CN117270514A - 基于工业物联网的生产过程全流程故障检测方法 - Google Patents
基于工业物联网的生产过程全流程故障检测方法 Download PDFInfo
- Publication number
- CN117270514A CN117270514A CN202311559137.6A CN202311559137A CN117270514A CN 117270514 A CN117270514 A CN 117270514A CN 202311559137 A CN202311559137 A CN 202311559137A CN 117270514 A CN117270514 A CN 117270514A
- Authority
- CN
- China
- Prior art keywords
- fault
- intelligent manufacturing
- abnormal
- manufacturing equipment
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 251
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 136
- 238000012512 characterization method Methods 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 47
- 238000012549 training Methods 0.000 claims description 36
- 238000000034 method Methods 0.000 claims description 28
- 230000009191 jumping Effects 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000003754 machining Methods 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000012423 maintenance Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0256—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults injecting test signals and analyzing monitored process response, e.g. injecting the test signal while interrupting the normal operation of the monitored system; superimposing the test signal onto a control signal during normal operation of the monitored system
-
- 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
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及智能车间监测技术领域，本发明公开了基于工业物联网的生产过程全流程故障检测方法，包括获取每个智能制造设备的第二运行状态系数，基于第二运行状态系数确定预定生产时间区间内的异常智能制造设备；获取异常智能制造设备的异常表征数据，根据异常表征数据确定异常智能制造设备的故障属性数据，基于故障属性数与故障分析数据之间的预设关系，确定故障属性数据对应的故障分析数据；根据故障部件区位采集故障部件在预设时间范围内的实测电压集合，基于实测电压数据确定异常智能制造设备的故障原因；实测电压集合包括多个实测电压。
Description
技术领域
本发明涉及智能车间监测技术领域，更具体地说，本发明涉及基于工业物联网的生产过程全流程故障检测方法。
背景技术
随着全球制造业的快速发展以及工业互联网等技术不断革新，生产车间已逐步迈向数字化、智能化和自动化方向，转型为数字化的智能车间；在智能车间中，设备的稳定运行和管理对生产效率和产品质量至关重要；当前，对智能车间的设备监控大多通过将采集到的各项设备数据传输到云平台上进行处理；然而，随着智能车间安装的智能设备和仪器种类和数量飞速增长，这种云端集中式的数据处理模式易带来实时性业务的响应延迟，这对于实时性要求较高的工业车间是致命的，严重会造成设备停机；因此，如何保障车间设备在不停机运行同时，使得设备故障告警信息更快地响应就成为了智能车间的迫切需求。
目前，现有基于工业物联网的生产过程全流程故障检测方法大多基于云端设计实现，例如授权公告号为CN113900426B的中国专利公开了一种基于5G+工业互联网的远程设备操控及故障诊断***，再例如申请公开号为CN115202962A的中国专利公开了一种基于工业互联网平台的设备故障快速诊断方法和***，上述方法虽能实现远程故障监控，但经发明人对上述方法以及现有技术进行研究和应用发现，上述方法以及现有技术至少存在以下部分缺陷：
（1）随着智能制造设备的不断复杂和增多，基于云端处理的方式，难以及时发现异常智能制造设备，以及无法确定异常智能制造设备的异常组件；
（2）无法及时确定异常智能制造设备的故障原因，进而难以保证在不停机运行同时，使得设备故障告警信息更快地响应。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供基于工业物联网的生产过程全流程故障检测方法。
为实现上述目的，本发明提供如下技术方案：
基于工业物联网的生产过程全流程故障检测方法，所述方法包括：
获取每个智能制造设备的第二运行状态系数，基于所述第二运行状态系数确定预定生产时间区间内的异常智能制造设备；
获取异常智能制造设备的异常表征数据，根据异常表征数据确定异常智能制造设备的故障属性数据，基于故障属性数与故障分析数据之间的预设关系，确定故障属性数据对应的故障分析数据，所述故障分析数据包括Z个故障原因以及与多个故障原因关联的标准故障电压波动区间；所述故障属性数据包括故障部件和故障部件区位，Z为大于零的正整数；
