设备综合效率预测模型的训练方法及存储介质、电子设备技术

本发明专利技术公开了一种设备综合效率预测模型的训练方法及存储介质、电子设备。训练方法包括：获取数据集，其中，数据集包括训练集和测试集，数据集中的每组数据包括两个时序的数据和一个标签；构建基于时间卷积网络的设备综合效率预测模型，其中，设备综合效率预测模型具有两个输入端和一个输出端，两个输入端分别用以输入第一时序数据和第二时序数据，输出端用以输出OEE预测值；利用训练集中的每组数据对设备综合效率预测模型进行训练，令损失值达到最小，再利用测试集中的每组数据对训练后的设备综合效率预测模型进行测试，得到最终的设备综合效率预测模型。利用该训练方法得到的设备综合效率预测模型，实现对未来时刻OEE数据的预测。测。测。

【技术实现步骤摘要】
设备综合效率预测模型的训练方法及存储介质、电子设备


[0001]本专利技术涉及生产设备
，尤其涉及一种设备综合效率预测模型的训练方法及存储介质、电子设备。

技术介绍

[0002]OEE（Overall Equipment Effectiveness，全局设备效率）是一个简单独立的生产管理测量工具，能有效地衡量单台设备的利用效率，用来表现实际的生产能力相对于理论产能的比率，它由可用率，表现性以及质量指数三个关键要素组成。OEE在实际生产环境中有着重大的意义，其中一个重要目的是帮助管理者发现和减少制造业所存在的六大损失：停机损失、换装调试损失、暂停机损失、减速损失、启动过程次品损失和生产正常运行时产生的次品损失。
[0003]随着大数据时代的到来，机器学习和人工智能为工业生产带来新的变革，人工智能在数据中学习，利用历史信息甚至可以精确推测出未来的结果。对于每天记录的大量设备状况信息以及OEE性能数据，借助深度学习等人工智能算法可以学习其中数据变化的规律，进而能够预测出未来一段时间设备的OEE指标。生产商便能够掌握对设备保养的主动权，这大大减少了设备故障出现的频率，提高设备的生产效益。相关技术中，利用深度学习等人工智能算法计算预测出未来一段时间设备的OEE指标不够精确，无法使设备生产效益最大化。

技术实现思路

[0004]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的一个目的在于提出一种设备综合效率预测模型的训练方法，利用训练得到的设备综合效率预测模型，实现对未来时刻OEE数据的预测。
[0005]本专利技术的第二个目的在于提出一种设备综合效率预测方法。
[0006]本专利技术的第三个目的在于提出一种设备综合效率预测装置。
[0007]本专利技术的第四个目的在于提出一种计算机可读存储介质。
[0008]本专利技术的第五个目的在于提出一种电子设备。
[0009]为达到上述目的，本专利技术第一方面实施例提出了一种设备综合效率预测模型的训练方法，所述训练方法包括：获取数据集，其中，所述数据集包括训练集和测试集，所述数据集中的每组数据包括两个时序的数据和一个标签，所述标签为设备综合效率OEE真实值，所述两个时序的数据分别记为第一时序数据和第二时序数据，所述第一时序数据包括设备工作数据及其对应的OEE指标数据，所述第二时序数据包括设备工作数据，对应的时间段晚于所述第一时序数据对应的时间段；构建基于时间卷积网络的设备综合效率预测模型，其中，所述设备综合效率预测模型具有两个输入端和一个输出端，所述两个输入端分别用以输入第一时序数据和第二时序数据，所述输出端用以输出OEE预测值；利用所述训练集中的每组数据对所述设备综合效率预测模型进行训练，利用损失函数计算损失值，令损失值达到最
小，再利用所述测试集中的每组数据对训练后的设备综合效率预测模型进行测试，得到最终的设备综合效率预测模型，其中，所述损失值根据OEE预测值及其对应的OEE真实值利用所述损失函数计算得到。
[0010]根据本专利技术实施例的设备综合效率预测模型的训练方法，将每一数据组中各个时刻对应的历史已知设备工作数据，即第一时序数据，和各个时刻对应的未来一段时间内已知设备工作数据，即第二时序数据，输入具有两个输入和一个输出的设备综合效率预测模型，对设备综合效率预测模型进行训练，以得到可以根据历史已知的设备工作数据和其对应的OEE真实值，以及未来时刻部分已知设备工作数据来预测未来时刻的OEE指标的设备综合效率预测模型。该训练方法得到的设备综合效率预测模型，可实现对未来时刻OEE数据的预测。
[0011]另外，根据本专利技术上述实施例提出的设备综合效率预测模型的训练方法还可以具有如下附加的技术特征：根据本专利技术的一个实施例，所述获取数据集，包括：采集设备在历史预设时间段内的设备工作数据及其对应的OEE指标数据；按照第一预设时间长度及预设步长将所述预设时间段内的设备工作数据及其对应的OEE指标数据划分为多个批次数据；针对每个批次数据，按照第二预设时间长度划分为多组训练数据，每组训练数据包含第一时序数据和第二时序数据，并获取相应的OEE真实值；将时间最近的一组数据作为测试集，并将其他组数据作为训练集，其中，在每个训练周期，采用所述训练集中的一组数据对设备综合效率预测模型进行训练。
[0012]根据本专利技术的一个实施例，所述设备综合效率预测模型包括两层门控循环单元GRU网络和一个特征合并模块，其中，两层门控循环单元GRU网络分别记为第一GRU网络和第二GRU网络，所述利用所述训练集中的每组数据对所述设备综合效率预测模型进行训练，包括：针对每个训练周期，将相应训练周期的第一时序数据输入所述第一GRU网络，所述第一GRU网络经计算输出得到第一预测特征，并将相应训练周期的第二时序数据输入所述第二GRU网络，所述第二GRU网络经计算输出得到第二预测特征；所述第一预测特征和所述第二预测特征经所述特征合并模块进行合并，得到第三预测特征。
[0013]根据本专利技术的一个实施例，所述设备综合效率预测模型还包括依次相连的多元时间卷积网络和后端网络，所述利用所述训练集中的每组数据对所述设备综合效率预测模型进行训练，还包括：将所述第三预测特征输入所述多元时间卷积网络，所述多元时间卷积网络输出得到时间卷积预测特征；将所述时间卷积预测特征输入所述后端网络，得到相应训练周期的OEE预测值。
[0014]根据本专利技术的一个实施例，所述多元时间卷积网络包括第一时间卷积网络、第二时间卷积网络和第三时间卷积网络，第一时间卷积网络、第二时间卷积网络和第三时间卷积网络的卷积核的数量相同，卷积核的大小不等，将所述第三预测特征分别同时输入所述第一时间卷积网络、所述第二时间卷积网络和所述第三时间卷积网络，得到第一时间卷积特征、第二时间卷积特征和第三时间卷积特征；对所述第一时间卷积特征、所述第二时间卷积特征和所述第三时间卷积特征进行拼接，得到所述时间卷积预测特征；所述后端网络依次由全连接层和softmax层相连构成。
[0015]根据本专利技术的一个实施例，所述损失函数采用均方误差损失函数。
[0016]为达到上述目的，本专利技术第二方面实施例提出了一种设备综合效率预测方法，所述方法包括：获取待测数据，其中，所述待测数据包括第一时序数据和第二时序数据；将所述待测数据输入至训练好的设备综合效率预测模型，得到相应的OEE预测值，其中，所述设备综合效率预测模型利用如本专利技术第一方面实施例提出的设备综合效率预测模型的训练方法训练得到。
[0017]为达到上述目的，本专利技术第三方面实施例提出了一种设备综合效率预测装置，所述装置包括：获取模块，用于获取待测数据，其中，所述待测数据包括第一时序数据和第二时序数据；预测模块，用于将所述待测数据输入至训练好的设备综合效率预测模型，得到相应的OEE预测值，其中，所述设备综合效率预测模型利用如本专利技术第一方面实施例提出的设备综合效率预测模型的训练方法训练得到。
[0018]为达到上述目的，本专利技术第四方面实施例提出了一种计算机本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种设备综合效率预测模型的训练方法，其特征在于，所述训练方法包括：获取数据集，其中，所述数据集包括训练集和测试集，所述数据集中的每组数据包括两个时序的数据和一个标签，所述标签为设备综合效率OEE真实值，所述两个时序的数据分别记为第一时序数据和第二时序数据，所述第一时序数据包括设备工作数据及其对应的OEE指标数据，所述第二时序数据包括设备工作数据，对应的时间段晚于所述第一时序数据对应的时间段；构建基于时间卷积网络的设备综合效率预测模型，其中，所述设备综合效率预测模型具有两个输入端和一个输出端，所述两个输入端分别用以输入第一时序数据和第二时序数据，所述输出端用以输出OEE预测值；利用所述训练集中的每组数据对所述设备综合效率预测模型进行训练，利用损失函数计算损失值，令损失值达到最小，再利用所述测试集中的每组数据对训练后的设备综合效率预测模型进行测试，得到最终的设备综合效率预测模型，其中，所述损失值根据OEE预测值及其对应的OEE真实值利用所述损失函数计算得到。2.根据权利要求1所述的设备综合效率预测模型的训练方法，其特征在于，所述获取数据集，包括：采集设备在历史预设时间段内的设备工作数据及其对应的OEE指标数据；按照第一预设时间长度及预设步长将所述预设时间段内的设备工作数据及其对应的OEE指标数据划分为多个批次数据；针对每个批次数据，按照第二预设时间长度划分为多组训练数据，每组训练数据包含第一时序数据和第二时序数据，并获取相应的OEE真实值；将时间最近的一组数据作为测试集，并将其他组数据作为训练集，其中，在每个训练周期，采用所述训练集中的一组数据对设备综合效率预测模型进行训练。3.根据权利要求2所述的设备综合效率预测模型的训练方法，其特征在于，所述设备综合效率预测模型包括两层门控循环单元GRU网络和一个特征合并模块，其中，两层门控循环单元GRU网络分别记为第一GRU网络和第二GRU网络，所述利用所述训练集中的每组数据对所述设备综合效率预测模型进行训练，包括：针对每个训练周期，将相应训练周期的第一时序数据输入所述第一GRU网络，所述第一GRU网络经计算输出得到第一预测特征，并将相应训练周期的第二时序数据输入所述第二GRU网络，所述第二GRU网络经计算输出得到第二预测特征；所述第一预测特征和所述第二预测特征经所述特征合并模块进行合并，得到第三预测特征。4.根据权利要求3所述的设备综合效率预测模型的训练方法，其特征在于，所述设备综合效率预测模型还包括依次相连的多元时...

【专利技术属性】
技术研发人员：令狐彬，胡炳彰，许鹏，周璠，卫峥，高磊，
申请(专利权)人：合肥中科迪宏自动化有限公司，
类型：发明
国别省市：