CN102509187B - 一种基于数据挖掘的大型装备mro知识获取方法 - Google Patents

Abstract

本发明公开了一种基于数据挖掘的大型装备MRO知识获取方法，在方法中构建了数据准备模块、感兴趣产生器模块、数据挖掘处理模块、结果评估模块、规则知识库、知识库维护模块、知识推理模块几个模块，利用数据挖掘方法，从大型的装备的历史维修数据和设计安装数据中获取MRO知识，以方便对大型装备MRO过程的管理。

Description

一种基于数据挖掘的大型装备MRO知识获取方法

技术领域

本发明涉及大型装备MRO知识领域，具体为一种基于数据挖掘的大型装备MRO知识获取方法。

背景技术

随着经济全球化、信息化和现代管理思想的发展，世界制造业的价值主要体现在产品的设计和产品的中后期管理上，实现设备的全生命周期管理是其关键。对于制造型企业而言，要实现从生产型的制造向服务型的制造转变，才能提高经济效益。MRO（MRO ：Maintenance，Repair and Overhaul/Operation，维修，维护和大修）是产品在使用和维护阶段所进行的各种维修、维护、大修和操作等制造服务活动的总称。MRO的核心理念就是面向设备全生命周期管理。设备的全生命周期可以分为初期、终期和后期三个阶段。初期主要进行设计和制造，中期主要是使用和维修，末期则主要进行回收和再利用。在MRO模式下，设备的维修服务主要由制造厂提供。对于制造型企业而言，维修创造的价值比创造过程更高。

对于大型装备，由于结构复杂，零部件多。从装备的系统设计、开发、实施、维护过程直至生命周期终结，时间周期长，构型变化多。相关的维修知识也很复杂，维修知识的获取是实现精益求精的MRO管理的重要基础。

历史维修记录的积累对于大型装备MRO决策支持具有重要意义。MRO决策是围绕MRO核心业务过程，确定维修需求、制定维修计划、分配维修资源和完成维修任务。大型装备结构复杂，构成部件繁多，涉及面广，生命周期长，其数据呈现数据结构复杂，数据规模庞大，数据具有多维性等特征。大型装备保障部门在日常的业务活动中积累了大量的、以不同形式存储的维修信息数据。维修数据实际上是与维修活动相关的信息集合，这些信息隐藏着对大型装备MRO决策提供支持的知识。从海量的维修数据中发现这些潜在的知识，具有重要意义。

数据挖掘是从大量的的数据中发现，并提取隐藏在其中的信息或者知识的过程，是自动获取知识的一种方式。对于设备生命周期中产生的大量数据，通过数据挖掘技术发现隐含的模式和趋势，可以发现有关设备维修和质量的重要信息，对于维修具有重要意义，还可以反馈到设计环节和设备保障等环节，为改进生产质量提供依据。由于历史的数据的不断更新，需要经常进行数据挖掘，从数据中获得知识。

发明内容

本发明的目的是提供一种基于数据挖掘的大型装备MRO知识获取方法，以实现对大型装备的MRO决策过程提供支持。

为了达到上述目的，本发明所采用的技术方案为：

一种基于数据挖掘的大型装备MRO知识获取方法，其特征在于：包括以下步骤：

（1）构建感兴趣产生器模块：所述感兴趣产生器由领域专家和维修工程师建立，领域专家和维修工程师提出感兴趣的与MRO相关的数据挖掘任务并建立包含与MRO相关的数据挖掘任务的感兴趣产生器模块；

（2）构建数据准备模块：从MRO数据源中获取可供数据挖掘分析的数据集，所述数据准备模块具有数据采集功能、数据选择功能和预处理功能；

所述数据准备模块利用数据采集功能，从大型装备的历史维修记录、设计安装数据记录中获取数据以构建包含大型装备组成部件和部件更换记录的构型库、包含大型装备技术手册和维修经验的文档资料库、包含具体维修信息的维修数据库；

所述数据准备模块利用数据选择功能，依据感兴趣产生器模块提出的数据挖掘任务，从所述构型库、文档资料库和维修数据库中选择与当前数据挖掘任务相关的记录和特征，得到对应的目标数据集；

所述数据准备模块利用预处理功能，对目标数据集中的数据进行清理，消除噪声和不一致的数据，使目标数据集中的数据可供数据挖掘分析；

（3）构建数据挖掘处理模块：所述数据挖掘处理模块依据感兴趣产生器模块提供数据挖掘任务，并接收数据准备模块预处理后的目标数据集，利用数据挖掘方法对目标数据集进行数据挖掘分析，生成新模式； 

（4）构建结果评估模块：所述结果评估模块结合专家意见和用户感兴趣度，对数据挖掘处理模块得到的新模式进行评估，以剔除新模式中冗余或无关的模式，得到符合要求的模式即为MRO知识；

（5）构建规则知识库，所述规则知识库以产生式规则形式存储结果评估模块得到的MRO知识，规则知识库中存储的MRO知识还反馈至所述文档资料库，完善维修技术文档，补充和丰富维修经验；

（6）构建知识库维护模块：所述知识库维护模块对规则知识库中的MRO知识进行管理，对 MRO知识中包含的规则进行添加、删除和修改操作，并对规则知识库中冗余、矛盾和循环的MRO知识中包含的规则进行检查和改正；

（7）构建知识推理模块：将大型装备的故障数据以产生式形式进行知识表示，结合规则知识库中的MRO知识，运用基于规则的知识推理机制进行推理，得到对应大型装备的维修知识，进而为对应大型装备的MRO过程决策提供支持。

所述的一种基于数据挖掘的大型装备MRO知识获取方法，其特征在于：所述步骤（1）中，数据准备模块利用数据采集功能构建构型库、文档资料库、维修数据库的方法如下：

构建构型库：构建包含大型装备的部件组成和部件更换记录的数据库，即为构型库，所述构型库的字段包含大型装备的机型、核心部件、一般部件、部件更换次数、部件维修次数、部件剩余生命周期；

构建文档资料库：构建包含生产商提供的大型装备技术手册，以及大型历史维修经验的数据库，即为文档资料库，所述文档资料库的字段包含维护技术文档、维修计划、维修策略、维修方法、排故措施、送修标准；

构建维修数据库： 构建包含具体的历史维修信息的数据库，即为维修数据库，所述维修数据库字段包含大型装备机型、故障部件、故障代码、故障时间、故障现象、故障率、故障原因、维修时间、维修成本、维修所需器材、地理环境、维修级别。

所述的一种基于数据挖掘的大型装备MRO知识获取方法，其特征在于：所述MRO数据源包括大型装备执行维修过程当中产生的大量数据构成的具体的维修记录，以及生产方提供的大型装备的设计安装数据。

所述的一种基于数据挖掘的大型装备MRO知识获取方法，其特征在于：所述步骤（3）中的数据挖掘方法包括基于粗糙集、关联规则挖掘、统计分析。

本发明具有以下优点：

本发明采用数据挖掘技术，从维修历史数据中自动的发现未知的模式和趋势，提供了一种自动获取知识的方式。同时利用了数据挖掘处理海量数据的优势，将来自不同数据源的维修数据进行处理，通过基于粗糙集、关联规则挖掘、统计分析方法，找出大量历史数据中发现有关装备状态、环境、故障预测等与装备维修模式之间的隐含规则，为MRO过程决策提供支持。

本发明在获取MRO知识时，同时考虑大型装备的设计安装数据和维修数据，这对于与产品的设计和维修具有重要意义。现代制造企业，正在由设计制造型向制造服务型转变，设计制造人员要求获得设备的维修数据，以提高产品质量，而维修人员需要获取准确的设备信息以支持维修活动，以提高设备的可维修性。本发明采用数据挖掘技术，发现隐藏在设计安装数据和维修数据中隐含的规律，这对于产品的设计和维修都有极其重要的意义。

附图说明

图1本发明MRO知识获取方法的结构图。

图2本发明MRO知识获取方法的层次结构图。

图3本发明MRO知识获取方法的流程图。

具体实施方式

大型装备生命周期长，本发明中未考虑装备设计制造的变化，只考虑了装备维修后的零部件的维修和更换,并分为装备维修前和维修后两阶段。装备维修后，对维修数据进行数据挖掘处理，获取MRO知识，建立规则知识库。装备维修前，运用规则知识库，得到相应的MRO知识，为MRO过程决策提供支持。

如图1、图2及图3所示。装备维修执行后的具体步骤：

MRO数据源，一方面，装备维修执行过程中，产生了新的历史维修记录。另一方面，生产商提供装备的设计安装数据。

（1）构建感兴趣产生器模块，提供所需要的与MRO相关挖掘任务。所述感兴趣产生器由领域专家和维修工程师建立，领域专家和维修工程师提出感兴趣的与MRO相关的数据挖掘任务并建立包含与MRO相关的数据挖掘任务的感兴趣产生器模块。对于大型装备，结构复杂，从装备的系统设计、开发、实施、维护过程直至生命周期终结，时间周期长，构型变化多，相关的维修知识也很复杂。同时维修领域知识完全，领域专家和工程师的兴趣度较为稳定，因此采用感兴趣产生器提供所需的知识类型。这样，数据挖掘是在感兴趣产生器的指导下进行的数据分析，只挖掘那些用户感兴趣的知识，从而使搜索空间减小，挖掘速度加快；

（2）构建数据准备模块：从MRO数据源中获取可供数据挖掘分析的数据集，根据所述数据集构建数据准备模块，所述数据准备模块具有数据采集功能、数据选择功能和预处理功能；

所述数据准备模块利用数据采集功能，从大型装备的历史维修记录、设计安装数据记录中获取数据以构建包含大型装备组成部件和部件更换记录的构型库、包含大型装备技术手册和维修经验的文档资料库、包含具体维修信息的维修数据库；

所述数据准备模块利用数据选择功能，依据感兴趣产生器模块提出的数据挖掘任务，从所述构型库、文档资料库和维修数据库中选择与当前数据挖掘任务相关的记录和特征，得到对应的目标数据集；

所述数据准备模块利用预处理功能，对目标数据集中的数据进行清理，消除噪声和不一致的数据，使目标数据集中的数据可供数据挖掘分析。

（3）构建数据挖掘处理模块，所述数据挖掘处理模块根据感兴趣产生器模块提供数据挖掘任务，并接收数据准备模块预处理后的目标数据集，利用数据挖掘方法对目标数据集进行数据挖掘分析，生成新的模式；

（4）构建结果评估模块：结果评估模块结合专家意见和用户感兴趣度，对数据挖掘处理模块得到的新模式进行评估，以剔除新模式中冗余或无关的模式，得到符合要求的模式即为MRO知识；

（5）构建规则知识库，所述规则知识库以产生式规则形式存储结果评估模块得到的MRO知识，规则知识库中存储的MRO知识还反馈至所述文档资料库，完善维修技术文档，补充和丰富维修经验。产生式表示法的一般形式为

R#：if A then B

其中#为规则号，A是一组前提的合取式，B只能是一个结论或操作，或者是多个结论或操作的合取式，表示如果A满足就推出结论B。例如

R１：if部A件损坏AND部B件损坏 then部件Ｃ损坏

采用产生式规则表示的知识形式，便于理解和解释，容易实现知识的提取和形式化；

（6）构建知识库维护模块：所述知识库维护模块对规则知识库中的MRO知识进行管理，对 MRO知识中包含的规则进行添加、删除和修改操作，并对规则知识库中冗余、矛盾和循环的MRO知识中包含的规则进行检查和改正；

（7）构建知识推理模块：将大型装备的故障数据以产生式形式进行知识表示，结合规则知识库中的MRO知识，运用基于规则的知识推理机制进行推理，得到对应大型装备的维修知识，进而为对应大型装备的MRO过程决策提供支持。MRO过程决策是围绕MRO核心业务过程，确定维修需求、制定维修计划、分配维修资源和完成维修任务。

步骤（1）中，数据准备模块利用数据采集功能构建构型库、文档资料库、维修数据库的方法如下：

构建构型库：构建包含大型装备的部件组成和部件更换记录的数据库，即为构型库，所述构型库的字段包含大型装备的机型、核心部件、一般部件、部件更换次数、部件维修次数、部件剩余生命周期；

构建文档资料库：构建包含生产商提供的大型装备技术手册，以及大型历史维修经验的数据库，即为文档资料库，所述文档资料库的字段包含维护技术文档、维修计划、维修策略、维修方法、排故措施、送修标准；

构建维修数据库： 构建包含具体的历史维修信息的数据库，即为维修数据库，所述维修数据库字段包含大型装备机型、故障部件、故障代码、故障时间、故障现象、故障率、故障原因、维修时间、维修成本、维修所需器材、地理环境、维修级别。

MRO数据源包括大型装备执行维修过程当中产生的大量数据构成的具体的维修记录，以及生产方提供的大型装备的设计安装数据。

步骤（3）中的数据挖掘方法法包括基于粗糙集、关联规则挖掘、统计分析。

装备维修前进行的步骤（７）具体步骤如下：

（7.1）当装备出现故障时，对故障数据进行知识表示，由于本发明所采取的知识库的知识表示形式为产生式，对故障数据以产生式形式进行表示。

（7.2）规则知识库对发出请求的故障数据，采用基于规则的推理机制，返回相应的结果。

（7.3）装备进行维修前，依据从知识库中获取的MRO知识和存储历史维修经验和维修策略的文档资料库，为确定维修需求、制定维修计划、分配维修资源和完成维修任务等提供决策支持。

大型装备的故障具有一定的规律性，故障部件也表现出一定的规律性，一个部件的更换或维修常常引起其他部件的更换或维修，即维修关联性。因此在执行任务的过程中，找到多个维修件同时维修的可能性，并确定可能引起其他部件维修的部件，对装备的维修、保养和大修具有重要意义。

现阶段，国内机车检修中，换件修是其中一种重要的检修方式。即，按照分解——安装-——修理的步骤进行维修。分解：分解待修机车的零部件。安装：用已修好的零部件或新零部件直接装车。修理：对机车上分解下来的零部件，进行修理，修理好的零部件作为备品，下一批机车维修时再使用。该方式能够有效地缩短停修时间，提高修车效率，然而，这种方式不仅要求有足够的零部件，而且还要有一定数量的互换件，因此，换件修的一个重要问题就是维修部件的库存。由于历史经验无法准确判断每次维修中关联的损坏部件和主要损坏部件，因此采用数据挖掘方法，从历史维修记录中挖掘维修部件的隐含模式，为机车装备保障部门的物料采购和库存提供依据。

为了支持MRO企业在执行MRO业务过程中更有效合理的确定维修需求和修维修物料采购，在本实例中，采用数据挖掘技术，对历史维修信息进行挖掘分析，自动获取维修关联知识，为MRO过程中的维修需求和物料采购决策提供支持。

以轨道交通行业么某机型机车为例，收集该型机车的历史维修记录和生产方提供的设计安装数据，获得MRO数据源。

数据准备模块，从MRO数据源中抽取数据构建构型库、文档资料库和维修数据库。其中构型库字段包含机车类型、机车牌号、核心部件、一般部件、部件的互换件、剩余生命周期、维修次数。文档资料库字段包含该型机车的维护技术文档、维修策略、维修方法、排故措施、送修标准。维修数据库字段包含装备机型、故障部件、故障代码、故障时间、故障现象、故障率、故障原因、维修时间、维修成本、维修所需器材、地理环境、维修级别。

感兴趣模块感兴产生模块提出所要获取的知识类型为关于部件维修关联的知识。

数据准备模块从构型库、文档资料库和维修数据库中，选取该机型的故障部件，更换记录、维修级别和故障率属性，对其数据进行清理、离散化等操作，消除噪声和不一致现象，得到目标数据集。

数据挖掘处理模块采用Apriori算法对目标数据集的数据进行关联规则挖掘算法，结合专家意见和工程师经验设定关联规则挖掘的阈值。挖掘生成关于维修关联的模式，传送到结果评估模块进行评估，符合评价要求规则传送到规则知识库模块，以产生式规则的形式进行储存。知识库维护模块采用经典逻辑的解决方法检查知识库的一致性问题，并允许用户或专家进行修改和检查，直至完全通过。

根据知识库中获得的规则，MRO执行企业可以以相应的比例来采购修关联部件。在制定维修需求时，对于可能引起其他部件损坏的零部件进行预防性维修，周期性的进行检查，保养等。在进行实际维修时，维修部门也可参照此类维修关联知识，来指导实施维修方案。

Claims (4)

1.一种基于数据挖掘的大型装备MRO知识获取方法，其特征在于：包括以下步骤：

（1）构建感兴趣产生器模块：所述感兴趣产生器由领域专家和维修工程师建立，领域专家和维修工程师提出感兴趣的与MRO相关的数据挖掘任务并建立包含与MRO相关的数据挖掘任务的感兴趣产生器模块；

（2）构建数据准备模块：从MRO数据源中获取可供数据挖掘分析的数据集，所述数据准备模块具有数据采集功能、数据选择功能和预处理功能；

所述数据准备模块利用数据采集功能，从大型装备的历史维修记录、设计安装数据记录中获取数据以构建包含大型装备组成部件和部件更换记录的构型库、包含大型装备技术手册和维修经验的文档资料库、包含具体维修信息的维修数据库；

所述数据准备模块利用数据选择功能，依据感兴趣产生器模块提出的数据挖掘任务，从所述构型库、文档资料库和维修数据库中选择与当前数据挖掘任务相关的记录和特征，得到对应的目标数据集；

所述数据准备模块利用预处理功能，对目标数据集中的数据进行清理，消除噪声和不一致的数据，使目标数据集中的数据可供数据挖掘分析；

（3）构建数据挖掘处理模块：所述数据挖掘处理模块依据感兴趣产生器模块提供数据挖掘任务，并接收数据准备模块预处理后的目标数据集，利用数据挖掘方法对目标数据集进行数据挖掘分析，生成新模式； 

（4）构建结果评估模块：所述结果评估模块结合专家意见和用户感兴趣度，对数据挖掘处理模块得到的新模式进行评估，以剔除新模式中冗余或无关的模式，得到符合要求的模式即为MRO知识；

（5）构建规则知识库，所述规则知识库以产生式规则形式存储结果评估模块得到的MRO知识，规则知识库中存储的MRO知识还反馈至所述文档资料库，完善维修技术文档，补充和丰富维修经验；

（6）构建知识库维护模块：所述知识库维护模块对规则知识库中的MRO知识进行管理，对 MRO知识中包含的规则进行添加、删除和修改操作，并对规则知识库中冗余、矛盾和循环的MRO知识中包含的规则进行检查和改正；

（7）构建知识推理模块：将大型装备的故障数据以产生式形式进行知识表示，结合规则知识库中的MRO知识，运用基于规则的知识推理机制进行推理，得到对应大型装备的维修知识，进而为对应大型装备的MRO过程决策提供支持。

2.根据权利要求1所述的一种基于数据挖掘的大型装备MRO知识获取方法，其特征在于：所述步骤（2）中，数据准备模块利用数据采集功能构建构型库、文档资料库、维修数据库的方法如下：

构建构型库：构建包含大型装备的部件组成和部件更换记录的数据库，即为构型库，所述构型库的字段包含大型装备的机型、核心部件、一般部件、部件更换次数、部件维修次数、部件剩余生命周期；

构建文档资料库：构建包含生产商提供的大型装备技术手册，以及大型历史维修经验的数据库，即为文档资料库，所述文档资料库的字段包含维护技术文档、维修计划、维修策略、维修方法、排故措施、送修标准；

构建维修数据库：构建包含具体的历史维修信息的数据库，即为维修数据库，所述维修数据库字段包含大型装备机型、故障部件、故障代码、故障时间、故障现象、故障率、故障原因、维修时间、维修成本、维修所需器材、地理环境、维修级别。

3.根据权利要求1所述的一种基于数据挖掘的大型装备MRO知识获取方法，其特征在于：所述MRO数据源包括大型装备执行维修过程当中产生的大量数据构成的具体的维修记录，以及生产方提供的大型装备的设计安装数据。

4.根据权利要求1所述的一种基于数据挖掘的大型装备MRO知识获取方法，其特征在于：所述步骤（3）中的数据挖掘方法包括基于粗糙集、关联规则挖掘、统计分析。