一種基于機器學習和工業物聯網的智能制造行業參數尋優方法技術

本發明專利技術公開了一種基于機器學習和工業物聯網的智能制造行業參數尋優方法，包括以下步驟：S1、搭建工業物聯網系統，將底層設備連入其中，同時提取其運行數據；S2、分析智能生產線的工藝步驟，搭建其數字化生產模型，將采集來的數據與模型中的變量對應起來，并存放在數據庫中不同的位置；S3、搭建關聯分析模型；S4、搭建序列模型，量化關聯性規則；S5、得出生產線不同工段之間的關系，然后搭建灰色模型計算不同工段之間數據的變化趨勢。本發明專利技術通過導入工業物聯網系統，使生產數據做到集中收集、集中清洗、集中處理，為后續工作提供數據支持，通過機器學習模型計算每一部分的最優值，工程師以此為基準值調節，降低了大量的調試工作量。

【技術實現步驟摘要】
一種基于機器學習和工業物聯網的智能制造行業參數尋優方法
本專利技術涉及工業智能生產線
，更具體涉及一種基于機器學習和工業物聯網的智能制造行業參數尋優方法，通過構建的數字化、智能化生產線模型，自動的調節每一個子部分的參數。
技術介紹
目前，生產線上每個單元均為獨立單元，每個單元均是通過定時觸發、傳感器觸發、單元之中的PLC觸發三種方式進行銜接，彼此之間沒有相關性，對后期導入模型算法造成了很大的困難。目前市場上的公司，在遇到生產線上產品變化時，先是人工通過調節每一部分的程序或參數，最后將調好的產線運行，在動態環境中，查看調節的效果，按照生產線運行對每一部分的影響，再次調節每一部分的程序或參數，導致效率較低下，且在修改程序或參數的過程中無法對生產線整體的運行進行把控，每次調試都會照成浪費，反復若干次后，浪費就很嚴重了。生產線在運行過程中，當原料有變化后，會對后面工段的設備造成影響，此時往往就需要相關技術人員進行參數調節，需要工程師人工調節每一部分的程序和參數，最后再反復嘗試，直到滿足工藝要求，往往為了滿足不同工段的要求，降低了生產能力，人工調試效率低下，浪費嚴重，所以就面臨生產線的剛性大而柔性不足的問題。生產線上設備相互獨立，彼此之間沒有實現數據共享，當某一環節出現問題，后續工段無法及時調整生產方式，必然會將問題層層傳導，產品無法達到合格標準，提高了廢品率。同時在生產的過程中，生產數據都是保存在本地，當傳感器出現故障時可能造成數據丟失、數據缺失、數據不連續現象，而維護人員不能及時獲取設備信息，無法做到及時排除故障，最終造成生產線效能的下降。
技術實現思路
本專利技術需要解決的技術問題是提供一種基于機器學習和工業物聯網的智能制造行業參數尋優方法，以解決生產線上設備相互獨立，彼此之間沒有實現數據共享，當某一環節出現問題，后續工段無法及時調整生產方式，人工調試效率低下，浪費嚴重的問題，以利用工業物聯網系統，將生產線上的設備連入網中，實現數據統一上傳，統一處理，為后續模型導入提供基礎支撐，以減輕大量的工作量，保證保證產品的質量，以實現整條產線效能最大。為解決上述技術問題，本專利技術所采取的技術方案如下?；跈C器學習和工業物聯網的智能制造行業參數尋優方法，包括以下步驟：S1、搭建工業物聯網系統，將底層設備連入其中，使生產數據導入到數據池內；S2、分析智能生產線的工藝步驟，搭建其數字化生產模型，將采集來的數據與模型中的變量對應起來，并存放在數據庫中不同的位置；S3、根據工藝邏輯關系，搭建關聯分析模型，將數據庫中的數據導入模型中，構建生產線的頻繁項集，再對頻繁項集進行剪枝，產生新的項集，計算其相應的數據，最后產生數據模型的規則；S4、搭建序列模型，量化關聯性規則；構建一個序列數據集，每一行記錄與一個特定的對象相關聯的一些事件，在給定時刻輸出，根據輸出的序列刻畫其長度和出現事件，則相關的序列屬性對應不同工段數據在序列中的位置；S5、經過上述步驟S1至步驟S4的分析后，即可得出生產線不同工段之間的關系，然后搭建灰色模型計算不同工段之間數據的變化趨勢，并對已完成的數據進行生成處理，探索系統整體變化的規律，然后生成有規律性的序列數據，導入搭建好的模型中，當某一個工段或幾個工段數據變化后，預測后面工段的最優參數。進一步優化技術方案，所述工業物聯網系統包括樹狀拓撲的第一子網和第二子網，第一子網包括與底層設備通過工業通訊協議進行通訊的組態軟件，第一子網和第二子網分別通過交換機與服務器進行通訊，第一子網與與服務器之間、第二子網與服務器之間分別利用TCP/IP協議傳輸數據。進一步優化技術方案，所述底層設備包括工業機器人、PLC、變頻器、激光焊接機、傳感器、伺服電機。進一步優化技術方案，所述步驟S2中，工業物聯網系統的采集方式包括：工業機器人的數據采集、PLC的數據采集、傳感器的數據采集、激光焊接機的數據采集、設備耗電量的數據采集。進一步優化技術方案，所述步驟S2的具體步驟包括：S21、通過組態軟件將整條生產線的搭建起來，同時將現場的工業機器人、PLC、激光焊接機通過ModbusTCP/IP協議連接至組態畫面上，實時顯示運行數據；S22、組態程序中設定實際值和參考值，實際值顯示現場運行的數據，參考值顯示算法計算后的數據；S23、通過工藝分析設定上下限報警值，當采集的數據達到報警值時，及時發出聲光報警；S24、現場設置協議轉換器，將不帶協議的傳感器接入，以ModbusTCP/IP協議輸出；S25、數據采集、過濾后存入MySQL數據庫中。進一步優化技術方案，通過分析生產工藝，所述步驟S3的具體步驟包括：S31、整條智能生產線的工位個數，核心設備個數a，相同的時間間隔采集次數b，用表示，采集核心設備的數據利用Pearson相關系數法構建設備數據的Pearson相關系數矩陣；S32、數據部分用[X(1)，…，X(b)]表示，預測部分用Y表示，預測部分為設備運行時產線的產能效，分析當參數變換后對產能的影響；S33、對結果進行分析，判斷各屬性之間是否存在多重共線性，關注數據的變化，同時對各個屬性進行進一步篩選；S34、判斷數據的變化都是否連續變化；若數據的變化都是連續變化的，且僅正態分布的單峰分布，同時數據之間存在線性關系，導入Person相關模型，并對Person相關模型進行改造；S35、繪制相關性熱力圖；S36、所提取的數據存在多重共線性，導入預測模型前要經過預處理。進一步優化技術方案，所述步驟S36中，導入預測模型前要經過Lasso回歸模型處理，并對Lasso回歸模型進行優化。進一步優化技術方案，所述步驟S4中，將設備[X1～Xb]的數據按時間戳增序排列，得到關于效能預測值Y的一個序列集，序列集中的序列包含所有序列所占的比例；設定閾值minsup，序列≥minsup，為頻繁序列；序列≤minsup，為非頻繁序列；所述步驟S4的具體步驟包括：S41、采用負相關模式對序列進行處理；S42、挖掘負模式應用到項目中；S43、每個設備數據看做一個變量，采用支持度的方式計算。進一步優化技術方案，所述步驟S5的具體步驟包括：S51、搭建GM(1，1)模型；S52、將設備數據導入GM(1，1)模型，計算參數方程中參數；S53、將參數方程中參數帶入微分方程求解；S54、進行模型檢驗；S55、預測結果。進一步優化技術方案，所述步驟S54中，模型檢驗的方法包括后驗差檢驗法和平均相對誤差檢驗法。由于采用了以上技術方案，本專利技術所取得技術進步如下。本專利技術通過導入工業物聯網系統，使生產數據做到集中收集、集中清洗、集中處理，為后續工作提供數據支持，打破“數據孤島”現象，本專利技術通過機器學習模型計算每一部分的最優值，工程師以此為基準值調節，降低了大量的調試工作量。本專利技術通過模型計算預測本文檔來自技高網...

【技術保護點】
1.基于機器學習和工業物聯網的智能制造行業參數尋優方法，其特征在于，包括以下步驟：/nS1、搭建工業物聯網系統，將底層設備連入其中，使生產數據導入到數據池內；/nS2、分析智能生產線的工藝步驟，搭建其數字化生產模型，將采集來的數據與模型中的變量對應起來，并存放在數據庫中不同的位置；/nS3、根據工藝邏輯關系，搭建關聯分析模型，將數據庫中的數據導入模型中，構建生產線的頻繁項集，再對頻繁項集進行剪枝，產生新的項集，計算其相應的數據，最后產生數據模型的規則；/nS4、搭建序列模型，量化關聯性規則；構建一個序列數據集，每一行記錄與一個特定的對象相關聯的一些事件，在給定時刻輸出，根據輸出的序列刻畫其長度和出現事件，則相關的序列屬性對應不同工段數據在序列中的位置；/nS5、經過上述步驟S1至步驟S4的分析后，即可得出生產線不同工段之間的關系，然后搭建灰色模型計算不同工段之間數據的變化趨勢，并對已完成的數據進行生成處理，探索系統整體變化的規律，然后生成有規律性的序列數據，導入搭建好的模型中，當某一個工段或幾個工段數據變化后，預測后面工段的最優參數。/n

【技術特征摘要】
1.基于機器學習和工業物聯網的智能制造行業參數尋優方法，其特征在于，包括以下步驟：
S1、搭建工業物聯網系統，將底層設備連入其中，使生產數據導入到數據池內；
S2、分析智能生產線的工藝步驟，搭建其數字化生產模型，將采集來的數據與模型中的變量對應起來，并存放在數據庫中不同的位置；
S3、根據工藝邏輯關系，搭建關聯分析模型，將數據庫中的數據導入模型中，構建生產線的頻繁項集，再對頻繁項集進行剪枝，產生新的項集，計算其相應的數據，最后產生數據模型的規則；
S4、搭建序列模型，量化關聯性規則；構建一個序列數據集，每一行記錄與一個特定的對象相關聯的一些事件，在給定時刻輸出，根據輸出的序列刻畫其長度和出現事件，則相關的序列屬性對應不同工段數據在序列中的位置；
S5、經過上述步驟S1至步驟S4的分析后，即可得出生產線不同工段之間的關系，然后搭建灰色模型計算不同工段之間數據的變化趨勢，并對已完成的數據進行生成處理，探索系統整體變化的規律，然后生成有規律性的序列數據，導入搭建好的模型中，當某一個工段或幾個工段數據變化后，預測后面工段的最優參數。


2.根據權利要求1所述的基于機器學習和工業物聯網的智能制造行業參數尋優方法，其特征在于，所述工業物聯網系統包括樹狀拓撲的第一子網和第二子網，第一子網包括與底層設備通過工業通訊協議進行通訊的組態軟件，第一子網和第二子網分別通過交換機與服務器進行通訊，第一子網與與服務器之間、第二子網與服務器之間分別利用TCP/IP協議傳輸數據。


3.根據權利要求1或2所述的基于機器學習和工業物聯網的智能制造行業參數尋優方法，其特征在于，所述底層設備包括工業機器人、PLC、變頻器、激光焊接機、傳感器、伺服電機。


4.根據權利要求3所述的基于機器學習和工業物聯網的智能制造行業參數尋優方法，其特征在于，所述步驟S2中，工業物聯網系統的采集方式包括：工業機器人的數據采集、PLC的數據采集、傳感器的數據采集、激光焊接機的數據采集、設備耗電量的數據采集。


5.根據權利要求3所述的基于機器學習和工業物聯網的智能制造行業參數尋優方法，其特征在于，所述步驟S2的具體步驟包括：
S21、通過組態軟件將整條生產線的搭建起來，同時將現場的工業機器人、PLC、激光焊接機通過ModbusTCP/IP協議連接至組態畫面上，實時顯示運行數據；
S22、組態程序中設定實際值和參考值，實際值顯示現場運行的數據，參考值顯示算法計算后的數據；
S23、通過工藝分析設定上下限報警值，當采集的數據達到報警值時，及時發出聲光報警；
S24、現...

【專利技術屬性】
技術研發人員：劉金濤，
申請(專利權)人：劉金濤，
類型：發明
國別省市：河北;13