【技术实现步骤摘要】
本专利技术涉及工业生产，具体为基于机器学习的工业生产人工智能系统。
技术介绍
1、目前工业生产的模式一人控制机器，机器根据工程师发送的指令工作；
2、存在工厂控制系统中人为预先设定的参数不能随着生产操作环境的改变而改变造成生产不处于最优化状态，同时工厂的告警系统会在生产流程出现问题时发出警报，当工厂接受警报后会进行紧急停厂，这种紧急停厂会为工厂带来巨大的经济损失和工程师的经验和水平存在巨大的不同等问题。
3、为此提出机器学习模型，来解决此问题。
技术实现思路
1、本专利技术的目的在于提供基于机器学习的工业生产人工智能系统，解决了目前系统人为预先设定使用不灵活，生产不处于最优化状态，生产流程出现警报需要紧急停厂和工程师经验水平存在差异的问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种基于机器学习的工业生产人工智能系统，包括机器学习模型，包括以下步骤：
3、步骤1：数据训练，从工厂传感器接收的数据导出并保存；根据数据的分布及分类特征，利用python进行数据的预处理，消除噪声，得到初步筛选的生产数据，并将生产数据保存；读取保存的生产数据，随机划分成测试集和验证集，利用gbdt算法搭建机器学习模型训练数据；
4、训练完成后得到一个训练结果权重文件，
5、步骤2：计算预测值，在系统前端调用模型，导入某一次工厂的监测数据，并进行相应的数据处理，通过joblib模块读取训练好的模型权重，利用模型权重预测导入的监
6、步骤3：随着工厂提供的数据不断增加，训练数据样本同样不断增加后，更新训练结果，更多的数据可以保证训练结果更精确。
7、优选地，机器学习模型还包括步骤4：预测性维修，工厂提供历史的异常数据以及维修情况，将异常数据按照不同的异常情况进行分类处理，并导入各个运行设备正常运行时的参数可控区间范围，将所述异常数据整合后，随机划分成测试集和验证集，利用gbdt算法搭建机器学习模型训练数据；
8、训练完成后得到一个训练结果权重文件，
9、系统在运行时，实时监测分析生产线上产生的数据，并通过训练好的权重文件进行模型的预测，系统判断当前的各项设备数据情况是否产生了异常，并根据数值对生产线异常状况进行预测，若系统检测到异常状况，系统会自动给出解决方案。
10、优选地，所述解决方案包括产生异常状况的原因或者可能将要产生的异常情况、如何解决问题。
11、优选地，所述异常数据包括设备情况、参数设定。
12、优选地，在步骤1中，gbdt算法：process.html所展示数据根据权重model_gboost_jingbai.pkl计算；此处使用的模型权重是根据gbdt回归模型计算得出。
13、优选地，在步骤1中，gbdt算法的具体算法为：
14、首先初始化第一个弱分类器：
15、
16、(l损失函数在回归任务中是平方误差函数)
17、对于剩余的m-1个弱分类器依次迭代：
18、a.对于每个样本计算损失关于上一步分类器的负梯度
19、
20、回归任务的负梯度是等于残差的定义的；
21、b.将上步得到的负梯值作为样本新的真实值，并将数据(xi，ri，m)，i＝1，2，..n作为下棵树的训练数据，得到一颗新的回归树fm(x)，其对应的叶子节点区域为rjm，j＝1，2，...，j，其中j为回归树t的叶子节点个数；
22、c.对叶子区域j＝1，2，..j计算最佳拟合值
23、
24、优选地，分类器需要进行更新，具体的算法为：
25、
26、直接对模型的函数进行更新，利用了参数可加性推广到函数空间；
27、训练f0-fm一共m个基学习器，沿着梯度下降的方向不断更新γjm和
28、优选地，在步骤1中，gbdt算法需要引入lightgbm算法，lightgbm在传统的gbdt算法上进行了如下优化：
29、具体的，基于histogram的决策树算法；
30、单边梯度采样gradient-based one-side sampling(goss)：使用goss可以减少大量只具有小梯度的数据实例，这样在计算信息增益的时候只利用剩下的具有高梯度的数据就可以了，相比xgboost遍历所有特征值节省了不少时间和空间上的开销；
31、互斥特征捆绑exclusive feature bundling(efb)：使用efb可以将许多互斥的特征绑定为一个特征，这样达到了降维的目的；
32、带深度限制的leaf-wise的叶子生长策略：大多数gbdt工具使用低效的按层生长(level-wise)的决策树生长策略，因为它不加区分的对待同一层的叶子，带来了很多没必要的开销；实际上很多叶子的分裂增益较低，没必要进行搜索和分裂；lightgbm使用了带有深度限制的按叶子生长(leaf-wise)算法；
33、直接支持类别特征(categorical feature)
34、支持高效并行
35、cache命中率优化。
36、与现有技术相比，本专利技术的有益效果是：
37、1、本专利技术系统会根据数据的分布及分类特征，筛选出生成中最优的状态数据，经过算法筛选归类后的优质生产数据会被用于训练模型，系统会分析学习历史数据中数据的最佳状态，模型会自我迭代进化，系统会不间断运算，经过万次以上的迭代形成精确预测模型。整个系统运行时，可将预测模型推荐给工程师进行优调或是自主调控，
38、系统会实时监测分析生产线上产生的数据，一旦系统检测到任何异常状况，系统会自动提供解决方案给工程师其中包括产生异常状况的原因以及如何解决问题，以此来帮助生产时刻保持在最大的生产效率；
39、2、预测性维修：系统会对生产线异常状况进行预测，让工程师在警报系统发出警报之前提前修复问题；当系统检测到可能将要出现的故障时，系统会提前提示用户，并指出具体预计会出现故障位置便于工程师维修保养，可以帮助生产中大幅度降低不规则停产次数，降低原材料由于中途停机造成的损耗，极大提高了生产效率；
40、3、本专利技术结合机器学习和大数据，实现了工业生产从自动化到智能化，系统在使用中会不断吸收工程师的经验与方法，随着使用工厂的增加，分享同一行业内最好的经验，来全方位适用节能、环保、智能、高效的生产要求。
本文档来自技高网...【技术保护点】
1.一种基于机器学习的工业生产人工智能系统，包括机器学习模型，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于机器学习的工业生产人工智能系统，其特征在于，机器学习模型还包括步骤4：预测性维修，工厂提供历史的异常数据以及维修情况，将异常数据按照不同的异常情况进行分类处理，并导入各个运行设备正常运行时的参数可控区间范围，将所述异常数据整合后，随机划分成测试集和验证集，利用GBDT算法搭建机器学习模型训练数据；
3.根据权利要求2所述的基于机器学习的工业生产人工智能系统，其特征在于：所述解决方案包括产生异常状况的原因或者可能将要产生的异常情况、如何解决问题。
4.根据权利要求2所述的基于机器学习的工业生产人工智能系统，其特征在于：所述异常数据包括设备情况、参数设定。
5.根据权利要求1所述的基于机器学习的工业生产人工智能系统，其特征在于：在步骤1中，GBDT算法：Process.html所展示数据根据权重model_gboost_jingbai.pkl计算；此处使用的模型权重是根据GBDT回归模型计算得出。
6.根据权
7.根据权利要求3所述的基于机器学习的工业生产人工智能系统，其特征在于：分类器需要进行更新，具体的算法为：
8.根据权利要求1所述的基于机器学习的工业生产人工智能系统，其特征在于：在步骤1中，GBDT算法需要引入LightGBM算法，lightGBM在GBDT算法上进行了如下优化：
...【技术特征摘要】
1.一种基于机器学习的工业生产人工智能系统，包括机器学习模型，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于机器学习的工业生产人工智能系统，其特征在于，机器学习模型还包括步骤4：预测性维修，工厂提供历史的异常数据以及维修情况，将异常数据按照不同的异常情况进行分类处理，并导入各个运行设备正常运行时的参数可控区间范围，将所述异常数据整合后，随机划分成测试集和验证集，利用gbdt算法搭建机器学习模型训练数据；
3.根据权利要求2所述的基于机器学习的工业生产人工智能系统，其特征在于：所述解决方案包括产生异常状况的原因或者可能将要产生的异常情况、如何解决问题。
4.根据权利要求2所述的基于机器学习的工业生产人工智能系统，其特征在于：所述异常数据包括设备情况、...
【专利技术属性】
技术研发人员：向达，
申请(专利权)人：杭州亚太化工设备有限公司，
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。