一种自动包装机械的物理模型及预测性维护方法技术

本发明专利技术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。

【技术实现步骤摘要】
一种自动包装机械的物理模型及预测性维护方法


[0001]本专利技术涉及物理模型的
，尤其是一种自动包装机械的物理模型及预测性维护方法。

技术介绍

[0002]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。

技术实现思路

[0003]本专利技术要解决的技术问题是：为了解决上述
技术介绍
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。
[0004]本专利技术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。
[0005]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。
[0006]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。
[0007]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。
[0008]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。
[0009]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。
[0010]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。
[0011]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。
[0012]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。
[0013]本专利技术的有益效果是：本专利技术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
[0014]为了更清楚地说明本专利技术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申请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。
[0015]图1是本专利技术的流程示意图；
[0016]图2是本专利技术中自动包装机械的物理模型的组成示意图；
[0017]图3是本专利技术种数据采集的流程示意图；
[0018]图4是本专利技术中物理模型采集数据传送平台后的效果流程图。
[0019]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
[0020]为了使本专利技术所解决的技术问题、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，对本专利技术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专利技术，并不用于限定本专利技术。
[0021]在本申请中，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。
[0022]在本申请中，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，服务端需保留本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：陈鹏飞，汤琴，
申请(专利权)人：常州思瑞科信息科技有限公司，
类型：发明
国别省市：