CN114997442A - 一种机器的保养周期确定方法、存储介质及系统 - Google Patents

一种机器的保养周期确定方法、存储介质及系统 Download PDF

Info

Publication number
CN114997442A
CN114997442A CN202210752448.3A CN202210752448A CN114997442A CN 114997442 A CN114997442 A CN 114997442A CN 202210752448 A CN202210752448 A CN 202210752448A CN 114997442 A CN114997442 A CN 114997442A
Authority
CN
China
Prior art keywords
machine
maintenance
cost
equipment
bayesian
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.)
Withdrawn
Application number
CN202210752448.3A
Other languages
English (en)
Inventor
方志强
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.)
Zhaoqing University
Original Assignee
Zhaoqing University
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 Zhaoqing University filed Critical Zhaoqing University
Priority to CN202210752448.3A priority Critical patent/CN114997442A/zh
Publication of CN114997442A publication Critical patent/CN114997442A/zh
Withdrawn legal-status Critical Current

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
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种机器的保养周期确定方法、存储介质及系统，其中方法包括如下步骤，获取设备的平均存续寿命TL、平均每次故障维修成本Cmr、机器设备的重置成本Crp，第i次的保养维护成本Cpm(i)；获取第一机器退化函数α与第一机器退化函数β的平均数与标准偏差分别为：uα，σα，uβ，σβ；根据接收到的设备的工况等基础数值，结合维护成本等多项指标，结合自动化算法能够自动得出各机器设备的最优化的自动维护时间，提升了系统自动化程度，降低了人工成本。

Description

一种机器的保养周期确定方法、存储介质及系统
技术领域
本发明涉及装备维护领域，尤其涉及一种能够自动化进行机器的保养周期确定的技术方案。
背景技术
有效的机器设备周期保养工作可以减少机器设备发生临时性、不可预期的故障次数，进而造成工厂生产线停工的损失，因此如何安排机器设备保养工作的周期尤其重要。保养工作的周期若太短而形成过度维护，则会形成保养成本的浪费，同时保养工作也会形成短时间的停工损失。然而保养工作的周期若过长，则会造成机器设备非预期的故障机率，而故障机率的维修将会造成长时间的停工损失与更高的维修成本。机器设备会随着使用时间越长，其可靠性会因退化而越来越低，故障机率越来越高。这个过程可以符合机率统计的非齐次泊松过程。一般情况，机器设备的可靠性函数之参数由充分的历史失效数据计算而得。现有技术却只能够通过专家根据经验进行判断从而进行保养周期。而因此需要一种能够根据既有数据进行保养周期的计算方法。
发明内容
因此，需要提供一种自动化确定机器的保养周期的技术方案，从而提升机器的使用寿命，节省人工成本。
为实现上述目的，发明人提供了一种机器的保养周期确定方法，包括如下步骤，
获取设备的平均存续寿命TL、平均每次故障维修成本Cmr、机器设备的重置成本Crp，第i次的保养维护成本Cpm(i)；
获取第一机器退化函数α与第一机器退化函数β的平均数与标准偏差分别为：uα，σα，uβ，σβ；
令贝叶斯先验概率函数为：
f(α，β)＝K1αm-1βm-1Exp[-αczβ](Exp[-d]zm)β-1，
贝叶斯后验概率为：
Figure BDA0003718752480000021
其中K1与K2为归一化参数，xj为机器故障实际发生时间数据；
机器设备在存续寿命TL下保养次数为N的机器设备保养与维修的期望成本的贝叶氏事前与事后估计为ECf(N)与ECg(N)，而计算单位时间期望成本ECf(N)与ECg(N)的数学公式如下：
Figure BDA0003718752480000022
Figure BDA0003718752480000023
其中t为机器设备的使用时间，确定成本最低的保养次数N而h机器预防保养间隔时间，可由机器设备的平均存续寿命TL除以保养次数N而得，意即
Figure BDA0003718752480000024
本申请的一些实施例中，还包括步骤，
若之前无取得机器故障数据，则进行贝叶斯先验概率计算，先计算ECf(N)与ECf(N+1)，比较ECf(N)与ECf(N+1)数值大小之后，若ECf(N+1)＞ECf(N)成立，则最佳保养间隔时间h为
Figure BDA0003718752480000025
本申请的一些实施例中，还包括步骤，目前时点t0之机器设备的可靠性估计数值为：
Figure BDA0003718752480000031
本申请的一些实施例中，还包括步骤，若已经取得机器故障数据，则进行贝叶斯后验概率计算，先计算ECg(N)与ECg(N+1)，比较ECg(N)与ECg(N+1)数值大小之后，若ECg(N+1)＞ECg(N)成立，则最佳保养间隔时间h为
Figure BDA0003718752480000032
本申请的一些实施例中，还包括步骤，目前时点t0之机器设备的可靠性估计数值为：
Figure BDA0003718752480000033
本申请的一些实施例中，Cpm(i)＝Cp0+Cp1(i)，其中Cp0为每次保养的基础费用，Cp1(i)为每次保养的递增费用。
一种机器的保养周期确定存储介质，存储有计算机程序，所述计算机程序在被运行时执行包括如上述的机器的保养周期确定方法。
一种机器的保养周期确定系统，包括服务器、若干机器、若干终端计算设备，所述服务器用于获取设备的平均存续寿命TL、平均每次故障维修成本Cmr、机器设备的重置成本Crp，第i次的保养维护成本Cpm(i)；
所述服务器还用于，获取第一机器退化函数α与第一机器退化函数β的平均数与标准偏差分别为：uα，σα，uβ，σβ；
令贝叶斯先验概率函数为：
f(α，β)＝K1αm-1βm-1Exp[-αczβ](Exp[-d]zm)β-1，
贝叶斯后验概率为：
Figure BDA0003718752480000041
其中K1与K2为归一化参数，xj为机器故障实际发生时间数据；
机器设备在存续寿命TL下保养次数为N的机器设备保养与维修的期望成本的贝叶氏事前与事后估计为ECf(N)与ECg(N)，而计算单位时间期望成本ECf(N)与ECg(N)的数学公式如下：
Figure BDA0003718752480000042
Figure BDA0003718752480000043
其中t为机器设备的使用时间，确定成本最低的保养次数N，h为机器预防保养间隔时间，可由机器设备的平均存续寿命TL除以保养次数N而得，意即
Figure BDA0003718752480000044
所述终端计算设备用于展示所述机器预防保养间隔时间。
本申请的一些实施例中，所述服务器还用于进行步骤，若之前无取得机器故障数据，则进行贝叶斯先验概率计算，先计算ECf(N)与ECf(N+1)，比较ECf(N)与ECf(N+1)数值大小之后，若ECf(N+1)＞ECf(N)成立，则最佳保养间隔时间h为
Figure BDA0003718752480000045
本申请的一些实施例中，所述服务器还用于进行步骤，若已经取得机器故障数据，则进行贝叶斯后验概率计算，先计算ECg(N)与ECg(N+1)，比较ECg(N)与ECg(N+1)数值大小之后，若ECg(N+1)＞ECg(N)成立，则最佳保养间隔时间h为
