CN116485376A - 一种设备维修外包服务流程的数据闭环方法 - Google Patents
一种设备维修外包服务流程的数据闭环方法 Download PDFInfo
- Publication number
- CN116485376A CN116485376A CN202310470385.7A CN202310470385A CN116485376A CN 116485376 A CN116485376 A CN 116485376A CN 202310470385 A CN202310470385 A CN 202310470385A CN 116485376 A CN116485376 A CN 116485376A
- Authority
- CN
- China
- Prior art keywords
- fault
- maintenance
- equipment
- information
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 179
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000012946 outsourcing Methods 0.000 title claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims abstract description 94
- 238000003745 diagnosis Methods 0.000 claims abstract description 88
- 230000008439 repair process Effects 0.000 claims abstract description 86
- 238000011156 evaluation Methods 0.000 claims abstract description 43
- 238000003032 molecular docking Methods 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 33
- 238000012216 screening Methods 0.000 claims abstract description 30
- 230000005540 biological transmission Effects 0.000 claims description 63
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 210000001503 joint Anatomy 0.000 claims description 17
- 230000007246 mechanism Effects 0.000 claims description 15
- 238000012797 qualification Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000011065 in-situ storage Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 9
- 241000700605 Viruses Species 0.000 description 4
- 230000001052 transient effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种设备维修外包服务流程的数据闭环方法,属于设备维修技术领域,其方法包括:获取不同设备的出厂信息,并发送至云端生成云数据,确定不同设备的故障诊断分析策略;获取多个对接设备的设备信息并生成报修二维码;当用户扫描报修二维码时,基于故障诊断分析策略对对接设备的运行信息进行故障诊断分析并获得结果;基于分析结果,确定故障类型和维修难易程度;基于故障类型和维修难易程度对工程师进行筛选,在规定时限选取对应工程师;工程师将维修数据上传至报修流程中,并获取用户的工单评价结果。来解决整个维护系统里不能详细的记录整个维修保养的流程,维保流程不受管控,且对维修时限要求高的设备故障不能起到高效率维修的问题。
Description
技术领域
本发明涉及设备维修技术领域,特别涉及一种设备维修外包服务流程的数据闭环方法。
背景技术
目前,当前设备故障的报修模式基本上都是由用户直接通过通讯方式(电话、社交软件等)联系维保服务商,需要外包服务商在后台统一分配到达现场时间,然后再由分配到的服务工程师进行电话预约,最后完成时会生成一个评价工单,在这个过程中整个维保流程中不受管控,且维护系统里只有报修和结果两个环节数据,不能详细的记录整个维修保养的流程,整个流程的数据处于可变更,不可实时体现整个故障保修的状态,无法对外包服务商的效率进行监督管控,同时,对维修时限要求高的生产设备故障不能起到一个高效率的维修,无法对服务商的质理进行有效的考核。
因此,本发明提出一种设备维修外包服务流程的数据闭环方法。
发明内容
本发明提供一种设备维修外包服务流程的数据闭环方法,通过获取不同设备的出厂信息,并发送至云端生成云数据,基于云数据确定不同设备的故障诊断分析策略,获取对接设备的设备信息生成设备的报修二维码,当用户扫描报修二维码时,基于故障诊断分析策略对相应对接设备的运行信息进行故障诊断分析,获得故障诊断分析结果,基于所述故障诊断分析结果,确定故障类型和故障维修难易程度,并根据故障类型和维修难易程度对服务工程师进行筛选,在规定时限内,选取对应工程师并将工程师信息上传至报修流程中,来解决背景技术中维护系统里只有报修和结果两个环节数据,所以整个维保流程中不受管控且对维修时限要求高的生产设备故障不能起到一个高效率的维修的问题。
