CN116126836B - 光纤器件加工设备的数字化智能监测***及方法 - Google Patents
光纤器件加工设备的数字化智能监测***及方法 Download PDFInfo
- Publication number
- CN116126836B CN116126836B CN202310382234.6A CN202310382234A CN116126836B CN 116126836 B CN116126836 B CN 116126836B CN 202310382234 A CN202310382234 A CN 202310382234A CN 116126836 B CN116126836 B CN 116126836B
- Authority
- CN
- China
- Prior art keywords
- maintenance
- optical fiber
- fiber device
- fault
- processing equipment
- 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.)
- Active
Links
- 239000013307 optical fiber Substances 0.000 title claims abstract description 171
- 238000012545 processing Methods 0.000 title claims abstract description 155
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 238000012423 maintenance Methods 0.000 claims abstract description 206
- 230000036541 health Effects 0.000 claims abstract description 33
- 230000002950 deficient Effects 0.000 claims description 53
- 230000002159 abnormal effect Effects 0.000 claims description 52
- 230000008859 change Effects 0.000 claims description 21
- 238000012216 screening Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/219—Managing data history or versioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Emergency Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Testing Of Optical Devices Or Fibers (AREA)
- Optical Communication System (AREA)
Abstract
本发明涉及设备监管技术领域,具体为光纤器件加工设备的数字化智能监测***及方法,所述***包括健康状态变化趋势分析模块,所述健康状态变化趋势分析模块分析光纤器件加工设备历史维护信息中维护数据与第一故障数据集合之间的关联性,得到光纤器件加工设备中待测部件的历史健康状态变化趋势,默认相邻两次维护对应的时间间隔为数据库中预置的定值。本发明不仅监控设备中部件的保养时间,还考虑到不同设备部件在不同使用状态下的健康状态情况的差异情况,准确预测光纤器件加工设备基于当前加工环境下,下一次维护时间前设备部件出现故障风险的程度,并及时向管理员进行预警,实现对光纤器件加工设备的有效管控。
Description
技术领域
本发明涉及设备监管技术领域,具体为光纤器件加工设备的数字化智能监测***及方法。
背景技术
随着通信技术的不断发展,光纤通信技术的地位越来越凸显,逐渐成为世界通信领域发展中的主流,在信息社会中发挥着不可替代的作用,发展潜力较大,具有频带宽(通信容量大)、损耗低(中继距离长的特点)及抗电磁干扰能力强的特点;在光纤通信中,除光纤外,还需要运用到光纤器件,常见的光纤器件包含光连接器、光耦合器、光开关、波分复用器和波分解复用器、光衰减器、光环行器、光隔离器和光调制器等。
由于光纤通信中对光纤连接时及光纤中信号处理时要求的精度较高,进而对光纤器件的质量要求也较高,为了更好地对光纤器件的质量进行把控,对光纤器件加工设备的监测已经成为本领域人员亟待解决的问题。
现有的光纤器件加工设备的数字化智能监测***,只是简单的监控设备中部件的保养时间,并定时向管理人员进行预警,但是未考虑到不同设备部件在不同使用状态下的健康状态情况是存在差异的,往往加工设备的部件出现故障的时间处于两次设备维护时间之间,而现有的技术不能准确预测加工设备基于当前加工环境下,下一次维护时间前设备部件出现故障风险的程度,进而无法达到及时预警的效果,进而会导致设备管理者无法及时对设备加工状态进行管控,因此,现有技术存在较大的缺陷。
发明内容
本发明的目的在于提供光纤器件加工设备的数字化智能监测***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:光纤器件加工设备的数字化智能监测方法,所述方法包括以下步骤:
S1、获取光纤器件加工设备的维护信息及光纤器件异常产品信息,并保存到数据库中,所述维护信息包括维护数据及故障数据;
S2、提取数据库内光纤器件加工设备历史维护信息中维护数据与故障数据,对故障数据进行动态筛选,用筛选后的正常数据构建第一故障数据集合,用筛选的异常数据构建第二故障数据集合;
S3、分析光纤器件加工设备历史维护信息中维护数据与第一故障数据集合之间的关联性,得到光纤器件加工设备中待测部件的历史健康状态变化趋势,默认相邻两次维护对应的时间间隔为数据库中预置的定值;
S4、根据光纤器件加工设备历史维护信息中第二故障数据集合,获取光纤器件加工设备中待测部件的异常特征集合;
S5、获取当前光纤器件加工设备的运行状态数据,若当前时间光纤器件加工设备未出现故障,则对光纤器件加工设备进行故障风险管理,分析光纤器件加工设备的运行故障风险值,并根据所得运行故障风险值,判断是否需要对管理员进行预警,若当前时间光纤器件加工设备出现故障,则对管理员进行预警。
进一步的,所述光纤器件加工设备的维护信息中的维护数据包括每次维护时对应的维护编号、每次维护设备的时间点及每次维护前后产品分别对应的次品率,不同的维护编号对应不同的维护次数,所述次品率表示最近一批产品中异常产品量与相应批次中产品总量的比值;
所述光纤器件加工设备的维护信息中的故障数据包括每次设备故障时间及故障部件的使用寿命;
所述光纤器件异常产品信息包括异常产品所属的产品批次及产品的生产时间。
进一步的,所述S2中对故障数据进行动态筛选的方法包括以下步骤:
S21、获取光纤器件加工设备历史维护信息中的维护数据及故障数据,对故障数据中待测部件种类记为Ai;
S22、提取S21获取的维护数据中各个维护编号构成的集合,记为QAi,
S23、获取故障数据中部件种类为Ai的故障次数及每次故障对应的时间,将故障数据中部件种类为Ai的第j次故障对应的时间记为BjAi,并将QAi中对应维护时间在时间区间(B(j-1)Ai,BjAi]之间的所有维护编号构成的集合记为QAij,
所述B(j-1)Ai表示故障数据中部件种类为Ai的第j-1次故障对应的时间,且当j=1时,B(j-1)Ai等于光纤器件加工设备在采购后第一次运行的时间,
获取QAij中第k个元素对应维护编号相应的维护前后产品次品率,将QAij中第k个元素对应维护编号相应的维护前产品次品率记为QAij1k,将QAij中第k个元素对应维护编号相应的维护后产品次品率记为QAij2k;
S24、当k1<1时,不对故障数据中部件种类为Ai的第j次故障进行分析,
当k1≥1时,预测QAij对应的故障部件在故障时的产品次品率,记为DAij,
所述DAij=(QAij1k1-QAij2k1-1)/T*T1+Aij2k1,
其中,k1表示QAij中的元素个数,QAij1k1表示QAij中第k1个元素对应维护编号相应的维护前产品次品率,QAij2k1-1表示第k1-1个元素对应维护编号相应的维护后产品次品率,T表示部件种类为Ai的部件相邻两次维护的间隔时长,T1表示BjAi与QAij中第k1个元素对应维护编号相应的维护设备的时间点之间的间隔时长,Aij2k1表示第k1个元素对应维护编号相应的维护后产品次品率,若k1=1,QAij2k1-1=0;
S25、对故障数据进行动态筛选,
当DAij≥QAij1k1时,则判定故障数据中部件种类为Ai的第j次故障正常,将故障数据中部件种类为Ai的第j次故障对应的数据作为第一故障数据集合中的一个元素,
当DAij<QAij1k1时,则判定故障数据中部件种类为Ai的第j次故障异常,将故障数据中部件种类为Ai的第j次故障对应的数据作为第二故障数据集合中的一个元素。
本发明S2中对故障数据进行动态筛选时,考虑到设备部件在使用过程中常规使用寿命(正常状态下部件的使用寿命,通常在一个区间范围内)及异常磨损导致的突变寿命(突发因素导致部件的使用寿命骤然缩减,该寿命不能作为后续步骤中分析光纤器件加工设备中待测部件的历史健康状态变化趋势的参照数据,若使用会导致分析的变化趋势出现较大的偏差,但是该数据能够反应光纤器件加工设备使用过程中突发状态对待测部件的影响情况,为后续获取异常特征集合提供了数据参照)。
进一步的,所述S3中得到光纤器件加工设备中待测部件的历史健康状态变化趋势的方法包括以下步骤:
S31、获取第一故障数据集合中部件种类为Ai的第j次故障对应的QAij,并将(B(j-1)Ai,BjAi]划分成不同的时间切片区间,
将时间区间(B(j-1)Ai,BjAi1]作为第一时间切片区间,BjAi1表示QAij中第一个元素对应维护编号相应的维护时间点,
将时间区间(BjAik-1,BjAik]作为第k时间切片区间,BjAik表示QAij中第k个元素对应维护编号相应的维护时间点,BjAik-1表示QAij中第k-1个元素对应维护编号相应的维护时间点,
将时间区间(BjAik1,BjAi]作为第k1+1时间切片区间,BjAi1表示QAij中第一个元素对应维护编号相应的维护时间点;
S32、获取每个时间切片区间对应的两个数据对,分别作为相应时间切片区间的第一数据对及第二数据对,
将第k2时间切片区间对应的第一数据对记为(tk2,u*Wtk2),将第k时间切片区间对应的第二数据对记为(tk2+Fk2,u*W1tk2),
所述tk2对应一个待测部件Ai对应的健康状态衰变时长值,当k2=1时,tk2=0,当k2>1时,tk2为一个可变参数且tk2的最小调节步长为r,所述r为数据库中预置的常数,块∈[1,k1+1],
所述Fk2表示第k2时间切片区间对应的区间长度,Wtk2表示第k2时间切片区间中最小时间之后的一个批次中产品的次品率,W1tk2表示第k2时间切片区间中最大时间之前的一个批次中产品的次品率,所述u表示健康状态转化系数且u为数据库中预置的常数;
S33、得到k2为不同值的情况下,各个tk2等于不同值时,以y=h1*(x1+h2)+h3且x1=1/(1+e-x)为标准函数模型且h1、h2及h3均为系数,所得拟合结果对应的函数与相应的各个第一数据对及第二数据对之间的偏差和,并将所得偏差和最小的拟合结果对应的函数作为光纤器件加工设备中待测部件Ai的历史健康状态变化趋势,记为G(x),
所述偏差和等于拟合结果对应的函数与相应的各个第一数据对及第二数据对之间最短距离之和。
本发明S3中得到光纤器件加工设备中待测部件的历史健康状态变化趋势时,考虑到每个时间切片区间中两个端点分别对应的时间差是固定的且每个端点对应数据对中的第二个值也是固定的,通过调节每个切片时间区间对应的第一数据对中的第一个数值,来实现对拟合曲线的自适应校准(拟合效果更加准确且更加贴合该光纤器件加工设备中部件实际的健康状态变化趋势),最终得到光纤器件加工设备中待测部件Ai的历史健康状态变化趋势,便于后续过程中分析光纤器件加工设备的运行故障风险值。
进一步的,所述S4中得到光纤器件加工设备中待测部件的异常特征集合时,获取第二故障数据集合中每个元素对应的故障部件在故障时的产品次品率预测值,并将所得各个元素对应的故障时的产品次品率预测值逐个录入到一个空白集合中,得到光纤器件加工设备中待测部件Ai的异常特征集合。
进一步的,所述S5中分析光纤器件加工设备的运行故障风险值时,获取当前时间光纤器件加工设备运行时产品的次品率,记为P,将u*P作为一个健康状态值代入G(x)中,得到当前时间光纤器件加工设备内待测部件Ai对应的健康状态衰变时长值,记为xd,
得到光纤器件加工设备的运行故障风险值,记为M,所述M=1-H[G(xd+xt)/u]/R,
xt表示当前时间光纤器件加工设备距离下一次维护的时长,G(xd+xt)表示x=xd+xt时G(x)对应的值,H[G(xd+xt)/u]表示第一故障数据集合及第二故障数据集合中每个元素分别对应的故障时的各个产品次品率中大于G(xd+xt)/u且小于等于P的次数,R表示第一故障数据集合中的元素个数与第二故障数据集合中的元素个数之和且R>0,所述M∈[0,1]。
将所得运行故障风险值与数据库中的第一阈值进行比较,
当所得运行故障风险值大于等于第一阈值时,则判定当前光纤器件加工设备存在运行故障风险,需要对管理员进行预警,
当所得运行故障风险值大于等于第一阈值时,则判定当前光纤器件加工设备不存在运行故障风险,不需要对管理员进行预警。
光纤器件加工设备的数字化智能监测***,所述***包括以下模块:
设备数据采集模块,所述设备数据采集模块获取光纤器件加工设备的维护信息及光纤器件异常产品信息,并保存到数据库中,所述维护信息包括维护数据及故障数据;
数据动态筛选模块,所述数据动态筛选模块提取数据库内光纤器件加工设备历史维护信息中维护数据与故障数据,对故障数据进行动态筛选,用筛选后的正常数据构建第一故障数据集合,用筛选的异常数据构建第二故障数据集合;
健康状态变化趋势分析模块,所述健康状态变化趋势分析模块分析光纤器件加工设备历史维护信息中维护数据与第一故障数据集合之间的关联性,得到光纤器件加工设备中待测部件的历史健康状态变化趋势,默认相邻两次维护对应的时间间隔为数据库中预置的定值;
异常特征分析模块,所述异常特征分析模块根据光纤器件加工设备历史维护信息中第二故障数据集合,获取光纤器件加工设备中待测部件的异常特征集合;
预警管理模块,所述预警管理模块获取当前光纤器件加工设备的运行状态数据,若当前时间光纤器件加工设备未出现故障,则对光纤器件加工设备进行故障风险管理,分析光纤器件加工设备的运行故障风险值,并根据所得运行故障风险值,判断是否需要对管理员进行预警,若当前时间光纤器件加工设备出现故障,则对管理员进行预警。
进一步的,所述设备数据采集模块中光纤器件加工设备的维护信息中的维护数据包括每次维护时对应的维护编号、每次维护设备的时间点及每次维护前后产品分别对应的次品率,不同的维护编号对应不同的维护次数,所述次品率表示最近一批产品中异常产品量与相应批次中产品总量的比值;所述光纤器件加工设备的维护信息中的故障数据包括每次设备故障时间及故障部件的使用寿命;所述光纤器件异常产品信息包括异常产品所属的产品批次及产品的生产时间。
与现有技术相比,本发明所达到的有益效果是:本发明不仅监控设备中部件的保养时间,还考虑到不同设备部件在不同使用状态下的健康状态情况的差异情况,准确预测光纤器件加工设备基于当前加工环境下,下一次维护时间前设备部件出现故障风险的程度,并及时向管理员进行预警,实现对光纤器件加工设备的有效管控。
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是本发明光纤器件加工设备的数字化智能监测方法的流程示意图;
图2是本发明光纤器件加工设备的数字化智能监测***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,本发明提供技术方案:光纤器件加工设备的数字化智能监测方法,所述方法包括以下步骤:
S1、获取光纤器件加工设备的维护信息及光纤器件异常产品信息,并保存到数据库中,所述维护信息包括维护数据及故障数据;
所述光纤器件加工设备的维护信息中的维护数据包括每次维护时对应的维护编号、每次维护设备的时间点及每次维护前后产品分别对应的次品率,不同的维护编号对应不同的维护次数,所述次品率表示最近一批产品中异常产品量与相应批次中产品总量的比值;
所述光纤器件加工设备的维护信息中的故障数据包括每次设备故障时间及故障部件的使用寿命;
