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 PDF

Info

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
Application number
CN201810715063.3A
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 CN201810715063.3A priority Critical patent/CN108985505A/zh
Publication of CN108985505A publication Critical patent/CN108985505A/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
    • 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

一种基于RNN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。
CN201810715063.3A 2018-07-03 2018-07-03 一种基于rnn的生产线备件损坏率预测系统 Pending CN108985505A (zh)

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)

* Cited by examiner, † Cited by third party
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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