CN115204491A - 基于数字孪生与lstm的生产线工况预测方法及系统 - Google Patents
基于数字孪生与lstm的生产线工况预测方法及系统 Download PDFInfo
- Publication number
- CN115204491A CN115204491A CN202210824168.9A CN202210824168A CN115204491A CN 115204491 A CN115204491 A CN 115204491A CN 202210824168 A CN202210824168 A CN 202210824168A CN 115204491 A CN115204491 A CN 115204491A
- Authority
- CN
- China
- Prior art keywords
- working condition
- data
- production line
- time
- lstm model
- 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
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
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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
Abstract
本发明涉及一种基于数字孪生与LSTM的生产线工况预测方法及系统,包括:获取物理生产线上各设备的工况数据;将所述工况数据输入至LSTM模型中,得到第一类型工况预测数据;将所述第一类型工况预测数据输入至所述物理生产线对应的数字孪生生产线中,得到第二类型工况预测数据;基于所述第一类型工况数据和所述第二类型工况数据进行所述物理生产线的排产。本发明建立LSTM工况预测模型,实现对自动化生产线工况的预测,同时,运用预测的工况数据驱动数字孪生模型,实现自动化生产线的模拟生产,从而能得出更准确且全面的生产线工况预测数据。
Description
技术领域
本发明涉及生产线排产技术领域,特别是涉及一种基于数字孪生与LSTM算法融合驱动的自动化生产线工况预测方法及系统。
背景技术
近年来,随着市场竞争的愈发激烈和变化的产品需求,自动化生产线的广泛应用,使制造企业的生产效率得到了极大提高。自动化装配生产线涉及设备数量多、订单批量大、生产节拍快,生产过程中的设备故障、随机插单、工况异常等多源扰动频发,造成生产线排产困难,为了提高生产的可靠性及效率,需要在排产前进行生产线工况的预测,预测未来生产线工作状态与性能,辅助生产线排产与优化设备性能。在自动化生产线中,产品的零部件按照一定的速度,有序地通过各个工位,依次完成装配和检测工作,直至装配、检测完成。
通过传感器从生产线设备中采集了大量的工况数据,工况数据均为时间序列数据,反应了某个设备工况特征变量随时间不断变化的趋势,生产线工况的预测是针对时间序列的预测,针对时间序列的预测算法已有较多的研究。由于生产线工况数据多为非平稳数据,传统ARIMA(差分整合移动平均自回归)模型对于非平稳数据需要进行差分处理。深度学习方法具有强大的非线性处理能力和出色的泛化能力,能够有效解决传统的机器学习算法对于数据平稳性的依赖,因此常用于各类复杂的工业系统的预测。
通过深度学习的方法对生产线设备工况进行预测提高了预测的精度,但分析的手段单一、预测的结果片面,同时,工况数据中还存在部分无法利用预测模型进行预测的随机数据,因此,亟需一种能够准确且全面的预测生产线工况数据的方法和系统。
发明内容
本发明的目的是提供一种基于数字孪生与LSTM的生产线工况预测方法及系统,能够准确且全面的获取到自动化生产线的工况预测数据,从而更有利于进行自动化生产线的排产工作。
为实现上述目的,本发明提供了如下方案:
一种基于数字孪生与LSTM的生产线工况预测方法,包括:
获取物理生产线上各设备的t时刻工况数据;
将所述t时刻工况数据输入至LSTM模型中,得到第一类型工况预测数据;所述第一类型工况预测数据包括:设备的工作时间、停止时间、产量和设备运行状态;
将所述第一类型工况预测数据输入至所述物理生产线对应的数字孪生生产线中,得到第二类型工况预测数据;所述第二类型工况预测数据为生产线各设备不同状态所占的百分比和各设备的综合运行效率;
基于所述第一类型工况数据和所述第二类型工况数据进行所述物理生产线的排产。
一种基于数字孪生与LSTM的生产线工况预测系统,包括:
数据获取模块,用于获取物理生产线上各设备的t时刻工况数据;
第一预测数据获取模块,用于将所述t时刻工况数据输入至LSTM模型中,得到第一类型工况预测数据;所述第一类型工况预测数据包括:设备的工作时间、停止时间、产量和设备运行状态;
第二预测数据获取模块,用于将所述第一类型工况预测数据输入至所述物理生产线对应的数字孪生生产线中,得到第二类型工况预测数据;所述第二类型工况预测数据为生产线各设备不同状态所占的百分比和各设备的综合运行效率;
排产计划获取模块,用于基于所述第一类型工况数据和所述第二类型工况数据进行所述物理生产线的排产。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供一种基于数字孪生与LSTM的生产线工况预测方法及系统,包括:获取物理生产线上各设备的t时刻工况数据;将所述t时刻工况数据输入至LSTM模型中,得到第一类型工况预测数据;所述第一类型工况预测数据包括:设备的工作时间、停止时间、产量和设备运行状态;将所述第一类型工况预测数据输入至所述物理生产线对应的数字孪生生产线中,得到第二类型工况预测数据;所述第二类型工况预测数据为生产线各设备不同状态所占的百分比和各设备的综合运行效率;基于所述第一类型工况数据和所述第二类型工况数据进行所述物理生产线的排产。本发明建立LSTM工况预测模型,实现对自动化生产线工况的预测,为分析生产线的运行状况、决策未来的生产安排提供了有效的依据。同时,运用预测的工况数据驱动自动化生产线的数字孪生模型,实现自动化生产线的模拟生产,为分析生产运行状况提供直观的分析依据。
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,下面将对实施例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1提供的一种基于数字孪生与LSTM的生产线工况预测方法流程图;
图2为本发明实施例1提供的一种基于数字孪生与LSTM的生产线工况预测框架图;
图3为本发明实施例1提供的数据预处理流程图;
图4为本发明实施例1提供的LSTM模型的结构图;
图5为本发明实施例2提供的一种基于数字孪生与LSTM的生产线工况预测系统框图。
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,所描述的实施例仅仅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。
本发明的目的是提供一种基于数字孪生与LSTM的生产线工况预测方法及系统,针对设备工况特征的数据进行了相关性分析,挖掘特征间的相关性,基于数据间的关联性构建合理的LSTM设备工况预测模型,利用预测模型挖掘设备历史运行规律,预测自动化设备未来工况并驱动生产线数字孪生模型输出仿真数据,从而基于仿真数据和工况预测数据进行生产线的排产工作。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示,本实施例提供一种基于数字孪生与LSTM的生产线工况预测方法,包括:
S1:获取物理生产线上各设备的t时刻工况数据。
如图2所示,自动化生产线设备工况数据预测框架主要包括物理层、数据传输及存储层、工况预测层、数字孪生层。
物理层为真实的物理生产线,是一条小型断路器生产线,包括两条结构相同的装配线和一条检测线,装配线根据装配工艺流程分为6个装配单元,装配线A与B将装配完成的断路器汇入同一条检测线,检测线根据工艺流程分为为12个检测单元。
数据传输及存储层利用传感器从物理层采集生产线上24台设备的工况数据,通过中间件技术与不同的生产设备建立通信连接,实现报文拼装、通信和报文解析,并存储在数据库中。同时收集与存储物理生产线中设备几何参数、生产线布局、设备工作参数等静态数据。通过数据传输及存储层将存储的动态与静态数据传输至工况预测层与数字孪生层。
S2:将所述t时刻工况数据输入至LSTM模型中,得到第一类型工况预测数据;所述第一类型工况预测数据包括:设备的工作时间、停止时间、产量和设备运行状态。
步骤S2具体包括:
将所述t时刻工况数据和t-1时刻工况预测数据以及t-1时刻的记忆数据输入至所述所述LSTM模型中,得到第一类型工况预测数据;所述t-1时刻的记忆数据为t-1时刻所述LSTM模型中的记忆单元输出的数据。
其中,所述将所述t时刻工况数据和t-1时刻工况预测数据以及t-1时刻的记忆数据输入至所述所述LSTM模型中,具体包括:
将所述t时刻工况数据和所述t-1时刻工况预测数据输入至所述LSTM模型的遗忘门、输入门和输出门,得到遗忘门输出值、输入门输出值和输出门输出值;
将所述遗忘门输出值结合所述t-1时刻的记忆数据、所述输入门输出值和所述输出门输出值,得到t时刻工况预测数据,即所述第一类型工况预测数据。
在进行实际的数据预测时,为了保证模型预测的准确性,步骤S2还包括:对所述t时刻工况数据进行特征间相关性分析,分析后的数据输入至所述LSTM模型。
在步骤S2之前包括对所述LSTM模型进行训练,得到训练后的LSTM模型,具体包括:
(1)获取所述物理生产线上各设备的历史工况数据;所述历史工况数据为t时刻之前的工况数据。
如图3所示,还包括数据预处理过程:
利用降采样将采集到的运行工况时序数据聚合到规整的低频的操作,在保留数据趋势等信息的情况下降低数据量。为防止数据采集过程中出现的偶然错误对模型的训练造成影响,根据数据规律合理处理超限数据与异常数据,插补采集过程中缺失的数据。
具体的:由于原始数据采样时间间隔为1秒,导致数据量庞大不利于模型的训练,通过降采样降低数据的采样频率,将数据采样时间间隔设为1分钟,取原始数据中每分钟最后的数据为降采样后的数据。针对超限数据,对超出某个限定范围的数据进行删除,异常数据主要为数据采集中存在的数据重置问题,根据实际生产线的运行状况,对这些重置的数据进行修正。
同时,由于生产线工作时才进行数据的采集,每天生产线的启动及停止时间都不相同,将使用的数据范围规定为8:01到17:00,采集间隔为1分钟,每天的数据长度固定为540,由于生产线工况数据的采集还存在着采集不连续的问题,采集的数据中存在缺失值,通过线性插值的方式,插补采集中的缺失值。
(2)对所述历史工况数据进行特征间相关性分析,得到分析后的工况数据。
所述对所述历史工况数据进行特征间相关性分析,具体包括:
ρX,Y—序列X、Y的皮尔逊相关性系数;
cov(X,Y)—序列X、Y的协方差;序列X、Y表示同一设备的不同特征序列或不同设备的同一特征序列。
σX、σY—序列X、Y的标准差。
自动化生产线设备的工况数据具有复杂性、多样性、大容量等特点,大多数研究只针对了单个特征或已知关联关系的特征进行预测模型的构建,因此,需要利用合适的方法挖掘特征数据间的关联性,利用特征间的关联构建工况预测模型。通常的相关性分析仅针对单个对象的多个特征之间,或单个特征不同长度的采样之间进行了相关性分析,针对自动化生产线的大量特征,不仅需要对单台设备的不同特征之间进行相关性分析,还需要对不同设备间的相同特征进行相关性分析。结合工况特征间相关性分析的结果,将互相具有强相关性的时序工况特征作为模型的输入特征,输入预测模型以此提高模型的预测精度。
对数据库中的历史数据进行相关性分析,接着挖掘数据特征间的相关性关系,基于相关性分析的结论选择合适的模型的输入输出特征;选取高相关性的特征同时输入模型进行训练,以利用其中的相互关联性提高模型的准确度。利用相关性分析后的数据训练深度学习模型,实现对未来工况的预测。
(3)将所述分析后的工况数据分为训练集、验证集和测试集,并对所述训练集、所述验证集和所述测试集进行标准化处理;标准化处理后的数据具有零均值和单位方差。
数据集的划分是模型训练的必要的前置工作,通常将数据集划分为训练数据集、验证数据集以及测试数据集,具体划分比例与划分方式应该由具体的建模以及数据量决定,通常情况下神经网络的训练需要大量的训练数据。
数据划分后为了加快模型的训练速度、提高模型准确度,使用标准化的方法,将数据标准化为具有零均值和单位方差的一个序列,为了防止数据泄露,训练集、验证集、测试集标准化时,均值与标准差均为训练集的均值μtrain与方差值σtrain,其公式如下:
(4)利用标准化后的训练集训练所述LSTM模型,并以标准化后的验证集的平均绝对误差为目标函数,调整所述LSTM模型的各单元中的权重矩阵和偏置,得到训练后的LSTM模型;利用所述训练后的LSTM模型得到所述第一类型工况预测数据。
得到训练后的预测模型后,还进一步包括对模型进行评估。
利用测试集评估模型的预测性能与泛化能力,选择平均绝对误差(Mean AbsoluteError,MAE)与决定系数R2作为评估模型性能的指标。MAE用于表示预测值与实际值之间绝对误差的平均值,MAE的值越小,则预测值与实际值越接近,其表达式如下:
式中:
yt——t时刻数据的实际值;
决定系数R2可以判断回归模型的拟合程度,其值在[0,1]区间内变化,值越接近1则拟合的效果越好,其表达式如下:
式中:
yt——t时刻数据的实际值;
为了提高数据的获取及处理的效率,可以获取t时刻及其之前的历史工况数据,对历史工况数据进行相关性分析之后,利用t时刻之前相关性分析之后的数据进行模型的训练,利用t时刻的数据进行数据的预测。
长短期记忆神经网络(Long ShortTerm Memory Network,LSTM)模型是一种改进后的循环神经网络,解决了循环神经网络中的梯度消失问题,更适合处理间隔较长的时间序列,LSTM模型加入了记忆细胞单元,记忆细胞单元随着新信息的输入来进行不断更新,从而实现对历史信息的删除和新信息的添加,通过这个独特的功能,使得它对长依赖的时间序列预测有明显的优势。
如图4所示,所述LSTM模型包括遗忘门、输入门、输出门和记忆单元;通过函数的激活、向量的加法和乘法运算来控制存储模块的存储和丢弃。
遗忘门决定上一时刻记忆单元的输出ct-1能够保留到当前时刻的概率;
所述遗忘门的表达式为:ft=σ(Wf[at-1,xt]+bf);
输入门决定当前时刻单元输入的at-1与xt有多少程度能够反映到当前时刻的记忆单元工况ct;
所述输入门的表达式为:
it=σ(Wu[at-1,xt]+bu)
通过遗忘门与输入门更新得到当前时刻单元的细胞工况ct;
所述记忆单元的表达式为:
其中,ct表示t时刻工况预测数据;ct-1表示t-1时刻工况预测数据;
所述输出门的表达式为:
ot=σ(Wo[at-1,xt]+bo)
其中,at表示输出门的输出值;Wo为输出门权重系数矩阵,bo为输出门偏置。
S3:将所述第一类型工况预测数据输入至所述物理生产线对应的数字孪生生产线中,得到第二类型工况预测数据;所述第二类型工况预测数据为生产线各设备不同状态所占的百分比和各设备的综合运行效率;
数字孪生是在虚拟空间与相应物理实体一致的一种数字映射模型,可以模拟和镜像物理实体行为和性能,近年来,数字孪生技术得到了迅速的发展,数字孪生系统的框架构建以及系统的应用均有了较多的方案。本实施例中,如图2所示,数字孪生层利用数据库中的动态及静态参数,构建了生产线设备的仿真模型,实现了对物理环境的真实映射;同时,构建了虚拟生产环境,通过输入实时的物理生产线数据实现实时状态的可视化。
(1)具体构建生产线仿真模型过程如下:
依据真实物理生产线设备的布局、设备工况信息统计数据、生产逻辑、设备工作性能等参数在Plant simulation软件中进行搭建,通过Simtalk语言编写仿真控制脚本,控制生产线中零件的装配顺序。通过生产线仿真模型的仿真运行,在仿真过程中对生产线的运行进行动态的分析。将预测模型输出的生产线工况预测数据输入仿真模型,便可以进行模拟生产,为生产线的生产安排提供指导。
将预测的生产线工况数据输入数字孪生模型的生产线仿真模型中实现生产线的仿真运行,仿真未来生产线设备的工作状态,构建的仿真模型仿真并统计不同设备的工作性能,补充工况预测的结果,为分析并优化生产线设备的运行性能、生产线排产等工作提供了更加直观的依据。
首先通过统计的真实设备参数对仿真模型中设备的故障率、工作能力等参数进行设置,再通过预测的工况数据设置仿真生产线的参数,实现对未来生产状态的仿真,仿真模型能够输出统计生产线设备正常工作、等待、阻塞、故障、暂停等不同状态所占的百分比,同时能够输出每台设备的综合运行效率,结合预测的未来生产线设备的工作时间、停止时间、产量、设备运行状态为生产线的排产、优化等工作提供直观的依据。
本实施例中,以自动化生产线为对象,构建了数字孪生融合LSTM的工况预测方法,构建了生产线的仿真模型,利用预测数据驱动仿真模型,实现了对生产线未来生产状态的仿真即模拟生产,为生产线的排产、优化等工作提供指导。
(2)具体构建虚拟生产环境如下:
虚拟生产环境依据真实的物理生产线设备的空间几何参数,利用SolidWorks软件进行零部件及零部件装配体的建模,使用3ds Max软件对模型进行优化工作。将经处理过的生产线设备模型导入至Unity3D软件中,依据真实生产线的环境参数、位置信息、生产线布局、设备运行逻辑等数据在Unity3D中构建虚拟生产线,实现对真实生产动作进行精准映射。通过通信模块输入实时的真实生产线的工况数据,将真实生产线的工况映射到虚拟生产线中,实现生产线工况的实时可视化,便于监测真实生产线的工作及故障状况,为分析生产运行状况提供直观的分析依据。
S4:基于所述第一类型工况数据和所述第二类型工况数据进行所述物理生产线的排产。
本实施例中,结合LSTM预测模型与数字孪生模型的自动化生产线设备工况预测方法,首先利用Pearson相关性算法挖掘工况特征之间的相关性,根据相关性分析的结果,为预测模型构建合理的输入数据,利用生产线历史工况数据对LSTM预测模型进行训练,通过训练完成的模型预测未来生产线的工况,结合基于真实的物理生产线构建的数字孪生生产线,输入预测的工况数据,在仿真模型中对生产线进行了模拟运行,展示了生产线设备的运行状态。为生产线设备的运行性能分析及生产过程中排产提供了有效的判断依据。
实施例2
如图5所示,本实施例提供一种基于数字孪生与LSTM的生产线工况预测系统,包括:
数据获取模块M1,用于获取物理生产线上各设备的t时刻工况数据;
第一预测数据获取模块M2,用于将所述t时刻工况数据输入至LSTM模型中,得到第一类型工况预测数据;所述第一类型工况预测数据包括:设备的工作时间、停止时间、产量和设备运行状态;
第二预测数据获取模块M3,用于将所述第一类型工况预测数据输入至所述物理生产线对应的数字孪生生产线中,得到第二类型工况预测数据;所述第二类型工况预测数据为生产线各设备不同状态所占的百分比和各设备的综合运行效率;
排产计划获取模块M4,用于基于所述第一类型工况数据和所述第二类型工况数据进行所述物理生产线的排产。
所述系统还包括:
训练数据获取模块M5,用于获取所述物理生产线上各设备的历史工况数据;所述历史工况数据为t时刻之前的工况数据;
第一相关性分析模块M6,用于对所述历史工况数据进行特征间相关性分析,得到分析后的工况数据;
数据集划分及标准化处理模块M7,用于将所述分析后的工况数据分为训练集、验证集和测试集,并对所述训练集、所述验证集和所述测试集进行标准化处理;标准化处理后的数据具有零均值和单位方差;
训练模块M8,用于利用标准化后的训练集训练所述LSTM模型,并以标准化后的验证集的平均绝对误差为目标函数,调整所述LSTM模型的各单元中的权重矩阵和偏置,得到训练后的LSTM模型;利用所述训练后的LSTM模型得到所述第一类型工况预测数据。
第二相关性分析模块M9,用于对所述t时刻工况数据进行特征间相关性分析,分析后的数据输入至所述LSTM模型。
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。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于数字孪生与LSTM的生产线工况预测方法,其特征在于,包括:
获取物理生产线上各设备的t时刻工况数据;
将所述t时刻工况数据输入至LSTM模型中,得到第一类型工况预测数据;所述第一类型工况预测数据包括:设备的工作时间、停止时间、产量和设备运行状态;
将所述第一类型工况预测数据输入至所述物理生产线对应的数字孪生生产线中,得到第二类型工况预测数据;所述第二类型工况预测数据为生产线各设备不同状态所占的百分比和各设备的综合运行效率;
基于所述第一类型工况数据和所述第二类型工况数据进行所述物理生产线的排产。
2.根据权利要求1所述的方法,其特征在于,所述将述t时刻工况数据,输入至LSTM模型中之前包括对所述LSTM模型进行训练,得到训练后的LSTM模型,具体包括:
获取所述物理生产线上各设备的历史工况数据;所述历史工况数据为t时刻之前的工况数据;
对所述历史工况数据进行特征间相关性分析,得到分析后的工况数据;
将所述分析后的工况数据分为训练集、验证集和测试集,并对所述训练集、所述验证集和所述测试集进行标准化处理;标准化处理后的数据具有零均值和单位方差;
利用标准化后的训练集训练所述LSTM模型,并以标准化后的验证集的平均绝对误差为目标函数,调整所述LSTM模型的各单元中的权重矩阵和偏置,得到训练后的LSTM模型;利用所述训练后的LSTM模型得到所述第一类型工况预测数据。
4.根据权利要求1所述的方法,其特征在于,将所述t时刻工况数据输入至LSTM模型中之前还包括:对所述t时刻工况数据进行特征间相关性分析,分析后的数据输入至所述LSTM模型。
5.根据权利要求1所述的方法,其特征在于,所述将所述t时刻工况数据输入至LSTM模型中,得到第一类型工况预测数据,具体包括:
将所述t时刻工况数据和t-1时刻工况预测数据以及t-1时刻的记忆数据输入至所述所述LSTM模型中,得到第一类型工况预测数据;
所述t-1时刻的记忆数据为t-1时刻所述LSTM模型中的记忆单元输出的数据。
6.根据权利要求4所述的方法,其特征在于,所述将所述t时刻工况数据和t-1时刻工况预测数据以及t-1时刻的记忆数据输入至所述所述LSTM模型中,具体包括:
将所述t时刻工况数据和所述t-1时刻工况预测数据输入至所述LSTM模型的遗忘门、输入门和输出门,得到遗忘门输出值、输入门输出值和输出门输出值;
将所述遗忘门输出值结合所述t-1时刻的记忆数据、所述输入门输出值和所述输出门输出值,得到t时刻工况预测数据,即所述第一类型工况预测数据。
7.根据权利要求6所述的方法,其特征在于,所述LSTM模型包括遗忘门、输入门、输出门和记忆单元;
所述遗忘门的表达式为:ft=σ(Wf[at-1,xt]+bf);
其中,ft为遗忘门的输出值;σ表示sigmoid激活函数;Wf为遗忘门权重系数矩阵,bf为遗忘门偏置;at-1表示t-1时刻工况预测数据;xt表示t时刻工况数据;
所述输入门的表达式为:
it=σ(Wu[at-1,xt]+bu)
所述记忆单元的表达式为:
其中,ct表示t时刻工况预测数据;ct-1表示t-1时刻工况预测数据;
所述输出门的表达式为:
ot=σ(Wo[at-1,xt]+bo)
其中,at表示输出门的输出值;Wo为输出门权重系数矩阵,bo为输出门偏置。
8.一种基于权利要求1至9任一项所述的方法的系统,其特征在于,包括:
数据获取模块,用于获取物理生产线上各设备的t时刻工况数据;
第一预测数据获取模块,用于将所述t时刻工况数据输入至LSTM模型中,得到第一类型工况预测数据;所述第一类型工况预测数据包括:设备的工作时间、停止时间、产量和设备运行状态;
第二预测数据获取模块,用于将所述第一类型工况预测数据输入至所述物理生产线对应的数字孪生生产线中,得到第二类型工况预测数据;所述第二类型工况预测数据为生产线各设备不同状态所占的百分比和各设备的综合运行效率;
排产计划获取模块,用于基于所述第一类型工况数据和所述第二类型工况数据进行所述物理生产线的排产。
9.根据权利要求8所述的系统,其特征在于,所述系统还包括:
训练数据获取模块,用于获取所述物理生产线上各设备的历史工况数据;所述历史工况数据为t时刻之前的工况数据;
第一相关性分析模块,用于对所述历史工况数据进行特征间相关性分析,得到分析后的工况数据;
数据集划分及标准化处理模块,用于将所述分析后的工况数据分为训练集、验证集和测试集,并对所述训练集、所述验证集和所述测试集进行标准化处理;标准化处理后的数据具有零均值和单位方差;
训练模块,用于利用标准化后的训练集训练所述LSTM模型,并以标准化后的验证集的平均绝对误差为目标函数,调整所述LSTM模型的各单元中的权重矩阵和偏置,得到训练后的LSTM模型;利用所述训练后的LSTM模型得到所述第一类型工况预测数据。
10.根据权利要求8所述的系统,其特征在于,所述系统还包括:
第二相关性分析模块,用于对所述t时刻工况数据进行特征间相关性分析,分析后的数据输入至所述LSTM模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210824168.9A CN115204491A (zh) | 2022-07-13 | 2022-07-13 | 基于数字孪生与lstm的生产线工况预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210824168.9A CN115204491A (zh) | 2022-07-13 | 2022-07-13 | 基于数字孪生与lstm的生产线工况预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115204491A true CN115204491A (zh) | 2022-10-18 |
Family
ID=83579747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210824168.9A Pending CN115204491A (zh) | 2022-07-13 | 2022-07-13 | 基于数字孪生与lstm的生产线工况预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115204491A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116187205A (zh) * | 2023-04-24 | 2023-05-30 | 北京智芯微电子科技有限公司 | 配电网数字孪生体的运行状态预测方法及装置、训练方法 |
CN116700168A (zh) * | 2023-06-02 | 2023-09-05 | 中国五洲工程设计集团有限公司 | 生产线的虚实同步方法及系统 |
CN116974217A (zh) * | 2023-08-05 | 2023-10-31 | 智参软件科技(上海)有限公司 | 工厂生产仿真预测系统和工厂仿真预测方法 |
-
2022
- 2022-07-13 CN CN202210824168.9A patent/CN115204491A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116187205A (zh) * | 2023-04-24 | 2023-05-30 | 北京智芯微电子科技有限公司 | 配电网数字孪生体的运行状态预测方法及装置、训练方法 |
CN116187205B (zh) * | 2023-04-24 | 2023-08-15 | 北京智芯微电子科技有限公司 | 配电网数字孪生体的运行状态预测方法及装置、训练方法 |
CN116700168A (zh) * | 2023-06-02 | 2023-09-05 | 中国五洲工程设计集团有限公司 | 生产线的虚实同步方法及系统 |
CN116974217A (zh) * | 2023-08-05 | 2023-10-31 | 智参软件科技(上海)有限公司 | 工厂生产仿真预测系统和工厂仿真预测方法 |
CN116974217B (zh) * | 2023-08-05 | 2024-02-20 | 智参软件科技(上海)有限公司 | 工厂生产仿真预测系统和工厂仿真预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3809220B1 (en) | Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data | |
WO2021000556A1 (zh) | 一种工业设备剩余有效寿命预测方法、系统及电子设备 | |
CN111230887B (zh) | 一种基于数字孪生技术的工业涂胶机器人运行状态监测方法 | |
CN115204491A (zh) | 基于数字孪生与lstm的生产线工况预测方法及系统 | |
CN106951695B (zh) | 多工况下的机械设备剩余使用寿命计算方法及系统 | |
CN109685246B (zh) | 环境数据预估方法、装置及存储介质、服务器 | |
CN113205203A (zh) | 基于cnn-lstm的建筑能耗预测方法和系统 | |
CN114428803B (zh) | 空压站运行优化方法、系统、存储介质及终端 | |
CN112396234A (zh) | 一种基于时域卷积神经网络的用户侧负荷概率预测方法 | |
CN114282443B (zh) | 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法 | |
CN109993281A (zh) | 一种基于深度学习的因果关系挖掘方法 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN110757510A (zh) | 一种机器人剩余寿命预测方法及系统 | |
CN115542429A (zh) | 一种基于XGBoost的臭氧质量预测方法及系统 | |
CN116451848A (zh) | 一种基于时空注意力机制的卫星遥测数据预测方法及装置 | |
CN110750455A (zh) | 基于系统日志分析的智能在线自更新故障诊断方法和系统 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN117077327A (zh) | 基于数字孪生的轴承寿命预测方法及系统 | |
CN113807951A (zh) | 一种基于深度学习的交易数据趋势预测方法和系统 | |
CN113949644A (zh) | 基于LSTM-prophet的网站访问量预测方法及系统 | |
CN113392137A (zh) | 基于双窗口机制的多变量时间序列数据预测模型 | |
CN117391674A (zh) | 一种基于可靠性的电气设备预防性维修优化方法及装置 | |
CN115713044B (zh) | 一种多工况切换下的机电设备剩余寿命分析方法和装置 | |
CN104091047A (zh) | 基于交通时空信息的交通流缺失数据估算系统及方法 | |
CN115330085A (zh) | 基于深度神经网络且无未来信息泄露的风速预测方法 |
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 |