导读:本文包含了预测维修论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:故障,离线,智能,预防性,健康,工龄,工时。
预测维修论文文献综述
宋伟,张杨[1]（2019）在《预测性维修分析系统在露天煤矿设备上的应用》一文中研究指出本文主要介绍了设备预测维修分析系统的概念,分析了其在露天煤矿设备中的具体应用。在露天煤矿设备中,借助该系统实时的分析和监测各项设备的运行状态,如设备的使用寿命,在未来一段时间内使用时是否可能会出现故障,如果出现故障可以采取那些方式予以解决,这样能够有效的控制设备故障率,降低维护成本,提高设备的使用效率和质量,进而有效的提高生产效能。(本文来源于《计算机产品与流通》期刊2019年11期）
吕培建,刘鹏杰,王婷[2]（2019）在《高速公路机电设备故障预测及维修的高效管理研究》一文中研究指出由于高速公路机电设备故障频繁出现,为了降低故障预测的误差并加强故障维修的高效管理,提出了高速公路机电设备故障预测及维修的高效管理研究。根据机电设备故障数据流程的分析,建立了故障数据仓库的体系结构,并确定故障数据仓库的设计主题,最后通过设计故障详情数据分析星型架构图,完成数据仓库的设计;结合马尔科夫链模型分析了机电设备可靠度,并计算出高速公路机电设备故障率,实现了机电设备故障预测;通过设计机电设备故障上报流程和计算机电设备故障维修间隔期,实现了机电设备故障维修的高效管理。实验数据表明,提出的预测方法相比于传统预测方法,机电设备发动机气缸压强的预测误差值降低了69.98%。(本文来源于《环境技术》期刊2019年05期）
Lee,Ann,Shay,Sean,Broderick,淦家杭[3]（2019）在《航空业基于大数据的预测维修发展现状》一文中研究指出飞机从设计诞生到运营维护全生命周期内会生成大量的数据,尤其是新一代飞机,产生的数据量很大。各类制造商和数据运营商都在打数据的主意,希望通过数据采集、机器学习、模型分析、加装传感器等手段丰富各自的预测维修系统,实现更好地健康监控。在此过程中,行业对于基于大数据的预测维修的理解和感悟也在变得越来越深入,越来越贴合实际需要。(本文来源于《航空维修与工程》期刊2019年08期）
冉悄然,王强,王双川[4]（2019）在《考虑预防性维修策略的维修工时需求预测模型》一文中研究指出随着武器装备的体系化和复杂化,装备维修保障要求提高,但现有的维修工时数计算方法存在很多不足。为此根据维修人员工时需求产生过程,运用以可靠性为中心的维修理论(RCM)中的预防性维修策略和方法,建立基于工龄更换的工时计算模型。计算机仿真结果表明,与传统维修工时计算方法相比,考虑预防性维修的计算方法使维修效率提高了36.53%,并且对确定维修人员数量、优化维修人员配置和提高维修效率有重要的作用。(本文来源于《计算机应用》期刊2019年S1期）
鞠佳奇[5]（2019）在《振动诊断技术在预测性维修中的应用探究》一文中研究指出当设备维修技术发展到一定程度时,维修人员可以使用预测性维修来进行具体的操作步骤。利用预测性维修技术来进行具体的维修操作,可以尽早的发现设备故障出现的早期问题及潜在失效模式,制定出科学合理的应对措施,这样可以减少设备的使用过程中因故障停台带来的经济损失。目前在大部分设备的维修过程中,我们都会使用振动诊断技术来进行机械部件故障的诊断,而且诊断技术中最重要的一个环节就是要针对发现的缺陷进行改善维修。我们主要针对振动诊断系统的开发,以及它在设备维修过程中的应用进行简单的阐述,通过下文的分析,我们可以验证振动诊断技术在设备维修过程中带来的巨大影响。当然希望文中提到的内容能够给振动诊断技术的完善提供一定的数据基础。(本文来源于《内燃机与配件》期刊2019年12期）
杜雪娇[6]（2019）在《复杂机电系统服役过程的剩余寿命预测及维修决策方法研究》一文中研究指出在“中国制造2025”的推动下,传统的装备制造业深度融合工业技术与信息技术,逐步向智能化的高端装备制造业转型升级。复杂机电系统作为关键环节,也朝着功能丰富、稳定可靠和精确高效等方向发展。由于复杂机电系统的退化特征多样、故障机理复杂,传统的健康管理方法已无法满足日益增长的产业需求,落后于装备制造业的发展进程。为了保障系统的可靠性与安全性,提升效率并控制成本,亟需研究适用于复杂机电系统服役过程的智能化健康管理方法。因此,利用现代化的传感检测技术,对系统的退化状态进行监控、分析及预测,以期制定并优化系统的维修策略,从而控制退化趋势、识别和预防故障、抵御风险并降低损失,是企业对复杂机电系统寿命周期健康管理的重要途径,也是可靠性工程领域的一项重大挑战。本文针对复杂机电系统寿命周期健康管理的两个关键问题,即剩余寿命预测与维修决策,融合了故障统计数据和状态监测信息,考虑系统服役过程早期故障阶段、偶然故障阶段、耗损故障阶段的退化趋势与故障特征,引入状态监测频率、维修方案、维修效果及部件相关性等因素对系统可用性与维修成本的影响,重点对复杂机电系统不同阶段、不同层级的剩余寿命预测建模及维修决策优化方法展开了理论研究与应用验证,力求为制造企业的管理与决策提供科学依据。本文开展并完成了如下研究工作:(1)建立了数据驱动的服役过程剩余寿命预测分段模型。为了描述系统服役过程不同阶段的故障模式,实现对其退化状态的评估与剩余寿命的预测,本文在最小维修的假设下,建立了两种数据驱动的剩余寿命预测分段模型:1)针对仅可获取故障统计数据的情况,为灵活地拟合故障强度浴盆曲线的不同阶段,采用分段式函数结构,引入调整因子,基于非齐次泊松过程建立了故障强度分段模型。通过实例说明了该模型在描述早期故障阶段、偶然故障阶段与耗损故障阶段的故障强度变化趋势上的优势,并分析了剩余寿命预测效果。2)针对可同时获取状态监测信息和故障统计数据的情况,为更好地描述系统自身老化与状态变量对故障强度的综合影响,在所提出的改进非齐次泊松过程分段模型的基础上,考虑状态监测信息,建立了基于比例强度模型的分段模型。通过数值仿真与实例,分析了该模型的拟合精度与剩余寿命预测优势。(2)提出了结合统计过程控制与模糊聚类的分段模型参数估计方法。针对所建立的剩余寿命预测分段模型,考虑其由于参数增多而引起的参数估计困难的问题,提出了结合统计过程控制与模糊聚类的改进极大似然估计方法。首先,采用Bootstrap方法建立改进的控制图,对故障过程进行初步的阶段划分。然后,为排除随机信号的干扰,提出一种改进的有序模糊聚类方法将观测样本分配至模型不同的分段,进而利用极大似然方法估计每段模型的参数。通过数值仿真与实例,分析了该方法的估计精度与计算效率。(3)构建了服役过程的维修框架与对应不同服役阶段的维修决策模型。根据系统不同服役阶的退化趋势与故障模式,构建了包含早期故障阶段、偶然故障阶段与耗损故障阶段在内的维修框架。围绕维修决策的基本要素,重点开展了偶然故障阶段与耗损故障阶段的维修决策建模与优化研究。1)针对偶然故障阶段,提出在定期检测下基于统计过程控制的视情维修策略。首先,建立完美维修下的剩余寿命预测模型,分别评估突发型故障与退化型故障的发生概率,进而以检测间隔和故障强度阈值为优化变量,以单位时间预期成本最小为目标,建立偶然故障阶段的维修决策模型,实现了维修决策方案的优化。2)针对耗损故障阶段,提出在连续监测条件下基于滚动时域优化的动态预测性维修策略。考虑非完美维修对于系统剩余寿命的影响,以退化状态阈值和预防性维修时间为优化变量,以短期平均成本最小为目标,建立耗损故障阶段的维修决策模型,实现了维修决策方案的优化。(4)建立了考虑部件相关性的动态组合维修决策多目标优化模型。基于服役过程的维修框架,进一步考虑系统各部件之间的结构相关性与经济相关性,以维修分组结构和组合维修时间为优化变量,以可用度最大化和维修成本最小化为共同目标,建立一种基于多目标优化的动态组合维修决策模型。在传统滚动时域优化的基础上,提出与维修类型、维修效果、维修阈值等因素相关的维修停机时间模型,结合部件不同服役阶段的维修决策模型,对系统可用度与维修成本进行权衡。通过对电主轴系统状态监测的应用案例分析,说明了该决策方法的优势。(本文来源于《吉林大学》期刊2019-06-01）
王舟[7]（2019）在《制造单元设备故障预测与维修决策研究》一文中研究指出随着社会经济不断地发展,使得顾客个性化的需求越来越显着,而制造单元是能够最大限度的满足市场个性化需求的生产单元,物联网、大数据等技术的发展使得智能制造成为可能,因此智能制造单元是制造企业生产模式的趋势。设备是制造企业生产的核心,设备维修管理问题也一直是制造企业关注的热点问题。技术的不断进步使得设备愈加复杂化以及智能化,这给企业设备维修管理带来了新的挑战。为了适应这种变化,本文提出了针对智能制造单元设备的联合设备维修问题,它是当下管理学等相关领域的前沿课题。本文针对基于物联网、大数据为背景的智能制造单元多设备系统中设备的故障预测及联合设备维修决策问题进行了研究,建立了相关的数学模型,有效解决了由于多设备系统中各个设备预防性维修间隔时间不同造成的系统停机损失的问题。本文是在以往研究的基础上,以物联网、大数据等技术背景为依托,并且借鉴了故障预测与健康管理技术(PHM)的理论基础、同时借鉴了成熟的设备维修理论以及其他学科领域中科学问题的解决方案,对联合设备维修问题进行研究。具体的研究内容如下:(1)对制造单元多设备系统的组织形式进行了介绍,对适合企业在设备维修方面长远发展的故障预测技术以及维修决策的影响因素进行了分析;交代了对智能制造单元中的设备进行故障预测的数据来源;(2)提出了对智能制造单元多设备系统进行联合设备监测的模型;对以往故障预测的方法进行了整理分析与比较,本文采用了贝叶斯网络方法对设备进行故障预测,给出了基于贝叶斯网络的设备故障预测过程,并用算例证明了该方法对设备进行故障预测的有效性;(3)结合故障预测的结果,与设备故障阈值进行比较,当预测结果大于设备故障阈值时则对设备进行预防性维修。结合智能制造单元多设备系统具有的特点,以制造单元系统的总维修成本最小化为目标,以制造单元系统的可靠度、以及设备的可用度为约束条件,建立了联合设备维修的预防性维修决策模型,并用算例对所建模型的有效性进行了验证,最终求解出整个系统最优的预防性维修间隔时间。(本文来源于《沈阳工业大学》期刊2019-05-31）
王毅,戴国洪,王克胜[8]（2019）在《深度学习技术在预测维修中的应用综述（英文）》一文中研究指出随着工业4.0技术的发展,越来越多的公司应用传感器和信息技术来采集生产过程中各个阶段的数据。同时,诸如大数据、物联网(IoT)、服务互联网(IoS)、人工智能(AI)和数据挖掘(DM)等技术也被用于进一步的数据分析和开发更具有适应性和智能的预测性维修策略和系统。深度学习算法技术已在预测性维修中发挥着非常重要的作用,本文介绍了最新深度学习技术在实现预测性维护策略中的应用。(本文来源于《常州大学学报(自然科学版)》期刊2019年03期）
张瑞洁,钟远光,谢维[9]（2019）在《考虑维修时间的总质保需求预测模型》一文中研究指出激烈的市场竞争迫使制造商们逐渐向以顾客需求为中心的公司转变。在近20年内,作为影响顾客满意度的主要因素,产品的质保服务管理的相关研究开始成为学术界的焦点。良好的质保服务会给企业节省较多的运营成本,故对于刚投入市场的新产品而言,准确地预测质保需求对制造商合理分配资金等具有重要意义。以往对质保需求的预测模型都局限于分析长期意义上一个产品的总质保成本,忽略了产品的维修时间和动态销售过程对准确预测产品的总质保需求及成本的影响。为此,以销售期内的产品所产生的维修需求为主要的研究对象,深入探讨维修时间对预测质保需求的影响。模型中,利用非齐次泊松过程模拟产品的动态销售过程,并利用复合随机过程中的交错更新理论来刻画维修时间对总质保需求的影响。最后的参数分析,为企业更好地管理质保服务提供了重要的现实依据。(本文来源于《运筹与管理》期刊2019年05期）
冯帆[10]（2019）在《基于大数据的集装箱健康预测与多目标维修决策技术研究》一文中研究指出随着“一带一路”战略实施和多式联运的迅速发展,铁路货运运输的市场份额将会越来越大。集装箱作为铁路运输重要载体,需保证其能够始终处于良好状态。然而传统的“事后维修”和“计划维修”方法,无法保证集装箱得到及时有效的维修,并造成不必要的损失。未来设备维护保障的发展方向将会是以“视情维修”和“预防性维修”作为未来的发展方向。本文基于集装箱的历史维修数据和运货数据,在集装箱健康预测与维修决策优化方面开展研究,主要内容如下:(1)针对集装箱维修时无法对破损的部位进行快速有效的定位,本文引入健康指数概念用来表征关键零部件的健康状态,并建立健康指数计算模型。首先从集装箱历史维修数据和运货数据中筛选出与集装箱关键零部件健康指数相关的指标数据;然后通过健康指数计算模型获得关键零部件的健康指数。利用XGBOOST预测算法泛化能力强,运算速度快的特点对关键零部件的健康指数进行预测,接着针对XGBOOST预测算法存在的参数多难调优的问题,用模拟退火算法寻找XGBOOST预测算法的较优参数,完成对关键零部件的健康指数预测。(2)针对集装箱目前采用的“事后维修”方法效率低,且集装箱健康状态评估精细程度不够高的问题,本文引入健康指数概念来表征集装箱整体的健康状态,并建立健康指数计算模型。利用前文获得的关键零部件的健康指数及其预测值和各个关键零部件的健康权重占比得到集装箱整体的健康指数及其预测值,并根据集装箱整体的健康指数预测值判断出集装箱待维修的最佳时间点,进行主动维修。(3)针对集装箱维修成本高,维修效果不够显着的问题,本文建立集装箱多目标维修决策优化模型,以降低维修成本和提高维修效果为主要目标函数,用NSGA-II算法对在最佳维修时间点的健康状态为危险的关键零部件求解最佳维修方式组合,从而实现对集装箱维修决策的优化,降低维修成本和提高维修效果。(4)针对关键零部件健康指数计算、健康预测过程和集装箱整体的健康指数计算、健康预测过程以及多目标决策模型求解过程运算时间长的问题,本文利用Spark大数据技术对这些过程进行优化,减少其运行时间。通过这些研究内容,提前预知集装箱将要发生故障的时间和位置,预测其剩余寿命,提高了集装箱使用率和使用安全性,增强了集装箱维修效果和维修效率。(本文来源于《北京交通大学》期刊2019-05-05）
预测维修论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
由于高速公路机电设备故障频繁出现,为了降低故障预测的误差并加强故障维修的高效管理,提出了高速公路机电设备故障预测及维修的高效管理研究。根据机电设备故障数据流程的分析,建立了故障数据仓库的体系结构,并确定故障数据仓库的设计主题,最后通过设计故障详情数据分析星型架构图,完成数据仓库的设计;结合马尔科夫链模型分析了机电设备可靠度,并计算出高速公路机电设备故障率,实现了机电设备故障预测;通过设计机电设备故障上报流程和计算机电设备故障维修间隔期,实现了机电设备故障维修的高效管理。实验数据表明,提出的预测方法相比于传统预测方法,机电设备发动机气缸压强的预测误差值降低了69.98%。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
预测维修论文参考文献
[1].宋伟,张杨.预测性维修分析系统在露天煤矿设备上的应用[J].计算机产品与流通.2019
[2].吕培建,刘鹏杰,王婷.高速公路机电设备故障预测及维修的高效管理研究[J].环境技术.2019
[3].Lee,Ann,Shay,Sean,Broderick,淦家杭.航空业基于大数据的预测维修发展现状[J].航空维修与工程.2019
[4].冉悄然,王强,王双川.考虑预防性维修策略的维修工时需求预测模型[J].计算机应用.2019
[5].鞠佳奇.振动诊断技术在预测性维修中的应用探究[J].内燃机与配件.2019
[6].杜雪娇.复杂机电系统服役过程的剩余寿命预测及维修决策方法研究[D].吉林大学.2019
[7].王舟.制造单元设备故障预测与维修决策研究[D].沈阳工业大学.2019
[8].王毅,戴国洪,王克胜.深度学习技术在预测维修中的应用综述（英文）[J].常州大学学报(自然科学版).2019
[9].张瑞洁,钟远光,谢维.考虑维修时间的总质保需求预测模型[J].运筹与管理.2019
[10].冯帆.基于大数据的集装箱健康预测与多目标维修决策技术研究[D].北京交通大学.2019
论文知识图
