CN111563606A - 一种设备预测性维护方法及装置 - Google Patents
一种设备预测性维护方法及装置 Download PDFInfo
- Publication number
- CN111563606A CN111563606A CN202010367782.8A CN202010367782A CN111563606A CN 111563606 A CN111563606 A CN 111563606A CN 202010367782 A CN202010367782 A CN 202010367782A CN 111563606 A CN111563606 A CN 111563606A
- Authority
- CN
- China
- Prior art keywords
- fault
- equipment
- predictive maintenance
- function
- knowledge
- 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
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000012423 maintenance Methods 0.000 title claims abstract description 82
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000004088 simulation Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 67
- 238000005315 distribution function Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 15
- 230000008439 repair process Effects 0.000 claims description 8
- 238000012806 monitoring device Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 15
- 238000009826 distribution Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及能源技术领域，提供了一种设备预测性维护方法及装置，该方法包括：根据需要进行预测性维护的目标设备的有效信息，获取知识图谱，有效信息至少包括历史数据、专家经验、操作记录；对知识图谱进行处理，获取知识图谱对应的故障树；采用蒙特卡洛模型对故障树进行处理，获取目标设备的故障与故障原因之间的函数关系；对函数关系进行预设模拟运行，获取目标设备出现故障的概率。本发明以设备有效信息为基础数据获取知识图谱，再以知识图谱为基础进行建模，配合大规模模拟预测，得到模拟的故障概率；实现了对设备的预测性维护，减少了停机时间，有效避免设备故障造成的生产损失，该方法预测准确、运行处理简单可靠。
Description
技术领域
本发明涉及能源技术领域，尤其涉及一种设备预测性维护方法及装置。
背景技术
预测性维护(Predictive Maintenance，简称PdM)是“工业4.0”提出的关键创新点之一，而设备的可靠性分析属于预测性维护的一个重要分析方向。在取得设备相关信息后，可以对正在运行设备的运行状态的可靠性进行分析，判断该设备可能在何时出现问题，进行提前保养修复。
综合能源场景中具有大量的设备，设备之间又彼此相连，任何一个设备出现问题都会引起连锁反应，影响正常的生产和生活，甚至可能导致不必要的损失，所以在设备还未出现故障前，对设备状态进行判断、提前检查变得尤为重要。然而利用传统物理模型进行处理时，计算繁琐且耗时，甚至对于复杂的设备或者系统无法获取物理模型，所以亟需针对设备或者系统预测性维护的新方法。
发明内容
有鉴于此，本发明实施例提供了一种设备预测性维护方法、装置、终端设备及计算机可读存储介质，以解决现有技术中无法对设备可能出现故障的时间进行准确性预测的技术问题。
本发明实施例的第一方面，提供了一种设备预测性维护方法，包括：
根据需要进行预测性维护的目标设备的有效信息，获取知识图谱，所述有效信息至少包括历史数据、专家经验、操作记录；
对所述知识图谱进行处理，获取所述知识图谱对应的故障树；
采用蒙特卡洛模型对所述故障树进行处理，获取所述目标设备的故障与故障原因之间的函数关系；
对所述函数关系进行预设模拟运行，获取所述目标设备出现所述故障的概率。
本发明实施例的第二方面，提供了一种设备预测性维护装置，包括：
图谱获取模块，用于根据需要进行预测性维护的目标设备的有效信息，获取知识图谱，所述有效信息至少包括历史数据、专家经验、操作记录；
故障树获取模块，用于对所述知识图谱进行处理，获取所述知识图谱对应的故障树；
函数获取模块，用于采用蒙特卡洛模型对所述故障树进行处理，获取所述目标设备的故障与故障原因之间的函数关系；
概率获取模块，用于对所述函数关系进行预设模拟运行，获取所述目标设备出现所述故障的概率。
本发明实施例的第三方面，提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述设备预测性维护方法的步骤。
本发明实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述设备预测性维护方法的步骤。
本发明实施例提供的设备预测性维护方法的有益效果至少在于：
一方面，本发明以设备有效信息为基础数据，结合专家经验、行业经验获取知识图谱，再以知识图谱为基础进行建模，配合大规模模拟预测，得到模拟的故障概率。
另一方面，本方法能够实现对设备的预测性维护，减少了设备停机时间，有效避免设备故障造成的生产损失和材料浪费，降低工业生产中可能遇到的风险，且该方法预测准确、运行处理简单可靠。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的设备预测性维护方法的实现流程示意图；
图2是本发明实施例提供的设备预测性维护方法中获取知识图谱的实现流程示意图；
图3是本发明实施例提供的设备预测性维护方法中获取故障率的实现流程示意图；
图4是本发明实施例提供的设备预测性维护方法中故障树示意图；
图5是本发明实施例提供的系统预测性维护方法的实现流程示意图；
图6是本发明实施例提供的系统预测性维护方法中获取多个知识图谱的实现流程示意图；
图7是本发明实施例提供的系统预测性维护方法中获取多个故障率的实现流程示意图；
图8是本发明实施例提供的设备或系统预测性维护方法中设备或系统进行可靠性评估示意图；
图9是本发明实施例提供的设备预测性维护装置的示意图；
图10是本发明实施例提供的设备预测性维护装置中图谱获取模块的示意图；
图11是本发明实施例提供的系统预测性维护装置的示意图；
图12是本发明实施例提供的系统预测性维护装置中多个图谱获取模块的示意图；
图13是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。若未特别指明，实施例中所用的技术手段为本领域技术人员所熟知的常规手段。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
本发明实施例提供的设备预测性维护方法可以首先确定目标设备，通过历史数据(包括维修维护记录，厂家提供得可靠运行数据等)、专家经验、现场操作工的记录等，将这些有效的信息进行编辑，制作成该设备的知识图谱，明确设备的故障、异常和现象之间的逻辑关系。然后使用蒙特卡洛方法，将编辑成的知识图谱读出，并自动生成故障树，最后通过多次模拟，得到该设备在某一时间可能出现故障的概率。
对于设备而言，设备故障的分布函数可能为威布尔分布、指数分布或正态分布。对于一种设备，因为不同的环境，操作习惯等，会造成故障分布的不同，所以每次拿到设备后，都要对故障数据进行故障函数的分布的判定。
对于设备常见故障、异常和现象之间的逻辑关系，需要认真理清。以锅炉为例，故障、异常和现象之间的逻辑关系可以根据整理知识图谱人的习惯进行定义，比较灵活，目的是为了建立逻辑关系。其中现象的表现有数据上的变化，也有现场观察的变化，比如漏水，异响等。然后根据故障、异常、现象的分类，将这些文档在excel表格中展现，用软件MATLAB或Python读出，并根据逻辑关系，得到一个知识图谱图。根据读出的知识图谱，直接建立蒙特卡洛树，然后进行计算。
本发明实施例提供了一种设备和系统预测性维护方法、装置、终端设备及计算机可读存储介质，以解决现有技术中无法对单一或者多个设备可能出现故障的时间进行准确性预测的技术问题。
参阅图1，是本发明实施例提供的设备预测性维护方法的实现流程示意图，该方法可以包括：
步骤S11：根据需要进行预测性维护的目标设备的有效信息，获取知识图谱，所述有效信息至少包括历史数据、专家经验、操作记录。
专家经验为本技术领域或者本行业通用的工作经验。
知识图谱的获取，就是明确故障、异常和现象(现象一般为观测数据，可用于报警)之间的逻辑关系。
为了获取知识图谱，收集获取需要进行预测性维护的目标设备的有效信息。图2是本发明实施例提供的设备预测性维护方法中获取知识图谱的实现流程示意图，在本实施例中，获取知识图谱的一种方式可以包括如下步骤：
步骤S111：根据所述历史数据，获取故障率，所述历史数据至少包括返修率、维护时间、更新换件时间和运行数据。
进一步地，为了获取故障率，需要收集历史数据。图3是本发明实施例提供的设备预测性维护方法中获取故障率的实现流程示意图，在本实施例中，获取故障率的一种方式可以包括如下步骤：
步骤S1111：根据所述历史数据，获取所述目标设备故障停机时间和所述目标设备负荷时间。
收集相关设备的历史数据可以有多种方法，例如可以到设备运行厂商获取历史数据，历史数据可以包括设备的故障停机时间、设备负荷时间、返修率、维护时间、更新换件时间等。
应当理解的是，获取相关设备的历史数据方法很多，不限于设备的运行厂商，此处不作限制。
应当理解的是，所述历史数据不限于上述信息数据，还可以包括可能涉及的所需数据信息，此处不作限制。
步骤S1112：根据所述目标设备故障停机时间和所述目标设备负荷时间的比值，确定故障率。
根据上述得到的历史数据，通过已知的计算方法来获取目标数设备的故障率。
在获取目标设备的故障率后，可对采集的操作记录进行处理，具体步骤如下：
步骤S112：采用预设函数对所述操作记录进行处理，获取故障分布函数，所述操作记录至少包括故障记录数据。
所述采用预设函数对所述操作记录进行处理，获取故障分布函数步骤中，所述预设函数至少包括normpdf函数、poissfit函数、expfit函数和raylfit函数中的一种。
应当理解的是，所述预设函数可以为上述四种之一，当然也可以为其他函数，此处不作限制。
例如，在设备运行现场，从工作人员处得到设备的故障记录数据，对数据进行测试，寻找符合该数据的故障分布函数，并对设备进行故障分布函数分析，每种类型的设备均可得到一个通用的故障分布函数。
对操作记录进行处理方法较多，例如相关工具书中的技术方法，还可以是通过MATLAB或Python中自带的函数进行概率分布验证，如normpdf函数、poissfit函数、expfit函数和raylfit函数。应当理解的是，以上方法只是为理解本实施例而随机选取的方法，还可以是任何其他计算获取故障分布函数的方法或者技术，此处不作限制。
MATLAB意为矩阵工厂(矩阵实验室)，用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，主要包括MATLAB和Simulink两大部分。它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案，并在很大程度上摆脱了传统非交互式程序设计语言(如C、Fortran)的编辑模式。
Python的中文名为蟒蛇，是一种跨平台的计算机程序设计语言，是一种面向对象的动态类型语言，最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越多被用于独立的、大型项目的开发。
normpdf函数又称为正态分布概率密度函数，MATLAB可以绘制正态分布概率密度函数图形，并且正态分布概率密度函数属于MATLAB自带的函数。
概率密度函数(probability density function，pdf)是一个描述这个随机变量的输出值，在某个确定的取值点附近的可能性的函数。而随机变量的取值落在某个区域之内的概率则为概率密度函数在这个区域上的积分。当概率密度函数存在的时候，累积分布函数是概率密度函数的积分。概率密度函数一般以小写标记。
poissfit函数属于MATLAB自带函数，即泊松分布。
expfit函数属于MATLAB自带函数，即指数分布的参数估计。
raylfit函数属于MATLAB自带函数。
请参阅图1，进一步地，在获取知识图谱后，可进行下述步骤：
步骤S12：对所述知识图谱进行处理，获取所述知识图谱对应的故障树。
对所述知识图谱进行处理，获取所述知识图谱对应的故障树步骤中，采用工程软件对所述知识图谱进行处理，所述工程软件至少包括MATLAB和Python中的一种。
应当理解的是，所述工程软件不限于MATLAB和Python，也可为其他工程软件，此处不做限制。
用工程软件读出形成故障树(故障树按着整理的知识图谱形成，就是从文档化变成电子化，方便软件读取)，如图4所示。
请参阅图1，进一步地，在获取故障树后，可进行下述步骤：
步骤S13：采用蒙特卡洛模型对所述故障树进行处理，获取所述目标设备的故障与故障原因之间的函数关系。
故障树是用树形图表示设备中的某种事故与原因之间的逻辑关系并用或门和与门来反映系统中原因和故障之间的逻辑关系。故障树的顶事件是系统的故障事件，其底事件是基本部件的实效事件，则故障树可以等效成顶事件与最小割集之间的逻辑关系，顶时间T与最小割集Ei的逻辑关系为或门，而每个最小割集Ei包含的事件Xq之间的逻辑关系为与门。所谓割集就是在故障树种引起顶事件发生的基本事件集合。如果一个割集任意去掉一个基本事件后就不是割集，那么这样的割集称为最小割集。假设有n个相互独立的基本事件的故障树中，如果有k个最小割集而且每个最小割集中有qk个基本事件，则(注：以下将直接用集合的符号代表对于的随机变量)
其中
是基本事件集X1,X2,…,Xn中的元素。每个基本事件Xi，基本割集Ek和顶事件T仅可取1或0两种状态，则
和
T＝max(E1,…,Ek)
由于每个基本事件Xi,i＝1,…,n的失效都满足某种概率分布，这些概率分布可根据工程实践中系统长期运行情况统计的数据处理得到，或在部件和元件的故障手册中查到。因而根据蒙特卡罗法对基本事件进行抽样得到不同基本事件的发生情况来确定顶事件的发生概率，同时可以给出顶事件的概率分布函数。
所以根据确定的函数关系、得到的故障树和故障树示意图，可以获取以下关系：
α[X(t)]＝G1×G2＝(G3+X3+G4)(X8+X9)
＝(X1+X2+X3+X4+X5+X6+X7)(X8+X9)
＝X1X8+X2X8+X3X8+X4X8+X5X8+X6X8+X7X8+X1X9
+X2X9+X3X9+X4X9+X5X9+X6X9+X7X9
或门(OR gate)，又称或电路、逻辑和电路。如果几个条件中，只要有一个条件得到满足，某事件就会发生，这种关系叫做“或”逻辑关系。
与门(AND gate)又称“与电路”、逻辑“积”、逻辑“与”电路。是执行“与”运算的基本逻辑门电路。有多个输入端，一个输出端。当所有的输入同时为高电平(逻辑1)时，输出才为高电平，否则输出为低电平(逻辑0)。
请参阅图1，进一步地，在获取所述目标设备的故障与故障原因之间的函数关系后，可进行下述步骤：
步骤S14：对所述函数关系进行预设模拟运行，获取所述目标设备出现所述故障的概率。
模拟运行1000次(因为是模拟设备可能出现故障的时间，选取次数可由现场人员选定)，得到该种类设备的随着时间增加，出现故障的概率。应当理解的是，运行次数可由现场人员或其他人员选定，此处不作限制。
重复上述步骤S12、步骤S13和步骤S14，即可对设备进行预测性维护计算。
上述是对单个目标设备进行预测性维护的具体实施例，下述为由多个目标设备所组成的系统进行预测性维护的具体实施例，应当理解的是，由两个以上的设备可以组成系统，也即对系统也可以进行预测性维护，请参阅图5，是本发明实施例提供的系统预测性维护方法的实现流程示意图，获取系统预测性维护方法的一种方式可以包括如下步骤：
步骤S21：确定系统中需要进行预测性维护的目标设备，所述目标设备的数量为至少两个。
两个以上的设备可以组成系统。多设备组成系统，比如工业锅炉与水泵、除氧器、冷凝器等组成一个锅炉系统，联合在一起。
请参阅图5，进一步地，在确定至少两个目标设备后，可以进行下述步骤：
步骤S22：根据每个所述目标设备的有效信息，获取每个所述目标设备的知识图谱，所述有效信息至少包括历史数据、专家经验、操作记录。
专家经验为本技术领域或者本行业通用的工作经验。
知识图谱的获取，就是明确故障、异常和现象(现象一般为观测数据，可用于报警)之间的逻辑关系。
进一步地，在获取每个所述目标设备的知识图谱前，需要确定每个所述目标设备的有效信息，请参阅图6，在本实施例中，获取每个所述目标设备的知识图谱的一种方式可以包括如下步骤：
步骤S221：根据每个所述目标设备的历史数据，获取每个所述目标设备的故障率，所述历史数据至少包括返修率、维护时间、更新换件时间和运行数据。
进一步地，在获取每个所述目标设备的故障率前，需要确定每个所述目标设备的历史数据，请参阅图7，在本实施例中，获取每个所述目标设备的故障率的一种方式可以包括如下步骤：
步骤S2211：根据每个所述目标设备的历史数据，获取每个所述目标设备对应的故障停机时间和负荷时间。
收集相关设备的历史数据可以有多种方法，例如可以到设备运行厂商获取历史数据，历史数据可以包括设备的故障停机时间、设备负荷时间、返修率、维护时间、更新换件时间等。
应当理解的是，收集获取相关设备的历史数据方法很多，不限于设备的运行厂商，此处不作限制。
应当理解的是，所述历史数据不限于上述信息数据，还可以包括可能涉及的所需数据信息，此处不作限制。
