[go: up one dir, main page]

CN118534883B - 基于工业物联网的设备故障智能诊断方法、系统和介质 - Google Patents

基于工业物联网的设备故障智能诊断方法、系统和介质 Download PDF

Info

Publication number
CN118534883B
CN118534883B CN202411017663.4A CN202411017663A CN118534883B CN 118534883 B CN118534883 B CN 118534883B CN 202411017663 A CN202411017663 A CN 202411017663A CN 118534883 B CN118534883 B CN 118534883B
Authority
CN
China
Prior art keywords
fault
equipment
data
historical
platform
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.)
Active
Application number
CN202411017663.4A
Other languages
English (en)
Other versions
CN118534883A (zh
Inventor
邵汉舒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Qinchuan IoT Technology Co Ltd
Original Assignee
Chengdu Qinchuan IoT Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Qinchuan IoT Technology Co Ltd filed Critical Chengdu Qinchuan IoT Technology Co Ltd
Priority to CN202411017663.4A priority Critical patent/CN118534883B/zh
Priority to US18/805,699 priority patent/US20240411635A1/en
Publication of CN118534883A publication Critical patent/CN118534883A/zh
Application granted granted Critical
Publication of CN118534883B publication Critical patent/CN118534883B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0709—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in a distributed system consisting of a plurality of standalone computer nodes, e.g. clusters, client-server systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
    • G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
    • G06F11/3075—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting the data filtering being achieved in order to maintain consistency among the monitored data, e.g. ensuring that the monitored data belong to the same timeframe, to the same system or component
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/004—Error avoidance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/008—Reliability or availability analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0793—Remedial or corrective actions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2201/00—Indexing scheme relating to error detection, to error correction, and to monitoring
    • G06F2201/835—Timestamp

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于工业物联网的设备故障智能诊断方法、系统和介质，该方法由基于工业物联网的设备故障智能诊断系统的设备管理平台执行，包括：从传感总数据库获取异常设备的设备相关数据，设备相关数据包括实时日志数据、历史日志数据、历史故障数据和周边关联数据；基于设备相关数据，预测异常设备的故障预警信息及置信度等级；基于故障预警信息及置信度等级，确定故障处理参数，并生成故障处理指令；将故障处理指令经由设备传感网络平台发送至设备感知控制平台的维护人员终端，和/或发送至故障排除设备并控制故障排除设备执行故障排除。该系统包括依次连接的用户平台、服务平台、设备管理平台、设备传感网络平台和设备感知控制平台。

