一种基于多层感知机的生产线失效预测方法和系统

1.本发明属于机器学习和工业设备失效预测技术领域，更具体地，涉及一种基于多层感知机的生产线失效预测方法和系统。


背景技术：

2.近年来，随着计算机技术的不断发展，生产线自动化与智能化的进程也不断推进。但一个高精度工艺成品的生产线由较多生产环节组成，各生产环节设备众多、工艺参数的数据量大、且参数间存在一定关系与联系，所以生产线的稳定性是确保生产效率的重要因素之一。生产线失效预测是指通过对生产线进行实时监控和数据分析，利用机器学习等技术对生产线可能发生的故障进行预测，以避免生产线故障对生产造成的影响，从而确保生产线的稳定性。
3.现存的失效预测方法能够分为两类，一种是基于模型的失效预测方法，另一种是数据驱动的失效预测方法。基于模型的失效预测方法是对系统的分析或建立概率模型，当检测到偏离模型标准的行为时检测为失效；数据驱动的失效预测方法使用了数据挖掘技术，对历史数据中学习并总结系统以往失效行为规律，对系统未来阶段同样的失效行为进行预测。
4.然而，现有的失效预测方法仍然存在一些无法忽略的缺陷：第一、针对基于模型的失效预测方法而言，尽管该方法对特定系统具有效果，但这种方法很难适用于复杂度高的系统中，因为对于高复杂性系统很难构建精确的概率模型；第二、针对数据驱动的失效预测方法而言，这种方法往往只在特定系统或实际数据的某一段中达到良好的预期效果，在推广应用方面具有较高的局限性；第三、这两种方法在失效模式判断中表现不足，即使模型能够计算失效的概率，但不能提供详细的失效模式信息并追溯失效成因，导致无法准确的采取失效预防措施。


技术实现要素：

5.针对现有技术的以上缺陷或改进需求，本发明提供了一种基于多层感知机的生产线失效预测方法和系统。其目的在于，解决现有基于模型的失效预测方法由于系统规模大、复杂度高导致模型建立困难的技术问题，以及现有数据驱动的失效预测方法仅在实际数据的某一段中表现良好，无法广泛推广的技术问题，以及上述两种方法均无法提供详细的失效模式信息并追溯失效成因的问题。
6.为实现上述目的，按照本发明的一个方面，提供了一种基于多层感知机的生产线失效预测方法，包括以下步骤：
7.(1)通过传感器获取所有生产线设备的实时监控数据；
8.(2)将步骤(1)得到的所有生产线设备的实时监控数据输入预先训练好的失效模式预测模型，以获取失效状态向量预测结果；
9.(3)获取步骤(2)得到的失效状态向量预测结果，判断预先建立的失效模式库中是
否存在该失效状态向量预测结果对应的失效模式，如果不存在，则在失效事件发生后为该失效状态向量预测结果标注失效信息，从而得到新的失效模式，并将新的失效模式添加到失效模式库中，过程结束；如果存在，则进入步骤(4)。
10.(4)获取步骤(3)得到的失效模式的失效概率，并生成失效预测报告。
11.优选地，失效模式预测模型采用多层感知机网络，其包括一个输入层、一个隐藏层和一个输出层，其结构如下：
12.第一层是输入层，其输入是r
×
d维生产线实时参数矩阵，该层对生产线实时参数矩阵按照其均值和标准差进行标准化处理，使矩阵均值为0，方差为1，以增加训练的稳定性和收敛速度，并输出r
×
d维生产线实时参数矩阵，其中r为生产线设备总量，d为生产线中每台设备对应传感器的参数总量。
13.第二层是隐藏层，其输入为第一层输出的r
×
d维生产线实时参数矩阵，其对该r
×
d维生产线实时参数矩阵进行线性变换和非线性激活处理，以提取和学习数据中的有效特征，并输出t维向量；
14.第三层是输出层，其输入为第二层输出的t维向量，其对该t维向量进行非线性激活处理，以输出处理后的t维向量，作为失效状态向量预测值。
15.优选地，隐藏层中的神经元个数h是通过以下公式进行确定：
[0016][0017]
其中s代表训练集的样本数，α是预设常数，其取值范围为[2,10]。
[0018]
优选地，多层感知机网络是通过以下步骤训练得到的：
[0019]
(2-1)获取每台生产线设备的传感器返回的实时监控数据，所有设备对应的实时监控数据构成实时监控数据集合。
[0020]
(2-2)对步骤(2-1)得到的实时监控数据进行筛选处理，以获取生产线异常工艺参数实时监控数据。
[0021]
(2-3)针对步骤(2-2)得到的生产线异常工艺参数实时监控数据而言，使用失效状态向量标记其对应时刻的设备失效状态，将标记后的生产线异常工艺参数实时监控数据作为生产线异常工艺参数数据集。
[0022]
(2-4)对步骤(2-3)得到的生产线异常工艺参数数据集以7：3的比例随机划分为训练集和验证集。
[0023]
(2-5)对多层感知机网络的参数进行初始化，以得到初始化后的多层感知机网络；
[0024]
(2-6)将步骤(2-4)得到的训练集输入步骤(2-5)初始化后的多层感知机网络中，通过正向传播算法输出网络预测值，并计算网络预测值与真实标签之间的交叉熵损失值；
[0025]
(2-7)根据步骤(2-6)得到的网络预测值与真实标签之间的交叉熵损失值，并利用反向传播算法对多层感知机网络的所有权重参数进行更新和优化，以最小化交叉熵损失值；
[0026]
(2-8)重复迭代执行上述步骤(2-6)和步骤(2-7)，直至训练集对应的交叉熵损失值不再下降为止，从而得到初步训练好的多层感知机网络；
[0027]
(2-9)利用步骤(2-4)得到的验证集对步骤(2-8)初步训练好的多层感知机网络进
行验证，以得到训练好的多层感知机网络。
[0028]
优选地，步骤(2-2)具体为，首先从实时监控数据中筛选出系统运行过程中导致生产线成品率下降到预期值以下的严重失效事件，或阻塞生产线运行进度导致生产无法正常运行的失效事件，然后以失效事件发生时刻为起点，追溯失效事件发生前产生异常工艺参数的实时监控数据，作为生产线异常工艺参数实时监控数据。
[0029]
步骤(2-3)中的失效状态向量表示为：
[0030][0031]
其中sn表示第n时刻的失效状态向量，其中表示第n时刻第j个生产线设备的失效状态，其中的取值范围是0和1的二进制数，取值为0时表示该设备发生失效，取值为1时表示该设备未发生失效，且有n∈[实时监控数据采样开始时刻，实时监控数据采样结束时刻]，j∈[1，生产线设备的总数]。
[0032]
优选地，步骤(2-5)中，权重参数的初始值是使用标准差为0.1的截断式正态分布输出的随机值，偏置参数的初始值设为0，初始学习率lr＝0.0003，采用阶梯性的学习策略，步长stepsize＝200，权重gamma＝0.1，即每200轮将学习率乘以0.1；
[0033]
步骤(2-6)中交叉熵损失值为：
[0034][0035]
其中n表示训练集中的样本总数，m是失效模式的类别数，y
ic
表示训练集中第i个样本属于第c种失效模式的概率(通常为0或1，在one-hot编码中为1，其余为0)，p
ic
表示训练集中第i个样本属于第c种失效模式网络预测值的概率，i∈[1,n],c∈[1,m]。
[0036]
优选地，失效模式库是通过以下步骤建立的：
[0037]
(3-1)采集生产线运行过程中每一台设备传感器返回的实时监控数据。
[0038]
(3-2)对步骤(3-1)中所有设备传感器返回的实时监控数据进行筛选处理，以得到生产线失效数据集。
[0039]
(3-3)针对步骤(3-2)得到的生产线失效数据集而言，分析每一时刻的设备失效状态并使用失效状态向量进行标记，然后汇总所有失效状态向量，作为失效状态向量集。
[0040]
(3-4)针对步骤(3-3)得到的失效状态向量集中的每个失效状态向量而言，标注其对应的失效信息，以生成失效模式，组合所有失效状态向量对应的失效模式以建立失效模式库。
[0041]
优选地，步骤(3-2)具体为，首先从实时监控数据中筛选出生产线运行过程中导致生产线成品率下降到预期值以下的失效事件，或阻塞生产线运行进度导致生产无法正常运行的失效事件，然后将失效事件发生时的实时监控数据作为生产线失效数据集。
[0042]
优选地，步骤(4)包括以下子步骤：
[0043]
(4-1)根据步骤(1)得到的实时监控数据，分析第n时刻的设备失效状态，然后确定在第n时刻的失效设备数，并将失效设备数记为error(n)。
[0044]
(4-2)根据步骤(2)得到的生产线的失效状态向量预测结果获取失效设备数error
(n)。
[0045]
(4-3)对步骤(4-1)与步骤(4-2)得到的失效设备数计算其对应的失效概率，其等于：
[0046][0047]
其中表示生产线在第n时刻发生失效模式库中第m种失效的概率，bin(m)是一个取值为0或1的布尔值，bin(m)等于1表示该向量属于失效模式m，等于0表示该向量不属于失效模式m，其中m∈[1，失效模式数]，n∈[1，失效状态向量总数]。
[0048]
(4-4)对步骤(3)匹配到的失效模式和步骤(4-3)得到的失效概率进行组合，以生成失效预测报告。
[0049]
按照本发明的另一方面，提供了一种基于多层感知机的生产线失效预测系统，包括：
[0050]
第一模块，用于通过传感器获取所有生产线设备的实时监控数据；
[0051]
第二模块，用于将第一模块得到的所有生产线设备的实时监控数据输入预先训练好的失效模式预测模型，以获取失效状态向量预测结果；
[0052]
第三模块，用于获取第二模块得到的失效状态向量预测结果，判断预先建立的失效模式库中是否存在该失效状态向量预测结果对应的失效模式，如果不存在，则在失效事件发生后为该失效状态向量预测结果标注失效信息，从而得到新的失效模式，并将新的失效模式添加到失效模式库中，过程结束；如果存在，则进入步骤第四模块。
[0053]
第四模块，用于获取第三模块得到的失效模式的失效概率，并生成失效预测报告。
[0054]
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
[0055]
1、由于本发明步骤(2)采用了基于多层感知机的失效预测模型，不需要对相关变量之间的关系进行先验假设和模型假设，并且能够处理不同类型的输入特征，能够在复杂度高的系统构建精确的概率模型。
[0056]
2、由于本发明步骤(2)采用了基于多层感知机的失效预测模型，在使用不同数据集进行训练后，能够适应不同生产线的预测需求，达到较高的可推广性。
[0057]
3、由于本发明步骤(3)采用了失效状态向量对失效模式进行了底层描述，当模型预测到失效后，能够计算失效概率并通过匹配失效模式库信息以达到追溯失效成因、并采取相应失效预防措施的效果。
[0058]
4、由于本发明步骤(3)针对复杂的生产线系统建立了失效模式库，针对内部复杂的依赖关系与错误传播特性，实时检测并且预测各设备健康状况以及整个生产线系统失效情况，所以本发明针对大型复杂生产线系统提高了失效预测率与失效避免率。
[0059]
5、由于本发明步骤(3)采用了动态的失效模式匹配方法，对于无法匹配失效模式的情况依然可以持续的进行失效预测，并且随着模式库的完备性越高，失效预测可信度也会更高。
附图说明
[0060]
图1是本发明基于多层感知机的生产线失效预测方法的流程示意图；
[0061]
图2是本发明使用的失效预测模型神经网络的结构示意图。
具体实施方式
[0062]
为了使本发明的目的、技术方案及优点更加清楚明白，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。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0063]
本发明的基本思路在于，利用筛选与压缩的方式处理生产线数据，建立失效模式库，然后通过多层感知机模型进行失效模式预测，一方面定义失效模式向量与失效概率，更充分的提取生产线数据特征，另一方面，采用动态的失效模式匹配方法，使本方法能够持续进行失效模式匹配操作。从这两个角度提高失效预测率与失效避免率。
