CN116777086B - 基于多模数据的钢结构智能生产线预测性维护方法及系统 - Google Patents
基于多模数据的钢结构智能生产线预测性维护方法及系统 Download PDFInfo
- Publication number
- CN116777086B CN116777086B CN202311068478.3A CN202311068478A CN116777086B CN 116777086 B CN116777086 B CN 116777086B CN 202311068478 A CN202311068478 A CN 202311068478A CN 116777086 B CN116777086 B CN 116777086B
- Authority
- CN
- China
- Prior art keywords
- data
- production line
- evaluation data
- change rate
- evaluation
- 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 134
- 238000012423 maintenance Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 29
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 18
- 239000010959 steel Substances 0.000 title claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 119
- 230000008859 change Effects 0.000 claims abstract description 53
- 238000012544 monitoring process Methods 0.000 claims description 54
- 238000007781 pre-processing Methods 0.000 claims description 17
- 230000005856 abnormality Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- XKJMBINCVNINCA-UHFFFAOYSA-N Alfalone Chemical compound CON(C)C(=O)NC1=CC=C(Cl)C(Cl)=C1 XKJMBINCVNINCA-UHFFFAOYSA-N 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 4
- 238000009472 formulation Methods 0.000 abstract description 4
- 239000000203 mixture Substances 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 239000000463 material Substances 0.000 description 9
- 238000002360 preparation method Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000003466 welding 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
Abstract
本发明公开了一种基于多模数据的钢结构智能生产线预测性维护方法及系统。使用本发明能够有效改善现有传统方法中存在的预测故障率和插补缺失值带来的不确定性的缺陷,实现钢结构智能生产线预测性维护方案的科学精准制定,偏差小。本发明根据数据自动辨识最佳模型,根据多类型的生产线评估数据,建立f(X)的多项式形式,所述的f(X)的多项式形式包括各类型的生产线评估数据之间的N种非线性组合形式。本发明能自动地辨识各类型的生产线评估数据之间的变化特征规律,从而实施灵活地维护预测预警。
Description
技术领域
本发明涉及智能生产线检修维护技术领域,具体涉及基于多模数据的钢结构智能生产线预测性维护方法及系统。
背景技术
智能生产线预测性维护技术是针对生产线运作管理中的监督或预测技术问题,设计专门适用于监督或预测目的的数据处理系统或方法,实现对生产线的状态监督和维护时点预测,从而实现生产线的智能化维护。现有的钢结构智能生产线预测性维护技术中,存在两方面技术缺陷,一方面是预测故障率使用机器学习方法,在划分训练接和预测集时有不确定性,对评估结果和维护方案制定有不良影响;另一方面,在监测数据的预处理阶段需要插补缺失值,不同插值方法对评估结果和维护方案也会产生不确定影响。这两方面缺陷导致钢结构智能生产线预测性维护方案制定不理想,维护方案有偏差的技术问题。因此,需要一种新的方法实现钢结构智能生产线预测性维护方案的科学精准制定。
发明内容
有鉴于此,针对生产线运作管理中的监督或预测技术问题,本发明提供了一种基于多模数据的钢结构智能生产线预测性维护方法及系统,通过微分方程预测技术,有效改善/克服现有传统方法中存在的预测故障率和插补缺失值带来的不确定性的缺陷,实现对钢结构智能生产线的状态监督和维护时点预测,从而实现钢结构智能生产线预测性维护方案的科学精准制定,偏差小。
本发明的基于多模数据的钢结构智能生产线预测性维护方法,包括:
步骤1,采集生产线的多种类型的自动监测数据;
步骤2,对采集的自动监测数据进行预处理,消除数据噪声并归一化,得到各类型生产线评估数据;
步骤3,建立各类型生产线评估数据的变化速率方程,所述变化速率方程为多项式f(X)叠加该类型生产线评估数据的噪声变量;其中,多项式f(X)中的变量X为X={x 1,x 2,x 3,…},x 1、x 2、x 3…分别为步骤2得到的各类型生产线评估数据;f(X)为所有变量x 1、x 2、x 3、…的多种非线性组合形式的叠加;
步骤4,基于步骤2的生产线评估数据的值,对各类型生产线评估数据的变化速率方程分别进行优化,具体为:
S41,针对生产线评估数据x 1,计算多项式的项数m分别取1,2,3,…时的指标H(m)和B(m);其中,
;
;
其中,P表示概率;为包含m项的多项式的最佳拟合模型的参数;/>为参数/>的先验分布;
的获取方法为:包含m项的多项式/>共有/>种组合,M为步骤3搭建的/>的总项数;分别对这/>种组合进行基于多元回归的参数/>估计,并计算;h最大时的一组参数/>即为/>;
S42,综合考虑指标H(m)和B(m),选取最优的m值;基于最优的m值及其对应的,得到生产线评估数据x 1的优化后的变化速率方程;
S43,按照S41和S42的方式,分别获取其余生产线评估数据x 2、x 3、…的优化后的变化速率方程;
步骤5,联立各类型生产线评估数据的优化后的变化速率方程,得到微分方程组Z;以当前时刻的各类型生产线评估数据为初始值,求解微分方程组Z,得到数值解集,得到各类型评估数据的预测轨迹,进而得到各类型评估数据的预测稳态值μ;
步骤6,基于步骤5得到的预测稳态值μ以及基于步骤2评估数据的样本标准差σ,构建稳定区间;基于所述稳定区间,判断监测数据是否异常,当任一类型自动监测数据不在其对应的稳定区间内,即发出报警,实施生产线检修维护。
较优的,所述步骤3中,所述非线性组合形式包括常数项、倒数项和幂次项。
较优的,所述步骤1中,监测数据包括振动监测数据、声音监测数据和温度监测数据。
较优的,振动监测数据为位移数据、速度数据或加速度数据;声音监测数据为声强数据或频率数据。
较优的,多项式f(X)为:
(1)
其中,V为振动评估数据;L为声音评估数据;F为温度评估数据;为系数,i=0,1,2,…,38。
较优的,多项式f(X)为:
(2)
其中,V为振动评估数据;L为声音评估数据;F为温度评估数据;为系数,i=0,1,2,…,32。
较优的,所述S41中,m<5。
较优的,所述S42中,在指标H(m)达到稳态的前提下,指标B(m)取得最大值时对应的m即为最优的m值。
较优的,所述步骤6中,构建的稳定区间为;其中,η为松紧度,当时,监测数据超出/>,为一般异常;当/>时,监测数据超出,为严重异常。
本发明还提供了一种采用上述方法的智能生产线预测性维护系统,包括:数据采集模块、数据预处理模块、预测模块和决策报警模块;
其中,数据采集模块用于采集生产线的多种类型的自动监测数据;
数据预处理模块用于对数据采集模块采集的数据进行预处理,得到各类型生产线评估数据;
预测模块用于构建各类型生产线评估数据的变化速率方程,并基于数据预处理模块的各类型生产线评估数据进行变化速率方程优化,然后基于优化后的各类型生产线评估数据的变化速率方程求解各类型评估数据的预测轨迹,得到各类型评估数据的预测稳态值,构建各类型评估数据的稳定区间;
决策报警模块用于判断下一个W单位时间段的监测中,是否有监测数据不在其稳定区间内,若超出其稳定区间,则发出报警,实施生产线检修维护。
有益效果:
(1)本发明的技术方案使用方便,操作简单,减少评估过程的不确定性,实现对生产线的状态和维护时点的高效监督和预测,使维护方案更理想。
本发明无需事前设定模型的具体形式,而是根据数据自动辨识最佳模型,专门用于对生产线的状态的监督和维护时点的预测。根据多类型的生产线评估数据,建立f(X)的多项式形式,所述的f(X)的多项式形式包括各类型的生产线评估数据之间的N种非线性组合形式。本发明能自动地辨识各类型的生产线评估数据之间的变化特征规律,从而实施灵活地维护预测预警。
(2)本发明提出了一种专门适用于智能生产线的状态监督或维护时点预测的数据处理系统和方法,本发明的技术方案可以实现动态实时预警,精度高,自动化程度高,科学制定预测性维护方案,节省生产线的损坏和维修成本。
本发明的技术方案可以实现生产线状态的动态监督和维护时点的自动预测报警,并且通过调节不同的松紧度(/>为一般异常,/>为严重异常),实现灵活和弹性监测预警。且任一类型的生产线评估数据不在其对应的稳定区间内,均则发出报警,实施生产线检修维护。
此外,传统的预测性维护方法,根据预测结果定期实施检修维护,维护次数和成本还是相对较高。本发明的技术方案,基于实时监测来进行动态预警,可以实现约2.7小时(10000秒)的提前预警。1个生产单元具有N条生产线,根据每条生产线所述的决策报警模块的输出结果,当需要实施检修维护的生产线数量大于等于1时,即发出警报,所述生产单元实施检修维护。1个生产区具有M个生产单元,根据每条生产线所述的决策报警模块的输出结果,当需要实施检修维护的生产单元数量大于等于1时,即发出警报,所述生产区实施检修维护。
根据预警对不同生产线、生产单元和生产区进行预测性维护,有预警则维护,无预警则无需维护,相对减少了维护次数,节约成本。
附图说明
图1为本发明方法的流程示意图。
图2为本发明实施例振动评估数据的变化速率方程优选示意图。
图3为本发明实施例声音评估数据的变化速率方程优选示意图。
图4为本发明实施例温度评估数据的变化速率方程优选示意图。
图5为本发明实施例的决策报警判断示意图。
图6为本发明实施例的生产区示意图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明提供了一种基于多模数据的钢结构智能生产线预测性维护方法,流程图如图1所示,具体包括:
步骤1:采集生产线的多种类型的自动监测数据。本实施例采集的自动监测数据包括振动监测数据、声音监测数据和温度监测数据,所述振动监测数据一般选择位移、速度或加速度数据,所述声音监测数据一般选择声强或频率数据。也可以根据需要,采集自动监测的其他类型数据,例如空气湿度、粉尘浓度、氧气浓度等。采集的监测数据类型越多,得到的维护方案越理想,但同时构建的多项式越复杂,求解越复杂,因此,需要合理挑选合适的数据类型组合。不同类型的监测数据,采样周期可以相同,也可以不同;为方便数据后续计算,不同采样周期的检测数据,通过插值等方式进行统一。
步骤2:对采集的自动监测数据进行预处理,消除数据噪声,得到生产线的评估数据。所述预处理包括去除异常值、数据去噪、数据归一化等。
本实施例中,生产线的评估数据包括振动评估数据V、声音评估数据L和温度评估数据F。
步骤3:建立各类型生产线评估数据的变化速率方程,所述变化速率方程为多项式f(X)叠加该类型生产线评估数据的噪声变量;其中,多项式f(X)的形式为:以步骤2得到的各类型生产线评估数据为变量X,即X={x 1,x 2,x 3,…},x 1、x 2、x 3…分别为步骤2得到的各类型生产线评估数据;所有变量x 1、x 2、x 3、…的多种非线性组合形式的叠加即为构建的多项式形式,所述非线性组合形式包括常数项、倒数项、一次幂项、两次幂项、三次幂项等等。
本实施例中,X={V,L,F},振动评估数据的变化速率方程,声音评估数据的变化速率方程/>,温度评估数据的变化速率方程,其中,/>、/>和/>是噪声变量,且是独立的高斯变量,他们的均值为0,方差等于样本数据方差,t取当前时刻/>及其前W单位时间,确定振动评估数据的样本标准差/>、声音评估数据的样本标准差/>和温度评估数据的样本标准差/>。其中,W单位时间为监测时间段,t、/>和W以秒为单位计量,W是10000秒的整数倍。
、/>、/>共用一个基本的/>形式,然后基于各自的数据样本得到不同的具体形式。本实施例中,/>的多项式形式包括振动评估数据V、声音评估数据L和温度评估数据F之间的N种非线性组合形式。其中,幂次项越高,越复杂,后续解算的数据量越大,需要根据实际情况,选择合适的最高次幂。当多项式的最高次幂为3时,/>包括39种多项式组合形式,如式(1)所示:
(1)
其中,表示系数,i=0,1,2,…,38;
当多项式的最高次幂为2时,包括33种多项式组合形式,如式(2)所示:
(2)
其中,表示系数,i=0,1,2,…,32;
步骤4,基于步骤2的生产线的评估数据的值,对各类型生产线评估数据的变化速率方程分别进行优化,具体为:
S41,针对生产线评估数据x 1,分别计算多项式的项数m分别取1,2,3,…时的指标H(m)和B(m);其中,
;
;
其中,P表示概率;表示包含m项式的最佳拟合模型的参数,即:对于包含m项式的的多项式形式,针对/>种组合的/>的多项式形式均进行基于多元回归的参数估计,得到多项式参数/>,M为/>的总项数;计算/>,当h最大时的一组参数/>即为/>;/>为包含m项式的最佳拟合模型的参数/>的先验分布。
S42,综合考虑指标H(m)和B(m),选取最优的m值,一般要求为:在指标H(m)达到稳态的前提下,指标B(m)取得最大值时对应的m即为最优的m值;基于最优m值及其对应的,得到生产线评估数据x 1的优化后的变化速率方程;
S43,按照S41和S42的方式,分别获取其余生产线评估数据x 2、x 3、…的优化后的变化速率方程。
本实施例中,以最高次幂为3的多项式式(1)为例,分别计算m=1,2,3,…时,含有m项的振动评估数据的变化速率方程的最佳拟合的指标H(m) 和B(m),其中,,/>;/>为:对于包含m项式的/>的多项式形式(式(1)),针对/>种组合的/>的多项式形式均进行多元回归参数估计,并计算/>,当h最大时对应的多项式参数/>即为/>;/>表示包含m项式的最佳拟合模型参数/>的先验分布;进而得到振动评估数据的优化后的变化速率方程/>。
同理,得到声音评估数据的优化后的变化速率方程和温度评估数据优化后的变化速率方程/>。
步骤5:建立微分方程组Z,即联立各类型生产线评估数据的优化后的变化速率方程;以当前时刻的各类型生产线评估数据为初始值,求解微分方程组Z,得到数值解集,得到各类型评估数据的预测轨迹,得到各类型评估数据的预测稳态值/>;
本实施例中,联立最优的振动评估数据的变化速率方程,最优的声音评估数据的变化速率方程/>,最优的温度评估数据的变化速率方程/>,以当前时刻/>的振动评估数据V、声音评估数据L和温度评估数据F为初始值,求解微分方程组Z,得到数值解集,得到振动评估数据V的预测轨迹、声音评估数据L的预测轨迹和温度评估数据F的预测轨迹,得到振动评估数据V的预测稳态值/>、声音评估数据L的预测稳态值/>和温度评估数据F的预测稳态值/>;
步骤6:基于步骤5得到的预测稳态值μ以及基于步骤2评估数据的样本标准差σ,构建稳定区间,若下一个W单位时间段的监测中,自动监测数据不在所述稳定区间内,即发出报警,实施生产线检修维护。
本实施例中,稳定区间取为;其中,η为松紧度,可以对η赋予不同的值,对异常的严重程度进行区分,可设置为/>为一般异常,/>为严重异常。
本实施例中,在下一个W单位时间段的监测中,当振动评估数据V不在、声音评估数据L不在/>和温度评估数据F不在任一条件满足,则发出报警,实施生产线检修维护。
下面结合具体数据进行详细说明:
在一个实施例中,振动评估数据V、声音评估数据L和温度评估数据F如表1所示。确定振动评估数据的样本标准差、声音评估数据的样本标准差/>和温度评估数据的样本标准差/>。
表1 振动评估数据V、声音评估数据L和温度评估数据F
基于公式(1)的多项式表述形式,分别计算m=1,2,3,4时指标H(m)和B(m);当m≥5时,多项式过于复杂,计算量巨大,因此,本实施例只计算到m=4,但得到的结果已足够精确。
图2为振动评估数据的变化速率方程的优选示意图,当m=4时,H(m)达到稳态,B(m)取得最大值,相应地,模型M4为最佳模型,得到最优的振动评估数据的变化速率方程为:
。
图3为声音评估数据的变化速率方程的优选示意图,当m=3时,H(m)达到稳态,B(m)取得最大值,相应地,模型M3为最佳模型,得到最优的声音评估数据的变化速率方程为:
。
图4为温度评估数据的变化速率方程的优选示意图,当m=4时,H(m)达到稳态,B(m)取得最大值,相应地,模型M4为最佳模型,得到最优的温度评估数据的变化速率方程为:
。
将最优的振动评估数据的变化速率方程、最优的声音评估数据的变化速率方程/>以及最优的温度评估数据的变化速率方程/>组成微分方程组Z,如下:
以当前时刻的振动评估数据V=5.1059、声音评估数据L=1.3161和温度评估数据F=3.9957为初始值,求解微分方程组Z,得到数值解集,得到当前时刻/>之后10000秒的预测数据,如图5所示。
得到振动评估数据V的预测轨迹、声音评估数据L的预测轨迹和温度评估数据F的预测轨迹,得到振动评估数据V的预测稳态值、声音评估数据L的预测稳态值和温度评估数据F的预测稳态值/>。
如图5所示,本实施例构建一般异常稳定区间,当V∉[2.7817, 11.3812]、L∉[0.8779, 1.8040]和F∉[1.5090, 13.1229]任一条件满足时,发出一般异常报警,实施生产线检修维护;构建严重异常稳定区间,当V∉[1.3484, 12.8144]、L∉[0.7235, 1.9583]和F∉[-0.4267, 15.0585]任一条件满足时,则发出严重异常报警,实施生产线检修维护。
本发明还提供了一种基于多模数据的钢结构智能生产线预测性维护系统,包括:数据采集模块、数据预处理模块、预测模块和决策报警模块;
其中,数据采集模块用于采集生产线的自动监测数据;
数据预处理模块用于对数据采集模块采集的数据进行预处理,得到生产线的评估数据;
预测模块用于构建各类型生产线评估数据的变化速率方程,并基于数据预处理模块的评估数据进行变化速率方程优化,然后基于优化后的变化速率方程求解各类型评估数据的预测轨迹,得到各类型评估数据的预测稳态值,构建各类型评估数据的稳定区间;
决策报警模块用于判断下一个W单位时间段的监测中,是否有监测数据不在其稳定区间内,若超出其稳定区间,则发出报警,实施生产线检修维护。
当1个生产单元具有N条生产线,则每个生产线配备一个预测性维护系统,根据每条生产线的决策报警模块的输出结果,当需要实施检修维护的生产线数量大于等于1时,所述生产单元实施检修维护。
当1个生产区具有M个生产单元,根据每条生产线所述的决策报警模块的输出结果,当需要实施检修维护的生产单元数量大于等于1时,所述生产区实施检修维护。
图6为一个生产区示意图,所述生产区包括7个生产单元:喷涂单元、大型构件喷涂区、自动拼装焊接单元、型材备料单元、板材备料单元、重型板材备料单元和桥梁生产区,每个生产区有若干条生产线,每条生产线均搭建预测性维护系统,根据每条生产线的决策报警模块的输出结果,当需要实施检修维护的生产线大于等于1时,即发出警报,所述生产区实施检修维护。
其中,型材备料单元包括建筑钢梁生产线和建筑钢柱生产线,根据每条生产线所述的决策报警模块的输出结果,当需要实施检修维护的生产线数量大于等于1时,即发出警报,所述型材备料单元实施检修维护。
板材备料单元包括异形构件生产线和成品构件仓库,根据每条生产线所述的决策报警模块的输出结果,当需要实施检修维护的生产线数量大于等于1时,即发出警报,所述板材备料单元实施检修维护。
重型板材备料单元包括桥梁生产线和H型钢生产线,根据每条生产线所述的决策报警模块的输出结果,当需要实施检修维护的生产线数量大于等于1时,即发出警报,所述重型板材备料单元实施检修维护。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多模数据的钢结构智能生产线预测性维护方法,其特征在于,包括:
步骤1,采集生产线的多种类型的自动监测数据;
步骤2,对采集的自动监测数据进行预处理,消除数据噪声并归一化,得到各类型生产线评估数据;
步骤3,建立各类型生产线评估数据的变化速率方程,所述变化速率方程为多项式f(X)叠加该类型生产线评估数据的噪声变量;其中,多项式f(X)中的变量X为X={x 1,x 2,x 3,…},x 1、x 2、x 3…分别为步骤2得到的各类型生产线评估数据;f(X)为所有变量x 1、x 2、x 3、…的多种非线性组合形式的叠加;
步骤4,基于步骤2的生产线评估数据的值,对各类型生产线评估数据的变化速率方程分别进行优化,具体为:
S41,针对生产线评估数据x 1,计算多项式的项数m分别取1,2,3,…时的指标H(m)和B(m);其中,
;
;
其中,P表示概率;为包含m项的多项式的最佳拟合模型的参数;/>为参数/>的先验分布;
的获取方法为:包含m项的多项式/>共有/>种组合,M为步骤3搭建的/>的总项数;分别对这/>种组合进行基于多元回归的参数/>估计,并计算;h最大时的一组参数/>即为/>;
S42,综合考虑指标H(m)和B(m),选取最优的m值;基于最优的m值及其对应的,得到生产线评估数据x 1的优化后的变化速率方程;
S43,按照S41和S42的方式,分别获取其余生产线评估数据x 2、x 3、…的优化后的变化速率方程;
步骤5,联立各类型生产线评估数据的优化后的变化速率方程,得到微分方程组Z;以当前时刻的各类型生产线评估数据为初始值,求解微分方程组Z,得到数值解集,得到各类型评估数据的预测轨迹,进而得到各类型评估数据的预测稳态值μ;
步骤6,基于步骤5得到的预测稳态值μ以及基于步骤2评估数据的样本标准差σ,构建稳定区间;基于所述稳定区间,判断监测数据是否异常,当任一类型自动监测数据不在其对应的稳定区间内,即发出报警,实施生产线检修维护。
2.如权利要求1所述的方法,其特征在于,所述步骤3中,所述非线性组合形式包括常数项、倒数项和幂次项。
3.如权利要求1或2所述的方法,其特征在于,所述步骤1中,监测数据包括振动监测数据、声音监测数据和温度监测数据。
4.如权利要求3所述的方法,其特征在于,振动监测数据为位移数据、速度数据或加速度数据;声音监测数据为声强数据或频率数据。
5. 如权利要求3所述的方法,其特征在于,多项式f(X)为:
(1)
其中,V为振动评估数据;L为声音评估数据;F为温度评估数据;为系数,i=0,1,2,…,38。
6. 如权利要求3所述的方法,其特征在于,多项式f(X)为:
(2)
其中,V为振动评估数据;L为声音评估数据;F为温度评估数据;为系数,i=0,1,2,…,32。
7.如权利要求1所述的方法,其特征在于,所述S41中,m<5。
8.如权利要求1或7所述的方法,其特征在于,所述S42中,在指标H(m)达到稳态的前提下,指标B(m)取得最大值时对应的m即为最优的m值。
9.如权利要求1所述的方法,其特征在于,所述步骤6中,构建的稳定区间为;其中,η为松紧度,当/>时,监测数据超出/>,为一般异常;当/>时,监测数据超出/>,为严重异常。
10.一种采用如权利要求1~9任一所述方法的智能生产线预测性维护系统,其特征在于,包括:数据采集模块、数据预处理模块、预测模块和决策报警模块;
其中,数据采集模块用于采集生产线的多种类型的自动监测数据;
数据预处理模块用于对数据采集模块采集的数据进行预处理,得到各类型生产线评估数据;
预测模块用于构建各类型生产线评估数据的变化速率方程,并基于数据预处理模块的各类型生产线评估数据进行变化速率方程优化,然后基于优化后的各类型生产线评估数据的变化速率方程求解各类型评估数据的预测轨迹,得到各类型评估数据的预测稳态值,构建各类型评估数据的稳定区间;
决策报警模块用于判断下一个W单位时间段的监测中,是否有监测数据不在其稳定区间内,若超出其稳定区间,则发出报警,实施生产线检修维护。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311068478.3A CN116777086B (zh) | 2023-08-24 | 2023-08-24 | 基于多模数据的钢结构智能生产线预测性维护方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311068478.3A CN116777086B (zh) | 2023-08-24 | 2023-08-24 | 基于多模数据的钢结构智能生产线预测性维护方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116777086A CN116777086A (zh) | 2023-09-19 |
CN116777086B true CN116777086B (zh) | 2023-10-31 |
Family
ID=87986361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311068478.3A Active CN116777086B (zh) | 2023-08-24 | 2023-08-24 | 基于多模数据的钢结构智能生产线预测性维护方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116777086B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114066269A (zh) * | 2021-11-19 | 2022-02-18 | 国网福建省电力有限公司 | 一种老旧资产的运行风险评估技术 |
CN116187725A (zh) * | 2023-04-27 | 2023-05-30 | 武汉新威奇科技有限公司 | 一种用于锻造自动线的锻造设备管理系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109358568B (zh) * | 2018-12-17 | 2020-04-07 | 大连理工大学 | 基于矢量场的曲面分区加工轨迹拓扑形状设计方法 |
-
2023
- 2023-08-24 CN CN202311068478.3A patent/CN116777086B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114066269A (zh) * | 2021-11-19 | 2022-02-18 | 国网福建省电力有限公司 | 一种老旧资产的运行风险评估技术 |
CN116187725A (zh) * | 2023-04-27 | 2023-05-30 | 武汉新威奇科技有限公司 | 一种用于锻造自动线的锻造设备管理系统 |
Non-Patent Citations (1)
Title |
---|
基于Spark的高压断路器机械寿命预测评估;段雄英;赵洋洋;陈艳霞;马畅;廖敏夫;;高压电器(第09期);86-92 * |
Also Published As
Publication number | Publication date |
---|---|
CN116777086A (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898691B (zh) | 一种河流突发水污染预警溯源方法、系统、终端及介质 | |
JP2019527413A (ja) | 根本的原因分析を実行してプラントワイド操業での希少イベントの発生の予測モデルを構築するコンピュータシステムおよび方法 | |
CN116758719B (zh) | 一种生产车间设备环境在线监测系统 | |
KR20170122043A (ko) | 실시간 실내 공기질 이상치 제거 방법 및 장치 | |
CN116975378B (zh) | 一种基于大数据的设备环境监测方法及系统 | |
CN116859857A (zh) | 基于远程控制的燃油泵装配生产线智能管理系统 | |
CN112861350B (zh) | 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法 | |
CN116028887B (zh) | 一种连续性工业生产数据的分析方法 | |
CN108555907B (zh) | 机器人运行状况评价方法 | |
CN117032415A (zh) | 一种基于温度变化的设备数据监管系统及方法 | |
CN116893643A (zh) | 一种基于数据分析的智能机器人行驶轨迹安全管控系统 | |
CN115372816A (zh) | 基于数据分析的配电开关设备运行故障预测系统及方法 | |
CN116070802A (zh) | 一种基于数据孪生的智能监控运维方法和系统 | |
CN116339253A (zh) | 一种基于物联网的智能化机械生产监测管控系统 | |
CN116777086B (zh) | 基于多模数据的钢结构智能生产线预测性维护方法及系统 | |
CN116468427B (zh) | 一种基于大数据的设备运维智能监管系统及方法 | |
CN116048023B (zh) | 一种精细化能源管控方法、系统、物联网云管控服务器及其存储介质 | |
CN116562599A (zh) | 基于深度学习的高效智能工厂调度系统 | |
CN114418177B (zh) | 基于生成对抗网络的数字孪生车间的新产品物料配送预测方法 | |
CN116050716A (zh) | 基于互联网的智慧园区管理控制平台 | |
CN115203905A (zh) | 一种融合专家经验及智能算法的设备健康评估方法 | |
Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
CN117715089B (zh) | 基于bim建模的通信基站能耗数据管理方法 | |
CN117170333B (zh) | 一种洁净室环境监测管理系统 | |
CN117850370A (zh) | 一种基于rtu的数据采集方法及系统 |
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 |