自主检测***,该***包括:
流程分解模块,用于基于待检测的工艺流程的工艺知识和历史数据,在质量流约束下对待检测的工艺流程进行分解,将全流程划分为多个子***;
质量指标逆映射模型构建模块,用于构建各子***中对全流程质量波动敏感的质量指标集并对质量指标数据进行预处理,以构建质量指标逆映射模型;
融合层级信息的子***质量多故障自主检测模块,用于基于待检测的工艺流程的***层级信息和质量指标逆映射模型,建立融合层级信息的子***质量多故障检测模型,实现子***质量多故障自主检测;
融合局部关联信息的工艺流程全流程质量多故障自主检测模块,用于将待检测的工艺流程的不同子***的质量多故障自主检测信息进行融合,实现融合局部关联信息的工艺流程全流程质量多故障自主检测。
本发明的上述技术方案的有益效果如下:
本发明综合考虑了流程工业自动化***层级信息,实现了质量流约束下的全流程精细化分解、质量指标集优选与逆映射模型构建、融合层级信息的子***质量多故障自主检测、融合局部关联信息的全流程质量多故障自主检测。在逆映射构建、多元统计、变分贝叶斯推理、集成学习等方法的基础上,提出了适用于流程工业的自主检测方法,旨在面向现代流程工业质量多故障检测中的关键性挑战问题,探索切实有效的解决方略,具有重要的实际应用与推广价值。
附图说明
图1为本发明第一实施例提供的工艺流程质量多故障自主检测方法流程图;
图2为带钢热连轧生产过程工艺布置示意图;
图3为本发明第二实施例提供的带钢热连轧质量多故障自主检测方法实施路线示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
第一实施例
请参阅图1,本实施例提供一种工艺流程质量多故障自主检测方法,包括:
S101,基于待检测的工艺流程的工艺知识和历史数据,在质量流约束下对待检测的工艺流程进行分解,将全流程划分为多个子***;
具体地,在本实施例中,上述步骤的实现过程具体如下:
首先,利用待检测的工艺流程的工艺知识(层级信息、过程机理、专家知识)和历史数据,以控制关联、反应关联、位置关联、类型关联、结构关联和功能关联为参考顺序,分析质量信息在工艺流程变量间的关联及传播关系,确定全流程质量流信息的变量候选集;针对过程机理明确的子***,利用先验知识确定其主导变量;针对过程机理不明确的子***,利用偏最小二乘或因果关系分析方法确定其主导变量。利用统计相关性分析方法,衡量变量候选集中剩余变量与主导变量间的相关性,确定辅助变量;并以主导变量为中心,将辅助变量聚集在与之相关性强度大于预设阈值的主导变量周围,实现全流程初步分解;然后,基于工艺流程的层级信息,评价初步分解结果的合理性,调整预设阈值,实现质量流约束下的全流程精细化分解,将全流程划分为多个子***。
S102,构建各子***中对全流程质量波动敏感的质量指标集,并对质量指标集中的质量指标数据进行预处理,以构建质量指标逆映射模型;
具体地,在本实施例中,上述步骤的实现过程具体如下:
采用方差分解、基于偏导数的敏感性分析和基于连接权的敏感性分析方法分析各子***过程变量对全流程典型质量波动的敏感性;
基于敏感性分析结果,构建各子***中对全流程质量波动敏感的质量指标集,并结合待检测的工艺流程的工艺模型实现质量指标集的优选;
对优选后的质量指标集中的质量指标数据进行预处理;
基于预处理后的质量指标数据,利用工艺知识确定质量信息的层级特性和层级间质量信息的定性关系,采用动态时间窗口联合多变量数据建模方法挖掘各层级间共有的和层级内特有的定量质量信息,实现过程与质量数据的解析;
利用半监督学习与多变量回归相结合的方法,构建以信息深度感知为特征的高维度、多质量指标逆映射模型。
其中,对优选后的质量指标集中的质量指标数据进行预处理,包括:
采用多尺度数据挖掘的跨尺度上推和下推方法,分析跨尺度情况下累积误差和精确度的变化规律,实现过程与质量变量测量尺度同步化;
采用半监督即时学习方法预处理带有缺失值和随机噪声的过程数据,降低数据的冗余性;在定义每个生产线运行标准轨迹的基础上,将各批次运行数据起始时间同步,采用加速动态时间规整方法得到等长批次的运行数据。
S103,基于待检测的工艺流程的***层级信息和质量指标逆映射模型,建立融合层级信息的子***质量多故障检测模型,实现子***质量多故障自主检测;
具体地,在本实施例中,上述步骤的实现过程具体如下:
基于待检测的工艺流程的***层级信息和质量指标逆映射模型,利用尺度同步化方法同步多层级信息尺度,利用软传感模型估计非实时测量质量指标;
针对多层级质量信息,将质量信息以***分层结构构建高维数据张量,采用张量分解技术,提取工艺流程过程层级间共性特征和层级内个性特征信息;
