[發(fā)明專利]一種倉儲物流系統(tǒng)的預測維護方法及相關(guān)組件

有效

• 申請?zhí)枺?/td>: 202010670484.6
• 申請日: 2020-07-13
• 公開（公告）號: CN111832993B
• 公開（公告）日: 2023-06-30
• 發(fā)明（設(shè)計）人: 邵健鋒;畢世仁;曾巍巍
• 申請（專利權(quán)）人: 深圳市今天國際物流技術(shù)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

本發(fā)明公開了一種倉儲物流系統(tǒng)的預測維護方法及相關(guān)組件，該方法包括：獲取倉儲物流系統(tǒng)的歷史業(yè)務數(shù)據(jù)以及歷史現(xiàn)場數(shù)據(jù)，并根據(jù)歷史現(xiàn)場數(shù)據(jù)生成FMEA表格，然后評估倉儲物流系統(tǒng)的風險系數(shù)；選取風險系數(shù)高的關(guān)鍵子系統(tǒng)、風險系數(shù)高的關(guān)鍵部件以及關(guān)鍵部件的問題；根據(jù)選取的關(guān)鍵子系統(tǒng)、關(guān)鍵部件以及關(guān)鍵部件的問題，設(shè)置數(shù)據(jù)采集節(jié)點；利用數(shù)據(jù)采集節(jié)點對現(xiàn)場數(shù)據(jù)進行采集，并篩選出包含故障數(shù)據(jù)的現(xiàn)場數(shù)據(jù)進行存儲以及預處理，得到樣本集，將樣本集分為訓練集、驗證集和測試集；將所述訓練集輸入至棧式自編碼神經(jīng)網(wǎng)絡(luò)模型中進行學習；利用棧式自編碼神經(jīng)網(wǎng)絡(luò)模型對倉儲物流系統(tǒng)進行預測維護。本發(fā)明可有效降低倉儲物流系統(tǒng)的生產(chǎn)風險。

技術(shù)領(lǐng)域

本發(fā)明涉及倉儲物流技術(shù)領(lǐng)域，特別涉及一種倉儲物流系統(tǒng)的預測維護方法及相關(guān)組件。

背景技術(shù)

倉儲物流系統(tǒng)是一種常用的物流存儲系統(tǒng)，廣泛應用于工業(yè)生產(chǎn)過程和倉儲配送過程。其是倉儲系統(tǒng)的主體，所以對于倉儲物流系統(tǒng)的維護非常重要，需確保系統(tǒng)正常流通才能保證工廠生產(chǎn)，物流中心運轉(zhuǎn)正常。

現(xiàn)有技術(shù)中，大部分倉儲物流系統(tǒng)較為龐大，涉及設(shè)備往往較多，設(shè)備系統(tǒng)巡檢排查需要花費巨大的人力物力，工作量極大。并且各個設(shè)備之間互為孤立,出現(xiàn)系統(tǒng)故障時需要調(diào)取多個設(shè)備數(shù)據(jù)進行綜合分析，往往耗費時間較長，拖延正常生產(chǎn)；系統(tǒng)設(shè)備備件數(shù)量龐大，且采購數(shù)量周期無法計劃，往往造成資產(chǎn)積壓和浪費。

在此情況下，物流企業(yè)迫切需要一套系統(tǒng)提供維修維護決策從而減少設(shè)備異常停機時間和系統(tǒng)診斷時間，降低生產(chǎn)風險；避免不必要的維修維護成本,優(yōu)化備件庫存和排產(chǎn)排程。

發(fā)明內(nèi)容

本發(fā)明實施例提供了一種倉儲物流系統(tǒng)的預測維護方法、裝置、計算機設(shè)備及存儲介質(zhì)，旨在提前預測倉儲物流系統(tǒng)的故障風險，降低生產(chǎn)風險和維護成本等。

第一方面，本發(fā)明實施例提供了一種倉儲物流系統(tǒng)的預測維護方法，包括：

獲取倉儲物流系統(tǒng)的歷史業(yè)務數(shù)據(jù)以及歷史現(xiàn)場數(shù)據(jù)，并根據(jù)所述歷史業(yè)務數(shù)據(jù)和歷史現(xiàn)場數(shù)據(jù)生成FMEA表格，然后根據(jù)所述FMEA表格評估所述倉儲物流系統(tǒng)的風險系數(shù)；選取所述倉儲物流系統(tǒng)中風險系數(shù)高的關(guān)鍵子系統(tǒng)、關(guān)鍵子系統(tǒng)風險系數(shù)高的關(guān)鍵部件以及關(guān)鍵部件的問題；

根據(jù)選取的關(guān)鍵子系統(tǒng)、關(guān)鍵部件以及關(guān)鍵部件的問題，設(shè)置數(shù)據(jù)采集節(jié)點；

利用所述數(shù)據(jù)采集節(jié)點對現(xiàn)場數(shù)據(jù)進行采集，并篩選出包含故障數(shù)據(jù)的現(xiàn)場數(shù)據(jù)進行存儲，然后對存儲的現(xiàn)場數(shù)據(jù)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(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)模型進行優(yōu)化調(diào)整，以及利用所述測試集對優(yōu)化調(diào)整后的棧式自編碼神經(jīng)網(wǎng)絡(luò)模型進行評估；

利用評估后的棧式自編碼神經(jīng)網(wǎng)絡(luò)模型對所述倉儲物流系統(tǒng)進行預測維護。

進一步的，所述歷史業(yè)務數(shù)據(jù)包括歷史維護數(shù)據(jù)、歷史故障數(shù)據(jù)、歷史運行數(shù)據(jù)和歷史巡檢數(shù)據(jù)；

所述歷史現(xiàn)場數(shù)據(jù)包括歷史傳感數(shù)據(jù)和歷史PLC數(shù)據(jù)。

進一步的，所述獲取倉儲物流系統(tǒng)的歷史業(yè)務數(shù)據(jù)以及歷史現(xiàn)場數(shù)據(jù)，并根據(jù)所述歷史業(yè)務數(shù)據(jù)和歷史現(xiàn)場數(shù)據(jù)生成FMEA表格，然后根據(jù)所述FMEA表格評估所述倉儲物流系統(tǒng)的風險系數(shù)，選取所述倉儲物流系統(tǒng)中風險系數(shù)高的關(guān)鍵子系統(tǒng)、關(guān)鍵子系統(tǒng)風險系數(shù)高的關(guān)鍵部件以及關(guān)鍵部件的問題，包括：

利用所述歷史業(yè)務數(shù)據(jù)和歷史現(xiàn)場數(shù)據(jù)，對所述倉儲物流系統(tǒng)內(nèi)的各個節(jié)點設(shè)備的故障時間、運維陳本、資產(chǎn)折舊率進行查詢，確定每個節(jié)點設(shè)備的維護成本；

對每個節(jié)點設(shè)備設(shè)置數(shù)據(jù)采集節(jié)點的運維成本進行核算，并選擇運維成本最高的節(jié)點設(shè)備和投入產(chǎn)出比最高的節(jié)點設(shè)備作為候選節(jié)點設(shè)備；