根据故障部件区位采集故障部件在预设时间范围内的实测电压集合，基于实测电压数据确定异常智能制造设备的故障原因；所述实测电压集合包括多个实测电压。
进一步地，所述获取每个智能制造设备的第二运行状态系数，包括：
获取当前时刻T，确定当前时刻T所属的预定生产时间区间；基于预定生产时间区间与智能制造设备集合的预设关系，确定当前时刻T下的智能制造设备集合，所述智能制造设备集合包括与每个预定生产时间区间对应的N个智能制造设备以及每个对应的智能制造设备的唯一标识数据，N为大于零的整数；
将预定生产时间区间和与预定生产时间区间对应的智能制造设备的唯一标识数据输入预构建的系数回归模型中，以获取每个智能制造设备的运行状态系数。
进一步地，所述系数回归模型的预构建逻辑为：获取预存于***数据库中用于训练系数回归模型的第一历史样本数据，所述第一历史样本数据中包括预定生产时间区间、与预定生产时间区间对应的智能制造设备的唯一标识数据以及智能制造设备的第二运行状态系数；将用于训练系数回归模型的第一历史样本数据划分为系数训练集和系数测试集，构建回归网络模型，将系数训练集中的预定生产时间区间以及与预定生产时间区间对应的智能制造设备的唯一标识数据作为回归网络模型的输入，将系数训练集中智能制造设备的第二运行状态系数作为回归网络模型的输出，对回归网络模型进行训练，以获取初始回归网络模型；利用均方误差算法对初始回归网络模型进行模型效果评价，筛选大于等于预设评价值的对应初始回归网络模型作为系数回归模型。
进一步地，所述第二运行状态系数的生成逻辑如下：
获取智能制造设备的运行状态数据；所述运行状态数据包括一定时间内的生产任务量、单件产品的加工质量系数和单件产品的加工速度；
基于智能制造设备与修正系数的预设关系，提取每个智能制造设备的修正系数；
基于运行状态数据和修正系数进行公式化计算，以获取每个智能制造设备的第二运行状态系数；其计算公式为：；式中：/>表示第二运行状态系数，/>表示单位时间内的生产任务量，/>表示完成第i个单件产品的加工质量系数，/>表示第i个单件产品的加工速度，/>表示修正系数，/>表示自然常数。
进一步地，所述第i个单件产品的加工质量系数的生成逻辑如下：
通过摄像装置获取每个单件产品加工后的图像；以及提取预存于***数据库中与单件产品对应的标准加工图像；
将单件产品加工后的图像作为第一加工图像，以及将与单件产品对应的标准加工图像作为第二加工图像；
根据相同的划分规则将第一加工图像和第二加工图像均划分为多个区域；
将第一加工图像和第二加工图像相同位置区域的像素点进行逐一比较，并记录第一加工图像和第二加工图像存在差异的差异区域；
统计存在差异的差异区域的数量，得到差异区域总数，将差异区域总数作为单件产品的加工质量系数。
进一步地，确定预定生产时间区间内的异常智能制造设备，包括：
提取异常智能制造设备的第一运行状态系数；
将第一运行状态系数与第二运行状态系数进行比对，若第一运行状态系数大于等于第二运行状态系数，则判定对应的智能制造设备为正常智能制造设备；
若第一运行状态系数小于第二运行状态系数，则判定对应的智能制造设备为异常智能制造设备。
进一步地，所述异常表征数据包括异常振动频谱图和异常温度频谱图；
获取异常智能制造设备的异常表征数据，包括：
a1：获取异常智能制造设备的发动机转速R，以及获取发动转速R下异常智能制造设备的振动信号数据；以振动信号数据中的时间为横轴，以振动信号数据中的振幅为纵轴，构建振动时域图；
a2：根据T个振动周期对振动时域图进行等份划分，以获取实际振动波形集合，所述实际振动波形集合中包括H个实际振动波形，T为大于零的正整数；
a3：提取实际振动波形集合中第h个实际振动波形，h为大于零的正整数，h的初始值为1；
a4：获取发动机转速R的对应转速区间，提取对应转速区间相关联的标准振动波形，计算实际振动波形与标准振动波形的相似度，若实际振动波形与标准振动波形的相似度大于等于预设振动相似阈值，则跳到步骤a5；若实际振动波形与标准振动波形的相似度小于预设振动相似阈值，则将实际振动波形标记为异常振动波形，并跳到步骤a5；
a5：令h=h+1，并跳转回步骤a3；
a6：重复上述步骤a3～a5，直至h=H时，结束循环，得到多个异常振动波形；
a7：提取每个异常振动波形对应的相似度，将相似度最小的异常振动波形进行傅里叶变换，以得到异常振动频谱图。
进一步地，所述获取异常智能制造设备的异常表征数据，还包括：
b1：获取异常智能制造设备的发动机转速R，以及获取发动机转速R下异常智能制造设备的温度信号数据；以温度信号数据中的时间为横轴，以温度信号数据中的温度值为纵轴，构建温度时域图；
b2：根据W个温度周期对温度时域图进行等份划分，以获取实际温度波形集合，所述实际温度波形集合中包括Q个实际温度波形，W为大于零的正整数；
b3：提取实际温度波形集合中第q个实际温度波形，q为大于零的正整数，q的初始值为1；
b4：获取发动机转速R的对应转速区间，提取对应转速区间相关联的标准温度波形，计算实际温度波形与标准温度波形的相似度，若实际温度波形与标准温度波形的相似度大于等于预设温度相似阈值，则跳到步骤b5；若实际温度波形与标准温度波形的相似度小于预设温度相似阈值，则将实际温度波形标记为异常温度波形，并跳到步骤b5；
b5：令q=q+1，并跳转回步骤b3；
b6：重复上述步骤b3～b5，直至q=Q时，结束循环，得到多个异常温度波形；
b7：提取每个异常温度波形对应的相似度，将相似度最小的异常温度波形进行傅里叶变换，以得到异常温度频谱图。
进一步地，所述确定异常智能制造设备的故障属性数据，包括：
获取异常智能制造设备的异常振动频谱图和异常温度频谱图；
将异常振动频谱图和异常温度频谱图输入属性数据识别模型中，以确定异常智能制造设备的故障属性数据。
进一步地，属性数据识别模型的生成逻辑为：获取预存于***数据库中用于训练属性数据识别模型的第二历史样本数据，所述第二历史样本数据中包括异常振动频谱图、异常温度频谱图、故障部件和故障部件区位；将用于训练属性数据识别模型的第二历史样本数据划分为属性训练集和属性测试集，构建回归网络模型，将属性训练集中异常振动频谱图和异常温度频谱图作为回归网络模型的输入，将属性训练集中的故障部件和故障部件区位作为回归网络模型的输出，对回归网络模型进行训练，以获取初始回归网络模型；利用和属性测试集对初始回归网络模型进行模型测试，筛选大于等于预设测试准确度的对应初始回归网络模型作为属性数据识别模型。
进一步地，所述确定异常智能制造设备的故障原因，包括：
c1：根据故障部件与正常电压波动区间的预设关系，提取正常电压波动区间；所述正常电压波动区间最大正常电压和最小正常电压/>；
c2：将实测电压集合与正常电压波动区间进行比对，获取实测电压集合中大于最大正常电压的实测电压以及获取实测电压集合中小于最小正常电压/>的实测电压；
c3：将大于最大正常电压的实测电压作为第一实测电压，以及将小于最小正常电压的实测电压作为第二实测电压；
c4：分别统计第一实测电压和第二实测电压的个数，得到第一实测电压的总数和第二实测电压的总数；
c5：将第一实测电压的总数和第二实测电压的总数进行比较，若第一实测电压的总数大于等于第二实测电压的总数，则获取第一实测电压的均值，并跳转到步骤c6；若第一实测电压的总数小于第二实测电压的总数，则获取第二实测电压的均值，并跳转到步骤c7；
c6：将第一实测电压的均值作为第一均值，将第一均值与多个故障原因关联的标准故障电压波动区间进行比较，获取第一均值落入的对应标准故障电压波动区间；将对应标准故障电压波动区间的对应故障原因作为异常智能制造设备的故障原因；
c7：将第二实测电压的均值作为第二均值，将第二均值与多个故障原因关联的标准故障电压波动区间进行比较，获取第二均值落入的对应标准故障电压波动区间；将对应标准故障电压波动区间的对应故障原因作为异常智能制造设备的故障原因。
一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于工业物联网的生产过程全流程故障检测方法。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被执行时实现上述基于工业物联网的生产过程全流程故障检测方法。
相比于现有技术，本发明的有益效果在于：
1．本申请公开了一种基于工业物联网的生产过程全流程故障检测方法，首先，获取每个智能制造设备的第二运行状态系数，基于第二运行状态系数确定预定生产时间区间内的异常智能制造设备；接着，获取异常智能制造设备的异常表征数据，根据异常表征数据确定异常智能制造设备的故障属性数据，基于故障属性数与故障分析数据之间的预设关系，确定故障属性数据对应的故障分析数据；最后，根据故障部件区位采集故障部件在预设时间范围内的实测电压集合，基于实测电压数据确定异常智能制造设备的故障原因；实测电压集合包括多个实测电压；基于上述步骤，本发明及时发现异常智能制造设备，以及无法确定异常智能制造设备的异常组件。
2．本申请公开了一种基于工业物联网的生产过程全流程故障检测方法，基于故障属性数与故障分析数据之间的预设关系，确定故障属性数据对应的故障分析数据，有利于及时确定异常智能制造设备的故障原因；此外，相较于云端远程监控的方式，本发明设备数据采集、分析和告警均在设备端实现，从而有利于保证在不停机运行同时，使得设备故障告警信息更快地响应；进而有利于保障智能车间的生产稳定性。
附图说明
图1为本发明提供的基于工业物联网的生产过程全流程故障检测方法的示意图；
图2为本发明提供的一种获取异常表征数据的逻辑示意图；
图3为本发明提供的另一种获取异常表征数据的逻辑示意图；
图4为本发明提供的确定异常智能制造设备的故障原因的逻辑示意图；
图5为本发明提供的一种电子设备的结构示意图。
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。
实施例1
请参阅图1所示，本实施例公开提供了基于工业物联网的生产过程全流程故障检测方法，所述方法包括：
S101：获取每个智能制造设备的第二运行状态系数，基于所述第二运行状态系数确定预定生产时间区间内的异常智能制造设备；
应当了解的是：本发明应用于边缘端的数字化的智能车间，在智能车间中存在M条基于工业物联网的自动化生产线，M为大于零的正整数，在每条自动化生产线中均部署有多个智能制造设备，每个智能制造设备均在各自预定生产时间区间内执行自动化的加工生产；所述智能制造设备中内置有若干传感器，所述智能车间安装有若干摄像装置，所述传感器包括但不限于振动传感器、温度传感器、转速传感器和电压传感器；
在实施中，所述获取每个智能制造设备的第二运行状态系数，包括：
获取当前时刻T，确定当前时刻T所属的预定生产时间区间；基于预定生产时间区间与智能制造设备集合的预设关系，确定当前时刻T下的智能制造设备集合，所述智能制造设备集合包括与每个预定生产时间区间对应的N个智能制造设备以及每个对应的智能制造设备的唯一标识数据，N为大于零的整数；
需要说明的是：***数据库中预存有多个预定生产时间区间与智能制造设备集合的预设关系；进一步示例性说明就是，假设存在3条自动化生产线，每条自动化生产线均存在一个智能制造设备，分别为m1、m2和m3；其中，m1的预定生产时间区间为9点至10点，m2的预定生产时间区间为14点至15点，m3预定生产时间区间为15点至16点；因此，在此种情况则存在3个预定生产时间区间与智能制造设备集合的预设关系，分别就是预定生产时间区间（9点至10点）与智能制造设备集合的预设关系、预定生产时间区间（14点至15点）与智能制造设备集合的预设关系和预定生产时间区间（15点至16点）与智能制造设备集合的预设关系；若此时当前时刻T为9点30分，则此时，所确定的当前时刻T下的智能制造设备集合，则为m1；
将预定生产时间区间和与预定生产时间区间对应的智能制造设备的唯一标识数据输入预构建的系数回归模型中，以获取每个智能制造设备的运行状态系数；
需要说明的是：唯一标识数据为机器标识符或机器码中的一种，其包括但不限于MAC地址、IP地址、序列号、UUID（通用唯一标识符）或其他自定义标识符，对此本发明不做过多限定；
具体的，所述系数回归模型的预构建逻辑为：获取预存于***数据库中用于训练系数回归模型的第一历史样本数据，所述第一历史样本数据中包括预定生产时间区间、与预定生产时间区间对应的智能制造设备的唯一标识数据以及智能制造设备的第二运行状态系数；将用于训练系数回归模型的第一历史样本数据划分为系数训练集和系数测试集，构建回归网络模型，将系数训练集中的预定生产时间区间以及与预定生产时间区间对应的智能制造设备的唯一标识数据作为回归网络模型的输入，将系数训练集中智能制造设备的第二运行状态系数作为回归网络模型的输出，对回归网络模型进行训练，以获取初始回归网络模型；利用均方误差算法对初始回归网络模型进行模型效果评价，筛选大于等于预设评价值的对应初始回归网络模型作为系数回归模型；
其中，所述回归网络模型包括但不限于随机森林回归算法模型、支持向量机回归算法模型、Xgboost回归算法模型、K近邻回归算法模型、神经网络算法模型及长短期记忆网络算法模型等等；所述均方误差算法计算公式如下：，式中：/>表示评价值，/>表示特征样本，/>表示系数测试集，/>表示真实值，/>表示预测值，/>表示系数测试集中测试样本数量；
具体的，所述第二运行状态系数的生成逻辑如下：
获取智能制造设备的运行状态数据；所述运行状态数据包括一定时间内的生产任务量、单件产品的加工质量系数和单件产品的加工速度；
基于智能制造设备与修正系数的预设关系，提取每个智能制造设备的修正系数；
基于运行状态数据和修正系数进行公式化计算，以获取每个智能制造设备的第二运行状态系数；其计算公式为：；式中：/>表示第二运行状态系数，/>表示单位时间内的生产任务量，/>表示完成第i个单件产品的加工质量系数，/>表示第i个单件产品的加工速度，/>表示修正系数，/>表示自然常数；
其中，所述第i个单件产品的加工质量系数的生成逻辑如下：
通过摄像装置获取每个单件产品加工后的图像；以及提取预存于***数据库中与单件产品对应的标准加工图像；
将单件产品加工后的图像作为第一加工图像，以及将与单件产品对应的标准加工图像作为第二加工图像；
根据相同的划分规则将第一加工图像和第二加工图像均划分为多个区域；
将第一加工图像和第二加工图像相同位置区域的像素点进行逐一比较，并记录第一加工图像和第二加工图像存在差异的差异区域；
需要说明的是：第一加工图像和第二加工图像中划分区域的划分方式和区域的大小完全相同，接着将第一加工图像和第二加工图像中相同位置的区域进行一一比较，两个相同位置的区域采用的比较方式为每个像素点进行逐一比较，若两个相同位置的区域存在差异的像素点超过一定的百分比，则判断两个相同部位的区域存在差异；
统计存在差异的差异区域的数量，得到差异区域总数，将差异区域总数作为单件产品的加工质量系数；
应当了解的是：单件产品的加工质量系数越大，则说明单件产品的缺陷越严重，对应智能制造设备的加工质量也就越低，相反，则加工质量也就越高；单件产品的加工速度越大，则说明对应智能制造设备的运行动作就越不流畅，相反，则运行动作流畅；一定时间内的生产任务量越大，则说明对应智能制造设备的加工效率越高，相反，则加工效率越低；
其中，根据修正系数根据智能制造设备的故障概率赋值得到；所述智能制造设备的故障概率的计算公式为：(/>) ；式中：/>表示故障概率，表示智能制造设备的历史故障次数，/>表示智能制造设备的设定故障次数，表示智能制造设备的历史维护次数，/>表示智能制造设备的设定维护次数；
应当了解的是：历史故障次数并不等于历史维护次数，这是因为，对于智能制造设备而言，在某些情况下会因突发性原因而造成停机，但人为重启后智能制造设备仍可继续正常运行，而对于人为重启后智能制造设备仍可继续正常运行的情况，其并不属于故障范畴，但将其纳入维护范围；
在实施中，确定预定生产时间区间内的异常智能制造设备，包括：
提取异常智能制造设备的第一运行状态系数；
需要说明的是：第一运行状态系数的计算过程同上述第二运行状态系数的生成过程，详情参照上文，在此对其不再过多赘述；
将第一运行状态系数与第二运行状态系数进行比对，若第一运行状态系数大于等于第二运行状态系数，则判定对应的智能制造设备为正常智能制造设备；
若第一运行状态系数小于第二运行状态系数，则判定对应的智能制造设备为异常智能制造设备；
S102：获取异常智能制造设备的异常表征数据，根据异常表征数据确定异常智能制造设备的故障属性数据，基于故障属性数与故障分析数据之间的预设关系，确定故障属性数据对应的故障分析数据，所述故障分析数据包括Z个故障原因以及与多个故障原因关联的标准故障电压波动区间；所述故障属性数据包括故障部件和故障部件区位，Z为大于零的正整数；
具体的，所述异常表征数据包括异常振动频谱图和异常温度频谱图；
在一个具体实施方式中，如图2（获取异常表征数据的逻辑示意图）所示，获取异常智能制造设备的异常表征数据，包括：
a1：获取异常智能制造设备的发动机转速R，以及获取发动转速R下异常智能制造设备的振动信号数据；以振动信号数据中的时间为横轴，以振动信号数据中的振幅为纵轴，构建振动时域图；
a2：根据T个振动周期对振动时域图进行等份划分，以获取实际振动波形集合，所述实际振动波形集合中包括H个实际振动波形，T为大于零的正整数；
a3：提取实际振动波形集合中第h个实际振动波形，h为大于零的正整数，h的初始值为1；
a4：获取发动机转速R的对应转速区间，提取对应转速区间相关联的标准振动波形，计算实际振动波形与标准振动波形的相似度，若实际振动波形与标准振动波形的相似度大于等于预设振动相似阈值，则跳到步骤a5；若实际振动波形与标准振动波形的相似度小于预设振动相似阈值，则将实际振动波形标记为异常振动波形，并跳到步骤a5；
需要说明的是：***数据库中预存有多个转速区间，每个转速区间均关联有一个标准振动波形，该标准振动波形反映了智能制造设备在无故障情况下的正常振动表征；
a5：令h=h+1，并跳转回步骤a3；
a6：重复上述步骤a3～a5，直至h=H时，结束循环，得到多个异常振动波形；
a7：提取每个异常振动波形对应的相似度，将相似度最小的异常振动波形进行傅里叶变换，以得到异常振动频谱图；
应当了解的是：所述傅里叶变换具体为快速傅里叶变换或短时傅里叶变换中的一种；
在一个具体实施方式中，如图3（另一种获取异常表征数据的逻辑示意图）所示，所述获取异常智能制造设备的异常表征数据，还包括：
b1：获取异常智能制造设备的发动机转速R，以及获取发动机转速R下异常智能制造设备的温度信号数据；以温度信号数据中的时间为横轴，以温度信号数据中的温度值为纵轴，构建温度时域图；
b2：根据W个温度周期对温度时域图进行等份划分，以获取实际温度波形集合，所述实际温度波形集合中包括Q个实际温度波形，W为大于零的正整数；
b3：提取实际温度波形集合中第q个实际温度波形，q为大于零的正整数，q的初始值为1；
b4：获取发动机转速R的对应转速区间，提取对应转速区间相关联的标准温度波形，计算实际温度波形与标准温度波形的相似度，若实际温度波形与标准温度波形的相似度大于等于预设温度相似阈值，则跳到步骤b5；若实际温度波形与标准温度波形的相似度小于预设温度相似阈值，则将实际温度波形标记为异常温度波形，并跳到步骤b5；
需要说明的是：每个转速区间还均关联有一个标准温度波形，该标准温度波形反映了智能制造设备在无故障情况下的正常温度表征；
b5：令q=q+1，并跳转回步骤b3；
b6：重复上述步骤b3～b5，直至q=Q时，结束循环，得到多个异常温度波形；
b7：提取每个异常温度波形对应的相似度，将相似度最小的异常温度波形进行傅里叶变换，以得到异常温度频谱图；
在实施中，所述确定异常智能制造设备的故障属性数据，包括：
获取异常智能制造设备的异常振动频谱图和异常温度频谱图；
将异常振动频谱图和异常温度频谱图输入属性数据识别模型中，以确定异常智能制造设备的故障属性数据；
具体的，属性数据识别模型的生成逻辑为：获取预存于***数据库中用于训练属性数据识别模型的第二历史样本数据，所述第二历史样本数据中包括异常振动频谱图、异常温度频谱图、故障部件和故障部件区位；将用于训练属性数据识别模型的第二历史样本数据划分为属性训练集和属性测试集，构建回归网络模型，将属性训练集中异常振动频谱图和异常温度频谱图作为回归网络模型的输入，将属性训练集中的故障部件和故障部件区位作为回归网络模型的输出，对回归网络模型进行训练，以获取初始回归网络模型；利用和属性测试集对初始回归网络模型进行模型测试，筛选大于等于预设测试准确度的对应初始回归网络模型作为属性数据识别模型；
其中，所述回归网络模型包括但不限于随机森林回归算法模型和支持向量机回归算法模型以及神经网络算法模型等等；
S103：根据故障部件区位采集故障部件在预设时间范围内的实测电压集合，基于实测电压数据确定异常智能制造设备的故障原因；所述实测电压集合包括多个实测电压；
在实施中，如图3（确定异常智能制造设备的故障原因的逻辑示意图）所示，所述确定异常智能制造设备的故障原因，包括：
c1：根据故障部件与正常电压波动区间的预设关系，提取正常电压波动区间；所述正常电压波动区间最大正常电压和最小正常电压/>；
需要说明的是：***数据库中预存有多个在不同情况下（如工作温度、运行时间和设备功率）的正常电压波动区间，每个正常电压波动区间反映了智能制造设备在无故障情况下的正常电压波动范围；
c2：将实测电压集合与正常电压波动区间进行比对，获取实测电压集合中大于最大正常电压的实测电压以及获取实测电压集合中小于最小正常电压/>的实测电压；
c3：将大于最大正常电压的实测电压作为第一实测电压，以及将小于最小正常电压的实测电压作为第二实测电压；
c4：分别统计第一实测电压和第二实测电压的个数，得到第一实测电压的总数和第二实测电压的总数；
c5：将第一实测电压的总数和第二实测电压的总数进行比较，若第一实测电压的总数大于等于第二实测电压的总数，则获取第一实测电压的均值，并跳转到步骤c6；若第一实测电压的总数小于第二实测电压的总数，则获取第二实测电压的均值，并跳转到步骤c7；
c6：将第一实测电压的均值作为第一均值，将第一均值与多个故障原因关联的标准故障电压波动区间进行比较，获取第一均值落入的对应标准故障电压波动区间；将对应标准故障电压波动区间的对应故障原因作为异常智能制造设备的故障原因；
c7：将第二实测电压的均值作为第二均值，将第二均值与多个故障原因关联的标准故障电压波动区间进行比较，获取第二均值落入的对应标准故障电压波动区间；将对应标准故障电压波动区间的对应故障原因作为异常智能制造设备的故障原因。
实施例2
本实施例公开提供了一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述各方法所提供的任一项所述基于工业物联网的生产过程全流程故障检测方法。
由于本实施例所介绍的电子设备为实施本申请实施例中基于工业物联网的生产过程全流程故障检测方法所采用的电子设备，故而基于本申请实施例中所介绍的基于工业物联网的生产过程全流程故障检测方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中基于工业物联网的生产过程全流程故障检测方法所采用的电子设备，都属于本申请所欲保护的范围。
实施例3
本实施例公开提供了一种计算机可读存储介质，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述各方法所提供的任一项所述基于工业物联网的生产过程全流程故障检测方法。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数、权重以及阈值选取由本领域的技术人员根据情况进行设置。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一 种，实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
最后：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，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 (13)
1.基于工业物联网的生产过程全流程故障检测方法，其特征在于，所述方法包括：
获取每个智能制造设备的第二运行状态系数，基于所述第二运行状态系数确定预定生产时间区间内的异常智能制造设备；
获取异常智能制造设备的异常表征数据，根据异常表征数据确定异常智能制造设备的故障属性数据，基于故障属性数与故障分析数据之间的预设关系，确定故障属性数据对应的故障分析数据，所述故障分析数据包括Z个故障原因以及与多个故障原因关联的标准故障电压波动区间；所述故障属性数据包括故障部件和故障部件区位，Z为大于零的正整数；
根据故障部件区位采集故障部件在预设时间范围内的实测电压集合，基于实测电压数据确定异常智能制造设备的故障原因；所述实测电压集合包括多个实测电压。
2.根据权利要求1所述的基于工业物联网的生产过程全流程故障检测方法，其特征在于，所述获取每个智能制造设备的第二运行状态系数，包括：
获取当前时刻T，确定当前时刻T所属的预定生产时间区间；基于预定生产时间区间与智能制造设备集合的预设关系，确定当前时刻T下的智能制造设备集合，所述智能制造设备集合包括与每个预定生产时间区间对应的N个智能制造设备以及每个对应的智能制造设备的唯一标识数据，N为大于零的整数；
将预定生产时间区间和与预定生产时间区间对应的智能制造设备的唯一标识数据输入预构建的系数回归模型中，以获取每个智能制造设备的运行状态系数。
3.根据权利要求2所述的基于工业物联网的生产过程全流程故障检测方法，其特征在于，所述系数回归模型的预构建逻辑为：获取预存于***数据库中用于训练系数回归模型的第一历史样本数据，所述第一历史样本数据中包括预定生产时间区间、与预定生产时间区间对应的智能制造设备的唯一标识数据以及智能制造设备的第二运行状态系数；将用于训练系数回归模型的第一历史样本数据划分为系数训练集和系数测试集，构建回归网络模型，将系数训练集中的预定生产时间区间以及与预定生产时间区间对应的智能制造设备的唯一标识数据作为回归网络模型的输入，将系数训练集中智能制造设备的第二运行状态系数作为回归网络模型的输出，对回归网络模型进行训练，以获取初始回归网络模型；利用均方误差算法对初始回归网络模型进行模型效果评价，筛选大于等于预设评价值的对应初始回归网络模型作为系数回归模型。
4.根据权利要求3所述的基于工业物联网的生产过程全流程故障检测方法，其特征在于，所述第二运行状态系数的生成逻辑如下：
获取智能制造设备的运行状态数据；所述运行状态数据包括一定时间内的生产任务量、单件产品的加工质量系数和单件产品的加工速度；
基于智能制造设备与修正系数的预设关系，提取每个智能制造设备的修正系数；
基于运行状态数据和修正系数进行公式化计算，以获取每个智能制造设备的第二运行状态系数；其计算公式为：；式中：/>表示第二运行状态系数，/>表示单位时间内的生产任务量，/>表示完成第i个单件产品的加工质量系数，/>表示第i个单件产品的加工速度，/>表示修正系数，/>表示自然常数。
5.根据权利要求4所述的基于工业物联网的生产过程全流程故障检测方法，其特征在于，所述第i个单件产品的加工质量系数的生成逻辑如下：
通过摄像装置获取每个单件产品加工后的图像；以及提取预存于***数据库中与单件产品对应的标准加工图像；
将单件产品加工后的图像作为第一加工图像，以及将与单件产品对应的标准加工图像作为第二加工图像；
根据相同的划分规则将第一加工图像和第二加工图像均划分为多个区域；
将第一加工图像和第二加工图像相同位置区域的像素点进行逐一比较，并记录第一加工图像和第二加工图像存在差异的差异区域；
统计存在差异的差异区域的数量，得到差异区域总数，将差异区域总数作为单件产品的加工质量系数。
6.根据权利要求5所述的基于工业物联网的生产过程全流程故障检测方法，其特征在于，确定预定生产时间区间内的异常智能制造设备，包括：
提取异常智能制造设备的第一运行状态系数；
将第一运行状态系数与第二运行状态系数进行比对，若第一运行状态系数大于等于第二运行状态系数，则判定对应的智能制造设备为正常智能制造设备；
若第一运行状态系数小于第二运行状态系数，则判定对应的智能制造设备为异常智能制造设备。
7.根据权利要求6所述的基于工业物联网的生产过程全流程故障检测方法，其特征在于，所述异常表征数据包括异常振动频谱图和异常温度频谱图；
获取异常智能制造设备的异常表征数据，包括：
a1：获取异常智能制造设备的发动机转速R，以及获取发动转速R下异常智能制造设备的振动信号数据；以振动信号数据中的时间为横轴，以振动信号数据中的振幅为纵轴，构建振动时域图；
a2：根据T个振动周期对振动时域图进行等份划分，以获取实际振动波形集合，所述实际振动波形集合中包括H个实际振动波形，T为大于零的正整数；
a3：提取实际振动波形集合中第h个实际振动波形，h为大于零的正整数，h的初始值为1；
a4：获取发动机转速R的对应转速区间，提取对应转速区间相关联的标准振动波形，计算实际振动波形与标准振动波形的相似度，若实际振动波形与标准振动波形的相似度大于等于预设振动相似阈值，则跳到步骤a5；若实际振动波形与标准振动波形的相似度小于预设振动相似阈值，则将实际振动波形标记为异常振动波形，并跳到步骤a5；
a5：令h=h+1，并跳转回步骤a3；
a6：重复上述步骤a3～a5，直至h=H时，结束循环，得到多个异常振动波形；
a7：提取每个异常振动波形对应的相似度，将相似度最小的异常振动波形进行傅里叶变换，以得到异常振动频谱图。
8.根据权利要求7所述的基于工业物联网的生产过程全流程故障检测方法，其特征在于，所述获取异常智能制造设备的异常表征数据，还包括：
b1：获取异常智能制造设备的发动机转速R，以及获取发动机转速R下异常智能制造设备的温度信号数据；以温度信号数据中的时间为横轴，以温度信号数据中的温度值为纵轴，构建温度时域图；
b2：根据W个温度周期对温度时域图进行等份划分，以获取实际温度波形集合，所述实际温度波形集合中包括Q个实际温度波形，W为大于零的正整数；
b3：提取实际温度波形集合中第q个实际温度波形，q为大于零的正整数，q的初始值为1；
b4：获取发动机转速R的对应转速区间，提取对应转速区间相关联的标准温度波形，计算实际温度波形与标准温度波形的相似度，若实际温度波形与标准温度波形的相似度大于等于预设温度相似阈值，则跳到步骤b5；若实际温度波形与标准温度波形的相似度小于预设温度相似阈值，则将实际温度波形标记为异常温度波形，并跳到步骤b5；
b5：令q=q+1，并跳转回步骤b3；
b6：重复上述步骤b3～b5，直至q=Q时，结束循环，得到多个异常温度波形；
b7：提取每个异常温度波形对应的相似度，将相似度最小的异常温度波形进行傅里叶变换，以得到异常温度频谱图。
9.根据权利要求8所述的基于工业物联网的生产过程全流程故障检测方法，其特征在于，所述确定异常智能制造设备的故障属性数据，包括：
获取异常智能制造设备的异常振动频谱图和异常温度频谱图；
将异常振动频谱图和异常温度频谱图输入属性数据识别模型中，以确定异常智能制造设备的故障属性数据。
10.根据权利要求9所述的基于工业物联网的生产过程全流程故障检测方法，其特征在于，属性数据识别模型的生成逻辑为：获取预存于***数据库中用于训练属性数据识别模型的第二历史样本数据，所述第二历史样本数据中包括异常振动频谱图、异常温度频谱图、故障部件和故障部件区位；将用于训练属性数据识别模型的第二历史样本数据划分为属性训练集和属性测试集，构建回归网络模型，将属性训练集中异常振动频谱图和异常温度频谱图作为回归网络模型的输入，将属性训练集中的故障部件和故障部件区位作为回归网络模型的输出，对回归网络模型进行训练，以获取初始回归网络模型；利用和属性测试集对初始回归网络模型进行模型测试，筛选大于等于预设测试准确度的对应初始回归网络模型作为属性数据识别模型。
11.根据权利要求10所述的基于工业物联网的生产过程全流程故障检测方法，其特征在于，所述确定异常智能制造设备的故障原因，包括：
c1：根据故障部件与正常电压波动区间的预设关系，提取正常电压波动区间；所述正常电压波动区间最大正常电压和最小正常电压/>；
c2：将实测电压集合与正常电压波动区间进行比对，获取实测电压集合中大于最大正常电压的实测电压以及获取实测电压集合中小于最小正常电压/>的实测电压；
c3：将大于最大正常电压的实测电压作为第一实测电压，以及将小于最小正常电压的实测电压作为第二实测电压；
c4：分别统计第一实测电压和第二实测电压的个数，得到第一实测电压的总数和第二实测电压的总数；
c5：将第一实测电压的总数和第二实测电压的总数进行比较，若第一实测电压的总数大于等于第二实测电压的总数，则获取第一实测电压的均值，并跳转到步骤c6；若第一实测电压的总数小于第二实测电压的总数，则获取第二实测电压的均值，并跳转到步骤c7；
c6：将第一实测电压的均值作为第一均值，将第一均值与多个故障原因关联的标准故障电压波动区间进行比较，获取第一均值落入的对应标准故障电压波动区间；将对应标准故障电压波动区间的对应故障原因作为异常智能制造设备的故障原因；
c7：将第二实测电压的均值作为第二均值，将第二均值与多个故障原因关联的标准故障电压波动区间进行比较，获取第二均值落入的对应标准故障电压波动区间；将对应标准故障电压波动区间的对应故障原因作为异常智能制造设备的故障原因。
12.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至11中任一项所述的基于工业物联网的生产过程全流程故障检测方法。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被执行时实现权利要求1至11中任一项所述的基于工业物联网的生产过程全流程故障检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311559137.6A CN117270514B (zh) | 2023-11-22 | 2023-11-22 | 基于工业物联网的生产过程全流程故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311559137.6A CN117270514B (zh) | 2023-11-22 | 2023-11-22 | 基于工业物联网的生产过程全流程故障检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117270514A true CN117270514A (zh) | 2023-12-22 |
| CN117270514B CN117270514B (zh) | 2024-01-26 |
Family
ID=89218179
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311559137.6A Active CN117270514B (zh) | 2023-11-22 | 2023-11-22 | 基于工业物联网的生产过程全流程故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117270514B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117707050A (zh) * | 2023-12-25 | 2024-03-15 | 上海滨捷机电有限公司 | 基于云计算的数控机床实时监控与数据分析***及方法 |
| CN117725541A (zh) * | 2024-02-07 | 2024-03-19 | 上海强华实业股份有限公司 | 退火炉运行状态智能监控与故障诊断*** |
| CN118139258A (zh) * | 2024-05-06 | 2024-06-04 | 深圳市洛丁光电有限公司 | 一种自适应容灾智能单灯控制方法及*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112345872A (zh) * | 2020-12-04 | 2021-02-09 | 中国南方电网有限责任公司超高压输电公司昆明局 | 基于深度置信网络的换流站二次回路异常识别和预警方法 |
| CN114859845A (zh) * | 2022-06-09 | 2022-08-05 | 中用科技有限公司 | 基于物联网控制器的智能工业数据管理*** |
| CN114912895A (zh) * | 2022-05-12 | 2022-08-16 | 卡奥斯工业智能研究院(青岛)有限公司 | 生产控制方法及*** |
| CN115146074A (zh) * | 2022-07-08 | 2022-10-04 | 北京航空航天大学杭州创新研究院 | 故障诊断图谱构建方法及相关装置 |
| CN115689341A (zh) * | 2022-10-20 | 2023-02-03 | 浙江链捷数字科技有限公司 | 一种基于柔性生产链的服装品质量管理方法及*** |
| US20230315062A1 (en) * | 2022-07-15 | 2023-10-05 | Chengdu Qinchuan Iot Technology Co., Ltd. | Industrial internet of things, mthods and mediums for early warning of descending function fault of equipment |
-
2023
- 2023-11-22 CN CN202311559137.6A patent/CN117270514B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112345872A (zh) * | 2020-12-04 | 2021-02-09 | 中国南方电网有限责任公司超高压输电公司昆明局 | 基于深度置信网络的换流站二次回路异常识别和预警方法 |
| CN114912895A (zh) * | 2022-05-12 | 2022-08-16 | 卡奥斯工业智能研究院(青岛)有限公司 | 生产控制方法及*** |
| CN114859845A (zh) * | 2022-06-09 | 2022-08-05 | 中用科技有限公司 | 基于物联网控制器的智能工业数据管理*** |
| CN115146074A (zh) * | 2022-07-08 | 2022-10-04 | 北京航空航天大学杭州创新研究院 | 故障诊断图谱构建方法及相关装置 |
| US20230315062A1 (en) * | 2022-07-15 | 2023-10-05 | Chengdu Qinchuan Iot Technology Co., Ltd. | Industrial internet of things, mthods and mediums for early warning of descending function fault of equipment |
| CN115689341A (zh) * | 2022-10-20 | 2023-02-03 | 浙江链捷数字科技有限公司 | 一种基于柔性生产链的服装品质量管理方法及*** |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117707050A (zh) * | 2023-12-25 | 2024-03-15 | 上海滨捷机电有限公司 | 基于云计算的数控机床实时监控与数据分析***及方法 |
| CN117707050B (zh) * | 2023-12-25 | 2024-05-07 | 上海滨捷机电有限公司 | 基于云计算的数控机床实时监控与数据分析***及方法 |
| CN117725541A (zh) * | 2024-02-07 | 2024-03-19 | 上海强华实业股份有限公司 | 退火炉运行状态智能监控与故障诊断*** |
| CN117725541B (zh) * | 2024-02-07 | 2024-04-16 | 上海强华实业股份有限公司 | 退火炉运行状态智能监控与故障诊断*** |
| CN118139258A (zh) * | 2024-05-06 | 2024-06-04 | 深圳市洛丁光电有限公司 | 一种自适应容灾智能单灯控制方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117270514B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117270514B (zh) | 基于工业物联网的生产过程全流程故障检测方法 | |
| US20210241544A1 (en) | Platform for analyzing health of heavy electric machine and analysis method using the same | |
| CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| Liao | Discovering prognostic features using genetic programming in remaining useful life prediction | |
| CN116879662B (zh) | 基于数据分析的变压器故障检测方法 | |
| Camci et al. | Feature evaluation for effective bearing prognostics | |
| CN112393931B (zh) | 检测方法、装置、电子设备和计算机可读介质 | |
| CN109613428A (zh) | 一种能像***及其在电机设备故障检测方法中的应用 | |
| CN112580858A (zh) | 设备参数预测分析方法及*** | |
| CN111122191A (zh) | 一种基于ewma控制的设备安康报警阈值设定方法 | |
| KR102545672B1 (ko) | 기계고장 진단 방법 및 장치 | |
| CN113742932A (zh) | 一种用于风电机组齿轮箱故障预测诊断的方法 | |
| EP4174601A1 (en) | System, apparatus and method for monitoring condition of an asset in technical installation | |
| CN117590159A (zh) | 一种基于深度学习的隧道电缆供电状态监测方法及*** | |
| CN117630800A (zh) | 一种电能表自动检定装置故障诊断方法及*** | |
| CN116500439A (zh) | 一种基于机器学习技术的电机在线故障监测方法和装置 | |
| CN117171366B (zh) | 用于电网调度运行态势的知识图谱构建方法及*** | |
| TWI586943B (zh) | enhanced-FFT線上機台振動量測系統與方法 | |
| CN117689269A (zh) | 一种智能手表加工阶段的故障溯源方法 | |
| CN116910677A (zh) | 一种工业仪表故障诊断方法及*** | |
| JP2023179851A (ja) | 装置状態評価システムおよび装置状態評価方法 | |
| US11463032B2 (en) | Detecting rotor anomalies by determining vibration trends during transient speed operation | |
| CN110532698B (zh) | 一种基于数据模型的工业设备振动特征值趋势预测方法 | |
| CN113591984A (zh) | 设备运行事件的检测方法、装置、电子设备和存储介质 | |
| CN117707050B (zh) | 基于云计算的数控机床实时监控与数据分析***及方法 |
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 |