CN109635997A - 一种设备维护保养时机的预测方法和*** - Google Patents
一种设备维护保养时机的预测方法和*** Download PDFInfo
- Publication number
- CN109635997A CN109635997A CN201811298835.4A CN201811298835A CN109635997A CN 109635997 A CN109635997 A CN 109635997A CN 201811298835 A CN201811298835 A CN 201811298835A CN 109635997 A CN109635997 A CN 109635997A
- Authority
- CN
- China
- Prior art keywords
- equipment
- prediction
- work log
- maintenance
- training
- 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 66
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 65
- 238000004519 manufacturing process Methods 0.000 claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000004888 barrier function Effects 0.000 description 4
- 238000013499 data model Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000002759 woven fabric Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
-
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种设备维护保养时机的预测方法,包括以下步骤:获取若干个相同型号的设备在每次故障前最后一次维护到故障之间的历史工作日志;对历史工作日志进行预处理,得到训练数据;根据训练数据对模型进行训练,得到预测模型;获取设备从最近一次维护到现在的工作日志;对设备从最近一次维护到现在的工作日志进行预处理,得到待预测模型的输入参数;将所述输入参数输入预测模型,得到预测结果。本发明将设备从最近一次维护到故障之间的历史工作日志作为训练样本,对预测模型进行训练,能够为生产企业提供一个较为可靠的设备维护参考时机,有助于减少生产企业的维护成本或者故障风险。本发明可以广泛应用于数据分析技术。
Description
技术领域
本发明涉及数据分析技术,尤其是一种设备维护保养时机的预测方法和***。
背景技术
随着技术发展,生产企业已经从以前的劳动密集型企业向技术密集型企业转型,各种先进的生产设备替代了工人的位置。
然而这些生产设备即便如何精良,也无法避免发生故障。在生产旺季,如果机器发生故障,意味着分秒必争的订单生产可能无法完成,从而造成企业损失。目前,对于各类生产设备的维护,一般是定期的,例如每季度或者半年大维护一次。
然而,设备的实际运作情况各有差异,如果维护过于频繁会造成资源浪费,而如果维护频率太低,容易由于疏于维护而导致故障。
发明内容
为解决上述技术问题,本发明的目的在于:提供一种能够降低生产企业的维护成本或者故障风险设备维护保养时机的预测方法和***。
本发明所采取的第一种技术方案是:
一种设备维护保养时机的预测方法,包括模型训练步骤和实时预测步骤;
所述模型训练步骤包括:
获取若干个相同型号的设备在每次故障前最后一次维护到故障之间的历史工作日志;
对历史工作日志进行预处理,得到训练数据;
根据训练数据对模型进行训练,得到预测模型;
所述实时预测步骤包括:
获取设备从最近一次维护到现在的工作日志;
对设备从最近一次维护到现在的工作日志进行预处理,得到待预测模型的输入参数;
将所述输入参数输入预测模型,得到预测结果。
进一步,所述预测模型为:
Q=Ax+By+Cz+Dm+En+Fs;
其中,Q表示预测值,x表示运行时间,y表示运行次数,z表示生产数量,m表示距离最近一次的维护的时间,n表示异常日志数量,s表示设备年龄;当Q大于第一设定阈值时,表示设备需要维护,当Q小于等于第一设定阈值时,表示设备暂时无需维护,A、B、C、D、E和F为训练得到的系数。
进一步,还包括以下步骤:
根据所述预测结果,生成预警信息,并将所述预警信息发送至客户终端。
