一种磨损部件自主维修决策方法技术

本发明专利技术公开了一种磨损部件自主维修决策方法，对磨损部件维修的历史检测数据进行标准化处理，构建磨损部件退化状态数据；对磨损部件退化状态数据进行主成分分析，筛选磨损部件退化特征，提取磨损部件退化特征参数；利用多任务学习神经网络构建磨损部件自主维修决策模型，同时执行维修判断任务和维修量决策任务；使用磨损部件退化特征参数对磨损部件自主维修决策模型进行训练；对磨损部件自主维修决策模型的神经网络参数进行学习；基于改进层次网格算法自主学习模型超参数，全局搜索到近似最优解。本发明专利技术采用多任务学习神经网络和改进层次网格算法进行自主决策，有助于磨损部件状态修的实施，提高磨损部件维修的经济性和安全性。性。性。

【技术实现步骤摘要】
一种磨损部件自主维修决策方法


[0001]本专利技术涉及可修设备维修管理
，特别是涉及一种磨损部件自主维修决策方法。

技术介绍

[0002]磨损部件在长期的使用过程中产生磨耗，当磨耗过限时极易造成设备停机等重大损失。为保障设备安全运行，对磨损部件采取有效的维修措施，恢复磨损部件的标准轮廓。目前，设备维修制度正逐步转向状态修，基于磨损部件的状态和剩余寿命进行维修时机决策。在此基础上，当磨损部件进入维修车间时，磨损部件的维修操作依赖于工程师经验，往往造成维修操作不当，导致维修浪费或欠维修。因此，亟需从客观的角度实施磨损部件维修操作，实现磨损部件自主维修决策，构建自主维修决策模型，并实现模型参数自主学习，从而提高磨损部件维修的经济性。

技术实现思路

[0003]本专利技术的专利技术目的在于提供一种磨损部件自主维修决策方法，解决基于磨损部件退化状态的自主决策维修操作的问题，从而支撑磨损部件状态修的实施。
[0004]本专利技术的专利技术目的通过以下技术方案实现：
[0005]一种磨损部件自主维修决策方法，包括以下步骤：
[0006](1)对磨损部件维修的历史检测数据进行标准化处理，构建磨损部件退化状态数据；
[0007](2)对磨损部件退化状态数据进行主成分分析，筛选磨损部件退化特征，提取磨损部件退化特征参数；
[0008](3)利用多任务学习神经网络构建磨损部件自主维修决策模型，磨损部件自主维修决策模型用于同时执行维修判断任务和维修量决策任务；其中，维修判断任务用于判断磨损后的部件轮廓是否需要维修；维修量决策任务用于决策磨损部件维修量或切削量并恢复磨损部件标准轮廓；维修判断任务辅助维修量决策任务的执行；
[0009](4)使用磨损部件退化特征参数对磨损部件自主维修决策模型进行训练；
[0010](5)对磨损部件自主维修决策模型的神经网络参数进行学习；
[0011](6)基于改进层次网格算法自主学习模型超参数，全局搜索到近似最优解。
[0012]较佳地，磨损部件自主维修决策模型的结构如下：
[0013]第1层组，仅有一层输入层，包含k个输入神经元，输入磨损部件退化特征参数；
[0014]第2层组，共享特征信息，包含3层隐含层：
[0015]第2
‑
1层，隐含层包含8个神经元，激活函数为tanh，训练时dropout部分节点；
[0016]第2
‑
2层，隐含层包含16个神经元，激活函数为tanh，训练时dropout部分节点；
[0017]第2
‑
3层，隐含层包含8个神经元，激活函数为tanh，训练时dropout部分节点；
[0018]第3层组，分类任务层，包含3层隐含层：
[0019]第3
‑
1层，隐含层包含16个神经元，激活函数为relu，训练时dropout部分节点；
[0020]第3
‑
2层，隐含层包含8个神经元，激活函数为relu，训练时dropout部分节点；
[0021]第3
‑
3层，分类结果输出层，激活函数为sigmoid，包含1个神经元，输出维修判断向量
[0022]第4层组，合并维修判断第3
‑
3层和共享特征信息第2
‑
3层神经元，包含9个神经元；
[0023]第5层组，回归任务层，包含3层隐含层：
[0024]第5
‑
1层，隐含层包含16个神经元，激活函数为tanh，训练时dropout部分节点；
[0025]第5
‑
2层，隐含层包含8个神经元，激活函数为tanh，训练时dropout部分节点；
[0026]第5
‑
3层，回归结果输出层，包含1个神经元，输出维修量向量
[0027]较佳地，对磨损部件自主维修决策模型进行训练的运算过程如下：
[0028]步骤S1，输入层输入磨损部件退化特征参数矩阵中的各组磨损部件X；
[0029]步骤S21，第2
‑
1层权重矩阵为w
(11)
，偏置向量为b
(11)
，dropout向量r
(11)
～Bernoulli(p
11
)，则第2
‑
1隐含层输出矩阵为：
[0030][0031]步骤S22，第2
‑
2层权重矩阵为w
(12)
，偏置向量为b
(12)
，dropout向量r
(12)
～Bernoulli(p
12
)，则第2
‑
2隐含层输出矩阵为：
[0032][0033]步骤S23，第2
‑
3层权重矩阵为w
(13)
，偏置向量为b
(13)
，dropout向量r
(13)
～Bernoulli(p
13
)，则第2
‑
3隐含层输出矩阵为：
[0034][0035]步骤S31，第3
‑
1层权重矩阵为w
(21)
，偏置向量为b
(21)
，dropout向量r
(21)
～Bernoulli(p
21
)，则第3
‑
1隐含层输出矩阵为：
[0036][0037]步骤S32，第3
‑
2层权重矩阵为w
(22)
，偏置向量为b
(22)
，dropout向量r
(22)
～Bernoulli(p
22
)，则第3
‑
2隐含层输出矩阵为：
[0038][0039]步骤S33，第3
‑
3层权重矩阵为w
(23)
，偏置向量为b
(23)
，则第3
‑
3层维修判断输出向量为：
[0040][0041]并对进行四舍五入取整，即
[0042]步骤S4，合并维修判断第3
‑
3层和共享特征信息第2
‑
3层
[0043]步骤S51，第5
‑
1层权重矩阵为w
(31)
，偏置向量为b
(31)
，dropout向量r
(31)
～Bernoulli(p
31
)，则第5
‑
1隐含层输出矩阵为：
[0044][0045]步骤S52，第5
‑
2层权重矩阵为w
(32)
，偏置向量为b
(32)
，dropout向量r
(32)
～Bernoulli(p
32
)，则第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种磨损部件自主维修决策方法，其特征在于包括以下步骤：(1)对磨损部件维修的历史检测数据进行标准化处理，构建磨损部件退化状态数据；(2)对磨损部件退化状态数据进行主成分分析，筛选磨损部件退化特征，提取磨损部件退化特征参数；(3)利用多任务学习神经网络构建磨损部件自主维修决策模型，磨损部件自主维修决策模型用于同时执行维修判断任务和维修量决策任务；其中，维修判断任务用于判断磨损后的部件轮廓是否需要维修；维修量决策任务用于决策磨损部件维修量或切削量并恢复磨损部件标准轮廓；维修判断任务辅助维修量决策任务的执行；(4)使用磨损部件退化特征参数对磨损部件自主维修决策模型进行训练；(5)对磨损部件自主维修决策模型的神经网络参数进行学习；(6)基于改进层次网格算法自主学习模型超参数，全局搜索到近似最优解。2.根据权利要求1所述的一种磨损部件自主维修决策方法，其特征在于磨损部件自主维修决策模型的结构如下：第1层组，仅有一层输入层，包含k个输入神经元，输入磨损部件退化特征参数；第2层组，共享特征信息，包含3层隐含层：第2
‑
1层，隐含层包含8个神经元，激活函数为tanh，训练时dropout部分节点；第2
‑
2层，隐含层包含16个神经元，激活函数为tanh，训练时dropout部分节点；第2
‑
3层，隐含层包含8个神经元，激活函数为tanh，训练时dropout部分节点；第3层组，分类任务层，包含3层隐含层：第3
‑
1层，隐含层包含16个神经元，激活函数为relu，训练时dropout部分节点；第3
‑
2层，隐含层包含8个神经元，激活函数为relu，训练时dropout部分节点；第3
‑
3层，分类结果输出层，激活函数为sigmoid，包含1个神经元，输出维修判断向量第4层组，合并维修判断第3
‑
3层和共享特征信息第2
‑
3层神经元，包含9个神经元；第5层组，回归任务层，包含3层隐含层：第5
‑
1层，隐含层包含16个神经元，激活函数为tanh，训练时dropout部分节点；第5
‑
2层，隐含层包含8个神经元，激活函数为tanh，训练时dropout部分节点；第5
‑
3层，回归结果输出层，包含1个神经元，输出维修量向量3.根据权利要求2所述的一种磨损部件自主维修决策方法，其特征在于对磨损部件自主维修决策模型进行训练的运算过程如下：步骤S1，输入层输入磨损部件退化特征参数矩阵中的各组磨损部件X；步骤S21，第2
‑
1层权重矩阵为w
(11)
，偏置向量为b
(11)
，dropout向量r
(11)
～Bernoulli(p
11
)，则第2
‑
1隐含层输出矩阵为：步骤S22，第2
‑
2层权重矩阵为w
(12)
，偏置向量为b
(12)
，dropout向量r
(12)
～Bernoulli(p
12
)，则第2
‑
2隐含层输出矩阵为：
步骤S23，第2
‑
3层权重矩阵为w
(13)
，偏置向量为b
(13)
，dropout向量r
(13)
～Bernoulli(p
13
)，则第2
‑
3隐含层输出矩阵为：步骤S31，第3
‑<...

【专利技术属性】
技术研发人员：黄兵，李冬冬，曹亮，王景霖，单添敏，沈勇，吴英建，黄蓝，
申请(专利权)人：中国航空工业集团公司上海航空测控技术研究所，
类型：发明
国别省市：