CN113393211B - 一种智能化提高自动化生产效率的方法及*** - Google Patents
一种智能化提高自动化生产效率的方法及*** Download PDFInfo
- Publication number
- CN113393211B CN113393211B CN202110664065.6A CN202110664065A CN113393211B CN 113393211 B CN113393211 B CN 113393211B CN 202110664065 A CN202110664065 A CN 202110664065A CN 113393211 B CN113393211 B CN 113393211B
- Authority
- CN
- China
- Prior art keywords
- production
- principal component
- information
- obtaining
- fault
- 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 311
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000013507 mapping Methods 0.000 claims abstract description 31
- 238000012423 maintenance Methods 0.000 claims abstract description 23
- 238000007405 data analysis Methods 0.000 claims abstract description 12
- 238000000513 principal component analysis Methods 0.000 claims abstract description 12
- 230000005484 gravity Effects 0.000 claims description 38
- 238000004458 analytical method Methods 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 19
- 238000004088 simulation Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 10
- 230000008439 repair process Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000007423 decrease Effects 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 13
- 238000001514 detection method Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 230000015556 catabolic process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000003466 welding Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能化提高自动化生产效率的方法及***，所述方法包括：获得第一企业的第一生产标准信息和第一生产车间第一生产实时信息；通过对所述第一生产标准信息和所述第一生产实时信息进行数据分析，获得第一匹配系数；根据所述第一匹配系数，对所述第一生产车间的影响因子进行主成分分析，获得第一主成分因子；将所述第一主成分因子输入第一比重映射模型，获得第一主成分比重；根据所述第一主成分因子和所述第一主成分比重，获得第一故障指数；根据所述第一故障指数，生成第一故障规划预案。解决了现有技术中存在由于设备故障而导致生产线停止维修，从而增加维修成本和安全隐患，使得整体生产效率下降的技术问题。
Description
技术领域
本发明涉及自动化生产相关领域，尤其涉及一种智能化提高自动化生产效率的方法及***。
背景技术
随着我国科学技术的不断突破以及规模经济的发展，我过机械制造业的自动化水平显著提升，由于自动化生产运用了更加先进的技术提高机械生产、制造的自动化水平和智能化水平，使得企业更好实现产业化和规模化，不但保障了产品的质量，还极大提高了生产的效率。因此，进一步提升机械生产效率对促进机械制造业的深化发展具有重要意义。
但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
现有技术中存在由于设备故障而导致生产线停止维修，从而增加维修成本和安全隐患，使得整体生产效率下降的技术问题。
发明内容
本申请实施例通过提供一种智能化提高自动化生产效率的方法及***，解决了现有技术中存在由于设备故障而导致生产线停止维修，从而增加维修成本和安全隐患，使得整体生产效率下降的技术问题，达到了通过采用计算模型对自动化生产线进行数据检测和故障的智能化分析，再根据故障情况实现自我规划调整，从而降低成本损耗，提高生产效率的技术效果。
鉴于上述问题，提出了本申请实施例提供一种智能化提高自动化生产效率的方法及***。
第一方面，本申请实施例提供了一种智能化提高自动化生产效率的方法，其中，所述方法应用于一种自动化生产线的智能规划***，所述***与第一数据采集器通信连接，所述方法包括：获得第一企业的第一生产标准信息；根据所述第一数据采集器对所述第一企业的第一生产车间进行数据采集，获得第一生产实时信息；通过对所述第一生产标准信息和所述第一生产实时信息进行数据分析，获得第一匹配系数；根据所述第一匹配系数，对所述第一生产车间的影响因子进行主成分分析，获得第一主成分因子，其中，所述第一主成分因子包括多个因子；构建第一比重映射模型；将所述第一主成分因子输入所述第一比重映射模型，根据所述第一比重映射模型，获得第一主成分比重，其中，所述第一主成分比重包括多个比重，且所述多个比重与所述多个因子一一对应；根据所述第一主成分因子和所述第一主成分比重，获得第一故障指数；根据所述第一故障指数，生成第一故障规划预案。
另一方面，本申请还提供了一种智能化提高自动化生产效率的***，所述***包括：第一获得单元，所述第一获得单元用于获得第一企业的第一生产标准信息；第二获得单元，所述第二获得单元用于根据第一数据采集器对所述第一企业的第一生产车间进行数据采集，获得第一生产实时信息；第三获得单元，所述第三获得单元用于通过对所述第一生产标准信息和所述第一生产实时信息进行数据分析，获得第一匹配系数；第四获得单元，所述第四获得单元用于根据所述第一匹配系数，对所述第一生产车间的影响因子进行主成分分析，获得第一主成分因子，其中，所述第一主成分因子包括多个因子；第一构建单元，所述第一构建单元用于构建第一比重映射模型；第一输入单元，所述第一输入单元用于将所述第一主成分因子输入所述第一比重映射模型，根据所述第一比重映射模型，获得第一主成分比重，其中，所述第一主成分比重包括多个比重，且所述多个比重与所述多个因子一一对应；第五获得单元，所述第五获得单元用于根据所述第一主成分因子和所述第一主成分比重，获得第一故障指数；第一生成单元，所述第一生成单元用于根据所述第一故障指数，生成第一故障规划预案。
第三方面，本发明提供了一种智能化提高自动化生产效率的***，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现第一方面所述方法的步骤。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了通过数据采集器对企业的生产车间进行生产线的数据采集，以获得生产实时信息，进而再将获得的生产实时信息与企业的生产标准信息进行匹配对比分析，获得第一匹配系数，当所述第一匹配系数低于目标的匹配度时对车间影响设备故障的所有因子进行分析，由于所有因子都具有一定的相关性和重合性，因此通过对所有因子进行主成分分析获得第一主成分因子，进一步的，将所述第一主成分因子输入到比重映射模型中获得因子对应的比重，完成进一步的故障指数计算，并根据所述第一故障指数的大小，提取出其中对应的影响因子并相对采取措施，进而以所述第一故障规划预案对生产线进行智能化调整的方式，达到了通过采用计算模型对自动化生产线进行数据检测和故障的智能化分析，再根据故障情况实现自我规划调整，从而降低成本损耗，提高生产效率的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种智能化提高自动化生产效率的方法的流程示意图；
图2为本申请实施例一种智能化提高自动化生产效率的***的结构示意图；
图3为本申请实施例示例性电子设备的结构示意图。
附图标记说明：第一获得单元11，第二获得单元12，第三获得单元13，第四获得单元14，第一构建单元15，第一输入单元16，第五获得单元17，第一生成单元18，计算设备300，存储器310，处理器320，输入输出接口330。
具体实施方式
本申请实施例通过提供一种智能化提高自动化生产效率的方法及***，解决了现有技术中存在由于设备故障而导致生产线停止维修，从而增加维修成本和安全隐患，使得整体生产效率下降的技术问题，达到了通过采用计算模型对自动化生产线进行数据检测和故障的智能化分析，再根据故障情况实现自我规划调整，从而降低成本损耗，提高生产效率的技术效果。下面，将参考附图详细的描述根据本申请的示例实施例。显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
随着我国科学技术的不断突破以及规模经济的发展，我过机械制造业的自动化水平显著提升，由于自动化生产运用了更加先进的技术提高机械生产、制造的自动化水平和智能化水平，使得企业更好实现产业化和规模化，不但保障了产品的质量，还极大提高了生产的效率。因此，进一步提升机械生产效率对促进机械制造业的深化发展具有重要意义。但现有技术中存在由于设备故障而导致生产线停止维修，从而增加维修成本和安全隐患，使得整体生产效率下降的技术问题。
针对上述技术问题，本申请提供的技术方案总体思路如下：
本申请实施例提供了一种智能化提高自动化生产效率的方法，其中，所述方法应用于一种自动化生产线的智能规划***，所述***与第一数据采集器通信连接，所述方法包括：获得第一企业的第一生产标准信息；根据所述第一数据采集器对所述第一企业的第一生产车间进行数据采集，获得第一生产实时信息；通过对所述第一生产标准信息和所述第一生产实时信息进行数据分析，获得第一匹配系数；根据所述第一匹配系数，对所述第一生产车间的影响因子进行主成分分析，获得第一主成分因子，其中，所述第一主成分因子包括多个因子；构建第一比重映射模型；将所述第一主成分因子输入所述第一比重映射模型，根据所述第一比重映射模型，获得第一主成分比重，其中，所述第一主成分比重包括多个比重，且所述多个比重与所述多个因子一一对应；根据所述第一主成分因子和所述第一主成分比重，获得第一故障指数；根据所述第一故障指数，生成第一故障规划预案。
在介绍了本申请基本原理后，下面结合附图，对本申请的实施例进行描述。本领域普通技术人员可知，随着技术的发展和新场景的出现，本申请实施例提供的技术方案对于类似的技术问题同样适用。
实施例一
如图1所示，本申请实施例提供了一种智能化提高自动化生产效率的方法，其中，所述方法应用于一种自动化生产线的智能规划***，所述***与第一数据采集器通信连接，所述方法包括：
步骤S100：获得第一企业的第一生产标准信息；
步骤S200：根据所述第一数据采集器对所述第一企业的第一生产车间进行数据采集，获得第一生产实时信息；
具体而言，获得所述第一企业的第一生产标准信息是根据企业的具体生产属性确定的，比如当所述第一企业为对应的车辆零件制造时根据其企业处于同类行业中的技术水平和知名度等对应形成了一套企业生产的标准，比如产出车间零件的速率以及质量等级等，进而根据通过数据采集器对所述第一企业的生产车间的实时生产线进行数据的采集，对目前所述第一生产车间的自动化设备产生速度，生产线安排以及对应的管理人员和生产线人员以及仓库存储等多项数据信息进行连接，由于采集到的数据较多，因此，通过数据采集器采集到的数据上传至第一云处理器中进行数据处理和分析后再将对应处理后的数据传输到对应的***中，从而获得了准确的生产标准和生产车间的实时状态，且所述第一数据采集器中的数据具有实时更新和多连接传输的功能，可以将所述第一数据采集器与多个设备进行连接，从而不断更新和纠正采集的数据，提高数据采集准确性。
步骤S300：通过对所述第一生产标准信息和所述第一生产实时信息进行数据分析，获得第一匹配系数；
具体而言，根据企业和生产标准信息和自动化生产车间采集到的信息输入到匹配分析模型中进行具体的数据训练分析，其中，所述匹配分析模型是以神经网络模型为基础构建的一种数据网络模型，可以根据输入的数据进行数据的训练分析，从而获得对应的模型的性能，当多组训练数据满足一定的收敛条件，经收敛分析后输出其中的对应输出信息，神经网络是由大量的、简单的处理单元广泛地互相连接而形成的复杂神经网络***，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习***，神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络是对人类大脑***的一阶特性的一种描述。简单地讲，它是一个数学模型。
进一步的，通过大量训练数据的训练获得的输出信息是一种根据机器学习输出的准确的第一匹配系数。所述第一匹配系数的获得是通过对企业标准和工厂的实时生产信息进行匹配的标识系数，达到了数据的智能化处理，提高数据分析准确性的技术效果。
步骤S400：根据所述第一匹配系数，对所述第一生产车间的影响因子进行主成分分析，获得第一主成分因子，其中，所述第一主成分因子包括多个因子；
具体而言，由于所述第一匹配系数是基于多组训练数据不断训练后获得的系数，因此，所述第一匹配系数具有机器学习收敛的数学特性，从而进一步的对所述第一匹配系数进行判断，当所述第一匹配系数高于预设匹配系数阈值，表示目前所述第一生产车间的生产能力较为符合公司制定的生产标准，当所述第一匹配系数不处于预设匹配系数阈值，表示目前所述第一生产车间出现了生产问题，进而影响了生产效率，以使达不到企业生产标准，因此，通过采用主成分分析方法对所述第一车间的生产影响因子进行数据采集进而分析，使得生成的所述第一主成分因子能够准确反应所有影响因子个体之间的差异，其中，主成分分析时通过将复杂、繁多、重叠的数据进行信息的压缩，使得压缩的指标能够充分反映所有个体之间的差异形成综合指标的过程。通过只成分分析计算之后按照一定的挑选规则对所有的主成分因子进行分析，从而使得获得的所述第一主成分因子能够准确反应所有影响因子的特性。
步骤S500：构建第一比重映射模型；
步骤S600：将所述第一主成分因子输入所述第一比重映射模型，根据所述第一比重映射模型，获得第一主成分比重，其中，所述第一主成分比重包括多个比重，且所述多个比重与所述多个因子一一对应；
具体而言，所述第一比重映射模型是根据所述第一主成分因子计算时生成方差大小按照从大到小的顺序排列，并根据所述第一主成分因子中每个因子数据信息准确性、标准化后信息量的比重，通过将三个信息分别作为三维坐标系中的空间坐标，其中，方差大小为第一变量，信息准确系数作为第二变量，信息比重作为第三变量构建所述第一比重映射模型，从而能够根据三维坐标的确定进一步确定主成分因子对应的权数，即所述第一主成分比重，其中，所述第一主成分比重是根据所述第一主成分因子进行比重映射模型分析获得的，从而最终根据每个因子对应的坐标通过计算机搭建的平台完成复杂的计算，获得准确的所述第一主成分比重，提高权重确定的准确性和主成分分析效果。
步骤S700：根据所述第一主成分因子和所述第一主成分比重，获得第一故障指数；
其中，所述第一故障指数计算方式如下：
其中，x为所述第一主成分因子；
y为所述第一主成分比重；
n为所述第一主成分因子的总数量；
t为所述第一主成分因子的故障维修时间；
具体而言，所述第一主成分因子是根据主成分分析方法满足一定筛选规则获得的因子，其中，所述筛选规则包括满足特征根大于1且方差贡献率大于85％进行确定，所述第一主成分比重是对应于所述第一主成分因子的比重映射输出比重信息，因此，根据所述第一主成分因子和所述第一主成分比重获得所述第一故障指数，进一步的，所述第一故障指数的计算方式如上。其中，经过筛选规则筛选后获得的因子k，因此，所述第一故障指数通过对n个因子分别复杂计算后进行加法计算，从而获得所述第一故障指数。进一步的，所述max(xy)是对所述第一主成分因子和所述第一主成分比重乘积计算后获得的最大数据，通过所述第一故障指数的计算公式，从而能够以所述第一故障指数准确对所述第一生产车间的故障情况进行分析，提高故障分析数据的有效性和准确性。
步骤S800：根据所述第一故障指数，生成第一故障规划预案。
具体而言，根据所述第一故障指数生成对应的故障等级，再根据其故障等级对应采取相关的措施进行故障维修，所述第一故障规划预案是根据所述第一故障指数中的所有主成分因子进行对应调整，达到了通过采用计算模型对自动化生产线进行数据检测和故障的智能化分析，再根据故障情况实现自我规划调整，从而降低成本损耗，提高生产效率的技术效果。
进一步而言，所述根据所述第一主成分因子和所述第一主成分比重，获得第一故障指数之后，本申请实施例步骤S700还包括：
步骤S710：判断所述第一故障指数是否处于预设故障指数阈值中；
步骤S720：若所述第一故障指数处于所述预设故障指数阈值中，获得故障指数差阈值，其中，所述故障指数差阈值为所述第一故障指数与所述预设故障指数阈值之间的差值；
步骤S730：根据所述故障指数差阈值引入损失函数，获得第一损失指数；
步骤S740：根据所述第一损失指数，获得第一调整指令；
步骤S750：根据所述第一调配指令对所述第一生产车间的生产线顺序进行调整。
具体而言，所述预设故障指数阈值为根据目前所述第一企业的生产标准进行故障指数阈值划分，当所述第一故障指数处于所述预设故障指数阈值，表示目前所述第一故障指数较大需要及时采取措施，因此，通过获得所述第一故障指数与所述预设故障指数阈值之间的差值确定所述第一生产车间的调整空间，进一步的，通过引入损失函数对所述差值进行损失分析以获得所述第一损失指数，进一步的，所述第一损失指数是通过分析后确定损失成本，当出现故障时对应生产线需要停止生产，以及故障维修成本，从而对应获得调整指令，其中，获得所述第一损失指数以对所述第一生产车间的生产线顺序进行调整，详细来说是可以根据生产车间生产线的效率以及生产零件的数量比例进行生产线的生产调整以为之后故障维修的成本损失进行修复，减少生产线成本损失，提高生产效率。
进一步而言，其中，所述根据所述第一损失指数，获得第一调整指令，本申请实施例步骤S740还包括：
步骤S741：获得所述第一生产车间的第一生产线；
步骤S742：通过对所述第一生产线的所有生产部件进行效率分析，生成第一效率数据集；
步骤S743：根据所述第一效率数据集，获得所述第一生产线的第一短板生产线；
步骤S744：基于所述第一故障指数对所述第一短板生产线进行调整预案分析，获得第一调整预案；
步骤S745：将所述第一调整预案添加至所述第一故障规划预案中。
具体而言，所述第一生产线是根据所述第一生产车间的所有自动化生产流程线，举例来说，汽车白车身焊装生产线是把各车身冲压零件装配焊接成白车身的全部成形工位，包含发动机舱、侧围、地板及车顶顶盖等焊接分总成线及最后合装主焊生产线。而且所述第一车间中的所有自动化生产线还可以根据生产节拍、自动化程度以及生产方式的不同又进行进一步的划分，其中，生产线也可以结合传送装置进行连接组合，因此，通过针对每一生产线的生产效率进行分析，将其中生产节拍、自动化程度最小使得生产效率也最小的生产线进行提取，进而根据其所述第一故障指数中的影响一直对短板生产线进行方案分析，进而达到了通过对自动化生产线中的生产效率进行分析，确定其调整方案，提高生产线流程以准确达到生产标准。
进一步而言，所述根据所述故障指数差阈值引入损失函数，获得第一损失指数，本申请实施例步骤S730还包括：
步骤S731：获得所述第一生产线的第一故障生产线；
步骤S732：获得所述第一故障生产线的第一故障维修时间；
步骤S733：根据所述第一故障维修时间，获得第一时间成本，其中，所述第一时间成本为所述第一故障维修时间中产生的损失；
步骤S734：将所述第一时间成本作为所述第一调整预案的第一约束条件进行约束。
具体而言，所述第一故障生产线是对所有生产线中进行故障分析后确定的，由于生产线中的设备都是独立不相关，发生故障的概率也没有联系，但是当其中任何一个设备发生故障时，整个***将要停机用于修复，所以为了保障整条生产线效率，需要及时对故障生产线进行排查，即通过确定所述第一故障生产线中的故障设备，对维护和修复的时间进行预测，从而获得其所述第一时间成本，由于在设计过程中需要根据故障工位留出修复的时间，同时在生产过程中，还要安排维修人员进行维护和及时修复，因此，在所述第一时间成本中进行自动化生产的过程中产生的损失可以根据调整预案进行损失弥补，由于每条生产线的期望的生产节拍是恒定的，需要根据生产节拍均衡每个工位之间的生产时间，因此根据所述第一时间成本作为约束条件进行约束，以达到了通过采用计算模型对自动化生产线进行数据检测和故障的智能化分析，减少设备故障对生产时间变动影响的技术效果。
进一步而言，其中，所述***还与一仿真***通信连接，本申请实施例步骤S900还包括：
步骤S910：根据所述第一生产线，生成第一建模单元；
步骤S920：通过对所述第一生产车间的历史生产信息进行特征提取，获得第一生产经验；
步骤S930：将所述第一生产经验信息输入所述仿真***中；
步骤S940：根据所述第一建模单元和所述仿真***，获得第一仿真输出信息；
步骤S950：将所述第一仿真输出信息作为所述第一故障规划预案的第一辅助信息。
具体而言，所述第一建模单元是根据所述第一生产车间和自动化生产线的特性构建了一个模拟单元，从生产线、加工单元到工序操作的所有层次进行设计、物流仿真和优化的集成计算机环境。举例来说，白车身焊装生产线的包括工艺规划、焊装生产线的布局，同时还可以增加物流仿真模块对整个生产线进行物流分析和优化。所述第一生产经验是由于自动化生产的随机因素较大，因此可以根据历史生产信息进行生产经验的提取避免瓶颈的出现，其中，瓶颈工位是规划设计以及实际生产活动中需要提高的工位，进一步的，通过生产建模和经验分析结合能够模拟生产***中的各种加工单元，基于实验分析、遗传算法等功能，可清楚地看出***的瓶颈所在，并且结合生产经验仿真输出辅助规划信息解决对应问题，从而提升生产线效率。
进一步而言，所述通过对所述第一生产标准信息和所述第一生产实时信息进行数据分析，获得第一匹配系数，本申请实施例S300还包括：
步骤S310：将所述第一生产标准信息和所述第一生产实时信息作为输入信息构建生产标准匹配模型；
步骤S320：所述生产标准匹配模型通过多组训练数据训练至收敛获得，其中，所述多组训练数据中的每组数据均包括所述第一生产标准信息、所述第一生产实时信息和作为用于标识第一匹配系数的标识信息；
步骤S330：获得所述生产标准匹配模型的输出结果，所述输出结果包括所述第一匹配系数。
具体而言，将所述第一匹配系数作为监督数据输入每一组训练数据中进行监督学习，所述生产标准匹配模型为是以神经网络模型为基础建立的模型，而神经网络是大量的神经元之间相互连接构成的一种运算模型，网络的输出则依照网络的连接方式的一种逻辑策略表达。进一步而言，所述训练的过程实质为监督学习的过程，所述多组训练数据中的每组均包括所述第一生产标准信息、所述第一生产实时信息和作为用于标识第一匹配系数的标识信息，所述生产标准匹配模型进行不断的自我修正、调整，直至获得的输出结果与所述标识信息一致，结束本组数据监督学习，进行下一组数据监督学习。当所述生产标准匹配模型的输出信息达到预定的准确率/达到收敛状态时，则监督学习过程结束，达到了通过所述生产标准匹配模型的训练使得输出所述第一匹配系数更加准确，达到了数据智能化分析的技术效果。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、U盘，移动硬盘、ROM、RAM、磁碟或者光盘等，包括若干指令用以使得一台计算机设备执行本申请各个实施例所述的方法。
综上所述，本申请实施例所提供的一种智能化提高自动化生产效率的方法及***具有如下技术效果：
1、由于采用了通过数据采集器对企业的生产车间进行生产线的数据采集，以获得生产实时信息，进而再将获得的生产实时信息与企业的生产标准信息进行匹配对比分析，获得第一匹配系数，当所述第一匹配系数低于目标的匹配度时对车间影响设备故障的所有因子进行分析，由于所有因子都具有一定的相关性和重合性，因此通过对所有因子进行主成分分析获得第一主成分因子，进一步的，将所述第一主成分因子输入到比重映射模型中获得因子对应的比重，完成进一步的故障指数计算，并根据所述第一故障指数的大小，提取出其中对应的影响因子并相对采取措施，进而以所述第一故障规划预案对生产线进行智能化调整的方式，达到了通过采用计算模型对自动化生产线进行数据检测和故障的智能化分析，再根据故障情况实现自我规划调整，从而降低成本损耗，提高生产效率的技术效果。
2、由于采用了通过生产建模和经验分析结合能够模拟生产***中的各种加工单元，基于实验分析、遗传算法等功能，可清楚地看出***的瓶颈所在，并且结合生产经验仿真输出辅助规划信息解决对应问题，从而提升生产线效率。
3、由于采用了通过分析时间成本与生产节拍结合的方式，达到了通过采用计算模型对自动化生产线进行数据检测和故障的智能化分析，减少设备故障对生产时间变动影响的技术效果。
实施例二
基于与前述实施例中一种智能化提高自动化生产效率的方法同样发明构思，本发明还提供了一种智能化提高自动化生产效率的***，如图2所示，所述***包括：
第一获得单元11，所述第一获得单元11用于获得第一企业的第一生产标准信息；
第二获得单元12，所述第二获得单元12用于根据第一数据采集器对所述第一企业的第一生产车间进行数据采集，获得第一生产实时信息；
第三获得单元13，所述第三获得单元13用于通过对所述第一生产标准信息和所述第一生产实时信息进行数据分析，获得第一匹配系数；
第四获得单元14，所述第四获得单元14用于根据所述第一匹配系数，对所述第一生产车间的影响因子进行主成分分析，获得第一主成分因子，其中，所述第一主成分因子包括多个因子；
第一构建单元15，所述第一构建单元15用于构建第一比重映射模型；
第一输入单元16，所述第一输入单元16用于将所述第一主成分因子输入所述第一比重映射模型，根据所述第一比重映射模型，获得第一主成分比重，其中，所述第一主成分比重包括多个比重，且所述多个比重与所述多个因子一一对应；
第五获得单元17，所述第五获得单元17用于根据所述第一主成分因子和所述第一主成分比重，获得第一故障指数；
第一生成单元18，所述第一生成单元18用于根据所述第一故障指数，生成第一故障规划预案。
进一步的，所述***还包括：
第一判断单元，所述第一判断单元用于判断所述第一故障指数是否处于预设故障指数阈值中；
第六获得单元，所述第六获得单元用于若所述第一故障指数处于所述预设故障指数阈值中，获得故障指数差阈值，其中，所述故障指数差阈值为所述第一故障指数与所述预设故障指数阈值之间的差值；
第七获得单元，所述第七获得单元用于根据所述故障指数差阈值引入损失函数，获得第一损失指数；
第八获得单元，所述第八获得单元用于根据所述第一损失指数，获得第一调整指令；
第一调整单元，所述第一调整单元用于根据所述第一调配指令对所述第一生产车间的生产线顺序进行调整。
进一步的，所述***还包括：
第九获得单元，所述第九获得单元用于获得所述第一生产车间的第一生产线；
第二生成单元，所述第二生成单元用于通过对所述第一生产线的所有生产部件进行效率分析，生成第一效率数据集；
第十获得单元，所述第十获得单元用于根据所述第一效率数据集，获得所述第一生产线的第一短板生产线；
第十一获得单元，所述第十一获得单元用于基于所述第一故障指数对所述第一短板生产线进行调整预案分析，获得第一调整预案；
第一添加单元，所述第一添加单元用于将所述第一调整预案添加至所述第一故障规划预案中。
进一步的，所述***还包括：
第十二获得单元，所述第十二获得单元用于获得所述第一生产线的第一故障生产线；
第十三获得单元，所述第十三获得单元用于获得所述第一故障生产线的第一故障维修时间；
第十四获得单元，所述第十四获得单元用于根据所述第一故障维修时间，获得第一时间成本，其中，所述第一时间成本为所述第一故障维修时间中产生的损失；
第一约束单元，所述第一约束单元用于将所述第一时间成本作为所述第一调整预案的第一约束条件进行约束。
进一步的，所述***还包括：
第三生成单元，所述第三生成单元用于根据所述第一生产线，生成第一建模单元；
第十五获得单元，所述第十五获得单元用于通过对所述第一生产车间的历史生产信息进行特征提取，获得第一生产经验；
第二输入单元，所述第二输入单元用于将所述第一生产经验信息输入所述仿真***中；
第十六获得单元，所述第十六获得单元用于根据所述第一建模单元和所述仿真***，获得第一仿真输出信息；
第一操作单元，所述第一操作单元用于将所述第一仿真输出信息作为所述第一故障规划预案的第一辅助信息。
进一步的，所述***还包括：
第二构建单元，所述第二构建单元用于将所述第一生产标准信息和所述第一生产实时信息作为输入信息构建生产标准匹配模型；
第十七获得单元，所述第十七获得单元用于所述生产标准匹配模型通过多组训练数据训练至收敛获得，其中，所述多组训练数据中的每组数据均包括所述第一生产标准信息、所述第一生产实时信息和作为用于标识第一匹配系数的标识信息；
第十八获得单元，所述第十八获得单元用于获得所述生产标准匹配模型的输出结果，所述输出结果包括所述第一匹配系数。
本申请实施例可以根据上述方法示例对网络设备和终端设备进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个接收模块中。上述集成的模块既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。需要说明的是，本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。通过前述对一种智能化提高自动化生产效率的方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种智能化提高自动化生产效率的***的实施方法，所以为了说明书的简洁，在此不再详述。
示例性电子设备
图3是本申请的计算设备的示意图。图3所示的计算设备300可以包括:存储器310、处理器320、输入/输出接口330。其中，存储器33、处理器320和输入/输出接口330通过内部连接通路相连，该存储器33用于存储指令，该处理器320用于执行该存储器320存储的指令，以控制输入/输出接口330接收输入的数据和信息，输出操作结果等数据。
图3是本申请另一实施例的计算设备的示意图。图3所示的计算设备300可以包括:存储器310、处理器320、输入/输出接口330。其中，存储器310、处理器320和输入/输出接口330通过内部连接通路相连，该存储器310用于存储指令，该处理器320用于执行该存储器320存储的指令，以控制输入/输出接口330接收输入的数据和信息，输出操作结果等数据。
在实现过程中，上述方法的各步骤可以通过处理器320中的硬件的集成逻辑电路或者软件形式的指令完成。结合本申请实施例所公开的异常消息的识别方法和/或异常消息识别模型的训练方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器寄存器等本领域成熟的存储介质中。该存储介质位于存储器310，处理器320读取存储器310中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
应理解，本申请实施例中，该处理器可以为中央处理单元(centralprocessingunit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，DSP)，专用集成电路(application specific integrated circuit，ASIC)、现成可编程门阵列(field programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
应理解，本申请实施例中，该存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。处理器的一部分还可以包括非易失性随机存取存储器。例如，处理器还可以存储设备类型的信息。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
在本申请所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机，服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(Digital Subscriber Line，DSL))或无线(例如红外，无线，微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够读取的任何可用介质或者是包含一个或多个可用介质集成的服务器，数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，数字通用光盘(Digital Video Disc，DVD))或者半导体介质(例如，固态硬盘(Solid State Disk，SSD))等。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种智能化提高自动化生产效率的方法，其中，所述方法应用于一种自动化生产线的智能规划***，所述***与第一数据采集器通信连接，所述方法包括：
获得第一企业的第一生产标准信息，所述第一生产标准信息根据第一企业的具体生产属性确定；
根据所述第一数据采集器对所述第一企业的第一生产车间进行数据采集，获得第一生产实时信息；
通过对所述第一生产标准信息和所述第一生产实时信息进行数据分析，获得第一匹配系数，所述第一匹配系数是通过对所述第一生产标准信息和所述第一生产实时信息进行匹配而获得的标识系数；
根据所述第一匹配系数，对所述第一生产车间的影响因子进行主成分分析，获得第一主成分因子，包括：对所述第一匹配系数进行判断，当所述第一匹配系数高于预设匹配系数阈值，表示所述第一生产车间的生产能力符合第一生产标准，当所述第一匹配系数低于预设匹配系数阈值，表示所述第一生产车间的生产能力不符合第一生产标准；然后采用主成分分析方法对所述第一生产车间的影响因子进行数据采集进而分析，得到第一主成分因子；其中，所述第一主成分因子包括多个因子；
构建第一比重映射模型；
将所述第一主成分因子输入所述第一比重映射模型，根据所述第一比重映射模型，获得第一主成分比重，其中，所述第一主成分比重包括多个比重，且所述多个比重与所述多个因子一一对应；
根据所述第一主成分因子和所述第一主成分比重，获得第一故障指数，所述第一故障指数计算方式如下：
其中，x为所述第一主成分因子；y为所述第一主成分比重；n为所述第一主成分因子的总数量；t为所述第一主成分因子的故障维修时间；k为经过筛选规则筛选后获得的因子，max(xy)是对所述第一主成分因子和所述第一主成分比重乘积计算后获得的最大数据；
根据所述第一故障指数，生成第一故障规划预案；
其中，所述第一比重映射模型是根据所述第一主成分因子计算时生成方差大小按照从大到小的顺序排列，并根据所述第一主成分因子中每个因子数据信息准确性、标准化后信息量的比重，通过将三个信息分别作为三维坐标系中的空间坐标，其中，方差大小为第一变量，第一主成分因子中每个因子数据信息准确性作为第二变量，标准化后信息量的比重作为第三变量构建所述第一比重映射模型，其中，所述第一主成分比重是根据所述第一主成分因子进行第一比重映射模型分析获得的。
2.如权利要求1所述的方法，所述根据所述第一主成分因子和所述第一主成分比重，获得第一故障指数之后，所述方法还包括：
判断所述第一故障指数是否处于预设故障指数阈值中；
若所述第一故障指数处于所述预设故障指数阈值中，获得故障指数差阈值，其中，所述故障指数差阈值为所述第一故障指数与所述预设故障指数阈值之间的差值；
根据所述故障指数差阈值引入损失函数，获得第一损失指数；
根据所述第一损失指数，获得第一调整指令；
根据第一调配指令对所述第一生产车间的生产线顺序进行调整。
3.如权利要求2所述的方法，所述根据所述第一损失指数，获得第一调整指令，方法还包括：
获得所述第一生产车间的第一生产线；
通过对所述第一生产线的所有生产部件进行效率分析，生成第一效率数据集；
根据所述第一效率数据集，获得所述第一生产线的第一短板生产线；
基于所述第一故障指数对所述第一短板生产线进行调整预案分析，获得第一调整预案；
将所述第一调整预案添加至所述第一故障规划预案中。
4.如权利要求3所述的方法，所述根据所述故障指数差阈值引入损失函数，获得第一损失指数，所述方法还包括：
获得所述第一生产线的第一故障生产线；
获得所述第一故障生产线的第一故障维修时间；
根据所述第一故障维修时间，获得第一时间成本，其中，所述第一时间成本为所述第一故障维修时间中产生的损失；
将所述第一时间成本作为所述第一调整预案的第一约束条件进行约束。
5.如权利要求1所述的方法，其中，所述***还与一仿真***通信连接，所述方法还包括：
根据第一生产线，生成第一建模单元；
通过对所述第一生产车间的历史生产信息进行特征提取，获得第一生产经验；
将所述第一生产经验输入所述仿真***中；
根据所述第一建模单元和所述仿真***，获得第一仿真输出信息；
将所述第一仿真输出信息作为所述第一故障规划预案的第一辅助信息。
6.如权利要求1所述的方法，所述通过对所述第一生产标准信息和所述第一生产实时信息进行数据分析，获得第一匹配系数，所述方法还包括：
将所述第一生产标准信息和所述第一生产实时信息作为输入信息构建生产标准匹配模型；
所述生产标准匹配模型通过多组训练数据训练至收敛获得，其中，所述多组训练数据中的每组数据均包括所述第一生产标准信息、所述第一生产实时信息和作为用于标识第一匹配系数的标识信息；
获得所述生产标准匹配模型的输出结果，所述输出结果包括所述第一匹配系数。
7.一种智能化提高自动化生产效率的***，其中，所述***包括：
第一获得单元，所述第一获得单元用于获得第一企业的第一生产标准信息，所述第一生产标准信息根据第一企业的具体生产属性确定；
第二获得单元，所述第二获得单元用于根据第一数据采集器对所述第一企业的第一生产车间进行数据采集，获得第一生产实时信息；
第三获得单元，所述第三获得单元用于通过对所述第一生产标准信息和所述第一生产实时信息进行数据分析，获得第一匹配系数，所述第一匹配系数是通过对所述第一生产标准信息和所述第一生产实时信息进行匹配而获得的标识系数；
第四获得单元，所述第四获得单元用于根据所述第一匹配系数，对所述第一生产车间的影响因子进行主成分分析，获得第一主成分因子，包括：对所述第一匹配系数进行判断，当所述第一匹配系数高于预设匹配系数阈值，表示所述第一生产车间的生产能力符合第一生产标准，当所述第一匹配系数低于预设匹配系数阈值，表示所述第一生产车间的生产能力不符合第一生产标准；然后采用主成分分析方法对所述第一生产车间的影响因子进行数据采集进而分析，得到第一主成分因子；其中，所述第一主成分因子包括多个因子；
第一构建单元，所述第一构建单元用于构建第一比重映射模型；
第一输入单元，所述第一输入单元用于将所述第一主成分因子输入所述第一比重映射模型，根据所述第一比重映射模型，获得第一主成分比重，其中，所述第一主成分比重包括多个比重，且所述多个比重与所述多个因子一一对应；其中，所述第一比重映射模型是根据所述第一主成分因子计算时生成方差大小按照从大到小的顺序排列，并根据所述第一主成分因子中每个因子数据信息准确性、标准化后信息量的比重，通过将三个信息分别作为三维坐标系中的空间坐标，其中，方差大小为第一变量，第一主成分因子中每个因子数据信息准确性作为第二变量，标准化后信息量的比重作为第三变量构建所述第一比重映射模型，其中，所述第一主成分比重是根据所述第一主成分因子进行第一比重映射模型分析获得的；
第五获得单元，所述第五获得单元用于根据所述第一主成分因子和所述第一主成分比重，获得第一故障指数，所述第一故障指数计算方式如下：
其中，x为所述第一主成分因子；y为所述第一主成分比重；n为所述第一主成分因子的总数量；t为所述第一主成分因子的故障维修时间；k为经过筛选规则筛选后获得的因子，max(xy)是对所述第一主成分因子和所述第一主成分比重乘积计算后获得的最大数据；
第一生成单元，所述第一生成单元用于根据所述第一故障指数，生成第一故障规划预案。
8.一种智能化提高自动化生产效率的***，包括至少一个处理器和存储器，所述至少一个处理器与所述存储器耦合，用于读取并执行所述存储器中的指令，以执行如权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110664065.6A CN113393211B (zh) | 2021-06-22 | 2021-06-22 | 一种智能化提高自动化生产效率的方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110664065.6A CN113393211B (zh) | 2021-06-22 | 2021-06-22 | 一种智能化提高自动化生产效率的方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113393211A CN113393211A (zh) | 2021-09-14 |
| CN113393211B true CN113393211B (zh) | 2022-12-09 |
Family
ID=77621542
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110664065.6A Active CN113393211B (zh) | 2021-06-22 | 2021-06-22 | 一种智能化提高自动化生产效率的方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113393211B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113687639B (zh) * | 2021-10-25 | 2023-04-18 | 南通好心情家用纺织品有限公司 | 一种纺织机械设备的故障智能预警方法及*** |
| CN114119275A (zh) * | 2021-11-12 | 2022-03-01 | 上海威派格智慧水务股份有限公司 | 一种水下智能巡检装置 |
| CN116339267B (zh) * | 2023-05-25 | 2023-08-08 | 深圳市星火数控技术有限公司 | 基于物联网的自动化生产线控制*** |
| CN116502865A (zh) * | 2023-06-19 | 2023-07-28 | 江西财经大学 | 一种工业企业生产智能管理方法及*** |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103324147A (zh) * | 2012-03-20 | 2013-09-25 | 陈景正 | 基于主成分分析的卷烟工序质量评价方法及其*** |
| CN104462846A (zh) * | 2014-12-22 | 2015-03-25 | 山东鲁能软件技术有限公司 | 一种基于支持向量机的设备故障智能诊断方法 |
| CN105137354A (zh) * | 2015-08-27 | 2015-12-09 | 江苏科技大学 | 一种基于神经网络电机故障检测方法 |
| CN106952052A (zh) * | 2017-04-06 | 2017-07-14 | 东北林业大学 | 基于混合权重核主成分分析企业供应商评价方法 |
| CN108073158A (zh) * | 2017-12-05 | 2018-05-25 | 上海电机学院 | 基于pca和knn密度算法风电机组轴承故障诊断方法 |
| CN109491816A (zh) * | 2018-10-19 | 2019-03-19 | 中国船舶重工集团公司第七六研究所 | 基于知识的故障诊断方法 |
| CN109815990A (zh) * | 2018-12-28 | 2019-05-28 | 天津大学 | 基于中心化权重的主成分分析*** |
| CN110262458A (zh) * | 2019-06-28 | 2019-09-20 | 佛山科学技术学院 | 故障特征信息提取与早期故障预警的方法及*** |
| CN110390056A (zh) * | 2019-06-18 | 2019-10-29 | 平安科技（深圳）有限公司 | 大数据处理方法、装置、设备及可读存储介质 |
| CN110427712A (zh) * | 2019-08-07 | 2019-11-08 | 广东工业大学 | 一种基于故障影响分析的预防性维修方法及车间制造*** |
| WO2019233047A1 (zh) * | 2018-06-07 | 2019-12-12 | 国电南瑞科技股份有限公司 | 基于电网调度的运维方法 |
| CN111461555A (zh) * | 2020-04-02 | 2020-07-28 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 一种生产线质量监测方法、装置及*** |
| CN111752147A (zh) * | 2020-05-28 | 2020-10-09 | 山东科技大学 | 一种具有持续学习能力改进pca的多工况过程监测方法 |
| CN111915026A (zh) * | 2019-06-10 | 2020-11-10 | 中车大同电力机车有限公司 | 故障处理方法、装置、电子设备及存储介质 |
| CN112421770A (zh) * | 2020-10-19 | 2021-02-26 | 国网山东省电力公司邹城市供电公司 | 一种配电自动化***的自动辅助巡检方法及*** |
| CN112557034A (zh) * | 2020-12-25 | 2021-03-26 | 南京理工大学 | 一种基于pca_cnns的轴承故障诊断方法 |
| CN213003416U (zh) * | 2020-07-27 | 2021-04-20 | 柳州市太启机电工程有限公司 | 一种可远程控制的焊接装置 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106292631A (zh) * | 2016-08-25 | 2017-01-04 | 哈尔滨理工大学 | 一种基于神经网络的pwm整流器故障诊断*** |
| CN107696034A (zh) * | 2017-09-30 | 2018-02-16 | 东北大学 | 一种针对工业机器人的错误自主恢复方法 |
| CN107832497B (zh) * | 2017-10-17 | 2018-08-28 | 广东工业大学 | 一种智能车间快速定制设计方法及*** |
| CN111314137A (zh) * | 2020-02-18 | 2020-06-19 | 国家电网有限公司 | 信息通信网络自动化运维方法、装置、存储介质和处理器 |
-
2021
- 2021-06-22 CN CN202110664065.6A patent/CN113393211B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103324147A (zh) * | 2012-03-20 | 2013-09-25 | 陈景正 | 基于主成分分析的卷烟工序质量评价方法及其*** |
| CN104462846A (zh) * | 2014-12-22 | 2015-03-25 | 山东鲁能软件技术有限公司 | 一种基于支持向量机的设备故障智能诊断方法 |
| CN105137354A (zh) * | 2015-08-27 | 2015-12-09 | 江苏科技大学 | 一种基于神经网络电机故障检测方法 |
| CN106952052A (zh) * | 2017-04-06 | 2017-07-14 | 东北林业大学 | 基于混合权重核主成分分析企业供应商评价方法 |
| CN108073158A (zh) * | 2017-12-05 | 2018-05-25 | 上海电机学院 | 基于pca和knn密度算法风电机组轴承故障诊断方法 |
| WO2019233047A1 (zh) * | 2018-06-07 | 2019-12-12 | 国电南瑞科技股份有限公司 | 基于电网调度的运维方法 |
| CN109491816A (zh) * | 2018-10-19 | 2019-03-19 | 中国船舶重工集团公司第七六研究所 | 基于知识的故障诊断方法 |
| CN109815990A (zh) * | 2018-12-28 | 2019-05-28 | 天津大学 | 基于中心化权重的主成分分析*** |
| CN111915026A (zh) * | 2019-06-10 | 2020-11-10 | 中车大同电力机车有限公司 | 故障处理方法、装置、电子设备及存储介质 |
| CN110390056A (zh) * | 2019-06-18 | 2019-10-29 | 平安科技（深圳）有限公司 | 大数据处理方法、装置、设备及可读存储介质 |
| CN110262458A (zh) * | 2019-06-28 | 2019-09-20 | 佛山科学技术学院 | 故障特征信息提取与早期故障预警的方法及*** |
| CN110427712A (zh) * | 2019-08-07 | 2019-11-08 | 广东工业大学 | 一种基于故障影响分析的预防性维修方法及车间制造*** |
| CN111461555A (zh) * | 2020-04-02 | 2020-07-28 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 一种生产线质量监测方法、装置及*** |
| CN111752147A (zh) * | 2020-05-28 | 2020-10-09 | 山东科技大学 | 一种具有持续学习能力改进pca的多工况过程监测方法 |
| CN213003416U (zh) * | 2020-07-27 | 2021-04-20 | 柳州市太启机电工程有限公司 | 一种可远程控制的焊接装置 |
| CN112421770A (zh) * | 2020-10-19 | 2021-02-26 | 国网山东省电力公司邹城市供电公司 | 一种配电自动化***的自动辅助巡检方法及*** |
| CN112557034A (zh) * | 2020-12-25 | 2021-03-26 | 南京理工大学 | 一种基于pca_cnns的轴承故障诊断方法 |
Non-Patent Citations (4)
| Title |
|---|
| A Novel Sliding Window PCA-IPF Based Steady-State Detection Framework and Its Industrial Application;Yalin Wang; Kenan Sun; Xiaofeng Yuan;《IEEE Access》;20180411(第6期);第20995-21004页 * |
| 基于主成分分析和集成神经网络的发动机故障诊断模型研究;李增芳，何勇，宋海燕;《农业工程学报》;20060415;第22卷(第4期);第131-134页 * |
| 基于主成分分析的无监督异常检测;关健等;《计算机研究与发展》;20040916(第09期);第23-29页 * |
| 基于全局优化支持向量机的多类别高炉故障诊断;张海刚;《工程科学学报》;20170115(第01期);第39-47页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113393211A (zh) | 2021-09-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113393211B (zh) | 一种智能化提高自动化生产效率的方法及*** | |
| CN114298863B (zh) | 一种智能抄表终端的数据采集方法及*** | |
| CN108376982B (zh) | 负载相序的识别方法及装置 | |
| CN112383891B (zh) | 一种基于物模型自动匹配的设备注册方法和装置 | |
| CN109633448B (zh) | 识别电池健康状态的方法、装置和终端设备 | |
| CN115618269B (zh) | 基于工业传感器生产的大数据分析方法及*** | |
| CN102709207B (zh) | 质量评估设备、方法和使计算机执行质量评估方法的程序 | |
| CN114461618A (zh) | 一种计量缺失数据补全方法、装置及终端设备 | |
| CN110320802B (zh) | 基于数据可视化的复杂***信号时序识别方法 | |
| CN115630771B (zh) | 应用于智慧工地的大数据分析方法及*** | |
| CN114663074B (zh) | 一种基于数字孪生的产品数据分析方法及*** | |
| CN114115150B (zh) | 基于数据的热泵***在线建模方法及装置 | |
| CN115128438A (zh) | 一种芯片内部故障监测方法及其装置 | |
| CN115344495A (zh) | 批量任务测试的数据分析方法、装置、计算机设备及介质 | |
| CN113919518A (zh) | 电力计量自动化生产设备的故障确定方法、装置及终端 | |
| CN115372752A (zh) | 故障检测方法、装置、电子设备以及存储介质 | |
| CN115687792B (zh) | 针对在线互联网服务的大数据采集方法及*** | |
| US20240177065A1 (en) | Machine learning device, degree of severity prediction device, machine learning method, and degree of severity prediction method | |
| CN115598309B (zh) | 一种大气环境铅含量的监测预警方法及*** | |
| CN117707050B (zh) | 基于云计算的数控机床实时监控与数据分析***及方法 | |
| CN108596210A (zh) | 一种机械部件对接状态的智能识别***及方法 | |
| CN117634324B (zh) | 一种基于卷积神经网络的铸造模具温度快速预测方法 | |
| CN116736173B (zh) | 一种储能电池模型构建和储能电池状态判定方法、装置 | |
| CN115062495B (zh) | 材料绝缘性能分析方法、装置、电子设备及存储介质 | |
| CN117907706A (zh) | 智能电网故障判断方法、装置、电子设备及存储介质 |
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 |