步骤S2212：根据每个所述目标设备对应的故障停机时间和负荷时间的比值，确定每个所述目标设备的故障率。
根据上述得到的历史数据，通过已知或者常规的计算方法来获取目标数设备的故障率。
在获取每个所述目标设备的故障率后，可以对每个所述目标设备对应的操作记录进行处理，具体步骤为：
步骤S222：采用预设函数对每个所述目标设备的操作记录进行处理，获取每个所述目标设备对应的故障分布函数，所述操作记录至少包括故障记录数据。
所述预设函数至少包括normpdf函数、poissfit函数、expfit函数和raylfit函数中的一种。
应当理解的是，所述预设函数可以为上述四种之一，当然也可以为其他函数，此处不作限制。
例如，在设备运行现场，从工作人员处得到设备的故障记录数据，对数据进行测试，寻找符合该数据的故障分布函数，并对设备进行故障分布函数分析，每种类设备均可得到一个通用的故障分布函数。
请参阅图5，在获取每个所述目标设备的知识图谱后，可以进行下述步骤：
步骤23：将所述多个目标设备的知识图谱进行融合处理，获取系统知识图谱。
多种或者多个设备组成系统，整个系统的可靠性计算，就是建立在所有设备连接的基础上，将以上所有得到的设备图谱，再进行融合，就可以得到整个系统的图谱。
知识图谱的梳理一般会按照单个设备开始拆分梳理，最后根据物理世界系统关联性，进行知识图谱之间的关联，也就是知识图谱的融合。
请参阅图5，在获取系统知识图谱后，可以进行下述步骤：
步骤24：采用工程软件对所述系统知识图谱进行处理，获取所述系统知识图谱对应的系统故障树。
所述工程软件至少包括MATLAB和Python中的一种。应当理解的是，所述工程软件不限于MATLAB和Python，也可为其他工程软件，此处不做限制。
用工程软件读出形成故障树(故障树按着整理的知识图谱形成，就是从文档化变成电子化，方便软件读取)。
请参阅图5，在获取系统故障树后，可以进行下述步骤：
步骤25：采用蒙特卡洛模型对所述系统故障树进行处理，获取所述系统的故障与故障原因之间的系统函数关系。
应当理解的是，采用蒙特卡洛模型对所述系统故障树进行处理的本质过程同上述采用蒙特卡洛模型对所述单一设备故障树进行处理的过程，此处不做限制。
请参阅图5，在获取系统函数关系后，可以进行下述步骤：
步骤26：对所述系统函数关系进行预设模拟运行，获取所述系统出现故障的概率。
模拟运行1000次(因为是模拟设备可能出现故障的时间，选取次数可由现场人员选定)，得到该种类设备的随着时间增加，出现故障的概率。应当理解的是，运行次数可由现场人员选定，此处不作限制。
重复上述步骤S24、步骤S25和步骤S26，即可对系统进行预测性维护计算。图8是本发明实施例提供的设备或系统预测性维护方法中设备或系统进行可靠性评估示意图，图8中横坐标为设备或系统运行时间，纵坐标为出现故障的概率，可以以此来对设备或系统进行可靠性的评估。
应当理解的是，单个设备的预测性维护方法是系统预测性维护方法的基础，上述单个设备的预测性维护方法实施例部分或者全部与系统预测性维护方法是相互对应、联系和/或替换的，此处不作限制。
应当理解的是，以上各英文字母和/或符号仅是为清楚说明设备或者步骤的具体参数意义，也可用其他字母或者符号表示。此处不做限制。
应当理解的是，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
本发明实施例提供的设备预测性维护方法的有益效果至少在于：
(1)本发明以设备有效信息为基础数据，结合专家经验、行业经验获取知识图谱，再以知识图谱为基础进行建模，配合大规模模拟预测，得到模拟的故障概率；本方法能够实现对设备的预测性维护，减少了设备停机时间，有效避免设备故障造成的生产损失和材料浪费，降低工业生产中可能遇到的风险；该方法预测准确、运行处理简单可靠。
(2)由于设备或者设备组成的系统的数据可能异常复杂，当无法获得设备物理模型时，概率预测方法的优势更加明显；当需要处理的数据量过大时候，对于物理模型，计算时间过长，概率的多次模拟，能够更快获得结果；由于加入知识图谱，可以更清晰的得到故障、异常、现象的逻辑关系，有利于机器或者模型的学习；对整个工业生产系统中的所有设备进行建模，得到每种设备的逻辑图，最终可由所有设备的知识图谱组成系统的图谱，对系统进行可靠性计算。
本发明实施例的目的还在于提供一种设备预测性维护装置，图9是本发明实施例提供的设备预测性维护装置的示意图，为了便于说明，仅示出与本申请实施例相关的部分。
请参阅图9，一种设备预测性维护装置包括图谱获取模块151、故障树获取模块152、函数获取模块153以及概率获取模块154。其中，图谱获取模块151用于根据需要进行预测性维护的目标设备的有效信息，获取知识图谱，所述有效信息至少包括历史数据、专家经验、操作记录；故障树获取模块152用于对所述知识图谱进行处理，获取所述知识图谱对应的故障树；函数获取模块153用于采用蒙特卡洛模型对所述故障树进行处理，获取所述目标设备的故障与故障原因之间的函数关系；概率获取模块154用于对所述函数关系进行预设模拟运行，获取所述目标设备出现所述故障的概率。
请参阅图10，进一步地，图谱获取模块151包括故障率获取单元1511和故障分布函数获取单元1512。其中，故障率获取单元1511用于根据所述历史数据，获取故障率，所述历史数据至少包括返修率、维护时间、更新换件时间和运行数据；故障分布函数获取单元1512用于采用函数对所述操作记录进行处理，获取故障分布函数，所述操作记录至少包括故障记录数据。
本发明实施例的目的还在于提供一种系统预测性维护装置，图11是本发明实施例提供的系统预测性维护装置的示意图，为了便于说明，仅示出与本申请实施例相关的部分。
请参阅图11，一种系统预测性维护装置包括设备确定模块271、多个图谱获取模块272、系统图谱获取模块273、系统故障树获取模块274、系统函数关系获取模块275和系统概率获取模块276。其中，设备确定模块271用于确定系统中需要进行预测性维护的目标设备，所述目标设备的数量为至少两个；多个图谱获取模块272用于根据每个所述目标设备的有效信息，获取每个所述目标设备的知识图谱，所述有效信息至少包括历史数据、专家经验、操作记录；系统图谱获取模块273用于将所述多个目标设备的知识图谱进行融合处理，获取系统知识图谱；系统故障树获取模块274用于采用工程软件对所述系统知识图谱进行处理，获取所述系统知识图谱对应的系统故障树；系统函数关系获取模块275用于采用蒙特卡洛模型对所述系统故障树进行处理，获取所述系统的故障与故障原因之间的系统函数关系；系统概率获取模块276用于对所述系统函数关系进行预设模拟运行，获取所述系统出现故障的概率。
请参阅图12，进一步地，多个图谱获取模块272包括多个故障率获取单元2721和多个故障分布函数获取单元2722。其中，多个故障率获取单元2721用于根据每个所述目标设备的历史数据，获取每个所述目标设备的故障率，所述历史数据至少包括返修率、维护时间、更新换件时间和运行数据；多个故障分布函数获取单元2722用于采用预设函数对每个所述目标设备的操作记录进行处理，获取每个所述目标设备对应的故障分布函数，所述操作记录至少包括故障记录数据。
图13是本发明一实施例提供的终端设备的示意图。如图13所示，所述终端设备3，包括存储器31、处理器30以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32，所述处理器30执行所述计算机程序32时实现如所述设备预测性维护方法和系统预测性维护方法的步骤。例如图1-图8所示的步骤S11至S26。
所述终端设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器30、所述存储器31。本领域技术人员可以理解，图13仅仅是终端设备3的示例，并不构成对终端设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31可以是所述终端设备3的内部存储单元，例如终端设备3的硬盘或内存。所述存储器31也可以是终端设备3的外部存储设备，例如所述终端设备3上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器31还可以既包括所述终端设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述终端设备所需的其它程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所述集成的模块/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，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
具体可以如下，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中的存储器中所包含的计算机可读存储介质；也可以是单独存在，未装配入终端设备中的计算机可读存储介质。所述计算机可读存储介质存储有一个或者一个以上计算机程序：
计算机可读存储介质，包括所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述设备预测性维护方法和所述系统预测性维护方法的步骤。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述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。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种设备预测性维护方法，其特征在于，包括：
根据需要进行预测性维护的目标设备的有效信息，获取知识图谱，所述有效信息至少包括历史数据、专家经验、操作记录；
对所述知识图谱进行处理，获取所述知识图谱对应的故障树；
采用蒙特卡洛模型对所述故障树进行处理，获取所述目标设备的故障与故障原因之间的函数关系；
对所述函数关系进行预设模拟运行，获取所述目标设备出现所述故障的概率。
2.如权利要求1所述的设备预测性维护方法，其特征在于，所述根据所述目标设备的有效信息，获取知识图谱，包括：
根据所述历史数据，获取故障率，所述历史数据至少包括返修率、维护时间、更新换件时间和运行数据；
采用预设函数对所述操作记录进行处理，获取故障分布函数，所述操作记录至少包括故障记录数据。
3.如权利要求2所述的设备预测性维护方法，其特征在于，所述根据所述历史数据，获取故障率，包括：
根据所述历史数据，获取所述目标设备故障停机时间和所述目标设备负荷时间；
根据所述目标设备故障停机时间和所述目标设备负荷时间的比值，确定故障率。
4.如权利要求2所述的设备预测性维护方法，其特征在于，所述采用预设函数对所述操作记录进行处理，获取故障分布函数步骤中，所述预设函数至少包括normpdf函数、poissfit函数、expfit函数和raylfit函数中的一种。
5.如权利要求1所述的设备预测性维护方法，其特征在于，所述对所述知识图谱进行处理，获取所述知识图谱对应的故障树步骤中，采用工程软件对所述知识图谱进行处理，所述工程软件至少包括MATLAB和Python中的一种。
6.一种系统预测性维护方法，其特征在于，包括：
确定系统中需要进行预测性维护的目标设备，所述目标设备的数量为至少两个；
根据每个所述目标设备的有效信息，获取每个所述目标设备的知识图谱，所述有效信息至少包括历史数据、专家经验、操作记录；
将所述多个目标设备的知识图谱进行融合处理，获取系统知识图谱；
采用工程软件对所述系统知识图谱进行处理，获取所述系统知识图谱对应的系统故障树；
采用蒙特卡洛模型对所述系统故障树进行处理，获取所述系统的故障与故障原因之间的系统函数关系；
对所述系统函数关系进行预设模拟运行，获取所述系统出现故障的概率。
7.一种设备预测性维护监测装置，其特征在于，包括：
图谱获取模块，用于根据需要进行预测性维护的目标设备的有效信息，获取知识图谱，所述有效信息至少包括历史数据、专家经验、操作记录；
故障树获取模块，用于对所述知识图谱进行处理，获取所述知识图谱对应的故障树；
函数获取模块，用于采用蒙特卡洛模型对所述故障树进行处理，获取所述目标设备的故障与故障原因之间的函数关系；
概率获取模块，用于对所述函数关系进行预设模拟运行，获取所述目标设备出现所述故障的概率。
8.如权利要求7所述的设备预测性维护监测装置，其特征在于，所述图谱获取模块，包括：
故障率获取单元，用于根据所述历史数据，获取故障率，所述历史数据至少包括返修率、维护时间、更新换件时间和运行数据；
故障分布函数获取单元，用于采用函数对所述操作记录进行处理，获取故障分布函数，所述操作记录至少包括故障记录数据。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010367782.8A CN111563606A (zh) | 2020-04-30 | 2020-04-30 | 一种设备预测性维护方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010367782.8A CN111563606A (zh) | 2020-04-30 | 2020-04-30 | 一种设备预测性维护方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111563606A true CN111563606A (zh) | 2020-08-21 |
Family
ID=72074570
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010367782.8A Pending CN111563606A (zh) | 2020-04-30 | 2020-04-30 | 一种设备预测性维护方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111563606A (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111984513A (zh) * | 2020-08-25 | 2020-11-24 | 浙江天垂科技有限公司 | 一种预测性维护方法、装置、设备以及存储介质 |
| CN112101666A (zh) * | 2020-09-16 | 2020-12-18 | 珠海格力电器股份有限公司 | 一种故障预测方法、装置、可读存储介质和计算机设备 |
| CN112418450A (zh) * | 2020-10-30 | 2021-02-26 | 济南浪潮高新科技投资发展有限公司 | 一种基于多模态机器学习的设备预测性维护的方法 |
| CN112596936A (zh) * | 2020-12-04 | 2021-04-02 | 光大科技有限公司 | 系统故障原因的确定方法及装置、存储介质、电子装置 |
| CN112700016A (zh) * | 2020-12-28 | 2021-04-23 | 济南浪潮高新科技投资发展有限公司 | 预测性维护方法和装置 |
| CN112733454A (zh) * | 2021-01-13 | 2021-04-30 | 新智数字科技有限公司 | 一种基于联合学习的设备预测性维护方法及装置 |
| CN112884199A (zh) * | 2021-01-15 | 2021-06-01 | 华自科技股份有限公司 | 水电站设备故障预测方法、装置、计算机设备和存储介质 |
| CN113254249A (zh) * | 2021-06-07 | 2021-08-13 | 博彦物联科技(北京)有限公司 | 冷站故障分析方法、装置、及存储介质 |
| CN113505532A (zh) * | 2021-07-06 | 2021-10-15 | 新智数字科技有限公司 | 设备剩余寿命预测方法、装置、计算机设备及介质 |
| CN113705896A (zh) * | 2021-08-30 | 2021-11-26 | 中国工商银行股份有限公司 | 目标设备的确定方法、装置及电子设备 |
| CN114662709A (zh) * | 2020-12-24 | 2022-06-24 | 苏州国双软件有限公司 | 一种设备保养分析方法及装置 |
| CN114691876A (zh) * | 2020-12-30 | 2022-07-01 | 宁波欧依安盾安全科技有限公司 | 一种基于文本的事故原因分析方法 |
| CN114792143A (zh) * | 2022-05-07 | 2022-07-26 | 衡阳协鑫新能源有限公司 | 换电设备维护方法、装置、电子设备及存储介质 |
| CN116127790A (zh) * | 2023-04-13 | 2023-05-16 | 北京奔驰汽车有限公司 | 工业机器人预测性维护管理方法及系统 |
| CN116774569A (zh) * | 2023-07-25 | 2023-09-19 | 博纯材料股份有限公司 | 基于人工智能的氧氩分离设备运行系统更新方法及系统 |
| CN117193252A (zh) * | 2023-09-28 | 2023-12-08 | 广东百德朗科技有限公司 | 基于数据平台的智慧楼宇远程运维方法、装置及电子设备 |
| CN118037272A (zh) * | 2024-02-23 | 2024-05-14 | 武汉朗德电气有限公司 | 一种gis设备维护运维的计划生成方法、服务器和存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040044499A1 (en) * | 2002-08-30 | 2004-03-04 | House Michael Brynn | Method and system for determining motor reliability |
| US20090265118A1 (en) * | 2008-04-18 | 2009-10-22 | Guenther Nicholas A | Methods and systems for providing unanticipated demand predictions for maintenance |
| CN101950327A (zh) * | 2010-09-09 | 2011-01-19 | 西北工业大学 | 一种基于故障树信息的设备状态预测方法 |
| US8813025B1 (en) * | 2009-01-12 | 2014-08-19 | Bank Of America Corporation | Customer impact predictive model and combinatorial analysis |
| WO2015166637A1 (ja) * | 2014-04-28 | 2015-11-05 | 日本電気株式会社 | メンテナンス時期決定装置、劣化予測システム、劣化予測方法および記録媒体 |
| CN106503813A (zh) * | 2016-10-27 | 2017-03-15 | 清华大学 | 基于起重装备工作状态的预测性维修决策方法及系统 |
| CN109784575A (zh) * | 2019-01-24 | 2019-05-21 | 新奥数能科技有限公司 | 设备状态的预测方法及装置、存储介质、电子装置 |
| CN110851342A (zh) * | 2019-11-08 | 2020-02-28 | 中国工商银行股份有限公司 | 故障预测方法、装置、计算设备以及计算机可读存储介质 |
| CN110930052A (zh) * | 2019-12-02 | 2020-03-27 | 国网山东省电力公司高密市供电公司 | 一种变电设备故障率预测方法，系统，设备及可读存储介质 |
-
2020
- 2020-04-30 CN CN202010367782.8A patent/CN111563606A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040044499A1 (en) * | 2002-08-30 | 2004-03-04 | House Michael Brynn | Method and system for determining motor reliability |
| US20090265118A1 (en) * | 2008-04-18 | 2009-10-22 | Guenther Nicholas A | Methods and systems for providing unanticipated demand predictions for maintenance |
| US8813025B1 (en) * | 2009-01-12 | 2014-08-19 | Bank Of America Corporation | Customer impact predictive model and combinatorial analysis |
| CN101950327A (zh) * | 2010-09-09 | 2011-01-19 | 西北工业大学 | 一种基于故障树信息的设备状态预测方法 |
| WO2015166637A1 (ja) * | 2014-04-28 | 2015-11-05 | 日本電気株式会社 | メンテナンス時期決定装置、劣化予測システム、劣化予測方法および記録媒体 |
| CN106503813A (zh) * | 2016-10-27 | 2017-03-15 | 清华大学 | 基于起重装备工作状态的预测性维修决策方法及系统 |
| CN109784575A (zh) * | 2019-01-24 | 2019-05-21 | 新奥数能科技有限公司 | 设备状态的预测方法及装置、存储介质、电子装置 |
| CN110851342A (zh) * | 2019-11-08 | 2020-02-28 | 中国工商银行股份有限公司 | 故障预测方法、装置、计算设备以及计算机可读存储介质 |
| CN110930052A (zh) * | 2019-12-02 | 2020-03-27 | 国网山东省电力公司高密市供电公司 | 一种变电设备故障率预测方法，系统，设备及可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 杨健，贾高顺，刘勇: "一种实用的故障树分析数字仿真法及其应用", 《浙江工业大学学报》 * |
| 段亚美等: "基于智能运维系统的地铁信号设备维护管理研究", 《铁道通信信号》 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111984513A (zh) * | 2020-08-25 | 2020-11-24 | 浙江天垂科技有限公司 | 一种预测性维护方法、装置、设备以及存储介质 |
| CN112101666A (zh) * | 2020-09-16 | 2020-12-18 | 珠海格力电器股份有限公司 | 一种故障预测方法、装置、可读存储介质和计算机设备 |
| CN112418450A (zh) * | 2020-10-30 | 2021-02-26 | 济南浪潮高新科技投资发展有限公司 | 一种基于多模态机器学习的设备预测性维护的方法 |
| CN112596936A (zh) * | 2020-12-04 | 2021-04-02 | 光大科技有限公司 | 系统故障原因的确定方法及装置、存储介质、电子装置 |
| CN114662709A (zh) * | 2020-12-24 | 2022-06-24 | 苏州国双软件有限公司 | 一种设备保养分析方法及装置 |
| CN112700016A (zh) * | 2020-12-28 | 2021-04-23 | 济南浪潮高新科技投资发展有限公司 | 预测性维护方法和装置 |
| CN114691876A (zh) * | 2020-12-30 | 2022-07-01 | 宁波欧依安盾安全科技有限公司 | 一种基于文本的事故原因分析方法 |
| CN112733454A (zh) * | 2021-01-13 | 2021-04-30 | 新智数字科技有限公司 | 一种基于联合学习的设备预测性维护方法及装置 |
| CN112733454B (zh) * | 2021-01-13 | 2024-04-30 | 新奥新智科技有限公司 | 一种基于联合学习的设备预测性维护方法及装置 |
| CN112884199A (zh) * | 2021-01-15 | 2021-06-01 | 华自科技股份有限公司 | 水电站设备故障预测方法、装置、计算机设备和存储介质 |
| CN113254249A (zh) * | 2021-06-07 | 2021-08-13 | 博彦物联科技(北京)有限公司 | 冷站故障分析方法、装置、及存储介质 |
| CN113505532B (zh) * | 2021-07-06 | 2023-12-29 | 新奥新智科技有限公司 | 设备剩余寿命预测方法、装置、计算机设备及介质 |
| CN113505532A (zh) * | 2021-07-06 | 2021-10-15 | 新智数字科技有限公司 | 设备剩余寿命预测方法、装置、计算机设备及介质 |
| CN113705896A (zh) * | 2021-08-30 | 2021-11-26 | 中国工商银行股份有限公司 | 目标设备的确定方法、装置及电子设备 |
| CN114792143A (zh) * | 2022-05-07 | 2022-07-26 | 衡阳协鑫新能源有限公司 | 换电设备维护方法、装置、电子设备及存储介质 |
| CN116127790A (zh) * | 2023-04-13 | 2023-05-16 | 北京奔驰汽车有限公司 | 工业机器人预测性维护管理方法及系统 |
| CN116127790B (zh) * | 2023-04-13 | 2023-06-09 | 北京奔驰汽车有限公司 | 工业机器人预测性维护管理方法及系统 |
| CN116774569A (zh) * | 2023-07-25 | 2023-09-19 | 博纯材料股份有限公司 | 基于人工智能的氧氩分离设备运行系统更新方法及系统 |
| CN116774569B (zh) * | 2023-07-25 | 2024-04-05 | 博纯材料股份有限公司 | 基于人工智能的氧氩分离设备运行系统更新方法及系统 |
| CN117193252A (zh) * | 2023-09-28 | 2023-12-08 | 广东百德朗科技有限公司 | 基于数据平台的智慧楼宇远程运维方法、装置及电子设备 |
| CN118037272A (zh) * | 2024-02-23 | 2024-05-14 | 武汉朗德电气有限公司 | 一种gis设备维护运维的计划生成方法、服务器和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111563606A (zh) | 一种设备预测性维护方法及装置 | |
| CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| CN110119339A (zh) | 工业设备的健康状态的评估方法、系统、设备和存储介质 | |
| CN112395170A (zh) | 智能故障分析方法、装置、设备及存储介质 | |
| CN112181758B (zh) | 一种基于网络拓扑及实时告警的故障根因定位方法 | |
| CN116578040B (zh) | 一种面向机床故障诊断的数字孪生模型构建方法、系统及终端 | |
| CN115841255B (zh) | 基于在线分析的建筑工程现场预警方法及系统 | |
| CN115392812B (zh) | 一种异常根因定位方法、装置、设备及介质 | |
| CN115062674A (zh) | 基于深度学习的刀具排布及换刀方法、设备及存储介质 | |
| CN115033615A (zh) | 一种基于时序数据的烟草设备故障预测系统及预测方法 | |
| CN104317778A (zh) | 基于海量监测数据的变电设备故障诊断方法 | |
| CN111160393A (zh) | 一种基于数据驱动的运载火箭健康评估模型模块化建模方法 | |
| CN113313304A (zh) | 一种基于大数据决策树的电网事故异常分析方法及系统 | |
| CN114548280A (zh) | 故障诊断模型的训练、故障诊断方法及电子设备 | |
| CN117667496A (zh) | 一种根原因分析方法、装置、存储介质及电子设备 | |
| CN117709715A (zh) | 一种隧道工程施工风险评估方法、系统、终端及介质 | |
| CN118364223A (zh) | 基于先验算法的电力运行数据的智能处理方法 | |
| CN112801315A (zh) | 电力二次设备的状态诊断方法、装置及终端 | |
| CN112686773A (zh) | 一种基于融合业务拓扑的电力计量全链路关键业务异常定位模型构建方法 | |
| CN110968518A (zh) | 自动化测试日志文件的分析方法及装置 | |
| CN116244444A (zh) | 设备故障诊断方法和装置 | |
| CN114139102A (zh) | 一种数控加工质量风险预警方法 | |
| CN112379656A (zh) | 工业系统异常数据的检测的处理方法、装置、设备和介质 | |
| CN117271268B (zh) | 一种数字化计算平台中的集群架构性能评估方法 | |
| CN118361650B (zh) | 一种基于大数据模型的智能疏水方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200821 |
|
| RJ01 | Rejection of invention patent application after publication |