CN113723744A - 仓储设备的管理***、方法、计算机存储介质及服务器 - Google Patents
仓储设备的管理***、方法、计算机存储介质及服务器 Download PDFInfo
- Publication number
- CN113723744A CN113723744A CN202110785441.7A CN202110785441A CN113723744A CN 113723744 A CN113723744 A CN 113723744A CN 202110785441 A CN202110785441 A CN 202110785441A CN 113723744 A CN113723744 A CN 113723744A
- Authority
- CN
- China
- Prior art keywords
- equipment
- warehousing
- state
- warehousing equipment
- characteristic data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003860 storage Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000007726 management method Methods 0.000 claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000003066 decision tree Methods 0.000 claims abstract description 22
- 238000007405 data analysis Methods 0.000 claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims description 67
- 230000015654 memory Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 abstract description 13
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 description 22
- 230000001133 acceleration Effects 0.000 description 14
- 238000012545 processing Methods 0.000 description 14
- 238000012423 maintenance Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 206010000117 Abnormal behaviour Diseases 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011022 operating instruction Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种仓储设备的管理***、方法、计算机存储介质及服务器，***包括：数据接收模块，用于实时接收仓储设备产生的历史特征数据或当前特征数据；模型搭建模块，用于计算设备异常模型的排序优先度，以通过设备异常模型的排序优先度搭建设备异常模型；其中，设备异常模型为根据排序优先度的大小搭建的、包括一父节点和若干子节点的异常决策树，异常决策数据的父节点的排序优先度最大，子节点的排序优先度小于父节点的排序优先度；数据分析模块，用于通过设备异常模型对当前特征数据进行比对，获取分析结果。本发明通过仓储项目产生的海量数据和AI技术结合，对数据进行联动溯源分析，提高仓储设备的工作效率，为更好地清除故障起因提供帮助。
Description
技术领域
本发明属于仓储管理技术领域，涉及一种管理***及方法，特别是涉及一种仓储设备的管理***、方法、计算机存储介质及服务器。
背景技术
电商行业迅猛发展，国家大力推进智能化工厂的大环境下，智能化仓储项目全国场地分布越来越广，自动化设备越来越多，工厂工程***日趋复杂，无法直观了解到设备数量、运行状态以及分布情况。
一个中型智能化仓储项目，平均每日产生的数据量多达数十万条以上，多数情况这些数据无法规范统计分析，形成对项目整体状况的可视化图表。
智能化工厂的自动化程度越高，大量复杂***的复杂性、综合化、智能化程度不断提高。伴随着复杂***的发展,其研制、生产尤其是维护和保障的成本越来越高。同时,由于组成环节和影响因素的增加,发生故障和功能失效的几率逐渐加大。其次现阶段故障维修均是在故障发生后进行的紧急补救维保，当设备发生故障停止运行后，降低了设备工作效率，增大了企业的损失。而且在不了解设备性能下降或偏差程度下，常规、定期的保养操作并不能针对性的解决各个设备潜在的问题。
现阶段有很多分拣设备的故障处理方案，首先是由维保操作人员需要排查上报故障的设备，其次查询故障信息，进入故障设备所处位置，最后进行维保操作。但是故障产生仅知道故障信息，并不清除故障起因的情况下，贸然进入到设备集群中执行维保操作，是有一定风险的。
因此，如何提供一种仓储设备的管理***、方法、计算机存储介质及服务器，以解决现有技术需维保操作人员排查上报故障的设备，降低了设备工作效率，增大了企业的损失；且在不清除故障起因的情况下，贸然进入到设备集群中执行维保操作，存在风险等缺陷，实已成为本领域技术人员亟待解决的技术问题。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种仓储设备的管理***、方法、计算机存储介质及服务器，用于解决现有技术需维保操作人员排查上报故障的设备，降低了设备工作效率，增大了企业的损失；且在不清除故障起因的情况下，贸然进入到设备集群中执行维保操作，存在风险的问题。
为实现上述目的及其他相关目的，本发明一方面提供一种仓储设备的管理***，包括：数据接收模块，用于实时接收所述仓储设备产生的历史特征数据或当前特征数据；模型搭建模块，用于根据所述仓储设备的历史特征数据，计算设备异常模型的排序优先度，以通过设备异常模型的排序优先度搭建所述设备异常模型；其中，所述设备异常模型为根据排序优先度的大小搭建的、包括一父节点和若干子节点的异常决策树，所述异常决策数据的父节点的排序优先度最大，子节点的排序优先度小于父节点的排序优先度；数据分析模块，用于在接收到所述仓储设备产生的当前特征数据后，通过所述设备异常模型对所述当前特征数据进行比对，以分析出所述仓储设备的当前状态，并获取分析结果。
于本发明的一实施例中，所述仓储设备的管理***还包括数据整理模块，用于按照所述仓储设备的运行状态，对其历史特征数据进行分类整理。
于本发明的一实施例中，所述模型搭建模块还用于通过分类整理后的历史特征数据，计算所述仓储设备于每一种运行状态下处于异常状态和正常状态的概率；基于所述仓储设备于每一种运行状态下处于异常状态和正常状态的概率，计算所述仓储设备于每一种运行状态下的期望值；根据所述仓储设备于每一种运行状态下的期望值，计算所述仓储设备于每一种运行状态下的排序优先度。
于本发明的一实施例中，所述仓储设备于每一种运行状态下处于异常状态和正常状态的概率通过所述仓储设备于每一种运行状态下处于异常状态和正常状态的信息熵表示；所述仓储设备于每一种运行状态下的排序优先度通过所述仓储设备于每一种运行状态下的信息增益值表示。
于本发明的一实施例中，所述异常决策树的每一节点都包括历史特征数据正常和异常两个分支；所述异常决策树于具有最小排序优先度的子节点处停止分支。
于本发明的一实施例中，所述仓储设备的管理***还包括结果展示模块，用于展示所述分析结果。
本发明另一方面提供一种仓储设备的管理方法，包括：实时接收所述仓储设备产生的历史特征数据或当前特征数据；根据所述仓储设备的历史特征数据，计算设备异常模型的排序优先度，以通过设备异常模型的排序优先度搭建所述设备异常模型；其中，所述设备异常模型为根据排序优先度的大小搭建的、包括一父节点和若干子节点的异常决策树，所述异常决策数据的父节点的排序优先度最大，子节点的排序优先度小于父节点的排序优先度；在接收到所述仓储设备产生的当前特征数据后，通过所述设备异常模型对所述当前特征数据进行比对，以分析出所述仓储设备的当前状态，并获取分析结果。
于本发明的一实施例中，所述仓储设备的管理方法还包括：按照所述仓储设备的运行状态，对其历史特征数据进行分类整理。
于本发明的一实施例中，所述根据所述仓储设备的历史特征数据，计算设备异常模型的排序优先度，以通过设备异常模型的排序优先度搭建所述设备异常模型的步骤包括：通过分类整理后的历史特征数据，计算所述仓储设备于每一种运行状态下处于异常状态和正常状态的概率；基于所述仓储设备于每一种运行状态下处于异常状态和正常状态的概率，计算所述仓储设备于每一种运行状态下的期望值；根据所述仓储设备于每一种运行状态下的期望值，计算所述仓储设备于每一种运行状态下的排序优先度。
本发明又一方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述仓储设备的管理方法。
本发明最后一方面提供一种服务器，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述服务器执行所述仓储设备的管理方法。
如上所述，本发明所述的仓储设备的管理***、方法、计算机存储介质及服务器，具有以下有益效果：
本发明所述仓储设备的管理***、方法、计算机存储介质及服务器通过智能化仓储项目产生的海量数据和AI技术相结合，对数据进行联动溯源分析、存在的风险、疑似威胁、异常行为等，不断优化缺省模型，使其能使用不同的智能化仓储项目，提高了仓储设备的工作效率，减少了企业的损失，为更好地清除故障起因提供帮助。
附图说明
图1显示为本发明的仓储设备的管理***于一实施例中的原理结构示意图。
图2显示为本发明的异常决策树的一实施树状态图。
图3显示为本发明的仓储设备的管理方法于一实施例中的流程示意图。
图4显示为本发明的服务器于一实施例中的结构示意图。
元件标号说明
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本实施例提供一种仓储设备的管理***，包括：
数据接收模块，用于实时接收所述仓储设备产生的历史特征数据或当前特征数据；
模型搭建模块，用于根据所述仓储设备的历史特征数据，计算设备异常模型的排序优先度，以通过设备异常模型的排序优先度搭建所述设备异常模型；其中，所述设备异常模型为根据排序优先度的大小搭建的、包括一父节点和若干子节点的异常决策树，所述异常决策数据的父节点的排序优先度最大，子节点的排序优先度小于父节点的排序优先度；
数据分析模块，用于在接收到所述仓储设备产生的当前特征数据后，通过所述设备异常模型对所述当前特征数据进行比对，以分析出所述仓储设备的当前状态，并获取分析结果。
以下将结合图示对本实施例所提供的仓储设备的管理***进行详细描述。于实际应用中，所述仓储设备的管理***支持箱式穿梭车设备、托盘穿梭车设备、交叉带设备、拣选机器人设备、智能快存设备等设备，但是由于存在设备类型和型号不一致，监控项、传感器类型以及安装位置也会不同，需要根据实际设备需求进行制定。因此，本实施例所述管理***不仅限于上述设备。
请参阅图1，显示为仓储设备的管理***于一实施例中的原理结构示意图。如图1所示，所述仓储设备的管理***1包括数据接收模块11、数据整理模块12、模型搭建模块13、数据分析模块14、结果展示模块15、报警模块16及设备监控模块17。
所述数据接收模块11用于实时接收所述仓储设备产生的历史特征数据或当前特征数据。于本实施例中，所述历史特征数据或当前特征数据包括电流、电压、温度、压力、噪音等特征数据。
在本实施例中，所述仓储设备产生的历史特征数据或当前特征数据是通过安装于所述仓储设备上的多种传感器(所述传感器包括电流传感器、温度传感器、压力传感器、噪音传感器、激光传感器等)检测所得。
以下以监控箱式穿梭车为例，其上安装有电流传感器和温度传感器分别用以获取该监控箱式穿梭车的电流和温度，并将电流和温度封装成具有唯一识别码的数据包后，通过所述数据接收模块11接收该数据包。
与所述数据接收模块11耦合的数据整理模块12用于提取收录若干仓储设备的关联信息，按照所述仓储设备的运行状态，对其历史特征数据进行分类整理，并根据仓储设备执行的任务时间，并分析在任务时间段内的仓储设备各个状态的数据是否在正常范围内，如果数据在某个阶段产生异常，便定义为故障预兆。
例如，监控箱式穿梭车的关联信息包括设备状态由待机-加速度-匀速-减速-待机、待机电流阈值为1-5A、正常匀速运动电流为5A，正常加速度的运行电流为30A等信息，例如，参阅分类整理后的监控箱式穿梭车的于每一运行状态下正常或异常情况表。
表1：分类整理后的监控箱式穿梭车的于每一运行状态下正常或异常情况表
与所述数据整理模块12耦合的模型搭建模块13用于根据所述仓储设备的历史特征数据，计算设备异常模型的排序优先度，以通过设备异常模型的排序优先度搭建所述设备异常模型；其中，所述设备异常模型为根据排序优先度的大小搭建的、包括一父节点和若干子节点的异常决策树，所述异常决策数据的父节点的排序优先度最大，子节点的排序优先度小于父节点的排序优先度。
具体地，所述模型搭建模块13通过分类整理后的历史特征数据，计算所述仓储设备于每一种运行状态下处于异常状态和正常状态的总概率；计算所述仓储设备于每一种运行状态下处于异常状态和正常状态的概率；再基于所述仓储设备于每一种运行状态下处于异常状态和正常状态的概率，计算所述仓储设备于每一种运行状态下的期望值；最后根据所述仓储设备于每一种运行状态下的期望值，计算所述仓储设备于每一种运行状态下的排序优先度。
于本实施例中，所述仓储设备于每一种运行状态下处于异常状态和正常状态的总概率、所述仓储设备于每一种运行状态下处于异常状态和正常状态的概率通过所述仓储设备于每一种运行状态下处于异常状态和正常状态的信息熵表示。
例如，所述监控箱式穿梭车于每一种运行状态下处于异常状态和正常状态的总概率可以根据表1中总的数据记录34条，运行状态为运行的记录有18条，运行状态为待机的记录16条计算。
H(x)＝-(18/34)*l0g2(18/34)-(16/34)*log2(16/34)＝0.997503
例如，所述监控箱式穿梭车于待机状态下电流值超过正常电流的情况下，状态为异常的记录11条，状态为正常的记录6条；于待机状态下电流值未超过正常电流的情况下，状态为异常记录7条，状态为为正常的记录10条；
H(待机状态下电流＝超过正常电流)＝-(11/17)*1og2(11/17)-(6/17)*log2(6/17)＝0.936667；
H(待机状态下电流＝未超过正常电流)＝-(7/17)*log2(7/17)-(10/17)*log2(10/17)＝0.977418；
再根据H(待机状态下电流＝超过正常电流)和H(待机状态下电流＝未超过正常电流)计算所述仓储设备于待机状态下的期望值，即：
H(待机电流)＝(17/34)*H(待机状态下电流＝超过正常电流)+(17/34)*H(待机状态下电流＝未超过正常电流)＝0.957043；
例如，所述监控箱式穿梭车于加速状态下电流值超过正常电流的情况下，电流值超过正常电流的情况下，状态为异常的记录11条，为正常的记录3条。电流值未超过正常电流的情况下，状态为异常记录7条，为正常的记录13条；
H(加速状态下电流＝超过正常电流)＝-(11/14)*log2(11/14)-(3/14)*log2(3/14)＝0.749595
H(加速状态下电流＝未超过正常电流)＝-(7/20)*10g2(7/20)-(13/20)*1og2(13/20)＝0.934068
H(加速电流)＝(14/34)*H(加速状态下电流＝超过正常电流)+(20/34)*H(加速状态下电流＝未超过正常电流)＝0.858109；
例如，所述监控箱式穿梭车于匀速状态下电流值超过正常电流的情况下，计算电流值超过正常电流的情况下，H(匀速状态下电流＝超过正常电流)；计算电流值未超过正常电流的情况下，H(匀速状态下电流＝未超过正常电流)。
根据H(匀速状态下电流＝超过正常电流)及H(匀速状态下电流＝未超过正常电流)，计算H(匀速电流)。
所述仓储设备于每一种运行状态下的排序优先度通过所述仓储设备于每一种运行状态下的信息增益值表示。
例如，计算所述仓储设备于待机状态下的排序优先度及所述仓储设备于加速状态下的排序优先度。
其中，所述仓储设备于待机状态下的排序优先度通过所述仓储设备于待机状态下电流的增益值表示，即
Gain(待机电流)＝H(x)-H(待机电流)＝0.04046；
所述仓储设备于加速状态下的排序优先度通过所述仓储设备于加速状态下电流的增益值表示，即
Gain(加速电流)＝H(X)-H(加速电流)＝0.139394；
所述仓储设备于匀速状态下的排序优先度通过所述仓储设备于匀速状态下电流的增益值表示，即
Gain(匀速电流＝)H(X)-H(匀速电流)＝0.04560；
所述模型搭建模块13根据排序优先度的大小的排序搭建用于分析比对特征数据的异常决策树。其中，所述异常决策树包括一父节点和若干子节点的异常决策树，所述异常决策数据的父节点的排序优先度最大，子节点的排序优先度小于父节点的排序优先度，每一节点都包括历史特征数据正常和异常两个分支，直至所有特征数据都划分完毕，于具有最小排序优先度的子节点处停止分支，如图2所示异常决策树的一实施树状态图，增益值最大的作为父节点，依次作为子节点，子节点之间也是使用信息熵增益值作为比对。实质上所有的数据都要经过待机与匀速电流的比对，并且这个分出的子节点也并不是一成不变的，有可能是跟着数据的增长而变动的。其中，错位类型1为加速电流异常，待机电流正常的情况下可能出现的故障类型；错位类型2为加速电流正常，匀速电流异常的情况下可能出现的故障类型；故障类型3为加速电流正常，待机电流异常，且匀速电流正常情况下可能出现的故障类型；故障类型4为加速电流正常，待机电流异常，匀速电流异常，减速电流正常情况下可能出现的故障类型；故障类型5为加速电流正常，待机电流异常，匀速电流异常，减速电流异常情况下可能出现的故障类型。
于本实施例中，为了方便描述，所述异常决策树仅分析电流的正常与异常。实际应用中，所述异常决策树中的父节点/子节点还可以为根据其他特征数据，例如，温度，电压等数据构建的父节点/子节点。
与所述数据接收模块11和所述模型搭建模块13耦合的数据分析模块14用于在接收到所述仓储设备产生的当前特征数据后，通过所述设备异常模型对所述当前特征数据进行比对，以分析出所述仓储设备的当前状态，并获取分析结果。在本实施例中，通过异常决策树可以实现对仓储设备的当前特征数据进行联动溯源分析，精准查找故障源头。
例如，所述监控箱式穿梭车的当前电流于加速状态下电流异常，待机状态下电流正常的情况下，获悉所述监控箱式穿梭车发生错误类型1的分析结果。
与所述数据分析模块14耦合的结果展示模块15用于展示所述分析结果。于实际应用中，分析结果以图表、表格、文字等形式进行展示，以便用户可以直观了解到仓储设备的运行情况。
与所述数据分析模块14耦合的报警模块16用于通过数据分析模块14分析出的分析结果为异常时，产生报警信号。
与所述数据接收模块11耦合的所述设备监控模块17用于将所述数据接收模块11接收的仓储设备的设备基础信息和运行数据，构成可视化项目数据采集与监视控制***(以下简称scada)，将仓储设备的设备基础信息和运行数据与scada的相关变量一一对应，动态渲染scada界面，使scada界面与现场的仓储设备运行、动作保持一致；并将仓储场地的摄像头信息与所覆盖的仓储设备进行一一对应，录入管理***的数据库18中，目的通过设备可以查找到摄像头信息；在仓储设备出现故障或预测异常，所述scada界面可提供出现故障或预测异常的仓储设备对应的监控信息(包括与临近监控画面以及设备信息和报警信息)。
需要说明的是，应理解以上***的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现，也可以全部以硬件的形式实现，还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如：x模块可以为单独设立的处理元件，也可以集成在上述***的某一个芯片中实现。此外，x模块也可以以程序代码的形式存储于上述***的存储器中，由上述***的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，一个或多个微处理器(Digital Singnal Processor，简称DSP)，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。这些模块可以集成在一起，以片上***(System-on-a-chip，简称SOC)的形式实现。
本实施例所述仓储设备的管理***通过智能化仓储项目产生的海量数据和AI技术相结合，对数据进行联动溯源分析、存在的风险、疑似威胁、异常行为等，不断优化缺省模型，使其能使用不同的智能化仓储项目，提高了仓储设备的工作效率，减少了企业的损失，为更好地清除故障起因提供帮助。
实施例二
本实施例提供一种仓储设备的管理方法，包括：
实时接收所述仓储设备产生的历史特征数据或当前特征数据；
根据所述仓储设备的历史特征数据，计算设备异常模型的排序优先度，以通过设备异常模型的排序优先度搭建所述设备异常模型；其中，所述设备异常模型为根据排序优先度的大小搭建的、包括一父节点和若干子节点的异常决策树，所述异常决策数据的父节点的排序优先度最大，子节点的排序优先度小于父节点的排序优先度；
在接收到所述仓储设备产生的当前特征数据后，通过所述设备异常模型对所述当前特征数据进行比对，以分析出所述仓储设备的当前状态，并获取分析结果。
以下将结合图示对本实施例所提供的仓储设备的管理方法进行详细描述。请参阅图3，显示为仓储设备的管理方法于一实施例中的流程示意图。如图3所示，所述仓储设备的管理方法具体包括以下几个步骤：
S31，实时接收所述仓储设备产生的历史特征数据或当前特征数据。于本实施例中，所述历史特征数据或当前特征数据包括电流、电压、温度、压力、噪音等特征数据。
在本实施例中，所述仓储设备产生的历史特征数据或当前特征数据是通过安装于所述仓储设备上的多种传感器(所述传感器包括电流传感器、温度传感器、压力传感器、噪音传感器、激光传感器等)检测所得。
S32，提取收录若干仓储设备的关联信息，按照所述仓储设备的运行状态，对其历史特征数据进行分类整理，并根据仓储设备执行的任务时间，并分析在任务时间段内的仓储设备各个状态的数据是否在正常范围内，若数据在某个阶段产生异常，便定义为故障预兆。
S33，根据所述仓储设备的历史特征数据，计算设备异常模型的排序优先度，以通过设备异常模型的排序优先度搭建所述设备异常模型。
其中，所述设备异常模型为根据排序优先度的大小搭建的、包括一父节点和若干子节点的异常决策树，所述异常决策数据的父节点的排序优先度最大，子节点的排序优先度小于父节点的排序优先度。
于本实施例中，所述S33包括以下步骤：
通过分类整理后的历史特征数据，计算所述仓储设备于每一种运行状态下处于异常状态和正常状态的总概率；
计算所述仓储设备于每一种运行状态下处于异常状态和正常状态的概率；
再基于所述仓储设备于每一种运行状态下处于异常状态和正常状态的概率，计算所述仓储设备于每一种运行状态下的期望值；其中，所述仓储设备于每一种运行状态下处于异常状态和正常状态的总概率、所述仓储设备于每一种运行状态下处于异常状态和正常状态的概率通过所述仓储设备于每一种运行状态下处于异常状态和正常状态的信息熵表示。
根据所述仓储设备于每一种运行状态下的期望值，计算所述仓储设备于每一种运行状态下的排序优先度。其中，所述仓储设备于每一种运行状态下的排序优先度通过所述仓储设备于每一种运行状态下的信息增益值表示。
根据排序优先度的大小的排序来搭建用于分析比对特征数据的异常决策树，直至所有特征数据都划分完毕，于具有最小排序优先度的子节点处停止分支。其中，所述异常决策树包括一父节点和若干子节点的异常决策树，所述异常决策数据的父节点的排序优先度最大，子节点的排序优先度小于父节点的排序优先度，每一节点都包括历史特征数据正常和异常两个分支。
S34，在接收到所述仓储设备产生的当前特征数据后，通过所述设备异常模型对所述当前特征数据进行比对，以分析出所述仓储设备的当前状态，并获取分析结果。
S35，展示所述分析结果及通过分析出的分析结果为异常时，产生报警信号。
在本实施例中，所述仓储设备的管理方法还包括将接收的仓储设备的设备基础信息和运行数据，构成可视化项目数据采集与监视控制***(以下简称scada)，将仓储设备的设备基础信息和运行数据与scada的相关变量一一对应，动态渲染scada界面，使scada界面与现场的仓储设备运行、动作保持一致；并将仓储场地的摄像头信息与所覆盖的仓储设备进行一一对应，录入数据库中，目的通过设备可以查找到摄像头信息；在仓储设备出现故障或预测异常，所述scada界面可提供出现故障或预测异常的仓储设备对应的监控信息(包括与临近监控画面以及设备信息和报警信息)。
本实施例所述仓储设备的管理方法通过智能化仓储项目产生的海量数据和AI技术相结合，对数据进行联动溯源分析、存在的风险、疑似威胁、异常行为等，不断优化缺省模型，使其能使用不同的智能化仓储项目，提高了仓储设备的工作效率，减少了企业的损失，为更好地清除故障起因提供帮助。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如图3所述的方法。
在任何可能的技术细节结合层面，本申请可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本申请的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。用于执行本申请操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路配置数据或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本申请的各个方面。
实施例三
本实施例提供一种服务器，请参阅图4，显示为服务器于一实施例中的结构示意图。如图4所示，所述服务器40包括存储器401、处理器402、及通信器403；所述存储器401用于存储计算机指令；所述处理器402运行计算机指令实现如图3所述的方法；所述通信器403用于通信连接。
在一些实施例中，所述服务器40中的所述存储器401的数量均可以是一或多个，所述处理器402的数量均可以是一或多个，所述通信器403的数量均可以是一或多个，而图4中均以一个为例。
于本申请一实施例中，所述服务器40中的处理器402会按照如图2所述的步骤，将一个或多个以应用程序的进程对应的指令加载到存储器401中，并由处理器402来运行存储在存储器401中的应用程序，从而实现如图3所述的方法。
所述存储器401可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。所述存储器401存储有操作***和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。操作***可包括各种***程序，用于实现各种基础业务以及处理基于硬件的任务。
所述处理器402可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
所述通信器403用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信连接。所述通信器303可包含一组或多组不同通信方式的模块，例如，与CAN总线通信连接的CAN通信模块。所述通信连接可以是一个或多个有线/无线通讯方式及其组合。通信方式包括：互联网、CAN、内联网、广域网(WAN)、局域网(LAN)、无线网络、数字用户线(DSL)网络、帧中继网络、异步传输模式(ATM)网络、虚拟专用网络(VPN)和/或任何其它合适的通信网络中的任何一个或多个。例如：WIFI、蓝牙、NFC、GPRS、GSM、及以太网中任意一种及多种组合。
在一些具体的应用中，所述服务器40的各个组件通过总线***耦合在一起，其中总线***除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图4中将各种总线都成为总线***。
本发明所述的仓储设备的管理方法的保护范围不限于本实施例列举的步骤执行顺序，凡是根据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护范围内。
本发明还提供一种仓储设备的管理***，所述仓储设备的管理***可以实现本发明所述的仓储设备的管理方法，但本发明所述的仓储设备的管理方法的实现装置包括但不限于本实施例列举的仓储设备的管理***的结构，凡是根据本发明的原理所做的现有技术的结构变形和替换，都包括在本发明的保护范围内。
综上所述，本发明所述仓储设备的管理***、方法、计算机存储介质及服务器通过智能化仓储项目产生的海量数据和AI技术相结合，对数据进行联动溯源分析、存在的风险、疑似威胁、异常行为等，不断优化缺省模型，使其能使用不同的智能化仓储项目，提高了仓储设备的工作效率，减少了企业的损失，为更好地清除故障起因提供帮助。本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (11)
1.一种仓储设备的管理***，其特征在于，包括：
数据接收模块，用于实时接收所述仓储设备产生的历史特征数据或当前特征数据；
模型搭建模块，用于根据所述仓储设备的历史特征数据，计算设备异常模型的排序优先度，以通过设备异常模型的排序优先度搭建所述设备异常模型；其中，所述设备异常模型为根据排序优先度的大小搭建的、包括一父节点和若干子节点的异常决策树，所述异常决策数据的父节点的排序优先度最大，子节点的排序优先度小于父节点的排序优先度；
数据分析模块，用于在接收到所述仓储设备产生的当前特征数据后，通过所述设备异常模型对所述当前特征数据进行比对，以分析出所述仓储设备的当前状态，并获取分析结果。
2.根据权利要求1所述的仓储设备的管理***，其特征在于，所述仓储设备的管理***还包括数据整理模块，用于按照所述仓储设备的运行状态，对其历史特征数据进行分类整理。
3.根据权利要求2所述的仓储设备的管理***，其特征在于，所述模型搭建模块还用于通过分类整理后的历史特征数据，计算所述仓储设备于每一种运行状态下处于异常状态和正常状态的概率；基于所述仓储设备于每一种运行状态下处于异常状态和正常状态的概率，计算所述仓储设备于每一种运行状态下的期望值；根据所述仓储设备于每一种运行状态下的期望值，计算所述仓储设备于每一种运行状态下的排序优先度。
4.根据权利要求3所述的仓储设备的管理***，其特征在于，
所述仓储设备于每一种运行状态下处于异常状态和正常状态的概率通过所述仓储设备于每一种运行状态下处于异常状态和正常状态的信息熵表示；
所述仓储设备于每一种运行状态下的排序优先度通过所述仓储设备于每一种运行状态下的信息增益值表示。
5.根据权利要求1所述的仓储设备的管理***，其特征在于，
所述异常决策树的每一节点都包括历史特征数据正常和异常两个分支；
所述异常决策树于具有最小排序优先度的子节点处停止分支。
6.根据权利要求1所述的仓储设备的管理***，其特征在于，
所述仓储设备的管理***还包括结果展示模块，用于展示所述分析结果。
7.一种仓储设备的管理方法，其特征在于，包括：
实时接收所述仓储设备产生的历史特征数据或当前特征数据；
根据所述仓储设备的历史特征数据，计算设备异常模型的排序优先度，以通过设备异常模型的排序优先度搭建所述设备异常模型；其中，所述设备异常模型为根据排序优先度的大小搭建的、包括一父节点和若干子节点的异常决策树，所述异常决策数据的父节点的排序优先度最大，子节点的排序优先度小于父节点的排序优先度；
在接收到所述仓储设备产生的当前特征数据后，通过所述设备异常模型对所述当前特征数据进行比对，以分析出所述仓储设备的当前状态，并获取分析结果。
8.根据权利要求7所述的仓储设备的管理方法，其特征在于，所述仓储设备的管理方法还包括：按照所述仓储设备的运行状态，对其历史特征数据进行分类整理。
9.根据权利要求8所述的仓储设备的管理方法，其特征在于，所述根据所述仓储设备的历史特征数据，计算设备异常模型的排序优先度，以通过设备异常模型的排序优先度搭建所述设备异常模型的步骤包括：
通过分类整理后的历史特征数据，计算所述仓储设备于每一种运行状态下处于异常状态和正常状态的概率；
基于所述仓储设备于每一种运行状态下处于异常状态和正常状态的概率，计算所述仓储设备于每一种运行状态下的期望值；
根据所述仓储设备于每一种运行状态下的期望值，计算所述仓储设备于每一种运行状态下的排序优先度。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求7至9中任一项所述仓储设备的管理方法。
11.一种服务器，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述服务器执行如权利要求7至9中任一项所述仓储设备的管理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110785441.7A CN113723744A (zh) | 2021-07-12 | 2021-07-12 | 仓储设备的管理***、方法、计算机存储介质及服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110785441.7A CN113723744A (zh) | 2021-07-12 | 2021-07-12 | 仓储设备的管理***、方法、计算机存储介质及服务器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113723744A true CN113723744A (zh) | 2021-11-30 |
Family
ID=78673196
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110785441.7A Pending CN113723744A (zh) | 2021-07-12 | 2021-07-12 | 仓储设备的管理***、方法、计算机存储介质及服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113723744A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115297022A (zh) * | 2022-08-04 | 2022-11-04 | 天翼数字生活科技有限公司 | 摄像头数据泄露风险分析方法、装置、设备及存储介质 |
| CN117057720A (zh) * | 2023-10-12 | 2023-11-14 | 米烁网络科技(广州)有限公司 | 一种基于互联网的商品存储管理*** |
| CN117933846A (zh) * | 2024-02-01 | 2024-04-26 | 杭州聚萤软件有限公司 | 一种基于大数据技术的电商智慧化物流配送***及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106991240A (zh) * | 2017-04-11 | 2017-07-28 | 宁波如意股份有限公司 | 基于故障树的仓储搬运设备故障诊断方法 |
| CN108182597A (zh) * | 2017-12-27 | 2018-06-19 | 银橙(上海)信息技术有限公司 | 一种基于决策树和逻辑回归的点击率预估方法 |
| CN109218114A (zh) * | 2018-11-12 | 2019-01-15 | 西安微电子技术研究所 | 一种基于决策树的服务器故障自动检测***及检测方法 |
| CN109634828A (zh) * | 2018-12-17 | 2019-04-16 | 浪潮电子信息产业股份有限公司 | 故障预测方法、装置、设备及存储介质 |
| CN110162422A (zh) * | 2019-04-30 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种基于决策树的问题定位方法和装置 |
| CN112001698A (zh) * | 2020-08-21 | 2020-11-27 | 浙江德马科技股份有限公司 | 一种项目管理*** |
| CN112579847A (zh) * | 2019-09-30 | 2021-03-30 | 北京国双科技有限公司 | 生产数据的处理方法和装置、存储介质及电子设备 |
-
2021
- 2021-07-12 CN CN202110785441.7A patent/CN113723744A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106991240A (zh) * | 2017-04-11 | 2017-07-28 | 宁波如意股份有限公司 | 基于故障树的仓储搬运设备故障诊断方法 |
| CN108182597A (zh) * | 2017-12-27 | 2018-06-19 | 银橙(上海)信息技术有限公司 | 一种基于决策树和逻辑回归的点击率预估方法 |
| CN109218114A (zh) * | 2018-11-12 | 2019-01-15 | 西安微电子技术研究所 | 一种基于决策树的服务器故障自动检测***及检测方法 |
| CN109634828A (zh) * | 2018-12-17 | 2019-04-16 | 浪潮电子信息产业股份有限公司 | 故障预测方法、装置、设备及存储介质 |
| CN110162422A (zh) * | 2019-04-30 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种基于决策树的问题定位方法和装置 |
| CN112579847A (zh) * | 2019-09-30 | 2021-03-30 | 北京国双科技有限公司 | 生产数据的处理方法和装置、存储介质及电子设备 |
| CN112001698A (zh) * | 2020-08-21 | 2020-11-27 | 浙江德马科技股份有限公司 | 一种项目管理*** |
Non-Patent Citations (4)
| Title |
|---|
| 李卓;陈雨人;: "基于决策树方法的偏远地区山区公路驾驶安全性研究", 华东交通大学学报, no. 02 * |
| 李梦宇;张泽亚;张知;韩桂楠;王杉杉;李飞;王鸿玺;: "基于CART算法的电能表故障概率决策树分析", 电力大数据, no. 10 * |
| 金玉苹等: "《云数据背景下的高校智慧校园建设》", 31 August 2019, 冶金工业出版社, pages: 42 - 44 * |
| 钱晓东;: "数据挖掘中分类方法综述", 图书情报工作, no. 03 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115297022A (zh) * | 2022-08-04 | 2022-11-04 | 天翼数字生活科技有限公司 | 摄像头数据泄露风险分析方法、装置、设备及存储介质 |
| CN115297022B (zh) * | 2022-08-04 | 2024-03-26 | 天翼数字生活科技有限公司 | 摄像头数据泄露风险分析方法、装置、设备及存储介质 |
| CN117057720A (zh) * | 2023-10-12 | 2023-11-14 | 米烁网络科技(广州)有限公司 | 一种基于互联网的商品存储管理*** |
| CN117057720B (zh) * | 2023-10-12 | 2024-02-02 | 米烁网络科技(广州)有限公司 | 一种基于互联网的商品存储管理*** |
| CN117933846A (zh) * | 2024-02-01 | 2024-04-26 | 杭州聚萤软件有限公司 | 一种基于大数据技术的电商智慧化物流配送***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113723744A (zh) | 仓储设备的管理***、方法、计算机存储介质及服务器 | |
| US20220187815A1 (en) | Systems and methods for detecting and predicting faults in an industrial process automation system | |
| US10410135B2 (en) | Systems and/or methods for dynamic anomaly detection in machine sensor data | |
| CN108039959B (zh) | 一种数据的态势感知方法、***及相关装置 | |
| US11314577B2 (en) | System and method for constructing fault-augmented system model for root cause analysis of faults in manufacturing systems | |
| US20160282847A1 (en) | System and method for asset fleet monitoring and predictive diagnostics using analytics for large and varied data sources | |
| CN106383916B (zh) | 基于工业设备预测性维护的数据处理方法 | |
| EP3497527A1 (en) | Generation of failure models for embedded analytics and diagnostic/prognostic reasoning | |
| CN105099783A (zh) | 一种实现业务***告警应急处置自动化的方法及*** | |
| Ku | A study on prediction model of equipment failure through analysis of big data based on RHadoop | |
| Li et al. | Data-driven analysis of downtime impacts in parallel production systems | |
| CN115422003A (zh) | 数据质量监控方法、装置、电子设备、存储介质 | |
| Ali et al. | [Retracted] Classification and Prediction of Software Incidents Using Machine Learning Techniques | |
| Bonnard et al. | A big data/analytics platform for industry 4.0 implementation in SMEs | |
| CN117729576A (zh) | 告警监控方法、装置、设备及存储介质 | |
| US20160335373A1 (en) | Apparatus and method for universal annotation in industrial process control and automation system | |
| CN112306722B (zh) | 识别故障的方法、装置、设备和计算机可读介质 | |
| Vasyutynskyy et al. | Analysis of internal logistic systems based on event logs | |
| Soller et al. | Predicting machine errors based on adaptive sensor data drifts in a real world industrial setup | |
| CN112364088A (zh) | 基于工厂数字化制造资源的可视化配置*** | |
| Parvin et al. | Applications Of Artificial Intelligence In Fault Detection And Prediction In Technical Systems | |
| Urban et al. | Collaborative Operations Using Process Alarm Monitoring | |
| CN116016261B (zh) | 一种***运维方法、装置及设备 | |
| CN114386767B (zh) | 一种配电运维管理***的故障预警方法及*** | |
| EP3945698A1 (en) | An engineering system and method of orchestrating engineering software for a factory automation environment |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 313023 shangqiang Industrial Zone, Daixi Town, Huzhou City, Zhejiang Province Applicant after: Dema Technology Group Co.,Ltd. Address before: 313023 shangqiang Industrial Zone, Daixi Town, Huzhou City, Zhejiang Province Applicant before: ZHEJIANG DAMON TECHNOLOGY Co.,Ltd. |