基于保内保外跨期维护数据融合配件间维修关联获取方法

1.本发明涉及一种基于保内保外跨期维护数据融合的配件间维修关系获取方法，属于配件维修计算机科学技术领域。


背景技术：

2.工业互联网是新一代信息通信网络技术与工业制造深度融合的全新工业生态、关键基础设施和新型应用模式，通过人机物的安全可靠智联，实现生产全要素、全产业链、全价值链的全面连接，推动制造业生产方式和企业形态根本性变革，形成全新的工业生产制造和服务体系，显著提升制造业数字化、网络化、智能化发展水平。在工业互联网中，存储有大量的涵盖产品全生命周期各个环节的数据，包括客户需求、销售、订单、计划、研发、设计、工艺制造、库存、物流、售后、运维、运行、报废、再回收。这些数据具有容量大、多性强，时序性强、价值密度低、关联性强、准确度高等特点。为了使数据洞察未来和指导决策，需要对数据进行集成、分析、建模、发掘。
3.产品的使用和维护是工业互联网的重要一环。从产品应由哪一方维护的角度，产品分为保修期内和保修期外两个阶段。在保修期内，产品的维护是由生产方完成的；在保修期外，产品由购买方重新与某家合作单位签订维护协议。在产品的使用和维护过程中，会由产品生产方、产品用户、产品维修方参与，同时留存大量的保修期内和保修期外的记录信息。保修记录信息经常由多方保存，且每一方都保存着不同的信息。产品生产方通常保存着产品整体的配件信息、订单、生产计划、设计、制造、采购等信息，产品使用方主要记录产品运行情况、损坏情况、维修记录、维修满意度等信息，产品维修方主要记录更换的配件信息、服务使用方、维修时间等信息。
4.当前，产品用户企业希望通过产品的使用和维护记录来预测何时应该更换产品的配件以及进行保养。但是数据的归属权不同，产品生产方、产品使用方、产品维修方间的数据难以互联互通。于此同时，运行和维修记录大多用于预测产品中某个配件的状态，如正常、磨损、老化等，很少通过产品配件之间的关联性对配件状态进行预测。


技术实现要素：

5.针对现有技术中的下述缺陷：(1)设备及组件之间的机理模型关系匮乏； (2)保内保外数据关联程度低等。本发明公开的一种基于保内保外跨期维护数据融合的配件间维修关联获取方法，通过构建设备及组件之间的机理模型，融入先验知识，用于指导配件之间关联关系的计算和对关联配件的状态预测；通过对保内保外数据进行标记，指导配件间维修关联神经网络模型的预测；通过客户评价，融入后验知识，对配件间维修关联神经网络模型进行修正；利用保修期内和保修期外的维修数据、配件之间维修关联性，在某些配件损坏后，通过配件间维修关联神经网络模型预测出可能需要维护的配件，且能够提高预测精度和预测效率，进而提高配件维修效率和降低维修成本。
6.本发明的目的是通过下述技术方案实现。
7.本发明公开的基于保内保外跨期维护数据融合的配件间维修关联获取方法，包括如下步骤：
8.步骤一、构建包含产品及配件信息的信息图谱。
9.机理图谱用于表示承载产品的各种信息，能够挖掘、分析、构建和显示机理之间的相互关联。在保内保外的产品中，需要构建的图谱主要包含三个，分别是产品基本信息图谱、产品与配件信息图谱、配件间信息图谱三部分。
10.(1)产品基本信息图谱：主要用于保存产品的基本信息，该信息图谱用下列元组表示：《产品名称、产品编号、用途、安装时间、保修期、生产商》。
11.(2)产品与配件信息图谱：主要用于保存产品与配件之间的关联关系，该信息图谱用下列元组表示：《配件名称、配件编号、所属产品、安装位置，故障种类，保修期，安装时间，重要性，预期损坏概率、损坏阈值》。其中关联权重主要用于表示该配件对与产品的重要性。
12.(3)配件间信息图谱：主要用于记录配件与配件之间的关联关系，该信息图谱用以下元组表示《关系名称、配件一、配件二，关联说明、关联权重》。其中关联权重主要用于表示当更换配件一后，配件二需要更换的概率。
13.(4)产品配件与故障类型信息图谱：主要用于保存故障类型对配件的重要性，该信息图谱可以用以下元组表示《故障名称、故障编号、配件名称，故障重要性》表示。
14.步骤二：获取监控数据时间序列，通过构建设备及组件之间的机理模型，融入先验知识，用于指导配件之间关联关系的计算和对关联配件的状态预测。
15.监控数据时间序列是反映智能配件运行状态的关键信息，通过监控数据反映出故障信息。为了充分反应某个配件损坏时的情况，不仅需要获取该配件的监控数据时间序列，还需要获取与该配件相关的监控数据时间序列，定义损坏配件为a；通过构建设备及组件之间的机理模型，融入先验知识，用于指导配件之间关联关系的计算和对关联配件的状态预测。
16.(1)获取直接相关配件列表：根据配件间信息图谱，获取与该配件由关联的相关配件列表，定义为accessory_list1。
17.(2)获取间接相关配件的监控数据时间序列：根据配件间信息图谱，获取与该配件由关联的相关配件列表为accessory_list2。由于间接关系较多，且间接关系可能形成环状，需要对间接关系进行两方面的过滤：(a)层级过滤，超过预定层数的即判定没有关系。(b)相关性过滤，即只有相关性大于某个阈值。关联性传递过程主要依靠产品与配件信息图谱中的重要性和配件间信息图谱的关联权重。
18.其中l表示配件a与另外一个配件相距的层数，i为层数1～l之间的某个配件。当两个条件都满足的情况下，才能将该配件加入到accessory_list2中。
19.(3)获取与故障配件相关的故障监控序列：设备存在故障时间点为t。由于故障存在前兆，该前兆时间点为t，则需要获取损坏配件a、accessory_list1 和accessory_list2在【t-t,t】时间范围内的监控序列，形成某一次故障的a_fault 【t-t,t】。由于存在大量配件a的故障情况，将所有的故障序列整合在一起，形成关于配件a的故障检测序列集合a_
fault_list。
20.(4)获取与故障配件相关的正常监控序列：设设备正常的时间点为t，按照(3)中的前兆时间t，获取配件a、accessory_list1和accessory_list2在【t-t, t】时间范围内的监控序列，形成正常监控序列a_ok【t-t,t】。由于存在大量配件a的正常情况，将所有的正常序列整合在一起，形成关于配件a的正常监控序列集合a_ok_list。
21.(5)获取故障时间点的监控数据：获取a、accessory_list1、accessory_list2 在故障时间点t的监控数据，并整合为a_fault【t】。由于大量的设备中存在配件a的故障情况，所以与根据时间点，将所有的正常情况整合在一起，形成关于配件a的故障检测序列集合a_faulttime_list。
22.步骤三：获取客户及维修人员对维修的评价，通过客户评价融入后验知识，用于后续步骤对配件间维修关联神经网络模型进行修正。
23.客户及维修人员的评价是对更换配件最终结果的反馈，是衡量维修结果优略的评价标准。客户及维修人员对a、accessory_list1和accessory_list2评价，形成评价元组《配件名称、配件编号、故障种类、维修结果评价》。其中维修结果评价使用百分制。最后根据评价元组，形成最终本次维修评价元组《配件编号、维修时间、最终故障种类、最终维修结果评价》。通过客户评价融入后验知识，用于后续步骤对配件间维修关联神经网络模型进行修正。
24.(1)填写评价信息：根据配件a、accessory_list1和accessory_list2的维修状况，多位维修人员和客户分别填写评价元组。
25.(2)确定最终故障类型：选取故障种类最多的故障类型。
26.(3)最终综合评价：由于维修人员和客户之间存在对故障理解的偏差，需要综合维修人员和客户的评分，获取最终的评价结果。设参与维修人员数量为n，客户数量为m，维修人员的维修结果评价总和为wn，客户的维修结果评价总和为 wm。最终的故障描述综合评分为：
[0027][0028]
其中0《d《1。
[0029]
(4)形成客户及维修人员对维修的最终评价：形成最终维修评价元组《配件编号、最终故障种类、最终维修结果评价》。
[0030]
步骤四：构建面向保内保外维修数据集，通过对保内保外数据进行标记，指导后续步骤配件间维修关联神经网络模型的预测。
