CN113221324A - 停车场设备的生命周期预测方法及系统 - Google Patents

停车场设备的生命周期预测方法及系统 Download PDF

Info

Publication number
CN113221324A
CN113221324A CN202110395553.1A CN202110395553A CN113221324A CN 113221324 A CN113221324 A CN 113221324A CN 202110395553 A CN202110395553 A CN 202110395553A CN 113221324 A CN113221324 A CN 113221324A
Authority
CN
China
Prior art keywords
equipment
predicted
traffic flow
fault
life cycle
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
Application number
CN202110395553.1A
Other languages
English (en)
Other versions
CN113221324B (zh
Inventor
吴福森
许碧云
修晓英
孙彬坤
陈亮
吴杰鸿
欧志猛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen Road & Bridge Information Co ltd
Original Assignee
Xiamen Road & Bridge Information Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiamen Road & Bridge Information Co ltd filed Critical Xiamen Road & Bridge Information Co ltd
Priority to CN202110395553.1A priority Critical patent/CN113221324B/zh
Publication of CN113221324A publication Critical patent/CN113221324A/zh
Application granted granted Critical
Publication of CN113221324B publication Critical patent/CN113221324B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提出了一种停车场设备的生命周期预测方法及系统，其中，该方法包括：获取待预测设备的各个零部件，以及各个零部件在使用过程中对应的故障维修时间周期和故障更换时间周期；获取待预测设备在使用过程中对应的停车场的车流量数据；根据故障维修时间周期、故障更换时间周期和车流量数据计算待预测设备的可承受车流量数据；根据可承受车流量数据预测待预测设备的生命周期，其中，生命周期包括待预测设备的故障周期和可使用年限；从而精准预测出每个设备零部件在该车道达到某个车流量时对应的故障周期及其可使用年限，以便进行精准预防性养护，延长整体设备的使用周期及其使用寿命，大大降低了设备的维护成本。

Description

停车场设备的生命周期预测方法及系统
技术领域
本发明涉及停车场管理技术领域，特别涉及一种停车场设备的生命周期预测方法和一种停车场设备的生命周期预测系统。
背景技术
相关技术中，停车场设备的使用寿命一般是根据设备厂商提供的可使用范围年限作为参考，但是因为设备使用频率的不同，根据设备厂商提供的参数进行确认评估出的设备使用寿命也会产生一定的偏差；再者，停车场设备一般由各个零部件组成，目前的设备总体使用寿命未将各个零部件使用情况加入跟踪考虑，从而使得设备预防性维护无法精准到各个零部件，导致设备维护成本高。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的一个目的在于提出一种停车场设备的生命周期预测方法，通过对待预测设备的每个零部件的使用情况进行计算分析，从而精准预测出每个设备零部件在该车道达到某个车流量时对应的故障周期及其可使用年限，以便进行精准预防性养护，延长整体设备的使用周期及其使用寿命，大大降低了设备的维护成本。
本发明的第二个目的在于提出一种停车场设备的生命周期预测系统。
为达到上述目的，本发明第一方面实施例提出了一种停车场设备的生命周期预测方法，包括以下步骤：获取待预测设备的各个零部件，以及各个零部件在使用过程中对应的故障维修时间周期和故障更换时间周期；获取所述待预测设备在使用过程中对应的停车场的车流量数据；根据所述故障维修时间周期、所述故障更换时间周期和所述车流量数据计算所述待预测设备的可承受车流量数据；根据所述可承受车流量数据预测所述待预测设备的生命周期，其中，所述生命周期包括所述待预测设备的故障周期和可使用年限。
根据本发明实施例的停车场设备的生命周期预测方法，首先获取待预测设备的各个零部件，以及各个零部件在使用过程中对应的故障维修时间周期和故障更换时间周期；接着获取待预测设备在使用过程中对应的停车场的车流量数据；然后根据故障维修时间周期、故障更换时间周期和车流量数据计算待预测设备的可承受车流量数据；最后根据可承受车流量数据预测待预测设备的生命周期，其中，生命周期包括待预测设备的故障周期和可使用年限，由此，通过对待预测设备的每个零部件的使用情况进行计算分析，从而精准预测出每个设备零部件在该车道达到某个车流量时对应的故障周期及其可使用年限，以便进行精准预防性养护，延长整体设备的使用周期及其使用寿命，大大降低了设备的维护成本。
另外，根据本发明上述实施例提出的停车场设备的生命周期预测方法还可以具有如下附加的技术特征：
可选地，根据所述故障维修时间周期、所述故障更换时间周期和所述车流量数据计算所述待预测设备的可承受车流量数据，包括：
根据公式
Figure BDA0003018422040000021
计算所述待预测设备的各个零部件的故障周期内可承受车流量数据，其中，Qi指第i个零部件的故障周期内可承受车流量，1≤i≤M，M表示所述待预测设备共有M个零部件；Qj指该零部件从最开始使用到第j次故障时累计承受车流量，j≥1。
可选地，根据所述故障维修时间周期、所述故障更换时间周期和所述车流量数据计算所述待预测设备的可承受车流量数据，包括：对所述故障维修时间周期、所述故障更换时间周期和所述车流量数据进行分析处理以获取单位车流量对所述待预测设备的寿命损耗程度；将所述寿命损耗程度乘以设备有效使用寿命以得到所述待预测设备的总可承受车流量数据。
可选地，根据以下公式预测所述生命周期中所述待预测设备的故障周期：
当
Figure BDA0003018422040000022
所述待预测设备各零部件的故障周期为
Figure BDA0003018422040000023
其中dij指第i个零部件第j次故障后的使用天数；
Figure BDA0003018422040000024
指的是第i个零部件第j次故障后第d天的车流量；所述待预测设备的故障周期为
Figure BDA0003018422040000025
可选地，根据以下公式预测所述生命周期中所述待预测设备的可使用年限：
Figure BDA0003018422040000026
其中，Qmax表示所述待预测设备的总可承受车流量数据，判断上述公式是否成立，如果不成立，则表示所述待预测设备处于正常运行状态，如果成立，则表示第n天所述待预测设备将会寿命殆尽；
Figure BDA0003018422040000027
其中，t表示设备寿命殆尽的时间点，t为1-24之间的某个时间点，且Qn＝Qn-1。
为达到上述目的，本发明第二方面实施例提出的一种停车场设备的生命周期预测系统，包括第一获取模块，用于获取待预测设备的各个零部件，以及各个零部件在使用过程中对应的故障维修时间周期和故障更换时间周期；第二获取模块，用于获取所述待预测设备在使用过程中对应的停车场的车流量数据；计算模块，用于根据所述故障维修时间周期、所述故障更换时间周期和所述车流量数据计算所述待预测设备的可承受车流量数据；预测模块，用于根据所述可承受车流量数据预测所述待预测设备的生命周期，其中，所述生命周期包括所述待预测设备的故障周期和可使用年限。
根据本发明实施例的停车场设备的生命周期预测系统，通过第一获取模块获取待预测设备的各个零部件，以及各个零部件在使用过程中对应的故障维修时间周期和故障更换时间周期；通过第二获取模块获取待预测设备在使用过程中对应的停车场的车流量数据；通过计算模块根据故障维修时间周期、故障更换时间周期和车流量数据计算待预测设备的可承受车流量数据；通过预测模块根据可承受车流量数据预测待预测设备的生命周期，其中，生命周期包括待预测设备的故障周期和可使用年限，由此，通过对待预测设备的每个零部件的使用情况进行计算分析，从而精准预测出每个设备零部件在该车道达到某个车流量时对应的故障周期及其可使用年限，以便进行精准预防性养护，延长整体设备的使用周期及其使用寿命，大大降低了设备的维护成本。
另外，根据本发明上述实施例提出的停车场设备的生命周期预测系统还可以具有如下附加的技术特征：
可选地，所述计算模块还用于，根据公式
Figure BDA0003018422040000031
计算所述待预测设备的各个零部件的故障周期内可承受车流量数据，其中，Qi指第i个零部件的故障周期内可承受车流量，1≤i≤M，M表示所述待预测设备共有M个零部件；Qj指该零部件从最开始使用到第j次故障时累计承受车流量，j≥1。
可选地，所述计算模块还用于，对所述故障维修时间周期、所述故障更换时间周期和所述车流量数据进行分析处理以获取单位车流量对所述待预测设备的寿命损耗程度；将所述寿命损耗程度乘以设备有效使用寿命以得到所述待预测设备的总可承受车流量数据。
可选地，所述预测模块还用于，根据以下公式预测所述生命周期中所述待预测设备的故障周期：
当
Figure BDA0003018422040000032
所述待预测设备各零部件的故障周期为
Figure BDA0003018422040000033
其中dij指第i个零部件第j次故障后的使用天数；
Figure BDA0003018422040000034
指的是第i个零部件第j次故障后第d天的车流量；所述待预测设备的故障周期为
Figure BDA0003018422040000041
可选地，所述预测模块还用于，根据以下公式预测所述生命周期中所述待预测设备的可使用年限：
Figure BDA0003018422040000042
其中，Qmax表示所述待预测设备的总可承受车流量数据，判断上述公式是否成立，如果不成立，则表示所述待预测设备处于正常运行状态，如果成立，则表示第n天所述待预测设备将会寿命殆尽；
Figure BDA0003018422040000043
其中，t表示设备寿命殆尽的时间点，t为1-24之间的某个时间点，且Qn＝Qn-1。
附图说明
图1为根据本发明实施例的停车场设备的生命周期预测方法的流程示意图；
图2为根据本发明实施例的停车场设备的生命周期预测系统的方框示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
图1为根据本发明实施例的停车场设备的生命周期预测方法的流程示意图；如图1所示，本发明实施例的方法包括以下步骤：
步骤101，获取待预测设备的各个零部件，以及各个零部件在使用过程中对应的故障维修时间周期和故障更换时间周期。
也就是说，根据需要预测的设备的不同情况，获取该设备的零部件，以及实时记录该设备在使用过程中每个零部件的故障维修时间周期和故障更换时间周期，并进行统一汇总存储。
步骤102，获取待预测设备在使用过程中对应的停车场的车流量数据。
需要说明的是，待预测设备为安装在停车场出入口车道的设备，通过实时获取待预测设备对应安装的停车场的出入口车道的车流量数据。
步骤103，根据故障维修时间周期、故障更换时间周期和车流量数据计算待预测设备的可承受车流量数据。
作为一个示例，根据故障维修时间周期、故障更换时间周期和车流量数据计算待预测设备的可承受车流量数据，包括：
根据公式
Figure BDA0003018422040000051
计算待预测设备的各个零部件的故障周期内可承受车流量数据，其中，Qi指第i个零部件的故障周期内可承受车流量，1≤i≤M，M表示待预测设备共有M个零部件；Qj指该零部件从最开始使用到第j次故障时累计承受车流量，j≥1。
也就是说，假设该待预测故障周期的设备一共有M个零部件，则对应第i个零部件的故障周期内的可承受车流量为Qi。
作为一个示例，根据故障维修时间周期、故障更换时间周期和车流量数据计算待预测设备的可承受车流量数据，包括：
对故障维修时间周期、故障更换时间周期和车流量数据进行分析处理以获取单位车流量对待预测设备的寿命损耗程度；
将寿命损耗程度乘以设备有效使用寿命以得到待预测设备的总可承受车流量数据。
需要说明的是，通过故障维修时间周期、故障更换时间周期和车流量数据获取到维修故障点以及每个维修故障点范围内的车流量，通过大数据分析获取到对应的单位车流量对设备寿命的损耗程度η，假设设备有效使用寿命为T0，则设备的总可承受流量Qmax＝T0η。
步骤104，根据可承受车流量数据预测待预测设备的生命周期，其中，生命周期包括待预测设备的故障周期和可使用年限。
作为一个示例，根据以下公式预测生命周期中待预测设备的故障周期：
当
Figure BDA0003018422040000052
待预测设备各零部件的故障周期为
Figure BDA0003018422040000053
其中dij指第i个零部件第j次故障后的使用天数；
Figure BDA0003018422040000054
指的是第i个零部件第j次故障后第d天的车流量；待预测设备的故障周期为
Figure BDA0003018422040000055
由此，通过上述预测公式预测出待预测设备的故障周期，从而对待预测设备的各个零部件进行精准预防性养护，以便延长整体设备的使用周期及其使用寿命。
作为一个示例，根据以下公式预测生命周期中待预测设备的可使用年限：
Figure BDA0003018422040000061
其中，Qmax表示待预测设备的总可承受车流量数据，判断上述公式是否成立，如果不成立，则表示待预测设备处于正常运行状态，如果成立，则表示第n天待预测设备将会寿命殆尽；
Figure BDA0003018422040000062
其中，t表示设备寿命殆尽的时间点，t为1-24之间的某个时间点，Qt表示设备寿命殆尽的时间点范围内的车流量，且Qn＝Qn-1。
由此，通过上述公式预测出待预测设备的使用年限，并具体到某一天的某个时间点，从而对设备的使用寿命进行精准预测。
综上所述，根据本发明实施例的停车场设备的生命周期预测方法，首先获取待预测设备的各个零部件，以及各个零部件在使用过程中对应的故障维修时间周期和故障更换时间周期；接着获取待预测设备在使用过程中对应的停车场的车流量数据；然后根据故障维修时间周期、故障更换时间周期和车流量数据计算待预测设备的可承受车流量数据；最后根据可承受车流量数据预测待预测设备的生命周期，其中，生命周期包括待预测设备的故障周期和可使用年限，由此，通过对待预测设备的每个零部件的使用情况进行计算分析，从而精准预测出每个设备零部件在该车道达到某个车流量时对应的故障周期及其可使用年限，以便进行精准预防性养护，延长整体设备的使用周期及其使用寿命，大大降低了设备的维护成本。
图2为根据本发明实施例的停车场设备的生命周期预测系统的方框示意图；如图2所示，本实施例的停车场设备的生命周期预测系统包括：第一获取模块201、第二获取模块202、计算模块203和预测模块204。
其中，第一获取模块201，用于获取待预测设备的各个零部件，以及各个零部件在使用过程中对应的故障维修时间周期和故障更换时间周期。
第二获取模块202，用于获取待预测设备在使用过程中对应的停车场的车流量数据。
计算模块203，用于根据故障维修时间周期、故障更换时间周期和车流量数据计算待预测设备的可承受车流量数据。
预测模块204，用于根据可承受车流量数据预测待预测设备的生命周期，其中，生命周期包括待预测设备的故障周期和可使用年限
作为一个实施例，计算模块还用于，根据公式
Figure BDA0003018422040000071
计算待预测设备的各个零部件的故障周期内可承受车流量数据，其中，Qi指第i个零部件的故障周期内可承受车流量，1≤i≤M，M表示待预测设备共有M个零部件；Qj指该零部件从最开始使用到第j次故障时累计承受车流量，j≥1。
作为一个实施例，计算模块还用于，对故障维修时间周期、故障更换时间周期和车流量数据进行分析处理以获取单位车流量对所述待预测设备的寿命损耗程度；将寿命损耗程度乘以设备有效使用寿命以得到待预测设备的总可承受车流量数据。
作为一个实施例，预测模块还用于，根据以下公式预测生命周期中待预测设备的故障周期：
当
Figure BDA0003018422040000072
所述待预测设备各零部件的故障周期为
Figure BDA0003018422040000073
其中dij指第i个零部件第j次故障后的使用天数；
Figure BDA0003018422040000074
指的是第i个零部件第j次故障后第d天的车流量；所述待预测设备的故障周期为
Figure BDA0003018422040000075
作为一个实施例，预测模块还用于，根据以下公式预测生命周期中待预测设备的可使用年限：
Figure BDA0003018422040000076
其中，Qmax表示所述待预测设备的总可承受车流量数据，判断上述公式是否成立，如果不成立，则表示待预测设备处于正常运行状态，如果成立，则表示第n天待预测设备将会寿命殆尽；
Figure BDA0003018422040000077
其中，t表示设备寿命殆尽的时间点，t为1-24之间的某个时间点，且Qn＝Qn-1。
需要说明的是，前述对于停车场设备的生命周期预测方法的实施例的解释说明同样适用于本实施例的停车场设备的生命周期预测系统，此处不再赘述。
综上所述，根据本发明实施例的停车场设备的生命周期预测系统，通过第一获取模块获取待预测设备的各个零部件，以及各个零部件在使用过程中对应的故障维修时间周期和故障更换时间周期；通过第二获取模块获取待预测设备在使用过程中对应的停车场的车流量数据；通过计算模块根据故障维修时间周期、故障更换时间周期和车流量数据计算待预测设备的可承受车流量数据；通过预测模块根据可承受车流量数据预测待预测设备的生命周期，其中，生命周期包括待预测设备的故障周期和可使用年限，由此，通过对待预测设备的每个零部件的使用情况进行计算分析，从而精准预测出每个设备零部件在该车道达到某个车流量时对应的故障周期及其可使用年限，以便进行精准预防性养护，延长整体设备的使用周期及其使用寿命，大大降低了设备的维护成本。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；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或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种停车场设备的生命周期预测方法，其特征在于，包括以下步骤：
获取待预测设备的各个零部件，以及各个零部件在使用过程中对应的故障维修时间周期和故障更换时间周期；
获取所述待预测设备在使用过程中对应的停车场的车流量数据；
根据所述故障维修时间周期、所述故障更换时间周期和所述车流量数据计算所述待预测设备的可承受车流量数据；
根据所述可承受车流量数据预测所述待预测设备的生命周期，其中，所述生命周期包括所述待预测设备的故障周期和可使用年限。
2.如权利要求1所述的停车场设备的生命周期预测方法，其特征在于，根据所述故障维修时间周期、所述故障更换时间周期和所述车流量数据计算所述待预测设备的可承受车流量数据，包括：
根据公式
Figure FDA0003018422030000011
计算所述待预测设备的各个零部件的故障周期内可承受车流量数据，其中，Qi指第i个零部件的故障周期内可承受车流量，1≤i≤M，M表示所述待预测设备共有M个零部件；Qj指该零部件从最开始使用到第j次故障时累计承受车流量，j≥1。
3.如权利要求1所述的停车场设备的生命周期预测方法，其特征在于，根据所述故障维修时间周期、所述故障更换时间周期和所述车流量数据计算所述待预测设备的可承受车流量数据，包括：
对所述故障维修时间周期、所述故障更换时间周期和所述车流量数据进行分析处理以获取单位车流量对所述待预测设备的寿命损耗程度；
将所述寿命损耗程度乘以设备有效使用寿命以得到所述待预测设备的总可承受车流量数据。
4.如权利要求2所述的停车场设备的生命周期预测方法，其特征在于，根据以下公式预测所述生命周期中所述待预测设备的故障周期：
当
Figure FDA0003018422030000012
所述待预测设备各零部件的故障周期为
Figure FDA0003018422030000013
其中dij指第i个零部件第j次故障后的使用天数；
Figure FDA0003018422030000014
指的是第i个零部件第j次故障后第d天的车流量；所述待预测设备的故障周期为
Figure FDA0003018422030000015
5.如权利要求3所述的停车场设备的生命周期预测方法，其特征在于，根据以下公式预测所述生命周期中所述待预测设备的可使用年限：
Figure FDA0003018422030000021
其中，Qmax表示所述待预测设备的总可承受车流量数据，判断上述公式是否成立，如果不成立，则表示所述待预测设备处于正常运行状态，如果成立，则表示第n天所述待预测设备将会寿命殆尽；
Figure FDA0003018422030000022
其中，t表示设备寿命殆尽的时间点，t为1-24之间的某个时间点，且Qn＝Qn-1。
6.一种停车场设备的生命周期预测系统，其特征在于，包括：
第一获取模块，用于获取待预测设备的各个零部件，以及各个零部件在使用过程中对应的故障维修时间周期和故障更换时间周期；
第二获取模块，用于获取所述待预测设备在使用过程中对应的停车场的车流量数据；
计算模块，用于根据所述故障维修时间周期、所述故障更换时间周期和所述车流量数据计算所述待预测设备的可承受车流量数据；
预测模块，用于根据所述可承受车流量数据预测所述待预测设备的生命周期，其中，所述生命周期包括所述待预测设备的故障周期和可使用年限。
7.如权利要求6所述的停车场设备的生命周期预测系统，其特征在于，所述计算模块还用于，根据公式
Figure FDA0003018422030000023
计算所述待预测设备的各个零部件的故障周期内可承受车流量数据，其中，Qi指第i个零部件的故障周期内可承受车流量，1≤i≤M，M表示所述待预测设备共有M个零部件；Qj指该零部件从最开始使用到第j次故障时累计承受车流量，j≥1。
8.如权利要求6所述的停车场设备的生命周期预测系统，其特征在于，所述计算模块还用于，对所述故障维修时间周期、所述故障更换时间周期和所述车流量数据进行分析处理以获取单位车流量对所述待预测设备的寿命损耗程度；
将所述寿命损耗程度乘以设备有效使用寿命以得到所述待预测设备的总可承受车流量数据。
9.如权利要求7所述的停车场设备的生命周期预测系统，其特征在于，所述预测模块还用于，根据以下公式预测所述生命周期中所述待预测设备的故障周期：
当
Figure FDA0003018422030000024
所述待预测设备各零部件的故障周期为
Figure FDA0003018422030000025
其中dij指第i个零部件第j次故障后的使用天数；
Figure FDA0003018422030000031
指的是第i个零部件第j次故障后第d天的车流量；所述待预测设备的故障周期为
Figure FDA0003018422030000032
10.如权利要求8所述的停车场设备的生命周期预测系统，其特征在于，所述预测模块还用于，根据以下公式预测所述生命周期中所述待预测设备的可使用年限：
Figure FDA0003018422030000033
其中，Qmax表示所述待预测设备的总可承受车流量数据，判断上述公式是否成立，如果不成立，则表示所述待预测设备处于正常运行状态，如果成立，则表示第n天所述待预测设备将会寿命殆尽；
Figure FDA0003018422030000034
其中，t表示设备寿命殆尽的时间点，t为1-24之间的某个时间点，且Qn＝Qn-1。
CN202110395553.1A 2021-04-13 2021-04-13 停车场设备的生命周期预测方法及系统 Active CN113221324B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110395553.1A CN113221324B (zh) 2021-04-13 2021-04-13 停车场设备的生命周期预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110395553.1A CN113221324B (zh) 2021-04-13 2021-04-13 停车场设备的生命周期预测方法及系统

Publications (2)

Publication Number Publication Date
CN113221324A true CN113221324A (zh) 2021-08-06
CN113221324B CN113221324B (zh) 2022-07-19

Family

ID=77087053

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110395553.1A Active CN113221324B (zh) 2021-04-13 2021-04-13 停车场设备的生命周期预测方法及系统

Country Status (1)

Country Link
CN (1) CN113221324B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116720852A (zh) * 2023-08-08 2023-09-08 山东理工职业学院 一种基于人工智能的新能源汽车维修数据分析管理系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110647133A (zh) * 2019-09-09 2020-01-03 深圳市永达电子信息股份有限公司 轨道交通设备状态检测维护方法及系统
US20200012753A1 (en) * 2018-07-09 2020-01-09 International Business Machines Corporation Predicting life expectancy of machine part
CN111222259A (zh) * 2020-03-04 2020-06-02 广西大学 一种地铁车辆转向架多部件预防性维修决策优化模型
CN111931388A (zh) * 2020-09-27 2020-11-13 北京中设光环境科技研究院有限公司 一种基于大数据的led路灯运行分析系统及方法
US20200391884A1 (en) * 2019-06-12 2020-12-17 Honeywell International Inc. Maintenance recommendations using lifecycle clustering
CN112199776A (zh) * 2020-10-10 2021-01-08 中车大同电力机车有限公司 机车全寿命周期的评估方法、评估系统及优化方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200012753A1 (en) * 2018-07-09 2020-01-09 International Business Machines Corporation Predicting life expectancy of machine part
US20200391884A1 (en) * 2019-06-12 2020-12-17 Honeywell International Inc. Maintenance recommendations using lifecycle clustering
CN110647133A (zh) * 2019-09-09 2020-01-03 深圳市永达电子信息股份有限公司 轨道交通设备状态检测维护方法及系统
CN111222259A (zh) * 2020-03-04 2020-06-02 广西大学 一种地铁车辆转向架多部件预防性维修决策优化模型
CN111931388A (zh) * 2020-09-27 2020-11-13 北京中设光环境科技研究院有限公司 一种基于大数据的led路灯运行分析系统及方法
CN112199776A (zh) * 2020-10-10 2021-01-08 中车大同电力机车有限公司 机车全寿命周期的评估方法、评估系统及优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘杨 等: "浅析高速公路机电系统部分收费车道设施寿命", 《湖南交通科技》, vol. 38, no. 02, 30 June 2012 (2012-06-30), pages 140 - 142 *
姚志勇: "基于电梯交通流模型的部件生命周期计算方法研究", 《海峡科技与产业》, no. 07, 31 July 2016 (2016-07-31), pages 91 - 94 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116720852A (zh) * 2023-08-08 2023-09-08 山东理工职业学院 一种基于人工智能的新能源汽车维修数据分析管理系统
CN116720852B (zh) * 2023-08-08 2023-10-31 山东理工职业学院 一种基于人工智能的新能源汽车维修数据分析管理系统

Also Published As

Publication number Publication date
CN113221324B (zh) 2022-07-19

Similar Documents

Publication Publication Date Title
CN108375715B (zh) 一种配电网线路故障风险日预测方法及系统
CN110991666B (zh) 故障检测方法、模型的训练方法、装置、设备及存储介质
CN104966141B (zh) 更新用于生成工业资产健康状况简档的模型的方法和系统
Jouin et al. Prognostics of PEM fuel cell in a particle filtering framework
JP6865189B2 (ja) 故障確率評価システム及び方法
US8260493B2 (en) Health prognosis for complex system using fault modeling
US9846886B2 (en) Strategic modeling for economic optimization of grid-tied energy assets
US9058568B2 (en) System and method for maintenance planning and failure prediction for equipment subject to periodic failure risk
CN105956734A (zh) 动态设置it设备的性能的指标阈值的方法及系统
CN107843745B (zh) 风力发电机组的风速仪的故障诊断方法和装置、存储介质
US20200309099A1 (en) Method and device for predicting wind turbine fault
CN110209560B (zh) 数据异常检测方法及检测装置
KR102097953B1 (ko) 고장 리스크 지표 추정 장치 및 고장 리스크 지표 추정 방법
US20140380331A1 (en) System and method for receiving analysis requests and configuring analytics systems
WO2014197299A2 (en) Industrial asset health profile
JP6359960B2 (ja) 故障予測装置、故障予測方法及び故障予測プログラム
JP6427357B2 (ja) 診断支援システム及び診断支援方法
CN110689141B (zh) 风力发电机组的故障诊断方法及设备
US10067038B2 (en) Analyzing equipment degradation for maintaining equipment
CN110865924B (zh) 电力信息系统内部服务器健康度诊断方法与健康诊断框架
WO2021005943A1 (ja) 故障確率評価システムおよびその方法
US11796992B2 (en) Condition-based method for malfunction prediction
CN113221324B (zh) 停车场设备的生命周期预测方法及系统
CN110426634A (zh) 一种用于驱动系统的异常预测的方法及设备
CN114063582B (zh) 用于监控产品测试过程的方法和装置

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