本发明提出一种设备维修外包服务流程的数据闭环方法,该方法包括:
步骤1:获取不同设备的出厂信息,并将所述出厂信息发送至云端生成云数据,基于所述云数据确定不同设备的故障诊断分析策略;
步骤2:获取多个需要进行外包服务的对接设备的设备信息,基于设备信息生成设备的报修二维码;
步骤3:当用户扫描报修二维码时,基于故障诊断分析策略对相应对接设备的运行信息进行故障诊断分析,获得故障诊断分析结果,并上传至报修流程中;
步骤4:基于所述故障诊断分析结果,确定故障类型和故障维修难易程度,并在报修流程中进行标定;
步骤5:基于所述故障类型对服务工程师进行第一筛选,基于故障维修难易程度对服务工程师进行第二筛选,在规定时限内,选取对应工程师并将工程师信息上传至报修流程中;
步骤6:工程师将维修过程中的数据以及维修完成后的数据上传至报修流程中,并在维修完成后获取用户的工单评价结果,并在所述报修流程中体现;
其中,最后所得到的报修流程即为维修过程全闭环数据链。
优选的,获取不同设备的出厂信息,并将所述出厂信息发送至云端生成云数据,基于所述云数据确定不同设备的故障诊断分析策略,包括:
获取不同设备的出厂特征标识,根据所述出厂特征标识从出厂数据源获取每个设备的出厂信息;
将不同设备的出厂信息发送云端并生成云数据,根据所述云数据,确定每个设备的可能故障信息以及每个可能故障信息的故障原因;
按照同故障原因,对每个设备的所有可能故障信息进行分类,并根据同设备所涉及的每个分类结果的故障识别特征,对神经网络模型进行训练,生成故障诊断模型,进而生成相应设备的故障诊断分析策略。
优选的,获取多个需要进行外包服务的对接设备的设备信息,基于设备信息生成设备的报修二维码,包括:
获取每个对接设备的设备编号,并生成相应对接设备的初始信息二维码,同时,获取每个对接设备的设备信息;
将每个对接设备的设备信息写入到同对接设备的初始信息二维码中,生成目标信息二维码;
将每个对接设备的目标信息二维码确认为同对接设备的报修二维码,并标识在所述同对接设备上;
其中,目标信息二维码信息包括:设备名称、设备品牌、设备型号、设备属性、设备工作环境状态。
优选的,当用户扫描报修二维码时,基于故障诊断分析策略对相应对接设备的运行信息进行故障诊断分析,获得故障诊断分析结果,并上传至报修流程中,包括:
当用户扫描报修二维码时,确定目标对接设备并生成检测指令,根据所述检测指令获取目标对接设备的当下运行信息;
将所述目标对接设备的当下运行信息和正常运行信息对比,根据对比结果判断目标对接设备是否存在异常运行信息;
若存在,对所述异常运行信息进行行为判断,确定异常运行信息的出现原因,其中,所述出现原因为:人为操作行为导致和/或设备本身异常原因导致;
若为设备本身异常原因导致,则基于所述故障诊断分析策略对异常运行信息进行故障诊断分析,获得故障诊断分析结果,并上传至报修流程中。
优选的,基于所述故障诊断分析结果,确定故障类型和故障维修难易程度,并在报修流程中进行标定,包括:
根据故障-类型数据库获取所述故障诊断分析结果的故障类型,并进行第一标定;
根据所述故障诊断分析结果确定故障原因,基于所述故障类型和故障原因,判断故障维修难易程度,并进行第二标定;
其中,若故障维修难易程度为简单,则用黄色标签进行标定。
若故障维修难易程度为复杂,则用红色标签进行标定;
优选的,根据故障-类型数据库获取所述故障诊断分析结果的故障类型,并进行第一标定,包括:
根据所述故障分析结果确定故障类别,所述故障类别包括:单一故障和组合故障;
若为单一故障,基于第一特征提取规则从所述故障分析结果提取第一必要故障特征,若为组合故障,基于第二特征提取规则从所述故障分析结果提取第二必要故障特征;
基于故障-类型数据库获取与所述第一必要故障特征或第二必要故障特征匹配的故障类型,并进行第一标定。
优选的,基于所述故障类型对服务工程师进行第一筛选,基于故障维修难易程度对服务工程师进行第二筛选,在规定时限内,选取对应工程师并将工程师信息上传至报修流程中,包括:
根据所述故障类型进行业务筛选,确定业务类型与故障类型匹配的第一服务工程师;
获取每个第一服务工程师的专业技能证书信息、资质信息以及历史维修信息;
基于故障维修难易程度和每个第一服务工程师的专业技能证书信息、资质信息以及历史维修信息,筛选出最可靠的第二服务工程师;
获取第二服务工程师的工程师信息并在规定时限内将其上传至报修流程中。
优选的,工程师将维修过程中的数据以及维修完成后的数据上传至报修流程中,并在维修完成后获取用户的工单评价结果,并在所述报修流程中体现,包括:
获取工程师在维修过程中的数据以及维修完成后的数据并生成设备维修数据表;
将所述设备维修数据表进行加密并上传到报修流程中,同时生成服务评价请求并将其反馈至用户终端;
根据用户终端的反馈结果获取用户对于工程师的匿名评价信息;
将所述匿名评价信息上传到所述报修流程中并构建本地服务器与云端之间的报修流程共享机制。
优选的,构建本地服务器与云端之间的报修流程共享机制,包括:
在网络节点属性-网络流表中查找本地服务器网络节点的当前属性,获取本地服务器网络节点的标准网络流;
根据所述标准网络流确定云端的初始数据缓存特征;
根据云端的特有工作节点特征参数确定初始数据缓存特征中的高级数据缓存特征;
获取云端的数据调取规则,根据所述数据调取规则和云端的的高级数据缓存特征,选择数据传输网络协议;
在所述云端中调取数据资源样本,基于所述数据资源样本通过所述数据传输网络协议向本地服务器的网络节点进行传输,获取传输结果;
根据所述传输结果获取云端与本地服务器之间的交互记录;
根据所述交互记录确定数据传输网络协议在云端和本地服务器之间的传输兼容性;
当所述传输兼容性大于预设阈值时获取云端的数据传输特征参数以及本地服务器的数据传输行为特征,对所述数据传输特征参数和行为特征进行相关性分析,获取分析结果;
根据分析结果确定本地服务器的高效数据传输行为特征;
生成所述高效数据传输行为特征对应的响应代码,基于所述响应代码和云端的连接代码生成云端与本地服务器之间的网格链;
对所述网格链进行特征提取得到网格特征;
获取本地服务器的特性服务器资源和其历史调用记录,基于所述特性服务器资源和其历史调用记录通过预设审批流程对本地服务器进行信任评估,获取评估信任值;
若所述评估信任值大于等于预设信任值,根据所述网格特征构建云端的资源供出链和本地服务器的资源接收链;
根据所述资源供出链和资源接收链建立云端与本地服务器之间的数据共享机制。
优选的,基于故障维修难易程度和每个第一服务工程师的专业技能证书信息、资质信息以及历史维修信息,筛选出最可靠的第二服务工程师,包括:
根据每个第一服务工程师的专业技能证书信息和资质信息确定每个第一服务工程师的故障维修水平指数;
根据每个第一服务工程师的历史维修信息确定每个第一服务工程师的经验系数;
根据每个第一服务工程师的故障维修水平指数和经验系数计算出每个第一服务工程师的推荐度:
其中,Fi表示为第i个第一服务工程师的推荐度,a表示为故障维修难易程度,θ1表示为第一权重系数,取值为0.6,Di表示为第i个第一服务工程师的故障维修水平指数,θ2表示为第二权重系数,取值为0.4,Ei表示为第i个第一服务工程师的经验系数,δi表示为第i个第一服务工程师的临场应变能力值,取值区间为[0.5,0.9],N2i表示为第i个第一服务工程师的历史维修订单数量,N1i表示为第i个第一服务工程师的历史维修订单数量中好评订单的数量,Gi表示为第i个第一服务工程师的知名度;
根据每个第一服务工程师的推荐度选择推荐度最大的目标第一服务工程师作为最可靠的第二服务工程师。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种设备维修外包服务流程的数据闭环方法的流程图;
图2为本发明实施例中一种设备维修外包服务流程的数据闭环方法的另一流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
本发明提供一种设备维修外包服务流程的数据闭环方法,如图1所示,该方法包括:
步骤1:获取不同设备的出厂信息,并将所述出厂信息发送至云端生成云数据,基于所述云数据确定不同设备的故障诊断分析策略;
步骤2:获取多个需要进行外包服务的对接设备的设备信息,基于设备信息生成设备的报修二维码;
步骤3:当用户扫描报修二维码时,基于故障诊断分析策略对相应对接设备的运行信息进行故障诊断分析,获得故障诊断分析结果,并上传至报修流程中;
步骤4:基于所述故障诊断分析结果,确定故障类型和故障维修难易程度,并在报修流程中进行标定;
步骤5:基于所述故障类型对服务工程师进行第一筛选,基于故障维修难易程度对服务工程师进行第二筛选,在规定时限内,选取对应工程师并将工程师信息上传至报修流程中;
步骤6:工程师将维修过程中的数据以及维修完成后的数据上传至报修流程中,并在维修完成后获取用户的工单评价结果,并在所述报修流程中体现;
其中,最后所得到的报修流程即为维修过程全闭环数据链。
该实施例中,出厂信息是指设备的出厂编号,是设备在卖出之前,生产出来之后,生产厂家给设备的特定的编号,由生产日期和生产数量组成,比如该设备是2023年4月18日第50台设备,那么编号就为2023041850。
该实施例中,根据每个设备的特定的生产编号,确定设备的类型和名称。
该实施例中,故障诊断分析策略是指诊断设备可能出现的故障,预先对可能出现的故障进行确定,且可以通过模型诊断、选取合适的监测传感器对设备的各个部位的状态信号进行采集分析等方式,实现对可能出现的故障的诊断。
该实施例中,设备信息是指设备的名称、供应商、型号、类别、序列号。
该实施例中,报修二维码是指当设备发生故障时,用户通过扫描二维码进行报修。
该实施例中,运行信息是指设备当下运行时产生的数据,比如设备为汽车发动机,运行时的转速、功率。
该实施例中,故障诊断分析结果是指设备的故障时由于人为或者设备本身的原因,比如设备为汽车发动机,驾驶员的操作不当会导致发动机出现问题,或者是发动机本身的设计不当也会导致发动机出现故障。
该实施例中,报修流程是指在电脑或者手机上对报修过程的显示,包括:用户报修、外包公司接单、诊断故障、分配工程师、工程师维修、用户评价。
该实施例中,故障类型可以包括:永久故障、瞬时故障和间歇故障,其中永久故障是设备的元件不可逆,维修难度较大,瞬时故障和间歇故障是设备的元件不会发生不可逆的变化,维修难度较小。
该实施例中,第一筛选是指根据故障类型对工程师进行筛选,比如故障类型为永久故障,则需要经常维修永久故障的工程师,比如为1号工程师、2号工程师、3号工程师,第二筛选是指根据故障难易程度对工程师进行筛选,永久故障的难易程度分为A类、B类、C类,根据难易程度在1号工程师、2号工程师、3号工程师中进行选择。
该实施例中,维修过程中异常数据不同时刻的变换、维修的起止时间、维修过程中需要更换的元件信息上传至报修流程中,并生成订单评价,用户进行评价,评价包括:维修效率评价、维修过程评价、维修人员评价。
上述技术方案的有益效果为:通过获取不同设备的信息,生成报修二维码,根据故障诊断策略获取故障诊断分析结果,并根据故障诊断分析结果安排适配的工程师进行维修,维修完成后,用户对维修过程进行评价,上传至报修流程,可以使整个维修过程的数据形成一个闭环,方便对外包服务公司进行管理,同时对维修时限要求高的故障设备起到一个高效率的维修。
实施例2:
本发明提供一种设备维修外包服务流程的数据闭环方法,如图2所示,获取不同设备的出厂信息,并将所述出厂信息发送至云端生成云数据,基于所述云数据确定不同设备的故障诊断分析策略,包括:
S01:获取不同设备的出厂特征标识,根据所述出厂特征标识从出厂数据源获取每个设备的出厂信息;
S02:将不同设备的出厂信息发送云端并生成云数据,根据所述云数据,确定每个设备的可能故障信息以及每个可能故障信息的故障原因;
S03:按照同故障原因,对每个设备的所有可能故障信息进行分类,并根据同设备所涉及的每个分类结果的故障识别特征,对神经网络模型进行训练,生成故障诊断模型,进而生成相应设备的故障诊断分析策略。
该实施例中,出厂特征标识是指设备的认证标识、所含主要成分的名称和占比。
该实施例中,出厂信息是指设备的出厂编号,是设备在卖出之前,生产出来之后,生产厂家给设备的特定的编号,由生产日期和生产数量组成,比如该设备是2023年4月18日第50台设备,那么编号就为2023041850。
该实施例中,云端指的是服务器的一端,通过网络将设备的出厂信息上传到服务器端进行保存。
该实施例中,比如设备为手机,可能故障信息可以包括:手机黑屏、手机死机、手机充不上电。
该实施例中,故障原因比如对手机黑屏,有可能是手机过热、中病毒、手机系统与手机不符,手机充不上电有可能是充电器原因、中病毒。
该实施例中,按照故障原因对故障信息进行分类,比如手机黑屏和手机充不上电都有可能是手机中病毒,可以将他们分为同一类故障。
该实施例中,故障诊断模型是通过训练神经网络模型生成的,可以将故障特征输入到诊断模型中,以获取设备所发生的故障类型。
该实施例中,故障诊断分析策略是指诊断设备可能出现的故障,预先对可能出现的故障进行确定,且可以通过模型诊断、选取合适的监测传感器对设备的各个部位的状态信号进行采集分析等方式,实现对可能出现的故障的诊断。
上述技术方案的有益效果为:通过将不同设备的生产信息上传至云端并生成云数据,确定每个设备故障信息和故障原因,对故障信息进行分类,训练神经网络模型生成故障诊断模型,可以在设备发生故障时,快速获取相应设备的故障诊断分析策略对设备故障进行分析,节省了大量人工分析的时间。
实施例3:
本发明提供一种设备维修外包服务流程的数据闭环方法,获取多个需要进行外包服务的对接设备的设备信息,基于设备信息生成设备的报修二维码,包括:
获取每个对接设备的设备编号,并生成相应对接设备的初始信息二维码,同时,获取每个对接设备的设备信息;
将每个对接设备的设备信息写入到同对接设备的初始信息二维码中,生成目标信息二维码;
将每个对接设备的目标信息二维码确认为同对接设备的报修二维码,并标识在所述同对接设备上;
其中,目标信息二维码信息包括:设备名称、设备品牌、设备型号、设备属性、设备工作环境状态。
该实施例中,初始信息二维码包括设备编号产品的编码,可查询该设备的性能、标准生产车间。
该实施例中,设备信息是指设备的名称、供应商、型号、类别、序列号。
该实施例中,目标信息二维码包括:设备名称、设备品牌、设备型号、设备属性、设备工作环境状态。
将目标二维码贴在设备机身上。
上述技术方案的有益效果为:通过将对接设备的设备信息写入到初始信息二维码中,生成目标信息二维码,并标识在同对接设备上,可以方便用户扫描二维码进行报修,并使整个维修过程可以实时更新,方便对外包服务公司进行监督。
实施例4:
本发明提供一种设备维修外包服务流程的数据闭环方法,当用户扫描报修二维码时,基于故障诊断分析策略对相应对接设备的运行信息进行故障诊断分析,获得故障诊断分析结果,并上传至报修流程中,包括:
当用户扫描报修二维码时,确定目标对接设备并生成检测指令,根据所述检测指令获取目标对接设备的当下运行信息;
将所述目标对接设备的当下运行信息和正常运行信息对比,根据对比结果判断目标对接设备是否存在异常运行信息;
若存在,对所述异常运行信息进行行为判断,确定异常运行信息的出现原因,其中,所述出现原因为:人为操作行为导致和/或设备本身异常原因导致;
若为设备本身异常原因导致,则基于所述故障诊断分析策略对异常运行信息进行故障诊断分析,获得故障诊断分析结果,并上传至报修流程中。
该实施例中,检测指令是指对对接设备进行运行检测的指令。
该实施例中,运行信息是指设备当下运行时产生的数据,比如设备为汽车发动机,运行时的转速、功率。
上述技术方案的有益效果为:通过获取对接设备的当下运行信息,并判断当下运行信息是否存在异常以及出现异常的原因,可以及时对故障原因做出判断,获得故障诊断分析结果,提高了故障诊断速度,能够对设备起到一个高效率的维修。
实施例5:
本发明提供一种设备维修外包服务流程的数据闭环方法,基于所述故障诊断分析结果,确定故障类型和故障维修难易程度,并在报修流程中进行标定,包括:
根据故障-类型数据库获取所述故障诊断分析结果的故障类型,并进行第一标定;
根据所述故障诊断分析结果确定故障原因,基于所述故障类型和故障原因,判断故障维修难易程度,并进行第二标定;
其中,若故障维修难易程度为简单,则用黄色标签进行标定。
若故障维修难易程度为复杂,则用红色标签进行标定;
该实施例中,故障-类型数据库是记录了大量故障的类型的数据库。
该实施例中,故障类型可以包括:永久故障、瞬时故障和间歇故障,其中永久故障是设备的元件不可逆,维修难度较大,瞬时故障和间歇故障是设备的元件不会发生不可逆的变化,维修难度较小。
该实施例中,故障原因指的是故障发生的原因,包括外部人为干涉或内部设备自身原因。
比如故障类型是永久故障,且出现永久故障的原因是元件使用寿命到期,只需更换元件,那么该类故障维修程度为简单,若故障类型是永久故障,且出现永久故障的原因是由于相关联的元件运行异常,那么该类故障维修程度复杂。
上述技术方案的有益效果为:通过获取故障类型和故障原因,来确定故障维修难易程度,并进行标定,可以为后续快速匹配到对应工程师节省了时间。
实施例6:
本发明提供一种设备维修外包服务流程的数据闭环方法,根据故障-类型数据库获取所述故障诊断分析结果的故障类型,并进行第一标定,包括:
根据所述故障分析结果确定故障类别,所述故障类别包括:单一故障和组合故障;
若为单一故障,基于第一特征提取规则从所述故障分析结果提取第一必要故障特征,若为组合故障,基于第二特征提取规则从所述故障分析结果提取第二必要故障特征;
基于故障-类型数据库获取与所述第一必要故障特征或第二必要故障特征匹配的故障类型,并进行第一标定。
该实施例中,单一故障是设备经过检验只有一种故障。
该实施例中,组合故障是设备同时出现好几个故障。
该实施例中,第一特征提取规则是对单一故障进行特征提取的提取规则。
该实施例中,第一必要故障特征是指单一故障的特征,比如发动机出现问题,那出现油耗增加、行驶无力都是第一必要故障特征。
该实施例中,第二必要故障特征是指组合故障的特征,比如发动机和汽车仪表盘显示不准,那汽车温度过高、仪表盘指针来回晃动都是第二必要故障特征。
该实施例中,故障-类型数据库是记录了大量故障的类型的数据库。
上述技术方案的有益效果为:通过确定故障类别,提取必要故障特征,基于故障-类型数据库获取与必要故障特征匹配的故障类型,并进行标定,可以快速判断故障类型,并使维修过程可视化。
实施例7:
本发明提供一种设备维修外包服务流程的数据闭环方法,基于所述故障类型对服务工程师进行第一筛选,基于故障维修难易程度对服务工程师进行第二筛选,在规定时限内,选取对应工程师并将工程师信息上传至报修流程中,包括:
根据所述故障类型进行业务筛选,确定业务类型与故障类型匹配的第一服务工程师;
获取每个第一服务工程师的专业技能证书信息、资质信息以及历史维修信息;
基于故障维修难易程度和每个第一服务工程师的专业技能证书信息、资质信息以及历史维修信息,筛选出最可靠的第二服务工程师;
获取第二服务工程师的工程师信息并在规定时限内将其上传至报修流程中。
该实施例中,第一筛选是指根据故障类型对工程师进行筛选,比如故障类型为永久故障,则需要经常维修永久故障的工程师,比如为1号工程师、2号工程师、3号工程师,第二筛选是指根据故障难易程度对工程师进行筛选,永久故障的难易程度分为A类、B类、C类,根据难易程度在1号工程师、2号工程师、3号工程师中进行选择。
上述技术方案的有益效果为:通过故障类型和故障难易程度匹配出最可靠的工程师进行维修设备,并将工程师信息及时更新至报修流程中,使维保流程中维修工程师受到有效管控,且保证维修过程更高效。
实施例8:
本发明提供一种设备维修外包服务流程的数据闭环方法,工程师将维修过程中的数据以及维修完成后的数据上传至报修流程中,并在维修完成后获取用户的工单评价结果,并在所述报修流程中体现,包括:
获取工程师在维修过程中的数据以及维修完成后的数据并生成设备维修数据表;
将所述设备维修数据表进行加密并上传到报修流程中,同时生成服务评价请求并将其反馈至用户终端;
根据用户终端的反馈结果获取用户对于工程师的匿名评价信息;
将所述匿名评价信息上传到所述报修流程中并构建本地服务器与云端之间的报修流程共享机制。
该实施例中,维修过程中的数据包括:设备的异常数据变换、维修的起止时间。
该实施例中,维修完成后的数据包括:设备异常数据的最终数据。
将设备维修时的数据和维修后的数据填写到对应表格中并上传至报修流程中。
该实施例中,共享机制是本地服务器和云端之间的报修流程数据互通的机制。
上述技术方案的有益效果为:通过生成维修数据表并让用户进行评价,将评价结果上传至报修流程中并构建本地服务器与云端之间的报修流程共享机制,可以更好的对外包服务工程师进行考核,且数据实现互通,可实时看到维修过程。
实施例9:
本发明提供一种设备维修外包服务流程的数据闭环方法,构建本地服务器与云端之间的报修流程共享机制,包括:
在网络节点属性-网络流表中查找本地服务器网络节点的当前属性,获取本地服务器网络节点的标准网络流;
根据所述标准网络流确定云端的初始数据缓存特征;
根据云端的特有工作节点特征参数确定初始数据缓存特征中的高级数据缓存特征;
获取云端的数据调取规则,根据所述数据调取规则和云端的的高级数据缓存特征,选择数据传输网络协议;
在所述云端中调取数据资源样本,基于所述数据资源样本通过所述数据传输网络协议向本地服务器的网络节点进行传输,获取传输结果;
根据所述传输结果获取云端与本地服务器之间的交互记录;
根据所述交互记录确定数据传输网络协议在云端和本地服务器之间的传输兼容性;
当所述传输兼容性大于预设阈值时获取云端的数据传输特征参数以及本地服务器的数据传输行为特征,对所述数据传输特征参数和行为特征进行相关性分析,获取分析结果;
根据分析结果确定本地服务器的高效数据传输行为特征;
生成所述高效数据传输行为特征对应的响应代码,基于所述响应代码和云端的连接代码生成云端与本地服务器之间的网格链;
对所述网格链进行特征提取得到网格特征;
获取本地服务器的特性服务器资源和其历史调用记录,基于所述特性服务器资源和其历史调用记录通过预设审批流程对本地服务器进行信任评估,获取评估信任值;
若所述评估信任值大于等于预设信任值,根据所述网格特征构建云端的资源供出链和本地服务器的资源接收链;
根据所述资源供出链和资源接收链建立云端与本地服务器之间的数据共享机制。
该实施例中,网络节点属性-网络流表是不同属性的网络节点对应的标准网络流参考表。
该实施例中,网络节点的当前属性是网络节点的节点属性,例如:工作节点、数据传输节点、网络通信节点等。
该实施例中,初始数据缓存特征是本地网络节点对于传输数据的初始传输表示特征。
该实施例中,特有工作节点特征参数是云端用于数据传输的专用工作节点的节点工作参数,比如,可专用工作节点是加密数据的传输工作节点,对应的参数是就是怎样对数据进行传输和解密以及存储的。
该实施例中,高级数据缓存特征是本地网络节点对于数据中部分子数据的特定接收缓存特征。
该实施例中,数据调取规则是从云端进行数据访问、调取的流程规则,比如在调取数据之前,需要先确定数据的源头。
该实施例中,数据传输网络协议是用于通信和实现云端和本地服务器之间进行数据传输的网络通信协议。
该实施例中,传输兼容性是在数据传输网络协议下云端与本地服务器之间的数据传输兼容度,可通过文件传输量和数据传输完整性来判断,如果传输量和数据传输完整性越大,那么证明兼容性越高。
该实施例中,数据资源样本是保修流程数据的样本数据,用于进行传输测试。
该实施例中,交互记录是云端和服务器在进行数据样本传输时各自的节点交互记录。
该实施例中,预设阈值可以为85%。
该实施例中,相关性分析是对云端的数据传输行为和数据传输特征进行匹配分析,若二者匹配率为高,则确定云端的数据传输效率为高效传输、若二者匹配率为低,则确定远端的数据传输效率为中低效传输。
该实施例中,响应代码表示为与目标行为特征所响应的网络代码。
该实施例中,连接代码是云端的远程连接代码。
该实施例中,网格特征是网格的分布特征。
该实施例中,特性服务器资源是本地方服务器的专有存储资源。
该实施例中,历史调用记录是专有调用资源的设备调用记录。
该实施例中,预设审批流程对资源进行病毒扫描和调用服务器进行安全验证的审批流程。
该实施例中,预设信任值可以是95,满值100。
该实施例中,资源供出链是云端的数据资源的输出网链。
该实施例中,资源接收链是对云端的数据资源进行接收的网链。
该实施例中,数据共享机制是指是在符合数据传输条件下的数据共享网络机制,让在使用云端或本地服务器的用户都能够读取他人数据并进行各种操作,比如:运算和分析。
该实施例中,网格链是通过网格方式呈现的一种数据传输网络链。
该实施例中,信任评估是对本地服务器进行安全性和稳定性的指标评估,根据评估结果确定是否对其信任。
上述技术方案的有益效果为:通过网格特征构建资源供出链和资源接收链,并建立云端和本地服务器的数据共享机制,可以实现报修流程中的数据共享,减少数据冗余,节省了数据空间。
实施例10:
本发明提供一种设备维修外包服务流程的数据闭环方法,基于故障维修难易程度和每个第一服务工程师的专业技能证书信息、资质信息以及历史维修信息,筛选出最可靠的第二服务工程师,包括:
根据每个第一服务工程师的专业技能证书信息和资质信息确定每个第一服务工程师的故障维修水平指数;
根据每个第一服务工程师的历史维修信息确定每个第一服务工程师的经验系数;
根据每个第一服务工程师的故障维修水平指数和经验系数计算出每个第一服务工程师的推荐度:
其中,Fi表示为第i个第一服务工程师的推荐度,a表示为故障维修难易程度,θ1表示为第一权重系数,取值为0.6,Di表示为第i个第一服务工程师的故障维修水平指数,θ2表示为第二权重系数,取值为0.4,Ei表示为第i个第一服务工程师的经验系数,δi表示为第i个第一服务工程师的临场应变能力值,取值区间为[0.5,0.9],N2i表示为第i个第一服务工程师的历史维修订单数量,N1i表示为第i个第一服务工程师的历史维修订单数量中好评订单的数量,Gi表示为第i个第一服务工程师的知名度;
根据每个第一服务工程师的推荐度选择推荐度最大的目标第一服务工程师作为最可靠的第二服务工程师。
该实施例中,故障维修水平指数是指工程师维修故障的水平,指数越高,代表水平越高,是通过工程师每次单次维修故障时间求和算平均时间得出。
该实施例中,经验系数是指工程师维修故障的经验,系数越大,代表经验越多,是工程师针对同一种故障维修次数得到的。
上述技术方案的有益效果为:通过服务工程师的故障维修水平指数和经验系数计算出计算出每个第一服务工程师的推荐度,选择推荐度最大的目标作为最可靠的第二服务工程师,可以更快更精确的选择到最合适的工程师,使维修效率也大大提高。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种设备维修外包服务流程的数据闭环方法,其特征在于,该方法包括:
步骤1:获取不同设备的出厂信息,并将所述出厂信息发送至云端生成云数据,基于所述云数据确定不同设备的故障诊断分析策略;
步骤2:获取多个需要进行外包服务的对接设备的设备信息,基于设备信息生成设备的报修二维码;
步骤3:当用户扫描报修二维码时,基于故障诊断分析策略对相应对接设备的运行信息进行故障诊断分析,获得故障诊断分析结果,并上传至报修流程中;
步骤4:基于所述故障诊断分析结果,确定故障类型和故障维修难易程度,并在报修流程中进行标定;
步骤5:基于所述故障类型对服务工程师进行第一筛选,基于故障维修难易程度对服务工程师进行第二筛选,在规定时限内,选取对应工程师并将工程师信息上传至报修流程中;
步骤6:工程师将维修过程中的数据以及维修完成后的数据上传至报修流程中,并在维修完成后获取用户的工单评价结果,并在所述报修流程中体现;
其中,最后所得到的报修流程即为维修过程全闭环数据链。
2.根据权利要求1所述的设备维修外包服务流程的数据闭环方法,其特征在于,获取不同设备的出厂信息,并将所述出厂信息发送至云端生成云数据,基于所述云数据确定不同设备的故障诊断分析策略,包括:
获取不同设备的出厂特征标识,根据所述出厂特征标识从出厂数据源获取每个设备的出厂信息;
将不同设备的出厂信息发送云端并生成云数据,根据所述云数据,确定每个设备的可能故障信息以及每个可能故障信息的故障原因;
按照同故障原因,对每个设备的所有可能故障信息进行分类,并根据同设备所涉及的每个分类结果的故障识别特征,对神经网络模型进行训练,生成故障诊断模型,进而生成相应设备的故障诊断分析策略。
3.根据权利要求1所述的设备维修外包服务流程的数据闭环方法,其特征在于,获取多个需要进行外包服务的对接设备的设备信息,基于设备信息生成设备的报修二维码,包括:
获取每个对接设备的设备编号,并生成相应对接设备的初始信息二维码,同时,获取每个对接设备的设备信息;
将每个对接设备的设备信息写入到同对接设备的初始信息二维码中,生成目标信息二维码;
将每个对接设备的目标信息二维码确认为同对接设备的报修二维码,并标识在所述同对接设备上;
其中,目标信息二维码信息包括:设备名称、设备品牌、设备型号、设备属性、设备工作环境状态。
4.根据权利要求1所述的设备维修外包服务流程的数据闭环方法,其特征在于,当用户扫描报修二维码时,基于故障诊断分析策略对相应对接设备的运行信息进行故障诊断分析,获得故障诊断分析结果,并上传至报修流程中,包括:
当用户扫描报修二维码时,确定目标对接设备并生成检测指令,根据所述检测指令获取目标对接设备的当下运行信息;
将所述目标对接设备的当下运行信息和正常运行信息对比,根据对比结果判断目标对接设备是否存在异常运行信息;
若存在,对所述异常运行信息进行行为判断,确定异常运行信息的出现原因,其中,所述出现原因为:人为操作行为导致和/或设备本身异常原因导致;
若为设备本身异常原因导致,则基于所述故障诊断分析策略对异常运行信息进行故障诊断分析,获得故障诊断分析结果,并上传至报修流程中。
5.根据权利要求1所述的设备维修外包服务流程的数据闭环方法,其特征在于,基于所述故障诊断分析结果,确定故障类型和故障维修难易程度,并在报修流程中进行标定,包括:
根据故障-类型数据库获取所述故障诊断分析结果的故障类型,并进行第一标定;
根据所述故障诊断分析结果确定故障原因,基于所述故障类型和故障原因,判断故障维修难易程度,并进行第二标定;
其中,若故障维修难易程度为简单,则用黄色标签进行标定。
若故障维修难易程度为复杂,则用红色标签进行标定;
6.根据权利要求5所述的设备维修外包服务流程的数据闭环方法,其特征在于,根据故障-类型数据库获取所述故障诊断分析结果的故障类型,并进行第一标定,包括:
根据所述故障分析结果确定故障类别,所述故障类别包括:单一故障和组合故障;
若为单一故障,基于第一特征提取规则从所述故障分析结果提取第一必要故障特征,若为组合故障,基于第二特征提取规则从所述故障分析结果提取第二必要故障特征;
基于故障-类型数据库获取与所述第一必要故障特征或第二必要故障特征匹配的故障类型,并进行第一标定。
7.根据权利要求1所述的设备维修外包服务流程的数据闭环方法,其特征在于,基于所述故障类型对服务工程师进行第一筛选,基于故障维修难易程度对服务工程师进行第二筛选,在规定时限内,选取对应工程师并将工程师信息上传至报修流程中,包括:
根据所述故障类型进行业务筛选,确定业务类型与故障类型匹配的第一服务工程师;
获取每个第一服务工程师的专业技能证书信息、资质信息以及历史维修信息;
基于故障维修难易程度和每个第一服务工程师的专业技能证书信息、资质信息以及历史维修信息,筛选出最可靠的第二服务工程师;
获取第二服务工程师的工程师信息并在规定时限内将其上传至报修流程中。
8.根据权利要求1所述的设备维修外包服务流程的数据闭环方法,其特征在于,工程师将维修过程中的数据以及维修完成后的数据上传至报修流程中,并在维修完成后获取用户的工单评价结果,并在所述报修流程中体现,包括:
获取工程师在维修过程中的数据以及维修完成后的数据并生成设备维修数据表;
将所述设备维修数据表进行加密并上传到报修流程中,同时生成服务评价请求并将其反馈至用户终端;
根据用户终端的反馈结果获取用户对于工程师的匿名评价信息;
将所述匿名评价信息上传到所述报修流程中并构建本地服务器与云端之间的报修流程共享机制。
9.根据权利要求8所述的设备维修外包服务流程的数据闭环方法,其特征在于,构建本地服务器与云端之间的报修流程共享机制,包括:
在网络节点属性-网络流表中查找本地服务器网络节点的当前属性,获取本地服务器网络节点的标准网络流;
根据所述标准网络流确定云端的初始数据缓存特征;
根据云端的特有工作节点特征参数确定初始数据缓存特征中的高级数据缓存特征;
获取云端的数据调取规则,根据所述数据调取规则和云端的的高级数据缓存特征,选择数据传输网络协议;
在所述云端中调取数据资源样本,基于所述数据资源样本通过所述数据传输网络协议向本地服务器的网络节点进行传输,获取传输结果;
根据所述传输结果获取云端与本地服务器之间的交互记录;
根据所述交互记录确定数据传输网络协议在云端和本地服务器之间的传输兼容性;
当所述传输兼容性大于预设阈值时获取云端的数据传输特征参数以及本地服务器的数据传输行为特征,对所述数据传输特征参数和行为特征进行相关性分析,获取分析结果;
根据分析结果确定本地服务器的高效数据传输行为特征;
生成所述高效数据传输行为特征对应的响应代码,基于所述响应代码和云端的连接代码生成云端与本地服务器之间的网格链;
对所述网格链进行特征提取得到网格特征;
获取本地服务器的特性服务器资源和其历史调用记录,基于所述特性服务器资源和其历史调用记录通过预设审批流程对本地服务器进行信任评估,获取评估信任值;
若所述评估信任值大于等于预设信任值,根据所述网格特征构建云端的资源供出链和本地服务器的资源接收链;
根据所述资源供出链和资源接收链建立云端与本地服务器之间的数据共享机制。
10.根据权利要求7所述的设备维修外包服务流程的数据闭环方法,其特征在于,基于故障维修难易程度和每个第一服务工程师的专业技能证书信息、资质信息以及历史维修信息,筛选出最可靠的第二服务工程师,包括:
根据每个第一服务工程师的专业技能证书信息和资质信息确定每个第一服务工程师的故障维修水平指数;
根据每个第一服务工程师的历史维修信息确定每个第一服务工程师的经验系数;
根据每个第一服务工程师的故障维修水平指数和经验系数计算出每个第一服务工程师的推荐度:
其中,Fi表示为第i个第一服务工程师的推荐度,a表示为故障维修难易程度,θ1表示为第一权重系数,取值为0.6,Di表示为第i个第一服务工程师的故障维修水平指数,θ2表示为第二权重系数,取值为0.4,Ei表示为第i个第一服务工程师的经验系数,δi表示为第i个第一服务工程师的临场应变能力值,取值区间为[0.5,0.9],N2i表示为第i个第一服务工程师的历史维修订单数量,N1i表示为第i个第一服务工程师的历史维修订单数量中好评订单的数量,Gi表示为第i个第一服务工程师的知名度;
根据每个第一服务工程师的推荐度选择推荐度最大的目标第一服务工程师作为最可靠的第二服务工程师。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310470385.7A CN116485376A (zh) | 2023-04-24 | 2023-04-24 | 一种设备维修外包服务流程的数据闭环方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310470385.7A CN116485376A (zh) | 2023-04-24 | 2023-04-24 | 一种设备维修外包服务流程的数据闭环方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116485376A true CN116485376A (zh) | 2023-07-25 |
Family
ID=87221163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310470385.7A Pending CN116485376A (zh) | 2023-04-24 | 2023-04-24 | 一种设备维修外包服务流程的数据闭环方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116485376A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117831734A (zh) * | 2024-03-05 | 2024-04-05 | 四川省医学科学院·四川省人民医院 | 一种医疗设备维修方法、装置、介质和计算设备 |
-
2023
- 2023-04-24 CN CN202310470385.7A patent/CN116485376A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117831734A (zh) * | 2024-03-05 | 2024-04-05 | 四川省医学科学院·四川省人民医院 | 一种医疗设备维修方法、装置、介质和计算设备 |
CN117831734B (zh) * | 2024-03-05 | 2024-05-17 | 四川省医学科学院·四川省人民医院 | 一种医疗设备维修方法、装置、介质和计算设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210279155A1 (en) | Diagnostic Baselining | |
CN106104636B (zh) | 使用基于网络的计算基础结构的汽车检测系统 | |
WO2018086573A1 (zh) | 轨道车辆的监控方法和系统 | |
US6834257B2 (en) | Method for providing diagnostic messages | |
CN110633905B (zh) | 智能车云平台可靠性计算方法及系统 | |
CN116485376A (zh) | 一种设备维修外包服务流程的数据闭环方法 | |
CN103246265A (zh) | 机电设备检测维护系统及检测维护方法 | |
CN114742529B (zh) | 一种实验室设备维修管理系统 | |
CN110879151B (zh) | 基于运行大数据的燃气轮机远程监测和诊断系统及方法 | |
CN109284333A (zh) | 基于区块链的产业链数据维护方法及平台 | |
CN116894659A (zh) | 充电桩智慧运维管理方法、系统、计算机设备及存储介质 | |
KR20210051347A (ko) | 전기차 충전기 고장대응 시스템 및 그 방법 | |
CN115903720A (zh) | 用于轨道交通的故障诊断系统及方法和存储介质 | |
KR102405879B1 (ko) | 상호 운용성 분석 방법 및 장치 | |
US20050100766A1 (en) | Fuel cell service method and apparatus | |
CN117907754B (zh) | 基于故障分析的配电网维护方法及系统 | |
CN115809950B (zh) | 一种机房运维管理平台及管理办法 | |
CN114817077B (zh) | 测试质量及规范的判断方法、系统和网络设备 | |
TWI831072B (zh) | 開源軟體風險評鑑與智能監控系統及方法 | |
CN117370812A (zh) | 一种燃料喷射系统的故障诊断方法、装置、系统及介质 | |
Ayachit et al. | Unified Diagnostics Off-board Tool Development Testing | |
CN118192520A (zh) | 新能源汽车车载终端功能检测与故障溯源检测方法及系统 | |
TW202215351A (zh) | 自動讀表異常分析系統及其方法 | |
TWM602691U (zh) | 程式健檢系統 | |
CN116968583A (zh) | 充电桩故障确定方法及装置、存储介质、计算机设备 |
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 |