基于数据挖掘的设备可靠性及动态风险评价方法、系统和设备技术方案

本发明专利技术公开了一种基于数据挖掘的设备可靠性及动态风险评价方法、系统和设备，涉及设备管理技术领域。所述方法包括：收集设备的关系变量及关系变量的历史数据；对设备进行FMEA分析，将关系变量与故障信息相关联；利用数据挖掘算法寻出各关系变量的合理运行区间，并与实时参数进行比较，分析各参数值是否存在异常；基于各关系变量对设备可靠性的影响以及设备发生故障的严重程度建立动态风险矩阵，然后根据动态风险矩阵制定维修策略。本申请采用FMEA分析及数据挖掘方法，基于多级可靠性分级及多级故障后果分级建立动态风险矩阵，解决了现有的静态风险矩阵不能随着设备运行状态的变化而进行动态风险评价的问题，可以更有效地规避风险、避免高风险故障的发生。

【技术实现步骤摘要】
基于数据挖掘的设备可靠性及动态风险评价方法、系统和设备
本专利技术实施例涉及设备管理
，具体来说涉及一种基于数据挖掘的设备可靠性及动态风险评价方法、系统和设备。
技术介绍
以可靠性为中心的维修(ReliabilityCenteredMaintenance，RCM)是目前国内外认可度较高的一种设备维修策略方法，其综合考虑经济性和可靠性优化设备维修，以消耗最少的维修资源保持设备固有的可靠性和安全性水平。在该方法中，设备的可靠性通常采用可靠度来表征，目前已有多种可靠度计算模型，例如威布尔分布、指数分布、正态分布等。通常先将设备的历史检维修或故障数据进行梳理验证其满足何种分布规律，然后计算出分布模型中的相关参数以得到相应的设备可靠度或平均故障间隔等可靠性指标，并以此实施状态维修。上述方法存在的不足之处在于，获得完整且准确的故障数据往往存在一定困难，即使能够获得较为完善的故障数据，采用数学模型计算出的设备可靠度也往往只能反映设备发生故障的概率，不能很好的反映设备的真实状态。另一方面，国内相关企业在实施RCM的过程中，通常需要建立设备的风险矩阵，即利用设备发生故障的概率和发生故障的后果评价设备的风险，并分别利用不同的颜色代表不同风险的大小，如图1中所示，以此辨别高风险设备，进而在日常管理中对高风险设备重点关注，避免高风险的发生。由于这种对设备风险的评价方法所建立的是一个静态风险矩阵，不会随着设备运行状态的变化而进行动态的风险评价，因此存在设备风险过高或过低的问题，同时无法判断设备的何种故障模式为高风险，以至于不能合理的制定设备风险管理方案，不能有效地规避风险。
技术实现思路
本专利技术实施例提供了基于数据挖掘的设备可靠性及动态风险评价方法、系统和设备，通过采用FEMA分析及数据挖掘方法，并基于设备可靠性与故障后果建立动态风险矩阵，确保设备可靠度判断的准确性，避免高风险故障的发生。为实现上述目的，本专利技术公开了如下技术方案：本专利技术一方面提供一种基于数据挖掘的设备可靠性及动态风险评价方法，所述方法包括以下步骤：收集设备的关系变量及关系变量的历史数据；对设备进行FMEA分析，将关系变量与故障信息相关联；利用数据挖掘算法寻出各关系变量的合理运行区间，并与实时参数进行比较，分析各参数值是否存在异常；基于各关系变量对设备可靠性的影响以及设备发生故障的严重程度建立动态风险矩阵，然后根据动态风险矩阵制定维修策略。基于上述方案，进一步的，所述基于各关系变量对设备可靠性的影响以及设备发生故障的严重程度建立动态风险矩阵，包括下述步骤：根据各关系变量对设备可靠性影响的大小进行多级可靠性评分；根据设备发生故障的严重程度进行多级故障后果分级；将多级可靠性评分及多级故障后果分别作为横纵坐标建立动态风险矩阵。进一步的，上述步骤中，所述根据各关系变量对设备可靠性影响的大小进行多级可靠性评分，包括下述步骤：将设备满足其固有可靠性时的总分值设置为Z；分析各关系变量对设备可靠性的影响，并将各关系变量发生劣化时对设备可靠性影响的分值设置为X；在总分值Z中将劣化的分值X扣除得到设备的可靠性评分，然后对可靠性评分进行多级分级。作为优选，所述数据挖掘算法包括Tukey’sTest算法、DBSCAN算法及K均值聚类算法。作为优选，所述对设备进行FMEA分析，包括分析设备的故障模式、故障模式的关系变量、故障原因、故障后果及故障处理措施等故障相关信息中的某几项或者全部信息。进一步的，所述收集设备的关系变量及关系变量的历史数据，包括收集设备的机械运行参数及操作运行参数等设备相关信息，并获取相关运行参数半年及以上的历史数据。本专利技术另一方面提供一种基于数据挖掘的设备可靠性及动态风险评价系统，所述系统包括：数据收集单元，用于收集设备的关系变量及关系变量的历史数据；FMEA分析单元，用于对设备进行FMEA分析，将关系变量与故障信息相关联；数据挖掘分析单元，用于利用数据挖掘算法寻出各关系变量的合理运行区间，并与实时参数进行比较，分析各参数值是否存在异常；风险矩阵建立单元，基于各关系变量对设备可靠性的影响以及设备发生故障的严重程度建立动态风险矩阵；维修策略制定单元，基于FMEA分析及动态风险矩阵制定维修策略。基于上述系统，进一步的，所述风险矩阵建立单元包括：可靠性分级模块，用于根据各关系变量对设备可靠性影响的大小进行多级可靠性分级；故障后果分级模块，用于根据设备发生故障的严重程度进行多级故障后果分级；动态风险矩阵建立模块，基于多级可靠性分级及多级故障后果分级，分别将其作为横纵坐标建立动态风险矩阵。进一步的，所述可靠性分级模块对设备可靠性影响的大小进行多级可靠性分级，具体包括：将设备满足其固有可靠性时的总分值设置为Z，将各关系变量发生劣化时对设备可靠性影响的分值设置为X，在总分值Z中将劣化的分值X扣除得到设备的可靠性评分，然后对可靠性评分进行多级分级。此外，本专利技术还提供一种计算机设备，所述计算机设备包括：至少一个处理器，以及与所述处理器通信连接的至少一个存储器；所述存储器存储有可在处理器上运行的程序指令；所述处理器调用所述程序指令能够执行如上所述的一种基于数据挖掘的设备可靠性及动态风险评价方法的具体步骤。
技术实现思路
中提供的效果仅仅是实施例的效果，而不是专利技术所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：1、本申请实施例提供的基于数据挖掘的设备可靠性及动态风险评价方法、系统和设备，通过利用数据挖掘方法寻出设备各监测参数的合理运行区间，并与实时运行参数进行比较进行设备可靠性状态的判断，确保了设备可靠度判断的准确性，解决了现有技术中设备可靠度的计算需要依靠设备的历史检维修或故障数据建立数学模型而导致的计算结果不准确的问题。2、本申请实施例提供的基于数据挖掘的设备可靠性及动态风险评价方法、系统和设备，基于各监测参数对设备可靠性的影响及设备发生故障的严重程度建立动态风险矩阵，以此动态评价设备风险及故障模式风险，实时地确定需要重点维修维护的设备及其高风险故障，解决了现有的静态风险矩阵不能随着设备运行状态的变化而进行动态风险评价的问题，从而更有效地规避风险，避免高风险故障的发生。3、本申请实施例提供的基于数据挖掘的设备可靠性及动态风险评价方法、系统和设备，通过FMEA分析将关系变量与故障信息相关联，在设备动态风险矩阵评价完毕后便可获知引起设备风险较高的故障模式或原因，实现高风险设备的高风险故障模式判断，并给出相应的处理措施，有利于快速控制风险。附图说明此处的附图被并入说明书中并构成说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。图1为采用现有技术建立的某行业设备的风险矩阵；图2为本申请实施例提供的一种基于数据挖掘的设备可靠性及动态风险评价方法本文档来自技高网...

