利用kepware软件的发明专利:一种基于边缘计算的预测性工业设备维护方法及

2019-07-17 14:17:00 栏目:kepware使用 TAG标签: kepware 采集数据 工业自动化 查看()

  技术领域

  本发明涉及工业信息的采集及分析技术领域,特别是涉及一种基于边缘计算的预测性工业设备维护方法及维护系统。

  背景技术

  工业生产过程中,设备维护是必不可少的工作。然而目前在对设备进行维护的过程中,通常是等到装置报出故障或者发现不正常工作时再通过人工对工业设备进行实时检查和验证,这种做法不能对工业设备进行预测性维护,难以满足当前技术条件下对于设备维护的要求。

  现有技术中,针对工业设备的预测性维护工作,已出现华为云技术。华为云通过提供边缘与云协同的方案,实现设备数据采集解析、边缘计算预处理、云端的工业数据建模与分析设备预测性维护场景,提供包括边缘计算、IoT平台、大数据等一系列能力,并将边缘计算作为华为云的能力延伸到靠近工业产品的网络边缘处。然而,该技术在实际应用仅停留在电梯类的生活设备以及农用机械类的农业生产设备上,在工业生产环境中的实用性不强,并且缺乏适用于工业生产与零件制造设备的算法及建模方法,因而其并不能有效地针对工业生产中的制造业生产设提供预测性维护。

  发明内容

  本发明提供了一种基于边缘计算的预测性工业设备维护方法及维护系统。

  本发明采用的技术方案是:

  一种基于边缘计算的预测性工业设备维护方法,包括以下步骤:

  S1:采集工业设备的工业数据,然后通过数据优化实现工业数据的聚合,得到数据结构和数据类型统一的工业数据;

  S2:对数据结构和数据类型统一的工业数据进行预处理,得到数据类型相同的标准工业数据;

  S3:根据工业设备类型的不同,选择多个工业设备特征,然后对多个工业设备特征进行特征选择,得到工业设备的最终特征;

  S4:构建异常检测模型,并将标准工业数据及最终特征输入异常检测模型,对标准工业数据进行异常检测,若检测到标准工业数据出现异常值,认定其为异常工业数据,然后去除异常工业数据;

  S5:构建故障预测模型,并将未检测到异常的标准工业数据及最终特征输入故障预测模型,然后判断标准工业数据对应的工业设备是否产生故障,若是则进入下一步,若否则进入步骤S1;

  S6:下发预警信息,对标准工业数据对应的工业设备进行维修,然后进入步骤S1。

  优选的,在步骤S1中,采用KEPWARE软件对工业数据进行采集。

  优选的,在步骤S1之后,还包括以下步骤:

  S102:对数据结构和数据类型统一的工业数据进行脱敏。

  优选的,步骤S2的具体步骤如下:

  S201:对数据结构和数据类型统一的工业数据进行数据清洗,检查工业数据的一致性,去除工业数据中的无效值和缺失值;

  S202:对清洗后的工业数据进行数据变换,数据变换采用均值标准化变换方法和/或线性函数归一化变换方法。

  优选的,在步骤S3中,采用主成分分析法对多个工业设备特征进行特征选择,对标准工业数据进行降维,取前三个主成分作为工业设备的最终特征。

  优选的,在步骤S4中,所述异常预测模型采用局部异常因子算法构建,并设置数据异常阈值,然后比较每个标准工业数据的密度和其邻域标准工业数据的密度之间的差值,如果一标准工业数据的密度与和其邻域标准工业数据的密度之间的差值大于异常阈值,则认定该标准工业数据为异常工业数据。

  优选的,在步骤S5中,所述构建故障预测模型采用长短期记忆网络模型构建。

  一种用于实现上述任一所述的预测性工业设备维护方法的维护系统,包括工业设备、边缘网关和服务器,所述工业设备均与边缘网关连接,所述边缘网关与服务器连接;

  所述工业设备,用于生成工业数据,并将工业数据发送至边缘网关;

  所述服务器,用于存储构建异常检测模型和故障预测模型,然后将异常检测模型和故障预测模型发送至边缘网关,用于存储工业设备的参数信息和预警信息;

  所述边缘网关,用于接收所述工业数据、异常检测模型和故障预测模型,用于对工业数据进行数据优化、预处理,用于对多个工业设备特征进行特征选择并得到工业设备的最终特征,用于将标准工业数据及最终特征输入异常检测模型中处理,用于将未检测到异常的标准工业数据及最终特征输入故障预测模型,用于下发预警信息并向服务器发送相应的工业设备的参数信息和预警信息。

  优选的,所述工业设备通过以太网与边缘网关连接,所述边缘网关通过以太网与服务器连接。

  本发明的有益效果是:可实现工业设备的预测性维护,避免无效人工作业,利于自动化操作。具体来说,在操作过程中,通过对工业设备的工业数据进行数据优化、预处理等步骤将工业数据处理为同类型的标准工业数据,然后得到工业设备的最终特征,根据标准工业数据即工业设备的最终特征,依次进行数据异常检测及设备故障检测,当检测到设备发生故障时,向外界发送预警信息,提醒工作人员设备产生故障。本发明通过机器实现工业设备的故障检测,当工业设备发生故障时及时发送预警信息,可实现工业设备的预测性维护,避免无效人工作业,利于自动化操作。

  附图说明

  为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。

  图1是实施例1的流程框图;

  图2是实施例5的结构框图。

  具体实施方式

  以下将参照附图,通过实施例方式详细地描述本发明提供的一种基于边缘计算的预测性工业设备维护方法及维护系统。在此需要说明的是,对于这些实施例方式的说明用于帮助理解本发明,但并不构成对本发明的限定。

  本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,单独存在B,同时存在A和B三种情况,本文中术语“/和”是描述另一种关联对象关系,表示可以存在两种关系,例如,A/和B,可以表示:单独存在A,单独存在A和B两种情况,另外,本文中字符“/”,一般表示前后关联对象是一种“或”关系。

  实施例1:

  本实施例提供一种基于边缘计算的预测性工业设备维护方法,包括以下步骤:

  S1:采集工业设备的工业数据,然后通过数据优化实现工业数据的聚合,得到数据结构和数据类型统一的工业数据。需要说明的是,在步骤S1中,工业数据可为工业设备运行时的各相数据,其以PLC数据为主,同时也包括很多其他格式的数据,可采用KEPWARE软件对工业数据进行采集,也可采用SimaticNet软件实现,其中KEPWARE软件适用于工业自动化。另外,由于工业现场存在大量的多样化异构数据,通过数据优化实现数据的聚合,统一数据结构和数据类型,便于将数据进行后续的处理。

  S2:对数据结构和数据类型统一的工业数据进行预处理,得到数据类型相同的标准工业数据。

  S3:根据工业设备类型的不同,选择多个工业设备特征,然后对多个工业设备特征进行特征选择,得到工业设备的最终特征。

  S4:构建异常检测模型,并将标准工业数据及最终特征输入异常检测模型,对标准工业数据进行异常检测,若检测到标准工业数据出现异常值,认定其为异常工业数据,然后去除异常工业数据。

  S5:构建故障预测模型,并将未检测到异常的标准工业数据及最终特征输入故障预测模型,然后判断标准工业数据对应的工业设备是否产生故障,若是则进入下一步,若否则进入步骤S1。

  S6:下发预警信息,对标准工业数据对应的工业设备进行维修,然后进入步骤S1。

  本实施例中,通过对工业设备的工业数据进行数据优化、预处理等步骤将工业数据处理为同类型的标准工业数据,然后得到工业设备的最终特征,根据标准工业数据即工业设备的最终特征,依次进行数据异常检测及设备故障检测,当检测到设备发生故障时,向外界发送预警信息,提醒工作人员设备产生故障。本发明通过机器实现工业设备的故障检测,当工业设备发生故障时及时发送预警信息,可实现工业设备的预测性维护,避免无效人工作业,利于自动化操作。

  本发明通过预测性维护,显著降低预防性维护和事故性维护的发生频率,从而将边缘计算技术进行整合,并运用在工业大数据平台的建设和设备预测性维护中,可在企业以车间或产线为单位进行局域网部署。

  实施例2:

  本实施例提供一种基于边缘计算的预测性工业设备维护方法,包括以下步骤:

  S1:采集工业设备的工业数据,然后通过数据优化实现工业数据的聚合,得到数据结构和数据类型统一的工业数据。需要说明的是,在步骤S1中,工业数据可为工业设备运行时的各相数据,其以PLC数据为主,同时也包括很多其他格式的数据,可采用KEPWARE软件对工业数据进行采集,也可采用SimaticNet软件实现,其中KEPWARE软件适用于工业自动化。另外,由于工业现场存在大量的多样化异构数据,通过数据优化实现数据的聚合,统一数据结构和数据类型,便于将数据进行后续的处理。

  S2:对数据结构和数据类型统一的工业数据进行预处理,得到数据类型相同的标准工业数据。

  S3:根据工业设备类型的不同,选择多个工业设备特征,然后对多个工业设备特征进行特征选择,得到工业设备的最终特征。

  S4:构建异常检测模型,并将标准工业数据及最终特征输入异常检测模型,对标准工业数据进行异常检测,若检测到标准工业数据出现异常值,认定其为异常工业数据,然后去除异常工业数据。

  S5:构建故障预测模型,并将未检测到异常的标准工业数据及最终特征输入故障预测模型,然后判断标准工业数据对应的工业设备是否产生故障,若是则进入下一步,若否则进入步骤S1。

  S6:下发预警信息,对标准工业数据对应的工业设备进行维修,然后进入步骤S1。

  进一步的,在步骤S1之后,还包括以下步骤:

  S102:对数据结构和数据类型统一的工业数据进行脱敏。应当理解的是,对于企业敏感数据,可在本地进行存储和分析,只向服务器上传脱敏后的数据,即只对脱敏后的数据进行后续的处理。

  实施例3:

  本实施例提供一种基于边缘计算的预测性工业设备维护方法,包括以下步骤:

  S1:采集工业设备的工业数据,然后通过数据优化实现工业数据的聚合,得到数据结构和数据类型统一的工业数据。需要说明的是,在步骤S1中,工业数据可为工业设备运行时的各相数据,其以PLC数据为主,同时也包括很多其他格式的数据,可采用KEPWARE软件对工业数据进行采集,也可采用SimaticNet软件实现,其中KEPWARE软件适用于工业自动化。另外,由于工业现场存在大量的多样化异构数据,通过数据优化实现数据的聚合,统一数据结构和数据类型,便于将数据进行后续的处理。

  S2:对数据结构和数据类型统一的工业数据进行预处理,得到数据类型相同的标准工业数据。

  进一步的,步骤S2的具体步骤如下:

  S201:对数据结构和数据类型统一的工业数据进行数据清洗,检查工业数据的一致性,去除工业数据中的无效值和缺失值;

  S202:对清洗后的工业数据进行数据变换,数据变换采用均值标准化变换方法和/或线性函数归一化变换方法。应当理解的是,数据变换的目的是为同一各工业数据的量纲等,避免由于工业数据类型的种类过多,造成影响异常检测模型及故障预测模型的精度的问题。

  下面对均值标准化变换方法和线性函数归一化变换方法进行说明:

  1)均值标准化变换方法是将原始数据集归一化为均值为0、方差1的数据集([0,1]范围)。计算公式如下:

  z=(x-μ)/σ,

  其中x是原始数据,即清洗后的工业数据,μ是原始数据的均值,σ是原始数据的标准差。均值标准化变换方法可将原始数据集归一化为均值为0、方差1的数据集,便于数据的后续处理。

  2)线性函数归一化变换方法在数据变换不包含与距离和空间向量、数据的相关性计算和正态分布相关的处理过程时,通过线性函数将待变换数据线性化的方法,转换到[0,1]的范围。计算公式如下:

  x norm=(X-X min)/(X max-X min),

  其中x norm是归一化后的值,X max、X min为归一化前数据(即清洗后的工业数据)的最大值和最小值,该方法把数据压缩到区间[0,1]之间,是原数据的等比缩放。

  S3:根据工业设备类型的不同,选择多个工业设备特征,然后对多个工业设备特征进行特征选择,得到工业设备的最终特征。

  S4:构建异常检测模型,并将标准工业数据及最终特征输入异常检测模型,对标准工业数据进行异常检测,若检测到标准工业数据出现异常值,认定其为异常工业数据,然后去除异常工业数据。

  S5:构建故障预测模型,并将未检测到异常的标准工业数据及最终特征输入故障预测模型,然后判断标准工业数据对应的工业设备是否产生故障,若是则进入下一步,若否则进入步骤S1。

  S6:下发预警信息,对标准工业数据对应的工业设备进行维修,然后进入步骤S1。

  实施例4:

  本实施例提供一种基于边缘计算的预测性工业设备维护方法,包括以下步骤:

  S1:采集工业设备的工业数据,然后通过数据优化实现工业数据的聚合,得到数据结构和数据类型统一的工业数据。需要说明的是,在步骤S1中,工业数据可为工业设备运行时的各相数据,其以PLC数据为主,同时也包括很多其他格式的数据,可采用KEPWARE软件对工业数据进行采集,也可采用SimaticNet软件实现,其中KEPWARE软件适用于工业自动化。另外,由于工业现场存在大量的多样化异构数据,通过数据优化实现数据的聚合,统一数据结构和数据类型,便于将数据进行后续的处理。

  S2:对数据结构和数据类型统一的工业数据进行预处理,得到数据类型相同的标准工业数据。

  S3:根据工业设备类型的不同,选择多个工业设备特征,然后对多个工业设备特征进行特征选择,得到工业设备的最终特征。进一步的,在步骤S3中,采用主成分分析(Principal Component Analysis,PCA)法对多个工业设备特征进行特征选择,对标准工业数据进行降维,取前三个主成分作为工业设备的最终特征。应当理解的是,还可采用判别分析(Linear Discriminant Analysis,LDA)法等对工业数据进行特征选择,其中主成分分析法作为基础的数学分析方法,其实际应用十分广泛,比如人口统计学、数量地理学、分子动力学模拟、数学建模、数理分析等学科中均有应用,是一种常用的多变量分析方法。本步骤中,对标准工业数据进行降维可采用K-L变换(霍特林变换)法对原数据进行投影变换。

  S4:构建异常检测模型,并将标准工业数据及最终特征输入异常检测模型,对标准工业数据进行异常检测,若检测到标准工业数据出现异常值,认定其为异常工业数据,然后去除异常工业数据。进一步的,在步骤S4中,所述异常预测模型采用局部异常因子算法(Local Outlier Factor,LOF)构建,并设置数据异常阈值,然后比较每个标准工业数据的密度和其邻域标准工业数据的密度之间的差值,如果一标准工业数据的密度与和其邻域标准工业数据的密度之间的差值大于异常阈值,则认定该标准工业数据为异常工业数据。应当理解的是,也可采用KL散度异常检测算法构建异常预测模型。

  S5:构建故障预测模型,并将未检测到异常的标准工业数据及最终特征输入故障预测模型,然后判断标准工业数据对应的工业设备是否产生故障,若是则进入下一步,若否则进入步骤S1。进一步的,在步骤S5中,所述构建故障预测模型采用长短期记忆网络(LongShort-Term Memory,LSTM)模型构建。故障预测模型还可采用时间递归神经网络模型及隐马尔可夫模型(Hidden Markov Model,HMM)构建,其中长短期记忆网络模型是一种时间递归神经网络,是为了解决长期以来问题而专门设计出来的,适合于处理和预测时间序列中间隔和延迟非常长的重要事件。

  S6:下发预警信息,对标准工业数据对应的工业设备进行维修,然后进入步骤S1。

  实施例5:

  一种用于实施例1至4任一所述的预测性工业设备维护方法的维护系统,包括工业设备、边缘网关和服务器,所述工业设备均与边缘网关连接,所述边缘网关与服务器连接;

  所述工业设备,用于生成工业数据,并将工业数据发送至边缘网关;

  所述服务器,用于存储构建异常检测模型和故障预测模型,然后将异常检测模型和故障预测模型发送至边缘网关,用于存储工业设备的参数信息和预警信息;

  所述边缘网关,用于接收所述工业数据、异常检测模型和故障预测模型,用于对工业数据进行数据优化、预处理,用于对多个工业设备特征进行特征选择并得到工业设备的最终特征,用于将标准工业数据及最终特征输入异常检测模型中处理,用于将未检测到异常的标准工业数据及最终特征输入故障预测模型,用于下发预警信息并向服务器发送相应的工业设备的参数信息和预警信息。

  需要说明的是,维护系统可满足预测性维护对于实时性的高要求,同时设备运行过程中将产生巨大的数据量,通过部署硬件设备和对应的网络连接类型,正确地部署模型、传输、存储等各数据模块,从而直接提高系统工作的效率。

  进一步的,所述工业设备通过以太网与边缘网关连接,所述边缘网关通过以太网与服务器连接。需要说明的是,在进行工业设备与边缘网关的连接器,需要梳理车间内所有工业设备的接口类型和数据类型,将各类接口转为网络接口并通过以太网连接到边缘网关。边缘计算节点采用智能网关,数据采集和数据预处理、实时数据监测、利用服务器训练好的预测模型进行故障预警、向服务器上传主要的设备运行参数和报警信息等,减少网络数据传输,减小服务器的数据计算和数据存储压力,提高大数据平台的运行效率,优化用户体验。

  以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。