CN117077873A - 一种工器具报废预测方法、系统、设备及介质 - Google Patents
一种工器具报废预测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN117077873A CN117077873A CN202311344408.6A CN202311344408A CN117077873A CN 117077873 A CN117077873 A CN 117077873A CN 202311344408 A CN202311344408 A CN 202311344408A CN 117077873 A CN117077873 A CN 117077873A
- Authority
- CN
- China
- Prior art keywords
- tool
- scrapping
- health score
- tools
- rejection
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000036541 health Effects 0.000 claims abstract description 96
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000004088 simulation 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
- G06Q10/04—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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种工器具报废预测方法、系统、设备及介质,其属于工器具报废预测技术领域,包括:获取待预测工器具的历史试验数据,构造工器具报废基线,并根据所述报废基线确定第一健康评分;其中,所述基线基于工器具报废曲线和工器具趋势图进行构建;基于待预测工器具的图像,利用预先训练的基于深度学习的报废预测模型,获得第二健康评分;基于预先设定的人员使用偏好模型,确定待预测工器具当前次使用时的报废度,作为第三健康评分;其中,所述人员使用偏好模型根据人员单次使用工器具的使用报废率叠加得到;将所述第一健康评分、第二健康评分以及第三健康评分进行加权求和,获得工器具健康评分结果,实现工器具报废预测。
Description
技术领域
本发明属于工器具报废预测技术领域,尤其涉及一种工器具报废预测方法、系统、设备及介质。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
工器具作为现场工作的常用消耗品,在完成操作任务后,都存在不同程度的消耗。发明人发现,现行工器具管理中,是根据以往经验定期对不同的工器具试验,通过试验结果判断当前工器具的后期是否继续使用,仓库管理人员在进行仓库管理时,主要依赖于线下数据统计,配合定期试验进行工器具报废管理,现有方案主要包括以下不足:需要人工对仓库进行工器具进行线下统计,费时费力;人工统计可能存在遗漏,准确度不高;以及需要等到达到期限时,进行试验后判断工器具状态,导致存在损坏的工器具无法及时发现。
发明内容
本发明为了解决上述问题,提供了一种工器具报废预测方法、系统、设备及介质,所述方案从试验维度、外观维度及人员使用维度多个维度综合考虑了工器具的报废情况,通过将历史试验数据、基于工器具外观的人工智能算法预测以及人员使用中工器具的迭代损耗进行融合,有效提高了工器具的报废预测精度。
根据本发明实施例的第一个方面,提供了一种工器具报废预测方法,包括:
获取工器具的历史试验数据,构造各类工器具的报废基线,并根据所述报废基线确定待预测工器具的第一健康评分;其中,所述基线数据基于利用工器具使用次数以及入库时间构成的工器具报废曲线和由工器具入库时间以及工器具报废几率构成的趋势图进行构建;
基于待预测工器具的图像,利用预先训练的基于深度学习的报废预测模型,获得第二健康评分;
基于预先设定的人员使用偏好模型,确定待预测工器具当前次使用时的报废度,作为第三健康评分;其中,所述人员使用偏好模型根据人员单次使用工器具的使用报废率叠加得到;
将所述第一健康评分、第二健康评分以及第三健康评分进行加权求和,获得工器具健康评分结果,实现工器具报废预测。
进一步的,所述人员使用偏好模型具体为:对于每个工器件设置其初始时的报废状态为1,并基于其报废状态时使用人数数量确定单个人员的使用报废率,基于所述使用报废率以及对应人员的使用次数,确定对应人员的单次使用报废度;基于工器件当前使用次数下各个单次使用报废度的叠加,获得第三健康评分。
进一步的,所述预先训练的基于深度学习的报废预测模型具体采用YOLO模型。
