一种基于MES系统的故障综合分析系统

摘要

本发明公开了一种基于MES系统的故障综合分析系统，包括信息采集子系统、分析子系统、诊断子系统、实时监测模块；所述信息采集子系统包括视频采集模块、日志数据获取模块和整合模块；所述视频采集模块配置在底层工业控制现场关键环节，实时采集底层工业控制现场视频，并附上时间戳后传送至整合模块；所述日志数据获取模块用于获取生产过程的日志数据并附上时间戳后传送至整合模块。优点在于：基于MES预警系统经过通过对底层工业现场关键节点采集现场实时视频，对生产异常的评价指标进行综合评价并对视频记录进行浏览和检索，可用于数字化车间的异常监测和故障诊断，就能够通过对当时生产异常状况综合评价值，确认生产异常的警戒级。

说明书

技术领域

本发明涉及故障分析技术领域，尤其涉及一种基于MES系统的故障综合分析系统。

背景技术

MES是一套面向制造企业车间执行层的生产信息化管理系统，设备维护管理以及库存管理是其重要特点。其是位于上层的计划管理系统与位于底层的工业控制之间的面向车间层的管理信息系统，可以为企业生产提供现场管理细分、现场数据采集、电子看板管理、仓库物料存放、生产任务分配、仓库管理、责任追溯、绩效统计评估、统计分析和综合分析等功能，极大地提高了企业的管理效率。

MES系统通过现场数据的采集，获得生产过程各个环节的实时信息。通过对实时信息的处理、统计和分析，对生产过程进行精细化管理。MES系统能通过信息传递对从订单下达到产品完成的整个生产过程进行优化管理。当工厂发生实时事件时，MES系统能对此及时做出反应、报告，并用当前的准确数据对它们进行指导和处理。

对于工业控制现场故障诊断或异常监测而言，目前的MES系统存在以下三方面的不足。一是MES系统采集底层工业控制数据，该数据主要是生产过程状态和信息数据，是生产过程中的正常数据，很难直接反映出生产过程故障或异常，不利于故障或异常的检测与分析。二是由于MES系统主要服务于生产，在底层工业控制中，用于故障监测或异常诊断的传感器布置不足，相关数据的提取、处理和分析不够充分，影响故障或异常的检测与分析。另外，以上提及的数据都是工业控制过程中，通过传感器和仪器仪表对现场检测或测量得到的结果，对现场情况描述不够直接、准确。

发明内容

本发明的目的是为了解决现有技术中的问题，而提出的一种基于MES系统的故障综合分析系统。

为了实现上述目的，本发明采用了如下技术方案：一种基于MES系统的故障综合分析系统，包括信息采集子系统、分析子系统、诊断子系统、实时监测模块；

所述信息采集子系统包括视频采集模块、日志数据获取模块和整合模块；

所述视频采集模块配置在底层工业控制现场关键环节，实时采集底层工业控制现场视频，并附上时间戳后传送至整合模块；

所述日志数据获取模块用于获取生产过程的日志数据并附上时间戳后传送至整合模块；

所述整合模块根据时间戳对应将现场视频与日志数据整合成备案数据并传送至分析子系统；

所述分析子系统包括分析模块和存储模块；

所述分析模块将整合模块发送来的工业控制现场视频进行显示、存储、分析和检索，提取视频数据信息；

所述分析模块根据获取的日志数据收集所有生产故障数据进行分类管理的步骤中，生产异常状况包括测试异常、人为异常、工装异常；所述分析模块将上述每类故障分为人为故障、可分线缆插错故障、板卡装错故障、误操作损件故障；所述分析模块将上述故障分析后发送至存储模块进行存储；

所述诊断子系统包括异常监测模块、故障诊断模块，所述故障诊断模块集成生产数据、生产现场多传感器的数据和视频处理与分析模块的视频数据信息，提取异常事件并报警，并进行异常原因分析，分析出异常原因后提取关键字数据存储于分析子系统的存储模块；

所述异常监测模块实时对整合模块所输出的数据进行故障检测并提取生产故障数据中的维修率计算合格率；判断合格率低于设定的预警阈值时，取合格率定义对应产品的邮件角色和用户邮箱发送邮件进行故障预警；

所述实时监测模块将现场实时的生产数据、监测数据和视频数据集成为事件数据，送至分类器进行分类，进行异常判别。

在上述的基于MES系统的故障综合分析系统中，所述异常监测模块接收生产数据、多传感器监测数据、以及视频数据信息，对设备运行状态进行判别；

若为异常状态，则进行报警并集成为异常事件数据，供MES系统查询与分析，以实现异常监测功能；

当MES系统接收设备故障报警或异常状态时，分析模块和异常监测模块对数据进行离线分析：分析模块分析故障或异常时段的视频数据，标记异常区域，并提取异常事件数据；同时，异常监测和故障诊断模块收集异常时段生产数据，多传感器监测数据和视频数据信息，对设备故障和异常类别进行判别、原因分析、报警并集成为异常事件数据，供MES系统查询与分析，以实现故障诊断功能。

在上述的基于MES系统的故障综合分析系统中，所述判断合格率低于设定的预警阈值时，取合格率定义对应产品的邮件角色和用户邮箱发送邮件进行故障预警的步骤具体包括：

若合格率低于设定的预警阈值，取合格率定义对应产品的邮件角色和用户邮箱；

发送邮件到一级人员进行提醒并保存超时提醒状态；其中，设定一级人员收到提醒第一时间阈值内处理预警信息。

在上述的基于MES系统的故障综合分析系统中，所述异常监测模块对故障诊断模块输出的异常原因进行合格率判断，并设定合格率90％为预警阈值，当低于设定的预警阈值时，取合格率定义对应产品的工位邮箱发送邮件进行故障预警的步骤具体包括：

合格率低于设定的预警阈值时，取合格率定义对应产品的工位发送邮件进行对生产异常的时间、位置、状态进行预警；

若合格率不低于设定的预警阈值，不触发邮件预警。

在上述的基于MES系统的故障综合分析系统中，所述分析模块包括视频显示模块、视频存储模块、视频分析模块和视频检索模块，执行以下步骤：

所述视频分析模块进行标定：接收视频采集器采集的现场正常工作时的视频数据，根据现场关注的工作场景，人工或者自动提取关键时间节点和关键流程节点的视频帧，生成视频关键帧集合Fc＝{fci,i＝1,2,…N}；

所述视频分析模块进行视频分析：读取第i个时间节点或第i个流程节点的视频帧fdi，和视频关键帧集合中的视频帧fci进行比对，来进行差异区域标记和信息提取；

首先，读取当前运行的第i个时间点或第i个流程节点的视频帧，并对其进行滤波处理；

读取存储的第i个关键帧，并对其进行滤波处理；

将二者滤波结果做差，并二值化，生成差值图像；

对于差值图像，进行数学形态学运算，去除噪声；

对于差值图像进行连通区域标记，确定差异区域；

对于每一个差异区域提取特征，生成视频数据信息；

在读取的当前运行的视频帧中，将相应区域用框进行标记，表示该处存在差异。

在上述的基于MES系统的故障综合分析系统中，所述实时监测模块进行异常判别：

假设异常生产数据为dop，监测数据为dom，由视频数据提取的信息为dov，将三者合并为一条异常事件数据do＝{dop,dom,dov}，并生成异常事件数据集Do＝{doi,i＝1,2,…}；

假设正常生产数据为dnp，监测数据为dnm，由视频数据提取的信息为dnv，将三者合并为一条正常数据dn＝{dnp,dnm,dnv}，并生成正常数据集Dn＝{dni,i＝1,2,…}；

将异常事件数据集细分为子集，不同的子集对应不同的异常类别；采用机器学习的技术，以不同子集的异常数据和正常数据为训练数据，异常类别和无异常编码为类别号，进行分类训练，从而获得分类器；由此分类器来判别现场实时事件数据是否存在异常，如果存在异常，是哪种异常；

所述实时监测模块，将异常时段的生产数据、监测数据和视频数据集成为事件数据组，送至分类器进行分类，进行异常原因分析：

假设异常事件数据为do＝{dop,dom,dov}，其发生时段形成的数据组为dco＝{do(-k),…,do(-1),do,do(1),…,do(l)}，以此生成异常事件发生时段数据组集Dco＝{dcoi,i＝1,2,…}；

对异常事件数据组集进行标记：将异常事件数据组集细分为子集，不同的子集对应不同的异常原因；采用机器学习的技术，以不同子集的异常事件数据组为训练数据，异常原因为类别号，进行分类训练，从而获得分类器；由此分类器来进行故障诊断，分析异常发生的原因。

在上述的基于MES系统的故障综合分析系统中，所述实时监测模块可进行如下在线分析，对比实时采集的关键时间点或关键节点处的视频帧和存储的正常视频帧，以分析检测异常区域，实现异常监测功能：

1)实时接收视频采集器发送的底层工业控制现场视频数据显示并存储；

2)通过人工或图像处理技术，对接收到的关键时间节点和关键流程节点的视频帧，和标定关键时间节点和关键流程节点的视频帧进行比对分析，对异常部分给予标记，提取视频信息；

3)实时接收生产数据，监测数据和视频数据，输入到异常监测与故障诊断模块分类器，判断当前数据是否存在异常，如果存在异常，是哪一种异常；

4)在检测到设备故障或设备异常的情况下采用声光电等方式进行报警；

5)将故障或异常发生时刻的生产数据，监测数据和视频数据集成为异常事件数据，关联异常检测结果，供MES系统查询与分析。

与现有的技术相比，本发明的优点在于：

基于MES预警系统经过通过对底层工业现场关键节点采集现场实时视频至MES系统，对生产异常的评价指标进行综合评价并对视频记录进行浏览和检索，进行异常监测和故障诊断，可用于数字化车间的异常监测和故障诊断，就能够通过对当时生产异常状况综合评价值，确认生产异常的警戒级；

同时采用机器学习技术和图像处理技术对视频进行分析，提取异常事件并报警，并对异常事件进行故障诊断，本发明的系统集成了多方面的数据，将生产数据、监测数据和视频数据作为事件数据，综合起来进行分析管理，从而更好的了解生产异常时间的未来发展状态，及时采取措施，保证生产过程处于安全和有序的状态，能够通过对当前生产状况的分析和历史数据积累，预警出异常情况，保证生产质量，不断提高生产效益。

附图说明

图1为本发明提出的一种基于MES系统的故障综合分析系统的结构示意图。

具体实施方式

以下实施例仅处于说明性目的，而不是想要限制本发明的范围。

实施例

参照图1，一种基于MES系统的故障综合分析系统，包括信息采集子系统、分析子系统、诊断子系统、实时监测模块；

所述信息采集子系统包括视频采集模块、日志数据获取模块和整合模块；

所述视频采集模块配置在底层工业控制现场关键环节，实时采集底层工业控制现场视频，并附上时间戳后传送至整合模块；

所述日志数据获取模块用于获取生产过程的日志数据并附上时间戳后传送至整合模块；

所述整合模块根据时间戳对应将现场视频与日志数据整合成备案数据并传送至分析子系统；

所述分析子系统包括分析模块和存储模块；

所述分析模块将整合模块发送来的工业控制现场视频进行显示、存储、分析和检索，提取视频数据信息；

所述分析模块根据获取的日志数据收集所有生产故障数据进行分类管理的步骤中，生产异常状况包括测试异常、人为异常、工装异常；所述分析模块将上述每类故障分为人为故障、可分线缆插错故障、板卡装错故障、误操作损件故障；所述分析模块将上述故障分析后发送至存储模块进行存储；

所述诊断子系统包括异常监测模块、故障诊断模块，所述故障诊断模块集成生产数据、生产现场多传感器的数据和视频处理与分析模块的视频数据信息，提取异常事件并报警，并进行异常原因分析，分析出异常原因后提取关键字数据存储于分析子系统的存储模块；

所述异常监测模块实时对整合模块所输出的数据进行故障检测并提取生产故障数据中的维修率计算合格率；判断合格率低于设定的预警阈值时，取合格率定义对应产品的邮件角色和用户邮箱发送邮件进行故障预警；

所述实时监测模块将现场实时的生产数据、监测数据和视频数据集成为事件数据，送至分类器进行分类，进行异常判别。

所述异常监测模块接收生产数据、多传感器监测数据、以及视频数据信息，对设备运行状态进行判别；

若为异常状态，则进行报警并集成为异常事件数据，供MES系统查询与分析，以实现异常监测功能；

当MES系统接收设备故障报警或异常状态时，分析模块和异常监测模块对数据进行离线分析：分析模块分析故障或异常时段的视频数据，标记异常区域，并提取异常事件数据；同时，异常监测和故障诊断模块收集异常时段生产数据，多传感器监测数据和视频数据信息，对设备故障和异常类别进行判别、原因分析、报警并集成为异常事件数据，供MES系统查询与分析，以实现故障诊断功能。

所述判断合格率低于设定的预警阈值时，取合格率定义对应产品的邮件角色和用户邮箱发送邮件进行故障预警的步骤具体包括：

若合格率低于设定的预警阈值，取合格率定义对应产品的邮件角色和用户邮箱；

发送邮件到一级人员进行提醒并保存超时提醒状态；其中，设定一级人员收到提醒第一时间阈值内处理预警信息。

所述异常监测模块对故障诊断模块输出的异常原因进行合格率判断，并设定合格率90％为预警阈值，当低于设定的预警阈值时，取合格率定义对应产品的工位邮箱发送邮件进行故障预警的步骤具体包括：

合格率低于设定的预警阈值时，取合格率定义对应产品的工位发送邮件进行对生产异常的时间、位置、状态进行预警；

若合格率不低于设定的预警阈值，不触发邮件预警。

所述分析模块包括视频显示模块、视频存储模块、视频分析模块和视频检索模块，执行以下步骤：

所述视频分析模块进行标定：接收视频采集器采集的现场正常工作时的视频数据，根据现场关注的工作场景，人工或者自动提取关键时间节点和关键流程节点的视频帧，生成视频关键帧集合Fc＝{fci,i＝1,2,…N}；

所述视频分析模块进行视频分析：读取第i个时间节点或第i个流程节点的视频帧fdi，和视频关键帧集合中的视频帧fci进行比对，来进行差异区域标记和信息提取；

首先，读取当前运行的第i个时间点或第i个流程节点的视频帧，并对其进行滤波处理；

读取存储的第i个关键帧，并对其进行滤波处理；

将二者滤波结果做差，并二值化，生成差值图像；

对于差值图像，进行数学形态学运算，去除噪声；

对于差值图像进行连通区域标记，确定差异区域；

对于每一个差异区域提取特征，生成视频数据信息；

在读取的当前运行的视频帧中，将相应区域用框进行标记，表示该处存在差异。

所述实时监测模块进行异常判别：

假设异常生产数据为dop，监测数据为dom，由视频数据提取的信息为dov，将三者合并为一条异常事件数据do＝{dop,dom,dov}，并生成异常事件数据集Do＝{doi,i＝1,2,…}；

假设正常生产数据为dnp，监测数据为dnm，由视频数据提取的信息为dnv，将三者合并为一条正常数据dn＝{dnp,dnm,dnv}，并生成正常数据集Dn＝{dni,i＝1,2,…}；

将异常事件数据集细分为子集，不同的子集对应不同的异常类别；采用机器学习的技术，以不同子集的异常数据和正常数据为训练数据，异常类别和无异常编码为类别号，进行分类训练，从而获得分类器；由此分类器来判别现场实时事件数据是否存在异常，如果存在异常，是哪种异常；

所述实时监测模块，将异常时段的生产数据、监测数据和视频数据集成为事件数据组，送至分类器进行分类，进行异常原因分析：

假设异常事件数据为do＝{dop,dom,dov}，其发生时段形成的数据组为dco＝{do(-k),…,do(-1),do,do(1),…,do(l)}，以此生成异常事件发生时段数据组集Dco＝{dcoi,i＝1,2,…}；

对异常事件数据组集进行标记：将异常事件数据组集细分为子集，不同的子集对应不同的异常原因；采用机器学习的技术，以不同子集的异常事件数据组为训练数据，异常原因为类别号，进行分类训练，从而获得分类器；由此分类器来进行故障诊断，分析异常发生的原因。

所述实时监测模块可进行如下在线分析，对比实时采集的关键时间点或关键节点处的视频帧和存储的正常视频帧，以分析检测异常区域，实现异常监测功能：

1)实时接收视频采集器发送的底层工业控制现场视频数据显示并存储；

2)通过人工或图像处理技术，对接收到的关键时间节点和关键流程节点的视频帧，和标定关键时间节点和关键流程节点的视频帧进行比对分析，对异常部分给予标记，提取视频信息；

3)实时接收生产数据，监测数据和视频数据，输入到异常监测与故障诊断模块分类器，判断当前数据是否存在异常，如果存在异常，是哪一种异常；

4)在检测到设备故障或设备异常的情况下采用声光电等方式进行报警；

5)将故障或异常发生时刻的生产数据，监测数据和视频数据集成为异常事件数据，关联异常检测结果，供MES系统查询与分析。

尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述，但本发明并不限于此。在不脱离本发明的精神和实质的前提下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换，而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。