一种基于MES系统的多源设备互联及数据采集系统的制作方法
本发明涉及数据采集,具体为面向设备监控的一种基于mes系统的多源设备互联及数据采集系统。
背景技术:
1、随着工业制造智能化水平的不断提升,大量生产设备通过mes(manufacturingexecution system,制造执行系统)实现互联互通,并通过温度、压力、电流、振动、流量、转速等多种传感器实时采集设备运行数据,实现对生产过程及设备运行状态的监测与管理。mes系统能够对来自不同设备、不同类型的数据进行统一接入、存储及管理,为设备运维、故障分析以及生产优化提供数据基础;
2、在实际应用中,同一生产流程中的多个设备往往存在复杂的协同运行关系,一个设备运行状态的变化可能经过一定时间延迟后影响其他设备的运行状态,同时同一设备内部不同监测参数之间也可能存在连续演化关系;例如,设备电流异常变化可能引起设备温度持续升高,进一步导致振动参数发生异常波动,而该异常状态又可能传播至下游设备,形成跨设备、多参数的状态演化过程;现有mes系统通常采用基于阈值告警、趋势分析或单设备状态监测的方式对采集数据进行处理,并通过数据可视化界面展示设备运行情况;
3、在实际使用过程中,首先,多源设备产生的监测数据具有显著的时序演化特征,不同设备之间的状态影响往往存在传播方向及传播时延,而现有mes系统主要针对单个参数或单个设备进行监测,缺乏对多设备、多参数之间状态传播过程的分析能力,导致大量历史时序数据仅作为记录信息存储,难以从中提取状态演化规律;其次,设备异常通常并非由单一参数突变直接引起,而是经历多个状态逐步传播和累积形成故障结果,现有技术通常侧重于异常结果检测,缺乏对状态演化过程及演化路径的建模机制,无法利用历史时序数据识别状态传播规律并推演当前状态可能的发展方向;最后,不同工况下相同异常现象可能对应不同的后续演化路径,而现有mes系统缺乏对状态传播可能性及传播难度的量化分析能力,难以从多个可能的演化方向中识别最可能发生的状态演化路径;
4、现有改进方案多聚焦于设备状态监测精度提升、异常检测算法优化或多源数据融合分析,通过机器学习、关联规则分析或故障诊断模型提高异常识别能力,但大多侧重于参数之间的相关性分析或故障结果判断,缺乏针对多设备、多参数状态演化过程的整体建模机制,无法建立状态之间的传播关系并对设备状态未来演化方向进行推演分析。
5、综上所述,现有技术在使用时存在以下技术问题:
6、问题一,现有mes系统虽然能够采集并管理多源设备运行数据,但缺乏对多设备、多参数时序演化过程的分析能力,无法从历史时序数据中识别状态演化规律以及状态之间的传播关系,导致历史运行经验难以转化为可复用的状态演化知识;
7、问题二,现有mes系统主要针对设备异常结果进行监测与告警,缺乏对状态传播方向、传播时延及传播可能性的量化分析机制,无法根据当前设备状态推演其后续可能的演化路径,导致设备状态预测能力不足,难以为设备运维及生产调度提供有效决策依据。
技术实现思路
1、为实现以上目的,本发明通过以下技术方案予以实现:
2、一种基于mes系统的多源设备互联及数据采集系统,所述系统包括:
3、数据采集模块,用于采集多源设备的历史时序数据以及实时运行数据;
4、演化知识构建模块,用于根据所述历史时序数据提取历史演化过程序列,根据所述历史演化过程序列构建演化模式库,并根据不同演化模式之间的传播滞后时间及传播置信度构建演化传播规则库;
5、状态识别模块,用于从所述实时运行数据中识别演化数据,提取演化特征,根据所述演化模式库对所述演化特征进行匹配,并确定当前演化状态节点;
6、演化路径推演模块,用于根据所述演化传播规则库构建演化状态传播图网络,并基于所述当前演化状态节点生成候选传播路径集合,对所述候选传播路径集合进行约束处理和传播代价计算,并根据传播阻力确定数据状态传播路径;
7、路径应用模块,用于根据所述数据状态传播路径对mes系统中的多源设备数据采集进行优化。
8、进一步的,根据所述历史演化过程序列构建演化模式库,包括:
9、采集多源设备对应的历史时序数据,并按照设备标识、数据类型以及采集时间进行数据关联,形成对应的历史时序数据序列;
10、采用滑动时间窗口对所述历史时序数据序列进行窗口划分,得到多个连续时间窗口对应的数据片段;
11、基于各数据片段计算对应的演化特征,得到对应的特征向量;
12、对各时间窗口对应的特征向量进行汇总,形成历史演化特征集合。
13、进一步的,根据所述历史演化过程序列构建演化模式库,还包括:
14、对所述历史演化特征集合进行聚类处理,并根据聚类结果得到若干个演化模式簇;
15、基于各演化模式簇中的特征向量确定对应的模式中心,并根据各模式中心以及对应的演化模式簇构建演化模式库。
16、进一步的,根据不同演化模式之间的传播滞后时间及传播置信度构建演化传播规则库,包括:
17、基于所述各时间窗口对应的特征向量以及所述演化模式库,确定各时间窗口对应的历史演化模式;
18、将连续时间窗口中重复出现的相同历史演化模式识别为同一次演化过程,并确定对应的开始时间和结束时间;
19、根据各演化过程对应的设备标识、数据类型、演化模式、开始时间以及结束时间进行时序关联规则分析,确定不同演化模式之间的传播关系。
20、进一步的,所述根据不同演化模式之间的传播滞后时间及传播置信度构建演化传播规则库,还包括:
21、对于存在传播关系的源演化模式和目标演化模式,统计对应历史演化过程之间的传播时间差;
22、根据所述传播时间差确定源演化模式与目标演化模式之间的传播滞后时间;
23、统计所述源演化模式出现后目标演化模式出现的条件概率,并根据所述条件概率确定对应传播置信度;
24、根据所述传播滞后时间以及传播置信度构建演化传播规则库。
25、进一步的,构建演化状态传播图网络,包括:
26、将演化模式库中的各演化模式作为图网络中的节点,根据演化传播规则库中的传播关系构建节点之间的有向连接边,并将所述传播滞后时间以及传播置信度作为对应连接边的属性参数;
27、基于所述节点、连接边以及属性参数构建演化状态传播图网络。
28、进一步的,基于所述当前演化状态节点生成候选传播路径集合,对所述候选传播路径集合进行约束处理,包括:
29、基于所述演化状态传播图网络中的当前演化状态节点,结合所述演化状态传播图网络中的节点之间的有向连接边,并依据演化传播规则库中对应的传播关系约束,对所述有向连接边进行路径生成筛选;
30、其中,所述路径生成筛选用于对从当前演化状态节点出发的候选路径进行约束校验,当所述有向连接边对应的源演化模式与目标演化模式之间不满足预设传播关系条件时,剔除对应路径分支,仅保留满足传播关系条件的路径分支;
31、基于保留的路径分支进行路径组合,生成候选传播路径集合。
32、进一步的,所述传播代价,包括:
33、对演化状态传播图网络中各传播关系对应的传播滞后时间与传播置信度分别进行归一化处理,得到时间归一化因子与置信度归一化因子;
34、基于所述时间归一化因子与置信度归一化因子进行加权融合计算,得到对应传播关系的传播代价。
35、进一步的,确定数据状态传播路径,包括:
36、对候选传播路径中各传播关系对应的传播代价进行累加,得到各候选传播路径的传播阻力;
37、对各候选传播路径的传播阻力进行升序排列,选择传播阻力最小的路径作为数据状态传播路径。
38、进一步的,根据所述数据状态传播路径对mes系统中的多源设备数据采集进行优化,包括:
39、根据所述数据状态传播路径中包含的演化状态节点序列,确定路径中对应的演化状态节点;
40、将所述演化状态节点与mes系统中的多源设备及数据采集对象进行映射,确定目标采集对象;
41、基于所述数据状态传播路径中各演化状态节点的先后顺序,对所述目标采集对象进行采集优先级排序;
42、根据所述采集优先级对mes系统中的多源设备数据采集对象的采集顺序进行调整,使采集资源优先作用于路径中的高优先级演化状态节点对应的数据采集对象。
43、本发明提供了面向设备监控的一种基于mes系统的多源设备互联及数据采集系统。具备以下有益效果:
44、1、本发明通过数据采集模块与演化知识构建模块的协同工作,从历史时序数据中提取演化特征,构建演化模式库及演化传播规则库,使大量原本仅作为记录信息存储的历史数据被转化为可量化、可匹配、可复用的状态演化知识;同时,基于演化模式库中的各演化模式及演化传播规则库中的传播关系,构建带属性参数的演化状态传播图网络,实现多设备、多参数之间状态传播拓扑结构与动态特性的完整刻画,有效解决了现有mes系统缺乏对多设备、多参数状态传播过程整体建模能力以及历史运行经验难以沉淀复用的技术问题。
45、2、本发明通过状态识别模块确定当前演化状态节点,并由演化路径推演模块对演化状态传播图网络进行约束处理和传播代价计算,将状态传播的可能性与难度转化为可量化的传播阻力指标;同时,将该路径映射至mes系统中的多源设备及数据采集对象,根据路径中演化状态节点的先后顺序对采集对象进行优先级排序并动态调整采集顺序,使采集资源优先作用于高优先级节点对应的数据采集对象,提升了关键状态变化阶段的数据采集效率与状态感知能力。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com