[发明专利]一种基于FFM模型的车间设备综合效率预测方法及系统

说明书

本发明提出一种基于FFM模型的车间设备综合效率预测方法及系统，涉及智能化车间生产的技术领域，首先实时采集车间生产设备的运行数据与生产管理系统MES中的数据，然后进行预处理和标注，引入FFM神经网络模型，利用标注数据集训练FFM神经网络模型，得到训练好的车间设备生产质量预测模型，最后实时采集车间设备运行数据等，将训练好的车间设备生产质量预测模型用于产品合格率预测，基于产品合格率预测结果，求解车间设备综合效率，突破了人工运算良品率和设备综合效率的人为误差和统计滞后性的局限性，实时发现与定位异常的生产设备，及时优化生产，可实现实时并且较准确地计算生产车间的设备综合效率，为后续人工智能算法在生产车间的工程应用提供了新思路。

技术领域

本发明涉及智能化车间生产的技术领域，更具体地，涉及一种基于FFM模型的车间设备综合效率预测方法及系统。

背景技术

随着国际竞争日益激烈，生产制造车间更多地关注产能与设备效率，以期通过降低停机时间、减少无效浪费、实现产能提升，从而摊薄成本，增加企业竞争力。全局设备效率(Overall Equipment Effectiveness，OEE)是识别和消除生产过程损失的强大手段，由时间稼动率，性能稼动率和良品率组成。基于时间稼动率、性能稼动率和良品率，OEE捕捉每天产能波动，追踪特定时间段内设备效率，旨在减少设备停机时间和提高车间生产效率。

然而，部分OEE采用人工统计的方法，人为失误率高，且人工成本巨大，而且数据处理多为生产结束后线下事后进行，具有一定滞后性，实时性差。现有技术中公开了一种融合制造设备退化信息的生产合格率预测方法，通过搜集设备特征参数信息和产品合格率信息，构建信息融合模型实现预测产品合格率。但该方法预测产品品类单一，对于不同设备、不同生产产品需构建不同的模型参数，由于不同车间、产线所生产的产品不同、设备参数以及工序不同，对特定一台设备或工序进行模型训练所得到的网络模型并不能准确计算车间不同设备与工序的设备综合效率，其次并未考虑各个离散参数之间的交叉特征，预测结果存在一定机械性与不确定性。

FFM模型即特征域感知因子分解机(Field-aware Factorization Machines，FFM)模型，该模型通过引入field的概念，把相同性质的特征归于同一个field，假设样本的n个特征属于f个field，那么FFM模型的二次项有nf个隐向量，FFM模型主要用于预估CTR/CVR转化率，凭借其在数据量比较大并且特征稀疏的情况下，仍然能够得到优秀的性能和效果的特性。

发明内容

为解决当前生产车间设备综合效率统计存在滞后性及人工统计误差的问题，本文提供了一种基于FFM的车间设备综合效率预测方法及系统，该方法及系统可以实现实时并且较准确地计算生产车间的设备综合效率，为后续人工智能算法在生产车间的工程应用提供了新思路。

为了达到上述技术效果，本发明的技术方案如下：

一种基于FFM模型的车间设备综合效率预测方法，所述方法包括以下步骤：

S1.实时采集生产设备运行数据，确定生产管理系统MES中的生产数据；

S2.对生产设备运行数据与生产管理系统MES中的生产数据进行预处理，得到集成数据向量；

S3.根据生产管理系统MES中历史质量数据来标注集成数据向量，得到标注数据集；

S4.引入FFM神经网络模型，利用标注数据集训练FFM神经网络模型，得到训练好的车间设备生产质量预测模型；

S5.按步骤S1～S2采集实时场景的生产设备运行数据与生产管理系统MES中的生产数据并预处理，得到集成数据向量，将该集成数据向量作为车间设备生产质量预测模型的输入，进行产品合格率预测；

S6.根据产品合格率预测结果，求解车间设备综合效率。