CN108009692A - 设备维修信息处理方法、装置、计算机设备和存储介质 - Google Patents

设备维修信息处理方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN108009692A
CN108009692A CN201711435823.7A CN201711435823A CN108009692A CN 108009692 A CN108009692 A CN 108009692A CN 201711435823 A CN201711435823 A CN 201711435823A CN 108009692 A CN108009692 A CN 108009692A
Authority
CN
China
Prior art keywords
equipment
fault
model
failure
predicted
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
Application number
CN201711435823.7A
Other languages
English (en)
Inventor
王菊
赵博
史书源
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Neusoft Corp
Original Assignee
Neusoft Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Neusoft Corp filed Critical Neusoft Corp
Priority to CN201711435823.7A priority Critical patent/CN108009692A/zh
Publication of CN108009692A publication Critical patent/CN108009692A/zh
Pending legal-status Critical Current

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
    • G06Q10/04—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
    • G06Q10/20—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)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出一种设备维修信息处理方法、装置、计算机设备和存储介质，其中，方法包括：根据多个设备中每一设备已发生的故障，获取多个设备的模型输入数据，将每一设备的模型输入数据输入预测模型进行训练，并采用训练后的预测模型预测得到每一设备将来观测时间段内的预测故障频率和预测维修费用，根据每一设备的预测故障频率和预测维修费用，确定每一设备的总费用数据。通过预测模型，对每一设备未来观测时间段内的故障频率和维修费用进行预测，从而确定每一设备的总维修费用，解决了现有技术中，通过人的经验或简单算法预测设备的故障频率和维修费用，导致预测不准确的问题。

Description

设备维修信息处理方法、装置、计算机设备和存储介质
技术领域
本发明涉及信息处理技术领域，尤其涉及一种设备维修信息处理方法、装置、计算机设备和存储介质。
背景技术
大型机房、工厂以及一些基础设施等，都不可避免的发生设备故障与维修。设备随着使用年限增长，故障率会有一定变化，同时会发生一些维修费用，公司还需要对未来一段时间的维修支出做估计，或者估计设备是否需要更换新设备，从而进行上报或财务审计等。
相关技术中，普遍采用的是常规的设备维修费用估算方法，即通过简单公式或人的经验，根据以往设备的损坏频率以及费用等，对设备未来需要的维修费用进行估计。但是该方法估算维修费用过于粗糙，没有考虑到设备本身的故障率随生命周期的变化情况。因此，维修费用估计不够准确。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的第一个目的在于提出一种设备维修信息处理方法，以实现通过SMC或NBD的预测模型，并将预测模型中设备故障的间隔时长设置为服从故障率λ的威布尔分布，对每一设备未来观测时间段内的故障频率和维修费用进行预测，提高了模型预测的准确性，解决了现有技术中，通过人的经验或简单算法预测设备的故障频率和维修费用，导致预测不准确的问题。
本发明的第二个目的在于提出一种设备维修信息处理装置。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种非临时性计算机可读存储介质。
本发明的第五个目的在于提出一种计算机程序产品。
为达上述目的，本发明第一方面实施例提出了一种设备维修信息处理方法，包括：
根据多个设备中每一设备已发生的故障，获取多个设备的模型输入数据，所述每一设备的模型输入数据包括：所述设备存在故障情况的周期总数、发生首次故障的周期距离统计时刻之间的周期数、发生首次故障的周期距离末次故障的周期之间的周期数，以及设备故障的平均维修费用数据；其中，所述周期，是对统计时刻之前的统计时段划分得到的；
将每一设备的模型输入数据输入预测模型进行训练，并采用训练后的预测模型预测得到每一设备将来观测时间段内的预测故障频率和预测维修费用；其中，所述预测模型为滑模控制SMC模型或负二项分布NBD模型；
根据每一设备的预测故障频率和所述预测维修费用，确定每一设备的总费用数据。
本发明实施例的设备维修信息处理方法中，根据多个设备中每一设备已发生的故障，获取多个设备的模型输入数据，将每一设备的模型输入数据输入预测模型进行训练，并采用训练后的预测模型预测得到每一设备将来观测时间段内的预测故障频率和预测维修费用，根据每一设备的预测故障频率和预测维修费用，确定每一设备的总费用数据。通过SMC或NBD预测模型，对每一设备未来观测时间段内的故障频率和维修费用进行预测，从而确定每一设备的总维修费用，解决了现有技术中，通过人的经验或简单算法预测设备的故障频率和维修费用，导致预测不准确的问题。
为达上述目的，本发明第二方面实施例提出了一种设备维修信息处理装置，包括：
参数获取模块，用于根据多个设备中每一设备已发生的故障，获取多个设备的模型输入参数，所述每一设备的模型参数包括：所述设备存在故障情况的周期总数、发生首次故障的周期距离统计时刻之间的周期数、发生首次故障的周期距离末次故障的周期之间的周期数，以及设备故障的平均维修费用数据；其中，所述周期，是对统计时刻之前的统计时段划分得到的；
预测模块，每一设备的模型输入数据输入预测模型进行训练，并采用训练后的预测模型预测得到每一设备将来观测时间段内的预测故障频率和预测维修费用；其中，所述预测模型为滑模控制SMC模型或负二项分布NBD模型；
确定模块，用于根据每一设备的预测故障频率和所述预测维修费用，确定每一设备的总费用数据；
本发明实施例的设备维修信息处理装置中，参数获取模块根据多个设备中每一设备已发生的故障，获取多个设备的模型输入数据，预测模块用于将每一设备的模型输入数据输入预测模型进行训练，并采用训练后的预测模型预测得到每一设备将来观测时间段内的预测故障频率和预测维修费用，确定模块用于根据每一设备的预测故障频率和预测维修费用，确定每一设备的总费用数据。通过SMC或NBD预测模型，对每一设备未来观测时间段内的故障频率和维修费用进行预测，从而确定每一设备的总维修费用，解决了现有技术中，通过人的经验或简单算法预测设备的故障频率和维修费用，导致预测不准确的问题。
为达上述目的，本发明第三方面实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如第一方面所述的设备维修信息处理方法。
为了实现上述目的，本发明第四方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，所述处理器执行所述程序时，实现如第一方面所述的设备维修信息处理方法。
为了实现上述目的，本发明第五方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令由处理器执行时，实现如第一方面所述的设备维修信息处理方法。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例所提供的一种设备维修信息处理方法的流程示意图；
图2为本发明实施例所提供的另一种设备维修信息处理方法的流程示意图；
图3为本发明实施例提供的一种设备维修信息处理装置的结构示意图；
图4为本发明实施例所提供的另一种设备维修信息处理装置的结构示意图；以及
图5示出了适于用来实现本申请实施方式的示例性计算机设备的框图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的设备维修信息处理方法、装置、计算机设备和存储介质。
图1为本发明实施例所提供的一种设备维修信息处理方法的流程示意图。
如图1所示，该方法包括：
步骤101，根据多个设备中每一设备已发生的故障，获取多个设备的模型输入数据。
其中，设备在运行时，会将设备的运行状态记录在设备记录中，每一条设备记录对应一台设备在某一个时段内的运行状态，如运行状态可以包括正常、故障和停机保养。
为了清楚说明设备记录的形式，下面将以一个设备为例，列举几条设备记录，见表1，表1中列出了在不同日期和时刻，设备的运行状态，以及发送故障维修所产生的费用，需要说明的是，设备记录的形式仅作为示意性描述不构成对本实施例的限制。
表1设备记录
通过表1中的设备记录，即可根据统计时段，得到设备的故障数据，从而确定模型的输入数据。
具体地，获取多个设备中每一个设备已经发生的故障的数据，确定统计时刻，和统计时刻之前的统计时段，并将该统计时段划分为相等的多个周期。这里周期的长短与多个设备已经发生的故障的频率相关，已经发生的故障的频率较高，则周期划分越短，故障频率越低，则周期划分越长。
以该统计时刻的周期为基准，获取每一设备在该统计时段的周期中相关的故障数据，作为模型输入的数据，其中，每一个设备对应的模型输入数据包括：设备存在故障情况的周期总数、发生首次故障的周期距离统计时刻之间的周期数、发生首次故障的周期距离末次故障的周期之间的周期数，以及设备故障的平均维修费用数据。
需要说明的是，针对每一设备，上述设备存在故障情况的周期总数，即在统计时段内该设备存在故障的总次数。发生首次故障的周期距离统计时刻之间的周期数，即该设备发生首次故障到统计时段截止时的时间间隔。发生首次故障的周期距离末次故障的周期之间的周期数，即该设备发生首次故障到发生末次故障之间的时间间隔。
步骤102，将每一设备的模型输入数据输入预测模型进行训练，并采用训练后的预测模型预测得到每一设备将来观测时间段内的预测故障频率和预测维修费用。
具体地，在利用预测模型进行预测之前，需要根据预先获取的设备的历史模型输入数据，对预测模型进行训练，得到训练后的预测模型。采用训练后的预测模型，将每一设备历史的模型输入数据输入训练后的预测模型，得到每一设备将来观测时间段内的预测故障频率。预测维修费用具体可以是对应设备已发生故障的平均维修费用数据。
其中，预测模型为滑模控制SMC模型或负二项分布(NEGATIVE BINOMIALDISTRIBUTION，NBD)模型，对于设备随机发生的故障该预测模型预测较为准确。其中，NBD模型为SMC模型的优化模型，本实施例和以下实施例中均以NBD模型为例进行举例说明，对于该模型的具体构建方法以下实施例中会进一步详细解释。
步骤103，根据每一设备的预测故障频率和所述预测维修费用，确定每一设备的总费用数据。
具体地，根据预测模型，输入每一设备的模型输入数据，预测得到的未来一段时间内每一设备的预测故障频率和预测维修费用，求和计算得到每一设备的总费用数据。
在求解每一设备的总费用数据时，可以查询该设备的预计使用时长，其中，预计使用时长可以对已报废设备的使用时长取平均值得到，进而从预计使用年限中减去所预测设备的已使用年限，得到可用时长。
根据以下公式：总费用数据＝预测故障频率*可用时长*预测维修费用，可以计算得到每一设备的总费用数据。
本发明实施例的设备维修信息处理方法中，根据多个设备中每一设备已发生的故障，获取多个设备的模型输入数据，将每一设备的模型输入数据输入预测模型进行训练，并采用训练后的预测模型预测得到每一设备将来观测时间段内的预测故障频率和预测维修费用，根据每一设备的预测故障频率和预测维修费用，确定每一设备的总费用数据。通过SMC或NBD预测模型，对每一设备未来观测时间段内的故障频率和维修费用进行预测，从而确定每一设备的总维修费用，解决了现有技术中，通过人的经验或简单算法预测设备的故障频率和维修费用，导致预测不准确的问题。
