[发明专利]一种基于数据挖掘的设备全生命周期管理方法

说明书

本申请公开了一种基于数据挖掘的设备全生命周期管理方法，包括：采集设备台账数据、运行数据和检修数据；对数据进行特征分析和统一化表征；通过K‑means数据聚类算法对数据进行降维处理生成相似簇；利用Apriori算法挖掘数据属性之间的关联规则；依据所述关联规则进行故障分类，构建设备故障预测模型；依据设备运行数据和检修数据的权重，构建设备画像标签体系；基于设备台账数据、运行数据和检修数据训练所述设备故障预测模型得到资产设备画像预测模型；通过资产设备画像预测模型预测得到全生命周期运行的设备画像预测结果，通过设备画像预测结果和设备画像标签体系，优化企业设备资产需求采购、使用维护、报废环节。

技术领域

本申请涉及电网资产管理技术领域，尤其涉及一种基于数据挖掘的设备全生命周期管理方法。

背景技术

现代企业装备的特点，给企业的生产机构和设备维修管理业务带来许多变化。一方面，现代化设备在投产后会带来较高的经济效益。另一方面，由于设备的连续高速运转也带来了零部件的磨损加剧，使用寿命周期缩短。同时，它的停机损失，维修难度，维修成本等一系列问题，也给设备管理部门的工作增加了难度。

企业内部的资产全生命周期管理系统,它处于资产管理的核心地位，因为它是连接企业内部生产运行作业区和资产检修作业区之间的桥梁。传统的资产全生命周期管理是根据企业资产运行及库存情况，进行采购需求的提报，对于新购进的资产由验收人对设备的内部参数进行登记、存档，并将资产使用、维护、报废等运行及检修信息维护到资产全生命周期管理系统中。虽然企业有专门人工整点，但也增加了繁重的手工劳动。它存在着一系列缺点，例如由于大量零乱、没有相关联系的数据，编号不统一而且存在可能丢失纸质方案等因素的存在，导致了在检修和维护的过程中对相关有用资料的不方便的查找或信息缺失，这样就增加了检修成本和检修工期，企业生产力也因此受拖累而降低了，同时由于并未对设备台账、运行数据、检修数据等之间的存在的关系进行深入的分析及挖掘，企业无法对设备的可靠性、运行年限、检修计划进行有效的预测，因此无法根据各类型资产设备实际运行情况评估采购需求。

企业追求的价值最大化，最大程度的降低人工，材料方面的投资，这就要求企业把设备管理由被动管理转为主动管理，在这种前提下就需要有一套能够完全为设备管理的多种要求而设计的管理系统，能够满足有效的发挥设备的可有性，合理的安排检修，降低设备的库存需要,提高企业生产力，降低成本。

发明内容

本申请提供了一种基于数据挖掘的设备全生命周期管理方法，以解决现有技术中无法对设备的可靠性、运行年限、检修计划进行有效的预测，因此无法根据各类型资产设备实际运行情况使资产运行整体实现高收益的问题。

本申请采用的技术方案如下：

一种基于数据挖掘的设备全生命周期管理方法，包括以下步骤：

采集设备台账数据、运行数据和检修数据；

对采集到的所述设备台账数据、运行数据和检修数据进行特征分析和统一化表征；

按照实际需求设定所述设备运行数据和检修数据的数据标签和标签权重；

依据所述设备运行数据和检修数据的标签权重，构建设备画像标签体系；

通过K-means数据聚类算法对统一化表征后的所述设备台账数据、运行数据和检修数据属性进行降维处理，生成相似簇；

利用Apriori算法挖掘设备异常或故障数据与造成故障因素数据之间的关联规则；

依据所述关联规则对数据属性进行故障分类，构建设备故障预测模型；

基于所述设备台账数据、运行数据和检修数据，训练所述设备故障预测模型，得到资产设备画像预测模型；

通过所述资产设备画像预测模型得到全生命周期运行的设备画像预测结果；