CN115587737A - 一种以可靠性为中心的成本优化运维调度方法及系统 - Google Patents
一种以可靠性为中心的成本优化运维调度方法及系统 Download PDFInfo
- Publication number
- CN115587737A CN115587737A CN202211354513.3A CN202211354513A CN115587737A CN 115587737 A CN115587737 A CN 115587737A CN 202211354513 A CN202211354513 A CN 202211354513A CN 115587737 A CN115587737 A CN 115587737A
- Authority
- CN
- China
- Prior art keywords
- cost
- reliability index
- equipment
- maintenance
- rehabilitation
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 181
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000005457 optimization Methods 0.000 title claims abstract description 43
- 230000036541 health Effects 0.000 claims abstract description 70
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims description 122
- 238000004088 simulation Methods 0.000 claims description 55
- 230000008859 change Effects 0.000 claims description 23
- 230000002068 genetic effect Effects 0.000 claims description 14
- 230000003449 preventive effect Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000011084 recovery Methods 0.000 claims description 11
- 230000003111 delayed effect Effects 0.000 claims description 9
- 238000012885 constant function Methods 0.000 claims description 8
- 230000008439 repair process Effects 0.000 claims description 6
- 230000000737 periodic effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000013178 mathematical model Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 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
- G06Q10/06—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
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Biodiversity & Conservation Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种以可靠性为中心的成本优化运维调度方法及系统,属于智慧维修领域,其方法包括:基于预设的大数据算法,遍历预设的历史数据库,得到标准设备的故障时间;基于故障时间,计算标准设备的上限可靠性指标和下限可靠性指标;获取目标设备的当前可靠性指标;基于上限可靠性指标与下限可靠性指标,得到当前可靠性指标的比较结果;基于比较结果,得到目标设备的健康状态;健康状态包括正健康状态、亚健康状态和非健康状态;若目标设备的健康状态为亚健康状态,基于当前可靠性指标,计算目标设备从当前可靠性指标到上限可靠性指标的康复成本。本申请具有使企业有效对设备检修损耗成本进行把控的效果。
Description
技术领域
本申请涉及智慧维修领域,尤其是涉及一种以可靠性为中心的成本优化运维调度方法及系统。
背景技术
设备维修是指为保持、恢复以及提升设备技术状态进行的技术活动。其中包括保持设备良好技术状态的维护、设备劣化或发生故障后恢复其功能而进行的修理以及提升设备技术状态进行的技术活动。
目前,对于设备的维修往往是在设备已经发生损坏时,才安排维修人员进行维修,设备损坏到设备维修完毕需要耗费时间,尤其是大型设备,若大型设备出现故障,从设备损坏到设备可正常使用需对设备停工处理,且中间耗费大量维修时间,对于企业来讲,设备的停工不仅会给企业带来设备维修成本,且会对企业的生产造成停产损失。
针对以上问题,部分企业采用定期对设备进行检修的方式,从而尽可能降低设备停工的风险,进而尽量减少设备停工对企业造成的生产损失和维修成本,但目前设备的定期检修可能造成盲目维修,即定期检修所消耗的成本可能大于设备停工对企业造成的停产损失。故申请人认为,对设备进行定期检修的方式,对于企业来讲,无法把控设备检修损耗成本。
申请内容
为了使企业有效对设备检修损耗成本进行把控,本申请提供一种以可靠性为中心的成本优化运维调度方法及系统。
第一方面,本申请提供的一种以可靠性为中心的成本优化运维调度方法采用如下的技术方案:
一种以可靠性为中心的成本优化运维调度方法,包括:
基于预设的大数据算法,遍历预设的历史数据库,得到标准设备的故障时间;
基于所述故障时间,计算所述标准设备的上限可靠性指标和下限可靠性指标;
获取目标设备的当前可靠性指标;
基于所述上限可靠性指标与所述下限可靠性指标,得到所述当前可靠性指标的比较结果;
基于所述比较结果,得到所述目标设备的健康状态;所述健康状态包括正健康状态、亚健康状态和非健康状态;
若所述目标设备的健康状态为亚健康状态,基于所述当前可靠性指标,计算所述目标设备从所述当前可靠性指标到所述上限可靠性指标的康复成本。
通过采用上述技术方案,首先通过大数据算法遍历历史数据库得到故障时间,并根据故障时间计算上限可靠性指标和下限可靠性指标,以便于得到设备的可靠性指标区间,在得到设备的可靠性区间后,根据设备的当前可靠性指标,判断目标设备的健康状态,并在目标设备的健康为亚健康状态时,计算目标设备的检修损耗成本即目标设备从当前可靠性指标到上限可靠性指标的康复成本,有利于使企业有效对设备检修损耗成本进行把控。
可选的,所述故障时间包括上限故障停机时间和下限故障停机时间;
所述基于所述故障时间,计算所述标准设备的上限可靠性指标和下限可靠性指标,包括:
基于所述历史数据库,获取所述标准设备的计划服务时间;
将所述上限故障停机时间与所述计划服务时间代入预设的设备可靠性公式中,计算得到所述下限可靠性指标;
将所述下限故障停机时间与所述计划服务时间代入所述设备可靠性公式中,计算得到所述上限可靠性指标;
所述设备可靠性公式为:
其中,A指设备可靠性,TM指计划服务时间,TN指故障停机时间。
通过采用上述技术方案,在已知故障停机时间时,将故障停机时间代入设备可靠性公式,即可得到上限可靠性指标和下限可靠性指标,便于后续通过上限可靠性指标和下限可靠性指标判断目标设备的健康状态。
可选的,所述比较结果包括第一比较结果、第二比较结果和第三比较结果;
所述基于所述上限可靠性指标与所述下限可靠性指标,得到所述当前可靠性指标的比较结果,包括:
若所述当前可靠性指标小于所述下限可靠性指标,判定所述当前可靠性指标为所述第一比较结果;
若所述当前可靠性指标不小于所述下限可靠性指标且小于所述上限可靠性指标,判定所述当前可靠性指标为所述第二比较结果;
若所述当前可靠性指标不小于所述上限可靠性指标,判定所述当期可靠性指标为所述第三比较结果;
所述基于所述比较结果,得到所述目标设备的健康状态,包括:
若所述比较结果为所述第一比较结果,判定所述目标设备的健康状态为所述非健康状态;
若所述比较结果为所述第二比较结果,判定所述目标设备的健康状态为所述亚健康状态;
若所述比较结果为所述第三比较结果,判定所述目标设备的健康状态为所述正健康状态。
通过采用上述技术方案,根据上限可靠性指标和下限可靠性指标,将目标设备分为三种健康状态,分别为非健康状态、亚健康状态和正健康状态,已知目标设备的当前可靠性指标即可得到目标设备的健康状态。
可选的,所述康复成本包括第一康复成本;
所述基于所述当前可靠性指标,计算所述目标设备从所述当前可靠性指标到所述上限可靠性指标的康复成本,包括:
基于预设的零件数据库,获取所述目标设备的各个零部件的寿命参数和成本参数;
基于所述寿命参数和所述成本参数,得到设备康复成本函数;
所述康复成本函数为:
其中,所述C为康复成本,所述T为维修周期,所述bi为故障率增加因子,所述λ为故障率,所述αi为年龄降低因子,所述βd为单位停工时间损失系数,所述C0为维修固定成本,所述Cm(i)为部件i发生故障的损失成本,所述Ri为部件i的可靠度阈值,所述Cp(i)为部件i的单位次数预防性维修的成本,所述Cd(i)为部件i维修时的单位时间停机损失,所述δi,j为部件i第j次预防性维修所需的停机时间,所述Δti,j为第i个部件,第j次预防性维修的周期,所述l为人工成本系数,所述V为预防性维护调整系数,所述e为经验参数,所述r为经验曲线的百分比,所述Cs为部件更换成本;
基于所述设备康复成本函数计算得到所述目标设备从所述当前可靠性指标到所述上限可靠性指标的所述第一康复成本。
通过采用上述技术方案,根据寿命参数、成本参数和设备可靠性公式后即可得到设备康复成本函数,便于通过设备康复成本函数计算当前可靠性指标到上限可靠性指标的第一康复成本。
可选的,所述康复成本还包括第二康复成本;
所述基于所述当前可靠性指标,计算所述目标设备从所述当前可靠性指标到所述上限可靠性指标的康复成本,还包括:
基于所述零件数据库,获取所述目标设备的各个零部件对应的收益参数;
基于所述寿命参数和所述收益参数,得到设备拖延收益函数;
所述设备拖延收益函数为:
其中,所述Cy为拖延收益,所述Cw为单位时间设备的运行收益,所述Tj为每次维修后设备的运行时间,所述Rn(t)为部件的可靠度变化,所述n为设备每个运行周期的维修次数,所述Cf为每次维修成本,所述Ce为每次维修时的停机损失,所述Cr为采购新部件的费用;基于所述设备拖延收益函数,得到所述目标设备从所述当前可靠性指标到所述下限可靠性指标的拖延收益;
基于所述设备康复成本函数,得到所述目标设备从所述下限可靠性指标到所述上限可靠性指标的维修成本;
将所述维修成本减所述拖延收益,计算得到所述目标设备从所述当前可靠性指标到所述上限可靠性指标的所述第二康复成本。
通过采用上述技术方案,根据寿命参数、收益参数和设备可靠性公式后即可得到设备拖延收益函数,便于通过设备拖延收益函数计算当前可靠性指标到下限可靠性指标的拖延收益;在得到拖延收益后,通过康复成本函数计算得到下限可靠性指标到上限可靠性指标的维修成本,通过拖延收益和维修成本即可计算得到当前可靠性指标到上限可靠性指标的第二康复成本。
可选的,所述基于所述寿命参数和所述成本参数,得到设备康复成本函数,包括:基于所述寿命参数、所述成本参数和预设的成本目标函数,构建维修成本优化模型;
对所述维修成本优化模型进行随机仿真,得到维修成本仿真结果;
将所述维修成本仿真结果经过预设的遗传算法,得到设备康复成本函数;
所述基于所述寿命参数和所述收益参数,得到设备拖延收益函数,包括:
基于所述寿命参数、所述收益参数和预设的收益目标函数,构建拖延收益优化模型;
对所述拖延收益优化模型进行随机仿真,得到所述拖延收益仿真结果;
将所述拖延收益仿真结果经过预设的遗传算法,得到设备拖延收益函数。
通过采用上述技术方案,设备康复成本函数和设备拖延收益函数均需首先构建模型,而后对构建后的模型进行随机仿真,并将仿真结果经过遗传算法而得到。不同的是,设备康复成本函数,需首先构建维修成本优化模型,并对维修成本优化模型进行随机仿真,在随机仿真后将维修成本仿真结果经过遗传算法得到;而设备拖延收益函数,需首先构建拖延收益优化模型,而后对拖延收益优化模型进行随机仿真,在随机仿真后将拖延收益仿真结果经过遗传算法得到。设备康复成本函数和设备拖延收益函数均有利于计算后续的第一康复成本和第二康复成本。
可选的,在所述计算所述目标设备从所述当前可靠性指标到所述上限可靠性指标的康复成本之后,包括:
判断所述第一康复成本是否大于所述第二康复成本;
若所述第一康复成本大于所述第二康复成本,将所述第二康复成本作为最优康复成本;
若所述第一康复成本小于所述第二康复成本,将所述第一康复成本作为最优康复成本。
通过采用上述技术方案,在得到第一康复成本和第二康复成本后,通过判断第一康复成本和第二康复成本的大小,进而确定最优康复成本,有利于使企业通过最优康复成本,选择最佳检修方式,便于使企业有效对设备检修损耗成本进行把控。
可选的,在所述得到设备康复成本函数之后,包括:
获取所述设备康复成本函数与预设的常数函数的若干交点;所述常数函数的常数为所述下限可靠性指标;所述设备康复成本函数的横坐标为设备康复成本,纵坐标为可靠性指标;
将横坐标最小的交点作为目标交点,并获取所述目标交点对应的设备康复成本,并将所述目标交点对应的设备康复成本作为最优康复成本。
通过采用上述技术方案,可将满足下限可靠性指标的最小的设备康复成本作为最优康复成本,在得到最优康复成本后,有利于使企业通过最优康复成本,选择最佳检修方式,便于使企业有效对设备检修损耗成本进行把控。
可选的,在所述对所述维修成本优化模型进行随机仿真,得到维修成本仿真结果之后,还包括:
基于所述维修成本仿真结果,得到成本周期变化函数;
基于所述成本周期变化函数,得到所述最优康复成本对应的维修周期,并将所述维修周期作为最优维修周期。
通过采用上述技术方案,在得到目标设备检修的最优康复成本后,通过成本周期变化函数,即可得到最优康复成本对应的最优维修周期,以便于使企业通过最优维修周期对目标设备进行检修。
第二方面,本申请提供的一种以可靠性为中心的成本优化运维调度系统采用如下的技术方案:
一种以可靠性为中心的成本优化运维调度系统,包括存储器、处理器及存储在存储器中并能够在处理器上运行的计算机程序,所述处理器加载并执行计算机程序时,采用了上述的以可靠性为中心的成本优化运维调度方法。
通过采用上述技术方案,通过将上述的以可靠性为中心的成本优化运维调度方法生成计算机程序,并存储于存储器中,以被处理器加载并执行,从而,根据存储器及处理器制作智能终端,方便使用。
综上所述,本申请具有以下至少一种有益技术效果:
1.首先通过大数据算法遍历历史数据库得到故障时间,并根据故障时间计算上限可靠性指标和下限可靠性指标,以便于得到设备的可靠性指标区间,在得到设备的可靠性区间后,根据设备的当前可靠性指标,判断目标设备的健康状态,并在目标设备的健康为亚健康状态时,计算目标设备的检修损耗成本即目标设备从当前可靠性指标到上限可靠性指标的康复成本,有利于使企业有效对设备检修损耗成本进行把控。
2.根据上限可靠性指标和下限可靠性指标,将目标设备分为三种健康状态,分别为非健康状态、亚健康状态和正健康状态,已知目标设备的当前可靠性指标即可得到目标设备的健康状态。
3.在得到最优康复成本后,有利于使企业通过最优康复成本,选择最佳检修方式,便于使企业有效对设备检修损耗成本进行把控。
附图说明
图1是本申请实施例一种以可靠性为中心的成本优化运维调度方法的其中一种实施方式的流程示意图。
图2是本申请实施例一种以可靠性为中心的成本优化运维调度方法的其中一种实施方式的流程示意图。
图3是本申请实施例一种以可靠性为中心的成本优化运维调度方法的其中一种实施方式的流程示意图。
图4是本申请实施例一种以可靠性为中心的成本优化运维调度方法的其中一种实施方式的流程示意图。
图5是本申请实施例一种以可靠性为中心的成本优化运维调度方法的其中一种实施方式的流程示意图。
图6是本申请实施例一种以可靠性为中心的成本优化运维调度方法的其中一种实施方式的流程示意图。
图7是本申请实施例一种以可靠性为中心的成本优化运维调度方法的其中一种实施方式的流程示意图。
图8是本申请实施例一种以可靠性为中心的成本优化运维调度方法的其中一种实施方式的流程示意图。
图9是本申请实施例一种以可靠性为中心的成本优化运维调度方法的其中一种实施方式的流程示意图。
具体实施方式
以下结合附图1至9对本申请作进一步详细说明。
本申请实施例公开一种以可靠性为中心的成本优化运维调度方法。
参照图1,一种以可靠性为中心的成本优化运维调度方法包括如下步骤:
S101、基于预设的大数据算法,遍历预设的历史数据库,得到标准设备的故障时间。
大数据算法指在给定的资源约束下,以大数据为输入,在给定时间约束内可以生成满足给定约束结果的算法。本实施例中,标准设备的故障时间通过大数据算法遍历历史数据库得到。历史数据库内存储有若干标准设备的故障时间,标准设备指在设备整个生命周期中,位于相同生产环境,且用于重复一种工作的设备,即标准设备未曾更换过所处环境,且仅用于一项生产活动,同时,标准设备上的零部件在被维修更换时,未被更换过另一品牌或另一规格的零部件。标准设备的故障时间指在标准设备的整个生命周期中,因故障停机的总时间。
S102、基于故障时间,计算标准设备的上限可靠性指标和下限可靠性指标。
可靠性指标指设备在规定的使用和修复条件下,在规定时间内处于正常工作状态的概率,即指设备的健康程度。当标准设备的当前可靠性指标为上限可靠性指标时,表明标准设备的健康程度接近设备在未被使用过时的健康程度,此时标准设备的各项功能均正常,无故障风险;当标准设备的当前可靠性指标为下限可靠性指标时,表明标准设备的健康程度较低,此时存在发生故障的风险,需尽快进行检修。
在本实施例中,标准设备的故障时间包括上限故障停机时间和下限故障停机时间,上限故障停机时间指通过大数据算法得到的标准设备在整个生命周期中,最长的停机时间;下限故障停机时间指通过大数据算法得到的标准设备在整个生命周期中,最短的停机时间。
标准设备的上限可靠性指标由下限故障停机时间和预设的设备可靠性公式计算得到;下限可靠性指标由上限故障停机时间和设备可靠性公式计算得到。
S103、获取目标设备的当前可靠性指标。
目标设备的当前可靠性指标指目标设备当前的健康程度,本实施例中,当前可靠性指标根据目标设备从出厂时到当前时间的总故障停机时间和设备可靠性公式计算得到。目标设备与标准设备为相同设备,即目标设备与标准设备的型号与品牌等均相同。
S104、基于上限可靠性指标与下限可靠性指标,得到当前可靠性指标的比较结果。
S105、基于比较结果,得到目标设备的健康状态;健康状态包括正健康状态、亚健康状态和非健康状态。
由步骤S102可知,当标准设备的当前可靠性指标为上限可靠性指标时,表明标准设备的健康程度接近设备在未被使用过时的健康程度,此时标准设备的各项功能均正常,无故障风险;当标准设备的当前可靠性指标为下限可靠性指标时,表明标准设备的健康程度较低,此时存在发生故障的风险,需尽快进行检修,即在得到目标设备的当前可靠性指标后,即可将当前可靠性指标与上限可靠性指标与下限可靠性指标进行比较,以便于确定目标设备当前的健康程度。在本实施例中,若目标设备低于下限可靠性指标,表明目标设备处于不健康状态,若目标设备不低于下限可靠性指标,且低于上限可靠性指标时,表明设备处于亚健康状态,若目标设备不低于上限可靠性指标,表明设备处于正健康状态。
需要说明的是,若目标设备处于亚健康状态,此时目标设备仍可正常运行和进行生产活动,但可能存在由于目标设备的零部件运行时间较久,出现老化或生锈等情况,影响目标设备的健康程度的情况,故若目标设备处于亚健康状态时,需对目标设备进行检修,以使目标设备的可靠性指标达到上限可靠性指标;若目标设备处于正健康状态,表明目标设备的性能完好,且目标设备的每个零部件的状态均良好,无故障风险。
S106、若目标设备的健康状态为亚健康状态,基于当前可靠性指标,计算目标设备从当前可靠性指标到上限可靠性指标的康复成本。
若目标设备的健康状态为亚健康状态,由步骤S105可知,需对目标设备进行检修,以使目标设备的可靠性指标达到上限可靠性指标,此时可计算目标设备从当前可靠性指标到上限可靠性指标的康复成本,以使企业有效对设备检修损耗成本进行把控。
在第一实施例中,计算目标设备从当前可靠性指标到上限可靠性指标的康复成本,可首先计算目标设备从当前可靠性指标到上限可靠性指标的检修周期,而后根据人为预设的目标设备在单位检修周期的单位检修成本,计算目标设备在检修周期内的康复成本,即将单位检修成本与检修周期相乘即可得到康复成本。具体的,检修周期可基于大数据算法对数据库中的标准设备的所有可靠性指标进行统计分析,进而得到可靠性指标在每上升一个单位时的平均单位检修周期,最后将平均单位检修周期与检修周期相乘即可估算目标设备从当前可靠性指标到上限可靠性指标的康复成本。
在第二实施例中,计算目标设备从当前可靠性指标到上限可靠性指标的康复成本,可首先构建康复成本函数,具体的,设备康复成本函数在坐标系中以康复成本为x轴,以可靠性指标为y轴。在构建设备康复成本函数后,即可得到当前可靠性指标对应的当前康复成本,以及得到上限可靠性指标对应的上限康复成本,将上限康复成本减当前康复成本即可得到目标设备从当前可靠性指标到上限可靠性指标的康复成本。
本实施例的实施原理为:首先通过大数据算法遍历历史数据库得到故障时间,并根据故障时间计算上限可靠性指标和下限可靠性指标,以便于得到设备的可靠性指标区间,在得到设备的可靠性区间后,根据设备的当前可靠性指标,判断目标设备的健康状态,并在目标设备的健康为亚健康状态时,计算目标设备的检修损耗成本即目标设备从当前可靠性指标到上限可靠性指标的康复成本,有利于使企业有效对设备检修损耗成本进行把控。
在图1所示实施例的步骤S102中,标准设备的上限可靠性指标和下限可靠性指标可通过设备可靠性公式计算。具体通过图2所示实施方式进行详细说明。
参照图2,故障时间包括上限故障停机时间和下限故障停机时间;
基于故障时间,计算标准设备的上限可靠性指标和下限可靠性指标,包括如下步骤:
S201、基于历史数据库,获取标准设备的计划服务时间。
历史数据库内存储有若干标准设备的故障时间和若干标准设备的计划服务时间,计划服务时间指标准设备的生命周期,通常在标准设备出厂时被标注为使用期限。例如,若标准设备在出厂时的使用期限被标注为20年,则20年即为标准设备的计划服务时间。
S202、将上限故障停机时间与计划服务时间代入预设的设备可靠性公式中,计算得到下限可靠性指标。
S203、将下限故障停机时间与计划服务时间代入设备可靠性公式中,计算得到上限可靠性指标。
设备可靠性公式为:
其中,A指设备可靠性,TM指计划服务时间,TN指故障停机时间。
本实施方式提供的以可靠性为中心的成本优化运维调度方法,在已知故障停机时间时,将故障停机时间代入设备可靠性公式,即可得到上限可靠性指标和下限可靠性指标,便于后续通过上限可靠性指标和下限可靠性指标判断目标设备的健康状态。
在图1所示实施例的步骤S104和步骤S105中,在得到上限可靠性指标和下限可靠性指标后,可将目标设备的当前可靠性指标与上限可靠性指标和下限可靠性指标分别进行比较,即可得到比较结果,在得到比较结果后,即可得到目标设备的健康状态。具体通过图3所示实施方式进行详细说明。
参照图3,比较结果包括第一比较结果、第二比较结果和第三比较结果;
基于上限可靠性指标与下限可靠性指标,得到当前可靠性指标的比较结果,包括如下步骤:S301、若当前可靠性指标小于下限可靠性指标,判定当前可靠性指标为第一比较结果。
基于步骤S203和步骤S204进行说明,若标准设备的下限可靠性指标为60%,上限可靠性指标为90%,若目标设备的当前可靠性指标为50%,此时当前可靠性指标小于下限可靠性指标,即判定当前可靠性指标为第一比较结果。
S302、若当前可靠性指标不小于下限可靠性指标且小于上限可靠性指标,判定当前可靠性指标为第二比较结果。
若目标设备的当前可靠性指标为70%,此时当前可靠性指标在上限可靠性指标和下限可靠性指标之间,即不小于下限可靠性指标且小于上限可靠性指标,则判定当前可靠性指标为第二比较结果。
S303、若当前可靠性指标不小于上限可靠性指标,判定当期可靠性指标为第三比较结果。
若当前可靠性指标为95%,此时当前可靠性指标大于上限可靠性指标,则判定当前可靠性指标为第三比较结果。
基于比较结果,得到目标设备的健康状态,包括:
S304、若比较结果为第一比较结果,判定目标设备的健康状态为非健康状态。
第一比较结果为当目标设备的当前可靠性指标小于下限可靠性指标时,此时目标设备的健康状态为非健康状态,即目标设备需进行维修。
S305、若比较结果为第二比较结果,判定目标设备的健康状态为亚健康状态。
第二比较结果为当目标设备的当前可靠性指标大于或等于下限可靠性指标且小于上限可靠性指标时,此时目标设备的健康状态为亚健康状态,由步骤S105可知,若目标设备处于亚健康状态时,需对目标设备进行检修,以使目标设备的可靠性指标达到上限可靠性指标。
S306、若比较结果为第三比较结果,判定目标设备的健康状态为正健康状态。
第二比较结果为当目标设备的当前可靠性指标大于或等于上限可靠性指标时,此时目标设备的健康状态为正健康状态,当设备处于正健康状态时,设备无需进行检修。
需要说明的是,标准设备的可靠性指标在0%至100%之间,若设定下限可靠性指标为60%,上限可靠性指标为90%,当目标设备的当前可靠性指标大于或等于0%且小于60%时,表明目标设备的健康状态为非健康状态;当目标设备的当前可靠性指标大于或等于60%且小于90%时,表明目标设备的健康状态为亚健康状态;当目标设备的当前可靠性指标大于或等于90%且小于100%时,表明目标设备的健康状态为正健康状态。
本实施方式提供的以可靠性为中心的成本优化运维调度方法,根据上限可靠性指标和下限可靠性指标,将目标设备分为三种健康状态,分别为非健康状态、亚健康状态和正健康状态,已知目标设备的当前可靠性指标即可得到目标设备的健康状态。
在图1所示实施例的步骤S106中,可首先根据目标设备上的零部件的寿命参数和成本参数得到目标设备的设备康复成本函数,后根据设备康复成本函数得到目标设备从当前可靠性指标到上限可靠性指标的康复成本。具体通过图4所示实施方式进行详细说明。
参照图4,康复成本包括第一康复成本;
基于当前可靠性指标,计算目标设备从当前可靠性指标到上限可靠性指标的康复成本,包括如下步骤:
S401、基于预设的零件数据库,获取目标设备的各个零部件的寿命参数和成本参数。
零件数据库中存储有目标设备的每个零部件的寿命参数和成本参数,其中,寿命参数用于表示目标设备每个零部件的寿命,成本参数用于表示目标设备每个零部件的成本。需要说明的是,零件数据库内存储有若干相同型号的零部件,故目标设备的每一个零部件对应的寿命参数实际为若干相同型号零部件的寿命参数的集合,同理目标设备的每一个零部件对应的成本参数实际为若干相同型号零部件的成本参数的集合。
本实施例中,为便于后续基于寿命参数和成本参数进行仿真,寿命参数和成本参数均服从韦伯分布或正态分布。例如,目标设备的继电器、开关、断路器、齿轮等服从韦伯分布,表示为W(α=x,η=y,γ=0),其中,α指随机变量,η指比例参数,γ指形状参数,本实施例中,韦伯分布的形状参数均为0。韦伯分布的概率密度函数为:
例如,目标设备的半导体器件、金属疲劳部件等服从正态分布,表示为N(μ=a,σ=b),其中,μ指位置参数,σ指尺度参数。正态分布的概率密度函数为:
S402、基于寿命参数和成本参数,得到设备康复成本函数。
本实施例中,寿命参数与成本参数用于进行随机仿真,随机仿真指就通过计算机程序在计算机上模仿各种实际系统的运行过程,并通过计算了解系统随时间变化的行为或特性。具体实施中,首先基于目标函数建立数学模型,对数学模型进行模拟运行,而后得到模拟输出结果,即设备康复成本函数。
康复成本函数为:
其中,C为康复成本,T为维修周期,bi为故障率增加因子,λ为故障率,αi为年龄降低因子,βd为单位停工时间损失系数,C0为维修固定成本,Cm(i)为部件i发生故障的损失成本,Ri为部件i的可靠度阈值,Cp(i)为部件i的单位次数预防性维修的成本,Cd(i)为部件i维修时的单位时间停机损失,δi,j为部件i第j次预防性维修所需的停机时间,Δti,j为第i个部件,第j次预防性维修的周期,l为人工成本系数,V为预防性维护调整系数,e为经验参数,r为经验曲线的百分比,Cs为部件更换成本;
S403、基于设备康复成本函数计算得到目标设备从当前可靠性指标到上限可靠性指标的第一康复成本。
设备康复成本函数用于表示当设备康复成本变化时,目标设备的可靠性指标的变化,即设备康复成本函数在坐标系中以设备康复成本为x轴,以可靠性指标为y轴。由步骤S106可知,在构建康复成本函数后,即可得到当前可靠性指标对应的当前康复成本,以及得到上限可靠性指标对应的上限康复成本,将上限康复成本减当前康复成本即可得到目标设备从当前可靠性指标到上限可靠性指标的康复成本。
本实施方式提供的以可靠性为中心的成本优化运维调度方法,根据寿命参数、成本参数和设备可靠性公式后即可得到设备康复成本函数,便于通过设备康复成本函数计算当前可靠性指标到上限可靠性指标的第一康复成本。
在图1所示实施例的步骤S106中,由于目标设备从当前可靠性指标到下限可靠性指标时会产生收益,此时可通过目标设备的零部件的收益参数和寿命参数,得到设备拖延收益函数,即可通过设备拖延收益函数,得到目标设备从当前可靠性指标下降到下限可靠性指标的拖延收益,此时再对目标设备进行检修,可通过设备拖延收益函数计算下限可靠性指标到上限可靠性指标的维修成本,最后即可根据维修成本和拖延收益,计算得到目标设备从当前可靠性指标到上限可靠性指标的第二康复成本。具体通过图5所示实施方式进行详细说明。
参照图5,康复成本还包括第二康复成本;
基于当前可靠性指标,计算目标设备从当前可靠性指标到上限可靠性指标的康复成本,还包括如下步骤:
S501、基于零件数据库,获取目标设备的各个零部件对应的收益参数。
零件数据库还存储有目标设备的每个零部件对应的收益参数,收益参数用于表示每个零部件在运行时的收益。
S502、基于寿命参数和收益参数,得到设备拖延收益函数。
与步骤S402同理,寿命参数与收益参数用于进行随机仿真,具体实施中,首先基于目标函数建立数学模型,对数学模型进行模拟运行,而后得到模拟输出结果,即设备拖延收益函数。
设备拖延收益函数为:
其中,Cy为拖延收益,Cw为单位时间设备的运行收益,Tj为每次维修后设备的运行时间,Rn(t)为部件的可靠度变化,n为设备每个运行周期的维修次数,Cf为每次维修成本,Ce为每次维修时的停机损失,Cr为采购新部件的费用;
S503、基于设备拖延收益函数,得到目标设备从当前可靠性指标到下限可靠性指标的拖延收益。
设备拖延收益函数用于表示当设备拖延收益变化时,目标设备的可靠性指标的变化,即设备拖延收益函数在坐标系中以设备拖延收益为x轴,以可靠性指标为y轴。在构建设备拖延收益函数后,即可得到当前可靠性指标对应的当前拖延收益,以及得到下限可靠性指标对应的上限拖延收益,将上限拖延收益减当前拖延收益即可得到目标设备从当前可靠性指标到下限可靠性指标的拖延收益。
S504、基于设备康复成本函数,得到目标设备从下限可靠性指标到上限可靠性指标的维修成本。
由步骤S403可知,设备康复成本函数用于表示当设备康复成本变化时,目标设备的可靠性指标的变化,即可基于设备康复成本函数计算得到目标设备从下限可靠性指标到上限可靠性指标的维修成本。具体的,首先获取下限可靠性指标对应的下限康复成本,其次获取上限可靠性指标对应的上限康复成本,上限康复成本与下限康复成本差值的绝对值即为目标设备从下限可靠性指标到上限可靠性指标的维修成本。
需要说明的是,若下限可靠性指标对应若干康复成本,则将最小的康复成本作为下限康复成本,若上限可靠性指标对应若干康复成本,则将最大的康复成本最为上限康复成本。
S505、将维修成本减拖延收益,计算得到目标设备从当前可靠性指标到上限可靠性指标的第二康复成本。
在本实施例中,若目标设备的健康状态为亚健康状态时,此时对目标设备不维修,并使目标设备从当前可靠性指标一直运行至下限可靠性指标时,再对目标设备进行维修,此时目标设备从当前可靠性指标到下限可靠性指标时会产生运行收益,而目标设备的康复成本为下限可靠性指标到上限可靠性指标间的康复成本,将康复成本减运行收益即可得到第二康复成本。
本实施方式提供的以可靠性为中心的成本优化运维调度方法,根据寿命参数、收益参数和设备可靠性公式后即可得到设备拖延收益函数,便于通过设备拖延收益函数计算当前可靠性指标到下限可靠性指标的拖延收益;在得到拖延收益后,通过康复成本函数计算得到下限可靠性指标到上限可靠性指标的维修成本,通过拖延收益和维修成本即可计算得到当前可靠性指标到上限可靠性指标的第二康复成本。
在图5所示实施方式的步骤S502中,设备康复成本函数和设备拖延收益函数均可首先构建模型,而后对模型进行随机仿真得到。具体通过图6所示实施方式进行详细说明。
参照图6,基于寿命参数和成本参数,得到设备康复成本函数,包括如下步骤:
S601、基于寿命参数、成本参数和预设的成本目标函数,构建维修成本优化模型。
本实施例中,成本目标函数包括故障维修成本、设备维修停工损失、零部件故障损失、设备预防性维修成本和零部件更换成本。其中设备预防性维修成本,指在设备故障前即对设备进行检修的成本。维修成本优化模型为当前执行主体基于寿命参数、成本参数和成本目标函数建立的数学模型。
S602、对维修成本优化模型进行随机仿真,得到维修成本仿真结果。
由于随机仿真通过计算机程序在计算机上模仿各种实际系统的运行过程,并通过计算了解系统随时间变化的行为或特性,即维修成本仿真结果为维修成本随维修周期的变化以及目标设备的可靠性指标随维修周期的变化。本实施例中,随机仿真采用蒙特卡洛仿真。
S603、将维修成本仿真结果经过预设的遗传算法,得到设备康复成本函数。
遗传算法指计算数学中用于解决最佳化的搜索算法,即遗传算法用于得到仿真结果的最优解,在本实施例中,将维修成本仿真结果经过遗传算法后,将维修成本随维修周期的变化函数与目标设备的可靠性指标随维修周期的变化进行结合,即可得到设备康复成本函数。
基于寿命参数和收益参数,得到设备拖延收益函数,包括:
S604、基于寿命参数、收益参数和预设的收益目标函数,构建拖延收益优化模型。
收益目标函数包括设备的运行收益、设备维修成本、设备停机损失和更换零部件的成本,拖延收益优化模型为当前执行主体基于寿命参数、收益参数和收益目标函数建立的数学模型。
S605、对拖延收益优化模型进行随机仿真,得到拖延收益仿真结果。
由于随机仿真通过计算机程序在计算机上模仿各种实际系统的运行过程,并通过计算了解系统随时间变化的行为或特性,即拖延收益仿真结果为拖延收益随维修周期的变化以及目标设备的可靠性指标随维修周期的变化。本实施例中,随机仿真采用蒙特卡洛仿真。
S606、将拖延收益仿真结果经过预设的遗传算法,得到设备拖延收益函数。
在本实施例中,将拖延收益仿真结果经过遗传算法后,将拖延收益随维修周期的变化函数与目标设备的可靠性指标随维修周期的变化进行结合,即可得到设备拖延收益函数。
本实施方式提供的以可靠性为中心的成本优化运维调度方法,设备康复成本函数和设备拖延收益函数均需首先构建模型,而后对构建后的模型进行随机仿真,并将仿真结果经过遗传算法而得到。不同的是,设备康复成本函数,需首先构建维修成本优化模型,并对维修成本优化模型进行随机仿真,在随机仿真后将维修成本仿真结果经过遗传算法得到;而设备拖延收益函数,需首先构建拖延收益优化模型,而后对拖延收益优化模型进行随机仿真,在随机仿真后将拖延收益仿真结果经过遗传算法得到。设备康复成本函数和设备拖延收益函数均有利于计算后续的第一康复成本和第二康复成本。
在图1所示实施方式的步骤S106后,在得到第一康复成本和第二康复成本后,即可通过对第一康复成本和第二康复成本进行大小判断,进而得到最优康复成本。具体通过图7所示实施方式进行详细说明。
参照图7,在计算目标设备从当前可靠性指标到上限可靠性指标的康复成本之后,包括如下步骤:
S701、判断第一康复成本是否大于第二康复成本。
S702、若第一康复成本大于第二康复成本,将第二康复成本作为最优康复成本。
S703、若第一康复成本小于第二康复成本,将第一康复成本作为最优康复成本。
最优康复成本指第一康复成本与第二康复成本中最小的康复成本,此时企业维修目标设备的维修成本最小。举例说明,若第一康复成本为8000,第二康复成本为5000,由于第二康复成本小于第一康复成本,则将第二康复成本作为最优康复成本,此时企业应选择第二康复成本对应的方案。第一康复成本指目标设备的健康状态为亚健康状态时,即对其进行维修,直至目标设备的健康状态为正健康状态;第二康复成本指目标设备的健康状态为亚健康状态时,首先使目标设备正常运行,直至目标设备的可靠性指标到下限可靠性指标,当目标设备的可靠性指标为下限可靠性指标时,即对目标设备进行维修直至目标设备的可靠性指标为上限可靠性指标。
若第一康复成本等于第二康复成本,则最优康复成本可为第一康复成本,亦可为第二康复成本。
本实施方式提供的以可靠性为中心的成本优化运维调度方法,在得到第一康复成本和第二康复成本后,通过判断第一康复成本和第二康复成本的大小,进而确定最优康复成本,有利于使企业通过最优康复成本,选择最佳检修方式,便于使企业有效对设备检修损耗成本进行把控。
在图4所示实施方式的步骤S403后,最优康复成本还可基于设备康复成本函数得到,即将满足下限可靠性指标的最小的设备康复成本作为最优康复成本。具体通过图8所示实施方式进行详细说明。
参照图8,在得到设备康复成本函数之后,包括如下步骤:
S801、获取设备康复成本函数与预设的常数函数的若干交点;常数函数的常数为下限可靠性指标;设备康复成本函数的横坐标为设备康复成本,纵坐标为可靠性指标。
由于设备康复成本函数在坐标系中以康复成本为x轴,以可靠性指标为y轴,且常数函数的常数为下限可靠性指标,故常数函数与设备康复成本函数的交叉点为目标设备的可靠性指标在下限可靠性指标时对应的设备康复成本,由于交叉点可能存在多个,即目标设备的可靠性指标在下限可靠性指标时对应的设备康复成本可能存在多个。
S802、将横坐标最小的交点作为目标交点,并获取目标交点对应的设备康复成本,并将目标交点对应的设备康复成本作为最优康复成本。
横坐标最小的点即指目标设备的可靠性指标在下限可靠性指标时对应的设备康复成本最小,此时将最小的设备康复成本作为最优康复成本。
本实施方式提供的以可靠性为中心的成本优化运维调度方法,可将满足下限可靠性指标的最小的设备康复成本作为最优康复成本,在得到最优康复成本后,有利于使企业通过最优康复成本,选择最佳检修方式,便于使企业有效对设备检修损耗成本进行把控。
在图7或图8所示实施方式中,在已知最优康复成本后,可首先构建成本周期变化函数,根据成本周期变化函数即可得到最优康复成本对应的最优维修周期,便于企业根据最优维修周期对目标设备进行检修。具体通过图9所示实施方式进行详细说明。
参照图9,在对维修成本优化模型进行随机仿真,得到维修成本仿真结果之后,包括如下步骤:
S901、基于维修成本仿真结果,得到成本周期变化函数;
由步骤S602可知,由于随机仿真通过计算机程序在计算机上模仿各种实际系统的运行过程,并通过计算了解系统随时间变化的行为或特性,即维修成本仿真结果为维修成本随维修周期的变化以及目标设备的可靠性指标随维修周期的变化。故可基于维修成本仿真结果,得到成本周期变化函数,成本周期变化函数即为维修成本随维修周期的变化的函数。成本周期变化函数在坐标系中以维修周期为x轴,以维修成本为y轴。
S902、基于成本周期变化函数,得到最优康复成本对应的维修周期,并将维修周期作为最优维修周期。
已知最优康复成本,即可基于成本周期变化函数得到维修周期,由于最优康复成本对应的维修周期可能为多个,此时将最小的维修周期作为最优维修周期。
本实施方式提供的以可靠性为中心的成本优化运维调度方法,在得到目标设备检修的最优康复成本后,通过成本周期变化函数,即可得到最优康复成本对应的最优维修周期,以便于使企业通过最优维修周期对目标设备进行检修。
本申请实施例还公开一种以可靠性为中心的成本优化运维调度系统,包括存储器、处理器以及存储在存储器中并能够在处理器上运行的计算机程序,其中,处理器执行计算机程序时,采用了上述实施例中的以可靠性为中心的成本优化运维调度方法。
以上均为本申请的较佳实施例,并非依此限制本申请的保护范围,故:凡依本申请的结构、形状、原理所做的等效变化,均应涵盖于本申请的保护范围之内。
Claims (10)
1.一种以可靠性为中心的成本优化运维调度方法,其特征在于,包括:
基于预设的大数据算法,遍历预设的历史数据库,得到标准设备的故障时间;
基于所述故障时间,计算所述标准设备的上限可靠性指标和下限可靠性指标;
获取目标设备的当前可靠性指标;
基于所述上限可靠性指标与所述下限可靠性指标,得到所述当前可靠性指标的比较结果;
基于所述比较结果,得到所述目标设备的健康状态;所述健康状态包括正健康状态、亚健康状态和非健康状态;
若所述目标设备的健康状态为亚健康状态,基于所述当前可靠性指标,计算所述目标设备从所述当前可靠性指标到所述上限可靠性指标的康复成本。
3.根据权利要求1所述的一种以可靠性为中心的成本优化运维调度方法,其特征在于,所述比较结果包括第一比较结果、第二比较结果和第三比较结果;
所述基于所述上限可靠性指标与所述下限可靠性指标,得到所述当前可靠性指标的比较结果,包括:
若所述当前可靠性指标小于所述下限可靠性指标,判定所述当前可靠性指标为所述第一比较结果;
若所述当前可靠性指标不小于所述下限可靠性指标且小于所述上限可靠性指标,判定所述当前可靠性指标为所述第二比较结果;
若所述当前可靠性指标不小于所述上限可靠性指标,判定所述当期可靠性指标为所述第三比较结果;
所述基于所述比较结果,得到所述目标设备的健康状态,包括:
若所述比较结果为所述第一比较结果,判定所述目标设备的健康状态为所述非健康状态;
若所述比较结果为所述第二比较结果,判定所述目标设备的健康状态为所述亚健康状态;
若所述比较结果为所述第三比较结果,判定所述目标设备的健康状态为所述正健康状态。
4.根据权利要求2所述的一种以可靠性为中心的成本优化运维调度方法,其特征在于,所述康复成本包括第一康复成本;
所述基于所述当前可靠性指标,计算所述目标设备从所述当前可靠性指标到所述上限可靠性指标的康复成本,包括:
基于预设的零件数据库,获取所述目标设备的各个零部件的寿命参数和成本参数;
基于所述寿命参数和所述成本参数,得到设备康复成本函数;
所述康复成本函数为:
其中,所述C为康复成本,所述T为维修周期,所述bi为故障率增加因子,所述λ为故障率,所述αi为年龄降低因子,所述βd为单位停工时间损失系数,所述C0为维修固定成本,所述Cm(i)为部件i发生故障的损失成本,所述Ri为部件i的可靠度阈值,所述Cp(i)为部件i的单位次数预防性维修的成本,所述Cd(i)为部件i维修时的单位时间停机损失,所述δi,j为部件i第j次预防性维修所需的停机时间,所述Δti,j为第i个部件,第j次预防性维修的周期,所述l为人工成本系数,所述V为预防性维护调整系数,所述e为经验参数,所述r为经验曲线的百分比,所述Cs为部件更换成本;
基于所述设备康复成本函数计算得到所述目标设备从所述当前可靠性指标到所述上限可靠性指标的所述第一康复成本。
5.根据权利要求4所述的一种以可靠性为中心的成本优化运维调度方法,其特征在于,所述康复成本还包括第二康复成本;
所述基于所述当前可靠性指标,计算所述目标设备从所述当前可靠性指标到所述上限可靠性指标的康复成本,还包括:
基于所述零件数据库,获取所述目标设备的各个零部件对应的收益参数;
基于所述寿命参数和所述收益参数,得到设备拖延收益函数;
所述设备拖延收益函数为:
其中,所述Cy为拖延收益,所述Cw为单位时间设备的运行收益,所述Tj为每次维修后设备的运行时间,所述Rn(t)为部件的可靠度变化,所述n为设备每个运行周期的维修次数,所述Cf为每次维修成本,所述Ce为每次维修时的停机损失,所述Cr为采购新部件的费用;基于所述设备拖延收益函数,得到所述目标设备从所述当前可靠性指标到所述下限可靠性指标的拖延收益;
基于所述设备康复成本函数,得到所述目标设备从所述下限可靠性指标到所述上限可靠性指标的维修成本;
将所述维修成本减所述拖延收益,计算得到所述目标设备从所述当前可靠性指标到所述上限可靠性指标的所述第二康复成本。
6.根据权利要求5所述的一种以可靠性为中心的成本优化运维调度方法,其特征在于,所述基于所述寿命参数和所述成本参数,得到设备康复成本函数,包括:
基于所述寿命参数、所述成本参数和预设的成本目标函数,构建维修成本优化模型;
对所述维修成本优化模型进行随机仿真,得到维修成本仿真结果;
将所述维修成本仿真结果经过预设的遗传算法,得到设备康复成本函数;
所述基于所述寿命参数和所述收益参数,得到设备拖延收益函数,包括:
基于所述寿命参数、所述收益参数和预设的收益目标函数,构建拖延收益优化模型;
对所述拖延收益优化模型进行随机仿真,得到所述拖延收益仿真结果;
将所述拖延收益仿真结果经过预设的遗传算法,得到设备拖延收益函数。
7.根据权利要求5所述的一种以可靠性为中心的成本优化运维调度方法,其特征在于,在所述计算所述目标设备从所述当前可靠性指标到所述上限可靠性指标的康复成本之后,包括:
判断所述第一康复成本是否大于所述第二康复成本;
若所述第一康复成本大于所述第二康复成本,将所述第二康复成本作为最优康复成本;
若所述第一康复成本小于所述第二康复成本,将所述第一康复成本作为最优康复成本。
8.根据权利要求4所述的一种以可靠性为中心的成本优化运维调度方法,其特征在于,在所述得到设备康复成本函数之后,包括:
获取所述设备康复成本函数与预设的常数函数的若干交点;所述常数函数的常数为所述下限可靠性指标;所述设备康复成本函数的横坐标为设备康复成本,纵坐标为可靠性指标;
将横坐标最小的交点作为目标交点,并获取所述目标交点对应的设备康复成本,并将所述目标交点对应的设备康复成本作为最优康复成本。
9.根据权利要求7或8任一项所述的一种以可靠性为中心的成本优化运维调度方法,其特征在于,在所述对所述维修成本优化模型进行随机仿真,得到维修成本仿真结果之后,还包括:基于所述维修成本仿真结果,得到成本周期变化函数;
基于所述成本周期变化函数,得到所述最优康复成本对应的维修周期,并将所述维修周期作为最优维修周期。
10.一种以可靠性为中心的成本优化运维调度系统,包括存储器、处理器及存储在存储器中并能够在处理器上运行的计算机程序,其特征在于,所述处理器加载并执行计算机程序时,采用了权利要求1至9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211354513.3A CN115587737A (zh) | 2022-11-01 | 2022-11-01 | 一种以可靠性为中心的成本优化运维调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211354513.3A CN115587737A (zh) | 2022-11-01 | 2022-11-01 | 一种以可靠性为中心的成本优化运维调度方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115587737A true CN115587737A (zh) | 2023-01-10 |
Family
ID=84781531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211354513.3A Pending CN115587737A (zh) | 2022-11-01 | 2022-11-01 | 一种以可靠性为中心的成本优化运维调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115587737A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203836A (zh) * | 2016-07-12 | 2016-12-07 | 中国石油化工股份有限公司 | 一种炼油企业设备可靠性绩效管理的评估方法 |
CN106600072A (zh) * | 2016-12-21 | 2017-04-26 | 中国航空工业集团公司雷华电子技术研究所 | 一种基于故障预测的维修决策优化算法 |
CN108038349A (zh) * | 2017-12-18 | 2018-05-15 | 北京航天测控技术有限公司 | 一种飞机系统健康状态的维修决策方法 |
CN109284557A (zh) * | 2018-09-29 | 2019-01-29 | 北京航空航天大学 | 基于故障分析的反包助推组件的预防性维护方法 |
CN109376881A (zh) * | 2018-12-12 | 2019-02-22 | 中国航空工业集团公司上海航空测控技术研究所 | 基于维修成本优化的复杂系统维修决策方法 |
JP2019144174A (ja) * | 2018-02-22 | 2019-08-29 | ファナック株式会社 | 故障診断装置及び機械学習装置 |
KR20210048844A (ko) * | 2019-10-24 | 2021-05-04 | 한국전력공사 | 설비자산의 건전도 지수 기반의 정비계획 수립 장치 및 그 방법 |
CN114462754A (zh) * | 2021-12-10 | 2022-05-10 | 国能神东煤炭集团有限责任公司 | 综采工作面的智能分析方法和系统 |
-
2022
- 2022-11-01 CN CN202211354513.3A patent/CN115587737A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203836A (zh) * | 2016-07-12 | 2016-12-07 | 中国石油化工股份有限公司 | 一种炼油企业设备可靠性绩效管理的评估方法 |
CN106600072A (zh) * | 2016-12-21 | 2017-04-26 | 中国航空工业集团公司雷华电子技术研究所 | 一种基于故障预测的维修决策优化算法 |
CN108038349A (zh) * | 2017-12-18 | 2018-05-15 | 北京航天测控技术有限公司 | 一种飞机系统健康状态的维修决策方法 |
JP2019144174A (ja) * | 2018-02-22 | 2019-08-29 | ファナック株式会社 | 故障診断装置及び機械学習装置 |
CN109284557A (zh) * | 2018-09-29 | 2019-01-29 | 北京航空航天大学 | 基于故障分析的反包助推组件的预防性维护方法 |
CN109376881A (zh) * | 2018-12-12 | 2019-02-22 | 中国航空工业集团公司上海航空测控技术研究所 | 基于维修成本优化的复杂系统维修决策方法 |
KR20210048844A (ko) * | 2019-10-24 | 2021-05-04 | 한국전력공사 | 설비자산의 건전도 지수 기반의 정비계획 수립 장치 및 그 방법 |
CN114462754A (zh) * | 2021-12-10 | 2022-05-10 | 国能神东煤炭集团有限责任公司 | 综采工作面的智能分析方法和系统 |
Non-Patent Citations (1)
Title |
---|
陈杏;宋依群;杨镜非;: "基于状态联动的在役设备最佳运行寿命评估模型", 电力系统保护与控制, no. 01, 1 January 2017 (2017-01-01), pages 69 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10521490B2 (en) | Equipment maintenance management system and equipment maintenance management method | |
Lapa et al. | A model for preventive maintenance planning by genetic algorithms based in cost and reliability | |
Abiri-Jahromi et al. | An efficient mixed-integer linear formulation for long-term overhead lines maintenance scheduling in power distribution systems | |
AU2010337991B2 (en) | Method and control system for scheduling load of a power plant | |
JP4943653B2 (ja) | 多事象同時発生時の競合する原因事象の確率及び/又はシステムアベイラビリティを決定するプロセス | |
CN106779371A (zh) | 一种基于设备全寿命周期的配电系统可靠性评估方法 | |
CN107121974B (zh) | 用于优化推荐的检修间隔的系统及方法 | |
Petchrompo et al. | A value-based approach to optimizing long-term maintenance plans for a multi-asset k-out-of-N system | |
US20240012407A1 (en) | Condition-Based Method for Malfunction Prediction | |
CN111898834B (zh) | 一种雷达备件优化方法、系统、介质及设备 | |
Liu et al. | Multi-objective imperfect maintenance optimization for production system with an intermediate buffer | |
Khoury et al. | On the Use of Time‐Limited Information for Maintenance Decision Support: A Predictive Approach under Maintenance Constraints | |
Cao | Modeling the effects of dependence between competing failure processes on the condition-based preventive maintenance policy | |
JP2008015775A (ja) | プラントの保全支援システムおよびその保全支援方法 | |
Sun et al. | An online robust sequencing control strategy for identical chillers using a probabilistic approach concerning flow measurement uncertainties | |
Sheikhalishahi et al. | Maintenance scheduling optimization in a multiple production line considering human error | |
CN117764515A (zh) | 一种变电站设备的故障检修成本核算方法及系统 | |
CN115587737A (zh) | 一种以可靠性为中心的成本优化运维调度方法及系统 | |
CN113822441B (zh) | 决策模型训练方法、装置、终端设备及存储介质 | |
CN112507516B (zh) | 一种基于可靠性的电气设备预防性维修优化方法及装置 | |
CN113869535A (zh) | 一种预防性维修策略优化方法 | |
JP7277254B2 (ja) | 消費電力予測装置 | |
Geiss et al. | Reliability-centered asset management of wind turbines—A holistic approach for a sustainable and cost-optimal maintenance strategy | |
WO2023286659A1 (ja) | 故障予測装置、故障予測方法、及びプログラム | |
Asadi et al. | An overview of signature‐based preventive maintenance of coherent systems |
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 |