CN112541597A - 多设备维修方法及装置、存储介质、终端 - Google Patents
多设备维修方法及装置、存储介质、终端 Download PDFInfo
- Publication number
- CN112541597A CN112541597A CN201910845425.5A CN201910845425A CN112541597A CN 112541597 A CN112541597 A CN 112541597A CN 201910845425 A CN201910845425 A CN 201910845425A CN 112541597 A CN112541597 A CN 112541597A
- Authority
- CN
- China
- Prior art keywords
- maintained
- equipment
- performance
- performance detection
- determining
- 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.)
- Pending
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 87
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000012163 sequencing technique Methods 0.000 claims abstract description 12
- 230000015556 catabolic process Effects 0.000 claims description 16
- 238000006731 degradation reaction Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 14
- 230000002265 prevention Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012821 model calculation Methods 0.000 claims description 3
- 230000003449 preventive effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Debugging And Monitoring (AREA)
Abstract
一种多设备维修方法及装置、存储介质、终端，所述多设备维修方法包括：确定多个待维修设备对应的性能检测模型，每个待维修设备对应的性能检测模型是利用所述待维修设备的实际运行数据预先训练得到的，性能检测模型用于描述性能参数以及影响参数的关系；将同一影响参数值分别输入至所述多个待维修设备对应的性能检测模型，以得到所述多个待维修设备对应的多个性能参数的值；对所述多个性能参数的值进行排序，根据排序结果确定需要维修的待维修设备。本发明技术方案能够实现对具备不同性能的设备的预防性维修。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种多设备维修方法及装置、存储介质、终端。
背景技术
目前大部分系统仍然停留在对于设备已发生故障进行检修。传统方法对设备的预防性维修主要是结合经验的定时维修，这种方案忽略了设备的个性差异，缺少数据支撑，或过于保守或不能及时防止故障发生。状态维修(Condition Based Maintenance,CBM)是现代维修理论和应用研究的热点，其基本思想是：通过先进的状态监测技术获取反映设备状态的有关信息，通过对相关信息的分析，识别故障的早期征兆，根据预测结果给出推荐的维修策略。随着设备研制成本和维修成本越来越高，对状态维修的需求日益强烈。
但是，目前对设备的状态维修尚缺乏行之有效的技术解决方案，如何刻画设备性能以及衡量不同设备性能差异尚没有统一、科学的解决方法。因此，在面对大量存在维修需求的设备时，无法合理安排维修顺序，在维修能力有限的情况下，此问题尤其突出。
发明内容
本发明解决的技术问题是如何实现对具备不同性能的设备的预防性维修。
为解决上述技术问题，本发明实施例提供一种多设备维修方法，多设备维修方法包括：确定多个待维修设备对应的性能检测模型，每个待维修设备对应的性能检测模型是利用所述待维修设备的实际运行数据预先训练得到的，性能检测模型用于描述性能参数以及影响参数的关系；将同一影响参数值分别输入至所述多个待维修设备对应的性能检测模型，以得到所述多个待维修设备对应的多个性能参数的值；对所述多个性能参数的值进行排序，根据排序结果确定需要维修的待维修设备。
可选地，采用以下方式训练所述性能检测模型：获取多个待维修设备的当前运行数据，所述当前运行数据包括当前时刻及其之前的预设时间段内产生的实际运行数据；提取所述当前运行数据的特征，并构建多个待维修设备的训练样本；利用多个待维修设备的训练样本对多个待维修设备对应的性能检测模型进行训练。
