【技术实现步骤摘要】
本专利技术属于设备健康管理的，具体涉及流水车间设备运行状态预测方法。
技术介绍
1、传统流水车间的设备数据实时交互性差，设备运行状态预测准确率较低，这会导致车间生产出现停滞和空闲的情况，不利于车间生产资源的最大化利用，因此，提高交互性及设备运行状态预测的准确率成为亟待解决的问题[1]。针对上述问题，近年来，使用卷积神经网络、随机森林和支持向量机预测设备运行状态的研究较多[1-5]，但预测准确率均不高，问题还有待深入研究。
技术实现思路
1、本专利技术的目的是提供流水车间设备运行状态预测方法，该方法预测准确率较真实和准确，能够很好地作为先验经验运用到以后的流水车间设备实时调度决策中。
2、本专利技术所采用的技术方案是，流水车间设备运行状态预测方法，具体包括以下步骤：
3、步骤1：构建流水车间设备实体在信息空间中的数字孪生模型，并建立实体与数字孪生模型之间的虚实映射关系，实体与数字孪生模型共同组成数字孪生体；
4、步骤2：通过数字孪生体获得并存储流水车间的设备自身属性数据、设备运行状态数据并进行存储和分析；
5、步骤3：在数字孪生体的数据分析层，使用k-近邻算法预测设备的运行状态。
6、本专利技术的特点还在于，
7、步骤1中，数字孪生体包括设备层、感知层、数据传输层、数据分析层及服务层。
8、步骤1具体为：
9、步骤1.1：虚拟建模；
10、步骤1.2：在步骤1.1虚拟建模的基础
11、步骤1.3：构建数据接口，连接数字孪生体的各层，通过tcp/ip协议、socket通信技术，实现设备运行状态数据在层与层之间的传输。
12、步骤1.1具体为：
13、步骤1.1.1：根据流水车间实际尺寸及实际路径确定虚拟模型的可用区域及不可通路径；
14、步骤1.1.2：构建包括设备运行过程中每一个细节动作在内的虚拟实体；
15、步骤1.1.3：根据不同实体之间的关系，搭建不同虚拟实体间的联系，利用图表、文本及文件可视化工具，将不同实体间的联系以及设备运行状态的变化展示出来；至此，构建了流水车间设备的数字孪生体。
16、步骤2中：设备运行状态数据包括有：振动速度、加速度、每小时位移、震动频率以及温度五类实时特征数据。
17、步骤2中：在数字孪生体的感知层使用各类传感器对设备运行状态数据进行采集和传输；数字孪生体的数据传输层使用传输控制协议tcp，将通过传感器采集得到的振动速度、加速度、每小时位移、震动频率以及温度五类实时特征数据传输到数字孪生体的数据分析层进行存储和分析。
18、步骤3具体为：
19、步骤3.1：数字孪生体的数据分析层对采集的实时特征数据即振动速度、加速度、每小时位移、震动频率以及温度，按照相应参数标准进行异常值去除；
20、其中，振动速度异常值范围为＞40000mm/h，加速度异常值范围为≥35g/s，每小时位移异常值范围为≥2mm/h，震动频率异常值范围为<4.5hz/s，温度异常值范围为30-50℃；
21、步骤3.2：将去除掉异常值的各个实时特征数据进行归一化处理，使数据权重相等，且将对应的各个实时特征数据值转化为0-1之间，归一化处理结束后的实时特征数据为原始数据；
22、步骤3.3：计算原始数据与对应的历史数据之间的欧几里得距离，距离越小，代表设备当前的运行状态越靠近历史数据所标识的设备运行状态，计算公式如公式(1)所示：
23、
24、注：xi表示归一化处理后的实时特征数据，yi表示已识别的历史特征数据，特征数据的内容步骤3.1已做说明；
25、步骤3.4：将步骤3.3中计算出来的距离进行升序排序，选取前k个距离，统计k个距离的频数，频数中的最大值为众数，此众数对应实时特征数据所代表的设备运行状态，即若前k个距离所对应的设备历史运行状态占多数为某种状态，则设备当前运行状态就为该状态，最后输出模型预测结果；
26、其中，前k个距离所对应的设备历史运行状态数占前k个距离所对应的设备历史运行状态总量的60％即为占多数；
27、步骤3.5：为了验证模型预测结果的准确性，根据“模型预测准确率＝预测结果与实际结果一致的测试样本数/测试总样本数”计算模型预测准确率，最终输出模型预测准确率。
28、本专利技术的有益效果是
29、(1)本专利技术方法具备较准确的预测能力，实时性较强。k-近邻算法能够提高设备运行状态预测的准确率[6-7]，数字孪生能够解决数据实时交互性差的问题[8]，将二者相结合，能够很好地解决流水车间设备运行状态预测准确率低，以及数据实时更新速度慢的问题。k-近邻算法与数字孪生技术相融合，构建的流水车间设备运行状态预测模型，不仅能够实时采集、传输、处理车间设备运行状态数据，而且能够较为真实和准确地预测设备运行状态，具备较强的预测能力，能够很好地作为先验经验运用到流水车间设备实时调度决策中。
30、(2)本专利技术方法能够促进传统流水车间的数字化转型。虽然k-近邻算法属于简单的机器学习算法，但是在制造业生产车间的应用还很少。从简单的机器学习算法的应用着手，可以证明人工智能技术在制造业企业中的应用具有了一定的成效。制造业企业可以更多地引入人工智能技术进行车间生产流程的改良，通过人工智能技术的应用和推广，从而促进企业的数字化转型。同时，传感器参数、图像采集装置参数均可依据流水车间的具体情况进行灵活调整，对于数字孪生的应用也有经验可循，这也增加了企业数字化转型的信心。
本文档来自技高网...【技术保护点】
1.流水车间设备运行状态预测方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的流水车间设备运行状态预测方法，其特征在于，步骤1中，所述数字孪生体包括设备层、感知层、数据传输层、数据分析层及服务层。
3.根据权利要求2所述的流水车间设备运行状态预测方法，其特征在于，步骤1具体为：
4.根据权利要求3所述的流水车间设备运行状态预测方法，其特征在于，步骤1.1具体为：
5.根据权利要求3所述的流水车间设备运行状态预测方法，其特征在于，步骤2中：所述设备运行状态数据包括有：振动速度、加速度、每小时位移、震动频率以及温度五类实时特征数据。
6.根据权利要求3所述的流水车间设备运行状态预测方法，其特征在于，步骤2中：在数字孪生体的感知层使用各类传感器对设备运行状态数据进行采集和传输；数字孪生体的数据传输层使用传输控制协议TCP，将通过传感器采集得到的振动速度、加速度、每小时位移、震动频率以及温度五类实时特征数据传输到数字孪生体的数据分析层进行存储和分析。
7.根据权利要求5所述的流水车间设备运行状态预测方法，
...【技术特征摘要】
1.流水车间设备运行状态预测方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的流水车间设备运行状态预测方法，其特征在于，步骤1中，所述数字孪生体包括设备层、感知层、数据传输层、数据分析层及服务层。
3.根据权利要求2所述的流水车间设备运行状态预测方法，其特征在于，步骤1具体为：
4.根据权利要求3所述的流水车间设备运行状态预测方法，其特征在于，步骤1.1具体为：
5.根据权利要求3所述的流水车间设备运行状态预测方法，其特征在于，步骤2中：所述设备...
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。