一种断路器生产线故障预测方法及系统技术方案

本发明专利技术公开了一种断路器生产线故障预测方法及系统，属于故障预测技术领域，方法包括：采集待预测设备的多个类型的生产线运行数据；确定待预测设备可以正常运行的目标期望值；结合生产线运行数据的类型数量和待预测设备的类型数量，构建BP神经网络模型；对BP神经网络模型进行训练，输出待预测设备的实际输出值；结合目标期望值和实际输出值确定反传误差函数，调整BP神经网络模型的网络权值和偏置参数，直至反传误差函数的函数值小于预设阈值；将当前采集的生产线运行数据输入至训练后得到的BP神经网络模型进行故障预测。对出现的设备故障进行准确预测，避免因不能准确预测设备故障导致的设备损坏，提升企业生产连续性和企业生产效率。业生产效率。业生产效率。

【技术实现步骤摘要】
一种断路器生产线故障预测方法及系统


[0001]本专利技术属于故障预测
，具体涉及一种断路器生产线故障预测方法及系统。

技术介绍

[0002]断路器生产线是指用于制造断路器的生产设备和工艺流程的组合。断路器是一种用于保护电路免受过电流和短路等故障的电气设备，断路器生产线包括一系列自动化设备和工艺步骤，用于生产各种规格和类型的断路器。断路器生产线通常利用自动化设备和流水线工艺，以提高生产效率和产品质量的一致性。这些生产线可能还涉及质量控制、数据记录和追溯等管理和监控系统，以确保生产过程的可追溯性和产品的质量可靠性。断路器生产线的故障预测对于提升企业的产品竞争力极其重要。在实际生产过程中，各模块采集的数据是非线性的，具有高度的随机性和不确定性，并且不同模块采集的数据类型不一致，此外，生产线各设备由于使用强度的不同会出现故障、磨损等不确定性问题。
[0003]传统断路器生产线因不能准确预测设备故障，导致断路器生产线出现故障后往往要耽搁几小时甚至几天的时间进行设备维修，影响断路器生产线的连续性，阻碍了企业生产效率。

技术实现思路

[0004]为了解决现有技术存在的传统断路器生产线因不能准确预测设备故障，导致断路器生产线出现故障后往往要耽搁几小时甚至几天的时间进行设备维修，影响断路器生产线的连续性，阻碍了企业生产效率的技术问题，本专利技术提供一种断路器生产线故障预测方法及系统。
[0005]第一方面
[0006]本专利技术提供了一种断路器生产线故障预测方法，包括：
[0007]S101：采集待预测设备的多个类型的生产线运行数据，其中，类型包括坐标，角度、转速、电流值和温度值；
[0008]S102：确定待预测设备可以正常运行的目标期望值；
[0009]S103：结合生产线运行数据的类型数量和待预测设备的类型数量，构建BP神经网络模型，其中，BP神经网络模型包括输入层、隐含层和输出层；
[0010]S104：将生产线运行数据作为输入数据对BP神经网络模型进行训练，输出待预测设备的实际输出值，其中，实际输出值为与输入数据相对应的输出值；
[0011]S105：结合目标期望值和实际输出值确定反传误差函数，调整BP神经网络模型的网络权值和偏置参数，直至反传误差函数的函数值小于预设阈值；
[0012]S106：将当前采集的生产线运行数据输入至训练后得到的BP神经网络模型进行故障预测。
[0013]第二方面
[0014]本专利技术提供了一种断路器生产线故障预测系统，用于执行第一方面中的断路器生产线故障预测方法。
[0015]与现有技术相比，本专利技术至少具有以下有益技术效果：
[0016]在本专利技术中，选取生产线中最具代表性的生产线运行数据，构建适合断路器生产线的BP神经网络模型，并通过采集的生产线运行数据进行训练，根据反传误差函数不断修正网络权值和偏置参数使BP神经网络模型的实际输出值逼近目标期望值，将实际输出值经过训练不断使其趋于稳定输出，之后利用训练完成的BP神经网络模型对当前采集到的生产线运行数据进行故障预测，对出现的设备故障进行准确预测，提升断路器生产线自动化程度，降低设备维修人员工作难度，避免因不能准确预测设备故障导致的设备损坏，提升企业生产连续性和企业生产效率。
附图说明
[0017]下面将以明确易懂的方式，结合附图说明优选实施方式，对本专利技术的上述特性、技术特征、优点及其实现方式予以进一步说明。
[0018]图1是本专利技术提供的一种断路器生产线故障预测方法的流程示意图；
[0019]图2是本专利技术提供的一种BP神经网络模型的结构示意图。
具体实施方式
[0020]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对照附图说明本专利技术的具体实施方式。显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
[0021]为使图面简洁，各图中只示意性地表示出了与专利技术相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
[0022]还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0023]在本文中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。
[0024]另外，在本专利技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0025]实施例1
[0026]在一个实施例中，参考说明书附图1，示出了本专利技术提供的断路器生产线故障预测方法的流程示意图。
[0027]本专利技术提供的一种断路器生产线故障预测方法，包括：
[0028]S101：采集待预测设备的多个类型的生产线运行数据。
[0029]其中，类型包括坐标，角度、转速、电流值和温度值。
[0030]需要说明的是，在断路器生产线的运行过程中，对于执行设备和动力设备均需要进行采集，执行设备的位置和执行准确度可以直观的反映出生产线是否运行正常，在这里选取执行设备的坐标和角度，通过实时判断执行设备的相对位置对生产线设备进行监控，而对于执行设备的动力机构主要是电机和各种传动机构，在这里通过获取动力机构在运行过程中的转速、电流值和温度值实时监控断路器生产线是否产生不可直接观察到的故障。通过采集坐标，角度、转速、电流值和温度值，可以全面准确的定位断路器生产线的故障位置和故障类型，进而方便维修人员对断路器生产线进行维修。
[0031]在一种可能的实施方式中，待预测设备包括机械臂、电动推杆及电动拨杆和传送带；
[0032]生产线运行数据包括机械臂关键点坐标、机械臂角度值、机械臂转速值、机械臂电机电流值、传送带电机温度值、传送带电机转速值、传送带电机电流值、电动推杆及电动拨杆的电机温度值、电动推杆及电动拨杆的电机转速值和电动推杆及电动拨杆的电机电流值。
[0033]需要说明的是，对于具体的参数值，结合断路器生产线的结构参数、运行参数等，在保证断路器生产线正常运行的情况下进行选取。
[0034]在一种可能的实施方式中，S101具体为：
[0035]S1011：通过编码器采集机械臂角度值、机械臂关键点坐标、电动推杆及电动拨杆的电机转速值、机械臂转速值和传送带电机转速值；通过电流传感器采集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种断路器生产线故障预测方法，其特征在于，包括：S101：采集待预测设备的多个类型的生产线运行数据，其中，所述类型包括坐标，角度、转速、电流值和温度值；S102：确定所述待预测设备可以正常运行的目标期望值；S103：结合所述生产线运行数据的类型数量和所述待预测设备的类型数量，构建BP神经网络模型，其中，所述BP神经网络模型包括输入层、隐含层和输出层；S104：将所述生产线运行数据作为输入数据对所述BP神经网络模型进行训练，输出所述待预测设备的实际输出值，其中，所述实际输出值为与所述输入数据相对应的输出值；S105：结合所述目标期望值和所述实际输出值确定反传误差函数，调整所述BP神经网络模型的网络权值和偏置参数，直至所述反传误差函数的函数值小于预设阈值；S106：将当前采集的生产线运行数据输入至训练后得到的BP神经网络模型进行故障预测。2.根据权利要求1所述的断路器生产线故障预测方法，其特征在于，所述待预测设备包括机械臂、电动推杆及电动拨杆和传送带；所述生产线运行数据包括机械臂关键点坐标、机械臂角度值、机械臂转速值、机械臂电机电流值、传送带电机温度值、传送带电机转速值、传送带电机电流值、所述电动推杆及电动拨杆的电机温度值、所述电动推杆及电动拨杆的电机转速值和所述电动推杆及电动拨杆的电机电流值。3.根据权利要求2所述的断路器生产线故障预测方法，其特征在于，所述S101具体为：S1011：通过编码器采集所述机械臂角度值、所述机械臂关键点坐标、所述电动推杆及电动拨杆的电机转速值、所述机械臂转速值和所述传送带电机转速值；通过电流传感器采集所述电动推杆及电动拨杆的电机电流值、所述机械臂电机电流值和所述传送带电机电流值；通过温度传感器采集所述电动推杆及电动拨杆的电机温度值、传送带电机温度值。4.根据权利要求1所述的断路器生产线故障预测方法，其特征在于，所述S102具体为：S1021：通过待预测设备的操作指南或者通过人工标注确定所述目标期望值。5.根据权利要求1所述的断路器生产线故障预测方法，其特征在于，所述S103具体包括：S1031：根据所述生产线运行数据的类型数量和所述待预测设备的类型数量，确定所述输入层的神经元数量为5，所述输出层的神经元数量为3；S1032：根据所述输入层的神经元数量和所述输出层的神经元...

【专利技术属性】
技术研发人员：余明江，周悦欣，熊叙一，陈伟杰，侯良美，王怡，彭来湖，汝欣，李建强，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：