可选地，所述提取所述当前运行数据的特征包括：对所述当前运行数据进行分片；对分片后的当前运行数据进行预处理；提取预处理后的当前运行数据的特征。
可选地，所述获取多个待维修设备的当前运行数据之前包括：获取各个待维修设备的无性能退化数据，所述无性能退化数据为各个待维修设备处于正常运行且无性能退化阶段产生的运行数据；提取所述无性能退化数据的特征，并构建各个待维修设备的初始训练样本以及验证样本；利用各个待维修设备的初始训练样本训练得到各个待维修设备对应的性能检测模型；利用各个待维修设备的验证样本对各个待维修设备对应的性能检测模型进行验证。
可选地，所述获取各个待维修设备的无性能退化数据之前包括：确定所述待维修设备的性能参数以及与所述待维修设备的性能参数对应的影响参数；所述利用各个待维修设备的验证样本对各个待维修设备对应的性能检测模型进行验证之后还包括：若验证未通过，则重新确定与所述待维修设备的性能参数对应的影响参数。
可选地，所述对所述多个性能参数的值进行排序，根据排序结果确定需要维修的待维修设备包括：根据所述多个性能参数的值，对所述多个待维修设备的性能进行排序，所述需要维修的待维修设备为性能最差的若干待维修设备；其中，所述需要维修的待维修设备的数量根据当前维修能力确定。
可选地，所述确定多个待维修设备对应的性能检测模型包括：判断多个待维修设备是否被维修；如果待维修设备被维修，确定所述待维修设备最近一次维修的时刻；计算当前时刻与所述最近一次维修的时刻的时间差，以作为所述待维修设备的等待时间；如果待维修设备未被维修，或者所述待维修设备的等待时间达到预设排队周期，则继续确定所述待维修设备的性能检测模型。
为解决上述技术问题，本发明实施例还公开了一种多设备维修装置，多设备维修装置包括：性能检测模型确定模块，用以确定多个待维修设备对应的性能检测模型，每个待维修设备对应的性能检测模型是利用所述待维修设备的实际运行数据预先训练得到的，性能检测模型用于描述性能参数以及影响参数的关系；模型计算模块，用以将同一影响参数值分别输入至所述多个待维修设备对应的性能检测模型，以得到所述多个待维修设备对应的多个性能参数的值；维修设备确定模块，用以对所述多个性能参数的值进行排序，根据排序结果确定需要维修的待维修设备。
本发明实施例还公开了一种存储介质，其上存储有计算机指令，所述计算机指令运行时执行所述多设备维修方法的步骤。
本发明实施例还公开了一种终端，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行所述多设备维修方法的步骤。
与现有技术相比，本发明实施例的技术方案具有以下有益效果：
本发明技术方案确定多个待维修设备对应的性能检测模型，每个待维修设备对应的性能检测模型是利用所述待维修设备的实际运行数据预先训练得到的；将同一影响参数值分别输入至所述多个待维修设备对应的性能检测模型，以得到所述多个待维修设备对应的多个性能参数的值；根据所述多个性能参数的值确定需要维修的待维修设备。本发明技术方案中，待维修设备对应的性能检测模型的输出值可以表征该待维修设备的运行性能，由此，在各个待维修设备对应的性能检测模型输入相同的输入值的情况下，各个性能检测模型的输出值可以表征各个待维修设备在相同工况下的性能，从而可以依据该输出值，也即多个待维修设备对应的多个性能参数的值来确定需要维修的待维修设备，实现了存在多个待维修设备的情况下合理安排维修的技术效果，进而保证了设备的正常运行。
附图说明
图1是本发明实施例一种多设备维修方法的流程图；
图2是本发明实施例一种多设备维修方法的部分流程图；
图3是本发明实施例另一种多设备维修方法的部分流程图；
图4是本发明实施例一种多设备维修方法的部分流程图；
图5是本发明实施例一种多设备维修装置的结构示意图。
具体实施方式
如背景技术中所述，目前对设备的状态维修尚缺乏行之有效的技术解决方案，如何刻画设备性能以及衡量不同设备性能差异尚没有统一、科学的解决方法。因此，在面对大量存在维修需求的设备时，无法合理安排维修顺序，在维修能力有限的情况下，此问题尤其突出。
本发明技术方案中，待维修设备对应的性能检测模型的输出值可以表征该待维修设备的运行性能，由此，在各个待维修设备对应的性能检测模型输入相同的输入值的情况下，各个性能检测模型的输出值可以表征各个待维修设备在相同工况下的性能，从而可以依据该输出值，也即多个待维修设备对应的多个性能参数的值来确定需要维修的待维修设备，实现了存在多个待维修设备的情况下合理安排维修的技术效果，进而保证了设备的正常运行。
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
图1是本发明实施例一种多设备维修方法的流程图。
图1所示多设备维修方法可以包括以下步骤：
步骤S101：确定多个待维修设备对应的性能检测模型，每个待维修设备对应的性能检测模型是利用所述待维修设备的实际运行数据预先训练得到的；
