CN113095606A - 设备维修的预判方法、装置及系统 - Google Patents
设备维修的预判方法、装置及系统 Download PDFInfo
- Publication number
- CN113095606A CN113095606A CN202110640154.7A CN202110640154A CN113095606A CN 113095606 A CN113095606 A CN 113095606A CN 202110640154 A CN202110640154 A CN 202110640154A CN 113095606 A CN113095606 A CN 113095606A
- Authority
- CN
- China
- Prior art keywords
- equipment
- judged
- maintenance
- information
- judgment
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种设备维修的预判方法、装置及系统,涉及自动化技术的领域,该方法包括:获取待预判设备的属性信息,以及预设时间段内待预判设备的运行参数;基于属性信息、运行参数以及预先配置的待预判设备对应的预判指标对待预判设备的进行状态分析,以确定待预判设备是否满足维修拐点的预判条件;如果是,输出待预判设备的维修拐点信息,以对待预判设备的维修拐点进行预判。本发明提供的设备维修的预判方法、装置及系统,整个预判过程不需要人工参与,有效避免了人工判断的局限性,并能够基于点检信息及时发现待预判设备的维修拐点,以便于提前对待预判设备进行维修,不仅提高了效率,也有助于实现待预判设备的最大效益化。
Description
技术领域
本发明涉及自动化技术的技术领域,尤其是涉及一种设备维修的预判方法、装置及系统。
背景技术
机械设备在长期的运行过程中,机械部件因为磨损会导致间隙增大、配合改变等问题,直接影响到机械设备原有的受力平衡、稳定性和可靠性,并且,机械设备的工作性能也因此而变差或失效,乃至无法正常运行。
因此,现代企业制度下的设备全寿命周期管理(Equipment Overall Life CycleManagement)任务,会以生产经营为目标,通过一系列的技术手段、管理措施和经济活动等,对机械设备的规划、设计、制造、选型、购置、安装、使用、维护、维修、改造、更新直至报废的全过程进行管理,以获得机械设备寿命周期费用最经济、设备综合产能最高的理想目标。
而机械设备中的选矿机械设备,或者说选矿设备,通常以处理矿石、矿物为主,尤其是碎磨设备、矿石输送设备、矿浆输送设备等。其设备损坏的原因主要有两个方面,一个方面是作业条件不合理、操作不当导致设备过度消耗、造成故障;一个方面是物理上矿石、矿砂的撞击、磨蚀、冲刷、堵塞等作用对设备的运动部件形成消耗、造成故障。因此,为了保证设备能够正常运行,其定期的维修和保养是很重要的,而现有技术中,对设备的维修和保养通常都是基于人工视觉或者听觉的自主判断,或者定周期的对设备进行维修,不仅效率低下,也难以及时发现问题,导致难以实现设备最大的效益化。
发明内容
有鉴于此,本发明的目的在于提供一种设备维修的预判方法、装置及系统,以缓解上述技术问题。
第一方面,本发明实施例提供了一种设备维修的预判方法,包括:获取待预判设备的属性信息,以及预设时间段内所述待预判设备的运行参数;其中,所述待预判设备为选矿机械设备;所述运行参数包括所述待预判设备关联的自动化数据和点巡检数据;基于所述属性信息、所述运行参数以及预先配置的所述待预判设备对应的预判指标对所述待预判设备的进行状态分析,以确定所述待预判设备是否满足维修拐点的预判条件;如果是,输出所述待预判设备的维修拐点信息,以对所述待预判设备的维修拐点进行预判。
优选地,在一种可能的实施方式中,上述基于所述属性信息、所述运行参数以及预先配置的所述待预判设备对应的预判指标对所述待预判设备的进行状态分析,以确定所述待预判设备是否满足维修拐点的预判条件的步骤,包括:基于所述属性信息确定所述待预判设备对应的预判模型,其中,所述预判模型为预先建立的对所述运行参数进行统计分析的分布式统计模型;将所述运行参数输入至所述预判模型,以使所述预判模型根据所述运行参数对所述待预判设备的维修状态进行统计分析;判断所述统计分析的结果是否超出预先配置的所述待预判设备对应的预判指标;如果是,确定所述待预判设备满足维修拐点的预判条件。
优选地,在一种可能的实施方式中,上述预设时间段包括至少一个连续的工作周期;获取预设时间段内所述待预判设备的运行参数的步骤包括:获取预设时间段内至少一个连续的所述工作周期的运行参数。
优选地,在一种可能的实施方式中,上述运行参数包括所述待预判设备运行时的变量信息;将所述运行参数输入至所述预判模型,以使所述预判模型根据所述运行参数对所述待预判设备的维修状态进行统计分析的步骤,包括:将所述运行参数按照至少一个连续的所述工作周期输入至所述预判模型,以使所述预判模型按照所述工作周期,以及所述变量信息对应的分布范围和分布步长对所述运行参数中所包括的变量信息进行分布式的统计分析,并生成统计分析的结果;其中,所述统计分析的结果包括每个工作周期内所述变量信息的分布情况。
优选地,在一种可能的实施方式中,上述预先配置的所述待预判设备对应的预判指标包括所述变量信息对应的上限指标和下限指标;判断所述统计分析的结果是否超出预先配置的所述待预判设备对应的预判指标的步骤,包括:基于所述统计分析的结果判断每个工作周期内所述变量信息的分布情况是否满足所述变量信息对应的上限指标和下限指标对应的变量范围;如果是,确定所述统计分析的结果未超出预先配置的所述待预判设备对应的预判指标;如果否,确定所述统计分析的结果超出预先配置的所述待预判设备对应的预判指标。
优选地,在一种可能的实施方式中,上述获取待预判设备的属性信息,以及预设时间段内所述待预判设备的点检信息的步骤,包括:从预先建立的设备数据库中获取所述待预判设备的属性信息,以及,从预先建立的运行参数数据库中获取所述预设时间段内所述待预判设备的运行参数;将所述属性信息和所述运行参数按照预设的数据格式进行数据汇总;其中,所述设备数据库中存储有多个选矿机械设备的设备标识,以及,每个设备标识对应的属性字段;所述属性字段包括以下字段至少之一:设备名称、设备工艺名称、设备驱动方式;所述运行参数数据库包括自动化数据库和点检数据库,所述自动化数据库包括多个所述选矿机械设备运行过程中采集的自动化数据,所述自动化数据包括以下数据中的一种或多种:功率信息、电流信息、电压信息、温度信息,以及工作状态信息;所述点检数据库包括基于点检内容记录的多个所述选矿机械设备的点检信息。
优选地,在一种可能的实施方式中,上述输出所述待预判设备的维修拐点信息之后,所述方法还包括:根据所述维修拐点信息生成所述待预判设备对应的维修任务信息,并将所述维修任务信息发生至维修终端,以通过所述维修终端对所述维修任务信息进行展示;其中,所述维修任务信息包括所述待预判设备的设备标识、所述维修拐点信息对应的维修部位、以及维修任务所需的维修信息,所述维修信息包括以下信息至少之一:维修工时、维修工具和维修备件信息。
第二方面,本发明实施例还提供一种设备维修的预判装置,包括:获取模块,用于获取待预判设备的属性信息,以及预设时间段内所述待预判设备的运行参数;其中,所述待预判设备为选矿机械设备;所述运行参数包括所述待预判设备关联的自动化数据和点巡检数据;预判模块,用于基于所述属性信息、所述运行参数以及预先配置的所述待预判设备对应的预判指标对所述待预判设备的进行状态分析,以确定所述待预判设备是否满足维修拐点的预判条件;输出模块,用于确定所述待预判设备满足维修拐点的预判条件时,输出所述待预判设备的维修拐点信息,以对所述待预判设备的维修拐点进行预判。
第三方面,本发明实施例还提供一种设备维修的预判系统,所述系统配置有服务器,所述服务器用于执行第一方面所述的设备维修的预判方法。
第四方面,本发明实施例还提供一种服务器,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现第一方面所述的方法。
第五方面,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现第一方面所述的方法。
本发明实施例带来了以下有益效果:
本发明实施例提供的设备维修的预判方法、装置及系统,能够获取待预判设备的属性信息,以及预设时间段内待预判设备的运行参数,进而基于属性信息、运行参数以及预先配置的待预判设备对应的预判指标对待预判设备的进行状态分析,以确定待预判设备是否满足维修拐点的预判条件,并在待预判设备满足维修拐点的预判条件时,输出待预判设备的维修拐点信息,以实现对待预判设备的维修拐点进行预判,在分析过程中由于是基于属性信息、运行参数和预判指标进行的,因此,整个预判过程并不需要人工参与,有效避免了人工自主判断的局限性,并且,由于是对维修拐点进行的预判,因此能够基于运行参数及时发现待预判设备的维修拐点,以便于提前对待预判设备进行维修,不仅提高了效率,也有助于实现待预判设备的最大效益化。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域技术人员来讲,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为本发明实施例提供的一种设备维修的预判方法的流程图;
图2为本发明实施例提供的另一种设备维修的预判方法的流程图;
图3为本发明实施例提供的一种统计分析的结果的示意图;
图4为本发明实施例提供的一种设备维修的预判装置的结构示意图;
图5为本发明实施例提供的一种服务器的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
选矿机械设备(以下简称设备)是矿山作业中最重要的组成部分,设备的运转率以及运转效率是保障矿山作业必不可少的条件,但是,设备在长期、不同环境的使用过程中,会出现机械部件磨损,间隙增大,配合改变等,直接影响到设备原有的平衡,以及设备的稳定性和可靠性,其使用效益均会有相当程度的降低,甚至会导致设备丧失其固有的基本性能,无法正常运行。
因此,对设备定期的维修和养护是十分重要的,但是,目前对于设备每次的维修或者养护,都需要停机进行,这样自然而然就降低了设备的运转率,并且,以往设备的是否需要维修和养护都是靠人工视觉或者听觉自主进行判断的,甚至是定周期的进行设备的维修,这样的手段方法往往过于不灵活,不能及时的发现问题或者是协调好各设备之间的关系,难以实现设备最大的效益化。
基于此,本发明实施例提供的一种设备维修的预判方法、装置及系统,可以有效缓解上述问题。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种设备维修的预判方法进行详细介绍。
在一种可能的实施方式中,本发明实施例提供了一种设备维修的预判方法,如图1所示的一种设备维修的预判方法的流程图,该方法包括:
步骤S102,获取待预判设备的属性信息,以及预设时间段内待预判设备的运行参数;
其中,上述待预判设备为选矿机械设备,包括碎磨设备、矿石输送设备、矿浆输送设备等等,具体地,可以是上述选矿机械设备中的一种,也可以是一类。而上述待预判设备的属性信息,通常存储在设备数据库中,并且,为了能够实现智能化地获取上述属性信息,通常,上述设备数据库中属性信息按照预设的数字化格式进行表达,并且,该设备数据库通常是基于现场实际信息构建的,例如,可以将选矿机械设备按照设备类型导入到预设的模板中,以形成统一的数字化格式,进而对选矿机械设备进行统一的数字化管理。
进一步,上述运行参数包括待预判设备关联的自动化数据和点巡检数据;且,运行参数通常也存储在相应的数据库中,在实际使用时,对于每一类或者每一种选矿机械设备,可以预先制定相应的设备巡检项目,例如,哪些参数可以通过自动化系统去采集,哪些参数需要通过点巡检的方式进行采集等等,需要通过点巡检方式进行采集的参数,则可以预先制定相应的设备点检项目,以便于将点检规范与具体的选矿机械设备构成层级关联,使得点检工作更加准确和高效,并且,还可以根据选矿厂的环境设置点检路线、点检站点,并按照设备管理的需要将点检项目按照点检站点和点检路线有机封装在一起,以便于对点检过程进行管理。
步骤S104,基于属性信息、运行参数以及预先配置的待预判设备对应的预判指标对待预判设备的进行状态分析,以确定待预判设备是否满足维修拐点的预判条件;
步骤S106,如果是,输出待预判设备的维修拐点信息,以对待预判设备的维修拐点进行预判。
在实际使用时,随着选矿机械设备的自动化程度不断提高,且选矿机械设备自带的自动化系统也可以提供大量的实时数据,因此,上述自动化数据和点巡检数据通常也包括大量的数据,当执行上述步骤S104的过程,进行状态分析时,实际是对大量的数据进行统计分析的过程,即,本发明实施例提供的上述设备维修的预判方法,实际是一种基于大数据的选矿机械设备预判型维修的方法,工作人员或者维修人员可以在根据设备数据库选择需要分析的设备,即待预判设备,对其属性信息和运行参数进行分布统计分析,通过分析结果,可以观察分布趋势的变化,进而判断出待预判设备的维修拐点,实现维修的预判过程。
因此,本发明实施例提供的设备维修的预判方法,能够获取待预判设备的属性信息,以及预设时间段内待预判设备的运行参数,进而基于属性信息、运行参数以及预先配置的待预判设备对应的预判指标对待预判设备的进行状态分析,以确定待预判设备是否满足维修拐点的预判条件,并在待预判设备满足维修拐点的预判条件时,输出待预判设备的维修拐点信息,以实现对待预判设备的维修拐点进行预判,在分析过程中由于是基于属性信息、运行参数和预判指标进行的,因此,整个预判过程并不需要人工参与,有效避免了人工自主判断的局限性,并且,由于是对维修拐点进行的预判,因此能够基于运行参数及时发现待预判设备的维修拐点,以便于提前对待预判设备进行维修,不仅提高了效率,也有助于实现待预判设备的最大效益化。
在实际使用时,上述步骤S104中记载的状态分析过程,实际是对大数据进行分布式统计分析的过程,具体地,通常是利用预设的统计分布式算法分析运行参数中包括的相关数据在时域上的分布趋势,从而间接判断待预判设备的运动部件的状态变化趋势,以便于找到备品备件消耗导致的生产性能产生的“拐点”,进而确定备品备件的剩余运行时间、指导备品备件维修更换计划等等,具体实现时,上述预设的统计分布式算法通常是以预判模型来体现,即本发明实施例中的统计分析过程,通常通过预先建立的预判模型来实现。因此,在图1的基础上,本发明实施例还提供了另一种设备维修的预判方法,对待预判设备的状态分析过程进行详细描述,具体地,如图2所示,包括以下步骤:
步骤S202,获取待预判设备的属性信息,以及预设时间段内待预判设备的运行参数;
其中,待预判设备为选矿机械设备;运行参数包括待预判设备关联的自动化数据和点巡检数据。
具体地,该步骤中获取属性信息和运行参数时,是从预先建立的设备数据库中获取待预判设备的属性信息,以及,从预先建立的运行参数库中获取预设时间段内待预判设备的运行参数;然后将待预判设备的属性信息和运行参数按照预设的数据格式进行数据汇总。
其中,由前述可知,设备数据库是指对选矿机械设备构成的一种数字化表达,以便于在进行维修预判时,可以基于该数字化表达去自动获取上述属性信息。具体地,本发明实施例中,设备数据库中存储有多个选矿机械设备的设备标识,以及,每个设备标识对应的属性字段;而属性字段包括以下字段至少之一:设备名称、设备工艺名称、设备驱动方式。
在实际使用时,上述设备数据库通常是以选矿工艺用到的设备类型为集合对象,构建的一种选矿机械设备的“解构”模型数据库,该“解构”与设备的“装配”是一个“逆过程”。解构模型数据库可以按照选矿机械设备适用的工艺范围(一级设备分类)、设备适用的工序类别(二级设备分类)、主体构成类型(对应设备的总装图)、部件构成类型(构成每一个主体构成的部件称为一级部件)的层次对选矿机械设备的构成进行“解构”。鉴于“部件”有可能是由各种各样的零部件一级一级地装配起来的,因此在部件构成类型这个层级内部采用“嵌套”设计,可以使上述设备数据库从理论上实现“无限极”的部件解构数据化。
进一步,上述运行参数数据库包括自动化数据库和点检数据库,自动化数据库包括多个选矿机械设备运行过程中采集的自动化数据,自动化数据包括以下数据中的一种或多种:功率信息、电流信息、电压信息、温度信息,以及工作状态信息。具体地,这些自动化数据体通常是选矿机械设备自带的自动化系统提供的大量的实时数据,通常,这些自动化系统都配置有相应的数据采集软件,可以对上述实时数据进行采集和存储,具体地,这些自动化系统在选矿机械设备运行时,能够确定这些设备的运行信息以及生产信息是否已经采集到软件系统内,并且与生产组织编码、设备资产编码等标识有机的整合在一起,而对于上述自动化系统中采集的相关变量进行整理时,可以利用系统自带的数据模板,如Excel模板等等,将变量信息以及基础自动化信息导入自动化系统中,根据自动化系统中对应的设备部位关联对应的自动化数据等变量,并根据预设的规则生成统一的tag标签等等,此外,也可以利用工业数据采集软件,从现场基础自动化系统或者工程师站中采集获取相关的变量信息,并建立与之对应的HMI变量等等,具体地自动化系统对自动化数据的采集和存储过程可以参考相关技术实现,本发明实施例对此不进行限制。
进一步,上述点检数据库则包括基于点检内容记录的多个选矿机械设备的点检信息,具体地,该点检数据库也可以进行点检数据的规范化,传统的设备点检以采用“五感”为主,即视觉、听觉、触觉、味觉和嗅觉,偶尔也有采用工具和仪器。“五感”点检要求执行人员非常了解设备构成、工作原理和运行中表现出的各种异常状态,具有丰富的实践经验、非常了解相关标准规范;但是随着矿山技术从业人员越来越少,经验丰富的专业点检人员越来越少,同时人的“五感”有较大的“不确定性”、因人而异,因此传统的点检结果很难聚焦、无法充分的反映出设备的状态。而本发明实施例中,通过总结提炼不同选矿机械设备、不同构成、不同部件“五感”点检可能发现的典型“异常”,并对“异常”的具体“状态”进行等级划分、从而使得“五感”点检规范具备了“数值化”的条件,为通过计算机编程和数据库处理点检规范创造了前提条件。此外,还可以对选矿机械设备的点检设备,如工具、仪表的点检方法和结果进行了“数值化”规范,从而实现了选矿机械设备点检的全面数字化、数值化、标准化。
因此,本发明实施例中,对于上述设备的点检过程,可以对点检周期进行管理。例如,可以根据选矿厂的作业制度设定作业周期类型,即执行点检任务的时间间隔。对于随机发生的点检行为,可以通过“即时点检”实现,这样,管理人员在管理设备点检任务时,可以对任意一条路线的执行周期、执行人员、生效时间等进行配置管理。并在点检任务生效后,将点检任务均发布到执行人员的移动终端上,使执行人员在规定的时间、区间内完成即可,对于点检任务中的所有点检结果数据,均可以实时存储或批量存储在数据库中,以形成上述点检信息,以便于在执行上述步骤S202时能够从数据库中直接去获取对应的点检信息。
步骤S204,基于属性信息确定待预判设备对应的预判模型;
其中,本发明实施例中,预判模型为预先建立的对运行参数进行统计分析的分布式统计模型;
在实际使用时,上述预判模型实际是一种基于数学建模的模型,具体地,可以基于上述运行参数中的实时数据,以及点检数据库中的历史数据中抽取具有代表性的数据,形成建模的输入样本,并利用线性回归、分类等机器学习算法进行训练,当训练后的模型收敛且满足一定的建模的精度即可以应用,以获得上述预判模型。
步骤S206,将运行参数输入至预判模型,以使预判模型根据运行参数对待预判设备的维修状态进行统计分析;
具体地,上述步骤S202中的预设时间段包括至少一个连续的工作周期;因此,在步骤S202中,获取预设时间段内待预判设备的运行参数时,是获取预设时间段内至少一个连续的工作周期的运行参数。例如,可以以上一次的预判时间为起点,到当前日期为一个预设时间段,期间的每一个月为一个工作周期,可以获得多个工作周期,此外,还可以将每半年、每季度或者每几个月设置为一个预设时间段,每月、每周或者每隔预设的天数设置为一个工作周期等等,具体可以根据实际使用情况进行设置,本发明实施例对此不进行限制。
进一步,上述运行参数包括待预判设备运行时的变量信息,例如,选矿机械设备运行过程中采集的自动化数据所包括的:功率信息、电流信息、电压信息、温度信息,以及工作状态信息等等,都可以视为变量信息。对于这些运行参数,在进行统计分析时,通常是将运行参数按照至少一个连续的工作周期输入至预判模型,以使预判模型按照工作周期,以及变量信息对应的分布范围和分布步长对运行参数中所包括的变量信息进行分布式的统计分析,并生成统计分析的结果;其中,统计分析的结果包括每个工作周期内变量信息的分布情况。
具体地,以待预判设备为半磨机,选取的变量信息为功率信息为例进行说明,当工作人员选择半磨机为待预判设备时,在获取属性信息时,通常会获取到该半磨机的设备标识,以及该设备标识对应的属性字段,如该半磨机的具体型号,驱动方式等等,并基于该设备标识在自动化数据库中查找预设时间段内多个连续的工作周期所记录的功率信息,以便于按照该半磨机的功率信息对应的功率分布范围以及功率分布步长对半磨机的功率信息进行分布式的统计分析,以获得在预设时间段内功率在时域上的分布趋势,以便于进一步判断该半磨机的功率的变化趋势。
为了便于理解,图3还示出了一种半磨机的统计分析的结果的示意图,如图3所示,示出的是变量信息为功率信息的统计分析结果示意图,其中,日期所在的一行表示预设时间段(9月20日~1月14日)包括的多个连续的工作周期(以一个月为一个工作周期,最后一个工作周期截止到当前日期1月14日),功率所在的一列表示功率信息对应的分布范围(4000~10000)和分布步长(每500为一个步长),当该预设时间段的实时数据所包括的功率信息输入至预判模型之后,预判模型能够得出该预设时间段内半磨机的在每个工作周期的实际功率落入每个分布步长的概率分布,从而间接得出该半磨机功率的变化趋势,生成统计分析的结果之后,可以继续执行下述步骤,找到该半磨机的维修拐点。
步骤S208,判断统计分析的结果是否超出预先配置的待预判设备对应的预判指标;
具体地,上述预先配置的待预判设备对应的预判指标包括变量信息对应的上限指标和下限指标;因此,该步骤中是否超出预判指标时,可以基于统计分析的结果判断每个工作周期内变量信息的分布情况是否满足变量信息对应的上限指标和下限指标对应的变量范围;如果是,确定统计分析的结果未超出预先配置的待预判设备对应的预判指标;如果否,确定统计分析的结果超出预先配置的待预判设备对应的预判指标。
例如,对于半磨机的功率信息,可以基于经验值预先设置每个工作周期对应的功率上限和功率下限,如果半磨机的实际功率在某个工作周期内超出了功率上限或者功率下限,可以对该工作周期的数据进行高亮显示处理,以便于将统计结果呈现给工作人员。此外,除上述直接数据的上限和下限,还可以设置变量信息对应的最大值、最小值、均值、方差、众数、中数等指标,即,在变量信息对应的上限指标和下限指标可以是均值或者方差等指标,在对变量信息进行统计时,可以先计算变量信息的指标,如均值、方差等,再判断该指标是否满足上述上限指标和下限指标,具体的指标的设置情况可以根据实际使用情况进行设置,本发明实施例对此不进行限制。
步骤S210,如果是,确定待预判设备满足维修拐点的预判条件。
步骤S212,输出待预判设备的维修拐点信息,以对待预判设备的维修拐点进行预判。
进一步,在该步骤S212输出待预判设备的维修拐点信息之后,还可以根据维修拐点信息生成待预判设备对应的维修任务信息,并将维修任务信息发生至维修终端,以通过维修终端对维修任务信息进行展示。
在实际使用时,上述维修终端通常是工作人员或者实施维修的维修人员配备的智能终端,当步骤S208中判断出统计分析的结果超出预先配置的待预判设备对应的预判指标时,可以向维修终端发送提示,以指导维修人员对选矿机械设备进行现场维修。
具体地,上述维修任务信息通常包括待预判设备的设备标识、维修拐点信息对应的维修部位、以及维修任务所需的维修信息,其中,维修信息包括以下信息至少之一:维修工时、维修工具和维修备件信息,而维修备件信息还可以进一步包括维修所需的备件的数量,以及该备件的剩余数量等等,具体可以根据实际使用情况进行设置,本发明对此不进行限制。
综上,本发明实施例提供的设备维修的预判方法,可以基于运行参数和预先配置的待预判设备对应的预判指标对待预判设备的变量信息进行分布式的统计分析,而对于统计分析所需的统计周期(如预设时间段,以及预设时间段所包括的工作周期)、分布范围、分布步长,以及预判指标等数据,均可以进行配置,以便于利用统计分布式算法分析相关数据在时域上的分布趋势,从而间接判断待预判设备的状态变化趋势,找到备品备件消耗导致的生产性能产生的“拐点”,进而确定备品备件的剩余运行时间,以指导备品备件维修更换计划。此外,对于大量的运行参数,还可以进行数据滤波或者数据清洗等操作,以保证原始数据的质量,确保数据分析的可靠性。
此外,对于上述运行参数数据库中所包括的自动化数据和点巡检数据,还可以结合上述预判指标对预判模型进行训练,例如,可以从自动化数据和点巡检数据和预判指标中抽取具有代表性的数据形成建模的输入样本,利用线性回归、分类等机器学习算法训练上述预判模型,可以判断出此时的模型是否发生偏移,如果发生偏移,则会发出报警提示,并将报警信息发送至工作人员或者监控人员的终端,同时生成满足现状的最合适的模型并进行更换等等。具体的训练方式可以根据实际使用情况进行设置,本发明实施例对此不进行限制。
在上述实施例的基础上,本发明实施例还提供了一种设备维修的预判装置,具体地,如图4所示的一种设备维修的预判装置的结构示意图,包括以下结构:
获取模块40,用于获取待预判设备的属性信息,以及预设时间段内所述待预判设备的运行参数;其中,所述待预判设备为选矿机械设备;所述运行参数包括所述待预判设备关联的自动化数据和点巡检数据;
预判模块42,用于基于所述属性信息、所述运行参数以及预先配置的所述待预判设备对应的预判指标对所述待预判设备的进行状态分析,以确定所述待预判设备是否满足维修拐点的预判条件;
输出模块44,用于确定所述待预判设备满足维修拐点的预判条件时,输出所述待预判设备的维修拐点信息,以对所述待预判设备的维修拐点进行预判。
本发明实施例提供的设备维修的预判装置,与上述实施例提供的设备维修的预判方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
进一步,本发明实施例还提供了一种设备维修的预判系统,该系统配置有服务器,该服务器用于执行图1或图2所述的设备维修的预判方法。
在实际使用时,该服务器通常配置有相应的数据库,如上述设备数据库和运行参数数据库等,以便于存储相应的信息。此外,为了便于服务器执行上述设备维修的预判方法,可以在服务器中预先配置多个子系统,如,设备点检子系统,自动化汇总子系统,状态分析子系统和设备维修子系统等等,其中,设备点检子系统用于配置设备的点检过程,如,在线配置点巡检路线、点巡检部位、点巡检内容等等,并利用智能终端对点巡检内容进行实时上传,存储于点检数据库;自动化汇总子系统则可以在服务器从数据库获取到待预判设备的属性信息和待预判设备的点检信息之后将属性信息和点检信息按照预设的数据格式进行数据汇总,使待预判设备与对应的基础自动化变量相关联,形成统一的规范;状态分析子系统则主要用于基于属性信息、运行参数以及预先配置的待预判设备对应的预判指标对待预判设备的进行状态分析,以确定待预判设备是否满足维修拐点的预判条件等等;设备维修子系统可以根据维修拐点信息生成待预判设备对应的维修任务信息,将维修任务信息发生至维修终端,以及在维修过程中接手维修终端发送的一些维修过程数据,如,具体维修哪个设备,该设备到达维修拐点的故障部位,维修该部位所需的工具、工时、备件,以及备件数量等等。对于维修完成后,还可以接收维修人员输入的实际维修情况,如实际使用的工具、工时、备件,以及备件数量等等,具体的服务器设置情况还可以根据实际使用情况进行设置,本发明实施例对此不进行限制。
进一步,本发明实施例还提供了一种服务器,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现图1或图2所示的方法。
进一步,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现图1或图2所示的方法。
本发明实施例还提供了一种服务器的结构示意图,如图5所示,为该服务器的结构示意图,其中,该服务器包括处理器51和存储器50,该存储器50存储有能够被该处理器51执行的计算机可执行指令,该处理器51执行该计算机可执行指令以实现上述设备维修的预判方法。
在图5示出的实施方式中,该服务器还包括总线52和通信接口53,其中,处理器51、通信接口53和存储器50通过总线52连接。
其中,存储器50可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口53(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线52可以是ISA(IndustryStandard Architecture,工业标准体系结构)总线、PCI(Peripheral ComponentInterconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线52可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器51可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器51中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器51可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器51读取存储器中的信息,结合其硬件完成前述实施例的设备维修的预判方法的步骤。
本发明实施例所提供的设备维修的预判方法、装置及系统的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (11)
1.一种设备维修的预判方法,其特征在于,包括:
获取待预判设备的属性信息,以及预设时间段内所述待预判设备的运行参数;其中,所述待预判设备为选矿机械设备;所述运行参数包括所述待预判设备关联的自动化数据和点巡检数据;
基于所述属性信息、所述运行参数以及预先配置的所述待预判设备对应的预判指标对所述待预判设备的进行状态分析,以确定所述待预判设备是否满足维修拐点的预判条件;
如果是,输出所述待预判设备的维修拐点信息,以对所述待预判设备的维修拐点进行预判。
2.根据权利要求1所述的方法,其特征在于,基于所述属性信息、所述运行参数以及预先配置的所述待预判设备对应的预判指标对所述待预判设备的进行状态分析,以确定所述待预判设备是否满足维修拐点的预判条件的步骤,包括:
基于所述属性信息确定所述待预判设备对应的预判模型,其中,所述预判模型为预先建立的对所述运行参数进行统计分析的分布式统计模型;
将所述运行参数输入至所述预判模型,以使所述预判模型根据所述运行参数对所述待预判设备的维修状态进行统计分析;
判断所述统计分析的结果是否超出预先配置的所述待预判设备对应的预判指标;
如果是,确定所述待预判设备满足维修拐点的预判条件。
3.根据权利要求2所述的方法,其特征在于,所述预设时间段包括至少一个连续的工作周期;
获取预设时间段内所述待预判设备的运行参数的步骤包括:
获取所述预设时间段内至少一个连续的所述工作周期的运行参数。
4.根据权利要求3所述的方法,其特征在于,所述运行参数包括所述待预判设备运行时的变量信息;
将所述运行参数输入至所述预判模型,以使所述预判模型根据所述运行参数对所述待预判设备的维修状态进行统计分析的步骤,包括:
将所述运行参数按照至少一个连续的所述工作周期输入至所述预判模型,以使所述预判模型按照所述工作周期,以及所述变量信息对应的分布范围和分布步长对所述运行参数中所包括的变量信息进行分布式的统计分析,并生成统计分析的结果;
其中,所述统计分析的结果包括每个工作周期内所述变量信息的分布情况。
5.根据权利要求4所述的方法,其特征在于,预先配置的所述待预判设备对应的预判指标包括所述变量信息对应的上限指标和下限指标;
判断所述统计分析的结果是否超出预先配置的所述待预判设备对应的预判指标的步骤,包括:
基于所述统计分析的结果判断每个工作周期内所述变量信息的分布情况是否满足所述变量信息对应的上限指标和下限指标对应的变量范围;
如果是,确定所述统计分析的结果未超出预先配置的所述待预判设备对应的预判指标;
如果否,确定所述统计分析的结果超出预先配置的所述待预判设备对应的预判指标。
6.根据权利要求1所述的方法,其特征在于,获取待预判设备的属性信息,以及预设时间段内所述待预判设备的点检信息的步骤,包括:
从预先建立的设备数据库中获取所述待预判设备的属性信息,以及,从预先建立的运行参数数据库中获取所述预设时间段内所述待预判设备的运行参数;
将所述属性信息和所述运行参数按照预设的数据格式进行数据汇总;
其中,所述设备数据库中存储有多个选矿机械设备的设备标识,以及,每个设备标识对应的属性字段;所述属性字段包括以下字段至少之一:设备名称、设备工艺名称、设备驱动方式;所述运行参数数据库包括自动化数据库和点检数据库,所述自动化数据库包括多个所述选矿机械设备运行过程中采集的自动化数据,所述自动化数据包括以下数据中的一种或多种:功率信息、电流信息、电压信息、温度信息,以及工作状态信息;所述点检数据库包括基于点检内容记录的多个所述选矿机械设备的点检信息。
7.根据权利要求1所述的方法,其特征在于,输出所述待预判设备的维修拐点信息之后,所述方法还包括:
根据所述维修拐点信息生成所述待预判设备对应的维修任务信息,并将所述维修任务信息发生至维修终端,以通过所述维修终端对所述维修任务信息进行展示;
其中,所述维修任务信息包括所述待预判设备的设备标识、所述维修拐点信息对应的维修部位、以及维修任务所需的维修信息,所述维修信息包括以下信息至少之一:维修工时、维修工具和维修备件信息。
8.一种设备维修的预判装置,其特征在于,包括:
获取模块,用于获取待预判设备的属性信息,以及预设时间段内所述待预判设备的运行参数;其中,所述待预判设备为选矿机械设备;所述运行参数包括所述待预判设备关联的自动化数据和点巡检数据;
预判模块,用于基于所述属性信息、所述运行参数以及预先配置的所述待预判设备对应的预判指标对所述待预判设备的进行状态分析,以确定所述待预判设备是否满足维修拐点的预判条件;
输出模块,用于确定所述待预判设备满足维修拐点的预判条件时,输出所述待预判设备的维修拐点信息,以对所述待预判设备的维修拐点进行预判。
9.一种设备维修的预判系统,其特征在于,所述系统配置有服务器,所述服务器用于执行权利要求1~7任一项所述的设备维修的预判方法。
10.一种服务器,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现权利要求1至7任一项所述的方法。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110640154.7A CN113095606B (zh) | 2021-06-09 | 2021-06-09 | 设备维修的预判方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110640154.7A CN113095606B (zh) | 2021-06-09 | 2021-06-09 | 设备维修的预判方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113095606A true CN113095606A (zh) | 2021-07-09 |
CN113095606B CN113095606B (zh) | 2021-08-31 |
Family
ID=76664568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110640154.7A Active CN113095606B (zh) | 2021-06-09 | 2021-06-09 | 设备维修的预判方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113095606B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006073978A2 (en) * | 2004-12-30 | 2006-07-13 | Computer Aid Inc. | System and method for an automated project office and automatic risk assessment and reporting |
CN109492777A (zh) * | 2018-09-14 | 2019-03-19 | 国电电力宁夏新能源开发有限公司 | 一种基于机器学习算法平台的风电机组健康管理方法 |
CN109507924A (zh) * | 2018-11-28 | 2019-03-22 | 北京迈斯康特测控技术有限公司 | 用于油田作业设备的远程监控系统 |
CN110392895A (zh) * | 2017-03-03 | 2019-10-29 | 纽约气闸有限公司 | 轨道车辆预测维修系统 |
CN110399996A (zh) * | 2018-04-25 | 2019-11-01 | 深圳富桂精密工业有限公司 | 制程异常状态预判方法及预判系统 |
CN110654948A (zh) * | 2018-06-29 | 2020-01-07 | 哈尔滨工业大学 | 一种无维保情况下的电梯安全剩余使用寿命确定方法 |
CN110654949A (zh) * | 2018-06-29 | 2020-01-07 | 哈尔滨工业大学 | 一种维保情况下的电梯安全剩余使用寿命确定方法 |
CN111539515A (zh) * | 2020-04-21 | 2020-08-14 | 中国电子科技集团公司第三十八研究所 | 一种基于故障预测的复杂装备维修决策方法 |
CN112187514A (zh) * | 2020-09-02 | 2021-01-05 | 上海御威通信科技有限公司 | 一种数据中心网络设备智能运维系统、方法及终端 |
CN112711234A (zh) * | 2020-12-29 | 2021-04-27 | 南京爱动信息技术有限公司 | 一种基于工业生产智能化的设备监测系统及方法 |
-
2021
- 2021-06-09 CN CN202110640154.7A patent/CN113095606B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006073978A2 (en) * | 2004-12-30 | 2006-07-13 | Computer Aid Inc. | System and method for an automated project office and automatic risk assessment and reporting |
CN110392895A (zh) * | 2017-03-03 | 2019-10-29 | 纽约气闸有限公司 | 轨道车辆预测维修系统 |
CN110399996A (zh) * | 2018-04-25 | 2019-11-01 | 深圳富桂精密工业有限公司 | 制程异常状态预判方法及预判系统 |
CN110654948A (zh) * | 2018-06-29 | 2020-01-07 | 哈尔滨工业大学 | 一种无维保情况下的电梯安全剩余使用寿命确定方法 |
CN110654949A (zh) * | 2018-06-29 | 2020-01-07 | 哈尔滨工业大学 | 一种维保情况下的电梯安全剩余使用寿命确定方法 |
CN109492777A (zh) * | 2018-09-14 | 2019-03-19 | 国电电力宁夏新能源开发有限公司 | 一种基于机器学习算法平台的风电机组健康管理方法 |
CN109507924A (zh) * | 2018-11-28 | 2019-03-22 | 北京迈斯康特测控技术有限公司 | 用于油田作业设备的远程监控系统 |
CN111539515A (zh) * | 2020-04-21 | 2020-08-14 | 中国电子科技集团公司第三十八研究所 | 一种基于故障预测的复杂装备维修决策方法 |
CN112187514A (zh) * | 2020-09-02 | 2021-01-05 | 上海御威通信科技有限公司 | 一种数据中心网络设备智能运维系统、方法及终端 |
CN112711234A (zh) * | 2020-12-29 | 2021-04-27 | 南京爱动信息技术有限公司 | 一种基于工业生产智能化的设备监测系统及方法 |
Non-Patent Citations (2)
Title |
---|
CHUN-SHE XU等: ""On-line and on-site PD monitoring and diagnosis of power transformer"", 《2012 IEEE INTERNATIONAL CONFERENCE ON CONDITION MONITORING AND DIAGNOSIS》 * |
李炜等: ""基于多状态时间序列预测学习的电源车故障预测方法"", 《吉林大学学报(工学版)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113095606B (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Paprocka | The model of maintenance planning and production scheduling for maximising robustness | |
Wen et al. | Energy value mapping: A novel lean method to integrate energy efficiency into production management | |
Yildirim et al. | Integrated maintenance and production planning with energy consumption and minimal repair | |
JP5114673B2 (ja) | 処理時間予測装置、方法、プログラム、及びコンピュータ読み取り可能な記憶媒体 | |
US20160349737A1 (en) | Manufacturing efficiency optimization platform and tool condition monitoring and prediction method | |
CN117829554B (zh) | 智能感知成品修复决策支持系统 | |
Duarte et al. | Maintenance database | |
Wu et al. | Streaming analytics processing in manufacturing performance monitoring and prediction | |
Friederich et al. | Process mining for dynamic modeling of smart manufacturing systems: data requirements | |
Omri et al. | Data management requirements for phm implementation in smes | |
CN113095606B (zh) | 设备维修的预判方法、装置及系统 | |
Gambhire et al. | Business potential and impact of industry 4.0 in manufacturing organizations | |
Hekimoğlu et al. | Modeling repair demand in existence of a nonstationary installed base | |
CN113537681B (zh) | 用于炼化企业设备管理信息化的方法及系统 | |
Garcia et al. | Requirements for an intelligent maintenance system for industry 4.0 | |
CN117522345A (zh) | 能源损耗分析方法、数据中台、设备及存储介质 | |
US11378940B2 (en) | System and method for integrating production process | |
Xue et al. | A data-driven method to predict future bottlenecks in a remanufacturing system with multi-variant uncertainties | |
Schönmann et al. | Cycle management of manufacturing resources: identification and prioritization of investment needs | |
KR20240003942A (ko) | Ai 기반 스마트 팩토리 운영 시스템 | |
López-Campos et al. | Reliability Assessment Methodology for Massive Manufacturing Using Multi‐Function Equipment | |
CN113591266A (zh) | 一种电能表故障概率的分析方法及系统 | |
Dahari et al. | Robust Control Chart Application in Semiconductor Manufacturing Process | |
Stark et al. | Conceptualizing an industry 4.0’s predictive maintenance system in a medical devices manufacturing enterprise | |
Thaduri et al. | Evolution of Maintenance Processes in Industry 4.0 |
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 |