CN112347069B - 一种基于制造大数据的制造企业预测型维修服务方法 - Google Patents
一种基于制造大数据的制造企业预测型维修服务方法 Download PDFInfo
- Publication number
- CN112347069B CN112347069B CN202010826494.4A CN202010826494A CN112347069B CN 112347069 B CN112347069 B CN 112347069B CN 202010826494 A CN202010826494 A CN 202010826494A CN 112347069 B CN112347069 B CN 112347069B
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- type
- maintenance
- manufacturing
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 37
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000007477 logistic regression Methods 0.000 claims abstract description 9
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000008094 contradictory effect Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/18—File system types
- G06F16/182—Distributed file systems
-
- 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
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2471—Distributed queries
-
- 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
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于制造大数据的制造企业预测型维修服务方法,企业内部服务器收集用户上传的数据或机器控制系统实时上传的运行代码和参数变化,然后将收集的数据进行清洗,再通过Hadoop中的HDFS文件系统进行存储以及使用MapReduce进行运算分析,将数据采用逻辑回归模型进行建模,以及将逻辑回归模型得到的概率值带入似然函数并计算结果,达到预测故障类型的目的;预测的故障类型发送给就近的维修站点,而频繁的故障反馈给生产部门。本发明根据大数据分析,对于频繁发生故障的技术点,及时反馈给生产部门,以便改进以提高产品质量。这使得售后维修服务开展有所依据,加快了维修服务的效率,也提升了产品公司的服务竞争力。
Description
技术领域
本发明涉及售后服务的技术领域,尤其涉及到一种基于制造大数据的制造企业预测型维修服务方法。
背景技术
目前制造业产品的维修服务为被动型服务,其主要流程是其基本流程是:首先顾客向维修站点反馈产品发生了故障,需要维修;然后维修站点安排维修人员上门检查维修,替换零件等;最后由维修站点人员记录维修情况。整个过程需要耗费大量的人力、物力、时间成本在检查故障类型情况上。低效率的维修有时候还不能保证顾客满意。
发明内容
本发明的目的在于克服现有技术的不足,提供一种高效的基于制造大数据的制造企业预测型维修服务方法。
为实现上述目的,本发明所提供的技术方案为:
一种基于制造大数据的制造企业预测型维修服务方法,企业内部服务器收集用户上传的数据或机器控制系统实时上传的运行代码和参数变化,然后将收集的数据进行清洗,再通过Hadoop中的HDFS文件系统进行存储以及使用MapReduce进行运算分析,将数据采用逻辑回归模型进行建模,以及将逻辑回归模型得到的概率值带入似然函数并计算结果,达到预测故障类型的目的;预测的故障类型发送给就近的维修站点,而频繁的故障反馈给生产部门。
进一步地,具体包括以下步骤:
S1、所有出厂时均带有唯一标识码的产品均与生产部门的数据收集服务器建立连接,所述服务器收集基于人在回路的数据、信息或产品控制系统实时上传的运行代码和参数变化;
S2、对从步骤S1服务器收集到的数据进行清洗,清洗后的数据存入Hadoop中的HDFS文件系统;
S3、针对步骤S2所得清洗后的数据进行建模以及分析,预测得出故障的类型;
S4、对于无法预测的故障类型则交由维修部门资深工程师在线阅览和讨论故障数据,指定维修方案;
S5、将预测的故障类型发送给就近的维修站点,维修站点即可在线维护或者上门针对性地维修。
进一步地,所述步骤S2中,对数据进行清洗的具体过程如下:
S2-1、数据的预处理:所收集数据进行分类或分组前所做的审核、筛选、排序处理;
S2-2、去除重复的数据:采用Excel去除数据的重复项,避免数据的冗余;
S2-3、去除错误的数据:删除不符合业务规则逻辑的错误数据,保证数据的正确性;
S2-4、去除矛盾数据,避免分析时出现逻辑错误;
S2-5、去除缺失的数据:采用SQL语句查询数据项中含有空或缺失元素的数据项,保证每一项均可正确参与运算分析。
进一步地,所述步骤S3的具体过程如下:
将步骤S2所得清洗后的数据采用逻辑回归方程进行建模,将各项故障自变量进行线性组合得到一个因变量值,形式如下:
其中xi(i=1,2,…,n)为造成该类型故障的n种因素,θi(i=1,2,…,n)是由样本训练拟合出的参数值,代入Sigmoid函数可将上述线性组合的值转换成概率,形式如下:
函数中,-θTx无论取什么值,其结果在[0,1]的区间内,故障类型分类问题有两种答案,一种为“是该类型故障”,另一种为“不是该类型故障”,“0”对应“否”,“1”对应“是”,根据设定的阈值来判断由众多因素自变量产生的结果是属于“0”还是“1”;
在实现了由输入值转换成概率之后,则利用似然函数:
求得属于某类故障的可能性,P(yi|xi;θ)表示因素xi在线性拟合的参数θ下求得y=1或y=0的概率,其中yi(i=1,2…n)取值有两种,0或1,表示若因素xi(i=1,2,…,n)是造成该故障的因素,yi取1,否则取0,对于二分类任务,y取0时保留y取1时保留将所以因素的概率相乘,得到的结果超过0.5则认为可能是该类型的故障。
与现有技术相比,本方案原理及优点如下:
首先,基于人在回路的机器故障情况,即由用户上传机器故障情况,结合机器控制系统自动向服务器反馈运行代码或者参数变化。其次,对收集的数据进行数据清洗和数据分析,从大数据中分析整理设备故障数据。根据大数据,分析该产品可能产生的故障类型。对于无法分析或者难分析的故障数据,资深工程师在线阅览和讨论故障数据。最后,确定故障点并且做好解决方案,通过在线维护或将解决方案发送给就近的维修服务站点,由服务站点现场解决问题。
本方案根据大数据分析,对于频繁发生故障的技术点,及时反馈给生产部门,以便改进以提高产品质量。这使得售后维修服务开展有所依据,加快了维修服务的效率,也提升了产品公司的服务竞争力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍,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他的附图。
图1为本发明一种基于制造大数据的制造企业预测型维修服务方法的原理流程图;
图2为本发明一种基于制造大数据的制造企业预测型维修服务方法中进行数据清洗的流程示意图;
图3为本发明一种基于制造大数据的制造企业预测型维修服务方法中采用Sigmoid函数变换后的示意图。
具体实施方式
下面结合具体实施例对本发明作进一步说明:
如图1所示,本实施例所述的一种基于制造大数据的制造企业预测型维修服务方法,包括以下步骤:
S1、所有出厂时均带有唯一标识码的产品均与生产部门的数据收集服务器建立连接,所述服务器收集基于人在回路的数据、信息或产品控制系统实时上传的运行代码和参数变化;
S2、对从步骤S1服务器收集到的数据进行清洗,清洗后的数据存入Hadoop中的HDFS文件系统;
如图2所示,本步骤的具体过程为:
S2-1、数据的预处理:所收集数据进行分类或分组前所做的审核、筛选、排序处理;
S2-2、去除重复的数据:采用Excel去除数据的重复项,避免数据的冗余;
S2-3、去除错误的数据:删除不符合业务规则逻辑的错误数据,保证数据的正确性;
S2-4、去除矛盾数据,避免分析时出现逻辑错误;
S2-5、去除缺失的数据:采用SQL语句查询数据项中含有空或缺失元素的数据项,保证每一项均可正确参与运算分析。
S3、针对步骤S2所得清洗后的数据进行建模以及分析,预测得出故障的类型;具体如下:
将步骤S2所得清洗后的数据采用逻辑回归方程进行建模,将各项故障自变量进行线性组合得到一个因变量值,形式如下:
如图3所示,其中xi(i=1,2,…,n)为造成该类型故障的n种因素,θi(i=1,2,…,n)是由样本训练拟合出的参数值,带入Sigmoid函数可将上述线性组合的值转换成概率,形式如下:
函数中,-θTx无论取什么值,其结果在[0,1]的区间内,故障类型分类问题有两种答案,一种为“是该类型故障”,另一种为“不是该类型故障”,“0”对应“否”,“1”对应“是”;设分类的阈值为0.5,超过0.5的归为1分类,低于0.5的归为0分类;
在实现了由输入值转换成概率之后,则利用似然函数:
求得属于某类故障的可能性,P(yi|xi;θ)表示因素xi在线性拟合的参数θ下求得y=1或y=0的概率,其中yi(i=1,2…n)取值有两种,0或1,表示若因素xi(i=1,2,…,n)是造成该故障的因素,yi取1,否则取0,对于二分类任务,y取0时保留y取1时保留将所以因素的概率相乘,得到的结果超过0.5则认为可能是该类型的故障。
S4、对于无法预测的故障类型则交由维修部门资深工程师在线阅览和讨论故障数据,指定维修方案;
S5、将预测的故障类型发送给就近的维修站点,维修站点即可在线维护或者上门针对性地维修。
以上所述之实施例子只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (1)
1.一种基于制造大数据的制造企业预测型维修服务方法,其特征在于,企业内部服务器收集用户上传的数据或机器控制系统实时上传的运行代码和参数变化,然后将收集的数据进行清洗,再通过Hadoop中的HDFS文件系统进行存储以及使用MapReduce进行运算分析,将数据采用逻辑回归模型进行建模,以及将逻辑回归模型得到的概率值带入似然函数并计算结果,达到预测故障类型的目的;预测的故障类型发送给就近的维修站点,而频繁的故障反馈给生产部门;
具体包括以下步骤:
S1、所有出厂时均带有唯一标识码的产品均与生产部门的数据收集服务器建立连接,所述服务器收集基于人在回路的数据、信息或产品控制系统实时上传的运行代码和参数变化;
S2、对从步骤S1服务器收集到的数据进行清洗,清洗后的数据存入Hadoop中的HDFS文件系统;
S3、针对步骤S2所得清洗后的数据进行建模以及分析,预测得出故障的类型;
S4、对于无法预测的故障类型则交由维修部门资深工程师在线阅览和讨论故障数据,指定维修方案;
S5、将预测的故障类型发送给就近的维修站点,维修站点即可在线维护或者上门针对性地维修;
所述步骤S2中,对数据进行清洗的具体过程如下:
S2-1、数据的预处理:所收集数据进行分类或分组前所做的审核、筛选、排序处理;
S2-2、去除重复的数据:采用Excel去除数据的重复项,避免数据的冗余;
S2-3、去除错误的数据:删除不符合业务规则逻辑的错误数据,保证数据的正确性;
S2-4、去除矛盾数据,避免分析时出现逻辑错误;
S2-5、去除缺失的数据:采用SQL语句查询数据项中含有空或缺失元素的数据项,保证每一项均可正确参与运算分析;
所述步骤S3的具体过程如下:
将步骤S2所得清洗后的数据采用逻辑回归方程进行建模,将各项故障自变量进行线性组合得到一个因变量值,形式如下:
其中,xi(i=1,2,…,n)为造成该类型故障的n种因素,θi(i=1,2,…,n)是由样本训练拟合出的参数值,代入Sigmoid函数可将上述线性组合的值转换成概率,形式如下:
函数中,-θTx无论取什么值,其结果在[0,1]的区间内,故障类型分类问题有两种答案,一种为“是该类型故障”,另一种为“不是该类型故障”,“0”对应“否”,“1”对应“是”,根据设定的阈值来判断由众多因素自变量产生的结果是属于“0”还是“1”;
在实现了由输入值转换成概率之后,则利用似然函数:
求得属于某类故障的可能性,P(yi|xi;θ)表示因素xi在线性拟合的参数θ下求得y=1或y=0的概率,其中yi(i=1,2…n)取值有两种,0或1,表示若因素xi(i=1,2,…,n)是造成该故障的因素,yi取1,否则取0,对于二分类任务,y取0时保留y取1时保留/>将所以因素的概率相乘,得到的结果超过0.5则认为可能是该类型的故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010826494.4A CN112347069B (zh) | 2020-08-17 | 2020-08-17 | 一种基于制造大数据的制造企业预测型维修服务方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010826494.4A CN112347069B (zh) | 2020-08-17 | 2020-08-17 | 一种基于制造大数据的制造企业预测型维修服务方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112347069A CN112347069A (zh) | 2021-02-09 |
CN112347069B true CN112347069B (zh) | 2024-02-20 |
Family
ID=74357866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010826494.4A Active CN112347069B (zh) | 2020-08-17 | 2020-08-17 | 一种基于制造大数据的制造企业预测型维修服务方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112347069B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113127733A (zh) * | 2021-03-23 | 2021-07-16 | 广东工业大学 | 一种学习方案的推荐方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107436597A (zh) * | 2017-07-17 | 2017-12-05 | 华南理工大学 | 一种基于稀疏过滤和逻辑回归的化工过程故障检测方法 |
KR101856543B1 (ko) * | 2018-02-26 | 2018-05-11 | 주식회사 리앙커뮤니케이션즈 | 인공지능 기반의 장애 예측 시스템 |
CN108052528A (zh) * | 2017-11-09 | 2018-05-18 | 华中科技大学 | 一种存储设备时序分类预警方法 |
CN109635483A (zh) * | 2018-12-24 | 2019-04-16 | 上海商然数据服务有限公司 | 一种基于电磁检测的电机和泵故障预测分析系统 |
CN110298485A (zh) * | 2019-05-29 | 2019-10-01 | 国电联合动力技术有限公司 | 基于改进深度随机森林算法的变桨系统故障预测方法 |
-
2020
- 2020-08-17 CN CN202010826494.4A patent/CN112347069B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107436597A (zh) * | 2017-07-17 | 2017-12-05 | 华南理工大学 | 一种基于稀疏过滤和逻辑回归的化工过程故障检测方法 |
CN108052528A (zh) * | 2017-11-09 | 2018-05-18 | 华中科技大学 | 一种存储设备时序分类预警方法 |
KR101856543B1 (ko) * | 2018-02-26 | 2018-05-11 | 주식회사 리앙커뮤니케이션즈 | 인공지능 기반의 장애 예측 시스템 |
CN109635483A (zh) * | 2018-12-24 | 2019-04-16 | 上海商然数据服务有限公司 | 一种基于电磁检测的电机和泵故障预测分析系统 |
CN110298485A (zh) * | 2019-05-29 | 2019-10-01 | 国电联合动力技术有限公司 | 基于改进深度随机森林算法的变桨系统故障预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112347069A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108197845B (zh) | 一种基于深度学习模型lstm的交易指标异常的监测方法 | |
WO2023071217A1 (zh) | 基于深度迁移学习的多工况流程工业故障检测诊断方法 | |
Filz et al. | Data-driven failure mode and effect analysis (FMEA) to enhance maintenance planning | |
CN106598791B (zh) | 一种基于机器学习的工业设备故障预防性识别方法 | |
Lechevalier et al. | Towards a domain-specific framework for predictive analytics in manufacturing | |
Brundage et al. | Smart manufacturing through a framework for a knowledge-based diagnosis system | |
CN117234785B (zh) | 基于人工智能自查询的集控平台错误分析系统 | |
Aleš et al. | Methodology of overall equipment effectiveness calculation in the context of Industry 4.0 environment | |
Groba et al. | Architecture of a predictive maintenance framework | |
Becherer et al. | Intelligent choice of machine learning methods for predictive maintenance of intelligent machines | |
CN112347069B (zh) | 一种基于制造大数据的制造企业预测型维修服务方法 | |
Gopalakrishnan et al. | IIoT Framework Based ML Model to Improve Automobile Industry Product. | |
Thalmann et al. | Cognitive decision support for industrial product life cycles: A position paper | |
CN106776316A (zh) | 一种电力信息软件缺陷预防方法 | |
Sampedro et al. | Fused deposition modeling 3d printing fault diagnosis using temporal convolutional network | |
JP3633959B2 (ja) | 品質分析方法 | |
CN111062827B (zh) | 一种基于人工智能模式的工程监理方法 | |
KR102437917B1 (ko) | 장비 운영 시스템 | |
CN115169426B (zh) | 一种基于相似性学习融合模型的异常检测方法及系统 | |
Kohl et al. | A modular federated learning architecture for integration of AI-enhanced assistance in industrial maintenance | |
CN115222069A (zh) | 一种设备预诊维护算法及集成该算法的智能工厂管控架构 | |
Formentini et al. | Accounting For Product End-of-Life Status in Disassembly Time Estimation Using Modified Maynard Operation Sequences | |
CN113807704A (zh) | 一种城市轨道交通数据的智能算法平台构建方法 | |
Bratchikov | Modern Approaches for Equipment's Technical State Prediction | |
Kurilenko et al. | Virtual Employee Implementation Using Temporal Case-based Reasoning |
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 |