CN115345523A - 一种设备风险系数评估方法及相关装置 - Google Patents
一种设备风险系数评估方法及相关装置 Download PDFInfo
- Publication number
- CN115345523A CN115345523A CN202211250528.5A CN202211250528A CN115345523A CN 115345523 A CN115345523 A CN 115345523A CN 202211250528 A CN202211250528 A CN 202211250528A CN 115345523 A CN115345523 A CN 115345523A
- Authority
- CN
- China
- Prior art keywords
- equipment
- risk
- probability distribution
- alarm
- calculating
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 118
- 238000009826 distribution Methods 0.000 claims abstract description 126
- 238000012423 maintenance Methods 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000003860 storage Methods 0.000 claims abstract description 14
- 238000013210 evaluation model Methods 0.000 claims abstract description 12
- 239000002245 particle Substances 0.000 claims description 30
- 239000000463 material Substances 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000007726 management method Methods 0.000 abstract description 2
- 238000005728 strengthening Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 16
- 238000005457 optimization Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000014509 gene expression Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 238000012502 risk assessment Methods 0.000 description 5
- 238000007476 Maximum Likelihood Methods 0.000 description 4
- 230000003111 delayed effect Effects 0.000 description 4
- 238000010924 continuous production Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- G06Q10/20—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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种设备风险系数评估方法,涉及设备管控技术领域,包括:获取设备的加工数据,将所述设备的加工数据划分为可靠度分析因子和风险度评估因子;构建机率分配模型;基于所述可靠度分析因子,利用所述机率分配模型计算得到所述设备的可靠度评价指标;基于所述设备的可靠度评价指标和所述风险评估因子,利用风险评估模型计算得到所述设备的风险系数。该方法能够全面的评估设备,利于准确可靠的制定维保计划,强化生产制造条件。本申请还公开了一种设备风险系数评估装置以及计算机可读存储介质,均具有上述技术效果。
Description
技术领域
本申请涉及设备管控技术领域,特别涉及一种设备风险系数评估方法;还涉及一种设备风险系数评估装置以及计算机可读存储介质。
背景技术
为了保障生产,针对发生报警的设备,需要针对性的及时有效的进行维保。传统技术方案通常依据设备的报警发生时间,利用单一的机率分配模型估算设备的可靠度,进而基于设备的可靠度(设备的平均报警间隔时间)制定维保计划,对平均报警间隔时间短的设备进行维保点检。然而,基于平均报警间隔时间制定维保计划会存在将已经修复完的设备纳入维保计划的情况,这样会增加不必要的维保工作量,且会延误其他设备的维保,从而影响生产。
因此,如何全面的评估设备,以便准确可靠的制定维保计划已成为本领域技术人员亟待解决的技术问题。
发明内容
本申请的目的是提供一种设备风险系数评估方法,能够全面的评估设备,利于准确可靠的制定维保计划。本申请的另一个目的是提供一种设备风险系数评估装置以及计算机可读存储介质,均具有上述技术效果。
为解决上述技术问题,本申请提供了一种设备风险系数评估方法,包括:
获取设备的加工数据,将所述设备的加工数据划分为可靠度分析因子和风险度评估因子;
构建机率分配模型;
基于所述可靠度分析因子,利用所述机率分配模型计算得到所述设备的可靠度评价指标;
基于所述设备的可靠度评价指标和所述风险评估因子,利用风险评估模型计算得到所述设备的风险系数。
可选的,所述设备的加工数据包括设备运作时间、产能、报警发生数量及报警发生时间;将所述设备运作时间、所述产能、所述报警发生数量作为所述风险度评估因子;将所述报警发生时间作为所述可靠度分析因子。
可选的,所述构建机率分配模型包括:
构建多种机率分配模型,并对每种所述机率分配模型的参数寻优;
从多种所述机率分配模型中选择用于计算所述设备的可靠度评价指标的最适配机率分配模型。
可选的,所述对每种所述机率分配模型的参数寻优包括:
以所述机率分配模型的参数作为粒子,并基于所述机率分配模型定义对应的适应度函数;
以使所述适应度函数达到最大时的所述粒子包含的所述参数的值,作为所述参数的最优值。
可选的,从多种所述机率分配模型中选择用于计算所述设备的可靠度评价指标的最适配机率分配模型包括:
评估各所述机率分配模型的数据拟合特性,并将数据拟合特性最优的所述机率分配模型作为所述最适配机率分配模型。
可选的,所述基于所述可靠度分析因子,利用所述机率分配模型计算得到所述设备的可靠度评价指标包括:
根据所述报警发生时间,计算多次报警发生的间隔时间;
基于多次报警发生的间隔时间,利用所述机率分配模型计算得到所述设备的可靠度评价指标。
可选的,所述基于所述设备的可靠度评价指标和所述风险评估因子,利用所述风险评估模型计算得到所述设备的风险系数包括:
根据所述设备运作时间与平均报警间隔时间,计算得到所述设备运作时间内的理论报警数量;
根据所述理论报警数量与所述设备运作时间内的所述报警发生数量计算得到报警发生机率;
根据所述理论报警数量与所述设备运作时间内的所述产能,计算得到加工单件物料的报警数量;
根据加工单件物料的报警数量与所述发生机率计算得到所述风险系数。
可选的,还包括:
根据各设备的风险系数,确定目标维保设备。
可选的,所述根据各设备的风险系数,确定目标维保设备包括:
根据各设备的风险系数,计算各设备的风险系数的均值;
根据各设备的风险系数与所述均值,计算各设备的风险系数超出所述均值的比例值;
比较各设备的风险系数超出所述均值的比例值,以风险系数超出所述均值的比例值最大的所述设备作为所述目标维保设备。
为解决上述技术问题,本申请还提供了一种设备风险系数评估装置,包括:
通信器,用于接收来自设备的加工数据;
处理器,耦接所述通信器,用于:
将所述设备的加工数据划分为可靠度分析因子和风险度评估因子;
构建机率分配模型;
基于所述可靠度分析因子,利用所述机率分配模型计算得到所述设备的可靠度评价指标;
基于所述设备的可靠度评价指标和所述风险评估因子,利用风险评估模型计算得到所述设备的风险系数。
为解决上述技术问题,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上任一项所述的设备风险系数评估方法的步骤。
本申请所提供的设备风险系数评估方法,包括:获取设备的加工数据,将所述设备的加工数据划分为可靠度分析因子和风险度评估因子;构建机率分配模型;基于所述可靠度分析因子,利用所述机率分配模型计算得到所述设备的可靠度评价指标;基于所述设备的可靠度评价指标和所述风险评估因子,利用风险评估模型计算得到所述设备的风险系数。
可见,相较于传统方案,本申请所提供的设备风险系数评估方法,在基于可靠度分析因子评估设备的可靠度评价指标的基础上,还综合设备的可靠度评价指标与设备的风险度评估因子,评估设备的风险系数,可以实现对设备的更加全面的评估。后续基于风险系数制定维保计划,不会发生将已经修复完成的设备纳入维保计划的情况,可以避免不必要的维保工作量,避免延误其他设备的维保,能够实现低风险的设备持续生产,高风险设备优先纳入维保计划,有效强化生产制造条件。
本申请所提供的设备风险系数评估装置以及计算机可读存储介质均具有上述技术效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对现有技术和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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例所提供的一种设备风险系数评估方法的流程示意图;
图2为本申请实施例所提供的一种报警场景示意图;
图3为本申请实施例所提供的一种设备风险系数评估装置的示意图。
具体实施方式
本申请的核心是提供一种设备风险系数评估方法,能够全面的评估设备,利于准确可靠的制定维保计划。本申请的另一个核心是提供一种设备风险系数评估装置以及计算机可读存储介质,均具有上述技术效果。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
请参考图1,图1为本申请实施例所提供的一种设备风险系数评估方法的流程示意图,参考图1所示,该方法包括:
S101:获取设备的加工数据,将所述设备的加工数据划分为可靠度分析因子和风险度评估因子。
可靠度分析因子用于评估设备的可靠度评价指标,风险度评估因子用于评估设备的风险系数。
其中,获取的设备的加工数据可以为一天内设备的加工数据,也可以为一周内设备的加工数据,还可以为其他时长内设备的加工数据。对此本申请不做唯一限定,可以进行差异性设置。
另外,所述设备的加工数据可以包括设备运作时间、产能、报警发生数量及报警发生时间。其中,设备运作时间为设定时间段内设备运行状态时长,产能为设备运作时间内所加工的物料的件数,报警发生数量为设备运作时间内所发生的报警的数量,报警发生时间为设备运作时间内报警发生的时间。其中,报警发生数量可以为设备运作时间内所发生的各类报警的总的数量。例如,名称为A01的设备,在9月24日的0时16分发生报警代码为MC3007(0)的报警,在9月24日的6时30分发生报警代码为MC3007(0)的报警,在9月24日的6时30分发生报警代码为PS60(0)的报警,在9月24日的6时31分发生报警代码为MC3007(0)的报警,在9月24日的6时39分发生三次报警代码为MC3007(0)的报警,在9月24日的6时41分发生报警代码为MC3007(0)的报警。报警代码不同表征报警类型不同。由此,名称为A01的设备在9月24日发生了两种报警类型,共8次的报警,即报警发生数量为8。
可靠度分析因子是用于评估设备的可靠度评价指标的因子,因此,当明确可靠度评价指标的类型后,可以从加工数据中划分出与可靠度评价指标相关的数据作为可靠度分析因子。当可靠度评价指标为平均报警间隔时间时,从加工数据中划分出与平均报警间隔时间相关的报警发生时间作为可靠度分析因子。风险评估因子是用于评估设备的风险系数的因子。设备的风险系数用于表征设备发生故障的概率的大小。设备运作时间、产能、报警发生数量能够在一定程度上反映设备发生故障的概率的大小,设备产能越低,报警持续时长越高,报警数量越多,平均报警间隔时间越低,呈现出设备风险系数越高,因此可以将设备运作时间、产能以及报警发生数量作为风险度评估因子,可综合利用设备运作时间、产能、报警发生数量以及平均报警间隔时间来评估设备风险系数。结合设备运作时间、产能等多类型风险度评估因子进行风险系数评估,可以全面量化设备的风险系数,提升评估结果的可信度。
S102:构建机率分配模型。
机率分配模型是用于评估设备的可靠度评价指标的模型。
为提升模型的精准度,在一些实施例中,所述机率分配模型的构建方法包括:
构建多种机率分配模型,并对每种所述机率分配模型的参数寻优;
从多种所述机率分配模型中选择用于计算所述设备的可靠度评价指标的最适配机率分配模型。
可以利用最大似然估计法构建多种机率分配模型。
最大似然估计法是常用的点估计方法。似然函数是在参数θ下观察样本出现的条件机率:
对上式左右两边取对数,可得对数似然函数:
最大似然估计法是基于给定的样本寻找最可能的参数θ,以此最大化似然函数的方法。假设存在唯一的θ使得似然函数最大化,则此时:
利用最大似然估计法构建的多种机率分配模型可以包括Weibull机率分配模型、Normal机率分配模型、Log-logistic机率分配模型以及Exponential机率分配模型等。
Weibull机率分配模型为:
Normal机率分配模型为:
Log-logistic机率分配模型为:
Exponential机率分配模型为:
在构建的多种机率分配模型的基础上,针对每一种机率分配模型,对其中的参数进行寻优。在寻得最优参数的基础上,从多种机率分配模型中选择最适配机率分配模型,以利用该最适配机率分配模型计算设备的可靠度评价指标。
本实施例通过构建多种机率分配模型,并从中选择出最适配机率分配模型,可以有效提升模型的精确度,相较于构建单一机率分配模型的传统技术方案,本实施例可以避免模型不适配的情况发生,避免错估,提升估算结果的可信度。
其中,所述对每种所述机率分配模型的参数寻优可以包括:
以所述机率分配模型的参数作为粒子,并基于所述机率分配模型定义对应的适应度函数;
以使所述适应度函数达到最大时的所述粒子包含的所述参数的值,作为所述参数的最优值。
粒子群优化算法是一种基于群智能的进化计算方法,具有简单易于实现、短时间内可以产生高质量解等优势。有鉴于此,本实施例采取粒子群优化算法进行参数寻优。具体而言,粒子群优化算法首先初始化一组粒子,通过追踪最优的粒子来搜索最优解。每个粒子都有自己的位置与速度。每个粒子的性能取决于待优化目标函数的适应值。粒子根据如下所示等式更新速度与位置:
针对机率分配模型的参数寻优,首先将机率分配模型的一组参数作为一个粒子。粒子群中的每个粒子代表机率分配模型参数寻优的一个候选解。定义适应度函数来评估每一个粒子。使适应度函数达到最大的粒子就是最优解,粒子包含的参数即为最优参数。
以Weibull机率分配模型为例,Weibull机率分配模型为:
定义Weibull机率分配模型的适应度函数为:
另外,从多种所述机率分配模型中选择用于计算所述设备的可靠度评价指标的最适配机率分配模型可以包括:
评估各所述机率分配模型的数据拟合特性,并将数据拟合特性最优的所述机率分配模型作为所述最适配机率分配模型。
在分别求得的各机率分配模型的最优参数的基础上,评估机率分配模型的数据拟合特性。其中,评估机率分配模型的数据拟合特性的方式可以为计算机率分配模型的AIC(Akaike Information Criterion,赤池信息量准则)值,进而选取AIC值最小的机率分配模型作为最适配机率分配模型。
其中,AIC值的计算方法为:
AIC=2k-2ln(L) ;
其中,k是参数的数量,L是似然函数。
可以理解的是,除了以计算机率分配模型的AIC值的方式来评估机率分配模型的数据拟合特性外,还可以以其他数值作为评估机率分配模型的数据拟合特征的依据。
S103:基于所述可靠度分析因子,利用所述机率分配模型计算得到所述设备的可靠度评价指标。
本步骤旨在利用机率分配模型计算设备的可靠度评价指标。在构建多种机率分配模型并从中选取最适配机率分配模型的情况下,利用机率分配模型计算设备的可靠度评价指标即是利用最适配机率分配模型计算设备的可靠度评价指标。
其中,在一些实施例中,所述基于所述可靠度分析因子,利用所述机率分配模型计算得到所述设备的可靠度评价指标包括:
根据所述报警发生时间,计算多次报警发生的间隔时间;
基于多次报警发生的间隔时间,利用所述机率分配模型计算得到所述设备的可靠度评价指标。
可靠度评价指标可具体为平均报警间隔时间。基于所获取的报警发生时间,首先可以计算多次报警发生的间隔时间,进而基于多次报警发生的间隔时间,利用机率分配模型计算得到平均报警间隔时间。其中,多次报警发生的间隔时间是指多次报警之间,任意两次报警发生的互相间隔时间。基于各个报警发生的间隔时间,利用机率分配模型计算得到平均报警间隔时间是指以多次报警发生的间隔时间作为样本,求取机率分配模型的期望。在多次报警发生的间隔时间作为样本的情况下,机率分配模型的期望即为平均报警间隔时间。
各种机率分配模型的期望表达式如下所示:
其中,λ为比例参数;β为形状或斜率参数。
Normal机率分配模型的期望的表达式为:μ;
其中,μ为标准偏差为1的平均值。
其中,α为标度参数;β为斜率参数。
其中,λ为速率参数。
在以各个报警发生的间隔时间作为样本的情况下,可以采取粒子群优化算法对机率分配模型进行参数估计,得到机率分配模型的期望表达式中各参数的值,进而基于机率分配模型的期望表达式计算得到机率分配模型的期望,即计算得到平均报警间隔时间。平均报警间隔时间为报警间隔时间的平均大小。平均报警间隔时间用于反映设备的可靠度,并进一步用于基于平均报警间隔时间以及风险评估因子计算设备的风险系数。
以Log-logistic机率分配模型为最适配机率分配模型为例,在以各个报警发生的间隔时间作为样本的情况下,可以采取粒子群优化算法对Log-logistic机率分配模型进行参数估计,得到Log-logistic机率分配模型的期望的表达式中与的值,进而基于Log-logistic机率分配模型的期望表达式计算得到Log-logistic机率分配模型的期望,即计算得到平均报警间隔时间。将该平均报警间隔时间作为设备的可靠度评价指标,可靠度评价指标用于反映设备的可靠度,并进一步用于基于可靠度评价指标以及风险评估因子计算设备的风险系数。
采取粒子群优化算法进行参数估计的过程可以参照前文中采取粒子群优化算法进行参数寻优的描述,在此不再赘述。
S104:基于所述设备的可靠度评价指标和所述风险评估因子,利用风险评估模型计算得到所述设备的风险系数。
风险评估模型是用于计算设备的风险系数的模型。在获取风险评估因子以及计算得到设备的可靠度评价指标的基础上,综合各风险评估因子与设备的可靠度评价指标,利用风险评估模型计算得到设备的风险系数。
在一些实施例中,所述设备的可靠度评价指标为平均报警间隔时间,所述基于所述设备的可靠度评价指标和所述风险评估因子,利用风险评估模型计算得到所述设备的风险系数包括:
根据所述设备运作时间与平均报警间隔时间,计算得到所述设备运作时间内的理论报警数量;
根据所述理论报警数量与所述设备运作时间内的所述报警发生数量计算得到报警发生机率;
根据所述理论报警数量与所述设备运作时间内的产能,计算得到加工单件物料的报警数量;
根据加工单件物料的报警数量与所述报警发生机率计算得到所述设备的风险系数。
以X1表示设备运作时间,X2表示平均报警间隔时间,X3表示设备运作时间内的报警发生数量,X4表示设备运作时间内的产能,即设备运作时间内加工的物料的件数。
其中,设备运作时间内的理论报警数量的计算方法为:
理论报警数量=设备运作时间/平均报警间隔时间=X1/X2;
其中,报警发生机率的计算方法为:
报警发生机率=报警发生数量/理论报警数量=(X3*X2)/X1;
其中,加工单件物料的报警数量的计算方法为:
加工单件物料的报警数量=报警数量/设备运作时间内的产能=X3/X4;
其中,风险系数的计算方法为:
风险系数=报警发生机率*加工单件物料的报警数量=(X3^2*X2)/(X1*X4)。
下面分别以图2所示的A情景与B情景为例,进一步说明计算设备的风险系数的过程。其中,图2中MTTF表示平均报警间隔时间。
A情景下,平均报警间隔时间为0.5小时,设备运作时间为10小时,设备运作时间内的报警发生数量为10个,设备运作时间内的产能为100件。此时,X1=10,X2=0.5,X3=10,X4=100。因此设备运作时间内的理论报警数量为X1/X2=20;报警发生机率为:(X3*X2)/X1=0.5;加工单件物料的报警数量为:X3/X4=0.1;风险系数为:报警发生机率*加工单件物料的报警数量=0.5*0.1=0.05。
B情景下,平均报警间隔时间为1小时,设备运作时间为10小时,设备运作时间内的报警发生数量为10个,设备运作时间内的产能为100件。此时,X1=10,X2=1,X3=10,X4=100。因此设备运作时间内的理论报警数量为X1/X2=10;报警发生机率为:(X3*X2)/X1=1;加工单件物料的报警数量为:X3/X4=0.1;风险系数为:报警发生机率*加工单件物料的报警数量=1*0.1=0.1。
进一步,评估各设备的风险系数后,还可以包括:
根据各设备的风险系数,确定目标维保设备。
其中,所述根据各设备的风险系数,确定目标维保设备可以包括:
根据各设备的风险系数,计算各设备的风险系数的均值;
根据各设备的风险系数与所述均值,计算各设备的风险系数超出所述均值的比例值;
比较各设备的风险系数超出所述均值的比例值,以风险系数超出所述均值的比例值最大的设备作为所述目标维保设备。
其中,设备的风险系数超出均值的比例值的计算方式为:
设备的风险系数超出均值的比例值=(设备的风险系数-均值)/均值。
例如,设备共5台,5台设备的风险系数分别为0.1,0.1,0.05,0.05,0.1。
各设备的风险系数的均值为0.08。各设备的风险系数超出均值的比例值分别为0.25,0.25,-0.375,-0.375,0.25。此时,可以比例值为0.25的3台设备作为目标维保设备,对其进行维保点检。比例值为-0.375的2台设备则持续投入生产。
对于目标维保设备为多台的情况,还可以根据目标维保设备的加工数据,对各目标维保设备的维保先后进行排序,以便优先维保其中更需要重点关注的设备。在一些实施例中,目标维保设备的加工数据包括平均报警间隔时间、报警数量等。
可以基于目标维保设备的平均报警间隔时间对目标维保设备的维保先后进行排序。平均报警间隔时间短,通常可以反映出设备在某个时间段集中发生报警,该时间段后可能因为已经进行了修复所以没有再发生报警。平均报警间隔时间长,通常可以反映出设备一直发生报警,一直没有进行修复。因此,目标维保设备的平均报警间隔时间越长,目标维保设备的维保排序可越靠前。
还可以基于目标维保设备的报警数量对目标维保设备的维保先后进行排序。目标维保设备的报警数量越多,目标维保设备的维保排序可越靠前。
综上所述,本申请所提供的设备风险系数评估方法,在基于可靠度分析因子估算设备的可靠度评价指标的基础上,还综合设备的可靠度评价指标与设备的风险度评估因子,评估设备的风险系数,可以实现对设备的更加全面的评估。后续基于风险系数制定维保计划,不会发生将已经修复完成的设备纳入维保计划的情况,可以避免不必要的维保工作量,避免延误其他设备的维保,能够实现低风险的设备持续生产,高风险设备优先纳入维保计划,有效强化生产制造条件。
本申请还提供了一种设备风险系数评估装置,下文描述的该装置可以与上文描述的方法相互对应参照。请参考图3,图3为本申请实施例所提供的一种设备风险系数评估装置的示意图,结合图3所示,该装置包括:
通信器10,用于接收来自设备的加工数据;
处理器20,耦接所述通信器,用于:
将所述设备的加工数据划分为可靠度分析因子和风险度评估因子;
构建机率分配模型;
基于所述可靠度分析因子,利用所述机率分配模型计算得到所述设备的可靠度评价指标;
基于所述设备的可靠度评价指标和所述风险评估因子,利用风险评估模型计算得到所述设备的风险系数。
在上述实施例的基础上,作为一种具体的实施方式,所述设备的加工数据包括设备运作时间、产能、报警发生数量及报警发生时间;将所述设备运作时间、所述产能、所述报警发生数量作为所述风险度评估因子;将所述报警发生时间作为所述可靠度分析因子。
在上述实施例的基础上,作为一种具体的实施方式,所述处理器20具体用于:
构建多种机率分配模型,并对每种所述机率分配模型的参数寻优;
从多种所述机率分配模型中选择用于计算所述设备的可靠度评价指标的最适配机率分配模型。
在上述实施例的基础上,作为一种具体的实施方式,所述处理器20具体用于:
以所述机率分配模型的参数作为粒子,并基于所述机率分配模型定义对应的适应度函数;
以使所述适应度函数达到最大时的所述粒子包含的所述参数的值,作为所述参数的最优值。
在上述实施例的基础上,作为一种具体的实施方式,所述处理器20具体用于:
评估各所述机率分配模型的数据拟合特性,并将数据拟合特性最优的所述机率分配模型作为所述最适配机率分配模型。
在上述实施例的基础上,作为一种具体的实施方式,所述处理器20具体用于:
根据所述报警发生时间,计算多次报警发生的间隔时间;
基于多次报警发生的间隔时间,利用所述机率分配模型计算得到所述设备的可靠度评价指标。
在上述实施例的基础上,作为一种具体的实施方式,所述处理器20具体用于:
根据所述设备运作时间与平均报警间隔时间,计算得到所述设备运作时间内的理论报警数量;
根据所述理论报警数量与所述设备运作时间内的所述报警发生数量计算得到报警发生机率;
根据所述理论报警数量与所述设备运作时间内的所述产能,计算得到加工单件物料的报警数量;
根据加工单件物料的报警数量与所述发生机率计算得到所述风险系数。
在上述实施例的基础上,作为一种具体的实施方式,所述处理器20还用于:
根据所述设备的风险系数,确定目标维保设备。
在上述实施例的基础上,作为一种具体的实施方式,所述处理器20具体用于:
根据各设备的风险系数,计算各设备的风险系数的均值;
根据各设备的风险系数与所述均值,计算各设备的风险系数超出所述均值的比例值;
比较各设备的风险系数超出所述均值的比例值,以风险系数超出所述均值的比例值最大的所述设备作为所述目标维保设备。
本申请所提供的设备风险系数评估装置,在基于可靠度分析因子评估设备的可靠度评价指标的基础上,还综合设备的可靠度评价指标与设备的风险度评估因子,评估设备的风险系数,可以实现对设备的更加全面的评估。后续基于风险系数制定维保计划,不会发生将已经修复完成的设备纳入维保计划的情况,可以避免不必要的维保工作量,避免延误其他设备的维保,能够实现低风险的设备持续生产,高风险设备优先纳入维保计划,有效强化生产制造条件。
本申请还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时可实现如下的步骤:
获取设备的加工数据,将所述设备的加工数据划分为可靠度分析因子和风险度评估因子;构建机率分配模型;基于所述可靠度分析因子,利用所述机率分配模型计算得到所述设备的可靠度评价指标;基于所述设备的可靠度评价指标和所述风险评估因子,利用风险评估模型计算得到所述设备的风险系数。
该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory ,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
对于本申请所提供的计算机可读存储介质的介绍请参照上述方法实施例,本申请在此不做赘述。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、设备以及计算机可读存储介质而言,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。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的设备风险系数评估方法、装置以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请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申请的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围。
Claims (11)
1.一种设备风险系数评估方法,其特征在于,包括:
获取设备的加工数据,将所述设备的加工数据划分为可靠度分析因子和风险度评估因子;
构建机率分配模型;
基于所述可靠度分析因子,利用所述机率分配模型计算得到所述设备的可靠度评价指标;
基于所述设备的可靠度评价指标和所述风险评估因子,利用风险评估模型计算得到所述设备的风险系数。
2.根据权利要求1所述的设备风险系数评估方法,其特征在于,所述设备的加工数据包括设备运作时间、产能、报警发生数量及报警发生时间;将所述设备运作时间、所述产能、所述报警发生数量作为所述风险度评估因子;将所述报警发生时间作为所述可靠度分析因子。
3.根据权利要求1所述的设备风险系数评估方法,其特征在于,所述构建机率分配模型包括:
构建多种机率分配模型,并对每种所述机率分配模型的参数寻优;
从多种所述机率分配模型中选择用于计算所述设备的可靠度评价指标的最适配机率分配模型。
4.根据权利要求3所述的设备风险系数评估方法,其特征在于,所述对每种所述机率分配模型的参数寻优包括:
以所述机率分配模型的参数作为粒子,并基于所述机率分配模型定义对应的适应度函数;
以使所述适应度函数达到最大时的所述粒子包含的所述参数的值,作为所述参数的最优值。
5.根据权利要求3所述的设备风险系数评估方法,其特征在于,从多种所述机率分配模型中选择用于计算所述设备的可靠度评价指标的最适配机率分配模型包括:
评估各所述机率分配模型的数据拟合特性,并将数据拟合特性最优的所述机率分配模型作为所述最适配机率分配模型。
6.根据权利要求2所述的设备风险系数评估方法,其特征在于,所述基于所述可靠度分析因子,利用所述机率分配模型计算得到所述设备的可靠度评价指标包括:
根据所述报警发生时间,计算多次报警发生的间隔时间;
基于多次报警发生的间隔时间,利用所述机率分配模型计算得到所述设备的可靠度评价指标。
7.根据权利要求2所述的设备风险系数评估方法,其特征在于,所述基于所述设备的可靠度评价指标和所述风险评估因子,利用所述风险评估模型计算得到所述设备的风险系数包括:
根据所述设备运作时间与平均报警间隔时间,计算得到所述设备运作时间内的理论报警数量;
根据所述理论报警数量与所述设备运作时间内的所述报警发生数量计算得到报警发生机率;
根据所述理论报警数量与所述设备运作时间内的所述产能,计算得到加工单件物料的报警数量;
根据加工单件物料的报警数量与所述发生机率计算得到所述风险系数。
8.根据权利要求1所述的设备风险系数评估方法,其特征在于,还包括:
根据各设备的风险系数,确定目标维保设备。
9.根据权利要求8所述的设备风险系数评估方法,其特征在于,所述根据各设备的风险系数,确定目标维保设备包括:
根据各设备的风险系数,计算各设备的风险系数的均值;
根据各设备的风险系数与所述均值,计算各设备的风险系数超出所述均值的比例值;
比较各设备的风险系数超出所述均值的比例值,以风险系数超出所述均值的比例值最大的设备作为所述目标维保设备。
10.一种设备风险系数评估装置,其特征在于,包括:
通信器,用于接收来自设备的加工数据;
处理器,耦接所述通信器,用于:
将所述设备的加工数据划分为可靠度分析因子和风险度评估因子;
构建机率分配模型;
基于所述可靠度分析因子,利用所述机率分配模型计算得到所述设备的可靠度评价指标;
基于所述设备的可靠度评价指标和所述风险评估因子,利用风险评估模型计算得到所述设备的风险系数。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至9任一项所述的设备风险系数评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211250528.5A CN115345523B (zh) | 2022-10-13 | 2022-10-13 | 一种设备风险系数评估方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211250528.5A CN115345523B (zh) | 2022-10-13 | 2022-10-13 | 一种设备风险系数评估方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115345523A true CN115345523A (zh) | 2022-11-15 |
CN115345523B CN115345523B (zh) | 2023-03-24 |
Family
ID=83956981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211250528.5A Active CN115345523B (zh) | 2022-10-13 | 2022-10-13 | 一种设备风险系数评估方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115345523B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040260514A1 (en) * | 2003-06-23 | 2004-12-23 | Benoit Beaudoin | System and software to monitor cyclic equipment efficiency and related methods |
CN101859409A (zh) * | 2010-05-25 | 2010-10-13 | 广西电网公司电力科学研究院 | 基于风险评估的输变电设备状态检修体系 |
CN103164819A (zh) * | 2013-03-29 | 2013-06-19 | 广东电网公司 | 一种电力设备安全检测方法及装置 |
US20140163936A1 (en) * | 2012-12-11 | 2014-06-12 | International Business Machines Corporation | System and method for maintenance planning and failure prediction for equipment subject to periodic failure risk |
CN112231127A (zh) * | 2020-09-22 | 2021-01-15 | 深圳市裕展精密科技有限公司 | 电子装置及用于分析设备可靠度的方法 |
CN113779496A (zh) * | 2021-09-24 | 2021-12-10 | 广州健新科技有限责任公司 | 一种基于设备全景数据的电力设备状态评估方法及*** |
-
2022
- 2022-10-13 CN CN202211250528.5A patent/CN115345523B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040260514A1 (en) * | 2003-06-23 | 2004-12-23 | Benoit Beaudoin | System and software to monitor cyclic equipment efficiency and related methods |
CN101859409A (zh) * | 2010-05-25 | 2010-10-13 | 广西电网公司电力科学研究院 | 基于风险评估的输变电设备状态检修体系 |
US20140163936A1 (en) * | 2012-12-11 | 2014-06-12 | International Business Machines Corporation | System and method for maintenance planning and failure prediction for equipment subject to periodic failure risk |
CN103164819A (zh) * | 2013-03-29 | 2013-06-19 | 广东电网公司 | 一种电力设备安全检测方法及装置 |
CN112231127A (zh) * | 2020-09-22 | 2021-01-15 | 深圳市裕展精密科技有限公司 | 电子装置及用于分析设备可靠度的方法 |
CN113779496A (zh) * | 2021-09-24 | 2021-12-10 | 广州健新科技有限责任公司 | 一种基于设备全景数据的电力设备状态评估方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN115345523B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242135B (zh) | 一种模型运营方法、装置、及业务服务器 | |
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
KR102531593B1 (ko) | 소비 전력을 예측하기 위한 방법 및 장치, 디바이스 및 판독 가능한 저장 매체 | |
US11650968B2 (en) | Systems and methods for predictive early stopping in neural network training | |
US20120084251A1 (en) | Probabilistic data mining model comparison | |
WO2015166637A1 (ja) | メンテナンス時期決定装置、劣化予測システム、劣化予測方法および記録媒体 | |
JP2019032185A (ja) | センサ制御支援装置、センサ制御支援方法およびコンピュータプログラム | |
CN109583729B (zh) | 用于平台在线模型的数据处理方法和装置 | |
CN113409166A (zh) | 基于XGBoost模型的用户异常用电行为检测方法及装置 | |
CN109410502A (zh) | 火灾预警方法及装置 | |
Battaglia et al. | Multi–regime models for nonlinear nonstationary time series | |
CN116702992A (zh) | 一种发电功率预测方法、装置、电子设备及存储介质 | |
CN115185804A (zh) | 服务器性能预测方法、***、终端及存储介质 | |
Fredette et al. | Finite-horizon prediction of recurrent events, with application to forecasts of warranty claims | |
CN115345523B (zh) | 一种设备风险系数评估方法及相关装置 | |
CN113205230A (zh) | 基于模型集合的数据预测方法、装置、设备及存储介质 | |
CN111861752A (zh) | 一种基于强化学习的趋势交易方法及*** | |
CN116777281A (zh) | 一种基于arima模型的电力设备质量趋势预测方法及装置 | |
CN113919610A (zh) | 低压台区线损预测用arima模型构建方法及评估方法 | |
CN116167646A (zh) | 基于交易算法的评价方法、装置、设备及存储介质 | |
US20090099821A1 (en) | Model-diversity technique for improved proactive fault monitoring | |
CN115473219A (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
JP2023025801A (ja) | 予測装置、予測方法およびプログラム | |
CN111199419A (zh) | 股票异常交易的识别方法及*** | |
CN115481906B (zh) | 一种生产制造产线评估方法、装置、设备及介质 |
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 |