在上一实施例的基础上，本发明还提出了一种设备维修信息处理方法的可能的实现方式，进一步清楚的解释了NBD预测模型的构建策略，图2为本发明实施例所提供的另一种设备维修信息处理方法的流程示意图，如图2所示，该方法包括以下步骤：
步骤201，根据构建策略构建预测模型。
其中，NBD模型包括B几何二项式分布BG-NBD模型，BG-NBD模型是一种概率分布模型，本实施例中采用的模型即为BG-NBD模型，该模型可根据构建策略进行构建，具体地，模型构建策略包括：设备故障的间隔时长服从故障率λ的威布尔分布；故障率λ的非均匀性的概率密度函数服从Γ分布；设备第j次故障后报废的概率P，服从几何分布；设备单次故障后报废的概率p的非均匀性的概率密度函数服从Β分布，即Beta分布。以下，对各构建策略进一步说明。
具体地，预测模型中，设备故障的间隔时长是通过失效时间函数,及其危险率函数来预测的，其中，失效时间函数是通过故障率λ的威布尔分布构建的失效时间函数来表示，失效时间函数用于指示在观测时间段内预测设备故障时间间隔为Δt的概率，其危险率函数为时间t的函数，危险率函数用于指示在将来观测时间段内的t时刻设备出现故障的概率。而威布尔分布构建的失效时间函数即为故障率λ的威布尔失效概率密度函数，因而，该模型的失效时间函数可表示为：通过推导得到其危险率函数为：其中，Δt为在观测时间段内预测的故障时间间隔；k为正数，是根据当前所预测设备所处的使用寿命阶段确定的。通过将威布尔分布作为模型的失效时间函数，是因为其危险率函数为时间t的函数，不是恒定不变的常数，可以用于预测设备不同时间段的故障率，同时提高了预测的准确度。
其中，K和λ是威布尔失效时间函数的2个参数，其中，故障率λ的取值不同时，所得到的威布尔失效时间函数曲线的宽度和高度不同，即预测设备故障时间间隔Δt对应的值不同，而危险率函数的形状也同样由K与λ决定。对于确定K的取值，是根据当前所预测设备所处的使用寿命阶段确定的，由于k值能够解算出故障率，因此，这种设置方式符合故障率的实际变化，从而，K的取值可按照如下规则确定：若设备处于寿命阶段的初期，K<1，即设备寿命阶段的初期，由于试运转，故障率较高，随着时间推移，故障率逐渐降低并趋于稳定；若设备处于寿命阶段的中期，K＝1，为设备稳定使用阶段，偶发故障较多，故障率为一常量，不可预测；若设备处于寿命阶段的末期，K>1，设备属于老化阶段，故障率随时间增加。根据获取到的设备过去一段时间的故障率和对应的故障时间间隔，代入威尔布分布函数的公式中，通过计算可确定模型中威尔布分布函数的参数，从而确定预测模型中危险率函数的参数。
故障率λ的非均匀性的概率密度函数
设备第j次故障后报废的概率P＝p(1-p)j-1，其中，p为单次故障后报废的概率，而设备单次故障后报废的概率p的非均匀性的概率密度函数B(a,b)是beta函数，可用伽玛函数(gamma)表示为：
其中，a，b，r和α为预测模型的参数，是根据模型输入数据进行模型训练得到的。后续步骤203中将对计算a，b，r和α的过程进行详细描述，此处不再赘述。
根据上述的模型的构建策略，可构建得到预测模型，该预测模型可输出每一个设备的预测故障频率和预测维修费用。
步骤202，根据多个设备中每一设备已发生的故障，获取多个设备的模型输入数据。
具体地，根据多个设备中每一设备已发生的故障，获取历史统计时段对应的模型输入数据。输入数据包括：所述设备存在故障情况的周期总数、发生首次故障的周期距离统计时刻之间的周期数、发生末次故障的周期，以及设备故障的平均维修费用数据。
步骤203，将每一设备的模型输入数据输入预测模型进行训练，并采用训练后的预测模型预测得到每一设备将来观测时间段内的预测故障频率和预测维修费用。
具体地，将每一设备的模型输入数据输入预测模型，可确定模型的参数a，b，r和α。作为一种可能的实现方式，通过最大似然法估计预测模型的参数，最大似然法公式为：L(r,α,a,b|X＝x,tx,T)＝A1·A2·(A3+δx＞0A4)，其中， 其中，X代表模型的3个输入数据，分别为设备存在故障情况的周期总数、tX为设备发生末次故障对应的时刻和T为发生首次故障的周期距离统计时刻之间的周期数。
在已知设备的模型输入数据后，将输入数据代入A1、A2、A3和A4的对数：
A1的对数＝ln[Γ(r+x)]-ln[Γ(r)]+r ln(α)；
A2的对数＝ln[Γ(a+b)]+ln[Γ(b+x)]-ln[Γ(b)]-ln[Γ(a+b+x)]；
A3的对数＝-(r+x)ln(α+T)；
A4的对数＝ln(A1)-ln(A2)+ln(exp(ln(A3))+δx＞0A4)。
上述四式联立，通过最大似然法公式即可求出预测模型的a，b，r和α四个参数。
进而，将a，b，r和α四个参数代入预测模型的各函数，包括：
1)，将r和α代入故障率λ的非均匀性的概率密度函数从而得到故障率λ的概率密度分布，进而在预测模型的失效时间函数为
的情况下，将故障率λ作为已知量，并结合设备的所处的寿命阶段确定K的取值，将k也作为已知量，代入f(Δt；λ，k)，得到设备在观测时间段内预测的故障时间间隔Δt的概率。
2)，将a和b代入到设备单次故障后报废的概率p的非均匀性的概率密度函数从而可以确定设备第j次故障后报废的概率P＝p(1-p)j-1。
最后，在计算出设备在观测时间段内预测的故障时间间隔Δt、设备各次故障后报废的概率之后，还可以将该设备已发生故障的平均维修费用作为预测维修费用，从而得到设备预测的故障时间间隔Δt和预测维修费用，其中设备预测的故障时间间隔就可对应得到设备在观测时间段内的预测故障频率。
步骤204，根据每一设备的预测故障频率和预测维修费用，确定每一设备的总费用数据。
可选地，在计算出设备在观测时间段内预测的故障时间间隔Δt、设备各次故障后报废的概率之后，可以确定故障后报废的概率不高于阈值时，设备的最大设备维修次数，将这个维修次数乘以故障时间间隔Δt得到设备的可用时长。根据该设备已发生故障的平均维修费用，乘以该设备在可用时长内发生故障的次数，得到预测维修费用。
需要说明的是，若各次故障后报废的概率高于阈值，则设备为需要报废，可直接对设备做报废处理，不进行维修。
步骤205，根据每一设备的总费用数据，确定是否更换设备，或生成设备记录。
具体地，根据计算得到的每一设备的预测总费用数据，确定是否需要更换新设备，或生成设备记录，作为一种可能的实现方式，可根据当前每一设备的预测总费用数据，和该设备的折旧数据对比，若预测总费用数据大于设备的折旧数据，则更换该设备，否则生成该设备的设备记录，即该设备未来需要的预测维修费用记录，以方便公司进行未来设备维修的财务预算。
本发明实施例的设备维修信息处理方法中，根据多个设备中每一设备已发生的故障，获取多个设备的模型输入数据，将每一设备的模型输入数据输入预测模型进行训练，并采用训练后的预测模型预测得到每一设备将来观测时间段内的预测故障频率和预测维修费用，根据每一设备的预测故障频率和预测维修费用，确定每一设备的总费用数据，根据每一设备的总费用数据，确定是否更换设备，或生成设备记录。通过SMC或NBD的预测模型，并将预测模型中设备故障的间隔时长设置为服从故障率λ的威布尔分布，使得用于指示设备故障率的危险率函数为时间t的函数，不是恒定不变的常数，可以用于对每一设备未来观测时间段内的故障频率和维修费用进行预测，提高了模型预测的准确性，解决了现有技术中，通过人的经验或简单算法预测设备的故障频率和维修费用，导致预测不准确的问题。
为了实现上述实施例，本发明还提出一种设备维修信息处理装置。
图3为本发明实施例提供的一种设备维修信息处理装置的结构示意图。
如图3所示，该装置包括参数获取模块31、预测模块33和确定模块35。
参数获取模块31，用于根据多个设备中每一设备已发生的故障，获取多个设备的模型输入参数，其中，每一设备的模型参数包括：设备存在故障情况的周期总数、发生首次故障的周期距离统计时刻之间的周期数、发生首次故障的周期距离末次故障的周期之间的周期数，以及设备故障的平均维修费用数据，其中，周期，是对统计时刻之前的统计时段划分得到的。
预测模块33，每一设备的模型输入数据输入预测模型进行训练，并采用训练后的预测模型预测得到每一设备将来观测时间段内的预测故障频率和预测维修费用，其中，预测模型为滑模控制SMC模型或负二项分布NBD模型。
确定模块35，用于根据每一设备的预测故障频率和预测维修费用，确定每一设备的总费用数据。
需要说明的是，前述对方法实施例的解释说明也适用于该实施例的装置，此处不再赘述。
本发明实施例的设备维修信息处理装置中，参数获取模块根据多个设备中每一设备已发生的故障，获取多个设备的模型输入数据，预测模块用于将每一设备的模型输入数据输入预测模型进行训练，并采用训练后的预测模型预测得到每一设备将来观测时间段内的预测故障频率和预测维修费用，确定模块用于根据每一设备的预测故障频率和预测维修费用，确定每一设备的总费用数据。通过预测模型，对每一设备未来观测时间段内的故障频率和维修费用进行预测，从而确定每一设备的总维修费用，解决了现有技术中，通过人的经验或简单算法预测设备的故障频率和维修费用，导致预测不准确的问题。
基于上述实施例，本发明还提出了一种设备维修信息处理装置的可能的实现方式，图4为本发明实施例所提供的另一种设备维修信息处理装置的结构示意图，如图4所示，该装置还可以包括：处理模块37。
处理模块37，用于根据每一设备的总费用数据，确定是否更换设备，或生成设备记录。
作为一种可能的实现方式，预测模块33中的预测模型为NBD模型，NBC模型包括Β几何二项式分布BG-NBD模型。该模型是根据构建策略构建的，其中，构建策略包括：
设备故障的间隔时长服从故障率λ的威布尔分布；
故障率λ的非均匀性的概率密度函数服从Γ分布；
设备第j次故障后报废的概率P，服从几何分布；
设备单次故障后报废的概率p的非均匀性的概率密度函数服从Β分布。
预测模型包括：根据设备故障的间隔时长服从故障率λ的威布尔分布构建的失效时间函数，危险率函数。
其中，预测模型的失效时间函数为
预测模型的危险率函数为
其中，Δt在观测时间段内预测的故障时间间隔，失效时间函数用于指示预测设备故障时间间隔为Δt的概率，危险率函数用于指示在将来观测时间段内的t时刻设备出现故障的概率；k为正数，是根据当前所预测设备所处的使用寿命阶段确定的。
作为一种可能的实现方式，K的确定方式为：若设备处于寿命阶段的初期，K<1；若设备处于寿命阶段的中期，K＝1；若设备处于寿命阶段的末期，K>1。
预测模型还可以包括：故障率λ的非均匀性的概率密度函数
设备第j次故障后报废的概率P＝p(1-p)j-1，其中，p为单次故障后报废的概率；
设备单次故障后报废的概率p的非均匀性的概率密度函数
其中，a，b，r和α为预测模型的参数，是根据模型输入数据进行模型训练得到的。
需要说明的是，前述对方法实施例的解释说明也适用于该实施例的装置，此处不再赘述。
本发明实施例的设备维修信息处理装置中，参数获取模块根据多个设备中每一设备已发生的故障，获取多个设备的模型输入数据，预测模块用于将每一设备的模型输入数据输入预测模型进行训练，并采用训练后的预测模型预测得到每一设备将来观测时间段内的预测故障频率和预测维修费用，确定模块用于根据每一设备的预测故障频率和预测维修费用，确定每一设备的总费用数据。通过预测模型，对每一设备未来观测时间段内的故障频率和维修费用进行预测，从而确定每一设备的总维修费用，解决了现有技术中，通过人的经验或简单算法预测设备的故障频率和维修费用，导致预测不准确的问题。
为了实现上述实施例，本发明实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如前述方法实施例所述的设备维修信息处理方法。
为了实现上述实施例，本发明实施例还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，所述处理器执行所述程序时，实现如前述方法实施例所述的设备维修信息处理方法。
为了实现上述实施例，本发明实施例还提出了一种计算机程序产品，当所述计算机程序产品中的指令由处理器执行时，实现如前述方法实施例所述的设备维修信息处理方法。
图5示出了适于用来实现本申请实施方式的示例性计算机设备的框图。图5显示的计算机设备12仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture；以下简称：ISA)总线，微通道体系结构(Micro Channel Architecture；以下简称：MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation；以下简称：VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection；以下简称：PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory；以下简称：RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(Compact Disc Read OnlyMemory；以下简称：CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory；以下简称：DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network；以下简称：LAN)，广域网(Wide Area Network；以下简称：WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现前述实施例中提及的方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
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，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、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系统、装置或设备或结合这些指令执行系统、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系统执行的软件或固件来实现。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。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种设备维修信息处理方法，其特征在于，包括以下步骤：
根据多个设备中每一设备已发生的故障，获取多个设备的模型输入数据，所述每一设备的模型输入数据包括：所述设备存在故障情况的周期总数、发生首次故障的周期距离统计时刻之间的周期数、发生首次故障的周期距离末次故障的周期之间的周期数，以及设备故障的平均维修费用数据；其中，所述周期，是对统计时刻之前的统计时段划分得到的；
将每一设备的模型输入数据输入预测模型进行训练，并采用训练后的预测模型预测得到每一设备将来观测时间段内的预测故障频率和预测维修费用；其中，所述预测模型为滑模控制SMC模型或负二项分布NBD模型；
根据每一设备的预测故障频率和所述预测维修费用，确定每一设备的总费用数据。
2.根据权利要求1所述的设备维修信息处理方法，其特征在于，所述预测模型为NBD模型；
所述预测模型是根据构建策略构建的；
其中，所述构建策略包括：
所述设备故障的间隔时长服从故障率λ的威布尔分布；
故障率λ的非均匀性的概率密度函数服从Γ分布；
设备第j次故障后报废的概率P，服从几何分布；
设备单次故障后报废的概率p的非均匀性的概率密度函数服从Β分布。
3.根据权利要求2所述的设备维修信息处理方法，其特征在于，所述预测模型包括根据所述设备故障的间隔时长服从故障率λ的威布尔分布构建的失效时间函数，所述预测模型还包括危险率函数；
所述预测模型的失效时间函数为
<mrow> <mi>f</mi> <mrow> <mo>(</mo> <mi>&amp;Delta;</mi> <mi>t</mi> <mo>;</mo> <mi>&amp;lambda;</mi> <mo>,</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mfrac> <mi>k</mi> <mi>&amp;lambda;</mi> </mfrac> <msup> <mrow> <mo>(</mo> <mfrac> <mrow> <mi>&amp;Delta;</mi> <mi>t</mi> </mrow> <mi>&amp;lambda;</mi> </mfrac> <mo>)</mo> </mrow> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msup> <msup> <mi>e</mi> <mrow> <mo>-</mo> <msup> <mrow> <mo>(</mo> <mi>&amp;Delta;</mi> <mi>t</mi> <mo>/</mo> <mi>&amp;lambda;</mi> <mo>)</mo> </mrow> <mi>k</mi> </msup> </mrow> </msup> </mrow> </mtd> <mtd> <mrow> <mo>(</mo> <mi>&amp;Delta;</mi> <mi>t</mi> <mo>&amp;GreaterEqual;</mo> <mn>0</mn> <mo>)</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <mo>(</mo> <mi>&amp;Delta;</mi> <mi>t</mi> <mo>&lt;</mo> <mn>0</mn> <mo>)</mo> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>;</mo> </mrow>
所述预测模型的危险率函数为
<mrow> <mi>h</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>;</mo> <mi>k</mi> <mo>,</mo> <mi>&amp;lambda;</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mi>k</mi> <mi>&amp;lambda;</mi> </mfrac> <msup> <mrow> <mo>(</mo> <mfrac> <mi>t</mi> <mi>&amp;lambda;</mi> </mfrac> <mo>)</mo> </mrow> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mo>;</mo> </mrow>
其中，Δt为所述设备在观测时间段内预测的故障时间间隔，所述失效时间函数用于指示预测设备故障间隔为Δt的概率，所述危险率函数用于指示在将来观测时间段内的t时刻设备出现故障的概率；k为正数，是根据当前所预测设备所处的使用寿命阶段确定的。
4.根据权利要求3所述的设备维修信息处理方法，其特征在于，
若设备处于寿命阶段的初期，K<1；
若设备处于寿命阶段的中期，K＝1；
若设备处于寿命阶段的末期，K>1。
5.根据权利要求2所述的设备维修信息处理方法，其特征在于，所述预测模型包括：
故障率λ的非均匀性的概率密度函数
设备第j次故障后报废的概率P＝p(1-p)j-1，其中，p为单次故障后报废的概率；其中，设备单次故障后报废的概率p的非均匀性的概率密度函数
其中，a，b，r和α为所述预测模型的参数，是根据模型输入数据进行模型训练得到的。
6.根据权利要求1-5任一项所述设备维修信息处理方法，其特征在于，所述根据每一设备的预测故障频率和所述预测维修费用，确定每一设备的总费用数据之后，还包括：
根据每一设备的总费用数据，确定是否更换设备，或生成设备记录。
7.一种设备维修信息处理装置，其特征在于，包括：
参数获取模块，用于根据多个设备中每一设备已发生的故障，获取多个设备的模型输入参数，所述每一设备的模型参数包括：所述设备存在故障情况的周期总数、发生首次故障的周期距离统计时刻之间的周期数、发生首次故障的周期距离末次故障的周期之间的周期数，以及设备故障的平均维修费用数据；其中，所述周期，是对统计时刻之前的统计时段划分得到的；
预测模块，每一设备的模型输入数据输入预测模型进行训练，并采用训练后的预测模型预测得到每一设备将来观测时间段内的预测故障频率和预测维修费用；其中，所述预测模型为滑模控制SMC模型或负二项分布NBD模型；
确定模块，用于根据每一设备的预测故障频率和所述预测维修费用，确定每一设备的总费用数据。
8.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如权利要求1-6中任一所述的设备维修信息处理方法。
9.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的设备维修信息处理方法。
10.一种计算机程序产品，其特征在于，当所述计算机程序产品中的指令由处理器执行时，执行如权利要求1-6中任一所述的设备维修信息处理方法。
CN201711435823.7A 2017-12-26 2017-12-26 设备维修信息处理方法、装置、计算机设备和存储介质 Pending CN108009692A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711435823.7A CN108009692A (zh) 2017-12-26 2017-12-26 设备维修信息处理方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711435823.7A CN108009692A (zh) 2017-12-26 2017-12-26 设备维修信息处理方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN108009692A true CN108009692A (zh) 2018-05-08

Family

ID=62061425

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711435823.7A Pending CN108009692A (zh) 2017-12-26 2017-12-26 设备维修信息处理方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN108009692A (zh)

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109334467A (zh) * 2018-11-08 2019-02-15 湖南根轨迹智能科技有限公司 基于dsp的磁悬浮列车悬浮控制系统及其控制方法
CN109635962A (zh) * 2018-12-17 2019-04-16 广州甘来信息科技有限公司 基于自贩机的检修时间预测方法、装置、设备及存储介质
CN109635961A (zh) * 2018-12-17 2019-04-16 广州甘来信息科技有限公司 基于自贩机的运维调度方法、装置、设备及存储介质
CN109905271A (zh) * 2018-05-18 2019-06-18 华为技术有限公司 一种预测方法、训练方法、装置及计算机存储介质
CN110334871A (zh) * 2019-07-09 2019-10-15 北京首汽智行科技有限公司 一种车辆配件使用周期预测及维修方法
CN110482815A (zh) * 2019-07-23 2019-11-22 湖南九层台环境科技有限公司 一种农村村落化粪池处理运维费用粗放管理系统
CN110647354A (zh) * 2019-09-30 2020-01-03 东软医疗系统股份有限公司 设备运行控制方法、装置及设备
CN110689317A (zh) * 2019-09-20 2020-01-14 浙江盾安轨道交通设备有限公司 智能检修方法、装置、计算机设备和存储介质
CN110991945A (zh) * 2018-09-30 2020-04-10 北京国双科技有限公司 设备备件的信息处理方法及装置、存储介质和处理器
CN111259737A (zh) * 2020-01-08 2020-06-09 科大讯飞股份有限公司 车辆方向盘故障的预测方法、装置、电子设备及存储介质
CN112396250A (zh) * 2020-11-30 2021-02-23 中船动力研究院有限公司 一种柴油机故障预测方法、装置、设备及存储介质
CN112541597A (zh) * 2019-09-04 2021-03-23 上海杰之能软件科技有限公司 多设备维修方法及装置、存储介质、终端
CN112668746A (zh) * 2019-10-15 2021-04-16 深圳怡化电脑股份有限公司 一种备用模块需求预测方法、装置、存储介质及设备
CN112668728A (zh) * 2019-10-15 2021-04-16 深圳怡化电脑股份有限公司 设备模块配置方法、装置、计算机设备及存储介质
CN112668730A (zh) * 2019-10-15 2021-04-16 深圳怡化电脑股份有限公司 自助设备模块的更换方法、装置、计算机设备和存储介质
CN112947364A (zh) * 2021-01-29 2021-06-11 上海工程技术大学 一种基于大数据预警配电站设备故障的系统及方法
CN113065679A (zh) * 2019-12-27 2021-07-02 北京国双科技有限公司 设备维修性能监测方法及装置
CN113705896A (zh) * 2021-08-30 2021-11-26 中国工商银行股份有限公司 目标设备的确定方法、装置及电子设备
CN114120598A (zh) * 2021-12-01 2022-03-01 北京磁浮有限公司 轨道交通供电预警方法、装置、计算机设备以及存储介质
CN114154728A (zh) * 2021-12-08 2022-03-08 广东电网有限责任公司 一种故障预测方法、装置、电子设备及存储介质
CN114692487A (zh) * 2022-03-11 2022-07-01 中国电子科技集团公司第二十九研究所 电子装备维修备件预投方法、装置、设备及存储介质
CN114841473A (zh) * 2022-07-01 2022-08-02 北京航空航天大学 一种基于航空发动机性能的大修费用预测方法及系统
CN114967571A (zh) * 2022-07-28 2022-08-30 山东汇能电气有限公司 基于互联网的充气柜远程监控系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102103715A (zh) * 2010-11-18 2011-06-22 上海海事大学 基于负二项回归的水上交通事故调查分析和预测方法
JP2011232950A (ja) * 2010-04-27 2011-11-17 Hitachi East Japan Solutions Ltd 需要予測装置、需要予測方法、及び需要予測プログラム
CN102623910A (zh) * 2012-04-27 2012-08-01 重庆大学 一种基于可靠性的开关设备维修决策方法
CN102968556A (zh) * 2012-11-08 2013-03-13 重庆大学 一种基于概率分布的配网可靠性判断方法
US20150073728A1 (en) * 2011-11-08 2015-03-12 Joseph Karbarz Predicted condition state and remaining service life of a managed asset
CN106125714A (zh) * 2016-06-20 2016-11-16 南京工业大学 结合bp神经网络与二参数威布尔分布的故障率预测方法
CN106647263A (zh) * 2016-12-01 2017-05-10 贵州电网有限责任公司电力科学研究院 一种利用等劣化理论和设备风险的电力设备检修决策方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011232950A (ja) * 2010-04-27 2011-11-17 Hitachi East Japan Solutions Ltd 需要予測装置、需要予測方法、及び需要予測プログラム
CN102103715A (zh) * 2010-11-18 2011-06-22 上海海事大学 基于负二项回归的水上交通事故调查分析和预测方法
US20150073728A1 (en) * 2011-11-08 2015-03-12 Joseph Karbarz Predicted condition state and remaining service life of a managed asset
CN102623910A (zh) * 2012-04-27 2012-08-01 重庆大学 一种基于可靠性的开关设备维修决策方法
CN102968556A (zh) * 2012-11-08 2013-03-13 重庆大学 一种基于概率分布的配网可靠性判断方法
CN106125714A (zh) * 2016-06-20 2016-11-16 南京工业大学 结合bp神经网络与二参数威布尔分布的故障率预测方法
CN106647263A (zh) * 2016-12-01 2017-05-10 贵州电网有限责任公司电力科学研究院 一种利用等劣化理论和设备风险的电力设备检修决策方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
宗会娟: "基于BG/NBD模型的客户重复购买预测实证研究", 《商业经济》 *
张仕新 等: "威布尔比例风险模型装备状态维修检测间隔期研究", 《火力与指挥控制》 *
陈光宇 等: "威布尔分布下系 统全寿命周期成本建模与决策", 《系统工程理论与实践》 *

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109905271A (zh) * 2018-05-18 2019-06-18 华为技术有限公司 一种预测方法、训练方法、装置及计算机存储介质
CN110991945B (zh) * 2018-09-30 2023-04-18 北京国双科技有限公司 设备备件的信息处理方法及装置、存储介质和处理器
CN110991945A (zh) * 2018-09-30 2020-04-10 北京国双科技有限公司 设备备件的信息处理方法及装置、存储介质和处理器
CN109334467A (zh) * 2018-11-08 2019-02-15 湖南根轨迹智能科技有限公司 基于dsp的磁悬浮列车悬浮控制系统及其控制方法
CN109635962A (zh) * 2018-12-17 2019-04-16 广州甘来信息科技有限公司 基于自贩机的检修时间预测方法、装置、设备及存储介质
CN109635961A (zh) * 2018-12-17 2019-04-16 广州甘来信息科技有限公司 基于自贩机的运维调度方法、装置、设备及存储介质
CN110334871A (zh) * 2019-07-09 2019-10-15 北京首汽智行科技有限公司 一种车辆配件使用周期预测及维修方法
CN110482815A (zh) * 2019-07-23 2019-11-22 湖南九层台环境科技有限公司 一种农村村落化粪池处理运维费用粗放管理系统
CN110482815B (zh) * 2019-07-23 2022-04-08 湖南九层台环境科技有限公司 一种农村村落化粪池处理运维费用粗放管理系统
CN112541597A (zh) * 2019-09-04 2021-03-23 上海杰之能软件科技有限公司 多设备维修方法及装置、存储介质、终端
CN110689317A (zh) * 2019-09-20 2020-01-14 浙江盾安轨道交通设备有限公司 智能检修方法、装置、计算机设备和存储介质
CN110647354A (zh) * 2019-09-30 2020-01-03 东软医疗系统股份有限公司 设备运行控制方法、装置及设备
CN110647354B (zh) * 2019-09-30 2021-11-05 东软医疗系统股份有限公司 设备运行控制方法、装置及设备
CN112668746A (zh) * 2019-10-15 2021-04-16 深圳怡化电脑股份有限公司 一种备用模块需求预测方法、装置、存储介质及设备
CN112668728A (zh) * 2019-10-15 2021-04-16 深圳怡化电脑股份有限公司 设备模块配置方法、装置、计算机设备及存储介质
CN112668730A (zh) * 2019-10-15 2021-04-16 深圳怡化电脑股份有限公司 自助设备模块的更换方法、装置、计算机设备和存储介质
CN113065679A (zh) * 2019-12-27 2021-07-02 北京国双科技有限公司 设备维修性能监测方法及装置
CN111259737A (zh) * 2020-01-08 2020-06-09 科大讯飞股份有限公司 车辆方向盘故障的预测方法、装置、电子设备及存储介质
CN111259737B (zh) * 2020-01-08 2023-07-25 科大讯飞股份有限公司 车辆方向盘故障的预测方法、装置、电子设备及存储介质
CN112396250A (zh) * 2020-11-30 2021-02-23 中船动力研究院有限公司 一种柴油机故障预测方法、装置、设备及存储介质
CN112396250B (zh) * 2020-11-30 2024-04-26 中船动力研究院有限公司 一种柴油机故障预测方法、装置、设备及存储介质
CN112947364A (zh) * 2021-01-29 2021-06-11 上海工程技术大学 一种基于大数据预警配电站设备故障的系统及方法
CN113705896A (zh) * 2021-08-30 2021-11-26 中国工商银行股份有限公司 目标设备的确定方法、装置及电子设备
CN114120598A (zh) * 2021-12-01 2022-03-01 北京磁浮有限公司 轨道交通供电预警方法、装置、计算机设备以及存储介质
CN114154728A (zh) * 2021-12-08 2022-03-08 广东电网有限责任公司 一种故障预测方法、装置、电子设备及存储介质
CN114692487B (zh) * 2022-03-11 2023-05-26 中国电子科技集团公司第二十九研究所 电子装备维修备件预投方法、装置、设备及存储介质
CN114692487A (zh) * 2022-03-11 2022-07-01 中国电子科技集团公司第二十九研究所 电子装备维修备件预投方法、装置、设备及存储介质
CN114841473A (zh) * 2022-07-01 2022-08-02 北京航空航天大学 一种基于航空发动机性能的大修费用预测方法及系统
CN114967571A (zh) * 2022-07-28 2022-08-30 山东汇能电气有限公司 基于互联网的充气柜远程监控系统

Similar Documents

Publication Publication Date Title
CN108009692A (zh) 设备维修信息处理方法、装置、计算机设备和存储介质
CN107832581B (zh) 状态预测方法和装置
JP6777069B2 (ja) 情報処理装置、情報処理方法、及び、プログラム
JP5831558B2 (ja) 運用管理装置、運用管理方法、及びプログラム
CN109074302B (zh) 确定存储驱动器的健康的方法和系统
US10147048B2 (en) Storage device lifetime monitoring system and storage device lifetime monitoring method thereof
JP5827425B1 (ja) 予兆診断システム及び予兆診断方法
CN107480028B (zh) 磁盘可使用的剩余时长的获取方法及装置
CN112685273A (zh) 异常检测方法、装置、计算机设备和存储介质
JP5827426B1 (ja) 予兆診断システム及び予兆診断方法
US20140143610A1 (en) Data preserving apparatus, method and system therefor
JP6489235B2 (ja) システム分析方法、システム分析装置、および、プログラム
CN110689141B (zh) 风力发电机组的故障诊断方法及设备
CN111103851B (zh) 基于联合历史和时间序列分析的异常表征的系统和方法
JP6521096B2 (ja) 表示方法、表示装置、および、プログラム
CN112966441B (zh) 一种基于连续Weiner过程损伤的设备剩余寿命评估方法
CN112633542A (zh) 系统性能指标预测方法、装置、服务器及存储介质
US8930773B2 (en) Determining root cause
JP6777142B2 (ja) システム分析装置、システム分析方法、及び、プログラム
CN111898834B (zh) 一种雷达备件优化方法、系统、介质及设备
CN116400249A (zh) 储能电池的检测方法及装置
JP5771317B1 (ja) 異常診断装置及び異常診断方法
KR102158100B1 (ko) 이상 감지를 이용한 모니터링 자동화 방법 및 장치
CN107562608B (zh) 资源指标重要度评估方法及装置
JP6973445B2 (ja) 表示方法、表示装置、および、プログラム

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: 20180508

RJ01 Rejection of invention patent application after publication