CN115407731A - 生产线工作状态监测与故障预警系统和方法 - Google Patents

Abstract

本发明提供一种生产线工作状态监测与故障预警系统和方法，其中，所述生产线工作状态监测与故障预警系统包括：数据采集模块，数据采集模块用于收集存储生产线的运行数据；状态监控模块，状态监控模块用于将生产线的运行数据在边缘侧计算设备上进行预处理和根据处理结果判断生产线是否发生异常，并将预处理后的数据上传至云端进行深度处理和根据处理结果判断生产线是否发生异常；异常报警模块，异常报警模块用于在边缘侧计算设备和/或云端判定生产线发生异常时，发出异常报警；异常自主分析模块，异常自主分析模块用于对生产线发生的异常进行分析，并采取解除异常的对策。

Description

生产线工作状态监测与故障预警系统和方法

技术领域

本发明涉及工控设备安全技术领域，具体涉及一种基于边云协同的生产线工作状态监测与故障预警系统和一种基于边云协同的生产线工作状态监测与故障预警方法。

背景技术

生产线作为工业生产的重要载体，在工业领域被广泛应用。生产线上拥有大量机械设备，各个工艺环节环环相扣，任何工件和设备的异常都会导致整条生产线的停产，造成重大经济损失，所以对生产线的工作状态监控和故障预警显得极为重要。

当前的生产线智能远程监测系统一般是将设备的运行数据直接上传至云端，再由云端运行处理，将处理结果返回给监测系统。由于数据没有经过预处理被上传，会造成数据在传输、计算和存储的过程中计算负载大和数据传输慢的问题，从而不能保证故障预警的实时性。

发明内容

本发明为解决上述技术问题，提供了一种基于边云协同的生产线工作状态监测与故障预警系统和方法，能够智能地监测生产线的工作状态，有效提高故障预警的实时性，并且能够自主分析异常情况并采取对策。

本发明采用的技术方案如下：

一种基于边云协同的生产线工作状态监测与故障预警系统包括：数据采集模块，所述数据采集模块用于收集存储生产线的运行数据；状态监控模块，所述状态监控模块用于将所述生产线的运行数据在边缘侧计算设备上进行预处理和根据处理结果判断所述生产线是否发生异常，并将预处理后的数据上传至云端进行深度处理和根据处理结果判断所述生产线是否发生异常；异常报警模块，所述异常报警模块用于在所述边缘侧计算设备和/或所述云端判定所述生产线发生异常时，发出异常报警；异常自主分析模块，所述异常自主分析模块用于对所述生产线发生的异常进行分析，并采取解除异常的对策。

所述生产线的运行数据包括：所述生产线的生产节拍；所述生产线上易损件和重要驱动设备的温度、压力、扭矩和振动情况；人机界面操作工作日志。

所述数据采集模块具体用于通过时间监控计算所述生产节拍，并通过温度传感器、压力传感器、扭矩传感器和振动传感器分别采集所述温度、所述压力、所述扭矩和所述振动情况。

所述数据采集模块通过对所述生产线各工位动作完成时间和工件到位时间进行分析，以实现时间监控。

所述边缘侧计算设备为PLC，所述PLC具体用于对所述生产线的运行数据进行分析以得到数据的当前变化趋势信息，并根据所述数据的当前变化趋势信息判断所述生产线是否发生异常，并将所述数据的当前变化趋势信息上传至所述云端进行深度处理并根据处理结果判断所述生产线是否发生异常。

所述云端具体用于通过BP神经网络预测模型预测数据的未来变化趋势信息，并根据所述数据的未来变化趋势信息判断所述生产线是否发生异常。

所述异常报警模块具体用于当所述边缘侧计算设备或所述云端判定所述数据变化趋势异常时，接收所述边缘侧计算设备或所述云端的报警信息并发出警报。

所述异常自主分析模块具体用于分析异常原因和异常时间点，并在软件控制层面采取解除异常的对策。

一种基于边云协同的生产线工作状态监测与故障预警方法，该方法包括以下步骤：收集存储生产线的运行数据；将所述生产线的运行数据在边缘侧计算设备上进行预处理，根据处理结果判断所述生产线是否发生异常，并将预处理后的数据上传至云端进行深度处理，根据处理结果判断所述生产线是否发生异常；当所述边缘侧计算设备和/或所述云端判定所述生产线发生异常时，发出异常报警；对所述生产线发生的异常进行分析，并采取解除异常的对策。

