[發(fā)明專利]一種基于深度學習的堆垛機預測性維護方法及其系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202010143230.9
• 申請日: 2020-03-04
• 公開（公告）號: CN111210092A
• 公開（公告）日: 2020-05-29
• 發(fā)明（設計）人: 畢世仁;曾巍巍;邵健鋒
• 申請（專利權）人: 深圳市今天國際物流技術股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/00;G06N3/04;G06N3/08
• 代理公司: 深圳市精英專利事務所 44242
• 代理人: 武志峰

1.一種基于深度學習的堆垛機預測性維護方法，其特征在于，包括：

收集堆垛機的歷史故障數(shù)據(jù)，所述歷史故障數(shù)據(jù)包括發(fā)生故障之前的一段時間內(nèi)的故障狀態(tài)參數(shù)數(shù)據(jù)組；

依據(jù)所述歷史故障數(shù)據(jù)建立分析堆垛機發(fā)生故障率的基礎模型；

實時采集堆垛機工作時的狀態(tài)參數(shù)，并輸入至所述基礎模型中，然后基于所述基礎模型分析實時采集的堆垛機的狀態(tài)參數(shù)，并輸出堆垛機故障率值；

當堆垛機故障率值超過設定的閾值時，則發(fā)出故障警報。

2.根據(jù)權利要求1所述的基于深度學習的堆垛機預測性維護方法，其特征在于，所述依據(jù)所述歷史故障數(shù)據(jù)建立分析堆垛機發(fā)生故障率的基礎模型，包括：

對所述歷史故障數(shù)據(jù)形成預處理得到分析數(shù)據(jù)；

將所述分析數(shù)據(jù)導入至基于開源框架Tensorflow的三層神經(jīng)網(wǎng)路中，生成分析堆垛機發(fā)生故障率的基礎模型。

3.根據(jù)權利要求2所述的基于深度學習的堆垛機預測性維護方法，其特征在于，所述將所述分析數(shù)據(jù)導入至基于開源框架Tensorflow的三層神經(jīng)網(wǎng)路中，生成分析堆垛機發(fā)生故障率的基礎模型，包括：

當所述分析數(shù)據(jù)的數(shù)據(jù)量達到限定值時，將所述分析數(shù)據(jù)導入至基于開源框架Tensorflow的三層神經(jīng)網(wǎng)路中；

對所述三層神經(jīng)網(wǎng)路的參數(shù)進行設置；

生成多種故障問題的基礎模型，并對各個基礎模型進行編號。

4.根據(jù)權利要求3所述的基于深度學習的堆垛機預測性維護方法，其特征在于，所述實時采集堆垛機工作時的狀態(tài)參數(shù)，并輸入至所述基礎模型中，然后基于所述基礎模型分析實時采集的堆垛機的狀態(tài)參數(shù)，并輸出堆垛機故障率值，包括：

實時采集堆垛機工作時的狀態(tài)參數(shù)，并輸入至各個基礎模型，輸出多個相似度值；

對所述多個相似度值進行排序，獲取最大的相似度值，將最大的相似度值作為堆垛機故障率值。

5.根據(jù)權利要求1所述的基于深度學習的堆垛機預測性維護方法，其特征在于，還包括：

當堆垛機故障率值不超過設定的閾值且被堆垛機判定為發(fā)生故障時，收集堆垛機本次發(fā)生故障的故障數(shù)據(jù)，所述本次發(fā)生故障的故障數(shù)據(jù)包括發(fā)生故障之前的一段時間內(nèi)的故障狀態(tài)參數(shù)數(shù)據(jù)組；

將所述本次發(fā)生故障的故障數(shù)據(jù)輸入至所述基礎模型中，對所述基礎模型進行訓練并更新，得到更新后的基礎模型。

6.一種基于深度學習的堆垛機預測性維護系統(tǒng)，其特征在于，包括：設置于堆垛機上的邊緣數(shù)據(jù)處理終端和與所述邊緣數(shù)據(jù)處理終端通信連接的云端服務器；

所述邊緣數(shù)據(jù)處理終端用于收集堆垛機的歷史故障數(shù)據(jù)，所述歷史故障數(shù)據(jù)包括發(fā)生故障之前的一段時間內(nèi)的故障狀態(tài)參數(shù)數(shù)據(jù)組，并發(fā)送至所述云端服務器；

所述云端服務器用于依據(jù)所述歷史故障數(shù)據(jù)建立分析堆垛機發(fā)生故障率的基礎模型，并將所述基礎模型下發(fā)至所述邊緣數(shù)據(jù)處理終端；

所述邊緣數(shù)據(jù)處理終端還用于實時采集堆垛機工作時的狀態(tài)參數(shù)，并輸入至所述基礎模型中，然后基于所述基礎模型分析實時采集的堆垛機的狀態(tài)參數(shù)，并輸出堆垛機故障率值；當堆垛機故障率值超過設定的閾值時，則發(fā)出故障警報。

7.根據(jù)權利要求6所述的基于深度學習的堆垛機預測性維護系統(tǒng)，其特征在于，所述邊緣數(shù)據(jù)處理終端還用于將所述故障警報發(fā)送至云端服務器，所述云端服務器還用于通過移動終端通知工作人員進行維修。

8.根據(jù)權利要求6所述的基于深度學習的堆垛機預測性維護系統(tǒng)，其特征在于，所述邊緣數(shù)據(jù)處理終端包括：用于采集堆垛機工作時的狀態(tài)參數(shù)的信號采集模塊、用于接收狀態(tài)參數(shù)的主控制器、用于與云端服務器通信的通信模塊和用于提供電源的電源模塊。

9.根據(jù)權利要求8所述的基于深度學習的堆垛機預測性維護系統(tǒng)，其特征在于，所述信號采集模塊包括電流傳感器、電壓傳感器、溫度傳感器和振動傳感器，分別用于采集堆垛機工作狀態(tài)中的電流參數(shù)、電壓參數(shù)、溫度參數(shù)和振動參數(shù)。

10.根據(jù)權利要求7所述的基于深度學習的堆垛機預測性維護系統(tǒng)，其特征在于，所述云端服務器將故障警報發(fā)送至預設區(qū)域內(nèi)的移動終端。