CN115936679B - 一种复杂系统的预测维修决策数字化方法和装置 - Google Patents

一种复杂系统的预测维修决策数字化方法和装置 Download PDF

Info

Publication number
CN115936679B
CN115936679B CN202310056292.XA CN202310056292A CN115936679B CN 115936679 B CN115936679 B CN 115936679B CN 202310056292 A CN202310056292 A CN 202310056292A CN 115936679 B CN115936679 B CN 115936679B
Authority
CN
China
Prior art keywords
maintenance
fault
time
potential
activity
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
Application number
CN202310056292.XA
Other languages
English (en)
Other versions
CN115936679A (zh
Inventor
王远航
丁小健
周健
尚斌
孙立军
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.)
China Electronic Product Reliability and Environmental Testing Research Institute
Original Assignee
China Electronic Product Reliability and Environmental Testing Research Institute
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 China Electronic Product Reliability and Environmental Testing Research Institute filed Critical China Electronic Product Reliability and Environmental Testing Research Institute
Priority to CN202310056292.XA priority Critical patent/CN115936679B/zh
Publication of CN115936679A publication Critical patent/CN115936679A/zh
Application granted granted Critical
Publication of CN115936679B publication Critical patent/CN115936679B/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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

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

Abstract

本发明公开了一种复杂系统的预测维修决策数字化方法和装置，所述方法包括：潜在故障确定步骤，根据系统的关键部件之间的故障传递关系，确定导致测点异常的所有潜在故障；维修活动路径图构建步骤，以每个潜在故障对应的多个维修环节的各维修活动为节点构建维修活动路径图；维修成本和耗时计算步骤，计算维修成本和维修耗时；预测维修决策步骤，通过获得最小的维修成本和维修耗时，确定最优的维修活动路径图和维修时刻。本发明能够针对复杂系统构建最优的预测维修决策。

Description

一种复杂系统的预测维修决策数字化方法和装置
技术领域
本发明属于先进制造技术领域，尤其涉及一种复杂系统的预测维修决策数字化方法和装置。
背景技术
随着军用民用装备的复杂化、信息化、智能化，装备的意外故障会导致军用装备的战备完好性降低、民用装备的运维成本提高，因此提高产品的设计可靠性，同时加强装备的预测与健康管理成为装备制造业的热点焦点。预测与健康管理（PHM, Prognosis andHealth Management）强调基于预测的健康和寿命管理技术，通过在线监测或定期测试等手段，感知装备的健康状态，预测未来的健康趋势和剩余寿命，进而确定最佳维修时机和维修对象。
然而，对于一个复杂系统而言，其关键零部件、分系统和设备众多，都会有各自的测点和预测结果，如何利用系统不同位置、不同部件的预测信息构建最优的维修方案成为亟待解决的关键问题。
发明内容
本发明的目的是提供一种复杂系统的预测维修决策数字化方法和装置、计算机设备、计算机可读存储介质，能够针对复杂系统构建最优的预测维修决策。
本发明的一个方面提供一种复杂系统的预测维修决策数字化方法，所述系统中设置有多个检测系统状态的测点，所述方法包括：
潜在故障确定步骤，根据系统的关键部件之间的故障传递关系，确定导致测点异常的所有潜在故障，所述测点异常是指测点的检测数据出现了预示系统潜在故障的异常；
维修活动路径图构建步骤，以每个潜在故障对应的多个维修环节的各维修活动为节点构建维修活动路径图，并将每个潜在故障对应的维修活动路径图中重复的维修活动节点合并，所述维修活动路径图表示为矩阵
Figure SMS_1
，其中/>
Figure SMS_2
为潜在故障p对应的维修环节q的维修活动路径，p≤m，q≤n，m为所有潜在故障的数量，n为维修环节的数量；
维修成本和耗时计算步骤，获得潜在故障p的故障时间分布
Figure SMS_3
，计算得到潜在故障p在维修时刻t的故障概率/>
Figure SMS_4
，使未经合并的维修活动o的故障概率/>
Figure SMS_5
，使经过合并的维修活动v的故障概率
Figure SMS_6
，如下计算针对测点i进行维修的维修成本/>
Figure SMS_7
和维修耗时/>
Figure SMS_8
：
Figure SMS_9
Figure SMS_10
Figure SMS_11
Figure SMS_12
其中，
Figure SMS_13
和/>
Figure SMS_17
分别表示维修环节q的维修成本和维修耗时，q=1,…,n，/>
Figure SMS_20
和/>
Figure SMS_14
分别表示维修活动路径/>
Figure SMS_18
的未经合并的维修活动o在故障概率/>
Figure SMS_21
下的维修成本和维修耗时，/>
Figure SMS_22
和
Figure SMS_15
分别表示维修活动路径/>
Figure SMS_16
的经过合并的维修活动v在故障概率
Figure SMS_19
下的维修成本和维修耗时；
预测维修决策步骤，通过获得最小的维修成本
Figure SMS_23
和维修耗时/>
Figure SMS_24
，确定最优的维修活动路径图和维修时刻。
优选地，在所述预测维修决策步骤中，采用动态规划算法，获得每个维修环节的最小的维修成本和维修耗时，从而确定最优的维修活动路径图和维修时刻。
优选地，在所述预测维修决策步骤中，对于与其它潜在故障不存在重复的维修活动节点的潜在故障，通过进行维修活动路径
Figure SMS_25
的枚举，获得最小的维修成本和维修耗时。
优选地，在所述潜在故障确定步骤中，根据系统的关键部件之间的故障传递关系，确定导致测点异常的所有潜在故障包括：
以系统的各关键部件为节点，以各关键部件之间的连接关系为对象，分析系统可能发生的故障模式，以测点异常为最终结果，构建基于故障传递关系的系统故障图谱；
根据系统故障图谱确定与测点异常相关的所有潜在故障。
优选地，在所述维修活动路径图构建步骤中，以每个潜在故障对应的多个维修环节的各维修活动为节点构建维修活动路径图包括：
使每个潜在故障对应一个维修子项、每个维修子项包括多个维修环节，所述维修环节是由多个维修活动组成的维修路径，以维修活动为节点，构建每个潜在故障对应的维修活动路径图。
优选地，所述维修环节包括以下5个：在线预测、在线调参、停机测试、拆机检修和备件更换，
在所述维修成本和耗时计算步骤中，通过在线预测获得潜在故障p的故障时间分布
Figure SMS_26
；
在所述预测维修决策步骤中，采用动态规划算法，逆向获得备件更换、拆机检修、停机测试和在线调参的最小维修成本
Figure SMS_27
和维修耗时/>
Figure SMS_28
。
优选地，所述测点包括进行在线监测的传感器测点和进行离线测试的接口测点。
本发明的另一个方面提供一种复杂系统的预测维修决策数字化装置，所述系统中设置有多个检测系统状态的测点，所述装置包括：
潜在故障确定模块，根据系统的关键部件之间的故障传递关系，确定导致测点异常的所有潜在故障，所述测点异常是指测点的检测数据出现了预示系统潜在故障的异常；
维修活动路径图构建模块，以每个潜在故障对应的多个维修环节的各维修活动为节点构建维修活动路径图，并将每个潜在故障对应的维修活动路径图中重复的维修活动节点合并，所述维修活动路径图表示为矩阵
Figure SMS_29
，其中/>
Figure SMS_30
为潜在故障p对应的维修环节q的维修活动路径，p≤m，q≤n，m为所有潜在故障的数量，n为维修环节的数量；
维修成本和耗时计算模块，获得潜在故障p的故障时间分布
Figure SMS_31
，计算得到潜在故障p在维修时刻t的故障概率/>
Figure SMS_32
，使未经合并的维修活动o的故障概率/>
Figure SMS_33
，使经过合并的维修活动v的故障概率
Figure SMS_34
，如下计算针对测点i进行维修的维修成本/>
Figure SMS_35
和维修耗时/>
Figure SMS_36
：
Figure SMS_37
Figure SMS_38
Figure SMS_39
Figure SMS_40
其中，
Figure SMS_42
和/>
Figure SMS_44
分别表示维修环节q的维修成本和维修耗时，q=1,…,n，/>
Figure SMS_47
和/>
Figure SMS_41
分别表示维修活动路径/>
Figure SMS_45
的未经合并的维修活动o在故障概率/>
Figure SMS_49
下的维修成本和维修耗时，/>
Figure SMS_50
和
Figure SMS_43
分别表示维修活动路径/>
Figure SMS_46
的经过合并的维修活动v在故障概率
Figure SMS_48
下的维修成本和维修耗时；
预测维修决策模块，通过获得最小的维修成本
Figure SMS_51
和维修耗时/>
Figure SMS_52
，确定最优的维修活动路径图和维修时刻。
本发明的又一个方面提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
本发明的又一个方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
根据本发明上述方面的复杂系统的预测维修决策数字化方法和装置、计算机设备、计算机可读存储介质，能够针对复杂系统构建最优的预测维修决策。
附图说明
为了更清楚地说明本发明的技术方案，下面将对本发明实施例的描述中所使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图：
图1是本发明一种实施方式的复杂系统的预测维修决策数字化方法的流程图。
图2是本发明一种实施方式的复杂系统的预测维修决策数字化装置的结构图。
图3是本发明一种实施方式的计算机设备的结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图，对本发明的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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。
本发明的实施方式提供一种复杂系统的预测维修决策数字化方法。这里的复杂系统既可以是功能复杂的单体装备，也可以是由多装备组成的复杂系统，系统中设置有多个检测系统状态的测点，测点的数据偏差往往预示着潜在故障的形成。所述测点包括进行在线监测的传感器实时测点和进行离线测试的测试接口测点等。
图1是本发明一种实施方式的复杂系统的预测维修决策数字化方法的流程图。如图1所示，本发明实施方式的复杂系统的预测维修决策数字化方法包括步骤S1-S4。
步骤S1：潜在故障确定步骤
在该步骤中，根据系统的关键部件之间的故障传递关系，确定导致测点异常的所有潜在故障，所述测点异常是指测点的检测数据出现了预示系统潜在故障的异常。在一个实施例中，为了确定导致测点异常的所有潜在故障，根据系统内部各关键部件之间的故障传递关系，构建测点驱动的系统故障图谱。
具体地，首先构建系统内部动力或信号传递信息的数字关系：利用节点代表各关键故障部件，用不同形式的有向边代表各节点之间的机械连接及其动力传动方向、电气连接和控制信号方向及其反馈等。
其次分析系统的故障模式：以关键部件节点、有向边为对象，分析系统可能发生的故障模式，例如在包括伺服电机和减速器的系统中，伺服电机可能出现轴承磨损、匝间短路、退磁等故障，伺服电机与减速器的机械连接可能出现不对中的故障等。
然后构建系统故障图谱：以测点异常为最终后果，构建基于故障传递关系的系统故障图谱。假设安装了检测伺服电机温度的传感器测点，当出现电机温升超过限值的测点异常时，可能存在环境高温、轴承过温、定子绕组过温、机壳过温等故障，而其中的轴承过温又可能由一系列的潜在故障引起。而且，故障之间的关联关系错综复杂，起因故障导致诱发故障，诱发故障又会成为下一级诱发故障的起因故障，甚至诱发故障又会恶化起因故障。如轴承磨损导致发热加速润滑挥发也加快绝缘老化，润滑失效加速轴承磨损，绝缘老化促进发热，又进一步导致电机发热等。
当出现测点异常时，根据系统故障图谱中的故障传递关系，确定与测点异常相关的所有潜在故障。在此过程中收集用于每个故障预测相关的特性参数、工况信息、测点信息。以伺服电机为例，特性参数包括功率、效率、控制/运动/力学模型参数、材料SN曲线等，工况信息包括各部件的转矩/转速等载荷剖面，测点信息包括部件的传感器监测点以及电气连接的测试接口等。
步骤S2：维修活动路径图构建步骤
在该步骤中，首先以每个潜在故障对应的多个维修环节的各维修活动为节点构建维修活动路径图，并将每个潜在故障对应的维修活动路径图中重复的维修活动节点合并。在一个实施例中，按照维修项目→维修子项→维修环节→维修活动进行分解，如下构建维修活动路径图。
当出现测点异常后，需要开展维修，一个测点异常对应一个维修项目。通过上述潜在故障确定步骤S1找到导致该测点异常的潜在故障，每个潜在故障对应一个维修子项，每个维修项目将会有多个并行的维修子项。使每个维修子项对应一个故障的维修任务，在一个实施例中，维修任务例如包括依次进行的在线预测→在线调参→停机测试→拆机检修→备件更换等5个维修环节。
其中，“在线预测”是根据该测点的检测数据，获得测点数据隐含的与该故障相关的信号特征，利用上述潜在故障确定步骤S1中收集的各类参数和数模驱动的退化建模方法，获得特征量持续恶化达到规定条件的时间，即故障时间分布，这里“规定条件”可以是故障恶化程度对应的特征量（比如电机轴承振动烈度阈值）或者是引起下一个严重故障的特征临界值（比如电机匝间短路恶化到接近相间短路）。
“在线调参”是在系统正常运行的条件下开展部分环境、负载等异常的确认或设备参数的调整等方式以消除故障。“停机测试”是设备停机但不拆机的状态下开展各个潜在故障的确认，该环节使故障完全定位，同时故障原因完全确认。“拆机检修”是拆机的条件下进行的故障维修，使故障修复，更新故障时间分布。“备件更换”是备件的更换、修复装回调试。每个维修子项是多个维修环节组成的流程图，必须从“在线预测”开始，按照在线调参→停机测试→拆机检修→备件更换的顺序进行，但可以包含其中的全部或者部分维修环节。
对于在线预测→在线调参→停机测试→拆机检修→备件更换的任何一个维修环节，进行维修活动划分，维修活动为一个维修环节中不能分割的一个或者若干个维修操作的合集，是维修部门具备的维修能力，且通常是一个维修级别的工人可以完成的。一个维修环节由若干维修活动组成，维修活动间包括逻辑判断执行，表示根据上一个维修活动的实际情况确定下一个维修活动，每个维修环节就是由多个维修活动组成的维修路径。
例如，对于维修子项“电机电磁噪声”的维修环节“停机测试”，其维修活动路径为：活动1（停机）→活动2（负载脱离）→活动3（空载通电，断电后电机旋转状态下检查噪声是否存在）→活动4（逻辑判断，存在则发生电磁噪声异常，进入“拆机检修”维修环节；不存在则未发生该故障，则结束）。
对于一个维修子项的在线预测→在线调参→停机测试→拆机检修→备件更换，每个维修环节可以有多种维修活动路径，如电磁噪声故障的停机测试方法有多种（如利用专门的电磁噪声测试装置），可以设置多条并行的维修活动路径，只要任选一条路径即可完成该维修环节。
每个潜在故障对应的维修子项选取各个维修环节的任一路径形成维修活动路径图，测点对应的维修项目通过合并相关维修子项的维修活动路径图即可形成。对于复杂系统，各个维修子项的路径图中会有多个维修活动重复，将重复的维修活动节点合并，形成最终的维修项目的活动路径图。
具体地，作为维修活动路径图的数字化构建方法，考虑一个维修环节可能有多个可行的维修活动路径图，构建矩阵
Figure SMS_53
，其中/>
Figure SMS_54
为故障p对应的维修子项第q个维修环节执行的维修活动路径数字码，p≤m，q≤n，m为所有潜在故障（维修子项）的数量，n为维修环节的数量。在上述实施例中，维修环节包括在线预测、在线调参、停机测试、拆机检修和备件更换等5个环节，n=5。将各个维修子项的路径图中重复的维修活动节点合并，形成最终的维修项目的维修活动路径图。矩阵/>
Figure SMS_55
定义了一个完整的维修活动路径图，预测维修决策就是寻找不同的/>
Figure SMS_56
以获得最小的维修成本和耗时。
步骤S3：维修成本和耗时计算步骤
在该步骤中，计算维修成本和维修耗时。假设在时刻t进行维修，如前所述根据“在线预测”获得潜在故障p的故障时间分布
Figure SMS_57
，例如利用测点信号，提取与故障相关的时频域等特征成分，利用Gamma等随机过程构建其故障特征退化规律，预测其故障时间分布。获得故障时间分布/>
Figure SMS_58
后，在时刻t对应的故障概率则为/>
Figure SMS_59
。同时，由于每个维修活动（节点）均有维修成本和耗时等属性，且与故障程度相关，因此将t时刻的故障p的概率/>
Figure SMS_60
赋予给对应的维修活动o，/>
Figure SMS_61
；而对于多个维修子项重复被合并的维修活动v，其值采用所有维修子项中故障概率的最大值
Figure SMS_62
。
单个维修项目（如测点i）的维修成本
Figure SMS_63
，按照维修环节计算/>
Figure SMS_64
：
Figure SMS_65
Figure SMS_66
其中，
Figure SMS_67
表示维修环节q的维修成本，q=1,…,n，/>
Figure SMS_68
表示维修活动路径/>
Figure SMS_69
的未经合并的维修活动o在故障概率/>
Figure SMS_70
下的维修成本，
Figure SMS_71
表示维修活动路径/>
Figure SMS_72
的经过合并的维修活动v在故障概率/>
Figure SMS_73
下的维修成本。
同理，按照维修环节计算维修耗时
Figure SMS_74
：
Figure SMS_75
Figure SMS_76
其中，
Figure SMS_77
表示维修环节q的维修耗时，q=1,…,n，/>
Figure SMS_78
表示维修活动路径/>
Figure SMS_79
的未经合并的维修活动o在故障概率/>
Figure SMS_80
下的维修耗时，
Figure SMS_81
表示维修活动路径/>
Figure SMS_82
的经过合并的维修活动v在故障概率/>
Figure SMS_83
下的维修耗时。
步骤S4：预测维修决策步骤
在该步骤中，通过获得最小的维修成本
Figure SMS_84
和维修耗时/>
Figure SMS_85
，确定最优的维修活动路径图和维修时刻。
可以采用动态规划算法，获得每个维修环节的最小的维修成本
Figure SMS_86
和维修耗时/>
Figure SMS_87
，从而确定最优的维修活动路径图和维修时刻。动态规划算法是分段寻求最短路径的常用算法，在上述实施例中，逆向获得备件更换→拆机检修→停机测试→在线调参的最小/>
Figure SMS_88
和/>
Figure SMS_89
，对应确定最优的维修活动路径图和维修时间。
在上述的复杂系统的预测维修决策中，当出现潜在故障p只有1个的情形，或者虽然存在多个潜在故障，但某个潜在故障p是“独立”的，与其他故障的路径图没有重复节点，则可采用单故障的维修决策方法进行决策（利用枚举的方法）。
具体地，例如在上述n=5的实施例中，由于一个维修环节可能有多个可行的维修活动路径图，对其进行数字编码，可将上述矩阵
Figure SMS_91
构建为/>
Figure SMS_95
，
Figure SMS_98
通过数字码决定了维修活动路径图。假设在时间t进行维修，根据在线预测获得潜在故障p的故障时间分布/>
Figure SMS_92
，在时间t对应的故障概率为/>
Figure SMS_94
。利用
Figure SMS_97
和/>
Figure SMS_99
分别表示/>
Figure SMS_90
对应维修路径图中第o个维修活动在故障程度pr下的维修成本和耗时，那么，故障维修子项p的维修成本为：
Figure SMS_93
，维修耗时为：
Figure SMS_96
。
构建单故障的维修决策模型，如
Figure SMS_100
，通过不同/>
Figure SMS_101
枚举，分析/>
Figure SMS_102
随时间t的函数规律，最终可以获得成本和耗时期望最小的维修时机和维修路径图。
综上所述，不同于现有的多数的维修决策方法是基于多部件或多故障来进行维修决策，本发明实施方式的复杂系统的预测维修决策数字化方法是基于多测点的预测结果，结合维修过程中多潜在故障的维修活动的数字化，进行维修决策优化，从而能够针对复杂系统构建最优的预测维修决策，为装备运维数字化系统的构建提供技术支撑。
本发明的实施方式还提供一种复杂系统的预测维修决策数字化装置。图2是本发明一种实施方式的复杂系统的预测维修决策数字化装置的结构图。如图2所示，本实施方式的复杂系统的预测维修决策数字化装置，所述系统中设置有多个检测系统状态的测点，所述装置包括：
潜在故障确定模块101，根据系统的关键部件之间的故障传递关系，确定导致测点异常的所有潜在故障，所述测点异常是指测点的检测数据出现了预示系统潜在故障的异常；
维修活动路径图构建模块102，以每个潜在故障对应的多个维修环节的各维修活动为节点构建维修活动路径图，并将每个潜在故障对应的维修活动路径图中重复的维修活动节点合并，所述维修活动路径图表示为矩阵
Figure SMS_103
，其中/>
Figure SMS_104
为潜在故障p对应的维修环节q的维修活动路径，p≤m，q≤n，m为所有潜在故障的数量，n为维修环节的数量；
维修成本和耗时计算模块103，获得潜在故障p的故障时间分布
Figure SMS_105
，计算得到潜在故障p在维修时刻t的故障概率/>
Figure SMS_106
，使未经合并的维修活动o的故障概率/>
Figure SMS_107
，使经过合并的维修活动v的故障概率
Figure SMS_108
，如下计算针对测点i进行维修的维修成本/>
Figure SMS_109
和维修耗时/>
Figure SMS_110
：
Figure SMS_111
Figure SMS_112
Figure SMS_113
Figure SMS_114
其中，
Figure SMS_115
和/>
Figure SMS_119
分别表示维修环节q的维修成本和维修耗时，q=1,…,n，/>
Figure SMS_121
和/>
Figure SMS_116
分别表示维修活动路径/>
Figure SMS_120
的未经合并的维修活动o在故障概率/>
Figure SMS_122
下的维修成本和维修耗时，/>
Figure SMS_124
和
Figure SMS_117
分别表示维修活动路径/>
Figure SMS_118
的经过合并的维修活动v在故障概率
Figure SMS_123
下的维修成本和维修耗时；
预测维修决策模块104，通过获得最小的维修成本
Figure SMS_125
和维修耗时/>
Figure SMS_126
，确定最优的维修活动路径图和维修时刻。
本实施方式的复杂系统的预测维修决策数字化装置的具体实施例可以参见上文中对于复杂系统的预测维修决策数字化方法的限定，在此不再赘述。上述复杂系统的预测维修决策数字化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。
本发明的实施方式还提供一种计算机设备，该计算机设备可以是服务器，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、存储器和网络接口。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非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储各个框架的运行参数数据。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。该计算机程序被处理器执行时以实现本实施方式的复杂系统的预测维修决策数字化方法的步骤。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本发明的实施方式还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现本发明实施方式的复杂系统的预测维修决策数字化方法的步骤。
以上只通过说明的方式描述了本发明的某些示范性实施例，毋庸置疑，对于本领域的普通技术人员，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，不应理解为对本发明权利要求保护范围的限制。

Claims (10)

1.一种复杂系统的预测维修决策数字化方法，所述系统中设置有多个检测系统状态的测点，其特征在于，所述方法包括：
潜在故障确定步骤，根据系统的关键部件之间的故障传递关系，确定导致测点异常的所有潜在故障，所述测点异常是指测点的检测数据出现了预示系统潜在故障的异常；
维修活动路径图构建步骤，以每个潜在故障对应的多个维修环节的各维修活动为节点构建维修活动路径图，并将每个潜在故障对应的维修活动路径图中重复的维修活动节点合并，所述维修活动路径图表示为矩阵
Figure QLYQS_1
，其中/>
Figure QLYQS_2
为潜在故障p对应的维修环节q的维修活动路径，p≤m，q≤n，m为所有潜在故障的数量，n为维修环节的数量；
维修成本和耗时计算步骤，获得潜在故障p的故障时间分布
Figure QLYQS_3
，计算得到潜在故障p在维修时刻t的故障概率/>
Figure QLYQS_4
，使未经合并的维修活动o的故障概率
Figure QLYQS_5
，使经过合并的维修活动v的故障概率/>
Figure QLYQS_6
，如下计算针对测点i进行维修的维修成本/>
Figure QLYQS_7
和维修耗时/>
Figure QLYQS_8
：
Figure QLYQS_9
Figure QLYQS_10
Figure QLYQS_11
Figure QLYQS_12
其中，
Figure QLYQS_13
和/>
Figure QLYQS_17
分别表示维修环节q的维修成本和维修耗时，q=1,…,n，
Figure QLYQS_21
和/>
Figure QLYQS_14
分别表示维修活动路径/>
Figure QLYQS_16
的未经合并的维修活动o在故障概率/>
Figure QLYQS_19
下的维修成本和维修耗时，/>
Figure QLYQS_22
和
Figure QLYQS_15
分别表示维修活动路径/>
Figure QLYQS_18
的经过合并的维修活动v在故障概率
Figure QLYQS_20
下的维修成本和维修耗时；
预测维修决策步骤，通过获得最小的维修成本
Figure QLYQS_23
和维修耗时/>
Figure QLYQS_24
，确定最优的维修活动路径图和维修时刻。
2.如权利要求1所述的方法，其特征在于，在所述预测维修决策步骤中，采用动态规划算法，获得每个维修环节的最小的维修成本和维修耗时，从而确定最优的维修活动路径图和维修时刻。
3.如权利要求1所述的方法，其特征在于，在所述预测维修决策步骤中，对于与其它潜在故障不存在重复的维修活动节点的潜在故障，通过进行维修活动路径
Figure QLYQS_25
的枚举，获得最小的维修成本和维修耗时。
4.如权利要求1-3中任一项所述的方法，其特征在于，在所述潜在故障确定步骤中，根据系统的关键部件之间的故障传递关系，确定导致测点异常的所有潜在故障包括：
以系统的各关键部件为节点，以各关键部件之间的连接关系为对象，分析系统可能发生的故障模式，以测点异常为最终结果，构建基于故障传递关系的系统故障图谱；
根据系统故障图谱确定与测点异常相关的所有潜在故障。
5.如权利要求1-3中任一项所述的方法，其特征在于，在所述维修活动路径图构建步骤中，以每个潜在故障对应的多个维修环节的各维修活动为节点构建维修活动路径图包括：
使每个潜在故障对应一个维修子项、每个维修子项包括多个维修环节，所述维修环节是由多个维修活动组成的维修路径，以维修活动为节点，构建每个潜在故障对应的维修活动路径图。
6.如权利要求1-3中任一项所述的方法，其特征在于，所述维修环节包括以下5个：在线预测、在线调参、停机测试、拆机检修和备件更换，
在所述维修成本和耗时计算步骤中，通过在线预测获得潜在故障p的故障时间分布
Figure QLYQS_26
；
在所述预测维修决策步骤中，采用动态规划算法，逆向获得备件更换、拆机检修、停机测试和在线调参的最小维修成本
Figure QLYQS_27
和维修耗时/>
Figure QLYQS_28
。
7.如权利要求1-3中任一项所述的方法，其特征在于，所述测点包括进行在线监测的传感器测点和进行离线测试的接口测点。
8.一种复杂系统的预测维修决策数字化装置，所述系统中设置有多个检测系统状态的测点，其特征在于，所述装置包括：
潜在故障确定模块，根据系统的关键部件之间的故障传递关系，确定导致测点异常的所有潜在故障，所述测点异常是指测点的检测数据出现了预示系统潜在故障的异常；
维修活动路径图构建模块，以每个潜在故障对应的多个维修环节的各维修活动为节点构建维修活动路径图，并将每个潜在故障对应的维修活动路径图中重复的维修活动节点合并，所述维修活动路径图表示为矩阵
Figure QLYQS_29
，其中/>
Figure QLYQS_30
为潜在故障p对应的维修环节q的维修活动路径，p≤m，q≤n，m为所有潜在故障的数量，n为维修环节的数量；
维修成本和耗时计算模块，获得潜在故障p的故障时间分布
Figure QLYQS_31
，计算得到潜在故障p在维修时刻t的故障概率/>
Figure QLYQS_32
，使未经合并的维修活动o的故障概率
Figure QLYQS_33
，使经过合并的维修活动v的故障概率/>
Figure QLYQS_34
，如下计算针对测点i进行维修的维修成本/>
Figure QLYQS_35
和维修耗时/>
Figure QLYQS_36
：
Figure QLYQS_37
Figure QLYQS_38
Figure QLYQS_39
Figure QLYQS_40
其中，
Figure QLYQS_42
和/>
Figure QLYQS_45
分别表示维修环节q的维修成本和维修耗时，q=1,…,n，
Figure QLYQS_48
和/>
Figure QLYQS_43
分别表示维修活动路径/>
Figure QLYQS_44
的未经合并的维修活动o在故障概率/>
Figure QLYQS_47
下的维修成本和维修耗时，/>
Figure QLYQS_50
和
Figure QLYQS_41
分别表示维修活动路径/>
Figure QLYQS_46
的经过合并的维修活动v在故障概率
Figure QLYQS_49
下的维修成本和维修耗时；
预测维修决策模块，通过获得最小的维修成本
Figure QLYQS_51
和维修耗时/>
Figure QLYQS_52
，确定最优的维修活动路径图和维修时刻。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法的步骤。
CN202310056292.XA 2023-01-13 2023-01-13 一种复杂系统的预测维修决策数字化方法和装置 Active CN115936679B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310056292.XA CN115936679B (zh) 2023-01-13 2023-01-13 一种复杂系统的预测维修决策数字化方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310056292.XA CN115936679B (zh) 2023-01-13 2023-01-13 一种复杂系统的预测维修决策数字化方法和装置

Publications (2)

Publication Number Publication Date
CN115936679A CN115936679A (zh) 2023-04-07
CN115936679B true CN115936679B (zh) 2023-06-16

Family

ID=86550914

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310056292.XA Active CN115936679B (zh) 2023-01-13 2023-01-13 一种复杂系统的预测维修决策数字化方法和装置

Country Status (1)

Country Link
CN (1) CN115936679B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503813A (zh) * 2016-10-27 2017-03-15 清华大学 基于起重装备工作状态的预测性维修决策方法及系统
CN109887122A (zh) * 2019-02-19 2019-06-14 南京洛普股份有限公司 一种船闸机电故障远程智能诊断方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105096053B (zh) * 2015-08-14 2018-11-09 哈尔滨工业大学 一种适用于复杂工艺系统的健康管理决策方法
EP3844690A1 (en) * 2018-08-27 2021-07-07 BASF Corporation Method and system to digitally track and monitor an automotive refinish repair process
CN110276147B (zh) * 2019-06-24 2020-02-11 广东工业大学 一种基于数字孪生模型的制造系统故障溯源方法、系统
CN113435613B (zh) * 2021-08-26 2021-12-31 北京航空航天大学 一种面向多维修事件的机会维修决策方法
CN115238920A (zh) * 2022-07-08 2022-10-25 浙江浙能台州第二发电有限责任公司 一种通过预警模式关联部件故障原因的维修分析方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503813A (zh) * 2016-10-27 2017-03-15 清华大学 基于起重装备工作状态的预测性维修决策方法及系统
CN109887122A (zh) * 2019-02-19 2019-06-14 南京洛普股份有限公司 一种船闸机电故障远程智能诊断方法及系统

Also Published As

Publication number Publication date
CN115936679A (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
Lechevalier et al. Towards a domain-specific framework for predictive analytics in manufacturing
Huang et al. A fault analysis method for three‐phase induction motors based on spiking neural P systems
Wang et al. Condition-based maintenance with scheduling threshold and maintenance threshold
CN111796953A (zh) 故障预测装置及方法、存储介质、模型的学习及生成方法
Welte et al. Models for lifetime estimation: an overview with focus on applications to wind turbines
Wang et al. A de-ambiguous condition monitoring scheme for wind turbines using least squares generative adversarial networks
Dehayem Nodem et al. Production planning and repair/replacement switching policy for deteriorating manufacturing systems
EP4033390A1 (en) System and method for fault prediction and management of an asset
Duan et al. Optimal multi-level condition-based maintenance policy for multi-unit systems under economic dependence
Khoury et al. On the Use of Time‐Limited Information for Maintenance Decision Support: A Predictive Approach under Maintenance Constraints
CN115562225A (zh) 工业机器人运维管理方法、装置、计算机设备和存储介质
Mousavi et al. Simultaneous optimization of repair and control-limit policy in condition-based maintenance
Salari et al. Application of Markov renewal theory and semi‐Markov decision processes in maintenance modeling and optimization of multi‐unit systems
Zhang et al. Condition based maintenance and operation of wind turbines
CN115936679B (zh) 一种复杂系统的预测维修决策数字化方法和装置
CN117435883A (zh) 一种基于数字孪生的设备故障预测的方法和系统
Janier et al. Condition monitoring system for induction motor using fuzzy logic tool
Wang Modelling the probability assessment of system state prognosis using available condition monitoring information
CN116258467A (zh) 一种电力施工管控系统
US20240035445A1 (en) Systems and methods for estimating future risk of failure of a wind turbine component using machine learning
Shahanaghi et al. A new condition based maintenance model with random improvements on the system after maintenance actions: Optimizing by Monte Carlo simulation
Awad Fault detection of fuel systems using polynomial regression profile monitoring
CN115456041A (zh) 设备故障预警方法及装置、计算设备和存储介质
CN112613613B (zh) 一种基于脉冲神经膜系统的三相感应电动机故障分析方法
Shi et al. A Dynamic Maintenance Strategy for Multi-Component Systems Using a Genetic Algorithm.

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