CN113467403A - 一种卷烟设备管理系统及方法 - Google Patents

一种卷烟设备管理系统及方法 Download PDF

Info

Publication number
CN113467403A
CN113467403A CN202110837189.XA CN202110837189A CN113467403A CN 113467403 A CN113467403 A CN 113467403A CN 202110837189 A CN202110837189 A CN 202110837189A CN 113467403 A CN113467403 A CN 113467403A
Authority
CN
China
Prior art keywords
equipment
spare
spare parts
time
maintenance
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
CN202110837189.XA
Other languages
English (en)
Other versions
CN113467403B (zh
Inventor
刘博�
张爱华
石恒柱
姚卫东
方汀
王国萍
李自娟
杨川
庞俊杰
李端端
程杰
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.)
Zhangjiakou Cigarette Factory Co Ltd
Original Assignee
Zhangjiakou Cigarette Factory 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 Zhangjiakou Cigarette Factory Co Ltd filed Critical Zhangjiakou Cigarette Factory Co Ltd
Priority to CN202110837189.XA priority Critical patent/CN113467403B/zh
Priority to CN202211471985.7A priority patent/CN115793581B/zh
Publication of CN113467403A publication Critical patent/CN113467403A/zh
Priority to US17/870,848 priority patent/US20230026103A1/en
Application granted granted Critical
Publication of CN113467403B publication Critical patent/CN113467403B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32252—Scheduling production, machining, job shop
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种卷烟设备管理系统，其包括信息管理模块，信息管理模块包括备件信息档案、备件使用档案、设备维修档案及部/组件更换档案；卷烟设备管理系统还包括与所述信息管理模块通信连接的维修预测模块、设备状态采集模块及采购统计模块；维修预测模块通过人工神经网络模型进行搭建，该模块用于预测故障间隔时长；设备状态采集模块实时采集设备运行参数及设备运行时长，并与安全参数范围进行对比。本发明能够通过备件的时长参数及设备的运行参数预测设备的维修时机，并通过以往设备维修及备件更换记录确定备件的采购数量，结合备件采购时长确定备件的采购时机。

Description

一种卷烟设备管理系统及方法
技术领域
本发明涉及车间设备管理系统领域，特别是涉及一种卷烟设备管理系统及方法。
背景技术
在各种生产企业的生产车间里一般都有大量的加工设备，在经过一定时间的运行之后，设备的一些易损件或其他零件达到一定程度的磨损即需要更换零部件，对于常用零件仓库会有存有备件，当需要维修更换备件时可快速调取。
在卷烟生产领域中，对设备维修或备件更换时机一般为事后维修或更换，即发生生产问题或者影响设备运行产生故障时进行维修或更换备件，也有一部分维修工作及备件更换为预防性工作，该预防性工作通常凭借维修人员的操作经验进行主观性判断，缺乏客观性的数据支撑，容易造成维修滞后或提前，若维修滞后则出现设备故障发生，影响生产正常运行，而维修过分提前则造成维修费用及备件费用的增加。
目前企业的备件采购大部分是通过维修人员上报购置，一般计划采购的数量会多于实际使用数量，其主要目的是防止突发性故障抢修时备件不足的情况，但是此方法不适用于故障率低，故障周期长的设备，且有时备件会在存储的过程中发生裂变而无法使用，此种情况橡胶制品尤为突出，所以对于车间来说，急需一种科学的系统及方法预测维修时机并协助确定备件采购数量和采购时机。
发明内容
基于上述情况，本申请提供了一种卷烟设备管理系统及方法，其能够通过备件的时长参数及设备的运行参数预测设备的维修时机，并通过以往设备维修及备件更换记录确定备件的采购数量，结合备件采购时长确定备件的采购时机。
本发明解决其技术问题所采用的技术方案为：
一种卷烟设备管理系统，包括信息管理模块和与所述信息管理模块通信连接的维修预测模块、设备状态采集模块及采购统计模块，信息管理模块包括备件信息档案、备件使用档案、设备维修档案及部/组件更换档案，即可由人工手动记录，也可通过计算机录入自动统计。
具体地，备件信息档案包括：备件编码、备件名称、适用机型、生产厂家、备件建议使用时长、采购时间、存放位置及质保日期；备件信息档案也可提前在备件上打码输入备件信息，当需要输入备件信息时扫码获取即可；
备件使用档案包括：备件编码、备件使用设备、备件更换过程及备件使用数量；
设备维修档案包括：维修日期、故障原因分析、维修过程、维修用备件名称、备件编码、维修责任人；
部/组件更换档案包括：更换日期、更换原因、更换过程、部组件所用备件编码及更换责任人。
从信息管理模块中便于统计各品牌备件的时机使用时长及厂家，后期对于不同厂家的备件质量可做统计进行筛选。
进一步地，维修预测模块通过人工神经网络模型进行搭建，该模块用于预测加工设备的故障间隔时长。
具体地，维修预测模块具有输入值3个、输出值1个、神经元2个，其输入值为备件上机使用时长、备件建议使用时长及设备运行时长，输出值为故障间隔时长。
具体地，备件上机使用时长即为当前时间与备件更换日期之差。
进一步地，设备状态采集模块实时采集设备运行参数及设备运行时长，并与运行参数的安全范围进行对比；当设备运行参数在安全参数范围内时，则设备运行稳定，维修时机根据维修预测模块预测的故障间隔时长及上次故障时间点确定，即为备件更换日期与故障间隔时长之和，当设备运行参数超出安全参数范围时，则以此时即为维修时机。
优选地，设备状态采集模块采用数据采集卡实时采集，其包括通讯接口、传感器及信息采集系统。具体地，其将生产设备的相关I/O点或其他接口与对应的传感器连接，采集相应的加工信息，包括设备运行的各个参数等。
可选地，设备状态采集模块也可采用以太网模式或其他方式采集设备信息。
进一步地，采购统计模块根据部/组件更换档案的更换日期统计得不同备件的上机使用时长、备件周期需求量，并根据公司备件存量确定备件采购数量，结合采购时长确定备件采购时机。
具体地，采购统计模块采用聚类统计方法确定备件采购数量和备件采购时机，具体为：根据设备维修档案中备件的更换日期确定备件更换周期和对应周期的更换数量，并通过备件更换周期确定不同备件的上机使用时长，从备件信息档案中获取备件质保时长，并结合库存备件满足的使用时长要求，以备件品牌为聚类条件，在该条件下确定一定周期内备件的需求量；
以公司备件最大存量为上限值，确定备件采购数量，结合备件上机使用最短时长及备件采购时长，确定备件采购时机。
本发明还提供了一种卷烟设备管理方法，其包括以下步骤：
步骤一：建立档案
建立信息管理模块的备件信息档案、备件使用档案、设备维修档案及部/组件更换档案；
向备件信息档案中录入的内容包括：备件编码、备件名称、适用机型、生产厂家、备件建议使用时长、采购时间及质保时长；
向备件使用档案中录入的内容包括：备件编码、备件使用设备及备件使用数量；
向设备维修档案中录入的内容包括：维修日期、故障原因分析、维修用备件名称及备件编码；
向部/组件更换档案中录入的内容包括：更换日期、更换原因及部组件所用备件编码；
步骤二：输入值确定
从建立的档案中确定备件建议使用时长并根据备件更换时间确定备件上机使用时长，从设备状态采集模块中确定设备运行时长；
步骤三：预测模型构建
通过人工神经网络模型搭建维修预测模块，以步骤二所得参数为输入因素，以故障间隔时长为输出因素建立关键参数预测模型，通过2个神经元对备件的故障间隔时长进行预测；
步骤四：维修时机确定
根据设备状态采集模块采集的设备运行参数与故障间隔时长确定维修时机，当设备运行参数在安全参数范围内时，则设备运行参数稳定，维修时机以维修预测模块预测的故障间隔时长确定，即为备件更换日期与故障间隔时长之和，当设备运行参数超出安全参数范围时，则以此时即为维修时机；
步骤五：备件采购时机计算
采用聚类统计-限值设定方法计算，根据设备维修档案中备件的更换日期确定备件更换周期和对应周期的更换数量，并通过备件更换周期确定不同备件的上机使用时长，从备件信息档案中获取备件质保时长，并结合库存备件满足的使用时长要求，以备件品牌为聚类条件，在该条件下确定一定周期内备件的需求量；
以公司备件最大存量为上限值，确定备件采购数量，结合备件上机使用最短时长及备件采购时长，确定备件采购时机。
本发明带来的有益效果有：
建立了信息管理模块，其包括备件信息档案、备件使用档案、设备维修档案及部/组件更换档案，对备件的相关信息参数、备件的使用、设备的维修、部组件的更换均做完整统一的记录，当需要查询更换维修记录或备件参数信息等的时候，便于后期管理查询。且对不同品牌的备件使用情况做出记录之后，可根据其使用质量进行筛选，后期采购质量较高的备件；
维修预测模块通过神经网络预测模型以备件的上机使用时长、建议使用时长、设备运行时长为输入值，通过中间的神经元以后输出故障间隔时长，该方法以具体数值为基础，客观地预测故障发生间隔，可信度很强，且该模块与设备状态采集模块的设备运行参数范围为参考确定维修时机，因维修时机根据设备当前状态即时确认，确认方法考虑因素全面，对设备的有效及时维护具有重要的意义；
在采购统计模块中，以信息管理模块中的数据为基础，根据备件库存量及备件采购时长确认得被禁采购数量及备件采购时机，该模块对备件购买及时化、购买数量合理性具有重要的指导性意义。
附图说明
下面结合附图及具体实施例对本发明作进一步说明：
图1为本发明的系统模块图；
图2为本发明的维修预测模块示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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，本领域普通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。
实施例1
参照图1～2，一种卷烟设备管理系统，包括信息管理模块和与信息管理模块通信连接的维修预测模块、设备状态采集模块及采购统计模块，信息管理模块包括备件信息档案、备件使用档案、设备维修档案及部/组件更换档案。
其中，备件信息档案由人工填写记录，其内容包括：备件编码、备件名称、适用机型、生产厂家、备件建议使用时长、采购时间及质保日期；
备件使用档案由人工填写记录，其内容包括：备件编码、备件使用设备、及备件使用数量；
设备维修档案由人工填写记录，其内容包括：维修日期、故障原因分析、维修用备件名称及备件编码；
部/组件更换档案由人工填写记录，其内容包括：更换日期、更换原因及部组件所用备件编码。
从信息管理模块中便于统计各品牌备件的时机使用时长及厂家，后期对于不同厂家的备件质量可做统计进行筛选。
其中，维修预测模块通过人工神经网络模型进行搭建，该模块用于预测加工设备的故障间隔时长。其具有输入值3个、输出值1个、神经元2个，其输入值为备件上机使用时长、备件建议使用时长及设备运行时长，输出值为故障间隔时长。
具体地，备件上机使用时长即为当前时间与备件更换日期之差。
其中，设备状态采集模块实时采集设备运行参数及设备运行时长，并与运行参数的安全范围进行对比；当设备运行参数在安全参数范围内时，则设备运行稳定，维修时机根据维修预测模块预测的故障间隔时长及上次故障时间点确定，即为备件更换日期与故障间隔时长之和，当设备运行参数超出安全参数范围时，则以此时即为维修时机。
作为本实施例的一种优选方案，设备状态采集模块采用数据采集卡实时采集，其包括通讯接口、传感器及信息采集系统。具体地，其将生产设备的相关I/O点或其他接口与对应的传感器连接，采集相应的加工信息，包括设备运行的各个参数等。可选地，也可采用以太网模式或其他方式采集设备信息。
其中，采购统计模块根据信息管理模块的部/组件更换档案的更换日期统计得不同备件的上机使用时长、备件周期需求量，并根据公司备件存量确定备件采购数量，结合采购时长确定备件采购时机。
具体地，采购统计模块采用聚类统计方法确定备件采购数量和备件采购时机，具体为：根据设备维修档案中备件的更换日期确定备件更换周期和对应周期的更换数量，并通过备件更换周期确定不同备件的上机使用时长，从备件信息档案中获取备件质保时长，并结合库存备件满足的使用时长要求，以备件品牌为聚类条件，在该条件下确定一定周期内备件的需求量；
以公司备件最大存量为上限值，确定备件采购数量，结合备件上机使用最短时长及备件采购时长，确定备件采购时机。
实施例2
参照图1～2，一种卷烟设备管理系统，包括信息管理模块和与信息管理模块通信连接的维修预测模块、设备状态采集模块及采购统计模块。
具体地，信息管理模块包括备件信息档案、备件使用档案、设备维修档案及部/组件更换档案，且均通过计算机录入后自动统计。
其中，备件信息档案可提前在备件上打码输入备件信息，当需要输入备件信息时扫码获取即可，其内容包括：备件编码、备件名称、适用机型、生产厂家、备件建议使用时长、采购时间、存放位置及质保日期；
备件使用档案包括：备件编码、备件使用设备、备件更换过程及备件使用数量；
设备维修档案包括：维修日期、故障原因分析、维修过程、维修用备件名称、备件编码、维修责任人；
部/组件更换档案包括：更换日期、更换原因、更换过程、部组件所用备件编码及更换责任人。
从信息管理模块中便于统计各品牌备件的时机使用时长及厂家，后期对于不同厂家的备件质量可做统计进行筛选。
其中，维修预测模块通过人工神经网络模型进行搭建，该模块用于预测加工设备的故障间隔时长。其具有输入值3个、输出值1个、神经元2个，其输入值为备件上机使用时长、备件建议使用时长及设备运行时长，输出值为故障间隔时长。
具体地，备件上机使用时长即为当前时间与备件更换日期之差。
其中，设备状态采集模块实时采集设备运行参数及设备运行时长，并与运行参数的安全范围进行对比；当设备运行参数在安全参数范围内时，则设备运行稳定，维修时机根据维修预测模块预测的故障间隔时长及上次故障时间点确定，即为备件更换日期与故障间隔时长之和，当设备运行参数超出安全参数范围时，则以此时即为维修时机。
作为本实施例的一种优选方案，设备状态采集模块采用数据采集卡实时采集，其包括通讯接口、传感器及信息采集系统。具体地，其将生产设备的相关I/O点或其他接口与对应的传感器连接，采集相应的加工信息，包括设备运行的各个参数等。可选地，也可采用以太网模式或其他方式采集设备信息。
其中，采购统计模块根据信息管理模块的部/组件更换档案的更换日期统计得不同备件的上机使用时长、备件周期需求量，并根据公司备件存量确定备件采购数量，结合采购时长确定备件采购时机。
具体地，采购统计模块采用聚类统计方法确定备件采购数量和备件采购时机，具体为：根据设备维修档案中备件的更换日期确定备件更换周期和对应周期的更换数量，并通过备件更换周期确定不同备件的上机使用时长，从备件信息档案中获取备件质保时长，并结合库存备件满足的使用时长要求，以备件品牌为聚类条件，在该条件下确定一定周期内备件的需求量；
以公司备件最大存量为上限值，确定备件采购数量，结合备件上机使用最短时长及备件采购时长，确定备件采购时机。
实施例3
参照图1～2，一种卷烟设备管理方法，本方法应用于实施例1～2所述的一种卷烟设备管理系统中，其包括以下步骤：
步骤一：建立档案
建立信息管理模块的备件信息档案、备件使用档案、设备维修档案及部/组件更换档案；
向备件信息档案中录入的内容包括：备件编码、备件名称、适用机型、生产厂家、备件建议使用时长、采购时间及质保时长；
向备件使用档案中录入的内容包括：备件编码、备件使用设备及备件使用数量；
向设备维修档案中录入的内容包括：维修日期、故障原因分析、维修用备件名称及备件编码；
向部/组件更换档案中录入的内容包括：更换日期、更换原因及部组件所用备件编码；
步骤二：输入值确定
从建立的档案中确定备件建议使用时长并根据备件更换时间确定备件的上机使用时长，从设备状态采集模块中确定设备运行时长；
步骤三：预测模型构建
通过人工神经网络模型搭建维修预测模块，以步骤二所得参数为输入因素，以故障间隔时长为输出因素建立关键参数预测模型，通过2个神经元对备件的故障间隔时长进行预测；
步骤四：维修时机确定
根据设备状态采集模块采集的设备运行参数与故障间隔时长确定维修时机，当设备运行参数在安全参数范围内时，则设备运行参数稳定，维修时机以维修预测模块预测的故障间隔时长确定，即为备件更换日期与故障间隔时长之和，当设备运行参数超出安全参数范围时，则以此时即为维修时机；
步骤五：备件采购时机计算
采用聚类统计-限值设定方法计算，根据设备维修档案中备件的更换日期确定备件更换周期和对应周期的更换数量，并通过备件更换周期确定不同备件的上机使用时长，从备件信息档案中获取备件质保时长，并结合库存备件满足的使用时长要求，以备件品牌为聚类条件，在该条件下确定一定周期内备件的需求量；
以公司备件最大存量为上限值，确定备件采购数量，结合备件上机使用最短时长及备件采购时长，确定备件采购时机。
应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种卷烟设备管理系统，其特征在于：包括信息管理模块，所述信息管理模块包括备件信息档案、备件使用档案、设备维修档案及部/组件更换档案；
所述卷烟设备管理系统还包括与所述信息管理模块通信连接的维修预测模块、设备状态采集模块及采购统计模块；
所述维修预测模块通过人工神经网络模型进行搭建，该模块用于预测加工设备的故障间隔时长；
