CN114648245A - 一种基于人工智能的设备巡检优先度评估方法及系统 - Google Patents

一种基于人工智能的设备巡检优先度评估方法及系统 Download PDF

Info

Publication number
CN114648245A
CN114648245A CN202210357180.3A CN202210357180A CN114648245A CN 114648245 A CN114648245 A CN 114648245A CN 202210357180 A CN202210357180 A CN 202210357180A CN 114648245 A CN114648245 A CN 114648245A
Authority
CN
China
Prior art keywords
equipment
processing
abnormal
degree
state parameter
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.)
Withdrawn
Application number
CN202210357180.3A
Other languages
English (en)
Inventor
蔡丽清
何炳辰
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.)
Nantong Junlang Intelligent Technology Co ltd
Original Assignee
Nantong Junlang Intelligent 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 Nantong Junlang Intelligent Technology Co ltd filed Critical Nantong Junlang Intelligent Technology Co ltd
Priority to CN202210357180.3A priority Critical patent/CN114648245A/zh
Publication of CN114648245A publication Critical patent/CN114648245A/zh
Withdrawn legal-status Critical Current

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • 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

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • General Factory Administration (AREA)

Abstract

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的设备巡检优先度评估方法及系统：获取N个产品均依次经过M个加工设备加工过程中M个加工设备对应的状态参数序列和最终N个产品的表面图像；确定各状态参数序列对应的设备异常程度值，根据每张表面图像确定N个产品的缺陷程度值；根据各设备异常程度值和缺陷程度值，确定M个加工设备的设备本身异常程度对产品缺陷影响指标和设备本身异常程度对后续设备的影响程度值，并结合M个加工设备的故障发生概率，确定各加工设备的巡检优先度指标值，进而确定巡检优先度。本发明统筹考虑了设备本身异常对产品缺陷的影响和各设备异常对后置设备的影响，提高了各个设备巡检优先度的确定准确性。

Description

一种基于人工智能的设备巡检优先度评估方法及系统
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于人工智能的设备巡检优先度评估方法及系统。
背景技术
在各个机械加工产品的加工过程中，由于生产设备发生故障，导致制造出的产品易产生缺陷，当缺陷程度较大时，会使得生产成本增加，造成巨大的资源浪费和经济损失。因此，需要对生产设备进行巡检和维修，从而提高产品的生产质量，节约资源。
同时，由于工作人员的时间和精力有限，且各个设备的异常情况及其对产品缺陷的影响不同，因此，为了提高工作人员的工作效率和工作质量，就需要分析对不同设备的不同关注程度，合理且针对性地进行巡检和维修的优先度判断，并为各设备分配巡检和维修时间，以提高工作效率和工作质量。
在现有分析对各设备的关注程度时，一般只根据设备发生异常的情况和设备本身重要程度来进行判断。但是，由于该现有分析对各设备的关注程度的方法只是定性地给出如何来确定设备的关注程度，且由于考虑因素单一，导致最终无法精确地确定不同设备的关注程度。
发明内容
本发明的目的在于提供一种基于人工智能的设备巡检优先度评估方法及系统，用于解决现有无法精确地确定不同设备的关注程度的问题。
为了解决上述技术问题，本发明提供了一种基于人工智能的设备巡检优先度评估方法，包括以下步骤：
分别获取N个产品均依次经过M个加工设备加工过程中M个加工设备对应的状态参数序列以及均依次经过M个加工设备加工后最终得到产品的表面图像；
根据M个加工设备各自对应的N个状态参数序列，确定M个加工设备各自对应的N个状态参数序列所对应的设备异常程度值；
根据N个产品均依次经过M个加工设备加工后最终得到产品的表面图像，确定N个产品的缺陷程度值；
根据M个加工设备各自对应的N个状态参数序列所对应的设备异常程度值以及N个产品的缺陷程度值，确定M个加工设备各自对应的设备本身异常程度对产品缺陷影响指标和设备本身异常程度对后续设备的影响程度值；
根据设备本身异常程度对产品缺陷影响指标、设备本身异常程度对后续设备的影响程度值以及预先确定的M个加工设备各自对应的故障发生概率，确定M个加工设备各自的巡检优先度指标值，进而确定M个加工设备的巡检优先度。
进一步的，确定M个加工设备各自对应的N个状态参数序列所对应的设备异常程度值的步骤包括：
将M个加工设备各自对应的N个状态参数序列分别与预先确定的对应加工设备的表征设备正常状态的状态参数序列进行混合；
利用局部异常因子算法对混合后的状态参数序列进行异常值检测，从而得到M个加工设备各自对应的N个状态参数序列所对应的设备异常程度值。
进一步的，确定M个加工设备各自对应的故障发生概率的步骤包括：
在M个加工设备的历史加工过程中，在设定时间段内，每隔设定时间间隔，获取一次M个加工设备对应的状态参数序列；
根据在设定时间段内的M个加工设备对应的状态参数序列，确定在设定时间段内的每个状态参数序列所对应的设备异常程度值；
根据在设定时间段内的每个状态参数序列所对应的设备异常程度值，确定各个状态参数序列对应的加工设备的设备状态，所述设备状态为设备正常状态或设备异常状态；
统计M个加工设备各自在设定时间段内的状态参数序列对应的加工设备为设备异常状态的状态参数序列占比，从而确定M个加工设备各自对应的故障发生概率。
进一步的，确定M个加工设备各自对应的设备本身异常程度对产品缺陷影响指标的步骤包括：
根据M个加工设备各自对应的N个状态参数序列所对应的设备异常程度值，确定各个状态参数序列所对应的加工设备的设备状态，所述设备状态为设备正常状态或设备异常状态；
根据M个加工设备各自对应的N个状态参数序列所对应的加工设备的设备状态、所对应的设备异常程度值以及N个产品的缺陷程度值，确定M个加工设备的各个异常二元组；
根据M个加工设备的各个异常二元组，确定M个加工设备的设备异常产品缺陷程度函数；
根据M个加工设备的设备异常产品缺陷程度函数，确定M个加工设备各自对应的设备本身异常程度对产品缺陷影响指标。
进一步的，加工设备的各个异常二元组的确定步骤包括：
根据M个加工设备各自对应的N个状态参数序列所对应的加工设备的设备状态，确定第m个加工设备对应的各个目标状态参数序列，在同一产品加工过程中的M个状态参数序列中，第m个加工设备对应的目标状态参数序列为仅有的一个所对应的加工设备的设备状态为设备异常状态的状态参数序列；
根据第m个加工设备对应的各个目标状态参数序列的设备异常程度值以及所对应的产品的缺陷程度值，构造第m个加工设备的各个异常二元组。
进一步的，确定M个加工设备各自对应的设备本身异常程度对后续设备的影响程度值的步骤包括：
根据M个加工设备各自对应的N个状态参数序列所对应的加工设备的设备状态、所对应的设备异常程度值以及N个产品的缺陷程度值，确定前M-1个加工设备各自对应其后续任意一个加工设备的各个异常三元组；
根据前M-1个加工设备各自对应其后续任意一个加工设备的各个异常三元组，确定前M-1个加工设备各自对其后续任意一个加工设备的产品缺陷差值程度函数；
根据前M-1个加工设备各自对其后续任意一个加工设备的产品缺陷差值程度函数，确定前M-1个加工设备各自对其后续任意一个加工设备的影响程度值；
根据前M-1个加工设备各自对应其后续加工设备的影响程度值，确定前M-1个加工设备各自对应的设备本身异常程度对后续设备的影响程度值。
进一步的，加工设备对应其后续任意一个加工设备的异常三元组的确定步骤包括：
根据M个加工设备各自对应的N个状态参数序列所对应的加工设备的设备状态，确定第j个加工设备对应其后续第i个加工设备的各个目标状态参数序列组，所述目标状态参数序列组包括第j个加工设备的状态参数序列和第i个加工设备的状态参数序列，第i个加工设备为第j个加工设备的后续加工设备，在同一产品加工过程中的M个状态参数序列中，第j个加工设备对应的状态参数序列和第i个加工设备对应的状态参数序列为仅有的两个所对应的加工设备的设备状态为设备异常状态的状态参数序列；
根据第j个加工设备对应其后续第i个的各个目标状态参数序列组、第j个加工设备的设备异常产品缺陷程度函数、第i个加工设备的设备异常产品缺陷程度函数以及所对应的产品的缺陷程度值，确定第j个加工设备对应其后续第i个加工设备的各个目标状态参数序列组对应的产品缺陷程度差值；
根据第j个加工设备对应其后续第i个加工设备的各个目标状态参数序列组中第j个加工设备的状态参数序列的设备异常程度值和第i个加工设备的状态参数序列的设备异常程度以及第j个加工设备对应其后续第i个加工设备的各个目标状态参数序列组对应的产品缺陷程度差值，构造第j个加工设备对应其后续第i个的各个异常三元组。
进一步的，确定M个加工设备各自对应的设备本身异常程度对产品缺陷影响指标对应的计算公式为：
Figure 894709DEST_PATH_IMAGE002
确定前M-1个加工设备各自对其后续任意一个加工设备的影响程度值对应的计算公式为：
Figure 953932DEST_PATH_IMAGE004
其中，
Figure DEST_PATH_IMAGE005
为第m个加工设备对应的设备本身异常程度对产品缺陷影响指标，
Figure 311618DEST_PATH_IMAGE006
为第m个加工设备的设备异常产品缺陷程度函数，
Figure DEST_PATH_IMAGE007
为第m个加工设备所对应的设备异常程度值，
Figure 546421DEST_PATH_IMAGE008
为第m个加工设备所对应的设备异常程度值的最大取值，
Figure DEST_PATH_IMAGE009
为第m个加工设备所对应的设备异常程度值的最小取值，
Figure 546738DEST_PATH_IMAGE010
为第j个加工设备对其后续第i个加工设备的影响程度值，
Figure DEST_PATH_IMAGE011
为第j个加工设备对其后续第i个加工设备的产品缺陷差值程度函数，
Figure 857371DEST_PATH_IMAGE012
为第j个加工设备所对应的设备异常程度值，
Figure DEST_PATH_IMAGE013
为第j个加工设备所对应的设备异常程度值的最大取值，
Figure 375072DEST_PATH_IMAGE014
为第j个加工设备所对应的设备异常程度值的最小取值，
Figure DEST_PATH_IMAGE015
为第i个加工设备所对应的设备异常程度值，
Figure 854594DEST_PATH_IMAGE016
为第i个加工设备所对应的设备异常程度值的最大取值，
Figure DEST_PATH_IMAGE017
为第i个加工设备所对应的设备异常程度值的最小取值。
进一步的，确定M个加工设备各自的巡检优先度指标值，进而确定M个加工设备的巡检优先度的步骤包括：
分别对M个加工设备各自对应的设备本身异常程度对产品缺陷影响指标进行归一化处理，并分别对M个加工设备各自对应的设备本身异常程度对后续设备的影响程度值进行归一化处理；
根据归一化之后的M个加工设备各自对应设备本身异常程度对产品缺陷影响指标和设备本身异常程度对后续设备的影响程度值以及M个加工设备各自对应的故障发生概率，分别计算M个加工设备各自对应的巡检优先度指标值；
根据M个加工设备各自对应的巡检优先度指标值，确定M个加工设备的巡检优先度，巡检优先度指标值越大，则对应的巡检优先度越高。
为解决上述技术问题，本发明还提供了一种基于人工智能的设备巡检优先度评估系统，包括存储器和处理器以及存储在存储器中并在处理器上运行的计算机程序，处理器与存储器相耦合，处理器在执行计算机程序时实现上述的基于人工智能的设备巡检优先度评估方法。
本发明具有如下有益效果：获取N个产品均依次经过M个加工设备加工过程中M个加工设备对应的状态参数序列以及最终产品的表面图像，确定各状态参数序列对应的设备异常程度值以及每张图像对应产品的缺陷程度值，根据各设备异常程度值和缺陷程度值，确定M个加工设备的设备本身异常程度对产品缺陷影响指标和设备本身异常程度对后续设备的影响程度值，并结合M个加工设备的故障发生概率，确定各加工设备的巡检优先度指标值，进而确定巡检优先度。由于本发明通过统筹考虑设备本身的故障情况、设备本身异常对产品缺陷的影响以及各设备异常对后置设备的异常影响，计算出了确定各个设备巡检优先度的具体量化指标，最终提高了各个设备巡检优先度的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅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它附图。
图1为本发明的基于人工智能的设备巡检优先度评估方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本实施例提供了一种基于人工智能的设备巡检优先度评估方法，其对应的流程图如图1所示，具体包括以下步骤：
（1）分别获取N个产品均依次经过M个加工设备加工过程中M个加工设备对应的状态参数序列以及均依次经过M个加工设备加工后最终得到产品的表面图像。
设备组中包含M个加工设备，这M个加工设备呈串联状态进行工作，即在对产品进行加工时，产品需要依次经过这M个加工设备进行加工，从而得到最终加工后的产品。在本实施例中，这里的设备组是指对曲轴进行加工的各个加工设备。
在历史产品加工过程中，分别获取每一个产品依次经过M个加工设备加工过程中，M个加工设备对应的状态参数序列
Figure 668223DEST_PATH_IMAGE018
，
Figure DEST_PATH_IMAGE019
分别是指设备平均温度、设备振动频率、设备振动幅度、设备输出功率。同时，分别获取每一个产品依次经过M个加工设备加工完成后，最终所得产品的表面图像。
其中，为了获取每个加工设备的设备平均温度，在加工设备附近安装热成像相机，采集工作过程中各加工设备主体的温度分布，获取平均温度W，用来判断加工设备是否发生温度异常；为了获取每个加工设备的设备振动频率和设备振动幅度，则各个加工设备的外壳上安装振动传感器，获取工作过程中各加工设备的振动频率ZP和振动幅度ZF，用来判断加工设备是否发生振动异常；为了获取每个加工设备的设备输出功率，在每个加工设备的相关电路中安装电压电流传感器，获取工作过程中各加工设备的输出功率S，用来判断加工设备是否发生输出功率异常。另外，为了获取最终所得产品的表面图像，采用摄像机对产品表面进行拍摄，用于判断产品是否发生缺陷以及发生缺陷时的缺陷程度。
通过对N个产品均依次经过M加工设备加工过程中每个加工设备对应的状态参数序列以及加工完成后最终所得产品的表面图像进行统计，可以得到N个产品加工过程中，M加工设备对应的状态参数序列以及N个产品的表面图像。需要说明的是，为了获取足够多的状态参数序列数据和产品的表面图像以便于后续分析，这里的N为足够大。
（2）根据M个加工设备各自对应的N个状态参数序列，确定M个加工设备各自对应的N个状态参数序列所对应的设备异常程度值。
其中，根据步骤（1）中所获得的状态参数序列，确定M个加工设备各自对应的N个状态参数序列所对应的设备异常程度值的步骤包括：
（2-1）将M个加工设备各自对应的N个状态参数序列分别与预先确定的对应加工设备的表征设备正常状态的状态参数序列进行混合。
其中，为了确定状态参数序列所对应的设备异常程度值，需要预先获取大量的可以表征设备正常状态的状态参数序列。而为了获得各个加工设备所对应的可以表征设备正常状态的状态参数序列，则在各个加工设备的历史工作过程中的时间T0内，每隔时间间隔t即采集每个加工设备的状态参数，从而获得每个加工设备的状态参数序列，具体获取步骤可以参考步骤（1）。其中，在保证能够获取足够的有用数据的情况下，即在获取每个加工设备的足够的可以表征加工设备正常状态、不同程度异常状态的状态参数序列的情况下，时间T0、时间间隔t可由实施者根据实际情况自行设定，在本实施例中，取T0=120天，t=1小时。
在获得在时间T0内的各个加工设备所对应的状态参数序列之后，对于每个加工设备所对应的所有状态参数序列，采用局部异常因子算法LOF进行异常值的检测。该局部异常因子算法LOF是基于集合点之间的距离计算检测点的局部离群因子，即将检测点的邻域点的局部可达密度与该检测点的局部可达密度之比的平均数作为其异常程度值c。且异常程度值c越接近1或小于1，对应检测点的异常程度越低，c越大于1，对应检测点的异常程度越高。由于采用局部异常因子算法LOF进行异常值的详细检测步骤属于现有技术，此处不再赘述。通过采用采用局部异常因子算法LOF对每个加工设备所对应的所有状态参数序列进行异常值检测，可以得到每个加工设备所对应的所有状态参数序列各自对应的设备异常程度c。对于设备异常程度c≤1的检测点，也就是状态参数序列，可以将其看成是表征设备正常状态的状态参数序列，而对于设备异常程度c>1的检测点，也就是状态参数序列，可以将其看成是表征设备异常状态的状态参数序列。至此，可以得到各个加工设备的可以表征设备正常状态的状态参数序列。在此基础上，为了获取步骤（1）中获取的每个状态参数序列所对应的设备异常程度值，则将步骤（1）中获取的每个状态参数序列与上述对应加工设备的可以表征设备正常状态的状态参数序列进行混合，以便于后续确定该状态参数序列的设备异常程度值。
（2-2）利用局部异常因子算法对混合后的状态参数序列进行异常值检测，从而得到M个加工设备各自对应的N个状态参数序列所对应的设备异常程度值。
在步骤（2-1）的基础上，即在将步骤（1）中获取的每个状态参数序列与上述对应加工设备的可以表征设备正常状态的状态参数序列进行混合后，利用局部异常因子算法对混合后的状态参数序列进行异常值检测，从而可以得到步骤（1）中获取的每个状态参数序列所对应的设备异常程度值c。当设备异常程度值c≤1时，说明对应的步骤（1）中获取的状态参数序列对应的设备状态正常，设备异常程度值c>1时，说明对应的步骤（1）中获取的状态参数序列对应的设备状态异常，且设备异常程度值c越大，设备状态异常程度越高。
在通过上述步骤（2-1）和（2-2）之后，即可得到M个加工设备各自对应的N个状态参数序列所对应的设备异常程度值。
（3）根据N个产品均依次经过M个加工设备加工后最终得到产品的表面图像，确定N个产品的缺陷程度值。
在本实施例中，各个加工设备是对曲轴进行加工的加工设备。其中，在曲轴的生产过程中，每个成品均会经过多个加工设备的车、铣、磨削、抛光、钻削、钻铰等一系列加工，且加工工艺有先后和粗精之分，前加工工序可为后加工工序提供定位基准，粗加工工序可为精加工工序提供定位基准。因此，前置加工设备对产品的加工情况会影响后置设备对产品的加工情况，对于异常的加工设备，其前后影响关系最终体现在对成品缺陷程度的贡献程度上，即：与不受前置异常设备影响时相比，后置异常设备在受到前置异常设备的影响时，其同样的异常程度对成品缺陷程度的贡献程度会更大。
而对于车、铣工艺，需要保证曲轴的形状、尺寸要求，对于磨削和抛光工艺，需要保证曲轴的直径、圆度、粗糙度要求，对于钻削和钻铰工艺，需要保证曲轴的位置度、毛刺等要求。因此，本实施例采集最后加工成品的表面图像，分别分析并获得其形状、尺寸、直径、圆度、粗糙度、位置度、毛刺与生产要求标准情况的差异程度，并将7项差异程度的总和作为该成品的缺陷程度Q，作为后续一系列分析和计算的基础。需要说明的是，在能够实现产品与生产要求标准产品相差越大，则差异程度就会越大这一目的情况下，7项差异程度的具体确定方式可以根据实际情况来定，此处不再赘述。
（4）根据M个加工设备各自对应的N个状态参数序列所对应的设备异常程度值以及N个产品的缺陷程度值，确定M个加工设备各自对应的设备本身异常程度对产品缺陷影响指标和设备本身异常程度对后续设备的影响程度值。
由于各加工设备的加工方式、加工目的等存在差异，因此各加工设备本身的异常对产品缺陷的影响不同，且设备对应的影响越大，其受关注程度应该越高，这里的受关注程度包括巡检人员进行设备巡检的关注度、维修人员进行设备维修的关注度等。
因此，本实施例将各加工设备的受关注程度表征在总线型有向拓扑图中，对应于各加工设备节点在拓扑图中的大小，且节点越大，加工设备的受关注程度越高，从而使得工作人员可根据拓扑图中各节点的大小，获得各加工设备受关注程度的大小。
在本实施例中，首先基于各产品对应的起始异常设备进行分析，获得各加工设备在没有前置加工设备影响时，其本身异常程度与产品缺陷程度的关系，从而分析各设备节点在拓扑图中的节点大小，具体实现过程如下：
（4-1）根据M个加工设备各自对应的N个状态参数序列所对应的设备异常程度值，确定各个状态参数序列所对应的加工设备的设备状态，设备状态为设备正常状态或设备异常状态。
其中，根据上述步骤（2）可知，通过对每个状态参数序列所对应的设备异常程度值进行分析，就可以确定每个状态参数序列所对应的加工设备的设备状态。即当状态参数序列所对应的设备异常程度值不大于1时，则该当状态参数序列所对应的加工设备的设备状态为设备正常状态，而当状态参数序列所对应的设备异常程度值大于1时，则该当状态参数序列所对应的加工设备的设备状态为设备异常状态，且设备异常程度值越大，则异常程度越高。
（4-2）根据M个加工设备各自对应的N个状态参数序列所对应的加工设备的设备状态、所对应的设备异常程度值以及N个产品的缺陷程度值，确定M个加工设备的各个异常二元组，具体实现步骤如下：
（4-2-1）根据M个加工设备各自对应的N个状态参数序列所对应的加工设备的设备状态，确定第m个加工设备对应的各个目标状态参数序列，1≤m≤M，在同一产品加工过程中的M个状态参数序列中，第m个加工设备对应的目标状态参数序列为仅有的一个所对应的加工设备的设备状态为设备异常状态的状态参数序列。
其中，基于上述步骤（4-1）所确定的M个加工设备各自对应的N个状态参数序列所对应的加工设备的设备状态，可以确定每一个加工设备对应的各个目标状态参数序列。以确定第m个加工设备对应的各个目标状态参数序列为例，在某个产品的生产加工过程中，当只有第m个加工设备对应的状态参数序列所对应的加工设备的设备状态为设备异常状态时，则将该第m个加工设备对应的状态参数序列作为第m个加工设备对应的一个目标状态参数序列。因此，通过对M个加工设备各自对应的N个状态参数序列所对应的加工设备的设备状态进行分析，就可以得到M个加工设备各自对应的各个目标状态参数序列。
（4-2-2）根据第m个加工设备对应的各个目标状态参数序列的设备异常程度值以及所对应的产品的缺陷程度值，构造第m个加工设备的各个异常二元组。
其中，根据第m个加工设备对应的任意一个目标状态参数序列的设备异常程度值Cm以及该目标状态参数序列所对应生产的产品的缺陷程度值Qm，构造一个异常二元组（Cm，Qm）。按照同样的方式，可以获得第m个加工设备的各个异常二元组。
（4-3）根据M个加工设备的各个异常二元组，确定M个加工设备的设备异常产品缺陷程度函数。
对于步骤（4-2）所得到的M个加工设备的各个异常二元组，以第m个加工设备为例，以该第m个加工设备的各个异常二元组中的缺陷程度值
Figure 967617DEST_PATH_IMAGE020
为因变量，以设备异常程度值
Figure 210380DEST_PATH_IMAGE007
为自变量，进行曲线拟合，从而得到该第m个加工设备的设备异常产品缺陷程度函数
Figure DEST_PATH_IMAGE021
。由于缺陷程度值
Figure 652731DEST_PATH_IMAGE020
随着设备异常程度值
Figure 588326DEST_PATH_IMAGE007
的增大而增大，因此，该设备异常产品缺陷程度函数为单调递增函数，且函数值均不小于0。
同理，可以得到M个加工设备的设备异常产品缺陷程度函数，分别记为
Figure 843858DEST_PATH_IMAGE022
,
Figure DEST_PATH_IMAGE023
,……,
Figure 296836DEST_PATH_IMAGE024
。根据M个加工设备的设备异常产品缺陷程度函数，当单个加工设备发生异常时，若已知该加工设备的异常程度，则代入该加工设备对应的设备异常产品缺陷程度函数中，即可知其生产产品的缺陷程度值。将同一个设备异常程度值代入各设备异常产品缺陷程度函数中，其对应的缺陷程度值越大，说明该加工设备本身异常程度对产品缺陷的影响越大，其对应的设备节点越大。
（4-4）根据M个加工设备的设备异常产品缺陷程度函数，确定M个加工设备各自对应的设备本身异常程度对产品缺陷影响指标。
在上述步骤（4-3）的基础上，为了进行设备节点大小的量化，本实施例分别计算各加工设备对应的设备异常产品缺陷程度函数与横坐标轴之间的面积大小，面积越大，对应的整体函数值越大，则设备节点越大。
以第m个加工设备的设备异常产品缺陷程度函数
Figure 954214DEST_PATH_IMAGE021
为例，设自变量第m个加工设备的设备本身异常程度的取值范围为[
Figure 431682DEST_PATH_IMAGE009
,
Figure DEST_PATH_IMAGE025
]，在本实施例中，
Figure 705668DEST_PATH_IMAGE026
，
Figure DEST_PATH_IMAGE027
，因此可计算该第m个加工设备的对应面积，也就是第m个加工设备对应的设备本身异常程度对产品缺陷影响指标：
Figure 962337DEST_PATH_IMAGE028
其中，
Figure 208642DEST_PATH_IMAGE005
为第m个加工设备对应的设备本身异常程度对产品缺陷影响指标，
Figure 125520DEST_PATH_IMAGE006
为第m个加工设备的设备异常产品缺陷程度函数，
Figure 949120DEST_PATH_IMAGE007
为第m个加工设备所对应的设备异常程度值，
Figure 478321DEST_PATH_IMAGE008
为第m个加工设备所对应的设备异常程度值的最大取值，
Figure 579132DEST_PATH_IMAGE009
为第m个加工设备所对应的设备异常程度值的最小取值。
当该设备本身异常程度对产品缺陷影响指标越大时，设备本身异常程度对产品缺陷的影响越大。按照上述同样的方式，可以计算出M个加工设备各自对应的设备本身异常程度对产品缺陷影响指标，分别记为
Figure DEST_PATH_IMAGE029
，对
Figure 433956DEST_PATH_IMAGE029
进行最大值归一化，并将归一化值
Figure 652841DEST_PATH_IMAGE030
作为对应设备节点在拓扑图中的第一半径R1。
对于各个加工设备的所受关注程度，除了要考虑各设备本身异常对产品缺陷的影响，还要考虑该设备异常时对其后置设备生产产品缺陷的影响，且影响越大，该设备所受关注程度越高。因此，本实施例基于M个加工设备的设备异常产品缺陷程度函数，分别获得各加工设备在有、无各前置设备节点时对应产品缺陷程度的变化情况，进而获得各前置设备对各后置设备的影响，即获取M个加工设备各自对应的设备本身异常程度对后续设备的影响程度值，并将其作为设备节点大小的计算基础，具体实现过程如下：
（4-5）根据M个加工设备各自对应的N个状态参数序列所对应的加工设备的设备状态、所对应的设备异常程度值以及N个产品的缺陷程度值，确定前M-1个加工设备各自对应其后续任意一个加工设备的各个异常三元组。
其中，由于确定前M-1个加工设备各自对应其后续任意一个加工设备的异常三元组的步骤是相同的，因此，下面以确定第j个加工设备对应其后续第i个加工设备的各个异常三元组为例进行说明。
（4-5-1）根据M个加工设备各自对应的N个状态参数序列所对应的加工设备的设备状态，确定第j个加工设备对应其后续第i个加工设备的各个目标状态参数序列组，该目标状态参数序列组包括第j个加工设备的状态参数序列和第i个加工设备的状态参数序列，第i个加工设备为第j个加工设备的后续加工设备，在同一产品加工过程中的M个状态参数序列中，第j个加工设备对应的状态参数序列和第i个加工设备对应的状态参数序列为仅有的两个所对应的加工设备的设备状态为设备异常状态的状态参数序列。
基于上述步骤（4-1）所确定的M个加工设备各自对应的N个状态参数序列所对应的加工设备的设备状态，可以确定第j个加工设备对应其后续第i个加工设备的各个目标状态参数序列组，1≤j<i≤M，具体确定方式为：在某个产品的生产加工过程中，当只有第j个加工设备对应的状态参数序列和第i个加工设备对应的状态参数序列所对应的加工设备的设备状态为设备异常状态的状态参数序列时，则将该第j个加工设备对应的状态参数序列和第i个加工设备对应的状态参数序列作为第j个加工设备的一个目标状态参数序列组。因此，通过对M个加工设备各自对应的N个状态参数序列所对应的加工设备的设备状态进行分析，就可以得到第j个加工设备对应其后续第i个加工设备的各个目标状态参数序列组。
（4-5-2）根据第j个加工设备对应其后续第i个的各个目标状态参数序列组、第j个加工设备的设备异常产品缺陷程度函数、第i个加工设备的设备异常产品缺陷程度函数以及所对应的产品的缺陷程度值，确定第j个加工设备对应其后续第i个加工设备的各个目标状态参数序列组对应的产品缺陷程度差值。
通过上述步骤（4-3），可以获取第j个加工设备的设备异常产品缺陷程度函数以及第i个加工设备的设备异常产品缺陷程度函数。将步骤（4-5-1）中获取的第j个加工设备对应其后续第i个加工设备的任意一个目标状态参数序列组中的第j个加工设备对应的状态参数序列，代入到第j个加工设备的设备异常产品缺陷程度函数
Figure DEST_PATH_IMAGE031
中，可以得到产品只受第j个加工设备本身异常程度影响的缺陷程度值
Figure 251312DEST_PATH_IMAGE032
。同时，将该目标状态参数序列组中的第i个加工设备对应的状态参数序列，代入到第i个加工设备的设备异常产品缺陷程度函数
Figure DEST_PATH_IMAGE033
中，可以得到产品只受第i个加工设备本身异常程度影响的缺陷程度值
Figure 3368DEST_PATH_IMAGE034
。另外，获取该目标状态参数序列组所对应产品实际的缺陷程度值Q。
由于产品实际的缺陷程度值Q不仅受第j个加工设备的影响，同时还受第i个加工设备的影响，且由于第i个加工设备受其前置第j个加工设备的影响，会导致产品实际的缺陷程度值Q会大于只受第j个加工设备本身异常程度影响的缺陷程度值
Figure 763513DEST_PATH_IMAGE032
和只受第i个加工设备本身异常程度影响的缺陷程度值
Figure 561705DEST_PATH_IMAGE034
二值之和。因此，在受第j个加工设备的影响时，第i个加工设备对产品的缺陷程度值的实际影响增大值，也就是产品缺陷程度差值
Figure DEST_PATH_IMAGE035
。该实际影响增大值
Figure 337769DEST_PATH_IMAGE036
越大，第j个加工设备在两个异常程度分别为
Figure 272227DEST_PATH_IMAGE012
和
Figure 203274DEST_PATH_IMAGE015
时对后续加工设备i的影响程度越大。
按照上述计算产品缺陷程度差值的方式，可以获取第j个加工设备对应其后续第i个的各个目标状态参数序列组对应的产品缺陷程度差值。
（4-5-3）根据第j个加工设备对应其后续第i个加工设备的各个目标状态参数序列组中第j个加工设备的状态参数序列的设备异常程度值和第i个加工设备的状态参数序列的设备异常程度以及第j个加工设备对应其后续第i个加工设备的各个目标状态参数序列组对应的产品缺陷程度差值，构造第j个加工设备对应其后续第i个的各个异常三元组。
在上述步骤（4-5-1）和（4-5-2）的基础上，对于第j个加工设备对应其后续第i个加工设备的任意一个目标状态参数序列组中第j个加工设备的状态参数序列的设备异常程度值
Figure 629707DEST_PATH_IMAGE012
和第i个加工设备的状态参数序列的设备异常程度
Figure 897877DEST_PATH_IMAGE015
以及该目标状态参数序列组对应的产品缺陷程度差值
Figure 588972DEST_PATH_IMAGE036
，构造一个异常三元组
Figure DEST_PATH_IMAGE037
。同理，对于第j个加工设备对应其后续第i个加工设备的各个目标状态参数序列组，可以构造出第j个加工设备其后续第i个的各个异常三元组。
按照上述步骤（4-5-1）-（4-5-3），就可以确定前M-1个加工设备各自对应其后续任意一个加工设备的各个异常三元组。
（4-6）根据前M-1个加工设备各自对应其后续任意一个加工设备的各个异常三元组，确定前M-1个加工设备各自对其后续任意一个加工设备的产品缺陷差值程度函数。
对于上述步骤（4-5）中所得到的前M-1个加工设备各自对应其后续任意一个加工设备的各个异常三元组，同样以第j个加工设备对应其后续第i个加工设备的异常三元组
Figure 557101DEST_PATH_IMAGE037
为例，以各个异常三元组中的设备异常程度
Figure 205251DEST_PATH_IMAGE038
为自变量，以产品缺陷程度差值
Figure 418057DEST_PATH_IMAGE036
为因变量，进行曲线拟合，从而得到第j个加工设备对应其后续第i个加工设备的产品缺陷差值程度函数
Figure DEST_PATH_IMAGE039
，该函数可以表征前置设备j对后置设备i的影响程度。
同理，可以得到表征第j个加工设备对应其后续第j+1, j+2,……,M个加工设备的产品缺陷差值程度函数，分别记为
Figure 264791DEST_PATH_IMAGE040
,
Figure DEST_PATH_IMAGE041
,……,
Figure 304684DEST_PATH_IMAGE042
。根据这些产品缺陷差值程度函数，当第j个加工设备以及其后续任意一个加工设备发生异常时，若已知这两个加工设备的异常程度，将这两个加工设备的异常程度代入到对应的产品缺陷差值程度函数中，即可知第j个加工设备对应其后续该加工设备的产品缺陷程度差值，也就是在受第j个加工设备的影响时，其后续该加工设备对产品的缺陷程度值的实际影响增大值，该实际影响增大值越大，说明第j个加工设备的设备异常程度对其后续该加工设备的影响程度越大，第j个加工设备对应的设备节点应当越大。
同样的，根据前M-1个加工设备各自对应其后续任意一个加工设备的异常三元组，就可以确定这前M-1个加工设备各自对其后续任意一个加工设备的产品缺陷差值程度函数。
（4-7）根据前M-1个加工设备各自对其后续任意一个加工设备的产品缺陷差值程度函数，确定前M-1个加工设备各自对其后续任意一个加工设备的影响程度值。
在上述步骤（4-6）的基础上，由于步骤（4-6）所确定的前M-1个加工设备各自对其后续任意一个加工设备的产品缺陷差值程度函数中包括两个自变量，则分别计算产品缺陷差值程度函数与这两个自变量坐标轴之间的体积大小，而体积越大，前置设备对后置设备的影响程度越大，前置设备对应的设备节点越大。
同样以第j个加工设备对应其后续第i个加工设备的产品缺陷差值程度函数
Figure 705710DEST_PATH_IMAGE039
为例，自变量第j个加工设备的设备本身异常程度的取值范围为[
Figure 315683DEST_PATH_IMAGE014
,
Figure 981369DEST_PATH_IMAGE013
]，自变量第i个加工设备的设备本身异常程度的取值范围为[
Figure 159541DEST_PATH_IMAGE017
,
Figure 906917DEST_PATH_IMAGE016
]，在本实施例中，
Figure DEST_PATH_IMAGE043
，
Figure 366586DEST_PATH_IMAGE044
，则第j个加工设备对应其后续第i个加工设备的影响程度值：
Figure DEST_PATH_IMAGE045
其中，
Figure 922332DEST_PATH_IMAGE010
为第j个加工设备对其后续第i个加工设备的影响程度值，
Figure 396039DEST_PATH_IMAGE011
为第j个加工设备对其后续第i个加工设备的产品缺陷差值程度函数，
Figure 240498DEST_PATH_IMAGE012
为第j个加工设备所对应的设备异常程度值，
Figure 224897DEST_PATH_IMAGE013
为第j个加工设备所对应的设备异常程度值的最大取值，
Figure 228625DEST_PATH_IMAGE014
为第j个加工设备所对应的设备异常程度值的最小取值，
Figure 483020DEST_PATH_IMAGE015
为第i个加工设备所对应的设备异常程度值，
Figure 599398DEST_PATH_IMAGE016
为第i个加工设备所对应的设备异常程度值的最大取值，
Figure 354864DEST_PATH_IMAGE017
为第i个加工设备所对应的设备异常程度值的最小取值。
按照上述第j个加工设备对其后续第i个加工设备的影响程度值的确定方式，就可以确定前M-1个加工设备各自对其后续任意一个加工设备的影响程度值。
（4-8）根据前M-1个加工设备各自对应其后续加工设备的影响程度值，确定前M-1个加工设备各自对应的设备本身异常程度对后续设备的影响程度值。
在上述步骤（4-7）的基础上，即在已知前M-1个加工设备各自对应其后续加工设备的影响程度值的情况下，可以确定前M-1个加工设备各自对应的设备本身异常程度对后续设备的影响程度值。以计算第j个加工设备对应的设备本身异常程度对后续设备的影响程度值为例，根据上述步骤（4-7），可以得到第j个加工设备对应其后续第j+1, j+2,……,M个加工设备的影响程度值
Figure 88465DEST_PATH_IMAGE046
,
Figure DEST_PATH_IMAGE047
,……,
Figure 576078DEST_PATH_IMAGE048
，那么第j个加工设备对其M-j个后置加工设备的总影响程度，即第j个加工设备对应的设备本身异常程度对后续设备的影响程度值为：
Figure 519763DEST_PATH_IMAGE050
同理，可以获得前M-1个加工设备作为前置加工设备时，对后置加工设备的总影响程度Y1,Y2,……,YM-1。需要说明的是，由于第M个加工设备无后置加工设备，因此其对应的设备本身异常程度对后续设备的影响程度值YM=0。由于设备本身异常程度对后续设备的影响程度值越大，对应的设备节点越大，因此，对各加工设备各自对应的设备本身异常程度对后续设备的影响程度值
Figure DEST_PATH_IMAGE051
进行最大值归一化，并将归一化值
Figure 859347DEST_PATH_IMAGE052
作为对应设备节点在拓扑图中的第二半径R2。
（5）根据设备本身异常程度对产品缺陷影响指标、设备本身异常程度对后续设备的影响程度值以及预先确定的M个加工设备各自对应的故障发生概率，确定M个加工设备各自的巡检优先度指标值，进而确定M个加工设备的巡检优先度。
由于每个加工设备的故障发生概率越大，越应该进行优先巡检，因此为了确定M个加工设备各自的巡检优先度指标值，还需要预先确定M个加工设备各自对应的故障发生概率，具体实现过程如下：
（5-1）在M个加工设备的历史加工过程中，在设定时间段内，每隔设定时间间隔，获取一次M个加工设备对应的状态参数序列。
其中，在本实施例中，获取M个加工设备对应的状态参数序列可以参考上述步骤（2-1），即在各个加工设备的历史工作过程中的时间T0内，每隔时间间隔t即采集每个加工设备的状态参数，从而获得每个加工设备的状态参数序列。
（5-2）根据在设定时间段内的M个加工设备对应的状态参数序列，确定在设定时间段内的每个状态参数序列所对应的设备异常程度值。
在通过上述步骤（5-1）获得在设定时间段内的M个加工设备对应的状态参数序列之后，参考上述步骤（2-1），采用局部异常因子算法LOF进行异常值的检测，从而可以得到每个状态参数序列所对应的设备异常程度值c。
（5-3）根据在设定时间段内的每个状态参数序列所对应的设备异常程度值，确定各个状态参数序列对应的加工设备的设备状态，设备状态为设备正常状态或设备异常状态。
在通过上述步骤（5-2）获得每个状态参数序列所对应的设备异常程度值的基础之上，对各个设备异常程度值进行判断，若设备异常程度值c≤1，则判定该状态参数序列对应的加工设备的设备状态为设备正常状态；反之，若设备异常程度值c>1，则判定该状态参数序列对应的加工设备的设备状态为设备异常状态。
（5-4）统计M个加工设备各自在设定时间段内的状态参数序列对应的加工设备为设备异常状态的状态参数序列占比，从而确定M个加工设备各自对应的故障发生概率。
统计在设定时间段内产品生产过程中各加工设备的异常情况，将该设定时间段内的任意一个加工设备的状态参数序列总数量记为N，将任意一个加工设备发生异常的次数记为n，则可知该加工设备发生异常的概率：
Figure DEST_PATH_IMAGE053
。通过这种方式，可以确定M个加工设备各自对应的故障发生概率，分别记为
Figure 244192DEST_PATH_IMAGE054
，并将其作为对应设备节点在拓扑图中的第三半径R3。
在确定M个加工设备各自对应的故障发生概率之后，进一步根据设备本身异常程度对产品缺陷影响指标、设备本身异常程度对后续设备的影响程度值，计算M个加工设备各自的巡检优先度指标值。也就是，根据M个加工设备对应设备节点在拓扑图中的第一半径R1、第二半径R2和第三半径R3，获取设备节点拓扑图中M个加工设备对应设备节点的最终半径R=
Figure DEST_PATH_IMAGE055
，从而完成设备节点拓扑图的构建，该最终半径即为M个加工设备各自的巡检优先度指标值。
对于构建的设备节点拓扑图中M个加工设备对应设备节点的最终半径，即可根据各设备节点半径的大小确定各加工设备所需的关注程度，对节点半径大的对应加工设备分配更多时间和精力，即设置更高的巡检优先度，从而可以合理且针对性地进行巡检和维修优先度的分析，并分配巡检和检修的时间，提高工作效率和工作质量。
本实施例还提供了一种基于人工智能的设备巡检优先度评估系统，包括存储器和处理器以及存储在存储器中并在处理器上运行的计算机程序，处理器与存储器相耦合，处理器在执行计算机程序时实现上述的基于人工智能的设备巡检优先度评估方法。由于该基于人工智能的设备巡检优先度评估方法已经在上述内容中进行了详细介绍，此处不再赘述。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (10)

1.一种基于人工智能的设备巡检优先度评估方法，其特征在于，包括以下步骤：
分别获取N个产品均依次经过M个加工设备加工过程中M个加工设备对应的状态参数序列以及均依次经过M个加工设备加工后最终得到产品的表面图像；
根据M个加工设备各自对应的N个状态参数序列，确定M个加工设备各自对应的N个状态参数序列所对应的设备异常程度值；
根据N个产品均依次经过M个加工设备加工后最终得到产品的表面图像，确定N个产品的缺陷程度值；
根据M个加工设备各自对应的N个状态参数序列所对应的设备异常程度值以及N个产品的缺陷程度值，确定M个加工设备各自对应的设备本身异常程度对产品缺陷影响指标和设备本身异常程度对后续设备的影响程度值；
根据设备本身异常程度对产品缺陷影响指标、设备本身异常程度对后续设备的影响程度值以及预先确定的M个加工设备各自对应的故障发生概率，确定M个加工设备各自的巡检优先度指标值，进而确定M个加工设备的巡检优先度。
2.根据权利要求1所述的基于人工智能的设备巡检优先度评估方法，其特征在于，确定M个加工设备各自对应的N个状态参数序列所对应的设备异常程度值的步骤包括：
将M个加工设备各自对应的N个状态参数序列分别与预先确定的对应加工设备的表征设备正常状态的状态参数序列进行混合；
利用局部异常因子算法对混合后的状态参数序列进行异常值检测，从而得到M个加工设备各自对应的N个状态参数序列所对应的设备异常程度值。
3.根据权利要求1所述的基于人工智能的设备巡检优先度评估方法，其特征在于，确定M个加工设备各自对应的故障发生概率的步骤包括：
在M个加工设备的历史加工过程中，在设定时间段内，每隔设定时间间隔，获取一次M个加工设备对应的状态参数序列；
根据在设定时间段内的M个加工设备对应的状态参数序列，确定在设定时间段内的每个状态参数序列所对应的设备异常程度值；
根据在设定时间段内的每个状态参数序列所对应的设备异常程度值，确定各个状态参数序列对应的加工设备的设备状态，所述设备状态为设备正常状态或设备异常状态；
统计M个加工设备各自在设定时间段内的状态参数序列对应的加工设备为设备异常状态的状态参数序列占比，从而确定M个加工设备各自对应的故障发生概率。
4.根据权利要求1所述的基于人工智能的设备巡检优先度评估方法，其特征在于，确定M个加工设备各自对应的设备本身异常程度对产品缺陷影响指标的步骤包括：
根据M个加工设备各自对应的N个状态参数序列所对应的设备异常程度值，确定各个状态参数序列所对应的加工设备的设备状态，所述设备状态为设备正常状态或设备异常状态；
根据M个加工设备各自对应的N个状态参数序列所对应的加工设备的设备状态、所对应的设备异常程度值以及N个产品的缺陷程度值，确定M个加工设备的各个异常二元组；
根据M个加工设备的各个异常二元组，确定M个加工设备的设备异常产品缺陷程度函数；
根据M个加工设备的设备异常产品缺陷程度函数，确定M个加工设备各自对应的设备本身异常程度对产品缺陷影响指标。
5.根据权利要求4所述的基于人工智能的设备巡检优先度评估方法，其特征在于，加工设备的各个异常二元组的确定步骤包括：
根据M个加工设备各自对应的N个状态参数序列所对应的加工设备的设备状态，确定第m个加工设备对应的各个目标状态参数序列，在同一产品加工过程中的M个状态参数序列中，第m个加工设备对应的目标状态参数序列为仅有的一个所对应的加工设备的设备状态为设备异常状态的状态参数序列；
根据第m个加工设备对应的各个目标状态参数序列的设备异常程度值以及所对应的产品的缺陷程度值，构造第m个加工设备的各个异常二元组。
6.根据权利要求5所述的基于人工智能的设备巡检优先度评估方法，其特征在于，确定M个加工设备各自对应的设备本身异常程度对后续设备的影响程度值的步骤包括：
根据M个加工设备各自对应的N个状态参数序列所对应的加工设备的设备状态、所对应的设备异常程度值以及N个产品的缺陷程度值，确定前M-1个加工设备各自对应其后续任意一个加工设备的各个异常三元组；
根据前M-1个加工设备各自对应其后续任意一个加工设备的各个异常三元组，确定前M-1个加工设备各自对其后续任意一个加工设备的产品缺陷差值程度函数；
根据前M-1个加工设备各自对其后续任意一个加工设备的产品缺陷差值程度函数，确定前M-1个加工设备各自对其后续任意一个加工设备的影响程度值；
根据前M-1个加工设备各自对应其后续加工设备的影响程度值，确定前M-1个加工设备各自对应的设备本身异常程度对后续设备的影响程度值。
7.根据权利要求6所述的基于人工智能的设备巡检优先度评估方法，其特征在于，加工设备对应其后续任意一个加工设备的异常三元组的确定步骤包括：
根据M个加工设备各自对应的N个状态参数序列所对应的加工设备的设备状态，确定第j个加工设备对应其后续第i个加工设备的各个目标状态参数序列组，所述目标状态参数序列组包括第j个加工设备的状态参数序列和第i个加工设备的状态参数序列，第i个加工设备为第j个加工设备的后续加工设备，在同一产品加工过程中的M个状态参数序列中，第j个加工设备对应的状态参数序列和第i个加工设备对应的状态参数序列为仅有的两个所对应的加工设备的设备状态为设备异常状态的状态参数序列；
根据第j个加工设备对应其后续第i个加工设备的各个目标状态参数序列组、第j个加工设备的设备异常产品缺陷程度函数、第i个加工设备的设备异常产品缺陷程度函数以及所对应的产品的缺陷程度值，确定第j个加工设备对应其后续第i个加工设备的各个目标状态参数序列组对应的产品缺陷程度差值；
根据第j个加工设备对应其后续第i个加工设备的各个目标状态参数序列组中第j个加工设备的状态参数序列的设备异常程度值和第i个加工设备的状态参数序列的设备异常程度以及第j个加工设备对应其后续第i个加工设备的各个目标状态参数序列组对应的产品缺陷程度差值，构造第j个加工设备对应其后续第i个的各个异常三元组。
8.根据权利要求7所述的基于人工智能的设备巡检优先度评估方法，其特征在于，确定M个加工设备各自对应的设备本身异常程度对产品缺陷影响指标对应的计算公式为：
Figure DEST_PATH_IMAGE001
确定前M-1个加工设备各自对其后续任意一个加工设备的影响程度值对应的计算公式为：
Figure 904690DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为第m个加工设备对应的设备本身异常程度对产品缺陷影响指标，
Figure 771889DEST_PATH_IMAGE004
为第m个加工设备的设备异常产品缺陷程度函数，
Figure 744524DEST_PATH_IMAGE005
为第m个加工设备所对应的设备异常程度值，
Figure 983876DEST_PATH_IMAGE006
为第m个加工设备所对应的设备异常程度值的最大取值，
Figure 141188DEST_PATH_IMAGE007
为第m个加工设备所对应的设备异常程度值的最小取值，
Figure 934831DEST_PATH_IMAGE008
为第j个加工设备对其后续第i个加工设备的影响程度值，
Figure 304633DEST_PATH_IMAGE009
为第j个加工设备对其后续第i个加工设备的产品缺陷差值程度函数，
Figure 165535DEST_PATH_IMAGE010
为第j个加工设备所对应的设备异常程度值，
Figure 103535DEST_PATH_IMAGE011
为第j个加工设备所对应的设备异常程度值的最大取值，
Figure 243529DEST_PATH_IMAGE012
为第j个加工设备所对应的设备异常程度值的最小取值，
Figure 620284DEST_PATH_IMAGE013
为第i个加工设备所对应的设备异常程度值，
Figure 37490DEST_PATH_IMAGE014
为第i个加工设备所对应的设备异常程度值的最大取值，
Figure 271025DEST_PATH_IMAGE015
为第i个加工设备所对应的设备异常程度值的最小取值。
9.根据权利要求1所述的基于人工智能的设备巡检优先度评估方法，其特征在于，确定M个加工设备各自的巡检优先度指标值，进而确定M个加工设备的巡检优先度的步骤包括：
分别对M个加工设备各自对应的设备本身异常程度对产品缺陷影响指标进行归一化处理，并分别对M个加工设备各自对应的设备本身异常程度对后续设备的影响程度值进行归一化处理；
根据归一化之后的M个加工设备各自对应设备本身异常程度对产品缺陷影响指标和设备本身异常程度对后续设备的影响程度值以及M个加工设备各自对应的故障发生概率，分别计算M个加工设备各自对应的巡检优先度指标值；
根据M个加工设备各自对应的巡检优先度指标值，确定M个加工设备的巡检优先度，巡检优先度指标值越大，则对应的巡检优先度越高。
10.一种基于人工智能的设备巡检优先度评估系统，其特征在于，包括存储器和处理器以及存储在存储器中并在处理器上运行的计算机程序，处理器与存储器相耦合，处理器在执行计算机程序时实现如权利要求1-9中任一项所述的基于人工智能的设备巡检优先度评估方法。
CN202210357180.3A 2022-04-07 2022-04-07 一种基于人工智能的设备巡检优先度评估方法及系统 Withdrawn CN114648245A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210357180.3A CN114648245A (zh) 2022-04-07 2022-04-07 一种基于人工智能的设备巡检优先度评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210357180.3A CN114648245A (zh) 2022-04-07 2022-04-07 一种基于人工智能的设备巡检优先度评估方法及系统

Publications (1)

Publication Number Publication Date
CN114648245A true CN114648245A (zh) 2022-06-21

Family

ID=81997162

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210357180.3A Withdrawn CN114648245A (zh) 2022-04-07 2022-04-07 一种基于人工智能的设备巡检优先度评估方法及系统

Country Status (1)

Country Link
CN (1) CN114648245A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115174436A (zh) * 2022-09-07 2022-10-11 浙江省邮电工程建设有限公司 一种通信机房自动巡检机器人控制方法与系统
CN115329902A (zh) * 2022-10-12 2022-11-11 南通创为机械科技有限公司 一种数控卷板机产品异常数据分析识别方法
CN115993366A (zh) * 2023-03-24 2023-04-21 枣庄市大猫电子科技有限公司 基于传感设备的加工件表面检测方法及系统
CN117349711A (zh) * 2023-12-04 2024-01-05 湖南京辙科技有限公司 一种铁路机车零部件电子标签数据处理方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115174436A (zh) * 2022-09-07 2022-10-11 浙江省邮电工程建设有限公司 一种通信机房自动巡检机器人控制方法与系统
CN115329902A (zh) * 2022-10-12 2022-11-11 南通创为机械科技有限公司 一种数控卷板机产品异常数据分析识别方法
CN115993366A (zh) * 2023-03-24 2023-04-21 枣庄市大猫电子科技有限公司 基于传感设备的加工件表面检测方法及系统
CN115993366B (zh) * 2023-03-24 2023-07-07 枣庄市大猫电子科技有限公司 基于传感设备的加工件表面检测方法及系统
CN117349711A (zh) * 2023-12-04 2024-01-05 湖南京辙科技有限公司 一种铁路机车零部件电子标签数据处理方法及系统
CN117349711B (zh) * 2023-12-04 2024-02-13 湖南京辙科技有限公司 一种铁路机车零部件电子标签数据处理方法及系统

Similar Documents

Publication Publication Date Title
CN114648245A (zh) 一种基于人工智能的设备巡检优先度评估方法及系统
CN111275307A (zh) 一种水质自动在线站高频连续观测数据质量控制方法
Tang et al. Methodologies for uncertainty management in prognostics
CN115643159B (zh) 一种基于边缘计算的设备异常预警方法及系统
CN114723082B (zh) 一种智能低压成套设备的异常预警方法及系统
CN108829878B (zh) 一种工业实验数据异常点检测方法及装置
CN114184367A (zh) 旋转机械设备故障诊断方法、装置、设备及可读存储介质
JP2019098515A (ja) 刃具状態検査システム及び方法
CN114325403B (zh) 基于电化学阻抗谱测试的锂离子电池寿命检测方法和系统
CN117270514B (zh) 基于工业物联网的生产过程全流程故障检测方法
CN115511398B (zh) 一种基于时间敏感网络的焊接质量智能检测方法及系统
CN111678992A (zh) 一种用于识别混凝土结构损伤类型的无损检测方法
CN114840932B (zh) 多因数耦合提高tc4钛合金表面粗糙度预测精度的方法
JP2013534055A (ja) ウェーハ検査または計測設定のためのデータ擾乱
CN108562639B (zh) 一种埋地钢质管道全生命周期缺陷外检测方法
CN111678991B (zh) 一种用于混凝土结构无损检测损伤识别的方法
CN111314110B (zh) 一种用于分布式系统的故障预警方法
CN116452581B (zh) 一种基于机器视觉的电压源状态智能检测系统及方法
CN116128690B (zh) 一种碳排放量成本值计算方法、装置、设备及介质
CN116451016A (zh) 一种卫星智能化故障系统诊断评估的方法
Yin et al. Sensor selection and location scheme for prognostic and health management
CN112613191A (zh) 电缆健康状态评估方法、装置、计算机设备和存储介质
Yao et al. A framework via impulses-oriented Gini index and extreme value distribution for rolling bearing dynamic fault alarm and identification
Puchalski et al. Stable distributions, generalised entropy, and fractal diagnostic models of mechanical vibration signals
CN104794290B (zh) 一种用于机械装备结构的模态参数自动识别方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20220621