CN118396252B - 基于云计算的mes客户端数据分析优化方法 - Google Patents
基于云计算的mes客户端数据分析优化方法 Download PDFInfo
- Publication number
- CN118396252B CN118396252B CN202410869723.9A CN202410869723A CN118396252B CN 118396252 B CN118396252 B CN 118396252B CN 202410869723 A CN202410869723 A CN 202410869723A CN 118396252 B CN118396252 B CN 118396252B
- Authority
- CN
- China
- Prior art keywords
- data
- production
- risk
- early warning
- risk early
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000007405 data analysis Methods 0.000 title claims abstract description 23
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 238000004519 manufacturing process Methods 0.000 claims abstract description 170
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 238000004140 cleaning Methods 0.000 claims abstract description 13
- 230000010354 integration Effects 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 47
- 230000007613 environmental effect Effects 0.000 claims description 45
- 238000012502 risk assessment Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 2
- 238000013441 quality evaluation Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 description 5
- 241000669618 Nothes Species 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/26—Discovering frequent patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于云计算的MES客户端数据分析优化方法，涉及数据分析优化技术领域，包括以下步骤：识别MES系统所需集成的数据源，评估各数据源的重要性和数据质量，确定集成优先级，将各数据源接入MES系统，并对各数据源数据进行清洗和整合，其中，各数据源包括生产现场设备、传感器、ERP系统和CRM系统。本发明通过云计算平台，MES客户端能够实时收集、存储和分析生产过程中的各类数据，进行实时的数据监控不仅能快速掌握生产线的运行状况，还能在出现异常情况时迅速做出反应，当设备出现故障或产品质量不达标时，系统能立即发出预警，并启动相应的应急预案，从而避免因问题发现不及时而导致的生产延误和损失。
Description
技术领域
本发明涉及数据分析优化技术领域，具体涉及基于云计算的MES客户端数据分析优化方法。
背景技术
随着云计算技术的发展和成熟，越来越多的企业开始将业务迁移到云端，以利用其弹性、可扩展性和成本效益，而伴随着工业4.0时代的到来，制造业正经历着前所未有的变革，数字化转型成为关键趋势，云MES软件作为数字化转型的重要工具，能够实现生产现场的数字化、智能化和网络化，提高生产效率和产品质量，其中，云MES客户端通过实时收集、存储、处理和分析生产现场的数据，可以为企业提供精准的生产状态洞察和决策支持。
现有技术中，云MES系统通常需要集成多个不同的数据源，在云计算环境下，多数据源的集成会导致整体复杂性增加，进而对需要快速响应和实时风险预警的场景造成干扰，影响到生产管理决策的时效性和准确性，因此，如何确保多源环境下，生产管理的预警准确性和评估预测的有效性，是我们要解决的问题，为此，现提出基于云计算的MES客户端数据分析优化方法。
发明内容
本发明目的在于提供基于云计算的MES客户端数据分析优化方法，以解决上述背景技术中提出的问题。
为解决上述技术问题，本发明所采用的技术方案是：
基于云计算的MES客户端数据分析优化方法，包括以下步骤：
步骤1，识别MES系统所需集成的数据源，评估各数据源的重要性和数据质量，确定集成优先级，将各数据源接入MES系统，并对各数据源数据进行清洗和整合，其中，各数据源包括生产现场设备、传感器、ERP系统和CRM系统；
步骤2，基于自动化设备和传感器技术，采集生产现场的数据，并对采集的原始数据进行预处理和数据分析，明确生产管理中待优化的业务需求和目标，其中，采集的原始数据包括历史数据和实时数据；
步骤3，根据待优化的业务需求和目标，使用预处理后的历史数据进行模型训练，构建风险评估模型，并将构建的风险评估模型应用于实际生产，进行生产趋势预测和异常检测；
步骤4，结合生产趋势预测结果和预处理后的历史数据，得到MES系统风险预警系数，并设置风险预警等级，匹配对应的风险预警阈值；
步骤5，识别生产过程中的潜在风险，并对风险进行评估和量化，根据风险评估结果，自动触发预警通知，输出数据分析结果和风险预警信息。
本发明技术方案的进一步改进在于：所述步骤1中，数据源数据的清洗和整合过程为：
步骤101，明确MES系统所需集成的数据源，包括生产现场设备、传感器、ERP系统和CRM系统，其中，生产现场设备数据为设备运行状态、生产速率、故障信息数据，传感器数据为生产过程中温度、湿度、压力的环境参数数据，ERP系统数据为生产订单、物料需求计划、库存信息数据，CRM系统数据用于反馈客户需求和市场动态数据；
步骤102，对各数据源进行重要性分析，评估各数据源数据对MES系统的贡献度，并对各数据源数据进行数据质量评估，检查数据的准确性、完整性、一致性、可靠性和时效性，了解各数据源的数据采集、处理和存储过程，评估可能存在的数据质量问题；
步骤103，根据数据源的重要性和评估结果，确定集成优先级，按照业务需求和影响程度确定数据源的集成顺序，优先处理对生产和管理决策影响最大的数据源；
步骤104，配置数据接入接口，对于生产现场设备和传感器采用工业物联网技术和协议接入MES系统，如MQTT或OPC UA，对于ERP系统和CRM系统，采用ETL工具接入MES系统，确保数据能够从各数据源传输到MES系统；
步骤105，对接入的各数据源传输的数据进行数据清洗和数据整合，并将处理后的数据存储在临时数据库中，其中，通过对接入的数据进行清洗，去除错误、重复或无效数据，并将不同格式的数据转换成统一的格式，合并来自不同数据源的数据，形成数据视图，建立数据关联。
本发明技术方案的进一步改进在于：所述步骤2中，明确生产管理中待优化业务需求和目标的过程为：
步骤201，利用工业自动化设备，如PLC可编程逻辑控制器和DCS分布式控制系统，以及如温度传感器、湿度传感器、压力传感器的各类传感器采集生产现场的数据，其中，采集的数据类型包括历史数据和实时数据，历史数据用于分析过去的生产情况，实时数据用于监控当前的生产状态，并将采集的数据传输至MES系统中利用临时数据库进行存储，确保数据传输的稳定性和安全性；
步骤202，对采集的数据进行数据清洗和标准化处理后，将来自不同数据源的数据进行集成，形成数据集；
步骤203，结合生产现场的实际情况和业务目标，明确数据分析的目的和需求，确定关键性能指标和生产管理中的待优化点，待优化点包括设备故障频发、生产效率低下、产品质量不稳定，根据待优化点识别结果设定具体的优化目标，包括提高生产效率、降低设备故障率、提升产品质量。
本发明技术方案的进一步改进在于：所述步骤3中，风险评估模型的构建及应用过程为：
步骤301，从临时数据库中提取预处理后的历史数据，并从中提取关联的特征变量，包括生产设备状态、生产速率、环境参数，定义设备故障率、生产延迟概率的风险指标，得到特征数据集；
步骤302，基于提取的关联特征变量，确定各特征变量的子因子，其中，生产设备状态的子因子包括运行时间、停机时间、维修次数，生产速率的子因子包括每小时产量、生产周期时间，环境参数的子因子包括温度、湿度、压力；
步骤303，根据各特征变量的子因子，进行综合分析，分别获得设备状态评估指数、生产速率评估指数以及环境状态评估指数；
步骤304，将特征数据集划分为训练集和测试集，利用训练集中的数据结合神经网络构建风险评估模型，并使用测试集数据评估模型的性能；
