[发明专利]一种基于深度学习的堆垛机预测性维护方法及其系统

权利要求书

1.一种基于深度学习的堆垛机预测性维护方法，其特征在于，包括：

收集堆垛机的历史故障数据，所述历史故障数据包括发生故障之前的一段时间内的故障状态参数数据组；

依据所述历史故障数据建立分析堆垛机发生故障率的基础模型；

实时采集堆垛机工作时的状态参数，并输入至所述基础模型中，然后基于所述基础模型分析实时采集的堆垛机的状态参数，并输出堆垛机故障率值；

当堆垛机故障率值超过设定的阈值时，则发出故障警报。

2.根据权利要求1所述的基于深度学习的堆垛机预测性维护方法，其特征在于，所述依据所述历史故障数据建立分析堆垛机发生故障率的基础模型，包括：

对所述历史故障数据形成预处理得到分析数据；

将所述分析数据导入至基于开源框架Tensorflow的三层神经网路中，生成分析堆垛机发生故障率的基础模型。

3.根据权利要求2所述的基于深度学习的堆垛机预测性维护方法，其特征在于，所述将所述分析数据导入至基于开源框架Tensorflow的三层神经网路中，生成分析堆垛机发生故障率的基础模型，包括：

当所述分析数据的数据量达到限定值时，将所述分析数据导入至基于开源框架Tensorflow的三层神经网路中；

对所述三层神经网路的参数进行设置；

生成多种故障问题的基础模型，并对各个基础模型进行编号。

4.根据权利要求3所述的基于深度学习的堆垛机预测性维护方法，其特征在于，所述实时采集堆垛机工作时的状态参数，并输入至所述基础模型中，然后基于所述基础模型分析实时采集的堆垛机的状态参数，并输出堆垛机故障率值，包括：

实时采集堆垛机工作时的状态参数，并输入至各个基础模型，输出多个相似度值；

对所述多个相似度值进行排序，获取最大的相似度值，将最大的相似度值作为堆垛机故障率值。

5.根据权利要求1所述的基于深度学习的堆垛机预测性维护方法，其特征在于，还包括：

当堆垛机故障率值不超过设定的阈值且被堆垛机判定为发生故障时，收集堆垛机本次发生故障的故障数据，所述本次发生故障的故障数据包括发生故障之前的一段时间内的故障状态参数数据组；

将所述本次发生故障的故障数据输入至所述基础模型中，对所述基础模型进行训练并更新，得到更新后的基础模型。

6.一种基于深度学习的堆垛机预测性维护系统，其特征在于，包括：设置于堆垛机上的边缘数据处理终端和与所述边缘数据处理终端通信连接的云端服务器；

所述边缘数据处理终端用于收集堆垛机的历史故障数据，所述历史故障数据包括发生故障之前的一段时间内的故障状态参数数据组，并发送至所述云端服务器；

所述云端服务器用于依据所述历史故障数据建立分析堆垛机发生故障率的基础模型，并将所述基础模型下发至所述边缘数据处理终端；

所述边缘数据处理终端还用于实时采集堆垛机工作时的状态参数，并输入至所述基础模型中，然后基于所述基础模型分析实时采集的堆垛机的状态参数，并输出堆垛机故障率值；当堆垛机故障率值超过设定的阈值时，则发出故障警报。

7.根据权利要求6所述的基于深度学习的堆垛机预测性维护系统，其特征在于，所述边缘数据处理终端还用于将所述故障警报发送至云端服务器，所述云端服务器还用于通过移动终端通知工作人员进行维修。

8.根据权利要求6所述的基于深度学习的堆垛机预测性维护系统，其特征在于，所述边缘数据处理终端包括：用于采集堆垛机工作时的状态参数的信号采集模块、用于接收状态参数的主控制器、用于与云端服务器通信的通信模块和用于提供电源的电源模块。

9.根据权利要求8所述的基于深度学习的堆垛机预测性维护系统，其特征在于，所述信号采集模块包括电流传感器、电压传感器、温度传感器和振动传感器，分别用于采集堆垛机工作状态中的电流参数、电压参数、温度参数和振动参数。

10.根据权利要求7所述的基于深度学习的堆垛机预测性维护系统，其特征在于，所述云端服务器将故障警报发送至预设区域内的移动终端。