CN115983450A - 一种印刷车间智能停机三级预警***和方法 - Google Patents
一种印刷车间智能停机三级预警***和方法 Download PDFInfo
- Publication number
- CN115983450A CN115983450A CN202211623472.3A CN202211623472A CN115983450A CN 115983450 A CN115983450 A CN 115983450A CN 202211623472 A CN202211623472 A CN 202211623472A CN 115983450 A CN115983450 A CN 115983450A
- Authority
- CN
- China
- Prior art keywords
- data
- machine
- early warning
- abnormal
- reporting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000004519 manufacturing process Methods 0.000 claims abstract description 41
- 230000002159 abnormal effect Effects 0.000 claims description 69
- 238000004891 communication Methods 0.000 claims description 49
- 230000006870 function Effects 0.000 claims description 49
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 20
- 210000002569 neuron Anatomy 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 7
- 230000001360 synchronised effect Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 230000001537 neural effect Effects 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属于设备状态监测技术领域,公开了一种印刷车间智能停机三级预警***和方法,包括数据采集***、机台报工***、云服务器和智能终端,数据采集***用于采集车间内每个印刷机台运行数据并分析出停机状态,将停机状态通过机台报工***进行显示,工作人员根据印刷机台自动分类结果,来选择机台停机细分原因并录入机台报工***,同时上传至云服务器,云服务器用于处理数据采集***上传的数据并分析形成设备状态数据,智能终端通过云服务器获取设备状态数据并进行分级报警。本发明通过将大数据神经算法实现下一阶段机器运行状态的自动判断并初步自动分类。帮助管理人掌握生产情况,大大提高了生产效率,提高了人员绩效管理水平。
Description
技术领域
本发明属于设备状态监测技术领域,尤其涉及一种印刷车间智能停机三级预警***和方法。
背景技术
一个印刷车间内具有多台印刷机,在多台印刷机运行过程中往往存在各类停机事件,比如设备在待单、维修、保养、测试、打样、待料、装版的时候都会导致机器处于停机和试机的状态,为了了解设备状态和及时处理设备故障,需要将设备故障状态进行上报,现有的设备停机故障上报是车间工作人员通过MES管理***进行填报提交。而实际生产中,车间工作人员大多都处于大量的实际工作中,当设备发生故障时,大家都急于处理现场设备故障,导致在MES***中上报信息通常是滞后的。工人上报的方式不仅具有滞后性,而且降低了生产效率。
发明内容
本发明目的在于提供一种印刷车间智能停机三级预警***和方法,以解决上述的技术问题。
为解决上述技术问题,本发明的一种印刷车间智能停机三级预警***和方法的具体技术方案如下:
一种印刷车间智能停机三级预警***,包括数据采集***、机台报工***、云服务器和智能终端,所述数据采集***与机台报工***通信连接,所述机台报工***与云服务器通信连接,所述智能终端与云服务器通信连接,所述数据采集***用于采集车间内每个机台运行数据并分析出停机状态,将停机状态通过机台报工***进行显示,工作人员根据印刷机台自动分类结果,来选择印刷机台停机细分原因并录入机台报工***,同时上传至云服务器,所述机台报工***同时将数据采集***采集的数据上传至云服务器,所述云服务器用于处理数据采集***上传的数据并分析形成设备状态数据,所述智能终端通过云服务器获取设备状态数据并进行分级报警。
