一种针对工厂异常的根因预警方法和装置

技术领域

本发明涉及智慧工厂领域，尤其涉及一种针对工厂异常的根因预警方法和装置。

背景技术

智慧工厂是信息化发展的新阶段，其在数字化工厂的基础上，利用物联网技术和设备监控技术，加强信息管理和服务。其功能主要包括但不限于：掌握产销流程、对生产过程进行监控、减少生产线上人工的介入程度、采集生产线的数据等，以达到合理编排生产计划好控制生产进度的目的。

因此，在生产过程中，通常需要通过传感器等手段来采集生产线各环节的生产数据，然后通过人工的方式来对生产数据进行监测(或设置简单的传感数据预警阈值)，因此无法智能地分析异常发生的原因并定位故障根，还是较为依赖生产人员的经验，这就导致需要花费大量的人力、物力和时间进行排查，且其准确性较低，生产效率也会受到影响，产能难以得到有效的提升。

发明内容

本发明提供了一种针对工厂异常的根因预警方法、装置、终端设备和计算机可读存储介质，以解决如何提高根因分析的准确性的技术问题。

为了解决上述技术问题，本发明实施例提供了一种针对工厂异常的根因预警方法，包括：

通过若干传感器分别采集工厂流水线生产流程数据，并根据所述生产流程数据，记录包含时间信息的传感数据；

当所述传感数据超出预设阈值时，则判定出现异常并发出对应的预警；

根据各环节的第一控制要素量和各环节的第二控制要素量，确定控制要素异常原因量化值；其中，所述各环节包括电控制点环节、气控制点环节、人工操作环节、水控制点环节、设备运转环节和原料变化环节；各环节的控制要素量通过生产流程控制网进行获取；所述第一控制要素量为判定异常时刻的控制要素量；所述第二控制要素量为判定异常前一时刻的控制要素量；

根据所述控制要素异常原因量化值和所述传感数据，结合预先求解得到的异常计算参数进行异常前溯，确定异常出现的原因。

作为优选方案，所述异常出现的原因具体为出现异常的环节；所述根据所述控制要素异常原因量化值和所述传感数据，结合预先求解得到的异常计算参数，确定异常出现的原因，具体为：

根据下式确定异常出现的原因：

其中，α为预先求解得到的异常计算参数，R

作为优选方案，所述控制要素异常原因量化值为所述各环节的第一控制要素量总和与所述各环节的第二控制要素量总和的差值。

作为优选方案，在所述根据所述控制要素异常原因量化值和所述传感数据，结合预先求解得到的异常计算参数进行异常前溯之前，还包括：

根据历史数据建立样品库；所述历史数据包括异常记录数据和溯源投入记录数据；

基于所述样品库中的异常记录数据和溯源投入记录数据，通过人工智能算法求解所述异常计算参数；其中，所述人工智能算法包括神经网络算法、蚁群算法、退火算法和随机森林算法。

作为优选方案，在所述通过人工智能算法求解所述异常计算参数之后，还包括：

根据下式计算准确度z：

z＝m/M·100％；其中，m为计算正确的根因数量，M为随机选择的非建模数据；

根据计算得到的准确度，迭代优化所述异常计算参数。

作为优选方案，在所述确定异常出现的原因之后，还包括：

基于若干根因解决方案建立数据集合；

根据确定异常出现的原因从所述数据集合中匹配对应的根因解决方案，以调整控制要素输入值。

作为优选方案，所述生产流程数据包括载重数据、液压数据、温度数据和湿度数据。

相应的，本发明实施例还提供了一种针对工厂异常的根因预警装置，包括采集模块、预警模块、量化值确定模块和异常前溯模块；其中，

所述采集模块，用于通过若干传感器分别采集工厂流水线生产流程数据，并根据所述生产流程数据，记录包含时间信息的传感数据；

所述预警模块，用于当所述传感数据超出预设阈值时，则判定出现异常并发出对应的预警；

所述量化值确定模块，用于根据各环节的第一控制要素量和各环节的第二控制要素量，确定控制要素异常原因量化值；其中，所述各环节包括电控制点环节、气控制点环节、人工操作环节、水控制点环节、设备运转环节和原料变化环节；各环节的控制要素量通过生产流程控制网进行获取；所述第一控制要素量为判定异常时刻的控制要素量；所述第二控制要素量为判定异常前一时刻的控制要素量；

所述异常前溯模块，用于根据所述控制要素异常原因量化值和所述传感数据，结合预先求解得到的异常计算参数进行异常前溯，确定异常出现的原因。

相应的，本发明实施例还提供了一种终端设备，所述终端设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现所述的一种针对工厂异常的根因预警方法。

相应的，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行所述的一种针对工厂异常的根因预警方法。

相比于现有技术，本发明实施例具有如下有益效果：

本发明实施例提供了一种针对工厂异常的根因预警方法、装置、终端设备和计算机可读存储介质，所述根因预警方法包括：通过若干传感器分别采集工厂流水线生产流程数据，并根据所述生产流程数据，记录包含时间信息的传感数据；当所述传感数据超出预设阈值时，则判定出现异常并发出对应的预警；根据各环节的第一控制要素量和各环节的第二控制要素量，确定控制要素异常原因量化值；其中，所述各环节包括电控制点环节、气控制点环节、人工操作环节、水控制点环节、设备运转环节和原料变化环节；各环节的控制要素量通过生产流程控制网进行获取；所述第一控制要素量为判定异常时刻的控制要素量；所述第二控制要素量为判定异常前一时刻的控制要素量；根据所述控制要素异常原因量化值和所述传感数据，结合预先求解得到的异常计算参数进行异常前溯，确定异常出现的原因。本发明实施例相比于现有技术，在传感器超出阈值时判定出现异常并发出预警，进而基于异常原因量化值进行前溯，确定异常出现的原因，相比人工进行根因分析和前溯有效提高了准确性，可以有效保证生产的效率，降低人力、物力的投入，且响应快速、降低对生产人员经验的依赖。

附图说明

图1：为本发明针对工厂异常提供的根因预警方法的一种实施例的原理示意图。

图2：为本发明针对工厂异常提供的根因预警方法的一种实施例的另一原理示意图。

图3：为本发明提供的生产流程控制网络的一种实施例的原理示意图。

图4：为本发明提供的模型训练方法的一种实施例的原理示意图。

图5：为本发明针对工厂异常提供的根因预警装置的一种实施例的结构示意图。

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作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。

实施例一:

请参照图1和图2，图1为本发明实施例提供的一种针对工厂异常的根因预警方法，包括步骤S1至步骤S4，其中，

步骤S1，通过若干传感器分别采集工厂流水线生产流程数据，并根据所述生产流程数据，记录包含时间信息的传感数据。

具体地，在本实施例中，所述若干传感器设置在生产流水线的各个环节，且所述传感器包括不少于一种类型，以达到监测生产流程状态的目的。传感器采集的生产流程数据包括但不限于载重数据、液压数据、温度数据和湿度数据。通过所述传感器实时采集数据，记录传感数据随时间的变化Am＝V(t)。作为本实施例的另一种举例，除了通过传感器进行预警以外，还可以通过人工判断的方式进行预警：相关的生产人员或者技术人员通过在终端中手动输入控制指令，即相当于传感器发出预警，以执行后续的步骤S3和步骤S4。

步骤S2，当所述传感数据超出预设阈值时，则判定出现异常并发出对应的预警。

在本实施例中，作为进一步优选实施方式，可以针对不同类型或者生产流程不同环节的传感器分别设置对应的阈值J

A＝An-Cp；

其中，A为异常程度值、An为异常警报值，Cp为标准化值(例如可以优选为平均值，中位数等等，或者基于经验值得到)。

步骤S3，根据各环节的第一控制要素量和各环节的第二控制要素量，确定控制要素异常原因量化值；其中，所述各环节包括电控制点环节、气控制点环节、人工操作环节、水控制点环节、设备运转环节和原料变化环节；各环节的控制要素量通过生产流程控制网进行获取；所述第一控制要素量为判定异常时刻的控制要素量；所述第二控制要素量为判定异常前一时刻的控制要素量。

在本实施例中，首先需要构建生产流程控制网络，参照图3。该生产流程控制网络涉及生产的各个环节，包括但不限于电控制点环节、气控制点环节、人工操作环节、水控制点环节、设备运转环节和原料变化环节。可以总结为电、气、水、原料、人工干预、设备等，其用量、变化量或状态均可以通过函数进行表示。然后通过仪器设备，或人工进行记录并实现监测(包括水电气表、原料投入记录量、设备运行参数和人工操作台记录等)，从而建立起所述生产流程控制和监测网络，反馈异常报警的位置G。

其中，通过K来描述控制要素，包括水-w/电-e/气-q/人工-p/原料-l/设备-s等控制要素，其描述包括增加量和损耗量。

然后可以求取K的变化值△K＝K

进而，所述控制要素异常原因量化值可以为所述各环节的第一控制要素量总和与所述各环节的第二控制要素量总和的差值，即：

R

其中，R

步骤S4，根据所述控制要素异常原因量化值和所述传感数据，结合预先求解得到的异常计算参数进行异常前溯，确定异常出现的原因。

作为一种优选实施方式，在所述根据所述控制要素异常原因量化值和所述传感数据，结合预先求解得到的异常计算参数进行异常前溯之前，还包括：

根据历史数据建立样品库；所述历史数据包括异常记录数据和溯源投入记录数据；所述样品库用于对案例进行存储并分析；

基于所述样品库中的异常记录数据和溯源投入记录数据，通过人工智能算法求解所述异常计算参数α(参照图4)；其中，所述人工智能算法包括神经网络算法、蚁群算法、退火算法和随机森林算法。

并且，可以在所述通过人工智能算法求解所述异常计算参数α之后，根据下式计算准确度z：

z＝m/M·100％；其中，m为计算正确的根因数量，M为随机选择的非建模数据；

可以理解，该异常计算参数α为一种模型参数。本实施例的根因预警方法可以理解为或等效为一种模型，即通过计算得到的准确度以及不断收集样本数据，迭代优化所述异常计算参数，即实现了对模型的优化，不断提高模型的准确性。

进而，所述异常出现的原因具体为出现异常的环节；所述根据所述控制要素异常原因量化值和所述传感数据，结合预先求解得到的异常计算参数α，确定异常出现的原因，具体为：

根据下式确定异常出现的原因：

其中，α为预先求解得到的异常计算参数，R

R

△T＝T

其中，F指R

根据已知的α、R

进一步地，利用大数据可以建立正常运行要素模型C：

其中，k指任一控制要素量任一时刻的值，f指C为关于k的函数。

从而，可以基于若干根因解决方案建立数据集合；

根据确定异常出现的原因从所述数据集合中匹配对应的根因解决方案，以调整控制要素输入值，具体地：

R(t,K

△P＝A-C；

然后基于预警进行响应，并采用根因解决方案进行处理：

F(K)＝R

其中，△P为调节要素的量。实施本申请实施例，通过确定根因、故障点的位置、发生异常的时间以及控制要素的变化量，进而可以确定时间、位置、变量与正常运行状态之间的差异，改变控制要素输入值，从而解决传感器异常报警对应的问题，实现去人工和自动化。

相应的，本发明实施例还提供了一种针对工厂异常的根因预警装置，包括采集模块101、预警模块102、量化值确定模块103和异常前溯模块104；其中，

所述采集模块101，用于通过若干传感器分别采集工厂流水线生产流程数据，并根据所述生产流程数据，记录包含时间信息的传感数据；

所述预警模块102，用于当所述传感数据超出预设阈值时，则判定出现异常并发出对应的预警；

所述量化值确定模块103，用于根据各环节的第一控制要素量和各环节的第二控制要素量，确定控制要素异常原因量化值；其中，所述各环节包括电控制点环节、气控制点环节、人工操作环节、水控制点环节、设备运转环节和原料变化环节；各环节的控制要素量通过生产流程控制网进行获取；所述第一控制要素量为判定异常时刻的控制要素量；所述第二控制要素量为判定异常前一时刻的控制要素量；

所述异常前溯模块104，用于根据所述控制要素异常原因量化值和所述传感数据，结合预先求解得到的异常计算参数进行异常前溯，确定异常出现的原因。

相应的，本发明实施例还提供了一种终端设备，所述终端设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现所述的一种针对工厂异常的根因预警方法。

所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述终端的控制中心，利用各种接口和线路连接整个终端的各个部分。

所述存储器可用于存储所述计算机程序，所述处理器通过运行或执行存储在所述存储器内的计算机程序，以及调用存储在存储器内的数据，实现所述终端的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

相应的，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行所述的一种针对工厂异常的根因预警方法。

其中，所述针对工厂异常的根因预警装置集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。

相比于现有技术，本发明实施例具有如下有益效果：

本发明实施例提供了一种针对工厂异常的根因预警方法、装置、终端设备和计算机可读存储介质，所述根因预警方法包括：通过若干传感器分别采集工厂流水线生产流程数据，并根据所述生产流程数据，记录包含时间信息的传感数据；当所述传感数据超出预设阈值时，则判定出现异常并发出对应的预警；根据各环节的第一控制要素量和各环节的第二控制要素量，确定控制要素异常原因量化值；其中，所述各环节包括电控制点环节、气控制点环节、人工操作环节、水控制点环节、设备运转环节和原料变化环节；各环节的控制要素量通过生产流程控制网进行获取；所述第一控制要素量为判定异常时刻的控制要素量；所述第二控制要素量为判定异常前一时刻的控制要素量；根据所述控制要素异常原因量化值和所述传感数据，结合预先求解得到的异常计算参数进行异常前溯，确定异常出现的原因。本发明实施例相比于现有技术，在传感器超出阈值时判定出现异常并发出预警，进而基于异常原因量化值进行前溯，确定异常出现的原因，相比人工进行根因分析和前溯有效提高了准确性，可以有效保证生产的效率，降低人力、物力的投入，且响应快速、降低对生产人员经验的依赖。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。