一种基于预测性维护的检修任务排程方法技术

本发明专利技术实施例公开了一种基于预测性维护的检修任务排程方法，涉及数字化制造领域，能够实现检修排程工作的自动化并减少人为因素的干扰。本发明专利技术包括：获取制造资源检修任务，通过分析其涉及的部件及相应数据源对检修内容进行分类及标准化。根据分类结果，综合判断某项检修任务是否适用预测性维修手段；选取适用预测性维修手段的检修内容，获取其涉及部件的相应历史运行数据与故障数据，并对其进行相应的预处理；使用卷积神经网络构建故障预测模型得出设备的预测性故障信息；将当前车间的设备检修任务与预测性故障信息进行整合以得到最终的车间检修任务；对车间检修任务分别进行相容性判断和相斥性判断，以便于生成预排程检修计划。计划。计划。

【技术实现步骤摘要】
一种基于预测性维护的检修任务排程方法


[0001]本专利技术涉及数字化制造领域，尤其涉及一种基于预测性维护的检修任务排程方法。

技术介绍

[0002]在制造企业的生产过程中，适时地对制造资源进行维修，确保其始终处于良好的运行状态对于生产制造具有重要意义。
[0003]目前大部分制造企业缺乏自主、智能的设备健康管理系统，设备的维修方式往往为定检和事后维修，相较于预测性维护手段，当下的维修方式增加了设备的宕机率，制约了生产效率。
[0004]与此同时，企业的检修排程工作，主要还是由经验丰富的设备管理人员手工完成，但对着工厂规模和设备数量的扩大，尤其是实现自动化后，工厂中机器及电子设备的数量被大量增加，虽然实现了无人化生成，但是维修和维护工作依旧需要技术人员负责，而面对动辄数百上千项设备的排程编制，人工排程的方式易出现错误，且经常导致检修资源的分配不够合理等问题，而经验丰富的设备管理人员如果出现离职或者人员调动，甚至会在短时间内无法实现检修排程。
[0005]并且传统的计划性维修的方式主要有人工进行，而实际操作中，很多运维人员为了避免误工担责或是事故担责等问题，除了少数经验十分丰富的技术人员外，大部分人员通常都会采用最为保险的检修方式，即在实际操作中往往会采用故修、大修等方式以保障安全，维修效率较为低下。除非是通过自动化的手段来覆盖检修排程工作，不然其中人为因素的干扰始终存在。因此，如何实现检修排程工作的自动化并减少人为因素的干扰，成为了进一步提升制造车间整体效率所必须解决的问题。
专利技术内容
[0006]本专利技术的实施例提供一种基于预测性维护的检修任务排程方法，能够实现检修排程工作的自动化并减少人为因素的干扰。
[0007]为达到上述目的，本专利技术的实施例采用如下技术方案：
[0008]S1、获取车间中的制造资源对应的检修任务，对所述检修任务的检修内容进行分类和标准化处理，所述制造资源包括所述车间中的设备；
[0009]S2、选取适用预测性维修手段的检修内容，获取所述适用预测性维修手段的检修内容所涉及设备中的部件的历史运行数据和故障数据，并对其进行相应的预处理；
[0010]S3、通过故障预测模型获取预测性故障信息；
[0011]S4、获取车间中的制造资源对应的检修任务并与所得到的预测性故障信息进行整合，得到车间检修任务；
[0012]S5、对车间检修任务分别进行相容性判断和相斥性判断，并得到相容任务列表和相容相斥列表，之后根据所述相容任务列表和所述相容相斥列表，生成预排程检修计划。
[0013]所述方法用于一种任务排程系统，所述系统中包括：设备层、数据处理层和展示层；所述数据处理层中包括数据库和处理设备，所述处理设备包括实时数据处理模块和数据驱动模块；其中，所述数据处理层中的实时数据处理模块采集所述设备层中各个设备的实时运行数据，并将所采集的数据转存至所述数据处理层的数据库。
[0014]本实施例中将对维修/定检内容进行分类及标准化，在此基础上开展维护工作的任务排程。针对可能发生的故障，自动生成检修任务并进行合理的排程，具体的，由数据处理层为所有在排程时间范围内应该进行检修的设备确定执行的检修模型并生成对应的检修任务，确保没有设备检修任务被遗漏。然后根据设备检修模型中规定的相容相斥关系确定检修任务间的约束关系，以快速生成合理有效的预排程检修计划。从而避免由于依赖人工经验来制定维修定检维护任务计划存在的不准确性，实现了检修排程工作的自动化并减少人为因素的干扰。
附图说明
[0015]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例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专利技术的一些实施例，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。
[0016]图1为本专利技术实施例提供的技术路线示意图；
[0017]图2为本专利技术实施例提供的系统架构的示意图；
[0018]图3为本专利技术实施例提供的车间已存在的设备检修任务获取流程的示意图；
[0019]图4为本专利技术实施例提供的设备任务相容约束判断流程的示意图；
[0020]图5为本专利技术实施例提供的设备任务相斥约束判断流程的示意图；
[0021]图6为本专利技术实施例提供的具体实例的示意图；
[0022]图7为本专利技术实施例提供的方法流程的示意图。
具体实施方式
[0023]为使本领域技术人员更好地理解本专利技术的技术方案，下面结合附图和具体实施方式对本专利技术作进一步详细描述。下文中将详细描述本专利技术的实施方式，所述实施方式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方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本专利技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。本
技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本专利技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用
字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
[0024]本实施例的设计目的，主要是提供一种智能的车间制造资源维修模型，在对生产设备运行状态的实时监测的基础上，进一步实现预测性的维护排程，即通过检修任务的相容和相斥约束，合理且自动得对维护任务进行排程，进而实现企业检修计划的自动生成与智能优化，从而保障设备的有效运转，提高排程效率，合理分配检修资源和人力。在实现过程中，本实施例主要是基于故障预测与健康管理(Prognostics and Health Management,PHM)技术的制造资源维修及定检任务智能排程。本实施例的具体技术路线可以如图1所示。而具体实现的方法流程如图7所示，包括：
[0025]S1、获取车间中的制造资源对应的检修任务，对所述检修任务的检修内容进行分类和标准化处理，所述制造资源包括所述车间中的设备；其中，根据分类结果，综合判断某项检修任务是否适用预测性维修手段；具体的，在获取车间中的制造资源对应的检修任务后，确定所述检修任务涉及的设备部件和数据源；在对所述检修任务的检修内容进行分类和标准化处理后，根据分类结果，判断检修任务是否适用预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于预测性维护的检修任务排程方法，其特征在于，包括：S1、获取车间中的制造资源对应的检修任务，对所述检修任务的检修内容进行分类和标准化处理，所述制造资源包括所述车间中的设备；S2、选取适用预测性维修手段的检修内容，获取所述适用预测性维修手段的检修内容所涉及设备中的部件的历史运行数据和故障数据；S3、通过故障预测模型获取预测性故障信息；S4、获取车间中的制造资源对应的检修任务并与所得到的预测性故障信息进行整合，得到车间检修任务；S5、对车间检修任务分别进行相容性判断和相斥性判断，并得到相容任务列表和相容相斥列表，之后根据所述相容任务列表和所述相容相斥列表，生成预排程检修计划。2.根据权利要求1所述的方法，其特征在于，所述对所述检修任务的检修内容进行分类和标准化处理，包括：采用故障树分析法对任务内容进行分类，将设备发生故障作为故障树的顶端事件；将导致顶端事件发生的直接原因作为中间事件；从中间事件追溯到位于故障树底端的基本事件，并按照基本事件对任务内容进行分类，其中，一个基本事件作为一个类别。3.根据权利要求1所述的方法，其特征在于，在S1中，包括：在获取车间中的制造资源对应的检修任务后，确定所述检修任务涉及的设备部件和数据源；在对所述检修任务的检修内容进行分类和标准化处理后，根据分类结果，判断检修任务是否适用预测性维修手段，若是则执行步骤S2。4.根据权利要求1所述的方法，其特征在于，在S2中，在获取设备部件的历史运行数据和故障数据之后，对历史运行数据和故障数据进行预处理，其中，所述预处理包括：对设备中的部件的历史运行数据和故障数据分别进行数据重构和去噪处理。5.根据权利要求1所述的方法，其特征在于在S3中，包括：在通过故障预测模型获取预测性故障信息之前，通过卷积神经网络构建故障预测模型，其中，所述卷积神经网络为五层卷积神经网络，当所述五层卷积神经网络卷积计算完成后，将计算结果中提取出的特征送入全连接层，然后通过全连接层对提取出的特征进行分类，所述全连接层共两层，第一全连接层共有64个神经元，所述第一全连接层的激活函数使用Relu函数，第二全连接层共4个神经元，所述第二全连接层的激活函数使用Softmax函数。6.根据权利要求1所述的方法，其特征在于，在S4中，所述获取车间中的制造资源对应的检修任务，包括：针对所述车间中已经存在的设备检修计划，先遍历所述检修设备集并确定待维护设备，并从所述数据库中获取所述待维护设备...

【专利技术属性】
技术研发人员：朱海华，张林琦，唐敦兵，张泽群，刘长春，蔡祺祥，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：