CN112309000B - 一种云平台的机床稼动率监测系统 - Google Patents
一种云平台的机床稼动率监测系统 Download PDFInfo
- Publication number
- CN112309000B CN112309000B CN202011123136.3A CN202011123136A CN112309000B CN 112309000 B CN112309000 B CN 112309000B CN 202011123136 A CN202011123136 A CN 202011123136A CN 112309000 B CN112309000 B CN 112309000B
- Authority
- CN
- China
- Prior art keywords
- machine tool
- tool equipment
- equipment
- time
- power data
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 238000004519 manufacturing process Methods 0.000 claims abstract description 77
- 238000004364 calculation method Methods 0.000 claims abstract description 58
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 58
- 238000000605 extraction Methods 0.000 claims abstract description 45
- 239000000284 extract Substances 0.000 claims abstract description 14
- 238000003754 machining Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 230000008676 import Effects 0.000 abstract 1
- 230000002950 deficient Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/08—Registering or indicating the production of the machine either with or without registering working or idle time
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种云平台的机床稼动率监测系统，包括云平台制造大数据库模块、云平台数据实时提取模块、功率数据特征提取模块、机床运行状态识别模块、设备稼动率计算模块；云平台制造大数据库模块存储有机床设备原始总功率数据和机床设备生产数据；云平台数据实时提取模块对提取的机床设备原始总功率数据进行预处理；功率数据特征提取模块从云平台数据实时提取模块提取预处理机床设备总功率数据和机床设备生产数据；机床运行状态识别模块将功率数据特征提取模块获得的模型权重导入至卷积神经网络，建立一维CNN识别模型；设备稼动率计算模块计算出设备稼动率；本解决了传统的机床设备稼动率计算不具备通用性、普遍适用性的问题。
Description
技术领域
本发明属于监测技术领域，具体涉及一种云平台的机床稼动率监测系统。
背景技术
目前，随着商品与劳动力价格的高度市场化，制造业企业面临着行业竞争激烈、工人成本上升等严峻问题，使得制造业企业只有充分挖掘现有机械设备等资源的潜力,提高设备稼动率，以保证产品质量与生产效率。机械设备作为企业生产的基础，决定了企业生产制造的基本能力，导致制造业企业对机械设备依赖性较高，随之而来的设备故障、设备利用率低下等问题也与日俱增，这严重阻碍了企业产品品质与生产效率的提高。关键设备的故障停产，会影响下游生产的正常进行，对企业造成负面影响，从而降低企业经济效益。设备稼动率作为企业生产效率与产品性能的综合指标，代表了设备生产能力，通过对设备稼动率的监测，以识别制造过程中停机损失、换装损失、暂停机损失等，对机床设备进行智能化管理，从而实现设备运行效率与产品性能的稳定上升。
当前已有许多制造业企业正寻求搭建生产管控云平台以期对企业能源、设备生产过程等进行管控，因此，现有技术中需要云平台的机床稼动率监测系统。
发明内容
为实现本发明目的而采用的技术方案是这样的，一种云平台的机床稼动率监测系统，包括云平台制造大数据库模块、云平台数据实时提取模块、功率数据特征提取模块、机床运行状态识别模块、设备稼动率计算模块。
所述云平台制造大数据库模块存储有机床设备原始总功率数据和机床设备生产数据。
所述云平台数据实时提取模块从云平台制造大数据库模块中提取机床设备原始总功率数据和机床设备生产数据，并对所提取的机床设备原始总功率数据和机床设备生产数据进行记录。所述云平台数据实时提取模块对提取的机床设备原始总功率数据进行滤波，并剔除机床设备总功率数据中的异常值，得到预处理机床设备总功率数据。
所述功率数据特征提取模块从云平台数据实时提取模块提取预处理机床设备总功率数据和机床设备生产数据，通过卷积神经网络结构将预处理机床设备总功率数据和机床设备生产数据直接作为一维CNN模型的输入，进行卷积训练，得到最优识别率的卷积神经网络模型结构，并获取该结构下的模型权重。
所述机床运行状态识别模块将功率数据特征提取模块获得的模型权重导入至卷积神经网络，建立一维CNN识别模型。所述机床运行状态识别模块将云平台数据实时提取模块记录的机床设备原始总功率数据进行预处理，得到机床设备一维功率数据，并将机床设备一维功率数据输入一维CNN识别模型进行识别，统计出机床设备启动时间Ts、机床设备空载时间Tn、机床设备加工时间Tr。
所述设备稼动率计算模块提取机床运行状态识别模块统计出机床设备启动时间Ts、机床设备空载时间Tn、机床设备加工时间Tr，并提取云平台数据实时提取模块记录的机床设备生产数据和机床设备原始总功率数据。
所述设备稼动率计算模块搭载有稼动率计算模型、实际加工时间计算模型、负荷时间计算模型和总加工产品数量计算模型。
所述稼动率计算模型定义机床稼动率指标，定义时间稼动率ET，性能稼动率EP，产品合格率为Q。具体定义如下：
式(1)至式(3)中，TR为实际加工时间，TP为负荷时间，CT为理论加工周期，N为总加工产品数量，n为加工产品合格数量。
所述实际加工时间计算模型定义机床设备空载时间Tn、机床设备加工时间Tr、机床设备启动时间Ts，所述实际加工时间TR＝Tn+Tr+Ts。
所述负荷时间计算模型定义工作总时间TZ，计划内停机时间Tt，所述负荷时间为TP＝TZ-Tt。
所述总加工产品数量计算模型对机床设备原始总功率数据进行计算，得到总加工产品数量N。
所述稼动率计算模型计算出时间稼动率ET、性能稼动率EP和良品率Q后，并计算出设备稼动率E，E＝ET·EP·Q。
进一步，所述机床设备生产数据包括合格产品数量n、设备工作总时间TZ、计划内停机时间Tt、设备理论加工周期CT、机床设备运行状态信息和机床设备运行状态的时间参数信息。
进一步，所述功率数据特征提取模块通过卷积神经网络结构将预处理机床设备总功率数据和机床设备生产数据直接作为一维CNN模型的输入，进行卷积训练，得到最优识别率的卷积神经网络模型结构，并获取该结构下的模型权重，具体包括如下步骤：
1)将所提取的机床设备运行状态信息、机床设备运行状态的时间参数信息与所提取的预处理机床设备总功率数据相对应，分别提取出机床设备启动状态、空载状态、加工状态、停机状态下的功率数据，并分别将其作为数据集。
2)构建一个包括输入层、4个卷积层、2个最大池化层、1个全连接层和输出层的卷积神经网络结构模型，其中卷积层与最大池化层作为整个网络的核心结构互相嵌套。
3)针对所构建的卷积神经网络结构模型设置激活函数、衰减函数和学习率参数。
4)将步骤1)所述的各个数据集的70％作为训练集输入至步骤2)所建立的卷积神经网络模型中，进行训练，通过反复测试与修正获得最优识别率的卷积神经网络模型结构，并获取该结构下的模型权重。
进一步，在步骤4)中，训练过程应满足以下条件：
A)将各个数据集中的70％作为训练集，30％作为测试集。
B)采用梯度下降对训练模型进行优化。
C)在前向传播过程中选择Sigmoid激活函数来传播由卷积得到的特征。在反向传播过程中选择ReLU激活函数来调整网络参数。
本发明的技术效果是毋庸置疑的，本发明公开云平台的机床稼动率监测系统，通过对设备稼动率的监测，不仅可以降低成本、提升竞争力，还可以在同等资源情况下，解析待工停产原因，减少设备停产待工时间，从而对设备停机损失、换装损失、稳定生产次品损失、调试生产次品损失等进行识别，进而对设备进行有效管控，降低经济损失，减少维修费用，提高劳动效益，提高生产能力。同时解决了传统的机床设备稼动率计算不具备通用性、普遍适用性的问题。
附图说明
图1为本发明的机床设备稼动率监测流程图；
图2为机床设备运行状态识别流程图。
具体实施方式
下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。
实施例1：
本实施例公开一种云平台的机床稼动率监测系统，参见图1，包括云平台制造大数据库模块、云平台数据实时提取模块、功率数据特征提取模块、机床运行状态识别模块、设备稼动率计算模块。
所述云平台制造大数据库模块存储有机床设备原始总功率数据和机床设备生产数据，还存储有设备管理信息、能耗管理信息、生产执行管理信息、人员管理信息、物料管理信息、生产参数信息等。所述机床设备生产数据包括合格产品数量n、设备工作总时间TZ、计划内停机时间Tt、设备理论加工周期CT、机床设备运行状态信息和机床设备运行状态的时间参数信息。
所述云平台数据实时提取模块从云平台制造大数据库模块中提取机床设备原始总功率数据和机床设备生产数据，并对所提取的机床设备原始总功率数据和机床设备生产数据进行记录。所述云平台数据实时提取模块对提取的机床设备原始总功率数据进行小波变换滤波，并剔除机床设备总功率数据中的异常值，得到预处理机床设备总功率数据。
所述功率数据特征提取模块从云平台数据实时提取模块提取预处理机床设备总功率数据和机床设备生产数据，通过卷积神经网络结构将预处理机床设备总功率数据和机床设备生产数据直接作为一维CNN模型的输入，进行卷积训练，通过对大量样本的学习，使CNN模型能自适应的提取到预处理机床设备总功率数据中的功率信息特征，得到最优识别率的卷积神经网络模型结构，并获取该结构下的模型权重。具体地，参见图2，所述功率数据特征提取模块通过卷积神经网络结构将预处理机床设备总功率数据和机床设备生产数据直接作为一维CNN模型的输入，进行卷积训练，得到最优识别率的卷积神经网络模型结构，并获取该结构下的模型权重，具体包括如下步骤：
1)将所提取的机床设备运行状态信息、机床设备运行状态的时间参数信息与所提取的预处理机床设备总功率数据相对应，分别提取出机床设备启动状态、空载状态、加工状态、停机状态下的功率数据，并分别将其作为数据集。
2)构建一个包括输入层、4个卷积层、2个最大池化层、1个全连接层和输出层的卷积神经网络结构模型，其中卷积层与最大池化层作为整个网络的核心结构互相嵌套。
3)针对所构建的卷积神经网络结构模型设置激活函数、衰减函数和学习率参数。
4)将步骤1)所述的各个数据集的70％作为训练集输入至步骤2)所建立的卷积神经网络模型中，进行训练，通过反复测试与修正获得最优识别率的卷积神经网络模型结构，并获取该结构下的模型权重。
在步骤4)中，训练过程应满足以下条件：
4.1)将各个数据集中的70％作为训练集，30％作为测试集。
4.2)采用梯度下降对训练模型进行优化,且学习率衰减方式采用Fixed。
4.3)在前向传播过程中选择Sigmoid激活函数来传播由卷积得到的特征。在反向传播过程中选择ReLU激活函数来调整网络参数。
所述机床运行状态识别模块将功率数据特征提取模块获得的模型权重导入至卷积神经网络，建立一维CNN识别模型，将其作为识别模型。所述机床运行状态识别模块将云平台数据实时提取模块记录的机床设备原始总功率数据进行预处理，预处理包含去噪、滤波、异常值剔除等操作，得到机床设备一维功率数据，并将机床设备一维功率数据输入一维CNN识别模型进行识别，对机床设备一维功率数据的状态做出判断，统计出机床设备启动时间Ts、机床设备空载时间Tn、机床设备加工时间Tr，为计算设备的时间稼动率与性能稼动率提供数据基础。
所述设备稼动率计算模块提取机床运行状态识别模块统计出机床设备启动时间Ts、机床设备空载时间Tn、机床设备加工时间Tr，并提取云平台数据实时提取模块记录的机床设备生产数据和机床设备原始总功率数据。
所述设备稼动率计算模块搭载有稼动率计算模型、实际加工时间计算模型、负荷时间计算模型和总加工产品数量计算模型。
所述稼动率计算模型定义机床稼动率指标，定义时间稼动率ET，性能稼动率EP，产品合格率为Q。具体定义如下：
式(1)至式(3)中，TR为实际加工时间，TP为负荷时间，CT为理论加工周期，N为总加工产品数量，n为加工产品合格数量。
所述实际加工时间计算模型定义机床设备空载时间Tn、机床设备加工时间Tr、机床设备启动时间Ts，所述实际加工时间TR＝Tn+Tr+Ts。
所述负荷时间计算模型定义工作总时间TZ，计划内停机时间Tt，工作总时间为劳动时间，即开班到下班的时间，即所述负荷时间为TP＝TZ-Tt。
所述总加工产品数量计算模型对机床设备原始总功率数据进行计算，得到总加工产品数量N。所述总加工产品数量计算模型由机床设备总功率数据计算总加工产品数量N，即当所述机床运行状态识别模块识别出连续的机床设备空载时间Tn和机床设备加工时间Tr后可记录为成功加工一件产品Ni，对所需计算稼动率的时间段中产品进行累加即为该时间段内总加工产品数量
所述稼动率计算模型计算出时间稼动率ET、性能稼动率EP和良品率Q后，并计算出设备稼动率E，E＝ET·EP·Q。
本实施例公开的云平台的机床稼动率监测系统，通过对设备稼动率的监测，不仅可以降低成本、提升竞争力，还可以在同等资源情况下，解析待工停产原因，减少设备停产待工时间，从而对设备停机损失、换装损失、稳定生产次品损失、调试生产次品损失等进行识别，进而对设备进行有效管控，降低经济损失，减少维修费用，提高劳动效益，提高生产能力。同时解决了传统的机床设备稼动率计算不具备通用性、普遍适用性的问题。
实施例2：
本实施例提供一种较为基础的实现方式，本实施例公开一种云平台的机床稼动率监测系统，参见图1，包括云平台制造大数据库模块、云平台数据实时提取模块、功率数据特征提取模块、机床运行状态识别模块、设备稼动率计算模块。
所述云平台制造大数据库模块存储有机床设备原始总功率数据和机床设备生产数据，还存储有设备管理信息、能耗管理信息、生产执行管理信息、人员管理信息、物料管理信息、生产参数信息等。
所述云平台数据实时提取模块从云平台制造大数据库模块中提取机床设备原始总功率数据和机床设备生产数据，并对所提取的机床设备原始总功率数据和机床设备生产数据进行记录。所述云平台数据实时提取模块对提取的机床设备原始总功率数据进行小波变换滤波，并剔除机床设备总功率数据中的异常值，得到预处理机床设备总功率数据。
所述功率数据特征提取模块从云平台数据实时提取模块提取预处理机床设备总功率数据和机床设备生产数据，通过卷积神经网络结构将预处理机床设备总功率数据和机床设备生产数据直接作为一维CNN模型的输入，进行卷积训练，通过对大量样本的学习，使CNN模型能自适应的提取到预处理机床设备总功率数据中的功率信息特征，得到最优识别率的卷积神经网络模型结构，并获取该结构下的模型权重。
所述机床运行状态识别模块将功率数据特征提取模块获得的模型权重导入至卷积神经网络，建立一维CNN识别模型，将其作为识别模型。所述机床运行状态识别模块将云平台数据实时提取模块记录的机床设备原始总功率数据进行预处理，预处理包含去噪、滤波、异常值剔除等操作，得到机床设备一维功率数据，并将机床设备一维功率数据输入一维CNN识别模型进行识别，对机床设备一维功率数据的状态做出判断，统计机床设备启动时间Ts、机床设备空载时间Tn、机床设备加工时间Tr，为计算设备的时间稼动率与性能稼动率提供数据基础。
所述设备稼动率计算模块提取机床运行状态识别模块统计出机床设备启动时间Ts、机床设备空载时间Tn、机床设备加工时间Tr，并提取云平台数据实时提取模块记录的机床设备生产数据和机床设备原始总功率数据。
所述设备稼动率计算模块搭载有稼动率计算模型、实际加工时间计算模型、负荷时间计算模型和总加工产品数量计算模型。
所述稼动率计算模型定义机床稼动率指标，定义时间稼动率ET，性能稼动率EP，产品合格率为Q。具体定义如下：
式(1)至式(3)中，TR为实际加工时间，TP为负荷时间，CT为理论加工周期，N为总加工产品数量，n为加工产品合格数量。
所述实际加工时间计算模型定义机床设备空载时间Tn、机床设备加工时间Tr、机床设备启动时间Ts，所述实际加工时间TR＝Tn+Tr+Ts。
所述负荷时间计算模型定义工作总时间TZ，计划内停机时间Tt，工作总时间为劳动时间，即开班到下班的时间，即所述负荷时间为TP＝TZ-Tt。
所述总加工产品数量计算模型对机床设备原始总功率数据进行计算，得到总加工产品数量N。所述总加工产品数量计算模型由机床设备总功率数据计算总加工产品数量N，即当所述机床运行状态识别模块识别出连续的机床设备空载时间Tn和机床设备加工时间Tr后可记录为成功加工一件产品Ni，对所需计算稼动率的时间段中产品进行累加即为该时间段内总加工产品数量
所述稼动率计算模型计算出时间稼动率ET、性能稼动率EP和良品率Q后，并计算出设备稼动率E，E＝ET·EP·Q。
本实施例公开的云平台的机床稼动率监测系统，通过对设备稼动率的监测，不仅可以降低成本、提升竞争力，还可以在同等资源情况下，解析待工停产原因，减少设备停产待工时间，从而对设备停机损失、换装损失、稳定生产次品损失、调试生产次品损失等进行识别，进而对设备进行有效管控，降低经济损失，减少维修费用，提高劳动效益，提高生产能力。同时解决了传统的机床设备稼动率计算不具备通用性、普遍适用性的问题。
实施例3：
本实施例主要结构同实施例2，进一步，所述机床设备生产数据包括合格产品数量n、设备工作总时间TZ、计划内停机时间Tt、设备理论加工周期CT、机床设备运行状态信息和机床设备运行状态的时间参数信息。
实施例4：
本实施例主要结构同实施例3，进一步，所述功率数据特征提取模块通过卷积神经网络结构将预处理机床设备总功率数据和机床设备生产数据直接作为一维CNN模型的输入，进行卷积训练，得到最优识别率的卷积神经网络模型结构，并获取该结构下的模型权重，具体包括如下步骤：
1)将所提取的机床设备运行状态信息、机床设备运行状态的时间参数信息与所提取的预处理机床设备总功率数据相对应，分别提取出机床设备启动状态、空载状态、加工状态、停机状态下的功率数据，并分别将其作为数据集。
2)构建一个包括输入层、4个卷积层、2个最大池化层、1个全连接层和输出层的卷积神经网络结构模型，其中卷积层与最大池化层作为整个网络的核心结构互相嵌套。
3)针对所构建的卷积神经网络结构模型设置激活函数、衰减函数和学习率参数。
4)将步骤1)所述的各个数据集的70％作为训练集输入至步骤2)所建立的卷积神经网络模型中，进行训练，通过反复测试与修正获得最优识别率的卷积神经网络模型结构，并获取该结构下的模型权重。
实施例5：
本实施例主要结构同实施例4，进一步，在步骤4)中，训练过程应满足以下条件：
A)将各个数据集中的70％作为训练集，30％作为测试集。
B)采用梯度下降对训练模型进行优化,且学习率衰减方式采用Fixed。
C)在前向传播过程中选择Sigmoid激活函数来传播由卷积得到的特征。在反向传播过程中选择ReLU激活函数来调整网络参数。
Claims (4)
1.一种云平台的机床稼动率监测系统，其特征在于：包括云平台制造大数据库模块、云平台数据实时提取模块、功率数据特征提取模块、机床运行状态识别模块、设备稼动率计算模块；
所述云平台制造大数据库模块存储有机床设备原始总功率数据和机床设备生产数据；
所述云平台数据实时提取模块从云平台制造大数据库模块中提取机床设备原始总功率数据和机床设备生产数据，并对所提取的机床设备原始总功率数据和机床设备生产数据进行记录；所述云平台数据实时提取模块对提取的机床设备原始总功率数据进行滤波，并剔除机床设备总功率数据中的异常值，得到预处理机床设备总功率数据；
所述功率数据特征提取模块从云平台数据实时提取模块提取预处理机床设备总功率数据和机床设备生产数据，通过卷积神经网络结构将预处理机床设备总功率数据和机床设备生产数据直接作为一维CNN模型的输入，进行卷积训练，得到最优识别率的卷积神经网络模型结构，并获取该结构下的模型权重；
所述机床运行状态识别模块将功率数据特征提取模块获得的模型权重导入至卷积神经网络，建立一维CNN识别模型；所述机床运行状态识别模块将云平台数据实时提取模块记录的机床设备原始总功率数据进行预处理，得到机床设备一维功率数据，并将机床设备一维功率数据输入一维CNN识别模型进行识别，统计出机床设备启动时间Ts、机床设备空载时间Tn、机床设备加工时间Tr；
所述设备稼动率计算模块提取机床运行状态识别模块统计出机床设备启动时间Ts、机床设备空载时间Tn、机床设备加工时间Tr，并提取云平台数据实时提取模块记录的机床设备生产数据和机床设备原始总功率数据；
所述设备稼动率计算模块搭载有稼动率计算模型、实际加工时间计算模型、负荷时间计算模型和总加工产品数量计算模型；
所述稼动率计算模型定义机床稼动率指标，定义时间稼动率ET，性能稼动率EP，产品合格率为Q；具体定义如下：
式(1)至式(3)中，TR为实际加工时间，TP为负荷时间，CT为理论加工周期，N为总加工产品数量，n为加工产品合格数量；
所述实际加工时间计算模型计算实际加工时间TR，TR＝Tn+Tr+Ts；
所述负荷时间计算模型定义工作总时间TZ，计划内停机时间Tt，所述负荷时间为TP＝TZ-Tt；
所述总加工产品数量计算模型对机床设备原始总功率数据进行计算，得到总加工产品数量N；
所述稼动率计算模型计算出时间稼动率ET、性能稼动率EP和良品率Q后，并计算出设备稼动率E，E＝ET·EP·Q。
2.根据权利要求1所述的一种云平台的机床稼动率监测系统，其特征在于：所述机床设备生产数据包括合格产品数量n、设备工作总时间TZ、计划内停机时间Tt、设备理论加工周期CT、机床设备运行状态信息和机床设备运行状态的时间参数信息。
3.根据权利要求2所述的一种云平台的机床稼动率监测系统，其特征在于，所述功率数据特征提取模块通过卷积神经网络结构将预处理机床设备总功率数据和机床设备生产数据直接作为一维CNN模型的输入，进行卷积训练，得到最优识别率的卷积神经网络模型结构，并获取该结构下的模型权重，具体包括如下步骤：
1)将所提取的机床设备运行状态信息、机床设备运行状态的时间参数信息与所提取的预处理机床设备总功率数据相对应，分别提取出机床设备启动状态、空载状态、加工状态、停机状态下的功率数据，并分别将其作为数据集；
2)构建一个包括输入层、4个卷积层、2个最大池化层、1个全连接层和输出层的卷积神经网络结构模型，其中卷积层与最大池化层作为整个网络的核心结构互相嵌套；
3)针对所构建的卷积神经网络结构模型设置激活函数、衰减函数和学习率参数；
4)将步骤1)所述的各个数据集的70％作为训练集输入至步骤2)所建立的卷积神经网络模型中，进行训练，通过反复测试与修正获得最优识别率的卷积神经网络模型结构，并获取该结构下的模型权重。
4.根据权利要求3所述的一种云平台的机床稼动率监测系统，其特征在于，在步骤4)中，训练过程应满足以下条件：
A)将各个数据集中的70％作为训练集，30％作为测试集；
B)采用梯度下降对训练模型进行优化；
C)在前向传播过程中选择Sigmoid激活函数来传播由卷积得到的特征；在反向传播过程中选择ReLU激活函数来调整网络参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011123136.3A CN112309000B (zh) | 2020-10-20 | 2020-10-20 | 一种云平台的机床稼动率监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011123136.3A CN112309000B (zh) | 2020-10-20 | 2020-10-20 | 一种云平台的机床稼动率监测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112309000A CN112309000A (zh) | 2021-02-02 |
| CN112309000B true CN112309000B (zh) | 2022-04-01 |
Family
ID=74328007
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011123136.3A Active CN112309000B (zh) | 2020-10-20 | 2020-10-20 | 一种云平台的机床稼动率监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112309000B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113723315B (zh) * | 2021-09-01 | 2024-08-13 | 常熟希那基汽车零件有限公司 | 一种基于树莓派的稼动率监视系统 |
| CN113848831B (zh) * | 2021-09-16 | 2024-05-07 | 信利(仁寿)高端显示科技有限公司 | 一种旧设备的稼动率自动统计管控方法及系统 |
| CN114580791B (zh) * | 2022-04-28 | 2022-08-30 | 深圳丰尚智慧农牧科技有限公司 | 膨化机工作状态识别方法、装置、计算机设备、存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101149603A (zh) * | 2006-09-22 | 2008-03-26 | 鸿富锦精密工业（深圳）有限公司 | 生产监控系统及方法 |
| CN104657526A (zh) * | 2013-11-21 | 2015-05-27 | 郑芳田 | 工具机的加工品质的预测方法 |
| CN104808587A (zh) * | 2015-04-27 | 2015-07-29 | 重庆大学 | 一种基于机加工设备运行状态的稼动率统计方法 |
| TW201840998A (zh) * | 2017-03-22 | 2018-11-16 | 日商本田技研工業股份有限公司 | 信息處理裝置、記錄媒體以及信息處理方法 |
| CN110109431A (zh) * | 2019-05-07 | 2019-08-09 | 重庆大学 | 一种压铸机oee信息智能获取系统 |
| CN110782545A (zh) * | 2019-10-30 | 2020-02-11 | 宁波优帕信息科技有限公司 | 设备管理系统及方法 |
| DE102019105985A1 (de) * | 2019-03-08 | 2020-09-10 | Bundesdruckerei Gmbh | Verfahren und Vorrichtung zur automatischen Qualitätsbeurteilung |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200250897A1 (en) * | 2019-01-31 | 2020-08-06 | Marketech International Corp. | Intelligent prognostics and health management system and method |
-
2020
- 2020-10-20 CN CN202011123136.3A patent/CN112309000B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101149603A (zh) * | 2006-09-22 | 2008-03-26 | 鸿富锦精密工业（深圳）有限公司 | 生产监控系统及方法 |
| CN104657526A (zh) * | 2013-11-21 | 2015-05-27 | 郑芳田 | 工具机的加工品质的预测方法 |
| CN104808587A (zh) * | 2015-04-27 | 2015-07-29 | 重庆大学 | 一种基于机加工设备运行状态的稼动率统计方法 |
| TW201840998A (zh) * | 2017-03-22 | 2018-11-16 | 日商本田技研工業股份有限公司 | 信息處理裝置、記錄媒體以及信息處理方法 |
| DE102019105985A1 (de) * | 2019-03-08 | 2020-09-10 | Bundesdruckerei Gmbh | Verfahren und Vorrichtung zur automatischen Qualitätsbeurteilung |
| CN110109431A (zh) * | 2019-05-07 | 2019-08-09 | 重庆大学 | 一种压铸机oee信息智能获取系统 |
| CN110782545A (zh) * | 2019-10-30 | 2020-02-11 | 宁波优帕信息科技有限公司 | 设备管理系统及方法 |
Non-Patent Citations (5)
| Title |
|---|
| Bridge Health Monitoring Using CNN;Nileema Pathak;《2020 International Conference on Convergence to Digital World - Quo Vadis (ICCDW)》;20200220;全文 * |
| 压铸单元能效在线监测方法及监测系统;鄢佳豪;《中国机械工程》;20200315;全文 * |
| 基于Witness的某发动机总装车间生产系统仿真设计与参数优化;肖燕;《机械科学与技术》;20121130;全文 * |
| 基于神经网络的机床质量分类与评估方法研究;周游;《制造技术与机床》;20200630;全文 * |
| 提高自动化生产线的稼动率;吴云桂;《黑龙江科技信息》;20181020;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112309000A (zh) | 2021-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112309000B (zh) | 一种云平台的机床稼动率监测系统 | |
| CN109270899B (zh) | 一种基于数字孪生的船用柴油机关重件制造过程管控方法 | |
| CN111461431B (zh) | 一种基于手机制造中锁螺丝工艺的优化方法和系统 | |
| CN112446526B (zh) | 生产排程系统及方法 | |
| CN113867299B (zh) | 基于数字孪生的不确定扰动下的ipps问题求解方法 | |
| CN110320893B (zh) | 一种基于rcm的火电机组设备检修方法 | |
| CN115718468A (zh) | 一种基于数据分析的化妆镜生产线监管反馈系统 | |
| CN114912814B (zh) | 一种基于数字孪生技术的job shop智能调度系统 | |
| CN113733506A (zh) | 一种基于互联网的注塑产品加工的工艺参数优化方法 | |
| CN118195210B (zh) | 一种基于大数据的人员智能调度方法及系统 | |
| CN116757562B (zh) | 一种具有自学习能力的智能制造调度方法 | |
| CN114326635B (zh) | 智能制造车间能耗大数据预处理分析方法和介质 | |
| CN102542401A (zh) | 精工生产制造过程精细化管理方法 | |
| CN110956360B (zh) | 一种面向对象的船体分段车间计划排产发布方法及系统 | |
| CN118642367A (zh) | 基于自适应学习算法的机械加工过程能耗最小化方法 | |
| CN102231081B (zh) | 一种流程工业设备用能状态诊断方法 | |
| CN117591292A (zh) | 一种基于边缘数据异构计算设备利用率的方法 | |
| CN104866725A (zh) | 一种基于最小二乘支持向量机对卷烟企业蒸汽消耗量进行预测的方法 | |
| CN108335044A (zh) | 一种输变电设备状态评价方法 | |
| Wang et al. | Facilitating timelier research with a novel classification of workplace technology | |
| US20250068991A1 (en) | Allocating method and device of carbon emission allowance and computer-readable storage medium | |
| CN117270486B (zh) | 一种考虑周期性维修的柔性作业车间调度问题的建模方法 | |
| CN119806083A (zh) | 航空环锻件的智能生产监测管理方法及系统 | |
| CN119599058A (zh) | 一种时序数据快速训练lstm模型的方法 | |
| CN115357570A (zh) | 基于随机森林算法的车间优化调度管理方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |