基于多数据源的预测性维护系统的设计与实现
发布时间：2021-01-22 17:41
当今社会,随着制造业的升级以及车辆飞机等动力机械的不断发展和应用,很多企业面临持续的成本控制压力,如何有效提升机器的可用率,减少维护的成本和机器可能因为故障或者非故障造成的停机损失,成为了近年来研究的主要课题,同时有效分析根本原因也帮助生产企业从设计和制造环节上对产品做出可持续优化。产品的维护对于企业有着至关重要的作用这一点在业界已经达成了共识。广义上说维护分为修复性维护（Corrective Maintenance）,预防性维护（Preventive Maintenance）以及预测性维护（Predictive Maintenance,简称PdM）。修复性维护属于非计划性维护。预防性维护（Preventive Maintenance）也称为定期维护。这是基于时间的维护,通过定期停机检查、更换和拆卸零件,从而避免损坏和生产损失[1]。近年来随着物联网的兴起,使得机器状态信息的及时获取和分析变成了可能。新型的预测性维护（Predictive Maintenance）采用机器传感器收集的日志和产品的维护记录相结合,并使用时下流行的机器学习以及医药行业广泛使用的生存分析...
【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
预测维护成熟度模型
基于多数据源的预测性维护系统的设计与实现9(7)通过实时或者准实时监控并追踪反溃2.4一种业界架构分析关于作为最为精密的机械比如车辆或者飞机来说，为保证运行中的安全，整个飞行过程中将会有高达TB级别的数据，并非所有的数据都需要进行实时或准实时的传输，因此在实时维护方案中仅仅将级别高的失败事件信息进行传输。由于对日志分析延迟导致的机械故障导致航班延误造成额外的航班安排开销或者乘客安置导致的费用上升也是研发实时维护方案的驱动之一。如图2-3显示了一种运动机械的预测架构，目前业界关于大型机械或车辆的预测维护方案有如下常见方式，在边缘侧执行相应的边缘计算，将原始数据提取特征信息，如果符合直接判断的模式则直接进行告警相关处理，从而进一步将特征信息上传到云端，完成复杂的健康管理与故障预测相关的计算。目前业界一些大数据分析框架比如HadoopHDFS和Mapreduce是基于批处理的对于实时处理的功能支持较弱，故这里采用基于Jubatus内存处理框架实时流式数据进行异常检测。流式传感器数据是通过设备端上的电脑进行实时处理，异常信息被机器学习检测出来通过无线网络传输至云端。同时维修计划会通过云端同步到边缘端进行模型的更新。云端数据被深度分析，根据生存分析算法以及机器学习算法，异常零部件被检测出来。通过设备维护预警系统的调度，维修工程师被安排前往现场及时更换零件或者维修，部分重要的而零部件可以通过3D打印供应商直接打印并替换。后端的数据处理模块，将后端数据库和信息处理系统进行有效的整合，并且通过内存数据库可以与ERP系统进行零部件下单对接[9]，从而实现整个链路的自动化和时效最大化。图2-3一种机械设备的实时维护框架Fig.2-3Real-timemachinerymaintenanceframe
基于多数据源的预测性维护系统的设计与实现18图3-1系统整体架构图Fig.3-1Systemoverallarchitecture3.1.2源数据加载模块(1)数据准备预测性维护的数据源包括但不限于：机器运行状态、维修历史记录，机器元数据等。有效的预测失败事件是主动预防方案的核心，针对本文的源数据来自于两部分。机器运行状态：正在运行中的基于传感器（或其他的）流数据是重要的数据源，通过对预期数据包含随时间改变的特征，从而捕获老化模式，以及导致降级的异常的追踪。而算法需要根据数据的时态特征来学习不同时间的故障和非故障模式。通过算法来学习预测发生故障之前，还能继续工作多少时间单位。比如大型打印机来说（喷墨的消耗量）和告警信息（机器产生的错误和警告信息）。这一部分数据采用每日更新的频度上传至数据库管理系统中。维护记录：机器维护信息通过企业的呼叫中心接入，并且维护数据库会记录详细的资产维护记录包含已更换的组件，已执行的维修活动等活动详细信息。致电公司的客服中心是另外一个获取零部件故障信息的重要渠道。这部分信息主要包括：资产的标识符，致电的时间，问题的描述，以及对于影响到的零部件和问题解决进度的自由文本字段。除此之外另外还有设备信息数据：一般包含资产标识符（设备ID），机器年限以及零部件组成等。
【参考文献】：
期刊论文
[1]改进支持向量机的网络流量预测[J]. 王雪松. 计算机系统应用. 2017(03)
[2]基于深度学习的用户投诉预测模型研究[J]. 周文杰,严建峰,杨璐. 计算机应用研究. 2017(05)
[3]Logistic回归模型的两参数估计[J]. 常新锋. 统计与决策. 2016(11)
[4]基于动态模型的状态监测与预测性维护技术在电机中的应用研究[J]. 彭长征,郝富强. 科技创新导报. 2014(28)
[5]考虑非完美维修的实时剩余寿命预测及维修决策模型[J]. 石慧,曾建潮. 计算机集成制造系统. 2014(09)
[6]预测性维修发展及应用浅析[J]. 张显镇,刘北萍,张丕宇. 科技信息. 2009(36)
[7]大功率机车状态远程实时监控系统初探[J]. 邱建平. 铁道标准设计. 2009(06)
[8]个性化推荐系统中的用户建模及特征选择[J]. 林霜梅,汪更生,陈弈秋. 计算机工程. 2007(17)
[9]数据仓库架构研究[J]. 胡璟超,唐建雄. 软件导刊. 2007(09)
[10]决策树算法及其核心技术[J]. 杨学兵,张俊. 计算机技术与发展. 2007(01)
硕士论文
[1]海上油气生产平台动设备基于RCM的维修策略研究[D]. 杨淮.西南石油大学 2017
[2]基于3D卷积神经网络的CT肺部影像健康筛查[D]. 王慧芳.武汉大学 2017
本文编号：2993644
【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
预测维护成熟度模型
基于多数据源的预测性维护系统的设计与实现9(7)通过实时或者准实时监控并追踪反溃2.4一种业界架构分析关于作为最为精密的机械比如车辆或者飞机来说，为保证运行中的安全，整个飞行过程中将会有高达TB级别的数据，并非所有的数据都需要进行实时或准实时的传输，因此在实时维护方案中仅仅将级别高的失败事件信息进行传输。由于对日志分析延迟导致的机械故障导致航班延误造成额外的航班安排开销或者乘客安置导致的费用上升也是研发实时维护方案的驱动之一。如图2-3显示了一种运动机械的预测架构，目前业界关于大型机械或车辆的预测维护方案有如下常见方式，在边缘侧执行相应的边缘计算，将原始数据提取特征信息，如果符合直接判断的模式则直接进行告警相关处理，从而进一步将特征信息上传到云端，完成复杂的健康管理与故障预测相关的计算。目前业界一些大数据分析框架比如HadoopHDFS和Mapreduce是基于批处理的对于实时处理的功能支持较弱，故这里采用基于Jubatus内存处理框架实时流式数据进行异常检测。流式传感器数据是通过设备端上的电脑进行实时处理，异常信息被机器学习检测出来通过无线网络传输至云端。同时维修计划会通过云端同步到边缘端进行模型的更新。云端数据被深度分析，根据生存分析算法以及机器学习算法，异常零部件被检测出来。通过设备维护预警系统的调度，维修工程师被安排前往现场及时更换零件或者维修，部分重要的而零部件可以通过3D打印供应商直接打印并替换。后端的数据处理模块，将后端数据库和信息处理系统进行有效的整合，并且通过内存数据库可以与ERP系统进行零部件下单对接[9]，从而实现整个链路的自动化和时效最大化。图2-3一种机械设备的实时维护框架Fig.2-3Real-timemachinerymaintenanceframe
基于多数据源的预测性维护系统的设计与实现18图3-1系统整体架构图Fig.3-1Systemoverallarchitecture3.1.2源数据加载模块(1)数据准备预测性维护的数据源包括但不限于：机器运行状态、维修历史记录，机器元数据等。有效的预测失败事件是主动预防方案的核心，针对本文的源数据来自于两部分。机器运行状态：正在运行中的基于传感器（或其他的）流数据是重要的数据源，通过对预期数据包含随时间改变的特征，从而捕获老化模式，以及导致降级的异常的追踪。而算法需要根据数据的时态特征来学习不同时间的故障和非故障模式。通过算法来学习预测发生故障之前，还能继续工作多少时间单位。比如大型打印机来说（喷墨的消耗量）和告警信息（机器产生的错误和警告信息）。这一部分数据采用每日更新的频度上传至数据库管理系统中。维护记录：机器维护信息通过企业的呼叫中心接入，并且维护数据库会记录详细的资产维护记录包含已更换的组件，已执行的维修活动等活动详细信息。致电公司的客服中心是另外一个获取零部件故障信息的重要渠道。这部分信息主要包括：资产的标识符，致电的时间，问题的描述，以及对于影响到的零部件和问题解决进度的自由文本字段。除此之外另外还有设备信息数据：一般包含资产标识符（设备ID），机器年限以及零部件组成等。
【参考文献】：
期刊论文
[1]改进支持向量机的网络流量预测[J]. 王雪松. 计算机系统应用. 2017(03)
[2]基于深度学习的用户投诉预测模型研究[J]. 周文杰,严建峰,杨璐. 计算机应用研究. 2017(05)
[3]Logistic回归模型的两参数估计[J]. 常新锋. 统计与决策. 2016(11)
[4]基于动态模型的状态监测与预测性维护技术在电机中的应用研究[J]. 彭长征,郝富强. 科技创新导报. 2014(28)
[5]考虑非完美维修的实时剩余寿命预测及维修决策模型[J]. 石慧,曾建潮. 计算机集成制造系统. 2014(09)
[6]预测性维修发展及应用浅析[J]. 张显镇,刘北萍,张丕宇. 科技信息. 2009(36)
[7]大功率机车状态远程实时监控系统初探[J]. 邱建平. 铁道标准设计. 2009(06)
[8]个性化推荐系统中的用户建模及特征选择[J]. 林霜梅,汪更生,陈弈秋. 计算机工程. 2007(17)
[9]数据仓库架构研究[J]. 胡璟超,唐建雄. 软件导刊. 2007(09)
[10]决策树算法及其核心技术[J]. 杨学兵,张俊. 计算机技术与发展. 2007(01)
硕士论文
[1]海上油气生产平台动设备基于RCM的维修策略研究[D]. 杨淮.西南石油大学 2017
[2]基于3D卷积神经网络的CT肺部影像健康筛查[D]. 王慧芳.武汉大学 2017
本文编号：2993644
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/2993644.html
