CN116227759B - 基于多设备信息的检修时间预测方法、装置和设备 - Google Patents
基于多设备信息的检修时间预测方法、装置和设备 Download PDFInfo
- Publication number
- CN116227759B CN116227759B CN202310520724.8A CN202310520724A CN116227759B CN 116227759 B CN116227759 B CN 116227759B CN 202310520724 A CN202310520724 A CN 202310520724A CN 116227759 B CN116227759 B CN 116227759B
- Authority
- CN
- China
- Prior art keywords
- time
- production line
- real
- sand
- working efficiency
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012423 maintenance Methods 0.000 title claims abstract description 25
- 239000004576 sand Substances 0.000 claims abstract description 330
- 238000004519 manufacturing process Methods 0.000 claims abstract description 300
- 238000005065 mining Methods 0.000 claims abstract description 227
- 238000012545 processing Methods 0.000 claims abstract description 118
- 239000004575 stone Substances 0.000 claims abstract description 110
- 238000009499 grossing Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 239000000463 material Substances 0.000 description 13
- 230000008569 process Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000005299 abrasion Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
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
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/08—Registering or indicating the production of the machine either with or without registering working or idle time
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Manufacturing & Machinery (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本申请涉及数据处理分析领域,尤其涉及一种基于多设备信息的检修时间预测方法、装置和设备,方法包括:获取每一矿山设备的实际实时处理砂石数据与预测实时处理砂石数据;根据每一矿山设备对应的实际实时处理砂石数据与预测实时处理砂石数据,确定矿山设备实时工作效率;根据全部矿山设备各自对应的实时处理砂石数据与矿山设备实时工作效率,确定生产线检修时间,其中,实时处理砂石数据包括实际实时处理砂石数据或预测实时处理砂石数据。本申请具有较为准确的提供并预测生产线检修时间的效果。
Description
技术领域
本申请涉及数据分析的技术领域,尤其是涉及一种基于多设备信息的检修时间预测方法、装置和设备。
背景技术
在矿业生产过程中,通常使用矿山设备进行矿料的采掘、筛选、运输。一般的,矿山设备同时存在多个,且,多个矿山设备以“生产线”形式运行。需要注意的是,本方案提及矿山设备为用于破碎或筛选的矿山设备。一般的,在矿山生产过程中,矿山设备常基于以下“生产线”形式排列并工作:大块砂石料由振动给料机传送至颚式破碎机进行粗碎,得到粗碎后的砂石料;将粗碎后的砂石料由皮带传送机传送至反击式破碎机进行细碎,得到细碎后的砂石料;将细碎后的砂石料传送至筛料机,得到合格砂石料和不合格砂石料;将不合格砂石料传送回反击式破碎机直至合格;将合格砂石料经由皮带传输机传送至振动筛,振动筛对合格砂石料进行分类,得到成品料堆,其中,成品料堆为分类后的合格砂石料,分类标准可由技术人员预先设定并存储在震动筛后振动筛的控制设备中。
由目前存在的多种确定设备检修时间的方式可知,通过为生产线确定检修时间,来保证生产线整体安全运行与高效运行是十分重要的,具体的,可以基于设备工作状态数据确定设备检修时间。
发明内容
为了提供并更加准确的预测生产线检修时间,本申请提供一种基于多设备信息的检修时间预测方法、装置和设备。
第一方面,本申请提供一种基于多设备信息的检修时间预测方法,采用如下的技术方案:
一种基于多设备信息的检修时间预测方法,包括:
获取每一矿山设备的实际实时处理砂石数据与预测实时处理砂石数据;
根据所述每一矿山设备对应的实际实时处理砂石数据与预测实时处理砂石数据,确定矿山设备实时工作效率;
根据全部矿山设备各自对应的实时处理砂石数据与矿山设备实时工作效率,确定生产线检修时间,其中,所述实时处理砂石数据包括实际实时处理砂石数据或预测实时处理砂石数据。
本申请在一较佳示例中可以进一步配置为:
所述根据全部矿山设备各自对应的实时处理砂石数据与矿山设备实时工作效率,确定生产线检修时间,包括:
根据全部矿山设备各自对应的实时处理砂石数据与矿山设备实时工作效率,得到生产线工作效率偏差模型,其中,所述生产线工作效率偏差模型表征生产线对应的实际的相关数据偏离预测的相关数据的整体偏离程度;
根据所述生产线工作效率偏差模型,得到生产线工作效率偏差预测模型;并基于所述生产线工作效率偏差预测模型,确定所述生产线检修时间。
本申请在一较佳示例中可以进一步配置为:
在所述基于所述生产线工作效率偏差预测模型,确定所述生产线检修时间之后,还包括:
根据新获取的多个矿山设备各自的实时处理砂石数据和新获取的所述多个矿山设备各自的所述矿山设备实时工作效率,判断所述生产线工作效率偏差预测模型是否需要被校正;
若是,则基于新获取的所述多个矿山设备各自的实时处理砂石数据和新获取的所述多个矿山设备各自的矿山设备实时工作效率,对所述生产线工作效率偏差预测模型进行校正,得到新的生产线工作效率偏差预测模型。
本申请在一较佳示例中可以进一步配置为:
在根据多个矿山设备各自的实时处理砂石数据与全部所述矿山设备实时工作效率,得到生产线工作效率偏差模型之后,还包括:
根据所述生产线工作效率偏差模型,通过平滑处理,得到新的生产线工作效率偏差模型;
相应的,所述根据所述生产线工作效率偏差模型,得到生产线工作效率偏差预测模型,包括:
根据所述生产线工作效率偏差模型和所述新的生产线工作效率偏差模型,得到新的生产线工作效率偏差预测模型。
本申请在一较佳示例中可以进一步配置为:
在所述生产线工作效率偏差模型中生产线工作时刻为工作效率偏差值的自变量,
所述根据所述生产线工作效率偏差模型和所述新的生产线工作效率偏差模型,得到新的生产线工作效率偏差预测模型,包括:
确定目标时刻与目标时刻对应的工作效率偏差值,其中,所述新的生产线工作效率偏差模型与所述生产线工作效率偏差模型在所述目标时刻的工作效率偏差值相同,且,所述目标时刻至最新已发生时刻之间不存在任一时刻满足所述新的生产线工作效率偏差模型与所述生产线工作效率偏差模型的工作效率偏差值相同的情况;
基于所述新的生产线工作效率偏差模型,得到生产线工作效率偏差预测模型斜率;
根据所述生产线工作效率偏差预测模型斜率、所述目标时刻与所述目标时刻对应的工作效率偏差值,得到所述新的生产线工作效率偏差预测模型。
本申请在一较佳示例中可以进一步配置为:
在获取每一矿山设备对应的预测实时处理砂石数据之前,还包括:
获取生产线对应的实时待处理砂石数据,其中,生产线至少包括以固定顺序设置的多个矿山设备;
相应的,获取每一矿山设备对应的预测实时处理砂石数据,包括:
根据所述生产线对应的实时待处理砂石数据,以所述固定顺序依次确定每一矿山设备的预测实时处理砂石数据。
本申请在一较佳示例中可以进一步配置为:
在所述根据所述生产线的待处理砂石数据,以所述固定顺序依次确定每一矿山设备的预测处理砂石数据之前,还包括:
实时获取全部矿山设备各自对应的工作功率;
相应的,所述根据所述生产线的待处理砂石数据,以所述固定顺序依次确定每一矿山设备的预测处理砂石数据,包括:
基于所述生产线的待处理砂石数据和所述全部矿山设备各自对应的工作功率,以所述固定顺序确定每一矿山设备的预测处理砂石数据。
本申请在一较佳示例中可以进一步配置为:
在所述获取每一矿山设备的实际实时处理砂石数据之前,还包括:
获取每一矿山设备对应的设备输出端砂石影像,其中,所述设备输出端砂石影像的拍摄角度垂直于设备输出端砂石的传送方向;
相应的,获取每一矿山设备的实际实时处理砂石数据,包括:
根据所述生产线的实时待处理砂石数据、全部所述矿山设备对应的输出端砂石影像,以所述固定顺序依次得到每一矿山设备的实际处理砂石数据。
第二方面,本申请提供一种基于多设备信息的检修时间预测装置,采用如下的技术方案:
一种基于多设备信息的检修时间预测装置,包括:
实时数据获取模块,用于获取每一矿山设备的实际实时处理砂石数据与预测实时处理砂石数据;
实时工作效率获取模块,用于根据所述每一矿山设备对应的实际实时处理砂石数据与预测实时处理砂石数据,确定矿山设备实时工作效率;
生产线检修时间确定模块,用于根据全部矿山设备各自对应的实时处理砂石数据与矿山设备实时工作效率,确定生产线检修时间,其中,所述实时处理砂石数据包括实际实时处理砂石数据或预测实时处理砂石数据。
第三方面,本申请提供一种电子设备,采用如下的技术方案:
至少一个处理器;
存储器;
至少一个应用程序,其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行如第一方面任一项所述的基于多设备信息的检修时间预测方法。
第四方面,本申请提供一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令所述计算机执行如第一方面任一项所述的基于多设备信息的检修时间预测方法。
综上所述,本申请包括以下有益技术效果:
通过获取生产线中每一矿山设备的实际实时处理砂石数据与预测实时处理砂石数据,以确定每一矿山设备的实际工作量与预测工作量;基于每一矿山设备的预测工作量与实际工作量,确定矿山设备实时工作效率;由于零部件老化或设备磨损等原因,随矿山设备使用时间的增长,矿山设备运行的安全性与矿山设备实时工作效率均可能出现降低的情况,甚至可能出现由于安全性降低导致生产线发生安全事故概率升高的情况,本方案根据全部矿山设备各自对应的实时处理砂石数据与矿山设备实时工作效率,确定生产线检修时间,基于生产线检修时间及时检修生产线上的矿山设备,可以减少矿山设备以较低的实时工作效率的时间,且,可以提升生产线运行过程的安全性。
附图说明
图1为本申请实施例提供的一种基于多设备信息的检修时间预测方法的流程示意图。
图2为本申请实施例提供的一种生产线工作效率偏差预测模型平滑前后的比较示意图。
图3为本申请实施例提供的一种目标时刻所在位置的示意图。
图4为本申请实施例提供的一种设备输出端砂石影像拍摄角度示意图。
图5为本申请实施例提供的一种基于多设备信息的检修时间预测装置的结构示意图。
图6为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
以下结合图1至图6对本申请作进一步详细说明。
本具体实施例仅仅是对本申请的解释,其并不是对本申请的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本申请的范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚,对本申请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作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。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。
下面结合说明书附图对本申请实施例作进一步详细描述。
本申请实施例提供了一种基于多设备信息的检修时间预测方法,由电子设备执行,该电子设备可以为服务器也可以为终端设备,其中,该服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云计算服务的云服务器。终端设备可以是智能手机、平板电脑、笔记本电脑、台式计算机等,但并不局限于此,该终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请实施例在此不做限制,如图1所示,该方法包括步骤S101至步骤S103,其中:
步骤S101:获取每一矿山设备的实际实时处理砂石数据与预测实时处理砂石数据。
具体的,可以基于图像确定,或,基于超声波确定每一矿山设备的实际实时处理砂石数据与预测实时处理砂石数据。
其中,针对每一矿山设备,实际实时处理砂石数据可以为矿山设备在单位时间内实际处理前后砂石平均体积的变化量;预测实时处理砂石数据可以为预测的矿山设备在单位时间内处理前后砂石平均体积的变化量。
步骤S102:根据每一矿山设备对应的实际实时处理砂石数据与预测实时处理砂石数据,确定矿山设备实时工作效率。
针对每一矿山设备对应的时间标签对应的矿山设备实时工作效率,,/>为时间标签t对应的矿山设备实时工作效率,/>为时间标签t对应的实际实时处理砂石数据,/>为时间标签t对应的预测实时处理砂石数据。
矿山设备实时工作效率=预测实时处理砂石数据÷实际实时处理砂石数据。
步骤S103:根据多个矿山设备各自的实时处理砂石数据与全部矿山设备实时工作效率,确定生产线检修时间,其中,实时处理砂石数据包括实际实时处理砂石数据或预测实时处理砂石数据。
具体的,根据全部矿山设备实时工作效率,经过平均值计算,得到矿山设备工作效率均值,并判断矿山设备工作效率均值是否大于预设工作效率均值阈值,若是,则确定与当前时刻距离预设时间间隔的时刻为生产线检修时间,其中,预设工作效率均值阈值和预设时间间隔均可由技术人员预先设置并存储于电子设备中;或,基于模型确定。
在本申请实施例中,通过获取生产线中每一矿山设备的实际实时处理砂石数据与预测实时处理砂石数据,以确定每一矿山设备的实际工作量与预测工作量;基于每一矿山设备的预测工作量与实际工作量,确定矿山设备实时工作效率;由于零部件老化或设备磨损等原因,随矿山设备使用时间的增长,矿山设备运行的安全性与矿山设备实时工作效率均可能出现降低的情况,甚至可能出现由于安全性降低导致生产线发生安全事故概率升高的情况,本方案根据全部矿山设备各自对应的实时处理砂石数据与矿山设备实时工作效率,确定生产线检修时间,基于生产线检修时间及时检修生产线上的矿山设备,可以减少矿山设备以较低的实时工作效率的时间,且,可以提升生产线运行过程的安全性。
本申请实施例的一种可能的实现方式,步骤S103,具体可以包括步骤S1031(图中未示出)以及步骤S1032(图中未示出),其中:
步骤S1031:根据全部矿山设备各自对应的实时处理砂石数据与矿山设备实时工作效率,得到生产线工作效率偏差模型,其中,生产线工作效率偏差模型表征生产线对应的实际的相关数据偏离预测的相关数据的整体偏离程度。
具体的,步骤S1031,可以利用生产线工作效率偏差模型计算公式实现,其中,生产线工作效率偏差模型计算公式可以为:,/>为时间标签t对应的生产线工作效率偏差模型,且可以表示时间标签t对应的工作效率偏差值,n为生产线中矿山设备的数量,且n可以根据生产线具体设置确定,i为生产线固定顺序中第个i矿山设备,为第个i矿山设备对应的时间标签t对应的工作量偏差值。
其中,针对生产线固定顺序中第个i矿山设备对应的时间标签t对应的工作量偏差值,,需要注意的是,在生产线固定顺序中,/>为第i个矿山设备对应的时间标签t对应的矿山设备实时工作效率,/>为第i个矿山设备对应的时间标签t对应的实际实时处理砂石数据,/>为第i个矿山设备对应的时间标签t对应的预测实时处理砂石数据。
步骤S1032:根据生产线工作效率偏差模型,得到生产线工作效率偏差预测模型;并基于生产线工作效率偏差预测模型,确定生产线检修时间。
其中,预测生产工作效率偏差模型得到生产线工作效率偏差预测模型,可由任一曲线预测模型实现,曲线预测模型可以为:AR模型、MA模型或ARMA模型等模型中的任一预测模型,本申请实施例不再对实现方式进行限定。在生产线工作效率偏差预测模型中,每一时间标签t存在唯一工作效率偏差预测值与之对应,故,本方案将生产线工作效率偏差预测模型记为,其中,/>可以表示时间标签t对应的工作效率偏差预测值。
具体的,基于生产线工作效率偏差预测模型,确定生产线检修时间的过程,可以包括:实时监测,并判断/>是否不小于预设工作效率偏差阈值/>,其中,/>可由技术人员预先定并存储于电子设备中;若/>,则表示生产线中矿山设备实际实时工作效率偏离预测实时工作效率的程度较大,生产线中各设备发声故障的概率较大,将时,时间标签t对应的时刻作为生产线检修时间。
在本申请实施例中,通过根据多个矿山设备各自的实时处理砂石数据与矿山设备实时工作效率,得到生产线工作效率偏差模型,以生产线工作效率偏差值表示生产线中矿山设备的实际实时工作效率偏离预测实时工作效率的程度,可以将偏离程度量化;根据生产线工作效率偏差模型,得到生产线工作效率偏差预测模型,以预测未来时间的生产线中矿山设备的实际实时工作效率偏离预测实时工作效率的程度,可以将未来偏离程度量化;基于量化的未来偏离程度,确定生产线检修时间,以提升生产检修时间确定过程的准确度。
本申请实施例的一种可能的实现方式,在步骤S1032的基于生产线工作效率偏差预测模型,确定生产线检修时间之后,具体可以还包括步骤SA1(图中未示出)以及步骤SA2(图中未示出),其中:
步骤SA1:根据新获取的多个矿山设备各自的实时处理砂石数据和新获取的多个矿山设备各自的矿山设备实时工作效率,判断生产线工作效率偏差预测模型是否需要被校正。
步骤SA2:若是,则基于新获取的多个矿山设备各自的实时处理砂石数据和新获取的多个矿山设备各自的矿山设备实时工作效率,对生产线工作效率偏差预测模型进行校正,得到新的生产线工作效率偏差预测模型。
在本申请实施例中,通过校正生产线工作效率偏差预测模型,以提升生产线工作效率偏差预测模型的精确度。
本申请实施例的一种可能的实现方式,在步骤S1051之后,具体还可以包括:
根据生产线工作效率偏差模型,通过平滑处理,得到新的生产线工作效率偏差模型。
其中,可以将新的生产线工作效率偏差模型记作。
相应的,步骤S1052中的根据生产线工作效率偏差模型,得到生产线工作效率偏差预测模型,具体可以包括:
根据生产线工作效率偏差模型和新的生产线工作效率偏差模型,得到新的生产线工作效率偏差预测模型。
具体的,将新的生产线工作效率偏差预测模型记作,其中,/>可以表示时间标签t对应的工作效率偏差预测值。
在本申请实施例中,如图2所示,以曲线1表示,以曲线2表示/>,以虚线M表示,可见曲线1在/>时刻超过虚线M后,小于/>的概率仍然较大,可见使用曲线1确定生产线检修时间并不合理,但是,曲线2在/>时刻超过虚线M后小于/>概率较小,故,本方案通过将平滑处理得到后,基于/>确定/>,以降低生产线检修时间选定不合理的概率。
本申请实施例的一种可能的实现方式,根据生产线工作效率偏差模型和新的生产线工作效率偏差模型,得到新的生产线工作效率偏差预测模型,具体可以包括步骤SB1(图中未示出)至步骤SB3(图中未示出),其中:
生产线工作效率偏差模型中生产线工作时刻为工作效率偏差值的自变量。
可以理解的是,生产线工作时刻与时间标签一一对应,工作效率偏差等同于工作效率偏差值。
步骤SB1:确定目标时刻与目标时刻对应的工作效率偏差,其中,新的生产线工作效率偏差模型与生产线工作效率偏差模型在目标时刻的工作效率偏差值相同,且,目标时刻至最新已发生时刻之间不存在任一时刻满足新的生产线工作效率偏差模型与生产线工作效率偏差模型的工作效率偏差值相同的情况。
例,如图3所示,以曲线3表示生产线工作效率偏差模型,以曲线4表示新的生产线工作效率偏差模型/>,可见曲线3的工作效率偏差值与曲线4的新的工作效率偏差值在/>时刻相等,/>时刻为最新已发生时刻,由图3可知,/>时刻与/>时刻之间不存在任一时刻满足曲线3的工作效率偏差值与曲线4的新的工作效率偏差值相等;故,可以将/>时刻作为目标时刻,将/>作为/>时刻对应的新的工作效率偏差值,作为目标时刻对应的工作效率偏差值。
步骤SB2:基于新的生产线工作效率偏差模型,得到生产线工作效率偏差预测模型斜率。
具体的,,其中,k为生产线工作效率偏差预测模型斜率,t为时间标识,为新的生产线工作效率偏差模型的导函数。
步骤SB3:根据生产线工作效率偏差预测模型斜率、目标时刻与目标时刻对应的工作效率偏差值,得到新的生产线工作效率偏差预测模型。
具体的,,其中,/>可以表示时间标签t对应的工作效率偏差预测值,且,为生产线工作效率偏差预测模型,/>为目标时刻,/>为目标时刻对应的工作效率偏差值,k为生产线工作效率偏差预测模型斜率。
在本申请实施例中,新的生产线工作效率偏差模型与生产线工作效率偏差模型不完全相同,故,通过确定目标时刻与目标时刻对应的工作效率偏差值以确定生产线工作效率偏差预测模型经过的已知点,可以提升选定的已知点的真实性;可以理解的是,生产线工作效率偏差模型或新的生产线工作效率偏差模型均存在可变导函数,故,保证目标时刻至最新已发生时刻之间不存在任一时刻满足新的生产线工作效率偏差模型与生产线工作效率偏差模型的工作效率偏差相同,可以使已知点更加接近于最新已发生时刻,从而提升新的生产线工作效率偏差模型的精确度;基于生产线工作效率偏差预测模型经过的已知点和斜率,以确定新的更高精确度的生产线工作效率偏差预测模型。
本申请实施例的一种可能的实现方式,在步骤S101之前,具体还可以包括:获取生产线的实时待处理砂石数据,其中,生产线至少包括以固定顺序设置的多个矿山设备。
一般的,待处理砂石存放于料仓,且,由震动给料机均匀送至生产线前的传送带,再由生产线前的传送带传送至生产线进行处理。需要注意的是,在本方案中,每一实时数据均对应唯一时间标签,时间标签可以记为t,其中,实时数据可以为实际实时处理砂石数据、预测实时处理砂石数据、矿山设备实时工作效率、实时待处理砂石数据、生产线工作效率偏差值、生产线工作效率偏差预测值或新的生产线工作效率偏差;实时待处理砂石数据可以为包括时间标签的生产线单位时间的待处理砂石数据,且,实时数据的获取频率可由技术人员预先设定并存储于电子设备中,单位时间=预设整数÷获取频率,单位时间为两个相邻时间标签之间的时间间隔,预设整数可由技术人员预先设定并存储于电子设备中;其中,待处理砂石数据可以包括待处理砂石的体积数据或重量数据,优选的,待处理砂石数据可以包括待处理砂石的体积数据,体积数据可以包括待处理砂石的砂石平均体积。
具体的,生产线单位时间的待处理砂石总体积可由技术人员预先设置并存储与电子设备中,生产线单位时间的待处理砂石总体积可由电子设备中直接获取。
生产线单位时间的待处理砂石总体积可由图像获取,获取过程可以包括:获取生产线前的传送带上的待处理砂石影像,其中,待处理砂石影像包括俯拍影像和侧拍影像,且,待处理砂石影像的拍摄范围=传送带传送速度×单位时间,传送带传送速度可由技术人员预先设置并存储于电子设备中,待处理砂石影像的拍摄范围以传送带上震动给料机所在端为起点,俯拍影像垂直于传送带皮带,侧拍影像垂直于传送带侧边;基于俯拍影像确定真实俯视面积,其中,真实俯视面积为待处理砂石遮盖传送带的面积;基于侧拍影像,确定待处理砂石平均真实高度;根据真实俯视面积和平均真实高度,经过计算,确定待处理砂石总体积,其中,待处理砂石总体积=真实俯视面积×平均真实高度。
生产线单位时间的砂石平均体积可由图像获取,获取过程可以包括:基于俯拍影像,确定第一砂石数量,其中,第一砂石数量为俯拍影像中的砂石数量总数;根据侧拍影像确定第二砂石数量,其中,第二砂石数量为侧拍影像中砂石数量的层数;根据第一砂石数量和第二砂石数量,得到待处理砂石总数,其中,待处理砂石总数=第一砂石数量×第二砂石数量;根据待处理砂石总数和待处理砂石总体积,得到砂石平均体积,其中,砂石平均体积=待处理砂石总体积÷待处理砂石总数。
相应的,步骤S101中的获取每一矿山设备对应的预测实时处理砂石数据,具体可以包括:
根据生产线的实时待处理砂石数据,以固定顺序依次确定每一矿山设备的预测实时处理砂石数据。
具体的,可以基于矿山设备的历史数据确定,或,基于工作功率确定每一矿山设备的预测实时处理砂石数据。
其中,固定顺序由生产线中矿山设备的设置顺序决定,可由技术人员预先设置并存储于电子设备中,进一步的,当生产线中矿山设备的设置顺序发生改变时,可由技术人员对固定顺序进行相应更改。针对每一矿山设备,预测实时处理砂石数据可以为预测的矿山设备在单位时间内处理前后砂石平均体积的变化量。
在本申请实施例中,通过获取生产线对应的实时待处理砂石数据,以确定生产线预计工作量;针对每一矿山设备,由于矿山设备的预测实时处理砂石量的高或低,对固定顺序中该矿山设备的之后的矿山设备的均存在预测实时处理砂石量影响,故,本方案根据生产线预计工作量,以固定顺序确定矿山设备的预测实时处理砂石数据,可以提升预测实时处理砂石数据的精确度。
本申请实施例的一种可能的实现方式,根据生产线的实时待处理砂石数据,以固定顺序依次确定每一矿山设备的预测实时处理砂石数据的实现方式可以为基于工作功率确定预测实时处理砂石数据的实现方式,在根据生产线的实时待处理砂石数据,以固定顺序依次确定每一矿山设备的预测实时处理砂石数据之前,具体还可以包括:
实时获取多个矿山设备各自对应的工作功率。
其中,工作功率可以包括额定工作功率与实时工作功率。
相应的,根据生产线的实时待处理砂石数据,以固定顺序依次确定每一矿山设备的预测实时处理砂石数据,具体可以包括:
基于生产线的待处理砂石数据和全部矿山设备各自对应的工作功率,以固定顺序确定每一矿山设备的预测处理砂石数据。
具体的,基于生产线的待处理砂石数据和全部矿山设备各自对应的工作功率,以固定顺序确定每一矿山设备的预测处理砂石数据的过程,可以包括步骤SC1(图中未示出)以及步骤SC2(图中未示出),其中:
步骤SC1:根据生产线的待处理砂石数据和第一矿山设备对应的工作功率,得到第一矿山设备对应的预测处理后砂石数据和预测处理砂石数据,其中,第一矿山设备为固定顺序中第一个矿山设备。
具体的,根据第一矿山设备额定工作功率对应的预设处理砂石数据、额定工作功率与实时工作功率,经第一矿山设备对应的预测处理砂石数据的计算公式,可得第一矿山设备对应的预测处理砂石数据,其中,第一矿山设备对应的预测处理砂石数据的计算公式可以为:预测处理砂石数据=预设处理砂石数据×(实时工作功率÷额定工作功率),预设处理砂石数据可由技术人员预先设定并存放于电子设备中;根据预测处理砂石数据和生产线的待处理砂石数据,经计算,得到第一矿山设备对应的预测处理后砂石数据,其中,预测处理后砂石数据=待处理砂石数据-预测处理砂石数据。
步骤SC2:针对生产线中每一剩余矿山设备,根据上一矿山设备对应的预测处理后砂石数据和剩余矿山设备对应的工作功率,得到剩余矿山设备对应的预测处理砂石数据和预测处理后砂石数据,其中,上一矿山设备为固定顺序中剩余矿山设备的上一矿山设备。
针对生产线中每一剩余矿山设备,具体的,根据剩余矿山设备额定工作功率对应的预设处理砂石数据、额定工作功率与实时工作功率,经剩余矿山设备对应的预测处理砂石数据的计算公式,可得剩余矿山设备对应的预测处理砂石数据,其中,剩余矿山设备对应的预测处理砂石数据的计算公式可以为:剩余矿山设备对应的预测处理砂石数据=剩余矿山设备对应的预设处理砂石数据×(剩余矿山设备对应的实时工作功率÷剩余矿山设备对应的额定工作功率),剩余矿山设备对应的预设处理砂石数据可由技术人员预先设定并存放于电子设备中;根据剩余矿山设备对应的预测处理砂石数据和上一矿山设备对应的预测处理后砂石数据,经计算,得到剩余矿山设备对应的预测处理后砂石数据,其中,剩余矿山设备对应的预测处理后砂石数据=上一矿山设备对应的预测处理后砂石数据-剩余矿山设备对应的预测处理砂石数据。
在本申请实施例中,通过获取多个矿山设备各自对应的工作功率,以确定矿山设备预测处理砂石数据;根据生产线的待处理砂石数据和第一矿山设备对应的工作功率,得到第一矿山设备对应的预测处理后砂石数据以确定第一矿山设备输出的砂石平均体积;针对生产线中每一剩余矿山设备,根据上一矿山设备对应的预测处理后砂石数据和剩余矿山设备对应的工作功率,得到剩余矿山设备对应的预测处理砂石数据和预测处理后砂石数据,可以提升相邻矿山设备之间的相互影响。
本申请实施例的一种可能的实现方式,根据生产线的待处理砂石数据,以固定顺序依次确定每一矿山设备的预测处理砂石数据的实现方式可以为基于图像确定实际实时处理砂石数据的实现方式,在根据生产线的待处理砂石数据,以固定顺序依次确定每一矿山设备的预测处理砂石数据之前,具体还可以包括:
获取每一矿山设备对应的设备输出端砂石影像,其中,设备输出端砂石影像的拍摄角度垂直于设备输出端砂石的传送方向。
如图4所示,垂直于设备输出端砂石的传送方向的拍摄角度,可以包括:俯拍和侧拍,其中,摄影设备1进行俯拍且俯拍角度垂直于传送带皮带,摄影设备2进行侧拍且侧拍角度垂直于传送带侧边。
具体的,获取每一矿山设备砂石输出端俯拍影像和输出侧拍影像作为每一矿山设备对应的设备输出端砂石影像,其中,设备输出端砂石影像的拍摄范围=矿山设备传送带传送速度×单位时间,矿山设备传送带传送速度可由技术人员预先设置并存储于电子设备中,设备输出端砂石影像的拍摄范围以设备输出端为起点。
相应的,根据生产线的待处理砂石数据,以固定顺序依次确定每一矿山设备的预测处理砂石数据,具体可以包括:
根据生产线的实时待处理砂石数据、全部矿山设备对应的输出端砂石影像,以固定顺序依次得到每一矿山设备的实际处理砂石数据。
具体的,根据生产线的实时待处理砂石数据、全部矿山设备对应的输出端砂石影像,以固定顺序依次得到每一矿山设备的实际处理砂石数据,可以包括步骤S1030(图中未示出)至步骤S1039(图中未示出),其中:
针对每一矿山设备,步骤S1030:基于输出端俯拍影像,确定输出端真实俯视面积,其中,输出端真实俯视面积为输出端处理后砂石遮盖传送带的面积;
针对每一矿山设备,步骤S1031:基于输出端侧拍影像,确定输出端处理后砂石平均真实高度;
针对每一矿山设备,步骤S1032:根据输出端处理后砂石真实俯视面积和输出端处理后砂石平均真实高度,经过计算,确定输出端处理后砂石总体积,其中,输出端处理后砂石总体积=输出端处理后砂石真实俯视面积×输出端处理后砂石平均真实高度;
针对每一矿山设备,步骤S1033:基于输出端俯拍影像,确定第三砂石数量,其中,第三砂石数量为输出端俯拍影像中的砂石数量总数;根据输出端侧拍影像确定第四砂石数量,其中,第四砂石数量为输出端侧拍影像中砂石数量的层数;
针对每一矿山设备,步骤S1034:根据第三砂石数量和第四砂石数量,得到输出端处理后砂石总数,其中,输出端处理后砂石总数=第三砂石数量×第四砂石数量;
针对每一矿山设备,步骤S1035:根据输出端处理后砂石总数和输出端处理后砂石总体积,得到输出端处理后砂石平均体积,其中,输出端处理后砂石平均体积=输出端处理后砂石总体积÷输出端处理后砂石总数;
步骤S1036:在全部矿山设备中确定唯一首端设备、唯一末端设备与至少一个中间设备,其中,首端设备为固定顺序中排名第一的矿山设备,末端设备为固定顺序中排名末尾的矿山设备,每一中间设备为全部矿山设备中除首端设备与末端设备之外的每一矿山设备;
步骤S1037:针对唯一首端设备,首端设备对应实际处理砂石数据=生产线的实时待处理砂石数据-首端设备对应输出端处理后砂石平均体积;
步骤S1038:针对每一中间设备,中间设备对应实际处理砂石数据=上一设备对应输出端处理后砂石平均体积-中间设备对应输出端处理后砂石平均体积,其中,上一设备为固定顺序中中间设备的上一矿山设备;
步骤S1039:针对唯一末端设备,末端设备对应实际处理砂石数据=上一设备对应输出端处理后砂石平均体积-末端设备对应输出端处理后砂石平均体积。
在本申请实施例中,相较于利用抽样法获取实际处理砂石数据,通过获取每一矿山设备对应的设备输出端砂石影像确定的每一矿山设备的实际处理砂石数据,更加精确,提升了实际处理砂石数据的精确度。
上述实施例从方法流程的角度介绍一种基于多设备信息的检修时间预测方法,下述实施例从虚拟模块或者虚拟单元的角度介绍了一种基于多设备信息的检修时间预测装置,具体详见下述实施例。
本申请实施例提供一种基于多设备信息的检修时间预测装置,如图5所示,该基于多设备信息的检修时间预测装置具体可以包括:
实时数据获取模块201,用于获取每一矿山设备的实际实时处理砂石数据与预测实时处理砂石数据;
实时工作效率获取模块202,用于根据每一矿山设备对应的实际实时处理砂石数据与预测实时处理砂石数据,确定矿山设备实时工作效率;
生产线检修时间确定模块203,用于根据全部矿山设备各自对应的实时处理砂石数据与矿山设备实时工作效率,确定生产线检修时间,其中,实时处理砂石数据包括实际实时处理砂石数据或预测实时处理砂石数据。
本申请实施例的一种可能的实现方式,生产线检修时间确定模块203,在执行根据全部矿山设备各自对应的实时处理砂石数据与矿山设备实时工作效率,确定生产线检修时间时,具体用于:
根据全部矿山设备各自对应的实时处理砂石数据与矿山设备实时工作效率,得到生产线工作效率偏差模型,其中,生产线工作效率偏差模型表征生产线对应的实际的相关数据偏离预测的相关数据的整体偏离程度;
根据生产线工作效率偏差模型,得到生产线工作效率偏差预测模型;并基于生产线工作效率偏差预测模型,确定生产线检修时间。
本申请实施例的一种可能的实现方式,基于多设备信息的检修时间预测装置,还包括:
生产线工作效率偏差预测模型校正模块,用于:
根据新获取的多个矿山设备各自的实时处理砂石数据和新获取的多个矿山设备各自的矿山设备实时工作效率,判断生产线工作效率偏差预测模型是否需要被校正;
若是,则基于新获取的多个矿山设备各自的实时处理砂石数据和新获取的多个矿山设备各自的矿山设备实时工作效率,对生产线工作效率偏差预测模型进行校正,得到新的生产线工作效率偏差预测模型。
本申请实施例的一种可能的实现方式,基于多设备信息的检修时间预测装置,还包括:
生产线工作效率偏差模型平滑处理模块,用于:
根据生产线工作效率偏差模型,通过平滑处理,得到新的生产线工作效率偏差模型;
相应的,生产线检修时间确定模块203,在执行根据生产线工作效率偏差模型,得到生产线工作效率偏差预测模型时,用于:
根据生产线工作效率偏差模型和新的生产线工作效率偏差模型,得到新的生产线工作效率偏差预测模型。
本申请实施例的一种可能的实现方式,在生产线工作效率偏差模型中生产线工作时刻为工作效率偏差值的自变量,
生产线检修时间确定模块203,在执行根据生产线工作效率偏差模型和新的生产线工作效率偏差模型,得到新的生产线工作效率偏差预测模型时,用于:
确定目标时刻与目标时刻对应的工作效率偏差值,其中,新的生产线工作效率偏差模型与生产线工作效率偏差模型在目标时刻的工作效率偏差值相同,且,目标时刻至最新已发生时刻之间不存在任一时刻满足新的生产线工作效率偏差模型与生产线工作效率偏差模型的工作效率偏差值相同的情况;
基于新的生产线工作效率偏差模型,得到生产线工作效率偏差预测模型斜率;
根据生产线工作效率偏差预测模型斜率、目标时刻与目标时刻对应的工作效率偏差值,得到新的生产线工作效率偏差预测模型。
本申请实施例的一种可能的实现方式,基于多设备信息的检修时间预测装置,还包括:
实时待处理砂石数据获取模块,用于:
获取生产线对应的实时待处理砂石数据,其中,生产线至少包括以固定顺序设置的多个矿山设备;
相应的,实时数据获取模块201,在执行获取每一矿山设备对应的预测实时处理砂石数据时,用于:
根据生产线对应的实时待处理砂石数据,以固定顺序依次确定每一矿山设备的预测实时处理砂石数据。
本申请实施例的一种可能的实现方式,基于多设备信息的检修时间预测装置,还包括:
工作功率确定模块,用于:
实时获取多个矿山设备各自对应的工作功率;
相应的,实时数据获取模块201,在执行根据生产线的待处理砂石数据,以固定顺序依次确定每一矿山设备的预测处理砂石数据时,用于:
基于生产线的待处理砂石数据和全部矿山设备各自对应的工作功率,以固定顺序确定每一矿山设备的预测处理砂石数据。
本申请实施例的一种可能的实现方式,基于多设备信息的检修时间预测装置,还包括:
设备输出端砂石影像获取模块,用于:
获取每一矿山设备对应的设备输出端砂石影像,其中,设备输出端砂石影像的拍摄角度垂直于设备输出端砂石的传送方向;
相应的,实际实时处理砂石数据获取模块203,在执行获取每一矿山设备的实际实时处理砂石数据时,用于:
根据生产线的实时待处理砂石数据、全部矿山设备对应的输出端砂石影像,以固定顺序依次得到每一矿山设备的实际处理砂石数据。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的一种基于多设备信息的检修时间预测装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例中提供了一种电子设备,如图6所示,图6所示的电子设备包括:处理器301和存储器303。其中,处理器301和存储器303相连,如通过总线302相连。可选地,电子设备还可以包括收发器304。需要说明的是,实际应用中收发器304不限于一个,该电子设备的结构并不构成对本申请实施例的限定。
处理器301可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器301也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线302可包括一通路,在上述组件之间传送信息。总线302可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线302可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一型的总线。
存储器303可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器303用于存储执行本申请方案的应用程序代码,并由处理器301来控制执行。处理器301用于执行存储器303中存储的应用程序代码,以实现前述方法实施例所示的内容。
其中,电子设备包括但不限于:移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。还可以为服务器等。图6示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当其在计算机上运行时,使得计算机可以执行前述方法实施例中相应内容。本申请实施例通过获取生产线中每一矿山设备的实际实时处理砂石数据与预测实时处理砂石数据,以确定每一矿山设备的实际工作量与预测工作量;基于每一矿山设备的预测工作量与实际工作量,确定矿山设备实时工作效率;由于零部件老化或设备磨损等原因,随矿山设备使用时间的增长,矿山设备运行的安全性与矿山设备实时工作效率均可能出现降低的情况,甚至可能出现由于安全性降低导致生产线发生安全事故概率升高的情况,本方案根据全部矿山设备各自对应的实时处理砂石数据与矿山设备实时工作效率,确定生产线检修时间,基于生产线检修时间及时检修生产线上的矿山设备,可以减少矿山设备以较低的实时工作效率的时间,且,可以提升生产线运行过程的安全性。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式,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,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (8)
1.一种基于多设备信息的检修时间预测方法,其特征在于,包括:
获取每一矿山设备的实际实时处理砂石数据与预测实时处理砂石数据,所述实际实时处理砂石数据为矿山设备在单位时间内实际处理前后砂石平均体积的变化量;所述预测实时处理砂石数据为预测的矿山设备在单位时间内处理前后砂石平均体积的变化量;
根据所述每一矿山设备对应的实际实时处理砂石数据与预测实时处理砂石数据,确定矿山设备实时工作效率;
根据全部矿山设备各自对应的实时处理砂石数据与矿山设备实时工作效率,确定生产线检修时间,其中,所述实时处理砂石数据包括实际实时处理砂石数据或预测实时处理砂石数据;所述根据全部矿山设备各自对应的实时处理砂石数据与矿山设备实时工作效率,确定生产线检修时间,包括:
根据全部矿山设备各自对应的实时处理砂石数据与矿山设备实时工作效率,得到生产线工作效率偏差模型,其中,所述生产线工作效率偏差模型表征生产线对应的实际的相关数据偏离预测的相关数据的整体偏离程度;
根据所述生产线工作效率偏差模型,得到生产线工作效率偏差预测模型;并基于所述生产线工作效率偏差预测模型,确定所述生产线检修时间;
在所述生产线工作效率偏差模型中生产线工作时刻为工作效率偏差值的自变量,
根据所述生产线工作效率偏差模型和新的生产线工作效率偏差模型,得到新的生产线工作效率偏差预测模型,包括:
确定目标时刻与目标时刻对应的工作效率偏差值,其中,所述新的生产线工作效率偏差模型与所述生产线工作效率偏差模型在所述目标时刻的工作效率偏差值相同,且,所述目标时刻至最新已发生时刻之间不存在任一时刻满足所述新的生产线工作效率偏差模型与所述生产线工作效率偏差模型的工作效率偏差值相同的情况;
基于所述新的生产线工作效率偏差模型,得到生产线工作效率偏差预测模型斜率;
根据所述生产线工作效率偏差预测模型斜率、所述目标时刻与所述目标时刻对应的工作效率偏差值,得到所述新的生产线工作效率偏差预测模型,其中,新的生产线工作效率偏差预测模型为,其中,/>表示时间标签/>对应的工作效率偏差预测值,且,为新的生产线工作效率偏差预测模型,/>为目标时刻,/>为目标时刻对应的工作效率偏差值,/>为生产线工作效率偏差预测模型斜率。
2.根据权利要求1所述的基于多设备信息的检修时间预测方法,其特征在于,在所述基于所述生产线工作效率偏差预测模型,确定所述生产线检修时间之后,还包括:
根据新获取的多个矿山设备各自的实时处理砂石数据和新获取的所述多个矿山设备各自的所述矿山设备实时工作效率,判断所述生产线工作效率偏差预测模型是否需要被校正;
若是,则基于新获取的所述多个矿山设备各自的实时处理砂石数据和新获取的所述多个矿山设备各自的矿山设备实时工作效率,对所述生产线工作效率偏差预测模型进行校正,得到新的生产线工作效率偏差预测模型。
3.根据权利要求1所述的基于多设备信息的检修时间预测方法,其特征在于,在根据多个矿山设备各自的实时处理砂石数据与全部所述矿山设备实时工作效率,得到生产线工作效率偏差模型之后,还包括:
根据所述生产线工作效率偏差模型,通过平滑处理,得到新的生产线工作效率偏差模型;
相应的,所述根据所述生产线工作效率偏差模型,得到生产线工作效率偏差预测模型,包括:
根据所述生产线工作效率偏差模型和所述新的生产线工作效率偏差模型,得到新的生产线工作效率偏差预测模型。
4.根据权利要求1所述的基于多设备信息的检修时间预测方法,其特征在于,在获取每一矿山设备对应的预测实时处理砂石数据之前,还包括:
获取生产线对应的实时待处理砂石数据,其中,生产线至少包括以固定顺序设置的多个矿山设备;
相应的,获取每一矿山设备对应的预测实时处理砂石数据,包括:
根据所述生产线对应的实时待处理砂石数据,以所述固定顺序依次确定每一矿山设备的预测实时处理砂石数据。
5.根据权利要求4所述的基于多设备信息的检修时间预测方法,其特征在于,在所述根据所述生产线对应的实时待处理砂石数据,以所述固定顺序依次确定每一矿山设备的预测实时处理砂石数据之前,还包括:
实时获取全部矿山设备各自对应的工作功率;
相应的,所述根据所述生产线对应的实时待处理砂石数据,以所述固定顺序依次确定每一矿山设备的预测实时处理砂石数据,包括:
基于所述生产线的待处理砂石数据和所述全部矿山设备各自对应的工作功率,以所述固定顺序确定每一矿山设备的预测处理砂石数据。
6.根据权利要求4所述的基于多设备信息的检修时间预测方法,其特征在于,在获取每一矿山设备的实际实时处理砂石数据之前,还包括:
获取每一矿山设备对应的设备输出端砂石影像,其中,所述设备输出端砂石影像的拍摄角度垂直于设备输出端砂石的传送方向;
相应的,获取每一矿山设备的实际实时处理砂石数据,包括:
根据所述生产线的实时待处理砂石数据、全部所述矿山设备对应的输出端砂石影像,以所述固定顺序依次得到每一矿山设备的实际处理砂石数据。
7.一种基于多设备信息的检修时间预测装置,其特征在于,包括:
实时数据获取模块,用于获取每一矿山设备的实际实时处理砂石数据与预测实时处理砂石数据,所述实际实时处理砂石数据为矿山设备在单位时间内实际处理前后砂石平均体积的变化量;所述预测实时处理砂石数据为预测的矿山设备在单位时间内处理前后砂石平均体积的变化量;
实时工作效率获取模块,用于根据所述每一矿山设备对应的实际实时处理砂石数据与预测实时处理砂石数据,确定矿山设备实时工作效率;
生产线检修时间确定模块,用于根据全部矿山设备各自对应的实时处理砂石数据与矿山设备实时工作效率,确定生产线检修时间,其中,所述实时处理砂石数据包括实际实时处理砂石数据或预测实时处理砂石数据;
所述生产线检修时间确定模块在执行所述根据全部矿山设备各自对应的实时处理砂石数据与矿山设备实时工作效率,确定生产线检修时间时,用于:
根据全部矿山设备各自对应的实时处理砂石数据与矿山设备实时工作效率,得到生产线工作效率偏差模型,其中,所述生产线工作效率偏差模型表征生产线对应的实际的相关数据偏离预测的相关数据的整体偏离程度;
根据所述生产线工作效率偏差模型,得到生产线工作效率偏差预测模型;并基于所述生产线工作效率偏差预测模型,确定所述生产线检修时间;
在所述生产线工作效率偏差模型中生产线工作时刻为工作效率偏差值的自变量,
根据所述生产线工作效率偏差模型和新的生产线工作效率偏差模型,得到新的生产线工作效率偏差预测模型,包括:
确定目标时刻与目标时刻对应的工作效率偏差值,其中,所述新的生产线工作效率偏差模型与所述生产线工作效率偏差模型在所述目标时刻的工作效率偏差值相同,且,所述目标时刻至最新已发生时刻之间不存在任一时刻满足所述新的生产线工作效率偏差模型与所述生产线工作效率偏差模型的工作效率偏差值相同的情况;
基于所述新的生产线工作效率偏差模型,得到生产线工作效率偏差预测模型斜率;
根据所述生产线工作效率偏差预测模型斜率、所述目标时刻与所述目标时刻对应的工作效率偏差值,得到所述新的生产线工作效率偏差预测模型,其中,新的生产线工作效率偏差预测模型为,其中,/>表示时间标签/>对应的工作效率偏差预测值,且,为新的生产线工作效率偏差预测模型,/>为目标时刻,/>为目标时刻对应的工作效率偏差值,/>为生产线工作效率偏差预测模型斜率。
8.一种电子设备,其特征在于,包括:
至少一个处理器;
存储器;
至少一个应用程序,其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行权利要求1~6任一项所述的基于多设备信息的检修时间预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310520724.8A CN116227759B (zh) | 2023-05-10 | 2023-05-10 | 基于多设备信息的检修时间预测方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310520724.8A CN116227759B (zh) | 2023-05-10 | 2023-05-10 | 基于多设备信息的检修时间预测方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116227759A CN116227759A (zh) | 2023-06-06 |
CN116227759B true CN116227759B (zh) | 2023-08-04 |
Family
ID=86591507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310520724.8A Active CN116227759B (zh) | 2023-05-10 | 2023-05-10 | 基于多设备信息的检修时间预测方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116227759B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103278771A (zh) * | 2013-05-22 | 2013-09-04 | 广西电网公司电力科学研究院 | 工业现场三相异步电机异常状态的辨识方法 |
CN108182485A (zh) * | 2017-12-05 | 2018-06-19 | 中国电力科学研究院有限公司 | 一种配电网检修时机优化方法及系统 |
CN111309562A (zh) * | 2020-02-27 | 2020-06-19 | 上海上大鼎正软件股份有限公司 | 服务器故障的预测方法、装置、设备和存储介质 |
EP3968247A1 (en) * | 2019-06-21 | 2022-03-16 | Siemens Aktiengesellschaft | Power load data prediction method and device, and storage medium |
CN115345485A (zh) * | 2022-08-17 | 2022-11-15 | 珠海爱浦京软件股份有限公司 | 基于大数据的智能工厂设备数据分析管理系统及方法 |
-
2023
- 2023-05-10 CN CN202310520724.8A patent/CN116227759B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103278771A (zh) * | 2013-05-22 | 2013-09-04 | 广西电网公司电力科学研究院 | 工业现场三相异步电机异常状态的辨识方法 |
CN108182485A (zh) * | 2017-12-05 | 2018-06-19 | 中国电力科学研究院有限公司 | 一种配电网检修时机优化方法及系统 |
EP3968247A1 (en) * | 2019-06-21 | 2022-03-16 | Siemens Aktiengesellschaft | Power load data prediction method and device, and storage medium |
CN111309562A (zh) * | 2020-02-27 | 2020-06-19 | 上海上大鼎正软件股份有限公司 | 服务器故障的预测方法、装置、设备和存储介质 |
CN115345485A (zh) * | 2022-08-17 | 2022-11-15 | 珠海爱浦京软件股份有限公司 | 基于大数据的智能工厂设备数据分析管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116227759A (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111652367B (zh) | 一种数据处理方法及相关产品 | |
Chen et al. | Actnn: Reducing training memory footprint via 2-bit activation compressed training | |
CN110717585B (zh) | 神经网络模型的训练方法、数据处理方法和相关产品 | |
US20220066744A1 (en) | Automatic Derivation Of Software Engineering Artifact Attributes From Product Or Service Development Concepts | |
CN106775474B (zh) | 一种Nand Flash磨损均衡方法、装置及存储器 | |
CN113065810B (zh) | 检测包裹的方法、装置、计算设备、物流系统及存储介质 | |
CN116812492B (zh) | 一种传送带故障分析的方法、装置、电子设备及介质 | |
CN116227759B (zh) | 基于多设备信息的检修时间预测方法、装置和设备 | |
CA3135466A1 (en) | User loan willingness prediction method and device and computer system | |
CN114693678A (zh) | 工件质量智能检测方法、装置 | |
CN116842349B (zh) | 一种智能故障识别方法、装置、设备和介质 | |
CN113469025A (zh) | 应用于车路协同的目标检测方法、装置、路侧设备和车辆 | |
CN111310121A (zh) | 一种新能源出力概率预测方法和系统 | |
CN113570168B (zh) | 料位矫正方法、装置及电子设备 | |
JP6981061B2 (ja) | 生産計画生成プログラム、生産計画生成方法及び生産計画生成装置 | |
CN111898626B (zh) | 模型确定方法、装置和电子设备 | |
WO2021097494A2 (en) | Distributed training of multi-modal machine learning models | |
CN116550466B (zh) | 重介分选智能化操控方法、操控系统、设备和介质 | |
CN113408754A (zh) | 一种基于大数据的再生资源回收系统及方法 | |
CN112183644B (zh) | 指标稳定性的监控方法、装置、计算机设备及介质 | |
CN112598273A (zh) | 一种智能运输调度方法、系统、介质及电子设备 | |
CN111640096A (zh) | 电子产品外观的检测方法、装置及终端 | |
CN116091263B (zh) | 光伏电站的理论功率计算方法及相关设备 | |
CN116273425B (zh) | 一种制砂楼的控制方法及控制系统 | |
US20240144074A1 (en) | Methods, systems, articles of manufacture and apparatus to manage training for machine learning models |
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 |