CN117452900B - 一种基于人工智能的工业生产能耗监测系统及方法 - Google Patents

一种基于人工智能的工业生产能耗监测系统及方法 Download PDF

Info

Publication number
CN117452900B
CN117452900B CN202311777910.6A CN202311777910A CN117452900B CN 117452900 B CN117452900 B CN 117452900B CN 202311777910 A CN202311777910 A CN 202311777910A CN 117452900 B CN117452900 B CN 117452900B
Authority
CN
China
Prior art keywords
industrial production
energy consumption
production equipment
working
working procedure
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
Application number
CN202311777910.6A
Other languages
English (en)
Other versions
CN117452900A (zh
Inventor
张立峰
石玉水
向敏
张佐宝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Zhengde Intelligent Equipment Co ltd
Original Assignee
Guangdong Zhengde Intelligent Equipment Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Zhengde Intelligent Equipment Co ltd filed Critical Guangdong Zhengde Intelligent Equipment Co ltd
Priority to CN202311777910.6A priority Critical patent/CN117452900B/zh
Publication of CN117452900A publication Critical patent/CN117452900A/zh
Application granted granted Critical
Publication of CN117452900B publication Critical patent/CN117452900B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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
    • G06Q50/04—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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Manufacturing & Machinery (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于人工智能的工业生产能耗监测系统及方法，属于工业生产能耗监测技术领域。本发明包括：S10：在工业生产设备各工序独立工作时，对各工序的能耗进行计算；S20：基于工业生产设备各工序的工作参数，对各工序之间的关联系数进行预测；S30：对工业生产设备各工序的工作顺序进行调整，基于调整结果，在工业生产设备各工序顺序工作时，对各工序的能耗进行预测；S40：将S30中预测的各工序的能耗与各工序的实际能耗进行比较，基于比较结果，对工业生产设备的能耗进行实时监测。本发明考虑到温度对工业设备耗电情况产生的影响，提高了系统对工业生产能耗的监测精度。

