CN109816136A - 设备保养预测系统及其操作方法 - Google Patents
设备保养预测系统及其操作方法 Download PDFInfo
- Publication number
- CN109816136A CN109816136A CN201711202296.5A CN201711202296A CN109816136A CN 109816136 A CN109816136 A CN 109816136A CN 201711202296 A CN201711202296 A CN 201711202296A CN 109816136 A CN109816136 A CN 109816136A
- Authority
- CN
- China
- Prior art keywords
- module
- type
- history
- decision
- those
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 88
- 238000011017 operating method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims description 31
- 238000010200 validation analysis Methods 0.000 claims description 10
- 241000208340 Araliaceae Species 0.000 claims description 7
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 7
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 7
- 235000008434 ginseng Nutrition 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims 2
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 238000005311 autocorrelation function Methods 0.000 description 5
- 241001123248 Arma Species 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000009738 saturating Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Debugging And Monitoring (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种设备保养系统的操作方法，其步骤包括：使因子决策模块根据关键参数类型选择多个参数类型的其中一个为决策参数类型，决策参数类型与关键参数类型为最相关；使预测模块根据决策参数类型的部分多个历史感测值产生预测模型并根据关键参数类型的部分多个历史感测值制定保养警示条件；以及使保养预警模块根据保养警示条件进行监控以及预警。
Description
技术领域
本发明涉及一种设备保养预测系统及操作方法，尤其涉及一种以双层式预测模型进行预测的设备保养预测系统及操作方法。
背景技术
现有的设备保养方法是以定期保养或者是故障保养的方式进行，不仅无法准确掌握设备状态，更可能因为故障状况没有及时排除造成设备的损坏，因此现有的设备保养方法不仅缺乏自动化而且成效不彰。此外，亦有以设定单一参数门槛值或以单一参数的统计结果来进行保养的设备保养方法，然设备会因为各种不同因素而影响其运作状态，仅以单一参数为判断设备是否需进行保养的条件，将无法准确的预测设备状态，无法有效延长设备的运作寿命。
发明内容
为了解决上述的缺憾，本发明提出一种设备保养预测系统的操作方法实施例，所述设备保养预测系统包括处理器、因子决策模块、预测模块以及保养预警模块，处理器与因子决策模块、预测模块以及保养预警模块电连接，其步骤包括：处理器使因子决策模块根据关键参数类型选择多个参数类型的其中一个为决策参数类型，决策参数类型与关键参数类型为最相关；处理器使预测模块根据决策参数类型的部分多个历史感测值产生预测模型并根据关键参数类型的部分多个历史感测值制定保养警示条件；以及处理器使保养预警模块根据保养警示条件进行监控以及预警。
本发明更提出一种设备保养预测系统实施例，所述设备保养预测系统包括处理器、介面模块、因子决策模块、预测模块、保养预警模块以及资料库。介面模块与处理器电连接，介面模块用以输出选择信息，所述选择信息包括关键参数类型以及多个参数类型的信息。因子决策模块与处理器电连接，因子决策模块用以根据关键参数类型选择多个参数类型的其中一个为决策参数类型，所述决策参数类型与关键参数类型为最相关。预测模块与处理器电连接，预测模块用以根据决策参数类型的部分多个历史感测值产生预测模型并根据关键参数类型的部分多个历史感测值制定保养警示条件。保养预警模块与处理器电连接，保养预警模块是用以根据保养警示条件以及设备运作时所产生的多个感测值进行监控以及预警。资料库与处理器电连接，资料库用以储存决策参数类型的多个历史感测值、关键参数类型的多个历史感测值、预测模型、保养警示条件以及多个感测值。
综以上所述，由于本发明所提出的设备保养预测系统以及应用于设备保养预测系统的设备保养预测方法是先选择出与关键参数类型具有较佳关联性的决策参数类型，因此可在不增加额外感测元件的情况下，以关键参数类型以外的参数类型来进行预测。此外，以具有相对较高相关性的决策参数类型来建立预测模型，相较于单纯以单一关键参数类型的预测方法，更可有效增进设备寿命预测的准确度。同时，在设备运行中所产生的信息都会持续的纪录于资料库中，藉由持续累积的资料纪录，预测模型更可有效准确预测出关键参数类型的感测值走势，系统使用者可更精准地进行保养，有效增进设备的寿命。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图,详细说明如下。
附图说明
图1为本发明的设备保养预测系统实施例示意图。
图2A为本发明的设备保养预测方法实施例一步骤示意图。
图2B为本发明的步骤210方法实施例示意图。
图2C为本发明的步骤220方法实施例示意图。
图2D为本发明的步骤230方法实施例示意图。
图2E为本发明的步骤240方法实施例示意图。
图3为本发明的设备保养预测方法实施例二步骤示意图。
图4为本发明的预测结果实施例示意图。
具体实施方式
请参考图1，图1为本发明的设备保养预测系统实施例示意图，其所应用于的设备可以为变频器，且所述设备保养预测系统可以为具有资料接收以及处理能力的智能手机、笔记本电脑或服务器主机，但不以此为限。在此实施例中，设备保养预测系统100包括处理器10、资料库20、介面模块30、因子决策模块40、预测模块50以及保养预警模块60。处理器10与资料库20、介面模块30、因子决策模块40、预测模块50以及保养预警模块60电连接，处理器10是用以处理以及转传所接收的资料或讯号。
资料库20是用以储存设备保养预测系统100所需的资料，资料库20可以由记忆卡或记忆体来实现，但不以此为限。在此实施例中，资料库20储存有对应所述设备的多个参数类型，所述参数类型为可反应出设备运作状态的多种资料类型，所述参数类型例如为设备的运转时间、温度、输出电压、电流、转速等级以及感测时间等。资料库20并储存有多个参数类型于不同时间感测到的历史感测值，其中，历史感测值可以由所述设备、与所述设备同批号的其他设备、实验设备或商转设备等进行可靠度测试所得到。
介面模块30是用以显示操作介面，使系统使用者可藉由介面模块30进行指令的输入，介面模块30并根据输入的指令输出选择信息至电连接的处理器10，所述选择信息包括关键参数类型以及多个参数类型的信息。例如系统使用者可藉由介面模块30所显示的多个参数类型中选择一个参数类型作为关键参数类型，并另外选择至少一个参数类型来进行后续操作。系统使用者并可选择关键参数类型以及至少一个参数类型的历史感测值的时间区间，例如选择近2年间的历史感测值。其中，所述的介面模块30可以是触控面板或者为具有滑鼠、键盘以及显示面板的输入介面组，但不以此为限。
因子决策模块40是用以根据处理器10的控制来进行运作。根据上述的选择信息，处理器10会使因子决策模块40根据关键参数类型选择上述的至少一参数类型的其中一个为决策参数类型，决策参数类型并与关键参数类型为最相关。进一步的说，在此实施例中，因子决策模块40会根据处理器10的控制读取储存于资料库20且对应关键参数类型的历史感测值以及至少一参数类型的历史感测值。因子决策模块40并以一逐步回归方法对关键参数类型的历史感测值以及至少一参数类型的历史感测值进行运算并产生相关参数值(Rsquared)，因子决策模块30并将具有最大相关参数值的参数类型选择为决策参数类型。在其他实施例中，亦可根据需求选择不同相关参数值的多个参数类型为决策参数类型，例如，同时选择具有最大相关参数值以及次大相关参数值的参数类型为决策参数类型，但不以此为限。
预测模块50是用以根据处理器10的控制来进行运作。当因子决策模块40决定出决策参数类型时，处理器10使预测模块50根据决策参数类型的历史感测值产生预测模型，预测模块50并根据关键参数类型的历史感测值制定保养警示条件。进一步的说，预测模块50用以将系统使用者选取的决策参数类型的部分历史感测值决定为第一历史感测值组，预测模块50并用以将另一部分历史感测值决定为第二历史感测值组。预测模块50以时间序列模型对第一历史感测值组分析其时间序列特性，并使时间序列模型根据第一历史感测值组的时间序列特性运算出对应于决策参数类型以及关键参数类型的第一预测模型，所述第一预测模型为以决策参数类型在一时间区间内预测关键参数类型的预测感测值。预测模块50再以第二历史感测值组代入第一预测模型进行验证并产生多个验证值。其中，所述时间序列模型可以为自回归滑动平均模型(Autoregressive moving average model,ARMA)、自回归积分滑动平均模型(Autoregressive Integrated Moving Average model,ARIMA)、指数平滑法或移动平均法，但不以此为限。在其他实施例中，预测模块50可利用自相关函数(Autocorrelation Function,ACF)或偏自相关函数(Partial AutocorrelationFunction,PACF)对第一历史感测值组以及第二历史感测值组进行时间序列型态的验证，再以自回归滑动平均模型(Autoregressive moving average model,ARMA)产生第一预测模型与第二预测模型，但不以此为限。
预测模块50并将多笔验证值与关键参数类型的历史感测值比对是否一致，所述关键参数类型的历史感测值对应至决策参数类型的第二历史感测值，例如，在相同时点产生的关键参数类型(温度)历史感测值以及决策参数类型(电压)历史感测值。预测模块50并判断多笔验证值的准确度是否大于等于准确度门槛值，准确度门槛值例如为90％，但不以此为限。当准确度大于等于准确度门槛值，预测模块50使第一预测模型为设备保养预测系统100用来预测的预测模型，反之，预测模块50会选择另一时间序列模型，并重复以上流程，直到验证值的准确度大于等于准确度门槛值。当决定好预测模型后，预测模型会储存至资料库20，预测模块50并根据预测模型以及关键参数类型的历史感测值于特定区间的感测值分布订定保养警示条件，保养警示条件可为感测值于特定时间长度内的变化次数大于次数门槛值，但不以此为限，预测模块50并将保养警示条件储存至资料库20。举例来说，以关键参数类型为温度为例，假设由关键参数类型的历史感测值可以得出，设备发生温度超过摄氏45度以上的次数为三次时，设备发生故障状态。因此预测模块50可根据预测模型的预测感测值分布的趋势决定出保养警示条件。例如，当预测模型的预测感测值分布出现了在二个小时内温度超过摄氏45度以上的次数为三次的预测感测值，预测模块50可同时参考关键参数类型的历史感测值分布以及预测模型的预测感测值分布来决定出以下保养警示条件，当即时感测值的分布为感测值于二个小时且温度超过摄氏45度以上的次数为三次时，即进行警示的保养警示条件。
保养预警模块60是用以根据处理器10的控制来进行运作。预测模块50决定出保养警示条件后，处理器10使保养预警模块60根据上述的保养警示条件以及设备运作时即时产生的多个感测值进行监控以及预警，所述的感测值包括温度、输出电压、电流以及转速等级等的感测值，但不以此为限。在某些实施例中，保养预警模块60将保养警示条件传送至设备的运作系统进行监控，保养预警模块60再根据监控结果进行示警。进一步的说，当即时产生的感测值的数值分布满足保养警示条件的条件，保养预警模块60将会进行示警，所述示警例如使介面模块30显示提示讯息。当系统使用者根据提示讯息或者主动完成保养后，可透过介面模块30输入保养信息，所述保养信息例如为保养项目以及保养时间，保养预警模块50并用以将保养信息储存至资料库20。
在某些实施例中，设备保养预测系统100还可包括感测值撷取模块70，感测值撷取模块70与处理器10以及设备电连接，感测值撷取模块70是用以有线或无线的电连接方式接收设备所传送的多个感测值，并将接收的感测值藉由处理器10储存至资料库20。
接着请参考图2A，图2A为应用于上述的设备保养预测系统的设备保养预测方法实施例示意图。于步骤210，系统使用者于介面模块30选择了关键参数类型以及其他多个参数类型。于步骤220，因子决策模块40根据关键参数类型选择多个参数类型的其中一个为决策参数类型，决策参数类型与关键参数类型为最相关。于步骤230，预测模块50根据决策参数类型的部分多个历史感测值产生预测模型，并根据关键参数类型的部分多个历史感测值以及预测模型制定保养警示条件。于步骤240，保养预警模块60会根据保养警示条件进行监控以及预警。
请参考图2B，步骤210进一步包括，介面模块30根据系统使用者输入的指令输出选择信息，选择信息包括关键参数类型以及多个参数类型的信息，系统使用者并可选择关键参数类型以及至少一个参数类型的历史感测值的时间区间。请参考图2C，步骤220进一步包括以下步骤。于步骤221，处理器10根据步骤210的选择信息以及系统使用者所选择的时间区间使因子决策模块40得到关键参数类型的历史感测值以及参数类型个别的多个历史感测值。于步骤222，因子决策模块40以逐步回归方法对关键参数类型的历史感测值以及参数类型的历史感测值个别的进行运算并产生相关参数值。以关键参数类型为温度，参数类型为输出电压以及电流为例，因子决策模块40会将温度与输出电压的历史感测值进行逐步回归方法得到一笔相关参数值，因子决策模块40再将温度与电流的历史感测值进行逐步回归方法得到另一笔相关参数值。于步骤223，因子决策模块40将具有最大相关参数值的参数类型选择为决策参数类型。如上例所述，若温度与电流所得到的相关参数值为0.5082，温度与输出电压所得到的相关参数值为0.4657，则因子决策模块40选择电流的参数类型为决策参数类型。在其他实施例中，亦可根据需求同时选择电流以及输出电压为决策参数类型，但不以此为限。
请参考图2D，步骤230进一步包括以下步骤。于步骤231，预测模块50将决策参数类型的部分历史感测值决定为第一历史感测值组，预测模块50并将决策参数类型的另一部分历史感测值决定为第二历史感测值组。举例来说，于步骤210，系统使用者选择了时间区间为一年，在步骤231中，可将前七个月所产生的部分历史感测值决定为第一历史感测值组，后三个月所产生的部分历史感测值决定为第二历史感测值组。于步骤232，预测模块50以时间序列模型对第一历史感测值组进行时间序列的分析并根据分析结果运算出第一预测模型。于步骤233，预测模块50以第二历史感测值组对第一预测模型进行验证，并计算验证结果的准确度。举例来说，以决策参数类型的第二历史感测值组带入第一预测模型进行运算并得到多笔对应的验证值，并将多笔验证值与关键参数类型的历史感测值比对是否一致，所述关键参数类型的历史感测值对应至决策参数类型的第二历史感测值。于步骤234，预测模块50判断准确度是否大于等于准确度门槛值。当步骤234判断为是，进行步骤235，预测模块50使第一预测模型为预测模型。于步骤236，预测模块50根据预测模型以及关键参数类型的部分历史感测值于特定区间的感测值分布订定上述的保养警示条件。若步骤234判断为否，进行步骤237，预测模块50更换时间序列模型后进行步骤232。
请参考图2E，步骤240进一步包括以下步骤。于步骤241，保养预警模块60即时接收并监控多个感测值。于步骤242，保养预警模块60判断感测值的分布是否满足保养警示条件的条件。当判断为是，执行步骤243，保养预警模块60进行示警。若步骤242判断为否，回到步骤241。
以下并再以一实例来说明本发明的设备保养预测方法。请参考图3，首先于步骤301，使用者先藉由介面模块30选定关键参数类型为温度，其他参数类型为运转时间、温度、输出电压、电流以及转速，并选定使用近两年的历史感测值来进行以下操作。接着在步骤302，因子决策模块40个别的得到关键参数类型与其他参数类型之间的相关参数值，在此实施例中，由于温度与输出电压的相关参数值以及温度与电流的相关参数值相对较大，因此选择输出电压以及电流作为决策参数类型。在步骤303中，预测模块50根据输出电压以及电流执行上述的步骤230并选择出最佳的时间序列模型来产生预测模型，预测模块50根据此预测模型的预测感测值分布以及温度的历史感测值分布决定出两小时内若设备的温度由摄氏43度上升至摄氏48度的次数超过5次时即进行示警的保养警示条件。于步骤304中，保养预警模块60将保养警示条件传送至设备的运作系统进行监控。于步骤305中，判断设备运转时的温度感测值是否达到保养警示条件所设定的条件。当判断为是，进行步骤306，保养预警模块60使介面模块30显示提示讯息以示警系统使用者进行保养。反之，持续进行步骤305。于步骤307，判断系统使用者是否进行保养，当判断为是，进行步骤308，系统使用者由介面模块30输入保养信息，保养预警模块60将保养信息储存至资料库20，并回到步骤305，持续监控设备运行的状态。反之，进行步骤305。
请参考图4，图4为以温度为例的预测模型的温度预测结果与实际感测的温度感测值分布，其中，温度预测结果为曲线401，温度感测值为曲线402，图4的横轴单位为分钟，纵轴单位为摄氏温标(℃)。由图4中可以看出，温度预测结果与温度感测值非常相近，本发明所提出的设备保养预测系统以及方法可准确的预测出所需的感测值。
综以上所述，由于本发明所提出的设备保养预测系统以及应用于设备保养预测系统的设备保养预测方法，先选择出与关键参数类型具有较佳关联性的决策参数类型，因此可在不增加额外感测元件的情况下，以关键参数类型以外的参数类型来进行预测。此外，以具有相对较高相关性的决策参数类型来建立预测模型，相较于单纯以单一关键参数类型的预测方法，更可有效增进设备寿命预测的准确度。同时，在设备运行中所产生的感测值以及保养信息都会持续的纪录于资料库中，因此随着历史感测值以及参考信息的增加，每一次更新后的预测模型可更有效准确预测出关键参数类型的感测值走势，系统使用者可更精准地进行保养，有效增进设备的寿命。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内，当可利用上述揭示的方法及技术内容作出些许的更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (23)
1.一种设备保养预测系统的操作方法，该设备保养预测系统应用于设备且包括处理器、因子决策模块、预测模块以及保养预警模块，该处理器与该因子决策模块、该预测模块以及该保养预警模块电连接，其特征在于包括下列步骤：
该处理器使该因子决策模块根据关键参数类型选择多个参数类型的其中一个为决策参数类型，该决策参数类型与该关键参数类型为最相关；
该处理器使该预测模块根据该决策参数类型的部分多个历史感测值产生预测模型并根据该关键参数类型的部分多个历史感测值制定保养警示条件；以及
该处理器使该保养预警模块根据该保养警示条件进行监控以及预警。
2.根据权利要求1所述的操作方法，其特征在于，该处理器使该因子决策模块根据关键参数类型选择多个参数类型的其中一个为决策参数类型，该决策参数类型与该关键参数类型为最相关的步骤包括：
该处理器使该因子决策模块得到该关键参数类型的部分该些历史感测值以及该些参数类型个别的部分多个历史感测值；
该处理器使该因子决策模块以逐步回归方法对该关键参数类型的部分该些历史感测值以及该些参数类型的部分该些历史感测值进行相关性运算并产生相关参数值；以及
该处理器使该因子决策模块将具有最大该相关参数值的该参数类型选择为该决策参数类型。
3.根据权利要求1所述的操作方法，其其特征在于，该处理器使该预测模块根据该决策参数类型的部分多个历史感测值产生预测模型并根据该关键参数类型的部分多个历史感测值制定保养警示条件的步骤包括：
该处理器使该预测模块将该决策参数类型的部分该些历史感测值决定为第一历史感测值组，该预测模块并将该决策参数类型的另一部分该些历史感测值决定为第二历史感测值组；
该处理器使该预测模块以时间序列模型对该第一历史感测值组进行分析并运算出第一预测模型；
该处理器使该预测模块以该第二历史感测值组代入该第一预测模型进行验证并运算出多个验证值；
该处理器使该预测模块判断该些验证值的准确度是否大于等于准确度门槛值；
当判断为是，该预测模块使该第一预测模型为该预测模型；以及
该处理器使该预测模块根据该预测模型以及该关键参数类型的部分该些历史感测值于特定区间的感测值分布订定该保养警示条件。
4.根据权利要求3所述的操作方法，其特征在于，该时间序列模型为自回归滑动平均模型、自回归积分滑动平均模型、指数平滑法或移动平均法。
5.根据权利要求3所述的操作方法，其特征在于，该准确度门槛值为90％。
6.根据权利要求1所述的操作方法，其特征在于，该设备保养预测系统还还包括资料库，该资料库与该处理器电连接，该处理器使该保养预警模块根据该保养警示条件进行监控以及预警的步骤包括：
该处理器使该保养预警模块即时接收并监控该设备运作时所产生的多个感测值，该些感测值为该关键参数类型，该些感测值并储存至该资料库；
当该些感测值的分布满足该保养警示条件的条件，该保养预警模块进行示警；以及
该保养预警模块将保养信息储存至该资料库。
7.根据权利要求6所述的操作方法，其特征在于，该保养警示条件为于特定时间长度内该感测值的变化次数大于一次数门槛值。
8.根据权利要求1所述的运作方法，其特征在于，该关键参数类型以及该参数类型为该设备的运转时间、温度、输出电压、电流以及转速等级。
9.根据权利要求1所述的操作方法，其特征在于，该设备为变频器。
10.根据权利要求6所述的操作方法，其特征在于，该保养信息包括保养项目以及保养时间。
11.根据权利要求1所述的操作方法，其特征在于，该设备保养预测系统为智能手机、笔记本电脑或服务器主机。
12.一种设备保养预测系统，应用于设备，其特征在于，包括：
处理器；
介面模块，与该处理器电连接，用以输出选择信息，该选择信息包括关键参数类型以及多个参数类型的信息；
因子决策模块，与该处理器电连接，该因子决策模块根据该关键参数类型选择该些参数类型的其中一个为决策参数类型，该决策参数类型与该关键参数类型为最相关；
预测模块，与该处理器电连接，该预测模块根据该决策参数类型的部分多个历史感测值产生预测模型并根据该关键参数类型的部分多个历史感测值制定保养警示条件；
保养预警模块，与该处理器电连接，该保养预警模块根据该保养警示条件以及该设备运作时所产生的多个感测值进行监控以及预警；以及
资料库，与该处理器电连接，用以储存该决策参数类型的该些历史感测值、该关键参数类型的该些历史感测值、该预测模型、该保养警示条件以及该些感测值。
13.根据权利要求12所述的设备保养预测系统，其特征在于，该设备保养预测系统还包括感测值撷取模块，与该设备以及该处理器电连接，该感测值撷取模块用以接收该设备所传送的该些感测值并将接收的该些感测值传送至该处理器。
14.根据权利要求12所述的设备保养预测系统，其特征在于，该因子决策模块以逐步回归方法对该关键参数类型的部分该些历史感测值以及该些参数类型的部分该些历史感测值进行相关性运算并产生相关参数值，该因子决策模块并将具有最大该相关参数值的该参数类型选择为该决策参数类型。
15.根据权利要求12所述的设备保养预测系统，其特征在于，该预测模块用以将该决策参数类型的部分该些历史感测值决定为第一历史感测值组，该预测模块并用以将该决策参数类型的另一部分该些历史感测值决定为第二历史感测值组，该预测模块以时间序列模型对该第一历史感测值组进行分析并运算出第一预测模型，该预测模块将该第二历史感测值组代入该第一预测模型进行验证并运算出多个验证值，当该预测模块判断该些验证值的准确度大于等于准确度门槛值，该预测模块使该第一预测模型为该预测模型，该预测模块根据该预设模型以及该关键参数类型的部分该些历史感测值于特定区间的感测值分布订定该保养警示条件。
16.根据权利要求15所述的设备保养预测系统，其特征在于，该时间序列模型为自回归滑动平均模型、自回归积分滑动平均模型、指数平滑法或移动平均法。
17.根据权利要求15所述的设备保养预测系统，其特征在于，该准确度门槛值为90％。
18.根据权利要求12所述的设备保养预测系统，其特征在于，该保养警示条件为于特定时间长度内该感测值的变化次数大于一次数门槛值。
19.根据权利要求12所述的设备保养预测系统，其特征在于，当该些感测值的分布满足该保养警示条件的条件，该保养预警模块进行示警，该保养预警模块并用以将保养信息储存至该资料库。
20.根据权利要求12所述的设备保养预测系统，其特征在于，该关键参数类型以及该参数类型为该设备的温度、输出电压、电流以及转速等级。
21.根据权利要求12所述的设备保养预测系统，其特征在于，该设备为变频器。
22.根据权利要求12所述的设备保养预测系统，其特征在于，该设备保养预测系统为智能手机、笔记本电脑或服务器主机。
23.根据权利要求19所述的设备保养预测系统，其特征在于，该保养信息包括保养项目以及保养时间。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW106140400 | 2017-11-21 | ||
| TW106140400A TWI663510B (zh) | 2017-11-21 | 2017-11-21 | 設備保養預測系統及其操作方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109816136A true CN109816136A (zh) | 2019-05-28 |
Family
ID=66533143
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711202296.5A Pending CN109816136A (zh) | 2017-11-21 | 2017-11-27 | 设备保养预测系统及其操作方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20190156226A1 (zh) |
| CN (1) | CN109816136A (zh) |
| TW (1) | TWI663510B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116501581A (zh) * | 2023-06-26 | 2023-07-28 | 宜宾邦华智慧科技有限公司 | 一种手机温度监测预警方法 |
| CN118246905A (zh) * | 2024-05-23 | 2024-06-25 | 北京金泰康辰生物科技有限公司 | 一种基于数据分析的小分子检测设备维护管理系统 |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3761240A1 (en) * | 2019-07-01 | 2021-01-06 | Palantir Technologies Inc. | Predictive data objects |
| CN112070302A (zh) * | 2020-09-08 | 2020-12-11 | 北京中宸泓昌科技有限公司 | 一种电网用电安全的预警方法及系统 |
| CN112200327B (zh) * | 2020-10-14 | 2023-10-17 | 北京理工大学 | 一种mes设备维护预警方法及系统 |
| TWI786473B (zh) * | 2020-11-24 | 2022-12-11 | 迅得機械股份有限公司 | 運動載體即時監控系統 |
| CN113077061B (zh) * | 2021-02-20 | 2022-08-16 | 上海琥崧智能科技股份有限公司 | 一种基于生产数据挖掘的设备预测性维护系统 |
| CN117609740B (zh) * | 2024-01-23 | 2024-05-24 | 青岛创新奇智科技集团股份有限公司 | 基于工业大模型智能预测维护系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW200939055A (en) * | 2008-03-10 | 2009-09-16 | Univ Da Yeh | Method for forecasting the future status of facility and equipment |
| CN103903408A (zh) * | 2014-04-04 | 2014-07-02 | 内蒙古大唐国际新能源有限公司 | 设备故障侦查预警方法和系统 |
| CN104680024A (zh) * | 2015-03-11 | 2015-06-03 | 南京航空航天大学 | 基于ga和arma模型的锂离子电池剩余使用寿命预测方法 |
| US20160300148A1 (en) * | 2015-04-09 | 2016-10-13 | Zentrum Mikroelektronik Dresden Ag | Electronic system and method for estimating and predicting a failure of that electronic system |
| CN106383916A (zh) * | 2016-11-09 | 2017-02-08 | 北京许继电气有限公司 | 基于工业设备预测性维护的数据处理方法 |
-
2017
- 2017-11-21 TW TW106140400A patent/TWI663510B/zh active
- 2017-11-27 CN CN201711202296.5A patent/CN109816136A/zh active Pending
-
2018
- 2018-01-11 US US15/868,677 patent/US20190156226A1/en not_active Abandoned
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW200939055A (en) * | 2008-03-10 | 2009-09-16 | Univ Da Yeh | Method for forecasting the future status of facility and equipment |
| CN103903408A (zh) * | 2014-04-04 | 2014-07-02 | 内蒙古大唐国际新能源有限公司 | 设备故障侦查预警方法和系统 |
| CN104680024A (zh) * | 2015-03-11 | 2015-06-03 | 南京航空航天大学 | 基于ga和arma模型的锂离子电池剩余使用寿命预测方法 |
| US20160300148A1 (en) * | 2015-04-09 | 2016-10-13 | Zentrum Mikroelektronik Dresden Ag | Electronic system and method for estimating and predicting a failure of that electronic system |
| CN106383916A (zh) * | 2016-11-09 | 2017-02-08 | 北京许继电气有限公司 | 基于工业设备预测性维护的数据处理方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116501581A (zh) * | 2023-06-26 | 2023-07-28 | 宜宾邦华智慧科技有限公司 | 一种手机温度监测预警方法 |
| CN116501581B (zh) * | 2023-06-26 | 2023-08-25 | 宜宾邦华智慧科技有限公司 | 一种手机温度监测预警方法 |
| CN118246905A (zh) * | 2024-05-23 | 2024-06-25 | 北京金泰康辰生物科技有限公司 | 一种基于数据分析的小分子检测设备维护管理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| TWI663510B (zh) | 2019-06-21 |
| TW201926041A (zh) | 2019-07-01 |
| US20190156226A1 (en) | 2019-05-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109816136A (zh) | 设备保养预测系统及其操作方法 | |
| US7725293B2 (en) | System and method for equipment remaining life estimation | |
| CN110275814A (zh) | 一种业务系统的监控方法及装置 | |
| JP5214656B2 (ja) | 評価装置および評価プログラム | |
| JP2019185422A (ja) | 故障予知方法、故障予知装置および故障予知プログラム | |
| CN101413991A (zh) | 用于远程预测交流电机系统剩余寿命的方法和系统 | |
| CN108052528A (zh) | 一种存储设备时序分类预警方法 | |
| EP2992340B1 (en) | System and method for ups battery monitoring and data analysis | |
| CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| EP3859472B1 (en) | Monitoring system and monitoring method | |
| US11687058B2 (en) | Information processing method and information processing apparatus used for detecting a sign of malfunction of mechanical equipment | |
| CN112016689B (zh) | 信息处理装置、预测判别系统以及预测判别方法 | |
| CN111143173A (zh) | 一种基于神经网络的服务器故障监测方法及系统 | |
| US20200264595A1 (en) | Unsteadiness detection device, unsteadiness detection system and unsteadiness detection method | |
| CN115794532A (zh) | 多指标智能动态阈值监控方法及系统 | |
| CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
| CN116596322A (zh) | 一种基于大数据可视化的物业设备管理方法及系统 | |
| Eker et al. | State‐based prognostics with state duration information | |
| CN113705688A (zh) | 一种电力用户异常用电行为检测方法和系统 | |
| CN103675518B (zh) | 油浸式高压设备检修方法及装置 | |
| JP7062505B2 (ja) | 設備管理支援システム | |
| CN110517731A (zh) | 基因检测质量监控数据处理方法和系统 | |
| JP6733656B2 (ja) | 情報処理装置、情報処理システム、プラントシステム、情報処理方法、及び、プログラム | |
| WO2021157327A1 (ja) | 時系列パターンの説明情報生成装置 | |
| CN114814419A (zh) | 一种基于大数据的电力柜散热性能检测方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190528 |