CN116360375B - 太阳能光伏组件的可重复性制造控制方法及其系统 - Google Patents
太阳能光伏组件的可重复性制造控制方法及其系统 Download PDFInfo
- Publication number
- CN116360375B CN116360375B CN202310604531.0A CN202310604531A CN116360375B CN 116360375 B CN116360375 B CN 116360375B CN 202310604531 A CN202310604531 A CN 202310604531A CN 116360375 B CN116360375 B CN 116360375B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- load
- equipment
- low
- photovoltaic 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.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 628
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000011156 evaluation Methods 0.000 claims abstract description 122
- 238000012546 transfer Methods 0.000 claims abstract description 112
- 238000012216 screening Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims description 41
- 238000004088 simulation Methods 0.000 claims description 37
- 238000012360 testing method Methods 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 30
- 230000008859 change Effects 0.000 claims description 26
- 238000009825 accumulation Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000009472 formulation Methods 0.000 claims description 12
- 239000000203 mixture Substances 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 239000003921 oil Substances 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 230000004888 barrier function Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000010720 hydraulic oil Substances 0.000 description 2
- 239000010687 lubricating oil Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000007888 film coating Substances 0.000 description 1
- 238000009501 film coating Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- G06Q50/04—Manufacturing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Optimization (AREA)
- Biophysics (AREA)
- Pure & Applied Mathematics (AREA)
- Biomedical Technology (AREA)
- Manufacturing & Machinery (AREA)
- Computational Mathematics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
Abstract
本发明公开了太阳能光伏组件的可重复性制造控制方法及其系统,涉及光伏生产控制技术领域,包括:预测每个光伏制造设备的设备压力系数;根据设备压力系数的大小判定超负荷光伏制造设备,并将超负荷光伏制造设备所在光伏组件生产线标记为目标生产线;筛选在非目标生产线中与超负荷光伏制造设备具备相同职能的光伏制造设备,根据其设备压力系数的大小获取若干个低负荷光伏制造设备;预测若干个低负荷光伏制造设备的设备参数信息,并生成可重复制造评价系数;将可重复制造评价系数与预设可重复性评价阈值比对分析,以生成可重复性评价判断结果;依据可重复性评价判断结果控制转运装置。
Description
技术领域
本发明涉及光伏生产控制技术领域,尤其涉及太阳能光伏组件的可重复性制造控制方法及其系统。
背景技术
随着碳排放量的不断提高以及国家对新能源技术的不断扶持,以太阳能光伏组件为代表的新能源设备得到快速发展和普及,使得人们对太阳能电池板等光伏组件的需求日益增加,因此如何实现对光伏组件的增量增产成为当下研究热点,当前同类型或不同类型光伏组件的生产线大都独立运行,但同类型或不同类型光伏组件的生产线中的部分制造设备却存在着相同的生产功能或职能,因此,如何提高生产线与生产线之间的联动性,以控制不同生产线中具有相同生产功能或职能的低负荷制造设备进行可重复制造就变得尤为重要。
当前,现有的光伏生产线的制造控制系统大多针对单条光伏生产线进行控制设计,例如授权公告号CN111443670B的中国专利公开了一种光伏玻璃镀膜生产线的控制方法及装置,该发明虽然通过在PLC模块中加入辊道智能控制策略,缩短玻璃基板之间的间距传送时间,提高了单条光伏玻璃镀膜生产线的工作效率,但此类发明仅能实现对单条生产线的控制优化,无法促进对多条光伏生产线的联合控制,无法实现对生产资源的合理分配,从而难以实现对每条光伏生产线中每个设备的可重复性使用控制,进而难以进一步提高光伏组件制造厂的生产效率。
鉴于此,本发明提出太阳能光伏组件的可重复性制造控制方法及其系统以解决上述问题。
发明内容
本发明的目的是解决现有技术中存在的缺陷,而提出的太阳能光伏组件的可重复性制造控制方法及其系统。
为了实现上述目的,本发明采用了如下技术方案:
太阳能光伏组件的可重复性制造控制方法,包括如下步骤:
S110:根据回归预测模型预测在未来T时间范围下若干个光伏组件生产线中每个光伏制造设备的设备压力系数TQ;
S120:根据所述光伏制造设备的设备压力系数的大小,判定是否将对应光伏制造设备标记为超负荷光伏制造设备,并将超负荷光伏制造设备所在光伏组件生产线标记目标生产线;
S130:筛选在非目标生产线中与所述超负荷光伏制造设备具备相同职能的光伏制造设备,根据所述具备相同职能的光伏制造设备的设备压力系数GQ的大小,判定是否将具备相同职能的光伏制造设备标记为低负荷光伏制造设备,以得到若干个低负荷光伏制造设备;
S140:根据预构建神经网络参数预测模型预测在未来T时间范围下若干个所述低负荷光伏制造设备的设备参数信息,基于所述设备参数信息生成若干个所述低负荷光伏制造设备的可重复制造评价系数;
S150:将若干个所述低负荷光伏制造设备的可重复制造评价系数与预设可重复性评价阈值比对分析,以生成可重复性评价判断结果,所述可重复性评价判断结果包括可重复性标记和不可重复性标记;
S160:依据可重复性评价判断结果控制转运装置将所述超负荷光伏制造设备的生产任务传输至所述低负荷光伏制造设备。
进一步地,在根据回归预测模型预测在未来T时间范围下若干个光伏组件生产线中每个光伏制造设备的设备压力系数TQ之前,还包括:
获取每个光伏组件生产线中每个光伏制造设备的基本信息,每个所述光伏制造设备的基本信息包括生产任务堆积量、生产时间间隔差和生产效率间隔差;
对每个所述光伏制造设备的基本信息无量纲化处理后进行公式化计算,以获取每个光伏制造设备的设备压力系数TQ,,式中:/>表示生产任务堆积量,/>表示生产时间间隔差,/>表示生产效率间隔差,/>、和/>为权重因子,/>。
进一步地,所述回归预测模型的构建过程如下:获取每一个光伏组件生产线中每个光伏制造设备的唯一标识码,以及每个光伏制造设备的在不同时间点下的设备压力系数TQ,将每个光伏制造设备的唯一标识码和每个光伏制造设备在不同时间点下的设备压力系数TQ划分为70%的压力系数训练集和30%的压力系数测试集;构建回归模型网络,将70%的压力系数训练集输入所述回归模型网络进行训练,以得到初始回归模型;利用30%的压力系数测试集对所述初始回归模型进行测试,输出满足预设压力测试准确度的最优初始回归模型作为回归预测模型;
所述回归模型网络为线性回归、决策树、支持向量机或随机森林模型中的一种。
进一步地,判定是否将具备相同职能的光伏制造设备标记为低负荷光伏制造设备,还包括:
根据预设设备压力阈值Th1设置预设设备压力阈值Th2,Th1>Th2,将低负荷光伏制造设备的设备压力系数与预设设备压力阈值Th2进行比较,若低负荷光伏制造设备的设备压力系数小于预设设备压力阈值Th1且大于预设设备压力阈值Th2,则将对应低负荷光伏制造设备标记为中低负荷光伏制造设备类型,若低负荷光伏制造设备的设备压力系数小于等于预设设备压力阈值Th2,则将对应低负荷光伏制造设备标记为超低负荷光伏制造设备类型。
进一步地,所述设备参数信息包括设备振动差变化数据、设备温度数据和设备油液量数据;
所述神经网络参数预测模型的构建过程如下:
获取每个所述低负荷光伏制造设备的编号,以及每个所述低负荷光伏制造设备在不同时间点下的设备振动差变化数据、设备温度数据和设备油液量数据;将每个在不同时间点下的设备振动差变化数据、设备温度数据和设备油液量数据划分为70%的参数训练集和30%的参数测试集,构建循环神经网络,将70%的参数训练集输入所述循环神经网络进行训练,以得到初始神经网络参数预测模型,利用30%的参数测试集对所述初始神经网络参数预测模型进行测试,输出满足预设参数准确定度的初始神经网络参数预测模型作为神经网络参数预测模型。
进一步地,基于所述设备参数信息生成若干个所述低负荷光伏制造设备的可重复制造评价系数,包括:
获取每个所述低负荷光伏制造设备的负荷类别数据;
具体地,所述负荷类别数据包括中低负荷光伏制造设备类型和超低负荷光伏制造设备类型;
对每个所述低负荷光伏制造设备的负荷类别数据以及设备参数信息无量纲化处理后进行公式化计算,以获取每个所述低负荷光伏制造设备的可重复制造评价系数WQ,,式中:/>表示负荷类别数据,当负荷类别数据为中低负荷光伏制造设备类型时,所述负荷类别数据取6.183,当负荷类别数据为超低负荷光伏制造设备类型时,所述负荷类别数据取3.149,/>表示设备温度数据,表示振动差变化数据, />表示设备油液量数据,/>、/>、/>和/>为权重因子,/>。
进一步地,所述可重复性评价判断结果的生成过程具体如下:
设置预设可重复性评价阈值ZT,将每个所述低负荷光伏制造设备的可重复制造评价系数与预设可重复性评价阈值ZT进行比较,若所述低负荷光伏制造设备的可重复制造评价系数小于预设可重复性评价阈值ZT,则判断所述低负荷光伏制造设备为可重复性制造设备,并对对应低负荷光伏制造设备进行可重复性标记;若所述低负荷光伏制造设备的可重复制造评价系数大于等于预设可重复性评价阈值ZT,则判断所述低负荷光伏制造设备为不可重复性制造设备,并对对应低负荷光伏制造设备进行不可重复性标记。
进一步地,所述方法还包括:
筛选出可重复性评价判断结果中若干个具有可重复性标记的低负荷光伏制造设备;
采集若干个具有可重复性标记的低负荷光伏制造设备与超负荷光伏制造设备的距离数据,并获取若干个具有可重复性标记的低负荷光伏制造设备与超负荷光伏制造设备的若干个障碍信息;
根据若干个障碍信息为每个所述转运装置生成转运路线,以得到若干条转运路线;
将若干条转运路线输入预构建数字仿真模型中进行模拟,以获取每条转运路线的模拟运行数据,所述模拟运行数据包括转运装置的转运时长和转运装置的跑偏次数;
根据模拟运行数据和距离数据进行最优选性分析,以获取最优转运路线;
根据最优转运路线控制转运装置将所述超负荷光伏制造设备的生产任务传输至所述低负荷光伏制造设备。
进一步地,根据模拟运行数据和距离数据进行最优选性分析,包括:
对距离数据、转运装置的转运时长和转运装置的跑偏次数无量纲化处理后进行公式化计算,以获取最优选性评价系数CQ,,式中:/>表示距离数据,/>表示转运装置的转运时长,/>表示转运装置的跑偏次数,/>、/>和/>为权重因子,/>;
设置最优选性评价阈值ST,将每个最优选性评价系数CQ与最优选性评价阈值ST的差值标记为最优评价差值,针对每个最优评价差值从小到大进行排序,筛选第一排序最优评价差值对应的转运路线为最优转运路线。
太阳能光伏组件的可重复性控制系统,其基于上述任意一项所述的太阳能光伏组件的可重复性制造控制方法实现,所述系统包括:
第一预测模块,用于根据回归预测模型预测在未来T时间范围下若干个光伏组件生产线中每个光伏制造设备的设备压力系数TQ;
第一判断模块,用于根据所述光伏制造设备的设备压力系数的大小,判定是否将对应光伏制造设备标记为超负荷光伏制造设备,并将超负荷光伏制造设备所在光伏组件生产线标记目标生产线;
第一筛选模块,用于筛选在非目标生产线中与所述超负荷光伏制造设备具备相同职能的光伏制造设备,根据所述具备相同职能的光伏制造设备的设备压力系数GQ的大小,判定是否将具备相同职能的光伏制造设备标记为低负荷光伏制造设备,以得到若干个低负荷光伏制造设备;
第二预测模块,用于根据预构建神经网络参数预测模型预测在未来T时间范围下若干个所述低负荷光伏制造设备的设备参数信息,基于所述设备参数信息生成若干个所述低负荷光伏制造设备的可重复制造评价系数;
第二判断模块,用于将若干个所述低负荷光伏制造设备的可重复制造评价系数与预设可重复性评价阈值比对分析,以生成可重复性评价判断结果,所述可重复性评价判断结果包括可重复性标记和不可重复性标记;
第一控制模块,用于依据可重复性评价判断结果控制转运装置将所述超负荷光伏制造设备的生产任务传输至所述低负荷光伏制造设备;
所述系统还包括:
第二筛选模块,用于筛选出可重复性评价判断结果中若干个具有可重复性标记的低负荷光伏制造设备;
数据采集模块,用于采集若干个具有可重复性标记的低负荷光伏制造设备与超负荷光伏制造设备的距离数据,并获取若干个具有可重复性标记的低负荷光伏制造设备与超负荷光伏制造设备的若干个障碍信息;
路线生成模块,用于根据若干个障碍信息为每个所述转运装置生成转运路线,以得到若干条转运路线;
仿真模拟模块,用于将若干条转运路线输入预构建数字仿真模型中进行模拟,以获取每条转运路线的模拟运行数据,所述模拟运行数据包括转运装置的转运时长和转运装置的跑偏次数;
数据分析模块,用于根据模拟运行数据和距离数据进行最优选性分析,以获取最优转运路线;
第二控制模块,用于根据最优转运路线控制转运装置将所述超负荷光伏制造设备的生产任务传输至所述低负荷光伏制造设备。
相比于现有技术,本发明的有益效果在于:
(1)本申请公开了太阳能光伏组件的可重复性制造控制方法及其系统,其通过获取每个光伏制造设备的设备压力系数TQ,并根据其确定超负荷光伏制造设备,之后筛选在非目标生产线中与所述超负荷光伏制造设备具备相同职能的光伏制造设备,并提取其中的低负荷光伏制造设备,接着对若干个低负荷光伏制造设备进行可重复性制造评价判断,以获取可重复性评价判断结果,最后根据可重复性评价判断结果控制转运装置将所述超负荷光伏制造设备的生产任务传输至具有可重复性标记的低负荷光伏制造设备,本发明有利于提高生产线与生产线之间的联动性,有利于控制不同生产线中具有相同生产功能或职能的低负荷制造设备进行可重复制造。
(2)本申请公开了太阳能光伏组件的可重复性制造控制方法及其系统,通过筛选出若干个具有可重复性标记的低负荷光伏制造设备,并采集若干个具有可重复性标记的低负荷光伏制造设备与超负荷光伏制造设备间的距离数据和障碍信息,接着根据若干个障碍信息为每个所述转运装置生成若干条转运路线,之后将若干条转运路线输入预构建数字仿真模型中进行模拟,以获取模拟运行数据,然后通过模拟运行数据和距离数据进行最优选性分析,以获取最优转运路线,最后根据最优转运路线控制转运装置将所述超负荷光伏制造设备的生产任务传输至具有可重复性标记的低负荷光伏制造设备,本发明有利于实现对转运装置的高可靠性控制,进而有利于促进对多条光伏生产线的联合控制,实现对生产资源的合理分配,进一步提高光伏组件制造厂的生产效率。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明实施例1提出的太阳能光伏组件的可重复性制造控制方法的整体流程图;
图2为本发明实施例2提出的太阳能光伏组件的可重复性制造控制方法的整体流程图;
图3为本发明实施例3提出的太阳能光伏组件的可重复性制造控制系统的整体结构示意图;
图4为本发明实施例4提出的太阳能光伏组件的可重复性制造控制系统的整体结构示意图。
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。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例1
请参阅图1所示,本实施例公开提供了太阳能光伏组件的可重复性制造控制方法,包括:
S110:根据回归预测模型预测在未来T时间范围下若干个光伏组件生产线中每个光伏制造设备的设备压力系数TQ;
需要说明的是:若干个光伏组件生产线可以为同类型生产工艺的光伏组件生产线,也可以为不同类型生产工艺的光伏组件生产线,但所有光伏组件生产线中必须存在至少一个具备相同职能的光伏制造设备;
具体地,在根据回归预测模型预测在未来T时间范围下若干个光伏组件生产线中每个光伏制造设备的设备压力系数TQ之前,还包括:
获取每个光伏组件生产线中每个光伏制造设备的基本信息,每个所述光伏制造设备的基本信息包括生产任务堆积量、生产时间间隔差和生产效率间隔差;
需要说明的是:生产任务堆积量是指在某一光伏组件生产线的某一生产环节中,该生产环节对应的光伏制造设备在一定时间条件下需生产处理光伏组件的总数;生产时间间隔差是指在生产任务堆积量条件确定的情况下,前一光伏组件的生产制造时间与后一光伏组件的生产制造时间的间隔差值;举例说明就是,假设Q为第J个光伏组件的制造完成时间,而R为第J+1个光伏组件的制造完成时间,则∣R-Q∣为生产时间间隔差;同理,生产效率间隔差也是如此,本发明对此不做过多赘述;
对每个所述光伏制造设备的基本信息无量纲化处理后进行公式化计算,以获取每个光伏制造设备的设备压力系数TQ,,式中:/>表示生产任务堆积量,/>表示生产时间间隔差,/>表示生产效率间隔差,/>、和/>为权重因子,/>。
具体地,所述回归预测模型的构建过程如下:获取每一个光伏组件生产线中每个光伏制造设备的唯一标识码,以及每个光伏制造设备的在不同时间点下的设备压力系数TQ,将每个光伏制造设备的唯一标识码和每个光伏制造设备在不同时间点下的设备压力系数TQ划分为70%的压力系数训练集和30%的压力系数测试集;构建回归模型网络,将70%的压力系数训练集输入所述回归模型网络进行训练,以得到初始回归模型;利用30%的压力系数测试集对所述初始回归模型进行测试,输出满足预设压力测试准确度的最优初始回归模型作为回归预测模型;
所述回归模型网络为线性回归、决策树、支持向量机或随机森林模型中的一种;
需要说明的是:每个光伏制造设备的唯一标识码为数值类型,用于识别每个光伏制造设备的身份信息,所述身份信息包括但不限于设备职能、设备编号和设备归属产线等等。
S120:根据所述光伏制造设备的设备压力系数的大小,判定是否将对应光伏制造设备标记为超负荷光伏制造设备,并将超负荷光伏制造设备所在光伏组件生产线标记目标生产线;
需要说明的是:判定是否将对应光伏制造设备标记为超负荷光伏制造设备的具体过程如下:设置预设设备压力阈值Th1,将每个所述光伏制造设备的设备压力系数与预设设备压力阈值Th1进行比较,若光伏制造设备的设备压力系数/>大于预设设备压力阈值Th1,则将对应光伏制造设备标记为超负荷光伏制造设备,若光伏制造设备的设备压力系数/>小于预设设备压力阈值Th1,则判断对应光伏制造设备为非超负荷状态;通过将每个所述光伏制造设备的设备压力系数/>与预设设备压力阈值Th1进行比较,本发明能够快速确定和筛选出光伏组件生产线中的超负荷光伏制造设备;
S130:筛选在非目标生产线中与所述超负荷光伏制造设备具备相同职能的光伏制造设备,根据所述具备相同职能的光伏制造设备的设备压力系数GQ的大小,判定是否将具备相同职能的光伏制造设备标记为低负荷光伏制造设备,以得到若干个低负荷光伏制造设备;
需要说明的是:判定是否将具备相同职能的光伏制造设备标记为低负荷光伏制造设备,包括:获取预设设备压力阈值Th1,将具备相同职能的光伏制造设备的设备压力系数GQ与预设设备压力阈值Th1进行比较,若具备相同职能的光伏制造设备的设备压力系数GQ小于预设设备压力阈值Th1,则将具备相同职能的光伏制造设备标记为低负荷光伏制造设备;
具体地,判定是否将具备相同职能的光伏制造设备标记为低负荷光伏制造设备,还包括:
根据预设设备压力阈值Th1设置预设设备压力阈值Th2,Th1>Th2,将低负荷光伏制造设备的设备压力系数与预设设备压力阈值Th2进行比较,若低负荷光伏制造设备的设备压力系数小于预设设备压力阈值Th1且大于预设设备压力阈值Th2,则将对应低负荷光伏制造设备标记为中低负荷光伏制造设备类型,若低负荷光伏制造设备的设备压力系数小于等于预设设备压力阈值Th2,则将对应低负荷光伏制造设备标记为超低负荷光伏制造设备类型;
需要说明的是:所述超低负荷光伏制造设备是指该光伏制造设备的负荷很小,无限接近于或等于空闲状态;通过将具备相同职能的光伏制造设备的设备压力系数GQ与预设设备压力阈值Th1进行比较,本发明能够快速筛选出与超负荷光伏制造设备具备相同职能的低负荷光伏制造设备;此外通过设置预设设备压力阈值Th2,并将低负荷光伏制造设备的设备压力系数与预设设备压力阈值Th2进行再一次比较,从而有利于为后续低负荷光伏制造设备的可重复性评价提供重要数据支持;
还需要说明的是:所述具备相同职能的光伏制造设备的设备压力系数GQ与低负荷光伏制造设备的设备压力系数均通过所述回归预测模型预测得到;
S140:根据预构建神经网络参数预测模型预测在未来T时间范围下若干个所述低负荷光伏制造设备的设备参数信息,基于所述设备参数信息生成若干个所述低负荷光伏制造设备的可重复制造评价系数;
需要说明的是:所述设备参数信息包括设备振动差变化数据、设备温度数据和设备油液量数据;
具体地,所述神经网络参数预测模型的构建过程如下:
获取每个所述低负荷光伏制造设备的编号,以及每个所述低负荷光伏制造设备在不同时间点下的设备振动差变化数据、设备温度数据和设备油液量数据;将每个在不同时间点下的设备振动差变化数据、设备温度数据和设备油液量数据划分为70%的参数训练集和30%的参数测试集,构建循环神经网络,将70%的参数训练集输入所述循环神经网络进行训练,以得到初始神经网络参数预测模型,利用30%的参数测试集对所述初始神经网络参数预测模型进行测试,输出满足预设参数准确定度的初始神经网络参数预测模型作为神经网络参数预测模型;
需要说明的是:所述设备振动差变化数据根据低负荷光伏制造设备在不同时间点下的第一振动数据和第二振动数据得到,举例来说就是,假设需要获取M时间点下的设备振动差变化数据,则通过振动传感器获取M-N时刻下的振动数据和M时刻下的振动数据(N为M的前一时刻),并将M-N时刻下的振动数据标记为第一振动数据,将M时刻下的振动数据标记为第二振动数据,将第一振动数据与第二振动数据的绝对差值作为设备振动差变化数据;
还需要说明的是:设备油液量数据包括润滑油量数据、液压油量数据和动力油量数据;
具体地,基于所述设备参数信息生成若干个所述低负荷光伏制造设备的可重复制造评价系数,包括:
获取每个所述低负荷光伏制造设备的负荷类别数据;
具体地,所述负荷类别数据包括中低负荷光伏制造设备类型和超低负荷光伏制造设备类型;
对每个所述低负荷光伏制造设备的负荷类别数据以及设备参数信息无量纲化处理后进行公式化计算,以获取每个所述低负荷光伏制造设备的可重复制造评价系数WQ,,式中:/>表示负荷类别数据,当负荷类别数据为中低负荷光伏制造设备类型时,所述负荷类别数据取6.183,当负荷类别数据为超低负荷光伏制造设备类型时,所述负荷类别数据取3.149,/>表示设备温度数据,表示振动差变化数据, />表示设备油液量数据,/>、/>、/>和/>为权重因子,/>。
S150:将若干个所述低负荷光伏制造设备的可重复制造评价系数与预设可重复性评价阈值比对分析,以生成可重复性评价判断结果,所述可重复性评价判断结果包括可重复性标记和不可重复性标记;
需要说明的是:所述可重复性评价判断结果的生成过程具体如下:
设置预设可重复性评价阈值ZT,将每个所述低负荷光伏制造设备的可重复制造评价系数与预设可重复性评价阈值ZT进行比较,若所述低负荷光伏制造设备的可重复制造评价系数小于预设可重复性评价阈值ZT,则判断所述低负荷光伏制造设备为可重复性制造设备,并对对应低负荷光伏制造设备进行可重复性标记;若所述低负荷光伏制造设备的可重复制造评价系数大于等于预设可重复性评价阈值ZT,则判断所述低负荷光伏制造设备为不可重复性制造设备,并对对应低负荷光伏制造设备进行不可重复性标记;
S160:依据可重复性评价判断结果控制转运装置将所述超负荷光伏制造设备的生产任务传输至所述低负荷光伏制造设备;
通过获取每个光伏制造设备的设备压力系数TQ,并根据其确定超负荷光伏制造设备,之后筛选在非目标生产线中与所述超负荷光伏制造设备具备相同职能的光伏制造设备,并提取其中的低负荷光伏制造设备,接着对若干个低负荷光伏制造设备进行可重复性制造评价判断,以获取可重复性评价判断结果,最后根据可重复性评价判断结果控制转运装置将所述超负荷光伏制造设备的生产任务传输至所述低负荷光伏制造设备,本发明有利于提高生产线与生产线之间联动性,有利于控制不同生产线中相同生产功能或职能的低负荷制造设备进行可重复制造。
实施例2
请参阅图2所示,本实施例公开提供了太阳能光伏组件的可重复性制造控制方法,本实施例是在实施例1的基础之上做出的进一步改进,实施例1未考虑不同光伏组件生产线间的距离因素,且未考虑在实际光伏生产工厂中不同光伏组件生产线间的障碍因素,因此本实施例主要围绕上述因素进行设计改进,以实现获取最佳可重复性制造设备,以及转运装置的最佳控制路线,进而控制不同生产线中具有相同生产功能或职能的低负荷制造设备进行高可行性的可重复制造,所述方法还包括:
筛选出可重复性评价判断结果中若干个具有可重复性标记的低负荷光伏制造设备;
采集若干个具有可重复性标记的低负荷光伏制造设备与超负荷光伏制造设备间的距离数据,并获取若干个具有可重复性标记的低负荷光伏制造设备与超负荷光伏制造设备间的若干个障碍信息;
根据若干个障碍信息为每个所述转运装置生成转运路线,以得到若干条转运路线;
需要说明的是:所述若干条转运路线根据Dijkstra算法或A*算法自动生成,因此本发明对此不做过多赘述;
将若干条转运路线输入预构建数字仿真模型中进行模拟,以获取每条转运路线的模拟运行数据,所述模拟运行数据包括转运装置的转运时长和转运装置的跑偏次数;
需要说明的是:所述数字仿真模型具体为光伏组件制造厂的三维仿真模型,其至少包括若干条生产线、每条生产线的若干个光伏制造设备以及若干个转运装置;还需要说明的是,所述数字仿真模型通过各类传感器获取光伏组件制造厂的运行信息,并根据运行信息进行实时虚拟模拟;所述各类传感器包括但不限于图像传感器、电流电压传感器、振动传感器等等,在此不做过多赘述;
根据模拟运行数据和距离数据进行最优选性分析,以获取最优转运路线;
具体地,根据模拟运行数据和距离数据进行最优选性分析,包括:
对距离数据、转运装置的转运时长和转运装置的跑偏次数无量纲化处理后进行公式化计算,以获取最优选性评价系数CQ,,式中:/>表示距离数据,/>表示转运装置的转运时长,/>表示转运装置的跑偏次数,/>、/>和/>为权重因子,/>;
设置最优选性评价阈值ST,将每个最优选性评价系数CQ与最优选性评价阈值ST的差值标记为最优评价差值,针对每个最优评价差值从小到大进行排序,筛选第一排序最优评价差值对应的转运路线为最优转运路线;
根据最优转运路线控制转运装置将所述超负荷光伏制造设备的生产任务传输至所述低负荷光伏制造设备;
通过筛选出若干个为可重复性标记的低负荷光伏制造设备,并采集若干个为可重复性标记的低负荷光伏制造设备与超负荷光伏制造设备间的距离数据和障碍信息,接着根据若干个障碍信息为每个所述转运装置生成若干条转运路线,之后将若干条转运路线输入预构建数字仿真模型中进行模拟,以获取模拟运行数据,然后通过模拟运行数据和距离数据进行最优选性分析,以获取最优转运路线,最后根据最优转运路线控制转运装置将所述超负荷光伏制造设备的生产任务传输至所述低负荷光伏制造设备,本发明有利于实现对转运装置的高可靠性控制,进而有利于促进对多条光伏生产线的联合控制,实现对生产资源的合理分配,进一步提高光伏组件制造厂的生产效率。
实施例3
请参阅图3所示,本实施例公开提供了太阳能光伏组件的可重复性制造控制系统,包括:
第一预测模块210,用于根据回归预测模型预测在未来T时间范围下若干个光伏组件生产线中每个光伏制造设备的设备压力系数TQ;
需要说明的是:若干个光伏组件生产线可以为同类型生产工艺的光伏组件生产线,也可以为不同类型生产工艺的光伏组件生产线,但所有光伏组件生产线中必须存在至少一个具备相同职能的光伏制造设备;
具体地,在根据回归预测模型预测在未来T时间范围内若干个光伏组件生产线中每个光伏制造设备的设备压力系数TQ之前,还包括:
获取每个光伏组件生产线中每个光伏制造设备的基本信息,每个所述光伏制造设备的基本信息包括生产任务堆积量、生产时间间隔差和生产效率间隔差;
需要说明的是:生产任务堆积量是指在某一光伏组件生产线的某一生产环节中,该生产环节对应光伏制造设备的在一定时间条件下需生产处理光伏组件总数;生产时间间隔差是指在生产任务堆积量条件确定下,前一光伏组件的生产制造时间与后一光伏组件的生产制造时间的间隔差值;举例说明就是,假设Q为第J个光伏组件的制造完成时间,而R为第J+1个光伏组件的制造完成时间,则∣R-Q∣为生产时间间隔差;同理,生产效率间隔差也是如此,本发明对此不做过多赘述;
对每个所述光伏制造设备的基本信息无量纲化处理后进行公式化计算,以获取每个光伏制造设备的设备压力系数TQ,,式中:/>表示生产任务堆积量,/>表示生产时间间隔差,/>表示生产效率间隔差,/>、和/>为权重因子,/>。
具体地,所述回归预测模型的构建过程如下:获取每一个光伏组件生产线中每个光伏制造设备的唯一标识码,以及每个光伏制造设备的在不同时间点下的设备压力系数TQ,将每个光伏制造设备的唯一标识码和每个光伏制造设备在不同时间点下的设备压力系数TQ划分为70%的压力系数训练集和30%的压力系数测试集;构建回归模型网络,将70%的压力系数训练集输入所述回归模型网络进行训练,以得到初始回归模型;利用30%的压力系数测试集对所述初始回归模型进行测试,输出满足预设压力测试准确度的最优初始回归模型作为回归预测模型;
所述回归模型网络为线性回归、决策树、支持向量机或随机森林模型中的一种;
需要说明的是:每个光伏制造设备的唯一标识码为数值类型,用于识别每个光伏制造设备的身份信息,所述身份信息包括但不限于设备职能、设备编号和设备归属产线等等。
第一判断模块220,用于根据所述光伏制造设备的设备压力系数的大小,判定是否将对应光伏制造设备标记为超负荷光伏制造设备,并将超负荷光伏制造设备所在光伏组件生产线标记目标生产线;
需要说明的是:判定是否将对应光伏制造设备标记为超负荷光伏制造设备的具体过程如下:设置预设设备压力阈值Th1,将每个所述光伏制造设备的设备压力系数与预设设备压力阈值Th1进行比较,若光伏制造设备的设备压力系数/>大于预设设备压力阈值Th1,则将对应光伏制造设备标记为超负荷光伏制造设备,若光伏制造设备的设备压力系数/>小于预设设备压力阈值Th1,则判断对应光伏制造设备非超负荷状态;通过将每个所述光伏制造设备的设备压力系数/>与预设设备压力阈值Th1进行比较,本发明能够快速确定和筛选出光伏组件生产线中的超负荷光伏制造设备;
第一筛选模块230,用于筛选在非目标生产线中与所述超负荷光伏制造设备具备相同职能的光伏制造设备,根据所述具备相同职能的光伏制造设备的设备压力系数GQ的大小,判定是否将具备相同职能的光伏制造设备标记为低负荷光伏制造设备,以得到若干个低负荷光伏制造设备;
需要说明的是:判定是否将具备相同职能的光伏制造设备标记为低负荷光伏制造设备,包括:获取预设设备压力阈值Th1,将具备相同职能的光伏制造设备的设备压力系数GQ与预设设备压力阈值Th1进行比较,若具备相同职能的光伏制造设备的设备压力系数GQ小于预设设备压力阈值Th1,则将具备相同职能的光伏制造设备标记为低负荷光伏制造设备;
具体地,判定是否将具备相同职能的光伏制造设备标记为低负荷光伏制造设备,还包括:
根据预设设备压力阈值Th1设置预设设备压力阈值Th2,Th1>Th2,将低负荷光伏制造设备的设备压力系数与预设设备压力阈值Th2进行比较,若低负荷光伏制造设备的设备压力系数小于预设设备压力阈值Th1且大于预设设备压力阈值Th2,则将对应低负荷光伏制造设备标记为中低负荷光伏制造设备类型,若低负荷光伏制造设备的设备压力系数小于等于预设设备压力阈值Th2,则将对应低负荷光伏制造设备标记为超低负荷光伏制造设备类型;
需要说明的是:所述超低负荷光伏制造设备是指该光伏制造设备的负荷很小,无限接近于或等于空闲状态;通过将具备相同职能的光伏制造设备的设备压力系数GQ与预设设备压力阈值Th1进行比较,本发明能够快速筛选出与高负荷光伏制造设备具备相同职能的低负荷光伏制造设备;此外通过设置预设设备压力阈值Th2,并将低负荷光伏制造设备的设备压力系数与预设设备压力阈值Th2进行再一次比较,从而有利于为后续低负荷光伏制造设备的可重复性评价提供重要数据支持;
还需要说明的是:所述具备相同职能的光伏制造设备的设备压力系数GQ与低负荷光伏制造设备的设备压力系数均通过所述回归预测模型预测得到;
第二预测模块240,用于根据预构建神经网络参数预测模型预测在未来T时间范围下若干个所述低负荷光伏制造设备的设备参数信息,基于所述设备参数信息生成若干个所述低负荷光伏制造设备的可重复制造评价系数;
需要说明的是:所述设备参数信息包括设备振动差变化数据、设备温度数据和设备油液量数据;
具体地,所述神经网络参数预测模型的构建过程如下:
获取每个所述低负荷光伏制造设备的编号,以及每个所述低负荷光伏制造设备在不同时间点下的设备振动差变化数据、设备温度数据和设备油液量数据;将每个在不同时间点下的设备振动差变化数据、设备温度数据和设备油液量数据划分为70%的参数训练集和30%的参数测试集,构建循环神经网络,将70%的参数训练集输入所述循环神经网络进行训练,以得到初始神经网络参数预测模型,利用30%的参数测试集对所述初始神经网络参数预测模型进行测试,输出满足预设参数准确定度的初始神经网络参数预测模型作为神经网络参数预测模型;
需要说明的是:所述设备振动差变化数据根据低负荷光伏制造设备在不同时间点下的第一振动数据和第二振动数据得到,举例来说就是,假设需要获取M时间点下的设备振动差变化数据,则通过振动传感器获取M-N时刻下的振动数据和M时刻下的振动信息(N为M的前一时刻),并将M-N时刻下的振动数据标记为第一振动数据,将M时刻下的振动信息的标记为第二振动数据,将第一振动数据与第二振动数据的绝对差值作为设备振动差变化数据;
还需要说明的是:设备油液量数据包括润滑油量数据、液压油量数据和动力油量数据;
具体地,基于所述设备参数信息生成若干个所述低负荷光伏制造设备的可重复制造评价系数,包括:
获取每个所述低负荷光伏制造设备的负荷类别数据;
具体地,所述负荷类别数据包括中低负荷光伏制造设备类型和超低负荷光伏制造设备类型;
对每个所述低负荷光伏制造设备的负荷类别数据以及设备参数信息无量纲化处理后进行公式化计算,以获取每个所述低负荷光伏制造设备的可重复制造评价系数WQ,,式中:/>表示负荷类别数据,当负荷类别数据为中低负荷光伏制造设备类型时,所述负荷类别数据取6.183,当负荷类别数据为超低负荷光伏制造设备类型时,所述负荷类别数据取3.149,/>表示设备温度数据,表示振动差变化数据, />表示设备油液量数据,/>、/>、/>和/>为权重因子,/>。
第二判断模块250,用于将若干个所述低负荷光伏制造设备的可重复制造评价系数与预设可重复性评价阈值比对分析,以生成可重复性评价判断结果,所述可重复性评价判断结果包括可重复性标记和不可重复性标记;
需要说明的是:所述可重复性评价判断结果的生成过程具体如下:
设置预设可重复性评价阈值ZT,将每个所述低负荷光伏制造设备的可重复制造评价系数与预设可重复性评价阈值ZT进行比较,若所述低负荷光伏制造设备的可重复制造评价系数小于预设可重复性评价阈值ZT,则判断所述低负荷光伏制造设备为可重复性制造设备,并对对应低负荷光伏制造设备进行可重复性标记;若所述低负荷光伏制造设备的可重复制造评价系数大于等于预设可重复性评价阈值ZT,则判断所述低负荷光伏制造设备为不可重复性制造设备,并对对应低负荷光伏制造设备进行不可重复性标记;
第一控制模块260,用于依据可重复性评价判断结果控制转运装置将所述超负荷光伏制造设备的生产任务传输至具有可重复性标记的低负荷光伏制造设备。
实施例4
请参阅图4所示,本实施例公开提供了太阳能光伏组件的可重复性制造控制系统,本实施例是在实施例3的基础之上做出的进一步改进,实施例3未考虑不同光伏组件生产线间的距离因素,且未考虑在实际光伏生产工厂中不同光伏组件生产线间的障碍因素,因此本实施例主要围绕上述因素进行设计改进,以实现获取最佳可重复性制造设备,以及转运装置的最佳控制路线,进而控制不同生产线中相同生产功能或职能的低负荷制造设备进行高可行性的可重复制造,所述系统还包括:
第二筛选模块310,用于筛选出可重复性评价判断结果中若干个具有可重复性标记的低负荷光伏制造设备;
数据采集模块320,用于采集若干个具有可重复性标记的低负荷光伏制造设备与超负荷光伏制造设备间的距离数据,并获取若干个具有可重复性标记的低负荷光伏制造设备与超负荷光伏制造设备间的若干个障碍信息;
路线生成模块330,用于根据若干个障碍信息为每个所述转运装置生成转运路线,以得到若干条转运路线;
需要说明的是:所述若干条转运路线根据Dijkstra算法或A*算法自动生成,因此本申请对此不做过多赘述;
仿真模拟模块340,用于将若干条转运路线输入预构建数字仿真模型中进行模拟,以获取每条转运路线的模拟运行数据,所述模拟运行数据包括转运装置的转运时长和转运装置的跑偏次数;
需要说明的是:所述数字仿真模型具体为光伏组件制造厂的三维仿真模型,其至少包括若干条生产线、每条生产线的若干个光伏制造设备以及若干个转运装置;还需要说明的是,所述数字仿真模型通过各类传感器获取光伏组件制造厂的运行信息,并根据运行信息进行实时虚拟模拟;所述各类传感器包括但不限于图像传感器、电流电压传感器、振动传感器等等,在此不做过多赘述;
数据分析模块350,用于根据模拟运行数据和距离数据进行最优选性分析,以获取最优转运路线;
具体地,根据模拟运行数据和距离数据进行最优选性分析,包括:
对距离数据、转运装置的转运时长和转运装置的跑偏次数无量纲化处理后进行公式化计算,以获取最优选性评价系数CQ,,式中:/>表示距离数据,/>表示转运装置的转运时长,/>表示转运装置的跑偏次数,/>、/>和/>为权重因子,/>;
设置最优选性评价阈值ST,将每个最优选性评价系数CQ与最优选性评价阈值ST的差值标记为最优评价差值,针对每个最优评价差值从小到大进行排序,筛选第一排序最优评价差值对应的转运路线为最优转运路线;
第二控制模块360,用于根据最优转运路线控制转运装置将所述超负荷光伏制造设备的生产任务传输至所述具有可重复性标记的低负荷光伏制造设备。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (7)
1.太阳能光伏组件的可重复性制造控制方法,其特征在于,包括如下步骤:
根据回归预测模型预测在未来T时间范围下若干个光伏组件生产线中每个光伏制造设备的设备压力系数TQ;其中,
在根据回归预测模型预测在未来T时间范围下若干个光伏组件生产线中每个光伏制造设备的设备压力系数TQ之前,还包括:
获取每个光伏组件生产线中每个光伏制造设备的基本信息,每个所述光伏制造设备的基本信息包括生产任务堆积量、生产时间间隔差和生产效率间隔差;
对每个所述光伏制造设备的基本信息无量纲化处理后进行公式化计算,以获取每个光伏制造设备的设备压力系数TQ,,式中:/>表示生产任务堆积量,/>表示生产时间间隔差,/>表示生产效率间隔差,/>、/>和/>为权重因子,/>;
所述回归预测模型的构建过程如下:获取每一个光伏组件生产线中每个光伏制造设备的唯一标识码,以及每个光伏制造设备的在不同时间点下的设备压力系数TQ,将每个光伏制造设备的唯一标识码和每个光伏制造设备在不同时间点下的设备压力系数TQ划分为70%的压力系数训练集和30%的压力系数测试集;构建回归模型网络,将70%的压力系数训练集输入所述回归模型网络进行训练,以得到初始回归模型;利用30%的压力系数测试集对所述初始回归模型进行测试,输出满足预设压力测试准确度的最优初始回归模型作为回归预测模型;
根据所述光伏制造设备的设备压力系数的大小,判定是否将对应光伏制造设备标记为超负荷光伏制造设备,并将超负荷光伏制造设备所在光伏组件生产线标记目标生产线;
筛选在非目标生产线中与所述超负荷光伏制造设备具备相同职能的光伏制造设备,根据所述具备相同职能的光伏制造设备的设备压力系数GQ的大小,判定是否将具备相同职能的光伏制造设备标记为低负荷光伏制造设备,以得到若干个低负荷光伏制造设备;
根据预构建神经网络参数预测模型预测在未来T时间范围下若干个所述低负荷光伏制造设备的设备参数信息,基于所述设备参数信息生成若干个所述低负荷光伏制造设备的可重复制造评价系数;所述设备参数信息包括设备振动差变化数据、设备温度数据和设备油液量数据;所述神经网络参数预测模型的构建过程如下:
获取每个所述低负荷光伏制造设备的编号,以及每个所述低负荷光伏制造设备在不同时间点下的设备振动差变化数据、设备温度数据和设备油液量数据;将每个在不同时间点下的设备振动差变化数据、设备温度数据和设备油液量数据划分为70%的参数训练集和30%的参数测试集,构建循环神经网络,将70%的参数训练集输入所述循环神经网络进行训练,以得到初始神经网络参数预测模型,利用30%的参数测试集对所述初始神经网络参数预测模型进行测试,输出满足预设参数准确定度的初始神经网络参数预测模型作为神经网络参数预测模型;
基于所述设备参数信息生成若干个所述低负荷光伏制造设备的可重复制造评价系数,包括:
获取每个所述低负荷光伏制造设备的负荷类别数据;
所述负荷类别数据包括中低负荷光伏制造设备类型和超低负荷光伏制造设备类型;
对每个所述低负荷光伏制造设备的负荷类别数据以及设备参数信息无量纲化处理后进行公式化计算,以获取每个所述低负荷光伏制造设备的可重复制造评价系数WQ,,式中:/>表示负荷类别数据,当负荷类别数据为中低负荷光伏制造设备类型时,所述负荷类别数据取6.183,当负荷类别数据为超低负荷光伏制造设备类型时,所述负荷类别数据取3.149,/>表示设备温度数据,/>表示振动差变化数据, />表示设备油液量数据,/>、/>、/>和/>为权重因子,;
将若干个所述低负荷光伏制造设备的可重复制造评价系数与预设可重复性评价阈值比对分析,以生成可重复性评价判断结果,所述可重复性评价判断结果包括可重复性标记和不可重复性标记;
依据可重复性评价判断结果控制转运装置将所述超负荷光伏制造设备的生产任务传输至所述低负荷光伏制造设备。
2.根据权利要求1所述的太阳能光伏组件的可重复性制造控制方法,其特征在于,所述回归模型网络为线性回归、决策树、支持向量机或随机森林模型中的一种。
3.根据权利要求2所述的太阳能光伏组件的可重复性制造控制方法,其特征在于,判定是否将具备相同职能的光伏制造设备标记为低负荷光伏制造设备,还包括:
根据预设设备压力阈值Th1设置预设设备压力阈值Th2,Th1>Th2,将低负荷光伏制造设备的设备压力系数与预设设备压力阈值Th2进行比较,若低负荷光伏制造设备的设备压力系数小于预设设备压力阈值Th1且大于预设设备压力阈值Th2,则将对应低负荷光伏制造设备标记为中低负荷光伏制造设备类型,若低负荷光伏制造设备的设备压力系数小于等于预设设备压力阈值Th2,则将对应低负荷光伏制造设备标记为超低负荷光伏制造设备类型。
4.根据权利要求3所述的太阳能光伏组件的可重复性制造控制方法,其特征在于,所述可重复性评价判断结果的生成过程具体如下:
设置预设可重复性评价阈值ZT,将每个所述低负荷光伏制造设备的可重复制造评价系数与预设可重复性评价阈值ZT进行比较,若所述低负荷光伏制造设备的可重复制造评价系数小于预设可重复性评价阈值ZT,则判断所述低负荷光伏制造设备为可重复性制造设备,并对对应低负荷光伏制造设备进行可重复性标记;若所述低负荷光伏制造设备的可重复制造评价系数大于等于预设可重复性评价阈值ZT,则判断所述低负荷光伏制造设备为不可重复性制造设备,并对对应低负荷光伏制造设备进行不可重复性标记。
5.根据权利要求4所述的太阳能光伏组件的可重复性制造控制方法,其特征在于,所述方法还包括:
筛选出可重复性评价判断结果中若干个具有可重复性标记的低负荷光伏制造设备;
采集若干个具有可重复性标记的低负荷光伏制造设备与超负荷光伏制造设备的距离数据,并获取若干个具有可重复性标记的低负荷光伏制造设备与超负荷光伏制造设备之间的若干个障碍信息;
根据若干个障碍信息为每个所述转运装置生成转运路线,以得到若干条转运路线;
将若干条转运路线输入预构建数字仿真模型中进行模拟,以获取每条转运路线的模拟运行数据,所述模拟运行数据包括转运装置的转运时长和转运装置的跑偏次数;
根据模拟运行数据和距离数据进行最优选性分析,以获取最优转运路线;
根据最优转运路线控制转运装置将所述超负荷光伏制造设备的生产任务传输至所述低负荷光伏制造设备。
6.根据权利要求5所述的太阳能光伏组件的可重复性制造控制方法,其特征在于,根据模拟运行数据和距离数据进行最优选性分析,包括:
对距离数据、转运装置的转运时长和转运装置的跑偏次数无量纲化处理后进行公式化计算,以获取最优选性评价系数CQ,,式中:/>表示距离数据,/>表示转运装置的转运时长,/>表示转运装置的跑偏次数,、/>和/>为权重因子,/>;
设置最优选性评价阈值ST,将每个最优选性评价系数CQ与最优选性评价阈值ST的差值标记为最优评价差值,针对每个最优评价差值从小到大进行排序,筛选第一排序最优评价差值对应的转运路线为最优转运路线。
7.太阳能光伏组件的可重复性制造控制系统,其基于权利要求1至6任意一项所述的太阳能光伏组件的可重复性制造控制方法实现,其特征在于,所述系统包括:
第一预测模块,用于根据回归预测模型预测在未来T时间范围下若干个光伏组件生产线中每个光伏制造设备的设备压力系数TQ;其中,
在根据回归预测模型预测在未来T时间范围下若干个光伏组件生产线中每个光伏制造设备的设备压力系数TQ之前,还包括:
获取每个光伏组件生产线中每个光伏制造设备的基本信息,每个所述光伏制造设备的基本信息包括生产任务堆积量、生产时间间隔差和生产效率间隔差;
对每个所述光伏制造设备的基本信息无量纲化处理后进行公式化计算,以获取每个光伏制造设备的设备压力系数TQ,,式中:/>表示生产任务堆积量,/>表示生产时间间隔差,/>表示生产效率间隔差,/>、/>和/>为权重因子,/>;
所述回归预测模型的构建过程如下:获取每一个光伏组件生产线中每个光伏制造设备的唯一标识码,以及每个光伏制造设备的在不同时间点下的设备压力系数TQ,将每个光伏制造设备的唯一标识码和每个光伏制造设备在不同时间点下的设备压力系数TQ划分为70%的压力系数训练集和30%的压力系数测试集;构建回归模型网络,将70%的压力系数训练集输入所述回归模型网络进行训练,以得到初始回归模型;利用30%的压力系数测试集对所述初始回归模型进行测试,输出满足预设压力测试准确度的最优初始回归模型作为回归预测模型;
第一判断模块,用于根据所述光伏制造设备的设备压力系数的大小,判定是否将对应光伏制造设备标记为超负荷光伏制造设备,并将超负荷光伏制造设备所在光伏组件生产线标记为目标生产线;
第一筛选模块,用于筛选在非目标生产线中与所述超负荷光伏制造设备具备相同职能的光伏制造设备,根据所述具备相同职能的光伏制造设备的设备压力系数GQ的大小,判定是否将具备相同职能的光伏制造设备标记为低负荷光伏制造设备,以得到若干个低负荷光伏制造设备;
第二预测模块,用于根据预构建神经网络参数预测模型预测在未来T时间范围下若干个所述低负荷光伏制造设备的设备参数信息,基于所述设备参数信息生成若干个所述低负荷光伏制造设备的可重复制造评价系数;所述设备参数信息包括设备振动差变化数据、设备温度数据和设备油液量数据;所述神经网络参数预测模型的构建过程如下:
获取每个所述低负荷光伏制造设备的编号,以及每个所述低负荷光伏制造设备在不同时间点下的设备振动差变化数据、设备温度数据和设备油液量数据;将每个在不同时间点下的设备振动差变化数据、设备温度数据和设备油液量数据划分为70%的参数训练集和30%的参数测试集,构建循环神经网络,将70%的参数训练集输入所述循环神经网络进行训练,以得到初始神经网络参数预测模型,利用30%的参数测试集对所述初始神经网络参数预测模型进行测试,输出满足预设参数准确定度的初始神经网络参数预测模型作为神经网络参数预测模型;
基于所述设备参数信息生成若干个所述低负荷光伏制造设备的可重复制造评价系数,包括:
获取每个所述低负荷光伏制造设备的负荷类别数据;
所述负荷类别数据包括中低负荷光伏制造设备类型和超低负荷光伏制造设备类型;
对每个所述低负荷光伏制造设备的负荷类别数据以及设备参数信息无量纲化处理后进行公式化计算,以获取每个所述低负荷光伏制造设备的可重复制造评价系数WQ,,式中:/>表示负荷类别数据,当负荷类别数据为中低负荷光伏制造设备类型时,所述负荷类别数据取6.183,当负荷类别数据为超低负荷光伏制造设备类型时,所述负荷类别数据取3.149,/>表示设备温度数据,/>表示振动差变化数据, />表示设备油液量数据,/>、/>、/>和/>为权重因子,;
第二判断模块,用于将若干个所述低负荷光伏制造设备的可重复制造评价系数与预设可重复性评价阈值比对分析,以生成可重复性评价判断结果,所述可重复性评价判断结果包括可重复性标记和不可重复性标记;
第一控制模块,用于依据可重复性评价判断结果控制转运装置将所述超负荷光伏制造设备的生产任务传输至所述低负荷光伏制造设备;
所述系统还包括:
第二筛选模块,用于筛选出可重复性评价判断结果中若干个具有可重复性标记的低负荷光伏制造设备;
数据采集模块,用于采集若干个具有可重复性标记的低负荷光伏制造设备与超负荷光伏制造设备的距离数据,并获取若干个具有可重复性标记的低负荷光伏制造设备与超负荷光伏制造设备的若干个障碍信息;
路线生成模块,用于根据若干个障碍信息为每个所述转运装置生成转运路线,以得到若干条转运路线;
仿真模拟模块,用于将若干条转运路线输入预构建数字仿真模型中进行模拟,以获取每条转运路线的模拟运行数据,所述模拟运行数据包括转运装置的转运时长和转运装置的跑偏次数;
数据分析模块,用于根据模拟运行数据和距离数据进行最优选性分析,以获取最优转运路线;
第二控制模块,用于根据最优转运路线控制转运装置将所述超负荷光伏制造设备的生产任务传输至所述低负荷光伏制造设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310604531.0A CN116360375B (zh) | 2023-05-26 | 2023-05-26 | 太阳能光伏组件的可重复性制造控制方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310604531.0A CN116360375B (zh) | 2023-05-26 | 2023-05-26 | 太阳能光伏组件的可重复性制造控制方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116360375A CN116360375A (zh) | 2023-06-30 |
CN116360375B true CN116360375B (zh) | 2023-08-11 |
Family
ID=86910655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310604531.0A Active CN116360375B (zh) | 2023-05-26 | 2023-05-26 | 太阳能光伏组件的可重复性制造控制方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116360375B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116759355B (zh) * | 2023-08-18 | 2023-10-24 | 泓浒(苏州)半导体科技有限公司 | 一种晶圆传送控制方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109375601A (zh) * | 2018-11-13 | 2019-02-22 | 华中科技大学 | 基于数据驱动建模与仿真优化的流水线规划方法及设备 |
CN111103860A (zh) * | 2020-01-15 | 2020-05-05 | 江苏古卓科技有限公司 | 一种基于数字孪生平台的工厂管理系统及方法 |
CN113837532A (zh) * | 2021-08-16 | 2021-12-24 | 青岛农业大学 | 一种作业车间动态调度系统 |
WO2022037234A1 (zh) * | 2020-08-19 | 2022-02-24 | 中国能源建设集团湖南省电力设计院有限公司 | 一种面向优质供电服务的主配一体化负荷转供方法 |
CN114355858A (zh) * | 2022-01-18 | 2022-04-15 | 苏州慧工云信息科技有限公司 | 抽屉生产线自动控制方法及抽屉生产线设备 |
CN116070876A (zh) * | 2023-03-06 | 2023-05-05 | 浪潮通用软件有限公司 | 一种基于瓶颈设备能力的排产优化方法、设备及介质 |
-
2023
- 2023-05-26 CN CN202310604531.0A patent/CN116360375B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109375601A (zh) * | 2018-11-13 | 2019-02-22 | 华中科技大学 | 基于数据驱动建模与仿真优化的流水线规划方法及设备 |
CN111103860A (zh) * | 2020-01-15 | 2020-05-05 | 江苏古卓科技有限公司 | 一种基于数字孪生平台的工厂管理系统及方法 |
WO2022037234A1 (zh) * | 2020-08-19 | 2022-02-24 | 中国能源建设集团湖南省电力设计院有限公司 | 一种面向优质供电服务的主配一体化负荷转供方法 |
CN113837532A (zh) * | 2021-08-16 | 2021-12-24 | 青岛农业大学 | 一种作业车间动态调度系统 |
CN114355858A (zh) * | 2022-01-18 | 2022-04-15 | 苏州慧工云信息科技有限公司 | 抽屉生产线自动控制方法及抽屉生产线设备 |
CN116070876A (zh) * | 2023-03-06 | 2023-05-05 | 浪潮通用软件有限公司 | 一种基于瓶颈设备能力的排产优化方法、设备及介质 |
Non-Patent Citations (1)
Title |
---|
北京某大型市政污水厂超负荷运行能力的模拟评估;郝晓地;蔡正清;朱向东;马文瑾;李佟;;中国给水排水(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116360375A (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106447098B (zh) | 一种光伏超短期功率预测方法及装置 | |
CN106529719B (zh) | 基于粒子群优化算法风速融合的风电功率预测的方法 | |
CN116360375B (zh) | 太阳能光伏组件的可重复性制造控制方法及其系统 | |
CN111445110A (zh) | 基于电缆沟道的环境风险决策方法、装置、计算机设备 | |
CN102411729B (zh) | 基于自适应线性逻辑网络的风电功率预测方法 | |
CN113610243B (zh) | 基于耦合机器学习和相关性分析的大气污染物溯源方法 | |
CN109389238B (zh) | 一种基于岭回归的短期负荷预测方法及装置 | |
CN105262441B (zh) | 基于红外图像的光伏阵列故障等级划分方法 | |
CN111652835A (zh) | 基于深度学习与聚类的输电线路绝缘子缺失的检测方法 | |
CN113283547B (zh) | 一种基于多任务深度学习的最优潮流计算方法 | |
CN110705727A (zh) | 基于随机森林算法的光伏电站阴影遮挡诊断方法及系统 | |
CN111882202A (zh) | 一种基于bp神经网络的群体建筑同步建造风险管理系统 | |
CN104102951A (zh) | 一种基于emd历史数据预处理的短期风电功率预测方法 | |
CN116317943A (zh) | 一种光伏阵列热斑检测方法 | |
CN104077489A (zh) | 一种能耗设备能效分析方法及其分析系统 | |
CN116826979B (zh) | 一种分布式光伏电站的电能质量控制方法及系统 | |
CN106018731A (zh) | 一种煤质挥发分、固定碳在线检测方法及系统 | |
CN112531679A (zh) | 一种测负荷特征大数据监测设备及监测方法 | |
CN115809795B (zh) | 一种基于数字化的生产班组的承载能力评估方法和装置 | |
CN117114438A (zh) | 一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法 | |
CN115952989A (zh) | 基于数字孪生的自然灾害应急调度系统 | |
Jun-Ma et al. | Photovoltaic power generation prediction based on MEA-BP neural network | |
CN115545962A (zh) | 一种基于多传感器系统的作物生长周期管控方法及系统 | |
CN115392714A (zh) | 一种基于fassa-svm的输电线路故障评估方法 | |
CN115564180A (zh) | 一种基于大数据分析的电力网络可靠性评估方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |