CN116258482B - 一种自动选择维修方案的方法、服务器、电子设备 - Google Patents
一种自动选择维修方案的方法、服务器、电子设备 Download PDFInfo
- Publication number
- CN116258482B CN116258482B CN202310546587.5A CN202310546587A CN116258482B CN 116258482 B CN116258482 B CN 116258482B CN 202310546587 A CN202310546587 A CN 202310546587A CN 116258482 B CN116258482 B CN 116258482B
- Authority
- CN
- China
- Prior art keywords
- maintenance
- time
- equipment
- bearings
- bearing
- 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
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
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Abstract
本发明提供一种自动选择维修方案的方法、服务器、电子设备。通过监测设备轴承的状态,得到轴承故障诊断结果,生成设备轴承状态数据集,对设备安全性评分;若评分值不小于第一预设值,根据设备轴承状态数据集确定多个可选维修方案,各可选维修方案包括的参数为:本次不维修的轴承数量、轻度维修的轴承数量、重度维修的轴承数量及在时间t后不维修的轴承数量、轻度维修的轴承数量、重度维修的轴承数量;计算每个可选维修方案的本次维修的维修损耗、生产损耗、时间t后进行维修的维修损耗、生产损耗之和,作为经济效益损失值;从中选择经济效益损失值最小的方案作为最终的维修方案。实施本申请的技术方案,达到了降低维修经济效益损失的效果。
Description
技术领域
本申请涉及机械维修技术领域,具体涉及一种自动选择维修方案的方法、服务器、电子设备。
背景技术
随着工业的发展,机械设备越来越多的应用于工业生产的各个领域。轴承作为机械设备的关键零件,在设备的长期运行中容易出现磨损、故障等问题。
目前,在轴承出现问题后,需要人工根据故障情况来确定维修方案,维修方案的选择依赖于检修工人的经验。不同于其他零件,对于机械轴承而言,有些轴承虽然出现了一定程度的故障,但不影响其正常使用,或是经过轻微程度的维修后,仍然可以正常使用。不同程度的维修方案维修损耗不同,停机检修带来的生产损耗也不同,人工根据经验选择的维修方案无法考虑到上述情况。
因此,依靠人工确定的维修方案,往往经济效益上的损失较高。
发明内容
本申请提供了一种自动选择维修方案的方法、服务器、电子设备,具有降低维修设备的经济效益损失的效果。
第一方面,本申请提供了一种自动选择维修方案的方法,该方法包括:
获取设备轴承的运行数据;
对轴承的运行数据进行预处理;
将预处理后的轴承运行数据输入故障预测模型,得到每个轴承的故障诊断结果,生成设备轴承状态数据集;
根据设备轴承状态数据集,对设备的安全性进行评分,得到设备的安全性评分值;
判断设备的安全性评分值是否大于第一预设值;
若设备的安全性评分值大于或等于第一预设值,根据设备轴承状态数据集确定多个可选维修方案,其中,各可选维修方案至少包括的参数为:本次不维修的轴承数量、本次轻度维修的轴承数量、本次重度维修的轴承数量、在时间t后不维修的轴承数量、在时间t后轻度维修的轴承数量、在时间t后重度维修的轴承数量;
计算每个可选维修方案的效益损失值,维修方案的效益损失值包括本次维修的维修损耗、本次维修的生产损耗、时间t后进行维修的维修损耗、时间t后进行维修的生产损耗之和;
从多个可选维修方案中选择经济效益损失值最小的方案作为最终的维修方案。
通过采用上述技术方案,对轴承的运行数据进行监测,监控轴承的健康状态,并根据设备的各个轴承的状态,自动确定出可选的维修方案,对轴承进行分阶段、分程度维修,使得在轴承可以继续工作时能得到充分的使用,防止发现轴承故障时立刻维修带来的维修资源浪费,并且通过对维修方案的维修损耗和生产损耗的评估,从中自动选择总体经济效益损耗值最小的维修方案,尽可能减少在生产旺季停止生产活动的时间,提高了生产过程中的平均生产效率。本方案充分考虑到了维修造成的生产价值上的损失,从中自动选择总经济成本最低的维修方案,有效降低了维修的总经济成本。
可选的,所述根据设备轴承状态数据集,对设备的安全性进行评分,包括:
获取当前设备类型信息;
判断当前设备是否为预设类型的设备;
若判断结果为是,提示工作人员该设备需要立即进行维修;
若判断结果为否,将设备轴承状态数据集输入到安全评估模型,对设备的安全性进行评分。
通过采用上述技术方案,在选择维修方案之前,利用设备的轴承状态数据对设备的安全性进行评估,只有设备足够安全时,才选择延迟维修的方案,防止延迟维修可能造成的安全隐患,兼顾了维修方案的安全性和经济性。
可选的,该方法还包括,将最终维修方案存储在数据库中,根据最终选择的维修方案,在达到时间t之前预设时间内向工作人员发送提示消息,提示即将要进行设备维修。
通过采用上述技术方案,可以在达到时间t之前预设时间内向工作人员发送提示消息,提示即将要进行设备维修,以便工作人员提前安排检修人员来进行设备维修以及提前安排生产任务。
可选的,所述根据设备轴承状态数据集确定多个可选维修方案包括:
将设备轴承状态数据集输入维修方案模型,输出多种可选维修方案;
将可选维修方案分别输入风险预测模型,预测未来出现需要立即维修的故障的概率、故障类型、安全风险;
判断对每个可选方案预测出的安全风险值是否超过风险阈值;
若安全风险值大于或等于风险阈值,将安全风险值超过风险阈值的方案从可选维修方案中筛除。
通过采用上述技术方案,本申请可选维修方案进行安全风险预测,筛除安全风险较高的方案,防止延迟维修可能造成的安全隐患,兼顾了维修方案的安全性和经济性。
可选的,各可选维修方案包括的参数为:本次不维修轴承的数量为x1,轻度维修的轴承数量为x2,重度维修的轴承数量为x3,经过时间t1之后,轻度维修轴承的数量为x4,重度维修轴承的数量为x5,经过时间t2之后,轻度维修轴承的数量x6,重度维修轴承的数量为x7,其中t1<t2。
通过采用上述技术方案,根据设备的各个轴承的状态和生产淡季的时间,自动确定出可选的维修方案,对轴承进行分阶段、分程度维修,使得在故障轴承可以继续工作时能得到充分的使用,防止发现轴承故障时立刻维修带来的维修资源浪费。
可选的,计算每个维修方案的经济效益损失值Q的方法包括:
其中,本次每个维修的轴承的损耗为F1(n)、本次维修的生产损耗为M1,时间t后进行维修的每个轴承的维修损耗F2(n)、时间t后进行维修的生产损耗M2,出现需要立即维修的故障后进行维修的生产损耗M3,n1表示第一次维修的轴承的数量,n2表示第二次维修的轴承的数量,n表示待维修的轴承的编号,/>, D1(n)表示维修所需的耗材损耗,G1(n)表示对该轴承进行相应程度维修的难度系数,T1(n)表示维修该轴承的平均耗时,s表示需要支付给维修工人的单位时间内的薪资;
,/>表示本次维修设备需要停机的总时间,m1表示单位时间内生产效益值;
,D2(n)表示维修所需的耗材费用,G2(n)表示表示对该轴承进行相应程度维修的难度系数,T2(n)表示维修该轴承的平均耗时,s表示需要支付给维修工人的单位时间内的薪资;
,表示经过时间t之后维修设备需要停机的时间,m2表示时间t内单位时间内生产效益值,
,Δu表示产品不合格率的增加值,u2表示时间t后的产品不合格率预测值,u1表示本次维修前产品的不合格率值;
,t3表示出现需要立即维修的故障后,预测维修设备需要停机的时间;m3表示出现需要立即维修的实际段内,单位时间内生产效益值;p表示出现需要立即维修的故障的概率。
通过采用上述技术方案,本申请维修方案的效益损失值包括本次维修的维修损耗、本次维修的生产损耗、时间t后进行维修的维修损耗、时间t后进行维修的生产损耗之和,对每个维修方案的经济效益损失值进行精确的计算,提高了选择经济型维修方案的准确性。
在本申请的第二方面提供了一种自动选择维修方案的服务器,该服务器,包括:
数据获取模块:获取设备轴承的运行数据;
预处理模块:对轴承的运行数据进行预处理;
故障预测模块:将预处理后的轴承运行数据输入故障预测模型,得到每个轴承的故障诊断结果,生成设备轴承状态数据集;
安全评估模块:根据设备轴承状态数据集,对设备的安全性进行评分,得到设备的安全性评分值;
判断模块:判断设备的安全性评分值是否大于第一预设值;
告警模块:当安全性评分值大于或等于第一预设值时,服务器发出提示信息,提示设备需要立即维修;
方案生成模块:当安全性评分值大于或等于第一预设值时,将设备轴承状态数据集输入维修方案模型,输出多个可选维修方案,其中各可选维修方案至少包括的参数为:本次不维修的轴承数量、本次轻度维修的轴承数量、本次重度维修的轴承数量、在时间t后不维修的轴承数量、在时间t后轻度维修的轴承数量、在时间t后重度维修的轴承数量;
计算模块:计算每个可选维修方案的效益损失值,维修方案的效益损失值包括本次维修的维修损耗、本次维修的生产损耗、时间t后进行维修的维修损耗、时间t后进行维修的生产损耗之和;
确定模块:从多个可选维修方案中选择经济效益损失值最小的方案作为最终的维修方案。
可选的,该服务器还包括:存储模块:用于将设备轴承状态数据集、多个维修方案及相应的经济效益损失值、本次最终选择的维修方案记录在数据库中;
计时模块:用于监测是否到维修方案中预设的维修时间t之前的预设时间点;
提示模块:用于在计时模块监测到维修方案中预设的维修时间t之前的预设时间点时,向工作人员发送提示消息,提示即将要进行设备维修。
通过服务器对轴承的运行数据进行监测,监控轴承的健康状态,并根据设备的各个轴承的状态,自动确定出可选的维修方案,对轴承进行分阶段、分程度维修,使得在轴承可以继续工作时能得到充分的使用,防止发现轴承故障时立刻维修带来的维修资源浪费,并且通过对维修方案的维修损耗和生产损耗的评估,从中自动选择总体经济效益损耗值最小的维修方案,尽可能减少在生产旺季停止生产活动的时间,提高了生产过程中的平均生产效率。本方案充分考虑到了维修造成的生产价值上的损失,从中自动选择总经济成本最低的维修方案,有效降低了维修的总经济成本。
在本申请的第三方面提供了一种电子设备,该电子设备包括处理器、存储器,所述存储器用于存储指令,所述处理器用于执行所述存储器中存储的指令,以使所述电子设备执行如上述任意一项所述的方法。
在本申请的第四方面提供了一种计算机可读存储介质,该可读存储介质中存储有执行指令,所述执行指令被处理器执行时用于实现上述任一项所述的方法。
综上所述,本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1、通过对轴承的运行数据进行监测,监控轴承的健康状态,并根据设备的各个轴承的状态,自动确定出可选的维修方案,对轴承进行分阶段、分程度维修,使得在轴承可以继续工作时能得到充分的使用,防止发现轴承故障时立刻维修带来的维修资源浪费,并且通过对维修方案的维修损耗和生产损耗的评估,从中自动选择总体经济效益损耗值最小的维修方案,尽可能减少在生产旺季停止生产活动的时间,提高了生产过程中的平均生产效率。本方案充分考虑到了维修造成的生产价值上的损失,从中自动选择总经济成本最低的维修方案,有效降低了维修的总经济成本。
2、一方面,本申请并不是一味考虑降低维修经济效益上的损失,而是在选择维修方案之前,利用设备的轴承状态数据对设备的安全性进行评估,只有设备足够安全时,才选择延迟维修的方案;另一方面,本申请可选维修方案进行安全风险预测,筛除安全风险较高的方案。通过上述技术手段,防止延迟维修可能造成的安全隐患,兼顾了维修方案的安全性和经济性;
3、本申请维修方案的经济效益损失值包括本次维修的维修损耗、生产损耗及时间t后进行维修的维修损耗、生产损耗之和,对每个维修方案的经济效益损失值进行精确的计算,提高了选择经济型维修方案的准确性。
附图说明
图1是本申请实施例提供的一种自动选择维修方案的方法的流程示意图。
图2是本申请实施例提供的一种评估设备安全性的方法的流程示意图。
图3是本申请实施例提供的一种选择维修方案的流程示意图。
图4是本申请实施例公开的一种自动选择维修方案的服务器的结构示意图。
图5是本申请实施例的公开的一种电子设备的结构示意图。
附图标记说明: 500、电子设备;501、处理器;502、通信总线;503、用户接口;504、网络接口;505、存储器。
具体实施方式
为了使本领域的技术人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。
在本申请实施例的描述中,术语“多个”的含义是指两个或两个以上。例如,多个系统是指两个或两个以上的系统,多个屏幕终端是指两个或两个以上的屏幕终端。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
在对本申请实施例进行介绍之前,首先对本申请实施例中涉及的一些名词进行定义和说明。
本申请提供的技术方案可以应用于对具有轴承的机械设备的维修的场景中。
轴承是机械设备的一种重要零部件,主要功能是支撑机械旋转体,降低其运动过程中的摩擦系数,保证回转精度。轴承被广泛应用于工业机床、冶金、风电、矿山机械、航天、汽车等各个领域的机械设备上,一般分为滚动轴承、滑动轴承、关节轴承、组合轴承、直线轴承等。一个机械设备上通常有一个或多个轴承。
轴承作为机械设备的关键零件,在设备的长期运行中容易出现故障。轴承的故障类型分为磨损、缺口/凹痕、表面损坏、腐蚀、电流损坏、散裂、破裂等。目前,在轴承出现故障问题后,是由人工根据故障情况来确定维修方案,维修方案的选择依赖于检修工人的经验。一方面,不同于其他零件,对于机械轴承而言,有些轴承虽然出现了一定程度的故障,但不影响其正常使用,或是经过轻微程度的维修后,仍然可以正常使用。如果一发现轴承出现故障就进行维修,会造成维修资源的浪费,增大维修成本。另一方面,由于设备停止运行时无法进行生产活动,如果轴承出现故障后,立即停止设备的运行对轴承进行维修或更换,会存在较长时间的设备停机,浪费了生产时间,降低了整体生产效率,从而带来较大的经济损失。尤其是在生产旺季生产需求量大时,设备停机检修一小时都会带来数万甚至数十万元的经济损失。
因此,现有技术中依靠人工确定的维修方案,通常是在一个或多个轴承已经发生故障后,对机械设备进行停机检修,以维修或更换轴承,维修工人不会考虑到维修损耗以及停机带来的生产损耗,对生产效率的损失较大,维修方案的经济成本较高。
为了解决上述问题,本申请提供了一种自动选择维修方案的方法、服务器、电子设备。
作为本发明的第一实施例,提供了自动选择维修方案的方法。参照图1,图1是本申请实施例的公开的一种自动选择维修方案的方法流程示意图。该自动选择维修方案的方法应用于服务器,包括步骤S101至步骤S107,上述步骤如下:
S101:获取设备轴承的运行数据;
该设备包括工业生产设备或工业应用设备,例如加工机床、开采设备、运输设备等,设备上包括一个或多个轴承。轴承的运行数据包括轴承的热成像数据、声发射数据、温度数据、压力数据、振动信号等。其中,振动信号为轴承的振动位移、速度等数据,温度数据为轴承运行时的实时温度。上述运行数据可以通过传感器采集得到,也可以采用其他检测设备进行采集。关于轴承运行数据的类别和数据采集方法,在此不做具体的限定。
传感器或其他数据检测设备对设备上每个轴承的运行数据进行采集,将采集到的数据发送至服务器。
优选的,服务器可以将获取到的轴承运行数据进行存储,以便用于后续的数据分析。
S102:对轴承的运行数据进行预处理;
为提高数据的精度,服务器对获取到的轴承运行数据进行去噪、数据降维、归一化等处理。
S103:将预处理后的轴承运行数据输入故障预测模型,得到每个轴承的故障诊断结果,生成设备轴承状态数据集;
服务器将经过数据预处理后的每个轴承的运行数据,分别输入到故障预测模型中,得到每个轴承的故障诊断结果。
该故障预测模型是将故障诊断专家、检修工程师的先验知识嵌入到神经网络算法、深度学习算法等数据驱动方法中,以该类型的设备的历史数据作为训练数据,训练学习得到的智能算法模型。
服务器将每个轴承的运行数据输入到该故障预测模型中,输出为每个轴承对应的轴承编号、故障类型、故障程度或预测出的未来运行期间可能出现的故障类型及故障程度。通过深度学习算法、机器学习算法模型或其他智能算法模型来实现轴承的故障诊断与故障预测,是本领域的现有技术,在此不做详细地赘述。
举例来说,假设该设备共有10个轴承,则故障诊断结果可以为:3号轴承,故障类型磨损,故障程度为轻度。故障诊断结果也可以为:1号轴承,故障类型散裂,故障程度为中度或者8号轴承,故障类型内圈缺口,故障程度轻度。故障诊断结果还可以为:预测经过时间50天后,4号轴承,故障类型散裂,故障程度为重度。需要说明的是,此处的故障诊断结果是对轴承的健康状况的一种描述方式,并不代表所诊断出的轴承一定是故障状态。轴承的故障诊断结果也可以为2、5-7、9-10号,故障类型无故障,故障程度良好。为便于进行数据分析,每个轴承的故障诊断结果可以表示为(轴承编号,故障类型,故障程度,预测出现故障的时间);
服务器根据设备中每个轴承的故障诊断结果,生成设备轴承状态数据集。该设备轴承状态数据集为一个数组,其中的数据对象为每个轴承的故障诊断结果。
承接上例,当轴承的故障诊断结果如上所示时,该设备轴承状态数据集为:{(1,散裂,中度,0),(2,无故障,良好,0),(3,磨损,轻度,0),(4,散裂,中度,50),(5,无故障,良好,0),(6,无故障,良好,0),(7,无故障,良好,0),(8,内圈缺口,轻度,0),(9,无故障,良好,0),(10,无故障,良好,0)};
S104:根据设备轴承状态数据集,对设备的安全性进行评分,得到设备的安全性评分值;
在对设备进行安全性评分之前,服务器对设备轴承状态数据集中的每个数据对象进行遍历,判断设备中是否有轴承存在故障。
具体的,当轴承的故障类型为无故障,故障程度为良好时,该轴承为无故障状态,否则为故障状态。当设备中所有轴承的故障类型均为无故障、故障程度为良好时,设备中不存在故障轴承,此时服务器不输出提示信息,反之,设备中有轴承存在故障。
当设备中存在故障轴承时,服务器根据设备轴承状态数据集对设备的安全性进行评分。具体的,服务器可以将设备轴承状态信息集输入安全评估模型,得到该状态下的设备的安全性评分值。安全评估模型为根据该设备运行参数构建的数学仿真模型。利用数字孪生技术,服务器将设备中每个轴承的状态数据输入到该数学仿真模型后,该模型即可对设备的安全性进行评分。通过数学仿真模型评估设备的性能状态是本领域的现有技术,在此不做具体的赘述。
安全性评分值的取值范围为0~100分,评分值越高,则该设备此时安全性越高,出现安全事故的概率越低,反之,评分值越低,则该设备此时的安全性越低,出现安全事故的概率越高。
S105:判断设备的安全性评分值是否大于第一预设值;
服务器中预先设置好第一预设值,将设备的安全性评分值与第一预设值进行比较,第一预设值的取值大小可以根据本领域技术人员的专业知识和实践经验进行灵活设置,在此不做具体的限定。当安全性评分值小于第一预设值时,说明该设备此时安全事故的概率较高,很可能有安全风险,此时跳转到步骤S106;当安全性评分值大于或等于第一预设值时,说明该设备此时出现安全事故的概率较低,可以根据具体的轴承故障状况和生产情况来选择延后维修的方案,此时跳转到步骤S107;
S106:服务器发出提示信息,提示设备需要立即维修;
若服务器判断设备此时的安全性较低,如不立即维修可能会导致重大安全事故的发生,此时,服务器提示工作人员需要立即维修设备,并根据设备轴承状态数据集,提示本次需要维修或更换的轴承的编号,并在维修或更换完成后采集每个轴承运行数据,获取设备轴承状态数据集,评估设备的安全性,直至设备的安全性评分大于或等于第一预设值。
优选的,服务器可以通过发出警报或向工作人员的终端发送短信、推送消息等方式提示工作人员需要立即维修设备。
S107:将设备轴承状态数据集和可选时间数据集输入维修方案模型,输出多个可选维修方案,其中,可选时间数据集中的每个时长t=预先定义的生产淡季时间-当前时刻的时间;其中各可选维修方案至少包括的参数为:本次不维修的轴承数量、本次轻度维修的轴承数量、本次重度维修的轴承数量、在时长t后不维修的轴承数量、在时长t后轻度维修的轴承数量、在时长t后重度维修的轴承数量;
若服务器判断设备此时出现安全事故的风险较低,则将设备轴承状态数据集和可选时间数据集输入维修方案模型。该维修方案模型为根据神经网络算法嵌入专家维修经验的先验知识后构建的模型,将设备轴承状态数据集和可选时间数据集输入维修方案模型后,输出为具体每个轴承的维修程度、维修方法、维修时间信息,根据维修方案模型的输出,可以得到可选的维修方案。其中,可选时间数据集中的每个数据对象为时间t,时间t的大小为根据预先定义的生产活动的淡季时间计算出来的时长值。具体的,时间t的计算方法为:预先定义的生产淡季时间-当前时刻的时间;淡季时间则可以从往年的历史生产数据中得到。
需要说明的是,维修方案模型的输出为具体每个轴承的维修程度、维修方法、维修耗时、维修时间点信息,根据维修方案模型的输出结果,可以得到可选的维修方案。相应的,服务器根据可选维修方案信息可以获取到具体每个轴承的维修维修程度、维修方法、维修时间信息;
根据维修需要设备停机的时间长短,维修程度可以分为三个等级,具体包括不维修、轻度维修、重度维修。不维修表示该轴承继续工作,暂不对该轴承采取维修措施。轻度维修表示无需对设备停机后进行维修或停机时间小于预设值的维修方式,具体可以包含调整速度、调整间隙、加润滑油或其他维修难度较低的方式。重度维修表示设备维修需要停机的时间大于预设时间值,例如将轴承从设备上拆卸下来、更换等方式进行维修。上述预设时间值可以根据实际设备的类型和生产生活的实际进行灵活设置,在此不做具体的限定。
具体的,各可选维修方案包括的参数为本次不维修轴承的数量为x1,本次轻度维修的轴承数量为x2,本次重度维修的轴承数量为x3,经过时间t之后,轻度维修轴承的数量为x4,时间t之后重度维修轴承的数量为x5。承接上例,如果服务器判断出轴承1、3、8处于故障状态,预测轴承4在未来第50天时会出现故障。可选时间数据集为{30,60,90,120},此时维修方案模型输出的多个可选方案可以为:方案一:x1=1,x2=1,x3=2,t=30天,x4=1,x5=0;方案二:x1=2,x2=1,x3=1,t=90天,x4=1,x5=1;方案三:x1=0,x2=4,x3=0,t=60天,x4=2,x5=2。
需要说明的是,上述可选维修方案为举例说明,并不限定维修方案模型实际输出的可选维修方案只有上述几种方式。
S108:计算每个可选维修方案的经济效益损失值,维修方案的效益损失值包括本次维修的维修损耗、本次维修的生产损耗、时间t后进行维修的维修损耗、时间t后进行维修的生产损耗之和。
延续上例,当维修方案模型输出此时的可选维修方案包括上述三种方案时,服务器分别计算三种维修方案的经济效益损失值。经济效益损失值Q的计算方式包括,计算本次维修的维修损耗F1、本次维修的生产损耗M1与时间t后的维修损耗F2、时间t后进行维修的生产损耗M2,Q= F1+ M1+ F2+ M2。维修损耗包括维修耗材费用、维修工人的薪资费用,生产损耗包括在设备停机时间内原本可以产生的经济产出值。
优选的,时间t之后再进行维修的经济损失除原本可以产生的经济产出值外,还可以包括在时长t内生产的产品不合格率提高导致的经济损失。
优选的,时间t后的维修损耗还可以包括在时间t内出现需要重度维修的故障后的维修损耗。时间t后的生产损耗还可以包括在时间t内出现需要重度维修的故障后的设备停机时间内原本可以产生的经济产出值。
例如,假设方案一的F1=3,M1=20,F2=0.4,M2=2,则Qa=25.4;方案二的F1=1,M1=10,F2=1,M2=10,则Qb=22;方案三的F1=0.5,M1=5,F2=4,M2=8,则Qc=17.5;
在生产需求量大的时间段内维修,设备停机会带来较大的生产效率损失,从而造成经济损失,而在生产需求量小的时间段内维修,设备停机对生产效率的影响较小,带来的经济损失也较小,因此根据轴承的具体情况,选择将部分或全部轴承延迟到生产需求量小的时候再维修,以提高整体生产效率,减少经济损失。
S109:从多个可选维修方案中选择经济效益损失值最小的方案作为最终的维修方案。
服务器可以对多个可选维修方案的经济效益损失值进行从小到大排序,选择排序第一的维修方案,即经济效益损失值最低的方案作为最终的维修方案,将所选择的维修方案推送到工作人员的终端上。如上例,当可选方案为方案一到方案三时,三种方案的经济效益损失值排序结果为:Qc<Qb<Qa,此时,方案三的经济效益损失值是最低的,服务器根据排序结果,选择方案三作为最终的维修方案。
优选的,服务器还可以将设备轴承状态数据集、多个维修方案及相应的经济效益损失值、本次最终选择的维修方案记录在数据库中,以便为将来可能出现的故障情况提供参考。
优选的,服务器可以将最终选择的存储在数据库中,根据最终选择的维修方案,在达到时间t之前预设时间内向工作人员发送提示消息,提示即将要进行设备维修。
通过上述实施例,一方面,对轴承的运行数据进行监测,从而监控轴承的健康状态,并根据设备的各个轴承的状态,确定出可选的维修方案,使得在轴承可以继续工作时能得到充分的使用,防止发现轴承故障时立刻维修带来的维修资源浪费,并且通过对维修方案的维修损耗和生产损耗的评估,从中自动选择总体经济效益损耗值最小的维修方案,尽可能减少在生产旺季停止生产活动的时间,提高了生产过程中的平均生产效率。本方案充分考虑到了维修造成的生产价值上的损失,从中选择总经济成本最低的维修方案,降低了维修的总经济成本;另一方面,本发明并不是一味考虑降低维修经济效益损失值,而是在选择维修方案之前,利用设备的轴承状态数据对设备的安全性进行评估,只有设备足够安全时,才选择延迟维修的方案,防止延迟维修可能造成的安全隐患,兼顾了维修方案的安全性和经济性。
作为本发明的第二实施例,提供了第一实施例中根据轴承的故障诊断结果,评估设备的安全性的具体方法。在本发明第一实施例基础上延伸出本发明第二实施例,下面着重叙述第二实施例与第一实施例的不同之处,相同之处不再赘述。
参照图2,图2是本申请实施例的公开的一种评估设备安全性的方法的流程示意图。该评估设备安全性的方法应用于服务器,包括步骤S201至步骤S207,上述步骤如下:
S201:获取当前设备类型信息;
若服务器根据设备轴承状态数据集判断出设备中存在故障的轴承,服务器获取当前设备类型信息。具体的,设备的类型信息为设备的属性信息之一,表征设备的种类。设备的类型信息存储在数据库中,当服务器判断当前设备中有轴承出于故障状态时,从数据库中获取设备类型信息。
S202:判断当前设备是否为预设类型的设备;
判断设备是否为预设类型的设备,预设类型的设备为预先定义的设备类型,包括多种对安全要求较高的设备,如飞机、采矿设备等。对于安全要求较高的设备,如发生故障没有及时维修,容易酿成安全事故,因此,当发现设备中存在故障轴承时,如判断出该设备为安全要求较高的设备,需立即进行维修,跳转到步骤S203,如该设备步骤第一类型的范围内,跳转到步骤S204。
S203:提示工作人员该设备需要立即进行维修;
若服务器判断出存在故障轴承的设备为预设类型的设备或该设备的安全风险较高时,说明该设备的安全性要求较高或此时出于有可能发生安全事故的状态,此时服务器提示工作人员该设备需要立即维修。
具体的,服务器可以通过在显示器上弹出窗口,或发出声音警报,或向工作人员的终端发送短信、推送消息或其他方式提示工作人员需要立即维修设备,在此不做具体的限定。
S204:将设备轴承状态数据集输入到安全评估模型,对设备的安全性进行评分,得到设备的安全性评分值;
服务器判断存在故障轴承的设备类型不在预设类型的范围内,说明该设备为普通安全要求的设备时,将设备轴承状态数据集输入安全评估模型。服务器将设备轴承状态数据集输入该安全评估模型后,输出即为设备的安全性评分。该安全性评分的数据范围为0~100,数据越接近100则表明该设备越安全。
S205:判断设备的安全性评分值是否大于第一预设值;
服务器中预先设置好第一预设值,将设备的安全性评分值与第一预设值进行比较,第一预设值的取值大小可以根据本领域技术人员的专业知识和实践经验进行灵活设置,在此不做具体的限定。当安全性评分值小于第一预设值时,说明该设备此时安全事故的概率较高,很可能有安全风险,此时跳转到步骤S203;当安全性评分值大于或等于第一预设值时,说明该设备此时出现安全事故的概率较低,可以根据具体的轴承故障状况和生产情况来选择延后维修的方案,此时跳转到步骤S206;
S206:若安全性评分值大于或等于第一预设值,确定可选的维修方案,从中选择经济效益损失值最小的维修方案;
当服务器判断该设备安全状态符合安全标准时,确定多个可选的维修方案,分别计算每个可选维修方案的经济效益损失值,从中选择经济效益损失值最低的维修方案。
对于安全要求较高的预设类型的设备,判断其中的轴承存在故障时,提醒工作人员该设备需要立即进行维修,降低了发生安全事故的风险,保证了设备的安全性。并且,本方案在选择维修方案之前,利用设备的轴承状态数据对设备的安全性进行评估,只有设备足够安全时,才选择延迟维修的方案,防止延迟维修可能造成的安全隐患,兼顾了维修方案的安全性和经济性。
作为本发明的第三实施例,提供了第二实施例中确定可选的维修方案,从中选择经济效益损失最低的维修方案的具体方法。在本发明第二实施例基础上延伸出本发明第三实施例,下面着重叙述第三实施例与第二实施例的不同之处,相同之处不再赘述。
参照图3,图3是本申请实施例的公开的一种选择维修方案的流程示意图。该选择维修方案的方法应用于服务器,包括步骤S301至步骤S306,上述步骤如下:
S301:将设备轴承状态数据集和可选时间数据集输入维修方案模型,输出多种可选维修方案;
其中,可选时间数据集中的每个时长t=预先定义的生产淡季时间-当前时刻的时间;
服务器将设备轴承状态数据集和可选时间数据集输入维修方案模型,该维修方案模型为根据神经网络算法嵌入专家维修经验的先验知识后构建的模型,模型的输入为设备中每个故障轴承的位置、故障程度、故障类型,输出为可选的维修方案。可选维修方案中包括本次不维修轴承的数量为x1,本次轻度维修的轴承数量为x2,本次重度维修的轴承数量为x3,经过时间t之后,轻度维修轴承的数量为x4,时间t之后重度维修轴承的数量为x5。
优选的,各可选维修方案包括的参数还可以为:本次不维修轴承的数量为x1,轻度维修的轴承数量为x2,重度维修的轴承数量为x3,经过时间t1之后,轻度维修轴承的数量为x4,重度维修轴承的数量为x5,经过时间t2之后,轻度维修轴承的数量x6,重度维修轴承的数量为x7, 其中t1<t2。
需要说明的是,上述时间t1和t2均可以从可选时间数据集中进行取值,当对维修方案模型做相应的调整后,输出的可选维修方案的形式可以调整为经过t1时间和t2时间后分批次对轴承进行不同程度的维修。
根据轴承的故障程度和故障类型以及生产淡季出现的时间,分批次分程度的对轴承进行维修,从而在最大程度上减少维修损耗和生产损耗,以使得整个生产过程中的平均生产效率值尽可能最大化,从而降低维修轴承带来的损耗和经济成本。
S302:将可选维修方案分别输入风险预测模型,预测未来出现需要立即维修的故障的概率、故障类型、安全风险;
服务器获取多个可选维修方案,将设备轴承状态数据集和每个可选维修方案分别输入风险预测模型。风险预测模型为该类型的设备的数据仿真模型。具体的,可以采用数字孪生技术,根据设备结构、轴承参数、轴承所受应力变化函数、轴承老化数据等数据建模,生成该风险预测模型。将设备轴承状态数据集和每个可选维修方案输入该风险预测模型后,该模型即可输出在目前这种轴承状态下,按照相应的方案进行维修,未来出现需要立即维修的故障的概率、故障类型、安全风险。其中,需要立即维修的故障是指,如果不立即维修,设备无法正常运行,或是不立即维修会出现安全事故。安全风险是指出现安全事故的概率。
例如,假设方案一:x1=1,x2=1,x3=2,t=30天,x4=1,x5=0;方案二:x1=2,x2=1,x3=1,t=90天,x4=1,x5=1;方案三:x1=0,x2=4,x3=0,t=60天,x4=2,x5=2。将故障诊断结果和方案一的参数输入到风险预测模型,预测出t=45天时,方案一出现需要立即维修的故障概率分别为30%、安全风险为15%;将故障诊断结果和方案二的参数输入到风险预测模型,预测出t=45天时,方案二出现需要立即维修的故障概率分别为50%、安全风险为40%;将故障诊断结果和方案三的参数输入到风险预测模型,预测出t=45天时,方案三出现需要立即维修的故障概率分别为70%、安全风险为80%。
S303:判断对每个可选方案预测出的安全风险值是否小于风险阈值;
服务器可以预设一个风险阈值,例如,将风险阈值设置为60%,当某个可选方案的安全风险值超过风险阈值时,说明该方案在未来容易造成安全事故,将该方案从可选方案中筛除,以保证维修方案的安全性。
S304:若安全风险值大于或等于风险阈值,将安全风险超过风险阈值的方案从可选维修方案中筛除;
如上例中,方案三在第45天的安全风险值为80%,超过风险阈值,则按照方案三去维修,安全风险较大,此时不再考虑按照方案三来进行维修。可选维修方案为方案一、方案二。
S305:若安全风险值小于风险阈值,计算该可选维修方案的经济效益损失值;
筛除安全风险较高的方案后,服务器计算剩余的可选维修方案的经济效益损失值。对于某一种维修方案,若本次每个维修的轴承的损耗为F1(n)、本次维修的生产损耗为M1,时间t后进行维修的每个轴承的维修损耗F2(n)、时间t后进行维修的生产损耗M2,出现需要立即维修的故障后进行维修的生产损耗M3,则计算每个维修方案的经济效益损失值Q的方法包括:
其中,n1表示第一次维修的轴承的数量,n2表示第二次维修的轴承的数量,n表示待维修的轴承的编号;
,D1(n)表示维修所需的耗材损耗,G1(n)表示对该轴承进行相应程度维修的难度系数,T1(n)表示维修该轴承的平均耗时,s表示需要支付给维修工人的单位时间内的薪资;
,/>表示本次维修设备需要停机的总时间,m1表示单位时间内生产效益值;
,D2(n)表示维修所需的耗材费用,G2(n)表示表示对该轴承进行相应程度维修的难度系数,T2(n)表示维修该轴承的平均耗时,s表示需要支付给维修工人的单位时间内的薪资;
,/>表示经过时间t之后维修设备需要停机的时间,m2表示时间t内单位时间内生产效益值,,Δu表示产品不合格率的增加值, u2表示时间t后的产品不合格率预测值,u1表示本次维修前产品的不合格率值;
,t3表示出现需要立即维修的故障后,预测维修设备需要停机的时间;m3表示出现需要立即维修的实际段内,单位时间内生产效益值;p表示出现需要立即维修的故障的概率;
其中,n1=0时, D1(n)、G1(n)、T1(n)取值均为0;
n2=0时,D2(n)、G2(n)、T2(n)取值均为0;
需要说明的是,上述对该设备的每个轴承进行相应程度维修的难度系数、平均耗时、维修的单位时间内生产效益值、设备出现相应轴承故障时的产品不合格率值及上述参数的预测值均可以根据当前轴承的故障类型和故障状态或预测出的未来的故障类型和故障状态在设备历史数据中匹配得到;
由上述可以得出,
S306:从多个可选维修方案中选择经济效益损失值最小的方案作为最终的维修方案。
优选的,服务器可以将多个可选维修方案的经济效益损失值从小到答排序,排序第一的方案为服务器所选择的最终维修方案。
优选的,服务器可以将故障诊断结果、多个可选维修方案及对应的经济效益损失值、最终维修方案分别单独存储或关联存储到数据库中,以便未来设备出现类型或相近故障时,作为历史数据进行参考。
服务器确定最终维修方案后,将其输出到工作人员的手机上,由工作人员在对应的时间节点安排对设备上的轴承进行维修。
需要说明的是,本发明仅仅是针对机械设备上的轴承状态进行故障预测,及相应地确定对轴承的维修方案,机械设备上的其他零件或其他原因导致的故障的维修,不在本发明的考虑范围内。
作为本发明的第四实施例,提供了一种维修方案的自动选择服务器。
参照图4,图4是本申请实施例的公开的一种自动选择维修方案的服务器的具体结构。该自动选择维修方案的服务器,包括如下模块:
数据获取模块401:获取设备轴承的运行数据;
预处理模块402:对轴承的运行数据进行预处理;
故障预测模块403:将预处理后的轴承运行数据输入故障预测模型,得到每个轴承的故障诊断结果,生成设备轴承状态数据集;
安全评估模块404:根据设备轴承状态数据集,对设备的安全性进行评分,得到设备的安全性评分值;
判断模块405:判断设备的安全性评分值是否大于第一预设值;
告警模块406:当安全性评分值大于或等于第一预设值时,服务器发出提示信息,提示设备需要立即维修;
方案生成模块407:当安全性评分值大于或等于第一预设值时,将设备轴承状态数据集输入维修方案模型,输出多个可选维修方案,所述每个可选维修方案至少包括的参数为:本次不维修的轴承数量、本次轻度维修的轴承数量、本次重度维修的轴承数量、在时间t后不维修的轴承数量、在时间t后轻度维修的轴承数量、在时间t后重度维修的轴承数量;
计算模块408:计算每个可选维修方案的经济效益损失值,维修方案的效益损失值包括本次维修的维修损耗、本次维修的生产损耗、时间t后进行维修的维修损耗、时间t后进行维修的生产损耗之和。
确定模块409:从多个可选维修方案中选择经济效益损失值最小的方案作为最终的维修方案。
优选的,该维修方案的自动选择装置还可以包括:
存储模块410:用于将设备轴承状态数据集、多个维修方案及相应的经济效益损失值、本次最终选择的维修方案记录在数据库中;
计时模块411:用于监测是否到维修方案中预设的维修时间t之前的预设时间点;
提示模块412:用于在计时模块监测到维修方案中预设的维修时间t之前的预设时间点时,向工作人员发送提示消息,提示即将要进行设备维修。
需要说明的是:上述实施例提供的装置在实现其功能时,仅以上述各功能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模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的装置和方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本申请还公开一种电子设备。参照图5,图5是本申请实施例的公开的一种电子设备的结构示意图。该电子设备500可以包括:至少一个处理器501,至少一个网络接口504,用户接口503,存储器505,至少一个通信总线502。
其中,通信总线502用于实现这些组件之间的连接通信。
其中,用户接口503可以包括显示屏、摄像头,可选用户接口503还可以包括标准的有线接口、无线接口。
其中,网络接口504可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器501可以包括一个或者多个处理核心。处理器501利用各种接口和线路连接整个服务器内的各个部分,通过运行或执行存储在存储器505内的指令、程序、代码集或指令集,以及调用存储在存储器505内的数据,执行服务器的各种功能和处理数据。可选的,处理器501可以采用数字信号处理、现场可编程门阵列、可编程逻辑阵列中的至少一种硬件形式来实现。处理器501可集成中央处理器(Central Processing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器501中,单独通过一块芯片进行实现。
其中,存储器505可以包括随机存储器,也可以包括只读存储器。可选的,该存储器505包括非瞬时性计算机可读介质。存储器505可用于存储指令、程序、代码、代码集或指令集。存储器505可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及的数据等。存储器505可选的还可以是至少一个位于远离前述处理器501的存储装置。参照图5,作为一种计算机存储介质的存储器505中可以包括操作系统、网络通信模块、用户接口模块以及一种自动选择维修方案的方法的应用程序。
在图5所示的电子设备500中,用户接口503主要用于为用户提供输入的接口,获取用户输入的数据;而处理器501可以用于调用存储器505中存储一种自动选择维修方案的方法的应用程序,当由一个或多个处理器501执行时,使得电子设备500执行如上述实施例中一个或多个所述的方法。需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必需的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几种实施方式中,应该理解到,所披露的装置,可通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口,装置或单元的间接耦合或通信连接,可以是电性或其他的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括:U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述者,仅为本公开的示例性实施例,不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰,皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践真理的公开后,将容易想到本公开的其他实施方案。
本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的范围和精神由权利要求限定。
Claims (10)
1.一种自动选择维修方案的方法,其特征在于,包括:
获取设备轴承的运行数据;
对轴承的运行数据进行预处理;
将预处理后的轴承运行数据输入故障预测模型,得到每个轴承的故障诊断结果,生成设备轴承状态数据集;
根据设备轴承状态数据集,对设备的安全性进行评分,得到设备的安全性评分值;
判断设备的安全性评分值是否大于第一预设值;
若设备的安全性评分值大于或等于第一预设值,根据设备轴承状态数据集确定多个可选维修方案,其中各可选维修方案至少包括的参数为:本次不维修的轴承数量、本次轻度维修的轴承数量、本次重度维修的轴承数量、在时间t后不维修的轴承数量、在时间t后轻度维修的轴承数量、在时间t后重度维修的轴承数量;
计算每个可选维修方案的经济效益损失值,维修方案的经济效益损失值包括本次维修的维修损耗、本次维修的生产损耗、时间t后进行维修的维修损耗、时间t后进行维修的生产损耗之和;
从多个可选维修方案中选择经济效益损失值最小的方案作为最终的维修方案。
2.根据权利要求1所述的方法,其特征在于,所述根据设备轴承状态数据集,对设备的安全性进行评分,得到设备的安全性评分值包括:
获取当前设备类型信息;
判断当前设备是否为预设类型的设备;
若判断结果为是,提示工作人员该设备需要立即进行维修;
若判断结果为否,将设备轴承状态数据集输入到安全评估模型,对设备的安全性进行评分,得到设备的安全性评分值。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括,
将最终维修方案存储在数据库中,根据最终选择的维修方案,在达到时间t之前预设时间内向工作人员发送提示消息,提示即将要进行设备维修。
4.根据权利要求1所述的方法,其特征在于,所述根据设备轴承状态数据集确定多个可选维修方案包括:
将设备轴承状态数据集和可选时间数据集输入维修方案模型,输出多种可选维修方案;其中,可选时间数据集中的每个时长t=预先定义的生产淡季时间-当前时刻的时间;
将可选维修方案分别输入风险预测模型,预测未来出现需要立即维修的故障的概率、故障类型、安全风险;
判断对每个可选方案预测出的安全风险值是否超过风险阈值;
若安全风险值大于或等于风险阈值,将安全风险值超过风险阈值的方案从可选维修方案中筛除。
5.根据权利要求1所述的方法,其特征在于:
所述各可选维修方案包括的参数为:本次不维修轴承的数量为x1,轻度维修的轴承数量为x2,重度维修的轴承数量为x3,经过时间t1之后,轻度维修轴承的数量为x4,重度维修轴承的数量为x5,经过时间t2之后,轻度维修轴承的数量x6,重度维修轴承的数量为x7, 其中t1<t2。
6.根据权利要求1所述的方法,其特征在于,计算每个可选维修方案的经济效益损失值的方法包括:
经济效益损失值Q的计算方法为:
其中,本次每个维修的轴承的损耗为F1(n)、本次维修的生产损耗为M1,时间t后进行维修的每个轴承的维修损耗F2(n)、时间t后进行维修的生产损耗M2,出现需要立即维修的故障后进行维修的生产损耗M3,n1表示第一次维修的轴承的数量,n2表示第二次维修的轴承的数量,n表示待维修的轴承的编号,/>, D1(n)表示维修所需的耗材损耗,G1(n)表示对该轴承进行相应程度维修的难度系数,T1(n)表示维修该轴承的平均耗时,s表示需要支付给维修工人的单位时间内的薪资;
,/>表示本次维修设备需要停机的总时间,m1表示单位时间内生产效益值;
,D2(n)表示维修所需的耗材费用,G2(n)表示表示对该轴承进行相应程度维修的难度系数,T2(n)表示维修该轴承的平均耗时,s表示需要支付给维修工人的单位时间内的薪资;
,/>表示经过时间t之后维修设备需要停机的时间,m2表示时间t内单位时间内生产效益值,,Δu表示产品不合格率的增加值,u2表示时间t后的产品不合格率预测值,u1表示本次维修前产品的不合格率值;
,t3表示出现需要立即维修的故障后,预测维修设备需要停机的时间;m3表示出现需要立即维修的实际段内,单位时间内生产效益值;p表示出现需要立即维修的故障的概率。
7.一种自动选择维修方案的服务器,其特征在于,包括:
数据获取模块:获取设备轴承的运行数据;
预处理模块:对轴承的运行数据进行预处理;
故障预测模块:将预处理后的轴承运行数据输入故障预测模型,得到每个轴承的故障诊断结果,生成设备轴承状态数据集;
安全评估模块:根据设备轴承状态数据集,对设备的安全性进行评分,得到设备的安全性评分值;
判断模块:判断设备的安全性评分值是否大于第一预设值;
告警模块:当安全性评分值大于或等于第一预设值时,服务器发出提示信息,提示设备需要立即维修;
方案生成模块:当安全性评分值大于或等于第一预设值时,将设备轴承状态数据集输入维修方案模型,输出多个可选维修方案,其中各可选维修方案至少包括的参数为:本次不维修的轴承数量、本次轻度维修的轴承数量、本次重度维修的轴承数量、在时间t后不维修的轴承数量、在时间t后轻度维修的轴承数量、在时间t后重度维修的轴承数量;
计算模块:计算每个可选维修方案的效益损失值,维修方案的效益损失值包括本次维修的维修损耗、本次维修的生产损耗、时间t后进行维修的维修损耗、时间t后进行维修的生产损耗之和;
确定模块:从多个可选维修方案中选择经济效益损失值最小的方案作为最终的维修方案。
8.根据权利要求7所述的自动选择维修方案的服务器,其特征在于,存储模块:用于将设备轴承状态数据集、多个维修方案及相应的经济效益损失值、本次最终选择的维修方案记录在数据库中;
计时模块:用于监测是否到维修方案中预设的维修时间t之前的预设时间点;
提示模块:用于在计时模块监测到维修方案中预设的维修时间t之前的预设时间点时,向工作人员发送提示消息,提示即将要进行设备维修。
9.一种电子设备,其特征在于,包括处理器、存储器,所述存储器用于存储指令,所述处理器用于执行所述存储器中存储的指令,以使所述电子设备执行如权利要求1-6任意一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述可读存储介质中存储有执行指令,所述执行指令被处理器执行时用于实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310546587.5A CN116258482B (zh) | 2023-05-16 | 2023-05-16 | 一种自动选择维修方案的方法、服务器、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310546587.5A CN116258482B (zh) | 2023-05-16 | 2023-05-16 | 一种自动选择维修方案的方法、服务器、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116258482A CN116258482A (zh) | 2023-06-13 |
CN116258482B true CN116258482B (zh) | 2023-07-18 |
Family
ID=86681052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310546587.5A Active CN116258482B (zh) | 2023-05-16 | 2023-05-16 | 一种自动选择维修方案的方法、服务器、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116258482B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078228A (zh) * | 2023-08-14 | 2023-11-17 | 深圳市德盟科技股份有限公司 | 一种生成输电线路维修方案的方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002312517A (ja) * | 2001-04-11 | 2002-10-25 | San Motors Kk | 自動車の超時短車検・一般車検・整備システム |
CN101859409A (zh) * | 2010-05-25 | 2010-10-13 | 广西电网公司电力科学研究院 | 基于风险评估的输变电设备状态检修体系 |
KR101591271B1 (ko) * | 2015-03-13 | 2016-02-04 | 한국건설기술연구원 | 하수관거 정비 판단을 위한 의사결정 시스템 및 그 방법 |
CN109460003A (zh) * | 2018-10-17 | 2019-03-12 | 南京凯奥思数据技术有限公司 | 车辆故障预测建模方法及系统 |
CN110232452A (zh) * | 2019-06-12 | 2019-09-13 | 中国神华能源股份有限公司 | 基于轨道车列技术状态的检修方法和系统 |
CN111597499A (zh) * | 2020-03-27 | 2020-08-28 | 齐鲁工业大学 | 一种工业设备故障维修方案生成方法及系统 |
US10977593B1 (en) * | 2018-03-15 | 2021-04-13 | American Public Power Association Inc. | Predictive models for electric power grid maintenance |
CN113065655A (zh) * | 2021-03-16 | 2021-07-02 | 长沙楚盟信息科技有限公司 | 维修性设计专家系统融合推理方法、装置及存储介质 |
CN113988326A (zh) * | 2021-10-09 | 2022-01-28 | 南京理工大学 | 一种地铁设备维修优化方法及系统 |
CN115099646A (zh) * | 2022-07-01 | 2022-09-23 | 合肥综合性国家科学中心能源研究院(安徽省能源实验室) | 基于模糊概率混合可靠性评估与风险分析的输电线路维修方法 |
CN115660464A (zh) * | 2022-10-14 | 2023-01-31 | 国网福建省电力有限公司 | 一种基于大数据与实物id的设备智慧化检修方法及终端 |
-
2023
- 2023-05-16 CN CN202310546587.5A patent/CN116258482B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002312517A (ja) * | 2001-04-11 | 2002-10-25 | San Motors Kk | 自動車の超時短車検・一般車検・整備システム |
CN101859409A (zh) * | 2010-05-25 | 2010-10-13 | 广西电网公司电力科学研究院 | 基于风险评估的输变电设备状态检修体系 |
KR101591271B1 (ko) * | 2015-03-13 | 2016-02-04 | 한국건설기술연구원 | 하수관거 정비 판단을 위한 의사결정 시스템 및 그 방법 |
US10977593B1 (en) * | 2018-03-15 | 2021-04-13 | American Public Power Association Inc. | Predictive models for electric power grid maintenance |
CN109460003A (zh) * | 2018-10-17 | 2019-03-12 | 南京凯奥思数据技术有限公司 | 车辆故障预测建模方法及系统 |
CN110232452A (zh) * | 2019-06-12 | 2019-09-13 | 中国神华能源股份有限公司 | 基于轨道车列技术状态的检修方法和系统 |
CN111597499A (zh) * | 2020-03-27 | 2020-08-28 | 齐鲁工业大学 | 一种工业设备故障维修方案生成方法及系统 |
CN113065655A (zh) * | 2021-03-16 | 2021-07-02 | 长沙楚盟信息科技有限公司 | 维修性设计专家系统融合推理方法、装置及存储介质 |
CN113988326A (zh) * | 2021-10-09 | 2022-01-28 | 南京理工大学 | 一种地铁设备维修优化方法及系统 |
CN115099646A (zh) * | 2022-07-01 | 2022-09-23 | 合肥综合性国家科学中心能源研究院(安徽省能源实验室) | 基于模糊概率混合可靠性评估与风险分析的输电线路维修方法 |
CN115660464A (zh) * | 2022-10-14 | 2023-01-31 | 国网福建省电力有限公司 | 一种基于大数据与实物id的设备智慧化检修方法及终端 |
Non-Patent Citations (2)
Title |
---|
基于在线监测数据的城轨车辆走行部轴承状态修;李小东 等;《电力机车与城轨车辆》;第45卷(第6期);128-132 * |
基于附件维修可靠性的备件管理方法的研究与实践;周莉 等;《吉林化工学院学报》;第33卷(第1期);86-89 * |
Also Published As
Publication number | Publication date |
---|---|
CN116258482A (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gutschi et al. | Log-based predictive maintenance in discrete parts manufacturing | |
EP3105644B1 (en) | Method of identifying anomalies | |
EP2541358B1 (en) | Method, monitoring system and computer program product for monitoring the health of a monitored system utilizing an associative memory | |
US20110093157A1 (en) | System and method for selecting a maintenance operation | |
US11442444B2 (en) | System and method for forecasting industrial machine failures | |
CN107403279B (zh) | 一种输油泵工况自适应状态预警系统及方法 | |
CN116258482B (zh) | 一种自动选择维修方案的方法、服务器、电子设备 | |
CN110388315A (zh) | 基于多源信息融合的输油泵故障识别方法、装置及系统 | |
Chemweno et al. | A dynamic risk assessment methodology for maintenance decision support | |
CN110837852A (zh) | 一种轧机齿轮箱的故障诊断方法、装置及终端设备 | |
JP2009086896A (ja) | コンピュータの障害予測システムおよび障害予測方法 | |
Calabrese et al. | An event based machine learning framework for predictive maintenance in industry 4.0 | |
JP3213929U (ja) | 海上プラント予防保全システム | |
CN117422447A (zh) | 变压器维护策略生成方法、系统、电子设备及存储介质 | |
Urbani et al. | Maintenance-management in light of manufacturing 4.0 | |
CN109740191B (zh) | 风传感器剩余使用寿命的预测方法、装置及设备 | |
CN110413482B (zh) | 检测方法和装置 | |
CN116702597A (zh) | 一种机械设备运行寿命预测与健康管理方法、系统及介质 | |
Tinga et al. | Maintenance concepts | |
CN115018120A (zh) | 基于健康指数的预测性维护方法、系统及可读存储介质 | |
CN113657648A (zh) | 一种多维数据融合的设备健康评估方法、装置及运维系统 | |
El-Thalji | Predictive maintenance (PdM) analysis matrix: A tool to determine technical specifications for PdM ready-equipment | |
CN113805564A (zh) | 一种基于cep的设备故障预警以及诊断系统 | |
Dunn | Big data, predictive analytics and maintenance | |
Jain et al. | Distributed diagnostics, prognostics and maintenance planning: realizing industry 4.0 |
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 |