CN108898254A - 一种基于lr的生产线备件损坏率预测系统 - Google Patents

一种基于lr的生产线备件损坏率预测系统 Download PDF

Info

Publication number
CN108898254A
CN108898254A CN201810713659.XA CN201810713659A CN108898254A CN 108898254 A CN108898254 A CN 108898254A CN 201810713659 A CN201810713659 A CN 201810713659A CN 108898254 A CN108898254 A CN 108898254A
Authority
CN
China
Prior art keywords
spare part
production line
model
value
forecasting system
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810713659.XA
Other languages
English (en)
Inventor
李振书
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liuzhou Muzi Technology Co Ltd
Original Assignee
Liuzhou Muzi Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Liuzhou Muzi Technology Co Ltd filed Critical Liuzhou Muzi Technology Co Ltd
Priority to CN201810713659.XA priority Critical patent/CN108898254A/zh
Publication of CN108898254A publication Critical patent/CN108898254A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明公开了一种基于LR的生产线备件损坏率预测系统，具体流程如下：首先通过传感器收集设备最的运行记录，每小时的电流，电压平均值，以及运行时长等数据；之后人工获取备件的从安装到替换的时间；然后通过LR训练，得到模型；通过模型预测对应类别备件的当前损耗率；损耗率大于一定的值需要提前订货并且替换。本技术方案实现了一种LR的生产线备件损耗率预测系统，通过收集备件的运行数据，可以得到备件的损耗率，从而提前订货，及时更换备件，保证生产线正常运转从而提升企业的生产效率。

Description

一种基于LR的生产线备件损坏率预测系统
技术领域
本发明涉及一种生产线备件损坏率预测系统，特别涉及一种基于LR的生产线备件损坏率预测系统，属于机械生产技术领域。
背景技术
产线备件更换：对于产线的高价值零部件，如何确定其订货量和订货时间，这是困扰企业的一个难题。由于生产线的设备复杂性、零件故障的随机性、备件消耗的特殊性和多样性，备件的需求和损耗难以预测。采用传统的定期更换无法更好的解决这个问题。因此需要采用算法来预测设备的损耗程度，做到精细化管理和更换。
LR：全称为logistic regressive，模型都具有 w‘x+b，其中w和b是待求参数，其区别在于他们的因变量不同，多重线性回归直接将w‘x+b作为因变量，即y =w‘x+b，而logistic回归则通过函数L将w‘x+b对应一个隐状态p，p =L(w‘x+b),然后根据p 与1-p的大小决定因变量的值。备件的损耗和生产环境以及使用周期都有明显的关系，因此我们可以通过采集环境数据预测备件的损耗率，做到提前更换。其中，x为输入变量，包括零件的使用周期、历史电压、电流、气压等数据，y为当前的损耗率。
现有的产线备件替换都是定期全面检查更新出现问题的备件，以及出现故障时临时替换。当前定期更换备件以及出现故障时，没有此类备件库存，需要临时进行采购，周期拉长。进而导致无法保证生产线正常运行，订货时间和订货量无法精准预测，当前损耗情况难以预测。
发明内容
本发明要解决的技术问题是克服现有技术的缺陷，提供一种基于LR的生产线备件损坏率预测系统。
为了解决上述技术问题，本发明提供了如下的技术方案：
本发明提供了一种基于LR的生产线备件损坏率预测系统，具体流程如下：
1）通过传感器收集设备最的运行记录，每小时的电流，电压平均值，以及运行时长等数据；
2）人工获取备件的从安装到替换的时间；
3）通过LR训练，得到模型；
4）通过模型预测对应类别备件的当前损耗率；
5）损耗率大于一定的值需要提前订货并且替换。
作为本发明的一种优选技术方案，LR训练模型为：
输入：
x：设备的运行数据，包括电流、电压、运行时长等，
y：设备的状态数据，0表示正常，1表示故障，
目标：
得到模型w，预测值函数为sigmoid函数，具体如下：
z=w*x
使得模型预测值和真实值最接近，损失函数为
通过梯度下降，得到w和b的更新方法：
Y表示真实值，Φ(z)表示模型的预测值，x为输入。
作为本发明的一种优选技术方案，LR预测流程为：
得到预测数据的运行数据后，通过
可以得到当前的损耗值，大于某个阈值就需要订货替换。
本发明所达到的有益效果是：本技术方案实现了一种LR的生产线备件损耗率预测系统，通过收集备件的运行数据，可以得到备件的损耗率，从而提前订货，及时更换备件，保证生产线正常运转从而提升企业的生产效率。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明的结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1
如图1所示，本发明提供了一种基于LR的生产线备件损坏率预测系统，具体流程如下：
1）通过传感器收集设备最的运行记录，每小时的电流，电压平均值，以及运行时长等数据；
2）人工获取备件的从安装到替换的时间；
3）通过LR训练，得到模型；
4）通过模型预测对应类别备件的当前损耗率；
5）损耗率大于一定的值需要提前订货并且替换。
LR训练模型为：
输入：
x：设备的运行数据，包括电流、电压、运行时长等，
y：设备的状态数据，0表示正常，1表示故障，
目标：
得到模型w，预测值函数为sigmoid函数，具体如下：
z=w*x
使得模型预测值和真实值最接近，损失函数为
通过梯度下降，得到w和b的更新方法：
Y表示真实值，Φ(z)表示模型的预测值，x为输入。
LR预测流程为：
得到预测数据的运行数据后，通过
可以得到当前的损耗值，大于某个阈值就需要订货替换。
本发明所达到的有益效果是：本技术方案实现了一种LR的生产线备件损耗率预测系统，通过收集备件的运行数据，可以得到备件的损耗率，从而提前订货，及时更换备件，保证生产线正常运转从而提升企业的生产效率。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于LR的生产线备件损坏率预测系统，其特征在于，具体流程如下：
1）通过传感器收集设备最的运行记录，每小时的电流，电压平均值，以及运行时长等数据；
2）人工获取备件的从安装到替换的时间；
3）通过LR训练，得到模型；
4）通过模型预测对应类别备件的当前损耗率；
5）损耗率大于一定的值需要提前订货并且替换。
2.根据权利要求1所述的一种基于LR的生产线备件损坏率预测系统，其特征在于，LR训练模型为：
输入：
x：设备的运行数据，包括电流、电压、运行时长等，
y：设备的状态数据，0表示正常，1表示故障，
目标：
得到模型w，预测值函数为sigmoid函数，具体如下：
z=w*x
使得模型预测值和真实值最接近，损失函数为
通过梯度下降，得到w和b的更新方法：
Y表示真实值，Φ(z)表示模型的预测值，x为输入。
3.根据权利要求1所述的一种基于LR的生产线备件损坏率预测系统，其特征在于，LR预测流程为：
得到预测数据的运行数据后，通过
可以得到当前的损耗值，大于某个阈值就需要订货替换。
CN201810713659.XA 2018-07-03 2018-07-03 一种基于lr的生产线备件损坏率预测系统 Pending CN108898254A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810713659.XA CN108898254A (zh) 2018-07-03 2018-07-03 一种基于lr的生产线备件损坏率预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810713659.XA CN108898254A (zh) 2018-07-03 2018-07-03 一种基于lr的生产线备件损坏率预测系统

Publications (1)

Publication Number Publication Date
CN108898254A true CN108898254A (zh) 2018-11-27

Family

ID=64347438

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810713659.XA Pending CN108898254A (zh) 2018-07-03 2018-07-03 一种基于lr的生产线备件损坏率预测系统

Country Status (1)

Country Link
CN (1) CN108898254A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260818A (zh) * 2018-11-30 2020-06-09 财团法人金属工业研究发展中心 扣件成型机的模具状态诊断方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682180A (zh) * 2011-03-07 2012-09-19 上海宝信软件股份有限公司 旋转式机械设备性能退化的评估方法
CN107358347A (zh) * 2017-07-05 2017-11-17 西安电子科技大学 基于工业大数据的装备集群健康状态评估方法
CN108053079A (zh) * 2017-12-29 2018-05-18 山东超越数控电子股份有限公司 一种用于机务外场的备件数量预测方法和系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682180A (zh) * 2011-03-07 2012-09-19 上海宝信软件股份有限公司 旋转式机械设备性能退化的评估方法
CN107358347A (zh) * 2017-07-05 2017-11-17 西安电子科技大学 基于工业大数据的装备集群健康状态评估方法
CN108053079A (zh) * 2017-12-29 2018-05-18 山东超越数控电子股份有限公司 一种用于机务外场的备件数量预测方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黎慧: "基于EMD和逻辑回归的轴承性能退化评估与剩余寿命预测", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260818A (zh) * 2018-11-30 2020-06-09 财团法人金属工业研究发展中心 扣件成型机的模具状态诊断方法

Similar Documents

Publication Publication Date Title
Keizer et al. Joint condition-based maintenance and inventory optimization for systems with multiple components
US20190102494A1 (en) System for tracking incremental damage accumulation
Nguyen et al. Multi-level predictive maintenance for multi-component systems
US10650614B2 (en) Aircraft maintenance event prediction using higher-level and lower-level system information
Zheng et al. Optimal maintenance policy for a system with preventive repair and two types of failures
US9286735B1 (en) Generating cumulative wear-based indicators for vehicular components
CN106855966A (zh) 基于无人配送车进行调度的方法和系统
CN108229538B (zh) 交通工具系统预测装置和方法
CN109582529A (zh) 一种报警阈值的设置方法及装置
WO2010132998A4 (en) Process for improving the production of photovoltaic products
Cai et al. Joint optimization of preventive maintenance and spare parts inventory with appointment policy
TW202139131A (zh) 用於影像分類之適應學習
US20180232964A1 (en) Vehicle component failure prevention
CN106502871A (zh) 监管系统的告警阈值动态配置系统及方法
US20140188767A1 (en) Computer-Implemented Methods and Systems for Determining Fleet Conditions and Operational Management Thereof
JPWO2016185596A1 (ja) 遠隔監視装置、遠隔監視保守システム、遠隔監視方法、及び遠隔監視プログラム
US11736363B2 (en) Techniques for analyzing a network and increasing network availability
CN104076809A (zh) 数据处理装置以及数据处理方法
CN108898254A (zh) 一种基于lr的生产线备件损坏率预测系统
CN113448808B (zh) 一种批处理任务中单任务时间的预测方法、系统及存储介质
CN110928716A (zh) 调度任务异常处理方法及装置
Liu et al. Simultaneous predictive maintenance and inventory policy in a continuously monitoring system using simulation optimization
US11663544B2 (en) System and methods for risk assessment in a multi-tenant cloud environment
JP2020042708A (ja) モデル作成装置、モデル作成方法及びプログラム
CN105553717B (zh) 呼叫中心及其监控系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181127