进一步的,所述数据采集***包括传感器、控制器和通信模块,所述传感器与控制器电连接,所述通信模块与控制器电连接,所述传感器设置在每个机台的出纸处,用于检测机台纸张数量,所述通信模块用于建立与机台报工***和云服务器的通信,所述控制器用于记录传感器采集的数据并分析上传。
进一步的,所述通信模块包括本地通信模块和物联网通信模块,所述本地通信模块与机台报工***的通信模块建立连接,所述物联网通信模块采用NB-IoT物联网或wifi无线网与云服务器通信连接。
进一步的,所述传感器包括第一传感器和第二传感器,所述第一传感器用于记录轮毂转动圈数,所述第二传感器同步记录印刷机台纸张数,所述控制器内置程序根据第一传感器和第二传感器采集的数据判断印刷机运行状态和出纸数量是否正常,当数据采集***检测到机台为异常状态时,通过本地通信模块将异常信号通过机台报工***进行显示。
进一步的,所述云服务器包括物联服务协议、同步云数据库和MES***,所述物联服务协议用于建立与数据采集***和机台报工***的通信连接,所述同步云数据库用于处理数据采集***和机台报工***上传的数据,所述MES***用于管理和统计机台状态数据。
进一步的,所述MES***包括人员名单管理、机台预警管理和生产产量表报管理,所述人员名单管理用于短信提醒各级别名单的管理,所述机台预警管理用于对各机台分级预警名单及时间设置和添加,所述生产产量表报管理用于对于各车间机台生产产量及时间状态分析汇总,筛选指定内容条件,根据车间进行日报表及月报表生产信息导出汇总。
进一步的,智能终端为智能显示屏、计算机或手机。
本发明还公开了一种印刷车间智能停机三级预警***的智能停机三级预警方法,包括如下步骤:
步骤1:根据传感器每分钟采集的数据分析机台印刷张数波动曲线,确定当前机台运行情况,包括正常运行、停机和试机;
步骤2:设置数据采集***采样间隔时间T1,数据采集***每隔T1时间进行一次采样,分析本次采样数据与上一次采样数据是否存在波动变化,若不存在变化则进入步骤1,***自动忽略小于T1时间段内的变化,若两个采样周期间存在波动变化则进入步骤3;
步骤3:判断机台在T2时间段内采样数据是否存在波动变化,T2>T1,若T2时间段内无变化,则记录机台波动时间、状态、工单、班组信息,无需上报预警,若存在变化则判断为异常,并通过异常分类判断模型对异常进行自动分类判断,并将异常信息进行记录,通过机台报工***弹窗显示,并进行一级角色手机预警,工作人员对异常信息进行确认,并根据实际处理情况对异常信息进行更新;
步骤4:判断异常时间是否超过T3,T3>T2,若异常时间超过T3,则进入三级角色手机预警、二级角色手机预警、二级角色手机预警以及机台弹窗报警,工作人员对异常信息进行确认,并根据实际处理情况对异常信息进行更新;若异常时间未超过T3,则进入步骤4;
步骤5:判断异常时间是否超过T4,T2<T4<T3,若异常时间超过T4,则进入二级角色手机预警、二级角色手机预警以及机台弹窗报警,工作人员对异常信息进行确认,并根据实际处理情况对异常信息进行更新,若异常时间未超过T4,则进入步骤6;
步骤6:进入步骤4,异常信息判断脚本循环。
进一步地,所述异常分为异常大类和异常小类,所述异常大类包括:生产换型、设备故障、停机等待、生产过程调试、保养、打样、测试、计划维修;所述异常小类包括:换型调整和装版换型。
进一步地,所述步骤3的异常分类判断模型采用深度学习的方式,包括输入层、中间层和输出层,所述模型用于执行以下步骤:
步骤a:假设要预测St,St表示t时刻的状态state,分别取Vt-10,Vt-9,Vt-8......Vt,Vt+1,Vt+2......,Vt+10,一共21个数据,作为一组数据,如果某些数据不存在,则用0代替,所述输入层就有21个数据;步骤b:假设这个神经网络要预测一个机台的三种状态,神经网络的输出层采用softmax函数,输出三个数据,softmax函数如下所示:
步骤c:通过输入机台报工***的当前实时运行速度的状态值(z),来获取概率(p),而Softmax函数,提供了归一化的处理运算,机台实时运行数据认为是一维数据,采用全连接或LSTM进行处理,每一个中间层之间用ReLU函数激活,即
f(x)=max(0,x)
而在神经网络中,ReLU函数作为神经元的激活函数,为神经元在线性变换wTx+b之后的非线性输出结果,对于进入神经元的来自上一层神经网络的输入向量x,使用ReLU函数的神经元会输出计算值:
max(0,wTx+b)
至下一层神经元或作为整个神经网络的输出;
步骤d:最后,在设计的神经网络中指定梯度下降函数、损失函数,所述梯度下降函数为Adams函数,所述损失函数为均方差损失函数,
