CN117575578A - 基于机械设备剩余寿命的不完全维修决策优化方法及装置 - Google Patents
基于机械设备剩余寿命的不完全维修决策优化方法及装置 Download PDFInfo
- Publication number
- CN117575578A CN117575578A CN202410055908.6A CN202410055908A CN117575578A CN 117575578 A CN117575578 A CN 117575578A CN 202410055908 A CN202410055908 A CN 202410055908A CN 117575578 A CN117575578 A CN 117575578A
- Authority
- CN
- China
- Prior art keywords
- maintenance
- parameter
- life
- equipment
- cost
- 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 210
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000005457 optimization Methods 0.000 title claims abstract description 16
- 238000009826 distribution Methods 0.000 claims abstract description 40
- 230000006872 improvement Effects 0.000 claims abstract description 30
- 230000015556 catabolic process Effects 0.000 claims abstract description 22
- 238000006731 degradation reaction Methods 0.000 claims abstract description 22
- 238000004519 manufacturing process Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 65
- 230000008439 repair process Effects 0.000 claims description 27
- 238000005315 distribution function Methods 0.000 claims description 15
- 230000003449 preventive effect Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 claims description 3
- 238000007728 cost analysis Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 abstract description 6
- 230000002829 reductive effect Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000010206 sensitivity analysis Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 230000001186 cumulative effect Effects 0.000 description 6
- 101150067055 minC gene Proteins 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010205 computational analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012546 transfer 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
Abstract
本申请涉及装备预测性维修技术领域,公开了一种基于机械设备剩余寿命的不完全维修决策优化方法及装置,所述方法使用最小二乘法对设备运行效率的退化数据进行拟合威布尔分布,得到设备寿命分布的尺度参数与形状参数;引入已使用寿命参数以及改善因子构建二元维修‑更换维修策略模型,通过该模型确定最佳维修次数、最佳维修间隔以及单位时间最小成本率。其中,已使用寿命参数考虑到设备在不同服役期间仍可以制定对应的维修策略;改善因子可以根据设备维修的实际情况,动态的调节各参数,提升维修决策的准确度。基于上述可以制定相对应的最优维修策略,以确保设备正常运行,避免生产中断和生产效率下降,提升了维修策略的准确度以及适用范围。
Description
技术领域
本申请涉及装备预测性维修技术领域,具体涉及一种基于机械设备剩余寿命的不完全维修决策优化方法及装置。
背景技术
流程行业以流程为核心,其主要特点是通过对物质、信息或能量的流动和转化,实现产品或服务的生产和交付。流程行业涵盖了广泛的领域,包括制造业、化工、石油石化、能源、交通运输、物流等。由于流程行业的设备复杂性和特殊性,维修所需的人力、物力和时间成本较高。维修过程中,需要停工维修设备,导致生产停产时间长,进一步加大了企业的生产压力和成本负担。为确保企业提前发现设备故障,避免生产中断和生产效率下降,同时延长设备的使用寿命,降低设备更换的频率和成本,预防性的维护维修策略显得有尤为重要。
预防性维护维修大体包括基于时间和基于状态的维护维修。基于时间的维护维修指根据给定的时间,定期对设备进行维护维修,降低设备运行的失效概率,减小由设备故障造成的损失。在内部系统复杂的设备,在其寿命分布已知的条件下,大多采用定时维护维修策略。基于状态的维护维修是根据状态监测信息实施的预防性维修策略,即发现设备有功能故障征兆时,进行有针对性的维护和维修。但是,许多基于状态维护维修方法均假设已知系统的退化状态分布函数,而在实际运行过程中由于历史运行数据不足,以及周围环境或负载发生变化,很难估计退化分布,或者估计成本过高。
并且,上述传统维修决策只可以进行事前规划,且每次预测性维修之后,失效率都有所下降,可靠度有所上升,但不会回到初始状况,并且役龄也会逐渐减少。
发明内容
本申请实施例提供了一种基于机械设备剩余寿命的不完全维修决策优化方法,以解决现有技术中,传统维修决策只可以进行事前规划,且每次预测性维修之后,失效率都有所下降,可靠度有所上升,但不会回到初始状况,并且役龄也会逐渐减少的问题。
相应的,本申请实施例还提供了一种基于机械设备剩余寿命的不完全维修决策优化装置、一种电子设备,用于保证上述方法的实现及应用。
为了解决上述技术问题,本申请实施例公开了一种基于机械设备剩余寿命的不完全维修决策优化方法,所述方法包括:
使用最小二乘法对设备运行效率的退化数据进行拟合威布尔分布,得到设备寿命分布的尺度参数与形状参数;
根据尺度参数、形状参数以及已使用寿命参数,获得剩余寿命的故障率;
基于改善因子、基本成本参数以及剩余寿命的故障率构建单位时间最小成本的目标函数;
构建二元维修-更换维修策略模型;二元维修-更换维修策略模型包括最小成本的目标函数和最低可靠度模型;
根据最低可靠度模型确定最佳维修次数与最佳维修间隔,并基于最小成本的目标函数确定最佳维修次数与最佳维修间隔对应的单位时间最小成本率。
本申请实施例还公开了一种基于机械设备剩余寿命的不完全维修决策优化装置,所述装置包括:
数据拟合模块,用于使用最小二乘法对设备运行效率的退化数据进行拟合威布尔分布,得到设备寿命分布的尺度参数与形状参数;
剩余寿命失效率分析模块,用于根据尺度参数、形状参数以及已使用寿命参数,获得剩余寿命失效率;
最小成本分析模块,用于基于改善因子、基本成本参数以及剩余寿命失效率构建单位时间最小成本的目标函数;其中,改善因子用于调整设备维修程度;
模型构建模块,用于构建二元维修-更换维修策略模型;二元维修-更换维修策略模型包括最小成本的目标函数和最低可靠度模型;
维修策略生成模块,用于根据最低可靠度模型确定最佳维修次数与最佳维修周期,并基于最小成本的目标函数确定最佳维修次数与最佳维修周期对应的单位时间最小成本率。
本申请实施例还公开了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现本申请实施例中一个或多个所述的方法。
本申请实施例中,使用最小二乘法对设备运行效率的退化数据进行拟合威布尔分布,得到设备寿命分布的尺度参数与形状参数;根据尺度参数、形状参数以及已使用寿命参数,获得剩余寿命失效率;引入已使用寿命参数,可以考虑到设备在不同服役期间仍可以制定对应的维修策略,扩展了维修策略的适用范围;基于改善因子、基本成本参数以及剩余寿命失效率构建单位时间最小成本的目标函数;引入改善因子,通过设置基本成本参数,可以根据设备维修的实际情况,动态的调节各参数,即可以调节修复程度,提升了维修决策的准确度;构建二元维修-更换维修策略模型;二元维修-更换维修策略模型包括最小成本的目标函数和最低可靠度模型;最后根据最低可靠度模型确定最佳维修次数与最佳维修间隔,并基于最小成本的目标函数确定最佳维修次数与最佳维修间隔对应的单位时间最小成本率。同时考虑到设备在不同服役期间以及不同的维修程度,可以制定相对应的最优维修策略,以确保设备正常运行,避免生产中断和生产效率下降,提升了维修策略的准确度以及适用范围。
本申请实施例附加的方面和优点将在下面的描述部分中给出,这些将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例提供的基于机械设备剩余寿命的不完全维修决策优化方法的流程图;
图2为本申请实施例提供的基于机械设备剩余寿命的不完全维修决策优化方法的算法流程图;
图3为本申请实施例单位时间最小成本率的计算流程图;
图4为本申请实施例第一示例提供的威布尔分布拟合结果;
图5为本申请实施例第一示例提供的液压泵最小成本率的结果图;
图6为本申请实施例第一示例提供的液压泵最佳维修周期结果图;
图7为本申请实施例第二示例提供的全寿命压差拟合曲线图;
图8为本申请实施例第二示例提供的过滤器寿命分布曲线图;
图9为本申请实施例第二示例提供的过滤器最小成本率的结果图;
图10为本申请实施例第二示例提供的过滤器最佳维修周期的结果图;
图11为本申请实施例提供的基于机械设备剩余寿命的不完全维修决策优化装置的结构示意图;
图12为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本申请的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组合。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
本申请实施例所提供的方案可以由任一电子设备执行,如可以是终端设备,也可以是服务器,其中,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。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端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,本申请在此不做限制。对于现有技术中所存在的技术问题,本申请提供的基于机械设备剩余寿命的不完全维修决策优化方法及装置,旨在解决现有技术的技术问题中的至少一项。
下面以具体实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
本申请实施例提供了一种可能的实现方式,如图1所示,提供了一种基于机械设备剩余寿命的不完全维修决策优化方法的流程图,该方案可以由任一电子设备执行,可选的,可以在服务器端或终端设备执行。
如图1中所示,该方法可以包括以下步骤:
步骤101,使用最小二乘法对设备运行效率的退化数据进行拟合威布尔分布,得到设备寿命分布的尺度参数与形状参数。
参照图2,首先获取设备运行效率的退化数据(本申请实施例中简称“设备退化数据”)。作为第一示例,本申请实施例中的实验数据为液压泵的容积效率退化数据,获取除了开机启动运行时间段的数据外的剩余多组数据,本申请实施例中具体为99组数据,由于是加速退化实验,时间间隔取50h。
容积效率可作为液压泵的退化指标,纵坐标置于[0,1]区间,退化曲线即可表示液压泵的可靠度R(t),寿命分布函数F(t),而R(t)+F(t)=1,由此可以得出寿命分布函数。
使用最小二乘法拟合,获得威布尔分布的形状参数和尺度参数。本申请实施例中使用最小二乘法,对实际的寿命分布曲线拟合威布尔分布的两参数,威布尔分布拟合结果如图4所示,其中横坐标表示时间(time,单位为h),纵坐标表示寿命分布函数F(t)。
根据拟合结果可知,尺度参数a=535,形状参数β=11.2。
步骤102,根据尺度参数、形状参数以及已使用寿命参数,获得剩余寿命失效率。
本申请实施例中引入已使用寿命参数,确定剩余寿命,设备运行m时刻的剩余寿命记为Tm,其计算公式如下:
Tm={T -m|T >m}
在引入已使用寿命参数的条件下,根据尺度参数、形状参数计算获得剩余寿命失效率。
步骤103,基于改善因子、基本成本参数以及剩余寿命失效率构建单位时间最小成本的目标函数。
其中,所述改善因子用于调整设备维修程度。
每次预测性维修之后,失效率都有所下降,可靠度有所上升,但不会回到初始状况,并且役龄也会逐渐减少,本申请实施例中引入改善因子,改善因子根据设备维修的实际情况动态调节设备参数,可以调节修复程度,提升维修决策的准确度。
步骤104,构建二元维修-更换维修策略模型;二元维修-更换维修策略模型包括最小成本的目标函数和最低可靠度模型;
步骤105,根据最低可靠度模型确定最佳维修次数与最佳维修间隔,并基于最小成本的目标函数确定最佳维修次数与最佳维修间隔对应的单位时间最小成本率。
本申请实施例中,使用最小二乘法对设备运行效率的退化数据进行拟合威布尔分布,得到设备寿命分布的尺度参数与形状参数;根据尺度参数、形状参数以及已使用寿命参数,获得剩余寿命失效率;引入已使用寿命参数,可以考虑到设备在不同服役期间仍可以制定对应的维修策略,扩展了维修策略的适用范围;基于改善因子、基本成本参数以及剩余寿命失效率构建单位时间最小成本的目标函数;引入改善因子,通过设置基本成本参数,可以根据设备维修的实际情况,动态的调节各参数,即可以调节修复程度,提升了维修决策的准确度;构建二元维修-更换维修策略模型;二元维修-更换维修策略模型包括最小成本的目标函数和最低可靠度模型;最后根据最低可靠度模型确定最佳维修次数与最佳维修间隔,并基于最小成本的目标函数确定最佳维修次数与最佳维修间隔对应的单位时间最小成本率。同时考虑到设备在不同服役期间以及不同的维修程度,可以制定相对应的最优维修策略,以确保设备正常运行,避免生产中断和生产效率下降,提升了维修策略的准确度以及适用范围。
在一个可选的实施例中,使用最小二乘法对设备运行效率的退化数据进行拟合威布尔分布,得到设备寿命分布的尺度参数与形状参数之后,方法还包括:
对基于尺度参数与形状参数的威布尔模型的结合进行K-S检验,确定威布尔模型是否可靠。
结合图2,可选地,K-S检验的方法为:可以获取威布尔分布的累积分布函数为Fi,用威布尔模型计算的期望累计分布函致为,令/>,K-S的检验统计量为:
D=max(D1,D2,…Dk)
经参数估计得:
对于给定的置信水平,如果D值小于某一临界值Dc,则接受威布尔模型为恰当的模型。当n大于50,置信水平为0.05时:
结合上述第一示例,经计算得Dc=0.1366,D=0.1186。因此接受威布尔模型是一个恰当的模型。
在一个可选的实施例中,参照图2,根据尺度参数、形状参数以及已使用寿命参数,获得剩余寿命失效率,包括:
构建基于已使用寿命参数的剩余寿命可靠度函数Rm(t)和概率密度分布函数fm(t);
将尺度参数、形状参数输入剩余寿命可靠度函数和概率密度分布函数,获得剩余寿命故障率函数;
设备使用m时刻(可以用m表示已使用寿命)的剩余寿命记为Tm,其计算公式如下:
Tm={T-m| T>m}
将拟合威布尔分布的尺度参数、形状参数代入剩余寿命可靠度函数Rm(t),以及剩余寿命概率密度函数fm(t):
其中,本申请实施例中获得的尺度参数a=535,形状参数β=11.2。
所以,得到剩余寿命失效率函数λm(t)为:
其中,m为已使用寿命参数,单位h。
根据剩余寿命故障率函数计算获得剩余寿命失效率。
在一个可选的实施例中,基于改善因子、基本成本参数以及剩余寿命失效率构建单位时间最小成本的目标函数,包括:
基于改善因子和基本成本参数构建单位时间期望成本函数;
本申请实施例中,基本成本参数包括预防维护成本、最小修复成本、预防更换成本和单位时间生产损失成本;期望总成本Csum为:
式中,Cpm为预防维护成本,Cm为最小修复成本,Cr为预防更换成本,Cs为单位时间生产损失成本;λm(t)是设备在使用m时刻后的失效率函数,是预防更换时间点,N-1代表预防维护次数,积分项则/>表示预防维护期间最小修复的期望次数,/>为不完全预防维修的时间调整系数,即每次维修花费的时间越来越长。单位时间期望成本率为:
式中,ηj为改善因子。单位时间最小成本的目标函数为minC(τ,N),设备的剩余寿命为T=Nτ。
将剩余寿命失效率代入单位时间期望成本函数,获得最小成本的目标函数。
将剩余寿命失效率λm(t)代入上述单位时间期望成本函数:
其中,设备的寿命为T = Nτ,最小成本的目标函数为minC(τ,N)。
在一个可选的实施例中,改善因子受设备工龄、预防维护成本以及维修经验的影响,本申请实施例中改善因子的表达式为:
其中a是成本调整参数,且,该参数用来调整设备预防维护成本,预防维护成本Cpm越大,ηj越大,恢复效果越好;b为时间调整参数,且0<b<1,j为当前预防维护次数,当j值越大,改善因子ηj越小,恢复效果越差;考虑随着维修次数的增加,维修经验也得以提升,引入经验因子,c为已存在经验参数,1<c<10,c越大表示经验越高;d为经验调整参数,d=IN(K/2),K为经验曲线百分率。
改善因子的取值范围为0≤ηj≤1,当ηj=0时表示最小修复,ηj=1代表完全维护。
在一个可选的实施例中,构建二元维修-更换维修策略模型;二元维修-更换维修策略模型包括最小成本的目标函数和最低可靠度模型,包括:
确定最低可靠度,并基于最低可靠度构建最低可靠度模块;
根据最小成本的目标函数和最低可靠度模型构建二元维修-更换维修策略模型。
最小成本的目标函数minC(τ,N)可以简化为以下形式:
设定最低可靠度Rmin,当设备可靠度等于或低于最低可靠度Rmin时,执行预防更换。由推导可得:
最低可靠度模型如下:
其中,τR为最佳周期预防维护时间间隔。
参照图3,本申请实施例中单位时间最小成本率计算过程如下:
设定最低可靠度Rmin,设维修次数N=1,之后求得N=1时对应的维修周期τ,再求得C(τ,N)的值,进入下一次维修时,维修次数N=N+1,之后判断C(τ,N)是否小于C(τ,N-1),若是(YES),则记录C(τ,N),进入下一次维修计算过程;否则(NO)结束,输出最终的C(τ,N)作为单位时间最小成本率。
结合上述第一示例,根据表1提供数据,将相关参数如数最低可靠度模型,求得最佳维修次数N,以及对应的最佳维修周期τ,将最佳维修次数N和最佳维修周期τ输入最小成本的目标函数minC(τ,N),可得到单位时间最小成本率C(τ,N)。
表 1用于验证模型的相关参数(液压泵)
本申请实施例中获得的液压泵单位时间最小成本率的结果如图5所示,其中,横坐标表示最佳维修次数N,纵坐标表示单位时间最小成本率C(τ,N);获得的液压泵最佳维修周期的结果如图6所示,其中,横坐标表示最佳维修次数N,纵坐标表示最佳维修周期。
由上述结果可知,最佳维修周期为298.741h,推算最佳维修次数为15,尺度参数与形状参数对应的单位时间最小成本率为11.4705元/h,总维修成本为51398.22元。
假定设备为定期维修,维修周期设置为100h,推算最佳维修次数为23,此时单位时间成本率为34.27元/h,总维修成本为78821元;维修周期设置为400h,推算最佳维修次数为9,此时单位时间成本为24.59元/h,总维修成本为88524元。由此可见,本申请实施例极大的降低了设备的维修成本。
对部件的使用寿命参数进行敏感度分析。表1中的其他参数保持不变,只改变寿命参数m,对模型重新进行求解优化。通过表2可知,随着使用寿命的增加,在最佳维修次数N维持不变的情况下,维修周期τ逐渐减小,而对应的单位时间成本率则明显增加。
表 2寿命参数敏感度分析(液压泵)
对于系统不完全维护策略的制定,如何设定最低可靠度Rmin将具有非常重要的意义,所以本申请实施例中测试Rmin对其它参数的敏感度。表1中其他参数都保持不变,只改变最低可靠度Rmin对模型重新进行优化求解。
如表3所示,预设的最低可靠度Rmin越高,单位时间最小成本率也越高,而维修周期则越短。而且随着Rmin的增大,单位时间最小成本率呈加速上升趋势。
表 3最低可靠度的敏感度分析(液压泵)
作为第二示例,使用过滤器运行效率的退化参数进行计算分析,过滤器是XYZ100型稀油站管路系统中重要的液压元件,过滤器将大多数杂质从流体介质中滤出,降低杂质对设备润滑的影响。在XYZ-00稀油站中,所使用的为2FXG-32型过滤器,与之配套的是不锈钢滤芯,过滤精度为2-200um。
实验边界条件设置为,过滤器进口处:速度入口,大小为2.07m/s;过滤器出口处:压力出口,大小为0.5Mpa;滤芯过滤面:多孔阶跃模型;其余边:固体壁面边界条件。当进出压差达到0.03MPa时,可以认为滤芯失效,必须更换滤芯。按照XYZ-00稀油站的流量标准(100L/min),得到全新滤芯运行直到失效时(不间断运行)的压差数据点列表,拟合曲线如图7所示,其中横坐标表示时间(time,单位为h),纵坐标表示压差δ(单位为KPa)。
由于压差均小于0.03Mpa,故将各阶段的压差,映射在[0,1]之间,即为过滤器滤芯的寿命分布曲线,如图8,其中横坐标表示时间(time,单位为h),纵坐标表示寿命分布F(t)。
对寿命分布F(t)进行威布尔分布拟合,随后进行K-S检验。实验结果,尺度参数a=2000,形状参数β=2.45,
结合图2,可选地,K-S检验的方法为:可以获取威布尔分布的累积分布函数为Fi,用威布尔模型计算的期望累计分布函致为,令/>,K-S的检验统计量为:其检验方法为:观察的累积分布函致为Fi,用拟合模型计算的期望累计分布函致为/>,令/>,K-S的检验统计量为:
D=max(D1,D2,…Dk)
经参数估计得:
对于给定的置信水平,如果D值小于某一临界值Dc,则接受模拟模型为恰当的模型。当n大于50,置信水平为0.05时:
结合上述第二示例,经计算得Dc=0.1923,D=0.1746。因此接受威布尔模型是一个恰当的模型。
参照图2,构建基于已使用寿命参数的剩余寿命可靠度函数Rm(t)和概率密度分布函数fm(t):
剩余寿命失效率函数λm(t)为:
其中,m为已使用寿命参数,单位h。
基于改善因子和基本成本参数构建单位时间期望成本函数:
其中,设备的寿命为T=Nτ,最小成本的目标函数为minC(τ,N)。
之后,构建二元维修-更换维修策略模型。其中,最小成本的目标函数minC(τ,N)可以简化为以下形式:
最低可靠度模型:
其中,τR为最佳周期预防维护时间间隔。
最后,根据表4提供数据,依据最低可靠度模型,求得最佳维修次数N,以及对应的最佳维修周期τ,即可得到单位时间最小成本率C(τ,N)。
表 4用于验证模型的相关参数(过滤器)
本申请实施例中获得的过滤器最小成本率的结果如图9所示,其中,横坐标表示最佳维修次数N,纵坐标表示单位时间最小成本率C(τ,N);获得的过滤器最佳维修周期的结果如图10所示,其中,横坐标表示最佳维修次数N,纵坐标表示最佳维修周期。
由结果可知,最佳维修周期为833.73h,推算最佳维修次数为9,两参数对应的单位时间最小成本为7.11339元/h,总维修成本为53350.38元。
假定设备为定期维修,维修周期设置为600h,推算最佳维修次数为13,此时单位时间成本为7.39元/h,总维修成本为57642元;维修周期设置为1100h,推算最佳维修次数为7,此时单位时间成本为7.76元/h,总维修成本为59752元。由此可见,本申请实施例在延长设备使用寿命的同时,降低了维修成本。
对部件的使用寿命参数进行敏感度分析。表4中的其他参数保持不变,只改变寿命参数m,对模型重新进行求解优化。通过表5可知,随着使用寿命的增加,在最佳维修次数N维持不变的情况下,维修周期τ逐渐减小,而对应的单位时间最小成本率则明显增加。
表 5寿命参数敏感度分析(过滤器)
对部件的最低可靠度进行敏感度分析。表4中其他参数都保持不变,只改变最低可靠度Rmin对模型重新进行优化求解。如表6所示,预设的最低可靠度Rmin越高,单位时间最小成本率也越高,而维修周期则越短。而且随着最低可靠度Rmin的增大,单位时间最小成本率呈加速上升趋势。
表 6最低可靠度的敏感度分析(过滤器)
根据上述第一示例和第二示例,本申请实施例中,还可以对改善因子的变化形式进行优化或者加入主观评价从而进行组合分析:在阶段式维修中仅考虑了不可实时监测设备的故障模式,在后续的工作中可以对一些可以对实时监测的设备进行故障数据统计分析,建立设备的退化分布模型,从而制定非完美维修策略。
除此之外,可以利用人工智能的算法对设备维修决策模型进行自我更新,可以根据现行的故障间隔进行模型的反推:加入可检测数据与设备传感器的计算机接口,增加工作人员对设备各部件实时健康状态的了解程度。
基于与本申请实施例所提供的方法相同的原理,本申请实施例还提供了一种基于机械设备剩余寿命的不完全维修决策优化装置,如图11所示,所述装置包括:
数据拟合模块1101,用于使用最小二乘法对设备运行效率的退化数据进行拟合威布尔分布,得到设备寿命分布的尺度参数与形状参数;
剩余寿命失效率分析模块1102,用于根据尺度参数、形状参数以及已使用寿命参数,获得剩余寿命失效率;
最小成本分析模块1103,用于基于改善因子、基本成本参数以及剩余寿命失效率构建单位时间最小成本的目标函数;其中,改善因子用于调整设备维修程度;
模型构建模块1104,用于构建二元维修-更换维修策略模型;二元维修-更换维修策略模型包括最小成本的目标函数和最低可靠度模型;
维修策略生成模块1105,用于根据最低可靠度模型确定最佳维修次数与最佳维修周期,并基于最小成本的目标函数确定最佳维修次数与最佳维修周期对应的单位时间最小成本率。
本申请实施例中,使用最小二乘法对设备运行效率的退化数据进行拟合威布尔分布,得到设备寿命分布的尺度参数与形状参数;根据尺度参数、形状参数以及已使用寿命参数,获得剩余寿命失效率;引入已使用寿命参数,可以考虑到设备在不同服役期间仍可以制定对应的维修策略,扩展了维修策略的适用范围;基于改善因子、基本成本参数以及剩余寿命失效率构建单位时间最小成本的目标函数;引入改善因子,通过设置基本成本参数,可以根据设备维修的实际情况,动态的调节各参数,即可以调节修复程度,提升了维修决策的准确度;构建二元维修-更换维修策略模型;二元维修-更换维修策略模型包括最小成本的目标函数和最低可靠度模型;最后根据最低可靠度模型确定最佳维修次数与最佳维修间隔,并基于最小成本的目标函数确定最佳维修次数与最佳维修间隔对应的单位时间最小成本率。同时考虑到设备在不同服役期间以及不同的维修程度,可以制定相对应的最优维修策略,以确保设备正常运行,避免生产中断和生产效率下降,提升了维修策略的准确度以及适用范围。
本申请实施例提供的基于机械设备剩余寿命的不完全维修决策优化装置能够实现图1至图10的方法实施例中实现的各个过程,为避免重复,这里不再赘述。
本申请实施例的基于机械设备剩余寿命的不完全维修决策优化装置可执行本申请实施例所提供的基于机械设备剩余寿命的不完全维修决策优化方法,其实现原理相类似,本申请各实施例中的基于机械设备剩余寿命的不完全维修决策优化装置中的各模块、单元所执行的动作是与本申请各实施例中的基于机械设备剩余寿命的不完全维修决策优化方法中的步骤相对应的,对于基于机械设备剩余寿命的不完全维修决策优化装置的各模块的详细功能描述具体可以参见前文中所示的对应的基于机械设备剩余寿命的不完全维修决策优化方法中的描述,此处不再赘述。
基于与本申请的实施例中所示的方法相同的原理,本申请实施例还提供了一种电子设备,该电子设备可以包括但不限于:处理器和存储器;存储器,用于存储计算机程序;处理器,用于通过调用计算机程序执行本申请任一可选实施例所示的基于机械设备剩余寿命的不完全维修决策优化方法。与现有技术相比,本申请提供的基于机械设备剩余寿命的不完全维修决策优化方法,引入已使用寿命参数,考虑到设备在不同服役期间仍可以制定对应的维修策略,扩展了维修策略的适用范围;引入改善因子,通过设置基本成本参数,可以根据设备维修的实际情况,动态的调节各参数,即可以调节修复程度,提升了维修决策的准确度。同时考虑到设备在不同服役期间以及不同的维修程度,可以制定相对应的最优维修策略,以确保设备正常运行,避免生产中断和生产效率下降,提升了维修策略的准确度以及适用范围。
在一个可选实施例中,还提供了一种电子设备,如图12所示,图12所示的电子设备1200可以为服务器,包括:处理器1201和存储器1203。其中,处理器1201和存储器1203相连,如通过总线1202相连。可选地,电子设备1200还可以包括收发器1204。需要说明的是,实际应用中收发器1204不限于一个,该电子设备1200的结构并不构成对本申请实施例的限定。
处理器1201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1201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1202可包括一通路,在上述组件之间传送信息。总线1202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1202可以分为地址总线、数据总线、控制总线等。为便于表示,图12中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器1203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1203用于存储执行本申请方案的应用程序代码,并由处理器1201来控制执行。处理器1201用于执行存储器1203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)等的移动终端以及诸如数字TV、台式计算机等的固定终端。图12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。
本申请提供的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,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端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,本申请在此不做限制。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种基于机械设备剩余寿命的不完全维修决策优化方法,其特征在于,所述方法包括:
使用最小二乘法对设备运行效率的退化数据进行拟合威布尔分布,得到设备寿命分布的尺度参数与形状参数;
根据所述尺度参数、所述形状参数以及已使用寿命参数,获得剩余寿命失效率;
基于改善因子、基本成本参数以及所述剩余寿命失效率构建单位时间最小成本的目标函数;其中,所述改善因子用于调整设备维修程度;
构建二元维修-更换维修策略模型;所述二元维修-更换维修策略模型包括最小成本的目标函数和最低可靠度模型;
根据所述最低可靠度模型确定最佳维修次数与最佳维修周期,并基于所述最小成本的目标函数确定所述最佳维修次数与最佳维修周期对应的单位时间最小成本率。
2.根据权利要求1所述的基于机械设备剩余寿命的不完全维修决策优化方法,其特征在于,所述使用最小二乘法对设备运行效率的退化数据进行拟合威布尔分布,得到设备寿命分布的尺度参数与形状参数之后,所述方法还包括:
对基于所述尺度参数与形状参数的威布尔模型的结合进行K-S检验,确定所述威布尔模型是否可靠。
3.根据权利要求1所述的基于机械设备剩余寿命的不完全维修决策优化方法,其特征在于,所述根据所述尺度参数、所述形状参数以及已使用寿命参数,获得剩余寿命失效率,包括:
构建基于所述已使用寿命参数的剩余寿命可靠度函数和概率密度分布函数;
将所述尺度参数、所述形状参数输入所述剩余寿命可靠度函数和所述概率密度分布函数,获得剩余寿命故障率函数;
根据所述剩余寿命故障率函数计算获得所述剩余寿命失效率。
4.根据权利要求1所述的基于机械设备剩余寿命的不完全维修决策优化方法,其特征在于,所述基于改善因子、基本成本参数以及所述剩余寿命失效率构建单位时间最小成本的目标函数,包括:
基于所述改善因子和所述基本成本参数构建单位时间期望成本函数;
将所述剩余寿命失效率代入所述单位时间期望成本函数,获得所述最小成本的目标函数。
5.根据权利要求1或4所述的基于机械设备剩余寿命的不完全维修决策优化方法,其特征在于,所述基本成本参数包括预防维护成本、最小修复成本、预防更换成本和单位时间生产损失成本。
6.根据权利要求5所述的基于机械设备剩余寿命的不完全维修决策优化方法,其特征在于,所述改善因子的表达式为:
式中,a是成本调整参数,且,Cpm为预防维护成本,Cr为预防更换成本;b为时间调整参数,且0<b<1;c为已存在经验参数,1<c<10;d为经验调整参数,d=IN(K/2),K为经验曲线百分率。
7.根据权利要求1所述的基于机械设备剩余寿命的不完全维修决策优化方法,其特征在于,所述构建二元维修-更换维修策略模型;所述二元维修-更换维修策略模型包括最小成本的目标函数和最低可靠度模型,包括:
确定最低可靠度,并基于所述最低可靠度构建最低可靠度模块;
根据所述最小成本的目标函数和所述最低可靠度模型构建所述二元维修-更换维修策略模型。
8.一种基于机械设备剩余寿命的不完全维修决策优化装置,其特征在于,所述装置包括:
数据拟合模块,用于使用最小二乘法对设备运行效率的退化数据进行拟合威布尔分布,得到设备寿命分布的尺度参数与形状参数;
剩余寿命失效率分析模块,用于根据所述尺度参数、所述形状参数以及已使用寿命参数,获得剩余寿命失效率;
最小成本分析模块,用于基于改善因子、基本成本参数以及所述剩余寿命失效率构建单位时间最小成本的目标函数;其中,所述改善因子用于调整设备维修程度;
模型构建模块,用于构建二元维修-更换维修策略模型;所述二元维修-更换维修策略模型包括最小成本的目标函数和最低可靠度模型;
维修策略生成模块,用于根据所述最低可靠度模型确定最佳维修次数与最佳维修周期,并基于所述最小成本的目标函数确定所述最佳维修次数与最佳维修周期对应的单位时间最小成本率。
9.一种电子设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410055908.6A CN117575578A (zh) | 2024-01-15 | 2024-01-15 | 基于机械设备剩余寿命的不完全维修决策优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410055908.6A CN117575578A (zh) | 2024-01-15 | 2024-01-15 | 基于机械设备剩余寿命的不完全维修决策优化方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117575578A true CN117575578A (zh) | 2024-02-20 |
Family
ID=89862685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410055908.6A Pending CN117575578A (zh) | 2024-01-15 | 2024-01-15 | 基于机械设备剩余寿命的不完全维修决策优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117575578A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160282229A1 (en) * | 2014-08-28 | 2016-09-29 | Beijing Jiaotong University | Fault Prediction and Condition-based Repair Method of Urban Rail Train Bogie |
US20190146436A1 (en) * | 2017-11-10 | 2019-05-16 | General Electric Company | Methods and apparatus to generate an optimized workscope |
CN110110933A (zh) * | 2019-05-10 | 2019-08-09 | 西南交通大学 | 一种智能变电站保护系统的检修周期优化方法 |
CN113065675A (zh) * | 2021-04-13 | 2021-07-02 | 中国人民解放军空军工程大学 | 一种基于剩余寿命预测的设备最优维护方法 |
CN113869535A (zh) * | 2021-09-09 | 2021-12-31 | 广东核电合营有限公司 | 一种预防性维修策略优化方法 |
KR102475291B1 (ko) * | 2021-10-21 | 2022-12-08 | 가온플랫폼 주식회사 | 설비 잔여수명예측 알고리즘을 통한 최적의 자산유지보수관리 시기 산정 방법 및 시스템. |
WO2023184237A1 (zh) * | 2022-03-30 | 2023-10-05 | 西门子股份公司 | 计算电子系统的剩余使用寿命的方法、装置及计算机介质 |
-
2024
- 2024-01-15 CN CN202410055908.6A patent/CN117575578A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160282229A1 (en) * | 2014-08-28 | 2016-09-29 | Beijing Jiaotong University | Fault Prediction and Condition-based Repair Method of Urban Rail Train Bogie |
US20190146436A1 (en) * | 2017-11-10 | 2019-05-16 | General Electric Company | Methods and apparatus to generate an optimized workscope |
CN110110933A (zh) * | 2019-05-10 | 2019-08-09 | 西南交通大学 | 一种智能变电站保护系统的检修周期优化方法 |
CN113065675A (zh) * | 2021-04-13 | 2021-07-02 | 中国人民解放军空军工程大学 | 一种基于剩余寿命预测的设备最优维护方法 |
CN113869535A (zh) * | 2021-09-09 | 2021-12-31 | 广东核电合营有限公司 | 一种预防性维修策略优化方法 |
KR102475291B1 (ko) * | 2021-10-21 | 2022-12-08 | 가온플랫폼 주식회사 | 설비 잔여수명예측 알고리즘을 통한 최적의 자산유지보수관리 시기 산정 방법 및 시스템. |
WO2023184237A1 (zh) * | 2022-03-30 | 2023-10-05 | 西门子股份公司 | 计算电子系统的剩余使用寿命的方法、装置及计算机介质 |
Non-Patent Citations (1)
Title |
---|
郝可: "面向装备维修保障的云决策系统设计与实现", CNKI优秀硕士学位论文全文库 社会科学Ⅰ辑, no. 2021, 15 February 2021 (2021-02-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472779B (zh) | 一种基于时间卷积网络的电力系统短期负荷预测方法 | |
TW201928708A (zh) | 模型整合方法及裝置 | |
TW201928805A (zh) | 模型整合方法及裝置 | |
CN111324862A (zh) | 贷中行为监控的方法及系统 | |
CN111861464A (zh) | 区块链的节点共识方法及系统 | |
Haridy et al. | An optimisation design of the combined np-CUSUM scheme for attributes | |
CN116418653A (zh) | 基于多指标根因定位算法的故障定位方法及装置 | |
CN114140034A (zh) | 基于工况的质量监控方法及相关装置 | |
CN117575578A (zh) | 基于机械设备剩余寿命的不完全维修决策优化方法及装置 | |
Gorjian Jolfaei et al. | Reliability modelling with redundancy—A case study of power generation engines in a wastewater treatment plant | |
CN117034169A (zh) | 基于时序因果关系网络的电网主变设备异常状态预测方法 | |
Li et al. | The updating strategy for the safe control Bayesian network model under the abnormity in the thickening process of gold hydrometallurgy | |
He et al. | Prediction of electricity demand of China based on the analysis of decoupling and driving force | |
JP2018032229A (ja) | 設備点検順位設定装置及び設備点検順位設定方法 | |
CN109214544A (zh) | 寿命预测及维护决策方法和装置、以及存储介质、计算机 | |
Guo et al. | A data-driven diagnostic system utilizing manufacturing data mining and analytics | |
Hallaji et al. | A Digital Twin Framework for Enhancing Predictive Maintenance of Pumps in Wastewater Treatment Plants | |
CN107508279B (zh) | 一种电力网络的稳定性仿真方法 | |
CN116308303B (zh) | 基于设备数据的检修计划生成方法、装置、设备和介质 | |
CN113051700A (zh) | 设备可靠性监测方法及装置 | |
Jenkel et al. | Towards Fleet-wide Sharing of Wind Turbine Condition Information through Privacy-preserving Federated Learning | |
CN110543724A (zh) | 面向总体设计的卫星结构性能预测方法 | |
CN117805663B (zh) | 基于运行状态的电池测试方法、装置、设备和介质 | |
CN117113886B (zh) | 一种压力预测方法及装置 | |
CN117370824B (zh) | 一种空气压缩机进气状态智能监测方法及系统 |
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 |