分别针对层级间共性特征和层级内个性特征信息,综合考虑质量多故障的时变、传播、耦合和多重并发特性,采用变分推理结合深度神经网络方法,建立融合层级信息的子***质量多故障检测模型;
基于子***质量多故障检测模型,利用中心对称多胞体技术在线生成残差区间,作为多故障检测的动态控制限,实现子***质量多故障自主检测。
S104,将待检测的工艺流程的不同子***的质量多故障自主检测信息进行融合,实现融合局部关联信息的工艺流程全流程质量多故障自主检测。
具体地,在本实施例中,上述步骤的实现过程具体如下:
挖掘各子***间的静态关联与动态协同关系,通过预设的信息融合与机器学习方法,将不同子***的质量多故障自主检测信息进行融合,实现融合局部关联信息的对待检测的工艺流程的全流程质量多故障自主检测。
本实施例综合考虑了流程工业自动化***层级信息,实现了质量流约束下的全流程精细化分解、质量指标集优选与逆映射模型构建、融合层级信息的子***质量多故障自主检测、融合局部关联信息的全流程质量多故障自主检测。在逆映射构建、多元统计、变分贝叶斯推理、集成学习等方法的基础上,提出了适用于流程工业的自主检测方法,旨在面向流程工业质量多故障检测中的关键性挑战问题,探索切实有效的解决方略,具有重要的实际应用与推广价值。
第二实施例
请参阅图2和图3,本实施例以数据联合驱动的带钢热连轧生产过程为例,进一步说明本发明的工艺流程质量多故障自主检测方法的实施方案;当然,可以理解的是,本发明的工艺流程质量多故障自主检测方法并不局限于带钢热连轧过程,也适用于其他的数据联合驱动的生产过程,如,汽车配件生产过程。
如图2所示,带钢热连轧生产过程,流程长、工序内多变量耦合、工序间质量遗传、***层级与质量指标多,生产过程涉及复杂物理化学反应的气液固多相共存。生产流水线包括加热、粗轧、飞剪、精轧、层流、卷取等众多生产工序构成。这个复杂生产过程的连续不间断运行使得任一单元或子***发生故障都可能会通过质量流、能量流、信息流在不同层级上传播并演变演化,产生两种或多种故障同时或相继出现的情况,对生产过程的稳定运行和产品质量造成严重的影响,而通过本发明的工艺流程质量多故障自主检测方法对质量多故障的及早监测和判断,则可以保证生产过程的顺利进行,保证产品质量。
如图3所示,在图1所示的带钢热连轧这一实际工程应用驱动的基础上,本实施例的工艺流程质量多故障自主检测方法包括如下步骤:
S1,质量流约束下的全流程精细化分解;
具体地,在本实施例中,上述步骤的实现过程具体如下:
S101,在充分了解带钢热连轧过程全流程工艺知识的基础上,通过知识与数据融合技术分析带钢热连轧过程全流程结构特性,研究质量流约束下各工序主导-辅助变量选择方法将全流程划分为多个子***,实现全流程的初步分解。
首先,利用工艺知识(层级信息、过程机理、专家知识等),以控制关联、反应关联、位置关联、类型关联、结构关联、功能关联为参考顺序,分析质量信息在带钢热连轧过程变量间的关联、传播关系,确定全流程质量流信息的变量候选集;
然后,针对机理明确的子***,利用先验知识确定主导变量;针对机理不明确的子***,利用偏最小二乘(PLS)、因果关系分析方法确定主导变量;
最后,采用互信息(MI)、最大相关系数(MCC)、最大信息系数(MIC)等统计相关性分析方法,构建主辅变量指标,衡量剩余变量与主导变量间的相关性,将其分为远域和近域两类,近域内变量间相关性较强,远域内变量间相关性较弱。以主导变量为中心,将近域变量的辅助变量聚集在与之相关性较强的主导变量周围,实现全流程初步分解。
S102,综合考虑生产调度、跟踪区域及工艺模型设定等不同层级信息,研究其对全流程分解的影响,并以此为约束指导,实现质量流约束下的带钢热连轧全流程精细化分解。
上述步骤实现过程为:着重分析被多个局域空间重复覆盖的变量,综合考虑生产调度、跟踪区域及工艺模型设定等不同层级信息以及未被任何局域空间包含的变量信息,以此为约束条件,评价带钢热连轧全流程初步分解结果的合理性,进一步调整阈值,实现质量流约束下的全流程精细化分解。
S2,质量指标集优选与逆映射模型构建。
具体地,在本实施例中,上述步骤的实现过程具体如下:
S201,在带钢热连轧全流程精细化分解的基础上,构建各子***中对全流程典型质量波动敏感的质量指标集,结合工艺模型、过程知识与数据驱动的方法,实现质量指标集的优选。
采用方差分解、基于偏导数的敏感性分析、基于连接权的敏感性分析等方法分析各子***过程变量对全流程典型质量波动的敏感性,并结合工艺模型实现质量指标集的优选。
S202,综合考虑生产调度、跟踪区域及工艺模型设定等不同层级信息,研究其对全流程分解的影响,并以此为约束指导,实现质量流约束下的带钢热连轧全流程精细化分解。
首先,针对带钢热连轧过程不同层级、不同工序的过程与质量变量呈现的多尺度特性,采用多尺度数据挖掘的跨尺度上推和下推方法,分析跨尺度情况下累积误差和精确度的变化规律,研究过程与质量变量测量尺度同步化方法;针对带钢热连轧过程数据易出现的冗余、不确定性和缺失值等问题,采用半监督即时学习方法预处理带有缺失值和随机噪声的过程数据,降低数据的冗余性;由于不同批次同一带钢热连轧生产过程运行轨迹不完全一致,在定义每个生产线运行标准轨迹的基础上,将各批次运行数据起始时间同步,采用加速动态时间规整(DTW)方法得到等长批次的运行数据;
然后,利用工艺知识确定质量信息的层级特性以及层级间质量信息的定性关系,采用动态时间窗口联合多变量数据建模方法挖掘各层级间共有的以及层级内特有的定量质量信息,实现带钢热连轧全流程过程与质量数据全维度、多层次的智能解析;
最后,利用半监督学习与多变量回归相结合的方法构建以信息深度感知为特征的高维度、多质量指标逆映射模型,为融合层级信息的带钢热连轧过程质量多故障检测等方面的研究奠定基础。
S3,融合层级信息的子***质量多故障自主检测。
具体地,在本实施例中,上述步骤的实现过程具体如下:
S301,在充分考虑不同层级各子***的工艺知识、调度信息、过程数据特点及不同层级质量信息交互关系的基础上,探究多层级质量信息统一表征方法,综合考虑质量多故障的传播、耦合、多重并发等特性,研究融合层级信息的子***质量多故障检测模型构建方法。
首先,在质量流约束下的全流程精细化分解、质量指标集优选与逆映射模型构建的基础上,充分考虑带钢热连轧过程生产调度信息、生产工艺或控制回路等不同层级信息,利用尺度同步化方法同步多层级信息尺度,利用软传感模型估计难以测量或非实时测量的关键质量指标;
然后,针对多层级质量信息,将质量信息以***分层结构构建高维数据张量,采用CP分解、Tucker分解等张量分解技术,提取带钢热连轧过程层级间共性特征和层级内个性特征信息;
最后,分别针对层级间共性特征和层级内个性特征信息,综合考虑质量多故障的时变、传播、耦合、多重并发等特性,采用变分推理结合深度神经网络方法,建立融合层级信息的子***质量多故障检测模型。
S302,研究自适应检测统计量和基于中心对称多胞体技术的动态控制限设计方法,实现带钢热连轧过程子***质量多故障自主检测。
在所构建的子***质量多故障检测模型的基础上,研究自适应检测统计量设计方法,并考虑所设计检测模型对质量多故障的敏感性和鲁棒性,充分利用中心对称多胞体技术在不确定性描述与计算等方面的优势,利用其在线生成残差区间,作为多故障检测的动态控制限,提升子***质量多故障实时检测的自主性和准确性。
S4,融合局部关联信息的全流程质量多故障自主检测。
具体地,在本实施例中,上述步骤的实现过程具体如下:
挖掘各子***间的静态关联与动态协同关系,通过变分贝叶斯推理、集成学习等信息融合与机器学习方法,将不同子***的质量多故障自主检测信息进行融合,实现融合局部关联信息的带钢热连轧全流程过程全流程质量多故障自主检测。
首先,针对带钢热连轧过程各子***之间相互关联及耦合特性,采用典型相关分析(CCA)、相关投影分析等方法分析子***间的静态关联关系,利用动态CCA(DCCA)与传递熵(TE)相结合的方法分析子***间的动态协同关系;
其次,针对带钢热连轧过程子***之间信息相互协同的问题,利用分布式计算框架,采用多变量降维方法,对关联子***的相关信息进行压缩,并传递给目标子***;
然后,在融合层级信息的子***质量多故障自主检测的基础上,将关联***辅助信息和目标子***的监测信息融合,实现子***间质量多故障协同检测;
最后,由于不同子***的模型设定信息、调度信息、数据特点各异,所设计的检测统计量及动态控制限不同,在子***间质量多故障协同检测的基础上,通过集成学习和变分贝叶斯推理等方法,将不同子***的自适应检测统计量、动态控制限等信息进行融合,实现融合局部关联信息的带钢热连轧过程全流程质量多故障自主检测。
本实施例提出的一种带钢热连轧质量多故障自主检测方法,着眼于带钢热连轧这类流程工业过程产品的质量安全与稳定性问题,完全契合流程工业多层级、大规模的行业特性和发展方向,将对预防产品质量下降、最大限度发挥流程运行潜力具有重要的科学意义,已经成为当前流程工业过程控制领域的研究热点,具有重要的理论价值和广阔的工程应用前景。
第三实施例
本实施例提供一种工艺流程质量多故障自主检测***,其包括:
流程分解模块,用于基于待检测的工艺流程的工艺知识和历史数据,在质量流约束下对待检测的工艺流程进行分解,将全流程划分为多个子***;
质量指标逆映射模型构建模块,用于构建各子***中对全流程质量波动敏感的质量指标集并对质量指标数据进行预处理,以构建质量指标逆映射模型;
