CN108376293B - 一种基于模糊数学改进的层次分析法的zj17卷烟设备维修智能预测方法 - Google Patents

一种基于模糊数学改进的层次分析法的zj17卷烟设备维修智能预测方法 Download PDF

Info

Publication number
CN108376293B
CN108376293B CN201711474436.4A CN201711474436A CN108376293B CN 108376293 B CN108376293 B CN 108376293B CN 201711474436 A CN201711474436 A CN 201711474436A CN 108376293 B CN108376293 B CN 108376293B
Authority
CN
China
Prior art keywords
equipment
maintenance
fault
hierarchy process
analytic hierarchy
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.)
Active
Application number
CN201711474436.4A
Other languages
English (en)
Other versions
CN108376293A (zh
Inventor
朱立明
郭妙贞
李钰靓
何启学
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.)
China Tobacco Zhejiang Industrial Co Ltd
Original Assignee
China Tobacco Zhejiang Industrial 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 China Tobacco Zhejiang Industrial Co Ltd filed Critical China Tobacco Zhejiang Industrial Co Ltd
Priority to CN201711474436.4A priority Critical patent/CN108376293B/zh
Publication of CN108376293A publication Critical patent/CN108376293A/zh
Application granted granted Critical
Publication of CN108376293B publication Critical patent/CN108376293B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • 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
    • Y02P90/80—Management or planning

Abstract

本发明涉及设备故障预测领域、设备维修决策领域，特别涉及一种基于模糊数学的改进的层次分析法的ZJ17卷烟设备维修智能预测方法。该方法包括以下的步骤：1)获取卷烟机设备的历史运行数据；2)根据所述的故障树专家知识和所述历史运行数据建立模糊数学的改进的层次分析法的预测模型，以预测卷烟机设备的潜在故障趋势；3)获取卷烟机设备的当前运行状态，对每天的设备故障数据利用改进的模糊层次分析法模型计算设备故障的权重设备故障的综合指标信息；4)利用所计算的综合指标识别其劣化趋势，并判断其趋势计算出综合维修阈值；5)结合维修专家库根据故障阈值确定具体哪些故障存在劣化趋势，并判断其达到或者超过维修阈值；6)生成维修决策信息并明确需要处置的设备部位。

Description

一种基于模糊数学改进的层次分析法的ZJ17卷烟设备维修智 能预测方法
技术领域
本发明涉及设备故障预测领域、设备维修决策领域，特别涉及一种基于模糊数学改进的层次分析法的ZJ17卷烟设备维修智能预测方法。
背景技术
ZJ17卷烟机是目前卷烟企业最为重要的生产设备之一。卷烟机设备的故障检测与诊断经历了从停机维护、定期维护到预测性维护的发展过程。早期的停机维护并不能真正规避经济损失。定期维护或者计算维护又会过度维护造成不必要的资源浪费。预测性维护，又称为基于状态的维护或视情况维护，能够在生产作业的同时对设备进行实时的状态监控，提前预知故障隐患并做出防范，是当前最重要的发展方向。
目前，故障预测分析方法可分为三类：基于分析模型、基于定性经验和基于数据驱动。基于模型的该当较为依赖过程机理研究，工程实际中也不容易得到精确解析度。基于经验的方法可以提供直观的分析，避免复杂的数据建模，但对专家知识的要求较高且不便于定量计算。基于数据的方法对系统机理和先验知识的要求低，但是对数据积累要求高且缺少直观的物理意义。
维修决策模型故障概率和趋势等参数描述设备运行的劣化过程，并根据生产需求建立决策优化目标，提高生产设备可靠性并减少资源损耗。
因此需要发明一种基于模糊数学的层次分析法的设备维修智能预测方法，能够根据基于设备工作状态提供必要的故障预测，给出设备当前运行状态下是否需要立即维修的决策建议，减少设备运行隐患，提升企业生产效益。
发明内容
本发明旨在至少一定程度上解决相关技术中的技术问题之一。本发明提出了一种基于模糊数学改进的层次分析法的ZJ17卷烟设备维修智能预测方法，该方法可以提供预测性维修维护，并且提高维修决策水平和设备运行效率。
为了实现上述的目的，本发明采用了以下的技术方案：
一种基于模糊数学改进的层次分析法的ZJ17卷烟设备维修智能预测方法，其特征在于，该方法包括以下的步骤：
1)获取ZJ17卷烟设备的历史运行数据；
2)根据故障树专家知识和所述历史运行数据建立模糊数学改进的层次分析法的预测模型，以预测ZJ17卷烟设备的潜在故障趋势；
3)获取ZJ17卷烟设备的当前运行状态，对每天的设备故障数据利用模糊数学改进的层次分析法模型计算设备故障的权重、设备故障的综合指标信息；
4)利用所计算的综合指标识别其劣化趋势，并判断其趋势计算出综合维修阈值；
5)结合维修专家库根据故障阈值确定具体哪些故障存在劣化趋势，并判断其达到或者超过维修阈值；
6)生成维修决策信息并明确需要处置的设备部位。
作为进一步改进，所述的步骤2)模糊数学改进的层次分析法的预测模型的建立方法如下：
1)对每个指标进行标准化处理
Figure GDA0003017920650000021
其中x表示需要处理的原始数据，x(i，p)表示第i个指标的第p个数据；
各评价指标对综合评价的影响程度，用样本标准差表示
Figure GDA0003017920650000022
其中m表示样本个数，
Figure GDA0003017920650000023
为各评价指标下样本系列的均值；
1～9级判断尺度的判断矩阵
Figure GDA0003017920650000024
其中smax，smin为s(i)的最大值和最小值
相对重要性程度参数值
Figure GDA0003017920650000025
验证判断矩阵b是否具有满意的一致性；
若不具有满意的一致性，则需对判断矩阵b进行修正，修正矩阵为Y
Figure GDA0003017920650000026
Figure GDA0003017920650000027
求使CIC的值最小时的Y即修正矩阵；
若具有满意的一致性，则计算各指标的权重；
综合指标＝各指标的加权和。
作为进一步改进，所述的步骤4)预测故障阈值计算模型包括以下的步骤：
1)用三次样条插值法对原始数据进行分段的多项式回归，对每个故障都得到N个样本的三次多项式函数表达式；
2)在得到表达式之后，再求其每个点的斜率值；
筛选出斜率值为正且后一个点的斜率值大于前一个点的斜率值的数据，即呈现出上升部分点，亦即劣化趋势，记录下前一个点的值；
3)对记录下的点求三均值，即为该故障的阈值，
三均值：
Figure GDA0003017920650000028
其中M表示中位数，Q表示上下四分位数，
Figure GDA0003017920650000029
表示对M和Q的一个加权平均。
本发明由于采用了上述的技术方案，该方法可以提供预测性维修维护，并且提高维修决策水平和设备运行效率。
附图说明
图1是为本发明一种基于模糊数学改进的层次分析法的ZJ17卷烟设备维修智能预测方法的示意图。
图2是为本发明一种基于模糊数学改进的层次分析法的ZJ17卷烟设备维修智能预测方法的三次样条曲线拟合图
图3是为本发明一种基于模糊数学改进的层次分析法的ZJ17卷烟设备维修智能预测方法的预测算法模型验证图
具体实施方式
1.采集一台ZJ17卷烟机2015年8月3日到2016年8月10日一年所有故障发生的次数。
Figure GDA0003017920650000041
上表数据每行表示一天的故障次数信息，每列表示具体的某个故障。
Figure GDA0003017920650000051
2、用模糊层次分析法计算出综合指标的故障信息
a)对每个指标进行标准化处理
Figure GDA0003017920650000052
b)用标准差
Figure GDA0003017920650000053
表示出各故障指标对综合指标的影响程度
c)根据标准化的数据r(i，p)以及标准差s(i)，计算出判断矩阵b
Figure GDA0003017920650000054
d)根据判断矩阵b，计算出综合指标的权重系数，即是各故障指标所占比重。
e)计算综合指标的故障信息
3、计算综合指标阈值
a)对数据进行处理，将滑动七天的数据作为一个样本点，如下表。
上表中第一列表示一个记录的起始时间，第二列表示终止时间，后面的每列表示在这一时间段内的每个故障发生的次数累计。
b)用三次样条插值法对原始数据进行分段的多项式回归，对每个故障都可以得到N个样本个三次多项式函数表达式用三次样条插值法对原始数据进行分段的多项式回归，对每个故障都可以得到N个样本个三次多项式函数表达式，三次样条在这里是用于局部的三次多项式的回归拟合，主要是为了保证所有的已知点都在拟合曲线上。
V1 V2 V3 V4
1 5 -3.76625481 0.00000000 0.766254813
2 2 -1.46749037 2.29876444 -0.831274067
3 2 0.63621631 -0.19505776 -0.441158545
4 2 -1.07737485 -1.51853340 1.595908249
5 1 0.67328310 3.26919135 -1.942474450
6 3 1.38424245 -2.55823200 1.173989550
7 3 -0.21025290 0.96373665 -0.753483749
8 3 -0.54323085 -1.29671460 0.839945448
9 2 -0.61682370 1.22312175 -0.606298042
10 2 0.01052566 -0.59577238 0.585246721
11 2 0.57472106 1.15996778 -0.734688842
上表表示了用三次样条插值方法得到的函数表达式，其具体含义是：
第一行：
f1(x)＝5+(-3.76625481)*(x-1)+0*(x-1)+0.766254813*(x-1)
第二行：
f2(x)＝2+(-1.46749037)*(x-2)+2.29876444*(x-2)+(-0.831274067)*(x-2)
c)找出劣化趋势点：在得到函数表达式之后，就对其求导数，得到每个点上的斜率，然后记录下斜率为正，且递增的点(斜率为正表示原始数据呈上升趋势，斜率递增表示原始数据上升的幅度越来越快)。
d)
Figure GDA0003017920650000061
其中M表示中位数，Q表示上下四分位数。
e)用维修和轮保记录对所求阈值进行验证，发现结果在超出阈值之下进行维修或轮保后，故障发生情况明显下降，就可以得出上述结论符合假设。
4、找出一天中综合指标超出阈值的原因(主要故障)
a)用上述计算综合指标阈值所述方法，分别计算出所有故障的阈值
b)分别计算出这一天中，所发生的所有故障(包括这天在内的前7天数据)，对该天综合指标超出阈值的影响度。
Figure GDA0003017920650000062
Figure GDA0003017920650000063
Figure GDA0003017920650000071
c)确定主要故障部位，生成维修工单
在上表的影响度(impact)中，只有影响度为正的指标才对其造成了直接的影响，在这里我们选定前面三位为主要的故障部位。
localname threshold num impact
1 FT发射台1 3.0000 56 39.72936331
13 MAX主驱动器 0.2500 2 15.74182320
18 SE切刀进给 0.2500 2 15.74182320

Claims (1)

1.一种基于模糊数学改进的层次分析法的ZJ17卷烟设备维修智能预测方法，其特征在于，该方法包括以下的步骤：
1)获取ZJ17卷烟设备的历史运行数据；
2)根据故障树专家知识和所述历史运行数据建立模糊数学改进的层次分析法的预测模型，以预测ZJ17卷烟设备的潜在故障趋势；
3)获取ZJ17卷烟设备的当前运行状态，对每天的设备故障数据利用模糊数学改进的层次分析法的预测模型计算设备故障的权重、设备故障的综合指标信息；
4)利用所计算的综合指标识别设备的劣化趋势，并判断所述趋势计算出综合维修阈值，包括以下的步骤：
4.1)用三次样条插值法对原始数据进行分段的多项式回归，对每个故障都得到N个样本的三次多项式函数表达式；
4.2)在得到表达式之后，再求表达式每个点的斜率值；
筛选出斜率值为正且后一个点的斜率值大于前一个点的斜率值的数据，即呈现出上升趋势的点，亦即劣化趋势，记录下前一个点的值；
4.3)对记录下的点求三均值，即为该故障的阈值，
三均值：
Figure FDA0003029398430000011
其中M表示中位数，Q表示上下四分位数，
Figure FDA0003029398430000012
表示对M和Q的一个加权平均；
5)结合维修专家库根据故障阈值确定具体哪些故障存在劣化趋势，并判断所述故障达到或者超过维修阈值；
6)生成维修决策信息并明确需要处置的设备部位。
CN201711474436.4A 2017-12-29 2017-12-29 一种基于模糊数学改进的层次分析法的zj17卷烟设备维修智能预测方法 Active CN108376293B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711474436.4A CN108376293B (zh) 2017-12-29 2017-12-29 一种基于模糊数学改进的层次分析法的zj17卷烟设备维修智能预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711474436.4A CN108376293B (zh) 2017-12-29 2017-12-29 一种基于模糊数学改进的层次分析法的zj17卷烟设备维修智能预测方法

Publications (2)

Publication Number Publication Date
CN108376293A CN108376293A (zh) 2018-08-07
CN108376293B true CN108376293B (zh) 2021-07-09

Family

ID=63016398

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711474436.4A Active CN108376293B (zh) 2017-12-29 2017-12-29 一种基于模糊数学改进的层次分析法的zj17卷烟设备维修智能预测方法

Country Status (1)

Country Link
CN (1) CN108376293B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110037336B (zh) * 2019-04-19 2021-09-03 浙江中烟工业有限责任公司 一种烟支圆周控制系统执行机构位置的预测方法
CN111184251B (zh) * 2019-12-20 2022-07-29 深圳市鸿捷源自动化系统有限公司 一种诊断吸丝带故障的处理方法
CN113269413B (zh) * 2021-05-08 2023-10-10 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）） 压合机故障预警方法、设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509178A (zh) * 2011-11-25 2012-06-20 江苏省电力公司淮安供电公司 配网设备状态评估系统
CN103605881A (zh) * 2013-10-25 2014-02-26 南昌大学 一种基于故障树和层次分析法的电力变压器状态评估方法
CN105224782A (zh) * 2014-10-16 2016-01-06 华北电力大学 一种基于故障模式的变电设备故障概率计算方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509178A (zh) * 2011-11-25 2012-06-20 江苏省电力公司淮安供电公司 配网设备状态评估系统
CN103605881A (zh) * 2013-10-25 2014-02-26 南昌大学 一种基于故障树和层次分析法的电力变压器状态评估方法
CN105224782A (zh) * 2014-10-16 2016-01-06 华北电力大学 一种基于故障模式的变电设备故障概率计算方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
修正AHP中判断矩阵一致性的加速遗传算法;金菊良 等;《系统工程理论与实践》;20040131;第63-69页 *
卷烟设备维护管理系统的研究与设计;何印洲;《中国优秀硕士学位论文全文数据库信息科技辑》;20131015;第I138-220页 *
银杏果用林复合经营模式下种仁品质综合评价;陈雷 等;《林业科学》;20161130;第63-70页 *

Also Published As

Publication number Publication date
CN108376293A (zh) 2018-08-07

Similar Documents

Publication Publication Date Title
CN108376293B (zh) 一种基于模糊数学改进的层次分析法的zj17卷烟设备维修智能预测方法
Van Horenbeek et al. Quantifying the added value of an imperfectly performing condition monitoring system—Application to a wind turbine gearbox
US20110093157A1 (en) System and method for selecting a maintenance operation
CN107067100B (zh) 风电功率异常数据辨识方法及辨识装置
CN111966076A (zh) 基于有限状态机和图神经网络的故障定位方法
CN111380686A (zh) 一种基于XGBoost算法模型的风机主轴承故障监测与诊断方法
CN112598172A (zh) 一种风电机组轴承温度预警方法
CN115983452A (zh) 一种基于lstm的轴承故障预测方法
CN110119787B (zh) 一种旋转型机械设备工况检测方法及设备
CN109141625B (zh) 一种滚珠丝杠副的在线状态监测方法
CN108763048B (zh) 一种基于粒子滤波的硬盘故障预警与可靠性评估方法
CN116821107A (zh) 一种用于智慧电厂的主数据智能化管理方法及系统
CN116993077A (zh) 一种基于大数据的采油设备维护管理系统及方法
CN111783544A (zh) 加工陶瓷手机背板的金刚石铣磨头状态监测系统搭建方法
CN112418522B (zh) 一种基于三支集成预测模型的工业加热炉钢温预测方法
CN113064796A (zh) 一种无监督指标异常检测方法
CN111934903A (zh) 一种基于时序演化基因的Docker容器故障智能预测方法
CN117034001A (zh) 一种风电机组故障预测方法、装置及电子设备
CN108709426B (zh) 基于频谱特征双边检测法烧结机漏风故障在线诊断方法
CN110796282A (zh) 一种基于相关性系数的行业波动周期监测方法
CN110781206A (zh) 一种学习拆回表故障特征规则预测在运电能表是否故障的方法
CN110555188A (zh) 一种动车组车轮参数磨耗趋势的分析方法
CN114048592A (zh) 一种精轧全流程分布式运行性能评估及非优原因追溯方法
CN113094826A (zh) 一种基于任务可靠度的多态制造系统剩余寿命预测方法
CN112816898A (zh) 电瓶故障预测方法、装置、电子设备和存储介质

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