本發(fā)明屬于大語言模型，尤其涉及一種基于數(shù)字孿生神經(jīng)網(wǎng)絡的物流設備故障預測方法及系統(tǒng)。

背景技術(shù)：

1、在現(xiàn)代物流系統(tǒng)中，自動導引車(agv)作為重要的物流設備之一，廣泛應用于倉儲、制造等場景，agv的運行狀態(tài)直接影響到整個物流系統(tǒng)的效率和可靠性。然而，agv在長時間運行過程中，容易出現(xiàn)各種故障，如電池電量不足、電機過熱、導航系統(tǒng)異常等，這些故障如果不能及時發(fā)現(xiàn)和處理，將導致設備停機、物流系統(tǒng)中斷，甚至引發(fā)安全事故。

2、現(xiàn)有技術(shù)中，agv故障預測和維護主要依賴于定期檢查和被動維修，定期檢查和被動維修難以準確預測設備的故障時間和類型，容易導致未能及時發(fā)現(xiàn)故障，影響設備的正常運行，此外，agv故障預測方法多依賴于單一的數(shù)據(jù)來源，無法全面準確地反映設備的運行狀態(tài)，難以實現(xiàn)高效的故障預測與維護。

技術(shù)實現(xiàn)思路

1、本申請的目的在于提供一種基于數(shù)字孿生神經(jīng)網(wǎng)絡的物流設備故障預測方法及系統(tǒng)，通過數(shù)字孿生模型構(gòu)建全面的數(shù)據(jù)集，并利用神經(jīng)網(wǎng)絡模型進行故障預測，提高預測結(jié)果的準確性和可靠性。

2、為了實現(xiàn)上述目的，本申請其中一方面提供了一種基于數(shù)字孿生神經(jīng)網(wǎng)絡的物流設備故障預測方法，包括以下步驟：s1：收集目標數(shù)據(jù)，所述目標數(shù)據(jù)至少包括電池、電機和導航系統(tǒng)的參數(shù)；s2：構(gòu)建數(shù)字孿生模型，模擬故障情況并記錄所述故障情況下的數(shù)據(jù)，生成模擬數(shù)據(jù)集；s3：構(gòu)建神經(jīng)網(wǎng)絡模型，以預測agv的狀態(tài)變化；s4：構(gòu)建監(jiān)控平臺，并集成所述神經(jīng)網(wǎng)絡模型，進行故障預測；s5：設置預警機制，當預測到潛在故障時，觸發(fā)預警。

3、優(yōu)選地，電池、電機和導航系統(tǒng)的參數(shù)分別包括：電池電壓、電流和溫度；電機轉(zhuǎn)速、扭矩和振動；以及導航系統(tǒng)位置、速度和方向。

4、優(yōu)選地，構(gòu)建數(shù)字孿生模型包括以下步驟：s201：幾何建模，使用建模軟件創(chuàng)建agv的三維模型，并導入仿真軟件；s202：物理建模，在仿真軟件中定義agv的物理特性；s203：傳感器建模，在仿真軟件中添加與agv相對應的傳感器模型；s204：控制系統(tǒng)建模，模擬agv的控制系統(tǒng)，包括導航算法、路徑規(guī)劃算法和避障算法。

5、優(yōu)選地，s2還包括：在仿真軟件中設定若干故障場景，記錄agv正常運行的數(shù)據(jù)，所述模擬數(shù)據(jù)集還包括agv正常運行的數(shù)據(jù)。

6、優(yōu)選地，構(gòu)建神經(jīng)網(wǎng)絡模型包括以下步驟：s301：獲取agv的模擬數(shù)據(jù)集；s302：使用模擬數(shù)據(jù)集中的一部分模擬數(shù)據(jù)訓練神經(jīng)網(wǎng)絡模型；s303：使用模擬數(shù)據(jù)集中的另一部分模擬數(shù)據(jù)驗證神經(jīng)網(wǎng)絡模型的預測結(jié)果；s304：獲取數(shù)字孿生模型的仿真結(jié)果，并將所述仿真結(jié)果與神經(jīng)網(wǎng)絡模型的預測結(jié)果對比，以評估神經(jīng)網(wǎng)絡模型的準確性。

7、優(yōu)選地，設置預警機制包括：設置預警閾值，當預測結(jié)果超出預警閾值時，觸發(fā)預警。

8、優(yōu)選地，所述目標數(shù)據(jù)還包括歷史運行記錄和維護記錄，其中，所述歷史運行記錄包括agv運行路徑、運行時間和負載信息，所述維護記錄包括維護歷史、故障日志和維修記錄。

9、優(yōu)選地，s301還包括獲取agv的目標數(shù)據(jù)；

10、使用模擬數(shù)據(jù)集中的一部分模擬數(shù)據(jù)訓練神經(jīng)網(wǎng)絡模型包括：s3021：將所述目標數(shù)據(jù)處理后形成真實數(shù)據(jù)集；s3022：將所述真實數(shù)據(jù)集中的一部分真實數(shù)據(jù)與模擬數(shù)據(jù)集中的一部分模擬數(shù)據(jù)在數(shù)據(jù)層面進行對齊和整合，形成訓練集；s3023：將所述訓練集中的數(shù)據(jù)輸入神經(jīng)網(wǎng)絡模型進行訓練；

11、使用模擬數(shù)據(jù)集中的另一部分模擬數(shù)據(jù)驗證神經(jīng)網(wǎng)絡模型的預測結(jié)果包括：s3031：將所述真實數(shù)據(jù)集中的另一部分真實數(shù)據(jù)與模擬數(shù)據(jù)集中的另一部分模擬數(shù)據(jù)在數(shù)據(jù)層面進行對齊和整合，形成驗證集：s3032：將所述驗證集中的數(shù)據(jù)輸入神經(jīng)網(wǎng)絡模型進行驗證。

12、本申請另一方面提供一種基于數(shù)字孿生神經(jīng)網(wǎng)絡的物流設備故障預測系統(tǒng)，使用上述任一項所述的故障預測方法，包括：數(shù)據(jù)采集層，包括傳感器和數(shù)據(jù)采集單元，被配置為收集agv數(shù)據(jù)；數(shù)據(jù)處理層，包括數(shù)據(jù)處理單元和數(shù)據(jù)存儲單元，被配置為對數(shù)據(jù)進行處理、分析和存儲；模型預測層，包括數(shù)字孿生模型和神經(jīng)網(wǎng)絡模型，被配置為對agv進行故障預測；用戶界面層，包括監(jiān)控平臺和預警單元，被配置為向用戶輸出預測結(jié)果和預警信息。

13、優(yōu)選地，所述傳感器至少包括電池監(jiān)控傳感器、電機傳感器和導航系統(tǒng)傳感器。

14、本申請?zhí)峁┑募夹g(shù)方案可以達到以下有益效果：

15、1.本申請通過結(jié)合數(shù)字孿生模型和神經(jīng)網(wǎng)絡模型，能夠準確模擬和預測agv設備的運行狀態(tài)，其中，數(shù)字孿生模型提供了詳細的仿真數(shù)據(jù)，神經(jīng)網(wǎng)絡模型通過學習這些數(shù)據(jù)進行未來狀態(tài)預測，從而實現(xiàn)對潛在故障的提前預警。這種方法能夠有效提高故障預測的準確性，并提前識別設備潛在問題，減少設備停機時間和維護成本。

16、2.方案中集成的實時數(shù)據(jù)與預測結(jié)果的對比機制，使得設備狀態(tài)監(jiān)控更加全面和動態(tài)，實時數(shù)據(jù)提供了當前設備的實際狀態(tài)反饋，而預測結(jié)果提供了未來狀態(tài)的預警，結(jié)合這兩者，增強系統(tǒng)的適應能力和響應速度。

技術(shù)特征：

1.一種基于數(shù)字孿生神經(jīng)網(wǎng)絡的物流設備故障預測方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于數(shù)字孿生神經(jīng)網(wǎng)絡的物流設備故障預測方法，其特征在于，電池、電機和導航系統(tǒng)的參數(shù)分別包括：

3.根據(jù)權(quán)利要求1所述的基于數(shù)字孿生神經(jīng)網(wǎng)絡的物流設備故障預測方法，其特征在于，構(gòu)建數(shù)字孿生模型包括以下步驟：

4.根據(jù)權(quán)利要求1所述的基于數(shù)字孿生神經(jīng)網(wǎng)絡的物流設備故障預測方法，其特征在于，s2還包括：

5.根據(jù)權(quán)利要求4所述的基于數(shù)字孿生神經(jīng)網(wǎng)絡的物流設備故障預測方法，其特征在于，構(gòu)建神經(jīng)網(wǎng)絡模型包括以下步驟：

6.根據(jù)權(quán)利要求1所述的基于數(shù)字孿生神經(jīng)網(wǎng)絡的物流設備故障預測方法，其特征在于，設置預警機制包括：

7.根據(jù)權(quán)利要求5所述的基于數(shù)字孿生神經(jīng)網(wǎng)絡的物流設備故障預測方法，其特征在于，所述目標數(shù)據(jù)還包括歷史運行記錄和維護記錄，其中，所述歷史運行記錄包括agv運行路徑、運行時間和負載信息，所述維護記錄包括維護歷史、故障日志和維修記錄。

8.根據(jù)權(quán)利要求7所述的基于數(shù)字孿生神經(jīng)網(wǎng)絡的物流設備故障預測方法，其特征在于，s301還包括獲取agv的目標數(shù)據(jù)；

9.一種基于數(shù)字孿生神經(jīng)網(wǎng)絡的物流設備故障預測系統(tǒng)，使用權(quán)利要求1-8任一項所述的生成方法，其特征在于，包括：

10.根據(jù)權(quán)利要求9所述的基于數(shù)字孿生神經(jīng)網(wǎng)絡的物流設備故障預測系統(tǒng)，其特征在于，所述傳感器至少包括電池監(jiān)控傳感器、電機傳感器和導航系統(tǒng)傳感器。

技術(shù)總結(jié)
本發(fā)明提供了一種基于數(shù)字孿生神經(jīng)網(wǎng)絡的物流設備故障預測方法及系統(tǒng)，包括以下步驟：S1：收集目標數(shù)據(jù)，所述目標數(shù)據(jù)至少包括電池、電機和導航系統(tǒng)的參數(shù)；S2：根據(jù)所述目標數(shù)據(jù)構(gòu)建AGV的數(shù)字孿生模型，模擬AGV運行時的故障情況并記錄所述故障情況下的數(shù)據(jù)，生成模擬數(shù)據(jù)集；S3：根據(jù)模擬數(shù)據(jù)集構(gòu)建神經(jīng)網(wǎng)絡模型，以預測AGV的狀態(tài)變化；S4：構(gòu)建AGV監(jiān)控平臺，并集成所述神經(jīng)網(wǎng)絡模型，對AGV進行故障預測，并輸出預測結(jié)果；S5：設置預警機制，分析所述預測結(jié)果，當預測到潛在故障時，觸發(fā)預警；通過結(jié)合數(shù)字孿生模型和神經(jīng)網(wǎng)絡模型，能夠有效提高故障預測的準確性。

技術(shù)研發(fā)人員：夏江雪,楊新鳳,焦躍軍,宋繼超,呂河辰,程超
受保護的技術(shù)使用者：湖南現(xiàn)代物流職業(yè)技術(shù)學院
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19