CN111695744B - 一种基于大数据的维修器材需求预测分析系统 - Google Patents
一种基于大数据的维修器材需求预测分析系统 Download PDFInfo
- Publication number
- CN111695744B CN111695744B CN202010596357.6A CN202010596357A CN111695744B CN 111695744 B CN111695744 B CN 111695744B CN 202010596357 A CN202010596357 A CN 202010596357A CN 111695744 B CN111695744 B CN 111695744B
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- big
- sensor
- fault
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
- G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的维修器材需求预测分析系统,预测分析系统设置在船舶内侧,船舶内侧设置有若干个装备,预测分析系统包括服务器,服务器连接有人工智能引擎,服务器连接有大数据计算引擎,人工智能引擎、大数据计算引擎均连接有建议提示模块,服务器通过网络连接有基础数据结构化模块,基础数据结构化模块通过网络连接有大数据中心,大数据中心连接有数据采集器,数据采集器通过导线连接有传感器组,传感器组包括但不仅限于温度传感器、气体传感器、液位传感器、压力传感器、振动传感器,本发明实现了可以极大的降低船舶携带备件的负担,提高仓库空间利用率,节约采购经费,最终提高在航率的功能。
Description
技术领域
本发明涉及预测分析领域,具体的说是一种基于大数据的维修器材需求预测分析系统。
背景技术
预测分析是一种统计或数据挖掘解决方案,包含可在结构化和非结构化数据中使用以确定未来结果的算法和技术,可为预测、优化、预报和模拟等许多其他用途而部署,也可为规划流程提供各种信息,并对企业未来提供关键洞察。
在一些大型企业或者设备比较多的场所当中,比如船舶,其内部含有多种多样的装备,这些设备常年处于工作状态中,非常容易出现损坏、故障的现象,而船舶为了保证航行的顺利,每次出航,都必定在船上装载大量的可供维修、更换的备用装备和零部件,这些装备和零部件占用的很大的船内空间和载重能力,而且为了预防装备故障、损坏,需要全面采购装备和维修材料,每一种都不能落下,需要投入相当多的经费去预防装备故障、损坏。
因此设计一种可以极大的降低船舶携带备件的负担,提高仓库空间利用率,节约采购经费,最终提高在航率的预测分析系统,正是发明人要解决的问题。
发明内容
针对现有技术的不足,本发明的目的是提供一种基于大数据的维修器材需求预测分析系统,能实现可以极大的降低船舶携带备件的负担,提高仓库空间利用率,节约采购经费,最终提高在航率的功能。
本发明解决其技术问题所采用的技术方案是:一种基于大数据的维修器材需求预测分析系统,包括船舶,所述预测分析系统设置在船舶内侧,所述船舶内侧设置有若干个装备,所述预测分析系统包括服务器,所述服务器连接有人工智能引擎,所述服务器连接有大数据计算引擎,所述人工智能引擎、大数据计算引擎均连接有建议提示模块,所述服务器通过网络连接有基础数据结构化模块,所述基础数据结构化模块通过网络连接有大数据中心,所述大数据中心连接有数据采集器,所述数据采集器通过导线连接有传感器组,所述传感器组包括但不仅限于温度传感器、气体传感器、液位传感器、压力传感器、振动传感器,所述温度传感器、气体传感器、液位传感器、压力传感器、振动传感器分别分散分布在船舶内侧的各个位置,所述大数据中心通过网络连接有手动输入终端。
进一步,所述服务器包括主服务器、若干个子服务器,所述主服务器通过网络分别与若干个子服务器相连接。
进一步,所述传感器组内的传感器数量不少于五个且分布的点位不少于五个。
进一步,所述手动输入终端用于输入装备历史信息。
进一步,所述人工智能引擎与大数据计算引擎同时工作。
进一步,所述建议提示模块包括显示器、数据接收模块,所述数据接收模块与显示器电连接。
进一步,所述网络包括单不仅限于互联网、局域网。
进一步,若干个所述装备上分别设置有若干个EPC标签。
本发明的有益效果是:
1.本发明通过研究整合装备状态监控信息和历史记录数据,将不同形式的装备信息统一规范到标准的数据仓库中在结构化的装备运行状态信息、装备故障信息及维修信息、器材使用信息的基础上,利用大数据分析方法分析装备的使用强度、设备故障率、器材的故障率、器材使用强度与器材故障之间的关联关系,利用人工智能算法建立装备使用情况与器材故障率之间的关系模型,并预测器材需求,实现了可以极大的降低船舶携带备件的负担,提高仓库空间利用率,节约采购经费,最终提高在航率的功能。
附图说明
图1是本发明系统结构框图。
图2是本发明流程图。
图3是本发明神经网络计算示意图。
附图标记说明:1-数据采集器;2-大数据中心;3-基础数据结构化模块;4-服务器;5-人工智能引擎;6-建议提示模块;7-大数据计算引擎;8-手动输入终端。
具体实施方式
下面结合具体实施例,进一步阐述本发明,应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落在申请所附权利要求书所限定的范围。
实施例一:
参见图1至3是本发明系统结构框图、流程图、神经网络计算示意图,一种基于大数据的维修器材需求预测分析系统,包括船舶,预测分析系统设置在船舶内侧,船舶内侧设置有若干个装备,预测分析系统包括服务器4,服务器4连接有人工智能引擎5,服务器4连接有大数据计算引擎7,人工智能引擎5、大数据计算引擎7均连接有建议提示模块6,服务器4通过网络连接有基础数据结构化模块3,基础数据结构化模块3通过网络连接有大数据中心2,大数据中心2连接有数据采集器1,数据采集器1通过导线连接有传感器组,传感器组包括但不仅限于温度传感器、气体传感器、液位传感器、压力传感器、振动传感器,温度传感器、气体传感器、液位传感器、压力传感器、振动传感器分别分散分布在船舶内侧的各个位置,大数据中心2通过网络连接有手动输入终端8。
服务器4包括主服务器4、若干个子服务器,主服务器4通过网络分别与若干个子服务器相连接,传感器组内的传感器数量不少于五个且分布的点位不少于五个,手动输入终端8用于输入装备历史信息,人工智能引擎5与大数据计算引擎7同时工作。
建议提示模块6包括显示器、数据接收模块,数据接收模块与显示器电连接,网络包括单不仅限于互联网、局域网,若干个装备上分别设置有若干个EPC标签。
本发明创新性地提出装备状态及故障信息结构化标准,通过研究整合装备状态监控信息和历史记录数据,将不同形式的装备信息统一规范到标准的数据仓库中在结构化的装备运行状态信息、装备故障信息及维修信息、器材使用信息的基础上,本发明提出利用大数据分析方法分析装备的使用强度、设备故障率、器材的故障率、器材使用强度与器材故障之间的关联关系,利用人工智能算法建立装备使用情况与器材故障率之间的关系模型,并预测器材需求,通过上述方式实现的器材需求预测将可以极大的降低船舶携带备件的负担,提高仓库空间利用率,节约采购经费,最终提高在航率。
本发明是基于大数据的维修器材需求预测分析系统,充分利用装备保院历史大数据,结合装备实时状态信息和未来任务需求,采用大数据分析和人工智能算法,提出最优的装备维修器材保障需求,本发明的总体流程包括:需求调研、方案设计、关键技术研发、方案验证等方面。
本专利的主要内容及关键技术为:
1、结构化的装备维修数据标准,其关键技术包括:装备维修数据结构化标准方法;多类型程序及数据I/O技术。
2、保障大数据分析的方法,其关键技术包括:关联度分析等数据挖掘技术。
3、故障及器材消耗预测分析算法,其关键技术包括:基于人工智能分析算法的故障建模及故障预测技术。
(1)本发明结构化的装备维修数据标准:装备维修数据结构化标准研究,通过调研,目前装备使用及维修信息主要包括以下几类:
1)各装备的运行参数等,主要是由故障预测与健康管理(Prognostic·and·Healh·Management,PHM)系统根据分布在全船的各类传感器进行采集,例如温度传感器、气体传感器、液位传感器、压力传感器、振动传感器等等;
2)装备的故障项目及器材出入库信息等,主要由船员实时录入;
3)各装备的故障时间、运行时间、运行状态等,主要由值班人员进行记录。可以将装备及器材的状态信息结构化如下:
船舶编号、装备名称、装备编号、装备运行时间、器材名称、器材编号、器材型号、状态参数(温度、压力、振动等)、故障时间、故障类型、更换时间、建议库存数、船舶仓库库存数、港区仓库库存数、供应商仓库库存数、在途器材位置,如下表所示:
船舶编号 | 装备名称 | 装备型号 | 装备编号 | 生产厂家 | 运行时间 | 器材名称 | 器材型号 | 器材编号 | 状态参数 | 故障时间 | 故障类型 | 更换时间 | 值班人员 | 库存建议 | 船舶库存 | 港区库存 | 厂家库存 | 器材位置 |
表1.结构化数据标准
其中故障类型可以根概历史上装备故脚情况进行分类,囚而可以实现结构化,根据船舶建造时的装备对及装备分解目来,就可以建立全船装备器材的快态信息数据仓库。
多类型程序及数据I/O技术:对不同的程序,可以采用标准协说将相关效据直新打创编码后发送给系统服务器4,并保存在相关器材的库中,通北将纸质文书招描并识别成中子文书的形式,可以将船员记录的数据服务器4发送新员记采的数据,将每型器材在每一个特征时刻的数据都自动记录到系统数据仓库中,例如每隔一小时、故障时间等,从而形成全舰实时装备信息数据仓库,典型示例如下表所示:
表2.装备信息数据仓库示例表
(2)基于大数据的分布式计算方法研究:在结构化的装备运行状态信息、装备故障信息及维修信息、器材使用信息的基础上,利用大数据分析方法对以下问题进行分析:
1)装备故障离不开装备使用,可根据装备名称、装备型号及运行时间计算不同系统及设备的装备使用强度(使用率)U,即装备使用时间在日、周、月、年中的占比,用装备期望运行时间TEW与船舶在役时间TS计算,最高值为1,计算公式如下:
2)装备故障率λ是量化考察装备故障概率的指标,可根据装备故障停机时间TF及装备期望TEW运行时间计算,装备故障停机时间TF可用器材更换时间TN与装备故障时间Tf计算。
计算公式如下:
3)根据不同的教障类型何计算同型设备下不同故障的故障率,至:λ1·λ2·λ3……至λN如果所有的时间取总和,即可得出平均故障率。
4)采用聚类分析比较同装备各类故障类型的分布、故障率高低及占比。
5)根据某次故障计算装备下某型器材的瞬时故障率:λX,,计算公式如下:
6)根据装备使用强度、故障率、故障类型分析装备器材使用强度与器材故障率及故障类型之间的关联关系:其中,假设某型器材x历史上发生的瞬时故障率为λx1·λx2·λx3……,相对应的故障前装备使用强度为U1· U2· U3……,关联关系用与器材相关的故障率λxi与装备使用强度Uxi的协方差表示:
计算出不同器材的关联大小后,即可得出装备使用强度与某器材故障率之间的关联度大小。
7)根据实际故障率对厂家提供的平均故障问隔时间( Mean·Time·Between·Failures,MTBF)进行实时修正,以使之符合装备实际使用情况,并反馈给供应商,以支撑未来设计或提前生产,其计算公式如下:
8)根据以上计算结果,可以分析比较不同厂家生产的同型设备故障率高低;
9)根据职掌部门、故障率可分析比较不同部门装备平的故障率;
10)分析比较不同类型装备故障率;
11)分析比较不同故障类型与更换器材之间的关系。
针对以上需求需栗实时进行大量计算,为了降低主服务器4计算量,提高系统整体可靠性,创新性的提出分布式计算的策略:选择船舶上每个部门中的一台联网计算机作为子服务器,采集并计算本部门职掌装备的故障规律,并将最终结果传回主服务器4。主服务器4收集并比较各系统下的故障情况,并得出总体保障建议。
(3)基于人工智能的故障规律分析算法研究:基于大数据的计算结果,利用人工智能算法分析不同器材的故障率与使用强度的关系。因为不同装备运行机理的差异比较大,依据神经网络、机器学习等方法进行训练并建模可以在不知道装备的运行机理的情况下,方便的进行建模和预测。
针对某型装备,为预测未来一定时间内的故障数,以装备的状态参数S (S1, S2,S3...)、装备运行时间TW及由大数据分析结果得到的装备运行强度U和关联度G作为输入,以装备故障类型F1,F2,F3.....及更换器材数E1,E2,E3.....为输出。
输入历史大数据对神经网络模型进行训练,完成后即可根据装备目前运行状态预测未来一段时间内的故障类型及更换器材数,从而提出建议库存,当建议库存少于实际船舶库存与基地库存时,系统提示采购建议。
依据装备状态,针对装备故障情况迅速提出器材保障方案及后续器材库存建议,船员根据系统提出的建议,采用船舶仓库或港区仓库内的器材,并决定是否采购新的备件,与船员根据自己的经验,定期上报备件器材需求相比,将极大增加需求的合理性、大大缩短装备维修时间,降低维修成本,提高船舶在航率。
本发明创新性地提出装备状态及故障信息结构化标准,通过研究整合装备状态监控信息和历史记录数据,将不同形式的装备信息统一规范到标准的数据仓库中在结构化的装备运行状态信息、装备故障信息及维修信息、器材使用信息的基础上,本作品提出利用大数据分析方法分析装备的使用强度、设备故障率、器材的故障率、器材使用强度与器材故障之间的关联关系,利用人工智能算法建立装备使用情况与器材故障率之间的关系模型,并预测器材需求,实现了可以极大的降低船舶携带备件的负担,提高仓库空间利用率,节约采购经费,最终提高在航率的功能。
Claims (8)
1.一种基于大数据的维修器材需求预测分析系统,包括船舶,所述预测分析系统设置在船舶内侧,所述船舶内侧设置有若干个装备,其特征在于:包括服务器,所述服务器连接有人工智能引擎,所述服务器连接有大数据计算引擎,所述人工智能引擎、大数据计算引擎均连接有建议提示模块,所述服务器通过网络连接有基础数据结构化模块,所述基础数据结构化模块通过网络连接有大数据中心,所述大数据中心连接有数据采集器,所述数据采集器通过导线连接有传感器组,所述传感器组包括但不仅限于温度传感器、气体传感器、液位传感器、压力传感器、振动传感器,所述温度传感器、气体传感器、液位传感器、压力传感器、振动传感器分别分散分布在船舶内侧的各个位置,所述大数据中心通过网络连接有手动输入终端;
所述人工智能引擎用于进行基于大数据的器材需求预测,具体包括以下步骤:
1)获取装备维修信息数据;
将装备及器材的状态信息结构化如下:
船舶编号、装备名称、装备编号、装备运行时间、器材名称、器材编号、器材型号、状态参数、故障时间、故障类型、更换时间、建议库存数、船舶仓库库存数、港区仓库库存数、供应商仓库库存数、在途器材位置;
所述状态参数为传感器采集的器材的温度、压力、振动在内的属性或状态数据;
所述故障类型根据装备故障情况的历史数据进行分类获得;
根据船舶建造时的装备树及装备分解目录,建立全船装备器材的状态信息数据仓库;
将每型器材在每一个特征时刻的数据都记录到系统状态信息数据仓库中,形成全舰实时装备信息数据仓库;
2)根据装备运行状态信息、装备故障信息及维修信息以及器材使用信息,计算装备使用强度U和关联度G;
2.1)装备使用强度U采用以下公式计算:
其中,TEW为装备期望运行时间,TS为船舶在役时间;
2.2)关联度G采用以下方法计算:
2.2.1)计算装备故障率λ,
其中,TF=TN-Tf,
TF为装备故障停机时间,TN为器材更换时间TN,Tf为装备故障时间Tf;
2.2.2)根据不同的故障类型计算同型设备下不同故障的故障率:λ1,λ2,λ3……;如果所有的时间取总和,即可得出平均故障率;
2.2.3)采用聚类分析比较同装备各类故障类型的分布、故障率高低及占比;
2.2.4)根据某次故障计算装备下某型器材的瞬时故障率:λx;
计算公式如下:
其中,TFx为装备某次故障的停机时间,TEWx为装备期望运行时间;
2.2.5)根据装备使用强度、故障率、故障类型分析装备器材使用强度与器材故障率及故障类型之间的关联关系;
假设某型器材x历史上发生的瞬时故障率为λx1,λx2,λx3……相对应的故障前装备使用强度为U1,U2,U3……,关联度G用与器材相关的故障率λxi与装备使用强度Ui的协方差表示:
3)基于人工智能的故障规律及需求预测;
针对某型装备,为预测未来一定时间内的故障数,以装备的状态参数S(S1,S2,S3…)、装备运行时间TW及由大数据分析结果得到的装备运行强度U和关联度G作为输入,以装备故障类型F1,F2,F3……及更换器材数E1,E2,E3……为输出,输入历史大数据对神经网络模型进行训练,获得未来一段时间内的故障类型及更换器材数的预测模型;
4)根据模型的预测结果,提出器材保障方案及后续器材库存建议。
2.根据权利要求1所述的一种基于大数据的维修器材需求预测分析系统,其特征在于:所述服务器包括主服务器、若干个子服务器,所述主服务器通过网络分别与若干个子服务器相连接。
3.根据权利要求1所述的一种基于大数据的维修器材需求预测分析系统,其特征在于:所述传感器组内的传感器数量不少于五个且分布的点位不少于五个。
4.根据权利要求1所述的一种基于大数据的维修器材需求预测分析系统,其特征在于:所述手动输入终端用于输入装备历史信息。
5.根据权利要求1所述的一种基于大数据的维修器材需求预测分析系统,其特征在于:所述人工智能引擎与大数据计算引擎同时工作。
6.根据权利要求1所述的一种基于大数据的维修器材需求预测分析系统,其特征在于:所述建议提示模块包括显示器、数据接收模块,所述数据接收模块与显示器电连接。
7.根据权利要求1所述的一种基于大数据的维修器材需求预测分析系统,其特征在于:所述网络包括单不仅限于互联网、局域网。
8.根据权利要求1所述的一种基于大数据的维修器材需求预测分析系统,其特征在于:若干个所述装备上分别设置有若干个EPC标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010596357.6A CN111695744B (zh) | 2020-06-28 | 2020-06-28 | 一种基于大数据的维修器材需求预测分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010596357.6A CN111695744B (zh) | 2020-06-28 | 2020-06-28 | 一种基于大数据的维修器材需求预测分析系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111695744A CN111695744A (zh) | 2020-09-22 |
CN111695744B true CN111695744B (zh) | 2023-04-18 |
Family
ID=72483834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010596357.6A Active CN111695744B (zh) | 2020-06-28 | 2020-06-28 | 一种基于大数据的维修器材需求预测分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111695744B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065733B (zh) * | 2020-12-15 | 2024-04-30 | 江苏苏星资产管理有限公司 | 一种基于人工智能的电气资产管理方法 |
CN113407428B (zh) * | 2021-06-22 | 2023-07-18 | 贵州理工学院 | 人工智能系统的可靠性评估方法、装置和计算机设备 |
CN115793581A (zh) * | 2021-07-23 | 2023-03-14 | 张家口卷烟厂有限责任公司 | 一种卷烟设备管理方法 |
CN115375250B (zh) * | 2022-10-27 | 2023-01-06 | 河北东来工程技术服务有限公司 | 一种船舶备件物料管理的方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7047114B1 (en) * | 2003-10-23 | 2006-05-16 | Charles David Rogers | System and apparatus for automatic and continuous monitoring, proactive warning and control of one or more independently operated vessels |
CN110503240A (zh) * | 2019-07-19 | 2019-11-26 | 中国人民解放军海军工程大学 | 一种船舶维修资源需求预测方法及装置 |
CN111274737A (zh) * | 2020-02-25 | 2020-06-12 | 山东大学 | 一种机械设备剩余使用寿命预测方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102055803B (zh) * | 2010-12-20 | 2012-04-04 | 武汉理工大学 | 综合一体化的船舶机舱监控系统 |
CN106697187B (zh) * | 2016-12-26 | 2018-10-09 | 武汉理工大学 | 基于智能机舱的船舶动力系统工况模拟和诊断实验平台 |
US20200110395A1 (en) * | 2017-04-13 | 2020-04-09 | Texas Tech University System | System and Method for Automated Prediction and Detection of Component and System Failures |
CN110109445B (zh) * | 2019-05-24 | 2023-12-01 | 中船数字信息技术有限公司 | 一种船舶机舱辅机监控系统及监控方法 |
-
2020
- 2020-06-28 CN CN202010596357.6A patent/CN111695744B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7047114B1 (en) * | 2003-10-23 | 2006-05-16 | Charles David Rogers | System and apparatus for automatic and continuous monitoring, proactive warning and control of one or more independently operated vessels |
CN110503240A (zh) * | 2019-07-19 | 2019-11-26 | 中国人民解放军海军工程大学 | 一种船舶维修资源需求预测方法及装置 |
CN111274737A (zh) * | 2020-02-25 | 2020-06-12 | 山东大学 | 一种机械设备剩余使用寿命预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111695744A (zh) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695744B (zh) | 一种基于大数据的维修器材需求预测分析系统 | |
Cheliotis et al. | Machine learning and data-driven fault detection for ship systems operations | |
Rødseth et al. | Deep digital maintenance | |
CN110222851A (zh) | 一种海上风电场智慧运维管理系统及管理方法 | |
CN110320892A (zh) | 基于Lasso回归的污水处理设备故障诊断系统及方法 | |
CN102509178A (zh) | 配网设备状态评估系统 | |
Chin et al. | Asset maintenance optimisation approaches in the chemical and process industries–A review | |
Mathew et al. | Regression kernel for prognostics with support vector machines | |
Schreiber et al. | Integrated production and maintenance planning for cyber-physical production systems | |
CN108898285A (zh) | 一种基于信息熵的啤酒包装生产线运行效率定量评估方法 | |
CN112241606A (zh) | 基于cps决策模块的船舶智能设备运维的协同决策方法 | |
CN108280532A (zh) | 一种改进的电力设备资产管理系统及方法 | |
Welte et al. | Operation and maintenance modelling | |
CN113762586A (zh) | 在特定事件情境中设施状态和运行模式的识别 | |
CN116843071A (zh) | 一种用于智慧港口的运输网络运行指数预测方法及装置 | |
Taj et al. | Three reliability models of a building cable manufacturing plant: a comparative analysis | |
CN105404940B (zh) | 一种面向船舶使用阶段的维修资源预测方法 | |
Lieber et al. | Sustainable interlinked manufacturing processes through real-time quality prediction | |
CN116629839A (zh) | 一种船艇主机保障信息集成与维修决策系统 | |
WO2017082473A1 (ko) | 해양플랜트 예지보전 시스템 및 이를 사용한 해양플랜트 예지보전방법 | |
CN116029579A (zh) | 一种继电保护设备采购评价方法及系统 | |
Anderson et al. | A Bayesian hierarchical assessment of night shift working for offshore wind farms | |
Li et al. | Advances in Intelligent Reliability and Maintainability of Energy Infrastructure Assets | |
IT202100001424A1 (it) | Metodo e sistema per prevedere il fallimento di un’entità monitorata | |
Lee | A reference model for big data analysis in shipbuilding industry |
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: 20220701 Address after: No. 268, ZhangZhidong Road, Wuchang District, Wuhan City, Hubei Province 430064 Applicant after: China Ship Research and Design Center Address before: 430000 China Ship Research and design center, 268 ZhangZhidong Road, Wuchang District, Wuhan City, Hubei Province Applicant before: Zeng Chen |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |