CN116880402A - 智慧工厂协同管控***及其方法 - Google Patents
智慧工厂协同管控***及其方法 Download PDFInfo
- Publication number
- CN116880402A CN116880402A CN202310936330.0A CN202310936330A CN116880402A CN 116880402 A CN116880402 A CN 116880402A CN 202310936330 A CN202310936330 A CN 202310936330A CN 116880402 A CN116880402 A CN 116880402A
- Authority
- CN
- China
- Prior art keywords
- power
- time sequence
- training
- amplitude
- vibration
- 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 23
- 230000003993 interaction Effects 0.000 claims abstract description 59
- 238000012806 monitoring device Methods 0.000 claims abstract description 15
- 238000010219 correlation analysis Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 96
- 238000012549 training Methods 0.000 claims description 69
- 238000012544 monitoring process Methods 0.000 claims description 32
- 230000008859 change Effects 0.000 claims description 23
- 238000009826 distribution Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 12
- 238000012482 interaction analysis Methods 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 7
- 238000012098 association analyses Methods 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000012300 Sequence Analysis Methods 0.000 claims description 2
- 239000002356 single layer Substances 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 47
- 230000002159 abnormal effect Effects 0.000 abstract description 24
- 238000007726 management method Methods 0.000 description 22
- 238000004458 analytical method Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 10
- 238000007405 data analysis Methods 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011260 co-administration Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035939 shock 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]
- G05B19/41865—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
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)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种智慧工厂协同管控***及其方法，其获取由设备传感器采集的被监控设备在预定时间段内多个预定时间点的功率值，以及，所述被监控设备在所述预定时间段的振动信号；对所述多个预定时间点的功率值和所述振动信号进行协同关联分析以得到功率‑振幅交互特征；以及，基于所述功率‑振幅交互特征，确定监测设备的运行状态是否正常。这样，能够帮助工厂及时发现设备异常情况并及时采取相应的措施，以减少停机时间和生产损失。
Description
技术领域
本发明涉及智能化管控技术领域，尤其涉及一种智慧工厂协同管控***及其方法。
背景技术
