CN117726314A - 基于深度学习的工具全生命周期更替控制系统 - Google Patents

Abstract

本发明涉及一种基于深度学习的工具全生命周期更替控制系统，其特征在于具体的过程如下：获取工具的种类档案信息，建立唯一编号，台账基础资料数据集；获取作业工位的工具种类档案信息，建立数据集；获取单把工具的维保信息，并建立单把工具维保数据集；建立深度学习的工具全生命周期更替控制模型，获得工具从订购到报废过程的关键信息，触发工具可订购的关键控制信息，完成工具的更替控制，实现需求用量与实际订购的平衡控制。将一切数据可视化归集至工具全生命周期数据集中；可测算工具避免工具过度领取，过度浪费占用公司资源。

Description

基于深度学习的工具全生命周期更替控制系统

技术领域

本发明涉及基于深度学习的工具全生命周期更替控制系统，属于企业工具资产管理技术领域。

背景技术

电动、气动工具是制造生产企业人员作业使用的必要资产，如何在确保制造作业使用的前提下，提高工具利用率，合理配置工具资源，是工厂资源成本管理控制领域的重要问题。

发明内容

当前企业内部资源管理系统平台并没有很好地涵盖产品的全部生命循环周期，数据未联通、无法孪生，无法掌握工具的用量平衡，忽略了从领用至生命结束周期再到领用的更替控制，存在过度领取造成的积压滞留利用率低等资产浪费；管理过程中记录与交接等环节均由人员完成操作，手动交接业务繁琐、时间长且易出错；线下的业务管理因各环节信息断裂，存在管理漏洞隐患，无法彻底规避；手动记录的线下数据无法孪生，工具运行异常征兆管理数据与工具合理配置未被整合，企业的数字矿藏无法挖掘，难以良好的掌握真实需求量与实际订购间的平衡控制。

本发明的目的在于提供基于深度学习的工具全生命周期更替控制系统，旨在解决真实需求用量与实际订购间的平衡控制缺失造成的资产浪费问题，缩短管理过程中的人为作业时间及错误，规避信息断裂造成的管理风险，充分拾取工具的运行数据进行数据矿藏的挖掘，最终实现高效、节约的企业管理运营。

本发明的技术方案是这样实现的：基于深度学习的工具全生命周期更替控制系统，其特征在于具体的过程如下：

S1、获取工具的种类档案信息，建立工具种类基础资料数据集；

S2、获取该工具种类的订购信息、收货前的初始信息、唯一编号，建立工具台账、工具履历数据集；

S3、获取作业工位的工具种类档案信息，建立工位工具种类基础资料数据集；

S4、采集作业工位在用单把工具的状态数据，对其进行预处理，得到工具状态数据集；

S5、获取单把工具的维保信息，获取作业产量数据集，建立单把工具维保数据集；

S6、基于S3中收集的工具种类基础资料数据集、工具状态数据集和工具维保数据集，建立深度学习的工具全生命周期更替控制模型，获得工具从订购到报废过程的关键信息，触发工具可订购的关键控制信息，完成工具的更替控制，实现需求用量与实际订购的平衡控制。

所述S1中工具在新导入时设定工具种类基础档案，所属工具种类档案信息包括工具的基础信息、管理类别、重要类别、传动输出形式分类、出厂基准参数、所属部门资料、员工资料、生产商、维修服务商等信息；其中，基础信息包括，工具订购代码、名称、供应商、型号、保养频率、订购单价、产品构成品分解图、产品构成品项（含型号、价格、使用寿命）；管理类别包括不可维修、可维修等；重要类别包括，重要品质项、一般品质项、计量项等；传动及输出形式分类扭矩类、转速类等。

获取工具的初始信息可对工具进行后期维保、根据档案信息进行合规管理，进行数据分类，避免多场合的工具运用出现数据分歧。

所述S2中工具的订购信息包括工具订购代码、工具订单编码、入库日期、出库日期、订购组织、订购人员；收货前的初始信息包括工具的计量检定结果；关键基准参数（即许用阈值）；唯一编号包括RFID编码、出厂编码或确保工具唯一性的标识；关键基准参数（即许用阈值）为根据工位作业所需技术要求设定的必要参数；调取工具种类档案信息中的管理类别，当管理种类=“不可维修”，自动变更工具台账数量；当管理分类=“可维修”，新增一条工具台账信息、生成单把工具履历，履历中包含所有工具的订购信息及该工具种类的档案信息，自动赋予工具的唯一系统编码、发放RFID编码；获取单把工具的唯一性，在后期使用、维保等过程进行标定，确保更替判断的准确性。

所述S3中作业工位的工具种类档案信息，包括该企业制造生产过程中的每一个生产工位、备用工具存放工位及其所需使用的工具种类（如冲击扳手等）。其中生产工位包含某种类工具的使用频度如次数、点数或面积等信息；获取该工具的实时使用状态，确定工具的真实必要数量、判断工具的维保周期及损耗状态。

所述S4中采集单把工具的状态数据，对其进行预处理，具体方法如下：

S41、调取工具种类档案信息，匹配检测方式；

S42、采集工具实际测定输出值；

S43、计算工具输出值是否在关键基准参数（许用阈值）之内，结果记录至单把工具履历中。

所述S41调取工具种类档案信息中与检测方式相关的传动输出形式，在使用传感器设备检测中使用不同的模式进行测定，可以精准匹配不同工具的不同性能参数，从而实现定制化测量。

所述S42中工具实际测定的输出值均由数据系统通过访问检测仪器进行采集，由系统下发检测信号，当检测仪器接收到指令信号后反馈输出值，实时同步测量数据，进行自动化的数据记录，避免人员记录的误差及数据丢失。

所述S43中，调取工具的关键基准参数（许用阈值），许用阈值为作业所需技术要求结合工具适用范围设定的最优状态的上下偏差范围[B_l，B_u] B_l为下偏差，B_u为上偏差，当输出值超出许用阈值范围则预警提醒实施维保，预测、监测工具状态，识别到工具性能衰减时，可进行及时的保养判断；通过工具履历及变化趋势合理配置使用工位；亦可进行工位作业改善及零件质量判断，优化工具的使用寿命。

所述S5中获取单把工具的维保信息，获取作业台数数据集，建立单把工具维保数据集，具体方法如下：

S51、采集工具的运转起始时间、作业频度、作业产量及该工具种类维保周期，推送维保任务提醒，实施维保任务，记录维保信息；

S52、工具损坏维修时，实施维保任务，记录维保信息；

S53、将以上维保数据归集到单把工具维保履历，建立单把工具维保数据集。

所述S51中工具的运转起始时间通过工具绑定相关探测设备如RFID等形式探测拾取工具的实际启用时间，标定至具体作业工位，确定作业的具体使用频度、运行总时间、实际产量等信息；根据工具种类基础信息数据集中约定的保养频率，推送维保任务实施维保，维保实施时间、更换零件、实施人、工具所属组织等信息归集到单把工具维保履历。规避人员对工具记录不及时造成的工具运转状态标定误差或数值缺失。智能设备可拓展领取、借还、转移、盘点等功能，在工具台账中进行实施更新把控工具状态。同时，可测定出工具的MTBF、MTTR值，归集至更替算法模型数据集中，用于工具使用性价比的扩展计算。

所述S52中工具损坏时，详细记录维修实施时间、更换零件、实施人、工具所属组织等信息归集到单把工具维保履历，涉及维修服务商维保时，工具构成件的约定保修期列入运算管理，归集至单把工具维保履历。规避人员对工具维修管理的查找缺陷，可以对工具的维修成本进行合理的运算控制及风险提示，同时规避人员在保修期管理的操作失误缺陷，规避管理风险。

所述S53中维保数据均归集至单把工具维保履历中，履历中对过往维修产生的费用、时间、频度等信息均可查看，涉及计量合规等测量内容，均记录至该单把工具维保履历中。可以查询该工具全生命周期运行情况，为更替运算模型提供数据支持，可规避一切工具不合规的风险。

所述S6包括以下分步骤完成：

S61、根据收集的工具种类基础资料数据集、工具状态数据集、工具维保数据集及作业产量数据集等，构建工具全生命周期管理数据集；

S62、基于工具全生命周期管理数据集，建立深度学习的工具全生命周期更替控制模型；

S63、工具损坏实施维保任务前，将损坏工具数据输入基于深度学习的工具全生命周期更替控制管理模型，调取损坏工具的关键信息，根据判断条件运算该工具是否需要报废，需要报废的推送报废认定，所有报废工具建立工具报废数据集，归集至工具全生命周期管理数据集中。

S64、调取报废工具种类的更替基准及工具报废数据集，满足更替基准的释放订购资源；不满足更替基准的工具全生命周期更替控制管理循环结束。

S65、调取释放出的订购资源生成订单，订单到货后返回S2环节执行下一轮工具全生命周期更替控制管理循环，直至该工具已不满足更替条件或不再进行更替，工具全生命周期管理更替控制管理循环结束。

通过深度学习的工具全生命周期更替控制管理模型，可以获取从工具使用到报废的关键信息，可以挖掘工具使用的改进点，不断优化工具用量，从而更好的满足公司成本控制需求。

所述S63中运算该工具是否需要报废，包括以下步骤：

S631、获取工具管理类别，调取经深度训练的工具全生命周期管理数据集中的工具维保履历、测定工具状态、计算工具剩余残值。

S632、执行报废判断运算，确认报废判断结果。

S633、接收报废判断反馈值，进行订购资源释放判断；对比年度更替定额，调取预定年度更替定额余量，有余量且小于最低在库的释放订购资源进行订购，无余量的封闭订购资源，亦可通过人为干预追加订购资源。

基于深度学习后的数据可以表达出现实状态，替代人员的数据更新维护，提供最新最真实的数据，同时根据合理的判断基准，实现工具使用的成本节约化。

所述S631调取工具维保履历、测定工具状态、计算工具剩余残值，均基于数据实时更新运行，不断进行数据集扩充训练，确保可调取的值为最新值。每次调取经深度学习的工具全生命周期管理数据集内数据前，均进行一次数据校验运算，确认是否为最新值，当数据校验反馈值为“是”，开放需调用的数据，当数据校验反馈值为“否”，检索尚未归集的数据补充至数据集中，直至再次校验时数据集内数据为最新。深度学习后的数据可以最真实的表达单体工具状态。

所述S632报废判断运算的实施步骤如下：

调取工具管理类别，当工具管理类别=“不可维修”，直接输出报废反馈值“是”。

当工具管理类别=“可维修”，执行多条件报废判断运算。报废判断运算条件为逐条筛查的方式进行报废判断，调取的工具条件与报废条件进行对比，工具条件=报废条件（条件中的任意一项）则推送报废认定信息“是”，工具条件≠报废条件（条件中的全部项）则推送报废认定信息“否”，且返回S52继续执行工具维保任务或结束更替管理控制，报废条件设定方式为开源条件设定，可从维修成本、使用年限、MTBR、维修次数、输出值等维度进行阈值设定。

报废条件为开源方式进行设定，可根据行业、工程等特定需求进行合理设定；报废条件的判断可以有效规避管理风险，从多维度衡量工具的真实状态，提高工具使用性价比。

所述S633的订购资源释放步骤如下：

当得到工具报废判断反馈值为“是”时，调取年度已订购数量，执行条件1判断运算，当年度累计已订购量+1＜年度更替定额，则进入条件2判断运算，反之则关闭订购资源。调取工具台账总数，执行条件2判断运算，当工具台账总数≤应有保有量则释放订购资源，反之则关闭订购资源。

条件1判断运算中，年度更替定额是依据历年产量、工具报废量建立的运算模型，结合当年产量计划预测的当年工具更替定额，其计算公式为

其中，S为年度更替定额，K_M为管理优化系数，S₀为报废量基准值，Q为预定产量，Q₀为产量基准值，B为实际生产计划波动系数，R为安全系数。所述实际生产计划波动系数B基于历年计划于实际产量数据统计分析获得，通过最小二乘法进行回归分析预测；所述安全系数R为防止外在环境波动影响生产预留的安全储备量，安全系数＞1，其设定依据RFID智能存储柜获取的柜内动态存储量进行深度学习测算得出，通常可设定为1.1，当出现小数时进行元整计算；

条件1判断运算中所需年度累计已订购量、工具台账总数、单日最大损坏量为深度学习数据集的孪生数据，调取前同样执行校验。

条件2判断运算中，为根据现场的实际工位数量、当日损坏峰值量进行深度学习得出，其计算公式为：

应有保有量=（工程在用量Nr+当日损坏峰值量Br）×安全系数R

工程在用数Nr为统计计算的需使用工具工位的工程数量；当日损坏峰值量Br为在修及不在修的工具数量，安全系数R为条件1中经深度学习测算得出的设定值。

规避了工具过度领用的浪费，可以在确保工具正常周转的前提下，降低在库储备，节约资金占用。

本发明的积极效果为：

(1)可获取工具的档案信息、状态数据和维保数据，对工具的全生命周期信息进行记录和监控，同时通过工具使用端口的智能设备绑定，规避了信息孤岛，将一切数据可视化归集至工具全生命周期数据集中。

(2)取得工具全生命周期管理过程中的所有运行轨迹，有效的保养检测，可延长工具的使用寿命。

(3)取得工具领取至使用至报废的全流程管理，全程可视化，可测算工具避免工具过度领取，过度浪费占用公司资源。

附图说明

图1为报废判断运算方法示意图。

图2为工具全生命周期更替控制流程图。

实施方式

下面结合附图和实施例对本发明做进一步的描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

实施例1如图2所示，一种基于深度学习的工具全生命周期更替控制系统，其特征在于具体的过程如下：

S1、获取工具的种类档案信息，建立工具种类基础资料数据集；

S2、获取该工具种类的订购信息、收货前的初始信息、唯一编号，建立工具台账、工具履历数据集；

S3、获取作业工位的工具种类档案信息，建立工位工具种类基础资料数据集；

S4、采集单把工具的状态数据，对其进行预处理，得到工具状态数据集；

S5、获取单把工具的维保信息，获取作业产量数据集，建立单把工具维保数据集；

S6、基于收集的工具种类基础资料数据集、工具状态数据集和工具维保数据集，建立深度学习的工具全生命周期更替控制模型，获得工具从订购到报废过程的关键信息，触发工具可订购的关键控制信息，完成工具的更替控制，实现需求用量与实际订购的平衡控制。

所述S1中，在新工具导入时设定工具种类基础档案，所属工具种类档案信息包括工具的基础信息、管理类别、重要类别、传动输出形式分类、出厂基准参数、所属部门资料、员工资料、生产商、维修服务商等信息；其中，基础信息包括，工具订购代码、名称、供应商、型号、保养频率、订购单价、产品构成品分解图、产品构成品项（含型号、价格、使用寿命）；管理类别包括，不可维修、可维修等；重要类别包括，重要品质项、一般品质项、计量项等；传动及输出形式分类扭矩类、转速类等。

在本实施例中，获取工具的初始信息，有助于对工具进行后期维保、根据档案信息进行合规管理，进行数据分类，避免多场合的工具运用出现数据分歧。

所述S2中，该工具的订购信息包括工具订购代码、工具订单编码、入库日期、出库日期、订购组织、订购人员；收货前的初始信息包括工具的计量检定结果；关键基准参数（即许用阈值）；唯一编号包括RFID编码、出厂编码或确保工具唯一性的标识。关键基准参数（即许用阈值）为根据工位作业所需技术要求设定的必要参数。调取工具种类档案信息中的管理类别，当管理种类=“不可维修”，自动变更工具台账数量；当管理分类=“可维修”，新增一条工具台账信息、生成单把工具履历，履历中包含所有工具的订购信息及该工具种类的档案信息，自动赋予工具的唯一系统编码、发放RFID编码。

在本实施例中，获取单把工具的唯一性，在后期使用、维保等过程进行标定，确保更替判断的准确性。

所述S3中，作业工位的工具种类档案信息，包括该企业制造生产过程中的每一个生产工位、备用工具存放工位及其所需使用的工具种类（如冲击扳手等）。其中生产工位包含某种类工具的使用频度如次数、点数或面积等信息。

在本实施例中，获取该工具的实时使用状态，确定工具的真实必要数量、判断工具的维保周期及损耗状态。

所述S4中，采集单把工具的状态数据，对其进行预处理。具体方法为：

S41、调取工具种类档案信息，匹配检测方式。

S42、采集工具实际测定输出值。

S43、计算工具输出值是否在关键基准参数（许用阈值），结果记录至单把工具履历中。

所述S41中，调取工具种类档案信息中与检测方式相关的传动输出形式、关键基准参数（许用阈值），在使用传感器设备检测中使用不同的模式进行测定。

在本实施例中，被实施工具为电动扳手，调取工具种类档案信息为扭矩类，为其匹配的检测方式为电动扳手力矩检测。可以实现精准匹配不同工具的不同性能参数，从而实现定制化测量。

所述S42中，工具实际测定的输出值均由数据系统通过访问检测仪器进行采集，由系统下发检测信号，当检测仪器接收到指令信号后反馈输出值。

在本实施例中，当系统向检测仪器下发测工单后，被实施工具取得的实际测定输出值为50Nm。可以实时同步测量数据，进行自动化的数据记录，避免人员记录的误差及数据丢失。

所述S43中，调取工具的关键基准参数（许用阈值），许用阈值为作业所需技术要求结合工具适用范围设定的最优状态的上下偏差范围[Bl，Bu] Bl为下偏差，Bu为上偏差，当输出值超出许用阈值范围则预警提醒实施维保，预测、监测工具状态，识别到工具性能衰减时，可进行及时的保养判断；通过工具履历及变化趋势合理配置使用工位；亦可进行工位作业改善及零件质量判断，优化工具的使用寿命。

在本实施例中，被实施工具的许用阈值为[40Nm,80Nm]，其输出值50Nm满足许用条件，数据记录至档案中，工具继续返回使用。在预测、监测工具状态，识别到工具性能衰减时，可进行及时的保养判断；通过工具履历及变化趋势合理配置使用工位；亦可进行工位作业改善及零件质量判断，优化工具的使用寿命。

所述S5中，获取单把工具的维保信息，获取作业台数数据集，建立单把工具维保数据集。具体方法为：

S51、采集工具的运转起始时间、作业频度、作业产量及该工具种类维保周期，推送维保任务提醒，实施维保任务，记录维保信息。

S52、工具损坏维修时，实施维保任务，记录维保信息。

S53 、将以上维保数据归集到单把工具维保履历，建立单把工具维保数据集。

所述S51中，工具运转起始时间通过工具绑定相关探测设备如RFID等形式探测拾取工具的实际启用时间，标定至具体作业工位，确定作业的具体使用频度、运行总时间、实际产量等信息；根据工具种类基础信息数据集中约定的保养频率，推送维保任务实施维保，维保实施时间、更换零件、实施人、工具所属组织等信息归集到单把工具维保履历。

本实施例中，可以规避人员对工具记录不及时造成的工具运转状态标定误差或数值缺失。智能设备可拓展领取、借还、转移、盘点等功能，在工具台账中进行实施更新把控工具状态。同时，可测定出工具的MTBF、MTTR值，归集至更替算法模型数据集中，用于工具使用性价比的扩展计算。

所述S52中，工具损坏时，详细记录维修实施时间、更换零件、实施人、工具所属组织等信息归集到单把工具维保履历。涉及维修服务商维保时，工具构成件的约定保修期列入运算管理，归集至单把工具维保履历。

在本实施例中，可以规避人员对工具维修管理的查找缺陷，可以对工具的维修成本进行合理的运算控制及风险提示，同时规避人员在保修期管理的操作失误缺陷，规避管理风险。

所述S53中，维保数据均归集至单把工具维保履历中，履历中对过往维修产生的费用、时间、频度等信息均可查看。涉及计量合规等测量内容，均记录至该单把工具维保履历中。

在本实施例中，可以查询该工具全生命周期运行情况，为更替运算模型提供数据支持，可规避一切工具不合规的风险。

所述S6包括以下分步骤：

S61、根据收集的工具种类基础资料数据集、工具状态数据集、工具维保数据集及作业产量数据集等，构建工具全生命周期管理数据集；

S62、基于工具全生命周期管理数据集，建立深度学习的工具全生命周期更替控制模型；

S63、工具损坏实施维保任务前，将损坏工具数据输入基于深度学习的工具全生命周期更替控制管理模型，调取损坏工具的关键信息，根据判断条件运算该工具是否需要报废，需要报

废的推送报废认定，所有报废工具建立工具报废数据集，归集至工具全生命周期管理数据集中。

S64、调取报废工具种类的更替基准及工具报废数据集，满足更替基准的释放订购资源；不满足更替基准的工具全生命周期更替控制管理循环结束。

S65、调取释放出的订购资源生成订单，订单到货后返回S2环节执行下一轮工具全生命周期更替控制管理循环，直至该工具已不满足更替条件或不再进行更替，工具全生命周期管理

更替控制管理循环结束。

在本实施例中，通过深度学习的工具全生命周期更替控制管理模型，可以获取从工具使用到报废的关键信息，可以挖掘工具使用的改进点，不断优化工具用量，从而更好的满足公司成本控制需求。

所述S63中，所述运算该工具是否需要报废，包括以下步骤：

S631、获取工具管理类别，调取经深度训练的工具全生命周期管理数据集中的工具维保履历、测定工具状态、计算工具剩余残值。

S632、执行报废判断运算，确认报废判断结果。

S633、接收报废判断反馈值，进行订购资源释放判断；对比年度更替定额，调取预定比年度更替定额余量，有余量且小于最低在库的释放订购资源进行订购，无余量的封闭订购资源，亦可通过人为干预追加订购资源。

在本实施例中，基于深度学习后的数据可以表达出现实状态，替代人员的数据更新维护，提供最新最真实的数据，同时根据合理的判断基准，实现工具使用的成本节约化。

所述S631调取工具维保履历、测定工具状态、计算工具剩余残值，均基于数据实时更新运行，不断进行数据集扩充训练，确保可调取的值为最新值。每次调取经深度学习的工具全生命周期管理数据集内数据前，均进行一次数据校验运算，确认是否为最新值，当数据校验反馈值为“是”，开放需调用的数据，当数据校验反馈至为“否”，检索尚未归集的数据补充至数据集中，直至再次校验时数据集内数据为最新。

在本实施例中，深度学习后的数据可以最真实的表达单体工具状态。

所述S632报废判断运算的实施步骤如下：

调取工具管理类别，当工具管理类别=“不可维修”，直接输出报废反馈值“是”。

当工具管理类别=“可维修”，执行多条件报废判断运算。报废判断运算条件为逐条筛查的方式进行报废判断，调取的工具条件与报废条件进行对比，工具条件=报废条件（条件中的任意一项）则推送报废认定信息“是”，工具条件≠报废条件（条件中的全部项）则推送报废认定信息“否”，且返回S52继续执行工具维保任务或结束更替管理控制，如图1所示。报废条件设定方式为开源条件设定，可从维修成本、使用年限、MTBR、维修次数、输出值等维度进行阈值设定。

在本实施例中，仅假定报废条件1、报废条件2、报废条件3进行运算举例，但实际设定使用中不局限于此种类别的设定。本实施例中，报废条件1设定使用年限＞3年（使用年限为：自出库日期开始至当前损坏时点），报废条件2设定订购单价＜1000元，报废条件3设定为维修金额超原值50%。当被实施工具第一次损坏时，将其工具编号信息输入系统中，调取其工具管理类别=“可维修”，调取其使用年限=“2年”，报废条件1判断运算结果=“否”，进入报废条件2判断运算；调取其订购单价=“5000元”， 报废条件2判断运算结果=“否”，进入报废条件3判断运算；调取其工具剩余残值=“5000元”（原值5000元），被实施工具当次维修所需金额为2300元，维修后工具剩余残值=“2700元”，推送报废认定信息“否”，返回S52继续执行工具维保任务。当被实施工具第二次损坏时，将其工具编号信息输入系统中，调取其工具管理类别=“可维修”，调取其工具剩余残值=“2700元”（原值5000元），被损坏工具当次维修所需金额为1000元，维修后工具剩余残值=“1700元”，推送报废认定信息“是”。报废条件为开源方式进行设定，根据该厂多工程共通管理需求进行的设定；报废条件的判断可以有效规避管理风险，用多维度衡量工具的真实状态，提高工具使用性价比。

所述S633的订购资源释放步骤如下：

当得到工具报废判断反馈值为“是”时，调取年度已订购数量，执行条件1判断运算，当年度累计已订购量+1＜年度更替定额，则进入条件2判断运算，反之则关闭订购资源。调取工具台账总数，执行条件2判断运算，当工具台账总数≤应有保有量则释放订购资源，反之则关闭订购资源。

条件1判断运算中，年度更替定额是依据历年产量、工具报废量建立的运算模型，结合当年产量计划预测的当年工具更替定额，其计算公式为

其中，S为年度更替定额，K_M为管理优化系数，S₀为报废量基准值，Q为预定产量，Q₀为产量基准值，B为实际生产计划波动系数，R为安全系数。所述实际生产计划波动系数B基于历年计划于实际产量数据统计分析获得，通过最小二乘法进行回归分析预测；所述安全系数R为防止外在环境波动影响生产预留的安全储备量，安全系数＞1，其设定依据RFID智能存储柜获取的柜内动态存储量进行深度学习测算得出，通常可设定为1.1，当出现小数时进行元整计算。

条件1判断运算中所需年度累计已订购量、工具台账总数、单日最大损坏量为深度学习数据集的孪生数据，调取前同样执行校验。

条件2判断运算中，为根据现场的实际工位数量、当日损坏峰值量进行深度学习得出，其计算公式为：

应有保有量=（工程在用量Nr+当日损坏峰值量Br）×安全系数R

工程在用数Nr为需使用工具工位的工程数量；当日损坏峰值量Br为在修及不在修的工具数量，安全系数R为条件1中经深度学习测算得出的设定值。

在本实施例中，被实施工具种类的当年度累计已订购量为3把，因当前管理状态稳定K_M管理优化系数设定为1，S₀根据上一年度的实际报废数进行初始设定为5把，Q为本年度预定产量200000台，Q₀根据上一年度的实际报废数进行初始设定为190000台，B通过测算为1.05，安全系数为1.1，工程在用数量为15，深度学习测算得出当日损坏峰值量为5，工程台账总数为22。

年度更替定额S计算如下：

经元整后，年度更替定额S为7。

应有保有量计算如下：

经元整后，应有保有量为22。

被实施工具种类进行条件1判断，当年度累计已订购量3+1＜7，满足条件1进入条件2判断，工程台账总数22=应有保有量为22，订购资源释放。订购后重新生成台账进行工具全生命周期更替控制管理。本实施例，规避了工具过度领用的浪费，可以在确保工具正常周转的前提下，降低在库储备，节约资金占用。

Claims (7)

1.一种基于深度学习的工具全生命周期更替控制系统，其特征在于具体的过程如下：

S1、获取工具的种类档案信息，建立工具种类基础资料数据集；

S2、获取该工具种类的订购信息、收货前的初始信息、唯一编号，建立工具台账、工具履历数据集；

S3、获取作业工位的工具种类档案信息，建立工位工具种类基础资料数据集；

S4、采集作业工位在用单把工具的状态数据，对其进行预处理，得到工具状态数据集；

S5、获取单把工具的维保信息，获取作业产量数据集，建立单把工具维保数据集；

S6、基于S3中收集的工具种类基础资料数据集、工具状态数据集和工具维保数据集，建立深度学习的工具全生命周期更替控制模型，获得工具从订购到报废过程的关键信息，触发工具可订购的关键控制信息，完成工具的更替控制，实现需求用量与实际订购的平衡控制。

2.根据权利要求1所述的一种基于深度学习的工具全生命周期更替控制系统，其特征在于所述S1中工具在新导入时设定工具种类基础档案，所属工具种类档案信息包括工具的基础信息、管理类别、重要类别、传动输出形式分类、出厂基准参数、所属部门资料、员工资料、生产商、维修服务商等信息；其中，基础信息包括，工具订购代码、名称、供应商、型号、保养频率、订购单价、产品构成品分解图、产品构成品项含型号、价格、使用寿命；管理类别包括不可维修、可维修；重要类别包括，重要品质项、一般品质项、计量项等；传动及输出形式分类扭矩类、转速类。

3.根据权利要求1所述的一种基于深度学习的工具全生命周期更替控制系统，其特征在于所述S2中工具的订购信息包括工具订购代码、工具订单编码、入库日期、出库日期、订购组织、订购人员；收货前的初始信息包括工具的计量检定结果；关键基准参数即许用阈值；唯一编号包括RFID编码、出厂编码或确保工具唯一性的标识；关键基准参数即许用阈值为根据工位作业所需技术要求设定的必要参数；调取工具种类档案信息中的管理类别，当管理种类=“不可维修”，自动变更工具台账数量；当管理分类=“可维修”，新增一条工具台账信息、生成单把工具履历，履历中包含所有工具的订购信息及该工具种类的档案信息，自动赋予工具的唯一系统编码、发放RFID编码；获取单把工具的唯一性，在后期使用、维保等过程进行标定，确保更替判断的准确性。

4.根据权利要求1所述的一种基于深度学习的工具全生命周期更替控制系统，其特征在于所述S3中作业工位的工具种类档案信息，包括该企业制造生产过程中的每一个生产工位、备用工具存放工位及其所需使用的工具种类；其中生产工位包含某种类工具的使用频度如次数、点数或面积信息。

5.根据权利要求1所述的一种基于深度学习的工具全生命周期更替控制系统，其特征在于所述S4中采集单把工具的状态数据，对其进行预处理，具体方法如下：

S41、调取工具种类档案信息，匹配检测方式；

S42、采集工具实际测定输出值；

S43、计算工具输出值是否在关键基准参数即许用阈值之内，结果记录至单把工具履历中;

所述S41调取工具种类档案信息中与检测方式相关的传动输出形式，在使用传感器设备检测中使用不同的模式进行测定，可以精准匹配不同工具的不同性能参数，从而实现定制化测量；

所述S42中工具实际测定的输出值均由数据系统通过访问检测仪器进行采集，由系统下发检测信号，当检测仪器接收到指令信号后反馈输出值，实时同步测量数据，进行自动化的数据记录，避免人员记录的误差及数据丢失；

所述S43中，调取工具的关键基准参数即许用阈值，许用阈值为作业所需技术要求结合工具适用范围设定的最优状态的上下偏差范围[B_l，B_u] B_l为下偏差，B_u为上偏差，当输出值超出许用阈值范围则预警提醒实施维保，预测、监测工具状态，识别到工具性能衰减时，可进行及时的保养判断；通过工具履历及变化趋势合理配置使用工位；亦可进行工位作业改善及零件质量判断，优化工具的使用寿命。

6.根据权利要求1所述的一种基于深度学习的工具全生命周期更替控制系统，其特征在于所述S5中获取单把工具的维保信息，获取作业台数数据集，建立单把工具维保数据集，具体方法如下：

S51、采集工具的运转起始时间、作业频度、作业产量及该工具种类维保周期，推送维保任务提醒，实施维保任务，记录维保信息；

S52、工具损坏维修时，实施维保任务，记录维保信息；

S53、将以上维保数据归集到单把工具维保履历，建立单把工具维保数据集；

所述S51中工具的运转起始时间通过工具绑定相关探测设备如RFID等形式探测拾取工具的实际启用时间，标定至具体作业工位，确定作业的具体使用频度、运行总时间、实际产量等信息；根据工具种类基础信息数据集中约定的保养频率，推送维保任务实施维保，维保实施时间、更换零件、实施人、工具所属组织等信息归集到单把工具维保履历；规避人员对工具记录不及时造成的工具运转状态标定误差或数值缺失；智能设备可拓展领取、借还、转移、盘点等功能，在工具台账中进行实施更新把控工具状态，同时可测定出工具的MTBF、MTTR值，归集至更替算法模型数据集中，用于工具使用性价比的扩展计算；

所述S52中工具损坏时，详细记录维修实施时间、更换零件、实施人、工具所属组织等信息归集到单把工具维保履历，涉及维修服务商维保时，工具构成件的约定保修期列入运算管理，归集至单把工具维保履历；

所述S53中维保数据均归集至单把工具维保履历中，履历中对过往维修产生的费用、时间、频度等信息均可查看，涉及计量合规等测量内容，均记录至该单把工具维保履历中；可以查询该工具全生命周期运行情况，为更替运算模型提供数据支持，可规避一切工具不合规的风险。

7.根据权利要求1所述的一种基于深度学习的工具全生命周期更替控制系统，其特征在于所述S6包括以下分步骤完成：

S61、根据收集的工具种类基础资料数据集、工具状态数据集、工具维保数据集及作业产量数据集等，构建工具全生命周期管理数据集；

S62、基于工具全生命周期管理数据集，建立深度学习的工具全生命周期更替控制模型；

S63、工具损坏实施维保任务前，将损坏工具数据输入基于深度学习的工具全生命周期更替控制管理模型，调取损坏工具的关键信息，根据判断条件运算该工具是否需要报废，需要报废的推送报废认定，所有报废工具建立工具报废数据集，归集至工具全生命周期管理数据集中；

S64、调取报废工具种类的更替基准及工具报废数据集，满足更替基准的释放订购资源；不满足更替基准的工具全生命周期更替控制管理循环结束；

S65、调取释放出的订购资源生成订单，订单到货后返回S2环节执行下一轮工具全生命周期更替控制管理循环，直至该工具已不满足更替条件或不再进行更替，工具全生命周期管理更替控制管理循环结束;

所述S63中运算该工具是否需要报废，包括以下步骤：

S631、获取工具管理类别，调取经深度训练的工具全生命周期管理数据集中的工具维保履历、测定工具状态、计算工具剩余残值；

S632、执行报废判断运算，确认报废判断结果；

S633、接收报废判断反馈值，进行订购资源释放判断；对比年度更替定额，调取预定年度更替定额余量，有余量且小于最低在库的释放订购资源进行订购，无余量的封闭订购资源，亦可通过人为干预追加订购资源；

所述S631调取工具维保履历、测定工具状态、计算工具剩余残值，均基于数据实时更新运行，不断进行数据集扩充训练，确保可调取的值为最新值。每次调取经深度学习的工具全生命周期管理数据集内数据前，均进行一次数据校验运算，确认是否为最新值，当数据校验反馈值为“是”，开放需调用的数据，当数据校验反馈至为“否”，检索尚未归集的数据补充至数据集中，直至再次校验时数据集内数据为最新,深度学习后的数据可以最真实的表达单体工具状态;

所述S632报废判断运算的实施步骤如下：

调取工具管理类别，当工具管理类别=“不可维修”，直接输出报废反馈值“是”；当工具管理类别=“可维修”，执行多条件报废判断运算。报废判断运算条件为逐条筛查的方式进行报废判断，调取的工具条件与报废条件进行对比，工具条件=报废条件（条件中的任意一项）则推送报废认定信息“是”，工具条件≠报废条件，即条件中的全部项则推送报废认定信息“否”，且返回S52继续执行工具维保任务或结束更替管理控制，报废条件设定方式为开源条件设定，可从维修成本、使用年限、MTBR、维修次数、输出值等维度进行阈值设定；

报废条件为开源方式进行设定，可进行行业、工程等特定需求进行合理设定；报废条件的判断可以有效规避管理风险，用多维度衡量工具的真实状态，提高工具使用性价比；

所述S633的订购资源释放步骤如下：

当得到工具报废判断反馈值为“是”时，调取年度已订购数量，执行条件1判断运算，当年度累计已订购量+1＜年度更替定额，则进入条件2判断运算，反之则关闭订购资源，调取工具台账总数，执行条件2判断运算，当工具台账总数≤应有保有量则释放订购资源，反之则关闭订购资源；

条件1判断运算中，年度更替定额是依据历年产量、工具报废量建立的运算模型，结合当年产量计划预测的当年工具更替定额，其计算公式为

，

其中，S为年度更替定额，K_M为管理优化系数，S₀为报废量基准值，Q为预定产量，Q₀为产量基准值，B为实际生产计划波动系数，R为安全系数，所述实际生产计划波动系数B基于历年计划于实际产量数据统计分析获得，通过最小二乘法进行回归分析预测；所述安全系数R为防止外在环境波动影响生产预留的安全储备量，安全系数＞1，其设定依据RFID智能存储柜获取的柜内动态存储量进行深度学习测算得出，通常可设定为1.1，当出现小数时进行元整计算；

条件1判断运算中所需年度累计已订购量、工具台账总数、单日最大损坏量为深度学习数据集的孪生数据，调取前同样执行与校验；

条件2判断运算中，为根据现场的实际工位数量、当日损坏峰值量进行深度学习得出，其计算公式为：

应有保有量=（工程在用量Nr+当日损坏峰值量Br）×安全系数R

工程在用数Nr为统计计算的需使用工具工位的工程数量；当日损坏峰值量Br为在修及不在修的工具数量，安全系数R为条件1中经深度学习测算得出的设定值。