智能维护系统ims技术介绍

智能维护系统ims技术介绍内容摘要：

时地调整相应信息的传输频Health Monitoring性能状态监测Watchdog AgentTM信息融合及性能退化评估工具自我维护 冗余 主动 被动通讯 非接触式 Inter TCP/IPWeb 驱动的 D2BTM（Device to Business ）平台数据收集、变换、优化和同步工具产品中心产品再设计  Web 驱动的监视、预测和分析技术 CRM（顾客关系管理） 数据挖掘代理 电子商务集成工具 资源优化面向可靠性和可维护性的设计改良的 6sigma设计优化设计带预兆的状态使用中的设备或产品图 2 智能维护系统（IMS）构架度和数量，而不是传统意义上的简单的“数据” （采样信号等）传输。  决策的支持、数据的转换和信息的优化同步技术领域。 为了实现真正意义上的电子商务、电子化制造和电子化服务，智能维护系统必须与现有的企业商务系统（CRM 、SCM、ERP 、MES 等）进行信息交互，因此，智能维护强调的是 “信息一次处理（. Only Handle Information Once） ”。 为此，李杰教授提出 D2B（Device to Business） 的理念。 D2B 平台的建立不仅为维护决策提供了平台工具，而且第一次实现了设备层到商务层的直接对话，并为产品的再优化设计提供了原始数据。 当然，在维护决策时，D2B 平台系统同样采用 P2P 技术，以加强决策的准确性。 经过几年的努力，智能维护技术在国外得到了飞速发展。 从预测领域来说，传统的预测模型主要有三种：线形预测模型、非线形预测模型和人工神经网络预测模型。 典型的线形预测模型有 1926 年 Yule 提出的 AR（Auto Regressive）模型和 1976 年 Box、Jenkins 提出的 ARMA/ARIMA（Autoregressive Integrated Moving Average）模型，其局限条件是信号必须是线形的；典型的非线形模型有 Tong、Lim 提出的 TAR（Threshold Auto Regressive）模型 【5】 ，其是一个全局的非线形模型，当时间序列在不同的情况下具有非平稳性时，这一模型非常有用，但是，虽然它消除了线形模型的条件限制，它在模型构建时的复杂性也成倍增加；神经网络预测模型与前两种预测模型相比，其无论在短时预测，还是长时预测，都有着无比的优越性 【68】。 神经网络预测模型已成为了预测领域的研究热点。 1992，Lee 率先把神经网络预测技术用于对设备性能衰退的预测分析上 【2, 23】 ，由此，拉开了预测技术在智能维护领域的应用。 自智能维护系统中心成立以来，在性能预测方法上已有不少成果。 Tong 及 Lee 从控制理论出发，结合神经网络，在不改变原有控制系统的条件下，提出了基于控制系统规则的性能评估方法 【9】 ，并在 ABS刹车系统上得到了应用；Yan 及 Lee 利用逻辑回归算法对电梯的性能衰退状态作出了评估，并对残余寿命进行了预测，为电梯的维护决策提供了有力支持 【10】 ；Wang 及 Lee 提出了小波神经网络性能评估预测算法，并对机床主轴和刀具的磨损情况进行了评估和预测 【11】。 不过，智能维护作为一种新型的维护技术，由于其还处于发展的起步阶段，许多的性能预测算法还处于理论研究阶段，特别是对设备或产品的残余寿命预测技术，以及如何利用P2P 技术，尚处于空白阶段。 在远程维护领域，远程监测诊断最早是从远程医学开始的，随着 Inter/Intra 技术的发展，利用计算机网络远程对设备和产品进行监测诊断已成为一个研究热点。 在目前的远程监测诊断系统中，对数据的分析处理一般都在远程的诊断中心完成。 Jay Lee 在文献【12】 中，提出了远程服务系统框架及面临的关键技术和挑战机遇。 其指出，由于设备和产品的数据监测量及其庞大，无法利用网络直接进行实时传输，因此，只有对原始监测数据在当地进行处理后，再根据实际情况传输诊断所需的信息，才具有更大的使用价值。 为此，必须加强对数据到信息的转换、嵌入式智能代理和非接触式（如无线通讯）等技术的应用研究工作。 在数据优化同步领域，D2B 技术尚处于理论研究阶段。 D2B 平台系统的体系结构、信息的格式、与其它商务系统的连接，以及如何利用智能维护的信息进行产品再优化设计等问题都有待于进一步的研究。 在国外的工业界，智能。