CN107633309B - 一种复杂成形设备的维修策略确定方法及*** - Google Patents
一种复杂成形设备的维修策略确定方法及*** Download PDFInfo
- Publication number
- CN107633309B CN107633309B CN201710864563.9A CN201710864563A CN107633309B CN 107633309 B CN107633309 B CN 107633309B CN 201710864563 A CN201710864563 A CN 201710864563A CN 107633309 B CN107633309 B CN 107633309B
- Authority
- CN
- China
- Prior art keywords
- subclass
- label
- performance
- operating mode
- 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
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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种复杂成形设备的维修策略确定方法及***,该方法及***首先建立性能判断标准;其次获取实际运行数据;再者根据实际运行数据和性能判断标准,确定复杂成形设备的性能阶段,并根据复杂成形设备所处的性能阶段,确定复杂成形设备的维修策略。其中,建立性能判断标准包括依据工况分层识别模型,将处于不同性能阶段的数据分配至相应的工况单元中;将处于性能正常阶段数据设定为正常基准数据,采用最短路径算法,计算不同功能模块下不同工况单元的运行数据与正常基准数据的距离,得到不同功能模块的性能状态。可见,采用本发明提供的方法及***,能够为复杂成形设备选择出合适的维修策略,降低维修成本。
Description
技术领域
本发明涉及设备维修领域,特别是涉及一种复杂成形设备的维修策略确定方法及***。
背景技术
随着制造业的发展,制造工件日趋复杂化与灵活化,设备零件中对高精度、形状复杂的锻件的需求量越来越大,即能够完成多种成形要求的复杂成形设备的需求也越来越多。复杂成形设备的工作环境恶劣,结构复杂,功能多样,工况繁多,涉及到的运行数据较多,因此对复杂成形设备的性能运行状态的估计比较困难,进而根据性能运行状态确定复杂成形设备的维修策略也是比较困难的。因此,如何选择复杂成形设备合适的维修策略,降低维修成本,是设备维修领域急需解决的技术问题。
发明内容
本发明的目的是提供一种复杂成形设备的维修策略确定方法及***,能够为复杂成形设备选择出合适的维修策略,降低维修成本。
为实现上述目的,本发明提供了如下方案:
一种复杂成形设备的维修策略确定方法,所述维修策略确定方法包括:
获取多个样本数据集合;所述样本数据集合为带有维修策略标签的样本数据集合;所述维修策略标签包括性能正常标签、保养标签、维护标签、修理标签以及更换标签;
获取所述复杂成形设备的功能模块以及每个所述功能模块包括的工况单元;
根据所述功能模块以及每个所述功能模块包括的所述工况单元,建立工况分层识别模型;
根据所述工况分层识别模型,分别对每个所述样本数据集合中的所述数据项进行分类,得到多个带有性能正常标签的子集合、多个带有保养标签的子集合、多个带有维护标签的子集合、多个带有修理标签的子集合以及多个带有更换标签的子集合;每个所述子集合中的所述数据项为描述每个所述工况单元的运行数据;
对每个所述带有性能正常标签的子集合进行处理,得到多个基准子集合;所述基准子集合中的数据项为描述所述复杂成形设备性能正常状态下每个所述工况单元的运行数据;
采用最短路径算法,分别计算每个所述基准子集合与每个所述带有性能正常标签的子集合、所述带有保养标签的子集合、所述带有维护标签的子集合、所述带有修理标签的子集合以及所述带有更换标签的子集合的距离,并确定所述复杂成形设备的带有性能正常标签的性能集合、带有保养标签的性能集合、带有维护标签的性能集合、带有修理标签的性能集合以及带有更换标签的性能集合;所述性能集合中每个元素为所述基准子集合分别与所述带有性能正常标签的子集合、所述带有保养标签的子集合、所述带有维护标签的子集合、所述带有修理标签的子集合以及所述带有更换标签的子集合的距离;
获取所述复杂成形设备中一个工作循环的实际运行数据;
根据所述实际运行数据、所述工况分层识别模型以及所述最短路径算法,确定所述复杂成形设备的实际运行性能集合;
分别计算所述实际运行性能集合与所述带有性能正常标签的性能集合、所述带有保养标签的的性能集合、所述带有维护标签的性能集合、所述带有修理标签的性能集合以及所述带有更换标签的性能集合的欧氏距离,并挑选出在设定阈值范围内的所述欧氏距离;
根据挑选出的各所述欧氏距离,采用投票法,确定胜出的所述欧氏距离;
根据胜出的所述欧氏距离,确定胜出的所述欧氏距离对应的所述样本数据集合的带有维修策略标签,并将所述带有维修策略标签中标注的维修策略确定为所述复杂成形设备的维修策略。
可选的,所述根据所述工况分层识别模型,分别对每个样本数据集合中的数据项进行分类,得到多个带有性能正常标签的子集合、多个带有保养标签的子集合、多个带有维护标签的子集合、多个带有修理标签的子集合以及多个带有更换标签的子集合,具体包括:
根据所述工况分层识别模型中每个所述功能模块的描述需求,分别对每个样本数据集合中的数据项进行分类,得到多个带有性能正常标签的特征子集合、多个带有保养标签的特征子集合、多个带有维护标签的特征子集合、多个带有修理标签的特征子集合以及多个带有更换标签的特征子集合;所述特征子集合中的数据项为描述所述功能模块的运行数据;
获取每个所述工况单元的运行状态样本数据;
根据每个所述工况单元的运行状态样本数据,采用神经网络分配算法,得到训练后的神经网络模型;
将每个所述带有性能正常标签的特征子集合、每个所述带有保养标签的特征子集合、每个所述带有维护标签的特征子集合、每个所述带有修理标签的特征子集合以及每个所述带有更换标签的特征子集合输入到训练后的所述神经网络模型中,得到多个带有性能正常标签的子集合、多个带有保养标签的子集合、多个带有维护标签的子集合、多个带有修理标签的子集合以及多个带有更换标签的子集合。
可选的,所述对每个所述带有性能正常标签的子集合进行处理,得到多个基准子集合,具体包括:
每个所述带有性能正常标签的子集合包括多个数值型数据项和多个非数值型数据项;
对于所述数值型数据项,计算多个所述数值型数据项的平均值;
对于所述非数值型数据项,采用众数方法,获取多项所述非数值型数据项的标准值;
根据所述平均值和所述标准值,得到每个所述工况单元的所述基准子集合。
可选的,所述采用最短路径算法,分别计算每个所述基准子集合与每个所述子集合的距离,并确定所述复杂成形设备的带有性能正常标签的性能集合、带有保养标签的的性能集合、带有维护标签的性能集合、带有修理标签的性能集合以及带有更换标签的性能集合,具体包括:
采用最短路径算法,分别计算每个所述基准子集合与每个所述子集合的距离;
根据交叉验证算法,获取每个所述距离的权重;
根据所述基准子集与每个所述子集合的距离以及所述距离的权重,确定所述复杂成形设备的带有性能正常标签的性能集合、带有保养标签的的性能集合、带有维护标签的性能集合、带有修理标签的性能集合以及带有更换标签的性能集合。
可选的,所述根据所述实际运行数据、所述工况分层识别模型以及所述最短路径算法,确定所述实际运行性能集合,具体包括:
根据所述工况分层识别模型,对所述实际运行数据进行分类,得到多个实际运行数据的子集合;
采用最短路径算法,计算所述基准子集与每个所述实际运行数据的子集合的距离,并确定所述复杂成形设备的实际运行性能集合。
本发明还提供了一种复杂成形设备的维修策略确定***,所述维修策略确定***包括:
样本数据集合获取模块,用于获取多个样本数据集合;所述样本数据集合为带有维修策略标签的样本数据集合;所述维修策略标签包括性能正常标签、保养标签、维护标签、修理标签以及更换标签;
功能模块和工况单元获取模块,用于获取所述复杂成形设备的功能模块以及每个所述功能模块包括的工况单元;
工况分层识别模型建立模块,用于根据所述功能模块以及每个所述功能模块包括的所述工况单元,建立工况分层识别模型;
子集合得到模块,用于根据所述工况分层识别模型,分别对每个所述样本数据集合中的所述数据项进行分类,得到多个带有性能正常标签的子集合、多个带有保养标签的子集合、多个带有维护标签的子集合、多个带有修理标签的子集合以及多个带有更换标签的子集合;每个所述子集合中的所述数据项为描述每个所述工况单元的运行数据;
基准子集合得到模块,用于对每个所述带有性能正常标签的子集合进行处理,得到多个基准子集合;所述基准子集合中的数据项为描述所述复杂成形设备性能正常状态下每个所述工况单元的运行数据;
性能集合确定模块,用于采用最短路径算法,分别计算每个所述基准子集合与每个所述带有性能正常标签的子集合、所述带有保养标签的子集合、所述带有维护标签的子集合、所述带有修理标签的子集合以及所述带有更换标签的子集合的距离,并确定所述复杂成形设备的带有性能正常标签的性能集合、带有保养标签的性能集合、带有维护标签的性能集合、带有修理标签的性能集合以及带有更换标签的性能集合;所述性能集合中每个元素为所述基准子集合分别与所述带有性能正常标签的子集合、所述带有保养标签的子集合、所述带有维护标签的子集合、所述带有修理标签的子集合以及所述带有更换标签的子集合的距离;
实际运行数据获取模块,用于获取所述复杂成形设备中一个工作循环的实际运行数据;
实际运行性能集合确定模块,用于根据所述实际运行数据、所述工况分层识别模型以及所述最短路径算法,确定所述复杂成形设备的实际运行性能集合;
欧式距离计算模块,用于分别计算所述实际运行性能集合与所述带有性能正常标签的性能集合、所述带有保养标签的的性能集合、所述带有维护标签的性能集合、所述带有修理标签的性能集合以及所述带有更换标签的性能集合的欧氏距离,并挑选出在设定阈值范围内的所述欧氏距离;
胜出欧氏距离确定模块,用于根据挑选出的各所述欧氏距离,采用投票法,确定胜出的所述欧氏距离;
维修策略确定模块,用于根据胜出的所述欧氏距离,确定胜出的所述欧氏距离对应的所述样本数据集合的带有维修策略标签,并将所述带有维修策略标签中标注的维修策略确定为所述复杂成形设备的维修策略。
可选的,所述子集合得到模块,具体包括:
特征子集合得到单元,用于根据所述工况分层识别模型中每个所述功能模块的描述需求,分别对每个样本数据集合中的数据项进行分类,得到多个带有性能正常标签的特征子集合、多个带有保养标签的特征子集合、多个带有维护标签的特征子集合、多个带有修理标签的特征子集合以及多个带有更换标签的特征子集合;所述特征子集合中的数据项为描述所述功能模块的运行数据;
工况单元运行状态样本数据获取单元,用于获取每个所述工况单元的运行状态样本数据;
训练后神经网络模型得到单元,用于根据每个所述工况单元的运行状态样本数据,采用神经网络分配算法,得到训练后的神经网络模型;
子集合得到单元,用于将每个所述带有性能正常标签的特征子集合、每个所述带有保养标签的特征子集合、每个所述带有维护标签的特征子集合、每个所述带有修理标签的特征子集合以及每个所述带有更换标签的特征子集合输入到训练后的所述神经网络模型中,得到多个带有性能正常标签的子集合、多个带有保养标签的子集合、多个带有维护标签的子集合、多个带有修理标签的子集合以及多个带有更换标签的子集合。
可选的,所述基准子集合得到模块,具体包括:
平均值计算单元,用于当所述带有性能正常标签的子集合的数据项为数值型数据项,计算多个所述数值型数据项的平均值;
标准值获取单元,用于当所述带有性能正常标签的子集合的数据项为非数值型数据项,采用众数方法,获取多项所述非数值型数据项的标准值;
基准子集合达到单元,用于根据所述平均值和所述标准值,得到每个所述工况单元的所述基准子集合。
可选的,所述性能集合确定模块,具体包括:
距离计算单元,用于采用最短路径算法,分别计算每个所述基准子集合与每个所述子集合的距离;
权重获取单元,用于根据交叉验证算法,获取每个所述距离的权重;
性能集合确定单元,用于根据所述基准子集与每个所述子集合的距离以及所述距离的权重,确定所述复杂成形设备的带有性能正常标签的性能集合、带有保养标签的的性能集合、带有维护标签的性能集合、带有修理标签的性能集合以及带有更换标签的性能集合。
可选的,所述实际运行性能集合确定模块,具体包括:
实际运行数据子集合得到单元,用于根据所述工况分层识别模型,对所述实际运行数据进行分类,得到多个实际运行数据的子集合;
实际运行性能集合确定单元,用于采用最短路径算法,计算所述基准子集与每个所述实际运行数据的子集合的距离,并确定所述复杂成形设备的实际运行性能集合。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供了一种复杂成形设备的维修策略确定方法及***,首先,获取多个带有维修策略标签的样本数据集合,所述维修策略标签包括性能正常标签、保养标签、维护标签、修理标签以及更换标签;建立工况分层识别模型,并根据所述工况分层识别模型,分别对每个所述样本数据集合中的所述数据项进行分类,得到多个带有性能正常标签的子集合、多个带有保养标签的子集合、多个带有维护标签的子集合、多个带有修理标签的子集合以及多个带有更换标签的子集合;每个所述子集合中的所述数据项为描述每个所述工况单元的运行数据;其次,对每个所述带有性能正常标签的子集合进行处理,得到多个基准子集合;所述基准子集合中的数据项为描述所述复杂成形设备性能正常状态下每个所述工况单元的运行数据;然后,采用最短路径算法,分别计算每个所述基准子集合与每个所述子集合的距离,并确定所述复杂成形设备的带有性能正常标签的性能集合、带有保养标签的的性能集合、带有维护标签的性能集合、带有修理标签的性能集合以及带有更换标签的性能集合;所述性能集合中每个元素为所述基准子集与所述子集的距离,即建立了带有维修策略的复杂成形设备的性能标准;再者,获取所述复杂成形设备中一个工作循环的实际运行数据,并根据所述实际运行数据、所述工况分层识别模型以及所述最短路径算法,确定所述复杂成形设备的所述实际运行性能集合;最后,分别计算所述实际运行性能集合与所述带有性能正常标签的性能集合、所述带有保养标签的的性能集合、所述带有维护标签的性能集合、所述带有修理标签的性能集合以及所述带有更换标签的性能集合的欧氏距离,并挑选出在设定阈值范围内的所述欧氏距离;根据挑选出的各所述欧氏距离,采用投票法,确定胜出的所述欧氏距离,确定胜出的所述欧氏距离对应的所述样本数据集合的带有维修策略标签,并将所述带有维修策略标签中标注的维修策略确定为所述复杂成形设备的维修策略。可见,采用本发明提供方法及***,能够为复杂成形设备选择出合适的维修策略,降低维修成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例维修策略确定方法的流程示意图;
图2为本发明实施例工况分层识别模型的结构示意图;
图3为本发明实施例神经网络结构示意图;
图4为本发明实施例维修策略确定***的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
复杂成形设备在进行维修策略的选择时,具有保养、更换、维护和大修等策略可供选择。维修策略的选择不当可能会造成不必要的维修成本上升和设备无法安全可靠运行的问题。因此,本发明提供的一种复杂成形设备的维修策略确定方法及***,是根据复杂成形设备运行数据和性能参数估计当前复杂成形设备性能,结合复杂成形设备使用时长、维修历史,为复杂成形设备确定合适的维修策略,在复杂成形设备安全可靠运行的基础上降低维修成本,即本发明提供的方法或者***目的是为复杂成形设备选择出合适的维修策略,降低维修成本。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提供的方法及***首先建立性能判断标准;其次获取实际运行数据;再者根据实际运行数据和性能判断标准,确定复杂成形设备的性能阶段,并根据复杂成形设备所处于性能阶段,确定复杂成形设备的维修策略。
图1为本发明实施例维修策略确定方法的流程示意图,如图1所示,本发明提供的维修策略确定方法具体包括以下步骤:
步骤101:获取多个样本数据集合;所述样本数据集合为带有维修策略标签的样本数据集合;所述维修策略标签包括性能正常标签、保养标签、维护标签、修理标签以及更换标签等;每个所述样本数据集合包含多条数据;每条所述数据包括n个数据项;每条所述数据的前n-1个所述数据项为所述复杂成形设备的运行数据;每条所述数据的第n个所述数据项为所述复杂成形设备的维修策略标签。其中,所述维修策略标签是根据复杂成形设备的不同阶段(性能正常阶段、保养阶段、维护阶段、修理阶段、更换阶段,此阶段的标记为专家结合复杂成形设备运行状态及成形产品的质量进行人工标记的)进行确定的,即根据复杂成形设备当前的性能所处的阶段,确定对应的维修策略。
步骤102:获取所述复杂成形设备的功能模块以及每个所述功能模块包括的工况单元。
步骤103:根据所述功能模块以及每个所述功能模块包括的所述工况单元,建立工况分层识别模型。
步骤104:根据所述工况分层识别模型,分别对每个所述样本数据集合中的所述数据项进行分类,得到多个带有性能正常标签的子集合、多个带有保养标签的子集合、多个带有维护标签的子集合、多个带有修理标签的子集合以及多个带有更换标签的子集合;每个所述子集合中的数据项为描述每个所述工况单元的运行数据。
步骤105:对每个所述带有性能正常标签的子集合进行处理,得到多个基准子集合;所述基准子集合中的所述数据项为描述所述复杂成形设备性能正常状态下每个所述工况单元的运行数据。
步骤106:采用最短路径算法,分别计算每个所述基准子集合与每个所述带有性能正常标签的子集合、所述带有保养标签的子集合、所述带有维护标签的子集合、所述带有修理标签的子集合以及所述带有更换标签的子集合的距离,并确定所述复杂成形设备的带有性能正常标签的性能集合、带有保养标签的性能集合、带有维护标签的性能集合、带有修理标签的性能集合以及带有更换标签的性能集合;所述性能集合中每个元素为所述基准子集合分别与所述带有性能正常标签的子集合、所述带有保养标签的子集合、所述带有维护标签的子集合、所述带有修理标签的子集合以及所述带有更换标签的子集合的距离。
步骤107:获取所述复杂成形设备中一个工作循环的实际运行数据。
步骤108:根据所述实际运行数据、所述工况分层识别模型以及所述最短路径算法,确定所述复杂成形设备的实际运行性能集合。
步骤109:分别计算所述实际运行性能集合与所述带有性能正常标签的性能集合、所述带有保养标签的的性能集合、所述带有维护标签的性能集合、所述带有修理标签的性能集合以及所述带有更换标签的性能集合的欧氏距离,并挑选出在设定阈值范围内的所述欧氏距离。
步骤110:根据挑选出的各所述欧氏距离,采用投票法,确定胜出的所述欧氏距离。
步骤111:根据胜出的所述欧氏距离,确定胜出的所述欧氏距离对应的所述样本数据集合的带有维修策略标签,并将所述带有维修策略标签中标注的维修策略确定为所述复杂成形设备的维修策略。
由于复杂成形设备的性能变化曲线是非线性的,与历史状态的相关性较大,同时不同类型工况对应的性能评估不一,因此必须要首先将不同工况的状态数据剥离开来,利用局部建模的方法对不同工况的数据进行不同的处理。本发明通过步骤102至步骤104实现了将样本数据集合中的数据项分类至相应的工况单元中,进而根据不同工况单元中的数据进行不同处理。
由于复杂成形设备为多个功能模块协同合作,工作方式较复杂,在识别工况时确定设备整体工况较为困难,同时也不符合复杂成形设备多个功能模块并行协同合作的特点,因此需要首先依据描述的功能模块将样本数据集合中的数据项进行分类,例如,将功能模块分为传动模块、动力模块、液压模块等,不同功能模块又各自有不同的工况,如液压模块有停止、空程下降、低速加压和泄压回程四个工况,之后还需要分别在功能模块内识别数据项所在功能模块的工况状态。因此,本发明在进行样本数据集中的数据项划分之前,首先根据复杂成形设备包含的所述功能模块以及每个所述功能模块包括的所述工况单元,建立如图2所示的工况分层识别模型。
其中,步骤104包括:
步骤1041:根据所述工况分层识别模型中每个所述功能模块的描述需求,分别对每个样本数据集合中的数据项进行分类,得到多个带有性能正常标签的特征子集合、多个带有保养标签的特征子集合、多个带有维护标签的特征子集合、多个带有修理标签的特征子集合以及多个带有更换标签的特征子集合;所述特征子集合中的数据项为描述所述功能模块的运行数据。
步骤1042:获取每个所述工况单元的运行状态样本数据;根据每个所述工况单元的运行状态样本数据,采用神经网络分配算法,得到训练后的神经网络模型;将每个所述带有性能正常标签的特征子集合、每个所述带有保养标签的特征子集合、每个所述带有维护标签的特征子集合、每个所述带有修理标签的特征子集合以及每个所述带有更换标签的特征子集合输入到训练后的所述神经网络模型中,得到多个带有性能正常标签的子集合、多个带有保养标签的子集合、多个带有维护标签的子集合、多个带有修理标签的子集合以及多个带有更换标签的子集合。
对于样本数据集合中的数据项,依据每个功能模块描述需求从所有数据项中选择描述不同功能模块的特征,即依据数据项建立描述不同功能模块的特征子集合,之后将数据项根据在不同功能模块所处的工况单元依次划分。如图2所示,通过匹配数据项划分至功能模块下的工况单元工况分层识别模型的输入为多个样本数据集合,输出为数据项分类至复杂成形设备的不同功能模块所处的工况单元。
层次搜索首先区分描述不同功能模块的数据,建立新的特征子集合,再识别该功能模块所属的工况单元,可大大降低工况识别的搜索量,用各个功能模块所处的工况代替整个设备的工况描述,更为清晰,有利于之后的性能评估。
步骤1041具体为:筛选与功能模块物理模块相连的传感器采集到的运行数据的特征,得到特征子集合。若出现在上述所选特征子集合不足以描述功能模块时,选择基础信息模块产生的特征,如供能模块、基础信息模块等,在选择上述基础信息模块产生的特征后仍无法对功能模块的信息进行完整描述时,选择其余功能模块的特征数据进行补充,直到足以描述该功能模块。
每个功能模块的特征子集合一旦确定即作为工况分层识别模型的固定特征子集合。例如,第m个子功能模块的固定特征子集合为Fm(f1 m,f2 m,...,fl m),l表示第m个子功能模块的特征子集合Fm(f1 m,f2 m,...,fl m)中元素的个数。
步骤1042具体为:通过步骤1042后,得到不同功能模块的不同特征子集合,选取部分特征子集合,获取该选取的特征子集合中数据项的时间信息,由人工观察各个时间点,将特征子集合中数据项分配至所处工况单元,并将人工分配的数据项作为训练样本,采用神经网络分配算法,将所有的特征子集合中数据项分配至所处工况单元。例如,第m个子功能模块的第g工况单元表示为(0,0,……0,1,0,……,0,0),其中g=1,2,……,q,第g工况单元即向量中第g个特征为1,其余为0;训练样本记作其中i=1,2,……,n,n为第m个子功能模块的特征子集合的个数。在每个功能模块节点构建人工神经网络工况识别模型,建立如图3所示的神经网络模型。
以一个第m个功能模块的工况识别神经网络建立为例,该第m个功能模块n个特征子集合即作为输入,各特征子集合所在工况单元作为输出,以不同的部分特征子集合所处的工况单元为训练样本进行学习,从而建立特征子集合与所处工况单元之间的映射关系。
训练样本要求网络通过调节所有的连接权系数和各神经元的阈值,使得在输出层神经元上得到理想的结果;然后再给出另一个样本,要求网络继续完成对这对样本数据的学***均误差E满足下式的即可完成训练:
其中是对应于第k个样本数据、第t个输出节点的期望输出值,即样本数据所在的工况标记输出值,Ot为第t个输出节点的实际输出值,ε为人为设定值;n是某一功能模块中包含的特征子集合的个数;q表示该功能模块中所包含的工况单元的个数。
步骤105具体包括:
每个所述带有性能正常标签的子集合包括多个数值型数据项和多个非数值型数据项。
对于所述数值型数据项,计算多个所述数值型数据项的平均值;
对于所述非数值型数据项,采用众数方法,获取多项所述非数值型数据项的标准值。
根据所述平均值和所述标准值,得到每个所述工况单元的所述基准子集合。例如,第m个功能模块第q工况的基准子集合为其中,所述基准子集合中的l个所述数据项为描述所述复杂成形设备性能正常状态下每个所述工况单元的运行数据。
以不同功能模块不同工况单元下的复杂成形设备状态数据与正常基准数据的距离来衡量复杂成形设备的性能状态。其中,距离越远表示复杂成形设备性能越差,距离越近表示复杂成形设备性能越好。由于复杂成形设备状态数据为高维数据,因此采用最短路径算法计算当前设备数据与正常基准之间的距离,将实际历史数据纳入距离度量体系,令最终得到的性能数据更为可靠。
步骤106具体为:
步骤1061:采用最短路径算法,分别计算每个所述基准子集合与每个所述子集合的距离。
首先,例如,输入第m个功能模块第q工况单元的正常基准第m个功能模块各个工况单元的样本数据集确定各个的j个近邻;与j个近邻之间的距离设置为欧氏距离,与其他点的距离设置为无穷大。
其次,调用最短路径算法计算各个与之间的距离。
最短路径算法的基本思想为将数据集中的全部数据点分为两组,其中V表示已标记最短路径的数据点的集合,其余未标记最短路径的数据点集合为初始状态时,集合V中只包含起始点 中含有除起始点之外的其余各数据点,此时各数据点的当前最短路径为起始点到该数据点的弧上的权值;然后不断地从集合中选取顶点集V中各顶点的路径长度最短的顶点u即数据点加入到集合V中,集合V中每加入一个新的顶点u,都要分别修改已标记集合V和未标记集合中的顶点。集合中各顶点新的最短路径长度值为原来的最短路径长度值中的较小值。重复此过程,直到集合V包含图中所有顶点(即所有顶点都被标记)为止。
最短路径相关概念:
图:即偶对(V,E),记作G(V,E),其中V是顶点的集合,此专利中为数据集中数据点的集合,E是边的集合。
有向图,即有序偶对(V,E),记作D=(V,A)。其中,V是顶点的集合,A是弧的集合。有向图即是所有边都有方向的图。
赋权图,即在图G(V,E)中,每一条边(vi,vj)均有一个数ωij与之对应,数ωij即为边(vi,vj)的权值。
连通图:设vi和vj为图G中的两个点,若存在从点vi到点vj的链,则称vi和vj是连通的,若图G中的任一对顶点均连通,则图G被称为连通图。
定义dij为图中顶点i和j之间的距离,即:
对于本发明,给定多个训练样本即各个子集合g=1,2,……,q,和起始点求从起始点到各点样本的最短路径的步骤如下:
从起始点出发,每个样本都进行标记,记作Lij,其中Lij是从样本i到样本j的最短路径。Lss为0,(从顶点到其本身的最短路径为0),将出发点标记为“0”,表示点已被标记。令点s∈V,其余各点均属于
从起始点s出发,找到与点s相邻且距离最短的样本i,将Lsi=Lss+Lsi的值作为样本i的标记,表示样本已被标记,令(s,i)∈V,其余各样本均属于
找到所有与已标记样本相邻的未标记的样本(即广度优先搜索),若Lsj=min{Lss+dsj,Lsi+dij},则给样本j标记。令(s,i,j)∈V,其余各样本均属于
重复上述,直到所有样本被标记(即集合为空),算法结束。
重复上述操作n次,由此得到从s到各样本的最短路径。
上述操作得到所述带有性能正常标签的性能集合、所述带有保养标签的性能集合、所述带有维护标签的性能集合、所述带有修理标签的性能集合以及所述带有更换标签的性能集合。例如,复杂成形设备处于保养阶段中有m个功能模块,m个子功能模块共有r种工况,经过该上述操作复杂成形设备处于保养阶段的性能集合为Gi=(g1,g2,...,gr)。
步骤1062:根据交叉验证算法,获取每个所述距离的权重。即根据交叉验证算法,确定复杂成形设备的所述带有性能正常标签的性能集合、所述带有保养标签的的性能集合、所述带有维护标签的性能集合、所述带有修理标签的性能集合以及所述带有更换标签的性能集合中每个元素的权重。
步骤1063:根据所述基准子集与每个所述子集合的距离以及所述距离的权重,确定所述复杂成形设备的带有性能正常标签的性能集合、带有保养标签的的性能集合、带有维护标签的性能集合、带有修理标签的性能集合以及带有更换标签的性能集合,即最后性能集合中每个元素有距离与所述距离对应的权重的乘积。
步骤1064:计算不同子功能模块不同工况的设备状态数据与正常基准数据的距离,得到不同子功能模块的性能状态。
步骤108具体包括:
根据所述工况分层识别模型,对所述实际运行数据进行分类,得到多个实际运行数据的子集合;
采用最短路径算法,计算所述基准子集与每个所述实际运行数据的子集合的距离,并确定所述复杂成形设备的实际运行性能集合。
步骤110:根据挑选出的各所述欧氏距离,采用投票法,确定胜出的所述欧氏距离。举例说明:在设定范围内,挑选出6个欧式距离,分别为0个所述实际运行性能集合与所述带有性能正常标签的性能集合的欧氏距离,1个所述实际运行性能集合与所述带有保养标签的的性能集合的欧氏距离,1个所述实际运行性能集合与所述带有维护标签的性能集合的欧式距离,3个所述实际运行性能集合与所述带有修理标签的性能集合的欧式距离以及1个所述实际运行性能集合与所述带有更换标签的性能集合的欧式距离,那么,根据投票法,少数服从多数,胜出的为所述实际运行性能集合与所述带有修理标签的性能集合的欧式距离。
进而根据胜出的实际运行性能集合与所述带有修理标签的性能集合的欧式距离,确定出复杂成形设备当前的维修策略为修理策略。
为达到上述目的,本发明还提供了一种复杂成形设备的维修策略确定***。
图4为本发明实施例维修策略确定***的结构示意图,如图4所示,所述维修策略确定***包括:
样本数据集合获取模块401,用于获取多个样本数据集合;所述样本数据集合为带有维修策略标签的样本数据集合;所述维修策略标签包括性能正常标签、保养标签、维护标签、修理标签以及更换标签。
功能模块和工况单元获取模块402,用于获取所述复杂成形设备的功能模块以及每个所述功能模块包括的工况单元。
工况分层识别模型建立模块403,用于根据所述功能模块以及每个所述功能模块包括的所述工况单元,建立工况分层识别模型。
子集合得到模块404,用于根据所述工况分层识别模型,分别对每个所述样本数据集合中的所述数据项进行分类,得到多个带有性能正常标签的子集合、多个带有保养标签的子集合、多个带有维护标签的子集合、多个带有修理标签的子集合以及多个带有更换标签的子集合;每个所述子集合中的所述数据项为描述每个所述工况单元的运行数据。
基准子集合得到模块405,用于对每个所述带有性能正常标签的子集合进行处理,得到多个基准子集合;所述基准子集合中的数据项为描述所述复杂成形设备性能正常状态下每个所述工况单元的运行数据。
性能集合确定模块406,用于采用最短路径算法,分别计算每个所述基准子集合与每个所述带有性能正常标签的子集合、所述带有保养标签的子集合、所述带有维护标签的子集合、所述带有修理标签的子集合以及所述带有更换标签的子集合的距离,并确定所述复杂成形设备的带有性能正常标签的性能集合、带有保养标签的性能集合、带有维护标签的性能集合、带有修理标签的性能集合以及带有更换标签的性能集合;所述性能集合中每个元素为所述基准子集合分别与所述带有性能正常标签的子集合、所述带有保养标签的子集合、所述带有维护标签的子集合、所述带有修理标签的子集合以及所述带有更换标签的子集合的距离。
实际运行数据获取模块407,用于获取所述复杂成形设备中一个工作循环的实际运行数据。
实际运行性能集合确定模块408,用于根据所述实际运行数据、所述工况分层识别模型以及所述最短路径算法,确定所述复杂成形设备的实际运行性能集合。
欧式距离计算模块409,用于分别计算所述实际运行性能集合与所述带有性能正常标签的性能集合、所述带有保养标签的的性能集合、所述带有维护标签的性能集合、所述带有修理标签的性能集合以及所述带有更换标签的性能集合的欧氏距离,并挑选出在设定阈值范围内的所述欧氏距离。
胜出欧氏距离确定模块410,用于根据挑选出的各所述欧氏距离,采用投票法,确定胜出的所述欧氏距离。
维修策略确定模块411,用于根据胜出的所述欧氏距离,确定胜出的所述欧氏距离对应的所述样本数据集合的带有维修策略标签,并将所述带有维修策略标签中标注的维修策略确定为所述复杂成形设备的维修策略。
所述子集合得到模块404具体包括:
特征子集合得到单元,用于根据所述工况分层识别模型中每个所述功能模块的描述需求,分别对每个样本数据集合中的数据项进行分类,得到多个带有性能正常标签的特征子集合、多个带有保养标签的特征子集合、多个带有维护标签的特征子集合、多个带有修理标签的特征子集合以及多个带有更换标签的特征子集合;所述特征子集合中的数据项为描述所述功能模块的运行数据。
工况单元运行状态样本数据获取单元,用于获取每个所述工况单元的运行状态样本数据。
训练后神经网络模型得到单元,用于根据每个所述工况单元的运行状态样本数据,采用神经网络分配算法,得到训练后的神经网络模型。
子集合得到单元,用于将每个所述带有性能正常标签的特征子集合、每个所述带有保养标签的特征子集合、每个所述带有维护标签的特征子集合、每个所述带有修理标签的特征子集合以及每个所述带有更换标签的特征子集合输入到训练后的所述神经网络模型中,得到多个带有性能正常标签的子集合、多个带有保养标签的子集合、多个带有维护标签的子集合、多个带有修理标签的子集合以及多个带有更换标签的子集合。
所述基准子集合得到模块405具体包括:
平均值计算单元,用于当所述带有性能正常标签的子集合的数据项为数值型数据项,计算多个所述数值型数据项的平均值。
标准值获取单元,用于当所述带有性能正常标签的子集合的数据项为非数值型数据项,采用众数方法,获取多项所述非数值型数据项的标准值。
基准子集合达到单元,用于根据所述平均值和所述标准值,得到每个所述工况单元的所述基准子集合。
所述性能集合确定模块406具体包括:
距离计算单元,用于采用最短路径算法,分别计算每个所述基准子集合与每个所述子集合的距离。
权重获取单元,用于根据交叉验证算法,获取每个所述距离的权重。
性能集合确定单元,用于根据所述基准子集与每个所述子集合的距离以及所述距离的权重,确定所述复杂成形设备的带有性能正常标签的性能集合、带有保养标签的的性能集合、带有维护标签的性能集合、带有修理标签的性能集合以及带有更换标签的性能集合。
所述实际运行性能集合确定模块408具体包括:
实际运行数据子集合得到单元,用于根据所述工况分层识别模型,对所述实际运行数据进行分类,得到多个实际运行数据的子集合。
实际运行性能集合确定单元,用于采用最短路径算法,计算所述基准子集与每个所述实际运行数据的子集合的距离,并确定所述复杂成形设备的实际运行性能集合。
因此,本发明提供的方法或者***通过工况分层识别模型和神经网络模型,将不同工况的状态数据剥离开来,避免直接利用复杂成形设备运行数据,难以评估复杂成形设备性能的问题;通过最短路径算法,计算复杂成形设备处于不同性能阶段的数据与标准数据的距离,用该距离来描述复杂成形设备处于不同性能阶段性能集合,即定量地描述了复杂成形设备处于不同性能阶段的性能,建立了性能判断标准;通过获取实际运行数据,根据实际运行数据和性能判断标准,确定复杂成形设备的性能阶段,并根据复杂成形设备所处于性能阶段,确定复杂成形设备的维修策略。可见,采用本发明提供方法及***,能够为复杂成形设备选择出合适的维修策略,降低维修成本,即在复杂成形设备安全可靠运行的基础上降低维修成本。
对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (2)
1.一种复杂成形设备的维修策略确定方法,其特征在于,所述维修策略确定方法包括:
获取多个样本数据集合;所述样本数据集合为带有维修策略标签的样本数据集合;所述维修策略标签包括性能正常标签、保养标签、维护标签、修理标签以及更换标签;
获取所述复杂成形设备的功能模块以及每个所述功能模块包括的工况单元;
根据所述功能模块以及每个所述功能模块包括的所述工况单元,建立工况分层识别模型;
根据所述工况分层识别模型,分别对每个所述样本数据集合中的数据项进行分类,得到多个带有性能正常标签的子集合、多个带有保养标签的子集合、多个带有维护标签的子集合、多个带有修理标签的子集合以及多个带有更换标签的子集合;每个所述子集合中的所述数据项为描述每个所述工况单元的运行数据;具体为:根据所述工况分层识别模型中每个所述功能模块的描述需求,分别对每个样本数据集合中的数据项进行分类,得到多个带有性能正常标签的特征子集合、多个带有保养标签的特征子集合、多个带有维护标签的特征子集合、多个带有修理标签的特征子集合以及多个带有更换标签的特征子集合;所述特征子集合中的数据项为描述所述功能模块的运行数据;获取每个所述工况单元的运行状态样本数据;根据每个所述工况单元的运行状态样本数据,采用神经网络分配算法,得到训练后的神经网络模型;将每个所述带有性能正常标签的特征子集合、每个所述带有保养标签的特征子集合、每个所述带有维护标签的特征子集合、每个所述带有修理标签的特征子集合以及每个所述带有更换标签的特征子集合输入到训练后的所述神经网络模型中,得到多个带有性能正常标签的子集合、多个带有保养标签的子集合、多个带有维护标签的子集合、多个带有修理标签的子集合以及多个带有更换标签的子集合;
对每个所述带有性能正常标签的子集合进行处理,得到多个基准子集合;所述基准子集合中的数据项为描述所述复杂成形设备性能正常状态下每个所述工况单元的运行数据;具体为:每个所述带有性能正常标签的子集合包括多个数值型数据项和多个非数值型数据项;对于所述数值型数据项,计算多个所述数值型数据项的平均值;对于所述非数值型数据项,采用众数方法,获取多项所述非数值型数据项的标准值;根据所述平均值和所述标准值,得到每个所述工况单元的所述基准子集合;
采用最短路径算法,分别计算每个所述基准子集合与每个所述带有性能正常标签的子集合、所述带有保养标签的子集合、所述带有维护标签的子集合、所述带有修理标签的子集合以及所述带有更换标签的子集合的距离,并确定所述复杂成形设备的带有性能正常标签的性能集合、带有保养标签的性能集合、带有维护标签的性能集合、带有修理标签的性能集合以及带有更换标签的性能集合;所述性能集合中每个元素为所述基准子集合分别与所述带有性能正常标签的子集合、所述带有保养标签的子集合、所述带有维护标签的子集合、所述带有修理标签的子集合以及所述带有更换标签的子集合的距离;具体为:采用最短路径算法,分别计算每个所述基准子集合与每个所述子集合的距离;根据交叉验证算法,获取每个所述距离的权重;根据所述基准子集与每个所述子集合的距离以及所述距离的权重,确定所述复杂成形设备的带有性能正常标签的性能集合、带有保养标签的的性能集合、带有维护标签的性能集合、带有修理标签的性能集合以及带有更换标签的性能集合;
获取所述复杂成形设备中一个工作循环的实际运行数据;
根据所述实际运行数据、所述工况分层识别模型以及所述最短路径算法,确定所述复杂成形设备的实际运行性能集合;具体为:根据所述工况分层识别模型,对所述实际运行数据进行分类,得到多个实际运行数据的子集合;采用最短路径算法,计算所述基准子集与每个所述实际运行数据的子集合的距离,并确定所述复杂成形设备的实际运行性能集合;
分别计算所述实际运行性能集合与所述带有性能正常标签的性能集合、所述带有保养标签的的性能集合、所述带有维护标签的性能集合、所述带有修理标签的性能集合以及所述带有更换标签的性能集合的欧氏距离,并挑选出在设定阈值范围内的所述欧氏距离;
根据挑选出的各所述欧氏距离,采用投票法,确定胜出的所述欧氏距离;
根据胜出的所述欧氏距离,确定胜出的所述欧氏距离对应的所述样本数据集合的带有维修策略标签,并将所述带有维修策略标签中标注的维修策略确定为所述复杂成形设备的维修策略。
2.一种复杂成形设备的维修策略确定***,其特征在于,所述维修策略确定***包括:
样本数据集合获取模块,用于获取多个样本数据集合;所述样本数据集合为带有维修策略标签的样本数据集合;所述维修策略标签包括性能正常标签、保养标签、维护标签、修理标签以及更换标签;
功能模块和工况单元获取模块,用于获取所述复杂成形设备的功能模块以及每个所述功能模块包括的工况单元;
工况分层识别模型建立模块,用于根据所述功能模块以及每个所述功能模块包括的所述工况单元,建立工况分层识别模型;
子集合得到模块,用于根据所述工况分层识别模型,分别对每个所述样本数据集合中的数据项进行分类,得到多个带有性能正常标签的子集合、多个带有保养标签的子集合、多个带有维护标签的子集合、多个带有修理标签的子集合以及多个带有更换标签的子集合;每个所述子集合中的所述数据项为描述每个所述工况单元的运行数据;
所述子集合得到模块,具体包括:
特征子集合得到单元,用于根据所述工况分层识别模型中每个所述功能模块的描述需求,分别对每个样本数据集合中的数据项进行分类,得到多个带有性能正常标签的特征子集合、多个带有保养标签的特征子集合、多个带有维护标签的特征子集合、多个带有修理标签的特征子集合以及多个带有更换标签的特征子集合;所述特征子集合中的数据项为描述所述功能模块的运行数据;
工况单元运行状态样本数据获取单元,用于获取每个所述工况单元的运行状态样本数据;
训练后神经网络模型得到单元,用于根据每个所述工况单元的运行状态样本数据,采用神经网络分配算法,得到训练后的神经网络模型;
子集合得到单元,用于将每个所述带有性能正常标签的特征子集合、每个所述带有保养标签的特征子集合、每个所述带有维护标签的特征子集合、每个所述带有修理标签的特征子集合以及每个所述带有更换标签的特征子集合输入到训练后的所述神经网络模型中,得到多个带有性能正常标签的子集合、多个带有保养标签的子集合、多个带有维护标签的子集合、多个带有修理标签的子集合以及多个带有更换标签的子集合;
基准子集合得到模块,用于对每个所述带有性能正常标签的子集合进行处理,得到多个基准子集合;所述基准子集合中的数据项为描述所述复杂成形设备性能正常状态下每个所述工况单元的运行数据;
所述基准子集合得到模块,具体包括:
平均值计算单元,用于当所述带有性能正常标签的子集合的数据项为数值型数据项,计算多个所述数值型数据项的平均值;
标准值获取单元,用于当所述带有性能正常标签的子集合的数据项为非数值型数据项,采用众数方法,获取多项所述非数值型数据项的标准值;
基准子集合达到单元,用于根据所述平均值和所述标准值,得到每个所述工况单元的所述基准子集合;
性能集合确定模块,用于采用最短路径算法,分别计算每个所述基准子集合与每个所述带有性能正常标签的子集合、所述带有保养标签的子集合、所述带有维护标签的子集合、所述带有修理标签的子集合以及所述带有更换标签的子集合的距离,并确定所述复杂成形设备的带有性能正常标签的性能集合、带有保养标签的性能集合、带有维护标签的性能集合、带有修理标签的性能集合以及带有更换标签的性能集合;所述性能集合中每个元素为所述基准子集合分别与所述带有性能正常标签的子集合、所述带有保养标签的子集合、所述带有维护标签的子集合、所述带有修理标签的子集合以及所述带有更换标签的子集合的距离;
所述性能集合确定模块,具体包括:
距离计算单元,用于采用最短路径算法,分别计算每个所述基准子集合与每个所述子集合的距离;
权重获取单元,用于根据交叉验证算法,获取每个所述距离的权重;
性能集合确定单元,用于根据所述基准子集与每个所述子集合的距离以及所述距离的权重,确定所述复杂成形设备的带有性能正常标签的性能集合、带有保养标签的的性能集合、带有维护标签的性能集合、带有修理标签的性能集合以及带有更换标签的性能集合;
实际运行数据获取模块,用于获取所述复杂成形设备中一个工作循环的实际运行数据;
实际运行性能集合确定模块,用于根据所述实际运行数据、所述工况分层识别模型以及所述最短路径算法,确定所述复杂成形设备的实际运行性能集合;
所述实际运行性能集合确定模块,具体包括:
实际运行数据子集合得到单元,用于根据所述工况分层识别模型,对所述实际运行数据进行分类,得到多个实际运行数据的子集合;
实际运行性能集合确定单元,用于采用最短路径算法,计算所述基准子集与每个所述实际运行数据的子集合的距离,并确定所述复杂成形设备的实际运行性能集合;
欧式距离计算模块,用于分别计算所述实际运行性能集合与所述带有性能正常标签的性能集合、所述带有保养标签的的性能集合、所述带有维护标签的性能集合、所述带有修理标签的性能集合以及所述带有更换标签的性能集合的欧氏距离,并挑选出在设定阈值范围内的所述欧氏距离;
胜出欧氏距离确定模块,用于根据挑选出的各所述欧氏距离,采用投票法,确定胜出的所述欧氏距离;
维修策略确定模块,用于根据胜出的所述欧氏距离,确定胜出的所述欧氏距离对应的所述样本数据集合的带有维修策略标签,并将所述带有维修策略标签中标注的维修策略确定为所述复杂成形设备的维修策略。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710864563.9A CN107633309B (zh) | 2017-09-22 | 2017-09-22 | 一种复杂成形设备的维修策略确定方法及*** |
US16/137,558 US10318931B2 (en) | 2017-09-22 | 2018-09-21 | Method and system for determining maintenance policy of complex forming device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710864563.9A CN107633309B (zh) | 2017-09-22 | 2017-09-22 | 一种复杂成形设备的维修策略确定方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107633309A CN107633309A (zh) | 2018-01-26 |
CN107633309B true CN107633309B (zh) | 2018-08-31 |
Family
ID=61102352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710864563.9A Active CN107633309B (zh) | 2017-09-22 | 2017-09-22 | 一种复杂成形设备的维修策略确定方法及*** |
Country Status (2)
Country | Link |
---|---|
US (1) | US10318931B2 (zh) |
CN (1) | CN107633309B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109614669B (zh) * | 2018-11-23 | 2022-02-18 | 同济大学 | 网级桥梁结构性能评估预测方法 |
CN110189166B (zh) * | 2019-05-14 | 2022-02-08 | 新奥数能科技有限公司 | 确定能源传输转换网络中的重点维护设备的方法及装置 |
CN113065766B (zh) * | 2021-04-01 | 2024-05-14 | 中核核电运行管理有限公司 | 一种基于历史数据挖掘分析的汽机运行工况寻优方法 |
CN115296991B (zh) * | 2022-08-02 | 2023-07-14 | 广东电网有限责任公司 | 一种网元性能的计算方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1987697A (zh) * | 2006-12-22 | 2007-06-27 | 浙江大学 | 工业生产过程小样本条件下的故障诊断***及方法 |
CN101196743A (zh) * | 2007-12-26 | 2008-06-11 | 西安交通大学 | 基于因果网络模型的机电***安全分析装置及方法 |
CN101446827A (zh) * | 2008-11-06 | 2009-06-03 | 西安交通大学 | 一种流程工业***的过程故障分析装置及方法 |
CN102205928A (zh) * | 2011-04-01 | 2011-10-05 | 上海物泰信息科技有限公司 | 一种基于rfid识别技术的塔式起重机维护管理*** |
EP2645313A1 (en) * | 2012-03-27 | 2013-10-02 | Kabushiki Kaisha Toshiba | An apparatus and a method for determining a maintenance plan |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3006785B1 (fr) * | 2013-06-10 | 2015-07-03 | Snecma | Procedes de creation d'une base de donnees et d'elaboration d'une carte d'etats de fonctionnement de moteurs d'aeronefs, et un procede de surveillance du fonctionnement d'un moteur d'aeronef associe |
CN105550755A (zh) * | 2015-09-24 | 2016-05-04 | 深圳市车音网科技有限公司 | 一种车辆维护策略执行方法、***和电子设备 |
CN105512801A (zh) * | 2015-11-27 | 2016-04-20 | 国家电网公司 | 一种输电设备状态评估方法 |
CN106650963A (zh) * | 2016-12-30 | 2017-05-10 | 山东鲁能智能技术有限公司 | 一种电动汽车充电设备检测维修管理方法和装置 |
-
2017
- 2017-09-22 CN CN201710864563.9A patent/CN107633309B/zh active Active
-
2018
- 2018-09-21 US US16/137,558 patent/US10318931B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1987697A (zh) * | 2006-12-22 | 2007-06-27 | 浙江大学 | 工业生产过程小样本条件下的故障诊断***及方法 |
CN101196743A (zh) * | 2007-12-26 | 2008-06-11 | 西安交通大学 | 基于因果网络模型的机电***安全分析装置及方法 |
CN101446827A (zh) * | 2008-11-06 | 2009-06-03 | 西安交通大学 | 一种流程工业***的过程故障分析装置及方法 |
CN102205928A (zh) * | 2011-04-01 | 2011-10-05 | 上海物泰信息科技有限公司 | 一种基于rfid识别技术的塔式起重机维护管理*** |
EP2645313A1 (en) * | 2012-03-27 | 2013-10-02 | Kabushiki Kaisha Toshiba | An apparatus and a method for determining a maintenance plan |
Also Published As
Publication number | Publication date |
---|---|
US10318931B2 (en) | 2019-06-11 |
CN107633309A (zh) | 2018-01-26 |
US20190095876A1 (en) | 2019-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107633309B (zh) | 一种复杂成形设备的维修策略确定方法及*** | |
Balouji et al. | A LSTM-based deep learning method with application to voltage dip classification | |
CN111967486A (zh) | 一种基于多传感器融合的复杂装备故障诊断方法 | |
CN109655259A (zh) | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 | |
CN108549954A (zh) | 风险模型训练方法、风险识别方法、装置、设备及介质 | |
CN109063778A (zh) | 一种图像美学质量确定方法及*** | |
CN108197773A (zh) | 电力负荷预测方法、电力负荷预测装置及终端设备 | |
Su et al. | Small sample fault diagnosis method for wind turbine gearbox based on optimized generative adversarial networks | |
CN114358124B (zh) | 基于深度对抗卷积神经网络的旋转机械新故障诊断方法 | |
CN107492043A (zh) | 窃电分析方法及装置 | |
CN109711714A (zh) | 基于并联长短期记忆网络的制造装配产品质量预测方法 | |
Liu et al. | LOSGAN: latent optimized stable GAN for intelligent fault diagnosis with limited data in rotating machinery | |
Chakraborty | Feature subset selection by particle swarm optimization with fuzzy fitness function | |
CN107291830A (zh) | 一种设备知识库的创建方法 | |
CN112884008B (zh) | 一种电力信息采集***运行状态的预测评估方法及装置 | |
Geramifard et al. | Data-driven approaches in health condition monitoring—a comparative study | |
CN110757510B (zh) | 一种机器人剩余寿命预测方法及*** | |
CN106557816A (zh) | 具备机械学习器以及组装试验器的生产设备 | |
CN109886342A (zh) | 基于机器学习的模型训练方法和装置 | |
CN114676742A (zh) | 一种基于注意力机制和残差网络的电网异常用电检测方法 | |
CN107679089A (zh) | 一种用于电力传感数据的清洗方法、装置和*** | |
Huang et al. | The mahalanobis taguchi system—adaptive resonance theory neural network algorithm for dynamic product designs | |
CN114879628B (zh) | 基于对抗局部最大均值差异的多模态工业过程故障诊断方法 | |
CN117273440A (zh) | 基于深度学习的工程施工物联网监测管理***及方法 | |
Kutschenreiter-Praszkiewicz | Application of artificial neural network for determination of standard time in machining |
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 |