本發(fā)明涉及工業(yè)自動化控制，具體為一種基于plc控制的層壓機遠程數(shù)據(jù)控制系統(tǒng)及方法。

背景技術(shù)：

1、在當(dāng)前的工業(yè)自動化領(lǐng)域，層壓機作為一種重要的生產(chǎn)設(shè)備，廣泛應(yīng)用于各類材料壓制和加工過程中。隨著技術(shù)的發(fā)展，對于層壓機運行狀態(tài)的實時監(jiān)控和遠程控制需求日益增加。傳統(tǒng)的層壓機控制系統(tǒng)通常只能實現(xiàn)現(xiàn)場操作和控制，無法滿足遠程監(jiān)控和管理的需求。plc(可編程邏輯控制器)作為一種強大的工業(yè)自動化控制設(shè)備，具有高度的可靠性和穩(wěn)定性，已經(jīng)被廣泛應(yīng)用于各種工業(yè)控制場合。利用plc進行控制，可以實現(xiàn)對層壓機運行狀態(tài)的精確監(jiān)控和精確控制，從而提高生產(chǎn)效率和產(chǎn)品質(zhì)量。

2、雖然，目前基于plc控制的層壓機遠程數(shù)據(jù)控制系統(tǒng)可以實現(xiàn)層壓機的遠程控制，但仍然存在不足之處。例如，現(xiàn)有技術(shù)通過plc來進行層壓機的遠程控制時，對于層壓機的故障檢測方面，往往是依賴于預(yù)先設(shè)定的故障模式和特征，這種故障檢測的方法存在一些局限性，特別是在處理新型故障或突發(fā)事件時表現(xiàn)不佳，因此可能無法及時響應(yīng)新出現(xiàn)的問題或異常情況。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于plc控制的層壓機遠程數(shù)據(jù)控制系統(tǒng)及方法，以解決上述背景技術(shù)中提出的問題。

2、為了解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：

3、一種基于plc控制的層壓機遠程數(shù)據(jù)控制方法，方法包括以下步驟：

4、步驟s100.從數(shù)據(jù)庫中獲取plc采集的層壓機運行的歷史傳感器數(shù)據(jù)，根據(jù)數(shù)據(jù)庫中的層壓機故障日志記錄的故障事件時間戳，將歷史傳感器數(shù)據(jù)與故障事件時間戳進行對應(yīng)；基于對應(yīng)結(jié)果，針對每一故障事件，都獲取故障事件所在時間段的歷史傳感器數(shù)據(jù)，并標記為歷史故障事件數(shù)據(jù)段；

5、步驟s200.獲取plc控制層壓機的模擬數(shù)據(jù)，根據(jù)故障事件時間戳，將模擬數(shù)據(jù)劃分成若干個數(shù)據(jù)段，并將模擬數(shù)據(jù)的數(shù)據(jù)段與相應(yīng)的歷史故障事件數(shù)據(jù)段進行對應(yīng)；分別對模擬數(shù)據(jù)的數(shù)據(jù)段和歷史故障事件數(shù)據(jù)段進行趨勢分析，從而得到模擬數(shù)據(jù)趨勢特征和歷史故障事件趨勢特征；

6、步驟s300.基于歷史故障事件數(shù)據(jù)段與模擬數(shù)據(jù)的數(shù)據(jù)段之間的對應(yīng)關(guān)系，將歷史故障事件趨勢特征與對應(yīng)的模擬數(shù)據(jù)趨勢特征進行分析，從而得到故障事件趨勢異常點；

7、步驟s400.通過plc采集層壓機運行的實時傳感器數(shù)據(jù)，每隔一個選定時間段，對實時傳感器數(shù)據(jù)進行一次趨勢分析，從而得到相應(yīng)的實時事件趨勢特征；對實時事件趨勢特征進行分析，并根據(jù)分析結(jié)果進行相應(yīng)的處理。

8、進一步的，步驟s100包括：

9、s101.從數(shù)據(jù)庫中獲取歷史傳感器數(shù)據(jù)以及層壓機故障日志，根據(jù)層壓機故障日志記錄的故障事件時間戳，在歷史傳感器數(shù)據(jù)對應(yīng)的時間線上標記故障事件時間戳，從而將歷史傳感器數(shù)據(jù)與故障事件時間戳進行對應(yīng)；

10、s102.基于故障事件時間戳，將故障事件時間戳前后1個時間長度t的時間段作為對應(yīng)的故障事件所在時間段；針對每一故障事件，都獲取故障事件所在時間段的歷史傳感器數(shù)據(jù)，并標記為歷史故障事件數(shù)據(jù)段；將所有故障事件的歷史故障事件數(shù)據(jù)段進行匯總，從而構(gòu)成故障事件數(shù)據(jù)段集合g，且g＝{g1,g2,...,gn}，其中g(shù)1表示第1個故障事件對應(yīng)的歷史故障事件數(shù)據(jù)段，g2表示第2個故障事件對應(yīng)的歷史故障事件數(shù)據(jù)段，以此類推，gn表示第n個故障事件對應(yīng)的歷史故障事件數(shù)據(jù)段；且n表示故障事件的數(shù)量，取正整數(shù)。

11、進一步的，步驟s200包括：

12、s201.根據(jù)層壓機的任務(wù)需求，利用仿真軟件構(gòu)建仿真模型，將編寫plc控制程序控制仿真模型中的層壓機運行，獲取plc控制層壓機的模擬數(shù)據(jù)，且模擬數(shù)據(jù)的時間線與歷史傳感器數(shù)據(jù)的時間線完全重合；根據(jù)根據(jù)故障事件所在時間段，將模擬數(shù)據(jù)劃分成若干個數(shù)據(jù)段，并將相同時間段對應(yīng)的模擬數(shù)據(jù)的數(shù)據(jù)段與歷史故障事件數(shù)據(jù)段進行對應(yīng)；

13、s202.分別對模擬數(shù)據(jù)的數(shù)據(jù)段和歷史故障事件數(shù)據(jù)段進行趨勢分析，且對模擬數(shù)據(jù)的數(shù)據(jù)段和歷史故障事件數(shù)據(jù)段進行趨勢分析過程完全一致，具體趨勢分析過程如下：

14、將數(shù)據(jù)段x(t)進行小波分解，得到不同尺度j和位置k的小波系數(shù)w(j,k)，且小波系數(shù)w(j,k)對應(yīng)的計算公式為：

15、w(j,k)＝<x(t),ψj,k(t)>＝∫x(t)·ψ*j,k(t)dt；

16、其中，ψ*j,k(t)表示小波基函數(shù)，j表示尺度參數(shù)，k表示位置參數(shù)；

17、對每個尺度j的小波系數(shù)w(j,k)進行頻譜分析，計算相應(yīng)的能量譜ej(ω)，具體計算公式為：

18、ej(ω)＝(1/n)σk|wj,k(ω)|^2；

19、其中，wj,k(ω)表示小波系數(shù)在頻率ω處的幅度，n表示小波系數(shù)的數(shù)量；

20、根據(jù)能量譜ej(ω)，提取數(shù)據(jù)段在不同頻率尺度下的特征進行匯總，且所述數(shù)據(jù)段指模擬數(shù)據(jù)的數(shù)據(jù)段或歷史故障事件數(shù)據(jù)段，從而得到模擬數(shù)據(jù)趨勢特征和歷史故障事件趨勢特征。

21、本發(fā)明采用了多維數(shù)據(jù)分析的方法，包括小波分析、頻譜分析等，將歷史故障事件數(shù)據(jù)段與模擬數(shù)據(jù)進行對比分析，綜合考慮不同尺度下的特征，使得故障檢測過程更為全面和精確。

22、進一步的，步驟s300包括：

23、s301.根據(jù)歷史故障事件數(shù)據(jù)段與模擬數(shù)據(jù)的數(shù)據(jù)段之間的對應(yīng)關(guān)系，提取相同時間段對應(yīng)的歷史故障事件數(shù)據(jù)段與模擬數(shù)據(jù)的數(shù)據(jù)段，從而得到相應(yīng)的歷史故障事件趨勢特征與模擬數(shù)據(jù)趨勢特征，分別對歷史故障事件趨勢特征與模擬數(shù)據(jù)趨勢特征進行格式轉(zhuǎn)換，轉(zhuǎn)換成同一格式的數(shù)據(jù)表示，從而構(gòu)成歷史故障事件趨勢特征向量l和模擬數(shù)據(jù)趨勢特征向量m；

24、s302.針對歷史故障事件趨勢特征向量l和模擬數(shù)據(jù)趨勢特征向量m，都在同一雷達圖上進行表示；所述雷達圖是由一個起點和若干條有向線段組成，且有向線段的條數(shù)等于歷史故障事件趨勢特征向量l和模擬數(shù)據(jù)趨勢特征向量m的維數(shù)；分別將歷史故障事件趨勢特征向量l和模擬數(shù)據(jù)趨勢特征向量m對應(yīng)的特征值依次在雷達圖上進行標注，并按照向量特征值的順序，將相鄰倆有向線段上的點依次進行連接，從而得到分別歷史故障事件趨勢特征向量l對應(yīng)的封閉多邊形a，和模擬數(shù)據(jù)趨勢特征向量m對應(yīng)的封閉多邊形b；

25、s303.針對歷史故障事件趨勢特征向量l和模擬數(shù)據(jù)趨勢特征向量m對應(yīng)的封閉多邊形a和b，依次統(tǒng)計所有有向線段上的頂點偏差值r，且頂點偏差值r等于封閉多邊形a和封閉多邊形b的相同有向線段上的頂點差值；針對所有有向線段上的頂點偏差值r，計算對應(yīng)的平均值μ和標準差σ，將頂點偏差值r與相應(yīng)的偏差值區(qū)間q進行比較，將第一個頂點偏差值r不屬于偏差值區(qū)間q的封閉多邊形a的頂點作為目標點，且偏差值區(qū)間q的區(qū)間范圍為[μ-eσ,μ+eσ]，其中e表示系數(shù)，用于定義偏差值的范圍；根據(jù)目標點獲取歷史故障事件趨勢特征向量l中的特征值，并基于特征值得到對應(yīng)的歷史故障事件數(shù)據(jù)段的頻率尺度，從而找到歷史故障事件數(shù)據(jù)段中的故障事件趨勢異常點；

26、獲取所有歷史故障事件數(shù)據(jù)段中的故障事件趨勢異常點，并將歷史故障事件對應(yīng)的故障代碼與故障事件趨勢異常點進行關(guān)聯(lián)，從而得到歷史故障事件與故障事件趨勢異常點的關(guān)聯(lián)關(guān)系；獲取故障事件趨勢異常點前后1個時間長度t的時間段的歷史故障事件數(shù)據(jù)，從而得到歷史故障事件數(shù)據(jù)的異常變化趨勢曲線y,從而得到故障代碼、故障事件趨勢異常點以及異常變化趨勢曲線y的關(guān)聯(lián)關(guān)系。

27、引入雷達圖和多邊形比較的方法，能夠直觀地將歷史故障事件趨勢特征與實時事件趨勢特征進行比較，進一步提高了故障診斷的準確性和效率。

28、進一步的，步驟s400包括：

29、s401.利用plc采集層壓機運行的實時傳感器數(shù)據(jù)，每隔一個選定時間段，獲取實時傳感器數(shù)據(jù)在選定時間段的實時傳感器數(shù)據(jù)段，并按照選定時間段獲取對應(yīng)的模擬數(shù)據(jù)的數(shù)據(jù)段；分別對實時傳感器數(shù)據(jù)段和模擬數(shù)據(jù)的數(shù)據(jù)段進行趨勢分析，從而得到相應(yīng)的實時事件趨勢特征與模擬數(shù)據(jù)趨勢特征，分別對實時事件趨勢特征與模擬數(shù)據(jù)趨勢特征進行格式轉(zhuǎn)換，分別得到實時事件趨勢特征向量s與模擬數(shù)據(jù)趨勢特征向量m1；其中模擬數(shù)據(jù)趨勢特征向量m與模擬數(shù)據(jù)趨勢特征向量m1在對應(yīng)的時間段上存在差異；

30、s402.針對實時事件趨勢特征向量s與模擬數(shù)據(jù)趨勢特征向量m1，參照s302中的歷史故障事件趨勢特征向量l和模擬數(shù)據(jù)趨勢特征向量m的分析過程，從而得到實時事件趨勢特征向量s對應(yīng)的封閉多邊形a1，和模擬數(shù)據(jù)趨勢特征向量m1對應(yīng)的封閉多邊形b1；參照s303的分析過程，若實時傳感器數(shù)據(jù)段中不存在實時事件趨勢異常點，不進行任何通知，進行下一個選定時間段的實時傳感器數(shù)據(jù)的分析；

31、若實時傳感器數(shù)據(jù)段中存在實時事件趨勢異常點，則將實時事件趨勢異常點前后1個時間長度t的時間段作為對應(yīng)的實時事件所在時間段，根據(jù)實時事件所在時間段獲取對應(yīng)的實時傳感器數(shù)據(jù)，從而得到實時傳感器數(shù)據(jù)的異常變化趨勢曲線y1，將實時事件趨勢異常點與異常變化趨勢曲線y1進行關(guān)聯(lián)；

32、s403.將異常變化趨勢曲線y1與歷史故障事件對應(yīng)的異常變化趨勢曲線y進行相似度分析，若存在相似度大于相似度閾值的異常變化趨勢曲線y，則選擇相似度最大的異常變化趨勢曲線y作為匹配結(jié)果，并輸出異常變化趨勢曲線y對應(yīng)的故障代碼；若存在相似度小于等于相似度閾值的異常變化趨勢曲線y，則為輸出當(dāng)前異常變化趨勢曲線y1，并對當(dāng)前的實時事件標記事件代碼，輸出至相關(guān)人員，由相關(guān)人員進行分析，若當(dāng)前的實時事件是新增故障，則將當(dāng)前的事件代碼、實時事件趨勢異常點以及異常變化趨勢曲線y1進行關(guān)聯(lián)，并將上述關(guān)聯(lián)關(guān)系加入數(shù)據(jù)庫中。

33、根據(jù)實時事件的處理結(jié)果，將相關(guān)信息加入數(shù)據(jù)庫，不斷優(yōu)化故障診斷模型，以適應(yīng)未來可能出現(xiàn)的新型故障情況，從而提升整體系統(tǒng)的智能化和適應(yīng)性。

34、一種基于plc控制的層壓機遠程數(shù)據(jù)控制系統(tǒng)，系統(tǒng)包括：數(shù)據(jù)采集與預(yù)處理模塊、仿真模型構(gòu)建與數(shù)據(jù)分析模塊、故障診斷與異常檢測模塊以及異常變化趨勢分析與反饋模塊；

35、數(shù)據(jù)采集與預(yù)處理模塊負責(zé)從數(shù)據(jù)庫中獲取歷史傳感器數(shù)據(jù)和層壓機故障日志，將歷史傳感器數(shù)據(jù)與故障事件時間戳進行對應(yīng)，并標記歷史故障事件數(shù)據(jù)段；獲取歷史故障事件數(shù)據(jù)段，并匯總構(gòu)成故障事件數(shù)據(jù)段集合；

36、仿真模型構(gòu)建與數(shù)據(jù)分析模塊利用仿真軟件構(gòu)建層壓機的仿真模型，根據(jù)任務(wù)需求編寫plc控制程序，生成模擬數(shù)據(jù)并與歷史故障事件數(shù)據(jù)段對應(yīng)，進行趨勢分析，從而得到模擬數(shù)據(jù)趨勢特征和歷史故障事件趨勢特征；

37、故障診斷與異常檢測模塊分析歷史故障事件數(shù)據(jù)段與模擬數(shù)據(jù)的對應(yīng)關(guān)系，提取相應(yīng)的模擬數(shù)據(jù)趨勢特征向量和歷史故障事件趨勢特征向量，并進行雷達圖表示，計算頂點偏差值，從而得到故障事件趨勢異常點；

38、異常變化趨勢分析與反饋模塊根據(jù)實時傳感器數(shù)據(jù)進行趨勢分析，將實時事件趨勢異常點對應(yīng)的實時傳感器數(shù)據(jù)與歷史故障事件對應(yīng)的數(shù)據(jù)段進行相應(yīng)的異常變化趨勢曲線相似度比較，輸出匹配結(jié)果或標記新的故障事件，提供給相關(guān)人員進行進一步分析和處理。

39、數(shù)據(jù)采集與預(yù)處理模塊包括數(shù)據(jù)庫數(shù)據(jù)獲取單元、故障事件時間戳標記單元以及歷史故障事件數(shù)據(jù)段提取單元；

40、數(shù)據(jù)庫數(shù)據(jù)獲取單元從數(shù)據(jù)庫中獲取plc采集的歷史傳感器數(shù)據(jù)和層壓機故障日志；故障事件時間戳標記單元將故障事件時間戳與歷史傳感器數(shù)據(jù)時間線對應(yīng)，并在歷史傳感器數(shù)據(jù)時間線上標記故障事件時間戳；歷史故障事件數(shù)據(jù)段提取單元根據(jù)故障事件時間戳，提取故障事件所在時間段的歷史傳感器數(shù)據(jù)，形成歷史故障事件數(shù)據(jù)段集合。

41、進一步的，仿真模型構(gòu)建與數(shù)據(jù)分析模塊包括仿真模型建立單元、模擬數(shù)據(jù)生成單元以及數(shù)據(jù)段劃分與對應(yīng)單元；

42、仿真模型建立單元利用仿真軟件構(gòu)建層壓機的仿真模型，編寫plc控制程序模擬層壓機運行；模擬數(shù)據(jù)生成單元獲取仿真模型的模擬數(shù)據(jù)，使模擬數(shù)據(jù)的時間線與歷史傳感器數(shù)據(jù)的時間線完全對應(yīng)；數(shù)據(jù)段劃分與對應(yīng)單元根據(jù)故障事件時間戳，將模擬數(shù)據(jù)劃分成若干數(shù)據(jù)段，并與歷史故障事件數(shù)據(jù)段對應(yīng)。

43、進一步的，故障診斷與異常檢測模塊包括趨勢分析單元和故障事件趨勢異常點檢測單元；

44、趨勢分析單元對模擬數(shù)據(jù)段和歷史故障事件數(shù)據(jù)段進行小波分解和頻譜分析，得到相應(yīng)的模擬數(shù)據(jù)趨勢特征和歷史故障事件趨勢特征。

45、異常變化趨勢分析與反饋模塊包括實時傳感器數(shù)據(jù)獲取單元、實時事件趨勢特征提取單元、異常變化趨勢比對單元以及異常變化趨勢反饋單元；

46、進一步的，實時傳感器數(shù)據(jù)獲取單元定期獲取層壓機的實時傳感器數(shù)據(jù)；實時事件趨勢特征提取單元對實時傳感器數(shù)據(jù)進行趨勢分析，獲取實時事件的趨勢特征；異常變化趨勢比對單元將實時事件的趨勢特征與模擬數(shù)據(jù)的趨勢特征進行比對，檢測是否存在實時事件趨勢異常點；異常變化趨勢反饋單元對于不存在實時事件趨勢異常點的實時傳感器數(shù)據(jù)，則不做處理，僅記錄正常狀態(tài)；對于存在實時事件趨勢異常點的實時傳感器數(shù)據(jù)進行異常變化趨勢曲線的分析，將實時傳感器數(shù)據(jù)與歷史故障事件數(shù)據(jù)進行分析相應(yīng)的趨勢曲線，并對兩者的趨勢曲線的進行匹配分析，并輸出相應(yīng)的通知信息。

47、與現(xiàn)有技術(shù)相比，本發(fā)明所達到的有益效果是：本發(fā)明通過實時采集層壓機的傳感器數(shù)據(jù)，并結(jié)合歷史故障事件數(shù)據(jù)，對實時數(shù)據(jù)進行趨勢分析，能夠及時發(fā)現(xiàn)并識別故障事件趨勢異常點；這種方法不僅依賴于預(yù)先設(shè)定的故障模式和特征，還能有效應(yīng)對新型故障或突發(fā)事件，提高了故障檢測的及時性和準確性；通過對比模擬數(shù)據(jù)趨勢特征與歷史故障事件趨勢特征，本發(fā)明能夠識別出潛在的故障趨勢異常點，從而實現(xiàn)對層壓機故障的提前預(yù)測；這種預(yù)測能力有助于維護人員提前采取預(yù)防措施，減少因故障導(dǎo)致的生產(chǎn)中斷和設(shè)備損壞；本發(fā)明將故障代碼、故障事件趨勢異常點以及異常變化趨勢曲線進行關(guān)聯(lián)，形成了完整的故障診斷體系；當(dāng)實時傳感器數(shù)據(jù)出現(xiàn)異常時，系統(tǒng)能夠迅速匹配歷史故障數(shù)據(jù)，快速定位故障原因，簡化了故障診斷的流程，提高了故障診斷的效率；本發(fā)明的故障檢測方法不依賴于固定的故障模式和特征，而是通過分析數(shù)據(jù)趨勢來識別故障；這種方法使得系統(tǒng)能夠靈活應(yīng)對各種復(fù)雜情況，并且隨著數(shù)據(jù)的積累和分析技術(shù)的進步，系統(tǒng)的性能將不斷提升。此外，當(dāng)新的故障類型出現(xiàn)時，系統(tǒng)能夠通過學(xué)習(xí)新的數(shù)據(jù)特征來擴展其故障診斷能力。