CN107004164A - 设备的预测维修系统及方法 - Google Patents

设备的预测维修系统及方法 Download PDF

Info

Publication number
CN107004164A
CN107004164A CN201580065968.5A CN201580065968A CN107004164A CN 107004164 A CN107004164 A CN 107004164A CN 201580065968 A CN201580065968 A CN 201580065968A CN 107004164 A CN107004164 A CN 107004164A
Authority
CN
China
Prior art keywords
equipment
alarm
good index
mathematical expression
predictive maintenance
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
Application number
CN201580065968.5A
Other languages
English (en)
Inventor
金度贤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Keith Bogans Corp
Original Assignee
Keith Bogans Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Keith Bogans Corp filed Critical Keith Bogans Corp
Publication of CN107004164A publication Critical patent/CN107004164A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Manufacturing & Machinery (AREA)
  • Probability & Statistics with Applications (AREA)
  • Primary Health Care (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供设备的预测维修系统及方法。本发明一实施例的设备的预测维修系统包括：良好指标生成部，生成用于判断设备的正常状态或故障状态的良好指标；故障设备判断部，通过上述良好指标判断上述设备是否为故障设备及上述设备的故障类型；故障设备预测部，用于预测上述设备的剩余寿命或故障概率；以及第一警报部，在所预测的上述剩余寿命为已设定值以下或者所预测的上述故障概率为已设定值以上的情况下，发生第一警报。

Description

设备的预测维修系统及方法
技术领域
本发明的实施例涉及设备的预测维修系统及方法，更详细地，涉及用于预先预防设备的故障发生的设备的预测维修系统及方法。
背景技术
通常，随着时间的流逝，用于产品的生产的设备(或装置)变得劣化且其性能会降低。由此，会引起设备的故障发生，这会导致不良产品的生产或者导致产品生产的中断。作为以往的设备维修方式，包括反应性维修(RM，Reactive Maintenance)、预防性维修(PM，Preventive Maintenance)、视情维修(CBM，Condition-Based Maintenance)等，但是其作为防止设备的故障发生的根本性对策有局限性。
具体地，反应性维修为事后对应方式，在设备发生故障之后，对所发生故障的设备进行修理，会发生意外停机(Down time)，并发生因生产的差池而导致的损失。并且，预防性维修作为每隔规定周期对设备进行维修的方式，存在对良好的设备投入过多人力的问题，存在因在对设备进行维修之前所发生的故障所引起的停机及以此所导致的损失。同时，视情维修作为以基于根据特定变量的状态来对设备进行维修的经验的单变量为主的监控方法，在适用简单的经验管理水平的方面，存在会发生多次假警报(False alarm)的问题。
现有技术文献
专利文献
(专利文献1)韩国公开专利公报第10-2014-0038265号(2014年03月28日)
发明内容
技术问题
本发明的实施例的目的在于，提供使用多变量分析工法来预测设备的故障发生时间点，并有效把握以往未把握的故障原因并计算最优维修时间点，由此可使销售额及收益极大化的设备的故障预先预测维修系统及方法。
解决问题的方案
根据本发明的例示性实施例，本发明提供设备的预测维修系统，上述设备的预测维修系统包括：良好指标生成部，生成用于判断设备的正常状态或故障状态的良好指标(Health Indicator)；故障设备判断部，通过上述良好指标判断上述设备是否为故障设备及上述设备的故障类型；故障设备预测部，用于预测上述设备的剩余寿命或故障概率；以及第一警报部，在所预测的上述剩余寿命为已设定值以下或者所预测的上述故障概率为已设定值以上的情况下，发生第一警报。
上述良好指标包括：单变量指标(Univariate Indicator)，由用于判断设备的正常状态或故障状态的一种变量形成；以及多变量指标(Multivariate Indicator)，由多个上述变量的组合而成。
上述良好指标生成部可将在多个上述变量中，在设备发生故障之前发生已设定值以上的变化，在设备发生故障前后发生已设定值以上的变化的变量选为上述单变量指标。
上述良好指标生成部可将在多个上述变量的组合中，在设备发生故障之前发生已设定值以上的变化，在设备发生故障前后发生已设定值以上的变化的组合选择上述多变量指标。
上述变量可以为呈现特定设备的状态或工序条件的温度、压力、电压、电流、速度及张力中的任一种。
上述多个良好指标各自已可以与一个以上的设备匹配。
在上述良好指标超出已设定的管理线的情况下，上述故障设备判断部可将上述设备判断为故障设备，并确认在上述良好指标中的单变量指标及多变量指标的种类，由此判断上述设备的故障类型。
上述故障设备预测部可利用多元线性回归(MLR，Multiple Linear Regression)、偏最小二乘(PLS，Partial Least Sqaures)、岭(RIDGE)、最小绝对收缩与选择算子(LASSO，Least Absolute Shrinkage and Selection Operator)、平滑绝对偏差(SCAD，SmoothlyClipped Absolute Deviation)、极大极小凹罚函数、支持向量机(SVM，Support VectorMachine)、套袋、提升及随机森林(Random Forest)中的至少一种，并导出将上述设备的剩余寿命作为因变量，将多个上述良好指标中的一种以上作为独立变量的模型，由此预测上述设备的剩余寿命。
上述故障设备预测部可利用广义线性模型(GLM，Generalized Linear Model)、线性判别分析(LDA，Linear Discriminant Analysis)、二次判别分析(QDA，QuadraticDiscriminant Analysis)、支持向量机、套袋、提升及随机森林中的支持向量机、套袋、提升及随机森林中的至少一种，并导出将上述设备的故障与否作为因变量，将多个上述良好指标中的一个以上作为独立变量的模型，由此预测上述设备的故障概率。
上述设备的预测维修系统还可包括利用已设定时间内的上述设备的故障发生比例来发生第二警报的第二警报部。
上述第二警报部可考虑如下比例来生成一个以上的评价基准：发生第二警报，但尚未发生实际故障的情况下的比例(以下，称之为“假警报率”)；以及尚未发生上述第二警报，但是已发生实际故障的情况下的比例(以下，称之为“遗漏率”)，利用上述评价基准生成警报规则，当满足上述警报规则时发生上述第二警报。
(数学式1)
w1×假警报率+w2×遗漏率
(其中，w1为关于假警报率的重要度的加权值系数，w2为关于遗漏率的重要度的加权值系数)
(数学式2)
遗漏率s.t.假警报率≤α
(属于假警报率满足已设定的水平(α)以下的条件下的遗漏率)
(数学式3)
假警报率s.t.遗漏率≤β
(属于遗漏率满足已设定的水平(β)以下的条件下的假警报率)。
上述警报规则意味着k个上述良好指标中脱离已设定的管理线的良好指标在已设定的时间内达到k个以上，上述第二警报部计算使上述评价基准的值最小化的K值及k值。
本发明还可包括考虑上述故障设备的修理费用及更换上述故障设备所引起的机会成本来计算最优维修时间点的维修时间点计算部。
上述维修时间点计算部可通过如下的数学式4或数学式5计算上述修理费用，通过如下的数学式6计算上述机会成本。
(数学式4)
修理费用＝(ET+TI×t)×M×B
(其中，ET为特定设备的预期修理时间，TI为单位时间内的修理时间增加量，M为单位时间内的生产数量，B为每生产一个所获得的利润，t＝0，……T，T为发生第一警报时的剩余寿命)
(数学式5)
修理费用＝(EC+CI×t)
(其中，EC为特定设备的预期修理费用，CI为单位时间内的修理费用增加量，t＝0，……T，T为发生第一警报时剩余寿命)
(数学式6)
机会成本＝(T-t)×V/L
(其中，V为特定设备的价格，L为平均寿命，t＝0，……T，T为发生第一警报时的剩余寿命)。
上述维修时间点计算部可将上述修理费用及上述机会成本之和达到最小值的时间点确定为上述最优维修时间点。
根据本发明另一例示性实施例，本发明提供设备的预测维修方法，上述设备的预测维修方法包括：在良好指标生成部生成用于判断设备的正常状态或故障状态的良好指标的步骤；在故障设备判断部通过上述良好指标判断上述设备是否为故障设备及上述设备的故障类型的步骤；在故障设备预测部预测上述设备的剩余寿命或故障概率的步骤；以及在预测的上述剩余寿命为已设定值以下或者所预测的上述故障概率为已设定值以上的情况下，在第一警报部发生第一警报的步骤。
上述良好指标包括：单变量指标，由用于判断设备的正常状态或故障状态的一种变量形成；以及多变量指标，由多个上述变量的组合而成。
可在生成上述良好指标的步骤中，将在多个上述变量中，在设备发生故障之前发生已设定值以上的变化，在设备发生故障前后发生已设定值以上的变化的变量选为上述单变量指标。
可在生成上述良好指标的步骤中，将在多个上述变量的组合中，在设备发生故障之前发生已设定值以上的变化，在设备发生故障前后发生已设定值以上的变化的组合选为上述多变量指标。
上述变量可以为呈现特定设备的状态或工序条件的温度、压力、电压、电流、速度及张力中的一种。
上述多个良好指标各自已可以与一个以上的设备匹配。
可在判断上述设备是否为故障设备及上述设备的故障类型的步骤中，在上述良好指标超出已设定的管理线的情况下，将上述设备判断为故障设备，并确认在上述良好指标中的单变量指标及多变量指标的种类，由此判断上述设备的故障类型。
可在预测上述设备的剩余寿命或故障概率的步骤中，利用多元线性回归、偏最小二乘、岭、最小绝对收缩与选择算子、平滑绝对偏差、极大极小凹罚函数、支持向量机、套袋、提升及随机森林中的至少一种，并导出将上述设备的剩余寿命作为因变量，将多个上述良好指标中的一种以上作为独立变量的模型，由此预测上述设备的剩余寿命。
可在预测上述设备的剩余寿命或故障概率的步骤中，利用广义线性模型、线性判别分析、二次判别分析、支持向量机、套袋、提升及随机森林中的支持向量机、套袋、提升及随机森林中的至少一种，并导出将上述设备的故障与否作为因变量，将多个上述良好指标中的一种以上作为独立变量的模型，由此预测上述设备的故障概率。
上述设备的预测维修方法还可包括利用已设定时间内的上述设备的故障发生比例来发生第二警报的步骤。
可在发生上述第二警报的步骤中，考虑如下比例来生成一个以上的评价基准，即，虽发生第二警报，但尚未发生实际故障的情况下的比例(以下，称之为“假警报率”)；以及尚未发生上述第二警报，但是已发生实际故障的情况下的比例(以下，称之为“遗漏率”)，利用上述评价基准生成警报规则，当满足上述警报规则时发生上述第二警报。
上述评价基准满足如下的数学式1至数学式3中的任一种，
(数学式1)
w1×假警报率+w2×遗漏率
(其中，w1为关于假警报率的重要度的加权值系数，w2为关于遗漏率的重要度的加权值系数)
(数学式2)
遗漏率s.t.假警报率≤α
(属于假警报率满足已设定的水平(α)以下的条件下的遗漏率)
(数学式3)
假警报率s.t.遗漏率≤β
(属于遗漏率满足已设定的水平(β)以下的条件下的假警报率)。
上述警报意味着K个上述良好指标中的脱离已设定的管理线的良好指标在已设定的时间内达到k个以上，上述K值及k值为使上述评价基准的值最小化的值。
本发明还可包括考虑上述故障设备的修理费用及更换上述故障设备所引起的机会成本来在维修时间点计算部计算最优维修时间点的步骤。
在计算上述最优维修时间点的步骤中，通过如下的数学式4或数学式5计算上述修理费用，通过如下的数学式6计算上述机会成本。
(数学式4)
修理费用＝(ET+TI×t)×M×B
(其中，ET为特定设备的预期修理时间，TI为单位时间内的修理时间增加量，M为单位时间内的生产数量，B为每生产一个所获得的利润，t＝0，……T，T为发生第一警报时的剩余寿命)
(数学式5)
修理费用＝(EC+CI×t)
(其中，EC为特定设备的预期修理费用，CI为单位时间内的修理费用增加量，t＝0，……T，T为发生第一警报时剩余寿命)
(数学式6)
机会成本＝(T-t)×V/L
(其中，V为特定设备的价格，L为平均寿命，t＝0，……T，T为发生第一警报时的剩余寿命)。
可在计算上述最优维修时间点的步骤中，将上述修理费用及上述机会成本之和达到最小值的时间点确定为上述最优维修时间点。
发明的效果
根据本发明的实施例，基于过去设备的故障模式来建立预测模型，使用建立的模型来进行实时监控，由此可预先预测设备故障。进而，使用多变量分析工法来有效把握以往未把握的故障原因。
并且，根据本发明的实施例，在设备发生事故之前，通过客观且统计性方法来向用户发生警报，使得用户建立维修计划，同时可预先防止事故。
附图说明
图1为用于说明本发明一实施例的设备的预测维修系统的框图。
图2为示出通过本发明一实施例的剩余寿命预测部来预测设备的剩余寿命的结果的图表。
图3为示出通过本发明一实施例的故障概率预测部来预测设备的故障概率的结构的图表。
图4为通过第二警报部发生第二警报的情况下的例示图。
图5为用于说明通过本发明一实施例的维修时间点计算部计算最优维修时间点的过程的图。
图6为用于说明本发明一实施例的设备的预测维修方法的流程图。
图7为用于说明图6的步骤S602中，选择本发明一实施例的单变量指标的方法的流程图。
图8为用于说明图6的步骤S602中，选择本发明一实施例的多变量指标的方法的流程图。
图9为用于说明图6的步骤S608中，本发明一实施例的第二警报部发生第二警报的方法的流程图。
图10为用于说明图9的步骤S910的流程图。
附图标记的说明
100：设备的预测维修系统
102：良好指标生成部
104：故障设备判断部
106：故障设备预测部
106-1：剩余寿命预测部
106-2：故障概率预测部
108：警报部
108-1：第一警报部
108-2：第二警报部
110：维修时间点计算部
具体实施方式
本发明可具有多种变更并可具有多种实施例，在图中例示特定实施例，并通过详细的说明进行详细说明。但是，这并非将本发明限定在特定实施形态，而是包括在本发明的思想及技术范围中的所有变更、等同技术方案至替代技术方案。
在说明本发明的过程中，在判断为对于与本发明相关的公知技术的具体说明使本发明的主旨不清楚的情况下，将省略对其的详细说明。而且，后述的术语为考虑在本发明中的功能而定义的术语，上述术语的含义根据使用人员、运用人员的意图或惯例而发生改变。因此，其定义需要通过本说明书整体内容为基础下达。
本发明的技术思想通过发明要求保护范围确定，以下实施例为用于向本发明所属技术领域的普通技术人员说明得到进步的本发明的技术思想的方案。
以下，参照附图，说明本发明的具体实施例。但是，这仅是例示性实施例，本发明并不局限于此。
图1为用于说明本发明一实施例的设备的预测维修系统100的框图。如图1所示，本发明一实施例的设备的预测维修系统100包括良好指标生成部102、故障设备判断部104、故障设备预测部106、警报部108及维修时间点计算部110。在本发明一实施例中，设备为用于制造特定产品(例如，家用电器、移动设备、笔记本电脑、台式电脑等)的设施、装备、装置等，例如，可以为化学气相沉积(CVD，Chemical Vapor Deposition)装备、马达等。
良好指标生成部102生成良好指标(Health Indicator)。良好指标为呈现出各个设备的健康状态的指标，用于判断各个设备的正常状态或故障状态。良好指标可包括：单变量指标(Univariate Indicator)，由用于判断设备的正常状态或故障状态的一种变量形成；以及多变量指标(Multivariate Indicator)，由多个上述变量的组合(例如，线性结合)而成。其中，构成单变量指标及多变量指标的变量可以为呈现出特定设备的状态或工序条件的温度、压力、电压、电流、速度及张力中的任一种。例如，单变量指标可以为向第一设备(未图示)的温度、第一设备的压力、第二设备(未图示)输入的电压等，多变量指标为这些变量的线性结合，例如，可以为a×温度+b×压力+c×电压(其中，a、b、c为常数)。另一方面，上述记述的变量仅是实施例，构成单变量指标及多变量指标的变量的种类并不局限于此。
具体说明良好指标生成部102生成良好指标的过程，首先，良好指标生成部102可将在多个上述变量中，在设备发生故障之前发生已设定值以上的变化，在设备发生故障前后发生已设定值以上的变化的变量选为上述单变量指标。例如，在第一设备发生故障之前，第一设备的温度改变已设定值，例如，改变1度以上，第一设备发生故障前后，改变已设定值，例如，3度以上的情况下，良好指标生成部102可将第一设备的温度选为与第一设备有关的单变量指标。即，可以为用于第一设备的温度判断第一设备的正常状态或故障状态的良好指标。或者，在第一设备的频率在第一设备发生故障之前及第一设备发生故障前后分别改变已设定值以上的情况下，良好指标生成部102可将第一设备的频率选为与第一设备有关的单变量指标。构成单变量指标的变量可参照模拟器或对应设备的历史等来决定。并且，良好指标生成部102可对一个设备生成一个以上的单变量指标之后，可使对应设备和对应单变量指标相互匹配。
接着，良好指标生成部102可将在多个上述变量的组合中，在设备发生故障之前发生已设定值以上的变化，在设备发生故障前后发生已设定值以上的变化的组合选择为上述多变量指标。例如，与第二设备有关的多个变量的组合a×温度+b×压力+c×电压(其中，a、b、c为常数)在第二设备发生故障之前改变已设定值，例如，3以上，在第二设备发生故障前后改变已设定值，例如，5以上的情况下，良好指标生成部102可将对应组合选为与第二设备有关的多变量指标。构成多变量指标的变量的种类及常数值可参照模拟器或对应设备的历史等来确定。尤其，在存在对于设备的故障信息的情况下，良好指标生成部102使用利用与设备状态有关的变量和故障信息的多变量生成方法(例如，偏最小二乘分析(PartialLeast Analysis)等)的来生成多变量指标。在没有对于设备的故障信息的情况下，良好指标生成部102使用仅利用与设备状态有关的变量的多变量生成方法(主成分分析(Principal Component Analysis)等)来生成多变量指标。并且，良好指标生成部102对一个设备生成一个以上的多变量指标之后，可使对应设备和对应多变量指标相互匹配。
另一方面，用于确定单变量指标及多变量指标的上述“已设定值”使用经验性分布或者在对应设备中最能够反映故障的变量的分布，或者利用重复取样来进行确定。并且，例如，在发生故障之前，利用Tree分类算法、CUSUM算法等来确认是否发生已设定值以上的变化，例如，在发生障碍前后，利用T-test、F-test、Wilcox test等来确认是否发生已设定值以上的变化。
故障设备判断部104通过在良好指标生成部102生成的良好指标来判断发生故障的设备及设备的故障类型。如上所述，良好指标包括一个以上的单变量指标及多变量指标，各个良好指标与一个以上的设备已匹配。例如，第一设备与第一单变量指标至第三单变量指标及第一多变量指标至第四多变量指标已匹配。由此，故障设备判断部104对良好指标进行监控中，且在特定良好指标(或在良好指标中的单变量指标及多变量指标)脱离已设定的管理线的情况下，可将对应设备判断为故障设备。其中，管理线为用于判断是否为故障设备的基准值，例如，与当设备为正常设备时的良好指标的平均相比，可存在与已设定值相应的差异(例如，3σ、6σ等)。作为一例，与当设备正常时的对应良好指标的平均相比，在良好指标为3σ(其中，σ为标准偏差)以上的情况下，故障设备判断部104可将对应设备判断为故障设备。在此情况下，故障设备判断部104确认在对应良好指标中的单变量指标及多变量指标的种类，由此可判断对应设备的故障类型。在与温度有关的单变量指标包含在对应良好指标的情况下，故障设备判断部104判断为在良好指标中的温度为对应设备的故障原因中的一种。另一方面，故障设备判断部104均考虑单变量指标及多变量指标来判断设备的故障有无及设备的故障类型。如上所述，在各个良好指标包含一个故障的单变量指标及多变量指标，因此，故障设备判断部104同时对单变量指标及多变量指标进行监控来更加有效地判断设备的故障有无及设备的故障类型。
故障设备预测部106预测设备的剩余寿命或故障概率。故障设备预测部106可包括剩余寿命预测部106-1及故障概率预测部106-2。剩余寿命预测部106-1预测设备的剩余寿命，故障概率预测部106-2可预测设备的故障概率。
图2为示出通过本发明一实施例的剩余寿命预测部106-1来预测设备的剩余寿命的结果的图表。其中，横轴为时间，纵轴为剩余寿命。
剩余寿命预测部106-1多元线性回归、偏最小二乘、岭、最小绝对收缩与选择算子、平滑绝对偏差、极大极小凹罚函数、支持向量机、套袋、提升及随机森林中的至少一种，可导出将上述设备的剩余寿命作为因变量，将多个上述良好指标中的一种以上作为独立变量的模型，由此预测上述设备的剩余寿命。剩余寿命预测部106-1可在这些模型中选择具有最小预测误差的模型，可使用所选择的模型来预测设备的剩余寿命。
尤其，剩余寿命预测部106-1为因变量的连续，因此，利用如元线性回归、偏最小二乘、岭、最小绝对收缩与选择算子、平滑绝对偏差、套袋、提升及随机森林的回归分析(Regression Analysis)方法来预测设备的剩余寿命。并且，在独立变量为时间的情况下，剩余寿命预测部106-1利用如ARIMA等的时间序列分析(Time-series Analysis)方法来预测设备的剩余寿命，在因变量为事件发生时间(Time-to-Event)的情况下，利用如指数分布、威布尔分布、逻辑斯谛分布、伽玛分布、指数对数分布、生存曲线法及Cox比例风险模型等的生存分析(Survival Analysis)方法来预测设备的剩余寿命。剩余寿命预测部106-1利用上述多种方法，导出将设备的剩余寿命作为因变量，将在多个良好指标中的一个以上作为独立变量的模型，由此可更加有效且准确地预测设备的剩余寿命。并且，如下所述，在剩余寿命预测部106-1中预测的剩余寿命为已设定值以下的情况下，警报部108发生警报来使用户预先准备设备的维修。
图3为示出通过本发明一实施例的故障概率预测部106-2来预测设备的故障概率的结果的图表。其中，横轴为时间，纵轴为故障概率。
故障概率预测部106-2利用广义线性模型、线性判别分析、二次判别分析、支持向量机、套袋、提升及随机森林中的至少一种，并导出将上述设备的故障与否作为因变量，可将多个上述良好指标中的一个以上作为独立变量的模型，由此预测上述设备的故障概率。故障概率预测部106-2可在这些模型中选择具有最小预测误差的模型，使用所选择的模型来预测设备的故障概率。
在独立变量为时间的情况下，故障概率预测部106-2利用如ARIMA等的时间序列分析(Time-series Analysis)方法来预测设备的故障概率，因变量为时间发生时间的情况下，利用如指数分布、威布尔分布、逻辑斯谛分布、伽玛分布、指数对数分布、生存曲线法及Cox比例风险模型等的生存分析方法来预测设备的剩余寿命。故障概率预测部106-2利用上述多种方法，导出将设备的故障概率为因变量，将多个良好指标中的一个上作为独立变量的模型，由此更加有效且准确地预测设备的故障概率。并且，如下所述，在故障概率预测部106-2中预测的剩余寿命为已设定值以下的情况下，警报部108发生警报来使用户预先准备设备的维修。
重新参照图1，警报部108可考虑设备的剩余寿命、设备的故障概率及设备的故障发生比例中的一个以上来向用户发生警报。如图1所示，警报部108可包括第一警报部108-1及第二警报部108-2。
第一警报部108-1考虑在故障设备预测部106中预测的设备的剩余寿命或故障概率来发生第一警报。具体地，第一警报部108-1可在所预测的上述剩余寿命为已设定值以下或者所预测的上述故障概率为已设定值以上的情况下发生第一警报。例如，参照图2及图3，第一警报部108-1在设备的剩余寿命为48小时以下或者设备的故障概率为0.7以上的情况下发生第一警报。由此，用户在设备的寿命结束之前或发生故障之前可制订设备的维修计划，并可预先防止故障发生。另一方面，在本发明的一实施例中，警报不仅包括通过扬声器等来向用户发生警报通知，而且包括通过显示装置向用户发生警报显示。
并且，第二警报部108-2通过已设定时间内的设备的故障发生比例来预测事故发生并发生的第二警报。其中，故障为设备不动作或者非正常动作而无法生产所需要的产品的状态。通常，与故障发生有关的警报规则通过主观性、一般性、经验性方法来进行选择，或者这种警报规则很难作为警报规则，很难在变更警报规则之后运营。由此，本发明实施例通过生成客观、统计性的警报规则的评价基准的生成来有效预测设备的故障发生。
首先，如以下表1所示，第二警报部108-2考虑在发生第二警报但未发生实际故障的情况下的比例(以下，称之为“假报警率”)和未发生第二警报但发生实际故障的情况下的比例(以下，称之为“遗漏率”)来生成一个故障的评价基准。
表1
上述评价基准满足以下的数学式1至数学式3中的任一种。
(数学式1)
w1×假警报率+w2×遗漏率
(其中，w1为关于假警报率的重要度的加权值系数，w2为关于遗漏率的重要度的加权值系数)
(数学式2)
遗漏率s.t.假警报率≤α
(属于假警报率满足已设定的水平(α)以下的条件下的遗漏率)
(数学式3)
假警报率s.t.遗漏率≤β
(属于遗漏率满足已设定的水平(β)以下的条件下的假警报率)。
接着，第二警报部108-2生成使上述评价基准最优化的警报规则。其中，例如，警报规则可以意味着“最近(在已设定的时间内)，K个的良好指标中，脱离已设定的管理线的良好指标为k个以上”。只是，这仅是一个实施例，第二警报部108-2可生成多种警报规则。例如，第二警报部108-2可生成如下多种警报规则：“最近，L个的良好指标中，增加或减少的数量为l个以上”的警报规则；“最近，M个的良好指标中，从目标值向一侧倾斜的值为m个以上”的警报规则；“最近，N个的良好指标中，因改变方向而而从管理线脱离的量为n个以上”的警报规则等多种警报规则。其中，为了说明的便利，举例说明“最近(在已设定的时间内)，K个良好指标中，脱离已设定的管理线的良好指标k个以上”的良好规则。
此时，第二警报部108-2可计算使评价基准值最小化的K值及k值(或L及1值、M及m值、N及n值)。
例如，在评价基准为“假警报率s.t.遗漏率≤β”的情况下，最优的警报规则可如下计算。
arg min(假警报率s.t.遗漏率≤β)
其中，在如假报警率的K和k存在多个的情况下，第二警报部108-2可将K+k最小的K值、k值选为警报规则的最终K值、k值，在K+k的组合存在多个的情况下，选择最小的K。
例如，通过上述过程，当以K＝5、k＝4进行计算时，在已设定的时间内，在5个良好指标中，脱离管理线的良好指标为4个以上的情况下，第二警报部108-2可发生第二警报。即，第二警报部108-2生成一个以上的评价基准，并生成使评价基准最优化的警报规则，在设备的故障发生比例满足警报规则的情况下，可发生第二警报。由此，符合产品或设备的特性预测故障发生来发生最优化的警报。
图4为通过第二警报部108-2发生第二警报的情况下的例示图。如图4的(a)所示，第二警报部108-2考虑假警报率及遗漏率来生成一个以上的评价基准，并生成使评价基准最优化的警报规则。通过上述过程，第二警报部108-2可计算警报规则的K值及k值，其中，假设K＝5、k＝4。
之后，如图4的(b)所示，第二警报部108-2可在满足警报规则的A区间(5个良好指标中，所发现的脱离管理线的良好指标为4个以上)发生第二警报。其中，即，在已设定的时间内，在脱离管理线的良好指标的比例为80％以上的情况下，第二警报部108-2可发生第二警报。
重新参照图1，维修时间点计算部110考虑故障设备的修理费用及更换故障设备所引起的机会成本来计算最优维修时间点。其中，修理费用为随着时间的流逝，因设备的修理期间及缺陷变得严重而发生的损害，机会成本为完全使用设备的寿命而获得的利润。
首先，维修时间点计算部110通过之后的数学式4或数学式5计算故障设备的修理费用。
(数学式4)
修理费用＝(ET+TI×t)×M×B
(其中，ET为特定设备的预期修理时间，TI为单位时间内的修理时间增加量，M为单位时间内的生产数量，B为每生产一个所获得的利润，t＝0，……T，T为发生第一警报时的剩余寿命)
(数学式5)
修理费用＝(EC+CI×t)
(其中，EC为特定设备的预期修理费用，CI为单位时间内的修理费用增加量，t＝0，……T，T为发生第一警报时剩余寿命)
并且，维修时间点计算部110通过之后的数学式6来计算设备的机会成本。
(数学式6)
机会成本＝(T-t)×V/L
(其中，V为特定设备的价格，L为平均寿命，t＝0，……T，T为发生第一警报时的剩余寿命)。
维修时间点计算部110可将故障设备的修理费用及机会成本之和达到最小值的时间点确定为最优维修时间点。
图5为用于说明通过本发明一实施例的维修时间点计算部110来计算最优维修时间点的过程的图。如图5所示，维修时间点计算部110通过上述数学式4至数学式6来计算故障设备的修理费用及机会成本并计算修理费用及机会成本之和达到最小值的时间点B。由此，图5的B可以为最优维修时间点。
图6为用于说明本发明一实施例的设备的预测维修方法的流程图。
首先，良好指标生成部102生成用于判断设备的正常状态或故障状态的良好指标(步骤S602)。如上所述，良好指标包括由用于判断设备的正常状态或故障状态的一个变量形成的单变量指标，及由多个变量组合而成的多变量指标。其中，变量可以为与特定设备的相应的温度、压力、电压、电流、速度及张力中的任一种。参照图7及图8，具体说明良好指标生成部102生成单变量指标及多变量指标的方法。
接着，故障设备判断部104通过良好指标判断对应设备是否为故障设备以及对应设备的故障类型(步骤S604)。在良好指标生成部102中生成的良好指标分别与一个以上的设备已匹配，因此，故障设备判断部104对良好指标进行监控并简单判断发生故障的设备。并且，故障设备判断部104确认被判断为故障设备的良好指标中的单变量指标及多变量指标内的变量，由此还可简单判断故障设备的故障类型。即，根据本发明的实施例，可使用多变量分析工法来有效把握之前未把握的故障原因。
接着，故障设备预测部106预测故障设备的剩余寿命或故障概率(步骤S606)。如上所述，故障设备预测部106可包括剩余寿命预测部106-1及故障概率预测部106-2。
剩余寿命预测部106-1利用多元线性回归、偏最小二乘、岭、最小绝对收缩与选择算子、平滑绝对偏差、极大极小凹罚函数、支持向量机、套袋、提升及随机森林中的至少一种，导出将设备的剩余寿命作为因变量并将多个良好指标中的一种以上作为独立变量的模型，由此可预测设备的剩余寿命。剩余寿命预测部106-1在这些模型中可选择具有最小预测误差的模型，使用所选择的模型来预测设备的剩余寿命。并且，故障概率预测部106-2利用广义线性模型、线性判别分析、二次判别分析、支持向量机、套袋、提升及随机森林中的支持向量机、套袋、提升及随机森林中的至少一种，导出将设备的故障与否为因变量并将多个良好指标中的一种以上作为独立变量的模型，由此可预测设备的障碍概率。故障概率预测部106-2在这些模型中可选择具有最小误差的模型，使用所选择的模型来预测设备的故障概率。
接着，警报部108考虑在设备的剩余寿命、故障概率及发生比例中的一种以上来向用户发生警报(步骤S608)。如上所述，警报部108可包括第一警报部108-1及第二警报部108-2。
第一警报部108-1考虑在故障设备预测部106中预测的设备的剩余寿命或故障概率来发生第一警报。具体地，第一警报部108-1在故障设备预测部106中预测的设备的剩余寿命为已设定值或者所预测的设备的故障概率为已设定值以上的情况下发生第一警报。由此，用户可在设备的寿命结束之前或者发生故障之前制订设备的维修计划并预先防止事故的发生。
并且，第二警报部108-2通过在已设定的时间内的设备的故障发生比例来预测事故发生病发生第二警报。参照图9及图10，具体说明第二警报部108-2发生第二警报的方法。
最后，维修时间点计算部110考虑故障设备的修理费用及更换故障设备所引起的机会成本来计算最优维修时间点(步骤S610)。维修时间点计算部110通过上述说明的数学式4或数学式5来计算故障设备的修理费用，通过数学式6计算故障设备的机会成本。之后，维修时间点计算部110可将故障设备的修理费用及机会成本之和最小的时间点确定为最优维修时间点。另一方面，虽然在此说明在步骤S608之后执行步骤S610，但步骤S608及步骤S610为分别独立的步骤，即使同时执行或在步骤S610之后执行步骤S608也无妨。
图7为用于说明在图6的步骤S602中，选择本发明一实施例的单变量指标的方法的流程图。
首先，良好指标生成部102可从配置于设备的内部或附近的多个传感器(例如，温度传感器、压力传感器等)接收多个输入数据Xi中的一个输入数据X1(步骤S702、步骤S704)。其中，输入数据Xi可以为对于与特定设备相应的温度、压力、电压、电流、速度及张力中的任一个的变量。
接着，良好指标生成部102对输入数据X1进行监控并确认在设备的故障之前是否发生已设定值以上的变化(步骤S706)。例如，在输入数据X1为与第一设备的温度有关的变量的情况下，良好指标生成部102可在设备发生故障之前监控输入数据X1是否变为已设定值以上，例如，变化1度以上。
在输入数据X1变化已设定值以上的情况下，良好指标生成部102对输入数据X1进行监控并确认在设备发生故障之前是否改变已设定值以上(步骤S708)。例如，良好指标生成部102可在设备发生故障之后确认输入数据X1是否改变已设定值以上，例如，3度以上。
在上述步骤S706及步骤S708中，在均发生已设定值以上的变化的情况下，良好指标生成部102将对应输入数据X1选为单变量指标(UI)(步骤S710)。
之后，良好指标生成部102逐渐在i增加1(只是，i≤P)并从之前步骤S704反复进行步骤(步骤S712、步骤S716)。并且，在步骤S706及步骤S708步骤中的至少一个步骤中，在不发生已设定值以上的变化的情况下，逐渐在i增加1(只是，i≤P)并从之前步骤S704反复进行步骤。
在步骤S716，在不满足i≤P的情况下，将至今选择的单变量指标选为最终单变量指标(步骤S714)。另一方面，步骤S706及步骤S708中，已设定值使用经验性分布或者在对应设备中最能够反映故障的变量的分布，或者利用重复取样来进行确定。
图8为用于说明在图6的步骤S602中，选择本发明一实施例的多变量指标的方法的流程图。
首先，良好指标生成部102可接收在使用PCA、偏最小二乘等来以多个变量的组合形成的多个输入数据(Si)中的一个输入数据S1(步骤S802、步骤S804)。其中，变量可以为与特定设备相应的温度、压力、电压、电流、速度及张力中的一种，例如，输入数据Si可以为a×温度+b×压力+c×电压(其中，a、b、c为常数)。
接着，良好指标生成部102对输入数据S1进行监控并确认在设备的障碍之前是否发生已设定值以上的变化(步骤S806)。
在输入数据S1变为已设定值以上的情况下，良好指标生成部102对输入数据S1进行监控并确认在设备发生故障前后是否发生设定值以上的变化(步骤S808)。
在上述步骤S806及步骤S808中，在均发生已设定值以上的变化的情况下，良好指标生成部102将对应输入数据S1选为多变量指标(MI)(步骤S810)。
之后，良好指标生成部102逐渐在i增加1(只是，i≤Q)并从之前步骤S804反复进行步骤(步骤S812、步骤S816)。并且，在步骤S806及步骤S808中，在至少一个步骤中未发生已设定值以上的变化的情况下，逐渐在i增加1(只是，i≤Q)并从之前步骤S804反复进行步骤。
在步骤S816中，在不满足i≤Q的情况下，将至今选择的多变量指标选为最终多变量指标(步骤S814)。另一方面，步骤S806及步骤S808中，已设定值使用经验性分布或者在对应设备中最能够反映故障的变量的分布，或者利用重复取样来进行确定。
图9为在图6的步骤S608中，用于说明本发明一实施例的第二警报部108-2发生第二警报的方法的流程图。
首先，第二警报部108-2选择警报对象指标及候补警报规则(步骤S902)。其中，警报对象指标为在多个良好指标中用于发生第二警报的良好指标，例如，可以为与故障设备相匹配的良好指标。并且，例如，候补警报规则可包括“在已设定的时间内，在K个良好指标中，脱离已设定的管理线的良好指标为k个以上”的警报规则、“在已设定的时间内，在L个良好指标中，增加或减少的良好指标为1个以上”的警报规则、“在已设定的时间内，在M个良好指标中，从目标值倾向一侧的良好指标为m个以上”的警报规则、“在已设定的时间内，在N个良好指标中，因改变方向而从管理线脱离的良好指标为n个以上”的警报规则等。
第二警报部108-2判断是否存在与对应设备有关的故障历史(步骤S904)，在存在故障历史的情况下，选择判断基准(步骤S906)。评价基准可满足如上所述的数学式1至数学式3中的任一种。其中，为了说明的便利性，选择第二警报部108-2满足数学式2的评价基准。
接着，第二警报部108-2选择管理线(步骤S908)。其中，管理线为用于区分正常设备和故障设备的基准线，根据对应良好指标的种类发生改变。例如，第二警报部108-2使用经验性分布或者利用或者重复取样来选择管理线。参照图4的b，示出管理线的例示。在步骤S904中，在没有故障历史的情况下，第二警报部108-2省略步骤S906并直接选择管理线。在此情况下，没有评价基准，因此，在后述的步骤S912中，仅可使用K+k值最小的条件。在K+k的组合为多个的情况下，仅使用K值为最小的条件。
接着，第二警报部108-2适用可考虑的候补警报规则(步骤S910)。例如，在警报规则为“在已设定的时间内，在K个良好指标中，脱离已设定的管理线的良好指标为k个以上”的情况下，第二警报部108-2对上述评价基准依次适用至(K、k)(1、1)、(1、2)、(1、3)、……(K、k)＝(100、100)的值。对此，参照图10进行具体说明。
接着，第二警报部108-2使评价基准的值最小化并找出K+k值最小化的K、k值(以下，称之为K×、k×)，并将具有K×、k×的警报规则选择为最优警报规则(S912、S914)。
最后，在满足在步骤S914中选择的最优警报规则的情况下，第二警报部108-2发生第二警报(步骤S916)。
图10为用于说明图9的步骤S910的流程图。
首先，在假定K＝1、k＝1之后，第二警报部108-2在K≤100的条件下，判断是否满足k≤K(步骤S1002、步骤S1004、步骤S1006、步骤S1008)。
在不满足k≤K的情况下，第二警报部108-2逐渐在K增加1的情况下从步骤S1004反复进行之前步骤(步骤S1010)。
在满足k≤K的情况下，第二警报部108-2对当前K值、k值计算假报警率及遗漏率(步骤S1012)。第二警报部108-2通过将特定数量的设备(例如，100个)作为样品来把握发生第二警报的情况和发生实际事故的情况，来计算对于之前选择的管理线的假报警率及遗漏率。并且，利用模拟器来计算假报警率及遗漏率。
接着，第二警报部108-2在每次在k增加1的过程中从步骤S1008反复之前步骤(步骤S1014)。
在步骤S1006中，不再满足K≤100的情况下，第二警报部108-2完成适用候补警报规则(步骤S1016)。通过上述过程，均可适用对于k1～k＝100及K＝1～K＝100的候补警报规则。另一方面，在此，为了说明的便利性，将(k、K)＝(100、100)假设为k、K的最大值，但是，这仅是一个实施例，k、K的最大值并不局限于此。
以上，通过代表性实施例对本发明进行详细说明，本发明所属技术领域的普通技术范围可在不超出本发明的范畴的范围内可进行多种变形。因此，本发明的发明要求保护范围并不局限于所说明的实施例，而是通过后述的发明要求保护范围及与上述发明要求保护范围等同的内容。

Claims (26)

1.一种设备的预测维修系统，其特征在于，
包括：
良好指标生成部，生成用于判断设备的正常状态或故障状态的良好指标；
故障设备判断部，通过所述良好指标判断所述设备是否为故障设备及所述设备的故障类型；
故障设备预测部，用于预测所述设备的剩余寿命或故障概率；
第一警报部，在所预测的所述剩余寿命为已设定值以下或者所预测的所述故障概率为已设定值以上的情况下，发生第一警报；以及
第二警报部，利用已设定时间内的所述设备的故障发生比例来发生第二警报，
所述第二警报部考虑如下比例来生成一个以上的评价基准，即，虽发生第二警报，但尚未发生实际故障的情况下的比例，以下，称之为假警报率，以及虽尚未发生所述第二警报，但已发生实际故障的情况下的比例，以下，称之为遗漏率，利用所述评价基准生成警报规则，当满足所述警报规则时，发生所述第二警报，
所述评价基准满足如下的数学式1至数学式3中的任一种：
数学式1
w1×假警报率+w2×遗漏率，
其中，w1为关于假警报率的重要度的加权值系数，w2为关于遗漏率的重要度的加权值系数，
数学式2
遗漏率s.t.假警报率≤α，
属于假警报率满足已设定的水平(α)以下的条件下的遗漏率，
数学式3
假警报率s.t.遗漏率≤β，
属于遗漏率满足已设定的水平(β)以下的条件下的假警报率。
2.根据权利要求1所述的设备的预测维修系统，其特征在于，所述良好指标包括：
单变量指标，由用于判断设备的正常状态或故障状态的一种变量构成；以及
多变量指标，由多个所述变量的组合构成。
3.根据权利要求2所述的设备的预测维修系统，其特征在于，所述良好指标生成部将多个所述变量中的在设备发生故障之前发生已设定值以上的变化并在设备发生故障前后发生已设定值以上的变化的变量选为所述单变量指标。
4.根据权利要求2所述的设备的预测维修系统，其特征在于，所述良好指标生成部将多个所述变量的组合中的在设备发生故障之前发生已设定值以上的变化并在设备发生故障前后发生已设定值以上的变化的组合选为所述多变量指标。
5.根据权利要求2所述的设备的预测维修系统，其特征在于，所述变量为呈现特定设备的状态或工序条件的温度、压力、电压、电流、速度及张力中的任一种。
6.根据权利要求1所述的设备的预测维修系统，其特征在于，所述多个良好指标各自已与一个以上的设备匹配。
7.根据权利要求2所述的设备的预测维修系统，其特征在于，在所述良好指标超出已设定的管理线的情况下，所述故障设备判断部将所述设备判断为故障设备，并确认在所述良好指标中的单变量指标及多变量指标的种类，由此判断所述设备的故障类型。
8.根据权利要求1所述的设备的预测维修系统，其特征在于，所述故障设备预测部利用多元线性回归、偏最小二乘、岭、最小绝对收缩与选择算子、平滑绝对偏差、极大极小凹罚函数、支持向量机、套袋、提升及随机森林中的至少一种，并导出将所述设备的剩余寿命作为因变量并将多个所述良好指标中的一种以上作为独立变量的模型，由此预测所述设备的剩余寿命。
9.根据权利要求1所述的设备的预测维修系统，其特征在于，所述故障设备预测部利用广义线性模型、线性判别分析、二次判别分析、支持向量机、套袋、提升及随机森林中的支持向量机、套袋、提升及随机森林中的至少一种，并导出将所述设备的故障与否作为因变量并将多个所述良好指标中的一种以上作为独立变量的模型，由此预测所述设备的故障概率。
10.根据权利要求1所述的设备的预测维修系统，其特征在于，所述警报规则意味着K个所述良好指标中的脱离已设定的管理线的良好指标在已设定的时间内达到k个以上，所述第二警报部计算使所述评价基准的值最小化的K值及k值。
11.根据权利要求1所述的设备的预测维修系统，其特征在于，还包括考虑所述故障设备的修理费用及更换所述故障设备所引起的机会成本来计算最优维修时间点的维修时间点计算部。
12.根据权利要求11所述的设备的预测维修系统，其特征在于，所述维修时间点计算部通过如下的数学式4或数学式5计算所述修理费用，通过如下的数学式6计算所述机会成本：
数学式4
修理费用＝(ET+TI×t)×M×B，
其中，ET为特定设备的预期修理时间，TI为单位时间内的修理时间增加量，M为单位时间内的生产数量，B为每生产一个所获得的利润，t＝0，……T，T为发生第一警报时的剩余寿命，
数学式5
修理费用＝(EC+CI×t)，
其中，EC为特定设备的预期修理费用，CI为单位时间内的修理费用增加量，t＝0，……T，T为发生第一警报时的剩余寿命，
数学式6
机会成本＝(T－t)×V/L，
其中，V为特定设备的价格，L为平均寿命，t＝0，……T，T为发生第一警报时的剩余寿命。
13.根据权利要求11所述的设备的预测维修系统，其特征在于，所述维修时间点计算部将所述修理费用及所述机会成本之和达到最小值的时间点确定为所述最优维修时间点。
14.一种设备的预测维修方法，其特征在于，包括：
在良好指标生成部生成用于判断设备的正常状态或故障状态的良好指标的步骤；
在故障设备判断部通过所述良好指标判断所述设备是否为故障设备及所述设备的故障类型的步骤；
在故障设备预测部预测所述设备的剩余寿命或故障概率的步骤；
在所预测的所述剩余寿命为已设定值以下或者所预测的所述故障概率为已设定值以上的情况下，在第一警报部发生第一警报的步骤；以及
在第二警报部利用已设定时间内的所述设备的故障发生比例来发生第二警报的步骤，
在发生所述第二警报的步骤中，考虑如下比例来生成一个以上的评价基准，即，虽发生第二警报，但尚未发生实际故障的情况下的比例，以下，称之为假警报率，以及虽尚未发生所述第二警报，但已发生实际故障的情况下的比例，以下，称之为遗漏率，利用所述评价基准生成警报规则，当满足所述警报规则时，发生所述第二警报，
所述评价基准满足如下的数学式1至数学式3中的一种：
数学式1
w1×假警报率+w2×遗漏率，
其中，w1为关于假警报率的重要度的加权值系数，w2为关于遗漏率的重要度的加权值系数，
数学式2
遗漏率s.t.假警报率≤α，
属于假警报率满足已设定的水平(α)以下的条件下的遗漏率，
数学式3
假警报率s.t.遗漏率≤β，
属于遗漏率满足已设定的水平(β)以下的条件下的假警报率。
15.根据权利要求14所述的设备的预测维修方法，其特征在于，所述良好指标包括：
单变量指标，由用于判断设备的正常状态或故障状态的一种变量构成；以及
多变量指标，由多个所述变量的组合构成。
16.根据权利要求15所述的设备的预测维修方法，其特征在于，在生成所述良好指标的步骤中，将多个所述变量中的在设备发生故障之前发生已设定值以上的变化并在设备发生故障前后发生已设定值以上的变化的变量选为所述单变量指标。
17.根据权利要求15所述的设备的预测维修方法，其特征在于，在生成所述良好指标的步骤中，将多个所述变量的组合的在设备发生故障之前发生已设定值以上的变化并在设备发生故障前后发生已设定值以上的变化的组合选为所述多变量指标。
18.根据权利要求15所述的设备的预测维修方法，其特征在于，所述变量为呈现特定设备的状态或工序条件的温度、压力、电压、电流、速度及张力中的一种。
19.根据权利要求14所述的设备的预测维修方法，其特征在于，所述多个良好指标各自已与一个以上的设备匹配。
20.根据权利要求15所述的设备的预测维修方法，其特征在于，在判断所述设备是否为故障设备及所述设备的故障类型的步骤中，在所述良好指标超出已设定的管理线的情况下，将所述设备判断为故障设备，并确认在所述良好指标中的单变量指标及多变量指标的种类，由此判断所述设备的故障类型。
21.根据权利要求14所述的设备的预测维修方法，其特征在于，在预测所述设备的剩余寿命或故障概率的步骤中，利用多元线性回归、偏最小二乘、岭、最小绝对收缩与选择算子、平滑绝对偏差、极大极小凹罚函数、支持向量机、套袋、提升及随机森林中的至少一种，并导出将所述设备的剩余寿命作为因变量并将多个所述良好指标中的一种以上作为独立变量的模型，由此预测所述设备的剩余寿命。
22.根据权利要求14所述的设备的预测维修方法，其特征在于，在预测所述设备的剩余寿命或故障概率的步骤中，利用广义线性模型、线性判别分析、二次判别分析、支持向量机、套袋、提升及随机森林中的支持向量机、套袋、提升及随机森林中的至少一种，并导出将所述设备的故障与否作为因变量并将多个所述良好指标中的一种以上作为独立变量的模型，由此预测所述设备的故障概率。
23.根据权利要求14所述的设备的预测维修方法，其特征在于，所述警报规则意味着K个所述良好指标中的脱离已设定的管理线的良好指标在已设定的时间内达到k个以上，所述K值及k值为使所述评价基准的值最小化的值。
24.根据权利要求14所述的设备的预测维修方法，其特征在于，还包括考虑所述故障设备的修理费用及更换所述故障设备所引起的机会成本来在维修时间点计算部计算最优维修时间点的步骤。
25.根据权利要求24所述的设备的预测维修方法，其特征在于，在计算所述最优维修时间点的步骤中，通过如下的数学式4或数学式5计算所述修理费用，通过如下的数学式6计算所述机会成本：
数学式4
修理费用＝(ET+TI×t)×M×B，
其中，ET为特定设备的预期修理时间，TI为单位时间内的修理时间增加量，M为单位时间内的生产数量，B为每生产一个所获得的利润，t＝0，……T，T为发生第一警报时的剩余寿命，
数学式5
修理费用＝(EC+CI×t)，
其中，EC为特定设备的预期修理费用，CI为单位时间内的修理费用增加量，t＝0，……T，T为发生第一警报时的剩余寿命，
数学式6
机会成本＝(T-t)×V/L，
其中，V为特定设备的价格，L为平均寿命，t＝0，……T，T为发生第一警报时的剩余寿命。
26.根据权利要求24所述的设备的预测维修方法，其特征在于，在计算所述最优维修时间点的步骤中，将所述修理费用及所述机会成本之和达到最小值的时间点确定为所述最优维修时间点。
CN201580065968.5A 2014-11-27 2015-11-13 设备的预测维修系统及方法 Pending CN107004164A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR10-2014-0167244 2014-11-27
KR1020140167244A KR101561026B1 (ko) 2014-11-27 2014-11-27 설비의 예측 정비 시스템 및 방법
PCT/KR2015/012224 WO2016085172A1 (ko) 2014-11-27 2015-11-13 설비의 예측 정비 시스템 및 방법

Publications (1)

Publication Number Publication Date
CN107004164A true CN107004164A (zh) 2017-08-01

Family

ID=54365814

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580065968.5A Pending CN107004164A (zh) 2014-11-27 2015-11-13 设备的预测维修系统及方法

Country Status (4)

Country Link
US (1) US20180336534A1 (zh)
KR (1) KR101561026B1 (zh)
CN (1) CN107004164A (zh)
WO (1) WO2016085172A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107622791A (zh) * 2017-09-14 2018-01-23 佛山市第人民医院 透析设备部件的预防性更换方法
CN109886328A (zh) * 2019-02-14 2019-06-14 国网浙江省电力有限公司电力科学研究院 一种电动汽车充电设施故障预测方法与系统
CN110687451A (zh) * 2019-08-28 2020-01-14 武汉科技大学 基于误差补偿的支持向量机锂电池剩余寿命预测方法
CN111373701A (zh) * 2018-05-23 2020-07-03 松下电器（美国）知识产权公司 异常检测装置、异常检测系统以及控制方法
CN112060319A (zh) * 2020-09-09 2020-12-11 中联重科股份有限公司 用于预测搅拌主机的易损件寿命情况的方法和装置
CN112284727A (zh) * 2020-09-30 2021-01-29 华南理工大学 一种基于卷积极大极小凹罚算法的旋转机械故障诊断方法
CN112703515A (zh) * 2018-08-07 2021-04-23 日铁综合工程株式会社 维护管理装置、维护管理方法及程序
CN113127984A (zh) * 2019-12-31 2021-07-16 中移(上海)信息通信科技有限公司 设备维护的方法、装置、设备及存储介质

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10139788B2 (en) 2016-03-15 2018-11-27 Honeywell International Inc. Remote data analytics to predict system components or device failure
KR102021944B1 (ko) * 2017-09-20 2019-09-17 주식회사 에이치엔에스휴먼시스템 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법 및 시스템
US11983000B2 (en) 2018-08-20 2024-05-14 Skf Lubrication Systems Germany Gmbh Device for outputting a future state of a central lubrication system
CN109101753B (zh) * 2018-08-31 2023-06-27 周建全 一种改善机械设备检修系统复杂性的方法
KR20200050186A (ko) 2018-11-01 2020-05-11 (주)라임 생산설비의 정상작동수명 디지털제어방법
EP3935581A4 (en) 2019-03-04 2022-11-30 Iocurrents, Inc. DATA COMPRESSION AND COMMUNICATION USING MACHINE LEARNING
KR102252740B1 (ko) * 2020-03-06 2021-05-17 세메스 주식회사 프로브 스테이션의 예측 정비 방법 및 시스템
KR102185017B1 (ko) * 2020-07-14 2020-12-01 (주)부품디비 가스공급시설 정보관리 및 예지보전 통합 시스템
CN111931872B (zh) * 2020-09-27 2021-11-16 北京工业大数据创新中心有限公司 一种趋势性征兆的异常确定方法及装置
CN115034248A (zh) * 2021-03-03 2022-09-09 斯凯孚公司 用于设备的自动诊断方法、系统和存储介质
KR102596748B1 (ko) * 2021-11-03 2023-11-01 아주대학교산학협력단 트랜지스터 수명 예측 방법
CN114488996A (zh) * 2021-12-27 2022-05-13 山东浪潮工业互联网产业股份有限公司 一种设备健康监控与预警方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100524608C (zh) * 2002-05-29 2009-08-05 东京电子株式会社 用于监视工具性能的方法和设备
CN102458240A (zh) * 2009-06-18 2012-05-16 皇家飞利浦电子股份有限公司 具有减少的心搏停止假警报的ecg 监测
KR20130109506A (ko) * 2012-03-27 2013-10-08 한국남동발전 주식회사 발전설비의 위험도 기반 정비 시스템
CN103400040A (zh) * 2013-07-31 2013-11-20 中国人民解放军国防科学技术大学 采用多步时域差值学习的故障诊断与预测方法
CN103616878A (zh) * 2013-12-03 2014-03-05 山东中烟工业有限责任公司 烟草加工过程加料回路在线状态检测系统及检测方法
CN103824137A (zh) * 2014-03-20 2014-05-28 北京信息科技大学 一种复杂机械设备多工况故障预测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4624577B2 (ja) * 2001-02-23 2011-02-02 富士通株式会社 複数のセンサによるヒューマンインタフェースシステム
SG128434A1 (en) * 2002-11-01 2007-01-30 Nanyang Polytechnic Embedded sensor system for tracking moving objects
KR100631068B1 (ko) * 2004-10-14 2006-10-02 볼보 컨스트럭션 이키프먼트 홀딩 스웨덴 에이비 건설기계의 자기수명 진단장치 및 그 방법
US20090018875A1 (en) * 2007-05-01 2009-01-15 Sabatini Monatesti 1st responder guidance and decision-support system enabling victim tracking and extraction
JP2009217770A (ja) 2008-03-13 2009-09-24 Nec Corp 故障予測通知システム、故障予測通知方法、故障予測通知プログラムおよびプログラム記録媒体
KR20140038265A (ko) * 2012-09-20 2014-03-28 한국전력공사 고장관리장치 및 이의 고장관리방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100524608C (zh) * 2002-05-29 2009-08-05 东京电子株式会社 用于监视工具性能的方法和设备
CN102458240A (zh) * 2009-06-18 2012-05-16 皇家飞利浦电子股份有限公司 具有减少的心搏停止假警报的ecg 监测
KR20130109506A (ko) * 2012-03-27 2013-10-08 한국남동발전 주식회사 발전설비의 위험도 기반 정비 시스템
CN103400040A (zh) * 2013-07-31 2013-11-20 中国人民解放军国防科学技术大学 采用多步时域差值学习的故障诊断与预测方法
CN103616878A (zh) * 2013-12-03 2014-03-05 山东中烟工业有限责任公司 烟草加工过程加料回路在线状态检测系统及检测方法
CN103824137A (zh) * 2014-03-20 2014-05-28 北京信息科技大学 一种复杂机械设备多工况故障预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陆宝春等: "机械设备运行故障预测方法综述", 《机械制造与自动化》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107622791A (zh) * 2017-09-14 2018-01-23 佛山市第人民医院 透析设备部件的预防性更换方法
CN111373701A (zh) * 2018-05-23 2020-07-03 松下电器（美国）知识产权公司 异常检测装置、异常检测系统以及控制方法
CN112703515A (zh) * 2018-08-07 2021-04-23 日铁综合工程株式会社 维护管理装置、维护管理方法及程序
CN109886328A (zh) * 2019-02-14 2019-06-14 国网浙江省电力有限公司电力科学研究院 一种电动汽车充电设施故障预测方法与系统
CN109886328B (zh) * 2019-02-14 2021-07-23 国网浙江省电力有限公司电力科学研究院 一种电动汽车充电设施故障预测方法与系统
CN110687451A (zh) * 2019-08-28 2020-01-14 武汉科技大学 基于误差补偿的支持向量机锂电池剩余寿命预测方法
CN113127984A (zh) * 2019-12-31 2021-07-16 中移(上海)信息通信科技有限公司 设备维护的方法、装置、设备及存储介质
CN112060319A (zh) * 2020-09-09 2020-12-11 中联重科股份有限公司 用于预测搅拌主机的易损件寿命情况的方法和装置
CN112060319B (zh) * 2020-09-09 2021-09-14 中联重科股份有限公司 用于预测搅拌主机的易损件寿命情况的方法和装置
CN112284727A (zh) * 2020-09-30 2021-01-29 华南理工大学 一种基于卷积极大极小凹罚算法的旋转机械故障诊断方法

Also Published As

Publication number Publication date
US20180336534A1 (en) 2018-11-22
WO2016085172A1 (ko) 2016-06-02
KR101561026B1 (ko) 2015-10-16

Similar Documents

Publication Publication Date Title
CN107004164A (zh) 设备的预测维修系统及方法
WO2019142331A1 (ja) 障害予測システムおよび障害予測方法
JP6756374B2 (ja) プロセスの異常状態診断装置および異常状態診断方法
CN101641583B (zh) 诊断装置
JP6933899B2 (ja) プラント運転支援装置、プラント運転支援方法、及びプラント運転支援プログラム
CN110275814A (zh) 一种业务系统的监控方法及装置
Vafaei et al. Fuzzy early warning systems for condition based maintenance
JP2018160093A (ja) 異常検知システムおよび異常検知方法
US11605025B2 (en) Automated quality check and diagnosis for production model refresh
CN108829933A (zh) 一种半导体制造设备的预测性维护与健康管理的方法
JP6708203B2 (ja) 情報処理装置、情報処理方法、及び、プログラム
KR101615085B1 (ko) 설비의 이상 경보 시스템 및 방법
CN105758661B (zh) 一种锅炉受热面寿命评估系统和方法
US20140244006A1 (en) Apparatus and method for monitoring the operating statuses of facilities on the basis of graphical sector representation
US20170249554A1 (en) Cost-driven system and method for predictive equipment failure detection
JP7493930B2 (ja) 情報処理方法、情報処理装置、生産システム、プログラム、記録媒体
KR20150129507A (ko) 설비 이상 예측 모델의 구축방법 및 시스템
JP6711323B2 (ja) プロセスの異常状態診断方法および異常状態診断装置
Sarda et al. A multi-step anomaly detection strategy based on robust distances for the steel industry
US20120150334A1 (en) Integrated Fault Detection And Analysis Tool
Hu et al. A two-level intelligent alarm management framework for process safety
JP2019045905A (ja) 挙動予測システム及び挙動予測方法
JP6702297B2 (ja) プロセスの異常状態診断方法および異常状態診断装置
Frieß et al. Fuzzy-clustering of machine states for condition monitoring
TWI710873B (zh) 支援裝置、學習裝置以及廠房運轉條件設定支援系統

Legal Events

Date Code Title Description
PB01 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: 20170801