[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

说明书

本发明提供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，涉及智能制造及电子信息技术领域，包括获取生产车间的生产要素数据和实时生产数据，根据获得的生产要素数据构建生产车间的数字孪生模型并对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，利用随机森林算法获得预测性维护层次判断矩阵并求解，获得判断矩阵特征向量，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，根据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；该方法将随机森林与层次分析法结合进行生产车间的实时故障预测，预测准确率高、速度快且适应力强，显著降低了维护人员的工作难度。

技术领域

本发明涉及智能制造及电子信息技术领域，更具体地，涉及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。

背景技术

数字孪生技术在越来越多的企业中得到了广泛的应用，特别是从产品销售转向产品服务捆绑销售的企业，或者作为服务销售的企业；随着企业能力和成熟度的提高，今后将有更多企业使用数字孪生技术优化流程、决定数据驱动、修订新产品、新服务和业务模式。

作为工业生产的基本单位，车间的数字化与智能化水平对工业生产的质量、安全及效率有着重要的影响。同时高速运转的大型工业设备，流动的人员，复杂的作业环境也使得车间成为企业安全事故的高发地。然而目前车间安全管理及设备健康状况管理的数字化水平仍有待提升，而目前还没有基于实时数据，能够综合考虑设备、人员、环境等多种风险因素的耦合作用的模型。

利用数字孪生技术的目的在于减少人力和物力的投入，提高工作的效率。采用人工监控存在大量的弊端，人工监控设备耗时耗力，并且非常容易出现错误的判断。利用数字孪生技术能够以数字化方式为物理对象创建虚拟模型，来模拟其在现实环境中的行为，在故障预测时实时监控设备运转的全部过程，方便对设备进行实时故障预测，提高预测的效率和准确性。

层次分析法主要是解决故障预测的问题。在故障预测时，利用层次分析法对采集的数据进行处理，层次分析法将决策问题按总目标、各层子目标、评价准则直至具体的备投方案的顺序分解为不同的层次结构，然后用求解判断矩阵特征向量的办法，其中矩阵中的元素为从设备中采集的数据，求得每一层次的各元素对上一层次某元素的优先权重，最后再加权和的方法递阶归并各备择方案对总目标的最终权重，此最终权重最大者即为最优方案，以此完成设备的故障预测。

由于层次分析法存在主观性很强的缺点，在规避这一缺点时，利用随机森林算法与层次分析法两者进行结合，构造新的预测模块，提高预测的准确性。随机森林即由多个决策树组成，每个决策树并不相同，在构建决策树时，从训练数据中有放回的随机选取一部分样本，并且也不会使用数据的全部特征，而是随机选取部分特征进行训练。每棵树使用的样本和特征都不相同，训练出的结果也不相同。由于随机森林算法的随机性，预测的主观性可以被很好的消除，这使得随机森林算法与层次分析法相结合很大程度上提高了预测的准确性。

目前的现有技术公开了一种应用于工业生产的数字孪生系统，包括：数据采集模块，所述数据采集模块包括动态数据信息单元和静态数据信息单元；模型建立模块；所述模型建立模块包括空间模型单元、特征模型单元、生产流程模型单元和模型整合单元；数字孪生模块；所述数字孪生模块包括信息提取单元和数字孪生单元；现有技术中的方法仅通过数字孪生系统对生产过程进行生产方案优化、预测和管理，未采样层次分析法，容易造成“过剩维修”，即因不必要的解体拆卸、更换零部件等；另外，现有技术中的方法设备停机维修时间较长，造成了人力物力资源的浪费；除此之外，目前的预测性维护也存在主观性强的缺点，故障预测的准确率较低，同时在面对复杂的模型故障预测时效果也较差。

发明内容

本发明为克服上述现有技术在进行故障预测时准确率低和适应力差的缺陷，提供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，具有准确率高、训练速度快和适应力强等优点，能够更好地适用于车间故障预测。

为解决上述技术问题，本发明的技术方案如下：