CN117826712A - 一种工业互联网的设备运行智慧调度*** - Google Patents
一种工业互联网的设备运行智慧调度*** Download PDFInfo
- Publication number
- CN117826712A CN117826712A CN202311491747.7A CN202311491747A CN117826712A CN 117826712 A CN117826712 A CN 117826712A CN 202311491747 A CN202311491747 A CN 202311491747A CN 117826712 A CN117826712 A CN 117826712A
- Authority
- CN
- China
- Prior art keywords
- data
- unit
- fault
- adaptive
- self
- 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
- 238000012545 processing Methods 0.000 claims abstract description 37
- 230000003044 adaptive effect Effects 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 238000007405 data analysis Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000012800 visualization Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 21
- 239000002699 waste material Substances 0.000 abstract description 7
- 230000009467 reduction Effects 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 5
- 238000000034 method Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient 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
- 230000003449 preventive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000002994 raw material Substances 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
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智慧调度技术领域,具体地说,涉及一种工业互联网的设备运行智慧调度***。其包括采集处理单元、分析建模单元、预测故障单元、自适应调度单元、决策支持单元。本发明通过预测的故障数据并进行自适应调度,可以避免由设备故障和生产中断带来的生产效率下降,降低了资源利用率的浪费,将自适应调度的数据传入决策支持单元中,决策支持单元根据获取的其它历史数据、预测的故障数据和自适应调度的数据制定决策,将制定的决策数据传入自适应调度单元中,自适应调度单元根据制定的决策数据进行再次自适应调度,再次自适应调度可以针对实时的决策数据优化资源的分配和利用,确保资源合理利用,提高资源利用率,降低资源浪费。
Description
技术领域
本发明涉及智慧调度技术领域,具体地说,涉及一种工业互联网的设备运行智慧调度***。
背景技术
智慧调度是指通过运用先进的技术和智能化的手段,对各类资源进行有效配置和调度,以最优化的方式满足需求并提高效率的过程,应用于各种领域,例如工业(制造电子产品)、物流运输、能源管理,当在制造电子产品时,一些制造环节的产能会出现过载现象,导致生产过程中因设备负荷过大导致产品质量下降或出现故障,从而造成了资源的浪费或不平衡分配,不能确保资源的合理利用和分配,然而设备的故障还会增加生产延误和产品交付周期延长的风险情况,于是我们提供了一种工业互联网的设备运行智慧调度***。
发明内容
本发明的目的在于提供一种工业互联网的设备运行智慧调度***,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供一种工业互联网的设备运行智慧调度***,包括采集处理单元、分析建模单元、预测故障单元、自适应调度单元、决策支持单元;
所述采集处理单元用于利用传感器获取设备的参数、运行状态数据和其它历史数据并进行流式处理;
所述分析建模单元用于接收采集处理单元中处理后的数据和获取的其它历史数据,并根据处理后的数据进行运行状态影响的分析,再根据分析的运行状态影响数据和获取其它历史数据建立故障模型;
所述预测故障单元用于接收分析建模单元中故障模型数据并进行故障数据的预测;
所述自适应调度单元用于接收预测故障单元中预测的故障数据进行自适应调度;
所述决策支持单元用于接收采集处理单元中获取的其他历史数据、预测故障单元中预测的故障数据、自适应调度单元中自适应调度的数据并制定决策;
所述自适应调度单元根据预测的故障数据并进行自适应调度,将自适应调度的数据传入决策支持单元中,决策支持单元根据获取的其他历史数据、预测的故障数据和自适应调度的数据并制定决策,将制定的决策数据传入自适应调度单元中,自适应调度单元根据制定的决策数据进行再次自适应调度。
作为本技术方案的进一步改进,所述采集处理单元包括数据采集模块和数据处理模块;
所述数据处理模块用于接收数据采集模块中的数据并进行流式处理,将处理的数据传入分析建模单元中。
作为本技术方案的进一步改进,所述分析建模单元包括数据分析模块、故障模型模块和可视化模块;
所述数据分析模块用于接收数据处理模块中处理的数据,并利用大数据算法对处理的数据进行运行状态影响的分析;
所述故障模型模块用于接收数据分析模块中分析的运行状态影响数据和数据采集模块中获取的其它历史数据,并利用模型训练技术根据分析的运行状态影响数据和获取的其他历史数据建立故障模型,再利用模型评估技术根据故障模型进行故障原因的评估,将评估的故障原因数据传入预测故障单元中;
所述可视化模块用于接收数据分析模块中分析的运行状态影响数据并进行可视化。
作为本技术方案的进一步改进,所述预测故障单元用于接收故障模型模块中评估的故障原因数据,并利用逻辑预测算法根据评估的故障原因数据进行故障的预测,将预测的故障数据传入自适应调度单元中。
作为本技术方案的进一步改进,所述自适应调度单元用于接收预测故障单元中预测的故障数据,并利用优先调度算法根据预测的故障数据进行自适应调度,将自适应调度的数据传入决策支持单元中。
作为本技术方案的进一步改进,所述自适应调度单元中优先调度算法实现原理:
①、根据每个预测的故障数据计算其在等待队列中的等待时间;
②、再根据计算出的等待时间和预测的故障数据计算出其响应比;
③、从所有等待队列中选择具有最高响应比的预测的故障数据进行执行;
④、当预测的故障数据被选中执行后,根据执行情况更新等待队列中预测的故障数据和它们的响应比;
⑤、反复执行③和④,直到等待队列中的所有任务都被执行完毕,得出最终需要调度的参数。
作为本技术方案的进一步改进,所述决策支持单元用于接收数据采集模块中获取的其它历史数据、预测故障单元中预测的故障数据和自适应调度单元中自适应调度的数据,并利用分析决策算法根据获取的其它历史数据、预测的故障数据和自适应调度的数据制定决策。
作为本技术方案的进一步改进,所述决策支持单元中的分析决策算法公式:
其中,S表示制定的决策数据,f指的是获取的其它历史数据值,x表示在获取的其它历史数据过程中所反馈的误差参数值,Δα指的是预测的故障数据值,Δβ指的是自适应调度的数据值。
作为本技术方案的进一步改进,所述所述决策支持单元根据获取的其它历史数据、预测的故障数据和自适应调度的数据制定决策,将制定的决策数据传入自适应调度单元中并进行再次自适应调度。
与现有技术相比,本发明的有益效果:
该工业互联网的设备运行智慧调度***中,自适应调度单元通过预测的故障数据并进行自适应调度,可以避免由设备故障和生产中断带来的生产效率下降,降低了资源利用率的浪费,将自适应调度的数据传入决策支持单元中,决策支持单元根据获取的其它历史数据、预测的故障数据和自适应调度的数据制定决策,将制定的决策数据传入自适应调度单元中,自适应调度单元根据制定的决策数据进行再次自适应调度,避免在制造环节的产能会出现过载现象,由于生产过程中因设备负荷过大导致产品质量下降或出现故障,造成了资源的浪费或不平衡分配,因此再次自适应调度可以针对实时的决策数据优化资源的分配和利用,确保资源合理利用,提高资源利用率,降低资源浪费。
附图说明
图1为本发明的整体框图;
图2为本发明的采集处理单元框图;
图3为本发明的分析建模单元框图。
图中各个标号意义为:
1、采集处理单元;11、数据采集模块;12、数据处理模块;
2、分析建模单元;21、数据分析模块;22、故障模型模块;23、可视化模块;
3、预测故障单元;4、自适应调度单元;5、决策支持单元。
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
考虑到在制造电子产品时,一些制造环节的产能会出现过载现象,导致生产过程中因设备负荷过大导致产品质量下降或出现故障,从而造成了资源的浪费或不平衡分配,不能确保资源的合理利用和分配,然而设备的故障还会增加生产延误和产品交付周期延长的风险情况,于是我们提供了一种工业互联网的设备运行智慧调度***。
本发明提供一种工业互联网的设备运行智慧调度***,请参阅图1-图3,包括采集处理单元1、分析建模单元2、预测故障单元3、自适应调度单元4、决策支持单元5;
采集处理单元1用于利用传感器获取设备的参数、运行状态数据和其它历史数据并进行流式处理,分析建模单元2用于接收采集处理单元1中处理后的数据和获取的其它历史数据,并根据处理后的数据进行运行状态影响的分析,再根据分析的运行状态影响数据和获取其它历史数据建立故障模型,预测故障单元3用于接收分析建模单元2中故障模型数据并进行故障数据的预测,自适应调度单元4用于接收预测故障单元3中预测的故障数据进行自适应调度,决策支持单元5用于接收采集处理单元1中获取的其他历史数据、预测故障单元3中预测的故障数据、自适应调度单元4中自适应调度的数据并制定决策;
所述自适应调度单元4根据预测的故障数据并进行自适应调度,将自适应调度的数据传入决策支持单元5中,决策支持单元5根据获取的其他历史数据、预测的故障数据和自适应调度的数据并制定决策,将制定的决策数据传入自适应调度单元4中,自适应调度单元4根据制定的决策数据进行再次自适应调度,再次自适应调度可以根据实时的决策数据对***进行动态调整,使***能够适应不断变化的需求和环境,通过实时监测***状态和任务执行情况,再次自适应调度可以根据实际情况进行灵活调整,提高***的适应性。
以下是对上述单元进行的细化,请参阅图2-图3;
采集处理单元1包括数据采集模块11和数据处理模块12;
数据采集模块11利用传感器获取设备的参数(包括温度、压力、湿度、振动、电流、电压)、运行状态数据(包括开关状态、运行时间、工作模式、速度)和其它历史数据,其它历史数据包括故障数据(设备的故障状态、错误代码)、能源消耗数据(电力消耗、燃料消耗)、生产数据(包括产量、良品率、不良品数量)、维护和保养数据(设备的维护记录),将获取的数据传入数据处理模块12中,数据处理模块12用于接收数据采集模块11中的数据并进行流式处理,当对数据完成清洗后,则停止连续处理,流式处理主要是为了减少数据中的误差,提高数据的准确性,再将数据采集模块11中的数据进行存储,同时将处理的数据传入分析建模单元2中。
分析建模单元2包括数据分析模块21、故障模型模块22和可视化模块23;
数据分析模块21用于接收数据处理模块12中处理的数据,并利用大数据算法对处理的数据进行运行状态影响的分析,主要用于分析设备在运行状态时产生的影响,将分析的运行状态影响数据传入故障模型模块22中;
大数据算法公式:
dsy=α0×α1β;
其中,dsy表示分析的运行状态影响数据值,α0指的是接收处理的数据前的初始值,α1指的是处理的数据值,β代表着在接收处理的数据时所产生的误差值,通过分析设备的运行状态和相关影响因素,可以及早预测设备可能出现的故障和异常情况,提前发现故障可能帮助进行预防性维护,避免设备停机和损坏,提高生产效率和设备可靠性。
运行状态的影响因素情况:
①、利用大数据算法分析设备的运行温度和湿度对其性能和寿命有直接影响情况;
②、分析设备所承受过高的工作量和压力导致设备超载、运行不稳定或者故障的情况;
③、分析设备的能耗过高时,导致电力供应不足或不稳定的情况;
④、分析设备运行指标和故障历史情况。
故障模型模块22用于接收数据分析模块21中分析的运行状态影响数据和数据采集模块11中获取的其它历史数据(指的是设备的故障状态、错误代码),并利用模型训练技术根据分析的运行状态影响数据和获取的其他历史数据建立故障模型(用于收集分析运行状态时所产生的故障数据),再利用模型评估技术根据故障模型进行故障原因的评估,将评估的故障原因数据传入预测故障单元3中;
利用模型训练技术建立故障模型的实现原理:
①、创建训练数据集D,分析的运行状态影响数据集A,获取的其它历史数据集C,若D中的所有实例属于同一类A,将当影响数据标记为状态节点,并将该类作为该状态节点的类别标记;
②、若A为空集,将当前影响数据标记为空集,并将D中实例数最多的类作为该空集类别标记,计算每个故障数据的信息,选择故障信息最大的特征S作为当前状态节点的划分特征;
③、将当前状态节点的划分特征设置为S,根据S的每个可能取值,将数据集D划分为若干个子数据集Di,i=1,2,…,n;每个子数据集Di对应于特征S的一个取值;
④、再对于每个子数据集Di,将当前状态节点的子节点设置为所得到的子树,并将子树与对应的故障特征值关联,最终建立故障模型。
模型评估技术实现原理:
①、将故障模型数据比作测试集,测试集用于模型故障原因的评估;
②、在测试集上进行模型的测试,得到测试好的模型X,使用模型X进行评估,最终得到评估的故障原因结果。
可视化模块23用于接收数据分析模块21中分析的运行状态影响数据和决策支持单元5中制定的决策数据并进行可视化,便于后续进行查看。
预测故障单元3用于接收故障模型模块22中评估的故障原因数据,并利用逻辑预测算法根据评估的故障原因数据进行故障的预测,主要用于预测故障,便于后续的根据故障数据调度出准确的数值,同时将预测的故障数据传入自适应调度单元4中;
逻辑预测算法公式:
w=S/α*∑(β);
其中,w表示着预测的故障数据值,S指的是评估的故障原因数据值,α指的是在接收评估的故障原因数据时产生的反馈值,β指的是接收评估的故障原因数据所产生的时间差值,故障预测可以帮助准确预估设备的运行时间和维修时间,根据预测的故障情况,可以调整生产计划和资源分配,避免计划中断、减少生产停机时间,最大限度地利用资源。
自适应调度单元4用于接收预测故障单元3中预测的故障数据,并利用优先调度算法根据预测的故障数据进行自适应调度,主要用于根据预测的故障数据进行调度参数,避免后续再生产中产生故障,根据预测的故障数据进行自适应调度可以优化生产资源的利用,在设备故障预测阶段,可以合理调度相关的参数和原材料,避免资源的浪费和闲置,同时将自适应调度的数据传入决策支持单元5中。
自适应调度单元4中优先调度算法实现原理:
①、根据每个预测的故障数据计算其在等待队列中的等待时间等待时间是指任务进入等待队列后,到被选中执行之前所经过的时间;
②、再根据计算出的等待时间和预测的故障数据计算出其响应比响应比是任务的等待时间和任务的执行时间的比值;
③、从所有等待队列中选择具有最高响应比的预测的故障数据进行执行;
④、当预测的故障数据被选中执行后,根据执行情况更新等待队列中预测的故障数据和它们的响应比;
⑤、反复执行③和④,直到等待队列中的所有任务都被执行完毕,得出最终需要调度的参数。
决策支持单元5用于接收数据采集模块11中获取的其它历史数据、预测故障单元3中预测的故障数据和自适应调度单元4中自适应调度的数据,并利用分析决策算法根据获取的其它历史数据(指的是电力消耗、燃料消耗)、预测的故障数据和自适应调度的数据制定决策;
决策支持单元5中的分析决策算法公式:
其中,S表示制定的决策数据,f指的是获取的其它历史数据值(准确的说f是消耗能源的总和值),x表示在获取的其它历史数据过程中所反馈的误差参数值,Δα指的是预测的故障数据值,Δβ指的是自适应调度的数据值,基于历史数据、预测的故障数据和自适应调度的数据进行决策,可以优化运营流程和生产效率,可以识别潜在的瓶颈和改进机会,并采取相应的措施来实现更高效和优化的运营结果。
自适应调度单元4接收预测故障单元3中预测的故障数据并进行自适应调度,将自适应调度的数据传入决策支持单元5中,决策支持单元5根据获取的其它历史数据、预测的故障数据和自适应调度的数据制定决策,将制定的决策数据传入自适应调度单元4中,自适应调度单元4利用优先调度算法根据制定的决策数据进行再次自适应调度,避免在制造环节的产能会出现过载现象,由于生产过程中因设备负荷过大导致产品质量下降或出现故障,导致生产过程中因设备负荷过大导致产品质量下降或出现故障,从而造成了资源的浪费或不平衡分配,因此再次自适应调度参数可以针对实时的决策数据优化资源的分配和利用,确保资源合理利用,这里的优先调度算法与上述自适应调度单元4中的优先调度算法相同,但获取的数据不同;
利用优先调度算法根据制定的决策数据进行再次自适应调度的操作原理:
①、根据制定的决策数据计算其在等待队列中的等待时间等待时间是指任务进入等待队列后,到被选中执行之前所经过的时间;
②、再根据计算出的等待时间和制定的决策数据计算出其响应比响应比是任务的等待时间和任务的执行时间的比值;
③、从所有等待队列中选择具有最高响应比的制定的决策数据进行执行;
④、当制定的决策数据被选中执行后,根据执行情况更新等待队列中制定的决策数据和它们的响应比;
⑤、反复执行③和④,直到等待队列中的所有任务都被执行完毕,得出最终需要再次调度的参数。
使用流程:
预测故障单元3接收故障模型模块22中评估的故障原因数据,并根据评估的故障原因数据进行故障的预测,将预测的故障数据传入自适应调度单元4中并进行自适应调度,再将自适应调度的数据传入决策支持单元5中,决策支持单元5根据获取的其它历史数据、预测的故障数据和自适应调度的数据制定决策,将制定的决策数据传入自适应调度单元4中,自适应调度单元4根据制定的决策数据进行再次自适应调度。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种工业互联网的设备运行智慧调度***,其特征在于:包括采集处理单元(1)、分析建模单元(2)、预测故障单元(3)、自适应调度单元(4)、决策支持单元(5);
所述采集处理单元(1)用于利用传感器获取设备的参数、运行状态数据和其它历史数据并进行流式处理;
所述分析建模单元(2)用于接收采集处理单元(1)中处理后的数据和获取的其它历史数据,并根据处理后的数据进行运行状态影响的分析,再根据分析的运行状态影响数据和获取其它历史数据建立故障模型;
所述预测故障单元(3)用于接收分析建模单元(2)中故障模型数据并进行故障数据的预测;
所述自适应调度单元(4)用于接收预测故障单元(3)中预测的故障数据进行自适应调度;
所述决策支持单元(5)用于接收采集处理单元(1)中获取的其他历史数据、预测故障单元(3)中预测的故障数据、自适应调度单元(4)中自适应调度的数据并制定决策;
所述自适应调度单元(4)根据预测的故障数据并进行自适应调度,将自适应调度的数据传入决策支持单元(5)中,决策支持单元(5)根据获取的其他历史数据、预测的故障数据和自适应调度的数据并制定决策,将制定的决策数据传入自适应调度单元(4)中,自适应调度单元(4)根据制定的决策数据进行再次自适应调度。
2.根据权利要求1所述的工业互联网的设备运行智慧调度***,其特征在于:所述采集处理单元(1)包括数据采集模块(11)和数据处理模块(12);
所述数据处理模块(12)用于接收数据采集模块(11)中的数据并进行流式处理,将处理的数据传入分析建模单元(2)中。
3.根据权利要求2所述的工业互联网的设备运行智慧调度***,其特征在于:所述分析建模单元(2)包括数据分析模块(21)、故障模型模块(22)和可视化模块(23);
所述数据分析模块(21)用于接收数据处理模块(12)中处理的数据,并利用大数据算法对处理的数据进行运行状态影响的分析;
所述故障模型模块(22)用于接收数据分析模块(21)中分析的运行状态影响数据和数据采集模块(11)中获取的其它历史数据,并利用模型训练技术根据分析的运行状态影响数据和获取的其他历史数据建立故障模型,再利用模型评估技术根据故障模型进行故障原因的评估,将评估的故障原因数据传入预测故障单元(3)中;
所述可视化模块(23)用于接收数据分析模块(21)中分析的运行状态影响数据并进行可视化。
4.根据权利要求3所述的工业互联网的设备运行智慧调度***,其特征在于:所述预测故障单元(3)用于接收故障模型模块(22)中评估的故障原因数据,并利用逻辑预测算法根据评估的故障原因数据进行故障的预测,将预测的故障数据传入自适应调度单元(4)中。
5.根据权利要求4所述的工业互联网的设备运行智慧调度***,其特征在于:所述自适应调度单元(4)用于接收预测故障单元(3)中预测的故障数据,并利用优先调度算法根据预测的故障数据进行自适应调度,将自适应调度的数据传入决策支持单元(5)中。
6.根据权利要求5所述的工业互联网的设备运行智慧调度***,其特征在于:所述自适应调度单元(4)中优先调度算法实现原理:
①、根据每个预测的故障数据计算其在等待队列中的等待时间;
②、再根据计算出的等待时间和预测的故障数据计算出其响应比;
③、从所有等待队列中选择具有最高响应比的预测的故障数据进行执行;
④、当预测的故障数据被选中执行后,根据执行情况更新等待队列中预测的故障数据和它们的响应比;
⑤、反复执行③和④,直到等待队列中的所有任务都被执行完毕,得出最终需要调度的参数。
7.根据权利要求5所述的工业互联网的设备运行智慧调度***,其特征在于:所述决策支持单元(5)用于接收数据采集模块(11)中获取的其它历史数据、预测故障单元(3)中预测的故障数据和自适应调度单元(4)中自适应调度的数据,并利用分析决策算法根据获取的其它历史数据、预测的故障数据和自适应调度的数据制定决策。
8.根据权利要求7所述的工业互联网的设备运行智慧调度***,其特征在于:所述决策支持单元(5)中的分析决策算法公式:
其中,S表示制定的决策数据,f指的是获取的其它历史数据值,x表示在获取的其它历史数据过程中所反馈的误差参数值,Δα指的是预测的故障数据值,Δβ指的是自适应调度的数据值。
9.根据权利要求7所述的工业互联网的设备运行智慧调度***,其特征在于:所述决策支持单元(5)根据获取的其它历史数据、预测的故障数据和自适应调度的数据制定决策,将制定的决策数据传入自适应调度单元(4)中并进行再次自适应调度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311491747.7A CN117826712B (zh) | 2023-11-09 | 2023-11-09 | 一种工业互联网的设备运行智慧调度*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311491747.7A CN117826712B (zh) | 2023-11-09 | 2023-11-09 | 一种工业互联网的设备运行智慧调度*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117826712A true CN117826712A (zh) | 2024-04-05 |
CN117826712B CN117826712B (zh) | 2024-06-07 |
Family
ID=90504697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311491747.7A Active CN117826712B (zh) | 2023-11-09 | 2023-11-09 | 一种工业互联网的设备运行智慧调度*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117826712B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105096053A (zh) * | 2015-08-14 | 2015-11-25 | 哈尔滨工业大学 | 一种适用于复杂工艺***的健康管理决策方法 |
CN105873233A (zh) * | 2016-03-29 | 2016-08-17 | 西安电子科技大学 | 基于分层调度的IEEE802.11ax接入增强方法 |
CN109146093A (zh) * | 2018-08-08 | 2019-01-04 | 成都保源酷码科技有限公司 | 一种基于学习的电力设备现场勘查方法 |
CN113110330A (zh) * | 2021-04-15 | 2021-07-13 | 青岛港国际股份有限公司 | 一种基于全局最优匹配的agv动态调度管理方法 |
KR20220153774A (ko) * | 2021-05-12 | 2022-11-21 | 한국과학기술원 | 적응형 시스템의 통계적 검증 기반 예측적 적응 기법 |
WO2023070293A1 (zh) * | 2021-10-26 | 2023-05-04 | 大连理工大学 | 一种工业副产煤气***长期调度方法 |
CN116366643A (zh) * | 2022-12-12 | 2023-06-30 | 南京理工大学 | 一种工业移动机器人智慧运维的云边协同平台架构 |
-
2023
- 2023-11-09 CN CN202311491747.7A patent/CN117826712B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105096053A (zh) * | 2015-08-14 | 2015-11-25 | 哈尔滨工业大学 | 一种适用于复杂工艺***的健康管理决策方法 |
CN105873233A (zh) * | 2016-03-29 | 2016-08-17 | 西安电子科技大学 | 基于分层调度的IEEE802.11ax接入增强方法 |
CN109146093A (zh) * | 2018-08-08 | 2019-01-04 | 成都保源酷码科技有限公司 | 一种基于学习的电力设备现场勘查方法 |
CN113110330A (zh) * | 2021-04-15 | 2021-07-13 | 青岛港国际股份有限公司 | 一种基于全局最优匹配的agv动态调度管理方法 |
KR20220153774A (ko) * | 2021-05-12 | 2022-11-21 | 한국과학기술원 | 적응형 시스템의 통계적 검증 기반 예측적 적응 기법 |
WO2023070293A1 (zh) * | 2021-10-26 | 2023-05-04 | 大连理工大学 | 一种工业副产煤气***长期调度方法 |
CN116366643A (zh) * | 2022-12-12 | 2023-06-30 | 南京理工大学 | 一种工业移动机器人智慧运维的云边协同平台架构 |
Non-Patent Citations (3)
Title |
---|
PEIYUN ZHANG: "Adaptive and Dynamic Adjustment of Fault Detection Cycles in Cloud Computing", IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS, 31 January 2021 (2021-01-31), pages 20 - 30 * |
邱相存;臧洌;杨丹;董国良;: "实时***调度算法综述", 计算机与数字工程, no. 12, 20 December 2014 (2014-12-20), pages 2251 - 2258 * |
韩敏;乔陆;: "基于自适应容错机制的网络资源调度平台的设计", 现代电子技术, no. 10, 15 May 2016 (2016-05-15), pages 61 * |
Also Published As
Publication number | Publication date |
---|---|
CN117826712B (zh) | 2024-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110427712B (zh) | 一种基于故障影响分析的预防性维修方法及车间制造*** | |
Xia et al. | Energy-oriented maintenance decision-making for sustainable manufacturing based on energy saving window | |
Lin et al. | A PSO approach for the integrated maintenance model | |
Saez et al. | Modeling framework to support decision making and control of manufacturing systems considering the relationship between productivity, reliability, quality, and energy consumption | |
CN117539169B (zh) | 一种基于数字孪生的管理方法和*** | |
Feng et al. | Predictive maintenance decision making based on reinforcement learning in multistage production systems | |
JP2004503837A (ja) | 工場のトラフィック監視及び解析システム及び方法 | |
Silva et al. | Bottleneck reduction strategies for energy efficiency in the battery manufacturing | |
Yu et al. | A self-organized approach for scheduling semiconductor manufacturing systems | |
Li et al. | Data-enabled permanent production loss analysis for serial production systems with variable cycle time machines | |
CN117826712B (zh) | 一种工业互联网的设备运行智慧调度*** | |
CN117634836A (zh) | 一种基于矩阵分析的光伏电站清洗过程评估方法及*** | |
Endo et al. | Simplified Factory Energy Management System based on operational condition estimation by sensor data | |
Ren et al. | An Edge-Fog-Cloud Computing-Based Digital Twin Model for Prognostics Health Management of Process Manufacturing Systems | |
KR102411915B1 (ko) | 시설 및 장비 실시간 모니터링 및 이상 징후 ai 진단 서비스 제공 시스템 및 방법 | |
Kempa et al. | A discrete-time queueing model of a bottleneck with an energy-saving mechanism based on setup and shutdown times | |
Bratchikov | Modern Approaches for Equipment's Technical State Prediction | |
KR102556151B1 (ko) | IIoT 송신기를 이용한 에너지 다소비 식품업종에서의 생산정보를 머신러닝을 기반으로 예측하는 방법과 에너지 최적화하는 방법 | |
CN114414938B (zh) | 一种配电网故障的动态响应方法及*** | |
CN116773544B (zh) | 基于深度学习的钢结构板材故障检测方法及*** | |
CN117709891B (zh) | 一种基于erp和mes集成的智能工作流自动化*** | |
CN117833296B (zh) | 基于电力现货交易数据的储能装置性能优化***和方法 | |
WO2024065484A1 (zh) | 用于识别事件的方法、装置、设备和介质 | |
CN117829522A (zh) | 一种自适应模具制造管理***及方法 | |
Yun et al. | Assessing the Impacts of Real-Time Price Prediction Quality on Demand Response Management for Sustainable Smart Manufacturing |
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 |