CN116560326B - 一种智慧工厂管理平台 - Google Patents

Abstract

本发明公开了一种智慧工厂管理平台，属于智能制造技术领域。所述平台包括数字映射模块、数字管理模块、传感器集群、生产设备、图像采集模块和数据处理模块；生产设备配置为向数据处理模块传输设备运行状态；传感器集群配置为向数据处理模块传输传感器数据；数字映射模块用于构建生产设备与设备数字模型对象的映射关系，以及根据生产计划构建若干数字生产线；图像采集模块用于采集生产设备生产的产品图像并传输至数据处理模块；数据处理模块根据图像分析策略判断产品是否不良，根据不良分析策略定位产品不良原因。本发明能够以低算力消耗实现快速分析不良原因或全面地分析不良品发生的深层次原因，并支持追溯产品不良的完整工段。

Description

一种智慧工厂管理平台

技术领域

本发明涉及智能制造技术领域，具体是一种智慧工厂管理平台。

背景技术

在以往工厂的生产过程中，难以高效地管理设备状态、物料流动、产品质量等产生的大量数据，只能通过人工处理，在生产效率上存在明显的不足。随着工业4.0和智能制造的不断发展，数字化生产设备管理方向越来越受到关注，以提高生产过程的智能化程度，提高生产效率和质量。然而，现有的生产制造管理平台往往仅限于数据采集和显示的功能，对于数据分析缺乏足够的技术支持，难以针对产品不良的问题进行深入分析。

公开号为CN116107280A的发明专利公开了一种用于多维可视化管理的数字孪生工厂控制系统，其包括的数据采集模块，用于将实际动作数据与标准的动作数据代入余弦相似度公式中计算相似度，并通过相似度值为导致工艺产品残次的原因进行判断。然而，该方案可以对最终产品进行检测，但也存在以下问题：该方法只能检测最终产品的不良情况，无法对生产线上每一个环节进行监测，难以快速发现生产问题的根源；即使检测到产品不良，也很难确定不良的原因所在，难以解决生产过程中的问题，难以实现对生产过程的精细化管控。

发明内容

为解决现有技术存在的问题，本发明采用以下技术方案：

一种智慧工厂管理平台，包括数字映射模块、数字管理模块、传感器集群、生产设备、图像采集模块和数据处理模块；

生产设备配置为向数据处理模块传输设备运行状态；

传感器集群配置为向数据处理模块传输传感器数据；

数字映射模块用于构建生产设备与设备数字模型对象的映射关系，以及根据生产计划构建若干数字生产线；

数字管理模块用于管理物料信息、数字生产线和设备数字模型对象；

图像采集模块用于采集生产设备生产的产品图像并传输至数据处理模块；

数据处理模块根据图像分析策略判断产品是否不良，根据不良分析策略定位产品不良原因；

所述不良分析策略包括：

单独分析物料信息定位物料信息异常部分；

根据所述设备运行状态和传感器数据定位不良工段；

通过深度学习模型和详细数据分析不良原因。

作为优选方案，所述数字生产线表示为：

Li = {E1, E2, ..., En}，

其中i为生产线ID，E1、E2、...、En分别表示数字生产线Li中的单个设备数字模型对象，n为数字生产线Li中的设备数字模型对象的总数。

作为优选方案，所述图像采集模块还用于获取设备图像和/或人工操作图像并存储。

作为优选方案，数字管理模块还用于存储关联物料信息的物料标识码；所述物料标识码采用RFID或二维码；所述物料信息包括物料型号、生产日期、供应商、物料检测结果报告。

作为优选方案，智慧工厂管理平台还包括配置模块；配置模块用于设定每个设备数字模型对象需要传输的设备运行状态和传感器数据，还用于为生产设备配置传感器集群。

作为优选方案，所述图像分析策略包括图像预处理、特征提取、图像分类和异常识别。

作为优选方案，所述不良工段表示为：

Pi = {E’j, E’j-1, ..., E’j-(r+1)}，

其中，r为异常设备数字模型对象的总数，E’j为不良产品的位置对应的设备数字模型对象，E’j-(r+1)为数字生产线Li中第一个设备运行状态和传感器数据异常的设备数字模型对象，i为生产线ID。

作为优选方案，所述详细数据包括设备图像、历史设备图像、历史运行数据、历史传感器数据和物料信息。

作为优选方案，智慧工厂管理平台还包括策略优化模块；所述策略优化模块根据不良原因优化不良分析策略；所述优化不良分析策略包括：调整设备运行参数和传感器参数的分析方案、调整图像采集模块的采样对象和采样时间以及更新深度学习模型。

作为优选方案，智慧工厂管理平台还包括可视化分析模块；可视化模块将设备数字模型对象按数字生产线分类并以三维模型的方式进行可视化展示；还将设备数字模型对象对应的物料信息、设备运行状态和传感器数据进行可视化展示。

与现有技术相比，本发明具有如下有益效果：

本发明通过构建数字生产线，从而快速构建符合生产需求的数字化生产设备管理系统，并为按生产线分类监测管理生产设备提供支持，以实现生产设备的数字孪生管理；

本发明提供的不良分析策略，可以通过物料信息、设备运行状态与传感器数据能够以低算力消耗实现快速分析不良原因，还可以通过深度学习模型挖掘详细数据间的内在关系，从而实现对不良产生原因的深度识别；此外，本发明还支持追溯产品不良的完整工段，为处理生产质量问题提供了有效支持。

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为本发明一实施例的智慧工厂管理平台的结构示意图。

图2为本发明一实施例的智慧工厂管理平台的实施过程示意图。

实施方式

下面将结合实施例对本发明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做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。需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

请参阅图1，本发明提供了一种智慧工厂管理平台，包括数字映射模块、数字管理模块、传感器集群、生产设备、图像采集模块和数据处理模块。所述数据处理模块、生产设备、数字映射模块和数字管理模块依次通讯连接；所述传感器集群与生产设备和数据处理模块通讯连接；所述图像采集模块与生产设备和数据处理模块通讯连接。

生产设备配置为向数据处理模块传输设备运行状态；

传感器集群配置为向数据处理模块传输传感器数据；

数字映射模块用于构建生产设备与设备数字模型对象的映射关系并存储设备基本信息，以及根据生产计划构建若干数字生产线；

数字管理模块用于管理数字生产线和设备数字模型对象；

图像采集模块用于采集生产设备生产的产品图像并传输至数据处理模块；

数据处理模块根据图像分析策略判断产品是否不良，根据不良分析策略分析产品不良原因。

本发明以生产设备、传感器集群和图像采集模块采集的数据为基础，经过数据处理和数字映射支持将现实世界的实体对象在虚拟的数字世界中进行模拟和仿真，从而构建基于数字孪生的智慧工厂平台，通过数据采集、处理和分析技术不断适应与现实世界实体对象的变化，为决策提供智能支持。

基于以上内容，本发明通过构建生产设备与设备数字模型对象的映射关系，方便监测设备运行状态、故障诊断以及实现生产设备的数字孪生管理；通过构建数字生产线，从而快速构建符合生产需求的数字化生产设备管理系统，并且为按生产线分类监测管理生产设备提供支持。

作为优选实施例，设备基本信息包括设备型号、制造工艺、设备3D模型参数、各运行模式下对应的运行参数数据以及位置信息。

作为优选实施例，数字生产线表示为：

Li = {E1, E2, ..., En}，

其中i为生产线ID，E1、E2、...、En分别表示数字生产线Li中的单个设备数字模型对象，n为数字生产线Li中的设备数字模型对象的总数。

作为优选实施例，数字映射模块还用于根据设备数字模型对象构建基础工厂模型。基础工厂模型D表示为：

D = L1∪L2∪...∪Lk，

其中L1, L2, ..., Lk分别表示基础工厂模型中的数字生产线，k为基础工厂模型D中的数字生产线的总数。

作为优选实施例，图像采集模块还用于获取设备图像和/或人工操作图像，并存储至本地存储器和/或云端存储器。设备图像和人工操作图像不仅可以判断生产过程每一个环节是否有问题，而且可以帮助确定不良问题所在的具体位置。这些图像数据录制了每个部位的动态信息，通过追溯某个具体时间点的图像，可以快速找到某个位置的设备、物料或员工，帮助监督员工和设备状态等，及时发现和解决问题。

作为优选实施例，数字管理模块还用于存储物料信息以及关联物料信息的物料标识码。具体的，物料标识码采用RFID或二维码，为物料信息与数字生产线之间的关联提供物理层面的支持。物料上贴有唯一标识码后，使用读卡器扫描该标识码后，系统即可通过物料标识码对物料进行识别并关联到数字生产线。具体的，物料信息包括物料名称、型号、生产日期、供应商、物料检测结果报告等信息；其中，物料检测结果报告在物料进入生产线前通过初步检测物料生成。

基于上述实施例，物料标识码还与数字生产线中的设备数字模型对象关联。当特定物料被安装到生产设备上时，将该物料信息关联到对应的设备数字模型对象上。由此，管理人员能够通过生产设备对应的设备数字模型对象快速查询物料信息。

作为优选实施例，管理平台还包括配置模块。配置模块用于设定每个设备数字模型对象需要传输的设备运行状态和传感器数据。设备运行状态可以包括设备的开关状态、运行模式、耗电量、实际工作功率、设备部件的转速和进给量等等数据；传感器数据可以包括温度、压力、湿度、加速度、振动等参数。对于同一个设备，应用于不同数字生产线需要采集的数据可能不同。

基于上述实施例，配置模块还根据生产计划的时间节点和生产流程，确定采集数据的时间点和间隔，以获取适用于分析该生产设备的时间序列数据。例如，需要在每个生产批次开始前和结束后采集数据，或者需要按照一定时间间隔采集数据。

基于上述实施例，配置模块还用于为生产设备配置传感器集群。例如，某个设备数字模型对象的传感器数据需要包括温度、压力、湿度和加速度，则配置模块为该设备数字模型对象对应的生产设备设置的传感器集群包括温度传感器、压力传感器、湿度传感器、加速度传感器等等。需要根据采集数据的具体要求来选择合适的传感器。

作为优选实施例，所述图像分析策略包括图像预处理、特征提取、图像分类和异常识别。其中，图像预处理具体为将图像信号进行预处理，包括灰度化、去噪和图像增强，以提高后续图像分析的精度和准确度。特征提取具体为基于已有的产品样本数据库和特定的算法，对采集到的图像进行特征提取得到特征向量。图像分类具体为将特征向量与训练好的分类器模型进行匹配，以对采集图片进行动分类，以确定其合格或不合格状态。异常识别具体为通过训练好的模型，自动识别出存在产品缺陷的图片。

作为优选实施例，不良分析策略具体包括：

策略一、单独分析物料信息，若物料信息异常则定位物料信息异常部分。其中，物料信息包括物料名称、型号、生产日期、供应商、进入生产线前生成的物料检测结果报告等信息。

策略二、根据设备运行状态和传感器数据，定位不良工段；所述不良工段为数字生产线中部分设备数字模型对象的集合。

具体的，数据处理模块存储有设备运行状态和传感器数据对应的警戒数值范围，若设备运行状态和传感器数据高于或低于对应的警戒数值范围，则将对应的设备数字模型对象定义为异常的设备数字模型。

基于前述内容，数字生产线Li表示为Li = {E1, E2, ..., En}，设不良产品的位置对应的异常设备数字模型对象为E’j，则根据不良分析策略逆序分析异常设备数字模型对象E’j的前序设备数字模型对象，将存在异常的设备数字模型对象整合为工段Pi，表示为

Pi = {E’j, E’j-1, ..., E’j-(r+1)}，

其中，r为异常设备数字模型对象的总数，E’j-(r+1)为数字生产线Li中第一个设备运行状态和传感器数据异常的设备数字模型对象，i为生产线ID。

策略三、通过深度学习模型和详细数据定位不良原因。其中，所述详细数据包括设备图像、历史设备图像、历史运行数据、历史传感器数据和物料信息，若生产线涉及人工操作，详细数据还包括人工操作图像和标准人工操作图像。

产品的不良受设备、操作、环境和物料等多维度影响，在这种情况下，利用传统的分析技术或手工调整难以完全覆盖各个因素的影响，而深度学习可以通过自主学习和自适应的机制来挖掘数据间的内在关系，识别复杂多变的因素组合，发现不良产生的深层次原因，提高判别精度和效率。在本发明实施例中，深度学习模型结合设备运行参数、传感器数据、物料信息、操作人员行为以及各项历史数据、图像等因素，对生产过程中多个维度的数据信息进行联合分析，实现对不良产生原因的深度识别。

在一实施例中，数据处理模块优先执行策略一和策略二；若通过策略一和策略二无法定位产品的不良原因，则执行策略三。

在生产线运行过程中，不同生产线、不同生产设备结合实际情况获取的设备运行状态和传感器数据的类型均有不同，不良分析策略通过设备运行状态与传感器数据的结合以及物料信息能够以低算力消耗实现快速分析不良原因；而针对不良产生的深层次原因，不良分析策略采用深度学习模型，可以通过挖掘数据间的内在关系全面地分析不良品发生的原因，从而实现对不良产生原因的深度识别和预测。

作为优选实施例，本发明智慧工厂管理平台还包括策略优化模块。所述策略优化模块根据不良原因优化不良分析策略。优化不良分析策略包括：调整设备运行参数和传感器参数的分析方案、调整图像采集模块的采样对象和采样时间以及更新深度学习模型。

对于调整监测的设备运行参数和传感器参数的侧重点：根据产品不良的具体原因，需要对监测的设备运行参数和传感器参数进行调整。例如，若产品不良主要是由于某些设备运行参数值过高或过低导致，就需要将这些参数作为重点监测项，并对其设定警戒值，一旦该参数超出警戒值，就会及时触发警报机制，避免产品不良的发生。

对于调整图像采集模块的采样对象和采样时间：在产品制造过程中，对于不同种类的产品和生产设备，采集的图像对象和采样时间都应适当进行调整。例如，对于一个自动化组装线，可以定期对传输过程中的产品图像进行采集，与基础库进行比对，以便快速识别和排查异常产品。

对于更新深度学习模型：随着数据的积累和不良情况的不断变化，深度学习模型需要不断地更新和优化。通过收集到的详细数据、重新训练模型，提高模型的准确性和适应性。同时，可以针对已经发现的不良原因，进一步优化模型参数、重新选择特征变量等，提高模型的灵敏性，并实时监测和跟踪改进效果。

作为优选实施例，生产设备通过物联网协议与数据处理模块通讯连接。所述物联网协议采用MQTT和/或CoAP。其中，MQTT是一种轻量级的发布/订阅传输协议，专为低带宽、高延迟或不稳定网络环境的物联网设备和应用设计。由于MQTT基于TCP，其提供了低功耗、低代码复杂度和低传输负担的通信解决方案。而CoAP是一种专为资源受限的物联网设备设计的轻量级应用传输协议。CoAP基于UDP，其将RESTful架构原则应用于低功耗、低带宽和高延迟的设备上。MQTT和CoAP都是为物联网环境设计的轻量级协议，但它们采用了不同的通信模型和传输协议。MQTT基于TCP的发布/订阅模型可提供可靠且有序的消息交付，而CoAP基于UDP的RESTful架构适用于低延时要求的环境。本发明方案可以选择其中一种或二者的结合。

作为优选实施例，本发明智慧工厂管理平台还包括可视化分析模块，分别与数字管理模块和数据处理模块通讯连接。可视化模块根据数字管理模块提供的数字生产线和设备数字模型对象，将设备数字模型对象按数字生产线分类并以三维模型的方式进行可视化展示；同时还将各设备数字模型对象对应的物料信息、设备运行状态和传感器数据进行可视化展示。通过可视化展示，决策者能够在线实时监测生产过程，预测生产风险和制造效率，以帮助决策者快速对生产过程进行调整和优化，实现自动化决策。

请参阅图2，为进一步解释本发明的技术方案，以下提供本发明智慧工厂管理平台的实施过程，包括步骤：

S1、通过数字映射模块建立生产设备与设备数字模型对象的映射关系，并通过生产计划以及数字模型构建若干数字生产线。

S2、根据生产计划为每条数字生产线中的设备数字模型对象设置数据采集方式。

S3、生成与物料信息关联的物料标识码，将物料标识码与数字生产线关联。

S4、在生产过程中，图像采集模块对产品进行图像采集，然后将图像传输到数据处理模块；

S5、数据处理模块根据图像分析策略判断产品是否不良，并根据不良分析策略定位产品的不良原因。

其中，不良分析策略包括：

策略一：单独分析物料信息定位物料信息异常部分；

策略二：根据所述设备运行状态和传感器数据定位不良工段；

策略三：通过深度学习模型和详细数据分析不良原因。

在一实施方式中，数据处理模块优先执行策略一和策略二；若通过策略一和策略二无法定位产品的不良原因，则执行策略三。

S6、根据不良原因，使用策略优化模块优化不良分析策略。

具体的，步骤S1包括步骤：

S11、将实体工厂的生产设备与设备数字模型对象构建一一对应的映射关系并存储设备基本信息，设定所有设备数字模型对象的集合为基础数字模型。其中，设备基本信息包括设备型号、制造工艺、设备3D模型参数、各运行模式下对应的运行参数数据以及位置信息。

S12、根据生产计划将基础数字模型划分为若干数字生产线；所述数字生产线对应若干用于执行生产计划的设备数字模型对象的集合；同一个设备数字模型对象可应用于一条或多条生产线。

具体的，步骤S2包括步骤：

S21、将所有设备数字模型对象对应的物理设备通过物联网协议接入数据处理模块；

S22、根据生产计划分别设置每条数字生产线中的设备数字模型对象的数据采集方式。

具体的，步骤S22包括步骤：

S221、分析生产计划中的工序和生产流程，确定需要监控的设备数字模型对象；

S222、对于每个设备数字模型对象，通过配置模块确定需要采集的关键数据，包括设备运行状态以及传感器数据；

S223、通过配置模块为生产设备设置传感器集群；

S224、设置图像采集模块，以采集设备数字模型对象生产的产品图像；

S225、通过配置模块确定每个生产设备采集数据的时间点和间隔。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的方法的具体工作过程，可以参考前述系统和模块实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

所述集成的模块如果以软件功能模块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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，read-onlymemory）、随机存取存储器（RAM，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (7)

1.一种智慧工厂管理平台，其特征在于：包括数字映射模块、数字管理模块、传感器集群、生产设备、图像采集模块和数据处理模块；

生产设备配置为向数据处理模块传输设备运行状态；

传感器集群配置为向数据处理模块传输传感器数据；

数字映射模块用于构建生产设备与设备数字模型对象的映射关系，以及根据生产计划构建若干数字生产线；

数字管理模块用于管理物料信息、数字生产线和设备数字模型对象；还用于存储关联物料信息的物料标识码；所述物料标识码采用RFID或二维码；所述物料信息包括物料型号、生产日期、供应商和物料检测结果报告；

图像采集模块用于采集生产设备生产的产品图像并传输至数据处理模块；

数据处理模块根据图像分析策略判断产品是否不良，根据不良分析策略定位产品不良原因；

所述不良分析策略包括：

策略一、单独分析物料信息定位物料信息异常部分；

策略二、根据所述设备运行状态和传感器数据定位不良工段；

策略三、通过深度学习模型和详细数据分析不良原因；

所述数据处理模块优先执行策略一和策略二，若通过策略一和策略二无法定位产品的不良原因，则执行策略三；

所述不良工段表示为：

P_i = {E^’ _j, E^’ _j-1, ..., E^’ _j-(r+1)}，

其中，r为异常设备数字模型对象的总数，E^’ _j为不良产品位置对应的异常设备数字模型对象，E^’ _j-(r+1)为数字生产线中第一个异常设备数字模型对象；i为生产线ID；所述异常设备数字模型对象为设备运行状态和传感器数据高于或低于对应的警戒数值范围的设备数字模型对象；所述不良工段根据不良分析策略逆序分析异常设备数字模型对象E^’ _j的前序设备数字模型对象得到；

还包括策略优化模块；所述策略优化模块根据不良原因调整设备运行参数和传感器参数的分析方案，调整图像采集模块的采样对象和采样时间，以及更新深度学习模型。

2.根据权利要求1所述的智慧工厂管理平台，其特征在于：所述数字生产线表示为：

L_i = {E₁, E₂, ..., E_n}，

其中i为生产线ID，E₁、E₂、...、E_n分别表示数字生产线L_i中的单个设备数字模型对象，n为数字生产线L_i中的设备数字模型对象的总数。

3.根据权利要求1所述的智慧工厂管理平台，其特征在于：所述图像采集模块还用于获取设备图像和/或人工操作图像并存储。

4.根据权利要求1所述的智慧工厂管理平台，其特征在于：还包括配置模块；配置模块用于设定每个设备数字模型对象需要传输的设备运行状态和传感器数据，还用于为生产设备配置传感器集群。

5.根据权利要求1所述的智慧工厂管理平台，其特征在于：所述图像分析策略包括图像预处理、特征提取、图像分类和异常识别。

6.根据权利要求1所述的智慧工厂管理平台，其特征在于：所述详细数据包括设备图像、历史设备图像、历史运行数据、历史传感器数据和物料信息。

7.根据权利要求1所述的智慧工厂管理平台，其特征在于：还包括可视化分析模块；可视化模块将设备数字模型对象按数字生产线分类并以三维模型的方式进行可视化展示；还将设备数字模型对象对应的物料信息、设备运行状态和传感器数据进行可视化展示。