CN111815001A - 一种复杂设备的维修决策系统及方法和应用 - Google Patents
一种复杂设备的维修决策系统及方法和应用 Download PDFInfo
- Publication number
- CN111815001A CN111815001A CN202010688691.4A CN202010688691A CN111815001A CN 111815001 A CN111815001 A CN 111815001A CN 202010688691 A CN202010688691 A CN 202010688691A CN 111815001 A CN111815001 A CN 111815001A
- Authority
- CN
- China
- Prior art keywords
- subsystem
- level
- phm
- equipment
- maintenance
- 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
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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种复杂设备的维修决策系统及方法和应用,该方法针对的维修决策系统包含:系统级PHM、子系统级PHM和模块级PHM,其中,所述系统级PHM、子系统级PHM分别为所述子系统级PHM、模块级PHM的上层系统,所述子系统级PHM和模块级PHM均为所述系统级PHM的低层系统,所述模块级PHM包含若干传感器和机内自检装置。本发明的方法以健康状态衡量退化失效对设备发生故障的影响,综合考虑到各健康状态对设备发生故障的可能性,并以子系统级与系统级进行维修决策,做出的维修策略更加严格。
Description
技术领域
本发明涉及一种维修决策系统,具体涉及一种复杂设备的维修决策系统及方法和应用。
背景技术
随着越来越多高新技术应用到工业生产领域之中,工业生产设备日趋呈现出高速化、大型化以及复杂化的发展趋势,其故障特征也逐渐呈现出多重性、模糊性以及耦合性的特点,设备保障工作的难度和压力日趋增大。在实际的工业生产过程中,一旦重要设备或关键部件发生故障,其带来的损失将是不可估量的,如1907-2007年,美国因能源基础设施发生故障,共计造成了约410亿美元的经济损失以及182156人死亡。因此,越来越多的工业生产部门逐渐将设备保障从事后维修的传统维修保障模式逐渐转向基于状态维修(Condition Based Maintenance,CBM)的新型维修保障模式。
然而,若采取CBM维修保障模式,只有收集到足够与设备相关的环境、操作和性能特征数据,才能对故障设备做出合理、有效的维修保障策略决策。现行进行状态监测的部件大多为传感器,其本身也会因为工作环境、使用强度以及非法操作等因素导致其状态监测数据产生偏差。因此,为保证整个系统具有较高的可靠性,传感器一般只用于对设备关键、重要部件实施状态监测。
许多设备所处的工作环境以及工作条件均是时刻发生变动的,在实际的工业生产过程中,易受到振动、冲击及负载等外部环境及其它不确定性因素的影响,设备性能状态除了自然退化以外,还面临着随机冲击等突发失效与自然退化二者相关竞争失效(CompetingFailure,CF)的共同作用,并且考虑到实际维修中有限的维修器材、备件、经费和时间等条件,不可能使所有设备都进行系统而完善的检修,此时需要综合权衡维修资源消耗与生产任务要求和维修后设备性能的关系,选择设备中一部分可能影响下一阶段的关键部件进行维修,即选择性维修(Selective Maintenance,SM)决策。若无法较好地解决上述问题,利用CBM对复杂设备进行维修决策时,往往达不到想要的维修保障效果。
此外,设备发生故障或失效是随机的和难以避免的,因此其发生故障或失效的时间也是随机出现的,不同设备或相同设备在不同条件下发生故障的规律往往呈现不同的分布类型,常见的故障分布类型大致应用范围如表1所示。
表1故障分布函数类型及其应用范围
由表1可知,同类型设备的故障率服从某种特定的概率分布函数,若能设法得到某类型设备故障概率分布函数的参数值,便能对其故障率进行准确的刻画。如图1中(a)所示,其为故障概率服从正态函数的故障分布,可以看出若设备故障服从单一故障分布函数,其每一时刻的故障率是比较容易得到的,但当设备故障分布如图1中(b)、(c)所示时,即设备故障同时受到多种故障分布函数的综合影响时,其复杂度将会大大提升;并且由于设备所处的工作环境、使用强度以及加工工艺等条件不同,同类型设备故障分布函数的差异往往也较大,其故障特征往往呈现出模糊性的特点,因此很难找到一种准确刻画设备故障概率分布函数的方法。
目前,虽然针对图1中(b)、(c)的可靠性预测问题,许多学者已经提出了一系列模型,如基于故障间隔时间数据建模的黑箱理论,以及基于系统状态的随机过程理论,但这两种可靠性建模理论均存在一定缺陷,依据黑箱理论仅能对简单故障进行建模,当系统故障由多种失效模式所致时,其准确率往往并不高;而随机过程理论需要系统各部件寿命分布和故障后修理时间分布以及其他分布均为指数分布,若系统不满足这种假设,随机过程建模的方法往往会非常困难。
针对上述问题,已有学者提出了一些的解决方法,如LiYang假设当设备处于随机环境中时,外部冲击在增加设备突然失效概率的同时还会使设备性能发生明显的退化,该作者通过优化置换区间、监测区间以及可靠性准则,建立了以单位时间期望成本最小为目标,兼顾退化和突变两种失效模式的维修决策模型,并通过输油管道为例,验证了维修决策模型的有效性;Duan Chaoqun在假设维护操作的影响是遵循符合一定概率分布的随机事件的条件下,通过考虑维护成本和时间两位维度对整个维护操作的影响,以系统可靠性以及持续时间为约束条件,采用模拟退火算法构建了多部件系统随机维修质量下的维修策略优化模型,并通过算例验证了该方法的有效性;Bentolhoda Jafary针对目前大多数维护模型均假设故障分布是相互独立的,从而造成设备的平均故障间隔时间(Mean Time BetweenFailure,MTBF)降低和故障后紧急修复(Emergency Repair,ER)时间增加的问题,提出了一种能够以显式相关参数对任意结构系统中的元件故障进行描述的方法,并通过举例说明了所提出方法能够确定出最优的维护策略。
从上述文献中可以看出,许多学者虽然在进行复杂设备维修决策时,对于CF问题、SM问题以及故障相关性问题均有所研究,但都没有涉及故障机理层面,仅依靠黑箱理论和随机过程理论,构建简单的维修决策模型,在实际复杂设备维修保障工作中起到了一定的积极作用,但其维修保障效果仍不够理想;许多学者在进行维修决策时主要考虑代表设备自然退化状态的数据信息,并未考虑突发失效对存在CF设备健康状态的影响,因此较难得到理想的维修保障效果;而且,许多学者仅是针对单一故障或独立故障进行研究,未考虑在实际工业生产过程中,复杂设备的故障往往是同时发生、相互关联、相互影响,单一子系统性能降低虽然可能对整个系统性能影响不大,但由于各子系统的相关性以及故障影响的不同,其性能同时降低可能导致整个系统发生故障的情况。
发明内容
本发明的目的是提供一种复杂设备的维修决策系统及方法和应用,解决了现有复杂设备维修决策时未考虑多个故障的问题,以健康状态衡量退化失效对设备发生故障的影响,综合考虑到各健康状态对设备发生故障的可能性,并以子系统级与系统级进行维修决策,做出的维修策略更加严格。
为了达到上述目的,本发明提供了一种复杂设备的维修决策方法,针对的维修决策系统包含:系统级PHM、子系统级PHM和模块级PHM,其中,所述系统级PHM、子系统级PHM分别为所述子系统级PHM、模块级PHM的上层系统,所述子系统级PHM和模块级PHM均为所述系统级PHM的低层系统,所述模块级PHM包含若干传感器和机内自检装置,该维修决策方法包含:
(S100)构建健康状态修正函数:基于传统健康状态评估中得到的设备健康状态,衡量退化失效对设备发生故障的影响,得到健康状态修正函数H为:
H=[(1-p1)h1,(1-p2)h2,…,(1-pn)hn] (1)
式(1)中,pi代表每个低层系统的故障率,i=1,2,……,n;hi代表每个低层系统的健康状态,i=1,2,……,n,n为所述子系统级PHM中各子系统的数量或模块级PHM中传感器的数量;
(S200)获得设备故障中若干维度数据的相关程度:用系统级PHM工作时的输出变化,计算各子系统级PHM之间的相关程度C,采用皮尔森相关系数反应两个故障变量之间线性相关程度的统计量,其表达式为:
式(2)中,C'表示两种一维故障数据相关系数,描述两个故障变量间线性相关强弱的程度,其绝对值越大表明相关性越强;D为样本量;Xi和Yi分别表示设备两个故障变量的观测值;和分别表示Xi和Yi两个故障变量的均值;
两种故障若干维度相关程度的平均值,为:
式(3)中,C表示两种故障相关程度,k为故障数据的维度;
(S300)用系统级PHM工作时的输出变化,采用灰色关联分析衡量各子系统间重要程度,计算子系统级PHM中各子系统的重要程度I,I=[I1,I2,…,In],Ii为第i个子系统对基准指标的重要程度,i=1,2,……,n;
(S400)构建基于SR维修决策模型,为:
单层或第i级低层系统的系统风险度SRi'为:
式(8)中,n为所述子系统级PHM中各子系统的数量;Cij为第i子系统与第j子系统的相关程度;Ii为第i子系统的重要程度,且SRi'为第i层系统风险度,当i=1时,SR1'为模块级PHM系统,当i=2时,SR'2为子系统级PHM系统;
当维修决策系统存在两级以上时,计算低层系统的系统风险度SR,向上层系统逐级上传,获得复杂设备的系统风险度SR为:
式(9)中,SRi'为第i级低层系统或单层系统的系统风险度;
(S500)根据计算得到的复杂设备的系统风险度SR与设备健康状态和维修决策对应,进行维修决策。
优选地,在步骤(S300)中,所述Ii为:
式(7)中,ri为第i个子系统对基准指标的灰色加权关联度。
优选地,所述ri为:
式(6)中,wi表示子系统i状态的权重,ξi(k)表示子系统xi的子系统状态在第k指标上的关联系数。
优选地,所述wi为:
式(4)中,pij表示第i个子系统在第j个状态下的故障发生概率。
优选地,所述ξi(k)为:
式(5)中,ρ为故障模式影响概率,ρ∈[0,1];设子系统有n个,各子系统状态均为m个,则各子系统为xc={xi(k)|k=1,2,…,m;i=1,2,…n},标准子系统x0={x0(k)|k=1,2,…,m},分别为两级最小差及两级最大差。
优选地,所述故障模式影响概率ρ的取值依据标准GJB1391或GB7826。
优选地,所述健康状态的值参考FMECA中故障等级划分标准。
优选地,所述SR为0~0.2时,设备健康,维修决策为按计划状态监测并适当延长维护周期;所述SR为0.2~0.4时,设备良好,维修决策为按计划进行监测和维护;所述SR为0.4~0.6时,设备需注意,维修决策为加强监测并优先维护;所述SR为0.6~0.8时,设备恶化,维修决策为加强监测并尽快维护;所述SR为0.8~1时,设备疾病,维修决策为立即进行维修。
本发明的另一目的是提供一种维修决策系统,该系统包含:系统级PHM、子系统级PHM和模块级PHM,其中,所述系统级PHM、子系统级PHM分别为所述子系统级PHM、模块级PHM的上层系统,所述子系统级PHM和模块级PHM均为所述系统级PHM的低层系统,所述模块级PHM包含若干传感器和机内自检装置;该系统采用所述的方法作出维修决策。
本发明的另一目的是提供一种基于SR维修决策模型,该基于SR维修决策模型针对所述的维修决策系统,用于对故障设备作出维修决策,为:
单层或第i级低层系统的系统风险度SRi'为:
式(8)中,I为子系统级PHM中各子系统的重要程度,C表示两种故障相关程度,H表示健康状态修正函数;n为子系统级PHM中各子系统的数量;Cij为第i子系统与第j子系统的相关程度;Ii为第i子系统的重要程度,且SRi'为第i层系统风险度,当i=1时,SR1'为模块级PHM系统,当i=2时,SR'2为子系统级PHM系统;
当维修决策系统存在两级以上时,计算低层系统的系统风险度SR,向上层系统逐级上传,获得复杂设备的系统风险度SR为:
式(9)中,SRi'为第i级低层系统或单层系统的系统风险度。
本发明的复杂设备的维修决策系统及方法和应用,解决了现有复杂设备维修决策时未考虑多个故障的问题,具有以下优点:
本发明的方法,以衡量系统风险程度的指标—系统风险度(System Risk,SR)进行维修决策,利用皮尔森相关系数构建相关性矩阵,利用灰色关联分析计算系统各部件的重要程度,提出一种基于SR维修决策模型,并针对EM算法易陷于局部极值的缺点,通过引入贝叶斯随机分类的思想对其进行优化。该方法做出的决策更加严格。
附图说明
图1为现有的设备故障分布函数三维示意图。
图2为本发明的复杂设备的维修决策的体系结构图。
图3为本发明各子系统的相关性图。
图4为本发明各子系统的灰色加权热力图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种复杂设备的维修决策方法,基于维修决策系统,参考图2,该维修决策系统包含:系统级PHM(Prognostic and Health Management,故障预测与健康管理)、子系统级PHM和模块级PHM,其中,系统级PHM为子系统级PHM的上层系统,其进行维修决策,子系统级PHM为模块级PHM的上层系统,子系统级PHM和模块级PHM均为系统级PHM的低层系统,模块级PHM包含多个传感器和机内自检(BIT)装置。当复杂设备发生故障或性能退化时,模块级PHM的传感器与BIT将检测到的性能退化数据与状态数据向上发送至子系统级PHM系统,子系统级PHM系统利用传统的PHM健康状态评估技术,将多类数据综合,推算出当前该子系统的健康状态。系统级PHM系统通过子系统级发送来的各子系统数据,通过基于SR的复杂设备维修决策模型,修正各子系统的健康状态,计算各子系统之间的关联度,计算各子系统的重要程度,依据SR进行维修决策。
具体地,该方法包含以下步骤:
(S100)构建健康状态修正函数:以传统健康状态评估中得到的设备健康状态衡量退化失效对设备发生故障的影响,得到健康状态修正函数为:
H=[(1-p1)h1,(1-p2)h2,…,(1-pn)hn] (1)
其中,pi代表每个低层系统的故障率,i=1,2,……,n;hi代表每个低层系统的健康状态,i=1,2,……,n,健康状态的值参考FMECA中故障等级划分标准,故障等级与健康状态对应关系如表2所示。
表2故障等级与健康状态对应关系表
注:若复杂设备有多级低层系统(当系统级发生故障时,模块级与子系统级为系统级的低层系统,此时为2级低层系统),则只进行一次设备健康状态修正。
现有健康状态评估技术无法将分层式评估中的低层健康状态综合到复杂系统整体健康状态,而且未考虑到突发失效对其产生的影响。而本发明以健康状态衡量退化失效对设备发生故障的影响,综合考虑到各健康状态对设备发生故障的可能性,考虑更加全面。
(S200)获得设备故障中多个维度数据的相关程度:各子系统级PHM之间的相关性已经确定,用系统级PHM工作时的输出变化,计算各子系统级PHM之间的相关程度C,以确保不会因受到系统级PHM在工作时发生退化、失效等现象的影响而导致各子系统级PHM之间的相关性也会发生变化的情况出现。采用皮尔森相关系数(Pearson correlationcoefficient)反应两个变量之间线性相关程度的统计量,其表达式为:
式(2)中,C'表示两种一维故障数据相关系数,描述的是两个变量间线性相关强弱的程度,其绝对值越大表明相关性越强;D为样本量;Xi和Yi分别表示设备两个变量的观测值;和分别表示Xi和Yi两个变量的均值。
采取求平均值的方式分别求出每两种故障多个维度相关程度的平均值,以满足一般故障中存在多个维度数据的情况,平均值为:
式(3)中,C表示两种故障相关程度,k为故障数据的维度。故障可能会存在于模块级PHM、子系统级PHM以及系统级PHM任何一层,无论那一层发生故障均在本层级衡量其相关性,当本层系统风险程度(SR)计算完后,在逐级上传。
(S300)用系统级PHM工作时的输出变化,计算子系统级PHM中各子系统的重要程度I,若某个低层系统(模块级或子系统级)的输出变化与上层系统(子系统级或系统级)的输出变化具有一致性(如模块级与子系统级之间,或子系统级与系统级之间),即同步变化程度较高,则该子系统和整个系统关联程度较高;反之,则较低。
具体地,采用灰色关联分析(GRA)衡量各子系统间重要程度,具体步骤如下:
(S310)将各子系统设置为评价对象,各状态下系统级PHM的输出为评价标准。设子系统有n个,各子系统状态均为m个,则各子系统为xc={xi(k)|k=1,2,…,m;i=1,2,…n},标准子系统x0={x0(k)|k=1,2,…,m}。
(S320)确定各子系统状态对应的权重:将各子系统的故障发生概率作为评分依据,对各子系统状态的权重w=[w1,w2,…,wn]进行打分,评分标准依据故障模式影响及危害性分析(FMECA)中系统风险程度的衡量方法,如表3所示。
表3故障发生概率P评分标准
其中,wi表示子系统i状态的权重,i=1,2,……,n;pij表示第i个子系统在第j个状态下的故障发生概率。
(S330)计算各子系统状态的灰色关联系数,为:
其中,ξi(k)表示子系统xi的子系统状态在第k指标上的关联系数;ρ为分辨系数(即故障模式影响概率),ρ∈[0,1],一般来讲ρ越大,即分辨率越大,如表4所示,为故障模式影响概率ρ参考值; 分别为两级最小差及两级最大差。
表4故障模式影响概率ρ参考值
(S340)计算各子系统对基准指标的灰色加权关联度,为:
其中,ri为第i个子系统对基准指标的灰色加权关联度,基准指标值为子系统初始状态真实值与子系统额定值中的较大者,基准指标值即理想对象。
归一化处理后,各系统的重要程度为
(S400)基于SR维修决策模型构建
复杂设备进行系统风险度计算方法如下所示:
当系统存在多级时,其系统风险度计算公式如下:
式中,n为复杂设备子系统的个数;SRi'为第i级低层系统或单层系统的系统风险度;Ii为第i子系统的重要程度,且Cij为第i子系统与第j子系统的相关程度;SRi'为第i层系统风险度,当i=1时,SR1'为模块级PHM系统,当i=2时,SR'2为子系统级PHM系统;。
将系统风险度计算的结果与表2中设备健康状态对应的取值进行对照,便能够得到兼顾设备竞争失效、各子系统重要度以及子系统关联性的设备健康状态,然后根据设备健康状态等级描述,进行维修决策,如表5所示。
表5健康状态、SR以及维修决策对应关系
本发明的方法,以较为复杂的子系统级与系统级进行维修决策,这是因为模块级各传感器或BIT之间很少存在相关关系,并且一般能够通过传感器设计实现对其相关性进行规避,但是复杂设备因其结构较为复杂、需实现的功能较多,以及各子系统之间存在相互合作的关系,其在各子系统级之间存在较强的相关性,且各子系统因使用强度、有无冗余以及自身性能均会随着使用时间的增加而产生变化,其对于整个系统的重要程度也会相应的发生变化,因此本发明仅以较为复杂的子系统级与系统级进行维修决策。
为了对本发明提供的一种复杂设备的维修决策方法进行具体说明,以下通过实施例1进行详细阐述。
实施例1
一种复杂设备的维修决策方法,两类传感器组成的子系统状态数据由随机设置参数的混合分布产生,假设复杂设备工作时间为219天,此时各子系统(设定3个子系统)的健康状态值分别为0.54、0.79、0.83,当各子系统可能发生故障的概率分别为83.5%、30.0%、11.3%,依据公式(1)可得,此时设备的健康状态为:
由公式(2)可得各子系统相关性,如图3所示,为本发明实施例1的各子系统相关性图(A为子系统1和2的,B为子系统1和3的,C为子系统2和3的),相关性值如表6所指示:
表6各子系统相关性值
则故障数据维度为2的各子系统的相关性矩阵为:
设子系统1为标准列,分辨系数ρ参考表4,其值选定为0.5,由公式(4)、(5)及(6)计算可得各子系统的灰色加权,如图4所示,为本发明实施例1的各子系统的灰色加权热力图,其中横竖均各代表子系统1、2、3,当选子系统1为参考时,其中数值越大,代表其与子系统1相比,重要程度越高,当然一般选择发生故障的子系统为参考。
根据公式(7)对各子系统灰色加权关联度ri进行归一化处理,则各子系统的重要程度为:
由公式(5)、(6)、(7)得到的系统健康状态、各子系统相关性以及各子系统重要度,根据公式(8)计算得SR为:
此时系统虽然所有参数均在允许范围内,但部分参数的测试数据接近或将达到阈值,劣化趋势明显,如此时各系统的健康状态值分别为0.54、0.79和0.83,虽然子系统2和3均在“健康”的状态附近,但是子系统1处于“注意”的健康状态,如不采用本发明的维修决策模型,按照传统的维修策略应将系统健康状态归为“注意”,仅实施“优先维护”的维修策略。但是,依据本发明所提出的维修决策模型,对照表5可知,系统处于“恶化”的健康状态,应实施“加强监测并尽快维护”的维修策略,两者维修策略存在差异,主要在于传统维修决策并没有考虑到CF、关联性以各子系统重要度存在差异,不能简单依据各子系统健康状态便进行维修决策。
应注意到本实验中各子系统之间的相关性较小,基本排除其对本实验结果的影响,此时子系统1虽然处于“注意”的健康状态,但其故障概率高达83.5%,其发生突发失效的概率非常大,这就导致了本发明的模型在进行维修决策时更趋于“严格”,做出实施“加强监测并尽快维护”的维修策略;若各子系统关联性较强,或重要度高的子系统故障率较高,或三者同时产生时,本发明的模型做出的维修策略也会趋向于“严格”。
同时,本发明的模型还具有从低层系统向高层系统逐级判断的能力,既能综合判断整个设备是否需要停机维修,又能依据SR迅速逐级定位出最需进行维护的部件,能有效解决SM问题,具有较强的适用性。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (10)
1.一种复杂设备的维修决策方法,其特征在于,针对的维修决策系统包含:系统级PHM、子系统级PHM和模块级PHM,其中,所述系统级PHM、子系统级PHM分别为所述子系统级PHM、模块级PHM的上层系统,所述子系统级PHM和模块级PHM均为所述系统级PHM的低层系统,所述模块级PHM包含若干传感器和机内自检装置,该维修决策方法包含:
(S100)构建健康状态修正函数:基于传统健康状态评估中得到的设备健康状态,衡量退化失效对设备发生故障的影响,得到健康状态修正函数H为:
H=[(1-p1)h1,(1-p2)h2,…,(1-pn)hn] (1)
式(1)中,pi代表每个低层系统的故障率,i=1,2,……,n;hi代表每个低层系统的健康状态,i=1,2,……,n,n为所述子系统级PHM中各子系统的数量或模块级PHM中传感器的数量;
(S200)获得设备故障中若干维度数据的相关程度:用系统级PHM工作时的输出变化,计算各子系统级PHM之间的相关程度C,采用皮尔森相关系数反应两个故障变量之间线性相关程度的统计量,其表达式为:
式(2)中,C'表示两种一维故障数据相关系数,描述两个故障变量间线性相关强弱的程度,其绝对值越大表明相关性越强;D为样本量;Xi和Yi分别表示设备两个故障变量的观测值;和分别表示Xi和Yi两个故障变量的均值;
两种故障若干维度相关程度的平均值,为:
式(3)中,C表示两种故障相关程度,k为故障数据的维度;
(S300)用系统级PHM工作时的输出变化,采用灰色关联分析衡量各子系统间重要程度,计算子系统级PHM中各子系统的重要程度I,I=[I1,I2,…,In],Ii为第i个子系统对基准指标的重要程度,i=1,2,……,n;
(S400)构建基于SR维修决策模型,为:
单层或第i级低层系统的系统风险度SR′i为:
式(8)中,n为所述子系统级PHM中各子系统的数量;SR′i为第i层系统风险度,当i=1时,SR′1为模块级PHM系统,当i=2时,SR′2为子系统级PHM系统;Cij为第i子系统与第j子系统的相关程度;Ii为第i子系统的重要程度,且
当维修决策系统存在两级以上时,计算低层系统的系统风险度SR,向上层系统逐级上传,获得复杂设备的系统风险度SR为:
式(9)中,SR′i为第i级低层系统或单层系统的系统风险度;
(S500)根据计算得到的复杂设备的系统风险度SR与设备健康状态和维修决策对应,进行维修决策。
6.根据权利要求1所述的复杂设备的维修决策方法,其特征在于,所述故障模式影响概率ρ的取值依据标准GJB1391或GB7826。
7.根据权利要求1所述的复杂设备的维修决策方法,其特征在于,所述健康状态的值参考FMECA中故障等级划分标准。
8.根据权利要求1-7中任意一项所述的复杂设备的维修决策方法,其特征在于,所述SR为0~0.2时,设备健康,维修决策为按计划状态监测并适当延长维护周期;所述SR为0.2~0.4时,设备良好,维修决策为按计划进行监测和维护;所述SR为0.4~0.6时,设备需注意,维修决策为加强监测并优先维护;所述SR为0.6~0.8时,设备恶化,维修决策为加强监测并尽快维护;所述SR为0.8~1时,设备疾病,维修决策为立即进行维修。
9.一种维修决策系统,其特征在于,该系统包含:系统级PHM、子系统级PHM和模块级PHM,其中,所述系统级PHM、子系统级PHM分别为所述子系统级PHM、模块级PHM的上层系统,所述子系统级PHM和模块级PHM均为所述系统级PHM的低层系统,所述模块级PHM包含若干传感器和机内自检装置;该系统采用如权利要求1-8中任意一项所述的方法作出维修决策。
10.一种基于SR维修决策模型,其特征在于,该基于SR维修决策模型针对如权利要求9所述的维修决策系统,用于对故障设备作出维修决策,为:
单层或第i级低层系统的系统风险度SR′i为:
式(8)中,I为子系统级PHM中各子系统的重要程度,C表示两种故障相关程度,H表示健康状态修正函数;n为子系统级PHM中各子系统的数量;Cij为第i子系统与第j子系统的相关程度;Ii为第i子系统的重要程度,且SR′i为第i层系统风险度,当i=1时,SR′1为模块级PHM系统,当i=2时,SR′2为子系统级PHM系统;
当维修决策系统存在两级以上时,计算低层系统的系统风险度SR,向上层系统逐级上传,获得复杂设备的系统风险度SR为:
式(9)中,SR′i为第i级低层系统或单层系统的系统风险度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010688691.4A CN111815001B (zh) | 2020-07-16 | 2020-07-16 | 一种复杂设备的维修决策系统及方法和应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010688691.4A CN111815001B (zh) | 2020-07-16 | 2020-07-16 | 一种复杂设备的维修决策系统及方法和应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111815001A true CN111815001A (zh) | 2020-10-23 |
CN111815001B CN111815001B (zh) | 2022-11-25 |
Family
ID=72865969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010688691.4A Active CN111815001B (zh) | 2020-07-16 | 2020-07-16 | 一种复杂设备的维修决策系统及方法和应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815001B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113359639A (zh) * | 2021-06-23 | 2021-09-07 | 浙江安防职业技术学院 | 基于安全检测机器人的工厂设备监控方法及系统 |
CN116976862A (zh) * | 2023-09-20 | 2023-10-31 | 山东国研自动化有限公司 | 一种工厂设备信息化管理系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180232707A1 (en) * | 2017-02-10 | 2018-08-16 | Aerostrat Corporation | Vehicle maintenance scheduling systems and methods |
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 |
CN111123893A (zh) * | 2019-12-28 | 2020-05-08 | 中国人民解放军空军工程大学 | 一种基于坐标变换的时变随机系统事件触发故障检测方法 |
CN111160685A (zh) * | 2019-09-23 | 2020-05-15 | 上海安恪企业管理咨询有限公司 | 一种基于设备综合健康状况分析和管理的维修决策方法 |
-
2020
- 2020-07-16 CN CN202010688691.4A patent/CN111815001B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180232707A1 (en) * | 2017-02-10 | 2018-08-16 | Aerostrat Corporation | Vehicle maintenance scheduling systems and methods |
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 |
CN111160685A (zh) * | 2019-09-23 | 2020-05-15 | 上海安恪企业管理咨询有限公司 | 一种基于设备综合健康状况分析和管理的维修决策方法 |
CN111123893A (zh) * | 2019-12-28 | 2020-05-08 | 中国人民解放军空军工程大学 | 一种基于坐标变换的时变随机系统事件触发故障检测方法 |
Non-Patent Citations (10)
Title |
---|
XUE-ZHI LV; YONG-LI YU; LIU ZHANG; YUN-FU LIU; LI-YONG CHEN: ""Stochastic program for selective maintenance decision considering diagnostics uncertainty of built-in test equipment"", <2011 INTERNATIONAL CONFERENCE ON QUALITY, RELIABILITY, RISK, MAINTENANCE, AND SAFETY ENGINEERING> * |
孙志刚等: "一种考虑任务的维修专业组合优化模型", 《装备学院学报》 * |
张强等: ""基于FMECA的火车转向架侧架故障模式分析"", 《铁道机车车辆》 * |
杜尊峰等: "基于灰色理论的海上风电机组齿轮箱故障模式及影响分析", 《水利水电技术》 * |
杨森: "基于视情维修的电子装备PHM体系结构分析", 《计算机科学》 * |
汪凌: "《煤矿生产系统危险源辨识评价、风险预警及安全控制》", 30 November 2018 * |
王林秋等: ""基于PHM的复杂机电系统健康管理技术研究"", 《计算机测量与控制》 * |
裴大茗等: "船舶PHM技术综述", 《电子测量与仪器学报》 * |
郑燕霞等: "《数学实验》", 30 September 2019 * |
马飒飒等: "复杂装备故障预测与健康管理系统初探", 《计算机测量与控制》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113359639A (zh) * | 2021-06-23 | 2021-09-07 | 浙江安防职业技术学院 | 基于安全检测机器人的工厂设备监控方法及系统 |
CN116976862A (zh) * | 2023-09-20 | 2023-10-31 | 山东国研自动化有限公司 | 一种工厂设备信息化管理系统及方法 |
CN116976862B (zh) * | 2023-09-20 | 2024-01-02 | 山东国研自动化有限公司 | 一种工厂设备信息化管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111815001B (zh) | 2022-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Frangopol et al. | Life-cycle of structural systems: recent achievements and future directions | |
US11922335B2 (en) | Method and system for evaluating macro resilience of offshore oil well control equipment | |
Liu et al. | A finite-horizon condition-based maintenance policy for a two-unit system with dependent degradation processes | |
Gattulli et al. | Condition assessment by visual inspection for a bridge management system | |
CN111815001B (zh) | 一种复杂设备的维修决策系统及方法和应用 | |
CN115034578A (zh) | 一种基于数字孪生的水工金属结构设备智能管理构建方法及系统 | |
Duan et al. | Condition-based maintenance for ship pumps subject to competing risks under stochastic maintenance quality | |
CN107862763B (zh) | 列车安全预警评估模型训练方法、模块及监测评估系统 | |
Yang et al. | A novel multi-information fusion grey model and its application in wear trend prediction of wind turbines | |
Cao | Modeling the effects of dependence between competing failure processes on the condition-based preventive maintenance policy | |
CN117114454B (zh) | 一种基于Apriori算法的直流套管状态评估方法及系统 | |
Fu et al. | nSIL evaluation and sensitivity study of diverse redundant structure | |
KR102185017B1 (ko) | 가스공급시설 정보관리 및 예지보전 통합 시스템 | |
CN117454771A (zh) | 一种基于评估及预测信息的机械装备动态维护决策方法 | |
Tu et al. | Predicting the operation and maintenance costs of condominium properties in the project planning phase: An artificial neural network approach | |
Yang et al. | A Theoretical Framework for Risk–Cost-Optimized Maintenance Strategy for Structures | |
Chen et al. | BIM-and IoT-Based Data-Driven Decision Support System for Predictive Maintenance of Building Facilities | |
Frangopol | Life-cycle performance, management, and optimisation of structural systems under uncertainty: accomplishments and challenges 1 | |
Lin et al. | A new function-topology-based method for assessing passive safety of mechatronics systems | |
CN112101797A (zh) | 一种复杂工业系统动态故障诊断方法及系统 | |
Hao et al. | Review on Verification and Validation technology in integrated health management system | |
Wu et al. | Failure mode division and remaining useful life prognostics of multi-indicator systems with multi-fault | |
Dahia et al. | A dynamic approach for maintenance evaluation and optimization of multistate system | |
CN117574303B (zh) | 施工状况的监测预警方法、装置、设备及存储介质 | |
Zhang et al. | Data Cleaning for Prediction and its Evaluation of Building Energy Consumption |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |