CN114779731A - 一种面向智能制造的生产数据动态监测分析***及方法 - Google Patents
一种面向智能制造的生产数据动态监测分析***及方法 Download PDFInfo
- Publication number
- CN114779731A CN114779731A CN202210708525.5A CN202210708525A CN114779731A CN 114779731 A CN114779731 A CN 114779731A CN 202210708525 A CN202210708525 A CN 202210708525A CN 114779731 A CN114779731 A CN 114779731A
- Authority
- CN
- China
- Prior art keywords
- production data
- data
- difference
- time
- prediction
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 383
- 238000012544 monitoring process Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012937 correction Methods 0.000 claims abstract description 36
- 230000008859 change Effects 0.000 claims description 47
- 238000011958 production data acquisition Methods 0.000 claims description 47
- 230000008569 process Effects 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000013480 data collection Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241001122767 Theaceae Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种面向智能制造的生产数据动态监测分析***及方法,所述预测系数修正模块获取生产数据预测模块中当前时间对应的生产数据的预测值,并结合当前时间对应的生产数据的实际值,对预测系数β进行修正,并将修正后的结果替换数据库中原有的预测系数,同时,根据修正后的预测系数预测基于当前时间的后续第二单位时间对应的时间点相应的生产数据;考虑到不同时间周期对生产数据的影响因素,对预测系数进行修正,消除预测系数对当前时间生产数据的最终预测值造成的误差,进而使得基于当前时间的后续第二单位时间对应的时间点相应生产数据的最终预测值更加准确。
Description
技术领域
本发明涉及工业生产数据监测技术领域,具体为一种面向智能制造的生产数据动态监测分析***及方法。
背景技术
随着人工智能技术的快速发展,人们对人工智能技术的运用越来越广泛,在工业领域中,人们通过物联网+人工智能的方式对工业领域中的生产数据进行动态监测,进而实现对工业中的生产状态的实时监控,确保工业生产的稳步进行,减少生产结果中相应的次品率。
当前现有的智能制造的生产数据动态监测分析***中,只是简单的将获取的生产数据与预设值进行比较,对当前的生产数据对应的生产状态进行判断,无法根据获取的数据提前对未来时间相应的生产数据进行预测,进而提前分析未来时间对应的生产状态。
针对上述情况,我们需要一种面向智能制造的生产数据动态监测分析***及方法。
发明内容
本发明的目的在于提供一种面向智能制造的生产数据动态监测分析***及方法,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:一种面向智能制造的生产数据动态监测分析***,包括:
生产数据采集模块,所述生产数据采集模块对制造过程中的历史生产数据进行采集;
生产数据差异量计算模块,所述生产数据差异量计算模块结合历史生产数据,得到生产数据对应的差异量,所述差异量包括第一差异量和第二差异量;
生产数据变化趋势预测模块,所述生产数据变化趋势预测模块获取生产数据采集模块中采集的各个生产数据对应的差异量,分析各个生产数据差异量的变化趋势,得到相应编号设备对应的第一趋势函数和第二趋势函数;
生产数据预测模块,所述生产数据预测模块根据生产数据变化趋势预测模块得到的差异量的变化趋势及数据库中的预测系数β,对当前时间对应的生产数据进行预测;
预测系数修正模块,所述预测系数修正模块获取生产数据预测模块中当前时间对应的生产数据的预测值,并结合当前时间对应的生产数据的实际值,对预测系数β进行修正,并将修正后的结果替换数据库中原有的预测系数,同时,根据修正后的预测系数预测基于当前时间的后续第二单位时间对应的时间点相应的生产数据。
本发明通过各个模块的协同合作,共同实现了对生产数据的采集、对生产数据差异量的获取、对生产数据变化趋势的获取、对当前时间对应的生产数据的预测及对预测系数的修正;该过程中,通过获取的不同的趋势变化函数,分别得到当前时间对应的生产数据的不同预测值,进一步通过预测系数将当前时间对应的生产数据的不同预测值进行综合处理,得到当前时间对应的生产数据的最终预测值;该过程中,由于预测数据是通过数据库直接获取的,没有考虑到不同时间周期对生产数据的影响因素,进而需要将当前时间对应的生产数据的最终预测值与生产数据的实际值进行比较,对预测系数进行修正,消除预测系数对当前时间生产数据的最终预测值造成的误差,进而使得基于当前时间的后续第二单位时间对应的时间点相应生产数据的最终预测值更加准确,进而能够快速判断基于当前时间的后续第二单位时间对应的时间点对应的生产状态。
进一步的,所述生产数据采集模块与生产数据差异量计算模块相连,
所述生产数据采集模块采集的生产数据包括每周期对应的采集时间、设备编号及相应设备上传感器的监测数据,
所述生产数据对应的周期为常数,通过数据库查询获取,将生产数据一个周期对应的时长记为T,
将生产数据中编号为i的设备在第j个周期的时间t对应的传感器的监测数据记为Aitj;所述传感器的监测数据大于0,
所述生产数据采集模块每隔第一单位时间t1采集一次生产数据,所述T为t1的整数倍,
相邻两次生产数据采集的时间段内,默认相同设备对应的传感器数据保持不变,即相邻两次生产数据采集的时间段内相应的传感器数据与相邻两次对应的生产数据采集结果中的前一次对应的传感器监测数据相同。
本发明生产数据采集模块设置生茶年数据对应的周期,是考虑到实际生产中是存在生产周期的,不同周期对应的生产数据虽然存在差异,但是相互之间也存在关联关系,进而获取生产数据对应的周期便于后续过程中对当前时间对应的生产数据进行预测提供了数据参考;相邻两次生产数据采集的时间段内,默认相同设备对应的传感器数据保持不变,是为了便于后续生产数据差异量计算模块准确计算生产数据对应的差异量。
进一步的,所述生产数据差异量计算模块与生产数据采集模块及生产数据变化趋势预测模块相连,
所述生产数据差异量计算模块得到生产数据对应的差异量时,所得的差异量包括相邻周期内的相同时间相同设备对应的传感器数据之间的差异量及同一周期内相同设备不同时间对应的传感器数据之间的差异量,
将相邻周期内的相同时间相同设备对应的传感器数据之间的差异量记为第一差异量,将同一周期内相同设备不同时间对应的传感器数据之间的差异量记为第二差异量,将同一生产数据分别对应的第一差异量及第二差异量构成差异量数据对,记为[第一差异量,第二差异量];
所述生产数据差异量计算模块获取的生产数据对应的Aitj相应的第一差异量的过程中,获取生产数据对应的Aitj对应Aitj-1及Aitj-2,
所述Aitj-1表示编号为i的设备在第j-1个周期内时间t对应的传感器的监测数据,
所述Aitj-2表示编号为i的设备在第j-2个周期内时间t对应的传感器的监测数据,
j为大于等于3的整数,
所述生产数据差异量计算模块得到Aitj相应的第一差异量CYij,
编号相同的设备在相同周期内不同时间对应的传感器的监测数据对应的第一差异量相同;
当t<t1时,生产数据对应的Aitj不存在相应的第二差异量。
本发明生产数据差异量计算模块将同一生产数据分别对应的第一差异量及第二
差异量构成差异量数据对,是为了便于对生产数据对应的差异量的存储,避免生产数据相
应的第一差异量和第二差异量在存储时出现混淆的情况;获取Aitj相应的第一差异量CYij
时,表示编号为i的设备在第j-1个周期内时间t对应的传感器的监测数据
相对于编号为i的设备在第j-2个周期内时间t对应的传感器的监测数据的增长率,进而对应的是第j-1个周期内对应的传感器监测数据相对于第
j-2个周期内对应的传感器监测数据的平均增长率,因此,第一差异量分析的角度是时间周
期;而第二差异量分析的角度是同一周期内的不同时间点,对应的是同一周期内不同时间
点对应的传感器监测数据之间的关系,由于一个周期内对应的时间是从0至T的,进而需要
确保第二差异量中的0≤t≤T且0≤t-t1≤T,即t1≤t≤T。
进一步的,所述生产数据变化趋势预测模块与生产数据差异量计算模块及生产数据预测模块相连,
所述生产数据变化趋势预测模块包括同一设备不同周期相同时间点的生产数据变化趋势及同一设备相同周期不同时间点的生产数据变化趋势,
将编号为i的设备在不同周期相同时间点的生产数据变化趋势记为编号为i的设备对应的第一趋势函数,将编号为i的设备相同周期不同时间点的生产数据变化趋势记为编号为i的设备对应的第二趋势函数,
所述生产数据变化趋势预测模块获取编号为i的设备对应的第一趋势函数的过程中,所述生产数据变化趋势预测模块获取编号为i的设备对应的不同周期的生产数据分别对应的第一差异量,并将生产数据对应的周期数与相应的第一差异量构成一个第二数据对,将获取的各个第二数据对中的周期数作为自变量,将获取的各个第二数据对中的第一差异量作为因变量,结合现有的第一变化趋势拟合模型,获取各个第二数据对对应的拟合函数,即编号为i的设备对应的第一趋势函数,各个第二数据对与第一趋势函数对应的距离和最小;
将编号为i的设备对应的第一趋势函数记为Fi(j)。
进一步的,所述生产变化趋势预测模块获取编号为i的设备对应的第二趋势函数的过程中,分别获取同一周期内编号为i的设备在不同时间分别对应的第二差异量,得到相应周期内编号为i的设备对应的第二趋势函数,将编号为i的设备对应的第二趋势函数将记为Gi(ta),t1≤ta≤T,Gi(ta)表示历史生产数据内第i个设备对应的监测数据完整的生产数据周期中平均每个周期中从时间t1至时间ta对应的各个第二差异量的积分与时间ta之间的关系,
所述监测数据完整的生产数据周期表示相应周期内从时间0至时间T内各个采集时间均对相应设备对应的产生数据进行采集,
本发明生产变化趋势预测模块获取编号为i的设备对应的第二趋势函数的过程中,设备j2为当前时间对应的生产数据采集周期数减1,是考虑到当前时间对应的生产数据可能是不完整的,如果将j2设置为当前时间对应的生产数据采集周期数,则会使得后续获取当前时间生产数据对应的第二预测数据过程中,由于缺失当前时间对应的生产数据,导致相应的第二预测结果出现较大的误差。
进一步的,所述生产数据预测模块与生产数据变化趋势预测模块及预测系数修正模块相连,
所述生产数据预测模块对当前时间对应的生产数据进行预测时,获取相应编号的设备对应的当前生产数据的第一预测数据和第二预测数据,
所述生产数据预测模块获取编号为i的设备对应的当前生产数据的第一预测数据时,获取当前时间t3对应的周期数j3,将j3+1代入生产数据变化趋势预测模块获取的编号为i的设备对应的第一趋势函数,得到编号为i的设备当前时间t3对应的下一周期相应的第一差异量Fi(j3+1),
进而得到第i个设备当前生产数据的第一预测数据YC1i,
Ait5j3-1表示编号为i的设备在第j3-1个周期内时间t5对应的传感器的监测数据,
Ait6j3表示编号为i的设备在第j3个周期内时间t6对应的传感器的监测数据,
t4表示编号为i的设备在第j3个周期内已采集的生产数据中距离t3最近的一个生产数据采集时间;
所述生产数据预测模块获取第i个设备当前生产数据的第二预测数据YC2i时,
当t3<t1时,则判定第i个设备当前生产数据的第二预测数据YC2i=YC1i;
当T≥t3≥t1时,则判定第i个设备当前生产数据的第二预测数据YC2i,
Ait4j3表示编号为i的设备在第j3个周期内时间t4对应的传感器的监测数据,
Gi(t3)表示历史生产数据内第i个设备对应的监测数据完整的生产数据周期中平均每个周期中从时间t1至时间t3对应的各个第二差异量的积分值,
Gi(t4)表示历史生产数据内第i个设备对应的监测数据完整的生产数据周期中平均每个周期中从时间t1至时间t4对应的各个第二差异量的积分值。
本发明生产数据预测模块得到第i个设备当前生产数据的第一预测数据YC1i的过
程中,表示根据编号为i的设备对应的第一趋势函数预测的编号为
i的设备在第j3个周期内时间t5对应的传感器的监测数据;
表示编号为i的设备在第j3个周期内的时间0至时间t3期间对应的传感器监测数据预测值
的积分值,表示编号为i的设备在第j3个周期内的时间0至时间t4期间对应
的传感器监测数据实际值的积分值,计算YC1i时设置,是考虑到t3可能对应的不是生
产数据采集时间点,而相邻两次生产数据采集的时间段内相应的传感器数据与相邻两次对
应的生产数据采集结果中的前一次对应的传感器监测数据相同,即编号为i的设备在第j3
个周期内的时间t4至时间t3期间对应的传感器监测数据相同,进而直接将乘上即可得到YC1i;获取YC2i的过程
中,,得到编号为i的设备平均一个
周期内时间t4至时间t3期间时间t对应的的积分值,由于编号为i的设备在
第j3个周期内的时间t4至时间t3期间对应的传感器监测数据相同,则编号为i的设备在第
j3个周期内的时间t4-t1至时间t3-t1期间对应的传感器监测数据相同,均为
,进而表示编号为i的设备在第j3个周期内时间t4至时
间t3期间时间t对应的Aitj1的积分值,进而将除以t3-t4
得到YC2i。
进一步的,所述生产数据预测模块通过数据库查询获取保存的预测系数β,并根据获取的第i个设备当前生产数据的第一预测数据YC1i及第i个设备当前生产数据的第二预测数据YC2i,得到第i个设备当前时间对应的生产数据的最终预测值YCZi,
0≤β≤1,
{YC1i,YC2i}max表示YC1i与YC2i两者中的最大值,
{YC1i,YC2i}min表示YC1i与YC2i两者中的最小值。
本发明生产数据预测模块通过预测系数β来获取{YC1i,YC2i}max与{YC1i,YC2i}min对应的偏重值,进而得到第i个设备当前时间对应的生产数据的最终预测值YCZi。
进一步的,所述预测系数修正模块获取的当前时间对应的生产数据对应的实际值为当前周期内当前时间第i个设备对应的传感器的监测数据,记为Di;
所述预测系数修正模块将Di分别与{YC1i,YC2i}max及{YC1i,YC2i}min进行比较,
当{YC1i,YC2i}max≥Di≥{YC1i,YC2i}min时,则进一步比较YCZi与Di之间的关系,
若YCZi=Di,则预测系数修正模块不需要对应数据库中保存的预测系数β进行修正,
当Di≥{YC1i,YC2i}max≥{YC1i,YC2i}min时,则将预测系数的修正值记为1,替换数据库中原有的预测系数,并保存到数据库中;
当{YC1i,YC2i}max≥{YC1i,YC2i}min≥Di时,则将预测系数的修正值记为0,替换数据库中原有的预测系数,并保存到数据库中;
所述预测系数修正模块获取第j3个周期内基于当前时间t3的后续第二单位时间对应的时间点t3+T1,所述第二单位时间对应的时长为T1;
当0<t3≤T-T1时,则预测系数修正模块以β1作为新的预测系数,获取编号为i的设备在第j3周期内时间点t3+T1对应的生产数据中传感器监测数据的预测值;
当T-T1<t3≤T时,则预测系数修正模块不获取编号为i的设备在第j3周期内时间点t3+T1对应的生产数据中传感器监测数据的预测值。
本发明预测系数修正模块考虑到不同周期件生产数据的变化情况对预测结果的影响,进而通过当前时间对应的生产数据的最终预测值与实际值之间的关系来对预测系数进行校准,减少因预测系数对最终预测值造成的影响,进而使得对基于当前时间t3的后续第二单位时间对应生产数据的预测结果更加准确,便于准确判断未来相应时间内相应的生产状态,同时也实现了对预测系数的更新。
一种面向智能制造的生产数据动态监测分析方法,所述方法包括以下步骤:
S1、通过生产数据采集模块对制造过程中的历史生产数据进行采集;
S2、在生产数据差异量计算模块中,结合历史生产数据,得到生产数据对应的第一差异量和第二差异量;
S3、通过生产数据变化趋势预测模块获取生产数据采集模块中采集的各个生产数据对应的差异量,分析各个生产数据差异量的变化趋势,得到相应编号设备对应的第一趋势函数和第二趋势函数;
