TWI738016B - 液態氣體充填之智能化學習機制與自適應調節系統 - Google Patents
液態氣體充填之智能化學習機制與自適應調節系統 Download PDFInfo
- Publication number
- TWI738016B TWI738016B TW108122374A TW108122374A TWI738016B TW I738016 B TWI738016 B TW I738016B TW 108122374 A TW108122374 A TW 108122374A TW 108122374 A TW108122374 A TW 108122374A TW I738016 B TWI738016 B TW I738016B
- Authority
- TW
- Taiwan
- Prior art keywords
- gas filling
- liquid gas
- algorithm
- data
- intelligent
- Prior art date
Links
Images
Abstract
本發明揭露一種液態氣體充填之智能化學習機制與自適應調節系統,智能化學習機制包含以下步驟:於工作機台安裝複數個感測器,測量製程之複數個原始感測數據;執行智能化演算程序,將原始感測數據分別通過類神經網路演算法、迴歸分析演算法及隨機森林演算法計算製程影響參數;通過比較不同智能化演算程序,判斷適用之最佳演算法;將歷史感測數據導入,經過學習訓練程序計算複數個預測目標值;即時偵測液態氣體充填製程之生產數據;以及藉由比較生產數據與複數個預測目標值,即時監測製程之異常狀態。
Description
本發明是關於一種液態氣體充填之智能化學習機制與自適應調節系統,特別是關於一種藉由大量感測數據之訓練與學習,自動分析液態氣體充填製程的製程影響參數及調整預測製程目標值,進而監控生產狀態之液態氣體充填之智能化學習機制與自適應調節系統。
在傳統的工廠環境中,對於產線或機台的操作,需仰賴經驗的累積,老師傅對於機台參數的調整技巧,只能依靠口頭傳授,難以被文字或有形的記錄保存下來。當老師傅不在時,操作機台或產線的技術也隨之消失。為了將上述經驗傳承物化以保存及利用,許多廠商會記錄生產機台的調整參數或操作參數,然而,這些紀錄並無法驗證為最佳的機台生產參數,也無法事先預測相關產出是否會產生異常而提早調整機台。
製程中各個工作機台的零組件與相關環境的狀態都是影響製程步驟的重要因素,不同感測器所取得對應的感測數據也可能具備相關性,若僅就個別感測器或個別機台進行分析,往往會遺整體製成環境之間的關聯特徵,因而錯失事先預測錯誤發生的機會。然而,現有的記錄分析多僅針對個別機檯
或感測器進行時間序列分析,雖然能針對同一種感測器建立其特徵資訊,但對於整個生產線的關聯性及重要性,仍無法進行偵測及判斷。在液態氣體充填的相關產業當中,每一個成品在壓力、重量上都有相關的要求,加上受到溫濕度等環境的影響程度高,往往一部分管線的差異就會造成成品品質上之差異。若待完成產品後才檢測出不良,將會大幅提升製造成本。
有鑑於此,如何建立一種整合產線的演算分析方法及系統,使其能通過感測器的感測數據,提升異常偵測的效率及準確性,並能自動化調整產線設置以達預設目標。因此,本發明之發明人思索並設計一種液態氣體充填之智能化學習機制與自適應調節系統,針對現有技術之缺失加以改善,進而增進產業上之實施利用。
有鑑於上述習知技藝之問題,本發明之目的就是在提供一種液態氣體充填之智能化學習機制與自適應調節系統,以解決習知之記錄分析方法無法正確預測異常且無法得知生產線各個機台之間重要性關係之問題。
根據本發明之一目的,提出一種液態氣體充填之智能化學習機制,其適用於液態氣體充填製程,智能化學習機制包含下列步驟:於液態氣體充填製程之複數個工作機台安裝複數個感測器,測量液態氣體充填製程之複數個原始感測數據,儲存於資料庫當中;藉由處理器執行智能化演算程序,將複數個原始感測數據分別通過類神經網路演算法、迴歸分析演算法及隨機森林演算法計算製程影響參數;通過比較類神經網路演算法、迴歸分析演算法及隨機森林演算法對應之製程影響參數,判斷適用於液態氣體充填製程之最佳演算
法;藉由處理器將歷史感測數據導入最佳演算法,經過學習訓練程序計算液態氣體充填製程之複數個預測目標值;通過複數個感測器即時偵測液態氣體充填製程之複數個生產數據;以及藉由處理器比較複數個生產數據與複數個預測目標值,即時監測液態氣體充填製程之異常狀態
較佳地,複數個感測器可包含壓力感測器、溫度感測器、濕度感測器、重量感測器、電壓感測器及電流感測器。
較佳地,製程影響參數可包含管線壓力、桶槽壓力、管線溫度、外部溫度及氣體流量,預測目標值可包含壓力指標及氣體重量。
較佳地,製程影響參數可包含複數個工作機台之操作時間、操作狀態、電壓數據及電流數據,預測目標值可包含關鍵零組件及使用壽命。
較佳地,智能化學習機制可進一步包含以下步驟:藉由處理器於預設時間週期過後重新執行智能化演算程序以重新選擇最佳演算法,並將更新之歷史感測數據導入最佳演算法,再次計算液態氣體充填製程之複數個預測目標值。
根據本發明之另一目的,提出一種液態氣體充填之自適應調節系統,其包含液態氣體充填生產線以及電腦主機。其中,液態氣體充填生產線包含複數個工作機台及安裝於複數個工作機台之複數個感測器。電腦主機包含處理器及資料庫,資料庫儲存複數個感測器測量液態氣體充填製程之複數個原始感測數據,由處理器存取資料庫以執行以下程序:智能化演算程序,將複數個原始感測數據分別通過類神經網路演算法、迴歸分析演算法及隨機森林演算法計算製程影響參數;判斷程序,比較類神經網路演算法、迴歸分析演算法及隨機森林演算法對應之製程影響參數,判斷適用於液態氣體充填製程之最佳演算
法;以及學習訓練程序,將歷史感測數據導入最佳演算法,計算液態氣體充填製程之複數個預測目標值。複數個感測器即時偵測液態氣體充填製程之複數個生產數據,藉由處理器比較複數個生產數據與複數個預測目標值,即時監測液態氣體充填製程之異常狀態。
較佳地,複數個感測器可包含壓力感測器、溫度感測器、濕度感測器、重量感測器、電壓感測器及電流感測器。
較佳地,製程影響參數可包含管線壓力、桶槽壓力、管線溫度、外部溫度及氣體流量,預測目標值可包含壓力指標及氣體重量。
較佳地,製程影響參數可包含複數個工作機台之操作時間、操作狀態、電壓數據及電流數據,預測目標值可包含關鍵零組件及使用壽命。
較佳地,處理器可於預設時間週期過後重新執行智能化演算程序、判斷程序以及學習訓練程序,重新選擇最佳演算法,並將更新之歷史感測數據導入最佳演算法,再次計算液態氣體充填製程之複數個預測目標值。
承上所述,依本發明之液態氣體充填之智能化學習機制與自適應調節系統,其可具有一或多個下述優點:
(1)此液態氣體充填之智能化學習機制與自適應調節系統能利用不同時間週期的感測數據調整分析模型,針對不同時段或不同環境的生產採用更適當的控制模型,使得生產狀態的預測更為準確,提高判斷結果準確率。
(2)此液態氣體充填之智能化學習機制與自適應調節系統能夠採用多種演算分析方法來處理不同感測器之感測數據,並且選擇最佳的方式來建立分析模型,在預測異常狀態時能自動調整產線設定,即時排除異常以提升製造良率。
(3)此液態氣體充填之智能化學習機制與自適應調節系統能設定自動化調整的機制,在維持生產品質的情況下,降低操作、監控人員的人力,也減少機台損壞維修的成本,通過減少製程上不必要的浪費,進而降低生產成本。
1:液態氣體充填之自適應調節系統
10:生產線
20:電腦主機
21:處理器
22:資料庫
23:類神經網路演算法
24:迴歸分析演算法
25:隨機森林演算法
26、28:判斷程序
27:學習訓練程序
29:計算程序
30:監測系統
S1~S6:步驟
第1圖係為本發明實施例之液態氣體充填之智能化學習機制之流程圖。
第2圖係為本發明實施例之類神經網路演算法之示意圖。
第3圖係為本發明實施例之迴歸分析演算法之示意圖。
第4圖係為本發明實施例之隨機森林演算法之示意圖。
第5圖係為本發明實施例之液態氣體充填之自適應調節系統之示意圖。
為利貴審查委員瞭解本發明之技術特徵、內容與優點及其所能達成之功效,茲將本發明配合附圖,並以實施例之表達形式詳細說明如下,而其中所使用之圖式,其主旨僅為示意及輔助說明書之用,未必為本發明實施後之真實比例與精準配置,故不應就所附之圖式的比例與配置關係解讀、侷限本發明於實際實施上的權利範圍,合先敘明。
請參閱第1圖,其係為本發明實施例之液態氣體充填之智能化學習機制之流程圖。如圖所示,液態氣體充填之智能化學習機制包含以下步驟(S1~S6):
