本發(fā)明涉及起重裝備結(jié)構(gòu)健康監(jiān)測領(lǐng)域、設(shè)備故障預(yù)測領(lǐng)域、設(shè)備運(yùn)行效率評估領(lǐng)域、設(shè)備維修決策領(lǐng)域，特別涉及一種基于起重裝備工作狀態(tài)的預(yù)測性維修決策方法及系統(tǒng)。

背景技術(shù)：

起重裝備的故障檢測與診斷經(jīng)歷了從停機(jī)維護(hù)、定期維護(hù)到預(yù)測性維護(hù)的發(fā)展過程。早期的停機(jī)維護(hù)或者無計(jì)劃維護(hù)并不能真正規(guī)避安全事故和經(jīng)濟(jì)損失。定期維護(hù)或者計(jì)劃維護(hù)又會過度維護(hù)造成不必要的資源浪費(fèi)。預(yù)測性維護(hù)，又稱為基于狀態(tài)的維護(hù)或視情維護(hù)，能夠在生產(chǎn)運(yùn)作的同時(shí)對設(shè)備進(jìn)行實(shí)時(shí)或定期的狀態(tài)監(jiān)測，提前預(yù)知安全隱患并做出防范，是當(dāng)前最重要的發(fā)展方向。

目前，故障預(yù)測分析方法可分為三類：基于分析模型、基于定性經(jīng)驗(yàn)和基于數(shù)據(jù)驅(qū)動?；谀Ｐ偷姆椒ㄝ^為依賴過程機(jī)理研究，工程實(shí)際中也不容易得到精確解析解?；诮?jīng)驗(yàn)的方法可以提供直觀的分析，避免復(fù)雜的數(shù)學(xué)建模，但對專家知識的要求較高且不便于定量計(jì)算?；跀?shù)據(jù)的方法對系統(tǒng)機(jī)理和先驗(yàn)知識的要求低，但是對數(shù)據(jù)積累要求高且缺少直觀的物理意義。

維修決策模型以剩余壽命、故障概率等參數(shù)描述設(shè)備的系統(tǒng)特性或劣化過程，并根據(jù)生產(chǎn)需求建立決策優(yōu)化目標(biāo)，提高生產(chǎn)設(shè)備可靠性并減少資源損耗。常見的定期維護(hù)策略包括年齡更換策略和成批更換策略，設(shè)定一定的年限到期更換。故障限制策略則以系統(tǒng)可靠性、失效率等指標(biāo)作為維修決策標(biāo)準(zhǔn)。維修費(fèi)用限制策略和維修時(shí)間限制策略均以維修維護(hù)的成本作為決策依據(jù)?，F(xiàn)有維修決策研究大多只考慮其中一種標(biāo)準(zhǔn)和策略，而不能進(jìn)行綜合性決策考量。

因此需要發(fā)明一種基于起重裝備工作狀態(tài)的預(yù)測性維修決策方法，能夠基于設(shè)備工作狀態(tài)提供必要的故障預(yù)測預(yù)警，進(jìn)而綜合考慮系統(tǒng)可靠性、維修成本、潛在運(yùn)行效率等指標(biāo)，給出設(shè)備當(dāng)前運(yùn)行狀態(tài)下是否需要立即維修的決策建議，減少設(shè)備安全隱患，提升企業(yè)生產(chǎn)效益。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明旨在至少在一定程度上解決相關(guān)技術(shù)中的技術(shù)問題之一。

為此，本發(fā)明的一個目的在于提出一種基于起重裝備工作狀態(tài)的預(yù)測性維修決策方法，該方法可以提供預(yù)測性維修維護(hù)，并且提高維修決策水平和設(shè)備運(yùn)行效率。

本發(fā)明的另一個目的在于提出一種基于起重裝備工作狀態(tài)的預(yù)測性維修決策系統(tǒng)。

為達(dá)到上述目的，本發(fā)明一方面實(shí)施例提出了一種基于起重裝備工作狀態(tài)的預(yù)測性維修決策方法，包括以下步驟：獲取起重裝備的歷史運(yùn)行數(shù)據(jù)；根據(jù)所述故障樹專家知識和所述歷史運(yùn)行數(shù)據(jù)建立貝葉斯網(wǎng)絡(luò)預(yù)測模型，以預(yù)測起重裝備的潛在故障和安全隱患；獲取起重裝備的當(dāng)前運(yùn)行狀態(tài)，以根據(jù)所述當(dāng)前運(yùn)行狀態(tài)和貝葉斯網(wǎng)絡(luò)預(yù)測模型，實(shí)現(xiàn)起重機(jī)整體可靠性預(yù)測和潛在故障原因的快速定位；以起重機(jī)整體故障概率和潛在故障原因概率作為權(quán)重，建立潛在運(yùn)行效率的預(yù)測維修決策模型，得到起重裝備潛在運(yùn)行效率、潛在維修成本和潛在生產(chǎn)損失；根據(jù)所述預(yù)測結(jié)果得到所述測維修決策模型的決策建議。

本發(fā)明實(shí)施例的基于起重裝備工作狀態(tài)的預(yù)測性維修決策方法，可以結(jié)合故障樹專家知識和設(shè)備歷史運(yùn)行記錄進(jìn)行貝葉斯網(wǎng)絡(luò)預(yù)測模型建模，并且基于系統(tǒng)狀態(tài)快速定位潛在的故障原因并預(yù)測系統(tǒng)可靠性，根據(jù)貝葉斯后驗(yàn)概率和當(dāng)前系統(tǒng)狀態(tài)，給出系統(tǒng)潛在運(yùn)行效率的預(yù)測模型，綜合系統(tǒng)可靠性、運(yùn)行效率、維護(hù)成本等標(biāo)準(zhǔn)實(shí)現(xiàn)起重裝備的預(yù)測性健康管理和維修決策，能夠根據(jù)起重裝備實(shí)時(shí)工作狀態(tài)預(yù)測潛在故障和安全隱患，并提供維修決策建議，有效加強(qiáng)起重裝備生產(chǎn)過程的監(jiān)控管理，提供預(yù)測性維修維護(hù)，提高維修決策水平和設(shè)備運(yùn)行效率，減少安全隱患和國民經(jīng)濟(jì)損失。

