CN113919230A - 一种复杂设备运行的建模评估方法及*** - Google Patents
一种复杂设备运行的建模评估方法及*** Download PDFInfo
- Publication number
- CN113919230A CN113919230A CN202111230046.9A CN202111230046A CN113919230A CN 113919230 A CN113919230 A CN 113919230A CN 202111230046 A CN202111230046 A CN 202111230046A CN 113919230 A CN113919230 A CN 113919230A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- equipment
- algorithm
- model
- algorithm model
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000004519 manufacturing process Methods 0.000 claims abstract description 52
- 238000013209 evaluation strategy Methods 0.000 claims abstract description 37
- 238000007726 management method Methods 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims description 56
- 238000012549 training Methods 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 13
- 238000003745 diagnosis Methods 0.000 claims description 10
- 238000013210 evaluation model Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 2
- 238000011157 data evaluation Methods 0.000 claims description 2
- 230000008676 import Effects 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 230000010354 integration Effects 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013440 design planning Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
为解决现有建模方法中泛化性低、准确率不高等问题，本发明基于机器学习提出一种复杂设备运行的建模评估方法。目的在于针对现有分析模型技术中的不足，提出一种复杂设备运行的建模评估方法，将机器学习的多种常用算法进行通用性、集成性融合，形成设备运行状态评估的基础算法模型库，同时设计对算法模型库、评估策略等的管理UI。算法库将复杂设备的生产参数以及生产模式和环境参数作为输入，为模型提供数据输入，算法库综合各个算法结果对分析结果进行投票，最后为复杂设备的运行状态分析评估结果，同时，对算法模型库的模型进行评估优化。企业能使用算法库进行准确的对复杂设备运行状态进行评估，有效地对设备进行管理。
Description
技术领域
本发明属于智能制造技术领域，具体涉及一种复杂设备运行的建模评估方法及***。
背景技术
面对世界新一轮智能制造新浪潮，为提高产品研发效率、降低研发成本以及快速响应市场，国内的航空、航天等高端制造领域已将智能制造、数字孪生作为制造业变革的核心，设备、车间、工厂的建模智能分析作为数字孪生中的热点，建模分析在整个生产过程的全生命周期中作为核心为企业提供了生产策略和智能管理。在电力自动化技术领域采用一种基于聚类的设备运行状态评估方法，建立电力设备的运行状态评估模型，以电力设备的历史数据为依托，完成电力设备分析模型的建立，通过模型评估量化分析、论证和比较电力自动化设备的运行状态，从而实现电力自动化设备的运行状态评估；在船舶制造领域基于数字孪生建立一种船用发动机状态评估方法及***，根据工作过程模型、故障诊断模型、结构强度有限元模型之间的参数传递关系，建立对应的数字孪生模型，数字孪生模型的输入是运行参数和环境参数，模型最终输出对应的评估参数，最终确定船用发动机的运行状态。在汽车制造方面提出了一种数字孪生驱动的智能线控底盘***及其故障诊断方法，通过数字孪生技术建立了线控底盘装置的数字孪生模型***，基于数据驱动，使虚拟模型与物理实体运行一致，实现了线控底盘装置和分析模型的数据实时交互及故障诊断。
智能制造、数字孪生作为当今制造业转型发展的重要方向，企业都期望着通过车间、产线、设备建模仿真分析解决实际生产过程的智能化管理问题，通过生产过程中海量数据建模分析结果辅助管理者做出决策等。在数字孪生***中，基于数据驱动将现实设备映射到虚拟建模上进行实时驱动，实现数据的实时交互。但是针对设备进行模型分析时，在初期建设时往往会产生大量无效数据，这将导致模型训练出的实际应用模型准确度极低，也无法准确地对设备实时状态进行评估；其次，目前针对一个设备的数据分析建模往往是通过特征挖掘后建立了一个固定算法模型，或者是基于人工经验知识的模型，这种生产前期建立的模型随着企业后期生产任务、模式调整后难以准确的识别设备运行状态，会影响企业的成本控制；加之，设备生产方式调整后，其故障类型或者运行状态往往会增加，传统定制的算法分析模型无法自适应的进行调整，提高设备安全生产的风险。
在设备实际投产前，建模分析是企业智能化生产线实现其数字孪生重要组成部分，是提供较为理想生产方案增加企业核心竞争力的必经环节。近年来的工业、冶金等工业设备均呈现向大型化、复杂化发展的趋势，这些复杂设备无法完全依靠传统方法建立精确的物理模型进行管理监控，此外，设备生产过程产生大量的反应运行机理和实时设备状态数据。基于生产优化、技术等因素，为了更好的利用，已形成了基于统计分析模型、基于定性经验知识分析方法。但是这些分析方法均存在以下问题：1)未将外部因素的数据特征结合到模型，导致模型泛化性低；2)建立分析模型需要大量的历史数据，这在设备生产运行之前是无法满足其模型训练的数据量要求，导致模型的准确率低；3)使用的算法模型固定，设备上线运行后，存在不适用实际生产的情况。
发明内容
为解决现有建模方法中泛化性低、准确率不高等问题，本发明基于机器学习提出一种复杂设备运行的建模评估方法。目的在于针对现有分析模型技术中的不足，提出一种复杂设备运行的建模评估方法，将机器学习的多种常用算法进行通用性、集成性融合，形成设备运行状态评估的基础算法模型库，同时设计对算法模型库、评估策略等的管理UI。算法库将复杂设备的生产参数以及生产模式和环境参数作为输入，为模型提供数据输入，算法库综合各个算法结果对分析结果进行投票，最后为复杂设备的运行状态分析评估结果，同时，对算法模型库的模型进行评估优化。企业能使用算法库进行准确的对复杂设备运行状态进行评估，有效地对设备进行管理。
本发明通过下述技术方案实现：提供一种复杂设备运行的建模评估方法，针对数字化智能化车间生产线的复杂设备多子***的普遍加工模式，采用面向对象的建模方式，多建模评估方法需主要基于基础设备资源、评估策略、算法模型库优化、评估与决策四大部分。
以上四部分构建完成后，结合复杂设备生产运行流程，方法实现具体过程可以概括如下基础设备资源首先读取设备生产参数和外部环境参数信息，然后通过数据清洗，从模型库资源中为复杂设备的各个子***选取相应的多个模型，从评估策略中调用算法评估策略参数，对每个子***的算法模型都进行准确率、泛化性评估。当需要与使用开发模型的管理员需要进行算法模型优化设置或者在评估策略重新设置时，在模型中提供对算法模型库、评估策略的管理UI界面，通过管理UI上策略等参数的设置，可以通过多线程执行快速的实现模型重训练优化、自适应，对每个子***的状态评估算法模型进行最优化绑定，进而重新组成整个设备的实时状态评估服务。
基础设备资源：主要由设备工艺参数和环境工艺参数两部分组成，主要实现设备工艺参数、设备控制程序参数、外部环境参数、管理UI以及策略参数管理，设备工艺参数以复杂***内物料信息、设备工艺信息、资源信息为单元基础，由单元基础模型、算法库评估策略、算法优化策略、评估与分析基本模型单元和外部信息接口等组合构成多子***、多算法模型、多评估策略等多层次可重构模型，内部均采取模块化封装的形式，形成复杂设备新的多层次算法模型库，其输入为重构后的特征数据，直接快速映射到基础模型资源里面，并按照新的模型参数作为生产建模的输入进行状态评估。
算法模型库优化：主要包含对新增故障、工作状态以及准确率优化，其中对新增故障、工作状态类型策略通过对原模型再次训练或者组合多个算法进行实现优化，由故障标签分类、历史训练数据清洗、算法模型训练接口和算法模型准确度验证四类模块组成，各模块通过内部调用相应的接口方法并与各基本单元控件予以关联，封装在模型库资源内部，并与基础模型资源进行协同作为建模分析评估的输入；模型的准确率优化，则通过对清洗后的训练数据进行交叉验证，提高泛化性实现。
算法评估策略：在原有***基础上，结合基础设备资源管理和算法模型优化UI，采用调用接口的方法，将管理UI上的策略参数等信息输入到多子***的多层次算法模型库，配置集成优化***框架，可根据不同用户优化需求，进行优化参数设置、优化策略设置、评估策略设置、查看最优解以及原***详细设置调用集成UI界面，通过多线程技术快速计算出每个子***最优的算法模型及评估策略于最终的设备模型。
状态评估与决策：在复杂设备完成建模后，针对工艺可行性、***合理性、算法模型适用性等方面统筹考虑，并进行复杂设备的算法模型库综合训练，作为评估与决策的模型，训练完成后，通过基础模型资源里的输入数据，采用交叉验证的方法，验证各个子***每个算法模型分析结果准确率，结合每个子***运行状态的评估结果，如故障、空闲、运行、超负荷等运行状态提供给设备评估时的集成学习算法接口，用于复杂设备的实时运行状态评估和故障诊断，如果不满足实际情况需要进行目标算法模型优化，直至评估结果准确率符合生产即可进行自动化部署，并将评估报告提供给用户。
综上所述，本发明与现有技术相比，具有如下的优点和有益效果：本发明一种基于机器学习的多层次多建模集成设计方法，其关键点和欲保护点在于：一是将机器学习基础算法模型、算法优化策略、评估优化策略等组合构成多层次多模型的算法模型库，以基础模型资源与控制策略拆分为基本思想，引入基础数据资源，分别从模型库和评估策略中选取匹配的建模对象实现多层次一一映射关联，高效完成由于设备发生变化而对分析模型的泛化性修改。二是模型以模块化形式开发，通过接口与集成UI进行交互，通过评估策略相集成，并结合多模型优化算法，在集成UI框架上即可快速设置并实现多层次多模型优化训练。
根据不同复杂设备的设计规划要求，可基于模型库、评估策略等进行一一映射，同时算法模型具备较强的泛化性和扩展能力，实现面向企业用户所需的多层次多模型分析评估，增强了建模分析的繁华性和高准确性。模块化形式与集成UI的接口开发避免了原有模型库方法中错误及效率低下问题，整体解决设备投产前的前瞻性问题，有效控制后期生产带来的分析模型调整问题，极大地节约设备投产后模型调整时间。
综上所述，本发明有效的克服了现有建模分析过程中灵泛化性低、准确率不高等问题，并对实现设备各子***模型进行合理、快速、高效的模型资源配置训练，通过多线程技术优化运行，具有较高意义和实际使用价值。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。
图1是实施例建模集成设计方法流程图。
图2是实施例基础数据资源原理示意图。
图3是实施例算法模型优化策略原理示意图。
图4是实施例设备评估策略原理示意图。
图5是实施例原理图一。
图6是实施例原理图二。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
在以下描述中，为了提供对本发明的透彻理解阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的结构、电路、材料或方法。
在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“一个实施例”、“实施例”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
在本发明的描述中，需要理解的是，术语“前”、“后”、“左”、“右”、“上”、“下”、“竖直”、“水平”、“高”、“低”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。
实施例提供一种复杂设备运行的建模评估方法，针对数字化智能化车间生产线的复杂设备多子***的普遍加工模式，采用面向对象的建模方式，多建模评估方法需主要基于基础设备资源、评估策略、算法模型库优化、评估与决策四大部分，如图1所示。
以上四部分构建完成后，结合复杂设备生产运行流程，方法实现具体过程可以概括如下基础设备资源首先读取设备生产参数和外部环境参数信息，然后通过数据清洗，从模型库资源中为复杂设备的各个子***选取相应的多个模型，从评估策略中调用算法评估策略参数，对每个子***的算法模型都进行准确率、泛化性评估。当需要与使用开发模型的管理员需要进行算法模型优化设置或者在评估策略重新设置时，在模型中提供对算法模型库、评估策略的管理UI界面，通过管理UI上策略等参数的设置，可以通过多线程执行快速的实现模型重训练优化、自适应，对每个子***的状态评估算法模型进行最优化绑定，进而重新组成整个设备的实时状态评估服务。
本实施例提出的一种基于机器学习的复杂设备实时状态识别与评估建模方法，基于现场设备实时生产参数、环境温湿度因素、车间能源等数据作为基础，从复杂设备各个子***模块、多种生产模式以及能源控制关键控制点出发，针对复杂设备不同子***分别进行建模，根据不同的生产模式进行评估，实现设备的故障信息预测和运行状态识别，以最大化减少设备故障，以保障设备的安全生产和提高智能运维管控能力，如图5-图6所示。
基础数据资源：其中基础数据资源作为复杂设备算法模型库数据重要来源，为整个分析模型的建立提供数据支持，主要包括基础数据表、评估策略、算法模型优化策略，外部数据接口量四个部分，其基础数据资源原理示意图如图2所示。通过配置ODBC连接数据库，程序远程读取数据库中的各类信息，读取所有的设备子***算法模型的运行参数，读取数据库中的历史生产参数和外部环境参数结合多种机器学习算法进行模型训练；将设备的各种工作状态进行分类与模型库资源中的多层次多模型进行关联；编辑设备评估策略配置，配置初始化、重置和仿真结束的api方法，提供实时状态评估服务前可通过算法模型库中各子***最优评估模型进行实时数据评估，初始化调用实现基础模型资源的导入和绑定；算法分析模型训练完成后，可通过数据表内的统计表进行相应统计结果的数据收集和查看。
算法模型优化策略：主要包含针对新增工作状态模式、新增设备故障类型以及算法模型准确率优化。其中设备新增工作状态模式可以采用结合原有的历史数据和新的工作状态模式重新标注数据后对设备的子***各个算法模型进行重新训练或者采用训练模式开始时就预留模型未识别的工作状态类型，将设备新的工作状态下数据添加到训练数据对现有的模型进行优化训练，例如在设备模型库管理UI界面上添加新的工作模式，导入新模式下的数据，重新获取该模式的特征进行训练。其次针对新增设备故障类型，这种新的故障类型一般可以直接定位到哪个子***发生了故障，可以导入该子***的故障数据和历史数据进行标注后优化训练，提高该子***对故障类型的判断准确率。最后算法模型准确率优化可以通过设备模型库管理UI设置准确优化配置信息，其中可以设置设备状态识别程序空闲时优化训练、定时训练、定量训练，这样可以保持模型对设备的识别状态保持较高的准确率，此外对某个子***的算法模型准确率可以通过模型联合验证的方式，提高对子***的运行状态和故障诊断的准确率。通过算法模型库管理UI设置完成后，策略加载到设备状态识别程序后台通过多线程技术自动快速完成各个模型优化任务。其算法模型优化策略原理示意图如图3所示。
算法评估策略：在设备库模型管理UI界面上，结合基础数据资源管理界面，采用webapi接口方法的形式，基于C#语言编写基于机器学习的复杂设备多模型建模评估程序，封装后形成类型对象，采用WPF开发配置模型库配置管理***的框架，框架主要由管理界面的UI模块和算法库模型优化模块两部分构成，如图4所示。其中模型库管理UI模块包括对设备状态识别和故障诊断算法库等初始化的配置过程，初始化后，通过加载分析模型并通过模型准确度设置进行运行，如果满足评估策略中的准确率要求则可直接输出最优模型的设备状态分析结果；同时可以设置评估为集成算法综合评估策略，此时设备的模型库综合各个子***的评估结果及准确率信息进行对设备状态及故障的综合评估，形成评估结果的api接口，提供给评估与决策模块使用。
还可将优化、评估策略也可在将其与模型库对象进行封装，可作为用户自定义内嵌于实体模型内部，但面对不同的复杂设备，其多模型所带来修改调整工作量增大，不具备较好的柔性。
状态评估与决策：通过模型预训练开始运行实时设备状态识别程序，用户采用WPF开发的管理控制界面搭建评估与决策集成UI控制框架，采用控件与模型优化接口相互绑定，并在接口方法里面编写模型优化程序，提供查看控件时，间接调用统计工具中的数据源进行图形输出显示，分析在本次模型参数设置下设备状态识别、故障诊断、安全生产等统计数据的合理性、可制造性，同时提供设备模型分析的状态识别评估报告，用户可调用内部接口查看报告详细的属性信息，即可通过分析模型程序运行后设备的识别状态信息、故障信息等对标优化后的设备安全生产，评估结果将作为新的多层次多模型的重要参考，如果不满足设备实际状态信息，根据决策评估选择目标模型进行重新优化训练。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种复杂设备运行的建模评估方法，其特征在于，构建包含基础设备资源、设备算法模型库、算法评估、算法模型库优化、状态评估与决策各部分的设备运行状态评估模型；
基于此评估模型，基础设备资源首先读取设备生产参数和外部环境参数信息，然后通过数据清洗；
从设备算法模型库中为复杂设备的各子***选取相应的多个算法模型；
从算法评估策略中调用算法评估参数，对各子***的算法模型进行准确率、泛化性评估；
当需要进行算法模型库优化设置或者算法评估参数重新设置时，设备算法模型库提供算法模型库优化、算法评估参数的管理UI，通过管理UI实现算法模型重训练优化、自适应，对各子***的状态评估算法模型进行最优化绑定；
进而组成整个设备的实时状态评估服务。
2.根据权利要求1所述的复杂设备运行的建模评估方法，其特征在于，基础设备资源中，设备生产参数包含设备工艺参数、设备控制程序参数，而设备工艺参数包含复杂***内物料信息、设备工艺信息、资源信息；
基础设备资源重构后的特征数据，输入和映射到设备算法模型库；如算法模型库进行了优化，则按照优化后的算法模型作为输入进行状态评估。
3.根据权利要求2所述的复杂设备运行的建模评估方法，其特征在于，评估模型基础数据资源包括基础设备资源、算法评估策略、算法模型库优化策略，与设备算法模型库通过数据接口接通数据接口，通过配置ODBC连接基础数据资源数据库；
远程读取设备各子***算法模型的运行参数，远程读取历史生产参数和外部环境参数，结合多种机器学习算法进行算法模型训练；将设备的各种工作模式进行分类，并与设备算法模型库中的算法模型进行多层次多模型关联；
提供设备实时状态评估服务前，编辑算法评估策略配置，通过配置初始化、重置和仿真结束的api方法，基于算法模型库中针对各子***的最优评估模型进行实时数据评估，初始化调用实现基础算法模型资源的导入和绑定；
算法模型训练完成后，通过基础设备资源内的统计表进行相应统计结果的数据收集和查看。
4.根据权利要求3所述的复杂设备运行的建模评估方法，其特征在于，算法模型库优化包含对新增故障类型、新增工作模式以及准确率优化；
其中对新增故障类型、新增工作模式的优化策略，是通过对原算法模型再次训练或者组合多个算法进行实现优化；故障标签分类、历史训练数据清洗、算法模型训练接口和算法模型准确度验证各模块，通过内部调用相应的接口方法并与各基本单元控件予以关联，封装在算法模型库资源内部，并与基础模型资源进行协同作为建模分析评估的输入；
算法模型的准确率优化，则通过对清洗后的训练数据进行交叉验证，提高泛化性实现。
5.根据权利要求4所述的复杂设备运行的建模评估方法，其特征在于，针对新增工作模式的算法模型库优化策略，结合原有的历史数据和新的工作模式重新标注数据后，对设备子***各算法模型进行重新训练；或者，算法模型训练模式开始时预留模型未识别的工作模式类型，将设备新的工作模式下的数据添加到训练数据，对现有的算法模型进行优化训练；即在设备算法模型库管理UI界面上添加新的工作模式，导入新工作模式下的数据，重新获取该工作模式的特征进行训练；
针对设备新增故障类型，直接定位发生新的故障类型的子***，导入该子***的故障数据和历史数据，进行标注后进行优化训练；
针对算法模型准确率优化，通过设备模型库管理UI设置准确优化配置信息，设置设备状态识别程序空闲时优化训练、定时训练、定量训练，并对子***的算法模型准确率通过算法模型联合验证。
6.根据权利要求5所述的复杂设备运行的建模评估方法，其特征在于，算法评估策略在原有算法模型基础上，结合基础设备资源和算法模型优化UI，采用调用接口的方法，将管理UI上的策略参数等信息输入到多子***的多层次算法模型库，配置集成优化评估模型框架；
根据不同用户优化需求，进行优化参数设置、优化策略设置、评价策略设置、查看最优解、以及原评估模型详细设置调用集成UI界面，通过多线程技术计算出每个子***最优的算法模型及评价策略于最终的评估模型。
7.根据权利要求6所述的复杂设备运行的建模评估方法，其特征在于，
算法评估策略在设备库模型管理UI上，结合基础数据资源管理界面，采用webapi接口方法的形式，基于C#语言编写基于机器学习的复杂设备多算法模型建模评估程序；
采用WPF开发配置算法模型库配置管理***的框架，框架由管理界面的UI模块和算法模型库优化模块构成，管理UI模块包括对设备状态识别和故障诊断算法库等初始化的配置过程，初始化后加载算法模型，通过算法模型准确度设置后进行运行；
如果满足评估策略中的准确率要求，则直接输出最优算法模型的设备状态评估结果；同时设置评估方式为集成多层次算法综合评估策略，此时设备的算法模型库综合各子***的评估结果及准确率信息，对设备状态及故障进行综合评估，并具有评估结果的api接口，提供给评价与决策模块使用。
8.根据权利要求7所述的复杂设备运行的建模评估方法，其特征在于，状态评估与决策针对工艺可行性、***合理性、算法模型适用性各方面统筹考虑，并进行复杂设备的算法模型库综合训练，作为状态评估与决策的模型；
训练完成后，通过基础模型资源的输入数据，采用交叉验证的方法，验证各个子***每个算法模型分析结果准确率；
结合每个子***运行状态的评估结果，包括故障、空闲、运行、超负荷各运行状态，提供给设备评估时的集成算法模型接口，用于复杂设备的实时运行状态评估和故障诊断；
如果不满足实际情况需要进行目标算法模型优化，直至评估结果准确率符合生产即可进行自动化部署，并将评估报告提供给用户。
9.根据权利要求8所述的复杂设备运行的建模评估方法，其特征在于，状态评估与决策通过算法模型预训练开始运行评估模型实时设备状态识别程序，采用WPF开发的管理控制界面搭建评估与决策集成UI控制框架，采用控件与模型优化接口相互绑定；
并在接口方法中编写算法模型优化程序，提供查看控件时，间接调用统计工具中的数据源进行图形输出显示；
分析在本次算法模型参数设置下设备状态识别、故障诊断、安全生产各统计数据的合理性、可制造性，同时提供设备状态识别评估报告；
通过调用内部接口查看报告的属性信息，即通过评估模型程序运行后设备的识别状态信息、故障信息对标优化后的设备安全生产，评估结果作为新的算法模型的参考；
如果不满足设备实际状态信息，则根据决策评估选择目标算法模型进行重新优化训练。
10.一种复杂设备运行的建模评估***，其特征在于，包含基础设备资源模块、设备算法模型库模块、评估策略模块、算法模型库优化模块、状态评估与决策模块；
基础设备资源模块，用于读取设备生产参数和外部环境参数信息，并进行数据清洗；
设备算法模型库模块，用于为复杂设备的各子***选取相应的多个算法模型；
评估策略模块，用于调用算法评估参数，对各子***的算法模型进行准确率、泛化性评估；
算法模型库优化模块，用于当需要进行算法模型库优化设置或者算法评估参数重新设置时，通过设备算法模型库提供算法模型库优化、算法评估参数的管理UI，实现算法模型重训练优化、自适应，对各子***的状态评估算法模型进行最优化绑定；
状态评估与决策模块，用于对整个设备的实时状态提供评估服务。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111230046.9A CN113919230A (zh) | 2021-10-20 | 2021-10-20 | 一种复杂设备运行的建模评估方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111230046.9A CN113919230A (zh) | 2021-10-20 | 2021-10-20 | 一种复杂设备运行的建模评估方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113919230A true CN113919230A (zh) | 2022-01-11 |
Family
ID=79242332
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111230046.9A Pending CN113919230A (zh) | 2021-10-20 | 2021-10-20 | 一种复杂设备运行的建模评估方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113919230A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114754973A (zh) * | 2022-05-23 | 2022-07-15 | 中国航空工业集团公司哈尔滨空气动力研究所 | 基于机器学习的风洞测力试验数据智能诊断与分析方法 |
| CN114912371A (zh) * | 2022-06-13 | 2022-08-16 | 江苏大学 | 一种贯流泵运行稳定检测的数字孪生体建模***及方法 |
| CN115290286A (zh) * | 2022-10-10 | 2022-11-04 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种亚跨超声速风洞流场稳定性的集成学习评估*** |
| CN116522088A (zh) * | 2023-04-27 | 2023-08-01 | 哈尔滨工程大学 | 一种基于机器学习的核动力装置运行数据分析方法与*** |
| CN116738767A (zh) * | 2023-08-14 | 2023-09-12 | 中国恩菲工程技术有限公司 | 过程单元的建模方法以及过程单元的生成方法 |
| TWI824700B (zh) * | 2022-09-06 | 2023-12-01 | 中華電信股份有限公司 | 自動化機器學習系統、方法及其電腦可讀媒介 |
| CN117171551A (zh) * | 2023-11-02 | 2023-12-05 | 山东港口科技集团烟台有限公司 | 大规模工业设备数据分析与智能管理方法 |
-
2021
- 2021-10-20 CN CN202111230046.9A patent/CN113919230A/zh active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114754973A (zh) * | 2022-05-23 | 2022-07-15 | 中国航空工业集团公司哈尔滨空气动力研究所 | 基于机器学习的风洞测力试验数据智能诊断与分析方法 |
| CN114912371A (zh) * | 2022-06-13 | 2022-08-16 | 江苏大学 | 一种贯流泵运行稳定检测的数字孪生体建模***及方法 |
| TWI824700B (zh) * | 2022-09-06 | 2023-12-01 | 中華電信股份有限公司 | 自動化機器學習系統、方法及其電腦可讀媒介 |
| CN115290286A (zh) * | 2022-10-10 | 2022-11-04 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种亚跨超声速风洞流场稳定性的集成学习评估*** |
| CN116522088A (zh) * | 2023-04-27 | 2023-08-01 | 哈尔滨工程大学 | 一种基于机器学习的核动力装置运行数据分析方法与*** |
| CN116522088B (zh) * | 2023-04-27 | 2024-01-26 | 哈尔滨工程大学 | 一种基于机器学习的核动力装置运行数据分析方法与*** |
| CN116738767A (zh) * | 2023-08-14 | 2023-09-12 | 中国恩菲工程技术有限公司 | 过程单元的建模方法以及过程单元的生成方法 |
| CN117171551A (zh) * | 2023-11-02 | 2023-12-05 | 山东港口科技集团烟台有限公司 | 大规模工业设备数据分析与智能管理方法 |
| CN117171551B (zh) * | 2023-11-02 | 2024-01-30 | 山东港口科技集团烟台有限公司 | 大规模工业设备数据分析与智能管理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113919230A (zh) | 一种复杂设备运行的建模评估方法及*** | |
| CN111144025B (zh) | 一种基于多层次重构的仿真模型参数化集成***及方法 | |
| Terkaj et al. | Ontology-based modeling of production systems for design and performance evaluation | |
| CN101976067A (zh) | 柔性装配线管理控制实验平台及管理控制实验方法 | |
| CN101539772B (zh) | 产品生命周期管理方法及设备 | |
| CN108052020A (zh) | 一种面向智能制造的化工过程仿真器 | |
| Back et al. | A study for production simulation model generation system based on data model at a shipyard | |
| Figueiras et al. | Big data provision for digital twins in industry 4.0 logistics processes | |
| Qiu et al. | A structured adaptive supervisory control methodology for modeling the control of a discrete event manufacturing system | |
| CN112068522A (zh) | 可重构生产线制造控制***、方法及介质 | |
| Yang et al. | Verification of intelligent scheduling based on deep reinforcement learning for distributed workshops via discrete event simulation. | |
| CN113128041A (zh) | 基于数字孪生虚拟技术的数字工厂mes***开发方法 | |
| Haskovic et al. | Role of the adviser module in the hybrid assembly subordinating control structure | |
| CN113960964B (zh) | 基于仿真优化的柔性流水车间生产调度*** | |
| CN109213105A (zh) | 一种可重构装置、实现可重构的方法及分布式控制*** | |
| CN109992251A (zh) | 一种面向业务变量的软件开发方案生成方法 | |
| Azadeh et al. | Performance improvement of a multi product assembly shop by integrated fuzzy simulation approach | |
| US20210116900A1 (en) | Production Control System | |
| Poudel et al. | An integrated framework for dynamic manufacturing planning to obtain new line configurations | |
| Fang et al. | Research on automatic flow-shop planning problem based on data driven modelling simulation and optimization | |
| Niggemann et al. | On the applicability of model based software development to cyber physical production systems | |
| Majstorović et al. | Industry 4.0 in Serbia-state of development | |
| Li et al. | Application of universal control platform in intelligent building | |
| Abdoli et al. | A target-driven framework for assessing the effectiveness of product-service-system development approaches at System of Systems level | |
| Stetter et al. | Geometric and kinetic digital twin of a body-in-white assembly system for virtual commissioning |
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 |