步驟S1:於液態氣體充填製程之複數個工作機台安裝複數個感測器,測量液態氣體充填製程之複數個原始感測數據,儲存於資料庫當中。在液態氣體充填的製造過程中,包含傳輸管線、儲存桶槽、分裝設備到成品包裝檢驗都會依據操作類型而使用不同工作機台。為監控製造的品質與良率,在機台設備上會安裝各種感測器,在製程當中收集各個工作機台所產生的感測數據,例如由壓力感測器收集桶槽與管線之壓力值、流量偵測器收集氣流流量值、溫度感測器測量管線溫度及外部環境溫度、濕度感測器測量環境濕度、電壓感測器收集機台用電量、電流感測器收集電流數據、機台參數呈現機台開關操作狀態及稼動率等。原先僅用來記錄製程狀態之感測數據,希望透過後續大數據分析的方式分析製造程序的模式,期能透過製造模式的預測來及早調整製程當中各個工作機台的操作參數,避免實際產生不良品時才停機調整參數。這些在預定周期時間內收集到的原始感測數據,可以通過物聯網技術將感測資料以小的資料封包傳送到電腦主機的資料庫當中,或者也可透過資料收集裝置收集後,整合為較大的訊息封包,再傳送至分析的電腦或伺服器,同樣儲存於其儲存裝置。
步驟S2:藉由處理器執行智能化演算程序,將複數個原始感測數據分別通過類神經網路演算法、迴歸分析演算法及隨機森林演算法計算製程影響參數。上述各種感測器所收集到的原始感測數據,可藉由電腦主機的處理器執行程式來存取資料庫中的原始感測數據,並且執行智能化演算程序來分析這
些原始感測數據。本實施例中的智能化演算程序可包含類神經網路演算法、迴歸分析演算法及隨機森林演算法,但本發明不侷限於此,其他大數據分析或人工智慧相關之分析方法也應包含於本步驟的智能化演算程序當中。以下段落將分別描述類神經網路演算法、迴歸分析演算法及隨機森林演算法之內容。
請參閱第2圖,其係為本發明實施例之類神經網路演算法之示意圖。如圖所示,類神經網路又稱為人工神經網路,利用像人類大腦一樣的神經元,模仿神經網路的訊息傳遞及神經元的運算方式。每個神經元稱為節點,模仿人類神經元連接的結構,將各節點連接形成神經網路,而訊息在超過閥值被啟動傳出訊號給下一層之神經元。倒傳遞神經網路(Back Propagation,BP)屬於類神經網路的一種期架構上包含輸入層(Input Layer)、隱藏層(Hidden Layer)及輸出層(Output Layer),如第2圖(a)部分所示。每層具有多個感知器(Preception),依照最小誤差平方計算權重,且通過學習階段及回想階段來操作,學習階段是得到一組連接神經元的權重,讓輸入值透過權重得到目標輸出值;回想階段則是將輸入值與訓練後的權重戶相連接,計算目標輸出值。如第2圖(b)部分所示,在輸入層及輸出層分別設定輸入層/輸出層參數、以亂數生成初始權重與偏權值、計算隱藏層與輸出層之輸出、計算目標函數、計算權重與偏權值之修正量、以及調整各層權重與偏權值,直到確認是否完成訓練樣本及是否達到設定的停止要求。
請參閱第3圖,其係為本發明實施例之迴歸分析演算法之示意圖。迴歸分析是一種解釋變數與反應變數的的統計方法,例如簡單的函數關係Y=f(X),Y為相依變數(Dependent Variable),X為獨立變數(Independent Variable),迴歸分析即在探討相依變數與獨立變數的關係,進而建立預測的模型,當輸入X
獨立變數的值,即可得到預測的Y值作為輸出。回歸分析可分為簡單迴歸(Simple Regression)及多元迴歸,簡單迴歸是探討一個相依變數與一個自變數之關係,多元迴歸則是探討一個相依變數與多個自變數的關係。使用迴歸分析時需確認資料是否符合線性關係、常態性、誤差項之獨立性以及誤差項之變異數相等的基本統計假設,否則會導致統計推論偏誤的發生。如何找出最佳的迴歸模式,則可如圖所示,通過確認性的指定或順序搜尋法來選擇自變數。確認性的指定是指操作者可指定變數將其納入方程式中,前提是必須確認變數可在簡易模式當中得到最佳解。順序搜尋法則是根據變數解釋力的大小,選擇變數進入方程式當中,其可包含向前增加、向後刪除以及逐次估計三種方式。向前增加是當自變數達一定水準,根據解釋力大小逐步增加進入方程式,向後刪除是將所有變數納入,逐步將最小解釋力刪除,逐次估計則是結合上述兩種方式向前增加選取變數並向後刪除進行檢驗,直到達到目標水準。
請參閱第4圖,其係為本發明實施例之隨機森林演算法之示意圖。決策樹是一種樹狀結構,可用於資料的預測或輔助決策,隨機森林是基於決策樹集成而形成的,當中的決策樹並沒有關聯,每個決策樹的資料集也不一樣。決策森林中資料要取的數量及範圍有兩種不同做法,分別為Bagging及Boosting,如圖所示,Bagging可從模型本身資料中得到更好的訓練,從訓練資料中隨機抽取樣本,抽取後放回,在取得的樣本中訓練出決策樹,如第4圖(a)部分所示。Boosting則是針對錯誤的部分加強訓練來提升整體效率,將學習效率較差之分類器逐步訓練成較佳之結果,取樣時在每次訓練訓練會針對前一次訓練錯誤的權值加強訓練,取加權平均值做為模擬結果,如第4圖(b)部分所示。
上述的智能化演算程序可同時儲存於分析的電腦主機當中,也可分別以獨立的電腦主機來進行類神經網路演算法、迴歸分析演算法及隨機森林演算法的分析程序。當液態氣體充填製程的複數個工作機台在預定時間收集各自的原始感測數據後,通過智能化演算程序可以產生一種以上之製程影響參數,這些製程影響參數可為包含管線壓力、桶槽壓力、管線溫度、外部溫度及氣體流量當中之參數設置,藉由調整製程影響參數,使得前述智能化演算程序的分析模型或分析架構能更為準確。
步驟S3:通過比較類神經網路演算法、迴歸分析演算法及隨機森林演算法對應之製程影響參數,判斷適用於液態氣體充填製程之最佳演算法。接續上述步驟,由於原始感測數據可分別經由類神經網路演算法、迴歸分析演算法及隨機森林演算法等不同智能化演算程序進行分析,找出對應之製程影響參數,在經由上述參數調整後,對於液態氣體充填製程可分別產生不同的分析模型或分析架構,分析人員可從當中選擇最適合的智能化演算程序作為後續的預測及監控的最佳演算法。這裡的判斷準則可由分析人員設定,例如分析感測數據的類型,選用特定的智能化演算程序,或者依據參數調整程度判斷是否適用特定的智能化演算程序,又或者以實際輸出結果判斷最符合預測結果之方法。
步驟S4:藉由處理器將歷史感測數據導入最佳演算法,經過學習訓練程序計算液態氣體充填製程之複數個預測目標值。經過前述步驟分析後得到的最佳演算法,可以適用於液態氣體充填製成的各個製造程序,經由將原本收集的感測數據導入,可以找到多個欲達成目標的預測目標值。舉例來說,壓力指標及氣體重量為整個製程產出成品的目標規格,壓力規格可為76.5~76.8kf/cm2,壓力變化容許範圍可為0.3kg/cm2(±0.15kg/cm2),氣體重量可
為7.2~7.8g,而產線上由壓力感測器感測的管線壓力、桶槽壓力,或者由溫度感測器量測的管線溫度或外部環境溫度,加上氣體流量計感測的氣體壓力及氣體流量,可以做為氣體分裝後罐內壓力與內含氣體重量的相關指標參數。換言之,當經由訓練及學習程序調整演算模型的參數後,藉由特定的感測數據應能預測生產後產出成品目標規格的預測值。
在另一個實施例當中,預測目標值也可以為各個生產機台當中關鍵零組件及使用壽命,例如控制管路開閉的控制閥,或者PLC控制器等,其通過操作機台所記錄的操作時間、操作狀態,加上電壓感測器與電流感測器量測的電壓數據與電流數據,有助於判斷生產機台當中的關鍵零組件,並且預估這些零組件或整個機台的使用壽命。當關鍵零組件的操作狀態或者用電數據產生變異時,預測該組件可能產生異常而及早通知操作者更換,或者當機台零組件接近使用壽命時,也能由感測數據來預測是否到達需更換的時間。
除此之外,依據機台設備所需之電壓、電流以及不同季節溫濕度變化的數據收集、演算分析,也可以評估在整個液態氣體充填製程所產生之碳排放量及耗電量,以此作為預測目標。在這裡所述的歷史數據可為特定的預設週期時間內收集的感測數據,例如根據每天、每周、每月、每季等不同週期時間的感測數據來進行分析,每天的感測數據可分析每天開機到關機之間的操作狀態,每季的感測數據則可能受到季節溫度等影響而改變操作狀態。因此,依據時間週期的不同,電腦主機可重新執行前述步驟,重新輸入另一預設時間週期的感測數據,重新評估選擇最佳演算法,並再次調整製程參數與預測目標值。為達成上述目標,本實施例之智能化學習機制可分為短期、中期及長期目標,首先短期目標先以現有數據進行分析,找出最佳演算法及參數,藉由參數調整
使得演算法能逐漸符合於液態氣體充填製程的運作狀態。中期目標則是建置自動化系統,包含製程當中各個工作機台與其感測裝置,可透過物聯網之技術或資料收集等設備自動取得感測數據,並通過電腦主機分析及持續修正演算法模型。長期目標則是完成整個自動化系統導入,當建置的系統實際上線,定期收集資料、更新模型及根據系統監控及調整產線,達到智慧工廠的目標。
步驟S5:通過複數個感測器即時偵測液態氣體充填製程之複數個生產數據。當完成液態氣體充填製程的系統建置後,當產線實際進行生產製造,即進行氣體分裝作業時。產線上之感測器持續監控各個生產機台的生產數據,這些即時監控數據可導入建立的自動化系統當中。
步驟S6:藉由處理器比較複數個生產數據與複數個預測目標值,即時監測液態氣體充填製程之異常狀態。這些監控數據經過前述智能化演算程序後,產生對應之複數個預測目標值,在與原本系統中的預測目標值進行比較,判斷是否產生異常,若發生異常,可即時於監控裝置上顯示,達到即時監控製程與預測生產目標的效果。
請參閱第5圖,其係為本發明實施例之液態氣體充填之自適應調節系統之示意圖,如圖所示,液態氣體充填之自適應調節系統1包含液態氣體充填生產線10及電腦主機20。其中,液態氣體充填生產線10可包含多個不同工作機台及安裝於各個工作機台之感測器,感測器包含壓力感測器、溫度感測器、濕度感測器、重量感測器、電壓感測器及電流感測器等,其可對應於生產機台的關鍵站台安裝,例如液態氣體的各個傳輸管道、儲存桶槽、分裝密封機台、成品包裝檢驗等。電腦主機20包含處理器21及資料庫22,上述感測器所取得的原始感測數據,包含管線壓力、桶槽壓力、管線溫度、外部溫度、氣體流量、
操作時間、操作狀態、電壓數據、電流數據等,儲存於電腦主機的資料庫22當中,而處理器21能執行程式來存取資料庫22之資料,並藉由指令執行下列智能化演算程序程序(包含類神經網路演算法23、迴歸分析演算法24及隨機森林演算法25)、判斷程序26以及學習訓練程序27。
智能化演算程序當中的類神經網路演算法23、迴歸分析演算法24及隨機森林演算法25,請參閱前述實施例與第2圖至第4圖所述,將原始感測數據分別進行演算程序以計算各自的製程影響參數。接著藉由比較類神經網路演算法23、迴歸分析演算法24及隨機森林演算法25的結果,由判斷程序26決定選用的智能化演算程序。接著將原有的歷史感測數據導入對應之演算程序,經由學習訓練程序27分析液態氣體充填製程的預測目標值,作為後續監控的比較標準。當建立起對應於各種感測數據的演算法模型後,當生產線10實際進行生產製造時,各個感測器即時監測各個工作機台的感測數據,同樣經由計算程序29計算預測目標值後,與系統儲存的目標值進行比較,通過判斷程序28判斷是否產生異常,當沒有異常時,生產線與目標值正常顯示於監測系統30,例如設置的儀表板或顯示面板上。當判斷產生異常時,液態氣體充填之自適應調節系統1將異常回傳至生產線,自動調整對應機台的生產參數,期能在預測到異常可能產生時,及早調整生產線10,避免等到不良品產出才進行維修重工等步驟,降低生產成本並提高生產良率。同時,監測系統30也能呈現異常狀態的警告,例如傳送訊息或異常燈號顯示等,提醒操作者進行應變。
上述的智能化演算程序自適應調節系統可以充填鋼瓶之充填品質,包含壓力、重量等作為預測目標,也可以將關鍵零組件、使用壽命或節能等作為分析的主要預測目標。系統導入時可分為短期、中期與長期三種目標,
短期目標主要是將現有資料導入,經由智能化演算程序、判斷程序以及學習訓練程序找到最適合的演算模式,以使用壽命與節能為例,先找出關鍵機台用電量與其或者用電變化量大之機台,監測感測數據來管控各個用電數據與實際產出的目標值,例如不同季節環境溫度會影響機台管線內的液態氣體,需要空調設備來維持適當溫度,相對用電量就會增加。可經由監控整年的數據來區分不同季節或月份的用電影響程度,藉由不同時間週期所取得的數據修正分析模型的參數。中期目標則是將系統導入於產線,依據不同季節或月份來實際進行操作,在導入測試時,系統除了監控實際用電量,對原本演算法的分析模型進行修正,也測試如何能在減少用電的情況下維持同樣的生產品質。最後長期目標則是持續進行節能的策略,一方面持續收集感測數據,依據演算結果自動調整機台用電量,一方面也依據取得之數據持續微調分析模型,期能以最低耗電量來達到節能效果,以進一步減少碳排放量之功效。
以上所述僅為舉例性,而非為限制性者。任何未脫離本發明之精神與範疇,而對其進行之等效修改或變更,均應包含於後附之申請專利範圍中。
S1~S6:步驟
Claims (10)
- 一種液態氣體充填之智能化學習機制,其適用於一液態氣體充填製程,該智能化學習機制包含下列步驟:於該液態氣體充填製程之複數個工作機台安裝複數個感測器,測量該液態氣體充填製程之複數個原始感測數據,儲存於一資料庫當中;藉由一處理器執行一智能化演算程序,將該複數個原始感測數據分別通過一類神經網路演算法、一迴歸分析演算法及一隨機森林演算法計算一製程影響參數;通過比較該類神經網路演算法、該迴歸分析演算法及該隨機森林演算法對應之該製程影響參數,判斷適用於該液態氣體充填製程之一最佳演算法;藉由該處理器將一歷史感測數據導入該最佳演算法,經過一學習訓練程序計算該液態氣體充填製程之複數個預測目標值,該複數個預測目標值包含一產出成品目標規格、一關鍵零組件、該關鍵零組件之一使用壽命以及該液態氣體充填製程之一碳排放量及耗電量;通過該複數個感測器即時偵測該液態氣體充填製程之複數個生產數據;以及藉由該處理器比較該複數個生產數據與該複數個預測目標值,即時監測該液態氣體充填製程之一異常狀態。
- 如請求項1所述之液態氣體充填之智能化學習機制,其中該複數個感測器包含一壓力感測器、一溫度感測器、一濕度感測器、一重量感測器、一電壓感測器及一電流感測器。
- 如請求項1所述之液態氣體充填之智能化學習機制,其中該製程影響參數包含一管線壓力、一桶槽壓力、一管線溫度、一外部溫度及一氣體流量,該預測目標值包含一壓力指標及一氣體重量。
- 如請求項1所述之液態氣體充填之智能化學習機制,其中該製程影響參數包含該複數個工作機台之一操作時間、一操作狀態、一電壓數據及一電流數據。
- 如請求項1所述之液態氣體充填之智能化學習機制,進一步包含以下步驟:藉由該處理器於一預設時間週期過後重新執行該智能化演算程序以重新選擇該最佳演算法,並將更新之該歷史感測數據導入該最佳演算法,再次計算該液態氣體充填製程之該複數個預測目標值。
- 一種液態氣體充填之自適應調節系統,其包含:一液態氣體充填生產線,係包含複數個工作機台及安裝於該複數個工作機台之複數個感測器;以及一電腦主機,係包含一處理器及一資料庫,該資料庫儲存該複數個感測器測量一液態氣體充填製程之複數個原始感測數據,由該處理器存取該資料庫以執行以下程序:一智能化演算程序,將該複數個原始感測數據分別通過一類神經網路演算法、一迴歸分析演算法及一隨機森林演算法計算一製程影響參數; 一判斷程序,比較該類神經網路演算法、該迴歸分析演算法及該隨機森林演算法對應之該製程影響參數,判斷適用於該液態氣體充填製程之一最佳演算法;以及一學習訓練程序,將一歷史感測數據導入該最佳演算法,計算該液態氣體充填製程之複數個預測目標值,該複數個預測目標值包含一產出成品目標規格、一關鍵零組件、該關鍵零組件之一使用壽命以及該液態氣體充填製程之一碳排放量及耗電量;其中,該複數個感測器即時偵測該液態氣體充填製程之複數個生產數據,藉由該處理器比較該複數個生產數據與該複數個預測目標值,即時監測該液態氣體充填製程之一異常狀態。
- 如請求項6所述之液態氣體充填之自適應調節系統,其中該複數個感測器包含一壓力感測器、一溫度感測器、一濕度感測器、一重量感測器、一電壓感測器及一電流感測器。
- 如請求項6所述之液態氣體充填之自適應調節系統,其中該製程影響參數包含一管線壓力、一桶槽壓力、一管線溫度、一外部溫度及一氣體流量,該預測目標值包含一壓力指標及一氣體重量。
- 如請求項6所述之液態氣體充填之自適應調節系統,其中該製程影響參數包含該複數個工作機台之一操作時間、一操作狀態、一電壓數據及一電流數據。
- 如請求項6所述之液態氣體充填之自適應調節系統,其中該處理器於一預設時間週期過後重新執行該智能化演算程序、該判斷程序以及該學習訓練程序,重新選擇該最佳演算法,並將 更新之該歷史感測數據導入該最佳演算法,再次計算該液態氣體充填製程之該複數個預測目標值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108122374A TWI738016B (zh) | 2019-06-26 | 2019-06-26 | 液態氣體充填之智能化學習機制與自適應調節系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108122374A TWI738016B (zh) | 2019-06-26 | 2019-06-26 | 液態氣體充填之智能化學習機制與自適應調節系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202100900A TW202100900A (zh) | 2021-01-01 |
TWI738016B true TWI738016B (zh) | 2021-09-01 |
Family
ID=75234638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108122374A TWI738016B (zh) | 2019-06-26 | 2019-06-26 | 液態氣體充填之智能化學習機制與自適應調節系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI738016B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822379A (zh) * | 2021-11-22 | 2021-12-21 | 成都数联云算科技有限公司 | 工艺制程异常分析方法、装置、电子设备及存储介质 |
TWI813225B (zh) * | 2022-03-25 | 2023-08-21 | 谷林運算股份有限公司 | 自動化設備之節能裝置及其方法 |
TWI818523B (zh) * | 2022-04-25 | 2023-10-11 | 蟲洞科技股份有限公司 | 智能低碳的生產管理排程系統及相關方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114877250B (zh) * | 2022-05-05 | 2023-05-19 | 成都秦川物联网科技股份有限公司 | 一种汽化自控式lng分布式能源物联网智能供气方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101832467A (zh) * | 2010-06-03 | 2010-09-15 | 浙江大学 | 基于温升与能耗控制的加氢站氢气优化加注方法及其系统 |
CN102032443A (zh) * | 2009-09-27 | 2011-04-27 | 中国石油化工股份有限公司 | 气柜负荷预测设备和方法以及瓦斯调度系统和方法 |
CN103267224A (zh) * | 2013-06-03 | 2013-08-28 | 北京大道东方能源设备有限公司 | 一种加气机的自反馈控制方法 |
US20180299075A1 (en) * | 2017-04-18 | 2018-10-18 | Air Products And Chemicals, Inc. | Control system in a gas pipeline network to increase capacity factor |
CN109783906A (zh) * | 2018-12-29 | 2019-05-21 | 东北大学 | 一种管道内检测漏磁数据智能分析系统及方法 |
WO2019097728A1 (ja) * | 2017-11-20 | 2019-05-23 | 日揮株式会社 | 天然ガス液化装置の運転方法 |
-
2019
- 2019-06-26 TW TW108122374A patent/TWI738016B/zh active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102032443A (zh) * | 2009-09-27 | 2011-04-27 | 中国石油化工股份有限公司 | 气柜负荷预测设备和方法以及瓦斯调度系统和方法 |
CN101832467A (zh) * | 2010-06-03 | 2010-09-15 | 浙江大学 | 基于温升与能耗控制的加氢站氢气优化加注方法及其系统 |
CN103267224A (zh) * | 2013-06-03 | 2013-08-28 | 北京大道东方能源设备有限公司 | 一种加气机的自反馈控制方法 |
US20180299075A1 (en) * | 2017-04-18 | 2018-10-18 | Air Products And Chemicals, Inc. | Control system in a gas pipeline network to increase capacity factor |
WO2019097728A1 (ja) * | 2017-11-20 | 2019-05-23 | 日揮株式会社 | 天然ガス液化装置の運転方法 |
CN109783906A (zh) * | 2018-12-29 | 2019-05-21 | 东北大学 | 一种管道内检测漏磁数据智能分析系统及方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822379A (zh) * | 2021-11-22 | 2021-12-21 | 成都数联云算科技有限公司 | 工艺制程异常分析方法、装置、电子设备及存储介质 |
CN113822379B (zh) * | 2021-11-22 | 2022-02-22 | 成都数联云算科技有限公司 | 工艺制程异常分析方法、装置、电子设备及存储介质 |
TWI813225B (zh) * | 2022-03-25 | 2023-08-21 | 谷林運算股份有限公司 | 自動化設備之節能裝置及其方法 |
TWI818523B (zh) * | 2022-04-25 | 2023-10-11 | 蟲洞科技股份有限公司 | 智能低碳的生產管理排程系統及相關方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202100900A (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI738016B (zh) | 液態氣體充填之智能化學習機制與自適應調節系統 | |
JP7069269B2 (ja) | デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム | |
CN109840362B (zh) | 一种基于多目标优化的集成即时学习工业过程软测量建模方法 | |
US10839115B2 (en) | Cleansing system for a feed composition based on environmental factors | |
US20170003667A1 (en) | Equipment maintenance management system and equipment maintenance management method | |
US20160292325A1 (en) | Advanced data cleansing system and method | |
US20160292188A1 (en) | Data cleansing system and method for inferring a feed composition | |
CN108418841A (zh) | 基于ai的下一代关键信息基础设施网络安全态势感知系统 | |
CN106872657A (zh) | 一种多变量水质参数时序数据异常事件检测方法 | |
CN113036913B (zh) | 一种综合能源设备状态监测方法及装置 | |
CN111161095B (zh) | 一种检测建筑能源异常消耗的方法 | |
CN111400850B (zh) | 设备故障分析方法、装置、设备和存储介质 | |
CN117196159A (zh) | 基于互联网大数据分析的智慧水务分区计量系统 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN117032120A (zh) | 集成一体式空压站智能云控制系统及控制方法 | |
CN114819082A (zh) | 一种工厂产品一次校验合格率预测方法、装置及介质 | |
CN109947064A (zh) | 智能通水温度控制专家系统及硬件检测和数据监测方法 | |
CN113361939B (zh) | 卷包机型质量与设备管理的动态关联方法及系统 | |
CN117764422B (zh) | 智慧节能运维管理云平台 | |
WO2019005541A1 (en) | ERROR ASSESSMENT OF A PETROCHEMICAL PLANT TO DETERMINE EQUIPMENT CHANGES FOR OPTIMIZED OPERATIONS | |
CN114969068B (zh) | 城市压力管网实时流量监测数据分析方法及系统 | |
CN117391312B (zh) | 一种智慧建筑的告警智能处理方法及系统 | |
CN117742224B (zh) | Pad终端实时异常监控与智能处理方法 | |
CN117113157B (zh) | 一种基于人工智能的台区用电故障检测系统 | |
CN116993226A (zh) | 一种基于gbr算法的压缩空气含水量的预测方法 |