本发明的有益效果：

本发明通过边缘侧计算设备和云端对生产线的运行数据进行预处理并判定是否异常，且通过异常自主分析模块自主分析异常情况，及时对异常情况采取解除异常的对策，由此，能够智能地监测生产线的工作状态，有效提高故障预警的实时性，并且能够自主分析异常情况并采取对策。

附图说明

图1为本发明实施例的基于边云协同的生产线工作状态监测与故障预警系统的方框示意图；

图2为本发明一个实施例的基于边云协同的生产线工作状态监测与故障预警方法的流程示意图。

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。

如图1所示，本发明实施例的基于边云协同的生产线工作状态监测与故障预警系统包括：数据采集模块10、状态监控模块20、异常报警模块30和异常自主分析模块40。其中，数据采集模块10用于收集存储生产线的运行数据；状态监控模块20用于将生产线的运行数据在边缘侧计算设备上进行预处理和根据处理结果判断生产线是否发生异常，并将预处理后的数据上传至云端进行深度处理和根据处理结果判断生产线是否发生异常；异常报警模块30用于在边缘侧计算设备和/或云端判定生产线发生异常时，发出异常报警；异常自主分析模块40用于对生产线发生的异常进行分析，并采取解除异常的对策。

在本发明的一个实施例中，数据采集模块10收集的生产线的运行数据可包括：生产线的生产节拍、生产线上易损件和重要驱动设备的温度、压力、扭矩和振动情况以及人机界面操作工作日志。

在本发明的一个实施例中，生产线的生产节拍可作为生产线工作状态是否异常的重要标准。举例而言，一条生产线的生产节拍为1分钟产出x个产品，则该条生产线的生产节拍被数据采集模块10收集并存储。如果该条生产线2分钟产出x个产品，则可判断该条生产线的工作状态异常。

在本发明的一个实施例中，数据采集模块10具体用于通过时间监控计算生产节拍，并通过温度传感器、压力传感器、扭矩传感器和振动传感器分别采集温度、压力、扭矩和振动情况。

在本发明的一个实施例中，数据采集模块10通过对生产线各工位动作完成时间和工件到位时间进行分析，以实现时间监控。其中，工位动作是否完成、工件是否到位可使用传感器的ON时间来判断。

在本发明的一个实施例中，状态监控模块20用于将生产线的运行数据在边缘侧计算设备上预处理并根据处理结果判断生产线是否发生异常，然后将预处理后的数据再上传至云端进行深度处理并根据处理结果判断生产线是否异常。其中，边缘测计算设备指在靠近物或者数据源头一侧的设备，采用网络、存储、计算、应用核心能力为一体的开放平台，通过WIFI与生产线上的传感器建立连接，在边缘侧实现对采集数据的预处理和分析。

在本发明的一个实施例中，边缘侧计算设备为PLC，PLC具体用于对生产线的运行数据进行分析以得到数据的当前变化趋势信息，并根据数据的当前变化趋势信息判断生产线是否发生异常，并将数据的当前变化趋势信息上传至云端进行深度处理并根据处理结果判断生产线是否发生异常。其中，PLC为可编程逻辑控制器，是一种专门为在工业环境下应用的数字运算操作电子系统。具体地，各传感器的电路模块通过4G或5G或无线通信的方式，将传感器数值发送至边缘侧计算设备PLC上，PLC在接收到数据之后，通过对各工位动作完成时间和测量工件是否到位的传感器的ON时间进行分析，计算出各工序的节拍和整条生产线的节拍，通过数据处理分析得到波形图，对信号特征进行监控，提取重要数据信息，例如波形上下极值等。通过分析多组生产节拍的数据偏差，PLC自动设置当前生产环境下的阈值范围，当边缘侧计算设备预处理后的数据变化趋势超出阈值范围时，说明当前生产线出现异常，此时进入异常报警模块30。

在本发明的一个实施例中，云端具体用于通过BP神经网络预测模型预测数据的未来变化趋势信息，并根据数据的未来变化趋势信息判断生产线是否发生异常。具体地，云端接收到边缘侧计算设备预处理后的数据并进行深度处理，根据前面几个周期的波形循环得到的运行数据，输入云端建立好的模型来设置阈值范围，分析比对深度处理后的数据是否超出阈值范围，若超出阈值范围，说明当前生产线出现异常，此时进入异常报警模块30。云端对数据进行深度处理的主要方式是采用小波变换与BP神经网络相结合来实现数据分析预测，具体操作为：首先将混合信号数据利用小波进行六层分解，进行信噪分离和特征提取，然后提取小波包从低频到高频的逼近系数和细节系数，将小波分析作为神经网络的前置处理手段，为神经网络提供特征向量，进行训练，完成诊断。其中，BP神经网络分为三层，分别为输入层、隐藏层和输出层，首先进行深度学习训练样本，具体包括以下步骤：第一步，网格初始化，设定误差函数，给定计算精度值和最大学习次数；第二步，随机选取第a个输入样本及对应的期望输出；第三步，计算隐藏层各神经元的输入和输出；第四步，利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数；第五步，利用输出层各神经元的偏导数和隐藏层各神经元的输出来修正连接权值；第六步，利用隐藏层各神经元的偏导数和输入层各神经元的输入修正连接权；第七步，计算全局误差；第八步，判断网格误差是否满足要求。然后根据训练完成后的模型运用到数据自动化测试中，反映结果走向、bug数、质量问题等情况。最后，将得到的数据编入样本对模型进行定时更新。

在本发明的一个实施例中，异常报警模块30具体用于当边缘侧计算设备和/或云端判定数据变化趋势异常时，接收边缘侧计算设备和/或云端的报警信息并发出警报。具体地，当边缘侧计算设备判定数据变化趋势异常，或云端判定数据变化趋势异常，或边缘侧计算设备和云端同时判定数据变化趋势异常时，均向异常报警模块30发送报警信息。虽然只有当边缘侧计算设备和云端的处理结果均为正常才可判定该生产节拍未发生异常情况，但只要判定边缘侧计算设备预处理的数据是正常的就可以开始处理并判断下一个生产节拍，无需等待云端的判定结果。

在本发明的一个实施例中，异常自主分析模块40具体用于分析异常原因和异常时间点，并在软件控制层面采取解除异常的对策。具体地，如果边缘侧计算设备预处理得到的数据和/或云端深度处理得到的数据超出了阈值范围，则触发异常报警模块30，此时，异常自主分析模块40通过查找位的上升沿或字变为特定值的时间点，自动跳转到发生变化的时间点，确认故障时间点，自动找到与故障发生相关的软元件部分、生产节拍、人机界面操作工作日志，找到异常软元件，分析后调取该软元件发生警报的原因，在软件控制层面采取解除异常的对策。若通过异常自主分析模块40无法解决故障，如工件失效等情况，则等待人工处理。其中，PLC上升沿或者字变成特定值的时候相当于通电信号，即上升沿或者字变成特定值的瞬间给一个瞬发信号，相当于通电信号。举例而言，通过查找位的上升沿在x时间点，则异常自主分析模块40自动跳转到x时间点并确认故障，通过查找相关的异常软元件采取解除异常的对策。其中，软元件是PLC内部具有一定功能的设备，这些器件由电子电路、寄存器和存储单元组成。

根据本发明实施例的基于边云协同的生产线工作状态监测与故障预警系统，通过边缘侧计算设备和云端对生产线的运行数据进行预处理并判定是否异常，且通过自主分析异常情况，及时对异常情况采取解除异常的对策，由此，能够智能地监测生产线的工作状态，有效提高故障预警的实时性，并且能够自主分析异常情况并采取对策。

对应上述实施例，本发明还提出一种基于边云协同的生产线工作状态监测与故障预警方法。

如图2所示，一种基于边云协同的生产线工作状态监测与故障预警方法，包括以下步骤：

S1，收集存储生产线的运行数据。

在本发明的一个实施例中，生产线的运行数据包括：生产线的生产节拍、生产线上易损件和重要驱动设备的温度、压力、扭矩和振动情况以及人机界面操作工作日志。其中，生产线上的易损件和重要驱动设备的情况可通过传感器来监测，具体可包括温度传感器、压力传感器、扭矩传感器和振动传感器。

在本发明的一个实施例中，生产线的生产节拍可通过时间监控来计算。通过对生产线各工位动作完成时间和工件到位时间进行分析，以实现时间监控。其中，可使用传感器的ON时间来判断工位动作是否完成、工件是否到位。

S2，将生产线的运行数据在边缘侧计算设备上进行预处理，根据处理结果判断生产线是否发生异常，并将预处理后的数据上传至云端进行深度处理，根据处理结果判断生产线是否发生异常；

在本发明的一个实施例中，边缘测计算设备为PLC，PLC在接收到生产线的运行数据之后，通过对各工位动作完成时间和测量工件是否到位的传感器的ON时间进行分析，计算出各工序的节拍和整条生产线的节拍，并通过数据处理分析得到波形图，通过分析多组生产节拍的数据偏差，PLC自动设置当前生产环境下的阈值范围，当边缘侧计算设备预处理后的数据变化趋势超出阈值范围时，判断当前生产线出现异常。其中，生产线的运行数据首先通过边缘侧计算设备上进行预处理，其目的是为了避免数据传输、计算和存储过程中的计算负载大和数据传输慢的问题。

在本发明的一个实施例中，将在边缘侧计算设备上预处理后的数据上传至云端进行深度处理。云端对数据进行深度处理采用的是小波变换与BP神经网络相结合实现数据分析预测，将小波分析作为神经网络的前置处理手段，为神经网络提供特征向量，进行训练，完成诊断。其中，BP神经网络分为三层，分别为输入层、隐藏层和输出层，首先进行深度学习训练样本，具体步骤如下：第一步，网格初始化，设定误差函数，给定计算精度值和最大学习次数；第二步，随机选取第a个输入样本及对应的期望输出；第三步，计算隐藏层各神经元的输入和输出；第四步，利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数；第五步，利用输出层各神经元的偏导数和隐藏层各神经元的输出来修正连接权值；第六步，利用隐藏层各神经元的偏导数和输入层各神经元的输入修正连接权；第七步，计算全局误差；第八步，判断网格误差是否满足要求。然后根据训练完成后的模型运用到数据自动化测试中，反映结果走向，bug数，质量问题等情况，例如可以反映出生产线是否正常、生产程序是否存在漏洞以及存在漏洞的数量、生产出来的产品质量是否过关等情况。最后，将得到的数据编入样本对模型进行定时更新。

S3，当边缘侧计算设备和/或云端判定生产线发生异常时，发出异常报警。

在本发明的一个实施例中，虽然只有当边缘侧计算设备和云端的处理结果均为正常才可判定该生产节拍未发生异常情况，但只要判定边缘侧计算设备预处理的数据是正常的就可以开始处理并判断下一个生产节拍，无需等待云端的判定结果。

S4，对生产线发生的异常进行分析，并采取解除异常的对策。

在本发明的一个实施例中，如果生产线发生异常，则通过查找位的上升沿或字变为特定值的时间点，自动跳转到发生变化的时间点，确认故障时间点，自动找到与故障发生相关的软元件部分、生产节拍、人机界面操作工作日志，找到异常软元件，分析后调取该软元件发生警报的原因，在软件控制层面采取解除异常的对策。若通过异常自主分析模块40无法解决故障，如工件失效等情况，则等待人工处理。

根据本发明实施例的基于边云协同的生产线工作状态监测与故障预警系统，通过边缘侧计算设备和云端对生产线的运行数据进行预处理并判定是否异常，且通过自主分析异常情况，及时对异常情况采取解除异常的对策，由此，能够智能地监测生产线的工作状态，有效提高故障预警的实时性，并且能够自主分析异常情况并采取对策。

在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。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在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，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模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (9)

1.一种基于边云协同的生产线工作状态监测与故障预警系统，其特征在于，包括：

数据采集模块，所述数据采集模块用于收集存储生产线的运行数据；

状态监控模块，所述状态监控模块用于将所述生产线的运行数据在边缘侧计算设备上进行预处理和根据处理结果判断所述生产线是否发生异常，并将预处理后的数据上传至云端进行深度处理和根据处理结果判断所述生产线是否发生异常；

异常报警模块，所述异常报警模块用于在所述边缘侧计算设备和/或所述云端判定所述生产线发生异常时，发出异常报警；

异常自主分析模块，所述异常自主分析模块用于对所述生产线发生的异常进行分析，并采取解除异常的对策。

2.根据权利要求1所述的基于边云协同的生产线工作状态监测与故障预警系统，其特征在于，所述生产线的运行数据包括：所述生产线的生产节拍；所述生产线上易损件和重要驱动设备的温度、压力、扭矩和振动情况；人机界面操作工作日志。

3.根据权利要求2所述的基于边云协同的生产线工作状态监测与故障预警系统，其特征在于，所述数据采集模块具体用于通过时间监控计算所述生产节拍，并通过温度传感器、压力传感器、扭矩传感器和振动传感器分别采集所述温度、所述压力、所述扭矩和所述振动情况。

4.根据权利要求3所述的基于边云协同的生产线工作状态监测与故障预警系统，其特征在于，所述数据采集模块通过对所述生产线各工位动作完成时间和工件到位时间进行分析，以实现时间监控。

5.根据权利要求1-4中任一项所述的基于边云协同的生产线工作状态监测与故障预警系统，其特征在于，所述边缘侧计算设备为PLC，所述PLC具体用于对所述生产线的运行数据进行分析以得到数据的当前变化趋势信息，并根据所述数据的当前变化趋势信息判断所述生产线是否发生异常，并将所述数据的当前变化趋势信息上传至所述云端进行深度处理，所述云端根据处理结果判断所述生产线是否发生异常。

6.根据权利要求5所述的基于边云协同的生产线工作状态监测与故障预警系统，其特征在于，所述云端具体用于通过BP神经网络预测模型预测数据的未来变化趋势信息，并根据所述数据的未来变化趋势信息判断所述生产线是否发生异常。

7.根据权利要求6所述的基于边云协同的生产线工作状态监测与故障预警系统，其特征在于，所述异常报警模块具体用于当所述边缘侧计算设备和/或所述云端判定所述数据变化趋势异常时，接收所述边缘侧计算设备和/或所述云端的报警信息并发出警报。

8.根据权利要求7所述的基于边云协同的生产线工作状态监测与故障预警系统，其特征在于，所述异常自主分析模块具体用于分析异常原因和异常时间点，并在软件控制层面采取解除异常的对策。

9.一种基于边云协同的生产线工作状态监测与故障预警方法，其特征在于，包括以下步骤：

收集存储生产线的运行数据；

将所述生产线的运行数据在边缘侧计算设备上进行预处理，根据处理结果判断所述生产线是否发生异常，并将预处理后的数据上传至云端进行深度处理，根据处理结果判断所述生产线是否发生异常；

当所述边缘侧计算设备和/或所述云端判定所述生产线发生异常时，发出异常报警；

对所述生产线发生的异常进行分析，并采取解除异常的对策。

Images