CN107315396A - 一种状态监测维修与预测维修混合维修规划方法及*** - Google Patents
一种状态监测维修与预测维修混合维修规划方法及*** Download PDFInfo
- Publication number
- CN107315396A CN107315396A CN201710389527.1A CN201710389527A CN107315396A CN 107315396 A CN107315396 A CN 107315396A CN 201710389527 A CN201710389527 A CN 201710389527A CN 107315396 A CN107315396 A CN 107315396A
- Authority
- CN
- China
- Prior art keywords
- msub
- maintenance
- mrow
- state
- strategy
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 233
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000003449 preventive effect Effects 0.000 claims abstract description 62
- 238000012937 correction Methods 0.000 claims abstract description 32
- 230000000694 effects Effects 0.000 claims abstract description 18
- 230000008901 benefit Effects 0.000 claims description 44
- 230000008569 process Effects 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 13
- 230000003412 degenerative effect Effects 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000007774 longterm Effects 0.000 claims description 7
- 230000015556 catabolic process Effects 0.000 claims description 5
- 238000006731 degradation reaction Methods 0.000 claims description 5
- 238000011835 investigation Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 description 9
- 230000008439 repair process Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 229910000990 Ni alloy Inorganic materials 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005204 segregation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation 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
- G06Q10/20—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
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Manufacturing & Machinery (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Primary Health Care (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种状态监测维修与预测维修混合维修规划方法，包括步骤：步骤一、根据状态监测维修策略采集***状态值；步骤二、判断***状态值是否达到预防维修状态阈值Lp，否，则执行步骤一；是，则执行步骤三；步骤三、判断***状态值是否超过失效阈值，是，则开展事后维修；否，则建立预测维修规划策略；步骤四、判断是否满足预测维修策略的更新停止条件，否，则执行步骤三；是，则开展预防维修。本发明实施例提出一种混合维修规划方法，既能在产品开始运行前对维修策略可能达到的总体水平给出准确估计，又能在此基础上基于预测维修方法进一步提升部分产品的维修效果，进而提升所有产品的总体维修效果。
Description
技术领域
本发明涉及产品寿命预测与健康管理技术领域，尤其涉及一种状态监测维修与预测维修混合维修规划方法及***。
背景技术
对于制造型企业，生产总成本的很大一部分是用于设备维修的。对于核电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。近年来，随着传感器技术的发展，状态监测维修(CBM)与预测维修(PdM)策略逐步得到人们的关注与研究。对于大部分产品，其失效总是伴有一段特征指标变化的过程，如果能准确掌握这些特征指标，就能更好地理解产品的衰退过程，甚至预测其失效时间。因此，相比于传统的周期性预防维修或基于产品统计寿命分布的预防维修策略，状态监测维修与预测维修往往能更有效地减少产品失效比例，降低维修费用，提升设备可用性与安全性。
状态监测维修根据产品特征指标的衰退模型优化选取预防维修状态阈值、状态监测间隔等参数，一旦某一产品的状态监测数值达到或超过预防维修状态阈值则开展预防维修。另一方面，预测维修则根据每一个产品的在线状态监测数据，预测其未来的衰退过程发展趋势，并根据这一预测动态地更新其预防维修时间，直至满足某一更新停止条件或产品失效为止。由于上述特点，状态监测维修与预测维修各有优势：状态监测维修建立在一批产品的衰退过程模型之上，因而可以准确地给出针对一批同类产品的总体维修效果(平均维修费用、平均可用度、平均生产率等)；而预测维修在维修策略建立在每一具体产品的状态监测数据之上，因而其针对性更强，维修时间往往更优，但同时难以给出一批同类产品在开展预测维修后的总体维修效果。对于大型制造企业而言，在实施维修前知晓某一维修策略的总体维修效果与实施维修过程中维修效果的进一步提升往往都很重要，前者通常意味着订单能否准时交付，而后者则意味着成本能否进一步降低、产量能否进一步提升。在现有关于状态监测维修与预防维修的研究中，M.–Y.You等提出一种预防维修规划与剩余寿命预测结果相结合的维修规划策略(Ming-Yi You,Fang Liu,Wen Wang,GuangMeng.Statistically planned and individually improved predicitive maintenancemanagement for continuously monitored degrading systems.IEEE Transactions onReliability,2010,59(4),744-753)。然而，该项研究是基于传统的基于统计寿命分布的预防维修给出总体维修效果评估，并非基于效果更好的状态监测维修策略。另一方面，基于剩余寿命预测结果的个体维修效果提升策略也是近似优化的(或基于经验的)。
发明内容
鉴于上述的分析，本发明旨在提供一种状态监测维修与预测维修混合维修规划方法及***，基于状态监测维修给出总体维修效果评估，并在此基础上采用预测维修策略进一步提升个体维修效果，用以解决现有技术中存在的技术问题。
为实现上述的发明目的，在基于本发明方法的一个实施例中，包括以下步骤：
步骤一、根据状态监测维修策略采集***状态值；
步骤二、判断***状态值是否达到预防维修状态阈值Lp，否，则执行步骤一；是，则执行步骤三；
步骤三、判断***状态值是否超过失效阈值，是，则开展事后维修；否，则建立预测维修规划策略；
步骤四、判断是否满足预测维修策略的更新停止条件，否，则执行步骤三；是，则开展预防维修。
在基于本发明方法的另一个实施例中，在步骤一之前还包括：
步骤S01、确定参数与建立衰退模型；
步骤S02、根据步骤S01建立的***衰退模型及确定的参数，建立状态监测维修策略。
在基于本发明方法的另一个实施例中，步骤S02具体包括：
步骤S021、建立***长期单位时间的净效益模型；
步骤S022、采用仿真分析的方法得到各种(n,Lp)参数组合情况下的净效益，并选取使得净效益最大的参数组合建立状态监测维修策略。
在基于本发明方法的另一个实施例中，步骤S01中衰退模型为随机线性衰退过程模型：
L(t)＝θ+βt+ε(t) (1)
其中L(t)为***在时刻t的状态值，θ为截距参数且符合正态分布；β为衰退速率参数且符合正态分布；ε(t)符合中心布朗运动。
在基于本发明方法的另一个实施例中，步骤S021具体为根据状态监测维修策略的目的、状态监测维修策略的执行规则和维修效果建立***长期单位时间的净效益模型：
其中，其中p(t)为***在时刻t产生的经济效益；T为***工作时长，N为***在工作时间段内的状态观测次数，ci为一次状态观测的费用，Mpm、Mcm分别为***接收的预防维修与事后维修次数，cpm、ccm分别为***接收一次预防维修与事后维修的费用；Tpm、Tcm分别为开展一次预防维修与事后维修的时间，T1为***自开始运行至接收一次预防维修或事后维修的运行时间变量，N1为***自开始运行至接收一次预防维修或事后维修所接受的状态观测次数，Ppm为***接收预防维修的概率，Pcm为***接收事后维修的概率，E[A]指A的期望值。
在基于本发明方法的另一个实施例中，步骤S022具体为
采用仿真分析的方法考察一组参数(n,Lp)的状态维修策略的表现，即：
其中，ks为仿真样本数，T1i为样本i自开始运行至接收一次预防维修或事后维修的时间，N′1i为样本i自开始运行至接收一次预防维修或事后维修所接受的状态观测次数，δpmi、δcmi分别为样本i的预防维修与事后维修指示函数，若样本i接受预防维修，则δpmi＝1、δcmi＝0，反之则δpmi＝0、δcmi＝1；这样考察(n,Lp)参数组合情况下的状态监测维修策略的表现，并选取表现最优的参数组合建立状态监测维修策略，其中，n为***状态监测时间间隔nΔt与状态监测最小间隔Δt的比值。
在基于本发明方法的另一个实施例中，步骤三中建立预测维修规划策略具体包括：当样本刚达到预防维修状态阈值时，计算并比较tip时允许***继续运行mΔt后再观测的期望单位时间的净效益和***直接在tip时刻开展预防维修的单位时间的净效益，得到***单位时间净效益最大化的***继续运行采样间隔数m*(tip)，其中tip＝N1inΔt，***状态监测时间间隔nΔt，m为自然数，N1i样本i自开始运行至达到预防维修状态阈值但未达到失效阈值接受的状态观测次数。
在基于本发明方法的另一个实施例中，步骤四中预测维修策略的更新停止条件为：
m*(tipk)≤LΔt (10)
即在开始预测维修规划后某一时刻计算所得的最优***继续运行时间小于等于L个最小采样间隔，则立刻开展预防维修，其中L为正整数，k为自然数，tipk＝tip+(k-1)Δt，当k等于1时，m*(tip)为步骤S503得到的采样间隔数。
在基于本发明方法的另一个实施例中，当***进入预测维修规划阶段后，如果m*(tipk)>LΔt，则允许***继续运行Δt后进行一次状态观测，计算并比较tipk时允许***继续运行mΔt后再观测的期望单位时间的净效益和***直接在tipk时刻开展预防维修的单位时间的净效益，得到***单位时间净效益最大化的***继续运行采样间隔数m*(tipk)，再次考察是否满足更新停止条件，如此循环往复，直至满足更新停止条件或***中途失效为止。
本发明的有益效果是：本发明实施例提出一种混合维修规划方法，既能在产品开始运行前对维修策略可能达到的总体水平给出准确估计，又能在此基础上基于预测维修方法进一步提升部分产品的维修效果，进而提升所有产品的总体维修效果。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分的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。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为本发明方法实施例的流程图；
图2为随机选取的三个衰退过程曲线图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理。
根据本发明的一个具体实施例，公开了一种状态监测维修与预测维修混合维修规划方法，如附图1所示，包括以下步骤：
步骤S1、确定参数与建立衰退模型；
建立衰退模型的作用是建立刻画***状态变化的模型，以作为建立状态监测维修策略的基础。在本申请实施例中，采用常用的随机线性衰退过程模型，即：
L(t)＝θ+βt+ε(t) (1)
其中L(t)为***在时刻t的状态值，θ为截距参数且符合均值为μ0方差为的正态分布，即β为衰退速率参数且符合均值为μβ方差为的正态分布，即ε(t)符合中心布朗运动即ε(t)符合均值为0，方差为的正态分布，即
随机线性衰退过程模型具有很强的实用性，可以很好地刻画多种产品的衰退过程，例如：激光发生器运行过程中电流的变化，钻头的止推力随钻孔数变化的过程，轴承非稳态阶段振动幅度的变化过程，镍合金蠕变过程中的应变发展过程等。此外，为定义***失效，定义Lf为失效阈值，即一旦有L(t)≥Lf即认为***失效。
步骤S2、根据步骤S1建立的***衰退模型及确定的参数，建立状态监测维修策略；
根据***衰退模型及其相关参数确定状态监测时间间隔nΔt与预防维修状态阈值Lp，其中n为自然数，Δt为状态监测最小间隔(一般为状态监测传感器最小采样间隔)。
步骤S201、建立***长期单位时间的净效益模型；
状态监测维修策略的要素包括：
1)状态监测维修策略的目的：最大化***长期单位时间的净效益，其中定义***净效益为：其中p(t)为***在时刻t产生的经济效益；T为***工作时长(不包括预防维修及事后维修时间)，N为***在工作时间段内的状态观测次数，ci为一次状态观测的费用，Mpm、Mcm分别为***接收的预防维修与事后维修次数，cpm、ccm分别为***接收一次预防维修与事后维修的费用。
2)状态监测维修策略的执行规则：***自开展运行始，每隔nΔt接受一次状态观测，若观测到***状态值L(t)＜Lp，则允许***继续运行；若观测到***状态值Lp≤L(t)＜Lf则对***开展预防维修；若观测到L(t)＞Lf则***失效，开展事后维修，但定义一旦L(t)＞Lf(无论此时是否开展了状态观测)则***不再产生效益。
3)维修效果：预防维修与事后维修均将产品修复如新，即均将***修复至全新的状态。
根据上述状态监测维修要素，则***长期单位时间的净效益可表示为：
其中，Tpm、Tcm分别为开展一次预防维修与事后维修的时间，T1为***自开始运行至接收一次预防维修或事后维修的运行时间变量，N1为***自开始运行至接收一次预防维修或事后维修所接受的状态观测次数，Ppm为***接收预防维修的概率，Pcm为***接收事后维修的概率，E[A]指A的期望值。p(t)、cpm、ccm、Tpm、Tcm既可以是常数，也可是随***状态变化的函数，需根据实际情况确定。
步骤S202、采用仿真分析的方法得到各种(n,Lp)参数组合情况下的净效益，并选取使得净效益最大的参数组合建立状态监测维修策略；
通常而言，可采用仿真分析的方法考察一组参数(n,Lp)的维修策略表现，即：
其中，ks为仿真样本数，T1i为样本i自开始运行至接收一次预防维修或事后维修的时间，N′1i为样本i自开始运行至接收一次预防维修或事后维修所接受的状态观测次数，δpmi、δcmi分别为样本i的预防维修与事后维修指示函数，若样本i接收预防维修，则δpmi＝1、δcmi＝0，反之则δpmi＝0、δcmi＝1。这样，根据式(3)即可考察常用的各种(n,Lp)参数组合情况下的状态监测维修策略的表现，并选取表现最优的参数组合建立状态监测维修策略。
步骤S1和S2属于离线规划阶段，可以维修对象运行前执行，也可以在维修对象运行阶段执行。步骤S3-S6属于在线规划与执行阶段，在维修对象运行过程中执行。
步骤S3、根据步骤S2建立的状态监测维修策略，采集***状态值；
自开始运行始每隔nΔt采集并观测一次***状态。
步骤S4、判断***状态值是否达到预防维修状态阈值Lp，否则执行步骤S3；是，则执行步骤S5；
若***状态未达到预防维修状态阈值，则允许***继续运行，并间隔nΔt时间再次采集***状态。
步骤S5、判断***状态值是否超过失效阈值，是，则开展事后维修；否，则建立预测维修规划策略；
预测维修规划策略即在***达到预防维修状态阈值，但尚未失效时进一步判断允许***继续运行是否能带来更高的效益，如果能，则允许***继续运行一段时间。
假设样本i自开始运行至达到预防维修状态阈值但未达到失效阈值接受的状态观测次数为N1i，采集得到状态观测量Li(nΔt),...,Li(N1inΔt)，此外，记N1inΔt＝tip。
步骤S501、计算tip时允许***继续运行mΔt后再观测的期望单位时间的净效益；
当样本i刚达到预防维修状态阈值时，则可根据***状态值，基于Bayes方法进一步更新关于***衰退速率β的值：
其中，分别为基于时间N1inΔt及其之前的状态观测值更新后的衰退速率参数的均值与方差。根据式(4)，则***在时刻υ(υ＞tip)的状态L(υ)呈正态分布，且有均值和方差：
给定***失效阈值Lf，则***在时刻t仍然正常运行的概率为：
其中，li为***的寿命变量，Φ(·)为标准正态分布的累积概率函数。给定式(4)～(6)，则允许***继续运行mΔt后再观测的期望单位时间的净效益为：
其中，H1(tip)＝Pr(li＞t|L(nΔt),...,L(N1inΔt))；
H2(tip)＝Pr(li＞N1inΔt+mΔt|L(nΔt),...,L(N1inΔt))；
H3(tip)＝1-H2(tip)。
步骤S502、计算***直接在tip时刻开展预防维修的单位时间的净效益；
若直接在tip时刻开展预防维修，则单位时间的净效益为：
步骤S503、比较步骤S501和步骤S502，得到使得***单位时间净效益最大化的***继续运行采样间隔数；
具体为：
步骤S6、判断是否满足预测维修策略的更新停止条件，否，则执行步骤S5；是，则开展预防维修。
图1中，预测维修策略的更新停止条件为：
m*(tipk)≤LΔt (10)
即在开始预测维修规划后某一时刻计算所得的最优***继续运行时间小于等于L个最小采样间隔，则立刻开展预防维修。其中L为正整数，根据经验和迭代结果优化取值，优选小于等于10的正整数，k为自然数，tipk＝tip+(k-1)Δt，当k等于1时，m*(tip)为步骤S503得到的采样间隔数。
若计算所得m*(tipk)>LΔt，则允许***继续运行Δt后进行一次状态观测，假设tip后预测维修策略中的状态观测点为tip2,tip3,...，则有：tip2＝tip+Δt,tip3＝tip2+Δt,...。当***进入预测维修规划阶段后，通常无法再直接使用式(4)进行衰退速率参数更新，这里采用逐步更新的方案，即：
相应地，tipk时允许***继续运行mΔt后再观测的期望单位时间的净效益为：
而使***单位时间净效益最大化的***继续运行采样间隔数为：
当计算得到m*(tipk)后再次考察是否满足更新停止条件，如此循环往复，直至满足更新停止条件或***中途失效为止。
在本发明方法的第二个实施例中，为产生***状态监测数据，不失一般性，定义随机线性衰退模型参数，如表1所示。此外，表1还定义了产品的失效阈值Lf。表1中，考虑了多种噪声水平(σ)以考察各种情况下本申请实施例公开的剩余寿命预测***的表现。
表1随机线性衰退模型参数
| μ0 | μ1 | σ0 | σβ | σε | Lf |
| 1 | 4 | 1 | 1 | 3 | 300 |
此外，表2定义了开展维修规划所需的其他参数的典型值。
表2开展维修规划所需的其他参数
| p(t) | ci | cpm | ccm | tpm | tcm |
| 100 | 20 | 500 | 3000 | 20 | 100 |
根据表1与表2的参数，仿真产生了1000个衰退过程以考察本申请实施例公开的混合维修规划***，图2演示了随机选取的3个衰退过程。这1000个仿真的产生的衰退过程样本中，500个用于构建状态监测维修策略，其余500个用以考察本申请实施例提出的混合维修规划***。
表3给出了各种参数组合情况下的状态监测维修的表现，由表3中的结果可见，参数组合(n＝5,Lp＝260)给出最大的平均单位时间净效益，因此选定该参数组合构建状态监测维修策略。表4给出了各种更新停止条件下本申请实施例提出的混合维修规划***的表现。比较表4中的结果与状态监测维修策略的表现可见，适当地选取更新停止条件，采用状态监测维修与预测维修混合维修规划***将可以进一步提升维修***的表现，而之前建立的状态监测维修策略则给出了混合维修策略所可能取得的最低限度表现。
表3各种参数组合情况下的状态监测维修表现(平均单位时间净效益)
表4各种更新停止条件下混合维修规划***的表现(平均单位时间净效益)
| L | 混合维修策略表现(平均单位时间净效益) |
| 1 | 58.35 |
| 2 | 58.84 |
| 3 | 58.83 |
| 4 | 58.83 |
| 5 | 58.82 |
综上所述，本发明的有益效果是：
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种状态监测维修与预测维修混合维修规划方法，其特征在于，包括：
步骤一、根据状态监测维修策略采集***状态值；
步骤二、判断***状态值是否达到预防维修状态阈值Lp，否，则执行步骤一；是，则执行步骤三；
步骤三、判断***状态值是否超过失效阈值，是，则开展事后维修；否，则建立预测维修规划策略；
步骤四、判断是否满足预测维修策略的更新停止条件，否，则执行步骤三；是，则开展预防维修。
2.如权利要求1所述的方法，其特征在于，在步骤一之前还包括：
步骤S01、确定参数与建立衰退模型；
步骤S02、根据步骤S01建立的***衰退模型及确定的参数，建立状态监测维修策略。
3.如权利要求2所述的方法，其特征在于，步骤S02具体包括：
步骤S021、建立***长期单位时间的净效益模型；
步骤S022、采用仿真分析的方法得到各种(n,Lp)参数组合情况下的净效益，并选取使得净效益最大的参数组合建立状态监测维修策略；其中，n为***状态监测时间间隔nΔt与状态监测最小间隔Δt的比值。
4.如权利要求2所述的方法，其特征在于，步骤S01中衰退模型为随机线性衰退过程模型：
L(t)＝θ+βt+ε(t) (1)
其中L(t)为***在时刻t的状态值，θ为截距参数且符合正态分布；β为衰退速率参数且符合正态分布；ε(t)符合中心布朗运动。
5.如权利要求3所述的方法，其特征在于，步骤S021具体为根据状态监测维修策略的目的、状态监测维修策略的执行规则和维修效果建立***长期单位时间的净效益模型：
<mfenced open='' close=''>
<mtable>
<mtr>
<mtd>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>,</mo>
<msub>
<mi>L</mi>
<mi>p</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<mi>T</mi>
</msubsup>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>dt</mi>
<mo>-</mo>
<mi>N</mi>
<mo>&CenterDot;</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>M</mi>
<mi>pm</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>c</mi>
<mi>pm</mi>
</msub>
<mo>-</mo>
<msub>
<mi>M</mi>
<mi>cm</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>c</mi>
<mi>cm</mi>
</msub>
</mrow>
<mrow>
<mi>T</mi>
<mo>+</mo>
<msub>
<mi>M</mi>
<mi>pm</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>T</mi>
<mi>pm</mi>
</msub>
<mo>+</mo>
<msub>
<mi>M</mi>
<mi>cm</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>T</mi>
<mi>cm</mi>
</msub>
</mrow>
</mfrac>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>=</mo>
<mi>E</mi>
<mo>[</mo>
<mfrac>
<mrow>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<msub>
<mi>T</mi>
<mn>1</mn>
</msub>
</msubsup>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>dt</mi>
<mo>-</mo>
<msub>
<mi>N</mi>
<mn>1</mn>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>P</mi>
<mi>pm</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>c</mi>
<mi>pm</mi>
</msub>
<mo>-</mo>
<msub>
<mi>P</mi>
<mi>cm</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>c</mi>
<mi>cm</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>T</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>P</mi>
<mi>pm</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>T</mi>
<mi>pm</mi>
</msub>
<mo>+</mo>
<msub>
<mi>P</mi>
<mi>cm</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>T</mi>
<mi>cm</mi>
</msub>
</mrow>
</mfrac>
<mo>]</mo>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，其中p(t)为***在时刻t产生的经济效益；T为***工作时长，N为***在工作时间段内的状态观测次数，ci为一次状态观测的费用，Mpm、Mcm分别为***接收的预防维修与事后维修次数，cpm、ccm分别为***接收一次预防维修与事后维修的费用；Tpm、Tcm分别为开展一次预防维修与事后维修的时间，T1为***自开始运行至接收一次预防维修或事后维修的运行时间变量，N1为***自开始运行至接收一次预防维修或事后维修所接受的状态观测次数，Ppm为***接收预防维修的概率，Pcm为***接收事后维修的概率，E[A]指A的期望值。
6.如权利要求3所述的方法，其特征在于，步骤S022具体为
采用仿真分析的方法考察一组参数(n,Lp)的状态维修策略的表现，即：
<mrow>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>,</mo>
<msub>
<mi>L</mi>
<mi>p</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>k</mi>
<mi>s</mi>
</msub>
</mfrac>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>k</mi>
<mi>s</mi>
</msub>
</munderover>
<mo>[</mo>
<mfrac>
<mrow>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<msub>
<mi>T</mi>
<mrow>
<mn>1</mn>
<mi>i</mi>
</mrow>
</msub>
</msubsup>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>dt</mi>
<mo>-</mo>
<msubsup>
<mi>N</mi>
<mrow>
<mn>1</mn>
<mi>i</mi>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>&CenterDot;</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&delta;</mi>
<mi>pmi</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>c</mi>
<mi>pm</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&delta;</mi>
<mi>cmi</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>c</mi>
<mi>cm</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>T</mi>
<mrow>
<mn>1</mn>
<mi>i</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>&delta;</mi>
<mi>pmi</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>T</mi>
<mi>pm</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&delta;</mi>
<mi>cmi</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>T</mi>
<mi>cm</mi>
</msub>
</mrow>
</mfrac>
<mo>]</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，ks为仿真样本数，T1i为样本i自开始运行至接收一次预防维修或事后维修的时间，N′1i为样本i自开始运行至接收一次预防维修或事后维修所接受的状态观测次数，δpmi、δcmi分别为样本i的预防维修与事后维修指示函数，若样本i接受预防维修，则δpmi＝1、δcmi＝0，反之则δpmi＝0、δcmi＝1；这样考察(n,Lp)参数组合情况下的状态监测维修策略的表现，并选取表现最优的参数组合建立状态监测维修策略。
7.如权利要求1所述的方法，其特征在于，步骤三中建立预测维修规划策略具体包括：当样本刚达到预防维修状态阈值时，计算并比较tip时允许***继续运行mΔt后再观测的期望单位时间的净效益和***直接在tip时刻开展预防维修的单位时间的净效益，得到***单位时间净效益最大化的***继续运行采样间隔数m*(tip)，其中tip＝N1inΔt，nΔt为***状态监测时间间隔，m为自然数，N1i样本i自开始运行至达到预防维修状态阈值但未达到失效阈值接受的状态观测次数。
8.如权利要求7所述的方法，其特征在于步骤四中预测维修策略的更新停止条件为：
m*(tipk)≤LΔt (10)
即在开始预测维修规划后某一时刻计算所得的最优***继续运行时间小于等于L个最小采样间隔，则立刻开展预防维修，其中L为正整数，k为自然数，tipk＝tip+(k-1)Δt，当k等于1时，m*(tip)为步骤S503得到的采样间隔数。
9.如权利要求8所述的方法，其特征在于，当***进入预测维修规划阶段后，如果m*(tipk)>LΔt，则允许***继续运行Δt后进行一次状态观测，计算并比较tipk时允许***继续运行mΔt后再观测的期望单位时间的净效益和***直接在tipk时刻开展预防维修的单位时间的净效益，得到***单位时间净效益最大化的***继续运行采样间隔数m*(tipk)，再次考察是否满足更新停止条件，如此循环往复，直至满足更新停止条件或***中途失效为止。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710389527.1A CN107315396B (zh) | 2017-05-27 | 2017-05-27 | 一种状态监测维修与预测维修混合维修规划方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710389527.1A CN107315396B (zh) | 2017-05-27 | 2017-05-27 | 一种状态监测维修与预测维修混合维修规划方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107315396A true CN107315396A (zh) | 2017-11-03 |
| CN107315396B CN107315396B (zh) | 2019-06-11 |
Family
ID=60183959
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710389527.1A Active CN107315396B (zh) | 2017-05-27 | 2017-05-27 | 一种状态监测维修与预测维修混合维修规划方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107315396B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108229761A (zh) * | 2018-03-16 | 2018-06-29 | 中国电子科技集团公司第三十六研究所 | 一种环境应力筛选试验与预测维修综合优化方法 |
| CN109117566A (zh) * | 2018-08-24 | 2019-01-01 | 中国电子科技集团公司第三十六研究所 | 一种基于产品寿命预测模型的混合维修规划方法 |
| CN109933890A (zh) * | 2019-03-11 | 2019-06-25 | 中国电子科技集团公司第三十六研究所 | 一种产品综合维修方法和装置 |
| CN112541597A (zh) * | 2019-09-04 | 2021-03-23 | 上海杰之能软件科技有限公司 | 多设备维修方法及装置、存储介质、终端 |
| CN112639848A (zh) * | 2019-07-22 | 2021-04-09 | 日东电工株式会社 | 设备异常处置定时决定***、设备异常处置定时决定方法及计算机程序 |
