CN105046370A - 四线一库备品备件库存量预测系统及其建立方法 - Google Patents

Abstract

本发明公开了一种四线一库备品备件库存量预测系统，包括数据采集模块、数据分析处理模块、故障在线诊断模块、库存量预测模块以及模型修正模块；模型修正模块分别与故障在线诊断模块、库存量预测模块双向连接；故障在线诊断模块还连接有预警与告警模块，预警与告警模块与故障处理知识库连接。本发明还公开了一种四线一库备品备件库存量预测系统的建立方法，包括：建立四线一库系统故障在线诊断模型；对故障诊断信息进行提取分析；建立备品备件库存预测模型；备品备件库存预测模型修正。本发明不仅能够对生产设备进行故障在线诊断，提高生产设施可靠性和计量中心运维水平，而且能够在满足生产需要的同时，将备品备件的库存量降到最低。

Description

四线一库备品备件库存量预测系统及其建立方法

技术领域

本发明涉及一种四线一库备品备件库存量预测系统，还涉及一种四线一库备品备件库存量预测系统的建立方法，属于电力计量技术领域。

背景技术

“四线一库”主要指：单相智能电能表自动化检定流水线、三相智能电能表自动化检定流水线、低压电流互感器自动化检测流水线、用电采集终端自动化检测流水线、智能化仓储库房。

合理的备品备件储备是“四线一库”系统运行和检修工作的基本保障。现有“四线一库”生产设施备品备件的配置主要依赖于人工经验，但由于检定线和仓储库房涉及的备品备件种类繁多，且不同备品备件的准备受采购金额，存储成本、采购周期，使用频率等特点限制，导致现场人工预测备品备件库存量与实际情况不符，出现预测偏差，严重时影响计量检定生产。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种基于故障诊断功能的“四线一库”备品备件库存量预测系统，解决现有技术中采用人工预测备品备件库存量存在预测偏差，影响计量检定生产的技术问题。

为达到上述目的，本发明所采用的技术方案是：四线一库备品备件库存量预测系统，包括数据采集模块、数据分析处理模块、故障在线诊断模块、库存量预测模块以及用于对故障在线诊断模型和库存量预测模型进行修正管理的模型修正模块；所述数据采集模块、数据分析处理模块、故障在线诊断模块、库存量预测模块依次顺序连接，所述模型修正模块分别与故障在线诊断模块、库存量预测模块双向连接；所述故障在线诊断模块还连接有预警与告警模块，所述预警与告警模块与故障处理知识库连接；

数据采集模块获取“四线一库”各生产设备单元的运行数据，通过数据分析处理模块的功能组件实现对监测数据的处理和分析，得到故障备品备件的使用频率，库存量预测模块通过故障在线诊断模块自动获取故障备品备件的使用频率，预测备品备件库存量；

故障在线诊断模块提取故障影响因素，得到生产设备单元故障的预警及告警信息，给出故障诊断结论；

预警与告警模块将故障诊断结论整理输出，当系统诊断出故障，提示出预警或告警信息时，自动启动故障处理知识库，主动寻找匹配类似故障处理的解决方案。

本发明的另一目的在于提供一种四线一库备品备件库存量预测系统的建立方法，包括如下步骤：

步骤一：建立四线一库系统故障在线诊断模型；

步骤二：对故障诊断信息进行提取分析：对故障诊断的累计运行结果进行提取分析，查找出故障处理需要进行备品备件更换的设备，以及设备故障对生产产生的影响，提取关键故障；

步骤三：建立备品备件库存预测模型：将影响“四线一库”备品备件安全存量最主要因素作为备品备件库存预测模型的输入，同时结合“四线一库”系统备品备件实际存储的历史数据，建立安全库存预测BP神经网络，即备品备件库存预测模型，并选用trainlm函数进行训练；

步骤四：模型修正：根据模型输出结果，对训练样本进行筛选，对于模型输出结果与实际现场不符的情况，进行训练样本数据的修改干预，淘汰非典型训练样本，新增典型训练样本，通过对训练样本数据的修正实现模型的修复学习，输出更加贴合实际的预测数据。

步骤一所述建立四线一库系统故障在线诊断模型的具体步骤如下：

步骤101)：梳理“四线一库”系统集中监测数据，对正常的和故障的计量生产设施监测数据进行分析，选取故障影响因素作为自变量，故障类别作为因变量，构建训练样本；

步骤102)：将训练样本进行主成分分析，对高维空间变量进行降维，提取的主成分作为BP神经网络的输入，通过不断修正权值和阈值，使网络的输出误差达到最小，满足实际应用的要求。

步骤二所述对故障诊断信息进行提取分析的具体步骤如下：

步骤201)：汇总“四线一库”系统采集的原始故障数据、以及故障在线诊断模型诊断出的故障信息，利用故障处理知识库的联动机制，提取出与设备相关的硬件解决方案，并进一步梳理解决方案与备品备件的关系，查找出故障处理需要进行备品备件更换的设备，以及设备故障对生产产生的影响，提取出关键故障；

步骤202)：通过数据挖掘、大数据分析实现对存储成本、故障发生频度、故障对生产产生的影响进行分析与评估。

步骤三所述建立备品备件库存预测模型的具体步骤如下：

步骤301)：采用3层前馈式BP神经网络结构，输入层和输出层节点采用purelin线性函数作为传递函数，隐层节点采用tansig正切S型函数作为传递函数；

步骤302)：将影响“四线一库”备品备件安全存量最主要的因素，包括：故障在线诊断模型输出的故障备品备件使用频率、存储成本、采购周期、缺货损失、订货成本作为备品备件库存预测模型输入，同时结合“四线一库”系统备品备件实际存储的历史数据，建立安全库存预测BP神经网络，并选用trainlm函数进行训练。

与现有技术相比，本发明所达到的有益效果是：提供了一种四线一库备品备件库存量预测系统，不仅能够对生产设备进行故障在线诊断，辅助工作人员发现生产异常与设备故障，提高生产设施可靠性和计量中心整体运维水平，而且根据故障诊断结果建立备品备件库存预测模型，能够在满足生产需要的同时，将备品备件的库存量降到最低；可通过模型修正模块对样本数据进行人为修正，进一步提高预测的精确度。

附图说明

图1是本发明提供的四线一库备品备件库存量预测系统的电路原理框图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，四线一库备品备件库存量预测系统，包括数据采集模块、数据分析处理模块、故障在线诊断模块、库存量预测模块以及用于对故障在线诊断模型和库存量预测模型进行修正管理的模型修正模块。数据采集模块、数据分析处理模块、故障在线诊断模块、库存量预测模块依次顺序连接，模型修正模块分别与故障在线诊断模块、库存量预测模块双向连接。故障在线诊断模块还连接有预警与告警模块，预警与告警模块与故障处理知识库连接。

工作时，数据采集模块通过实施获取、数据接口交互等多种方式获取“四线一库”各生产设备单元的运行数据，通过数据分析处理模块的功能组件实现对监测数据的处理和分析，包括：数据的校验与预处理、正常的和故障的计量生产设施检测数据的提取分析、以及故障诊断的累计运行结果筛选分析，得到故障备品备件的使用频率，库存量预测模块通过故障在线诊断模块自动获取故障备品备件的使用频率，预测备品备件库存量。

故障在线诊断模块从四线一库硬件系统采集在线监测数据作为输入，提取故障影响因素，计算得到分类输出结果，得到生产设备单元故障的预警及告警信息，给出故障诊断结论。

预警与告警模块包含预警与告警两部分，在已知历史数据和当前数据的情况下，故障在线诊断模型和故障处理知识库来预测备品备件发生故障的相关信息，并在设备即将故障之前给出预警信息；或对于存在通讯模块故障(如出现设备死机)等情况进行预警。同时将故障诊断结论整理输出，当系统诊断出故障，提示出预警或告警信息时，自动启动故障处理知识库，主动寻找匹配类似故障处理的解决方案。预警与告警模块的告警方式包括：推窗告警、语音告警、短消息告警、打印告警等多种方式进行告警，同时具备告警监控、告警确认、告警关闭、告警升级等多功能。

本发明的提供的四线一库备品备件库存量预测系统的建立方法，包括如下步骤：

步骤一：建立四线一库系统故障在线诊断模型：

基于人工神经网络的在线分析与诊断将初始故障诊断样本用作人工神经网络的输入和输出来进行网络学习，将故障数据作为网络的输入，通过网络计算最终得到分析诊断输出结果，通过故障信号的提取、自动识别和推理实现在线分析与诊断。具体步骤如下：

步骤101)：梳理“四线一库”系统集中监测数据，对正常的和故障的计量生产设施监测数据进行分析，选取合适的故障影响因素作为自变量，故障类别作为因变量，构建训练样本；合适的故障影响因指系统采集到的缓存线、上下料机器人、托盘、外观检测单元、拆/码垛机、耐压试验单元、多功能试验、误差检定单元、编程插卡单元、自动铅封单元、输送线、接/拆线单元、分拣单元等运行故障异常数据。

步骤102)：将训练样本进行主成分分析，对高维空间变量进行降维，提取的主成分作为BP神经网络的输入，通过不断修正权值和阈值，使网络的输出误差达到最小，满足实际应用的要求。

综上所述，完成可供实际生产使用的“四线一库”故障在线诊断模型的建立，可用于“四线一库”生产设施故障在线诊断，辅助工作人员发现生产异常与设备故障，提高生产设施可靠性和计量中心整体运维水平。

步骤二：对故障诊断信息进行提取分析：对故障诊断的累计运行结果进行提取分析，查找出故障处理需要进行备品备件更换的设备，以及设备故障对生产产生的影响，提取关键故障。具体步骤如下：

步骤201)：汇总“四线一库”系统采集的原始故障数据、以及故障在线诊断模型诊断出的故障信息，利用故障处理知识库的联动机制，提取出与设备相关的硬件解决方案，并进一步梳理解决方案与备品备件的关系，查找出故障处理需要进行备品备件更换的设备，以及设备故障对生产产生的影响，提取出关键故障；

步骤202)：通过数据挖掘、大数据分析实现对存储成本、故障发生频度、故障对生产产生的影响进行分析与评估。

通过对故障诊断信息的提取分析，可有效挖掘关键故障，以进一步完善故障发现及处理机制。

步骤三：建立备品备件库存预测模型：将影响“四线一库”备品备件安全存量最主要因素作为备品备件库存预测模型的输入，同时结合“四线一库”系统备品备件实际存储的历史数据，建立安全库存预测BP神经网络，即备品备件库存预测模型，并选用trainlm函数进行训练；

“四线一库”备品备件安全库存是指为了防止由于不确定因素影响“四线一库”维修而准备的缓冲库存。“四线一库”备品备件库存预测模型主要解决需要准备哪些设备库存，以及储存量多少最合理的问题，同时，在确保满足生产的需要的同时，将备品备件库存量水平降到最低。

建立备品备件库存预测模型的具体步骤如下：

步骤301)：采用3层前馈式BP神经网络结构，输入层和输出层节点采用purelin线性函数作为传递函数，隐层节点采用tansig正切S型函数作为传递函数；

步骤302)：将影响“四线一库”备品备件安全存量最主要的因素，包括：故障在线诊断模型输出的故障备品备件使用频率、存储成本、采购周期、缺货损失、订货成本作为备品备件库存预测模型输入，同时结合“四线一库”系统备品备件实际存储的历史数据，建立安全库存预测BP神经网络，并选用trainlm函数进行训练。

运用训练好的BP神经网络对库存量进行科学的预测，使备品备件的库存量得到尽可能令人满意的结果，从而辅助库存管理人员进行决策。

步骤四：模型修正：根据模型输出结果，对训练样本进行筛选，对于模型输出结果与实际现场不符的情况，可人为进行样本数据的修改干预，淘汰非典型样本，新增典型训练样本，通过对样本数据的修正实现模型的修复学习，以进一步输出更加贴合实际的预测数据。

系统诊断出的故障样本会自动记录在样本筛选库中，同时将故障样本的关键指标记录在样本筛选库中。对样本筛选库中的故障样本进行筛选，将典型的故障样本升级至专家库，并对新增故障样本重新建模，故障在线诊断模型进行修复学习过程。对于诊断结果与实际现场不符的情况，可人为进行样本数据的修改干预，修正后的样本数据，可加入样本库，重新进行建模。同样，备品备件库存预测模型也建立相应的样本筛选库，也可人为修正不准确的样本数据。

通过系统的长时间累计运行，模型样本量日渐增多，模型输出也会日益准确。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (5)

1.四线一库备品备件库存量预测系统，其特征在于，包括数据采集模块、数据分析处理模块、故障在线诊断模块、库存量预测模块以及用于对故障在线诊断模型和库存量预测模型进行修正管理的模型修正模块；所述数据采集模块、数据分析处理模块、故障在线诊断模块、库存量预测模块依次顺序连接，所述模型修正模块分别与故障在线诊断模块、库存量预测模块双向连接；所述故障在线诊断模块还连接有预警与告警模块，所述预警与告警模块与故障处理知识库连接；

数据采集模块获取“四线一库”各生产设备单元的运行数据，通过数据分析处理模块的功能组件实现对监测数据的处理和分析，得到故障备品备件的使用频率，库存量预测模块通过故障在线诊断模块自动获取故障备品备件的使用频率，预测备品备件库存量；

故障在线诊断模块提取故障影响因素，得到生产设备单元故障的预警及告警信息，给出故障诊断结论；

预警与告警模块将故障诊断结论整理输出，当系统诊断出故障，提示出预警或告警信息时，自动启动故障处理知识库，主动寻找匹配类似故障处理的解决方案。

2.四线一库备品备件库存量预测系统的建立方法，其特征在于，包括如下步骤：

步骤一：建立四线一库系统故障在线诊断模型；

步骤二：对故障诊断信息进行提取分析：对故障诊断的累计运行结果进行提取分析，查找出故障处理需要进行备品备件更换的设备，以及设备故障对生产产生的影响，提取关键故障；

步骤三：建立备品备件库存预测模型：将影响“四线一库”备品备件安全存量最主要因素作为备品备件库存预测模型的输入，同时结合“四线一库”系统备品备件实际存储的历史数据，建立安全库存预测BP神经网络，即备品备件库存预测模型，并选用trainlm函数进行训练；

步骤四：模型修正：根据模型输出结果，对训练样本进行筛选，对于模型输出结果与实际现场不符的情况，进行训练样本数据的修改干预，淘汰非典型训练样本，新增典型训练样本，通过对训练样本数据的修正实现模型的修复学习，输出更加贴合实际的预测数据。

3.根据权利要求2所述的四线一库备品备件库存量预测系统的建立方法，其特征在于，步骤一所述建立四线一库系统故障在线诊断模型的具体步骤如下：

步骤101)：梳理“四线一库”系统集中监测数据，对正常的和故障的计量生产设施监测数据进行分析，选取故障影响因素作为自变量，故障类别作为因变量，构建训练样本；

步骤102)：将训练样本进行主成分分析，对高维空间变量进行降维，提取的主成分作为BP神经网络的输入，通过不断修正权值和阈值，使网络的输出误差达到最小，满足实际应用的要求。

4.根据权利要求2所述的四线一库备品备件库存量预测系统的建立方法，其特征在于，步骤二所述对故障诊断信息进行提取分析的具体步骤如下：

步骤201)：汇总“四线一库”系统采集的原始故障数据、以及故障在线诊断模型诊断出的故障信息，利用故障处理知识库的联动机制，提取出与设备相关的硬件解决方案，并进一步梳理解决方案与备品备件的关系，查找出故障处理需要进行备品备件更换的设备，以及设备故障对生产产生的影响，提取出关键故障；

步骤202)：通过数据挖掘、大数据分析实现对存储成本、故障发生频度、故障对生产产生的影响进行分析与评估。

5.根据权利要求2所述的四线一库备品备件库存量预测系统的建立方法，其特征在于，步骤三所述建立备品备件库存预测模型的具体步骤如下：

步骤301)：采用3层前馈式BP神经网络结构，输入层和输出层节点采用purelin线性函数作为传递函数，隐层节点采用tansig正切S型函数作为传递函数；

步骤302)：将影响“四线一库”备品备件安全存量最主要的因素，包括：故障在线诊断模型输出的故障备品备件使用频率、存储成本、采购周期、缺货损失、订货成本作为备品备件库存预测模型输入，同时结合“四线一库”系统备品备件实际存储的历史数据，建立安全库存预测BP神经网络，并选用trainlm函数进行训练。