CN115081997B - 设备备件库存诊断系统 - Google Patents
设备备件库存诊断系统 Download PDFInfo
- Publication number
- CN115081997B CN115081997B CN202210992699.9A CN202210992699A CN115081997B CN 115081997 B CN115081997 B CN 115081997B CN 202210992699 A CN202210992699 A CN 202210992699A CN 115081997 B CN115081997 B CN 115081997B
- Authority
- CN
- China
- Prior art keywords
- component
- inventory
- equipment
- generate
- fault probability
- 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.)
- Active
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
- G06Q10/08—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
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及设备备件库存管理技术领域,提供了一种设备备件库存诊断系统,所述系统包括:故障概率评估模块,用于对在保设备进行故障概率评估,生成故障概率评估结果,其中,所述故障概率评估结果包括在保设备组件和组件故障概率;易损级别划分模块,用于根据所述组件故障概率对所述在保设备组件进行易损级别划分,生成组件易损级别;组件消化率预测模块,用于将在保组件类型和所述组件易损级别输入组件消耗率预测模型,生成组件消耗率;组件消耗量评估模块,用于根据所述组件消耗率、组件服役数量和预设补库周期进行消耗量评估,生成组件消耗量。现有技术设备备件库存管理方式存在精细化程度和智能化程度较低的技术问题。
Description
技术领域
本发明涉及设备备件库存管理技术领域,尤其涉及一种设备备件库存诊断系统。
背景技术
设备备件库存管理是保障在保设备出现故障时可以及时进行维修的重要工作,目前的设备备件管理主要通过维保工作人员定期定点查看设备,对常出现异常的设备备件多备库存,对较少出现异常的设备备件少备库存。
目前的设备备件库存管理方式精细化程度和智能化程度都较低,不同备件的多备会导致库存过量,少备则可能影响维保效率,且随着人工智能不断发展,智能化的管理库存成为大势所趋,因此如何提高设备备件库存管理的精细化程度和智能化程度成为亟需解决的技术问题。
综上,现有技术设备备件库存管理方式存在精细化程度和智能化程度较低的技术问题。
发明内容
鉴于以上内容,本发明提供一种设备备件库存诊断系统,其目的在于提高设备备件库存管理的精细化程度和智能化程度。
为实现上述目的,第一方面,本发明提供一种设备备件库存诊断系统,其中,所述系统包括:故障概率评估模块,用于对在保设备进行故障概率评估,生成故障概率评估结果,其中,所述故障概率评估结果包括在保设备组件和组件故障概率;易损级别划分模块,用于根据所述组件故障概率对所述在保设备组件进行易损级别划分,生成组件易损级别;组件消化率预测模块,用于将在保组件类型和所述组件易损级别输入组件消耗率预测模型,生成组件消耗率;组件消耗量评估模块,用于根据所述组件消耗率、组件服役数量和预设补库周期进行消耗量评估,生成组件消耗量;标准库存获取模块,用于根据组件消耗量,构建组件数标准库存区间;库存异常判断模块,用于从设备备件库提取组件库存数量,判断所述组件库存数量是否满足所述组件数标准库存区间;库存异常管理模块,用于若不满足,生成设备备件库异常信号,其中,所述设备备件库异常信号包括异常库存组件和异常度,根据所述异常度对所述异常库存组件进行库存管理。
为了实现上述系统,第二方面,本发明还提供了一种设备备件库存诊断方法,其中,所述方法包括:对在保设备进行故障概率评估,生成故障概率评估结果,其中,所述故障概率评估结果包括在保设备组件和组件故障概率;根据所述组件故障概率对所述在保设备组件进行易损级别划分,生成组件易损级别;将在保组件类型和所述组件易损级别输入组件消耗率预测模型,生成组件消耗率;根据所述组件消耗率、组件服役数量和预设补库周期进行消耗量评估,生成组件消耗量;根据组件消耗量,构建组件数标准库存区间;从设备备件库提取组件库存数量,判断所述组件库存数量是否满足所述组件数标准库存区间;若不满足,生成设备备件库异常信号,其中,所述设备备件库异常信号包括异常库存组件和异常度,根据所述异常度对所述异常库存组件进行库存管理。
为了实现上述目的,第三方面,本发明还提供一种电子设备,其中,所述电子设备包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的程序,所述程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述任一项所述的设备备件库存诊断方法。
