一种基于深度学习的装备维护修理时机确定系统及方法

技术领域

本发明涉及一种基于深度学习的装备维护修理时机确定系统及方法,属于人工智能技术领域。

背景技术

装备维护修理修理决策是指基于状态监测信息及其分析和解释，评估和预知被监测装备的状态，并根据一定的优化目标，如费用、安全、停机时间、可用度等，推荐当前最佳的维护修理策略。从实施过程看，状态维护修理决策首先是建立状态预知模型，然后根据一定的优化目标建立决策优化模型，最后求解最佳的维护修理策略。由此可知，模型是状态维护修理决策的核心，建模是状态维护修理决策的手段。状态维护修理决策建模主要包括以下3个方面内容：①缺陷状态的早期识别建模。常用的方法就是将状态监测参数的实际测量值与预先设定好的报警阈值进行比较，当超过报警阈值时，则表明出现异常，处于缺陷状态，需要引起操作人员和维护修理人员的注意；反之，则为正常状态。②系统状态预知建模。装备状态预知是进行状态维护修理决策的关键，装备状态预知建模可分为直接监测的状态预知建模和间接监测的状态预知建模。直接监测是指测量信息直接反映了被监测对象的状态，或监测对象的状态可以通过检查直接观察到。间接监测是指测量信息不能直接反映被监测对象真实的劣化状态，但它们之间往往存在某种随机相关关系。③维护修理决策优化建模。维护修理决策优化建模就是基于系统的状态预知模型，结合故障风险和预防维护修理费用等，并根据一定的优化目标，建立相应的维护修理决策优化模型。

维护修理行为决策就是针对装备当前的状态确定最佳维护修理行为的过程。一般来讲，系统的维护修理行为主要有继续监控、定期检测、预防维护修理和预防更新等。通常情况下，为避免装备故障发生而导致严重事故和经济损失，往往一旦监测到某种缺陷或异常发生，则立刻进行修理或更换，以充分利用和发挥装备的有效工作寿命，提高系统的完好率。维护修理时机决策就是依据装备故障规律和当前状态确定最佳预防维护修理时间的过程。维护修理时机决策的关键是维护修理决策阈值的确定，为最大限度地发挥装备的有效工作寿命，通常采用可用度作为评价指标，最大可用度所对应的时刻即为最佳维护修理时机。检测间隔决策就是综合考虑装备的使用特点、技术状态和退化趋势等，确定合适的状态检测间隔的过程。对于地面复杂系统的关键重要部件，有的可采用在线连续状态监测，有的只能采取外部离散状态检测，由于装备的劣化程度随时间而增大，传统的定期检测往往会造成过检和漏检，因此，需要依据历史数据和当前状态信息来确定合适的状态检测间隔。

在进行地面复杂系统状态维护修理决策时，通常需要综合考虑以下因素：系统剩余寿命是进行状态维护修理决策的客观依据，是建立决策优化模型的关键因素，因此，需要依据状态监测数据、维护修理检测数据和装备故障数据等，运用相关的预测理论和方法进行装备剩余寿命预测。维护修理检查费用是进行状态维护修理决策的约束条件，也是建立决策优化模型的重要因素。实施状态维护修理决策的目标之一是使预防性维护修理费用最低，维护修理检查的次数越多，不仅对装备的可靠性和性能带来影响，而且无形中增加了装备维护修理费用。装备状态维护修理决策还与装备的使用情况密切相关，需要针对不同使用情况进行状态维护修理决策。

发明内容

为克服现有技术的缺点，本发明提供一种基于深度学习的装备维护修理时机确定系统及方法，其根据多个车辆的测量数据对维护修理模型进行训练，利用已训练的模型预测当前为健康车辆的修理时机,能够根据不同的使用情况对装备进行维护修理,节省了资源。

为实现所述发明目的，本发明提供一种基于深度学习的装备维护修理时机确定系统，包括：第一数据输入模块，被配置为获取一个或多个车辆的当前为健康装备的第一时间序列数据；第二数据输入模块，被配置为获取一个或多个车辆已维护修理装备的第二时间序列数据，其特征在于，还包括：人工智能模块，其包括训练模块和维护修理改时机确定模块，其中，训练模块被配置为将第二时间序列数据转换为第二进制序列并根据第二二进制序列对维护修理时机模型进行训练；维护修理改时机确定模块被配置为将第一时间序列数据转换为第一二进制序列，利用已训练的维护修理时机模型根据第一二进制序列计算车辆当前为健康装备的维护修理时机。

为实现所述发明目的,本发明还提供一种基于深度学习的装备维护修理时机确定方法，包括如下步骤：第一数据输入步骤，该步骤中获取一个或多个当前为健康装备的第一时间序列数据；第二数据输入步骤，该步骤中被配置为获取一个或多个车辆已维护修理装备的第二时间序列数据，其特征在于，还包括：

训练模块，步骤中将第二时间序列数据转换为第二进制序列并根据第二二进制序列对维护修理时机模型进行训练，以及维护修理改时机确定步骤，该步骤中将第一时间序列数据转换为第一二进制序列，利用已训练的维护修理时机模型根据第一二进制序列计算车辆当前为健康装备的维护修理时机。

优选地，维护修理时机模型为回归模型。

优选地，回归模型包括输入层、编码层、输出层和模型优化层，其中，输入层输入二进制序列X＝[x

编码层第z

z

式中W为编码层的网络参数；

输出层输出的目标量由下式表示：

y＝[y

式中，

输出层输出的目标量估计值与编码层的神经元向量的关系为：

式中，Z＝[z

模型优化层通过使

优选地，维护修理改时机确定模块根据下式确定装备的维护修理时机

与现有技术相比，本发明提供的基于深度学习的装备维护修理时机确定系统及方法，其其根据多个车辆的测量数据对维护修理模型进行训练，利用已训练的模型预测当前为健康车辆的修理时机,能够根据不同的使用情况对装备进行维护修理,节省了资源。

附图说明

图1是本发明提供的分层融合式车辆全面健康管理系统架构的组成框图；

图2是本发明提供的车辆系统的硬件组成框图；

图3是本发明提供分队系统的硬件组成框图；

图4是基于车辆子系统健康状态的车辆执行任务能力的匹配方法的工作流程图；

图5是本发明提供的模糊神经网络的结构示意图；

图6是本发明提供的人工智能诊断推理模块工作流程图；

图7是本发明提供的基于深度学习的装备修理时机预测系统的组成框图；

图8是本发明提供的装备修理时机模型的组成框图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，本文所用的术语仅用于描述特定实施例的目的，而并非旨在限制本发明。除非上下文明确指出，否则如本文中所使用的单数形式“一”、“一个”和“该”等意图也包括复数形式。使用“包括”和/或“包含”等术语时，是意图说明存在该特征、整数、步骤、操作、元素和/或组件，而不排除一个或多个其他特征、整数、步骤、操作、元素、组件、和/或其他组合的存在或增加。术语“和/或”包括一个或多个相关列出项目的任何和所有组合。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

图1是本发明提供的分层融合式车辆全面健康管理系统架构的组成框图；如图1所示，车辆分队至少包括分队管理系统和第1到第N个车辆，分队管理系统如图2所示，其为分队管理层，根据完成任务的指标值及总花费通过优化模块对每个车辆进行配置；车辆上配置有图2所示的车辆系统，其用于检测各系统的健康状态数据，并调用数据库中已学习的子系统和/或车辆模型通过诊断推理模块、预测推理模块、异常检测模块模对子系统和/或车辆进行异常检测、故障诊断、剩余寿命预测，并通过集成模块将测量数据、检测结果、预测结果进行集成而后发送给分队管理系统，分队管理系统对接收的数据进行处理存储于数据库中，并对异常检测模型、故障诊断模型、剩余寿命预测模型等进行训练，并进行战争能力评估等，而后进行智能决策。

图2是本发明提供的分队健康管系统的硬件组成框图，如图2所示，系统包括通过总线连接的处理器20、存储器21,存储器21包括数据库,其用于存储车辆发送来的数据，并存储了子系统级诊断推理模型、子系统级预测推理模型、子系统级异常检测模型、车辆级预测推理模型、车辆级预测推理模型、车辆级异常检测模型等。处理器20调用存储器中存储的程序以实施分队健康管理层的功能，分队健康管理层包括数据处理模块、模型训练模块、战斗力评估模块和决策模块。数据处理模块对车辆发送来的数据进行处理并存储于数据库中；模型训练模块调用已处理的数据并对各种模型进行训练。车辆健康状态评估调用数据并对车辆的战斗力进行评估。决策模块用于节点指挥的决策，其包括车辆监控模块、任务规划辅助模块和车辆配置优化模块。分队健忘康管理系统还包括输入输出接口24，其用于数据输出也用于输入指令等。分队健康管理系统还包括通信单元23，其用于与车辆、上级系统等进行通信，所述通信为保密通信。分队健忘康管理系统还包括显示器22，模型训练模块、战斗力评估模块、优化模块等的执行过程及最终结果均可以显示器22上显示，以便于操作员观察。

图3是本发明提供的车辆系统的硬件组成框图，如图3所示，车辆系统包括通过总线连接的多个传感器,如火控传感器15、动力传感器16等，将它们布置为车辆分队健康管理架构的状态感知层，用于获取车辆各子系统的健康状态数据，并将健康状态数据通过总线传送给存储器11。车辆系统还包括处理器10和存储器11,存储器11包括数据库,其用于存储状态感知层发送来的数据以及已训练的子系统级诊断推理模型、子系统级预测推理模型和子系统级异常检测模型，处理器10调用这些模型并根据存储器存储的状态感知层发送来的各子系统的健康状态数据以实现子系统级诊断推理模块、系统级预测推理模块和子系统级异常检测模块的功能。子系统级诊断推理模块、子系统级预测推理模块、子系统级异常检测模块和数据库形成子系区域管理层，该层还包括集成模块，其将状态感知层发送来的数据及子系统级诊断推理模块、系统级预测推理模块、子系统级异常检测模块对数据的处理结果进行集成处理并发送给车辆健康管理层。本发明中，存储器11中还存储已训练的车辆级诊断推理模型、车辆级级预测推理模型和车辆级异常检测模型，处理器调用这些模型并对存储器存储的子系统区域管理层发送来的数据以实施以实现车辆级诊断推理模块、车辆级预测推理模块和车辆级异常检测模块的功能。车辆健康管理层还包括集成模块，其对子系统区域管理层发送来的数据及车辆级诊断推理模块、车辆级预测推理模块和车辆级异常检测模块的处理数据打包括通过输入输出接口14输出，也用于通过通信单元13发送能分队健康管系统。本发明中，子系统级诊断推理模块、子系统级预测推理模块、子系统级异常检测模块、车辆级诊断推理模块、车辆级预测推理模块、车辆级异常检测模块对输入数据的处理结果可通过车辆的显示器进行显示以供车辆人员进行观察。

本发明中，作为硬件一个或多个处理器可以实现为一个或多个微处理器、微型计算机、微控制器、数字信号处理器、中央处理单元、逻辑电路和/或基于操作指令操纵信号的任何设备。处理器被配置成获取并执行存储在存储器中的计算机可读指令。软件系统可以在各种计算系统中实现，诸如膝上型计算机、笔记本、手持设备、工作站、大型计算机、服务器、网络云等。输入输出(I/O)接口可以包括各种软件和硬件接口，例如，其可连接打印机、键盘、U盘、网络、电缆、鼠标等。通信单元被配置为通过无线网(诸如WLAN、蜂窝或卫星)与其它设备进行通信。显示器用于与用户进行可视交互。

图4是基于车辆子系统健康状态的车辆执行任务能力的匹配方法的工作流程图，如图1所示，方法包括：S01:建立初始矩阵：获取分队车辆中K个子系统中J个健康状态测量值，建立初始矩阵:

矩阵中的元素f

S02；子系统初始权重计算:a)对健康状态测量值进化归一化处理,构建归一化矩阵:

其中,

b)计算子系统k的初始权重：

S03：对初始权重进行修正：

a)对子系统两两之间的重要程度作比较，构建出两两比较的非零判断矩阵：

式中任一元素为c

b)计算子系统对车辆执行任务的能力的贡献度：

c)根据贡献度确定最终权重：

S04：确定最佳匹配值：

a)构建加权规范化矩阵：

b)求加权规范化矩阵每行中元素的最大值和最小值：

式中v

c)计算加权规范化矩阵每行中元素与最大值和最小值的欧氏距离：

c)计算加权规范化矩阵每行中元素的排序因子：

d)根据排序因子的大小，对各子系统健康状态测量值进行优劣排序，取γ

基于车辆子系统健康状态的车辆执行任务能力的匹配通常在分队健康管理层实施，当根据指标值对车辆匹配好后，使车辆投入使用以完成任务。此时，车辆感知层中的传感器分别监控并量测各子系统，并将各传感器将测量值分别传送给子系统区域管理层，子系统区域管理层根据传感器传送的数据采用图6的流程对各子系统进行诊断推理，采用图8的流程对各子系统进行修理时机预测。

图6是本发明提供的人工智能诊断推理模块工作流程图，本发明中的诊断推理模块仍然类似于图5所示的神经网络。诊断推理方法包括：学习步骤：学习车辆子系统发生故障时各种故障值作为神经元组成二维图，所述故障值包括：用于确定电源电气系统性能的电流值、电压值，用于确定发动机性能和传动系统的电动机转子角速度值，用于确定行动系统能力的燃油剩余值的液位值；用于确定观察系统的灰度、亮度等。本发明中，学习(训练)步骤通常在车辆健康管理层内实施，在车辆健康管理层内，通过已发生故障的子系统的测量数据和故障值建立诊断推理模型，并将已学习(或已训练)的诊断推理模型发送给车辆。

计算步骤：计算车辆的子系统测量值与二维图中神经元之间的相似度，所述子系统测量值发动机测量值、传动系统测量值、传动系统测量值、行动系统测量值、电源电气系统测量值、观察系统测量值、灭火抑爆系统测量值、三防系统测量值、强光防御系统测量值、定位系统配置值和作业系统测量值、燃油剩余量测量值、弹药剩余量测量值及为维持它们所需费用；测量值由感知层的传感器量测确定；

推定步骤：在二维图中的多个神经元区中分别确定相似度最大的神经元，将相似度最大的神经元对应的故障推定为车辆子系统的故障。

更具体地，将车辆子系统测量值作为输入层，将与规定的车辆子系统故障值作为输出层的神经元并组成二维阵列，所述输入层的输入节点和输出层的输出节点用可以变权重ω

S01：初始化步骤：对模糊聚类神经网络进行初始化以初始化权重，确定初始学习值η

S02：距离计算步骤：计算输入向量F＝[f

S03：神经元选择步骤：将与输入向量F距离最小的输出层的神经元y

S04：权重调整步骤：通过下式调整神经元y

ω

式中，ω

S05：判断是否达到学习次数T，若没有重复S02-S04步；若达到，输出最终的最优竞争神经元，最优竞争神经元即为子系统对应的故障。

根据本发明另一实施例，还提供一种故障诊断模块，其包括学习模块：被配置为学习车辆子系统发生故障时各种故障值作为神经元组成二维图，所述故障值包括：用于确定电源电气系统性能的电流值、电压值，用于确定发动机性能和传动系统的电动机转子角速度值，用于确定行动系统能力的燃油剩余值的液位值；用于确定观察系统的灰度、亮度等；

计算模块：被配置为计算车辆的子系统测量值与二维图中神经元之间的相似度，所述子系统测量值发动机测量值、传动系统测量值、传动系统测量值、行动系统测量值、电源电气系统测量值、观察系统测量值、灭火抑爆系统测量值、三防系统测量值、强光防御系统测量值、定位系统配置值和作业系统测量值、燃油剩余量测量值、弹药剩余量测量值及为维持它们所需费用；测量值由感知层的传感器量测确定；

推定模块：被配置为在二维图中的多个神经元中分别确定相似度最大的神经元，将相似度最大的神经元对应的故障推定为车辆子系统的故障。

更具体地，人工智能诊断模模块将子系统测量值作为输入层，将与规定的车辆子系统故障值作为输出层的神经元并组成二维阵列，所述输入层的输入节点和输出层的输出节点用可以变权重ω

初始化模块：被配置为对模糊聚类进行初始化以初始化权重，确定初始学习值η

距离计算模块：根据式(4)计算输入向量F＝[f

神经元选择模块：被配置为将与输入向量F距离最小的输出层的神经元y

权重调整模块：被配置为通过式(5)和式(6)调整神经元y

判断模块，被配置为判断是否达到学习次数T，若没有重复执行距离计算模块、神经元选择模块和权重调整模块；若达到，输出最终的最优竞争神经元，最优竞争神经元即为子系统对应的故障。

图7是本发明提供的基于深度学习的装备修理时机预测系统的组成框图，如7所示，基于深度学习神经网络的装备维护修理时机确定系统，包括：训练模块100和预测模块200，所述训练模块100被配置通过已维护修理的装备的全寿命数对维护修理时机模型进行训练，预测模块200被配置为通过已训练的维护修理时机模型根据当前为健康装备的数据预其维护修理时机。本发明中，训练模块100包括输入时间序列模块103、装备寿命计算单元101、目标量计算单元102和维护修理(维护修理)时机模型104，其中，输入时间序列模块被配置为获取已维护修理过的装备参数时间序列；装备寿命计算单元101被配置为根据已维护修理过的装备获取装备的最大寿命r

图8是本发明提供的装备修理时机模型的组成框图。如图8所示，本发明提供修理时机模型，优选回归模型包括输入层、编码层、输出层和模型优化层。

在训练阶段中，输入层输入二进制序列X＝[x

编码层中第z

z

式中W为编码层的网络参数；

输出层输出的目标量由下式表示：

y＝[y

式中，

输出层输出的目标量估计值与编码层的神经元为：

式中，Z＝[z

模型优化层通过使

在预测阶段，输入层输入二进制序列X′＝[x′

编码层中第z

z

式中W为编码层的网络参数；

输出层输出的目标量估计值与编码层的神经元向量关系Z表示为：

维护修理改时机确定模块根据下式确定装备的维护修理时机

根据本发明一个实施例还提供一种基于深度学习神经网络的装备维护修理时机确定方法，所述方法与上述预测系统相应。

根据本发明一个实施例还提供一种存储介质，其用于存储利用计算机语言将上述的方法编成的可由处理器执行的程序代码，该程序代码用于实现该方法的一个或多个步骤。可读介质可以是任何装置，其可以存储、传送或传输由指令执行系统、装置或设备使用的计算机程序。

本发明中，将图8所示的基于浓度学习的装备修理时机预测系统存储于存储器11中，处理器10调用该预测系统以进行模型训练或进行修理时机预测。

本发明虽然以子系统级诊断推理模块、预测推理模块的实施为例进行了说明，但是对车辆级诊断推理模块、预测推理模块的实施可以采用类似的方法进行。

本发明虽然以一个分队配置的车辆及对车辆的发优化管理为例进行说明，但明并不限于一个分队的情况，其可以层层向上延伸和向下延伸。

本发明通过人工智能模块确定每个装备的维护修理时机，能够使装备发挥最大效能，节省了资源。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。