进一步的,所述报废预测方法中,需预先构建工器具报废基线的标准库和典型库,其中,所述标准库中存储有各类工器具的报废基线,所述典型库中存储有导致工器具百分百报废的属性数据。
进一步的,所述根据所述报废基线确定第一健康评分,具体为:对于待预测的工器具,基于工器具的基本信息,先通过与典型库中的数据进行匹配,若存在匹配的数据则判定待预测工器具的报废几率为100%,若不存在匹配的数据,则通过标准库中对应工器具的报废基线确定待预测工器具的报废几率,进而基于获得的报废几率确定第一健康评分。
进一步的,所述工器具的基本信息,包括工器具的RFID、生产日期、生产厂家、入库时间、存储环境以及存储地点。
进一步的,所述第一健康评分、第二健康评分以及第三健康评分进行加权求和,具体表示如下:
S= α*A+β*B+γ*C
其中,S为总的健康评分,A为第一健康评分,B为第二健康评分,C为第三健康评分,α、β和γ为权重参数。
根据本发明实施例的第二个方面,提供了一种工器具报废预测系统,包括:
数据获取单元,其用于获取待预测工器具的历史试验数据,构造工器具报废基线,并根据所述报废基线确定第一健康评分;其中,所述基线数据基于利用工器具使用次数以及入库时间构成的工器具报废曲线和由工器具入库时间以及工器具报废几率构成的趋势图进行构建;
评分预测单元,其用于对于待预测的工器具,基于其数据标签与典型库中基线数据对应标签的重合度,确定第一健康评分;基于待预测工器具的图像,利用预先训练的基于深度学习的报废预测模型,获得第二健康评分;基于预先设定的人员使用偏好模型,确定待预测工器具当前次使用时的报废度,作为第三健康评分;其中,所述人员使用偏好模型根据人员单次使用工器具的使用报废率叠加得到;
报废预测单元,其用于将所述第一健康评分、第二健康评分以及第三健康评分进行加权求和,获得工器具健康评分结果,实现工器具报废预测。
根据本公开实施例的第三个方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,所述处理器执行所述程序时实现所述的一种工器具报废预测方法。
根据本公开实施例的第四个方面,提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的一种工器具报废预测方法。
与现有技术相比,本发明的有益效果是:
(1)本发明提供了一种工器具报废预测方法、系统、设备及介质,所述方案从试验维度、外观维度及人员使用维度多个维度综合考虑了工器具的报废情况,通过将历史试验数据、人工智能算法预测以及人员使用中工器具的迭代损耗进行融合,有效提高了工器具的报废预测精度。
(2)基于本发明所述方案可以绘制工器具衰减曲线,了解工器具全生命周期过程,对工器具的保存和使用提供有效的辅助支撑。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例中所述的一种工器具报废预测方法流程图;
图2为本发明实施例中所述的基于YOLO模型的工器具报废预测方法中采用的三个维度预测模型的结构示意图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一:
本实施例的目的是提供一种工器具报废预测方法。
一种工器具报废预测方法,包括:
获取待预测工器具的历史试验数据,构造工器具报废基线,并根据所述报废基线确定第一健康评分;其中,所述基线数据基于利用工器具使用次数以及入库时间构成的工器具报废曲线和由工器具入库时间以及工器具报废几率构成的趋势图进行构建;
基于待预测工器具的图像,利用预先训练的基于深度学习的报废预测模型,获得第二健康评分;
基于预先设定的人员使用偏好模型,确定待预测工器具当前次使用时的报废度,作为第三健康评分;其中,所述人员使用偏好模型根据人员单次使用工器具的使用报废率叠加得到;
将所述第一健康评分、第二健康评分以及第三健康评分进行加权求和,获得工器具健康评分结果,实现工器具报废预测。
在具体实施中,所述人员使用偏好模型具体为:对于每个工器件设置其初始时的报废状态为1,并基于其报废状态时使用人数数量确定单个人员的使用报废率,基于所述使用报废率以及对应人员的使用次数,确定对应人员的单次使用报废度;基于工器件当前使用次数下各个单次使用报废度的叠加,获得第三健康评分。
在具体实施中,所述预先训练的基于深度学习的报废预测模型具体采用YOLO(YouOnly Look Once)模型。
在具体实施中,所述报废预测方法中,需预先构建工器具报废基线的标准库和典型库,其中,所述标准库中存储有各类工器具的报废基线,所述典型库中存储有导致工器具百分百报废的属性数据。
在具体实施中,所述根据所述报废基线确定第一健康评分,具体为:对于待预测的工器具,基于工器具的基本信息,先通过与典型库中的数据进行匹配,若存在匹配的数据则判定待预测工器具的报废几率为100%,若不存在匹配的数据,则通过标准库中对应工器具的报废基线确定待预测工器具的报废几率,进而基于获得的报废几率确定第一健康评分。
在具体实施中,所述工器具的基本信息,包括工器具的RFID、生产日期、生产厂家、入库时间、存储环境以及存储地点。
在具体实施中,所述第一健康评分、第二健康评分以及第三健康评分进行加权求和,具体表示如下:
S= α*A+β*B+γ*C
其中,S为总的健康评分,A为第一健康评分,B为第二健康评分,C为第三健康评分,α、β和γ为权重参数。
为了便于理解,以下结合附图对本实施例所述方案进行详细说明:
如图1所示,本实施例所述方案提供了一种工器具报废预测方法,其具体包括如下步骤:
步骤1:基于站内工器具的历史试验数据,构建报废基线。
根据实际需要选取各工器具类型下的若干(具体可根据实际需求进行设定)个试验周期的试验报告,通过工器具自带的RFID标识,获取与所述RFID表示关联的工器具台账信息及工作任务信息。根据工器具的使用次数、入库时间(即自入库之后的累计时长)绘制工器具报废曲线(其中,所述工器具报废曲线的横坐标为使用次数,纵坐标为入库时间),通过同类型的工器具报废曲线的对比,绘制趋势图,所述趋势图的横坐标为工器具的入库时间,纵坐标为工器具的报废率,所述趋势图用于描述同类型工器具的变化趋势,其中,所述报废率的计算具体为:假设数据库中共有M个设备,其中N个设备在当前横坐标(即某一入库时间)下出现了试验结果不合格,则该设备的报废率为N/M;
基于工器具报废曲线以及趋势图中均包含入库时间,故通过入库时间进行工器具报废曲线和趋势图的关联,同时,将RFID、生产日期、生产厂家、入库时间、存储环境(例如:高温等重大气象变化)以及存储地点等作为数据标签,用于后期预测匹配度的计算,进而获得基线图,通过将基线图中预设比例(本实施例设置为百分之八十)的数据落入的范围定为标准范围,根据绘制的散点连接成顺滑的曲线,将该曲线作为工器具报废基线;对于任意工器具,均存在与其对应的工器具报废基线,基于待预测工器具的使用次数和入库时间,通过其对应的工器具报废基线,即可获得待预测工器具的报废几率,具体可以表示为在XXX单位使用的XXX生产厂家生产的XXX工器具在使用XXX时间、完成XXX次工作任务后出现报废的几率为XX。
本实施例所述方案中设置有标准库和典型库,其中,所述标准库存储有各类型工器具的报废基线;典型库用于存储工器具的特别属性(即导致工器具百分百报废的属性),包括工器具的RFID、生产日期、生产厂家、入库时间、存储环境(例如:高温等重大气象变化)以及存储地点等。
在实际场景中,当进行报废几率判断时,预先基于待预测工器件的基本信息(包括RFID、生产日期、生产厂家、入库时间、存储环境以及存储地点等)与典型库中的数据进行匹配,当存在重合度达到规定阈值的数据时,给予异常提醒,并确定报废几率为百分之百,并以此作为第一健康评分;当典型库中不存在匹配的数据时,基于待预测工器件的基本信息,利用标准库中对应工器具的报废基线获取工器件的报废几率,并以此作为第一健康评分。
在更多的实施方式中,还可以基于获得的报废几率,通过人工评价的方式设置第一健康评分。
步骤2:构建基于YOLO模型的工器具外观报废预测模型。将工器具的正常状态下的多角度照片与报废状态下的多角度照片,配合人员对照片进行报废程度评估,最后通过YOLO模型进行模拟训练。
具体的,基于工器具的历史照片数据(包括正常和报废状态的多角度照片)作为训练集,对YOLO模型进行训练,利用训练好的YOLO模型作为报废预测模型;所述报废预测模型的输入为待预测工器具的多角度照片,输出为报废概率值;并以所述报废概率值作为第二健康评分。
步骤3:构建基于人员使用偏好模型。将获取的任务数据根据人员进行划分,建立以人员使用工器具为X轴,将使用次数作为Y轴进行人员使用模型偏好,即XX人员在使用XX工器具XX次后,工器具达到报废状态。初始数据时,报废状态根据本工器具使用过的人数进行均分,后期在模型的不断训练过程中,逐步细化建立人员使用偏好。即初始状态时,将报废状态记为1,使用人数记为n,XX人员的使用报废率为a,则a=1/n;XX人员对该工器具的使用次数为b,则单次使用报废度为1/n/b;i次数据不断叠加后的单次使用报废度为[(1/n1/b1)+(1/n2/b2)+。。。+(1/ni/bi)]/i ,并以所述报废度作为第三健康评分。
其中,所述任务数据具体为:对接外部系统获取的针对本电站内部的工作任务信息,包括工作人员、工作内容以及利用的工器具等信息。
步骤4:由仓库管理人员对上述三种方式获得的健康评分进行权重赋值,进而加权求和,基于求和后的结果计算出各工器具的健康评分,当健康评分低于设置的阈值时,推送报废预警。
其中,所述权重赋值由仓库管理员进行人为设定,并定期判断预测的准确率,当准确率低于预设阈值时,发出告警,提醒仓库管理员进行权重调整。
如上所述,在工器具进行领用时,结合当前工器具健康评分,综合类似工器具使用方案给出使用报告。使用报告中,包含当前工器具健康状态,可能存在风险,具体使用规范等内容。
