申请/专利权人：重庆大学;重庆工业大数据创新中心有限公司

申请日：2020-10-20

公开（公告）日：2022-04-01

公开（公告）号：CN112309000B

主分类号：G07C3/00(20060101)

分类号：G07C3/00(20060101);G07C3/08(20060101);G06N3/04(20060101);G06N3/08(20060101)

优先权：

专利状态码：有效-授权

法律状态：2022.04.01#授权;2021.02.23#实质审查的生效;2021.02.02#公开

摘要：本发明公开了一种云平台的机床稼动率监测系统，包括云平台制造大数据库模块、云平台数据实时提取模块、功率数据特征提取模块、机床运行状态识别模块、设备稼动率计算模块；云平台制造大数据库模块存储有机床设备原始总功率数据和机床设备生产数据；云平台数据实时提取模块对提取的机床设备原始总功率数据进行预处理；功率数据特征提取模块从云平台数据实时提取模块提取预处理机床设备总功率数据和机床设备生产数据；机床运行状态识别模块将功率数据特征提取模块获得的模型权重导入至卷积神经网络，建立一维CNN识别模型；设备稼动率计算模块计算出设备稼动率；本解决了传统的机床设备稼动率计算不具备通用性、普遍适用性的问题。

主权项：1.一种云平台的机床稼动率监测系统，其特征在于：包括云平台制造大数据库模块、云平台数据实时提取模块、功率数据特征提取模块、机床运行状态识别模块、设备稼动率计算模块；所述云平台制造大数据库模块存储有机床设备原始总功率数据和机床设备生产数据；所述云平台数据实时提取模块从云平台制造大数据库模块中提取机床设备原始总功率数据和机床设备生产数据，并对所提取的机床设备原始总功率数据和机床设备生产数据进行记录；所述云平台数据实时提取模块对提取的机床设备原始总功率数据进行滤波，并剔除机床设备总功率数据中的异常值，得到预处理机床设备总功率数据；所述功率数据特征提取模块从云平台数据实时提取模块提取预处理机床设备总功率数据和机床设备生产数据，通过卷积神经网络结构将预处理机床设备总功率数据和机床设备生产数据直接作为一维CNN模型的输入，进行卷积训练，得到最优识别率的卷积神经网络模型结构，并获取该结构下的模型权重；所述机床运行状态识别模块将功率数据特征提取模块获得的模型权重导入至卷积神经网络，建立一维CNN识别模型；所述机床运行状态识别模块将云平台数据实时提取模块记录的机床设备原始总功率数据进行预处理，得到机床设备一维功率数据，并将机床设备一维功率数据输入一维CNN识别模型进行识别，统计出机床设备启动时间Ts、机床设备空载时间Tn、机床设备加工时间Tr；所述设备稼动率计算模块提取机床运行状态识别模块统计出机床设备启动时间Ts、机床设备空载时间Tn、机床设备加工时间Tr，并提取云平台数据实时提取模块记录的机床设备生产数据和机床设备原始总功率数据；所述设备稼动率计算模块搭载有稼动率计算模型、实际加工时间计算模型、负荷时间计算模型和总加工产品数量计算模型；所述稼动率计算模型定义机床稼动率指标，定义时间稼动率ET，性能稼动率EP，产品合格率为Q；具体定义如下： 式1至式3中，TR为实际加工时间，TP为负荷时间，CT为理论加工周期，N为总加工产品数量，n为加工产品合格数量；所述实际加工时间计算模型计算实际加工时间TR，TR＝Tn+Tr+Ts；所述负荷时间计算模型定义工作总时间TZ，计划内停机时间Tt，所述负荷时间为TP＝TZ-Tt；所述总加工产品数量计算模型对机床设备原始总功率数据进行计算，得到总加工产品数量N；所述稼动率计算模型计算出时间稼动率ET、性能稼动率EP和良品率Q后，并计算出设备稼动率E，E＝ET·EP·Q。

全文数据：

权利要求：

百度查询： 重庆大学;重庆工业大数据创新中心有限公司 一种云平台的机床稼动率监测系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD