CN114706361A - 离散制造生产系统修复方法、计算机装置及存储介质 - Google Patents
离散制造生产系统修复方法、计算机装置及存储介质 Download PDFInfo
- Publication number
- CN114706361A CN114706361A CN202210632488.4A CN202210632488A CN114706361A CN 114706361 A CN114706361 A CN 114706361A CN 202210632488 A CN202210632488 A CN 202210632488A CN 114706361 A CN114706361 A CN 114706361A
- Authority
- CN
- China
- Prior art keywords
- production
- abnormal
- repair
- production system
- discrete manufacturing
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 482
- 230000008439 repair process Effects 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims abstract description 161
- 230000002787 reinforcement Effects 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 230000008707 rearrangement Effects 0.000 claims abstract description 14
- 238000003745 diagnosis Methods 0.000 claims abstract description 9
- 238000003754 machining Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 28
- 230000009471 action Effects 0.000 claims description 17
- 230000005856 abnormality Effects 0.000 claims description 11
- 230000033764 rhythmic process Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 abstract description 11
- 238000012545 processing Methods 0.000 abstract description 9
- 238000012549 training Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
本申请提供一种离散制造生产系统修复方法、计算机装置及存储介质，所述方法包括：确定生产系统所生产的零件数量是否达到检测阈值；当达到检测阈值后根据零件的特征值的比例确定是否进行异常诊断；当确定进行异常诊断后对可疑的生产阶段所加工的零件的种类和加工操作的重排定位数量唯一的异常生产阶段；通过对异常生产阶段的生产机器进行生产节拍实验定位异常生产机器；利用深度强化学习网络确定异常生产机器中的异常生产模块以及适用于异常生产机器的最优修复策略，并控制自动化设备根据最优修复策略对异常生产模块进行修复。本申请的技术可高效定位飞机制造业中的组件模块异常，在保证产能最大化的前提下提供最优修复策略自动修复异常。
Description
技术领域
本申请涉及智能制造技术领域，尤其涉及一种用于全自动离散智能制造中的离散制造生产系统修复方法、计算机装置及存储介质。
背景技术
在制造业领域，通过智能制造系统重塑生产方式、提升生产效率、降低生产成本，对企业来说意义重大。而在大型智能制造系统中，例如，在飞机制造领域的大型龙门立式加工中心中，无故障运行是非常关键的一环。一旦某一制造环节出现故障，企业人员进行故障定位和修复比较困难，不但需要耗费较多时间和人力，也会使得整个生产系统延迟，严重影响生产效率，导致生产成本增大，尤其是涉及到多组件的复杂产品装配、多阶段生产的离散制造系统，如何降低故障定位的难度、提升故障修复效率，保障系统顺畅运行更是非常重要。
发明内容
鉴于以上内容，有必要提供一种离散制造生产系统修复方法、计算机装置及存储介质，能够解决智能制造系统中各生产阶段难以及时定位故障、难以排查故障原因并提供对应修复策略的技术问题。
所述离散制造生产系统自动修复方法包括：生成所述离散制造生产系统的修复策略并自动选择和执行最优策略进行，包括：
生成所述离散制造生产系统的修复策略，包括：当所述离散制造生产系统所生产零件的异常达到预设条件时，对所述离散制造生产系统进行诊断，确定导致异常零件出现的异常生产阶段；通过调节所述异常生产阶段中每个生产机器的生产节拍，定位所述生产阶段中的一个或多个异常生产机器，进而生成所述修复策略，其中，所述修复策略包括交换策略和维修策略；
自动选择所述离散制造生产系统的修复策略，包括：从所述修复策略中选择适用于所述异常生产机器的修复策略，利用所选择的修复策略定位所述异常生产机器中的异常生产模块，并控制自动化设备对所述异常生产模块进行修复。
通过所述离散制造生产系统修复方法，能够提高故障定位的效率，降低故障定位的难度，同时结合柔性化生产和深度强化学习理论，确定最优修复策略并进行自动修复，进而降低产能损失和生产成本。
可选地，所述方法还包括：确定所述离散制造生产系统生产的零件数量是否达到预设的检测阈值；当确定所述零件数量达到所述检测阈值后，确定异常零件并计算异常零件在所述零件数量中所占比例，其中，确定所述异常零件包括：从所述离散制造生产系统获取每个零件的特征值，将特征值异常的零件确定为所述异常零件；当确定所述比例达到预设的异常阈值时，确定所述离散制造生产系统所生产零件的异常达到所述预设条件。
可选地，所述对所述离散制造生产系统进行异常诊断，确定导致异常零件出现的异常生产阶段包括：对加工过任一异常零件的每个加工阶段的加工操作和加工的零件种类进行至少一次的重排；对每次重排后所生产的零件中异常零件所占比例进行判断并获得判断结果，根据所述判断结果对所述异常生产阶段进行定位，直至定位到的异常生产阶段的数量唯一，停止所述重排。
可选地，所述对加工过任一异常零件的每个加工阶段的加工操作和加工的零件种类进行至少一次的重排包括：基于实现产能最优的函数生成对应零件的加工操作的顺序，所述函数为：
，所述实现产能最优的函数的限制条件包括：对任意n或任意k：
；及对任意n或任意k：
；及对任意n或任意
：
；其中，
表示生产机器k在第n个生产阶段执行的加工操作，cap表示产能，
表示生产机器k的优先矩阵，
表示生产机器k的能力矩阵，scap表示生产阶段的产能，u表示生产阶段，
表示生产机器k的加工操作到零件的特征值的映射。
可选地，调节所述异常生产阶段中每个生产机器的生产节拍，定位所述异常生产阶段中的一个或多个异常生产机器包括：按照预设比例降低每个所述异常生产阶段中每个生产机器的生产节拍，当任一生产机器在降低生产节拍后所生产的异常零件的数量减少时，确定所述任一生产机器为所述异常生产机器。
可选地，所述修复策略包括维修策略和交换策略，所述交换策略包括面向时间的模块交换策略和面向产能的模块交换策略，其中，所述模块交换包括对生产模块的交换、更换，所述面向时间的模块交换策略包括：通过所述模块交换修复所述生产系统并最小化修复所述生产系统的时间的策略；所述面向产能的模块交换策略包括：通过所述模块交换修复所述生产系统并最小化所述生产系统的产能损失的策略。
可选地，所述从所述修复策略中选择适用于所述异常生产机器的修复策略包括：将深度强化学习中的元组与所述离散制造生产系统的多个要素进行对应匹配，进行深度强化学习网络配置，得到适用于所述异常生产机器的修复策略；其中，所述元组包括动作、状态及奖励；所述对应匹配包括：将所述动作对应于一种修复策略的选择，将所述状态对应于每个生产阶段的生产机器的数量、每个生产阶段的生产模块的数量、可交换的生产阶段的生产模块的类型、交换生产模块的时间，将所述奖励对应于所述每个生产阶段的生产机器的数量以及所述交换生产模块的时间。
可选地，所述深度强化学习网络的系统结构包括：第一卷积层，包括3×3的卷积核，步长为1；第一池化层，包括3×3的卷积核，步长为1；第二卷积层，包括2×2的卷积核，步长为1；第二池化层，包括2×2的卷积核，步长为1；全连接层。
所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现所述离散制造生产系统修复方法。
所述计算机装置包括存储器和至少一个处理器，所述存储器中存储有至少一个指令，所述至少一个指令被所述至少一个处理器执行时实现所述离散制造生产系统修复方法。
相较于现有技术，所述离散制造生产系统修复方法、计算机装置及存储介质，适用于复杂的离散制造行业的生产系统，例如飞机制造系统，可以根据零件特征值确定生产系统是否出现异常，并通过首先定位异常生产系统中的数量唯一的生产阶段提高异常定位的效率和准确率，降低了复杂系统定位异常的难度和复杂度。之后基于产能目标函数定位异常生产阶段中的异常生产机器，还可以通过此方法在产能未知时对生产机器的产能进行预估。最后结合柔性化生产和深度强化学习理论，通过深度强化学习元组动作、状态、奖励与自动修复智能装配制造系统要素的匹配，确定异常生产阶段的最优修复策略并进行自动修复，进而可以在保证产能最大化的前提下，实现生产系统的高效与自动化修复。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1是本申请实施例提供的离散制造生产系统修复方法的第一流程图。
图2是本申请实施例提供的离散制造生产系统修复方法的第二流程图。
图3是本申请实施例提供的计算机装置的架构图与离散制造生产系统修复方法的应用环境图。
图4是本申请实施例提供的零件的特征值的示例图。
图5是本申请实施例提供的在部分生产阶段三种不同修复策略的产能的损失比较的示例图。
图6是本申请实施例提供的随机选择的修复策略与深度强化学习选择的修复策略的产能的损失比较的示例图。
主要元件符号说明：自动化设备1，生产系统2，计算机装置3，处理器32，存储器31，生产修复系统30。
如下具体实施方式将结合上述附图进一步说明本申请。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施例对本申请进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本申请，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
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申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。
参阅图1所示，为本申请较佳实施例的离散制造生产系统修复方法的第一流程图。参阅图2所示，为本申请较佳实施例的离散制造生产系统修复方法的第二流程图。
在本实施例中，结合图1-2，所述离散制造生产系统修复方法可以应用于互相之间通讯连接或电连接的计算机装置3、生产系统2与自动化设备1所构成的应用环境中，并由所述计算机装置3执行。其中，所述生产系统2包括智能制造车间中用于生产或加工产品的多个生产流程所需的机器/设备，所述自动化设备1是用于对生产系统中出现故障的模块进行修复的设备，例如所述自动化设备1可以是机械手，由于更换或维修出现故障的设备或零件。
如图1-2所示，所述离散制造生产系统修复方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
在一个实施例中，首先生成所述离散制造生产系统（可简称为生产系统）的修复策略，包括如下步骤S1至步骤S2。
步骤S1，当所述生产系统所生产零件的异常达到预设条件时，对所述生产系统进行异常诊断，确定导致异常零件出现的异常生产阶段。
在一个实施例中，所述生产系统包括多个（例如，5个）生产阶段（例如毛坯制造、机械加工、热处理、装配、质检等阶段），每个生产阶段包含多个生产机器，每个生产机器包含多个生产模块并执行多个加工操作（例如，铸造、组装、抛光、喷油、丝印等操作）。本实施例中的生产系统可适用于离散制造行业，所述生产系统的多个生产阶段的排产流程可以用于加工（或生产）多种产品，例如，飞机或车辆所使用的零部件等，举例而言，飞机的叶轮、叶片、重型发电机转子、汽轮机转子、大型柴油机曲轴等。在本实施例中，将所述生产系统加工得到的产品统称为零件。
在一个实施例中，还可以为每个生产阶段、每个生产机器、每个生产模块和每个加工操作定义唯一的标识或编号。例如，生产阶段u1、u2等，生产机器m1、m2等，生产机器的数量n1、n2等，生产模块d1、d2等，加工操作O1、O2等。
在一个实施例中，所述生产系统可以在加工所述零件的同时，对所述零件进行计数，从而统计并获得所述零件数量。此外，还可以根据所述零件数量以及生产时间确定所述生产系统的产能，例如，所述生产系统的产能为每小时500个零件。
在一个实施例中，在所述步骤S1之前，所述方法还包括判断所述生产系统所生产零件的异常是否达到预设条件。具体的，如图2所示，包括如下步骤S10至步骤S12。
步骤S10，确定从所述生产系统获取的零件数量是否达到预设的检测阈值。
在一个实施例中，所述检测阈值可以根据所述生产系统的实际产出情况设置，例如750，实际应用中，可以根据零件的类型、生产阶段、加工操作等的调整而进行相应更新。
在一个实施例中，为控制零件的生产品质，会定期或定量检查生产的零件，所述检测阈值可实现每生产一定数量（例如，上述举例的750）的零件即对这批次的零件进行品质检查。
步骤S11，当确定所述零件数量达到所述检测阈值后，确定异常零件并计算异常零件在所述零件数量中所占的比例。
通过从所述生产系统获取每个零件的特征值，可以确定是否存在特征值异常的零件，将特征值异常的零件确定为所述异常零件。其中，每种零件包括相应数量的特征值，任一零件的任一特征值由生产所述任一零件的生产阶段、加工操作、机器数量所决定，即生产所述任一零件的生产阶段、加工操作、机器数量所发生的改变都会影响所述任一零件的特征值。每个零件的特征值都可以经过所述生产系统的最终生产阶段（例如质检阶段）获得。
在本实施例中，每个零件的每个标准特征值为已知数据，所述标准特征值可以表示每个零件的每种规格的合格标准的数值，例如，零件A的长度的合格标准数值为a1，质量的合格标准数值为a2等，那么零件A有对应的标准特征值a1、a2等。
举例而言，例如图4所示，为本申请实施例提供的零件的特征值（包括所述标准特征值）的示例图，当零件的种类、加工零件的生产阶段、加工操作、机器数量中的任一变量发生变化时，都会对零件的特征值产生影响。
在一个实施例中，所述特征值异常是指生产系统加工的零件的任一特征值与所述标准特征值不相等，此时特征值异常的零件即为不合格的零件。在其他实施例中，所述特征值异常还可以结合预设的误差范围进行判断，例如，若生产系统加工的零件的特征值与所述标准特征值的差异大于预设的误差范围（例如，0至0.5%），确定特征值异常。
步骤S12，当确定所述比例达到预设的异常阈值时，确定所述生产系统所生产零件的异常达到所述预设条件。
在其他实施方式中，判断所述生产系统所生产零件的异常是否达到预设条件还可以是检测预设时间段（例如12小时）生产系统所生产零件中，异常零件的数量超过预设值（例如10个），则确定所述生产系统所生产零件的异常达到所述预设条件。可以理解，本申请对所述预设条件不做过多限定。
在多生产阶段、多生产机器和多生产模块协同生产的生产系统中，对引起故障的生产模块进行直接定位的难度很高，本申请的实施例中，首先定位到某一异常生产阶段，通过对定位的异常生产阶段进行逐一的修复策略的选择和执行，对每一异常生产阶段进行修复，从而提高异常定位的准确率，同时提高后续对生产系统的异常修复的效率。
在一个实施例中，所述对所述生产系统进行异常诊断，确定导致异常零件出现的异常生产阶段包括如图2所示的如下步骤S13至步骤S16。
步骤S13，对加工过任一异常零件的每个加工阶段的加工操作和所加工的零件种类进行至少一次的重排。
其中，所述重排包括对加工阶段的加工操作的顺序的更改以及对零件种类的更改。
需要说明的是，不同种类的零件对应的加工操作不同，本申请实施例中在所述重排中进行的更改不会改变所述生产系统的加工结果，也不会对任一零件的任一标准特征值产生影响，并且每次重排做出的更改都不相同。
在一个实施例中，所述对加工过任一异常零件的每个加工阶段的加工操作和加工的零件种类进行至少一次的重排包括：基于实现产能最优的函数生成对应零件的加工操作的顺序，所述函数为：
，所述实现产能最优的函数的限制条件包括：对任意n或任意k：
；及对任意n或任意k：
；及对任意n或任意
；其中，
表示生产机器k在第n个生产阶段执行的加工操作，cap表示产能，
表示生产机器k的优先矩阵，
表示生产机器k的能力矩阵，scap表示生产阶段的产能，u表示生产阶段，
表示生产机器k的加工操作到零件的特征值的映射。
步骤S14，对每次重排后所生产的零件中异常零件所占比例进行判断并获得判断结果，根据所述判断结果对所述异常生产阶段进行定位。
步骤S15，确定定位到的异常生产阶段的数量是否唯一，当定位到的异常生产阶段的数量唯一时执行步骤S16，当定位到的异常生产阶段的数量不唯一时执行步骤S13。
步骤S16，停止所述重排。
在一个实施例中，所述方法还包括：获取每次重排后所生产的零件的特征值，判断其中异常零件所占比例是否达到所述异常阈值，获得所述判断结果，所述判断结果包括：所述比例达到所述异常阈值、所述比例未达到所述异常阈值。当确定所述比例达到所述异常阈值后进行下一次重排。
在一个实施例中，当可疑的生产阶段（表示可能是异常生产阶段的生产阶段）的数量有多个时，可以将多个可疑的生产阶段进行排序，进行逐一重排，直至确定数量唯一的异常生产阶段；也可以对多个可疑的生产阶段进行并行处理。在实际应用中，同一时间或同一时段内，所述生产系统中同时出现多个异常生产阶段的可能性较低，因此采用本实施例的方法可以很快通过所述至少一次的重排定位到数量唯一的异常生产阶段。上述数量唯一的异常生产阶段也可以理解为单个异常生产阶段。
需要说明的是，本申请后续的实施例中针对数量唯一异常生产阶段进行修复，且根据上述步骤可知所述异常生产阶段所生产的异常零件的数量，可以将异常生产阶段所生产的零件的数量记为第一数量。
步骤S2，基于预先设置的产能目标函数调节所述异常生产阶段的生产节拍，定位所述异常生产阶段中的一个或多个异常生产机器，生成所述系统修复策略。
在一个实施例中，所述基于预先设置的产能目标函数调节所述异常生产阶段的生产节拍，定位所述异常生产阶段中的一个或多个异常生产机器包括：按照预设比例降低每个所述异常生产阶段中每个生产机器的生产节拍（Takt Time），当任一生产机器在降低生产节拍后所生产的异常零件的数量减少时，确定所述任一生产机器为所述异常生产机器。
具体的，依次（例如，根据生产机器的编号对生产机器排序后得到的位次）对所述异常生产阶段的每台生产机器做生产节拍调节实验，所述生产节拍调节实验包括：将进行实验的生产机器的生产节拍按照所述预设比例进行降低，保持其它生产机器的生产节拍不变，其中，所述预设比例可以为原生产节拍的一半；
利用包含所述进行生产节拍调节实验的生产机器的所述异常生产阶段生产零件，确定所生产的零件中异常零件的数量，记为第二数量；
比较所述第一数量与所述第二数量的大小，当所述第二数量小于所述第一数量时，确定所述进行生产节拍实验的生产机器为异常生产机器。
例如，假设进行生产节拍调节实验的生产机器（简称为实验机器）有两台，实验机器m1，实验机器m2。对于实验机器m1执行上述方法时，假设生产节拍调整前对应的第一数量为零，生产节拍调整后对应的第二数量也为零，表明实验机器m1为正常生产机器。对于实验机器m2执行上述方法时，假设生产节拍调整前对应的第一数量为5，生产节拍调整后对应的第二数量为3，表明实验机器m2为异常生产机器。
在实际应用中，所述异常生产阶段同时出现多个异常生产机器的可能性较低，因此可以快速通过所述生产节拍调节实验定位到所述异常生产机器。
在一个实施例中，所述修复策略的生成方法还包括：获取历史修复数据作为训练数据，利用所述训练数据根据上述步骤S1至步骤S中的方法训练神经网络（例如卷积神经网络），生成所述修复策略，其中所述历史修复数据包括：历史异常生产阶段、历史异常生产机器、历史异常生产模块以及历史机器数量和历史修复时间。
在一个实施例中，可以根据历史记录的所述生产系统的修复日志（例如，人工修复所记录的日志）获取所述历史修复数据。还可以利用上述步骤S1至步骤S2中的方法获得所述历史异常生产阶段、所述历史异常生产机器。
所述修复日志和/或所述训练数据还包括：所述生产阶段的数量、每一生产阶段的生产机器的数量、每一生产机器的生产模块的数量、每个零件需要被质检的信息（例如所述特征值）以及每个生产模块的检测时间、每个生产模块的模块修理时间、每个生产模块的模块拆卸时间、每个生产模块的模块安装时间。
在一个实施例中，当生成所述离散制造生产系统的修复策略后，可以为出现异常的生产系统自动选择适用于所述生产系统的修复策略，包括如下步骤。
步骤S3，从所述修复策略中选择适用于所述异常生产机器（或所述异常生产阶段）的修复策略，利用所选择的修复策略定位所述异常生产机器中的异常生产模块，并控制自动化设备（例如，机械手臂等）对所述异常生产模块进行修复（例如，更换、修理等）。
在一个实施例中，所述修复策略包括维修策略（repair strategy）和交换策略，所述交换策略（swapping strategy）包括面向时间的模块交换策略（spsw，speed-orientedswapping strategy）和面向产能的模块交换策略（capsw，capacity-oriented swappingstrategy）。其中，所述模块交换包括对生产模块的交换、更换，所述面向时间的模块交换策略包括：通过所述模块交换修复所述生产系统并最小化修复所述生产系统的时间的策略，以降低修复时间为目标；所述面向产能的模块交换策略包括：通过所述模块交换修复所述生产系统并最小化所述生产系统的产能损失的策略，以降低产能损失为目标。
例如图5所示，为本申请实施例提供的在部分生产阶段三种不同修复策略的产能的损失比较的示例图。参考图5所示，不同策略在不同的生产阶段的产能的损失不同，为了实现产能的最大化，即减少产能损失，需要为不同的异常生产阶段选择适用于所述异常生产阶段的修复策略。例如，参考图5所示，当异常生产阶段为图中所示的生产阶段4时，为使得产能损失最小，可选择圆形图标所示的面向时间的模块交换策略。
此外，例如图6所示，为本申请实施例提供的随机选择的修复策略与深度强化学习选择的修复策略的产能的损失比较的示例图，其中，相对平稳的曲线表示的是随机选择的修复策略的产能的损失。深度强化学习可以从初始训练阶段的负面经验中吸取经验，并在后续训练阶段中迅速实现产能损失的减小，并熟练选择最优策略使得产能损失实现收敛。因此，经过不断训练后的深度强化学习所选择的修复策略要优于随机选择的修复策略，可以减少产能的损失。
在一个实施例中，所述从所述修复策略中选择适用于所述异常生产机器的修复策略（例如，可称呼为：最优修复策略）包括：将深度强化学习（Deep ReinforcementLearning）中的元组与所述生产系统的多个要素进行对应匹配，进行深度强化学习网络配置，得到适用于所述异常生产机器的修复策略；其中，所述元组包括动作（action）、状态（state）及奖励（reward），将所述动作对应于一种修复策略的选择，将所述状态对应于每个生产阶段的生产机器的数量、每个生产阶段的生产模块的数量、可交换的生产阶段的生产模块的类型、交换生产模块的时间，将所述奖励对应于所述每个生产阶段的生产机器的数量以及所述交换生产模块的时间。
在一个实施例中，所述将深度强化学习中的元组与所述生产系统的多个要素进行对应匹配，进行深度强化学习网络配置包括：
更新价值函数如下：
其中，Q表示价值函数（value function），s表示状态s(di, uj, mt, mn{m,uj})，其中，mt 表示生产模块的类型，mn{m,uj}表示生产阶段uj的生产模块的数量，a表示动作a(repair, spsw, capsw)，
表示状态s的上一个状态，α表示学习率，γ表示贴现因子，“
”表示更新为，r表示奖励函数；
利用深度神经网络代替Q-Learning算法中的Q-table，根据损失函数J更新深度强化学习模型的模型参数
，所述损失函数
其中，
表示动作a的上一个动作，
表示参数矩阵；
使用softmax函数进行对应于修复策略的动作a(repair, spsw, capsw)的选择。
在一个实施例中，所述奖励函数
也可以用于定位可疑的生产模块（表示可能是引起异常的生产模块）。
具体的，当动作a对应的修复策略为spsw时，
，其中，
表示在异常生产阶段uj的生产机器的数量，
表示将可疑的生产模块dj移动到异常生产阶段uj的时间；当动作a对应的修复策略为capsw并且生产机器的数量大于1时，
，其中，
表示更换生产模块的时间；当动作a对应的修复策略为spsw并且生产机器的数量小于或等于1时，
；当动作a对应的修复策略为repair时，
。
在一个实施例中，所述修复策略（或所述深度学习网络）的系统结构包括：第一卷积层（Convolution Layer），包括尺寸（size）为3×3的卷积核（Kernel），步长（stride）为1；第一池化层（Max Pooling Layer），包括3×3的卷积核，步长为1；第二卷积层，包括2×2的卷积核，步长为1；第二池化层，包括2×2的卷积核，步长为1；全连接层（Fully ConnectedLayer）。
在一个实施例中，可以根据所述离散制造生产系统修复方法构建生产修复系统，将所述生产修复系统安装在任一生产系统中。利用所述生产修复系统获取所述任一生产系统的相关参数，所述相关参数包括：所述生产阶段的数量、每一生产阶段的生产机器的数量、每一生产机器的生产模块的数量、每个零件需要被质检的信息（例如所述特征值）以及每个生产模块的检测时间、每个生产模块的模块修理时间、每个生产模块的模块拆卸时间、每个生产模块的模块安装时间；由所述生产修复系统确定所述任一生产系统所生产的零件是否达到所述检测阈值；当达到所述检测阈值后根据零件的特征值的比例确定是否进行异常诊断；当确定进行异常诊断后，通过对可疑的生产阶段所加工的零件的种类和加工操作的重排定位到数量唯一的异常生产阶段；通过对所述异常生产阶段的生产机器进行的产能实验定位异常生产机器；最后利用深度优化学习网络确定所述异常生产机器中的异常生产模块以及适用于所述异常生产机器的最优修复策略，并控制自动化设备根据所述最优修复策略对所述异常生产模块进行修复。
本申请提供的离散制造生产系统修复方法，适用于复杂的离散制造行业的生产系统（例如，飞机制造领域的大型生产系统），可以根据零件特征值确定生产系统是否出现异常，并通过首先定位异常生产系统中的数量唯一的生产阶段提高异常定位的效率和准确率，降低了复杂系统定位异常的难度和复杂度。之后基于产能目标函数定位异常生产阶段中的异常生产机器，还可以通过此方法在产能未知时对生产机器的产能进行预估。最后结合柔性化生产和深度强化学习理论，通过深度强化学习元组动作、状态、奖励与自动修复智能装配制造系统要素的匹配，确定异常生产阶段的最优修复策略并进行自动修复，进而可以在保证产能最大化的前提下，实现生产系统的高效与自动化修复。
上述图1详细介绍了本申请的离散制造生产系统修复方法，下面结合图3，对实现所述离散制造生产系统修复方法的硬件装置架构进行介绍。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
参阅图3所示，为本申请实施例提供的计算机装置的结构示意图。
在本申请较佳实施例中，所述计算机装置3包括存储器31、至少一个处理器32。本领域技术人员应该了解，图3示出的计算机装置的结构并不构成本申请实施例的限定，既可以是总线型结构，也可以是星形结构，所述计算机装置3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。
在一些实施例中，所述计算机装置3包括一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的终端，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。
需要说明的是，所述计算机装置3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本申请，也应包含在本申请的保护范围以内，并以引用方式包含于此。
在一些实施例中，所述存储器31用于存储程序代码和各种数据。例如，所述存储器31可以用于存储安装在所述计算机装置3中的生产修复系统30，并在计算机装置3的运行过程中实现高速、自动地完成程序或数据的存取。所述存储器31包括只读存储器（Read-OnlyMemory，ROM）、可编程只读存储器（Programmable Read-Only Memory，PROM）、可擦除可编程只读存储器（Erasable Programmable Read-Only Memory，EPROM）、一次可编程只读存储器（One-time Programmable Read-Only Memory，OTPROM）、电子擦除式可复写只读存储器（Electrically-Erasable Programmable Read-Only Memory，EEPROM）、只读光盘（CompactDisc Read-Only Memory，CD-ROM）或其他光盘存储器、磁盘存储器、磁带存储器、或者任何其他能够用于携带或存储数据的计算机可读的存储介质。
在一些实施例中，所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述至少一个处理器32是所述计算机装置3的控制核心（Control Unit），利用各种接口和线路连接整个计算机装置3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行计算机装置3的各种功能和处理数据，例如执行图1所示的离散制造生产系统修复的功能。
在一些实施例中，所述生产修复系统30运行于计算机装置3中。所述生产修复系统30可以包括多个由程序代码段所组成的功能模块。所述生产修复系统30中的各个程序段的程序代码可以存储于计算机装置3的存储器31中，并由至少一个处理器32所执行，以实现图1所示的离散制造生产系统修复的功能。
本实施例中，所述生产修复系统30根据其所执行的功能，可以被划分为多个功能模块。本申请所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。
尽管未示出，所述计算机装置3还可以包括给各个部件供电的电源（比如电池），优选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机装置3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机装置（可以是服务器、个人电脑等）或处理器（processor）执行本申请各个实施例所述方法的部分。
所述存储器31中存储有程序代码，且所述至少一个处理器32可调用所述存储器31中存储的程序代码以执行相关的功能。存储在所述存储器31中的程序代码可以由所述至少一个处理器32所执行，从而实现所述各个模块的功能以达到离散制造生产系统修复的目的。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后所应说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照以上较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。
Claims (10)
1.一种离散制造生产系统修复方法，应用于计算机装置中，其特征在于，所述计算机装置用于与离散制造生产系统连接，所述方法包括：
生成所述离散制造生产系统的修复策略，包括：
当所述离散制造生产系统所生产零件的异常达到预设条件时，对所述离散制造生产系统进行异常诊断，确定导致异常零件出现的异常生产阶段；
通过调节所述异常生产阶段中每个生产机器的生产节拍，定位所述异常生产阶段中的一个或多个异常生产机器，生成所述修复策略，其中，所述修复策略包括交换策略和维修策略；
自动选择所述离散制造生产系统的修复策略，包括：
从所述修复策略中选择适用于所述异常生产机器的修复策略，利用所选择的修复策略定位所述异常生产机器中的异常生产模块，并控制自动化设备对所述异常生产模块进行修复。
2.根据权利要求1所述的离散制造生产系统修复方法，其特征在于，所述方法还包括：
确定所述离散制造生产系统生产的零件数量是否达到预设的检测阈值；
当确定所述零件数量达到所述检测阈值后，确定异常零件并计算异常零件在所述零件数量中所占比例，其中，确定所述异常零件包括：从所述离散制造生产系统获取每个零件的特征值，将特征值异常的零件确定为所述异常零件；
当确定所述比例达到预设的异常阈值时，确定所述离散制造生产系统所生产零件的异常达到所述预设条件。
3.根据权利要求1所述的离散制造生产系统修复方法，其特征在于，所述对所述离散制造生产系统进行异常诊断，确定导致异常零件出现的异常生产阶段包括：
对加工过任一异常零件的每个加工阶段的加工操作和加工的零件种类进行至少一次的重排；
对每次重排后所生产的零件中异常零件所占比例进行判断并获得判断结果，根据所述判断结果对所述异常生产阶段进行定位，直至定位到的异常生产阶段的数量唯一，停止所述重排。
4.根据权利要求3所述的离散制造生产系统修复方法，其特征在于，所述对加工过任一异常零件的每个加工阶段的加工操作和加工的零件种类进行至少一次的重排包括：
基于实现产能最优的函数生成对应零件的加工操作的顺序，所述函数为：
，所述实现产能最优的函数的限制条件包括：
对任意n或任意k：
；及
对任意n或任意k：
；及
对任意n或任意
；
其中，
表示生产机器k在第n个生产阶段执行的加工操作，cap表示产能，
表示生产机器k的优先矩阵，
表示生产机器k的能力矩阵，scap表示生产阶段的产能，u表示生产阶段，
表示生产机器k的加工操作到零件的特征值的映射。
5.根据权利要求1所述的离散制造生产系统修复方法，其特征在于，调节所述异常生产阶段中每个生产机器的生产节拍，定位所述异常生产阶段中的异常生产机器包括：
按照预设比例降低每个所述异常生产阶段中每个生产机器的生产节拍，当任一生产机器在降低生产节拍后所生产的异常零件的数量减少时，确定所述任一生产机器为所述异常生产机器。
6.根据权利要求1所述的离散制造生产系统修复方法，其特征在于，所述修复策略包括维修策略和交换策略，所述交换策略包括面向时间的模块交换策略和面向产能的模块交换策略，其中，所述模块交换包括对生产模块的交换、更换，所述面向时间的模块交换策略包括：通过所述模块交换修复所述生产系统并最小化修复所述生产系统的时间的策略；所述面向产能的模块交换策略包括：通过所述模块交换修复所述生产系统并最小化所述生产系统的产能损失的策略。
7.根据权利要求1所述的离散制造生产系统修复方法，其特征在于，所述从所述修复策略中选择适用于所述异常生产机器的修复策略包括：
将深度强化学习中的元组与所述离散制造生产系统的多个要素进行对应匹配，进行深度强化学习网络配置，得到适用于所述异常生产机器的修复策略；
其中，所述元组包括动作、状态及奖励，所述对应匹配包括：
将所述动作对应于一种修复策略的选择，将所述状态对应于每个生产阶段的生产机器的数量、每个生产阶段的生产模块的数量、可交换的生产阶段的生产模块的类型、交换生产模块的时间，将所述奖励对应于所述每个生产阶段的生产机器的数量以及所述交换生产模块的时间。
8.根据权利要求7所述的离散制造生产系统修复方法，其特征在于，所述深度强化学习网络的系统结构包括：
第一卷积层，包括3×3的卷积核，步长为1；
第一池化层，包括3×3的卷积核，步长为1；
第二卷积层，包括2×2的卷积核，步长为1；
第二池化层，包括2×2的卷积核，步长为1；
全连接层。
9.一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存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1至8中任意一项所述的离散制造生产系统修复方法。
10.一种计算机装置，其特征在于，该计算机装置包括存储器和至少一个处理器，所述存储器中存储有至少一个指令，所述至少一个指令被所述至少一个处理器执行时实现如权利要求1至8中任意一项所述的离散制造生产系统修复方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210632488.4A CN114706361B (zh) | 2022-06-07 | 2022-06-07 | 离散制造生产系统修复方法、计算机装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210632488.4A CN114706361B (zh) | 2022-06-07 | 2022-06-07 | 离散制造生产系统修复方法、计算机装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114706361A true CN114706361A (zh) | 2022-07-05 |
| CN114706361B CN114706361B (zh) | 2022-09-02 |
Family
ID=82178125
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210632488.4A Active CN114706361B (zh) | 2022-06-07 | 2022-06-07 | 离散制造生产系统修复方法、计算机装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114706361B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117474710A (zh) * | 2023-12-27 | 2024-01-30 | 汉狮光动科技(广东)有限公司 | 中空玻璃全过程信息化管理系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09218707A (ja) * | 1996-02-08 | 1997-08-19 | Nissan Motor Co Ltd | 設備の異常状態監視方法および装置 |
| JP2000202551A (ja) * | 1999-01-08 | 2000-07-25 | Amada Co Ltd | 板材加工機におけるワ―ククランプ装置 |
| CN108733010A (zh) * | 2017-04-14 | 2018-11-02 | 欧姆龙株式会社 | 工业用控制装置、控制方法、记录介质、包装机以及包装机用控制装置 |
| CN109634229A (zh) * | 2018-11-19 | 2019-04-16 | 东莞理工学院 | 一种基于大数据的智能工厂制造管理系统 |
| CN111860605A (zh) * | 2020-06-24 | 2020-10-30 | 广州明珞汽车装备有限公司 | 一种工艺节拍处理方法、系统、装置及存储介质 |
| CN111913449A (zh) * | 2020-07-24 | 2020-11-10 | Tcl王牌电器(惠州)有限公司 | 生产系统及其生产节拍监控方法、监控装置和存储介质 |
| CN113112086A (zh) * | 2021-04-22 | 2021-07-13 | 北京邮电大学 | 一种基于边缘计算和标识解析的智能生产系统 |
| CN113219921A (zh) * | 2021-04-30 | 2021-08-06 | 广州明珞装备股份有限公司 | 一种工位生产节拍处理方法、系统、装置及存储介质 |
| CN113962439A (zh) * | 2021-09-23 | 2022-01-21 | 郭志良 | 基于工业大数据的云平台数据管理系统及其构建方法 |
-
2022
- 2022-06-07 CN CN202210632488.4A patent/CN114706361B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09218707A (ja) * | 1996-02-08 | 1997-08-19 | Nissan Motor Co Ltd | 設備の異常状態監視方法および装置 |
| JP2000202551A (ja) * | 1999-01-08 | 2000-07-25 | Amada Co Ltd | 板材加工機におけるワ―ククランプ装置 |
| CN108733010A (zh) * | 2017-04-14 | 2018-11-02 | 欧姆龙株式会社 | 工业用控制装置、控制方法、记录介质、包装机以及包装机用控制装置 |
| CN109634229A (zh) * | 2018-11-19 | 2019-04-16 | 东莞理工学院 | 一种基于大数据的智能工厂制造管理系统 |
| CN111860605A (zh) * | 2020-06-24 | 2020-10-30 | 广州明珞汽车装备有限公司 | 一种工艺节拍处理方法、系统、装置及存储介质 |
| CN111913449A (zh) * | 2020-07-24 | 2020-11-10 | Tcl王牌电器(惠州)有限公司 | 生产系统及其生产节拍监控方法、监控装置和存储介质 |
| CN113112086A (zh) * | 2021-04-22 | 2021-07-13 | 北京邮电大学 | 一种基于边缘计算和标识解析的智能生产系统 |
| CN113219921A (zh) * | 2021-04-30 | 2021-08-06 | 广州明珞装备股份有限公司 | 一种工位生产节拍处理方法、系统、装置及存储介质 |
| CN113962439A (zh) * | 2021-09-23 | 2022-01-21 | 郭志良 | 基于工业大数据的云平台数据管理系统及其构建方法 |
Non-Patent Citations (3)
| Title |
|---|
| Э.С.БАЛАБАЕВА等: "自动线故障的信号、诊断和预测系统", 《组合机床与自动化加工技术》 * |
| 曹玉亭等: "TPS在制芯生产中的实践", 《现代铸铁》 * |
| 陈红军等: "加工中心节拍损失分析与改善实践", 《物流技术(装备版)》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117474710A (zh) * | 2023-12-27 | 2024-01-30 | 汉狮光动科技(广东)有限公司 | 中空玻璃全过程信息化管理系统 |
| CN117474710B (zh) * | 2023-12-27 | 2024-03-22 | 汉狮光动科技(广东)有限公司 | 中空玻璃全过程信息化管理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114706361B (zh) | 2022-09-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6532426B1 (en) | System and method for analyzing different scenarios for operating and designing equipment | |
| CN113361139B (zh) | 一种基于数字孪生的产线仿真滚动优化系统及方法 | |
| CN111507490A (zh) | 基于多源数据驱动的数控机床主轴预测性维护方法及系统 | |
| CN111581889B (zh) | 用于供热设备组件的故障预测方法、系统及设备 | |
| CN114706361B (zh) | 离散制造生产系统修复方法、计算机装置及存储介质 | |
| CN111913458B (zh) | 一种基于深度学习的车间控制方法及系统 | |
| KR20190062739A (ko) | 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법, 알고리즘 및 장치 | |
| CN109885019B (zh) | 一种风机状态自动判断方法 | |
| CN110135064A (zh) | 一种发电机后轴承温度故障预测方法、系统及控制器 | |
| CN115577576B (zh) | 一种半导体工厂的动态虚拟组线仿真系统及方法 | |
| WO2022150012A1 (en) | Method and system for fault detection and diagnostic for a building management system | |
| CN111861181A (zh) | 一种数字能源产品智造生产系统及生产线制定方法 | |
| US11675685B2 (en) | Preventive controller switchover | |
| CN113408969B (zh) | 一种分布式系统的维修方案生成方法及系统 | |
| CN113887751A (zh) | 基于知识图谱的机械故障预测性维护方法及系统 | |
| Wang et al. | HARRD: Real-time software rejuvenation decision based on hierarchical analysis under weibull distribution | |
| CN111598269A (zh) | 设备检修计划排程方法、系统、介质及装置 | |
| Rupe et al. | Performability of systems based on renewal process models | |
| CN115936679B (zh) | 一种复杂系统的预测维修决策数字化方法和装置 | |
| Fan et al. | Research on embedded PLC control system fault diagnosis: a novel approach | |
| CN111445040B (zh) | 设备检修计划择优方法以及相关装置 | |
| JP6825607B2 (ja) | 部品提示システム | |
| JPH10135299A (ja) | 自己診断装置及び自己診断方法 | |
| JPH0621845B2 (ja) | プラントの総合予防保全システム | |
| KR20230131721A (ko) | 설비데이터 기반 정비 관리시스템 및 그 방법 |
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 |