CN108764497A - 一种基于设备维修数据确定最佳保养时间的方法 - Google Patents
一种基于设备维修数据确定最佳保养时间的方法 Download PDFInfo
- Publication number
- CN108764497A CN108764497A CN201810508977.2A CN201810508977A CN108764497A CN 108764497 A CN108764497 A CN 108764497A CN 201810508977 A CN201810508977 A CN 201810508977A CN 108764497 A CN108764497 A CN 108764497A
- Authority
- CN
- China
- Prior art keywords
- component
- failure
- moment
- maintenance
- equipment
- 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
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000007257 malfunction Effects 0.000 claims abstract description 13
- 230000008439 repair process Effects 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 29
- 238000010586 diagram Methods 0.000 description 6
- 230000004888 barrier function Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
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
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
- G06Q50/10—Services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于设备维修数据确定最佳保养时间的方法,所述方法包括:获取预设时间段内与n台设备对应的维修数据;计算该维修数据对应的使用时长,并按照从小到大的顺序进行排序,得到序列t1,t2,……,tNj;获取构件j的累计故障概率函数,以及故障密度函数f(t);计算构件j对应的至少三个时刻的故障率;利用多项式曲线对所述至少三个时刻的故障率进行拟合,平滑故障率趋势;将所述故障率曲线上故障率大于第一预设阈值对应的时刻作为所述待保养构件的保养时刻。应用本发明实施例,可以适应任意格式的维修数据,应用范围更广,进而提高了用户体验。
Description
技术领域
本发明涉及一种设备的保养时间的确定方法及装置,更具体涉及一种基于设备维修数据确定最佳保养时间的方法。
背景技术
随着我国工业技术水平的提高,工业装备在企业生产中扮演着越来越重要的角色。通过对设备故障进行研究,发现大部分机械设备故障率曲线的形状类似于澡盆的剖面形状,因此设备的故障率曲线被称为浴盆曲线。按照这种曲线,设备故障率随时间的变化大致分早期故障期、随机故障期和耗损故障期。早期故障期对于机械产品又叫磨合期。在此期间,开始的故障率很高,但随时间的推移,故障率迅速下降。此期间发生的故障主要是设计、制造上的缺陷所致。进入随机故障期,设备故障率低而稳定,主要是偶然因素引起的,这是设备的正常工作期或最佳状态期。在设备使用后期,由于设备零部件的磨损、疲劳、老化、腐蚀等,故障率不断上升。因此如果在耗损故障期开始时进行维修保养,把故障消灭在萌芽状态,使机械设备经常处于良好的技术状态,可经济而有效地降低故障率。对设备进行维修保养可以缩短设备的故障时间,延长设备的使用寿命,进而提高企业的生产效率和降低企业的生产成本。
目前,为了获取设备的磨损规律,通常采用现场故障数据进行估计,但是,要求现场故障数据要按照预设的数据格式进行填写,而且对数据的质量有较高要求,导致现场故障数据进行估计的应用受到限制,因此,现有技术存在用户体验不佳的技术问题。
发明内容
本发明所要解决的技术问题在于提供了一种基于设备维修数据确定最佳保养时间的方法,以解决现有技术中用户体验不佳的技术问题。
本发明是通过以下技术方案解决上述技术问题的:
本发明实施例提供了一种基于设备维修数据确定最佳保养时间的方法,所述方法包括:
步骤1:获取预设时间段内与n台设备对应的维修数据;
步骤2:针对所述设备中每一构件j,针对与该构件对应的每一条维修数据,计算该维修数据对应的使用时长,并按照从小到大的顺序进行排序,得到序列t1,t2,……,tNj;
步骤3:根据序列t1,t2,……,tNj,获取构件j的累计故障概率函数,使用直方图法估计构件j的故障密度函数f(t)
步骤4:计算构件j对应的至少三个时刻的故障率;
步骤5:利用多项式曲线对所述至少三个时刻的故障率进行拟合,平滑故障率趋势;
步骤6:将所述故障率曲线上故障率大于第一预设阈值对应的时刻作为所述待保养构件的保养时刻。
可选的,所述预设时间段为,设备购买时刻到当前时刻之间的时间段(Ts1,Ts2),其中,
Ts1为设备购买时刻;Ts2为当前时刻。
可选的,所述n台设备为相同型号的设备。
可选的,所述步骤3,包括:
将预设的构件j的平均使用寿命Tj均分为k个区间,记为I1,I2,……,Ik,计算t1,t2,……,tNj落在Ii中的频率
利用公式,计算构件j的故障密度函数,其中,
f(t)为构件j的故障密度函数;ni为序列t1,t2,……,tNj中的元素落入Ii中的频率,且Nj为维修记录中记录的条数;n为预设时间段(Ts1,Ts2)内售出的包含构件j的设备总数;h为窗宽,h=Tj/k;k为被切分的区间的数量,且Tj为构件j的平均使用寿命,且Tj≥tNj;x为构件j发生故障时对应的使用时长。
可选的,所述步骤4,包括:
利用公式,计算构件j对应的至少三个时刻的故障率,其中,λ(t)为t时刻的构件j对应的故障率;f(t)为构件j的故障密度函数;F(t)为构件j的累计故障概率函数。
可选的,所述方法还包括:
从所述维修数据中提取出字段,其中,所述字段包括:构件名称、购买时刻、维修时刻、故障描述;
针对所述设备的每一构件,计算该构件出现的词频;
将词频高于第二预设阈值的构件作为待保养构件.
可选的,所述方法还包括:
针对所述每一待保养构件,筛选出与所述待保养构件对应的维修数据,并对与所述待保养构件对应的维修数据进行分词处理,获得与所述待保养构件对应的故障关键词;
计算每一故障关键词的TF-IDF权重;并将TF-IDF权重大于第三预设阈值的故障关键词对应的故障,作为所述待保养构件的常见故障。
可选的,所述将TF-IDF权重大于第二预设阈值的故障关键词对应的故障,作为所述待保养构件的常见故障,包括:
将TF-IDF权重大于第二预设阈值的故障关键词对应的故障,按照TF-IDF权重从大到小的顺序进行排列,生成常见故障序列表;
将所述常见故障列表中TF-IDF权重大于第三预设阈值的顺序次序对应的故障作为所述待保养构件的常见故障。
可选的,所述方法还包括:
将所述保养时刻与设备的开始使用时刻之和作为所述待保养构件的提醒时刻;并按照所述提醒时刻发出针对所述待保养构件的保养通知。
可选的,所述方法还包括:
将所述保养时刻与设备的开始使用时刻之和作为当前待保养构件的提醒时刻;
将自提醒时刻起,未来预设时间段内的其他待保养构件的保养通知与当前待保养构件的保养通知一起发送给客户。
本发明实施例提供了一种基于设备维修数据确定最佳保养时间的装置,所述装置包括:
获取模块,用于获取预设时间段内与n台设备对应的维修数据;
第一计算模块,用于针对所述设备中每一构件j,针对与该构件对应的每一条维修数据,计算该维修数据对应的使用时长,并按照从小到大的顺序进行排序,得到序列t1,t2,……,tNj;
估计模块用于,根据序列t1,t2,……,tNj,获取构件j的累计故障概率函数,使用直方图法估计构件j的故障密度函数f(t);
第二计算模块,用于计算构件j对应的至少三个时刻的故障率;
拟合模块,用于利用多项式曲线对所述至少三个时刻的故障率进行拟合,平滑故障率趋势;
第一设置模块,用于将所述故障率曲线上故障率大于第一预设阈值对应的时刻作为所述待保养构件的保养时刻。
可选的,所述预设时间段为,设备购买时刻到当前时刻之间的时间段(Ts1,Ts2),其中,
Ts1为设备购买时刻;Ts2为当前时刻。
可选的,所述n台设备为相同型号的设备。
可选的,所述第一计算模块,还用于:
将预设的构件j的平均使用寿命Tj均分为k个区间,记为I1,I2,……,Ik,计算t1,t2,……,tNj落在Ii中的频率
利用公式,计算构件j的故障密度函数,其中,
f(t)为构件j的故障密度函数;ni为序列t1,t2,……,tNj中的元素落入Ii中的频率,且Nj为维修记录中记录的条数;n为预设时间段(Ts1,Ts2)内售出的包含构件j的设备总数;h为窗宽,h=Tj/k;k为被切分的区间的数量,且Tj为构件j的平均使用寿命,且Tj≥tNj;x为构件j发生故障时对应的使用时长。
可选的,所述第二计算模块,还用于:
利用公式,计算构件j对应的至少三个时刻的故障率,其中,λ(t)为t时刻的构件j对应的故障率;f(t)为构件j的故障密度函数;F(t)为构件j的累计故障概率函数。
可选的,所述装置还包括:
提取模块,用于从所述维修数据中提取出字段,其中,所述字段包括:构件名称、购买时刻、维修时刻、故障描述;
第三计算模块,用于针对所述设备的每一构件,计算该构件出现的词频;
第二设置模块,用于将词频高于第二预设阈值的构件作为待保养构件.
可选的,所述装置还包括:
筛选模块,用于针对所述每一待保养构件,筛选出与所述待保养构件对应的维修数据,并对与所述待保养构件对应的维修数据进行分词处理,获得与所述待保养构件对应的故障关键词;
第四计算模块,用于计算每一故障关键词的TF-IDF权重;并将TF-IDF权重大于第三预设阈值的故障关键词对应的故障,作为所述待保养构件的常见故障。
可选的,所述第四计算模块,还用于:
将TF-IDF权重大于第二预设阈值的故障关键词对应的故障,按照TF-IDF权重从大到小的顺序进行排列,生成常见故障序列表;
将所述常见故障列表中TF-IDF权重大于第三预设阈值的顺序次序对应的故障作为所述待保养构件的常见故障。
可选的,所述装置还包括:
第三设置模块,用于将所述保养时刻与设备的开始使用时刻之和作为所述待保养构件的提醒时刻;并按照所述提醒时刻发出针对所述待保养构件的保养通知。
可选的,所述装置还包括:
第四设置模块,用于将所述保养时刻与设备的开始使用时刻之和作为当前待保养构件的提醒时刻;将自提醒时刻起,未来预设时间段内的其他待保养构件的保养通知与当前待保养构件的保养通知一起发送给客户。
本发明相比现有技术具有以下优点:
应用本发明实施例,采用分词技术从维修数据中提取出故障描述的字段,并利用直方图拟合出所述待保养构件的故障率曲线,并根据故障率曲线获取待保养构件的保养时刻,相对于现有技术需要预设格式的数据,可以适应任意格式的维修数据,应用范围更广,进而提高了用户体验。
附图说明
图1为本发明实施例提供的一种基于设备维修数据确定最佳保养时间的方法的流程示意图;
图2为本发明实施例提供的一种待保养构件的故障率曲线示意图;
图3为本发明实施例提供的一种待保养构件的保养时刻的汇总表;
图4为本发明实施例提供的一种待保养构件的提醒时刻的汇总表;
图5为本发明实施例提供的一种基于设备维修数据确定最佳保养时间的装置的结构示意图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
为解决现有技术问题,本发明实施例提供了一种基于设备维修数据确定最佳保养时间的方法及装置,下面首先就本发明实施例提供的一种基于设备维修数据确定最佳保养时间的方法进行介绍。
图1为本发明实施例提供的一种基于设备维修数据确定最佳保养时间的方法的流程示意图,如图1所示,所述方法包括:
S101:获取预设时间段内与n台设备对应的维修数据。
具体的,所述预设时间段为,设备购买时刻到当前时刻之间的时间段(Ts1,Ts2),其中,Ts1为设备购买时刻;Ts2为当前时刻。
具体的,所述n台设备为相同型号的设备。
S102:针对所述设备中每一构件j,针对与该构件对应的每一条维修数据,计算该维修数据对应的使用时长,并按照从小到大的顺序进行排序,得到序列t1,t2,……,tNj。
可以理解的是,使用时长是指,构件j的第10条维修数据对应的维修时刻与设备购买时刻的差值。
S103:根据序列t1,t2,……,tNj,获取构件j的累计故障概率函数,使用直方图法估计构件j的故障密度函数f(t)。
具体的,可以将预设的构件j的平均使用寿命Tj均分为k个区间,记为I1,I2,……,Ik,计算t1,t2,……,tNj落在Ii中的频率
利用公式,计算构件j的故障密度函数,其中,
f(t)为构件j的故障密度函数;ni为序列t1,t2,……,tNj中的元素落入Ii中的频率,且Nj为维修记录中记录的条数;n为预设时间段(Ts1,Ts2)内售出的包含构件j的设备总数;h为窗宽,h=Tj/k;k为被切分的区间的数量,且Tj为构件j的平均使用寿命,且Tj≥tNj;x为构件j发生故障时对应的使用时长。
S104:计算构件j对应的至少三个时刻的故障率。
具体的,可以利用公式,计算构件j对应的至少三个时刻的故障率,其中,λ(t)为t时刻的构件j对应的故障率;f(t)为构件j的故障密度函数;F(t)为构件j的累计故障概率函数。
在实际应用中,由于在S103步骤中使用的是按照区间进行的直方图估计,因此故障密度函数f(t)为分段函数,因此,累计故障概率函数F(t)也为分段函数。
S105:利用多项式曲线对所述至少三个时刻的故障率进行拟合,平滑故障率趋势。
图2为本发明实施例提供的一种待保养构件的故障率曲线示意图,如图2所示,曲线201为利用S104步骤中计算的三个时刻的故障率曲线,曲线202为采用多项式拟合后的故障率曲线。
在实际应用中,采用S104步骤中计算的各个时刻的数量越多,进行多项式拟合的结果就会更加精确。
S106:将所述故障率曲线上故障率大于第一预设阈值对应的时刻作为所述待保养构件的保养时刻。
具体的,可以根据S102步骤中的估计函数,计算若干时间点的故障率的估计值,绘制折线图201,再用多项式曲线拟合以平滑故障率趋势,得到拟合后的故障率曲线202。
如图2所示,在图2中,如果第一预设阈值为0.005,则拐点203所对应的时刻为构建j对应的保养时刻。设备使用200天后要对待保养构件进行保养。
可以理解的是,在图2中,零时刻点对应的为设备的购入时刻,通常也可以理解为设备的开始使用时刻。
可以理解的是,对于设备的其他待保养构件,也要按照上述方法进行处理。
应用本发明图1所示实施例,采用分词技术从维修数据中提取出故障描述的字段,并利用直方图拟合出所述待保养构件的故障率曲线,并根据故障率曲线获取待保养构件的保养时刻,相对于现有技术需要预设格式的数据,可以适应任意格式的维修数据,应用范围更广,进而提高了用户体验。
另外,本发明实施例是基于现有的设备维修数据实现的,不需要增加额外的设备,可以降低企业的负担,减少运营成本。
在本发明图1所示实施例的基础上,本发明的一种具体实施方式还增加了以下步骤:
S107(图中未示出):从所述维修数据中提取出字段,其中,所述字段包括:构件名称、购买时刻、维修时刻、故障描述。
示例性的,可以针对各个型号的各个设备获取时间段为(Tr1,Tr2)的对应的维修数据,以设备-1为例,从维修数据中,提取出设备-1对应的字段,字段包括但不仅限于维修时刻,设备编号,型号,购买时刻,故障描述等数据。
在实际应用中,故障描述可以为:“油表不准,冷却油管漏油”、“限速阀漏油,紧固”、“变速箱异响,更换螺旋齿及轴”等。
S108(图中未示出):针对所述设备的每一构件,计算该构件出现的词频。
将相同型号的设备的故障描述字段合并成一个文本,再对合并后的文本,利用汉语分词算法进行分词处理。然后针对分词后得到的构件,计算每一构件的词频并排序,例如:
名称:制动器,词频:0.0141
名称:变速箱,词频:0.0125
名称:齿轮泵,词频:0.0108。
可以理解的是,词频是某一词语出现的次数除以合并后的文本中的总词语数。
S109(图中未示出):将词频高于第二预设阈值的构件作为待保养构件。
示例性的,第二预设阈值可以为0.010,则制动器的词频大于第二预设阈值,将制动器作为待保养构件,针对其他构件也可以按照上述方式进行处理。
应用本发明上述实施例,可以筛选出设备中容易发生故障的构件,然后针对这些构件进行改进,或者进行重点保养,进而降低构件发生故障的概率,提高设备的可靠性。
另外,还可以筛选出更换或者维修成本较高的,且容易发生故障的构件,然后针对这些构件进行针对性的保养,进而降低设备的维修成本。
在本发明实施例的一种具体实施方式中,所述方法还包括:
S1010(图中未示出):针对所述每一待保养构件,筛选出与所述待保养构件对应的维修数据,并对与所述待保养构件对应的维修数据进行分词处理,获得与所述待保养构件对应的故障关键词。
选中零部件j,筛选出相关维修记录Sj,对其故障描述进行分词,计算TF-IDF(termfrequency inverse document frequency,词频-逆文件频率)权重并排序,例如:
名称:漏油,权重:0.160
名称:断裂,权重:0.135
名称:跳动,权重:0.002。
可以理解的是,TF-IDF权重为某一分词的词频与该分词的逆文件频率的积。漏油的词频可以按照S108中的方法获取,如果“漏油”一词的词频为0.8。
“漏油”的逆文件频率可以按照以下方式获取:
测定有多少条维修记录出现过“漏油”一词,然后除以维修记录集合中包含的维修记录的条数。如果“漏油”一词在8000条维修记录中出现过,而维修记录集合中包含的维修记录的总条数是10000份的话,其逆文件频率为:
log(10000/8000)=0.097。
“漏油”一词对应的TF-IDF权重为:0.8*0.097=0.077。
对于其他的关键词也按照上述方式进行处理,本发明实施例在此并不对其进行赘述。
S1011(图中未示出):计算每一故障关键词的TF-IDF权重;并将TF-IDF权重大于第三预设阈值的故障关键词对应的故障,作为所述待保养构件的常见故障。
具体的,可以将TF-IDF权重大于第三预设阈值的故障关键词对应的故障,按照TF-IDF权重从大到小的顺序进行排列,生成常见故障序列表;将所述常见故障列表中TF-IDF权重大于第三预设阈值的顺序次序对应的故障作为所述待保养构件的常见故障。
将S1010步骤中得到的各个故障,按照对应的权重从大到小依次排序,排序结果如S1010所示,如果第三预设阈值为0.01,则说明“漏油”与“断裂”是该种零部件的常见故障类型。
应用本发明上述实施例,可以得到常见的故障类型,进而可以根据该表改进设备的生产工艺,降低设备的故障概率,进而提高设备的可靠性。
在本发明图1所示实施例的基础上,本发明的一种具体实施方式还增加了以下步骤:
S1012(图中未示出):将所述保养时刻与设备的开始使用时刻之和作为所述待保养构件的提醒时刻;并按照所述提醒时刻发出针对所述待保养构件的保养通知。
由于保养时刻对应的是设备的使用时长,且各个企业买回设备后可能并没有立即使用,因此将保养时刻与开始使用时刻之和作为待保养构件的提醒时刻。例如,保养时刻为200天,开始使用时刻为2011年1月1日,则提醒时刻为2011年7月20日。
图3为本发明实施例提供的一种待保养构件的保养时刻的汇总表;如图3所示,vehicle type为车辆类型,包括:A、B、C和D;A型车的离合器的保养时刻为自开始使用时刻开始的第600天,依次类推。
应用本发明上述实施例,可以通知客户进行待保养构件的保养。
在本发明图1所示实施例的基础上,本发明的一种具体实施方式还增加了以下步骤:
S1013(图中未示出):将所述保养时刻与设备的开始使用时刻之和作为当前待保养构件的提醒时刻;将自提醒时刻起,未来预设时间段内的其他待保养构件的保养通知与当前待保养构件的保养通知一起发送给客户。
如果待保养构件j的提醒时刻为2011年7月20日,待保养构件h的提醒时刻为2011年7月22日,待保养构件k的提醒时刻为2011年7月25日,如果未来预设时间段为5天,则将待保养构件j、待保养构件h、待保养构件k的保养通知一起发送给客户。
图4为本发明实施例提供的一种待保养构件的提醒时刻的汇总表;如图4所示,如果未来预设时间段为一个月,则将A型设备的离合器保养通知与B型设备的保养通知一起发送给客户。
可以理解的是,所说的一起发送给客户,可以将保养通知一起发送给同一个客户,也可以将不同客户的设备的保养通知发送给对应的客户,本发明实施例在此并不对其作出限定。
应用本发明上述实施例,可以通知客户进行待保养构件的保养。
与本发明图1所示实施例相对应,本发明实施例还提供了一种基于设备维修数据确定最佳保养时间的装置。
图5为本发明实施例提供的一种基于设备维修数据确定最佳保养时间的装置的结构示意图,如图5所示,所述装置包括:
获取模块301,用于获取预设时间段内与n台设备对应的维修数据;
第一计算模块302,用于针对所述设备中每一构件j,针对与该构件对应的每一条维修数据,计算该维修数据对应的使用时长,并按照从小到大的顺序进行排序,得到序列t1,t2,……,tNj;
估计模块303用于,根据序列t1,t2,……,tNj,获取构件j的累计故障概率函数,使用直方图法估计构件j的故障密度函数f(t);
第二计算模块304,用于计算构件j对应的至少三个时刻的故障率;
拟合模块305,用于利用多项式曲线对所述至少三个时刻的故障率进行拟合,平滑故障率趋势;
第一设置模块306,用于将所述故障率曲线上故障率大于第一预设阈值对应的时刻作为所述待保养构件的保养时刻。
应用本发明图5所示实施例,采用分词技术从维修数据中提取出故障描述的字段,并利用直方图拟合出所述待保养构件的故障率曲线,并根据故障率曲线获取待保养构件的保养时刻,相对于现有技术需要预设格式的数据,可以适应任意格式的维修数据,应用范围更广,进而提高了用户体验。
在本发明实施例的一种具体实施方式中,所述预设时间段为,设备购买时刻到当前时刻之间的时间段(Ts1,Ts2),其中,
Ts1为设备购买时刻;Ts2为当前时刻。
在本发明实施例的一种具体实施方式中,所述n台设备为相同型号的设备。
在本发明实施例的一种具体实施方式中,所述第一计算模块302,还用于:
将预设的构件j的平均使用寿命Tj均分为k个区间,记为I1,I2,……,Ik,计算t1,t2,……,tNj落在Ii中的频率
利用公式,计算构件j的故障密度函数,其中,
f(t)为构件j的故障密度函数;ni为序列t1,t2,……,tNj中的元素落入Ii中的频率,且Nj为维修记录中记录的条数;n为预设时间段(Ts1,Ts2)内售出的包含构件j的设备总数;h为窗宽,h=Tj/k;k为被切分的区间的数量,且Tj为构件j的平均使用寿命,且Tj≥tNj;x为构件j发生故障时对应的使用时长。
在本发明实施例的一种具体实施方式中,所述第二计算模块304,还用于:
利用公式,计算构件j对应的至少三个时刻的故障率,其中,λ(t)为t时刻的构件j对应的故障率;f(t)为构件j的故障密度函数;F(t)为构件j的累计故障概率函数。
在本发明实施例的一种具体实施方式中,所述装置还包括:
提取模块307(图中未示出),用于从所述维修数据中提取出字段,其中,所述字段包括:构件名称、购买时刻、维修时刻、故障描述;
第三计算模块308(图中未示出),用于针对所述设备的每一构件,计算该构件出现的词频;
第二设置模块309(图中未示出),用于将词频高于第二预设阈值的构件作为待保养构件.
在本发明实施例的一种具体实施方式中,所述装置还包括:
筛选模块3010(图中未示出),用于针对所述每一待保养构件,筛选出与所述待保养构件对应的维修数据,并对与所述待保养构件对应的维修数据进行分词处理,获得与所述待保养构件对应的故障关键词;
第四计算模块3011(图中未示出),用于计算每一故障关键词的TF-IDF权重;并将TF-IDF权重大于第三预设阈值的故障关键词对应的故障,作为所述待保养构件的常见故障。
在本发明实施例的一种具体实施方式中,所述第四计算模块3011,还用于:
将TF-IDF权重大于第二预设阈值的故障关键词对应的故障,按照TF-IDF权重从大到小的顺序进行排列,生成常见故障序列表;
将所述常见故障列表中TF-IDF权重大于第三预设阈值的顺序次序对应的故障作为所述待保养构件的常见故障。
在本发明实施例的一种具体实施方式中,所述装置还包括:
第三设置模块3012(图中未示出),用于将所述保养时刻与设备的开始使用时刻之和作为所述待保养构件的提醒时刻;并按照所述提醒时刻发出针对所述待保养构件的保养通知。
在本发明实施例的一种具体实施方式中,所述装置还包括:
第四设置模块3013(图中未示出),用于将所述保养时刻与设备的开始使用时刻之和作为当前待保养构件的提醒时刻;将自提醒时刻起,未来预设时间段内的其他待保养构件的保养通知与当前待保养构件的保养通知一起发送给客户。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于设备维修数据确定最佳保养时间的方法,其特征在于,所述方法包括:
步骤1:获取预设时间段内与n台设备对应的维修数据;
步骤2:针对所述设备中每一构件j,针对与该构件对应的每一条维修数据,计算该维修数据对应的使用时长,并按照从小到大的顺序进行排序,得到序列t1,t2,……,tNj;
步骤3:根据序列t1,t2,……,tNj,获取构件j的累计故障概率函数,使用直方图法估计构件j的故障密度函数f(t);
步骤4:计算构件j对应的至少三个时刻的故障率;
步骤5:利用多项式曲线对所述至少三个时刻的故障率进行拟合,平滑故障率趋势;
步骤6:将所述故障率曲线上故障率大于第一预设阈值对应的时刻作为所述待保养构件的保养时刻。
2.根据权利要求1所述的一种基于设备维修数据确定最佳保养时间的方法,其特征在于,所述预设时间段为,设备购买时刻到当前时刻之间的时间段(Ts1,Ts2),其中,
Ts1为设备购买时刻;Ts2为当前时刻。
3.根据权利要求1所述的一种基于设备维修数据确定最佳保养时间的方法,其特征在于,所述n台设备为相同型号的设备。
4.根据权利要求1所述的一种基于设备维修数据确定最佳保养时间的方法,其特征在于,所述步骤3,包括:
将预设的构件j的平均使用寿命Tj均分为k个区间,记为I1,I2,……,Ik,计算t1,t2,……,tNj落在Ii中的频率
利用公式,计算构件j的故障密度函数,其中,
f(t)为构件j的故障密度函数;ni为序列t1,t2,……,tNj中的元素落入Ii中的频率,且Nj为维修记录中记录的条数;n为预设时间段(Ts1,Ts2)内售出的包含构件j的设备总数;h为窗宽,h=Tj/k;k为被切分的区间的数量,且Tj为构件j的平均使用寿命,且Tj≥tNj;x为构件j发生故障时对应的使用时长。
5.根据权利要求1所述的一种基于设备维修数据确定最佳保养时间的方法,其特征在于,所述步骤4,包括:
利用公式,计算构件j对应的至少三个时刻的故障率,其中,λ(t)为t时刻的构件j对应的故障率;f(t)为构件j的故障密度函数;F(t)为构件j的累计故障概率函数。
6.根据权利要求1所述的一种基于设备维修数据确定最佳保养时间的方法,其特征在于,所述方法还包括:
从所述维修数据中提取出字段,其中,所述字段包括:构件名称、购买时刻、维修时刻、故障描述;
针对所述设备的每一构件,计算该构件出现的词频;
将词频高于第二预设阈值的构件作为待保养构件。
7.根据权利要求6所述的一种基于设备维修数据确定最佳保养时间的方法,其特征在于,所述方法还包括:
针对所述每一待保养构件,筛选出与所述待保养构件对应的维修数据,并对与所述待保养构件对应的维修数据进行分词处理,获得与所述待保养构件对应的故障关键词;
计算每一故障关键词的TF-IDF权重;并将TF-IDF权重大于第三预设阈值的故障关键词对应的故障,作为所述待保养构件的常见故障。
8.根据权利要求7所述的一种基于设备维修数据确定最佳保养时间的方法,其特征在于,所述将TF-IDF权重大于第二预设阈值的故障关键词对应的故障,作为所述待保养构件的常见故障,包括:
将TF-IDF权重大于第二预设阈值的故障关键词对应的故障,按照TF-IDF权重从大到小的顺序进行排列,生成常见故障序列表;
将所述常见故障列表中TF-IDF权重大于第三预设阈值的顺序次序对应的故障作为所述待保养构件的常见故障。
9.根据权利要求1所述的一种基于设备维修数据确定最佳保养时间的方法,其特征在于,所述方法还包括:
将所述保养时刻与设备的开始使用时刻之和作为所述待保养构件的提醒时刻;并按照所述提醒时刻发出针对所述待保养构件的保养通知。
10.根据权利要求1所述的一种基于设备维修数据确定最佳保养时间的方法,其特征在于,所述方法还包括:
将所述保养时刻与设备的开始使用时刻之和作为当前待保养构件的提醒时刻;将自提醒时刻起,未来预设时间段内的其他待保养构件的保养通知与当前待保养构件的保养通知一起发送给客户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810508977.2A CN108764497B (zh) | 2018-05-24 | 2018-05-24 | 一种基于设备维修数据确定最佳保养时间的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810508977.2A CN108764497B (zh) | 2018-05-24 | 2018-05-24 | 一种基于设备维修数据确定最佳保养时间的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108764497A true CN108764497A (zh) | 2018-11-06 |
CN108764497B CN108764497B (zh) | 2021-06-29 |
Family
ID=64005561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810508977.2A Active CN108764497B (zh) | 2018-05-24 | 2018-05-24 | 一种基于设备维修数据确定最佳保养时间的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764497B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111794842A (zh) * | 2020-07-21 | 2020-10-20 | 潍柴动力股份有限公司 | 尿素泵预警方法及装置 |
CN112224180A (zh) * | 2019-07-15 | 2021-01-15 | 北京京东乾石科技有限公司 | 自动导引车的检修方法及装置、介质、电子设备 |
CN112668881A (zh) * | 2020-12-29 | 2021-04-16 | 南通佳腾精密模具有限公司 | 一种注塑模具产品的养护方法和装置 |
CN112668728A (zh) * | 2019-10-15 | 2021-04-16 | 深圳怡化电脑股份有限公司 | 设备模块配置方法、装置、计算机设备及存储介质 |
CN113222196A (zh) * | 2021-05-28 | 2021-08-06 | 中国工商银行股份有限公司 | 自动柜员机的维护周期优化方法及装置 |
CN113255943A (zh) * | 2021-06-16 | 2021-08-13 | 河南卓瑞智能科技有限公司 | 设备保养提醒及维修方案智能管理系统 |
CN117145752A (zh) * | 2023-10-26 | 2023-12-01 | 意朗智能科技(南通)有限公司 | 用于空压机的过滤故障识别方法及系统 |
CN117409495A (zh) * | 2023-12-11 | 2024-01-16 | 北汽利戴工业技术服务(北京)有限公司 | 一种基于设备维修数据的最佳保养时间获取方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787139A (zh) * | 2014-12-25 | 2016-07-20 | 北京电子工程总体研究所 | 一种基于故障合成的复杂系统维修保障仿真优化方法 |
US20160282229A1 (en) * | 2014-08-28 | 2016-09-29 | Beijing Jiaotong University | Fault Prediction and Condition-based Repair Method of Urban Rail Train Bogie |
CN107203815A (zh) * | 2017-06-16 | 2017-09-26 | 北京航空航天大学 | 一种预计维修时间的方法及装置 |
CN107679630A (zh) * | 2017-09-19 | 2018-02-09 | 中国人民解放军国防科技大学 | 一种基于比例维修模型的维修作业时间估计方法 |
-
2018
- 2018-05-24 CN CN201810508977.2A patent/CN108764497B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160282229A1 (en) * | 2014-08-28 | 2016-09-29 | Beijing Jiaotong University | Fault Prediction and Condition-based Repair Method of Urban Rail Train Bogie |
CN105787139A (zh) * | 2014-12-25 | 2016-07-20 | 北京电子工程总体研究所 | 一种基于故障合成的复杂系统维修保障仿真优化方法 |
CN107203815A (zh) * | 2017-06-16 | 2017-09-26 | 北京航空航天大学 | 一种预计维修时间的方法及装置 |
CN107679630A (zh) * | 2017-09-19 | 2018-02-09 | 中国人民解放军国防科技大学 | 一种基于比例维修模型的维修作业时间估计方法 |
Non-Patent Citations (1)
Title |
---|
杨毅: ""基于故障率特性的数控机床预防维修决策技术研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑(月刊)》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112224180A (zh) * | 2019-07-15 | 2021-01-15 | 北京京东乾石科技有限公司 | 自动导引车的检修方法及装置、介质、电子设备 |
CN112668728A (zh) * | 2019-10-15 | 2021-04-16 | 深圳怡化电脑股份有限公司 | 设备模块配置方法、装置、计算机设备及存储介质 |
CN111794842A (zh) * | 2020-07-21 | 2020-10-20 | 潍柴动力股份有限公司 | 尿素泵预警方法及装置 |
CN112668881A (zh) * | 2020-12-29 | 2021-04-16 | 南通佳腾精密模具有限公司 | 一种注塑模具产品的养护方法和装置 |
CN113222196A (zh) * | 2021-05-28 | 2021-08-06 | 中国工商银行股份有限公司 | 自动柜员机的维护周期优化方法及装置 |
CN113255943A (zh) * | 2021-06-16 | 2021-08-13 | 河南卓瑞智能科技有限公司 | 设备保养提醒及维修方案智能管理系统 |
CN113255943B (zh) * | 2021-06-16 | 2022-12-09 | 河南卓瑞智能科技有限公司 | 设备保养提醒及维修方案智能管理系统 |
CN117145752A (zh) * | 2023-10-26 | 2023-12-01 | 意朗智能科技(南通)有限公司 | 用于空压机的过滤故障识别方法及系统 |
CN117145752B (zh) * | 2023-10-26 | 2024-01-30 | 意朗智能科技(南通)有限公司 | 用于空压机的过滤故障识别方法及系统 |
CN117409495A (zh) * | 2023-12-11 | 2024-01-16 | 北汽利戴工业技术服务(北京)有限公司 | 一种基于设备维修数据的最佳保养时间获取方法及系统 |
CN117409495B (zh) * | 2023-12-11 | 2024-02-20 | 北汽利戴工业技术服务(北京)有限公司 | 一种基于设备维修数据的最佳保养时间获取方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108764497B (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764497A (zh) | 一种基于设备维修数据确定最佳保养时间的方法 | |
CN101184259B (zh) | 垃圾短信中的关键词自动学习及更新方法 | |
US10467252B1 (en) | Document classification and characterization using human judgment, tiered similarity analysis and language/concept analysis | |
CN105653871B (zh) | 基于相对熵和灰色关联度的符号化多质量特性分析方法 | |
JP5547669B2 (ja) | 関連語抽出装置、関連語抽出方法、関連語抽出プログラム | |
US20090271235A1 (en) | Apparatus and method for generating survival curve used to calculate failure probability | |
WO2013015696A1 (en) | Clustering of feedback reports | |
CN105654198A (zh) | 具有最优阈值筛选的品牌广告效果优化的方法 | |
CN104809141A (zh) | 酒店数据的匹配系统及方法 | |
Wang et al. | Remaining Useful Life Prediction Method of Rolling Bearings Based on Pchip‐EEMD‐GM (1, 1) Model | |
JP2015099620A5 (zh) | ||
JP2015525401A (ja) | データ処理方法 | |
Mustafa et al. | Association rules on significant rare data using second support | |
Delgado et al. | Continued evaluation of gear condition indicator performance on rotorcraft fleet | |
JP5113023B2 (ja) | 勤務計画作成装置 | |
JP2010117941A (ja) | Web文書主要コンテンツ抽出装置及びプログラム | |
Waghmode | A suggested framework for product life cycle cost analysis at product design stage | |
US11461406B2 (en) | System and method for identifying newly trending topics in a data stream | |
Chiu | Production run time problem with machine breakdowns under AR control policy and rework | |
JP2010282580A (ja) | ライフサイクル分析装置、ライフサイクル分析プログラム、ライフサイクル分析方法およびライフサイクル分析システム | |
KR101763394B1 (ko) | 스트리밍 데이터 고속처리시스템을 모니터링하는 모니터링장치 및 그 방법 | |
Ghorabi et al. | Ecodesign decision boxes–a systematic tool for integrating environmental considerations into product development | |
EP3217297A1 (en) | Method and system for generating a topic model for structuring data files | |
TW201939424A (zh) | 依照個人情緒推薦料理食物的方法及系統 | |
CN104408289A (zh) | 一种将事后维修引入的改进型机会维修方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200813 Address after: Room 203, building 3, Zone C, intelligent technology park, 3963 Susong Road, Hefei Economic and Technological Development Zone, 230000 Anhui Province Applicant after: Anhui Lingyun IOT Technology Co.,Ltd. Address before: 236000 Anhui city of Hefei Province Economic and Technological Development Zone Cuiwei Road No. 6 Haiheng building room 6012 Applicant before: HRG INTERNATIONAL INSTITUTE FOR RESEARCH & INNOVATION |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |