一种自动包装机械的物理模型及预测性维护方法与流程

阅读：评论：0

1.本发明涉及物理模型的技术领域，尤其是一种自动包装机械的物理模型及预测性维护方法。

背景技术：

2.随着社会的不断发展，包装行业得到了快速的发展。在包装机械中，都引入了自动化装置来进行效率的整体提升。但是针对自动化包装机械尚没有完整的监控维护体系，这样当出现故障的时候会出现机器停机和消极维护的现象，这样对整体生产操作带来很大的影响；具体影响如下：产生消极维护现象，这种维护方式通常会发生在设备出现故障后，具有高度不可预测性，且设备本身的损伤程度较高，易造成修理时间及费用垫高等情况，还容易造成停线时间成本高等副作用；出现机器停机现象，会使得机器设备出现寿命的损耗，给整体生产带来巨大的损失。

技术实现要素：

3.本发明要解决的技术问题是：为了解决上述背景技术中存在的问题，提供的是一种自动包装机械的物理模型及预测性维护方法，可进行预测性的提前监护，降低后续维护成本，减少设备故障，减少机器停机带来的影响，减少库存，延长设备的使用寿命，平均故障预测间隔时间，提高产量，提高操作员的安全性，便于维修验证，增加利润，复制性较高，应用场景广泛。
4.本发明解决其技术问题所采用的技术方案是：一种预测性维护方法，包括如下步骤：s1、物理模型；s2、故障异常智能诊断；s3、故障异常智能预测；s4、故障异常智能决策；s5、维修管理。
5.进一步地说明，上述技术方案中，所述的s1物理模型中包括顺序连接的数据采集、特征数据提取、数据处理和数据融合。
6.进一步地说明，上述技术方案中，所述的s2故障异常智能诊断中包括特征融合，所述的特征融合的一端并联连接一组或多组模型分类器一端，所述的一组或多组模型分类器的另一端均连接决策层融合，所述的决策层融合一侧依次连接故障异常诊断和故障异常判断。
7.进一步地说明，上述技术方案中，所述的s2中决策层融合与故障异常诊断还设置标准块，所述的标准块为参考值、允许值、故障阙值或正常值中的一种或多种。
8.进一步地说明，上述技术方案中，所述的s4故障异常智能预测中包括并列设置的深度网络模型、人工智能算法、故障处理方案和行业知识库。
9.进一步地说明，上述技术方案中，所述的s5故障异常智能决策包括并列设置的抑制策略、优化方案、维护策略、解决方案和需要维修。
10.进一步地说明，上述技术方案中，所述的s6维修管理包括如下步骤：s11、维修计划；s22、任务下达、实施和跟进；s33、维修数据库；s44、费用管理。
11.一种实现如权利要求1所述的一种预测性维护方法的自动包装机械的物理模型，所述的物理模型包括并列设置的属性、事件和服务；所述的属性、事件和服务将数据采集后传递给平台，所述的平台经过数据处理后将其展示在设备大屏上。
12.进一步地说明，上述技术方案中，所述的属性包括运行时的状态、应用可发起对属性的读取和设置的请求；所述的事件为设备运行时可以被触发的上行消息；所述的上行消息为设备运行的记录信息，设备异常时发出的告警或故障信息中的一种或多种；所述的服务包括并列设置的命令和响应；所述的服务包括可设置输入参数和输出参数。
13.本发明的有益效果是：本发明提出的一种自动包装机械的物理模型及预测性维护方法，可进行预测性的提前监护，降低后续维护成本，减少设备故障，减少机器停机带来的影响，减少库存，延长设备的使用寿命，平均故障预测间隔时间，提高产量，提高操作员的安全性，便于维修验证，增加利润，复制性较高，应用场景广泛。
附图说明
14.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
15.图1是本发明的流程示意图；
16.图2是本发明中自动包装机械的物理模型的组成示意图；
17.图3是本发明种数据采集的流程示意图；
18.图4是本发明中物理模型采集数据传送平台后的效果流程图。
19.附图中的标号为：1、数据采集，2、特征数据提取，3、数据处理，4、数据融合，5、特征融合，6、模型分类器，7、决策层融合，8、故障异常诊断，9、故障异常判断,10、深度网络模型，11、人工智能算法，12、故障处理方案，13、行业知识库，14、抑制策略；15、优化方案、16、维护策略，17、解决方案，18、需要维修，19、维修计划、20、任务下达、实施和跟进，21、维修数据库，22、费用管理，23、物理模型，24、故障异常智能诊断，25、故障异常智能预测，26、故障异常智能决策，27、维修管理，28、属性，29、事件，30、参数，31、服务，32、命令，33、响应，34、标准块，35、车间节点，36、物节点，37、产线节点、38、设备节点，39、设备组节点，40、仪表节点，41、仪表设备网关数据，42、系统数据，43、手工数据，44、可视化监控，45、无纸化数据传递，46、现场实时数据采集，47、设备数据自动采集，48、现场防呆，49、现场异常快速反馈，50、现场质量控制，51、产品跟踪及追溯，52、数据分析与预警。
具体实施方式
20.为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
21.在本技术中，图1-4中的箭头都表示其流动的方向。需要维修18是指通过智能决策判断是否是要维修，其可能存在于抑制策略14、优化方案15、维护策略16和解决方案。服务31是指在通过平台设置设备的属性。
22.在本技术中，属性28是用于记录设备实时运行数据，目前只做记录与展示，不做数据分析；事件29是指设备端对设备运行参数进行分析，当满足报警规则时，形成上传后台事件。事件分为普通事件和设备影子。普通事件只做记录与展示，plc不做逻辑判断。设备影子是指当设备端提交事件时，将异常值进行记录，供后台到plc固定点位进行反查；服务31是指由服务端向设备端发送消息，进行设备端配方参数修改。服务端需将旧值与新值都发送给plc，用于plc在操作界面提示用户确认修改操作。状态机是指后台通过设备状态变更事件及对应时间，判断设备状态持续时间等信息。配方是指设备端可支持不同种类、规格产品生产，为实现不同产品快速换产，plc将设备参数以配方形式进行保存。配方在设备调试完成后基本固化。将配方上传至服务端有助于参数被误修改时快速还原。配方镜像是指当设备端进行配方修改并保存时，触发配方保存事件。plc修改点位值，触发kepserver读值事件，拷贝当前配方镜像以事件的形式发送至服务端保存，服务端需保留历次镜像修改日志，方便通过“服务”形式还原配方。暂定以配方为单位还原，能否以单个点位形式还原，待确定配方镜像上传形式而定。
23.见图1-4所示的是一种预测性维护方法，包括如下步骤：s1、物理模型23；s2、故障异常智能诊断24；s3、故障异常智能预测25；s4、故障异常智能决策26；s5、维修管理27。
24.在本技术中属性28，用于描述设备的动态特征，包括运行时的状态、应用可发起对属性的读取和设置请求；服务30用于描述终端设备可被外部调用的能力，可设置输入参数和输出参数。服务可实现复杂的业务逻辑，例如执行某项特定的任务；支持同步或异步返回结果；事件29包括设备运行时可以被触发的上行消息，如设备运行的记录信息，设备异常时发出的告警、故障信息等；可包含多个输出参数。
25.其中，s1物理模型中包括顺序连接的数据采集1、特征数据提取2、数据处理3和数据融合4。s2故障异常智能诊断24中包括特征融合5，特征融合5的一端并联连接一组或多组模型分类器6一端，一组或多组模型分类器6的另一端均连接决策层融合7，决策层融合7一侧依次连接故障异常诊断8和故障异常判断9。s2中决策层融合7与故障异常诊断8还设置标准块34，标准块34为参考值、允许值、故障阙值或正常值中的一种或多种。s4故障异常智能预测25中包括并列设置的深度网络模型10、人工智能算法11、故障处理方案12和行业知识库13。s5故障异常智能决策26包括并列设置的抑制策略14、优化方案15、维护策略16、解决方案17和需要维修18。s6维修管理27包括如下步骤：s11、维修计划19；s22、任务下达、实施和跟进20；s33、维修数据库21；s44、费用管理22。
26.一种实现如权利要求1一种预测性维护方法的自动包装机械的物理模型，物理模型23包括并列设置的属性28、事件29和服务30；属性28、事件29和服务30将数据采集后传递给平台，平台经过数据处理后将其展示在设备大屏上。
27.其中，属性28包括运行时的状态、应用可发起对属性的读取和设置的请求；事件29为设备运行时可以被触发的上行消息；上行消息为设备运行的记录信息，设备异常时发出的告警或故障信息中的一种或多种；服务30包括并列设置的命令和响应；服务包括可设置输入参数和输出参数。
28.该预测性维护方法的操作流程如下：
29.首先，进行数据采集，采集的对象为设备、仪表、传感器、网关数据、对接系统数据、手工数据、设备信息和巡检计划；数据采集完毕后进行物理模型23的构建，根据设备种类定
义特征数据，进行仿真物理模型的构建；物理模型23会对数据进行分析处理，包括远程控制中心、工况信息、异常信息、报警信息、故障信息、零部件信息、出厂信息、位置信息、巡检记录和维修记录；将其与预先训练好的预测分析模型进行对比分析；预先训练好的预测分析模型包括深度网络模型10、人工智能算法11、故障处理方案12和行业知识库13；人工智能算法11、故障处理方案12和行业知识库13三者为训练模型的基础及方法；到后期的诊断预测及智能决策阶段；其包括设备健康诊断预测、运行性能诊断预测、零部件寿命诊断预测和故障发生诊断预测；故障异常智能决策26包括并列设置的抑制策略14、优化方案15、维护策略16、解决方案17和需要维修18。
30.在本技术中，物理模型23由属性28、事件29和服务30组成，实现了如下效果：
31.一、“数据”与“价值”的双向流通
32.以数据为驱动力，将设备分散在各处的数据汇聚在一起，通过分析挖掘帮助原本无用的冗余数据释放出新的价值，再基于价值实效进一步促进市场发展，激励产业各方转变观念，不断推进构建数据共建、共创、共享的价值生态。
33.二、“实体”与“虚拟”的互相映射
34.深入工业现场，聚焦工业企业人、机、料、法、环，构建物理实体与虚拟数字映射，以虚拟数据描绘设备、现场、园区等物理实体，将物理世界的实际数据反馈至虚拟世界，将原始简单模糊的数据向更深耕、更务实推进，深度把握制造规律，构造数字世界的工业图景。
35.三、“原子”与“设备”的基因重组
36.通过构建设备物理模型，帮助制造企业应用信息技术，经过信息技术与工业技术的融合创新，以信息技术赋能制造技术，以制造技术扩展信息技术应用领域，通过对解决方案的消化、吸收和转化形成新型制造能力，解决传统模式难以解决的痛点问题，实现工业企业数据化转型。
37.本技术以自动包装机械中的袋包机为例，设备数据采集方案如下：
38.plc主控设备和数控设备均通过以太网接口、串口接口、无多余通讯口或不支持的设备型号与各自的传感器连通，机械型或单板主控设备、量检具等分别与各自的传感器连通，传感器通过处理器连接后台；电表/水表/气表等均通过串口/网口通讯口连通后台。
39.根据袋包机设置的物理模型，通过plc、电表、水表等将所需的袋包机的属性值、事件值数据采集至平台。从而形成设备大屏的对应数据。设备运行的同时我们也能获取整条产线的各项数据，通过数据分析得到整条产线的运行、生产、关键部件等数据的变动。
40.本技术的自动包装机械的物理模型将数据传递给平台后，实现如下效果：
41.依次经过如下步骤：可视化监控44、无纸化数据传递45、现场实时数据采集46、设备数据自动采集47、现场防呆48、现场异常快速反馈49、现场质量控制50、产品跟踪及追溯51和数据分析与预警52。
42.操作人员可以根据设备上报的设备运行状态可以分别计算出不同的时间段，从而对设备运行的整体状态进行时间段的区分；同时，对于生产现场的操作人员和后台管理人员，可以通过上报的设备数据及设备监控实时观测生产运行进度，以便及时发现问题、及时做出相应的调整或改善。
43.本技术相对于传统的结构具备如下优点：降低维护成本：预测性维护可以降低维护操作的成本。当组织必须投资于发生重大故障时所需的劳动力、维护、更换部件、工具和
设备成本时，这一点尤其重要；减少设备故障：关于减少设备故障的研究很多。定期监控设备和系统可以降低意外大规模故障的几率。在实施预测性维护计划两年后，设备故障的频率和性质通常会降低；减少停机时间：有了预测性维护，维修设备所需的时间就减少了。定期监控和分析机器状况，有助于维护人员到所有机器上的故障部件，并快速解决问题。这可以减少停机时间，在许多情况下可以完全防止停机时间；减少库存：通常，公司必须对各种零部件进行大量库存投资，这可能会锁定资本。如果不及快使用零部件，它们的质量就会下降，可能会浪费。与其预先保持大量零部件库存，不如在需要时订购零件，这样可以降低库存成本；延长设备的使用寿命：检测设备问题(在变成灾难性故障之前)可以延长机器的使用寿命。制定基于状态的预测性维护计划可确保设备永远不会达到严重损坏的阶段。设备的使用寿命越长，可确保组织得到更好的投资回报；平均故障预测间隔时间：预测性维护的另一个好处是能够预测平均故障间隔时间(mtbf)。这是指在此时间范围内更换设备、部件最具成本效益。一些公司倾向于使用一台设备，对其出现的故障进行多次维修，他们错误地认为新设备是一项昂贵的投资。能够在设备寿命结束时更换设备，可以避免使用破旧设备、产生高昂的维护成本；提高产量：基于状态的预测性维护计划需要有强大的过程系统作为后盾，这可以提高计划的效率。包括参数监控在内的全面预测程序可以提高运营效率，进而提高产量；提高操作员的安全性：通过预测性维护，可以发出预警信号，以防止机器故障造成伤害。许多保险提供商认可使用基于状态的预测性维护计划的制造商并为其提供优惠。实施该计划可以在不影响承保的情况下降低保险成本；维修验证：在修复一个问题时，维修可能会损坏机器的其他零部件。使用预测性分析，维护团队可以在维修后检测出任何异常行为。借助预测性维护，公司可以分析数据以计划和组织定期维护停机，从而最大限度地利用机器停机时间；利润增加：预测性维护管理可改善制造运营和加工工厂。基于条件的管理系统带来的价值远超过该计划的成本。借助预测性维护技术，公司可以降低每年的运营成本并降低风险；复制性高：在相同的设备上可以快速复制解决方案，且越多的设备导入可带来更多的海量数据，对模型精准度的提升帮助更大；应用场景广泛：预测性维护的主要原理是基于设备网联化、数据采集、大数据分析及机器学习，未来的发展潜力巨大，并逐步推动使用场景从设备维修延伸到排程制定、资产管理等。
44.以上所述的，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

技术特征：

1.一种预测性维护方法，其特征在于，包括如下步骤：s1、物理模型；s2、故障异常智能诊断；s3、故障异常智能预测；s4、故障异常智能决策；s5、维修管理。2.如权利要求1所述的一种预测性维护方法，其特征在于：所述的s1物理模型中包括顺序连接的数据采集、特征数据提取、数据处理和数据融合。3.如权利要求1所述的一种预测性维护方法，其特征在于：所述的s2故障异常智能诊断中包括特征融合，所述的特征融合的一端并联连接一组或多组模型分类器一端，所述的一组或多组模型分类器的另一端均连接决策层融合，所述的决策层融合一侧依次连接故障异常诊断和故障异常判断。4.如权利要求3所述的一种预测性维护方法，其特征在于：所述的s2中决策层融合与故障异常诊断还设置标准块，所述的标准块为参考值、允许值、故障阙值或正常值中的一种或多种。5.如权利要求1所述的一种预测性维护方法，其特征在于：所述的s4故障异常智能预测中包括并列设置的深度网络模型、人工智能算法、故障处理方案和行业知识库。6.如权利要求1所述的一种预测性维护方法，其特征在于：所述的s5故障异常智能决策包括并列设置的抑制策略、优化方案、维护策略、解决方案和需要维修。7.如权利要求1所述的一种预测性维护方法，其特征在于：所述的s6维修管理包括如下步骤：s11、维修计划；s22、任务下达、实施和跟进；s33、维修数据库；s44、费用管理。8.一种实现如权利要求1所述的一种预测性维护方法的自动包装机械的物理模型，其特征在于：所述的物理模型包括并列设置的属性、事件和服务；所述的属性、事件和服务将数据采集后传递给平台，所述的平台经过数据处理后将其展示在设备大屏上。9.如权利要求8所述的实现一种预测性维护方法的自动包装机械的物理模型，其特征在于：所述的属性包括运行时的状态、应用可发起对属性的读取和设置的请求；所述的事件为设备运行时可以被触发的上行消息；所述的上行消息为设备运行的记录信息，设备异常时发出的告警或故障信息中的一种或多种；所述的服务包括并列设置的命令和响应；所述的服务包括可设置输入参数和输出参数。

技术总结

本发明涉及一种自动包装机械的物理模型及预测性维护方法，其物理模型包括并列设置的属性、事件和服务；所述的属性、事件和服务将数据采集后传递给平台，所述的平台经过数据处理后将其展示在设备大屏上；其预测性维护方法包括如下步骤：S1、物理模型；S2、故障异常智能诊断；S3、故障异常智能预测；S4、故障异常智能决策；S5、维修管理。该自动包装机械的物理模型及预测性维护方法，可进行预测性的提前监护，降低后续维护成本，减少设备故障，减少机器停机带来的影响，减少库存，延长设备的使用寿命，平均故障预测间隔时间，提高产量，提高操作员的安全性，便于维修验证，增加利润，复制性较高，应用场景广泛。应用场景广泛。应用场景广泛。