CN114842623A - 车间报警趋势分析方法、***、设备以及存储介质 - Google Patents
车间报警趋势分析方法、***、设备以及存储介质 Download PDFInfo
- Publication number
- CN114842623A CN114842623A CN202210309809.7A CN202210309809A CN114842623A CN 114842623 A CN114842623 A CN 114842623A CN 202210309809 A CN202210309809 A CN 202210309809A CN 114842623 A CN114842623 A CN 114842623A
- Authority
- CN
- China
- Prior art keywords
- alarm
- fault
- workshop
- line body
- trend
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 49
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims description 66
- 238000007619 statistical method Methods 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 abstract description 17
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000007689 inspection Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 8
- 230000007257 malfunction Effects 0.000 description 6
- 238000003466 welding Methods 0.000 description 6
- 238000005096 rolling process Methods 0.000 description 4
- 230000003203 everyday effect Effects 0.000 description 3
- 238000013024 troubleshooting Methods 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
车间报警趋势分析方法、***、设备以及存储介质,其特征在于,包括以下步骤:步骤S1:统计车间连续的时间单位的累计报警时长,生成报警时长统计趋势结果;步骤S2:统计车间连续的时间单位的报警次数,生成报警频次统计趋势结果;步骤S3:根据累计报警时长和/或报警次数,生成车间报警趋势。本发明根据车间内各层级在连续的时间单位内的累计故障时间和故障报警次数,生成车间内各层级的故障报警趋势结果,一方面,通过故障报警趋势结果可以知道层级报警的趋势,确定层级的工作状态情况。另一方面,将故障率持续走高的层级信息推送给用户,用户可以对该层级在生产前进行全面性的检查及维修以降低生产期间的故障频率。
Description
技术领域
本发明属于柔性制造技术领域,具体涉及车间报警趋势分析方法、***、 设备以及存储介质。
背景技术
随着汽车装备生产线的柔性化的推进,其设备本身的稳定性成为影响汽 车制造企业产能的主要指标之一。如何减少生产设备突发故障所造成的设备 故障处理不及时,维修成本高及影响生产造成的高额损失已经成为各汽车厂 管理人员及维护人员面临的大难题。需要对生产设备进行监控分析,便于及 时找到可能出现故障的设备提前进行相应的检查或维修,以达到降低故障发 生的频率,从而降低生产线运维成本的目的。
但是,现有的报警趋势分析方法一般是通过监测设备的物理状态信息, 然后根据设备的物理性能的变化来预测故障,缺少根据其故障发生的频率、 生成故障发生趋势,对故障进行预测的应用。
发明内容
为了克服现有技术的不足,本发明提供一种车间报警趋势分析方法、系 统、设备以及存储介质,以解决现有技术无法通过设备故障发生的频率对故 障进行预测分析的问题。
本发明其中一实施例提供了一种车间报警趋势分析方法,包括以下步骤:
步骤S1:统计车间连续的时间单位的累计报警时长,生成报警时长统计 趋势结果;
步骤S2:统计车间连续的时间单位的报警次数,生成报警频次统计趋势 结果;
步骤S3:根据累计报警时长和/或报警次数,生成车间报警趋势。
在其中一个实施例中,所述的车间报警趋势分析方法用于统计车间内各 层级的报警趋势;所述车间的层级包括线体、工位、设备、设备类型中的一 种或多种。
在其中一个实施例中,所述步骤S1还包括统计车间各线体连续的时间单 位的累计报警时长;
所述步骤S2还包括统计车间内各线体连续的时间单位的报警次数;
和/或,根据各线体连续的时间单位的累计报警时长和报警次数,生成车 间内各线体的报警趋势。
在其中一个实施例中,根据车间内各线体的报警趋势得出异常线体,具 体包括:
根据车间内各线体的故障时长统计得出异常线体;
和/或,根据车间内各线体的故障次数统计得出异常线体;
和/或,将异常线体推送至用户。
在其中一个实施例中,根据车间内各线体的故障时长统计得出异常线体 包括:
统计车间内各线体的累计故障总时长;
若某一线体在连续时间内的累计故障总时长在车间的累计故障总时长占 比为最大,则将所述某一线体视为异常线体。
在其中一个实施例中,根据车间内各线体的故障次数统计得出异常线体 包括:
统计车间内各线体的故障次数在时间轴上的分布情况;
当某一线体的故障次数在时间轴上呈逐步增长的趋势,则将所述某一线 体视为异常线体。
在其中一个实施例中,按工位对故障信息进行分类统计分析;
按设备对故障信息进行分类统计分析;
按设备类型对故障信息进行分类统计分析。
在其中一个实施例中,按工位对故障信息进行分类统计分析包括:
统计线体各工位内所有设备故障时长、故障次数,得出各工位的故障统 计结果;根据各工位的故障统计结果,得出故障时长最长或故障次数最多的 工位为异常工位,并推送消息至用户。
在其中一个实施例中,按设备类型对故障信息进行分类统计分析包括:
按设备类型统计车间内所有相同设备类型的故障时长、故障次数,得出 各设备类型的故障趋势统计结果;根据各设备类型的故障趋势统计结果,得 出故障趋势连续递增的设备类型为异常设备类型,并推送消息至用户。
在其中一个实施例中,按设备对故障信息进行分类统计分析包括:
按单台设备统计工位内各设备相关所有故障时长、故障次数,得出各设 备的故障统计结果;根据各设备的故障统计结果,得出故障时长最长或故障 次数最多的设备为异常设备,并推送消息至用户。
在其中一个实施例中,一种车间报警趋势分析***,可用于实现上述多 个实施例中任意一个的车间报警趋势分析方法,包括:
报警时长统计模块,用于统计车间连续的时间单位的累计报警时长;
报警次数统计模块,用于统计车间连续的时间单位的报警次数;
报警趋势生成模块,用于根据报警时长统计模块和/或报警次数统计模块, 生成车间报警趋势。
在其中一个实施例中,一种车间报警趋势分析设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,所述存储器上存储有 可被至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以 使所述至少一个处理器在执行时能够实现如上述任意一个实施例所述的车间 报警趋势分析方法。
在其中一个实施例中,一种计算机存储介质,所述计算机可读存储介质 上存储有车间报警趋势分析设备的应用程序,所车间报警趋势分析设备的应 用程序被处理执行时实现如上述任意一个实施例所述的车间报警趋势分析方 法的步骤。
本发明以上实施例所提供的一种车间报警趋势分析方法、***、设备以 及存储介质具有以下有益效果:
本发明提出的一种车间报警趋势分析方法,可以对车间内的不同层级进 行报警趋势分析,以线体为例,根据车间内各线体在连续多个时间单位内的 累计故障时间和/或故障报警次数,生成车间内各线体的故障报警趋势结果, 一方面,通过故障报警趋势结果可以知道线体报警的趋势,确定各线体的工 作状态情况。另一方面,对于故障率持续走高的线体,可以在生产前进行全 面性的检查及维修以降低生产期间的故障频率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实 施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面 描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲, 在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的 附图。
图1表示本发明的车间报警趋势分析方法流程示意图;
图2表示本发明的实施例中生成车间内各线体的报警趋势流程图;
图3表示本发明的实施例中根据线体报警趋势得到异常线体的流程图;
图4表示本发明的实施例中对主焊线体故障分析示意图;
图5表示本发明的实施例中对故障信息进行分析的示意图;
图6表示本发明的实施例中对线体工位故障统计示意图;
图7表示本发明的实施例中对车间设备故障类型统计示意图;
图8表示本发明的实施例中对工位设备故障统计示意图;
图9表示本发明的实施例中车间报警趋势分析***的结构示意图;
图10表示本发明的实施例中车间报警趋势分析设备的结构示意图。
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的一部分实施例, 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 作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。
需要说明,若本发明实施例中有涉及方向性指示(诸如上、下、左、右、 前、后……),则该方向性指示仅用于解释在某一特定姿态下各部件之间的 相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示 也相应地随之改变。
另外,若本发明实施例中有涉及“第一”、“第二”等的描述,则该“第一”、 “第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者 隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以 明示或者隐含地包括至少一个该特征。另外,若全文中出现的“和/或”或者“及 /或”,其含义包括三个并列的方案,以“A和/或B”为例,包括A方案、或B方案、 或A和B同时满足的方案。另外,各个实施例之间的技术方案可以相互结合, 但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现 相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明 要求的保护范围之内。
为了更好地对本申请中的技术方案进行描述,以下先对部分技术名词进 行解释:
线体:线体指的是车间中的生产线,并且一个车间会包含多条生产线。
异常线体:在车间内包含有多条线体,异常线体是指通过采集故障数据 计算判断出线体有次数/时长明显有上升趋势的线体,简单地说就是线体不健 康的情况逐渐明显。
工位:一条生产线上分为多个工位,每个工位为一个固定区域用于进行 特定工艺的加工。
时间单位:由用户自定义的时间范围作为故障统计的时间单位,时间单 位根据实际生产要求可以定义为每天或者每班次,其中一天可分多个班次, 班次数量及开始结束时间可由用户自定义。
如图1所示,本发明其中一实施例提供了一种车间报警趋势分析方法, 包括以下步骤:
步骤S1:统计车间连续的时间单位的累计报警时长,生成报警时长统计 趋势结果;
步骤S2:统计车间连续的时间单位的报警次数,生成报警频次统计趋势 结果;
步骤S3:根据累计报警时长和/或报警次数,生成车间报警趋势。
具体的,先通过采集器与车间内的设备实时联系,采集所有的故障信号; 将各故障信号与对应的具体设备相配对,得到对应具体设备的故障报警信息。 当接收到某一设备相关的故障信号时,通过故障信息触发故障记录开始时间, 以及当故障处理完成后,发出故障处理完成信号,通过故障处理完成信号, 记录故障结束时间,根据故障的记录开始时间以及故障结束时间,得到故障 持续时间。
在本实施例中,通过统计车间内各设备的故障持续时间,并将统计到的 故障持续时间累计相加,得到当天内车间的累计报警时长,并以时间为单位, 生成车间的报警时长统计趋势图。
进一步的,通过统计车间内各设备的故障报警次数,并将统计到的故障 次数累计相加,得到当天车间内的累计报警次数,并以时间为单位,生成车 间的报警频次统计趋势图。
以及,根据报警时长统计趋势图和报警频次统计趋势图,可以得到车间 报警趋势图。一方面,通过车间报警趋势图可以知道车间内各线体报警的趋 势,确定各线体的工作状态情况。另一方面,对于故障率持续走高的线体, 可以进行全面性的检查及维修以降低其故障频率。
在其中一个实施例中,所述的车间报警趋势分析方法用于统计车间内各 层级的报警趋势;所述车间的各层级包括线体、工位、设备、设备类型中的 一种或多种。
如图2所示,在其中一个实施例中,所述步骤S1还包括统计车间各线体 连续的时间单位的累计报警时长;
所述步骤S2还包括统计车间内各线体连续的时间单位的报警次数;
和/或,根据各线体连续的时间单位的累计报警时长和报警次数,生成车 间内各线体的报警趋势。
在本实施例中,以天为单位,统计车间内各设备当天的累计故障时间, 并将各线体相应的设备的累计故障时间相加,从而得到车间内各线体的总故 障时间,并以时间为单位,生成车间内各线体的报警时长统计趋势图。
以及,以天为单位,统计车间内各设备当天的故障报警次数,并将各线 体对应的设备的故障次数相加,从而得到车间内各线体当天的总故障报警次 数,并以时间为单位,生成车间内各线体的报警频次统计趋势图。
根据车间内各线体在连续多天内的累计故障时间和故障报警次数,生成 车间内各线体的故障报警趋势结果,一方面,通过故障报警趋势结果可以知 道线体报警的趋势,确定各线体的工作状态情况。另一方面,对于故障率持 续走高的线体,可以进行全面性的检查及维修以降低其故障频率。
如图3所示,在其中一个实施例中,根据车间内各线体的报警趋势得出 异常线体,具体包括:
根据车间内各线体的故障时长统计得出异常线体;
和/或,根据车间内各线体的故障次数统计得出异常线体;
和/或,将异常线体推送至用户。
具体的,异常线体是指通过采集故障数据计算判断出线体有次数/时长明 显有上升趋势的线体,即线体不健康的情况逐渐明显。
在本实施例中,在一段时间内,通过统计车间内各线体的故障时长在车 间总故障时长中的占比情况,若某一线体在连续时间内的累计故障总时长在 车间的累计故障总时长占比为最大,则将所述某一线体视为异常线体。
进一步的,通过统计一段时间内车间内各线体的每个时间单位的故障总 时长在时间轴上的分布情况;当某一线体的连续若干个时间单位的故障总时 长在时间轴上呈逐步增长的趋势,则将所述某一线体视为异常线体
以及,在一段时间内,通过统计车间内各线体的故障次数在时间轴上的 分布情况;当某一线体的故障次数在时间轴上呈逐步增长的趋势,则将所述 某一线体视为异常线体。得到异常线体的相关信息之后将异常线体的信息推 送至用户,便于用户对异常线体进行可以进行全面性的检查及维修以降低其 故障频率。
具体的,主焊线体故障分析图如图4所示,所述主焊线体故障分析图4 包含连续7天内的主焊线体故障信息,具体包括有每天的累计故障次数以及 每天的故障累计时间。从图中关于主焊线体故障的分析可以看出,主焊线体 的故障时长在12月1日至12月5日连续5天递增,符合线体的连续若干个 时间单位故障总时长在时间轴上呈逐步增长的趋势这一判断标准,可以将主 焊线体初步判定为异常线体,并推送消息至用户,提醒用户主焊线体故障较 多,需加强线体故障排查巡检工作。
在其中一个实施例中,根据车间内各线体的故障时长统计得出异常线体 包括:
统计车间内各线体的累计故障总时长;
若某一线体在连续时间内的累计故障总时长在车间的累计故障总时长占 比为最大,则将所述某一线体视为异常线体。
在本实施例中,以天为单位,统计连续若干天内车间的累计故障时长, 以及车间内各线体的累计故障时长,并根据车间内各线体的累计故障时长在 车间累计故障时长中的占比情况,生成线体故障时长占比分布图;其中故障 时长占比最大的为车间中的异常线体。
或者是,以天为单位,通过统计每天车间内各线体的故障总时长,并分 析各线体每天的故障总时长在时间轴上的变化情况;当某一线体连续若干天 的故障总时长在时间轴上呈逐步增长的趋势,则认为所述某一线体为异常线 体。
在其中一个实施例中,根据车间内各线体的故障次数统计得出异常线体 包括:
统计车间内各线体的故障次数在时间轴上的分布情况;
当某一线体的故障次数在时间轴上呈逐步增长的趋势,则将所述某一线 体视为异常线体。
在本实施例中,以天为单位,统计连续若干天内车间各线体的故障次数 在时间轴上的分布情况;当某一线体的故障次数在时间轴上呈逐步增长的趋 势,则将所述某一线体视为异常线体。
或者是,以天为单位,统计连续若干天内各线体的累计故障次数,并根 据车间内各线体的累计故障次数在车间总故障次数中的占比情况,生成各线 体累计故障次数占比分布图,其中故障次数占比最大,即故障次数最多的线 体为异常线体。
如图5所示,在其中一个实施例中,按工位对故障信息进行分类统计分 析;
按设备对故障信息进行分类统计分析;
按设备类型对故障信息进行分类统计分析。
具体的,由于车间内一般包含多个生产线,即包含由多条线体,而每一 条线体内部包含有多个工位,每个工位需要多个设备进行协同配合以完成对 工件的加工生产。
在得出异常线体之后,如果无法知道异常线体中的异常工位、异常设备, 那就无法知道线体中哪个设备出现问题,因为一条线体所包含的设备数量都 特别多,如果知道线体里面具体到哪个设备问题特别多,那么就可以针对性 地修复对应的设备。
在本实施例中,统计线体各工位的所有设备故障时长、故障次数,得出 各工位的故障趋势统计结果;进一步根据各工位的故障趋势统计结果,得出 故障趋势连续递增的工位为异常工位;得出异常工位之后,将相关的工位信 息发送给用户;用户根据实际情况可以选择对异常工位进行全面检修,或对 异常工位作进一步的故障统计分析,得到工位中具体的异常设备,以及在异 常设备中主要存在的故障类别,便于后续采取相应的故障处理手段,如更换 设备等。
在其中一个实施例中,按工位对故障信息进行分类统计分析包括:
统计线体各工位内所有设备故障时长、故障次数,得出各工位的故障统 计结果;根据各工位的故障统计结果,得出故障时长最长或故障次数最多的 工位为异常工位,并推送消息至用户。
在本实施例中,所述工位故障统计结果如图6所示,所述工位故障统计 结果内包含线体内任一工位的故障时长、故障次数等信息。例如,在图6的 线体中,包括有MB110、MB120、MB130、MB140、MB150、MB160等几个 工位的故障时长、故障次数的信息。从工位故障统计结果图6可以看出,线 体中的故障时长最长的工位为MB130工位,其故障时长为625分钟;故障时 长第二长的工位为MB150工位,其故障时长为560分钟;以及,故障次数最 多的工位为MB130工位,其故障次数为95次;故障次数第二多的工位为 MB120工位,其故障次数为120次;此时,初步确定的异常工位为MB130 工位。以及MB150工位、MB120工位具有变成异常工位的风险,在实际操作 中,是否需要对上述两个工位进行检修,可以由用户或操作人员进一步确定。
以及,按工位统计工位内所有设备故障时长、故障次数,当有工位连续 多个时间单位的故障时长或故障次数递增,则初步判断该工位的故障较多, 可能为异常工位,并将该异常工位的信息推送至用户,提醒用户该工位的故 障较多,在后续过程中可能出现故障,需加强线体故障排查巡检工作。
在其中一个实施例中,按设备类型对故障信息进行分类统计分析包括:
按设备类型统计车间内所有相同设备类型的故障时长、故障次数,得出 各设备类型的故障统计结果;根据各设备类型的故障统计结果,得出故障时 长最长或故障次数最多的设备类型为异常设备类型,并推送消息至用户。
在本实施例中,所述设备类型的故障统计结果如图7所示,所述故障类 型统计结果内包含车间内任一设备类型的故障时长、故障次数等信息。例如, 在图7的统计结果中,设备类型包括有机器人、夹具台、滚床、电机、电源、 网络、传感器、车型等。从设备类型的故障统计结果可以看出,车间内故障 时长最长的设备类型是滚床,其故障时间为789分钟;故障时长第二长的设 备类型为电机,其故障时间为632分钟。车间内故障次数最多的设备类型为 电机,其故障次数为96次;故障次数第二多的故障类型为滚床。此时,初步 确定的异常设备类型为滚床、电机,在实际操作中,是否需要针对上述的滚 床、电机的设备类型进行检修,可以由用户或操作人员进一步确定。
以及,按设备类型统计车间内所有工位故障时长、故障次数,当有某一 类型的设备连续多个时间单位的故障时长或故障次数递增,则判断该类型的 设备故障较多,在后续过程中可能出现故障,并将该类型的设备信息推送至 用户,提醒用户该类型的设备的故障较多,需加强该类型的设备的故障排查 巡检工作。
在其中一个实施例中,按设备对故障信息进行分类统计分析包括:
按单台设备统计工位内各设备相关所有故障时长、故障次数,得出工位 设备的故障统计结果;根据工位设备的故障统计结果,得出故障时长最长或 故障次数最多的设备为异常设备,并推送消息至用户。
在本实施例中,所述工位设备的故障统计结果如图8所示,所述故障统 计结果内包含工位内任一设备的故障时长、故障次数等信息。例如在图8的 统计结果中包括有R01机器人故障、R02机器人故障、R03机器人故障、R04 机器人故障、MB130夹具台故障、MB130滚床故障等。从设备故障统计结果 来看,工位内故障时长最长的设备为R02机器人,其故障时长为230分钟; 故障时长第二长的设备为MB130夹具台,其故障时长为190分钟。以及,工 位内故障次数最多的设备为MB130夹具台,其故障次数为26次。此时,初 步确定的异常设备为R02机器人、MB130夹具台。在实际操作中,是否需要 针对上述的异常设备中的R02机器人、MB130夹具台进行检修,可以由用户 或操作人员进一步确定。
以及,按单台设备相关所有故障时长、故障次数进行统计分析,当有某 一设备连续多个时间单位的故障时长或故障次数递增,则判断该设备的故障 较多,初步判断该设备为异常设备,在后续过程中可能出现故障,并将该设 备的信息推送至用户;提醒用户该设备的故障较多,需加强该设备的故障排 查巡检工作。
如图9所示,本发明其中一个实施例提供一种车间报警趋势分析***, 包括:
报警时长统计模块,用于统计车间连续的时间单位的累计报警时长;
报警次数统计模块,用于统计车间连续的时间单位的报警次数;
报警趋势生成模块,用于根据报警时长统计模块和/或报警次数统计模块, 生成车间报警趋势。
具体的,先通过采集器与车间内的设备实时联系,采集所有的故障信号; 将各故障信号与对应的具体设备相配对,得到对应具体设备的故障报警信息。 当接收到某一设备相关的故障信号时,通过故障信息触发故障记录开始时间, 以及当故障处理完成后,发出故障处理完成信号,通过故障处理完成信号, 记录故障结束时间,根据故障的记录开始时间以及故障结束时间,得到故障 持续时间。
在本实施例中,通过将故障信息输入到报警时长统计模块,进而由报警 时长统计模块统计车间内各设备的故障持续时间,并将统计到的故障持续时 间累计相加,得到当天内车间的累计报警时长,并以时间为单位,生成车间 的报警时长统计趋势图。
进一步的,通过将故障信息输入到报警次数统计模块,进而由报警次数 统计模块统计车间内各设备的故障报警次数,并将统计到的故障次数累计相 加,得到当天车间内的累计报警次数,并以时间为单位,生成车间的报警频 次统计趋势图。
以及,报警趋势生成模块根据报警时长统计趋势图和报警频次统计趋势 图,可以得到车间报警趋势图。一方面,通过车间报警趋势图可以知道车间 内各线体报警的趋势,确定各线体的工作状态情况。另一方面,对于故障率 持续走高的线体,可以进行全面性的检查及维修以降低其故障频率。
如图10所示,本发明其中一个实施例还提供了一种车间报警趋势分析设 备200,所述车间报警趋势分析设备200包括:
至少一个处理器210;以及
与所述至少一个处理器210通信连接的存储器220;其中,所述存储器 220上存储有可被至少一个处理器210执行的指令,所述指令被所述至少一个 处理器210执行,以使所述至少一个处理器210在执行时能够实现如上述任 意一个实施例所述的车间报警趋势分析方法。在本实施例中,所述存储器上 存储有计算机程序240。所述处理器210和所述存储器220通过通讯总线230 连接。
本发明其中一个实施例还提供了一种计算机存储介质,所述计算机可读 存储介质上存储有车间报警趋势分析设备的应用程序,所车间报警趋势分析 设备的应用程序被处理执行时实现如上述任意一个实施例所述的车间报警趋 势分析方法的步骤。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围, 凡是在本发明的发明构思下,利用本发明说明书及附图内容所作的等效结构 变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范 围内。
Claims (13)
1.一种车间报警趋势分析方法,其特征在于,包括以下步骤:
步骤S1:统计车间连续的时间单位的累计报警时长,生成报警时长统计趋势结果;
步骤S2:统计车间连续的时间单位的报警次数,生成报警频次统计趋势结果;
步骤S3:根据累计报警时长和/或报警次数,生成车间报警趋势。
2.如权利要求1所述的车间报警趋势分析方法,其特征在于,所述的车间报警趋势分析方法用于统计车间内各层级的报警趋势;所述车间的各层级包括线体、工位、设备、设备类型中的一种或多种。
3.如权利要求2所述的车间报警趋势分析方法,其特征在于,所述步骤S1还包括统计车间各线体连续的时间单位的累计报警时长;
所述步骤S2还包括统计车间内各线体连续的时间单位的报警次数;
和/或,根据各线体连续的时间单位的累计报警时长和报警次数,生成车间内各线体的报警趋势。
4.如权利要求3所述的车间报警趋势分析方法,其特征在于,根据车间内各线体的报警趋势得出异常线体,具体包括:
根据车间内各线体的故障时长统计得出异常线体;
和/或,根据车间内各线体的故障次数统计得出异常线体;
和/或,将异常线体推送至用户。
5.如权利要求4所述的车间报警趋势分析方法,其特征在于,根据车间内各线体的故障时长统计得出异常线体包括:
统计车间内各线体的累计故障总时长;
若某一线体在连续时间内的累计故障总时长在车间的累计故障总时长占比为最大,则将所述某一线体视为异常线体。
6.如权利要求4所述的车间报警趋势分析方法,其特征在于,根据车间内各线体的故障次数统计得出异常线体包括:
统计车间内各线体的故障次数在时间轴上的分布情况;
当某一线体的故障次数在时间轴上呈逐步增长的趋势,则将所述某一线体视为异常线体。
7.如权利要求2所述的车间报警趋势分析方法,其特征在于,还包括:
按工位对故障信息进行分类统计分析;
按设备对故障信息进行分类统计分析;
按设备类型对故障信息进行分类统计分析。
8.如权利要求7所述的车间报警趋势分析方法,其特征在于,按工位对故障信息进行分类统计分析包括:
统计线体各工位内所有设备故障时长、故障次数,得出各工位的故障统计结果;根据各工位的故障统计结果,得出故障时长最长或故障次数最多的工位为异常工位,并推送消息至用户。
9.如权利要求7所述的车间报警趋势分析方法,其特征在于,按设备类型对故障信息进行分类统计分析包括:
按设备类型统计车间内所有相同设备类型的故障时长、故障次数,得出各设备类型的故障趋势统计结果;根据各设备类型的故障趋势统计结果,得出故障趋势连续递增的设备类型为异常设备类型,并推送消息至用户。
10.如权利要求7所述的车间报警趋势分析方法,其特征在于,按设备对故障信息进行分类统计分析包括:
按单台设备统计工位内各设备相关所有故障时长、故障次数,得出各设备的故障统计结果;根据各设备的故障统计结果,得出故障时长最长或故障次数最多的设备为异常设备,并推送消息至用户。
11.一种车间报警趋势分析***,可用于实现如权利要求1-10任意一项所述的车间报警趋势分析方法,其特征在于,包括:
报警时长统计模块,用于统计车间连续的时间单位的累计报警时长;
报警次数统计模块,用于统计车间连续的时间单位的报警次数;
报警趋势生成模块,用于根据报警时长统计模块和/或报警次数统计模块,生成车间报警趋势。
12.一种车间报警趋势分析设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,所述存储器上存储有可被至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器在执行时能够实现如权利要求1-10任意一项所述的车间报警趋势分析方法。
13.一种计算机存储介质,其特征在于,所述计算机可读存储介质上存储有车间报警趋势分析设备的应用程序,所车间报警趋势分析设备的应用程序被处理执行时实现如权利要求所述1-10任意一项的车间报警趋势分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210309809.7A CN114842623A (zh) | 2022-03-28 | 2022-03-28 | 车间报警趋势分析方法、***、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210309809.7A CN114842623A (zh) | 2022-03-28 | 2022-03-28 | 车间报警趋势分析方法、***、设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114842623A true CN114842623A (zh) | 2022-08-02 |
Family
ID=82563306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210309809.7A Pending CN114842623A (zh) | 2022-03-28 | 2022-03-28 | 车间报警趋势分析方法、***、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114842623A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102975745A (zh) * | 2012-11-30 | 2013-03-20 | 北京交控科技有限公司 | 一种地铁信号***的预防性维护***及方法 |
CN109190958A (zh) * | 2018-08-23 | 2019-01-11 | 合肥好多帮信息科技有限公司 | 一种故障报修智能化调控*** |
CN109634801A (zh) * | 2018-10-31 | 2019-04-16 | 深圳壹账通智能科技有限公司 | 数据趋势分析方法、***、计算机装置及可读存储介质 |
CN109686066A (zh) * | 2018-12-27 | 2019-04-26 | 石化盈科信息技术有限责任公司 | 报警管理***及方法 |
CN109886538A (zh) * | 2019-01-09 | 2019-06-14 | 卡斯柯信号有限公司 | 基于动态监测数据的铁路信号设备质量评价方法及装置 |
US20190187672A1 (en) * | 2016-08-25 | 2019-06-20 | Abb Schweiz Ag | Computer system and method to process alarm signals |
CN111609883A (zh) * | 2020-05-20 | 2020-09-01 | 合肥惠科达信息科技有限责任公司 | 一种基于大数据的通信机房防护监测管理*** |
CN112537347A (zh) * | 2020-12-21 | 2021-03-23 | 交控科技股份有限公司 | 轨道信号设备报警信息分析方法及装置 |
CN112686501A (zh) * | 2020-12-15 | 2021-04-20 | 珠海格力电器股份有限公司 | 生产线的分析方法、装置、生产线、存储介质及处理器 |
CN113077065A (zh) * | 2021-04-30 | 2021-07-06 | 安徽江淮汽车集团股份有限公司 | 车辆生产线故障的处理方法、装置、设备及存储介质 |
CN113723726A (zh) * | 2020-05-25 | 2021-11-30 | 中国石油化工股份有限公司 | 化工装置运行过程风险预警与管控的方法及*** |
-
2022
- 2022-03-28 CN CN202210309809.7A patent/CN114842623A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102975745A (zh) * | 2012-11-30 | 2013-03-20 | 北京交控科技有限公司 | 一种地铁信号***的预防性维护***及方法 |
US20190187672A1 (en) * | 2016-08-25 | 2019-06-20 | Abb Schweiz Ag | Computer system and method to process alarm signals |
CN109190958A (zh) * | 2018-08-23 | 2019-01-11 | 合肥好多帮信息科技有限公司 | 一种故障报修智能化调控*** |
CN109634801A (zh) * | 2018-10-31 | 2019-04-16 | 深圳壹账通智能科技有限公司 | 数据趋势分析方法、***、计算机装置及可读存储介质 |
CN109686066A (zh) * | 2018-12-27 | 2019-04-26 | 石化盈科信息技术有限责任公司 | 报警管理***及方法 |
CN109886538A (zh) * | 2019-01-09 | 2019-06-14 | 卡斯柯信号有限公司 | 基于动态监测数据的铁路信号设备质量评价方法及装置 |
CN111609883A (zh) * | 2020-05-20 | 2020-09-01 | 合肥惠科达信息科技有限责任公司 | 一种基于大数据的通信机房防护监测管理*** |
CN113723726A (zh) * | 2020-05-25 | 2021-11-30 | 中国石油化工股份有限公司 | 化工装置运行过程风险预警与管控的方法及*** |
CN112686501A (zh) * | 2020-12-15 | 2021-04-20 | 珠海格力电器股份有限公司 | 生产线的分析方法、装置、生产线、存储介质及处理器 |
CN112537347A (zh) * | 2020-12-21 | 2021-03-23 | 交控科技股份有限公司 | 轨道信号设备报警信息分析方法及装置 |
CN113077065A (zh) * | 2021-04-30 | 2021-07-06 | 安徽江淮汽车集团股份有限公司 | 车辆生产线故障的处理方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
刘巍,梅松: "石化生产装置DCS 报警管理***建设与应用", 2019年中国过程***工程年会(PSE2019)论文集, 25 October 2019 (2019-10-25), pages 1 - 5 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101222361B (zh) | 一种告警频率监控器及告警处理方法 | |
DE102014112095B4 (de) | Verfahren zum Überwachen eines Fehlers in einem Controller Area Network | |
CN103676868B (zh) | 一种fpc制造关键工序自动监控与智能分析*** | |
DE102010052998A1 (de) | Software-zentrierte Methodik für die Überprüfung und Bestätigung von Fehlermodellen | |
CN114625088B (zh) | 自动化生产线的效能优化方法、***、设备及存储介质 | |
DE10331207A1 (de) | Verfahren und Vorrichtung zur Vorhersage einer Ausfall-Häufigkeit | |
CN111865680A (zh) | 一种工厂生产加工设备故障预警*** | |
CN108599977A (zh) | 基于统计方法监控***可用性的***及方法 | |
CN105302123A (zh) | 在线测量数据的监控方法 | |
CN115376296A (zh) | 一种基于工业互联网的生产故障预警*** | |
CN113077065A (zh) | 车辆生产线故障的处理方法、装置、设备及存储介质 | |
EP3715880B1 (de) | Verfahren und vorrichtung zur ermittlung des zustands einer elektrischen leitung | |
CN114842623A (zh) | 车间报警趋势分析方法、***、设备以及存储介质 | |
CN114781659A (zh) | 故障状况监控方法、***、设备以及存储介质 | |
DE102015218262B4 (de) | Datenverarbeitungsanlage und Verfahren für diese zur Zustandsüberwachung einer Mehrzahl an Fahrzeugen | |
CN113391611B (zh) | 动力环境监控***的预警方法、装置及*** | |
CN107451039B (zh) | 一种对集群中执行设备评价的方法和设备 | |
WO2017221452A1 (ja) | ログ収集装置、産業用ロボット及び電動プレス | |
CN103067101A (zh) | 通信终端测试监控方法和装置 | |
CN115940399A (zh) | 环网柜故障在线预警方法、装置、***及预警监测设备 | |
CN112525337B (zh) | 一种针对机械压力机振动监测数据预处理方法 | |
CN110988584A (zh) | 一种电力***智能监控和自动控制*** | |
CN114781660A (zh) | 故障报警信息统计方法、***、设备以及存储介质 | |
CN112215503A (zh) | 基于spc的可靠性监控方法 | |
CN111309537A (zh) | 一种检测服务器诊断***报错的方法和设备 |
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 |