[0031]
数据集是人工智能训练的基础，需要构建数据集才能训练合适的网络。构建数据集主要包括监控数据时间序列预测数据集和构建故障种类预测数据集。
[0032]
(1)构建监控数据时间序列预测数据集：首先，将a_fault_list和a_ok_list 整合在一起，形成a_list。其次，根据产品与配件信息图谱，获取配件的保修期，更换时间。若a_list中的配件在保修期内，则标记该配件为保修期内配件，若 a_list中的配件在保修期外，则标记为保修期外配件，形成训练集a_train。最后，按照预定的比例划分为两个部分a_train【(n-1)/nt】和a_mix_train【1/nt】，其中a_train【(n-1)/nt】为神经网络的输入，a_train【1/nt】为神经网络的输出。
[0033]
(2)构建故障种类预测数据集：首先，a_faulttime_list中配件最后时间为 t，根据产品与配件信息图谱，获取配件的保修期，更换时间。若a_faulttime_list 中配件在保修期内，则标记该配件为保修期内配件，若a_faulttime_list中配件在保修期外，则标记为保修期外配件。其次，构建a_faulttime_list与最终维修评价元组的关联关系，将a_faulttime_list作为输入，将故障类型作为输出 a_faulttype_list。
[0034]
步骤五：构建配件间维修关联神经网络模型，并对构建的配件间维修关联神经网络模型进行数据训练，对配件间维修关联神经网络模型进行修正。
[0035]
使用数据集和通用神经网络，训练用于预测下个阶段的神经网络和判断是否存在故障的神经网络。
[0036]
(1)训练用于预测下个阶段的配件间维修关联神经网络：使用长短期记忆网络(longshort-termmemory,简称lstm)对下一个阶段的时间序列进行预测，网络的输入为a_train【(n-1)/nt】，输出为a_train【1/nt】，训练后的配件间维修关联神经网络为lstm_net。
[0037]
(2)训练判断是否存在故障的配件间维修关联神经网络：使用bp神经网络对故障的分类进行预测，网络的输入为a_faulttime_list，输出为 a_faulttype_list，训练修正后的配件间维修关联神经网络被称为bp_net。
[0038]
步骤六：利用保修期内和保修期外的维修数据、配件之间维修关联性，在某些配件损坏后，通过修正后的配件间维修关联神经网络模型预测出需要维护的配件，获取需要更换的配件列表，提高预测精度和预测效率。
[0039]
(1)使用lstm_net预测配件的运行状态：当需要检测某个配件及其相关配件是否需要更换时，将配件a及其相关配件的在时间【t-t，t】范围内的序列输入到配件间维修关联神经网络bp_net中，预测该配件及其关联配件的在下个阶段的运行状态集合a_predict。
[0040]
(2)使用配件间维修关联神经网络bp_net预测可能更换的配件：获取 a_predict中每一个时间点的预测数据，并输入到配件间维修关联神经网络 bp_net网络中，预测可能存在故障的配件列表fault_predict_list。
[0041]
(3)获取需要更换的配件列表：获取fault_predict_list中的配件，并根据产品与配件信息图谱，获取保修期及安装时间。对于某个配件，设当前时间为 current_time，配件安装时间为accessory_intall，保修期为accessory_protect。当 current_time-accessory_intall《accessory_protect时(按月计算)，配件在保修期内，否则在保修期外。使用elu(exponentiallinearunits)函数作为激活函数，在该函数的作用下，超过保修期越久，更换的而概率越大,当前损坏指数为：
[0042]
当损坏概率大于损坏阈值，则判定该配件需要更换。
[0043]
还包括步骤七：根据步骤六获取的需要更换的配件列表，提高配件维修效率、降低维修成本。
[0044]
有益效果：
[0045]
1、本发明公开的基于保内保外跨期维护数据融合的配件间维修关联获取方法，通过构建设备及组件之间的机理模型，融入先验知识，用于指导配件之间关联关系的计算和对关联配件的状态预测；通过对保内保外数据进行标记，指导配件间维修关联神经网络模
型的预测；通过客户评价，融入后验知识，对配件间维修关联神经网络模型进行修正；利用保修期内和保修期外的维修数据、配件之间维修关联性，在某些配件损坏后，通过配件间维修关联神经网络模型预测出可能需要维护的配件。本发明充分利用监控数据、先验知识和后验知识，使用人机结合的方式对损坏的配件进行预测，能够提高预测精度和预测效率，进而提高配件维修效率和降低维修成本。
[0046]
2、本发明公开的基于保内保外跨期维护数据融合的配件间维修关联获取方法，借助关联的知识图谱，不仅能够预测某一个配件的损坏，还能够预测与该配件相关的其他配件的损坏情况。
[0047]
3、本发明公开的基于保内保外跨期维护数据融合的配件间维修关联获取方法，区分保内保外的情况，利用elu(exponentiallinearunits)函数表征超过保修期时限与更换概率的关系，即超过保修期越久更换概率越大，进而提高预测精度。
附图说明
[0048]
图1本发明公开的基于保内保外跨期维护数据融合的配件间维修关联获取方法流程图；
具体实施方式
[0049]
下面结合附图和实施例对本发明做进一步说明和详细描述。
[0050]
如图1所示，本实施例公开的基于保内保外跨期维护数据融合的配件间维修关联获取方法，具体实现步骤如下：
[0051]
步骤一、构建包含产品及配件信息的信息图谱
[0052]
机理图谱用于表示承载产品的各种信息，可挖掘、分析、构建和显示机理之间的相互关联。在保内保外的产品中，需要构建的图谱主要包含三个，分别是产品基本信息图谱，产品与配件信息图谱，配件间信息图谱三部分。
[0053]
(1)产品基本信息图谱：主要用于保存产品的基本信息图谱《传送机、 p0001、传送物品、2020年1月12日、1年、传送带生产商》。
[0054]
(2)产品与配件信息图谱：主要用于保存产品与配件之间的关联关系，该信息图谱用下列元组表示：《配件名称、配件编号、所属产品、安装位置，故障种类，保修期，安装时间，重要性，预期损坏概率、损坏阈值》。其中关联权重主要用于表示该配件对与产品的重要性。
[0055]
《传送带、a0001、传送机、传送机中部、故障种类(f0001、f0002)、1年、 2020年1月12日、6、0.05、0.3》
[0056]
《传动齿轮、a0002、传送机、传送带下方、故障种类(f00003)、5个月、 2022年1月12日、7、0.03、0.5》
[0057]
《托盘、a0003、传送机、传送带尾部、故障种类(f00004)、2年、2022年 1月12日、3、0.001、0.8》
[0058]
《托盘支架、a0004、传送机、托盘下方、故障种类(f0005)、2年、2022 年1月12日、4、0.003、0.6》
[0059]
(3)配件间信息图谱：主要用于记录配件与配件之间的关联关系，该信息图谱用以下元组表示《关系名称、配件一、配件二，关联说明、关联权重》。其中关联权重主要用于表示
当更换配件一后，配件二需要更换的概率。
[0060]
《传送带与传动齿轮、传送带、齿轮、齿轮支撑传送带、0.8》
[0061]
《传送带与托盘、传送带、托盘、传动带将物品传送到托盘中、0.1》
[0062]
《托盘与托盘支架、托盘、托盘支架、托盘支架支撑托盘、0.8》
[0063]
(4)产品配件与故障类型信息图谱：主要用于保存故障类型对配件的重要性，该信息图谱可以用以下元组表示《故障名称、故障编号、配件名称，故障重要性》表示。
[0064]
《传送带撕裂、f0001、传送带、10》；
[0065]
《传送带停止运行且传动齿轮运转、f0002、传送带、5》；
[0066]
《齿轮停转、f00003、传动齿轮、6》；
[0067]
《托盘位移、f00004、托盘、5》；
[0068]
《托盘支架断裂、f0005、托盘、5》。
[0069]
步骤二：获取监控数据时间序列。
[0070]
监控数据时间序列是反映智能配件运行状态的关键信息，可以通过监控数据反映出故障信息。为了充分反应某个配件损坏时的情况，不仅需要获取该配件的监控数据时间序列，还需要获取与该配件相关的监控数据时间序列，设损坏配件为“传送带”。
[0071]
(1)获取直接相关配件列表：根据配件间信息图谱，获取与该配件由关联的相关配件列表，设为accessory_list1。可知传动齿轮、托盘为直接相关配件。
[0072]
(2)获取间接相关配件的监控数据时间序列：根据配件间信息图谱，获取与该配件由关联的相关配件列表设为accessory_list2。在层级过滤中，假设超过 2层则认为没有关系，在此种情况下，托盘支架与传送带的关联层级小于2，可以成为备选项。在相关性过滤中，托盘支架与传送带之间的传递关系为：传送带-》托盘-》托盘支架。根据关联性计算公式，传送带与托盘支架之间的关联性＝(0.8 0.1)*(0.6 0.8)＝1.26。由于阈值为2，所以不能将托盘支架加入 accessory_list2中，accessory_list2为空。
[0073]
(3)获取与故障配件相关的故障监控序列：设设备存在故障时间点为t。由于故障存在前兆，设该前兆时间点为t，则需要获取损坏配件a、accessory_list1 在【t-t,t】时间范围内的监控序列，形成某一次故障的a_fault【t-t,t】。由于存在大量配件a的故障情况，将所有的故障序列整合在一起，形成关于配件 a的故障检测序列集合a_fault_list。
[0074]
(4)获取与故障配件相关的正常监控序列：设设备正常的时间点为t，按照(3)中的前兆时间t，获取配件a、accessory_list1在【t-t,t】时间范围内的监控序列，形成正常监控序列a_ok【t-t,t】。由于存在大量配件a的正常情况，将所有的正常序列整合在一起，形成关于配件a的正常监控序列集合 a_ok_list。
[0075]
(5)获取故障时间点的监控数据：获取a、accessory_list1、accessory_list2 在故障时间点t的监控数据，并整合为a_fault【t】。由于大量的设备中存在配件a的故障情况，所以与根据时间点，将所有的正常情况整合在一起，形成关于配件a的故障检测序列集合a_faulttime_list。
[0076]
步骤三：客户及维修人员对维修的评价
[0077]
客户及维修人员的评价是对更换配件最终结果的反馈，是衡量维修结果优略的评价标准。客户及维修人员对传送带、传动齿轮、托盘评价，形成评价元组《 配件名称、配件编号、故障种类、维修结果评价》。其中维修结果评价使用百分制。最后根据评价元组，形成最
终本次维修评价元组《配件编号、维修时间、最终故障种类、最终维修结果评价》。
[0078]
(1)填写评价信息：根据传送带、传动齿轮、托盘的维修状况，多位维修人员和客户分别填写评价元组。
[0079]
维修人员1填写评价元组为《传送带、a0001、f0001、80》、《传动齿轮、a0002、 f00003、80》、《托盘、a0003、无、90》；维修人员2填写评价元组为《传送带、 a0001、f0001、90》、《传动齿轮、a0002、f00003、90》、《托盘、a0003、无、 90》；维修人员3填写评价元组为《传送带、a0001、f0002、90》、《传动齿轮、a0002、f00003、90》、《托盘、a0003、无、90》；客户1填写评价元组为《传送带、a0001、f0001、90》、《传动齿轮、a0002、f00003、80》、《托盘、a0003、无、90》；客户2填写评价元组为《传送带、a0001、f0001、90》、《传动齿轮、 a0002、f00003、80》、《托盘、a0003、无、90》。
[0080]
(2)确定最终故障类型：选取故障种类最多的故障类型。由维修人员和客户填写的内容可知，传送带(a0001)的故障类型为f0001，传动齿轮(a0002) 的故障类型为f00003，托盘(a0003)无故障。
[0081]
(3)最终综合评价：由于维修人员和客户之间存在对故障理解的偏差，需要综合维修人员和客户的评分，获取最终的评价结果。设参与维修人员数量为3，客户数量为2。以传送带为例，维修人员的维修结果评价总和为260，客户的维修结果评价总和为180。d为0.6。则最终故障描述综合评分为91.2。
[0082]
(4)形成最终评价：形成最终维修评价为：《传送带、a0001、f0001、91.2》、 《传动齿轮、a0002、f00003、88》、《托盘、a0003、无、93.6》；
[0083]
步骤四：构建面向保内保外维修数据集。
[0084]
数据集是人工智能训练的基础，需要构建数据集才能训练合适的网络。构建数据集主要包括监控数据时间序列预测数据集和构建故障种类预测数据集。
[0085]
(1)构建监控数据时间序列预测数据集：首先，将a_fault_list和a_ok_list 整合在一起，形成a_list。其次，根据产品与配件信息图谱，获取配件的保修期，更换时间。若a_list中的配件在保修期内，则标记该配件为保修期内配件，若 a_list中的配件在保修期外，则标记为保修期外配件，形成训练集a_train。最后，按照9/10和1/10的比例，划分数据集。其中a_train【9/10t】为神经网络的输入，a_train【1/10t】为神经网络的输出。
[0086]
(2)构建故障种类预测数据集：首先，a_faulttime_list中配件最后时间为t，根据产品与配件信息图谱，获取配件的保修期，更换时间。若a_faulttime_list 中配件在保修期内，则标记该配件为保修期内配件，若a_faulttime_list中配件在保修期外，则标记为保修期外配件。其次，构建a_faulttime_list与最终维修评价元组的关联关系，将a_faulttime_list作为输入，将故障类型作为输出 a_faulttype_list。
[0087]
步骤五：利用神经网络对数据进行训练。
[0088]
使用数据集和通用神经网络，训练用于预测下个阶段的神经网络和判断是否存在故障的神经网络。
[0089]
(1)训练用于预测下个阶段的神经网络：使用长短期记忆网络(longshort-termmemory,简称lstm)对下一个阶段的时间序列进行预测，网络的输入为a_train【9/10t】，输出为a_train【1/10t】，训练后的神经网络为lstm_net。
[0090]
(2)训练判断是否存在故障的神经网络：使用bp神经网络对故障的分类进行预测，
网络的输入为a_faulttime_list，输出为a_faulttype_list，训练的神经网络被称为bp_net。
[0091]
步骤六：获取需要更换的配件列表：
[0092]
获取需要更换的配件列表是该专利的最终目标，具体方法如下。
[0093]
(1)使用lstm_net预测配件的运行状态：当需要检测某个配件及其相关配件是否需要更换时，将配件传送带及其相关配件的在时间【t-t，t】范围内的序列输入到bp_net中，预测该配件及其关联配件的在下个阶段的运行状态集合 a_predict。
[0094]
(2)使用bp_net预测可能更换的配件：获取a_predict中每一个时间点的预测数据，并输入到bp_net网络中，预测可能存在故障的配件列表fault_predict_list，其中仅包含传送带，故障类型为传送带撕裂(f0001)。
[0095]
(3)获取需要更换的配件列表：获取fault_predict_list中的配件，并根据产品与配件信息图谱，获取保修期及安装时间。对于传送带，当前时间为2022年1月 12日，配件安装时间为2020年1月12日，保修期为1年。此时该配件在保修期外。当前损坏预期值为＝10*0.05*2＝1。由于阈值为0.3，所以该配件需要更换。
[0096]
以上所述为本发明的较佳实施例而已，本发明不应该局限于该实施例和附图所公开的内容。凡是不脱离本发明所公开的精神下完成的等效或修改，都落入本发明保护的范围。