Description

一种基于人工智能的工业生产能耗监测系统及方法
技术领域
本发明涉及工业生产能耗监测技术领域，具体为一种基于人工智能的工业生产能耗监测系统及方法。
背景技术
工业生产能耗是指工业生产一个计量单位的产品或完成一个计算单位的工作量所消耗的能量源，该能量包括电力、煤炭、天然气等资源。
现有的工业生产能耗监测系统在对工业生产能耗进行监测时，通常根据工业设备的耗电情况判断工业生产设备能耗是否异常，然而工业生产设备的工作时长和工作环境也会对工业生产设备的耗电情况产生影响，从而导致现有系统监测精度低下，以及现有系统无法根据工业生产能耗的监测情况对工业生产设备的工作情况进行优化，以及无法根据监测结果对工业生产设备的异常情况进行分析，降低了系统的使用效果。
发明内容
本发明的目的在于提供一种基于人工智能的工业生产能耗监测系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于人工智能的工业生产能耗监测方法，所述方法包括：
S10：在工业生产设备各工序独立工作时，对各工序的能耗进行计算；
S20：基于工业生产设备各工序的工作参数，对各工序之间的关联系数进行预测；
S30：对工业生产设备各工序的工作顺序进行调整，基于调整结果，在工业生产设备各工序顺序工作时，对各工序的能耗进行预测；
S40：将S30中预测的各工序的能耗与各工序的实际能耗进行比较，基于比较结果，对工业生产设备的能耗进行实时监测。
进一步的，所述S10包括：
S101：对工业生产设备各工序的工作时长进行获取，以时间间隔T对获取的工作时长进行分段处理，对各工序在各时间划分点消耗的总能量和回收并利用的总能量进行获取，利用神经网络构建各工序能耗与时间、各工序回收并利用的能量与时间的关系预测模型；
S102：对工业生产设备各工序在工作时的最低允许温度进行获取，对工业生产设备各工序按照最低允许温度由小到大的顺序进行编号处理；
S103：对工业生产设备各工序独立工作的时间点进行确定，根据S101中构建的关系预测模型，对各工序在确定的时间点时消耗的总能量、回收并利用的总能量和生产出的合格产品的总产量进行获取，基于获取信息，利用Wi=(Ki-Ri)/Di对各工序在确定的时间点时对应的能耗进行计算，其中，i=1,2,…,m，表示根据各工序对应的编号，m表示工序总数，Ki表示编号为i的工序在确定的时间点时消耗的总能量，Ri表示编号为i的工序在确定的时间点时回收并利用的总能量，Di表示编号为i的工序在确定的时间点时生产出的合格产品的总产量，Wi表示编号为i的工序在确定的时间点时对应的能耗。
进一步的，所述S20根据工业生产设备各工序在工作时的最低允许温度，对各工序之间的关联系数进行预测，具体的预测公式为：
当Ti+j≥[Ti+(αi*hi)时：
；
当Ti+j＜[Ti+(αi*hi)时：
；
其中，j=0,1,2,…，且1≤i+j≤m，Ti表示编号为i的工序在工作时的最低允许温度，Ti+j表示编号为i+j的工序在工作时的最低允许温度，Vi表示编号为i的工序在工作时的最低允许电压，Vi+j表示编号为i+j的工序在工作时的最低允许电压，hi表示编号为i的工序加工的零件总量，αi表示编号为i的工序每加工一个零件工业生产设备对应的温度升高值，a表示常数，且0＜a＜1，xi,i+j表示编号为i的工序与编号为i+j的工序之间的重要系数，Ti+(αi*hi)]表示编号为i的工序在完成工作后工业生产设备对应的温度值，γ表示编号为i的工序与编号为i+j的工序之间的关联系数。
进一步的，所述S30包括：
S301：在工业生产设备各工序工作前，对工业生产设备各工序需要加工的零件数量进行确定，基于确定结果，对工业生产设备各工序之间的关联系数进行确定，若关联系数γ≥0，则将关联系数对应的工序放入集合M中，若关联系数γ＜0，则将关联系数对应的工序放入集合N中；
按照关联系数γ由大到小的顺序分别对集合M、N中放入的工序的工作顺序进行调整，基于调整结果，对工业生产设备各工序的工作顺序进行确定；
S302：基于S301中确定的工作顺序对各工序进行重新编号处理，在工业生产设备各工序按照顺序进行工作时，对各工序的能耗进行预测，具体的预测方法为：
随机选取一个工序，在工业生产设备各工序的工作顺序未进行调整前，对选取工序的前一工序对应的编号q进行确定，在工业生产设备各工序的工作顺序调整后，对选取工序的前一工序对应的编号p进行确定；
在编号为q的工序和编号为p的工序完成工作后，对工业生产设备对应的温度值t´q、t´p分别进行计算，结合编号为q的工序和编号为p的工序的工作时间点，对各工序的能耗进行预测，具体的预测公式为：
当t´q＞t´p＞Tf时：
