本發(fā)明涉及生產(chǎn)監(jiān)控，具體是應(yīng)用于數(shù)字化生產(chǎn)的產(chǎn)線監(jiān)控方法及系統(tǒng)。

背景技術(shù)：

1、隨著工業(yè)4.0時(shí)代的到來(lái)，數(shù)字化轉(zhuǎn)型成為制造業(yè)發(fā)展的必然趨勢(shì)，而工廠自動(dòng)化是實(shí)現(xiàn)數(shù)字化工廠的關(guān)鍵一環(huán)，因此需要對(duì)生產(chǎn)設(shè)備進(jìn)行智能化升級(jí)以適應(yīng)時(shí)代發(fā)展需求，在傳統(tǒng)的生產(chǎn)線中，由于缺乏有效的故障診斷手段，往往只能依靠人工巡檢的方式發(fā)現(xiàn)設(shè)備存在的問(wèn)題，不僅效率低下，而且容易出現(xiàn)漏檢的情況，導(dǎo)致設(shè)備發(fā)生嚴(yán)重?fù)p壞甚至造成安全事故。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供應(yīng)用于數(shù)字化生產(chǎn)的產(chǎn)線監(jiān)控方法及系統(tǒng)，有效解決了傳統(tǒng)生產(chǎn)線中故障檢測(cè)不足和生產(chǎn)效率低下的問(wèn)題。

2、本發(fā)明的目的可以通過(guò)以下技術(shù)方案實(shí)現(xiàn)：

3、本申請(qǐng)?zhí)峁┝藨?yīng)用于數(shù)字化生產(chǎn)的產(chǎn)線監(jiān)控方法，包括如下步驟：

4、在產(chǎn)線設(shè)備上安裝傳感器，所述傳感器用于實(shí)時(shí)采集所述產(chǎn)線設(shè)備的運(yùn)行數(shù)據(jù)；

5、通過(guò)工業(yè)互聯(lián)網(wǎng)將所述運(yùn)行數(shù)據(jù)傳輸至中央監(jiān)控模塊；所述中央監(jiān)控模塊對(duì)接收的所述運(yùn)行數(shù)據(jù)進(jìn)行處理，采用大數(shù)據(jù)分析和機(jī)器學(xué)習(xí)算法，建立設(shè)備健康狀態(tài)模型；

6、利用所述設(shè)備健康狀態(tài)模型實(shí)時(shí)監(jiān)控所述產(chǎn)線設(shè)備的運(yùn)行狀態(tài)；

7、當(dāng)所述中央監(jiān)控模塊檢測(cè)到所述產(chǎn)線設(shè)備的運(yùn)行參數(shù)存在異?；蛘咚鲈O(shè)備健康狀態(tài)惡化時(shí)，向相關(guān)人員發(fā)送預(yù)警信息。

8、進(jìn)一步地，所述中央監(jiān)控模塊接收所述運(yùn)行數(shù)據(jù)后，利用設(shè)備健康狀態(tài)模型對(duì)所述實(shí)時(shí)獲取的運(yùn)行數(shù)據(jù)進(jìn)行分析得到第一結(jié)果，其中，所述設(shè)備健康狀態(tài)模型為根據(jù)歷史的運(yùn)行數(shù)據(jù)訓(xùn)練得到；當(dāng)所述第一結(jié)果指示存在設(shè)備異常時(shí)，向維護(hù)終端發(fā)送預(yù)警信息。

9、進(jìn)一步地，在所述中央監(jiān)控模塊接收所述運(yùn)行數(shù)據(jù)之前，還包括：將所述運(yùn)行數(shù)據(jù)中的噪聲過(guò)濾掉，得到第二結(jié)果，?對(duì)所述第二結(jié)果進(jìn)行降維處理，得到第三結(jié)果，?將所述第三結(jié)果劃分為多個(gè)樣本集，每個(gè)樣本集中都含有至少一個(gè)樣本；將所述樣本集輸入到神經(jīng)網(wǎng)絡(luò)中，獲得第四結(jié)果，根據(jù)所述第四結(jié)果調(diào)整所述設(shè)備健康狀態(tài)模型。

10、進(jìn)一步地，將所述運(yùn)行數(shù)據(jù)中的噪聲過(guò)濾掉，得到第二結(jié)果，具體包括：

11、對(duì)原始數(shù)據(jù)進(jìn)行中值濾波，去除尖銳的噪聲，得到中值濾波后的結(jié)果；

12、將中值濾波后的數(shù)據(jù)作為卡爾曼濾波的的觀測(cè)輸入，去除平滑的高斯噪聲，并進(jìn)行預(yù)測(cè)和更新，最終得到第二結(jié)果。

13、進(jìn)一步地，對(duì)所述第二結(jié)果進(jìn)行降維處理，得到第三結(jié)果，具體通過(guò)主成分分析方法的降維方法進(jìn)行降維處理，包括：

14、將數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，消除不同量綱和量級(jí)的影響；

15、計(jì)算標(biāo)準(zhǔn)化后的數(shù)據(jù)的協(xié)方差矩陣，確定數(shù)據(jù)特征之間的關(guān)系；

16、計(jì)算協(xié)方差矩陣的特征值和對(duì)應(yīng)的特征向量；

17、根據(jù)特征值的大小選擇前m?個(gè)最大的特征值對(duì)應(yīng)的特征向量，將原始數(shù)據(jù)投影到選定的主成分上，得到降維后的數(shù)據(jù)。

18、進(jìn)一步地，將第三結(jié)果劃分為多個(gè)樣本集，再將所述樣本集輸入到神經(jīng)網(wǎng)絡(luò)中，獲得第四結(jié)果，具體將樣本集作為訓(xùn)練數(shù)據(jù)輸入網(wǎng)絡(luò)，進(jìn)行前向傳播和反向傳播，更新網(wǎng)絡(luò)參數(shù)，具體包括：

19、使用前向傳播計(jì)算每層的輸出，直到輸出層，得到每個(gè)樣本集的預(yù)測(cè)結(jié)果；

20、將第三結(jié)果劃分成多個(gè)樣本集，將每個(gè)樣本集輸入到神經(jīng)網(wǎng)絡(luò)的輸入層中；其中，輸入層的節(jié)點(diǎn)數(shù)等于每個(gè)樣本的特征數(shù)，神經(jīng)網(wǎng)絡(luò)包括一個(gè)或多個(gè)隱藏層，每個(gè)隱藏層通過(guò)權(quán)重和激活函數(shù)進(jìn)行非線性變換；

21、計(jì)算損失函數(shù)，用于衡量模型預(yù)測(cè)與實(shí)際值之間的差異；

22、通過(guò)反向傳播計(jì)算梯度并更新權(quán)重，不斷調(diào)整參數(shù)優(yōu)化預(yù)測(cè)結(jié)果；

23、重復(fù)前向傳播、損失計(jì)算、反向傳播和參數(shù)更新的過(guò)程，直到模型在驗(yàn)證集上的性能達(dá)到預(yù)定的迭代次數(shù)。

24、進(jìn)一步地，所述當(dāng)所述第一結(jié)果指示存在設(shè)備異常時(shí)，向維護(hù)終端發(fā)送預(yù)警信息，包括：根據(jù)預(yù)設(shè)規(guī)則判斷設(shè)備運(yùn)行參數(shù)是否處于閾值范圍內(nèi)；若處于閾值范圍內(nèi)，則繼續(xù)監(jiān)測(cè)；若未處于閾值范圍內(nèi)，則記錄該次異常事件的發(fā)生時(shí)間和參數(shù)信息；統(tǒng)計(jì)連續(xù)發(fā)生異常事件的次數(shù)n和/或連續(xù)異常事件的時(shí)間間隔小于第一設(shè)定值t1的次數(shù)m；若n≥第一設(shè)定數(shù)值或者m≥第二設(shè)定值，則發(fā)出預(yù)警信號(hào)；若n＜第一設(shè)定數(shù)值且m＜第二設(shè)定值，則繼續(xù)監(jiān)測(cè)。

25、一種應(yīng)用于數(shù)字化生產(chǎn)的產(chǎn)線監(jiān)控系統(tǒng)，應(yīng)用于一種應(yīng)用于數(shù)字化生產(chǎn)的產(chǎn)線監(jiān)控方法，具體包括：數(shù)據(jù)采集模塊、數(shù)據(jù)傳輸模塊、數(shù)據(jù)處理與分析模塊、實(shí)時(shí)監(jiān)控模塊和預(yù)警信息生成模塊；

26、所述數(shù)據(jù)采集模塊，用于實(shí)時(shí)從產(chǎn)線設(shè)備安裝的傳感器收集運(yùn)行數(shù)據(jù)；

27、所述數(shù)據(jù)傳輸模塊，通過(guò)工業(yè)互聯(lián)網(wǎng)將采集的運(yùn)行數(shù)據(jù)傳輸至中央監(jiān)控模塊；

28、所述數(shù)據(jù)處理與分析模塊，用于對(duì)接收的運(yùn)行數(shù)據(jù)進(jìn)行處理，采用大數(shù)據(jù)分析和機(jī)器學(xué)習(xí)算法建立設(shè)備健康狀態(tài)模型；

29、所述實(shí)時(shí)監(jiān)控模塊，使用設(shè)備健康狀態(tài)模型實(shí)時(shí)監(jiān)控產(chǎn)線設(shè)備的運(yùn)行狀態(tài)，將降維后的第三結(jié)果輸入神經(jīng)網(wǎng)絡(luò)，進(jìn)行前向傳播和反向傳播，優(yōu)化模型參數(shù)；

30、所述預(yù)警信息生成模塊，在檢測(cè)到設(shè)備運(yùn)行參數(shù)異?；蛟O(shè)備健康狀態(tài)惡化時(shí)，向相關(guān)人員發(fā)送預(yù)警信息。

31、進(jìn)一步地，建立設(shè)備健康狀態(tài)模型，通過(guò)中值濾波去除數(shù)據(jù)中的尖銳噪聲，結(jié)合卡爾曼濾波進(jìn)一步消除高斯噪聲，得到第二結(jié)果；

32、再通過(guò)主成分分析對(duì)數(shù)據(jù)進(jìn)行降維處理，提取關(guān)鍵特征，得到第三結(jié)果，再利用歷史運(yùn)行數(shù)據(jù)訓(xùn)練設(shè)備健康狀態(tài)模型。

33、進(jìn)一步地，所述預(yù)警信息生成模塊還包括根據(jù)預(yù)設(shè)規(guī)則判斷設(shè)備運(yùn)行參數(shù)是否處于閾值范圍內(nèi)；若處于閾值范圍內(nèi)，則繼續(xù)監(jiān)測(cè)；若未處于閾值范圍內(nèi)，則記錄該次異常事件的發(fā)生時(shí)間和參數(shù)信息；統(tǒng)計(jì)連續(xù)發(fā)生異常事件的次數(shù)n和/或連續(xù)異常事件的時(shí)間間隔小于第一設(shè)定值t1的次數(shù)m；若n≥第一設(shè)定數(shù)值或者m≥第二設(shè)定值，則發(fā)出預(yù)警信號(hào)；若n＜第一設(shè)定數(shù)值且m＜第二設(shè)定值，則繼續(xù)監(jiān)測(cè)。

34、本發(fā)明的有益效果為：

35、（1）采用大數(shù)據(jù)分析和機(jī)器學(xué)習(xí)算法處理數(shù)據(jù)，建立并優(yōu)化設(shè)備健康狀態(tài)模型，用于能夠及時(shí)發(fā)現(xiàn)并預(yù)警設(shè)備潛在的異常和故障，從而提前采取措施預(yù)防，避免了意外停機(jī)和維修時(shí)間過(guò)長(zhǎng)的問(wèn)題，顯著提升了生產(chǎn)效率和設(shè)備的穩(wěn)定性，同時(shí)通過(guò)設(shè)備健康狀態(tài)模型的應(yīng)用提供了更為精確和可靠的設(shè)備狀態(tài)評(píng)估，增強(qiáng)了監(jiān)控過(guò)程的預(yù)測(cè)能力和響應(yīng)速度，確保了生產(chǎn)過(guò)程的連續(xù)性和安全性，有效解決了傳統(tǒng)生產(chǎn)線中故障檢測(cè)不足和生產(chǎn)效率低下的問(wèn)題；

36、（2）在設(shè)備健康狀態(tài)惡化時(shí)及時(shí)發(fā)出預(yù)警，使維護(hù)團(tuán)隊(duì)能夠在問(wèn)題演變成嚴(yán)重故障之前采取措施，通過(guò)統(tǒng)計(jì)分析連續(xù)異常事件的次數(shù)n和時(shí)間間隔m，能夠預(yù)測(cè)潛在的風(fēng)險(xiǎn)并提前安排維護(hù)，從而減少意外停機(jī)時(shí)間，避免重大損失，有效降低維護(hù)成本，有效解決的故障診斷手段導(dǎo)致設(shè)備損壞嚴(yán)重，維護(hù)成本高，且可能引發(fā)安全事故的問(wèn)題。

技術(shù)特征：

1.應(yīng)用于數(shù)字化生產(chǎn)的產(chǎn)線監(jiān)控方法，其特征在于：在產(chǎn)線設(shè)備上安裝傳感器，所述傳感器用于實(shí)時(shí)采集所述產(chǎn)線設(shè)備的運(yùn)行數(shù)據(jù)；

2.根據(jù)權(quán)利要求1所述的應(yīng)用于數(shù)字化生產(chǎn)的產(chǎn)線監(jiān)控方法，其特征在于：所述中央監(jiān)控模塊接收所述運(yùn)行數(shù)據(jù)后，利用設(shè)備健康狀態(tài)模型對(duì)所述實(shí)時(shí)獲取的運(yùn)行數(shù)據(jù)進(jìn)行分析得到第一結(jié)果，其中，所述設(shè)備健康狀態(tài)模型為根據(jù)歷史的運(yùn)行數(shù)據(jù)訓(xùn)練得到；當(dāng)所述第一結(jié)果指示存在設(shè)備異常時(shí)，向維護(hù)終端發(fā)送預(yù)警信息。

3.根據(jù)權(quán)利要求?1所述的應(yīng)用于數(shù)字化生產(chǎn)的產(chǎn)線監(jiān)控方法，其特征在于：在所述中央監(jiān)控模塊接收所述運(yùn)行數(shù)據(jù)之前，還包括：將所述運(yùn)行數(shù)據(jù)中的噪聲過(guò)濾掉，得到第二結(jié)果，?對(duì)所述第二結(jié)果進(jìn)行降維處理，得到第三結(jié)果，?將所述第三結(jié)果劃分為多個(gè)樣本集，每個(gè)樣本集中都含有至少一個(gè)樣本；將所述樣本集輸入到神經(jīng)網(wǎng)絡(luò)中，獲得第四結(jié)果，根據(jù)所述第四結(jié)果調(diào)整所述設(shè)備健康狀態(tài)模型。

4.根據(jù)權(quán)利要求3所述的應(yīng)用于數(shù)字化生產(chǎn)的產(chǎn)線監(jiān)控方法，其特征在于：將所述運(yùn)行數(shù)據(jù)中的噪聲過(guò)濾掉，得到第二結(jié)果，具體包括：

5.根據(jù)權(quán)利要求4所述的應(yīng)用于數(shù)字化生產(chǎn)的產(chǎn)線監(jiān)控方法，其特征在于：對(duì)所述第二結(jié)果進(jìn)行降維處理，得到第三結(jié)果，具體通過(guò)主成分分析方法的降維方法進(jìn)行降維處理，包括：

6.根據(jù)權(quán)利要求5所述的應(yīng)用于數(shù)字化生產(chǎn)的產(chǎn)線監(jiān)控方法，其特征在于：將第三結(jié)果劃分為多個(gè)樣本集，再將所述樣本集輸入到神經(jīng)網(wǎng)絡(luò)中，獲得第四結(jié)果，具體將樣本集作為訓(xùn)練數(shù)據(jù)輸入網(wǎng)絡(luò)，進(jìn)行前向傳播和反向傳播，更新網(wǎng)絡(luò)參數(shù)，具體包括：

7.根據(jù)權(quán)利要求2所述的應(yīng)用于數(shù)字化生產(chǎn)的產(chǎn)線監(jiān)控方法，其特征在于：所述當(dāng)所述第一結(jié)果指示存在設(shè)備異常時(shí)，向維護(hù)終端發(fā)送預(yù)警信息，包括：根據(jù)預(yù)設(shè)規(guī)則判斷設(shè)備運(yùn)行參數(shù)是否處于閾值范圍內(nèi)；若處于閾值范圍內(nèi)，則繼續(xù)監(jiān)測(cè)；若未處于閾值范圍內(nèi)，則記錄該次異常事件的發(fā)生時(shí)間和參數(shù)信息；統(tǒng)計(jì)連續(xù)發(fā)生異常事件的次數(shù)n和/或連續(xù)異常事件的時(shí)間間隔小于第一設(shè)定值t1的次數(shù)m；若n≥第一設(shè)定數(shù)值或者m≥第二設(shè)定值，則發(fā)出預(yù)警信號(hào)；若n＜第一設(shè)定數(shù)值且m＜第二設(shè)定值，則繼續(xù)監(jiān)測(cè)。

8.應(yīng)用于數(shù)字化生產(chǎn)的產(chǎn)線監(jiān)控系統(tǒng)，應(yīng)用于如權(quán)利要求?1-7?任一項(xiàng)所述的應(yīng)用于數(shù)字化生產(chǎn)的產(chǎn)線監(jiān)控方法，其特征在于：包括數(shù)據(jù)采集模塊、數(shù)據(jù)傳輸模塊、數(shù)據(jù)處理與分析模塊、實(shí)時(shí)監(jiān)控模塊和預(yù)警信息生成模塊；

9.根據(jù)權(quán)利要求8所述的應(yīng)用于數(shù)字化生產(chǎn)的產(chǎn)線監(jiān)控系統(tǒng)，其特征在于：建立設(shè)備健康狀態(tài)模型，通過(guò)中值濾波去除數(shù)據(jù)中的尖銳噪聲，結(jié)合卡爾曼濾波進(jìn)一步消除高斯噪聲，得到第二結(jié)果；

10.根據(jù)權(quán)利要求8所述的應(yīng)用于數(shù)字化生產(chǎn)的產(chǎn)線監(jiān)控系統(tǒng)，其特征在于：所述預(yù)警信息生成模塊還包括根據(jù)預(yù)設(shè)規(guī)則判斷設(shè)備運(yùn)行參數(shù)是否處于閾值范圍內(nèi)；若處于閾值范圍內(nèi)，則繼續(xù)監(jiān)測(cè)；若未處于閾值范圍內(nèi)，則記錄該次異常事件的發(fā)生時(shí)間和參數(shù)信息；統(tǒng)計(jì)連續(xù)發(fā)生異常事件的次數(shù)n和/或連續(xù)異常事件的時(shí)間間隔小于第一設(shè)定值t1的次數(shù)m；若n≥第一設(shè)定數(shù)值或者m≥第二設(shè)定值，則發(fā)出預(yù)警信號(hào)；若n＜第一設(shè)定數(shù)值且m＜第二設(shè)定值，則繼續(xù)監(jiān)測(cè)。

技術(shù)總結(jié)
本發(fā)明公開(kāi)了應(yīng)用于數(shù)字化生產(chǎn)的產(chǎn)線監(jiān)控方法及系統(tǒng)，包括在產(chǎn)線設(shè)備上安裝傳感器，用于實(shí)時(shí)采集產(chǎn)線設(shè)備的運(yùn)行數(shù)據(jù)；通過(guò)工業(yè)互聯(lián)網(wǎng)將運(yùn)行數(shù)據(jù)傳輸至中央監(jiān)控模塊，對(duì)接收的運(yùn)行數(shù)據(jù)進(jìn)行處理，采用大數(shù)據(jù)分析和機(jī)器學(xué)習(xí)算法，建立設(shè)備健康狀態(tài)模型；利用設(shè)備健康狀態(tài)模型實(shí)時(shí)監(jiān)控產(chǎn)線設(shè)備的運(yùn)行狀態(tài)；當(dāng)檢測(cè)到產(chǎn)線設(shè)備的運(yùn)行參數(shù)存在異?；蛘咴O(shè)備健康狀態(tài)惡化時(shí)，向相關(guān)人員發(fā)送預(yù)警信息；本發(fā)明通過(guò)采用大數(shù)據(jù)分析和機(jī)器學(xué)習(xí)算法處理數(shù)據(jù)，建立并優(yōu)化設(shè)備健康狀態(tài)模型，用于能夠及時(shí)發(fā)現(xiàn)并預(yù)警設(shè)備潛在的異常和故障，從而提前采取措施預(yù)防，避免了意外停機(jī)和維修時(shí)間過(guò)長(zhǎng)的問(wèn)題，有效解決了傳統(tǒng)生產(chǎn)線中故障檢測(cè)不足和生產(chǎn)效率低下的問(wèn)題。

技術(shù)研發(fā)人員：李繼庚,洪蒙納,陳怡,華浩,楊浩然,曲興帥,蔡杰煥
受保護(hù)的技術(shù)使用者：廣州博依特智能信息科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19