CN108985505A - 一种基于rnn的生产线备件损坏率预测系统 - Google Patents
一种基于rnn的生产线备件损坏率预测系统 Download PDFInfo
- Publication number
- CN108985505A CN108985505A CN201810715063.3A CN201810715063A CN108985505A CN 108985505 A CN108985505 A CN 108985505A CN 201810715063 A CN201810715063 A CN 201810715063A CN 108985505 A CN108985505 A CN 108985505A
- Authority
- CN
- China
- Prior art keywords
- layer
- spare part
- value
- rnn
- hidden layer
- 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
Links
- 239000011159 matrix material Substances 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000000306 recurrent effect Effects 0.000 claims description 8
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于RNN的生产线备件损坏率预测系统,通过传感器获取备件运行序列和对应的状态数据;通过RNN训练模型,得到参数U、W、V;采用当前运行数据和状态数据,预测下一个时间的状态;预测为故障时,及时订货并替换。RNN由输入层、一个隐藏层和一个输出层组成;x是一个向量,它表示输入层的值;s是一个向量,它表示隐藏层的值;U是输入层到隐藏层的权重矩阵,o也是一个向量,它表示输出层的值;V是隐藏层到输出层的权重矩阵;最终通过公式算出备件预测状态o的值。本发明通过收集备件的运行数据,可以每天预测备件的损耗情况,达到提前订货,及时更换备件的目的,保证生产线正常运转。
Description
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RNN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。
RNN:全称为循环神经网络(Recurrent neural networks)。是一种通过隐藏层节点周期性的连接,来捕捉序列化数据中动态信息的神经网络,可以对序列化的数据进行分类。和其他前向神经网络不同,RNN可以保存一种上下文的状态,甚至能够在任意长的上下文窗口中存储、学习、表达相关信息,而且不再局限于传统神经网络在空间上的边界,可以在时间序列上有延拓,直观上讲,就是本时间的隐藏层和下一时刻的隐藏层之间的节点间有边。在产线备件损耗预测中,每个备件的状态都是序列化的,与RNN相吻合,RNN根据备件当前运行数据和当前时间的状态来预测下一时间的状态。
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RNN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RNN的生产线备件损坏率预测系统,具体流程如下:
通过传感器获取备件运行序列和对应的状态数据;
通过RNN训练模型,得到参数U、W、V;
采用当前运行数据和状态数据,预测下一个时间的状态;
预测为故障时,及时订货并替换。
作为本发明的一种优选技术方案,RNN由输入层、一个隐藏层和一个输出层组成;
x是一个向量,它表示输入层的值;s是一个向量,它表示隐藏层的值(这一层其实是多个节点,节点数与向量s的维度相同这一层其实是多个节点,节点数与向量s的维度相同);U是输入层到隐藏层的权重矩阵,o也是一个向量,它表示输出层的值;V是隐藏层到输出层的权重矩阵;
循环神经网络的隐藏层的值st不仅仅取决于当前这次的输入x,还取决于上一次隐藏层的值st-1。权重矩阵 W就是隐藏层上一次的值作为这一次的输入的权重;
RNN网络在t时刻接收到输入x之后,隐藏层的值是st,输出值是ot。关键一点是,ot的值不仅仅取决于xt,还取决于st-1,用公式来表示循环神经网络的计算方法:
x为备件当前运行数据,o为备件的预测状态。
本发明所达到的有益效果是:本发明通过收集备件的运行数据,可以每天预测备件的损耗情况,达到提前订货,及时更换备件的目的,保证生产线正常运转。
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是本发明的整体流程图;
图2是本发明CNN的结构示意图;
图3是本发明CNN的时间线图。
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1-3所示,本发明提供了一种基于RNN的生产线备件损坏率预测系统,具体流程如下:
通过传感器获取备件运行序列和对应的状态数据;
通过RNN训练模型,得到参数U、W、V;
采用当前运行数据和状态数据,预测下一个时间的状态;
预测为故障时,及时订货并替换。
RNN由输入层、一个隐藏层和一个输出层组成;
x是一个向量,它表示输入层的值;s是一个向量,它表示隐藏层的值(这一层其实是多个节点,节点数与向量s的维度相同这一层其实是多个节点,节点数与向量s的维度相同);U是输入层到隐藏层的权重矩阵,o也是一个向量,它表示输出层的值;V是隐藏层到输出层的权重矩阵;
循环神经网络的隐藏层的值st不仅仅取决于当前这次的输入x,还取决于上一次隐藏层的值st-1。权重矩阵 W就是隐藏层上一次的值作为这一次的输入的权重;
RNN网络在t时刻接收到输入x之后,隐藏层的值是st,输出值是ot。关键一点是,ot的值不仅仅取决于xt,还取决于st-1,用公式来表示循环神经网络的计算方法:
x为备件当前运行数据,o为备件的预测状态。
本发明所达到的有益效果是:本发明通过收集备件的运行数据,可以每天预测备件的损耗情况,达到提前订货,及时更换备件的目的,保证生产线正常运转。
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 (2)
1.一种基于RNN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)通过传感器获取备件运行序列和对应的状态数据;
2)通过RNN训练模型,得到参数U、W、V;
3)采用当前运行数据和状态数据,预测下一个时间的状态;
4)预测为故障时,及时订货并替换。
2.根据权利要求1所述的一种基于RNN的生产线备件损坏率预测系统,其特征在于,RNN由输入层、一个隐藏层和一个输出层组成;
x是一个向量,它表示输入层的值;s是一个向量,它表示隐藏层的值(这一层其实是多个节点,节点数与向量s的维度相同这一层其实是多个节点,节点数与向量s的维度相同);U是输入层到隐藏层的权重矩阵,o也是一个向量,它表示输出层的值;V是隐藏层到输出层的权重矩阵;
循环神经网络的隐藏层的值st不仅仅取决于当前这次的输入x,还取决于上一次隐藏层的值st-1;
权重矩阵 W就是隐藏层上一次的值作为这一次的输入的权重;
RNN网络在t时刻接收到输入x之后,隐藏层的值是st,输出值是ot;
关键一点是,ot的值不仅仅取决于xt,还取决于st-1,用公式来表示循环神经网络的计算方法:
x为备件当前运行数据,o为备件的预测状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810715063.3A CN108985505A (zh) | 2018-07-03 | 2018-07-03 | 一种基于rnn的生产线备件损坏率预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810715063.3A CN108985505A (zh) | 2018-07-03 | 2018-07-03 | 一种基于rnn的生产线备件损坏率预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108985505A true CN108985505A (zh) | 2018-12-11 |
Family
ID=64536363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810715063.3A Pending CN108985505A (zh) | 2018-07-03 | 2018-07-03 | 一种基于rnn的生产线备件损坏率预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108985505A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992971A (zh) * | 2017-12-06 | 2018-05-04 | 中建材智慧工业科技有限公司 | 一种水泥厂设备备件寿命的预测方法及系统 |
CN108873830A (zh) * | 2018-05-31 | 2018-11-23 | 华中科技大学 | 一种生产现场数据在线采集分析及故障预测系统 |
-
2018
- 2018-07-03 CN CN201810715063.3A patent/CN108985505A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992971A (zh) * | 2017-12-06 | 2018-05-04 | 中建材智慧工业科技有限公司 | 一种水泥厂设备备件寿命的预测方法及系统 |
CN108873830A (zh) * | 2018-05-31 | 2018-11-23 | 华中科技大学 | 一种生产现场数据在线采集分析及故障预测系统 |
Non-Patent Citations (1)
Title |
---|
高志强 等: "《深度学习 从入门到实战》", 30 June 2018, 中国铁道出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334839B (zh) | 航班延误预测方法、装置、设备及存储介质 | |
Jaber et al. | Learning curves for imperfect production processes with reworks and process restoration interruptions | |
Dai et al. | Deeptrend: A deep hierarchical neural network for traffic flow prediction | |
Chen et al. | Building occupancy modeling using generative adversarial network | |
US20210124983A1 (en) | Device and method for anomaly detection on an input stream of events | |
Zheng et al. | Optimal maintenance policy for a system with preventive repair and two types of failures | |
CN108038349A (zh) | 一种飞机系统健康状态的维修决策方法 | |
US20200265295A1 (en) | Data processing apparatus, data processing method, and storage medium | |
Cai et al. | Joint optimization of preventive maintenance and spare parts inventory with appointment policy | |
CN110535723A (zh) | 一种sdn中采用深度学习的消息异常检测方法 | |
US20200125083A1 (en) | Graph-based predictive maintenance | |
Barua et al. | Hierarchical temporal memory-based one-pass learning for real-time anomaly detection and simultaneous data prediction in smart grids | |
US20130103441A1 (en) | Generating Predictions for Business Processes Whose Execution is Driven by Data | |
Ai et al. | A deep learning approach to predict the spatial and temporal distribution of flight delay in network | |
US20230353476A1 (en) | Unified recommendation engine | |
CN112232604A (zh) | 基于Prophet模型提取网络流量的预测方法 | |
CN109858681A (zh) | 一种基于ic卡的交通短时客流预测方法和相关装置 | |
Sheu et al. | A note on a two variable block replacement policy for a system subject to non-homogeneous pure birth shocks | |
CN108985505A (zh) | 一种基于rnn的生产线备件损坏率预测系统 | |
WO2021130298A1 (en) | System, apparatus and method for managing energy consumption at a technical installation | |
WO2024012735A1 (en) | Training of a machine learning model for predictive maintenance tasks | |
CN116880381A (zh) | 基于强化学习的工业过程时空因果有向图建模方法 | |
CN116341752A (zh) | 一种基于图神经网络的协同供应链预测方法 | |
CN108898254A (zh) | 一种基于lr的生产线备件损坏率预测系统 | |
Makiš et al. | Optimal replacement of a system with imperfect repair |
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: 20181211 |