另外，根據(jù)本發(fā)明上述實(shí)施例的基于起重裝備工作狀態(tài)的預(yù)測性維修決策方法還可以具有以下附加的技術(shù)特征：

進(jìn)一步地，在本發(fā)明的一個實(shí)施例中，所述建立貝葉斯網(wǎng)絡(luò)預(yù)測模型具體包括：基于故障樹的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)充分運(yùn)用專家知識，且基于起重裝備的故障樹結(jié)構(gòu)為貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)提供參考，并且基于故障邏輯為貝葉斯網(wǎng)絡(luò)參數(shù)提供合理初值；基于最大期望算法的貝葉斯網(wǎng)絡(luò)參數(shù)修正方法，以充分利用系統(tǒng)運(yùn)行記錄，從可能含有缺失樣本的歷史數(shù)據(jù)中挖掘起重裝備的運(yùn)行特性，并根據(jù)系統(tǒng)隨時(shí)間產(chǎn)生的變化修正模型，改善所述貝葉斯網(wǎng)絡(luò)預(yù)測模型的參數(shù)。

進(jìn)一步地，在本發(fā)明的一個實(shí)施例中，所述建立潛在運(yùn)行效率的預(yù)測維修決策模型具體包括：基于貝葉斯后驗(yàn)概率的系統(tǒng)可靠性預(yù)測，從而根據(jù)所述起重裝備實(shí)時(shí)監(jiān)測到的局部異常預(yù)測系統(tǒng)整體失效率；基于起重裝備潛在運(yùn)行效率預(yù)測模型，從而基于所述貝葉斯網(wǎng)絡(luò)預(yù)測模型對系統(tǒng)可靠性和潛在故障原因的預(yù)測估計(jì)，綜合考量局部異常對所述起重裝備造成的潛在停機(jī)損失和性能損失，并預(yù)測設(shè)備的潛在運(yùn)行效率；基于系統(tǒng)可靠性和潛在運(yùn)行效率的預(yù)測性維修決策，從而綜合考慮系統(tǒng)可靠性、維修成本、潛在運(yùn)行效率和潛在生產(chǎn)損失，進(jìn)而得到起重裝備發(fā)現(xiàn)局部異常時(shí)是否立即停機(jī)維修的決策建議。

進(jìn)一步地，在本發(fā)明的一個實(shí)施例中，計(jì)算內(nèi)容包括時(shí)間稼動率、性能稼動率和潛在運(yùn)行效率，其中，時(shí)間稼動率用于反映設(shè)備維修維護(hù)引起的非計(jì)劃停機(jī)對運(yùn)行效率的影響，性能稼動率用于反映設(shè)備的性能發(fā)揮情況，潛在運(yùn)行效率用于綜合考量節(jié)點(diǎn)異常對系統(tǒng)造成的潛在停機(jī)損失和性能損失，預(yù)測起重裝備的潛在運(yùn)行效率。

進(jìn)一步地，在本發(fā)明的一個實(shí)施例中，其中，

其中，T_All為完整負(fù)荷時(shí)間為，T_Stop為潛在停機(jī)時(shí)間的期望；

其中，V_cost為局部異常對系統(tǒng)整體運(yùn)作速度的影響；

PCE＝時(shí)間稼動率×性能稼動率

其中，PCE為潛在運(yùn)行效率。

為達(dá)到上述目的，本發(fā)明另一方面實(shí)施例提出了一種基于起重裝備工作狀態(tài)的預(yù)測性維修決策系統(tǒng)，包括：獲取模塊，用于獲取起重裝備的歷史運(yùn)行數(shù)據(jù)；第一模型建立模塊，用于根據(jù)所述故障樹專家知識和所述歷史運(yùn)行數(shù)據(jù)建立貝葉斯網(wǎng)絡(luò)預(yù)測模型，以預(yù)測起重裝備的潛在故障和安全隱患；預(yù)測模塊，用于獲取起重裝備的當(dāng)前運(yùn)行狀態(tài)，以根據(jù)所述當(dāng)前運(yùn)行狀態(tài)和貝葉斯網(wǎng)絡(luò)預(yù)測模型，實(shí)現(xiàn)起重機(jī)整體可靠性預(yù)測和潛在故障原因的快速定位；第二模型建立模塊，以起重機(jī)整體故障概率和潛在故障原因概率作為權(quán)重，建立潛在運(yùn)行效率的預(yù)測維修決策模型，得到起重裝備潛在運(yùn)行效率、潛在維修成本和潛在生產(chǎn)損失；決策模塊，用于根據(jù)所述預(yù)測結(jié)果得到所述測維修決策模型的決策建議。

本發(fā)明實(shí)施例的基于起重裝備工作狀態(tài)的預(yù)測性維修決策系統(tǒng)，可以結(jié)合故障樹專家知識和設(shè)備歷史運(yùn)行記錄進(jìn)行貝葉斯網(wǎng)絡(luò)預(yù)測模型建模，并且基于系統(tǒng)狀態(tài)快速定位潛在的故障原因并預(yù)測系統(tǒng)可靠性，根據(jù)貝葉斯后驗(yàn)概率和當(dāng)前系統(tǒng)狀態(tài)，給出系統(tǒng)潛在運(yùn)行效率的預(yù)測模型，綜合系統(tǒng)可靠性、運(yùn)行效率、維護(hù)成本等標(biāo)準(zhǔn)實(shí)現(xiàn)起重裝備的預(yù)測性健康管理和維修決策，能夠根據(jù)起重裝備實(shí)時(shí)工作狀態(tài)預(yù)測潛在故障和安全隱患，并提供維修決策建議，有效加強(qiáng)起重裝備生產(chǎn)過程的監(jiān)控管理，提供預(yù)測性維修維護(hù)，提高維修決策水平和設(shè)備運(yùn)行效率，減少安全隱患和國民經(jīng)濟(jì)損失。

另外，根據(jù)本發(fā)明上述實(shí)施例的基于起重裝備工作狀態(tài)的預(yù)測性維修決策系統(tǒng)還可以具有以下附加的技術(shù)特征：

進(jìn)一步地，在本發(fā)明的一個實(shí)施例中，所述第一模型建立模塊具體用于：基于故障樹的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)充分運(yùn)用專家知識，且基于起重裝備的故障樹結(jié)構(gòu)為貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)提供參考，并且基于故障邏輯為貝葉斯網(wǎng)絡(luò)參數(shù)提供合理初值；基于最大期望算法的貝葉斯網(wǎng)絡(luò)參數(shù)修正方法，以充分利用系統(tǒng)運(yùn)行記錄，從可能含有缺失樣本的歷史數(shù)據(jù)中挖掘起重裝備的運(yùn)行特性，并根據(jù)系統(tǒng)隨時(shí)間產(chǎn)生的變化修正模型，改善所述貝葉斯網(wǎng)絡(luò)預(yù)測模型的參數(shù)。

進(jìn)一步地，在本發(fā)明的一個實(shí)施例中，所述第二模型建立模塊具體用于：基于貝葉斯后驗(yàn)概率的系統(tǒng)可靠性預(yù)測，從而根據(jù)所述起重裝備實(shí)時(shí)監(jiān)測到的局部異常預(yù)測系統(tǒng)整體失效率；基于起重裝備潛在運(yùn)行效率預(yù)測模型，從而基于所述貝葉斯網(wǎng)絡(luò)預(yù)測模型對系統(tǒng)可靠性和潛在故障原因的預(yù)測估計(jì)，綜合考量局部異常對所述起重裝備造成的潛在停機(jī)損失和性能損失，并預(yù)測設(shè)備的潛在運(yùn)行效率；基于系統(tǒng)可靠性和潛在運(yùn)行效率的預(yù)測性維修決策，從而綜合考慮系統(tǒng)可靠性、維修成本、潛在運(yùn)行效率和潛在生產(chǎn)損失，進(jìn)而得到起重裝備發(fā)現(xiàn)局部異常時(shí)是否立即停機(jī)維修的決策建議。

進(jìn)一步地，在本發(fā)明的一個實(shí)施例中，計(jì)算內(nèi)容包括時(shí)間稼動率、性能稼動率和潛在運(yùn)行效率，其中，時(shí)間稼動率用于反映設(shè)備維修維護(hù)引起的非計(jì)劃停機(jī)對運(yùn)行效率的影響，性能稼動率用于反映設(shè)備的性能發(fā)揮情況，潛在運(yùn)行效率用于綜合考量節(jié)點(diǎn)異常對系統(tǒng)造成的潛在停機(jī)損失和性能損失，預(yù)測起重裝備的潛在運(yùn)行效率。

進(jìn)一步地，在本發(fā)明的一個實(shí)施例中，其中，

其中，T_All為完整負(fù)荷時(shí)間為，T_Stop為潛在停機(jī)時(shí)間的期望；

其中，V_cost為局部異常對系統(tǒng)整體運(yùn)作速度的影響；

PCE＝時(shí)間稼動率×性能稼動率

其中，PCE為潛在運(yùn)行效率。

本發(fā)明附加的方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實(shí)踐了解到。

附圖說明

本發(fā)明上述的和/或附加的方面和優(yōu)點(diǎn)從下面結(jié)合附圖對實(shí)施例的描述中將變得明顯和容易理解，其中：

圖1為根據(jù)本發(fā)明實(shí)施例的基于起重裝備工作狀態(tài)的預(yù)測性維修決策方法的流程圖；

圖2為根據(jù)本發(fā)明一個實(shí)施例的基于專家知識和系統(tǒng)運(yùn)行記錄的貝葉斯網(wǎng)絡(luò)構(gòu)造的流程圖；

圖3為根據(jù)本發(fā)明一個實(shí)施例的故障樹示意圖；

圖4為根據(jù)本發(fā)明一個實(shí)施例的故障樹邏輯門向貝葉斯參數(shù)的轉(zhuǎn)換關(guān)系示意圖；

圖5為根據(jù)本發(fā)明一個實(shí)施例的基于最大期望算法的貝葉斯網(wǎng)絡(luò)參數(shù)修正的流程圖；

圖6為根據(jù)本發(fā)明一個具體實(shí)施例的構(gòu)造貝葉斯網(wǎng)絡(luò)的流程圖；

圖7為根據(jù)本發(fā)明一個具體實(shí)施例的基于起重裝備工作狀態(tài)的預(yù)測性維修決策方法的流程圖；

圖8為根據(jù)本發(fā)明一個實(shí)施例的起重裝備潛在運(yùn)行效率預(yù)測模型的原理示意圖；以及

圖9為根據(jù)本發(fā)明一個實(shí)施例的基于起重裝備工作狀態(tài)的預(yù)測性維修決策系統(tǒng)的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面詳細(xì)描述本發(fā)明的實(shí)施例，所述實(shí)施例的示例在附圖中示出，其中自始至終相同或類似的標(biāo)號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實(shí)施例是示例性的，旨在用于解釋本發(fā)明，而不能理解為對本發(fā)明的限制。

下面參照附圖描述根據(jù)本發(fā)明實(shí)施例提出的基于起重裝備工作狀態(tài)的預(yù)測性維修決策方法及系統(tǒng)，首先將參照附圖描述根據(jù)本發(fā)明實(shí)施例提出的基于起重裝備工作狀態(tài)的預(yù)測性維修決策方法。

圖1是本發(fā)明實(shí)施例的基于起重裝備工作狀態(tài)的預(yù)測性維修決策方法的流程圖。

如圖1所示，該基于起重裝備工作狀態(tài)的預(yù)測性維修決策方法包括以下步驟：

在步驟S101中，獲取起重裝備的歷史運(yùn)行數(shù)據(jù)。

在步驟S102中，根據(jù)故障樹專家知識和歷史運(yùn)行數(shù)據(jù)建立貝葉斯網(wǎng)絡(luò)預(yù)測模型，以預(yù)測起重裝備的潛在故障和安全隱患。

也就是說，首先基于專家知識和系統(tǒng)運(yùn)行記錄的貝葉斯網(wǎng)絡(luò)預(yù)測模型構(gòu)造方法，用于結(jié)合專家經(jīng)驗(yàn)和起重裝備歷史運(yùn)行數(shù)據(jù)，針對研究對象快速有效地建立貝葉斯網(wǎng)絡(luò)模型，從而預(yù)測起重裝備的潛在故障和安全隱患。

其中，在本發(fā)明的一個實(shí)施例中，建立貝葉斯網(wǎng)絡(luò)預(yù)測模型具體包括：基于故障樹的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)充分運(yùn)用專家知識，且基于起重裝備的故障樹結(jié)構(gòu)為貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)提供參考，并且基于故障邏輯為貝葉斯網(wǎng)絡(luò)參數(shù)提供合理初值；基于最大期望算法的貝葉斯網(wǎng)絡(luò)參數(shù)修正方法，以充分利用系統(tǒng)運(yùn)行記錄，從可能含有缺失樣本的歷史數(shù)據(jù)中挖掘起重裝備的運(yùn)行特性，并根據(jù)系統(tǒng)隨時(shí)間產(chǎn)生的變化修正模型，改善貝葉斯網(wǎng)絡(luò)預(yù)測模型的參數(shù)。

可以理解的是，具體建模方法包括：基于故障樹的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)方法，用于充分運(yùn)用專家知識，基于起重裝備的故障樹結(jié)構(gòu)為貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)提供參考，基于故障邏輯為貝葉斯網(wǎng)絡(luò)參數(shù)提供合理初值；基于最大期望算法的貝葉斯網(wǎng)絡(luò)參數(shù)修正方法，用于充分利用系統(tǒng)運(yùn)行記錄，從可能含有缺失樣本的歷史數(shù)據(jù)中充分挖掘起重裝備的運(yùn)行特性，引入專家經(jīng)驗(yàn)無法考慮到的因素，并及時(shí)根據(jù)系統(tǒng)隨時(shí)間產(chǎn)生的變化修正模型，進(jìn)一步改善貝葉斯網(wǎng)絡(luò)模型的參數(shù)，減少建模過程對專家知識和系統(tǒng)機(jī)理的依賴；結(jié)合故障樹和最大期望算法的完整構(gòu)造流程，用于結(jié)合所述基于故障樹的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)方法和所述基于最大期望算法的貝葉斯網(wǎng)絡(luò)參數(shù)修正方法，完整實(shí)現(xiàn)貝葉斯網(wǎng)絡(luò)的建模過程。

在步驟S103中，獲取起重裝備的當(dāng)前運(yùn)行狀態(tài)，以根據(jù)當(dāng)前運(yùn)行狀態(tài)和貝葉斯網(wǎng)絡(luò)預(yù)測模型，實(shí)現(xiàn)起重機(jī)整體可靠性預(yù)測和潛在故障原因的快速定位。

在步驟S104中，以起重機(jī)整體故障概率和潛在故障原因概率作為權(quán)重，建立潛在運(yùn)行效率的預(yù)測維修決策模型，得到起重裝備潛在運(yùn)行效率、潛在維修成本和潛在生產(chǎn)損失。

也就是說，其次，基于潛在運(yùn)行效率的預(yù)測性維修決策模型，用于根據(jù)設(shè)備運(yùn)行狀態(tài)實(shí)現(xiàn)潛在故障原因的快速定位和可靠性預(yù)測，并以故障概率和可靠性作為權(quán)重建立模型，預(yù)測起重裝備的潛在運(yùn)行效率，最后給出預(yù)測性維修決策方法，綜合考慮系統(tǒng)可靠性、維修成本、潛在運(yùn)行效率等指標(biāo)，給出設(shè)備當(dāng)前運(yùn)行狀態(tài)下是否需要立即維修的決策建議。

其中，在本發(fā)明的一個實(shí)施例中，建立潛在運(yùn)行效率的預(yù)測維修決策模型具體包括：基于貝葉斯后驗(yàn)概率的系統(tǒng)可靠性預(yù)測，從而根據(jù)起重裝備實(shí)時(shí)監(jiān)測到的局部異常預(yù)測系統(tǒng)整體失效率；基于起重裝備潛在運(yùn)行效率預(yù)測模型，從而基于貝葉斯網(wǎng)絡(luò)預(yù)測模型對系統(tǒng)可靠性和潛在故障原因的預(yù)測估計(jì)，綜合考量局部異常對起重裝備造成的潛在停機(jī)損失和性能損失，并預(yù)測設(shè)備的潛在運(yùn)行效率；基于系統(tǒng)可靠性和潛在運(yùn)行效率的預(yù)測性維修決策，從而綜合考慮系統(tǒng)可靠性、維修成本、潛在運(yùn)行效率和潛在生產(chǎn)損失，進(jìn)而得到起重裝備發(fā)現(xiàn)局部異常時(shí)是否立即停機(jī)維修的決策建議。

可以理解的是，具體決策模型包括：基于貝葉斯后驗(yàn)概率的系統(tǒng)可靠性預(yù)測方法，用于根據(jù)起重裝備實(shí)時(shí)監(jiān)測到的局部異常預(yù)測系統(tǒng)整體失效率；起重裝備潛在運(yùn)行效率預(yù)測模型，用于基于貝葉斯網(wǎng)絡(luò)預(yù)測模型對系統(tǒng)可靠性和潛在故障原因的預(yù)測估計(jì)，綜合考量局部異常對起重裝備造成的潛在停機(jī)損失和性能損失，并預(yù)測設(shè)備的潛在運(yùn)行效率；基于系統(tǒng)可靠性和潛在運(yùn)行效率的預(yù)測性維修決策方法，用于綜合考慮系統(tǒng)可靠性、維修成本、潛在運(yùn)行效率、潛在生產(chǎn)損失等指標(biāo)，給出起重裝備發(fā)現(xiàn)局部異常時(shí)是否立即停機(jī)維修的決策建議。

進(jìn)一步地，在本發(fā)明的一個實(shí)施例中，計(jì)算內(nèi)容包括時(shí)間稼動率、性能稼動率和潛在運(yùn)行效率，其中，時(shí)間稼動率用于反映設(shè)備維修維護(hù)引起的非計(jì)劃停機(jī)對運(yùn)行效率的影響，性能稼動率用于反映設(shè)備的性能發(fā)揮情況，潛在運(yùn)行效率用于綜合考量節(jié)點(diǎn)異常對系統(tǒng)造成的潛在停機(jī)損失和性能損失，預(yù)測起重裝備的潛在運(yùn)行效率。

另外，在本發(fā)明的一個實(shí)施例中，其中，

其中，T_All為完整負(fù)荷時(shí)間為，T_Stop為潛在停機(jī)時(shí)間的期望；

其中，V_cost為局部異常對系統(tǒng)整體運(yùn)作速度的影響；

PCE＝時(shí)間稼動率×性能稼動率

其中，PCE為潛在運(yùn)行效率。

在步驟S105中，根據(jù)預(yù)測結(jié)果得到測維修決策模型的決策建議。

簡言之，在本發(fā)明的實(shí)施例中，本發(fā)明實(shí)施例的決策方法可以基于故障樹專家知識和設(shè)備歷史運(yùn)行記錄，建立貝葉斯網(wǎng)絡(luò)預(yù)測模型，根據(jù)貝葉斯后驗(yàn)概率和當(dāng)前系統(tǒng)狀態(tài)，提供系統(tǒng)潛在運(yùn)行效率的預(yù)測模型，并綜合系統(tǒng)可靠性、運(yùn)行效率、維護(hù)成本等標(biāo)準(zhǔn)實(shí)現(xiàn)起重裝備的預(yù)測性健康管理和維修決策。

