CN113392998A - 预判性运维规划方法及终端 - Google Patents
预判性运维规划方法及终端 Download PDFInfo
- Publication number
- CN113392998A CN113392998A CN202110742278.6A CN202110742278A CN113392998A CN 113392998 A CN113392998 A CN 113392998A CN 202110742278 A CN202110742278 A CN 202110742278A CN 113392998 A CN113392998 A CN 113392998A
- Authority
- CN
- China
- Prior art keywords
- maintenance
- sensing data
- time
- real
- order
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 284
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005406 washing Methods 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 230000000454 anti-cipatory effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000007605 air drying Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000004018 waxing Methods 0.000 description 1
- 230000003442 weekly 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
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
Abstract
本发明公开了预判性运维规划方法及终端,通过实时获取各个洗车机上各个零部件的实时传感数据,将实时传感数据划分成多个子区间,以确定每一个实时传感数据所对应的子区间,之后与历史传感数据进行匹配,找到子区间的重合程度靠前的历史传感数据作为参照传感数据,根据这些参照传感数据的历史维修信息得到洗车机在第一预设时间内是否会发生维修。即本发明能提前预判洗车机上需要检修的站点,从而在洗车机发送故障之前先行检修,从而避免因为维修而造成的经济损失和用户体验下降的问题。
Description
技术领域
本发明涉及自动洗车机技术领域,特别涉及一种预判性运维规划方法及终端。
背景技术
自动洗车机是一种通过电脑设制相关程序来实现自动清洗、打蜡、风干、清洗轮辋等工作的机器。自动洗车机分为无接触式自动洗车机和毛刷式全自动洗车机。
随着中国经济的飞速发展,汽车开始快速的增加,人们的生活节奏也日益加快,使得全自动洗车机越来越受到广大车主的青睐。
对于自动洗车机的运营厂家来说,自动洗车机在日常使用过程中不可避免会出现故障,当自动洗车机出现故障时,自动洗车机无法提供洗车服务,需要等待维修完毕才能正常工作;而且这段时间,可能会出现用户过来洗车而无法洗车或者用户需要到其他自动洗车机去洗车的情况。若因为维修而出现无法营业的情况,不仅造成了经济损失,同时在这段时间,用户在不知情的情况过来却无法洗车或者用户需要到更远的自动洗车机去洗车的情况,造成了用户体验下降的问题,即现有的自动洗车机存在因为维修而造成的经济损失和用户体验下降的问题。
发明内容
本发明所要解决的技术问题是:提供一种预判性运维规划方法及终端,可以实现洗车机的提前检修,从而避免了因为维修而造成的经济损失和用户体验下降的问题。
为了解决上述技术问题,本发明采用的技术方案为:
预判性运维规划方法,包括步骤:
S1、实时获取各个洗车机上各个零部件的实时传感数据,得到每一个洗车机包括当前时刻的实时传感数据集合;
S2、判断所述实时传感数据集合中每一个所述实时传感数据是否超出对应的正常阈值范围,若是,则生成待分配维修订单之后执行步骤S6,否则执行步骤S3;
S3、将每一个所述正常阈值范围划分成至少两个数值连续的正常阈值子区间,记录所述实时传感数据集合中每一个所述实时传感数据所对应的正常阈值子区间;
S4、遍历包括历史时刻的历史传感数据集合,得到每一个所述历史传感数据集合中每一个所述历史传感数据所对应的正常阈值子区间,将所有所述历史传感数据所对应的正常阈值子区间与所述实时传感数据集合中所有所述实时传感数据所对应的正常阈值子区间的重合程度排在前N个的所述历史传感数据集合记为参照传感数据集合,所述N为大于或等于2的正整数;
S5、根据每一个洗车机的所述实时传感数据集合所对应的所述参照传感数据集合所对应的洗车机的历史维修信息判断所述洗车机在第一预设时间内是否会发生维修,若会,则发出生成待分配维修订单之后执行步骤S6;
S6、根据维修人员的实时位置信息、工作安排信息以及所述待分配维修订单对应站点的单位时间洗车量实时分配所述待分配维修订单,以完成对所述洗车机的提前检修。
为了解决上述技术问题,本发明采用的另一种技术方案为:
预判性运维规划终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的预判性运维规划方法。
本发明的有益效果在于:预判性运维规划方法及终端,通过实时获取各个洗车机上各个零部件的实时传感数据,将实时传感数据划分成多个子区间,以确定每一个实时传感数据所对应的子区间,之后与历史传感数据进行匹配,找到子区间的重合程度靠前的历史传感数据作为参照传感数据,根据这些参照传感数据的历史维修信息得到洗车机在第一预设时间内是否会发生维修,即提前预判洗车机上需要检修的站点,从而在洗车机发送故障之前先行检修,从而避免因为维修而造成的经济损失和用户体验下降的问题。
附图说明
图1为本发明实施例的预判性运维规划方法的流程示意图;
图2为本发明实施例的预判性运维规划方法的实际站点示意图;
图3为本发明实施例的预判性运维规划终端的结构示意图。
标号说明:
1、预判性运维规划终端;2、处理器;3、存储器。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果,以下结合实施方式并配合附图予以说明。
请参照图1和图2,预判性运维规划方法,包括步骤:
S1、实时获取各个洗车机上各个零部件的实时传感数据,得到每一个洗车机包括当前时刻的实时传感数据集合;
S2、判断所述实时传感数据集合中每一个所述实时传感数据是否超出对应的正常阈值范围,若是,则生成待分配维修订单之后执行步骤S6,否则执行步骤S3;
S3、将每一个所述正常阈值范围划分成至少两个数值连续的正常阈值子区间,记录所述实时传感数据集合中每一个所述实时传感数据所对应的正常阈值子区间;
S4、遍历包括历史时刻的历史传感数据集合,得到每一个所述历史传感数据集合中每一个所述历史传感数据所对应的正常阈值子区间,将所有所述历史传感数据所对应的正常阈值子区间与所述实时传感数据集合中所有所述实时传感数据所对应的正常阈值子区间的重合程度排在前N个的所述历史传感数据集合记为参照传感数据集合,所述N为大于或等于2的正整数;
S5、根据每一个洗车机的所述实时传感数据集合所对应的所述参照传感数据集合所对应的洗车机的历史维修信息判断所述洗车机在第一预设时间内是否会发生维修,若会,则发出生成待分配维修订单之后执行步骤S6;
S6、根据维修人员的实时位置信息、工作安排信息以及所述待分配维修订单对应站点的单位时间洗车量实时分配所述待分配维修订单,以完成对所述洗车机的提前检修。
从上述描述可知,本发明的有益效果在于:通过实时获取各个洗车机上各个零部件的实时传感数据,将实时传感数据划分成多个子区间,以确定每一个实时传感数据所对应的子区间,之后与历史传感数据进行匹配,找到子区间的重合程度靠前的历史传感数据作为参照传感数据,根据这些参照传感数据的历史维修信息得到洗车机在第一预设时间内是否会发生维修,即提前预判洗车机上需要检修的站点,从而在洗车机发送故障之前先行检修,从而避免因为维修而造成的经济损失和用户体验下降的问题。
进一步地,所述步骤S4具体包括以下步骤:
S41、遍历包括历史时刻的历史传感数据集合,得到每一个所述历史传感数据集合中每一个所述历史传感数据所对应的正常阈值子区间;
S42、判断所有所述历史传感数据所对应的正常阈值子区间与所述实时传感数据集合中所有所述实时传感数据所对应的正常阈值子区间的重合程度为完全重合的个数是否大于N且小于M,若是,则将所有重合程度为完全重合的所述历史传感数据集合记为参照传感数据集合,若重合程度为完全重合的个数为小于或等于N则执行步骤S43,若重合程度为完全重合的个数为大于或等于M则执行步骤S44,所述N为大于或等于2的正整数,所述M为大于所述N的正整数;
S43、将所有重合程度排在前N个的所述历史传感数据集合记为参照传感数据集合,若存在后一重合程度的个数与之前重合程度的累计个数的和大于N,则所述后一重合程度按照预设排序规则进行排序选择;
S44、将重合程度为完全重合的所有所述实时传感数据集合按照预设排序规则进行排序选择前M个的所述历史传感数据集合记为参照传感数据集合。
从上述描述可知,对于正常或者是常见的故障,在发生故障前的传感数据可能存在非常多的数据,由此,只需要按照预设排序规则遴选出符合预设个数的历史传感数据作为参照传感数据即可,避免因为数据过多而造成的运算负担大和计算延时长的问题。
进一步地,所述步骤S1和所述步骤S2之间还包括以下步骤:
获取每一个所述实时传感数据所对应的前a个所述实时传感数据,以形成每一个所述实时传感数据的数据变化趋势,所述a为大于或等于2的正整数;
判断具有预设关联关系的所有所述实时传感数据的数据变化趋势是否均符合预设变化趋势,若是,则所述实时传感数据的数据正常,否则将不符合预设变化趋势的同一预设关联关系下的所有所述实时传感数据从所述实时传感数据集合中删除,生成并发出传感数据异常信息。
从上述描述可知,对于实时传感数据来说,存在数据异常的情况,而具有预设关联关系的实时传感数据之间的数据变化趋势应当是关联的,因此,可以通过数据之间的关联关系是采集到的实时传感数据进行自检,以保证实时传感数据的准确性。
进一步地,所述M为2N。
进一步地,所述步骤S1具体包括以下步骤:
实时获取各个洗车机上各个零部件的实时传感数据,将每一个洗车机上每一个零部件所关联的实时传感数据打包为一个包括当前时刻和当前零部件的实时传感数据集合;
所述步骤S5具体包括以下步骤:
根据每一个所述当前零部件的所述实时传感数据集合所对应的所述参照传感数据集合所对应的所述当前零部件的历史维修信息判断所述当前零部件在第一预设时间内是否会发生维修,若会,则发出生成待分配维修订单之后执行步骤S6。
从上述描述可知,对于洗车机来说,为了确定发生故障的零部件,将采集到的实时传感数据按照零部件的关联关系进行整合,使得一个实时传感数据集合反映的是这台洗车机上对应的这个零部件是否发生故障,从而准确预判有可能发生故障的零部件以提前维修。
进一步地,所述实时传感数据包括温度数据、电流数据、电压数据或震动数据。
从上述描述可知,上述的实时传感数据可以根据洗车机上进行检测的各个传感器所采集的数据进行预先设定。
进一步地,所述步骤S3中将每一个所述正常阈值范围划分成至少两个数值连续的正常阈值子区间具体为:将每一个所述正常阈值范围均匀划分成至少两个数值连续的正常阈值子区间。
从上述描述可知,采用子区间来进行重合程度的比较,使得在保证能准确获取到参照传感数据的同时减轻运算量以保证其实时性。
进一步地,所述步骤S6具体包括以下步骤:
S61、获取每一个维修人员的工作安排信息,判断是否存在所述工作安排信息在当天还存在安排余量的维修人员,若存在,则将所述工作安排信息在当天还存在安排余量的维修人员加入可安排人员集合,若不存在,则执行步骤S64,所述安排余量为所述维修人员在完成所述工作安排信息后还存在空闲时间可以进行维修;
S62、获取所述可安排人员集合中所有维修人员的实时位置信息和还未完成维修的未完成维修订单,将所述可安排人员集合中每一个所述维修人员的实时位置信息作为路径规划起点,将所述可安排人员集合中每一个所述维修人员的未完成维修订单和所述待分配维修订单进行回滚重组成一个待分配订单集合,并计算所述可安排人员集合中每一个所述维修人员从所述路径规划起点开始完成对应的所述待分配订单集合的总时长,并且记录所述可安排人员集合中每一个所述维修人员在完成所述待分配订单集合所规划的路径与完成所述未完成维修订单所规划的路径之间的路径变更比率以及所述待分配维修订单所在位置与所述可安排人员集合中每一个所述维修人员的多个所述未完成维修订单所在位置之间的最远间距;
S63、判断是否存在与最短总时长的时间间隔在第二预设时间内的总时长,若存在,则将其所对应的所述维修人员的总时长、路径变更比率和最远间距与所述最短总时长所对应的所述维修人员的总时长、路径变更比率和最远间距按照对应的权重值进行计算得到最终派单数值,将所述待分配维修订单分配给所述最终派单数值最低的所述维修人员,并按照完成所述待分配订单集合所规划的路径进行重新导航,否则直接将所述待分配维修订单分配给最短总时长所对应的所述维修人员,并按照完成所述待分配订单集合所规划的路径进行重新导航;
S64、获取所述待分配维修订单对应站点的单位时间洗车量、每一个所述维修人员的实时位置信息和还未完成维修的未完成维修订单,判断是否存在第一未完成维修订单对应站点的单位时间洗车量小于所述待分配维修订单对应站点的单位时间洗车量,若存在,则将所述待分配维修订单替换所述第一未完成订单,否则将所述待分配维修订单挂起待明天派单。
进一步地,所述步骤S63具体包括以下步骤:
S631、判断是否存在与最短总时长的时间间隔在第二预设时间内的总时长,若存在,则将其所对应的所述维修人员记为第二人员,将所述最短总时长所对应的所述维修人员记为第一人员,否则直接将所述待分配维修订单分配给最短总时长所对应的所述维修人员,并按照完成所述待分配订单集合所规划的路径进行重新导航;
S632、获取所述第一人员和所述第二人员所分别对应的总时长、路径变更比率和最远间距,将所有所述总时长的最大数值记为1,将除最大数值之外的所述总时长按照和最大数值的比例进行换算得到对应的时长比率,将所有所述最远间距的最大数值记为1,将除最大数值之外的所述最远间距按照和最大数值的比例进行换算得到对应的间距比率;
S633、将所述第一人员和所述第二人员所分别对应的时长比率、路径变更比率和间距比率按照对应的权重值进行计算得到最终派单数值,将所述待分配维修订单分配给所述最终派单数值最低的所述维修人员,并按照完成所述待分配订单集合所规划的路径进行重新导航。
从上述描述可知,对于需要维修的洗车机来说,在获取到维修订单时就判断当前的维修人员是否还能处理该维修订单。而对于还有维修余量的维修人员来说采用将所有订单重新整合到一起进行路径规划,若存在重新规划的总时长最短且未有时间相近的替代方案时直接将待分配维修订单给总时长最短的维修人员,而如果存在两个总时长的时间相近的维修人员,则需要考虑路径变更比率和最远间距,以更好的考虑到维修人员对于突发事件的接受程度,提高维修人员的工作体验,从而能够更好的保证派单的合理性。
请参照图3,预判性运维规划终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的预判性运维规划方法。
从上述描述可知,本发明的有益效果在于:通过实时获取各个洗车机上各个零部件的实时传感数据,将实时传感数据划分成多个子区间,以确定每一个实时传感数据所对应的子区间,之后与历史传感数据进行匹配,找到子区间的重合程度靠前的历史传感数据作为参照传感数据,根据这些参照传感数据的历史维修信息得到洗车机在第一预设时间内是否会发生维修,即提前预判洗车机上需要检修的站点,从而在洗车机发送故障之前先行检修,从而避免因为维修而造成的经济损失和用户体验下降的问题。
请参照图1,本发明的实施例一为:
预判性运维规划方法,包括步骤:
S1、实时获取各个洗车机上各个零部件的实时传感数据,得到每一个洗车机包括当前时刻的实时传感数据集合;
在本实施例中,实时传感数据为洗车机上各个零部件的相关数据信息,包括温度数据、电流数据、电压数据或震动数据等等,在其他等同实施例中,可以根据洗车机上各个零部件所需要的检测信息可以对应设置采集。
其中,每一个洗车机上每一个零部件的传感器在发送传感数据时都会携带证明自身的唯一标识信息,根据这些唯一标识信息可以确定是哪一个洗车机上的哪一个零部件的哪一个传感器。
考虑到计算问题,可以间隔采集,而非每一个时刻都在采集上传,比如一小时上传一次或者半小时或者更长更短的预设时长。
其中,步骤S1具体包括以下步骤:
实时获取各个洗车机上各个零部件的实时传感数据,将每一个洗车机上每一个零部件所关联的实时传感数据打包为一个包括当前时刻和当前零部件的实时传感数据集合;
比如同一个洗车电机的电流过大的情况下,温度一般也会过高,即各个实时传感数据之间存在一定的关联关系,可以预先设定某个零部件要关联哪几个实时传感数据,由此在后续预判的时候可以将关联的这个实时传感数据打包成这个零部件的实时传感数据集合来判断这个零部件是否存在故障风险。
同样的,一个实时传感数据可能具有多个关联关系,则有可能被包括在多个实时传感数据集合中,比如假设现有实时传感数据a、b和c,然后其中一个零部件具有关联的实时传感数据集合包括a和c,另一个零部件具有关联的实时传感数据集合包括b和c,这样实时传感数据c就存在于两个实时传感数据集合中。
其中,步骤S1和步骤S2之间还包括以下步骤:
获取每一个实时传感数据所对应的前a个实时传感数据,以形成每一个实时传感数据的数据变化趋势,a为大于或等于2的正整数;
判断具有预设关联关系的所有实时传感数据的数据变化趋势是否均符合预设变化趋势,若是,则实时传感数据的数据正常,否则将不符合预设变化趋势的同一预设关联关系下的所有实时传感数据从实时传感数据集合中删除,生成并发出传感数据异常信息。
由此,可以通过数据之间的关联关系是采集到的实时传感数据进行自检,以保证实时传感数据的准确性,比如前面的电流和温度,如果电流的变化趋势越来越大,但是温度却越来越低,则两者的数据之间存在一个数据是异常的,不能作为后续的预判数据进行分析。
值得说明的是,每一个零部件所关联的实时传感数据是指判断这个零部件是否正常所需要用到的实时传感数据,而预设关联关系的所有实时传感数据是指两个实时传感数据存在着相互影响的关联关系。
S2、判断实时传感数据集合中每一个实时传感数据是否超出对应的正常阈值范围,若是,则生成待分配维修订单之后执行步骤S6,否则执行步骤S3;
其中,正常阈值范围为各个洗车机上各个零部件在当前状态下的正常数值范围。
S3、将每一个正常阈值范围划分成至少两个数值连续的正常阈值子区间,记录实时传感数据集合中每一个实时传感数据所对应的正常阈值子区间;
其中,步骤S3中将每一个正常阈值范围划分成至少两个数值连续的正常阈值子区间具体为:将每一个正常阈值范围均匀划分成至少两个数值连续的正常阈值子区间。
比如一个正常阈值范围为[4,6],要划分成四个数值连续的正常阈值子区间,则为[4,4.5)、[4.5,5)、[5,5.5)和[5.5,6],应当说明的是均匀划分也存在无法整除的情况以及临近值的归属问题,无法整除的情况比如分成三个,则可以临界值为4.67和5.23,即对于无法整除的情况按照四舍五入和预设小数点后几位设定即可。对于临近值的归属问题,临近值只是无数个数值中的一个,将其归于哪一个区间其本质上都是一样的,可以自由设置。
S4、遍历包括历史时刻的历史传感数据集合,得到每一个历史传感数据集合中每一个历史传感数据所对应的正常阈值子区间,将所有历史传感数据所对应的正常阈值子区间与实时传感数据集合中所有实时传感数据所对应的正常阈值子区间的重合程度排在前N个的历史传感数据集合记为参照传感数据集合,N为大于或等于2的正整数;
其中,步骤S4具体包括以下步骤:
S41、遍历包括历史时刻的历史传感数据集合,得到每一个历史传感数据集合中每一个历史传感数据所对应的正常阈值子区间;
其中,每一实时传感数据在下一时刻就变成了历史传感数据,因此在存储实时传感数据时也存储有之前已经计算过的所对应的正常阈值子区间,这样后续进行预判时只需要提取数据就可以了。
S42、判断所有历史传感数据所对应的正常阈值子区间与实时传感数据集合中所有实时传感数据所对应的正常阈值子区间的重合程度为完全重合的个数是否大于N且小于M,若是,则将所有重合程度为完全重合的历史传感数据集合记为参照传感数据集合,若重合程度为完全重合的个数为小于或等于N则执行步骤S43,若重合程度为完全重合的个数为大于或等于M则执行步骤S44,N为大于或等于2的正整数,M为大于N的正整数;
在本实施例中,M为2N。
比如N为10,则M为20。由于每一个零部件的实时传感数据不是很多,且为正常时的历史数据偏多,因此,是有可能存在完全重合的个数非常多的情况,由此,只需要采用预设排序规则进行排序选择即可。
在本实施例中,预设排序规则包括但不限于:时间间隔由小到大的排序规则、环境参数和运行参数的相似度由大到小的排序规则、在一天的时间点相距由小到大的排序规则或者上述规则的排列组合。
S43、将所有重合程度排在前N个的历史传感数据集合记为参照传感数据集合,若存在后一重合程度的个数与之前重合程度的累计个数的和大于N,则后一重合程度按照预设排序规则进行排序选择;
其中,比如完全重合的个数为8个,排在第二重合的个数为4个,这样,排在第二重合的个数按照上面的预设排序规则进行排序选择2个即可。
S44、将重合程度为完全重合的所有实时传感数据集合按照预设排序规则进行排序选择前M个的历史传感数据集合记为参照传感数据集合。
S5、根据每一个洗车机的实时传感数据集合所对应的参照传感数据集合所对应的洗车机的历史维修信息判断洗车机在第一预设时间内是否会发生维修,若会,则发出生成待分配维修订单之后执行步骤S6;
其中,步骤S5具体包括以下步骤:
根据每一个当前零部件的实时传感数据集合所对应的参照传感数据集合所对应的当前零部件的历史维修信息判断当前零部件在第一预设时间内是否会发生维修,若会,则发出生成待分配维修订单之后执行步骤S6。
其中,第一预设时间要大于一天,通常可以设置三天、五天或者七天。以保证有足够的时间进行维修。
S6、根据维修人员的实时位置信息和工作安排信息实时分配待分配维修订单,以完成对洗车机的提前检修。
其中,维修人员去现场维修时要进行现场检测,以确认是否需要进行维修,并将确认的结果上传到系统,作为是否会发生维修的依据。
由此,本实施例提前预判洗车机上需要检修的站点,从而在洗车机发送故障之前先行检修,从而避免因为维修而造成的经济损失和用户体验下降的问题。
请参照图1,本发明的实施例二为:
预判性运维规划方法,在上述实施例一的基础上,步骤S6具体包括以下步骤:
S61、获取每一个维修人员的工作安排信息,判断是否存在工作安排信息在当天还存在安排余量的维修人员,若存在,则将工作安排信息在当天还存在安排余量的维修人员加入可安排人员集合,若不存在,则执行步骤S64,安排余量为维修人员在完成工作安排信息后还存在空闲时间可以进行维修;
其中,对于当天还可以进行维修的维修人员来说,可以把这个待分配维修订单在当天就进行派单从而当天就可以完成维修,而对于每个维修人员都很忙的情况,则作为明天处理的订单进行挂起,以便一起派单。
S62、获取可安排人员集合中所有维修人员的实时位置信息和还未完成维修的未完成维修订单,将可安排人员集合中每一个维修人员的实时位置信息作为路径规划起点,将可安排人员集合中每一个维修人员的未完成维修订单和待分配维修订单进行回滚重组成一个待分配订单集合,并计算可安排人员集合中每一个维修人员从路径规划起点开始完成对应的待分配订单集合的总时长,并且记录可安排人员集合中每一个维修人员在完成待分配订单集合所规划的路径与完成未完成维修订单所规划的路径之间的路径变更比率以及待分配维修订单所在位置与可安排人员集合中每一个维修人员的多个未完成维修订单所在位置之间的最远间距;
其中,路径变更比率表示维修人员的预期路径和更新后的路径差距有多大,最远间距表示维修人员的预期位置和更新后的位置差距有多大,即用来判断维修人员对于变更后的路径的接受程度有多大,从而保证维修人员的工作体验。
S63、判断是否存在与最短总时长的时间间隔在第二预设时间内的总时长,若存在,则将其所对应的维修人员的总时长、路径变更比率和最远间距与最短总时长所对应的维修人员的总时长、路径变更比率和最远间距按照对应的权重值进行计算得到最终派单数值,将待分配维修订单分配给最终派单数值最低的维修人员,并按照完成待分配订单集合所规划的路径进行重新导航,否则直接将待分配维修订单分配给最短总时长所对应的维修人员,并按照完成待分配订单集合所规划的路径进行重新导航;
其中,步骤S63具体包括以下步骤:
S631、判断是否存在与最短总时长的时间间隔在第二预设时间内的总时长,若存在,则将其所对应的维修人员记为第二人员,将最短总时长所对应的维修人员记为第一人员,否则直接将所述待分配维修订单分配给最短总时长所对应的所述维修人员,并按照完成所述待分配订单集合所规划的路径进行重新导航;
其中,当有多个维修人员存在维修余量时,加入新的待分配维修订单进行重新规划的路径可以得到不同维修人员所对应的总时长,假设三个总时长分别为4小时、4小时10分钟和5小时,其中第二预设时间为20分钟,则4小时和4小时10分钟属于完成时间相近的情况,这种情况下就需要考虑这两个时长所对应的维修人员的路径变更比率以及最远间距。而若4小时10分钟是6小时,则直接将待分配维修订单分配给4小时所对应的所述维修人员。
S632、获取第一人员和第二人员所分别对应的总时长、路径变更比率和最远间距,将所有总时长的最大数值记为1,将除最大数值之外的总时长按照和最大数值的比例进行换算得到对应的时长比率,将所有最远间距的最大数值记为1,将除最大数值之外的最远间距按照和最大数值的比例进行换算得到对应的间距比率;
其中,以上面总时长为4小时的第一人员和上面4小时10分钟的第二人员进行举例说明,此时,第一人员和第二人员的时长比率分别为:0.96和1.0、路径变更比率分别为0.3和0.2且间距比率分别为1和0.8。
S633、将第一人员和第二人员所分别对应的时长比率、路径变更比率和间距比率按照对应的权重值进行计算得到最终派单数值,将待分配维修订单分配给最终派单数值最低的维修人员,并按照完成待分配订单集合所规划的路径进行重新导航。
其中,时长比率、路径变更比率和间距比率的权重值分别为5、3和2,则第一人员的最终派单数值为0.96*5+0.3*3+1*2=7.7,第二人员的最终派单数值为1*5+0.2*3+0.8*2=7.2。由此,将待分配维修订单分配给第二人员,并按照第二人员的未完成维修订单和待分配维修订单进行重新规划的路径进行重新导航。
由此,更好的考虑到维修人员对于突发事件的接受程度,提高维修人员的工作体验和工作情绪,从而能够更好的保证派单的合理性。
S64、获取待分配维修订单对应站点的单位时间洗车量、每一个维修人员的实时位置信息和还未完成维修的未完成维修订单,判断是否存在第一未完成维修订单对应站点的单位时间洗车量小于待分配维修订单对应站点的单位时间洗车量,若存在,则将待分配维修订单替换第一未完成订单,否则将待分配维修订单挂起待明天派单。
其中,单位时间洗车量可以是日均、周均或者月均或者三天之内等等任意设定时间。
其中,步骤S64中若存在,则将待分配维修订单替换第一未完成订单具体包括以下步骤:
S641、判断所述待分配维修订单与所述第一未完成订单所对应的维修人员所对应的维修区域的路径长度是否大于第一预设路径距离内,若是,则将待分配维修订单挂起待明天派单,否则执行步骤S642;
对于步骤S641来说,对于维修人员的订单分配都是基于其一定区域范围内或一定顺路指数下进行派单,而待分配维修订单与所述第一未完成订单所对应的维修人员所对应的维修区域的路径长度大于第一预设路径距离内,则说明临近的维修人员的维修订单的优先级都比较高,那么待分配维修订单的优先级也并不是很高,基于本身优先级不高的情况下,没必要修改非临近的维修人员的维修订单,因为这势必要造成路径增加从而造成时间增加和维修人员的工作体验下降,因此,基于订单优先级和替换订单所带来的正面负面影响,在待分配维修订单与所有第一未完成订单都大于第一预设路径距离时,待分配维修订单挂起到明天派单。
S642、判断与待分配维修订单的路径长度小于或等于第一预设路径距离内的第一未完成订单的个数是否为单个,若是,则直接将待分配维修订单替换第一未完成订单,之后对被替换订单的维修人员的新维修订单进行重新的路径规划,否则执行步骤S643;
对于步骤S642来说,只有一个临近维修人员符合要求,自然将两者的订单进行替换即可。
另外,为了便于说明,将与待分配维修订单的路径长度小于或等于第一预设路径距离内的第一未完成订单设为临近未完成订单,将具有临近未完成订单的临近维修人员设为待选维修人员,由此得到步骤S643如下。
S643、获取待分配维修订单对应站点的单位时间洗车量与每一个临近未完成订单的单位洗车量的洗车量差值,并以其中最大的洗车量差值作为-1,其他洗车量差值按照与最大的洗车量差值的比例关系进行换算,得到洗车量比率;
对于步骤S643来说,因为后续的时长比率、路径变更比率和间距比率都是越小越好,而洗车量差值都是越大越好,所以对于洗车量比率为负值。其中,洗车量差值体现两个订单替换之后带来的收益,同样以上述的第一人员和第二人员举例,此时第一人员和第二人员的洗车量差值为-1和-0.8。
S644、将待选维修人员中除临近未完成订单之外的其他未完成订单和待分配维修订单进行重组一个订单并进行重新的路径规划,按照步骤S62和S63计算出每一个待选维修人员重组后的订单所分别对应的时长比率、路径变更比率和间距比率,将洗车量比率、时长比率、路径变更比率和间距比率按照对应的权重值进行计算得到最终派单数值,将待分配维修订单分配给最终派单数值最低的维修人员,并按照完成待分配订单集合所规划的路径进行重新导航。
其中,洗车量比率、时长比率、路径变更比率和间距比率的权重值分别为5、5、3和2,则第一人员的最终派单数值为-1*5+0.96*5+0.3*3+1*2=2.7,第二人员的最终派单数值为-0.8*5+1*5+0.2*3+0.8*2=3.2。由此,将待分配维修订单分配给第一人员,并按照第一人员的其他未完成订单和待分配维修订单进行重新规划的路径进行重新导航。
由此,洗车量代表着人流量,因此考虑洗车量不只是考虑洗车收益,也考虑到受影响客户的比例,在无法及时兼顾所有洗车机的提前维修时,将洗车机所在站点的洗车量作为一个较高级别的考虑因素,来将洗车量较低的站点的维修推迟,保证洗车量较高的站点能够较快被维修,以尽可能提高整体洗车收益且降低受影响客户的比例。
另外,在其他等同实施例中,也可以将预判产生维修的天数作为一个必要条件考虑,以在预判产生维修的天数之前完成对洗车机的维修,比如有两个订单一个预判产生维修的天数是明天,一个是后天,只能处理一个订单的情况下,则优先处理明天的。
请参照图1和图2,本发明的实施例三为:
预判性运维规划方法,在上述实施例一或二的基础上,通过对维修人员的合理派单,使得维修订单的处理量达到最大化,由此得到的本实施例三,若维修人员在统一位置出发,即如图2所示统一位置为A点,则图2中的B至J点均对应有一待处理维修订单,则步骤S6之后还包括以下步骤:
S71、获取一还未派单的第一待分配人员以及第一待处理维修订单集合,将第一待处理维修订单集合中离统一位置最远的第一订单分配到第一待分配人员,得到第二待处理维修订单集合;
即如图2所示统一位置为A点,与A点距离最远的即为J点,因此,首先将J点所对应的第一订单分配到第一待分配人员,则第二待处理维修订单集合包括B至I点所对应的订单。
S72、规划第一待分配人员处理第一订单的多条行驶路径,计算第一待分配人员沿着多条行驶路径处理第一订单的第一占用时间,若所有行驶路径的第一占用时间均大于预设工作时长,则完成第一待分配人员的派单,否则将第一占用时间大于或等于预设工作时长的行驶路径进行删除,得到第一待分配人员所对应的可用行驶路径集合;
如图2所示行驶路径包括AEJ、ABDFJ、ABDEJ、AEGHJ以及ABDEGHJ五条,假设此时所有的行驶路径都满足第一占用时间不大于预设工作时长,则可用行驶路径集合包括AEJ、ABDFJ、ABDEJ、AEGHJ以及ABDEGHJ五条行驶路径。
S73、将可用行驶路径集合中每一条行驶路径的第二预设路径距离内所包含的第二待处理维修订单集合中的待处理维修订单按照行驶路径进行分类为与每一条行驶路径一一对应的第一订单集合,在每一个第一订单集合中加入第一订单得到第二订单集合,按照第二订单集合进行路径规划,并计算第一待分配人员完成每一个第二订单集合的第二占用时间,将第二占用时间超过预设工作时长的第二订单集合进行删除,得到第三订单集合;
即第一订单集合为E、BDF、BDE、EGH以及BDEGH,第二订单集合为EJ、BDFJ、BDEJ、EGHJ以及BDEGHJ,假设预设工作时长为8小时,EJ、BDFJ、BDEJ、EGHJ以及BDEGHJ的第二占用时间分别是4小时、6小时、5小时30分钟、6小时30分钟以及9小时,由于BDEGHJ的第二占用时间超过预设工作时长,则得到第三订单集合为EJ、BDFJ、BDEJ以及EGHJ。
S74、将所有第三订单集合的所有待处理维修订单中与统一位置最远的第二订单所对应的第四订单集合分配给第一待分配人员,对第二待处理维修订单集合中除第四订单集合之外的所有待处理维修订单进行聚类分析,得到订单子类,将每一个订单子类与第四订单集合进行整合后的订单进行路径规划,以得到每一个整合后的订单的第三占用时间,将第三占用时间小于预设工作时长加上最大加班时长内的所有订单集合中与统一位置最远的第三订单所在的订单子类也分配给第一待分配人员,并重复计算第一待分配人员的当前订单的当前占用时长,以在用当前占用时长小于预设工作时长加上最大加班时长时继续加入订单子类,直至得到所述第一待分配人员的最终派单。
由此可知,H点与统一位置最远,因此第四订单集合为EGHJ,因为EGHJ的订单集合所需时间为6小时30分钟,则还有1小时30分钟的工作时长,在经过聚类分析之后得到的三个订单子类包括C、BDF和I、此时整合后的订单分别对应的第三占用时间为7小时30分钟、10小时以及7小时50分钟,此时最大加班时长为1小时,则整合后的订单在9小时之内的订单之类只有C和I,此时,I点相较于C点更远,则第一待分配人员的当前订单为EGHJI,此时,在加入C之后为8小时50分钟,由此第一待分配人员的最终派单为CEGHJI。
在此基础上,生成与超过预设工作时长所对应的加班费用给第一待分配人员。
即本实施例在兼顾了路径的匹配程度和时间最大化利用的基础上,考虑先将路径最远的订单进行分配,并对所有路径进行聚类分析,使得剩余的待处理维修订单的占用时间相对较少且具有对应的关联关系,从而使得维修订单的处理量达到最大化。
若维修人员不在统一位置出发,则以维修人员的起始位置为圆心,对在每一个维修人员的第二预设路径距离内的待处理维修订单分配给对应的维修人员,之后基于已经分配的待处理维修订单的顺路指数以及占用时间逐一进行分配其他订单,若遇到其他订单可以分配给多个维修人员,则采用枚举法列举所有可能派单方案,以所有维修人员之间的时长方差值最小的派单方案进行分配,顺路指数为从维修人员的起始位置出发沿着已经分配的待处理维修订单的方向一直前进,第二预设路径距离指的是预设的两个点之间的路径长度,而非两点之间的直线长度。
由此,若图2中两个维修人员在A点和J点,则A点的维修人员的第二预设路径距离内的待处理维修订单包括BC,J点的维修人员的第二预设路径距离内的待处理维修订单包括H,根据顺路指数以及占用时间再次分配得到,A点的维修人员的第二预设路径距离内的待处理维修订单包括BCDF,J点的维修人员的第二预设路径距离内的待处理维修订单包括HJEI,其中关于F的选择,应当看的未选择的订单和之前已经分配的订单的顺路指数,在分配完D和G订单之后,J点的维修人员在G点与F点的路径长度远远大于A点的维修人员在D点与F点的路径长度,因此,将F分配给A点的维修人员。此时,剩下的E点是在G的下一顺路方向上,对于A点的维修人员,当分配E时,其工作时长会远远大于J点的维修人员,且在D点先E后F还是先F后E都是不顺路的,因此,将E点分配给J点的维修人员;而I点因为路径距离和占用时间分配给J点。
由此,若图2中三个维修人员在AEJ三点,则三个维修人员按照第二预设路径距离分别的订单为BC、DG和H,则按照顺路指数以及占用时间将I分配给J点维修的人员,剩余的F点的订单有三种选择,加分配给AEJ均可,即得到三种派单方案,从而计算三种派单方案的时长方差值,得到时长方差值最小的方案是将F给A,即三个维修人员的最终派单方案为BCF、DG和HI。
请参照图3,本发明的实施例四为:
预判性运维规划终端1,包括存储器3、处理器2及存储在存储器3上并可在处理器2上运行的计算机程序,处理器2执行计算机程序时实现上述实施例一的步骤。
综上所述,本发明提供的预判性运维规划方法及终端,通过实时获取各个洗车机上各个零部件的实时传感数据,通过数据之间的关联关系是采集到的实时传感数据进行自检,将自检准确的实时传感数据划分成多个子区间,以确定每一个实时传感数据所对应的子区间,之后与历史传感数据进行匹配,找到子区间的重合程度靠前且为预设个数的历史传感数据作为参照传感数据,根据这些参照传感数据的历史维修信息得到每一个洗车机的每一个零部件在第一预设时间内是否会发生维修,即能快速准确地提前预判洗车机上需要检修的站点,从而在洗车机发送故障之前先行检修,从而避免因为维修而造成的经济损失和用户体验下降的问题。同时考虑时长、路径变更比率和最远间距,以更好的考虑到维修人员对于突发事件的接受程度,提高维修人员的工作体验,从而能够更好的保证派单的合理性。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等同变换,或直接或间接运用在相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.预判性运维规划方法,其特征在于,包括步骤:
S1、实时获取各个洗车机上各个零部件的实时传感数据,得到每一个洗车机包括当前时刻的实时传感数据集合;
S2、判断所述实时传感数据集合中每一个所述实时传感数据是否超出对应的正常阈值范围,若是,则生成待分配维修订单之后执行步骤S6,否则执行步骤S3;
S3、将每一个所述正常阈值范围划分成至少两个数值连续的正常阈值子区间,记录所述实时传感数据集合中每一个所述实时传感数据所对应的正常阈值子区间;
S4、遍历包括历史时刻的历史传感数据集合,得到每一个所述历史传感数据集合中每一个所述历史传感数据所对应的正常阈值子区间,将所有所述历史传感数据所对应的正常阈值子区间与所述实时传感数据集合中所有所述实时传感数据所对应的正常阈值子区间的重合程度排在前N个的所述历史传感数据集合记为参照传感数据集合,所述N为大于或等于2的正整数;
S5、根据每一个洗车机的所述实时传感数据集合所对应的所述参照传感数据集合所对应的洗车机的历史维修信息判断所述洗车机在第一预设时间内是否会发生维修,若会,则发出生成待分配维修订单之后执行步骤S6;
S6、根据维修人员的实时位置信息、工作安排信息以及所述待分配维修订单对应站点的单位时间洗车量实时分配所述待分配维修订单,以完成对所述洗车机的提前检修。
2.根据权利要求1所述的预判性运维规划方法,其特征在于,所述步骤S4具体包括以下步骤:
S41、遍历包括历史时刻的历史传感数据集合,得到每一个所述历史传感数据集合中每一个所述历史传感数据所对应的正常阈值子区间;
S42、判断所有所述历史传感数据所对应的正常阈值子区间与所述实时传感数据集合中所有所述实时传感数据所对应的正常阈值子区间的重合程度为完全重合的个数是否大于N且小于M,若是,则将所有重合程度为完全重合的所述历史传感数据集合记为参照传感数据集合,若重合程度为完全重合的个数为小于或等于N则执行步骤S43,若重合程度为完全重合的个数为大于或等于M则执行步骤S44,所述N为大于或等于2的正整数,所述M为大于所述N的正整数;
S43、将所有重合程度排在前N个的所述历史传感数据集合记为参照传感数据集合,若存在后一重合程度的个数与之前重合程度的累计个数的和大于N,则所述后一重合程度按照预设排序规则进行排序选择;
S44、将重合程度为完全重合的所有所述实时传感数据集合按照预设排序规则进行排序选择前M个的所述历史传感数据集合记为参照传感数据集合。
3.根据权利要求2所述的预判性运维规划方法,其特征在于,所述步骤S1和所述步骤S2之间还包括以下步骤:
获取每一个所述实时传感数据所对应的前a个所述实时传感数据,以形成每一个所述实时传感数据的数据变化趋势,所述a为大于或等于2的正整数;
判断具有预设关联关系的所有所述实时传感数据的数据变化趋势是否均符合预设变化趋势,若是,则所述实时传感数据的数据正常,否则将不符合预设变化趋势的同一预设关联关系下的所有所述实时传感数据从所述实时传感数据集合中删除,生成并发出传感数据异常信息。
4.根据权利要求2所述的预判性运维规划方法,其特征在于,所述M为2N。
5.根据权利要求1所述的预判性运维规划方法,其特征在于,所述步骤S1具体包括以下步骤:
实时获取各个洗车机上各个零部件的实时传感数据,将每一个洗车机上每一个零部件所关联的实时传感数据打包为一个包括当前时刻和当前零部件的实时传感数据集合;
所述步骤S5具体包括以下步骤:
根据每一个所述当前零部件的所述实时传感数据集合所对应的所述参照传感数据集合所对应的所述当前零部件的历史维修信息判断所述当前零部件在第一预设时间内是否会发生维修,若会,则发出生成待分配维修订单之后执行步骤S6。
6.根据权利要求1所述的预判性运维规划方法,其特征在于,所述实时传感数据包括温度数据、电流数据、电压数据或震动数据。
7.根据权利要求1所述的预判性运维规划方法,其特征在于,所述步骤S3中将每一个所述正常阈值范围划分成至少两个数值连续的正常阈值子区间具体为:将每一个所述正常阈值范围均匀划分成至少两个数值连续的正常阈值子区间。
8.根据权利要求1所述的预判性运维规划方法,其特征在于,所述步骤S6具体包括以下步骤:
S61、获取每一个维修人员的工作安排信息,判断是否存在所述工作安排信息在当天还存在安排余量的维修人员,若存在,则将所述工作安排信息在当天还存在安排余量的维修人员加入可安排人员集合,若不存在,则执行步骤S64,所述安排余量为所述维修人员在完成所述工作安排信息后还存在空闲时间可以进行维修;
S62、获取所述可安排人员集合中所有维修人员的实时位置信息和还未完成维修的未完成维修订单,将所述可安排人员集合中每一个所述维修人员的实时位置信息作为路径规划起点,将所述可安排人员集合中每一个所述维修人员的未完成维修订单和所述待分配维修订单进行回滚重组成一个待分配订单集合,并计算所述可安排人员集合中每一个所述维修人员从所述路径规划起点开始完成对应的所述待分配订单集合的总时长,并且记录所述可安排人员集合中每一个所述维修人员在完成所述待分配订单集合所规划的路径与完成所述未完成维修订单所规划的路径之间的路径变更比率以及所述待分配维修订单所在位置与所述可安排人员集合中每一个所述维修人员的多个所述未完成维修订单所在位置之间的最远间距;
S63、判断是否存在与最短总时长的时间间隔在第二预设时间内的总时长,若存在,则将其所对应的所述维修人员的总时长、路径变更比率和最远间距与所述最短总时长所对应的所述维修人员的总时长、路径变更比率和最远间距按照对应的权重值进行计算得到最终派单数值,将所述待分配维修订单分配给所述最终派单数值最低的所述维修人员,并按照完成所述待分配订单集合所规划的路径进行重新导航,否则直接将所述待分配维修订单分配给最短总时长所对应的所述维修人员,并按照完成所述待分配订单集合所规划的路径进行重新导航;
S64、获取所述待分配维修订单对应站点的单位时间洗车量、每一个所述维修人员的实时位置信息和还未完成维修的未完成维修订单,判断是否存在第一未完成维修订单对应站点的单位时间洗车量小于所述待分配维修订单对应站点的单位时间洗车量,若存在,则将所述待分配维修订单替换所述第一未完成订单,否则将所述待分配维修订单挂起待明天派单。
9.根据权利要求8所述的预判性运维规划方法,其特征在于,所述步骤S63具体包括以下步骤:
S631、判断是否存在与最短总时长的时间间隔在第二预设时间内的总时长,若存在,则将其所对应的所述维修人员记为第二人员,将所述最短总时长所对应的所述维修人员记为第一人员,否则直接将所述待分配维修订单分配给最短总时长所对应的所述维修人员,并按照完成所述待分配订单集合所规划的路径进行重新导航;
S632、获取所述第一人员和所述第二人员所分别对应的总时长、路径变更比率和最远间距,将所有所述总时长的最大数值记为1,将除最大数值之外的所述总时长按照和最大数值的比例进行换算得到对应的时长比率,将所有所述最远间距的最大数值记为1,将除最大数值之外的所述最远间距按照和最大数值的比例进行换算得到对应的间距比率;
S633、将所述第一人员和所述第二人员所分别对应的时长比率、路径变更比率和间距比率按照对应的权重值进行计算得到最终派单数值,将所述待分配维修订单分配给所述最终派单数值最低的所述维修人员,并按照完成所述待分配订单集合所规划的路径进行重新导航。
10.预判性运维规划终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现所述权利要求1至9任一所述的预判性运维规划方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110742278.6A CN113392998B (zh) | 2021-07-01 | 2021-07-01 | 预判性运维规划方法及终端 |
CN202410107536.7A CN117933973A (zh) | 2021-07-01 | 2021-07-01 | 基于订单分配的预判性运维规划方法与终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110742278.6A CN113392998B (zh) | 2021-07-01 | 2021-07-01 | 预判性运维规划方法及终端 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410107536.7A Division CN117933973A (zh) | 2021-07-01 | 2021-07-01 | 基于订单分配的预判性运维规划方法与终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113392998A true CN113392998A (zh) | 2021-09-14 |
CN113392998B CN113392998B (zh) | 2023-12-22 |
Family
ID=77624825
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410107536.7A Pending CN117933973A (zh) | 2021-07-01 | 2021-07-01 | 基于订单分配的预判性运维规划方法与终端 |
CN202110742278.6A Active CN113392998B (zh) | 2021-07-01 | 2021-07-01 | 预判性运维规划方法及终端 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410107536.7A Pending CN117933973A (zh) | 2021-07-01 | 2021-07-01 | 基于订单分配的预判性运维规划方法与终端 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN117933973A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160104123A1 (en) * | 2014-10-10 | 2016-04-14 | At&T Intellectual Property I, L.P. | Predictive Maintenance |
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 |
CN110738352A (zh) * | 2019-09-12 | 2020-01-31 | 武汉儒松科技有限公司 | 基于故障大数据的维修派单管理方法、装置、设备及介质 |
CN111222549A (zh) * | 2019-12-30 | 2020-06-02 | 航天时代飞鸿技术有限公司 | 一种基于深度神经网络的无人机故障预测方法 |
CN112668415A (zh) * | 2020-12-17 | 2021-04-16 | 震兑工业智能科技有限公司 | 一种飞机发动机故障预测方法 |
CN113048073A (zh) * | 2021-03-25 | 2021-06-29 | 福州物联网开放实验室有限公司 | 一种潜污水泵设备的预测性维护方法和存储设备 |
-
2021
- 2021-07-01 CN CN202410107536.7A patent/CN117933973A/zh active Pending
- 2021-07-01 CN CN202110742278.6A patent/CN113392998B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160104123A1 (en) * | 2014-10-10 | 2016-04-14 | At&T Intellectual Property I, L.P. | Predictive Maintenance |
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 |
CN110738352A (zh) * | 2019-09-12 | 2020-01-31 | 武汉儒松科技有限公司 | 基于故障大数据的维修派单管理方法、装置、设备及介质 |
CN111222549A (zh) * | 2019-12-30 | 2020-06-02 | 航天时代飞鸿技术有限公司 | 一种基于深度神经网络的无人机故障预测方法 |
CN112668415A (zh) * | 2020-12-17 | 2021-04-16 | 震兑工业智能科技有限公司 | 一种飞机发动机故障预测方法 |
CN113048073A (zh) * | 2021-03-25 | 2021-06-29 | 福州物联网开放实验室有限公司 | 一种潜污水泵设备的预测性维护方法和存储设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117933973A (zh) | 2024-04-26 |
CN113392998B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8571912B2 (en) | Method and system for allocating specific appointment time windows in a service industry | |
Smilowitz et al. | Workforce management in periodic delivery operations | |
CN106855966A (zh) | 基于无人配送车进行调度的方法和系统 | |
US11386440B2 (en) | Device and method for management of shared vehicles | |
AU682585B2 (en) | Resource allocation | |
JP2014211766A (ja) | 要員管理システム、及び要員管理方法 | |
JP7006682B2 (ja) | 作業管理装置、作業管理方法およびプログラム | |
CN110444008B (zh) | 一种车辆调度方法及装置 | |
JP5958227B2 (ja) | 工程管理システム | |
CN112258065A (zh) | 一种确定维修派工顺序的方法、装置及设备 | |
JP2010282524A (ja) | 間接費配賦計算システム | |
CN113392998A (zh) | 预判性运维规划方法及终端 | |
CN113052467A (zh) | 基于运维成本的共享车辆调度方法及装置 | |
JP7280811B2 (ja) | 混雑度予測表示システム、混雑度予測表示方法及びプログラム | |
CN112990624A (zh) | 一种任务分配方法、装置、设备及存储介质 | |
JPH10254962A (ja) | グループ別作業能力補正装置および作業割り当てシステム | |
KR20210061249A (ko) | 기계학습 기반 공정 스케줄링 장치 및 방법 | |
WO2020249215A1 (en) | System and method for vehicle relocation | |
JP5461280B2 (ja) | 作業管理システム、作業管理方法及び作業管理プログラム | |
CN114240162A (zh) | 人员调度方法、装置、设备及存储介质 | |
Stecke | Production flexibilities and their impact on manufacturing strategy | |
Lee et al. | Implementing distribution requirement planning and scheduling system for lens manufacturing company | |
CN116050768B (zh) | 工程机械服务资源的调度方法与装置 | |
JP6908444B2 (ja) | 電力需要予測装置、電力需要予測方法およびプログラム | |
JP7298666B2 (ja) | 出向計画システム、制御方法およびプログラム |
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 |