CN108198268B - 一种生产设备数据标定方法 - Google Patents

Abstract

本发明公开了一种生产设备数据标定方法，包括以下步骤，数据采集步骤，用以采集生产设备运行中的两组以上设备数据，每一组设备数据包括同一时段内被采集到的一组生产数据及一组外部参数；每一组生产数据为已标定生产数据或未标定生产数据；当一组生产数据为已标定生产数据时，该组生产数据中的至少一个基本数据被标定有相应的数据含义标识；数据库生成步骤，用以生成一数据库，包括至少两组已标定生产数据及其同一时段的外部参数；数据模型建立步骤，用以根据所述数据库建立标定数据模型；数据标定步骤，用以根据所述标定数据模型获取至少一组未标定生产数据中至少一个基本数据的数据含义标识。

Description

一种生产设备数据标定方法

技术领域

本发明涉及机器学习应用领域，特别涉及一种生产设备数据标定方法。

背景技术

机器学习(Machine Learning， ML)是以计算机学科为主，涉及概率论、统计学、凸优化、复杂网络理论等多门学科的新兴学科，是以研究从已知数据中分析获得规律并利用规律对未知数据进行预测为主要目标的学科。

人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

工业生产设备是广泛用于工业生产的各类设备的集合，其生产环节、设备组成、目标产不同，但其基于自动化设备数据驱动进行生产调度的原理相同。从工业生产设备中获取实时生产参数的路径和方法有一致性。通过这样的路径和方法获得的工业生产设备生产数据有相似的数据结构和特性。

在工业生产设备领域，存在着大量设备已经无法联系其设计人员，其数据缺乏有效标定导致对数据的使用出现问题。如何从大量且复杂的工业生产设备中将其中的数据进行有效标定，找出其中数据与生产参数的实际关系就能够实现工业生产设备数据的长期有效使用。

以纺织机械领域为例，传统纺织机械工厂往往拥有大量的精梳机，这些机器使用PLC作为核心控制单元，其中有数万个生产数据每秒钟都在更新。如果需要对其中较为重要的数据如喂入速度、出条速度、牵伸倍数和设备时间开动率进行分析时，由于无法在数万个生产数据中准确的定位到这几个生产数据，因此无法对设备的工作状态机进行准确的分析。如果能够从数万个生产数据中自动标定出有效的数据，就可以快速进行后续的数据应用。

发明内容

本发明的目的是：提供一种生产设备数据标定方法，以解决现有技术中存在的当需要标定的工业生产设备较多时，需要消耗大量时间和大量资源，人力成本较高的技术问题。

实现上述目的的技术方案是：一种生产设备数据标定方法，其特征在于，包括以下步骤，数据采集步骤，用以采集多台生产设备运行中的多组设备数据，每一组设备数据包括同一时段内被采集到的一组生产数据及一组外部参数； 每一组生产数据为已标定生产数据或未标定生产数据；当一组生产数据为已标定生产数据时，该组生产数据中的至少一个基本数据被标定有相应的数据含义标识；数据库生成步骤，用以生成一数据库，包括至少两组已标定生产数据及其同一时段的外部参数；数据模型建立步骤，用以根据所述数据库建立标定数据模型；数据标定步骤，用以根据所述标定数据模型获取至少一组未标定生产数据中至少一个基本数据的数据含义标识。

在本发明一较佳的实施例中，所述数据模型建立步骤包括数据分组步骤，用以将多组已标定生产数据随机分成两个样本组，分别为训练样本组和测试样本组，每一训练样本或测试样本中包括至少一组已标定生产数据及其外部参数；模型建立步骤，用以根据所述训练样本组中多个训练样本中的数据含义标识及所述对应关系表建立标定数据模型；以及交叉验证步骤，用以根据所述测试样本组中多个测试样本的已标定生产数据及所述标定数据模型获取与每一测试样本对应的测试数据含义标识，将所述测试数据含义标识与已知的测试样本的数据含义标识进行交叉对比，计算所述标定数据模型的准确度；当所述准确度小于或等于90%时，返回所述数据分组步骤。

在本发明一较佳的实施例中，所述数据模型建立步骤中，在所述数据分组步骤与所述模型建立步骤之间，还包括扩增特征计算步骤，根据所述至少一组已标定生产数据及其同一时段的外部参数计算扩增特征；附加数据含义标识步骤，为所述扩增特征标定数据含义标识，每一所述扩增特征的数据含义标识为与该扩增特征关联的所有生产数据和外部参数的数据含义标识；以及训练样本修正步骤，将所述得到的扩增特征分别加入训练样本组中，使每一训练样本组中均包含由其中生产数据和外部参数计算所得的扩增特征。

在本发明一较佳的实施例中，所述扩增特征包括生产数据的平均值、标准差、最大值、最小值、生产数据与其他生产数据计算产生的数值计算值及生产数据与外部参数之间的数值计算值。

在本发明一较佳的实施例中，所述模型建立步骤包括模型基础结构确定步骤，采用深度学习模型作为标定数据模型的基础结构，所述深度学习模型包括全连接网络模型、卷积神经网络模型、循环神经网络模型； 参数设定步骤，设定所述模型基础结构的结构参数，所述结构参数包括模型层数、每层包含的神经元个数及需要设定的参数；以及代码逻辑运算步骤，用以运行根据结构参数进行逻辑运算生成所述标定数据模型。

在本发明一较佳的实施例中，所述的生产设备数据标定方法还包括还包括数据积累步骤，当一标定数据模型的准确度精确度达到预设值，将能够从标定数据模型中得到数据含义标识的未标定生产数据作为新的已标定生产数据，并同步获得新的已标定生产数据对应的外部参数；数据库更新步骤，将新的已标定生产数据及其外部参数写入所述数据库中。

在本发明一较佳的实施例中，所述的生产设备数据标定方法还包括标定数据模型长期优化步骤，用以根据更新后所述数据库建立新的标定数据模型。

在本发明一较佳的实施例中，在所述数据采集步骤中，数据采集的时间为0.1-1000000小时，数据采集频率为每分钟10个-10000个。

在本发明一较佳的实施例中，所述生产数据为所述生产设备在运行状态下可采集的实时数据，包括设备设定参数和实时状态参数；和/或，所述外部参数包括所述生产设备外部的参数；和/或，所述数据含义标识用以标识一数据的特征和/或含义。

在本发明一较佳的实施例中，所述已标定生产数据的数据采集时间为0.1小时-1000000小时，数据采集频率为每分钟10个-10000个。

本发明的优点在于，本发明提供一种基于机器学习和人工智能的生产设备数据标定方法，可以根据生产设备的已标定生产数据、外部参数及与已标定生产数据与外部参数的对应关系，获取精确度最高的标定数据模型，根据标定数据模型处理大量生产设备的未标定设备数据，并对其进行准确标定，同时可以在未来使用的过程中实现标定数据模型的自动优化，提高标定精确度，采用本发明的生产设备数据标定方法，能够快速的、精确的标定出未标定的设备参数，根据这些设备参数，能够快速的得到这些设备参数的扩增特征，较为直观的得到设备的运行状态等情况，以便于设备的管理、维修，以及新设备的数据设定，减少了数据调试的次数，提高了生产效率。

附图说明

下面结合附图和实施例对本发明作进一步解释。

图1是本发明实施例的生产设备数据标定方法步骤流程图。

图2是所述标定数据模型建立步骤的流程图。

图3是所述模型建立步骤的流程图。

具体实施方式

一种生产设备数据标定方法，应用于生产设备，生产设备可选择为包含但不限于工业加工中心、车床、纺织机械、印染机械。每一所述生成设备中设有至少一个主控单元，每一所述主控单元包括可编程逻辑器、分布式控制系统单元等等。每一所述生产设备具有设备数据，设备数据包括生产数据以及外部参数，如生产数据包括设备运行数据，设备运行数据包括设备运行速度、设备运行时的温度、设备运行时间等等。外部参数包括设备类型、生产产品类型、生产厂家、设备型号、环境参数、设备设定参数、实时工作状态参数中的至少一种。

如图1所示，生产设备数据标定方法包括步骤01）-步骤07），具体如下所述。

步骤S1）数据采集步骤，用以采集多台生产设备运行中的多组设备数据。本实施例中，一组设备数据是指一台设备上数据，每一组设备数据包括同一时段内被采集到的一组生产数据及一组外部参数。多组以上设备数据是同一设备上的两组以上设备数据，或不同设备上的两组以上设备数据，其中，不同设备包括两台以上同一类型的设备和/或两台以上不同类型的但相互存在关联的设备。每组设备数据的数据采集的时间为0.1-1000000小时，数据采集频率为每分钟10个-10000个。如数据采集的时间为1小时，数据采集频率为每分钟100个，则1小时内采集的每组设备数据为6000个。每一组设备数据包括同一时段内被采集到的一组生产数据及一组外部参数； 每一组生产数据为已标定生产数据或未标定生产数据；当一组生产数据为已标定生产数据时，该组生产数据中的至少一个基本数据被标定有相应的数据含义标识；所述已标定生产数据采集时间内为0.1小时-100000小时、数据采集频率为每分钟10个-10000个，如数据采集的时间为1小时，数据采集频率为每分钟50个，在1小时内，每组设备中的已标定生产数据为3000个。当一组生产数据为已标定生产数据时，该组生产数据中的至少一个基本数据被标定有相应的数据含义标识。该数据含义标识可以是运行速度、设备运行时的温度、设备运行时间等等中的至少一个。

步骤S2）数据库生成步骤，用以生成一数据库，包括至少两组已标定生产数据及其同一时段的外部参数。

步骤S3）标定数据模型建立步骤，用以根据所述数据库建立标定数据模型。在该步骤S3）标定数据模型构建步骤中包括步骤S31）-步骤S37），如图2所示。步骤S31）数据分组步骤，用以将多组已标定生产数据随机分成两个样本组，分别为训练样本组和测试样本组，每一训练样本或测试样本中包括至少一组已标定生产数据及其数据含义标识。步骤S32）扩增特征计算步骤，根据所述至少一组已标定生产数据及其同一时段的外部参数计算扩增特征，所述扩增特征包括生产数据的平均值、标准差、最大值、最小值、生产数据与其他生产数据计算产生的数值计算值及生产数据与外部参数之间的数值计算值。在该步骤S32）中，计算扩增特征的方法可以根据扩增特征的特性选择相应的算法计算得到扩增特征。如时域、频域中的统计学特征（statistic features）如极大极小值、多尺度下的均值、方差、差值、梯度、峰值、峰谷频率、边缘频率（Spectral edge frequency）、峰度（Kurtosis）值、偏态（Skewness）值、Hjorth参数（Hjorth Parameter）等。成分分析及复杂性分析法：成分分析及复杂性分析特征（complexity features）和信息论特征（informational features）如多尺度熵（Multiscale entropy）、多级排列熵（Multiscale permutation entropy）、香农熵（Shannon entropy）、微分熵（Differential entropy）等。生产设备所处行业的行业专用特征如能量谱密度（Power spectrum energy）、能量谱密度比率（Ratio）及相对值（Relative）、重叠移动窗口片段能量谱密度（PSD in moving windows withoverlapping）、瞬时频率、天气、风向等。主成分分析（Principal Component Analysis）及线性判别分析（Linear Discriminant Analysis ）等算法进行降维后得出的高维数据特征。通过人工神经网络（Artificial Neural Network）进行自动编码-解码模型（Auto-Encoder-decoder）实现数据表示，学习出数据时间、空间上的概率分布在高纬度的特征表示等。步骤S33）附加数据标识步骤，为所述扩增特征标定数据含义标识，每一所述扩增特征的数据含义标识为与该扩增特征关联的所有生产数据和外部参数的数据含义标识；步骤S34）训练样本修正步骤，将所述得到的扩增特征分别加入训练样本组中，使每一训练样本组中均包含由其中生产数据和外部参数计算所得的扩增特征。步骤S35）模型建立步骤，用以根据所述训练样本组中多个训练样本中的数据含义标识及所述对应关系表建立标定数据模型。所述步骤S35）包括步骤S351）-步骤S353），如图3所示。步骤S351）模型基础结构确定步骤，采用深度学习模型作为标定数据模型的基础结构，所述深度学习模型包括全连接网络模型、卷积神经网络模型、循环神经网络模型；全连接网络模型本质上是把所有的输入的生产数据与输出连接起来的单个交换机。其直径是1个链路，度数为N。交换机的失效将使整个网络不复存在，此为现有技术，对此不再赘述。卷积神经网络模型中，需要搭建预设层的全卷积网络，每一层表示一个卷积模块，每一个所述卷积模块设有网络参数；训练预设层的全卷积神经的网络参数，输入平滑模糊处理后的模糊训练集样本的像素特征的数据，利用前向计算与梯度反向传播迭代更新网络参数直至收敛，建立基础模型。循环神经网络模型即RNN模型，RNN模型是一种具有反馈结构的神经网络，其输出不但与当前输入和网络的权值有关，而且也与之前网络的输入有关；RNN模型通过添加跨越时间点的自连接隐藏层，对时间进行建模，RNN模型也是现有技术，对此不再赘述。步骤S352）参数设定步骤，设定所述模型基础结构的结构参数，所述结构参数包括模型层数、每层包含的神经元个数及需要设定的参数；步骤S353）代码逻辑运算步骤，用以运行根据结构参数进行逻辑运算生成所述标定数据模型。步骤S36）交叉验证步骤，用以根据所述测试样本组中多个测试样本的已标定生产数据及所述标定数据模型获取与每一测试样本对应的测试数据含义标识，将所述测试数据含义标识与已知的测试样本的数据含义标识进行交叉对比，计算所述标定数据模型的准确度；判断所述标定数据模型的准确度是否大于90%，若所述准确度小于或等于90%时，返回所述数据分组步骤。若所述准确度大于90%，则进入步骤S37）完成标定数据模型建立。

步骤S4）数据标定步骤，用以根据所述标定数据模型获取至少一组未标定生产数据中至少一个基本数据的数据含义标识。如将获取一组未标定生产数据及多组已标定生产数据输入至所述标定数据模型，得到该组未标定生产数据中至少一个基本数据的数据含义标识。