步骤305，将训练好的模型部署到MES系统中，并配置模型所需的输入数据接口和输出数据接口，使用风险评估模型对当前生产数据进行即时预测，并结合设备状态评估指数、生产速率评估指数以及环境状态评估指数分析预测生产效率和产品质量的长期趋势。
本发明技术方案的进一步改进在于：所述设备状态评估指数的计算公式为：
；
其中，表示设备状态评估指数，表示设备运行次数，表示设备第次运行的
总时间，表示设备第次停机时间，的取值范围为0至1；
所述生产速率评估指数的计算公式为：
；
其中，表示生产速率评估指数，表示生产时间，表示第个小时的产量，表示每小时产量的平均值，表示每小时产量的标准差；
所述环境状态评估指数的计算公式为：
；
其中，表示环境状态评估指数，表示环境参数的种类，表示任一环境参数
的测量值，表示环境参数的最优值，表示环境参数的最大值，表示环境参数
的最小值，的取值范围为0至1。
本发明技术方案的进一步改进在于：所述步骤4中，MES系统的风险预警系数获取过程为：
步骤401，收集和整理与生产趋势预测相关的历史数据，并结合设备状态评估指数、生产速率评估指数以及环境状态评估指数，获取MES系统的风险预警系数；
步骤402，根据相关历史数据，评估影响生产的风险类型和级别，并设置不同的风险预警等级，分别为低风险预警等级、中风险预警等级以及高风险预警等级；
步骤403，针对不同的风险预警等级，结合MES系统的风险预警系数，分别设定相应的风险预警阈值，制定预警规则，明确触发风险预警以及对应的风险预警等级的时机。
本发明技术方案的进一步改进在于：所述风险预警系数的计算公式为：
；
；
其中，表示风险预警系数，用于综合评估MES系统中的风险水平，表示指标，
代表设备状态评估指数、生产速率评估指数、环境状态评估指数，表示指数函数的负加权和，表示求和的索引，对应三个不
同的指标，表示权重系数，用于调整不同指标在风险评估中的重要性，表示标
准化函数，用于标准化的值，表示的平均值，表示的标准差，的
取值范围为。
本发明技术方案的进一步改进在于：多个所述风险预警等级对应多个所述风险预警阈值，其中，所述风险预警阈值包括上限阈值和下限阈值；
多个所述风险预警等级与多个所述风险预警阈值满足如下关系：
低风险预警等级；所有关键指标接近或达到最佳状态，生产过程
稳定，风险较低，维持当前操作，继续监控数据，确保趋势稳定，并准备应对可能的小幅波
动；
中风险预警等级；某些关键指标可能偏离最佳状态，存在中等
风险，需要关注，增加监控频率，分析数据偏差的原因，准备调整生产计划或采取措施以优
化设备状态和环境条件；
高风险预警等级；多个关键指标显著偏离最佳状态，生产过程可
能面临中断或质量下降的高风险，立即审查生产流程和相关指标，采取紧急措施以纠正偏
差，如调整设备设置、改善环境条件或临时停产以进行维护；
其中，为风险预警系数，为低风险预警等级对应的下限阈值与中风险预警
等级对应的上限阈值，为中风险预警等级对应的下限阈值与高风险预警等级对应的上
限阈值，，。
本发明技术方案的进一步改进在于：所述步骤5中，触发预警通知的过程为：
步骤501，基于风险评估识别结果，确定风险的类型，如设备故障、原材料供应中断、生产质量问题等，并使用预先设定的风险预警阈值和规则，制定自动触发预警的逻辑和条件，将生产趋势预测结果、异常检测结果与设定的风险预警阈值进行综合判断；
步骤502，配合收集的与生产相关的数据，进行实时监测，分析数据的变化趋势和异常情况，与风险评估识别结果相结合，以邮件、短信或移动应用的方式，向相关人员发送预警通知，呈现风险预警信息，风险预警信息包括异常数据、趋势分析、风险类型、风险预警等级以及影响范围；
步骤503，根据风险预警信息，采取相应的风险应对措施，调整生产计划，减少或避免风险的发生，并对已经识别的风险进行持续监控，确保风险得到控制。
由于采用了上述技术方案，本发明相对现有技术来说，取得的技术进步是：
1、本发明提供基于云计算的MES客户端数据分析优化方法，通过云计算平台，MES客户端能够实时收集、存储和分析生产过程中的各类数据，进行实时的数据监控不仅能快速掌握生产线的运行状况，还能在出现异常情况时迅速做出反应，当设备出现故障或产品质量不达标时，系统能立即发出预警，并启动相应的应急预案，从而避免因问题发现不及时而导致的生产延误和损失。
2、本发明提供基于云计算的MES客户端数据分析优化方法，利用大数据技术和机器学习算法对海量数据进行深度挖掘和分析，通过对历史数据的分析，能够发现生产过程中的规律和趋势，通过对生产数据的分析，系统能够识别出生产过程中的瓶颈和浪费环节，并提供改进建议，以便优化生产流程、调整设备参数，达到降低生产成本、提高生产效率的目的。
3、本发明提供基于云计算的MES客户端数据分析优化方法，通过对生产过程中的关键参数进行监控和分析，系统能够及时发现潜在的质量问题，并采取相应的措施进行纠正，能够大大提高产品的合格率和稳定性，并且建立完善的风险预警和应对机制，通过对生产数据的实时监控和分析，系统能够及时发现潜在的风险因素，并提供预警信息，同时，系统还能根据风险类型和等级，自动触发相应的应急预案，帮助快速应对风险，大大降低风险损失，提高抗风险能力。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明的方法流程图；
图2为本发明风险评估模型的构建及应用流程图；
图3为本发明MES系统的风险预警系数获取流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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1，如图1、图2所示，本发明提供了基于云计算的MES客户端数据分析优化方法，包括以下步骤：
步骤1，识别MES系统所需集成的数据源，评估各数据源的重要性和数据质量，确定集成优先级，将各数据源接入MES系统，并对各数据源数据进行清洗和整合，其中，各数据源包括生产现场设备、传感器、ERP系统和CRM系统，明确MES系统所需集成的数据源，包括生产现场设备、传感器、ERP系统和CRM系统，其中，生产现场设备数据为设备运行状态、生产速率、故障信息数据，传感器数据为生产过程中温度、湿度、压力的环境参数数据，ERP系统数据为生产订单、物料需求计划、库存信息数据，CRM系统数据用于反馈客户需求和市场动态数据，对各数据源进行重要性分析，评估各数据源数据对MES系统的贡献度，并对各数据源数据进行数据质量评估，检查数据的准确性、完整性、一致性、可靠性和时效性，了解各数据源的数据采集、处理和存储过程，评估可能存在的数据质量问题，根据数据源的重要性和评估结果，确定集成优先级，按照业务需求和影响程度确定数据源的集成顺序，优先处理对生产和管理决策影响最大的数据源，配置数据接入接口，对于生产现场设备和传感器采用工业物联网技术和协议接入MES系统，如MQTT或OPC UA，对于ERP系统和CRM系统，采用ETL工具接入MES系统，确保数据能够从各数据源传输到MES系统，对接入的各数据源传输的数据进行数据清洗和数据整合，并将处理后的数据存储在临时数据库中，其中，通过对接入的数据进行清洗，去除错误、重复或无效数据，并将不同格式的数据转换成统一的格式，合并来自不同数据源的数据，形成数据视图，建立数据关联；
步骤2，基于自动化设备和传感器技术，采集生产现场的数据，并对采集的原始数据进行预处理和数据分析，明确生产管理中待优化的业务需求和目标，其中，采集的原始数据包括历史数据和实时数据，利用工业自动化设备，如PLC可编程逻辑控制器和DCS分布式控制系统，以及温度传感器、湿度传感器、压力传感器采集生产现场的数据，其中，采集的数据类型包括历史数据和实时数据，历史数据用于分析过去的生产情况，实时数据用于监控当前的生产状态，并将采集的数据传输至MES系统中利用临时数据库进行存储，确保数据传输的稳定性和安全性，对采集的数据进行数据清洗和标准化处理后，将来自不同数据源的数据进行集成，形成数据集，结合生产现场的实际情况和业务目标，明确数据分析的目的和需求，确定关键性能指标和生产管理中的待优化点，待优化点包括设备故障频发、生产效率低下、产品质量不稳定，根据待优化点识别结果设定具体的优化目标，包括提高生产效率、降低设备故障率、提升产品质量；
步骤3，根据待优化的业务需求和目标，使用预处理后的历史数据进行模型训练，构建风险评估模型，并将构建的风险评估模型应用于实际生产，进行生产趋势预测和异常检测，从临时数据库中提取预处理后的历史数据，并从中提取关联的特征变量，包括生产设备状态、生产速率、环境参数，定义设备故障率、生产延迟概率的风险指标，得到特征数据集，基于提取的关联特征变量，确定各特征变量的子因子，其中，生产设备状态的子因子包括运行时间、停机时间、维修次数，生产速率的子因子包括每小时产量、生产周期时间，环境参数的子因子包括温度、湿度、压力，根据各特征变量的子因子，进行综合分析，分别获得设备状态评估指数、生产速率评估指数以及环境状态评估指数，将特征数据集划分为训练集和测试集，利用训练集中的数据结合神经网络构建风险评估模型，并使用测试集数据评估模型的性能，将训练好的模型部署到MES系统中，并配置模型所需的输入数据接口和输出数据接口，使用风险评估模型对当前生产数据进行即时预测，并结合设备状态评估指数、生产速率评估指数以及环境状态评估指数分析预测生产效率和产品质量的长期趋势；
进一步地，设备状态评估指数的计算公式为：
；
其中，表示设备状态评估指数，表示设备运行次数，表示设备第次运行的
总时间，表示设备第次停机时间，的取值范围为0至1，需要说明的是，运行时间与总
时间（运行时间加停机时间）的比值越大，值越高，表示设备状态越好；
生产速率评估指数的计算公式为：
；
其中，表示生产速率评估指数，表示生产时间，表示第个小时的产量，表示每小时产量的平均值，表示每小时产量的标准差，需要说明的是，产量与平均
产量的偏差越大，值越偏离0，正值表示生产速率高于平均水平；
环境状态评估指数的计算公式为：
；
其中，表示环境状态评估指数，表示环境参数的种类，表示任一环境参数
的测量值，表示环境参数的最优值，表示环境参数的最大值，表示环境参数
的最小值，的取值范围为0至1，需要说明的是，环境参数测量值与最优值差的平方与环境
参数最大最小值的差值范围的平方比值越小，值越高，表示环境状态越理想；
步骤4，结合生产趋势预测结果和预处理后的历史数据，得到MES系统风险预警系数，并设置风险预警等级，匹配对应的风险预警阈值；
步骤5，识别生产过程中的潜在风险，并对风险进行评估和量化，根据风险评估结果，自动触发预警通知，输出数据分析结果和风险预警信息。
实施例2，如图3所示，在实施例1的基础上，本发明提供一种技术方案：优选的，步骤4中，MES系统的风险预警系数获取过程为：
收集和整理与生产趋势预测相关的历史数据，并结合设备状态评估指数、生产速率评估指数以及环境状态评估指数，获取MES系统的风险预警系数，根据相关历史数据，评估影响生产的风险类型和级别，并设置不同的风险预警等级，分别为低风险预警等级、中风险预警等级以及高风险预警等级，针对不同的风险预警等级，结合MES系统的风险预警系数，分别设定相应的风险预警阈值，制定预警规则，明确触发风险预警以及对应的风险预警等级的时机；
进一步地，风险预警系数的计算公式为：
；
；
其中，表示风险预警系数，用于综合评估MES系统中的风险水平，表示指标，
代表设备状态评估指数、生产速率评估指数、环境状态评估指数，表示指数函数的负加权和，表示求和的索引，对应三个不
同的指标，表示权重系数，用于调整不同指标在风险评估中的重要性，表示标
准化函数，用于标准化的值，表示的平均值，表示的标准差，的
取值范围为，需要说明的是，当所有指标都很好，即风险较低时，接近；当指标
较差，即风险较高时，接近；当的值增加时，即指标偏离理想状态，指数函
数的值会减小，导致降低，表示风险增加；
更进一步地，多个风险预警等级对应多个风险预警阈值，其中，风险预警阈值包括上限阈值和下限阈值；
多个风险预警等级与多个风险预警阈值满足如下关系：
低风险预警等级；所有关键指标接近或达到最佳状态，生产过程
稳定，风险较低，维持当前操作，继续监控数据，确保趋势稳定，并准备应对可能的小幅波
动；
中风险预警等级；某些关键指标可能偏离最佳状态，存在中等
风险，需要关注，增加监控频率，分析数据偏差的原因，准备调整生产计划或采取措施以优
化设备状态和环境条件；
高风险预警等级；多个关键指标显著偏离最佳状态，生产过程可
能面临中断或质量下降的高风险，立即审查生产流程和相关指标，采取紧急措施以纠正偏
差，如调整设备设置、改善环境条件或临时停产以进行维护；
其中，为风险预警系数，为低风险预警等级对应的下限阈值与中风险预警
等级对应的上限阈值，为中风险预警等级对应的下限阈值与高风险预警等级对应的上
限阈值，，；
步骤5中，触发预警通知的过程为：
基于风险评估识别结果，确定风险的类型，如设备故障、原材料供应中断、生产质量问题等，并使用预先设定的风险预警阈值和规则，制定自动触发预警的逻辑和条件，将生产趋势预测结果、异常检测结果与设定的风险预警阈值进行综合判断，配合收集的与生产相关的数据，进行实时监测，分析数据的变化趋势和异常情况，与风险评估识别结果相结合，以邮件、短信或移动应用的方式，向相关人员发送预警通知，呈现风险预警信息，风险预警信息包括异常数据、趋势分析、风险类型、风险预警等级以及影响范围，根据风险预警信息，采取相应的风险应对措施，调整生产计划，减少或避免风险的发生，并对已经识别的风险进行持续监控，确保风险得到控制。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.基于云计算的MES客户端数据分析优化方法，其特征在于：包括以下步骤：
步骤1，识别MES系统所需集成的数据源，评估各数据源的重要性和数据质量，确定集成优先级，将各数据源接入MES系统，并对各数据源数据进行清洗和整合，其中，各数据源包括生产现场设备、传感器、ERP系统和CRM系统；
步骤2，基于自动化设备和传感器技术，采集生产现场的数据，并对采集的原始数据进行预处理和数据分析，明确生产管理中待优化的业务需求和目标，其中，采集的原始数据包括历史数据和实时数据；
步骤3，根据待优化的业务需求和目标，使用预处理后的历史数据进行模型训练，构建风险评估模型，并将构建的风险评估模型应用于实际生产，进行生产趋势预测和异常检测；
步骤4，结合生产趋势预测结果和预处理后的历史数据，得到MES系统风险预警系数，并设置风险预警等级，匹配对应的风险预警阈值，所述步骤4中，MES系统的风险预警系数获取过程为：
步骤401，收集和整理与生产趋势预测相关的历史数据，并结合设备状态评估指数、生产速率评估指数以及环境状态评估指数，获取MES系统的风险预警系数；
步骤402，根据相关历史数据，评估影响生产的风险类型和级别，并设置不同的风险预警等级，分别为低风险预警等级、中风险预警等级以及高风险预警等级；
步骤403，针对不同的风险预警等级，结合MES系统的风险预警系数，分别设定相应的风险预警阈值，制定预警规则，明确触发风险预警以及对应的风险预警等级的时机，所述风险预警系数的计算公式为：
其中，Mp表示风险预警系数，Ip表示指标，代表设备状态评估指数、生产速率评估指数、环境状态评估指数，p表示求和的索引，对应三个不同的指标，wp表示权重系数，f(Ip)表示标准化函数，用于标准化Ip的值，avg(Ip)表示Ip的平均值，std(Ip)表示Ip的标准差，Mp的取值范围为(0，1)；
步骤5，识别生产过程中的潜在风险，并对风险进行评估和量化，根据风险评估结果，自动触发预警通知，输出数据分析结果和风险预警信息。
2.根据权利要求1所述的基于云计算的MES客户端数据分析优化方法，其特征在于：所述步骤1中，数据源数据的清洗和整合过程为：
步骤101，明确MES系统所需集成的数据源，包括生产现场设备、传感器、ERP系统和CRM系统，其中，生产现场设备数据为设备运行状态、生产速率、故障信息数据，传感器数据为生产过程中温度、湿度、压力的环境参数数据，ERP系统数据为生产订单、物料需求计划、库存信息数据，CRM系统数据用于反馈客户需求和市场动态数据；
步骤102，对各数据源进行重要性分析，评估各数据源数据对MES系统的贡献度，并对各数据源数据进行数据质量评估，了解各数据源的数据采集、处理和存储过程，评估可能存在的数据质量问题；
步骤103，根据数据源的重要性和评估结果，确定集成优先级，按照业务需求和影响程度确定数据源的集成顺序，优先处理对生产和管理决策影响最大的数据源；
步骤104，配置数据接入接口，对于生产现场设备和传感器采用工业物联网技术和协议接入MES系统，对于ERP系统和CRM系统，采用ETL工具接入MES系统；
步骤105，对接入的各数据源传输的数据进行数据清洗和数据整合，并将处理后的数据存储在临时数据库中，合并来自不同数据源的数据，形成数据视图，建立数据关联。
3.根据权利要求2所述的基于云计算的MES客户端数据分析优化方法，其特征在于：所述步骤2中，明确生产管理中待优化业务需求和目标的过程为：
步骤201，利用工业自动化设备以及各类传感器采集生产现场的数据，其中，采集的数据类型包括历史数据和实时数据，并将采集的数据传输至MES系统中利用临时数据库进行存储；
步骤202，对采集的数据进行数据清洗和标准化处理后，将来自不同数据源的数据进行集成，形成数据集；
步骤203，结合生产现场的实际情况和业务目标，明确数据分析的目的和需求，确定关键性能指标和生产管理中的待优化点，待优化点包括设备故障频发、生产效率低下、产品质量不稳定，根据待优化点识别结果设定具体的优化目标。
4.根据权利要求3所述的基于云计算的MES客户端数据分析优化方法，其特征在于：所述步骤3中，风险评估模型的构建及应用过程为：
步骤301，从临时数据库中提取预处理后的历史数据，并从中提取关联的特征变量，包括生产设备状态、生产速率、环境参数，定义设备故障率、生产延迟概率的风险指标，得到特征数据集；
步骤302，基于提取的关联特征变量，确定各特征变量的子因子，其中，生产设备状态的子因子包括运行时间、停机时间、维修次数，生产速率的子因子包括每小时产量、生产周期时间，环境参数的子因子包括温度、湿度、压力；
步骤303，根据各特征变量的子因子，进行综合分析，分别获得设备状态评估指数、生产速率评估指数以及环境状态评估指数；
步骤304，将特征数据集划分为训练集和测试集，利用训练集中的数据结合神经网络构建风险评估模型，并使用测试集数据评估模型的性能；
步骤305，将训练好的模型部署到MES系统中，并配置模型所需的输入数据接口和输出数据接口，使用风险评估模型对当前生产数据进行即时预测，并结合设备状态评估指数、生产速率评估指数以及环境状态评估指数分析预测生产效率和产品质量的长期趋势。
5.根据权利要求4所述的基于云计算的MES客户端数据分析优化方法，其特征在于：所述设备状态评估指数的计算公式为：
其中，EI表示设备状态评估指数，N表示设备运行次数，RTi表示设备第i次运行的总时间，STi表示设备第i次停机时间，EI的取值范围为0至1；
所述生产速率评估指数的计算公式为：
其中，PI表示生产速率评估指数，M表示生产时间，PHj表示第j个小时的产量，μPH表示每小时产量的平均值，σPH表示每小时产量的标准差；
所述环境状态评估指数的计算公式为：
其中，NI表示环境状态评估指数，P表示环境参数的种类，Ek表示任一环境参数k的测量值，Eopt表示环境参数的最优值，Emax表示环境参数的最大值，Emin表示环境参数的最小值，NI的取值范围为0至1。
6.根据权利要求1所述的基于云计算的MES客户端数据分析优化方法，其特征在于：多个所述风险预警等级对应多个所述风险预警阈值，其中，所述风险预警阈值包括上限阈值和下限阈值；
多个所述风险预警等级与多个所述风险预警阈值满足如下关系：
低风险预警等级Mzy≤Mp<1；
中风险预警等级Mgy≤Mp<Mzy；
高风险预警等级0<Mp<Mgy；
其中，Mp为风险预警系数，Mzy为低风险预警等级对应的下限阈值与中风险预警等级对应的上限阈值，Mgy为中风险预警等级对应的下限阈值与高风险预警等级对应的上限阈值，Mzy＝0.8，Mzy＝0.5。
7.根据权利要求6所述的基于云计算的MES客户端数据分析优化方法，其特征在于：所述步骤5中，触发预警通知的过程为：
步骤501，基于风险评估识别结果，确定风险的类型，并使用预先设定的风险预警阈值和规则，制定自动触发预警的逻辑和条件，将生产趋势预测结果、异常检测结果与设定的风险预警阈值进行综合判断；
步骤502，配合收集的与生产相关的数据，进行实时监测，分析数据的变化趋势和异常情况，与风险评估识别结果相结合，以邮件、短信或移动应用的方式，向相关人员发送预警通知，呈现风险预警信息，风险预警信息包括异常数据、趋势分析、风险类型、风险预警等级以及影响范围；
步骤503，根据风险预警信息，采取相应的风险应对措施，调整生产计划，并对已经识别的风险进行持续监控。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410869723.9A CN118396252B (zh) | 2024-07-01 | 2024-07-01 | 基于云计算的mes客户端数据分析优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410869723.9A CN118396252B (zh) | 2024-07-01 | 2024-07-01 | 基于云计算的mes客户端数据分析优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118396252A CN118396252A (zh) | 2024-07-26 |
| CN118396252B true CN118396252B (zh) | 2024-08-30 |
Family
ID=91985210
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410869723.9A Active CN118396252B (zh) | 2024-07-01 | 2024-07-01 | 基于云计算的mes客户端数据分析优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118396252B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117350492A (zh) * | 2023-10-13 | 2024-01-05 | 宿迁云瑞国科信息技术有限公司 | 一种对比历史数据智能调控的mes运行管理系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200067789A1 (en) * | 2016-06-24 | 2020-02-27 | QiO Technologies Ltd. | Systems and methods for distributed systemic anticipatory industrial asset intelligence |
| KR102464762B1 (ko) * | 2022-02-17 | 2022-11-09 | 주식회사 디엠테크컨설팅 | 경험적 공유 지식 기반의 인공지능을 활용한 설비고장 예지보전 방법 |
-
2024
- 2024-07-01 CN CN202410869723.9A patent/CN118396252B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117350492A (zh) * | 2023-10-13 | 2024-01-05 | 宿迁云瑞国科信息技术有限公司 | 一种对比历史数据智能调控的mes运行管理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118396252A (zh) | 2024-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111461555B (zh) | 一种生产线质量监测方法、装置及系统 | |
| CN109240244B (zh) | 基于数据驱动的设备运行状态健康度分析方法及系统 | |
| CN114282434A (zh) | 一种工业设备健康管理系统及方法 | |
| CN117176560B (zh) | 一种基于物联网的监测设备监管系统及其方法 | |
| CN112284440B (zh) | 一种传感器数据偏差自适应修正方法 | |
| CN114862275B (zh) | 基于数字孪生模型的仓储物流系统可靠性评估方法及系统 | |
| CN113128707A (zh) | 一种配电自动化终端态势风险评估方法 | |
| CN118430092B (zh) | 一种基于mcc系统的数据通用采集方法 | |
| CN116028887B (zh) | 一种连续性工业生产数据的分析方法 | |
| CN116992346A (zh) | 一种基于人工智能大数据分析的企业生产数据处理系统 | |
| US20190361428A1 (en) | Competency gap identification of an operators response to various process control and maintenance conditions | |
| CN117078227A (zh) | 一种基于标识解析的环境监测运维平台 | |
| CN117193222A (zh) | 一种基于工业物联网和大数据的智能质量控制系统及其控制方法 | |
| CN118244709A (zh) | 关联故障设备及影响因素获取方法、装置及异常处理系统 | |
| CN112580858A (zh) | 设备参数预测分析方法及系统 | |
| CN117113135A (zh) | 一种可对异常数据整理分类的碳排放异常监测分析系统 | |
| CN118396252B (zh) | 基于云计算的mes客户端数据分析优化方法 | |
| CN118462500A (zh) | 一种智慧风电场综合效能评估方法 | |
| CN118211943A (zh) | 一种注塑产品生产管理方法及系统 | |
| CN118014115A (zh) | 一种基于长短时记忆网络的产线损耗监测方法 | |
| CN117591949A (zh) | 一种设备异常识别方法、设备及介质 | |
| CN117009741A (zh) | 基于发电量的异常分析方法及系统 | |
| CN116611953A (zh) | 基于物联网的电能表生产制造实时数据管理方法和系统 | |
| CN115755664A (zh) | 一种离散型企业制造设备维护方法及系统 | |
| CN118550958B (zh) | 一种基于工业物联网的设备异常判定方法、系统和介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |