基于人工智能的生产制造管理系统及方法

1.本发明涉及设备管理系统技术领域，具体涉及基于人工智能的生产制造管理系统及方法。


背景技术：

2.五金加工机床是指用于加工金属材料的专用设备，包括铣床、车床、钻床、磨床、冲床等，这些机床在五金加工行业中扮演着关键的角色，用于切削、成型、打孔、磨削等工艺，将金属材料转化为具有特定形状和尺寸的零件或产品，五金加工机床管理系统是一种针对五金加工行业的信息化管理系统，旨在提高机床的利用率和生产效率，实现生产过程的优化和自动化。
3.现有技术存在以下不足：现有管理系统对打孔机床没有故障预测处理，若在打孔机床出现故障时，打孔机床所需更换的零部件没有库存，则会导致打孔机床的维修时间增加，这样一是降低打孔机床的工作效率，二是随着维修时间的增加，打孔机床的故障可能会向恶化发展，从而增加打孔机床的维修成本。


技术实现要素：

4.本发明的目的是提供基于人工智能的生产制造管理系统及方法，以解决背景技术中不足。
5.为了实现上述目的，本发明提供如下技术方案：基于人工智能的生产制造管理系统，包括数据采集模块、数据分析模块、预警模块以及库存分析模块；数据采集模块：在打孔机床运行过程中，定时采集打孔机床的多源数据，并对多源数据进行预处理；数据分析模块：获取多源数据后，将多源数据代入智能预测模型，分析打孔机床未来使用是否会发生故障；预警模块：依据数据分析模块分析结果判断是否需要发出预警信号，发出预警信号时，预警信号基于物联网发送至远程管理中心；库存分析模块：当接收的分析结果为打孔机床未来使用会发生故障时，获取仓库日志中与打孔机床相关零部件的储备量，当储备量小于储备阈值时，向补货人员发送补货信息。
6.在一个优选的实施方式中，所述数据采集模块在打孔机床运行过程中，定时采集打孔机床的多源数据，数据采集模块采集的多源数据包括主轴变形标准差、传动箱噪声、打孔头完整度以及冷却管道压力波动幅值。
7.在一个优选的实施方式中，所述智能预测模型的建立包括以下步骤：将主轴变形标准差、传动箱噪声、打孔头完整度以及冷却管道压力波动幅值去除量纲后，取其数值进行综合计算，获取故障系数，计算表达式为：
；式中，为主轴变形标准差，为传动箱噪声，为打孔头完整度，为冷却管道压力波动幅值，、、、分别为主轴变形标准差、传动箱噪声、打孔头完整度以及冷却管道压力波动幅值的比例系数，且、、、均大于0；获取故障系数后，将故障系数与故障阈值进行对比，完成智能预测模型的建立。
8.在一个优选的实施方式中，所述数据分析模块获取数据采集模块定时采集的主轴变形标准差、传动箱噪声、打孔头完整度以及冷却管道压力波动幅值后，将主轴变形标准差、传动箱噪声、打孔头完整度以及冷却管道压力波动幅值代入故障系数计算公式中，获取故障系数。
9.在一个优选的实施方式中，若所述故障系数≥故障阈值，数据分析模块分析打孔机床未来使用不会发生故障；若所述故障系数＜故障阈值，数据分析模块分析打孔机床未来使用会发生故障。
10.在一个优选的实施方式中，所述数据分析模块分析结果为打孔机床未来使用会发生故障，所述预警模块基于物联网向远程管理中心发送预警信号；远程管理中心接收预警信号时，若打孔机床处于对五金件正在进行打孔作业，则需要等待当前打孔作业完成后控制打孔机床停机；若打孔机床处于刚加工完一个五金件，则直接控制打孔机床停机；判断打孔机床是否处于加工状态，通过设置在打孔机床工作台处的工业相机获取。
11.在一个优选的实施方式中，所述主轴变形标准差的获取逻辑为：由于数据采集模块为每30分钟采集一次打孔机床数据，因此，主轴变形标准差的计算表达式为：；式中，表示变形测量值的平均值，表示第i个变形测量值，n为不同时间点的变形测量值数量。
12.在一个优选的实施方式中，所述打孔头完整度的计算表达式为：；式中，为实时腐蚀深度，为初始几何尺寸，实时腐蚀深度是指通过在线监测或传感器获取到的当前腐蚀深度数据，初始几何尺寸是指打孔头的初始几何尺寸或预设的参考尺寸。
13.在一个优选的实施方式中，所述冷却管道压力波动幅值的获取逻辑为：将冷却管道稳定压力范围标记为，实时获取的冷却管道压力标记为，若＜
，冷却管道压力波动幅值，若＞，冷却管道压力波动幅值。
14.本发明还提供基于人工智能的生产制造管理方法，所述管理方法包括以下步骤：s1：在打孔机床运行过程中，采集端定时采集打孔机床的多源数据，将多源数据预处理；s2：处理端获取预处理后的多源数据，将多源数据代入智能预测模型，分析打孔机床未来使用是否会发生故障；s3：依据分析结果判断是否需要发出预警信号，发出预警信号时，预警信号基于物联网发送至远程管理中心；s4：远程管理中心接收预警信号时，依据打孔机床当前工作状态选择是否控制打孔机床停机；s5：当分析结果为打孔机床未来使用会发生故障时，获取仓库日志中与打孔机床相关零部件的储备量；s6：若储备量小于储备阈值时，处理端向补货人员发送补货信息。
15.在上述技术方案中，本发明提供的技术效果和优点：1、本发明通过数据分析模块获取多源数据后，将多源数据代入智能预测模型，分析打孔机床未来使用是否会发生故障，当库存分析模块接收的分析结果为打孔机床未来使用会发生故障时，库存分析模块获取仓库日志中与打孔机床相关零部件的储备量，当储备量小于储备阈值时，向补货人员发送补货信息，该管理系统能够在打孔机床运行过程中，对打孔机床进行故障预测处理，并结合仓库中与打孔机床相关零部件的储备量来判断是否需要提前补货，从而能够缩短打孔机床的维修时间，不仅有效提高打孔机床的工作效率，而且还降低打孔机床的维修成本；2、本发明通过将主轴变形标准差、传动箱噪声、打孔头完整度以及冷却管道压力波动幅值去除量纲后，取其数值进行综合计算，获取故障系数，多源数据综合分析，有效提高对数据的分析效率，且分析更为全面，并将获取的故障系数与故障阈值进行对比，来判断打孔机床未来使用是否会发生故障，从而保证打孔机床的稳定运行。
附图说明
16.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例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发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
17.图1为本发明的系统模块图。
具体实施方式
18.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
19.实施例1：请参阅图1所示，本实施例所述基于人工智能的生产制造管理系统，包括数据采集模块、数据分析模块、预警模块以及库存分析模块；数据采集模块在打孔机床运行过程中，定时采集打孔机床的多源数据，将多源数据预处理后发送至数据分析模块；数据分析模块获取多源数据后，将多源数据代入智能预测模型，分析打孔机床未来使用是否会发生故障，将分析结果发送至预警模块以及库存分析模块；预警模块依据数据分析模块分析结果判断是否需要发出预警信号，发出预警信号时，预警信号基于物联网发送至远程管理中心，远程管理中心接收预警信号时，依据打孔机床当前工作状态选择是否控制打孔机床停机；当库存分析模块接收的分析结果为打孔机床未来使用会发生故障时，库存分析模块获取仓库日志中与打孔机床相关零部件的储备量，当储备量小于储备阈值时，向补货人员发送补货信息。
20.本技术通过数据分析模块获取多源数据后，将多源数据代入智能预测模型，分析打孔机床未来使用是否会发生故障，当库存分析模块接收的分析结果为打孔机床未来使用会发生故障时，库存分析模块获取仓库日志中与打孔机床相关零部件的储备量，当储备量小于储备阈值时，向补货人员发送补货信息，该管理系统能够在打孔机床运行过程中，对打孔机床进行故障预测处理，并结合仓库中与打孔机床相关零部件的储备量来判断是否需要提前补货，从而能够缩短打孔机床的维修时间，不仅有效提高打孔机床的工作效率，而且还降低打孔机床的维修成本。
21.数据采集模块在打孔机床运行过程中，定时采集打孔机床的多源数据，数据采集模块采集的多源数据包括主轴变形标准差、传动箱噪声、打孔头完整度以及冷却管道压力波动幅值；数据采集模块对多源数据进行预处理包括以下步骤：数据清洗：包括处理异常值、处理噪声数据等，异常值可以是数据中的极端值或不符合业务规则的值，需要进行识别和处理，噪声数据可以是由于传感器误差、设备故障或数据传输问题引入的干扰数据，需要进行滤波或平滑处理；数据转换：对数据进行转换，以满足分析或建模的需求，转换可以包括特征提取、特征选择、数据归一化等操作，以提取有用的特征并减少数据的维度；数据验证：对清洗后的数据进行验证，确保数据的准确性和一致性，可以使用统计方法、数据可视化等手段进行数据验证，检查数据的分布、关联性和合理性。
22.实施例2：数据分析模块获取多源数据后，将多源数据代入智能预测模型，分析打孔机床未来使用是否会发生故障，将分析结果发送至预警模块以及库存分析模块；本技术中，智能预测模型的建立包括以下步骤：将主轴变形标准差、传动箱噪声、打孔头完整度以及冷却管道压力波动幅值去除量纲后，取其数值进行综合计算，获取故障系数，计算表达式为：；式中，为主轴变形标准差，为传动箱噪声，为打孔头完整度，为冷
却管道压力波动幅值，、、、分别为主轴变形标准差、传动箱噪声、打孔头完整度以及冷却管道压力波动幅值的比例系数，且、、、均大于0。
23.获取故障系数后，将故障系数与故障阈值进行对比，完成智能预测模型的建立。
24.数据分析模块获取数据采集模块定时（每30分钟）采集的主轴变形标准差、传动箱噪声、打孔头完整度以及冷却管道压力波动幅值后，将主轴变形标准差、传动箱噪声、打孔头完整度以及冷却管道压力波动幅值代入故障系数计算公式中，获取故障系数；若故障系数≥故障阈值，数据分析模块分析打孔机床未来使用不会发生故障；若故障系数＜故障阈值，数据分析模块分析打孔机床未来使用会发生故障。
25.本技术通过将主轴变形标准差、传动箱噪声、打孔头完整度以及冷却管道压力波动幅值去除量纲后，取其数值进行综合计算，获取故障系数，多源数据综合分析，有效提高对数据的分析效率，且分析更为全面，并将获取的故障系数与故障阈值进行对比，来判断打孔机床未来使用是否会发生故障，从而保证打孔机床的稳定运行。
26.预警模块依据数据分析模块分析结果判断是否需要发出预警信号，发出预警信号时，预警信号基于物联网发送至远程管理中心，远程管理中心接收预警信号时，依据打孔机床当前工作状态选择是否控制打孔机床停机。
27.当数据分析模块分析结果为打孔机床未来使用会发生故障，预警模块基于物联网向远程管理中心发送预警信号；远程管理中心接收预警信号时，若打孔机床处于对五金件正在进行打孔作业，则需要等待当前打孔作业完成后控制打孔机床停机；若打孔机床处于刚加工完一个五金件，则直接控制打孔机床停机；判断打孔机床是否处于加工状态，通过设置在打孔机床工作台处的工业相机获取。
28.当库存分析模块接收的分析结果为打孔机床未来使用会发生故障时，库存分析模块获取仓库日志中与打孔机床相关零部件的储备量，当储备量小于储备阈值时，向补货人员发送补货信息；库存分析模块获取仓库日志中与打孔机床相关零部件的储备量包括以下步骤：1）从仓库管理系统的日志记录中获取与打孔机床相关的零部件的信息，这些信息可以包括零部件的名称、编号、入库日期、出库日期、库存数量等；2）根据打孔机床相关的零部件的特定标识（如零部件编号、名称等），筛选出与打孔机床相关的零部件的数据。这样可以过滤掉其他不相关的零部件数据，以便后续处理；3）将筛选得到的相关零部件的数据进行聚合，按照零部件的名称或编号进行分组，计算每个零部件的总储备量；4）根据库存变动分析的结果，计算每个零部件的储备量。储备量可以通过当前库存数量减去出货量得到，即储备量=当前库存数量-出货量。
29.由于车间中不止有一台打孔机床，因此储备量=当前库存数量-出货量，出货量为
其它打孔机床需求的零部件数量。
30.当剩余零部件的储备量小于储备阈值时，则向补货人员发送补货信息，补货人员需要及时向仓库补充储备量小于储备阈值的零部件。
31.主轴变形标准差的获取逻辑为：由于数据采集模块为每30分钟采集一次打孔机床数据，因此，主轴变形标准差的计算表达式为：；式中，表示变形测量值的平均值，表示第i个变形测量值，n为不同时间点的变形测量值数量，主轴变形标准差越大，表示变形测量值的离散程度越大，主轴的变形越不稳定，主轴变形测量值通过设置在主轴处的激光干涉仪在线测量；传动箱噪声通过设置在传动箱处的分贝计实时获取，传动箱噪声越大，表明传动箱内部的机械磨损越严重；打孔头完整度的计算表达式为：；式中，为实时腐蚀深度，为初始几何尺寸，实时腐蚀深度是指通过在线监测或传感器获取到的当前腐蚀深度数据，初始几何尺寸是指打孔头的初始几何尺寸或预设的参考尺寸，打孔头完整度越大，表明打孔头的使用寿命越长。
32.冷却管道压力波动幅值的获取逻辑为：将冷却管道稳定压力范围标记为，实时获取的冷却管道压力标记为，若＜，冷却管道压力波动幅值，若＞，冷却管道压力波动幅值，冷却管道压力波动幅值越大，表明实时获取的冷却管道压力与冷却管道稳定压力范围距离越远，冷却系统越容易出现故障。
33.实施例3：本实施例所述基于人工智能的生产制造管理方法，所述管理方法包括以下步骤：在打孔机床运行过程中，采集端定时采集打孔机床的多源数据，将多源数据预处理，处理端获取预处理后的多源数据，将多源数据代入智能预测模型，分析打孔机床未来使用是否会发生故障，并依据分析结果判断是否需要发出预警信号，发出预警信号时，预警信号基于物联网发送至远程管理中心，远程管理中心接收预警信号时，依据打孔机床当前工作状态选择是否控制打孔机床停机，当分析结果为打孔机床未来使用会发生故障时，获取仓库日志中与打孔机床相关零部件的储备量，当储备量小于储备阈值时，向补货人员发送补货信息。
34.上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。
35.上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机
指令或计算机程序时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质。半导体介质可以是固态硬盘。
36.应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况，其中a,b可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。
37.本技术中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
38.应理解，在本技术的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
39.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
40.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
41.在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
42.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
43.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
44.所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
45.以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。

技术特征：
1.基于人工智能的生产制造管理系统，其特征在于：包括数据采集模块、数据分析模块、预警模块以及库存分析模块；数据采集模块：在打孔机床运行过程中，定时采集打孔机床的多源数据，并对多源数据进行预处理；数据分析模块：获取多源数据后，将多源数据代入智能预测模型，分析打孔机床未来使用是否会发生故障；预警模块：依据数据分析模块分析结果判断是否需要发出预警信号，发出预警信号时，预警信号基于物联网发送至远程管理中心；库存分析模块：当接收的分析结果为打孔机床未来使用会发生故障时，获取仓库日志中与打孔机床相关零部件的储备量，当储备量小于储备阈值时，向补货人员发送补货信息。2.根据权利要求1所述的基于人工智能的生产制造管理系统，其特征在于：所述数据采集模块在打孔机床运行过程中，定时采集打孔机床的多源数据，数据采集模块采集的多源数据包括主轴变形标准差、传动箱噪声、打孔头完整度以及冷却管道压力波动幅值。3.根据权利要求2所述的基于人工智能的生产制造管理系统，其特征在于：所述智能预测模型的建立包括以下步骤：将主轴变形标准差、传动箱噪声、打孔头完整度以及冷却管道压力波动幅值去除量纲后，取其数值进行综合计算，获取故障系数，计算表达式为：；式中，为主轴变形标准差，为传动箱噪声，为打孔头完整度，为冷却管道压力波动幅值，、、、分别为主轴变形标准差、传动箱噪声、打孔头完整度以及冷却管道压力波动幅值的比例系数，且、、、均大于0；获取故障系数后，将故障系数与故障阈值进行对比，完成智能预测模型的建立。4.根据权利要求3所述的基于人工智能的生产制造管理系统，其特征在于：所述数据分析模块获取数据采集模块定时采集的主轴变形标准差、传动箱噪声、打孔头完整度以及冷却管道压力波动幅值后，将主轴变形标准差、传动箱噪声、打孔头完整度以及冷却管道压力波动幅值代入故障系数计算公式中，获取故障系数。5.根据权利要求4所述的基于人工智能的生产制造管理系统，其特征在于：若所述故障系数≥故障阈值，数据分析模块分析打孔机床未来使用不会发生故障；若所述故障系数＜故障阈值，数据分析模块分析打孔机床未来使用会发生故障。6.根据权利要求5所述的基于人工智能的生产制造管理系统，其特征在于：所述数据分析模块分析结果为打孔机床未来使用会发生故障，所述预警模块基于物联网向远程管理中心发送预警信号；远程管理中心接收预警信号时，若打孔机床处于对五金件正在进行打孔作业，则需要
等待当前打孔作业完成后控制打孔机床停机；若打孔机床处于刚加工完一个五金件，则直接控制打孔机床停机；判断打孔机床是否处于加工状态，通过设置在打孔机床工作台处的工业相机获取。7.根据权利要求6所述的基于人工智能的生产制造管理系统，其特征在于：所述主轴变形标准差的获取逻辑为：数据采集模块为每30分钟采集一次打孔机床数据，主轴变形标准差的计算表达式为：；式中，表示变形测量值的平均值，表示第i个变形测量值，n为不同时间点的变形测量值数量。8.根据权利要求7所述的基于人工智能的生产制造管理系统，其特征在于：所述打孔头完整度的计算表达式为：；式中，为实时腐蚀深度，为初始几何尺寸，实时腐蚀深度是指通过在线监测或传感器获取到的当前腐蚀深度数据，初始几何尺寸是指打孔头的初始几何尺寸或预设的参考尺寸。9.根据权利要求8所述的基于人工智能的生产制造管理系统，其特征在于：所述冷却管道压力波动幅值的获取逻辑为：将冷却管道稳定压力范围标记为，实时获取的冷却管道压力标记为，若＜，冷却管道压力波动幅值，若＞，冷却管道压力波动幅值。10.基于人工智能的生产制造管理方法，基于权利要求1-9任一项所述的管理系统实现，其特征在于：所述管理方法包括以下步骤：s1：在打孔机床运行过程中，采集端定时采集打孔机床的多源数据，将多源数据预处理；s2：处理端获取预处理后的多源数据，将多源数据代入智能预测模型，分析打孔机床未来使用是否会发生故障；s3：依据分析结果判断是否需要发出预警信号，发出预警信号时，预警信号基于物联网发送至远程管理中心；s4：远程管理中心接收预警信号时，依据打孔机床当前工作状态选择是否控制打孔机床停机；s5：当分析结果为打孔机床未来使用会发生故障时，获取仓库日志中与打孔机床相关零部件的储备量；s6：若储备量小于储备阈值时，处理端向补货人员发送补货信息。

技术总结
本发明公开了基于人工智能的生产制造管理系统及方法，涉及设备管理系统技术领域，通过数据分析模块获取多源数据后，将多源数据代入智能预测模型，分析打孔机床未来使用是否会发生故障，当库存分析模块接收的分析结果为打孔机床未来使用会发生故障时，库存分析模块获取仓库日志中与打孔机床相关零部件的储备量，当储备量小于储备阈值时，向补货人员发送补货信息。本发明能够在打孔机床运行过程中，对打孔机床进行故障预测处理，并结合仓库中与打孔机床相关零部件的储备量来判断是否需要提前补货，从而能够缩短打孔机床的维修时间，不仅有效提高打孔机床的工作效率，而且还降低打孔机床的维修成本。机床的维修成本。机床的维修成本。


技术研发人员：季顺延
受保护的技术使用者：天津市职业大学
技术研发日：2023.08.18
技术公布日：2023/9/16