融合层级信息的子***质量多故障自主检测模块,用于基于待检测的工艺流程的***层级信息和质量指标逆映射模型,建立融合层级信息的子***质量多故障检测模型,实现子***质量多故障自主检测;
融合局部关联信息的工艺流程全流程质量多故障自主检测模块,用于将待检测的工艺流程的不同子***的质量多故障自主检测信息进行融合,实现融合局部关联信息的工艺流程全流程质量多故障自主检测。
本实施例的工艺流程质量多故障自主检测***与上述实施例的工艺流程质量多故障自主检测方法相对应;其中,本实施例的工艺流程质量多故障自主检测***中的各功能模块所实现的功能与上述实施例的工艺流程质量多故障自主检测方法中的各流程步骤一一对应;故,在此不再赘述。
此外,需要说明的是,本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例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,本发明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上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(***)、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、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端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。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端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多个流程和/或方框图一个方框或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他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端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。
还需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
最后需说明的是,以上所述是本发明优选实施方式,应当指出,尽管已描述了本发明优选实施例,但对于本技术领域的技术人员来说,一旦得知了本发明的基本创造性概念,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
Claims (10)
1.一种工艺流程质量多故障自主检测方法,其特征在于,包括:
基于待检测的工艺流程的工艺知识和历史数据,在质量流约束下对待检测的工艺流程进行分解,将全流程划分为多个子***;
构建各子***中对全流程质量波动敏感的质量指标集,并对所述质量指标集中的质量指标数据进行预处理,以构建质量指标逆映射模型;
基于待检测的工艺流程的***层级信息和质量指标逆映射模型,建立融合层级信息的子***质量多故障检测模型,实现子***质量多故障自主检测;
将待检测的工艺流程的不同子***的质量多故障自主检测信息进行融合,实现融合局部关联信息的工艺流程全流程质量多故障自主检测。
2.如权利要求1所述的工艺流程质量多故障自主检测方法,其特征在于,所述基于待检测的工艺流程的工艺知识和历史数据,在质量流约束下对待检测的工艺流程进行分解,将全流程划分为多个子***,包括:
利用待检测的工艺流程的工艺知识和历史数据,以控制关联、反应关联、位置关联、类型关联、结构关联和功能关联为参考顺序,分析质量信息在工艺流程变量间的关联及传播关系,确定全流程质量流信息的变量候选集;
基于所述变量候选集,确定子***主导变量;
利用统计相关性分析方法,衡量所述变量候选集中剩余变量与主导变量间的相关性,确定辅助变量;并以主导变量为中心,将辅助变量聚集在与之相关性强度大于预设阈值的主导变量周围,实现全流程初步分解;
基于工艺流程的层级信息,评价初步分解结果的合理性,调整所述预设阈值,实现质量流约束下的全流程精细化分解,将全流程划分为多个子***。
3.如权利要求2所述的工艺流程质量多故障自主检测方法,其特征在于,所述工艺知识包括待检测的工艺流程的层级信息、过程机理以及专家知识。
4.如权利要求3所述的工艺流程质量多故障自主检测方法,其特征在于,所述基于所述变量候选集,确定子***主导变量,包括:
针对过程机理明确的子***,利用先验知识确定其主导变量;针对过程机理不明确的子***,利用偏最小二乘或因果关系分析方法确定其主导变量。
5.如权利要求1所述的工艺流程质量多故障自主检测方法,其特征在于,所述构建各子***中对全流程质量波动敏感的质量指标集,并对所述质量指标集中的质量指标数据进行预处理,以构建质量指标逆映射模型,包括:
分析各子***过程变量对全流程典型质量波动的敏感性;
基于敏感性分析结果,构建各子***中对全流程质量波动敏感的质量指标集,并结合待检测的工艺流程的工艺模型实现质量指标集的优选;
对优选后的质量指标集中的质量指标数据进行预处理;
基于预处理后的质量指标数据,利用工艺知识确定质量信息的层级特性和层级间质量信息的定性关系,采用动态时间窗口联合多变量数据建模方法挖掘各层级间共有的和层级内特有的定量质量信息,实现过程与质量数据的解析;
利用半监督学习与多变量回归相结合的方法,构建以信息深度感知为特征的高维度、多质量指标逆映射模型。
6.如权利要求5所述的工艺流程质量多故障自主检测方法,其特征在于,所述分析各子***过程变量对全流程典型质量波动的敏感性,包括:
采用方差分解、基于偏导数的敏感性分析和基于连接权的敏感性分析方法分析各子***过程变量对全流程典型质量波动的敏感性。
7.如权利要求5所述的工艺流程质量多故障自主检测方法,其特征在于,所述对优选后的质量指标集中的质量指标数据进行预处理,包括:
采用多尺度数据挖掘的跨尺度上推和下推方法,分析跨尺度情况下累积误差和精确度的变化规律,实现过程与质量变量测量尺度同步化;
采用半监督即时学习方法预处理带有缺失值和随机噪声的过程数据,降低数据的冗余性;在定义每个生产线运行标准轨迹的基础上,将各批次运行数据起始时间同步,采用加速动态时间规整方法得到等长批次的运行数据。
8.如权利要求1所述的工艺流程质量多故障自主检测方法,其特征在于,所述基于待检测的工艺流程的***层级信息和质量指标逆映射模型,建立融合层级信息的子***质量多故障检测模型,实现子***质量多故障自主检测;包括:
基于待检测的工艺流程的***层级信息和质量指标逆映射模型,利用尺度同步化方法同步多层级信息尺度,利用软传感模型估计非实时测量质量指标;
针对多层级质量信息,将质量信息以***分层结构构建高维数据张量,采用张量分解技术,提取工艺流程过程层级间共性特征和层级内个性特征信息;
分别针对层级间共性特征和层级内个性特征信息,综合考虑质量多故障的时变、传播、耦合和多重并发特性,采用变分推理结合深度神经网络方法,建立融合层级信息的子***质量多故障检测模型;
基于所述子***质量多故障检测模型,利用中心对称多胞体技术在线生成残差区间,作为多故障检测的动态控制限,实现子***质量多故障自主检测。
9.如权利要求1所述的工艺流程质量多故障自主检测方法,其特征在于,所述将待检测的工艺流程的不同子***的质量多故障自主检测信息进行融合,实现融合局部关联信息的工艺流程全流程质量多故障自主检测,包括:
挖掘各子***间的静态关联与动态协同关系,通过预设的信息融合与机器学习方法,将不同子***的质量多故障自主检测信息进行融合,实现融合局部关联信息的对待检测的工艺流程的全流程质量多故障自主检测。
10.一种工艺流程质量多故障自主检测***,其特征在于,包括:
流程分解模块,用于基于待检测的工艺流程的工艺知识和历史数据,在质量流约束下对待检测的工艺流程进行分解,将全流程划分为多个子***;
质量指标逆映射模型构建模块,用于构建各子***中对全流程质量波动敏感的质量指标集并对质量指标数据进行预处理,以构建质量指标逆映射模型;
融合层级信息的子***质量多故障自主检测模块,用于基于待检测的工艺流程的***层级信息和质量指标逆映射模型,建立融合层级信息的子***质量多故障检测模型,实现子***质量多故障自主检测;
融合局部关联信息的工艺流程全流程质量多故障自主检测模块,用于将待检测的工艺流程的不同子***的质量多故障自主检测信息进行融合,实现融合局部关联信息的工艺流程全流程质量多故障自主检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010419509.5A CN111695780B (zh) | 2020-05-18 | 2020-05-18 | 一种工艺流程质量多故障自主检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010419509.5A CN111695780B (zh) | 2020-05-18 | 2020-05-18 | 一种工艺流程质量多故障自主检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111695780A true CN111695780A (zh) | 2020-09-22 |
CN111695780B CN111695780B (zh) | 2023-04-18 |
Family
ID=72477887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010419509.5A Active CN111695780B (zh) | 2020-05-18 | 2020-05-18 | 一种工艺流程质量多故障自主检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111695780B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113835411A (zh) * | 2021-09-07 | 2021-12-24 | 北京科技大学顺德研究生院 | 一种轧钢工艺流程质量异常综合诊断方法 |
CN114235411A (zh) * | 2021-12-28 | 2022-03-25 | 频率探索智能科技江苏有限公司 | 轴承外圈缺陷定位方法 |
CN115780530A (zh) * | 2023-01-19 | 2023-03-14 | 北京科技大学 | 基于专家知识与数据联合驱动的轧钢故障溯源方法及装置 |
CN115879826A (zh) * | 2023-02-20 | 2023-03-31 | 深圳普菲特信息科技股份有限公司 | 一种基于大数据的精细化工工艺质检方法、***及介质 |
CN116020879A (zh) * | 2023-02-15 | 2023-04-28 | 北京科技大学 | 面向工艺参数带钢热连轧时空多尺度过程监控方法及装置 |
CN116627093A (zh) * | 2023-04-19 | 2023-08-22 | 济南海马机械设计有限公司 | 一种丁腈手套加工控制方法、***、设备及存储介质 |
CN117726240A (zh) * | 2024-02-18 | 2024-03-19 | 中国标准化研究院 | 一种基于卷积神经网络的质量评价分类方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080275587A1 (en) * | 2002-09-25 | 2008-11-06 | Advanced Micro Devices, Inc. | Fault detection on a multivariate sub-model |
CN106354125A (zh) * | 2016-11-09 | 2017-01-25 | 上海电机学院 | 一种利用分块pca检测化工过程故障的方法 |
CN106355030A (zh) * | 2016-09-20 | 2017-01-25 | 浙江大学 | 一种基于层次分析法和加权投票决策融合的故障检测方法 |
CN106529079A (zh) * | 2016-11-29 | 2017-03-22 | 上海电机学院 | 一种基于故障相关主成分空间的化工过程故障检测方法 |
CN109656793A (zh) * | 2018-11-22 | 2019-04-19 | 安徽继远软件有限公司 | 一种基于多源异构数据融合的信息***性能立体监测方法 |
US20190188584A1 (en) * | 2017-12-19 | 2019-06-20 | Aspen Technology, Inc. | Computer System And Method For Building And Deploying Models Predicting Plant Asset Failure |
CN109991951A (zh) * | 2019-04-28 | 2019-07-09 | 齐鲁工业大学 | 多源故障检测与诊断方法和装置 |
CN110333709A (zh) * | 2019-06-19 | 2019-10-15 | 北京科技大学 | 一种轧钢过程故障诊断方法及*** |
-
2020
- 2020-05-18 CN CN202010419509.5A patent/CN111695780B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080275587A1 (en) * | 2002-09-25 | 2008-11-06 | Advanced Micro Devices, Inc. | Fault detection on a multivariate sub-model |
CN106355030A (zh) * | 2016-09-20 | 2017-01-25 | 浙江大学 | 一种基于层次分析法和加权投票决策融合的故障检测方法 |
CN106354125A (zh) * | 2016-11-09 | 2017-01-25 | 上海电机学院 | 一种利用分块pca检测化工过程故障的方法 |
CN106529079A (zh) * | 2016-11-29 | 2017-03-22 | 上海电机学院 | 一种基于故障相关主成分空间的化工过程故障检测方法 |
US20190188584A1 (en) * | 2017-12-19 | 2019-06-20 | Aspen Technology, Inc. | Computer System And Method For Building And Deploying Models Predicting Plant Asset Failure |
CN109656793A (zh) * | 2018-11-22 | 2019-04-19 | 安徽继远软件有限公司 | 一种基于多源异构数据融合的信息***性能立体监测方法 |
CN109991951A (zh) * | 2019-04-28 | 2019-07-09 | 齐鲁工业大学 | 多源故障检测与诊断方法和装置 |
CN110333709A (zh) * | 2019-06-19 | 2019-10-15 | 北京科技大学 | 一种轧钢过程故障诊断方法及*** |
Non-Patent Citations (1)
Title |
---|
刘白林;任健强;马颖;: "结合知识推理的分层多信号流图在多故障诊断中的应用" * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113835411A (zh) * | 2021-09-07 | 2021-12-24 | 北京科技大学顺德研究生院 | 一种轧钢工艺流程质量异常综合诊断方法 |
CN113835411B (zh) * | 2021-09-07 | 2023-10-27 | 北京科技大学顺德研究生院 | 一种轧钢工艺流程质量异常综合诊断方法 |
CN114235411A (zh) * | 2021-12-28 | 2022-03-25 | 频率探索智能科技江苏有限公司 | 轴承外圈缺陷定位方法 |
CN115780530A (zh) * | 2023-01-19 | 2023-03-14 | 北京科技大学 | 基于专家知识与数据联合驱动的轧钢故障溯源方法及装置 |
CN116020879A (zh) * | 2023-02-15 | 2023-04-28 | 北京科技大学 | 面向工艺参数带钢热连轧时空多尺度过程监控方法及装置 |
CN115879826A (zh) * | 2023-02-20 | 2023-03-31 | 深圳普菲特信息科技股份有限公司 | 一种基于大数据的精细化工工艺质检方法、***及介质 |
CN116627093A (zh) * | 2023-04-19 | 2023-08-22 | 济南海马机械设计有限公司 | 一种丁腈手套加工控制方法、***、设备及存储介质 |
CN116627093B (zh) * | 2023-04-19 | 2024-02-27 | 济南海马机械设计有限公司 | 一种丁腈手套加工控制方法、***、设备及存储介质 |
CN117726240A (zh) * | 2024-02-18 | 2024-03-19 | 中国标准化研究院 | 一种基于卷积神经网络的质量评价分类方法及*** |
CN117726240B (zh) * | 2024-02-18 | 2024-05-17 | 中国标准化研究院 | 一种基于卷积神经网络的质量评价分类方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111695780B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695780B (zh) | 一种工艺流程质量多故障自主检测方法及*** | |
CN111724126A (zh) | 一种工艺流程质量异常精准追溯方法及*** | |
Zhang et al. | Digital twin enhanced dynamic job-shop scheduling | |
Diez-Olivan et al. | Data fusion and machine learning for industrial prognosis: Trends and perspectives towards Industry 4.0 | |
Menezes et al. | Predictive, prescriptive and detective analytics for smart manufacturing in the information age | |
CN101923340B (zh) | 预测过程控制***中的过程质量的方法和装置 | |
US10949740B2 (en) | Machine learning device, numerical controller, machine tool system, manufacturing system, and machine learning method for learning display of operation menu | |
MacGregor et al. | Monitoring, fault diagnosis, fault-tolerant control and optimization: Data driven methods | |
CN101408769B (zh) | 一种基于乘积arima模型的在线能源预测***及方法 | |
KR101825881B1 (ko) | 빅 데이터 분석을 이용한 제조 공정 관리 방법 및 이를 이용한 제조 공정 관리 시스템 | |
CN103116277A (zh) | 预测故障分析 | |
Lai et al. | Data-driven dynamic bottleneck detection in complex manufacturing systems | |
JP2017130094A (ja) | セル制御装置、及び製造セルにおける複数の製造機械の稼働状況を管理する生産システム | |
CN115081585B (zh) | 一种强化异构图神经网络的人机物协同异常状态检测方法 | |
CN117393076B (zh) | 耐热环氧树脂生产过程智能监测方法及*** | |
Choo et al. | Adaptive multi-scale prognostics and health management for smart manufacturing systems | |
KR102474332B1 (ko) | 스마트 공장 시스템에서 설비 건강 안정도 예측 방법 및 이를 기록한 기록매체 | |
Sun et al. | Prognostics and health management via long short-term digital twins | |
Zheng et al. | Group maintenance for numerical control machine tools: a case study | |
CN116020879B (zh) | 面向工艺参数带钢热连轧时空多尺度过程监控方法及装置 | |
Chen et al. | Exploring equipment electrocardiogram mechanism for performance degradation monitoring in smart manufacturing | |
Weiss et al. | Measurement and evaluation for prognostics and health management (PHM) for manufacturing operations–summary of an interactive workshop highlighting PHM trends | |
Dong et al. | Hierarchical causal graph-based fault root cause diagnosis and propagation path identification for complex industrial process monitoring | |
Karagiorgou et al. | Unveiling trends and predictions in digital factories | |
Mosavi et al. | Intelligent energy management using data mining techniques at Bosch Car Multimedia Portugal facilities |
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 |