基于卷烟设备运行数据的设备维修预测方法技术

本发明专利技术公开了一种基于卷烟设备运行数据的设备维修预测方法，本发明专利技术的主要设计构思在于，运用多模数据进行设备状态管理和故障预测，对客观反映设备运行状态的参数实行连续监测，通过采集运行参数并进行数据处理后，训练用于进行维修预测的神经网络，训练后根据设备真实运行参数结合该神经网络评价设备的需保养程度，针对所需的目标运行状态得分给出与之相适应的维护计划，可有效提高设备运行的可靠性，实现设备检修差异化管理，助推卷烟、烟草生产过程的智能制造。产过程的智能制造。产过程的智能制造。

【技术实现步骤摘要】
基于卷烟设备运行数据的设备维修预测方法


[0001]本专利技术涉及卷烟制造领域，尤其涉及一种基于卷烟设备运行数据的设备维修预测方法。

技术介绍

[0002]作为卷烟、烟草生产过程中的关键部分，生产设备的运转状态直接关系加工过程，进而影响产品的质量、企业的生产计划和运营成本。并且，设备性能会随着运行时间的延长而下降，而设备的运行状态的变化也会对加工过程产生影响，此外，设备及其部件的磨损会造成加工过程的能耗增加，因而，本行业亟需一种针对卷烟设备运行状态进行可靠、准确维修预判的解决方案。

技术实现思路

[0003]鉴于上述，本专利技术旨在提供一种基于卷烟设备运行数据的设备维修预测方法，从而弥补本行业对于卷烟设备维修预测的不足。
[0004]本专利技术采用的技术方案如下：
[0005]一种基于卷烟设备运行数据的设备维修预测方法，其中包括：
[0006]从卷烟设备PLC中采集学习样本数据，并规整为输入参数和输出参数；
[0007]对所述输入参数进行归一化处理，得到目标输入参数；
[0008]对所述输出参数进行离散化处理，得到目标输出参数；
[0009]将所述目标输入参数与所述目标输出参数代入预先搭建的GA
‑
BP神经网络中进行训练；
[0010]训练完成后，实时采集设备运行数据信息；
[0011]将所述设备运行数据信息输入所述GA
‑
BP神经网络中，并由所述GA
‑
BP神经网络输出设备运行数据信息；
[0012]根据所述设备运行数据信息，生成维护计划报告。
[0013]在其中至少一种可能的实现方式中，所述对所述输入参数进行归一化处理包括：对所述输入参数中的数值型数据进行归一化处理。
[0014]在其中至少一种可能的实现方式中，所述归一化处理包括将数值型数据处理为0～1之间的数据。
[0015]在其中至少一种可能的实现方式中，所述对所述输出参数进行离散化处理包括对所述输出参数中的非数值型数据进行离散化处理。
[0016]在其中至少一种可能的实现方式中，所述离散化处理包括：
[0017]根据预先建立的历史维修模型，确定威布尔分布参数，并构造系统性能衰退模型；
[0018]根据非数值型的所述输出参数以及系统性能衰退模型，得到当前卷烟设备的运行状态可靠性；
[0019]基于役龄回退模型对所述运行状态可靠性进行分析，得到所述目标输出参数。
[0020]在其中至少一种可能的实现方式中，所述基于役龄回退模型对所述运行状态可靠性进行分析包括：
[0021]为历史数据中每一次维修动作建立役龄回退模型，以此更新所述运行状态可靠性；其中所述维修动作预设有多种不同的维修程度等级。
[0022]在其中至少一种可能的实现方式中，所述根据所述设备运行数据信息，生成维护计划报告包括：
[0023]将所述设备运行数据信息预设的标准值或分值区间进行比对；
[0024]基于比对结果，预测维修可行性或维修程度。
[0025]在其中至少一种可能的实现方式中，所述学习样本数据包括：工艺参数、维护参数、环境参数和电能参数。
[0026]本专利技术的主要设计构思在于，运用多模数据进行设备状态管理和故障预测，对客观反映设备运行状态的参数实行连续监测，通过采集运行参数并进行数据处理后，训练用于进行维修预测的神经网络，训练后根据设备真实运行参数结合该神经网络评价设备的需保养程度，针对所需的目标运行状态得分给出与之相适应的维护计划，可有效提高设备运行的可靠性，实现设备检修差异化管理，助推卷烟、烟草生产过程的智能制造。
附图说明
[0027]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步描述，其中：
[0028]图1为本专利技术实施例提供的基于卷烟设备运行数据的设备维修预测方法的流程图。
具体实施方式
[0029]下面详细描述本专利技术的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。
[0030]本专利技术提出了一种基于卷烟设备运行数据的设备维修预测方法的实施例，具体来说，如图1所示，其中包括：
[0031]步骤S1、从卷烟设备PLC中采集学习样本数据，并规整为输入参数和输出参数，所述学习样本数据包括工艺参数、维护参数、环境参数和电能参数；
[0032]具体地，其中所述工艺参数可以包括：含水率、物料流量、蒸汽流量、水流量、当前时间和停机时间；所述维护可以参数包括：电机振动状态、蒸汽疏水阀出入口温度和设备润滑度；所述环境参数可以包括：环境温度和环境湿度；所述电能参数可以来自预先构建的多模态能耗数据采集处理系统，具体地，所述电能参数可以包括：三相相电压、三相线电压、三相有功功率、三相无功功率、三相功率因数、频率、有功电能、无功电能、相位和总电能。
[0033]根据实际需求以及模型训练目标，可以将所述学习样本数据划分为不同类型，即输入参数与输出参数如下表所示。
[0034][0035][0036]步骤S2、对所述输入参数进行归一化处理，得到目标输入参数；
[0037]由于学习样本数据的单位不统一，无法传入后续的神经网络操作，因此，此阶段优选对所述输入参数中的数值型数据进行归一化，例如可将数值型数据处理为[0，1]之间的数据，以此消除原始数据单位差异的影响，归一化可参考如下公式：
[0038][0039]其中，x
i
表示归一化后的数据；x表示未处理的数据；x
min
表示未经处理数据的最小值；x
max
表示未经处理数据的最大值。
[0040]步骤S3、对所述输出参数进行离散化处理，得到目标输出参数；
[0041]在实际操作中，可以结合基于Malik的役龄回退模型实现；并且，所述输出参数中的数据中存在数值型(蒸汽疏水阀出口入口温度、电机振动状态)与非数值型数据(设备润滑度)，这里仅是对非数值型数据进行离散化处理。具体的离散化处理方式，可参考如下：
[0042]1、根据预先建立的历史维修模型，确定威布尔分布的η和β值，构造系统性能衰退模型，将所述输出参数转化为设备的可靠性数值。设备的可靠性函数如公式(2)所示：
[0043][0044]其中，η和β分别为威布尔分布的尺度参数和形状参数。
[0045]由于设备润滑度为非数值型数据，因此需要对数据进行离散化处理。这里，本专利技术通过卷烟设备的历史维修记录预先构造出卷烟设备的历史故障集，通过matlab对故障集进行求解，得到威布尔分布的尺度参数和形状参数。
[0046]得到上述威布尔分布后，构造卷烟设备的可靠性模型，将时间传入威布尔分布模型中，就可以得到当前卷烟设备的可靠性(在前述示例中反映为卷烟设备本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷烟设备运行数据的设备维修预测方法，其特征在于，包括：从卷烟设备PLC中采集学习样本数据，并规整为输入参数和输出参数；对所述输入参数进行归一化处理，得到目标输入参数；对所述输出参数进行离散化处理，得到目标输出参数；将所述目标输入参数与所述目标输出参数代入预先搭建的GA
‑
BP神经网络中进行训练；训练完成后，实时采集设备运行数据信息；将所述设备运行数据信息输入所述GA
‑
BP神经网络中，并由所述GA
‑
BP神经网络输出设备运行数据信息；根据所述设备运行数据信息，生成维护计划报告。2.根据权利要求1所述的基于卷烟设备运行数据的设备维修预测方法，其特征在于，所述对所述输入参数进行归一化处理包括：对所述输入参数中的数值型数据进行归一化处理。3.根据权利要求2所述的基于卷烟设备运行数据的设备维修预测方法，其特征在于，所述归一化处理包括将数值型数据处理为0～1之间的数据。4.根据权利要求1所述的基于卷烟设备运行数据的设备维修预测方法，其特征在于，所述对所述输出参数进行离散化处理包括对所述输出参...

【专利技术属性】
技术研发人员：李秀芳，郑智毅，许佩，毛爱龙，焦彩霞，许淑红，李明伟，晁红杰，谢俊明，王博，姜克森，郝军，邓华，
申请(专利权)人：河南中烟工业有限责任公司，
类型：发明
国别省市：