CN115809869A - 一种基于云计算的维修流程管理与控制系统 - Google Patents

一种基于云计算的维修流程管理与控制系统 Download PDF

Info

Publication number
CN115809869A
CN115809869A CN202310055667.0A CN202310055667A CN115809869A CN 115809869 A CN115809869 A CN 115809869A CN 202310055667 A CN202310055667 A CN 202310055667A CN 115809869 A CN115809869 A CN 115809869A
Authority
CN
China
Prior art keywords
maintenance
data
fault
point
unit
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
CN202310055667.0A
Other languages
English (en)
Other versions
CN115809869B (zh
Inventor
戴沈华
黄辉
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.)
Nanjing Jiexiu Information Technology Co ltd
Original Assignee
Nanjing Jiexiu Information Technology 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 Nanjing Jiexiu Information Technology Co ltd filed Critical Nanjing Jiexiu Information Technology Co ltd
Priority to CN202310055667.0A priority Critical patent/CN115809869B/zh
Publication of CN115809869A publication Critical patent/CN115809869A/zh
Application granted granted Critical
Publication of CN115809869B publication Critical patent/CN115809869B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于云计算的维修流程管理与控制系统，包括通过云网络连接的数据采集端口、云服务器端口和管理部门端口，所述数据采集端口用于对生产待监测设备进行多点数据采集，所述云服务端口用于对数据采集端口采集的数据进行计算，得出故障点关联数据、故障数据的具体位置和故障数据在各工作点的变化情况，将取样数据关联模型图通过分类得到各个故障数据的蔓延图，并引入故障概率值的概念，计算各点对故障数据的影响，进而得到故障数据的起始点和故障数据在个工作点的变化情况，以对多个故障关联点进行同时定位，并根据故障概率值大小对故障点进行按照重要度排列，以便于对多个故障关联点进行快速处理。

Description

一种基于云计算的维修流程管理与控制系统
技术领域
本发明涉及专门用于管理的数据处理系统领域，特别涉及一种基于云计算的维修流程管理与控制系统。
背景技术
工业制造业互联网是链接工业全系统、全产业链、全价值链，支撑工业智能化发展的关键基础设施，全球工业正迈入一个全新的物联网时代，对于提升各种作业流程自动化的需求越来越高，工业设备网络错综复杂，设备成千上万，一旦发生故障，不及时加以处理，将会影响整个工业设备网络的运转，单点故障和多点故障的发生可能会对本点的的设备运行造成危险（真故障点），也可能不会对本点的设备运行造成危险（假故障点），可能由于“蝴蝶效应”会对附近工作点的设备运行造成危险（受体故障点），而现有技术中的维修流程管理与控制系统危险点查询方法，一般先从危险点查起，这样浪费了大量的维修和监测时间，同时无法快速准确地定位故障位置及故障原因，同时在维修和维护时需要先将预警信息传输至预警平台，然后预警平台根据预警信息再去选择维护单元，这样无疑延长了故障的检修时间，本发明是为了解决这一问题，提出一种基于云计算的维修流程管理与控制系统。
发明内容
本发明的主要目的在于提供一种基于云计算的维修流程管理与控制系统，能够有效解决背景技术中的问题：单点故障和多点故障的发生可能会对本点的的设备运行造成危险（真故障点），也可能不会对本点的设备运行造成危险（假故障点），可能由于“蝴蝶效应”会对附近工作点的设备运行造成危险（受体故障点），而现有技术中的维修流程管理与控制系统危险点查询方法，一般先从危险点查起，这样浪费了大量的维修和监测时间，同时无法快速准确地定位故障位置及故障原因，同时在维修和维护时需要先将预警信息传输至预警平台，然后预警平台根据预警信息再去选择维护单元，这样无疑延长了故障的检修时间。
为实现上述目的，本发明采取的技术方案为：
一种基于云计算的维修流程管理与控制系统，包括通过云网络连接的数据采集端口、云服务器端口和管理部门端口，所述数据采集端口用于对生产待监测设备进行多点数据采集，所述云服务端口用于对数据采集端口采集的数据进行计算，得出故障点关联数据、故障数据的具体位置和故障数据在各工作点的变化情况，对故障点进行准确定位，并对维修方案进行计算，得出最佳的维修方案，所述管理部门端口用于对云服务端口得出的维修方案数据和故障点关联数据进行提取储存，便于下次直接提取使用，同时依据维修方案对维修单元进行任务分配；
所述数据采集端口包括故障采集模块和维护数据采集模块，所述故障采集模块用于采集故障发生时各个工作点的运行数据
Figure SMS_1
，所述维护数据采集模块用于采集维护人员数据
Figure SMS_2
和维护设备数据
Figure SMS_3
，所述故障采集模块包括分布在设备各个工作点的故障采集单元，所述维护数据采集模块包括维护人员数据采集单元和维护设备数据采集单元，所述维护人员数据采集单元用于采集维护人员数据
Figure SMS_4
，所述维护设备数据采集单元用于采集维护设备数据
Figure SMS_5
；
所述云服务器端口包括故障信息提取模块、数据传输模块、维修统计模块、维修值计算模块、故障数据提取模块和维修关联特征查找模块，其中，所述故障信息提取模块用于通过故障监测组件获取故障发生信息，所述数据传输模块用于数据采集端口、云服务器端口和管理部门端口数据的互相传输，所述维修统计模块用于统计储存维修的方案，所述维修值计算模块用于计算维修人员和设备维修该故障的维修值
Figure SMS_6
，所述故障数据提取模块用于提取各个工作点在故障发生时的监测数据，所述维护关联特征查找模块用于查找维修该故障点的关联维修数据和该故障点的故障关联特征数据，同时计算故障关联点的故障概率值
Figure SMS_7
。
本发明进一步的改进在于，所述管理部门端口包括维修关联特征提取单元、维修任务分配单元和维修数据提取单元，所述维修关联特征提取单元用于对查找的故障点的故障关联特征数据进行提取，所述维修数据提取单元用于对查找的故障点的关联维修数据进行提取，所述维修任务分配单元用于根据关联维修数据进行人员维修任务的分配。
本发明进一步的改进在于，所述维护关联特征查找模块包括故障特征提取单元，所述故障特征提取单元用于提取故障前数据集合与安全数据集合之间的相差集合，集合方程式为：
Figure SMS_9
，其中A为相差集合
Figure SMS_13
，B为安全数据集合
Figure SMS_16
，C为故障前故障点数据集合
Figure SMS_11
，其中
Figure SMS_14
为
Figure SMS_19
中最接近
Figure SMS_20
的值，所述故障特征提取单元与故障特征向量获取单元连接，所述故障特征向量获取单元用于获取各个工作点的故障数据特征向量，所述故障数据特征向量的计算公式为：
Figure SMS_8
，其中，
Figure SMS_12
为相差权重集合
Figure SMS_15
，N为故障发生时各个工作点的运行数据
Figure SMS_18
，
Figure SMS_10
表示相乘，则求的D为
Figure SMS_17
。
本发明进一步的改进在于，所述故障特征向量获取单元的输出端连接有故障概率值计算单元，故障概率值计算单元中包括故障关联点的定位策略，包括以下步骤：
S101、故障数据提取单元将故障采集模块采集的故障数据提取，并以故障点为圆心，以n个工位值画圆，提取圆范围内的取样值；
S102、将圆范围内的取样值带入包含由多个全连接层的故障数据提取器中，以得到多组取样数据特征向量；
S103、将多组取样数据特征向量按照二维排列为二维取样数据特征向量矩阵后，通过使用二维卷积的深度卷积神经网络模型以得到取样数据关联模型图；
S104、将取样模型关联模型图通过分类以得到各个故障数据的蔓延图，并计算各点的故障概率值，进而得到故障数据的起始点和故障数据在各工作点的变化情况，对故障关联点进行准确定位。
本发明进一步的改进在于，所述故障概率值计算单元中还包括两个检测点之间的故障概率值
Figure SMS_21
的计算公式，
Figure SMS_22
，其中，
Figure SMS_23
为工作点运行数据中的第i项的数值，所述故障特征向量获取单元中还包括
Figure SMS_24
按照降序排列的过程，依次找出两个检测点之间段的故障概率，找出最大的故障概率段，即完成对故障关联点的定位。
本发明进一步的改进在于，所述维护人员数据采集单元包括维护人员请假情况子单元、维护人员位置子单元、维护人员维护方向子单元和维护人员职务子单元，所述维护人员请假情况子单元用于采集维护人员的在岗情况
Figure SMS_25
，所述维护人员位置子单元用于采集维护人员相对于故障关联点的位置距离
Figure SMS_26
，所述维护人员维护方向子单元用于采集维护人员的维护关键点
Figure SMS_27
，其中，该人员维修该点为其专业，取1，为相近点维修人员取0.5，所述维护人员职务子单元用于采集维护人员的维修职务
Figure SMS_28
，其中，专业人员取1，实习人员取0.5，维护关联特征查找模块还包括维修数据提取单元和维修数据计算单元，所述维修数据提取单元用于提取维修模块的数据，所述维修数据计算单元用于对维修数据进行计算，得到附近维修人员的维修值
Figure SMS_29
，所述维修值的计算公式为：
Figure SMS_30
，对维修值进行降序排列，以得到最佳维修人员。
本发明进一步的改进在于，所述维修数据计算单元与计算结果确定单元连接，所述计算结果确定单元对计算结果传送至管理部门确定方案，然后管理部门对云服务端口得出的维修方案数据和故障点关联数据进行提取储存，便于下次直接提取使用，同时依据维修方案对维修单元进行任务分配。
与现有技术相比，本发明具有如下有益效果：1）本发明通过设置的故障采集模块对设备各点的数据进行采集，对故障点设备异常数据进行提取，并提取故障点附件工位的取样值，将取样值带入包含由和工位值相同数量的全连接层组成的故障数据提取器中，以得到和故障点设备异常数据相同数量的取样数据特征向量，将多组取样数据特征向量按照二维排列为二维取样数据特征向量矩阵，通过使用二维卷积的深度卷积神经网络模型以得到取样数据关联模型图，将取样数据关联模型图通过分类得到各个故障数据的蔓延图，并引入故障概率值的概念，计算各点对故障数据的影响，进而得到故障数据的起始点和故障数据在个工作点的变化情况，以对多个故障关联点进行同时定位，并根据故障概率值大小对故障点进行按照重要度排列，以便于对多个故障关联点进行快速处理。
2）维护人员数据采集单元对维护人员数据进行采集，同时维护设备数据采集单元对维护设备数据进行采集，带入维修数据计算单元进行计算，得出维护单元维修最佳值，并按照降序排列，将故障概率值和维护单元维修最佳值导入维修值计算模块，找到最佳的维护人员和维护设备的组合，并将维护任务、各点的故障概率值和各个故障数据的蔓延图分别传输至维护人员，便于快速对设备各点的故障进行维修和保养。
附图说明
图1为本发明一种基于云计算的维修流程管理与控制系统的原理构架示意图。
图2为本发明一种基于云计算的维修流程管理与控制系统的维修关联特征查找模块与维修值计算模块的数据传输示意图。
图3为本发明一种基于云计算的维修流程管理与控制系统的故障关联点的定位策略流程框图。
图4为本发明一种基于云计算的维修流程管理与控制系统的维护人员数据采集单元的原理框图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“一号”、“二号”、“三号”仅用于描述目的，而不能理解为指示或暗示相对重要性。下面结合具体实施方式，进一步阐述本发明。
实施例1
本实施例通过设置的故障采集模块对设备各点的数据进行采集，对故障点设备异常数据进行提取，并提取故障点附件工位的取样值，将取样值带入包含由和工位值相同数量的全连接层组成的故障数据提取器中，以得到和故障点设备异常数据相同数量的取样数据特征向量，将多组取样数据特征向量按照二维排列为二维取样数据特征向量矩阵，通过使用二维卷积的深度卷积神经网络模型以得到取样数据关联模型图，将取样数据关联模型图通过分类得到各个故障数据的蔓延图，并引入故障概率值的概念，计算各点对故障数据的影响，进而得到故障数据的起始点和故障数据在个工作点的变化情况，以对多个故障关联点进行同时定位，并根据故障概率值大小对故障点进行按照重要度排列，以便于对多个故障关联点进行快速处理，具体方案为，如图1-图3所示，一种基于云计算的维修流程管理与控制系统，包括通过云网络连接的数据采集端口、云服务器端口和管理部门端口，数据采集端口用于对生产待监测设备进行多点数据采集，云服务端口用于对数据采集端口采集的数据进行计算，得出故障点关联数据、故障数据的具体位置和故障数据在各工作点的变化情况，对故障点进行准确定位，并对维修方案进行计算，得出最佳的维修方案，管理部门端口用于对云服务端口得出的维修方案数据和故障点关联数据进行提取储存，便于下次直接提取使用，同时依据维修方案对维修单元进行任务分配；
其中，数据采集端口包括故障采集模块和维护数据采集模块，故障采集模块用于采集故障发生时各个工作点的运行数据
Figure SMS_31
，维护数据采集模块用于采集维护人员数据
Figure SMS_32
和维护设备数据
Figure SMS_33
，故障采集模块包括分布在设备各个工作点的故障采集单元，维护数据采集模块包括维护人员数据采集单元和维护设备数据采集单元，维护人员数据采集单元用于采集维护人员数据
Figure SMS_34
，维护设备数据采集单元用于采集维护设备数据
Figure SMS_35
；
其中，云服务器端口包括故障信息提取模块、数据传输模块、维修统计模块、维修值计算模块、故障数据提取模块和维修关联特征查找模块，其中，故障信息提取模块用于通过故障监测组件获取故障发生信息，数据传输模块用于数据采集端口、云服务器端口和管理部门端口数据的互相传输，维修统计模块用于统计储存维修的方案，维修值计算模块用于计算维修人员和设备维修该故障的维修值
Figure SMS_36
，故障数据提取模块用于提取各个工作点在故障发生时的监测数据，维护关联特征查找模块用于查找维修该故障点的关联维修数据和该故障点的故障关联特征数据，同时计算故障关联点的故障概率值
Figure SMS_37
。
其中，管理部门端口包括维修关联特征提取单元、维修任务分配单元和维修数据提取单元，维修关联特征提取单元用于对查找的故障点的故障关联特征数据进行提取，维修数据提取单元用于对查找的故障点的关联维修数据进行提取，维修任务分配单元用于根据关联维修数据进行人员维修任务的分配。
其中，维护关联特征查找模块包括故障特征提取单元，故障特征提取单元用于提取故障前数据集合与安全数据集合之间的相差集合，集合方程式为：
Figure SMS_39
，其中A为相差集合
Figure SMS_45
，B为安全数据集合
Figure SMS_48
，C为故障前故障点数据集合
Figure SMS_40
，其中
Figure SMS_44
为
Figure SMS_47
中最接近
Figure SMS_50
的值，故障特征提取单元与故障特征向量获取单元连接，故障特征向量获取单元用于获取各个工作点的故障数据特征向量，故障数据特征向量的计算公式为：
Figure SMS_38
，其中，
Figure SMS_42
为相差权重集合
Figure SMS_46
，N为故障发生时各个工作点的运行数据
Figure SMS_49
，
Figure SMS_41
表示相乘，则求的D为
Figure SMS_43
。
其中，故障特征向量获取单元的输出端连接有故障概率值计算单元，故障概率值计算单元中包括故障关联点的定位策略，包括以下步骤：
S101、故障数据提取单元将故障采集模块采集的故障数据提取，并以故障点为圆心，以n个工位值画圆，提取圆范围内的取样值；
S102、将圆范围内的取样值带入包含由多个全连接层的故障数据提取器中，以得到多组取样数据特征向量；
S103、将多组取样数据特征向量按照二维排列为二维取样数据特征向量矩阵后，通过使用二维卷积的深度卷积神经网络模型以得到取样数据关联模型图；
S104、将取样模型关联模型图通过分类以得到各个故障数据的蔓延图，并计算各点的故障概率值，进而得到故障数据的起始点和故障数据在各工作点的变化情况，对故障关联点进行准确定位。
其中，故障概率值计算单元中还包括两个检测点之间的故障概率值
Figure SMS_51
的计算公式，
Figure SMS_52
，其中，
Figure SMS_53
为工作点运行数据中的第i项的数值，故障特征向量获取单元中还包括
Figure SMS_54
按照降序排列的过程，依次找出两个检测点之间段的故障概率，找出最大的故障概率段，即完成对故障关联点的定位。
通过本实施例能够实现：本发明通过设置的故障采集模块对设备各点的数据进行采集，对故障点设备异常数据进行提取，并提取故障点附件工位的取样值，将取样值带入包含由和工位值相同数量的全连接层组成的故障数据提取器中，以得到和故障点设备异常数据相同数量的取样数据特征向量，将多组取样数据特征向量按照二维排列为二维取样数据特征向量矩阵，通过使用二维卷积的深度卷积神经网络模型以得到取样数据关联模型图，将取样数据关联模型图通过分类得到各个故障数据的蔓延图，并引入故障概率值的概念，计算各点对故障数据的影响，进而得到故障数据的起始点和故障数据在个工作点的变化情况，以对多个故障关联点进行同时定位，并根据故障概率值大小对故障点进行按照重要度排列，以便于对多个故障关联点进行快速处理。
实施例2
实施例2主要用于维护人员数据采集单元对维护人员数据进行采集，同时维护设备数据采集单元对维护设备数据进行采集，带入维修数据计算单元进行计算，得出维护单元维修最佳值，并按照降序排列，将故障概率值和维护单元维修最佳值导入维修值计算模块，找到最佳的维护人员和维护设备的组合，并将维护任务、各点的故障概率值和各个故障数据的蔓延图分别传输至维护人员，便于快速对设备各点的故障进行维修和保养，具体方案为，如图1-图4所示，一种基于云计算的维修流程管理与控制系统，包括通过云网络连接的数据采集端口、云服务器端口和管理部门端口，数据采集端口用于对生产待监测设备进行多点数据采集，云服务端口用于对数据采集端口采集的数据进行计算，得出故障点关联数据、故障数据的具体位置和故障数据在各工作点的变化情况，对故障点进行准确定位，并对维修方案进行计算，得出最佳的维修方案，管理部门端口用于对云服务端口得出的维修方案数据和故障点关联数据进行提取储存，便于下次直接提取使用，同时依据维修方案对维修单元进行任务分配；
其中，数据采集端口包括故障采集模块和维护数据采集模块，故障采集模块用于采集故障发生时各个工作点的运行数据
Figure SMS_55
，维护数据采集模块用于采集维护人员数据
Figure SMS_56
和维护设备数据
Figure SMS_57
，故障采集模块包括分布在设备各个工作点的故障采集单元，维护数据采集模块包括维护人员数据采集单元和维护设备数据采集单元，维护人员数据采集单元用于采集维护人员数据
Figure SMS_58
，维护设备数据采集单元用于采集维护设备数据
Figure SMS_59
；
其中，云服务器端口包括故障信息提取模块、数据传输模块、维修统计模块、维修值计算模块、故障数据提取模块和维修关联特征查找模块，其中，故障信息提取模块用于通过故障监测组件获取故障发生信息，数据传输模块用于数据采集端口、云服务器端口和管理部门端口数据的互相传输，维修统计模块用于统计储存维修的方案，维修值计算模块用于计算维修人员和设备维修该故障的维修值
Figure SMS_60
，故障数据提取模块用于提取各个工作点在故障发生时的监测数据，维护关联特征查找模块用于查找维修该故障点的关联维修数据和该故障点的故障关联特征数据，同时计算故障关联点的故障概率值
Figure SMS_61
。
其中，管理部门端口包括维修关联特征提取单元、维修任务分配单元和维修数据提取单元，维修关联特征提取单元用于对查找的故障点的故障关联特征数据进行提取，维修数据提取单元用于对查找的故障点的关联维修数据进行提取，维修任务分配单元用于根据关联维修数据进行人员维修任务的分配。
其中，维护关联特征查找模块包括故障特征提取单元，故障特征提取单元用于提取故障前数据集合与安全数据集合之间的相差集合，集合方程式为：
Figure SMS_64
，其中A为相差集合
Figure SMS_67
，B为安全数据集合
Figure SMS_71
，C为故障前故障点数据集合
Figure SMS_63
，其中
Figure SMS_66
为
Figure SMS_69
中最接近
Figure SMS_72
的值，故障特征提取单元与故障特征向量获取单元连接，故障特征向量获取单元用于获取各个工作点的故障数据特征向量，故障数据特征向量的计算公式为：
Figure SMS_65
，其中，
Figure SMS_70
为相差权重集合
Figure SMS_73
，N为故障发生时各个工作点的运行数据
Figure SMS_74
，
Figure SMS_62
表示相乘，则求的D为
Figure SMS_68
。
其中，故障特征向量获取单元的输出端连接有故障概率值计算单元，故障概率值计算单元中包括故障关联点的定位策略，包括以下步骤：
S101、故障数据提取单元将故障采集模块采集的故障数据提取，并以故障点为圆心，以n个工位值画圆，提取圆范围内的取样值；
S102、将圆范围内的取样值带入包含由多个全连接层的故障数据提取器中，以得到多组取样数据特征向量；
S103、将多组取样数据特征向量按照二维排列为二维取样数据特征向量矩阵后，通过使用二维卷积的深度卷积神经网络模型以得到取样数据关联模型图；
S104、将取样模型关联模型图通过分类以得到各个故障数据的蔓延图，并计算各点的故障概率值，进而得到故障数据的起始点和故障数据在各工作点的变化情况，对故障关联点进行准确定位。
其中，故障概率值计算单元中还包括两个检测点之间的故障概率值
Figure SMS_77
的计算公式，
Figure SMS_80
，其中，
Figure SMS_83
为工作点运行数据中的第i项的数值，故障特征向量获取单元中还包括
Figure SMS_76
按照降序排列的过程，依次找出两个检测点之间段的故障概率，找出最大的故障概率段，即完成对故障关联点的定位；维护人员数据采集单元包括维护人员请假情况子单元、维护人员位置子单元、维护人员维护方向子单元和维护人员职务子单元，维护人员请假情况子单元用于采集维护人员的在岗情况
Figure SMS_79
，维护人员位置子单元用于采集维护人员相对于故障关联点的位置距离
Figure SMS_81
，维护人员维护方向子单元用于采集维护人员的维护关键点
Figure SMS_84
，其中，该人员维修该点为其专业，取1，为相近点维修人员取0.5，维护人员职务子单元用于采集维护人员的维修职务
Figure SMS_75
，其中，专业人员取1，实习人员取0.5，维护关联特征查找模块还包括维修数据提取单元和维修数据计算单元，维修数据提取单元用于提取维修模块的数据，维修数据计算单元用于对维修数据进行计算，得到附近维修人员的维修值
Figure SMS_78
，维修值的计算公式为：
Figure SMS_82
，对维修值进行降序排列，以得到最佳维修人员，维修数据计算单元与计算结果确定单元连接，计算结果确定单元对计算结果传送至管理部门确定方案，然后管理部门对云服务端口得出的维修方案数据和故障点关联数据进行提取储存，便于下次直接提取使用，同时依据维修方案对维修单元进行任务分配。
通过本实施例能够实现：维护人员数据采集单元对维护人员数据进行采集，同时维护设备数据采集单元对维护设备数据进行采集，带入维修数据计算单元进行计算，得出维护单元维修最佳值，并按照降序排列，将故障概率值和维护单元维修最佳值导入维修值计算模块，找到最佳的维护人员和维护设备的组合，并将维护任务、各点的故障概率值和各个故障数据的蔓延图分别传输至维护人员，便于快速对设备各点的故障进行维修和保养。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种基于云计算的维修流程管理与控制系统，其特征在于：包括通过云网络连接的数据采集端口、云服务器端口和管理部门端口，所述数据采集端口用于对生产待监测设备进行多点数据采集，所述云服务端口用于对数据采集端口采集的数据进行计算，得出故障点关联数据、故障数据的具体位置和故障数据在各工作点的变化情况，对故障点进行准确定位，并对维修方案进行计算，得出最佳的维修方案，所述管理部门端口用于对云服务端口得出的维修方案数据和故障点关联数据进行提取储存，便于下次直接提取使用，同时依据维修方案对维修单元进行任务分配；
所述数据采集端口包括故障采集模块和维护数据采集模块，所述故障采集模块用于采集故障发生时各个工作点的运行数据
Figure QLYQS_1
，所述维护数据采集模块用于采集维护人员数据
Figure QLYQS_2
和维护设备数据
Figure QLYQS_3
，所述故障采集模块包括分布在设备各个工作点的故障采集单元，所述维护数据采集模块包括维护人员数据采集单元和维护设备数据采集单元，所述维护人员数据采集单元用于采集维护人员数据
Figure QLYQS_4
，所述维护设备数据采集单元用于采集维护设备数据
Figure QLYQS_5
。
2.根据权利要求1所述的一种基于云计算的维修流程管理与控制系统，其特征在于：所述云服务器端口包括故障信息提取模块、数据传输模块、维修统计模块、维修值计算模块、故障数据提取模块和维修关联特征查找模块，其中，所述故障信息提取模块用于通过故障监测组件获取故障发生信息，所述数据传输模块用于数据采集端口、云服务器端口和管理部门端口数据的互相传输，所述维修统计模块用于统计储存维修的方案，所述维修值计算模块用于计算维修人员和设备维修该故障的维修值
Figure QLYQS_6
，所述故障数据提取模块用于提取各个工作点在故障发生时的监测数据，所述维护关联特征查找模块用于查找维修该故障点的关联维修数据和该故障点的故障关联特征数据，同时计算故障关联点的故障概率值
Figure QLYQS_7
。
3.根据权利要求2所述的一种基于云计算的维修流程管理与控制系统，其特征在于：所述管理部门端口包括维修关联特征提取单元、维修任务分配单元和维修数据提取单元，所述维修关联特征提取单元用于对查找的故障点的故障关联特征数据进行提取，所述维修数据提取单元用于对查找的故障点的关联维修数据进行提取，所述维修任务分配单元用于根据关联维修数据进行人员维修任务的分配。
4.根据权利要求3所述的一种基于云计算的维修流程管理与控制系统，其特征在于：所述维护关联特征查找模块包括故障特征提取单元，所述故障特征提取单元用于提取故障前数据集合与安全数据集合之间的相差集合，集合方程式为：
Figure QLYQS_9
，其中A为相差集合
Figure QLYQS_15
，B为安全数据集合
Figure QLYQS_20
，C为故障前故障点数据集合
Figure QLYQS_11
，其中
Figure QLYQS_13
为
Figure QLYQS_16
中最接近
Figure QLYQS_18
的值，所述故障特征提取单元与故障特征向量获取单元连接，所述故障特征向量获取单元用于获取各个工作点的故障数据特征向量，所述故障数据特征向量的计算公式为：
Figure QLYQS_8
，其中，
Figure QLYQS_14
为相差权重集合
Figure QLYQS_17
，N为故障发生时各个工作点的运行数据
Figure QLYQS_19
，
Figure QLYQS_10
表示相乘，则求的D为
Figure QLYQS_12
。
5.根据权利要求4所述的一种基于云计算的维修流程管理与控制系统，其特征在于：所述故障特征向量获取单元的输出端连接有故障概率值计算单元，故障概率值计算单元中包括故障关联点的定位策略，包括以下步骤：
S101、故障数据提取单元将故障采集模块采集的故障数据提取，并以故障点为圆心，以n个工位值画圆，提取圆范围内的取样值；
S102、将圆范围内的取样值带入包含由多个全连接层的故障数据提取器中，以得到多组取样数据特征向量；
S103、将多组取样数据特征向量按照二维排列为二维取样数据特征向量矩阵后，通过使用二维卷积的深度卷积神经网络模型以得到取样数据关联模型图；
S104、将取样模型关联模型图通过分类以得到各个故障数据的蔓延图，并计算各点的故障概率值，进而得到故障数据的起始点和故障数据在各工作点的变化情况，对故障关联点进行准确定位。
6.根据权利要求5所述的一种基于云计算的维修流程管理与控制系统，其特征在于：所述故障概率值计算单元中还包括两个检测点之间的故障概率值
Figure QLYQS_21
的计算公式，
Figure QLYQS_22
，其中，
Figure QLYQS_23
为工作点运行数据中的第i项的数值，所述故障特征向量获取单元中还包括
Figure QLYQS_24
按照降序排列的过程，依次找出两个检测点之间段的故障概率，找出最大的故障概率段，即完成对故障关联点的定位。
7.根据权利要求6所述的一种基于云计算的维修流程管理与控制系统，其特征在于：所述维护人员数据采集单元包括维护人员请假情况子单元、维护人员位置子单元、维护人员维护方向子单元和维护人员职务子单元，所述维护人员请假情况子单元用于采集维护人员的在岗情况
Figure QLYQS_25
，所述维护人员位置子单元用于采集维护人员相对于故障关联点的位置距离
Figure QLYQS_26
，所述维护人员维护方向子单元用于采集维护人员的维护关键点
Figure QLYQS_27
，所述维护人员职务子单元用于采集维护人员的维修职务
Figure QLYQS_28
，维护关联特征查找模块还包括维修数据提取单元和维修数据计算单元，所述维修数据提取单元用于提取维修模块的数据，所述维修数据计算单元用于对维修数据进行计算，得到附近维修人员的维修值
Figure QLYQS_29
，所述维修值的计算公式为：
Figure QLYQS_30
，对维修值进行降序排列，以得到最佳维修人员。
8.根据权利要求7所述的一种基于云计算的维修流程管理与控制系统，其特征在于：所述维修数据计算单元与计算结果确定单元连接，所述计算结果确定单元对计算结果传送至管理部门确定方案，然后管理部门对云服务端口得出的维修方案数据和故障点关联数据进行提取储存，便于下次直接提取使用，同时依据维修方案对维修单元进行任务分配。
CN202310055667.0A 2023-01-16 2023-01-16 一种基于云计算的维修流程管理与控制系统 Active CN115809869B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310055667.0A CN115809869B (zh) 2023-01-16 2023-01-16 一种基于云计算的维修流程管理与控制系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310055667.0A CN115809869B (zh) 2023-01-16 2023-01-16 一种基于云计算的维修流程管理与控制系统

Publications (2)

Publication Number Publication Date
CN115809869A true CN115809869A (zh) 2023-03-17
CN115809869B CN115809869B (zh) 2023-04-21

Family

ID=85487376

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310055667.0A Active CN115809869B (zh) 2023-01-16 2023-01-16 一种基于云计算的维修流程管理与控制系统

Country Status (1)

Country Link
CN (1) CN115809869B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934456A (zh) * 2019-01-29 2019-06-25 中国电力科学研究院有限公司 一种用于对采集运维系统进行智能故障检测的方法及系统
CN112067916A (zh) * 2019-09-20 2020-12-11 武汉理工大学 基于深度学习的时间序列数据智能故障诊断方法
CN112966882A (zh) * 2021-04-15 2021-06-15 四川中电启明星信息技术有限公司 一种基于时空全局匹配的配电网调度方法
CN113484738A (zh) * 2021-05-25 2021-10-08 北京航空航天大学 基于多特征信息融合的电路故障诊断方法
CN113759215A (zh) * 2021-10-18 2021-12-07 南京乐帆电气科技有限公司 基于物联网的电力故障检测系统及方法
CN113935497A (zh) * 2020-07-14 2022-01-14 京东方科技集团股份有限公司 智能运维故障处理方法、装置、设备及其存储介质
CN114399148A (zh) * 2021-12-01 2022-04-26 航天云网数据研究院(江苏)有限公司 一种基于大数据计算分析的设备维修调度系统
CN115345517A (zh) * 2022-09-06 2022-11-15 国网安徽省电力有限公司宣城供电公司 一种配电网故障抢修智能调度系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934456A (zh) * 2019-01-29 2019-06-25 中国电力科学研究院有限公司 一种用于对采集运维系统进行智能故障检测的方法及系统
CN112067916A (zh) * 2019-09-20 2020-12-11 武汉理工大学 基于深度学习的时间序列数据智能故障诊断方法
CN113935497A (zh) * 2020-07-14 2022-01-14 京东方科技集团股份有限公司 智能运维故障处理方法、装置、设备及其存储介质
CN112966882A (zh) * 2021-04-15 2021-06-15 四川中电启明星信息技术有限公司 一种基于时空全局匹配的配电网调度方法
CN113484738A (zh) * 2021-05-25 2021-10-08 北京航空航天大学 基于多特征信息融合的电路故障诊断方法
CN113759215A (zh) * 2021-10-18 2021-12-07 南京乐帆电气科技有限公司 基于物联网的电力故障检测系统及方法
CN114399148A (zh) * 2021-12-01 2022-04-26 航天云网数据研究院(江苏)有限公司 一种基于大数据计算分析的设备维修调度系统
CN115345517A (zh) * 2022-09-06 2022-11-15 国网安徽省电力有限公司宣城供电公司 一种配电网故障抢修智能调度系统

Also Published As

Publication number Publication date
CN115809869B (zh) 2023-04-21

Similar Documents

Publication Publication Date Title
CN113255795B (zh) 一种基于多指标集群分析的设备状态监测方法
CN112330490B (zh) 一种智慧水务综合信息处理平台
CN111508097B (zh) 场地巡检方法、装置、设备及存储介质
CN108333314B (zh) 一种空气污染智能监测系统
US20120271587A1 (en) Equipment status monitoring method, monitoring system, and monitoring program
CN109086470A (zh) 一种基于模糊偏好关系与d-s证据理论的故障诊断方法
CN116109010B (zh) 一种基于数字孪生技术的化工厂区智能运维系统
CN112734977B (zh) 一种基于物联网的设备风险预警系统及算法
CN108663084A (zh) 基于大数据处理的桥梁结构安全智能监测系统
CN115640915A (zh) 一种智慧燃气管网压缩机安全管理方法和物联网系统
CN106650746B (zh) 基于角度步长的变电站指针式仪表识别方法
CN107918629A (zh) 一种告警故障的关联方法和装置
CN113391239A (zh) 一种基于边缘计算的互感器异常监测方法与系统
CN110942221A (zh) 一种基于物联网的变电站故障快速修复方法
CN107290714B (zh) 一种基于多标识指纹定位的定位方法
CN115809833A (zh) 基于画像技术的基建项目智能监督方法、装置
CN115809869A (zh) 一种基于云计算的维修流程管理与控制系统
CN109388512A (zh) 针对大规模计算机集群异常程度的评估与分析系统
CN110049447A (zh) 一种基于位置信息的伙伴关系分析方法
CN110716528A (zh) 基于专家系统的大型液压机远程故障诊断方法与装置
CN113762115B (zh) 一种基于关键点检测的配网作业人员行为检测方法
CN114584585A (zh) 一种基于物联网的工业设备自诊断系统及方法
CN115938009A (zh) 一种智能电子巡检定位方法及系统
CN113610167B (zh) 基于度量学习与视觉感知的设备风险检测方法
CN115577968A (zh) 一种基于企业违章管理和自动违规判定的积分系统及方法

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
GR01 Patent grant
GR01 Patent grant