一种基于人工智能的生产线故障预测与自愈方法及系统技术方案

本发明专利技术涉及人工智能技术领域，尤其涉及一种基于人工智能的生产线故障预测与自愈方法及系统

【技术实现步骤摘要】
一种基于人工智能的生产线故障预测与自愈方法及系统


[0001]本专利技术涉及人工智能
，尤其涉及一种基于人工智能的生产线故障预测与自愈方法及系统
。

技术介绍

[0002]生产线上具有多个工位对零件进行同种加工，例如烤碳机，具有多个对碳进行烘烤的工序
。
当一个烘烤工位上的设备出现问题时，产品的最终形态会发生变化
。
但是由于设备特殊性，如封闭式的烘烤生产线，无法对生产线内部进行检测，因此如何对封闭式生产线中的故障进行预测以及故障的解决是一个亟待解决的问题
。

技术实现思路

[0003]本专利技术实施例提供一种基于人工智能的生产线故障预测与自愈方法及系统，以改善上述问题
。
[0004]本专利技术实施例第一方面提出了一种基于人工智能的生产线故障预测与自愈方法，应用于一种生产线，包括：获取测试产品数据以及测试故障数据，其中，所述测试产品数据包括平均颗粒大小
、
平均分布密度以及光泽度，所述测试故障数据包括的故障持续时间；获取测试故障数据的特征向量，其中所述测试故障数据的特征向量具有三个维度，每一个所述维度分别对应所述平均颗粒大小
、
所述平均分布密度以及所述光泽度；基于所述测试故障数据的特征向量构建神经网络训练模型，其中，所述神经网络训练模型用于将所述平均颗粒大小
、
所述平均分布密度
、
所述光泽度与所述测试故障数据进行迭代计算；获取所述迭代计算结果，并根据所述迭代计算结果获取预测故障数据；反馈所述预测故障数据至所述神经网络训练模型，当所述神经网络训练模型满足预设条件时停止训练，并根据所述神经网络训练模型生成故障检测模型；获取实际产品数据，将所述实际产品数据导入所述故障检测模型，根据所述故障检测模型输出结果，确定所述实际故障数据；基于所述实际故障数据，控制所述生产线中，生产设备的工作时间
。
[0005]结合第一方面，在另外一些实施方式中，基于所述实际故障数据，控制所述生产线中，生产设备的工作时间，包括：确定所述故障点，其中，每一个所述故障点具有一个所述对应设备，多个所述生产设备组成所述生产线；根据所述实际故障数据确定所述故障持续时间数值；基于所述故障持续时间，控制与所述故障点对应的所述生产设备相邻的所述生产设备的所述工作时间
。
[0006]结合第一方面，在另外一些实施方式中，所述确定所述故障点，其中，每一个所述
故障点具有一个所述对应设备，多个所述生产设备组成所述生产线，包括：获取测试产品数据以及测试故障数据，其中，所述测试故障数据还包括故障点位置信息，所述故障点位置信息包括生产线初始位置至所述故障点的距离；基于所述测试故障数据的特征向量构建神经网络训练模型，其中，所述神经网络训练模型用于将所述平均颗粒大小
、
所述平均分布密度
、
所述光泽度与所述测试故障数据进行迭代计算；获取所述迭代计算结果，并根据所述迭代计算结果获取预测故障数据，其中，所述故障数据包括预测故障位置；反馈所述预测故障数据至所述神经网络训练模型，当所述神经网络训练模型满足预设条件时停止训练，并根据所述神经网络训练模型生成故障检测模型；获取实际产品数据，将所述实际产品数据导入所述故障检测模型，根据所述故障检测模型输出结果，确定所述实际故障点为所述故障点
。
[0007]结合第一方面，在另外一些实施方式中，所述获取测试故障数据的特征向量，其中所述测试故障数据的特征向量具有三个维度，每一个所述维度分别对应所述平均颗粒大小
、
所述平均分布密度以及所述光泽度，包括：对所所述平均颗粒大小
、
所述平均分布密度以及所述光泽度进行预处理并连接，以使三个所述维度构成所述测试故障数据的特征向量
。
[0008]结合第一方面，在另外一些实施方式中，所述对所述平均颗粒大小
、
所述平均分布密度以及所述光泽度进行预处理，包括：对每个所述维度进行数据清洗；对每个所述维度进行归一化处理，以使每个所述维度均位于
[0,1]的范围内
。
[0009]结合第一方面，在另外一些实施方式中，所述反馈所述预测故障数据至所述神经网络训练模型，当所述神经网络训练模型满足预设条件时停止训练，并根据所述神经网络训练模型生成故障检测模型，包括：多次反馈所述预测故障数据至所述神经网络训练模型，并获取多个所述预测故障数据；将多个所述预测故障数据与所述测试故障数据相比对，根据比对结果获取修正值，当所述修正值小于预设值时，停止对所述神经网络训练模型的训练过程
。
[0010]结合第一方面，在另外一些实施方式中，所述将多个所述预测故障数据与所述测试故障数据相比对，根据比对结果获取修正值，当所述修正值小于预设值时，停止对所述神经网络训练模型的训练过程，包括：将所述预测故障数据与所述测试故障数据相比对，若所述预测故障数据的值大于所述测试故障数据的值，则所述修正值
、
所述测试故障数据的值与所述预测故障数据的值之间满足：
Q=
（
c1
‑
c2
）
c2;
其中，所述修正值为
Q
，所述预测故障数据的值为
c1,
所述测试故障数据的值为
c2。
[0011]结合第一方面，在另外一些实施方式中，所述将多个所述预测故障数据与所述测试故障数据相比对，根据比对结果获取修正值，当所述修正值小于预设值时，停止对所述神经网络训练模型的训练过程，还包括：
将所述预测故障数据与所述测试故障数据相比对，若所述预测故障数据的值小于所述测试故障数据的值，则所述修正值
、
所述测试故障数据的值与所述预测故障数据的值之间满足：
Q=
（
c2
‑
c1
）
c2;
其中，所述修正值为
Q
，所述预测故障数据的值为
c1,
所述测试故障数据的值为
c2。
[0012]本专利技术第二方面提出了一种基于人工智能的生产线故障预测与自愈系统，所述系统包括：第一获取模块，所述第一获取模块用于获取测试产品数据以及测试故障数据，其中，所述测试产品数据包括平均颗粒大小
、
平均分布密度以及光泽度，所述测试故障数据包括的故障持续时间；第二获取模块，所述第二获取模块用于获取测试故障数据的特征向量，其中所述测试故障数据的特征向量具有三个维度，每一个所述维度分别对应所述平均颗粒大小
、
所述平均分布密度以及所述光泽度；第一构建模块，所述第一构建模块用于基于所述测试故障数据的特征向量构建神经网络训练模型，其中，所述神经网络训练模型用于将所述平均颗粒大小
、
所述平均分布密度
、
所述光泽度与所述测试故障数据进行迭代计算；第三获取模块，所述第三获取模块用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于人工智能的生产线故障预测与自愈方法，应用于一种生产线，其特征在于，包括：获取测试产品数据以及测试故障数据，其中，所述测试产品数据包括平均颗粒大小
、
平均分布密度以及光泽度，所述测试故障数据包括的故障持续时间；获取测试故障数据的特征向量，其中所述测试故障数据的特征向量具有三个维度，每一个所述维度分别对应所述平均颗粒大小
、
所述平均分布密度以及所述光泽度；基于所述测试故障数据的特征向量构建神经网络训练模型，其中，所述神经网络训练模型用于将所述平均颗粒大小
、
所述平均分布密度
、
所述光泽度与所述测试故障数据进行迭代计算；获取迭代计算结果，并根据所述迭代计算结果获取预测故障数据；反馈所述预测故障数据至所述神经网络训练模型，当所述神经网络训练模型满足预设条件时停止训练，并根据所述神经网络训练模型生成故障检测模型；获取实际产品数据，将所述实际产品数据导入所述故障检测模型，根据所述故障检测模型输出结果，确定实际故障数据；基于所述实际故障数据，控制所述生产线中，生产设备的工作时间
。2.
根据权利要求1所述的一种基于人工智能的生产线故障预测与自愈方法，其特征在于，基于所述实际故障数据，控制所述生产线中，生产设备的工作时间，包括：确定故障点，其中，每一个所述故障点具有一个对应设备，多个所述生产设备组成所述生产线；根据所述实际故障数据确定所述故障持续时间数值；基于所述故障持续时间，控制与所述故障点对应的所述生产设备相邻的所述生产设备的所述工作时间
。3.
根据权利要求2所述的一种基于人工智能的生产线故障预测与自愈方法，其特征在于，所述确定所述故障点，其中，每一个所述故障点具有一个所述对应设备，多个所述生产设备组成所述生产线，包括：获取测试产品数据以及测试故障数据，其中，所述测试故障数据还包括故障点位置信息，所述故障点位置信息包括生产线初始位置至所述故障点的距离；基于所述测试故障数据的特征向量构建神经网络训练模型，其中，所述神经网络训练模型用于将所述平均颗粒大小
、
所述平均分布密度
、
所述光泽度与所述测试故障数据进行迭代计算；获取所述迭代计算结果，并根据所述迭代计算结果获取预测故障数据，其中，所述故障数据包括预测故障位置；反馈所述预测故障数据至所述神经网络训练模型，当所述神经网络训练模型满足预设条件时停止训练，并根据所述神经网络训练模型生成故障检测模型；获取实际产品数据，将所述实际产品数据导入所述故障检测模型，根据所述故障检测模型输出结果，确定实际故障点为所述故障点
。4.
根据权利要求3所述的一种基于人工智能的生产线故障预测与自愈方法，其特征在于，所述获取测试故障数据的特征向量，其中所述测试故障数据的特征向量具有三个维度，每一个所述维度分别对应所述平均颗粒大小
、
所述平均分布密度以及所述光泽度，包括：
对所述平均颗粒大小
、
所述平均分布密度以及所述光泽度进行预处理并连接，以使三个所述维度构成所述测试故障数据的特征向量
。5.
根据权利要求4所述的一种基于人工智能的生产线故障预测与自愈方法，其特征在于，所述对所述平均颗粒大小
、
所述平均分布密度以及所述光泽度进行预处理并连接，包括：对每个所述维度进行数据清洗；对每个所述维度进行归一化处理，以使每个所述维度均位于
[0,1]
的范围内
。6.
根据权利要求5所述的一种基于人工智能的生产线故障预测与自愈方法，其特征在于，所述反馈所述预测故障数据至所述神经网络训练模型，当所述神经网络训练模型满足预设条件时停止训练，并根...

【专利技术属性】
技术研发人员：张发恩，邱跃，温哲立，王彬，
申请(专利权)人：青岛创新奇智科技集团股份有限公司，
类型：发明
国别省市：