步骤S102：将同一影响参数值分别输入至所述多个待维修设备对应的性能检测模型，以得到所述多个待维修设备对应的多个性能参数的值；
步骤S103：对所述多个性能参数的值进行排序，根据排序结果确定需要维修的待维修设备。
需要指出的是，本实施例中各个步骤的序号并不代表对各个步骤的执行顺序的限定。
本实施例中，多个待维修设备对应的性能检测模型是采用相同的算法来构建的，性能检测模型的输入值可以是影响参数，其输出值可以是性能参数。其中，性能参数和影响参数之间具备函数关系，也就是说，影响参数的变化能够导致性能参数的变化。
需要说明的是，影响参数和性能参数可以是任意可实施的参数，例如，性能参数为剩余电量变化值，影响参数为输出电流和充电电流，本发明实施例对此不作限制。
本实施例中的待维修设备可以是任意可实施的终端设备，例如可以是动车组的各个部件、车辆的各个部件或者计算机等终端设备。
在步骤S101的具体实施中，对于多个待维修设备，可以分别确定各个待维修设备对应的性能检测模型。其中，每个待维修设备对应一个性能检测模型，该性能检测模型可以是预先训练完成的。对每个待维修设备对应的性能检测模型进行训练时，采用的训练数据可以是该待维修设备的实际运行数据，例如可以是该待维修设备运行时产生的影响参数的值以及性能参数的值。
为了表征不同维修设备在相同工况下的性能，在步骤S102的具体实施中，可以将同一影响参数值输入至多个待维修设备对应的性能检测模型，多个待维修设备对应的性能检测模型可以输出多个性能参数的值。所述多个性能参数的值可以表征多个待维修设备的性能。
具体实施中，影响参数值可以是预先设定的，具体可以是经验值。
在一个具体应用场景中，将所述影响参数值作为标准输入。对第i个待维修装修装备，利用第i个待维修设备对应性能检测模型计算得到标准输入下该待维修设备性能参数的值fi(xnorm)。fi(xnorm)刻画了第i个待维修设备在标准输入下性能的优良。
由于多个性能参数的值可以表征多个待维修设备的性能，因此在步骤S103的具体实施中，可以按照多个待维修设备的性能确定需要维修的待维修设备，也即根据多个性能参数的值确定需要维修的待维修设备。其中，待维修设备的性能越差，表示该待维修设备越需要被维修。
在本发明一个具体的实施例中，图1所示步骤S103之后还可以包括以下步骤：对所述需要维修的待维修设备执行维修操作。
本实施例中，对于步骤S103中确定的需要维修的待维修设备，可以执行维修操作。关于维修操作的具体内容可以参照现有技术，本发明实施例对此不作限制。
本发明实施例中，待维修设备对应的性能检测模型的输出值可以表征该待维修设备的运行性能，由此，在各个待维修设备对应的性能检测模型输入相同的输入值的情况下，各个性能检测模型的输出值可以表征各个待维修设备在相同工况下的性能，从而可以依据该输出值，也即多个待维修设备对应的多个性能参数的值来确定需要维修的待维修设备，实现了存在多个待维修设备的情况下合理安排维修的技术效果，进而保证了设备的正常运行。
本发明一个非限制性的实施例中，请参照图2，可以采用以下步骤训练所述性能检测模型：
步骤S201：获取多个待维修设备的当前运行数据，所述当前运行数据包括当前时刻及其之前的预设时间段内产生的实际运行数据；
步骤S202：提取所述当前运行数据的特征，并构建多个待维修设备的训练样本；
步骤S203：利用多个待维修设备的训练样本对多个待维修设备对应的性能检测模型进行训练。
在步骤S201的具体实施中，获取各个待维修设备的当前运行数据，以用于构建各个待维修设备的训练样本。当前运行数据可以包括当前时刻及其之前的预设时间段内产生的多个影响参数的值以及多个性能参数的值。
具体地，预设时间段的长度可以根据实际运行数据的数据密度和/或性能检测模型的复杂度来确定。例如，实际运行数据的数据密度越高，预设时间段的长度越短；性能检测模型的复杂度越高，设时间段的长度越长，本发明实施例对此不作限制。
在步骤S202的具体实施中，可以通过提取当前运行数据的特征来构建多个待维修设备的训练样本。提取当前运行数据的特征具体可以选自以下操作：计算当前运行数据的最大值；计算当前运行数据的平均值；计算当前运行数据的方差；计算当前运行数据的频域特征等。
进而在步骤S103的具体实施中，可以分别利用各个待维修设备的构建完成的训练样本对各个待维修设备对应的性能检测模型进行训练。
由此，可以获得各个待维修设备的训练完成的性能检测模型。
在一个具体实施例中，图2所示步骤S202可以进一步包括以下步骤：对所述当前运行数据进行分片；对分片后的当前运行数据进行预处理；提取预处理后的当前运行数据的特征。
具体实施中，当前运行数据可以是周期性数据，对当前运行数据分片时，可以按照产生当前运行数据的周期来进行分片，以得到多个分片数据。
对于每个分片数据，可以执行预处理操作，例如过滤重复数据等操作，本发明实施例对此不作限制。
进而可以对预处理后的当前运行数据，也即预处理后的分片数据提取特征。
本发明一个非限制性的实施例中，请参照图3，在图2所示步骤S201之前还可以包括以下步骤：
步骤S301：获取各个待维修设备的无性能退化数据，所述无性能退化数据为各个待维修设备处于正常运行且无性能退化阶段产生的运行数据；
步骤S302：提取所述无性能退化数据的特征，并构建各个待维修设备的初始训练样本以及验证样本；
步骤S303：利用各个待维修设备的初始训练样本对各个待维修设备对应的性能检测模型进行训练；
步骤S304：利用各个待维修设备的验证样本对各个待维修设备对应的性能检测模型进行验证。
在步骤S301的具体实施中，获取的是待维修设备的无性能退化数据，也即待维修设备处于正常运行且无性能退化阶段产生的运行数据。也就是说，对于多个无性能退化数据中的影响参数的值和性能参数的值，多个无性能退化数据中性能参数的值是相同的。
与前述步骤S202不同的是，在步骤S302的具体实施中，在提取无性能退化数据的特征后，可以将提取的特征划分为两部分，其中一部分为初始训练样本，另一部分为验证样本。
进而在步骤S303和步骤S304的具体实施中，分别利用初始训练样本和验证样本对性能检测模型进行训练和验证。
本发明实施例通过利用无性能退化数据来训练和验证性能检测模型，验证通过后的性能检测模型才能够用于构建待维修设备对应的性能检测模型，使得性能检测模型能够准确地表征待维修设备的性能。
进一步地，在步骤S301之前还可以包括以下步骤：确定所述待维修设备的性能参数以及与所述待维修设备的性能参数对应的影响参数；步骤S304之后可以包括以下步骤：若验证未通过，则重新确定与所述待维修设备的性能参数对应的影响参数。
也就是说，在对性能检测模型进行训练之前，需要先采集数据，也即确定待维修设备的各个性能参数的值以及待维修设备的各个影响参数的值。
进而，在性能检测模型验证未通过的情况下，需要重新采集数据，以重新对性能检测模型进行训练。
在本发明一个非限制性的实施例中，请参照图4，图1所述方法可以包括以下步骤：
步骤S401：确定当前维修能力；
其中，当前维修能力可以采用能够维修的设备的数量来表示，例如当前维修能力为维修5台设备。
步骤S402：确定参与排队的待维修设备；其中，参与排队的待维修设备将用于执行图1所示的各个步骤，以从中确定需要维修的设备。
步骤S403：在维修能力允许的条件下确定性能最差的若干待维修设备；
步骤S404：判断待维修设备是否被维修；如果是，则进入步骤S405，否则进入步骤S406；
步骤S405：判断等待时间是否超过排队周期T；如果是，则进入步骤S406，否则进入步骤S408；
步骤S406：参与下一轮排队；
步骤S407：设定排队周期；
步骤S408：不参与下一轮排队。
本实施例中，可以根据待维修设备是否被维修来确定其是否参与排队，也即执行下一次性能检测的检测时机，也即确定待维修设备执行下一轮图1所示的步骤S101至步骤S103的时机。具体而言，在待维修设备被维修的情况下，其执行下一次维修检测的等待时间需要达到预设排队周期，以避免待维修设备被过度维修，同时保证待维修设备的性能检测模型能够被及时维修，保证待维修设备的性能检测的准确性。
具体地，所述预设排队周期可以小于现有技术中定时维修间隔，并且所述预设排队周期可以大于性能检测模型的训练数据的采集时间，也即预设时间段的时间长度。
需要说明的是，预设排队周期的具体时间长度也可以是其他任意可实施的数值，并能够根据实际的应用场景进行适应性地配置，本发明实施例对此不作限制。
如前所述，多个性能参数的值可以表征多个待维修设备的性能，由此，按照多个待维修设备对应的多个性能参数的值的大小对所述多个待维修设备进行排序后，可以获得排序后的多个待维修设备。多个待维修设备的排列的顺序也即多个待维修设备的性能顺序，例如可以是性能从优到差的顺序，或者也可以是性能从差到优的顺序。
本发明实施例可以选取性能最差的预设数量的待维修设备作为需要维修的设备，以保证需要维修的设备能够及时得到维修，进而保证各个设备的正常运行。
需要说明的是，预设数量可以是预先确定的，具体可以根据当前的维修能力来确定。例如，当前的维修能力仅能对5个设备进行维修，则预设数量的值可以是5。
进一步而言，所述待维修设备对应的性能参数的值越大，所述待维修设备的性能越优。在这种情况下，按照性能参数的值从大到小的顺序对多个待维修设备进行排序，排序越靠前的待维修设备的性能越优。当然也可以按照性能参数的值从小到大的顺序对多个待维修设备进行排序，排序越靠前的待维修设备的性能越差。
或者，所述待维修设备对应的性能参数的值越小，所述待维修设备的性能越优。在这种情况下，按照性能参数的值从小到大的顺序对多个待维修设备进行排序，排序越靠前的待维修设备的性能越优。当然也可以按照性能参数的值从大到小的顺序对多个待维修设备进行排序，排序越靠前的待维修设备的性能越优。
例如，在一个具体应用场景中，对多个性能检测模型的输出，也即多个性能参数的值
按大小进行排列：
其中，ik表示待维修设备的编号，k＝1,2,…,n。当性能参数的值为越大越优型，待维修设备的性能从差到优的顺序为：i1，i2，…，in。当能参数的值为越小越优型，装备待维修设备的性能从差到优的排队顺序为：in，in-1，…，i1。
请参照图5，本发明实施例还公开了一种多设备维修装置50，多设备维修装置50可以包括性能检测模型确定模块501、模型计算模块502和维修设备确定模块503。
其中，性能检测模型确定模块501用以确定多个待维修设备对应的性能检测模型，每个待维修设备对应的性能检测模型是利用所述待维修设备的实际运行数据预先训练得到的；模型计算模块502用以将同一影响参数值分别输入至所述多个待维修设备对应的性能检测模型，以得到所述多个待维修设备对应的多个性能参数的值；维修设备确定模块503用以根据所述多个性能参数的值确定需要维修的待维修设备。
本发实施例中，待维修设备对应的性能检测模型的输出值可以表征该待维修设备的运行性能，由此，在各个待维修设备对应的性能检测模型输入相同的输入值的情况下，各个性能检测模型的输出值可以表征各个待维修设备在相同工况下的性能，从而可以依据该输出值，也即多个待维修设备对应的多个性能参数的值来确定需要维修的待维修设备，实现了存在多个待维修设备的情况下合理安排维修的技术效果，进而保证了设备的正常运行。
关于所述多设备维修装置50的工作原理、工作方式的更多内容，可以参照图1至图4中的相关描述，这里不再赘述。
本发明实施例还公开了一种存储介质，其上存储有计算机指令，所述计算机指令运行时可以执行图1至图4所示方法的步骤。所述存储介质可以包括ROM、RAM、磁盘或光盘等。所述存储介质还可以包括非挥发性存储器(non-volatile)或者非瞬态(non-transitory)存储器等。
本发明实施例还公开了一种终端，所述终端可以包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令。所述处理器运行所述计算机指令时可以执行图1至图4所示方法的步骤。所述终端包括但不限于手机、计算机、平板电脑等终端设备。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (10)
1.一种多设备维修方法，其特征在于，包括：
确定多个待维修设备对应的性能检测模型，每个待维修设备对应的性能检测模型是利用所述待维修设备的实际运行数据预先训练得到的，性能检测模型用于描述性能参数以及影响参数的关系；
将同一影响参数值分别输入至所述多个待维修设备对应的性能检测模型，以得到所述多个待维修设备对应的多个性能参数的值；
对所述多个性能参数的值进行排序，根据排序结果确定需要维修的待维修设备。
2.根据权利要求1所述的多设备维修方法，其特征在于，采用以下方式训练所述性能检测模型：
获取多个待维修设备的当前运行数据，所述当前运行数据包括当前时刻及其之前的预设时间段内产生的实际运行数据；
提取所述当前运行数据的特征，并构建多个待维修设备的训练样本；
利用多个待维修设备的训练样本对多个待维修设备对应的性能检测模型进行训练。
3.根据权利要求2所述的多设备维修方法，其特征在于，所述提取所述当前运行数据的特征包括：
对所述当前运行数据进行分片；
对分片后的当前运行数据进行预处理；
提取预处理后的当前运行数据的特征。
4.根据权利要求2所述的多设备维修方法，其特征在于，所述获取多个待维修设备的当前运行数据之前包括：
获取各个待维修设备的无性能退化数据，所述无性能退化数据为各个待维修设备处于正常运行且无性能退化阶段产生的运行数据；
提取所述无性能退化数据的特征，并构建各个待维修设备的初始训练样本以及验证样本；
利用各个待维修设备的初始训练样本训练得到各个待维修设备对应的性能检测模型；
利用各个待维修设备的验证样本对各个待维修设备对应的性能检测模型进行验证。
5.根据权利要求4所述的多设备维修方法，其特征在于，所述获取各个待维修设备的无性能退化数据之前包括：
确定所述待维修设备的性能参数以及与所述待维修设备的性能参数对应的影响参数；
所述利用各个待维修设备的验证样本对各个待维修设备对应的性能检测模型进行验证之后还包括：
若验证未通过，则重新确定与所述待维修设备的性能参数对应的影响参数。
6.根据权利要求1所述的多设备维修方法，其特征在于，所述对所述多个性能参数的值进行排序，根据排序结果确定需要维修的待维修设备包括：
根据所述多个性能参数的值，对所述多个待维修设备的性能进行排序，所述需要维修的待维修设备为性能最差的若干待维修设备；其中，所述需要维修的待维修设备的数量根据当前维修能力确定。
7.根据权利要求1所述的多设备维修方法，其特征在于，所述确定多个待维修设备对应的性能检测模型包括：
判断多个待维修设备是否被维修；
如果待维修设备被维修，确定所述待维修设备最近一次维修的时刻；
计算当前时刻与所述最近一次维修的时刻的时间差，以作为所述待维修设备的等待时间；
如果待维修设备未被维修，或者所述待维修设备的等待时间达到预设排队周期，则继续确定所述待维修设备的性能检测模型。
8.一种多设备维修装置，其特征在于，包括：
性能检测模型确定模块，用以确定多个待维修设备对应的性能检测模型，每个待维修设备对应的性能检测模型是利用所述待维修设备的实际运行数据预先训练得到的，性能检测模型用于描述性能参数以及影响参数的关系；
模型计算模块，用以将同一影响参数值分别输入至所述多个待维修设备对应的性能检测模型，以得到所述多个待维修设备对应的多个性能参数的值；
维修设备确定模块，用以对所述多个性能参数的值进行排序，根据排序结果确定需要维修的待维修设备。
9.一种存储介质，其上存储有计算机指令，其特征在于，所述计算机指令运行时执行权利要求1至7中任一项所述多设备维修方法的步骤。
10.一种终端，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，其特征在于，所述处理器运行所述计算机指令时执行权利要求1至7中任一项所述多设备维修方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910845425.5A CN112541597A (zh) | 2019-09-04 | 2019-09-04 | 多设备维修方法及装置、存储介质、终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910845425.5A CN112541597A (zh) | 2019-09-04 | 2019-09-04 | 多设备维修方法及装置、存储介质、终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112541597A true CN112541597A (zh) | 2021-03-23 |
Family
ID=75012106
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910845425.5A Pending CN112541597A (zh) | 2019-09-04 | 2019-09-04 | 多设备维修方法及装置、存储介质、终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112541597A (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002140446A (ja) * | 2000-10-31 | 2002-05-17 | Kawasaki Heavy Ind Ltd | 整備管理システム |
| CN101950382A (zh) * | 2010-09-01 | 2011-01-19 | 燕山大学 | 一种带有风险控制的液压设备最优维修决策方法 |
| CN102768115A (zh) * | 2012-06-27 | 2012-11-07 | 华北电力大学 | 一种风电机组齿轮箱健康状态实时动态监控方法 |
| CN103853786A (zh) * | 2012-12-06 | 2014-06-11 | 中国电信股份有限公司 | 数据库参数的优化方法与系统 |
| US20140201571A1 (en) * | 2005-07-11 | 2014-07-17 | Brooks Automation, Inc. | Intelligent condition monitoring and fault diagnostic system for preventative maintenance |
| CN105043776A (zh) * | 2015-08-12 | 2015-11-11 | 中国人民解放军空军勤务学院 | 一种飞机发动机性能监控与故障诊断方法 |
| KR101713985B1 (ko) * | 2016-09-02 | 2017-03-09 | 에이블맥스(주) | 예지 정비 방법 및 장치 |
| CN107025488A (zh) * | 2017-03-30 | 2017-08-08 | 广东中设智控科技股份有限公司 | 一种设备检维修方法及系统 |
| CN107305651A (zh) * | 2016-04-21 | 2017-10-31 | 云南电网有限责任公司昭通供电局 | 一种输电系统可靠性评估方法和系统 |
| CN107315396A (zh) * | 2017-05-27 | 2017-11-03 | 中国电子科技集团公司第三十六研究所 | 一种状态监测维修与预测维修混合维修规划方法及系统 |
| US20180080305A1 (en) * | 2015-05-18 | 2018-03-22 | Halliburton Energy Services, Inc. | Condition based maintenance program based on life-stress acceleration model and time-varying stress model |
| CN108009692A (zh) * | 2017-12-26 | 2018-05-08 | 东软集团股份有限公司 | 设备维修信息处理方法、装置、计算机设备和存储介质 |
| CN108256700A (zh) * | 2018-04-13 | 2018-07-06 | 中国人民解放军火箭军工程大学 | 一种维修设备剩余寿命预测方法及系统 |
| CN108304941A (zh) * | 2017-12-18 | 2018-07-20 | 中国软件与技术服务股份有限公司 | 一种基于机器学习的故障预测方法 |
| CN108335021A (zh) * | 2018-01-19 | 2018-07-27 | 华中科技大学 | 一种风力机状态可靠度评估的方法及维修决策优化 |
| CN109625025A (zh) * | 2018-12-13 | 2019-04-16 | 北京交大思诺科技股份有限公司 | Btm设备预警系统 |
| CN109858746A (zh) * | 2018-12-26 | 2019-06-07 | 阳光电源股份有限公司 | 一种故障工单派发方法和故障工单管理系统 |
| CN109902399A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于att-cnn的变工况下滚动轴承故障识别方法 |
-
2019
- 2019-09-04 CN CN201910845425.5A patent/CN112541597A/zh active Pending
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002140446A (ja) * | 2000-10-31 | 2002-05-17 | Kawasaki Heavy Ind Ltd | 整備管理システム |
| US20140201571A1 (en) * | 2005-07-11 | 2014-07-17 | Brooks Automation, Inc. | Intelligent condition monitoring and fault diagnostic system for preventative maintenance |
| CN101950382A (zh) * | 2010-09-01 | 2011-01-19 | 燕山大学 | 一种带有风险控制的液压设备最优维修决策方法 |
| CN102768115A (zh) * | 2012-06-27 | 2012-11-07 | 华北电力大学 | 一种风电机组齿轮箱健康状态实时动态监控方法 |
| CN103853786A (zh) * | 2012-12-06 | 2014-06-11 | 中国电信股份有限公司 | 数据库参数的优化方法与系统 |
| US20180080305A1 (en) * | 2015-05-18 | 2018-03-22 | Halliburton Energy Services, Inc. | Condition based maintenance program based on life-stress acceleration model and time-varying stress model |
| CN105043776A (zh) * | 2015-08-12 | 2015-11-11 | 中国人民解放军空军勤务学院 | 一种飞机发动机性能监控与故障诊断方法 |
| CN107305651A (zh) * | 2016-04-21 | 2017-10-31 | 云南电网有限责任公司昭通供电局 | 一种输电系统可靠性评估方法和系统 |
| KR101713985B1 (ko) * | 2016-09-02 | 2017-03-09 | 에이블맥스(주) | 예지 정비 방법 및 장치 |
| CN107025488A (zh) * | 2017-03-30 | 2017-08-08 | 广东中设智控科技股份有限公司 | 一种设备检维修方法及系统 |
| CN107315396A (zh) * | 2017-05-27 | 2017-11-03 | 中国电子科技集团公司第三十六研究所 | 一种状态监测维修与预测维修混合维修规划方法及系统 |
| CN108304941A (zh) * | 2017-12-18 | 2018-07-20 | 中国软件与技术服务股份有限公司 | 一种基于机器学习的故障预测方法 |
| CN108009692A (zh) * | 2017-12-26 | 2018-05-08 | 东软集团股份有限公司 | 设备维修信息处理方法、装置、计算机设备和存储介质 |
| CN108335021A (zh) * | 2018-01-19 | 2018-07-27 | 华中科技大学 | 一种风力机状态可靠度评估的方法及维修决策优化 |
