[发明专利]基于故障预测与健康管理的设备备件需求预测系统

说明书

本申请涉及一种基于故障预测与健康管理的设备备件需求预测系统，包括数据采集与边缘计算模块，其利用边缘设备采集数据，通过对数据进行分析计算来提取建模所需的特征；数据服务模块，其对现场设备及系统的数据资产进行统一管理，为智能分析模型提供数据支撑；智能分析模块，其将采集到的数据进行信号处理与特征处理，根据处理后的信号数据进行健康评估；可视化应用模块，其将故障预测和健康评估的结果进行可视化展示。本申请易于实施，能够在保障设备正常运行的前提下使备件需求预测更准确，最小化备件库存量，减少设备维护次数，从备件和人力成本上降低设备的总体维护费用，降低了企业运营成本。

技术领域

本申请涉及一种基于故障预测与健康管理的设备备件需求预测系统，适用于设备故障与健康管理的技术领域。

背景技术

由于在设备的使用过程中，设备备件是保证设备能够正常运行的必要保障。但备件的过早备货，会导致企业资金的长期占用；备件的过长交期导致的备件到位不及时，又会导致企业设备不能及时开动而造成生产损失。

设备是保证企业生产效率和产品质量的基础，而设备关键部件的损坏将直接影响设备的性能，甚至导致设备故障停机，影响生产计划的顺利进行，进而导致企业的效益受损。设备的关键部件往往价格昂贵且采购周期较长，高额的备件库存会占用企业资金，削弱企业现金流所创造的价值；备件库存不足则会导致备件供应不及时，从而影响设备的运行效率，造成巨大的经济损失。目前针对设备备件的预测，更多的是算法的研究。

中国专利申请201711278040.2公开了一种水泥厂设备备件寿命的预测方法及系统，此方法包括：获取水泥厂中关键设备的历史运行状态数据和历史管理数据；对所述关键设备的历史运行状态数据和历史管理数据进行标注处理获得各备件的网络训练数据；使用所述网络训练数据对神经网络进行训练，直至训练成功；采集目标设备的当前运行状态数据，根据当前运行状态数据构建状态输入参数，将所述状态输入参数输入至训练成功的神经网络，将神经网络的输出结果作为所述备件寿命的预测结果。

中国专利申请201710354221.2公开了一种基于风险量化控制的通信设备备件配置方法，该方法包括：根据经验值设定现网能够承受的风险评估周期内同型号设备使用数量超过备件库存数量的概率的上限值和下限值；计算出同型号设备的备件库存数量的上限值和下限值；根据计算的同型号设备的备件库存数量的上限值和下限值，配置同型号设备实际的备件库存数量。

中国专利申请201410605089.4公开了一种基于可靠性模型的电子设备备件配置计算方法，包括：根据装备保障资源的情况和装备使用方要求，确定优化的备件保障概率的最低可接受值，根据装备的工作应力情况和物理结构确定备件配置计算的基本配置参数；分析装备完成任务时所有的该型部件之间的相互关系，分析该型部件之间的可靠性逻辑关系，建立可靠性模型，按照可靠性模型相应的数学模型计算该型部件总的故障率；构建一个备件配置计算的迭代模型，得出该部件需配置的备件数量。

上述这些算法对于备件的预测，更偏重基于备件自身的更换数据进行判断和预测，而备件的更换实际是源于设备以及对应部件本身的健康状态导致，这就导致这些算法在进行备件的预测时有很大的局限性和不准确性。

另一方面，针对设备备件的预测一般需要评估设备的剩余使用寿命(RUL)，其目的是根据设备的历史监测数据挖掘出设备持续退化的趋势来预测设备的剩余使用寿命。设备的剩余使用寿命被定义为从设备当前状态开始一直到设备失效所历经的时间。在大多数的剩余寿命预测以及健康评估等场景中，设备的健康状态是缓慢衰退的，因此趋势性特征的选择也就变得至关重要。通常，RUL预测建模以及设备健康评估建模过程所需要的特征在整个设备全生命周期过程中需要表现出退化性、稳定性(也称鲁棒性)、单调性和一致性四个特性。如果单一采用上述特征选择和评价方法或多或少都会受到一些其他因素的干扰，例如噪声、特征突变等因素，很难选择到真正满足要求的趋势性特征。

发明内容