CN107272619A - 一种工业生产设备的智能监控系统及方法 - Google Patents
一种工业生产设备的智能监控系统及方法 Download PDFInfo
- Publication number
- CN107272619A CN107272619A CN201710486520.1A CN201710486520A CN107272619A CN 107272619 A CN107272619 A CN 107272619A CN 201710486520 A CN201710486520 A CN 201710486520A CN 107272619 A CN107272619 A CN 107272619A
- Authority
- CN
- China
- Prior art keywords
- equipment
- industrial product
- real
- adjust instruction
- time production
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000004519 manufacturing process Methods 0.000 claims abstract description 249
- 238000004088 simulation Methods 0.000 claims abstract description 33
- 238000013507 mapping Methods 0.000 claims description 34
- 230000007935 neutral effect Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000009776 industrial production Methods 0.000 claims description 10
- 230000001537 neural effect Effects 0.000 claims description 7
- 210000004218 nerve net Anatomy 0.000 claims 2
- 238000012544 monitoring process Methods 0.000 abstract description 26
- 230000004048 modification Effects 0.000 abstract description 7
- 238000012986 modification Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 6
- 230000001276 controlling effect Effects 0.000 description 30
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 28
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 23
- 235000011941 Tilia x europaea Nutrition 0.000 description 23
- 239000004571 lime Substances 0.000 description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 18
- 230000008859 change Effects 0.000 description 13
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 12
- 230000003009 desulfurizing effect Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- GWEVSGVZZGPLCZ-UHFFFAOYSA-N Titan oxide Chemical compound O=[Ti]=O GWEVSGVZZGPLCZ-UHFFFAOYSA-N 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000006477 desulfuration reaction Methods 0.000 description 3
- 230000023556 desulfurization Effects 0.000 description 3
- 230000011664 signaling Effects 0.000 description 3
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 2
- 239000005864 Sulphur Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000003500 flue dust Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen group Chemical group [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 239000004408 titanium dioxide Substances 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011958 production data acquisition Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4185—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication
-
- 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
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31088—Network communication between supervisor and cell, machine group
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种工业生产设备的智能监控系统及方法，其方法包括，采集工业生产设备的实时生产数据；得到所述工业生产设备的实时生产状态；生成调整指令；模拟执行所述调整指令，输出模拟生产数据；将所述工业生产设备的模拟生产数据和实时生产数据进行对比，得出所述工业生产设备的模拟生产数据和实时生产数据之间的波动值；判断所述波动值在预设的波动范围中的位置关系，并根据位置关系发出相应的反馈信号；根据反馈信号，且通过调整指令在线调整所述工业生产设备的实时生产状态，或根据反馈信号修改所述调整指令。本发明可以实时监控工业生产设备的生产状态，且模拟执行指令可以判断控制指令的合理性，这也提高了本发明的监控效果。
Description
技术领域
本发明涉及设备监管技术领域，尤其涉及一种工业生产设备的智能监控系统及方法。
背景技术
随着时代的发展和科技的进步，在各个领域都采用了智能控制技术，尤其是在工业生产的过程中，常常采用一条龙的生产模式，而在工业生产设备运行的过程中需要对重要的核心设备进行实时的监控来保证整个生产线的正常运行；现有技术中，大多都安装普通的监控系统--电视监控，电视监控系统主要由前端监视设备、传输设备、后端存储、控制及显示设备这五大部分组成，其中后端设备可进一步分为中心控制设备和分控制设备。前、后端设备有多种构成方式，它们之间的联系(也可称作传输系统)可通过电缆、光纤、微波等多种方式来实现。但是普通的监控系统监控的效果较差，不能形成统一的管理，特别是不能掌握设备的性能；另外，在工业生产设备出现故障后，需要工作人员查找故障点并在线检测并调试，并没有实现真正的监控意义。
发明内容
为解决上述技术问题，本发明提供了一种工业生产设备的智能监控方法及系统。
第一方面，本发明提供了一种工业生产设备的智能监控方法，包括以下步骤，
S1，采集工业生产设备的实时生产数据；
S2，对所述工业生产设备的实时生产数据进行处理，得到所述工业生产设备的实时生产状态；
S3，根据所述工业生产设备的实时生产状态，当所述工业生产设备的实时生产状态不满足预设条件时，生成对所述工业生产设备的实时生产状态进行调整的调整指令；
S4，模拟执行所述调整指令，得到所述工业生产设备的模拟生产状态，并输出所述工业生产设备的模拟生产数据；
S5，将所述工业生产设备的模拟生产数据和实时生产数据进行对比，得出所述工业生产设备的模拟生产数据和实时生产数据之间的波动值；
S6，判断所述波动值在预设的波动范围中的位置关系，并根据所述位置关系发出相应的反馈信号；
S7，根据所述反馈信号，且通过所述调整指令在线调整所述工业生产设备的实时生产状态；
或根据所述反馈信号修改所述调整指令。
上述方案的有益效果在于：本发明一种工业生产设备的智能监控方法通过采集工业生产设备的实时生产数据得到所述工业生产设备的实时生产状态，当需要调整所述工业生产设备的实时生产状态时，则根据所述工业生产设备的实时生产状态生成相应的调整指令，为了判断调整指令是否正确，避免误操作损坏工业生产设备，需要模拟执行调整指令，得到所述工业生产设备的模拟生产数据，然后将所述工业生产设备的模拟生产数据和实时生产数据进行对比，得出所述工业生产设备的模拟生产数据和实时生产数据之间的波动值(波动值反应了它们之间的差异)，接着判断所述波动值与预设的波动范围的位置关系，并根据所述位置关系发出相应的反馈信号，最后根据反馈信号执行相应的策略；本发明不仅可以实时监控工业生产设备的生产状态，还可以在线调整其生产，且模拟执行指令可以判断控制指令的合理性，这也提高了本发明的监控效果。
进一步，还包括S8，根据所述工业生产设备的实时生产数据，以及所述工业生产设备的模拟生产数据和实时生产数据之间的波动值绘制所述工业生产设备的生产状态波动曲线图。
在上述进一步的方案中，所述工业生产设备的生产状态波动曲线图可以直观的展示工业设备的生产状态的变化和性能变化，可以为后期维修更换工业设备提供指导性的建议，更进一步的提升本发明的监控意义。
第二方面，本发明提供了一种工业生产设备的智能监控系统，包括实时生产数据采集模块、实时生产状态生成模块、控制指令生成模块、模拟执行模块、对比模块、反馈模块和在线执行模块，
所述实时生产数据采集模块，用于采集工业生产设备的实时生产数据；
所述实时生产状态生成模块，用于对所述工业生产设备的实时生产数据进行处理，得到所述工业生产设备的实时生产状态；
所述控制指令生成模块，用于根据所述工业生产设备的实时生产状态，当所述工业生产设备的实时生产状态不满足预设条件时，生成对所述工业生产设备的实时生产状态进行调整的调整指令；
所述模拟执行模块，用于模拟执行所述调整指令，得到所述工业生产设备的模拟生产状态，并输出所述工业生产设备的模拟生产数据；
所述对比模块，用于将所述工业生产设备的模拟生产数据和实时生产数据进行对比，得出所述工业生产设备的模拟生产数据和实时生产数据之间的波动值；
所述反馈模块，用于判断所述波动值在预设的波动范围中的位置关系，并根据所述位置关系发出相应的反馈信号；
所述在线执行模块，用于根据所述反馈信号，且通过所述调整指令在线调整所述工业生产设备的实时生产状态；
或根据所述反馈信号修改所述调整指令。
上述方案的有益效果在于：本发明一种工业生产设备的智能监控系统通过采集工业生产设备的实时生产数据得到所述工业生产设备的实时生产状态，当需要调整所述工业生产设备的实时生产状态时，则根据所述工业生产设备的实时生产状态生成相应的调整指令，为了判断调整指令是否正确，避免误操作损坏工业生产设备，需要模拟执行调整指令，得到所述工业生产设备的模拟生产数据，然后将所述工业生产设备的模拟生产数据和实时生产数据进行对比，得出所述工业生产设备的模拟生产数据和实时生产数据之间的波动值(波动值反应了它们之间的差异)，接着判断所述波动值与预设的波动范围的位置关系，并根据所述位置关系发出相应的反馈信号，最后根据反馈信号执行相应的策略；本发明不仅可以实时监控工业生产设备的生产状态，还可以在线调整其生产，且模拟执行指令可以判断控制指令的合理性，这也提高了本发明的监控效果。
进一步，还包括生产状态波动曲线图生成模块，用于根据所述工业生产设备的实时生产数据，以及所述工业生产设备的模拟生产数据和实时生产数据之间的波动值绘制所述工业生产设备的生产状态波动曲线图。
在上述进一步的方案中，所述工业生产设备的生产状态波动曲线图可以直观的展示工业设备的生产状态的变化和性能变化，可以为后期维修更换工业设备提供指导性的建议，更进一步的提升本发明的监控意义。
附图说明
图1为本发明实施例1提供的一种工业生产设备的智能监控方法的流程图；
图2为本发明实施例1和实施例7提供的一种工业生产设备的结构图；
图3为本发明实施例2提供的一种工业生产设备的智能监控方法中工业生产设备生产状态映射关系图；
图4为本发明实施例3提供的一种工业生产设备的智能监控方法中各数据、指令的状态云图；
图5为本发明实施例1至实施例5综合提供的一种工业生产设备的智能监控方法的逻辑原理图；
图6为本发明实施例6提供的一种工业生产设备的智能监控方法的流程图；
图7为本发明实施例7提供的一种工业生产设备的智能监控系统的结构框图；
图8为本发明实施例12提供的一种工业生产设备的智能监控系统的结构框图；
图9为本发明实施例7至实施例12综合提供的一种工业生产设备的智能监控系统的数据信令图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透切理解本发明。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
实施例1：
图1为本发明实施例1提供的一种工业生产设备的智能监控方法的流程图。
具体如图1所示，一种工业生产设备的智能监控方法，包括以下步骤，
S1，采集工业生产设备的实时生产数据；
S2，对所述工业生产设备的实时生产数据进行处理，得到所述工业生产设备的实时生产状态；
S3，根据所述工业生产设备的实时生产状态，当所述工业生产设备的实时生产状态不满足预设条件时，生成对所述工业生产设备的实时生产状态进行调整的调整指令；
S4，模拟执行所述调整指令，得到所述工业生产设备的模拟生产状态，并输出所述工业生产设备的模拟生产数据；
S5，将所述工业生产设备的模拟生产数据和实时生产数据进行对比，得出所述工业生产设备的模拟生产数据和实时生产数据之间的波动值；
S6，判断所述波动值在预设的波动范围中的位置关系，并根据所述位置关系发出相应的反馈信号；
S7，根据所述反馈信号，且通过所述调整指令在线调整所述工业生产设备的实时生产状态；
或根据所述反馈信号修改所述调整指令。
在本发明的实施例1中：采集工业生产设备的实时生产数据包括工业生产设备在停机、空载、满载、宕机等状态下的生产数据，而反应这些状态的生产数据可以为工业生产设备的电压、电流、转速、流量、温度、压力等。
例如，以环保生产设备(工业生产设备的一种)为例做简要说明：环保生产设备具体为脱硫设备，其结构如图2所示，包括脱硫塔，还包括与脱硫塔连接的石灰泵、工艺水泵、压缩空气源、锅炉、活性炭装置和除尘器，除尘器上还设有引风机。当需要对这套脱硫设备进行实时生产数据采集时，可以通过电流互感器采集石灰泵、工艺水泵和引风机的电流，然后对这些电流(实时生产数据)进行处理，可以得到出口二氧化硫、出口二氧化碳、出口含氮氧化物和出口烟尘的浓度(由设备电流数据得出气体浓度数据的原理为：例如，石灰泵的电流与石灰泵的转速相关，而石灰泵的转速与其处理二氧化硫的能力相关，这里可以通过石灰泵的电流反应其处理二氧化硫的能力，没有被处理的二氧化硫从出口排除，所以石灰泵的电流大小可以反应出口二氧化硫的浓度，这里对石灰泵的电流进行数据处理就可以得出出口二氧化硫的浓度)，这些浓度可以反映脱硫处理的运行情况，从而判断出脱硫设备是否处于正常工作状态，若某一浓度值超过预设值时，则脱硫设备处理异常，不满足脱硫设备正常处理的预设条件，这时需要调整脱硫设备的运行参数，也就是说要调整石灰泵和/或工艺水泵和/ 或引风机的电流。
当需要调整石灰泵和/或工艺水泵和/或引风机的电流使脱硫设备正常运行时，则通过生成调整指令进行调整，在调整指令对石灰泵和/或工艺水泵和/或引风机的电流的进行调整之前，需要判断调整指令是否正确，避免因电流调节过高或过低而损坏设备。本发明通过模拟执行调节指令的方式来判断调整指令是否正确，以保证设备的正常运行。
实施例2：
在本发明实施例1提供的一种工业生产设备的智能监控方法的基础上，本发明还提供实施例2，在实施例2中，
所述S3具体为，将所述工业生产设备的实时生产状态与预先设定的所述工业生产设备的目标生产状态建立映射关系，并设置映射条件，根据所述映射条件生成所述调整指令；
根据所述映射条件生成所述调整指令的具体过程为，对所述映射条件进行编程形成机器语言，并对所述机器语言进行封装形成所述调整指令。
在本发明实施例2中，目标生产状态就是工业生产设备调整后最终需要达到的状态，从实时状态到最终状态是通过映射条件来一一对应映射的，这个映射条件就是调整状态的指令。图3为本发明实施例3提供的一种工业生产设备的智能监控方法中工业生产设备生产状态映射关系图；在图3中，实时生产状态x通过映射条件x与目标生产状态x对应。下面还是以环保生产设备为例做简要说明：例如，环保生产设备的实时生产状态为出口二氧化硫的浓度为A g/m3，而环保要求的二氧化硫排放浓度为Bg/m3，(A>B)那么出口二氧化硫的浓度为Bg/m3是环保生产设备需要达到的目标生产状态；环保生产设备从实时生产状态到目标生产状态是需要通过调整环保生产设备来实现的，例如通过调节流经石灰泵、工艺水泵和引风机的电流；所以，这里的调节流经石灰泵、工艺水泵和引风机的电流就是映射条件，也就是调整指令。
本发明通过映射可以实现调整指令的生成，调整指令生成过程简单且快速，能够提高本发明监控的效率。
实施例3：
在本发明实施例1或实施例2提供的一种工业生产设备的智能监控方法的基础上，本发明还提供实施例3，在实施例3中，
所述S4中模拟执行所述调整指令的具体方法为，通过设置与所述工业生产设备对应的设备模型和控制模型，模拟执行所述调整指令；
所述设备模型具体为对工业生产设备的实体进行数学建模而得到的模型；
所述控制模型具体为对工业生产设备的实体的控制系统进行数学建模而得到的模型；
所述控制模型镶嵌在所述设备模型中。
在本发明实施例3中，设备模型是对实体的工业生产设备进行数学建模而得到的，控制模型是对实体的工业生产设备的控制系统进行数学建模而得到的，设备模型和控制模型的相关参数与实体的工业设备的对应参数相匹配，也就是说设备模型和控制模型的结合就是实体设备的软设计，所以可以输入调整指令到控制模型，然后控制模型通过调整指令调整设备模型动作。下面还是以环保生产设备为例做简要说明：例如，将脱硫塔、与脱硫塔连接的石灰泵、工艺水泵、压缩空气源、锅炉、活性炭装置和除尘器，以及与除尘器连接的引风机通过软件设计建模，在PC设备上建立一个与环保生产设备结构一样的设备模型，然后在设备模型上配置控制设备模型的控制模型，这个控制模型与控制实体脱硫塔、石灰泵、工艺水泵、压缩空气源、锅炉、活性炭装置、除尘器和引风机的控制电路相同，这样就可以将通过控制模型控制设备模型来模拟控制指令；当控制模型根据控制指令控制设备模型运行时，若控制模型中的各个参数正常时，则说明控制指令是正确的，若控制模型中的有参数不正常，则说明控制指令不正确，此时就能将控制指令直接执行在现实设备上，以免引发故障。
图4为本发明实施例3提供的一种工业生产设备的智能监控方法中各数据、指令的状态云图，如图4所示，根据实时生产数据生成调整指令，调整指令输入到控制模型中，通过控制模型控制设备模型，由设备模型生成模拟生产数据，将模拟生产数据与实时生产数据进行对比得出波动值，判断波动值在预设波动范围中的位置关系生成反馈信号，根据反馈信号修改调整指令或执行调整指令。例如：当波动值在预设波动范围内时，代表调整指令正确，此时反馈信号为0，当反馈信号为0时就执行调整指令，即通过调整指令调整工业生产设备的生产状态；当波动值不在预设波动范围内时，代表调整指令不正确，此时反馈信号为1，当反馈信号为1时就修改调整指令。
本发明实施例3设备模型和控制模型，模拟执行所述调整指令，能够模拟工业生产设备在真实场景下的工作状态，使得模拟更加逼真。
实施例4：
在本发明实施例1至实施例3任一实施例提供的一种工业生产设备的智能监控方法的基础上，本发明还提供实施例4，在实施例4中，
在所述S7中，当根据所述反馈信号和所述调整指令在线调整所述工业生产设备的实时生产状态失败时，强制控制所述工业生产设备停运。
在本发明实施例4中，当本发明的智能监控系统出现故障时，或当工业生产设备出现故障时，可能造成所述调整指令执行不成功的问题，那么，此时为了避免智能监控系统和工业生产设备因失控造成的严重后果，本发明实施例4还需要强制控制所述工业生产设备停运以保护智能监控系统和工业生产设备。
实施例5：
在本发明实施例1至实施例4任一实施例提供的一种工业生产设备的智能监控方法的基础上，本发明还提供实施例5，在实施例5中，
在所述S7中，利用神经网络对所述反馈信号进行训练，得到神经网络训练结果，并根据所述神经网络训练结果修改所述调整指令。
在本发明实施例5中，神经网络又称人工神经网络，人工神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。在理论模型研究的基础上构作具体的神经网络模型，以实现计算机模拟或人类的神经网络准备制作硬件，包括网络学习算法的研究。这方面的工作也称为技术模型研究。神经网络用到的算法就是向量乘法，并且广泛采用符号函数及其各种逼近。并行、容错、可以硬件实现以及自我学习特性。本发明实施例5利用神经网络的自学习特性，对所述反馈信号进行训练，得到神经网络训练结果，并根据所述神经网络训练结果修改所述调整指令；修改调整指令的过程就是一个自学习的过程，自学习能使所述调整指令更加精确，从而提高了智能监控的精度。
下面结合图5对实施例1至实施例5进行综合性的说明，图5为本发明提供的一种工业生产设备的智能监控方法的逻辑原理图。
在所述图5中，首先采集工业生产设备的实时生产数据；然后对所述工业生产设备的实时生产数据进行处理，得到所述工业生产设备的实时生产状态；接着判断实时生产状态是否满足预设条件，判断是否满足预设条件的方法为实时生产状态是不是我们需要的生产状态，例如，在脱硫设备中，我们需要得到的是出口二氧化硫的浓度不高于0.01g/m3，若脱硫设备此时的实时生产状态是二氧化硫的浓度为0.007g/m3，这时表明工业生产设备此时运行的状态满足我们的需求(在预设范围内)，则不做调整，若脱硫设备此时的实时生产状态是二氧化硫的浓度为0.015g/m3，这时表明工业生产设备此时运行的状态不满足我们的需求(不在预设范围内)，则需要调整脱硫设备，此时生成调整指令；在调整脱硫设备之前，需要判断对所述工业设备的实时生产状态进行调整到的调整指令进行模拟执行，得到所述工业生产设备的模拟生产数据；工业设备模拟的生产数据毕竟不是工业设备实时的生产数据，若调整指令非常的精准，模拟的生产数据应该是非常接近甚至等于实时的生产数据，若调整指令不精准，则模拟的生产数据与实时的生产数据会存在一定的差距，也就是波动，这时需要判断这个波动值在预设的波动范围内的位置，若这个波动值不在预设的波动范围内，表明通过此时调整指令去调整共生产设备，会出现严重的偏差，所以当波动值不在预设的波动范围内需要发出警报进行报警，提示此时的调整指令不可行，当波动值在预设的波动范围内是，说明执行此时的调整指令去调整工业生产设备不会出现严重的偏差，调整比较合理，这时就发出一个反馈信号，表明此时的调整指令可用，至于此时的调整指令可用到什么程度，这需要根据反馈信号的信号值来判断，例如反馈信号的反馈值为1，则表明此时的调整指令可以直接执行(代表调整指令精准)，例如反馈信号的反馈值为2，则表明此时的可以通过人工神经网络进行自学习来修改调整指令，使调整指令更加精确。
实施例6：
在本发明实施例1至实施例5任一实施例提供的一种工业生产设备的智能监控方法的基础上，本发明还提供实施例6，在实施例6中，如图6所示，
还包括S8，根据所述工业生产设备的实时生产数据，以及所述工业生产设备的模拟生产数据和实时生产数据之间的波动值绘制所述工业生产设备的生产状态波动曲线图。例如，以时间为横轴，以工业生产设备的生产数据为纵轴，建立工业生产设备的生产状态波动状态的二维坐标系，将工业生产设备的实时生产数据，以及所述工业生产设备的模拟生产数据和实时生产数据之间的波动值描绘在坐标系中，并用一条平滑的曲线连接所有的实时生产数据点，并用另一条平滑的曲线连接所有波动值点；根据两条曲线的波动情况可以反映出工业生产设备的生产状态。
在本发明实施例6中，所述工业生产设备的生产状态波动曲线图可以直观的展示工业设备的生产状态的变化和性能变化，可以为后期维修更换工业设备提供指导性的建议，更进一步的提升本发明的监控意义。
综上所述的一种方法：本发明一种工业生产设备的智能监控方法通过采集工业生产设备的实时生产数据得到所述工业生产设备的实时生产状态，当需要调整所述工业生产设备的实时生产状态时，则根据所述工业生产设备的实时生产状态生成相应的调整指令，为了判断调整指令是否正确，避免误操作损坏工业生产设备，需要模拟执行调整指令，得到所述工业生产设备的模拟生产数据，然后将所述工业生产设备的模拟生产数据和实时生产数据进行对比，得出所述工业生产设备的模拟生产数据和实时生产数据之间的波动值 (波动值反应了它们之间的差异)，接着判断所述波动值与预设的波动范围的位置关系，并根据所述位置关系发出相应的反馈信号，最后根据反馈信号执行相应的策略；本发明不仅可以实时监控工业生产设备的生产状态，还可以在线调整其生产，且模拟执行指令可以判断控制指令的合理性，这也提高了本发明的监控效果。
实施例7：
基于上述实施例1所述的一种工业生产设备的智能监控方法的基础上，本发明实施例7还提供了一种工业生产设备的智能监控系统，其是按照上述实施例1所述的一种工业生产设备的智能监控方法进行处理，在实施例7中，如图7所示，
一种工业生产设备的智能监控系统，包括实时生产数据采集模块、实时生产状态生成模块、调整指令生成模块、模拟执行模块、对比模块、反馈模块和在线执行模块，
所述实时生产数据采集模块，用于采集工业生产设备的实时生产数据；
所述实时生产状态生成模块，用于对所述工业生产设备的实时生产数据进行处理，得到所述工业生产设备的实时生产状态；
所述指令生成模块，用于根据所述工业生产设备的实时生产状态，当所述工业生产设备的实时生产状态不满足预设条件时，生成对所述工业生产设备的实时生产状态进行调整的指令；
所述模拟执行模块，用于模拟执行所述调整指令，得到所述工业生产设备的模拟生产状态，并输出所述工业生产设备的模拟生产数据；
所述对比模块，用于将所述工业生产设备的模拟生产数据和实时生产数据进行对比，得出所述工业生产设备的模拟生产数据和实时生产数据之间的波动值；
所述反馈模块，用于判断所述波动值在预设的波动范围中的位置关系，并根据所述位置关系发出相应的反馈信号；
所述在线执行模块，用于根据所述反馈信号，并通过所述调整指令在线调整所述工业生产设备的实时生产状态；
或根据所述反馈信号修改所述调整指令。
在本发明的实施例7中：实时生产数据采集模块采集工业生产设备的实时生产数据包括工业生产设备在停机、空载、满载、宕机等状态下的生产数据，而反应这些状态的生产数据可以为工业生产设备的电压、电流、转速、流量、温度、压力等。
例如，以环保生产设备(工业生产设备的一种)为例做简要说明：环保生产设备具体为脱硫设备，其结构如图2所示，包括脱硫塔，还包括与脱硫塔连接的石灰泵、工艺水泵、压缩空气源、锅炉、活性炭装置和除尘器，除尘器上还设有引风机。当需要对这套脱硫设备进行实时生产数据采集时，可以通过电流互感器采集石灰泵、工艺水泵和引风机的电流，然后对这些电流 (实时生产数据)进行处理，由实时生产状态生成模块可以得到出口二氧化硫、出口二氧化碳、出口含氮氧化物和出口烟尘的浓度，这些浓度可以反映脱硫处理的运行情况，从而判断出脱硫设备是否处于正常工作状态，若某一浓度值超过预设值时，则脱硫设备处理异常，不满足脱硫设备正常处理的预设条件，这时需要调整脱硫设备的运行参数，也就是说要调整石灰泵和/或工艺水泵和/或引风机的电流。
当需要调整石灰泵和/或工艺水泵和/或引风机的电流使脱硫设备正常运行时，则通过生成调整指令进行调整，在调整指令对石灰泵和/或工艺水泵和/ 或引风机的电流的进行调整之前，需要判断调整指令是否正确，避免因电流调节过高或过低而损坏设备。本发明通过模拟执行调节指令的方式来判断调整指令是否正确，以保证设备的正常运行。
实施例8：
在本发明实施例7提供的一种工业生产设备的智能监控系统的基础上，本发明还提供实施例8，在实施例8中，
所述调整指令生成模块具体用于，将所述工业生产设备的实时生产状态与预先设定的所述工业生产设备的目标生产状态建立映射关系，并设置映射条件，根据所述映射条件生成所述调整指令；
根据所述映射条件生成所述调整指令的具体过程为，对所述映射条件进行编程形成机器语言，并对所述机器语言进行封装形成所述调整指令。
在本发明实施例8中，目标生产状态就是工业生产设备调整后最终需要达到的状态，从实时状态到最终状态是通过映射条件来一一对应映射的，这个映射条件就是调整状态的指令。实时生产状态x通过映射条件x与目标生产状态x对应。下面还是以环保生产设备为例做简要说明：例如，环保生产设备的实时生产状态为出口二氧化硫的浓度为A g/m3，而环保要求的二氧化硫排放浓度为Bg/m3，(A>B)那么出口二氧化硫的浓度为Bg/m3是环保生产设备需要达到的目标生产状态；环保生产设备从实时生产状态到目标生产状态是需要通过调整环保生产设备来实现的，例如通过调节流经石灰泵、工艺水泵和引风机的电流；所以，这里的调节流经石灰泵、工艺水泵和引风机的电流就是映射条件，也就是调整指令。
本发明通过映射可以实现调整指令的生成，调整指令生成过程简单且快速，能够提高本发明监控的效率。
实施例9：
在本发明实施例7或实施例8提供的一种工业生产设备的智能监控系统的基础上，本发明还提供实施例9，在实施例9中
所述模拟执行模块具体用于，通过设置与所述工业生产设备对应的设备模型和控制模型，模拟执行所述调整指令，并输出所述工业生产设备的模拟生产数据；
所述设备模型具体为对工业生产设备的实体进行数学建模而得到的模型；
所述控制模型具体为对工业生产设备的实体的控制系统进行数学建模而得到的模型；
所述控制模型镶嵌在所述设备模型中。
在本发明实施例9中，设备模型是对实体的工业生产设备进行数学建模而得到的，控制模型是对实体的工业生产设备的控制系统进行数学建模而得到的，设备模型和控制模型的相关参数与实体的工业设备的对应参数相匹配，也就是说设备模型和控制模型的结合就是实体设备的软设计，所以可以输入调整指令到控制模型，然后控制模型通过调整指令调整设备模型动作。下面还是以环保生产设备为例做简要说明：例如，将脱硫塔、与脱硫塔连接的石灰泵、工艺水泵、压缩空气源、锅炉、活性炭装置和除尘器，以及与除尘器连接的引风机通过软件设计建模，在PC设备上建立一个与环保生产设备结构一样的设备模型，然后在设备模型上配置控制设备模型的控制模型，这个控制模型与控制实体脱硫塔、石灰泵、工艺水泵、压缩空气源、锅炉、活性炭装置、除尘器和引风机的控制电路相同，这样就可以将通过控制模型控制设备模型来模拟控制指令；当控制模型根据控制指令控制设备模型运行时，若控制模型中的各个参数正常时，则说明控制指令是正确的，若控制模型中的有参数不正常，则说明控制指令不正确，此时就能将将控制指令直接执行在现实设备上，以免引发故障。
本发明实施例9设备模型和控制模型，模拟执行所述调整指令，能够模拟工业生产设备在真实场景下的工作状态，使得模拟更加逼真。
实施例10：
在本发明实施例7至实施例9任一实施例提供的一种工业生产设备的智能监控系统的基础上，本发明还提供实施例10，在实施例10中，
所述在线执行模块具体用于，当根据所述反馈信号和所述调整指令在线调整所述工业生产设备的实时生产状态失败时，强制控制所述工业生产设备停运。
在本发明实施例10中，当本发明的智能监控系统出现故障时，或当工业生产设备出现故障时，可能造成所述调整指令执行不成功的问题，那么，此时为了避免智能监控系统和工业生产设备因失控造成的严重后果，本发明实施例10还需要强制控制所述工业生产设备停运以保护智能监控系统和工业生产设备。
实施例11：
在本发明实施例7至实施例10任一实施例提供的一种工业生产设备的智能监控系统的基础上，本发明还提供实施例11，在实施例11中，
所述在线执行模块具体用于，利用神经网络对所述反馈信号进行训练，得到神经网络训练结果，并根据所述神经网络训练结果修改所述调整的指令
在本发明实施例11中，神经网络又称人工神经网络，人工神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。在理论模型研究的基础上构作具体的神经网络模型，以实现计算机模拟或人类的神经网络准备制作硬件，包括网络学习算法的研究。这方面的工作也称为技术模型研究。神经网络用到的算法就是向量乘法，并且广泛采用符号函数及其各种逼近。并行、容错、可以硬件实现以及自我学习特性。本发明实施例11利用神经网络的自学习特性，对所述反馈信号进行训练，得到神经网络训练结果，并根据所述神经网络训练结果修改所述调整指令；修改调整指令的过程就是一个自学习的过程，自学习能使所述调整指令更加精确，从而提高了智能监控的精度。
实施例12：
在本发明实施例7至实施例11任一实施例提供的一种工业生产设备的智能监控系统的基础上，本发明还提供实施例12，在实施例12中，如图8所示，
本发明系统还包括生产状态波动曲线图生成模块，用于根据所述工业生产设备的实时生产数据，以及所述工业生产设备的模拟生产数据和实时生产数据之间的波动值绘制所述工业生产设备的生产状态波动曲线图。例如，以时间为横轴，以工业生产设备的生产数据为纵轴，建立工业生产设备的生产状态波动状态的二维坐标系，将工业生产设备的实时生产数据，以及所述工业生产设备的模拟生产数据和实时生产数据之间的波动值描绘在坐标系中，并用一条平滑的曲线连接所有的实时生产数据点，并用另一条平滑的曲线连接所有波动值点；根据两条曲线的波动情况可以反映出工业生产设备的生产状态。
在本发明实施例12中，所述工业生产设备的生产状态波动曲线图可以直观的展示工业设备的生产状态的变化和性能变化，可以为后期维修更换工业设备提供指导性的建议，更进一步的提升本发明的监控意义。
下面结合图9对本发明实施例7至实施12提供的一种工业生产设备的智能监控系统进行综合说明，图9为本发明实施例7至师实力12综合提供的一种工业生产设备的智能监控系统的数据信令图，其清楚的展示了本发明系统数据信令的流向，可以加深对本发明系统的理解。
综上所述的一种系统：本发明一种工业生产设备的智能监控系统通过采集工业生产设备的实时生产数据得到所述工业生产设备的实时生产状态，当需要调整所述工业生产设备的实时生产状态时，则根据所述工业生产设备的实时生产状态生成相应的调整指令，为了判断调整指令是否正确，避免误操作损坏工业生产设备，需要模拟执行调整指令，得到所述工业生产设备的模拟生产数据，然后将所述工业生产设备的模拟生产数据和实时生产数据进行对比，得出所述工业生产设备的模拟生产数据和实时生产数据之间的波动值 (波动值反应了它们之间的差异)，接着判断所述波动值与预设的波动范围的位置关系，并根据所述位置关系发出相应的反馈信号，最后根据反馈信号执行相应的策略；本发明不仅可以实时监控工业生产设备的生产状态，还可以在线调整其生产，且模拟执行指令可以判断控制指令的合理性，这也提高了本发明的监控效果。
读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种工业生产设备的智能监控方法，其特征在于：包括以下步骤，
S1，采集工业生产设备的实时生产数据；
S2，对所述工业生产设备的实时生产数据进行处理，得到所述工业生产设备的实时生产状态；
S3，根据所述工业生产设备的实时生产状态，当所述工业生产设备的实时生产状态不满足预设条件时，生成对所述工业生产设备的实时生产状态进行调整的调整指令；
S4，模拟执行所述调整指令，得到所述工业生产设备的模拟生产状态，并输出所述工业生产设备的模拟生产数据；
S5，将所述工业生产设备的模拟生产数据和实时生产数据进行对比，得出所述工业生产设备的模拟生产数据和实时生产数据之间的波动值；
S6，判断所述波动值在预设的波动范围中的位置关系，并根据所述位置关系发出相应的反馈信号；
S7，根据所述反馈信号，且通过所述调整指令在线调整所述工业生产设备的实时生产状态；
或根据所述反馈信号修改所述调整指令。
2.根据权利要求1所述的一种工业生产设备的智能监控方法，其特征在于：所述S3具体为，将所述工业生产设备的实时生产状态与预先设定的所述工业生产设备的目标生产状态建立映射关系，并设置映射条件，根据所述映射条件生成所述调整指令；
根据所述映射条件生成所述调整指令的具体过程为，对所述映射条件进行编程形成机器语言，并对所述机器语言进行封装形成所述调整指令。
3.根据权利要求1或2所述的一种工业生产设备的智能监控方法，其特征在于：所述S4中模拟执行所述调整指令的具体方法为，通过设置与所述工业生产设备对应的设备模型和控制模型，模拟执行所述调整指令；
所述设备模型具体为对工业生产设备的实体进行数学建模而得到的模型；
所述控制模型具体为对工业生产设备的实体的控制系统进行数学建模而得到的模型；
所述控制模型镶嵌在所述设备模型中。
4.根据权利要求1或2所述的一种工业生产设备的智能监控方法，其特征在于：在所述S7中，当根据所述反馈信号和所述调整指令在线调整所述工业生产设备的实时生产状态失败时，强制控制所述工业生产设备停运。
5.根据权利要求1或2所述的一种工业生产设备的智能监控方法，其特征在于：在所述S7中，利用神经网络对所述反馈信号进行训练，得到神经网络训练结果，并根据所述神经网络训练结果修改所述调整指令。
6.一种工业生产设备的智能监控系统，其特征在于：包括实时生产数据采集模块、实时生产状态生成模块、控制指令生成模块、模拟执行模块、对比模块、反馈模块和在线执行模块，
所述实时生产数据采集模块，用于采集工业生产设备的实时生产数据；
所述实时生产状态生成模块，用于对所述工业生产设备的实时生产数据进行处理，得到所述工业生产设备的实时生产状态；
所述控制指令生成模块，用于根据所述工业生产设备的实时生产状态，当所述工业生产设备的实时生产状态不满足预设条件时，生成对所述工业生产设备的实时生产状态进行调整的调整指令；
所述模拟执行模块，用于模拟执行所述调整指令，得到所述工业生产设备的模拟生产状态，并输出所述工业生产设备的模拟生产数据；
所述对比模块，用于将所述工业生产设备的模拟生产数据和实时生产数据进行对比，得出所述工业生产设备的模拟生产数据和实时生产数据之间的波动值；
所述反馈模块，用于判断所述波动值在预设的波动范围中的位置关系，并根据所述位置关系发出相应的反馈信号；
所述在线执行模块，用于根据所述反馈信号，且通过所述调整指令在线调整所述工业生产设备的实时生产状态；
或根据所述反馈信号修改所述调整指令。
7.根据权利要求6所述的一种工业生产设备的智能监控系统其特征在于：所述控制指令生成模块具体用于，将所述工业生产设备的实时生产状态与预先设定的所述工业生产设备的目标生产状态建立映射关系，并设置映射条件，根据所述映射条件生成所述调整指令；
根据所述映射条件生成所述调整指令的具体过程为，对所述映射条件进行编程形成机器语言，并对所述机器语言进行封装形成所述调整指令。
8.根据权利要求6或7所述的一种工业生产设备的智能监控系统，其特征在于：所述模拟执行模块具体用于，
通过设置与所述工业生产设备对应的设备模型和控制模型，模拟执行所述调整指令，并输出所述工业生产设备的模拟生产数据；
所述设备模型具体为对工业生产设备的实体进行数学建模而得到的模型；
所述控制模型具体为对工业生产设备的实体的控制系统进行数学建模而得到的模型；
所述控制模型镶嵌在所述设备模型中。
9.根据权利要求6或7所述的一种工业生产设备的智能监控系统，其特征在于：所述在线执行模块具体用于，
当根据所述反馈信号和所述调整指令在线调整所述工业生产设备的实时生产状态失败时，强制控制所述工业生产设备停运。
10.根据权利要求6或7所述的一种工业生产设备的智能监控系统，其特征在于：所述在线执行模块还用于，
利用神经网络对所述反馈信号进行训练，得到神经网络训练结果，并根据所述神经网络训练结果修改所述调整的指令。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710486520.1A CN107272619A (zh) | 2017-06-23 | 2017-06-23 | 一种工业生产设备的智能监控系统及方法 |
| PCT/CN2017/097762 WO2018232930A1 (zh) | 2017-06-23 | 2017-08-17 | 一种工业生产设备的智能监控系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710486520.1A CN107272619A (zh) | 2017-06-23 | 2017-06-23 | 一种工业生产设备的智能监控系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107272619A true CN107272619A (zh) | 2017-10-20 |
Family
ID=60069262
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710486520.1A Pending CN107272619A (zh) | 2017-06-23 | 2017-06-23 | 一种工业生产设备的智能监控系统及方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN107272619A (zh) |
| WO (1) | WO2018232930A1 (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107992008A (zh) * | 2017-03-03 | 2018-05-04 | 深圳美云智数科技有限公司 | 一种工业互联设备及其使用方法 |
| CN108549332A (zh) * | 2017-12-19 | 2018-09-18 | 中南大学 | 一种基于钴酸锂配料系统的生产状态预测方法 |
| CN110874682A (zh) * | 2018-09-03 | 2020-03-10 | 西门子数控（南京）有限公司 | 获得生产线配置数据及建立生产线仿真模型的方法及装置 |
| CN115167327A (zh) * | 2022-09-05 | 2022-10-11 | 安徽省产品质量监督检验研究院 | 一种新能源汽车零件生产设备的控制方法及系统 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3764179B1 (en) * | 2019-07-08 | 2024-11-13 | ABB Schweiz AG | Assessing conditions of industrial equipment and processes |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040002839A1 (en) * | 2002-06-29 | 2004-01-01 | International Business Machines Corporation | Feedback process to model CP utilization multi-processor performance models |
| CN104889633A (zh) * | 2015-06-29 | 2015-09-09 | 广汽本田汽车有限公司 | 一种自动线数模调整方法及装置 |
| CN105955069A (zh) * | 2016-06-12 | 2016-09-21 | 哈尔滨工程大学 | 一种基于在线仿真的核电站系统级状态监测方法 |
| CN106338930A (zh) * | 2016-10-27 | 2017-01-18 | 中冶赛迪工程技术股份有限公司 | 基于动态模拟的钢铁企业煤气管理系统及方法 |
-
2017
- 2017-06-23 CN CN201710486520.1A patent/CN107272619A/zh active Pending
- 2017-08-17 WO PCT/CN2017/097762 patent/WO2018232930A1/zh active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040002839A1 (en) * | 2002-06-29 | 2004-01-01 | International Business Machines Corporation | Feedback process to model CP utilization multi-processor performance models |
| CN104889633A (zh) * | 2015-06-29 | 2015-09-09 | 广汽本田汽车有限公司 | 一种自动线数模调整方法及装置 |
| CN105955069A (zh) * | 2016-06-12 | 2016-09-21 | 哈尔滨工程大学 | 一种基于在线仿真的核电站系统级状态监测方法 |
| CN106338930A (zh) * | 2016-10-27 | 2017-01-18 | 中冶赛迪工程技术股份有限公司 | 基于动态模拟的钢铁企业煤气管理系统及方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107992008A (zh) * | 2017-03-03 | 2018-05-04 | 深圳美云智数科技有限公司 | 一种工业互联设备及其使用方法 |
| CN107992008B (zh) * | 2017-03-03 | 2019-12-13 | 深圳美云智数科技有限公司 | 一种工业互联设备及其使用方法 |
| CN108549332A (zh) * | 2017-12-19 | 2018-09-18 | 中南大学 | 一种基于钴酸锂配料系统的生产状态预测方法 |
| CN108549332B (zh) * | 2017-12-19 | 2020-08-25 | 中南大学 | 一种基于钴酸锂配料系统的生产状态预测方法 |
| CN110874682A (zh) * | 2018-09-03 | 2020-03-10 | 西门子数控（南京）有限公司 | 获得生产线配置数据及建立生产线仿真模型的方法及装置 |
| CN115167327A (zh) * | 2022-09-05 | 2022-10-11 | 安徽省产品质量监督检验研究院 | 一种新能源汽车零件生产设备的控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2018232930A1 (zh) | 2018-12-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107272619A (zh) | 一种工业生产设备的智能监控系统及方法 | |
| CN101782771B (zh) | 基于免疫神经网络的纺丝工艺智能优化设计方法 | |
| US8509924B2 (en) | Process control and optimization technique using immunological concepts | |
| CN113835344A (zh) | 设备的控制优化方法、展示平台、云服务器及存储介质 | |
| CN106877746A (zh) | 速度控制方法和速度控制装置 | |
| US12129010B2 (en) | Control system of damper of variable-air-volume air distributor and control method thereof | |
| CN112904811A (zh) | 一种基于数字孪生技术的多设备协同作业系统及方法 | |
| CN107291830A (zh) | 一种设备知识库的创建方法 | |
| CN105051625A (zh) | 用于技术系统的计算机辅助控制和/或调节的方法 | |
| CN117252051A (zh) | 一种基于数字孪生的电缆隧道监测预警方法及系统 | |
| CN105888971A (zh) | 一种大型风力机叶片主动降载控制系统及方法 | |
| CN111652760B (zh) | 一种电网运维虚拟现实仿真系统及仿真方法 | |
| CN116193819B (zh) | 一种数据中心机房节能控制方法、系统、装置及电子设备 | |
| CN107717986A (zh) | 一种智能机器人的控制方法 | |
| CN117190405A (zh) | 一种基于强化学习的除湿机组系统的节能优化控制方法 | |
| CN114415498B (zh) | 一种发电机励磁装置pid参数离线整定方法 | |
| CN103558762B (zh) | 基于图形化组态技术的免疫遗传pid控制器的实现方法 | |
| Zhang | Analysis of artificial intelligence technology in electric automation control | |
| Faizrakhmanov et al. | An energy-saving overload-control technology based on a computerized training-machine system | |
| Kaur et al. | Learning robotic skills through reinforcement learning | |
| CN109276990B (zh) | 一种循环泵降耗智能管理系统 | |
| CN113538997A (zh) | 一种设备预测性维护学习系统 | |
| CN112257278A (zh) | 机组耗差计算模型获取方法、耗差获取方法及系统 | |
| CN105159678A (zh) | 一种化工装置开停车过程sop图形化建模方法 | |
| Zhang | Intelligent Optimization Algorithm Based on Reinforcement Learning in the Process of Wax Removal and Prevention of Screw Pump |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171020 |