步骤S5）数据积累步骤，当一标定数据模型的准确度精确度达到预设值，将能够从标定数据模型中得到数据含义标识的未标定生产数据作为新的已标定生产数据，并同步获得新的已标定生产数据对应的外部参数。

步骤S6）数据库更新步骤，将新的已标定生产数据及其外部参数写入所述数据库中。

步骤S7）标定数据模型长期优化步骤，用以根据更新后所述数据库，返回步骤S3）建立新的标定数据模型。

以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种生产设备数据标定方法，其特征在于，包括以下步骤，

数据采集步骤，用以采集多台生产设备运行中的多组设备数据，每一组设备数据包括同一时段内被采集到的一组生产数据及一组外部参数； 每一组生产数据为已标定生产数据或未标定生产数据；当一组生产数据为已标定生产数据时，该组生产数据中的至少一个基本数据被标定有相应的数据含义标识；

数据库生成步骤，用以生成一数据库，包括至少两组已标定生产数据及其同一时段的外部参数；

数据模型建立步骤，用以根据所述数据库建立标定数据模型；

数据标定步骤，用以根据所述标定数据模型获取至少一组未标定生产数据中至少一个基本数据的数据含义标识；其中，所述数据模型建立步骤包括

数据分组步骤，用以将多组已标定生产数据随机分成两个样本组，分别为训练样本组和测试样本组，每一训练样本或测试样本中包括至少一组已标定生产数据及其外部参数；

模型建立步骤，用以根据所述训练样本组中多个训练样本中的生产数据、外部参数及数据含义标识建立标定数据模型；以及

交叉验证步骤，用以根据所述测试样本组中多个测试样本的已标定生产数据及所述标定数据模型获取与每一测试样本对应的测试数据含义标识，将所述测试数据含义标识与已知的测试样本的数据含义标识进行交叉对比，计算所述标定数据模型的准确度；当所述准确度小于或等于90%时，返回所述数据分组步骤。

2.根据权利要求1所述的生产设备数据标定方法，其特征在于，

所述数据模型建立步骤中，

在所述数据分组步骤与所述模型建立步骤之间，还包括

扩增特征计算步骤，根据所述至少一组已标定生产数据及其同一时段的外部参数计算扩增特征；

附加数据含义标识步骤，为所述扩增特征标定数据含义标识，每一所述扩增特征的数据含义标识为与该扩增特征关联的所有生产数据和外部参数的数据含义标识；以及

训练样本修正步骤，将所述得到的扩增特征分别加入训练样本组中，使每一训练样本组中均包含由其中生产数据和外部参数计算所得的扩增特征。

3.根据权利要求2所述的生产设备数据标定方法，其特征在于，所述扩增特征包括生产数据的平均值、标准差、最大值、最小值、生产数据与其他生产数据计算产生的数值计算值及生产数据与外部参数之间的数值计算值。

4.根据权利要求1所述的生产设备数据标定方法，其特征在于，

所述模型建立步骤包括

模型基础结构确定步骤，采用深度学习模型作为标定数据模型的基础结构，所述深度学习模型包括全连接网络模型、卷积神经网络模型、循环神经网络模型；

参数设定步骤，设定所述模型基础结构的结构参数，所述结构参数包括模型层数、每层包含的神经元个数及需要设定的参数；以及

代码逻辑运算步骤，用以运行根据结构参数进行逻辑运算生成所述标定数据模型。

5.根据权利要求1所述的生产设备数据标定方法，其特征在于，还包括

数据积累步骤，当一标定数据模型的准确度精确度达到预设值，将能够从标定数据模型中得到数据含义标识的未标定生产数据作为新的已标定生产数据，并同步获得新的已标定生产数据对应的外部参数；

数据库更新步骤，将新的已标定生产数据及其外部参数写入所述数据库中。

6.根据权利要求5所述的生产设备数据标定方法，其特征在于，还包括标定数据模型长期优化步骤，用以根据更新后所述数据库建立新的标定数据模型。

7.根据权利要求1所述的生产设备数据标定方法，其特征在于，

在所述数据采集步骤中，

数据采集的时间为0.1-1000000小时，

数据采集频率为每分钟10个-10000个。

8.根据权利要求1所述的生产设备数据标定方法，其特征在于，

所述生产数据为所述生产设备在运行状态下可采集的实时数据，包括设备设定参数和实时状态参数；和/或，

所述外部参数包括所述生产设备外部的参数；和/或，

所述数据含义标识用以标识一数据的特征和/或含义。

9.根据权利要求1或8所述的生产设备数据标定方法，其特征在于，

所述已标定生产数据的数据采集时间为0.1小时-1000000小时，数据采集频率为每分钟10个-10000个。

Images