一种基于实时状态的大数据建模的设备动态优化维护方法
【专利摘要】本发明公开了一种基于实时状态的大数据建模的设备动态优化维护方法，包括：S1、采集设备中n个部件对应的n组磨损值；S2、将磨损值表示为设备中n个部件的状态下降曲线；S3、依据状态下降曲线获取每个部件的可靠性参数和概率分布信息；S4、依据可靠性参数和概率分布信息获取设备的最低成本率，并维护设备。如此，通过传感器实时收集设备和供应链中部件损坏的物理状态数据，然后通过大数据分析，对设备的运营、维护和服务型供应链进行动态优化值的计算，用大数据建模和精确进行动态优化的方法，准确分析需求量，合理管理维护频次、时点和库存，并依据实时采集的数据制定最优化的方案维护设备，提高了运营和维护效率，减少了运营和维护费用。
【专利说明】一种基于实时状态的大数据建模的设备动态优化维护方法
【技术领域】
[0001] 本发明涉及设备运营和维护领域，尤其涉及一种基于实时状态的大数据建模的设 备动态优化维护方法。
【背景技术】
[0002] 设备指的是长生命周期的高附加值设备。例如，风力发电机组、太阳能发电设备、 飞机、半导体芯片生产设备、高铁、电网、变电站、油气管线、海洋石油钻井平台、舰船设备、 工业生产设备、道路桥梁设施、核电站、航天设备和交通设施等。此类长生命周期的设备长 期面临维护成本和供应链问题的挑战。比如，对于飞机而言，故障导致的无法飞行是非常昂 贵的，平均每小时损失可达数万美金。此类由于低可靠性导致的无法运转也被通俗的称为 故障停工时间。对于设备而言，在漫长的生命周期里（比如，一架飞机的寿命为20-30年）， 不仅各种服务维护、库存和物流的成本高，且故障停工时间非常昂贵，甚至往往数倍高于购 买设备的价格。如此庞大的维护和物流成本使得设备用户对"如何制定设备运营、维护和供 应链最优化的方案以降低运营成本"产生了极大的关注，因而也成为了工业设计及优化的 一个热门研究领域："服务型供应链优化"。
[0003] 对于设备的运营者和制造者而言，目前的服务型供应链中，服务维护部门和物流 供给部门基本是两个独立的部门，两个部门间的信息系统和沟通渠道也相对独立。服务维 护部门的主要工作是提供有效率的纠错性维修和预防性维护，运用的是基于部件生命周期 的维护模型。物流供给部门主要工作是研究需求信息，然后制定有效率的采购方式，减少配 送费用，减少缺货风险。
[0004] 目前服务型供应链的系统整合有三个主要模块：
[0005] 对于需求量分析而言，现有技术是对需求量和周期数据进行纯统计学数据分析， 例如时间序列类模型（指数平滑，平稳周期分析，ARMA等）和曲线最小二乘法类模型等，来 预测需求和周期。其结果是预测区间往往无法精确描述实际需求，所以对供应链的整合优 化无法提供准确的信息。
[0006] 对于库存管理而言，现有技术是用纯数学方法定义需求分布，基于报童模型和基 准库存策略等类型的算法来优化供应链。其效果往往是因需求分布的误差和牛尾效应造成 过度库存，从而导致资金的占用成本和维护支出的极大浪费。
[0007] 对于预防性维护的优化而言，现有的技术是基于时间的维护模型：用部件的生命 周期的历史数据（如，MTBF平均故障间隔，MTTF预期失效时间等），来推算其生命周期分布， 从而得出可靠性数据和剩余生命周期。通过此类方式得到的维护方案在动态的生产环境中 有非常多的局限。比如说，当生命周期的标准差很高的时候，为了防止机器损坏，预防性维 护的频率会变得非常高。如此的"过度维护"，不仅维护成本上升，且造成生产效率下降。
[0008] 以上三个缺点都是技术方法上的缺点。从系统的角度来看，现在设备的设备运营 者和设备制造者往往不注意整合服务型维护和物流配送。比如说，服务维护人员只注重保 持可靠性和故障维修，而物流配送部门只注重如何有效下单和减少缺货风险。所以导致需 要维护的时候，没有相应部件供给；而不需要维护的时候，仓库里部件却过多库存。
【发明内容】
[0009] 本发明要解决的技术问题在于，针对上述现有技术方法中对设备维护和供应链的 需求量分析不准确、库存管理浪费、预防性维护的效率低的问题，提供了一种基于实时状态 的大数据建模的设备动态优化维护方法。
[0010] 本发明解决其技术问题所采用的方法是：
[0011] 一种基于实时状态的大数据建模的设备动态优化维护方法，包括以下步骤：
[0012] S1、于m个时间点内分别采集设备中η个部件对应的η组磨损值；
[0013] S2、依据所述磨损值表示所述设备中η个部件的状态下降曲线；
[0014] S3、依据所述状态下降曲线获取每个部件的可靠性参数和概率分布信息（参数、 分布方程、概率函数）；
[0015] S4、依据所述每个部件的可靠性参数和概率分布信息获取所述设备的最低成本 率，并依据所述最低成本率维护所述设备。
[0016] 在本发明所述的设备动态优化维护方法中，所述步骤Sl包括以下子步骤：
[0017] S11、设置多个传感器以于m个时间点内分别采集设备中η个部件对应的η组磨损 值xk, P其中k为（0，m]之间的正整数，1为（0, η]之间的正整数；
[0018] S12、依据m个时间点的η组磨损值组成mXn阶矩阵G :
【权利要求】
1. 一种基于实时状态的大数据建模的设备动态优化维护方法，其特征在于，包括以下 步骤： 51、 于m个时间点内分别采集设备中η个部件对应的η组磨损值； 52、 将所述磨损值表示为所述设备中η个部件的状态下降曲线； 53、 依据所述状态下降曲线获取每个部件的可靠性参数和概率分布信息； 54、 依据所述每个部件的可靠性参数和概率分布信息获取所述设备的最低成本率，并 依据所述最低成本率维护所述设备。
2. 根据权利要求1所述的设备动态优化维护方法，其特征在于，所述步骤Sl包括以下 子步骤： 511、 设置多个传感器以于m个时间点内分别采集设备中η个部件对应的η组磨损值xk, i，其中k为（0,m]之间的正整数，1为（0,η]之间的正整数； 512、 依据m个时间点的η组磨损值组成mXn阶矩阵G:
其中，所述η个部件中的任意部件1的磨损值具有关系式： Y(tm) - Σ k=l:mXk, 1°
3. 根据权利要求2所述的设备动态优化维护方法，其特征在于，所述步骤S2包括以下 子步骤： 521、 按照关系方程组表示所述状态下降曲线，所述关系方程组为：
其中，|G|为所组成的mXn阶矩阵G的行列式的值，At为所述m个时间点内任意两个 相邻时间点之间的时间间隔，Ψ为包括一完全伽马函数及一不完全伽马函数的函数； 522、 依据所述关系方程组获得随机过程参数#及f，并计算其值η及γ。
4. 根据权利要求3所述的设备动态优化维护方法，其特征在于，所述步骤S3包括以下 子步骤： 531、 依据所述状态下降曲线定义伽马函数的参数：
532、 获取在任意时间点f的可靠性概率分布·Ρ/Λ.(f):
其中，X。为Y(t= 0)的值。
5. 根据权利要求4所述的设备动态优化维护方法，其特征在于，所述步骤S4包括以下 子步骤： 541、 依据所述每个部件的可靠性参数和概率分布信息获取所述设备的最低成本率 min「Z(C)l:
其中，
P1为预设的突发性维护点上做预防性维护的第一成本，P2为预设的周期性维护点上做 预防性维护的第二成本，P3为预设的纠错性维护的第三成本，λ为预设的突发性维护点的 泊松过程发生率，τ是周期性维护点的预设周期为所述可靠性概率分布中X=C的概率，/^ (·)为所述可靠性概率分布i^(f)中X=D的概率； 542、 依据所述FreG)设置所述部件的预防性维护极限值C，依据所述(·)设置所述部 件的损坏极限值D; 543、 依据所述最低成本率、所述部件的损坏极限值D、以及所述部件的预防性维护极限 值C在所述周期性维护点和/或突发性维护点维护所述设备。
6. 根据权利要求1-5任一项所述的设备动态优化维护方法，其特征在于，该设备动态 优化维护方法还包括： S5、在所述步骤S4之后，获取所维护的设备参数，依据所述设备参数设置供应链的物 流息。
7. 根据权利要求6所述的设备动态优化维护方法，其特征在于，在所述步骤S5中，所述 设备参数包括：设备的库存水平、设备的管道需求、设备的前导时间、设备的需求、设备的存 储成本、设备的下单固定费用、设备的运输费用、以及设备的缺货损失成本。
8. 根据权利要求6所述的设备动态优化维护方法，其特征在于，在所述步骤S5中，所述 物流信息包括：设备的下单频率、设备的下单总量、设备的下单规则、以及设备的库存分配 信息。
9. 根据权利要求6-8任一项所述的设备动态优化维护方法，其特征在于，该设备动态 优化维护方法还包括： 56、 设置云服务器，将所述η组磨损值、所述状态下降曲线、所述可靠性参数和概率分 布信息、所述最低成本率、所述设备参数、以及所述物流信息上传至所述云服务器。
10. 根据权利要求9所述的设备动态优化维护方法，其特征在于，该设备动态优化维护 方法还包括： 57、 设置通讯连接于所述云服务器的客户端，于所述客户端中查询所述η组磨损值、所 述状态下降曲线、所述可靠性参数和概率分布信息、所述最低成本率、所述设备参数、以及 所述物流信息。
【文档编号】G06Q10/06GK104463421SQ201410620842
【公开日】2015年3月25日 申请日期:2014年11月6日 优先权日:2014年11月6日
【发明者】朱秋实 申请人:朱秋实