CN112596486A - 基于大数据和边缘计算的远程信息处理方法及云服务器 - Google Patents
基于大数据和边缘计算的远程信息处理方法及云服务器 Download PDFInfo
- Publication number
- CN112596486A CN112596486A CN202011531107.0A CN202011531107A CN112596486A CN 112596486 A CN112596486 A CN 112596486A CN 202011531107 A CN202011531107 A CN 202011531107A CN 112596486 A CN112596486 A CN 112596486A
- Authority
- CN
- China
- Prior art keywords
- equipment
- production
- state
- information
- index
- 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.)
- Withdrawn
Links
- 230000010365 information processing Effects 0.000 title abstract description 6
- 238000003672 processing method Methods 0.000 title abstract description 6
- 238000012544 monitoring process Methods 0.000 claims abstract description 298
- 238000004519 manufacturing process Methods 0.000 claims abstract description 289
- 238000000034 method Methods 0.000 claims abstract description 52
- 231100000279 safety data Toxicity 0.000 claims abstract description 31
- 238000005265 energy consumption Methods 0.000 claims description 143
- 238000012545 processing Methods 0.000 claims description 53
- 238000012549 training Methods 0.000 claims description 36
- 230000002159 abnormal effect Effects 0.000 claims description 30
- 238000003062 neural network model Methods 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 19
- 238000012423 maintenance Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000012806 monitoring device Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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]
- G05B19/4184—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 fault tolerance, reliability of production 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
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31088—Network communication between supervisor and cell, machine group
-
- 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)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请实施例公开了一种基于大数据和边缘计算的远程信息处理方法及云服务器,其中,所述基于大数据和边缘计算的远程信息处理方法包括:通过对设备状态告警记录中的历史状态信息进行分析确定出状态告警指示信息,并实现对生产指标安全数据的更新以得到目标状态信息集合,进而确定出与设备状态告警记录存在时序关联性的设备运行监测指标,这样可以基于状态告警指示信息以及设备运行监测指标实现对待监测设备状态信息的实时可靠监测,由于设备运行监测指标考虑了工业设备的累计运行时长,因而能够确保状态监测的时序同步性,尽可能地将工业设备的故障诱因考虑在内,从而确保故障监测的及时性,同时避免出现漏检,以避免引发严重的生产事故。
Description
技术领域
本申请涉及大数据和边缘计算技术领域,特别涉及一种基于大数据和边缘计算的远程信息处理方法及云服务器。
背景技术
大数据时代的到来促使工业互联网朝着更加智能化的方向发展。现代制造业也逐渐从人工管理升级为远程管理。诸如芯片半导体制造、汽车制造、食品生产和化妆品生产等,几乎都在向“无人生产模式”转变。
随着工业设备装置和工程控制***的规模和复杂性的日益增大,为保证生产过程的安全平稳,通过可靠的状态监测技术及时有效地监测和诊断工业设备的异常状态,从而最大程度地降低设备故障所造成的损失显得尤为迫切和重要。
发明内容
本申请实施例之一提供一种基于大数据和边缘计算的远程信息处理方法,所述方法包括:获取与设备状态告警记录的生产工况相对应的历史状态信息集合,其中,所述历史状态信息中包括不同生产指标对应的工业设备状态轨迹;通过与所述设备状态告警记录的生产工况相对应的历史状态信息集合,对所述设备状态告警记录中的生产指标数据的分类结果进行识别,确定所述设备状态告警记录中的生产指标数据的分类结果的状态告警指示信息;通过所述设备状态告警记录中的生产指标数据的分类结果,对所述历史状态信息的生产指标安全数据和生产指标异常数据进行筛分;将所述历史状态信息中的生产指标异常数据进行锁定,对所述历史状态信息中的生产指标安全数据进行生产指标更新,形成目标状态信息集合;通过所述目标状态信息集合对所述设备状态告警记录进行识别,确定与所述设备状态告警记录存在时序关联性的设备运行监测指标,通过所述状态告警指示信息以及所述设备运行监测指标对待监测设备状态信息进行监测,确定相应的设备状态故障信息。
本申请实施例之一提供一种云服务器,包括处理引擎、网络模块和存储器;所述处理引擎和所述存储器通过所述网络模块通信,所述处理引擎从所述存储器中读取计算机程序并运行,以执行上述的方法。
本申请实施例之一提供一种计算机存储介质,其上存储有计算机程序,所述计算机程序在运行是实现上述的方法。
在后面的描述中,将部分地陈述其他的特征。在检查后面内容和附图时,本领域的技术人员将部分地发现这些特征,或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面,当前申请中的特征可以被实现和获得。
附图说明
本申请将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本发明的一些实施例所示的一种示例性基于大数据和边缘计算的远程信息处理***的框图;
图2是根据本发明的一些实施例所示的一种示例性云服务器中硬件和软件组成的示意图;
图3是根据本发明的一些实施例所示的一种示例性基于大数据和边缘计算的远程信息处理方法和/或过程的流程图;以及
图4是根据本发明的一些实施例所示的一种示例性基于大数据和边缘计算的远程信息处理装置的框图。
具体实施方式
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“***”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本申请中使用了流程图用来说明根据本申请的实施例的***所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
发明人经研究和分析发现,常见的针对工业设备的生产状态监测技术大多通过预先指定的监测规则或者监测标准进行,这样在设备运行初期能够起到较好的故障监测效果,但是随着设备累计运行时间的不断增加,设备故障的诱因也不断增多,机械式地通过固定的监测模式进行工业设备的状态监测,不仅会导致故障监测的时延,还可能出现漏检,从而可能引发严重的生产事故。
针对上述问题,发明人针对性地提出了一种基于大数据和边缘计算的远程信息处理方法及云服务器,通过对设备状态告警记录中的历史状态信息进行分析,从而基于不同工况条件确定出状态告警指示信息,并通过设备状态告警记录中的生产指标数据的分类结果实现生产指标安全数据和生产指标异常数据的筛分,这样能够实现对生产指标安全数据的更新以得到目标状态信息集合,进而确定出与设备状态告警记录存在时序关联性的设备运行监测指标,这样可以基于状态告警指示信息以及设备运行监测指标实现对待监测设备状态信息的实时可靠监测,由于设备运行监测指标考虑了工业设备的累计运行时长,因而能够确保状态监测的时序同步性,尽可能地将工业设备的故障诱因考虑在内,从而确保故障监测的及时性,同时避免出现漏检,以避免引发严重的生产事故。
首先,对基于大数据和边缘计算的远程信息处理方法进行示例性的说明,请参阅图1,是根据本发明的一些实施例所示的一种示例性基于大数据和边缘计算的远程信息处理方法和/或过程的流程图,基于大数据和边缘计算的远程信息处理方法可以包括以下步骤S1-步骤S4所描述的技术方案。
步骤S1,获取与设备状态告警记录的生产工况相对应的历史状态信息集合,其中,所述历史状态信息中包括不同生产指标对应的工业设备状态轨迹。例如,设备状态告警记录可以包括之前的状态故障监测信息,生产工况在不同时段可能存在差异性,因此历史状态信息中的工业设备状态轨迹在不同生产指标下也可能存在差异性。进一步地,生产指标可以是根据生产需求而适应性制定的,例如产品出货速率,产品在每个节点的加工时长等,在此不作限定。工业设备状态轨迹可以包括工业设备在多个层面上的状态轨迹(例如电流运行轨迹、电压运行轨迹、机械设备折旧轨迹等)。
步骤S2,通过与所述设备状态告警记录的生产工况相对应的历史状态信息集合,对所述设备状态告警记录中的生产指标数据的分类结果进行识别,确定所述设备状态告警记录中的生产指标数据的分类结果的状态告警指示信息。例如,生产指标数据的分类结果可以是针对不同类型的生产指标数据进行分类汇总之后得到的,例如可以按照时效性生产指标、产品性生产指标、设备性生产指标进行生产指标数据的分类,也可以按照其他方式进行分类,在此不作限定。状态告警指示信息用于指示出现异常状态或者故障状态时应该如何进行告警,例如在什么时间节点以什么方式进行告警。
步骤S3,通过所述设备状态告警记录中的生产指标数据的分类结果,对所述历史状态信息的生产指标安全数据和生产指标异常数据进行筛分;将所述历史状态信息中的生产指标异常数据进行锁定,对所述历史状态信息中的生产指标安全数据进行生产指标更新,形成目标状态信息集合。进一步地,筛分生产指标安全数据和生产指标异常数据可以根据生产指标安全数据和生产指标异常数据各自携带的数据标签进行,在此不作赘述。例如,生产指标安全数据用于表征历史状态信息中的设备运行数据是正常的,生产指标异常数据用于表征历史状态信息中的设备运行数据是异常的,通过对历史状态信息的生产指标安全数据和生产指标异常数据进行筛分,能够实现对生产指标安全数据的针对性分析,并且在分析生产指标安全数据时考虑工业设备的累计运行时长,进而实现对生产指标安全数据的更新,这样可以对历史状态信息进行优化以得到目标状态信息。
步骤S4,通过所述目标状态信息集合对所述设备状态告警记录进行识别,确定与所述设备状态告警记录存在时序关联性的设备运行监测指标,通过所述状态告警指示信息以及所述设备运行监测指标对待监测设备状态信息进行监测,确定相应的设备状态故障信息。例如,时序关联性可以理解为设备运行监测指标与设备状态告警记录存在时序同步性和时序连续性,也就是说,设备状态告警记录在随着时间的推移而变化时,设备运行监测指标同样也在随着时间的推移而更新,这样一来,可以确保设备运行监测指标能够与实际的工业生产状态相匹配。待监测设备状态信息可以是某个工业设备的实时状态信息,由于状态监测是基于状态告警指示信息以及设备运行监测指标进行的,因而能够确保状态监测的时序同步性以保证设备状态故障信息的实时性和可靠性,尽可能地将工业设备的故障诱因考虑在内,从而确保故障监测的及时性,同时避免出现漏检,以避免引发严重的生产事故。
接下来将对一些可选实施例进行说明,这些实施例应当理解为示例,不应理解为实现本方案所必不可少的技术特征。
在一些实施例中,步骤S1所描述的获取与设备状态告警记录的生产工况相对应的历史状态信息集合,可以包括以下步骤S11-步骤S14。
步骤S11,获取所述设备状态告警记录的生产工况相对应的边缘监测设备所生成的设备状态轨迹。例如,边缘监测设备可以是能够进行相关运行数据采集和处理的智能设备。设备状态轨迹可以是轨迹曲线,也可以是轨迹数据列表,在此不作限定。
步骤S12,对所述设备状态轨迹进行轨迹去噪处理。
步骤S13,基于轨迹去噪的处理结果,通过设备状态监测模型确定相应的设备状态标签,并确定包括生产线交互轨迹的设备状态轨迹。例如,设备状态监测模型可以是神经网络模型,在此不作限定。生产线交互轨迹可以理解为与生产线切换、调整和调度对应的状态轨迹。
步骤S14,通过所述设备状态告警记录的故障类别统计结果对所述包括生产线交互轨迹的设备状态轨迹进行状态信息提取,将提取得到的相应的区域轨迹描述信息作为与所述设备状态告警记录的生产工况相对应的历史状态信息集合中的任一历史状态信息。例如,区域轨迹描述信息可以理解为不同时间段的状态轨迹对应的信息。
如此设计,基于上述步骤S11-步骤S14,能够将设备状态轨迹的生成过程下沉到边缘端进行,这样不仅可以确保历史状态信息的获取准确性,还能够确保历史状态信息的获取实时性,还可以减少云服务器的处理压力。
在另一些可能的实施例中,该方法还可以包括以下内容:根据与所述设备状态告警记录的生产工况相对应的历史状态信息,确定相应的生产指标的指标类型数据;通过所述生产指标的指标类型数据,对所述设备状态告警记录的生产指标统计结果进行生产指标合并得到生产指标合并结果,通过所述生产指标合并结果对接收到的设备状态轨迹所归属的生产指标类型进行判断,并确定接收到的设备状态轨迹所归属的生产指标类型。
在一些实施例中,为了确保状态告警指示信息能够完整地反映出针对相关故障的处理指示,步骤S2所描述的通过与所述设备状态告警记录的生产工况相对应的历史状态信息集合,对所述设备状态告警记录中的生产指标数据的分类结果进行识别,确定所述设备状态告警记录中的生产指标数据的分类结果的状态告警指示信息,可以包括以下步骤S21-步骤S24所描述的内容。
步骤S21,通过与所述设备状态告警记录的生产工况相对应的历史状态信息集合,确定相应的设备机械状态信息与设备通信状态信息。例如,设备机械状态信息可以反映工业设备在机械结构方面的连接状态或者硬件损耗状态,设备通信状态信息可以反映工业设备在数据信息传输层面的状态。
步骤S22,通过所述生产指标数据的分类结果的中的正常指标分类子结果,对所述历史状态信息集合中的不同设备机械状态对应的历史状态信息和设备通信状态对应的历史状态信息中的生产指标安全数据按照历史生产线对应的生产线流水信息进行调整,形成调整之后的状态告警指标数据。例如,历史生产线可以是之前的生产需求或生产方式对应的生产线,生产线流水信息可以是整个工厂的运行流水信息。状态告警指标数据用于确定状态告警指示信息。
步骤S23,通过所述生产指标数据的分类结果的中的异常指标分类子结果,对所述调整之后的状态告警指标数据进行均值滤波处理,得到均值滤波处理结果。例如,异常指标可以是一些由突发生产情况而导致的错误指标,均值滤波可以实现对状态告警指标数据的修正和优化。
步骤S24,当基于所述均值滤波处理结果获得相同设备状态的不同生产指标数据的轨迹告警指标数据时,根据所述轨迹告警指标数据确定所述设备状态告警记录中的生产指标数据的分类结果的状态告警指示信息。
如此设计,通过实施上述步骤S21-步骤S24,能够考虑设备机械状态信息与设备通信状态信息,并在确定出状态告警指标数据时实现对应的修正和优化,从而确保状态告警指示信息能够完整地反映出针对相关故障的处理指示。
对于一些可能实现的实施例而言,在上述步骤S21-步骤S24的基础上,还可以包括以下步骤S25-步骤S28。
步骤S25,基于所述设备机械状态信息,确定对应的机械故障类别信息。
步骤S26,基于所述设备通信状态信息,确定对应的通信故障类别信息。
步骤S27,当确定所述设备状态告警记录中的生产指标数据的分类结果的状态告警指示信息时,通过所述设备状态告警记录的故障类别统计结果确定与所述调整之后的状态告警指标数据相对应的综合故障类别信息。
步骤S28,通过所述机械故障类别信息或者通信故障类别信息,与所述综合故障类别信息进行比对,以确定不同设备机械状态对应的历史状态信息和设备通信状态对应的历史状态信息中的生产指标异常数据的数据更新状态。
在一些示例中,步骤S3所描述的将所述历史状态信息中的生产指标异常数据进行锁定,对所述历史状态信息中的生产指标安全数据进行生产指标更新,形成目标状态信息集合,可以通过以下两种实施方式中的其中一种实施方式实现。
第一种实施方式,将所述历史状态信息中的生产指标异常数据进行锁定,对所述历史状态信息中的生产指标安全数据采用最小邻居法进行缺失值填充,形成目标状态信息集合。
第二种实施方式,将所述历史状态信息中的生产指标异常数据进行锁定,对所述历史状态信息中的生产指标安全数据进行双三次插值处理或双线性插值处理,形成目标状态信息集合。
在一些可能的实施例中,步骤S4所描述的通过所述目标状态信息集合对所述设备状态告警记录进行识别,确定与所述设备状态告警记录存在时序关联性的设备运行监测指标,通过所述状态告警指示信息以及所述设备运行监测指标对待监测设备状态信息进行监测,确定相应的设备状态故障信息,可以包括以下步骤S41-步骤S43所描述的内容。
步骤S41,根据所述目标状态信息集合对所述设备状态告警记录进行识别,确定所述设备状态告警记录中生产设备能耗统计结果的设备运行监测指标。
步骤S42,根据所述目标状态信息集合对所述设备状态告警记录进行识别,确定所述设备状态告警记录中产品良率统计结果的设备运行监测指标。
步骤S43,通过所述生产设备能耗统计结果的设备运行监测指标以及所述产品良率统计结果的设备运行监测指标,对所述待监测设备状态信息进行监测,确定所述待监测设备状态信息对应的设备状态故障信息。
可以理解,通过上述步骤S41-步骤S43,能够通过设备能耗层面和产品良率层面实现对待监测设备状态信息的监测,这样能够确保状态监测的时序同步性以保证设备状态故障信息的实时性和可靠性,尽可能地将工业设备的故障诱因考虑在内,从而确保故障监测的及时性,同时避免出现漏检,以避免引发严重的生产事故。
进一步地,步骤S41所描述的根据所述目标状态信息集合对所述设备状态告警记录进行识别,确定所述设备状态告警记录中生产设备能耗统计结果的设备运行监测指标,可以包括以下步骤S411-步骤S413。
步骤S411,通过所述设备状态告警记录中生产设备能耗统计结果,对所述目标状态信息集合按照时序先后顺序进行状态信息分类,以确定所述生产设备能耗统计结果的局部能耗监测指标。
步骤S412,响应于所述生产设备能耗统计结果的局部能耗监测指标,通过所述生产设备能耗统计结果对所述目标状态信息集合按照时序先后顺序进行状态信息分类,确定所述生产设备能耗统计结果的全局能耗监测指标。
步骤S413,根据所述生产设备能耗统计结果的全局能耗监测指标,通过所述目标状态信息集合对所述生产设备能耗统计结果的能耗监测指标进行梯度迭代处理,以确定所述目标状态信息集合中每个目标状态信息的能耗告警指标数据。
如此设计,通过应用上述步骤S411-步骤S413,能够将工业设备的局部能耗和全局能耗进行时序先后的分析,从而通过梯度迭代处理确保目标状态信息的能耗告警指标数据的准确性和实时性。
在本实施例中,梯度迭代处理的模型的相关代码如下,当然,在具体实施时,可以根据实际情况进行适应性调整,在此不作限定。
import torch
import matplotlib.pyplot as plt
%matplotlib inline
x = torch.tensor([100.]) # 只做训练不求梯度
y = torch.tensor([110.])
w = torch.tensor([1.], requires_grad=True) # 模拟网络参数
lr = 0.00001 # 学习率
arr = []
for i in range(10):
pred = x * w
loss = (pred-y)*(pred-y) # 平方误差
loss.backward() # 计算梯度
print("real", y.item(), "pred", pred.item(), "loss", loss.item())
print("w.data", w.data.item(), "w.grad", w.grad.item())
w.data = w.data - lr * w.grad # 按学习率调参
w.grad.zero_() # 梯度清0,否则梯度会不断累加
arr.append(loss.item())
plt.plot(arr)
进一步地,步骤S412所描述的响应于所述生产设备能耗统计结果的局部能耗监测指标,通过所述生产设备能耗统计结果对所述目标状态信息集合按照时序先后顺序进行状态信息分类,确定所述生产设备能耗统计结果的全局能耗监测指标,可以包括以下内容:将所述目标状态信息集合中的不同目标状态信息,输入由所述生产设备能耗统计结果所对应的能耗预测神经网络;确定所述能耗预测神经网络满足相应的收敛条件时所述生产设备能耗统计结果对应的所述全局能耗监测指标。
例如,能耗预测神经网络的相关处理过程如下。
% 清空环境变量
clc
clear
%网络参数配置
load traffic_flux input output input_test output_test
M=size(input,2); %输入能耗预测的节点个数
N=size(output,2); %输出能耗预测的节点个数
n=6; %隐形节点个数
lr1=0.01; %学习概率
lr2=0.001; %学习概率
maxgen=100; %迭代次数
%权值初始化
Wjk=randn(n,M);Wjk_1=Wjk;Wjk_2=Wjk_1;
Wij=randn(N,n);Wij_1=Wij;Wij_2=Wij_1;
a=randn(1,n);a_1=a;a_2=a_1;
b=randn(1,n);b_1=b;b_2=b_1;
%节点初始化
y=zeros(1,N);
net=zeros(1,n);
net_ab=zeros(1,n);
%权值学习增量初始化
d_Wjk=zeros(n,M);
d_Wij=zeros(N,n);
d_a=zeros(1,n);
d_b=zeros(1,n);
%输入输出数据归一化
[inputn,inputps]=mapminmax(input');
[outputn,outputps]=mapminmax(output');
inputn=inputn';
outputn=outputn';
error=zeros(1,maxgen);
%网络训练
for i=1:maxgen
%误差累计
error(i)=0;
% 循环训练
for kk=1:size(input,1)
x=inputn(kk,:);
yqw=outputn(kk,:);
for j=1:n
for k=1:M
net(j)=net(j)+Wjk(j,k)*x(k);
net_ab(j)=(net(j)-b(j))/a(j);
end
temp=mymorlet(net_ab(j));
for k=1:N
y=y+Wij(k,j)*temp; %小波函数
end
end
%计算误差和
error(i)=error(i)+sum(abs(yqw-y));
%权值调整
for j=1:n
%计算d_Wij
temp=mymorlet(net_ab(j));
for k=1:N
d_Wij(k,j)=d_Wij(k,j)-(yqw(k)-y(k))*temp;
end
%计算d_Wjk
temp=d_mymorlet(net_ab(j));
for k=1:M
for l=1:N
d_Wjk(j,k)=d_Wjk(j,k)+(yqw(l)-y(l))*Wij(l,j) ;
end
d_Wjk(j,k)=-d_Wjk(j,k)*temp*x(k)/a(j);
end
%计算d_b
for k=1:N
d_b(j)=d_b(j)+(yqw(k)-y(k))*Wij(k,j);
end
d_b(j)=d_b(j)*temp/a(j);
%计算d_a
for k=1:N
d_a(j)=d_a(j)+(yqw(k)-y(k))*Wij(k,j);
end
d_a(j)=d_a(j)*temp*((net(j)-b(j))/b(j))/a(j);
end
%权值参数更新
Wij=Wij-lr1*d_Wij;
Wjk=Wjk-lr1*d_Wjk;
b=b-lr2*d_b;
a=a-lr2*d_a;
d_Wjk=zeros(n,M);
d_Wij=zeros(N,n);
d_a=zeros(1,n);
d_b=zeros(1,n);
y=zeros(1,N);
net=zeros(1,n);
net_ab=zeros(1,n);
Wjk_1=Wjk;Wjk_2=Wjk_1;
Wij_1=Wij;Wij_2=Wij_1;
a_1=a;a_2=a_1;
b_1=b;b_2=b_1;
end
end
% 网络预测
%预测输入归一化
x=mapminmax('apply',input_test',inputps);
x=x';
yuce=zeros(92,1);
%网络预测
for i=1:92
x_test=x(i,:)
for j=1:1:n
for k=1:1:M
net(j)=net(j)+Wjk(j,k)*x_test(k);
net_ab(j)=(net(j)-b(j))/a(j);
end
temp=mymorlet(net_ab(j));
for k=1:N
y(k)=y(k)+Wij(k,j)*temp ;
end
end
yuce(i)=y(k);
y=zeros(1,N);
net=zeros(1,n);
net_ab=zeros(1,n);
end
%预测输出反归一化
ynn=mapminmax('reverse',yuce,outputps);
%结果分析
figure(1)
plot(ynn,'r*:')
hold on
plot(output_test,'bo--')
title('预测设备能耗','fontsize',12)
legend('预测设备能耗','实际设备能耗','fontsize',12)
xlabel('时间点')
ylabel('设备能耗')
进一步地,步骤S413所描述的根据所述生产设备能耗统计结果的全局能耗监测指标,通过所述目标状态信息集合对所述生产设备能耗统计结果的能耗监测指标进行梯度迭代处理,以确定所述目标状态信息集合中每个目标状态信息的能耗告警指标数据,可以包括:确定所述生产设备能耗统计结果对应的能耗预测神经网络;根据所述生产设备能耗统计结果的全局能耗监测指标,对所述生产设备能耗统计结果的能耗监测指标进行梯度迭代处理;直至所述生产设备能耗统计结果的能耗预测神经网络达到相应的收敛条件,并且基于所述生产设备能耗统计结果中的能耗监测指标,提取所述目标状态信息集合中每个目标状态信息的能耗告警指标数据。
对于一些可能的实施例而言,步骤S43所描述的通过所述生产设备能耗统计结果的设备运行监测指标以及所述产品良率统计结果的设备运行监测指标,对所述待监测设备状态信息进行监测,确定所述待监测设备状态信息对应的设备状态故障信息,可以包括以下步骤S431-步骤S434。
步骤S431,获取所述生产设备能耗统计结果的设备运行监测指标的监测标签信息和所述产品良率统计结果的设备运行监测指标的监测标签信息,其中,所述生产设备能耗统计结果的设备运行监测指标的监测标签信息中包括生产设备能耗统计结果的设备运行监测指标的状态故障标签,所述产品良率统计结果的设备运行监测指标的监测标签信息中包括产品良率统计结果的设备运行监测指标的状态故障标签;
步骤S432,将所述生产设备能耗统计结果的设备运行监测指标的监测标签信息和所述产品良率统计结果的设备运行监测指标的监测标签信息输入预设的神经网络模型,得到所述生产设备能耗统计结果的设备运行监测指标的监测标签信息的能耗故障识别结果和所述产品良率统计结果的设备运行监测指标的监测标签信息的生产故障识别结果;其中,所述预设的神经网络模型是通过监测标签信息的训练样本集合对待训练神经网络模型进行训练得到的模型,所述监测标签信息的训练样本集合包括不可更新的多个样本监测标签信息和对应所述不可更新的多个样本监测标签信息进行处理得到的多个可更新样本监测标签信息,不可更新的多个样本监测标签信息中共包括多个不同的样本状态故障标签,所述多个可更新样本监测标签信息中共包括多个不同的样本状态故障标签,所述预设的神经网络模型满足设定训练条件,所述设定训练条件包括每个样本状态故障标签对应的生产设备能耗统计结果的设备运行监测指标的监测指标聚类结果的聚类中心度小于生产设备能耗统计结果的设备运行监测指标的预设中心度;
步骤S433,通过所述预设的神经网络模型对所述生产设备能耗统计结果的设备运行监测指标的监测标签信息的所述能耗故障识别结果和所述产品良率统计结果的设备运行监测指标的监测标签信息的所述生产故障识别结果进行处理,得到全局识别结果,其中,所述全局识别结果用于指示所述生产设备能耗统计结果的设备运行监测指标的监测标签信息中的所述生产设备能耗统计结果的设备运行监测指标的状态故障标签和所述产品良率统计结果的设备运行监测指标的监测标签信息集合中的所述产品良率统计结果的设备运行监测指标的状态故障标签为相匹配的状态故障标签或者为不相匹配的状态故障标签;
步骤S434,在所述全局识别结果指示所述生产设备能耗统计结果的设备运行监测指标的监测标签信息中的所述生产设备能耗统计结果的设备运行监测指标的状态故障标签和所述产品良率统计结果的设备运行监测指标的监测标签信息集合中的所述产品良率统计结果的设备运行监测指标的状态故障标签为相匹配的状态故障标签时,采用所述全局识别结果对所述待监测设备状态信息进行监测,确定所述待监测设备状态信息对应的设备状态故障信息;其中,所述设备状态故障信息包括运行电流故障、运行电压故障、运行功率故障、通信延时故障和机械结构损坏故障。
这样一来,基于上述步骤S431-步骤S434,能够对生产设备能耗统计结果的设备运行监测指标的监测标签信息以及产品良率统计结果的设备运行监测指标的监测标签信息进行处理,并基于得到的全局识别结果确定待监测设备状态信息对应的设备状态故障信息,这样可以对不同的故障状况进行监测从而避免漏检,以实现完整可靠的故障状态监测。
此外,在步骤S432所描述的将所述生产设备能耗统计结果的设备运行监测指标的监测标签信息和所述产品良率统计结果的设备运行监测指标的监测标签信息输入预设的神经网络模型之前,该方法还包括对预设的神经网络模型的训练过程,进一步描述如下:获取所述监测标签信息的训练样本集合,其中,所述监测标签信息的训练样本集合包括i个不可更新样本监测标签信息和对应的i个可更新样本监测标签信息,所述i个不可更新样本监测标签信息中共包括j个不同的样本状态故障标签,所述i个可更新样本监测标签信息中共包括j个不同的样本状态故障标签,每个所述样本状态故障标签出现在所述i个可更新样本监测标签信息中的k个样本监测标签信息中和所述可更新样本监测标签信息中的k个样本监测标签信息中,i、j和k皆为大于1的整数;使用所述监测标签信息的训练样本集合对所述待训练神经网络模型进行训练,得到满足所述目标监测指标聚类结果的所述预设的神经网络模型。
对于一些更进一步地实施例而言,获取所述监测标签信息的训练样本集合,包括:对所述监测标签信息的训练样本集合中的每个不可更新监测标签信息进行插值处理,得到生产设备能耗统计结果的设备运行监测指标的目标监测标签信息的训练样本集合,其中,所述目标监测标签信息的训练样本集合中的每个监测标签信息被标记;获取设定数量的的可更新标签属性;将所述可更新标签属性随机加载到所述每个不可更新监测标签信息中,得到产品良率统计结果的设备运行监测指标的目标监测标签信息的训练样本集合,其中,所述监测标签信息的训练样本集合包括所述产品良率统计结果的设备运行监测指标的目标训练监测标签信息集合。
对于一些可能的实施例而言,在步骤S4的基础上,还包括以下步骤S5:根据所述设备状态故障信息确定目标生产区域的停机检修策略;其中,所述设备状态故障信息包括运行电流故障、运行电压故障、运行功率故障、通信延时故障和机械结构损坏故障。如此一来,通过对停机检修策略进行确定,能够确保在后期进行停机检修时将停机检修的影响最小化,从而提高目标生产区域或者其他生产区域的生产效率,避免因检修而耽搁正常的生产进度,也避免因检修而导致二次故障。
在一些可替换的实施例中,步骤S432所描述的将所述生产设备能耗统计结果的设备运行监测指标的监测标签信息和所述产品良率统计结果的设备运行监测指标的监测标签信息输入预设的神经网络模型之前,所述方法还可以包括以下步骤S61-步骤S64。
步骤S61,将所述监测标签信息的训练样本集合中不可更新监测标签信息和对应的可更新状态故障标签输入到所述待训练神经网络中,通过所述待训练神经网络模型获取每个所述样本监测标签信息的监测标签评价结果。
步骤S62,根据所述不可更新监测标签信息的状态故障标签的监测标签评价结果获取生产设备能耗统计结果的设备运行监测指标的监测指标聚类结果的聚类中心度。
步骤S63,根据所述可更新监测标签信息的状态故障标签的监测标签评价结果获取产品良率统计结果的设备运行监测指标的监测指标聚类结果的聚类中心度和聚类集关联度。
步骤S64,在所述生产设备能耗统计结果的设备运行监测指标的监测指标聚类结果的聚类中心度满足生产设备能耗统计结果的设备运行监测指标的能耗聚类评价条件、产品良率统计结果的设备运行监测指标的监测指标聚类结果的聚类中心度满足产品良率统计结果的设备运行监测指标的生产聚类评价条件以及所述聚类集关联度满足设定关联条件的情况下,确定所述待训练神经网络模型满足目标监测指标聚类结果。
在一些可替换的实施例中,步骤S433所描述的通过所述预设的神经网络模型对所述生产设备能耗统计结果的设备运行监测指标的监测标签信息的所述能耗故障识别结果和所述产品良率统计结果的设备运行监测指标的监测标签信息的所述生产故障识别结果进行处理,得到全局识别结果,可以包括以下步骤S4331-步骤S4333所描述的内容。
步骤S4331,通过所述预设的神经网络模型对所述生产设备能耗统计结果的设备运行监测指标的监测标签信息的所述能耗故障识别结果和所述产品良率统计结果的设备运行监测指标的监测标签信息的所述生产故障识别结果进行相似性分析,得到所述生产设备能耗统计结果的设备运行监测指标的监测标签信息与所述产品良率统计结果的设备运行监测指标的监测标签信息之间的余弦距离。
步骤S4332,在所述余弦距离大于或等于设定余弦距离的情况下,确定所述目标监测标签信息中的所述产品良率统计结果的设备运行监测指标的状态故障标签与所述生产设备能耗统计结果的设备运行监测指标的监测标签信息中的生产设备能耗统计结果的设备运行监测指标的状态故障标签为相匹配的状态故障标签。
步骤S4333,在所述余弦距离小于设定余弦距离的情况下,确定所述目标监测标签信息中的所述产品良率统计结果的设备运行监测指标的状态故障标签与所述生产设备能耗统计结果的设备运行监测指标的监测标签信息中的生产设备能耗统计结果的设备运行监测指标的状态故障标签为不相匹配的状态故障标签。
在一些可替换的实施例中,步骤S5所描述的根据所述设备状态故障信息确定目标生产区域的停机检修策略,可以包括以下步骤S51-步骤S55所描述的内容。
S51,确定所述设备状态故障信息的故障类别统计结果。
S52,对所述故障类别统计结果中的多个故障类别对应的关联工业设备分别进行设备运行日志分析和设备检修日志分析,得到设备运行日志分析结果序列和设备检修日志分析结果序列。
S53,通过预设产能需求信息,对所述设备运行日志分析结果序列进行生产流水线分析,得到包括有生产异常提示信息的第一生产时段。
S54,通过预设产线重启信息,对所述设备检修日志分析结果序列进行停机指示分析,得到包括有检修停机提示信息的第二生产时段。
S55,基于所述第一生产时段和所述第二生产时段进行生产时段匹配,得到与所述故障类别统计结果对应的停机检修时段,根据所述停机检修时段确定针对所述故障类别统计结果中的每个故障类别进行检修时的待停机工业设备的设备标识,通过所述设备标识对应的区域信息确定所述目标生产区域的停机检修策略。
如此设计,通过上述步骤S51-步骤S55所描述的内容,通过对设备运行日志和设备检修日志进行分析,并考虑不同的生产时段,能够确保在后期进行停机检修时将停机检修的影响最小化,从而提高目标生产区域或者其他生产区域的生产效率,避免因检修而耽搁正常的生产进度,也避免因检修而导致二次故障。
其次,针对上述基于大数据和边缘计算的远程信息处理方法,本发明实施例还提出了一种示例性的基于大数据和边缘计算的远程信息处理装置,如图2所示,基于大数据和边缘计算的远程信息处理装置200可以包括以下的功能模块。
信息获取模块210,用于获取与设备状态告警记录的生产工况相对应的历史状态信息集合,其中,所述历史状态信息中包括不同生产指标对应的工业设备状态轨迹。
信息确定模块220,用于通过与所述设备状态告警记录的生产工况相对应的历史状态信息集合,对所述设备状态告警记录中的生产指标数据的分类结果进行识别,确定所述设备状态告警记录中的生产指标数据的分类结果的状态告警指示信息。
信息更新模块230,用于通过所述设备状态告警记录中的生产指标数据的分类结果,对所述历史状态信息的生产指标安全数据和生产指标异常数据进行筛分;将所述历史状态信息中的生产指标异常数据进行锁定,对所述历史状态信息中的生产指标安全数据进行生产指标更新,形成目标状态信息集合。
信息监测模块240,用于通过所述目标状态信息集合对所述设备状态告警记录进行识别,确定与所述设备状态告警记录存在时序关联性的设备运行监测指标,通过所述状态告警指示信息以及所述设备运行监测指标对待监测设备状态信息进行监测,确定相应的设备状态故障信息。
然后,基于上述的方法实施例和装置实施例,本发明实施例还提出了一种***实施例,也即基于大数据和边缘计算的远程信息处理***,请结合参阅图3,基于大数据和边缘计算的远程信息处理***30可以包括云服务器10和边缘监测设备20。其中,云服务器10和边缘监测设备20通信用以实施上述方法,进一步地,基于大数据和边缘计算的远程信息处理***30的功能性描述如下。
一种基于大数据和边缘计算的远程信息处理***,包括互相之间通信的云服务器和边缘监测设备;
所述边缘监测设备用于:生成工业设备的设备状态轨迹;所述云服务器用于:获取与设备状态告警记录的生产工况相对应的历史状态信息集合,其中,所述历史状态信息中包括不同生产指标对应的工业设备状态轨迹;通过与所述设备状态告警记录的生产工况相对应的历史状态信息集合,对所述设备状态告警记录中的生产指标数据的分类结果进行识别,确定所述设备状态告警记录中的生产指标数据的分类结果的状态告警指示信息;通过所述设备状态告警记录中的生产指标数据的分类结果,对所述历史状态信息的生产指标安全数据和生产指标异常数据进行筛分;将所述历史状态信息中的生产指标异常数据进行锁定,对所述历史状态信息中的生产指标安全数据进行生产指标更新,形成目标状态信息集合;通过所述目标状态信息集合对所述设备状态告警记录进行识别,确定与所述设备状态告警记录存在时序关联性的设备运行监测指标,通过所述状态告警指示信息以及所述设备运行监测指标对待监测设备状态信息进行监测,确定相应的设备状态故障信息。
进一步地,请结合参阅图4,云服务器10可以包括处理引擎110、网络模块120和存储器130,处理引擎110和存储器130通过网络模块120通信。
处理引擎110可以处理相关的信息和/或数据以执行本申请中描述的一个或多个功能。例如,在一些实施例中,处理引擎110可以包括至少一个处理引擎(例如,单核处理引擎或多核处理器)。仅作为示例,处理引擎110可以包括中央处理单元(Central ProcessingUnit,CPU)、专用集成电路(Application-Specific Integrated Circuit,ASIC)、专用指令集处理器(Application-Specific Instruction-set Processor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field ProgrammableGate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、精简指令集计算机(Reduced Instruction-Set Computer,RISC)、微处理器等或其任意组合。
网络模块120可以促进信息和/或数据的交换。在一些实施例中,网络模块120可以是任何类型的有线或无线网络或其组合。仅作为示例,网络模块120可以包括缆线网络、有线网络、光纤网络、电信网络、内部网络、互联网、局域网络(Local Area Network,LAN)、广域网(Wide Area Network,WAN)、无线局域网络(Wireless Local Area Network,WLAN)、城域网(Metropolitan Area Network,MAN)、公用电话交换网(Public Telephone SwitchedNetwork,PSTN)、蓝牙网络、无线个域网络、近场通讯(Near Field Communication,NFC)网络等或上述举例的任意组合。在一些实施例中,网络模块120可以包括至少一个网络接入点。例如,网络模块120可以包括有线或无线网路接入点,如基站和/或网路接入点。
存储器130可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器130用于存储程序,所述处理引擎110在接收到执行指令后,执行所述程序。
可以理解,图4所示的结构仅为示意,云服务器10还可包括比图4中所示更多或者更少的组件,或者具有与图4所示不同的配置。图4中所示的各组件可以采用硬件、软件或其组合实现。
需要理解的是,针对上述内容,本领域技术人员可以根据上述所公开的内容进行前后推导毫无疑义地确定相关技术术语所指代的含义,例如针对一些值、系数、权重、指数、因子等术语,本领域技术人员可以根据前后的逻辑关系进行推导和确定,这些数值的取值范围可以根据实际情况进行选取,例如0~1,又例如1~10,再例如50~100,在此均不作限定。
本领域技术人员可以根据上述已公开的内容毫无疑义对一些预设的、基准的、预定的、设定的以及目标的技术特征/技术术语进行确定,例如阈值、阈值区间、阈值范围等。对于一些未作解释的技术特征术语,本领域技术人员完全能够基于前后文的逻辑关系进行合理地、毫无疑义地推导,从而清楚、完整地实施上述技术方案。未作解释的技术特征术语的前缀,例如“第一”、“第二”、“上一个”、“下一个”、“前一个”、“后一个”、“当前”、“历史”、“最新”、“最佳”、“目标”、“指定”和“实时”等,可以根据前后文进行毫无疑义地推导和确定。未作解释的技术特征术语的后缀,例如“列表”、“特征”、“序列”、“集合”、“矩阵”、“单元”、“元素”、“轨迹”和“清单”等,也可以根据前后文进行毫无疑义地推导和确定。
本发明实施例公开的上述内容对于本领域技术人员而言是清楚完整的。应当理解,本领域技术人员基于上述公开的内容对未作解释的技术术语进行推导和分析的过程是基于本申请所记载的内容进行的,因此上述内容并不是对整体方案的创造性的评判。
应当理解,上述所示的***及其模块可以利用各种方式来实现。例如,在一些实施例中,***及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行***,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和***可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的***及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
本申请实施例可能带来的有益效果包括但不限于:(1)通过确定设备状态告警记录中的生产指标数据的分类结果的状态告警指示信息,能够将之前的故障处理方式考虑在内,从而为后续的故障监测处理提供决策依据;(2)通过对历史状态信息的生产指标安全数据和生产指标异常数据进行筛分,能够实现对生产指标安全数据的针对性分析,并且在分析生产指标安全数据时考虑工业设备的累计运行时长,进而实现对生产指标安全数据的更新,这样可以对历史状态信息进行优化以得到目标状态信息;(3)在确定设备运行监测指标时考虑与设备状态告警记录之间的时序关联性,可以确保设备运行监测指标能够与实际的工业生产状态相匹配,进而确保状态监测的时序同步性以保证设备状态故障信息的实时性和可靠性,尽可能地将工业设备的故障诱因考虑在内,从而确保故障监测的及时性,同时避免出现漏检,以避免引发严重的生产事故。
需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“***”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行***、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的***组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的***。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有适应性的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不仅限于本申请明确介绍和描述的实施例。
Claims (10)
1.一种基于大数据和边缘计算的远程信息处理方法,其特征在于,所述方法包括:
获取与设备状态告警记录的生产工况相对应的历史状态信息集合,其中,所述历史状态信息中包括不同生产指标对应的工业设备状态轨迹;
通过与所述设备状态告警记录的生产工况相对应的历史状态信息集合,对所述设备状态告警记录中的生产指标数据的分类结果进行识别,确定所述设备状态告警记录中的生产指标数据的分类结果的状态告警指示信息;
通过所述设备状态告警记录中的生产指标数据的分类结果,对所述历史状态信息的生产指标安全数据和生产指标异常数据进行筛分;将所述历史状态信息中的生产指标异常数据进行锁定,对所述历史状态信息中的生产指标安全数据进行生产指标更新,形成目标状态信息集合;
通过所述目标状态信息集合对所述设备状态告警记录进行识别,确定与所述设备状态告警记录存在时序关联性的设备运行监测指标,通过所述状态告警指示信息以及所述设备运行监测指标对待监测设备状态信息进行监测,确定相应的设备状态故障信息。
2.根据权利要求1所述的方法,其特征在于,所述获取与设备状态告警记录的生产工况相对应的历史状态信息集合,包括:
获取所述设备状态告警记录的生产工况相对应的边缘监测设备所生成的设备状态轨迹;
对所述设备状态轨迹进行轨迹去噪处理;
基于轨迹去噪的处理结果,通过设备状态监测模型确定相应的设备状态标签,并确定包括生产线交互轨迹的设备状态轨迹;
通过所述设备状态告警记录的故障类别统计结果对所述包括生产线交互轨迹的设备状态轨迹进行状态信息提取,将提取得到的相应的区域轨迹描述信息作为与所述设备状态告警记录的生产工况相对应的历史状态信息集合中的任一历史状态信息;
其中,所述方法还包括:
根据与所述设备状态告警记录的生产工况相对应的历史状态信息,确定相应的生产指标的指标类型数据;
通过所述生产指标的指标类型数据,对所述设备状态告警记录的生产指标统计结果进行生产指标合并得到生产指标合并结果,通过所述生产指标合并结果对接收到的设备状态轨迹所归属的生产指标类型进行判断,并确定接收到的设备状态轨迹所归属的生产指标类型。
3.根据权利要求1所述的方法,其特征在于,所述通过与所述设备状态告警记录的生产工况相对应的历史状态信息集合,对所述设备状态告警记录中的生产指标数据的分类结果进行识别,确定所述设备状态告警记录中的生产指标数据的分类结果的状态告警指示信息,包括:
通过与所述设备状态告警记录的生产工况相对应的历史状态信息集合,确定相应的设备机械状态信息与设备通信状态信息;
通过所述生产指标数据的分类结果的中的正常指标分类子结果,对所述历史状态信息集合中的不同设备机械状态对应的历史状态信息和设备通信状态对应的历史状态信息中的生产指标安全数据按照历史生产线对应的生产线流水信息进行调整,形成调整之后的状态告警指标数据;
通过所述生产指标数据的分类结果的中的异常指标分类子结果,对所述调整之后的状态告警指标数据进行均值滤波处理,得到均值滤波处理结果;
当基于所述均值滤波处理结果获得相同设备状态的不同生产指标数据的轨迹告警指标数据时,根据所述轨迹告警指标数据确定所述设备状态告警记录中的生产指标数据的分类结果的状态告警指示信息;
其中,所述方法还包括:
基于所述设备机械状态信息,确定对应的机械故障类别信息;
基于所述设备通信状态信息,确定对应的通信故障类别信息;
当确定所述设备状态告警记录中的生产指标数据的分类结果的状态告警指示信息时,通过所述设备状态告警记录的故障类别统计结果确定与所述调整之后的状态告警指标数据相对应的综合故障类别信息;
通过所述机械故障类别信息或者通信故障类别信息,与所述综合故障类别信息进行比对,以确定不同设备机械状态对应的历史状态信息和设备通信状态对应的历史状态信息中的生产指标异常数据的数据更新状态。
4.根据权利要求1所述的方法,其特征在于,所述将所述历史状态信息中的生产指标异常数据进行锁定,对所述历史状态信息中的生产指标安全数据进行生产指标更新,形成目标状态信息集合,包括:
将所述历史状态信息中的生产指标异常数据进行锁定,对所述历史状态信息中的生产指标安全数据采用最小邻居法进行缺失值填充,形成目标状态信息集合;
或者,将所述历史状态信息中的生产指标异常数据进行锁定,对所述历史状态信息中的生产指标安全数据进行双三次插值处理或双线性插值处理,形成目标状态信息集合。
5.根据权利要求1所述的方法,其特征在于,所述通过所述目标状态信息集合对所述设备状态告警记录进行识别,确定与所述设备状态告警记录存在时序关联性的设备运行监测指标,通过所述状态告警指示信息以及所述设备运行监测指标对待监测设备状态信息进行监测,确定相应的设备状态故障信息,包括:
根据所述目标状态信息集合对所述设备状态告警记录进行识别,确定所述设备状态告警记录中生产设备能耗统计结果的设备运行监测指标;
根据所述目标状态信息集合对所述设备状态告警记录进行识别,确定所述设备状态告警记录中产品良率统计结果的设备运行监测指标;
通过所述生产设备能耗统计结果的设备运行监测指标以及所述产品良率统计结果的设备运行监测指标,对所述待监测设备状态信息进行监测,确定所述待监测设备状态信息对应的设备状态故障信息;
其中,所述根据所述目标状态信息集合对所述设备状态告警记录进行识别,确定所述设备状态告警记录中生产设备能耗统计结果的设备运行监测指标,包括:
通过所述设备状态告警记录中生产设备能耗统计结果,对所述目标状态信息集合按照时序先后顺序进行状态信息分类,以确定所述生产设备能耗统计结果的局部能耗监测指标;
响应于所述生产设备能耗统计结果的局部能耗监测指标,通过所述生产设备能耗统计结果对所述目标状态信息集合按照时序先后顺序进行状态信息分类,确定所述生产设备能耗统计结果的全局能耗监测指标;
根据所述生产设备能耗统计结果的全局能耗监测指标,通过所述目标状态信息集合对所述生产设备能耗统计结果的能耗监测指标进行梯度迭代处理,以确定所述目标状态信息集合中每个目标状态信息的能耗告警指标数据;
其中,所述响应于所述生产设备能耗统计结果的局部能耗监测指标,通过所述生产设备能耗统计结果对所述目标状态信息集合按照时序先后顺序进行状态信息分类,确定所述生产设备能耗统计结果的全局能耗监测指标,包括:
将所述目标状态信息集合中的不同目标状态信息,输入由所述生产设备能耗统计结果所对应的能耗预测神经网络;确定所述能耗预测神经网络满足相应的收敛条件时所述生产设备能耗统计结果对应的所述全局能耗监测指标;
其中,所述根据所述生产设备能耗统计结果的全局能耗监测指标,通过所述目标状态信息集合对所述生产设备能耗统计结果的能耗监测指标进行梯度迭代处理,以确定所述目标状态信息集合中每个目标状态信息的能耗告警指标数据,包括:
确定所述生产设备能耗统计结果对应的能耗预测神经网络;根据所述生产设备能耗统计结果的全局能耗监测指标,对所述生产设备能耗统计结果的能耗监测指标进行梯度迭代处理;
直至所述生产设备能耗统计结果的能耗预测神经网络达到相应的收敛条件,并且基于所述生产设备能耗统计结果中的能耗监测指标,提取所述目标状态信息集合中每个目标状态信息的能耗告警指标数据。
6.根据权利要求1所述的方法,其特征在于,通过所述生产设备能耗统计结果的设备运行监测指标以及所述产品良率统计结果的设备运行监测指标,对所述待监测设备状态信息进行监测,确定所述待监测设备状态信息对应的设备状态故障信息,包括:
获取所述生产设备能耗统计结果的设备运行监测指标的监测标签信息和所述产品良率统计结果的设备运行监测指标的监测标签信息,其中,所述生产设备能耗统计结果的设备运行监测指标的监测标签信息中包括生产设备能耗统计结果的设备运行监测指标的状态故障标签,所述产品良率统计结果的设备运行监测指标的监测标签信息中包括产品良率统计结果的设备运行监测指标的状态故障标签;
将所述生产设备能耗统计结果的设备运行监测指标的监测标签信息和所述产品良率统计结果的设备运行监测指标的监测标签信息输入预设的神经网络模型,得到所述生产设备能耗统计结果的设备运行监测指标的监测标签信息的能耗故障识别结果和所述产品良率统计结果的设备运行监测指标的监测标签信息的生产故障识别结果;其中,所述预设的神经网络模型是通过监测标签信息的训练样本集合对待训练神经网络模型进行训练得到的模型,所述监测标签信息的训练样本集合包括不可更新的多个样本监测标签信息和对应所述不可更新的多个样本监测标签信息进行处理得到的多个可更新样本监测标签信息,不可更新的多个样本监测标签信息中共包括多个不同的样本状态故障标签,所述多个可更新样本监测标签信息中共包括多个不同的样本状态故障标签,所述预设的神经网络模型满足设定训练条件,所述设定训练条件包括每个样本状态故障标签对应的生产设备能耗统计结果的设备运行监测指标的监测指标聚类结果的聚类中心度小于生产设备能耗统计结果的设备运行监测指标的预设中心度;
通过所述预设的神经网络模型对所述生产设备能耗统计结果的设备运行监测指标的监测标签信息的所述能耗故障识别结果和所述产品良率统计结果的设备运行监测指标的监测标签信息的所述生产故障识别结果进行处理,得到全局识别结果,其中,所述全局识别结果用于指示所述生产设备能耗统计结果的设备运行监测指标的监测标签信息中的所述生产设备能耗统计结果的设备运行监测指标的状态故障标签和所述产品良率统计结果的设备运行监测指标的监测标签信息集合中的所述产品良率统计结果的设备运行监测指标的状态故障标签为相匹配的状态故障标签或者为不相匹配的状态故障标签;
在所述全局识别结果指示所述生产设备能耗统计结果的设备运行监测指标的监测标签信息中的所述生产设备能耗统计结果的设备运行监测指标的状态故障标签和所述产品良率统计结果的设备运行监测指标的监测标签信息集合中的所述产品良率统计结果的设备运行监测指标的状态故障标签为相匹配的状态故障标签时,采用所述全局识别结果对所述待监测设备状态信息进行监测,确定所述待监测设备状态信息对应的设备状态故障信息;其中,所述设备状态故障信息包括运行电流故障、运行电压故障、运行功率故障、通信延时故障和机械结构损坏故障。
7.根据权利要求6所述的方法,其特征在于,将所述生产设备能耗统计结果的设备运行监测指标的监测标签信息和所述产品良率统计结果的设备运行监测指标的监测标签信息输入预设的神经网络模型之前,所述方法包括:
获取所述监测标签信息的训练样本集合,其中,所述监测标签信息的训练样本集合包括i个不可更新样本监测标签信息和对应的i个可更新样本监测标签信息,所述i个不可更新样本监测标签信息中共包括j个不同的样本状态故障标签,所述i个可更新样本监测标签信息中共包括j个不同的样本状态故障标签,每个所述样本状态故障标签出现在所述i个可更新样本监测标签信息中的k个样本监测标签信息中和所述可更新样本监测标签信息中的k个样本监测标签信息中,i、j和k皆为大于1的整数;
使用所述监测标签信息的训练样本集合对所述待训练神经网络模型进行训练,得到满足所述目标监测指标聚类结果的所述预设的神经网络模型;
其中,获取所述监测标签信息的训练样本集合,包括:
对所述监测标签信息的训练样本集合中的每个不可更新监测标签信息进行插值处理,得到生产设备能耗统计结果的设备运行监测指标的目标监测标签信息的训练样本集合,其中,所述目标监测标签信息的训练样本集合中的每个监测标签信息被标记;
获取设定数量的的可更新标签属性;
将所述可更新标签属性随机加载到所述每个不可更新监测标签信息中,得到产品良率统计结果的设备运行监测指标的目标监测标签信息的训练样本集合,其中,所述监测标签信息的训练样本集合包括所述产品良率统计结果的设备运行监测指标的目标训练监测标签信息集合。
8.根据权利要求1所述的方法,其特征在于,在确定出所述设备状态故障信息之后,所述方法还包括:
根据所述设备状态故障信息确定目标生产区域的停机检修策略;其中,所述设备状态故障信息包括运行电流故障、运行电压故障、运行功率故障、通信延时故障和机械结构损坏故障。
9.一种云服务器,其特征在于,包括处理引擎、网络模块和存储器;所述处理引擎和所述存储器通过所述网络模块通信,所述处理引擎从所述存储器中读取计算机程序并运行,以执行权利要求1-8任一项所述的方法。
10.一种计算机存储介质,其特征在于,其上存储有计算机程序,所述计算机程序在运行是实现权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011531107.0A CN112596486A (zh) | 2020-12-22 | 2020-12-22 | 基于大数据和边缘计算的远程信息处理方法及云服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011531107.0A CN112596486A (zh) | 2020-12-22 | 2020-12-22 | 基于大数据和边缘计算的远程信息处理方法及云服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112596486A true CN112596486A (zh) | 2021-04-02 |
Family
ID=75200676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011531107.0A Withdrawn CN112596486A (zh) | 2020-12-22 | 2020-12-22 | 基于大数据和边缘计算的远程信息处理方法及云服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112596486A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114579824A (zh) * | 2022-03-15 | 2022-06-03 | 北京永利信达科技有限公司 | 应用于工业互联网的设备状态识别方法及识别终端 |
-
2020
- 2020-12-22 CN CN202011531107.0A patent/CN112596486A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114579824A (zh) * | 2022-03-15 | 2022-06-03 | 北京永利信达科技有限公司 | 应用于工业互联网的设备状态识别方法及识别终端 |
CN114579824B (zh) * | 2022-03-15 | 2023-05-09 | 四川聚能峰科技有限公司 | 应用于工业互联网的设备状态识别方法及识别终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110708204B (zh) | 一种基于运维知识库的异常处理方法、***、终端及介质 | |
US9535808B2 (en) | System and methods for automated plant asset failure detection | |
CN105071983B (zh) | 一种面向云计算在线业务的异常负载检测方法 | |
CN100470417C (zh) | 工业生产过程小样本条件下的故障诊断***及方法 | |
CN115314412B (zh) | 一种面向运维的类型自适应的指标预测预警方法及装置 | |
CN112596486A (zh) | 基于大数据和边缘计算的远程信息处理方法及云服务器 | |
CN117993887A (zh) | 一种基于最优化控制的智能决策方法、***和介质 | |
CN113313463A (zh) | 应用于大数据云办公的数据分析方法及数据分析服务器 | |
CN117687884A (zh) | 一种电网调度自动化主站运维操作票智能优化方法及*** | |
CN111934903A (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
CN117010442A (zh) | 设备剩余寿命预测模型训练方法、剩余寿命预测方法及*** | |
CN112016800A (zh) | 一种基于有效性指标的特征选择方法与*** | |
US20230161653A1 (en) | Method of managing system health | |
CN115271277A (zh) | 电力设备画像构建方法、***、计算机设备及存储介质 | |
CN115183963A (zh) | 桥梁异常状态检测方法、***、设备及介质 | |
CN114418207A (zh) | 一种时间序列趋势预测方法和装置 | |
CN114172708A (zh) | 网络流量异常的识别方法 | |
CN113408896A (zh) | 结合大数据和云业务的用户行为检测方法及业务服务器 | |
CN116340765B (zh) | 一种窃电用户预测方法、装置、存储介质及电子设备 | |
CN116551466B (zh) | Cnc加工过程中的智能监控***及其方法 | |
CN117633456B (zh) | 基于自适应焦点损失的海上风电天气事件辨识方法和装置 | |
CN114064441B (zh) | 一种日志异常检测方法、装置及设备 | |
CN118245733A (zh) | 基于运行误差监测模型的数据预处理方法及智能电表 | |
Indyk et al. | Machine Learning methods for Predictive Maintenance of Multifunctional Printers | |
CN118261246A (zh) | 一种目标事件的预测方法、装置及终端设备 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210402 |