所述光纤器件异常产品信息包括异常产品所属的产品批次及产品的生产时间。
S2、提取数据库内光纤器件加工设备历史维护信息中维护数据与故障数据,对故障数据进行动态筛选,用筛选后的正常数据构建第一故障数据集合,用筛选的异常数据构建第二故障数据集合;
所述S2中对故障数据进行动态筛选的方法包括以下步骤:
S21、获取光纤器件加工设备历史维护信息中的维护数据及故障数据,对故障数据中待测部件种类记为Ai;
S22、提取S21获取的维护数据中各个维护编号构成的集合,记为QAi,
S23、获取故障数据中部件种类为Ai的故障次数及每次故障对应的时间,将故障数据中部件种类为Ai的第j次故障对应的时间记为BjAi,并将QAi中对应维护时间在时间区间(B(j-1)Ai,BjAi]之间的所有维护编号构成的集合记为QAij,
所述B(j-1)Ai表示故障数据中部件种类为Ai的第j-1次故障对应的时间,且当j=1时,B(j-1)Ai等于光纤器件加工设备在采购后第一次运行的时间,
获取QAij中第k个元素对应维护编号相应的维护前后产品次品率,将QAij中第k个元素对应维护编号相应的维护前产品次品率记为QAij1k,将QAij中第k个元素对应维护编号相应的维护后产品次品率记为QAij2k;
S24、当k1<1时,不对故障数据中部件种类为Ai的第j次故障进行分析,
本实施例中k1<1(即k1=0),此时对故障数据中部件种类为Ai的第j次故障不存在相应的维修数据,进而不存在维护前后监测的产品次品率,无法预测QAij对应的故障部件在故障时的产品次品率;
当k1≥1时,预测QAij对应的故障部件在故障时的产品次品率,记为DAij,
所述DAij=(QAij1k1-QAij2k1-1)/T*T1+Aij2k1,
其中,k1表示QAij中的元素个数,QAij1k1表示QAij中第k1个元素对应维护编号相应的维护前产品次品率,QAij2k1-1表示第k1-1个元素对应维护编号相应的维护后产品次品率,T表示部件种类为Ai的部件相邻两次维护的间隔时长,T1表示BjAi与QAij中第k1个元素对应维护编号相应的维护设备的时间点之间的间隔时长,Aij2k1表示第k1个元素对应维护编号相应的维护后产品次品率,若k1=1,QAij2k1-1=0;
本实施例中若k1=1,则DAij=(QAij11-0)/T*T1+Aij21,即DAij=QAij11/T*T1+Aij21;
S25、对故障数据进行动态筛选,
当DAij≥QAij1k1时,则判定故障数据中部件种类为Ai的第j次故障正常,将故障数据中部件种类为Ai的第j次故障对应的数据作为第一故障数据集合中的一个元素,
当DAij<QAij1k1时,则判定故障数据中部件种类为Ai的第j次故障异常,将故障数据中部件种类为Ai的第j次故障对应的数据作为第二故障数据集合中的一个元素,
本实施例中在对故障数据进行动态筛选的过程中,第一故障数据集合与第二故障数据集合的并集不包含故障数据中的所有次故障对应的数据,即第一故障数据集合与第二故障数据集合的并集为故障数据的子集。
S3、分析光纤器件加工设备历史维护信息中维护数据与第一故障数据集合之间的关联性,得到光纤器件加工设备中待测部件的历史健康状态变化趋势,默认相邻两次维护对应的时间间隔为数据库中预置的定值;
所述S3中得到光纤器件加工设备中待测部件的历史健康状态变化趋势的方法包括以下步骤:
S31、获取第一故障数据集合中部件种类为Ai的第j次故障对应的QAij,并将(B(j-1)Ai,BjAi]划分成不同的时间切片区间,
将时间区间(B(j-1)Ai,BjAi1]作为第一时间切片区间,BjAi1表示QAij中第一个元素对应维护编号相应的维护时间点,
将时间区间(BjAik-1,BjAik]作为第k时间切片区间,BjAik表示QAij中第k个元素对应维护编号相应的维护时间点,BjAik-1表示QAij中第k-1个元素对应维护编号相应的维护时间点,
将时间区间(BjAik1,BjAi]作为第k1+1时间切片区间,BjAi1表示QAij中第一个元素对应维护编号相应的维护时间点;
本实施例中若T等于5天,且对(g,g1]划分成不同的时间切片区间,若QAij中第4个元素,且QAij中第1个元素对应维护编号相应的维护时间点为f,
则得到四个时间切片区间,分别为:
第一时间切片区间为(g,f],
第二时间切片区间为(f,f+5],
第三时间切片区间为(f+5,f+10],
第四时间切片区间为(f+10,g1];
S32、获取每个时间切片区间对应的两个数据对,分别作为相应时间切片区间的第一数据对及第二数据对,
将第k2时间切片区间对应的第一数据对记为(tk2,u*Wtk2),将第k时间切片区间对应的第二数据对记为(tk2+Fk2,u*W1tk2),
所述tk2对应一个待测部件Ai对应的健康状态衰变时长值,当k2=1时,tk2=0,当k2>1时,tk2为一个可变参数且tk2的最小调节步长为r,所述r为数据库中预置的常数,块∈[1,k1+1],
所述Fk2表示第k2时间切片区间对应的区间长度,Wtk2表示第k2时间切片区间中最小时间之后的一个批次中产品的次品率,W1tk2表示第k2时间切片区间中最大时间之前的一个批次中产品的次品率,所述u表示健康状态转化系数且u为数据库中预置的常数;
S33、得到k2为不同值的情况下,各个tk2等于不同值时,以y=h1*(x1+h2)+h3且x1=1/(1+e-x)为标准函数模型且h1、h2及h3均为系数,所得拟合结果对应的函数与相应的各个第一数据对及第二数据对之间的偏差和,并将所得偏差和最小的拟合结果对应的函数作为光纤器件加工设备中待测部件Ai的历史健康状态变化趋势,记为G(x),
所述偏差和等于拟合结果对应的函数与相应的各个第一数据对及第二数据对之间最短距离之和。
S4、根据光纤器件加工设备历史维护信息中第二故障数据集合,获取光纤器件加工设备中待测部件的异常特征集合;
所述S4中得到光纤器件加工设备中待测部件的异常特征集合时,获取第二故障数据集合中每个元素对应的故障部件在故障时的产品次品率预测值,并将所得各个元素对应的故障时的产品次品率预测值逐个录入到一个空白集合中,得到光纤器件加工设备中待测部件Ai的异常特征集合。
S5、获取当前光纤器件加工设备的运行状态数据,若当前时间光纤器件加工设备未出现故障,则对光纤器件加工设备进行故障风险管理,分析光纤器件加工设备的运行故障风险值,并根据所得运行故障风险值,判断是否需要对管理员进行预警,若当前时间光纤器件加工设备出现故障,则对管理员进行预警;
所述S5中分析光纤器件加工设备的运行故障风险值时,获取当前时间光纤器件加工设备运行时产品的次品率,记为P,将u*P作为一个健康状态值代入G(x)中,得到当前时间光纤器件加工设备内待测部件Ai对应的健康状态衰变时长值,记为xd,
得到光纤器件加工设备的运行故障风险值,记为M,所述M=1-H[G(xd+xt)/u]/R,
xt表示当前时间光纤器件加工设备距离下一次维护的时长,G(xd+xt)表示x=xd+xt时G(x)对应的值,H[G(xd+xt)/u]表示第一故障数据集合及第二故障数据集合中每个元素分别对应的故障时的各个产品次品率中大于G(xd+xt)/u且小于等于P的次数,R表示第一故障数据集合中的元素个数与第二故障数据集合中的元素个数之和且R>0,所述M∈[0,1]。
将所得运行故障风险值与数据库中的第一阈值进行比较,
当所得运行故障风险值大于等于第一阈值时,则判定当前光纤器件加工设备存在运行故障风险,需要对管理员进行预警,
当所得运行故障风险值大于等于第一阈值时,则判定当前光纤器件加工设备不存在运行故障风险,不需要对管理员进行预警。
如图2所示,光纤器件加工设备的数字化智能监测***,所述***包括以下模块:
设备数据采集模块,所述设备数据采集模块获取光纤器件加工设备的维护信息及光纤器件异常产品信息,并保存到数据库中,所述维护信息包括维护数据及故障数据;
数据动态筛选模块,所述数据动态筛选模块提取数据库内光纤器件加工设备历史维护信息中维护数据与故障数据,对故障数据进行动态筛选,用筛选后的正常数据构建第一故障数据集合,用筛选的异常数据构建第二故障数据集合;
健康状态变化趋势分析模块,所述健康状态变化趋势分析模块分析光纤器件加工设备历史维护信息中维护数据与第一故障数据集合之间的关联性,得到光纤器件加工设备中待测部件的历史健康状态变化趋势,默认相邻两次维护对应的时间间隔为数据库中预置的定值;
异常特征分析模块,所述异常特征分析模块根据光纤器件加工设备历史维护信息中第二故障数据集合,获取光纤器件加工设备中待测部件的异常特征集合;
预警管理模块,所述预警管理模块获取当前光纤器件加工设备的运行状态数据,若当前时间光纤器件加工设备未出现故障,则对光纤器件加工设备进行故障风险管理,分析光纤器件加工设备的运行故障风险值,并根据所得运行故障风险值,判断是否需要对管理员进行预警,若当前时间光纤器件加工设备出现故障,则对管理员进行预警。
所述设备数据采集模块中光纤器件加工设备的维护信息中的维护数据包括每次维护时对应的维护编号、每次维护设备的时间点及每次维护前后产品分别对应的次品率,不同的维护编号对应不同的维护次数,所述次品率表示最近一批产品中异常产品量与相应批次中产品总量的比值;所述光纤器件加工设备的维护信息中的故障数据包括每次设备故障时间及故障部件的使用寿命;所述光纤器件异常产品信息包括异常产品所属的产品批次及产品的生产时间。
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 (8)
1.光纤器件加工设备的数字化智能监测方法,其特征在于,所述方法包括以下步骤:
S1、获取光纤器件加工设备的维护信息及光纤器件异常产品信息,并保存到数据库中,所述维护信息包括维护数据及故障数据;
S2、提取数据库内光纤器件加工设备历史维护信息中维护数据与故障数据,对故障数据进行动态筛选,用筛选后的正常数据构建第一故障数据集合,用筛选的异常数据构建第二故障数据集合;
S3、分析光纤器件加工设备历史维护信息中维护数据与第一故障数据集合之间的关联性,得到光纤器件加工设备中待测部件的历史健康状态变化趋势,默认相邻两次维护对应的时间间隔为数据库中预置的定值;
S4、根据光纤器件加工设备历史维护信息中第二故障数据集合,获取光纤器件加工设备中待测部件的异常特征集合;
S5、获取当前光纤器件加工设备的运行状态数据,若当前时间光纤器件加工设备未出现故障,则对光纤器件加工设备进行故障风险管理,分析光纤器件加工设备的运行故障风险值,并根据所得运行故障风险值,判断是否需要对管理员进行预警,若当前时间光纤器件加工设备出现故障,则对管理员进行预警。
2.根据权利要求1所述的光纤器件加工设备的数字化智能监测方法,其特征在于:所述光纤器件加工设备的维护信息中的维护数据包括每次维护时对应的维护编号、每次维护设备的时间点及每次维护前后产品分别对应的次品率,不同的维护编号对应不同的维护次数,所述次品率表示最近一批产品中异常产品量与相应批次中产品总量的比值;
所述光纤器件加工设备的维护信息中的故障数据包括每次设备故障时间及故障部件的使用寿命;
所述光纤器件异常产品信息包括异常产品所属的产品批次及产品的生产时间。
3.根据权利要求1所述的光纤器件加工设备的数字化智能监测方法,其特征在于:所述S2中对故障数据进行动态筛选的方法包括以下步骤:
S21、获取光纤器件加工设备历史维护信息中的维护数据及故障数据,对故障数据中待测部件种类记为Ai;
S22、提取S21获取的维护数据中各个维护编号构成的集合,记为QAi,
S23、获取故障数据中部件种类为Ai的故障次数及每次故障对应的时间,将故障数据中部件种类为Ai的第j次故障对应的时间记为BjAi,并将QAi中对应维护时间在时间区间(B(j-1)Ai,BjAi]之间的所有维护编号构成的集合记为QAij,
所述B(j-1)Ai表示故障数据中部件种类为Ai的第j-1次故障对应的时间,且当j=1时,B(j-1)Ai等于光纤器件加工设备在采购后第一次运行的时间,
获取QAij中第k个元素对应维护编号相应的维护前后产品次品率,将QAij中第k个元素对应维护编号相应的维护前产品次品率记为QAij1k,将QAij中第k个元素对应维护编号相应的维护后产品次品率记为QAij2k;
S24、当k1<1时,不对故障数据中部件种类为Ai的第j次故障进行分析,
当k1≥1时,预测QAij对应的故障部件在故障时的产品次品率,记为DAij,
所述DAij=(QAij1k1-QAij2k1-1)/T*T1+Aij2k1,
其中,k1表示QAij中的元素个数,QAij1k1表示QAij中第k1个元素对应维护编号相应的维护前产品次品率,QAij2k1-1表示第k1-1个元素对应维护编号相应的维护后产品次品率,T表示部件种类为Ai的部件相邻两次维护的间隔时长,T1表示BjAi与QAij中第k1个元素对应维护编号相应的维护设备的时间点之间的间隔时长,Aij2k1表示第k1个元素对应维护编号相应的维护后产品次品率,若k1=1,QAij2k1-1=0;
S25、对故障数据进行动态筛选,
当DAij≥QAij1k1时,则判定故障数据中部件种类为Ai的第j次故障正常,将故障数据中部件种类为Ai的第j次故障对应的数据作为第一故障数据集合中的一个元素,
当DAij<QAij1k1时,则判定故障数据中部件种类为Ai的第j次故障异常,将故障数据中部件种类为Ai的第j次故障对应的数据作为第二故障数据集合中的一个元素。
4.根据权利要求3所述的光纤器件加工设备的数字化智能监测方法,其特征在于:所述S3中得到光纤器件加工设备中待测部件的历史健康状态变化趋势的方法包括以下步骤:
S31、获取第一故障数据集合中部件种类为Ai的第j次故障对应的QAij,并将(B(j-1)Ai,BjAi]划分成不同的时间切片区间,
将时间区间(B(j-1)Ai,BjAi1]作为第一时间切片区间,BjAi1表示QAij中第一个元素对应维护编号相应的维护时间点,
将时间区间(BjAik-1,BjAik]作为第k时间切片区间,BjAik表示QAij中第k个元素对应维护编号相应的维护时间点,BjAik-1表示QAij中第k-1个元素对应维护编号相应的维护时间点,
将时间区间(BjAik1,BjAi]作为第k1+1时间切片区间,BjAi1表示QAij中第一个元素对应维护编号相应的维护时间点;
S32、获取每个时间切片区间对应的两个数据对,分别作为相应时间切片区间的第一数据对及第二数据对,
将第k2时间切片区间对应的第一数据对记为(tk2,u*Wtk2),将第k时间切片区间对应的第二数据对记为(tk2+Fk2,u*W1tk2),
所述tk2对应一个待测部件Ai对应的健康状态衰变时长值,当k2=1时,tk2=0,当k2>1时,tk2为一个可变参数且tk2的最小调节步长为r,所述r为数据库中预置的常数,块∈[1,k1+1],
所述Fk2表示第k2时间切片区间对应的区间长度,Wtk2表示第k2时间切片区间中最小时间之后的一个批次中产品的次品率,W1tk2表示第k2时间切片区间中最大时间之前的一个批次中产品的次品率,所述u表示健康状态转化系数且u为数据库中预置的常数;
S33、得到k2为不同值的情况下,各个tk2等于不同值时,以y=h1*(x1+h2)+h3且x1=1/(1+e-x)为标准函数模型且h1、h2及h3均为系数,所得拟合结果对应的函数与相应的各个第一数据对及第二数据对之间的偏差和,并将所得偏差和最小的拟合结果对应的函数作为光纤器件加工设备中待测部件Ai的历史健康状态变化趋势,记为G(x),
所述偏差和等于拟合结果对应的函数与相应的各个第一数据对及第二数据对之间最短距离之和。
5.根据权利要求4所述的光纤器件加工设备的数字化智能监测方法,其特征在于:所述S4中得到光纤器件加工设备中待测部件的异常特征集合时,获取第二故障数据集合中每个元素对应的故障部件在故障时的产品次品率预测值,并将所得各个元素对应的故障时的产品次品率预测值逐个录入到一个空白集合中,得到光纤器件加工设备中待测部件Ai的异常特征集合。
6.根据权利要求5所述的光纤器件加工设备的数字化智能监测方法,其特征在于:所述S5中分析光纤器件加工设备的运行故障风险值时,获取当前时间光纤器件加工设备运行时产品的次品率,记为P,将u*P作为一个健康状态值代入G(x)中,得到当前时间光纤器件加工设备内待测部件Ai对应的健康状态衰变时长值,记为xd,
得到光纤器件加工设备的运行故障风险值,记为M,所述M=1-H[G(xd+xt)/u]/R,
xt表示当前时间光纤器件加工设备距离下一次维护的时长,G(xd+xt)表示x=xd+xt时G(x)对应的值,H[G(xd+xt)/u]表示第一故障数据集合及第二故障数据集合中每个元素分别对应的故障时的各个产品次品率中大于G(xd+xt)/u且小于等于P的次数,R表示第一故障数据集合中的元素个数与第二故障数据集合中的元素个数之和且R>0,所述M∈[0,1];
将所得运行故障风险值与数据库中的第一阈值进行比较,
当所得运行故障风险值大于等于第一阈值时,则判定当前光纤器件加工设备存在运行故障风险,需要对管理员进行预警,
当所得运行故障风险值大于等于第一阈值时,则判定当前光纤器件加工设备不存在运行故障风险,不需要对管理员进行预警。
7.光纤器件加工设备的数字化智能监测***,其特征在于,所述***包括以下模块:
设备数据采集模块,所述设备数据采集模块获取光纤器件加工设备的维护信息及光纤器件异常产品信息,并保存到数据库中,所述维护信息包括维护数据及故障数据;
数据动态筛选模块,所述数据动态筛选模块提取数据库内光纤器件加工设备历史维护信息中维护数据与故障数据,对故障数据进行动态筛选,用筛选后的正常数据构建第一故障数据集合,用筛选的异常数据构建第二故障数据集合;
健康状态变化趋势分析模块,所述健康状态变化趋势分析模块分析光纤器件加工设备历史维护信息中维护数据与第一故障数据集合之间的关联性,得到光纤器件加工设备中待测部件的历史健康状态变化趋势,默认相邻两次维护对应的时间间隔为数据库中预置的定值;
异常特征分析模块,所述异常特征分析模块根据光纤器件加工设备历史维护信息中第二故障数据集合,获取光纤器件加工设备中待测部件的异常特征集合;
预警管理模块,所述预警管理模块获取当前光纤器件加工设备的运行状态数据,若当前时间光纤器件加工设备未出现故障,则对光纤器件加工设备进行故障风险管理,分析光纤器件加工设备的运行故障风险值,并根据所得运行故障风险值,判断是否需要对管理员进行预警,若当前时间光纤器件加工设备出现故障,则对管理员进行预警。
8.根据权利要求7所述的光纤器件加工设备的数字化智能监测***,其特征在于:所述设备数据采集模块中光纤器件加工设备的维护信息中的维护数据包括每次维护时对应的维护编号、每次维护设备的时间点及每次维护前后产品分别对应的次品率,不同的维护编号对应不同的维护次数,所述次品率表示最近一批产品中异常产品量与相应批次中产品总量的比值;所述光纤器件加工设备的维护信息中的故障数据包括每次设备故障时间及故障部件的使用寿命;所述光纤器件异常产品信息包括异常产品所属的产品批次及产品的生产时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310382234.6A CN116126836B (zh) | 2023-04-12 | 2023-04-12 | 光纤器件加工设备的数字化智能监测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310382234.6A CN116126836B (zh) | 2023-04-12 | 2023-04-12 | 光纤器件加工设备的数字化智能监测***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116126836A CN116126836A (zh) | 2023-05-16 |
CN116126836B true CN116126836B (zh) | 2023-06-13 |
Family
ID=86306587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310382234.6A Active CN116126836B (zh) | 2023-04-12 | 2023-04-12 | 光纤器件加工设备的数字化智能监测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116126836B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108241343A (zh) * | 2016-12-24 | 2018-07-03 | 青岛海尔模具有限公司 | 一种智能工厂管理平台*** |
CN111401583A (zh) * | 2020-03-18 | 2020-07-10 | 北京天泽智云科技有限公司 | 基于预测性维护的自动扶梯全生命周期健康管理*** |
CN111890125A (zh) * | 2020-06-30 | 2020-11-06 | 厦门嵘拓物联科技有限公司 | 一种刀具状态在线监测方法和管理*** |
CN112052979A (zh) * | 2020-07-17 | 2020-12-08 | 北京天泽智云科技有限公司 | 基于故障预测与健康管理的设备备件需求预测*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9900669B2 (en) * | 2004-11-02 | 2018-02-20 | Pierre Touma | Wireless motion sensor system and method |
US10742068B2 (en) * | 2018-12-31 | 2020-08-11 | PXiSE Energy Solutions, LLC | Real-time deviation detection of power system electrical characteristics using time-synchronized measurements |
AU2020333769A1 (en) * | 2019-08-22 | 2022-03-24 | Equifax Inc. | Automated path-based recommendation for risk mitigation |
-
2023
- 2023-04-12 CN CN202310382234.6A patent/CN116126836B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108241343A (zh) * | 2016-12-24 | 2018-07-03 | 青岛海尔模具有限公司 | 一种智能工厂管理平台*** |
CN111401583A (zh) * | 2020-03-18 | 2020-07-10 | 北京天泽智云科技有限公司 | 基于预测性维护的自动扶梯全生命周期健康管理*** |
CN111890125A (zh) * | 2020-06-30 | 2020-11-06 | 厦门嵘拓物联科技有限公司 | 一种刀具状态在线监测方法和管理*** |
CN112052979A (zh) * | 2020-07-17 | 2020-12-08 | 北京天泽智云科技有限公司 | 基于故障预测与健康管理的设备备件需求预测*** |
Also Published As
Publication number | Publication date |
---|---|
CN116126836A (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104038371B (zh) | 一种电力通信传输网自适应性能采集方法 | |
US8055479B2 (en) | Simplified algorithm for abnormal situation prevention in load following applications including plugged line diagnostics in a dynamic process | |
CN116345696B (zh) | 一种基于全域监测的异常信息分析管理***及方法 | |
CN103716202B (zh) | 一种电力通信智能检修策略管理方法 | |
CN102546216B (zh) | 网络管理***中的告警消息处理方法及网络管理*** | |
US8606544B2 (en) | Methods and systems for detecting deviation of a process variable from expected values | |
US7657399B2 (en) | Methods and systems for detecting deviation of a process variable from expected values | |
US7930136B2 (en) | Simplified algorithm for abnormal situation prevention in load following applications | |
CN105325023A (zh) | 用于小区异常检测的方法和网络设备 | |
JPH08307524A (ja) | 通信ネットワークの構成要素の異常状態のリスクを識別する方法と装置 | |
CN113762604B (zh) | 一种工业互联网大数据服务*** | |
CN114498942A (zh) | 一种基于大数据分析的变压器监控管理*** | |
CN112421774A (zh) | 一种配电网无功补偿设备的监测*** | |
CN116527136A (zh) | 智能光纤网络在线监测***及方法 | |
CN117494955B (zh) | 一种用于自动化生产的智能监测*** | |
CN116795009A (zh) | 一种变流变压给水机组节能控制*** | |
CN103210358B (zh) | 监视过程参量和/或设备参量时的智能可视化 | |
CN116126836B (zh) | 光纤器件加工设备的数字化智能监测***及方法 | |
CN101345656B (zh) | 全局故障率测量方法 | |
US11418862B2 (en) | Link fault management for optical adapters | |
CN116243675B (zh) | 一种血凝仪清洗液生产异常监控方法 | |
CN111931969A (zh) | 一种基于时序分析的合并单元设备状态预测方法 | |
CN107979495A (zh) | 一种网管***中告警风暴的梯度处理方法 | |
US7822417B1 (en) | Method for predictive maintenance of a communication network | |
CN116245506A (zh) | 一种设备运维管理***及故障自检测方法及其使用方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Digital intelligent monitoring system and method for fiber optic device processing equipment Granted publication date: 20230613 Pledgee: Dezhou Rural Commercial Bank Co.,Ltd. Pledgor: Shandong Yuehai Communication Technology Co.,Ltd. Registration number: Y2024980000296 |