基于机器学习网络的生产工序判定方法、系统及电子设备技术方案

本发明专利技术公开了一种基于机器学习网络的生产工序判定方法、系统及电子设备，方法包括生产相关信息采集、提取负荷功率与历史工序信息、负荷功率与历史工序特征提取、当前生产工序判定、工序状态切换播报、工序能耗分析、生产计划管理。本发明专利技术通过采集生产相关信息并提取其中功率及历史工序信息，使用机器学习算法学习数据间的逻辑关系，最后对当前生产工序进行判定，当发生工序切换时进行语音播报，最后将当前工序与生产计划进行对比并分析工序相关能耗信息。相对人工分析方法，基于机器学习的生产工序判定方法由于其数据预处理简单、数据关系学习能力强而具有易于实现、判定准确率高的优点。的优点。的优点。

【技术实现步骤摘要】
基于机器学习网络的生产工序判定方法、系统及电子设备


[0001]本专利技术属于机器学习应用
，涉及一种生产工序判定方法、系统及电子设备，尤其涉及一种基于机器学习网络的生产工序判定方法、系统及电子设备。

技术介绍

[0002]针对多工序、顺序进行的工业生产过程，根据相关生产数据确定生产工序，即有助于对生产线生产过程进行实时监测，也可计算出每道工序对应的生产时间、功率，结合能耗管理系统进行详细的用能分析。同时根据电能计费的峰
‑
平
‑
谷规则，在确保产量等要求的情况下，对所有的生产过程进行合理的安排与规划，避开计费高峰，从而降低企业生产成本，提高生产效益。并且确定生产工序有助于管理人员监测实际生产过程是否与计划保持一致，并及时做出相应的处理。
[0003]目前针对少量数据、规律较明显的工序识别可以通过人工分析确定，但是对于数据量大、逻辑关系较复杂的生产工序确定问题，人工分析实现起来较困难，或识别结果准确率难以达到应用要求。

技术实现思路

[0004]基于
技术介绍
的技术问题，本专利技术提出了一种基于机器学习的生产工序判定方法、系统及电子设备。
[0005]本专利技术的方法所采用的技术方案是：一种基于机器学习网络的生产工序判定方法，包括以下步骤：
[0006]步骤1：获取当前与前一时刻负荷功率与历史工序信息；所述负荷功率包括历史负荷功率和当前负荷功率；
[0007]第i个时间间隔的功率数据记为power
i
，第j个功率数据对应的工序状态记为process
j
，i∈[1,N]，j∈[1,N
‑
1]；N表示按照指定时间间隔采集的功率信号总数；
[0008]步骤2：将当前与前一时刻负荷功率与历史工序信息组成数据集输入机器学习网络中，得出当前生产工序信息；
[0009]当前t时刻与前一时刻负荷功率记为pow
t
,pow
t
‑1,前一时刻历史工序信息记为pro
t
‑
287
,pro
t
‑
286
,...,pro
t
‑1；
[0010]所述机器学习网络，包括编码模块、解码模块，输入数据为当前与前一时刻负荷功率与历史工序信，输出为当前时刻的工序值；
[0011]所述编码模块，包含一个输入层和四个串联的卷积层，第一层网络对输入数据进行处理获得对应数据集；第二层为卷积操作层，其卷积核大小为3，膨胀倍数为1，卷积操作步长为1；第三层为卷积操作层，其卷积核大小为3，膨胀倍数为2，卷积操作步长为1；第四层为卷积操作层，其卷积核大小为3，膨胀倍数为4，卷积操作步长为1；第五层为卷积操作层，其卷积核大小为3，膨胀倍数为8，卷积操作步长为1；第一层和第五层之间通过残差模块进行连接，以加速模型收敛，同时防止模型退化，避免出现梯度消失问题；
[0012]所述解码模块，由分类层和工序转换层组成，其中分类层选择softmax作为激活函数，根据输出层数据计算六种分类的概率大小；工序转换层对分类结果进行进一步处理，获得最终的对应工序值。
[0013]本专利技术的系统所采用的技术方案是：一种基于机器学习的生产工序判定系统，包括以下模块：
[0014]模块1，用于获取当前与前一时刻负荷功率与历史工序信息；所述负荷功率包括历史负荷功率和当前负荷功率；
[0015]第i个时间间隔的功率数据记为power
i
，第j个功率数据对应的工序状态记为process
j
，i∈[1,N]，j∈[1,N
‑
1]；N表示按照指定时间间隔采集的功率信号总数；
[0016]模块2，用于将当前与前一时刻负荷功率与历史工序信息组成数据集输入机器学习网络中，得出当前生产工序信息；
[0017]当前t时刻与前一时刻负荷功率记为pow
t
,pow
t
‑1,前一时刻历史工序信息记为pro
t
‑
287
,pro
t
‑
286
,...,pro
t
‑1；
[0018]所述机器学习网络，包括编码模块、解码模块，输入数据为当前与前一时刻负荷功率与历史工序信，输出为当前时刻的工序值；
[0019]所述编码模块，包含一个输入层和四个串联的卷积层，第一层网络对输入数据进行处理获得对应数据集；第二层为卷积操作层，其卷积核大小为3，膨胀倍数为1，卷积操作步长为1；第三层为卷积操作层，其卷积核大小为3，膨胀倍数为2，卷积操作步长为1；第四层为卷积操作层，其卷积核大小为3，膨胀倍数为4，卷积操作步长为1；第五层为卷积操作层，其卷积核大小为3，膨胀倍数为8，卷积操作步长为1；第一层和第五层之间通过残差模块进行连接，以加速模型收敛，同时防止模型退化，避免出现梯度消失问题；
[0020]所述解码模块，由分类层和工序转换层组成，其中分类层选择softmax作为激活函数，根据输出层数据计算六种分类的概率大小；工序转换层对分类结果进行进一步处理，获得最终的对应工序值。
[0021]本专利技术的电子设备所采用的技术方案是：一种电子设备，包括：
[0022]一个或多个处理器；
[0023]存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现所述的基于机器学习的生产工序判定方法。
[0024]本专利技术采用机器学习方法进行生产工序判断，相对于传统的人工分析方法，通过简化数据处理与分析过程，使得生产工序判断系统更易于实现，同时还可获取较高的判断准确率。
[0025]本专利技术通过对生产工序的判断，可以帮助企业实现如下节能、增效目的：(1)结合生产计划及时调整生产安排，避开电费计量高峰期，达到降低企业生产成本、提高生产效益的目的。(2)结合能耗管理系统，对生产过程涉及的每道工序能耗进行精准分析，及时发现存在耗能异常的工序并提醒管理人员做出相应处理。
[0026]本专利技术的电子设备，安装方法较灵活，既可以在新设计设备中应用，也可以进行旧设备的改装，且应用范围广，可用于多种类型的生产工序判定。
附图说明
[0027]图1为本专利技术实施例的方法流程图；
[0028]图2为本专利技术实施例的机器学习网络结构图；
[0029]图3为本专利技术实施例的机器学习网络训练流程图；
[0030]图4为本专利技术结合某钛金属冶炼生产数据的实际测试结果图。
具体实施方式
[0031]为了便于本领域普通技术人员理解和实施本专利技术，下面结合附图及实施例对本专利技术作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本专利技术，并不用于限定本专利技术。
[0032]请见图1，本专利技术提供的一种基于机器学习网络的生产工序判定方法，包括以下步骤：...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习网络的生产工序判定方法，其特征在于，包括以下步骤：步骤1：获取当前与前一时刻负荷功率与历史工序信息；所述负荷功率包括历史负荷功率和当前负荷功率；第i个时间间隔的功率数据记为power
i
，第j个功率数据对应的工序状态记为process
j
，i∈[1,N]，j∈[1,N
‑
1]；N表示按照指定时间间隔采集的功率信号总数；步骤2：将当前与前一时刻负荷功率与历史工序信息组成数据集输入机器学习网络中，得出当前生产工序信息；当前t时刻与前一时刻负荷功率记为pow
t
,pow
t
‑1,前一时刻历史工序信息记为pro
t
‑
287
,pro
t
‑
286
,...,pro
t
‑1；所述机器学习网络，包括编码模块、解码模块，输入数据为当前与前一时刻负荷功率与历史工序信，输出为当前时刻的工序值；所述编码模块，包含一个输入层和四个串联的卷积层，第一层网络对输入数据进行处理获得对应数据集；第二层为卷积操作层，其卷积核大小为3，膨胀倍数为1，卷积操作步长为1；第三层为卷积操作层，其卷积核大小为3，膨胀倍数为2，卷积操作步长为1；第四层为卷积操作层，其卷积核大小为3，膨胀倍数为4，卷积操作步长为1；第五层为卷积操作层，其卷积核大小为3，膨胀倍数为8，卷积操作步长为1；第一层和第五层之间通过残差模块进行连接，以加速模型收敛，同时防止模型退化，避免出现梯度消失问题；所述解码模块，由分类层和工序转换层组成，其中分类层选择softmax作为激活函数，根据输出层数据计算六种分类的概率大小；工序转换层对分类结果进行进一步处理，获得最终的对应工序值。2.根据权利要求1所述的基于机器学习的生产工序判定方法，其特征在于：步骤2中所述机器学习网络严格按照时间先后进行卷积操作，保证没有泄露未来信息，即任意t时刻的输出，只和t时刻及之前的输入有关；其数学表达式为：其中，f
i
为滤波器对应的参数，K为卷积核大小，x
t
‑
K+i
为t
‑
k+i时刻输入、i表示卷积操作次数。3.根据权利要求1所述的基于机器学习的生产工序判定方法，其特征在于：步骤2中所述机器学习网络采用带有膨胀因子的卷积操作，每一层链接到上一层时间隔一定距离选择数据，其数学表达式为：其中，f
i
为滤波器对应的参数，M为滤波器个数，d为膨胀系数，x
t
‑
d
×
i
为t
‑
d
×
i时刻输入、i表示滤波操作次数。4.根据权利要求1所述的基于机器学习的生产工序判定方法，其特征在于：步骤2中所述机器学习网络，其残差连接数学表达式为：F(x
l
,W
l
)＝H(x
l
)
‑
x
l
；式中，x
l
为实际目标值，W
l
为层的权重参数矩阵，H(x
l
)为实际目标映射值。
5.根据权利要求1所述的基于机器学习的生产工序判定方法，其特征在于：得出当前生产工序信息后，当生产工序发生变化时通过语音播报生产工序状态变化，同时对该次生产工序消耗的电能进行详细分析；得到当前生产工序后，结合生产计划管理系统，对当前生产工序与计划生产工序是否一致进行判断与分析。6.根据权利要求1
‑
5任意一项所述的基于机器学习的生产工序判定方法，其特征在于：步骤2中所述机器学习网络，是训练好的机器学习网络；其训练过程包括以下子步骤：步骤2.1：采集生产相关信息，包括生产相关电压、电流信息与历史工序信息；步骤2.2：从生产相关信息中提取与判定工序相关的负荷功率与历史工序信息；所述负荷功率包括历史负荷功率和当前负荷功率；其中，第i个时间间隔的功率数据记为power
i
...

【专利技术属性】
技术研发人员：汪繁荣，方祖春，李俊杰，乔一航，张旭东，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：