一种智能制造系统余寿的预测方法及装置制造方法及图纸

本发明专利技术涉及智能制造系统使用寿命预测技术领域，具体涉及一种智能制造系统余寿的预测方法及装置，通过采集智能制造设备的工况数据，作为输入数据，将智能制造设备的剩余寿命值作为输出数据；从而建立智能制造设备余寿预测的深度置信网络；通过实时采集智能制造设备的输入数据，计算智能制造设备的剩余寿命值，不仅可以对零部件进行准确预测，也可以对智能制造系统进行准确预测。

【技术实现步骤摘要】
一种智能制造系统余寿的预测方法及装置
本专利技术涉及智能制造系统使用寿命预测
，具体涉及一种智能制造系统余寿的预测方法及装置。
技术介绍
随着社会的进步，大量设备都朝着大型化的方向发展。在这样的背景前提下，微小的故障就会造成巨大的损失，因此对设备或构件的剩余寿命进行预测是必要且紧迫的。设备剩余寿命(RemainingUsefulLife，RUL)可以分为数据驱动方法和模型驱动方法两类，数据驱动方法又可分为统计方法和人工智能方法。模型驱动方法主要是针对不同的研究对象建立物理模型或者人工智能模型。物理模型主要由一些具备专门知识的专家用大量数据来验证模型的有效性，人工智能的专家系统则是利用一系列的逻辑关系，把系统的逻辑表示出来。这种方法与数据驱动的预测方法相比有一个很明显的优点是，它不需要搜集那么多的数据就可以把系统的故障逻辑表示出来，但是需要专家的支持来进行知识的表示，并且可能丢失一些非线性和相互关联的关系；利用属于人工智能的神经网络也可以进行预测，但是对于稍微复杂一些的系统，各部件之间的逻辑关系很难表达出来。
技术实现思路
本专利技术提供一种智能制造系统寿命及余寿的预测方法及装置，不仅可以对零部件进行准确预测，也可以对智能制造系统进行准确预测。本专利技术提供的一种智能制造系统余寿的预测方法，包括以下步骤：步骤S1、采集智能制造设备的工况数据，作为输入数据，将智能制造设备的剩余寿命值作为输出数据；步骤S2、建立智能制造设备余寿预测的深度置信网络；步骤S3、实时采集智能制造设备的输入数据，计算智能制造设备的剩余寿命值。进一步，所述工况数据包括：工况的初始状态概率分布P(X0)，即t＝0时刻的状态先验概率分布；工况的状态转移概率分布P(Xt|Xt-1)，即工况状态之间转换的概率；工况的观测变量概率分布P(Yt|Xt)，即在时刻t剩余寿命值为Xt的情况下，观测变量Yt的概率分布；智能制造设备的刀具、模具、工具的磨破损等级。进一步，所述步骤S2具体包括：步骤S21、根据t＝0时刻的工况初始状态P(X0)进行采样得到N个样本构成的总体：步骤S22、在给定样本当前值Xt的条件下，通过工况的状态转移概率分布P(Xt+1|Xt)对于每个样本对下一个状态值Xt+1进行采样，使得每个样本向前传播；步骤S23、通过赋予每个样本新观测变量的似然值P(Yt+1|Xt+1)进行加权；步骤S24、对总体样本重新采样，以生成一个新的N样本总体，从当前的总体中选出每个新样本；步骤S25、跳转步骤S22，对每个时间片进行更新循环，直至选出的每个新样本的概率与其权值成正比。进一步，所述步骤S3具体包括：计算P(XT|Y1:T)，选择P(XT|Y1:T)最大时的XT的值作为智能制造设备的剩余寿命值。本专利技术提供的一种智能制造系统余寿的预测装置，所述装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当所述计算机程序指令被所述处理器执行时，触发所述装置执行上述任一所述的方法。本专利技术的有益效果是：本专利技术公开一种基于深度学习的工业传感器故障预测方法及系统，通过采集智能制造设备的工况数据，作为输入数据，将智能制造设备的剩余寿命值作为输出数据；从而建立智能制造设备余寿预测的深度置信网络；通过实时采集智能制造设备的输入数据，计算智能制造设备的剩余寿命值，不仅可以对零部件进行准确预测，也可以对智能制造系统进行准确预测。附图说明下面结合附图和实例对本专利技术作进一步说明。图1是本专利技术实施例一种智能制造系统余寿的预测方法的流程示意图。具体实施方式参考图1，本专利技术提供的一种智能制造系统余寿的预测方法，包括以下步骤：步骤S1、采集智能制造设备的工况数据，作为输入数据，将智能制造设备的剩余寿命值作为输出数据；步骤S2、建立智能制造设备余寿预测的深度置信网络；步骤S3、实时采集智能制造设备的输入数据，计算智能制造设备的剩余寿命值。进一步，所述工况数据包括：工况的初始状态概率分布P(X0)，即t＝0时刻的状态先验概率分布；工况的状态转移概率分布P(Xt|Xt-1)，即工况状态之间转换的概率；工况的观测变量概率分布P(Yt|Xt)，即在时刻t剩余寿命值为Xt的情况下，观测变量Yt的概率分布；智能制造设备的刀具、模具、工具的磨破损等级。进一步，所述步骤S2具体包括：步骤S21、根据t＝0时刻的工况初始状态P(X0)进行采样得到N个样本构成的总体：步骤S22、在给定样本当前值Xt的条件下，通过工况的状态转移概率分布P(Xt+1|Xt)对于每个样本对下一个状态值Xt+1进行采样，使得每个样本向前传播；步骤S23、通过赋予每个样本新观测变量的似然值P(Yt+1|Xt+1)进行加权；步骤S24、对总体样本重新采样，以生成一个新的N样本总体，从当前的总体中选出每个新样本；步骤S25、跳转步骤S22，对每个时间片进行更新循环，直至选出的每个新样本的概率与其权值成正比。进一步，所述步骤S3具体包括：计算P(XT|Y1:T)，选择P(XT|Y1:T)最大时的XT的值作为智能制造设备的剩余寿命值。本专利技术提供的一种智能制造系统余寿的预测装置，所述装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当所述计算机程序指令被所述处理器执行时，触发所述装置执行上述任一所述的方法。以上所述，只是本专利技术的较佳实施例而已，本专利技术并不局限于上述实施方式，只要其以相同的手段达到本专利技术的技术效果，都应属于本专利技术的保护范围。本文档来自技高网...

【技术保护点】
1.一种智能制造系统余寿的预测方法，其特征在于，包括以下步骤：步骤S1、采集智能制造设备的工况数据，作为输入数据，将智能制造设备的剩余寿命值作为输出数据；步骤S2、建立智能制造设备余寿预测的深度置信网络；步骤S3、实时采集智能制造设备的输入数据，计算智能制造设备的剩余寿命值。

【技术特征摘要】
1.一种智能制造系统余寿的预测方法，其特征在于，包括以下步骤：步骤S1、采集智能制造设备的工况数据，作为输入数据，将智能制造设备的剩余寿命值作为输出数据；步骤S2、建立智能制造设备余寿预测的深度置信网络；步骤S3、实时采集智能制造设备的输入数据，计算智能制造设备的剩余寿命值。2.根据权利要求1所述的一种智能制造系统余寿的预测方法，其特征在于，所述工况数据包括：工况的初始状态概率分布P(X0)，即t＝0时刻的状态先验概率分布；工况的状态转移概率分布P(Xt|Xt-1)，即工况状态之间转换的概率；工况的观测变量概率分布P(Yt|Xt)，即在时刻t剩余寿命值为Xt的情况下，观测变量Yt的概率分布；智能制造设备的刀具、模具、工具的磨破损等级。3.根据权利要求2所述的一种智能制造系统余寿的预测方法，其特征在于，所述步骤S2具体包括：步骤S21、根据t＝0时刻的工况初始状态P(X0)进行采样得到N个样本构成的总体：...

【专利技术属性】
技术研发人员：张彩霞，王向东，王新东，
申请(专利权)人：佛山科学技术学院，
类型：发明
国别省市：广东,44