在具体实施中,人员在领用/归还工器具时,工器具通过通道门时,所述方案从以上三个维度进行报废判断。根据设备RFID识别设备类型,基于标准库中存储的工器具报废基线进行待预测工器具的评分预测,实现基于历史试验数据的健康评分;通过仓库监控视频,基于YOLO模型的工器具对外观进行评分;通过人员使用偏好模型,对工器具进行健康评分。根据三个维度的评分匹配各维度的权重值后,生成综合的健康评分,当健康评分低于阈值,为管理员发送短信预警。特殊说明是,当本次工器具的数据标签与典型库中样本的数据标签重合度达到规定阈值时,也为管理员发送短信预警。如图2所示,展示了三个维度模型的具体结构。
实施例二:
本实施例的目的是提供一种工器具报废预测系统。
一种工器具报废预测系统,包括:
数据获取单元,其用于获取待预测工器具的历史试验数据,构造工器具报废基线,并根据所述报废基线确定第一健康评分;其中,所述基线数据基于利用工器具使用次数以及入库时间构成的工器具报废曲线和由工器具入库时间以及工器具报废几率构成的趋势图进行构建;
评分预测单元,其用于对于待预测的工器具,基于其数据标签与典型库中基线数据对应标签的重合度,确定第一健康评分;基于待预测工器具的图像,利用预先训练的基于深度学习的报废预测模型,获得第二健康评分;基于预先设定的人员使用偏好模型,确定待预测工器具当前次使用时的报废度,作为第三健康评分;其中,所述人员使用偏好模型根据人员单次使用工器具的使用报废率叠加得到;
报废预测单元,其用于将所述第一健康评分、第二健康评分以及第三健康评分进行加权求和,获得工器具健康评分结果,实现工器具报废预测。
具体的,本实施例所述系统具体进行如下配置:
(1)基础配置
系统搭建默认配置模型,即划分为三维度多标签。三维度即试验维度、外观维度(即人工智能模型:YOLO预测模型)及人员使用偏好维度。试验维度,默认为生产厂家、所属单位、存储环境(仓库地点)为标签,供系统判断工器具的相似度,管理人员可根据实际情况对标签进行删减。
(2)权重配置
管理员可对三个维度进行权重配置,为每个维度赋予0~100%的权重值,三个维度相加应等于100%。
(3)阈限配置
根据站内各工器具类型设置提醒阈限,默认为当健康评分低于80分时,为管理员推送短信报警。
进一步的,本实施例所述方法与实施例中所述系统相对应,其技术细节在实施例一中已经进行了详细说明,故此处不再赘述。
实施例三:
本实施例的目的是提供一种电子设备。
一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,所述处理器执行所述程序时实现所述的一种工器具报废预测方法。
实施例四:
本实施例的目的是提供一种非暂态计算机可读存储介质。
一种非暂态计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的一种工器具报废预测方法。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种工器具报废预测方法,其特征在于,包括:
获取待预测工器具的历史试验数据,构造工器具报废基线,并根据所述报废基线确定第一健康评分;其中,所述基线数据基于利用工器具使用次数以及入库时间构成的工器具报废曲线和由工器具入库时间以及工器具报废几率构成的趋势图进行构建;
基于待预测工器具的图像,利用预先训练的基于深度学习的报废预测模型,获得第二健康评分;
基于预先设定的人员使用偏好模型,确定待预测工器具当前次使用时的报废度,作为第三健康评分;其中,所述人员使用偏好模型根据人员单次使用工器具的使用报废率叠加得到;
将所述第一健康评分、第二健康评分以及第三健康评分进行加权求和,获得工器具健康评分结果,实现工器具报废预测。
2.如权利要求1所述的一种工器具报废预测方法,其特征在于,所述人员使用偏好模型具体为:对于每个工器件设置其初始时的报废状态为1,并基于其报废状态时使用人数数量确定单个人员的使用报废率,基于所述使用报废率以及对应人员的使用次数,确定对应人员的单次使用报废度;基于工器件当前使用次数下各个单次使用报废度的叠加,获得第三健康评分。
3.如权利要求1所述的一种工器具报废预测方法,其特征在于,所述预先训练的基于深度学习的报废预测模型具体采用YOLO模型。
4.如权利要求1所述的一种工器具报废预测方法,其特征在于,所述报废预测方法中,需预先构建工器具报废基线的标准库和典型库,其中,所述标准库中存储有各类工器具的报废基线,所述典型库中存储有导致工器具百分百报废的属性数据。
5.如权利要求1所述的一种工器具报废预测方法,其特征在于,所述根据所述报废基线确定第一健康评分,具体为:对于待预测的工器具,基于工器具的基本信息,先通过与典型库中的数据进行匹配,若存在匹配的数据则判定待预测工器具的报废几率为100%,若不存在匹配的数据,则通过标准库中对应工器具的报废基线确定待预测工器具的报废几率,进而基于获得的报废几率确定第一健康评分。
6.如权利要求5所述的一种工器具报废预测方法,其特征在于,所述工器具的基本信息,包括工器具的RFID、生产日期、生产厂家、入库时间、存储环境以及存储地点。
7.如权利要求1所述的一种工器具报废预测方法,其特征在于,所述第一健康评分、第二健康评分以及第三健康评分进行加权求和,具体表示如下:
S= α*A+β*B+γ*C
其中,S为总的健康评分,A为第一健康评分,B为第二健康评分,C为第三健康评分,α、β和γ为权重参数。
8.一种工器具报废预测系统,其特征在于,包括:
数据获取单元,其用于获取待预测工器具的历史试验数据,构造工器具报废基线,并根据所述报废基线确定第一健康评分;其中,所述基线数据基于利用工器具使用次数以及入库时间构成的工器具报废曲线和由工器具入库时间以及工器具报废几率构成的趋势图进行构建;
评分预测单元,其用于对于待预测的工器具,基于其数据标签与典型库中基线数据对应标签的重合度,确定第一健康评分;基于待预测工器具的图像,利用预先训练的基于深度学习的报废预测模型,获得第二健康评分;基于预先设定的人员使用偏好模型,确定待预测工器具当前次使用时的报废度,作为第三健康评分;其中,所述人员使用偏好模型根据人员单次使用工器具的使用报废率叠加得到;
报废预测单元,其用于将所述第一健康评分、第二健康评分以及第三健康评分进行加权求和,获得工器具健康评分结果,实现工器具报废预测。
9.一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的一种工器具报废预测方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的一种工器具报废预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311344408.6A CN117077873B (zh) | 2023-10-18 | 一种工器具报废预测方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311344408.6A CN117077873B (zh) | 2023-10-18 | 一种工器具报废预测方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117077873A true CN117077873A (zh) | 2023-11-17 |
CN117077873B CN117077873B (zh) | 2024-06-04 |
Family
ID=
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140195269A1 (en) * | 2013-01-08 | 2014-07-10 | 360 Health Vectors Private Limited | System and method for health assessment, prediction and management |
CN108331575A (zh) * | 2018-01-18 | 2018-07-27 | 中国石油天然气股份有限公司 | 一种利用试井曲线评价报废井报废质量方法和系统 |
CN109146313A (zh) * | 2018-09-06 | 2019-01-04 | 广东电网有限责任公司 | 工器具报废方法、装置和服务器 |
CN111563693A (zh) * | 2020-05-20 | 2020-08-21 | 深圳达实智能股份有限公司 | 轨道交通设备健康值的评分方法、设备和存储介质 |
CN111795978A (zh) * | 2020-09-08 | 2020-10-20 | 湖南大学 | 一种钢桥结构健康状态评估方法、装置、设备及存储介质 |
CN111814730A (zh) * | 2020-07-21 | 2020-10-23 | 深圳市鑫疆基业科技有限责任公司 | 无人机健康状态评价方法、装置、设备和计算机存储介质 |
US20210256400A1 (en) * | 2020-02-19 | 2021-08-19 | Vyber Power Systems, Inc. | Power device with self-health status prediction function and self-health status prediction method thereof and cloud server suitable for a plurality of power devices |
CN113625686A (zh) * | 2021-07-29 | 2021-11-09 | 珠海市鸿瑞信息技术股份有限公司 | 一种基于工业控制协议的安全基线核查系统及方法 |
CN114372771A (zh) * | 2021-12-21 | 2022-04-19 | 南方电网数字电网研究院有限公司 | 一种基于共享服务的电网设备全生命周期监控系统 |
CN114841557A (zh) * | 2022-04-29 | 2022-08-02 | 常德市三一机械有限公司 | 工程设备健康评估方法及系统、工程设备 |
CN115186924A (zh) * | 2022-07-28 | 2022-10-14 | 网思科技股份有限公司 | 基于人工智能的设备健康状态的评估方法和装置 |
CN115641410A (zh) * | 2022-11-07 | 2023-01-24 | 东风汽车集团股份有限公司 | 轮胎健康度的评估方法、装置、设备及存储介质 |
CN115659812A (zh) * | 2022-10-29 | 2023-01-31 | 思维实创(哈尔滨)科技有限公司 | 基于城轨iscs的电扶梯寿命预测方法、系统、设备及介质 |
CN116306240A (zh) * | 2023-01-19 | 2023-06-23 | 上海电气自动化设计研究所有限公司 | 设备健康与寿命预测方法、装置、计算机设备及存储介质 |
CN116362103A (zh) * | 2021-12-21 | 2023-06-30 | 新智我来网络科技有限公司 | 一种设备剩余使用寿命的预测方法及装置 |
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140195269A1 (en) * | 2013-01-08 | 2014-07-10 | 360 Health Vectors Private Limited | System and method for health assessment, prediction and management |
CN108331575A (zh) * | 2018-01-18 | 2018-07-27 | 中国石油天然气股份有限公司 | 一种利用试井曲线评价报废井报废质量方法和系统 |
CN109146313A (zh) * | 2018-09-06 | 2019-01-04 | 广东电网有限责任公司 | 工器具报废方法、装置和服务器 |
US20210256400A1 (en) * | 2020-02-19 | 2021-08-19 | Vyber Power Systems, Inc. | Power device with self-health status prediction function and self-health status prediction method thereof and cloud server suitable for a plurality of power devices |
CN111563693A (zh) * | 2020-05-20 | 2020-08-21 | 深圳达实智能股份有限公司 | 轨道交通设备健康值的评分方法、设备和存储介质 |
CN111814730A (zh) * | 2020-07-21 | 2020-10-23 | 深圳市鑫疆基业科技有限责任公司 | 无人机健康状态评价方法、装置、设备和计算机存储介质 |
CN111795978A (zh) * | 2020-09-08 | 2020-10-20 | 湖南大学 | 一种钢桥结构健康状态评估方法、装置、设备及存储介质 |
CN113625686A (zh) * | 2021-07-29 | 2021-11-09 | 珠海市鸿瑞信息技术股份有限公司 | 一种基于工业控制协议的安全基线核查系统及方法 |
CN114372771A (zh) * | 2021-12-21 | 2022-04-19 | 南方电网数字电网研究院有限公司 | 一种基于共享服务的电网设备全生命周期监控系统 |
CN116362103A (zh) * | 2021-12-21 | 2023-06-30 | 新智我来网络科技有限公司 | 一种设备剩余使用寿命的预测方法及装置 |
CN114841557A (zh) * | 2022-04-29 | 2022-08-02 | 常德市三一机械有限公司 | 工程设备健康评估方法及系统、工程设备 |
CN115186924A (zh) * | 2022-07-28 | 2022-10-14 | 网思科技股份有限公司 | 基于人工智能的设备健康状态的评估方法和装置 |
CN115659812A (zh) * | 2022-10-29 | 2023-01-31 | 思维实创(哈尔滨)科技有限公司 | 基于城轨iscs的电扶梯寿命预测方法、系统、设备及介质 |
CN115641410A (zh) * | 2022-11-07 | 2023-01-24 | 东风汽车集团股份有限公司 | 轮胎健康度的评估方法、装置、设备及存储介质 |
CN116306240A (zh) * | 2023-01-19 | 2023-06-23 | 上海电气自动化设计研究所有限公司 | 设备健康与寿命预测方法、装置、计算机设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
沈义 等: "安全工器具全生命周期在线集成管理模式研究与应用", 《电力大数据》, vol. 20, no. 11, 30 November 2017 (2017-11-30), pages 159 - 160 * |
赵年立 等: "《电网小型基建项目智慧工地建设指南》", 北京理工大学出版社, pages: 159 - 160 * |
陈雄姿 等: "基于综合健康指数与RVM的系统级失效预测", 系统工程与电子技术, vol. 37, no. 10, 31 October 2015 (2015-10-31), pages 2298 - 2305 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021184630A1 (zh) | 基于知识图谱定位排污对象的方法及相关设备 | |
Sankararaman et al. | Why is the remaining useful life prediction uncertain? | |
CN110757510B (zh) | 一种机器人剩余寿命预测方法及系统 | |
CN111126217A (zh) | 基于智能识别的输电线路智能运维管理系统 | |
CN111178378A (zh) | 一种设备的故障预测方法、装置、电子设备及存储介质 | |
CN116485020B (zh) | 一种基于大数据的供应链风险识别预警方法、系统及介质 | |
CN110334614A (zh) | 一种疲劳状态预警方法、装置、设备及存储介质 | |
US7617313B1 (en) | Metric transport and database load | |
CN110023861A (zh) | 用于监控制造工厂的系统和方法 | |
CN117077873B (zh) | 一种工器具报废预测方法、系统、设备及介质 | |
Mani et al. | Estimating labor productivity frontier: A pilot study | |
CN114924203A (zh) | 一种电池soh预测分析方法及电动汽车 | |
Zhai et al. | Analysis of time-to-failure data with Weibull model in product life cycle management | |
CN117236665B (zh) | 物资生产调度优化方法及系统 | |
CN114216558A (zh) | 一种无线振动传感器电池剩余寿命预测方法及系统 | |
CN117077873A (zh) | 一种工器具报废预测方法、系统、设备及介质 | |
CN108664696B (zh) | 一种冷水机组运行状态的测评方法及装置 | |
CN110928752A (zh) | 空管台站健康度评估方法、装置及设备 | |
CN115271993A (zh) | 一种基于三支决策理论和lstm神经网络的供电服务预警方法 | |
CN117745268A (zh) | 一种物业设施设备管理平台及其数据处理方法 | |
CN116956174A (zh) | 用于进行冷头状态分类检测和寿命预测的分类模型和预测模型的生成方法 | |
CN114114056B (zh) | 一种换电柜的电池检测回收方法、系统及存储介质 | |
CN117910810B (zh) | 基于深度学习的施工环境风险分析方法及系统 | |
Ocampo et al. | A simulation-based fuzzy analytic network process approach in developing sustainable manufacturing strategy | |
Jackson et al. | Post-servicing failure rates: optimizing preventive maintenance interval and quantifying maintenance induced failure in repairable systems |
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 |