CN116307259A - 一种矿山设备的维修性预测方法、装置、设备和介质 - Google Patents
一种矿山设备的维修性预测方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN116307259A CN116307259A CN202310520725.2A CN202310520725A CN116307259A CN 116307259 A CN116307259 A CN 116307259A CN 202310520725 A CN202310520725 A CN 202310520725A CN 116307259 A CN116307259 A CN 116307259A
- Authority
- CN
- China
- Prior art keywords
- maintenance
- abnormal
- mining equipment
- cost
- equipment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005065 mining Methods 0.000 title claims abstract description 235
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012423 maintenance Methods 0.000 claims abstract description 483
- 230000002159 abnormal effect Effects 0.000 claims abstract description 292
- 230000005856 abnormality Effects 0.000 claims abstract description 34
- 238000003745 diagnosis Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims description 30
- 230000008439 repair process Effects 0.000 claims description 29
- 238000010276 construction Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 23
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 8
- 238000004880 explosion Methods 0.000 description 5
- 239000000725 suspension Substances 0.000 description 4
- 239000003245 coal Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 239000012809 cooling fluid Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 239000010720 hydraulic oil Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000010705 motor oil Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000005406 washing 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/08—Registering or indicating the production of the machine either with or without registering working or idle time
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请涉及维修预测的技术领域，尤其是涉及一种矿山设备的维修性预测方法、装置、设备和介质，方法包括：基于运行参数集合和参数标准范围进行初步异常诊断，若存在异常，则确定至少一个异常运行参数和至少一个异常部件。进而，针对每一异常部件，基于历史运行参数、异常运行参数和故障预测模型，得到故障预测信息，预先诊断矿山设备的潜在故障，能够有效避免矿山设备爆发继发性或突发性的意外事故。最终，基于故障预测信息进行预测性维修规划，得到矿山设备的维修规划。本申请对矿山设备进行状态监控和故障预测，能够提前预测矿山设备的故障情况，制定合理的维修规划，进而，缩短矿山设备的维修周期，降低维修与生产中存在的矿山设备使用矛盾。
Description
技术领域
本申请涉及维修预测的技术领域，尤其是涉及一种矿山设备的维修性预测方法、装置、设备和介质。
背景技术
对于制造型企业，生产总成本中很大一部分用于设备维修，因此，对于煤矿企业等安全敏感型企业，是否能有效地发现设备隐患，并适时加以维修更是企业的头等大事。由于设备的正常运行是保证正常生产的前提，因而，针对矿山设备的而言，倘若在矿山设备发生部分或全部故障后再进行修理，这种故障维修方式不仅会降低矿山设备的生产效率，而且，这种盲目、失控的状态会造成相关技术人员无法合理地进行维修计划安排，进而，导致存在故障的矿山设备的维修周期较长。
相关技术中，针对矿山设备的维修常采用计划性检修的方式，计划性检修为针对设备的维修间隔期制定检修计划，按规定的时间间隔对矿山设备进行停机检修，计划性检修的方式在一定程度上解决了传统故障维修的设备维修滞后性。然而，计划性检修中相邻两次检修的间隔时间较长，以使得矿山设备在间隔期间的故障情况无法及时准确地被发现。
因而，如何提供一种准确的预测矿山设备是否需要维修的方法是本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供一种矿山设备的维修性预测方法、装置、设备和介质，用于解决以上至少一项技术问题。
本申请的上述发明目的是通过以下技术方案得以实现的：
第一方面，本申请提供一种矿山设备的维修性预测方法，采用如下的技术方案：
一种矿山设备的维修性预测方法，包括：
获取矿山设备中每一部件对应的多项运行参数，得到矿山设备对应的运行参数集合；
基于所述运行参数集合和参数标准范围对矿山设备进行初步异常诊断，若存在异常，则从所述运行参数集合中确定至少一个异常运行参数，并确定至少一个异常部件，其中，所述异常运行参数和所述异常部件存在对应关系；
针对每一异常部件，获取异常部件对应的每一异常运行参数的历史运行参数，并基于每一异常运行参数的历史运行参数、异常运行参数和故障预测模型，得到每一异常部件对应的故障预测信息；
基于每一异常部件对应的故障预测信息进行预测性维修规划，得到矿山设备的维修规划，其中，维修规划包括：维修时间和维修等级。
通过采用上述技术方案，基于矿山设备的运行参数集合和参数标准范围对矿山设备进行初步异常诊断，若存在异常，则从运行参数集合中确定至少一个异常运行参数和至少一个异常部件，优选的，运行参数集合在存储运行参数时，将每一部件对应的多项运行参数进行归类存储，便于确定异常运行参数后，能够较为快速且准确地确定异常部件。进而，针对每一异常部件，基于每一异常运行参数的历史运行参数、异常运行参数和故障预测模型，得到每一异常部件对应的故障预测信息，预先诊断矿山设备的潜在故障，能够有效避免矿山设备爆发继发性或突发性的意外事故，在保证安全生产的同时，能够降低生产损失。最终，基于每一异常部件对应的故障预测信息进行预测性维修规划，得到矿山设备的维修规划。本申请通过对矿山设备进行状态监控和故障预测，能够准确地预测矿山设备是否需要维修，且提前预测矿山设备的故障情况，并制定合理的维修规划，进而，缩短矿山设备的维修周期，最低限度降低维修与生产中存在的矿山设备使用矛盾。
本申请在一较佳示例中可以进一步配置为：故障预测信息包括：故障等级、维修方式和预测故障时段，
所述基于每一异常部件对应的故障预测信息进行预测性维修规划，得到矿山设备的维修规划，包括：
基于每一异常部件的故障预测信息中所述预测故障时段和所述故障等级对多条所述故障预测信息进行预测故障排序，得到故障预测信息序列；
基于所述故障预测信息序列和所有故障预测信息各自对应的所述维修方式进行预测性维修规划，得到矿山设备的维修规划。
本申请在一较佳示例中可以进一步配置为：所述得到每一异常部件对应的故障预测信息之后，还包括：
基于每一异常部件对应的故障预测信息进行故障原因分析，确定至少一个主异常部件和若干从异常部件，其中，主异常部件和从异常部件存在对应关系；
相应的，基于每一异常部件对应的故障预测信息进行预测性维修规划，得到矿山设备的维修规划，包括：
针对每一所述主异常部件对应的故障预测信息进行预测性维修规划，得到矿山设备的主异常部件的维修规划；
针对每一所述从异常部件对应的故障预测信息进行预测性维修规划，得到矿山设备的从异常部件的维修规划；
其中，矿山设备的维修规划包括：主异常部件的维修规划和从异常部件的维修规划，且，从异常部件的维修规划的维修时间均在对应的主异常部件的维修规划对应的维修时间之后。
本申请在一较佳示例中可以进一步配置为：所述基于每一异常运行参数的历史运行参数、异常运行参数和故障预测模型，得到每一异常部件对应的故障预测信息，包括：
基于每一异常运行参数的历史运行参数和异常运行参数进行参数趋势绘制，得到每一异常运行参数对应的趋势走向图；
利用故障预测模型对所有所述趋势走向图进行故障预测，得到每一异常部件对应的故障预测信息。
本申请在一较佳示例中可以进一步配置为：所述得到矿山设备的维修规划之后，还包括：
获取矿山区域内所有矿山设备的维修规划，并基于所有所述维修规划中的维修等级对所有所述维修规划进行分类，得到至少一类维修规划组合，其中，所述维修规划组合由相同的维修等级的至少一个维修规划构成；
针对每一维修规划组合，基于维修规划组合的所述维修等级和待分配维修人员列表进行人员分配，确定每一所述维修规划组合对应的至少一个维修人员；
基于每一维修人员对应的至少一个维修规划进行维修任务调整，得到每一维修人员的维修工作安排。
本申请在一较佳示例中可以进一步配置为：所述得到矿山设备的维修规划之后，还包括：
基于矿山设备的所述维修规划进行维修费用计算，得到维修费用和维修耗时；
基于矿山设备成本进行更换费用计算，得到更换费用和更换耗时；
基于矿山设备的所述维修费用、所述更换费用、所述维修耗时和所述更换耗时，综合确定设备的处理方式，其中，处理方式包括：维修和更换。
本申请在一较佳示例中可以进一步配置为：所述基于矿山设备的所述维修费用、所述更换费用、所述维修耗时、所述更换耗时和施工计划，综合确定设备的处理方式，包括：
将矿山设备的所述维修费用和所述更换费用进行大小比较，并将矿山设备的所述维修耗时和所述更换耗时进行大小比较，得到比较结果；
若比较结果为维修费用高，且维修耗时长，则确定设备的处理方式为更换；
若比较结果为更换费用高，且更换耗时长，则确定设备的处理方式为维修；
若比较结果为维修费用高，但更换耗时长，则计算所述维修耗时长和所述更换耗时长之间的差值，得到耗时差值，并基于所述施工计划和所述耗时差值进行耗时差值成本计算，得到耗时差值成本；
当所述耗时差值成本和所述更换费用的总和高于所述维修费用时，则确定设备的处理方式为维修，否则，确定设备的处理方式为更换；
若比较结果为更换费用高，但维修耗时长，则计算所述维修耗时长和所述更换耗时长之间的差值，得到耗时差值，并基于所述施工计划和所述耗时差值进行耗时差值成本计算，得到耗时差值成本；
当所述耗时差值成本和所述维修费用的总和高于所述更换费用时，则确定设备的处理方式为更换，否则，确定设备的处理方式为维修。
第二方面，本申请提供一种矿山设备的维修性预测装置，采用如下的技术方案：
一种矿山设备的维修性预测装置，包括：
获取参数模块，用于获取矿山设备中每一部件对应的多项运行参数，得到矿山设备对应的运行参数集合；
异常诊断模块，用于基于所述运行参数集合和参数标准范围对矿山设备进行初步异常诊断，若存在异常，则从所述运行参数集合中确定至少一个异常运行参数，并确定至少一个异常部件，其中，所述异常运行参数和所述异常部件存在对应关系；
故障预测模块，用于针对每一异常部件，获取异常部件对应的每一异常运行参数的历史运行参数，并基于每一异常运行参数的历史运行参数、异常运行参数和故障预测模型，得到每一异常部件对应的故障预测信息；
预测性维修规划模块，用于基于每一异常部件对应的故障预测信息进行预测性维修规划，得到矿山设备的维修规划，其中，维修规划包括：维修时间和维修等级。
第三方面，本申请提供一种电子设备，采用如下的技术方案：
至少一个处理器；
存储器；
至少一个应用程序，其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行，所述至少一个应用程序配置用于：执行上述的矿山设备的维修性预测方法。
第四方面，本申请提供一种计算机可读存储介质，采用如下的技术方案：
一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令所述计算机执行上所述的矿山设备的维修性预测方法。
综上所述，本申请包括以下至少一种有益技术效果：
基于矿山设备的运行参数集合和参数标准范围对矿山设备进行初步异常诊断，若存在异常，则从运行参数集合中确定至少一个异常运行参数和至少一个异常部件，优选的，运行参数集合在存储运行参数时，将每一部件对应的多项运行参数进行归类存储，便于确定异常运行参数后，能够较为快速且准确地确定异常部件。进而，针对每一异常部件，基于每一异常运行参数的历史运行参数、异常运行参数和故障预测模型，得到每一异常部件对应的故障预测信息，预先诊断矿山设备的潜在故障，能够有效避免矿山设备爆发继发性或突发性的意外事故，在保证安全生产的同时，能够降低生产损失。最终，基于每一异常部件对应的故障预测信息进行预测性维修规划，得到矿山设备的维修规划。本申请通过对矿山设备进行状态监控和故障预测，能够准确地预测矿山设备是否需要维修，且提前预测矿山设备的故障情况，并制定合理的维修规划，进而，缩短矿山设备的维修周期，最低限度降低维修与生产中存在的矿山设备使用矛盾。
基于矿山设备的维修规划进行维修费用计算，得到维修费用和维修耗时，并基于矿山设备成本进行更换费用计算，得到更换费用和更换耗时，进而，矿山设备的维修费用、更换费用、维修耗时和更换耗时，综合确定设备的处理方式综合。本申请在得到矿山设备的维修规划后，从维修设备和更换设备两方面进行费用和耗时的分析，综合两方面的情况后确定设备的处理方式，以使得能够用较小的成本完成对矿山设备的故障处理。
附图说明
图1是本申请其中一实施例的一种矿山设备的维修性预测方法的流程示意图；
图2是本申请其中一实施例的一种矿山设备的维修性预测装置的结构示意图；
图3是本申请其中一实施例的一种电子设备的结构示意图。
具体实施方式
以下结合图1至图3对本申请作进一步详细说明。
本具体实施例仅仅是对本申请的解释，其并不是对本申请的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本申请的范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。
下面结合说明书附图对本申请实施例作进一步详细描述。
在矿山设备的维修方面，相关技术常采用故障维修和计划性检修两种方式，其中，故障维修是一种非计划性的、纯被动的维修方式，这种故障维修方式不仅会降低矿山设备的生产效率，而且，这种盲目、失控的状态会造成相关技术人员无法合理地进行维修计划安排，进而，导致存在故障的矿山设备的维修周期较长。计划性检修为针对设备的维修间隔期制定检修计划，按规定的时间间隔对矿山设备进行停机检修，然而，计划性检修中相邻两次检修的间隔时间较长，以使得矿山设备在间隔期间的故障情况无法及时准确地被发现。
为了解决上述技术问题，本申请提供了一种矿山设备的维修性预测方法，通过获取矿山设备的运行参数初步确定矿山设备各个部件的状况，并针对异常部件的运行参数和历史运行参数对异常部件进行故障预测，进而，得到针对矿山设备的维修规划。通过对矿山设备进行状态监控和故障预测，能够准确地预测矿山设备是否需要维修，且提前预测矿山设备的故障情况，并制定合理的维修规划，进而，缩短矿山设备的维修周期，最低限度降低维修与生产中存在的矿山设备使用矛盾。
本申请实施例提供了一种矿山设备的维修性预测方法，由电子设备执行，该电子设备可以为服务器也可以为终端设备，其中，该服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器。终端设备可以是智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此，该终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请实施例在此不做限制，如图1所示，该方法包括步骤S101、步骤S102、步骤S103以及步骤S104，其中：
步骤S101：获取矿山设备中每一部件对应的多项运行参数，得到矿山设备对应的运行参数集合。
对于本申请实施例，矿山设备指的是煤炭、黑色金属和有色金属等各种矿山生产过程中使用的采掘、筛选、运输及其他各种专用设备的总称，主要有：采掘设备、提升设备、破碎粉磨设备、筛选设备、洗选设备和其他矿山专用设备，例如，矿用卡车、穿孔机、凿井绞车、破碎机械、振动筛选机、分级机械、重力选机械等。在采集矿山设备的运行参数时，基于安装在矿山设备不同部件内的传感器进行运行参数的采集，以便于后续确定异常运行参数后，能够较为快速且准确地确定异常部件。例如，矿山设备为矿用卡车，将矿用卡车分为多个部件，例如，柴油机、轮胎、装载矿石部件和液压管路，进而，针对每一部件采集对应的多项运行参数。针对柴油机而言，柴油机对应的多项运行参数包括：坐排前部进气温度、机油压力、柴油机转速、柴油机力矩、燃油温度、冷却液压力、冷却液温度；针对轮胎而言，轮胎对应的多项运行参数包括：左前轮胎压力、右前轮胎压力、左后轮胎压力、左后轮胎压力、左前轮胎温度、右前轮胎温度、左后轮胎温度和左后轮胎温度；针对装载矿石部件而言，装载矿石部件对应的多项运行参数包括：载重、倾角、左前悬挂压力、右前悬挂压力、左后悬挂压力、右后悬挂压力；针对液压管路而言，液压管路对应的多项运行参数包括：举升压力、转向压力、前制动压力、制动蓄能器压力、后制动压力、驻车制动压力、液压油温。进而，将每一部件对应的多项运行参数进行整合，得到矿山设备对应的运行参数集合，优选的，运行参数集合在存储运行参数时，将每一部件对应的多项运行参数进行归类存储。
步骤S102：基于运行参数集合和参数标准范围对矿山设备进行初步异常诊断，若存在异常，则从运行参数集合中确定至少一个异常运行参数，并确定至少一个异常部件，其中，异常运行参数和异常部件存在对应关系。
对于本申请实施例，电子设备内预先存储了针对矿山设备中每一运行参数的参数标准范围，其中，参数标准范围为矿山设备正常工作情况下，各项运行参数所处在的范围，当矿山设备的运行参数不在参数标准范围内时，仅表明矿山设备存在异常，并不表征矿山设备发生了故障。进而，在进行初步异常诊断时，基于运行参数集合中每一运行参数和对应的参数标准范围进行匹配，若运行参数不在对应的参数标准范围内，则确定该参数为异常运行参数，并将异常运行参数对应的部件确定为异常部件；若运行参数在对应的参数标准范围内，则确定该参数为正常运行参数。优选的，在进行初步异常诊断时，针对相同部件的多项运行参数统一与各自对应的参数标准范围进行匹配，若存在至少一项运行参数不在的参数标准范围内，则将该部件确定为异常部件，并确定运行参数为异常运行参数。
步骤S103：针对每一异常部件，获取异常部件对应的每一异常运行参数的历史运行参数，并基于每一异常运行参数的历史运行参数、异常运行参数和故障预测模型，得到每一异常部件对应的故障预测信息。
对于本申请实施例，异常部件为存在异常工作情况的部件，但部件的异常情况并未造成矿山设备发生故障而影响正常工作，然而，预先诊断矿山设备的潜在故障，能够有效避免矿山设备爆发继发性或突发性的意外事故，在保证安全生产的同时，能够降低生产损失。进而，针对每一异常部件，获取异常部件对应的每一异常运行参数的历史运行参数，其中，历史运行参数为异常部件在历史的预设时段内的多项运行参数，因而，将异常运行参数和对应的历史运行参数，输入至故障预测模型进行故障预测，能够得到每一异常部件对应的故障预测信息，其中，故障预测信息至少包括：故障等级、维修方式、预测故障时段，当然，还可以包括：故障类型、检测到异常时间等，本申请实施例不再进行限定。利用大量的训练数据对神经网络模型训练，得到故障预测模型，其中，训练数据包括：训练历史运行参数集、训练故障预测信息，神经网络模型可以为各种卷积网络，例如，Resnet网络、yolov5网络。
步骤S104：基于每一异常部件对应的故障预测信息进行预测性维修规划，得到矿山设备的维修规划，其中，维修规划包括：维修时间和维修等级。
对于本申请实施例，由于故障预测信息是针对矿山设备的异常部件发生故障的预测，即，进行故障预测是为了能够针对潜在故障提前安排维修，以保证矿山设备能够正常且安全的运行，最低限度降低维修与生产中存在的矿山设备使用矛盾。进而，针对异常部件对应的故障预测信息进行预测性维修规划，得到矿山设备的维修规划，其中，维修规划至少包括：维修时间和维修等级，当然，还可以包括：维修成本、维修所需资源等，本申请实施例不再进行限定。在进行预测性维修规划时，基于每一故障预测信息进行了维修等级和维修时间的分析，进而，基于分析得到的多个维修等级和维修时间进行整合排序，得到矿山设备的维修规划。
可见，在本申请实施例中，基于矿山设备的运行参数集合和参数标准范围对矿山设备进行初步异常诊断，若存在异常，则从运行参数集合中确定至少一个异常运行参数和至少一个异常部件，优选的，运行参数集合在存储运行参数时，将每一部件对应的多项运行参数进行归类存储，便于确定异常运行参数后，能够较为快速且准确地确定异常部件。进而，针对每一异常部件，基于每一异常运行参数的历史运行参数、异常运行参数和故障预测模型，得到每一异常部件对应的故障预测信息，预先诊断矿山设备的潜在故障，能够有效避免矿山设备爆发继发性或突发性的意外事故，在保证安全生产的同时，能够降低生产损失。最终，基于每一异常部件对应的故障预测信息进行预测性维修规划，得到矿山设备的维修规划。本申请通过对矿山设备进行状态监控和故障预测，能够准确地预测矿山设备是否需要维修，且提前预测矿山设备的故障情况，并制定合理的维修规划，进而，缩短矿山设备的维修周期，最低限度降低维修与生产中存在的矿山设备使用矛盾。
进一步的，为了在一定程度上保证重要且紧急的故障能够及时维修，在本申请实施例中，故障预测信息包括：故障等级、维修方式和预测故障时段，
基于每一异常部件对应的故障预测信息进行预测性维修规划，得到矿山设备的维修规划，包括：
基于每一异常部件的故障预测信息中预测故障时段和故障等级对多条故障预测信息进行预测故障排序，得到故障预测信息序列；
基于故障预测信息序列和所有故障预测信息各自对应的维修方式进行预测性维修规划，得到矿山设备的维修规划。
对于本申请实施例，在进行预测性维修规划时，会存在故障等级相同的多条故障预测信息，因而，基于每一故障预测信息的预测故障时段和故障等级进行预测故障排序，得到故障预测信息序列。其中，故障等级是基于故障发生后，对矿山设备工作的影响情况的大小确定的，因而，在进行预测故障排序时，按照故障预测信息中故障等级由高到低的顺序进行预测故障排序，且，基于故障预测信息的预测故障时段，对相同故障等级的多条故障预测信息进行先后顺序排列，得到故障预测信息序列，即，预测故障时段靠前的故障预测信息在排序时同样靠前，以保证能够尽快处理紧急的潜在故障。以故障等级为主要影响因素，以预测故障时段为辅助影响因素，确定了故障预测信息序列，在一定程度上保证了重要且紧急的故障能够及时维修。
进而，按照故障预测信息序列的顺序，逐一确定故障预测信息对应的维修方式，维修方式包括多种，例如，局部更换零件、润滑和调整，并按照故障预测信息序列的顺序排列维修方式，得到矿山设备的维修规划。优选的，在确定矿山设备的维修规划时，针对每一项维修方式均会设置对应的维修时间，其中，维修时间要早于故障预测信息中的预测故障时段的最早时刻，以保证能够在潜在故障发生前进行故障维修。
可见，在本申请实施例中，基于每一异常部件的故障预测信息中预测故障时段和故障等级进行预测故障排序，得到故障预测信息序列, 以故障等级为主要影响因素，以预测故障时段为辅助影响因素进行预测故障排序，在一定程度上保证了重要且紧急的故障能够及时维修。然后，基于故障预测信息序列和所有故障预测信息各自对应的维修方式进行预测性维修规划，得到矿山设备的维修规划。
进一步的，为了在一定程度上降低矿山设备反复异常的情况和维修成本，在本申请实施例中，得到每一异常部件对应的故障预测信息之后，还包括：
基于每一异常部件对应的故障预测信息进行故障原因分析，确定至少一个主异常部件和若干从异常部件，其中，主异常部件和从异常部件存在对应关系；
对于本申请实施例，针对矿山设备而言，一些故障之间存在着较为密切的联系，因而，在进行预测性维修规划之前找到潜在故障的根源是异常重要的，从根源上对矿山设备进行维修，在一定程度上能够降低矿山设备反复异常的情况，且，能够降低维修成本。进而，本申请基于每一异常部件对应的故障预测信息进行故障原因分析，确定至少一个主异常部件和若干从异常部件，其中，主异常部件为引发一系列潜在故障的根源的部件，从异常部件为由于主异常部件存在异常而进一步发生异常的部件。
故障预测信息中不仅包括：故障等级、维修方式、预测故障时段，还包括：检测到异常的时间、故障类型，因而，首先基于故障预测信息中检测到异常的时间的顺序对异常部件进行初始排序，其中，初始排序仅从时间维度考虑了优先发生异常的异常部件会对正常部件的工作产生影响，进而，造成其他正常部件在其时间后发生异常。然后，按照异常部件的初始排序，并利用故障关联关系确定至少一个主异常部件和若干从异常部件，即，倘若所有异常部件之间无关联关系，则确定所有异常部件为主异常部件，无从异常部件，其中，故障关联关系预先存储在电子设备内，且，确定故障关联关系的方法有多种，本申请实施例不再进行限定。优选的，基于矿山设备大量的历史维修情况来确定故障关联关系，例如，矿山设备存在A异常部件、B异常部件、C异常部件、D异常部件和E异常部件，维修人员在针对A异常部件进行维修后，发现C异常部件和D异常部件的运行参数恢复正常；维修人员在针对B异常部件进行维修后，发现E异常部件的运行参数恢复正常。因而，确定A异常部件和B异常部件为主异常部件，C异常部件、D异常部件和E异常部件为从异常部件，其中，A异常部件与C异常部件、D异常部件存在对应关系，B异常部件与E异常部件存在对应关系。
相应的，基于每一异常部件对应的故障预测信息进行预测性维修规划，得到矿山设备的维修规划，包括：
针对每一主异常部件对应的故障预测信息进行预测性维修规划，得到矿山设备的主异常部件的维修规划；
针对每一从异常部件对应的故障预测信息进行预测性维修规划，得到矿山设备的从异常部件的维修规划；
其中，矿山设备的维修规划包括：主异常部件的维修规划和从异常部件的维修规划，且，从异常部件的维修规划的维修时间均在对应的主异常部件的维修规划对应的维修时间之后。
对于本申请实施例，针对主异常部件和从异常部件分别进行预测性维修规划，得到各自对应的维修规划，进而，主异常部件的维修规划和从异常部件的维修规划进行整合得到矿山设备的维修规划。值得注意的是，矿山设备的维修规划中从异常部件的维修规划的维修时间均在对应的主异常部件的维修规划对应的维修时间之后，即，针对C异常部件、D异常部件的维修时间，需要在A异常部件的维修时间之后。通过这种方式，能够使得维修人员能够优先维修引发其他异常的主异常部件，以实现从根源上对矿山设备进行维修，在一定程度上能够降低矿山设备反复异常的情况，且，无需针对每一异常部件均进行维修，在一定程度上降低了维修成本。
可见，在本申请实施例中，在得到每一异常部件对应的故障预测信息之后，基于每一异常部件对应的故障预测信息进行故障原因分析，确定至少一个主异常部件和若干从异常部件，进而，分别针对主异常部件和从异常部件进行预测性维修规划，得到各自对应的维修规划。本申请进行故障原因分析能够使得维修人员能够优先维修引发其他异常的主异常部件，以实现从根源上对矿山设备进行维修，在一定程度上能够降低矿山设备反复异常的情况，且，无需针对每一异常部件均进行维修，在一定程度上降低了维修成本。
进一步的，为了在一定程度上提高故障预测信息的准确度，在本申请实施例中，基于每一异常运行参数的历史运行参数、异常运行参数和故障预测模型，得到每一异常部件对应的故障预测信息，包括：
基于每一异常运行参数的历史运行参数和异常运行参数进行参数趋势绘制，得到每一异常运行参数对应的趋势走向图；
利用故障预测模型对所有趋势走向图进行故障预测，得到每一异常部件对应的故障预测信息。
对于本申请实施例，在利用故障预测模型进行故障预测时，首先，基于每一异常运行参数的历史运行参数和异常运行参数进行参数趋势绘制，得到每一异常运行参数对应的趋势走向图，值得注意的时，历史运行参数不仅包括历史的运行参数的值，还包括历史时刻。其中，在进行参数趋势绘制时，在一种情况下，利用直线模式从第一个历史运行参数进行关键点连接，直至最后的异常运行参数结束，即，将相邻的历史运行参数之间使用直线进行连接，进而，再针对直线连接后的曲线进行平滑处理，最终，得到趋势走向图。当然，还可以基于贝塞尔曲线逼近算法，利用现有的曲线图生成控件进行参数趋势绘制。
进而，将每一异常运行参数对应的趋势走向图输入至故障预测模型中进行故障预测，得到故障预测信息，其中，故障预测模型是基于大量的训练样本对神经网络模型训练得到的，其中，大量的训练样本包括：不同类型的训练趋势走向图和训练预测结果，训练预测结果至少包括：故障等级、维修方式、预测故障时段。在进行故障预测时，利用趋势走向图，即，大量的历史运行参数，而非单个运行参数，在一定程度上能够提高故障预测信息的准确度。
可见，在本申请实施例中，基于每一异常运行参数的历史运行参数和异常运行参数进行参数趋势绘制，得到每一异常运行参数对应的趋势走向图，进而，利用故障预测模型对所有趋势走向图进行故障预测，得到每一异常部件对应的故障预测信息。利用故障预测模型对趋势走向图进行故障预测，在一定程度上提高了故障预测信息的准确度。
进一步的，为了使得维修人员前往现场一趟能够尽可能地解决多个矿山设备的潜在故障，在一定程度上降低人工成本，在本申请实施例中，得到矿山设备的维修规划之后，还包括：
获取矿山区域内所有矿山设备的维修规划，并基于所有维修规划中的维修等级对所有维修规划进行分类，得到至少一类维修规划组合，其中，维修规划组合由相同的维修等级的至少一个维修规划构成；
针对每一维修规划组合，基于维修规划组合的维修等级和待分配维修人员列表进行人员分配，确定每一维修规划组合对应的至少一个维修人员；
基于每一维修人员对应的至少一个维修规划进行维修任务调整，得到每一维修人员的维修工作安排。
对于本申请实施例，在对矿山设备进行维修时，需要基于矿山设备的维修规划进行备件准备和人员分配，即，每进行一次矿山设备的维修均需要消耗一定的人力和物力，然而，倘若每次仅针对一台存在故障的矿山设备的维修就分配维修人员前往一趟现场，较大程度上浪费了人力资源。因而，在安排维修人员前往现场进行维修前，针对矿场区域内的所有矿山设备的维修规划进行合理的规划，以使得维修人员前往现场一趟能够尽可能地解决多个矿山设备的潜在故障。
具体的，一般而言，维修人员会基于维修能力进行等级划分，矿山设备的故障也会基于严重程度进行维修等级划分，且，维修等级越高的故障也需要维修能力越高的维修人员进行处理，因而，基于矿山区域内所有矿山设备的维修规划中的维修等级对所有维修规划进行分类，得到至少一类维修规划组合，其中，维修规划组合中维修规划的维修等级相同。进而，针对每一维修规划组合，从待分配维修人员列表中挑选与维修规划组合的维修等级对应的至少一个维修人员，且，确定了每一维修人员和至少一个维修规划的对应关系，其中，待分配维修人员列表的维修人员和维修等级存在对应关系。优选的，在确定维修人员时，综合考虑维修人员所处位置和矿山区域所在位置，优先选择两者距离近的维修人员。在实际情况中，由于矿山区域内存在大量的矿山设备，因而，一段时间内相同维修等级的维修规划较多，因而，在进行维修人员分配后，每一维修人员会对应多个维修规划。进而，针对每一维修人员对应的至少一个维修规划进行维修任务调整，其中，维修任务调整主要是针对维修规划中的维修时间进行调整，以使得维修人员前往一次现场能够尽可能地解决多个矿山设备的潜在故障，即，尽可能一次处理多个维修规划。优选的，在进行维修任务调整时，需要综合考虑维修人员的工作效率和每一维修规划需要的处理时长等多种情况，进而，得到每一维修人员的维修工作安排，其中，维修工作安排中将原始维修时间相邻的维修规划进行了紧密安排。例如，为A维修人员分配了第一维修规划、第二维修规划和第三维修规划，其中，第一维修规划的维修时间为2月2日，第二维修规划的维修时间为2月5日，第三维修规划的维修时间为2月10日，然而，综合维修人员的工作效率和每一维修规划需要的处理时长等多种情况，确定A维修人员能够在一天内完成第一维修规划、第二维修规划和第三维修规划，因而，调整维修任务，确定维修人员的维修工作安排为：2月2日完成第一维修规划、第二维修规划和第三维修规划。
可见，在本申请实施例中，基于矿山区域内所有矿山设备的维修规划的维修等级对所有维修规划进行分类，得到至少一类维修规划组合，进而，针对每一维修规划组合，基于维修等级和待分配维修人员列表进行人员分配，确定每一维修规划组合对应的至少一个维修人员，然后，基于每一维修人员对应的至少一个维修规划进行维修任务调整，得到每一维修人员的维修工作安排。针对矿场区域内的所有矿山设备的维修规划进行合理的规划，以使得维修人员前往现场一趟能够尽可能地解决多个矿山设备的潜在故障，在一定程度上降低人工成本。
进一步的，为了用较小的成本完成对矿山设备的故障处理，在本申请实施例中，得到矿山设备的维修规划之后，还包括：
基于矿山设备的维修规划进行维修费用计算，得到维修费用和维修耗时；
基于矿山设备成本进行更换费用计算，得到更换费用和更换耗时；
基于矿山设备的维修费用、更换费用、维修耗时和更换耗时，综合确定设备的处理方式，其中，处理方式包括：维修和更换。
对于本申请实施例，为了保证矿山设备的安全工作，针对一些使用年限很长，潜在故障较多的矿山设备，倘若进行大幅度的设备维修需要付出较高的维修成本和维修耗时，不仅会延误施工计划，还会增加煤矿企业的成本。因而，本申请在得到矿山设备的维修规划后，从维修设备和更换设备两方面进行费用和耗时的分析，综合两方面的情况后确定设备的处理方式，以使得能够用较小的成本完成对矿山设备的故障处理。
具体的，在进行维修费用计算时，综合维修规划进行更换备件费用、维修耗时和人工维修费用预估，进而，综合更换备件费用和人工维修费用，确定矿山设备的维修费用，且，在确定维修费用时还可以综合考虑其他多方面因素，本申请实施例不再进行限定。在进行更换费用计算时，预估更换矿山设备的更换耗时，并确定矿山设备的更换费用，其中，矿山设备成本中包括了运输矿山设备的费用。最终，综合维修费用、更换费用、维修耗时和更换耗时，综合确定设备的处理方式，以使得能够用较小的成本完成对矿山设备的故障处理。
可见，在本申请实施例中，基于矿山设备的维修规划进行维修费用计算，得到维修费用和维修耗时，并基于矿山设备成本进行更换费用计算，得到更换费用和更换耗时，进而，矿山设备的维修费用、更换费用、维修耗时和更换耗时，综合确定设备的处理方式综合。本申请在得到矿山设备的维修规划后，从维修设备和更换设备两方面进行费用和耗时的分析，综合两方面的情况后确定设备的处理方式，以使得能够用较小的成本完成对矿山设备的故障处理。
进一步的，为了能够用较小的成本完成对矿山设备的故障处理，在本申请实施例中，基于矿山设备的维修费用、更换费用、维修耗时和更换耗时，综合确定设备的处理方式，包括：步骤SA（图中未示出）至步骤SG（图中未示出），其中：
步骤SA:将矿山设备的维修费用和更换费用进行大小比较，并将矿山设备的维修耗时和更换耗时进行大小比较，得到比较结果；
步骤SB:若比较结果为维修费用高，且维修耗时长，则确定设备的处理方式为更换；
步骤SC:若比较结果为更换费用高，且更换耗时长，则确定设备的处理方式为维修；
对于本申请实施例，在综合确定设备的处理方式时，综合了费用和时长两个维度，进而，针对维修费用和更换费用进行大小比较，维修耗时和更换耗时进行大小比较。当比较结果为维修费用高，且维修耗时长时，则表明更换矿山设备不论从费用还是耗时上均为较优选择，因而，确定设备的处理方式为更换。当比较结果为更换费用高，且更换耗时长时，则表明维修矿山设备不论从费用还是耗时上均为较优选择，因而，确定设备的处理方式为维修。
步骤SD:若比较结果为维修费用高，但更换耗时长，则计算维修耗时长和更换耗时长之间的差值，得到耗时差值，并基于施工计划和耗时差值进行耗时差值成本计算，得到耗时差值成本；
步骤SE:当耗时差值成本和更换费用的总和高于维修费用时，则确定设备的处理方式为维修，否则，确定设备的处理方式为更换；
对于本申请实施例，当比较结果为维修费用高，但更换耗时长，则表明在费用维度上更换矿山设备更优，进而，基于两者在时间维度上的差值，确定耗时差值对施工计划延后造成的损失大小。具体的，计算维修耗时长和更换耗时长之间的差值，得到耗时差值，然后，再基于施工计划和耗时差值进行耗时差值成本计算，得到耗时差值成本。进而，基于耗时差值成本、维修费用和更换费用，综合确定设备的处理方式。即，当耗时差值成本和更换费用的总和高于维修费用时，则确定设备的处理方式为维修，表明单在费用维度上而言，维修费用较高，然而，综合考虑了时间维度在施工规划上消耗的耗时差值成本后，在费用维度上，更换矿山设备会消耗更多的费用，因而，确定处理方式为维修。当耗时差值成本和更换费用的总和不高于维修费用时，则确定设备的处理方式为更换，表明虽然更换矿山设备会消耗较多时间，但是多消耗的时间所带来的耗时差值成本较小，综合耗时差值成本和更换费用后仍小于维修费用，则确定设备的处理方式为更换。
步骤SF:若比较结果为更换费用高，但维修耗时长，则计算维修耗时长和更换耗时长之间的差值，得到耗时差值，并基于施工计划和耗时差值进行耗时差值成本计算，得到耗时差值成本；
步骤SG:当耗时差值成本和维修费用的总和高于更换费用时，则确定设备的处理方式为更换，否则，确定设备的处理方式为维修。
对于本申请实施例，对于比较结果为更换费用高，但维修耗时长的情况，和比较结果为维修费用高，但更换耗时长的情况类似，为了论述简单，本申请实施例不再进行赘述。
可见，在本申请实施例中，将矿山设备的维修费用和更换费用进行大小比较，并将矿山设备的维修耗时和更换耗时进行大小比较，得到比较结果，并针对不同情况的比较结果，确定设备的处理方式。综合两方面的情况后确定设备的处理方式，以使得能够用较小的成本完成对矿山设备的故障处理。
上述实施例从方法流程的角度介绍一种矿山设备的维修性预测方法，下述实施例从虚拟模块或者虚拟单元的角度介绍了一种矿山设备的维修性预测装置，具体详见下述实施例。
本申请实施例提供一种矿山设备的维修性预测装置200，如图2所示，该矿山设备的维修性预测装置200具体可以包括：
获取参数模块210，用于获取矿山设备中每一部件对应的多项运行参数，得到矿山设备对应的运行参数集合；
异常诊断模块220，用于基于运行参数集合和参数标准范围对矿山设备进行初步异常诊断，若存在异常，则从运行参数集合中确定至少一个异常运行参数，并确定至少一个异常部件，其中，异常运行参数和异常部件存在对应关系；
故障预测模块230，用于针对每一异常部件，获取异常部件对应的每一异常运行参数的历史运行参数，并基于每一异常运行参数的历史运行参数、异常运行参数和故障预测模型，得到每一异常部件对应的故障预测信息；
预测性维修规划模块240，用于基于每一异常部件对应的故障预测信息进行预测性维修规划，得到矿山设备的维修规划，其中，维修规划包括：维修时间和维修等级。
对于本申请实施例，异常诊断模块220能够基于矿山设备的运行参数集合和参数标准范围对矿山设备进行初步异常诊断，若存在异常，则从运行参数集合中确定至少一个异常运行参数和至少一个异常部件，优选的，运行参数集合在存储运行参数时，将每一部件对应的多项运行参数进行归类存储，便于确定异常运行参数后，能够较为快速且准确地确定异常部件。进而，针对每一异常部件，故障预测模块230能够基于每一异常运行参数的历史运行参数、异常运行参数和故障预测模型，得到每一异常部件对应的故障预测信息，预先诊断矿山设备的潜在故障，能够有效避免矿山设备爆发继发性或突发性的意外事故，在保证安全生产的同时，能够降低生产损失。最终，预测性维修规划模块240能够基于每一异常部件对应的故障预测信息进行预测性维修规划，得到矿山设备的维修规划。本申请通过对矿山设备进行状态监控和故障预测，能够准确地预测矿山设备是否需要维修，且提前预测矿山设备的故障情况，并制定合理的维修规划，进而，缩短矿山设备的维修周期，最低限度降低维修与生产中存在的矿山设备使用矛盾。
本申请实施例的一种可能的实现方式，故障预测信息包括：故障等级、维修方式和预测故障时段，
预测性维修规划模块240在执行基于每一异常部件对应的故障预测信息进行预测性维修规划，得到矿山设备的维修规划时，用于：
基于每一异常部件的故障预测信息中预测故障时段和故障等级对多条故障预测信息进行预测故障排序，得到故障预测信息序列；
基于故障预测信息序列和所有故障预测信息各自对应的维修方式进行预测性维修规划，得到矿山设备的维修规划。
本申请实施例的一种可能的实现方式，矿山设备的维修性预测装置200，还包括：
故障原因分析模块，用于基于每一异常部件对应的故障预测信息进行故障原因分析，确定至少一个主异常部件和若干从异常部件，其中，主异常部件和从异常部件存在对应关系；
相应的，预测性维修规划模块240在执行基于每一异常部件对应的故障预测信息进行预测性维修规划，得到矿山设备的维修规划时，用于：
针对每一主异常部件对应的故障预测信息进行预测性维修规划，得到矿山设备的主异常部件的维修规划；
针对每一从异常部件对应的故障预测信息进行预测性维修规划，得到矿山设备的从异常部件的维修规划；
其中，矿山设备的维修规划包括：主异常部件的维修规划和从异常部件的维修规划，且，从异常部件的维修规划的维修时间均在对应的主异常部件的维修规划对应的维修时间之后。
本申请实施例的一种可能的实现方式，故障预测模块230在执行基于每一异常运行参数的历史运行参数、异常运行参数和故障预测模型，得到每一异常部件对应的故障预测信息时，用于：
基于每一异常运行参数的历史运行参数和异常运行参数进行参数趋势绘制，得到每一异常运行参数对应的趋势走向图；
利用故障预测模型对所有趋势走向图进行故障预测，得到每一异常部件对应的故障预测信息。
本申请实施例的一种可能的实现方式，矿山设备的维修性预测装置200，还包括：
维修任务调整模块，用于获取矿山区域内所有矿山设备的维修规划，并基于所有维修规划中的维修等级对所有维修规划进行分类，得到至少一类维修规划组合，其中，维修规划组合由相同的维修等级的至少一个维修规划构成；
针对每一维修规划组合，基于维修规划组合的维修等级和待分配维修人员列表进行人员分配，确定每一维修规划组合对应的至少一个维修人员；
基于每一维修人员对应的至少一个维修规划进行维修任务调整，得到每一维修人员的维修工作安排。
本申请实施例的一种可能的实现方式，矿山设备的维修性预测装置200，还包括：
处理方式确定模块，用于基于矿山设备的维修规划进行维修费用计算，得到维修费用和维修耗时；
基于矿山设备成本进行更换费用计算，得到更换费用和更换耗时；
基于矿山设备的维修费用、更换费用、维修耗时和更换耗时，综合确定设备的处理方式，其中，处理方式包括：维修和更换。
本申请实施例的一种可能的实现方式，处理方式确定模块在执行基于矿山设备的维修费用、更换费用、维修耗时、更换耗时和施工计划，综合确定设备的处理方式时，用于：
将矿山设备的维修费用和更换费用进行大小比较，并将矿山设备的维修耗时和更换耗时进行大小比较，得到比较结果；
若比较结果为维修费用高，且维修耗时长，则确定设备的处理方式为更换；
若比较结果为更换费用高，且更换耗时长，则确定设备的处理方式为维修；
若比较结果为维修费用高，但更换耗时长，则计算维修耗时长和更换耗时长之间的差值，得到耗时差值，并基于施工计划和耗时差值进行耗时差值成本计算，得到耗时差值成本；
当耗时差值成本和更换费用的总和高于维修费用时，则确定设备的处理方式为维修，否则，确定设备的处理方式为更换；
若比较结果为更换费用高，但维修耗时长，则计算维修耗时长和更换耗时长之间的差值，得到耗时差值，并基于施工计划和耗时差值进行耗时差值成本计算，得到耗时差值成本；
当耗时差值成本和维修费用的总和高于更换费用时，则确定设备的处理方式为更换，否则，确定设备的处理方式为维修。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的一种矿山设备的维修性预测装置200的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例中提供了一种电子设备，如图3所示，图3所示的电子设备300包括：处理器301和存储器303。其中，处理器301和存储器303相连，如通过总线302相连。可选地，电子设备300还可以包括收发器304。需要说明的是，实际应用中收发器304不限于一个，该电子设备300的结构并不构成对本申请实施例的限定。
处理器301可以是CPU（Central Processing Unit，中央处理器），通用处理器，DSP（Digital Signal Processor，数据信号处理器），ASIC（Application SpecificIntegrated Circuit，专用集成电路），FPGA（Field Programmable Gate Array，现场可编程门阵列）或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器301也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线302可包括一通路，在上述组件之间传送信息。总线302可以是PCI（Peripheral Component Interconnect，外设部件互连标准）总线或EISA（ExtendedIndustry Standard Architecture，扩展工业标准结构）总线等。总线302可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一型的总线。
存储器303可以是ROM（Read Only Memory，只读存储器）或可存储静态信息和指令的其他类型的静态存储设备，RAM（Random Access Memory，随机存取存储器）或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM（Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器）、CD-ROM（Compact DiscRead Only Memory，只读光盘）或其他光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器303用于存储执行本申请方案的应用程序代码，并由处理器301来控制执行。处理器301用于执行存储器303中存储的应用程序代码，以实现前述方法实施例所示的内容。
其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。还可以为服务器等。图3示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种矿山设备的维修性预测方法，其特征在于，包括：
获取矿山设备中每一部件对应的多项运行参数，得到矿山设备对应的运行参数集合；
基于所述运行参数集合和参数标准范围对矿山设备进行初步异常诊断，若存在异常，则从所述运行参数集合中确定至少一个异常运行参数，并确定至少一个异常部件，其中，所述异常运行参数和所述异常部件存在对应关系；
针对每一异常部件，获取异常部件对应的每一异常运行参数的历史运行参数，并基于每一异常运行参数的历史运行参数、异常运行参数和故障预测模型，得到每一异常部件对应的故障预测信息；
基于每一异常部件对应的故障预测信息进行预测性维修规划，得到矿山设备的维修规划，其中，维修规划包括：维修时间和维修等级。
2.根据权利要求1所述的矿山设备的维修性预测方法，其特征在于，故障预测信息包括：故障等级、维修方式和预测故障时段，
所述基于每一异常部件对应的故障预测信息进行预测性维修规划，得到矿山设备的维修规划，包括：
基于每一异常部件的故障预测信息中所述预测故障时段和所述故障等级对多条所述故障预测信息进行预测故障排序，得到故障预测信息序列；
基于所述故障预测信息序列和所有故障预测信息各自对应的所述维修方式进行预测性维修规划，得到矿山设备的维修规划。
3.根据权利要求1所述的矿山设备的维修性预测方法，其特征在于，所述得到每一异常部件对应的故障预测信息之后，还包括：
基于每一异常部件对应的故障预测信息进行故障原因分析，确定至少一个主异常部件和若干从异常部件，其中，主异常部件和从异常部件存在对应关系；
相应的，基于每一异常部件对应的故障预测信息进行预测性维修规划，得到矿山设备的维修规划，包括：
针对每一所述主异常部件对应的故障预测信息进行预测性维修规划，得到矿山设备的主异常部件的维修规划；
针对每一所述从异常部件对应的故障预测信息进行预测性维修规划，得到矿山设备的从异常部件的维修规划；
其中，矿山设备的维修规划包括：主异常部件的维修规划和从异常部件的维修规划，且，从异常部件的维修规划的维修时间均在对应的主异常部件的维修规划对应的维修时间之后。
4.根据权利要求1所述的矿山设备的维修性预测方法，其特征在于，所述基于每一异常运行参数的历史运行参数、异常运行参数和故障预测模型，得到每一异常部件对应的故障预测信息，包括：
基于每一异常运行参数的历史运行参数和异常运行参数进行参数趋势绘制，得到每一异常运行参数对应的趋势走向图；
利用故障预测模型对所有所述趋势走向图进行故障预测，得到每一异常部件对应的故障预测信息。
5.根据权利要求1所述的矿山设备的维修性预测方法，其特征在于，所述得到矿山设备的维修规划之后，还包括：
获取矿山区域内所有矿山设备的维修规划，并基于所有所述维修规划中的维修等级对所有所述维修规划进行分类，得到至少一类维修规划组合，其中，所述维修规划组合由相同的维修等级的至少一个维修规划构成；
针对每一维修规划组合，基于维修规划组合的所述维修等级和待分配维修人员列表进行人员分配，确定每一所述维修规划组合对应的至少一个维修人员；
基于每一维修人员对应的至少一个维修规划进行维修任务调整，得到每一维修人员的维修工作安排。
6.根据权利要求1至5任意一项所述的矿山设备的维修性预测方法，其特征在于，所述得到矿山设备的维修规划之后，还包括：
基于矿山设备的所述维修规划进行维修费用计算，得到维修费用和维修耗时；
基于矿山设备成本进行更换费用计算，得到更换费用和更换耗时；
基于矿山设备的所述维修费用、所述更换费用、所述维修耗时和所述更换耗时，综合确定设备的处理方式，其中，处理方式包括：维修和更换。
7.根据权利要求6所述的矿山设备的维修性预测方法，其特征在于，所述基于矿山设备的所述维修费用、所述更换费用、所述维修耗时、所述更换耗时和施工计划，综合确定设备的处理方式，包括：
将矿山设备的所述维修费用和所述更换费用进行大小比较，并将矿山设备的所述维修耗时和所述更换耗时进行大小比较，得到比较结果；
若比较结果为维修费用高，且维修耗时长，则确定设备的处理方式为更换；
若比较结果为更换费用高，且更换耗时长，则确定设备的处理方式为维修；
若比较结果为维修费用高，但更换耗时长，则计算所述维修耗时长和所述更换耗时长之间的差值，得到耗时差值，并基于所述施工计划和所述耗时差值进行耗时差值成本计算，得到耗时差值成本；
当所述耗时差值成本和所述更换费用的总和高于所述维修费用时，则确定设备的处理方式为维修，否则，确定设备的处理方式为更换；
若比较结果为更换费用高，但维修耗时长，则计算所述维修耗时长和所述更换耗时长之间的差值，得到耗时差值，并基于所述施工计划和所述耗时差值进行耗时差值成本计算，得到耗时差值成本；
当所述耗时差值成本和所述维修费用的总和高于所述更换费用时，则确定设备的处理方式为更换，否则，确定设备的处理方式为维修。
8.一种矿山设备的维修性预测装置，其特征在于，包括：
获取参数模块，用于获取矿山设备中每一部件对应的多项运行参数，得到矿山设备对应的运行参数集合；
异常诊断模块，用于基于所述运行参数集合和参数标准范围对矿山设备进行初步异常诊断，若存在异常，则从所述运行参数集合中确定至少一个异常运行参数，并确定至少一个异常部件，其中，所述异常运行参数和所述异常部件存在对应关系；
故障预测模块，用于针对每一异常部件，获取异常部件对应的每一异常运行参数的历史运行参数，并基于每一异常运行参数的历史运行参数、异常运行参数和故障预测模型，得到每一异常部件对应的故障预测信息；
预测性维修规划模块，用于基于每一异常部件对应的故障预测信息进行预测性维修规划，得到矿山设备的维修规划，其中，维修规划包括：维修时间和维修等级。
9.一种电子设备，其特征在于，包括：
至少一个处理器；
存储器；
至少一个应用程序，其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行，所述至少一个应用程序配置用于：执行权利要求1～7任一项所述的矿山设备的维修性预测方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令所述计算机执行权利要求1～7任一项所述的矿山设备的维修性预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310520725.2A CN116307259B (zh) | 2023-05-10 | 2023-05-10 | 一种矿山设备的维修性预测方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310520725.2A CN116307259B (zh) | 2023-05-10 | 2023-05-10 | 一种矿山设备的维修性预测方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116307259A true CN116307259A (zh) | 2023-06-23 |
| CN116307259B CN116307259B (zh) | 2023-10-31 |
Family
ID=86798040
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310520725.2A Active CN116307259B (zh) | 2023-05-10 | 2023-05-10 | 一种矿山设备的维修性预测方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116307259B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117474527A (zh) * | 2023-11-28 | 2024-01-30 | 北京都朗信息科技有限公司 | 一种建筑施工安全标准评估方法 |
| CN117576879A (zh) * | 2024-01-17 | 2024-02-20 | 兰陵城投矿业有限公司 | 一种用于矿山运输设备的检测预警方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002140446A (ja) * | 2000-10-31 | 2002-05-17 | Kawasaki Heavy Ind Ltd | 整備管理システム |
| US20090037206A1 (en) * | 2007-07-31 | 2009-02-05 | Brian Dara Byrne | Method of forecasting maintenance of a machine |
| CN103016264A (zh) * | 2011-09-20 | 2013-04-03 | 通用电气公司 | 预测风机部件故障的数据分析仪 |
| CN107144303A (zh) * | 2017-04-21 | 2017-09-08 | 煤炭科学技术研究院有限公司 | 一种矿用机电设备的故障检测系统、方法及装置 |
| CN109376882A (zh) * | 2018-12-29 | 2019-02-22 | 华润电力技术研究院有限公司 | 维修策略制定方法、终端和计算机存储介质 |
| RU2687848C1 (ru) * | 2018-06-28 | 2019-05-16 | Общество с ограниченной ответственностью НПЦ "Динамика" - Научно-производственный центр "Диагностика", надежность машин и комплексная автоматизация" | Способ и система вибромониторинга промышленной безопасности динамического оборудования опасных производственных объектов |
| CN112100868A (zh) * | 2020-11-10 | 2020-12-18 | 北京航空航天大学 | 一种维修性虚拟分析方法及系统 |
| CN113359682A (zh) * | 2021-06-30 | 2021-09-07 | 西安力传智能技术有限公司 | 设备故障预测方法、装置、设备故障预测平台及介质 |
| CN113658414A (zh) * | 2021-07-30 | 2021-11-16 | 深圳市中金岭南有色金属股份有限公司凡口铅锌矿 | 矿场设备故障预警方法、装置、终端设备及存储介质 |
| CN113833526A (zh) * | 2020-06-08 | 2021-12-24 | 兰州资源环境职业技术学院 | 一种矿山设备安全预警系统 |
| KR20220150648A (ko) * | 2021-05-04 | 2022-11-11 | 한국남동발전 주식회사 | 고장예측모델을 기반으로 하는 예지보전 운영시스템 |
-
2023
- 2023-05-10 CN CN202310520725.2A patent/CN116307259B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002140446A (ja) * | 2000-10-31 | 2002-05-17 | Kawasaki Heavy Ind Ltd | 整備管理システム |
| US20090037206A1 (en) * | 2007-07-31 | 2009-02-05 | Brian Dara Byrne | Method of forecasting maintenance of a machine |
| CN103016264A (zh) * | 2011-09-20 | 2013-04-03 | 通用电气公司 | 预测风机部件故障的数据分析仪 |
| CN107144303A (zh) * | 2017-04-21 | 2017-09-08 | 煤炭科学技术研究院有限公司 | 一种矿用机电设备的故障检测系统、方法及装置 |
| RU2687848C1 (ru) * | 2018-06-28 | 2019-05-16 | Общество с ограниченной ответственностью НПЦ "Динамика" - Научно-производственный центр "Диагностика", надежность машин и комплексная автоматизация" | Способ и система вибромониторинга промышленной безопасности динамического оборудования опасных производственных объектов |
| CN109376882A (zh) * | 2018-12-29 | 2019-02-22 | 华润电力技术研究院有限公司 | 维修策略制定方法、终端和计算机存储介质 |
| CN113833526A (zh) * | 2020-06-08 | 2021-12-24 | 兰州资源环境职业技术学院 | 一种矿山设备安全预警系统 |
| CN112100868A (zh) * | 2020-11-10 | 2020-12-18 | 北京航空航天大学 | 一种维修性虚拟分析方法及系统 |
| KR20220150648A (ko) * | 2021-05-04 | 2022-11-11 | 한국남동발전 주식회사 | 고장예측모델을 기반으로 하는 예지보전 운영시스템 |
| CN113359682A (zh) * | 2021-06-30 | 2021-09-07 | 西安力传智能技术有限公司 | 设备故障预测方法、装置、设备故障预测平台及介质 |
| CN113658414A (zh) * | 2021-07-30 | 2021-11-16 | 深圳市中金岭南有色金属股份有限公司凡口铅锌矿 | 矿场设备故障预警方法、装置、终端设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| PRAKASH KUMAR: "An expert system for predictive maintenance of mining excavators and its various forms in open cast mining", 《2012 1ST INTERNATIONAL CONFERENCE ON RECENT ADVANCES IN INFORMATION TECHNOLOGY (RAIT)》, pages 1 - 4 * |
| XUHUI ZHANG EL AL: "Research on Predictive Maintenance Methods of Shearer Hydraulic System Based on Digital Twin", 《2022 GLOBAL RELIABILITY AND PROGNOSTICS AND HEALTH MANAGEMENT (PHM-YANTAI)》, pages 1 - 6 * |
| 刁俊武 等: "大数据在设备预测性维修中的应用研究", 《当代化工研究》, no. 9, pages 89 - 90 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117474527A (zh) * | 2023-11-28 | 2024-01-30 | 北京都朗信息科技有限公司 | 一种建筑施工安全标准评估方法 |
| CN117474527B (zh) * | 2023-11-28 | 2024-05-24 | 北京都朗信息科技有限公司 | 一种建筑施工安全标准评估方法 |
| CN117576879A (zh) * | 2024-01-17 | 2024-02-20 | 兰陵城投矿业有限公司 | 一种用于矿山运输设备的检测预警方法及系统 |
| CN117576879B (zh) * | 2024-01-17 | 2024-04-16 | 兰陵城投矿业有限公司 | 一种用于矿山运输设备的检测预警方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116307259B (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116307259B (zh) | 一种矿山设备的维修性预测方法、装置、设备和介质 | |
| Sakib et al. | Challenges and opportunities of condition-based predictive maintenance: a review | |
| Gustafson et al. | Reliability analysis and comparison between automatic and manual load haul dump machines | |
| Angeles et al. | Optimal inspection and preventive maintenance scheduling of mining equipment | |
| CN112727965B (zh) | 采煤机制动器的故障监测方法及装置 | |
| Han et al. | An integrated decision support model for selecting the most feasible crane at heavy construction sites | |
| US20220317676A1 (en) | Systems and methods for automatically scheduling maintenance | |
| US10963797B2 (en) | System for analyzing machine data | |
| KR102169791B1 (ko) | 철도차량 주요부품 및 시스템 진단장치 | |
| CN112036708A (zh) | 综合管廊巡检与检修方法、平台及计算机存储介质 | |
| Mathew et al. | Comparative analysis between profits of the two models of a CC plant | |
| Petroutsatou et al. | Integrated prescriptive maintenance system (PREMSYS) for construction equipment based on productivity | |
| Temkin et al. | Predictive analytics in mining. dispatch system is the core element of creating intelligent digital mine | |
| CN116955955A (zh) | 一种管道缺陷模型预测方法、系统、终端设备及存储介质 | |
| CN112819262A (zh) | 存储器、工艺管道检维修决策方法、装置和设备 | |
| CN116258482A (zh) | 一种自动选择维修方案的方法、服务器、电子设备 | |
| Lipiec et al. | Towards a health-aware fault tolerant control of complex systems: A vehicle fleet case | |
| EP4315192A1 (en) | Devices, systems and methods for automatically predicting maintenance events | |
| Borucka | Method of testing the readiness of means of transport with the use of semi-Markov processes | |
| Tartakovskyi et al. | Refining the models of performing service tests of upgraded locomotives | |
| Zhao et al. | Big operational data oriented health diagnosis based on weibull proportional hazards model for multi-state manufacturing system | |
| Bondar et al. | Implementing intelligent monitoring of the technical condition of locomotive hydraulic transmissions | |
| CN117408668B (zh) | 基于飞机健康管理的检修方法、系统、设备和存储介质 | |
| US20230243131A1 (en) | Anomalous operating characteristic detection system, and associated devices and methods | |
| Zhou et al. | Three-grade preventive maintenance decision making |
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 |