智慧工厂是指通过集成物联网、大数据分析、人工智能等技术，实现生产设备的智能化、自动化和协同化，以提高生产效率、降低成本和优化生产过程。在智慧工厂中，设备故障和停机会导致生产线的中断和延误，增加维修和生产恢复的成本，而设备的正常运行是保证生产线顺利运转的关键。因此，对于智慧工厂中的设备运行状态进行监测是非常重要的一项任务。
传统的智慧工厂设备监测方案通常使用有限的传感器来采集设备数据，并依靠专业人士对于采集的设备数据进行分析，从而实现设备的监测。然而，由于这些传感器只能提供单一设备的状态信息，无法提供全面的设备状态信息，进而也就无法进行设备之间的协同分析，导致对于设备运行状态监测的准确度不高。不仅如此，现有的一些设备状态协同分析方案中，需要进行大量的数据处理和分析工作，这将带来了较大的工作量，且精准度难以保证。同时，目前的智慧工厂设备运行状态的监测方案中还会存在延迟问题，无法实时监测设备的状态变化。这可能导致设备故障或异常情况在被检测到和处理之前已经造成了一定的损失。
因此，期望一种优化的智慧工厂协同管控***。
发明内容
本发明实施例提供一种智慧工厂协同管控***及其方法，其获取由设备传感器采集的被监控设备在预定时间段内多个预定时间点的功率值，以及，所述被监控设备在所述预定时间段的振动信号；对所述多个预定时间点的功率值和所述振动信号进行协同关联分析以得到功率-振幅交互特征；以及，基于所述功率-振幅交互特征，确定监测设备的运行状态是否正常。这样，能够帮助工厂及时发现设备异常情况并及时采取相应的措施，以减少停机时间和生产损失。
本发明实施例还提供了一种智慧工厂协同管控***，其包括：
数据采集模块，用于获取由设备传感器采集的被监控设备在预定时间段内多个预定时间点的功率值，以及，所述被监控设备在所述预定时间段的振动信号；
数据交互分析模块，用于对所述多个预定时间点的功率值和所述振动信号进行协同关联分析以得到功率-振幅交互特征；以及
监测设备状态检测模块，用于基于所述功率-振幅交互特征，确定监测设备的运行状态是否正常。
本发明实施例还提供了一种智慧工厂协同管控方法，其包括：
获取由设备传感器采集的被监控设备在预定时间段内多个预定时间点的功率值，以及，所述被监控设备在所述预定时间段的振动信号；
对所述多个预定时间点的功率值和所述振动信号进行协同关联分析以得到功率-振幅交互特征；以及
基于所述功率-振幅交互特征，确定监测设备的运行状态是否正常。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。在附图中：
图1为本发明实施例中提供的一种智慧工厂协同管控***的框图。
图2为本发明实施例中提供的一种智慧工厂协同管控***中所述数据交互分析模块的框图。
图3为本发明实施例中提供的一种智慧工厂协同管控***中所述训练模块的框图。
图4为本发明实施例中提供的一种智慧工厂协同管控方法的流程图。
图5为本发明实施例中提供的一种智慧工厂协同管控方法的***架构的示意图。
图6为本发明实施例中提供的一种智慧工厂协同管控***的应用场景图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
应可以理解，智慧工厂是一种利用先进的技术和数字化手段来实现高度自动化、智能化和灵活化生产的工厂，通过将物理设备、传感器、网络和数据分析技术相互连接，实现设备之间的协同、数据的实时监测和分析，以及生产过程的优化和智能化决策。
智慧工厂的主要目标是提高生产效率、降低生产成本、提升产品质量，并实现生产过程的灵活性和可持续性发展。智慧工厂的关键特点和技术应用包括：
自动化生产，智慧工厂利用自动化技术，实现生产过程的自动化操作和控制。例如，使用机器人代替人工进行重复性、繁琐的工作，提高生产效率和产品质量。
物联网技术，智慧工厂通过物联网技术，将设备、传感器和***连接在一起，实现设备之间的信息交流和协同工作。这样可以实时监测设备状态、采集生产数据，并进行数据分析和优化。
大数据和分析，智慧工厂通过收集和分析大量的生产数据，可以洞察生产过程中的潜在问题和改进机会。基于数据分析的决策和预测模型，可以帮助优化生产计划、预测设备故障，并提供实时的生产指导。
人机协作，智慧工厂鼓励人机协作，即人员与自动化设备和***之间的紧密合作。人员可以通过智能终端、可穿戴设备等与智能***进行交互，实现生产过程的监控、调整和优化。
虚拟仿真和数字孪生，智慧工厂利用虚拟仿真和数字孪生技术，可以在数字环境中对生产过程进行建模和仿真。这有助于预测生产状况、优化生产流程，并进行故障诊断和预防性维护。
智慧工厂协同管控一方面，可以提高生产效率，智慧工厂通过物联网技术将各个设备、工序和生产线连接起来，实现设备之间的协同工作。这样可以提高生产效率，减少生产中的浪费和停机时间，提高生产线的利用率。
一方面，可以降低成本，智慧工厂通过自动化技术和数据分析，可以实现生产过程的优化和精细化管理。这样可以减少人力资源的使用，降低生产成本。同时，通过数据分析和预测，可以准确控制原材料的采购和库存，避免资源的浪费和过度储备。
另一方面，可以提升质量，智慧工厂通过数据监测和分析，可以实时监控生产过程中的各项指标和关键参数。这样可以及时发现问题和异常，进行及时调整和纠正，提高产品的质量稳定性和一致性。
再一方面，可以增强灵活性，智慧工厂通过数字化技术和柔性生产线的设计，可以实现生产线的快速调整和产品的个性化定制。这样可以更好地适应市场需求的变化，提高企业的竞争力和市场反应速度。
也就是，智慧工厂协同管控可以帮助企业提高生产效率、降低成本、提升质量和增强灵活性，对企业的竞争力和可持续发展非常重要。在本发明的一个实施例中，图1为本发明实施例中提供的一种智慧工厂协同管控***的框图。如图1所示，根据本发明实施例的智慧工厂协同管控***100，包括：数据采集模块110，用于获取由设备传感器采集的被监控设备在预定时间段内多个预定时间点的功率值，以及，所述被监控设备在所述预定时间段的振动信号；数据交互分析模块120，用于对所述多个预定时间点的功率值和所述振动信号进行协同关联分析以得到功率-振幅交互特征；以及，监测设备状态检测模块130，用于基于所述功率-振幅交互特征，确定监测设备的运行状态是否正常。
其中，所述数据采集模块110中，确保设备传感器的准确性和可靠性，以获取准确的功率值和振动信号，同时，考虑数据采集的频率和时间点的选择，以满足对设备状态的实时监测需求。通过获取设备的功率值和振动信号，可以实时了解设备的运行情况和性能表现。这为后续的数据分析和状态监测提供了基础数据。
所述数据交互分析模块120中，在进行功率-振幅交互特征的关联分析时，需要考虑数据的准确性和完整性，同时，需要选择合适的数据分析算法和模型，以提取出有效的交互特征。通过对功率值和振动信号进行协同关联分析，可以揭示设备运行状态与功率和振动之间的关系。这有助于发现设备异常和故障的早期预警，提高设备的可靠性和稳定性。
在所述监测设备状态检测模块130中，在基于功率-振幅交互特征确定设备运行状态是否正常时，需要建立合适的状态检测模型和算法，同时，需要设置合理的阈值和规则，以判断设备状态的异常情况。通过监测设备状态的检测，可以及时发现设备的异常和故障情况，实现对设备的预测性维护和修复。这有助于减少设备停机时间和生产线的中断，提高生产效率和质量稳定性。
智慧工厂协同管控***中的数据采集模块、数据交互分析模块和监测设备状态检测模块分别在数据获取、数据分析和设备状态监测方面具有重要的注意点和有益效果，它们共同协同工作，为智慧工厂的运行提供支持和保障。
具体地，所述数据采集模块110，用于获取由设备传感器采集的被监控设备在预定时间段内多个预定时间点的功率值，以及，所述被监控设备在所述预定时间段的振动信号。
针对上述技术问题，本申请的技术构思为通过连接设备传感器和监控***来进行协同管控，以在设备传感器采集到设备的传感数据后输入到监控***中进行数据协同分析处理，从而使得智慧工厂协同管控***能够实时监测设备的运行状态和性能指标，以判断监测设备的运行状态是否正常。这样，能够帮助工厂及时发现设备异常情况并及时采取相应的措施，以减少停机时间和生产损失。
具体地，在本申请的技术方案中，首先，获取由设备传感器采集的被监控设备在预定时间段内多个预定时间点的功率值，以及，所述被监控设备在所述预定时间段的振动信号。
其中，监测设备的功率值可以提供关于设备的能源消耗情况和工作负荷的信息，通过监测设备的功率值，可以判断设备是否正常运行，如果设备的功率值异常偏高或偏低，可能意味着设备存在故障或效率低下的问题。因此，功率值可以作为判断设备运行状态的重要指标之一。
振动信号可以提供关于设备结构和运行状态的信息，设备在运行过程中会产生特定的振动模式，通过监测设备的振动信号，可以检测到设备是否存在异常振动或震动。异常振动可能是设备部件松动、磨损或故障的表现，因此振动信号可以帮助判断设备的运行状态是否正常。
功率值和振动信号都是用于确定监测设备运行状态是否正常的重要参数，通过监测和分析这些参数，可以及时发现设备故障或异常，并采取相应的维修和保养措施，从而提高设备的可靠性和生产效率。
具体地，所述数据交互分析模块120，用于对所述多个预定时间点的功率值和所述振动信号进行协同关联分析以得到功率-振幅交互特征。图2为本发明实施例中提供的一种智慧工厂协同管控***中所述数据交互分析模块的框图，如图2所示，所述数据交互分析模块120，包括：功率时序变化特征提取单元121，用于对所述多个预定时间点的功率值进行时序关联特征提取以得到功率时序特征向量；振动幅度时序变化特征提取单元122，用于对所述振动信号进行时序分析以得到振动幅度时序特征向量；以及，功率-振幅特征交互融合单元123，用于融合所述功率时序特征向量和所述振动幅度时序特征向量以得到功率-振幅交互特征向量作为所述功率-振幅交互特征。
进一步地，通过对多个预定时间点的功率值进行时序关联特征提取，可以得到功率时序特征向量，这些时序特征向量可以反映设备功率在时间上的变化趋势，包括功率的波动、峰值、平均值等信息。通过分析功率时序特征，可以识别设备运行状态的异常情况，例如功率突变、波动过大等，从而及时采取措施进行故障诊断和预测性维护。
通过对振动信号进行时序分析，可以得到振动幅度时序特征向量，这些时序特征向量可以反映设备振动的强度、频率、周期等信息。通过分析振动幅度时序特征，可以检测设备的振动状态是否正常，例如是否存在异常振动、共振等问题，有助于及时发现设备结构的松动、磨损或故障，从而避免设备进一步损坏或产生安全隐患。
将功率时序特征向量和振动幅度时序特征向量进行融合，得到功率-振幅交互特征向量，通过融合这两个特征向量，可以揭示功率和振动之间的关联关系。例如，可以发现功率的变化是否会导致振动的变化，或者振动的变化是否会影响功率的稳定性。这种交互特征有助于更全面地了解设备的运行状态，提供更准确的故障诊断和预测性维护。
也就是，数据交互分析模块的功率时序变化特征提取单元、振动幅度时序变化特征提取单元和功率-振幅特征交互融合单元的设计和功能能够提供全面的设备状态分析，帮助实现智慧工厂的协同管控目标。
对于所述功率时序变化特征提取单元121，包括：功率时序分布子单元，用于将所述多个预定时间点的功率值按照时间维度排列为功率时序输入向量；以及，功率时序关联编码子单元，用于将所述功率时序输入向量通过基于一维卷积神经网络模型的功率时序特征提取器以得到所述功率时序特征向量。
接着，考虑到由于所述功率值在时间维度上有着时序的动态变化规律，也就是说，所述多个预定时间点的功率值在时间维度上有着时序关联关系。因此，在本申请的技术方案中，进一步将所述多个预定时间点的功率值按照时间维度排列为功率时序输入向量，以此来整合所述功率值在时序上的分布信息后，再将所述功率时序输入向量通过基于一维卷积神经网络模型的功率时序特征提取器中进行特征挖掘，以提取出所述功率值在时间维度上的时序关联特征分布信息，从而得到功率时序特征向量。通过对于设备的功率时序变化特征进行分析，能够捕捉到有关于设备的能耗和工作状态等特征信息，有利于对于设备的运行异常进行检测。
其中，通过将多个预定时间点的功率值按照时间维度排列为功率时序输入向量，实现了对设备功率变化的时序化表示，这样有助于提取时间序列数据中的规律和趋势，为后续的特征提取和分析提供了基础。
通过基于一维卷积神经网络模型的功率时序特征提取器，将功率时序输入向量转换为功率时序特征向量。可以从时序数据中提取出更高层次的抽象特征，帮助***更好地理解设备的运行状态和性能。
通过对功率时序数据的分析和特征提取，***可以准确地判断设备是否存在故障或异常情况。例如，当功率时序特征向量出现异常模式或异常变化趋势时，***可以及时发出警报并采取相应的措施，避免设备故障对生产造成损失。
通过对功率时序数据的历史分析和建模，***可以预测设备未来的性能和寿命，有助于制定合理的维护计划，提前进行维护和更换关键部件，避免设备突发故障带来的停机和生产延误。
对于所述振动幅度时序变化特征提取单元122，包括：振动幅度时序排列子单元，用于对所述振动信号进行离散采样以得到多个振动样本点，并将所述多个振动样本点按照时间维度排列为振动幅度离散时序输入向量；振动幅度时序关联子单元，用于将所述振动幅度离散时序输入向量通过基于一维卷积神经网络模型的振动幅度时序特征提取器以得到所述振动幅度时序特征向量。
进一步地，考虑到由于所述设备的振动信号可以反映设备的工作状态中的更为重要的信息，以此能够检测出设备是否存在异常振动或共振现象，这些异常情况能够反映出设备的故障前兆，及时发现并处理这些异常可以避免设备故障，提高设备的可靠性和寿命。因此，在本申请的技术方案中，进一步对所述振动信号进行离散采样以得到多个振动样本点，并将所述多个振动样本点按照时间维度排列为振动幅度离散时序输入向量，以此来整合所述振动样本点的时序分布信息，从而在后续的振动特征提取时保留该离散样本点的时序分布信息。而通过离散采样，可以从连续的所述振动信号中获取一系列离散的振动样本点，以便于后续对该所述振动信号进行处理和分析，从而提取出有用的设备状态特征信息。
其中，离散采样是指将连续信号在时间上进行间隔采样，转化为离散的样本点，在振动信号的离散采样中，连续的振动信号会在一定的时间间隔内进行采样，得到一系列离散的振动样本点。离散采样的过程可以通过模拟-数字转换器(ADC)来实现，ADC将连续的振动信号进行采样，并将其转换为数字信号，以便计算机或其他数字设备进行处理和分析。
在振动幅度时序排列子单元中，离散采样用于对振动信号进行采样，得到多个振动样本点。采样的时间间隔可以根据需要进行调整，通常是以固定的时间间隔进行采样，例如每隔1毫秒或每隔10毫秒进行一次采样。通过离散采样，连续的振动信号被转换为一系列离散的振动样本点，这些样本点可以用于后续的振动分析、特征提取和故障诊断。离散采样的过程是将振动信号数字化的重要步骤，为后续的数据处理和分析提供了基础。
然后，将所述振动幅度离散时序输入向量通过基于一维卷积神经网络模型的振动幅度时序特征提取器中进行特征挖掘，以提取出所述被监测设备的振动幅度在时间维度上的时序关联特征分布信息，从而得到振动幅度时序特征向量。通过对于所述被监测设备的振动幅度的时序变化特征进行刻画，有利于对于所述被监测设备的更重要且深层的运行异常状态进行检测，从而及时发现并处理这些异常情况。
进一步地，通过对振动信号进行离散采样，得到多个振动样本点，并按照时间维度排列为振动幅度离散时序输入向量，这样可以将连续的振动信号转化为离散的时序数据，方便后续的特征提取和分析。
通过基于一维卷积神经网络模型的振动幅度时序特征提取器，将振动幅度离散时序输入向量转换为振动幅度时序特征向量，以从时序数据中提取出振动信号的特征模式和变化趋势，为后续的故障诊断和预测性维护提供有用的信息。
振动信号是判断设备运行状态和健康状况的重要指标，通过对振动幅度时序数据的分析和特征提取，***可以准确地检测出设备是否存在振动异常或故障。例如，当振动幅度时序特征向量显示出异常模式或异常变化趋势时，***可以及时发出警报并采取相应的措施，避免设备故障对生产造成损失。
