CN113726911A - 一种基于物联网技术的工厂数据采集处理*** - Google Patents
一种基于物联网技术的工厂数据采集处理*** Download PDFInfo
- Publication number
- CN113726911A CN113726911A CN202111279407.9A CN202111279407A CN113726911A CN 113726911 A CN113726911 A CN 113726911A CN 202111279407 A CN202111279407 A CN 202111279407A CN 113726911 A CN113726911 A CN 113726911A
- Authority
- CN
- China
- Prior art keywords
- data
- sensor data
- abnormal
- sensor
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012545 processing Methods 0.000 title claims abstract description 30
- 238000005516 engineering process Methods 0.000 title claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 232
- 238000004519 manufacturing process Methods 0.000 claims abstract description 79
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000007781 pre-processing Methods 0.000 claims abstract description 28
- 238000007405 data analysis Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 23
- 239000012634 fragment Substances 0.000 claims description 22
- 238000012216 screening Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000012935 Averaging Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims description 6
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000003672 processing method Methods 0.000 abstract description 2
- 230000009471 action Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003960 organic solvent Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/25—Manufacturing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
Landscapes
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Toxicology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Emergency Management (AREA)
- Signal Processing (AREA)
- Manufacturing & Machinery (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于物联网技术的工厂数据采集处理***,所述预处理模块获取数据采集模块采集的传感器数据,并对其进行筛选,对异常数据进行标记;所述异常数据分析模块获取预处理模块标记的异常数据,对其进行分析,确认其是否为假异常数据。本发明通过传感器对工厂数据进行获取,从多个角度、多中传感器对工厂生产状态数据进行监测,并采用新的数据处理方法对采集的数据进行筛选处理,查找出其中的异常数据,并进一步判断出该异常数据是由传感器自身因素导致的假异常数据,还是由工厂生产状态导致的真异常数据,并针对假异常数据进行校准,确保处理后的数据的准确性,实现对工厂生产状态的全面、精准监控。
Description
技术领域
本发明涉及智能工厂技术领域,具体为一种基于物联网技术的工厂数据采集处理***。
背景技术
随着互联网技术的快速发展,人们对与互联网的运用越来越广泛,在工业领域中,人们通过物联网技术实现对工厂内生产状态的监控,即通过传感器对工厂数据进行采集处理,判断出工厂的生产状态、工厂环境状态及设备执行状态等情况,实践了箱内工厂的概念,实现了对工厂数据及工厂状态的有效管理。
践行箱内工厂这个概念的前提是要做到对工厂数据的精准采集及有效处理,但是现有的对工厂数据的采集处理技术中存在较为明显的不足,其表现为采集的数据不够准确,受传感器的自身因素的影响,极个别数据会出现异常,相比正常数据波动较为明显,同时在对采集数据的处理方式上也比较单一,只能进行简单的数据筛选及数据比对,对数据的处理效果不好。
针对上述情况,我们需要一种基于物联网技术的工厂数据采集处理***。
发明内容
本发明的目的在于提供一种基于物联网技术的工厂数据采集处理***,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于物联网技术的工厂数据采集处理***,包括:
数据采集模块,所述数据采集模块通过传感器对工厂数据进行采集;
数据分析模块,所述数据分析模块用于对数据采集模块采集的数据进行分析处理,进而根据分析结果对工厂数据进行校准,并对异常情况进行报警;
所述数据分析模块包括预处理模块、异常数据分析模块、生产状态预测模块及报警模块,
所述预处理模块获取数据采集模块采集的传感器数据,并对其进行筛选,筛选出采集的传感器数据中的极值,构成相应的传感器数据片段,并通过传感器数据片段构成的组合数据对,判断传感器数据片段之间的相似性,进而对获取的传感器数据进行异常判断,并对异常数据进行标记;
所述异常数据分析模块获取预处理模块标记的异常数据,参照历史数据对其进行分析,获取异常数据所属的传感器种类对应的正常波动范围G,获取该异常数据周围单位范围内的其余异常数据,将所得单位范围内的其余异常数据及该异常数据,均与该传感器种类对应的正常波动范围G进行比较,进而对该异常数据进行二次确认,确认其是否为假异常数据;
所述生产状态预测模块获取预处理模块的筛选结果及异常数据分析模块的分析结果,根据所得结果进行预测分析,判断工厂的生产状态是否异常;
所述报警模块对工厂生产状态的异常情况进行报警。
本发明通过各个模块的协同合作共同实现对工厂数据的采集与分析处理,进行实现对数据的筛选,确保采集的数据的准确性,为后续步骤中通过采集处理后的数据进一步分析,进而判断出工厂设备对应的生产状态,实现对工厂的智能化管理。
进一步的,所述工厂数据包括工厂的生产状态数据,所述工厂的生产状态数据包括设备执行状态数据、设备周边环境状态数据及各设备对应的生产条件状态数据,
所述设备执行状态数据、设备周边环境状态数据及各设备对应的生产条件状态数据均包括至少一种传感器数据。
本发明通过传感器对工厂数据进行采集,并且从设备执行状态数据、设备周边环境状态数据及各设备对应的生产条件状态数据这几个方面对工厂的情况进行体现,这个在后续分析中,分析判断结果更加精准,即这几个方面的状态数据中哪部分异常,即对应的工厂的哪方面的生产状态出现了问题,对工厂生产状态异常问题的划分较为细致,便于人们快速发现工厂问题,并作出针对性的改进;工厂的生产状态数据中每种状态数据包括至少一种传感器数据是为了能够对工厂生产状态中的设备执行状态、设备周边环境状态及各设备对应的生产条件状态均能够实现监控管理,确保数据的完整性及对工厂监管的全面性。
进一步的,所述预处理模块对数据采集模块采集的传感器数据进行筛选的方法包括以下步骤:
S1、获取数据采集模块采集的传感器数据;
S2、筛选出采集的传感器数据中的极值,并将极值中的极大值用第一颜色进行标记,将极值中的极小值用第二颜色进行标记;
S3、以极小值对应的传感器数据为端点,选取不同的极小值组合构成相应的传感器数据片段,将每个传感器数据片段中传感器数据个数记为m1;
当相邻的n个传感器数据片段存在长度不在误差范围之内的情况时,判定获取的传感器数据片段之间不相似,跳转到S8;
S5、计算第j个组合数据对中第i组位置对应的数据之间差值的平方,记为aij,
S7、将S6中得到的a2与第一预设值进行比较,判断获取的传感器数据片段之间是否相似,
当a2小于第一预设值时,判定获取的传感器数据片段之间相似,
当a2大于等于第一预设值时,判定获取的传感器数据片段之间不相似;
S8、当获取的传感器数据片段之间不相似时,调整传感器数据片段中传感器数据个数m1,重新选取传感器数据片段,并跳转到S4;
S9、当获取的传感器数据片段之间相似时,确认传感器数据片段长度,记为m2,对获取的传感器数据进行异常判断,并将异常的传感器数据进行标记。
本发明获取采集的传感器数据中的极大值及极小值,并将其用不同的颜色进行标记,是为了便于了解采集的传感器数据的变化趋势,进而便于分析出采集的传感器数据中的周期性规律,进而为后续传感器数据片段的分析及异常数据的判断做准备;选取不同的极小值组合的传感器数据片段是为了提前筛选出所有的传感器数据片段情况,进而为后续对采集的传感器数据中的周期长度进行判断;获取长度在误差范围之内的传感器片段是因为传感器数据是波动的,因此传感器数据片段会因为波动误差导致数据采集模块采集的传感器数据中极小值的位置发生偏移,进而导致划分的传感器数据片段长度发生变化,因此需要设置误差范围实现对传感器数据片段的筛选;设置组合数据对是为了便于传感器数据片段两两之间进行比较,进而计算出两个传感器数据片段之间的差异,即每个组合数据对对应的误差值;计算每个组合数据对中每组位置对应的数据之间差值的平方,即计算组合数据对中对应的两个传感器数据片段中,第一个传感器数据片段中的每一个传感器数据与第二个传感器数据片段中相应位置的传感器数据之间差值的平方,进而一个组合数据对对应多个;获取的过程中,计算两传感器数据差值的平方是因为差值结果符号不确定,有正数、负数及0,因此对差值进行平方不仅能够对符号进行统一,还能够使得得到的差值极化,即绝对值大于1的差值对应的结果更大,绝对值小于1的差值对应的结果更小,进而使得处理的结果两极化,便于进行数据筛选比较;计算a2是因为表示相邻的n个传感器数据片段之间的总体的误差值情况,进而将a2与第一预设值进行比较,能够较为直观的判断出获取的传感器数据片段之间的相似情况,即数据采集模块采集的传感器数据的周期情况,若相似,则说明m2即为数据采集模块采集的传感器数据的周期。
进一步的,所述选取不同的极小值组合构成相应的传感器数据片段的方法包括以下步骤:
S3.1、以任意一个极小值为起始端点p1;
S3.2、按照传感器数据获取的先后顺序,筛选传感器数据中p1之后的所有极小值,并按顺序逐个录入第一集合中;
S3.3、选取第一集合中的任意一个极小值作为终止端点p2;
S3.4、截取起始端点p1与终止端点p2之间所有的传感器数据,得到该起始端点p1与终止端点p2对应的传感器数据片段,所述传感器数据片段包括起始端点p1对应的传感器数据,但是不包括终止端点p2对应的传感器数据。
本发明在获取传感器数据片段时,将p1之后的所有极小值录入第一集合,是为了便于对终止端点的筛选,第一集合中不同的极小值作为终止端点构成的传感器组合片段则不相同;设置述传感器数据片段包括起始端点p1对应的传感器数据,但是不包括终止端点p2对应的传感器数据是为了防止传感器数据片段中终止端点对应的传感器数据被多次统计,进而避免对后续异常数据的判断结果造成影响。
进一步的,对传感器数据片段长度是否在误差范围之内的判定方法包括以下步骤:
S4.1、分别获取相邻的n个传感器数据片段的长度;
S4.2、分别求取任意两个传感器数据片段的长度差值的绝对值;
S4.3、计算S4.2得到的所有绝对值的平均值,并将所得平均值与第二预设值进行比较,
当所得平均值大于等于第二预设值时,判定该相邻的n个传感器数据片段长度不在误差范围之内,
当所得平均值小于第二预设值时,判定该相邻的n个传感器数据片段长度在误差范围之内。
本发明判断传感器数据片段长度是否在误差范围之内时,计算任意两个传感器数据片段的长度差值的绝对值,是为了获取该两个传感器数据片段之间的长度误差;计算S4.2得到的所有绝对值的平均值,是为了得到相邻的n个传感器数据片段的长度的综合误差,并将综合误差与第二预设值进行比较,得到该相邻的n个传感器数据片段长度是否在误差范围之内的判断结果,该计算方式对应的结果更加准确。
进一步的,所述对获取的传感器数据进行异常判断的方法包括以下步骤:
S9.1、获取确认的传感器数据片段长度m2及获取的传感器数据;
S9.2、确定待进行异常判断的传感器数据在获取的传感器数据中的位置,
获取所述位置的过程中,首先获取按照传感器数据获取的先后顺序,先于该传感器数据且距离该传感器数据最近的极小值,然后获取该极小值与该传感器数据之间的距离;
S9.3、以S9.2中获取的极小值为起始端点,构建包含该传感器数据且长度与m2在误差范围之内的传感器数据片段,该传感器数据片段记为K;
S9.4、获取与K相邻且长度在误差范围之内的两个传感器数据片段,分别记为K1、K2;
S9.5、将K与K1进行比较,计算K中该传感器数据与K1中该传感器数据对应的数据之间差值的绝对值,记为b1,
将K与K2进行比较,计算K中该传感器数据与K2中该传感器数据对应的数据之间差值的绝对值,记为b2;
当所得比值大于等于第三预设值时,判定该传感器数据异常,
当所得比值小于第三预设值时,判定该传感器数据正常。
本发明对获取的传感器数据进行异常判断的过程中,确定待进行异常判断的传感器数据在获取的传感器数据中的位置是为了在后续步骤中从数据采集模块采集的传感器数据中筛选出包含该传感器数据且长度与m2在误差范围之内的传感器数据片段;在获取K的过程中,设置传感器数据片段的长度与m2在误差范围之内,是因为传感器数据的极小值位置是波动的,因为无法确认该传感器数据片段的具体长度,只能通过误差范围区间进行筛选;因为上述内容已经判定预处理模块获取的传感器数据具备周期性,因此通过该传感器数据在K中位置与K1或K2中的对应位置的数据进行比较,能够判断出该传感器数据是否异常;计算是因为相对于b1、b2更加稳定,更能反映正常数据的值大小。
进一步的,判断K1中该传感器数据对应的数据的方法包括以下步骤:
S9.5.1、分别统计K与K1中的极大值、极小值,并按从起始端点至终止端点的方向分别对统计的极大值与极小值进行编号,
将第c1个极大值记为Dc1,将第c2个极小值记为Ec2,编号过程中将终止端点的前一个点及起始端点均视为极小值;
S9.5.2、获取该传感器数据在K中相邻的极大值编号Df1、极小值编号Ef2及K中极大值的总个数n1,
S9.5.3、获取K1中极大值的总个数n2,比较n1与n2是否相同;
S9.5.4、当n1=n2时,获取K中极大值编号Df1与极小值编号Ef2之间的传感器数据个数n3,获取K1中极大值编号Df1与极小值编号Ef2之间的传感器数据个数n4,比较n3与n4的大小,
当n3大于等于n4时,合并K中极大值编号Df1与极小值编号Ef2之间的传感器数据,得到合并后K中最终的Df1与Ef2之间传感器数据片段,
当n3小于n4时,合并K1中极大值编号Df1与极小值编号Ef2之间的传感器数据,得到合并后K中最终的Df1与Ef2之间传感器数据片段,
合并K中极大值编号Df1与极小值编号Ef2之间的传感器数据时,
X1-1、获取该传感器数据距离K中Df1的传感器数据个数n5,
X1-2、将K中极大值编号Df1与极小值编号Ef2之间的传感器数据中任意相邻的两个传感器数据求取平均值,得到K中新的Df1与Ef2之间传感器数据片段,所述任意相邻的两个传感器数据求取平均值的方法为求取Df1与Ef2之间的第i1个传感器数据与第i1+1个传感器数据的平均值作为K中新的Df1与Ef2之间传感器数据片段中的第i1个传感器数据;
X1-3、重复执行X1-2中所述内容|n3-n4|次,得到合并后K中最终的Df1与Ef2之间传感器数据片段;
合并K1中极大值编号Df1与极小值编号Ef2之间的传感器数据时,原理与合并K中极大值编号Df1与极小值编号Ef2之间的传感器数据的原理相同,
当合并K中极大值编号Df1与极小值编号Ef2之间的传感器数据时,该传感器数据的数值变为合并后K中最终的Df1与Ef2之间传感器数据片段中第n5个传感器数据的数值,K1中该传感器数据对应的数据为K1中Df1与Ef2之间的第n5个传感器数据,
当合并K1中极大值编号Df1与极小值编号Ef2之间的传感器数据时,该传感器数据的数值不变,K1中该传感器数据对应的数据为合并后K1中最终的Df1与Ef2之间的第n5个传感器数据;
S9.5.5、当n1>n2时,合并K中的传感器数据,得到合并后最终的K,
当n1<n2时,合并K1中的传感器数据,得到合并后最终的K1,
合并K中的传感器数据时,
X2-1、获取该传感器数据距离K中起始端点的传感器数据个数n5’,获取K中传感器数据的个数n3’,获取K1中传感器数据的个数n4’;
X2-2、将K中的传感器数据中任意相邻的两个传感器数据求取平均值,得到新的K,该求取平均值的方法为求取K中的第i1个传感器数据与第i1+1个传感器数据的平均值作为新的K中的第i1个传感器数据;
X2-3、重复执行X2-2中所述内容|n3’-n4’|次,得到合并后最终的K;
合并K1中的传感器数据时,原理与合并K中的传感器数据的原理相同,
当合并K中的传感器数据时,该传感器数据的数值变为合并后最终的K中第n5’个传感器数据的数值,K1中该传感器数据对应的数据为K1中的第n5’个传感器数据,
当合并K1中的传感器数据时,该传感器数据的数值不变,K1中该传感器数据对应的数据为合并后最终的K1中的第n5’个数据。
本发明对统计的极大值与极小值进行编号是为了便于对该传感器数据相邻的极大值、极小值之间的传感器数据进行提取;比较n1与n2是否相同,是为了判断是合并K或者K1,还是合并K或者K1中Df1与Ef2之间的传感器数据,在n1与n2相同时,能够快速锁定该传感器数据在Df1与Ef2中对应的大小趋势,根据K1中Df1与Ef2之间的传感器数据,能够使得获取的该传感器对应的数据更加准确,但是在n1与n2不相同时,K中Df1与Ef2之间的传感器数据与K1中Df1与Ef2之间的传感器数据的位置会存在较大差异,因此依旧分析K1中Df1与Ef2之间的传感器数据的大小趋势,会导致的获取的该传感器对应的数据出现较大偏差,因此此时采用合并K或者K1的方式,从传感器数据片段整体进行考虑,根据该传感器数据在K中的位置,获取K1中该传感器数据对应的数据;合并数据的过程中,获取相邻两个传感器数据的平均值作为合并后的传感器数据中的一个数据,因此,执行一次X1-2或者X2-2时,相应的Df1与Ef2之间的传感器数据或传感器数据片段中的传感器数据个数会减少一个,计算K与K1中Df1与Ef2之间的传感器数据个数差值的绝对值或K与K1之间的传感器数据个数差值的绝对值,即可得到相应X1-2或者X2-2需要执行的次数,即合并后需要减少的传感器个数;合并后的最终K与K1的个数会相同,进而能够得到K1中该传感器数据对应的数据,其余情况同理。
进一步的,所述异常数据分析模块对预处理模块标记的异常数据进行分析的方法包括以下步骤:
S1-1、获取预处理模块标记的异常数据及异常数据在数据采集模块获取的传感器数据中的位置;
S1-2、获取异常数据对应的传感器种类,将得到的传感器种类与历史数据库进行匹配,得到历史数据中该传感器种类中正常数据的平均值g;
S1-3、将g与历史数据库中该传感器种类对应的波动上限系数μ相乘,得到该传感器种类对应的波动值,进而得到该传感器种类对应的正常波动范围G,所述波动上限系数μ由历史数据库获取,g*(1-μ)≤G≤g*(1+μ)且1>μ>0;
S1-4、选取任意一个异常数据Z,根据异常数据Z在数据采集模块获取的传感器数据中的位置,获取以该异常数据Z为参照点,数据采集模块获取的传感器数据中单位范围内的其余异常数据的个数n6及相应的数值,将获取的其余异常数据与该异常数据Z均录入集合F中;
1≤y≤n6,
S1-7、将得到的h1与第四预设值进行比较,对该异常数据Z进行二次确认,
当h1大于等于第四预设值时,判定该异常数据Z为真异常数据,且该异常数据Z对应的工厂设备生产状态异常,
当h1小于第四预设值时,判定该异常数据Z为假异常数据,并对该假异常数据进行校准,所述校准方法为计算数据采集模块获取的传感器数据中该异常数据Z相邻的v个传感器数据的平均值,并用所得的平均值替换该异常数据Z对应的值。
本发明异常数据分析模块对预处理模块标记的异常数据进行分析的过程中,获取历史数据中该传感器种类中正常数据的平均值g是为了分析历史情况中该传感器的平均数据情况(采集的正常数据水平);获取G是为了对获取该传感器种类对应的正常数据范围,便于与该异常数据Z进行对比;获取的其余异常数据与该异常数据Z均录入集合F是为了获取该异常数据Z周边的数据情况,进而判断该异常数据Z是否为假异常数据;将集合F中的每一个异常数据均与该传感器种类对应的正常波动范围G进行比较,是为了判断集合F中的每个异常数据与G之间的误差情况,当异常数据在G内时,则判定异常数据在误差范围内,误差为0;当异常数据不在G内时,则获取异常范围与G差值的绝对值中的最小值,即两者之间的误差;获取h1是为了反映出该异常数据Z周边数据的情况,进而对该异常数据Z进行真、假异常数据判断;波动上限系数μ是通过历史数据库该传感器种类对应的历史数据中正常数据范围获取的,计算该正常数据范围中极大值的平均值与极小值的平均值,分别计算极大值的平均值减g的差值与g 的商及g减极小值的平均值的差值与g 的商,两个商中的最小值即为波动上限系数μ。
进一步的,当数据采集模块获取的传感器数据中只含有正常数据及假异常数据时,将数据采集模块获取的且经异常数据分析模块处理后的传感器数据传递到生产状态预测模块,所述生产状态预测模块根据获取的传感器数据对工厂的生产状态进行预测,判定工厂的生产状态是否异常。
本发明生产状态预测模块是根据处理后的传感器数据进行工厂生产状态预测,判断工厂的生产状态是否异常。
进一步的,所述报警模块实时获取异常数据分析模块及生产状态预测模块的判断结果,
当工厂的生产状态异常时,报警模块进行报警,
当工厂的生产状态均正常时,则不进行报警。
与现有技术相比,本发明所达到的有益效果是:本发明通过传感器对工厂数据进行获取,从多个角度、多中传感器对工厂生产状态数据进行监测,并采用新的数据处理方法对采集的数据进行筛选处理,查找出其中的异常数据,并进一步判断出该异常数据是由传感器自身因素导致的假异常数据,还是由工厂生产状态导致的真异常数据,并针对假异常数据进行校准,确保处理后的数据的准确性,实现对工厂生产状态的全面、精准监控。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于物联网技术的工厂数据采集处理***的结构示意图;
图2是本发明一种基于物联网技术的工厂数据采集处理***中预处理模块对数据采集模块采集的传感器数据进行筛选的方法的流程示意图;
图3是本发明一种基于物联网技术的工厂数据采集处理***中选取不同的极小值组合构成相应的传感器数据片段的方法的流程示意图;
图4是本发明一种基于物联网技术的工厂数据采集处理***中对获取的传感器数据进行异常判断的方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-图4,本发明提供技术方案:一种基于物联网技术的工厂数据采集处理***,包括:
数据采集模块,所述数据采集模块通过传感器对工厂数据进行采集;
数据分析模块,所述数据分析模块用于对数据采集模块采集的数据进行分析处理,进而根据分析结果对工厂数据进行校准,并对异常情况进行报警;
所述数据分析模块包括预处理模块、异常数据分析模块、生产状态预测模块及报警模块,
所述预处理模块获取数据采集模块采集的传感器数据,并对其进行筛选,筛选出采集的传感器数据中的极值,构成相应的传感器数据片段,并通过传感器数据片段构成的组合数据对,判断传感器数据片段之间的相似性,进而对获取的传感器数据进行异常判断,并对异常数据进行标记;
所述异常数据分析模块获取预处理模块标记的异常数据,参照历史数据对其进行分析,获取异常数据所属的传感器种类对应的正常波动范围G,获取该异常数据周围单位范围内的其余异常数据,将所得单位范围内的其余异常数据及该异常数据,均与该传感器种类对应的正常波动范围G进行比较,进而对该异常数据进行二次确认,确认其是否为假异常数据;
所述生产状态预测模块获取预处理模块的筛选结果及异常数据分析模块的分析结果,根据所得结果进行预测分析,判断工厂的生产状态是否异常;
所述报警模块对工厂生产状态的异常情况进行报警。
本发明通过各个模块的协同合作共同实现对工厂数据的采集与分析处理,进行实现对数据的筛选,确保采集的数据的准确性,为后续步骤中通过采集处理后的数据进一步分析,进而判断出工厂设备对应的生产状态,实现对工厂的智能化管理。
所述工厂数据包括工厂的生产状态数据,所述工厂的生产状态数据包括设备执行状态数据、设备周边环境状态数据及各设备对应的生产条件状态数据,
所述设备执行状态数据、设备周边环境状态数据及各设备对应的生产条件状态数据均包括至少一种传感器数据。
本发明通过传感器对工厂数据进行采集,并且从设备执行状态数据、设备周边环境状态数据及各设备对应的生产条件状态数据这几个方面对工厂的情况进行体现,这个在后续分析中,分析判断结果更加精准,即这几个方面的状态数据中哪部分异常,即对应的工厂的哪方面的生产状态出现了问题,对工厂生产状态异常问题的划分较为细致,便于人们快速发现工厂问题,并作出针对性的改进;工厂的生产状态数据中每种状态数据包括至少一种传感器数据是为了能够对工厂生产状态中的设备执行状态、设备周边环境状态及各设备对应的生产条件状态均能够实现监控管理,确保数据的完整性及对工厂监管的全面性。
本实施例中检测的出传感器数据种类包括设备周边环境温度、设备周边环境湿度、设备执行状态、设备生产温度、设备生产PH值等。
所述预处理模块对数据采集模块采集的传感器数据进行筛选的方法包括以下步骤:
S1、获取数据采集模块采集的传感器数据;
S2、筛选出采集的传感器数据中的极值,并将极值中的极大值用第一颜色进行标记,将极值中的极小值用第二颜色进行标记;
S3、以极小值对应的传感器数据为端点,选取不同的极小值组合构成相应的传感器数据片段,将每个传感器数据片段中传感器数据个数记为m1;
当相邻的n个传感器数据片段存在长度不在误差范围之内的情况时,判定获取的传感器数据片段之间不相似,跳转到S8;
S5、计算第j个组合数据对中第i组位置对应的数据之间差值的平方,记为aij,
S7、将S6中得到的a2与第一预设值进行比较,判断获取的传感器数据片段之间是否相似,
当a2小于第一预设值时,判定获取的传感器数据片段之间相似,
当a2大于等于第一预设值时,判定获取的传感器数据片段之间不相似;
S8、当获取的传感器数据片段之间不相似时,调整传感器数据片段中传感器数据个数m1,重新选取传感器数据片段,并跳转到S4;
S9、当获取的传感器数据片段之间相似时,确认传感器数据片段长度,记为m2,对获取的传感器数据进行异常判断,并将异常的传感器数据进行标记。
本实施例中存在相邻且长度在误差范围之内的3个传感器数据片段分别为片段甲(30,32,30)、片段乙(29,28,28)及片段丙(29,32,30),第一预设值为3,
构成的组合数据对有三种情况,分别为{(30,32,30),(29,28,28)}、{(30,32,30),(29,32,30)}及{(29,28,28),(29,32,30)},
在{(30,32,30),(29,28,28)}中,
在{(30,32,30),(29,32,30)}中,
在{(29,28,28),(29,32,30)}中,
本发明获取采集的传感器数据中的极大值及极小值,并将其用不同的颜色进行标记,是为了便于了解采集的传感器数据的变化趋势,进而便于分析出采集的传感器数据中的周期性规律,进而为后续传感器数据片段的分析及异常数据的判断做准备;选取不同的极小值组合的传感器数据片段是为了提前筛选出所有的传感器数据片段情况,进而为后续对采集的传感器数据中的周期长度进行判断;获取长度在误差范围之内的传感器片段是因为传感器数据是波动的,因此传感器数据片段会因为波动误差导致数据采集模块采集的传感器数据中极小值的位置发生偏移,进而导致划分的传感器数据片段长度发生变化,因此需要设置误差范围实现对传感器数据片段的筛选;设置组合数据对是为了便于传感器数据片段两两之间进行比较,进而计算出两个传感器数据片段之间的差异,即每个组合数据对对应的误差值;计算每个组合数据对中每组位置对应的数据之间差值的平方,即计算组合数据对中对应的两个传感器数据片段中,第一个传感器数据片段中的每一个传感器数据与第二个传感器数据片段中相应位置的传感器数据之间差值的平方,进而一个组合数据对对应多个;获取的过程中,计算两传感器数据差值的平方是因为差值结果符号不确定,有正数、负数及0,因此对差值进行平方不仅能够对符号进行统一,还能够使得得到的差值极化,即绝对值大于1的差值对应的结果更大,绝对值小于1的差值对应的结果更小,进而使得处理的结果两极化,便于进行数据筛选比较;计算a2是因为表示相邻的n个传感器数据片段之间的总体的误差值情况,进而将a2与第一预设值进行比较,能够较为直观的判断出获取的传感器数据片段之间的相似情况,即数据采集模块采集的传感器数据的周期情况,若相似,则说明m2即为数据采集模块采集的传感器数据的周期。
所述选取不同的极小值组合构成相应的传感器数据片段的方法包括以下步骤:
S3.1、以任意一个极小值为起始端点p1;
S3.2、按照传感器数据获取的先后顺序,筛选传感器数据中p1之后的所有极小值,并按顺序逐个录入第一集合中;
S3.3、选取第一集合中的任意一个极小值作为终止端点p2;
S3.4、截取起始端点p1与终止端点p2之间所有的传感器数据,得到该起始端点p1与终止端点p2对应的传感器数据片段,所述传感器数据片段包括起始端点p1对应的传感器数据,但是不包括终止端点p2对应的传感器数据。
本发明在获取传感器数据片段时,将p1之后的所有极小值录入第一集合,是为了便于对终止端点的筛选,第一集合中不同的极小值作为终止端点构成的传感器组合片段则不相同;设置述传感器数据片段包括起始端点p1对应的传感器数据,但是不包括终止端点p2对应的传感器数据是为了防止传感器数据片段中终止端点对应的传感器数据被多次统计,进而避免对后续异常数据的判断结果造成影响。
对传感器数据片段长度是否在误差范围之内的判定方法包括以下步骤:
S4.1、分别获取相邻的n个传感器数据片段的长度;
S4.2、分别求取任意两个传感器数据片段的长度差值的绝对值;
S4.3、计算S4.2得到的所有绝对值的平均值,并将所得平均值与第二预设值进行比较,
当所得平均值大于等于第二预设值时,判定该相邻的n个传感器数据片段长度不在误差范围之内,
当所得平均值小于第二预设值时,判定该相邻的n个传感器数据片段长度在误差范围之内。
本发明判断传感器数据片段长度是否在误差范围之内时,计算任意两个传感器数据片段的长度差值的绝对值,是为了获取该两个传感器数据片段之间的长度误差;计算S4.2得到的所有绝对值的平均值,是为了得到相邻的n个传感器数据片段的长度的综合误差,并将综合误差与第二预设值进行比较,得到该相邻的n个传感器数据片段长度是否在误差范围之内的判断结果,该计算方式对应的结果更加准确。
所述对获取的传感器数据进行异常判断的方法包括以下步骤:
S9.1、获取确认的传感器数据片段长度m2及获取的传感器数据;
S9.2、确定待进行异常判断的传感器数据在获取的传感器数据中的位置,
获取所述位置的过程中,首先获取按照传感器数据获取的先后顺序,先于该传感器数据且距离该传感器数据最近的极小值,然后获取该极小值与该传感器数据之间的距离;
S9.3、以S9.2中获取的极小值为起始端点,构建包含该传感器数据且长度与m2在误差范围之内的传感器数据片段,该传感器数据片段记为K;
S9.4、获取与K相邻且长度在误差范围之内的两个传感器数据片段,分别记为K1、K2;
S9.5、将K与K1进行比较,计算K中该传感器数据与K1中该传感器数据对应的数据之间差值的绝对值,记为b1,
将K与K2进行比较,计算K中该传感器数据与K2中该传感器数据对应的数据之间差值的绝对值,记为b2;
当所得比值大于等于第三预设值时,判定该传感器数据异常,
当所得比值小于第三预设值时,判定该传感器数据正常。
本发明对获取的传感器数据进行异常判断的过程中,确定待进行异常判断的传感器数据在获取的传感器数据中的位置是为了在后续步骤中从数据采集模块采集的传感器数据中筛选出包含该传感器数据且长度与m2在误差范围之内的传感器数据片段;在获取K的过程中,设置传感器数据片段的长度与m2在误差范围之内,是因为传感器数据的极小值位置是波动的,因为无法确认该传感器数据片段的具体长度,只能通过误差范围区间进行筛选;因为上述内容已经判定预处理模块获取的传感器数据具备周期性,因此通过该传感器数据在K中位置与K1或K2中的对应位置的数据进行比较,能够判断出该传感器数据是否异常;计算是因为相对于b1、b2更加稳定,更能反映正常数据的值大小。
判断K1中该传感器数据对应的数据的方法包括以下步骤:
S9.5.1、分别统计K与K1中的极大值、极小值,并按从起始端点至终止端点的方向分别对统计的极大值与极小值进行编号,
将第c1个极大值记为Dc1,将第c2个极小值记为Ec2,编号过程中将终止端点的前一个点及起始端点均视为极小值;
S9.5.2、获取该传感器数据在K中相邻的极大值编号Df1、极小值编号Ef2及K中极大值的总个数n1,
S9.5.3、获取K1中极大值的总个数n2,比较n1与n2是否相同;
S9.5.4、当n1=n2时,获取K中极大值编号Df1与极小值编号Ef2之间的传感器数据个数n3,获取K1中极大值编号Df1与极小值编号Ef2之间的传感器数据个数n4,比较n3与n4的大小,
当n3大于等于n4时,合并K中极大值编号Df1与极小值编号Ef2之间的传感器数据,得到合并后K中最终的Df1与Ef2之间传感器数据片段,
当n3小于n4时,合并K1中极大值编号Df1与极小值编号Ef2之间的传感器数据,得到合并后K中最终的Df1与Ef2之间传感器数据片段,
合并K中极大值编号Df1与极小值编号Ef2之间的传感器数据时,
X1-1、获取该传感器数据距离K中Df1的传感器数据个数n5,
X1-2、将K中极大值编号Df1与极小值编号Ef2之间的传感器数据中任意相邻的两个传感器数据求取平均值,得到K中新的Df1与Ef2之间传感器数据片段,所述任意相邻的两个传感器数据求取平均值的方法为求取Df1与Ef2之间的第i1个传感器数据与第i1+1个传感器数据的平均值作为K中新的Df1与Ef2之间传感器数据片段中的第i1个传感器数据;
X1-3、重复执行X1-2中所述内容|n3-n4|次,得到合并后K中最终的Df1与Ef2之间传感器数据片段;
本实施例中合并K中极大值编号Df1与极小值编号Ef2之间的传感器数据时,存在某K对应的极大值编号Df1与极小值编号Ef2之间的传感器数据分别为31、31、27及33,即n3=4,当n4=2时,则需要执行合并步骤的次数为|n3-n4|=4-2=2,
K中极大值编号Df1与极小值编号Ef2之间的传感器数据,第二次执行合并步骤后得到的结果为:,,即第二次执行合并步骤后K中新的Df1与Ef2之间传感器数据为30及,即合并后K中最终的Df1与Ef2之间传感器数据片段为(30,);
合并K1中极大值编号Df1与极小值编号Ef2之间的传感器数据时,原理与合并K中极大值编号Df1与极小值编号Ef2之间的传感器数据的原理相同,
当合并K中极大值编号Df1与极小值编号Ef2之间的传感器数据时,该传感器数据的数值变为合并后K中最终的Df1与Ef2之间传感器数据片段中第n5个传感器数据的数值,K1中该传感器数据对应的数据为K1中Df1与Ef2之间的第n5个传感器数据,
当合并K1中极大值编号Df1与极小值编号Ef2之间的传感器数据时,该传感器数据的数值不变,K1中该传感器数据对应的数据为合并后K1中最终的Df1与Ef2之间的第n5个传感器数据;
S9.5.5、当n1>n2时,合并K中的传感器数据,得到合并后最终的K,
当n1<n2时,合并K1中的传感器数据,得到合并后最终的K1,
合并K中的传感器数据时,
X2-1、获取该传感器数据距离K中起始端点的传感器数据个数n5’,获取K中传感器数据的个数n3’,获取K1中传感器数据的个数n4’;
X2-2、将K中的传感器数据中任意相邻的两个传感器数据求取平均值,得到新的K,该求取平均值的方法为求取K中的第i1个传感器数据与第i1+1个传感器数据的平均值作为新的K中的第i1个传感器数据;
X2-3、重复执行X2-2中所述内容|n3’-n4’|次,得到合并后最终的K;
合并K1中的传感器数据时,原理与合并K中的传感器数据的原理相同,
当合并K中的传感器数据时,该传感器数据的数值变为合并后最终的K中第n5’个传感器数据的数值,K1中该传感器数据对应的数据为K1中的第n5’个传感器数据,
当合并K1中的传感器数据时,该传感器数据的数值不变,K1中该传感器数据对应的数据为合并后最终的K1中的第n5’个数据。
本发明对统计的极大值与极小值进行编号是为了便于对该传感器数据相邻的极大值、极小值之间的传感器数据进行提取;比较n1与n2是否相同,是为了判断是合并K或者K1,还是合并K或者K1中Df1与Ef2之间的传感器数据,在n1与n2相同时,能够快速锁定该传感器数据在Df1与Ef2中对应的大小趋势,根据K1中Df1与Ef2之间的传感器数据,能够使得获取的该传感器对应的数据更加准确,但是在n1与n2不相同时,K中Df1与Ef2之间的传感器数据与K1中Df1与Ef2之间的传感器数据的位置会存在较大差异,因此依旧分析K1中Df1与Ef2之间的传感器数据的大小趋势,会导致的获取的该传感器对应的数据出现较大偏差,因此此时采用合并K或者K1的方式,从传感器数据片段整体进行考虑,根据该传感器数据在K中的位置,获取K1中该传感器数据对应的数据;合并数据的过程中,获取相邻两个传感器数据的平均值作为合并后的传感器数据中的一个数据,因此,执行一次X1-2或者X2-2时,相应的Df1与Ef2之间的传感器数据或传感器数据片段中的传感器数据个数会减少一个,计算K与K1中Df1与Ef2之间的传感器数据个数差值的绝对值或K与K1之间的传感器数据个数差值的绝对值,即可得到相应X1-2或者X2-2需要执行的次数,即合并后需要减少的传感器个数;合并后的最终K与K1的个数会相同,进而能够得到K1中该传感器数据对应的数据,其余情况同理。
所述异常数据分析模块对预处理模块标记的异常数据进行分析的方法包括以下步骤:
S1-1、获取预处理模块标记的异常数据及异常数据在数据采集模块获取的传感器数据中的位置;
S1-2、获取异常数据对应的传感器种类,将得到的传感器种类与历史数据库进行匹配,得到历史数据中该传感器种类中正常数据的平均值g;
S1-3、将g与历史数据库中该传感器种类对应的波动上限系数μ相乘,得到该传感器种类对应的波动值,进而得到该传感器种类对应的正常波动范围G,所述波动上限系数μ由历史数据库获取,g*(1-μ)≤G≤g*(1+μ)且1>μ>0;
S1-4、选取任意一个异常数据Z,根据异常数据Z在数据采集模块获取的传感器数据中的位置,获取以该异常数据Z为参照点,数据采集模块获取的传感器数据中单位范围内的其余异常数据的个数n6及相应的数值,将获取的其余异常数据与该异常数据Z均录入集合F中;
1≤y≤n6,
S1-7、将得到的h1与第四预设值进行比较,对该异常数据Z进行二次确认,
当h1大于等于第四预设值时,判定该异常数据Z为真异常数据,且该异常数据Z对应的工厂设备生产状态异常,
当h1小于第四预设值时,判定该异常数据Z为假异常数据,并对该假异常数据进行校准,所述校准方法为计算数据采集模块获取的传感器数据中该异常数据Z相邻的v个传感器数据的平均值,并用所得的平均值替换该异常数据Z对应的值。
本实施例中若存在异常数据甲对应的数值为23,数据采集模块获取的传感器数据中单位范围内的其余异常数据的个数2,数值分别为21及35,进而得到集合F内的值包括21、35及23,第二预设值为10,
历史数据中该传感器种类中正常数据的平均值g为30,,历史数据库中该传感器种类对应的波动上限系数μ为0.1,得到该传感器种类对应的波动值为30*0.1=3,
进而得到该传感器种类对应的正常波动范围G为27≤G≤33,
因为21<27,则异常数据21对应的误差为27-21=6;
因为23<27,则异常数据23对应的误差为27-23=4;
因为35>33,则异常数据35对应的误差为35-33=2;
集合F内所有异常数据分别对应的误差的和h1=6+4+2=12;
由于12>10,因此判定异常数据甲为真异常数据,且异常数据甲对应的工厂设备生产状态异常。
本发明异常数据分析模块对预处理模块标记的异常数据进行分析的过程中,获取历史数据中该传感器种类中正常数据的平均值g是为了分析历史情况中该传感器的平均数据情况(采集的正常数据水平);获取G是为了对获取该传感器种类对应的正常数据范围,便于与该异常数据Z进行对比;获取的其余异常数据与该异常数据Z均录入集合F是为了获取该异常数据Z周边的数据情况,进而判断该异常数据Z是否为假异常数据;将集合F中的每一个异常数据均与该传感器种类对应的正常波动范围G进行比较,是为了判断集合F中的每个异常数据与G之间的误差情况,当异常数据在G内时,则判定异常数据在误差范围内,误差为0;当异常数据不在G内时,则获取异常范围与G差值的绝对值中的最小值,即两者之间的误差;获取h1是为了反映出该异常数据Z周边数据的情况,进而对该异常数据Z进行真、假异常数据判断;波动上限系数μ是通过历史数据库该传感器种类对应的历史数据中正常数据范围获取的,计算该正常数据范围中极大值的平均值与极小值的平均值,分别计算极大值的平均值减g的差值与g 的商及g减极小值的平均值的差值与g 的商,两个商中的最小值即为波动上限系数μ。
当数据采集模块获取的传感器数据中只含有正常数据及假异常数据时,将数据采集模块获取的且经异常数据分析模块处理后的传感器数据传递到生产状态预测模块,所述生产状态预测模块根据获取的传感器数据对工厂的生产状态进行预测,判定工厂的生产状态是否异常。
本发明生产状态预测模块是根据处理后的传感器数据进行工厂生产状态预测,判断工厂的生产状态是否异常。
所述报警模块实时获取异常数据分析模块及生产状态预测模块的判断结果,
当工厂的生产状态异常时,报警模块进行报警,
当工厂的生产状态均正常时,则不进行报警。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于物联网技术的工厂数据采集处理***,其特征在于,包括:
数据采集模块,所述数据采集模块通过传感器对工厂数据进行采集;
数据分析模块,所述数据分析模块用于对数据采集模块采集的数据进行分析处理,进而根据分析结果对工厂数据进行校准,并对异常情况进行报警;
所述数据分析模块包括预处理模块、异常数据分析模块、生产状态预测模块及报警模块,
所述预处理模块获取数据采集模块采集的传感器数据,并对其进行筛选,筛选出采集的传感器数据中的极值,构成相应的传感器数据片段,并通过传感器数据片段构成的组合数据对,判断传感器数据片段之间的相似性,进而对获取的传感器数据进行异常判断,并对异常数据进行标记;
所述异常数据分析模块获取预处理模块标记的异常数据,参照历史数据对其进行分析,获取异常数据所属的传感器种类对应的正常波动范围G,获取该异常数据周围单位范围内的其余异常数据,将所得单位范围内的其余异常数据及该异常数据,均与该传感器种类对应的正常波动范围G进行比较,进而对该异常数据进行二次确认,确认其是否为假异常数据;
所述生产状态预测模块获取预处理模块的筛选结果及异常数据分析模块的分析结果,根据所得结果进行预测分析,判断工厂的生产状态是否异常;
所述报警模块对工厂生产状态的异常情况进行报警。
2.根据权利要求1所述的一种基于物联网技术的工厂数据采集处理***,其特征在于:所述工厂数据包括工厂的生产状态数据,所述工厂的生产状态数据包括设备执行状态数据、设备周边环境状态数据及各设备对应的生产条件状态数据,
所述设备执行状态数据、设备周边环境状态数据及各设备对应的生产条件状态数据均包括至少一种传感器数据。
3.根据权利要求1所述的一种基于物联网技术的工厂数据采集处理***,其特征在于:所述预处理模块对数据采集模块采集的传感器数据进行筛选的方法包括以下步骤:
S1、获取数据采集模块采集的传感器数据;
S2、筛选出采集的传感器数据中的极值,并将极值中的极大值用第一颜色进行标记,将极值中的极小值用第二颜色进行标记;
S3、以极小值对应的传感器数据为端点,选取不同的极小值组合构成相应的传感器数据片段,将每个传感器数据片段中传感器数据个数记为m1;
当相邻的n个传感器数据片段存在长度不在误差范围之内的情况时,判定获取的传感器数据片段之间不相似,跳转到S8;
S5、计算第j个组合数据对中第i组位置对应的数据之间差值的平方,记为aij,
S7、将S6中得到的a2与第一预设值进行比较,判断获取的传感器数据片段之间是否相似,
当a2小于第一预设值时,判定获取的传感器数据片段之间相似,
当a2大于等于第一预设值时,判定获取的传感器数据片段之间不相似;
S8、当获取的传感器数据片段之间不相似时,调整传感器数据片段中传感器数据个数m1,重新选取传感器数据片段,并跳转到S4;
S9、当获取的传感器数据片段之间相似时,确认传感器数据片段长度,记为m2,对获取的传感器数据进行异常判断,并将异常的传感器数据进行标记。
4.根据权利要求3所述的一种基于物联网技术的工厂数据采集处理***,其特征在于:所述选取不同的极小值组合构成相应的传感器数据片段的方法包括以下步骤:
S3.1、以任意一个极小值为起始端点p1;
S3.2、按照传感器数据获取的先后顺序,筛选传感器数据中p1之后的所有极小值,并按顺序逐个录入第一集合中;
S3.3、选取第一集合中的任意一个极小值作为终止端点p2;
S3.4、截取起始端点p1与终止端点p2之间所有的传感器数据,得到该起始端点p1与终止端点p2对应的传感器数据片段,所述传感器数据片段包括起始端点p1对应的传感器数据,但是不包括终止端点p2对应的传感器数据。
5.根据权利要求3所述的一种基于物联网技术的工厂数据采集处理***,其特征在于:对传感器数据片段长度是否在误差范围之内的判定方法包括以下步骤:
S4.1、分别获取相邻的n个传感器数据片段的长度;
S4.2、分别求取任意两个传感器数据片段的长度差值的绝对值;
S4.3、计算S4.2得到的所有绝对值的平均值,并将所得平均值与第二预设值进行比较,
当所得平均值大于等于第二预设值时,判定该相邻的n个传感器数据片段长度不在误差范围之内,
当所得平均值小于第二预设值时,判定该相邻的n个传感器数据片段长度在误差范围之内。
6.根据权利要求3所述的一种基于物联网技术的工厂数据采集处理***,其特征在于:所述对获取的传感器数据进行异常判断的方法包括以下步骤:
S9.1、获取确认的传感器数据片段长度m2及获取的传感器数据;
S9.2、确定待进行异常判断的传感器数据在获取的传感器数据中的位置,
获取所述位置的过程中,首先获取按照传感器数据获取的先后顺序,先于该传感器数据且距离该传感器数据最近的极小值,然后获取该极小值与该传感器数据之间的距离;
S9.3、以S9.2中获取的极小值为起始端点,构建包含该传感器数据且长度与m2在误差范围之内的传感器数据片段,该传感器数据片段记为K;
S9.4、获取与K相邻且长度在误差范围之内的两个传感器数据片段,分别记为K1、K2;
S9.5、将K与K1进行比较,计算K中该传感器数据与K1中该传感器数据对应的数据之间差值的绝对值,记为b1,
将K与K2进行比较,计算K中该传感器数据与K2中该传感器数据对应的数据之间差值的绝对值,记为b2;
当所得比值大于等于第三预设值时,判定该传感器数据异常,
当所得比值小于第三预设值时,判定该传感器数据正常。
7.根据权利要求1所述的一种基于物联网技术的工厂数据采集处理***,其特征在于:判断K1中该传感器数据对应的数据的方法包括以下步骤:
S9.5.1、分别统计K与K1中的极大值、极小值,并按从起始端点至终止端点的方向分别对统计的极大值与极小值进行编号,
将第c1个极大值记为Dc1,将第c2个极小值记为Ec2,编号过程中将终止端点的前一个点及起始端点均视为极小值;
S9.5.2、获取该传感器数据在K中相邻的极大值编号Df1、极小值编号Ef2及K中极大值的总个数n1;
S9.5.3、获取K1中极大值的总个数n2,比较n1与n2是否相同;
S9.5.4、当n1=n2时,获取K中极大值编号Df1与极小值编号Ef2之间的传感器数据个数n3,获取K1中极大值编号Df1与极小值编号Ef2之间的传感器数据个数n4,比较n3与n4的大小,
当n3大于等于n4时,合并K中极大值编号Df1与极小值编号Ef2之间的传感器数据,得到合并后K中最终的Df1与Ef2之间传感器数据片段,
当n3小于n4时,合并K1中极大值编号Df1与极小值编号Ef2之间的传感器数据,得到合并后K中最终的Df1与Ef2之间传感器数据片段,
合并K中极大值编号Df1与极小值编号Ef2之间的传感器数据时,
X1-1、获取该传感器数据距离K中Df1的传感器数据个数n5,
X1-2、将K中极大值编号Df1与极小值编号Ef2之间的传感器数据中任意相邻的两个传感器数据求取平均值,得到K中新的Df1与Ef2之间传感器数据片段,所述任意相邻的两个传感器数据求取平均值的方法为求取Df1与Ef2之间的第i1个传感器数据与第i1+1个传感器数据的平均值作为K中新的Df1与Ef2之间传感器数据片段中的第i1个传感器数据;
X1-3、重复执行X1-2中所述内容|n3-n4|次,得到合并后K中最终的Df1与Ef2之间传感器数据片段;
合并K1中极大值编号Df1与极小值编号Ef2之间的传感器数据时,原理与合并K中极大值编号Df1与极小值编号Ef2之间的传感器数据的原理相同,
当合并K中极大值编号Df1与极小值编号Ef2之间的传感器数据时,该传感器数据的数值变为合并后K中最终的Df1与Ef2之间传感器数据片段中第n5个传感器数据的数值,K1中该传感器数据对应的数据为K1中Df1与Ef2之间的第n5个传感器数据,
当合并K1中极大值编号Df1与极小值编号Ef2之间的传感器数据时,该传感器数据的数值不变,K1中该传感器数据对应的数据为合并后K1中最终的Df1与Ef2之间的第n5个传感器数据;
S9.5.5、当n1>n2时,合并K中的传感器数据,得到合并后最终的K,
当n1<n2时,合并K1中的传感器数据,得到合并后最终的K1,
合并K中的传感器数据时,
X2-1、获取该传感器数据距离K中起始端点的传感器数据个数n5’,获取K中传感器数据的个数n3’,获取K1中传感器数据的个数n4’;
X2-2、将K中的传感器数据中任意相邻的两个传感器数据求取平均值,得到新的K,该求取平均值的方法为求取K中的第i1个传感器数据与第i1+1个传感器数据的平均值作为新的K中的第i1个传感器数据;
X2-3、重复执行X2-2中所述内容|n3’-n4’|次,得到合并后最终的K;
合并K1中的传感器数据时,原理与合并K中的传感器数据的原理相同,
当合并K中的传感器数据时,该传感器数据的数值变为合并后最终的K中第n5’个传感器数据的数值,K1中该传感器数据对应的数据为K1中的第n5’个传感器数据,
当合并K1中的传感器数据时,该传感器数据的数值不变,K1中该传感器数据对应的数据为合并后最终的K1中的第n5’个数据。
8.根据权利要求3所述的一种基于物联网技术的工厂数据采集处理***,其特征在于:所述异常数据分析模块对预处理模块标记的异常数据进行分析的方法包括以下步骤:
S1-1、获取预处理模块标记的异常数据及异常数据在数据采集模块获取的传感器数据中的位置;
S1-2、获取异常数据对应的传感器种类,将得到的传感器种类与历史数据库进行匹配,得到历史数据中该传感器种类中正常数据的平均值g;
S1-3、将g与历史数据库中该传感器种类对应的波动上限系数μ相乘,得到该传感器种类对应的波动值,进而得到该传感器种类对应的正常波动范围G,所述波动上限系数μ由历史数据库获取,g*(1-μ)≤G≤g*(1+μ)且1>μ>0;
S1-4、选取任意一个异常数据Z,根据异常数据Z在数据采集模块获取的传感器数据中的位置,获取以该异常数据Z为参照点,数据采集模块获取的传感器数据中单位范围内的其余异常数据的个数n6及相应的数值,将获取的其余异常数据与该异常数据Z均录入集合F中;
S1-7、将得到的h1与第四预设值进行比较,对该异常数据Z进行二次确认,
当h1大于等于第四预设值时,判定该异常数据Z为真异常数据,且该异常数据Z对应的工厂设备生产状态异常,
当h1小于第四预设值时,判定该异常数据Z为假异常数据,并对该假异常数据进行校准,所述校准方法为计算数据采集模块获取的传感器数据中该异常数据Z相邻的v个传感器数据的平均值,并用所得的平均值替换该异常数据Z对应的值。
9.根据权利要求8所述的一种基于物联网技术的工厂数据采集处理***,其特征在于:当数据采集模块获取的传感器数据中只含有正常数据及假异常数据时,将数据采集模块获取的且经异常数据分析模块处理后的传感器数据传递到生产状态预测模块,所述生产状态预测模块根据获取的传感器数据对工厂的生产状态进行预测,判定各个工厂的生产状态是否异常。
10.根据权利要求9所述的一种基于物联网技术的工厂数据采集处理***,其特征在于:所述报警模块实时获取异常数据分析模块及生产状态预测模块的判断结果,
当存在工厂的生产状态异常时,报警模块进行报警,
当工厂的生产状态均正常时,则不进行报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111279407.9A CN113726911B (zh) | 2021-11-01 | 2021-11-01 | 一种基于物联网技术的工厂数据采集处理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111279407.9A CN113726911B (zh) | 2021-11-01 | 2021-11-01 | 一种基于物联网技术的工厂数据采集处理*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113726911A true CN113726911A (zh) | 2021-11-30 |
CN113726911B CN113726911B (zh) | 2022-01-14 |
Family
ID=78686239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111279407.9A Active CN113726911B (zh) | 2021-11-01 | 2021-11-01 | 一种基于物联网技术的工厂数据采集处理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113726911B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114528276A (zh) * | 2022-02-21 | 2022-05-24 | 南京鼎傲科技有限公司 | 一种基于人工智能的大数据采集存储管理***及方法 |
CN114562796A (zh) * | 2022-02-28 | 2022-05-31 | 北京安电科技有限公司 | 楼宇恒温恒湿恒净恒氧空调智能*** |
CN114595256A (zh) * | 2022-03-14 | 2022-06-07 | 哈尔滨市若初科技有限责任公司 | 一种基于大数据的信息管理***及方法 |
CN115116203A (zh) * | 2022-04-25 | 2022-09-27 | 苏州市鼎泰精密机械有限公司 | 一种电流条生产用监测报警*** |
CN115510302A (zh) * | 2022-11-16 | 2022-12-23 | 西北工业大学 | 基于大数据统计的智能工厂数据分类方法 |
CN117518939A (zh) * | 2023-12-06 | 2024-02-06 | 广州市顺风船舶服务有限公司 | 一种基于大数据的工业控制*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090216775A1 (en) * | 2008-02-22 | 2009-08-27 | Marc Gregory Ratliff | Platform for real-time tracking and analysis |
CN111061620A (zh) * | 2019-12-27 | 2020-04-24 | 福州林科斯拉信息技术有限公司 | 一种混合策略的服务器异常智能检测方法及检测*** |
CN112288116A (zh) * | 2019-07-12 | 2021-01-29 | 上海芯港信息科技有限责任公司 | 一种生产制造流程优化管理的工业大数据***及方法 |
CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和*** |
CN113126015A (zh) * | 2021-04-29 | 2021-07-16 | 广东电网有限责任公司电力科学研究院 | 多通道电能质量监测装置测量精度的检测方法及装置 |
CN113139880A (zh) * | 2021-03-31 | 2021-07-20 | 华润风电(费县)有限公司 | 风电机组实际功率曲线拟合方法、装置、设备及存储介质 |
-
2021
- 2021-11-01 CN CN202111279407.9A patent/CN113726911B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090216775A1 (en) * | 2008-02-22 | 2009-08-27 | Marc Gregory Ratliff | Platform for real-time tracking and analysis |
CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和*** |
CN112288116A (zh) * | 2019-07-12 | 2021-01-29 | 上海芯港信息科技有限责任公司 | 一种生产制造流程优化管理的工业大数据***及方法 |
CN111061620A (zh) * | 2019-12-27 | 2020-04-24 | 福州林科斯拉信息技术有限公司 | 一种混合策略的服务器异常智能检测方法及检测*** |
CN113139880A (zh) * | 2021-03-31 | 2021-07-20 | 华润风电(费县)有限公司 | 风电机组实际功率曲线拟合方法、装置、设备及存储介质 |
CN113126015A (zh) * | 2021-04-29 | 2021-07-16 | 广东电网有限责任公司电力科学研究院 | 多通道电能质量监测装置测量精度的检测方法及装置 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114528276A (zh) * | 2022-02-21 | 2022-05-24 | 南京鼎傲科技有限公司 | 一种基于人工智能的大数据采集存储管理***及方法 |
CN114528276B (zh) * | 2022-02-21 | 2024-01-19 | 新疆能源翱翔星云科技有限公司 | 一种基于人工智能的大数据采集存储管理***及方法 |
CN114562796A (zh) * | 2022-02-28 | 2022-05-31 | 北京安电科技有限公司 | 楼宇恒温恒湿恒净恒氧空调智能*** |
CN114595256A (zh) * | 2022-03-14 | 2022-06-07 | 哈尔滨市若初科技有限责任公司 | 一种基于大数据的信息管理***及方法 |
CN114595256B (zh) * | 2022-03-14 | 2022-10-28 | 北京浩太同益科技发展有限公司 | 一种基于大数据的信息管理***及方法 |
CN115116203A (zh) * | 2022-04-25 | 2022-09-27 | 苏州市鼎泰精密机械有限公司 | 一种电流条生产用监测报警*** |
CN115510302A (zh) * | 2022-11-16 | 2022-12-23 | 西北工业大学 | 基于大数据统计的智能工厂数据分类方法 |
CN117518939A (zh) * | 2023-12-06 | 2024-02-06 | 广州市顺风船舶服务有限公司 | 一种基于大数据的工业控制*** |
Also Published As
Publication number | Publication date |
---|---|
CN113726911B (zh) | 2022-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113726911B (zh) | 一种基于物联网技术的工厂数据采集处理*** | |
EP2992340B1 (en) | System and method for ups battery monitoring and data analysis | |
CN111737909B (zh) | 基于时空图卷积网络的结构健康监测数据异常识别方法 | |
CN113344134B (zh) | 一种低压配电监控终端数据采集异常检测方法及*** | |
CN107436277A (zh) | 基于相似距离判别的单指标数据质量控制方法 | |
Zhu et al. | Two-dimensional contribution map for fault identification [focus on education] | |
KR20190062739A (ko) | 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법, 알고리즘 및 장치 | |
CN110941648A (zh) | 基于聚类分析的异常数据识别方法、***和存储介质 | |
CN108957385B (zh) | 一种电能计量设备自动化检定线异常表位确认方法及装置 | |
DE102018115155A1 (de) | Verfahren zum Vorhersagen von Anlagendaten und Vorrichtung, die es verwendet | |
CN114005282B (zh) | 一种基于群智感知的智慧城市交通管理***及方法 | |
CN107679089A (zh) | 一种用于电力传感数据的清洗方法、装置和*** | |
CN115167323A (zh) | 基于数字化工厂的工控设备反馈信息指令传输*** | |
CN115640860A (zh) | 一种工业云服务的机电设备远程维护方法及*** | |
CN113947726A (zh) | 基于互联网的生态河湖区域监管*** | |
CN115664038A (zh) | 一种用于电气安全管理的智能配电运维监控*** | |
CN116755411A (zh) | 一种工业设备数据采集方法及装置 | |
CN114861774A (zh) | 一种电网中虚假数据识别方法及*** | |
CN112288126B (zh) | 一种采样数据异常变化在线监测与诊断方法 | |
CN116308293B (zh) | 一种基于数字化平台的农业设备智能管理***及方法 | |
TWI639908B (zh) | 製程偵錯與診斷方法 | |
CN113778042B (zh) | 基于信息化建模的工控设备指令模拟运行通信*** | |
KR102576390B1 (ko) | 통계 분석에 기반한 거짓 경보 감소 방법 및 장치 | |
Sarquis Filho et al. | Practical recommendations for the design of automatic fault detection algorithms based on experiments with field monitoring data | |
WO2020183781A1 (ja) | 異常診断装置 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 10th Floor, Building C, Shimaochengpin International Plaza, No. 62 Andemen Street, Yuhuatai District, Nanjing City, Jiangsu Province, 210012 Patentee after: Nanjing Jiangmen Information Technology Co.,Ltd. Address before: 210000 No.2 tulip Road, Yuhuatai District, Nanjing City, Jiangsu Province Patentee before: NANJING REDOOR INFORMATION TECHNOLOGY Co.,Ltd. |