| CN108256700A (zh) * | 2018-04-13 | 2018-07-06 | 中国人民解放军火箭军工程大学 | 一种维修设备剩余寿命预测方法及系统 |
| CN109625025A (zh) * | 2018-12-13 | 2019-04-16 | 北京交大思诺科技股份有限公司 | Btm设备预警系统 |
| CN109858746A (zh) * | 2018-12-26 | 2019-06-07 | 阳光电源股份有限公司 | 一种故障工单派发方法和故障工单管理系统 |
| CN109902399A (zh) * | 2019-03-01 | 2019-06-18 | 哈尔滨理工大学 | 一种基于att-cnn的变工况下滚动轴承故障识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 王远航等: "基于多故障模式的复杂机械设备预防性维修决策", 《计算机集成制造系统》, vol. 21, no. 9, pages 2504 - 2514 * |
| 陈浩等: "基于状态维修的预防性维修策略优化模型研究", 《航空工程进展》, vol. 9, no. 3, pages 441 - 446 * |
| 马惠: "排队模型在多服务台设备维修管理中的应用", 《设备管理与维修》, no. 10, pages 14 - 17 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108139446B (zh) | 用于预测电池测试结果的电池测试系统 | |
| CN109376615B (zh) | 用于提升深度学习网络预测性能的方法、装置及存储介质 | |
| CN109324291B (zh) | 一种针对质子交换膜燃料电池寿命预测的预测方法 | |
| EP2991003A2 (en) | Method and apparatus for classification | |
| CN107015875B (zh) | 一种电子整机贮存寿命评估方法及装置 | |
| WO2020057593A1 (zh) | 一种卷积神经网络的卷积处理方法、装置及存储介质 | |
| CN111881023B (zh) | 一种基于多模型对比的软件老化预测方法及装置 | |
| CN109886328B (zh) | 一种电动汽车充电设施故障预测方法与系统 | |
| CN110929867B (zh) | 神经网络结构的评估、确定方法、装置和存储介质 | |
| CN110766236A (zh) | 基于统计分析和深度学习的电力设备状态趋势预测方法 | |
| CN113541985A (zh) | 物联网故障诊断方法、模型的训练方法及相关装置 | |
| CN114220479A (zh) | 一种蛋白质结构预测方法、蛋白质结构预测装置及介质 | |
| CN116226676B (zh) | 适用于极端环境的机床故障预测模型生成方法及相关设备 | |
| US20230326191A1 (en) | Method and Apparatus for Enhancing Performance of Machine Learning Classification Task | |
| CN111400964B (zh) | 一种故障发生时间预测方法及装置 | |
| CN117289167A (zh) | 基于多重神经网络的电池剩余寿命预测方法、装置及介质 | |
| CN110704614B (zh) | 对应用中的用户群类型进行预测的信息处理方法及装置 | |
| US11494691B2 (en) | Systems and methods for accelerating model training in machine learning | |
| CN112541597A (zh) | 多设备维修方法及装置、存储介质、终端 | |
| US20220058530A1 (en) | Method and device for optimizing deep learning model conversion, and storage medium | |
| CN111061254B (zh) | 一种phm系统性能的评价方法及系统 | |
| CN108985341A (zh) | 一种神经网络模型的训练集评估方法及系统 | |
| CN111786824A (zh) | 数据中心能效比优化方法、系统、设备及可读存储介质 | |
| CN108875205A (zh) | 一种基于可达矩阵和离散事件驱动的系统可用度高效仿真方法 | |
| CN116501915B (zh) | 一种能量管理端语音页面检索方法及系统 |
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 |