[发明专利]基于神经网络模型的智能制造设备故障预测方法及系统

权利要求书

1.一种智能制造生产线上的设备故障时间预测方法，其特征在于，所述设备故障预测方法包括：

获取设备已运行时长参数、已运行时间内的平均运行负载参数和已运行时间内每天平均运行时长参数；

根据设备已运行时长参数、已运行时间内的平均运行负载参数和已运行时间内每天平均运行时长参数构建设备运行数据参数集合；

对构建好的设备运行数据参数集合内的参数进行归一化处理，获得归一化后的设备运行数据参数集合；

将归一化后的设备运行数据参数集合输入训练好的神经网络模型进行设备故障时间预测分析，输出设备故障时间预测结果。

2.根据权利要求1所述的设备故障预测方法，其特征在于，所述设备故障预测方法还包括：

获取该设备已发生过故障的次数；

根据已发生过故障的次数确定输出设备故障时间预测结果的系数；

通过所述系数与输出设备故障时间预测结果进行计算，获得预测的设备故障时间。

3.根据权利要求1所述的设备故障预测方法，其特征在于，所述获取设备已运行时长参数、已运行时间内的平均运行负载参数和已运行时间内每天平均运行时长参数，包括：

基于设备上一次发生故障之后到当前时间段内，所述获取设备已运行时长参数、已运行时间内的平均运行负载参数和已运行时间内每天平均运行时长参数。

4.根据权利要求1所述的设备故障预测方法，其特征在于，所述训练好的神经网络模型的训练过程，包括：

构建神经网络模型，对所述神经网络模型进行初始化处理，获取初始化神经网络模型；

将训练数据输入初始化神经网络模型进行学习训练，直至收敛。

5.根据权利要求4所述的设备故障预测方法，其特征在于，所述训练数据至少包括：设备发生故障时已运行时长参数、发生故障时已运行时间内的平均运行负载参数和在发生故障时已运行时间内每天平均运行时长参数。

6.根据权利要求4所述的设备故障预测方法，其特征在于，所述对所述神经网络模型进行初始化处理，获取初始化神经网络模型，包括：

对所述神经网络模型进行节点压缩处理；

对节点压缩处理后的神经网络模型的节点参数进行正则化处理，获取初始化神经网络模型。

7.根据权利要求4所述的设备故障预测方法，其特征在于，所述将训练数据输入初始化神经网络模型进行学习训练，直至收敛，包括：

将所述训练数据输入初始化神经网络模型进行学习训练，得到训练后的神经网络模型；

将测试数据输入训练后的神经网络模型进行预测分析，预测结果；

采用所述预测结果与测试数据标记的实际结果进行比较，获得比较结果；

判断所述比较结果是否预设阈值范围内，若是，则训练结束；

若否，采用反向传播算法对训练后的神经网络模型中各个节点的参数进行调整，并采用所述训练数据进行重新训练。

8.一种智能制造生产线上的设备故障时间预测系统，其特征在于，所述设备故障预测系统包括：

第一获取模块：用于获取设备已运行时长参数、已运行时间内的平均运行负载参数和已运行时间内每天平均运行时长参数；

集合构建模块：用于根据设备已运行时长参数、已运行时间内的平均运行负载参数和已运行时间内每天平均运行时长参数构建设备运行数据参数集合；

归一化模块：用于对构建好的设备运行数据参数集合内的参数进行归一化处理，获得归一化后的设备运行数据参数集合；

预测模块：用于将归一化后的设备运行数据参数集合输入训练好的神经网络模型进行设备故障时间预测分析，输出设备故障时间预测结果。