所述设备状态采集模块内实时采集设备运行参数及设备运行时长，并与运行参数的安全范围进行对比；当设备运行参数在安全参数范围内时，则设备运行稳定，维修时机根据维修预测模块预测的故障间隔时长及上次故障时间点确定，当设备运行参数超出安全参数范围时，则以此时即为维修时机。
2.根据权利要求1所述的一种卷烟设备管理系统，其特征在于：
所述备件信息档案包括：备件编码、备件名称、适用机型、生产厂家、备件建议使用时长、采购时间及质保日期；
所述备件使用档案包括：备件编码、备件使用设备及备件使用数量；
所述设备维修档案包括：维修日期、故障原因分析、维修用备件名称及备件编码；
所述部/组件更换档案包括：更换日期、更换原因、更换过程及部组件所用备件编码。
3.根据权利要求2所述的一种卷烟设备管理系统，其特征在于：
所述维修预测模块具有输入值3个、输出值1个、神经元2个，其输入值为备件上机使用时长、备件建议使用时长及设备运行时长，输出值为故障间隔时长。
4.根据权利要求2所述的一种卷烟设备管理系统，其特征在于：
所述采购统计模块根据信息管理模块的部/组件更换档案的更换日期统计得不同备件的上机使用时长、备件周期需求量，并根据公司备件存量确定备件采购数量，结合采购时长确定备件采购时机。
5.根据权利要求4所述的一种卷烟设备管理系统，其特征在于：
所述采购统计模块采用聚类统计方法确定备件采购数量和备件采购时机，具体为：根据设备维修档案中备件的更换日期确定备件更换周期和对应周期的更换数量，并通过备件更换周期确定不同备件的上机使用时长，从备件信息档案中获取备件质保时长，并结合库存备件满足的使用时长要求，以备件品牌为聚类条件，在该条件下确定一定周期内备件的需求量；
以公司备件最大存量为上限值，确定备件采购数量，结合备件上机使用最短时长及备件采购时长，确定备件采购时机。
6.根据权利要求1所述的一种卷烟设备管理系统，其特征在于：
所述设备状态采集模块采用数据采集卡实时采集，其包括通讯接口、传感器及信息采集系统。
7.一种卷烟设备管理方法，其特征在于：
所述方法应用于权利要求1～6任一项所述的卷烟设备管理系统，其包括以下步骤：
步骤一：建立档案
建立信息管理模块的备件信息档案、备件使用档案、设备维修档案及部/组件更换档案；
向备件信息档案中录入的内容包括：备件编码、备件名称、适用机型、生产厂家、备件建议使用时长、采购时间及质保时长；
向备件使用档案中录入的内容包括：备件编码、备件使用设备及备件使用数量；
向设备维修档案中录入的内容包括：维修日期、故障原因分析、维修用备件名称及备件编码；
向部/组件更换档案中录入的内容包括：更换日期、更换原因及部组件所用备件编码；
步骤二：输入值确定
从建立的档案中确定备件建议使用时长并根据备件更换时间确定备件上机使用时长，从设备状态采集模块中确定设备运行时长；
步骤三：预测模型构建
通过人工神经网络模型搭建维修预测模块，以步骤二所得参数为输入因素，以故障间隔时长为输出因素建立关键参数预测模型，通过2个神经元对备件的故障间隔时长进行预测；
步骤四：维修时机确定
根据设备状态采集模块采集的设备运行参数与故障间隔时长确定维修时机，当设备运行参数在安全参数范围内时，则设备运行参数稳定，维修时机以维修预测模块预测的故障间隔时长确定，当设备运行参数超出安全参数范围时，则以此时即为维修时机。
8.根据权利要求7所述的一种卷烟设备管理方法，其特征在于：
所述卷烟设备管理方法还包括：
步骤五：备件采购时机计算
采用聚类统计-限值设定方法计算，根据设备维修档案中备件的更换日期确定备件更换周期和对应周期的更换数量，并通过备件更换周期确定不同备件的上机使用时长，从备件信息档案中获取备件质保时长，并结合库存备件满足的使用时长要求，以备件品牌为聚类条件，在该条件下确定一定周期内备件的需求量；
以公司备件最大存量为上限值，确定备件采购数量，结合备件上机使用最短时长及备件采购时长，确定备件采购时机。
CN202110837189.XA 2021-07-23 2021-07-23 一种卷烟设备管理系统 Active CN113467403B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110837189.XA CN113467403B (zh) 2021-07-23 2021-07-23 一种卷烟设备管理系统
CN202211471985.7A CN115793581B (zh) 2021-07-23 一种卷烟设备管理方法
US17/870,848 US20230026103A1 (en) 2021-07-23 2022-07-22 Cigarette device management system and method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110837189.XA CN113467403B (zh) 2021-07-23 2021-07-23 一种卷烟设备管理系统

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202211471985.7A Division CN115793581B (zh) 2021-07-23 一种卷烟设备管理方法

Publications (2)

Publication Number Publication Date
CN113467403A true CN113467403A (zh) 2021-10-01
CN113467403B CN113467403B (zh) 2023-02-03

Family

ID=77882193

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110837189.XA Active CN113467403B (zh) 2021-07-23 2021-07-23 一种卷烟设备管理系统

Country Status (2)

Country Link
US (1) US20230026103A1 (zh)
CN (1) CN113467403B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103559594A (zh) * 2013-11-26 2014-02-05 武钢集团昆明钢铁股份有限公司 一种利用备件库存量控制采购计划的管理系统与方法
CN109543881A (zh) * 2018-10-23 2019-03-29 上海大学 设备库存管理决策优化方法、系统、电子设备和存储介质
CN110555639A (zh) * 2018-05-31 2019-12-10 红塔烟草(集团)有限责任公司 备件管理装置和备件库存管理方法
US20200151654A1 (en) * 2018-11-13 2020-05-14 The Boeing Company Inventory management
CN111695744A (zh) * 2020-06-28 2020-09-22 曾晨 一种基于大数据的维修器材需求预测分析系统
CN112052979A (zh) * 2020-07-17 2020-12-08 北京天泽智云科技有限公司 基于故障预测与健康管理的设备备件需求预测系统
CN112053009A (zh) * 2020-09-30 2020-12-08 华人运通(江苏)技术有限公司 一种故障预测方法、装置、系统及存储介质
CN112580812A (zh) * 2019-09-27 2021-03-30 北京国双科技有限公司 模型训练方法、库存安全预警方法、装置、设备及介质
US20210192430A1 (en) * 2019-12-23 2021-06-24 Northrop Grumman Systems Corporation Forecasting inventory model system

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103559594A (zh) * 2013-11-26 2014-02-05 武钢集团昆明钢铁股份有限公司 一种利用备件库存量控制采购计划的管理系统与方法
CN110555639A (zh) * 2018-05-31 2019-12-10 红塔烟草(集团)有限责任公司 备件管理装置和备件库存管理方法
CN109543881A (zh) * 2018-10-23 2019-03-29 上海大学 设备库存管理决策优化方法、系统、电子设备和存储介质
US20200151654A1 (en) * 2018-11-13 2020-05-14 The Boeing Company Inventory management
CN112580812A (zh) * 2019-09-27 2021-03-30 北京国双科技有限公司 模型训练方法、库存安全预警方法、装置、设备及介质
US20210192430A1 (en) * 2019-12-23 2021-06-24 Northrop Grumman Systems Corporation Forecasting inventory model system
CN111695744A (zh) * 2020-06-28 2020-09-22 曾晨 一种基于大数据的维修器材需求预测分析系统
CN112052979A (zh) * 2020-07-17 2020-12-08 北京天泽智云科技有限公司 基于故障预测与健康管理的设备备件需求预测系统
CN112053009A (zh) * 2020-09-30 2020-12-08 华人运通(江苏)技术有限公司 一种故障预测方法、装置、系统及存储介质

Also Published As

Publication number Publication date
CN115793581A (zh) 2023-03-14
US20230026103A1 (en) 2023-01-26
CN113467403B (zh) 2023-02-03

Similar Documents

Publication Publication Date Title
CN116629577A (zh) 一种基于大数据的智能化供应链管理系统
CN106934720B (zh) 基于物联网的设备保险智能定价方法与系统
CA2615828A1 (en) System and method for centralized monitoring of distributed power transformers
CN116308211A (zh) 一种基于大数据的企业智能化管理系统及方法
CN112415947A (zh) 一种基于dtu设备的cnc机床数据采集与管理方法及系统
CN116992346A (zh) 一种基于人工智能大数据分析的企业生产数据处理系统
CN116502830A (zh) 一种排产计划生成方法、系统和产品
CN111427330A (zh) 一种基于设备维护数据的设备故障模式及规律分析方法
CN118152124A (zh) 一种基于云计算的数据处理方法及系统
CN113467403B (zh) 一种卷烟设备管理系统
Iskandar et al. Reliability and warranty analysis of a motorcycle based on claims data
CN117592682A (zh) 一种基于实时审计数据流分析系统的供应链风险监控方法及系统
CN113537681B (zh) 用于炼化企业设备管理信息化的方法及系统
CN117435619A (zh) 一种风机故障修复过程量化评价系统及方法
CN113011596A (zh) 一种模型自动更新方法、装置、系统及电子设备
CN115793581B (zh) 一种卷烟设备管理方法
CN111260150A (zh) 一种通信设备运行风险预警方法及通信管理系统
CN115471135A (zh) 一种环保业务分析系统
EP4211522A1 (en) A method directed to interaction in a digital maintenance log system
CN113887861A (zh) 一种输变电主设备准实时数据监测系统
CN115018434A (zh) 一种新能源电站远程运维管理系统
CN117764550B (zh) 一种轨道交通车辆的检修管理系统及方法
CN114091710B (zh) 一种全国维修维护技术支撑方法及系统
CN118822176A (zh) 一种风光伏电站集控片区的维护管理方法及维护管理系统
CN117521632A (zh) 一种电力技术文档数据识别审核系统

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
GR01 Patent grant
GR01 Patent grant