CN112328875A

CN112328875A - 一种基于大数据的设备智能维修方案推荐方法

Info

Publication number: CN112328875A
Application number: CN202011192069.0A
Authority: CN
Inventors: 杨玉洁; 薛劲松; 赵亚东; 吴宗玲; 孙永雯; 李圣武
Original assignee: Beijing Research Institute of Precise Mechatronic Controls
Current assignee: Beijing Research Institute of Precise Mechatronic Controls
Priority date: 2020-10-30
Filing date: 2020-10-30
Publication date: 2021-02-05
Anticipated expiration: 2040-10-30
Also published as: CN112328875B

Abstract

一种基于大数据的设备智能维修方案推荐方法，对于当前发生故障的设备，基于设备匹配与维修方案频次对已有的维修方案进行过滤，筛选最优的维修方案；如果没有，则基于方案评估与方案属性修正误差对用户的维修操作集合进行筛选，得到最优操作集合，如果没有，则基于权重修正方法对相似设备进行搜索，筛选出与当前发生故障的设备相似度最高的设备作为同型号设备。当某个设备故障时，本发明根据各个设备之间的关联关系，能够对相关联的设备进行故障预警。本发明在已有数据的基础上给出一系列优化的推荐方法，从而对设备的维修维保等管理进行指导，大大缩短了人工培养周期与设备管理成本。

Description

一种基于大数据的设备智能维修方案推荐方法

技术领域

本发明涉及一种基于大数据的设备智能维修方案推荐方法，属于工业设备管理领域。

背景技术

传统工业生产领域，许多企业的设备管理现状仍然是传统的纸质报告单交接，信息系统仅提供了简单的报告打印功能，设备的管理仍依赖于人工。在设备维保维修过程中的处理方案，大部分是依靠有经验的维修工进行判断处理，由于上述原因，设备维保成本及专业维修工的培养周期相对较长。

发明内容

本发明的技术解决问题是：克服现有技术的不足，提供一种基于大数据的设备智能维修方案推荐方法。

本发明的技术解决方案是：

一种基于大数据的设备智能维修方案推荐方法，步骤如下：

步骤一、对于当前发生故障的设备，基于设备匹配与维修方案频次对已有的维修方案进行过滤，筛选最优的维修方案，推荐给用户，结束；如果没有找到最优的维修方案，则进入步骤二；

步骤二、基于方案评估与方案属性修正误差对用户的维修操作集合进行筛选，得到最优操作集合，推荐给用户，结束；如果没有找到最优的操作集合，则进入步骤三；

步骤三、若当前发生故障的设备为新设备，则基于权重修正方法对相似设备进行搜索，筛选出与当前发生故障的设备相似度最高的设备作为同型号设备，再基于设备匹配与维修方案频次对已有的维修方案进行协同过滤，筛选最优的维修方案，推荐给用户，结束。

所述步骤一中，基于设备匹配与维修方案频次对已有的维修方案进行过滤，筛选最优的维修方案的实现方法如下：

(1.1)对同型号设备的历史故障类型及故障维修方案进行统计并列表标识，同时对于每个故障类型的各种故障维修方案进行频次统计；

(1.2)确定当前发生故障的设备的故障类型；

(1.3)计算该故障类型下各故障维修方案的发生频率，并按从高到底进行排序,形成最优维修方案推荐列表。

所述步骤二中，基于方案评估与方案属性修正误差对用户的维修操作集合进行筛选，得到最优操作集合的方法如下：

(2.1)对于操作工在各维修方案中的各类操作进行颗粒化分类，确定第t 个操作工在每个维修记录中涉及到的属性，即操作；

(2.2)采用以下公式计算对操作工每条维修记录进行总体评价:

R_t,g＝a_t,0+a_t,1X_t,g,1+a_t,2X_t,g,2+…+a_t,kX_t,g,k+…+a_t,mX_t,g,m+ε_t,g

其中,R_t,g是操作工t对维修记录g的总体评价值,X_t,g,k是操作工t对维修记录g的第k个属性的评价值,m是需要评价的维修记录的属性总数，k∈[1,m]；参数a_t,k决定了各个属性的数值对用户的重要性，将操作工历史评价值应用到上述公式中，如果记录条目数足够，则参数a_t,k就能被计算出来；ε_t,g表示误差；

(2.3)构建操作工t的评价矩阵，对参数a_t,k进行排序，a_t,k反应了当前操作工t是否进行操作g的期望值，a_t,k越高期望值越高，按照a_t,k值从高到低的顺序，将对应的操作集合提供给用户。

当操作工t评价矩阵由于数据不足，无法被构建出来时，利用如下公式计算适合所有用户和维修方案及其属性的预测值R_g∧:

R_g∧＝a₀+a₁X_g,1+a₂X_g,2+…+a_kX_g,k+…+a_mX_g,m+ε_g

其中a_k为第k个属性的期望值，根据已有记录获得；X_g,k表示维修记录g的第k个属性的评价值,ε_g表示误差；

对R_g∧参数进行排序，并将排序后的操作集合提供给用户。

所述步骤三中，基于权重修正方法对相似设备进行搜索，筛选出与当前发生故障的设备相似度最高的设备作为同型号设备的方法如下：

(3.1)对于当前发生故障的设备，抽象出N个与设备性能相关的参数；

(3.2)遍历数据库中设备，按照如下公式计算各个设备与当前设备的相似度distance：

distance＝x1×f1+x2×f2+…+xh×fh+…xN×fN

xh为第h个参数的权重，fh为当前设备第h个参数与数据库中其他设备第h 个参数的相似性得分，如果数据库中某个设备第h个参数与当前设备第h个参数相同，则相似性得分为1，否则为0；

(3.3)按照distance从大到小的顺序对数据库中的各个设备进行排序，从而筛选出与当前发生故障的设备相似度最高的设备作为同型号设备最大的设备。

当某个设备故障时，根据各个设备之间的关联关系，能够对相关联的设备进行故障预警。

根据各个设备之间的关联关系，能够对相关联的设备进行故障预警的实现方法如下：

(6.1)建立历史维修记录与设备是否维修的关联矩阵，关联矩阵中的元素 x_ij表示第i次维修时，是否对第j个设备进行了维修，x_ij＝1表示进行了维修， x_ij＝0表示未进行维修；

(6.2)利用如下公式计算各个设备出现故障的支持度：

第j个设备出现故障的支持度

I为维修总次数；

(6.3)假设第j个设备出现了故障，利用如下公式计算第j个设备和第p 个设备相关联的置信度：

confidence(j->p)＝support(j->p)/support(j)

support(j->p)为第j个设备和第p个设备同时出现故障的支持度；

(6.4)利用如下公式计算第j个设备和第p个设备相关联的提升度：

lift(j->p)＝confidence(j->p)/support(p)

(5)所有与第j个设备的提升度大于1的设备即为与第j个设备相关联的设备。

步骤(6.4)中，当lift(j->p)大于1，说明第j个设备的故障与第p个设备有一定的相关；

当lift(j->p)大于1，说明第j个设备的故障与第p个设备无关；

当lift(j->p)小于1，说明第j个设备的故障与第p个设备负相关。

与现有技术相比，本发明具有如下有益效果：

本发明以数据统计分析为基础，结合大数据相关的技术与方法，在已有数据的基础上研究出来一系列优化的推荐方法，能够使已有数据发挥其最大作用，从而对设备的维修维保等管理进行指导，并及时对可能存在的异常进行预警，大大缩短了人工培养周期与设备管理成本。

附图说明

图1为过滤方法示意图。

具体实施方式

为解决现有问题，本发明在信息化的基础上，充分利用数据统计与分析，结合新兴大数据的概念，在已有数据的基础上研究出来一系列优化的推荐方法。这些方法可以对设备的维保维修进行智能决策推荐及预警，是实现设备管理信息化、智能化的基础。

具体地，本发明一种基于大数据的设备智能维修方案推荐方法，其特征在于步骤如下：

步骤一中，具体到设备管理，基于设备匹配与维修方案频次对已有的维修方案进行协同过滤的主要思路是采用“设备-解决方法”的匹配,即通过匹配当前需要维护设备历史维护记录,并综合考虑频率等因素，把匹配到的维修方案推荐给用户。该方法的优点是数据参考性强，因为从统计学原理来讲，设备百分之八十的故障都是由于某一种原因造成的。

过滤的数据处理方法如下：

(1.2)确定当前发生故障的设备的故障类型；

过滤的数据处理方法如图1所示。

过滤能够充分利用已有的经验信息，让新手快速上手，但其也有局限性，他是数据依赖的，需要同类型的设备维护信息足够多。

步骤二中，基于操作工的偏好，为操作工所要进行的具体操作进行推荐。该方法的思路是在实际生产维护过程中，操作工的职责是相对固定的，各有分工，一类操作工常进行的操作是限定在某一范围内的。通过对某以操作工日常操作以及其评估反馈，为操作工提供操作集合。

获取操作集合的方法如下：

(2.1)对于操作工在各维修方案中的各类操作进行颗粒化分类，如更换零部件；更换开关等；并且对每一次维修进行闭环管理，由管理员对方案整体效果进行评估。如下表所示：

操作工t-维修记录	操作1	操作2	操作3	操作k	……	操作m	总体评价
								维修记录1	1	0	0	1	0	1	80
维修记录2	0	1	0	1	0	0	70
								维修记录3	0	1	1	0		0	90
…………					0		85
								维修记录j	1	0	1	0	1	0	88

(2.2)有了上述关键信息,那么对操作工每条维修记录的评价值可以采用以下公式:

R_t,g＝a_t,0+a_t,1X_t,g,1+a_t,2X_t,g,2+…+a_t,kX_t,g,k+…+a_t,mX_t,g,m+ε_t,g --回归模型(1)

(2.4)当操作工t评价矩阵由于数据不足，无法被构建出来时，参照回归模型(1)计算适合所有用户和维修方案及其属性的预测值R_g∧：

R_g∧＝a₀+a₁X_g,1+a₂X_g,2+…+a_kX_g,k+…+a_mX_g,m+ε_g (2)

其中a_k为第k个属性的期望值，根据已有记录获得；X_g,k表示维修记录g的第k个属性的评价值，ε_g表示误差，在计算过程中应应用数学方法使误差ε_g尽可能小。对R_g∧进行排序，并将排序后的操作集合提供给用户。

上述步骤一和步骤二都属于比较直观的方法，其搜索过程也相对简单，但在大数据时代，它们并没有对数据进行充分的利用，步骤三进一步基于数据，对其进行深度分析后，给出更深入的推荐方法。

在实际维修操作过程中，经验丰富的维修人员会总结出一些规律，比如同一家厂商、同一种类型、同样的产地、同样电机元器件、同一个工段……的设备往往会发生同样的故障，根据这些经验对设备的故障原因、处理方法进行判断，因此，本发明在步骤三中提出基于权重修正方法对相似设备进行搜索，筛选出与当前发生故障的设备相似度最高的设备作为同型号设备。

对于当前发生故障的设备，抽象出N个与设备性能相关的参数；

遍历数据库中设备，按照如下公式计算各个设备与当前设备的相似度 distance：

distance＝x1+f1+x2×f2+…+xh×fh+…xN×fN

按照distance从大到小的顺序对数据库中的各个设备进行排序，从而筛选出与当前发生故障的设备相似度最高的设备作为同型号设备最大的设备。

举例说明：

对于设备来说，抽象出其与设备性能相关的参数，比如设备厂商，设备功率，设备型号，设备电机型号等，将这些点作为N维空间的点，定义一个距离函数：

distance＝x1×f1(厂家)+x2×f2(型号)+…+xh×fh(功率)+…xN×fN

定义：

f1(厂家){

如果厂家相同，得1分

如果厂家不同，得0分；}

xN为参数N对最终得分的权重，即影响因子，以表达该参数对距离的贡献。

遍历数据库中设备，找出与当前设备最相近的设备，如下表所示，按照距离函数值从高到低排序，形成推荐列表List<Equip>

设备名

分类编号

NC编码

设备分类

设备型号

投入使用日期

设备来源

制造商

供应商

使用部门

操作系统

所属工段

相似度

A(维修设备)

1

XD009871

电气

SN520

20160608

利旧

西门子

XX

生产部门

ZS1

B(比对设备)

1

FR760988

机械

SN520

20160721

购买

制丝

XX

生产部门

ZS6

0.51

C(比对设备)

2

XD009871

电气

SN340

20170621

NI

XX

办公室

WIN7

0.08

权重

0.2

0.1

0.2

0.15

0.03

0.04

0.1

0.08

0.03

0.02

0.05

再找出推荐设备的故障与维修集合。

上述推荐过程仅采用了简单的线性方式计算相似度，每个维度的权重不同用以标识出其影响程度。

还可以采用如下方法找出与当前设备最相近的设备：余弦相似度、欧式距离、皮尔逊相关性(PC)、斯皮尔曼等级相关系数、平均平方差异(MSD)、Jaccard 距离和Dice系数等，可以根据实际情况进行分析实践后选取合适的方法。

有经验的“老司机”在处理设备故障时，如果发现某一设备A发生了故障，会直接判断另一看似无关联的设备B有很大可能发生了故障。这就是关联规则推荐，它属于数据挖掘中的概念，这个关联规则可以记作A->B。

因此，当某个设备故障时，本发明根据各个设备之间的关联关系，能够进一步对相关联的设备进行故障预警，以达到高效精确解决全线问题的目的。

具体实现过程如下：

(6.1)建立历史维修记录与设备是否维修的关联矩阵，关联矩阵中的元素 x_ij表示第i次维修时，是否对第j个进行了维修，x_ij＝1表示进行了维修，x_ij＝0 表示未进行维修；

(6.2)利用如下公式计算各个设备出现故障的支持度：

第j个设备出现故障的支持度

I为维修总次数；

confidence(j->p)＝support(j->p)/support(j)

support(j->p)为第j个设备和第p个设备同时出现故障的支持度；

lift(j->p)＝confidence(j->p)/support(p)

当lift(j->p)大于1，说明第j个设备的故障与第p个设备有一定的相关；

当lift(j->p)大于1，说明第j个设备的故障与第p个设备无关；

当lift(j->p)小于1，说明第j个设备的故障与第p个设备负相关；

举例说明如下：

在历史库中的5条维修记录，在记录中分别对不同的设备进行了维护{A,B,C},{B,C,D},{A,B,C,D},{A,C},{C}

(1)数据准备

维修记录	设备A	设备B	设备C	设备D
					Record001	1	1	1	0
Record002	0	1	1	1
					Record003	1	1	1	1
Record004	1	0	1	0
					Record005	0	0	1	0

如上矩阵中，一行表示一条维修记录，1表示在该次维修记录中，对应设备进行了维修。

(2)计算各个设备出现故障的支持度

支持度(support)是指某一个设备或设备组合在维修记录中出现的概率。 A的支持度support(A)是3/5，C的支持度support(C)是1，A、B同时间出现故障support(A->B)的支持度是2/5。

(3)计算其他设备与故障设备相关联的置信度

置信度(confidence)是指如果A出现了故障的情况下，B出故障的概率，称A->B的置信度confidence(A->B)。A->B的置信度是2/3。

confidence(A->B)＝support(A->B)/support(A)＝(2/5)/(3/5)＝2/3

这里需要注意的是，X->Y与Y->X的置信度不一定相等。

(4)计算其他设备与故障设备相关联的提升度

上一个例子里，confidence(B->C)＝1，即B出故障，C出故障的概率为100％，但即使B不出故障，C出故障的概率仍为100％，它们是独立事件，并没有达到先决判断的效果。用提升度评估关联规则推荐的效果。

提升度lift(A->B)＝confidence(A->B)/support(B)＝(2/3)/(3/5)＝10/9 提升度lift(A->B)可以用来评估推荐效果：

·大于1，说明有效，设备A的故障与设备B有一定的相关

·等于1，说明无关，是独立事件

·小于1，说明负相关

(5)按照筛选出提升度大于1的设备集合，进行维修预警提醒，是在本次操作中没有进行维修，但需要重点核查的设备。

对相关联的设备进行故障预警是在发现某个故障时，同时对极有可能发生故障的设备进行预判，并对其进得提前维护保养，以达到全线优化，尽可能减少待机时间，提高生产效率的目的。

信息化的发展使传统的设备维修维保技术能以数据的方式保存下来；数据库的应用使这些数据能够进行结构化、规范化的存储与检索。本发明以数据统计分析为基础，结合大数据相关的技术与方法，能够使已有数据发挥其最大作用，从而对设备的维修维保等管理进行指导，并及时对可能存在的异常进行预警，大大缩短了人工培养周期与设备管理成本。

本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。

Claims

1.一种基于大数据的设备智能维修方案推荐方法，其特征在于步骤如下：

2.根据权利要求1所述的一种基于大数据的设备智能维修方案推荐方法，其特征在于，所述步骤一中，基于设备匹配与维修方案频次对已有的维修方案进行过滤，筛选最优的维修方案的实现方法如下：

(1.2)确定当前发生故障的设备的故障类型；

3.根据权利要求1所述的一种基于大数据的设备智能维修方案推荐方法，其特征在于，所述步骤二中，基于方案评估与方案属性修正误差对用户的维修操作集合进行筛选，得到最优操作集合的方法如下：

(2.1)对于操作工在各维修方案中的各类操作进行颗粒化分类，确定第t个操作工在每个维修记录中涉及到的属性，即操作；

(2.2)采用以下公式计算对操作工每条维修记录进行总体评价：

R_t，g＝a_t，0+a_t，1X_t，g，1+a_t，2X_t，g，2+…+a_t，kX_t，g，k+…+a_t，mX_t，g，m+ε_t，g

其中，R_t，g是操作工t对维修记录g的总体评价值，X_t，g，k是操作工t对维修记录g的第k个属性的评价值，m是需要评价的维修记录的属性总数，k∈[1，m]；参数a_t，k决定了各个属性的数值对用户的重要性，将操作工历史评价值应用到上述公式中，如果记录条目数足够，则参数a_t，k就能被计算出来；ε_t，g表示误差；

(2.3)构建操作工t的评价矩阵，对参数a_t，k进行排序，a_t，k反应了当前操作工t是否进行操作g的期望值，a_t，k越高期望值越高，按照a_t，k值从高到低的顺序，将对应的操作集合提供给用户。

4.根据权利要求3所述的一种基于大数据的设备智能维修方案推荐方法，其特征在于，

当操作工t评价矩阵由于数据不足，无法被构建出来时，利用如下公式计算适合所有用户和维修方案及其属性的预测值R_g∧：

R_g∧＝a₀+a₁X_g，1+a₂X_g，2+…+a_kX_g，k+…+a_mX_g，m+ε_g

其中a_k为第k个属性的期望值，根据已有记录获得；X_g，k表示维修记录g的第k个属性的评价值，ε_g表示误差；

对R_g∧参数进行排序，并将排序后的操作集合提供给用户。

5.根据权利要求1所述的一种基于大数据的设备智能维修方案推荐方法，其特征在于，所述步骤三中，基于权重修正方法对相似设备进行搜索，筛选出与当前发生故障的设备相似度最高的设备作为同型号设备的方法如下：

distance＝x1×f1+x2×f2+…+xh×fh+…xN×fN

xh为第h个参数的权重，fh为当前设备第h个参数与数据库中其他设备第h个参数的相似性得分，如果数据库中某个设备第h个参数与当前设备第h个参数相同，则相似性得分为1，否则为0；

6.根据权利要求1所述的一种基于大数据的设备智能维修方案推荐方法，其特征在于，当某个设备故障时，根据各个设备之间的关联关系，能够对相关联的设备进行故障预警。

7.根据权利要求6所述的一种基于大数据的设备智能维修方案推荐方法，其特征在于，根据各个设备之间的关联关系，能够对相关联的设备进行故障预警的实现方法如下：

(6.1)建立历史维修记录与设备是否维修的关联矩阵，关联矩阵中的元素x_ij表示第i次维修时，是否对第j个设备进行了维修，x_ij＝1表示进行了维修，x_ij＝0表示未进行维修；

(6.2)利用如下公式计算各个设备出现故障的支持度：

第j个设备出现故障的支持度

I为维修总次数；

(6.3)假设第j个设备出现了故障，利用如下公式计算第j个设备和第p个设备相关联的置信度：

confidence(j-＞p)＝support(j-＞p)/support(j)

support(j->p)为第j个设备和第p个设备同时出现故障的支持度；

lift(j->p)＝confidence(j->p)/support(p)

8.根据权利要求7所述的一种基于大数据的设备智能维修方案推荐方法，其特征在于，步骤(6.4)中，当lift(j->p)大于1，说明第j个设备的故障与第p个设备有一定的相关；

当lift(j->p)大于1，说明第j个设备的故障与第p个设备无关；

当lift(j->p)小于1，说明第j个设备的故障与第p个设备负相关。