基于机器学习的检修周期识别方法及装置制造方法及图纸

本发明专利技术实施方式提供一种基于机器学习的检修周期识别方法及装置，属于设备安全管理技术领域。方法包括：获取目标装置的第一作业数据集，第一作业数据集包括目标装置的所有子作业数据，子作业数据包括目标装置的作业日期及该作业日期对应的作业量；以目标装置的作业量异常的子作业数据的集合作为第二作业数据集；基于第二作业数据集计算目标装置的检修周期并输出。本发明专利技术上述技术方案通过采集目标装置的作业数据，基于目标装置的作业日期及作业量判断目标装置的日作业量是否异常，依据筛选出的日作业量异常的作业数据确定目标装置的检修周期并输出，从而仅需采集目标装置的作业数据即能快速识别目标装置的检修周期，无需耗费大量人工。大量人工。大量人工。

【技术实现步骤摘要】
基于机器学习的检修周期识别方法及装置


[0001]本专利技术涉及设备安全管理
，具体地涉及一种基于机器学习的检修周期识别方法及一种基于机器学习的检修周期识别装置。

技术介绍

[0002]石油化工企业特殊作业属于事故多发环节，而不同的部门在大检修中往往涉及多套装置停工检修，作业量巨大，一旦有所延迟交付投产将面临巨大的营业损失。对特殊作业相关装置进行检修周期统计识别有利于对相关装置计划性风险评估，然而，目前在面对企业巨大的特殊作业数据时，往往通过人工逐项查找识别大检修开始结束时间，将耗费大量的人工。

技术实现思路

[0003]本专利技术实施方式的目的是通过采集石化装置的作业数据计算石化装置的检修周期，以解决现有技术通过人工识别检修周期，人工耗费量大的问题。
[0004]为了实现上述目的，在本专利技术的第一方面，提供一种基于机器学习的检修周期识别方法，其特征在于，包括：
[0005]获取目标装置的第一作业数据集，所述第一作业数据集包括所述目标装置的所有子作业数据，所述子作业数据包括所述目标装置的作业日期及该作业日本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的检修周期识别方法，其特征在于，包括：获取目标装置的第一作业数据集，所述第一作业数据集包括所述目标装置的所有子作业数据，所述子作业数据包括所述目标装置的作业日期及该作业日期对应的作业量；以所述目标装置的作业量异常的子作业数据的集合作为第二作业数据集；基于所述第二作业数据集计算所述目标装置的检修周期并输出。2.根据权利要求1所述的基于机器学习的检修周期识别方法，其特征在于，所述以所述目标装置的作业量异常的子作业数据的集合作为第二作业数据集，包括：以所述第一作业数据集的所有子作业数据为输入，经预设的作业量异常预测模型预测每条子作业数据的作业量是否异常；以及以得到的所有作业量异常的子作业数据的集合作为第二作业数据集；所述作业量异常预测模型基于Kmeans算法或孤立森林算法构建。3.根据权利要求1所述的基于机器学习的检修周期识别方法，其特征在于，所述基于所述第二作业数据集计算所述目标装置的检修周期并输出，包括：将所述第二作业数据集中的所有子作业数据按作业日期顺序排序；遍历所述第二作业数据集中的所有子作业数据，以相邻的两个作业日期的天数之差小于第一阈值的所有子作业数据的集合作为第三作业数据集；将所述第三作业数据集中的子作业数据划分为m个数据块；筛选出满足预设条件的所有数据块；以筛选出的每个数据块中所有子作业数据中的最早作业日期到最晚作业日期为所述目标装置的一个检修周期，依次输出所有数据块对应的检修周期。4.根据权利要求3所述的基于机器学习的检修周期识别方法，其特征在于，所述将所述第三作业数据集中的子作业数据划分为m个数据块，包括：将所述第三作业数据集中的所有子作业数据按作业日期顺序排序；将所有作业日期中，与前一作业日期的差值不小于第一阈值的作业日期作为分界点；基于所述分界点将所述第三作业数据集中的所有子作业数据划分为m个数据块。5.根据权利要求3所述的基于机器学习的检修周期识别方法，其特征在于，所述筛选出满足预设条件的所有数据块，包括：对于每个数据块：若所述数据块中的所有子作业数据的最早作业日期及所有子作业数据的最晚作业日期的天数之差大于第二阈值，且所述数据块中每个子作业数据的平均作业量大于第三阈值，以及所述第二阈值与所述数据块中所有子作业数据的数量之比小于第四阈值，保留该所述数据块；否则，抛弃所述数据块。6.根据权利要求3所述的基于机器学习的检修周期识别方法，其特征在于，所述方法还包括：计算每个检修周期的检修计划性风险值；以及以所有检修周期的检修计划性风险值的均值作为所述目标装置的检修计划性风险值。7.根据权利要求6所述的基于机器学习的检修周期识别方法，其特征在于，所述以所有检修周期的检修计划性风险值的均值作为所述目标装置的检修计划性风险值之后，还包括：
依据所述目标装置的检修计划性风险值及预设的风险评估表，输出所述目标装置的检修计划性风险值对应的风险等级；所述风险评估表包括所述目标装置的检修计划性风险值属于不同区间时对应的风险等级。8.根据权利要求6所述的基于机器学习的检修周期识别方法，其特征在于，所述计算每个检修周期的检修计划性风险值，包括：按以下公式计算每个检修周期的检修计划性风险值：其中，K为检修性计划风险值，n为当前检修周期的子作业数据数量，x
i
为当前检修周期中第i个子作业数据的作业量，为当前检修周期的所有子作业数据的作业量均值，s为标准差。9.一种基于机器学习的检修周期识别装置，其特征在于，包括：数据获取模块，被配置为获取目标装置的第一作业数据集，所述第一作业数据集包括所述目标装置的所有子作业数据，所述子作业数据包括所述目标装置的作业日期及该作业日期对应的作业量；作业量异常计算模块，...

【专利技术属性】
技术研发人员：万古军，王云龙，郭晓燕，穆波，张国之，吴瑞青，
申请(专利权)人：中国石油化工股份有限公司青岛安全工程研究院，
类型：发明
国别省市：