在本發(fā)明的一個實(shí)施例中，本發(fā)明實(shí)施例的決策方法包括：

步驟S1：基于專家知識和系統(tǒng)運(yùn)行記錄的貝葉斯網(wǎng)絡(luò)預(yù)測模型構(gòu)造方法，用于結(jié)合專家經(jīng)驗(yàn)和起重裝備歷史運(yùn)行數(shù)據(jù)，針對研究對象快速有效地建立貝葉斯網(wǎng)絡(luò)模型，從而預(yù)測起重裝備的潛在故障和安全隱患；該方法具體包括：

步驟S101，基于故障樹的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)方法，用于充分運(yùn)用專家知識，基于起重裝備的故障樹結(jié)構(gòu)為貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)提供參考，基于故障邏輯為貝葉斯網(wǎng)絡(luò)參數(shù)提供合理初值；

步驟S102，基于最大期望算法的貝葉斯網(wǎng)絡(luò)參數(shù)修正方法，用于充分利用系統(tǒng)運(yùn)行記錄，從可能含有缺失樣本的歷史數(shù)據(jù)中充分挖掘起重裝備的運(yùn)行特性，引入專家經(jīng)驗(yàn)無法考慮到的因素，并及時(shí)根據(jù)系統(tǒng)隨時(shí)間產(chǎn)生的變化修正模型，進(jìn)一步改善貝葉斯網(wǎng)絡(luò)模型的參數(shù)，減少建模過程對專家知識和系統(tǒng)機(jī)理的依賴；

具體地，結(jié)合故障樹和最大期望算法的貝葉斯網(wǎng)絡(luò)完整構(gòu)造流程，用于結(jié)合所述基于故障樹的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)方法和所述基于最大期望算法的貝葉斯網(wǎng)絡(luò)參數(shù)修正方法，完整實(shí)現(xiàn)貝葉斯網(wǎng)絡(luò)的建模過程。

步驟S2，基于潛在運(yùn)行效率的預(yù)測性維修決策模型，用于根據(jù)設(shè)備運(yùn)行狀態(tài)實(shí)現(xiàn)潛在故障原因的快速定位和可靠性預(yù)測，并以故障概率和可靠性作為權(quán)重建立模型，預(yù)測起重裝備的潛在運(yùn)行效率，最后給出預(yù)測性維修決策方法，綜合考慮系統(tǒng)可靠性、維修成本、潛在運(yùn)行效率等指標(biāo)，給出設(shè)備當(dāng)前運(yùn)行狀態(tài)下是否需要立即維修的決策建議；該模型具體包括：

步驟S201，基于貝葉斯后驗(yàn)概率的系統(tǒng)可靠性預(yù)測方法，用于根據(jù)起重裝備實(shí)時(shí)監(jiān)測到的局部異常預(yù)測系統(tǒng)整體失效率；

步驟S202，起重裝備潛在運(yùn)行效率預(yù)測模型，用于基于貝葉斯網(wǎng)絡(luò)預(yù)測模型對系統(tǒng)可靠性和潛在故障原因的預(yù)測估計(jì)，綜合考量局部異常對起重裝備造成的潛在停機(jī)損失和性能損失，并預(yù)測設(shè)備的潛在運(yùn)行效率；其中的運(yùn)算主要包含兩個指標(biāo)：時(shí)間稼動率和性能稼動率。其中，時(shí)間稼動率用于反映設(shè)備維修維護(hù)引起的非計(jì)劃停機(jī)對運(yùn)行效率的影響，而性能稼動率，用于反映設(shè)備的性能發(fā)揮情況。

步驟S3，基于系統(tǒng)可靠性和潛在運(yùn)行效率的預(yù)測性維修決策方法，用于綜合考慮系統(tǒng)可靠性、維修成本、潛在運(yùn)行效率、潛在生產(chǎn)損失等指標(biāo)，給出起重裝備發(fā)現(xiàn)局部異常時(shí)是否立即停機(jī)維修的決策建議。

本發(fā)明實(shí)施例的決策方法具有以下有益效果：

(1)能夠根據(jù)起重裝備實(shí)時(shí)工作狀態(tài)預(yù)測潛在故障和安全隱患，并提供維修決策建議；

(2)能夠根據(jù)系統(tǒng)監(jiān)測到的局部異常，預(yù)測可能發(fā)生的整體故障，提前預(yù)知安全隱患，供生產(chǎn)人員做出防范；

(3)能夠結(jié)合故障樹專家知識和設(shè)備歷史運(yùn)行記錄，進(jìn)行貝葉斯網(wǎng)絡(luò)預(yù)測模型建模；能夠運(yùn)用故障樹簡化建模過程，同時(shí)充分利用系統(tǒng)運(yùn)行記錄，引入專家經(jīng)驗(yàn)無法考慮到的因素，根據(jù)系統(tǒng)隨時(shí)間產(chǎn)生的變化修正模型，減少建模過程對專家知識和系統(tǒng)機(jī)理的依賴；

(4)能夠綜合考慮系統(tǒng)可靠性、維修成本、潛在運(yùn)行效率等多項(xiàng)指標(biāo)，給出設(shè)備當(dāng)前運(yùn)行狀態(tài)下是否需要立即維修的決策建議。

下面以一個具體實(shí)施例對本發(fā)明實(shí)施例的決策方法進(jìn)行詳細(xì)描述。

1.基于專家知識和系統(tǒng)運(yùn)行記錄的貝葉斯網(wǎng)絡(luò)預(yù)測模型構(gòu)造方法。

本發(fā)明實(shí)施例的建模方法可以充分結(jié)合專家知識和系統(tǒng)運(yùn)行記錄，針對研究對象快速有效地建立貝葉斯網(wǎng)絡(luò)預(yù)測模型。首先以故障樹知識為貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)提供參考，由邏輯門轉(zhuǎn)化而得的條件概率表為貝葉斯網(wǎng)絡(luò)參數(shù)訓(xùn)練提供了合理初值；然后從歷史數(shù)據(jù)中充分挖掘?qū)ο笤O(shè)備的運(yùn)行特性，引入專家經(jīng)驗(yàn)無法考慮到的因素，進(jìn)一步完善貝葉斯網(wǎng)絡(luò)參數(shù)。上述過程如圖2所示。

1.1基于故障樹的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)方法。

圖3給出了簡單的故障樹示例。在故障樹中，事件(節(jié)點(diǎn))狀態(tài)可以用正常/異常的二值邏輯表達(dá)，對應(yīng)貝葉斯網(wǎng)絡(luò)中節(jié)點(diǎn)變量X_i的布爾取值。不妨假設(shè)節(jié)點(diǎn)正常時(shí)X_i＝0，節(jié)點(diǎn)異常時(shí)X_i＝1。

故障樹節(jié)點(diǎn)之間以邏輯門連接，對應(yīng)貝葉斯網(wǎng)絡(luò)的參數(shù)；統(tǒng)計(jì)故障樹底事件的發(fā)生概率可以賦值為相應(yīng)貝葉斯網(wǎng)絡(luò)節(jié)點(diǎn)的先驗(yàn)概率。圖4給出了由故障樹向貝葉斯網(wǎng)絡(luò)的邏輯轉(zhuǎn)換關(guān)系

1.2基于最大期望算法的貝葉斯網(wǎng)絡(luò)參數(shù)修正方法。

最大期望算法(Expectation Maximization Algorithm，EM算法)可以從數(shù)據(jù)缺失的樣本中對目標(biāo)參數(shù)進(jìn)行迭代的最大似然估計(jì)，其中缺失的樣本視為隱變量。算法可分為期望步(Expectation Step)和最大似然步(Maximum Likelihood Step)，由目標(biāo)參數(shù)的適當(dāng)初值開始迭代，首先根據(jù)目標(biāo)參數(shù)的估計(jì)值計(jì)算隱變量的分布，再以該分布下隱變量的期望作為隱變量的估計(jì)值，考慮目標(biāo)參數(shù)對該分布的最大似然估計(jì)，重復(fù)上述步驟直至迭代收斂。隱變量的分布可以用后驗(yàn)概率密度(或?qū)?shù)似然函數(shù))表示。

其中，當(dāng)應(yīng)用到貝葉斯網(wǎng)絡(luò)參數(shù)訓(xùn)練時(shí)，樣本數(shù)據(jù)X_i(x₁,x₂,…,x_n)對應(yīng)系統(tǒng)運(yùn)行記錄，缺失值Y_i(y₁,y₂,…,y_m)對應(yīng)其中未記錄或記錄丟失的部分，目標(biāo)參數(shù)θ對應(yīng)貝葉斯網(wǎng)絡(luò)的完整參數(shù)列表CPT，由此即可參照所述方法得到貝葉斯網(wǎng)絡(luò)參數(shù)的估計(jì)值(如圖5所示)，過程如下：

初始條件：選定合適的CPT初值開始迭代；

期望步：根據(jù)CPT估計(jì)值和已知的運(yùn)行記錄，估計(jì)缺失樣本的可能取值并填充到系統(tǒng)運(yùn)行記錄中，構(gòu)成完整的訓(xùn)練樣本；

最大似然步：根據(jù)填充得到的樣本，對CPT列表做最大似然估計(jì)。

1.3結(jié)合故障樹和最大期望算法的貝葉斯網(wǎng)絡(luò)完整構(gòu)造流程。

完整的構(gòu)造方法以故障樹引入專家知識，提供貝葉斯網(wǎng)絡(luò)的參考結(jié)構(gòu)和參數(shù)初值；在系統(tǒng)運(yùn)行記錄的基礎(chǔ)上，基于最大期望算法進(jìn)一步調(diào)節(jié)參數(shù)完善貝葉斯網(wǎng)絡(luò)建模，完整流程如圖6所示。

2.基于潛在運(yùn)行效率的預(yù)測性維修決策模型。

本發(fā)明實(shí)施例以基于前文所述方法建立的貝葉斯網(wǎng)絡(luò)預(yù)測模型為基礎(chǔ)，根據(jù)設(shè)備運(yùn)行狀態(tài)實(shí)現(xiàn)潛在故障原因的快速定位和可靠性預(yù)測，并以故障概率和可靠性作為權(quán)重建立模型，預(yù)測起重裝備的潛在運(yùn)行效率。最后給出預(yù)測性維修決策方法，綜合考慮系統(tǒng)可靠性、維修成本、潛在運(yùn)行效率等指標(biāo)，給出設(shè)備當(dāng)前運(yùn)行狀態(tài)下是否需要立即維修的決策建議。決策過程如圖7所示。

2.1基于貝葉斯后驗(yàn)概率的系統(tǒng)可靠性預(yù)測方法。

參考圖3所示簡單的貝葉斯網(wǎng)絡(luò)模型，包含頂事件T，以及系統(tǒng)癥狀節(jié)點(diǎn)X_i(x₁,x₂,…,x_n)。系統(tǒng)運(yùn)行過程中，實(shí)時(shí)監(jiān)測癥狀節(jié)點(diǎn)X的變化，記觀察到異常的節(jié)點(diǎn)集合為X_E，其中

根據(jù)不確定性假設(shè)，系統(tǒng)出現(xiàn)局部異常時(shí)，可能發(fā)生整體故障，也可能保持正常運(yùn)作，表現(xiàn)為一定概率的故障風(fēng)險(xiǎn)。經(jīng)貝葉斯網(wǎng)絡(luò)推理，可以根據(jù)當(dāng)前工作狀態(tài)預(yù)測系統(tǒng)整體失效率P_T＝Pr(T＝1|X_E)，其中P_R＝1-P_T可用于衡量系統(tǒng)可靠性。

進(jìn)一步討論系統(tǒng)在未來發(fā)生故障的情況，此時(shí)導(dǎo)致故障的原因可能只有X_i∈X_E，也可能是先前未監(jiān)測到的節(jié)點(diǎn)引起的。因此估計(jì)潛在維修代價(jià)時(shí)，應(yīng)考慮當(dāng)前監(jiān)測狀態(tài)下各癥狀節(jié)點(diǎn)在未來作為原因引起故障的后驗(yàn)概率P_C(X_i)＝Pr(X_i＝1|T,X_E)。顯然當(dāng)X_i∈X_E時(shí)，有P_C(X_i)＝1。

2.2起重裝備潛在運(yùn)行效率預(yù)測模型。

2.2.1時(shí)間稼動率

時(shí)間稼動率反映設(shè)備維修維護(hù)引起的非計(jì)劃停機(jī)對運(yùn)行效率的影響。定義完整負(fù)荷時(shí)間為T_All，潛在停機(jī)時(shí)間的期望T_Stop應(yīng)為各部位維修時(shí)間的加權(quán)和，權(quán)重為各癥狀節(jié)點(diǎn)作為故障原因的后驗(yàn)概率P_C(X_i)和系統(tǒng)故障率P_T之積，因?yàn)椋?/p>

此外應(yīng)根據(jù)專家經(jīng)驗(yàn)建立單個節(jié)點(diǎn)維修時(shí)間的知識庫T(t₁,t₂,…,t_n)，其中t_i為單獨(dú)維修X_i節(jié)點(diǎn)所需的時(shí)間。建立如下關(guān)系：

2.2.2性能稼動率

性能稼動率反映設(shè)備的性能發(fā)揮情況，一般以實(shí)際生產(chǎn)速度和理論生產(chǎn)速度的比率表征。在預(yù)測性效率評估中，需要憑經(jīng)驗(yàn)估計(jì)局部異常對系統(tǒng)整體運(yùn)作速度的影響V_cost，故仿照時(shí)間稼動率建立節(jié)點(diǎn)對性能影響的專家知識庫V(v₁,v₂,…,v_n)，其中v_i為X_i節(jié)點(diǎn)異常時(shí)對系統(tǒng)整體性能影響的占比估計(jì)，且應(yīng)滿足∑v_i≤100％。建立如下關(guān)系：

2.2.3潛在運(yùn)行效率

如圖8所示，可以給出預(yù)測起重裝備潛在運(yùn)行效率的PCE模型(Predictive CraneEffectiveness，PCE)。該模型基于貝葉斯網(wǎng)絡(luò)預(yù)測模型對系統(tǒng)可靠性和潛在故障原因的預(yù)測估計(jì)，綜合考量了節(jié)點(diǎn)異常對系統(tǒng)造成的潛在停機(jī)損失和性能損失：

PCE＝時(shí)間稼動率×性能稼動率。

2.3基于系統(tǒng)可靠性和潛在運(yùn)行效率的預(yù)測性維修決策方法。

預(yù)測性維修決策的主要目標(biāo)是給出系統(tǒng)發(fā)現(xiàn)局部異常時(shí)是否立即停機(jī)維修的建議。當(dāng)系統(tǒng)潛在故障風(fēng)險(xiǎn)較小，或故障造成的損失較小而維修成本較高時(shí)，應(yīng)暫緩維修；當(dāng)系統(tǒng)故障風(fēng)險(xiǎn)較大、故障損失較大且維修成本較低時(shí)，應(yīng)建議立即停機(jī)維修。以上決策應(yīng)綜合考慮故障發(fā)生故障的概率、引起的生產(chǎn)損失以及所需付出的成本。本發(fā)明實(shí)施例比較暫不維修可能產(chǎn)生的潛在損失C_POT和立即維修所需的成本C_Now作為決策依據(jù)，前者基于貝葉斯后驗(yàn)概率估計(jì)，后者嚴(yán)格按當(dāng)前監(jiān)測狀態(tài)計(jì)算。

在不考慮安全事故的情況下，系統(tǒng)故障引發(fā)的經(jīng)濟(jì)損失可抽象為生產(chǎn)損失C_Prd和維修成本C_Rpr。C_Prd來自系統(tǒng)故障和異常帶來的生產(chǎn)效率損失，可以用PCE衡量；C_Rpr來自修理異常節(jié)點(diǎn)、消除故障隱患所需的費(fèi)用。假設(shè)理想狀態(tài)下系統(tǒng)在T_All時(shí)間內(nèi)的產(chǎn)值為C_All,各節(jié)點(diǎn)的維修費(fèi)用為C(c₁,c₂,…,c_n)，其中c_i為維修X_i節(jié)點(diǎn)時(shí)所需的費(fèi)用。建立如下關(guān)系：

1)暫不維修的潛在經(jīng)濟(jì)損失：C_POT＝(1-PCE)×C_All；

2)立即維修的經(jīng)濟(jì)損失：C_Now＝C'_Prd+C'_Rpr；

3)決策標(biāo)準(zhǔn)(損失比)：

上述結(jié)果損失比Eval可作為依據(jù)比較維修與否帶來的損失，在合理設(shè)置T_All和C_All的情況下，可以得到下表所示的維修建議，具體決策標(biāo)準(zhǔn)應(yīng)以實(shí)際生產(chǎn)場景為準(zhǔn)，如表1所示。

表1

根據(jù)本發(fā)明實(shí)施例的基于起重裝備工作狀態(tài)的預(yù)測性維修決策方法，可以結(jié)合故障樹專家知識和設(shè)備歷史運(yùn)行記錄進(jìn)行貝葉斯網(wǎng)絡(luò)預(yù)測模型建模，并且基于系統(tǒng)狀態(tài)快速定位潛在的故障原因并預(yù)測系統(tǒng)可靠性，根據(jù)貝葉斯后驗(yàn)概率和當(dāng)前系統(tǒng)狀態(tài)，給出系統(tǒng)潛在運(yùn)行效率的預(yù)測模型，綜合系統(tǒng)可靠性、運(yùn)行效率、維護(hù)成本等標(biāo)準(zhǔn)實(shí)現(xiàn)起重裝備的預(yù)測性健康管理和維修決策，能夠根據(jù)起重裝備實(shí)時(shí)工作狀態(tài)預(yù)測潛在故障和安全隱患，并提供維修決策建議，有效加強(qiáng)起重裝備生產(chǎn)過程的監(jiān)控管理，提供預(yù)測性維修維護(hù)，提高維修決策水平和設(shè)備運(yùn)行效率，減少安全隱患和國民經(jīng)濟(jì)損失。

其次參照附圖描述根據(jù)本發(fā)明實(shí)施例提出的基于起重裝備工作狀態(tài)的預(yù)測性維修決策系統(tǒng)。

圖9是本發(fā)明實(shí)施例的基于起重裝備工作狀態(tài)的預(yù)測性維修決策系統(tǒng)的結(jié)構(gòu)示意圖。

如圖9所示，該基于起重裝備工作狀態(tài)的預(yù)測性維修決策系統(tǒng)10包括：獲取模塊100、第一模型建立模塊200、預(yù)測模塊300、第二模型建立模塊400和決策模塊500。

其中，獲取模塊100用于獲取起重裝備的歷史運(yùn)行數(shù)據(jù)。第一模型建立模塊200用于根據(jù)所述故障樹專家知識和所述歷史運(yùn)行數(shù)據(jù)建立貝葉斯網(wǎng)絡(luò)預(yù)測模型，以預(yù)測起重裝備的潛在故障和安全隱患。預(yù)測模塊300用于獲取起重裝備的當(dāng)前運(yùn)行狀態(tài)，以根據(jù)所述當(dāng)前運(yùn)行狀態(tài)和貝葉斯網(wǎng)絡(luò)預(yù)測模型，實(shí)現(xiàn)起重機(jī)整體可靠性預(yù)測和潛在故障原因的快速定位。第二模型建立模塊400用于以起重機(jī)整體故障概率和潛在故障原因概率作為權(quán)重，建立潛在運(yùn)行效率的預(yù)測維修決策模型，得到起重裝備潛在運(yùn)行效率、潛在維修成本和潛在生產(chǎn)損失。決策模塊500用于根據(jù)所述預(yù)測結(jié)果得到所述測維修決策模型的決策建議。本發(fā)明實(shí)施例的決策系統(tǒng)10可以有效加強(qiáng)起重裝備生產(chǎn)過程的監(jiān)控管理，提供預(yù)測性維修維護(hù)，提高維修決策水平和設(shè)備運(yùn)行效率，減少安全隱患和國民經(jīng)濟(jì)損失。

進(jìn)一步地，在本發(fā)明的一個實(shí)施例中，第一模型建立模塊200具體用于：基于故障樹的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)充分運(yùn)用專家知識，且基于起重裝備的故障樹結(jié)構(gòu)為貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)提供參考，并且基于故障邏輯為貝葉斯網(wǎng)絡(luò)參數(shù)提供合理初值；基于最大期望算法的貝葉斯網(wǎng)絡(luò)參數(shù)修正方法，以充分利用系統(tǒng)運(yùn)行記錄，從可能含有缺失樣本的歷史數(shù)據(jù)中挖掘起重裝備的運(yùn)行特性，并根據(jù)系統(tǒng)隨時(shí)間產(chǎn)生的變化修正模型，改善貝葉斯網(wǎng)絡(luò)預(yù)測模型的參數(shù)。

進(jìn)一步地，在本發(fā)明的一個實(shí)施例中，第二模型建立模塊400具體用于：基于貝葉斯后驗(yàn)概率的系統(tǒng)可靠性預(yù)測，從而根據(jù)起重裝備實(shí)時(shí)監(jiān)測到的局部異常預(yù)測系統(tǒng)整體失效率；基于起重裝備潛在運(yùn)行效率預(yù)測模型，從而基于貝葉斯網(wǎng)絡(luò)預(yù)測模型對系統(tǒng)可靠性和潛在故障原因的預(yù)測估計(jì)，綜合考量局部異常對起重裝備造成的潛在停機(jī)損失和性能損失，并預(yù)測設(shè)備的潛在運(yùn)行效率；基于系統(tǒng)可靠性和潛在運(yùn)行效率的預(yù)測性維修決策，從而綜合考慮系統(tǒng)可靠性、維修成本、潛在運(yùn)行效率和潛在生產(chǎn)損失，進(jìn)而得到起重裝備發(fā)現(xiàn)局部異常時(shí)是否立即停機(jī)維修的決策建議。

進(jìn)一步地，在本發(fā)明的一個實(shí)施例中，計(jì)算內(nèi)容包括時(shí)間稼動率、性能稼動率和潛在運(yùn)行效率，其中，時(shí)間稼動率用于反映設(shè)備維修維護(hù)引起的非計(jì)劃停機(jī)對運(yùn)行效率的影響，性能稼動率用于反映設(shè)備的性能發(fā)揮情況，潛在運(yùn)行效率用于綜合考量節(jié)點(diǎn)異常對系統(tǒng)造成的潛在停機(jī)損失和性能損失，預(yù)測起重裝備的潛在運(yùn)行效率。

進(jìn)一步地，在本發(fā)明的一個實(shí)施例中，其中，

其中，T_All為完整負(fù)荷時(shí)間為，T_Stop為潛在停機(jī)時(shí)間的期望；

其中，V_cost為局部異常對系統(tǒng)整體運(yùn)作速度的影響；

PCE＝時(shí)間稼動率×性能稼動率

其中，PCE為潛在運(yùn)行效率。

需要說明的是，前述對基于起重裝備工作狀態(tài)的預(yù)測性維修決策方法實(shí)施例的解釋說明也適用于該實(shí)施例的基于起重裝備工作狀態(tài)的預(yù)測性維修決策系統(tǒng)，此處不再贅述。

根據(jù)本發(fā)明實(shí)施例的基于起重裝備工作狀態(tài)的預(yù)測性維修決策系統(tǒng)，可以結(jié)合故障樹專家知識和設(shè)備歷史運(yùn)行記錄進(jìn)行貝葉斯網(wǎng)絡(luò)預(yù)測模型建模，并且基于系統(tǒng)狀態(tài)快速定位潛在的故障原因并預(yù)測系統(tǒng)可靠性，根據(jù)貝葉斯后驗(yàn)概率和當(dāng)前系統(tǒng)狀態(tài)，給出系統(tǒng)潛在運(yùn)行效率的預(yù)測模型，綜合系統(tǒng)可靠性、運(yùn)行效率、維護(hù)成本等標(biāo)準(zhǔn)實(shí)現(xiàn)起重裝備的預(yù)測性健康管理和維修決策，能夠根據(jù)起重裝備實(shí)時(shí)工作狀態(tài)預(yù)測潛在故障和安全隱患，并提供維修決策建議，有效加強(qiáng)起重裝備生產(chǎn)過程的監(jiān)控管理，提供預(yù)測性維修維護(hù)，提高維修決策水平和設(shè)備運(yùn)行效率，減少安全隱患和國民經(jīng)濟(jì)損失。

在本發(fā)明中，除非另有明確的規(guī)定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接觸，或第一和第二特征通過中間媒介間接接觸。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或僅僅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或僅僅表示第一特征水平高度小于第二特征。

在本說明書的描述中，參考術(shù)語“一個實(shí)施例”、“一些實(shí)施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結(jié)合該實(shí)施例或示例描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)包含于本發(fā)明的至少一個實(shí)施例或示例中。在本說明書中，對上述術(shù)語的示意性表述不必須針對的是相同的實(shí)施例或示例。而且，描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)可以在任一個或多個實(shí)施例或示例中以合適的方式結(jié)合。此外，在不相互矛盾的情況下，本領(lǐng)域的技術(shù)人員可以將本說明書中描述的不同實(shí)施例或示例以及不同實(shí)施例或示例的特征進(jìn)行結(jié)合和組合。

盡管上面已經(jīng)示出和描述了本發(fā)明的實(shí)施例，可以理解的是，上述實(shí)施例是示例性的，不能理解為對本發(fā)明的限制，本領(lǐng)域的普通技術(shù)人員在本發(fā)明的范圍內(nèi)可以對上述實(shí)施例進(jìn)行變化、修改、替換和變型。