CN116755403B - 基于光伏组件生产控制***的数据采集方法及*** - Google Patents
基于光伏组件生产控制***的数据采集方法及*** Download PDFInfo
- Publication number
- CN116755403B CN116755403B CN202310696089.9A CN202310696089A CN116755403B CN 116755403 B CN116755403 B CN 116755403B CN 202310696089 A CN202310696089 A CN 202310696089A CN 116755403 B CN116755403 B CN 116755403B
- Authority
- CN
- China
- Prior art keywords
- production line
- working condition
- fault
- condition state
- current
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 572
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000013598 vector Substances 0.000 claims abstract description 271
- 238000005259 measurement Methods 0.000 claims description 45
- 230000000694 effects Effects 0.000 claims description 25
- 238000012423 maintenance Methods 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 13
- 238000013480 data collection Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 description 13
- 238000005457 optimization Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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]
- G05B19/4183—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 data acquisition, e.g. workpiece identification
-
- 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
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31282—Data acquisition, BDE MDE
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)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本申请实施例提供一种基于光伏组件生产控制***的数据采集方法及***,通过从先验生产线故障序列中确定与当前生产线故障匹配的先验生产线故障,生成参考生产线故障,然后确定当前生产线故障的生产线工况状态向量得到当前生产线工况状态向量,确定参考生产线故障的生产线工况状态向量得到参考生产线工况状态向量,依据当前生产线工况状态向量与参考生产线工况状态向量,对当前生产线故障所对应的生产控制数据进行采集决策,由于在确定当前生产线故障对应的参考生产线故障之后,考虑了生产线故障的生产线工况状态向量,由此提高后续故障数据采集决策的可靠性。
Description
技术领域
本申请涉及智慧工厂技术领域,具体而言,涉及一种基于光伏组件生产控制***的数据采集方法及***。
背景技术
光伏组件是一种暴露在阳光下便会产生直流电的发电装置,由几乎全部以半导体物料(例如硅)制成的薄身固体光伏电池组成。随着新能源技术的快速发展,通过建立智慧工厂从而通过光伏组件生产控制***有效控制各个光伏组件生产线的生产控制操作,以便于实现光伏组件的大批量生产制造。对于光伏组件生产控制***而言,当出现生产线故障时,需要进行对应的故障数据采集并上传,如何提高数据采集决策的可靠性,是本领域亟待解决的技术问题。
发明内容
有鉴于此,本申请的目的在于提供一种基于光伏组件生产控制***的数据采集方法及***。
依据本申请的第一方面,提供一种基于光伏组件生产控制***的数据采集方法,应用于云服务器,所述方法包括:
获取所述光伏组件生产控制***的设定光伏组件生产线对应的当前生产线故障;所述当前生产线故障是当前故障运维事件在所述设定光伏组件生产线中决策的故障定位信息;
从先验生产线故障序列中确定与所述当前生产线故障匹配的先验生产线故障,生成所述当前生产线故障对应的参考生产线故障;所述先验生产线故障序列中的先验生产线故障,是先验故障运维事件中在所述设定光伏组件生产线中决策的故障定位信息;
确定所述当前生产线故障的生产线工况状态向量得到当前生产线工况状态向量,并确定所述参考生产线故障的生产线工况状态向量得到参考生产线工况状态向量;所述当前生产线工况状态向量是对所述当前生产线故障的工况状态数据进行特征嵌入生成的特征向量,所述参考生产线工况状态向量是对所述参考生产线故障的工况状态数据进行特征嵌入生成的特征向量;
依据所述当前生产线工况状态向量和所述参考生产线工况状态向量,对所述当前生产线故障所对应的生产控制数据进行采集决策。
在第一方面的一种可能的实施方式中,所述从先验生产线故障序列中确定与所述当前生产线故障匹配的先验生产线故障,生成所述当前生产线故障对应的参考生产线故障,包括:
确定所述先验生产线故障序列中各个先验生产线故障分别所映射的生产控制节点,生成各先验生产线故障分别对应的先验生产控制节点;
确定所述当前生产线故障的生产控制节点,生成当前生产控制节点;
针对所述先验生产线故障序列中的每个先验生产线故障,在所述当前生产控制节点与对应的先验生产控制节点之间的生产控制重合度大于设定重合度时,将所述先验生产线故障输出为所述当前生产线故障对应的参考生产线故障。
在第一方面的一种可能的实施方式中,所述在所述当前生产控制节点与对应的先验生产控制节点之间的生产控制重合度大于设定重合度时,将所述先验生产线故障输出为所述当前生产线故障对应的参考生产线故障,包括:
在所述当前生产控制节点与对应的先验生产控制节点之间的生产控制重合度大于设定重合度时,确定所述先验生产线故障的故障定位向量,生成先验故障定位向量;所述先验故障定位向量是对所述先验生产线故障的故障活动数据进行特征编码生成的特征向量;
对所述当前生产线故障的故障活动数据进行特征编码生成当前故障定位向量;
在所述先验故障定位向量与所述当前故障定位向量之间的特征距离大于或等于第一设定特征距离时,将所述先验生产线故障输出为所述当前生产线故障对应的参考生产线故障。
在第一方面的一种可能的实施方式中,所述依据所述当前生产线工况状态向量和所述参考生产线工况状态向量,对所述当前生产线故障所对应的生产控制数据进行采集决策,包括:
确定所述当前生产线工况状态向量与所述参考生产线工况状态向量之间的特征距离,生成目标特征距离;
在所述目标特征距离大于或等于第二设定特征距离时,将所述当前生产线故障所对应的生产控制数据采集到所述先验生产线故障序列所对应的数据库中。
在第一方面的一种可能的实施方式中,所述当前生产线工况状态向量包括当前设备工况状态向量和当前场景工况状态向量,所述当前设备工况状态向量,是对所述当前生产线故障的工况状态数据进行设备工况状态向量编码生成的特征向量,所述当前场景工况状态向量,是对所述当前生产线故障的工况状态数据进行场景工况状态向量编码生成的特征向量;
所述确定所述当前生产线故障的生产线工况状态向量与所述参考生产线故障的生产线工况状态向量之间的特征距离,生成目标特征距离,包括:
确定所述当前设备工况状态向量与参***工况状态向量之间的特征距离,生成第一特征距离;所述参***工况状态向量为所述参考生产线故障的设备工况状态向量;
确定所述当前场景工况状态向量与参考场景工况状态向量之间的特征距离,生成第二特征距离;所述参考场景工况状态向量为所述参考生产线故障的场景工况状态向量;
依据所述第一特征距离和第二特征距离得到所述目标特征距离。
在第一方面的一种可能的实施方式中,所述当前设备工况状态向量,是基于训练完成的设备工况状态编码器得到的,所述当前场景工况状态向量,是基于训练完成的场景工况状态编码器得到的;
所述依据所述第一特征距离和第二特征距离得到所述目标特征距离,包括:
确定所述训练完成的设备工况状态编码器对应的编码有效值,生成第一有效度量值,确定所述训练完成的场景工况状态编码器对应的编码有效值,生成第二有效度量值;
依据所述第一有效度量值确定所述第一特征距离的度量系数;所述第一特征距离的度量系数与所述第一有效度量值成负向关联关系;
依据所述第二有效度量值确定所述第二特征距离的度量系数;所述第二特征距离的度量系数与所述第二有效度量值成负向关联关系;
依据所述第一特征距离的度量系数和第二特征距离的度量系数,对所述第一特征距离和所述第二特征距离进行融合,生成所述目标特征距离。
在第一方面的一种可能的实施方式中,生成所述训练完成的设备工况状态编码器的步骤,包括:
获取待学习工况状态数据;所述待学习工况状态数据是预设故障定位信息对应的工况状态数据;
基于初始化权重参数的设备工况状态编码器对所述待学习工况状态数据进行编码,生成估计设备工况状态向量;
依据所述估计设备工况状态向量与所述待学习工况状态数据的真实设备工况状态向量之间的损失函数值,更新所述初始化权重参数的设备工况状态编码器的权重参数信息,生成所述训练完成的设备工况状态编码器。
依据本申请的第二方面,提供一种云服务器,所述云服务器包括机器可读存储介质及处理器,所述机器可读存储介质存储有机器可执行指令,所述处理器在执行所述机器可执行指令时,该云服务器实现前述的基于光伏组件生产控制***的数据采集方法。
依据本申请的第三方面,提供提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可执行指令,当所述计算机可执行指令被执行时,实现前述的基于光伏组件生产控制***的数据采集方法。
依据上述任一方面,本申请中,通过从先验生产线故障序列中确定与当前生产线故障匹配的先验生产线故障,生成参考生产线故障,然后确定当前生产线故障的生产线工况状态向量得到当前生产线工况状态向量,确定参考生产线故障的生产线工况状态向量得到参考生产线工况状态向量,依据当前生产线工况状态向量与参考生产线工况状态向量,对当前生产线故障所对应的生产控制数据进行采集决策,由于在确定当前生产线故障对应的参考生产线故障之后,考虑了生产线故障的生产线工况状态向量,由此提高后续故障数据采集决策的可靠性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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,还可以依据这些附图获得其它相关的附图。
图1本申请实施例所提供的基于光伏组件生产控制***的数据采集方法的流程示意图;
图2示出了本申请实施例所提供的用于实现上述的基于光伏组件生产控制***的数据采集方法的云服务器的组件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将依据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、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了基于本申请实施例的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其它操作,也可以从流程图中销毁一个或多个操作。
另外,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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例,都属于本申请保护的范围。
图1示出了本申请实施例提供的基于光伏组件生产控制***的数据采集方法的流程示意图,应当理解,在其它实施例中,本实施例的基于光伏组件生产控制***的数据采集方法其中部分步骤的顺序可以依据实际需要相互共享,或者其中的部分步骤也可以省略或维持。该基于光伏组件生产控制***的数据采集方法的详细包括:
步骤S102,获取设定光伏组件生产线对应的当前生产线故障;当前生产线故障是当前故障运维事件在设定光伏组件生产线的中决策的故障定位信息。
其中,设定光伏组件生产线是预置的待故障分析的光伏组件生产线,生产线故障是指光伏组件生产线上出现的各种停止运行、暂缓运行等故障。当前生产线故障就是当前故障运维事件在设定光伏组件生产线中决策的故障定位信息。
可替代地,在当前故障运维事件中,可以通过运维服务节点采集设定光伏组件生产线的光伏组件生产控制数据,来确定是否存在生产线故障,光伏组件生产控制数据是对设定光伏组件生产线的生产控制进程进行数据采集得到的。对光伏组件生产控制数据进行故障定位信息识别,在识别到生产线故障时,将该光伏组件生产控制数据输出为当前生产线故障对应的故障活动数据,并将当前生产线故障对应的故障活动数据进行上传。
步骤S104,从先验生产线故障序列中确定与当前生产线故障匹配的先验生产线故障,生成当前生产线故障对应的参考生产线故障;先验生产线故障序列中的先验生产线故障,是先验故障运维事件中在设定光伏组件生产线中决策的故障定位信息。
其中,先验生产线故障是先验故障运维事件中在设定光伏组件生产线中决策的故障定位信息,先验生产线故障序列由先验生产线故障组成,例如,当前故障运维流程为第二次故障运维流程时,则可以将第一次故障运维事件中决策的生产线故障作为先验生产线故障序列中的先验生产线故障。参考生产线故障是从先验生产线故障序列中确定的,与当前生产线故障匹配的先验生产线故障。先验生产线故障序列中的先验生产线故障对应有故障定位信息ID,故障定位信息ID用于唯一ID生产线故障。
可替代地,在当前故障运维流程为第二次故障运维流程时,当前生产线故障可能为第一次故障运维流程后,设定光伏组件生产线上新增的生产线故障,也可能为冗余的生产线故障,因此,本实施例需要判断当前生产线故障是否为冗余的生产线故障。可以获取当前生产线故障的生产控制节点。然后依据当前生产线故障的生产控制节点以及故障活动数据,从先验生产线故障序列中确定与当前生产线故障匹配的先验生产线故障,生成当前生产线故障对应的参考生产线故障。例如,针对先验生产线故障序列中的各先验生产线故障,本实施例可以依据当前生产线故障的生产控制节点和先验生产线故障所映射的生产控制节点,计算当前生产线故障与先验生产线故障之间的生产控制重合度,在生产控制重合度大于设定重合度时,可以依据当前生产线故障的故障活动数据与先验生产线故障的故障活动数据,确定当前生产线故障对应的参考生产线故障。
步骤S106,确定当前生产线故障的生产线工况状态向量得到当前生产线工况状态向量,并确定参考生产线故障的生产线工况状态向量得到参考生产线工况状态向量;当前生产线工况状态向量是对当前生产线故障的工况状态数据进行特征嵌入生成的特征向量,参考生产线工况状态向量是对参考生产线故障的工况状态数据进行特征嵌入生成的特征向量。
可替代地,本实施例获取当前生产线故障的工况状态数据,对当前生产线故障的工况状态数据进行特征编码,生成当前生产线工况状态向量;获取参考生产线故障的工况状态数据,对对别生产线故障的工况状态数据进行特征编码,生成参考生产线工况状态向量。
步骤S108,依据当前生产线工况状态向量和参考生产线工况状态向量,对当前生产线故障所对应的生产控制数据进行采集决策。
可替代地,本实施例可以依据当前生产线工况状态向量与参考生产线工况状态向量进行比较,在匹配时,确定当前生产线故障为冗余的生产线故障,即当前生产线故障与参考生产线故障为相同的生产线故障;在不匹配时,确定当前生产线故障不是冗余的生产线故障,则将当前生产线故障加入先验生产线故障序列。
基于以上步骤,通过从先验生产线故障序列中确定与当前生产线故障匹配的先验生产线故障,生成参考生产线故障,然后确定当前生产线故障的生产线工况状态向量得到当前生产线工况状态向量,确定参考生产线故障的生产线工况状态向量得到参考生产线工况状态向量,依据当前生产线工况状态向量与参考生产线工况状态向量,对当前生产线故障所对应的生产控制数据进行采集决策,由于在确定当前生产线故障对应的参考生产线故障之后,考虑了生产线故障的生产线工况状态向量,由此提高后续故障数据采集决策的可靠性。
一种示例性的设计思路中,从先验生产线故障序列中确定与当前生产线故障匹配的先验生产线故障,生成当前生产线故障对应的参考生产线故障,包括:
确定先验生产线故障序列中各个先验生产线故障分别所映射的生产控制节点,生成各先验生产线故障分别对应的先验生产控制节点;
确定当前生产线故障的生产控制节点,生成当前生产控制节点;
针对先验生产线故障序列中的每个先验生产线故障,在当前生产控制节点与对应的先验生产控制节点之间的生产控制重合度大于设定重合度时,将先验生产线故障输出为当前生产线故障对应的参考生产线故障。
其中,先验生产控制节点是先验生产线故障所映射的生产控制节点,当前生产控制节点是当前生产线故障所映射的生产控制节点。
可替代地,本实施例中存储先验生产线故障序列中各先验生产线故障分别所映射的生产控制节点,即各先验生产线故障分别对应的先验生产控制节点。针对先验生产线故障序列中的每个先验生产线故障,本实施例计算先验生产控制节点与当前生产控制节点之间的生产控制重合度,然后将生产控制重合度大于设定重合度情况下的先验生产线故障,输出为当前生产线故障对应的参考生产线故障。
本实施例中,依据当前故障定位信息的生产控制节点以及各先验生产线故障的生产控制节点,从先验生产线故障序列中确定出生产控制重合度大于设定重合度的先验生产线故障,缩小了生产线故障冗余优化的范围,由此提高生产线故障冗余优化的效率。
一种示例性的设计思路中,在当前生产控制节点与对应的先验生产控制节点之间的生产控制重合度大于设定重合度时,将先验生产线故障输出为当前生产线故障对应的参考生产线故障,包括:
在当前生产控制节点与对应的先验生产控制节点之间的生产控制重合度大于设定重合度时,确定先验生产线故障的故障定位向量得到先验故障定位向量;先验故障定位向量是对先验生产线故障的故障活动数据进行特征编码生成的特征向量;
对当前生产线故障的故障活动数据进行特征编码生成当前故障定位向量;
在先验故障定位向量与当前故障定位向量之间的特征距离大于或等于第一设定特征距离时,将先验生产线故障输出为当前生产线故障对应的参考生产线故障。
其中,故障定位向量是对故障活动数据进行特征编码生成的,用于表征生产线故障的具体特征,例如,生产线故障的类型、等级等。第一设定特征距离是预置的不同故障定位向量之间的特征距离阈值。
可替代地,在当前生产控制节点与对应的先验生产控制节点之间的生产控制重合度大于设定重合度时,本实施例可以获取该先验生产线故障的故障活动数据,并对先验生产线故障的故障活动数据进行故障定位向量提取,生成先验故障定位向量;对当前生产线故障的故障活动数据进行故障定位向量提取,生成当前故障定位向量。然后可以计算先验故障定位向量与当前故障定位向量之间的特征距离,在特征距离大于或等于第一设定特征距离时,将先验生产线故障输出为当前生产线故障对应的参考生产线故障。
一种示例性的设计思路中,在特征距离大于第一设定特征距离时,则当前生产线故障没有对应的参考生产线故障,即先验生产线故障序列中没有与当前生产线故障匹配的先验生产线故障,则服务器可以确定当前生产线故障不是冗余的生产线故障,然后将当前生产线故障加入先验生产线故障序列中。
本实施例中,通过确定当前故障定位向量和先验故障定位向量之间的特征距离,在特征距离大于或等于第一设定特征距离时,将先验生产线故障输出为参考生产线故障,进一步缩小生产线故障冗余优化的范围,由此提高生产线故障冗余优化的效率。
一种示例性的设计思路中,依据当前生产线工况状态向量和参考生产线工况状态向量,对当前生产线故障所对应的生产控制数据进行采集决策,包括:
确定当前生产线工况状态向量与参考生产线工况状态向量之间的特征距离,生成目标特征距离;
在目标特征距离大于或等于第二设定特征距离时,将当前生产线故障加入先验生产线故障序列。
其中,目标特征距离是指当前生产线工况状态向量与参考生产线工况状态向量之间的特征距离,第二设定特征距离是预置的生产线工况状态向量之间的特征距离的阈值。
可替代地,本实施例可以计算当前生产线工况状态向量与参考生产线工况状态向量之间的特征距离,生成目标特征距离,在目标特征距离大于或等于第二设定特征距离时,则当前生产线故障不是冗余的生产线故障,可以将当前生产线故障加入先验生产线故障序列;在目标特征距离大于第二设定特征距离时,当前生产线故障为冗余的生产线故障,本实施例可以将当前生产线故障以及对应的故障活动数据、工况状态数据等丢弃,也可以将当前生产线故障的故障活动数据,作为对应的先验生产线故障的新的故障活动数据,以实现生产线故障的追踪。
本实施例中,通过确定当前生产线工况状态向量与参考生产线工况状态向量之间的特征距离,生成目标特征距离,并依据目标特征距离确定当前生产线故障是否为冗余的生产线故障,从而在依据位置和故障定位向量进行生产线故障冗余优化的基础上,实现基于生产线故障的生产线工况状态向量,辅助生产线故障的冗余优化,提高生产线故障的分析可靠性。
一种示例性的设计思路中,当前生产线工况状态向量包括当前设备工况状态向量和当前场景工况状态向量,当前设备工况状态向量,是对当前生产线故障的工况状态数据进行设备工况状态向量编码生成的特征向量,当前场景工况状态向量,是对当前生产线故障的工况状态数据进行场景工况状态向量编码生成的特征向量;
确定当前生产线故障的生产线工况状态向量与参考生产线故障的生产线工况状态向量之间的特征距离,生成目标特征距离,包括:
确定当前设备工况状态向量与参***工况状态向量之间的特征距离,生成第一特征距离;参***工况状态向量为参考生产线故障的设备工况状态向量;
确定当前场景工况状态向量与参考场景工况状态向量之间的特征距离,生成第二特征距离;参考场景工况状态向量为参考生产线故障的场景工况状态向量;
依据第一特征距离和第二特征距离得到目标特征距离。
其中,当前设备工况状态向量用于表征当前生产线故障的设备工况的特征向量,当前场景工况状态向量用于表征当前生产线故障的场景公开的特征向量。
可替代地,本实施例对当前生产线故障的工况状态数据分别进行设备工况状态向量的解析和场景工况状态向量的解析,生成当前设备工况状态向量和当前场景工况状态向量,然后对参考生产线故障的工况状态数据分别进行设备工况状态向量的解析和场景工况状态向量的解析,生成参***工况状态向量和参考场景工况状态向量。服务器计算当前设备工况状态向量与参***工况状态向量之间的特征距离,生成第一特征距离,计算当前场景工况状态向量与参考场景工况状态向量之间的特征距离,生成第二特征距离。然后获取第一特征距离和第二特征距离分别对应的度量系数,并基于第一特征距离和第二特征距离分别对应的度量系数对第一特征距离和第二特征距离进行融合,生成目标特征距离。
本实施例中,通过确定当前设备工况状态向量与参***工况状态向量之间的特征距离、当前场景工况状态向量与参考场景工况状态向量之间的特征距离,生成第一特征距离与第二特征距离,并依据第一特征距离与第二特征距离得到目标特征距离,从而可以基于目标特征距离确定当前生产线故障是否为冗余的生产线故障,由于考虑设备工况状态向量和场景工况状态向量两种不同的生产线工况状态向量,进一步提高了生产线故障冗余优化的有效度量值,由此提高生产线故障的分析可靠性。
一种示例性的设计思路中,当前设备工况状态向量,是基于训练完成的设备工况状态编码器得到的,当前场景工况状态向量,是基于训练完成的场景工况状态编码器得到的;
依据第一特征距离和第二特征距离得到目标特征距离,包括:
确定训练完成的设备工况状态编码器对应的编码有效值,生成第一有效度量值,确定训练完成的场景工况状态编码器对应的编码有效值,生成第二有效度量值;
依据第一有效度量值确定第一特征距离的度量系数;第一特征距离的度量系数与第一有效度量值成负向关联关系;
依据第二有效度量值确定第二特征距离的度量系数;第二特征距离的度量系数与第二有效度量值成负向关联关系;
依据第一特征距离的度量系数和第二特征距离的度量系数,对第一特征距离和第二特征距离进行融合,生成目标特征距离。
其中,训练完成的设备工况状态编码器用于对工况状态数据进行设备工况状态向量的解析,生成设备工况状态向量;训练完成的场景工况状态编码器用于对工况状态数据进行场景工况状态向量的解析,生成场景工况状态向量。编码有效值表征工况状态编码器进行编码后的特征向量的有效度量值,第一有效度量值是指训练完成的设备工况状态编码器的编码有效值,第二有效度量值是指训练完成的场景工况状态编码器的有效度量值。
一种示例性的设计思路中,本实施例可以将当前生产线故障的工况状态数据分别输入训练完成的设备工况状态编码器、训练完成的场景工况状态编码器,生成当前生产线故障对应的设备工况状态向量、场景工况状态向量。
采用以上步骤,由于第一有效度量值与第一特征距离的度量系数成负向关联关系,第二有效度量值与第二特征距离的度量系数成负向关联关系,即编码有效值越大,则对应的特征距离在目标特征距离中的占比越小,即提高了目标特征距离的有效度量值,由此提高生产线故障数据采集决策的可靠性。
一种示例性的设计思路中,生成训练完成的设备工况状态编码器的步骤,包括:
获取待学习工况状态数据;待学习工况状态数据是预设故障定位信息对应的工况状态数据;
基于初始化权重参数的设备工况状态编码器对待学习工况状态数据进行编码,生成估计设备工况状态向量;
依据估计设备工况状态向量与待学习工况状态数据的真实设备工况状态向量之间的损失函数值,更新所述初始化权重参数的设备工况状态编码器的权重参数信息,生成训练完成的设备工况状态编码器。
其中,待学习工况状态数据是预设故障定位信息对应的工况状态数据,预设故障定位信息可以是设定光伏组件生产线对应的先验生产线故障,也可以是其它光伏组件生产线对应的生产线故障。
可替代地,本实施例将待学习工况状态数据输入初始化权重参数的设备工况状态编码器中进行编码,生成估计设备工况状态向量,然后依据估计设备工况状态向量与待学习工况状态数据的真实设备工况状态向量之间的损失函数值,更新所述初始化权重参数的设备工况状态编码器的权重参数信息,直到网络收敛,生成训练完成的设备工况状态编码器。此外,生成训练完成的场景工况状态编码器的过程,可以参考上述步骤,在此不再赘述。设备工况状态编码器、场景工况状态编码器可以是分别训练的,也可以是联合训练的。
采用以上步骤,通过将待学习工况状态数据输入初始化权重参数的设备工况状态编码器,生成训练完成的设备工况状态编码器,从而能够基于训练完成的设备工况状态编码器实现自动的对工况状态数据进行设备工况状态向量的解析,提高了光伏组件生产线的采集决策可靠性。
一种示例性的设计思路中,下面介绍进一步的实施例,包括以下步骤:
步骤S202,获取设定光伏组件生产线对应的当前生产线故障。
步骤S204,确定先验生产线故障序列中各个先验生产线故障分别所映射的生产控制节点,生成各先验生产线故障分别对应的先验生产控制节点,并确定当前生产线故障的生产控制节点,生成当前生产控制节点。
步骤S206,在当前生产控制节点与对应的先验生产控制节点之间的生产控制重合度大于设定重合度时,确定先验生产线故障的故障定位向量得到先验故障定位向量,并对当前生产线故障的故障活动数据进行特征编码生成当前故障定位向量。
步骤S208,在先验故障定位向量与当前故障定位向量之间的特征距离大于或等于第一设定特征距离时,将先验生产线故障输出为当前生产线故障对应的参考生产线故障。
步骤S210,依据当前生产线故障的工况状态数据,确定当前生产线故障的当前设备工况状态向量、当前场景工况状态向量和当前路型特征,并依据参考生产线故障的工况状态数据,确定参考生产线故障的参***工况状态向量、参考场景工况状态向量和参考路型特征。
步骤S212,确定当前设备工况状态向量与参***工况状态向量之间的特征距离,生成第一特征距离;确定当前场景工况状态向量与参考场景工况状态向量之间的特征距离,生成第二特征距离。
步骤S214,基于第一特征距离的度量系数、第二特征距离的度量系数,对第一特征距离、第二特征距离进行融合,生成目标特征距离。
步骤S216,判断目标特征距离是否大于第二设定特征距离,若是,则执行步骤S218;若否,则执行步骤S220。
步骤S218,将当前生产线故障输出为冗余的生产线故障。
步骤S220,将当前生产线故障加入先验生产线故障序列。
本实施例中,通过基于当前生产线故障的当前生产控制节点和当前故障定位向量,确定参考生产线故障,缩小生产线故障冗余优化的范围,然后基于当前生产线故障的工况状态数据,确定当前生产线故障的当前设备工况状态向量、当前场景工况状态向量,从而得到第一特征距离、第二特征距离和第三特征距离,并基于分别对应的度量系数进行融合,生成目标特征距离,依据目标特征距离判断当前生产线故障是否为冗余的生产线故障,从而实现了基于生产线故障的生产线工况状态向量辅助生产线故障的冗余优化,提高了生产线故障冗余优化的有效度量值,由此提高生产线故障数据采集决策的可靠性。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的云服务器100。
对于一个实施例,图2示出了云服务器100,该云服务器100具有一个或多个处理器102、被耦合到(一个或多个)处理器102中的一个或多个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的一个或多个输入/输出设备110,和被耦合到控制模块106的网络接口112。
处理器102可包括一个或多个单核或多核处理器,处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一些示例性的设计思路中,云服务器100能够作为本申请实施例中所述网关等服务器设备。
一些示例性的设计思路中,云服务器100可包括具有指令114的一个或多个计算机可读介质(例如,存储器106或NVM/存储设备108)和与该一个或多个计算机可读介质相融合被配置为执行指令114以实现模块从而执行本公开中所述的动作的一个或多个处理器102。
对于一个实施例,控制模块104可包括任意适当的接口控制器,以向(一个或多个)处理器102中的一个或多个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。
控制模块104可包括存储器控制器模块,以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器106可被用于例如为云服务器100加载和存储数据和/或指令114。对于一个实施例,存储器106可包括任意适当的易失性存储器,例如,适当的DRAM。一些示例性的设计思路中,存储器106可包括双倍数据速率类型四同步动态随机存取存储器(DDR4SDRAM)。
对于一个实施例,控制模块104可包括一个或多个输入/输出控制器,以向NVM/存储设备108及(一个或多个)输入/输出设备110提供接口。
例如,NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如,闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如,一个或多个硬盘驱动器(HDD)、一个或多个光盘(CD)驱动器和/或一个或多个数字通用光盘(DVD)驱动器)。
NVM/存储设备108可包括在物理上作为云服务器100被安装在其上的设备的一部分的存储资源,或者其可被该设备访问可不必作为该设备的一部分。例如,NVM/存储设备108可依据网络经由(一个或多个)输入/输出设备110进行访问。
(一个或多个)输入/输出设备110可为云服务器100提供接口以与任意其它适当的设备通信,输入/输出设备110可以包括通信组件、拼音组件、传感器组件等。网络接口112可为云服务器100提供接口以依据一个或多个网络通信,云服务器100可依据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信,例如接入依据通信标准的无线网络,如WwFw、2G、3G、4G、5G等,或它们的组合进行无线通信。
对于一个实施例,(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器(例如,存储器控制器模块)的逻辑加载在一起。对于一个实施例,(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑加载在一起以形成***级加载(SwP)。对于一个实施例,(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例,(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑集成在同一模具上以形成片上***(SoC)。
在各个实施例中,云服务器100可以但不限于是:云服务器、台式计算设备或移动计算设备(例如,膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中,云服务器100可具有更多或更少的组件和/或不同的架构。例如,一些示例性的设计思路中,云服务器100包括一个或多个摄像机、键盘、液晶显示器(LCD)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(ASIC)和扬声器。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (4)
1.一种基于光伏组件生产控制***的数据采集方法,其特征在于,应用于云服务器,所述方法包括:
获取所述光伏组件生产控制***的设定光伏组件生产线对应的当前生产线故障;所述当前生产线故障是当前故障运维事件在所述设定光伏组件生产线中决策的故障定位信息,其中,在所述当前故障运维事件中,通过运维服务节点采集设定光伏组件生产线的光伏组件生产控制数据,来确定是否存在生产线故障,所述光伏组件生产控制数据是对设定光伏组件生产线的生产控制进程进行数据采集得到的,对光伏组件生产控制数据进行故障定位信息识别,在识别到生产线故障时,将该光伏组件生产控制数据输出为当前生产线故障对应的故障活动数据,并将当前生产线故障对应的故障活动数据进行上传;
从先验生产线故障序列中确定与所述当前生产线故障匹配的先验生产线故障,生成所述当前生产线故障对应的参考生产线故障;所述先验生产线故障序列中的先验生产线故障,是先验故障运维事件中在所述设定光伏组件生产线中决策的故障定位信息;
确定所述当前生产线故障的生产线工况状态向量得到当前生产线工况状态向量,并确定所述参考生产线故障的生产线工况状态向量得到参考生产线工况状态向量;所述当前生产线工况状态向量是对所述当前生产线故障的工况状态数据进行特征嵌入生成的特征向量,所述参考生产线工况状态向量是对所述参考生产线故障的工况状态数据进行特征嵌入生成的特征向量; 依据所述当前生产线工况状态向量和所述参考生产线工况状态向量,对所述当前生产线故障所对应的生产控制数据进行采集决策;
所述从先验生产线故障序列中确定与所述当前生产线故障匹配的先验生产线故障,生成所述当前生产线故障对应的参考生产线故障,包括:
确定所述先验生产线故障序列中各个先验生产线故障分别所映射的生产控制节点,生成各先验生产线故障分别对应的先验生产控制节点;
确定所述当前生产线故障的生产控制节点,生成当前生产控制节点;
针对所述先验生产线故障序列中的每个先验生产线故障,在所述当前生产控制节点与对应的先验生产控制节点之间的生产控制重合度大于设定重合度时,将所述先验生产线故障输出为所述当前生产线故障对应的参考生产线故障;
所述在所述当前生产控制节点与对应的先验生产控制节点之间的生产控制重合度大于设定重合度时,将所述先验生产线故障输出为所述当前生产线故障对应的参考生产线故障,包括:
在所述当前生产控制节点与对应的先验生产控制节点之间的生产控制重合度大于设定重合度时,确定所述先验生产线故障的故障定位向量,生成先验故障定位向量;所述先验故障定位向量是对所述先验生产线故障的故障活动数据进行特征编码生成的特征向量;
对所述当前生产线故障的故障活动数据进行特征编码生成当前故障定位向量;
在所述先验故障定位向量与所述当前故障定位向量之间的特征距离大于或等于第一设定特征距离时,将所述先验生产线故障输出为所述当前生产线故障对应的参考生产线故障;
所述依据所述当前生产线工况状态向量和所述参考生产线工况状态向量,对所述当前生产线故障所对应的生产控制数据进行采集决策,包括:
确定所述当前生产线工况状态向量与所述参考生产线工况状态向量之间的特征距离,生成目标特征距离;
在所述目标特征距离大于或等于第二设定特征距离时,将所述当前生产线故障所对应的生产控制数据采集到所述先验生产线故障序列所对应的数据库中;
所述当前生产线工况状态向量包括当前设备工况状态向量和当前场景工况状态向量,所述当前设备工况状态向量,是对所述当前生产线故障的工况状态数据进行设备工况状态向量编码生成的特征向量,所述当前场景工况状态向量,是对所述当前生产线故障的工况状态数据进行场景工况状态向量编码生成的特征向量;
所述确定所述当前生产线工况状态向量与所述参考生产线工况状态向量之间的特征距离,生成目标特征距离,包括:
确定所述当前设备工况状态向量与参***工况状态向量之间的特征距离,生成第一特征距离;所述参***工况状态向量为所述参考生产线故障的设备工况状态向量;
确定所述当前场景工况状态向量与参考场景工况状态向量之间的特征距离,生成第二特征距离;所述参考场景工况状态向量为所述参考生产线故障的场景工况状态向量;
依据所述第一特征距离和第二特征距离得到所述目标特征距离;
所述当前设备工况状态向量,是基于训练完成的设备工况状态编码器得到的,所述当前场景工况状态向量,是基于训练完成的场景工况状态编码器得到的;
所述依据所述第一特征距离和第二特征距离得到所述目标特征距离,包括:
确定所述训练完成的设备工况状态编码器对应的编码有效值,生成第一有效度量值,确定所述训练完成的场景工况状态编码器对应的编码有效值,生成第二有效度量值;
依据所述第一有效度量值确定所述第一特征距离的度量系数;所述第一特征距离的度量系数与所述第一有效度量值成负向关联关系;
依据所述第二有效度量值确定所述第二特征距离的度量系数;所述第二特征距离的度量系数与所述第二有效度量值成负向关联关系;
依据所述第一特征距离的度量系数和第二特征距离的度量系数,对所述第一特征距离和所述第二特征距离进行融合,生成所述目标特征距离;
生成所述训练完成的设备工况状态编码器的步骤,包括:
获取待学习工况状态数据;所述待学习工况状态数据是预设故障定位信息对应的工况状态数据;
基于初始化权重参数的设备工况状态编码器对所述待学习工况状态数据进行编码,生成估计设备工况状态向量;
依据所述估计设备工况状态向量与所述待学习工况状态数据的真实设备工况状态向量之间的损失函数值,更新所述初始化权重参数的设备工况状态编码器的权重参数信息,生成所述训练完成的设备工况状态编码器。
2.一种计算机可读存储介质,其特征在于,其上存储有机器可执行指令,所述机器可执行指令被处理器执行时实现权利要求1所述的基于光伏组件生产控制***的数据采集方法。
3.一种云服务器,其特征在于,包括处理器以及计算机可读存储介质,所述计算机可读存储介质存储有机器可执行指令,所述机器可执行指令被处理器执行时实现权利要求1所述的基于光伏组件生产控制***的数据采集方法。
4.一种基于光伏组件生产控制***的数据采集***,其特征在于,所述基于光伏组件生产控制***的数据采集***包括云服务器以及与所述云服务器通信连接的光伏组件生产控制***,所述云服务器具体用于:
获取所述光伏组件生产控制***的设定光伏组件生产线对应的当前生产线故障;所述当前生产线故障是当前故障运维事件在所述设定光伏组件生产线中决策的故障定位信息,其中,在所述当前故障运维事件中,通过运维服务节点采集设定光伏组件生产线的光伏组件生产控制数据,来确定是否存在生产线故障,所述光伏组件生产控制数据是对设定光伏组件生产线的生产控制进程进行数据采集得到的,对光伏组件生产控制数据进行故障定位信息识别,在识别到生产线故障时,将该光伏组件生产控制数据输出为当前生产线故障对应的故障活动数据,并将当前生产线故障对应的故障活动数据进行上传;
从先验生产线故障序列中确定与所述当前生产线故障匹配的先验生产线故障,生成所述当前生产线故障对应的参考生产线故障;所述先验生产线故障序列中的先验生产线故障,是先验故障运维事件中在所述设定光伏组件生产线中决策的故障定位信息;
确定所述当前生产线故障的生产线工况状态向量得到当前生产线工况状态向量,并确定所述参考生产线故障的生产线工况状态向量得到参考生产线工况状态向量;所述当前生产线工况状态向量是对所述当前生产线故障的工况状态数据进行特征嵌入生成的特征向量,所述参考生产线工况状态向量是对所述参考生产线故障的工况状态数据进行特征嵌入生成的特征向量; 依据所述当前生产线工况状态向量和所述参考生产线工况状态向量,对所述当前生产线故障所对应的生产控制数据进行采集决策;
所述从先验生产线故障序列中确定与所述当前生产线故障匹配的先验生产线故障,生成所述当前生产线故障对应的参考生产线故障,包括:
确定所述先验生产线故障序列中各个先验生产线故障分别所映射的生产控制节点,生成各先验生产线故障分别对应的先验生产控制节点;
确定所述当前生产线故障的生产控制节点,生成当前生产控制节点;
针对所述先验生产线故障序列中的每个先验生产线故障,在所述当前生产控制节点与对应的先验生产控制节点之间的生产控制重合度大于设定重合度时,将所述先验生产线故障输出为所述当前生产线故障对应的参考生产线故障;
所述在所述当前生产控制节点与对应的先验生产控制节点之间的生产控制重合度大于设定重合度时,将所述先验生产线故障输出为所述当前生产线故障对应的参考生产线故障,包括:
在所述当前生产控制节点与对应的先验生产控制节点之间的生产控制重合度大于设定重合度时,确定所述先验生产线故障的故障定位向量,生成先验故障定位向量;所述先验故障定位向量是对所述先验生产线故障的故障活动数据进行特征编码生成的特征向量;对所述当前生产线故障的故障活动数据进行特征编码生成当前故障定位向量;
在所述先验故障定位向量与所述当前故障定位向量之间的特征距离大于或等于第一设定特征距离时,将所述先验生产线故障输出为所述当前生产线故障对应的参考生产线故障;
所述依据所述当前生产线工况状态向量和所述参考生产线工况状态向量,对所述当前生产线故障所对应的生产控制数据进行采集决策,包括:
确定所述当前生产线工况状态向量与所述参考生产线工况状态向量之间的特征距离,生成目标特征距离;
在所述目标特征距离大于或等于第二设定特征距离时,将所述当前生产线故障所对应的生产控制数据采集到所述先验生产线故障序列所对应的数据库中;
所述当前生产线工况状态向量包括当前设备工况状态向量和当前场景工况状态向量,所述当前设备工况状态向量,是对所述当前生产线故障的工况状态数据进行设备工况状态向量编码生成的特征向量,所述当前场景工况状态向量,是对所述当前生产线故障的工况状态数据进行场景工况状态向量编码生成的特征向量;
所述确定所述当前生产线工况状态向量与所述参考生产线工况状态向量之间的特征距离,生成目标特征距离,包括:
确定所述当前设备工况状态向量与参***工况状态向量之间的特征距离,生成第一特征距离;所述参***工况状态向量为所述参考生产线故障的设备工况状态向量;
确定所述当前场景工况状态向量与参考场景工况状态向量之间的特征距离,生成第二特征距离;所述参考场景工况状态向量为所述参考生产线故障的场景工况状态向量;
依据所述第一特征距离和第二特征距离得到所述目标特征距离;
所述当前设备工况状态向量,是基于训练完成的设备工况状态编码器得到的,所述当前场景工况状态向量,是基于训练完成的场景工况状态编码器得到的;
所述依据所述第一特征距离和第二特征距离得到所述目标特征距离,包括:
确定所述训练完成的设备工况状态编码器对应的编码有效值,生成第一有效度量值,确定所述训练完成的场景工况状态编码器对应的编码有效值,生成第二有效度量值;
依据所述第一有效度量值确定所述第一特征距离的度量系数;所述第一特征距离的度量系数与所述第一有效度量值成负向关联关系;
依据所述第二有效度量值确定所述第二特征距离的度量系数;所述第二特征距离的度量系数与所述第二有效度量值成负向关联关系;
依据所述第一特征距离的度量系数和第二特征距离的度量系数,对所述第一特征距离和所述第二特征距离进行融合,生成所述目标特征距离;
生成所述训练完成的设备工况状态编码器,包括:
获取待学习工况状态数据;所述待学习工况状态数据是预设故障定位信息对应的工况状态数据;
基于初始化权重参数的设备工况状态编码器对所述待学习工况状态数据进行编码,生成估计设备工况状态向量;
依据所述估计设备工况状态向量与所述待学习工况状态数据的真实设备工况状态向量之间的损失函数值,更新所述初始化权重参数的设备工况状态编码器的权重参数信息,生成所述训练完成的设备工况状态编码器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310696089.9A CN116755403B (zh) | 2023-06-13 | 2023-06-13 | 基于光伏组件生产控制***的数据采集方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310696089.9A CN116755403B (zh) | 2023-06-13 | 2023-06-13 | 基于光伏组件生产控制***的数据采集方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116755403A CN116755403A (zh) | 2023-09-15 |
CN116755403B true CN116755403B (zh) | 2024-03-26 |
Family
ID=87950812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310696089.9A Active CN116755403B (zh) | 2023-06-13 | 2023-06-13 | 基于光伏组件生产控制***的数据采集方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116755403B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117726079B (zh) * | 2024-02-05 | 2024-04-16 | 肯拓(天津)工业自动化技术有限公司 | 基于机电一体化的自动化环形产线优化方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460701A (zh) * | 2020-03-09 | 2020-07-28 | 中海油田服务股份有限公司 | 一种故障诊断模型训练方法和装置 |
CN111950448A (zh) * | 2020-08-11 | 2020-11-17 | 平高集团有限公司 | 基于机器视觉的高压隔离开关故障状态检测方法及装置 |
CN112529104A (zh) * | 2020-12-23 | 2021-03-19 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车辆故障预测模型生成方法、故障预测方法及装置 |
CN114048882A (zh) * | 2022-01-12 | 2022-02-15 | 北京鼎兴达信息科技股份有限公司 | 铁路故障处理运维决策建议方法 |
CN114065613A (zh) * | 2021-10-27 | 2022-02-18 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度迁移学习的多工况流程工业故障检测诊断方法 |
CN115178752A (zh) * | 2022-09-13 | 2022-10-14 | 广东银纳增材制造技术有限公司 | 一种3d打印金属粉末生产设备的故障预警方法及装置 |
CN115629938A (zh) * | 2022-10-17 | 2023-01-20 | 广东中星电子有限公司 | 故障状态类型信息生成方法、装置、设备、介质和产品 |
CN115689071A (zh) * | 2023-01-03 | 2023-02-03 | 南京工大金泓能源科技有限公司 | 一种基于关联参数挖掘的设备故障融合预测方法及*** |
CN115828112A (zh) * | 2022-12-02 | 2023-03-21 | 德联易控科技(北京)有限公司 | 一种故障事件的响应方法、装置、电子设备及存储介质 |
CN115857447A (zh) * | 2022-11-28 | 2023-03-28 | 安徽宝信信息科技有限公司 | 基于数字孪生的复杂工业***运行监测方法及*** |
CN116236993A (zh) * | 2023-05-12 | 2023-06-09 | 台昌树脂(佛山)有限公司 | 丙烯酸共聚乳液生产控制***的优化方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11347947B2 (en) * | 2020-07-24 | 2022-05-31 | Intuit Inc. | Encoder with double decoder machine learning models |
-
2023
- 2023-06-13 CN CN202310696089.9A patent/CN116755403B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460701A (zh) * | 2020-03-09 | 2020-07-28 | 中海油田服务股份有限公司 | 一种故障诊断模型训练方法和装置 |
CN111950448A (zh) * | 2020-08-11 | 2020-11-17 | 平高集团有限公司 | 基于机器视觉的高压隔离开关故障状态检测方法及装置 |
CN112529104A (zh) * | 2020-12-23 | 2021-03-19 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车辆故障预测模型生成方法、故障预测方法及装置 |
CN114065613A (zh) * | 2021-10-27 | 2022-02-18 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度迁移学习的多工况流程工业故障检测诊断方法 |
WO2023071217A1 (zh) * | 2021-10-27 | 2023-05-04 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度迁移学习的多工况流程工业故障检测诊断方法 |
CN114048882A (zh) * | 2022-01-12 | 2022-02-15 | 北京鼎兴达信息科技股份有限公司 | 铁路故障处理运维决策建议方法 |
CN115178752A (zh) * | 2022-09-13 | 2022-10-14 | 广东银纳增材制造技术有限公司 | 一种3d打印金属粉末生产设备的故障预警方法及装置 |
CN115629938A (zh) * | 2022-10-17 | 2023-01-20 | 广东中星电子有限公司 | 故障状态类型信息生成方法、装置、设备、介质和产品 |
CN115857447A (zh) * | 2022-11-28 | 2023-03-28 | 安徽宝信信息科技有限公司 | 基于数字孪生的复杂工业***运行监测方法及*** |
CN115828112A (zh) * | 2022-12-02 | 2023-03-21 | 德联易控科技(北京)有限公司 | 一种故障事件的响应方法、装置、电子设备及存储介质 |
CN115689071A (zh) * | 2023-01-03 | 2023-02-03 | 南京工大金泓能源科技有限公司 | 一种基于关联参数挖掘的设备故障融合预测方法及*** |
CN116236993A (zh) * | 2023-05-12 | 2023-06-09 | 台昌树脂(佛山)有限公司 | 丙烯酸共聚乳液生产控制***的优化方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116755403A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116755403B (zh) | 基于光伏组件生产控制***的数据采集方法及*** | |
CN116430817B (zh) | 应用于光伏组件生产***的数据采集处理方法及*** | |
WO2020124973A1 (zh) | 功率优化方法及其装置、光伏设备和光伏*** | |
CN115983148B (zh) | 一种cfd仿真云图预测方法、***、电子设备及介质 | |
CN114785284B (zh) | 太阳能电池故障分析方法及*** | |
CN112883929A (zh) | 在线视频异常行为检测模型训练、异常检测方法及*** | |
CN116169675A (zh) | 考虑运行方式变化的电力***动态稳定性在线评估方法 | |
CN115936248A (zh) | 基于注意力网络的电力负荷预测方法、装置及*** | |
CN117767250B (zh) | 基于故障监测的直流微电网协调控制方法及*** | |
CN109086819B (zh) | caffemodel模型压缩方法、***、设备及介质 | |
CN103941724A (zh) | 一种低故障诊断精度要求的长时延网络控制***容错控制方法 | |
CN116433050B (zh) | 应用于农业大数据管理***的异常报警方法及*** | |
CN117332594A (zh) | 基于样本信息共享的涡轮叶片***失效概率函数求解方法 | |
CN115795454B (zh) | 基于线上操作大数据的业务优化方法及人工智能优化*** | |
CN116991136A (zh) | 燃气机组aps启动控制***的优化方法及*** | |
CN117076862A (zh) | 一种基于属性图的电力物联网网络异常检测方法及*** | |
CN116340889A (zh) | 基于大数据平台的数据采集方法及*** | |
CN116468967A (zh) | 样本图像筛选方法、装置、电子设备及存储介质 | |
CN112800110B (zh) | 电力物联网传感器弱敏感数据异常检测*** | |
CN117311320A (zh) | 水电站配电控制***的故障原因分析方法及*** | |
CN117353461B (zh) | 一种光伏发电***的状态监控方法及*** | |
CN113191364A (zh) | 车辆外观部件识别方法、装置、电子设备和介质 | |
CN117668694A (zh) | 能源路由器多能形式储能***的数据分析方法及*** | |
CN116910006B (zh) | 基于新能源电池的数据压缩存储处理方法及*** | |
CN116934555B (zh) | 一种基于物联网的安消一体化的管理方法及装置 |
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 |