【技术实现步骤摘要】
基于随机森林和层次分析法的数字孪生车间故障预测方法
[0001]本专利技术涉及智能制造及电子信息
，更具体地，涉及一种基于随机森林和层次分析法的数字孪生车间故障预测方法。
技术介绍
[0002]数字孪生技术在越来越多的企业中得到了广泛的应用，特别是从产品销售转向产品服务捆绑销售的企业，或者作为服务销售的企业；随着企业能力和成熟度的提高，今后将有更多企业使用数字孪生技术优化流程、决定数据驱动、修订新产品、新服务和业务模式。
[0003]作为工业生产的基本单位，车间的数字化与智能化水平对工业生产的质量、安全及效率有着重要的影响。同时高速运转的大型工业设备，流动的人员，复杂的作业环境也使得车间成为企业安全事故的高发地。然而目前车间安全管理及设备健康状况管理的数字化水平仍有待提升，而目前还没有基于实时数据，能够综合考虑设备、人员、环境等多种风险因素的耦合作用的模型。
[0004]利用数字孪生技术的目的在于减少人力和物力的投入，提高工作的效率。采用人工监控存在大量的弊端，人工监控设备耗时耗力，并且非常容易出现错误...
【技术保护点】
【技术特征摘要】
1.一种基于随机森林和层次分析法的数字孪生车间故障预测方法，其特征在于，包括以下步骤：S1：获取生产车间的生产要素数据和实时生产数据；S2：根据所述生产车间的生产要素数据构建生产车间的数字孪生模型；S3：利用生产车间的数字孪生模型，对所述实时生产数据进行数字孪生处理，获得生产车间的数字孪生数据；S4：将生产车间的数字孪生数据输入构建的预测性维护层次结构模型，利用随机森林算法获得预测性维护层次判断矩阵，求解预测性维护层次判断矩阵，获得判断矩阵特征向量；S5：利用判断矩阵特征向量对生产车间进行故障预测，获得生产车间的故障预测结果；S6：根据所述生产车间的故障预测结果对生产车间的生产活动进行控制管理。2.根据权利要求1所述的一种基于随机森林和层次分析法的数字孪生车间故障预测方法，其特征在于，所述步骤S1中，生产车间的生产要素数据包括：设备实体要素数据和信息要素数据；所述设备实体要素数据包括：生产车间中各设备的几何尺寸、物理机制、行为特性、位置信息和生产车间中各设备间的交互关系；所述信息要素数据包括：生产车间中各设备和人员状态的信息、任务订单加工信息和调度决策信息。3.根据权利要求1所述的一种基于随机森林和层次分析法的数字孪生车间故障预测方法，其特征在于，所述步骤S5之后还包括：预测性维护层次结构模型将生产车间的故障预测结果上传到数据库，生产车间的数字孪生模型与数据库进行交互，获取故障预测结果并对所预测的故障位置信息进行显示。4.根据权利要求1所述的一种基于随机森林和层次分析法的数字孪生车间故障预测方法，其特征在于，所述步骤S4中，构建的预测性维护层次结构模型具体为：所述预测性维护层次结构模型包括目标层、准则层和措施层；所述目标层表示目标设备预测性维护，记为A；所述准则层包括若干个准则层元素，记为B
k
，表示第k准则层元素；所述措施层包括若干个措施层元素，记为C
n
，表示第n措施层元素。5.根据权利要求4所述的一种基于随机森林和层次分析法的数字孪生车间故障预测方法，其特征在于，所述步骤S4中，利用随机森林算法获得预测性维护层次判断矩阵的具体方法为：所述随机森林算法包括若干棵决策树；将生产车间的数字孪生数据作为原始数据集；S4.1.1：对原始数据集多次进行有放回的随机抽样，获取若干个子数据集，每个所述子数据集的元素数量与原始数据集的元素数量保持一致；S4.1.2：针对每个子数据集，从所有预设的特征中随机选取若干个特征，每个特征作为一棵决策树的输入特征，获得若干棵决策树；S4.1.3：将信息增益值大的决策树设置在信息增益值小的决策树顶部，组成随机森林；S4.1.4：根据所述随机森林的输出结果获得预测性维护层次判断矩阵。
6.根据权利要求5所述的一种基于随机森林和层次分析法的数字孪生车间故障预测方法，其特征在于，所述步骤S4.1.4中的预测性维护层次判断矩阵具体为：对于每个准则层元素，均有预测性维护层次判断矩阵，第k准则层元素对应的预测性维护层次判断矩阵为：其中，C
ij
表示第i措施层元素与第j措施层元素相比，对第k准则层元素的重要程度；根据随机森林的输出结果获取不同的C
ij
的值，组成不同的预测性维护层次判断矩阵。7.根据权利要求6所述的一种基于随机森林和层次分析法的数字孪生车间故障预测方法，其特征在于，所...
【专利技术属性】
技术研发人员：蒋丽，伍世强，缪家辉，林勇邦，钱思思，罗凯荣，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。