CN113554524B - 基于工业互联网的生产智能监控方法、***及存储介质 - Google Patents
基于工业互联网的生产智能监控方法、***及存储介质 Download PDFInfo
- Publication number
- CN113554524B CN113554524B CN202110864290.4A CN202110864290A CN113554524B CN 113554524 B CN113554524 B CN 113554524B CN 202110864290 A CN202110864290 A CN 202110864290A CN 113554524 B CN113554524 B CN 113554524B
- Authority
- CN
- China
- Prior art keywords
- production
- current
- model
- current data
- monitoring
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 137
- 238000000034 method Methods 0.000 title claims abstract description 105
- 238000012544 monitoring process Methods 0.000 title claims abstract description 71
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 62
- 238000002372 labelling Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000013500 data storage Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000007635 classification algorithm Methods 0.000 claims description 8
- 238000002790 cross-validation Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 4
- 238000003754 machining Methods 0.000 abstract description 6
- 238000011161 development Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012806 monitoring device Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000411 inducer Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Manufacturing & Machinery (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的基于工业互联网的生产智能监控方法、***及存储介质，包括模型建立过程与应用模型进行监控的过程：其中模型建立过程包括：S10、形成电流标注样本池；S20、预测模型池；利用应用模型进行监控的过程包括：S30、获取生产设备当前电流数据，输入到该生产设备下的各预测模型中，输出匹配且置信度最高的模型，作为目标预测模型；S40、基于目标预测模型，确定该生产设备当前所生产产品以及生产工序；S50、基于生产产品所包含生产工序情况，实现产能监控；本发明作用于机加工环节，无需为工厂定制一套专用的产能监控设备，因此可大幅度避免定制化开发，能满足大多数中小型企业的成本控制需求，且能够实现产能、产量实时监控。
Description
技术领域
本发明涉及工业互联网技术领域，尤其涉及基于工业互联网的生产智能监控方法、***及存储介质。
背景技术
在机加工设备进行产品生产的过程中，企业管理者对于设备的产能、产量实时统计有着较高的关注度。现有进行产量、产能实时统计的方法大体可归结为两大类。第一类属于人工统计盘点，实施过程中有着较高的人力成本，且人工统计还会存在着过失误差。第二类属于利用多个维度的硬件进行设备监测，精准度较高，且人工监控和统计的成本有着显著的降低，但部署一套这类监测***需要进行定制化服务，对工厂内设备要求较高，同时也对企业产生额外高额成本负担，绝大多数的中小型企业并不愿意承担这样一套定制化服务。
发明内容
本发明提供一种基于工业互联网的生产智能监控方法、***及存储介质，作用于机加工环节，且大幅度避免定制化开发，能满足大多数中小型企业的成本控制需求，且能够实现产能、产量实时监控。
为解决上述技术问题，本发明提供一种基于工业互联网的生产智能监控方法，包括模型建立过程与应用模型进行监控的过程：
所述模型建立过程包括：
S10、对企业生产设备进行电流监控，获取各生产设备的电流数据，并对该电流数据所属生产产品以及生产工序进行关联标注，形成电流标注样本池；
S20、针对同一生产产品下同一生产工序中的电流标注样本，分别采用有监督学习的方式，利用至少两种二分类算法分别进行模型训练，并对模型进行交叉验证与测试，选择匹配度最高的算法纳入预测模型池；
利用所述应用模型进行监控的过程包括：
S30、获取生产设备当前电流数据，输入到该生产设备下的各预测模型中，输出匹配且置信度最高的模型，作为目标预测模型；
S40、基于所述目标预测模型，确定该生产设备当前所生产产品以及生产工序；
S50、基于生产产品所包含生产工序情况，实现产能监控。
进一步的，所述电流数据为时序数据，包括设定时段内不同时刻对应的电流值；在所述步骤S10之后，在所述步骤S20之前，还包括对所述电流数据进行转换处理，包括：
将所述电流数据所包含的不同时刻对应的电流值通过one-hot编码转换为N*[Imax-Imin]形状的0-1稀疏矩阵，所述N为同一生产产品下同一工序中样本的最大时间步长，所述Imax为该电流数据中的最大电流值，所述Imin为该电流数据中的最小电流值，[X]为对数字X向上取整；
所述步骤S30在获取生产设备当前电流数据之后，在输入到该生产设备下的各预测模型中之前，还包括：按照上述转换处理过程对该当前电流数据进行处理。
进一步的，在所述模型建立过程中，所述电流数据在所述设定时段内按照设定频率进行采集不同时刻对应的电流值，其中电流值个数不足所述N，以该设定时段内的最后一个电流值补足，使得电流个数等于所述N。
进一步的，在所述对所述电流数据进行转换处理之前，还包括：对所述电流数据进行降噪处理。
进一步的，所述二分类算法包括逻辑回归、One-Class SVM、决策树。
进一步的，所述方法还包括：当企业出现新的生产产品或新的生产工序时，采集该新的生产产品/生产工序对应的电流数据，并通过所述步骤S10和S20生成新的预测模型纳入到所述预测模型池中。
本发明还提供一种基于工业互联网的生产智能监控***，包括：
电流采集设备，与企业生产设备驱动***主轴电机电连接，用于检测并采集该生产设备驱动***主轴电机的电流数据；并上传至数据存储平台；
监控分析平台，用于从搜书数据存储平台获取电流数据，以实现如上任一项所述的基于工业互联网的生产智能监控方法的步骤。
进一步的，所述数据存储平台为阿里云IoT云平台。
本发明还提供一种存储介质，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的基于工业互联网的生产智能监控方法的步骤。
本发明的有益效果是：
根据本发明提供的基于工业互联网的生产智能监控方法、***及存储介质，包括模型建立过程与应用模型进行监控的过程：其中模型建立过程包括：S10、对企业生产设备进行电流监控，获取各生产设备的电流数据，并对该电流数据所属生产产品以及生产工序进行关联标注，形成电流标注样本池；S20、针对同一生产产品下同一生产工序中的电流标注样本，分别采用有监督学习的方式，利用至少两种二分类算法分别进行模型训练，并对模型进行交叉验证与测试，选择匹配度最高的算法纳入预测模型池；利用应用模型进行监控的过程包括：S30、获取生产设备当前电流数据，输入到该生产设备下的各预测模型中，输出匹配且置信度最高的模型，作为目标预测模型；S40、基于目标预测模型，确定该生产设备当前所生产产品以及生产工序；S50、基于生产产品所包含生产工序情况，实现产能监控。本发明作用于机加工环节，实际应用时只需要在给工厂的设备配置相应的电流采集设备即可，无需为工厂定制一套专用的产能监控设备，因此可大幅度避免定制化开发，能满足大多数中小型企业的成本控制需求，且能够实现产能、产量实时监控。
附图说明
图1为本发明实施例一的基于工业互联网的生产智能监控***结构示意图；
图2为本发明实施例一的模型训练数据处理流程示意图；
图3为本发明实施例一的建模流程示意图；
图4为本发明实施例一的更新模型数据处理流程示意图；
图5为本发明实施例一的工序匹配流程示意图；
图6为本发明实施例一的单个模型存储内容示意图；
图7为本发明实施例一的单件产品关联信息存储内容示意图；
图8为本发明实施例二的基于工业互联网的生产智能方法流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下面通过具体实施方式结合附图对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例一：
本发明提供的基于工业互联网的生产智能监控方法，是基于本发明所提供的基于工业互联网的生产智能监控***所实现的，故本实施例首先对生产智能监控***的结构及其功能详细说明。
请参见图1，电流采集设备连接至生产设备驱动***主轴电机，一组电流采集设备与一台生产设备进行一一关联，间隔10秒监测并采集生产设备驱动***主轴电机的三相电流数据。
电流采集设备同步将采集到的电流数据发送至数据存储平台，数据存储平台接收和存储电流信息数据，主要包括生产设备Mac，电流采集设备ID，采集时间与电流大小等。
本实施例中，数据存储平台基于阿里云IoT云平台实现，便于电流采集设备的统一配置，可针对不同企业，不同地区的用户实现快速部署。
监控分析平台内部设置定时任务向阿里云IoT平台获取每一台电流采集设备的最新电流数据，定时任务间隔与电流采集设备采集间隔保持一致。
由企业使用者根据生产需求，进行设备、工序、产品的关联。同时以部分生产时的监测电流数据为样本，进行电流信息与产品、工序的关联。形成电流标注样本池。
获取标注样本，采用监督学习的方式，采用多种二分类算法同步进行的方式，分类结果为匹配或不匹配，并对模型进行交叉验证与测试，选择匹配结果最优的模型进行使用。单个模型与生产设备、工序、产品三者的唯一组合进行一一关联，即利用该生产设备生产该产品时该工序下的样本进行训练，得到对应的一个模型。模型的训练流程如图2所示。
为了降低电流数据误差对模型训练以及监控结果的影响，在进行模型训练时，对电流数据进行降噪处理。
电流数据的误差主要有两种分类：第一类是生产设备异常电流，第二类是采集设备异常。
造成生产设备异常电流的主要原因有如下几种：①生产设备老旧；②操作不规范；③超出规定范围使用；④无保养或未按照规范进行保养等。
其中，由设备老旧造成的电流异常，不会影响电流形成的最终波形形状，但整体幅度会相应的下降或上升，在不影响预测结果的情况下无需处理，如影响预测结果，则需更新对应设备的电流样本。其余诱因造成的异常电流，均属于噪声电流数据，应当去除该时间节点后当做缺失值进行处理。
采集设备造成电流数据异常的原因有如下几种：①数据无线传输信号弱；②根据电流采集设备性能，温度过高或过低等外部因素均有可能造成设备监测不精确等。
其中数据无线传输信号异常将会导致IoT平台无法接收到信号数据，切断了数据源，当做缺失值处理。电流采集设备外部因素导致的异常，应当在设备安装时尽可能的按照规范进行安装，并在进行样本采集阶段尽可能的采集多种情况下的同一种工序样本。
在对电流数据进行降噪之后，为了尽可能的减少因采集时间间隔而造成的误差，本方案还包括对电流数据进行数据转换生成稀疏矩阵。
每一个电流采集设备收集到的数据均为一个时序数据，以设备、工序和产品组合为样本分类标准，获取同类样本的最大时间步长，并将不足最大步长的样本填充步长至最大步长，填充值为样本最后一个时间节点数据。
获取同类样本的电流最大值与最小电流值，结合收集精度为标准，划分电流编码离散区间，并对每个时间节点的电流值进行one-hot编码。例如收集到的时序电流数据为：
device_val＝[0.01，1.06，1.65，2.33，5.19，4.33，7.39，5.47，6.58，3.2]
则建立编码区间为[0，8]，步长为1。根据one-hot编码形成10*8的稀疏矩阵。同一类样本的矩阵形状保持一致。形成的矩阵如下所示。
| 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 |
| 0 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 |
| 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 |
| 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 |
| 0 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
使用one-hot编码形成稀疏矩阵的形式主要考虑因素为，采集的间隔会造成收集到的电流数据并不一定每次生产都是在同一个波形节点上收集的。但机加工过程中，如出现突变电流基本属于异常，常规状况下电流的变化需要一段时间。采用one-hot与最大最小值进行区间编码可以确保尽可能的减少因采集时间间隔而造成的误差。同样的考虑因素，处理缺失值时，采用上一个时间节点与下一个时间节点电流值的均值进行填充。
模型的建立时，采用逻辑回归、One-Class SVM、决策树等多种二分类算法同步进行训练的方式，根据交叉验证与测试等相关模型评估后，选择匹配度最高的算法作为最优算法纳入到预测模型池内，其余模型作为备用模型存入备份模型池。其中不同核函数或不同超参数的One-Class SVM，可作为不同的模型，从二分类算法池中进行同步训练与评估，例如核函数为sigmoid函数，方程为tanh(gamma*u'*v+coef0)，其中gamma与coef0为超参数，u’与v为样本相关统计量。详细流程如图3所示。
当已有模型的设备-工序-产品的组合唯一标识，出现新增标记样本时，也即出现新的设备、或者出现新的产品，或者出现新的工序时，都将触发模型更新，模型的更新过程包含读取最新的所有样本，返回至降噪、数据转换与建模的流程，并将重新训练的模型更新至模型池内。流程如图4所示。
基于已经建立完成的模型，即可读取生产设备电流值输入该生产设备下的所有模型，实现工序匹配，也即确定当前正在生产什么产品，处于什么工序阶段，进入审查预测阶段。
单一生产设备进行预测阶段，输入数据为该设备下最新时间节点电流值。根据该生产设备下每个模型中最大时间步长，获取以当前时间节点往前推对应步长上所包含的所有时间节点的电流数据。并进行相应的降噪与转换处理。
将该最新时间节点电流数据，与该生产设备下所有模型均进行一次匹配，并根据匹配结果进行相应的返回。如匹配过程中存在多个匹配模型，则返回置信度最高的模型，作为目标预测模型。详细流程如图5所示。
基于目标预测模型，即可确定该生产设备当前所生产产品以及生产工序。单个目标预测模型存储的信息包括设备Mac、工序id、产品id、模型类型、模型超参数、模型参数、取样最大时间步长与最小时间步长，关联样本集id。因此，可根据该目标预测模型，确定当前最新电流数据当前所生产产品以及生产工序。
可选的，模型存储的信息采用key-value式非结构化的方式进行存储。单个模型存储的内容如图6所示。本实施例的单模型容量小，计算效率高，新增、删除、更新模型便捷，易于迁移与定制化处理。
本实施例中，可进一步基于生产产品所包含生产工序情况，实现产能监控。具体的，通过产品信息关联池获取生产产品所包含生产工序情况，例如产品信息关联池内所包含的信息有设备Mac、产品id、工序id、对应的产品信息，同一种生产设备下可能会进行生产多种工序，一件产品可能由单个或多个工序组合而成，一道工序通产只对应一种产品。单条产品信息存储内容如图7所示。
当最新时间节点的电流数据与某设备生产某产品下的某工序对应的模型匹配上后，即可得到对应所生产产品和所处工序等匹配信息，将匹配信息添加至产能统计信息库中，需存储下的信息包括匹配的设备Mac、工序id、起止时间等，其中同一设备下的起止时间不会出现重合或部分重合的情况。
通过结合产能统计信息库与产品信息关联池，进行工序的组装，即可统计出相关时段内最终成型产品的产量信息，也可对某设备的生产情况进行监控统计。
例如，需要统计前一天产品A的生产情况，根据产品信息关联词可知产品A需要经过1，2，3，4四道工序才能生产完成，获取前一天的产能统计信息库，设备S1完成1000次工序1，设备S2完成1000次工序2，设备S3完成998次工序3，设备S4完成950次工序4，则统计得知前一天累计生产产品A成型产品有950件；同理可实现对其他生产产品的产能监控。
本发明还可提供移动端或PC端随时查看产能数据的功能，移动端或PC端通过设备ID、设备名称、产品ID、产品名称等方式进行筛选，***可返回相关时间段内的产能监控统计数据，供企业技术人员、管理人员等随时了解相关生产数据，为企业生产经营提供帮助。
根据本实施例提供的基于工业互联网的生产智能监控***，包括电流采集设备，数据存储平台，监控分析平台，通过本发明实现了产能、产量实时监控，且满足了大多数中小型企业的成本控制需求；适用于各种工业互联网应用场景，且部署成本低，便于全国范围内推广使用。
实施例二：
本实施例在上述实施例一的基础上，提供一种基于工业互联网的生产智能监控方法，请参见图8，主要包括模型建立过程和应用模型进行产能监控的过程：
其中，模型建立过程包括：
S10、对企业生产设备进行电流监控，获取各生产设备的电流数据，并对该电流数据所属生产产品以及生产工序进行关联标注，形成电流标注样本池；
本实施例中，还包括对电流数据进行降噪处理。
本实施例中，电流数据为时序数据，包括设定时段内不同时刻对应的电流值；在步骤S10之后，在步骤S20之前，还包括对电流数据进行转换处理，包括：
将电流数据所包含的不同时刻对应的电流值通过one-hot编码转换为N*[Imax-Imin]形状的0-1稀疏矩阵，其中N为同一生产产品下同一工序中样本的最大时间步长，Imax为该电流数据中的最大电流值，Imin为该电流数据中的最小电流值，[X]为对数字X向上取整；
S20、针对同一生产产品下同一生产工序中的电流标注样本，分别采用有监督学习的方式，利用至少两种二分类算法分别进行模型训练，并对模型进行交叉验证与测试，选择匹配度最高的算法纳入预测模型池；
在模型建立过程中，电流数据在设定时段内按照设定频率进行采集不同时刻对应的电流值，其中电流值个数不足N，以该设定时段内的最后一个电流值补足，使得电流个数等于N。
在本发明的其他实施例中，当企业出现新的生产产品或新的生产工序时，采集该新的生产产品/生产工序对应的电流数据，并通过步骤S10和S20生成新的预测模型纳入到预测模型池中。
利用应用模型进行监控的过程包括：
S30、获取生产设备当前电流数据，输入到该生产设备下的各预测模型中，输出匹配且置信度最高的模型，作为目标预测模型；
可选的，二分类算法包括逻辑回归、One-Class SVM、决策树。
步骤S30在获取生产设备当前电流数据之后，在输入到该生产设备下的各预测模型中之前，还包括：按照上述转换处理过程对该当前电流数据进行处理。
S40、基于目标预测模型，确定该生产设备当前所生产产品以及生产工序；
S50、基于生产产品所包含生产工序情况，实现产能监控。
为了更好地理解本发明，下面给出具体的案例进行简单说明：
以产品A为例，产品id为product-A。
生产产品A需要2道机加工工序，工序id分别为procedure-A-001、procedure-A-002。
生产2道工序的生产设备Mac码分别为，device-001、device-002。
对应电流监测设备id为，material-001、material-002。
匹配模型id为，model-A-001与model-A-002。
标记样本id为，sample-A-001-001，sample-A-001-002，sample-A-001-003与sample-A-002-001、sample-A-002-002、sample-A-002-003。
对应关系：
1.产品product-A由工序procedure-A-001和procedure-A-002进行生产；
2.电流监测设备material-001与device-001、material-002与device-002一一对应进行监测。
3.标记样本sample-A-001-001、sample-A-001-002、sample-A-001-003三项对应工序procedure-A-001以及训练出模型model-A-001；样本sample-A-002-001、sample-A-002-002、sample-A-002-003三项对应工序procedure-A-002以及训练出模型model-A-002。
4.模型model-A-001匹配产品product-A下的工序procedure-A-001，model-A-002同理。
监控流程：
1.每隔10秒，电流监测设备material-001与material-002发送生产设备device-001与device-002的电流信息至阿里云IoT平台，主要包含字段有监测设备id(material-001)、监测时间(create_time)、监测电流值(device_val)。
2.匹配***内间隔10秒，获取阿里云IoT平台最近10秒以内所有新数据，重复数据进行删除处理。
3.模型训练：
3.1人工记录下生产设备device-001与device-002各自进行三次工序procedure-A-001和procedure-A-002生产的时间，记录完毕后，在匹配***内标记出工序procedure-A-001与procedure-A-002生产时期电流监测设备material-001与material-002采集到的电流区间。各自标记出sample-A-001-001、sample-A-001-002、sample-A-001-003与sample-A-002-001、sample-A-002-002、sample-A-002-003共计六个样本。
3.2将sample-A-001-XXX与sample-A-002-XXX两组样本分别进行训练。以sample-A-001-001为例，该样本标注了N个时间节点的电流值，该电流波形代表为设备device-001生产产品product-A的procedure-A-001工序。这N个电流最大值为Imax、最小值为Imin。将该N个值通过one-hot编码转换为N*[Imax-Imin]注形状的0-1稀疏矩阵。剩下5个样本依次做出相同的转换，各自标记为S11、S12、S13与S21、S22、S23，假定两组样本各自的最大样本时间步长为N与M。
注：[X]为对数字X向上取整，例如[1.1]＝2。
3.3三个样本转换后的矩阵S11、S12、S13放入二分类算法池，训练得出一个交叉验证与测试效果最佳的模型model-A-001，加入预测模型池。同理采用的样本矩阵为S21、S22、S23训练得出模型model-A-002，同样加入预测模型池。
4.工序匹配
当model-A-001与model-A-002模型训练完毕后，每当匹配***向阿里云IoT平台获取一次数据时，匹配***以material-001与material-002最新的数据为起始，往前分别获取N个与M个时间节点的电流数据，并分别传入模型model-A-001与model-A-002中，返回当前时间节点是否匹配上，保存至匹配记录表内。
5.产能、产量统计
根据产品关联池中的产品product-A由工序procedure-A-001和procedure-A-002组成，指定时间段，从匹配记录表中统计匹配上的工序procedure-A-001和procedure-A-002数量，以就近时间原则，组合工序procedure-A-001和procedure-A-002完成数量，统计得出指定时间段内匹配上生产出的product-A数量。
根据本实施例提供的基于工业互联网的生产智能监控***，有机的结合物联网与机器学习，有效的对设备生产过程进行产能、产量监测，减少了大量维护成本，提高了生产效率；实际应用时只需要在给工厂生产设备配置相应的电流采集设备即可，无需为工厂定制一套专用的产能监控设备，对于企业而言，前期部署和配套成本低，对于生产设备的要求不高，通用性较强，有利于推广使用。
实施例三：
本实施例在上述实施例二的基础上，提供一种计算机可读存储介质，该计算机可读介质存储有一个或者多个程序，该一个或者多个程序可被一个或者多个处理器执行，以实现如实施例二中所述的基于工业互联网的生产智能监控方法的步骤。具体请参见上述实施例二中的描述，在此不再赘述。
显然，本领域的技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在计算机存储介质(ROM/RAM、磁碟、光盘)中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以，本发明不限制于任何特定的硬件和软件结合。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (8)
1.一种基于工业互联网的生产智能监控方法，其特征在于，包括模型建立过程与应用模型进行监控的过程：
所述模型建立过程包括：
S10、对企业生产设备进行电流监控，获取各生产设备的电流数据，并对该电流数据所属生产产品以及生产工序进行关联标注，形成电流标注样本池；
S20、针对同一生产产品下同一生产工序中的电流标注样本，分别采用有监督学习的方式，利用至少两种二分类算法分别进行模型训练，并对模型进行交叉验证与测试，选择匹配度最高的算法纳入预测模型池；
利用所述应用模型进行监控的过程包括：
S30、获取生产设备当前电流数据，输入到该生产设备下的各预测模型中，输出匹配且置信度最高的模型，作为目标预测模型；
S40、基于所述目标预测模型，确定该生产设备当前所生产产品以及生产工序；
S50、基于生产产品所包含生产工序情况，实现产能监控；
所述电流数据为时序数据，包括设定时段内不同时刻对应的电流值；
在所述步骤S10之后，在所述步骤S20之前，还包括对所述电流数据进行转换处理，包括：
将所述电流数据所包含的不同时刻对应的电流值通过one-hot编码转换为N*[Imax-Imin]形状的0-1稀疏矩阵，所述N为同一生产产品下同一工序中样本的最大时间步长，所述Imax为该电流数据中的最大电流值，所述Imin为该电流数据中的最小电流值，[X]为对数字X向上取整；
所述步骤S30在获取生产设备当前电流数据之后，在输入到该生产设备下的各预测模型中之前，还包括：按照上述转换处理过程对该当前电流数据进行处理。
2.如权利要求1所述的基于工业互联网的生产智能监控方法，其特征在于，在所述模型建立过程中，所述电流数据在所述设定时段内按照设定频率进行采集不同时刻对应的电流值，其中电流值个数不足所述N，以该设定时段内的最后一个电流值补足，使得电流个数等于所述N。
3.如权利要求2所述的基于工业互联网的生产智能监控方法，其特征在于，在所述对所述电流数据进行转换处理之前，还包括：对所述电流数据进行降噪处理。
4.如权利要求1-3任一项所述的基于工业互联网的生产智能监控方法，其特征在于，所述二分类算法包括逻辑回归、One-Class SVM、决策树。
5.如权利要求1-3任一项所述的基于工业互联网的生产智能监控方法，其特征在于，所述方法还包括：当企业出现新的生产产品或新的生产工序时，采集该新的生产产品/生产工序对应的电流数据，并通过所述步骤S10和S20生成新的预测模型纳入到所述预测模型池中。
6.一种基于工业互联网的生产智能监控***，其特征在于，包括：
电流采集设备，与企业生产设备驱动***主轴电机电连接，用于检测并采集该生产设备驱动***主轴电机的电流数据；并上传至数据存储平台；
监控分析平台，用于从所述数据存储平台获取电流数据，以实现如权利要求1-5任一项所述的基于工业互联网的生产智能监控方法的步骤。
7.如权利要求6所述的基于工业互联网的生产智能监控***，其特征在于，所述数据存储平台为阿里云IoT云平台。
8.一种存储介质，其特征在于，所述介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1至5中任一项所述的基于工业互联网的生产智能监控方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110864290.4A CN113554524B (zh) | 2021-07-29 | 2021-07-29 | 基于工业互联网的生产智能监控方法、***及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110864290.4A CN113554524B (zh) | 2021-07-29 | 2021-07-29 | 基于工业互联网的生产智能监控方法、***及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113554524A CN113554524A (zh) | 2021-10-26 |
| CN113554524B true CN113554524B (zh) | 2022-09-23 |
Family
ID=78133366
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110864290.4A Active CN113554524B (zh) | 2021-07-29 | 2021-07-29 | 基于工业互联网的生产智能监控方法、***及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113554524B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114428488B (zh) * | 2022-01-27 | 2024-06-18 | 重庆允丰科技有限公司 | 基于工业互联网平台的设备状态监控方法及*** |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102445640A (zh) * | 2011-09-30 | 2012-05-09 | 云南电力试验研究院(集团)有限公司 | 基于向量机和人工鱼群优化的gis设备智能识别方法 |
| CN102564644A (zh) * | 2011-12-20 | 2012-07-11 | 东北大学 | 一种加热炉生产过程中板坯温度在线测量方法 |
| CN107463480A (zh) * | 2017-07-22 | 2017-12-12 | 华映科技（集团）股份有限公司 | 基于设备电流id的设备类型快速辨识方法 |
| US10061637B1 (en) * | 2017-01-19 | 2018-08-28 | Amdocs Development Limited | System, method, and computer program for automatic root cause analysis |
| KR101917157B1 (ko) * | 2018-07-03 | 2018-11-09 | 호전실업 주식회사 | 의류생산공장 스마트 모니터링 방법 및 시스템 |
| CN109947088A (zh) * | 2019-04-17 | 2019-06-28 | 北京天泽智云科技有限公司 | 基于模型全生命周期管理的设备故障预警*** |
| CN109979033A (zh) * | 2019-03-26 | 2019-07-05 | 广东艾胜物联网科技有限公司 | 一种基于宽度学习算法的工业生产产量监测方法 |
| CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和*** |
| CN111612221A (zh) * | 2020-04-29 | 2020-09-01 | 杭州拓深科技有限公司 | 一种基于电流指纹技术的工厂工效统计方法 |
| CN111695743A (zh) * | 2020-06-23 | 2020-09-22 | 信阳农林学院 | 工厂化食品安全生产监控方法、装置、设备及存储介质 |
| CN112171376A (zh) * | 2020-08-21 | 2021-01-05 | 杭州玖欣物联科技有限公司 | 一种基于电流信号分割的机床工件实时统计方法 |
| CN112486130A (zh) * | 2020-12-08 | 2021-03-12 | 珠海格力电器股份有限公司 | 生产线管理***及方法 |
| CN113009832A (zh) * | 2021-03-10 | 2021-06-22 | 中南大学 | 一种基于数据驱动的液态介质熔铝炉模型预测控制方法 |
-
2021
- 2021-07-29 CN CN202110864290.4A patent/CN113554524B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102445640A (zh) * | 2011-09-30 | 2012-05-09 | 云南电力试验研究院(集团)有限公司 | 基于向量机和人工鱼群优化的gis设备智能识别方法 |
| CN102564644A (zh) * | 2011-12-20 | 2012-07-11 | 东北大学 | 一种加热炉生产过程中板坯温度在线测量方法 |
| US10061637B1 (en) * | 2017-01-19 | 2018-08-28 | Amdocs Development Limited | System, method, and computer program for automatic root cause analysis |
| CN107463480A (zh) * | 2017-07-22 | 2017-12-12 | 华映科技（集团）股份有限公司 | 基于设备电流id的设备类型快速辨识方法 |
| CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和*** |
| KR101917157B1 (ko) * | 2018-07-03 | 2018-11-09 | 호전실업 주식회사 | 의류생산공장 스마트 모니터링 방법 및 시스템 |
| CN109979033A (zh) * | 2019-03-26 | 2019-07-05 | 广东艾胜物联网科技有限公司 | 一种基于宽度学习算法的工业生产产量监测方法 |
| CN109947088A (zh) * | 2019-04-17 | 2019-06-28 | 北京天泽智云科技有限公司 | 基于模型全生命周期管理的设备故障预警*** |
| CN111612221A (zh) * | 2020-04-29 | 2020-09-01 | 杭州拓深科技有限公司 | 一种基于电流指纹技术的工厂工效统计方法 |
| CN111695743A (zh) * | 2020-06-23 | 2020-09-22 | 信阳农林学院 | 工厂化食品安全生产监控方法、装置、设备及存储介质 |
| CN112171376A (zh) * | 2020-08-21 | 2021-01-05 | 杭州玖欣物联科技有限公司 | 一种基于电流信号分割的机床工件实时统计方法 |
| CN112486130A (zh) * | 2020-12-08 | 2021-03-12 | 珠海格力电器股份有限公司 | 生产线管理***及方法 |
| CN113009832A (zh) * | 2021-03-10 | 2021-06-22 | 中南大学 | 一种基于数据驱动的液态介质熔铝炉模型预测控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| "基于负荷电流分析的多机床运行状态识别研究";方腾飞;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅰ辑》;20130315(第3期);B022-602 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113554524A (zh) | 2021-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110659173A (zh) | 一种运维***及方法 | |
| CN111460728B (zh) | 一种工业设备剩余寿命预测方法、装置、存储介质及设备 | |
| CN111680820B (zh) | 分布式光伏电站故障诊断方法和装置 | |
| CN110335168B (zh) | 基于gru优化用电信息采集终端故障预测模型的方法及*** | |
| CN112257963A (zh) | 基于航天软件缺陷数据分布离群点的缺陷预测方法及装置 | |
| CN113554524B (zh) | 基于工业互联网的生产智能监控方法、***及存储介质 | |
| CN116881430B (zh) | 一种产业链识别方法、装置、电子设备及可读存储介质 | |
| CN112541510A (zh) | 基于多通道时间序列数据的智能故障诊断方法 | |
| CN114818353A (zh) | 一种基于故障特征关系图谱的列控车载设备故障预测方法 | |
| EP3928467B1 (en) | Managing telecommunication network event data | |
| CN114020715A (zh) | 一种日志数据的处理方法、装置、介质及设备 | |
| CN114548493A (zh) | 一种电能表电流过载预测方法与*** | |
| CN115759885B (zh) | 一种基于分布式物资供应下的物资抽检方法和装置 | |
| CN115809795B (zh) | 一种基于数字化的生产班组的承载能力评估方法和装置 | |
| CN110968518A (zh) | 自动化测试日志文件的分析方法及装置 | |
| CN105468658B (zh) | 一种数据清洗方法及装置 | |
| CN115064218B (zh) | 一种构建病原微生物数据鉴定平台的方法及装置 | |
| CN111124816A (zh) | 一种基于hdp算法的服务器日志分析方法及*** | |
| CN111965995B (zh) | 一种三库合一飞机航电***健康评估与预测***及其方法 | |
| CN110489311B (zh) | 自动检测电脑用户行为及自动更新检测模型的方法和*** | |
| CN113516200A (zh) | 模型训练方案生成的方法、装置、电子设备及存储介质 | |
| CN112579429A (zh) | 一种问题定位方法和装置 | |
| CN113742204A (zh) | 一种基于模糊测试的深度学习算子测试工具 | |
| CN117081666B (zh) | 故障预测方法、装置、电子设备、存储介质及程序产品 | |
| CN116502768B (zh) | 民航信息岗负荷预警方法、***及存储介质 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230601 Address after: Room 1-1-18, Unit 1, Building 4, No. 1580 Zhiyun Avenue, Yudong Street, Banan District, Chongqing, 401320 Patentee after: Chongqing Yunfeng Technology Co.,Ltd. Address before: 408300 building a, 59 Chaoyang Road, Dianjiang Industrial Park, Chongqing Patentee before: Chongqing Yuncheng Internet Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right |