CN118154152A - 一种基于云服务平台的设备全生命周期管理方法及*** - Google Patents
一种基于云服务平台的设备全生命周期管理方法及*** Download PDFInfo
- Publication number
- CN118154152A CN118154152A CN202410124161.5A CN202410124161A CN118154152A CN 118154152 A CN118154152 A CN 118154152A CN 202410124161 A CN202410124161 A CN 202410124161A CN 118154152 A CN118154152 A CN 118154152A
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- state
- health
- cloud service
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 53
- 230000036541 health Effects 0.000 claims abstract description 73
- 238000012423 maintenance Methods 0.000 claims abstract description 63
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 24
- 230000005856 abnormality Effects 0.000 claims description 9
- 230000002787 reinforcement Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000013209 evaluation strategy Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 230000002035 prolonged effect Effects 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于云服务平台的设备全生命周期管理方法及***,涉及设备全生命周期管理技术领域,包括:设备运行期间进行预设频率采样,将收集到的数据上传到云服务平台;对设备健康进行评估,输出设备健康评分,反映设备当前状态;根据设备健康评分,模型自动调整设备的维护策略;根据设备的维护策略,执行设备管理策略迭代。本发明提供的基于云服务平台的设备全生命周期管理方法在设备可能出现故障前,减少了设备的停机时间和生产损失,实现了真正的智能维护,确保资源被优先分配到关键和易故障的设备,提高整体资源利用率,智能的健康评估和维护策略调整,减少了设备的突发性故障,延长设备的使用寿命,减少企业的设备更换和维修成本。
Description
技术领域
本发明涉及设备全生命周期管理技术领域,具体为一种基于云服务平台的设备全生命周期管理方法及***。
背景技术
随着工业领域设备的复杂性增加,设备的管理和维护变得越来越复杂。传统的设备管理方法主要基于规则或历史数据,对设备进行定期维护和检查,这种方法不仅效率低下,而且可能导致资源浪费,不能针对性地处理特定的设备故障。因此,需要一种新的方法,能够根据实时数据,对设备的健康状态进行实时评估,并及时进行维护和管理。
在传统的工业领域,设备管理主要基于经验或者定期的设备检查,即使采用了一些自动化工具,这些工具多数也是基于历史数据进行预测和管理。这样的做法存在以下问题和不足:
(1)响应延迟:传统的设备管理方法常常在设备出现故障后才开始介入,这导致了大量的生产损失和额外的维护成本。
(2)缺乏精准性:基于经验或历史数据的管理策略难以考虑到所有设备的实时状态和外部环境的变化,可能导致资源的浪费或遗漏某些潜在问题。
(3)维护策略固化:传统方法往往采用固定的维护策略,缺乏针对性和灵活性。
为了更加精确、及时地管理和维护设备,避免设备的突然故障,保证设备的持续、稳定运行,亟需一种基于云服务平台的设备全生命周期管理方法,及时对设备的健康状态进行评估,根据评估结果自动调整设备的维护策略,并实时迭代设备管理策略,从而提高设备的管理和维护效率,减少设备的停机时间。
发明内容
鉴于上述存在的问题,提出了本发明。
因此,本发明解决的技术问题是:现有的设备管理方法存在响应延迟、缺乏精准性和维护策略固化的问题,以及如何实时、准确且灵活地进行设备的健康评估和维护策略制定问题。
为解决上述技术问题,本发明提供如下技术方案:一种基于云服务平台的设备全生命周期管理方法,包括:设备运行期间进行预设频率采样,将收集到的数据上传到云服务平台;对设备健康进行评估,输出设备健康评分,反映设备当前状态;根据设备健康评分,模型自动调整设备的维护策略;根据设备的维护策略,执行设备管理策略迭代。
作为本发明所述的基于云服务平台的设备全生命周期管理方法的一种优选方案,其中:所述预设频率采样包括通过IoT传感器在设备运行期间收集温度、压力、运行速度、振动频率,对收集的数据进行预处理,删除异常值、重复值,并处理缺失数据,将数据进行归一化处理;所述删除异常值表示为,
X′=X||X-mean(X)|≤3×std(X)
其中,X′表示处理后的数据,mean(X)表示数据的均值,std(X)表示数据的标准差;
所述归一化处理表示为,
其中,X″表示归一化后的数据,min(X′)表示数据中的最小值,max(X′)表示数据中的最大值。
作为本发明所述的基于云服务平台的设备全生命周期管理方法的一种优选方案,其中:所述预设频率采样包括使用GNN对设备间的交互关系进行建模,基于设备的历史故障数据确定设备状态;所述确定设备状态包括使用GNN进行设备间关系建模,使用历史故障数据与GNN的输出进行训练,定义设备的关键性评分函数,结合设备的历史故障数据,定义易故障评分函数;
所述定义易故障评价函数表示为,
H(l+1)=σ(AH(l)W(l))
Sk=σ(Wk×H(final)+bk)
Sf=σ(Wf×H(final)+bf)
其中,A表示设备间的邻接矩阵,H(l)表示第1层的隐藏状态,W(l)表示第1层的权重,σ表示ReLU激活函数,Sk表示关键性得分,H(final)表示GNN的最后一层输出,Wk、bk分别表示关键性评分函数的权重和偏置,Sf表示易故障得分,Wf、bf分别表示易故障评分函数的权重和偏置。
作为本发明所述的基于云服务平台的设备全生命周期管理方法的一种优选方案,其中:所述对设备健康进行评估包括结合Sk和Sf,构建多层感知机进行设备健康评估,根据健康评分自动调整设备的维护策略,若Sk大于等于预设阈值,判断为关键设备Sk1,若Sk小于预设阈值,判断为非关键设备Sk2,若Sf大于等于预设阈值,判断为易故障设备Sf1,若Sf小于预设阈值,判断为非易故障设备Sf2,当设备满足Sk1且Sf1时,确定设备状态为S1,当设备满足Sk1且Sf2时,确定设备状态为S2,当设备满足Sk2且Sf1时,确定设备状态为S3,当设备满足Sk2且Sf2时,确定设备状态为S4。
作为本发明所述的基于云服务平台的设备全生命周期管理方法的一种优选方案,其中:所述健康评估包括当设备状态判断为S1时,对收集的设备数据进行归一化处理,删除可能的异常值,切分数据集为训练集和验证集,使用Autoencoder模型对处理后的数据进行特征提取,将归一化后的数据输入Autoencoder,训练Autoencoder至收敛,使用编码器部分获得数据的压缩特征,使用提取的特征数据作为LSTM模型的输入,设置时间步长,预测未来的设备状态,与实际状态进行对比,计算预测准确率,根据验证集的表现优化LSTM模型的参数;当设备状态判断为S2时,合并数据集中设备数据,对齐时间戳,进行缺失值填充,采用ARIMA模型预测设备未来的状态,利用Prophet模型进行时间序列分析,获得长期和短期的设备状态趋势,结合ARIMA和Prophet的结果,进行综合评估;当设备状态判断为S3时,根据设备的特点和历史故障记录,确定关键的评估参数,使用基于规则的算法,对设备状态进行初步评估,采用强化学***均方法得到初步的设备状态估算,结合Kalman滤波优化估算结果,将估算的设备状态与维护记录进行核对,根据对比结果,调整设备的评估策略。
作为本发明所述的基于云服务平台的设备全生命周期管理方法的一种优选方案,其中:所述输出设备健康评分包括对于每个设备状态Si,其中i∈{1,2,3,4},抽取特征向量Xi,表示为,
其中,N表示该状态下的特征数量,Featureij表示状态Si的第j个特征,wij表示第j个特征在状态Si下的权重;
为每个状态都使用强化学习模型更新特征权重,表示为,
Δwij=η·(Hactual-Hpredicted)·Featureij
其中,Δwij表示权重的更新量,η表示学习率,Hactual表示设备的实际健康评分,Hpredicted表示模型预测的健康评分;
设E为外部环境特征向量,对于每个状态Si,评分修正函数表示为,
F(Xi,E)=Xi+βi·E
其中,βi表示外部环境因素在状态Si下的影响权重;
对于每个状态Si,健康评分Hi表示为,
Hi=αi·F(Xi,E)
其中,αi表示正则化参数。
作为本发明所述的基于云服务平台的设备全生命周期管理方法的一种优选方案,其中:输出设备健康评分还包括当健康评分满足第一阈值时,每两周对设备的运行数据进行深度分析,运用机器学习模型,基于预设时间的历史数据,预测未来30天内需要的维护时间,并安排维护,将所述设备置于低优先级的维护队列;当健康评分满足第二阈值时,每小时通过实时监测工具对设备数据进行异常检测,与预设天数内的同一时段数据进行比较,每次设备评级后,根据异常检测的结果,调整维护策略,若设备数据连续三次出现异常,***自动发送预警信息;当健康评分满足第三阈值时,立即进行全面的设备诊断,确定故障源,制定并实施具体的修复计划,在设备修复后的预设时间内,对设备进行健康检查;当健康评分满足第四阈值时设备评级差,立刻停止设备运行,并安排维护团队进行紧急检查,考虑设备的未来发展,替换关键部件。
本发明的另外一个目的是提供一种基于云服务平台的设备全生命周期管理***,其能通过实时的设备数据采集和先进的云计算算法,解决了设备管理的响应延迟、缺乏精准性和维护策略固化的问题。
为解决上述技术问题,本发明提供如下技术方案:一种基于云服务平台的设备全生命周期管理***,包括:数据采集模块、健康评估模块、策略调整模块以及评分优化模块;所述数据采集模块用于通过IoT传感器实时获取设备运行时的关键指标,对数据进行初步的清洗,并将其上传到云服务平台;所述健康评估模块用于基于数据采集模块收集的数据,健康评估模块对设备的健康状况进行评估,输出设备健康评分,反映设备的当前状态;所述策略调整模块用于根据评分自动生成并调整设备的维护策略,对策略进行迭代和优化,适应设备的实际运行状况;所述评分优化模块用于采用强化学习方法对特征权重进行动态调整,结合外部环境因素对健康评分进行修正。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上所述基于云服务平台的设备全生命周期管理方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上所述基于云服务平台的设备全生命周期管理方法的步骤。
本发明的有益效果:本发明提供的基于云服务平台的设备全生命周期管理方法在设备可能出现故障前,提前进行预警和维护策略调整,极大地减少了设备的停机时间和生产损失,不再依赖固定的维护流程,实现了真正的智能维护,确保资源被优先分配到关键和易故障的设备,提高整体资源利用率,节省了维护成本。智能的健康评估和维护策略调整,不仅减少了设备的突发性故障,还能延长设备的使用寿命,减少企业的设备更换和维修成本。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明一个实施例提供的一种基于云服务平台的设备全生命周期管理方法的整体流程图。
图2为本发明第二个实施例提供的一种基于云服务平台的设备全生命周期管理***的整体结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1,为本发明的一个实施例,提供了一种基于云服务平台的设备全生命周期管理方法,包括:
设备运行期间进行预设频率采样,将收集到的数据上传到云服务平台。
对设备健康进行评估,输出设备健康评分,反映设备当前状态。
根据设备健康评分,模型自动调整设备的维护策略。
根据设备的维护策略,执行设备管理策略迭代。
预设频率采样包括通过IoT传感器在设备运行期间收集温度、压力、运行速度、振动频率,对收集的数据进行预处理,删除异常值、重复值,并处理缺失数据,将数据进行归一化处理。
删除异常值表示为:
X′=X||X-mean(X)|≤3×std(X)
其中,X′表示处理后的数据,mean(X)表示数据的均值,std(X)表示数据的标准差。
归一化处理表示为:
其中,X″表示归一化后的数据,min(X′)表示数据中的最小值,max(X′)表示数据中的最大值。
预设频率采样包括使用GNN对设备间的交互关系进行建模,基于设备的历史故障数据确定设备状态。
确定设备状态包括使用GNN进行设备间关系建模,使用历史故障数据与GNN的输出进行训练,定义设备的关键性评分函数,结合设备的历史故障数据,定义易故障评分函数。
定义易故障评价函数表示为:
H(l+1)=σ(AH(l)W(l))
Sk=σ(Wk×H(final)+bk)
Sf=σ(Wf×H(final)+bf)
其中,A表示设备间的邻接矩阵,H(l)表示第1层的隐藏状态,W(l)表示第1层的权重,σ表示ReLU激活函数,Sk表示关键性得分,H(final)表示GNN的最后一层输出,Wk、bk分别表示关键性评分函数的权重和偏置,Sf表示易故障得分,Wf、bf分别表示易故障评分函数的权重和偏置。
对设备健康进行评估包括结合Sk和Sf,构建多层感知机进行设备健康评估,根据健康评分自动调整设备的维护策略,若Sk大于等于预设阈值,判断为关键设备Sk1,若Sk小于预设阈值,判断为非关键设备Sk2,若Sf大于等于预设阈值,判断为易故障设备Sf1,若Sf小于预设阈值,判断为非易故障设备Sf2,当设备满足Sk1且Sf1时,确定设备状态为S1,当设备满足Sk1且Sf2时,确定设备状态为S2,当设备满足Sk2且Sf1时,确定设备状态为S3,当设备满足Sk2且Sf2时,确定设备状态为S4。
健康评估包括当设备状态判断为S1时,对收集的设备数据进行归一化处理,删除可能的异常值,切分数据集为训练集和验证集,使用Autoencoder模型对处理后的数据进行特征提取,将归一化后的数据输入Autoencoder,训练Autoencoder至收敛,使用编码器部分获得数据的压缩特征,使用提取的特征数据作为LSTM模型的输入,设置时间步长,预测未来的设备状态,与实际状态进行对比,计算预测准确率,根据验证集的表现优化LSTM模型的参数。
当设备状态判断为S2时,合并数据集中设备数据,对齐时间戳,进行缺失值填充,采用ARIMA模型预测设备未来的状态,利用Prophet模型进行时间序列分析,获得长期和短期的设备状态趋势,结合ARIMA和Prophet的结果,进行综合评估。
当设备状态判断为S3时,根据设备的特点和历史故障记录,确定关键的评估参数,使用基于规则的算法,对设备状态进行初步评估,采用强化学习对规则进行动态修正,基于修正后的规则再次进行评估,将评估结果与实际故障记录相比较,修正规则。
当设备状态判断为S4时,使用移动平均方法得到初步的设备状态估算,结合Kalman滤波优化估算结果,将估算的设备状态与维护记录进行核对,根据对比结果,调整设备的评估策略。
输出设备健康评分包括对于每个设备状态Si,其中i∈{1,2,3,4},抽取特征向量Xi,表示为:
其中,N表示该状态下的特征数量,Featureij表示状态Si的第j个特征,wij表示第j个特征在状态Si下的权重。
为每个状态都使用强化学习模型更新特征权重,表示为:
Δwij=η·(Hactual-Hpredicted)·Featureij
其中,Δwij表示权重的更新量,η表示学习率,Hactual表示设备的实际健康评分,Hpredicted表示模型预测的健康评分。
设E为外部环境特征向量,对于每个状态Si,评分修正函数表示为,
F(Xi,E)=Xi+βi·E
其中,βi表示外部环境因素在状态Si下的影响权重。
对于每个状态Si,健康评分Hi表示为:
Hi=αi·F(Xi,E)
其中,αi表示正则化参数。
输出设备健康评分还包括当健康评分满足第一阈值时,每两周对设备的运行数据进行深度分析确保数据与过去三个月的平均值相符,运用机器学习模型,基于预设时间的历史数据,预测未来30天内需要的维护时间,并安排维护,将设备置于低优先级的维护队列;
当健康评分满足第二阈值时,每小时通过实时监测工具对设备数据进行异常检测,与预设天数内的同一时段数据进行比较,每次设备评级后,根据异常检测的结果,调整维护策略,若设备数据连续三次出现异常,***自动发送预警信息;
当健康评分满足第三阈值时,立即进行全面的设备诊断,确定故障源,制定并实施具体的修复计划,在设备修复后的预设时间内,对设备进行健康检查;
当健康评分满足第四阈值时设备评级差,立刻停止设备运行,并安排维护团队进行紧急检查,考虑设备的未来发展,替换关键部件。
实施例2
参照图2,为本发明的一个实施例,提供了一种基于云服务平台的设备全生命周期管理***,包括:
数据采集模块、健康评估模块、策略调整模块以及评分优化模块。
数据采集模块用于通过IoT传感器实时获取设备运行时的关键指标,对数据进行初步的清洗,并将其上传到云服务平台。
健康评估模块用于基于数据采集模块收集的数据,健康评估模块对设备的健康状况进行评估,输出设备健康评分,反映设备的当前状态。
策略调整模块用于根据评分自动生成并调整设备的维护策略,对策略进行迭代和优化,适应设备的实际运行状况。
评分优化模块用于采用强化学习方法对特征权重进行动态调整,结合外部环境因素对健康评分进行修正。
实施例3
本发明的一个实施例,其不同于前两个实施例的是:
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器
(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
实施例4
本发明的一个实施例,提供了一种基于云服务平台的设备全生命周期管理方法,为了验证本发明的有益效果,通过经济效益计算和仿真实验进行科学论证。
比较基于云服务平台的设备全生命周期管理方法和传统方法在设备故障预警、维护策略调整、资源分配效果。
选择两组相似的设备,每组10台,第一组采用基于云服务平台的设备全生命周期管理方法,第二组采用传统的设备管理方法,试验期:6个月,采集设备的停机时间、设备维护的次数、设备更换和维修成本,实验结果如表1所示。
表1实验结果对比表
指标 | 传统方法 | 我方发明方法 |
设备停机时间 | 低 | 高 |
维护次数 | 低 | 高 |
成本效益 | 低 | 中 |
设备停机时间中少于5%的运行时间评级为低、5%-10%的运行时间评级为中和超过10%的运行时间时间评级为高。维护次数少于3次评级为低、3-5次评级为中和超过5次评级为高。成本效益节省超过30%的成本评级为低、节省10%-30%的成本评级为中和节省少于10%的成本评级为高。
我方发明方法在所有评级指标上都表现优于传统方法,显示出云服务平台在减少设备停机时间、降低维护频率以及提高成本效益方面的明显优势。验证了云服务平台管理方法对提高设备运行效率和降低成本的有益效果。
通过6个月的对比试验,看出基于云服务平台的设备全生命周期管理方法相较于传统方法有明显优势。平均停机时间明显减少,减少了设备的停机时间和生产损失。设备维护次数明显减少,预警和维护策略调整更加准确和及时。设备更换和维修成本明显降低,设备的使用寿命得到了延长,同时减少了运维的总体支出。
通过对比试验,基于云服务平台的设备全生命周期管理方法在减少设备停机时间、降低维护和更换成本方面均优于传统方法,实现了真正的智能维护。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于云服务平台的设备全生命周期管理方法,其特征在于,包括:
设备运行期间进行预设频率采样,将收集到的数据上传到云服务平台;
对设备健康进行评估,输出设备健康评分,反映设备当前状态;
根据设备健康评分,模型自动调整设备的维护策略;
根据设备的维护策略,执行设备管理策略迭代。
2.如权利要求1所述的基于云服务平台的设备全生命周期管理方法,其特征在于:所述预设频率采样包括通过IoT传感器在设备运行期间收集温度、压力、运行速度、振动频率,对收集的数据进行预处理,删除异常值、重复值,并处理缺失数据,将数据进行归一化处理;
所述删除异常值表示为,
X′=X||X-mean(X)∣≤3×std(X)
其中,X′表示处理后的数据,mean(X)表示数据的均值,std(X)表示数据的标准差;
所述归一化处理表示为,
其中,X″表示归一化后的数据,min(X′)表示数据中的最小值,max(x′)表示数据中的最大值。
3.如权利要求2所述的基于云服务平台的设备全生命周期管理方法,其特征在于:所述预设频率采样包括使用GNN对设备间的交互关系进行建模,基于设备的历史故障数据确定设备状态;
所述确定设备状态包括使用GNN进行设备间关系建模,使用历史故障数据与GNN的输出进行训练,定义设备的关键性评分函数,结合设备的历史故障数据,定义易故障评分函数;
所述定义易故障评价函数表示为,
H(l+1)=σ(AH(l)W(l))
Sk=σ(Wk×H(final)+bk)
Sf=σ(Wf×H(final)+bf)
其中,A表示设备间的邻接矩阵,H(l)表示第1层的隐藏状态,W(l)表示第1层的权重,σ表示ReLU激活函数,Sk表示关键性得分,H(final)表示GNN的最后一层输出,Wk、bk分别表示关键性评分函数的权重和偏置,Sf表示易故障得分,Wf、bf分别表示易故障评分函数的权重和偏置。
4.如权利要求3所述的基于云服务平台的设备全生命周期管理方法,其特征在于:所述对设备健康进行评估包括结合Sk和Sf,构建多层感知机进行设备健康评估,根据健康评分自动调整设备的维护策略,若Sk大于等于预设阈值,判断为关键设备Sk1,若Sk小于预设阈值,判断为非关键设备Sk2,若Sf大于等于预设阈值,判断为易故障设备Sf1,若Sf小于预设阈值,判断为非易故障设备Sf2,当设备满足Sk1且Sf1时,确定设备状态为S1,当设备满足Sk1且Sf2时,确定设备状态为S2,当设备满足Sk2且Sf1时,确定设备状态为S3,当设备满足Sk2且Sf2时,确定设备状态为S4。
5.如权利要求4所述的基于云服务平台的设备全生命周期管理方法,其特征在于:所述健康评估包括当设备状态判断为S1时,对收集的设备数据进行归一化处理,删除可能的异常值,切分数据集为训练集和验证集,使用Autoencoder模型对处理后的数据进行特征提取,将归一化后的数据输入Autoencoder,训练Autoencoder至收敛,使用编码器部分获得数据的压缩特征,使用提取的特征数据作为LSTM模型的输入,设置时间步长,预测未来的设备状态,与实际状态进行对比,计算预测准确率,根据验证集的表现优化LSTM模型的参数;
当设备状态判断为S2时,合并数据集中设备数据,对齐时间戳,进行缺失值填充,采用ARIMA模型预测设备未来的状态,利用Prophet模型进行时间序列分析,获得长期和短期的设备状态趋势,结合ARIMA和Prophet的结果,进行综合评估;
当设备状态判断为S3时,根据设备的特点和历史故障记录,确定关键的评估参数,使用基于规则的算法,对设备状态进行初步评估,采用强化学习对规则进行动态修正,基于修正后的规则再次进行评估,将评估结果与实际故障记录相比较,修正规则;
当设备状态判断为S4时,使用移动平均方法得到初步的设备状态估算,结合Kalman滤波优化估算结果,将估算的设备状态与维护记录进行核对,根据对比结果,调整设备的评估策略。
6.如权利要求5所述的基于云服务平台的设备全生命周期管理方法,其特征在于:所述输出设备健康评分包括对于每个设备状态Si,其中i∈{1,2,3,4},抽取特征向量Xi,表示为,
其中,N表示该状态下的特征数量,Featureij表示状态Si的第j个特征,wij表示第j个特征在状态Si下的权重;
为每个状态都使用强化学习模型更新特征权重,表示为,
Δwij=η·(Hactual-Hpredicted)·Featureij
其中,Δwij表示权重的更新量,η表示学习率,Hactual表示设备的实际健康评分,Hpredicted表示模型预测的健康评分;
设E为外部环境特征向量,对于每个状态Si,评分修正函数表示为,
F(Xi,E)=Xi+βi·E
其中,βi表示外部环境因素在状态Si下的影响权重;
对于每个状态Si,健康评分Hi表示为,
Hi=αi·F(Xi,E)
其中,αi表示正则化参数。
7.如权利要求6所述的基于云服务平台的设备全生命周期管理方法,其特征在于:输出设备健康评分还包括当健康评分满足第一阈值时,每两周对设备的运行数据进行深度分析,运用机器学习模型,基于预设时间的历史数据,预测未来30天内需要的维护时间,并安排维护,将所述设备置于低优先级的维护队列;
当健康评分满足第二阈值时,每小时通过实时监测工具对设备数据进行异常检测,与预设天数内的同一时段数据进行比较,每次设备评级后,根据异常检测的结果,调整维护策略,若设备数据连续三次出现异常,***自动发送预警信息;
当健康评分满足第三阈值时,立即进行全面的设备诊断,确定故障源,制定并实施具体的修复计划,在设备修复后的预设时间内,对设备进行健康检查;
当健康评分满足第四阈值时设备评级差,立刻停止设备运行,并安排维护团队进行紧急检查,考虑设备的未来发展,替换关键部件。
8.一种采用如权利要求1~7任一所述的基于云服务平台的设备全生命周期管理方法的***,其特征在于,包括:数据采集模块、健康评估模块、策略调整模块以及评分优化模块;
所述数据采集模块用于通过IoT传感器实时获取设备运行时的关键指标,对数据进行初步的清洗,并将其上传到云服务平台;
所述健康评估模块用于基于数据采集模块收集的数据,健康评估模块对设备的健康状况进行评估,输出设备健康评分,反映设备的当前状态;
所述策略调整模块用于根据评分自动生成并调整设备的维护策略,对策略进行迭代和优化,适应设备的实际运行状况;
所述评分优化模块用于采用强化学习方法对特征权重进行动态调整,结合外部环境因素对健康评分进行修正。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于云服务平台的设备全生命周期管理方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于云服务平台的设备全生命周期管理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410124161.5A CN118154152A (zh) | 2024-01-29 | 2024-01-29 | 一种基于云服务平台的设备全生命周期管理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410124161.5A CN118154152A (zh) | 2024-01-29 | 2024-01-29 | 一种基于云服务平台的设备全生命周期管理方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118154152A true CN118154152A (zh) | 2024-06-07 |
Family
ID=91296060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410124161.5A Pending CN118154152A (zh) | 2024-01-29 | 2024-01-29 | 一种基于云服务平台的设备全生命周期管理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118154152A (zh) |
-
2024
- 2024-01-29 CN CN202410124161.5A patent/CN118154152A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109947088B (zh) | 基于模型全生命周期管理的设备故障预警*** | |
CN104573845B (zh) | 信息***设备状态检修辅助决策方法 | |
CN112052979B (zh) | 基于故障预测与健康管理的设备备件需求预测*** | |
CN113779496A (zh) | 一种基于设备全景数据的电力设备状态评估方法及*** | |
US20230213895A1 (en) | Method for Predicting Benchmark Value of Unit Equipment Based on XGBoost Algorithm and System thereof | |
CN105096053A (zh) | 一种适用于复杂工艺***的健康管理决策方法 | |
Morato et al. | Inference and dynamic decision-making for deteriorating systems with probabilistic dependencies through Bayesian networks and deep reinforcement learning | |
Cherkaoui et al. | Quantitative assessments of performance and robustness of maintenance policies for stochastically deteriorating production systems | |
CN113570138A (zh) | 一种时间卷积网络的设备剩余使用寿命预测方法及装置 | |
CN114862275B (zh) | 基于数字孪生模型的仓储物流***可靠性评估方法及*** | |
CN111814964A (zh) | 基于空气质量状况预报的空气污染处理方法及存储介质 | |
CN114035468B (zh) | 基于XGBoost算法的风机检修流程预测性监控方法与*** | |
CN111382494A (zh) | 用于检测工业机器的感知数据中的异常的***及方法 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及*** | |
CN115392627A (zh) | 一种配电网的在线风险评估方法及*** | |
CN115562225A (zh) | 工业机器人运维管理方法、装置、计算机设备和存储介质 | |
CN116993306A (zh) | 基于知识图谱的网络协同制造***的构建方法和装置 | |
CN114548494B (zh) | 一种可视化造价数据预测智能分析*** | |
CN115713320A (zh) | 设备的运维策略优化方法、装置、设备及存储介质 | |
CN110781206A (zh) | 一种学习拆回表故障特征规则预测在运电能表是否故障的方法 | |
CN113987027A (zh) | 一种基于故障预测的设备状态确定方法、装置及介质 | |
CN118154152A (zh) | 一种基于云服务平台的设备全生命周期管理方法及*** | |
CN106485526A (zh) | 一种数据挖掘模型的诊断方法和装置 | |
CN112712305B (zh) | 一种飞行器***及其健康评估方法和装置 | |
CN113822441B (zh) | 决策模型训练方法、装置、终端设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |