CN112084598B - 一种离心泵叶轮可再制造性评估方法 - Google Patents
一种离心泵叶轮可再制造性评估方法 Download PDFInfo
- Publication number
- CN112084598B CN112084598B CN202010941278.4A CN202010941278A CN112084598B CN 112084598 B CN112084598 B CN 112084598B CN 202010941278 A CN202010941278 A CN 202010941278A CN 112084598 B CN112084598 B CN 112084598B
- Authority
- CN
- China
- Prior art keywords
- evaluation
- centrifugal pump
- pump impeller
- failure
- remanufacturing
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D29/00—Details, component parts, or accessories
- F04D29/18—Rotors
- F04D29/22—Rotors specially for centrifugal pumps
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Mechanical Engineering (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
- Control Of Non-Positive-Displacement Pumps (AREA)
Abstract
本发明涉及废旧零部件再利用技术领域,具体为一种离心泵叶轮可再制造性评估方法,包括:基本信息获取步骤,获取离心泵叶轮的基本信息;检测数据获取步骤,获取离心泵叶轮的检测数据;评估步骤,根据离心泵叶轮的基本信息和检测数据对离心泵叶轮的再制造性进行评估;所述评估步骤包括技术可行性评估步骤、经济评估步骤以及再服役性能评估步骤,结论生成步骤,根据评估步骤的评估结果,生成评估报告。本申请的一种离心泵叶轮可再制造性评估方法,能够准确快速对废旧离心泵叶轮进行可再制造性进行评估,可以降低评价所花费的时间成本和经济成本,有利于提高再制造效率与成功率。
Description
技术领域
本发明涉及废旧零部件再利用技术领域,具体为一种离心泵叶轮可再制造性评估方法。
背景技术
离心泵设备是将原动机的机械能转换成流体介质的动能,以实现流体介质输送或使其增压的机械装置,被喻为现代工业的心脏。被广泛应用于矿山、有色金属、黑色金属、煤化工、石油石化、电力、市政、核工业及国防等领域。由于服役工况复杂、多变以及恶劣,离心泵叶轮、泵轴等核心零部件在运行过程中要受到气蚀、磨蚀、腐蚀等作用,用久了以后会出现失效的问题。如果采取有效的修复及再制造等措施,则可以减少或避免价值巨大的泵类设备核心零部件失效所造成的损失,每年可为泵类设备应用企业节约数百亿元。
在对离心泵叶轮再制造之前需要评价其可再制造性,以判断其再制造价值的大小及其能否被再制造。但是由于其服役工况的不同,失效形式不同,导致每个零部件的损伤程度不同,失效过程的演变规律不明确。企业工程师单靠工程经验进行定性评价,无法获得准确的评价结果,容易造成资源、经济、时间的多重浪费。
发明内容
本发明意在提供一种离心泵叶轮可再制造性评估方法,能够准确快速对废旧离心泵叶轮进行可再制造性进行评估,可以降低评价所花费的时间成本和经济成本,有利于提高再制造效率与成功率。
本申请提供如下技术方案:
一种离心泵叶轮可再制造性评估方法,包括:
基本信息获取步骤,获取离心泵叶轮的基本信息;
检测数据获取步骤,获取离心泵叶轮的检测数据;
评估步骤,根据离心泵叶轮的基本信息和检测数据对离心泵叶轮的再制造性进行评估;
结论生成步骤,根据评估步骤的评估结果,生成评估报告。
进一步,所述评估步骤包括:
技术可行性评估步骤,根据检测数据,采用模糊综合评估法计算离心泵叶轮的技术可行性指数,判断技术可行性指数是否在预设范围内,若是则执行下一步,若否则判定离心泵叶轮不可修复,执行结论生成步骤;
经济评估步骤,根据离心泵叶轮的基本信息和检测数据计算离心泵叶轮修复所需的制造成本以及制造周期,判断制造成本以及制造周期是否在预设范围内,若是,则执行下一步,若否,则判定离心泵叶轮不可修复,执行结论生成步骤;
再服役性能评估步骤,根据检测数据,采用模糊综合评估法计算离心泵叶轮的再服役性能指数,根据再服役性能指数判断再服役性能是否合格。
进一步,所述检测数据包括几何测量数据、精度测量数据、失效特征数据,失效特征数据包括失效位置、失效形状、失效面积、失效程度以及失效形式,失效程度划分若干等级,每个等级设有对应的评价分值;所述技术可行性评估步骤包括:
判断失效形式是否为可修复失效形式,若是则执行下一步,若否则判定离心泵叶轮不可修复,结束技术可行性评估步骤;
根据离心泵叶轮的基本信息和检测数据,生成每种失效形式对应的失效程度的评价结果;
根据以下公式得到每一种失效形式对应的再加工评价指数:
μi=1-F·AT
其中,F=[f1,f2,f3,…,fn],表示N个失效等级对应的评价分值,A=[a1,a2,a3,…,an],表示当前失效形式的评价结果,an表示当前失效形式的失效等级为N等级的概率,i表示当前失效形式;
根据μ=μ1·μ2·…·μi得到技术可行性指数;
判断技术可行性指数是否在预设阈值范围内,若是,则判定当前离心泵叶轮再制造在技术上可行,继续执行经济评估步骤;若否,则判定当前离心泵叶轮再制造在技术上不可行,执行结论生成步骤。
进一步,所述经济评估步骤包括:
成本可行性评估步骤:
计算离心泵叶轮再制造的再制造成本,所述制造成本包括原料成本、设备折旧成本、人力成本以及其他成本;
获取同型号离心泵叶轮新品的制造成本;
计算再制造成本与制造成本的比值,判断比值是否在预设范围内,若是则继续执行下一步,若否则执行结论生成步骤。
进一步,所述经济评估步骤还包括:
周期可行性评估步骤:
计算离心泵叶轮的再制造周期;
获取同型号离心泵叶轮新品的制造周期;
计算再制造周期与制造周期的比值,判断比值是否在预设范围内,若是则继续执行下一步,若否则执行结论生成步骤。
进一步,所述再服役性能评估步骤包括:
获取N个再服役性能影响因素的评价集;
根据评价集得到单因素评价结果R1,R2,R3,…,Rn,根据单因素评价结果得到模糊关系矩阵:
利用模糊合成算子将N个再服役性能影响因素的权重矢量与模糊关系矩阵合成模糊综合评价结果矢量:
其中,A=(a1,a2,a3,…,an),表示N个再服役性能影响因素的权重矢量;
利用最大隶属度原则对模糊综合评价结果分析,评估再服役性能合格或者不合格。
进一步,结论生成步骤包括:
报告生成步骤,根据技术可行性评估步骤、经济评估步骤以及再服役性能评估步骤评估过程和评估结果生成评估报告。
进一步,结论生成步骤还包括:
再制造建议生成步骤:
根据离心泵叶轮基本信息和检测数据再历史数据库中匹配相似再制造记录;
根据匹配结果选取相似度最接近的再制造记录中的再制造过程作为再制造建议加入到评估报告中。
进一步,信息获取步骤包括信息录入步骤,所述基本信息包括生产数据和使用数据,所述信息录入步骤根据输入设备的信号录入基本信息。
进一步,所述基本信息包括追溯信息,信息获取步骤还包括信息追溯步骤,所述信息追溯步骤用于根据追溯信息连接追溯平台获取追溯数据,并根据追溯数据完善基本信息。
本发明技术方案的有益效果为:
本发明技术方案可以快速的帮助回收厂商对废旧离心泵叶轮再制造性做出准确的评估。基于技术、经济以及再制造后性能等三个方面的进行预测和评估,具有误差小、速度快的优点。对回收厂商后续的再制造修复具有重要的指导意义,可以降低企业成本,提高生产效率。
附图说明
图1为本申请一种离心泵叶轮可再制造性评估方法实施例中的流程图。
具体实施方式
下面通过具体实施方式对本申请技术方案进行进一步详细说明:
实施例一
如图1所示,本实施例的一种离心泵叶轮可再制造性评估方法一种离心泵叶轮可再制造性评估方法,包括:
基本信息获取步骤,获取离心泵叶轮的基本信息;信息获取步骤包括信息录入步骤,基本信息包括生产数据和使用数据,信息录入步骤根据输入设备的信号录入基本信息。生产数据包括服役产品、产品型号、生产厂家、生产日期、理论寿命等,使用数据包括工作环境、服役时间、维修历史、使用厂家等。通过基础信息便于回收厂商对废旧离心泵叶轮的情况进行初步掌控,利于后续工作的开展。
检测数据获取步骤,获取离心泵叶轮的检测数据;检修人员根据对废旧离心泵叶轮情况的初步掌控,利用相应的检测技术和检修设备,对废旧离心泵叶轮进行技术性检测,检测其关键性参数并上传平台系统中,在本实施例的检测中,包括对废旧离心泵叶轮的外部与内部进行检测,外部检测通过简单的观测法、量具检测进行检测,内部检测通过PT,MT,CT,超声波检测等无损检测方法对其检测。无损检测技术是指在不损害或不影响被检测对象使用性能,不伤害被检测对象内部组织的前提下,利用材料内部结构异常或缺陷存在引起的热、声、光、电、磁等反应的变化,以物理或化学方法为手段,借助现代化的技术和设备器材,对试件内部及表面的结构、性质、状态及缺陷的类型、性质、数量、形状、位置、尺寸、分布及其变化进行检查和测试的方法。
检测数据包括:几何测量数据、精度测量数据以及失效特征数据。所述几何测量数据包括外形尺寸、形状特征;精度测量数据包括尺寸精度、表面粗糙度、直线度等形位与形状特征;失效特征数据包括失效位置、失效形状、失效面积、失效程度、失效形式;失效程度划分若干等级,每个等级设有对应的评价分值;本实施中,失效程度包括基本无失效、轻微失效、一般失效、中度失效、重度失效五个等级。失效形式包括磨损、腐蚀、疲劳断裂、变形。
评估步骤,根据离心泵叶轮的基本信息和检测数据对离心泵叶轮的再制造性进行评估。本实施例中,评估步骤包括:技术可行性评估步骤,经济评估步骤以及再服役性能评估步骤。
技术可行性评估步骤,根据检测数据,采用模糊综合评估法计算离心泵叶轮的技术可行性指数,判断技术可行性指数是否在预设范围内,若是则执行下一步,若否则判定离心泵叶轮不可修复,执行结论生成步骤;
经济评估步骤,根据离心泵叶轮的基本信息和检测数据计算离心泵叶轮修复所需的制造成本以及制造周期,判断制造成本以及制造周期是否在预设范围内,若是,则执行下一步,若否,则判定离心泵叶轮不可修复,执行结论生成步骤;
再服役性能评估步骤,根据检测数据,采用模糊综合评估法计算离心泵叶轮的再服役性能指数,根据再服役性能指数判断再服役性能是否合格。
具体的,技术可行性评估步骤包括:
判断失效形式是否为可修复失效形式,若是则执行下一步,若否则判定离心泵叶轮不可修复,结束技术可行性评估步骤;目前,对于疲劳断裂与变形的叶轮,尚无法采取先进制造技术对其修复,因此这两类的失效形式为不可修复的失效形式,其他的失效形式为可修复失效形式。
根据离心泵叶轮的基本信息和检测数据,生成每种失效形式对应的失效程度的评价结果;
根据以下公式得到一种失效形式对应的再加工评价指数:
μi=1-F·AT
其中,i表示当前失效形式,μi表示失效形式为i的情况对应的再加工评价指数,F=[f1,f2,f3,f4,f5],表示五个失效等级对应的评价分值,A=[a1,a2,a3,a4,a5],表示当前失效形式的评价结果;本实施例中,采用多轮评估法(假设N轮评估),[a1,a2,a3,a4,a5]中表示对应的隶属度,nan表示选择第n种评价结果的评估结果数量。
对于废旧离心泵叶轮,是多种失效耦合的,因此,根据μ=μ1·μ2·…·μi得到技术可行性指数;
判断技术可行性指数是否在预设阈值范围内,本实施例中,阈值范围为大于等于0.5,若是(μ≥0.5),则判定当前离心泵叶轮再制造在技术上可行,继续执行经济评估步骤;若否(μ<0.5),则判定当前离心泵叶轮再制造在技术上不可行,执行结论生成步骤。
经济评估步骤包括:
成本可行性评估步骤:
计算离心泵叶轮再制造的再制造成本,制造成本包括原料成本、设备折旧成本、人力成本以及其他成本。
获取同型号离心泵叶轮新品的制造成本,本实施例中,通过第三方平台收集不同渠道、不同商家针对同型号离心泵叶轮芯片的成本。
计算再制造成本与制造成本的比值,判断比值是否在预设范围内,若是则继续执行下一步,若否则执行结论生成步骤,本实施例中,比值阈值为小于等于60%,即再制造成本小于等于新品成本的60%时,认为离心泵叶轮再制造在成本上具有可行性。
经济评估步骤还包括:
周期可行性评估步骤:
计算离心泵叶轮的再制造周期;本实施中,再制造周期从前期产品拆卸开始计算,直到废旧叶轮尺寸与性能完全恢复。
获取同型号离心泵叶轮新品的制造周期;
计算再制造周期与制造周期的比值,判断比值是否在预设范围内,若是则继续执行下一步,若否则执行结论生成步骤。本实施例中,比值为1,即再制造周期小于等于新品制造周期,即认为具有周期可行性。
再服役性能评估步骤包括:
获取N个再服役性能影响因素的评价集;本实施例,再服役性能影响因素包括耐磨性、耐腐蚀性、强度、抗气蚀性、动平衡性五个方面,各个影响因素的权重构成的权重矢量为A=[a1,a2,a3,a4,a5],每个再服役性能影响因素的评价结果为合格或者不合格,本实施例中,系统获取N次评价结果,评价集为V=[v1,v2],中表示对应的隶属度,nvi表示为选择第i种评价结果的评价数量。
根据评价集得到单因素评价结果R1,R2,R3,R4,R5,根据单因素评价结果得到模糊关系矩阵:
利用模糊合成算子将五个再服役性能影响因素的权重矢量与模糊关系矩阵合成模糊综合评价结果矢量:
其中,A=(a1,a2,a3,a4,a5),表示五个再服役性能影响因素的权重矢量;
利用最大隶属度原则对模糊综合评价结果分析,评估再服役性能合格或者不合格。
结论生成步骤,根据评估步骤的评估结果,生成评估报告。结论生成步骤包括报告生成步骤,根据技术可行性评估步骤、经济评估步骤以及再服役性能评估步骤评估过程和评估结果生成评估报告,评估报告可以通过客户端、网页等方式查看,也可以以WORD文档,EXCEL表格等方式进行存储,便于回收厂商查阅。
实施例二
本实施例和实施例一的区别在于,本实施例中,采集基于人工智能的方式进行技术评估,具体的,包括BP神经网络模块,用于根据检测数据,生成技术可行性指数。BP神经网络模块包括BP神经网络模型,BP神经网络模块使用BP神经网络技术来对离心泵叶轮的失效等级进行判定并生成再加工评价指数,具体的首先构建一个三层的BP神经网络模型,包括输入层、隐层和输出层,本实施例中,以尺寸精度、表面粗糙度、形位及形状特征、失效位置、失效形状、失效面积、失效形式作为输入层的输入,因此输入层有7个节点,而输出是对失效等级和再加工评价指数的预测,因此共有2个节点;针对于隐层,本实施例使用了以下公式来确定隐层节点的数量:其中l为隐层的节点数,n为输入层的节点数,m为输出层的节点数,a为1至10之间的一个数,本实施例中取为6,因此隐层共有9个节点。BP神经网络通常采用Sigmoid可微函数和线性函数作为网络的激励函数。本文选择S型正切函数tansig作为隐层神经元的激励函数。预测模型选取S型对数函数tansig作为输出层神经元的激励函数。在BP网络模型构建完毕后,利用历史数据库中的再制造记录作为样本对模型进行训练,通过再制造记录训练完成后得到的模型可以取得较为准确的评定结果,如果离心泵叶轮涉及多种失效耦合,则根据μ=μ1·μ2·…·μi得到技术可行性指数,μi表示失效形式为i的情况对应的再加工评价指数。
实施例三
本实施例和实施例二的区别在于,本实施例中,采集基于人工智能的方式进行再服役性能评估步骤,与技术评估相同,也采用BP神经网络模块,根据检测数据,生成再服役性能预测结果。本实施例中,以尺寸精度、表面粗糙度、形位及形状特征、失效位置、失效形状、失效面积、失效形式作为输入层的输入,因此输入层有7个节点,而输出是对再服役性能的预测,因此共有1个节点;因此隐层共有8个节点。激励函数的选取与实施例二相同。在BP网络模型构建完毕后,利用历史数据库中的再制造记录以及再制造后的检测结果作为样本对模型进行训练,训练完成后得到的模型可以取得较为准确的预测结果。
实施例四
本实施例与实施例一的区别在于,本实施例中,结论生成步骤还包括再制造建议生成步骤:
根据离心泵叶轮基本信息和检测数据再历史数据库中匹配相似再制造记录;
根据匹配结果选取相似度最接近的再制造记录中的再制造过程作为再制造建议加入到评估报告中。本实施中,针对各个离心泵叶轮的再制造过程均会形成再制造记录进行存储和保存,再制造记录中包括离心泵叶轮的基本信息、检测数据、评估数据、再制造过程以及再制造后的检测数据等,生成再制造建议是,根据离心叶轮泵的基本信息以及检测数据,匹配与当前离心叶轮泵情况最为接近的再制造记录,具体的,本实施中,首先针对检测数据的各项数据按照不同的权重计算出检测数据相似度,并按照检测数据相似度进行排序,选出最相似的前五个再制造记录,再针对选出的再制造记录进行基础数据相似度评分,按照不同权重对基础数据的各项数据进行相似度计算,得到基础数据相似度评分,并选出基础数据相似度评分最高的再制造记录,将其再制造过程作为再制造建议加入到评估报告中。
实施例五
基本信息包括追溯信息,信息获取步骤还包括所述信息追溯步骤,所述信息追溯步骤用于根据追溯信息连接追溯平台获取追溯数据,并根据追溯数据完善基本信息。
信息追溯步骤包括:
获取追溯码,获取离心泵叶轮的追溯编码;
登录追溯账号,所述追溯账号为追溯平台认证过的账号;
通过追溯账号向追溯平台发送追溯信息请求,追溯信息请求包括追溯编码;
追溯平台根据追溯信息请求查找对应的追溯信息,同时根据追溯账号、时间等信息形成追溯查询记录保存至追溯信息中;所述追溯信息包括产品从制造到使用过程中的全部数据,如制造数据、经销商流转数据(出库、入库等)、使用数据、再制造数据、追溯查询记录数据等,每一方(制造商、经销商、使用方、再制造商家)在查询追溯信息后,可以通过相关账号进行追溯信息的录入。本发明技术方案中,通过追溯平台,可以方便系统快速获取离心泵叶轮的相关数据,这些数据均由追溯平台提供,数据全面且真实准确,可以减少信息获取步骤中手动录入的信息,进而保证再制造评估的数据的准确性;追溯平台保存追溯查询记录数据。同时用户可以得知产品被哪些机构查询过,进而可以得知产品的流转过程判断是否为再制造产品,避免无法分辨再制造产品与新品问题。
以上的仅是本发明的实施例,该发明不限于此实施案例涉及的领域,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (5)
1.一种离心泵叶轮可再制造性评估方法,其特征在于:包括:
基本信息获取步骤,获取离心泵叶轮的基本信息;
检测数据获取步骤,获取离心泵叶轮的检测数据;
评估步骤,根据离心泵叶轮的基本信息和检测数据对离心泵叶轮的再制造性进行评估;
结论生成步骤,根据评估步骤的评估结果,生成评估报告;
所述评估步骤包括:
技术可行性评估步骤,根据检测数据,采用模糊综合评估法计算离心泵叶轮的技术可行性指数,判断技术可行性指数是否在预设范围内,若是则执行下一步,若否则判定离心泵叶轮不可修复,执行结论生成步骤;
经济评估步骤,根据离心泵叶轮的基本信息和检测数据计算离心泵叶轮修复所需的制造成本以及制造周期,判断制造成本以及制造周期是否在预设范围内,若是,则执行下一步,若否,则判定离心泵叶轮不可修复,执行结论生成步骤;
再服役性能评估步骤,根据检测数据,采用模糊综合评估法计算离心泵叶轮的再服役性能指数,根据再服役性能指数判断再服役性能是否合格;
所述检测数据包括几何测量数据、精度测量数据、失效特征数据,失效特征数据包括失效位置、失效形状、失效面积、失效程度以及失效形式,失效程度划分若干等级,每个等级设有对应的评价分值;所述技术可行性评估步骤包括:
判断失效形式是否为可修复失效形式,若是则执行下一步,若否则判定离心泵叶轮不可修复,结束技术可行性评估步骤;
根据离心泵叶轮的基本信息和检测数据,生成每种失效形式对应的失效程度的评价结果;
根据公式一得到每一种失效形式对应的再加工评价指数:
公式一:μi=1-F·AT
公式一中,F=[f1,f2,f3,…,fn],表示N个失效等级对应的评价分值,A=[a1,a2,a3,…,an],表示当前失效形式的评价结果,an表示当前失效形式的失效等级为N等级的概率,i表示当前失效形式;
根据μ=μ1·μ2·…·μi得到技术可行性指数;
判断技术可行性指数是否在预设阈值范围内,若是,则判定当前离心泵叶轮再制造在技术上可行,继续执行经济评估步骤;若否,则判定当前离心泵叶轮再制造在技术上不可行,执行结论生成步骤;
所述经济评估步骤包括:
成本可行性评估步骤:
计算离心泵叶轮再制造的再制造成本,所述制造成本包括原料成本、设备折旧成本、人力成本以及其他成本;
获取同型号离心泵叶轮新品的制造成本;
计算再制造成本与制造成本的比值,判断比值是否在预设范围内,若是则继续执行下一步,若否则执行结论生成步骤;
所述经济评估步骤还包括:
周期可行性评估步骤:
计算离心泵叶轮的再制造周期;
获取同型号离心泵叶轮新品的制造周期;
计算再制造周期与制造周期的比值,判断比值是否在预设范围内,若是则继续执行下一步,若否则执行结论生成步骤;
所述再服役性能评估步骤包括:
获取N个再服役性能影响因素的评价集;
根据评价集得到单因素评价结果R1,R2,R3,…,Rn,根据单因素评价结果得到模糊关系矩阵:
利用模糊合成算子将N个再服役性能影响因素的权重矢量与模糊关系矩阵合成模糊综合评价结果矢量:
公式二中,A=(a1,a2,a3,…,an),表示N个再服役性能影响因素的权重矢量;
利用最大隶属度原则对模糊综合评价结果分析,评估再服役性能合格或者不合格。
2.根据权利要求1所述的一种离心泵叶轮可再制造性评估方法,其特征在于:结论生成步骤包括:
报告生成步骤,根据技术可行性评估步骤、经济评估步骤以及再服役性能评估步骤评估过程和评估结果生成评估报告。
3.根据权利要求2所述的一种离心泵叶轮可再制造性评估方法,其特征在于:结论生成步骤还包括:
再制造建议生成步骤:
根据离心泵叶轮基本信息和检测数据再历史数据库中匹配相似再制造记录;
根据匹配结果选取相似度最接近的再制造记录中的再制造过程作为再制造建议加入到评估报告中。
4.根据权利要求3所述的一种离心泵叶轮可再制造性评估方法,其特征在于:信息获取步骤包括信息录入步骤,所述基本信息包括生产数据和使用数据,所述信息录入步骤根据输入设备的信号录入基本信息。
5.根据权利要求4所述的一种离心泵叶轮可再制造性评估方法,其特征在于:所述基本信息包括追溯信息,信息获取步骤还包括信息追溯步骤,所述信息追溯步骤用于根据追溯信息连接追溯平台获取追溯数据,并根据追溯数据完善基本信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010941278.4A CN112084598B (zh) | 2020-09-09 | 2020-09-09 | 一种离心泵叶轮可再制造性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010941278.4A CN112084598B (zh) | 2020-09-09 | 2020-09-09 | 一种离心泵叶轮可再制造性评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112084598A CN112084598A (zh) | 2020-12-15 |
CN112084598B true CN112084598B (zh) | 2022-08-19 |
Family
ID=73732195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010941278.4A Active CN112084598B (zh) | 2020-09-09 | 2020-09-09 | 一种离心泵叶轮可再制造性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112084598B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116029137B (zh) * | 2023-02-01 | 2023-06-16 | 燕山大学 | 一种工程机械液压油缸退役产品再制造评估方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182503A (zh) * | 2017-09-30 | 2018-06-19 | 上海众深科技股份有限公司 | 一种工业用离心泵的质量评价方法及其设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001357171A (ja) * | 2000-06-12 | 2001-12-26 | Ricoh Co Ltd | 再生産製品の環境負荷評価方法及び装置及び記録媒体 |
CN103838931B (zh) * | 2014-03-10 | 2017-08-29 | 太原科技大学 | 一种工程机械臂架类结构再制造准入期评估方法 |
CN104656620A (zh) * | 2015-01-21 | 2015-05-27 | 清华大学 | 重型机床再制造综合评价系统 |
CN106447047B (zh) * | 2016-01-17 | 2021-09-21 | 沈阳工业大学 | 一种废旧机床可回收质量评估方法 |
CN108960443B (zh) * | 2018-06-26 | 2020-10-13 | 武汉科技大学 | 一种废旧零部件再制造评估系统及方法 |
-
2020
- 2020-09-09 CN CN202010941278.4A patent/CN112084598B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182503A (zh) * | 2017-09-30 | 2018-06-19 | 上海众深科技股份有限公司 | 一种工业用离心泵的质量评价方法及其设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112084598A (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106444703B (zh) | 基于故障模式发生概率的动设备运行状态模糊评价及预测方法 | |
CN109783906A (zh) | 一种管道内检测漏磁数据智能分析系统及方法 | |
RU2533321C1 (ru) | Способ адаптивного прогнозирования остаточного ресурса эксплуатации сложных объектов и устройство для его осуществления | |
CN105051527A (zh) | 疲劳破坏预测和结构完整性评定的无损检测的嵌入式缺陷的概率建模和尺寸测定 | |
Hamrol et al. | Quality inspection planning within a multistage manufacturing process based on the added value criterion | |
CN112084598B (zh) | 一种离心泵叶轮可再制造性评估方法 | |
CN109034483A (zh) | 一种基于质量功能配置的检测规划方法 | |
CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
CN112597642A (zh) | 一种基于金属检验的高温集箱状态评估方法 | |
Ke et al. | An integrated design method for remanufacturing process based on performance demand | |
Mishra et al. | A circularity-based quality assessment tool to classify the core for recovery businesses | |
CN106950922A (zh) | 基于二级实例推理的废旧零部件再制造工艺决策方法 | |
Tan et al. | Life extension and repair decision-making of ageing offshore platforms based on DHGF method | |
CN111626646B (zh) | 一种装备完好性检查信息融合方法 | |
CN111882238A (zh) | 基于云模型和eahp的门座起重机结构健康评估方法 | |
Edward et al. | Predicting the Fatigue Life of a Ball Joint | |
CN113642822B (zh) | 用于评估建筑群结构安全的基于vae的样本集指向性扩展法 | |
Al Rashdan et al. | Development of a Technology Roadmap for Online Monitoring of Nuclear Power Plants | |
El Mahdi et al. | Real Time Assessment of Novel Predictive Maintenance System Based on Artificial Intelligence for Rotating Machines. | |
CN112966449B (zh) | 基于变量选择和概率神经网络的制造过程质量缺陷根源诊断方法 | |
Witjaksana et al. | Efficiency as a variable intervening in activity based management of change order and economic value added to improve project cost performance on building construction | |
Bufardi et al. | Generation of design knowledge from product life cycle data | |
CN115981255A (zh) | 一种钢结构试验平台的性能监测方法及系统 | |
Wang et al. | Irregular Defect Size Estimation for the Magnetic Flux Leakage Detection System via Expertise-Informed Collaborative Network | |
XU et al. | Classification method of production system equipment importance based on grey correlation interval AHP-Entropy method |
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 |