[發明專利]一種倉儲物流系統的預測維護方法及相關組件

有效

• 申請號: 202010670484.6
• 申請日: 2020-07-13
• 公開（公告）號: CN111832993B
• 公開（公告）日: 2023-06-30
• 發明（設計）人: 邵健鋒;畢世仁;曾巍巍
• 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: G06Q10/087
• 分類號: G06Q10/087;G06F18/24;G06F18/214;G06N3/0455;G06N3/047
• 代理公司: 深圳市精英專利事務所 44242
• 代理人: 武志峰

1.一種倉儲物流系統的預測維護方法，其特征在于，包括：

獲取倉儲物流系統的歷史業務數據以及歷史現場數據，并根據所述歷史業務數據和歷史現場數據生成FMEA表格，然后根據所述FMEA表格評估所述倉儲物流系統的風險系數；選取所述倉儲物流系統中風險系數高的關鍵子系統、關鍵子系統風險系數高的關鍵部件以及關鍵部件的問題；

根據選取的關鍵子系統、關鍵部件以及關鍵部件的問題，設置數據采集節點；

利用所述數據采集節點對現場數據進行采集，并篩選出包含故障數據的現場數據進行存儲，然后對存儲的現場數據進行預處理，得到樣本集，將所述樣本集分為訓練集、驗證集和測試集；

將所述訓練集輸入至棧式自編碼神經網絡模型中進行學習，并利用所述驗證集對所述棧式自編碼神經網絡模型進行優化調整，以及利用所述測試集對優化調整后的棧式自編碼神經網絡模型進行評估；

利用評估后的棧式自編碼神經網絡模型對所述倉儲物流系統進行預測維護；

所述獲取倉儲物流系統的歷史業務數據以及歷史現場數據，并根據所述歷史業務數據和歷史現場數據生成FMEA表格，然后根據所述FMEA表格評估所述倉儲物流系統的風險系數，選取所述倉儲物流系統中風險系數高的關鍵子系統、關鍵子系統風險系數高的關鍵部件以及關鍵部件的問題，包括：

利用所述歷史業務數據和歷史現場數據，對所述倉儲物流系統內的各個節點設備的故障時間、運維陳本、資產折舊率進行查詢，確定每個節點設備的維護成本；

對每個節點設備設置數據采集節點的運維成本進行核算，并選擇運維成本最高的節點設備和投入產出比最高的節點設備作為候選節點設備；

對所述候選節點設備進行故障權重和頻度對比分析，得到所述倉儲物流系統的風險系數；

根據所述風險系數，選取所述倉儲物流系統中風險系數高的關鍵子系統、關鍵子系統風險系數高的關鍵部件以及關鍵部件的問題。

2.根據權利要求1所述的倉儲物流系統的預測維護方法，其特征在于，所述歷史業務數據包括歷史維護數據、歷史故障數據、歷史運行數據和歷史巡檢數據；

所述歷史現場數據包括歷史傳感數據和歷史PLC數據。

3.根據權利要求1所述的倉儲物流系統的預測維護方法，其特征在于，所述利用所述數據采集節點對現場數據進行采集，并篩選出包含故障數據的現場數據進行存儲，包括：

分別對所述歷史業務數據和歷史現場數據提取數據特征，并根據所述數據特征標定正常數據區間和故障數據區間；

利用所述數據采集節點對現場數據進行采集，并篩選出處于所述故障數據區間的數據進行存儲。

4.根據權利要求1所述的倉儲物流系統的預測維護方法，其特征在于，所述對存儲的現場數據進行預處理，得到樣本集，將所述樣本集分為訓練集、驗證集和測試集，包括：

利用平滑函數、去噪函數以及去重函數對所述現場數據進行處理，從而得到所述樣本集；

將所述樣本集分為訓練集、驗證集和測試集。

5.根據權利要求1所述的倉儲物流系統的預測維護方法，其特征在于，所述將所述訓練集輸入至棧式自編碼神經網絡模型中進行學習，并利用所述驗證集對SAE模型進行優化調整，以及利用所述測試集對優化調整后的棧式自編碼神經網絡模型進行評估，包括：

將所述訓練集逐層輸入至多層自編碼器，對所述多層自編碼器進行訓練并得到多階特征，然后將所述多階特征輸入至softmax分類器中，對所述softmax分類器的參數進行訓練；

將所述驗證集逐層輸入至訓練后的多層自編碼器，對所述多層自編碼器進行優化調整并得到多階特征，然后將所述多階特征輸入至訓練后的softmax分類器，對所述softmax分類器的參數進行優化調整；

將所述測試集逐層輸入至優化調整后的多層自編碼器，得到多階特征，將所述多階特征輸入至優化調整后的softmax分類器，得到輸出結果，然后將所述輸出結果與對應的真實數據進行評估，得到評估結果。