为了实现上述目的,第四方面,本发明还提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储有设备备件库存诊断程序,所述设备备件库存诊断程序被处理器执行时,实现上述任一项所述设备备件库存诊断方法的步骤。
本发明提出的一种设备备件库存诊断方法及系统,通过对在保设备的各个组件进行故障概率评估,依据组件故障概率对组件进行易损级别划分,再依据易损级别和组件类型进行组件消耗率预测,进一步的依据组件消耗率评估组件在预设补库周期中的消耗量,依据组件消耗量,构建组件库存标准数量区间,若组件实际库存数量不满足组件库存标准数量区间,则生成异常信号进行库存管理。综上,以组成设备的更细化的组件为单位进行库存评估,提高了精细化程度,且利用智能化模型对消耗量进行预测,提高了处理过程的自动化程度,达到了提高设备备件库存管理的精细化程度和智能化程度的技术效果。
附图说明
图1为本发明一种设备备件库存诊断方法较佳实施例的流程图示意图;
图2为本发明一种设备备件库存诊断方法较佳实施例的组件易损级别确定流程示意图;
图3为本发明一种设备备件库存诊断方法较佳实施例的组件消耗率确定流程示意图
图4为本发明一种设备备件库存诊断系统较佳实施例的结构示意图;
图5为本发明电子设备较佳实施例的示意图。
附图标记说明:故障概率评估模块41,易损级别划分模块42,组件消化率预测模块43,组件消耗量评估模块44,标准库存获取模块45,库存异常判断模块46,库存异常管理模块47,电子设备5,存储器51,设备备件库存诊断程序50,处理器52,显示器53,网络接口54。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。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
本发明实施例提供一种设备备件库存诊断方法。参照图1所示,为本发明一种设备备件库存诊断方法的实施例的方法流程示意图。该方法可以由一个电子设备执行,该电子设备可以由软件和/或硬件实现。一种设备备件库存诊断方法,其中,所述方法包括步骤:
S100:对在保设备进行故障概率评估,生成故障概率评估结果,其中,所述故障概率评估结果包括在保设备组件和组件故障概率;
进一步的,基于所述对在保设备进行故障概率评估,生成故障概率评估结果,步骤S100包括步骤:
S110:对所述在保设备进行层级聚类分析,生成在保设备聚类结果;
更进一步的,基于所述对所述在保设备进行层级聚类分析,生成在保设备聚类结果,步骤S110包括步骤:
S111:根据设备类型对所述在保设备进行一级聚类分析,生成在保设备一级聚类结果;
S112:根据启动次数遍历所述在保设备一级聚类结果进行二级聚类分析,生成在保设备二级聚类结果;
S113:根据工作参数遍历所述在保设备二级聚类结果进行三级聚类分析,生成所述在保设备聚类结果。
S120:遍历所述在保设备聚类结果进行组件拆分,生成组件拆分结果;
S130:基于预设时间粒度遍历所述组件拆分结果,匹配组件损坏频率;
S140:获取故障概率评估公式:
S150:将所述组件损坏频率输入所述故障概率评估公式,生成所述组件故障概率;
S160:将所述在保设备组件和所述组件故障概率关联存储,生成所述故障概率评估结果。
具体而言,在保设备即指处于维护保修期之内的设备,示例性地如:计算机、计算机主机、平板电脑、显示器等设备类型;在保设备组件即指组成在保设备的各个部件,示例性地如:计算机主机中的电路板、外壳、排线等,平板电脑的充电插口、电路板等;对在保设备的各个组件进行故障概率评估,为后步组件的消耗率的预测提供数据基础,通过对在保设备进行组件级别的故障概率预测,提高了设备备件库存管理的精细化程度。
故障概率评估过程举优选实施例:
由于相同的组件可能分布于不同的设备中,而相同的设备又因为运行参数和运行时间的不同具有不同的故障概率,因此进行故障概率评估之前,首先对在保设备进行层级聚类分析,如下:根据设备类型将在保设备进行一级分类,即优选的依据设备型号进行分类,相同的设备类型被置为同一类,任意一类中具有多台相同型号的设备,将分类结果记为在保设备一级聚类结果;根据启动次数遍历在保设备一级聚类结果中的任意一类中的多台相同型号的设备,根据启动次数进行分类,相同启动次数的设备划分为相同类别,记为在保设备二级聚类结果;根据工作参数对在保设备二级聚类结果进行分类,工作参数在预设差值之内的在保设备划分为一类,记为在保设备聚类结果。在保设备聚类结果的任意一个类别中,具有多台相同设备类型、相同启动次数和相近工作参数的设备,视为具有统一的故障概率。
对在保设备聚类结果中的任意一个聚类结果进行组件拆分,得到组件拆分结果,示例性地如:将在保设备聚类结果的任意一个的设备拆分后,统计得到K种组件。预设时间粒度指的是统计K个组件的损坏更换频率的最短数据采集周期;组件损坏频率指的是预设时间粒度内的K个组件的损坏更换频率,详细说明如下:若K个组件包括第一组件、第二组件直到第K组件,则组件损坏频率包括第一组件损坏频率、第二组件损坏频率直到第K组件损坏频率。优选的将第一组件损坏频率和第一组件关联存储;将第二组件损坏频率和第二组关联存储;将第K组件损坏频率和第K组件关联存储,记为组件损坏频率。
示例性地:若预设时间粒度为从当前时间节点开始计算往前记录24个月的时间区间,某在保设备包括3个组件,则K=3,记为第一组件,第二组件,第三组件,损坏频率分别为10次,15次,1次,则第一组件损坏频率为10次,第二组件损坏频率为15次,第三组件损坏频率为1次,关联存储得到组件损坏频率,关联存储形式优选为:组件损坏频率:(第一组件:10,第二组件:15,第三组件:1)。将组件损坏频率置为待响应状态,等待后步调用。
根据故障概率评估公式:
其中,为第k个组件的故障概率,为第k个组件的损坏频率,为组件总数;在不同的聚类中的故障概率可能不同,二级聚类的故障概率为三级聚类故障概率的平均值,一级聚类的故障概率为二级聚类故障概率的平均值。进而得到多层级的聚类的第k个组件的故障概率,便于后步精细化分析,组件消耗量;将在保设备组件和多层级的故障概率一一对应存储,优选以列表的形式存储,便于后步调用。
S200:根据所述组件故障概率对所述在保设备组件进行易损级别划分,生成组件易损级别;
进一步的,如图2所示,基于所述根据所述组件故障概率对所述在保设备组件进行易损级别划分,生成组件易损级别,步骤S200包括步骤:
S210:当满足预设更新周期时,通过第一参与方、第二参与方直到第N参与方上传组件故障概率-易损级别数据集;
S220:通过所述组件故障概率-易损级别数据集对易损级别划定表进行更新;
S230:将所述组件故障概率输入所述易损级别划定表,生成所述组件易损级别。
具体而言,组件易损级别在本申请实施例中定义为表征耐损程度的量化数据,优选的通过基于大数据构建的易损级别划定表进行确定。易损级别划定表使用之前,需要判断距离上一次的更新时长是否大于或等于预设更新周期,若是大于或等于则通过表征大数据中多个设备维修企业、个人或组织的第一参与方、第二参与方直到第N参与方上传专家划定的组件故障概率-易损级别数据集,第一参与方、第二参与方直到第N参与方优选的作为多个区块链节点通过区块链的形式实现数据交互,通过区块链的方式可打破数据孤岛,进而提高数据客观性。通过组件故障概率-易损级别数据集对易损级别划定表进行更新后再输入组件故障概率,即得到组件易损级别,置为待响应状态,为后步进行消耗率预测提供了参考数据。通过易损级别划定表集成多方组件故障概率-易损级别数据集具有较强的客观性。
S300:将在保组件类型和所述组件易损级别输入组件消耗率预测模型,生成组件消耗率;
进一步的,如图3所示,基于所述将在保组件类型和所述组件易损级别输入组件消耗率预测模型,生成组件消耗率,步骤S300包括步骤:
S310:获取在保组件类型记录数据、组件易损级别记录数据和组件消耗率记录数据,构建训练数据集;
S320:基于所述训练数据集,训练第M组件消耗率预测决策树;
S330:若所述第M组件消耗率预测决策树不满足预设准确率的所述训练数据集满足预设数据量,将第一组件消耗率预测决策树、第二组件消耗率预测决策树直到所述第M组件消耗率预测决策树合并,生成所述组件消耗率预测模型;
S340:将所述在保组件类型和所述组件易损级别输入所述组件消耗率预测模型,生成所述组件消耗率,其中,所述组件消耗率表征单位时长内同一组件的消耗量。
具体而言,组件消耗率预测模型指的是用于根据在保组件类型和组件易损级别进行组件消耗率预测的智能化模型。构建过程优选以梯度下降决策树的方式进行训练,所谓梯度下降指的是用下一棵决策树拟合上一棵决策树输出误差,不断降低模型整体的输出误差,进而提高输出准确性的训练方式。训练数据集包括多组:在保组件类型记录数据、组件易损级别记录数据和组件消耗率记录数据,组件消耗率记录数据为通过大数据由专家标识或者依据历史的消耗率记录得到,表征单位时间内的同一组件的消耗量。
训练过程详细如下:在保组件类型记录数据、组件易损级别记录数据作为决策树输入训练数据,将组件消耗率记录数据作为决策树输出训练数据,基于决策树框架,进行有监督训练,构建第一组件消耗率预测决策树;提取第一组件消耗率预测决策树小于预设准确率的训练数据集,判断小于或等于预设数据量,若是小于或等于,则将第一组件消耗率预测决策树设为组件消耗率预测模型;若是大于,则通过第一组件消耗率预测决策树小于预设准确率的训练数据集,训练第二组件消耗率预测决策树,重复训练,假设第M组件消耗率预测决策树小于预设准确率的训练数据集小于或等于预设数据量,或者M满足预设数值,则将第一组件消耗率预测决策树、第二组件消耗率预测决策树直到所述第M组件消耗率预测决策树作为并行节点模型合并,输出层取多个决策树的平均值作为最终输出结果,得到组件消耗率预测模型,将在保组件类型和组件易损级别输入组件消耗率预测模型,生成组件消耗率。通过梯度下降决策树构建模型,有利于准确评估组件消耗率。
S400:根据所述组件消耗率、组件服役数量和预设补库周期进行消耗量评估,生成组件消耗量;
进一步的,基于所述根据所述组件消耗率、组件服役数量和预设补库周期进行消耗量评估,生成组件消耗量,步骤S400包括步骤:
S410:获取消耗量评估公式:
S420:将所述组件消耗率、所述组件服役数量和所述预设补库周期输入所述消耗量评估公式,生成所述组件消耗量。
具体而言,消耗量评估公式指的是用于评估第k种组件在预设补库周期内的消耗量的公式,形如:
其中,为第k个组件的消耗量,为三级聚类结果数量,为二级聚类结果数量,为一级聚类结果数量,为第k个组件的消耗率,为预设补库周期,为组件服役数量,为第l个聚类中的第k个组件的消耗量;由于不同类型的设备或不同启动次数的设备或不同工作参数的设备可能具有相同的组件,因此通过逐层拟合组件的消耗量,进而得到整体的第k个组件消耗量,第k个组件为拆分结果的任意一种组件,预设补库周期为预设的最短的更新备件库存的时长。
通过消耗量评估公式确定任意一种组件在预设补库周期内的整体消耗量评估结果,为后步进行实时的库存状态管理提供了准确的参考数据。
S500:根据组件消耗量,构建组件数标准库存区间;
S600:从设备备件库提取组件库存数量,判断所述组件库存数量是否满足所述组件数标准库存区间;
具体而言,组件数标准库存区间指的是基于组件消耗量设定的标准的库存组件数,优选的设定过程如下:设定预设组件数偏离度,则组件数标准库存区间为:[组件消耗量-预设组件数偏离度,组件消耗量+预设组件数偏离度],其中,预设组件数偏离度由工作人员依据库存状态进行设定。
组件库存数量指的是实时的组件库存数目,将组件库存数目和组件数标准库存区间的组件消耗量-预设组件数偏离度,以及组件消耗量+预设组件数偏离度分别比对,若是属于:组件消耗量+预设组件数偏离度≥组件库存数目≥组件消耗量-预设组件数偏离度,则说明组件库存数量满足组件数标准库存区间,不需要对该组件的备件库存进行调整,若是属于组件消耗量+预设组件数偏离度<组件库存数目,或组件库存数目<组件消耗量-预设组件数偏离度,则组件库存数量不满足组件数标准库存区间,需要对该组件的库存状态进行管理。
S700:若不满足,生成设备备件库异常信号,其中,所述设备备件库异常信号包括异常库存组件和异常度,根据所述异常度对所述异常库存组件进行库存管理。
进一步的,基于所述若不满足,生成设备备件库异常信号,其中,所述设备备件库异常信号包括异常库存组件和异常度,步骤S700包括步骤:
S710:若所述组件库存数量不满足所述组件数标准库存区间,获取组件数标准库存区间上限和组件数标准库存区间下限;
S720:若所述组件库存数量大于所述组件数标准库存区间上限,计算过量异常度;
S730:将过量异常库存组件和所述过量异常度关联存储,生成库存过量异常信号;
S740:若所述组件库存数量小于所述组件数标准库存区间下限,计算缺量异常度;
S750:将缺量异常库存组件和所述缺量异常度关联存储,生成库存缺量异常信号;
S760:将所述库存过量异常信号和所述库存缺量异常信号添加进所述设备备件库异常信号。
具体而言,设备备件库异常信号指的是当不满足时生成的信号,具有异常库存组件和表征缺少量或多余量的异常度,为备件库存管理提供了参数数据。
详细过程如下:组件数标准库存区间上限指的是组件数标准库存区间较小的端值,即上述的组件消耗量-预设组件数偏离度;组件数标准库存区间下限指的是组件数标准库存区间较大的端值,即上述的组件消耗量+预设组件数偏离度;过量异常度指的是当组件库存数量大于组件数标准库存区间上限时,使用组件库存数量-组件数标准库存区间上限得到的结果;库存过量异常信号指的是将过量异常库存组件和过量异常度关联存储生成的信号;缺量异常度指的是组件库存数量小于组件数标准库存区间下限,使用:组件库存数量-组件数标准库存区间下限,计算得到的结果;库存缺量异常信号指的是将缺量异常库存组件和缺量异常度关联存储生成的信号;将库存过量异常信号和库存缺量异常信号添加进所述设备备件库异常信号,通过对库存异常状态划分为过量和缺量两种,提高了设备备件库异常信号的可参考性。后步则可以根据过量异常度或缺量异常度,对库存不合理的组件进行补充。
综上所述,本发明实施例提供的一种设备备件库存诊断方法及系统,至少具有如下技术效果:
1.本发明提出的一种设备备件库存诊断方法及系统,通过对在保设备的各个组件进行故障概率评估,依据组件故障概率对组件进行易损级别划分,再依据易损级别和组件类型进行组件消耗率预测,进一步的依据组件消耗率评估组件在预设补库周期中的消耗量,依据组件消耗量,构建组件库存标准数量区间,若组件实际库存数量不满足组件库存标准数量区间,则生成异常信号进行库存管理。综上,以组成设备的更细化的组件为单位进行库存评估,提高了精细化程度,且利用智能化模型对消耗量进行预测,提高了处理过程的自动化程度,达到了提高设备备件库存管理的精细化程度和智能化程度的技术效果。
实施例2
在本实施例中,如图4所示,为本发明实施例提供的一种设备备件库存诊断系统,其中,所述系统包括:
故障概率评估模块41,用于对在保设备进行故障概率评估,生成故障概率评估结果,其中,所述故障概率评估结果包括在保设备组件和组件故障概率;
易损级别划分模块42,用于根据所述组件故障概率对所述在保设备组件进行易损级别划分,生成组件易损级别;
组件消化率预测模块43,用于将在保组件类型和所述组件易损级别输入组件消耗率预测模型,生成组件消耗率;
组件消耗量评估模块44,用于根据所述组件消耗率、组件服役数量和预设补库周期进行消耗量评估,生成组件消耗量;
标准库存获取模块45,用于根据组件消耗量,构建组件数标准库存区间;
库存异常判断模块46,用于从设备备件库提取组件库存数量,判断所述组件库存数量是否满足所述组件数标准库存区间;
库存异常管理模块47,用于若不满足,生成设备备件库异常信号,其中,所述设备备件库异常信号包括异常库存组件和异常度,根据所述异常度对所述异常库存组件进行库存管理。
进一步的,所述故障概率评估模块41执行步骤包括:
对所述在保设备进行层级聚类分析,生成在保设备聚类结果;
遍历所述在保设备聚类结果进行组件拆分,生成组件拆分结果;
基于预设时间粒度遍历所述组件拆分结果,匹配组件损坏频率;
获取故障概率评估公式:
将所述组件损坏频率输入所述故障概率评估公式,生成所述组件故障概率;
将所述在保设备组件和所述组件故障概率关联存储,生成所述故障概率评估结果。
进一步的,所述故障概率评估模块41执行步骤还包括:
根据设备类型对所述在保设备进行一级聚类分析,生成在保设备一级聚类结果;
根据启动次数遍历所述在保设备一级聚类结果进行二级聚类分析,生成在保设备二级聚类结果;
根据工作参数遍历所述在保设备二级聚类结果进行三级聚类分析,生成所述在保设备聚类结果。
进一步的,所述易损级别划分模块42执行步骤包括:
当满足预设更新周期时,通过第一参与方、第二参与方直到第N参与方上传组件故障概率-易损级别数据集;
通过所述组件故障概率-易损级别数据集对易损级别划定表进行更新;
将所述组件故障概率输入所述易损级别划定表,生成所述组件易损级别。
进一步的,所述组件消化率预测模块43执行步骤包括:
获取在保组件类型记录数据、组件易损级别记录数据和组件消耗率记录数据,构建训练数据集;
基于所述训练数据集,训练第M组件消耗率预测决策树;
若所述第M组件消耗率预测决策树不满足预设准确率的所述训练数据集满足预设数据量,将第一组件消耗率预测决策树、第二组件消耗率预测决策树直到所述第M组件消耗率预测决策树合并,生成所述组件消耗率预测模型;
将所述在保组件类型和所述组件易损级别输入所述组件消耗率预测模型,生成所述组件消耗率,其中,所述组件消耗率表征单位时长内同一组件的消耗量。
进一步的,所述组件消耗量评估模块执行步骤包括:
获取消耗量评估公式:
将所述组件消耗率、所述组件服役数量和所述预设补库周期输入所述消耗量评估公式,生成所述组件消耗量。
进一步的,所述库存异常管理模块47执行步骤包括:
若所述组件库存数量不满足所述组件数标准库存区间,获取组件数标准库存区间上限和组件数标准库存区间下限;
若所述组件库存数量大于所述组件数标准库存区间上限,计算过量异常度;
将过量异常库存组件和所述过量异常度关联存储,生成库存过量异常信号;
若所述组件库存数量小于所述组件数标准库存区间下限,计算缺量异常度;
将缺量异常库存组件和所述缺量异常度关联存储,生成库存缺量异常信号;
将所述库存过量异常信号和所述库存缺量异常信号添加进所述设备备件库异常信号。
实施例3
参照图5所示,为本发明电子设备5较佳实施例的示意图。
该电子设备5包括但不限于:存储器51、处理器52、显示器53及网络接口54。所述电子设备5通过网络接口54连接网络。其中,所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobile communication,GSM)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi、通话网络等无线或有线网络。
其中,存储器51至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器51可以是所述电子设备5的内部存储单元,例如该电子设备5的硬盘或内存。在另一些实施例中,所述存储器51也可以是所述电子设备5的外部存储设备,例如该电子设备5配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。当然,所述存储器51还可以既包括所述电子设备5的内部存储单元也包括其外部存储设备。本实施例中,存储器51通常用于存储安装于所述电子设备5的操作系统和各类应用软件,例如设备备件库存诊断程序50的程序代码等。此外,存储器51还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器52在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器52通常用于控制所述电子设备5的总体操作,例如执行数据交互或者通信相关的控制和处理等。本实施例中,所述处理器52用于运行所述存储器51中存储的程序代码或者处理数据,例如运行设备备件库存诊断程序50的程序代码等。
显示器53可以称为显示屏或显示单元。在一些实施例中显示器53可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-EmittingDiode,OLED)触摸器等。显示器53用于显示在电子设备5中处理的信息以及用于显示可视化的工作界面。
网络接口54可选地可以包括标准的有线接口、无线接口(如WI-FI接口),该网络接口54通常用于在所述电子设备5与其它电子设备之间建立通信连接。
图5仅示出了具有组件51-54以及设备备件库存诊断程序50的电子设备5,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
可选地,所述电子设备5还可以包括用户接口,用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard),可选的用户接口还可以包括标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode,OLED)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备5中处理的信息以及用于显示可视化的用户界面。
该电子设备5还可以包括射频(Radio Frequency,RF)电路、传感器和音频电路等等,在此不再赘述。
关于上述步骤的详细介绍,请参照上述图3关于设备备件库存诊断系统结构图以及图1关于设备备件库存诊断方法生成方法实施例的流程图的说明。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质可以是非易失性的,也可以是易失性的。该计算机可读存储介质可以是硬盘、多媒体卡、SD卡、闪存卡、SMC、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器等等中的任意一种或者几种的任意组合。所述计算机可读存储介质中包括存储数据区和存储程序区,存储数据区存储根据区块链节点的使用所创建的数据,存储程序区存储有设备备件库存诊断程序50,所述设备备件库存诊断程序50被处理器执行时实现如下操作:
对在保设备进行故障概率评估,生成故障概率评估结果,其中,所述故障概率评估结果包括在保设备组件和组件故障概率;
根据所述组件故障概率对所述在保设备组件进行易损级别划分,生成组件易损级别;
将在保组件类型和所述组件易损级别输入组件消耗率预测模型,生成组件消耗率;
根据所述组件消耗率、组件服役数量和预设补库周期进行消耗量评估,生成组件消耗量;
根据组件消耗量,构建组件数标准库存区间;
从设备备件库提取组件库存数量,判断所述组件库存数量是否满足所述组件数标准库存区间;
若不满足,生成设备备件库异常信号,其中,所述设备备件库异常信号包括异常库存组件和异常度,根据所述异常度对所述异常库存组件进行库存管理。
本发明之计算机可读存储介质的具体实施方式与上述设备备件库存诊断方法生成方法的具体实施方式大致相同,在此不再赘述。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,电子装置,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,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效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种设备备件库存诊断系统,其特征在于,所述系统包括:
故障概率评估模块,用于对在保设备进行故障概率评估,生成故障概率评估结果,其中,所述故障概率评估结果包括在保设备组件和组件故障概率;
易损级别划分模块,用于根据所述组件故障概率对所述在保设备组件进行易损级别划分,生成组件易损级别;
组件消化率预测模块,用于将在保组件类型和所述组件易损级别输入组件消耗率预测模型,生成组件消耗率;
组件消耗量评估模块,用于根据所述组件消耗率、组件服役数量和预设补库周期进行消耗量评估,生成组件消耗量;
标准库存获取模块,用于根据组件消耗量,构建组件数标准库存区间;
库存异常判断模块,用于从设备备件库提取组件库存数量,判断所述组件库存数量是否满足所述组件数标准库存区间;
库存异常管理模块,用于若不满足,生成设备备件库异常信号,其中,所述设备备件库异常信号包括异常库存组件和异常度,根据所述异常度对所述异常库存组件进行库存管理;
所述故障概率评估模块执行步骤包括:
对所述在保设备进行层级聚类分析,生成在保设备聚类结果;
遍历所述在保设备聚类结果进行组件拆分,生成组件拆分结果;
基于预设时间粒度遍历所述组件拆分结果,匹配组件损坏频率;
获取故障概率评估公式:
将所述组件损坏频率输入所述故障概率评估公式,生成所述组件故障概率;
将所述在保设备组件和所述组件故障概率关联存储,生成所述故障概率评估结果。
2.如权利要求1所述的系统,其特征在于,所述故障概率评估模块执行步骤还包括:
根据设备类型对所述在保设备进行一级聚类分析,生成在保设备一级聚类结果;
根据启动次数遍历所述在保设备一级聚类结果进行二级聚类分析,生成在保设备二级聚类结果;
根据工作参数遍历所述在保设备二级聚类结果进行三级聚类分析,生成所述在保设备聚类结果。
3.如权利要求1所述的系统,其特征在于,所述易损级别划分模块执行步骤包括:
当满足预设更新周期时,通过第一参与方、第二参与方直到第N参与方上传组件故障概率-易损级别数据集;
通过所述组件故障概率-易损级别数据集对易损级别划定表进行更新;
将所述组件故障概率输入所述易损级别划定表,生成所述组件易损级别。
4.如权利要求1所述的系统,其特征在于,所述组件消化率预测模块执行步骤包括:
获取在保组件类型记录数据、组件易损级别记录数据和组件消耗率记录数据,构建训练数据集;
基于所述训练数据集,训练第M组件消耗率预测决策树;
若所述第M组件消耗率预测决策树不满足预设准确率的所述训练数据集满足预设数据量,将第一组件消耗率预测决策树、第二组件消耗率预测决策树直到所述第M组件消耗率预测决策树合并,生成所述组件消耗率预测模型;
将所述在保组件类型和所述组件易损级别输入所述组件消耗率预测模型,生成所述组件消耗率,其中,所述组件消耗率表征单位时长内同一组件的消耗量。
6.如权利要求1所述的系统,其特征在于,所述库存异常管理模块执行步骤包括:
若所述组件库存数量不满足所述组件数标准库存区间,获取组件数标准库存区间上限和组件数标准库存区间下限;
若所述组件库存数量大于所述组件数标准库存区间上限,计算过量异常度;
将过量异常库存组件和所述过量异常度关联存储,生成库存过量异常信号;
若所述组件库存数量小于所述组件数标准库存区间下限,计算缺量异常度;
将缺量异常库存组件和所述缺量异常度关联存储,生成库存缺量异常信号;
将所述库存过量异常信号和所述库存缺量异常信号添加进所述设备备件库异常信号。
7.一种设备备件库存诊断方法,其特征在于,所述方法包括:
对在保设备进行故障概率评估,生成故障概率评估结果,其中,所述故障概率评估结果包括在保设备组件和组件故障概率;
根据所述组件故障概率对所述在保设备组件进行易损级别划分,生成组件易损级别;
将在保组件类型和所述组件易损级别输入组件消耗率预测模型,生成组件消耗率;
根据所述组件消耗率、组件服役数量和预设补库周期进行消耗量评估,生成组件消耗量;
根据组件消耗量,构建组件数标准库存区间;
从设备备件库提取组件库存数量,判断所述组件库存数量是否满足所述组件数标准库存区间;
若不满足,生成设备备件库异常信号,其中,所述设备备件库异常信号包括异常库存组件和异常度,根据所述异常度对所述异常库存组件进行库存管理;
所述对在保设备进行故障概率评估,生成故障概率评估结果执行步骤包括:
对所述在保设备进行层级聚类分析,生成在保设备聚类结果;
遍历所述在保设备聚类结果进行组件拆分,生成组件拆分结果;
基于预设时间粒度遍历所述组件拆分结果,匹配组件损坏频率;
获取故障概率评估公式:
将所述组件损坏频率输入所述故障概率评估公式,生成所述组件故障概率;
将所述在保设备组件和所述组件故障概率关联存储,生成所述故障概率评估结果。
8.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的程序,所述程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至6中任一项所述的设备备件库存诊断方法的步骤。
9.一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设备备件库存诊断程序,所述设备备件库存诊断程序被处理器执行时,实现如权利要求1至6中任一项所述设备备件库存诊断系统的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210992699.9A CN115081997B (zh) | 2022-08-18 | 2022-08-18 | 设备备件库存诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210992699.9A CN115081997B (zh) | 2022-08-18 | 2022-08-18 | 设备备件库存诊断系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115081997A CN115081997A (zh) | 2022-09-20 |
CN115081997B true CN115081997B (zh) | 2022-12-13 |
Family
ID=83245154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210992699.9A Active CN115081997B (zh) | 2022-08-18 | 2022-08-18 | 设备备件库存诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115081997B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115580635B (zh) * | 2022-09-26 | 2023-06-13 | 广州健新科技有限责任公司 | 一种物联网终端的智能化故障诊断方法及系统 |
CN115994734B (zh) * | 2023-03-14 | 2024-01-30 | 百福工业缝纫机(张家港)有限公司 | 一种生产设备维保备件库存管理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103426073A (zh) * | 2013-08-21 | 2013-12-04 | 易程科技股份有限公司 | 一种基于设备寿命预测的客服系统备件库存管理方法 |
CN104732287A (zh) * | 2013-12-19 | 2015-06-24 | 广州市地下铁道总公司 | 一种基于备件最佳补充周期的库存控制方法 |
CN106548257A (zh) * | 2016-12-09 | 2017-03-29 | 中国南方电网有限责任公司超高压输电公司昆明局 | 一种基于决策树模型的备品备件定额制定方法 |
CN114862296A (zh) * | 2022-03-08 | 2022-08-05 | 西门子(中国)有限公司 | 备件库存管理方法、装置、电子设备及计算机存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268631A (zh) * | 2014-09-23 | 2015-01-07 | 中国铁道科学研究院机车车辆研究所 | 一种机车车辆的检修方法 |
JP6526081B2 (ja) * | 2017-02-28 | 2019-06-05 | ファナック株式会社 | 在庫管理および予防保全を行う機能を有する在庫管理システム |
CN112183858B (zh) * | 2020-09-28 | 2022-03-15 | 中国人民解放军海军航空大学青岛校区 | 航空装备维修器材战储标准的测算方法 |
CN112508486A (zh) * | 2020-12-14 | 2021-03-16 | 国网辽宁省电力有限公司鞍山供电公司 | 一种电力系统企业二次备品备件库存管理系统 |
CN114580668A (zh) * | 2022-02-16 | 2022-06-03 | 四川观想科技股份有限公司 | 一种基于区块链的器材消耗计算方法 |
-
2022
- 2022-08-18 CN CN202210992699.9A patent/CN115081997B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103426073A (zh) * | 2013-08-21 | 2013-12-04 | 易程科技股份有限公司 | 一种基于设备寿命预测的客服系统备件库存管理方法 |
CN104732287A (zh) * | 2013-12-19 | 2015-06-24 | 广州市地下铁道总公司 | 一种基于备件最佳补充周期的库存控制方法 |
CN106548257A (zh) * | 2016-12-09 | 2017-03-29 | 中国南方电网有限责任公司超高压输电公司昆明局 | 一种基于决策树模型的备品备件定额制定方法 |
CN114862296A (zh) * | 2022-03-08 | 2022-08-05 | 西门子(中国)有限公司 | 备件库存管理方法、装置、电子设备及计算机存储介质 |
Non-Patent Citations (1)
Title |
---|
备件消耗预测方法研究;但伟等;《物流科技》;20121210;88-91 * |
Also Published As
Publication number | Publication date |
---|---|
CN115081997A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115081997B (zh) | 设备备件库存诊断系统 | |
CN108509485B (zh) | 数据的预处理方法、装置、计算机设备和存储介质 | |
CN110516910B (zh) | 基于大数据的保单核保模型训练方法和核保风险评估方法 | |
US10248490B2 (en) | Systems and methods for predictive reliability mining | |
CN108427669B (zh) | 异常行为监控方法和系统 | |
US8027850B1 (en) | Property insurance risk assessment processing system and method | |
Buddhakulsomsiri et al. | Association rule-generation algorithm for mining automotive warranty data | |
US20190108471A1 (en) | Operational process anomaly detection | |
CN111325466A (zh) | 智能预警方法与系统 | |
CN112990386B (zh) | 用户价值聚类方法、装置、计算机设备和存储介质 | |
CN111612610A (zh) | 风险预警方法及系统、电子设备及存储介质 | |
CN112860769A (zh) | 一种能源规划数据管理系统 | |
CN111932146A (zh) | 污染成因的分析方法、装置、计算机设备和可读存储介质 | |
CN115879748A (zh) | 一种基于大数据的企业信息化管理集成平台 | |
CN116414815A (zh) | 数据质量检测方法、装置、计算机设备和存储介质 | |
CN115689334A (zh) | 仓库管理系统的效率分析方法、系统及计算机设备 | |
Rodríguez-Padial et al. | An Approach to Integrating Tactical Decision‐Making in Industrial Maintenance Balance Scorecards Using Principal Components Analysis and Machine Learning | |
CN112035775B (zh) | 基于随机森林模型的用户识别方法、装置和计算机设备 | |
CN111339163B (zh) | 获取用户流失状态的方法、装置、计算机设备和存储介质 | |
CN112506907A (zh) | 基于大数据的工程机械营销策略推送方法、系统及装置 | |
CN116562715A (zh) | 指标数据监测方法、装置、计算机设备和存储介质 | |
CN116611916A (zh) | 基于ai模型识别的数字金融反欺诈处理方法及系统 | |
CN116187675A (zh) | 任务分配方法、装置、设备及存储介质 | |
CN115907898A (zh) | 对再保客户进行金融产品推荐的方法及其相关设备 | |
CN111027296A (zh) | 基于知识库的报表生成方法及系统 |
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 |