基于树莓派的OEE测量系统

本文还有配套的精品资源,点击获取 menu-r.4af5f7ec.gif

基于树莓派的设备综合效率测量系统

1. 引言

为了在激烈的竞争环境中生存,每个制造商都必须优化其生产流程,以实现最高效率并最小化成本。每个规模合理的公司都有实时衡量其效率的方法,但中小企业(SMEs)未必具备有效手段来获取有关日常运行效率的准确数据。如今,最广泛使用的衡量生产线效率的方法之一是整体设备效率(OEE),该指标最初由中岛(Nakajima)作为全面生产维护(TPM)的一项指标提出[1]。最简单的形式下,OEE表示生产线实际运行时间占应运行可用时间的百分比。为了更清晰、更详细地展现生产过程,中岛提出了六大损失,并将其分为三类。这些内容汇总于表1中,其中列出了各项损失与效率组成部分(可用性、性能和质量)之间的关系,并基于生产指标通过公式进行定义。虽然OEE可用于推动生产改进,但首先需要考虑一些潜在问题。尽管在不同机器和平台之间比较OEE可能颇具吸引力,但OEE仅用于衡量内部效率,不应直接与其他生产线进行比较[2]。在使用OEE系统时,应始终关注生产改进本身,而不应被轻易获得的美观图表所迷惑[3]。此外,OEE的定义本身存在一定差异,这使得将一个工厂的OEE与另一个工厂进行比较更加危险且毫无意义[2]。在制定措施以提升某一OEE组成部分时,必须仔细考虑整个流程的整体情况[4]。例如,质量提升1%可能导致性能方面更大的损失。

示意图0 测量系统的简化框图 b) 树莓派与用于传感器连接的电路板,安装在7英寸显示屏背面)

表1. 根据生产线指标和[1]中定义的六大损失对整体设备效率组成部分的定义。

效率组成部分 六大损失
可用性 = 实际生产时间 / 计划生产时间 故障停机 换线/调整
性能 = 实际生产数量 / 计划生产数量 速度降低 空转/轻微停机
质量 = 合格质量产品 / 总生产件数 缺陷/返工率

测量给定生产线的可用性、性能和质量可用于定义更具代表性的整体设备效率(OEE)数值。该数值通过使用以下公式将各个组成部分相乘得到:

$$ OEE = 可用性 × 性能 × 质量 $$

在此方程中,整体设备效率(OEE)与其各个组成部分一样,永远不可能超过100%。可用性是指实际运行时间与计划生产时间之比,因故障停机、非计划性设置和调整而降低。计划内维护停机或劳动合同中约定的工人休息时间不会影响可用性,但除此之外的所有中断都会影响。性能定义为实际生产数量与计划生产数量之比。如果生产线以其最大速度运行且无空载运行,则性能为100%,但任何轻微的停机或速度降低都会使其下降。质量因素考虑了所有必须重新生产的不合格产品,定义为合格质量产品与总生产件数之比。

许多新的自动化生产线已配备必要的软件,能够实时提供生产过程中最重要的指标。根据客户需求,这些指标可能还包括OEE测量。然而,在许多情况下,尤其是在旧系统中,可获取的信息量可能极为有限。在这种情况下,就需要一个专门设计的OEE测量系统。这样的系统通常包括构建某种形式的传感和相关数据采集装置,具备存储和分析传感器数据的能力,并实现一个用户界面以充分利用整个系统。准确地采集数据并识别生产损失,将决定整体设备效率的计算精度[5]。

树莓派计算机已广为人知,截至3月2019[6],其销量已达2500万台。小巧尺寸、合理性能以及支持无线网络的能力使其成为众多不同应用中的理想解决方案。自树莓派1发布以来,其性能逐步提升,撰写本文时最新版本为树莓派4。这带来了更多可能性与创新。树莓派3曾被用作自主机器人的基础平台,该机器人可通过手机上的安卓应用进行控制[7]。萨利赫和奥默使用树莓派3 B型作为视频服务器,能够存储带音频的视频[8]。第一代版本(树莓派1)已具备基于人脸识别实现人数统计的功能[9]。由于体积小且价格低廉,树莓派也成为家庭自动化需求中极具吸引力的解决方案[10]。

2. 整体设备效率的测量系统

在对需求进行评估后,该系统的实现决定采用树莓派2计算机作为基础。在设计该系统时,树莓派2是树莓派系列中最新版本,具备所有必需的I/O接口,支持以太网和无线网络,并且市场上已有一些附加硬件,例如价格低廉的7英寸显示屏。预计其性能足以胜任数据采集任务,同时还能运行所需的网络服务器和数据分析软件。图1展示了该系统的简化框图,包括印刷电路板(PCB)、带显示屏的外壳以及树莓派本身。

2.1. 整体设备效率测量的数据采集单元硬件基本设置

可以仅使用一个传感器进行测量,但在印刷电路板上增加了一些额外的输入,以满足未来可能的扩展需求。这些输入不一定直接与OEE测量相关,也可以用于温度或其他状态监测等。所有四个输入均为光电隔离,系统电源设定为12伏特,以支持多种类型的传感器。从一开始的设计意图就是使该系统能够安装到任何生产线上,而不会干扰工厂的电气或电子设备,仅需连接电源即可。

完整系统组装在一个外壳中,外部接线仅包括一条电源线和一条传感器线。为了评估和开发目的,该外壳还配备了一个7英寸触摸屏和一个USB接口,用于连接鼠标或键盘。该屏幕专为树莓派设计,并设有安装点,可用于将计算机固定在支柱支撑的顶部。本工作的印刷电路板设计为也可连接到这些相同的安装点,并在上方额外的支柱支撑上安装树莓派,从而形成如图1b所示的三明治式安装。这样可以最大限度地减小测量单元的尺寸,在不需要屏幕时可将其安装在非常小的外壳中。

2.2. 分析与报告软件

在树莓派上安装了MySQL数据库用于数据存储,开发了一个简单的命令行程序来捕获并将传感器数据存储到数据库中。该程序在计算机开机时自动启动。为了充分利用所收集的数据,需要一个分析软件来计算与OEE测量相关的各项数据以及系统可获取的所有其他相关指标。最重要的是,该软件被用于日常生产监控,并为如何改进生产的决策提供重要支持。为此开发了一款Windows桌面应用程序,其主窗口如图2所示。通过两个日历来选择关注日期,程序会自动计算该时间段内的整体设备效率及其各个组成部分以及其他各种指标。图表可一目了然地显示每日或每小时(若仅选择一天)的生产零件数量、停机时长以及复制品数量。

通过点击一个按钮,可以查看所选时间段内停机的更详细视图。报告以降序排列的方式展示每个原因对应的总时间及停机次数。这些数据可用于详细了解生产未运行时的时间消耗情况。周报将显示已采取的措施是否达到了预期结果,或是否需要进一步改进。借助节拍时间和当日生产数量,可以实时查看生产情况。

示意图1

2.3. 图形用户界面

Lighttpd网页服务器已安装,使用PHP包作为图形用户界面(GUI)开发的基础。高可用性OEE测量系统的一个关键特性是清晰直观的图形用户界面,可有效用于收集用户数据并与传感器数据关联。该界面需要设计得尽可能减少对日常工作的干扰,并降低向系统输入必要信息所需的工作量。经过一些优化后,GUI呈现出图3所示的形式。选择网页界面是因为手持设备(如平板电脑或手机)可以轻松访问,同时也减少了与系统交互所需的时间。

最重要的功能是最近停机列表。如果在预设时间后未观察到生产,系统将在列表上创建一个新事件,提示用户需要进行交互。为了最小化输入该信息所需的时间,当点击一次新的停机时,将打开一个预制列表。该列表(可由管理层编辑)包含停机常见原因,仅在特殊情况下才需要手动输入。仅列出最近五次停机(若距离停机发生已过去较长时间,则输入的不确定性会增加),且在停机显示于列表期间,可随时输入原因。遗漏或错误输入可由管理层通过之前介绍的分析软件进行修正。

质量组件计算基于用户存储的复制品部件数量进行处理。参与本研究的工厂每天仅进行一次复制品生产,通常在最后一个班次结束时完成。图形用户界面设计为可在一天中的任何时间输入复制品数量,从而尽可能减少对生产本身的干扰。复制品数量也可自动统计,但由于传感器无法区分复制品,因此仍需要用户输入。

示意图2

图3所示的界面还显示了一些设计的可选元素。这些元素包括可用于跟踪班次时间和咖啡和用餐休息时长的按钮。如果希望工人随时了解生产速度,还可以显示节拍时间。最后,该系统还可用于存储带有产品编号的生产信息,这一功能在生产线上并非总是容易实现,尤其是在较老的生产线上。

3. 工厂环境中的实验运行

我们有机会在两家工厂进行的系统应用于木材加工生产线,产品通过传送带移动。这使得测量系统的安装变得简便,因为只需确认安装位置有电力供应,并且仅需一个传感器即可跟踪生产线上的产品。为传感器制作了一个支架,并在两种情况下都将其安装在生产线末端,以记录每个经过的产品。生产线上任何位置的停机都会导致整条生产线停止,因此使用一个传感器即可同时实现监控和计数。外壳固定在墙上,以免影响生产线的日常操作。

其中一个系统被留在工厂产线上,至今已运行三年多,期间记录了超过三百万件产品。系统的正常运行时间超过了99.99%,仅有一例停机情况被记录,但停机原因尚不明确。该问题通过一次简单的断电重启操作得以解决,此后未再发生。在系统记录了超过两百万个样本后,出现了另一个问题。

所有产品均存储在一个数据库表中,每条记录对应一件产品,此时从该表执行查询语句需要数秒钟,影响了用户体验。该问题通过在每天结束时将数据汇总为按小时统计的方式得以解决。这样既没有丢失任何重要数据,又使数据库表大小减少了99%,查询时间缩短至约0.3秒。

图形用户界面和分析软件都是在最初几个月内与操作人员和管理层共同使用并逐步改进的,最终形成了本文前面所述的版本。这正是大多数软件开发应有的方式,即与最终用户保持密切沟通,倾听并响应他们的反馈。对原始图形用户界面的一项重大修改是复制品数量的收集方式。

最初,系统设置了一个按钮,在复制品开始和结束时使用,但后来发现有时会被遗忘,而工人已经准确知道每日的数量,因此直接输入每日数据会更加简便。此外,还在软件设置中增加了一个选项,使管理层能够更改每周计划的工作时间,从而从系统中获得可用性组件的准确呈现。

由于使用了该测量系统,工厂能够找到导致停机的一些根本原因,并找到了提高生产效率的方法。遗憾的是,由于保密协议,这些内容无法在此详细讨论。

4. 结论

一个完整的系统——结合硬件、软件和图形用户界面的OEE测量系统已在真实工厂环境中开发并进行了三年多的全面测试。研究表明,像树莓派这样非常经济高效的解决方案可以成功应用于工厂环境。该系统被证明极为可靠,能够处理与数据存储、分析以及更新图形用户界面相关的所有任务。本工作的主要目的是帮助工厂以经济高效的方式分析其自身生产情况。研究显示,构建可用于提高制造业效率的系统,并不需要特殊且昂贵的硬件或复杂的软件开发。

已经博主授权,源码转载自 https://pan.quark.cn/s/25aecddb24dc UDS诊断协议ISO 14229-6作为ISO 14229国际标准的一部分,专注于车辆诊断系统的构建。UDS诊断协议ISO 14229-6是UDS标准中的一个组成部分,它明确规定了车辆诊断系统中的服务接口与协议。 UDS诊断协议ISO 14229-6的核心目标在于建立一个通用的诊断接口,以便于车辆诊断系统与诊断工具之间进行有效的通信。该协议详细规定了诊断服务、诊断会话、数据交换格式等层面的规范。 UDS诊断协议ISO 14229-6的构成主要包括以下几个核心要素: 1. 诊断服务:界定了车辆诊断系统中各类诊断服务的接口,涵盖了诸如读取诊断故障码、清除故障信息、获取车辆参数等操作。 2. 诊断会话:界定了诊断工具与车辆诊断系统之间进行通信的会话过程,包括会话的建立、数据的交互、会话的终止等环节。 3. 数据交换格式:界定了诊断数据在交换过程中的格式,涉及数据类型、数据长度、数据编码等细节。 UDS诊断协议ISO 14229-6的应用范围十分广泛,涵盖了汽车领域、卡车领域、摩托车领域等多个行业。该协议的实施有助于提升车辆诊断的效率与准确性,从而优化车辆维修与维护的整体质量。 UDS诊断协议ISO 14229-6的优势体现在: 1. 通用性:UDS诊断协议ISO 14229-6适用于多种类型的车辆诊断系统,包括汽车、卡车、摩托车等。 2. 可扩展性:该协议定义了一个开放式的接口,支持新的诊断服务和诊断工具的开发与整合。 3. 可靠性:UDS诊断协议ISO 14229-6定义了一个稳定的诊断接口,保障了诊断数据的精确性和可靠性。 UDS诊断协议ISO 14229-6是一个兼具功能强大...
内容概要:本文围绕【多变量输入超前多步预测】这一核心任务,提出了一种基于CNN-BiGRU神经网络模型的光伏发电功率预测方法,并提供了完整的Matlab代码实现。研究综合利用历史辐照度、温度、湿度等多种气象与运行变量作为输入特征,通过卷积神经网络(CNN)提取局部时空特征,再结合双向门控循环单元(BiGRU)捕捉时间序列的前后向长期依赖关系,从而构建高精度的超前多步预测模型。该方法不仅提升了光伏功率预测的时间跨度与准确性,还增强了模型对复杂天气变化的适应能力,具备较强的工程应用价。文章涵盖了从数据预处理、模型构建、训练优化到实验结果分析的全流程,展示了详细的仿真结果与性能对比,验证了所提模型的有效性与优越性。; 适合人群:具备一定机器学习与时间序列分析基础,从事新能源预测、电力系统调度或相关领域研究的研发人员及高校研究生。; 使用场景及目标:①应用于光伏电站的功率预测系统,支持电网调度、能量管理与电力市场交易;②为研究人员提供多变量时间序列预测的深度学习模型实现范例,促进相关算法的二次开发与性能优化;③作为教学案例,帮助学生理解CNN与RNN类模型在实际工程问题中的融合应用。; 阅读建议:建议读者结合Matlab代码与文中描述逐步复现模型,重点关注数据预处理流程与网络结构设计细节,并尝试调整模型参数或引入注意力机制(Attention)以进一步提升预测性能。
内容概要:本文提出了一种融合扩散映射、线性卡尔曼滤波与Koopman算子的非参数方法,用于高维非线性随机动力系统的状态估计,系统演化遵循具有各向同性扩散的梯度流模型。该方法通过扩散映射揭示系统潜在的低维流形结构,利用Koopman算子将非线性动力学转化为无限维线性系统进行表征,并结合线性卡尔曼滤波实现高效的状态估计与预测。整个框架无需显式建模系统方程,具备良好的数据驱动特性与噪声鲁棒性,特别适用于复杂、高维且具有强非线性的动态系统分析,文中同时提供了基于Matlab的完整代码实现,便于理论验证与实际应用。; 适合人群:具备扎实线性代数、随机过程、非线性动力系统及数分析基础,从事系统建模、状态估计、数据驱动控制或复杂系统分析的研究生、科研人员及工程技术专家。; 使用场景及目标:①对高维非线性系统进行降维与内在几何结构分析;②在噪声干扰下实现系统状态的精确估计与未来演化趋势预测;③应用于能源系统、航空航天、生物信息、气候建模等领域的复杂动态系统建模与监控任务。; 阅读建议:建议读者在熟悉流形学习、算子理论与滤波算法的基础上,结合提供的Matlab代码逐模块调试与实验,重点关注扩散映射的尺度参数选择、Koopman模态的物理意义解释以及卡尔曼滤波在嵌入空间中的适用性,从而深入理解该方法的数学基础与工程实现细节。
代码下载链接: https://pan.quark.cn/s/eefe8584d0f7 本次竞赛仅开源了基础功能的初始版本demo实现,后续版本提升了性能,采用了yoloV3模型执行垃圾分类检测任务,并由机械臂负责垃圾的分拣工作。垃圾分类数据集进行了重新采集,同时增设了具备用户查询垃圾分类信息及反馈功能的小程序,请务必仔细查阅ReadMe文件,ReadMe文件,ReadMe文件,B站视频介绍链接为:https://www.bilibili.com/video/av80830870,交流群号:1074171553。分享者并非重点院校毕业生,而是2021年考研的普通学生,如果这个项目对您有所助益,欢迎为项目贡献一个star,无论是作为备考学生的毕业设计项目,还是直接用于二次开发参加竞赛,均无任何问题,开源项目的精神在于互助共赢,但请务必尊重他人的劳动成果,我们都是同辈人,心怀纯净,林间清风。所需物料清单如下:树莓派1台、pca9685型号的16路舵机驱动板1块、7寸触摸显示屏1个、MG996R舵机4个、垃圾桶4个、usb接口无需驱动的摄像头1个、树莓派GPIO扩展板转接线柱1套、若干硅胶航模导线。环境需求说明:1.开发环境配置用于神经网络构建—需使用python语言,依赖库包括tensorflow和keras,训练数据源为华为云2019年垃圾分类大赛提供,训练图片获取地址:https://developer.huaweicloud.com/hero/forum.php?mod=viewthread&tid=24106,下载图片文件后,应解压缩并将文件命名为garbage_classify,放置于垃圾分类-本地训练的根目录位置,神经网络开源模型存放在resnet50 ...
不平衡电网下基于延时相消法(DSC)的T型三电平LCL逆变器(Simulink仿真实现)内容概要:本文研究了在不平衡电网条件下,基于延时相消法(DSC)的T型三电平LCL逆变器的控制策略,并通过Simulink进行仿真实现。文章重点分析了弱电网环境下光伏并网系统面临的谐波振荡、电流畸变和无功波动等问题,指出传统同步旋转坐标系分析方法的局限性,提出采用序阻抗分析法来解耦正负序分量,精确刻画逆变器与电网的交互特性。研究构建了考虑锁相环(PLL)频率耦合、数字控制延时、LCL滤波器谐振等多因素的高精度正负序阻抗模型,并通过小信号扫频仿真完成了阻抗辨识与模型验证。基于Nyquist和Bode图稳定判据,深入分析了弱电网下系统的频域稳定性,揭示了负序通道因相位滞后更严重而成为失稳主导通道的机理,为提升逆变器在复杂电网下的稳定运行能力提供了理论依据和技术方案。; 适合人群:具备电力电子、自动控制理论基础,从事新能源并网、逆变器控制、电力系统稳定性分析等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:① 掌握在不平衡和弱电网工况下,T型三电平逆变器的先进控制与稳定性分析方法;② 学习并应用序阻抗建模、小信号扫频辨识、频域稳定判据(如Nyquist判据)等关键技术,用于分析和解决工程实践中由电网阻抗引起的宽频带振荡问题;③ 通过Simulink仿真复现和验证理论模型,加深对PLL耦合效应、负序通道失稳等核心机理的理解。; 阅读建议:学习者应结合Simulink仿真工具,动手搭建文中所述的系统模型,重点关注锁相环、电流内环和LCL滤波器的建模细节。在理解理论推导的基础上,亲自执行扫频辨识实验,将仿真结果与理论Bode/Nyquist图进行对标,从而深刻掌握从建模、辨识到稳定性分析的完整研究流程。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值