均方差损失函数:
在这里,yi表示在Softmax神经网络中的输出值,ti表示监督数据,i表示数据的维数,本软件***中的数据是1维线性数据。
本发明的一种印刷车间智能停机三级预警***和方法具有以下优点:本发明通过将大数据神经算法引入机台实时报工,从而实现下一阶段机器运行状态的自动判断。通过自动判断的状态,来预警。对数据模块采集后的生产数据实现数据切片分析,判断条件灵活可配,并通过三级预警***对机台异常情况进行各级管理人员及时预警提醒。利用MES***对数据模块采集后的生产数据实现数据分析,进行报表展示并进行日报表月报表生产异常情况自动汇总,帮助管理人掌握生产情况,大大提高了生产效率,提高了人员绩效管理水平。
附图说明
图1为本发明的印刷车间智能停机三级预警***架构图;
图2为本发明的印刷车间智能停机三级预警方法流程图;
图3为本发明的机台报工***弹窗显示示意图;
图4为本发明的异常分类判断模型结构示意图;
图5为本发明的归一化的处理运算示意图
图6为本发明的激活函数图像示意图;
图7为本发明的人员名单管理界面示意图;
图8为本发明的机台预警管理界面示意图;
图9为本发明的生产产量表报管理界面示意图;
图10为本发明的生产产量表报管理导出选择示意图;
图11为本发明的生产产量表报管理导出报表示意图。
具体实施方式
为了更好地了解本发明的目的、结构及功能,下面结合附图,对本发明一种印刷车间智能停机三级预警***和方法做进一步详细的描述。
本发明的一种印刷车间智能停机三级预警***,包括数据采集***、机台报工***、云服务器和智能终端。
如图1所示,数据采集***与机台报工***本地通信连接,机台报工***通过NB-IoT物联网或wifi无线网与云服务器通信连接,智能终端与云服务器通信连接。数据采集***用于采集车间内每个机台运行数据并分析出停机状态,将停机状态通过机台报工***进行显示,工作人员根据机台实际工况选择机台停机原因并录入机台报工***同时上传至云服务器,机台报工***同时将数据采集***采集的数据上传至云服务器,云服务器用于处理数据采集***上传的数据并分析形成设备状态数据,智能终端通过云服务器获取设备状态数据并进行分级报警。
数据采集***包括传感器、控制器和通信模块,传感器与控制器电连接,通信模块与控制器电连接。通信模块包括本地通信模块和物联网通信模块,本地通信模块与机台报工***的通信模块建立连接,物联网通信模块采用NB-IoT物联网或wifi无线网与云服务器通信连接。控制器用于记录传感器采集的数据并分析上传。传感器设置在每个机台的出纸处,用于检测机台纸张数量,优选的,传感器包括第一传感器和第二传感器,第一传感器用于记录轮毂转动圈数,第一传感器采用霍尔接近开关,印刷机轮毂上固定有磁铁块,霍尔接近开关固定安装在轮毂附近,轮毂每转一圈,霍尔接近开关会感应到磁铁块相应磁力,产生高低电流,并将此电流通过计数器进行采集计算,每转动一圈计数为1次,而印刷的印张在每转动一次时候进行记录,第二传感器设置在机台尾部出纸处,用于记录纸张数量,第二传感器同步记录印刷机台纸张数。控制器内置程序根据第一传感器和第二传感器采集的数据判断印刷机运行状态和出纸数量是否正常,当数据采集***检测到机台为异常状态时,通过本地通信模块将异常信号通过机台报工***进行显示。
机台报工***包括显示屏和通信模块,通信模块用于与数据采集***和云服务器建立通信,显示屏用于显示数据采集***上报的异常状态,包括异常大类和异常小类选项,工作人员根据机台状态选择相应的异常类别进行上报。
云服务器包括物联服务协议、同步云数据库和MES***,物联服务协议用于建立与数据采集***和机台报工***通信连接,同步云数据库用于处理数据采集***和机台报工***上传的数据,MES***用于管理和统计机台状态数据。具体的,MES***包括人员名单管理、机台预警管理和生产产量报表管理。人员名单管理用于设置人员级别及人员名单和手机号码。***通过短信将不同预警级别的信息发送给对应级别的人员。机台预警管理包括预警模式的设置,包括预警类别、预警阈值时间、预警等级的设置。生产产量报表管理用于对于各车间机台生产产量及工作时间、停机时间状态进行分析汇总,可筛选指定内容条件,可根据车间进行日报表及月报表生产信息导出汇总。
智能终端可以为智能显示屏、计算机、手机等智能终端。用于登录并查看MES***中的数据报表,当机台发生故障时,MES***通过智能终端进行预警提醒。
如图2所示,本发明的一种印刷车间智能停机三级预警方法,包括如下步骤:
步骤1:根据传感器每分钟采集的数据分析机台印刷张数波动曲线,确定当前机台运行情况,包括正常运行、停机和试机。