Qf=[Kf-|t´q-t´p|*(αf*hf)-Rf]/Df；
当t´p＞t´q＞Tf时：
Qf=[Kf+|t´q-t´p|*(αf*hf)-Rf]/Df；
当t´p＜Tf或t´q＜Tf时：
Qf=Wf；
其中，f表示各工序重新编号处理后选取的工序对应的编号，hf表示编号为f的工序加工的零件总量，αf表示编号为f的工序每加工一个零件工业生产设备对应的温度升高值，Tf表示编号为f的工序在工作时的最低允许温度，Kf表示编号为f的工序在完成工作后消耗的总能量，Rf表示编号为f的工序在完成工作后回收并利用的总能量，Df表示编号为f的工序在完成工作后生产出的合格产品的总产量，Wf表示各工序独立作业时编号为f的工序在完成工作后对应的能耗，Qf表示各工序顺序工作时编号为f的工序在完成工作后对应的能耗。
进一步的，所述S40对Qf与编号为f的工序的实际能耗之间的差值进行计算，若差值＜0，则表示工业生产设备中编号为f的工序在作业时，工业生产设备工作异常，若差值≥0，则表示工业生产设备中编号为f的工序在作业时，工业生产设备工作正常。
一种基于人工智能的工业生产能耗监测系统，所述系统包括生产能耗计算模块、工序关联情况分析模块、工序生产能耗实时监测模块和比较分析模块；
所述生产能耗计算模块用于在工业生产设备各工序独立工作时，对各工序的能耗进行计算；
所述工序关联情况分析模块用于对各工序之间的关联系数进行预测；
所述工序生产能耗实时监测模块用于在工业生产设备各工序按照调整后的工作顺序工作时，对各工序的能耗进行监测；
所述比较分析模块用于对工业生产设备的能耗进行实时监测。
进一步的，所述生产能耗计算模块包括预测模型构建单元、处理单元和生产能耗计算单元；
所述预测模型构建单元对各工序在各时间划分点消耗的总能量和回收并利用的总能量进行获取，结合神经网络，对各工序能耗与时间、各工序回收并利用的能量与时间之间的关系预测模型进行构建，并将构建的关系预测模型传输至生产能耗计算单元；
所述处理单元对工业生产设备各工序按照最低允许温度由小到大的顺序进行编号处理，并将编号处理结果传输至生产能耗计算单元；
所述生产能耗计算单元对预测模型构建单元传输的关系预测模型，以及处理单元传输的编号处理结果进行接收，对工业生产设备各工序独立工作的时间点进行确定，根据接收的关系预测模型，对各工序在确定的时间点时消耗的总能量、回收并利用的总能量和生产出的合格产品的总产量进行获取，基于获取信息，对各工序在确定的时间点时对应的能耗进行计算，并将计算结果传输至工序生产能耗实时监测模块。
进一步的，所述工序关联情况分析模块根据工业生产设备各工序在工作时的最低允许温度，对各工序之间的关联系数进行预测，并将预测的关联系数传输至工序生产能耗实时监测模块。
进一步的，所述工序生产能耗实时监测模块包括工序工作顺序调整单元和工序消耗能量实时预测单元；
所述工序工作顺序调整单元对关联系数预测单元传输的关联系数预测结果进行接收，工序工作顺序调整单元在工业生产设备各工序工作前，对工业生产设备各工序需要加工的零件数量进行确定，基于确定结果，对工业生产设备各工序之间的关联系数进行确定，按照关联系数由大到小的顺序对工业生产设备各工序的工作顺序进行调整，并将调整后的工序工作顺序传输至工序消耗能量实时预测单元和工序回收利用能量实时预测单元；
所述工序消耗能量实时预测单元对工序工作顺序调整单元传输的工作顺序调整结果，以及生产能耗计算单元传输的计算结果进行接收，基于接收信息，在工业生产设备各工序按照工作顺序调整结果进行工作时，对各工序消耗的能量进行实时预测，并将预测结果传输至比较分析模块。
进一步的，所述比较分析模块对工序消耗能量实时预测单元传输的预测结果进行接收，比较分析模型对工业生产设备各工序在各时刻的实际能耗进行获取，将预测结果与获取的实际能耗进行比较，基于比较结果，判断工业生产设备中对应工序在工作时工业生产设备是否异常。
与现有技术相比，本发明所达到的有益效果是：
1.本发明利用各工序在工作时工业生产设备对应的温度值对各工序的能耗进行监测，此过程考虑到温度对工业设备耗电情况产生的影响，提高了系统对工业生产能耗的监测精度。
2.本发明根据工业生产设备各工序之间的关联系数对各工序的工作顺序进行优化，避免前一工序在完成工作后导致工业生产设备工作温度过高，进而有效减小后一工序所消耗的能量，提高了系统的使用效果。
3.本发明对优化后的各工序的能耗进行预测，将预测结果与各工序的实际能耗情况进行比较分析，实现对工业生产设备的异常情况进行分析，以及对工业生产设备的异常时间点进行快速确定，减少了维修人员对工业生产设备的维修时间，进一步扩大了系统的使用范围。
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。在附图中：
图1是本发明一种基于人工智能的工业生产能耗监测系统及方法的工作流程示意图；
图2是本发明一种基于人工智能的工业生产能耗监测系统及方法的工作原理结构示意图。
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。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。
请参阅图1和图2，本发明提供技术方案：一种基于人工智能的工业生产能耗监测方法，方法包括：
S10：在工业生产设备各工序独立工作时，对各工序的能耗进行计算；
S10包括：
S101：对工业生产设备各工序的工作时长进行获取，以时间间隔T对获取的工作时长进行分段处理，对各工序在各时间划分点消耗的总能量和回收并利用的总能量进行获取，利用神经网络构建各工序能耗与时间、各工序回收并利用的能量与时间的关系预测模型，关系预测模型的构建方法为现有技术；
S102：对工业生产设备各工序在工作时的最低允许温度进行获取，对工业生产设备各工序按照最低允许温度由小到大的顺序进行编号处理；
S103：对工业生产设备各工序独立工作的时间点进行确定，根据S101中构建的关系预测模型，对各工序在确定的时间点时消耗的总能量、回收并利用的总能量和生产出的合格产品的总产量进行获取，基于获取信息，利用Wi=(Ki-Ri)/Di对各工序在确定的时间点时对应的能耗进行计算，其中，i=1,2,…,m，表示根据各工序对应的编号，m表示工序总数，Ki表示编号为i的工序在确定的时间点时消耗的总能量，Ri表示编号为i的工序在确定的时间点时回收并利用的总能量，Di表示编号为i的工序在确定的时间点时生产出的合格产品的总产量，Wi表示编号为i的工序在确定的时间点时对应的能耗。
S20：基于工业生产设备各工序的工作参数，对各工序之间的关联系数进行预测；
S20根据工业生产设备各工序在工作时的最低允许温度，对各工序之间的关联系数进行预测，具体的预测公式为：
当Ti+j≥[Ti+(αi*hi)时：
；
当Ti+j＜[Ti+(αi*hi)时：
；
其中，j=0,1,2,…，且1≤i+j≤m，Ti表示编号为i的工序在工作时的最低允许温度，Ti+j表示编号为i+j的工序在工作时的最低允许温度，Vi表示编号为i的工序在工作时的最低允许电压，Vi+j表示编号为i+j的工序在工作时的最低允许电压，hi表示编号为i的工序加工的零件总量，αi表示编号为i的工序每加工一个零件工业生产设备对应的温度升高值，a表示常数，且0＜a＜1，xi,i+j表示编号为i的工序与编号为i+j的工序之间的重要系数，Ti+(αi*hi)]表示编号为i的工序在完成工作后工业生产设备对应的温度值，γ表示编号为i的工序与编号为i+j的工序之间的关联系数。
S30：对工业生产设备各工序的工作顺序进行调整，基于调整结果，在工业生产设备各工序顺序工作时，对各工序的能耗进行预测；
S30包括：
S301：在工业生产设备各工序工作前，对工业生产设备各工序需要加工的零件数量进行确定，基于确定结果，对工业生产设备各工序之间的关联系数进行确定，若关联系数γ≥0，则将关联系数对应的工序放入集合M中，若关联系数γ＜0，则将关联系数对应的工序放入集合N中；
按照关联系数γ由大到小的顺序分别对集合M、N中放入的工序的工作顺序进行调整，基于调整结果，对工业生产设备各工序的工作顺序进行确定；
S302：基于S301中确定的工作顺序对各工序进行重新编号处理，在工业生产设备各工序按照顺序进行工作时，对各工序的能耗进行预测，具体的预测方法为：
随机选取一个工序，在工业生产设备各工序的工作顺序未进行调整前，对选取工序的前一工序对应的编号q进行确定，在工业生产设备各工序的工作顺序调整后，对选取工序的前一工序对应的编号p进行确定；
在编号为q的工序和编号为p的工序完成工作后，对工业生产设备对应的温度值t´q、t´p分别进行计算，t´q、t´p的计算方法与对编号为i的工序在完成工作后工业生产设备对应的温度值的计算方法相同，结合编号为q的工序和编号为p的工序的工作时间点，对各工序的能耗进行预测，具体的预测公式为：
当t´q＞t´p＞Tf时：
Qf=[Kf-|t´q-t´p|*(αf*hf)-Rf]/Df；
当t´p＞t´q＞Tf时：
Qf=[Kf+|t´q-t´p|*(αf*hf)-Rf]/Df；
当t´p＜Tf或t´q＜Tf时：
Qf=Wf；
其中，f表示各工序重新编号处理后选取的工序对应的编号，hf表示编号为f的工序加工的零件总量，αf表示编号为f的工序每加工一个零件工业生产设备对应的温度升高值，Tf表示编号为f的工序在工作时的最低允许温度，Kf表示编号为f的工序在完成工作后消耗的总能量，Rf表示编号为f的工序在完成工作后回收并利用的总能量，Df表示编号为f的工序在完成工作后生产出的合格产品的总产量，Wf表示各工序独立作业时编号为f的工序在完成工作后对应的能耗，Qf表示各工序顺序工作时编号为f的工序在完成工作后对应的能耗。
S40：将S30中预测的各工序的能耗与各工序的实际能耗进行比较，基于比较结果，对工业生产设备的能耗进行实时监测。
S40对Qf与编号为f的工序的实际能耗之间的差值进行计算，若差值＜0，则表示工业生产设备中编号为f的工序在作业时，工业生产设备工作异常，若差值≥0，则表示工业生产设备中编号为f的工序在作业时，工业生产设备工作正常。
一种基于人工智能的工业生产能耗监测系统，系统包括生产能耗计算模块、工序关联情况分析模块、工序生产能耗实时监测模块和比较分析模块；
生产能耗计算模块用于在工业生产设备各工序独立工作时，对各工序的能耗进行计算；
生产能耗计算模块包括预测模型构建单元、处理单元和生产能耗计算单元；
预测模型构建单元对各工序在各时间划分点消耗的总能量和回收并利用的总能量进行获取，结合神经网络，对各工序能耗与时间、各工序回收并利用的能量与时间之间的关系预测模型进行构建，并将构建的关系预测模型传输至生产能耗计算单元；
处理单元对工业生产设备各工序按照最低允许温度由小到大的顺序进行编号处理，并将编号处理结果传输至生产能耗计算单元；
生产能耗计算单元对预测模型构建单元传输的关系预测模型，以及处理单元传输的编号处理结果进行接收，对工业生产设备各工序独立工作的时间点进行确定，根据接收的关系预测模型，对各工序在确定的时间点时消耗的总能量、回收并利用的总能量和生产出的合格产品的总产量进行获取，基于获取信息，对各工序在确定的时间点时对应的能耗进行计算，并将计算结果传输至工序生产能耗实时监测模块。
工序关联情况分析模块用于对各工序之间的关联系数进行预测；
工序关联情况分析模块根据工业生产设备各工序在工作时的最低允许温度，对各工序之间的关联系数进行预测，并将预测的关联系数传输至工序生产能耗实时监测模块。
工序生产能耗实时监测模块用于在工业生产设备各工序按照调整后的工作顺序工作时，对各工序的能耗进行监测；
工序生产能耗实时监测模块包括工序工作顺序调整单元和工序消耗能量实时预测单元；
工序工作顺序调整单元对关联系数预测单元传输的关联系数预测结果进行接收，工序工作顺序调整单元在工业生产设备各工序工作前，对工业生产设备各工序需要加工的零件数量进行确定，基于确定结果，对工业生产设备各工序之间的关联系数进行确定，按照关联系数由大到小的顺序对工业生产设备各工序的工作顺序进行调整，并将调整后的工序工作顺序传输至工序消耗能量实时预测单元和工序回收利用能量实时预测单元；
工序消耗能量实时预测单元对工序工作顺序调整单元传输的工作顺序调整结果，以及生产能耗计算单元传输的计算结果进行接收，基于接收信息，在工业生产设备各工序按照工作顺序调整结果进行工作时，对各工序消耗的能量进行实时预测，并将预测结果传输至比较分析模块。
比较分析模块用于对工业生产设备的能耗进行实时监测。
比较分析模块对工序消耗能量实时预测单元传输的预测结果进行接收，比较分析模型对工业生产设备各工序在各时刻的实际能耗进行获取，将预测结果与获取的实际能耗进行比较，基于比较结果，判断工业生产设备中对应工序在工作时工业生产设备是否异常。
实施例1：设编号为2和编号为3的工序之间的关联系数为0.8，编号为1和编号为3的工序之间的关联系数为0.9，编号为1和编号为2的工序之间的关联系数为-0.7，则各工序调整后的工作顺序为：2→1→3。
实施例2：设工业生产中，包括打磨、切削和钻孔工序，设工业生产的默认加工工序为切削-钻孔-打磨，由于切削和钻孔工序之间无关联，因此，切削和钻孔工序之间的重要系数为0，由于打磨工序一般在钻孔和切削工序之后，因此打磨工序与钻孔工序或切削工序之间的重要系数为1；
在计算打磨工序与钻孔或切削工序之间的关联系数，以及钻孔和切削工序之间的关联系数时，设Ti+j≥[Ti+(αi*hi)，在计算打磨工序与钻孔工序时，令，在计算打磨工序与切削工序时，令/>，在计算钻孔工序与切削工序时，令/>，a=0.5；
则打磨工序与钻孔工序之间的关联系数为：
；
则打磨工序与切削工序之间的关联系数为：
；
钻孔和切削工序之间的关联系数为：
；
由于，则工业生产调整后的加工工序为钻孔-切削-打磨。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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 (7)

1.一种基于人工智能的工业生产能耗监测方法，其特征在于：所述方法包括：
S10：在工业生产设备各工序独立工作时，对各工序的能耗进行计算；
所述S10包括：
S101：对工业生产设备各工序的工作时长进行获取，以时间间隔T对获取的工作时长进行分段处理，对各工序在各时间划分点消耗的总能量和回收并利用的总能量进行获取，利用神经网络构建各工序能耗与时间、各工序回收并利用的能量与时间的关系预测模型；
S102：对工业生产设备各工序在工作时的最低允许温度进行获取，对工业生产设备各工序按照最低允许温度由小到大的顺序进行编号处理；
S103：对工业生产设备各工序独立工作的时间点进行确定，根据S101中构建的关系预测模型，对各工序在确定的时间点时消耗的总能量、回收并利用的总能量和生产出的合格产品的总产量进行获取，基于获取信息，利用Wi=(Ki-Ri)/Di对各工序在确定的时间点时对应的能耗进行计算，其中，i=1,2,…,m，表示根据各工序对应的编号，m表示工序总数，Ki表示编号为i的工序在确定的时间点时消耗的总能量，Ri表示编号为i的工序在确定的时间点时回收并利用的总能量，Di表示编号为i的工序在确定的时间点时生产出的合格产品的总产量，Wi表示编号为i的工序在确定的时间点时对应的能耗；
S20：基于工业生产设备各工序的工作参数，对各工序之间的关联系数进行预测；
所述S20根据工业生产设备各工序在工作时的最低允许温度，对各工序之间的关联系数进行预测，具体的预测公式为：
当Ti+j≥[Ti+(αi*hi)时：
；
当Ti+j＜[Ti+(αi*hi)时：
；
其中，j=0,1,2,…，且1≤i+j≤m，Ti表示编号为i的工序在工作时的最低允许温度，Ti+j表示编号为i+j的工序在工作时的最低允许温度，Vi表示编号为i的工序在工作时的最低允许电压，Vi+j表示编号为i+j的工序在工作时的最低允许电压，hi表示编号为i的工序加工的零件总量，αi表示编号为i的工序每加工一个零件工业生产设备对应的温度升高值，a表示常数，且0＜a＜1，xi,i+j表示编号为i的工序与编号为i+j的工序之间的重要系数，Ti+(αi*hi)]表示编号为i的工序在完成工作后工业生产设备对应的温度值，γ表示编号为i的工序与编号为i+j的工序之间的关联系数；
S30：对工业生产设备各工序的工作顺序进行调整，基于调整结果，在工业生产设备各工序顺序工作时，对各工序的能耗进行预测；
所述S30包括：
S301：在工业生产设备各工序工作前，对工业生产设备各工序需要加工的零件数量进行确定，基于确定结果，对工业生产设备各工序之间的关联系数进行确定，若关联系数γ≥0，则将关联系数对应的工序放入集合M中，若关联系数γ＜0，则将关联系数对应的工序放入集合N中；
按照关联系数γ由大到小的顺序分别对集合M、N中放入的工序的工作顺序进行调整，基于调整结果，对工业生产设备各工序的工作顺序进行确定；
S302：基于S301中确定的工作顺序对各工序进行重新编号处理，在工业生产设备各工序按照顺序进行工作时，对各工序的能耗进行预测，具体的预测方法为：
随机选取一个工序，在工业生产设备各工序的工作顺序未进行调整前，对选取工序的前一工序对应的编号q进行确定，在工业生产设备各工序的工作顺序调整后，对选取工序的前一工序对应的编号p进行确定；
在编号为q的工序和编号为p的工序完成工作后，对工业生产设备对应的温度值t´q、t´p分别进行计算，结合编号为q的工序和编号为p的工序的工作时间点，对各工序的能耗进行预测，具体的预测公式为：
当t´q＞t´p＞Tf时：
Qf=[Kf-|t´q-t´p|*(αf*hf)-Rf]/Df；
当t´p＞t´q＞Tf时：
Qf=[Kf+|t´q-t´p|*(αf*hf)-Rf]/Df；
当t´p＜Tf或t´q＜Tf时：
Qf=Wf；
其中，f表示各工序重新编号处理后选取的工序对应的编号，hf表示编号为f的工序加工的零件总量，αf表示编号为f的工序每加工一个零件工业生产设备对应的温度升高值，Tf表示编号为f的工序在工作时的最低允许温度，Kf表示编号为f的工序在完成工作后消耗的总能量，Rf表示编号为f的工序在完成工作后回收并利用的总能量，Df表示编号为f的工序在完成工作后生产出的合格产品的总产量，Wf表示各工序独立作业时编号为f的工序在完成工作后对应的能耗，Qf表示各工序顺序工作时编号为f的工序在完成工作后对应的能耗；
S40：将S30中预测的各工序的能耗与各工序的实际能耗进行比较，基于比较结果，对工业生产设备的能耗进行实时监测。
2.根据权利要求1所述的一种基于人工智能的工业生产能耗监测方法，其特征在于：所述S40对Qf与编号为f的工序的实际能耗之间的差值进行计算，若差值＜0，则表示工业生产设备中编号为f的工序在作业时，工业生产设备工作异常，若差值≥0，则表示工业生产设备中编号为f的工序在作业时，工业生产设备工作正常。
3.一种应用于权利要求1-2任一项所述的基于人工智能的工业生产能耗监测方法的基于人工智能的工业生产能耗监测系统，其特征在于：所述系统包括生产能耗计算模块、工序关联情况分析模块、工序生产能耗实时监测模块和比较分析模块；
所述生产能耗计算模块用于在工业生产设备各工序独立工作时，对各工序的能耗进行计算；
所述工序关联情况分析模块用于对各工序之间的关联系数进行预测；
所述工序生产能耗实时监测模块用于在工业生产设备各工序按照调整后的工作顺序工作时，对各工序的能耗进行监测；
所述比较分析模块用于对工业生产设备的能耗进行实时监测。
4.根据权利要求3所述的一种基于人工智能的工业生产能耗监测系统，其特征在于：所述生产能耗计算模块包括预测模型构建单元、处理单元和生产能耗计算单元；
所述预测模型构建单元对各工序在各时间划分点消耗的总能量和回收并利用的总能量进行获取，结合神经网络，对各工序能耗与时间、各工序回收并利用的能量与时间之间的关系预测模型进行构建，并将构建的关系预测模型传输至生产能耗计算单元；
所述处理单元对工业生产设备各工序按照最低允许温度由小到大的顺序进行编号处理，并将编号处理结果传输至生产能耗计算单元；
所述生产能耗计算单元对预测模型构建单元传输的关系预测模型，以及处理单元传输的编号处理结果进行接收，对工业生产设备各工序独立工作的时间点进行确定，根据接收的关系预测模型，对各工序在确定的时间点时消耗的总能量、回收并利用的总能量和生产出的合格产品的总产量进行获取，基于获取信息，对各工序在确定的时间点时对应的能耗进行计算，并将计算结果传输至工序生产能耗实时监测模块。
5.根据权利要求4所述的一种基于人工智能的工业生产能耗监测系统，其特征在于：所述工序关联情况分析模块根据工业生产设备各工序在工作时的最低允许温度，对各工序之间的关联系数进行预测，并将预测的关联系数传输至工序生产能耗实时监测模块。
6.根据权利要求5所述的一种基于人工智能的工业生产能耗监测系统，其特征在于：所述工序生产能耗实时监测模块包括工序工作顺序调整单元和工序消耗能量实时预测单元；
所述工序工作顺序调整单元对关联系数预测单元传输的关联系数预测结果进行接收，工序工作顺序调整单元在工业生产设备各工序工作前，对工业生产设备各工序需要加工的零件数量进行确定，基于确定结果，对工业生产设备各工序之间的关联系数进行确定，按照关联系数由大到小的顺序对工业生产设备各工序的工作顺序进行调整，并将调整后的工序工作顺序传输至工序消耗能量实时预测单元和工序回收利用能量实时预测单元；
所述工序消耗能量实时预测单元对工序工作顺序调整单元传输的工作顺序调整结果，以及生产能耗计算单元传输的计算结果进行接收，基于接收信息，在工业生产设备各工序按照工作顺序调整结果进行工作时，对各工序消耗的能量进行实时预测，并将预测结果传输至比较分析模块。
7.根据权利要求6所述的一种基于人工智能的工业生产能耗监测系统，其特征在于：所述比较分析模块对工序消耗能量实时预测单元传输的预测结果进行接收，比较分析模型对工业生产设备各工序在各时刻的实际能耗进行获取，将预测结果与获取的实际能耗进行比较，基于比较结果，判断工业生产设备中对应工序在工作时工业生产设备是否异常。
CN202311777910.6A 2023-12-22 2023-12-22 一种基于人工智能的工业生产能耗监测系统及方法 Active CN117452900B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311777910.6A CN117452900B (zh) 2023-12-22 2023-12-22 一种基于人工智能的工业生产能耗监测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311777910.6A CN117452900B (zh) 2023-12-22 2023-12-22 一种基于人工智能的工业生产能耗监测系统及方法

Publications (2)

Publication Number Publication Date
CN117452900A CN117452900A (zh) 2024-01-26
CN117452900B true CN117452900B (zh) 2024-05-03

Family

ID=89584087

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311777910.6A Active CN117452900B (zh) 2023-12-22 2023-12-22 一种基于人工智能的工业生产能耗监测系统及方法

Country Status (1)

Country Link
CN (1) CN117452900B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105117801A (zh) * 2015-09-07 2015-12-02 广东工业大学 基于智能算法的轮胎成型-硫化生产能耗实时优化方法
CN109032087A (zh) * 2018-07-06 2018-12-18 合肥工业大学 工业生产设备能耗状态诊断与节能评估方法及系统
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
CN116502016A (zh) * 2023-04-24 2023-07-28 海南汇中控股有限公司 一种基于大数据的水产养殖信息智能化监管系统及方法
CN116755377A (zh) * 2023-08-21 2023-09-15 山东嘉隆新能源股份有限公司 醇类精制机组的能耗监测及远程控制系统
CN116995674A (zh) * 2023-09-26 2023-11-03 深圳稳石氢能科技有限公司 一种基于aem实现的智能能源调度方法
CN117093823A (zh) * 2023-10-20 2023-11-21 国联江森自控绿色科技(无锡)有限公司 基于数据分析的工厂能源消耗管理方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105117801A (zh) * 2015-09-07 2015-12-02 广东工业大学 基于智能算法的轮胎成型-硫化生产能耗实时优化方法
CN109032087A (zh) * 2018-07-06 2018-12-18 合肥工业大学 工业生产设备能耗状态诊断与节能评估方法及系统
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
CN116502016A (zh) * 2023-04-24 2023-07-28 海南汇中控股有限公司 一种基于大数据的水产养殖信息智能化监管系统及方法
CN116755377A (zh) * 2023-08-21 2023-09-15 山东嘉隆新能源股份有限公司 醇类精制机组的能耗监测及远程控制系统
CN116995674A (zh) * 2023-09-26 2023-11-03 深圳稳石氢能科技有限公司 一种基于aem实现的智能能源调度方法
CN117093823A (zh) * 2023-10-20 2023-11-21 国联江森自控绿色科技(无锡)有限公司 基于数据分析的工厂能源消耗管理方法

Also Published As

Publication number Publication date
CN117452900A (zh) 2024-01-26

Similar Documents

Publication Publication Date Title
JP2006522410A (ja) 予防保守手順の統計解析および制御
CN114492675B (zh) 一种电容式电压互感器故障原因智能诊断方法
CN115063100A (zh) 一种基于数据分析的道路建设项目的实施成本管控系统
CN117008479A (zh) 基于生物质气化炉的负碳排放优化控制方法及系统
CN114226282A (zh) 一种用于箱包生产线的运行效率监测系统
CN117035673A (zh) 一种工程项目施工风险管理方法及管理系统
CN117452900B (zh) 一种基于人工智能的工业生产能耗监测系统及方法
CN115826516A (zh) 一种智能化的不锈钢链条生产管理方法及系统
CN116562566A (zh) 一种基于mes的生产车间智能排程系统
CN112559591B (zh) 一种用于冷轧辊制造过程的离群检测系统及其检测方法
CN117709617A (zh) 一种基于mes的生产车间智能排程系统
CN117687356A (zh) 生产调度方法、终端设备及计算机可读存储介质
CN116757413A (zh) 一种基于物联网移动终端交互的智能制造系统
CN111861181A (zh) 一种数字能源产品智造生产系统及生产线制定方法
CN115375185A (zh) 一种基于大数据的玻璃生成加工环境监管系统
CN114510874A (zh) 一种基于联合优化模型的生产调度和机器维护优化方法
KR20140147456A (ko) 상수관망의 일일 수요량 예측방법
Syahtaria et al. Failure risk analysis glass bowl production process using failure mode effect analysis and fault tree analysis methods (a case study)
CN112836380A (zh) 一种智能制造生产线故障预估与维修方法
CN113762754A (zh) 一种混合车间低熵自适应调度方法
CN107679631B (zh) 一种养护方案的制定方法及运营管理平台
CN117192269B (zh) 一种用于电房环境控制箱的大数据监测预警系统及方法
CN114414938B (zh) 一种配电网故障的动态响应方法及系统
CN112564100B (zh) 基于空预器差压实时评估火电机组最大出力的方法及系统
CN117455080B (zh) 一种基于物联网的生产车间环境优化方法及系统

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
TA01 Transfer of patent application right

Effective date of registration: 20240414

Address after: 526070 Factory Building A9, Phase I, Pingqian International (Zhaoqing New Area) Modern Industrial Park, No. 7 Science and Technology Innovation Avenue, Zhaoqing New Area, Dinghu District, Zhaoqing City, Guangdong Province

Applicant after: Guangdong Zhengde Intelligent Equipment Co.,Ltd.

Country or region after: China

Address before: Room 1809-1813, 1936 Kaichuang Avenue, Huangpu District, Guangzhou, Guangdong 510000

Applicant before: Guangdong Zhengde Industrial Technology Co.,Ltd.

Country or region before: China

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant