一种基于制造大数据的制造企业预测型维修服务方法

技术领域

本发明涉及售后服务的技术领域，尤其涉及到一种基于制造大数据的制造企业预测型维修服务方法。

背景技术

目前制造业产品的维修服务为被动型服务，其主要流程是其基本流程是：首先顾客向维修站点反馈产品发生了故障，需要维修；然后维修站点安排维修人员上门检查维修，替换零件等；最后由维修站点人员记录维修情况。整个过程需要耗费大量的人力、物力、时间成本在检查故障类型情况上。低效率的维修有时候还不能保证顾客满意。

发明内容

本发明的目的在于克服现有技术的不足，提供一种高效的基于制造大数据的制造企业预测型维修服务方法。

为实现上述目的，本发明所提供的技术方案为：

一种基于制造大数据的制造企业预测型维修服务方法，企业内部服务器收集用户上传的数据或机器控制系统实时上传的运行代码和参数变化，然后将收集的数据进行清洗，再通过Hadoop中的HDFS文件系统进行存储以及使用MapReduce 进行运算分析，将数据采用逻辑回归模型进行建模，以及将逻辑回归模型得到的概率值带入似然函数并计算结果，达到预测故障类型的目的；预测的故障类型发送给就近的维修站点，而频繁的故障反馈给生产部门。

进一步地，具体包括以下步骤：

S1、所有出厂时均带有唯一标识码的产品均与生产部门的数据收集服务器建立连接，所述服务器收集基于人在回路的数据、信息或产品控制系统实时上传的运行代码和参数变化；

S2、对从步骤S1服务器收集到的数据进行清洗，清洗后的数据存入Hadoop 中的HDFS文件系统；

S3、针对步骤S2所得清洗后的数据进行建模以及分析，预测得出故障的类型；

S4、对于无法预测的故障类型则交由维修部门资深工程师在线阅览和讨论故障数据，指定维修方案；

S5、将预测的故障类型发送给就近的维修站点，维修站点即可在线维护或者上门针对性地维修。

进一步地，所述步骤S2中，对数据进行清洗的具体过程如下：

S2-1、数据的预处理：所收集数据进行分类或分组前所做的审核、筛选、排序处理；

S2-2、去除重复的数据：采用Excel去除数据的重复项，避免数据的冗余；

S2-3、去除错误的数据：删除不符合业务规则逻辑的错误数据，保证数据的正确性；

S2-4、去除矛盾数据，避免分析时出现逻辑错误；

S2-5、去除缺失的数据：采用SQL语句查询数据项中含有空或缺失元素的数据项，保证每一项均可正确参与运算分析。

进一步地，所述步骤S3的具体过程如下：

将步骤S2所得清洗后的数据采用逻辑回归方程进行建模，将各项故障自变量进行线性组合得到一个因变量值，形式如下：

其中x

函数中，-θ

在实现了由输入值转换成概率之后，则利用似然函数：

求得属于某类故障的可能性，P(y

与现有技术相比，本方案原理及优点如下：

首先，基于人在回路的机器故障情况，即由用户上传机器故障情况，结合机器控制系统自动向服务器反馈运行代码或者参数变化。其次，对收集的数据进行数据清洗和数据分析，从大数据中分析整理设备故障数据。根据大数据，分析该产品可能产生的故障类型。对于无法分析或者难分析的故障数据，资深工程师在线阅览和讨论故障数据。最后，确定故障点并且做好解决方案，通过在线维护或将解决方案发送给就近的维修服务站点，由服务站点现场解决问题。

本方案根据大数据分析，对于频繁发生故障的技术点，及时反馈给生产部门，以便改进以提高产品质量。这使得售后维修服务开展有所依据，加快了维修服务的效率，也提升了产品公司的服务竞争力。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种基于制造大数据的制造企业预测型维修服务方法的原理流程图；

图2为本发明一种基于制造大数据的制造企业预测型维修服务方法中进行数据清洗的流程示意图；

图3为本发明一种基于制造大数据的制造企业预测型维修服务方法中采用Sigmoid函数变换后的示意图。

具体实施方式

下面结合具体实施例对本发明作进一步说明：

如图1所示，本实施例所述的一种基于制造大数据的制造企业预测型维修服务方法，包括以下步骤：

S1、所有出厂时均带有唯一标识码的产品均与生产部门的数据收集服务器建立连接，所述服务器收集基于人在回路的数据、信息或产品控制系统实时上传的运行代码和参数变化；

S2、对从步骤S1服务器收集到的数据进行清洗，清洗后的数据存入Hadoop 中的HDFS文件系统；

如图2所示，本步骤的具体过程为：

S2-1、数据的预处理：所收集数据进行分类或分组前所做的审核、筛选、排序处理；

S2-2、去除重复的数据：采用Excel去除数据的重复项，避免数据的冗余；

S2-3、去除错误的数据：删除不符合业务规则逻辑的错误数据，保证数据的正确性；

S2-4、去除矛盾数据，避免分析时出现逻辑错误；

S2-5、去除缺失的数据：采用SQL语句查询数据项中含有空或缺失元素的数据项，保证每一项均可正确参与运算分析。

S3、针对步骤S2所得清洗后的数据进行建模以及分析，预测得出故障的类型；具体如下：

将步骤S2所得清洗后的数据采用逻辑回归方程进行建模，将各项故障自变量进行线性组合得到一个因变量值，形式如下：

如图3所示，其中x

函数中，-θ

在实现了由输入值转换成概率之后，则利用似然函数：

求得属于某类故障的可能性，P(y

S4、对于无法预测的故障类型则交由维修部门资深工程师在线阅览和讨论故障数据，指定维修方案；

S5、将预测的故障类型发送给就近的维修站点，维修站点即可在线维护或者上门针对性地维修。

以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。