買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉超網(wǎng)實業(yè)(成都)股份有限公司申請的專利基于云平臺的智慧廠務(wù)管理系統(tǒng)及方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN120181516B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-09-09發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202510637645.4，技術(shù)領(lǐng)域涉及：G06Q10/0631；該發(fā)明授權(quán)基于云平臺的智慧廠務(wù)管理系統(tǒng)及方法是由鄧勇;馬文浩;湯海燕;熊代軍;寧鵬;周鐵;顏中科;黃文彬;李強;鄧宇航設(shè)計研發(fā)完成，并于2025-05-19向國家知識產(chǎn)權(quán)局提交的專利申請。

本基于云平臺的智慧廠務(wù)管理系統(tǒng)及方法在說明書摘要公布了：本發(fā)明公開了基于云平臺的智慧廠務(wù)管理系統(tǒng)及方法，涉及工業(yè)物聯(lián)網(wǎng)技術(shù)領(lǐng)域，包括，提取預(yù)處理后生產(chǎn)設(shè)備數(shù)據(jù)和環(huán)境數(shù)據(jù)的特征，形成特征數(shù)據(jù)集，基于特征數(shù)據(jù)集，構(gòu)建設(shè)備故障預(yù)測模型，得到故障預(yù)測結(jié)果，基于故障預(yù)測結(jié)果，生成資源調(diào)度策略。構(gòu)建的設(shè)備故障預(yù)測模型能夠在早期發(fā)現(xiàn)潛在的設(shè)備故障風(fēng)險，減少停機時間并提升了工廠的整體運營效率和安全性，而資源調(diào)度策略實現(xiàn)了對工廠內(nèi)資源的動態(tài)優(yōu)化調(diào)度，不僅提高了生產(chǎn)效率，還顯著降低了能耗和故障風(fēng)險，并可以靈活應(yīng)對不同生產(chǎn)任務(wù)的需求變化，進而提高了整體經(jīng)濟效益。

本發(fā)明授權(quán)基于云平臺的智慧廠務(wù)管理系統(tǒng)及方法在權(quán)利要求書中公布了：1.一種基于云平臺的智慧廠務(wù)管理方法，其特征在于：包括， 采集生產(chǎn)設(shè)備數(shù)據(jù)和環(huán)境數(shù)據(jù)，并進行預(yù)處理； 提取預(yù)處理后生產(chǎn)設(shè)備數(shù)據(jù)和環(huán)境數(shù)據(jù)的特征，形成特征數(shù)據(jù)集； 基于特征數(shù)據(jù)集，構(gòu)建設(shè)備故障預(yù)測模型，得到故障預(yù)測結(jié)果； 基于故障預(yù)測結(jié)果，生成資源調(diào)度策略； 所述基于特征數(shù)據(jù)集，構(gòu)建設(shè)備故障預(yù)測模型，包括以下步驟， 將特征數(shù)據(jù)集劃分為訓(xùn)練集、測試集以及驗證集； 選擇卷積神經(jīng)網(wǎng)絡(luò)作為構(gòu)建設(shè)備故障預(yù)測模型的架構(gòu)； 使用訓(xùn)練集并結(jié)合貝葉斯優(yōu)化法對設(shè)備故障預(yù)測模型進行隨機擾動，生成訓(xùn)練樣本； 使用滑動窗口技術(shù)調(diào)整訓(xùn)練樣本中的子序列標(biāo)簽，生成故障類別的標(biāo)簽并組合為訓(xùn)練樣本特征向量； 使用提升集成學(xué)習(xí)框架給每個訓(xùn)練樣本特征向量分配初始權(quán)重，計算出每個訓(xùn)練樣本特征向量的初始權(quán)重值和誤差率； 使用弱學(xué)習(xí)器對每個訓(xùn)練樣本特征向量的初始權(quán)重值進行迭代，得到更新后的訓(xùn)練樣本特征向量的權(quán)重值，表達式為： ； ； 其中，表示每個訓(xùn)練樣本特征向量的初始權(quán)重值，表示第個訓(xùn)練樣本特征向量的誤差率，表示更新后第個訓(xùn)練樣本特征向量在第輪迭代中的權(quán)重值，表示更新后第個訓(xùn)練樣本特征向量在第輪迭代中的權(quán)重值，表示第個訓(xùn)練樣本特征向量的故障類別標(biāo)簽數(shù)值，表示指數(shù)函數(shù)，表示第個訓(xùn)練樣本特征向量的故障類別標(biāo)簽數(shù)值是否被第個弱學(xué)習(xí)器錯誤分類的指數(shù)函數(shù)值； 使用測試集對更新后的訓(xùn)練樣本特征向量的權(quán)重值進行混淆矩陣分析，得到訓(xùn)練樣本的特征矩陣，并計算出其異常分?jǐn)?shù)； 基于訓(xùn)練樣本的特征矩陣?yán)L制損失曲線，使用局部離群因子識別出錯誤的訓(xùn)練樣本類型，并進行改進； 基于改進后的訓(xùn)練樣本類型重新訓(xùn)練設(shè)備故障預(yù)測模型，直至損失曲線趨于穩(wěn)定，得到訓(xùn)練完成的設(shè)備故障預(yù)測模型； 所述得到故障預(yù)測結(jié)果，包括以下步驟， 將驗證集輸入至設(shè)備故障預(yù)測模型并部署到工廠的生產(chǎn)設(shè)備上，引入孤立森林算法定義訓(xùn)練樣本特征矩陣的路徑長度，計算出工廠生產(chǎn)設(shè)備的綜合故障概率值，表達式為： ； ； ； 其中，表示工廠生產(chǎn)設(shè)備的標(biāo)準(zhǔn)化故障概率值，表示激活函數(shù)，表示訓(xùn)練樣本特征矩陣的權(quán)重，表示訓(xùn)練樣本特征矩陣，表示偏置項，表示訓(xùn)練樣本特征矩陣的異常分?jǐn)?shù)，表示訓(xùn)練樣本特征矩陣的路徑長度，表示訓(xùn)練樣本特征矩陣數(shù)量的路徑長度期望值，表示工廠生產(chǎn)設(shè)備的綜合故障概率值，表示工廠生產(chǎn)設(shè)備的初步故障概率值的權(quán)重系數(shù)，表示訓(xùn)練樣本特征矩陣的異常分?jǐn)?shù)的權(quán)重系數(shù)； 設(shè)定報警機制閾值，根據(jù)工廠生產(chǎn)設(shè)備的綜合故障概率值位于報警機制閾值內(nèi)的區(qū)間來判定設(shè)備故障的風(fēng)險程度； 判定結(jié)果為故障預(yù)測結(jié)果。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人超網(wǎng)實業(yè)(成都)股份有限公司，其通訊地址為：610000 四川省成都市武侯區(qū)少陵路88號14棟6樓612-613號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。