进一步,还包括以下步骤:
在生成第一预警信息后,继续获取设备的工作日志;
根据在生成第一预警信息后获取的工作日志,判断设备是否完成维护,若是,则重置最近一次维护的时间点;反之,则按照设定时间间隔向客户终端重新发送所述预警信息。
进一步,还包括以下步骤:
每当设备发生故障时,获取该设备在最近一次维护到本次故障之间的工作日志;
对该设备在最近一次维护到本次故障之间的工作日志进行预处理,得到新的训练数据;
根据新的训练数据对预测模型进行二次训练,得到新的预测模型。
本发明所采取的第二种技术方案是:
一种设备维护保养时机的预测***,包括模型训练模块和实时预测模块;
所述模型训练模块包括:
第一获取单元,用于获取若干个相同型号的设备在每次故障前最后一次维护到故障之间的历史工作日志;
第一预处理单元,用于对历史工作日志进行预处理,得到训练数据;
第一训练单元,用于根据训练数据对模型进行训练,得到预测模型;
所述实时预测模块包括:
第二获取单元,用于获取设备从最近一次维护到现在的工作日志;
第二预处理单元,用于对设备从最近一次维护到现在的工作日志进行预处理,得到待预测模型的输入参数;
预测单元,用于将所述输入参数输入预测模型,得到预测结果。
进一步,所述预测模型为:
Q=Ax+By+Cz+Dm+En+Fs;
其中,Q表示预测值,x表示运行时间,y表示运行次数,z表示生产数量,m表示距离最近一次的维护的时间,n表示异常日志数量,s表示设备年龄;当Q大于第一设定阈值时,表示设备需要维护,当Q小于等于第一设定阈值时,表示设备暂时无需维护,A、B、C、D、E和F为训练得到的系数。
进一步,还包括第一预警模块;
所述第一预警模块,用于根据所述预测结果,生成预警信息,并将所述预警信息发送至客户终端。
进一步,还包括第二预警模块;
所述第二预警模块包括:
第三获取单元,用于在生成第一预警信息后,继续获取设备的工作日志;
判断单元,用于根据在生成第一预警信息后获取的工作日志,判断设备是否完成维护,若是,则重置最近一次维护的时间点;反之,则按照设定时间间隔向客户终端重新发送所述预警信息。
进一步,还包括二次训练模块,所述二次训练模块包括:
第四获取单元,用于每当设备发生故障时,获取该设备在最近一次维护到本次故障之间的工作日志;
第三预处理单元,用于对该设备在最近一次维护到本次故障之间的工作日志进行预处理,得到新的训练数据;
第二训练单元,用于根据新的训练数据对预测模型进行二次训练,得到新的预测模型。
本发明的有益效果是:将设备从最近一次维护到故障之间的历史工作日志作为训练样本,对预测模型进行训练,使得模型充分反映了历史工作日志与设备故障之间的关联,能够提升预测模型的准确度,为生产企业提供一个较为可靠的设备维护参考时机,有助于减少生产企业的维护成本或者故障风险。
附图说明
图1为本发明一种设备维护保养时机的预测方法的流程图。
具体实施方式
下面结合说明书附图和具体的实施例对本发明进行进一步的说明。
参照图1,一种设备维护保养时机的预测方法,包括模型训练步骤和实时预测步骤;
所述模型训练步骤包括:
S11、获取若干个相同型号的设备在每次故障前最后一次维护到故障之间的历史工作日志。本步骤收集过去同型号机型的在每次维护到故障之间的历史工作日志,作为训练样本集合,同时抽取部分历史工作日志作为验证集。
S12、对历史工作日志进行预处理,得到训练数据。由于工作日志中,除了我们感兴趣的信息以外还包括很多无用的信息。因此,在本步骤我们对这些历史工作日志进行预处理。本步骤提取这些历史工作日志中的有用信息,然后进行初步的统计,所述有用信息包括运行时间、运行次数、生产数量、距离最近一次的维护的时间、异常日志数量和设备年龄。数据表明,这些参数对设备的故障有较大的影响。所述异常日志包括日志中打印的警告信息和错误信息,当然设备打印这些信息时,设备并没有陷入不能运转的状态,其可以通过自身的程序对故障进行修复。例如,散热风扇的控制逻辑受到干扰出现控制逻辑紊乱,设备会自动重启,同时产生设备散热异常的警告信息。但是经过***重启,这一类的故障设备可以自动修复。所述异常日志的类型根据不同的生产设备可能会有不同。
S13、根据训练数据对模型进行训练,得到预测模型。在本步骤中,通过训练数据对模型进行训练,获得各变量的权重值,从而得到预测模型。本实施例可以采用多重线性回归实现。
所述实时预测步骤包括:
S21、获取设备从最近一次维护到现在的工作日志。本步骤的目的在于获取预测样本。
S22、对设备从最近一次维护到现在的工作日志进行预处理,得到待预测模型的输入参数。本步骤对预测样本进行预处理,统计相关参数。
S23、将所述输入参数输入预测模型,得到预测结果。经过训练的预测模型可以直接给出输入参数对应的预测值。随后根据预测值的大小判断当前是否需要维护,以是否需要维护作为预测结果。
作为优选的实施例,本实施例提供了具体的预测模型,所述预测模型为:
Q=Ax+By+Cz+Dm+En+Fs;
其中,x表示运行时间,即上次维护到现在的实际运行时间。
y表示运行次数;即上次维护到现在的开机次数。
z表示生产数量,即上次维护到现在作业的次数,例如,对于印刷机,可以用印刷的次数作为生产数量。对于织布机,可以用织布的长度作为生产数量。
m表示距离最近一次的维护的时间,该参数主要考虑到长期不运作的设备的老化因素。
n表示异常日志数量,本参数主要考虑到设备异常工作状态的出现次数。
s表示设备年龄,设备年龄越大,意味着越接近报废,维护应该越来越频繁。
当Q大于第一设定阈值时,表示设备需要维护,当Q小于等于第一设定阈值时,表示设备暂时无需维护,A、B、C、D、E和F为训练得到的系数。
在本实施例中,Q表示预测值,所述预测值所反映的是设备需要维护的可能性,因此Q值越大,表示需要维护的可能性越大。因此,本实施例可以设置第一设定阈值来判断当前的Q值是否应该维护。当然,设备的故障是无法准确预测的,本实施例选取了与设备故障比较相关的参数对设备的维护时机进行预测,能够减少没必要的维护以降低维护成本,同时,能够提醒生产企业及时对故障可能性较高的进行维护,避免设备严重故障。
作为优选的实施例,为了能够保证相关负责人及时收到预警信息,本实施例还包括以下步骤:
S31、根据所述预测结果,生成预警信息,并将所述预警信息发送至客户终端。所述客户终端可以是客户的手机、邮箱或者社交工具等等。所述预警信息包括设备型号、预先设置的设备编号以及风险等级等等。例如,预警信息可以以以下格式表示:编号13/印刷机/故障风险高。
作为优选的实施例,在实际生产中,设备通常需要按照计划进行生产,并非能够立马停下来进行维护的,相关负责人在接收到预警信息后,很可能会忘记,因此需要对相关负责人进行二次提醒。因此本实施例还包括以下步骤:
S41、在生成第一预警信息后,继续获取设备的工作日志;
S42、根据在生成第一预警信息后获取的工作日志,判断设备是否完成维护,若是,则重置最近一次维护的时间点;反之,则按照设定时间间隔向客户终端重新发送所述预警信息。
本实施例增设了通过后续获取的工作日志来判断设备是否完成维护的步骤,能够实现自动地判断是否需要继续提醒相关负责人。
作为优选的实施例,为了能够使得模型的精度更高,本实施例还包括以下步骤:
S51、每当设备发生故障时,获取该设备在最近一次维护到本次故障之间的工作日志;
S52、对该设备在最近一次维护到本次故障之间的工作日志进行预处理,得到新的训练数据;
S53、根据新的训练数据对预测模型进行二次训练,得到新的预测模型。
本实施例通过将获取最近一次故障前到上一次维护之间的工作日志对预测模型进行二次训练,随着数据量的增加,可以使得模型的精度越来越高。
本实施例公开了一种与图1中方法对应的设备维护保养时机的预测***,该***包括模型训练模块和实时预测模块;
所述模型训练模块包括:
第一获取单元,用于获取若干个相同型号的设备在每次故障前最后一次维护到故障之间的历史工作日志;
第一预处理单元,用于对历史工作日志进行预处理,得到训练数据;
第一训练单元,用于根据训练数据对模型进行训练,得到预测模型;
所述实时预测模块包括:
第二获取单元,用于获取设备从最近一次维护到现在的工作日志;
第二预处理单元,用于对设备从最近一次维护到现在的工作日志进行预处理,得到待预测模型的输入参数;
预测单元,用于将所述输入参数输入预测模型,得到预测结果。
作为优选的实施例,所述预测模型为:
Q=Ax+By+Cz+Dm+En+Fs;
其中,Q表示预测值,x表示运行时间,y表示运行次数,z表示生产数量,m表示距离最近一次的维护的时间,n表示异常日志数量,s表示设备年龄;当Q大于第一设定阈值时,表示设备需要维护,当Q小于等于第一设定阈值时,表示设备暂时无需维护,A、B、C、D、E和F为训练得到的系数。
作为优选的实施例,还包括第一预警模块;
所述第一预警模块,用于根据所述预测结果,生成预警信息,并将所述预警信息发送至客户终端。
作为优选的实施例,还包括第二预警模块;
所述第二预警模块包括:
第三获取单元,用于在生成第一预警信息后,继续获取设备的工作日志;
判断单元,用于根据在生成第一预警信息后获取的工作日志,判断设备是否完成维护,若是,则重置最近一次维护的时间点;反之,则按照设定时间间隔向客户终端重新发送所述预警信息。
作为优选的实施例,还包括二次训练模块,所述二次训练模块包括:
第四获取单元,用于每当设备发生故障时,获取该设备在最近一次维护到本次故障之间的工作日志;
第三预处理单元,用于对该设备在最近一次维护到本次故障之间的工作日志进行预处理,得到新的训练数据;
第二训练单元,用于根据新的训练数据对预测模型进行二次训练,得到新的预测模型。
对于上述方法实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种设备维护保养时机的预测方法,其特征在于:包括模型训练步骤和实时预测步骤;
所述模型训练步骤包括:
获取若干个相同型号的设备在每次故障前最后一次维护到故障之间的历史工作日志;
对历史工作日志进行预处理,得到训练数据;
根据训练数据对模型进行训练,得到预测模型;
所述实时预测步骤包括:
获取设备从最近一次维护到现在的工作日志;
对设备从最近一次维护到现在的工作日志进行预处理,得到待预测模型的输入参数;
将所述输入参数输入预测模型,得到预测结果。
2.根据权利要求1所述的一种设备维护保养时机的预测方法,其特征在于:所述预测模型为:
Q=Ax+By+Cz+Dm+En+Fs;
其中,Q表示预测值,x表示运行时间,y表示运行次数,z表示生产数量,m表示距离最近一次的维护的时间,n表示异常日志数量,s表示设备年龄;当Q大于第一设定阈值时,表示设备需要维护,当Q小于等于第一设定阈值时,表示设备暂时无需维护,A、B、C、D、E和F为训练得到的系数。
3.根据权利要求1所述的一种设备维护保养时机的预测方法,其特征在于:还包括以下步骤:
根据所述预测结果,生成预警信息,并将所述预警信息发送至客户终端。
4.根据权利要求1所述的一种设备维护保养时机的预测方法,其特征在于:还包括以下步骤:
在生成第一预警信息后,继续获取设备的工作日志;
根据在生成第一预警信息后获取的工作日志,判断设备是否完成维护,若是,则重置最近一次维护的时间点;反之,则按照设定时间间隔向客户终端重新发送所述预警信息。
5.根据权利要求1所述的一种设备维护保养时机的预测方法,其特征在于:还包括以下步骤:
每当设备发生故障时,获取该设备在最近一次维护到本次故障之间的工作日志;
对该设备在最近一次维护到本次故障之间的工作日志进行预处理,得到新的训练数据;
根据新的训练数据对预测模型进行二次训练,得到新的预测模型。
6.一种设备维护保养时机的预测***,其特征在于:包括模型训练模块和实时预测模块;
所述模型训练模块包括:
第一获取单元,用于获取若干个相同型号的设备在每次故障前最后一次维护到故障之间的历史工作日志;
第一预处理单元,用于对历史工作日志进行预处理,得到训练数据;
第一训练单元,用于根据训练数据对模型进行训练,得到预测模型;
所述实时预测模块包括:
第二获取单元,用于获取设备从最近一次维护到现在的工作日志;
第二预处理单元,用于对设备从最近一次维护到现在的工作日志进行预处理,得到待预测模型的输入参数;
预测单元,用于将所述输入参数输入预测模型,得到预测结果。
7.根据权利要求6所述的一种设备维护保养时机的预测***,其特征在于:所述预测模型为:
Q=Ax+By+Cz+Dm+En+Fs;
其中,Q表示预测值,x表示运行时间,y表示运行次数,z表示生产数量,m表示距离最近一次的维护的时间,n表示异常日志数量,s表示设备年龄;当Q大于第一设定阈值时,表示设备需要维护,当Q小于等于第一设定阈值时,表示设备暂时无需维护,A、B、C、D、E和F为训练得到的系数。
8.根据权利要求6所述的一种设备维护保养时机的预测***,其特征在于:还包括第一预警模块;
所述第一预警模块,用于根据所述预测结果,生成预警信息,并将所述预警信息发送至客户终端。
9.根据权利要求6所述的一种设备维护保养时机的预测***,其特征在于:还包括第二预警模块;
所述第二预警模块包括:
第三获取单元,用于在生成第一预警信息后,继续获取设备的工作日志;
判断单元,用于根据在生成第一预警信息后获取的工作日志,判断设备是否完成维护,若是,则重置最近一次维护的时间点;反之,则按照设定时间间隔向客户终端重新发送所述预警信息。
10.根据权利要求6所述的一种设备维护保养时机的预测***,其特征在于:还包括二次训练模块,所述二次训练模块包括:
第四获取单元,用于每当设备发生故障时,获取该设备在最近一次维护到本次故障之间的工作日志;
第三预处理单元,用于对该设备在最近一次维护到本次故障之间的工作日志进行预处理,得到新的训练数据;
第二训练单元,用于根据新的训练数据对预测模型进行二次训练,得到新的预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811298835.4A CN109635997A (zh) | 2018-11-02 | 2018-11-02 | 一种设备维护保养时机的预测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811298835.4A CN109635997A (zh) | 2018-11-02 | 2018-11-02 | 一种设备维护保养时机的预测方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109635997A true CN109635997A (zh) | 2019-04-16 |
Family
ID=66067181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811298835.4A Pending CN109635997A (zh) | 2018-11-02 | 2018-11-02 | 一种设备维护保养时机的预测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109635997A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111581889A (zh) * | 2020-05-26 | 2020-08-25 | 瑞纳智能设备股份有限公司 | 用于供热设备组件的故障预测方法、***及设备 |
CN111992869A (zh) * | 2020-08-11 | 2020-11-27 | 上海新力动力设备研究所 | 一种基于边缘计算的电子束焊接设备预测性维护方法 |
CN112488326A (zh) * | 2020-11-09 | 2021-03-12 | 广州瀚信通信科技股份有限公司 | 基于5g核心网的智能运维故障预警方法及装置 |
CN112668881A (zh) * | 2020-12-29 | 2021-04-16 | 南通佳腾精密模具有限公司 | 一种注塑模具产品的养护方法和装置 |
CN113657461A (zh) * | 2021-07-28 | 2021-11-16 | 北京宝兰德软件股份有限公司 | 基于文本分类的日志异常检测方法、***、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150227838A1 (en) * | 2012-09-17 | 2015-08-13 | Siemens Corporation | Log-based predictive maintenance |
CN106095639A (zh) * | 2016-05-30 | 2016-11-09 | 中国农业银行股份有限公司 | 一种集群亚健康预警方法及*** |
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*** |
CN106951984A (zh) * | 2017-02-28 | 2017-07-14 | 深圳市华傲数据技术有限公司 | 一种***健康度动态分析预测方法及装置 |
CN108717577A (zh) * | 2018-05-29 | 2018-10-30 | 景祝强 | 基于历史维修记录大数据的维修预测装置以及方法 |
-
2018
- 2018-11-02 CN CN201811298835.4A patent/CN109635997A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150227838A1 (en) * | 2012-09-17 | 2015-08-13 | Siemens Corporation | Log-based predictive maintenance |
CN106095639A (zh) * | 2016-05-30 | 2016-11-09 | 中国农业银行股份有限公司 | 一种集群亚健康预警方法及*** |
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*** |
CN106951984A (zh) * | 2017-02-28 | 2017-07-14 | 深圳市华傲数据技术有限公司 | 一种***健康度动态分析预测方法及装置 |
CN108717577A (zh) * | 2018-05-29 | 2018-10-30 | 景祝强 | 基于历史维修记录大数据的维修预测装置以及方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111581889A (zh) * | 2020-05-26 | 2020-08-25 | 瑞纳智能设备股份有限公司 | 用于供热设备组件的故障预测方法、***及设备 |
CN111581889B (zh) * | 2020-05-26 | 2023-05-26 | 瑞纳智能设备股份有限公司 | 用于供热设备组件的故障预测方法、***及设备 |
CN111992869A (zh) * | 2020-08-11 | 2020-11-27 | 上海新力动力设备研究所 | 一种基于边缘计算的电子束焊接设备预测性维护方法 |
CN111992869B (zh) * | 2020-08-11 | 2022-04-26 | 上海新力动力设备研究所 | 一种基于边缘计算的电子束焊接设备预测性维护方法 |
CN112488326A (zh) * | 2020-11-09 | 2021-03-12 | 广州瀚信通信科技股份有限公司 | 基于5g核心网的智能运维故障预警方法及装置 |
CN112668881A (zh) * | 2020-12-29 | 2021-04-16 | 南通佳腾精密模具有限公司 | 一种注塑模具产品的养护方法和装置 |
CN113657461A (zh) * | 2021-07-28 | 2021-11-16 | 北京宝兰德软件股份有限公司 | 基于文本分类的日志异常检测方法、***、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635997A (zh) | 一种设备维护保养时机的预测方法和*** | |
CN111209131B (zh) | 一种基于机器学习确定异构***的故障的方法和*** | |
CN109539473B (zh) | 空调***的故障类型确定方法、电子设备 | |
CN105337765A (zh) | 一种分布式hadoop集群故障自动诊断修复*** | |
CN110704231A (zh) | 一种故障处理方法及装置 | |
CN109656793A (zh) | 一种基于多源异构数据融合的信息***性能立体监测方法 | |
CN111983383A (zh) | 一种电力***故障抢修方法及*** | |
CN108495329B (zh) | 一种基站可靠性的评价方法和装置 | |
CN102998996A (zh) | 一种飞机机载实时故障诊断方法 | |
CN106469098A (zh) | 一种设备的故障处理方法和装置 | |
CN104038373B (zh) | 信息预警与自修复***及方法 | |
CN111340250A (zh) | 设备检修装置、方法及计算机可读存储介质 | |
CN104850934A (zh) | 一种气象装备维护维修管理*** | |
WO2020134783A1 (zh) | 告警派单方法、装置、***及计算机可读存储介质 | |
CN103744977A (zh) | 一种云计算***平台中的监控方法及*** | |
CN108573761A (zh) | 一种核电厂设备实时性能监测方法及*** | |
CN109740771A (zh) | 一种责任评估的智能控制管理***及方法 | |
Ongkowijoyo et al. | Risk-based resilience assessment model focusing on urban infrastructure system restoration | |
CN117227177B (zh) | 基于设备间监督的多任务打印控制方法及*** | |
CN117370848A (zh) | 设备故障预测方法、装置、计算机设备及存储介质 | |
CN115471215B (zh) | 一种业务流程处理方法及装置 | |
CN107124290B (zh) | 一种告警阈值生成方法及装置 | |
CN116448234A (zh) | 一种电力变压器运行状态声纹监测方法及*** | |
CN104123469B (zh) | 一种普适计算环境上下文一致性检测调度***及方法 | |
CN114500316B (zh) | 一种物联网设备巡检方法和*** |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190416 |
|
RJ01 | Rejection of invention patent application after publication |