| CN113392998A (zh) * | 2021-07-01 | 2021-09-14 | 南京易自助网络科技有限公司 | 预判性运维规划方法及终端 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070294093A1 (en) * | 2006-06-16 | 2007-12-20 | Husky Injection Molding Systems Ltd. | Preventative maintenance system |
| CN104463421A (zh) * | 2014-11-06 | 2015-03-25 | 朱秋实 | 一种基于实时状态的大数据建模的设备动态优化维护方法 |
| CN104680251A (zh) * | 2015-02-12 | 2015-06-03 | 上海交通大学 | 考虑外部环境影响的港口设备智能预防性维护***及方法 |
| CN105095990A (zh) * | 2015-07-20 | 2015-11-25 | 中国电子科技集团公司第三十六研究所 | 一种预测维修方法和装置 |
| CN105809255A (zh) * | 2016-03-07 | 2016-07-27 | 大唐淮南洛河发电厂 | 一种基于物联网的火电厂旋转机械健康管理方法及*** |
| CN106169001A (zh) * | 2016-07-11 | 2016-11-30 | 北京航空航天大学 | 一种基于气路性能参数图形匹配的航空发动机整机剩余寿命预测方法 |
| CN106503813A (zh) * | 2016-10-27 | 2017-03-15 | 清华大学 | 基于起重装备工作状态的预测性维修决策方法及*** |
-
2017
- 2017-05-27 CN CN201710389527.1A patent/CN107315396B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070294093A1 (en) * | 2006-06-16 | 2007-12-20 | Husky Injection Molding Systems Ltd. | Preventative maintenance system |
| CN104463421A (zh) * | 2014-11-06 | 2015-03-25 | 朱秋实 | 一种基于实时状态的大数据建模的设备动态优化维护方法 |
| CN104680251A (zh) * | 2015-02-12 | 2015-06-03 | 上海交通大学 | 考虑外部环境影响的港口设备智能预防性维护***及方法 |
| CN105095990A (zh) * | 2015-07-20 | 2015-11-25 | 中国电子科技集团公司第三十六研究所 | 一种预测维修方法和装置 |
| CN105809255A (zh) * | 2016-03-07 | 2016-07-27 | 大唐淮南洛河发电厂 | 一种基于物联网的火电厂旋转机械健康管理方法及*** |
| CN106169001A (zh) * | 2016-07-11 | 2016-11-30 | 北京航空航天大学 | 一种基于气路性能参数图形匹配的航空发动机整机剩余寿命预测方法 |
| CN106503813A (zh) * | 2016-10-27 | 2017-03-15 | 清华大学 | 基于起重装备工作状态的预测性维修决策方法及*** |
Non-Patent Citations (3)
| Title |
|---|
| MING-YI YOU: "Cost-Effective Updated Sequential Predictive Maintenance Policy for Continuously Monitored Degrading Systems", 《AUTOMATION SCIENCE AND ENGINEERING》 * |
| 尤明懿 等: "更新停止条件对预测维修策略有效性的影响", 《电子产品可靠性与环境试验》 * |
| 尤明懿: "基于变量置换的预测维修规划模型建模方法", 《***仿真学报》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108229761A (zh) * | 2018-03-16 | 2018-06-29 | 中国电子科技集团公司第三十六研究所 | 一种环境应力筛选试验与预测维修综合优化方法 |
| CN108229761B (zh) * | 2018-03-16 | 2020-08-21 | 中国电子科技集团公司第三十六研究所 | 一种环境应力筛选试验与预测维修综合优化方法 |
| CN109117566A (zh) * | 2018-08-24 | 2019-01-01 | 中国电子科技集团公司第三十六研究所 | 一种基于产品寿命预测模型的混合维修规划方法 |
| CN109933890A (zh) * | 2019-03-11 | 2019-06-25 | 中国电子科技集团公司第三十六研究所 | 一种产品综合维修方法和装置 |
| CN109933890B (zh) * | 2019-03-11 | 2023-07-14 | 中国电子科技集团公司第三十六研究所 | 一种产品综合维修方法和装置 |
| CN112639848A (zh) * | 2019-07-22 | 2021-04-09 | 日东电工株式会社 | 设备异常处置定时决定***、设备异常处置定时决定方法及计算机程序 |
| CN112639848B (zh) * | 2019-07-22 | 2022-05-13 | 日东电工株式会社 | 设备异常处置定时决定***、设备异常处置定时决定方法及存储介质 |
| CN112541597A (zh) * | 2019-09-04 | 2021-03-23 | 上海杰之能软件科技有限公司 | 多设备维修方法及装置、存储介质、终端 |
| CN113392998A (zh) * | 2021-07-01 | 2021-09-14 | 南京易自助网络科技有限公司 | 预判性运维规划方法及终端 |
| CN113392998B (zh) * | 2021-07-01 | 2023-12-22 | 南京易自助网络科技有限公司 | 预判性运维规划方法及终端 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107315396B (zh) | 2019-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107315396A (zh) | 一种状态监测维修与预测维修混合维修规划方法及*** | |
| Tobon-Mejia et al. | A data-driven failure prognostics method based on mixture of Gaussians hidden Markov models | |
| Mazhar et al. | Remaining life estimation of used components in consumer products: Life cycle data analysis by Weibull and artificial neural networks | |
| Al‐Najjar | On establishing cost‐effective condition‐based maintenance: Exemplified for vibration‐based maintenance in case companies | |
| CN103679280A (zh) | 一种性能缓变退化的设备最优维护方法 | |
| CN107656156A (zh) | 一种基于云平台的设备故障诊断及运行状态评估方法与*** | |
| Helsen et al. | Wind farm operation and maintenance optimization using big data | |
| CN109460567A (zh) | 一种多部件设备的维护方法及*** | |
| CN106596110A (zh) | 基于在线数据的水轮发电机组水力不平衡故障的自动分析诊断方法 | |
| US20170046456A1 (en) | Electric Power Substation Reliability Analysis | |
| CN108985329A (zh) | 一种基于先验概率建模的轴流风机故障贝叶斯概率分析方法 | |
| CN106092575A (zh) | 一种基于Johnson变换和粒子滤波算法的轴承故障诊断与剩余寿命预测方法 | |
| Jouin et al. | Remaining useful life estimates of a PEM fuel cell stack by including characterization-induced disturbances in a particle filter model. | |
| Jia et al. | A comparison study of hidden Markov model and particle filtering method: Application to fault diagnosis for gearbox | |
| CN104318328A (zh) | 一种电网设备检修决策优化方法 | |
| Li et al. | Reliability-informed life-cycle warranty cost analysis: A case study on a transmission in agricultural equipment | |
| CN103323102B (zh) | 大型汽轮发电机组低频振动预测优化方法 | |
| Dao et al. | Impacts of reliability on operational performance and cost of energy evaluation of multi-megawatt, far-offshore wind turbines | |
| Esteves et al. | Prognostics health management: perspectives in engineering systems reliability prognostics | |
| He et al. | Research on PHM architecture design with electronic equipment | |
| Chen et al. | Incremental learning approach for improved prediction | |
| Mayadevi et al. | Failure forecast engine for power plant expert system shell | |
| Al-Najjar et al. | Maintenance solutions for continuous & cost-effective improvement of wind turbine performance | |
| Marugan et al. | A Comparative Study of Preventive Maintenance Thresholds for Deteriorating Systems | |
| Niknam et al. | A value-based maintenance strategy for systems under imperfect repair and continuous degradation |
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 |