CN107992971A - 一种水泥厂设备备件寿命的预测方法及*** - Google Patents
一种水泥厂设备备件寿命的预测方法及*** Download PDFInfo
- Publication number
- CN107992971A CN107992971A CN201711278040.2A CN201711278040A CN107992971A CN 107992971 A CN107992971 A CN 107992971A CN 201711278040 A CN201711278040 A CN 201711278040A CN 107992971 A CN107992971 A CN 107992971A
- Authority
- CN
- China
- Prior art keywords
- data
- service life
- spare part
- input parameter
- history
- 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.)
- Pending
Links
- 239000004568 cement Substances 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 48
- 230000007935 neutral effect Effects 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000012423 maintenance Methods 0.000 claims abstract description 16
- 241000196324 Embryophyta Species 0.000 claims description 46
- 210000002569 neuron Anatomy 0.000 claims description 25
- 238000013135 deep learning Methods 0.000 claims description 15
- 238000002372 labelling Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 6
- 241000208340 Araliaceae Species 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 3
- 235000008434 ginseng Nutrition 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 description 20
- 238000007726 management method Methods 0.000 description 18
- 238000004519 manufacturing process Methods 0.000 description 13
- 238000000611 regression analysis Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种水泥厂设备备件寿命的预测方法及***,此方法包括:步骤1,获取水泥厂中关键设备的历史运行状态数据和历史管理数据,其中所述历史管理数据包括维保数据;步骤2,对所述关键设备的历史运行状态数据和历史管理数据进行标注处理获得各备件的网络训练数据,所述网络训练数据包括状态输入参数序列和对应的寿命输出参数;步骤3,使用所述网络训练数据对神经网络进行训练,直至训练成功;步骤4,采集目标设备的当前运行状态数据,根据当前运行状态数据构建状态输入参数,将所述状态输入参数输入至训练成功的神经网络,将神经网络的输出结果作为所述备件寿命的预测结果。
Description
技术领域
本发明涉及互联网技术领域,尤其涉及一种水泥厂设备备件寿命的预测方法及***。
背景技术
在为海外水泥厂提供备品备件供应服务的过程中,由于海外水泥厂所处的国家、地域以及相应的经济条件和政策条件各不相同,在工厂生产出现问题急需备品备件时,常常出现以下问题:
(1)备品备件采购成本高,采购不及时:由于不同国家的发展程度不同,对于部分特殊备件,可能由于各种原因在当地无法进行采购(或者采购成本极高),造成备件无法及时采购或者采购成本大幅度提高,影响水泥厂正常运营。
(2)各区域库存的备品备件配置不合理:海外不同国家、不同地域的水泥厂的地理环境和生产条件差别很大,备品备件的需求差异也很大。在区域库存中,而备品备件的采购缺乏科学依据,若采购备件过多,不需要使用,则占用资金过多,造成资源浪费;若采购备件不足或配置不合理,故障发生时,没有足够的备件进行替换,会导致更严重的生产停产事件发生。
(3)不同区域的备品备件库存调度不合理:故障发生后,若本地区域库存无相应的备件供应,且无法进行当地采购,则只能通过传统通讯方式从其他区域库存进行调度。由于涉及到货物运输、清关等问题,往往会导致备件延误,或者成本大幅度上升。
为保障工厂顺利生产,各厂都有备品备件的需求,如何科学确认备件熟练,调度备品备件,对保障企业的生产,降低企业资金占用具有重要的意义。在大数据分析技术的背景下,一些公司利用大数据技术和建模等技术,对各种备品备件的库存量进行科学分析,以实现科学规划库存的目的。