Figure BDA0003718752480000046
区别于现有技术，上述方案能够根据接收到的设备的工况等基础数值，结合维护成本等多项指标，结合自动化算法能够自动得出各机器设备的最优化的自动维护时间，提升了系统自动化程度，降低了人工成本。
附图说明
图1为具体实施方式所述的一种机器的保养周期确定方法流程图；
图2为具体实施方式所述的无取得机器故障数据的间隔时间计算流程图；
图3为具体实施方式所述的已取得机器故障数据的间隔时间计算流程图；
图4为具体实施方式所述的机器的保养周期确定存储介质；
图5为具体实施方式所述的机器的保养周期确定方系统。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中各个位置出现的“实施例”一词并不一定指代相同的实施例，亦不特别限定其与其它实施例之间的独立性或关联性。原则上，在本申请中，只要不存在技术矛盾或冲突，各实施例中所提到的各项技术特征均可以以任意方式进行组合，以形成相应的可实施的技术方案。
除非另有定义，本文所使用的技术术语的含义与本申请所属技术领域的技术人员通常理解的含义相同；本文中对相关术语的使用只是为了描述具体的实施例，而不是旨在限制本申请。
在本申请的描述中，用语“和/或”是一种用于描述对象之间逻辑关系的表述，表示可以存在三种关系，例如A和/或B，表示：存在A，存在B，以及同时存在A和B这三种情况。另外，本文中字符“/”一般表示前后关联对象是一种“或”的逻辑关系。
在本申请中，诸如“第一”和“第二”之类的用语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何实际的数量、主次或顺序等关系。
在没有更多限制的情况下，在本申请中，语句中所使用的“包括”、“包含”、“具有”或者其他类似的表述，意在涵盖非排他性的包含，这些表述并不排除在包括所述要素的过程、方法或者产品中还可以存在另外的要素，从而使得包括一系列要素的过程、方法或者产品中不仅可以包括那些限定的要素，而且还可以包括没有明确列出的其他要素，或者还包括为这种过程、方法或者产品所固有的要素。
与《审查指南》中的理解相同，在本申请中，“大于”、“小于”、“超过”等表述理解为不包括本数；“以上”、“以下”、“以内”等表述理解为包括本数。此外，在本申请实施例的描述中“多个”的含义是两个以上(包括两个)，与之类似的与“多”相关的表述亦做此类理解，例如“多组”、“多次”等，除非另有明确具体的限定。
在本申请实施例的描述中，所使用的与空间相关的表述，诸如“中心”“纵向”“横向”“长度”“宽度”“厚度”“上”“下”“前”“后”“左”“右”“竖直”“水平”“垂直”“顶”“底”“内”“外”“顺时针”“逆时针”“轴向”“径向”“周向”等，所指示的方位或位置关系是基于具体实施例或附图所示的方位或位置关系，仅是为了便于描述本申请的具体实施例或便于读者理解，而不是指示或暗示所指的装置或部件必须具有特定的位置、特定的方位、或以特定的方位构造或操作，因此不能理解为对本申请实施例的限制。
除非另有明确的规定或限定，在本申请实施例的描述中，所使用的“安装”“相连”“连接”“固定”“设置”等用语应做广义理解。例如，所述“连接”可以是固定连接，也可以是可拆卸连接，或成一体设置；其可以是机械连接，也可以是电连接，也可以是通信连接；其可以是直接相连，也可以通过中间媒介间接相连；其可以是两个元件内部的连通或两个元件的相互作用关系。对于本申请所属技术领域的技术人员而言，可以根据具体情况理解上述用语在本申请实施例中的具体含义。
在如图1所示的实施例中，介绍了一种机器的保养周期确定方法，包括如下步骤，
S101获取设备的平均存续寿命TL、平均每次故障维修成本Cmr、机器设备的重置成本Crp，第i次的保养维护成本Cpm(i)；
S102获取第一机器退化函数α与第一机器退化函数β的平均数与标准偏差分别为：uα，σα，uβ，σβ；
令贝叶斯先验概率函数为：
f(α，β)＝K1αm-1βm-1Exp[-αczβ](Exp[-d]zm)β-1，
贝叶斯后验概率为：
Figure BDA0003718752480000071
其中K1与K2为归一化参数，xj为机器故障实际发生时间数据；
S103机器设备在存续寿命TL下保养次数为N的机器设备保养与维修的期望成本的贝叶氏事前与事后估计为ECf(N)与ECg(N)，而计算单位时间期望成本ECf(N)与ECg(N)的数学公式如下：
Figure BDA0003718752480000072
Figure BDA0003718752480000073
其中t为机器设备的使用时间，S104确定成本最低的保养次数N和h机器预防保养间隔时间，可由机器设备的平均存续寿命TL除以保养次数N而得，意即
Figure BDA0003718752480000081
其中，设备的平均存续寿命可以通过多个设备的历史记录获得，平均每次故障维修成本Cmr、机器设备的重置成本Crp，第i次的保养维护成本Cpm(i)可以通过服务器不断地记录生成，也可以由用户输入获得。通过利用上述方案，能够生成根据接收到的设备的工况等基础数值，结合维护成本等多项指标，结合自动化算法能够自动得出各机器设备的最优化的自动维护时间，提升了系统自动化程度，降低了人工成本。
在本申请的一些实施例中，为了能够在无取得机器故障数据的情况下能够更好地计算最佳保养间隔，图2所示的方法还包括步骤，
S200若之前无取得机器故障数据，则进行贝叶斯先验概率计算，先计算ECf(N)与ECf(N+1)，比较ECf(N)与ECf(N+1)数值大小之后，若ECf(N+1)＞ECf(N)成立，则最佳保养间隔时间h为
Figure BDA0003718752480000082
本申请的一些实施例中，无取得机器故障数据的情况下，可通过先验概率计算还包括步骤，目前时点t0之机器设备的可靠性估计数值为：
Figure BDA0003718752480000083
Figure BDA0003718752480000084
通过上述方案还解决了机器设备的当前可靠性的问题。
在如图3所示的一些实施例中，还包括步骤，S300若已经取得机器故障数据，则进行贝叶斯后验概率计算，先计算ECg(N)与ECg(N+1)，比较ECg(N)与ECg(N+1)数值大小之后，若ECg(N+1)＞ECg(N)成立，则最佳保养间隔时间h为
Figure BDA0003718752480000085
本申请的一些实施例中，取得机器故障数据的情况下，可通过先验概率计算，还进行步骤，目前时点t0之机器设备的可靠性估计数值为：
Figure BDA0003718752480000091
Figure BDA0003718752480000092
通过上述方案还解决了机器设备的当前可靠性的问题。
本申请的一些实施例中，Cpm(i)＝Cp0+Cp1(i)，其中Cp0为每次保养的基础费用，Cp1(i)为每次保养的递增费用。通过上述方式设置能够科学地设置每次保养的费用，将费用设置为递增函数能够更好地模拟实际维修成本情况，最终更准确地确定维护周期。
在如图4所示的一实施例中，还介绍了一种机器的保养周期确定存储介质400，存储有计算机程序，所述计算机程序在被运行时执行包括如上述的机器的保养周期确定方法。本方案的存储介质能够生成根据接收到的设备的工况等基础数值，结合维护成本等多项指标，结合自动化算法能够自动得出各机器设备的最优化的自动维护时间，提升了系统自动化程度，降低了人工成本。
其他一些如图5所示的一种机器的保养周期确定系统50，包括服务器500、若干机器501、若干终端计算设备502，所述服务器用于获取设备的平均存续寿命TL、平均每次故障维修成本Cmr、机器设备的重置成本Crp，第i次的保养维护成本Cpm(i)；
所述服务器还用于，获取第一机器退化函数α与第一机器退化函数β的平均数与标准偏差分别为：uα，σα，uβ，σβ；
令贝叶斯先验概率函数为：
f(α，β)＝K1αm-1βm-1Exp[-αczβ](Exp[-d]zm)β-1，
贝叶斯后验概率为：
Figure BDA0003718752480000093
其中K1与K2为归一化参数，xj为机器故障实际发生时间数据；
机器设备在存续寿命TL下保养次数为N的机器设备保养与维修的期望成本的贝叶氏事前与事后估计为ECf(N)与ECg(N)，而计算单位时间期望成本ECf(N)与ECg(N)的数学公式如下：
Figure BDA0003718752480000101
Figure BDA0003718752480000102
其中t为机器设备的使用时间，确定成本最低的保养次数N，h为机器预防保养间隔时间，可由机器设备的平均存续寿命TL除以保养次数N而得，意即
Figure BDA0003718752480000103
所述终端计算设备用于展示所述机器预防保养间隔时间。
上述系统能够生成根据接收到的设备的工况等基础数值，结合维护成本等多项指标，结合自动化算法能够自动得出各机器设备的最优化的自动维护时间，提升了系统自动化程度，降低了人工成本。
本申请的一些实施例中，所述服务器还用于进行步骤，若之前无取得机器故障数据，则进行贝叶斯先验概率计算，先计算ECf(N)与ECf(N+1)，比较ECf(N)与ECf(N+1)数值大小之后，若ECf(N+1)＞ECf(N)成立，则最佳保养间隔时间h为
Figure BDA0003718752480000104
本申请的一些实施例中，所述服务器还用于进行步骤，若已经取得机器故障数据，则进行贝叶斯后验概率计算，先计算ECg(N)与ECg(N+1)，比较ECg(N)与ECg(N+1)数值大小之后，若ECg(N+1)＞ECg(N)成立，则最佳保养间隔时间h为
Figure BDA0003718752480000111
在实际的一些应用例中，本方案的若干机器501、若干终端计算设备502是一一对应关系，终端计算设备502可以是具有处理单元的单片机等，例如树莓派单板计算机。在应用个过程中，首先将本发明专利所发展的可靠性与保养时程的算法写成Java编程，编译后存入树莓派单板计算机中。此树莓派单板计算机可显示机器设备可靠性状态之相关数值与建议的保养维修日程时间以提供工厂现场人员作为何时停机保养工作参考。此外树莓派单板计算机因为与机器设备联机，机器设备会将平时故障等机况数值推送到树莓派单板计算机。树莓派单板计算机收到平时故障等机况数值之后，除了可调整与修正机器设备的可靠性状况，也能调整与修正机器设备的下一次的建议保养维修日程时间。树莓派单板计算机可将相关信息与数据上传至企业局域网络中央服务器的数据库。工程师可在办公室透过公司的信息系统，了解工厂内所有机器设备的可靠性与保养维修信息并可总体安排人员进行现场保养维修。机器设备保养维修后，保养维修工作人员需点击树莓派单板计算机上的系统，确认保养工作已完成指令，让机器设备可靠性数值做更新，并将数据传递到中央服务器的数据库上。
需要说明的是，尽管在本文中已经对上述各实施例进行了描述，但并非因此限制本发明的专利保护范围。因此，基于本发明的创新理念，对本文所述实施例进行的变更和修改，或利用本发明说明书及附图内容所作的等效结构或等效流程变换，直接或间接地将以上技术方案运用在其他相关的技术领域，均包括在本发明的专利保护范围之内。

Claims (10)

1.一种机器的保养周期确定方法，其特征在于，包括如下步骤，
获取设备的平均存续寿命TL、平均每次故障维修成本Cmr、机器设备的重置成本Crp，第i次的保养维护成本Cpm(i)；
获取第一机器退化函数α与第一机器退化函数β的平均数与标准偏差分别为：uα，σα，uβ，σβ；
令贝叶斯先验概率函数为：
f(α，β)＝K1αm-1βm-1Exp[-αczβ](Exp[-d]zm)β-1，
贝叶斯后验概率为：
Figure FDA0003718752470000011
其中K1与K2为归一化参数，xj为机器故障实际发生时间数据；
机器设备在存续寿命TL下保养次数为N的机器设备保养与维修的期望成本的贝叶氏事前与事后估计为ECf(N)与ECg(N)，而计算单位时间期望成本ECf(N)与ECg(N)的数学公式如下：
Figure FDA0003718752470000012
其中t为机器设备的使用时间，确定成本最低的保养次数N而h机器预防保养间隔时间，可由机器设备的平均存续寿命TL除以保养次数N而得，意即
Figure FDA0003718752470000013
2.根据权利要求1所述的一种机器的保养周期确定方法，其特征在于，还包括步骤，
若之前无取得机器故障数据，则进行贝叶斯先验概率计算，先计算ECf(N)与ECf(N+1)，比较ECf(N)与ECf(N+1)数值大小之后，若ECf(N+1)＞ECf(N)成立，则最佳保养间隔时间h为
Figure FDA0003718752470000021
3.根据权利要求2所述的一种机器的保养周期确定方法，其特征在于，还包括步骤，目前时点t0之机器设备的可靠性估计数值为
Figure FDA0003718752470000022
Figure FDA0003718752470000023
4.根据权利要求1所述的一种机器的保养周期确定方法，其特征在于，还包括步骤，若已经取得机器故障数据，则进行贝叶斯后验概率计算，先计算ECg(N)与ECg(N+1)，比较ECg(N)与ECg(N+1)数值大小之后，若ECg(N+1)＞ECg(N)成立，则最佳保养间隔时间h为
Figure FDA0003718752470000024
5.根据权利要求4所述的一种机器的保养周期确定方法，其特征在于，还包括步骤，目前时点t0之机器设备的可靠性估计数值为
Figure FDA0003718752470000025
Figure FDA0003718752470000026
6.根据权利要求1所述的一种机器的保养周期确定方法，其特征在于，Cpm(i)＝Cp0+Cp1(i)，其中Cp0为每次保养的基础费用，Cp1(i)为每次保养的递增费用。
7.一种机器的保养周期确定存储介质，其特征在于，存储有计算机程序，所述计算机程序在被运行时执行包括如权利要求1-6任一项所述的机器的保养周期确定方法。
8.一种机器的保养周期确定系统，其特征在于，包括服务器、若干机器、若干终端计算设备，所述服务器用于获取设备的平均存续寿命TL、平均每次故障维修成本Cmr、机器设备的重置成本Crp，第i次的保养维护成本Cpm(i)；
所述服务器还用于，获取第一机器退化函数α与第一机器退化函数β的平均数与标准偏差分别为：uα，σα，uβ，σβ；
令贝叶斯先验概率函数为：
f(α，β)＝K1αm-1βm-1Exp[-αczβ](Exp[-d]zm)β-1，
贝叶斯后验概率为：
Figure FDA0003718752470000031
其中K1与K2为归一化参数，xj为机器故障实际发生时间数据；
机器设备在存续寿命TL下保养次数为N的机器设备保养与维修的期望成本的贝叶氏事前与事后估计为ECf(N)与ECg(N)，而计算单位时间期望成本ECf(N)与ECg(N)的数学公式如下：
Figure FDA0003718752470000032
其中t为机器设备的使用时间，确定成本最低的保养次数N，h为机器预防保养间隔时间，可由机器设备的平均存续寿命TL除以保养次数N而得，意即
Figure FDA0003718752470000033
所述终端计算设备用于展示所述机器预防保养间隔时间。
9.根据权利要求8所述的机器的保养周期确定系统，其特征在于，所述服务器还用于进行步骤，若之前无取得机器故障数据，则进行贝叶斯先验概率计算，先计算ECf(N)与ECf(N+1)，比较ECf(N)与ECf(N+1)数值大小之后，若ECf(N+1)＞ECf(N)成立，则最佳保养间隔时间h为
Figure FDA0003718752470000041
10.根据权利要求8所述的机器的保养周期确定系统，其特征在于，所述服务器还用于进行步骤，若已经取得机器故障数据，则进行贝叶斯后验概率计算，先计算ECg(N)与ECg(N+1)，比较ECg(N)与ECg(N+1)数值大小之后，若ECg(N+1)＞ECg(N)成立，则最佳保养间隔时间h为
Figure FDA0003718752470000042
CN202210752448.3A 2022-06-28 2022-06-28 一种机器的保养周期确定方法、存储介质及系统 Withdrawn CN114997442A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210752448.3A CN114997442A (zh) 2022-06-28 2022-06-28 一种机器的保养周期确定方法、存储介质及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210752448.3A CN114997442A (zh) 2022-06-28 2022-06-28 一种机器的保养周期确定方法、存储介质及系统

Publications (1)

Publication Number Publication Date
CN114997442A true CN114997442A (zh) 2022-09-02

Family

ID=83020521

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210752448.3A Withdrawn CN114997442A (zh) 2022-06-28 2022-06-28 一种机器的保养周期确定方法、存储介质及系统

Country Status (1)

Country Link
CN (1) CN114997442A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117409495A (zh) * 2023-12-11 2024-01-16 北汽利戴工业技术服务(北京)有限公司 一种基于设备维修数据的最佳保养时间获取方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117409495A (zh) * 2023-12-11 2024-01-16 北汽利戴工业技术服务(北京)有限公司 一种基于设备维修数据的最佳保养时间获取方法及系统
CN117409495B (zh) * 2023-12-11 2024-02-20 北汽利戴工业技术服务(北京)有限公司 一种基于设备维修数据的最佳保养时间获取方法及系统

Similar Documents

Publication Publication Date Title
US8989887B2 (en) Use of prediction data in monitoring actual production targets
JP4705563B2 (ja) 配電系統の状態推定装置、状態推定方法及びそのプログラム
Bahria et al. Integrated production, statistical process control, and maintenance policy for unreliable manufacturing systems
JP2010526352A (ja) 統計的な分析を利用した性能障害管理システム及びその方法
Hassan et al. A risk‐based approach to manage non‐repairable spare parts inventory
WO2015184286A1 (en) Apparatus and method of identifying an overstated perpetual inventory in a retail space
Öner et al. Redundancy optimization for critical components in high-availability technical systems
CN114997442A (zh) 一种机器的保养周期确定方法、存储介质及系统
US11567487B2 (en) Fault diagnosis system and method for electric drives
JP2022163608A (ja) 保守支援システム
AU2016377392A1 (en) Conducting a maintenance activity on an asset
CN116384876A (zh) 基于维纳过程的备件动态库存-生产控制方法、系统及介质
Trindade et al. Simple plots for monitoring the field reliability of repairable systems
CN111882229B (zh) 一种车辆零部件库存风险预测方法、装置及设备
JP5625780B2 (ja) 在庫管理装置および在庫管理方法
CN114819652A (zh) 一种基于区块链的固定资产智能管理方法及系统
JP2012094098A (ja) 連鎖アラームシステム
JP6894414B2 (ja) 在庫管理支援システム及び方法
CN111461559A (zh) 备件需求量确定方法、装置及电子设备
JP3559387B2 (ja) 作業停止計画作成支援システム
JP2002182728A (ja) 保守用部品の生産管理システム
WO2024065779A1 (en) Method for manufacturing operation management, edge device, cloud device, and storage medium
Tasias Simultaneous optimization of inventory, maintenance, and quality for production systems subject to multiple mean and variance shifts
Guo et al. On determining sample size and testing duration of repairable system test
CN108038278A (zh) 一种雷达系统的维修间隔时间制定方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20220902

WW01 Invention patent application withdrawn after publication