Description

基于工业物联网的设备故障智能诊断方法、系统和介质
技术领域
本说明书涉及工业物联网领域，特别涉及一种基于工业物联网的设备故障智能诊断方法、系统和介质。
背景技术
工业物联网主要是指物联网技术在工业领域的应用，通过将各种智能设备、系统和网络相互连接，实现数据的采集、传输、分析和应用，从而提高工业生产的效率、质量和安全性。不过，随着工业设备种类的越来越繁杂，设备采集参数的越来越多，设备故障频发、维护成本高。传统的设备故障诊断方法依赖于人工巡检和专家经验，智能化和可靠性程度较低，无法满足大规模设备群的高效管理需求，且对于混装生产线上的自动装配设备，由于零部件类型不同且来源多变，不容易区分造成设备故障的零件及故障对哪些产品造成影响。
因此，提供一种基于工业物联网的设备故障智能诊断方法、系统和介质，该方法能够更准确地诊断设备故障，提高生产线的稳定性和生产效率；准确判断出造成故障的来源并及时处理，降低设备故障对生产的影响，提高设备的可靠性和使用寿命。
发明内容
发明内容包括一种基于工业物联网的设备故障智能诊断方法，所述方法由基于工业物联网的设备故障智能诊断系统的设备管理平台执行，包括：从传感总数据库获取异常设备的设备相关数据，所述设备相关数据包括实时日志数据、历史日志数据、历史故障数据和周边关联数据中的至少一种，所述设备相关数据可以通过设备传感网络平台从设备感知控制平台获取；基于所述设备相关数据，预测所述异常设备的故障预警信息及置信度等级；基于所述故障预警信息及所述置信度等级，确定故障处理参数，并生成故障处理指令；将所述故障处理指令经由所述设备传感网络平台发送至所述设备感知控制平台的维护人员终端，和/或发送至故障排除设备并控制所述故障排除设备执行故障排除。
发明内容还包括一种基于工业物联网的设备故障智能诊断系统，所述系统包括依次连接的用户平台、服务平台、设备管理平台、设备传感网络平台和设备感知控制平台；所述设备管理平台包括管理数据中心以及分别与所述管理数据中心进行信息交互的多个设备管理分平台；所述设备传感网络平台包括传感总数据库、多个传感子数据库和多个传感网络分平台，所述多个传感子数据库分别与所述传感总数据库信息交互，以及分别与所述多个传感网络分平台一一对应并进行信息交互，所述设备传感网络平台通过传感总数据库与所述设备管理平台信息交互；所述设备感知控制平台包括多个设备感知控制分平台，所述设备传感网络平台通过所述多个传感子数据库与所述设备感知控制平台的多个设备感知控制分平台分别进行信息交互；所述设备管理平台被配置为：从传感总数据库获取异常设备的设备相关数据，所述设备相关数据包括实时日志数据、历史日志数据、历史故障数据和周边关联数据中的至少一种，所述设备相关数据可以通过设备传感网络平台从设备感知控制平台获取；基于所述设备相关数据，预测所述异常设备的故障预警信息及置信度等级；基于所述故障预警信息及所述置信度等级，确定故障处理参数，并生成故障处理指令；将所述故障处理指令经由所述设备传感网络平台发送至所述设备感知控制平台的维护人员终端，和/或发送至故障排除设备并控制所述故障排除设备执行故障排除。
发明内容还包括一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如上述的基于工业物联网的设备故障智能诊断方法。
上述发明内容带来的有益效果包括但不限于：（1）结合设备的实时运行数据、历史运行日志数据、历史故障数据和周边关联数据，进行综合分析，从而更准确地诊断异常设备的设备故障；（2）通过故障的置信度等级和故障处理参数的输出，为故障处理提供了更加明确的指导，提高了故障处理的效率和效果；（3）通过实时监控和预防性维护，减少了设备故障的发生，提高了生产线的稳定性和生产效率；（4）通过对设备故障的及时诊断和处理，降低了设备故障对生产的影响，提高了设备的可靠性和使用寿命。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的一种基于工业物联网的设备故障智能诊断系统的示例性平台结构示意图；
图2是根据本说明书一些实施例所示的一种基于工业物联网的设备故障智能诊断方法的示例性流程图；
图3是根据本说明书一些实施例所示的预测故障预警信息和置信度等级的示例性流程图；
图4是根据本说明书一些实施例所示的确定设备故障类型和故障处理参数的示例性示意图；
图5是根据本说明书一些实施例所示的故障知识图谱的示例性局部示意图；
图6是根据本说明书一些实施例所示的确定模型的示例性示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的一种基于工业物联网的设备故障智能诊断系统的示例性平台结构示意图。以下将对本说明书实施例所涉及的工业物联网的设备智能诊断系统进行详细说明。需要注意的是，以下实施例仅用于解释本说明书，并不构成对本说明书的限定。
在一些实施例中，如图1所示，基于工业物联网的设备故障智能诊断系统100可以包括依次连接的用户平台110、服务平台120、设备管理平台130、设备传感网络平台140和设备感知控制平台150。
用户平台110是用于与用户进行交互的平台。在一些实施例中，用户平台可以被配置为终端设备。其中，终端设备可以包括移动设备，平板计算机，膝上型计算机等。用户可以为管理人员或检测人员等。在一些实施例中，用户平台110可以用于接收设备相关数据、故障处理参数等，并生成用户指令，对生产制造进行决策管理。用户指令是用户发出的用于控制、监控或配置设备或系统的操作。例如，更换受损零件，重装软件或清除机械中的异物。
设备相关信息和故障处理参数可以参见图2相关说明。
服务平台120是用于将用户的需求与控制信息传达出去的平台。在一些实施例中，服务平台120可以用于从设备管理平台130获取设备相关数据，并向用户平台110发送设备相关数据和故障处理参数等。在一些实施例中，服务平台120可以获取和处理用户平台110发送的用户指令，并传输至设备管理平台。
设备管理平台130可以是统筹、协调各功能平台之间的联系和协作，并汇聚着物联网全部的信息，为物联网运行体系提供感知管理和控制管理功能的平台。在一些实施例中，设备管理平台130可以包括管理数据中心131以及分别与管理数据中心131进行信息交互的多个设备管理分平台。例如，如图1所示，设备管理平台130可以包括设备管理分平台132-1、设备管理分平台132-2、设备管理分平台132-3、……、设备管理分平台132-n。设备管理平台130可以通过管理数据中心131分别与服务平台120和设备传感网络平台140信息交互。
管理数据中心131是对基于工业物联网的设备故障智能诊断系统100的所有数据进行存储和关联的平台。在一些实施例中，管理数据中心131可以被配置为存储设备，用于存储与生成故障指令相关的数据，如设备相关数据等。设备管理分平台是设备的设备相关数据进行处理的平台。设备管理平台130可以基于不同的设备管理分平台，从管理数据中心131接收并处理不同设备的设备相关数据。
在一些实施例中，设备管理平台130可以被配置为：从传感总数据库141获取异常设备的设备相关数据，设备相关数据包括实时日志数据、历史日志数据、历史故障数据和周边关联数据中的至少一种，设备相关数据可以通过设备传感网络平台140从设备感知控制平台150获取；基于设备相关数据，预测异常设备的故障预警信息及置信度等级；基于故障预警信息及置信度等级，确定故障处理参数，并生成故障处理指令；将故障处理指令经由设备传感网络平台140发送至设备感知控制平台150的维护人员终端，和/或发送至故障排除设备并控制故障排除设备执行故障排除。更多说明可以参见图2-图5。
设备传感网络平台140可以是对传感通信进行管理的功能平台。在一些实施例中，设备传感网络平台140可以被配置为通信网络或者网关等。在一些实施例中，设备传感网络平台140采用中心计算与边缘计算相结合的分布式架构。在一些实施例中，设备传感网络平台140可以包括传感总数据库141、多个传感子数据库和多个传感网络分平台。
传感子数据库是对不同设备的信息进行通信管理的数据库。传感总数据库是对所有设备的信息进行通信管理的数据库。传感网络分平台是对不同设备的传感通信进行管理的平台。在一些实施例中，多个传感子数据库分别与传感总数据库141信息交互，以及分别与多个传感网络分平台一一对应并进行信息交互，设备传感网络平台140通过传感总数据库141与设备管理平台130信息交互。
在一些实施例中，如图1所示，设备传感网络平台140包括传感子数据库142-1、传感子数据库142-2、传感子数据库142-3……传感子数据库142-n；设备传感网络平台140包括传感网络分平台143-1、传感网络分平台143-2、传感网络分平台143-3……传感网络分平台143-n。其中，传感网络分平台143-n与传感子数据库142-n交互。在一些实施例中，设备传感网络平台140可以通过多个传感子数据库与设备感知控制平台150的多个设备感知控制分平台一一交互。
在一些实施例中，传感子数据库可以接收对应设备感知控制分平台采集并上传的设备相关数据，并与对应的传感网络分平台共同执行边缘计算。在一些实施例中，传感网络分平台包括边缘计算模块。边缘计算模块可以基于传感子数据库中获取设备相关数据并进行第一预处理，并将第一预处理后的设备相关数据存储于传感子数据库；传感子数据库可以将第一预处理后的设备相关数据发送至传感总数据库141。第一预处理包括数据解析、校验、分类标识、压缩、打包等。
在一些实施例中，传感总数据库141可以从传感子数据库获取第一预处理后的设备相关数据，并进行数据源标记后形成带标记的设备相关数据；将带标记的设备相关数据发送至设备管理平台130的管理数据中心131。其中，标记包括异常设备的标记。
在一些实施例中，传感总数据库141可以将对应的第一预处理后的设备相关数据满足预设异常条件的设备标记为异常设备。预设异常条件可以人为根据经验设置。例如，预设异常条件可以为处理后的设备的报警次数超过预设次数阈值的为异常设备。又例如，预设异常条件可以为实时日志数据的数据异常度大于预设异常度阈值。数据异常度是指实时日志数据的异常程度，可以用等级或分数表示。示例性的，数据异常度可以包括1级数据异常度、2级数据异常度和3级数据异常度。实时日志数据的数据异常度与实时日志数据中异常参数的数量正相关。传感总数据库141可以将实时日志数据中数值大于设定值的参数确定为异常参数。例如，若电流值大于预设值，则将电流确定为异常参数。设定值可以根据经验预设。关于设备相关数据可以参见图2相关说明。
设备感知控制平台150可以是感知设备的信息生成和控制信息执行的功能平台。在一些实施例中，设备感知控制平台150可以包括多个设备感知控制分平台。例如，如图1所示，设备感知控制平台150可以包括设备感知控制分平台151-1、设备感知控制分平台151-2、设备感知控制分平台151-3……设备感知控制分平台151-n。在一些实施例中，设备感知控制分平台可以被配置为多种设备，例如，电流传感器、电压传感器、功率仪、温度传感器、测速仪、报警器、通讯设备等。在一些实施例中，设备感知控制分平台还可以被配置为生产线上的其他相关设备等。
在一些实施例中，设备传感网络平台140通过多个传感子数据库与设备感知控制平台150的多个设备感知控制分平台分别进行信息交互。例如，如图1所示，设备感知控制分平台151-n可以与传感子数据库142-n信息交互。在一些实施例中，不同设备感知控制分平台可根据预设规则对应不同设备。预设规则是将设备分类并划分至不同设备感知控制分平台的规则，例如，不同生产车间的设备对应不同的设备感知控制分平台，或不同生产线的设备对应不同设备感知控制分平台，或不同类型的设备对应不同设备感知控制分平台等。在一些实施例中，设备感知控制分平台包括数据采集模块，设备感知控制分平台可以基于数据采集模块获取对应设备的设备相关数据，并传输至对应的传感子数据库。
本说明书的一些实施例，通过基于工业物联网的设备故障智能诊断系统的各个平台分工协作，可以实现各平台之间信息交互，同时形成信息闭环，并在设备管理平台130的统一管理下协调、规律运行，实现故障处理的信息化、智慧化。
图2是根据本说明书一些实施例所示的一种基于工业物联网的设备故障智能诊断方法的示例性流程图。如图2所示，流程200包括下述步骤210-步骤240。流程200为基于工业物联网的设备故障智能诊断方法的流程。在一些实施例中，步骤210-步骤240可以基于工业物联网的设备故障智能诊断系统100的设备管理平台130执行。
步骤210，从传感总数据库获取异常设备的设备相关数据。
设备相关数据是指与设备相关联的各类数据。设备相关数据包括实时日志数据、历史日志数据、历史故障数据和周边关联数据中的至少一种。设备相关数据可以通过设备传感网络平台140从设备感知控制平台150获取。设备可以为多种应用场景中的设备，例如，混装生产线上的自动装配设备等。混装生产线是指在同一条生产线上可以同时生产多种不同型号的产品的生产线。
异常设备的设备相关数据是指与异常设备相关的数据。异常设备的确定方法可以参见图1相关说明。
实时日志数据是反映设备实时运行状态的数据。在一些实施例中，实时日志数据至少包括实时运行数据、实时统计数据、实时报警数据、设备实时位置与实时状态数据等中的一种或多种。
实时运行数据是反映设备在当前时刻的运行性能的指标数据。例如，实时运行数据可以包括设备当前运行的电流、电压、运行功率、温度和转速。
实时统计数据是指对实时运行数据进行统计和分析后得到的结果。在一些实施例中，实时统计数据可以包括设备运行时长和产品产量。
实时报警数据是指设备在当前运行过程中出现异常或故障时生成的报警相关信息。例如，实时报警数据可以包括设备当前是否产生报警信息和报警信息的报警类型。其中，报警类型可以包括音量报警、超温预警和压力预警等。
设备实时位置是指设备在当前时刻的位置信息。
状态数据是反应设备运行状态的信息数据。例如，状态数据可以包括设备运行良好或设备运行异常。实时状态数据是指设备在当前时刻的状态数据。
历史日志数据是反映设备历史运行状态的数据。在一些实施例中，历史日志数据可以记录设备、系统或应用程序在过去某个时间段内的运行情况、操作记录、异常信息等的数据。在一些实施例中，历史日志数据至少包括历史运行数据、历史统计数据、历史报警数据、设备历史位置与历史状态数据中的一种或多种。
历史故障数据是指与设备历史运行过程中发生故障有关的数据。例如，历史故障数据包括历史故障时间和历史故障类型。在一些实施例中，故障类型可以是设备老化变形，软件故障，零件缺失等。
周边关联数据是指与异常设备相关的、可能影响或与其运行状态有相关性的其他设备或环境的数据。在一些实施例中，周边关联数据可以是与当前设备位置的物理距离小于预设距离阈值的，或装配于当前设备的上下游的关联设备的数据。预设距离阈值可以提前预设。
在一些实施例中，设备管理平台130可以基于设备传感网络平台140中的传感总数据库141获取设备相关数据。设备传感网络平台140可以从设备感知控制平台150获取设备相关数据，并存储至传感总数据库141。设备感知控制平台150可以通过不同设备对应的设备管理分平台获取设备相关数据。例如，设备感知控制平台150可以通过电压/电流传感器等获取设备运行的电压/电流，或通过报警器获取实时报警数据等。
步骤220，基于设备相关数据，预测异常设备的故障预警信息及置信度等级。
故障预警信息是指对未来可能发生故障的异常设备发出的示警信息。在一些实施例中，故障预警信息可以包括在未来预设时间内的异常设备是否发生故障的信息，以及故障类型等中的至少一种。关于故障类型可以参见前文相关说明。
置信度等级是衡量故障预警信息的可信度的等级。在一些实施例中，置信度等级可以设定为低级，中级和高级。在一些实施例中，置信度等级还可以设置为其他等级，此处不做限制。
在一些实施例中，设备管理平台130可以基于设备相关数据，通过多种方法预测异常设备的故障预警信息及置信度等级。
例如，设备管理平台130可以基于异常设备的实时日志数据中的实时报警数据产生了报警信息，将实时报警数据确定为故障预警信息，将置信度等级设置为高级。
又例如，设备管理平台130可以基于异常设备的实时日志数据中的实时报警数据未产生报警信息，历史报警数据中产生了报警信息，将最近一次报警信息对应的历史报警数据确定为设备故障预警信息，将置信度等级设置为中级。
再例如，设备管理平台130可以基于异常设备的实时日志数据中的实时报警数据没有产生报警信息，且历史故障数据中存在故障记录，那么将最近一次故障记录的故障信息确定为故障预警信息，将置信度等级设置为低级。又例如，设备管理平台130还可以基于周边关联数据中的关联设备出现了故障，将关联设备的故障信息确定为故障预警信息，将置信度等级设置为低级。
在一些实施例中，设备管理平台130还可以基于实时日志数据、预设时间段的历史日志数据，确定目标日志数据、目标日志数据的相似置信度和故障关键特征；基于故障关键特征和相似置信度，通过设备故障模型预测故障预警信息和置信度等级。具体内容可以参见图3相关说明。
步骤230，基于故障预警信息及置信度等级，确定故障处理参数，并生成故障处理指令。
故障处理参数是指对可能发生故障的设备进行处理时的相关参数。在一些实施例中，故障处理参数可以包括维修参数或故障排除参数等中的至少一种。维修参数包括设备维修步骤、维修所需工具或零件、预计修复时间、对应的维护人员中的至少一种。故障排除参数可以包括故障排除设备的数量、位置等中的至少一种。关于故障排除设备可以参见下文说明。
在一些实施例中，设备管理平台130可以基于故障预警信息及置信度等级，查找预设关系表格确定故障处理参数。预设关系表格包括故障预警信息及置信度等级与故障处理参数的映射关系。在一些实施例中，设备管理平台130可以将历史数据中，各故障预警信息及其故障置信度下出现次数最多的故障处理参数作为对应的故障处理参数，并计入预设关系表格。
在一些实施例中，设备管理平台130还可以响应于置信度等级满足预设条件，构建故障知识图谱；并基于故障知识图谱，通过故障诊断模型确定故障处理参数。具体内容可以参见图4相关说明。
故障处理指令是指对可能发生故障的设备进行处理的操作命令。
在一些实施例中，设备管理平台130可以基于故障处理参数，生成故障处理指令。
步骤240，将故障处理指令经由设备传感网络平台发送至设备感知控制平台的维护人员终端，和/或发送至故障排除设备并控制故障排除设备执行故障排除。
维护人员终端是与设备感知控制平台进行交互的设备。维护人员终端可以被配置为个人计算机、移动手机、平板电脑等中的至少一种。
在一些实施例中，设备管理平台130可以基于故障处理参数中存在维修参数，将故障处理指令经由传感网络平台发送至设备感知控制平台150的对应的维护人员的维护人员终端。维护人员可以基于接收到的故障处理指令对相关异常设备进行故障处理。关于维修参数可以参见前文。
故障排除设备是指用于检测、诊断和修复设备故障的各类硬件或软件工具。在一些实施例中，故障排除设备可以是机械手臂，机器人等中的至少一种。
在一些实施例中，设备管理平台130可以基于故障处理参数中存在故障排除参数，将故障处理指令经由传感网络平台发送至对应的故障排除设备。故障排除设备可以基于故障排除指令对相关异常设备执行故障排除。关于故障排除参数可以参见前文。
本说明书的一些实施例不仅考虑了设备的实时运行数据，还结合了设备的历史运行日志数据、历史故障数据和周边关联数据，进行综合分析，从而更准确地诊断异常设备的设备故障；通过故障的置信度等级和故障处理参数的输出，为故障处理提供了更加明确的指导，提高了故障处理的效率和效果。
本说明书的一些实施例，通过实时监控和预防性维护，减少了设备故障的发生，提高了生产线的稳定性和生产效率。通过对设备故障的及时诊断和处理，降低了设备故障对生产的影响，提高了设备的可靠性和使用寿命。
应当注意的是，上述有关流程200的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程200进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
图3是根据本说明书一些实施例所示的预测故障预警信息和置信度等级的示例性流程图。流程300为预测故障预警信息和置信度等级的流程。在一些实施例中，如图3所示，流程300包括步骤310-步骤340。步骤310-步骤340可以由基于工业物联网的设备故障智能诊断系统100的设备管理平台130执行。
步骤310，基于实时日志数据、预设时间段的历史日志数据，确定目标日志数据及目标日志数据的相似置信度。
关于实时日志数据、历史日志数据可以参见图2相关说明。
预设时间段是预先设置的一段时间。在一些实施例中，预设时间段可以根据经验或需求设置。
在一些实施例中，预设时间段的时间长度相关于异常设备发生故障的时间集中度。
时间集中度用于衡量某一异常设备的已发生故障，相对于所有异常设备已发生故障的时间集中程度。
在一些实施例中，时间集中度可以基于当前异常设备的历史故障数据和所有异常设备的历史故障数据确定。例如，设备管理平台130可以计算当前异常设备的历史故障数据中所有相邻故障时间的间隔时间的均值，并作为第一故障时间；计算所有异常设备的历史故障数据中所有相邻故障时间的间隔时间均值，作为第二故障时间；基于第一故障时间和第二故障时间确定时间集中度。
当前异常设备是指当前时刻被确定的异常设备。所有异常设备是指所有历史时刻及当前时刻被确认为异常设备的全部设备。第一故障时间反映当前异常设备发生故障的间隔时长。第二故障时间反映所有异常设备发生故障的间隔时长。时间集中度与第一故障时间负相关，与第二故障时间正相关。在一些实施例中，设备管理平台130可以将第二故障时间与第一故障时间的比值作为时间集中度。
在一些实施例中，预设时间段的时间长度与异常设备发生故障的时间集中度可以负相关。设备管理平台130可以基于时间集中度通过公式（1）计算得到预设时间段的时间长度，公式（1）如下所示：
预设时间段的时间长度=基础时间长度÷（p×时间集中度）（1）
其中，p为大于0的系数，p可以根据经验设置。基础时间长度是用于计算预设时间段的时间长度的参照时长，基础时间长度可以根据经验设置，如将所有故障发生的时间间隔的平均值作为基础时间长度。对时间集中度低的异常设备，故障发生的时间较分散，则选择更长的预设时间段，从而保证预设时间段的历史日志数据包括异常设备发生故障时对应的历史日志数据。
基于故障时间集中度确定预设时间段的时间长度，从而在选择的历史数据能够根据设备发生故障的特性进行选择，可以根据异常设备发生故障的相对特性，选择时间长度，从而使选取的预设时间段的历史日志数据更加贴合异常设备的情况。
在一些实施例中，预设时间段的时间长度相关于数据可分析度。
数据可分析度用于衡量数据的分析难度。数据可分析度越低，数据的分析难度越高。例如，待分析数据需要较长时间的观测才能够判断其异常，则该数据的数据分析难度较高，数据可分析度较低。待分析数据为历史日志数据中的某项待判断是否异常的数据，例如，异常设备的运行数据，关于运行数据可参见图2相关说明。
在一些实施例中，设备管理平台130可以基于待分析数据在第一预设时间段的波动确定数据可分析度。波动越大，数据可观测到变化的能力越强，数据可分析度越高。波动与待分析数据的统计值有关，统计值可以包括标准差和均值。第一预设时间段是指预设的相对较长的一段时间，例如，一年。
在一些实施例中，设备管理平台130可以将待分析数据在第一预设时间段的标准差与均值的比值作为数据可分析度。
在一些实施例中，设备管理平台130可以基于数据可分析度与时间集中度计算得到预设时间段的时间长度。预设时间段的时间长度与数据可分析度和时间集中度负相关。例如，设备管理平台130可以通过公式（2）计算得到预设时间段的时间长度，公式（2）如下所示：
预设时间段的时间长度=基础时间长度÷（p×时间集中度+q×数据可分析度）（2）
其中，q为大于0的系数，q可以根据经验设置；关于基础时间长度、时间集中度和系数p可以参见上文公式（1）相关说明。
考虑数据可分析度，从而选择的历史数据能够根据数据的特性确定时间长度，使选取的预设时间段的历史日志数据更加合理，便于后续分析。
目标日志数据是期望从历史日志数据中获取到的目标数据。
在一些实施例中，设备管理平台130可以对基于实时日志数据中的实时运行数据、实时统计数据、实时报警数据、设备实时位置和状态数据等构建第一特征向量；基于预设时间段的历史日志数据中多个历史时刻的历史运行数据、历史统计数据、历史报警数据、设备历史位置和历史状态数据等构建多个第一参考向量；计算第一特征向量与多个第一参考向量的相似度，将相似度最高的第一参考向量对应的历史日志数据作为目标日志数据。相似度可以用向量距离的倒数表示，向量距离可以为余弦距离、欧氏距离等。
目标日志数据的相似置信度是指目标日志数据与实时日志数据相似的可信程度。在一些实施例中，设备管理平台130可以将目标日志数据实时日志数据之间的相似度作为目标日志数据的相似置信度。
步骤320，基于目标日志数据所在的第一时间戳，获取第二时间戳的历史故障数据。关于历史故障数据可以参见图2相关说明。
第一时间戳是指目标日志数据所在的时间点。第二时间戳为与第一时间戳相邻的下一个时间戳。在一些实施例中，设备管理平台130可以基于目标日志数据所在的第一时间戳，将历史日志数据中与目标日志数据所在时间点的下一时间点作为第二时间戳，并基于设备传感网络平台140获取设备感知控制平台150上传的第二时间戳的历史故障数据。
步骤330，基于实时日志数据、周边关联数据和第二时间戳的历史故障数据，确定故障关键特征。关于实时日志数据、周边关联数据的说明可以参见图2。
故障关键特征是最可能导致异常设备发生故障的数据特征。例如，异常设备发生故障最可能是电压过高，则故障关键特征为关于电压的特征。
在一些实施例中，对于某一实时日志数据，设备管理平台130可以基于对应的历史数据，构建样本数据库；基于样本数据库中的数据构建频繁项数据库；基于实时日志数据、周边关联数据和第二时间戳的历史故障数据构建第二特征向量，查询频繁项数据库。设备管理平台130可以基于频繁项构建第二参考向量，将与第二特征向量的相似度大于相似度阈值、且支持度最高的第二参考向量对应的频繁项确定为设备故障关键特征。相似度与向量距离负相关，向量距离可以为余弦距离。
样本数据库是为繁项数据库提供样本数据的数据库。在一些实施例中，设备管理平台130可以获取与异常设备的设备类型相同的所有设备的历史故障数据；对每一设备的每一条历史故障数据，根据该条历史故障数据的时间戳，获取该时间戳的该设备的历史日志数据、周边关联数据；将该设备的历史日志数据、周边关联数据和该条历史故障数据，作为一组样本数据，存入样本数据库；依次类推，得到多组样本数据，存入样本数据库。历史日志数据包含多个特征项，如电流、电压、运行时长等。历史故障数据包含故障时间和故障类型等特征项。所以样本数据库中的每组样本数据都包括多个特征项。在一些实施例中，由于设备在不同时刻发生故障的情况可能不同，不同样本数据包含的特征项可以相同或不相同。示例性的，一组样本数据可以为DEG，也可以为ABCDEFG，其中，A-G为不同的特征项。
频繁项数据库是记录出现故障次数较多的数据的数据库。频繁项数据库包括频繁项及其对应的支持度。频繁项为满足在样本数据库中出现频繁的一组数据。在一些实施例中，设备管理平台130可以通过下述步骤构建频繁项数据库：（1）随机选取样本数据库中的一组样本数据作为目标数据，基于字符匹配算法，确定目标数据在样本数据库中的多组匹配数据，基于多组匹配数据确定目标数据的支持度；（2）重复步骤（1），直到数据库中的每一组样本数据都有支持度；（3）将支持度大于支持度阈值的样本数据确定为频繁项；（4）基于频繁项和支持度，构建频繁项数据库。
字符匹配算法可以为暴力匹配算法（BF，Brute Force）、KMP算法（Knuth-Morris-Pratt Algorithm）等，也可以为其他字符匹配算法，此处不做限制。
匹配数据是指样本数据库中，能够与目标数据匹配的样本数据。例如，目标数据为DEF，样本数据1为ABCDEFG，样本数据2为BCEFG，样本数据1中的“DEF”段可以与目标数据一致，则可以将样本数据1作为目标数据的一组匹配数据，样本数据2看作与目标数据不匹配。
支持度用于反映目标数据在样本数据库中的匹配程度。在一些实施例中，设备管理平台130可以将目标数据在样本数据库中匹配得到的匹配数据的数量，作为目标数据的支持度。
支持度阈值是指支持度的临界值。在一些实施例中，支持度阈值可以根据经验预设。
在一些实施例中，设备管理平台130可以将支持度大于支持度阈值的所有样本数据及其对应的支持度，计入频繁项数据库中。
相似度阈值是指第二参考向量与第二特征向量的相似度的临界值。第二参考向量与第二特征向量的向量长度不同时，可以通过补零对齐。在一些实施例中，相似度阈值可以根据经验预设，例如，设置为0.8%。在一些实施例中，相似度阈值与设备管理平台130的计算能力以及允许误差相关。设备管理平台130的计算能力可以表示为设备管理平台130的平均查询时间。平均查询时间是指设备管理平台130查询频繁项数据库所用的平均时间。允许误差是指允许相似度阈值存在的误差。允许误差与查找到的故障关键特征对应的置信度等级正相关。在一些实施例中，相似度阈值与计算能力和允许误差正相关。例如，设备管理平台130可以通过公式（3）计算得到相似度阈值，公式（3）如下所示：
相似度阈值=w1×计算能力+w2×允许误差（3）
其中，w1、w2为大于0的常数，可以根据经验或需求预设。
在一些实施例中，支持度阈值相关于异常设备的故障集中度，故障集中度相关于故障分布，故障分布基于所有异常设备的历史故障数据确定。
故障分布是指在历史故障数据中故障的分布。故障分布包括异常设备对应设备类型的设备发生的全部故障类型及对应的故障次数。故障分布可以通过统计所有设备的历史故障数据确定。
故障集中度是指故障集中发生在异常设备上的程度。在一些实施例中，设备管理平台130可以将异常设备的各类型故障的故障次数，在故障分布中各类型故障对应的故障总次数的占比的统计值，作为该异常设备的故障集中度。统计值可以为均值等。
在一些实施例中，支持度阈值正相关于故障集中度。
考虑整个系统所有设备的故障分布，如果故障集中度高，代表异常设备频繁发生故障，说明异常设备存在问题，那么适当的提高支持度阈值，则对应的频繁项能够更好的表现其故障的影响因素。如果故障集中度低，说明除了异常设备，其他设备都可能发生了故障，则该系统可能存在问题，那么适当的降低支持度阈值，能够更好的提取出发生故障的其他影响因素。
步骤340，基于故障关键特征和相似置信度，通过设备故障模型预测故障预警信息和置信度等级。
关于故障关键特征和相似置信度可以参见前文相关说明。关于故障预警信息和置信度等级可以参见图2相关说明。
设备故障模型是用于对异常设备的故障预警信息和置信度等级进行预测的模型。在一些实施例中，设备故障模型为机器学习模型。例如，设备故障模型可以为卷积神经网络（Convolutional Neural Networks，CNN）模型、深度神经网络（Deep Neural Networks，DNN）模型或其他模型中的至少一种。
在一些实施例中，设备故障模型可以通过大量第一训练样本和与第一训练样本对应的第一标签训练得到。在一些实施例中，可以将多个带有第一标签的第一训练样本输入初始设备故障模型，通过第一标签和初始设备故障模型的结果构建损失函数，基于损失函数通过梯度下降或其他方法迭代更新初始设备故障模型的参数。当满足预设训练条件时模型训练完成，得到训练好的设备故障模型。其中，预设训练条件可以是损失函数收敛、迭代的次数达到阈值等。
第一训练样本中的每组训练样本可以包括历史数据中的某历史时间点的历史故障关键特征和历史相似置信度。第一标签为第一训练样本对应的样本故障预警信息及其样本置信度等级。在一些实施例中，某一组第一训练样本对应一个历史时间点的历史故障关键特征和历史相似置信度，将历史数据中该历史时间点后的报警信息作为第一标签中的样本故障预警信息，基于该样本故障预警信息和后续实际的故障信息确定其样本置信度等级。例如，历史数据中该历史时间点后有报警信息，且后续发生了故障，故障与报警信息一致，则将第一标签中的置信度等级标注为高级。又例如，该历史时间点后有报警信息，且后续发生了故障，但故障与报警信息不一致，则将第一标签中的置信度等级标注为中级。再例如，该历史时间点后有报警信息，但后续未发生故障，则将第一标签中的置信度等级标注为低级。
本说明书的一些实施例，包括但不限于以下有益效果：（1）采用相似度匹配的方法，通过比较实时日志数据和历史日志数据，找到与当前情况最为相似的历史记录。选择与实时日志数据相似度高的历史日志数据，能够更准确地预测潜在的故障，并提前发出预警，提高故障预测的准确性。（2）通过查找目标日志数据对应时间戳相邻时间点的历史故障数据，系统能够更快速地定位到可能发生的故障类型、故障发生时间和故障原因等，从而提供及时且有针对性的故障预警。（3）从多种数据源中提取故障关键特征，能够更全面地反映设备的运行状态和潜在故障风险。基于故障关键特征，设备故障模型能够更准确地预测故障预警信息，提高预测的可靠性和有效性。（4）设备故障模型基于大量历史日志数据训练得到，实现了数据驱动的智能化维护，不仅提高了维护的效率和准确性，还降低了维护成本，提高了设备的可用性和可靠性。
图4是根据本说明书一些实施例所示的确定设备故障类型和故障处理参数的示例性示意图。
在一些实施例中，如图4所示，设备管理平台130可以响应于置信度等级满足预设条件，基于设备相关数据410构建故障知识图谱420，并将故障知识图谱420存储于管理数据中心131；基于故障知识图谱420，通过故障诊断模型430确定设备故障类型441和故障处理参数442。关于设备故障类型和故障处理参数可以参见图2。
设备故障类型是异常设备未来可能发生的故障类型，例如，设备老化变形、软件故障、零件缺失、零件识别错误等。
预设条件可以为置信度等级大于预设等级，如置信度等级大于低级，也即置信度等级为中级和高级。预设条件可以认为根据经验或需求设置。
在一些实施例中，设备管理平台130可以基于设备相关数据、设备故障预警信息和历史故障处理参数等，通过预设方法构建故障知识图谱。关于设备相关数据可以参见图2。
历史故障处理参数包括历史维修步骤、所用工具或零件、历史修复时间、历史维修人员等。
预设方法为处理数据的方法，例如，NLP（Natural Language Processing，自然语言处理）技术等。示例性的，设备管理平台130可以基于设备相关数据、设备故障预警信息和历史故障处理参数等，通过NLP技术提取实体和实体间的关系、属性等形成网络结构，并形成的网络结构图作为故障知识图谱。
故障知识图谱是反映故障发生时各实体之间的关系的结构化语义知识库。
实体是指具有区别性且独立存在的某种事物。在一些实施例中，实体可以包括设备相关数据、故障预警信息和历史故障处理参数中的不同类型的参数项，例如，历史故障数据、预警故障类型、历史维修步骤等。
在一些实施例中，故障知识图谱包括实体和边。边表示实体之间存在关系，边的属性包括包含关系、影响关系等。例如，历史故障数据和故障零件、故障数据之间为包含关系。又例如，历史故障数据影响的波及设备为影响关系。
图5是根据本说明书一些实施例所示的故障知识图谱的示例性局部示意图。示例性的，如图5所示，故障知识图谱中，实体包括异常设备、异常设备的历史故障数据、产生故障的设备、故障零件、波及设备、波及零件、故障发生时间等。异常设备的历史故障数据1对应的异常设备和产生故障的设备不相同；异常设备的历史故障数据2对应的异常设备和产生故障的设备为同一个。
故障零件是导致故障发生的零件。故障零件可以为故障发生时，或发生前涉及的零件，故障数据中也可以没有故障零件。
波及零件是故障发生后受到波及的零件，如后续装配异常的零件。
在一些实施例中，设备关联平台130可以周期性更新故障知识图谱。
故障知识图谱的更新周期可以根据需求预设。例如，更新周期可以设置为设备感知控制平台150获取数据的周期。
在一些实施例中，设备关联平台130可以基于设备感知控制平台150获取到的实时日志数据，周期性更新故障知识图谱。
故障诊断模型430是用于确定故障类型和故障处理参数的模型。在一些实施例中，故障诊断模型为机器学习模型。例如，故障诊断模型可以为循环神经网络（RecurrentNeural Network，RNN）模型、图神经网络模型（GNN，Graphic Nuaral Network）或其他模型中的至少一种。
在一些实施例中，故障诊断模型可以通过大量第二训练样本和与第二训练样本对应的第二标签训练得到。具体训练过程与设备故障模型的训练过程相似，参见图3相关说明。
第二训练样本中的每组训练样本可以包括基于历史数据构建的历史故障知识图谱。第二标签为第二训练样本对应的设备故障类型和故障处理参数。在一些实施例中，可以将后续实际检测到的设备故障类型和处理效果满足预设处理条件的历史故障处理参数作为第二标签。处理效果满足预设处理条件可以包括故障处理后，后续预设时间段没有再出现相同故障。
本说明书的一些实施例，包括但不限于如下有益效果：（1）通过构建故障知识图谱，能够快速检索与当前故障类型相关的历史故障处理参数等信息，减少了故障排查和修复的时间，提高了维修人员处理故障的效率，降低维护成本。（2）利用了NLP技术，能够自动从文本数据中识别出与设备故障相关的数据标签，并通过预设规则抽取各数据标签之间的关系建立映射，从而使得知识图谱的构建更加高效、准确，为后续的故障处理提供了有力的支持。（3）通过大量数据训练故障诊断模型，基于故障诊断模型能够更准确地识别故障类型、输出故障处理参数，并为维修人员提供更为专业的指导。（4）通过及时准确的故障预警和故障处理，系统能够减少设备故障对生产运营的影响，降低因故障导致的停机时间和生产损失。
在一些实施例中，设备管理平台130可以响应于故障知识图谱中存在异常设备关联的零件信息，基于故障预警信息和至少一个装配产品的检测信息，确定第一关联部件；响应于存在第一关联部件，基于第一关联部件，确定设备故障类型和故障处理参数。
异常设备关联的零件信息是与异常设备有关的零件的信息。
装配产品是生产线上进行零件装配的设备生产的产品。进行零件装配的设备包括多个异常设备和/或其他非异常设备。其他非异常设备可以为设备相关数据满足预设异常条件的设备。预设异常条件的说明可以参见图2。
装配产品的检测信息是对装配产品进行检测得到的信息。例如，装配产品是否检测合格。检测信息可以用布尔值表示，例如，0表示装配产品检测不合格，1表示装配产品检测合格。在一些实施例中，设备管理平台130可以通过服务平台120，获取用户平台110中，检测人员通过用户终端上传的装配产品的检测信息。
第一关联部件为造成装配设备发生异常的零部件。
在一些实施例中，响应于故障知识图谱中存在异常设备关联的零件信息，且零件信息中包含故障零件，设备管理平台130可以将故障零件确定为第一关联部件。若零件信息中不包含故障零件，则基于故障预警信息和至少一个装配产品的检测信息查找第二预设关系表格确定第一关联部件。第二预设关系表格包括故障预警信息和至少一个装配产品的检测信息与第一关联部件的映射关系。映射关系可以根据历史数据或经验设置。在一些实施例中，设备管理平台130可以统计历史数据中，在预警信息下后续实际影响到的零部件，并计入第二预设关系表格。
在一些实施例中，设备管理平台130可以基于故障预警信息和检测信息，通过确定模型确定第一关联部件。具体说明可以参见图6。
在一些实施例中，响应于存在第一关联部件，设备管理平台130可以将第一关联部件对应设备的设备故障类型确定为零部件识别错误，将故障处理参数设置为剔除第一关联部件。
故障产生时，可能是因为有问题的零部件（比如外观尺寸有问题），导致装配设备装配时不能装配或不能识别而发生故障，包括机械故障或电子故障。故障也可能是装配设备在装配零部件时才发生，比如因为零部件传输顺序改变了，装配设备识别错误。混装生产线上是连续不间断进行的，如果上述故障不能及时识别，后续可能会扩大故障的影响范围。通过确定第一关联零部件，能够有效的防止故障的蔓延。
在一些实施例中，故障处理参数还包括调节输送参数。
调节输送参数为调整后的输送参数。输送参数是反应混装生产线上各零部件的输送情况的参数，例如，输送速度、输送时间等。
在一些实施例中，设备管理平台130可以基于故障知识图谱，确定第二关联部件；基于第二关联部件，确定调节输送参数，并将输送参数调整为调节输送参数。
第二关联部件为异常设备发生故障后受影响的零部件。
在一些实施例中，设备管理平台130可以基于故障知识图谱，确定第一实体，基于第一实体确定第二实体。设备管理平台130可以将第二实体代表的零部件确定为第二关联部件。第一实体为与发生的故障直接相关的实体。例如，发生故障的异常设备、故障数据等。第二实体是指与第一实体存在关联且实体类型为零部件的实体。
在一些实施例中，设备管理平台130可以将第二关联部件按照生产线进行分类，计算各生产线上的第二关联部件的占比，基于占比确定调节输送参数。调节输送参数包括调节输送速度。调节输送速度是指调整后的输送速度。调节输送速度与生产线上的第二关联部件的占比负相关。例如，设备管理平台130可以基于公式（4）计算得到调节输送速度，公式（4）如下所示：
调节输送速度=（1-a）×生产线当前的输送速度（4）
其中，a为生产线上的第二关联部件的占比。
通过调节生产线的输送速度，能够降低故障造成的后续影响，为排障争取了时间，无需停产排障，也降低了对生产的影响。
图6是根据本说明书一些实施例所示的确定模型的示例性示意图。
在一些实施例中，如图6所示，设备管理平台130可以基于故障预警信息611和检测信息612，通过确定模型620确定第一关联部件630。关于故障预警信息可以参见图2相关说明，关于检测信息和第一关联部件可以参见图4相关说明。
确定模型620是用于确定第一关联部件的模型。在一些实施例中，确定模型为机器学习模型。例如，确定模型可以为神经网络（Neural Networks，NN）模型、CNN模型或其他模型中的至少一种。
在一些实施例中，确定模型可以通过大量第三训练样本和与第三训练样本对应的第三标签训练得到。确定模型的具体训练过程与设备故障模型的训练过程相似，参见图3相关说明。
第三训练样本中的每组训练样本可以包括历史数据中的历史故障预警信息和至少一个装配产品的历史检测信息。第三标签为第三训练样本对应的样本第一关联部件。在一些实施例中，可以将第三训练样本对应的后续实际排查到的与故障相关的零部件确定为第三标签。
在一些实施例中，确定模型至少包括第一阶段的训练，第一阶段的训练包括：基于第一训练集训练、基于第一验证集验证和基于第一测试集测试。
第一训练集是用于训练确定模型内参数的样本数据集。第一验证集是用于检验确定模型状态的样本数据集。第一测试集是用于测试模型泛化能力的样本数据集。
在一些实施例中，第一训练集、第一测试集以及第一验证集基于历史数据中的历史故障预警信息和至少一个装配产品的历史检测信息确定。其中，第一训练集的第一数据量、第一测试集的第二数据量以及第一验证集的第三数据量为预设比例。预设比例可以根据经验设置。示例性的，预设比例可以为8:1:1等。
在一些实施例中，第一训练集、第一测试集以及第一验证集不存在数据交叉。即，同一条数据只能在第一训练集、第一测试集以及第一验证集的其中一个中存在。
在一些实施例中，第一训练集的样本统计差异大于预设差异阈值。
样本统计差异用于反映第一训练集的样本多样性，样本统计差异越大，样本多样性越大。
在一些实施例中，设备管理平台130可以基于预设算法确定样本统计差异。预设算法为确定样本统计差异的计算步骤，可以提前预设。
例如，设备管理平台130可以将第一训练集中，每个样本的历史故障预警信息和至少一个装配产品的历史检测信息量化为数字，基于量化为数字的样本构建数字向量；计算第一训练集中，两两样本的向量距离，向量距离可以为余弦距离；计算多个向量距离的统计值，统计值可以为方差；统计值越大，样本统计差异越大。
预设差异阈值是样本统计差异的临界值。在一些实施例中，预设差异阈值相关于不同历史故障对应的历史第一关联部件的数量统计值。数量统计值可以为历史第一关联部件的数量方差。例如，第一关联部件的部件数量方差越大，预设差异阈值越大。
通过不同比例的样本数据对确定模型进行训练、验证与测试，可以提高模型的准确性和稳定性。引入样本统计差异，可以使确定模型的鲁棒性更强，防止模型过拟合。第一关联部件的部件数量方差越大，说明第一关联部件越不确定、潜在影响越多，因此，可以调大预设差异阈值，以使确定模型从更广泛分布的数据样本中去学习，以更准确学习到对目标的预测。
通过确定模型确定第一关联部件，可以自动化快速确定第一关联零部件，从而进一步提高了基于工业物联网的设备故障智能诊断系统的处理效率。且确定模型基于大量样本数据训练得到，可以使预测的第一关联部件更加准确。
本说明书一些实施例提供了一种计算机可读存储介质，存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行本说明书实施例中任一项所述的基于工业物联网的设备故障智能诊断方法。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
此外，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地，在一些实施例中，说明书中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (3)

1.一种基于工业物联网的设备故障智能诊断方法，其特征在于，所述方法由基于工业物联网的设备故障智能诊断系统的设备管理平台执行，包括：
从传感总数据库获取异常设备的设备相关数据，所述设备相关数据包括实时日志数据、历史日志数据、历史故障数据和周边关联数据中的至少一种，所述设备相关数据可以通过设备传感网络平台从设备感知控制平台获取；
基于所述设备相关数据，预测所述异常设备的故障预警信息及置信度等级，包括：
基于所述实时日志数据、预设时间段的所述历史日志数据，确定目标日志数据及所述目标日志数据的相似置信度；其中，所述目标日志数据是期望从所述历史日志数据中获取到的目标数据，所述目标日志数据的所述相似置信度是指所述目标日志数据与所述实时日志数据相似的可信程度；基于所述实时日志数据中的实时运行数据、实时统计数据、实时报警数据、设备实时位置和状态数据构建第一特征向量；基于所述预设时间段的所述历史日志数据中多个历史时刻的历史运行数据、历史统计数据、历史报警数据、设备历史位置和历史状态数据构建多个第一参考向量；计算所述第一特征向量与所述多个第一参考向量的相似度，将所述相似度最高的所述第一参考向量对应的所述历史日志数据作为所述目标日志数据；
基于所述目标日志数据所在的第一时间戳，获取第二时间戳的所述历史故障数据，所述第二时间戳为与所述第一时间戳相邻的下一个时间戳；
基于所述实时日志数据、所述周边关联数据和所述第二时间戳的所述历史故障数据，确定故障关键特征；
基于所述故障关键特征和所述相似置信度，通过设备故障模型预测所述故障预警信息和所述置信度等级，所述设备故障模型为机器学习模型；
基于所述故障预警信息及所述置信度等级，确定故障处理参数，并生成故障处理指令，包括：
响应于所述置信度等级满足预设条件，基于所述设备相关数据构建故障知识图谱，并将所述故障知识图谱存储于管理数据中心；
响应于所述故障知识图谱中存在所述异常设备关联的零件信息，基于所述故障预警信息和至少一个装配产品的检测信息，确定第一关联部件，所述第一关联部件为造成装配设备发生异常的零部件；
响应于存在所述第一关联部件，基于所述第一关联部件，确定所述设备故障类型和所述故障处理参数；所述故障处理参数还包括调节输送参数；
基于所述故障知识图谱，确定第二关联部件，所述第二关联部件为所述异常设备发生故障后受影响的零部件；
基于所述第二关联部件，确定所述调节输送参数，并将输送参数调整为所述调节输送参数；
基于所述故障知识图谱，通过故障诊断模型确定设备故障类型和所述故障处理参数，所述故障诊断模型为机器学习模型；
将所述故障处理指令经由所述设备传感网络平台发送至所述设备感知控制平台的维护人员终端，和/或发送至故障排除设备并控制所述故障排除设备执行故障排除。
2.一种基于工业物联网的设备故障智能诊断系统，其特征在于，所述系统包括依次连接的用户平台、服务平台、设备管理平台、设备传感网络平台和设备感知控制平台；
所述设备管理平台包括管理数据中心以及分别与所述管理数据中心进行信息交互的多个设备管理分平台；
所述设备传感网络平台包括传感总数据库、多个传感子数据库和多个传感网络分平台，所述多个传感子数据库分别与所述传感总数据库信息交互，以及分别与所述多个传感网络分平台一一对应并进行信息交互，所述设备传感网络平台通过传感总数据库与所述设备管理平台信息交互；
所述设备感知控制平台包括多个设备感知控制分平台，所述设备传感网络平台通过所述多个传感子数据库与所述设备感知控制平台的多个设备感知控制分平台分别进行信息交互；
所述设备管理平台被配置为：
从传感总数据库获取异常设备的设备相关数据，所述设备相关数据包括实时日志数据、历史日志数据、历史故障数据和周边关联数据中的至少一种，所述设备相关数据可以通过设备传感网络平台从设备感知控制平台获取；
基于所述设备相关数据，预测所述异常设备的故障预警信息及置信度等级，包括：
基于所述实时日志数据、预设时间段的所述历史日志数据，确定目标日志数据及所述目标日志数据的相似置信度；其中，所述目标日志数据是期望从所述历史日志数据中获取到的目标数据，所述目标日志数据的所述相似置信度是指所述目标日志数据与所述实时日志数据相似的可信程度；基于所述实时日志数据中的实时运行数据、实时统计数据、实时报警数据、设备实时位置和状态数据构建第一特征向量；基于所述预设时间段的所述历史日志数据中多个历史时刻的历史运行数据、历史统计数据、历史报警数据、设备历史位置和历史状态数据构建多个第一参考向量；计算所述第一特征向量与所述多个第一参考向量的相似度，将所述相似度最高的所述第一参考向量对应的所述历史日志数据作为所述目标日志数据；
基于所述目标日志数据所在的第一时间戳，获取第二时间戳的所述历史故障数据，所述第二时间戳为与所述第一时间戳相邻的下一个时间戳；
基于所述实时日志数据、所述周边关联数据和所述第二时间戳的所述历史故障数据，确定故障关键特征；
基于所述故障关键特征和所述相似置信度，通过设备故障模型预测所述故障预警信息和所述置信度等级，所述设备故障模型为机器学习模型；
基于所述故障预警信息及所述置信度等级，确定故障处理参数，并生成故障处理指令，包括：
响应于所述置信度等级满足预设条件，基于所述设备相关数据构建故障知识图谱，并将所述故障知识图谱存储于管理数据中心；
响应于所述故障知识图谱中存在所述异常设备关联的零件信息，基于所述故障预警信息和至少一个装配产品的检测信息，确定第一关联部件，所述第一关联部件为造成装配设备发生异常的零部件；
响应于存在所述第一关联部件，基于所述第一关联部件，确定所述设备故障类型和所述故障处理参数；所述故障处理参数还包括调节输送参数；
基于所述故障知识图谱，确定第二关联部件，所述第二关联部件为所述异常设备发生故障后受影响的零部件；
基于所述第二关联部件，确定所述调节输送参数，并将输送参数调整为所述调节输送参数；
基于所述故障知识图谱，通过故障诊断模型确定设备故障类型和所述故障处理参数，所述故障诊断模型为机器学习模型；
将所述故障处理指令经由所述设备传感网络平台发送至所述设备感知控制平台的维护人员终端，和/或发送至故障排除设备并控制所述故障排除设备执行故障排除。
3.一种计算机可读存储介质，其特征在于，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求1所述的方法。
CN202411017663.4A 2024-07-29 2024-07-29 基于工业物联网的设备故障智能诊断方法、系统和介质 Active CN118534883B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202411017663.4A CN118534883B (zh) 2024-07-29 2024-07-29 基于工业物联网的设备故障智能诊断方法、系统和介质
US18/805,699 US20240411635A1 (en) 2024-07-29 2024-08-15 Methods, systems, and storage media for intelligent diagnosis of device failures based on industrial internet of things (iiot)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411017663.4A CN118534883B (zh) 2024-07-29 2024-07-29 基于工业物联网的设备故障智能诊断方法、系统和介质

Publications (2)

Publication Number Publication Date
CN118534883A CN118534883A (zh) 2024-08-23
CN118534883B true CN118534883B (zh) 2024-10-01

Family

ID=92381311

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411017663.4A Active CN118534883B (zh) 2024-07-29 2024-07-29 基于工业物联网的设备故障智能诊断方法、系统和介质

Country Status (2)

Country Link
US (1) US20240411635A1 (zh)
CN (1) CN118534883B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119109708B (zh) * 2024-10-28 2025-01-28 成都秦川物联网科技股份有限公司 基于管理云平台的工业物联网安全管理方法、系统和介质
CN119338263A (zh) * 2024-12-19 2025-01-21 深圳市尚云传感科技有限公司 一种应用温度传感器的设备数据分析管理系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103278719A (zh) * 2013-06-06 2013-09-04 广东电网公司佛山供电局 基于矩阵图及置信度的电力设备故障检测方法和系统
CN110059325A (zh) * 2018-01-19 2019-07-26 罗伯特·博世有限公司 车辆故障预警系统及对应的车辆故障预警方法

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9897582B2 (en) * 2012-10-26 2018-02-20 Pratt & Whitney Canada Corp. Method and system for failure prediction using lubricating fluid analysis
CN104202765B (zh) * 2014-08-26 2018-02-09 北京邮电大学 基于分布式网络的传感器故障检测方法及装置
JP6880560B2 (ja) * 2016-03-30 2021-06-02 株式会社Ihi 故障予測装置、故障予測方法及び故障予測プログラム
US10866584B2 (en) * 2016-05-09 2020-12-15 Strong Force Iot Portfolio 2016, Llc Methods and systems for data processing in an industrial internet of things data collection environment with large data sets
GB2552302B (en) * 2016-07-11 2020-06-24 Ge Aviat Systems Ltd Prognostic rules for predicting a part failure
US10503581B2 (en) * 2016-08-25 2019-12-10 Intel Corporation Profiling and diagnostics for internet of things
US10127125B2 (en) * 2016-10-21 2018-11-13 Accenture Global Solutions Limited Application monitoring and failure prediction
US10682761B2 (en) * 2017-06-21 2020-06-16 Nice Ltd System and method for detecting and fixing robotic process automation failures
US11010233B1 (en) * 2018-01-18 2021-05-18 Pure Storage, Inc Hardware-based system monitoring
GB2579786A (en) * 2018-12-13 2020-07-08 Continental Automotive Systems Srl Device and method of integrity monitoring and failure predicting for a vehicle system
US10575072B1 (en) * 2019-02-15 2020-02-25 Chengdu Qinchuan Iot Technology Co., Ltd. Gas meter fault prompting method and internet of things (IoT) system based on compound IoT
CN111506048B (zh) * 2020-04-24 2022-02-22 深圳市元征科技股份有限公司 车辆故障预警方法及相关设备
CN112115618A (zh) * 2020-09-22 2020-12-22 南方电网海南数字电网研究院有限公司 一种基于矩阵图及置信度的电力设备故障诊断方法及系统
US20230114997A1 (en) * 2020-12-18 2023-04-13 Strong Force Vcn Portfolio 2019, Llc Robotic Fleet Resource Provisioning
US11513886B2 (en) * 2021-03-11 2022-11-29 UiPath, Inc. System and computer-implemented method for managing robotic process automation (RPA) robots
US20230036218A1 (en) * 2021-07-27 2023-02-02 Qualitrol Company Llc Systems and methods for ai continued learning in electrical power grid fault analysis
KR20230125116A (ko) * 2022-02-20 2023-08-29 임창현 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법
US11874730B2 (en) * 2022-02-26 2024-01-16 International Business Machines Corporation Identifying log anomaly resolution from anomalous system logs
CN114742254B (zh) * 2022-06-10 2022-08-23 成都秦川物联网科技股份有限公司 用于流水线设备故障处理的工业物联网及其控制方法
CN115718802A (zh) * 2022-11-14 2023-02-28 长城汽车股份有限公司 一种故障诊断方法、系统、设备及存储介质
US20240345909A1 (en) * 2023-04-12 2024-10-17 Vmware, Inc. Diagnosing and auto-remediating remote sites of a distributed container orchestration system via an extensible diagnosis case framework
CN117092964A (zh) * 2023-08-29 2023-11-21 山东兴瑞建材有限公司 一种用于建材加工的数控机床故障预警系统及方法
CN117114369B (zh) * 2023-10-23 2024-01-02 成都秦川物联网科技股份有限公司 智慧燃气应急供气处置方法、物联网系统、装置及介质
CN117493797A (zh) * 2023-10-30 2024-02-02 湖北省信产通信服务有限公司数字科技分公司 一种物联网设备的故障预测方法及装置、电子设备、存储介质
CN117436846B (zh) * 2023-12-18 2024-03-05 陕西智科云控电子有限公司 基于神经网络的设备预测性维护方法及系统
CN118174275A (zh) * 2024-02-05 2024-06-11 广东电网有限责任公司 一种母线失压故障处理方法、装置、电子设备和存储介质
CN118138428A (zh) * 2024-03-05 2024-06-04 中南民族大学 一种基于智能感知的物联网设备故障诊断方法及系统
CN118244709A (zh) * 2024-03-06 2024-06-25 新特硅基新材料有限公司 关联故障设备及影响因素获取方法、装置及异常处理系统
CN118092404B (zh) * 2024-04-29 2024-08-20 哈尔滨宇龙自动化有限公司 一种基于人工智能的plc控制器网络预防性维护方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103278719A (zh) * 2013-06-06 2013-09-04 广东电网公司佛山供电局 基于矩阵图及置信度的电力设备故障检测方法和系统
CN110059325A (zh) * 2018-01-19 2019-07-26 罗伯特·博世有限公司 车辆故障预警系统及对应的车辆故障预警方法

Also Published As

Publication number Publication date
US20240411635A1 (en) 2024-12-12
CN118534883A (zh) 2024-08-23

Similar Documents

Publication Publication Date Title
CN118534883B (zh) 基于工业物联网的设备故障智能诊断方法、系统和介质
US9535808B2 (en) System and methods for automated plant asset failure detection
CN111290900B (zh) 一种基于微服务日志的软件故障检测方法
CN118396252B (zh) 基于云计算的mes客户端数据分析优化方法
KR20190021560A (ko) 빅데이터를 활용한 고장예지보전시스템 및 고장예지보전방법
US20210232104A1 (en) Method and system for identifying and forecasting the development of faults in equipment
US20210158220A1 (en) Optimizing accuracy of machine learning algorithms for monitoring industrial machine operation
CN118011990B (zh) 基于人工智能的工业数据品质监控与提升系统
CN118244709A (zh) 关联故障设备及影响因素获取方法、装置及异常处理系统
CN116541728A (zh) 一种基于密度聚类的故障诊断方法及装置
CN118550958B (zh) 一种基于工业物联网的设备异常判定方法、系统和介质
WO2022130789A1 (ja) 原因推定システムおよび原因推定方法
CN113468022B (zh) 一种对产品集中监控的自动化运维方法
CN118499316B (zh) 一种基于云数据的液压站状态监测方法及系统
CN118776024A (zh) 一种智能空调的故障自检方法及系统
Xin et al. Dynamic probabilistic model checking for sensor validation in Industry 4.0 applications
CN117894155A (zh) 基于智慧燃气的燃气报警器检测方法及物联网系统
CN117749658A (zh) 故障预测方法、网络运维管理平台、电子设备及介质
CN114372500A (zh) 一种基于大数据的智能工厂控制系统
CN118980513B (zh) 基于压力阀输气特征的智能互联检测系统
CN118656762B (zh) 一种智能板材加工车间故障监控方法以及系统
CN118965247B (zh) 一种基于多源数据的电厂数据管理方法及系统
CN119006094B (zh) 基于erp的订单管理方法及系统
CN119737992A (zh) 用于计量表异常数据的智能检测方法
CN118863259B (zh) 基于数字孪生的工业生产故障溯源分析系统

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