为了根据各工厂的设备运行情况及地理位置分布情况,科学的制定备件的库存量,传统解决方案通常是:通过概率理论计算公式,结合实际经验,建立基于故障概率的数学模型,根据数学模型确定备品备件的数量。具体方法包括:
(1)利用概率统计学知识分析确定备件的采购数量
推断某部件的故障概率服从统计学分布(指数分布),从而推断出部件的需求时间也服从指数分布(泊松过程),并由此得到任何一个固定周期内的需求服从泊松分布。
在此前提条件下,通过建立备件采购经费与装备期望使用可用度的关系最优曲线。装备可用度-费用最优曲线上的各个点对应一组库存策略,即各项备件的库存量。
若以装备可用度(最大限度保证工厂不停产)要求为约束条件,可通过需求预测模型确定库存备件的需求量,在保障经费允许的情况下,按照库存备件需求量,以提高备件效费比为目标,确定备件采购方案。
(2)根据经验公式计算
在工业实践中,对于一些常用设备(泵、压缩机等)的备件,人们根据经验,针对设备类型、使用条件等情况,总结出一些经验公式。人们在为这些常规设备制定备件计划时,直接参考这些经验公式即可。
(3)引入备件重要度的经济订货批量模型
由于实际工作中,有些备件对生产工作影响较大,因此在备件采购中需额外关注,因此,在数学模型中引入重要度概念,以备件的重要度作为系数并参与备件采购决策。
通过将经济订货批量数学模型,结合备件重要度系数,可得到引入备件重要度的采购份额。
(4)引入部件已工作时间的备件计算模型
该模型在传统概率模型的基础上,考虑部件已工作的时间,进一步修订了备件数量计算模型。通过修订后的数学模型,能够准确计算出备品备件的数量与***可靠性之间的关系。
(5)回归分析法确认数学模型
在一定的样本数量支撑下,结合影响备件数量的众多因素的相关性分析,利用回归分析法,获得备件数量的数学模型,利用数学模型对后续的备件需求进行计算。
(1)基于概率统计数学模型计算,适用于备件规模较大的场合
基于概率统计数学模型的备件计算方法(包括由此发展而来的引入重要性参数或者引入使用时间参数等方法),均是基于部件寿命符合统计学宏观规律为前提的。在部件使用量较大的场合,该模型的计算结果表现尚可,但在部件总使用量较少的场合,由于影响部件寿命的因素很多,即使同一种部件,由于工作部位不同,温度、湿度、振动等条件不同,其寿命的概率分布曲线也不会完全一致,如果仅仅套用概率统计模型,将会引起较大的备件资金占用。
(2)基于概率统计数学模型计算,适合备件的“事前”储备
以概率统计数学模型为基础的备品备件策略,其目的是通过事先储备一定数量的备品备件,保证当***出现故障时,能够及时更换备品备件,确保***整体可靠性。由于总是在***出现故障后才能进行更换,无法做到预防性判断,因此即使用户的备品备件数量和种类控制得非常科学,也需要长期占用一部分资金用于备品备件的囤积,无法最大限度的发挥资金价值。
(3)基于回归分析的数学模型,数学模型可靠性不稳定
通过回归分析预测某个部件的使用寿命,本质上是将影响部件使用的各个因素,以及这些因素对部件寿命的影响方式和影响程度,通过多维数学模型表达出来。该数学模型不再是简单的基于概率统计学模型,而是基于现实的大量样本数据以及人们的先验知识。然而,工程条件下,影响部件寿命的因素很多,这些因素之间也存在大量的相关性,人们的先验知识往往无法准确的描述这些影响因素之间的相关性,因此在实际面对复杂问题时,回归分析的数学模型往往与实际情况存在较大差距,数学模型的可靠性不佳。
发明内容
为了解决上述技术问题,本发明提供了一种水泥厂设备备件寿命的预测方法及***。
本发明提供的水泥厂设备备件寿命的预测方法,包括:
步骤1,获取水泥厂中关键设备的历史运行状态数据和历史管理数据,其中所述历史管理数据包括维保数据;
步骤2,对所述关键设备的历史运行状态数据和历史管理数据进行标注处理获得各备件的网络训练数据,所述网络训练数据包括状态输入参数序列和对应的寿命输出参数;
步骤3,使用所述网络训练数据对神经网络进行训练,直至训练成功;
步骤4,采集目标设备的当前运行状态数据,根据当前运行状态数据构建状态输入参数,将所述状态输入参数输入至训练成功的神经网络,将神经网络的输出结果作为所述备件寿命的预测结果。
上述水泥厂设备备件寿命的预测方法还具有以下特点:
所述对所述关键设备的历史运行状态数据和历史管理数据进行标注处理获得各备件的网络训练数据包括:解析所述维保数据获得备件清单,确定各备件的更换时间,将各备件的从开始使用到更换时间之间的时间段作为寿命输出参数,根据此时间段内的历史运行状态数据获得状态输入参数序列。
上述水泥厂设备备件寿命的预测方法还具有以下特点:
所述根据此时间段内的历史运行状态数据获得状态输入参数序列包括:从历史运行状态数据中选择出设备处理开机和待机状态下的运行状态数据,将模拟的历史运行状态数据离散为历史运行状态数据序列作为状态输入参数序列。
上述水泥厂设备备件寿命的预测方法还具有以下特点:
所述神经网络包括依次连接的输入层、LSTM网络、全连接网络,所述输入层中的神经元的个数与所述状态输入参数序列的参数个数相同,全连接网络的第一层的神经元的个数与所述状态输入参数序列的参数个数相同,第二层的神经元的个数是所述状态输入参数序列的参数个数的N倍,第三层的神经元的个数是寿命输出目标值的个数。
上述水泥厂设备备件寿命的预测方法还具有以下特点:
所述获取水泥厂中关键设备的历史运行状态数据和历史管理数据包括:从水泥厂的生产线控制***采集关键设备的历史运行状态数据,或者,通过网络传输的方式从核心数据中心获取核心数据中心存储的历史运行状态数据,或者通过网络传输的方式从核心数据中心获取区域数据中心上报的历史运行状态数据。
上述水泥厂设备备件寿命的预测方法还具有以下特点:
所述运行状态数据包括以下数据中的至少一种:温度、转速、振动频率、运转时间、负载。
本发明提供的水泥厂设备备件寿命的预测***,包括:
数据采集模块,用于获取水泥厂中关键设备的历史运行状态数据和历史管理数据,其中所述历史管理数据包括维保数据;还用于采集目标设备的当前运行状态数据;根据当前运行状态数据构建状态输入参数;
数据标注模块,对所述关键设备的历史运行状态数据和历史管理数据进行标注处理获得各备件的网络训练数据,所述网络训练数据包括状态输入参数序列和对应的寿命输出参数;
深度学习处理模块,用于使用所述网络训练数据对神经网络进行训练,直至训练成功;还用于将所述状态输入参数输入至训练成功的神经网络,将神经网络的输出结果作为所述备件寿命的预测结果。
上述水泥厂设备备件寿命的预测***还具有以下特点:
所述数据标注模块,还用于解析所述维保数据获得备件清单,确定各备件的更换时间,将各备件的从开始使用到更换时间之间的时间段作为寿命输出参数,根据此时间段内的历史运行状态数据获得状态输入参数序列。
上述水泥厂设备备件寿命的预测***还具有以下特点:
所述数据标注模块,还用于使用以下方法根据此时间段内的历史运行状态数据获得状态输入参数序列包括:从历史运行状态数据中选择出设备处理开机和待机状态下的运行状态数据,将模拟的历史运行状态数据离散为历史运行状态数据序列作为状态输入参数序列。
上述水泥厂设备备件寿命的预测***还具有以下特点:
所述神经网络包括依次连接的输入层、LSTM网络、全连接网络,所述输入层中的神经元的个数与所述状态输入参数序列的参数个数相同,全连接网络的第一层的神经元的个数与所述状态输入参数序列的参数个数相同,第二层的神经元的个数是所述状态输入参数序列的参数个数的N倍,第三层的神经元的个数是寿命输出目标值的个数。
本发明具有以下优点:
(1)基于设备本体实际的工作数据对设备寿命进行分析和预测
本发明在对设备寿命进行预测时,是基于对该设备本体的工作历史数据分析得到的结论,相对于传统依赖概率统计工具对设备寿命进行预测的方法,本发明更加关注设备本身的实际工况。当工厂中,某种设备数量相对较少但又非常重要时,本发明提供的方法更加具有实际意义。
(2)提供了基于大数据分析的“事前”预测手段
基于概率统计的方法,不能预测具体哪个设备可能将在哪个时间点发生故障。因此,需要提前准备库存,当设备故障发生后,及时进行更换。本发明的提供的方法,通过“学习”之前的案例,发现具体设备工况与设备故障之间的规律,“事前”预测故障可能发生的时间点。通过“事前”预测,可降低库备品备件的库存量,降低成本。
(3)提供了自动数据采集及数据标注模块
本发明利用自动数据采集和自动数据标注模块,自动为深度学习处理引擎生成足够的“训练数据集”。这些训练集是自动生成的,不需要人工干预和人工标注,提高了***的可用性。
(4)更加稳定可靠的数学模型
相对于回归分析法,人们不再需要关注影响设备寿命的具体因素以及这些因素之间的逻辑关系(回归分析法需要确定各因素间的相关性),只需要让神经网络自动从“训练数据集”中发现规律,从而获得更加稳定可靠的设备寿命数学模型。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是实施例中水泥厂设备备件寿命的预测方法的流程图。
图2是实施例中水泥厂设备备件寿命的预测***的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
本发明通过采集水泥厂中关键设备的历史运行状态数据和历史管理数据,通过深度学习模型实现对目标设备的零部件寿命的预测。
图1是实施例中水泥厂设备备件寿命的预测方法的流程图,此方法包括:
步骤1,获取水泥厂中关键设备的历史运行状态数据和历史管理数据,其中历史管理数据包括维保数据;
步骤2,对关键设备的历史运行状态数据和历史管理数据进行标注处理获得各备件的网络训练数据,网络训练数据包括状态输入参数序列和对应的寿命输出参数;
步骤3,使用网络训练数据对神经网络进行训练,直至训练成功;
步骤4,采集目标设备的当前运行状态数据,根据当前运行状态数据构建状态输入参数,将状态输入参数输入至训练成功的神经网络,将神经网络的输出结果作为备件寿命的预测结果。
其中,
步骤1中,获取水泥厂中关键设备的历史运行状态数据和历史管理数据包括:从水泥厂的生产线控制***采集关键设备的历史运行状态数据,或者,通过网络传输的方式从核心数据中心获取核心数据中心存储的历史运行状态数据,或者通过网络传输的方式从核心数据中心获取区域数据中心上报的历史运行状态数据。运行状态数据包括以下数据中的至少一种:温度、转速、振动频率、运转时间、负载。
基础数据采集是针对海外工厂运营管理的实际需要,建设的远程数据采集、存储***。***以点、线、面的形式分三个层次:工厂层、区域数据中心、核心数据中心。
工厂层:在工厂现场数据采集软件通过OPC、Modbus等接口将生产线各个控制***(DCS)、在线质量分析、计量仪表等***的生产实时数据统一采集到的数据存储企业内部.
区域数据中心:是根据海外水泥厂的业务实际特点,在某一核心市场建立的辐射周边的数据中心,将该区域内的工厂通过网络专线汇集到区域工业数据中心进行二级集中存储;区域工业数据中心组建独立数据采集和通讯的工业以太网,对下连接生产现场采集到的实时数据和现场存储的历史数据,对上连接北京总部的核心数据中心。
核心数据中心:所有区域工业数据中心的数据通过VPN加密专线在北京建立工业数据中心进行三级存储。考虑到海外网络质量较差,数据传输不稳定,数据传输过程采用了数据压缩、本地缓存以及历史数据回传的方式保证数据不丢失。实时数据传输采用TCP长连接,保证了数据传输的正确性以及高效性,同时还节省了网络带宽。
步骤2中对关键设备的历史运行状态数据和历史管理数据进行标注处理获得各备件的网络训练数据包括:解析维保数据获得备件清单,确定各备件的更换时间,将各备件的从开始使用到更换时间之间的时间段作为寿命输出参数,根据此时间段内的历史运行状态数据获得状态输入参数序列。
维保数据中包括设备品牌型号、设备维修/保养信息、产品种类/产量、操作班组等详细信息。
根据此时间段内的历史运行状态数据获得状态输入参数序列包括:从历史运行状态数据中选择出设备处理开机和待机状态下的运行状态数据,将模拟的历史运行状态数据离散为历史运行状态数据序列作为状态输入参数序列。
深度学习的训练是“端到端”的过程,通过给深度学习引擎输入大量“标注有结果”的数据,深度学习引擎学习这些数据并不断进行调整,使输出结果不断接近标注的正确值。在这个过程中,标注过的数据就相当于深度学习引擎的“学习资料”,学习资料的数据和质量,直接决定了深度学习引擎的学习效果。
深度学习处理的核心是RNN循环神经网络。根据水泥生产的特点,相关设备的运行状态参数时序数据的长度往往持续数周甚至数月,而数据中的每一段,都有可能对备件的预测寿命产生影响,RNN神经网络在处理这些数据时,必须能够长期保存历史数据信息,为此,本发明使用了RNN神经网络基础上的改进型LSTM网络作为神经网络的网络模型。
步骤3中的神经网络包括依次连接的输入层、LSTM网络、全连接网络(FC),输入层中的神经元的个数与状态输入参数序列的参数个数相同,全连接网络的第一层的神经元的个数与状态输入参数序列的参数个数相同,第二层的神经元的个数是状态输入参数序列的参数个数的N倍(典型的为2倍),第三层的神经元的个数是寿命输出目标值的个数。
关于LSTM网络,每个神经元面对不同的输入时序数据。根据水泥生产的实际情况,在整个生产过程中,设备存在“停机”、“待机”、“工作”等不同状态,不同状态下,设备核心部件的损耗率是不一样的。停机状态几乎无损耗,工作状态损耗最大。为了保证神经网络能够快速收敛,输入层的LSTM神经元将主要“记忆”(保留)对应时序数据中待机和停机状态的信息,相应“遗忘”(删除)掉“停机”状态的信息。
LSTM神经元具有“遗忘门”、“输入门”、“输出门”和“记忆模块”结构。为了使神经网络适应水泥生产备件的需要,需要对网络结构进行优化。LSTM网络的主要作用是分析处理所有输入参数之间的关系。由于设备运行时,设备参数(电流、振动、转速、温度、下料量等)趋势变化的不同组合形式,反映出了设备的不同工况,也影响到设备备件的使用寿命,因此,神经网络必须“记忆”这些参数的历史组合形式。
全连接网络(FC)作为分类器使用。
图2是实施例中水泥厂设备备件寿命的预测***的结构图,此***包括:
数据采集模块,用于获取水泥厂中关键设备的历史运行状态数据和历史管理数据,其中历史管理数据包括维保数据;还用于采集关键设备的当前运行状态数据;根据当前运行状态数据构建状态输入参数;
数据标注模块,对关键设备的历史运行状态数据和历史管理数据进行标注处理获得各备件的网络训练数据,网络训练数据包括状态输入参数序列和对应的寿命输出参数;
深度学习处理模块,用于使用网络训练数据对神经网络进行训练,直至训练成功;还用于将状态输入参数输入至训练成功的神经网络,将神经网络的输出结果作为备件寿命的预测结果。
其中,数据标注模块的作用是实现设备运行状态与备品备件使用状态的对应,将数据归类、整理成深度学习处理模块所需的训练数据集。深度学习处理模块是深度学习的核心软件算法,由深度学习神经网络构成。***运行分为“训练”和“验证”两个过程。***完成“训练”和“验证”过程,验证结果满足置信要求后,即可用于对海外水泥厂各主要设备备件需求的预测中。当***根据采集到的实时大数据,预测设备将会出现故障需要更换备件时(此时设备尚未出现故障),会自动产生推送消息,将所需的备件信息推送给相关管理人员。相关人员可根据该信息订购相关备件,在设备真正发生故障前通过预防性维修将故障排除。
数据标注模块,还用于解析维保数据获得备件清单,确定各备件的更换时间,将各备件的从开始使用到更换时间之间的时间段作为寿命输出参数,根据此时间段内的历史运行状态数据获得状态输入参数序列。
数据标注模块,还用于使用以下方法根据此时间段内的历史运行状态数据获得状态输入参数序列包括:从历史运行状态数据中选择出设备处理开机和待机状态下的运行状态数据,将模拟的历史运行状态数据离散为历史运行状态数据序列作为状态输入参数序列。
神经网络包括依次连接的输入层、LSTM网络、全连接网络,输入层中的神经元的个数与状态输入参数序列的参数个数相同,全连接网络的第一层的神经元的个数与状态输入参数序列的参数个数相同,第二层的神经元的个数是状态输入参数序列的参数个数的N倍,第三层的神经元的个数是寿命输出目标值的个数。
本发明具有以下优点:
(1)基于设备本体实际的工作数据对设备寿命进行分析和预测
本发明在对设备寿命进行预测时,是基于对该设备本体的工作历史数据分析得到的结论,相对于传统依赖概率统计工具对设备寿命进行预测的方法,本发明更加关注设备本身的实际工况。当工厂中,某种设备数量相对较少但又非常重要时,本发明提供的方法更加具有实际意义。
(2)提供了基于大数据分析的“事前”预测手段
基于概率统计的方法,不能预测具体哪个设备可能将在哪个时间点发生故障。因此,需要提前准备库存,当设备故障发生后,及时进行更换。本发明的提供的方法,通过“学习”之前的案例,发现具体设备工况与设备故障之间的规律,“事前”预测故障可能发生的时间点。通过“事前”预测,可降低库备品备件的库存量,降低成本。
(3)提供了自动数据采集及数据标注模块
本发明利用自动数据采集和自动数据标注模块,自动为深度学习处理引擎生成足够的“训练数据集”。这些训练集是自动生成的,不需要人工干预和人工标注,提高了***的可用性。
(4)更加稳定可靠的数学模型
相对于回归分析法,人们不再需要关注影响设备寿命的具体因素以及这些因素之间的逻辑关系(回归分析法需要确定各因素间的相关性),只需要让神经网络自动从“训练数据集”中发现规律,从而获得更加稳定可靠的设备寿命数学模型。
上面描述的内容可以单独地或者以各种方式组合起来实施,而这些变型方式都在本发明的保护范围之内。
本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成,所述程序可以存储于计算机可读存储介质中,如只读存储器、磁盘或光盘等。可选地,上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现,相应地,上述实施例中的各模块/单元可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。本发明不限制于任何特定形式的硬件和软件的结合。
需要说明的是,在本文中,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物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案而非限制,仅仅参照较佳实施例对本发明进行了详细说明。本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种水泥厂设备备件寿命的预测方法,其特征在于,包括:
步骤1,获取水泥厂中关键设备的历史运行状态数据和历史管理数据,其中所述历史管理数据包括维保数据;
步骤2,对所述关键设备的历史运行状态数据和历史管理数据进行标注处理获得各备件的网络训练数据,所述网络训练数据包括状态输入参数序列和对应的寿命输出参数;
步骤3,使用所述网络训练数据对神经网络进行训练,直至训练成功;
步骤4,采集目标设备的当前运行状态数据,根据当前运行状态数据构建状态输入参数,将所述状态输入参数输入至训练成功的神经网络,将神经网络的输出结果作为所述备件寿命的预测结果。
2.如权利要求1所述的水泥厂设备备件寿命的预测方法,其特征在于,
所述对所述关键设备的历史运行状态数据和历史管理数据进行标注处理获得各备件的网络训练数据包括:解析所述维保数据获得备件清单,确定各备件的更换时间,将各备件的从开始使用到更换时间之间的时间段作为寿命输出参数,根据此时间段内的历史运行状态数据获得状态输入参数序列。
3.如权利要求2所述的水泥厂设备备件寿命的预测方法,其特征在于,
所述根据此时间段内的历史运行状态数据获得状态输入参数序列包括:从历史运行状态数据中选择出设备处理开机和待机状态下的运行状态数据,将模拟的历史运行状态数据离散为历史运行状态数据序列作为状态输入参数序列。
4.如权利要求1所述的水泥厂设备备件寿命的预测方法,其特征在于,
所述神经网络包括依次连接的输入层、LSTM网络、全连接网络,所述输入层中的神经元的个数与所述状态输入参数序列的参数个数相同,全连接网络的第一层的神经元的个数与所述状态输入参数序列的参数个数相同,第二层的神经元的个数是所述状态输入参数序列的参数个数的N倍,第三层的神经元的个数是寿命输出目标值的个数。
5.如权利要求1所述的水泥厂设备备件寿命的预测方法,其特征在于,
所述获取水泥厂中关键设备的历史运行状态数据和历史管理数据包括:从水泥厂的生产线控制***采集关键设备的历史运行状态数据,或者,通过网络传输的方式从核心数据中心获取核心数据中心存储的历史运行状态数据,或者通过网络传输的方式从核心数据中心获取区域数据中心上报的历史运行状态数据。
6.如权利要求1所述的水泥厂设备备件寿命的预测方法,其特征在于,
所述运行状态数据包括以下数据中的至少一种:温度、转速、振动频率、运转时间、负载。
7.一种水泥厂设备备件寿命的预测***,其特征在于,包括:
数据采集模块,用于获取水泥厂中关键设备的历史运行状态数据和历史管理数据,其中所述历史管理数据包括维保数据;还用于采集目标设备的当前运行状态数据;根据当前运行状态数据构建状态输入参数;
数据标注模块,对所述关键设备的历史运行状态数据和历史管理数据进行标注处理获得各备件的网络训练数据,所述网络训练数据包括状态输入参数序列和对应的寿命输出参数;
深度学习处理模块,用于使用所述网络训练数据对神经网络进行训练,直至训练成功;还用于将所述状态输入参数输入至训练成功的神经网络,将神经网络的输出结果作为所述备件寿命的预测结果。
8.如权利要求7所述的水泥厂设备备件寿命的预测***,其特征在于,
所述数据标注模块,还用于解析所述维保数据获得备件清单,确定各备件的更换时间,将各备件的从开始使用到更换时间之间的时间段作为寿命输出参数,根据此时间段内的历史运行状态数据获得状态输入参数序列。
9.如权利要求7所述的水泥厂设备备件寿命的预测***,其特征在于,
所述数据标注模块,还用于使用以下方法根据此时间段内的历史运行状态数据获得状态输入参数序列包括:从历史运行状态数据中选择出设备处理开机和待机状态下的运行状态数据,将模拟的历史运行状态数据离散为历史运行状态数据序列作为状态输入参数序列。
10.如权利要求7所述的水泥厂设备备件寿命的预测***,其特征在于,
所述神经网络包括依次连接的输入层、LSTM网络、全连接网络,所述输入层中的神经元的个数与所述状态输入参数序列的参数个数相同,全连接网络的第一层的神经元的个数与所述状态输入参数序列的参数个数相同,第二层的神经元的个数是所述状态输入参数序列的参数个数的N倍,第三层的神经元的个数是寿命输出目标值的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711278040.2A CN107992971A (zh) | 2017-12-06 | 2017-12-06 | 一种水泥厂设备备件寿命的预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711278040.2A CN107992971A (zh) | 2017-12-06 | 2017-12-06 | 一种水泥厂设备备件寿命的预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107992971A true CN107992971A (zh) | 2018-05-04 |
Family
ID=62036178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711278040.2A Pending CN107992971A (zh) | 2017-12-06 | 2017-12-06 | 一种水泥厂设备备件寿命的预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107992971A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985505A (zh) * | 2018-07-03 | 2018-12-11 | 柳州市木子科技有限公司 | 一种基于rnn的生产线备件损坏率预测*** |
CN109214544A (zh) * | 2018-06-28 | 2019-01-15 | 广东工业大学 | 寿命预测及维护决策方法和装置、以及存储介质、计算机 |
CN109325417A (zh) * | 2018-08-23 | 2019-02-12 | 东北大学 | 一种基于深度神经网络的工业过程故障工况诊断方法 |
CN109359768A (zh) * | 2018-09-25 | 2019-02-19 | 联想(北京)有限公司 | 一种数据处理方法、服务器及电子设备 |
CN109409567A (zh) * | 2018-09-17 | 2019-03-01 | 西安交通大学 | 基于双层长短期记忆网络的复杂设备剩余寿命预测方法 |
CN109979122A (zh) * | 2019-02-13 | 2019-07-05 | 中国工商银行股份有限公司 | Atm维护预警方法及*** |
CN110555639A (zh) * | 2018-05-31 | 2019-12-10 | 红塔烟草(集团)有限责任公司 | 备件管理装置和备件库存管理方法 |
CN110717630A (zh) * | 2019-10-09 | 2020-01-21 | 国核电力规划设计研究院有限公司 | 汽轮机超速保护***的可靠度预测方法及装置 |
CN110858062A (zh) * | 2018-08-22 | 2020-03-03 | 阿里巴巴集团控股有限公司 | 目标优化参数的获取方法及模型训练方法、装置 |
CN112633617A (zh) * | 2019-09-24 | 2021-04-09 | 北京国双科技有限公司 | 维保策略生成方法、装置、计算机设备和可读存储介质 |
CN113127537A (zh) * | 2021-04-16 | 2021-07-16 | 北京交通大学 | 融合时序预测模型和机器学习模型的备件需求预测方法 |
CN113657628A (zh) * | 2021-08-20 | 2021-11-16 | 武汉霖汐科技有限公司 | 工业设备监控方法、***、电子设备及存储介质 |
CN115409255A (zh) * | 2022-08-24 | 2022-11-29 | 广东电网有限责任公司广州供电局 | 一种电力物资生命周期管理方法 |
CN116956174A (zh) * | 2019-05-13 | 2023-10-27 | 北京绪水互联科技有限公司 | 用于进行冷头状态分类检测和寿命预测的分类模型和预测模型的生成方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101320455A (zh) * | 2008-06-30 | 2008-12-10 | 西安交通大学 | 基于在役寿命评估的备件需求预测方法 |
US20160099010A1 (en) * | 2014-10-03 | 2016-04-07 | Google Inc. | Convolutional, long short-term memory, fully connected deep neural networks |
CN106528975A (zh) * | 2016-11-01 | 2017-03-22 | 电子科技大学 | 一种应用于电路与***的故障预测与健康管理方法 |
CN107044349A (zh) * | 2017-04-17 | 2017-08-15 | 清华大学深圳研究生院 | 一种发动机的故障预测方法 |
CN107330512A (zh) * | 2017-06-16 | 2017-11-07 | 哈尔滨工业大学深圳研究生院 | 预测蛋白质序列的远同源性关系的神经网络结构及方法 |
CN107423756A (zh) * | 2017-07-05 | 2017-12-01 | 武汉科恩斯医疗科技有限公司 | 基于深度卷积神经网络结合长短期记忆模型的核磁共振图像序列分类方法 |
-
2017
- 2017-12-06 CN CN201711278040.2A patent/CN107992971A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101320455A (zh) * | 2008-06-30 | 2008-12-10 | 西安交通大学 | 基于在役寿命评估的备件需求预测方法 |
US20160099010A1 (en) * | 2014-10-03 | 2016-04-07 | Google Inc. | Convolutional, long short-term memory, fully connected deep neural networks |
CN106528975A (zh) * | 2016-11-01 | 2017-03-22 | 电子科技大学 | 一种应用于电路与***的故障预测与健康管理方法 |
CN107044349A (zh) * | 2017-04-17 | 2017-08-15 | 清华大学深圳研究生院 | 一种发动机的故障预测方法 |
CN107330512A (zh) * | 2017-06-16 | 2017-11-07 | 哈尔滨工业大学深圳研究生院 | 预测蛋白质序列的远同源性关系的神经网络结构及方法 |
CN107423756A (zh) * | 2017-07-05 | 2017-12-01 | 武汉科恩斯医疗科技有限公司 | 基于深度卷积神经网络结合长短期记忆模型的核磁共振图像序列分类方法 |
Non-Patent Citations (2)
Title |
---|
WANG, JINGYUAN等: "Deep Bi-directional Long Short-Term Memory Model for Short-Term Traffic Flow Prediction", 《NEURAL INFORMATION PROCESSING, ICONIP 2017》 * |
戴斌 等: "基于多类型文本的半监督性别分类方法研究", 《山西大学学报(自然科学版)》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110555639A (zh) * | 2018-05-31 | 2019-12-10 | 红塔烟草(集团)有限责任公司 | 备件管理装置和备件库存管理方法 |
CN110555639B (zh) * | 2018-05-31 | 2024-04-05 | 红塔烟草(集团)有限责任公司 | 备件管理装置和备件库存管理方法 |
CN109214544A (zh) * | 2018-06-28 | 2019-01-15 | 广东工业大学 | 寿命预测及维护决策方法和装置、以及存储介质、计算机 |
CN109214544B (zh) * | 2018-06-28 | 2021-03-09 | 广东工业大学 | 寿命预测及维护决策方法和装置、以及存储介质、计算机 |
CN108985505A (zh) * | 2018-07-03 | 2018-12-11 | 柳州市木子科技有限公司 | 一种基于rnn的生产线备件损坏率预测*** |
CN110858062A (zh) * | 2018-08-22 | 2020-03-03 | 阿里巴巴集团控股有限公司 | 目标优化参数的获取方法及模型训练方法、装置 |
CN109325417B (zh) * | 2018-08-23 | 2021-09-07 | 东北大学 | 一种基于深度神经网络的工业过程故障工况诊断方法 |
CN109325417A (zh) * | 2018-08-23 | 2019-02-12 | 东北大学 | 一种基于深度神经网络的工业过程故障工况诊断方法 |
CN109409567A (zh) * | 2018-09-17 | 2019-03-01 | 西安交通大学 | 基于双层长短期记忆网络的复杂设备剩余寿命预测方法 |
CN109409567B (zh) * | 2018-09-17 | 2022-03-08 | 西安交通大学 | 基于双层长短期记忆网络的复杂设备剩余寿命预测方法 |
CN109359768A (zh) * | 2018-09-25 | 2019-02-19 | 联想(北京)有限公司 | 一种数据处理方法、服务器及电子设备 |
CN109359768B (zh) * | 2018-09-25 | 2022-08-19 | 联想(北京)有限公司 | 一种数据处理方法、服务器及电子设备 |
CN109979122A (zh) * | 2019-02-13 | 2019-07-05 | 中国工商银行股份有限公司 | Atm维护预警方法及*** |
CN116956174A (zh) * | 2019-05-13 | 2023-10-27 | 北京绪水互联科技有限公司 | 用于进行冷头状态分类检测和寿命预测的分类模型和预测模型的生成方法 |
CN112633617A (zh) * | 2019-09-24 | 2021-04-09 | 北京国双科技有限公司 | 维保策略生成方法、装置、计算机设备和可读存储介质 |
CN110717630A (zh) * | 2019-10-09 | 2020-01-21 | 国核电力规划设计研究院有限公司 | 汽轮机超速保护***的可靠度预测方法及装置 |
CN113127537A (zh) * | 2021-04-16 | 2021-07-16 | 北京交通大学 | 融合时序预测模型和机器学习模型的备件需求预测方法 |
CN113127537B (zh) * | 2021-04-16 | 2023-11-24 | 北京交通大学 | 融合时序预测模型和机器学习模型的备件需求预测方法 |
CN113657628A (zh) * | 2021-08-20 | 2021-11-16 | 武汉霖汐科技有限公司 | 工业设备监控方法、***、电子设备及存储介质 |
CN115409255A (zh) * | 2022-08-24 | 2022-11-29 | 广东电网有限责任公司广州供电局 | 一种电力物资生命周期管理方法 |
CN115409255B (zh) * | 2022-08-24 | 2023-09-08 | 广东电网有限责任公司广州供电局 | 一种电力物资生命周期管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107992971A (zh) | 一种水泥厂设备备件寿命的预测方法及*** | |
Yuldoshev et al. | Use of artificial intelligence methods in operational planning of textile production | |
Alrabghi et al. | State of the art in simulation-based optimisation for maintenance systems | |
Ghaleb et al. | Real-time integrated production-scheduling and maintenance-planning in a flexible job shop with machine deterioration and condition-based maintenance | |
Alrabghi et al. | A novel approach for modelling complex maintenance systems using discrete event simulation | |
Choueiri et al. | An extended model for remaining time prediction in manufacturing systems using process mining | |
US8321187B2 (en) | Process simulation utilizing component-specific consumption data | |
Gyulai et al. | Robust production planning and capacity control for flexible assembly lines | |
Renna | Influence of maintenance policies on multi-stage manufacturing systems in dynamic conditions | |
Kanakoudis et al. | Basic principles of a DSS tool developed to prioritize NRW reduction measures in water pipe networks | |
Frantzén et al. | Digital-twin-based decision support of dynamic maintenance task prioritization using simulation-based optimization and genetic programming | |
CN117350492A (zh) | 一种对比历史数据智能调控的mes运行管理*** | |
US20220292418A1 (en) | Operation risk evaluation system, model creation apparatus, operation risk evaluation method, and recording medium | |
Manco et al. | Maintenance management for geographically distributed assets: a criticality-based approach | |
Aqlan et al. | An approach for rush order acceptance decisions using simulation and multi-attribute utility theory | |
CN117350640A (zh) | 一种项目进度管理方法与*** | |
Tamani et al. | Application of a continuous supervisory fuzzy control on a discrete scheduling of manufacturing systems | |
Kovács | Methods for efficiency improvement of production and logistic processes | |
WO2016200611A1 (en) | Dynamically adjusting industrial system outage plans | |
Kłos et al. | Using a simulation method for intelligent maintenance management | |
CN116976839A (zh) | 一种基于网络协同制造的铅蓄电池生产管控方法 | |
Yeung et al. | The role of simulation in digital twin construction | |
Chien et al. | Production-level artificial intelligence applications in semiconductor supply chains | |
Hossain et al. | PSO-based harmony search algorithm to aggregate production planning under possibilistic environment | |
Dehghanimohammadabadi et al. | Tradeoffs between objective measures and execution speed in Iterative Optimization-based Simulation (IOS) |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180504 |