【技术保护点】
1.基于数据挖掘的设备可靠性及动态风险评价方法，其特征在于，包括以下步骤：/n收集设备的关系变量及关系变量的历史数据；/n对设备进行FMEA分析，将关系变量与故障信息关联；/n利用数据挖掘算法寻出各关系变量的合理运行区间，并与实时参数进行比较，分析各参数值是否存在异常；/n基于各关系变量对设备可靠性的影响以及设备发生故障的严重程度建立动态风险矩阵，然后根据动态风险矩阵制定维修策略。/n

【技术特征摘要】
1.基于数据挖掘的设备可靠性及动态风险评价方法，其特征在于，包括以下步骤：
收集设备的关系变量及关系变量的历史数据；
对设备进行FMEA分析，将关系变量与故障信息关联；
利用数据挖掘算法寻出各关系变量的合理运行区间，并与实时参数进行比较，分析各参数值是否存在异常；
基于各关系变量对设备可靠性的影响以及设备发生故障的严重程度建立动态风险矩阵，然后根据动态风险矩阵制定维修策略。


2.根据权利要求1所述的基于数据挖掘的设备可靠性及动态风险评价方法，其特征在于，所述基于各关系变量对设备可靠性的影响以及设备发生故障的严重程度建立动态风险矩阵，包括下述步骤：
根据各关系变量对设备可靠性影响的大小进行多级可靠性评分；
根据设备发生故障的严重程度进行多级故障后果分级；
将多级可靠性评分及多级故障后果分别作为横纵坐标建立动态风险矩阵。


3.根据权利要求2所述的基于数据挖掘的设备可靠性及动态风险评价方法，其特征在于，所述根据各关系变量对设备可靠性影响的大小进行多级可靠性评分，包括下述步骤：
将设备满足其固有可靠性时的总分值设置为Z；
分析各关系变量对设备可靠性的影响，将各关系变量发生劣化时对设备可靠性影响的分值设置为X；
在总分值Z中将劣化的分值X扣除得到设备的可靠性评分，然后对可靠性评分进行多级分级。


4.根据权利要求1所述的基于数据挖掘的设备可靠性及动态风险评价方法，其特征在于，所述数据挖掘算法，包括Tukey’sTest算法、DBSCAN算法及K均值聚类算法。


5.根据权利要求1所述的基于数据挖掘的设备可靠性及动态风险评价方法，其特征在于，所述对设备进行FMEA分析，包括分析设备的故障模式、故障模式的关系变量、故障原因、故障后果及故障处理措施中的几项或全部信息。


6.根据权利要求1所述的一种基于数据挖掘的设备可靠性及动态风险评价方法，其特...

【专利技术属性】
技术研发人员：常峰，李帅，
申请(专利权)人：上海安恪企业管理咨询有限公司，
类型：发明
国别省市：上海;31