CN107358299B - 基于故障模式的预知性维修闭环方法 - Google Patents
基于故障模式的预知性维修闭环方法 Download PDFInfo
- Publication number
- CN107358299B CN107358299B CN201710456032.6A CN201710456032A CN107358299B CN 107358299 B CN107358299 B CN 107358299B CN 201710456032 A CN201710456032 A CN 201710456032A CN 107358299 B CN107358299 B CN 107358299B
- Authority
- CN
- China
- Prior art keywords
- equipment
- maintenance
- reliability
- predictive maintenance
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—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
- G06Q10/06313—Resource planning in a project environment
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biodiversity & Conservation Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明给出了一种基于故障模式的预知性维修闭环方法,将故障信息与状态监测信息都精确到故障模式层级,作为连接预知性维修与可靠性技术的结点,将预知性维修技术与可靠性技术有效结合,形成预知性维修闭环体系。所述形成预知性维修闭环体系包括可靠性回顾预测未来事件、状态监测确定设备当前状态以及可靠性和预知维修闭环。所述可靠性回顾预测未来事件步骤如下:收集数据;通过步骤a所获得的数据获取设备及其零部件的故障模式;建立可靠性模型;利用步骤c中的模型进行模拟仿真;根据步骤d的结果进行分析,获取各失效模式的形状函数和预期寿命;将步骤e的结果,指导预知维修的实施;并针对不同的形状函数驱动不同的维修策略。
Description
技术领域
本发明涉及一种设备的维修方法,尤其是一种基于故障模式的预知性维修闭环方法。
背景技术
设备或***(包括旋转设备、静设备、执行器、以及仪电设备)的可开动率直接关系到企业生产、安全。
设备维修的过程包括事后维修、预防性维修、预知性维修三个策略,其中预知性维修技术改善了获取设备故障信息的能力,预知设备的状态趋势,优化设备维修管理,提高设备的可开动率。
预知维修技术关注设备的失效模式和与之相关的设备的故障特征参数。基于当前特征参数的趋势变化与阈值比较判断设备所处的状态,以决定是否进行维修和维护,即基于状态的维修。
设备的维修和停机历史记录含有大量的设备可靠性信息,这些信息在设备层面内,只能反映设备的可靠性的高低,不能够挖掘到设备的失效机理和原因。
预知维修技术和历史维修记录没有很好的结合,有很大的改善空间。目前主要存在着如下问题:
1.预知维修技术和维修历史纪录信息挖掘,彼此独立,互不关联;
现有的预知性维修体系中,对设备性能参数监测主要依赖设备趋势和当前状态,而基本不关联设备历史故障信息分析,在进行性能参数监测时,***只能确定设备状态异常,但具体哪一部分异常还需要工程师来确定,甚至需要停机检查。这无疑给生产带了影响,也增大了工程师的工作量。
2.维修历史信息中存在大量的基于设备部件故障模式的信息与预知维修体系中的状态监测的参数关联度不高;
在设备历史故障信息的使用中,如果只做到设备层面的历史故障信息分析,将只能得到设备整体的MTBF值,缺乏针对性。并且当状态监测结果和设备层级的历史分析均处于设备层级时,两者无法进行有效对接,这将成为预知性维修闭环体系建设过程中的一大障碍。
3.预知维修与维修历史没有形成闭环,状态参数和失效模式没有形成关联,***没有优化和迭代的能力:
从预知性维修体系角度上来说,现有的预知性维修,主要处于状态监测和故障诊断阶段,设备的状态监测信息和历史维修记录没有做到有机融合,使用到历史记录的也只是将历史记录作为分析手段,并没有将其应用于预测。这样一方面造成信息资源的浪费,另一方面没有与历史故障信息相结合的预知性维修,没有形成一个完整的预知性维修闭环体系,其功能局限于传统的状态监测和故障诊断,不能实现状态监测间隔优化、故障精准定位等更强大的功能。
发明内容
上述提出的关于预知维修技术与维修历史的关系问题,主要表现在状态监测数据和历史故障数据不能有效结合利用,因此两者相对应的预知性维修技术和可靠性技术不能得到有效结合,由此阻碍了预知性维修闭环体系的形成。针对以上问题,本发明提出了一种基于故障模式的预防性维修体系,将故障信息与状态监测信息都精确到故障模式层级,作为连接预知性维修与可靠性技术的结点,将预知性维修技术与可靠性技术有效结合,形成一个完整的预知性维修闭环体系。
作为对本发明所述的基于故障模式的预知性维修闭环方法的改进:所述形成预知性维修闭环体系包括可靠性回顾预测未来事件、状态监测确定设备当前状态以及可靠性和预知维修闭环。
作为对本发明所述的基于故障模式的预知性维修闭环方法的进一步改进:所述可靠性回顾预测未来事件步骤如下:
a.收集数据;
b.通过步骤a所获得的数据获取设备及其零部件的故障模式;
c.建立可靠性模型;
d.利用步骤c中的模型进行模拟仿真;
e.根据步骤d的结果进行分析,获取各失效模式的形状函数和预期寿命;
f.将步骤e的结果,指导预知维修的实施;并针对不同的形状函数驱动不同的维修策略。
作为对本发明所述的基于故障模式的预知性维修闭环方法的进一步改进:所述状态监测确定设备当前状态步骤如下:
g.收集设备状态数据或工艺数据;
h.整理步骤g所获得的数据;
i.在h的基础上,针对每种故障模式,匹配特征参数集合;
j.利用步骤i中的数据,建立特征参数矩阵和阈值矩阵;
k.根据步骤j的结果判断设备的当前状态,确定该失效模式下的初始失效时间节点。
作为对本发明所述的基于故障模式的预知性维修闭环方法的进一步改进:所述预知维修闭环步骤如下:
l.通过已经发生的事件的可靠性回归分析,确定该模式下的预期寿命和发生的概率,并确定F点;
m.通过状态参数矩阵和阈值矩阵确定设备的当前状态,并确定P点;
n.通过l和m确定设备该模式下的剩余寿命,更新状态监测的数据采集频率,确定预知维修策略;
o.步骤1维修结果作为输入事件,重新进行回归仿真预测该失效模式下的设备寿命,了解维修策略的效果;
步骤m的状态监测实时数据反馈设备当前状态,检验维修方案是否达到预期,并重够特征参数矩阵和阈值矩阵;
p.步骤l和m不断迭代,形成闭环。
作为对本发明所述的基于故障模式的预知性维修闭环方法的进一步改进:所述步骤a收集的数据包括但不限于设备规格参数、可靠性数据和维修数据。
作为对本发明所述的基于故障模式的预知性维修闭环方法的进一步改进:所述可靠性模型为RAM-寿命数据分析模型。
以故障模式为结点,将预知维修技术和可靠性技术这两种技术结合,形成一套预知性维修的闭环体系,能够取得以下有益效果:
1、将可靠性技术融合在预知性维修体系内,在故障模式层级预测设备的寿命,指导预知性维修的监测时间间隔,提高预防性维修监测的精确度。
2、将可靠性技术融合在预知性维修体系内,使得预知性维修的状态监测参数能够对应到故障模式,避免之前停机拆机检查的过程,在真正意义上实现智能诊断,大大提高预知性维修效率,减少停机时间,降低人力成本。
形成预知性维修的闭环体系,监测信息与故障信息共同帮助完成预知性维修,实现状态监测间隔优化、故障精准定位等功能。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细说明。
图1是基于预知性维修技术和可靠性技术的预知维修方法;
图2是预知性维修闭环体系;
图3是可靠性-时间曲线;
图4是隔离液压力趋势。
具体实施方式
实施例1、图1~图2给出一种基于故障模式的预知性维修闭环方法。本发明将预知性维修状态监测的特征量对应到故障模式,提高故障监测的精准程度,解决设备层级的状态监测不能明确故障位置,甚至需要停机检查的问题。将预知性维修状态监测的特征量对应到故障模式,以故障模式为结点,与可靠性技术进行结合,解决现在预知性维修不能形成闭环,可靠性技术中设备历史故障信息浪费,而预知性维修功能局限的问题。
在预知性维修技术与可靠性技术结合的预知性维修体系中,预知维修技术通过设备的特征量的当前状态来预测设备的失效时间,即通过状态监测来发现设备当前的状态;可靠性技术在故障模式层级对设备维修历史数据进行故障回归分析,通过历史记录找到规律,预测设备每种故障模式的发生间隔。因此,以故障模式为结点,将预知维修技术和可靠性技术相结合,既考虑设备的维修历史也考虑设备的当先状态,两者有机结合,不仅能够预测PF曲线,还能够预测发生的故障模式。
本发明主要通过如下步骤实施:
提供一套设备与故障模式通用数据库,通过确定设备类型和应用环境,可以确定该设备对应的故障模式。
提供一套与故障模式自动对应特征参数数据库,使得确定的故障模式有相应的特征参数与之对应,在预知性维修的状态监测过程中,可以通过监测到的特征参数来确定故障。
提供一套与特征参数相对应的预知维修技术手段,并且提供特征参数对应的阈值。
提供一套可靠性回归算法,从故障模式层级分析设备的故障数据和故障模式,由此可以预知每种模式下次失效的时间和原因(如早期型,磨损型)。根据可靠性分析的结果,来指导预知维修数据的采集频率。
本发明以故障模式为结点,将预知性维修中的特征参数与失效模式相结合,通过特征参数的趋势确认P点,通过可靠性技术预测F点,通过PF点预测设备的剩余寿命。并且动态管理预知维修数据的采集频次以及F点处的数据存储。这样,就实现了历史维修数据与设备的当前状态结合,形成预知性维修的闭环体系,通过计算机准确识别设备的状态和对应的故障模式,减少人的工作量。
本发明的具体实施步骤如下:
一、可靠性回顾预测未来事件:
a.收集数据(所述收集的数据包括但不限于设备规格参数、可靠性数据和维修数据);
b.通过步骤a所获得的数据获取设备及其零部件的故障模式;
c.建立RAM-寿命数据分析模型,以此来建立可靠性模型;
d.利用步骤c中的可靠性模型进行模拟仿真;
e.根据步骤d的结果进行详细分析,获取各失效模式的形状函数和预期寿命;
f.将步骤e的结果指导预知维修的实施,针对不同的形状函数驱动不同的维修策略;
二、状态监测确定设备当前状态:
g.收集设备状态数据或工艺数据;
h.整理步骤g所获得的数据;
i.在步骤h的基础上,针对每种故障模式,匹配特征参数集合;
j.利用步骤i中的数据,建立特征参数矩阵和阈值矩阵;
k.根据步骤j的结果判断设备的当前状态,确定该失效模式下的初始失效时间节点;
三、可靠性和预知维修闭环:
l.通过已经发生的事件的可靠性回归分析,确定该模式下的预期寿命和发生的概率,并确定F点(F点为设备已故障的点);
m.通过特征参数矩阵参数矩阵和阈值矩阵确定设备的当前状态,并确定P点(P点为我们能发现设备故障的点);
n.通过l步骤和m步骤确定设备该模式下的剩余寿命,更新状态监测的数据采集频率,确定预知维修策略;
o.步骤1维修结果作为输入事件,重新进行回归仿真预测该失效模式下的设备寿命,了解维修策略的效果;步骤m的状态监测实时数据反馈设备当前状态,检验维修方案是否达到预期,并重构特征参数矩阵和阈值矩阵;
p.步骤l和m不断迭代,形成闭环。
对比例1:
高压泵的填料的主要作用是密封柱塞和缸体使他们之间形成高压腔,介质进入高压腔后,被压缩后进入下游,填料密封不严就会造成介质从高压腔沿柱塞泄露到低压腔(低压腔的压力设定为35bar,极限压力不能超过42bar),高压填料的失效模式是填料泄露。
表1高压泵各组件失效模式表
某厂有1台泵,2016年7月到2017-3月共有4次填料更换记录:
表2高压泵更换记录表
可开性回归计算该填料的MTBF=2022hr,可靠性为65%。B=5.158>1,表明填料失效与服务时间有关,超过2022hr可靠度会快速下降(如图3所示)。填料使用时间超过两个月后,需要缩短压力参数监测周期,确认填料磨损的程度,合理安排维修计划可减少不必要的非计划停机时间。
表3韦布尔分布计算结果
高压填料的失效模式为泄露。填料失效的监控参数是填料的背压压力P,正常情况下,P<3.2Mpa,隔离液启动油泵使得P达到4.0Mpa后,***保压直到低于3.2Mpa后***再次增压,保压周期约为20-60分钟,即正常状态下,油泵每隔20-60分钟启动1次。如果***超过120分钟不进行加压,且压力值始终保持在3.2Mpa以上,即可判断填料泄露,高压介质窜到低压腔,导致低压腔压力高于3.2Mpa,油泵超过60分钟不启动,属于非正常状态。
下图(图4)为密封腔压力监控曲线,2017-4-20号P的压力超过2小时的时间高于3.2Mpa,判断高压填料磨损泄露,需要更换高压填料。
2017-5-1安排了计划停机。利用这次计划停机更换了该填料。再次开机后,该压力恢复到正常状态,表明填料状态恢复,预知维修内容消除了填料故障。
填料的历史维修记录含有丰富的设备可靠性信息,对这些数据的回归分析可协助设备管理人员确认设备失效的规律,指导改善维修策略。
填料的失效与使用时间相关,本例中使用时间超过2个月,填料的失效率明显上升,但何时发生存在随机性。状态监测可确定最佳的维修时间。
隔离液压力是填料状态的关键参数,该参数的变化可准确预知检修时间。本案中,当压力达到阈值后,对填料进行了维修,及时恢复了设备状态,实现了预知维修。
最后,还需要注意的是,以上列举的仅是本发明的一个具体实施例。显然,本发明不限于以上实施例,还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形,均应认为是本发明的保护范围。
Claims (1)
1.基于故障模式的预知性维修闭环方法,其特征是:将故障信息与状态监测信息都精确到故障模式层级,作为连接预知性维修与可靠性技术的结点,将预知性维修技术与可靠性技术有效结合,形成预知性维修闭环体系;所述形成预知性维修闭环体系包括可靠性回顾预测未来事件、状态监测确定设备当前状态以及可靠性和预知维修闭环;所述可靠性回顾预测未来事件步骤如下:
提供一套设备与故障模式通用数据库,通过确定设备类型和应用环境,可以确定该设备对应的故障模式,
a.收集数据;
b.通过步骤a所获得的数据获取设备及其零部件的故障模式;
c.建立RAM-寿命数据分析模型,以此来建立可靠性模型;
d.利用步骤c中的模型进行模拟仿真;具体采用威布尔分布仿真回归分析;
e.根据步骤d的结果进行分析,获取各失效模式的形状函数和预期寿命;
f.将步骤e的结果,指导预知维修的实施;并针对不同的形状函数驱动不同的维修策略;
所述状态监测确定设备当前状态步骤如下:
g.收集设备状态数据或工艺数据;
h.整理步骤g所获得的数据;
i.在h的基础上,针对每种故障模式,匹配特征参数集合;
j.利用步骤i中的数据,建立特征参数矩阵和阈值矩阵;
k.根据步骤j的结果判断设备的当前状态,确定该失效模式下的初始失效时间节点;
所述预知性维修闭环步骤如下:
l.通过已经发生的事件的可靠性回归分析,确定该模式下的预期寿命和发生的概率,并确定F点,F点为设备已故障的点;
m.通过状态参数矩阵和阈值矩阵确定设备的当前状态,并确定P点,P点为我们能发现设备故障的点;
n.通过l和m确定设备该模式下的剩余寿命,更新状态监测的数据采集频率,确定预知维修策略;
o.步骤1维修结果作为输入事件,重新进行回归仿真预测该失效模式下的设备寿命,了解维修策略的效果;
步骤m的状态监测实时数据反馈设备当前状态,检验维修方案是否达到预期,并重够特征参数矩阵和阈值矩阵;
p.步骤l和m不断迭代,形成闭环;
上述在预知性维修技术与可靠性技术结合的预知性维修体系中,预知维修技术通过设备的特征量的当前状态来预测设备的失效时间,即通过状态监测来发现设备当前的状态;可靠性技术在故障模式层级对设备维修历史数据进行故障回归分析,通过历史记录找到规律,预测设备每种故障模式的发生间隔;因此,以故障模式为结点,将预知维修技术和可靠性技术相结合,既考虑设备的维修历史也考虑设备的当前状态,两者有机结合,不仅能够预测PF曲线,还能够预测发生的故障模式;
所述步骤a 收集的数据包括设备规格参数、可靠性数据和维修数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710456032.6A CN107358299B (zh) | 2017-06-16 | 2017-06-16 | 基于故障模式的预知性维修闭环方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710456032.6A CN107358299B (zh) | 2017-06-16 | 2017-06-16 | 基于故障模式的预知性维修闭环方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107358299A CN107358299A (zh) | 2017-11-17 |
CN107358299B true CN107358299B (zh) | 2022-11-22 |
Family
ID=60273843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710456032.6A Active CN107358299B (zh) | 2017-06-16 | 2017-06-16 | 基于故障模式的预知性维修闭环方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107358299B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190279132A1 (en) * | 2018-03-08 | 2019-09-12 | General Electric Company | Analytics core and aggregation |
KR102103151B1 (ko) * | 2018-03-14 | 2020-04-22 | (주)아이티공간 | 구동부의 정밀 예지 보전방법 |
CN110390404A (zh) * | 2019-07-12 | 2019-10-29 | 杭州培慕科技有限公司 | 一种基于知识库和数据管理的rcm |
CN112445199B (zh) * | 2019-09-04 | 2022-03-15 | 上海杰之能软件科技有限公司 | 维修间隔确定方法及装置、存储介质、终端 |
CN111369079A (zh) * | 2020-05-27 | 2020-07-03 | 深圳创新奇智科技有限公司 | 维护计划的预测方法及装置、电子设备、存储介质 |
CN112149846A (zh) * | 2020-09-23 | 2020-12-29 | 山东通维信息工程有限公司 | 预防性养护的高速公路机电维护方法 |
CN112329151B (zh) * | 2020-11-19 | 2024-02-23 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种部件预防性维修方法 |
EP4083584B1 (en) | 2021-04-29 | 2024-07-10 | Mettler-Toledo Garvens GmbH | Method for evaluating the performance of a dynamic weighing instrument, weighing system and computer program |
CN118134242A (zh) * | 2024-01-12 | 2024-06-04 | 广东腐蚀科学与技术创新研究院 | 一种炼化企业小接管管理平台及方法和信息化管理*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102262690A (zh) * | 2011-06-07 | 2011-11-30 | 中国石油大学(北京) | 一种混合故障预警模型的建模方法及混合故障预警模型 |
CN102663542A (zh) * | 2012-03-22 | 2012-09-12 | 北京航空航天大学 | 一种基于逻辑决断的故障模式消减闭合方法 |
CN104268678A (zh) * | 2014-09-15 | 2015-01-07 | 中国石油化工股份有限公司武汉分公司 | 一种以动态可靠性为基础的设备预防性维修方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8214317B2 (en) * | 2009-08-17 | 2012-07-03 | Pratt & Whitney Rocketdyne, Inc. | Failure detection system risk reduction assessment |
CN106845651A (zh) * | 2016-12-19 | 2017-06-13 | 杭州培慕科技有限公司 | 设备状态变化趋势预判、***结构和维修策略优化的方法 |
-
2017
- 2017-06-16 CN CN201710456032.6A patent/CN107358299B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102262690A (zh) * | 2011-06-07 | 2011-11-30 | 中国石油大学(北京) | 一种混合故障预警模型的建模方法及混合故障预警模型 |
CN102663542A (zh) * | 2012-03-22 | 2012-09-12 | 北京航空航天大学 | 一种基于逻辑决断的故障模式消减闭合方法 |
CN104268678A (zh) * | 2014-09-15 | 2015-01-07 | 中国石油化工股份有限公司武汉分公司 | 一种以动态可靠性为基础的设备预防性维修方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107358299A (zh) | 2017-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107358299B (zh) | 基于故障模式的预知性维修闭环方法 | |
Liao et al. | Preventive maintenance scheduling for repairable system with deterioration | |
KR101733393B1 (ko) | 전력 플랜트의 부하 스케줄링을 위한 방법 및 제어 시스템 | |
Wakiru et al. | Maintenance optimization: application of remanufacturing and repair strategies | |
CN108629430A (zh) | 一种重大设备智能运维管理*** | |
JP4550632B2 (ja) | 設備保全計画支援システムおよびその支援方法 | |
Liao et al. | Single-machine-based predictive maintenance model considering intelligent machinery prognostics | |
Park et al. | The proportional hazards modeling of water main failure data incorporating the time-dependent effects of covariates | |
Li et al. | Preventive maintenance decision model of urban transportation system equipment based on multi-control units | |
Seyed Hadi et al. | Reliability modeling of hydraulic system of drum shearer machine | |
CN116992346A (zh) | 一种基于人工智能大数据分析的企业生产数据处理*** | |
Kumar et al. | Methods for risk management of mining excavator through FMEA and FMECA | |
CN112633611A (zh) | 基于大数据分析的海底电缆状态检修策略优化方法及*** | |
CN107084853A (zh) | 云制造下设备故障预测方法 | |
Liao et al. | Data-driven Machinery Prognostics Approach using in a Predictive Maintenance Model. | |
Yang et al. | Mission reliability–centered maintenance approach based on quality stochastic flow network for multistate manufacturing systems | |
Zhang et al. | Condition based maintenance and operation of wind turbines | |
CN110427689B (zh) | 基于信息新技术的燃机机组机群监测诊断方法 | |
Beduschi et al. | Optimizing rotating equipment maintenance through machine learning algorithm | |
Cancemi et al. | The application of machine learning for on-line monitoring Nuclear Power Plant performance | |
Aggogeri et al. | Design for Reliability of Robotic Systems Based on the Prognostic Approach | |
Schneider et al. | Implementation of maintenance strategies in the life cycle costing of product-service systems | |
Wang et al. | Condition-based dynamic supportability mechanism for the performance quality of large-scale electromechanical systems | |
Esposito et al. | A prescriptive maintenance policy for a gamma deteriorating unit | |
Nugraha et al. | Data-Driven Approaches for Operation and Maintenance Decision on Power Plants |
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 |