CN106227994A - 多态混联可修系统备件需求预测方法 - Google Patents
多态混联可修系统备件需求预测方法 Download PDFInfo
- Publication number
- CN106227994A CN106227994A CN201610555499.1A CN201610555499A CN106227994A CN 106227994 A CN106227994 A CN 106227994A CN 201610555499 A CN201610555499 A CN 201610555499A CN 106227994 A CN106227994 A CN 106227994A
- Authority
- CN
- China
- Prior art keywords
- mmdd
- spare
- spare part
- spare parts
- reliability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多态混联可修系统备件需求预测方法,用于解决现有备件需求预测方法复杂的技术问题。技术方案是首先分析系统的部件组成,按照系统的部件组成顺序确定MMDD的生成顺序;其次,以状态变量为非终结点,以非终结点的所有状态取值为单向箭线,按照生成顺序指向下一个非终结点,直到终结点0,1结束;最终,基于建立的MMDD模型,搜索所有从根节点开始,到达终结点的路径,计算出每条路径所需备件数量及相应的响应概率,从而计算出所有路径对应备件数量的可靠性,给定系统可靠性Rs与对应备件数量的可靠性比较,预测该可修系统备件需求。该方法简单易行,有效地提高了备件需求预测的效率。
Description
技术领域
本发明涉及一种备件需求预测方法,特别涉及一种多态混联可修系统备件需求预测方法。
背景技术
文献“申请公开号为CN 103632054A的中国发明专利”公开了一种基于状态监测和设备部件可靠性的备件需求预测方法。该方法首先根据设备维修记录单,使用可靠性理论对维修记录中的部件失效寿命数据进行处理,得到部件失效寿命的概率累积分布函数。然后,根据部件失效寿命的概率累积分布函数、设备工作总时长、实际备件需求量的历史记录、备件需求量同比环比值记录、计划员的经验预测值等,与实际备件需求量的历史记录用于比较预测的误差相比较,得到设备备件需求量预测值。但该方法预测设备备件需求量的过程复杂,需要详细的维修记录单,要进行分布函数拟合,往往无法得到满意的预测结果,影响装备维修保障。
发明内容
为了克服现有备件需求预测方法复杂的不足,本发明提供一种多态混联可修系统备件需求预测方法。该方法建立基于MMDD的多态混联可修系统备件需求预测模型,根据马尔科夫过程计算系统单阶段和多阶段的备件需求量。首先,分析系统的部件组成,将系统组成部件按照阶段划分并确定MMDD的状态变量,按照系统的部件组成顺序确定MMDD的生成顺序;其次,以状态变量为非终结点,以非终结点的所有状态取值为单向箭线,按照生成顺序指向下一个非终结点,直到终结点0,1结束;当MMDD结构图较为复杂时,将MMDD结构图分解为对应各个单独状态的MMDD子图,MMDD分解的子图个数等于系统状态性能个数;最终,基于建立的MMDD模型,搜索所有从根节点开始,到达终结点的路径,计算出每条路径所需备件数量及相应的响应概率,从而计算出所有路径对应备件数量的可靠性,给定系统可靠性Rs与对应备件数量的可靠性比较,预测该可修系统备件需求。该方法简单易行,可以有效提高备件需求预测的效率。
本发明解决其技术问题所采用的技术方案:一种多态混联可修系统备件需求预测方法,其特点是包括以下步骤:
步骤一、将多态混联可修系统的n个组成部件按照阶段k划分,确定MMDD状态变量
步骤二、按照系统的部件组成顺序确定MMDD状态变量Ci k的生成顺序;
步骤三、以状态变量为非终结点,以非终结点的所有状态取值为单向箭线,按照生成顺序指向下一个非终结点,直到终结点0,1结束,终结点0表示系统失效,终结点1表示系统正常;
步骤四、当MMDD结构图较为复杂时,将MMDD结构图分解为对应各终结点的MMDD子图;
步骤五、基于建立的MMDD模型,搜索所有从根节点开始,到达终结点的路径,计算出每条路径所需备件数量及相应概率,从而计算出所有路径对应0个备件的系统可靠性R0,对应1个备件的系统可靠性R1,对应2个备件的系统可靠性R2,对应3个备件的系统可靠性R3。给定系统要求可靠性Rs小于R0时需要0个备件,R0<Rs≤R1时需要1个备件,R1<Rs≤R2时需要2个备件,完成可修系统备件需求预测。
本发明的有益效果是:该方法建立基于MMDD的多态混联可修系统备件需求预测模型,根据马尔科夫过程计算系统单阶段和多阶段的备件需求量。首先,分析系统的部件组成,将系统组成部件按照阶段划分并确定MMDD的状态变量,按照系统的部件组成顺序确定MMDD的生成顺序;其次,以状态变量为非终结点,以非终结点的所有状态取值为单向箭线,按照生成顺序指向下一个非终结点,直到终结点0,1结束;当MMDD结构图较为复杂时,将MMDD结构图分解为对应各个单独状态的MMDD子图,MMDD分解的子图个数等于系统状态性能个数;最终,基于建立的MMDD模型,搜索所有从根节点开始,到达终结点的路径,计算出每条路径所需备件数量及相应的响应概率,从而计算出所有路径对应备件数量的可靠性,给定系统可靠性Rs与对应备件数量的可靠性比较,预测该可修系统备件需求。该方法简单易行,有效地提高了备件需求预测的效率。
下面结合附图和具体实施方式对本发明作详细说明。
附图说明
图1是本发明多态混联可修系统备件需求预测方法的流程图。
图2是本发明方法实施例中单阶段部件状态转移图。
图3是本发明方法实施例中单阶段MMDD生成图。
图4是本发明方法实施例中单阶段MMDD分解0子图。
图5是本发明方法实施例中单阶段MMDD分解1子图。
图6是本发明方法实施例中多阶段部件状态转移图。
图7是本发明方法实施例中多阶段MMDD生成图。
图8是本发明方法实施例中多阶段MMDD分解0子图。
图9是本发明方法实施例中多阶段MMDD分解1子图。
具体实施方式
参照图1-9。本发明多态混联可修系统备件需求预测方法具体步骤如下:
1、将多态混联可修系统的n个组成部件按照阶段k划分,确定MMDD的状态变量,按照阶段划分列出所有MMDD的状态变量
在本实施例中,以“四个同类部件C1,C2,C3,C4组成的单阶段混联系统和三个同类部件C1,C2,C3组成的多阶段混联系统”为例。根据阶段和状态划分,单阶段混联系统的状态变量为C1,C2,C3,C4,对于部件C1,C2,状态0为失效,状态1,2为正常工作,对于部件C3,C4,状态0,1为失效,状态2为正常工作;系统正常运行要求C1,C2中至少有一个可以工作,而C3,C4均正常工作;四个部件的初始状态均为2,失效形式均服从指数分布。多阶段混联系统的状态变量为三个部件的初始状态均为1,对于部件C1,C2,状态0为失效,状态1,2为正常工作,对于部件C3,状态0,1均为失效,状态2为正常工作;任务分为两个阶段,第一个阶段C1必须正常工作,第二个阶段C1工作并且C2,C3中至少有一个正常工作。
2、按照系统部件组成顺序确定MMDD的生成顺序
本实施例中单阶段混联系统MMDD的生成顺序为C1,C2,C3,C4,多阶段混联系统的MMDD的生成顺序为
3、以状态变量为非终结点,以非终结点的所有状态取值为单向箭线,按照生成顺序指向下一个非终结点,直到终结点0,1结束,终结点0表示系统失效,终结点1表示系统正常。
参照图3和图7,生成混联系统单阶段和多阶段MMDD图。
4、MMDD结构图较为复杂时,将MMDD结构图分解为对应各终结点的MMDD子图。
参照图4、图5、图8、图9进行混联系统单阶段和多阶段的MMDD图分解,得到MMDD分解子图。
5、基于建立的MMDD模型,搜索所有从根节点开始,到达终结点的路径,计算出每条路径所需备件数量及相应概率,从而计算出所有路径对应0个备件的系统可靠性R0,对应1个备件的系统可靠性R1,对应2个备件的系统可靠性R2,对应3个备件的系统可靠性R3。给定系统要求可靠性Rs小于R0时需要0个备件,R0<Rs≤R1时需要1个备件,R1<Rs≤R2时需要2个备件,依次类推完成该可修系统备件需求预测。
参照图3、图4、图5,针对单阶段混联系统搜索所有从根节点开始,到达终结点的路径。
C10C20C30C40,C10C20C30C41,C10C20C30C42,C10C20C31C40,C10C20C31C41,C10C20C31C42,C10C20C32C40,C10C20C32C41,C10C20C32C42,C10C21C30C40,C10C21C30C41,C10C21C30C42,C10C21C31C40,C10C21C31C41,C10C21C31C42,C10C21C32C40,C10C21C32C41,C10C21C32C42,C10C22C30C40,C10C22C30C41,C10C22C30C42,C10C22C31C40,C10C22C31C41,C10C22C31C42,C10C22C32C40,C10C22C32C41,C10C22C32C42,C11C20C30C40,C11C20C30C41,C11C20C30C42,C11C20C31C40,C11C20C31C41,C11C20C31C42,C11C20C32C40,C11C20C32C41,C11C20C32C42,C11C21C30C40,C11C21C30C41,C11C21C30C42,C11C21C31C40,C11C21C31C41,C11C21C31C42,C11C21C32C40,C11C21C32C41,C11C21C32C42,C11C22C30C40,C11C22C30C41,C11C22C30C42,C11C22C31C40,C11C22C31C41,C11C22C31C42,C11C22C32C40,C11C22C32C41,C11C22C32C42,C12C20C30C40,C12C20C30C41,C12C20C30C42,C12C20C31C40,C12C20C31C41,C12C20C31C42,C12C20C32C40,C12C20C32C41,C12C20C32C42,C12C21C30C40,C12C21C30C41,C12C21C30C42,C12C21C31C40,C12C21C31C41,C12C21C31C42,C12C21C32C40,C12C21C32C41,C12C21C32C42,C12C22C30C40,C12C22C30C41,C12C22C30C42,C12C22C31C40,C12C22C31C41,C12C22C31C42,C12C22C32C40,C12C22C32C41,C12C22C32C42,从左至右编号1-81.
其中Cij(i=1,2,3,4j=0,1,2)表示部件Ci处于状态j。要求系统可靠性Rs达到0.99,工作周期为2。
参照图2,将失效过程视为发生了两次状态转移。其转移概率是f10=0.003,f20=0.001,f21=0.003。根据马尔科夫过程,随机转移概率矩阵为
两次状态转移的概率矩阵为
部件初始状态均为α0=[0 0 1],最终各状态的概率为
参照表1,计算每条路径备件需求量。计算需要0个备件的所有路径出现概率p0=0.984,故对应0个备件的系统可靠性R0=0.984,计算需要1个备件的所有路径出现概率p1=0.015,故对应1个备件的系统可靠性R1=p0+p1=0.999,由于R0<Rs=0.99<R1,故需要1个备件达到系统要求的可靠性。
表1 单阶段每条路径备件需求量
参照图7、图8、图9,针对多阶段混联系统在生成的MMDD上搜索,得到不交的备件需求量计算路径集,其中表示在k阶段部件Ci处于状态j,要求系统达到的可靠性为Rs=0.9。
从左向右依次编号1-81.
参照图6,在周期T1,部件的状态转移概率矩阵为
在周期T2,部件的状态转移概率矩阵为
部件C1在周期T1结束时处于各个状态的概率分别为
α1=[0 1 0]P1=[0.182 0.636 0.182]
即处于0,1,2状态的概率分别为0.182,0.636,0.182。同理,部件C1,C2,C3在T2结束时处于各个状态的概率分别为0.315,0.405,0.280。
参照表2,计算每条路径的备件需求量。
表2 多阶段每条路径备件需求量
计算需要0个备件的所有路径出现概率为p0=0.308,故对应0个备件的系统可靠性R0=0.308;计算需要1个备件的所有路径出现概率为p1=0.477,故对应1个备件的系统可靠性R1=p0+p1=0.785;对应2个备件的系统可靠性R2=0.978,对应3个备件数量的系统可靠性接近于1。由于R1<Rs<R2,故需要2个备件达到要求的系统可靠性,完成备件需求预测。
Claims (1)
1.一种多态混联可修系统备件需求预测方法,其特征在于包括以下步骤:
步骤一、将多态混联可修系统的n个组成部件按照阶段k划分,确定MMDD状态变量i=1,2,…,n k=1,2;
步骤二、按照系统的部件组成顺序确定MMDD状态变量的生成顺序;
步骤三、以状态变量为非终结点,以非终结点的所有状态取值为单向箭线,按照生成顺序指向下一个非终结点,直到终结点0,1结束,终结点0表示系统失效,终结点1表示系统正常;
步骤四、当MMDD结构图较为复杂时,将MMDD结构图分解为对应各终结点的MMDD子图;
步骤五、基于建立的MMDD模型,搜索所有从根节点开始,到达终结点的路径,计算出每条路径所需备件数量及相应概率,从而计算出所有路径对应0个备件的系统可靠性R0,对应1个备件的系统可靠性R1,对应2个备件的系统可靠性R2,对应3个备件的系统可靠性R3;给定系统要求可靠性Rs小于R0时需要0个备件,R0<Rs≤R1时需要1个备件,R1<Rs≤R2时需要2个备件,完成可修系统备件需求预测。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2016100592465 | 2016-01-28 | ||
CN201610059246 | 2016-01-28 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106227994A true CN106227994A (zh) | 2016-12-14 |
Family
ID=57519315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610555499.1A Pending CN106227994A (zh) | 2016-01-28 | 2016-07-14 | 多态混联可修系统备件需求预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106227994A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070244589A1 (en) * | 2006-04-18 | 2007-10-18 | Takenori Oku | Demand prediction method, demand prediction apparatus, and computer-readable recording medium |
CN103235979A (zh) * | 2013-04-02 | 2013-08-07 | 上海长合信息技术有限公司 | 地铁设备备件需求的预测方法 |
CN103632054A (zh) * | 2013-11-28 | 2014-03-12 | 清华大学 | 一种基于状态监测和设备部件可靠性的备件需求预测方法 |
WO2014092838A1 (en) * | 2012-12-11 | 2014-06-19 | International Business Machines Corporation | Failure prediction and maintenance planning for equipment |
-
2016
- 2016-07-14 CN CN201610555499.1A patent/CN106227994A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070244589A1 (en) * | 2006-04-18 | 2007-10-18 | Takenori Oku | Demand prediction method, demand prediction apparatus, and computer-readable recording medium |
WO2014092838A1 (en) * | 2012-12-11 | 2014-06-19 | International Business Machines Corporation | Failure prediction and maintenance planning for equipment |
CN103235979A (zh) * | 2013-04-02 | 2013-08-07 | 上海长合信息技术有限公司 | 地铁设备备件需求的预测方法 |
CN103632054A (zh) * | 2013-11-28 | 2014-03-12 | 清华大学 | 一种基于状态监测和设备部件可靠性的备件需求预测方法 |
Non-Patent Citations (1)
Title |
---|
蔡志强 等: "基于MMDD的多态混联系统任务成功性分析", 《变频技术应用》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ding et al. | Multicluster tools scheduling: An integrated event graph and network model approach | |
Chang et al. | Computing system failure frequencies and reliability importance measures using OBDD | |
CN103927346B (zh) | 基于数据量的查询连接方法 | |
Reddy et al. | Communication energy constrained spare core on NoC | |
Guo et al. | Decomposition-based classified ant colony optimization algorithm for scheduling semiconductor wafer fabrication system | |
CN105045243A (zh) | 一种半导体生产线动态调度装置 | |
CN103676881A (zh) | 一种半导体生产线动态瓶颈分析方法 | |
CN108038349A (zh) | 一种飞机系统健康状态的维修决策方法 | |
CN104754053B (zh) | 一种分布式软件定义网络及在其中动态控制控制器的方法 | |
CN105843189A (zh) | 一种用于半导体生产线基于简化仿真模型的高效调度规则选择方法 | |
CN102129482B (zh) | 一种基于混沌离散粒子群优化的片上网络映射方法 | |
CN105654240A (zh) | 机床产品制造系统能效分析方法 | |
CN104361169A (zh) | 一种基于分解法建模的可靠性监测方法 | |
CN107086929A (zh) | 一种基于排队建模的批量流式计算系统性能保障方法 | |
CN104281978B (zh) | 一种基于概率潮流的可用输电能力计算方法 | |
CN101424919A (zh) | 半导体制造系统的重调度决策系统 | |
CN105471893B (zh) | 一种分布式等值数据流连接方法 | |
CN103149840B (zh) | 一种基于动态规划的语义服务组合方法 | |
CN109101599A (zh) | 一种增量索引更新方法及系统 | |
CN108446814A (zh) | 同顺序流水线车间调度问题的树搜索方法及装置 | |
CN113435613B (zh) | 一种面向多维修事件的机会维修决策方法 | |
CN104283966A (zh) | 云存储系统的数据分布算法及其装置 | |
CN106326005A (zh) | 一种迭代型MapReduce作业的参数自动调优方法 | |
CN108932197A (zh) | 基于参数Bootstrap重抽样的软件失效时间预测方法 | |
CN106227994A (zh) | 多态混联可修系统备件需求预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20161214 |