CN115122155A - 基于工业互联网大数据的机床远程诊断方法及*** - Google Patents
基于工业互联网大数据的机床远程诊断方法及*** Download PDFInfo
- Publication number
- CN115122155A CN115122155A CN202211050194.7A CN202211050194A CN115122155A CN 115122155 A CN115122155 A CN 115122155A CN 202211050194 A CN202211050194 A CN 202211050194A CN 115122155 A CN115122155 A CN 115122155A
- Authority
- CN
- China
- Prior art keywords
- machine tool
- information
- production
- target
- fault
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000004171 remote diagnosis Methods 0.000 title claims abstract description 25
- 238000004519 manufacturing process Methods 0.000 claims abstract description 127
- 238000001514 detection method Methods 0.000 claims abstract description 48
- 230000002159 abnormal effect Effects 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000013139 quantization Methods 0.000 claims description 28
- 230000005856 abnormality Effects 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000003745 diagnosis Methods 0.000 claims description 11
- 238000013473 artificial intelligence Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 6
- 238000004590 computer program Methods 0.000 description 16
- 238000003860 storage Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/007—Arrangements for observing, indicating or measuring on machine tools for managing machine functions not concerning the tool
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
- B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
- B23Q17/24—Arrangements for observing, indicating or measuring on machine tools using optics or electromagnetic waves
- B23Q17/248—Arrangements for observing, indicating or measuring on machine tools using optics or electromagnetic waves using special electromagnetic means or methods
- B23Q17/249—Arrangements for observing, indicating or measuring on machine tools using optics or electromagnetic waves using special electromagnetic means or methods using image analysis, e.g. for radar, infrared or array camera images
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Optics & Photonics (AREA)
- General Factory Administration (AREA)
Abstract
本申请的实施例提供了一种基于工业互联网大数据的机床远程诊断方法及***、计算机可读介质及电子设备。该基于工业互联网大数据的机床远程诊断方法包括:对制造出的器件进行抽样检测,得到检测数据异常的故障器件;基于预设的机床生产信息对故障器件进行溯源,确定生产出所述故障器件的生产机床;通过摄像装置获取所述生产机床在运行过程中的图像信息;基于所述图像信息对生产机床的运行情况进行分析确定发生异常的目标机床,将所述目标机床的信息发送至管理终端,本申请实施例的技术方案通过针对质量较高的图像信息对生产机床进行分析,以确定发生故障的目标机床,进行之后的检修和维护,提高了机床远程诊断的效率和可靠性。
Description
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种基于工业互联网大数据的机床远程诊断方法及***、计算机可读介质及电子设备。
背景技术
工业互联网是新一代信息通信技术与工业经济深度融合的新型基础设施、应用模式和工业生态。在工业设备运行的过程中,随着物联网技术的发展,越来越多的工业企业希望能够对设备进行远程诊断和维护,但是这种方式往往不能保证时效,也无法保证故障诊断的精确性,因此影响正常的工业生产。
发明内容
本申请的实施例提供了一种基于工业互联网大数据的机床远程诊断方法及***、计算机可读介质及电子设备,进而至少在一定程度上可以保证故障诊断的效率和精确性。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面,提供了一种基于工业互联网大数据的机床远程诊断方法,包括:对制造出的器件进行抽样检测,得到检测数据异常的故障器件;基于预设的机床生产信息,对所述故障器件进行溯源,确定生产出所述故障器件的生产机床;通过摄像装置获取所述生产机床在运行过程中的图像信息;基于所述图像信息,对所述生产机床的运行情况进行分析,确定发生异常的目标机床;将所述目标机床的信息发送至管理终端。
在本申请的一些实施例中,基于前述方案,所述基于预设的机床生产信息,对所述故障器件进行溯源,确定生产出所述故障器件的生产机床,包括:获取所述故障器件的器件标识和机床生产信息;其中,所述机床生产信息包括机床标识以及产出信息;在所述机床生产信息中,对所述器件标识进行信息匹配,确定与所述器件标识对应的目标产出信息;于所述目标产出信息确定对应的机床为生产出所述故障器件的生产机床。
在本申请的一些实施例中,基于前述方案,所述在所述机床生产信息中,对所述器件标识进行信息匹配,确定与所述器件标识对应的目标产出信息,包括:对所述器件标识和所述机床生产信息进行量化处理,分别得到量化标识和量化信息;通过文字匹配的方式,确定所述量化信息与所述量化标识之间的相似度;基于所述相似度,确定目标量化信息,以及目标量化信息对应的目标产出信息。
在本申请的一些实施例中,基于前述方案,所述基于所述图像信息,对所述生产机床的运行情况进行分析,确定发生异常的目标机床,包括:基于所述图像信息,对图像进行质量分析,确定质量高于预设质量参数的目标图像;基于所述目标图像的图像信息,通过人工智能的方式分析所述生产机床的运行参数;在所述运行参数不在正常参数范围中时,确定为发生异常的目标机床。
在本申请的一些实施例中,基于前述方案,所述基于所述图像信息,对图像进行质量分析,确定质量高于预设质量参数的目标图像,包括:生成图像的灰度信息,作为图像信息;所述灰度信息包括预设灰度等级的灰度级数、各灰度级对应的灰度频数、图像像素值;基于所述灰度信息,计算表示图像清晰度的灰度参数;若所述灰度参数高于预设质量参数,则将所述图像作为目标图像。
在本申请的一些实施例中,基于前述方案,所述对制造出的器件进行抽样检测,得到检测数据异常的故障器件之后,还包括:基于所述故障器件对应的检测数据,确定所述故障器件的故障等级;统计预设时段内各故障等级对应的故障器件的个数,生成故障率。
在本申请的一些实施例中,基于前述方案,所述方法还包括:在所述故障率大于或者等于设定阈值时,生成机床诊断指令;将所述机床诊断指令发送至物理层设备。
在本申请的一些实施例中,基于前述方案,所述方法还包括:获取所述管理终端返回的检测回执;根据所述检测回执中的检测时间,更新机床的工作安排。
在本申请的一些实施例中,基于前述方案,所述方法还包括:在对所述目标机床进行维修之后,周期性采集目标机床的运行参数;对所述运行参数进行分析和监控。
根据本申请实施例的一个方面,提供了一种基于工业互联网大数据的机床远程诊断***,包括:抽样单元,用于对制造出的器件进行抽样检测,得到检测数据异常的故障器件;溯源单元,用于基于预设的机床生产信息,对所述故障器件进行溯源,确定生产出所述故障器件的生产机床;采集单元,用于通过摄像装置获取所述生产机床在运行过程中的图像信息;分析单元,用于基于所述图像信息,对所述生产机床的运行情况进行分析,确定发生异常的目标机床;发送单元,用于将所述目标机床的信息发送至管理终端。
在本申请的一些实施例中,基于前述方案,所述基于预设的机床生产信息,对所述故障器件进行溯源,确定生产出所述故障器件的生产机床,包括:获取所述故障器件的器件标识和机床生产信息;其中,所述机床生产信息包括机床标识以及产出信息;在所述机床生产信息中,对所述器件标识进行信息匹配,确定与所述器件标识对应的目标产出信息;于所述目标产出信息确定对应的机床为生产出所述故障器件的生产机床。
在本申请的一些实施例中,基于前述方案,所述在所述机床生产信息中,对所述器件标识进行信息匹配,确定与所述器件标识对应的目标产出信息,包括:对所述器件标识和所述机床生产信息进行量化处理,分别得到量化标识和量化信息;通过文字匹配的方式,确定所述量化信息与所述量化标识之间的相似度;基于所述相似度,确定目标量化信息,以及目标量化信息对应的目标产出信息。
在本申请的一些实施例中,基于前述方案,所述基于所述图像信息,对所述生产机床的运行情况进行分析,确定发生异常的目标机床,包括:基于所述图像信息,对图像进行质量分析,确定质量高于预设质量参数的目标图像;基于所述目标图像的图像信息,通过人工智能的方式分析所述生产机床的运行参数;在所述运行参数不在正常参数范围中时,确定为发生异常的目标机床。
在本申请的一些实施例中,基于前述方案,所述基于所述图像信息,对图像进行质量分析,确定质量高于预设质量参数的目标图像,包括:生成图像的灰度信息,作为图像信息;所述灰度信息包括预设灰度等级的灰度级数、各灰度级对应的灰度频数、图像像素值;基于所述灰度信息,计算表示图像清晰度的灰度参数;若所述灰度参数高于预设质量参数,则将所述图像作为目标图像。
在本申请的一些实施例中,基于前述方案,所述对制造出的器件进行抽样检测,得到检测数据异常的故障器件之后,还包括:基于所述故障器件对应的检测数据,确定所述故障器件的故障等级;统计预设时段内各故障等级对应的故障器件的个数,生成故障率。
在本申请的一些实施例中,基于前述方案,所述方法还包括:在所述故障率大于或者等于设定阈值时,生成机床诊断指令;将所述机床诊断指令发送至物理层设备。
在本申请的一些实施例中,基于前述方案,所述方法还包括:获取所述管理终端返回的检测回执;根据所述检测回执中的检测时间,更新机床的工作安排。
在本申请的一些实施例中,基于前述方案,所述方法还包括:在对所述目标机床进行维修之后,周期性采集目标机床的运行参数;对所述运行参数进行分析和监控。
根据本申请实施例的一个方面,提供了一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述实施例中所述的基于工业互联网大数据的机床远程诊断方法。
根据本申请实施例的一个方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述实施例中所述的基于工业互联网大数据的机床远程诊断方法。
根据本申请实施例的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各种可选实现方式中提供的基于工业互联网大数据的机床远程诊断方法。
在本申请的一些实施例所提供的技术方案中,对制造出的器件进行抽样检测,得到检测数据异常的故障器件;基于预设的机床生产信息对故障器件进行溯源,确定生产出所述故障器件的生产机床;通过摄像装置获取所述生产机床在运行过程中的图像信息;基于所述图像信息对生产机床的运行情况进行分析确定发生异常的目标机床,将所述目标机床的信息发送至管理终端,通过针对质量较高的图像信息对生产机床进行分析,以确定发生故障的目标机床,进行之后的检修和维护,提高了机床远程诊断的效率和可靠性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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获得其他的附图。
图1示意性示出了根据本申请的一个实施例的基于工业互联网大数据的机床远程诊断方法的流程图。
图2示意性示出了根据本申请的一个实施例的确定生产机床的流程图。
图3示意性示出了根据本申请的一个实施例的基于工业互联网大数据的机床远程诊断***的示意图。
图4示出了适于用来实现本申请实施例的电子设备的计算机***的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本申请将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法及***、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
以下对本申请实施例的技术方案的实现细节进行详细阐述:
图1示出了根据本申请的一个实施例的基于工业互联网大数据的机床远程诊断方法的流程图。参照图1所示,该基于工业互联网大数据的机床远程诊断方法至少包括步骤S110至步骤S150,详细介绍如下:
在步骤S110中,对制造出的器件进行抽样检测,得到检测数据异常的故障器件。
在本申请的一个实施例中,在生产过程中,对制造期间生成的器件进行抽样检测,本实施例中通过抽样检测的方式对器件进行检测,提高检测效率,并能保证器件的检测可靠性。
根据器件的性能对器件进行检测,生成检测数据,在发现检测数据与正常数据范围不符的情况下,将其作为检测数据异常的故障器件。
在本申请的一个实施例中,对制造出的器件进行抽样检测,得到检测数据异常的故障器件之后,还包括:
基于所述故障器件对应的检测数据,确定所述故障器件的故障等级;
统计预设时段内各故障等级对应的故障器件的个数,生成故障率。
其中,表示故障参数,Vau_min和Vau_max分别表示正常范围中的最小值和最大
值。之后在预设时段内,统计各个故障等级中故障器件的个数,对各等级的故障数量进行加
权求和,将和与器件总数之间的比值作为故障率,以通过故障率来衡量生产该类器件的机
床的生产性能。
在本申请的一个实施例中,在所述故障率大于或者等于设定阈值时,生成机床诊断指令,将所述机床诊断指令发送至物理层设备,以指示所述物理层设备来采集机床的工作图像。
在步骤S120中,基于预设的机床生产信息,对所述故障器件进行溯源,确定生产出所述故障器件的生产机床。
在本申请的一个实施例中,机床生产信息包括机床类型、机床标识、生产器件类型,基于机床生产信息,对故障器件进行溯源的过程中,可以基于故障器件的器件标识和机床的对应关系,确定生成故障器件的生产机床。
在本申请的一个实施例中,步骤S120中基于预设的机床生产信息,对所述故障器件进行溯源,确定生产出所述故障器件的生产机床,包括如下步骤S210~S230:
S210,获取所述故障器件的器件标识和机床生产信息;其中,所述机床生产信息包括机床标识以及产出信息;
S220,在所述机床生产信息中,对所述器件标识进行信息匹配,确定与所述器件标识对应的目标产出信息;
S230,基于所述目标产出信息确定对应的机床为生产出所述故障器件的生产机床。
具体的,本实施例中机床生产信息包括机床标识以及产出信息,其中产出信息包括机床所产出的所有器件的器件标识。之后根据上述信息进行匹配以确定与器件标识对应的目标产出信息,将该目标产出信息对应的机床作为生产机床。
由于在一套流水机床作业中,一个器件可能经过多个机床加工生成,因此实施例中得到的生产机床可能包括多个生产机床。
步骤S220中,在所述机床生产信息中,对所述器件标识进行信息匹配,确定与所述器件标识对应的目标产出信息,包括:
对所述器件标识和所述机床生产信息进行量化处理,分别得到量化标识和量化信息;
通过文字匹配的方式,确定所述量化信息与所述量化标识之间的相似度;
基于所述相似度,确定目标量化信息,以及目标量化信息对应的目标产出信息。
具体的,本实施例中的量化处理可以为预设字符的替换,基于预设的字符转换关系,将器件标识和机床生产信息转为统一的字符,作为量化标识和量化信息。之后通过字符或者文字匹配的方式,计算量化信息与所述量化标识之间的相似度,确定相似度最高时对应的量化信息为目标量化信息,以及目标量化信息对应的目标产出信息。
在步骤S130中,通过摄像装置获取所述生产机床在运行过程中的图像信息。
在本申请的一个实施例中,可以通过物理层的摄像装置来采集生产机床运行过程中的图像信息。
本实施例中的图像信息可以为视频或者图像。
在采集过程中,可以获取生产机床在生产场景中的定位,之后基于定位确定距离最近的摄像装置,以控制该摄像装置进行拍摄。
在步骤S140中,基于所述图像信息,对所述生产机床的运行情况进行分析,确定发生异常的目标机床。
在本申请的一个实施例中,在获取到图像信息之后,通过对图像信息进行图像增强、图像分割等图像分析,并结合人工鉴定,可以得到各个生产机床的运行情况,以确定其中发生故障的目标机床。
在本申请的一个实施例中,步骤S140中基于所述图像信息,对所述生产机床的运行情况进行分析,确定发生异常的目标机床,包括:
基于所述图像信息,对图像进行质量分析,确定质量高于预设质量参数的目标图像;
基于所述目标图像的图像信息,通过人工智能的方式分析所述生产机床的运行参数;
在所述运行参数不在正常参数范围中时,确定为发生异常的目标机床。
具体的,本实施例中通过质量分析来评估各个图像信息的质量,并将质量较高的图像作为待分析的目标图像,之后对目标图像通过人工智能技术分析生产机床的运行参数,以确定发生异常的目标机床。其中人工智能的方式可以是通过卷积神经网络建模来对运行参数进行分析。
在本申请的一个实施例中,基于所述图像信息,对图像进行质量分析,确定质量高于预设质量参数的目标图像,包括:
生成图像的灰度信息,作为图像信息;所述灰度信息包括预设灰度等级的灰度级数、各灰度级对应的灰度频数、图像像素值;
基于所述灰度信息,计算表示图像清晰度的灰度参数;
若所述灰度参数高于预设质量参数,则将所述图像作为目标图像。
在本申请一实施例中,生成图像的灰度信息作为图像信息,本实施例中根据图像的灰度直方图中的灰度值、和设定的灰度区间划分灰度等级。其中,灰度信息包括预设灰度等级的灰度级数k、以及各灰度级的灰度均值Val_i和对应的灰度频数Fre_i、图像的灰度值Vau_ime,其中i为小于或者等于k的自然数。
基于所述灰度信息,计算表示图像清晰度的灰度参数为:
其中, α表示预设的灰度因子, 表示某灰度级对应的灰度值在图像的灰度值中所占的比例。在计算得到灰度参数之后,若灰度参数高于预设质量参数,则表示该图像的质量较高,则将所述图像作为目标图像,用于进行之后的图像分析。
在步骤S150中,将所述目标机床的信息发送至管理终端。
在确定了目标机床之后,将目标机床的信息发送至管理终端,以请求管理终端针对目标机床进行检测,保证正常运行。
在本申请的一个实施例中,所述方法还包括:管理终端在获取到目标机床的信息之后,会生成检测回执并发送至控制装置,其中检测回执包括预计的检测时间、检测时长等信息,这样将影响正常的正产作业流程。因此需要根据检测回执中的检测时间,更新机床的工作安排,以保证正常作业。
在本申请的一个实施例中,所述方法还包括:在对所述目标机床进行维修之后,需要周期性对目标机床的运行参数进行采集,之后对所述运行参数进行分析和监控。以保证目标机床能在维修之后正常运行。
在本申请的一些实施例所提供的技术方案中,对制造出的器件进行抽样检测,得到检测数据异常的故障器件;基于预设的机床生产信息对故障器件进行溯源,确定生产出所述故障器件的生产机床;通过摄像装置获取所述生产机床在运行过程中的图像信息;基于所述图像信息对生产机床的运行情况进行分析确定发生异常的目标机床,将所述目标机床的信息发送至管理终端,通过针对质量较高的图像信息对生产机床进行分析,以确定发生故障的目标机床,进行之后的检修和维护,提高了机床远程诊断的效率和可靠性。
以下介绍本申请的装置实施例,可以用于执行本申请上述实施例中的基于工业互联网大数据的机床远程诊断方法。可以理解的是,所述装置可以是运行于计算机设备中的一个计算机程序(包括程序代码),例如该装置为一个应用软件;该装置可以用于执行本申请实施例提供的方法中的相应步骤。对于本申请装置实施例中未披露的细节,请参照本申请上述的基于工业互联网大数据的机床远程诊断方法的实施例。
图3示出了根据本申请的一个实施例的基于工业互联网大数据的机床远程诊断***的框图。
参照图3所示,根据本申请的一个实施例的基于工业互联网大数据的机床远程诊断***300,包括:
抽样单元310,用于对制造出的器件进行抽样检测,得到检测数据异常的故障器件;
溯源单元320,用于基于预设的机床生产信息,对所述故障器件进行溯源,确定生产出所述故障器件的生产机床;
采集单元330,用于通过摄像装置获取所述生产机床在运行过程中的图像信息;
分析单元340,用于基于所述图像信息,对所述生产机床的运行情况进行分析,确定发生异常的目标机床;
发送单元350,用于将所述目标机床的信息发送至管理终端。
在本申请的一些实施例中,基于前述方案,所述基于预设的机床生产信息,对所述故障器件进行溯源,确定生产出所述故障器件的生产机床,包括:获取所述故障器件的器件标识和机床生产信息;其中,所述机床生产信息包括机床标识以及产出信息;在所述机床生产信息中,对所述器件标识进行信息匹配,确定与所述器件标识对应的目标产出信息;于所述目标产出信息确定对应的机床为生产出所述故障器件的生产机床。
在本申请的一些实施例中,基于前述方案,所述在所述机床生产信息中,对所述器件标识进行信息匹配,确定与所述器件标识对应的目标产出信息,包括:对所述器件标识和所述机床生产信息进行量化处理,分别得到量化标识和量化信息;通过文字匹配的方式,确定所述量化信息与所述量化标识之间的相似度;基于所述相似度,确定目标量化信息,以及目标量化信息对应的目标产出信息。
在本申请的一些实施例中,基于前述方案,所述基于所述图像信息,对所述生产机床的运行情况进行分析,确定发生异常的目标机床,包括:基于所述图像信息,对图像进行质量分析,确定质量高于预设质量参数的目标图像;基于所述目标图像的图像信息,通过人工智能的方式分析所述生产机床的运行参数;在所述运行参数不在正常参数范围中时,确定为发生异常的目标机床。
在本申请的一些实施例中,基于前述方案,所述基于所述图像信息,对图像进行质量分析,确定质量高于预设质量参数的目标图像,包括:生成图像的灰度信息,作为图像信息;所述灰度信息包括预设灰度等级的灰度级数、各灰度级对应的灰度频数、图像像素值;基于所述灰度信息,计算表示图像清晰度的灰度参数;若所述灰度参数高于预设质量参数,则将所述图像作为目标图像。
在本申请的一些实施例中,基于前述方案,所述对制造出的器件进行抽样检测,得到检测数据异常的故障器件之后,还包括:基于所述故障器件对应的检测数据,确定所述故障器件的故障等级;统计预设时段内各故障等级对应的故障器件的个数,生成故障率。
在本申请的一些实施例中,基于前述方案,所述方法还包括:在所述故障率大于或者等于设定阈值时,生成机床诊断指令;将所述机床诊断指令发送至物理层设备。
在本申请的一些实施例中,基于前述方案,所述方法还包括:获取所述管理终端返回的检测回执;根据所述检测回执中的检测时间,更新机床的工作安排。
在本申请的一些实施例中,基于前述方案,所述方法还包括:在对所述目标机床进行维修之后,周期性采集目标机床的运行参数;对所述运行参数进行分析和监控。
在本申请的一些实施例所提供的技术方案中,对制造出的器件进行抽样检测,得到检测数据异常的故障器件;基于预设的机床生产信息对故障器件进行溯源,确定生产出所述故障器件的生产机床;通过摄像装置获取所述生产机床在运行过程中的图像信息;基于所述图像信息对生产机床的运行情况进行分析确定发生异常的目标机床,将所述目标机床的信息发送至管理终端,通过针对质量较高的图像信息对生产机床进行分析,以确定发生故障的目标机床,进行之后的检修和维护,提高了机床远程诊断的效率和可靠性。
图4示出了适于用来实现本申请实施例的电子设备的计算机***的结构示意图。
需要说明的是,图4示出的电子设备的计算机***400仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示,计算机***400包括中央处理单元(Central Processing Unit,CPU)401,其可以根据存储在只读存储器(Read-Only Memory,ROM)402中的程序或者从储存部分408加载到随机访问存储器(Random Access Memory,RAM)403中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM 403中,还存储有***操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(Input/Output,I/O)接口405也连接至总线404。
以下部件连接至I/O接口405:包括键盘、鼠标等的输入部分406;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分407;包括硬盘等的储存部分408;以及包括诸如LAN(Local Area Network,局域网)卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器410上,以便于从其上读出的计算机程序根据需要被安装入储存部分408。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中,该计算机程序可以通过通信部分409从网络上被下载和安装,和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时,执行本申请的***中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各种可选实现方式中提供的方法。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现上述实施例中所述的方法。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种基于工业互联网大数据的机床远程诊断方法,其特征在于,包括:
对制造出的器件进行抽样检测,得到检测数据异常的故障器件;
基于预设的机床生产信息,对所述故障器件进行溯源,确定生产出所述故障器件的生产机床;
通过摄像装置获取所述生产机床在运行过程中的图像信息;
基于所述图像信息,对所述生产机床的运行情况进行分析,确定发生异常的目标机床;
将所述目标机床的信息发送至管理终端。
2.根据权利要求1所述的方法,其特征在于,基于预设的机床生产信息,对所述故障器件进行溯源,确定生产出所述故障器件的生产机床,包括:
获取所述故障器件的器件标识和机床生产信息;其中,所述机床生产信息包括机床标识以及产出信息;
在所述机床生产信息中,对所述器件标识进行信息匹配,确定与所述器件标识对应的目标产出信息;
基于所述目标产出信息确定对应的机床为生产出所述故障器件的生产机床。
3.根据权利要求2所述的方法,其特征在于,在所述机床生产信息中,对所述器件标识进行信息匹配,确定与所述器件标识对应的目标产出信息,包括:
对所述器件标识和所述机床生产信息进行量化处理,分别得到量化标识和量化信息;
通过文字匹配的方式,确定所述量化信息与所述量化标识之间的相似度;
基于所述相似度,确定目标量化信息,以及目标量化信息对应的目标产出信息。
4.根据权利要求1所述的方法,其特征在于,基于所述图像信息,对所述生产机床的运行情况进行分析,确定发生异常的目标机床,包括:
基于所述图像信息,对图像进行质量分析,确定质量高于预设质量参数的目标图像;
基于所述目标图像的图像信息,通过人工智能的方式分析所述生产机床的运行参数;
在所述运行参数不在正常参数范围中时,确定为发生异常的目标机床。
5.根据权利要求4所述的方法,其特征在于,基于所述图像信息,对图像进行质量分析,确定质量高于预设质量参数的目标图像,包括:
生成图像的灰度信息,作为图像信息;所述灰度信息包括预设灰度等级的灰度级数、各灰度级对应的灰度频数、图像像素值;
基于所述灰度信息,计算表示图像清晰度的灰度参数;
若所述灰度参数高于预设质量参数,则将所述图像作为目标图像。
6.根据权利要求1所述的方法,其特征在于,对制造出的器件进行抽样检测,得到检测数据异常的故障器件之后,还包括:
基于所述故障器件对应的检测数据,确定所述故障器件的故障等级;
统计预设时段内各故障等级对应的故障器件的个数,生成故障率。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
在所述故障率大于或者等于设定阈值时,生成机床诊断指令;
将所述机床诊断指令发送至物理层设备。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述管理终端返回的检测回执;
根据所述检测回执中的检测时间,更新机床的工作安排。
9.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在对所述目标机床进行维修之后,周期性采集目标机床的运行参数;
对所述运行参数进行分析和监控。
10.一种基于工业互联网大数据的机床远程诊断***,其特征在于,包括:
抽样单元,用于对制造出的器件进行抽样检测,得到检测数据异常的故障器件;
溯源单元,用于基于预设的机床生产信息,对所述故障器件进行溯源,确定生产出所述故障器件的生产机床;
采集单元,用于通过摄像装置获取所述生产机床在运行过程中的图像信息;
分析单元,用于基于所述图像信息,对所述生产机床的运行情况进行分析,确定发生异常的目标机床;
发送单元,用于将所述目标机床的信息发送至管理终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211050194.7A CN115122155B (zh) | 2022-08-31 | 2022-08-31 | 基于工业互联网大数据的机床远程诊断方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211050194.7A CN115122155B (zh) | 2022-08-31 | 2022-08-31 | 基于工业互联网大数据的机床远程诊断方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115122155A true CN115122155A (zh) | 2022-09-30 |
CN115122155B CN115122155B (zh) | 2022-11-22 |
Family
ID=83388004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211050194.7A Active CN115122155B (zh) | 2022-08-31 | 2022-08-31 | 基于工业互联网大数据的机床远程诊断方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115122155B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115346034A (zh) * | 2022-10-17 | 2022-11-15 | 山东德晟机器人股份有限公司 | 一种基于5g网络的机器人远程诊断与维护方法及*** |
CN115826503A (zh) * | 2023-02-14 | 2023-03-21 | 深圳市玄羽科技有限公司 | 一种基于工业互联网大数据的机床远程诊断方法 |
CN115981240A (zh) * | 2023-03-22 | 2023-04-18 | 中科航迈数控软件(深圳)有限公司 | 数控机床故障原因确定方法、装置、设备及介质 |
CN116579769A (zh) * | 2023-07-13 | 2023-08-11 | 南通远征冷冻设备有限公司 | 一种冷冻设备的生产控制方法 |
CN116757682A (zh) * | 2023-08-21 | 2023-09-15 | 宁德时代新能源科技股份有限公司 | 卷绕设备维护提醒方法、装置、设备及存储介质 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5968182A (en) * | 1997-05-12 | 1999-10-19 | International Business Machines Corporation | Method and means for utilizing device long busy response for resolving detected anomalies at the lowest level in a hierarchical, demand/response storage management subsystem |
CN102880115A (zh) * | 2012-09-29 | 2013-01-16 | 佛山喜讯电子科技有限公司 | 一种基于物联网的数控机床远程协作诊断*** |
CN108038553A (zh) * | 2017-12-13 | 2018-05-15 | 科大集智数据科技(武汉)有限公司 | 轧机设备状态在线监测与诊断***及监测诊断方法 |
CN109325550A (zh) * | 2018-11-02 | 2019-02-12 | 武汉大学 | 基于图像熵的无参考图像质量评价方法 |
CN109583783A (zh) * | 2018-12-07 | 2019-04-05 | 江西洪都航空工业集团有限责任公司 | 一种托板螺母生产线的组态设计方法 |
US20190369596A1 (en) * | 2018-05-29 | 2019-12-05 | Fanuc Corporation | Analysis device, analysis method, and non-transitory computer readable medium recording an analysis program |
CN110909782A (zh) * | 2019-11-15 | 2020-03-24 | 湘潭大学 | 一种基于多特征结合深度学习对机床主轴故障的诊断方法 |
CN111007799A (zh) * | 2019-12-18 | 2020-04-14 | 宁波财经学院 | 一种基于神经网络的数控装备远程诊断*** |
CN111279277A (zh) * | 2019-12-19 | 2020-06-12 | 深圳盈天下视觉科技有限公司 | 基于多点矩阵的演示控制方法、装置、电子设备及*** |
US20200218557A1 (en) * | 2019-01-04 | 2020-07-09 | International Business Machines Corporation | Event-based virtual machine that hosts microservices |
CN112232235A (zh) * | 2020-10-20 | 2021-01-15 | 罗子尧 | 基于5g的智慧工厂远程监控方法及*** |
CN112561905A (zh) * | 2020-12-24 | 2021-03-26 | 上海精测半导体技术有限公司 | 有图形晶圆的图像优化方法、复检方法和复检设备 |
WO2021182698A1 (ko) * | 2020-03-13 | 2021-09-16 | (주)아이준 | 공작설비 이상 감지 모니터링 방법 |
CN113419487A (zh) * | 2021-07-02 | 2021-09-21 | 南通市紫日机械有限公司 | 一种数控机床故障自动诊断*** |
CN113450373A (zh) * | 2020-08-18 | 2021-09-28 | 中国人民解放军63729部队 | 一种基于光学实况图像的运载火箭飞行过程特征事件实时判别方法 |
CN113655774A (zh) * | 2021-07-21 | 2021-11-16 | 大唐互联科技(武汉)有限公司 | 基于工业互联网大数据的机床远程诊断方法及*** |
CN113805530A (zh) * | 2020-06-12 | 2021-12-17 | 沙迪克南通机电科技有限公司 | 数控机床故障远程诊断方法 |
CN113888480A (zh) * | 2021-09-15 | 2022-01-04 | 江苏欧软信息科技有限公司 | 一种基于mes的质量追溯方法和*** |
CN114358531A (zh) * | 2021-12-20 | 2022-04-15 | 深圳鼎晶科技有限公司 | 一种基于云平台的品质管理方法、装置、电子设备及存储介质 |
WO2022093376A1 (en) * | 2020-10-26 | 2022-05-05 | Jerry Nims | Vehicle terrain capture system and display of 3d digital image and 3d sequence |
-
2022
- 2022-08-31 CN CN202211050194.7A patent/CN115122155B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5968182A (en) * | 1997-05-12 | 1999-10-19 | International Business Machines Corporation | Method and means for utilizing device long busy response for resolving detected anomalies at the lowest level in a hierarchical, demand/response storage management subsystem |
CN102880115A (zh) * | 2012-09-29 | 2013-01-16 | 佛山喜讯电子科技有限公司 | 一种基于物联网的数控机床远程协作诊断*** |
CN108038553A (zh) * | 2017-12-13 | 2018-05-15 | 科大集智数据科技(武汉)有限公司 | 轧机设备状态在线监测与诊断***及监测诊断方法 |
US20190369596A1 (en) * | 2018-05-29 | 2019-12-05 | Fanuc Corporation | Analysis device, analysis method, and non-transitory computer readable medium recording an analysis program |
CN109325550A (zh) * | 2018-11-02 | 2019-02-12 | 武汉大学 | 基于图像熵的无参考图像质量评价方法 |
CN109583783A (zh) * | 2018-12-07 | 2019-04-05 | 江西洪都航空工业集团有限责任公司 | 一种托板螺母生产线的组态设计方法 |
US20200218557A1 (en) * | 2019-01-04 | 2020-07-09 | International Business Machines Corporation | Event-based virtual machine that hosts microservices |
CN110909782A (zh) * | 2019-11-15 | 2020-03-24 | 湘潭大学 | 一种基于多特征结合深度学习对机床主轴故障的诊断方法 |
CN111007799A (zh) * | 2019-12-18 | 2020-04-14 | 宁波财经学院 | 一种基于神经网络的数控装备远程诊断*** |
CN111279277A (zh) * | 2019-12-19 | 2020-06-12 | 深圳盈天下视觉科技有限公司 | 基于多点矩阵的演示控制方法、装置、电子设备及*** |
WO2021182698A1 (ko) * | 2020-03-13 | 2021-09-16 | (주)아이준 | 공작설비 이상 감지 모니터링 방법 |
CN113805530A (zh) * | 2020-06-12 | 2021-12-17 | 沙迪克南通机电科技有限公司 | 数控机床故障远程诊断方法 |
CN113450373A (zh) * | 2020-08-18 | 2021-09-28 | 中国人民解放军63729部队 | 一种基于光学实况图像的运载火箭飞行过程特征事件实时判别方法 |
CN112232235A (zh) * | 2020-10-20 | 2021-01-15 | 罗子尧 | 基于5g的智慧工厂远程监控方法及*** |
WO2022093376A1 (en) * | 2020-10-26 | 2022-05-05 | Jerry Nims | Vehicle terrain capture system and display of 3d digital image and 3d sequence |
CN112561905A (zh) * | 2020-12-24 | 2021-03-26 | 上海精测半导体技术有限公司 | 有图形晶圆的图像优化方法、复检方法和复检设备 |
CN113419487A (zh) * | 2021-07-02 | 2021-09-21 | 南通市紫日机械有限公司 | 一种数控机床故障自动诊断*** |
CN113655774A (zh) * | 2021-07-21 | 2021-11-16 | 大唐互联科技(武汉)有限公司 | 基于工业互联网大数据的机床远程诊断方法及*** |
CN113888480A (zh) * | 2021-09-15 | 2022-01-04 | 江苏欧软信息科技有限公司 | 一种基于mes的质量追溯方法和*** |
CN114358531A (zh) * | 2021-12-20 | 2022-04-15 | 深圳鼎晶科技有限公司 | 一种基于云平台的品质管理方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
李惠军: "数控机床智能远程故障诊断***技术", 《今日制造与升级》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115346034A (zh) * | 2022-10-17 | 2022-11-15 | 山东德晟机器人股份有限公司 | 一种基于5g网络的机器人远程诊断与维护方法及*** |
CN115826503A (zh) * | 2023-02-14 | 2023-03-21 | 深圳市玄羽科技有限公司 | 一种基于工业互联网大数据的机床远程诊断方法 |
CN115826503B (zh) * | 2023-02-14 | 2023-04-14 | 深圳市玄羽科技有限公司 | 一种基于工业互联网大数据的机床远程诊断方法 |
CN115981240A (zh) * | 2023-03-22 | 2023-04-18 | 中科航迈数控软件(深圳)有限公司 | 数控机床故障原因确定方法、装置、设备及介质 |
CN116579769A (zh) * | 2023-07-13 | 2023-08-11 | 南通远征冷冻设备有限公司 | 一种冷冻设备的生产控制方法 |
CN116579769B (zh) * | 2023-07-13 | 2023-11-24 | 南通远征冷冻设备有限公司 | 一种冷冻设备的生产控制方法 |
CN116757682A (zh) * | 2023-08-21 | 2023-09-15 | 宁德时代新能源科技股份有限公司 | 卷绕设备维护提醒方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115122155B (zh) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115122155B (zh) | 基于工业互联网大数据的机床远程诊断方法及*** | |
JP7138753B2 (ja) | 画像欠陥検出方法、装置、電子機器、記憶媒体および製品 | |
US11409962B2 (en) | System and method for automated insight curation and alerting | |
CN114757587B (zh) | 一种基于大数据的产品质量控制***及方法 | |
US11645540B2 (en) | Deep graph de-noise by differentiable ranking | |
CN108306997B (zh) | 域名解析监控方法及装置 | |
CN110490132B (zh) | 数据处理方法和装置 | |
CN114020715A (zh) | 一种日志数据的处理方法、装置、介质及设备 | |
CN113868214A (zh) | 日志的存储方法、装置、电子设备及计算机可读介质 | |
CN114760341B (zh) | 一种工业互联网设备智能管控远程运维平台及方法 | |
CN115293735A (zh) | 一种无人工厂工业互联网平台监测管理方法及*** | |
CN115904916A (zh) | 一种硬盘故障预测的方法、装置、电子设备以及存储介质 | |
CN115128986A (zh) | 基于SaaS级的工业互联网产量实时监控***及方法 | |
CN114821985A (zh) | 基于人工智能的工业预警***及方法 | |
CN113064812A (zh) | 一种项目开发过程质量缺陷预测方法、装置及介质 | |
CN115861321B (zh) | 应用于工业互联网的生产环境检测方法及*** | |
CN115828977B (zh) | 工业互联网标签编码方法、装置、介质及电子设备 | |
CN115292146B (zh) | 一种***容量预估方法、***、设备及存储介质 | |
CN112087482B (zh) | 利用云端***对多台设备进行管理的方法 | |
US20230409421A1 (en) | Anomaly detection in computer systems | |
CN116938761B (zh) | 一种物联网终端快速调测***及方法 | |
US11243776B2 (en) | Systems and/or methods for generating complex event processing (CEP) events and query definitions for real-time decomposition of resource usage data | |
CN115426254A (zh) | ***日志异常识别网络的建立、识别方法和装置 | |
WO2024039510A1 (en) | Incremental causal discovery and root cause localization for online system fault diagnosis | |
US20210117836A1 (en) | Model management for non-stationary systems |
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 |