本发明涉及一种生产线备件损坏率预测系统，特别涉及一种基于LR的生产线备件损坏率预测系统，属于机械生产技术领域。
背景技术：
产线备件更换：对于产线的高价值零部件，如何确定其订货量和订货时间，这是困扰企业的一个难题。由于生产线的设备复杂性、零件故障的随机性、备件消耗的特殊性和多样性，备件的需求和损耗难以预测。采用传统的定期更换无法更好的解决这个问题。因此需要采用算法来预测设备的损耗程度，做到精细化管理和更换。
LR：全称为logistic regressive，模型都具有 w‘x+b，其中w和b是待求参数，其区别在于他们的因变量不同，多重线性回归直接将w‘x+b作为因变量，即y =w‘x+b，而logistic回归则通过函数L将w‘x+b对应一个隐状态p，p =L(w‘x+b),然后根据p 与1-p的大小决定因变量的值。备件的损耗和生产环境以及使用周期都有明显的关系，因此我们可以通过采集环境数据预测备件的损耗率，做到提前更换。其中，x为输入变量，包括零件的使用周期、历史电压、电流、气压等数据，y为当前的损耗率。
现有的产线备件替换都是定期全面检查更新出现问题的备件，以及出现故障时临时替换。当前定期更换备件以及出现故障时，没有此类备件库存，需要临时进行采购，周期拉长。进而导致无法保证生产线正常运行，订货时间和订货量无法精准预测，当前损耗情况难以预测。
技术实现要素：
本发明要解决的技术问题是克服现有技术的缺陷，提供一种基于LR的生产线备件损坏率预测系统。
为了解决上述技术问题，本发明提供了如下的技术方案：
本发明提供了一种基于LR的生产线备件损坏率预测系统，具体流程如下：
1）通过传感器收集设备最的运行记录，每小时的电流，电压平均值，以及运行时长等数据；
2）人工获取备件的从安装到替换的时间；
3）通过LR训练，得到模型；
4）通过模型预测对应类别备件的当前损耗率；
5）损耗率大于一定的值需要提前订货并且替换。
作为本发明的一种优选技术方案，LR训练模型为：
输入：
x：设备的运行数据，包括电流、电压、运行时长等，
y：设备的状态数据，0表示正常，1表示故障，
目标：
得到模型w，预测值函数为sigmoid函数，具体如下：
z=w*x
使得模型预测值和真实值最接近，损失函数为
通过梯度下降，得到w和b的更新方法：
Y表示真实值，Φ(z)表示模型的预测值，x为输入。
作为本发明的一种优选技术方案，LR预测流程为：
得到预测数据的运行数据后，通过
可以得到当前的损耗值，大于某个阈值就需要订货替换。
本发明所达到的有益效果是：本技术方案实现了一种LR的生产线备件损耗率预测系统，通过收集备件的运行数据，可以得到备件的损耗率，从而提前订货，及时更换备件，保证生产线正常运转从而提升企业的生产效率。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明的结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1
如图1所示，本发明提供了一种基于LR的生产线备件损坏率预测系统，具体流程如下：
1）通过传感器收集设备最的运行记录，每小时的电流，电压平均值，以及运行时长等数据；
2）人工获取备件的从安装到替换的时间；
3）通过LR训练，得到模型；
4）通过模型预测对应类别备件的当前损耗率；
5）损耗率大于一定的值需要提前订货并且替换。
LR训练模型为：
输入：
x：设备的运行数据，包括电流、电压、运行时长等，
y：设备的状态数据，0表示正常，1表示故障，
目标：
得到模型w，预测值函数为sigmoid函数，具体如下：
z=w*x
使得模型预测值和真实值最接近，损失函数为
通过梯度下降，得到w和b的更新方法：
Y表示真实值，Φ(z)表示模型的预测值，x为输入。
LR预测流程为：
得到预测数据的运行数据后，通过
可以得到当前的损耗值，大于某个阈值就需要订货替换。
本发明所达到的有益效果是：本技术方案实现了一种LR的生产线备件损耗率预测系统，通过收集备件的运行数据，可以得到备件的损耗率，从而提前订货，及时更换备件，保证生产线正常运转从而提升企业的生产效率。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。