CN112859769B - 一种智能生产设备中能耗监控装置及其运行方法 - Google Patents
一种智能生产设备中能耗监控装置及其运行方法 Download PDFInfo
- Publication number
- CN112859769B CN112859769B CN202011640533.8A CN202011640533A CN112859769B CN 112859769 B CN112859769 B CN 112859769B CN 202011640533 A CN202011640533 A CN 202011640533A CN 112859769 B CN112859769 B CN 112859769B
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- energy consumption
- module
- current
- 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.)
- Active
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 139
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012806 monitoring device Methods 0.000 title claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 55
- 238000012544 monitoring process Methods 0.000 claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims description 47
- 238000012549 training Methods 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000010219 correlation analysis Methods 0.000 claims description 11
- 230000005856 abnormality Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 13
- 238000007418 data mining Methods 0.000 abstract description 8
- 230000007547 defect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010220 Pearson correlation analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003490 calendering Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000005303 weighing Methods 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]
- G05B19/41885—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)
- Testing And Monitoring For Control Systems (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及一种智能生产设备中能耗监控装置及其运行方法，具体如下：实时采集各信息采集点的原始数据，做数据预处理并放入流式消息队列，利用大数据技术从流式消息队列收集数据，对数据进行预处理，构建设备的运行状态视图，利用数据挖掘技术建立复杂生产环境下的运行状态标准，对设备进行能耗状态的监控，判断设备是否处于正常运行状态，对结果进行展示，并做相应预警操作。本发明使用大数据挖掘技术，灵活地分析复杂情况下设备运行状态，建立不同设备间运行状态关联模型，优化了原本使用的机械的，仅基于单一标的预警方式，使得监控结果更有说服力，为企业节约成本。
Description
技术领域
本发明涉及智能制造技术领域，更具体的，涉及一种智能生产设备中能耗监控装置及其运行方法。
背景技术
近年来，大数据技术对智能制造的发展起到了举足轻重的作用；在生产中，类似PVC压延机的各类生产机器的设备运行状态一直是很重要的指标，更是智能制造重点监控的指标。在生产流程中，设备的任意一次运行异常就能给企业带来不菲的损失，设备电机能耗等指标的异常也会使得生产的产品质量受到影响，如能耗非正常地过高也会导致能源浪费，进而直接或间接地给企业带来损失。而在智能制造背景下，大部分指标都需要人工查表、计算来获得，不仅人工成本较大，操作复杂度高，而且无法达到实时性监控的要求，因此难以实现生产制造智能化。所以在大数据技术获得长足发展的今天，人们终于得以将目光聚焦在智能制造上。
公开号为CN202677152U的中国实用新型专利于2013年1月16日公开了一种能耗监控装置，通过在中央管控装置中预设各种运行参数，并连接至少一个远程监控装置和至少一个实时信号采集装置，各远程监控装置可随时查询监控各实时信号采集装置采集来的各种运行及能耗参数，并和预设的值以及数据库中历史数据进行比较和分析，以便制定切实可行的节能降耗措施，并及时的加以干预和执行，大大的提高了工作的效率，并实现了能耗数据信息化、实时化和可控化，实现精确监控和有效节能，但该装置预警方式单一，监控的结果存在一定的不确定性。
发明内容
本发明为克服现有的能耗监控装置存在预警方式单一、监控结果不确定的技术缺陷，提供一种智能生产设备中能耗监控装置及其运行方法。
为解决上述技术问题，本发明的技术方案如下：
一种智能生产设备中能耗监控装置，包括数据采集模块、数据预处理模块、设备电流分组模块、设备运行状态模块和在线监控模块；其中：
所述数据采集模块设置于智能生产设备上，采集智能生产设备能耗数据，并将能耗数据传输至所述数据预处理模块；
所述数据预处理模块对能耗数据进行预处理，得到设备的节点分组状态Sn<Sn节点1电流，Sn节点2电流，Sn节点3电流...>和运行状态Un<设备n所有节点数据>，其中n∈<1,2,3...>；
所述设备电流分组模块用于构建设备电流分组模型，并根据设备的节点分组状态判断分组内设备之间能耗的关联异常，输出能耗异常；
所述设备运行状态模块用于构建设备运行状态模型，根据设备的运行状态及能耗异常，判断单个设备的能耗异常；
所述在线监控模块根据所述设备电流分组模块、设备运行状态模块的输出结果，对能耗异常设备进行显示和报警提示。
其中，所述数据采集模块包括若干个传感器和数据解析器；其中：
所述传感器内置或外接在智能生产设备上，用于采集智能生产设备能耗数据；并将能耗数据传输至所述数据解析器；
所述数据解析器用于对能耗数据进行解析处理，并将解析后的数据传入流式消息队列，等待所述数据预处理模块调用处理。
其中，所述能耗数据包括每台智能生产设备各采集节点的开关量、温度、电流、转速和压力。
其中，在所述数据预处理模块中，所述预处理过程包括：
所述数据预处理模块从流式数据中，后去每台设备电流采集节点的电流数据，根据电流节点相关性分析进行分组；根据相关性分析结果，构建设备的节点分组状态；
所述数据预处理模块从流式消息队列采集设备运行状态。
上述方案中，数据预处理模块中的电流节点相关性分组，从流式数据中，获取所有设备的电路节点电流数据，形成数据集S<节点1电流，节点2电流，节点3电流，节点4电流，节点5电流，节点6电流...>，使用数理统计中的Pearson相关性分析公式，对所有的电流进行相关性计算，得到各节点电流间的相关性，把相关性大的节点电流放入一组得电路节点电流分组状态S1<S1节点1电流，S1节点2电流，S1节点3电流...>、S2<S2节点4电流，S2节点5电流，S2节点6电流...>...，Sn<...>，其中n∈<1,2,3...>。
其中，在所述设备电流分组模块中，使用设备的节点分组状态的历史数据，采用BP神经网络算法，并进行训练，得到设备电流分组模型；将所述数据预处理模块构建的节点分组状态作为所述设备电流分组模型输出，判断分组内设备之间能耗的关联异常，输出能耗异常。
上述方案中，所述设备电流分组模型构建过程具体为：
(1)以生产线的质量节点、产出节点所采集数据作为判定生产状态是否健康的指标，映射到健康状态值，采用该健康状态值对设备电流分组状态数据Sn进行标注，得如下结果：对处于健康状态的数据Sn进行标注，其中n∈<1,2,3...>，即可得数据集S’n，其中n∈<1,2,3...>：S’1<S’1节点1电流，S’1节点2电流，S’1节点3电流...，健康状态>、S’2<S’2节点4电流，S’2节点5电流，S’2节点6电流...，健康状态>..，其中n∈<1,2,3...>；
(2)针对分组S’n，其中n∈<1,2,3...>，进行构建BP神经网络算法，进行模型训练，得到设备电流分组算法模型；
其中，在所述设备运行状态模块中，使用每个设备运行状态的历史数据，采用BP神经网络算法，并进行训练，得到设备运行状态模型；将所述数据预处理模块构建的设备运行状态及所述设备电流分组模块生成的能源异常作为输入，判断单个设备的能耗异常。
上述方案中，所述设备运行状态模型构建过程具体为：
(1)以生产线的质量节点、产出节点所采集数据作为判定生产状态是否健康的指标，对设备电流分组状态数据Sn进行标注，得如下结果：对处于健康状态的数据Un进行标注，其中n∈<1,2,3...>，即可得数据集U’n，其中n∈<1,2,3...>：U’1<设备1所有节点数据，健康状态>、U’2<设备2所有节点数据，健康状态>，其中n∈<1,2,3...>；
针对设备运行状态U’n，其中n∈<1,2,3...>，进行构建BP神经网络算法，进行算法，得到设备状态算法模型。
其中，所述在线监控模块包括微处理器、显示模块、输入模块和报警模块；其中：
所述输入模块用于输入操作指令，其输出端与所述微处理器输入端电性连接；
所述微处理器输出端与所述显示模块信号输入端电性连接；
所述微处理器与所述报警模块控制端电性连接；
所述微处理器输入端与所述设备运行状态模块输出端电性连接。
一种智能生产设备中能耗监控装置运行方法，包括以下步骤：
S1：在智能生产设备上布设数据采集模块，采集智能生产设备能耗数据；
S2：通过数据预处理模块对能耗数据进行预处理，得到设备的节点分组状态和运行状态；
S3：通过设备电流分组模块训练设备电流分组模型，将设备的节点分组状态作为设备电流分组模型的输入，判断分组内设备之间能耗的关联异常，输出能耗异常；
S4：通过设备运行状态模块训练设备运行状态模型，将设备的运行状态及能耗异常作为设备运行状态模型的输入，判断单个设备的能耗异常；
S5：根据设备电流分组模块、设备运行状态模块的输出结果，在在线监控模块上对能耗异常设备进行显示和报警提示。
其中，在所述步骤S1中，通过在智能生产设备上内置或外接传感器，采集智能生产设备能耗数据；并将能耗数据进行解析处理，将解析后的数据传入流式消息队列，等待数据预处理模块调用处理。
其中，在所述步骤S3中，将设备的节点分组状态的历史数据作为训练集，训练BP神经网络，得到设备电流分组模型；将数据预处理模块构建的节点分组状态作为设备电流分组模型输出，判断分组内设备之间能耗的关联异常，输出能耗异常；
在所述步骤S4中，将每个设备运行状态的历史数据作为训练集，训练BP神经网络，得到设备运行状态模型；将数据预处理模块构建的设备运行状态及设备电流分组模块生成的能源异常作为输入，判断单个设备的能耗异常。
上述方案中，通过智能设备内置或外接的传感器，采集设备运行状态数据，包括每台设备各采集节点的数据，将数据存入传感器对应的流式消息队列；
对数据进行预处理：①获取每台设备电流采集节点的电流数据，根据相关性分析的分组结果，构建电流采集节点分组状态Sn<Sn节点1电流，Sn节点2电流，Sn节点3电流...>，其中n∈<1,2,3...>；②从流式消息队列中获取单个设备所有节点数据，构建设备运行状态Un<设备n所有节点数据>，其中n∈<1,2,3...>；
根据分组Sn的视图，其中n∈<1,2,3...>，输入设备电流分组算法模型，实时监控设备能耗状态，判断整个生产流程中，各分组是否处于能耗异常，可判断出每一组的设备电流状态的关联性是否异常；若某组Sk1，其中k1∈<1,2,3...>，处于正常状态，则Sk1组的所有设备的能耗均处于正常状态；若某组Sk2，其中k2∈<1,2,3...>，处于异常状态，则表示Sk2组有某些设备的能耗处于异常状态，需要通过设备状态算法模型来进一步判断是哪个设备的能耗异常；
从所有异常分组Sk，k∈<1,2,3...>，获得所包含的所有设备列表。将异常分组所包含设备的设备状态，逐一进行输入设备状态模型进行匹配检测，判断是哪一个或几个设备处于能耗异常状态，判断单个设备的能耗是否异常，输出处于能耗异常状态的所有设备；
在相关控制器、警报器或显示屏对能耗异常设备进行显示提醒与预警，并在后续工作对异常设备进行相应控制；
上述方案中，本方案涉及各设备开关的开启关闭状态、设备多个滚轴的转速、设备多点电机能耗状态等指标的监控与预警，通过实时采集各信息采集点的原始数据，做数据预处理并放入流式消息队列，利用大数据技术从流式消息队列收集数据，对数据进行预处理，构建设备的运行状态视图，利用数据挖掘技术建立复杂生产环境下的运行状态标准，对设备进行能耗状态的监控，判断设备是否处于正常运行状态，对结果进行展示，并做相应预警操作。本发明使用大数据挖掘技术，灵活地分析复杂情况下设备运行状态，建立不同设备间运行状态关联模型，优化了原本使用的机械的，仅基于单一标的预警方式，使得监控结果更有说服力，为企业节约成本。
与现有技术相比，本发明技术方案的有益效果是：
本发明提供了一种智能生产设备中能耗监控装置及其运行方法，使用大数据挖掘技术，灵活地分析复杂情况下设备运行状态，建立不同设备间运行状态关联模型，优化了原本使用仅基于单一标的预警方式，使得监控结果更有说服力，为企业节约成本。
附图说明
图1为本发明所述装置的模块连接示意图；
图2为本发明所述运行方法流程示意图；
其中：1、数据采集模块；2、数据预处理模块；3、设备电流分组模块；4、设备运行状态模块；5、在线监控模块；51、微处理器；52、显示模块；53、输入模块；54、报警模块。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示，一种智能生产设备中能耗监控装置，包括数据采集模块1、数据预处理模块2、设备电流分组模块3、设备运行状态模块4和在线监控模块5；其中：
所述数据采集模块1设置于智能生产设备上，采集智能生产设备能耗数据，并将能耗数据传输至所述数据预处理模块2；
所述数据预处理模块2对能耗数据进行预处理，得到设备的节点分组状态和运行状态；
所述设备电流分组模块3用于构建设备电流分组模型，并根据设备的节点分组状态判断分组内设备之间能耗的关联异常，输出能耗异常；
所述设备运行状态模块4用于构建设备运行状态模型，根据设备的运行状态及能耗异常，判断单个设备的能耗异常；
所述在线监控模块5根据所述设备电流分组模块3、设备运行状态模块4的输出结果，对能耗异常设备进行显示和报警提示。
更具体的，所述数据采集模块1包括若干个传感器和数据解析器；其中：
所述传感器内置或外接在智能生产设备上，用于采集智能生产设备能耗数据；并将能耗数据传输至所述数据解析器；
所述数据解析器用于对能耗数据进行解析处理，并将解析后的数据传入流式消息队列，等待所述数据预处理模块2调用处理。
更具体的，所述能耗数据包括每台智能生产设备各采集节点的开关量、温度、电流、转速和压力。
更具体的，在所述数据预处理模块2中，所述预处理过程包括：
所述数据预处理模块2从流式数据中，后去每台设备电流采集节点的电流数据，根据电流节点相关性分析进行分组；根据相关性分析结果，构建设备的节点分组状态；
所述数据预处理模块2从流式消息队列采集设备运行状态。
在具体实施过程中，数据预处理模块1中的电流节点相关性分组，从流式数据中，获取所有设备的电路节点电流数据，形成数据集S<节点1电流，节点2电流，节点3电流，节点4电流，节点5电流，节点6电流...>，使用数理统计中的Pearson相关性分析公式，对所有的电流进行相关性计算，得到各节点电流间的相关性，把相关性大的节点电流放入一组得电路节点电流分组状态S1<S1节点1电流，S1节点2电流，S1节点3电流...>、S2<S2节点4电流，S2节点5电流，S2节点6电流...>...，Sn<...>，其中n∈<1,2,3...>。
更具体的，在所述设备电流分组模块3中，使用设备的节点分组状态的历史数据，采用BP神经网络算法，并进行训练，得到设备电流分组模型；将所述数据预处理模块2构建的节点分组状态作为所述设备电流分组模型输出，判断分组内设备之间能耗的关联异常，输出能耗异常。
上述方案中，所述设备电流分组模型构建过程具体为：
(1)以生产线的质量节点、产出节点所采集数据作为判定生产状态是否健康的指标，映射到健康状态值，采用该健康状态值对设备电流分组状态数据Sn进行标注，得如下结果：对处于健康状态的数据Sn进行标注，其中n∈<1,2,3...>，即可得数据集S’n，其中n∈<1,2,3...>：S’1<S’1节点1电流，S’1节点2电流，S’1节点3电流...，健康状态>、S’2<S’2节点4电流，S’2节点5电流，S’2节点6电流...，健康状态>..，其中n∈<1,2,3...>；
(2)针对分组S’n，其中n∈<1,2,3...>，进行构建BP神经网络算法，进行模型训练，得到设备电流分组算法模型；
更具体的，在所述设备运行状态模块4中，使用每个设备运行状态的历史数据，采用BP神经网络算法，并进行训练，得到设备运行状态模型；将所述数据预处理模块2构建的设备运行状态及所述设备电流分组模块3生成的能源异常作为输入，判断单个设备的能耗异常。
在具体实施过程中，所述设备运行状态模型构建过程具体为：
(2)以生产线的质量节点、产出节点所采集数据作为判定生产状态是否健康的指标，对设备电流分组状态数据Sn进行标注，得如下结果：对处于健康状态的数据Un进行标注，其中n∈<1,2,3...>，即可得数据集U’n，其中n∈<1,2,3...>：U’1<设备1所有节点数据，健康状态>、U’2<设备2所有节点数据，健康状态>，其中n∈<1,2,3...>；
针对设备运行状态U’n，其中n∈<1,2,3...>，进行构建BP神经网络算法，进行算法，得到设备状态算法模型。
更具体的，所述在线监控模块5包括微处理器51、显示模块52、输入模块53和报警模块54；其中：
所述输入模块53用于输入操作指令，其输出端与所述微处理器51输入端电性连接；
所述微处理器51输出端与所述显示模块52信号输入端电性连接；
所述微处理器51与所述报警模块54控制端电性连接；
所述微处理器51输入端与所述设备运行状态模块4输出端电性连接。
在具体实施过程中，本装置使用大数据挖掘技术，灵活地分析复杂情况下设备运行状态，建立不同设备间运行状态关联模型，优化了原本使用仅基于单一标的预警方式，使得监控结果更有说服力，为企业节约成本。
实施例2
更具体的，在实施例1的基础上，如图2所示一种智能生产设备中能耗监控装置运行方法，包括以下步骤：
S1：在智能生产设备上布设数据采集模块1，采集智能生产设备能耗数据；
S2：通过数据预处理模块2对能耗数据进行预处理，得到设备的节点分组状态和运行状态；
S3：通过设备电流分组模块3训练设备电流分组模型，将设备的节点分组状态作为设备电流分组模型的输入，判断分组内设备之间能耗的关联异常，输出能耗异常；
S4：通过设备运行状态模块4训练设备运行状态模型，将设备的运行状态及能耗异常作为设备运行状态模型的输入，判断单个设备的能耗异常；
S5：根据设备电流分组模块3、设备运行状态模块4的输出结果，在在线监控模块5上对能耗异常设备进行显示和报警提示。
更具体的，在所述步骤S1中，通过在智能生产设备上内置或外接传感器，采集智能生产设备能耗数据；并将能耗数据进行解析处理，将解析后的数据传入流式消息队列，等待数据预处理模块2调用处理。
更具体的，在所述步骤S3中，将设备的节点分组状态的历史数据作为训练集，训练BP神经网络，得到设备电流分组模型；将数据预处理模块2构建的节点分组状态作为设备电流分组模型输出，判断分组内设备之间能耗的关联异常，输出能耗异常；
在所述步骤S4中，将每个设备运行状态的历史数据作为训练集，训练BP神经网络，得到设备运行状态模型；将数据预处理模块2构建的设备运行状态及设备电流分组模块3生成的能源异常作为输入，判断单个设备的能耗异常。
在具体实施过程中，通过智能设备内置或外接的传感器，采集设备运行状态数据，包括每台设备各采集节点的数据，将数据存入传感器对应的流式消息队列；
对数据进行预处理：①获取每台设备电流采集节点的电流数据，根据相关性分析的分组结果，构建电流采集节点分组状态Sn<Sn节点1电流，Sn节点2电流，Sn节点3电流...>，其中n∈<1,2,3...>；②从流式消息队列中获取单个设备所有节点数据，构建设备运行状态Un<设备n所有节点数据>，其中n∈<1,2,3...>；
根据分组Sn的视图，其中n∈<1,2,3...>，输入设备电流分组算法模型，实时监控设备能耗状态，判断整个生产流程中，各分组是否处于能耗异常，可判断出每一组的设备电流状态的关联性是否异常；若某组Sk1，其中k1∈<1,2,3...>，处于正常状态，则Sk1组的所有设备的能耗均处于正常状态；若某组Sk2，其中k2∈<1,2,3...>，处于异常状态，则表示Sk2组有某些设备的能耗处于异常状态，需要通过设备状态算法模型来进一步判断是哪个设备的能耗异常；
从所有异常分组Sk，k∈<1,2,3...>，获得所包含的所有设备列表。将异常分组所包含设备的设备状态，逐一进行输入设备状态模型进行匹配检测，判断是哪一个或几个设备处于能耗异常状态，判断单个设备的能耗是否异常，输出处于能耗异常状态的所有设备；
在相关控制器、警报器或显示屏对能耗异常设备进行显示提醒与预警，并在后续工作对异常设备进行相应控制；
在具体实施过程中，本方案涉及各设备开关的开启关闭状态、设备多个滚轴的转速、设备多点电机能耗状态等指标的监控与预警，通过实时采集各信息采集点的原始数据，做数据预处理并放入流式消息队列，利用大数据技术从流式消息队列收集数据，对数据进行预处理，构建设备的运行状态视图，利用数据挖掘技术建立复杂生产环境下的运行状态标准，对设备进行能耗状态的监控，判断设备是否处于正常运行状态，对结果进行展示，并做相应预警操作。本发明使用大数据挖掘技术，灵活地分析复杂情况下设备运行状态，建立不同设备间运行状态关联模型，优化了原本使用的机械的，仅基于单一标的预警方式，使得监控结果更有说服力，为企业节约成本。
实施例3
在实施例1、2的基础上，针对旧技术的缺点，本方案提出一种大数据分析的智能制造生产流程中各设备的运行状态、及能耗状态等指标的监控与预警方法，并借用数据挖掘和深度学习技术，来实现复杂环境下的能耗状态的监控，对结果进行展示和预警，为企业计算损失、做出决策提供有力帮助；本发明借助算法模型，通过分析不同情况下的设备运行状态，来分析设备能耗等指标，优化了原本使用的机械的，仅基于单一的标准、单一的预警方式，使得监控结果更有说服力，为企业节约成本。
本方案包括五个部分：①数据采集模块1；②数据预处理模块2；③设备电流分组模块3；④设备运行状态模块4；⑤在线监控模块5；
数据采集模块1：通过智能设备内置或外接的传感器，采集设备运行状态数据，包括每台设备各采集节点的开关量、温度、电流、转速、压力等，并进行归一化处理，将数据存入kafka消息队列中与该传感器对应的topic；
数据预处理模块2：
①从kafka中，获取每台设备电流采集节点的电流数据，根据电流节点相关性分析进行分组。然后根据相关性分析结果，构建电流采集节点分组状态Sn<Sn节点1电流，Sn节点2电流，Sn节点3电流...>，其中n∈<1,2,3...>；
②从kafka中采集设备运行状态Un<设备n所有节点数据>，其中n∈<1,2,3...>，所有节点数据包括设备开关、温度、电流、转速、压力。
设备电流分组模块3：使用设备电流分组状态Sn的历史状态数据，其中n∈<1,2,3...>，采用BP神经网络算法，并进行训练，构建设备电流分组模型，用于判断分组能耗异常状态；
设备运行状态模块4：单独使用每个设备运行状态Un的历史数据，其中n∈<1,2,3...>，采用BP神经网络算法，并进行训练，构建设备运行状态模型，用于判断每个设备是否处于能耗异常状态；
在线监控模块5：结合设备电流分组模型模型3与设备运行状态模型4的输出结果，对能耗异常设备进行界面显示与报警提示。
更具体的，以生产线的质量节点、产出节点所采集数据作为判定生产状态是否健康的指标，对设备电流分组状态数据Sn进行标注，以PVC压延设备为例，其中质量节点包括：瑕疵检测结果、测厚仪结果，采集数据表示产品是否有瑕疵、产品厚度；产出节点包括最后卷曲轮的采集节点：计重仪结果、长度计量仪结果，采集数据表示产品重量、产品长度；根据采集数据，可得具体情况为：
状态a.若产品无瑕疵、成品的厚度、长度和重量均在一个超过最低阈值，处在标准的范围内，说明生产状态正常，生产成品质量过关；
状态b.若产品有瑕疵，成品的厚度、长度和重量均在一个超过最低阈值，处在标准的范围内，说明生产状态不正常，生产成品质量不过关；
状态c.若产品无瑕疵，但成品的厚度、长度和重量不在标准的范围内，说明生产状态不正常，生产成品质量不过关；
状态d.若产品有瑕疵，成品的厚度、长度和重量不在标准的范围内，说明生产状态不正常，生产成品质量不过关；
基于设备电流分组构造模块3：
(1)以生产线的质量节点、产出节点所采集数据作为判定生产状态是否健康的指标，对设备电流分组状态数据Sn进行标注，得如下结果：
①处于状态a的数据Sn均可认为处于健康状态，其中n∈<1,2,3...>，对其进行标注，即可得数据集S’n，其中n∈<1,2,3...>，其中n∈<1,2,3...>：S’1<S’1节点1电流，S’1节点2电流，S’1节点3电流...，健康>、S’2<S’2节点4电流，S’2节点5电流，S’2节点6电流...，健康>..，其中n∈<1,2,3...>；
②处于状态b、c、d的数据Sn均可认为处于非健康状态，其中n∈<1,2,3...>，对其进行标注，即可得数据集S’n，其中n∈<1,2,3...>：S’1<S’1节点1电流，S’1节点2电流，S’1节点3电流...，不健康>、S’2<S’2节点4电流，S’2节点5电流，S’2节点6电流...，不健康>，其中n∈<1,2,3...>；
(2)针对分组S’n，其中n∈<1,2,3...>，进行构建BP神经网络算法，进行算法，得到设备电流分组算法模型；
基于设备运行状态模块4：
(1)以生产线的质量节点、产出节点所采集数据作为判定生产状态是否健康的指标，对设备运行状态数据Un进行标注，得如下结果：
①对处于状态a的数据Un均可认为处于健康状态，其中n∈<1,2,3...>，对其进行标注，即可得数据集U’n，其中n∈<1,2,3...>：U’1<设备1所有节点数据，健康>、U’2<设备2所有节点数据，健康>，其中n∈<1,2,3...>；
②处于状态b、c、d的数据Un均可认为处于非健康状态，其中n∈<1,2,3...>，对其进行标注，其中n∈<1,2,3...>，即可得数据集U’n，其中n∈<1,2,3...>：U’1<设备1所有节点数据，不健康>、U’2<设备2所有节点数据，不健康>，其中n∈<1,2,3...>；
(2)针对设备运行状态U’n，其中n∈<1,2,3...>，进行构建BP神经网络算法，进行算法，得到设备运行状态模型；
在线监控模块5：在相关仪器或显示屏对能耗异常设备进行显示提醒与预警，并在后续工作对异常设备进行相应控制；
实时监控的流程具体为：
(1)通过智能设备内置或外接的传感器，采集设备运行状态数据，包括每台设备各采集节点的数据，将数据存入kafka中与传感器对应的topic；
(2)对数据进行预处理：①从kafka中获取每台设备电流采集节点的电流数据，根据电流节点相关性分析进行结果分组，构建电流采集节点分组状态Sn<Sn节点1电流，Sn节点2电流，Sn节点3电流...>，其中n∈<1,2,3...>；②从kafka中获取设备运行状态Un<设备n所有节点数据>，其中n∈<1,2,3...>；
(3)根据分组Sn的视图，其中n∈<1,2,3...>，输入设备电流分组算法模型，实时监控设备能耗状态，判断整个生产流程中，各分组是否处于能耗异常，可判断出每一组的设备电流状态的关联性是否异常；若某组Sk1，其中k1∈<1,2,3...>，处于正常状态，则Sk1组的所有设备的能耗均处于正常状态，无需对其做任何处理；若某组Sk2，其中k2∈<1,2,3...>，处于异常状态，则表示Sk2组有某些设备的能耗处于异常状态，需要通过设备状态算法模型来进一步判断是哪个设备的能耗异常；
(4)从所有异常分组Sk，k∈<1,2,3...>，获得所包含的所有设备列表。获得所有需要进行检测的设备的设备运行状态视图Un，逐一进行输入设备状态模型进行匹配检测，判断是哪一个或几个设备处于能耗异常状态，判断单个设备的能耗是否异常，输出处于能耗异常状态的所有设备；
(5)在相关控制器、警报器或显示屏对能耗异常设备进行显示提醒与预警，并在后续工作对异常设备进行相应控制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (2)
1.一种智能生产设备中能耗监控装置，其特征在于，包括数据采集模块(1)、数据预处理模块(2)、设备电流分组模块(3)、设备运行状态模块(4)和在线监控模块(5)；其中：
所述数据采集模块(1)设置于智能生产设备上，采集智能生产设备能耗数据，并将能耗数据传输至所述数据预处理模块(2)；所述数据采集模块(1)包括若干个传感器和数据解析器；其中：所述传感器内置或外接在智能生产设备上，用于采集智能生产设备能耗数据，并将能耗数据传输至所述数据解析器；所述数据解析器用于对能耗数据进行解析处理，并将解析后的数据传入流式消息队列，等待所述数据预处理模块(2)调用处理；
所述能耗数据包括每台智能生产设备各采集节点的开关量、温度、电流、转速和压力；
所述数据预处理模块(2)对能耗数据进行预处理，得到设备的节点分组状态和运行状态；所述预处理过程包括：所述数据预处理模块(2)从流式数据中，获取每台设备电流采集节点的电流数据，根据电流节点相关性分析进行分组；根据相关性分析结果，构建设备的节点分组状态；所述数据预处理模块(2)从流式消息队列采集设备运行状态；
所述设备电流分组模块(3)用于构建设备电流分组模型，并根据设备的节点分组状态判断分组内设备之间能耗的关联异常，输出能耗异常；在所述设备电流分组模块(3)中，使用设备的节点分组状态的历史数据，采用BP神经网络算法，并进行训练，得到设备电流分组模型；将所述数据预处理模块(2)构建的节点分组状态作为所述设备电流分组模型输出，判断分组内设备之间能耗的关联异常，输出能耗异常；
所述设备运行状态模块(4)用于构建设备运行状态模型，根据设备的运行状态及能耗异常，判断单个设备的能耗异常；在所述设备运行状态模块(4)中，使用每个设备运行状态的历史数据，采用BP神经网络算法，并进行训练，得到设备运行状态模型；将所述数据预处理模块(2)构建的设备运行状态及所述设备电流分组模块(3)生成的能耗异常作为输入，判断单个设备的能耗异常；
所述在线监控模块(5)根据所述设备电流分组模块(3)、设备运行状态模块(4)的输出结果，对能耗异常设备进行显示和报警提示；所述在线监控模块(5)包括微处理器(51)、显示模块(52)、输入模块(53)和报警模块(54)；其中：所述输入模块(53)用于输入操作指令，其输出端与所述微处理器(51)输入端电性连接；所述微处理器(51)输出端与所述显示模块(52)信号输入端电性连接；所述微处理器(51)与所述报警模块(54)控制端电性连接；所述微处理器(51)输入端与所述设备运行状态模块(4)输出端电性连接。
2.根据权利要求1所述的一种智能生产设备中能耗监控装置的一种智能生产设备中能耗监控装置的运行方法，其特征在于，包括以下步骤：
S1：在智能生产设备上布设数据采集模块(1)，采集智能生产设备能耗数据；即通过在智能生产设备上内置或外接传感器，采集智能生产设备能耗数据；并将能耗数据进行解析处理，将解析后的数据传入流式消息队列，等待数据预处理模块(2)调用处理；
S2：通过数据预处理模块(2)对能耗数据进行预处理，得到设备的节点分组状态和运行状态；
S3：通过设备电流分组模块(3)训练设备电流分组模型，将设备的节点分组状态作为设备电流分组模型的输入，判断分组内设备之间能耗的关联异常，输出能耗异常；即将设备的节点分组状态的历史数据作为训练集，训练BP神经网络，得到设备电流分组模型；将数据预处理模块(2)构建的节点分组状态作为设备电流分组模型输出，判断分组内设备之间能耗的关联异常，输出能耗异常；
S4：通过设备运行状态模块(4)训练设备运行状态模型，将设备的运行状态及能耗异常作为设备运行状态模型的输入，判断单个设备的能耗异常；即将每个设备运行状态的历史数据作为训练集，训练BP神经网络，得到设备运行状态模型；将数据预处理模块(2)构建的设备运行状态及设备电流分组模块(3)生成的能耗异常作为输入，判断单个设备的能耗异常；
S5：根据设备电流分组模块(3)、设备运行状态模块(4)的输出结果，在在线监控模块(5)上对能耗异常设备进行显示和报警提示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011640533.8A CN112859769B (zh) | 2020-12-31 | 2020-12-31 | 一种智能生产设备中能耗监控装置及其运行方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011640533.8A CN112859769B (zh) | 2020-12-31 | 2020-12-31 | 一种智能生产设备中能耗监控装置及其运行方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112859769A CN112859769A (zh) | 2021-05-28 |
| CN112859769B true CN112859769B (zh) | 2022-09-06 |
Family
ID=76000653
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011640533.8A Active CN112859769B (zh) | 2020-12-31 | 2020-12-31 | 一种智能生产设备中能耗监控装置及其运行方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112859769B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113485279B (zh) * | 2021-08-19 | 2022-04-01 | 安徽三马信息科技有限公司 | 一种基于全视角人工智能的工厂设备启停节能管理*** |
| CN113464414A (zh) * | 2021-08-23 | 2021-10-01 | 广东鑫钻节能科技股份有限公司 | 一种空压站的节能运行方法 |
| CN114200984B (zh) * | 2021-12-10 | 2022-09-27 | 黄山奥仪电器有限公司 | 一种15路组合一体化电流型温度控制器 |
| CN117684243B (zh) * | 2024-02-04 | 2024-04-09 | 深圳市海里表面技术处理有限公司 | 一种智能电镀控制***及控制方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107271764A (zh) * | 2017-06-19 | 2017-10-20 | 宁波三星医疗电气股份有限公司 | 一种用电器耗电异常检测方法及装置 |
| CN109051104A (zh) * | 2018-06-29 | 2018-12-21 | 江苏高远智能科技有限公司 | 一种灌装机运行状态智能化检测***和方法 |
| CN109613908A (zh) * | 2018-11-23 | 2019-04-12 | 浙江永发机电有限公司 | 一种具有云大数据平台的智能电机*** |
| CN110217656A (zh) * | 2019-06-20 | 2019-09-10 | 江苏正一物联科技有限公司 | 带能耗分析的电梯群管理监控***及方法 |
| CN111191881A (zh) * | 2019-12-13 | 2020-05-22 | 大唐东北电力试验研究院有限公司 | 一种基于大数据的火电机组工业设备状态监测方法 |
| CN111611254A (zh) * | 2020-04-30 | 2020-09-01 | 广东良实机电工程有限公司 | 设备能耗异常监测方法、装置、终端设备及存储介质 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| BRPI0705569A2 (pt) * | 2007-09-11 | 2009-05-05 | Univ Minas Gerais | método para medição e monitoramento |
| AU2013101573A4 (en) * | 2013-11-29 | 2014-01-09 | Macau University Of Science And Technology | Method for predicting and detecting network intrusion into a computer network |
| CN106126385B (zh) * | 2016-06-14 | 2018-09-07 | 电子科技大学 | 一种基于同步数据流压缩的设备异常实时检测方法 |
| CN107666399A (zh) * | 2016-07-28 | 2018-02-06 | 北京京东尚科信息技术有限公司 | 一种监控数据的方法和装置 |
| CN106484971B (zh) * | 2016-09-23 | 2019-07-02 | 北京清控人居环境研究院有限公司 | 一种排水管网监测点的自动识别方法 |
| CN106959394B (zh) * | 2017-02-15 | 2019-11-22 | 清华大学 | 一种高压大容量statcom状态评估方法和*** |
| CN110469496B (zh) * | 2019-08-27 | 2021-04-09 | 苏州热工研究院有限公司 | 一种水泵智能预警方法及*** |
| CN111080466A (zh) * | 2019-12-03 | 2020-04-28 | 广东工业大学 | 一种基于大数据的压延机压延质量预警*** |
-
2020
- 2020-12-31 CN CN202011640533.8A patent/CN112859769B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107271764A (zh) * | 2017-06-19 | 2017-10-20 | 宁波三星医疗电气股份有限公司 | 一种用电器耗电异常检测方法及装置 |
| CN109051104A (zh) * | 2018-06-29 | 2018-12-21 | 江苏高远智能科技有限公司 | 一种灌装机运行状态智能化检测***和方法 |
| CN109613908A (zh) * | 2018-11-23 | 2019-04-12 | 浙江永发机电有限公司 | 一种具有云大数据平台的智能电机*** |
| CN110217656A (zh) * | 2019-06-20 | 2019-09-10 | 江苏正一物联科技有限公司 | 带能耗分析的电梯群管理监控***及方法 |
| CN111191881A (zh) * | 2019-12-13 | 2020-05-22 | 大唐东北电力试验研究院有限公司 | 一种基于大数据的火电机组工业设备状态监测方法 |
| CN111611254A (zh) * | 2020-04-30 | 2020-09-01 | 广东良实机电工程有限公司 | 设备能耗异常监测方法、装置、终端设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112859769A (zh) | 2021-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112859769B (zh) | 一种智能生产设备中能耗监控装置及其运行方法 | |
| KR102427205B1 (ko) | 인공지능 모델을 위한 학습 데이터 생성 장치 및 방법 | |
| CN113420162B (zh) | 一种基于知识图谱的设备运行链状态监测方法 | |
| CN113657221A (zh) | 一种基于智能感知技术的电厂设备状态监测方法 | |
| CN113177646A (zh) | 一种基于自适应边缘代理的配电设备在线监测方法及*** | |
| CN110728381A (zh) | 一种基于rfid和数据处理的发电厂智能巡检方法及*** | |
| CN109598309B (zh) | 一种金属包装冲压机的检测***及其监测方法 | |
| CN117933808A (zh) | 基于生产过程监控的生产质量评估方法及*** | |
| CN113611096A (zh) | 一种空压站电能消耗监测预警*** | |
| TW201017447A (en) | An early stage abnormality prediction device for fabrication process and its prediction method | |
| CN110514699B (zh) | 一种线缆缺陷在线检测*** | |
| CN116185757B (zh) | 机房能耗智能监测*** | |
| CN117761416A (zh) | 一种母线槽在线监测*** | |
| CN116277001A (zh) | 一种基于数字孪生的连铸机器人管理方法及其*** | |
| CN116399462A (zh) | 一种数字可视化电缆感温预警方法及*** | |
| CN115378140A (zh) | 基于图像识别的无人机电力设备巡检***及方法 | |
| CN114062923A (zh) | 一种基于电流磁致信号和高次谐波诊断技术的电机故障在线超前预警*** | |
| CN106059093A (zh) | 智能变电站健康状态监测*** | |
| TWM604689U (zh) | 應用於切割製程之智能監控系統 | |
| CN112612360A (zh) | 一种基于vr技术的三维可视化设备监控***及方法 | |
| CN205139687U (zh) | 一种线束压着品质在线管理*** | |
| CN215642375U (zh) | 一种设备集中监控*** | |
| CN117807155B (zh) | 多维度预警提示信息的生成方法、设备及存储介质 | |
| CN115049277A (zh) | 一种生产设备管理方法及*** | |
| CN113740588B (zh) | 一种工业机器人智能预警方法及*** |
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 |