随着现代工业生产的规模日益扩大,生产过程中所用设备的精密化、自动化和复杂化程度变得越来越高。这些先进设备在大大提高生产效率、提高产品质量、节省人力资源的同时,也带来了较昂贵的维护和保障成本。一旦设备在运行过程中出现故障,轻则致使设备停机,产生很高的维护费用,重则影响整个生产系统,造成人身安全和重大经济损失。据统计,设备故障带来的停机损失和维修费用已占产品制造成本的15%~40%。因此,如何在设备发生故障前及时准确地预测设备故障,并在此基础上制定有效的预防性维护策略以避免设备发生故障,成为了企业亟待解决的问题。本文以单设备为研究对象,提出基于灰色粗糙集与BP神经网络的设备故障预测方法,并基于故障预测信息制定预防性维护策略,从而对设备进行科学的维护管理,使设备能够正常运行。论文的主要内容如下:首先,对基于故障预测的预防性维护策略进行总体研究。明确设备故障预测相关理论、方法以及设备维护策略的种类和特征,在此基础上,分析现有研究的局限性,从而得到了论文需要解决的关键问题,围绕关键问题,提出论文的研究思路和技术路线。其次,提出基于灰色粗糙集与BP神经网络的设备故障预测方法。采用灰色关联分析法对故障数据决策表进行横向数据精简,采用粗糙集方法对故障数据决策表进行纵向条件属性约简,充分去除决策表中的冗余和无效的数据;将约简后的故障决策表数据输入BP神经网络中,预测设备故障率。然后,提出基于故障预测的设备预防性维护策略。以包含设备故障导致的风险在内的维护总成本最小为优化目标,以故障率阈值作为决策变量,引入设备风险评估模型对设备故障导致的损失进行分析,通过计算最小维护总成本,获得设备预防性维护的故障率阈值、维护时间间隔和维护手段。最后,论文以A公司的数控车床设备为研究对象,将论文所述方法应用于企业实际中,在对设备故障率准确预测的基础上,获得最佳预防性维护故障率阈值、维护时间间隔和相应维护手段,初步应用结果表明了本文所述方法的可靠性和有效性。