CN115526348A - 设备维护计划生成方法、装置、设备及存储介质 - Google Patents
设备维护计划生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115526348A CN115526348A CN202211049044.4A CN202211049044A CN115526348A CN 115526348 A CN115526348 A CN 115526348A CN 202211049044 A CN202211049044 A CN 202211049044A CN 115526348 A CN115526348 A CN 115526348A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- factor
- equipment
- time length
- target equipment
- 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.)
- Pending
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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (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
本申请涉及设备预测性维护技术领域,提供了一种设备维护计划生成方法、装置、设备及存储介质,方法部分包括:实时获取引起目标设备异常的异常因子,并记录各个异常因子引起目标设备异常的异常时长,得到各个异常因子的异常时长列表;通过对每一异常因子对目标设备使用寿命的影响程度进行分析,为每一异常因子分配权重系数,根据每一异常因子对应的权重系数与异常时长列表,来计算每一异常因子引起目标设备异常的分项累计异常时长,考虑到异常因子对目标设备的使用寿命的影响,能够更精确的预测目标设备的剩余使用寿命,及时触发制定设备维护计划,以避免设备事实已经损坏严重,却仍然不做维护处理,导致出现无法挽回的重大故障。
Description
技术领域
本申请涉及设备预测性维护技术领域,尤其涉及一种设备维护计划生成方法、设备维护计划生成装置、计算机设备及存储介质。
背景技术
现有的设备预测性维护方案一般在对设备的剩余使用寿命进行预测的过程中,通常仅通过统计目标设备正常状态下的预设使用寿命与设备使用时长,来预测设备的剩余使用寿命。然而,该种方式只能预判其在正常状态使用下设备的剩余使用寿命,其判断逻辑是线性静态的。当其设备持续出现异常,偏离正常状态时,设备的剩余使用寿命事实上并非线性递减。如果仍然按照现有逻辑进行预判,由于设备的剩余使用寿命预测不准确,将可能导致设备出现重大故障,无法实现预测性维护的目的。
发明内容
基于此,有必要针对上述技术问题,提供一种设备维护计划生成方法、装置、设备及存储介质,以解决现有的设备维护计划生成方案存在设备的剩余使用寿命预测不准确的问题。
本申请实施例的第一方面提供了一种设备维护计划生成方法,包括:
实时接收监测终端发送的目标设备的N个影响因子的状态值,并通过预设异常检测模型实时判断N个所述影响因子中是否存在异常因子;所述异常因子是指所述状态值异常的影响因子;
当通过所述预设异常检测模型判定存在异常因子时,记录各个所述异常因子引起所述目标设备异常的异常时长,得到各个所述异常因子的异常时长列表,同时实时统计所有所述影响因子的状态值正常时的正常时长,得到所述目标设备的总正常累计时长;
根据每一所述异常因子对应的所述异常时长列表与每一所述异常因子对应的权重系数,计算得到每一所述异常因子引起所述目标设备异常的分项累计异常时长;每一所述异常因子的权重系数是基于每一所述异常因子对所述目标设备的使用寿命的影响程度分析得到的;
根据每一所述异常因子对应的所述分项累计异常时长,计算得到所有所述异常因子引起所述目标设备异常的总异常累计时长;
基于所述总异常累计时长、所述总正常累计时长及预设使用寿命,计算得到所述目标设备的剩余使用寿命;其中,所述预设使用寿命是通过对同种所述目标设备的使用寿命进行大数据分析得到的;
当所述剩余使用寿命达到预设报警条件时,基于所述异常因子制定设备维护计划;所述设备维护计划用于指示用户对所述目标设备进行设备维护。
本申请实施例的第二方面提供了一种设备维护计划生成装置,包括:
判断模块:用于实时接收监测终端发送的目标设备的N个影响因子的状态值,并通过预设异常检测模型实时判断N个所述影响因子中是否存在异常因子;所述异常因子是指所述状态值异常的影响因子;
记录模块:用于当通过所述预设异常检测模型判定存在异常因子时,记录各个所述异常因子引起所述目标设备异常的异常时长,得到各个所述异常因子的异常时长列表,同时实时统计所有所述影响因子的状态值正常时的正常时长,得到所述目标设备的总正常累计时长;
第一计算模块:用于根据每一所述异常因子对应的所述异常时长列表与每一所述异常因子对应的权重系数,计算得到每一所述异常因子引起所述目标设备异常的分项累计异常时长;每一所述异常因子的权重系数是基于每一所述异常因子对所述目标设备的使用寿命的影响程度分析得到的;
第二计算模块:用于根据每一所述异常因子对应的所述分项累计异常时长,计算得到所有所述异常因子引起所述目标设备异常的总异常累计时长;
第三计算模块:用于基于所述总异常累计时长、所述总正常累计时长及预设使用寿命,计算得到所述目标设备的剩余使用寿命;其中,所述预设使用寿命是通过对同种所述目标设备的使用寿命进行大数据分析得到的;
维护模块:用于当所述剩余使用寿命达到预设报警条件时,基于所述异常因子制定设备维护计划;所述设备维护计划用于指示用户对所述目标设备进行设备维护。
本申请实施例的第三方面提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,所述处理器执行所述计算机可读指令时实现上述设备维护计划生成方法。
本申请实施例的第四方面提供了一个或多个存储有计算机可读指令的可读存储介质,所述计算机可读指令被一个或多个处理器执行时,使得所述一个或多个处理器执行如上述设备维护计划生成方法。
本申请实施例提供一种设备维护计划生成方法、装置、计算机设备及存储介质,在目标设备使用过程中,实时接收监测终端发送的目标设备的N个影响因子的状态值,并通过预设异常检测模型实时判断N个影响因子中是否存在异常因子;如果判定存在异常因子,则实时记录各个异常因子引起目标设备异常的异常时长,得到各个异常因子对应的异常时长列表,同时实时统计所有影响因子的状态值正常时的正常时长,得到目标设备的总正常累计时长;在每一异常时长列表中,至少包含一段异常时长,通过对每一异常因子对目标设备的使用寿命的影响程度进行分析,得到每一异常因子对应的权重系数,根据各个异常因子对应的异常时长列表与每一异常因子对应的权重系数,能够计算得到每一异常因子引起目标设备异常的分项累计异常时长;再每一异常因子对应的分项累计异常时长能够通过计算得到所有异常因子引起目标设备异常的总异常累计时长;最终基于总异常累计时长、总正常累计时长及预设使用寿命能够计算得到所述目标设备的剩余使用寿命,当剩余使用寿命达到预设报警条件时,基于异常因子制定对目标设备的设备维护计划。通过对对每一异常因子对目标设备的使用寿命的影响程度进行分析,为每一异常因子分配对应的权重系数,根据每一异常因子对应的权重系数与各个异常因子对应的异常时长列表,来计算得到每一异常因子引起目标设备异常的分项累计异常时长,考虑到异常因子对目标设备的使用寿命的影响,能够更精确的预测目标设备的剩余使用寿命,及时触发制定设备维护计划,以避免设备事实已经损坏严重,却仍然不做维护处理,从而导致无法挽回的重大故障的发生。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例中设备维护计划生成方法的实现流程示意图;
图2是本申请实施例中设备维护计划生成装置的结构示意图;
图3是本申请实施例中计算机设备的一示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
请参阅图1,图1所示为本申请实施例中设备维护计划生成方法的实现流程示意图,包括如下步骤:
S11:实时接收监测终端发送的目标设备的N个影响因子的状态值,并通过预设异常检测模型实时判断N个影响因子中是否存在异常因子;所异常因子是指状态值异常的影响因子。
在步骤S11中,影响因子包括但不限于温度、电压、电流、环境参数、湿度、气压、磨损。对应地,状态值包括但不限于设备温度值、环境温度值、电压值、湿度值、磨损系数值。预设异常检测模型可以是二分类模型、逻辑回归模型等。目标设备包括但不限于工厂、核电站等的机械设备、仪器设备、数控设备等。监测终端可以是传感器、环境监测终端等。
在本实施例中,对于目标设备,影响目标设备性能或影响设备寿命的影响因子有很多,例如温度、电压、电流、环境参数、湿度、气压、磨损等。当某些影响因子的状态值出现异常时,可能会导致目标设备出现故障,影响目标设备的实际使用寿命。本实施例中,通过监测终端实时监测目标设备的N个影响因子的状态值,并将各个影响因子的状态值实时发送至控制设备,控制设备实时接收监测终端发送的目标设备的N个影响因子的状态值,采用预设异常检测模型实时判断N个所述影响因子中是否存在状态值异常的影响因子,将状态值异常的影响因子判定为异常因子。其中控制设备可以是服务器,也可以是具备存储器、处理器及存储介质等的终端设备,这里不做限定。
作为一种实施方式,通过预设异常检测模型实时判断N个影响因子中是否存在异常因子,可以是通过预设异常检测模型判断各个影响因子的状态值是否超过异常指标,或是否小于正常指标,以判断各个影响因子的状态值是否超过异常指标为例,若存在影响因子的状态值等于或大于对应影响因子的异常指标,则判定该影响因子为异常因子;若影响因子的状态值小于该影响因子对应的异常指标,则判定该影响因子为非异常因子。
S12:当通过预设异常检测模型判定存在异常因子时,记录各个异常因子引起所述目标设备异常的异常时长,得到各个异常因子的异常时长列表,同时实时统计所有影响因子的状态值正常时的正常时长,得到目标设备的总正常累计时长。
在步骤S12中,每一异常因子对应的异常时长列表中均包含至少一段对应异常因子引起目标设备异常的异常时长。由于各个影响因子的状态值可能是间断性地出现异常,从而引起目标设备间断性的异常,因此对应异常因子引起目标设备异常的异常时长可能存在多段,例如一影响因子的状态值在第一时刻到第二时刻持续异常,该影响因子在第一时刻到第二时刻时间段内为异常因子,且引起目标设备异常,则将第一时刻到第二时刻的时长记为一段异常时长,若第二时刻之后一段时间内该影响因子的状态值为正常,但在第三时刻时该影响因子的状态值又出现异常,该影响因子转变为异常因子,且在第三时刻至第四时刻持续为异常因子,且引起目标设备异常,则将第三时刻到第四时刻的时长记为另一段异常时长,示例中第一时刻<第二时刻<第三时刻<第四时刻。
在本实施例中,通过预设异常检测模型实时判断目标设备的N个影响因子中是否存在异常因子,对于任一影响因子,从其状态值出现异常开始计时,若该影响因子的状态值持续异常,则持续计时,直至当其状态值恢复至正常状态时停止计时,将这一持续异常时间作为一段异常时长,当该影响因子的状态值再次异常时,重复上述步骤,同时实时将个各异常因子对应的各段异常时长更新至各异常因子对应的异常时长列表中。
S13:根据每一所述异常因子对应的所述异常时长列表与每一所述异常因子对应的权重系数,计算得到每一所述异常因子引起所述目标设备异常的分项累计异常时长;每一所述异常因子的权重系数是基于每一所述异常因子对所述目标设备的使用寿命的影响程度分析得到的。
在本实施例中,每一异常因子对应的异常时长列表中包含至少一段各异常因子引起目标设备异常的异常时长。
作为本申请一实施例,所述根据每一所述异常因子对应的所述异常时长列表与每一所述异常因子对应的权重系数,计算得到每一所述异常因子引起所述目标设备异常的分项累计异常时长,包括:
按照下列公式计算每一所述异常因子的分项累计异常时长:
式中,Ti表示第i个异常因子的分项累计异常时长,λi表示第i个异常因子的权重系数,M表示异常因子的数量,M取等于或大于1,且等于或小于N的整数;m表示第i个异常因子对应异常时长列表中异常时长的段数,m取等于或大于1的整数;tj表示第i个异常因子对应异常时长列表中第j段异常时长的时长值。
在本实施例中,由于不同的异常因子导致目标设备出现的故障类型、故障程度等不同,也即不同的异常因子对目标设备的使用寿命的影响程度不同,因此本实施例中为不同的异常因子赋予不同的权重系数λ,用于表征各个异常因子对目标设备的使用寿命的影响程度。作为一种实施方式,可以分别统计每一影响因子在持续异常状态下(也即为异常因子的状态下),目标设备的使用寿命随时间的变化关系,通过对该变化关系进行大数据分析得到每一异常因子对应的权重系数。在实际应用场景中,由于目标设备在不同使用时间,每一异常因子对目标设备的使用寿命影响程度可能发生变化,目标设备的使用寿命随时间的变化关系可能为非线性关系,因此各个异常因子的对应的权重系数可能发生改变。
S14:根据每一异常因子对应的分项累计异常时长,计算得到所有异常因子引起目标设备异常的总异常累计时长。
在本实施例中,每一异常因子对应的分项累计异常时长表征了各个异常因子引起目标设备异常的累计时长,作为一种实施方式可以通过对各个异常因子对应的分项累计异常时长进行叠加,以得到目标设备在异常状态下的总异常累计时长。
作为本申请一实施例,所述根据每一所述异常因子对应的所述分项异常累计时长,计算得到所有所述异常因子引起所述目标设备异常的总异常累计时长包括:
按照下列公式计算所有所述异常因子引起所述目标设备异常的总异常累计时长:
式中,T是指总异常累计时长;Ti是指第i个异常因子的分项累计异常时长。
在本实施例中,实时将各个异常因子的分项累计异常时长进行求和,计算得到所有异常因子引起目标设备异常的总异常累计时长。
S15:用于基于总异常累计时长、总正常累计时长及预设使用寿命,计算得到目标设备的剩余使用寿命;其中,预设使用寿命是通过对同种目标设备的使用寿命进行大数据分析得到的。
在本实施例中,预设使用寿命是指目标设备能够使用的时长,作为一种实施方式,可以通过采集同种目标设备或采集目标设备对应仿真设备的使用寿命数据,对这些使用寿命数据进行大数据分析,从而得到预设使用寿命,在其它实施方式中还可以根据经验获得预设使用寿命。
作为本申请一实施例,所述基于所述总异常累计时长、所述总正常累计时长及预设使用寿命,计算得到所述目标设备的剩余使用寿命,包括:
按照下列公式计算所述目标设备的剩余使用寿命:
TS=TA-T-TC;
式中,TS是指剩余使用寿命;TA是指预设使用寿命;TC是指总正常累计时长;T是指总异常累计时长。
S16:当所述剩余使用寿命达到预设报警条件时,基于所述异常因子制定设备维护计划;设备维护计划用于指示用户对目标设备进行设备维护。
在步骤S16中,预设报警条件可以是预先设定的剩余使用寿命的预设阈值或阈值范围,当计算得到的剩余使用寿命等于或小于该预设阈值时触发报警,同时启动制定设备维护计划。
在本实施例中,实时监测目标设备剩余使用寿命的值,当监测到目标设备的剩余使用寿命达到预设阈值,或处于预设阈值范围时及触发报警,同时分析目标设备工作过程中出现的异常因子,以指定设备维护计划,对目标设备进行设备维护。其中设备维护计划可以包括设备维护时间、设备维护方案等等。
作为本申请一实施例,所述基于所述异常因子制定设备维护计划,包括:基于目标异常原因识别模型与各个所述异常因子确定所述目标设备的异常部位与异常原因;基于所述异常部位和所述异常原因制定所述设备维护计划。
在本实施例中,异常原因识别模型可以是基于目标设备的结构构建的三维仿真模型、深层网络模型等的融合模型。由于目标设备中的各个部件或各个部位及各个部位的异常原因可能一或多个异常因子的影响,因此可以通过异常原因识别模型学习异常因子、异常部位以及异常原因之间的映射关系,以实现将各个异常因子输入至该目标异常原因识别模型,即可通过该目标异常原因识别模型根据各个异常因子的类型等确定出目标设备的异常部位与异常原因,从而基于目标设备的异常部位和异常原因针对性地制定设备维护计划,提高设备维护效率。
作为本申请一实施例,在基于目标异常原因识别模型与各个所述异常因子确定所述目标设备的异常部位与异常原因的步骤之前,还包括:
利用所述目标设备对应的各个影响因子、所述目标设备中受所述影响因子影响的设备部位与各个所述设备部位在所述所述影响因子影响存在的异常原因作为训练样本,对预设异常原因识别模型进行训练,以构建各个所述影响因子、设备部位及异常原因之间的映射关系,得到所述目标异常原因识别模型。
其中,由于异常因子是指对应影响因子状态值异常时的另一种表述方式,且异常部位是设备部位异常时的另一种表述方式,因此目标异常原因识别模型学习到各个影响因子、设备部位及异常原因之间的映射关系,也即学习到各个异常因子、异常部位及异常原因之间的映射关系。
本申请实施例提供一种设备维护计划生成方法、装置、计算机设备及存储介质,在目标设备使用过程中,实时接收监测终端发送的目标设备的N个影响因子的状态值,并通过预设异常检测模型实时判断N个影响因子中是否存在异常因子;如果判定存在异常因子,则实时记录各个异常因子引起目标设备异常的异常时长,得到各个异常因子对应的异常时长列表,同时实时统计所有影响因子的状态值正常时的正常时长,得到目标设备的总正常累计时长;在每一异常时长列表中,至少包含一段异常时长,通过对每一异常因子对目标设备的使用寿命的影响程度进行分析,得到每一异常因子对应的权重系数,根据各个异常因子对应的异常时长列表与每一异常因子对应的权重系数,能够计算得到每一异常因子引起目标设备异常的分项累计异常时长;再每一异常因子对应的分项累计异常时长能够通过计算得到所有异常因子引起目标设备异常的总异常累计时长;最终基于总异常累计时长、总正常累计时长及预设使用寿命能够计算得到所述目标设备的剩余使用寿命,当剩余使用寿命达到预设报警条件时,基于异常因子制定对目标设备的设备维护计划,并按照设备维护计划对目标设备进行设备维护。通过对对每一异常因子对目标设备的使用寿命的影响程度进行分析,为每一异常因子分配对应的权重系数,根据每一异常因子对应的权重系数与各个异常因子对应的异常时长列表,来计算得到每一异常因子引起目标设备异常的分项累计异常时长,考虑到异常因子对目标设备的使用寿命的影响,能够更精确的预测目标设备的剩余使用寿命,及时触发制定设备维护计划,以避免设备事实已经损坏严重,却仍然不做维护处理,导致出现无法挽回的重大故障。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
在一个实施例中,提供一种设备维护计划生成装置200,该设备维护计划生成装置与上述实施例中设备维护计划生成方法一一对应。如图2所示,该设备维护计划生成装置包括判断模块201、记录模块202、第一计算模块203、第二计算模块204、第三计算模块205以及制定模块206。各功能模块详细说明如下:
判断模块201:用于实时接收监测终端发送的目标设备的N个影响因子的状态值,并通过预设异常检测模型实时判断N个所述影响因子中是否存在异常因子;所述异常因子是指所述状态值异常的影响因子;
记录模块202:用于当通过所述预设异常检测模型判定存在异常因子时,记录各个所述异常因子引起所述目标设备异常的异常时长,得到各个所述异常因子的异常时长列表,同时实时统计所有所述影响因子的状态值正常时的正常时长,得到所述目标设备的总正常累计时长;
第一计算模块203:用于根据每一所述异常因子对应的所述异常时长列表与每一所述异常因子对应的权重系数,计算得到每一所述异常因子引起所述目标设备异常的分项累计异常时长;每一所述异常因子的权重系数是基于每一所述异常因子对所述目标设备的使用寿命的影响程度分析得到的。
第二计算模块204:用于根据每一所述异常因子对应的所述分项累计异常时长,计算得到所有所述异常因子引起所述目标设备异常的总异常累计时长;
第三计算模块205:用于基于所述总异常累计时长、所述总正常累计时长及预设使用寿命,计算得到所述目标设备的剩余使用寿命;其中,所述预设使用寿命是通过对同种所述目标设备的使用寿命进行大数据分析得到的;
制定模块206:用于当所述剩余使用寿命达到预设报警条件时,基于所述异常因子制定设备维护计划;所述设备维护计划用于指示用户对所述目标设备进行设备维护。
关于设备维护计划生成装置的具体限定可以参见上文中对于设备维护计划生成方法的限定,在此不再赘述。上述设备维护计划生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括可读存储介质、内存储器。该可读存储介质存储有操作系统、计算机可读指令和数据库。该内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机设备的数据库用于存储设备维护计划生成方法所涉及的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机可读指令被处理器执行时以实现一种设备维护计划生成方法。本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括可读存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机可读指令。该内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机设备的网络接口用于与外部服务器通过网络连接通信。该计算机可读指令被处理器执行时以实现一种设备维护计划生成方法。本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。
在一个实施例中,提供了一种计算机设备,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可读指令,处理器执行计算机可读指令时实现以下步骤:
实时接收监测终端发送的目标设备的N个影响因子的状态值,并通过预设异常检测模型实时判断N个所述影响因子中是否存在异常因子;所述异常因子是指所述状态值异常的影响因子;
当通过所述预设异常检测模型判定存在异常因子时,记录各个所述异常因子引起所述目标设备异常的异常时长,得到各个所述异常因子的异常时长列表,同时实时统计所有所述影响因子的状态值正常时的正常时长,得到所述目标设备的总正常累计时长;
根据每一所述异常因子对应的所述异常时长列表与每一所述异常因子对应的权重系数,计算得到每一所述异常因子引起所述目标设备异常的分项累计异常时长;每一所述异常因子的权重系数是基于每一所述异常因子对所述目标设备的使用寿命的影响程度分析得到的;
根据每一所述异常因子对应的所述分项累计异常时长,计算得到所有所述异常因子引起所述目标设备异常的总异常累计时长;
基于所述总异常累计时长、所述总正常累计时长及预设使用寿命,计算得到所述目标设备的剩余使用寿命;其中,所述预设使用寿命是通过对同种所述目标设备的使用寿命进行大数据分析得到的;
当所述剩余使用寿命达到预设报警条件时,基于所述异常因子制定设备维护计划;所述设备维护计划用于指示用户对所述目标设备进行设备维护。
在一个实施例中,提供了一个或多个存储有计算机可读指令的计算机可读存储介质,本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。可读存储介质上存储有计算机可读指令,计算机可读指令被一个或多个处理器执行时实现以下步骤:
实时接收监测终端发送的目标设备的N个影响因子的状态值,并通过预设异常检测模型实时判断N个所述影响因子中是否存在异常因子;所述异常因子是指所述状态值异常的影响因子;
当通过所述预设异常检测模型判定存在异常因子时,记录各个所述异常因子引起所述目标设备异常的异常时长,得到各个所述异常因子的异常时长列表,同时实时统计所有所述影响因子的状态值正常时的正常时长,得到所述目标设备的总正常累计时长;
根据每一所述异常因子对应的所述异常时长列表与每一所述异常因子对应的权重系数,计算得到每一所述异常因子引起所述目标设备异常的分项累计异常时长;每一所述异常因子的权重系数是基于每一所述异常因子对所述目标设备的使用寿命的影响程度分析得到的;
根据每一所述异常因子对应的所述分项累计异常时长,计算得到所有所述异常因子引起所述目标设备异常的总异常累计时长;
基于所述总异常累计时长、所述总正常累计时长及预设使用寿命,计算得到所述目标设备的剩余使用寿命;其中,所述预设使用寿命是通过对同种所述目标设备的使用寿命进行大数据分析得到的;
当所述剩余使用寿命达到预设报警条件时,基于所述异常因子制定设备维护计划;所述设备维护计划用于指示用户对所述目标设备进行设备维护。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一非易失性可读取存储介质或易失性可读存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解: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;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种设备维护计划生成方法,其特征在于,所述设备维护计划生成方法包括:
实时接收监测终端发送的目标设备的N个影响因子的状态值,并通过预设异常检测模型实时判断N个所述影响因子中是否存在异常因子;所述异常因子是指所述状态值异常的影响因子;
当通过所述预设异常检测模型判定存在异常因子时,记录各个所述异常因子引起所述目标设备异常的异常时长,得到各个所述异常因子的异常时长列表,同时实时统计所有所述影响因子的状态值正常时的正常时长,得到所述目标设备的总正常累计时长;
根据每一所述异常因子对应的所述异常时长列表与每一所述异常因子对应的权重系数,计算得到每一所述异常因子引起所述目标设备异常的分项累计异常时长;每一所述异常因子的权重系数是基于每一所述异常因子对所述目标设备的使用寿命的影响程度分析得到的;
根据每一所述异常因子对应的所述分项累计异常时长,计算得到所有所述异常因子引起所述目标设备异常的总异常累计时长;
基于所述总异常累计时长、所述总正常累计时长及预设使用寿命,计算得到所述目标设备的剩余使用寿命;其中,所述预设使用寿命是通过对同种所述目标设备的使用寿命进行大数据分析得到的;
当所述剩余使用寿命达到预设报警条件时,基于所述异常因子制定设备维护计划;所述设备维护计划用于指示用户对所述目标设备进行设备维护。
4.如权利要求1所述的设备维护计划生成方法,其特征在于,所述基于所述总异常累计时长、所述总正常累计时长及预设使用寿命,计算得到所述目标设备的剩余使用寿命,包括:
按照下列公式计算所述目标设备的剩余使用寿命:
TS=TA-T-TC;
式中,TS是指剩余使用寿命;TA是指预设使用寿命;TC是指总正常累计时长;T是指总异常累计时长。
5.如权利要求1所述的设备维护计划生成方法,其特征在于,所述基于所述异常因子制定设备维护计划,包括:
基于目标异常原因识别模型与各个所述异常因子确定所述目标设备的异常部位与异常原因;
基于所述异常部位和所述异常原因制定所述设备维护计划。
6.如权利要求5所述的设备维护计划生成方法,其特征在于,在所述基于目标异常原因识别模型与各个所述异常因子确定所述目标设备的异常部位与异常原因的步骤之前,还包括:
利用所述目标设备对应的各个影响因子、所述目标设备中受所述影响因子影响的设备部位与各个所述设备部位在所述所述影响因子影响存在的异常原因作为训练样本,对预设异常原因识别模型进行训练,以构建各个所述影响因子、设备部位及异常原因之间的映射关系,得到所述目标异常原因识别模型。
7.一种设备维护计划生成装置,其特征在于,所述设备维护计划生成装置包括:
判断模块:用于实时接收监测终端发送的目标设备的N个影响因子的状态值,并通过预设异常检测模型实时判断N个所述影响因子中是否存在异常因子;所述异常因子是指所述状态值异常的影响因子;
记录模块:用于当通过所述预设异常检测模型判定存在异常因子时,记录各个所述异常因子引起所述目标设备异常的异常时长,得到各个所述异常因子的异常时长列表,同时实时统计所有所述影响因子的状态值正常时的正常时长,得到所述目标设备的总正常累计时长;
第一计算模块:用于根据每一所述异常因子对应的所述异常时长列表与每一所述异常因子对应的权重系数,计算得到每一所述异常因子引起所述目标设备异常的分项累计异常时长;每一所述异常因子的权重系数是基于每一所述异常因子对所述目标设备的使用寿命的影响程度分析得到的;
第二计算模块:用于根据每一所述异常因子对应的所述分项累计异常时长,计算得到所有所述异常因子引起所述目标设备异常的总异常累计时长;
第三计算模块:用于基于所述总异常累计时长、所述总正常累计时长及预设使用寿命,计算得到所述目标设备的剩余使用寿命;其中,所述预设使用寿命是通过对同种所述目标设备的使用寿命进行大数据分析得到的;
维护模块:用于当所述剩余使用寿命达到预设报警条件时,基于所述异常因子制定设备维护计划;所述设备维护计划用于指示用户对所述目标设备进行设备维护。
8.如权利要求7所述的设备维护计划生成装置,其特征在于,所述维护模块包括:
识别模块:基于目标异常原因识别模型与各个所述异常因子确定所述目标设备的异常部位与异常原因;
制定模块:用于基于所述异常部位和所述异常原因制定所述设备维护计划。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,其特征在于,所述计算机可读指令被处理器执行时以实现权利要求1-6任意一项所述的设备维护计划生成方法。
10.一个或多个可读存储介质,所述可读存储介质存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1-6任意一项所述的设备维护计划生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211049044.4A CN115526348A (zh) | 2022-08-30 | 2022-08-30 | 设备维护计划生成方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211049044.4A CN115526348A (zh) | 2022-08-30 | 2022-08-30 | 设备维护计划生成方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115526348A true CN115526348A (zh) | 2022-12-27 |
Family
ID=84697126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211049044.4A Pending CN115526348A (zh) | 2022-08-30 | 2022-08-30 | 设备维护计划生成方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115526348A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117959902A (zh) * | 2024-04-01 | 2024-05-03 | 大连华邦化学有限公司 | 一种基于数据反馈的气体纯化功能预警系统及方法 |
CN117959902B (zh) * | 2024-04-01 | 2024-06-04 | 大连华邦化学有限公司 | 一种基于数据反馈的气体纯化功能预警系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114429250A (zh) * | 2022-04-06 | 2022-05-03 | 深圳市玄羽科技有限公司 | 应用于工业互联网的故障预测方法、装置及电子设备 |
CN114647923A (zh) * | 2020-12-18 | 2022-06-21 | 霍尼韦尔国际公司 | 用于监测资产剩余使用寿命的装置、方法和计算机程序产品 |
US20220245483A1 (en) * | 2021-02-03 | 2022-08-04 | International Business Machines Corporation | Identifying Influential Effects to Be Adjusted in Goal Seek Analysis |
CN114926015A (zh) * | 2022-05-17 | 2022-08-19 | 国网山东省电力公司营销服务中心(计量中心) | 基于d-s证据理论的智能电能表质量状态评价方法及系统 |
-
2022
- 2022-08-30 CN CN202211049044.4A patent/CN115526348A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114647923A (zh) * | 2020-12-18 | 2022-06-21 | 霍尼韦尔国际公司 | 用于监测资产剩余使用寿命的装置、方法和计算机程序产品 |
US20220245483A1 (en) * | 2021-02-03 | 2022-08-04 | International Business Machines Corporation | Identifying Influential Effects to Be Adjusted in Goal Seek Analysis |
CN114429250A (zh) * | 2022-04-06 | 2022-05-03 | 深圳市玄羽科技有限公司 | 应用于工业互联网的故障预测方法、装置及电子设备 |
CN114926015A (zh) * | 2022-05-17 | 2022-08-19 | 国网山东省电力公司营销服务中心(计量中心) | 基于d-s证据理论的智能电能表质量状态评价方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117959902A (zh) * | 2024-04-01 | 2024-05-03 | 大连华邦化学有限公司 | 一种基于数据反馈的气体纯化功能预警系统及方法 |
CN117959902B (zh) * | 2024-04-01 | 2024-06-04 | 大连华邦化学有限公司 | 一种基于数据反馈的气体纯化功能预警系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alaswad et al. | A review on condition-based maintenance optimization models for stochastically deteriorating system | |
Huynh et al. | On the use of mean residual life as a condition index for condition-based maintenance decision-making | |
CN111262750B (zh) | 一种用于评估基线模型的方法及系统 | |
CN112100575A (zh) | 设备状态趋势预测方法、装置、计算机设备和存储介质 | |
JP7145821B2 (ja) | 故障確率評価システムおよびその方法 | |
Duan et al. | A two-level Bayesian early fault detection for mechanical equipment subject to dependent failure modes | |
CN112884199A (zh) | 水电站设备故障预测方法、装置、计算机设备和存储介质 | |
CN113196311A (zh) | 用于识别和预测机器的异常感测行为模式的系统和方法 | |
CN115511136B (zh) | 基于层次分析和故障树的设备故障辅助诊断方法及系统 | |
CN117074965B (zh) | 一种锂离子电池剩余寿命预测方法及系统 | |
Cao et al. | Optimization of condition-based maintenance for multi-state deterioration systems under random shock | |
CN117664218A (zh) | 一种真空冷冻干燥机的校准方法 | |
Wu et al. | Adaptive sequential predictive maintenance policy with nonperiodic inspection for hard failures | |
CN111445105A (zh) | 基于目标值分析的电厂在线性能诊断方法及系统 | |
Duan et al. | Adaptive maintenance scheme for degrading devices with dynamic conditions and random failures | |
CN115526348A (zh) | 设备维护计划生成方法、装置、设备及存储介质 | |
CN115544803B (zh) | 一种变压器剩余寿命预测方法、装置、设备及存储介质 | |
CN113808727B (zh) | 设备监控方法、装置、计算机设备和可读存储介质 | |
Morato et al. | POMDP based maintenance optimization of offshore wind substructures including monitoring | |
CN109739210B (zh) | 设备部件健康状态的评估方法及装置 | |
CN113689042A (zh) | 监测节点的故障源预测方法 | |
CN117272844B (zh) | 配电盘工作寿命的预测方法及系统 | |
CN117391459B (zh) | 基于深度学习的电力运行风险预警方法及系统 | |
Puggina et al. | Development of a statistical methodology for gas turbine prognostics | |
CN117783769B (zh) | 基于可视平台的配电网络故障定位方法、系统、设备及存储介质 |
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 |