CN110222898A - 设备故障维修方法及装置 - Google Patents
设备故障维修方法及装置 Download PDFInfo
- Publication number
- CN110222898A CN110222898A CN201910501866.3A CN201910501866A CN110222898A CN 110222898 A CN110222898 A CN 110222898A CN 201910501866 A CN201910501866 A CN 201910501866A CN 110222898 A CN110222898 A CN 110222898A
- Authority
- CN
- China
- Prior art keywords
- equipment
- maintenance
- malfunction
- time
- influence factor
- 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
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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了设备故障维修方法及装置,涉及故障状态预测领域。该方法包括:根据获取的设备的使用时间和维修次数,以及预设的影响因素公式,确定设备当前所处的故障状态;获取设备处于每个故障状态的状态停留时间,以及每个故障状态向其他故障状态转移的状态转移概率矩阵;根据设备当前所处的故障状态、状态转移概率矩阵和状态停留时间,得到设备的预测维修时间;根据预测维修时间对设备进行维修。本发明实现了对维修时间的有效控制,适用于对故障维护具有高要求的设备,能够满足雷达天线阵面对故障维护的要求。
Description
技术领域
本发明涉及故障状态预测领域,尤其涉及设备故障维修方法及装置。
背景技术
在雷达维护过程中,对于雷达设备的天线阵面维修,主要以定期检测为主,通过定时的检测确定设备的潜在故障发生的时刻,并采取提前维修或者是等待设备发生故障后维修等方式进行维护,从而避免对设备的正常使用产生影响。
然而,传统的维修方法极易出现“维修过度”或“维修不足”的现象,影响设备功能的发挥,而雷达天线阵面对于故障维护有着较高的要求,传统维修方法会影响雷达设备的作战效能,不能满足雷达等对故障维护具有高要求设备的需求。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供了设备故障维修方法及装置。
本发明解决上述技术问题的技术方案如下:
一种设备故障维修方法,包括:
根据获取的设备的使用时间和维修次数,以及预设的影响因素公式,确定所述设备当前所处的故障状态;
获取所述设备处于每个故障状态的状态停留时间,以及每个所述故障状态向其他故障状态转移的状态转移概率矩阵;
根据所述设备当前所处的故障状态、所述状态转移概率矩阵和所述状态停留时间,得到所述设备的预测维修时间;
根据所述预测维修时间对所述设备进行维修。
本发明的有益效果是:本发明提供的方法,通过结合设备当前所处的故障状态、状态转移概率矩阵和状态停留时间,得到所述设备的预测维修时间,再根据预测维修时间对设备进行维修,相比于传统的根据固定维修间隔时间进行维修的方式,实现对维修时间的有效控制,适用于对故障维护具有高要求的设备,能够满足雷达天线阵面对故障维护的要求,结合维修时间的相关性以及维修时机的相关性,对雷达设备天线阵面的维修最佳时间间隔做出判断,及时进行维修,减小了对雷达设备天线阵面本身固有性能的影响,具有广阔的应用价值和市场前景。
本发明解决上述技术问题的另一种技术方案如下:
一种设备故障维修装置,包括:
处理单元,用于根据获取的设备的使用时间和维修次数,以及预设的影响因素公式,确定所述设备当前所处的故障状态;
通信单元,用于获取所述设备处于每个故障状态的状态停留时间,以及每个所述故障状态向其他故障状态转移的状态转移概率矩阵;
所述处理单元还用于根据所述设备当前所处的故障状态、所述状态转移概率矩阵和所述状态停留时间,得到所述设备的预测维修时间;
维修单元,用于根据所述预测维修时间对所述设备进行维修。
本发明提供的装置,处理单元通过结合设备当前所处的故障状态、状态转移概率矩阵和状态停留时间,得到所述设备的预测维修时间,维修单元再根据预测维修时间对设备进行维修,相比于传统的根据固定维修间隔时间进行维修的方式,实现对维修时间的有效控制,适用于对故障维护具有高要求的设备,能够满足雷达天线阵面对故障维护的要求,结合维修时间的相关性以及维修时机的相关性,对雷达设备天线阵面的维修最佳时间间隔做出判断,及时进行维修,减小了对雷达设备天线阵面本身固有性能的影响,具有广阔的应用价值和市场前景。
本发明附加的方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明实践了解到。
附图说明
图1为本发明一种设备故障维修方法的实施例提供的流程示意图;
图2为本发明一种设备故障维修装置的实施例提供的结构框架图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实施例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,为本发明一种设备故障维修方法的实施例提供的流程示意图,该方法包括:
S1,根据获取的设备的使用时间和维修次数,以及预设的影响因素公式,确定设备当前所处的故障状态。
需要说明的是,故障状态可以根据实际需求设置划分,例如,故障状态可以包括:良好、正常、劣化、拟故障和故障;又例如,故障状态也可以包括:良好、正常、拟故障和故障。
例如,设备的使用时间和维修次数可以是影响因素公式中的两个自变量,将使用时间和维修次数代入影响因素公式后,可以得到影响因素值,其中,设备的使用时间和维修次数均可以与影响因素值正相关,影响因素值越大,表明设备的状态越差,根据影响因素值所处的区间,就能够确定设备当前所处的故障状态。
下面以一个具体的例子进行说明,以设备A为例,该设备存在5种故障状态,分别是良好、正常、劣化、拟故障和故障。其中,良好用A1表示,正常用A2表示,劣化用A3表示,拟故障用A4表示,故障用D表示。假设f(t,n)为影响因素值。那么对于设备A而言,可以结合表1判断设备当前所处的故障状态。
f(t,n) | (0,0.2) | (0.2,0.4) | (0.4,1.0) | (1.0,1.5) | (1.5,∞) |
故障状态 | A<sub>1</sub> | A<sub>2</sub> | A<sub>3</sub> | A<sub>4</sub> | D |
表1
从表1中可以看出,当影响因素值f(t,n)处于(0,0.2)这个区间时,该设备的故障状态为A1,即良好;当影响因素值f(t,n)处于(0.2,0.4)这个区间时,该设备的故障状态为A2,即正常;当影响因素值f(t,n)处于(0.4,1.0)这个区间时,该设备的故障状态为A3,即劣化;当影响因素值f(t,n)处于(1.0,1.5)这个区间时,该设备的故障状态为A4,即拟故障;当影响因素值f(t,n)处于(1.5,∞)这个区间时,该设备的故障状态为D,即故障。
应理解,在能够实现本发明的前提下,本领域技术人员能够根据设备的种类和设备的历史使用数据设置影响因素值的取值区间和对应的故障状态。
需要说明的是,对于大部分设备而言,其通常具有设备信息记录系统,如汽车的VCU、雷达的地面系统等,通常记录有维修次数、使用时间、故障信息等,可以通过数据线、蓝牙、wifi、zigbee、光纤等有线或无线的方式从这些设备的系统中获取设备的维修记录,包括维修次数、维修时间、维修后的使用时间等。
S2,获取设备处于每个故障状态的状态停留时间,以及每个故障状态向其他故障状态转移的状态转移概率矩阵。
需要说明的是,设备处于每个故障状态的状态停留时间可以根据该设备的历史故障数据和经验确定。例如,对于设备A而言,其使用了100天出现了故障,那么设备A在正常状态的状态停留时间为100天。
每个故障状态向其他故障状态转移的状态转移概率矩阵也可以根据该设备的历史故障数据和经验确定。
下面以一个具体的例子进行说明,继续以设备A为例,如表2所示,给出了一种可能的设备A的各个故障状态的状态停留时间。
故障状态 | A<sub>1</sub> | A<sub>2</sub> | A<sub>3</sub> | A<sub>4</sub> | D |
停留时间 | 250 | 150 | 60 | 40 | 15 |
表2
如表3所示,给出了一种可能的设备A的每个故障状态向其他故障状态转移的状态转移概率矩阵。
状态 | A<sub>1</sub>→A<sub>1</sub> | A<sub>1</sub>→A<sub>2</sub> | A<sub>1</sub>→A<sub>3</sub> | A<sub>1</sub>→A<sub>4</sub> | A<sub>1</sub>→D |
概率 | 0.34 | 0.50 | 0.1 | 0.05 | 0.01 |
表3
应理解,表3中给出的是状态A1向其他状态进行转移的概率,而其他状态同理,不再赘述,应理解,设备通常不会自发地从故障状态向正常状态转移,因此,以状态A2为例,其向A1转移的概率应为0。
在获取了全部状态的转移概率后,就可以得到状态转移概率矩阵,如下,给出了一种示例性的状态转移概率矩阵Q1。
S3,根据设备当前所处的故障状态、状态转移概率矩阵和状态停留时间,得到设备的预测维修时间。
例如,以设备A为例,假设设备A的维修次数n=0,维修后的使用时间t=50(天),那么经过判断,假设设备A处于A1状态,那么设备A的预测维修时间T1就是状态A1向其他状态转移的停留时间和,结合上述各表,T1=0.34*250+0.5*150+0.1*60+0.05*40+0.01*15≈168(天)。
S4,根据预测维修时间对设备进行维修。
在得到了设备的预测维修时间后,就可以将预测维修时间通过有线或无线的方式,如数据线、光纤、蓝牙、wifi等将预测维修时间发送到维修工人使用的终端中,如手机、电脑等,以便维修工人及时进行维护。
也可以将预测维修时间发送到维修装置,在到达预测维修时间后,维修装置自动对设备进行维护。
本实施例提供的方法,通过结合设备当前所处的故障状态、状态转移概率矩阵和状态停留时间,得到设备的预测维修时间,再根据预测维修时间对设备进行维修,相比于传统的根据固定维修间隔时间进行维修的方式,实现对维修时间的有效控制,适用于对故障维护具有高要求的设备,能够满足雷达天线阵面对故障维护的要求,结合维修时间的相关性以及维修时机的相关性,对雷达设备天线阵面的维修最佳时间间隔做出判断,及时进行维修,减小了对雷达设备天线阵面本身固有性能的影响,具有广阔的应用价值和市场前景。
可选地,在一些实施例中,根据获取的设备的使用时间和维修次数,以及预设的影响因素公式,确定设备当前所处的故障状态,具体可以包括:
获取设备的使用时间和维修次数;
根据使用时间、维修次数和预设的影响因素公式,得到设备的影响因素值;
根据影响因素值确定设备当前所处的故障状态。
通过影响因素值确定设备当前所处的故障状态,并将使用时间和维修次数作为故障状态的影响因素,能够准确地得到设备当前所处的故障状态。
可选地,在一些实施例中,影响因素公式可以为:
其中,f(t,n)为影响因素值,t为使用时间,n为维修次数,a、b、c为预设值。
例如,以雷达的天线阵面关键部件1和部件2为例,其影响因素公式分别可以为:
上述影响因素公式充分考虑了维修次数和使用时间对维修时间的影响大小,通过上述公式,能够精确确定用于衡量设备故障情况的影响因素值,从而得到设备的准确的故障状态,具有计算过程简便,效率高的优点。
可选地,在一些实施例中,根据设备当前所处的故障状态、状态转移概率矩阵和状态停留时间,得到设备的预测维修时间,具体可以包括:
根据状态转移概率矩阵,确定设备当前所处的故障状态向其他故障状态转移的转移概率;
将每个转移概率与对应故障状态的状态停留时间相乘后求和,得到设备的预测维修时间。
以设备B为例,假设维修次数n=0,维修后使用时间t=300(天),假设设备B的影响因素公式为:
那么经过计算,得到其影响因素值f(t,n)=0.57。
其故障状态判断如表4所示:
f(t,n) | (0,0.28) | (0.28,0.4) | (0.4,0.85) | (0.85,1.15) | (1.15,∞) |
故障状态 | B<sub>1</sub> | B<sub>2</sub> | B<sub>3</sub> | B<sub>4</sub> | D |
表4
通过表4可知,设备B目前处于B3状态,即劣化状态。
假设设备B的各个故障状态的状态停留时间如表5所示:
故障状态 | B<sub>1</sub> | B<sub>2</sub> | B<sub>3</sub> | B<sub>4</sub> | D |
停留时间 | 230 | 140 | 80 | 30 | 10 |
表5
假设设备B的状态转移概率矩阵Q2如下:
那么,根据设备B的状态转移概率矩阵Q2和状态停留时间,可以计算得到设备B的预测维修时间T2=0*230+0*140+0.3*80+0.51*30+0.19*10≈41(天)。
可选地,在一些实施例中,当设备的数量为多个时,根据预测维修时间对设备进行维修,具体可以包括:
判断任意两个设备的预测维修时间的差值是否小于预设阈值;
如果小于,则对任意两个设备合并维修。
应理解,预设阈值可以根据实际需求设置。
例如,假设预设阈值为20天,那么以设备A和设备B为例,设备A的预测维修时间T1=168(天),设备B的预测维修时间T2=41(天),168-41>20,于是可知,设备A和设备B不能合并维修。
假设设备C的预测维修时间T3=30(天),那么经过判断,发现设备B和设备C的预测维修时间的差值为11天,小于预设阈值的20天,那么可以将设备B和设备C进行合并维修,这样能够提高维修的效率,以减少对设备的维修性维修次数,减小因维修次数过多对设备本身可靠性的影响。
可以理解,在一些实施例中,可以包含如上述各实施例中的部分或全部可选实施方式。
如图2所示,为本发明一种设备故障维修装置的实施例提供的结构框架图,该装置包括:
处理单元1,用于根据获取的设备的使用时间和维修次数,以及预设的影响因素公式,确定设备当前所处的故障状态;
通信单元2,用于获取设备处于每个故障状态的状态停留时间,以及每个故障状态向其他故障状态转移的状态转移概率矩阵;
处理单元1还用于根据设备当前所处的故障状态、状态转移概率矩阵和状态停留时间,得到设备的预测维修时间;
维修单元3,用于根据预测维修时间对设备进行维修。
本实施例提供的装置,处理单元1通过结合设备当前所处的故障状态、状态转移概率矩阵和状态停留时间,得到设备的预测维修时间,维修单元3再根据预测维修时间对设备进行维修,相比于传统的根据固定维修间隔时间进行维修的方式,实现对维修时间的有效控制,适用于对故障维护具有高要求的设备,能够满足雷达天线阵面对故障维护的要求,结合维修时间的相关性以及维修时机的相关性,对雷达设备天线阵面的维修最佳时间间隔做出判断,及时进行维修,减小了对雷达设备天线阵面本身固有性能的影响,具有广阔的应用价值和市场前景。
可选地,在一些实施例中,通信单元2还可以用于获取设备的使用时间和维修次数;
处理单元1具体用于根据使用时间、维修次数和预设的影响因素公式,得到设备的影响因素值,并根据影响因素值确定设备当前所处的故障状态。
可选地,在一些实施例中,影响因素公式可以为:
其中,f(t,n)为影响因素值,t为使用时间,n为维修次数,a、b、c为预设值。
可选地,在一些实施例中,处理单元1具体可以用于根据状态转移概率矩阵,确定设备当前所处的故障状态向其他故障状态转移的转移概率,将每个转移概率与对应故障状态的状态停留时间相乘后求和,得到设备的预测维修时间。
可选地,在一些实施例中,当设备的数量为多个时,维修单元3具体可以用于判断任意两个设备的预测维修时间的差值是否小于预设阈值,如果小于,则对任意两个设备合并维修。
可以理解,在一些实施例中,可以包含如上述各实施例中的部分或全部可选实施方式。
需要说明的是,上述各实施例是与在先方法实施例对应的产品实施例,对于产品实施例中各可选实施方式的说明可以参考上述各方法实施例中的对应说明,在此不再赘述。
读者应理解,在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种设备故障维修方法,其特征在于,包括:
根据获取的设备的使用时间和维修次数,以及预设的影响因素公式,确定所述设备当前所处的故障状态;
获取所述设备处于每个故障状态的状态停留时间,以及每个所述故障状态向其他故障状态转移的状态转移概率矩阵;
根据所述设备当前所处的故障状态、所述状态转移概率矩阵和所述状态停留时间,得到所述设备的预测维修时间;
根据所述预测维修时间对所述设备进行维修。
2.根据权利要求1所述的设备故障维修方法,其特征在于,根据获取的设备的使用时间和维修次数,以及预设的影响因素公式,确定所述设备当前所处的故障状态,具体包括:
获取设备的使用时间和维修次数;
根据所述使用时间、所述维修次数和预设的影响因素公式,得到所述设备的影响因素值;
根据所述影响因素值确定所述设备当前所处的故障状态。
3.根据权利要求2所述的设备故障维修方法,其特征在于,所述影响因素公式为:
其中,f(t,n)为影响因素值,t为使用时间,n为维修次数,a、b、c为预设值。
4.根据权利要求1所述的设备故障维修方法,其特征在于,根据所述设备当前所处的故障状态、所述状态转移概率矩阵和所述状态停留时间,得到所述设备的预测维修时间,具体包括:
根据所述状态转移概率矩阵,确定所述设备当前所处的故障状态向其他故障状态转移的转移概率;
将每个所述转移概率与对应故障状态的状态停留时间相乘后求和,得到所述设备的预测维修时间。
5.根据权利要求1至4中任一项所述的设备故障维修方法,其特征在于,当所述设备的数量为多个时,根据所述预测维修时间对所述设备进行维修,具体包括:
判断任意两个设备的预测维修时间的差值是否小于预设阈值;
如果小于,则对所述任意两个设备合并维修。
6.一种设备故障维修装置,其特征在于,包括:
处理单元,用于根据获取的设备的使用时间和维修次数,以及预设的影响因素公式,确定所述设备当前所处的故障状态;
通信单元,用于获取所述设备处于每个故障状态的状态停留时间,以及每个所述故障状态向其他故障状态转移的状态转移概率矩阵;
所述处理单元还用于根据所述设备当前所处的故障状态、所述状态转移概率矩阵和所述状态停留时间,得到所述设备的预测维修时间;
维修单元,用于根据所述预测维修时间对所述设备进行维修。
7.根据权利要求6所述的设备故障维修装置,其特征在于,所述通信单元还用于获取设备的使用时间和维修次数;
所述处理单元具体用于根据所述使用时间、所述维修次数和预设的影响因素公式,得到所述设备的影响因素值,并根据所述影响因素值确定所述设备当前所处的故障状态。
8.根据权利要求7所述的设备故障维修装置,其特征在于,所述影响因素公式为:
其中,f(t,n)为影响因素值,t为使用时间,n为维修次数,a、b、c为预设值。
9.根据权利要求6所述的设备故障维修装置,其特征在于,所述处理单元具体用于根据所述状态转移概率矩阵,确定所述设备当前所处的故障状态向其他故障状态转移的转移概率,将每个所述转移概率与对应故障状态的状态停留时间相乘后求和,得到所述设备的预测维修时间。
10.根据权利要求6至9中任一项所述的设备故障维修装置,其特征在于,当所述设备的数量为多个时,所述维修单元具体用于判断任意两个设备的预测维修时间的差值是否小于预设阈值,如果小于,则对所述任意两个设备合并维修。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910501866.3A CN110222898A (zh) | 2019-06-11 | 2019-06-11 | 设备故障维修方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910501866.3A CN110222898A (zh) | 2019-06-11 | 2019-06-11 | 设备故障维修方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110222898A true CN110222898A (zh) | 2019-09-10 |
Family
ID=67816337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910501866.3A Pending CN110222898A (zh) | 2019-06-11 | 2019-06-11 | 设备故障维修方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110222898A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115879913A (zh) * | 2023-02-13 | 2023-03-31 | 成都秦川物联网科技股份有限公司 | 一种智慧燃气管网维修物资预测方法和物联网系统、介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7096074B2 (en) * | 2002-05-30 | 2006-08-22 | Insyst Ltd. | Methods and apparatus for early fault detection and alert generation in a process |
CN101957889A (zh) * | 2010-09-01 | 2011-01-26 | 燕山大学 | 一种基于选择性磨损的设备最优维修时间预测方法 |
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 |
CN106529715A (zh) * | 2016-10-25 | 2017-03-22 | 哈尔滨工业大学 | 基于马尔科夫决策过程的航空发动机维修策略优化方法 |
CN108717496A (zh) * | 2018-05-22 | 2018-10-30 | 北京无线电测量研究所 | 雷达天线阵面故障检测方法及系统 |
CN108717577A (zh) * | 2018-05-29 | 2018-10-30 | 景祝强 | 基于历史维修记录大数据的维修预测装置以及方法 |
CN109376881A (zh) * | 2018-12-12 | 2019-02-22 | 中国航空工业集团公司上海航空测控技术研究所 | 基于维修成本优化的复杂系统维修决策方法 |
-
2019
- 2019-06-11 CN CN201910501866.3A patent/CN110222898A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7096074B2 (en) * | 2002-05-30 | 2006-08-22 | Insyst Ltd. | Methods and apparatus for early fault detection and alert generation in a process |
CN101957889A (zh) * | 2010-09-01 | 2011-01-26 | 燕山大学 | 一种基于选择性磨损的设备最优维修时间预测方法 |
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 |
CN106529715A (zh) * | 2016-10-25 | 2017-03-22 | 哈尔滨工业大学 | 基于马尔科夫决策过程的航空发动机维修策略优化方法 |
CN108717496A (zh) * | 2018-05-22 | 2018-10-30 | 北京无线电测量研究所 | 雷达天线阵面故障检测方法及系统 |
CN108717577A (zh) * | 2018-05-29 | 2018-10-30 | 景祝强 | 基于历史维修记录大数据的维修预测装置以及方法 |
CN109376881A (zh) * | 2018-12-12 | 2019-02-22 | 中国航空工业集团公司上海航空测控技术研究所 | 基于维修成本优化的复杂系统维修决策方法 |
Non-Patent Citations (1)
Title |
---|
徐廷学 等: "基于马尔科夫的装备状态维修决策模型", 《火炮发射与控制学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115879913A (zh) * | 2023-02-13 | 2023-03-31 | 成都秦川物联网科技股份有限公司 | 一种智慧燃气管网维修物资预测方法和物联网系统、介质 |
CN115879913B (zh) * | 2023-02-13 | 2023-05-05 | 成都秦川物联网科技股份有限公司 | 一种智慧燃气管网维修物资预测方法和物联网系统、介质 |
US11966885B2 (en) | 2023-02-13 | 2024-04-23 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods and Internet of Things (IoT) systems for predicting maintenance materials of smart gas pipeline networks |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jin et al. | Nevermind, the problem is already fixed: proactively detecting and troubleshooting customer dsl problems | |
KR101086212B1 (ko) | 통신 시스템용 액세스 매체의 과부하 관리 | |
CN102143522A (zh) | 一种无线链路失败的处理方法和设备 | |
CN101741595B (zh) | 一种网络可靠性评估方法、装置和系统 | |
CN105469317B (zh) | 一种电力通信网络可靠性分析方法 | |
US8000341B2 (en) | Methods and systems for detecting collisions in access/utilization of resources of contention | |
CN103229530B (zh) | 共享小区的处理方法、装置及服务器 | |
Dharmaraja et al. | Reliability and survivability analysis for UMTS networks: An analytical approach | |
CN101877872A (zh) | 一种优化网络接入性能的方法、装置及系统 | |
CN103345439A (zh) | 一种信息系统全链路健康状态监控方法及装置 | |
CN110222898A (zh) | 设备故障维修方法及装置 | |
CN104917639A (zh) | 基于集群监控分配数据业务方法及装置 | |
Asghar et al. | Correlation-based cell degradation detection for operational fault detection in cellular wireless base-stations | |
Firooze et al. | An optimization model for emergency vehicle location and relocation with consideration of unavailability time | |
KR100439674B1 (ko) | 신경망을 이용한 기지국 장애예측 장치 및 그 방법 | |
CN101111054A (zh) | 一种信道资源重配置的方法 | |
CN106102023A (zh) | 一种基站获取ue集群组呼业务的方法、基站及用户终端 | |
Chernov et al. | Location accuracy impact on cell outage detection in LTE-A networks | |
CN102123452A (zh) | 一种资源的管理方法和设备 | |
CN109102083B (zh) | 一种维修设备的数量配置方法及相关设备 | |
CN1630402A (zh) | 无线探头管理系统 | |
CN113301502B (zh) | 一种基于多基站协作的无线通信系统和方法 | |
CN115334560B (zh) | 基站异常的监测方法、装置、设备及计算机可读存储介质 | |
CN103096359B (zh) | 诊断馈线接错的方法及装置 | |
CN102984799B (zh) | 一种用户位置判定方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190910 |
|
RJ01 | Rejection of invention patent application after publication |