CN115392534A - 一种基于ffm模型的车间设备综合效率预测方法及*** - Google Patents
一种基于ffm模型的车间设备综合效率预测方法及*** Download PDFInfo
- Publication number
- CN115392534A CN115392534A CN202210821086.9A CN202210821086A CN115392534A CN 115392534 A CN115392534 A CN 115392534A CN 202210821086 A CN202210821086 A CN 202210821086A CN 115392534 A CN115392534 A CN 115392534A
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- production
- model
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000004519 manufacturing process Methods 0.000 claims abstract description 225
- 239000013598 vector Substances 0.000 claims description 62
- 230000008569 process Effects 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000012797 qualification Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000005538 encapsulation Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010923 batch production Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000010791 quenching Methods 0.000 description 1
- 230000000171 quenching effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q10/04—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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种基于FFM模型的车间设备综合效率预测方法及***,涉及智能化车间生产的技术领域,首先实时采集车间生产设备的运行数据与生产管理***MES中的数据,然后进行预处理和标注,引入FFM神经网络模型,利用标注数据集训练FFM神经网络模型,得到训练好的车间设备生产质量预测模型,最后实时采集车间设备运行数据等,将训练好的车间设备生产质量预测模型用于产品合格率预测,基于产品合格率预测结果,求解车间设备综合效率,突破了人工运算良品率和设备综合效率的人为误差和统计滞后性的局限性,实时发现与定位异常的生产设备,及时优化生产,可实现实时并且较准确地计算生产车间的设备综合效率,为后续人工智能算法在生产车间的工程应用提供了新思路。
Description
技术领域
本发明涉及智能化车间生产的技术领域,更具体地,涉及一种基于FFM模型的车间设备综合效率预测方法及***。
背景技术
随着国际竞争日益激烈,生产制造车间更多地关注产能与设备效率,以期通过降低停机时间、减少无效浪费、实现产能提升,从而摊薄成本,增加企业竞争力。全局设备效率(Overall Equipment Effectiveness,OEE)是识别和消除生产过程损失的强大手段,由时间稼动率,性能稼动率和良品率组成。基于时间稼动率、性能稼动率和良品率,OEE捕捉每天产能波动,追踪特定时间段内设备效率,旨在减少设备停机时间和提高车间生产效率。
然而,部分OEE采用人工统计的方法,人为失误率高,且人工成本巨大,而且数据处理多为生产结束后线下事后进行,具有一定滞后性,实时性差。现有技术中公开了一种融合制造设备退化信息的生产合格率预测方法,通过搜集设备特征参数信息和产品合格率信息,构建信息融合模型实现预测产品合格率。但该方法预测产品品类单一,对于不同设备、不同生产产品需构建不同的模型参数,由于不同车间、产线所生产的产品不同、设备参数以及工序不同,对特定一台设备或工序进行模型训练所得到的网络模型并不能准确计算车间不同设备与工序的设备综合效率,其次并未考虑各个离散参数之间的交叉特征,预测结果存在一定机械性与不确定性。
FFM模型即特征域感知因子分解机(Field-aware Factorization Machines,FFM)模型,该模型通过引入field的概念,把相同性质的特征归于同一个field,假设样本的n个特征属于f个field,那么FFM模型的二次项有nf个隐向量,FFM模型主要用于预估CTR/CVR转化率,凭借其在数据量比较大并且特征稀疏的情况下,仍然能够得到优秀的性能和效果的特性。
发明内容
为解决当前生产车间设备综合效率统计存在滞后性及人工统计误差的问题,本文提供了一种基于FFM的车间设备综合效率预测方法及***,该方法及***可以实现实时并且较准确地计算生产车间的设备综合效率,为后续人工智能算法在生产车间的工程应用提供了新思路。
为了达到上述技术效果,本发明的技术方案如下:
一种基于FFM模型的车间设备综合效率预测方法,所述方法包括以下步骤:
S1.实时采集生产设备运行数据,确定生产管理***MES中的生产数据;
S2.对生产设备运行数据与生产管理***MES中的生产数据进行预处理,得到集成数据向量;
S3.根据生产管理***MES中历史质量数据来标注集成数据向量,得到标注数据集;
S4.引入FFM神经网络模型,利用标注数据集训练FFM神经网络模型,得到训练好的车间设备生产质量预测模型;
S5.按步骤S1~S2采集实时场景的生产设备运行数据与生产管理***MES中的生产数据并预处理,得到集成数据向量,将该集成数据向量作为车间设备生产质量预测模型的输入,进行产品合格率预测;
S6.根据产品合格率预测结果,求解车间设备综合效率。
本技术方案突破了人工运算良品率和设备综合效率的人为误差和统计滞后性的局限性,实时发现与定位异常的生产设备,及时优化生产,可实现实时并且较准确地计算生产车间的设备综合效率,为后续人工智能算法在生产车间的工程应用提供了新思路。
优选地,在步骤S1中,实时采集的生产设备运行数据包括设备运行温度、设备供电电流、设备电机转速、进给速度及压力,整理为生产设备运行数据向量形式E,表征为E:<时间戳,设备编号,设备名称,运行数据1,运行数据2,…,运行数据n>=<时间,设备编号,设备运行温度,设备供电电流,设备电机转速,进给速度,压力>,生产管理***MES中的生产数据包括跟生产设备相关的排产、报工和质检数据,生产设备运行数据中时间戳与生产设备标识抽取生产管理***中对应时间段产品批次生产的排产报工数据为R,表征为R:<时间,设备编号,订单编号,生产任务编号,工序名称,生产产品总数,图纸编号,操作人员id>,该批次产品质量检测结果数据为Q,表征为Q:<时间,设备编号,订单编号,生产任务编号,工序名称,图纸编号,生产产品总数,产品合格数量,产品不合格数量>。
优选地,在步骤S2中,根据时间戳与设备编号将设备运行数据和排产报工数据向量进行集成,构建对应生产批次设备运行数据与产品生产数据的集成数据向量C,表征为C:<时间,设备编号,生产产品总数,工序名称,图纸编号,操作人员id,设备名称,运行数据1,运行数据2,…,运行数据n>=<时间,生产产品总数,工序名称,图纸编号,操作人员id,设备名称,设备编号,设备运行温度,设备供电电流,设备电机转速,进给速度,压力>。
优选地,在步骤S3中,基于该批次产品质量检测数据对当前产品批次集成数据向量的质量状态进行标注,表征为B:<时间,设备编号,生产产品总数,工序名称,图纸编号,操作人员id,设备名称,设备运行温度,设备供电电流,设备电机转速,进给速度,压力,质量状态>,其中合格产品质量状态标记为0,不合格产品质量状态标记为1。
优选地,对标注数据集进行重新编码,使所有数据转变为数值型数据,形成纯数字向量形式;其中,<时间,设备编号,工序名称,图纸编号,操作人员id,设备名称>数据类型为类别型数据,<生产产品总数,设备运行温度,设备供电电流,设备电机转速,进给速度,压力>数据类型为数值型数据,对数值型数据进行归一化处理,将数值型数据限制在0~1的范围内;
采用独热编码对标注数据集进行重新编码,使类别型数据转换成为对应特征值的数值型数据,并根据原始标注数据集B中类别型数据的字段,同时将同一字段下的特征划分为同一个特征域中,编码后的向量为Bt:<标识,x1,x2,x3,x4,...,xn>=<质量状态,时间,生产产品总数,设备运行温度,设备供电电流,设备电机转速,进给速度,压力,设备编号1,设备编号2…,工序名称1,工序名称1…,图纸编号1,图纸编号2,操作人员id1,操作人员id2…,设备名称1,设备名称2…>,xi表示输入特征,i=1,2,...,n。
优选地,在步骤S4中,基于引入的FFM模型,对于每一维特征xi,针对其他特征的每一种特征域fk都会学习一个隐向量Vi,fj,模型输出如下:
其中,y(X)表示模型输出的产品不合格的概率,部分与传统逻辑回归线性模型一致,w0表示方程偏置,wi表示每个输入特征的权重值,后半部分引入特征域field的概念,Vi,fj表示特征xi与对应特征xj所在特征域的隐向量,两者內积表示两个特征交互的关联系数:
在训练FFM模型时,损失函数为:
其中表示标注数据集中真实的值,y(i)表示是每次训练预测输出的值,对于每个输入,计算模型y(X),调整模型的权重参数,重复直到迭代结束及损失最小,训练结束,得到训练好的车间设备生产质量预测模型;设车间设备生产质量预测模型的预测函数表示为:
其中,g(X)为一个0~1之间的数值,定义为生产设备生产出的产品为不合格的概率,设生产设备生产出的产品为不合格的概率表示为PN,则:
PN=g(X)。
优选地,在步骤S5中,按步骤S1~S2采集实时场景的生产设备运行数据与生产管理***MES中的生产数据并预处理得到集成数据集C:<时间,生产产品总数,工序名称,图纸编号,操作人员id,设备名称,设备编号,设备运行温度,设备供电电流,设备电机转速,进给速度,压力>,将该集成数据向量作为车间设备生产质量预测模型的输入,进行产品合格率预测,得到该批次产品的良品率Q:
Q=1-PN;
在步骤S6中,车间设备综合效率的求解表达式为:
车间设备综合效率=时间稼动率·性能稼动率·良品率
时间稼动率为:
性能稼动率为:
P=Ct·Qp/(Lt-UPt)
其中,良品率为Q,Lt表示设备计划工作时间,Tt表示设备实际工作时间,UPt表示非计划停机时间,Ct表示单个产品生产时间,Qp表示产量。
在此,设备计划工作时间Lt从生产管理***中工人的排产报工时间获取,设备实际工作时间Tt为监控设备运行数据中设备运行电流参数大于所设设备运行额定电流的总时间。单个产品生产时间指标Ct以及产量Qp从生产管理***生产计划中获取,并根据所获取参数计算生产当前批次产品设备的时间稼动率与性能稼动率,良品率采用生产质量模型输出的产品合格率。
本申请还提出一种基于FFM模型的车间设备综合效率预测***,所述***包括:
数据采集模块,用于实时采集生产设备运行数据,确定生产管理***MES中的生产数据;
数据预处理模块,对生产设备运行数据与生产管理***MES中的生产数据进行预处理,得到集成数据向量;
标注模块,根据生产管理***MES中历史质量数据来标注集成数据向量,得到标注数据集;
生产质量预测模型构建训练模块,引入FFM神经网络模型,利用标注数据集训练FFM神经网络模型,得到训练好的车间设备生产质量预测模型;
预测模块,对新采集的实时场景的生产设备运行数据与生产管理***MES中的生产数据预处理,得到集成数据向量,将该集成数据向量作为车间设备生产质量预测模型的输入,进行产品合格率预测;
评估模块,用于根据产品合格率预测结果,求解车间设备综合效率。
优选地,所述数据采集模块包括内置或外接于车间生产设备上的传感器、解析器,采集生产设备的实时传感信号,并对采集的数据进行解析处理,传感器将生产设备运行状态参数进行采集,采用的是ModBus协议进行十六进制的报文封装,响应信息为{寄存器地址,操作码,数据位,校验位},报文传输到解析器进行解析,把数据取出转换为真实数值并封装为<时间戳,设备编号,<数据标识,数据值>>进行存储。
优选地,所述***还包括在线监控与报警模块,所述在线监控与报警模块根据评估模块的结果,对车间设备综合效率不符合设定标准的车间设备标记为异常,并进行显示和报警提示。
与现有技术相比,本发明技术方案的有益效果是:
本发明提出一种基于FFM模型的车间设备综合效率预测方法及***,首先实时采集车间生产设备的运行数据与生产管理***MES中的数据,然后进行预处理和标注,引入FFM神经网络模型,利用标注数据集训练FFM神经网络模型,得到训练好的车间设备生产质量预测模型,最后实时采集车间设备运行数据等,将训练好的车间设备生产质量预测模型用于产品合格率预测,基于产品合格率预测结果,求解车间设备综合效率,突破了人工运算良品率和设备综合效率的人为误差和统计滞后性的局限性,实时发现与定位异常的生产设备,及时优化生产,可实现实时并且较准确地计算生产车间的设备综合效率,为后续人工智能算法在生产车间的工程应用提供了新思路。
附图说明
图1表示本发明实施例1中提出的基于FFM模型的车间设备综合效率预测方法的流程示意图;
图2表示本发明实施例3中提出的基于FFM模型的车间设备综合效率预测***的一种结构图;
图3表示本发明实施例4中提出的提出的基于FFM模型的车间设备综合效率预测***的另一种结构图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好地说明本实施例,附图某些部位会有省略、放大或缩小,并不代表实际尺寸;
对于本领域技术人员来说,附图中某些公知内容说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
附图中描述位置关系的仅用于示例性说明,不能理解为对本专利的限制;
实施例1
如图1所示,参见图1,本实施例提出一种基于FFM模型的车间设备综合效率预测方法,所述方法包括以下步骤:
S1.实时采集生产设备运行数据,确定生产管理***MES中的生产数据;实时采集的生产设备运行数据包括运行数据1,运行数据2,…,运行数据n,设备供电电流,具体为:时间戳、设备编号、设备运行温度、设备供电电流、设备电机转速、进给速度及压力,整理为生产设备运行数据向量形式E,表征为E:<时间戳,设备编号,设备名称,设备运行温度,设备供电电流,设备电机转速,进给速度,压力>,生产管理***MES中的生产数据包括跟生产设备相关的排产、报工和质检数据,生产设备运行数据中时间戳与生产设备标识抽取生产管理***中对应时间段产品批次生产的排产报工数据为R,表征为R:<时间,设备编号,订单编号,生产任务编号,工序名称,生产产品总数,图纸编号,操作人员id>,该批次产品质量检测结果数据为Q,表征为Q:<时间,设备编号,订单编号,生产任务编号,工序名称,图纸编号,生产产品总数,产品合格数量,产品不合格数量>。
S2.对生产设备运行数据与生产管理***MES中的生产数据进行预处理,得到集成数据向量;
具体的,根据时间戳与设备编号抽取生产管理***中对应产品批次生产的排产、报工数据与该批次产品质量检测数据,将设备运行数据、产品生产排产报工数据等多源异构数据嵌套拼接,实现该生产批次集成数据向量建模,构建对应生产批次设备运行数据与产品生产数据的集成数据向量C;
S3.根据生产管理***MES中历史质量数据来标注集成数据向量,得到标注数据集;
基于该批次产品质量检测数据对当前产品批次集成数据向量的质量状态进行标注,表征为B:<时间,设备编号,生产产品总数,工序名称,图纸编号,操作人员id,设备名称,设备运行温度,设备供电电流,设备电机转速,进给速度,压力,质量状态>,其中合格产品质量状态标记为0,不合格产品质量状态标记为1。
对标注数据集进行重新编码,使所有数据转变为数值型数据,形成纯数字向量形式;其中,<时间,设备编号,工序名称,图纸编号,操作人员id,设备名称>数据类型为类别型数据,<生产产品总数,设备运行温度,设备供电电流,设备电机转速,进给速度,压力>数据类型为数值型数据,对数值型数据进行归一化处理,将数值型数据限制在0~1的范围内;
采用独热编码对标注数据集进行重新编码,使类别型数据转换成为对应特征值的数值型数据,并根据原始标注数据集B中类别型数据的字段,同时将同一字段下的特征划分为同一个特征域中,编码后的向量为Bt:<标识,x1,x2,x3,x4,...,xn>=<质量状态,时间,生产产品总数,设备运行温度,设备供电电流,设备电机转速,进给速度,压力,设备编号1,设备编号2…,工序名称1,工序名称1…,图纸编号1,图纸编号2,操作人员id1,操作人员id2…,设备名称1,设备名称2…>,xi表示输入特征,i=1,2,...,n。
S4.引入FFM神经网络模型,利用标注数据集训练FFM神经网络模型,得到训练好的车间设备生产质量预测模型;
在本步骤中,将车间产品历史生产标注数据作为训练集,训练FFM神经网络模型,得到训练好的产品生产质量预测模型。
S5.按步骤S1~S2采集实时场景的生产设备运行数据与生产管理***MES中的生产数据并预处理,得到集成数据向量,将该集成数据向量作为车间设备生产质量预测模型的输入,进行产品合格率预测;
S6.根据产品合格率预测结果,求解车间设备综合效率。
即在步骤S5~S6中,再一次实时采集实时场景的生产设备运行数据与当前批次产品排产数据的集成数据C:<时间,生产产品总数,工序名称,图纸编号,操作人员id,设备名称,设备编号,设备运行温度,设备供电电流,设备电机转速,进给速度,压力>作为生产质量预测模型的输入,判断当前批次不合格产品产生的概率,实时计算当前批次产品合格率,实时计算并输出车间设备综合效率。
实施例2
在步骤S4中,基于引入的FFM模型,对于每一维特征xi,针对其他特征的每一种特征域fj都会学习一个隐向量Vi,fj,模型输出如下:
其中,y(X)表示模型输出的产品不合格的概率,部分与传统逻辑回归线性模型一致,w0表示方程偏置,wi表示每个输入特征的权重值,后半部分引入特征域field的概念,特征设备编号1、设备编号2,…设备编号n属同一特征域;工序名称1,工序名称2,…工序名称n属同一特征域;
例如工序名称特征域中有精磨杆部、精磨断面、精车外圆、杆端淬火、精车颈部…等特征,数据向量在对应的特征值为1,其余特征值为0。,Vi,fj表示特征xi与对应特征xj所在特征域的隐向量,两者內积表示两个特征交互的关联系数:
在训练FFM模型时,损失函数为:
其中表示标注数据集中真实的值,y(i)表示是每次训练预测输出的值,对于每个输入,计算模型y(X),调整模型的权重参数,重复直到迭代结束及损失最小,训练结束,得到训练好的车间设备生产质量预测模型;设车间设备生产质量预测模型的预测函数表示为:
其中,g(X)为一个0~1之间的数值,定义为生产设备生产出的产品为不合格的概率,设生产设备生产出的产品为不合格的概率表示为PN,则:
PN=g(X)。
按步骤S1~S2采集实时场景的生产设备运行数据与生产管理***MES中的生产数据并预处理得到集成数据集C:<时间,生产产品总数,工序名称,图纸编号,操作人员id,设备名称,设备编号,设备运行温度,设备供电电流,设备电机转速,进给速度,压力>,将该集成数据向量作为车间设备生产质量预测模型的输入,进行产品合格率预测,得到该批次产品的良品率Q:
Q=1-PN;
其中每一批次产品合格数量为:
QN=Qp·Q
Qp:该批次产品总产量。
生产线总合格率:
计算生产车间总设备综合效率,导出生产管理***统计的车间内所有设备的计划开机时间、加工产品总数计算综合时间稼动率,并根据产品生产质量模型实时计算总累计合格产品数量,进一步实现生产车间总设备综合效率计算。
在步骤S6中,车间设备综合效率的求解表达式为:
车间设备综合效率=时间稼动率·性能稼动率·良品率
时间稼动率为:
性能稼动率为:
P=Ct·Qp/(Lt-UPt)
其中,良品率为Q,Lt表示设备计划工作时间,Tt表示设备实际工作时间,UPt表示非计划停机时间,Ct表示单个产品生产时间,Qp表示产量。
其中,设备计划工作时间Lt从生产管理***中工人的排产报工时间获取,设备实际工作时间Tt为监控设备运行数据中设备运行电流参数大于所设设备运行额定电流的总时间。单个产品生产时间指标Ct以及产量Qp从生产管理***生产计划中获取,并根据所获取参数计算生产当前批次产品设备的时间稼动率与性能稼动率,良品率采用生产质量模型输出的产品合格率。
良品率采用生产质量模型输出的产品合格率。
其中基于单台设备上加工工件产生OEE即为设备OEE,统计工件生产所需整条产线上所有设备开机总时长、设备数量、累计加工产品数量、累计合格数与生产指标得出的OEE记为产线OEE,综合全车间所有设备开机总时长、设备数量、累计加工产品数量、累计合格数与生产指标得出的OEE记为车间综合OEE。
实施例3
如图2所示,本申请还提出一种基于FFM模型的车间设备综合效率预测***,参见图2,该***包括:
数据采集模块,用于实时采集生产设备运行数据,确定生产管理***MES中的生产数据;
数据预处理模块,对生产设备运行数据与生产管理***MES中的生产数据进行预处理,得到集成数据向量;
标注模块,根据生产管理***MES中历史质量数据来标注集成数据向量,得到标注数据集;
生产质量预测模型构建训练模块,引入FFM神经网络模型,利用标注数据集训练FFM神经网络模型,得到训练好的车间设备生产质量预测模型;
预测模块,对新采集的实时场景的生产设备运行数据与生产管理***MES中的生产数据预处理,得到集成数据向量,将该集成数据向量作为车间设备生产质量预测模型的输入,进行产品合格率预测;
评估模块,用于根据产品合格率预测结果,求解车间设备综合效率。
在本实施例中,数据采集模块包括内置或外接于车间生产设备上的传感器、解析器,采集生产设备的实时传感信号,并对采集的数据进行解析处理,传感器将生产设备运行状态参数进行采集,采用的是ModBus协议进行十六进制的报文封装,响应信息为{寄存器地址,操作码,数据位,校验位},报文传输到解析器进行解析,把数据取出转换为真实数值并封装为<时间戳,设备编号,<数据标识,数据值>>进行存储。
数据预处理模块对数据的预处理:①抽取生产管理***对应产品批次排产报工数据R=<时间,设备编号,订单编号,生产任务编号,工序名称,生产产品总数,图纸编号,操作人员id>。②从kafka消息队列中获取生产设备各传感器的设备运行数据E=<时间,设备编号,设备名称,设备运行温度,设备供电电流,设备电机转速,进给速度,压力>。③根据时间戳与设备编号将设备运行数据和生产数据向量进行集成,构建对应生产批次设备运行数据与产品生产数据的集成数据向量:C=<时间,生产产品总数,工序名称,图纸编号,操作人员id,设备名称,设备编号,设备运行温度,设备供电电流,设备电机转速,进给速度,压力>。
标注模块对数据集的标注::①抽取生产管理***对应产品批次历史质量检测数据Q:<时间,设备编号,工序名称,订单编号,生产任务编号,图纸编号,生产产品总数,产品合格数量,产品不合格数量,产品合格数量>。②根据时间、设备编号、各批次产品合格数量与不合格数量对各批次集成数据的质量状态进行标注,得到标注数据集向量B:<时间,设备编号,生产产品总数,工序名称,图纸编号,操作人员id,设备名称,设备运行温度,设备供电电流,设备电机转速,进给速度,压力,质量状态>。其中合格产品质量状态标记为0,不合格产品质量状态标记为1。
生产质量预测模型构建训练模块对标注数据集<时间,设备编号,生产产品总数,工序名称,图纸编号,操作人员id,设备名称,设备运行温度,设备供电电流,设备电机转速,进给速度,压力,质量状态>进行重新编码。由于<时间,设备编号,工序名称,图纸编号,操作人员id,设备名称>数据类型为类别型数据,<生产产品总数,设备运行温度,设备供电电流,设备电机转速,进给速度,压力>数据类型为数值型数据。
对于数值型数据进行归一化处理,是数据限定在0到1之间。
由于数据存在类别型数据,进一步的采用独热编码(One-Hot Encoding)对标注数据集进行重新编码,从而使类别型数据转换成为对应特征值的数值型数据,并根据原始标注数据B中类别型数据的字段,将同一字段下的特征划分为同一个特征域中。编码后的向量数据为Bt:<标识,x1,x2,x3,x4,...,xi>=<质量状态,时间,生产产品总数,设备运行温度,设备供电电流,设备电机转速,进给速度,压力,设备编号1,设备编号2…,工序名称1,工序名称1…,图纸编号1,图纸编号2,操作人员id1,操作人员id2…,设备名称1,设备名称2…>。
最后预测模块和评估模块,根据实时集成数据向量C=<时间,生产产品总数,工序名称,图纸编号,操作人员id,设备名称,设备编号,设备运行温度,设备供电电流,设备电机转速,进给速度,压力>,实时监控当前批次产品生产良品率,并根据所计算的时间稼动率、性能稼动率,实时计算生产当前批次产品的设备综合效率,即根据生产需要将生产同一产品的设备划分产线,导出生产管理***中统计的生产线内所有设备的计划开机时间、加工产品总数计算综合时间稼动率,并根据产品生产质量模型实时计算总累计合格产品数量,进一步实现产线设备综合效率计算。
实施例4
如图3所示,在实施例3的基础上,本实施例提出了另一种基于FFM模型的车间设备综合效率预测***,除实施例3提出的***的结构外,该***还包括在线监控与报警模块,所述在线监控与报警模块根据评估模块的结果,对车间设备综合效率不符合设定标准的车间设备标记为异常,并进行显示和报警提示。
对实时设备综合效率低下的车间与产线实时进行预警与提示。鉴于不同设备、加工工艺的不同,对不同设备划定设备综合效率阈值并存入数据库,对实时综合效率低于所设阈值的设备实时报警,实现实时定位与解决由生产设备异常而导致的影响生产的问题。
显然,本发明的上述实施例仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于FFM模型的车间设备综合效率预测方法,其特征在于,所述方法包括以下步骤:
S1.实时采集生产设备运行数据,确定生产管理***MES中的生产数据;
S2.对生产设备运行数据与生产管理***MES中的生产数据进行预处理,得到集成数据向量;
S3.根据生产管理***MES中历史质量数据来标注集成数据向量,得到标注数据集;
S4.引入FFM神经网络模型,利用标注数据集训练FFM神经网络模型,得到训练好的车间设备生产质量预测模型;
S5.按步骤S1~S2采集实时场景的生产设备运行数据与生产管理***MES中的生产数据并预处理,得到集成数据向量,将该集成数据向量作为车间设备生产质量预测模型的输入,进行产品合格率预测;
S6.根据产品合格率预测结果,求解车间设备综合效率。
2.根据权利要求1所述的基于FFM模型的车间设备综合效率预测方法,其特征在于,在步骤S1中,实时采集的生产设备运行数据包括设备供电电流、设备运行温度、设备电机转速、进给速度、压力,整理为生产设备运行数据向量形式E,表征为E:<时间戳,设备编号,设备名称,运行数据1,运行数据2,…,运行数据n>=<时间,设备编号,设备运行温度,设备供电电流,设备电机转速,进给速度,压力>,生产管理***MES中的生产数据包括跟生产设备相关的排产、报工和质检数据,生产设备运行数据中时间戳与生产设备标识抽取生产管理***中对应时间段产品批次生产的排产报工数据为R,表征为R:<时间,设备编号,订单编号,生产任务编号,工序名称,生产产品总数,图纸编号,操作人员id>,该批次产品质量检测结果数据为Q,表征为Q:<时间,设备编号,订单编号,生产任务编号,工序名称,图纸编号,生产产品总数,产品合格数量,产品不合格数量>。
3.根据权利要求2所述的基于FFM模型的车间设备综合效率预测方法,其特征在于,在步骤S2中,根据时间戳与设备编号将设备运行数据和排产报工数据向量进行集成,构建对应生产批次设备运行数据与产品生产数据的集成数据向量C,表征为C:<时间,设备编号,生产产品总数,工序名称,图纸编号,操作人员id,设备名称,运行数据1,运行数据2,…,运行数据n>=<时间,生产产品总数,工序名称,图纸编号,操作人员id,设备名称,设备编号,设备运行温度,设备供电电流,设备电机转速,进给速度,压力>。
4.根据权利要求3所述的基于FFM模型的车间设备综合效率预测方法,其特征在于,在步骤S3中,基于该批次产品质量检测数据对当前产品批次集成数据向量的质量状态进行标注,表征为B:<时间,设备编号,生产产品总数,工序名称,图纸编号,操作人员id,设备名称,运行数据1,运行数据2,…,运行数据n,质量状态>=<时间,设备编号,生产产品总数,工序名称,图纸编号,操作人员id,设备名称,设备运行温度,设备供电电流,设备电机转速,进给速度,压力,质量状态>,其中合格产品质量状态标记为0,不合格产品质量状态标记为1。
5.根据权利要求4所述的基于FFM模型的车间设备综合效率预测方法,其特征在于,对标注数据集进行重新编码,使所有数据转变为数值型数据,形成纯数字向量形式;其中,<时间,设备编号,工序名称,图纸编号,操作人员id,设备名称>数据类型为类别型数据,<生产产品总数>及各设备运行数据<运行数据1,运行数据2,…,运行数据n>=<设备运行温度,设备供电电流,设备电机转速,进给速度,压力>数据类型为数值型数据,对数值型数据进行归一化处理,将数值型数据限制在0~1的范围内;
采用独热编码对标注数据集进行重新编码,使类别型数据转换成为对应特征值的数值型数据,并根据原始标注数据集B中类别型数据的字段,同时将同一字段下的特征划分为同一个特征域中,编码后的向量为Bt:<标识,x1,x2,x3,x4,...,xn>=<质量状态,时间,生产产品总数,设备运行温度,设备供电电流,设备电机转速,进给速度,压力,设备编号1,设备编号2…,工序名称1,工序名称1…,图纸编号1,图纸编号2,操作人员id1,操作人员id2…,设备名称1,设备名称2…>,xi表示输入特征,i=1,2,...,n。
6.根据权利要求5所述的基于FFM模型的车间设备综合效率预测方法,其特征在于,在步骤S4中,基于引入的FFM模型,对于每一维特征xi,针对其他特征的每一种特征域fj都会学习一个隐向量Vi,fj,模型输出如下:
其中,y(X)表示模型输出的产品不合格的概率,部分与传统逻辑回归线性模型一致,w0表示方程偏置,wi表示每个输入特征的权重值,后半部分引入特征域field的概念,Vi,fj表示特征xi与对应特征xj所在特征域的隐向量,两者內积表示两个特征交互的关联系数:
在训练FFM模型时,损失函数为:
其中表示标注数据集中真实的值,y(i)表示是每次训练预测输出的值,对于每个输入,计算模型y(X),调整模型的权重参数,重复直到迭代结束及损失最小,训练结束,得到训练好的车间设备生产质量预测模型;设车间设备生产质量预测模型的预测函数表示为:
其中,g(X)为一个0~1之间的数值,定义为生产设备生产出的产品为不合格的概率,设生产设备生产出的产品为不合格的概率表示为PN,则:
PN=g(X)。
7.根据权利要求6所述的基于FFM模型的车间设备综合效率预测方法,其特征在于,在步骤S5中,按步骤S1~S2采集实时场景的生产设备运行数据与生产管理***MES中的生产数据并预处理得到集成数据集C:<时间,生产产品总数,工序名称,图纸编号,操作人员id,设备名称,设备编号,设备运行温度,设备供电电流,设备电机转速,进给速度,压力>,将该集成数据向量作为车间设备生产质量预测模型的输入,进行产品合格率预测,得到该批次产品的良品率Q:
Q=1-PN;
在步骤S6中,车间设备综合效率的求解表达式为:
车间设备综合效率=时间稼动率·性能稼动率·良品率
时间稼动率为:
性能稼动率为:
P=Ct·Qp/(Lt-UPt)
其中,良品率为Q,Lt表示设备计划工作时间,Tt表示设备实际工作时间,UPt表示非计划停机时间,Ct表示单个产品生产时间,Qp表示产量。
8.一种基于FFM模型的车间设备综合效率预测***,其特征在于,所述***包括:
数据采集模块,用于实时采集生产设备运行数据,确定生产管理***MES中的生产数据;
数据预处理模块,对生产设备运行数据与生产管理***MES中的生产数据进行预处理,得到集成数据向量;
标注模块,根据生产管理***MES中历史质量数据来标注集成数据向量,得到标注数据集;
生产质量预测模型构建训练模块,引入FFM神经网络模型,利用标注数据集训练FFM神经网络模型,得到训练好的车间设备生产质量预测模型;
预测模块,对新采集的实时场景的生产设备运行数据与生产管理***MES中的生产数据预处理,得到集成数据向量,将该集成数据向量作为车间设备生产质量预测模型的输入,进行产品合格率预测;
评估模块,用于根据产品合格率预测结果,求解车间设备综合效率。
9.根据权利要求8所述的基于FFM模型的车间设备综合效率预测***,其特征在于,所述数据采集模块包括内置或外接于车间生产设备上的传感器、解析器,采集生产设备的实时传感信号,并对采集的数据进行解析处理,传感器将生产设备运行状态参数进行采集,采用的是ModBus协议进行十六进制的报文封装,响应信息为{寄存器地址,操作码,数据位,校验位},报文传输到解析器进行解析,把数据取出转换为真实数值并封装为<时间戳,设备编号,<数据标识,数据值>>进行存储。
10.根据权利要求9所述的基于FFM模型的车间设备综合效率预测***,其特征在于,所述***还包括在线监控与报警模块,所述在线监控与报警模块根据评估模块的结果,对车间设备综合效率不符合设定标准的车间设备标记为异常,并进行显示和报警提示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210821086.9A CN115392534A (zh) | 2022-07-13 | 2022-07-13 | 一种基于ffm模型的车间设备综合效率预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210821086.9A CN115392534A (zh) | 2022-07-13 | 2022-07-13 | 一种基于ffm模型的车间设备综合效率预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115392534A true CN115392534A (zh) | 2022-11-25 |
Family
ID=84116916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210821086.9A Pending CN115392534A (zh) | 2022-07-13 | 2022-07-13 | 一种基于ffm模型的车间设备综合效率预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115392534A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116107283A (zh) * | 2023-04-13 | 2023-05-12 | 环球数科集团有限公司 | 一种基于人机交互的ai生产管理*** |
CN116362599A (zh) * | 2022-12-12 | 2023-06-30 | 武汉同捷信息技术有限公司 | 一种基于mes***的质量数据采集方法与装置 |
CN116629454A (zh) * | 2023-07-19 | 2023-08-22 | 武汉新威奇科技有限公司 | 基于神经网络的伺服螺旋压力机生产效率预测方法及*** |
CN117311294A (zh) * | 2023-11-28 | 2023-12-29 | 张家港大裕橡胶制品有限公司 | 基于云边融合的橡胶手套生产设备自决策控制方法 |
-
2022
- 2022-07-13 CN CN202210821086.9A patent/CN115392534A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116362599A (zh) * | 2022-12-12 | 2023-06-30 | 武汉同捷信息技术有限公司 | 一种基于mes***的质量数据采集方法与装置 |
CN116362599B (zh) * | 2022-12-12 | 2023-11-10 | 武汉同捷信息技术有限公司 | 一种基于mes***的质量数据采集方法与装置 |
CN116107283A (zh) * | 2023-04-13 | 2023-05-12 | 环球数科集团有限公司 | 一种基于人机交互的ai生产管理*** |
CN116629454A (zh) * | 2023-07-19 | 2023-08-22 | 武汉新威奇科技有限公司 | 基于神经网络的伺服螺旋压力机生产效率预测方法及*** |
CN116629454B (zh) * | 2023-07-19 | 2023-10-03 | 武汉新威奇科技有限公司 | 基于神经网络的伺服螺旋压力机生产效率预测方法及*** |
CN117311294A (zh) * | 2023-11-28 | 2023-12-29 | 张家港大裕橡胶制品有限公司 | 基于云边融合的橡胶手套生产设备自决策控制方法 |
CN117311294B (zh) * | 2023-11-28 | 2024-02-23 | 张家港大裕橡胶制品有限公司 | 基于云边融合的橡胶手套生产设备自决策控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115392534A (zh) | 一种基于ffm模型的车间设备综合效率预测方法及*** | |
CN207408818U (zh) | 一种具有故障预测及诊断功能的数控机床 | |
WO2011043108A1 (ja) | 設備状態監視方法、監視システム及び監視プログラム | |
CN114201374B (zh) | 基于混合机器学习的运维时序数据异常检测方法及*** | |
CN111126658A (zh) | 一种基于深度学习的煤矿瓦斯预测方法 | |
CN110689148A (zh) | 一种基于ar技术的计量设备故障检测方法 | |
CN115524002B (zh) | 一种电厂旋转设备的运行状态预警方法、***及存储介质 | |
CN116700193A (zh) | 工厂车间智能化监控管理***及其方法 | |
CN114021822A (zh) | 一种清洁能源发电功率预测方法和*** | |
CN116992346A (zh) | 一种基于人工智能大数据分析的企业生产数据处理*** | |
CN111666978B (zh) | 一种it***运维大数据的智能故障预警*** | |
CN115782105A (zh) | 一种注塑生产管理方法、***、计算机设备及存储介质 | |
CN117056688A (zh) | 一种基于数据分析的新材料生产数据管理***及方法 | |
CN111598165A (zh) | 一种基于极限学习机的密度聚类离群点检测方法 | |
CN117808166A (zh) | 云化plc的化工安全自动化检测监控*** | |
CN114418177B (zh) | 基于生成对抗网络的数字孪生车间的新产品物料配送预测方法 | |
CN114253242B (zh) | 一种基于vpn的物联网云端设备数据采集*** | |
CN117560300B (zh) | 一种智能物联网流量预测与优化*** | |
CN116523466B (zh) | 一种基于大数据的生产资料溯源***和方法 | |
CN116703254B (zh) | 模具机械零部件生产信息管理*** | |
CN116931523B (zh) | 一种基于物联网的生物降解塑料袋生产监控*** | |
CN112858901A (zh) | 实时监测刀具运行状态与寿命预测的***及方法 | |
CN115392663A (zh) | 一种基于大数据的数据采集处理方法 | |
CN115034128A (zh) | 一种智慧风电场智慧风电场风电机组评价方法 | |
CN110659681B (zh) | 基于模式识别的时序数据预测***及方法 |
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 |