[发明专利]基于随机森林和层次分析法的数字孪生车间故障预测方法

权利要求书

1.一种基于随机森林和层次分析法的数字孪生车间故障预测方法，其特征在于，包括以下步骤：

S1：获取生产车间的生产要素数据和实时生产数据；

S2：根据所述生产车间的生产要素数据构建生产车间的数字孪生模型；

S3：利用生产车间的数字孪生模型，对所述实时生产数据进行数字孪生处理，获得生产车间的数字孪生数据；

S4：将生产车间的数字孪生数据输入构建的预测性维护层次结构模型，利用随机森林算法获得预测性维护层次判断矩阵，求解预测性维护层次判断矩阵，获得判断矩阵特征向量；

S5：利用判断矩阵特征向量对生产车间进行故障预测，获得生产车间的故障预测结果；

S6：根据所述生产车间的故障预测结果对生产车间的生产活动进行控制管理。

2.根据权利要求1所述的一种基于随机森林和层次分析法的数字孪生车间故障预测方法，其特征在于，所述步骤S1中，生产车间的生产要素数据包括：设备实体要素数据和信息要素数据；

所述设备实体要素数据包括：生产车间中各设备的几何尺寸、物理机制、行为特性、位置信息和生产车间中各设备间的交互关系；

所述信息要素数据包括：生产车间中各设备和人员状态的信息、任务订单加工信息和调度决策信息。

3.根据权利要求1所述的一种基于随机森林和层次分析法的数字孪生车间故障预测方法，其特征在于，所述步骤S5之后还包括：

预测性维护层次结构模型将生产车间的故障预测结果上传到数据库，生产车间的数字孪生模型与数据库进行交互，获取故障预测结果并对所预测的故障位置信息进行显示。

4.根据权利要求1所述的一种基于随机森林和层次分析法的数字孪生车间故障预测方法，其特征在于，所述步骤S4中，构建的预测性维护层次结构模型具体为：

所述预测性维护层次结构模型包括目标层、准则层和措施层；

所述目标层表示目标设备预测性维护，记为A；

所述准则层包括若干个准则层元素，记为B_k，表示第k准则层元素；

所述措施层包括若干个措施层元素，记为C_n，表示第n措施层元素。

5.根据权利要求4所述的一种基于随机森林和层次分析法的数字孪生车间故障预测方法，其特征在于，所述步骤S4中，利用随机森林算法获得预测性维护层次判断矩阵的具体方法为：

所述随机森林算法包括若干棵决策树；

将生产车间的数字孪生数据作为原始数据集；

S4.1.1：对原始数据集多次进行有放回的随机抽样，获取若干个子数据集，每个所述子数据集的元素数量与原始数据集的元素数量保持一致；

S4.1.2：针对每个子数据集，从所有预设的特征中随机选取若干个特征，每个特征作为一棵决策树的输入特征，获得若干棵决策树；

S4.1.3：将信息增益值大的决策树设置在信息增益值小的决策树顶部，组成随机森林；

S4.1.4：根据所述随机森林的输出结果获得预测性维护层次判断矩阵。

6.根据权利要求5所述的一种基于随机森林和层次分析法的数字孪生车间故障预测方法，其特征在于，所述步骤S4.1.4中的预测性维护层次判断矩阵具体为：

对于每个准则层元素，均有预测性维护层次判断矩阵，第k准则层元素对应的预测性维护层次判断矩阵为：

其中，C_ij表示第i措施层元素与第j措施层元素相比，对第k准则层元素的重要程度；

根据随机森林的输出结果获取不同的C_ij的值，组成不同的预测性维护层次判断矩阵。