一种智能化车间的生产线数据采集控制方法及系统与流程

本发明车间生产线智能控制处理，尤其涉及一种智能化车间的生产线数据采集控制方法及系统。

背景技术：

1、当前制造业迅速发展，智能化车间生产线的数据采集与控制技术已经在工业自动化领域得到广泛应用，通过引入先进的传感器技术、数据采集与处理技术以及智能控制技术，实现对生产过程的全面感知以及智能控制，从而大幅提高生产效率、降低生产成本和提高产品质量，有效管理生产过程中的各种变量和风险，提高生产效率和产品质量，并且帮助车间生产线的实现资源的合理配置和成本的有效控制。然而，传统的车间的生产线数据采集控制方法主要依赖人工操作和单一的数据采集手段，存在信息孤岛、数据采集不全面、实时性差、难以有效整合和分析等问题，而现有的车间智能化技术尝试将多源异构数据集成处理与分析应用于智能制造领域，但仍存在数据处理效率低、分析精度不足、控制策略不够灵活等问题。

技术实现思路

1、基于此，本发明提供一种智能化车间的生产线数据采集控制方法及系统，以解决至少一个上述技术问题。

2、为实现上述目的，一种智能化车间的生产线数据采集控制方法，包括以下步骤：

3、步骤s1：根据多模态传感器进行车间生产线的设备状态多源异构数据采集，生成设备状态多源异构数据；对设备状态多源异构数据进行多源异构数据集成处理，生成设备状态多源数据；

4、步骤s2：对设备状态多源数据进行多源数据分类处理，生成设备状态单源分类数据；基于设备状态单源分类数据进行设备状态的单源子集分布特征节点分析，生成单源子集分布特征节点数据；根据单源子集分布特征节点数据对设备状态多源数据进行设备状态多源特征数据选取，生成设备状态多源特征数据；

5、步骤s3：对设备状态多源特征数据进行时序数据整合，生成设备状态时序多源特征数据；基于设备状态时序多源特征数据进行异常设备状态时序趋势识别，生成异常设备状态时序趋势数据；

6、步骤s4：获取车间生产线的设备控制参数；基于车间生产线的设备控制参数以及设备状态时序多源特征数据进行设备控制参数以及设备状态的动态驱动映射关系分析，以生成设备动态驱动数据模型；基于异常设备状态趋势数据以及设备动态驱动数据模型进行设备自适应控制策略分析，生成设备自适应控制策略；

7、步骤s5：对设备自适应控制策略进行控制参数的调度优化处理，生成优化设备自适应控制策略，并将优化设备自适应控制策略反馈至终端设备执行生产线设备的智能化控制作业。

8、优选地，步骤s1包括以下步骤：

9、步骤s11：基于预设的传感器配置需求将多模态传感器进行传感器节点配置，以得到传感器节点配置数据，并通过传感器配置数据设置传感器网络拓扑结构；

10、步骤s12：根据多模态传感器进行车间生产线的设备状态信号实时监测，生成实时监测设备状态信号；

11、步骤s13：根据实时监测设备状态信号进行车间生产线的设备状态多源异构数据分析，生成设备状态多源异构数据；

12、步骤s14：对设备状态多源异构数据进行时序同步校正，生成同步设备状态多源异构数据；

13、步骤s15：根据传感器网络拓扑结构进行设备状态集成队列分析，生成设备状态集成队列；

14、步骤s16：根据设备状态集成队列对同步设备状态多源异构数据进行多源异构数据集成处理，生成设备状态多源数据。

15、优选地，步骤s13包括以下步骤：

16、对多模态传感器进行传感器自噪声干扰信号分析，生成传感器自噪声干扰信号；

17、根据传感器自噪声干扰信号对实时监测设备状态信号进行有效信号分析，生成有效监测设备状态信号；

18、根据传感器网络拓扑结构对有效监测设备状态信号进行信号源头标识，生成标识测设备状态信号；

19、对标识测设备状态信号进行车间生产线的设备状态多源异构数据转换，生成设备状态多源异构数据。

20、优选地，步骤s2包括以下步骤：

21、步骤s21：对设备状态多源数据进行多源数据分类处理，生成设备状态单源分类数据；

22、步骤s22：逐一选取设备状态多源数据中的设备状态单源分类数据作为单一分析变量，对单一分析变量对应的设备状态单源分类数据进行设备状态的单源子集影响相似度评估，生成单源子集影响相似度数据；

23、步骤s23：基于单源子集影响相似度数据进行单源子集分布特征节点分析，生成单源子集分布特征节点数据；

24、步骤s24：根据单源子集分布特征节点数据对设备状态多源数据进行设备状态多源特征数据选取，生成设备状态多源特征数据。

25、优选地，步骤s23包括以下步骤：

26、根据单源子集影响相似度数据进行单源子集分布影响概率评估，生成单源子集分布影响概率数据；

27、对单源子集分布影响概率数据进行kl散度计算，生成单源子集分布影响kl散度数据；

28、根据单源子集分布影响kl散度数据进行单源子集分布特征节点分析，生成单源子集分布特征节点数据。

29、优选地，步骤s3包括以下步骤：

30、步骤s31：对设备状态多源特征数据进行时序数据整合，生成设备状态时序多源特征数据；

31、步骤s32：基于预设的长短期记忆神经网络算法对设备状态时序多源特征数据进行设备状态时序趋势分析，生成设备状态时序趋势数据；

32、步骤s33：分别选取设备状态时序趋势数据对应的设备状态单源分类数据进行设备状态时序趋势评估二叉树设计，以建立设备状态时序趋势评估二叉树；

33、步骤s34：根据设备状态时序趋势评估二叉树对设备状态时序趋势数据进行异常设备状态时序趋势识别，生成异常设备状态时序趋势数据。

34、优选地，步骤s34包括以下步骤：

35、将设备状态时序趋势数据传输至设备状态时序趋势评估二叉树进行二叉树递归评估，生成二叉树递归评估数据；

36、对二叉树递归评估数据进行聚类分析，生成聚类二叉树递归评估数据；根据聚类二叉树递归评估数据进行离群点识别，生成二叉树递归评估离群点数据；

37、根据二叉树递归评估离群点数据对设备状态时序趋势数据进行设备状态时序趋势的异常节点识别，以生成异常设备状态时序趋势数据。

38、优选地，步骤s4包括以下步骤：

39、步骤s41：获取车间生产线的设备控制参数；

40、步骤s42：根据车间生产线的设备控制参数以及设备状态时序多源特征数据进行设备驱动关联分析，生成设备驱动关联数据；

41、步骤s43：根据设备驱动关联数据进行设备控制参数以及设备状态的动态驱动映射关系分析，以生成设备动态驱动数据模型；

42、步骤s44：基于异常设备状态趋势数据对设备动态驱动数据模型进行优选设备驱动特征数据分析，生成优选设备驱动特征数据；

43、步骤s45：根据优选设备驱动特征数据进行设备自适应控制策略分析，生成设备自适应控制策略。

44、优选地，步骤s51包括以下步骤：

45、步骤s51：根据设备自适应控制策略以及设备动态驱动数据模型进行仿真设备调度驱动效率分析，生成仿真设备调度驱动效率数据；

46、步骤s52：根据仿真设备调度驱动效率数据进行调度资源优先级分析，生成调度资源优先级数据；

47、步骤s53：根据调度资源优先级数据对设备自适应控制策略进行控制参数的调度优化处理，生成优化设备自适应控制策略，并将优化设备自适应控制策略反馈至终端设备执行生产线设备的智能化控制作业。

48、本说明书中提供一种智能化车间的生产线数据采集控制系统，用于执行如上述所述的智能化车间的生产线数据采集控制方法，该智能化车间的生产线数据采集控制系统包括：

49、设备状态多源数据采集模块，用于根据多模态传感器进行车间生产线的设备状态多源异构数据采集，生成设备状态多源异构数据；对设备状态多源异构数据进行多源异构数据集成处理，生成设备状态多源数据；

50、设备状态多源特征分析模块，用于对设备状态多源数据进行多源数据分类处理，生成设备状态单源分类数据；基于设备状态单源分类数据进行设备状态的单源子集分布特征节点分析，生成单源子集分布特征节点数据；根据单源子集分布特征节点数据对设备状态多源数据进行设备状态多源特征数据选取，生成设备状态多源特征数据；

51、设备状态时序多源特征分析模块，用于对设备状态多源特征数据进行时序数据整合，生成设备状态时序多源特征数据；基于设备状态时序多源特征数据进行异常设备状态时序趋势识别，生成异常设备状态时序趋势数据；

52、设备自适应控制策略分析模块，用于获取车间生产线的设备控制参数；基于车间生产线的设备控制参数以及设备状态时序多源特征数据进行设备控制参数以及设备状态的动态驱动映射关系分析，以生成设备动态驱动数据模型；基于异常设备状态趋势数据以及设备动态驱动数据模型进行设备自适应控制策略分析，生成设备自适应控制策略；

53、设备自适应控制策略优化模块，用于对设备自适应控制策略进行控制参数的调度优化处理，生成优化设备自适应控制策略，并将优化设备自适应控制策略反馈至终端设备执行生产线设备的智能化控制作业。

54、本发明通过部署多模态传感器，能够全面监测车间生产线的设备状态，实现对温度、压力、振动、声音等多种参数的实时采集，提供全面的数据支持，通过多源异构数据的集成处理，将不同类型和来源的数据进行整合，生成统一的设备状态多源数据，解决了信息孤岛和数据不一致的问题，多模态传感器的实时数据采集和处理能够快速响应生产线设备的状态变化，提高了数据的实时性和准确性。对设备状态多源数据进行分类处理，生成设备状态单源分类数据，使得数据分析更加细致、准确，有助于识别设备状态的微小变化，通过单源子集分布特征节点分析和特征数据选取，提取出设备状态的关键特征数据，特征数据选取过程能够有效降低数据的冗余信息，减少数据处理的复杂性和计算负担，提高了系统的运行效率。对设备状态多源特征数据进行时序数据整合，生成时序多源特征数据，使得数据具有时间维度，能够反映设备状态的动态变化，基于时序多源特征数据进行异常设备状态时序趋势识别，能够提前发现设备的异常趋势和潜在故障，提高了设备运行的安全性和可靠性，异常趋势识别为设备的预测性维护提供了数据支持，减少了突发故障带来的生产停机时间，降低了维护成本。通过分析设备控制参数和设备状态时序多源特征数据的动态驱动映射关系，生成设备动态驱动数据模型，能够准确描述设备状态与控制参数之间的关系，基于异常设备状态趋势数据和设备动态驱动数据模型，分析生成设备自适应控制策略，实现对设备的自适应控制，提升了生产线的自动化水平和运行效率，自适应控制策略能够根据设备状态的实时变化进行灵活调整，提高了设备运行的稳定性和生产线的灵活性，防止生产线设备运行时出现异常状况。对设备自适应控制策略进行控制参数的调度优化处理，基于设备状态分析相应的最佳设备控制参数，如基于设备的最佳运行区间分配设备控制调度资源，生成优化的自适应控制策略，确保控制策略在执行中的高效性和精准性，将优化的自适应控制策略反馈至终端设备，执行智能化控制作业，实现生产线设备的自动化和智能化控制，减少人工干预，提升生产效率，智能化控制作业能够有效提高生产线的运行效率和产品质量。因此本发明的智能化车间的生产线数据采集控制方法，通过引入多模态传感器、多源异构数据集成处理、多源数据分类处理、时序数据整合以及自适应控制策略等技术，旨在解决现有技术中存在的数据采集不全面、数据处理效率低、智能控制不灵活等问题，实现对生产线设备状态的全面监测和智能控制，提升生产线的智能化水平和生产效率。

55、本技术有益效果在于，本发明的智能化车间的生产线数据采集控制方法通过综合运用多模态传感器数据采集、多源数据的分类处理与特征分析、时序数据的整合与异常趋势识别、以及自适应控制策略的动态映射与优化，显著提高了生产线的智能化控制水平和操作效率。通过高效的数据采集与集成处理，能够全面监测和精确分析设备状态，确保数据的实时更新和高度一致性。利用长短期记忆网络和二叉树结构进行趋势分析和异常状态识别，极大提升了故障预测的准确性和早期警告能力，从而减少设备故障和停机风险。通过仿真和优化分析，实现了资源的最优调配和控制策略的精细调整，增强了生产线的响应速度和适应性，确保生产过程的高效性和稳定性。