CN114244866A - 一种基于物联网的生产设备监管*** - Google Patents
一种基于物联网的生产设备监管*** Download PDFInfo
- Publication number
- CN114244866A CN114244866A CN202111473524.9A CN202111473524A CN114244866A CN 114244866 A CN114244866 A CN 114244866A CN 202111473524 A CN202111473524 A CN 202111473524A CN 114244866 A CN114244866 A CN 114244866A
- Authority
- CN
- China
- Prior art keywords
- sensor
- data
- event
- current
- noise
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 52
- 230000006855 networking Effects 0.000 title description 2
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000002790 cross-validation Methods 0.000 claims abstract description 10
- 238000012423 maintenance Methods 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims description 49
- 238000010801 machine learning Methods 0.000 claims description 25
- 238000003745 diagnosis Methods 0.000 claims description 18
- 238000007726 management method Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 230000001960 triggered effect Effects 0.000 claims description 12
- 238000013500 data storage Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 10
- 230000006399 behavior Effects 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000002688 persistence Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 11
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000004092 self-diagnosis Methods 0.000 abstract description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16Y40/50—Safety; Security of things, users, data or systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computer Security & Cryptography (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明公开了一种基于物联网的生产设备监管***,本发明针对制造类企业,通过振动传感器、噪声传感器与电流传感器实时获取关键生产设备的开工状态,并通过后端平台监控关键生产设备的开工时间,能够对企业经营状况的偏离进行实时提示或告警。多维度的传感器数据提供了交叉验证依据,减少了数据错误或造假可能。本发明通过多维度传感器数据的协同,实现对现场传感器自身工作状态的管理,通过后端平台对异构现场传感器的工作异常情况实现自诊断预警,可提示维护人员及时介入处置。本发明采集的数据尽可能减少多余信息,降低隐私泄露风险。
Description
技术领域
本发明涉及物联网技术领域,尤其涉及一种基于物联网的生产设备监管***。
背景技术
为了降低中小企业融资贷款的风险,银行等金融机构已经采用物联网技术对企业经营动态进行监控,目前常用的方案主要包括利用智能水电表采集企业用水用电的能耗,利用智能摄像头采集人车进出流量,以及通过地磅***或者视频***实现企业产品产量数据的采集。这些物联网数据可以反映企业现场的客观经营情况。
物联网终端采集的数据将通过有线或无线网络传输至银行等金融机构内部的服务器,原始数据经过清洗后,通过预设的业务规则判断企业的经营动态数据是否出现异常,可以用于金融信贷风险管控。
对于机加工类企业,生产线的开工数据是一项重要的监管维度。目前常用的方案是通过地磅***对生产的货物重量进行称重,或使用视频***对货物进行监控。但是地磅***的改造工作量大,且实施成本非常高昂;而视频技术依赖的货物识别算法对于每一个场景均需要定制开发,开发与落地成本较高,并且在库房内部等敏感区域安装摄像头易导致企业隐私存在泄露风险,会引起企业方的抵触情绪,因此需要采用其他手段获取产线的开工数据。
此外,由于物联网终端分布在企业现场,现有的监管方案未涉及终端工作情况的管理。当现场的终端出现自身工作异常等情况,或被人为移动、拆除而导致数据异常时,需要设计机制对异常行为进行及时报警,以便于维护人员及时介入,处理异常状况。
发明内容
本发明的目的在于针对现有技术的不足,提供一种基于物联网的生产设备监管***,本发明针对制造类企业,通过振动传感器、噪声传感器与电流传感器实时获取关键生产设备的开工状态,并通过后端平台监控关键生产设备的开工时间,与预设指标进行对比,对企业经营状况的偏离进行实时提示或告警。多维度的传感器数据提供了交叉验证依据,减少了数据错误或造假可能。本发明通过多维度传感器数据的协同,实现对现场传感器自身工作状态的管理,通过后端平台对异构现场传感器的工作异常情况实现自诊断预警,可提示维护人员及时介入处置。
本发明的目的是通过以下技术方案实现的:一种基于物联网的生产设备监管***,该***包括现场终端层和技术平台层;
所述现场终端层的传感器终端部署在企业生产车间的关键生产设备上,所述传感器终端包括振动传感器、噪声传感器和电流传感器;
所述振动传感器安装在待监控生产设备上,通过内嵌加速度传感器判断设备是否处于振动状态,作为设备开关机状态的判断依据;
所述噪声传感器安装在待监控生产设备上或周围区域,采集现场噪声强度,作为设备开关机状态的判断依据;
所述电流传感器安装在待监控生产设备的供电电缆上,捕捉设备供电电缆上的电流变化,作为设备开关机状态的判断依据;
所述传感器终端采集的数据传输至边缘网关,通过所述边缘网传输至所述技术平台层;
所述技术平台层包括接入网关模块、终端管理模块、终端诊断模块和数据储存模块;
所述接入网关模块支持异构化的物联网终端设备接入,所述接入网关模块将接收的传感器数据进行处理并解析后,数据报文转换为统一的消息格式,推送至终端管理模块、终端诊断模块以及数据储存模块;
所述终端管理模块用于传感器终端的注册和统一管理,当传感器终端在现场安装时,用户需要注册传感器终端,使所述传感器终端与现场生产设备进行绑定,并提供物模型的配置与传感器终端上下线管理功能;
所述终端诊断模块用于判定传感器终端是否出现工作异常,对于不同种类的传感器制定相应的判定规则;所述判定规则包括单一传感器自身的故障判定规则,以及多维度传感器之间的交叉验证判定规则;所述多维度传感器之间的交叉验证判定规则通过以下方式确定:对不同种类的传感器数据进行数据采集、数据预处理,分别通过专家规则与机器学习模型进行数据建模,当专家规则与机器学习模型上线后,对采集的现场传感器数据进行验证,判断传感器终端工作状态;
所述数据储存模块提供数据的持久化存储功能。
进一步地,所述振动传感器与所述技术平台层的网络通讯利用事件进行触发,所述振动传感器的信息通过以下模式上报:当设备开始振动时,振动传感器上传信息,典型数据字段包括传感器序列号、振动开始事件类型与当前时间戳;当振动停止并在阈值Tv时间内未触发新的振动,振动传感器上传信息,典型数据字段包括传感器序列号、振动停止事件类型与当前时间戳,其中Tv为传感器预设参数。
进一步地,所述噪声传感器与所述技术平台层的网络通讯利用事件进行触发,所述噪声传感器的信息通过以下模式上报:当现场噪声的声音强度分贝值超过开机下限阈值Nd1并保持阈值时间Ts1时,噪声传感器上传信息,典型数据字段包括传感器序列号、噪声触发事件类型与当前时间戳;当现场噪声的声音强度分贝值持续低于关机上限阈值Nd2并保持阈值时间Ts2时,噪声传感器上传信息,典型数据字段包括传感器序列号、噪声停止事件类型与当前时间戳;其中Nd1,Ts1,Nd2,Ts2为传感器预设参数。
进一步地,所述电流传感器与所述技术平台层的网络通讯利用事件进行触发,所述电流传感器的信息通过以下模式上报:无论检测到的电流值增加还是减少,当其变化量超过电流变化值阈值Is时,电流传感器上传信息,典型数据字段包括传感器序列号、当前电流值与当前时间戳,其中Is为传感器预设参数。
进一步地,所述边缘网关可以是一个独立的终端设备,采集现场各种传感器的信息并统一上传至所述技术平台层,也可以被集成在每个传感器终端中,将该传感器采集的数据独立上传至所述技术平台层。
进一步地,所述终端诊断模块中,所述对不同种类的传感器数据进行数据采集,包括:
将传感器终端部署在企业现场生产设备上,测量设备开机和关机时的典型噪声值与电流值,确定对应噪声传感器的开机下限阈值Nd1和关机上限阈值Nd2,以及电流传感器电流变化值阈值Is;传感器终端安装完毕后,持续采集一段时间的原始数据,作为数据建模的原始样本;
假设企业现场有若干台生产设备,取其中第n台设备作为研究对象,在设备上分别部署振动传感器、噪声传感器与电流传感器,采集数据分为三个数据集,分别对应该设备产生的振动事件触发、噪声事件触发与电流变化事件触发;
设振动事件数据集为N1,典型内容如下:
N1={{Sn1,E11,T11},…,{Sn1,Ei1,Ti1},…}
其中Sn1代表第n个振动传感器序列号;Ei1代表第i次振动事件内容,包括振动开始与振动结束,分别对应开机与关机,Ti1代表第i次振动事件时间戳;
设噪声事件数据集为N2,典型内容如下:
N2={{Sn2,E12,T12},…,{Sn2,Ei2,Ti2},…}
其中Sn2代表第n个噪声传感器序列号,Ei2代表第i次噪声事件内容,包括噪声值大于Nd1与噪声值小于Nd2,分别对应开机与关机,Ti2代表第i次噪声事件时间戳;
设电流变化事件数据集为N3,典型内容如下:
N3={{Sn3,I13,T13},…,{Sn3,Ii3,Ti3},…}
其中Sn3代表第n个电流传感器序列号,Ii3代表第i次电流变化事件对应的电流值,Ti3为第i次电流变化事件时间戳。
进一步地,所述终端诊断模块中,对采集的不同种类的传感器数据进行预处理,包括:
(1)电流变化事件转化:约定设备开机时电流下限值为Is1,设备关机时电流上限值为Is2,对于某一次电流变化事件,若真实电流值Ii3>Is1,认为该次事件对应设备开机,若真实电流值Ii3<Is2,认为该次事件对应设备关机,处理完毕的电流变化事件数据集为N3’,典型内容如下:
N3’={{Sn3,E13,T13},…,{Sn3,Ei3,Ti3},…}
其中Sn3代表第n个电流传感器序列号,Ei3代表第i次电流变化事件内容,包括电流值大于Is1和电流值小于Is2,分别对应开机与关机,Ti3代表第i次电流变化事件时间戳;
(2)开关机事件归并:将三个维度传感器数据进行归并,即将每一次开关机事件进行标记,其需要包含每类传感器对应的时间戳,对于第n个传感器,归并后的开关机事件数据集Nsw,典型内容如下:
Nsw={{Sw1,T11,T12,T13},…,{Swi,Ti1,Ti2,Ti3},…}
其中Swi为第i次开/关机事件,Ti1,Ti2,Ti3分别为振动传感器、噪声传感器、电流传感器检测到的开/关机时间;
若某传感器开关机事件未包含三个维度的时间戳数据,使用空数据填充;
(3)正负样本划分:在数据采集过程中,进行负样本的采集和标注;对于归并后的开关机事件数据集Nsw,将其中每一组数据分别进行正负样本标注,得到标注后的数据集Nswm,所述数据集Nswm对应被监控设备运行情况、时间戳以及标注情况,典型内容如下:
Nswm={{Sw1,T11,T12,T13,m1},…,{Swi,Ti1,Ti2,Ti3,mi},…}
其中mi为True或False,分别表示该组数据被标注为正样本或负样本。
进一步地,所述终端诊断模块中,所述数据建模包括:
(1)专家规则:当生产设备开机或关机时,三种传感器上报的事件从时间角度上应当同步;假设某次设备开机/关机时,振动事件、噪声事件和电流变化事件对应的原始时间戳分别为Ti1、Ti2、Ti3,当传感器运行正常时,对应的三个时间戳两两之间的差值在统计上应满足正态分布,令随机事件X1为振动事件时间戳与噪声事件时间戳差值,随机事件X2为振动事件时间戳与电流变化事件时间戳差值,随机事件X3为噪声事件时间戳与电流变化事件时间戳差值,X1、X2、X3均应满足正态分布,表示为:
X1~N(μ1,σ1),X2~N(μ2,σ2),X3~N(μ3,σ3)
其中μ1、σ1分别为X1对应的均值和标准差,μ2、σ2分别为X2对应的均值和标准差,μ3、σ3分别为X3对应的均值和标准差;
确定均值与标准差的具体方法可采用统计分析,进行正态分布的参数拟合,得出均值以及标准差,取95%置信区间上界的方法设置专家规则;
(2)机器学习模型:基于采集获得的数据及标签,进行基于机器学习的分类模型训练;分类模型训练过程中,调用XGBoost或逻辑回归模型,进行模型的拟合,将采集到的开关机数据及人工标注完成的数据集进行空值填充、归一化预处理后输入模型,模型将基于正负标记进行二分类训练。
进一步地,所述终端诊断模块中,专家规则及机器学习模型上线后,将以日为单位进行数据采集,并对数据进行验证;
对于上线后的待测数据,采用如下机制归并每次开关机事件:设定时间阈值Tm,当某一个传感器产生开机或关机行为时,在时间阈值Tm期间内最近产生的其他传感器的开机或关机行为被自动归并为同一组事件数据;如果在时间阈值Tm内未产生其他传感器的数据,则认为数据丢失,使用空数据填充;
每组归并后的开关机事件数据通过专家规则与机器学习模型依次判定是否出现传感器工作异常,如果通过专家规则判断传感器工作正常,则不做后续处理,否则将通过机器学习模型进一步判定,如果机器学习模型判定传感器工作正常,则认定传感器工作正常,否则认定传感器工作异常,提示维护人员介入。
进一步地,该***还包括预警模块,所述预警模块用于分析企业经营动态数据,并将业务结果与预设预警规则进行对比,如果业务结果偏离了预设预警规则,则触发企业动态异常的告警功能,并通知业务人员及时介入;所述预警规则包括关键生产设备开工时间下降、关键生产设备开工天数不足。
本发明的有益效果是:
1.本发明使用的技术相对于视频***以及地磅***等技术,其实施成本降低较多,作为金融机构,监管***的实施费用将极大影响方案的推广难度,因此本发明方案的性价比更匹配金融机构的需求。
2.本发明方案采集的数据尽可能减少多余的信息,用户不需要顾虑例如视频监控等手段带来的隐私泄露风险。
3.现场传感器通常存在会引起数据失实的安全风险,本发明方案利用了多传感器数据之间的相互交叉验证来判定传感器是否存在工作异常状态,可及时提示维护人员进行处置。
附图说明
图1是本发明实施例提供的基于物联网的生产设备监管***结构框图。
具体实施方式
为了更好的理解本申请的技术方案,下面结合附图对本申请实施例进行详细描述。
应当明确,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
本发明实施例提供一种基于物联网的生产设备监管***,如图1所示,该***包括现场终端层和技术平台层。
现场终端层的传感器需要部署在企业生产车间的关键生产设备上,包括但不限于机床、切割机、航吊、叉车等。其中,传感器包括振动传感器、噪声传感器和电流传感器等。
振动传感器安装在待监控生产设备上,例如粘贴在表面,振动传感器可通过内嵌的加速度传感器判断设备是否处于振动状态,进而作为设备开机或停机状态的判断依据。为了满足设备的低功耗要求,振动传感器与技术平台层的网络通讯利用事件进行触发,当振动开始或振动停止时,振动传感器会上传对应的信息。
振动传感器的信息具体将通过以下模式上报:当设备开始振动时,振动传感器会上传信息,典型数据字段包括传感器序列号、事件类型(振动开始)与当前时间戳;当振动停止并在阈值Tv时间内未触发新的振动,振动传感器会上传信息,典型数据字段包括传感器序列号、事件类型(振动停止)与当前时间戳。Tv为传感器预设参数,也可通过平台下发指令,远程修改。
噪声传感器安装在待监控生产设备上或周围区域,噪声传感器会采集现场的噪声强度,进而作为设备开机或停机状态的判断依据。为了满足设备的低功耗要求,噪声传感器与技术平台层的网络通讯利用事件进行触发,当现场噪声分贝值超过阈值时,噪声传感器会上传对应的信息。
噪声传感器的信息具体将通过以下模式上报:当现场噪声的声音强度分贝值超过开机下限阈值Nd1并保持阈值时间Ts1时,噪声传感器会上传信息,典型数据字段包括传感器序列号、事件类型(噪声触发)与当前时间戳;当现场噪声的声音强度分贝值持续低于关机上限阈值Nd2并保持阈值时间Ts2时,噪声传感器会上传信息,典型数据字段包括传感器序列号、事件类型(噪声停止)与当前时间戳。Nd1,Ts1,Nd2,Ts2为传感器预设参数,也可通过平台下发指令,远程修改。
电流传感器安装在待监控生产设备的供电电缆上,电流传感器可以捕捉到设备供电电缆上的电流变化,进而作为设备开机或停机状态的判断依据。为了满足设备的低功耗要求,电流传感器与技术平台层的网络通讯利用事件进行触发,当电流值采集值变化超过阈值时,电流传感器会上传对应的信息。
电流传感器的信息具体将通过以下模式上报:无论检测到的电流值增加还是减少,当其变化量超过电流变化值阈值Is时,电流传感器会上传信息,典型数据字段包括传感器序列号、当前电流值与当前时间戳。Is为传感器预设参数,也可通过平台下发指令,远程修改。
传感器采集的数据传输至边缘网关,并通过有线或无线网络传输至技术平台层。边缘网关可以是一个独立的终端设备,采集现场各种传感器的信息并统一上传,也可以被集成在每个传感器终端中,将该传感器采集的数据独立上传至技术平台层。
技术平台层包括接入网关模块、终端管理模块、终端诊断模块、数据储存模块、预警模块和结果展示模块,分别以软件模块形式部署在金融机构的服务器上,服务器支持公网的网络连接功能,实现和现场边缘网关通信。
接入网关模块负责提供各种协议适配包,支持异构化的物联网终端设备接入。边缘网关上传的各种格式和标准的传感器数据首先通过接入网关模块进行处理并解析,数据报文会转换为统一的消息格式,并通过消息中间件推送,推送的数据有三个目标模块:至终端管理模块实现对传感器终端信息的对接,至终端诊断模块执行传感器终端自诊断,至数据储存模块进行持久化储存。
终端管理模块提供了传感器终端的注册和统一管理功能。用户可以通过该模块在平台上注册传感器终端,使其与现场的实际关键生产设备进行绑定,并提供物模型的配置与传感器终端上下线管理功能。当传感器终端在现场安装时,需要通过该模块进行注册并绑定具体的待监控生产设备。
终端诊断模块主要用于判定传感器终端是否出现工作异常,对于不同种类的传感器,需要制定相应的判定规则。判定规则分为两类,包括单一传感器自身的故障判定规则,典型例子包括但不限于:传感器在指定的时间期限阈值内未读取到新数据;也包括多维度传感器之间的交叉验证,不同传感器的数据之间具备相关性,例如振动传感器检测到设备开始振动时,噪声传感器应随即检测到现场噪声情况的变化,电流传感器应检测到电流突变,如果某一类传感器没有发生对应的变化,则说明该传感器可能发生了故障。多维度传感器之间的交叉验证判定规则通过以下方式确定:对不同种类的传感器数据进行采集、预处理,然后分别通过专家规则与机器学***台层将持续采集现场传感器数据,并通过该模块判断传感器的工作状态。
基于终端诊断模块的传感器工作状态诊断功能具体实现方式如下:
1.数据采集
将传感器终端部署在某企业现场待测生产设备上,并测量设备开机和关机时的典型噪声值与电流值,以便确定对应噪声传感器的开机下限阈值Nd1和关机上限阈值Nd2,以及电流传感器电流变化值阈值Is。振动传感器时间阈值Tv,噪声传感器时间阈值Ts1与Ts2等参数一般可使用预设的经验值,不需要针对每个设备修改。传感器安装完毕后,持续采集一段时间的原始数据(例如一个月),作为后续建模的原始样本。
假设该企业现场有若干台待监控生产设备,取其中第n台设备作为研究对象,在设备上分别部署了振动传感器(序列号Sn1)、噪声传感器(序列号Sn2)与电流传感器(Sn3)。对应的采集数据分为三个数据集,分别对应该设备产生的振动事件触发、噪声事件触发与电流变化事件,以正样本为例,设振动事件数据集为N1,典型内容如下:
N1={{Sn1,E11,T11},…,{Sn1,Ei1,Ti1},…}
其中Sn1代表第n个振动传感器的序列号,Ei1代表第i次振动事件内容(包括振动开始与振动结束,分别对应开机与关机),Ti1代表第i次振动事件的时间戳。
设噪声事件数据集为N2,典型内容如下:
N2={{Sn2,E12,T12},…,{Sn2,Ei2,Ti2},…}
其中Sn2代表第n个噪声传感器的序列号,Ei2代表第i次噪声事件内容(包括噪声值大于Nd1和噪声值小于Nd2,分别对应开机与关机),Ti2代表第i次噪声事件的时间戳。
设电流变化事件数据集为N3,典型内容如下:
N3={{Sn3,I13,T13},…,{Sn3,Ii3,Ti3},…}
其中Sn3为第n个电流传感器的序列号,Ii3为第i次电流变化事件对应的电流值,Ti3为第i次电流变化事件的时间戳。
2.数据预处理
待原始样本采集完毕后,进行数据预处理,具体工作主要包括三部分,分别是电流变化事件的转化、开关机事件归并以及正负样本的划分。
(1)电流变化事件的转化:对于电流数据,由于采集的数据是真实电流值,需要将其转换为事件的形式,约定设备开机时电流下限值为Is1,设备关机时电流上限值为Is2,则对于某一次电流变化事件,若真实电流值Ii3>Is1,认为该次事件对应设备开机,若真实电流值Ii3<Is2,认为该次事件对应设备关机,其余情况则忽略。Is1与Is2为经验取值,可根据设备具体运行情况确定。处理完毕的电流变化事件数据集为N3’,其典型内容如下:
N3’={{Sn3,E13,T13},…,{Sn3,Ei3,Ti3},…}
其中Sn3为第n个电流传感器的序列号,Ei3为第i次电流变化事件内容(包括电流值大于Is1和电流值小于Is2,分别对应开机与关机),Ti3为第i次电流变化事件的时间戳。经过该处理后,三个维度的传感器数据信息形式一致,均为传感器序列号、事件内容、时间戳的格式。
(2)开关机事件归并:在原始数据集中,三个维度传感器的数据尚未进行联系,需要将数据进行人工归并,即将每一次开关机事件进行标记,其需要包含每类传感器对应的时间戳。例如对于第n个传感器,归并完的开关机事件数据集Nsw,典型内容如下:
Nsw={{Sw1,T11,T12,T13},…,{Swi,Ti1,Ti2,Ti3},…}
其中Swi为第i次开/关机事件,Ti1,Ti2,Ti3分别为振动传感器、噪声传感器、电流传感器检测到的开/关机时间。
由于可能存在监控信号丢失、传输故障和误报行为,某些传感器开关机事件可能未包含全部三个维度的时间戳数据,使用空数据填充。
(3)正负样本的划分:为满足机器学习等分类模型的训练条件,在数据采集和清洗过程中,需要进行负样本的采集和标注工作。其中,在数据采集过程中,重点关注监控信号丢失、传输故障情况,并进行人为标注;若负样本数量过少,则可在采集过程中模拟传感器工作异常场景,并进行数据采集,或利用特征工程中的上采样方法进行数据生成。
对于开关机事件归并完成的数据集Nsw,将其中每一组数据分别进行正负标注,即根据传感器工作正常或异常标注该组数据属于正样本或负样本,可得标记后的数据集Nswm,该数据集对应被监控设备运行情况(开机或关机)、时间戳、标注情况(正样本或负样本),其典型内容如下:
Nswm={{Sw1,T11,T12,T13,m1},…,{Swi,Ti1,Ti2,Ti3,mi},…}
其中mi为True或False,分别表示该组数据被标注为正样本或负样本。
3.数据建模
(1)专家规则:根据经验,当设备开机或关机时,三种传感器上报的事件从时间角度上应当同步。以设备开机为例,假设某次设备开机时,振动事件对应的原始时间戳为Ti1,噪声事件对应的的原始时间戳为Ti2,电流变化事件对应的原始时间戳为Ti3,当传感器运行正常时,对应的三个时间戳两两之间的差值在统计上应满足正态分布,令随机事件X1为振动事件时间戳与噪声事件时间戳差值,随机事件X2为振动事件时间戳与电流变化事件时间戳差值,随机事件X3为噪声事件时间戳与电流变化事件时间戳差值,X1、X2、X3应均满足正态分布,即对于:X1=Ti1-Ti2,X2=Ti1-Ti3,X3=Ti2-Ti3,应存在:
X1~N(μ1,σ1),X2~N(μ2,σ2),X3~N(μ3,σ3)
其中μ1、σ1分别为X1对应的均值和标准差,μ2、σ2分别为X2对应的均值和标准差,μ3、σ3分别为X3对应的均值和标准差。
确定均值与标准差的具体方法可进行统计分析,进行正态分布的参数拟合,得出均值μ以及标准差σ,取95%置信区间上界的方法设置专家规则,以X1(对应振动事件和噪声事件)为例,其具体操作步骤如下:
在标记完成的数据集Nswm中筛选出所有正样本数据(即mi为True的数据组),对于每组数据均将振动、噪声事件对应的开关机时间作差,形成数据集X1,其典型内容为:
X1={T11–T12,…,Ti1–Ti2,…}
根据前文分析,X1应满足正态分布,对X1中数据进行正态分布拟合,可求得均值μ1与标准差σ1,则振动事件和噪声事件的正常行为判定专家规则为:
μ1-1.96×σ1<Ti1–Ti2<μ1+1.96×σ1
类似地,可分别求得振动事件和电流变化事件时间戳差值数据集X2、噪声事件和电流变化事件时间戳差值数据集X3,并分别求出正常行为判定专家规则,即:
μ2-1.96×σ2<Ti1–Ti3<μ2+1.96×σ2
μ3-1.96×σ3<Ti2–Ti3<μ3+1.96×σ3
其中μ2与σ2通过对X2对应的数据样本进行正态分布拟合确定,μ3与σ3通过对X3对应的数据样本进行正态分布拟合确定。
(2)机器学习模型:基于采集获得的数据及标签,可进行基于机器学习的分类模型训练。鉴于采集数据量有限,可运用XGBoost、逻辑回归等分类模型进行训练。
分类模型训练过程中,调用XGBoost或逻辑回归模型,进行模型的拟合,将自动采集到的开关机数据及人工标注完成的数据集进行空值填充、归一化的预处理工作,得到Nswm的训练集合,并输入模型进行训练,模型将基于正负标记进行二分类训练。
模型训练完成后可与专家规则一起使用,进行交叉验证,在运行过程中应继续补充采集数据,不断强化模型能力,同时可实时掌握模型退化等指标,保证模型预测准确性。
4.异常检测
专家规则及机器学习模型上线后,将以日为单位进行数据采集,并对数据进行验证。
对于训练集数据,利用传感器进行数据采集后,采用人工将不同维度传感器信号归并为同一次开关机事件。对于上线后的待测数据,将通过特定机制自行归并每次开关机事件,例如设定一个时间阈值Tm,当某一个传感器产生开机或关机行为时,在时间阈值Tm期间内最近产生的其他传感器的开机或关机行为被自动归并为同一组事件数据;如果在时间阈值Tm内未产生其他传感器的数据,则认为数据丢失,使用空数据填充。
每组归并后的开关机事件数据将通过专家规则与机器学习模型依次判定是否出现传感器工作异常,数据首先通过专家规则进行判断,如果判断传感器工作正常,则不做后续处理,否则将通过机器学习模型进一步判定,如果机器学习模型判定传感器工作正常(例如机器学习模型判定评分达到设定阈值),则认为传感器工作正常,否则将认定为传感器工作异常,提示维护人员介入。
数据储存模块提供数据的持久化存储功能,通常依赖数据库服务器实现数据的存储、获取与修改功能。通常,传感器的原始上传数据与经过处理的数据均需要进行存储。
预警模块用于分析企业经营动态数据,并将业务结果与预设预警规则进行对比,如果业务结果偏离了预设预警规则,则触发企业动态异常的告警功能,并通知业务人员及时介入。预警模型处理后的数据也应输出至数据储存模块。
典型的预警规则包括:
结果展示模块通过数据图表形式,可视化展示数据处理结果与风险提示信息。
本发明利用传感器采集现场生产设备多维度的相关信号(包括但不限于振动、电流、噪声),反映生产设备启停情况,进而利用软件平台处理数据,判断企业的运营情况是否正常。本发明提出一种对现场传感器工作异常状态的检测机制,包括单一传感器工作异常判定规则,以及利用多维度的传感器数据的交叉验证进行异常判定。
以上所述仅为本说明书一个或多个实施例的较佳实施例而已,并不用以限制本说明书一个或多个实施例,凡在本说明书一个或多个实施例的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书一个或多个实施例保护的范围之内。
Claims (10)
1.一种基于物联网的生产设备监管***,其特征在于,该***包括现场终端层和技术平台层;
所述现场终端层的传感器终端部署在企业生产车间的关键生产设备上,所述传感器终端包括振动传感器、噪声传感器和电流传感器;
所述振动传感器安装在待监控生产设备上,通过内嵌加速度传感器判断设备是否处于振动状态,作为设备开关机状态的判断依据;
所述噪声传感器安装在待监控生产设备上或周围区域,采集现场噪声强度,作为设备开关机状态的判断依据;
所述电流传感器安装在待监控生产设备的供电电缆上,捕捉设备供电电缆上的电流变化,作为设备开关机状态的判断依据;
所述传感器终端采集的数据传输至边缘网关,通过所述边缘网传输至所述技术平台层;
所述技术平台层包括接入网关模块、终端管理模块、终端诊断模块和数据储存模块;
所述接入网关模块支持异构化的物联网终端设备接入,所述接入网关模块将接收的传感器数据进行处理并解析后,数据报文转换为统一的消息格式,推送至终端管理模块、终端诊断模块以及数据储存模块;
所述终端管理模块用于传感器终端的注册和统一管理,当传感器终端在现场安装时,用户需要注册传感器终端,使所述传感器终端与现场生产设备进行绑定,并提供物模型的配置与传感器终端上下线管理功能;
所述终端诊断模块用于判定传感器终端是否出现工作异常,对于不同种类的传感器制定相应的判定规则;所述判定规则包括单一传感器自身的故障判定规则,以及多维度传感器之间的交叉验证判定规则;所述多维度传感器之间的交叉验证判定规则通过以下方式确定:对不同种类的传感器数据进行数据采集、数据预处理,分别通过专家规则与机器学习模型进行数据建模,当专家规则与机器学习模型上线后,对采集的现场传感器数据进行验证,判断传感器终端工作状态;
所述数据储存模块提供数据的持久化存储功能。
2.根据权利要求1所述的一种基于物联网的生产设备监管***,其特征在于,所述振动传感器与所述技术平台层的网络通讯利用事件进行触发,所述振动传感器的信息通过以下模式上报:当设备开始振动时,振动传感器上传信息,典型数据字段包括传感器序列号、振动开始事件类型与当前时间戳;当振动停止并在阈值Tv时间内未触发新的振动,振动传感器上传信息,典型数据字段包括传感器序列号、振动停止事件类型与当前时间戳,其中Tv为传感器预设参数。
3.根据权利要求1所述的一种基于物联网的生产设备监管***,其特征在于,所述噪声传感器与所述技术平台层的网络通讯利用事件进行触发,所述噪声传感器的信息通过以下模式上报:当现场噪声的声音强度分贝值超过开机下限阈值Nd1并保持阈值时间Ts1时,噪声传感器上传信息,典型数据字段包括传感器序列号、噪声触发事件类型与当前时间戳;当现场噪声的声音强度分贝值持续低于关机上限阈值Nd2并保持阈值时间Ts2时,噪声传感器上传信息,典型数据字段包括传感器序列号、噪声停止事件类型与当前时间戳;其中Nd1,Ts1,Nd2,Ts2为传感器预设参数。
4.根据权利要求1所述的一种基于物联网的生产设备监管***,其特征在于,所述电流传感器与所述技术平台层的网络通讯利用事件进行触发,所述电流传感器的信息通过以下模式上报:无论检测到的电流值增加还是减少,当其变化量超过电流变化值阈值Is时,电流传感器上传信息,典型数据字段包括传感器序列号、当前电流值与当前时间戳,其中Is为传感器预设参数。
5.根据权利要求1所述的一种基于物联网的生产设备监管***,其特征在于,所述边缘网关可以是一个独立的终端设备,采集现场各种传感器的信息并统一上传至所述技术平台层,也可以被集成在每个传感器终端中,将该传感器采集的数据独立上传至所述技术平台层。
6.根据权利要求1所述的一种基于物联网的生产设备监管***,其特征在于,所述终端诊断模块中,所述对不同种类的传感器数据进行数据采集,包括:
将传感器终端部署在企业现场生产设备上,测量设备开机和关机时的典型噪声值与电流值,确定对应噪声传感器的开机下限阈值Nd1和关机上限阈值Nd2,以及电流传感器电流变化值阈值Is;传感器终端安装完毕后,持续采集一段时间的原始数据,作为数据建模的原始样本;
假设企业现场有若干台生产设备,取其中第n台设备作为研究对象,在设备上分别部署振动传感器、噪声传感器与电流传感器,采集数据分为三个数据集,分别对应该设备产生的振动事件触发、噪声事件触发与电流变化事件触发;
设振动事件数据集为N1,典型内容如下:
N1={{Sn1,E11,T11},…,{Sn1,Ei1,Ti1},…}
其中Sn1代表第n个振动传感器序列号;Ei1代表第i次振动事件内容,包括振动开始与振动结束,分别对应开机与关机,Ti1代表第i次振动事件时间戳;
设噪声事件数据集为N2,典型内容如下:
N2={{Sn2,E12,T12},…,{Sn2,Ei2,Ti2},…}
其中Sn2代表第n个噪声传感器序列号,Ei2代表第i次噪声事件内容,包括噪声值大于Nd1与噪声值小于Nd2,分别对应开机与关机,Ti2代表第i次噪声事件时间戳;
设电流变化事件数据集为N3,典型内容如下:
N3={{Sn3,I13,T13},…,{Sn3,Ii3,Ti3},…}
其中Sn3代表第n个电流传感器序列号,Ii3代表第i次电流变化事件对应的电流值,Ti3为第i次电流变化事件时间戳。
7.根据权利要求6所述的一种基于物联网的生产设备监管***,其特征在于,所述终端诊断模块中,对采集的不同种类的传感器数据进行预处理,包括:
(1)电流变化事件转化:约定设备开机时电流下限值为Is1,设备关机时电流上限值为Is2,对于某一次电流变化事件,若真实电流值Ii3>Is1,认为该次事件对应设备开机,若真实电流值Ii3<Is2,认为该次事件对应设备关机,处理完毕的电流变化事件数据集为N3’,典型内容如下:
N3’={{Sn3,E13,T13},…,{Sn3,Ei3,Ti3},…}
其中Sn3代表第n个电流传感器序列号,Ei3代表第i次电流变化事件内容,包括电流值大于Is1和电流值小于Is2,分别对应开机与关机,Ti3代表第i次电流变化事件时间戳;
(2)开关机事件归并:将三个维度传感器数据进行归并,即将每一次开关机事件进行标记,其需要包含每类传感器对应的时间戳,对于第n个传感器,归并后的开关机事件数据集Nsw,典型内容如下:
Nsw={{Sw1,T11,T12,T13},…,{Swi,Ti1,Ti2,Ti3},…}
其中Swi为第i次开/关机事件,Ti1,Ti2,Ti3分别为振动传感器、噪声传感器、电流传感器检测到的开/关机时间;
若某传感器开关机事件未包含三个维度的时间戳数据,使用空数据填充;
(3)正负样本划分:在数据采集过程中,进行负样本的采集和标注;对于归并后的开关机事件数据集Nsw,将其中每一组数据分别进行正负样本标注,得到标注后的数据集Nswm,所述数据集Nswm对应被监控设备运行情况、时间戳以及标注情况,典型内容如下:
Nswm={{Sw1,T11,T12,T13,m1},…,{Swi,Ti1,Ti2,Ti3,mi},…}
其中mi为True或False,分别表示该组数据被标注为正样本或负样本。
8.根据权利要求7所述的一种基于物联网的生产设备监管***,其特征在于,所述终端诊断模块中,所述数据建模包括:
(1)专家规则:当生产设备开机或关机时,三种传感器上报的事件从时间角度上应当同步;假设某次设备开机/关机时,振动事件、噪声事件和电流变化事件对应的原始时间戳分别为Ti1、Ti2、Ti3,当传感器运行正常时,对应的三个时间戳两两之间的差值在统计上应满足正态分布,令随机事件X1为振动事件时间戳与噪声事件时间戳差值,随机事件X2为振动事件时间戳与电流变化事件时间戳差值,随机事件X3为噪声事件时间戳与电流变化事件时间戳差值,X1、X2、X3均应满足正态分布,表示为:
X1~N(μ1,σ1),X2~N(μ2,σ2),X3~N(μ3,σ3)
其中μ1、σ1分别为X1对应的均值和标准差,μ2、σ2分别为X2对应的均值和标准差,μ3、σ3分别为X3对应的均值和标准差;
确定均值与标准差的具体方法可采用统计分析,进行正态分布的参数拟合,得出均值以及标准差,取95%置信区间上界的方法设置专家规则;
(2)机器学习模型:基于采集获得的数据及标签,进行基于机器学习的分类模型训练;分类模型训练过程中,调用XGBoost或逻辑回归模型,进行模型的拟合,将采集到的开关机数据及人工标注完成的数据集进行空值填充、归一化预处理后输入模型,模型将基于正负标记进行二分类训练。
9.根据权利要求8所述的一种基于物联网的生产设备监管***,其特征在于,所述终端诊断模块中,专家规则及机器学习模型上线后,将以日为单位进行数据采集,并对数据进行验证;
对于上线后的待测数据,采用如下机制归并每次开关机事件:设定时间阈值Tm,当某一个传感器产生开机或关机行为时,在时间阈值Tm期间内最近产生的其他传感器的开机或关机行为被自动归并为同一组事件数据;如果在时间阈值Tm内未产生其他传感器的数据,则认为数据丢失,使用空数据填充;
每组归并后的开关机事件数据通过专家规则与机器学习模型依次判定是否出现传感器工作异常,如果通过专家规则判断传感器工作正常,则不做后续处理,否则将通过机器学习模型进一步判定,如果机器学习模型判定传感器工作正常,则认定传感器工作正常,否则认定传感器工作异常,提示维护人员介入。
10.根据权利要求1所述的一种基于物联网的生产设备监管***,其特征在于,该***还包括预警模块,所述预警模块用于分析企业经营动态数据,并将业务结果与预设预警规则进行对比,如果业务结果偏离了预设预警规则,则触发企业动态异常的告警功能,并通知业务人员及时介入;所述预警规则包括关键生产设备开工时间下降、关键生产设备开工天数不足。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111473524.9A CN114244866A (zh) | 2021-12-02 | 2021-12-02 | 一种基于物联网的生产设备监管*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111473524.9A CN114244866A (zh) | 2021-12-02 | 2021-12-02 | 一种基于物联网的生产设备监管*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114244866A true CN114244866A (zh) | 2022-03-25 |
Family
ID=80753177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111473524.9A Pending CN114244866A (zh) | 2021-12-02 | 2021-12-02 | 一种基于物联网的生产设备监管*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114244866A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114646342A (zh) * | 2022-05-19 | 2022-06-21 | 蘑菇物联技术(深圳)有限公司 | 用于定位异常传感器的方法、设备和介质 |
CN116055525A (zh) * | 2023-01-04 | 2023-05-02 | 中轻长泰(长沙)智能科技股份有限公司 | 基于边缘计算的数据采集*** |
CN116880357A (zh) * | 2023-09-04 | 2023-10-13 | 潍柴动力股份有限公司 | 一种设备调试方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104407286A (zh) * | 2014-11-21 | 2015-03-11 | 国家电网公司 | 一种高压隔离开关机械状态监测及预警方法 |
CN107168184A (zh) * | 2017-06-29 | 2017-09-15 | 惠国征信服务股份有限公司 | 基于传感器和物联网的企业金融数据采集*** |
WO2019189950A1 (ko) * | 2018-03-27 | 2019-10-03 | 테크와이드 주식회사 | 설비의 원격 진단 방법, 시스템 및 프로그램 |
CN111667198A (zh) * | 2020-06-23 | 2020-09-15 | 宝石电气设备有限责任公司 | 石油钻机远程在线监测与预测性维护***与评价方法 |
KR20210081145A (ko) * | 2019-12-23 | 2021-07-01 | 시그널링크 주식회사 | 진동과 소음신호를 이용한 기계결함진단장치 및 그 신호를 이용한 빅데이터 기반의 스마트 센서 시스템 |
CN113595890A (zh) * | 2021-08-06 | 2021-11-02 | 江苏方天电力技术有限公司 | 一种电网多业务应用场景下的物联接入网关*** |
CN113689013A (zh) * | 2021-08-27 | 2021-11-23 | 国网新疆电力有限公司吐鲁番供电公司 | 一种变压器智能监测与运维*** |
-
2021
- 2021-12-02 CN CN202111473524.9A patent/CN114244866A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104407286A (zh) * | 2014-11-21 | 2015-03-11 | 国家电网公司 | 一种高压隔离开关机械状态监测及预警方法 |
CN107168184A (zh) * | 2017-06-29 | 2017-09-15 | 惠国征信服务股份有限公司 | 基于传感器和物联网的企业金融数据采集*** |
WO2019189950A1 (ko) * | 2018-03-27 | 2019-10-03 | 테크와이드 주식회사 | 설비의 원격 진단 방법, 시스템 및 프로그램 |
KR20210081145A (ko) * | 2019-12-23 | 2021-07-01 | 시그널링크 주식회사 | 진동과 소음신호를 이용한 기계결함진단장치 및 그 신호를 이용한 빅데이터 기반의 스마트 센서 시스템 |
CN111667198A (zh) * | 2020-06-23 | 2020-09-15 | 宝石电气设备有限责任公司 | 石油钻机远程在线监测与预测性维护***与评价方法 |
CN113595890A (zh) * | 2021-08-06 | 2021-11-02 | 江苏方天电力技术有限公司 | 一种电网多业务应用场景下的物联接入网关*** |
CN113689013A (zh) * | 2021-08-27 | 2021-11-23 | 国网新疆电力有限公司吐鲁番供电公司 | 一种变压器智能监测与运维*** |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114646342A (zh) * | 2022-05-19 | 2022-06-21 | 蘑菇物联技术(深圳)有限公司 | 用于定位异常传感器的方法、设备和介质 |
CN114646342B (zh) * | 2022-05-19 | 2022-08-02 | 蘑菇物联技术(深圳)有限公司 | 用于定位异常传感器的方法、设备和介质 |
CN116055525A (zh) * | 2023-01-04 | 2023-05-02 | 中轻长泰(长沙)智能科技股份有限公司 | 基于边缘计算的数据采集*** |
CN116055525B (zh) * | 2023-01-04 | 2024-04-05 | 中轻长泰(长沙)智能科技股份有限公司 | 基于边缘计算的数据采集*** |
CN116880357A (zh) * | 2023-09-04 | 2023-10-13 | 潍柴动力股份有限公司 | 一种设备调试方法、装置、设备及存储介质 |
CN116880357B (zh) * | 2023-09-04 | 2023-12-15 | 潍柴动力股份有限公司 | 一种设备调试方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114244866A (zh) | 一种基于物联网的生产设备监管*** | |
CN110366031B (zh) | 一种数字化车间mes***基于视觉的异常状态监测与故障诊断方法 | |
CN110647133B (zh) | 轨道交通设备状态检测维护方法及*** | |
CN112925279A (zh) | 一种基于mes***的故障综合分析*** | |
CN115640915B (zh) | 一种智慧燃气管网压缩机安全管理方法和物联网*** | |
CN110764474B (zh) | 监测设备运行状态的方法和*** | |
CN110705834B (zh) | 一种工矿企业危险状态识别方法 | |
CN108529380A (zh) | 电梯安全预测方法及*** | |
CN113962299A (zh) | 一种核电设备智能运行监测与故障诊断通用模型 | |
CN106104530B (zh) | 自动化处理自动化***的多个协议数据的方法 | |
CN113177646B (zh) | 一种基于自适应边缘代理的配电设备在线监测方法及*** | |
CN112199410A (zh) | 一种基于物联网的桥梁健康监测*** | |
CN109051104A (zh) | 一种灌装机运行状态智能化检测***和方法 | |
CN112734977B (zh) | 一种基于物联网的设备风险预警***及算法 | |
CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
CN112580858A (zh) | 设备参数预测分析方法及*** | |
CN117235443A (zh) | 一种基于边缘ai的电力作业安全监测方法及*** | |
CN111445034A (zh) | 一种工业设备故障预测的***及方法 | |
CN111579001A (zh) | 机器人的故障检测方法及装置 | |
CN118194142A (zh) | 一种智慧管网的震后修复工程分析方法及*** | |
CN113483815A (zh) | 一种基于工业大数据的机械故障监控*** | |
CN113671911A (zh) | 一种生产状况的监控*** | |
CN117373478A (zh) | 一种用于变压器的声纹识别*** | |
CN115328986A (zh) | 一种电厂安全预警数据分析处理方法及*** | |
CN114200334A (zh) | 一种蓄电池预警方法、装置、车辆及介质 |
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 |