步骤2:设置数据采集***采样间隔时间T1,数据采集***每隔T1时间进行一次采样,本实施例的采样间隔时间T1设置为10分钟,数据采集***每隔10分钟进行一次采样,分析本次采样数据与上一次采样数据是否存在波动变化。若不存在变化则进入步骤1,***自动忽略小于T1时间段内的变化,若两个采样周期间存在波动变化则进入步骤3;
步骤3:判断机台在T2时间段内采样数据是否存在波动变化,T2>T1,本实施例的T2设置为30分钟,若T2时间段内无变化,则记录机台波动时间、状态、工单、班组等信息,无需上报预警。若存在变化则判断为异常,并通过异常分类判断模型对异常进行自动分类判断,并将异常信息进行记录(异常信息包括:当前机台号、工单号、班组、异常时长、生产状态、时间日期、产量等),通过机台报工***弹窗显示,并进行一级角色手机预警。如图3所示,工作人员对异常信息进行确认,并根据实际处理情况对异常信息进行更新。异常分为异常大类和异常小类,异常大类包括:生产换型、设备故障、停机等待、生产过程调试、保养、打样、测试、计划维修。异常小类包括:换型调整和装版换型。
步骤4:判断异常时间是否超过T3,T3>T2,本实施例中,T3设置为6小时,若异常时间超过T3,则进入三级角色手机预警、二级角色手机预警、二级角色手机预警以及机台弹窗报警。工作人员对异常信息进行确认,并根据实际处理情况对异常信息进行更新。若异常时间未超过T3,则进入步骤4。
步骤5:判断异常时间是否超过T4,T2<T4<T3,本实施例中,T4设置为1小时,若异常时间超过T4,则进入二级角色手机预警、二级角色手机预警以及机台弹窗报警。工作人员对异常信息进行确认,并根据实际处理情况对异常信息进行更新。若异常时间未超过T4,则进入步骤6。
步骤6:进入步骤4,异常信息判断脚本循环。
其中,步骤3的异常分类判断模型采用深度学习的方式,本实施例将时间节点状态分为三种,分别为工作、停机和打样,用于自动进行这三种状态的判断,如图4所示,异常分类判断模型包括输入层、中间层和输出层,算法包括如下步骤:
步骤a:某一瞬间的状态不仅与自身的状态相关,还与相邻的一些状态相关,假设要预测St(t时刻的状态state),我们分别取Vt-10,Vt-9,Vt-8......Vt,Vt+1,Vt+2......,Vt+10,一共21个数据。作为一组数据。如果某些数据不存在,则用0代替。所以这个神经网络的输入层就有21个数据。
步骤b:这个神经网络要预测一个机台的三种状态(这是预测每个类别的分类),所以神经网络的输出层可以采用softmax函数,输出三个数据。softmax函数如下所示,确定了输入层和输出层之后,我们再来考虑中间层的结构。
步骤c:通过输入机台报工***的当前实时运行速度的状态值(z),我们来获取概率(p),而Softmax函数,提供了归一化的处理运算,如图5所示。机台实时运行数据可以认为是一维数据,采用全连接或LSTM进行处理。在本***和算法中用全连接方式处理。每一个中间层之间用ReLU函数激活。本***中使用的ReLU函数,是一种人工神经网络中常用的激活函数,其指代数学中的斜坡函数,即
f(x)=max(0,x)
对应的函数图像如图6所示。
而在神经网络中,ReLU函数作为神经元的激活函数,为神经元在线性变换wTx+b之后的非线性输出结果。对于进入神经元的来自上一层神经网络的输入向量x,使用ReLU函数的神经元会输出计算值
max(0,wTx+b)
至下一层神经元或作为整个神经网络的输出(取决现神经元在网络结构中所处位置)。
步骤d:最后,为了让神经网络具有学习能力,在设计的神经网络中指定梯度下降函数、损失函数。***中的梯度下降函数采用:Adams函数,损失函数为:均方差损失函数。
均方差损失函数:
在这里,yi表示在Softmax神经网络中的输出值,ti表示监督数据,i表示数据的维数,本软件***中的数据是1维线性数据。
本发明的MES***主要包括人员名单管理、机台预警管理和生产产量表报管理。如图7所示。人员名单管理用于短信提醒各级别名单的管理,包括员工ID、员工姓名、部门、员工编号、手机号等信息,并设置了权限开关,可以灵活设置权限。
如图8所示,机台预警管理用于对各机台分级预警名单及时间设置和添加。包括机台编号、预警标题、各级预警时间及人员。
如图9所示,生产产量表报管理用于对于各车间机台生产产量及时间状态分析汇总,如图10所示,可筛选指定内容条件,根据车间进行日报表及月报表生产信息导出汇总。如图11所示,导出表报包括机台编号、工单编号、班组、状态类型、开始时间、结束时间、持续时间、产量等信息。
本发明通过将大数据神经算法引入机台实时报工,从而来预测下一阶段机器运行状态的自动判断。通过自动判断的状态,来预警。对数据模块采集后的生产数据实现数据切片分析,判断条件灵活可配,并通过三级预警***对机台异常情况进行各级管理人员及时预警提醒。利用MES***对数据模块采集后的生产数据实现数据分析,进行报表展示并进行日报表月报表生产异常情况自动汇总,帮助管理人掌握生产情况,大大提高了生产效率,提高了人员绩效管理水平。
可以理解,本发明是通过一些实施例进行描述的,本领域技术人员知悉的,在不脱离本发明的精神和范围的情况下,可以对这些特征和实施例进行各种改变或等效替换。另外,在本发明的教导下,可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此,本发明不受此处所公开的具体实施例的限制,所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。
Claims (10)
1.一种印刷车间智能停机三级预警***,其特征在于,包括数据采集***、机台报工***、云服务器和智能终端,所述数据采集***与机台报工***通信连接,所述机台报工***与云服务器通信连接,所述智能终端与云服务器通信连接,所述数据采集***用于采集车间内每个机台运行数据并分析出停机状态,将停机状态通过机台报工***进行显示,工作人员根据印刷机台自动分类结果,来选择印刷机台停机细分原因并录入机台报工***,同时上传至云服务器,所述机台报工***同时将数据采集***采集的数据上传至云服务器,所述云服务器用于处理数据采集***上传的数据并分析形成设备状态数据,所述智能终端通过云服务器获取设备状态数据并进行分级报警。
2.根据权利要求1所述的印刷车间智能停机三级预警***,其特征在于,所述数据采集***包括传感器、控制器和通信模块,所述传感器与控制器电连接,所述通信模块与控制器电连接,所述传感器设置在每个机台的出纸处,用于检测机台纸张数量,所述通信模块用于建立与机台报工***和云服务器的通信,所述控制器用于记录传感器采集的数据并分析上传。
3.根据权利要求2所述的印刷车间智能停机三级预警***,其特征在于,所述通信模块包括本地通信模块和物联网通信模块,所述本地通信模块与机台报工***的通信模块建立连接,所述物联网通信模块采用NB-IoT物联网或wifi无线网与云服务器通信连接。
4.根据权利要求2所述的印刷车间智能停机三级预警***,其特征在于,所述传感器包括第一传感器和第二传感器,所述第一传感器用于记录轮毂转动圈数,所述第二传感器同步记录印刷机台纸张数,所述控制器内置程序根据第一传感器和第二传感器采集的数据判断印刷机运行状态和出纸数量是否正常,当数据采集***检测到机台为异常状态时,通过本地通信模块将异常信号通过机台报工***进行显示。
5.根据权利要求1所述的印刷车间智能停机三级预警***,其特征在于,所述云服务器包括物联服务协议、同步云数据库和MES***,所述物联服务协议用于建立与数据采集***和机台报工***的通信连接,所述同步云数据库用于处理数据采集***和机台报工***上传的数据,所述MES***用于管理和统计机台状态数据。
6.根据权利要求5所述的印刷车间智能停机三级预警***,其特征在于,所述MES***包括人员名单管理、机台预警管理和生产产量表报管理,所述人员名单管理用于短信提醒各级别名单的管理,所述机台预警管理用于对各机台分级预警名单及时间设置和添加,所述生产产量表报管理用于对于各车间机台生产产量及时间状态分析汇总,筛选指定内容条件,根据车间进行日报表及月报表生产信息导出汇总。
7.根据权利要求1所述的印刷车间智能停机三级预警***,其特征在于,智能终端为智能显示屏、计算机或手机。
8.一种如权利要求1-7任一项所述的印刷车间智能停机三级预警***的智能停机三级预警方法,其特征在于,包括如下步骤:
步骤1:根据传感器每分钟采集的数据分析机台印刷张数波动曲线,确定当前机台运行情况,包括正常运行、停机和试机;
步骤2:设置数据采集***采样间隔时间T1,数据采集***每隔T1时间进行一次采样,分析本次采样数据与上一次采样数据是否存在波动变化,若不存在变化则进入步骤1,***自动忽略小于T1时间段内的变化,若两个采样周期间存在波动变化则进入步骤3;
步骤3:判断机台在T2时间段内采样数据是否存在波动变化,T2>T1,若T2时间段内无变化,则记录机台波动时间、状态、工单、班组信息,无需上报预警,若存在变化则判断为异常,并通过异常分类判断模型对异常进行自动分类判断,并将异常信息进行记录,通过机台报工***弹窗显示,并进行一级角色手机预警,工作人员对异常信息进行确认,并根据实际处理情况对异常信息进行更新;
步骤4:判断异常时间是否超过T3,T3>T2,若异常时间超过T3,则进入三级角色手机预警、二级角色手机预警、二级角色手机预警以及机台弹窗报警,工作人员对异常信息进行确认,并根据实际处理情况对异常信息进行更新;若异常时间未超过T3,则进入步骤4;
步骤5:判断异常时间是否超过T4,T2<T4<T3,若异常时间超过T4,则进入二级角色手机预警、二级角色手机预警以及机台弹窗报警,工作人员对异常信息进行确认,并根据实际处理情况对异常信息进行更新,若异常时间未超过T4,则进入步骤6;
步骤6:进入步骤4,异常信息判断脚本循环。
9.根据权利要求8所述的智能停机三级预警方法,其特征在于,所述异常分为异常大类和异常小类,所述异常大类包括:生产换型、设备故障、停机等待、生产过程调试、保养、打样、测试、计划维修;所述异常小类包括:换型调整和装版换型。
10.根据权利要求8所述的智能停机三级预警方法,其特征在于,所述步骤3的异常分类判断模型采用深度学习的方式,包括输入层、中间层和输出层,所述模型用于执行以下步骤:
步骤a:假设要预测St,St表示t时刻的状态state,分别取Vt-10,Vt-9,Vt-8......Vt,Vt+1,Vt+2......,Vt+10,一共21个数据,作为一组数据,如果某些数据不存在,则用0代替,所述输入层就有21个数据;步骤b:假设这个神经网络要预测一个机台的三种状态,神经网络的输出层采用softmax函数,输出三个数据,softmax函数如下所示:
步骤c:通过输入机台报工***的当前实时运行速度的状态值(z),来获取概率(p),而Softmax函数,提供了归一化的处理运算,机台实时运行数据认为是一维数据,采用全连接或LSTM进行处理,每一个中间层之间用ReLU函数激活,即
而在神经网络中,ReLU函数作为神经元的激活函数,为神经元在线性变换wTx+b之后的非线性输出结果,对于进入神经元的来自上一层神经网络的输入向量x,使用ReLU函数的神经元会输出计算值:
max(0,wTx+b)
至下一层神经元或作为整个神经网络的输出;
步骤d:最后,在设计的神经网络中指定梯度下降函数、损失函数,所述梯度下降函数为Adams函数,所述损失函数为均方差损失函数,
均方差损失函数:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211623472.3A CN115983450A (zh) | 2022-12-16 | 2022-12-16 | 一种印刷车间智能停机三级预警***和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211623472.3A CN115983450A (zh) | 2022-12-16 | 2022-12-16 | 一种印刷车间智能停机三级预警***和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115983450A true CN115983450A (zh) | 2023-04-18 |
Family
ID=85975171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211623472.3A Pending CN115983450A (zh) | 2022-12-16 | 2022-12-16 | 一种印刷车间智能停机三级预警***和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115983450A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050038579A1 (en) * | 2003-08-15 | 2005-02-17 | Lewis Michael W. | Interactive maintenance management alarm handling |
CN111754114A (zh) * | 2020-06-24 | 2020-10-09 | 华明卓益科技(深圳)有限公司 | 一种精益制造执行*** |
CN114792276A (zh) * | 2021-10-29 | 2022-07-26 | 天津长荣科技集团股份有限公司 | 一种用于生产设备自动报工的计算方法及*** |
-
2022
- 2022-12-16 CN CN202211623472.3A patent/CN115983450A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050038579A1 (en) * | 2003-08-15 | 2005-02-17 | Lewis Michael W. | Interactive maintenance management alarm handling |
CN111754114A (zh) * | 2020-06-24 | 2020-10-09 | 华明卓益科技(深圳)有限公司 | 一种精益制造执行*** |
CN114792276A (zh) * | 2021-10-29 | 2022-07-26 | 天津长荣科技集团股份有限公司 | 一种用于生产设备自动报工的计算方法及*** |
Non-Patent Citations (2)
Title |
---|
SHERWIN MENEZES 等: "Smart Manufacturing Execution Systems for Small and Medium-sized Enterprises", 《 PROCEDIA CIRP》, vol. 72, 2 July 2018 (2018-07-02), pages 1009 - 1014 * |
张以帆;: "牵住印报信息"牛鼻子" 创建生产管理新模式", 《今日印刷》, no. 12, 10 December 2007 (2007-12-10), pages 23 - 25 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109325601B (zh) | 物流设备故障监测运维管理方法 | |
CN110366031B (zh) | 一种数字化车间mes***基于视觉的异常状态监测与故障诊断方法 | |
US20210019685A1 (en) | Quality review management system with configurable exception rules | |
CN100472711C (zh) | 工序和质量关系的模型生成装置及模型生成方法 | |
US20020091972A1 (en) | Method for predicting machine or process faults and automated system for implementing same | |
CN110989521A (zh) | 一种生产线智能管理*** | |
CN110927654B (zh) | 一种智能电能表批次运行状态评价方法 | |
US8392135B2 (en) | Methods and systems for analyzing performance of a sorting system | |
CN117041312A (zh) | 基于物联网的企业级信息技术监控*** | |
WO2019226846A1 (en) | Competency gap identification of an operators response to various process control and maintenance conditions | |
CN113468022B (zh) | 一种对产品集中监控的自动化运维方法 | |
KR20090061856A (ko) | 품질관리규칙이 변경가능한 통계적 공정관리 장치 및 방법 | |
CN109885978B (zh) | 一种遥感地面站故障诊断***及方法 | |
CN115983450A (zh) | 一种印刷车间智能停机三级预警***和方法 | |
CN112255969A (zh) | 一种数控机床的数据采集分析展示***及方法 | |
CN117113135A (zh) | 一种可对异常数据整理分类的碳排放异常监测分析*** | |
CN116245506A (zh) | 一种设备运维管理***及故障自检测方法及其使用方法 | |
CN112527572A (zh) | 磁盘故障预测方法、装置、计算机可读存储介质及服务器 | |
CN115356970A (zh) | 一种基于实时数据和运维数据的动环监控***及方法 | |
US11334061B2 (en) | Method to detect skill gap of operators making frequent inadvertent changes to the process variables | |
CN114760332A (zh) | 一种高效的设备监测分析方法 | |
CN112347069A (zh) | 一种基于制造大数据的制造企业预测型维修服务方法 | |
CN106231298B (zh) | 大屏幕远程智能监控方法、装置及*** | |
CN118068819B (zh) | 用于高质量诊断与决策的大模型数据管理*** | |
CN117575163B (zh) | 数据管理平台、数据采集方法、装置和计算机设备 |
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 |