S4、在生产数据预测模块中,根据生产数据变化趋势预测模块得到的差异量的变化趋势及数据库中的预测系数β,对当前时间对应的生产数据进行预测;
S5、通过预测系数修正模块获取生产数据预测模块中对当前时间对应的生产数据的预测值,并结合当前时间对应的生产数据对应的实际值,对预测系数β进行修正,并将修正后的结果替换数据库中原有的预测系数,同时,根据修正后的预测系数预测基于当前时间的后续第二单位时间对应的时间点相应的生产数据。
与现有技术相比,本发明所达到的有益效果是:本发明不仅通过对历史生产数据的分析,实现了对当时时间对应的生产数据的预测,在得到当前时间对应的生产数据的最终预测值的过程中,还考虑到不同时间周期对生产数据的影响因素,对预测系数进行修正,消除预测系数对当前时间生产数据的最终预测值造成的误差,进而使得基于当前时间的后续第二单位时间对应的时间点相应生产数据的最终预测值更加准确,进而能够快速判断基于当前时间的后续时间点对应的生产状态。
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是本发明一种面向智能制造的生产数据动态监测分析***的结构示意图;
图2是本发明一种面向智能制造的生产数据动态监测分析***中得到第i个设备当前时间对应的生产数据的最终预测值YCZi的流程示意图;
图3是本发明一种面向智能制造的生产数据动态监测分析方法的流程示意图。
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3,本发明提供技术方案:一种面向智能制造的生产数据动态监测分析***,包括:
生产数据采集模块,所述生产数据采集模块对制造过程中的历史生产数据进行采集;
生产数据差异量计算模块,所述生产数据差异量计算模块结合历史生产数据,得到生产数据对应的差异量,所述差异量包括第一差异量和第二差异量;
生产数据变化趋势预测模块,所述生产数据变化趋势预测模块获取生产数据采集模块中采集的各个生产数据对应的差异量,分析各个生产数据差异量的变化趋势,得到相应编号设备对应的第一趋势函数和第二趋势函数;
生产数据预测模块,所述生产数据预测模块根据生产数据变化趋势预测模块得到的差异量的变化趋势及数据库中的预测系数β,对当前时间对应的生产数据进行预测;
预测系数修正模块,所述预测系数修正模块获取生产数据预测模块中当前时间对应的生产数据的预测值,并结合当前时间对应的生产数据的实际值,对预测系数β进行修正,并将修正后的结果替换数据库中原有的预测系数,同时,根据修正后的预测系数预测基于当前时间的后续第二单位时间对应的时间点相应的生产数据。
所述生产数据采集模块与生产数据差异量计算模块相连,
所述生产数据采集模块采集的生产数据包括每周期对应的采集时间、设备编号及相应设备上传感器的监测数据,
所述生产数据对应的周期为常数,通过数据库查询获取,将生产数据一个周期对应的时长记为T,
将生产数据中编号为i的设备在第j个周期的时间t对应的传感器的监测数据记为Aitj;所述传感器的监测数据大于0,
所述生产数据采集模块每隔第一单位时间t1采集一次生产数据,所述T为t1的整数倍,
相邻两次生产数据采集的时间段内,默认相同设备对应的传感器数据保持不变,即相邻两次生产数据采集的时间段内相应的传感器数据与相邻两次对应的生产数据采集结果中的前一次对应的传感器监测数据相同。
所述生产数据差异量计算模块与生产数据采集模块及生产数据变化趋势预测模块相连,
所述生产数据差异量计算模块得到生产数据对应的差异量时,所得的差异量包括相邻周期内的相同时间相同设备对应的传感器数据之间的差异量及同一周期内相同设备不同时间对应的传感器数据之间的差异量,
将相邻周期内的相同时间相同设备对应的传感器数据之间的差异量记为第一差异量,将同一周期内相同设备不同时间对应的传感器数据之间的差异量记为第二差异量,将同一生产数据分别对应的第一差异量及第二差异量构成差异量数据对,记为[第一差异量,第二差异量];
所述生产数据差异量计算模块获取的生产数据对应的Aitj相应的第一差异量的过程中,获取生产数据对应的Aitj对应Aitj-1及Aitj-2,
所述Aitj-1表示编号为i的设备在第j-1个周期内时间t对应的传感器的监测数据,
所述Aitj-2表示编号为i的设备在第j-2个周期内时间t对应的传感器的监测数据,
j为大于等于3的整数,
所述生产数据差异量计算模块得到Aitj相应的第一差异量CYij,
本实施例中若第一单位时间t1等于1分钟,生产数据对应的一个周期的时长为4分钟,
若Aitj为A0123,则相应的A0123表示的是编号为01的设备在第3周期中的第2分钟对应的时间点相应传感器的监测数据,
若编号为01的设备在第1周期中的时间0时相应传感器的监测数据为22,
若编号为01的设备在第1周期中的第1分钟对应的时间点相应传感器的监测数据为23,
若编号为01的设备在第1周期中的第2分钟对应的时间点相应传感器的监测数据为22,
若编号为01的设备在第1周期中的第3分钟对应的时间点相应传感器的监测数据为21,
若编号为01的设备在第2周期中的时间0时相应传感器的监测数据为23,
若编号为01的设备在第2周期中的第1分钟对应的时间点相应传感器的监测数据为24,
若编号为01的设备在第2周期中的第2分钟对应的时间点相应传感器的监测数据为24,
若编号为01的设备在第2周期中的第3分钟对应的时间点相应传感器的监测数据为22,
由于相邻两次生产数据采集的时间段内相应的传感器数据与相邻两次对应的生产数据采集结果中的前一次对应的传感器监测数据相同,
则A0123相应的第一差异量
编号相同的设备在相同周期内不同时间对应的传感器的监测数据对应的第一差异量相同;
当t<t1时,生产数据对应的Aitj不存在相应的第二差异量。
所述生产数据变化趋势预测模块与生产数据差异量计算模块及生产数据预测模块相连,
所述生产数据变化趋势预测模块包括同一设备不同周期相同时间点的生产数据变化趋势及同一设备相同周期不同时间点的生产数据变化趋势,
将编号为i的设备在不同周期相同时间点的生产数据变化趋势记为编号为i的设备对应的第一趋势函数,将编号为i的设备相同周期不同时间点的生产数据变化趋势记为编号为i的设备对应的第二趋势函数,
所述生产数据变化趋势预测模块获取编号为i的设备对应的第一趋势函数的过程中,所述生产数据变化趋势预测模块获取编号为i的设备对应的不同周期的生产数据分别对应的第一差异量,并将生产数据对应的周期数与相应的第一差异量构成一个第二数据对,将获取的各个第二数据对中的周期数作为自变量,将获取的各个第二数据对中的第一差异量作为因变量,结合现有的第一变化趋势拟合模型,获取各个第二数据对对应的拟合函数,即编号为i的设备对应的第一趋势函数,各个第二数据对与第一趋势函数对应的距离和最小;
将编号为i的设备对应的第一趋势函数记为Fi(j)。
本申请中第一变化趋势拟合模型为一元一次函数模型y=k*x+b。
所述生产变化趋势预测模块获取编号为i的设备对应的第二趋势函数的过程中,分别获取同一周期内编号为i的设备在不同时间分别对应的第二差异量,得到相应周期内编号为i的设备对应的第二趋势函数,将编号为i的设备对应的第二趋势函数将记为Gi(ta),t1≤ta≤T,Gi(ta)表示历史生产数据内第i个设备对应的监测数据完整的生产数据周期中平均每个周期中从时间t1至时间ta对应的各个第二差异量的积分与时间ta之间的关系,
所述监测数据完整的生产数据周期表示相应周期内从时间0至时间T内各个采集时间均对相应设备对应的产生数据进行采集,
所述生产数据预测模块与生产数据变化趋势预测模块及预测系数修正模块相连,
所述生产数据预测模块对当前时间对应的生产数据进行预测时,获取相应编号的设备对应的当前生产数据的第一预测数据和第二预测数据,
所述生产数据预测模块获取编号为i的设备对应的当前生产数据的第一预测数据时,获取当前时间t3对应的周期数j3,将j3+1代入生产数据变化趋势预测模块获取的编号为i的设备对应的第一趋势函数,得到编号为i的设备当前时间t3对应的下一周期相应的第一差异量Fi(j3+1),
进而得到第i个设备当前生产数据的第一预测数据YC1i,
Ait5j3-1表示编号为i的设备在第j3-1个周期内时间t5对应的传感器的监测数据,
Ait6j3表示编号为i的设备在第j3个周期内时间t6对应的传感器的监测数据,
t4表示编号为i的设备在第j3个周期内已采集的生产数据中距离t3最近的一个生产数据采集时间;
所述生产数据预测模块获取第i个设备当前生产数据的第二预测数据YC2i时,
当t3<t1时,则判定第i个设备当前生产数据的第二预测数据YC2i=YC1i;
当T≥t3≥t1时,则判定第i个设备当前生产数据的第二预测数据YC2i,
Ait4j3表示编号为i的设备在第j3个周期内时间t4对应的传感器的监测数据,
Gi(t3)表示历史生产数据内第i个设备对应的监测数据完整的生产数据周期中平均每个周期中从时间t1至时间t3对应的各个第二差异量的积分值,
Gi(t4)表示历史生产数据内第i个设备对应的监测数据完整的生产数据周期中平均每个周期中从时间t1至时间t4对应的各个第二差异量的积分值。
所述生产数据预测模块通过数据库查询获取保存的预测系数β,并根据获取的第i个设备当前生产数据的第一预测数据YC1i及第i个设备当前生产数据的第二预测数据YC2i,得到第i个设备当前时间对应的生产数据的最终预测值YCZi,
0≤β≤1,
{YC1i,YC2i}max表示YC1i与YC2i两者中的最大值,
{YC1i,YC2i}min表示YC1i与YC2i两者中的最小值。
所述预测系数修正模块获取的当前时间对应的生产数据对应的实际值为当前周期内当前时间第i个设备对应的传感器的监测数据,记为Di;
所述预测系数修正模块将Di分别与{YC1i,YC2i}max及{YC1i,YC2i}min进行比较,
当{YC1i,YC2i}max≥Di≥{YC1i,YC2i}min时,则进一步比较YCZi与Di之间的关系,
若YCZi=Di,则预测系数修正模块不需要对应数据库中保存的预测系数β进行修正,
当Di≥{YC1i,YC2i}max≥{YC1i,YC2i}min时,则将预测系数的修正值记为1,替换数据库中原有的预测系数,并保存到数据库中;
当{YC1i,YC2i}max≥{YC1i,YC2i}min≥Di时,则将预测系数的修正值记为0,替换数据库中原有的预测系数,并保存到数据库中;
所述预测系数修正模块获取第j3个周期内基于当前时间t3的后续第二单位时间对应的时间点t3+T1,所述第二单位时间对应的时长为T1;
当0<t3≤T-T1时,则预测系数修正模块以β1作为新的预测系数,获取编号为i的设备在第j3周期内时间点t3+T1对应的生产数据中传感器监测数据的预测值;
当T-T1<t3≤T时,则预测系数修正模块不获取编号为i的设备在第j3周期内时间点t3+T1对应的生产数据中传感器监测数据的预测值。
一种面向智能制造的生产数据动态监测分析方法,所述方法包括以下步骤:
S1、通过生产数据采集模块对制造过程中的历史生产数据进行采集;
S2、在生产数据差异量计算模块中,结合历史生产数据,得到生产数据对应的第一差异量和第二差异量;
S3、通过生产数据变化趋势预测模块获取生产数据采集模块中采集的各个生产数据对应的差异量,分析各个生产数据差异量的变化趋势,得到相应编号设备对应的第一趋势函数和第二趋势函数;
S4、在生产数据预测模块中,根据生产数据变化趋势预测模块得到的差异量的变化趋势及数据库中的预测系数β,对当前时间对应的生产数据进行预测;
S5、通过预测系数修正模块获取生产数据预测模块中对当前时间对应的生产数据的预测值,并结合当前时间对应的生产数据对应的实际值,对预测系数β进行修正,并将修正后的结果替换数据库中原有的预测系数,同时,根据修正后的预测系数预测基于当前时间的后续第二单位时间对应的时间点相应的生产数据。
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 (9)
1.一种面向智能制造的生产数据动态监测分析***,其特征在于,包括:
生产数据采集模块,所述生产数据采集模块对制造过程中的历史生产数据进行采集;
生产数据差异量计算模块,所述生产数据差异量计算模块结合历史生产数据,得到生产数据对应的差异量,所述差异量包括第一差异量和第二差异量;
生产数据变化趋势预测模块,所述生产数据变化趋势预测模块获取生产数据采集模块中采集的各个生产数据对应的差异量,分析各个生产数据差异量的变化趋势,得到相应编号设备对应的第一趋势函数和第二趋势函数;
生产数据预测模块,所述生产数据预测模块根据生产数据变化趋势预测模块得到的差异量的变化趋势及数据库中的预测系数β,对当前时间对应的生产数据进行预测;
预测系数修正模块,所述预测系数修正模块获取生产数据预测模块中当前时间对应的生产数据的预测值,并结合当前时间对应的生产数据的实际值,对预测系数β进行修正,并将修正后的结果替换数据库中原有的预测系数,同时,根据修正后的预测系数预测基于当前时间的后续第二单位时间对应的时间点相应的生产数据。
2.根据权利要求1所述的一种面向智能制造的生产数据动态监测分析***,其特征在于:所述生产数据采集模块与生产数据差异量计算模块相连,
所述生产数据采集模块采集的生产数据包括每周期对应的采集时间、设备编号及相应设备上传感器的监测数据,
所述生产数据对应的周期为常数,通过数据库查询获取,将生产数据一个周期对应的时长记为T,
将生产数据中编号为i的设备在第j个周期的时间t对应的传感器的监测数据记为Aitj;所述传感器的监测数据大于0,
所述生产数据采集模块每隔第一单位时间t1采集一次生产数据,所述T为t1的整数倍,
相邻两次生产数据采集的时间段内,默认相同设备对应的传感器数据保持不变,即相邻两次生产数据采集的时间段内相应的传感器数据与相邻两次对应的生产数据采集结果中的前一次对应的传感器监测数据相同。
3.根据权利要求2所述的一种面向智能制造的生产数据动态监测分析***,其特征在于:所述生产数据差异量计算模块与生产数据采集模块及生产数据变化趋势预测模块相连,
所述生产数据差异量计算模块得到生产数据对应的差异量时,所得的差异量包括相邻周期内的相同时间相同设备对应的传感器数据之间的差异量及同一周期内相同设备不同时间对应的传感器数据之间的差异量,
将相邻周期内的相同时间相同设备对应的传感器数据之间的差异量记为第一差异量,将同一周期内相同设备不同时间对应的传感器数据之间的差异量记为第二差异量,将同一生产数据分别对应的第一差异量及第二差异量构成差异量数据对,记为[第一差异量,第二差异量];
所述生产数据差异量计算模块获取的生产数据对应的Aitj相应的第一差异量的过程中,获取生产数据对应的Aitj对应Aitj-1及Aitj-2,
所述Aitj-1表示编号为i的设备在第j-1个周期内时间t对应的传感器的监测数据,
所述Aitj-2表示编号为i的设备在第j-2个周期内时间t对应的传感器的监测数据,
j为大于等于3的整数,
所述生产数据差异量计算模块得到Aitj相应的第一差异量CYij,
编号相同的设备在相同周期内不同时间对应的传感器的监测数据对应的第一差异量相同;
当t<t1时,生产数据对应的Aitj不存在相应的第二差异量。
4.根据权利要求3所述的一种面向智能制造的生产数据动态监测分析***,其特征在于:所述生产数据变化趋势预测模块与生产数据差异量计算模块及生产数据预测模块相连,
所述生产数据变化趋势预测模块包括同一设备不同周期相同时间点的生产数据变化趋势及同一设备相同周期不同时间点的生产数据变化趋势,
将编号为i的设备在不同周期相同时间点的生产数据变化趋势记为编号为i的设备对应的第一趋势函数,将编号为i的设备相同周期不同时间点的生产数据变化趋势记为编号为i的设备对应的第二趋势函数,
所述生产数据变化趋势预测模块获取编号为i的设备对应的第一趋势函数的过程中,所述生产数据变化趋势预测模块获取编号为i的设备对应的不同周期的生产数据分别对应的第一差异量,并将生产数据对应的周期数与相应的第一差异量构成一个第二数据对,将获取的各个第二数据对中的周期数作为自变量,将获取的各个第二数据对中的第一差异量作为因变量,结合现有的第一变化趋势拟合模型,获取各个第二数据对对应的拟合函数,即编号为i的设备对应的第一趋势函数,各个第二数据对与第一趋势函数对应的距离和最小;
将编号为i的设备对应的第一趋势函数记为Fi(j)。
5.根据权利要求4所述的一种面向智能制造的生产数据动态监测分析***,其特征在于:所述生产变化趋势预测模块获取编号为i的设备对应的第二趋势函数的过程中,分别获取同一周期内编号为i的设备在不同时间分别对应的第二差异量,得到相应周期内编号为i的设备对应的第二趋势函数,将编号为i的设备对应的第二趋势函数将记为Gi(ta),t1≤ta≤T,Gi(ta)表示历史生产数据内第i个设备对应的监测数据完整的生产数据周期中平均每个周期中从时间t1至时间ta对应的各个第二差异量的积分与时间ta之间的关系,
所述监测数据完整的生产数据周期表示相应周期内从时间0至时间T内各个采集时间均对相应设备对应的产生数据进行采集,
6.根据权利要求5所述的一种面向智能制造的生产数据动态监测分析***,其特征在于:所述生产数据预测模块与生产数据变化趋势预测模块及预测系数修正模块相连,
所述生产数据预测模块对当前时间对应的生产数据进行预测时,获取相应编号的设备对应的当前生产数据的第一预测数据和第二预测数据,
所述生产数据预测模块获取编号为i的设备对应的当前生产数据的第一预测数据时,获取当前时间t3对应的周期数j3,将j3+1代入生产数据变化趋势预测模块获取的编号为i的设备对应的第一趋势函数,得到编号为i的设备当前时间t3对应的下一周期相应的第一差异量Fi(j3+1),
进而得到第i个设备当前生产数据的第一预测数据YC1i,
t4表示编号为i的设备在第j3个周期内已采集的生产数据中距离t3最近的一个生产数据采集时间;
所述生产数据预测模块获取第i个设备当前生产数据的第二预测数据YC2i时,
当t3<t1时,则判定第i个设备当前生产数据的第二预测数据YC2i=YC1i;
当T≥t3≥t1时,则判定第i个设备当前生产数据的第二预测数据YC2i,
8.根据权利要求7所述的一种面向智能制造的生产数据动态监测分析***,其特征在于:所述预测系数修正模块获取的当前时间对应的生产数据对应的实际值为当前周期内当前时间第i个设备对应的传感器的监测数据,记为Di;
若YCZi=Di,则预测系数修正模块不需要对应数据库中保存的预测系数β进行修正,
所述预测系数修正模块获取第j3个周期内基于当前时间t3的后续第二单位时间对应的时间点t3+T1,所述第二单位时间对应的时长为T1;
当0<t3≤T-T1时,则预测系数修正模块以β1作为新的预测系数,获取编号为i的设备在第j3周期内时间点t3+T1对应的生产数据中传感器监测数据的预测值;
当T-T1<t3≤T时,则预测系数修正模块不获取编号为i的设备在第j3周期内时间点t3+T1对应的生产数据中传感器监测数据的预测值。
9.应用权利要求1-8任意一项所述的一种面向智能制造的生产数据动态监测分析***的面向智能制造的生产数据动态监测分析方法,其特征在于,所述方法包括以下步骤:
S1、通过生产数据采集模块对制造过程中的历史生产数据进行采集;
S2、在生产数据差异量计算模块中,结合历史生产数据,得到生产数据对应的第一差异量和第二差异量;
S3、通过生产数据变化趋势预测模块获取生产数据采集模块中采集的各个生产数据对应的差异量,分析各个生产数据差异量的变化趋势,得到相应编号设备对应的第一趋势函数和第二趋势函数;
S4、在生产数据预测模块中,根据生产数据变化趋势预测模块得到的差异量的变化趋势及数据库中的预测系数β,对当前时间对应的生产数据进行预测;
S5、通过预测系数修正模块获取生产数据预测模块中对当前时间对应的生产数据的预测值,并结合当前时间对应的生产数据对应的实际值,对预测系数β进行修正,并将修正后的结果替换数据库中原有的预测系数,同时,根据修正后的预测系数预测基于当前时间的后续第二单位时间对应的时间点相应的生产数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210708525.5A CN114779731B (zh) | 2022-06-22 | 2022-06-22 | 一种面向智能制造的生产数据动态监测分析***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210708525.5A CN114779731B (zh) | 2022-06-22 | 2022-06-22 | 一种面向智能制造的生产数据动态监测分析***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114779731A true CN114779731A (zh) | 2022-07-22 |
CN114779731B CN114779731B (zh) | 2022-09-23 |
Family
ID=82422470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210708525.5A Active CN114779731B (zh) | 2022-06-22 | 2022-06-22 | 一种面向智能制造的生产数据动态监测分析***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114779731B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115439085A (zh) * | 2022-08-31 | 2022-12-06 | 广东立升科技有限公司 | 一种基于大数据的信创载体的全生命周期保密管理*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617548A (zh) * | 2013-12-06 | 2014-03-05 | 李敬泉 | 一种趋势性、周期性商品的中长期需求预测方法 |
CN107918813A (zh) * | 2017-12-14 | 2018-04-17 | 上海宽全智能科技有限公司 | 趋势预测分析方法、设备及存储介质 |
CN109559513A (zh) * | 2018-12-12 | 2019-04-02 | 武汉理工大学 | 一种基于相邻周期流量差值预测的自适应信号控制方法 |
CN110896357A (zh) * | 2018-09-13 | 2020-03-20 | 中国电信股份有限公司 | 流量预测方法、装置和计算机可读存储介质 |
CN112988840A (zh) * | 2021-03-19 | 2021-06-18 | 北京京东振世信息技术有限公司 | 一种时间序列预测方法、装置、设备和存储介质 |
CN113449473A (zh) * | 2021-06-29 | 2021-09-28 | 南京工业大学 | 一种基于DFCAE-BiLSTM的风电轴承退化趋势预测方法、***及装置 |
CN113450583A (zh) * | 2021-09-01 | 2021-09-28 | 长沙理工大学 | 一种车路协同下高速公路可变限速和变道协同控制方法 |
-
2022
- 2022-06-22 CN CN202210708525.5A patent/CN114779731B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617548A (zh) * | 2013-12-06 | 2014-03-05 | 李敬泉 | 一种趋势性、周期性商品的中长期需求预测方法 |
CN107918813A (zh) * | 2017-12-14 | 2018-04-17 | 上海宽全智能科技有限公司 | 趋势预测分析方法、设备及存储介质 |
CN110896357A (zh) * | 2018-09-13 | 2020-03-20 | 中国电信股份有限公司 | 流量预测方法、装置和计算机可读存储介质 |
CN109559513A (zh) * | 2018-12-12 | 2019-04-02 | 武汉理工大学 | 一种基于相邻周期流量差值预测的自适应信号控制方法 |
CN112988840A (zh) * | 2021-03-19 | 2021-06-18 | 北京京东振世信息技术有限公司 | 一种时间序列预测方法、装置、设备和存储介质 |
CN113449473A (zh) * | 2021-06-29 | 2021-09-28 | 南京工业大学 | 一种基于DFCAE-BiLSTM的风电轴承退化趋势预测方法、***及装置 |
CN113450583A (zh) * | 2021-09-01 | 2021-09-28 | 长沙理工大学 | 一种车路协同下高速公路可变限速和变道协同控制方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115439085A (zh) * | 2022-08-31 | 2022-12-06 | 广东立升科技有限公司 | 一种基于大数据的信创载体的全生命周期保密管理*** |
Also Published As
Publication number | Publication date |
---|---|
CN114779731B (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4799168B2 (ja) | 配水及び管路情報解析システム | |
CN111259334B (zh) | 一种工业企业大用户用水异常监测预警方法 | |
CN102201037B (zh) | 农业灾害预测方法 | |
CN114779731B (zh) | 一种面向智能制造的生产数据动态监测分析***及方法 | |
CN112288597A (zh) | 一种基于层次聚类和直方图算法的能耗在线异常检测方法 | |
CN109634944B (zh) | 一种基于多维度时空分析的网损数据清洗方法 | |
CN114563988B (zh) | 一种基于随机森林算法的水厂智能pac投加方法及*** | |
CN115993856B (zh) | 一种厂房多区域环境条件管控方法及*** | |
CN108803545A (zh) | 多参数联合分析报警方法及*** | |
CN111680398B (zh) | 一种基于Holt-Winters模型的单机性能退化预测方法 | |
CN116562623A (zh) | 一种适用于鹿茸菇种植的实时种植风险评估*** | |
CN111859292A (zh) | 一种夜间用水活跃小区的供水漏损监测方法 | |
CN111275246A (zh) | 一种基于大数据技术的单品种农产品价格预测方法 | |
CN113723541B (zh) | 一种基于混合智能算法的边坡位移预测方法 | |
CN113632025B (zh) | 用于评估工业环境中的能量消耗的方法、***和计算机程序产品 | |
CN117296538A (zh) | 基于植被土壤成分检测的绿植维护方法、装置与*** | |
CN115994692B (zh) | 基于5g和大数据的智慧河湖管理平台 | |
CN116308293A (zh) | 一种基于数字化平台的农业设备智能管理***及方法 | |
CN115600760A (zh) | 一种甘蔗区域单产预测方法及*** | |
CN115795229B (zh) | 一种适用于水相关生态***服务反馈回路的量化研究方法 | |
CN118014260A (zh) | 一种基于人工智能的大数据服务平台 | |
CN117292808B (zh) | 基于大数据分析的医院消毒供应管理*** | |
CN117870034B (zh) | 洁净室环境参数的控制方法、装置及*** | |
CN117151552B (zh) | 一种基于物联网的数字化照明数据管理***及方法 | |
CN117670000B (zh) | 基于组合预测模型的泵站供水量预测方法 |
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 |