CN111832993A - 一种仓储物流系统的预测维护方法及相关组件 - Google Patents
一种仓储物流系统的预测维护方法及相关组件 Download PDFInfo
- Publication number
- CN111832993A CN111832993A CN202010670484.6A CN202010670484A CN111832993A CN 111832993 A CN111832993 A CN 111832993A CN 202010670484 A CN202010670484 A CN 202010670484A CN 111832993 A CN111832993 A CN 111832993A
- Authority
- CN
- China
- Prior art keywords
- data
- logistics system
- warehouse logistics
- historical
- field data
- 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.)
- Granted
Links
Images
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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种仓储物流系统的预测维护方法及相关组件,该方法包括:获取仓储物流系统的历史业务数据以及历史现场数据,并根据历史现场数据生成FMEA表格,然后评估仓储物流系统的风险系数;选取风险系数高的关键子系统、风险系数高的关键部件以及关键部件的问题;根据选取的关键子系统、关键部件以及关键部件的问题,设置数据采集节点;利用数据采集节点对现场数据进行采集,并筛选出包含故障数据的现场数据进行存储以及预处理,得到样本集,将样本集分为训练集、验证集和测试集;将所述训练集输入至栈式自编码神经网络模型中进行学习;利用栈式自编码神经网络模型对仓储物流系统进行预测维护。本发明可有效降低仓储物流系统的生产风险。
Description
技术领域
本发明涉及仓储物流技术领域,特别涉及一种仓储物流系统的预测维护方法及相关组件。
背景技术
仓储物流系统是一种常用的物流存储系统,广泛应用于工业生产过程和仓储配送过程。其是仓储系统的主体,所以对于仓储物流系统的维护非常重要,需确保系统正常流通才能保证工厂生产,物流中心运转正常。
现有技术中,大部分仓储物流系统较为庞大,涉及设备往往较多,设备系统巡检排查需要花费巨大的人力物力,工作量极大。并且各个设备之间互为孤立,出现系统故障时需要调取多个设备数据进行综合分析,往往耗费时间较长,拖延正常生产;系统设备备件数量庞大,且采购数量周期无法计划,往往造成资产积压和浪费。
在此情况下,物流企业迫切需要一套系统提供维修维护决策从而减少设备异常停机时间和系统诊断时间,降低生产风险;避免不必要的维修维护成本,优化备件库存和排产排程。
发明内容
本发明实施例提供了一种仓储物流系统的预测维护方法、装置、计算机设备及存储介质,旨在提前预测仓储物流系统的故障风险,降低生产风险和维护成本等。
第一方面,本发明实施例提供了一种仓储物流系统的预测维护方法,包括:
获取仓储物流系统的历史业务数据以及历史现场数据,并根据所述历史业务数据和历史现场数据生成FMEA表格,然后根据所述FMEA表格评估所述仓储物流系统的风险系数;选取所述仓储物流系统中风险系数高的关键子系统、关键子系统风险系数高的关键部件以及关键部件的问题;
根据选取的关键子系统、关键部件以及关键部件的问题,设置数据采集节点;
利用所述数据采集节点对现场数据进行采集,并筛选出包含故障数据的现场数据进行存储,然后对存储的现场数据进行预处理,得到样本集,将所述样本集分为训练集、验证集和测试集;
将所述训练集输入至栈式自编码神经网络模型中进行学习,并利用所述验证集对所述栈式自编码神经网络模型进行优化调整,以及利用所述测试集对优化调整后的栈式自编码神经网络模型进行评估;
利用评估后的栈式自编码神经网络模型对所述仓储物流系统进行预测维护。
进一步的,所述历史业务数据包括历史维护数据、历史故障数据、历史运行数据和历史巡检数据;
所述历史现场数据包括历史传感数据和历史PLC数据。
进一步的,所述获取仓储物流系统的历史业务数据以及历史现场数据,并根据所述历史业务数据和历史现场数据生成FMEA表格,然后根据所述FMEA表格评估所述仓储物流系统的风险系数,选取所述仓储物流系统中风险系数高的关键子系统、关键子系统风险系数高的关键部件以及关键部件的问题,包括:
利用所述历史业务数据和历史现场数据,对所述仓储物流系统内的各个节点设备的故障时间、运维陈本、资产折旧率进行查询,确定每个节点设备的维护成本;
对每个节点设备设置数据采集节点的运维成本进行核算,并选择运维成本最高的节点设备和投入产出比最高的节点设备作为候选节点设备;
对所述候选节点设备进行故障权重和频度对比分析,得到所述仓储物流系统的风险系数;
根据所述风险系数,选取所述仓储物流系统中风险系数高的关键子系统、关键子系统风险系数高的关键部件以及关键部件的问题。
进一步的,所述利用所述数据采集节点对现场数据进行采集,并筛选出包含故障数据的现场数据进行存储,包括:
分别对所述历史业务数据和历史现场数据提取数据特征,并根据所述数据特征标定正常数据区间和故障数据区间;
利用所述数据采集节点对现场数据进行采集,并筛选出处于所述故障数据区间的数据进行存储。
进一步的,所述对存储的现场数据进行预处理,得到样本集,将所述样本集分为训练集、验证集和测试集,包括:
利用平滑函数、去噪函数以及去重函数对所述现场数据进行处理,从而得到所述样本集;
将所述样本集分为训练集、验证集和测试集。
进一步的,所述将所述训练集输入至栈式自编码神经网络模型中进行学习,并利用所述验证集对所述SAE模型进行优化调整,以及利用所述测试集对优化调整后的栈式自编码神经网络模型进行评估,包括:
将所述训练集逐层输入至多层自编码器,对所述多层自编码器进行训练并得到多阶特征,然后将所述多阶特征输入至softmax分类器中,对所述softmax分类器的参数进行训练;
将所述验证集逐层输入至训练后的多层自编码器,对所述多层自编码器进行优化调整并得到多阶特征,然后将所述多阶特征输入至训练后的softmax分类器,对所述softmax分类器的参数进行优化调整;
将所述测试集逐层输入至优化调整后的多层自编码器,得到多阶特征,将所述多阶特征输入至优化调整后的softmax分类器,得到输出结果,然后将所述输出结果与对应的真实数据进行评估,得到评估结果。
进一步的,所述训练集包括三类训练集,分别为第一类训练集、第二类训练集和第三类训练集;
其中,所述第一类训练集用于监测所述仓储物流系统,并确认所述节点设备故障和所述现场数据的关联性是否存在;所述第二类训练集用于检测节点设备故障和所述现场数据的关联程度,从而确认故障点;所述第三类训练集用于捕捉数据特征提取和所述节点设备性能退化之间的关系模型,对所述节点设备的生命周期进行预测。
第二方面,本发明实施例提供了一种仓储物流系统的预测维护装置,包括:
获取单元,用于获取仓储物流系统的历史业务数据以及历史现场数据,并根据所述历史业务数据和历史现场数据生成FMEA表格,然后根据所述FMEA表格评估所述仓储物流系统的风险系数;选取所述仓储物流系统中风险系数高的关键子系统、关键子系统风险系数高的关键部件以及关键部件的问题;
设置单元,用于根据选取的关键子系统、关键部件以及关键部件的问题,设置数据采集节点;
筛选单元,用于利用所述数据采集节点对现场数据进行采集,并筛选出包含故障数据的现场数据进行存储,然后对存储的现场数据进行预处理,得到样本集,将所述样本集分为训练集、验证集和测试集;
学习单元,用于将所述训练集输入至栈式自编码神经网络模型中进行学习,并利用所述验证集对所述栈式自编码神经网络模型进行优化调整,以及利用所述测试集对优化调整后的栈式自编码神经网络模型进行评估;
预测单元,用于利用评估后的栈式自编码神经网络模型对所述仓储物流系统进行预测维护。
第三方面,本发明实施例提供了一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的仓储物流系统的预测维护方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的仓储物流系统的预测维护方法。
本发明实施例提供了一种仓储物流系统的预测维护方法方法、装置、计算机设备及存储介质,所述方法包括:获取仓储物流系统的历史业务数据以及历史现场数据,并根据所述历史业务数据和历史现场数据生成FMEA表格,然后根据所述FMEA表格评估所述仓储物流系统的风险系数;选取所述仓储物流系统中风险系数高的关键子系统、关键子系统风险系数高的关键部件以及关键部件的问题;根据选取的关键子系统、关键部件以及关键部件的问题,设置数据采集节点;利用所述数据采集节点对现场数据进行采集,并筛选出包含故障数据的现场数据进行存储,然后对存储的现场数据进行预处理,得到样本集,将所述样本集分为训练集、验证集和测试集;将所述训练集输入至栈式自编码神经网络模型中进行学习,并利用所述验证集对所述栈式自编码神经网络模型进行优化调整,以及利用所述测试集对优化调整后的栈式自编码神经网络模型进行评估;利用评估后的栈式自编码神经网络模型对所述仓储物流系统进行预测维护。本发明实施例通过为仓储物流系统构建预测模型,实现对仓储物流系统发生故障风险的有效预测,从而确保仓储物流系统正常流通,降低生产成本和维护成本等。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种仓储物流系统的预测维护方法的流程示意图;
图2为本发明实施例提供的一种仓储物流系统的预测维护方法的子流程示意图;
图3为本发明实施例提供的一种仓储物流系统的预测维护装置的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
下面请参阅图1,图1为本发明实施例提供的一种仓储物流系统的预测维护方法,具体包括:步骤S101~S105。
S101、获取仓储物流系统的历史业务数据以及历史现场数据,并根据所述历史业务数据和历史现场数据生成FMEA表格,然后根据所述FMEA表格评估所述仓储物流系统的风险系数;选取所述仓储物流系统中风险系数高的关键子系统、关键子系统风险系数高的关键部件以及关键部件的问题;
S102、根据选取的关键子系统、关键部件以及关键部件的问题,设置数据采集节点;
S103、利用所述数据采集节点对现场数据进行采集,并筛选出包含故障数据的现场数据进行存储,然后对存储的现场数据进行预处理,得到样本集,将所述样本集分为训练集、验证集和测试集;
S104、将所述训练集输入至栈式自编码神经网络模型中进行学习,并利用所述验证集对所述栈式自编码神经网络模型进行优化调整,以及利用所述测试集对优化调整后的栈式自编码神经网络模型进行评估;
S105、利用评估后的栈式自编码神经网络模型对所述仓储物流系统进行预测维护。
本实施例中,通过构造预测模型对仓储物流系统的生命周期进行预测,或者说对仓储物流系统中的各节点设备的生命周期进行预测,从而降低仓储物流系统发生故障的风险,或者避免仓储物流系统发生故障。具体的,根据所述历史业务数据和历史现场数据创建FMEA(Failure Mode and EffectsAnalysis,潜在的失效模式及后果分析)表格,并根据FMEA表格中的内容对所述仓储物流系统中的各节点设备(可以理解为关键子系统)、各节点设备的关键部件进行风险系数的评估,然后选取风险系数高的节点设备及关键部件,并对其设置数据采集节点。利用数据采集节点采集仓储物流系统的现场数据,并选择包含故障数据的现场数据作为样本,对预测模型进行训练优化,从而完成预测模型的构建。
本实施例通过影响仓储物流系统瓶颈的关键因素定义关键节点和映射,该映射可以关联现场数据趋势和对应故障之间的相关联系。另外,对包含故障的现场数据进行有监督的机器学习(supervised learning)和数据标定,在经过有监督的机器学习之后,可以完全关联仓储物流系统的运行故障,并通过各个数据采集节点采集到的现场数据映射节点设备的故障,以及通过权重推导最终反映所述仓储物流系统的生命周期情况。所述仓储物流系统的生命周期情况的输出则可以影所述仓储物流系统的维修维护决策,从而减少设备异常停机时间和系统诊断时间,降低生产风险;避免不必要的维修维护成本,优化备件库存和排产排程。本实施例提供的仓储物流系统的预测维护方法可有效解决现有仓储物流系统在运维方面缺乏数据模型指导的问题以及无法应对复杂多变的运维问题。
在一实施例中,所述历史业务数据包括历史维护数据、历史故障数据、历史运行数据和历史巡检数据;
所述历史现场数据包括历史传感数据和历史PLC数据。
本实施例中,所述历史业务数据和历史现场数据可以从WMS系统(仓库管理系统)、WCS系统(仓库控制系统)或者维修维保表中获取,其中,所述历史现场数据中的历史传感数据可以根据实际情况按需选取,例如选取声音、振动、温度、湿度、图像和超声等传感数据,所述历史PLC(可编程逻辑控制器)数据则可以包含不同长度(例如8位、16位或者32位等)的数据,也可以包含不同类型(例如无符号整型、有符号整型或者浮点型等)的数据。
在一实施例中,如图2所示,步骤S101包括:步骤S201~S204。
S201、利用所述历史业务数据和历史现场数据,对所述仓储物流系统内的各个节点设备的故障时间、运维陈本、资产折旧率进行查询,确定每个节点设备的维护成本;
S202、对每个节点设备设置数据采集节点的运维成本进行核算,并选择运维成本最高的节点设备和投入产出比最高的节点设备作为候选节点设备;
S203、对所述候选节点设备进行故障权重和频度对比分析,得到所述仓储物流系统的风险系数;
S204、根据所述风险系数,选取所述仓储物流系统中风险系数高的关键子系统、关键子系统风险系数高的关键部件以及关键部件的问题。
由于对所述仓储物流系统中的所有节点设备均设置数据采集节点,需要投入的成本过高,且对于一些节点设备设置数据采集节点的作用并不大,因此本实施例从所有节点设备中筛选出一些较为重要的节点设备,并设置数据采集节点。具体的,根据节点设备的运维成本和投入产出比筛选出所述候选节点设备,并根据故障权重和频度对比从所述候选节点设备中筛选出最终设置数据采集节点的节点设备。本实施例通过历史业务数据和历史现场数据对数据采集节点进行筛选,避免出现投入和产出比无法平衡的问题。
在一实施例中,所述利用所述数据采集节点对现场数据进行采集,并筛选出包含故障数据的现场数据进行存储,包括:
分别对所述历史业务数据和历史现场数据提取数据特征,并根据所述数据特征标定正常数据区间和故障数据区间;
利用所述数据采集节点对现场数据进行采集,并筛选出处于所述故障数据区间的数据进行存储。
本实施例中,对所述历史业务数据和历史现场数据进行数据特征提取,例如提取所述历史业务数据中的维保数据记录、设备报警数据记录,提取所述历史现场数据中的现场运转数据记录等,从而根据提取的数据特征标定正常数据区间和故障数据区间,例如将设备报警数据记录标定为故障数据等。
在一实施例中,所述对存储的现场数据进行预处理,得到样本集,将所述样本集分为训练集、验证集和测试集,包括:
利用平滑函数、去噪函数以及去重函数对所述现场数据进行处理,从而得到所述样本集;
将所述样本集分为训练集、验证集和测试集。
本实施例中,为了使预测模型最终输出的结果更加准确,因此对存储的现场数据进行平滑、去噪和去重等处理,例如利用smoothdata函数对存储的现场数据进行平滑处理,利用movmean函数对存储的现场数据进行去噪处理以及unique函数对存储的现场数据进行去重处理。而存储的现场数据在经过平滑、去噪和去重等处理后,即可作为用于训练、优化预测模型的样本集。
将所述样本集具体分为用于对预测模型训练的训练集、用于对预测模型优化的验证集和用于对预测模型评估的测试集。在一具体应用场景中,所述训练集占比98%,所述验证集和测试集各占比1%。在另一具体应用场景中,通过所述数据采集节点对现场数据进行3~4个月时间的采集,并将其中包含故障数据的一个时间段(小于总采集时间,例如1个月)内的所述现场数据在经过平滑、去噪和去重等处理后作为样本集。
在一实施例中,所述将所述训练集输入至栈式自编码神经网络模型中进行学习,并利用所述验证集对所述SAE模型进行优化调整,以及利用所述测试集对优化调整后的栈式自编码神经网络模型进行评估,包括:
将所述训练集逐层输入至多层自编码器,对所述多层自编码器进行训练并得到多阶特征,然后将所述多阶特征输入至softmax分类器中,对所述softmax分类器的参数进行训练;
将所述验证集逐层输入至训练后的多层自编码器,对所述多层自编码器进行优化调整并得到多阶特征,然后将所述多阶特征输入至训练后的softmax分类器,对所述softmax分类器的参数进行优化调整;
将所述测试集逐层输入至优化调整后的多层自编码器,得到多阶特征,将所述多阶特征输入至优化调整后的softmax分类器,得到输出结果,然后将所述输出结果与对应的真实数据进行评估,得到评估结果。
本实施例中,首先利用所述训练集对栈式自编码神经网络模型(SAE,StackAutoencoder)进行训练,再利用所述验证集对所述栈式自编码神经网络模型进行优化调整,然后利用所述测试集对所述栈式自编码神经网络模型进行评估。
SAE模型是一个由多层SpaseAutoEncoder(稀疏自编码器)组成的深度神经网络模型,其前一层自编码器的输出作为其后一层自编码器的输入,最后一层为分类器(可采用logistic分类器或者softmax分类器,其中,logistic回归模型适用于二分类,softmax回归模型适用于多分类)。栈式自编码神经网络的参数通过逐层贪婪训练获得,栈式自编码神经网络主要包括编码过程(即信息从前向后传播)和解码阶段(即信息从后向前传播)。
举例来说,利用所述训练集中的数据x训练第一层自编码器,将所述训练集中的数据x作为第一层自编码器输入,所述第一层自编码器学习输入一阶特征h(1),将所有得到的一阶特征h(1)作为第二层自编码器的输入,学习原始输入二阶特征h(2),得到所有的二阶特征h(2),以此类推,直至完成所有自编码器的训练,最后得到多阶特征h(t),t为自编码器的层数,将所有的多阶特征h(t)作为softmax分类器的输入,训练分类器的参数。需要说明的是,每一层自编码器的输出与输入要大致相等,例如对于第一层自编码器,其输出h(1)≈输入x,且隐层的每个神经元的响应是稀疏的,也就是说大部分时间响应为0,即平均响应尽可能小。
进一步的,采用反向传播算法调整所有层(包括自编码层和softmax层)的参数,这个过程称为微调,在微调过程中,将整个栈式自编码神经网络的所有层都看成一个模型,统一对模型中的参数进行修正,栈式自编码神经网络中的所有层的全部参数都会被优化,经过微调后,可以大幅提高栈式自编码神经网络的分类性能。
对SAE模型的输出结果与现场实际数据进行对比,当输出结果的准确率和召回率达到预设标准(例如90%)时,可视为算法模型通过测试。若输出结果的准确率和召回率未达到预设标准,则可以继续进行模型训练和优化,直到所述SAE模型的输出结果满足要求。
在另一实施例中,通过所述栈式自编码神经网络模型的输出结果和现场实际数据之间的对比分析,对所述数据采集节点、数据权重进行优化调整,从而实现对仓储物流系统的迭代优化。
在一实施例中,所述训练集包括三类训练集,分别为第一类训练集、第二类训练集和第三类训练集;
其中,所述第一类训练集用于监测所述仓储物流系统,并确认所述节点设备故障和所述现场数据的关联性是否存在;所述第二类训练集用于检测节点设备故障和所述现场数据的关联程度,从而确认故障点;所述第三类训练集用于捕捉数据特征提取和所述节点设备性能退化之间的关系模型,对所述节点设备的生命周期进行预测。
本实施例中,将所述训练集划分为三类具有不同作用的训练集,从而通过这三类训练集实现不同的预测效果。具体的,通过分别所述三类训练集对所述仓储物流系统进行状态评估、故障判断和故障预测等,从而对应采取维修措施和维护行动,对所述仓储物流系统进行维护管理。
图3为本发明实施例提供的一种仓储物流系统的预测维护装置300的示意性框图,包括:
获取单元301,用于获取仓储物流系统的历史业务数据以及历史现场数据,并根据所述历史业务数据和历史现场数据生成FMEA表格,然后根据所述FMEA表格评估所述仓储物流系统的风险系数;选取所述仓储物流系统中风险系数高的关键子系统、关键子系统风险系数高的关键部件以及关键部件的问题;
设置单元302,用于根据选取的关键子系统、关键部件以及关键部件的问题,设置数据采集节点;
筛选单元303,用于利用所述数据采集节点对现场数据进行采集,并筛选出包含故障数据的现场数据进行存储,然后对存储的现场数据进行预处理,得到样本集,将所述样本集分为训练集、验证集和测试集;
学习单元304,用于将所述训练集输入至栈式自编码神经网络模型中进行学习,并利用所述验证集对所述栈式自编码神经网络模型进行优化调整,以及利用所述测试集对优化调整后的栈式自编码神经网络模型进行评估;
预测单元305,用于利用评估后的栈式自编码神经网络模型对所述仓储物流系统进行预测维护。
在一实施例中,所述历史业务数据包括历史维护数据、历史故障数据、历史运行数据和历史巡检数据;
所述历史现场数据包括历史传感数据和历史PLC数据。
在一实施例中,所述获取单元301包括:
查询单元,用于利用所述历史业务数据和历史现场数据,对所述仓储物流系统内的各个节点设备的故障时间、运维陈本、资产折旧率进行查询,确定每个节点设备的维护成本;
候选单元,用于对每个节点设备设置数据采集节点的运维成本进行核算,并选择运维成本最高的节点设备和投入产出比最高的节点设备作为候选节点设备;
对比单元,用于对所述候选节点设备进行故障权重和频度对比分析,得到所述仓储物流系统的风险系数;
选取单元,用于根据所述风险系数,选取所述仓储物流系统中风险系数高的关键子系统、关键子系统风险系数高的关键部件以及关键部件的问题。
在一实施例中,所述筛选单元303包括:
提取单元,用于分别对所述历史业务数据和历史现场数据提取数据特征,并根据所述数据特征标定正常数据区间和故障数据区间;
存储单元,用于利用所述数据采集节点对现场数据进行采集,并筛选出处于所述故障数据区间的数据进行存储。
在一实施例中,所述筛选单元303还包括:
处理单元,用于利用平滑函数、去噪函数以及去重函数对所述现场数据进行处理,从而得到所述样本集;
划分单元,用于将所述样本集分为训练集、验证集和测试集。
在一实施例中,所述学习单元304包括:
训练单元,用于将所述训练集逐层输入至多层自编码器,对所述多层自编码器进行训练并得到多阶特征,然后将所述多阶特征输入至softmax分类器中,对所述softmax分类器的参数进行训练;
优化单元,用于将所述验证集逐层输入至训练后的多层自编码器,对所述多层自编码器进行优化调整并得到多阶特征,然后将所述多阶特征输入至训练后的softmax分类器,对所述softmax分类器的参数进行优化调整;
评估单元,用于将所述测试集逐层输入至优化调整后的多层自编码器,得到多阶特征,将所述多阶特征输入至优化调整后的softmax分类器,得到输出结果,然后将所述输出结果与对应的真实数据进行评估,得到评估结果。
在一实施例中,所述训练集包括三类训练集,分别为第一类训练集、第二类训练集和第三类训练集;
其中,所述第一类训练集用于监测所述仓储物流系统,并确认所述节点设备故障和所述现场数据的关联性是否存在;所述第二类训练集用于检测节点设备故障和所述现场数据的关联程度,从而确认故障点;所述第三类训练集用于捕捉数据特征提取和所述节点设备性能退化之间的关系模型,对所述节点设备的生命周期进行预测。
由于装置部分的实施例与方法部分的实施例相互对应,因此装置部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。
本发明实施例还提供了一种计算机可读存储介质,其上存有计算机程序,该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供了一种计算机设备,可以包括存储器和处理器,存储器中存有计算机程序,处理器调用存储器中的计算机程序时,可以实现上述实施例所提供的步骤。当然电子设备还可以包括各种网络接口,电源等组件。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种仓储物流系统的预测维护方法,其特征在于,包括:
获取仓储物流系统的历史业务数据以及历史现场数据,并根据所述历史业务数据和历史现场数据生成FMEA表格,然后根据所述FMEA表格评估所述仓储物流系统的风险系数;选取所述仓储物流系统中风险系数高的关键子系统、关键子系统风险系数高的关键部件以及关键部件的问题;
根据选取的关键子系统、关键部件以及关键部件的问题,设置数据采集节点;
利用所述数据采集节点对现场数据进行采集,并筛选出包含故障数据的现场数据进行存储,然后对存储的现场数据进行预处理,得到样本集,将所述样本集分为训练集、验证集和测试集;
将所述训练集输入至栈式自编码神经网络模型中进行学习,并利用所述验证集对所述栈式自编码神经网络模型进行优化调整,以及利用所述测试集对优化调整后的栈式自编码神经网络模型进行评估;
利用评估后的栈式自编码神经网络模型对所述仓储物流系统进行预测维护。
2.根据权利要求1所述的仓储物流系统的预测维护方法,其特征在于,所述历史业务数据包括历史维护数据、历史故障数据、历史运行数据和历史巡检数据;
所述历史现场数据包括历史传感数据和历史PLC数据。
3.根据权利要求1所述的仓储物流系统的预测维护方法,其特征在于,所述获取仓储物流系统的历史业务数据以及历史现场数据,并根据所述历史业务数据和历史现场数据生成FMEA表格,然后根据所述FMEA表格评估所述仓储物流系统的风险系数,选取所述仓储物流系统中风险系数高的关键子系统、关键子系统风险系数高的关键部件以及关键部件的问题,包括:
利用所述历史业务数据和历史现场数据,对所述仓储物流系统内的各个节点设备的故障时间、运维陈本、资产折旧率进行查询,确定每个节点设备的维护成本;
对每个节点设备设置数据采集节点的运维成本进行核算,并选择运维成本最高的节点设备和投入产出比最高的节点设备作为候选节点设备;
对所述候选节点设备进行故障权重和频度对比分析,得到所述仓储物流系统的风险系数;
根据所述风险系数,选取所述仓储物流系统中风险系数高的关键子系统、关键子系统风险系数高的关键部件以及关键部件的问题。
4.根据权利要求1所述的仓储物流系统的预测维护方法,其特征在于,所述利用所述数据采集节点对现场数据进行采集,并筛选出包含故障数据的现场数据进行存储,包括:
分别对所述历史业务数据和历史现场数据提取数据特征,并根据所述数据特征标定正常数据区间和故障数据区间;
利用所述数据采集节点对现场数据进行采集,并筛选出处于所述故障数据区间的数据进行存储。
5.根据权利要求1所述的仓储物流系统的预测维护方法,其特征在于,所述对存储的现场数据进行预处理,得到样本集,将所述样本集分为训练集、验证集和测试集,包括:
利用平滑函数、去噪函数以及去重函数对所述现场数据进行处理,从而得到所述样本集;
将所述样本集分为训练集、验证集和测试集。
6.根据权利要求1所述的仓储物流系统的预测维护方法,其特征在于,所述将所述训练集输入至栈式自编码神经网络模型中进行学习,并利用所述验证集对所述SAE模型进行优化调整,以及利用所述测试集对优化调整后的栈式自编码神经网络模型进行评估,包括:
将所述训练集逐层输入至多层自编码器,对所述多层自编码器进行训练并得到多阶特征,然后将所述多阶特征输入至softmax分类器中,对所述softmax分类器的参数进行训练;
将所述验证集逐层输入至训练后的多层自编码器,对所述多层自编码器进行优化调整并得到多阶特征,然后将所述多阶特征输入至训练后的softmax分类器,对所述softmax分类器的参数进行优化调整;
将所述测试集逐层输入至优化调整后的多层自编码器,得到多阶特征,将所述多阶特征输入至优化调整后的softmax分类器,得到输出结果,然后将所述输出结果与对应的真实数据进行评估,得到评估结果。
7.根据权利要求6所述的仓储物流系统的预测维护方法,其特征在于,所述训练集包括三类训练集,分别为第一类训练集、第二类训练集和第三类训练集;
其中,所述第一类训练集用于监测所述仓储物流系统,并确认所述节点设备故障和所述现场数据的关联性是否存在;所述第二类训练集用于检测节点设备故障和所述现场数据的关联程度,从而确认故障点;所述第三类训练集用于捕捉数据特征提取和所述节点设备性能退化之间的关系模型,对所述节点设备的生命周期进行预测。
8.一种仓储物流系统的预测维护装置,其特征在于,包括:
获取单元,用于获取仓储物流系统的历史业务数据以及历史现场数据,并根据所述历史业务数据和历史现场数据生成FMEA表格,然后根据所述FMEA表格评估所述仓储物流系统的风险系数;选取所述仓储物流系统中风险系数高的关键子系统、关键子系统风险系数高的关键部件以及关键部件的问题;
设置单元,用于根据选取的关键子系统、关键部件以及关键部件的问题,设置数据采集节点;
筛选单元,用于利用所述数据采集节点对现场数据进行采集,并筛选出包含故障数据的现场数据进行存储,然后对存储的现场数据进行预处理,得到样本集,将所述样本集分为训练集、验证集和测试集;
学习单元,用于将所述训练集输入至栈式自编码神经网络模型中进行学习,并利用所述验证集对所述栈式自编码神经网络模型进行优化调整,以及利用所述测试集对优化调整后的栈式自编码神经网络模型进行评估;
预测单元,用于利用评估后的栈式自编码神经网络模型对所述仓储物流系统进行预测维护。
9.一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的仓储物流系统的预测维护方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的仓储物流系统的预测维护方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010670484.6A CN111832993B (zh) | 2020-07-13 | 2020-07-13 | 一种仓储物流系统的预测维护方法及相关组件 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010670484.6A CN111832993B (zh) | 2020-07-13 | 2020-07-13 | 一种仓储物流系统的预测维护方法及相关组件 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111832993A true CN111832993A (zh) | 2020-10-27 |
CN111832993B CN111832993B (zh) | 2023-06-30 |
Family
ID=72922765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010670484.6A Active CN111832993B (zh) | 2020-07-13 | 2020-07-13 | 一种仓储物流系统的预测维护方法及相关组件 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832993B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114757630A (zh) * | 2022-06-16 | 2022-07-15 | 阿里健康科技(杭州)有限公司 | 仓储管理模型确定方法、装置及计算机设备 |
CN116596322A (zh) * | 2023-07-17 | 2023-08-15 | 中电建物业管理有限公司 | 一种基于大数据可视化的物业设备管理方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016047949A1 (ko) * | 2014-09-24 | 2016-03-31 | 삼성에스디에스 주식회사 | 물류 리스크 예측 방법 및 그 장치 |
CN106529820A (zh) * | 2016-11-21 | 2017-03-22 | 北京中电普华信息技术有限公司 | 一种运营指标的预测方法及系统 |
US9684543B1 (en) * | 2016-02-05 | 2017-06-20 | Sas Institute Inc. | Distributed data set storage, retrieval and analysis |
CN108921233A (zh) * | 2018-07-31 | 2018-11-30 | 武汉大学 | 一种基于自编码网络的拉曼光谱数据分类方法 |
WO2019062413A1 (zh) * | 2017-09-30 | 2019-04-04 | Oppo广东移动通信有限公司 | 应用程序管控方法、装置、存储介质及电子设备 |
CN110322048A (zh) * | 2019-05-31 | 2019-10-11 | 南京航空航天大学 | 一种生产物流输送装备故障预警方法 |
-
2020
- 2020-07-13 CN CN202010670484.6A patent/CN111832993B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016047949A1 (ko) * | 2014-09-24 | 2016-03-31 | 삼성에스디에스 주식회사 | 물류 리스크 예측 방법 및 그 장치 |
US9684543B1 (en) * | 2016-02-05 | 2017-06-20 | Sas Institute Inc. | Distributed data set storage, retrieval and analysis |
CN106529820A (zh) * | 2016-11-21 | 2017-03-22 | 北京中电普华信息技术有限公司 | 一种运营指标的预测方法及系统 |
WO2019062413A1 (zh) * | 2017-09-30 | 2019-04-04 | Oppo广东移动通信有限公司 | 应用程序管控方法、装置、存储介质及电子设备 |
CN108921233A (zh) * | 2018-07-31 | 2018-11-30 | 武汉大学 | 一种基于自编码网络的拉曼光谱数据分类方法 |
CN110322048A (zh) * | 2019-05-31 | 2019-10-11 | 南京航空航天大学 | 一种生产物流输送装备故障预警方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114757630A (zh) * | 2022-06-16 | 2022-07-15 | 阿里健康科技(杭州)有限公司 | 仓储管理模型确定方法、装置及计算机设备 |
CN116596322A (zh) * | 2023-07-17 | 2023-08-15 | 中电建物业管理有限公司 | 一种基于大数据可视化的物业设备管理方法及系统 |
CN116596322B (zh) * | 2023-07-17 | 2023-10-31 | 中电建物业管理有限公司 | 一种基于大数据可视化的物业设备管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111832993B (zh) | 2023-06-30 |
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 | |
CN116629577A (zh) | 一种基于大数据的智能化供应链管理系统 | |
Etienne et al. | Cost engineering for variation management during the product and process development | |
CN111832993B (zh) | 一种仓储物流系统的预测维护方法及相关组件 | |
Karimi-Mamaghan et al. | A learning-based metaheuristic for a multi-objective agile inspection planning model under uncertainty | |
CN112200327B (zh) | 一种mes设备维护预警方法及系统 | |
Cherkaoui et al. | Quantitative assessments of performance and robustness of maintenance policies for stochastically deteriorating production systems | |
Wang et al. | Reliability analysis for automobile engines: Conditional inference trees | |
CN109409780B (zh) | 变更处理方法、装置、计算机设备和存储介质 | |
Becherer et al. | Intelligent choice of machine learning methods for predictive maintenance of intelligent machines | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
US10657199B2 (en) | Calibration technique for rules used with asset monitoring in industrial process control and automation systems | |
CN112182056A (zh) | 一种数据检测方法、装置、设备及存储介质 | |
Roemer et al. | Prognostics | |
Salari et al. | Application of Markov renewal theory and semi‐Markov decision processes in maintenance modeling and optimization of multi‐unit systems | |
CN117575804A (zh) | 一种货物资产风险分析方法、系统及介质 | |
CN113591402A (zh) | 一种数字化电力互感器健康状态模糊综合评价方法 | |
CN113610575B (zh) | 一种产品销量的预测方法及预测系统 | |
Horng et al. | An ordinal optimization theory-based algorithm for a class of simulation optimization problems and application | |
Yan et al. | Sustainable manufacturing oriented prognosis for facility reuse combining ANN and reliability | |
Liu et al. | Research on fault diagnosis method of board-level circuit based on genetic algorithm | |
Yang et al. | Applying artificial neural network to predict semiconductor machine outliers | |
CN116627093B (zh) | 一种丁腈手套加工控制方法、系统、设备及存储介质 | |
Saidi et al. | A survey of software reliability growth model selection methods for improving reliability prediction accuracy | |
Bányai | Impact of agile, condition-based maintenance strategy on cost efficiency of production systems. |
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 |