通过对振动幅度时序数据的历史分析和建模，***可以预测设备未来的振动行为和健康状态，有助于制定合理的维护计划，提前进行维护和更换关键部件，避免设备突发故障带来的停机和生产延误。
对于所述交互融合单元123，用于：使用级联函数来进行所述功率时序特征向量和所述振动幅度时序特征向量之间的特征交互以得到所述功率-振幅交互特征向量。
应可以理解，设备的功率和振动信号都包含了该设备运行状态的重要信息，但单独使用它们的各自时序特征信息可能无法充分表达该设备的运行状态，也就是降低了对于设备运行状态检测的精度。因此，在本申请的技术方案中，进一步使用级联函数来进行所述功率时序特征向量和所述振动幅度时序特征向量之间的特征交互以得到功率-振幅交互特征向量，这样，通过进行所述被监测设备的功率和振动时序特征的交互，以融合所述功率和所述振动信号的时序变化特征信息，从而提取出有关于所述被监测设备的更丰富、更全面的工作状态特征信息。
具体地，所述监测设备状态检测模块130，用于基于所述功率-振幅交互特征，确定监测设备的运行状态是否正常。进一步用于：将所述功率-振幅交互特征向量通过分类器以得到分类结果，所述分类结果用于表示监测设备的运行状态是否正常。
继而，再将所述功率-振幅交互特征向量通过分类器以得到分类结果，所述分类结果用于表示监测设备的运行状态是否正常。也就是说，以该设备的功率时序变化特征信息和振动幅度时序变化特征信息来综合进行设备的运行状态检测，从而判断所述监测设备的运行状态是否正常。这样，能够帮助工厂及时发现设备异常情况并及时采取相应的措施，以减少停机时间和生产损失。
述智慧工厂协同管控***，还包括用于对所述基于一维卷积神经网络模型的功率时序特征提取器、所述基于一维卷积神经网络模型的振动幅度时序特征提取器和所述分类器进行训练的训练模块。图3为本发明实施例中提供的一种智慧工厂协同管控***中所述训练模块的框图，如图3所示，所述训练模块140，包括：训练数据采集单元141，用于获取训练数据，所述训练数据包括被监控设备在预定时间段内多个预定时间点的训练功率值，所述被监控设备在所述预定时间段的训练振动信号，以及，所述监测设备的运行状态是否正常的真实值；训练功率时序排列单元142，用于将所述多个预定时间点的训练功率值按照时间维度排列为训练功率时序输入向量；训练振动幅度时序排列单元143，用于对所述训练振动信号进行离散采样以得到多个训练振动样本点，并将所述多个训练振动样本点按照时间维度排列为训练振动幅度离散时序输入向量；训练功率时序变化特征提取单元144，用于将所述训练功率时序输入向量通过所述基于一维卷积神经网络模型的功率时序特征提取器以得到训练功率时序特征向量；训练振动幅度时序变化特征提取单元145，用于将所述训练振动幅度离散时序输入向量通过所述基于一维卷积神经网络模型的振动幅度时序特征提取器以得到训练振动幅度时序特征向量；训练特征融合单元146，用于使用级联函数来进行所述训练功率时序特征向量和所述训练振动幅度时序特征向量之间的特征交互以得到训练功率-振幅交互特征向量；分类损失单元147，用于将所述训练功率-振幅交互特征向量通过所述分类器以得到分类损失函数值；以及，模型训练单元148，用于基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于一维卷积神经网络模型的功率时序特征提取器、所述基于一维卷积神经网络模型的振动幅度时序特征提取器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行基于特征分布跨域注意力的特征转移优化。
特别地，在本申请的技术方案中，所述功率时序特征向量和所述振动幅度时序特征向量分别表达功率值和振动幅度的局部时序关联特征，在使用级联函数来进行所述功率时序特征向量和所述振动幅度时序特征向量之间的特征交互后，会使得所述功率-振幅交互特征向量在保留所述功率值和振动幅度的局部时序关联特征的同时，包含所述功率特征与振幅特征在时序维度上的交互特征，由此使得所述功率-振幅交互特征向量具有多样化的特征分布。
这样，当所述功率-振幅交互特征向量通过分类器进行分类时，考虑到多样化的特征分布在分类的域转移过程中的分布可转移性差异，例如，当所述分类器的权重矩阵相对于单样本时序关联特征表示进行适配时，其会具有比样本间时序交互关联特征更好的分布可转移性，反之亦然。因此，需要针对所述分类器的权重矩阵对于所述功率-振幅交互特征向量进行自适应优化，以便提升所述功率-振幅交互特征向量通过分类器进行分类训练的训练效果，即，提升分类速度和得到的分类结果的准确性。
因此，本申请的申请人在每次分类器的权重矩阵的迭代过程中，对于所述权重矩阵M进行基于特征分布跨域注意力的特征转移优化，具体表示为：在所述训练的每一轮迭代中，以如下优化公式对所述分类器的权重矩阵进行基于特征分布跨域注意力的特征转移优化；其中，所述优化公式为：
其中，M是所述分类器的权重矩阵，M的尺度为m×m，V1到Vm是所述权重矩阵M的m个行向量，||·||2表示特征向量的二范数，(:∑jmi,j:)是对所述权重矩阵M的每个行向量的求和值排列得到的行向量，且cov1(·)和cov2(·)均表示单层卷积操作，表示矩阵乘法，M'表示迭代后的所述分类器的权重矩阵。
这里，所述基于特征分布跨域注意力的特征转移优化针对所述功率-振幅交互特征向量的特征分布在特征空间域和分类目标域内存在的不同表示，基于所述分类器的权重矩阵M相对于待分类的所述功率-振幅交互特征向量的跨域多样性特征表示，通过对所述权重矩阵M的空间结构化特征分布通过卷积操作给予注意力，来增强多样化特征分布中的良好转移特征分布的跨域间隙的可转移性，同时抑制不良转移特征分布的消极转移(negativetransfer)，以基于所述权重矩阵M自身相对于所述待分类的所述功率-振幅交互特征向量的分布结构来实现权重矩阵M的无监督的域转移自适应优化，从而提升所述功率-振幅交互特征向量通过分类器进行分类训练的训练效果。这样，能够通过设备传感器和监控***来进行智慧工厂的协同管控，从而实时监测设备的运行状态和性能指标，并对异常状态下的设备进行相应处理，以提高设备的可靠性和生产效率，并减少停机时间和生产损失。
综上，基于本发明实施例的智慧工厂协同管控***100被阐明，其通过连接设备传感器和监控***来进行协同管控，以在设备传感器采集到设备的传感数据后输入到监控***中进行数据协同分析处理，从而使得智慧工厂协同管控***能够实时监测设备的运行状态和性能指标，以判断监测设备的运行状态是否正常。这样，能够帮助工厂及时发现设备异常情况并及时采取相应的措施，以减少停机时间和生产损失。
如上所述，根据本发明实施例的智慧工厂协同管控***100可以实现在各种终端设备中，例如用于智慧工厂协同管控的服务器等。在一个示例中，根据本发明实施例的智慧工厂协同管控***100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该智慧工厂协同管控***100可以是该终端设备的操作***中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该智慧工厂协同管控***100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该智慧工厂协同管控***100与该终端设备也可以是分立的设备，并且该智慧工厂协同管控***100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图4为本发明实施例中提供的一种智慧工厂协同管控方法的流程图。图5为本发明实施例中提供的一种智慧工厂协同管控方法的***架构的示意图。如图4和图5所示，一种智慧工厂协同管控方法，包括：210，获取由设备传感器采集的被监控设备在预定时间段内多个预定时间点的功率值，以及，所述被监控设备在所述预定时间段的振动信号；220，对所述多个预定时间点的功率值和所述振动信号进行协同关联分析以得到功率-振幅交互特征；以及，230，基于所述功率-振幅交互特征，确定监测设备的运行状态是否正常。
本领域技术人员可以理解，上述智慧工厂协同管控方法中的各个步骤的具体操作已经在上面参考图1到图3的智慧工厂协同管控***的描述中得到了详细介绍，并因此，将省略其重复描述。
图6为本发明实施例中提供的一种智慧工厂协同管控***的应用场景图。如图6所示，在该应用场景中，首先，获取由设备传感器采集的被监控设备在预定时间段内多个预定时间点的功率值(例如，如图6中所示意的C1)，以及，所述被监控设备在所述预定时间段的振动信号(例如，如图6中所示意的C2)；然后，将获取的功率值和振动信号输入至部署有智慧工厂协同管控算法的服务器(例如，如图6中所示意的S)中，其中所述服务器能够基于智慧工厂协同管控算法对所述功率值和所述振动信号进行处理，以确定监测设备的运行状态是否正常。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种智慧工厂协同管控***，其特征在于，包括：
数据采集模块，用于获取由设备传感器采集的被监控设备在预定时间段内多个预定时间点的功率值，以及，所述被监控设备在所述预定时间段的振动信号；
数据交互分析模块，用于对所述多个预定时间点的功率值和所述振动信号进行协同关联分析以得到功率-振幅交互特征；以及
监测设备状态检测模块，用于基于所述功率-振幅交互特征，确定监测设备的运行状态是否正常。
2.根据权利要求1所述的智慧工厂协同管控***，其特征在于，所述数据交互分析模块，包括：
功率时序变化特征提取单元，用于对所述多个预定时间点的功率值进行时序关联特征提取以得到功率时序特征向量；
振动幅度时序变化特征提取单元，用于对所述振动信号进行时序分析以得到振动幅度时序特征向量；以及
功率-振幅特征交互融合单元，用于融合所述功率时序特征向量和所述振动幅度时序特征向量以得到功率-振幅交互特征向量作为所述功率-振幅交互特征。
3.根据权利要求2所述的智慧工厂协同管控***，其特征在于，所述功率时序变化特征提取单元，包括：
功率时序分布子单元，用于将所述多个预定时间点的功率值按照时间维度排列为功率时序输入向量；以及
功率时序关联编码子单元，用于将所述功率时序输入向量通过基于一维卷积神经网络模型的功率时序特征提取器以得到所述功率时序特征向量。
4.根据权利要求3所述的智慧工厂协同管控***，其特征在于，所述振动幅度时序变化特征提取单元，包括：
振动幅度时序排列子单元，用于对所述振动信号进行离散采样以得到多个振动样本点，并将所述多个振动样本点按照时间维度排列为振动幅度离散时序输入向量；
振动幅度时序关联子单元，用于将所述振动幅度离散时序输入向量通过基于一维卷积神经网络模型的振动幅度时序特征提取器以得到所述振动幅度时序特征向量。
5.根据权利要求4所述的智慧工厂协同管控***，其特征在于，所述功率-振幅特征交互融合单元，用于：使用级联函数来进行所述功率时序特征向量和所述振动幅度时序特征向量之间的特征交互以得到所述功率-振幅交互特征向量。
6.根据权利要求5所述的智慧工厂协同管控***，其特征在于，所述监测设备状态检测模块，用于：将所述功率-振幅交互特征向量通过分类器以得到分类结果，所述分类结果用于表示监测设备的运行状态是否正常。
7.根据权利要求6所述的智慧工厂协同管控***，其特征在于，还包括用于对所述基于一维卷积神经网络模型的功率时序特征提取器、所述基于一维卷积神经网络模型的振动幅度时序特征提取器和所述分类器进行训练的训练模块。
8.根据权利要求7所述的智慧工厂协同管控***，其特征在于，所述训练模块，包括：
训练数据采集单元，用于获取训练数据，所述训练数据包括被监控设备在预定时间段内多个预定时间点的训练功率值，所述被监控设备在所述预定时间段的训练振动信号，以及，所述监测设备的运行状态是否正常的真实值；
训练功率时序排列单元，用于将所述多个预定时间点的训练功率值按照时间维度排列为训练功率时序输入向量；
训练振动幅度时序排列单元，用于对所述训练振动信号进行离散采样以得到多个训练振动样本点，并将所述多个训练振动样本点按照时间维度排列为训练振动幅度离散时序输入向量；
训练功率时序变化特征提取单元，用于将所述训练功率时序输入向量通过所述基于一维卷积神经网络模型的功率时序特征提取器以得到训练功率时序特征向量；
训练振动幅度时序变化特征提取单元，用于将所述训练振动幅度离散时序输入向量通过所述基于一维卷积神经网络模型的振动幅度时序特征提取器以得到训练振动幅度时序特征向量；
训练特征融合单元，用于使用级联函数来进行所述训练功率时序特征向量和所述训练振动幅度时序特征向量之间的特征交互以得到训练功率-振幅交互特征向量；
分类损失单元，用于将所述训练功率-振幅交互特征向量通过所述分类器以得到分类损失函数值；以及
模型训练单元，用于基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于一维卷积神经网络模型的功率时序特征提取器、所述基于一维卷积神经网络模型的振动幅度时序特征提取器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行基于特征分布跨域注意力的特征转移优化。
9.根据权利要求8所述的智慧工厂协同管控***，其特征在于，在所述训练的每一轮迭代中，以如下优化公式对所述分类器的权重矩阵进行基于特征分布跨域注意力的特征转移优化；
其中，所述优化公式为：
其中，M是所述分类器的权重矩阵，M的尺度为m×m，V1到Vm是所述权重矩阵M的m个行向量，||·||2表示特征向量的二范数，(:∑jmi,j:)是对所述权重矩阵M的每个行向量的求和值排列得到的行向量，且cov1(·)和cov2(·)均表示单层卷积操作，表示矩阵乘法，M'表示迭代后的所述分类器的权重矩阵。
10.一种智慧工厂协同管控方法，其特征在于，包括：
获取由设备传感器采集的被监控设备在预定时间段内多个预定时间点的功率值，以及，所述被监控设备在所述预定时间段的振动信号；
对所述多个预定时间点的功率值和所述振动信号进行协同关联分析以得到功率-振幅交互特征；以及
基于所述功率-振幅交互特征，确定监测设备的运行状态是否正常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310936330.0A CN116880402A (zh) | 2023-07-28 | 2023-07-28 | 智慧工厂协同管控***及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310936330.0A CN116880402A (zh) | 2023-07-28 | 2023-07-28 | 智慧工厂协同管控***及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116880402A true CN116880402A (zh) | 2023-10-13 |
Family
ID=88254819
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310936330.0A Pending CN116880402A (zh) | 2023-07-28 | 2023-07-28 | 智慧工厂协同管控***及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116880402A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117388893A (zh) * | 2023-12-11 | 2024-01-12 | 深圳市移联通信技术有限责任公司 | 一种基于gps的多设备定位*** |
| CN117949028A (zh) * | 2024-03-26 | 2024-04-30 | 山东和同信息科技股份有限公司 | 一种基于物联网的智能水务仪表运行管控***及方法 |
-
2023
- 2023-07-28 CN CN202310936330.0A patent/CN116880402A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117388893A (zh) * | 2023-12-11 | 2024-01-12 | 深圳市移联通信技术有限责任公司 | 一种基于gps的多设备定位*** |
| CN117388893B (zh) * | 2023-12-11 | 2024-03-12 | 深圳市移联通信技术有限责任公司 | 一种基于gps的多设备定位*** |
| CN117949028A (zh) * | 2024-03-26 | 2024-04-30 | 山东和同信息科技股份有限公司 | 一种基于物联网的智能水务仪表运行管控***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116880402A (zh) | 智慧工厂协同管控***及其方法 | |
| CN112173636B (zh) | 一种巡检机器人对皮带机托辊故障的检测方法 | |
| Xu et al. | Quantile regression neural network‐based fault detection scheme for wind turbines with application to monitoring a bearing | |
| CN117375237A (zh) | 基于数字孪生技术变电站运维方法及*** | |
| CN110709789A (zh) | 用于监测可再生发电装置或微电网内的子***的状况的方法和设备 | |
| CN117118781A (zh) | 一种智能化工业网关设计方法及装置 | |
| CN116992346A (zh) | 一种基于人工智能大数据分析的企业生产数据处理*** | |
| CN112734977A (zh) | 一种基于物联网的设备风险预警***及算法 | |
| CN116961215A (zh) | 一种电力***故障快速反应处理方法 | |
| CN117674128A (zh) | 基于电力调度***自动化故障排除方法 | |
| CN117936190A (zh) | 绞线机的监测***及其方法 | |
| CN110456732B (zh) | 一种带有学习功能的冲床故障监测*** | |
| CN117494009A (zh) | 基于绝缘材料热解分析的电气设备状态评估方法及云平台 | |
| CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
| CN116704729A (zh) | 一种基于大数据分析的工业窑炉预警***及方法 | |
| CN117011609A (zh) | 纺织品加工进度自动跟踪***及其方法 | |
| Papa et al. | Cyber physical system based proactive collaborative maintenance | |
| Geetha et al. | The Smart Development of the Large Scale Sensing Techniques in Intelligent Industrial Automation | |
| El Kihel et al. | Maintenance 4.0 Model Development for Production Lines in Industry 4.0 Using a Deep Learning Approach and IoT Data in Real-Time: an Experimental Case Study | |
| Suzuki et al. | An anomaly detection system for advanced maintenance services | |
| CN114414938B (zh) | 一种配电网故障的动态响应方法及*** | |
| Vanitha et al. | An Innovation Development of Neuro Controller for Condition Monitoring and Smart Industrial Instrumentation | |
| CN112654060B (zh) | 一种装置异常检测方法及*** | |
| Shankar | Intelligent Fault Diagnosis in Electric Motors Using AI Techniques | |
| CN117254593B (zh) | 基于云边协同的电网巡视作业智慧管控平台及其方法 |
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 |