CN109696901B - 一种卷接包设备运行状态评价及预测方法 - Google Patents
一种卷接包设备运行状态评价及预测方法 Download PDFInfo
- Publication number
- CN109696901B CN109696901B CN201811456783.9A CN201811456783A CN109696901B CN 109696901 B CN109696901 B CN 109696901B CN 201811456783 A CN201811456783 A CN 201811456783A CN 109696901 B CN109696901 B CN 109696901B
- Authority
- CN
- China
- Prior art keywords
- equipment
- value
- rolling
- input value
- basic
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Control Of Metal Rolling (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种卷接包设备运行状态评价及预测方法,以生产制造执行系统的数采数据作为输入,通过建立卷接包设备运行状态评价与预测模型,对卷接包设备运行状态进行评价并预测其未来一段时间内的生产状态以指导开展人员绩效考核、设备维保及单机特征分析、辅料适配性等相关工作;本发明构建了基于多元异构级联决策网络模型来对卷接包设备运行状态进行评价,可具体分析出影响设备运行状态的主要因素,为设备调整提供支撑,通过加权移动平均模型预测设备下一个工作做周期的运行状态。
Description
技术领域
本发明属于卷接包设备数据分析技术领域,特别是指用于进行卷接包设备的运行状态评价,和预测设备在下一个工作周期内的状态的卷接包设备运行状态评价及预测方法。
背景技术
卷接包设备类型不一,相同机型设备运行能力各异,在整个生产过程中人员影响较大,这对于评价设备运行状况造成了极大干扰。
传统评价以质量得分、成品产量和生产消耗等生产要素的绝对值作为评价指标,在一定程度上忽略了设备差异和人员差异造成的影响,使得对设备运行状态评价不完善。因此,需要再更为细颗粒度的基础上建立评价体系,使得评价更加精确,同时更好指导相应工作开展。
发明内容
本发明的目的是提供一种卷接包设备运行状态评价及预测方法,以解决传统评价方法因在一定程度上忽略了设备差异和人员差异造成的影响,使得对设备运行状态评价不完善的问题。
本发明是通过以下技术方案实现的:
一种卷接包设备运行状态评价方法,包括:
1)统计在设定周期内每次设备停机的实际时长数据,并判断,所述实际时长是否大于第一设定时间;若是,则剔除该实际时长数据;
若否,则将实际时长数据作为分析模型的输入值,并统计在设定周期内的总输入值T;
2)将上述总输入值T对应的每次设备停机原因分类,得到W个影响设备停机时长的影响因素;
3)选用其中N个影响因素作为基础因素,其中N<W,且N个基础因素所包括的输入值TN/T的值大于等于第一设定值;
4)在N个基础因素中选取一个基础因素N1,确定该基础因素的影响条件数量,在设定同比环境下计算设备状态差的输入值R1,并计算所述设备状态差的输入值R1与该基础因素所对应的输入值T1的比值K1,若K11大于第二设定值,则所述该基础因素为影响设备状态差的主因;
若K1小于所述第二设定值,则进行下一步骤;
5)重复步骤4),直至选取第n个基础因素Nn,确定第n个基础因素的影响条件数量,在设定同比环境下计算设备状态差的输入值Rn,并计算所述设备状态差的输入值Rn与第n基础因素所对应的输入值Tn的比值Kn,若Kn大于第二设定值,则所述第n个基础因素为影响设备状态差的主因,其中,n=2,3,4…N。
所述步骤4)包括在N个基础因素中选取两个或两个以上的基础因素。
在确定的影响条件数量下,选取部分的影响条件为同比环境,将其余部分影响条件下设备停机时长的输入值与第二设定值进行比较,,若大于等于第二设定值,则统计为设备状态差;
若所述设备状态差总输入值与该基础因素对应的输入值量的比值大于等于第三设定值,则判定其余部分的影响条件为造成设备状态差的主因;
若所述设备状态差总输入值与该基础因素对应的输入值量的比值小于第三设定值,则进入下一基础因素的计算。
所述确定的影响条件数量-同比环境的影响条件的数量=M,其中M为大于等于1的自然数。
所述实际时长数据等于设备停机时长减去实际保养时长。
一种卷接包设备运行状态预测方法,使用上述任一项的卷接包设备运行状态评价方法,采用加权移动平均模型进行卷接包设备运行状态预测,计算公式为:
本发明的有益效果是:
通过构建的多元异构级联分析网络模型首次用于卷接包设备的运行状态评价,可具体分析出影响设备运行状态的主要因素,为设备调整提供支撑。
构建的多元异构级联分析网络模型适应性强可推广到质量问题分析、物耗问题分析以及其它涉及多元异构数据的分析中。
附图说明
图1为本发明评估方法逻辑图;
图2为本发明评价模型原理图;
图3为本发明一个基础因素评价逻辑图;
图4为本发明另一基础因素评价逻辑图。
具体实施方式
以下通过实施例来详细说明本发明的技术方案,以下的实施例仅是示例性的,仅能用来解释和说明本发明的技术方案,而不能解释为是对本发明技术方案的限制。
本发明的目的以生产制造执行系统的数采数据作为输入,通过建立卷接包设备运行状态评价与预测模型,对卷接包设备运行状态进行评价并预测其未来一段时间内的生产状态以指导开展人员绩效考核、设备维保及单机特征分析、辅料适配性等相关工作。本发明的目的通过以下技术方案予以实现。
本发明构建了基于多元异构级联决策网络模型来对卷接包设备运行状态进行评价,通过加权移动平均模型预测设备下一个工作做周期的运行状态。该模型的核心思想在于构建同比环境、逐层分解、迭代计算、寻找差异因素。
如图1所示,一种卷接包设备运行状态评价方法,首先确定评估周期,在本实施例中,设定周期长度根据需要而确定,如一周、一个月、二个月、一个季度、半年或一年等,而且根据需要也可以设定其它时间,在本申请中,仅以一个月为例进行说明,其它时间根据本申请的技术方案可以进行相同的设置。
某一卷接包设备,在一个月为设定周期时间里有多次设备停机,并将每个设备停机的时长进行分析,首先将每个设备停机的时长减除实际保养的时长后得到每次设备的实际停机时长,将每次的实际停机时长与第一设定时间进行比对在本实施例中,第一设定时间设定为1小时,在本申请的其它实施例中,该第一设定时间可以根据需要进行变化,比如第一设定时间为0.5小时,1.5小时,2小时,2.5小时,3小时等。
若实际停机时长大于1小时,则剔除该实际停机时长数据不进行统计;只有实际停机时长小于等于1小时,才列为本申请进行评估的分析模型的输入值数据。
将该一个月内符合评估的分析模型的所有输入值数据进行统计,通过加和获得在一个月内的分析模型的总输入值,在本实施例中以T表示。
同时,分析一个月内符合评估的分析模型的输入值的设备停机原因进行分类,共获得W个影响设备停机时长的影响因素。
以本实施例中,选用其中N个影响因素作为基础因素,其中N<W,且N个基础因素所包括的输入值TN/T的值大于等于第一设定值。具体为,因为在本月中,影响设备停机的影响因素可能较多,通过数据分析,选取其中部分影响因素作为分析模型评估的基础因素,为了体现分析模型评估的准确性,这些基础因素所对应的符合评估的分析模型的输入值的和TN与总输入值T的比值要大于等于第一设定值,在本实施例中,该第一设定值为85%,在本申请的其它实施例中,第一设定值可以选择70%-100%中的任意值,均能实现本申请的技术方案。
本申请的卷接包设备,通过数据分析,确定由工班算子、牌号结构算子、辅料算子、质量算子、维修算子、剔除算子为基础因素,通过上述这些基础因素的级联判断,形成最后的主因评估报告。
首先选取第一个基础因素工班算子,如图3所示,通过实际分析,工班算子的影响条件确定为牌号、工班及班次,在本申请的其它实施例中,不同的设备可以有不同的影响条件。
在本申请中,牌号为生产的产品品牌、产品型号等与产品与其它产品区别的信息。
工班是指在使用同一卷接包设备的不同班组,各企业根据实际管理的需要,可以分为两个班组,三个班组,四个班组或五个班组,在本实施例中,以四个班组为例进行说明。
班次为每个工班的工作时间,通常分为白班、中班及晚班。
同比环境为在相同影响条件下。
在此,选择牌号和班次为同比环境,即在相同牌号,相同班次的条件下,分析不同工班对卷接包设备停机原因的分析。
通过分析,某一工班卷包设备停机中符合评估的分析模型的输入值的和大于其它工班卷包设备停机中符合评估的分析模型的输入值的和;或者四个工班卷包设备停机中符合评估的分析模型的输入值均有均匀增长,按牌号或按班次分类计算四个工班符合评估的分析模型的输入值的中位数值,再将某一工班在该基础因素下的符合评估的分析模型的输入值与该中位数值进行比对,若大于等于该中位数值,则计算为设备状态差数据,将所述设备状态差数据对应的符合评估的分析模型的输入值之和与四个工班中符合评估的分析模型的输入值之和的比值大于等于第三设定值,本实施例选用30%,该设定值根据需要进行变化,比如20%-80%之间的任一值时,确定该工班明显增长的设备停机的影响因素为引起卷包设备运行状态差的主因。
若设备状态差数据对应的符合评估的分析模型的输入值之和与四个工班中符合评估的分析模型的输入值之和的比值小于30%,则,更换同比环境,将班次和工班列为同比环境,对牌号对设备停机的影响,重复上一段的分析方法,若牌号是引起明显增长的设备停机的影响因素,则确定该牌号是引起卷包设备运行状态差的主因。
若小于30%,则再更换同比环境,将品牌与工班列为同比环境,分析通过班次中某一班次符合主估的分析模型输入值对应的设备状态差数据集合,若该班次对应的状态数据差集合大于等于所有班次对应的设备状态差的集合的30%,则班次是造成设备状态差的主因,若小于30%,则进入下一个基础因素进行分析。
进行牌号结构及辅料算子进行分析,如图4所示,本实施例中,由于牌号与辅料有着显著关系,因此,这两个基础因素进行合并,首先比较牌号结构,在相同牌号的同比环境基础上,进行辅料的比较,计算不同辅料厂家的辅料引起设备停机时长的加权平均值,再对不同辅料厂家的辅料与该加权平均值进行比较,并获得引起设备状态差的集合,再与上一周期由所有辅料厂家的辅料引起设备状态差的集合的比值是否超过设定值,在本实施例中,设定值为28%,在本申请的其它实施例中,设定值可以根据需要进行变化,,若大于等于28%,则确认辅料变化是造成设备运行状态差的主因。
若小于28%,进行不同版号及不同辅料引起设备停机时长的加权均值,再与上一周期由品牌和不同辅料引起设备状态差的集合的比值是否超过设定值,在本实施例中,该设定值为28%,在本申请的其它实施例中,该设定值可以根据需要进行变化,若大于等于28%,则确定由品牌结构与辅料批次差异造成设备运行状态差的主因;若小于28%,则进行下一基础因素的分析。
比如维修算子的分析,主要影响条件为维修记录及值班长交接班记录,通过本月上述影响条件与上个月在相同影响条件下的差异,判断由哪些故障是造成设备运行状态差的主因。
比如质量算子的分析,通过物理指标差异、外观质检、设备剔除信息为影响条件,进行同比环境下的分析,以确定哪些质量问题是造成设备运行状态差的主因。
本申请还提供卷接包设备运行状态的预测,利用上述对卷接包设备的评估方法,采用加权移动平均模型进行设备运行状态预测,计算公式为:
其中,Qi为权重,且∑Qi=1,Xi为相近设定周期总输入值。At为下一周期预测总输入值,在本申请中,使用最近四个月数据进行预测下个月设备故障停机的总输入值(故障停机时长),其中,,权重Qi之和为1,且根据实际情况,越靠近当前周期,权重越大,本实施例中,权重分别为0.4、0.3、0.2及0.1,与此对应,X1第一周期故障停机的总输入值,X2为第二周期故障停机的总输入值,X3为第三周期故障停机的总输入值,X4为第四周期故障停机的总输入值。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变形,本发明的范围由所附权利要求及其等同限定。
Claims (6)
1.一种卷接包设备运行状态评价方法,其特征在于,包括:
1)统计在设定周期内每次设备停机的实际时长数据,并判断,所述实际时长是否大于第一设定时间;若是,则剔除该实际时长数据;
若否,则将实际时长数据作为分析模型的输入值,并统计在设定周期内的总输入值T;
2)将上述总输入值T对应的每次设备停机原因分类,得到W个影响设备停机时长的影响因素;
3)选用其中N个影响因素做为基础因素,其中N<W,且N个基础因素所包括的输入值TN/T的值大于等于第一设定值;
4)在N个基础因素中选取一个基础因素N1,确定该基础因素的影响条件数量,在设定同比环境下计算设备状态差的输入值R1,并计算所述设备状态差的输入值R1与该基础因素所对应的输入值T1的比值K1,若K1大于第二设定值,则所述该基础因素为影响设备状态差的主因;
若K1小于所述第二设定值,则进行下一步骤;
5)重复步骤4),直至选取第n个基础因素Nn,确定第n个基础因素的影响条件数量,在设定同比环境下计算设备状态差的输入值Rn,并计算所述设备状态差的输入值Rn与第n基础因素所对应的输入值Tn的比值Kn,若Kn大于第二设定值,则所述第n个基础因素为影响设备状态差的主因,其中,n=2,3,4…N。
2.根据权利要求1所述的卷接包设备运行状态评价方法,其特征在于,所述步骤4)包括在N个基础因素中选取两个或两个以上的基础因素。
3.根据权利要求1或2所述的卷接包设备运行状态评价方法,其特征在于,在确定的影响条件数量下,选取部分的影响条件为同比环境,将其余部分影响条件下设备停机时长的输入值与第二设定值进行比较,若大于等于第二设定值,则统计为设备状态差;
若所述设备状态差总输入值与该基础因素对应的输入值量的比值大于等于第三设定值,则判定其余部分的影响条件为造成设备状态差的主因;
若所述设备状态差总输入值与该基础因素对应的输入值量的比值小于第三设定值,则进入下一基础因素的计算。
4.根据权利要求3所述的卷接包设备运行状态评价方法,其特征在于,所述确定的影响条件数量-同比环境的影响条件的数量=M,其中M为大于等于1的自然数。
5.根据权利要求1所述的卷接包设备运行状态评价方法,其特征在于,所述实际时长数据等于设备停机时长减去实际保养时长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811456783.9A CN109696901B (zh) | 2018-11-30 | 2018-11-30 | 一种卷接包设备运行状态评价及预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811456783.9A CN109696901B (zh) | 2018-11-30 | 2018-11-30 | 一种卷接包设备运行状态评价及预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109696901A CN109696901A (zh) | 2019-04-30 |
CN109696901B true CN109696901B (zh) | 2021-05-11 |
Family
ID=66230216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811456783.9A Active CN109696901B (zh) | 2018-11-30 | 2018-11-30 | 一种卷接包设备运行状态评价及预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109696901B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009265867A (ja) * | 2008-04-24 | 2009-11-12 | Mitsubishi Electric Corp | 組合せ最適解演算装置 |
CN103971171B (zh) * | 2014-04-18 | 2016-03-23 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种输电设备状态评估方法 |
CN104835103B (zh) * | 2015-05-11 | 2018-04-27 | 大连理工大学 | 基于神经网络和模糊综合评价的移动网络健康评价方法 |
CN105656024B (zh) * | 2015-12-02 | 2018-05-15 | 国电南瑞科技股份有限公司 | 电力系统运行备用安全裕度在线评估方法 |
CN106815674A (zh) * | 2016-12-07 | 2017-06-09 | 国网北京市电力公司 | 电力系统的风险评价方法及装置 |
-
2018
- 2018-11-30 CN CN201811456783.9A patent/CN109696901B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109696901A (zh) | 2019-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Subramaniyan et al. | A data-driven algorithm to predict throughput bottlenecks in a production system based on active periods of the machines | |
US9208209B1 (en) | Techniques for monitoring transformation techniques using control charts | |
CN113065703A (zh) | 一种结合多种模型的时间序列预测方法 | |
CN116520772A (zh) | 基于多任务迁移学习的薄板零件数控加工质量预测方法 | |
CN112200375A (zh) | 预测模型生成方法、预测模型生成装置和计算机可读介质 | |
CN115186910A (zh) | 一种基于LSTM与XGBoost混合模型的坯布厂产能预测方法 | |
CN113642886B (zh) | 规划电网线路利用率分析方法、系统、介质及计算设备 | |
CN115438897A (zh) | 一种基于blstm神经网络的工业过程产品质量预测方法 | |
CN109696901B (zh) | 一种卷接包设备运行状态评价及预测方法 | |
CA3186873A1 (en) | Activity level measurement using deep learning and machine learning | |
CN109829115B (zh) | 搜索引擎关键词优化方法 | |
CN111849544B (zh) | 加氢裂化的产品质量自控方法、装置和存储器 | |
CN110837959A (zh) | 一种基于焊接物量和作业方式衡定焊接派工工时的方法 | |
CN116957534A (zh) | 一种预测智能电表更换数量的方法 | |
CN114943328A (zh) | 基于bp神经网络非线性组合的sarima-gru时序预测模型 | |
CN111849545B (zh) | 加氢裂化的产品质量预测方法、装置和存储器 | |
CN114048592A (zh) | 一种精轧全流程分布式运行性能评估及非优原因追溯方法 | |
Buschmann et al. | Interpretation Framework of Predictive Quality Models for Process-and Product-oriented Decision Support | |
CN105468871B (zh) | 一种动量轮成功包络分析与应用方法 | |
Liu et al. | The prediction of cellphones’ fault rates with grey models | |
Adesiyan | Performance prediction of production lines using machine learning algorithm | |
Gvozdev et al. | Reliability analysis of information systems based on the concept of service profiles | |
WO2022059183A1 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
Glaub | Modeling interferences of CEP operators on limited resources | |
Nishimura et al. | Anomaly detection and analysis by a gradient boosting trees and neural network ensemble model |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |