CN115469627A - 基于物联网的智能工厂运行管理*** - Google Patents
基于物联网的智能工厂运行管理*** Download PDFInfo
- Publication number
- CN115469627A CN115469627A CN202211352599.6A CN202211352599A CN115469627A CN 115469627 A CN115469627 A CN 115469627A CN 202211352599 A CN202211352599 A CN 202211352599A CN 115469627 A CN115469627 A CN 115469627A
- Authority
- CN
- China
- Prior art keywords
- sensor
- internet
- unit
- things
- data
- 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 claims abstract description 86
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 17
- 238000004891 communication Methods 0.000 claims abstract description 16
- 230000007246 mechanism Effects 0.000 claims abstract description 14
- 230000015654 memory Effects 0.000 claims abstract description 10
- 239000003795 chemical substances by application Substances 0.000 claims description 31
- 230000007787 long-term memory Effects 0.000 claims description 17
- 230000006403 short-term memory Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000000428 dust Substances 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 239000002184 metal Substances 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000004904 shortening Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 13
- 238000000034 method Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 239000003550 marker Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 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
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
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于物联网的智能工厂运行管理***，为智能工厂管理领域，通过在运营管理***中设置包括由插件管理器、代理模块以及协议处理器构成的协议管理单元使不同通信协议的传感器数据均能被边缘服务器所识别和使用，提高了数据利用效率；同时，采用注意力机制的双向长短期记忆网络模型对生产指标进行预测，相较于现有技术，提高了预测的精度；本申请的基于物联网的智能工厂运行管理***有利于降低制造***的生产成本、缩短产品生产时间，达到提高生产企业经济效益的目的。
Description
技术领域
本发明属于智能工厂管理领域，尤其设计一种基于物联网的智能工厂运行管理***。
背景技术
现如今，中国为了实现传统制造技术和信息技术的深度融合，结合传统制造业工厂的发展现状，提出大力支持发展智能工厂的政策，将物联网(Internet of things)技术和传统的设计制造工厂相结合的智能工厂对工业生产起到了非常积极作用，基于物联网的智能工厂与传统的制造业模式相比，不仅能够促进生产方式的进步和生产效率的提高，而且安全问题数量也有效减少。
智能工厂作为我国制造企业发展的关键环节，其利用物联网、云计算、大数据等先进技术，结合实时数据采集技术和感知技术如传感器等，实现生产设施和工作人员间的智能化运行管理，智能工厂的核心是通过数据进行智能决策，利用数据并进行知识学习和决策实现多维度的智能服务。在智能化工厂中，其性能指标反映了工厂整体的生产能力和运行管理的有效性，而对智能工厂的性能指标进行精确预测有利于为智能工厂的自主决策和及时调整制造资源提供依据。
现有技术中对存在基于物联网对智能工厂进行运行管理进而对性能指标进行预测的技术方案，例如中国发明专利文献（CN114240292A）公开了一种基于物联网技术与工业大数据的智能管理运营***，如附图1所示，该***由管理***、生产端、仓储端、购买端、标码器和统计器构成，在传统的电池管理***的基础之上，增加了标码生成器、标码识别器、标码器、计时器、计数器和统计器，能够通过这种方式，使工业化生产中的产品能够精确到每个物品进行数据统计，并将产品的数据进行分类标识，给工厂类企业的管理总筹工作提供了方便，避免了因为数据信息不全面而造成意外损失情况的发生。上述方案实质上可以通过物联网终端对生产以及异常情况进行预测进而实现智能工厂运行管理，然而，上述方案实际上对生产和异常情况只是进行了粗略预测，预测精度并不高，对企业生产性能提高效果并不明显。
同时，由于物联网智能工厂中包含了不同年代建造的车间以及生产线，并且集成了各种各样不同类型的传感器，不同年代或者不同类型的传感器具有不同的通信协议，因此，在智能工厂运行管理***在利用传感器的数据时，也会存在不兼容而使部分数据无法被管理***利用的情况，致使数据利用率不高。
发明内容
本发明要解决的技术问题是针对上述技术方案的不足，提供一种基于物联网的智能工厂运行管理***，通过设置预测模块，用于对智能工厂的生产指标进行预测，通过设置协议管理单元用于管理不同传感器的不同协议，使智能工厂运行管理***能够对传感器获取的数据充分利用，从而提高智能工厂的运行管理效率和水平。
为了实现上述目的，根据本发明的一个方面，一种基于物联网的智能工厂运行管理***，其特征在于，包括：
传感器单元，所述传感器单元中的传感器单独安装在所述智能工厂生产设备中，用于感测所述生产设备；
具体地，所述传感器单元由温度传感器、湿度传感器、亮度传感器、灰尘传感器、压力传感器、振动传感器、电压传感器、电流传感器、平行传感器、磁传感器、照度传感器、接近传感器、距离传感器、倾斜传感器、气体传感器、热传感器、火焰传感器、金属传感器、霍尔传感器中的一种或几种构成；
所述传感器单元安装和连接到所述生产设备上以检测所述设备是否在运行，并检测温度、湿度、亮度、灰尘、压力、振动、电压、电流、功率等参数；
边缘服务器，用于接收所述传感器测量的数据，然后对所述数据进行处理，并传送到物联网终端单元；所述边缘服务器包括协议管理单元；
具体地，所述边缘服务器可以为服务器、个人计算机、笔记本电脑、平板电脑、智能电话；
物联网终端单元，用于基于所述传感器单元的数据来感测和控制所述生产设备的操作；所述物联网终端单元还包括生产指标预测模块；所述生产指标预测模块中运行生产指标预测模型，用于对生产指标进行预测；
具体地，所述生产指标预测模型包括以下步骤：
步骤1：数据预处理；
为提高数据的有效性，对所述传感器单元采集的原始数据采用计算平均值的方式填补缺失值，由于制造过程采集的数据尺度不一，将数据集标准化处理，以保证量纲的一致性，并作为自动编码器模型的输入，
所述预处理公式为：
式中， xij为所述传感器单元中第j个传感器测量的第i个数据，xi min和xi max分别为第i个数据的最小值和最大值，xij ＇为处理后的值；
步骤2：通过自动编码器模型对所述步骤1处理后的数据学习；
自动编码器模型由于其出色的特征提取能力，被广泛地应用在各领域进行数据处理，所述自动编码器包括降噪自动编码器和稀疏自动编码器，所述步骤2的具体步骤如下:
首先初始化降噪自动编码器和稀疏自动编码器各隐藏层神经节点数量；
然后通过所述降噪自动编码器将所述步骤1处理后的数据进行自动学习，提取出第一个隐藏层作为所述稀疏自动编码器的输入层;
所述稀疏自动编码器经过多个隐藏层的学习，直到最后一层隐藏层训练结束;
然后对所述自动编码器的参数微调，输出深层特征；
该过程运用不同自动编码器并增加网络深度，从而增强了学习的能力，使得获取数据集中包含了更丰富的信息；
步骤3：通过神经网络模型对生产指标进行预测，输出预测结果；
具体地，由于本实施例中数据具有噪音较大和包含时间信息等特点，因此，所述神经网络模型为注意力机制的双向长短期记忆网络模型，双向长短期记忆网络是前向长短期记忆网络模型与后向长短期记忆网络模型的堆叠，相较于单向长短期记忆网络模型而言，可以同时考虑序列在前后两个方向上的传递性，注意力机制通过模拟人类在视觉范围内会优先关注到重要信息，从而提高信息处理效率的过程，来提高神经网络对重要特征的提取能力；注意力机制的双向长短期记忆网络模型在具有时间信息的数据领域具有极好的预测效果。
所述双向长短期记忆网络模型的简化形式为：
其中，Xt为t时刻所述传感器单元采集的处理后的数据，W1、W2、W3 、W4、W5、W6为相应的权重矩阵，ht-1为前一时刻的输出，ht为t时刻在前向层的输出，
为下一时刻的输出，
为t时刻在反向层的输出，0t为t时刻的输出；
在本模型中，将注意力机制叠加在双向长短期记忆网络模型之后，可以对编码的特征向量进行权重自适应调整，即每个状态向量和其他除本身以外的状态向量进行相似度计算，得到全局注意力矩阵，利用所述全局注意力矩阵和原本的状态向量相乘，实现对特征的自适应方式的全局加权，从而可以更快的得到预测结果；
具体地，所述预测结果为生产指标，具体为产品加工周期、设备利用率、产品成品率、最大产能利用率等。
生产管理***，接收所述物联网终端的预测结果，并生成生产计划。
更近一步地，所述边缘服务器包括通信单元、操作单元、输出单元、存储单元、终端装置连接单元和协议管理单元以及边缘数据处理单元；同时，还设置电源单元对所述边缘服务器供电；
值得强调的是，协议管理单元包括插件管理器、代理模块以及协议处理器；所述插件管理器安装在网络扩展槽上，用于管理所述通信单元所支持的通信协议的代理模块；所述代理模块是OPC-UA代理，SECS-I代理，HSMS代理，Modbus代理，Profinet代理，MQTT代理，CoAP代理和以太网-IP代理中的一种或几种；所述协议处理器可以切换协议，使得所述边缘服务器可以识别并使用数据；通过插件管理器、代理模块以及协议处理器组成的协议管理单元的设置，使得不同通信协议的传感器的数据均能被所述边缘服务器所识别和使用，从而有助于提高数据的利用效率。
具体地，边缘数据处理单元可以智能地过滤/组合/校正/分析由所述传感器单元收集的数据，并且可以自主地处理数据。
基于上述技术方案，本申请提供的一种电力***输电线路在线监测方法和***，具有如下技术效果：
1、本申请根据智能工厂运行管理***集成的传感器数量众多，所采集的数据具有高冗余、线性度低、维度以及噪音较大和包含时间信息等特点，其对生产指标的预测效果不利，通过自动编码器模型对所述生产指标进行学习，然后采用注意力机制的双向长短期记忆网络模型对生产指标进行预测，相较于现有技术，提高了预测的精度；
2、本申请根据现有智能工厂生产线上的传感器年代和类型不同，在边缘服务器中设置包括插件管理器、代理模块以及协议处理器的协议管理单元，使不同通信协议的传感器数据均能被边缘服务器所识别和使用，提高了数据利用效率；
3、本申请的基于物联网的智能工厂运行管理***有利于降低制造***的生产成本、缩短产品生产时间，达到提高生产企业经济效益的目的。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，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，对于本领域的普通技术人员来讲，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为现有技术中基于物联网技术与工业大数据的智能管理运营***示意图；
图2为本申请实施例提供的一种基于物联网的智能工厂运行管理***示意图；
图3为本申请实施例提供的双向长短期记忆网络模型示意图；
图4为本申请实施例提供的边缘服务器的示意图
图5为本申请实施例提供的协议管理单元示意图。
图中：
10、传感器单元；20、边缘服务器；210、通信单元；220、操作单元；230、输出单元；240、存储单元； 250、终端装置连接单元；260、协议管理单元；2610、插件管理器；2620、代理模块；2630、协议处理器；270、边缘数据处理单元；30、物联网终端单元；40、生产管理***。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，显然，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，都属于本申请保护的范围。
下面首先结合附图对本申请所涉及的概念进行说明。在此需要指出的是，以下对各个概念的说明，仅为了使本申请的内容更加容易理解，并不表示对本申请保护范围的限定。
本实施例所记载的“智能工厂”是指用于制造/生产/分选的设备可以是半自动化的或完全自动化的，该工厂的设备可以是自动化环境的一部分，例如，制造自动化环境，实验室自动化环境，建筑自动化环境等。
本发明要解决的技术问题是针对上述技术方案的不足，提供一种基于物联网的智能工厂运行管理***，用于对智能工厂运行的生产指标进行管理；智能工厂的运行管理中，与生产相关的指标非常多，它们从不同的角度反映智能工厂下制造过程的加工状态，为生产管理人员生产改善提供重要参考，有利于降低制造***的生产成本、缩短产品生产时间，达到提高生产企业经济效益的目的，本申请中，生产指标包括产品加工周期、设备利用率、产品成品率、最大产能利用率等。
如图2所示，一种基于物联网的智能工厂运行管理***，其特征在于，包括：
传感器单元10，所述传感器单元10中的传感器单独安装在所述智能工厂生产设备中，用于感测所述生产设备；
具体地，所述传感器单元10由温度传感器、湿度传感器、亮度传感器、灰尘传感器、压力传感器、振动传感器、电压传感器、电流传感器、平行传感器、磁传感器、照度传感器、接近传感器、距离传感器、倾斜传感器、气体传感器、热传感器、火焰传感器、金属传感器、霍尔传感器中的一种或几种构成；
所述传感器单元10安装和连接到所述生产设备上以检测所述设备是否在运行，并检测温度、湿度、亮度、灰尘、压力、振动、电压、电流、功率等参数；
边缘服务器20，用于接收所述传感器测量的数据，然后对所述数据进行处理，并传送到物联网终端单元30；所述边缘服务器20包括协议管理单元260；
在基于物联网的智能工厂中，由于传感器数量多，分布广，如果所有的传感器数据直接上传到物联网终端单元30，势必会造成极大的时延，并且还需要传输网络具有较大的带宽，因此，本申请通过设置边缘服务器20，减少传输时延以及减少对传输硬件的要求，具体地，所述边缘服务器20可以为服务器、个人计算机、笔记本电脑、平板电脑、智能电话；
物联网终端单元30，用于基于所述传感器单元10的数据来感测和控制所述生产设备的操作；所述物联网终端单元30还包括生产指标预测模块；
一般地，智能工厂中所述传感器单元10采集的数据除了高冗余、线性度低、维度高等特点，同时所述数据还存在噪音较大和包含时间信息等特点，其对生产指标的预测效果不利，为此去除噪音信息并实现高精度的预测仍是值得关注的问题；本实施例通过在所述生产指标预测模块中运行生产指标预测模型，用于对生产指标进行预测；
具体地，所述生产指标预测模型包括以下步骤：
步骤1：数据预处理；
为提高数据的有效性，对所述传感器单元10采集的原始数据采用计算平均值的方式填补缺失值，由于制造过程采集的数据尺度不一，将数据集标准化处理，以保证量纲的一致性，并作为自动编码器模型的输入，
所述预处理公式为：
式中， xij为所述传感器单元10中第j个传感器测量的第i个数据，xi min和xi max分别为第i个特征的最小值和最大值，xij ＇为处理后的值；
步骤2：通过自动编码器模型对所述步骤1处理后的数据学习；
自动编码器模型由于其出色的特征提取能力，被广泛地应用在各领域进行数据处理，在本实施例中，所述自动编码器包括降噪自动编码器和稀疏自动编码器，所述步骤2的具体步骤如下:
首先初始化降噪自动编码器和稀疏自动编码器各隐藏层神经节点数量；
然后通过所述降噪自动编码器将所述步骤1处理后的数据进行自动学习，提取出第一个隐藏层作为所述稀疏自动编码器的输入层;
所述稀疏自动编码器经过多个隐藏层的学习，直到最后一层隐藏层训练结束;
然后对所述自动编码器的参数微调，输出深层特征；
该过程运用不同自动编码器并增加网络深度，从而增强了学习的能力，使得获取数据集中包含了更丰富的信息；
步骤3：通过神经网络模型对生产指标进行预测，输出预测结果；
具体地，由于本实施例中数据具有噪音较大和包含时间信息等特点，因此，所述神经网络模型为注意力机制的双向长短期记忆网络模型，双向长短期记忆网络是前向长短期记忆网络模型与后向长短期记忆网络模型的堆叠，相较于单向长短期记忆网络模型而言，可以同时考虑序列在前后两个方向上的传递性，注意力机制通过模拟人类在视觉范围内会优先关注到重要信息，从而提高信息处理效率的过程，来提高神经网络对重要特征的提取能力；注意力机制的双向长短期记忆网络模型在具有时间信息的数据领域具有极好的预测效果。
如图3所示，所述双向长短期记忆网络模型的简化形式为：
其中，Xt为t时刻所述传感器单元10采集的处理后的数据，W1、W2、W3 、W4、W5、W6为权重矩阵，ht-1为前一时刻的输出，ht为t时刻在前向层的输出，
为下一时刻的输出，
为t时刻在反向层的输出，0t为t时刻的输出；
在本实施例中，将注意力机制叠加在双向长短期记忆网络模型之后，可以对编码的特征向量进行权重自适应调整，即每个状态向量和其他除本身以外的状态向量进行相似度计算，得到全局注意力矩阵，利用所述全局注意力矩阵和原本的状态向量相乘，实现对特征的自适应方式的全局加权，从而可以更快的得到预测结果；
具体地，所述预测结果为生产指标，具体为产品加工周期、设备利用率、产品成品率、最大产能利用率等。
生产管理***40，接收所述物联网终端30的预测结果，并生成生产计划。
更近一步地，如图4-图5所示，所述边缘服务器20包括通信单元210、操作单元220、输出单元230、存储单元240、终端装置连接单元250和协议管理单元260以及边缘数据处理单元270；同时，还设置电源单元对所述边缘服务器20供电；
值得强调的是，协议管理单元260包括插件管理器2610、代理模块2620以及协议处理器2630；所述插件管理器2610安装在网络扩展槽上，用于管理所述通信单元210所支持的通信协议的代理模块2620；所述代理模块2620是OPC-UA代理，SECS-I代理，HSMS代理，Modbus代理，Profinet代理，MQTT代理，CoAP代理和以太网-IP代理中的一种或几种；所述协议处理器2630可以切换协议，使得所述边缘服务器20可以识别并使用数据；通过插件管理器2610、代理模块2620以及协议处理器2630组成的协议管理单元260的设置，使得不同通信协议的传感器的数据均能被所述边缘服务器20所识别和使用，从而有助于提高数据的利用效率。
具体地，边缘数据处理单元270可以智能地过滤/组合/校正/分析由所述传感器单元10收集的数据，并且可以自主地处理数据。
本申请根据智能工厂运行管理***集成的传感器数量众多，所采集的数据具有高冗余、线性度低、维度以及噪音较大和包含时间信息等特点，其对生产指标的预测效果不利，通过自动编码器模型对所述生产指标进行学习，然后采用注意力机制的双向长短期记忆网络模型对生产指标进行预测，相较于现有技术，提高了预测的精度；本申请根据现有智能工厂生产线上的传感器年代和类型不同，在边缘服务器20中设置包括插件管理器2610、代理模块2620以及协议处理器2630的协议管理单元260，使不同通信协议的传感器数据均能被边缘服务器20所识别和使用，提高了数据利用效率；本申请的基于物联网的智能工厂运行管理***有利于降低制造***的生产成本、缩短产品生产时间，达到提高生产企业经济效益的目的。
以上所述的实施例及/或实施方式，仅是用以说明实现本发明技术的较佳实施例及/或实施方式，并非对本发明技术的实施方式作任何形式上的限制，任何本领域技术人员，在不脱离本发明内容所公开的技术手段的范围，当可作些许的更动或修改为其它等效的实施例，但仍应视为与本发明实质相同的技术或实施例。
Claims (9)
1.一种基于物联网的智能工厂运行管理***，其特征在于，包括：
传感器单元（10），其中，所述传感器单元（10）中的传感器单独安装在所述智能工厂生产设备中，用于感测所述生产设备；
边缘服务器（20），用于接收所述传感器测量的数据，然后对所述数据进行处理，并传送到物联网终端单元（30）；所述边缘服务器（20）包括协议管理单元（260）；
物联网终端单元（30），用于基于所述传感器单元（10）的数据来感测和控制所述生产设备的操作；所述物联网终端单元（30）还包括生产指标预测模块；所述生产指标预测模块中运行生产指标预测模型，用于对生产指标进行预测；
生产管理***（40），接收所述物联网终端（30）的预测结果，并生成生产计划。
2.根据权利要求1所述的基于物联网的智能工厂运行管理***，其特征在于：所述边缘服务器（20）包括通信单元（210）、操作单元（220）、输出单元（230）、存储单元（240）、终端装置连接单元（250）和协议管理单元（260）以及边缘数据处理单元（270）。
3.根据权利要求2所述的基于物联网的智能工厂运行管理***，其特征在于：所述协议管理单元（260）包括插件管理器（2610）、代理模块（2620）以及协议处理器（2630）；所述插件管理器（2610）安装在网络扩展槽上，用于管理所述通信单元（210）所支持的通信协议的代理模块（2620）；所述代理模块（2620）是OPC-UA代理，SECS-I代理，HSMS代理，Modbus代理，Profinet代理，MQTT代理，CoAP代理和以太网-IP代理中的一种或几种；所述协议处理器（2630）可以切换协议，使得所述边缘服务器（20）可以识别并使用所有数据。
4.根据权利要求1所述的基于物联网的智能工厂运行管理***，其特征在于：所述传感器单元（10）由温度传感器、湿度传感器、亮度传感器、灰尘传感器、压力传感器、振动传感器、电压传感器、电流传感器、平行传感器、磁传感器、照度传感器、接近传感器、距离传感器、倾斜传感器、气体传感器、热传感器、火焰传感器、金属传感器、霍尔传感器中的一种或几种组成。
5.根据权利要求1所述的基于物联网的智能工厂运行管理***，其特征在于：所述生产指标预测模型包括以下步骤：
步骤1：数据预处理；
所述预处理公式为：
式中，xij为所述传感器单元中第j个传感器测量的第i个数据，xi min和xi max分别为第i个特征的最小值和最大值，xij ＇为处理后的值；
步骤2：通过自动编码器模型对所述步骤1处理后的数据学习；
所述自动编码器包括降噪自动编码器和稀疏自动编码器，
步骤3：通过神经网络模型对生产指标进行预测，输出预测结果。
6.根据权利要求5所述的基于物联网的智能工厂运行管理***，其特征在于：所述步骤2的步骤具体如下:
首先初始化降噪自动编码器和稀疏自动编码器各隐藏层神经节点数量；
然后通过所述降噪自动编码器将原始数据的训练集进行自动学习，提取出第一个隐藏层作为所述稀疏自动编码器的输入层;
所述稀疏自动编码器经过多个隐藏层的学习，直到最后一层隐藏层训练结束;
然后对所述自动编码器的参数微调，输出深层特征。
7.根据权利要求5所述的基于物联网的智能工厂运行管理***，其特征在于：所述神经网络模型为注意力机制的双向长短期记忆网络模型，所述双向长短期记忆网络是前向长短期记忆网络模型与后向长短期记忆网络模型的堆叠；
所述双向长短期记忆网络模型的简化形式为：
其中，Xt为t时刻所述传感器单元（10）采集的处理后的数据，W1、W2、W3 、W4、W5、W6为相应的权重矩阵，ht-1为前一时刻的输出，ht为t时刻在前向层的输出，
为下一时刻的输出，
为t时刻在反向层的输出，0t为t时刻的输出。
8.根据权利要求7所述的基于物联网的智能工厂运行管理***，其特征在于：在所述注意力机制的双向长短期记忆网络模型中，将注意力机制叠加在双向长短期记忆网络模型之后，可以对编码的特征向量进行权重自适应调整，即每个状态向量和其他除本身以外的状态向量进行相似度计算，得到全局注意力矩阵，利用所述全局注意力矩阵和原本的状态向量相乘，实现对特征的自适应方式的全局加权，从而可以更快的得到预测结果。
9.根据权利要求5所述的基于物联网的智能工厂运行管理***，其特征在于：所述预测结果为生产指标，具体为产品加工周期、设备利用率、产品成品率、最大产能利用率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211352599.6A CN115469627B (zh) | 2022-11-01 | 2022-11-01 | 基于物联网的智能工厂运行管理*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211352599.6A CN115469627B (zh) | 2022-11-01 | 2022-11-01 | 基于物联网的智能工厂运行管理*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115469627A true CN115469627A (zh) | 2022-12-13 |
| CN115469627B CN115469627B (zh) | 2023-04-04 |
Family
ID=84336639
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211352599.6A Active CN115469627B (zh) | 2022-11-01 | 2022-11-01 | 基于物联网的智能工厂运行管理*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115469627B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116934041A (zh) * | 2023-07-28 | 2023-10-24 | 广州普睿特智能包装科技有限公司 | 一种基于物联网协同的工厂任务管理方法及*** |
| CN117575216A (zh) * | 2023-11-15 | 2024-02-20 | 淄博京科电气有限公司 | 基于物联网和工业大数据的智能工厂管理方法及*** |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2955924A1 (en) * | 2014-06-11 | 2015-12-16 | Dolby Laboratories Licensing Corporation | Efficient transcoding for backward-compatible wide dynamic range codec |
| CN109389091A (zh) * | 2018-10-22 | 2019-02-26 | 重庆邮电大学 | 基于神经网络和注意力机制结合的文字识别***及方法 |
| EP3667439A1 (en) * | 2018-12-13 | 2020-06-17 | ABB Schweiz AG | Predictions for a process in an industrial plant |
| CN111352977A (zh) * | 2020-03-10 | 2020-06-30 | 浙江大学 | 基于自注意力双向长短期记忆网络的时序数据监测方法 |
| CN111580486A (zh) * | 2020-05-28 | 2020-08-25 | 安徽工程大学 | 一种基于物联网的智能工厂数据管理***及其处理方法 |
| CN112862301A (zh) * | 2021-02-02 | 2021-05-28 | 陕西煤业新型能源科技股份有限公司 | 一种面向工业企业的智能管控*** |
| CN113743016A (zh) * | 2021-09-09 | 2021-12-03 | 湖南工业大学 | 基于改进的堆叠式稀疏自编码器和注意力回声状态网络的涡扇发动机剩余使用寿命预测方法 |
| CN114640695A (zh) * | 2022-04-24 | 2022-06-17 | 上海交通大学 | 一种智能工厂基于长序列双预测和informer的高频时序数据有效传输方法 |
| CN114898466A (zh) * | 2022-05-13 | 2022-08-12 | 埃夫特智能装备股份有限公司 | 一种面向智慧工厂的视频动作识别方法及*** |
-
2022
- 2022-11-01 CN CN202211352599.6A patent/CN115469627B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2955924A1 (en) * | 2014-06-11 | 2015-12-16 | Dolby Laboratories Licensing Corporation | Efficient transcoding for backward-compatible wide dynamic range codec |
| CN109389091A (zh) * | 2018-10-22 | 2019-02-26 | 重庆邮电大学 | 基于神经网络和注意力机制结合的文字识别***及方法 |
| EP3667439A1 (en) * | 2018-12-13 | 2020-06-17 | ABB Schweiz AG | Predictions for a process in an industrial plant |
| CN111352977A (zh) * | 2020-03-10 | 2020-06-30 | 浙江大学 | 基于自注意力双向长短期记忆网络的时序数据监测方法 |
| CN111580486A (zh) * | 2020-05-28 | 2020-08-25 | 安徽工程大学 | 一种基于物联网的智能工厂数据管理***及其处理方法 |
| CN112862301A (zh) * | 2021-02-02 | 2021-05-28 | 陕西煤业新型能源科技股份有限公司 | 一种面向工业企业的智能管控*** |
| CN113743016A (zh) * | 2021-09-09 | 2021-12-03 | 湖南工业大学 | 基于改进的堆叠式稀疏自编码器和注意力回声状态网络的涡扇发动机剩余使用寿命预测方法 |
| CN114640695A (zh) * | 2022-04-24 | 2022-06-17 | 上海交通大学 | 一种智能工厂基于长序列双预测和informer的高频时序数据有效传输方法 |
| CN114898466A (zh) * | 2022-05-13 | 2022-08-12 | 埃夫特智能装备股份有限公司 | 一种面向智慧工厂的视频动作识别方法及*** |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116934041A (zh) * | 2023-07-28 | 2023-10-24 | 广州普睿特智能包装科技有限公司 | 一种基于物联网协同的工厂任务管理方法及*** |
| CN116934041B (zh) * | 2023-07-28 | 2024-01-26 | 广州普睿特智能包装科技有限公司 | 一种基于物联网协同的工厂任务管理方法及*** |
| CN117575216A (zh) * | 2023-11-15 | 2024-02-20 | 淄博京科电气有限公司 | 基于物联网和工业大数据的智能工厂管理方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115469627B (zh) | 2023-04-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115469627B (zh) | 基于物联网的智能工厂运行管理*** | |
| Du et al. | Power load forecasting using BiLSTM-attention | |
| US20230369855A1 (en) | Method, internet of things system and storage medium for government power supply regulation in smart city | |
| CN110264270B (zh) | 一种行为预测方法、装置、设备和存储介质 | |
| CN108400589B (zh) | 一种基于石墨烯的云电源天然气生态*** | |
| CN115730749B (zh) | 基于融合电力数据的电力调度风险预警方法及装置 | |
| Chen et al. | [Retracted] The Construction of a Smart City Energy Efficiency Management System Oriented to the Mobile Data Aggregation of the Internet of Things | |
| Jiang et al. | Wind speed forecasting using autoregressive moving average/generalized autoregressive conditional heteroscedasticity model | |
| CN115313355A (zh) | 一种智能电网大数据在短期负荷预测中的自动预测方法及*** | |
| CN117376381A (zh) | 一种基于行为预测的电力设备通信方法及*** | |
| CN113822454B (zh) | 切片投诉处理资源的预估方法及装置 | |
| CN111857015B (zh) | 输变电云端智能控制器 | |
| CN110766566A (zh) | 一种基于双向lstm模型的运维行为智能分析*** | |
| CN110987062A (zh) | 一种基于数据融合的智能计量箱预警方法及*** | |
| CN117978247B (zh) | 基于高通量卫星物联网的数据压缩方法和装置 | |
| CN113837483B (zh) | 基于无线接收装置的广告流量预估处理方法、装置、终端 | |
| CN117273199B (zh) | 一种航运信息动态监测及超前预报方法及*** | |
| CN111897655B (zh) | 一种输变电云端智能控制器 | |
| CN117793106B (zh) | 一种智能网关、物联网数据采集方法及物联网*** | |
| CN114048814A (zh) | 基于非侵入式负荷监测的工业用电监测方法及*** | |
| Ou et al. | Automatic Security Monitoring Method of Power Communication Network Based on Edge Computing | |
| Hu et al. | Research on intelligent prediction of time-of-use price on power sale | |
| Bi et al. | Multi-Step Water Quality Prediction with Series Decomposition and Auto-Correlation | |
| Huang et al. | Design of smart charging station and research on load prediction of charging station based on LSTM | |
| CN117077055A (zh) | 负荷异常检测方法、装置、设备以及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |