一种汽车涂装纸盒干式喷房纸盒更换预测系统的制作方法

本发明涉及纸盒更换预测技术领域，特别是涉及一种汽车涂装纸盒干式喷房纸盒更换预测系统。

背景技术：

纸盒是汽车涂装车间纸盒干式喷房系统的主要耗材，传统更换方式关联方式少，只是通过纸盒过滤器进出口压差来判断是否需要更换，此种判断方式由于过滤单元进出口全部贯通，故其所测压差并不能真实反映单个过滤单元的进出口压降，所以不能完全通过此条件来判断过滤单元是否需要更换。如果更换频率过高，将造成大量纸盒耗材浪费，提升生产成本；如果更换频率过低，会使整个纸盒吸附漆雾能力下降，影响车身质量并影响排放要求。

技术实现要素：

本发明的目的是针对现有技术中存在的技术缺陷，而提供一种基于大数据的汽车涂装纸盒干式喷房纸盒更换预测系统，可以准确预测耗材纸盒更换时间，大大降低系统的生产成本。

为实现本发明的目的所采用的技术方案是：

一种汽车涂装纸盒干式喷房纸盒更换预测系统，包括大数据训练平台，还包括有与所述大数据训练平台通信连接的控制器，所述控制器的信号输入端与空调机组的变频器，喷漆室中、纸盒过滤系统中以及纸盒过滤系统后端所布置的参数检测组件的信号输出端连接，以采集所述空调机组的电流以及频率数据，喷漆室中的温湿度数据、油漆流量数据以及过车数量数据，纸盒过滤系统的压差数据，以及过滤后风量数据，传送到大数据训练平台；由所述大数据处理平台根据采集的参数，基于建立的预测模型对纸盒耗材是否需要更换进行预测。

其中，所述喷漆室的参数检测组件包括喷漆室的送风侧布置的温湿度传感器，出风侧布置的过车计数传感器，以及喷漆系统的油漆流量计。

其中，所述纸盒过滤系统中的参数检测组件包括设在所述纸盒过滤系统的压差传感器，以检测纸盒过滤段进出口的压差变化。

其中，所述预测模型基于dbn网络建立，通过实时采集的训练数据对模型进行训练，然后通过不断与纸盒过滤器的离线称重数据比对，对模型进行校正，反复进行训练及模拟优化模型，最终得到预测模型。

本发明将所获取纸盒系统在测试运行工作情况下的大量数据采集汇总至大数据训练平台中并离线建模，然后通过不断与离线称重数据比对，反复对数据进行训练及模拟优化模型，最终得到合理的控制模型。再将控制模型应用到实际生产控制中，通过模型的计算，对纸盒耗材的更换进行精准预测，来达到不影响正常生产的同时降低耗材的浪费节约生产成本的目的。

通过本发明可降低操作人员的经验需求，实现智能学习及精准预测的效果，相对于传统方法可以在不影响正常生产的同时降低耗材的浪费，节约生产成本的目的。

附图说明

图1是汽车涂装纸盒干式喷房纸盒更换预测系统的结构原理图；

图2是汽车涂装纸盒干式喷房纸盒更换预测系统的预测流程图。

具体实施方式

以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1-2所示，本发明的汽车涂装纸盒干式喷房纸盒更换预测系统，包括大数据训练平台，还包括有与所述的大数据训练平台通信连接的纸盒干式喷房系统控制器，所述纸盒干式喷房系统控制器的信号输入端与空调机组的变频器，喷漆室中、纸盒过滤系统中以及纸盒过滤系统后端所布置的参数检测组件的信号输出端连接，以采集所述空调机组的电流以及频率数据，喷漆室中的温湿度数据、油漆流量数据以及过车数量数据，纸盒过滤系统的压差数据，以及过滤后风量数据，传送到大数据训练平台；由所述大数据处理平台根据采集的参数，基于建立的预测模型对纸盒耗材是否需要更换进行预测。

本发明系统为了实现上述的检测参数的实时上传，与所述纸盒干式喷房系统控制器对应的连接的器件包括有可实时上传空调送风机电流及频率的变频器、用于环境监测的温湿度传感器、记录油漆流量的传感器、用于过车数量计数的传感器、记录纸盒出入口压差的传感器、用于记录过滤后风量的传感器。

需要说明的是，本发明中，所述预测模型可以是基于dbn网络建立，通过实时采集的训练数据对模型进行训练，然后通过不断与纸盒过滤器的离线称重数据比对，对模型进行校正，反复进行训练及模拟优化模型，直到预测模型输出的纸盒的重量数据与离线称重数据比对在预定的差值范围内时，停止训练，从而最终得到可用的训练好的预测模型，当然也可以采用其它模型来训练。

其中，纸盒过滤器的离线称重数据由用于数据优化的离线称重传感器对纸盒过滤器称重获得、传送到大数据训练平台，用于模型训练时的数据优化。

众所周知，汽车涂装车间纸盒干式喷房系统主要分为空调机组、喷漆室和纸盒过滤段三部分，吸收漆雾的纸盒耗材安装在干式喷房的纸盒过滤段中。

经过喷漆室的待过滤漆雾风经由纸盒过滤后，变为可循环利用的循环风，其中90％经空调机组再次送进喷漆室往复循环，10％排出处理，另外有10％新风补充。送风系统配备有变频器及变频风机，风机的运行频率和电流通过工业总线协议实时上传纸盒干式喷房控制器；喷漆流量通过modbusrtu协议发送给纸盒干式喷房控制器；过车数量通过现场过车统计传感器获得。在纸盒过滤段安装压差传感器和过滤后风量传感器。压差传感器检测纸盒过滤段进出口的压差变化，过滤后风量传感器安装在纸盒过滤段的出风口检测过滤后的风量，温湿度传感器、压差传感器和风量传感器与纸盒干式喷房控制器硬线连接。

本发明不但可以对收集到的数据进行离线训练及数据建模，也可以根据在线数据优化模型参数；所述纸盒干式喷房系统控制器可以接收训练平台的优化后预警，也可以通过自身的传统压差控制来实现纸盒耗材的更换。

其中，大数据训练平台离线部分训练使用dbn网络模型进行，在进行在线控制时，通过纸盒干式喷房控制器系统进行实时的状态反馈；在大数据平台中引入反馈校正环节，通过增加惩罚对比函数来实现对已训练模型的在线校正功能，当实际值与最终测量值的偏差超过指定范围时，对模型进行相关校正，通过不断的对比校正来使得模型输出能够准确预测，并自动记录相关的校正过程，形成相关的数据存储，方便模型后续的直接调用。

预测模型的训练：

模型的训练主要分为2个阶段：第一阶段主要是用大量的数据来对每一层的rbm网络进行训练，从而尽可能多地获取到原始数据的特征信息，这种训练一般采用无监督的形式进行。第二阶段则是属于反馈调整阶段，利用最外层的bp神经网络接收rbm输出的特征向量，并且根据误差信息，有监督的反向调节整个网络的参数。

在训练模型中，引入对比散度法(contrastivediver-gence，cd)。已知1个训练样本x0，学习速率α，最大训练周期k。具体步骤如下：

1.初始化：令可视层初始状态v⁽¹⁾＝x0，连接权值w、可视层偏置b、隐藏层偏置c为较小的随机数；

2.训练：对j＝1,2,k,n(对所有隐藏节点)计算从中采样出

对i＝1,2,k,m(对所有可视节点)计算计算从中采样出

对j＝1,2,k,n(对所有隐藏节点)计算从中采样出

采样是采用吉布斯采样；

3.参数更新

b＝b+α(v⁽¹⁾-v⁽²⁾)

4.重复2-3，直到完成k次迭代更新。

对于整个dbn网络来说，充分训练好1层rbm网络后，再以其隐藏层状态作为输入，进行下一层rbm的训练，直到完成整个网络的预训练。反馈调整阶段，通常利用bp神经网络进行有监督的训练以达到分类识别、调优的目的。

本发明将所获取纸盒系统在测试运行工作情况下的大量数据采集汇总至大数据训练平台中并离线建模，然后通过不断与离线称重数据比对，反复对数据进行训练及模拟优化模型，最终得到合理的控制模型。再将控制模型应用到实际生产控制中，通过模型的计算，对纸盒耗材的更换进行精准预测，来达到不影响正常生产的同时降低耗材的浪费节约生产成本的目的。

本发明基于大数据深度学习的涂装车间纸盒干式喷房系统，通过多点关联的测试数据来建立数据模型，通过模型的运算来得到优化的控制参数，进而来对耗材纸盒的更换时间做出预测，来达到适时更换的目的；同时，数据训练平台可根据在线运行参数，优化模型及算法，不断提高预测的准确性。

本发明的基于大数据深度学习的汽车涂装纸盒干式喷房纸盒更换预测系统，能够提供一种汽车涂装生产线关于耗材纸盒更换的预测方法，在不影响正常生产的情况下降低了耗材的浪费。

以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。