[0064]
如图1所示，本发明提供了一种基于多层感知机的生产线失效预测方法，包括以下步骤：
[0065]
(1)通过传感器获取所有生产线设备的实时监控数据；
[0066]
(2)将步骤(1)得到的所有生产线设备的实时监控数据输入预先训练好的失效模式预测模型，以获取失效状态向量预测结果；
[0067]
具体而言，如图2所示，本发明的失效模式预测模型采用多层感知机网络，其包括一个输入层、一个隐藏层和一个输出层，其结构如下：
[0068]
第一层是输入层，其输入是r
×
d维(其中r为生产线设备总量，d为生产线中每台设备对应传感器的参数总量)生产线实时参数矩阵，该层对生产线实时参数矩阵按照其均值和标准差进行标准化处理，使矩阵均值为0，方差为1，以增加训练的稳定性和收敛速度，并输出r
×
d维生产线实时参数矩阵。
[0069]
第二层是隐藏层，其输入为第一层输出的r
×
d维生产线实时参数矩阵，其对该r
×
d维生产线实时参数矩阵进行线性变换和非线性激活处理，以提取和学习数据中的有效特征，并输出t维向量。
[0070]
具体而言，隐藏层中的神经元个数h是通过以下公式进行确定：
[0071][0072]
上式中s代表训练集的样本数，α是预设常数，其取值范围为[2,10]。
[0073]
第三层是输出层，其输入为第二层输出的t维向量，其对该t维向量进行非线性激活处理，以输出处理后的t维向量，作为失效状态向量预测值。
[0074]
更进一步而言，本发明的多层感知机网络是通过以下步骤进行训练的：
[0075]
(2-1)获取每台生产线设备的传感器返回的实时监控数据，所有设备对应的实时监控数据构成实时监控数据集合。
[0076]
(2-2)对步骤(2-1)得到的实时监控数据进行筛选处理，以获取生产线异常工艺参数实时监控数据。
[0077]
具体而言，本步骤首先从实时监控数据中筛选出系统运行过程中导致生产线成品率下降到预期值以下的严重失效事件，或阻塞生产线运行进度导致生产无法正常运行的失效事件，然后以失效事件发生时刻为起点，追溯失效事件发生前产生异常工艺参数的实时监控数据，作为生产线异常工艺参数实时监控数据。
[0078]
(2-3)针对步骤(2-2)得到的生产线异常工艺参数实时监控数据而言，使用失效状态向量标记其对应时刻的设备失效状态，将标记后的生产线异常工艺参数实时监控数据作为生产线异常工艺参数数据集。
[0079]
具体而言，失效状态向量表示为：
[0080][0081]
其中sn表示第n时刻的失效状态向量，其中表示第n时刻第j个生产线设备的失效状态，其中的取值范围是0和1的二进制数，取值为0时表示该设备发生失效，取值为1时表示该设备未发生失效，且有n∈[实时监控数据采样开始时刻，实时监控数据采样结束时刻]，j∈[1，生产线设备的总数]。
[0082]
(2-4)对步骤(2-3)得到的生产线异常工艺参数数据集以7：3的比例随机划分为训练集和验证集。
[0083]
具体而言，本步骤将数据集随机划分70％作为训练集，剩余的30％作为测试集，重复随机划分过程10次，减少随机误差。
[0084]
(2-5)对多层感知机网络的参数进行初始化，以得到初始化后的多层感知机网络；
[0085]
具体而言，本步骤中，权重参数的初始值是使用标准差为0.1的截断式正态分布输出的随机值，偏置参数的初始值设为0，初始学习率lr＝0.0003，采用阶梯性的学习策略，步长stepsize＝200，权重gamma＝0.1，即每200轮(epoch)将学习率乘以0.1；
[0086]
(2-6)将步骤(2-4)得到的训练集输入步骤(2-5)初始化后的多层感知机网络中，通过正向传播算法输出网络预测值，并计算网络预测值与真实标签之间的交叉熵损失值；
[0087]
其中，交叉熵损失值具体表示为：
[0088][0089]
其中n表示训练集中的样本总数，m是失效模式的类别数，y
ic
表示训练集中第i个样本属于第c种失效模式的概率(通常为0或1，在one-hot编码中为1，其余为0)，p
ic
表示训练集中第i个样本属于第c种失效模式网络预测值的概率，i∈[1,n],c∈[1,m]。
[0090]
(2-7)根据步骤(2-6)得到的网络预测值与真实标签之间的交叉熵损失值，并利用反向传播算法对多层感知机网络的所有权重参数进行更新和优化，以最小化交叉熵损失值；
[0091]
(2-8)重复迭代执行上述步骤(2-6)和步骤(2-7)，直至训练集对应的交叉熵损失值不再下降为止，从而得到初步训练好的多层感知机网络；
[0092]
(2-9)利用步骤(2-4)得到的验证集对步骤(2-8)初步训练好的多层感知机网络进行验证，以得到训练好的多层感知机网络。
[0093]
(3)获取步骤(2)得到的失效状态向量预测结果，判断预先建立的失效模式库中是否存在该失效状态向量预测结果对应的失效模式，如果不存在，则在失效事件发生后为该失效状态向量预测结果标注失效信息，从而得到新的失效模式，并将新的失效模式添加到失效模式库中，过程结束；如果存在，则进入步骤(4)。
[0094]
具体而言，失效模式库是通过以下步骤建立的：
[0095]
(3-1)采集生产线运行过程中每一台设备传感器返回的实时监控数据。
[0096]
(3-2)对步骤(3-1)中所有设备传感器返回的实时监控数据进行筛选处理，以得到生产线失效数据集。
[0097]
具体而言，本步骤首先从实时监控数据中筛选出生产线运行过程中导致生产线成品率下降到预期值以下的失效事件，或阻塞生产线运行进度导致生产无法正常运行的失效事件，然后将失效事件发生时的实时监控数据作为生产线失效数据集。
[0098]
(3-3)针对步骤(3-2)得到的生产线失效数据集而言，分析每一时刻的设备失效状态并使用失效状态向量进行标记，然后汇总所有失效状态向量，作为失效状态向量集。
[0099]
(3-4)针对步骤(3-3)得到的失效状态向量集中的每个失效状态向量而言，标注其对应的失效信息，以生成失效模式，组合所有失效状态向量对应的失效模式以建立失效模式库。
[0100]
(4)获取步骤(3)得到的失效模式的失效概率，并生成失效预测报告。
[0101]
具体而言，本步骤包括以下子步骤：
[0102]
(4-1)根据步骤(1)得到的实时监控数据，分析第n时刻的设备失效状态，然后确定在第n时刻的失效设备数，并将失效设备数记为error(n)。
[0103]
(4-2)根据步骤(2)得到的生产线的失效状态向量预测结果获取失效设备数error(n)。
[0104]
(4-3)对步骤(4-1)与步骤(4-2)得到的失效设备数，计算其对应的失效概率。
[0105]
具体而言，失效概率表示为：
[0106][0107]
上式中表示生产线在第n时刻发生失效模式库中第m种失效的概率，bin(m)是一个取值为0或1的布尔值，bin(m)等于1表示该向量属于失效模式m，等于0表示该向量不属于失效模式m，其中m∈[1，失效模式数]，n∈[1，失效状态向量总数]。
[0108]
(4-4)对步骤(3)匹配到的失效模式和步骤(4-3)得到的失效概率进行组合，以生成失效预测报告。
[0109]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于多层感知机的生产线失效预测方法，其特征在于，包括以下步骤：(1)通过传感器获取所有生产线设备的实时监控数据；(2)将步骤(1)得到的所有生产线设备的实时监控数据输入预先训练好的失效模式预测模型，以获取失效状态向量预测结果；(3)获取步骤(2)得到的失效状态向量预测结果，判断预先建立的失效模式库中是否存在该失效状态向量预测结果对应的失效模式，如果不存在，则在失效事件发生后为该失效状态向量预测结果标注失效信息，从而得到新的失效模式，并将新的失效模式添加到失效模式库中，过程结束；如果存在，则进入步骤(4)。(4)获取步骤(3)得到的失效模式的失效概率，并生成失效预测报告。2.根据权利要求1所述的基于多层感知机的生产线失效预测方法，其特征在于，失效模式预测模型采用多层感知机网络，其包括一个输入层、一个隐藏层和一个输出层，其结构如下：第一层是输入层，其输入是r
×
d维生产线实时参数矩阵，该层对生产线实时参数矩阵按照其均值和标准差进行标准化处理，使矩阵均值为0，方差为1，以增加训练的稳定性和收敛速度，并输出r
×
d维生产线实时参数矩阵，其中r为生产线设备总量，d为生产线中每台设备对应传感器的参数总量。第二层是隐藏层，其输入为第一层输出的r
×
d维生产线实时参数矩阵，其对该r
×
d维生产线实时参数矩阵进行线性变换和非线性激活处理，以提取和学习数据中的有效特征，并输出t维向量；第三层是输出层，其输入为第二层输出的t维向量，其对该t维向量进行非线性激活处理，以输出处理后的t维向量，作为失效状态向量预测值。3.根据权利要求1或2所述的基于多层感知机的生产线失效预测方法，其特征在于，隐藏层中的神经元个数h是通过以下公式进行确定：其中s代表训练集的样本数，α是预设常数，其取值范围为[2,10]。4.根据权利要求1至3中任意一项所述的基于多层感知机的生产线失效预测方法，其特征在于，多层感知机网络是通过以下步骤训练得到的：(2-1)获取每台生产线设备的传感器返回的实时监控数据，所有设备对应的实时监控数据构成实时监控数据集合。(2-2)对步骤(2-1)得到的实时监控数据进行筛选处理，以获取生产线异常工艺参数实时监控数据。(2-3)针对步骤(2-2)得到的生产线异常工艺参数实时监控数据而言，使用失效状态向量标记其对应时刻的设备失效状态，将标记后的生产线异常工艺参数实时监控数据作为生产线异常工艺参数数据集。(2-4)对步骤(2-3)得到的生产线异常工艺参数数据集以7：3的比例随机划分为训练集和验证集。(2-5)对多层感知机网络的参数进行初始化，以得到初始化后的多层感知机网络；
(2-6)将步骤(2-4)得到的训练集输入步骤(2-5)初始化后的多层感知机网络中，通过正向传播算法输出网络预测值，并计算网络预测值与真实标签之间的交叉熵损失值；(2-7)根据步骤(2-6)得到的网络预测值与真实标签之间的交叉熵损失值，并利用反向传播算法对多层感知机网络的所有权重参数进行更新和优化，以最小化交叉熵损失值；(2-8)重复迭代执行上述步骤(2-6)和步骤(2-7)，直至训练集对应的交叉熵损失值不再下降为止，从而得到初步训练好的多层感知机网络；(2-9)利用步骤(2-4)得到的验证集对步骤(2-8)初步训练好的多层感知机网络进行验证，以得到训练好的多层感知机网络。5.根据权利要求4所述的基于多层感知机的生产线失效预测方法，其特征在于，步骤(2-2)具体为，首先从实时监控数据中筛选出系统运行过程中导致生产线成品率下降到预期值以下的严重失效事件，或阻塞生产线运行进度导致生产无法正常运行的失效事件，然后以失效事件发生时刻为起点，追溯失效事件发生前产生异常工艺参数的实时监控数据，作为生产线异常工艺参数实时监控数据。步骤(2-3)中的失效状态向量表示为：其中s
n
表示第n时刻的失效状态向量，其中表示第n时刻第j个生产线设备的失效状态，其中的取值范围是0和1的二进制数，取值为0时表示该设备发生失效，取值为1时表示该设备未发生失效，且有n∈[实时监控数据采样开始时刻，实时监控数据采样结束时刻]，j∈[1，生产线设备的总数]。6.根据权利要求5所述的基于多层感知机的生产线失效预测方法，其特征在于，步骤(2-5)中，权重参数的初始值是使用标准差为0.1的截断式正态分布输出的随机值，偏置参数的初始值设为0，初始学习率lr＝0.0003，采用阶梯性的学习策略，步长stepsize＝200，权重gamma＝0.1，即每200轮将学习率乘以0.1；步骤(2-6)中交叉熵损失值为：其中n表示训练集中的样本总数，m是失效模式的类别数，y
ic
表示训练集中第i个样本属于第c种失效模式的概率(通常为0或1，在one-hot编码中为1，其余为0)，p
ic
表示训练集中第i个样本属于第c种失效模式网络预测值的概率，i∈[1,n],c∈[1,m]。7.根据权利要求6所述的基于多层感知机的生产线失效预测方法，其特征在于，失效模式库是通过以下步骤建立的：(3-1)采集生产线运行过程中每一台设备传感器返回的实时监控数据。(3-2)对步骤(3-1)中所有设备传感器返回的实时监控数据进行筛选处理，以得到生产线失效数据集。(3-3)针对步骤(3-2)得到的生产线失效数据集而言，分析每一时刻的设备失效状态并使用失效状态向量进行标记，然后汇总所有失效状态向量，作为失效状态向量集。
(3-4)针对步骤(3-3)得到的失效状态向量集中的每个失效状态向量而言，标注其对应的失效信息，以生成失效模式，组合所有失效状态向量对应的失效模式以建立失效模式库。8.根据权利要求7所述的基于多层感知机的生产线失效预测方法，其特征在于，步骤(3-2)具体为，首先从实时监控数据中筛选出生产线运行过程中导致生产线成品率下降到预期值以下的失效事件，或阻塞生产线运行进度导致生产无法正常运行的失效事件，然后将失效事件发生时的实时监控数据作为生产线失效数据集。9.根据权利要求8所述的基于多层感知机的生产线失效预测方法，其特征在于，步骤(4)包括以下子步骤：(4-1)根据步骤(1)得到的实时监控数据，分析第n时刻的设备失效状态，然后确定在第n时刻的失效设备数，并将失效设备数记为error(n)。(4-2)根据步骤(2)得到的生产线的失效状态向量预测结果获取失效设备数error(n)。(4-3)对步骤(4-1)与步骤(4-2)得到的失效设备数计算其对应的失效概率，其等于：其中表示生产线在第n时刻发生失效模式库中第m种失效的概率，bin(m)是一个取值为0或1的布尔值，bin(m)等于1表示该向量属于失效模式m，等于0表示该向量不属于失效模式m，其中m∈[1，失效模式数]，n∈[1，失效状态向量总数]。(4-4)对步骤(3)匹配到的失效模式和步骤(4-3)得到的失效概率进行组合，以生成失效预测报告。10.一种基于多层感知机的生产线失效预测系统，其特征在于，包括：第一模块，用于通过传感器获取所有生产线设备的实时监控数据；第二模块，用于将第一模块得到的所有生产线设备的实时监控数据输入预先训练好的失效模式预测模型，以获取失效状态向量预测结果；第三模块，用于获取第二模块得到的失效状态向量预测结果，判断预先建立的失效模式库中是否存在该失效状态向量预测结果对应的失效模式，如果不存在，则在失效事件发生后为该失效状态向量预测结果标注失效信息，从而得到新的失效模式，并将新的失效模式添加到失效模式库中，过程结束；如果存在，则进入步骤第四模块。第四模块，用于获取第三模块得到的失效模式的失效概率，并生成失效预测报告。

技术总结
本发明公开了一种基于多层感知机的生产线失效预测方法，包括：通过传感器获取所有生产线设备的实时监控数据，将所有生产线设备的实时监控数据输入预先训练好的失效模式预测模型，以获取失效状态向量预测结果，获取失效状态向量预测结果，判断预先建立的失效模式库中是否存在该失效状态向量预测结果对应的失效模式，如果不存在，则在失效事件发生后为该失效状态向量预测结果标注失效信息，从而得到新的失效模式，并将新的失效模式添加到失效模式库中，过程结束；如果存在，则获取失效模式的失效概率，并生成失效预测报告。本发明能够解决现有基于模型的失效预测方法由于系统规模大、复杂度高导致模型建立困难的技术问题。复杂度高导致模型建立困难的技术问题。复杂度高导致模型建立困难的技术问题。


技术研发人员：唐卓 田泽安 高梓文 程欣威 曹丽婷 邓源 李世健 王斌
受保护的技术使用者：湖南大学
技术研发日：2023.06.09
技术公布日：2023/9/9