CN108022024A - 一种基于故障率的地面电子设备维修备件需求预测方法 - Google Patents

一种基于故障率的地面电子设备维修备件需求预测方法 Download PDF

Info

Publication number
CN108022024A
CN108022024A CN201711421474.3A CN201711421474A CN108022024A CN 108022024 A CN108022024 A CN 108022024A CN 201711421474 A CN201711421474 A CN 201711421474A CN 108022024 A CN108022024 A CN 108022024A
Authority
CN
China
Prior art keywords
mrow
msup
mtd
maintenance
failure rate
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.)
Granted
Application number
CN201711421474.3A
Other languages
English (en)
Other versions
CN108022024B (zh
Inventor
田双蜀
李昌隆
易飞
曹琴
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.)
Beijing Spaceflight Morning Letter Technology Co Ltd
Original Assignee
Beijing Spaceflight Morning Letter Technology Co Ltd
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 Beijing Spaceflight Morning Letter Technology Co Ltd filed Critical Beijing Spaceflight Morning Letter Technology Co Ltd
Priority to CN201711421474.3A priority Critical patent/CN108022024B/zh
Publication of CN108022024A publication Critical patent/CN108022024A/zh
Application granted granted Critical
Publication of CN108022024B publication Critical patent/CN108022024B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063112—Skill-based matching of a person or a group to a task
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

本发明公开一种基于故障率的地面电子设备维修备件需求预测方法，通过对地面电子设备按照可维修更换模块进行细化，统计维修可达子模块i的年故障率和统计分析维修可达子模块i历史故障率的变化趋势，确定备件需求量的步骤实现。本发明解决了地面电子设备在售后中存在的维修备件储备不足造成装备使用率下降或维修备件储备过量造成使用经费浪费的问题。

Description

一种基于故障率的地面电子设备维修备件需求预测方法
技术领域
本发明涉及一种电子设备维修备件需求预测方法，特别是一种基于故障率的地面电子设备维修备件需求预测方法。
背景技术
在地面电子设备的全寿命周期使用过程中，其故障率随着使用年限的增加呈现一定的变化规律。根据该特定的规律，设备维护人员可制定合理的维修计划和备件策略。准确地把握设备每一个使用阶段的备件需求并合理安排备件，能够有效减小设备的维修时间，提高设备的使用率。
维修人员的技术水平差异导致其能够定位设备故障的深度不同。根据维修人员的能力将设备按功能划分为多个子部件或零件，进而提高故障的定位效率，减小设备的维修时间。备件需求数量与故障率成一定的正比例关系，设备某一阶段的备件需求可依据该阶段的故障率确定。
发明内容：
本发明目的在于在提供一种基于故障率的地面电子设备维修备件需求预测方法，解决地面电子设备在售后中存在的维修备件储备不足造成装备使用率下降或维修备件储备过量造成使用经费浪费的问题。
一种基于故障率的地面电子设备维修备件需求预测方法的具体步骤为：
第一步对地面电子设备按照可维修更换模块进行细化
对地面电子设备的功能进行细化，以设备的故障模式和功能为基础，根据维修人员的维修能力将设备划分为不同的可维修模块，即子模块或零部件。
根据维修人员的能力将地面电子设备按照功能和性能进行子部件划分。以部队人员的维修能力为例，按照某地面电子设备的组成，将该设备划分为板卡、面板可更换器件，包括：开关、按键和指示灯及可更换线缆的维修可达子模块i。
第二步统计维修可达子模块i的年故障率
根据装备的历史维修记录，按照划分维修可达子模块i进行年故障率统计。即，
对在同一使用环境设备的历史维修数据进行统计，按年进行划分，计算各子模块i的第j年故障率ηij。
第三步统计分析维修可达子模块i历史故障率的变化趋势，确定备件需求量
通过历史故障率变化趋势分析，将维修可达子模块i分解为故障率变化趋势不明显模块、故障率超过阈值模块和故障率呈现递增变化趋势模块。
对于变化趋势不明显模块按照正态分布分析，确定满足保障概率φ备件数量ni。即
ni＝Ni×ηi (1)
其中，Ni为系统中维修可达子模块i总数量；ηi为故障分布概率不小于保障概率φ的故障率。
对于当前故障率超过预先设定阈值θi的设备时，则进行全部更换，备件数量依据装备的设定数量进行计算，即为Ni。
对于故障率呈现递增变化趋势的维修可达子模块i，且当前故障率小于设定阈值θi时，采用故障率预测模型确定未来1年内的维修可达子模块i故障率，根据系统的特点来计算每个模块的备件需求数量。故障率预测模型采用人工智能方式进行建模，包括：灰色预测和人工神经网络。当预测未来1年维修可达子模块i故障率为ηi′，则备件需求数量为
ni＝Ni×η′i (2)
采用灰色预测方式，定义：故障率的历史序列为x(0)(k)，k＝1,2,…,L。L是历史序列的个数。灰色生成是对该序列作累加生成，一次正向累加生成序列(1‐AGO)x(1)(k)，k＝1,2,…,N。
建立GM(1,1)灰微分白化方程：
参数序列
计算得
公式(6)中，
YN＝[x(0)(2)x(0)(3)…x(0)(k)]T (8)
历史数据序列的预测值为
对预测结果的残差建立自回归模型得到残差序列进而得到故障率的预测值即，维修可达子模块i故障率为ηi′。
当预测的故障率大于预先设定阈值θi时，采用全部更换的方式进行维修备件储备，即备件数量依据装备的设定数量进行计算。
至此，完成一种基于故障率的地面电子设备维修备件需求预测。
本发明利用设备的历史维修数据来统计设备各个子部件的故障率，采用人工智能算法建立故障率的变化趋势模型，利用该模型来预测未来某段时间的故障率，进而结合设备的数量来确定备件的需求。解决了地面电子设备在售后中存在的维修备件储备不足造成装备使用率下降或维修备件储备过量造成使用经费浪费的问题。
具体实施方式
一种基于故障率的地面电子设备维修备件需求预测方法的具体步骤为：
第一步对地面电子设备按照可维修更换模块进行细化
对地面电子设备的功能进行细化，以设备的故障模式和功能为基础，根据维修人员的维修能力将设备划分为不同的可维修模块，即子模块或零部件。
根据维修人员的能力将地面电子设备按照功能和性能进行子部件划分。以部队人员的维修能力为例，按照某地面电子设备的组成，将该设备划分为板卡、面板可更换器件，包括：开关、按键和指示灯及可更换线缆的维修可达子模块i。
第二步统计维修可达子模块i的年故障率
根据装备的历史维修记录，按照划分维修可达子模块i进行年故障率统计。即，
对在同一使用环境设备的历史维修数据进行统计，按年进行划分，计算各子模块i的第j年故障率ηij。
第三步统计分析维修可达子模块i历史故障率的变化趋势，确定备件需求量
通过历史故障率变化趋势分析，将维修可达子模块i分解为故障率变化趋势不明显模块、故障率超过阈值模块和故障率呈现递增变化趋势模块。
对于变化趋势不明显模块按照正态分布分析，确定满足保障概率φ备件数量ni。即
ni＝Ni×ηi (1)
其中，Ni为系统中维修可达子模块i总数量；ηi为故障分布概率不小于保障概率φ的故障率。
对于当前故障率超过预先设定阈值θi的设备时，则进行全部更换，备件数量依据装备的设定数量进行计算，即为Ni。
对于故障率呈现递增变化趋势的维修可达子模块i，且当前故障率小于设定阈值θi时，采用故障率预测模型确定未来1年内的维修可达子模块i故障率，根据系统的特点来计算每个模块的备件需求数量。故障率预测模型采用人工智能方式进行建模，包括：灰色预测和人工神经网络。当预测未来1年维修可达子模块i故障率为ηi′，则备件需求数量为
ni＝Ni×η′i (2)
采用灰色预测方式，定义：故障率的历史序列为x(0)(k)，k＝1,2,…,L。L是历史序列的个数。灰色生成是对该序列作累加生成，一次正向累加生成序列(1‐AGO)x(1)(k)，k＝1,2,…,N。
建立GM(1,1)灰微分白化方程：
参数序列
计算得
公式(6)中，
YN＝[x(0)(2)x(0)(3)…x(0)(k)]T (8)
历史数据序列的预测值为
对预测结果的残差建立自回归模型得到残差序列进而得到故障率的预测值即，维修可达子模块i故障率为η′i。
当预测的故障率大于预先设定阈值θi时，采用全部更换的方式进行维修备件储备，即备件数量依据装备的设定数量进行计算。
至此，完成一种基于故障率的地面电子设备维修备件需求预测。

Claims (1)

1.一种基于故障率的地面电子设备维修备件需求预测方法，其特征在于具体步骤为：
第一步 对地面电子设备按照可维修更换模块进行细化
对地面电子设备的功能进行细化，以设备的故障模式和功能为基础，根据维修人员的维修能力将设备划分为不同的可维修模块，即子模块或零部件；
根据维修人员的能力将地面电子设备按照功能和性能进行子部件划分；以部队人员的维修能力为例，按照某地面电子设备的组成，将该设备划分为板卡、面板可更换器件，包括：开关、按键和指示灯及可更换线缆的维修可达子模块i；
第二步 统计维修可达子模块i的年故障率
根据装备的历史维修记录，按照划分维修可达子模块i进行年故障率统计；即，
对在同一使用环境设备的历史维修数据进行统计，按年进行划分，计算各子模块i的第j年故障率ηij；
第三步 统计分析维修可达子模块i历史故障率的变化趋势，确定备件需求量
通过历史故障率变化趋势分析，将维修可达子模块i分解为故障率变化趋势不明显模块、故障率超过阈值模块和故障率呈现递增变化趋势模块；
对于变化趋势不明显模块按照正态分布分析，确定满足保障概率φ备件数量ni；即
ni＝Ni×ηi (1)
其中，Ni为系统中维修可达子模块i总数量；ηi为故障分布概率不小于保障概率φ的故障率；
对于当前故障率超过预先设定阈值θi的设备时，则进行全部更换，备件数量依据装备的设定数量进行计算，即为Ni；
对于故障率呈现递增变化趋势的维修可达子模块i，且当前故障率小于设定阈值θi时，采用故障率预测模型确定未来1年内的维修可达子模块i故障率，根据系统的特点来计算每个模块的备件需求数量；故障率预测模型采用人工智能方式进行建模，包括：灰色预测和人工神经网络；当预测未来1年维修可达子模块i故障率为ηi′，则备件需求数量为
ni＝Ni×ηi′ (2)
采用灰色预测方式，定义：故障率的历史序列为x(0)(k)，k＝1,2,…,L；L是历史序列的个数；灰色生成是对该序列作累加生成，一次正向累加生成序列(1‐AGO)x(1)(k)，k＝1,2,…,N；
<mrow> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>m</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </munderover> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mn>0</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>m</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
建立GM(1,1)灰微分白化方程：
<mrow> <mfrac> <mrow> <msup> <mi>dx</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> </mrow> <mrow> <mi>d</mi> <mi>t</mi> </mrow> </mfrac> <mo>+</mo> <msup> <mi>ax</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mo>=</mo> <mi>b</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
参数序列
<mrow> <mover> <mi>a</mi> <mo>^</mo> </mover> <mo>=</mo> <msup> <mrow> <mo>&amp;lsqb;</mo> <mi>a</mi> <mo>,</mo> <mi>b</mi> <mo>&amp;rsqb;</mo> </mrow> <mi>T</mi> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>
计算得
<mrow> <mover> <mi>a</mi> <mo>^</mo> </mover> <mo>=</mo> <msup> <mrow> <mo>(</mo> <msup> <mi>B</mi> <mi>T</mi> </msup> <mi>B</mi> <mo>)</mo> </mrow> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <msup> <mi>B</mi> <mi>T</mi> </msup> <msub> <mi>Y</mi> <mi>N</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>
公式(6)中，
<mrow> <mi>B</mi> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <mo>-</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <mo>&amp;lsqb;</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>+</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> </mtd> <mtd> <mn>1</mn> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>-</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <mo>&amp;lsqb;</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> <mo>+</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> </mtd> <mtd> <mn>1</mn> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mo>.</mo> </mtd> <mtd> <mo>.</mo> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>-</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <mo>&amp;lsqb;</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>+</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> </mtd> <mtd> <mn>1</mn> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>
YN＝[x(0)(2) x(0)(3)…x(0)(k)]T (8)
历史数据序列的预测值为
<mrow> <msup> <mover> <mi>x</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mn>0</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>a</mi> <mo>{</mo> <mo>-</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <mo>&amp;lsqb;</mo> <msup> <mover> <mi>x</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>+</mo> <msup> <mover> <mi>x</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> <mo>}</mo> <mo>+</mo> <mi>b</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>
对预测结果的残差建立自回归模型得到残差序列进而得到故障率的预测值即，维修可达子模块i故障率为ηi′；
当预测的故障率大于预先设定阈值θi时，采用全部更换的方式进行维修备件储备，即备件数量依据装备的设定数量进行计算；
至此，完成一种基于故障率的地面电子设备维修备件需求预测。
CN201711421474.3A 2017-12-25 2017-12-25 一种基于故障率的地面电子设备维修备件需求预测方法 Active CN108022024B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711421474.3A CN108022024B (zh) 2017-12-25 2017-12-25 一种基于故障率的地面电子设备维修备件需求预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711421474.3A CN108022024B (zh) 2017-12-25 2017-12-25 一种基于故障率的地面电子设备维修备件需求预测方法

Publications (2)

Publication Number Publication Date
CN108022024A true CN108022024A (zh) 2018-05-11
CN108022024B CN108022024B (zh) 2021-05-07

Family

ID=62074678

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711421474.3A Active CN108022024B (zh) 2017-12-25 2017-12-25 一种基于故障率的地面电子设备维修备件需求预测方法

Country Status (1)

Country Link
CN (1) CN108022024B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109102083A (zh) * 2018-06-28 2018-12-28 深圳市轱辘汽车维修技术有限公司 一种维修设备的数量配置方法及相关设备
CN109636044A (zh) * 2018-12-17 2019-04-16 优必爱信息技术（北京）有限公司 一种智能网联车配件需求预测方法
CN112383236A (zh) * 2020-10-26 2021-02-19 华北电力大学 一种基于在线监测的模块化多电平换流器维护方法及系统
CN112668950A (zh) * 2019-10-15 2021-04-16 深圳怡化电脑股份有限公司 一种备用模块需求预测方法、装置、存储介质及设备
CN112668730A (zh) * 2019-10-15 2021-04-16 深圳怡化电脑股份有限公司 自助设备模块的更换方法、装置、计算机设备和存储介质
CN113177740A (zh) * 2021-05-24 2021-07-27 西门子工厂自动化工程有限公司 备件的储备管理方法、装置和可读介质
CN114692487A (zh) * 2022-03-11 2022-07-01 中国电子科技集团公司第二十九研究所 电子装备维修备件预投方法、装置、设备及存储介质
CN115238931A (zh) * 2022-09-19 2022-10-25 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 耗损件的规划方法、装置、计算机设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080270150A1 (en) * 2007-04-26 2008-10-30 Accenture Global Services Gmbh Systems and methods of repair and operations planning
CN104850916A (zh) * 2015-05-31 2015-08-19 上海电机学院 一种改进型灰色马尔可夫模型的电力设备故障预测方法
CN105894133A (zh) * 2016-05-12 2016-08-24 华中科技大学 一种风电机组部件维修及备品备件需求预测方法
CN106991538A (zh) * 2017-04-11 2017-07-28 华北电力大学（保定） 一种基于风电机组部件重要度评价的维修方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080270150A1 (en) * 2007-04-26 2008-10-30 Accenture Global Services Gmbh Systems and methods of repair and operations planning
CN104850916A (zh) * 2015-05-31 2015-08-19 上海电机学院 一种改进型灰色马尔可夫模型的电力设备故障预测方法
CN105894133A (zh) * 2016-05-12 2016-08-24 华中科技大学 一种风电机组部件维修及备品备件需求预测方法
CN106991538A (zh) * 2017-04-11 2017-07-28 华北电力大学（保定） 一种基于风电机组部件重要度评价的维修方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李树广: "基于GM (1 ,1 )的装备维修备件需求量预测研究", 《实验技术与管理》 *
潘显俊: "分数阶离散灰色模型及其在备件需求预测中的应用", 《兵工学报》 *
邵延君: "基于故障预测的武器装备预防性维修策略研究", 《中国优秀博士学位论文》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109102083A (zh) * 2018-06-28 2018-12-28 深圳市轱辘汽车维修技术有限公司 一种维修设备的数量配置方法及相关设备
CN109102083B (zh) * 2018-06-28 2022-04-15 深圳市轱辘车联数据技术有限公司 一种维修设备的数量配置方法及相关设备
CN109636044A (zh) * 2018-12-17 2019-04-16 优必爱信息技术（北京）有限公司 一种智能网联车配件需求预测方法
CN109636044B (zh) * 2018-12-17 2021-03-30 优必爱信息技术（北京）有限公司 一种智能网联车配件需求预测方法
CN112668950A (zh) * 2019-10-15 2021-04-16 深圳怡化电脑股份有限公司 一种备用模块需求预测方法、装置、存储介质及设备
CN112668730A (zh) * 2019-10-15 2021-04-16 深圳怡化电脑股份有限公司 自助设备模块的更换方法、装置、计算机设备和存储介质
CN112383236A (zh) * 2020-10-26 2021-02-19 华北电力大学 一种基于在线监测的模块化多电平换流器维护方法及系统
CN112383236B (zh) * 2020-10-26 2021-10-22 华北电力大学 一种基于在线监测的模块化多电平换流器维护方法及系统
CN113177740A (zh) * 2021-05-24 2021-07-27 西门子工厂自动化工程有限公司 备件的储备管理方法、装置和可读介质
CN114692487A (zh) * 2022-03-11 2022-07-01 中国电子科技集团公司第二十九研究所 电子装备维修备件预投方法、装置、设备及存储介质
CN114692487B (zh) * 2022-03-11 2023-05-26 中国电子科技集团公司第二十九研究所 电子装备维修备件预投方法、装置、设备及存储介质
CN115238931A (zh) * 2022-09-19 2022-10-25 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 耗损件的规划方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN108022024B (zh) 2021-05-07

Similar Documents

Publication Publication Date Title
CN108022024A (zh) 一种基于故障率的地面电子设备维修备件需求预测方法
Chan et al. Risk-based assessment of financial losses due to voltage sag
CN102117450A (zh) 基于经验反馈的核电设备预防性更换周期的优化方法
CN104392143B (zh) 一种自适应量子神经网络汽轮机故障趋势预测方法
CN101789039B (zh) 继电保护设备可用率和最优检修周期的计算方法
CN105825351A (zh) 一种输电工程造价的后评估和风险管控方法
Welte et al. Markov state model for optimization of maintenance and renewal of hydro power components
CN106780141A (zh) 一种基于流形学习的输电线路检修计划优化方法及系统
CN106779096B (zh) 配电网报修态势主动预警系统
WO2011101189A2 (en) Energy generating system and control thereof
CN104077651B (zh) 电网检修计划优化方法
CN110929927A (zh) 一种应用配电网全域大数据的人工智能预测模型构方法
CN107330573B (zh) 一种光伏系统关键设备的状态评估方法及装置
Zio et al. Importance measures of multi-state components in multi-state systems
CN105184490A (zh) 电网调度操作过程风险辅助预控系统
CN116029104A (zh) 一种装备维修保障仿真评估方法及系统
CN103632207B (zh) 一种电源电网综合优化方法
CN104680239A (zh) 一种基于元件失效模型的配电网检修方案优化方法及装置
CN114548444A (zh) 一种海上风电机组检修全过程优化方法及系统
CN106548284A (zh) 一种面向运行调控的自适应模块化电网安全预警评价方法
Li et al. Study on resource scheduling method of predictive maintenance for equipment based on knowledge
CN109472449B (zh) 基于群决策的城市轨道交通信号设备健康状态评价方法
Shayeghi et al. GEP considering purchase prices, profits of IPPs and reliability criteria using hybrid GA and PSO
CN112085290A (zh) 一种区域配电网设备资产绩效水平优化方法
CN115051360A (zh) 集成式知识迁移的电力系统运行风险在线计算方法与装置

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
GR01 Patent grant
GR01 Patent grant