[发明专利]一种生产设备所处性能区间的计算方法

说明书

本发明公开了一种生产设备所处性能区间的计算方法，涉及根据区间和运行实时监测数据计算判断设备所处性能区间情况的评价方法研究。相比于传统的聚类算法，具有聚类结果更加准确、精度更高的优点，将实际生产中各指标对设备性能影响大小考虑进来，突出了有较大影响指标的权重，使最终的性能聚类中心更加符合设备运行实际情况；通过在数学层面定义最大聚类半径，有别于其他种类的模糊划分，得出一个准确的性能区间划分；定义了具体数学层面上的采集窗口大小，当采集窗口内的数据全都划分到同一区间时，才可得出设备性能状况评价，明确了评价的精准度，也避免了个别干扰数据对评价结果造成的影响。

技术领域

本发明涉及的是一种基于设备运行的历史数据对设备性能区间划分进行建模，并根据区间和运行实时监测数据计算判断设备所处性能区间情况的评价方法研究。

背景技术

随着工业技术的发展和制造企业规模的扩张，制造技术由以往的半人工半机械化逐渐向全面机械化智能化的方向发展，高度复杂精密且价格不菲的设备越来越广泛的运用于企业生产线上。“流水生产型”企业制造设备运行具有安全性要求高、生产连续等特点，一旦设备性能下降或是发生故障，不仅会增加企业维护成本，对企业生产效能的影响也将非常巨大，所以及时了解各设备性能状况，采取针对性维护措施使产线保持良好生产效能，对于企业在激烈的市场竞争中保持竞争优势起着举足轻重的作用。

然而，当前针对设备性能区间的划分多体现为在概念上作简单笼统的表述，对于设备性能指标的选定和性能区间的划分，缺少标准的、量化的模型，而且在针对性能区间划分和进行性能评价的主流方法研究中，使用简单的层次分析法或者简单的数据融合方法，在区间划分和评价准确性方面精度较低，对指标权重主观影响较大且缺少代表性，因此多选用基于决策矩阵信息建立数学模型来计算出权重系数的客观赋权法对多指标进行赋权。其中信息熵是对不确定的度量，熵越低不确定度越小，指标信息量越大，权重越大，反之亦然，但忽略指标间相关性。CRITIC是根据各指标间的对比强度和冲突性来综合赋权，主要依赖于指标间相关系数来用于赋权计算，两种方法结合可以很好的利用实际信息数据和指标间相关度来得到各指标更合理的客观权重。K-means算法认为被分析样本的各个指标在聚类中作用是相同的，支持向量机对于数据量大的样本训练难度较大且主要支持二类分类的算法，设备性能分类这种大于二类分类的实际应用需要多重训练才能完成分类。针对上述各方法的不足，提出一种基于CRITIC结合信息熵法进行组合赋权来改进K-means聚类算法，对设备历史数据进行聚类划分，得出相对精确的设备性能分区。

发明内容

本发明针对目前对设备性能区间划分研究较少的情况及缺少标准化、精度高的设备性能评价方法，提供了一种基于设备运行时监测到的历史数据对设备性能区间划分进行建模并根据区间和实时监测数据判断设备所处性能区间的评价方法。本方法针对使用K-means算法在分析设备的各个指标属性在划分性能区间的聚类中作用相同的缺点，导致区间聚类精确度不高的问题及信息熵法只根据数据信息而忽略指标间相关性等问题，结合CRITIC与信息熵方法获取各指标的综合权重，再通过多指标聚类出聚集焦点，获得对设备性能区间划分；

本发明的技术方案是一种生产设备所处性能区间的计算方法，并进一步根据实时监测数据计算判断设备所处性能区间的方法，该方法包括：

步骤1：选取目标设备生产活动中关键性能指标；

进一步的，所述步骤1中关键性能指标的选取方法为：

质量能力水平方面的指标包括：产品标准合格率、产品质量得分、产品质量损失影响；

运行效能状况方面的指标包括：设备运生产效率、平均无故障运行时间、设备大停机故障率；

生产消耗状况方面的指标包括：原料损耗率、辅料损耗率、能源消耗水平；

设备维护反馈方面的指标包括：平均维护次数、平均维护时长、平均维护损耗；

从上述一个或多个方面中分别选择出一个或多个指标作为目标设备生产活动中关键性能指标；