一种基于机器学习和工业物联网的智能制造行业参数寻优方法技术

本发明专利技术公开了一种基于机器学习和工业物联网的智能制造行业参数寻优方法，包括以下步骤：S1、搭建工业物联网系统，将底层设备连入其中，同时提取其运行数据；S2、分析智能生产线的工艺步骤，搭建其数字化生产模型，将采集来的数据与模型中的变量对应起来，并存放在数据库中不同的位置；S3、搭建关联分析模型；S4、搭建序列模型，量化关联性规则；S5、得出生产线不同工段之间的关系，然后搭建灰色模型计算不同工段之间数据的变化趋势。本发明专利技术通过导入工业物联网系统，使生产数据做到集中收集、集中清洗、集中处理，为后续工作提供数据支持，通过机器学习模型计算每一部分的最优值，工程师以此为基准值调节，降低了大量的调试工作量。

【技术实现步骤摘要】
一种基于机器学习和工业物联网的智能制造行业参数寻优方法
本专利技术涉及工业智能生产线
，更具体涉及一种基于机器学习和工业物联网的智能制造行业参数寻优方法，通过构建的数字化、智能化生产线模型，自动的调节每一个子部分的参数。
技术介绍
目前，生产线上每个单元均为独立单元，每个单元均是通过定时触发、传感器触发、单元之中的PLC触发三种方式进行衔接，彼此之间没有相关性，对后期导入模型算法造成了很大的困难。目前市场上的公司，在遇到生产线上产品变化时，先是人工通过调节每一部分的程序或参数，最后将调好的产线运行，在动态环境中，查看调节的效果，按照生产线运行对每一部分的影响，再次调节每一部分的程序或参数，导致效率较低下，且在修改程序或参数的过程中无法对生产线整体的运行进行把控，每次调试都会照成浪费，反复若干次后，浪费就很严重了。生产线在运行过程中，当原料有变化后，会对后面工段的设备造成影响，此时往往就需要相关技术人员进行参数调节，需要工程师人工调节每一部分的程序和参数，最后再反复尝试，直到满足工艺要求，往往为了满足不同工段的要求，降低了生产能力，人工调试效率低下，浪费严重，所以就面临生产线的刚性大而柔性不足的问题。生产线上设备相互独立，彼此之间没有实现数据共享，当某一环节出现问题，后续工段无法及时调整生产方式，必然会将问题层层传导，产品无法达到合格标准，提高了废品率。同时在生产的过程中，生产数据都是保存在本地，当传感器出现故障时可能造成数据丢失、数据缺失、数据不连续现象，而维护人员不能及时获取设备信息，无法做到及时排除故障，最终造成生产线效能的下降。
技术实现思路
本专利技术需要解决的技术问题是提供一种基于机器学习和工业物联网的智能制造行业参数寻优方法，以解决生产线上设备相互独立，彼此之间没有实现数据共享，当某一环节出现问题，后续工段无法及时调整生产方式，人工调试效率低下，浪费严重的问题，以利用工业物联网系统，将生产线上的设备连入网中，实现数据统一上传，统一处理，为后续模型导入提供基础支撑，以减轻大量的工作量，保证保证产品的质量，以实现整条产线效能最大。为解决上述技术问题，本专利技术所采取的技术方案如下。基于机器学习和工业物联网的智能制造行业参数寻优方法，包括以下步骤：S1、搭建工业物联网系统，将底层设备连入其中，使生产数据导入到数据池内；S2、分析智能生产线的工艺步骤，搭建其数字化生产模型，将采集来的数据与模型中的变量对应起来，并存放在数据库中不同的位置；S3、根据工艺逻辑关系，搭建关联分析模型，将数据库中的数据导入模型中，构建生产线的频繁项集，再对频繁项集进行剪枝，产生新的项集，计算其相应的数据，最后产生数据模型的规则；S4、搭建序列模型，量化关联性规则；构建一个序列数据集，每一行记录与一个特定的对象相关联的一些事件，在给定时刻输出，根据输出的序列刻画其长度和出现事件，则相关的序列属性对应不同工段数据在序列中的位置；S5、经过上述步骤S1至步骤S4的分析后，即可得出生产线不同工段之间的关系，然后搭建灰色模型计算不同工段之间数据的变化趋势，并对已完成的数据进行生成处理，探索系统整体变化的规律，然后生成有规律性的序列数据，导入搭建好的模型中，当某一个工段或几个工段数据变化后，预测后面工段的最优参数。进一步优化技术方案，所述工业物联网系统包括树状拓扑的第一子网和第二子网，第一子网包括与底层设备通过工业通讯协议进行通讯的组态软件，第一子网和第二子网分别通过交换机与服务器进行通讯，第一子网与与服务器之间、第二子网与服务器之间分别利用TCP/IP协议传输数据。进一步优化技术方案，所述底层设备包括工业机器人、PLC、变频器、激光焊接机、传感器、伺服电机。进一步优化技术方案，所述步骤S2中，工业物联网系统的采集方式包括：工业机器人的数据采集、PLC的数据采集、传感器的数据采集、激光焊接机的数据采集、设备耗电量的数据采集。进一步优化技术方案，所述步骤S2的具体步骤包括：S21、通过组态软件将整条生产线的搭建起来，同时将现场的工业机器人、PLC、激光焊接机通过ModbusTCP/IP协议连接至组态画面上，实时显示运行数据；S22、组态程序中设定实际值和参考值，实际值显示现场运行的数据，参考值显示算法计算后的数据；S23、通过工艺分析设定上下限报警值，当采集的数据达到报警值时，及时发出声光报警；S24、现场设置协议转换器，将不带协议的传感器接入，以ModbusTCP/IP协议输出；S25、数据采集、过滤后存入MySQL数据库中。进一步优化技术方案，通过分析生产工艺，所述步骤S3的具体步骤包括：S31、整条智能生产线的工位个数，核心设备个数a，相同的时间间隔采集次数b，用表示，采集核心设备的数据利用Pearson相关系数法构建设备数据的Pearson相关系数矩阵；S32、数据部分用[X(1)，…，X(b)]表示，预测部分用Y表示，预测部分为设备运行时产线的产能效，分析当参数变换后对产能的影响；S33、对结果进行分析，判断各属性之间是否存在多重共线性，关注数据的变化，同时对各个属性进行进一步筛选；S34、判断数据的变化都是否连续变化；若数据的变化都是连续变化的，且仅正态分布的单峰分布，同时数据之间存在线性关系，导入Person相关模型，并对Person相关模型进行改造；S35、绘制相关性热力图；S36、所提取的数据存在多重共线性，导入预测模型前要经过预处理。进一步优化技术方案，所述步骤S36中，导入预测模型前要经过Lasso回归模型处理，并对Lasso回归模型进行优化。进一步优化技术方案，所述步骤S4中，将设备[X1～Xb]的数据按时间戳增序排列，得到关于效能预测值Y的一个序列集，序列集中的序列包含所有序列所占的比例；设定阈值minsup，序列≥minsup，为频繁序列；序列≤minsup，为非频繁序列；所述步骤S4的具体步骤包括：S41、采用负相关模式对序列进行处理；S42、挖掘负模式应用到项目中；S43、每个设备数据看做一个变量，采用支持度的方式计算。进一步优化技术方案，所述步骤S5的具体步骤包括：S51、搭建GM(1，1)模型；S52、将设备数据导入GM(1，1)模型，计算参数方程中参数；S53、将参数方程中参数带入微分方程求解；S54、进行模型检验；S55、预测结果。进一步优化技术方案，所述步骤S54中，模型检验的方法包括后验差检验法和平均相对误差检验法。由于采用了以上技术方案，本专利技术所取得技术进步如下。本专利技术通过导入工业物联网系统，使生产数据做到集中收集、集中清洗、集中处理，为后续工作提供数据支持，打破“数据孤岛”现象，本专利技术通过机器学习模型计算每一部分的最优值，工程师以此为基准值调节，降低了大量的调试工作量。本专利技术通过模型计算预测本文档来自技高网...

【技术保护点】
1.基于机器学习和工业物联网的智能制造行业参数寻优方法，其特征在于，包括以下步骤：/nS1、搭建工业物联网系统，将底层设备连入其中，使生产数据导入到数据池内；/nS2、分析智能生产线的工艺步骤，搭建其数字化生产模型，将采集来的数据与模型中的变量对应起来，并存放在数据库中不同的位置；/nS3、根据工艺逻辑关系，搭建关联分析模型，将数据库中的数据导入模型中，构建生产线的频繁项集，再对频繁项集进行剪枝，产生新的项集，计算其相应的数据，最后产生数据模型的规则；/nS4、搭建序列模型，量化关联性规则；构建一个序列数据集，每一行记录与一个特定的对象相关联的一些事件，在给定时刻输出，根据输出的序列刻画其长度和出现事件，则相关的序列属性对应不同工段数据在序列中的位置；/nS5、经过上述步骤S1至步骤S4的分析后，即可得出生产线不同工段之间的关系，然后搭建灰色模型计算不同工段之间数据的变化趋势，并对已完成的数据进行生成处理，探索系统整体变化的规律，然后生成有规律性的序列数据，导入搭建好的模型中，当某一个工段或几个工段数据变化后，预测后面工段的最优参数。/n

【技术特征摘要】
1.基于机器学习和工业物联网的智能制造行业参数寻优方法，其特征在于，包括以下步骤：
S1、搭建工业物联网系统，将底层设备连入其中，使生产数据导入到数据池内；
S2、分析智能生产线的工艺步骤，搭建其数字化生产模型，将采集来的数据与模型中的变量对应起来，并存放在数据库中不同的位置；
S3、根据工艺逻辑关系，搭建关联分析模型，将数据库中的数据导入模型中，构建生产线的频繁项集，再对频繁项集进行剪枝，产生新的项集，计算其相应的数据，最后产生数据模型的规则；
S4、搭建序列模型，量化关联性规则；构建一个序列数据集，每一行记录与一个特定的对象相关联的一些事件，在给定时刻输出，根据输出的序列刻画其长度和出现事件，则相关的序列属性对应不同工段数据在序列中的位置；
S5、经过上述步骤S1至步骤S4的分析后，即可得出生产线不同工段之间的关系，然后搭建灰色模型计算不同工段之间数据的变化趋势，并对已完成的数据进行生成处理，探索系统整体变化的规律，然后生成有规律性的序列数据，导入搭建好的模型中，当某一个工段或几个工段数据变化后，预测后面工段的最优参数。


2.根据权利要求1所述的基于机器学习和工业物联网的智能制造行业参数寻优方法，其特征在于，所述工业物联网系统包括树状拓扑的第一子网和第二子网，第一子网包括与底层设备通过工业通讯协议进行通讯的组态软件，第一子网和第二子网分别通过交换机与服务器进行通讯，第一子网与与服务器之间、第二子网与服务器之间分别利用TCP/IP协议传输数据。


3.根据权利要求1或2所述的基于机器学习和工业物联网的智能制造行业参数寻优方法，其特征在于，所述底层设备包括工业机器人、PLC、变频器、激光焊接机、传感器、伺服电机。


4.根据权利要求3所述的基于机器学习和工业物联网的智能制造行业参数寻优方法，其特征在于，所述步骤S2中，工业物联网系统的采集方式包括：工业机器人的数据采集、PLC的数据采集、传感器的数据采集、激光焊接机的数据采集、设备耗电量的数据采集。


5.根据权利要求3所述的基于机器学习和工业物联网的智能制造行业参数寻优方法，其特征在于，所述步骤S2的具体步骤包括：
S21、通过组态软件将整条生产线的搭建起来，同时将现场的工业机器人、PLC、激光焊接机通过ModbusTCP/IP协议连接至组态画面上，实时显示运行数据；
S22、组态程序中设定实际值和参考值，实际值显示现场运行的数据，参考值显示算法计算后的数据；
S23、通过工艺分析设定上下限报警值，当采集的数据达到报警值时，及时发出声光报警；
S24、现...

【专利技术属性】
技术研发人员：刘金涛，
申请(专利权)人：刘金涛，
类型：发明
国别省市：河北;13