前沿研究丨用于智能维护的大数据调度和全球标准方法( 五 )


功能区域的运营商和代理商定制高级诊断 , 以获得足够的数据量和质量来确保零故障和零浪费 。 人工智能系统中处理信息学的部分必须通过提供用于预测和模拟操作过程的所有必要数据来确保可行性 。 专家从操作过程开始 , 通过描述质量、可持续性和可行性 , 定义了全局区域指令 , 这些指令在任何全局范围内是可扩展的 , 可用于未来人工智能培训和数据调度 。 之后 , 可以将物理空间与网络空间连接起来以实现数据处理 。
(一)数据集和警报消息
优化维护对于提高性能至关重要 。 在制造系统中 , 警报消息用于连接网络空间和物理空间 , 并显示改进高级诊断所需的内容(图5) 。
前沿研究丨用于智能维护的大数据调度和全球标准方法文章插图
图5 零故障操作过程的持续改进(黄色方框和红色箭头)数据调度设计(蓝色方框)和横截面分析(棕色方框) 。 CHECK:用于零故障数据管理的移动应用程序 。 ACT:数字图书馆和设备故障以及停机事件的显示和分析 。 PLAN:基于云的产品/服务长期管理和实时数字协助架构 。 DO:具有数字辅助和操作过程验证的自动化生产线 。 紫色字符:微功能区 。 绿色字符:智能维护操作流程
在模拟了大量的真实环境(ACT)后 , 高级诊断系统会记录协议编号、故障类型和持续时间(PLAN) , 同时提醒系统进行物资回收和操作管理 。 这些智能系统在测试不同类型的智能应用程序(DO)时非常有用 , 而且主管可以实时控制和评估人力资源 , 以实现持续改进和零故障程序 。 因此 , 我们将从“失败和修复”(failand-fix)实践转变为“预测和预防”(predict-and-prevent)方法的系统称为接近零故障的高级诊断系统 。
主动维护方法可以在故障发生之前直接或间接地检测(即预测)到这些故障 。 当识别出故障趋势时 , 应根据人力资源的习惯进行分析 , 并着眼于人机交互以提高安全性和舒适性(即人机工程学) , 从而提出专门用于快速恢复自动化制造系统正常活动的文档和设备的建议 , 以减少或避免(即预防)强迫停机 。
在这种情况下 , 为进行关键性控制分析(CCA) , 对以下4种类型的机器警报进行分类 , 即警告、检查员、操作员和主管警报 。 对于零故障过程 , 系统根据关键问题识别警报 , 并发送通知或图片(被留下的或被找到的部件)通报人力资源有关机器的状况 。 一旦确定了与故障有关的部件 , 执行器就可以降级到正常水平 , 而且发出故障警报的传感器也可以降级到正常水平 。
(二)流程数据流——功能化和定制
图6显示了应用于本文所述方法的信息技术系统的架构 。 信息系统基于Windows应用程序来存储和处理来自生产线的数据 , 由通过与可编程逻辑控制器连接的传感器进行监控 。
前沿研究丨用于智能维护的大数据调度和全球标准方法文章插图
图6 使用人-信息-物理系统优化生产的运行与维护的系统架构 。 绿色框:全球目标识别;蓝色框:信息学改进活动的可用资源;棕色框:角色;黄色框:用于计时和网络空间调度的改进阶段
当警报发生时 , 应用程序通过人机界面(HMI)加密通知(.txt格式)从计算机的可编程逻辑控制器收集信息 , 并提供给用户 。 通过一个名为硬件组件识别协议(H-CIP)的功能协议 , 警报消息总结了通过通知传输的信息 , 该协议报告了人机交互、故障和干预之间的时间以及可能的风险识别 。 人机界面上可用的数据存储于专用云 , 该云与信息技术系统(如用于维护的移动应用程序、管理软件等)共享信息(如硬件节点配置、节点或组件、模块) 。
运营中心确定目标和资源 , 目的是基于长期数据分析开发接近零故障的高级诊断 , 以实现高级产品/服务控制 。 所选参数将根据任务和非定域自动化机器的典型使用情况来确定新一代智能制造的性能以及相关的角色和时机 。 为了满足运营与维护优化的需求 , 使用MIT App Inventor 2软件开发了两个特殊的Android应用程序[supervisor应用程序(SVA)和maintainer应用程序(MNA)] 。 这无需支付硬件(如智能手机和平板电脑)的安装或分发服务费用 , 就可快速可靠地开发人机界面应用程序 。 数据库从非定域机器和管理层收集所有组件和相关的关键性分析数据 , 并与支持系统进行双边合作 , 以定义可用于软件设计的操作程序 。 因此 , 对所有类型的问题和程序进行分析 , 目的是执行人力资源的功能指令 。


推荐阅读