基于随机森林和层次分析法的数字孪生车间故障预测方法

技术领域

本发明涉及智能制造及电子信息技术领域，更具体地，涉及一种基于随机森林和层次分析法的数字孪生车间故障预测方法。

背景技术

数字孪生技术在越来越多的企业中得到了广泛的应用，特别是从产品销售转向产品服务捆绑销售的企业，或者作为服务销售的企业；随着企业能力和成熟度的提高，今后将有更多企业使用数字孪生技术优化流程、决定数据驱动、修订新产品、新服务和业务模式。

作为工业生产的基本单位，车间的数字化与智能化水平对工业生产的质量、安全及效率有着重要的影响。同时高速运转的大型工业设备，流动的人员，复杂的作业环境也使得车间成为企业安全事故的高发地。然而目前车间安全管理及设备健康状况管理的数字化水平仍有待提升，而目前还没有基于实时数据，能够综合考虑设备、人员、环境等多种风险因素的耦合作用的模型。

利用数字孪生技术的目的在于减少人力和物力的投入，提高工作的效率。采用人工监控存在大量的弊端，人工监控设备耗时耗力，并且非常容易出现错误的判断。利用数字孪生技术能够以数字化方式为物理对象创建虚拟模型，来模拟其在现实环境中的行为，在故障预测时实时监控设备运转的全部过程，方便对设备进行实时故障预测，提高预测的效率和准确性。

层次分析法主要是解决故障预测的问题。在故障预测时，利用层次分析法对采集的数据进行处理，层次分析法将决策问题按总目标、各层子目标、评价准则直至具体的备投方案的顺序分解为不同的层次结构，然后用求解判断矩阵特征向量的办法，其中矩阵中的元素为从设备中采集的数据，求得每一层次的各元素对上一层次某元素的优先权重，最后再加权和的方法递阶归并各备择方案对总目标的最终权重，此最终权重最大者即为最优方案，以此完成设备的故障预测。

由于层次分析法存在主观性很强的缺点，在规避这一缺点时，利用随机森林算法与层次分析法两者进行结合，构造新的预测模块，提高预测的准确性。随机森林即由多个决策树组成，每个决策树并不相同，在构建决策树时，从训练数据中有放回的随机选取一部分样本，并且也不会使用数据的全部特征，而是随机选取部分特征进行训练。每棵树使用的样本和特征都不相同，训练出的结果也不相同。由于随机森林算法的随机性，预测的主观性可以被很好的消除，这使得随机森林算法与层次分析法相结合很大程度上提高了预测的准确性。

目前的现有技术公开了一种应用于工业生产的数字孪生系统，包括：数据采集模块，所述数据采集模块包括动态数据信息单元和静态数据信息单元；模型建立模块；所述模型建立模块包括空间模型单元、特征模型单元、生产流程模型单元和模型整合单元；数字孪生模块；所述数字孪生模块包括信息提取单元和数字孪生单元；现有技术中的方法仅通过数字孪生系统对生产过程进行生产方案优化、预测和管理，未采样层次分析法，容易造成“过剩维修”，即因不必要的解体拆卸、更换零部件等；另外，现有技术中的方法设备停机维修时间较长，造成了人力物力资源的浪费；除此之外，目前的预测性维护也存在主观性强的缺点，故障预测的准确率较低，同时在面对复杂的模型故障预测时效果也较差。

发明内容

本发明为克服上述现有技术在进行故障预测时准确率低和适应力差的缺陷，提供一种基于随机森林和层次分析法的数字孪生车间故障预测方法，具有准确率高、训练速度快和适应力强等优点，能够更好地适用于车间故障预测。

为解决上述技术问题，本发明的技术方案如下：

一种基于随机森林和层次分析法的数字孪生车间故障预测方法，包括以下步骤：

S1：获取生产车间的生产要素数据和实时生产数据；

S2：根据所述生产车间的生产要素数据构建生产车间的数字孪生模型；

S3：利用生产车间的数字孪生模型，对所述实时生产数据进行数字孪生处理，获得生产车间的数字孪生数据；

S4：将生产车间的数字孪生数据输入构建的预测性维护层次结构模型，利用随机森林算法获得预测性维护层次判断矩阵，求解预测性维护层次判断矩阵，获得判断矩阵特征向量；

S5：利用判断矩阵特征向量对生产车间进行故障预测，获得生产车间的故障预测结果；

S6：根据所述生产车间的故障预测结果对生产车间的生产活动进行控制管理。

优选地，所述步骤S1中，生产车间的生产要素数据包括：设备实体要素数据和信息要素数据；

所述设备实体要素数据包括：生产车间中各设备的几何尺寸、物理机制、行为特性、位置信息和生产车间中各设备间的交互关系；

所述信息要素数据包括：生产车间中各设备和人员状态的信息、任务订单加工信息和调度决策信息。

优选地，所述步骤S5之后还包括：

预测性维护层次结构模型将生产车间的故障预测结果上传到数据库，生产车间的数字孪生模型与数据库进行交互，获取故障预测结果并对所预测的故障位置信息进行显示。

优选地，所述步骤S4中，构建的预测性维护层次结构模型具体为：

所述预测性维护层次结构模型包括目标层、准则层和措施层；

所述目标层表示目标设备预测性维护，记为A；

所述准则层包括若干个准则层元素，记为B

所述措施层包括若干个措施层元素，记为C

优选地，所述步骤S4中，利用随机森林算法获得预测性维护层次判断矩阵的具体方法为：

所述随机森林算法包括若干棵决策树；

将生产车间的数字孪生数据作为原始数据集；

S4.1.1：对原始数据集多次进行有放回的随机抽样，获取若干个子数据集，每个所述子数据集的元素数量与原始数据集的元素数量保持一致；

S4.1.2：针对每个子数据集，从所有预设的特征中随机选取若干个特征，每个特征作为一棵决策树的输入特征，获得若干棵决策树；

S4.1.3：将信息增益值大的决策树设置在信息增益值小的决策树顶部，组成随机森林；

S4.1.4：根据所述随机森林的输出结果获得预测性维护层次判断矩阵。

优选地，所述步骤S4.1.4中的预测性维护层次判断矩阵具体为：

对于每个准则层元素，均有预测性维护层次判断矩阵，第k准则层元素对应的预测性维护层次判断矩阵为：

其中，C

根据随机森林的输出结果获取不同的C

优选地，所述步骤S4中，求解预测性维护层次判断矩阵，获得判断矩阵特征向量的具体方法为：

求解第k准则层元素对应的预测性维护层次判断矩阵的方法为：

S4.2.1：对第k准则层元素对应的预测性维护层次判断矩阵中的每个元素取平方，得到新的判断矩阵C

其中，i和j满足1≤i≤n,1≤j≤n；

S4.2.2：计算新的判断矩阵C

其中，sum

S4.2.3：计算新的判断矩阵C

其中，sum表示新的判断矩阵C

S4.2.4：计算新的判断矩阵C

其中，W

S4.2.5：更新生产车间的数字孪生数据，再次执行步骤S4.2.1-S4.2.4，获得新一轮次的新的判断矩阵C

其中，T表示连续两次得到的归一化向量的误差值。

S4.2.6：将连续两次得到的归一化向量的误差值T与预设阈值进行比较；若误差值T小于预设阈值，将此时的归一化向量作为第k准则层元素的判断矩阵特征向量，记为

优选地，所述步骤S5中，利用判断矩阵特征向量对生产车间进行故障预测，获得生产车间的故障预测结果，具体方法为：

S5.1：求解每个准则层元素对应的预测性维护层次判断矩阵，获得措施层相对于每个准则层元素的判断矩阵特征向量，记为

S5.2：获取准则层相对于目标层的预测性维护层次判断矩阵并求解，获取准则层相对于目标层的判断矩阵特征向量，记为W

S5.3：根据获得的判断矩阵特征向量，获得预测性维护最终优先级排序，将预测性维护最终优先级排序作为生产车间的故障预测结果。

优选地，所述步骤S5.2中，准则层相对于目标层的预测性维护层次判断矩阵具体为：

其中，B

优选地，所述步骤S5.3中，根据获得的判断矩阵特征向量获得预测性维护最终优先级排序，具体方法为：

根据以下公式获得措施层相对目标层的特征向量：

其中，W

根据措施层相对目标层的特征向量W

与现有技术相比，本发明技术方案的有益效果是：

本发明提供一种基于随机森林和层次分析法的数字孪生车间故障预测方法，该方法通过获取生产车间的生产要素数据和实时生产数据，根据获得的生产要素数据构建生产车间的数字孪生模型，利用生产车间的数字孪生模型，对实时生产数据进行数字孪生处理，获得生产车间的数字孪生数据，之后将生产车间的数字孪生数据输入构建的预测性维护层次结构模型，利用随机森林算法获得预测性维护层次判断矩阵，求解预测性维护层次判断矩阵，获得判断矩阵特征向量，利用判断矩阵特征向量对生产车间进行故障预测，获得生产车间的故障预测结果，最后根据所述生产车间的故障预测结果对生产车间的生产活动进行控制管理；

该方法在可视化和实时性的数字孪生技术的加持下，不仅能实时对车间设备的运行情况进行实时观测，还能在发生故障时，直接观测出故障发生的位置，节省维护人员的设备故障检索的时间成本，便于维护，同时也降低维护人员的工作难度；除此之外，引入随机森林算法与层次分析法结合进行生产车间故障预测，能够得到客观有效的判断矩阵，使预测结果更加具有信服力，该方法具有准确率高、训练速度快和适应力强的优点。

附图说明

图1为实施例1所提供的一种基于随机森林和层次分析法的数字孪生车间故障预测方法流程图。

图2为实施例2所提供的利用随机森林和层次分析法获取预测结果的流程图。

图3为实施例2所提供的机床温度决策树示意图。

图4为实施例2所提供的刀具磨损情况决策树示意图。

图5为实施例2所提供的随机森林示意图。

图6为实施例3所提供的一种基于随机森林和层次分析法的数字孪生车间故障预测系统结构图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

如图1所示，本实施例提供一种基于随机森林和层次分析法的数字孪生车间故障预测方法，包括以下步骤：

S1：获取生产车间的生产要素数据和实时生产数据；

S2：根据所述生产车间的生产要素数据构建生产车间的数字孪生模型；

S3：利用生产车间的数字孪生模型，对所述实时生产数据进行数字孪生处理，获得生产车间的数字孪生数据；

S4：将生产车间的数字孪生数据输入构建的预测性维护层次结构模型，利用随机森林算法获得预测性维护层次判断矩阵，求解预测性维护层次判断矩阵，获得判断矩阵特征向量；

S5：利用判断矩阵特征向量对生产车间进行故障预测，获得生产车间的故障预测结果；

S6：根据所述生产车间的故障预测结果对生产车间的生产活动进行控制管理。

在具体实施过程中，首先获取生产车间的生产要素数据和实时生产数据，根据获得的生产要素数据构建生产车间的数字孪生模型，利用生产车间的数字孪生模型，对实时生产数据进行数字孪生处理，获得生产车间的数字孪生数据，之后将生产车间的数字孪生数据输入构建的预测性维护层次结构模型，利用随机森林算法获得预测性维护层次判断矩阵，求解预测性维护层次判断矩阵，获得判断矩阵特征向量，利用判断矩阵特征向量对生产车间进行故障预测，获得生产车间的故障预测结果，最后根据所述生产车间的故障预测结果对生产车间的生产活动进行控制管理；

该方法在可视化和实时性的数字孪生技术的加持下，不仅能实时对车间设备的运行情况进行实时观测，还能在发生故障时，直接观测出故障发生的位置，节省维护人员的设备故障检索的时间成本，便于维护，同时也降低维护人员的工作难度；除此之外，引入随机森林算法与层次分析法结合进行生产车间故障预测，能够得到客观有效的判断矩阵，使预测结果更加具有信服力，该方法具有准确率高、训练速度快和适应力强的优点。

实施例2

本实施例提供一种基于随机森林和层次分析法的数字孪生车间故障预测方法，包括以下步骤：

S1：获取生产车间的生产要素数据和实时生产数据；

S2：根据所述生产车间的生产要素数据构建生产车间的数字孪生模型；

S3：利用生产车间的数字孪生模型，对所述实时生产数据进行数字孪生处理，获得生产车间的数字孪生数据；

S4：如图2所示，将生产车间的数字孪生数据输入构建的预测性维护层次结构模型，利用随机森林算法获得预测性维护层次判断矩阵，求解预测性维护层次判断矩阵，获得判断矩阵特征向量；

S5：利用判断矩阵特征向量对生产车间进行故障预测，获得生产车间的故障预测结果，预测性维护层次结构模型将生产车间的故障预测结果上传到数据库，生产车间的数字孪生模型与数据库进行交互，获取故障预测结果并对所预测的故障位置信息进行显示；

S6：根据所述生产车间的故障预测结果对生产车间的生产活动进行控制管理。

所述步骤S1中，生产车间的生产要素数据包括：设备实体要素数据和信息要素数据；

所述设备实体要素数据包括：生产车间中各设备的几何尺寸、物理机制、行为特性、位置信息和生产车间中各设备间的交互关系；

所述信息要素数据包括：生产车间中各设备和人员状态的信息、任务订单加工信息和调度决策信息。

所述步骤S4中，构建的预测性维护层次结构模型具体为：

所述预测性维护层次结构模型包括目标层、准则层和措施层；

所述目标层表示目标设备预测性维护，记为A；

所述准则层包括若干个准则层元素，记为B

所述措施层包括若干个措施层元素，记为C

所述步骤S4中，利用随机森林算法获得预测性维护层次判断矩阵的具体方法为：

所述随机森林算法包括若干棵决策树；

将生产车间的数字孪生数据作为原始数据集；

S4.1.1：对原始数据集多次进行有放回的随机抽样，获取若干个子数据集，每个所述子数据集的元素数量与原始数据集的元素数量保持一致；

S4.1.2：针对每个子数据集，从所有预设的特征中随机选取若干个特征，每个特征作为一棵决策树的输入特征，获得若干棵决策树；

S4.1.3：将信息增益值大的决策树设置在信息增益值小的决策树顶部，组成随机森林；

S4.1.4：根据所述随机森林的输出结果获得预测性维护层次判断矩阵。

所述步骤S4.1.4中的预测性维护层次判断矩阵具体为：

对于每个准则层元素，均有预测性维护层次判断矩阵，第k准则层元素对应的预测性维护层次判断矩阵为：

其中，C

根据随机森林的输出结果获取不同的C

所述步骤S4中，求解预测性维护层次判断矩阵，获得判断矩阵特征向量的具体方法为：

求解第k准则层元素对应的预测性维护层次判断矩阵的方法为：

S4.2.1：对第k准则层元素对应的预测性维护层次判断矩阵中的每个元素取平方，得到新的判断矩阵C

其中，i和j满足1≤i≤n,1≤j≤n；

S4.2.2：计算新的判断矩阵C

其中，sum

S4.2.3：计算新的判断矩阵C

其中，sum表示新的判断矩阵C

S4.2.4：计算新的判断矩阵C

其中，W

S4.2.5：更新生产车间的数字孪生数据，再次执行步骤S4.2.1-S4.2.4，获得新一轮次的新的判断矩阵C

其中，T表示连续两次得到的归一化向量的误差值。

S4.2.6：将连续两次得到的归一化向量的误差值T与预设阈值进行比较；若误差值T小于预设阈值，将此时的归一化向量作为第k准则层元素的判断矩阵特征向量，记为

所述步骤S5中，利用判断矩阵特征向量对生产车间进行故障预测，获得生产车间的故障预测结果，具体方法为：

S5.1：求解每个准则层元素对应的预测性维护层次判断矩阵，获得措施层相对于每个准则层元素的判断矩阵特征向量，记为

S5.2：获取准则层相对于目标层的预测性维护层次判断矩阵并求解，获取准则层相对于目标层的判断矩阵特征向量，记为W

S5.3：根据获得的判断矩阵特征向量，获得预测性维护最终优先级排序，将预测性维护最终优先级排序作为生产车间的故障预测结果。

所述步骤S5.2中，准则层相对于目标层的预测性维护层次判断矩阵具体为：

其中，B

所述步骤S5.3中，根据获得的判断矩阵特征向量获得预测性维护最终优先级排序，具体方法为：

根据以下公式获得措施层相对目标层的特征向量：

其中，W

根据措施层相对目标层的特征向量W

在具体实施过程中，本实施例以生产车间中的数控机床为例来说明具体的实施过程；

首先获取数控机床的生产要素数据和实时生产数据，数控机床的生产要素数据包括：机床实体要素数据和机床信息要素数据；机床实体要素数据包括：机床的几何尺寸、物理机制、行为特性、位置信息和机床间的交互关系等参数信息；机床的信息要素数据包括机床的状态信息和机床任务决策调度信息；

根据数控机床的生产要素数据构建数控机床的数字孪生模型；

之后利用数控机床的数字孪生模型，对数控机床的实时生产数据进行数字孪生处理，获得数控机床的数字孪生数据，数控机床的数字孪生数据包括机床温度和刀具磨损情况；

将生产车间的数控机床数字孪生数据输入构建的预测性维护层次结构模型，在本实施例中，预测性维护层次结构模型具体为：

所述预测性维护层次结构模型包括目标层、准则层和措施层；

所述目标层表示目标设备预测性维护，记为A；

所述准则层包括若干个准则层元素，记为B

在本实施例中，准则层包括4个准则层元素，其中，第一准则层元素B

所述措施层包括若干个措施层元素，记为C

在本实施例中，措施层包括5个准则层元素，其中，第一措施层元素C

利用随机森林算法获得预测性维护层次判断矩阵，具体方法为：

所述随机森林算法包括若干棵决策树；

将生产车间的数控机床的数字孪生数据作为原始数据集；

S4.1.1：对原始数据集多次进行有放回的随机抽样，获取若干个子数据集，每个所述子数据集的元素数量与原始数据集的元素数量保持一致；

S4.1.2：针对每个子数据集，从所有预设的特征中随机选取若干个特征，每个特征作为一棵决策树的输入特征，获得若干棵决策树；

在本实施例中，机床温度的预设的特征包括温度异常和温度正常，刀具磨损情况的预设的特征包括刀具正常、刀具轻微磨损和刀具过度磨损；

如图3和图4所示，分别为机床温度决策树和刀具磨损情况决策树；

S4.1.3：如图5所示，将信息增益值大的决策树设置在信息增益值小的决策树顶部，组成随机森林，在本实施例中，机床温度的信息增益值为0，刀具磨损情况的信息增益值为0.92；

S4.1.4：根据所述随机森林的输出结果获得预测性维护层次判断矩阵，具体为：

对于每个准则层元素，均有预测性维护层次判断矩阵，第k准则层元素对应的预测性维护层次判断矩阵为：

其中，C

C

根据随机森林的输出结果获取不同的C

求解预测性维护层次判断矩阵，获得判断矩阵特征向量，具体方法为：

求解第k准则层元素对应的预测性维护层次判断矩阵的方法为：

S4.2.1：对第k准则层元素对应的预测性维护层次判断矩阵中的每个元素取平方，得到新的判断矩阵C

其中，i和j满足1≤i≤5,1≤j≤5；

S4.2.2：计算新的判断矩阵C

其中，sum

S4.2.3：计算新的判断矩阵C

其中，sum表示新的判断矩阵C

S4.2.4：计算新的判断矩阵C

其中，W

S4.2.5：更新生产车间的数字孪生数据，再次执行步骤S4.2.1-S4.2.4，获得新一轮次的新的判断矩阵C

其中，T表示连续两次得到的归一化向量的误差值。

S4.2.6：将连续两次得到的归一化向量的误差值T与预设阈值进行比较；若误差值T小于预设阈值，将此时的归一化向量作为第k准则层元素的判断矩阵特征向量，记为

利用判断矩阵特征向量对生产车间进行故障预测，获得生产车间的故障预测结果，具体方法为：

S5.1：求解每个准则层元素对应的预测性维护层次判断矩阵，获得措施层相对于每个准则层元素的判断矩阵特征向量，记为

S5.2：获取准则层相对于目标层的预测性维护层次判断矩阵，具体为：

其中，B

求解准则层相对于目标层的预测性维护层次判断矩阵，获取准则层相对于目标层的判断矩阵特征向量，记为W

S5.3：根据获得的判断矩阵特征向量，获得预测性维护最终优先级排序，具体为：

根据以下公式获得措施层相对目标层的特征向量：

其中，W

根据措施层相对目标层的特征向量W

将预测性维护最终优先级排序作为生产车间的故障预测结果；

最后预测性维护层次结构模型将生产车间的故障预测结果上传到数据库，生产车间的数字孪生模型与数据库进行交互，获取故障预测结果并对所预测的故障位置信息进行显示；

根据所述生产车间的故障预测结果对生产车间的生产活动进行控制管理；

该方法在可视化和实时性的数字孪生技术的加持下，不仅能实时对车间设备的运行情况进行实时观测，还能在发生故障时，直接观测出故障发生的位置，节省维护人员的设备故障检索的时间成本，便于维护，同时也降低维护人员的工作难度；除此之外，引入随机森林算法与层次分析法结合进行生产车间故障预测，能够得到客观有效的判断矩阵，使预测结果更加具有信服力，该方法具有准确率高、训练速度快和适应力强的优点。

实施例3

如图6所示，本实施例提供一种基于随机森林和层次分析法的数字孪生车间故障预测系统，包括：

数据采集单元301：用来获取生产车间的生产要素数据和实时生产数据；

数字孪生模型构建单元302：用来根据所述生产车间的生产要素数据构建生产车间的数字孪生模型；

数字孪生数据获取单元303：利用生产车间的数字孪生模型，对所述实时生产数据进行数字孪生处理，获得生产车间的数字孪生数据；

判断矩阵计算单元304：用于将生产车间的数字孪生数据输入构建的预测性维护层次结构模型，利用随机森林算法获得预测性维护层次判断矩阵，求解预测性维护层次判断矩阵，获得判断矩阵特征向量；

故障预测单元305：用于利用判断矩阵特征向量对生产车间进行故障预测，获得生产车间的故障预测结果；

预测结果输出单元306：用于根据所述生产车间的故障预测结果对生产车间的生产活动进行控制管理。

在具体实施过程中，首先数据采集单元301获取生产车间的生产要素数据和实时生产数据，数字孪生模型构建单元302根据获得的生产要素数据构建生产车间的数字孪生模型，数字孪生数据获取单元303利用生产车间的数字孪生模型，对实时生产数据进行数字孪生处理，获得生产车间的数字孪生数据，之后判断矩阵计算单元304将生产车间的数字孪生数据输入构建的预测性维护层次结构模型，利用随机森林算法获得预测性维护层次判断矩阵，求解预测性维护层次判断矩阵，获得判断矩阵特征向量，故障预测单元305利用判断矩阵特征向量对生产车间进行故障预测，获得生产车间的故障预测结果，最后预测结果输出单元306根据所述生产车间的故障预测结果对生产车间的生产活动进行控制管理；

该系统在可视化和实时性的数字孪生技术的加持下，不仅能实时对车间设备的运行情况进行实时观测，还能在发生故障时，直接观测出故障发生的位置，节省维护人员的设备故障检索的时间成本，便于维护，同时也降低维护人员的工作难度；除此之外，引入随机森林算法与层次分析法结合进行生产车间故障预测，能够得到客观有效的判断矩阵，使预测结果更加具有信服力，该系统具有准确率高、训练速度快和适应力强的优点。

相同或相似的标号对应相同或相似的部件；

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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，均应包含在本发明权利要求的保护范围之内。