买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京工业大学

摘要：本发明涉及基于深度学习分位数回归的发动机故障维修策略生成方法，包括：取发动机的运行数据，基于变分自编码器从所述运行数据中提取低维特征；利用门控循环单元结合分位数回归与核密度估计技术构建发动机故障概率预测模型，将提取的低维特征输送该模型中，计算在役发动机故障时间的概率密度；通过在役发动机的故障时间概率密度制定备件替换成本函数和备件订购成本函数；通过最小化两个成本函数确定发动机备件最优订购时间和最优替换时间。本发明通过设计集成模型能够实现发动机故障时间的概率预测，与现有几种预测维修方法相比，本发明方法在提高预测精度和降低维修成本方面具有一定的竞争力，并且该预测维修策略能够很好适应成本变化。

主权项：1.基于深度学习分位数回归的发动机故障维修策略生成方法，其特征在于，包括以下步骤：S1、获取发动机的运行数据，基于变分自编码器VAE从所述运行数据中提取低维特征；S2、利用门控循环单元GRU结合分位数回归QR与核密度估计技术KDE构建发动机故障概率预测模型，将提取的低维特征输送该模型中，计算在役发动机故障时间的概率密度；其具体过程包括以下步骤：S21、更新门控循环单元GRU，利用门控循环单元GRU处理变分自编码器VAE所提取深层次特征中的时间序列，更新门zt控制从上一时刻状态ht-1保留的向量特征信息以及从候选状态中接收的向量特征信息，以确保数据的不断更新，即： 其中，zt和rt分别为GRU更新门和重置门的输出，为候选状态，ht为当前状态，σ和tanh为非线性激活函数，为t时刻VAE提取的低维特征，ht-1为上一时刻状态，Wz和bz为更新门的权重和偏置，Wr和br为重置门的权重和偏置，和为候选状态的权重和偏置，⊙为向量元素乘法；S22、获得门控循环单元GRU输出ht，一旦更新了当前状态ht，则可以通过更新门获得最终输出的预估计值即: 其中，Ws为最终输出的权重，bs为最终输出的偏置；S23、构建分位数回归QR层损失函数，利用分位数回归QR技术对不同分位数下的剩余寿命进行预测，相应地，τi分位数i＝1,2…,n的损失函数如下： 其中，yt为更新门最终输出的实际值，为更新门最终输出的预估计值，Wτi表示Wzτi,Wrτi，和Wsτi组成的权重集，bτi表示由bzτi,brτi,和bsτi组成的偏置集，λ1为正则化项的惩罚参数；S24、确定门控单元结合分位数回归GRUQR模型的参数，GRUQR模型的权重集和偏置集被更新为：W”τi＝Wτi+ηδWτi；3b”τi＝bτi+ηδbτi；4其中，Wτi和bτi表示在τi下的权重集和偏置集，δWτi和δbτi表示在τi下的梯度，η为学习率；最后，通过公式3和公式4的连续迭代得到最优参数{W*τi,b*τi}，直到损失误差或迭代次数epoch达到预设值；S25、计算在役发动机不同分位数下预测的发动机故障时间，利用得到的模型参数集θ*τi＝{W*τi,b*τi}，得到τi分位数i＝1,2…,n下的发动机剩余寿命预测值： 其中，表示参数集为θ*τi的GRUQR模型的映射函数，为t时刻VAE提取的低维特征，因此，在当前时刻t，τi分位数下预测的发动机故障时间可表示为： S26、计算在役发动机故障时间的概率密度，根据n个分位数下预测的发动机故障时间，利用核密度估计技术KDE计算发动机故障时间的概率密度，如下所示： 其中，z为发动机实际故障时间，w为窗口宽度，可根据经验法则确定，即: S3、通过获得的在役发动机的故障时间概率密度制定备件替换成本函数RCF和备件订购成本函数OCF；其具体过程包括以下步骤：S31、制定备件替换成本函数RCF：假设交货期M不变，有to+M≤tr，其中to为备件的订购时间，tr为备件的替换时间，根据在第k次监测时获得的故障预测信息，决定何时订购备件和何时更换故障部件；维修决策的目标是找到最优替换时间以使预期预防性和预期故障替换成本最小；令预期预防性替换成本为dp，故障替换成本为df，第k次监测时的预期预防性替换成本等于dp与发动机生存概率的乘积，而第k次监测时的预期故障替换成本等于df与的乘积，表示发动机在第k次监测tr时刻的故障概率，因此，每个周期的预期替换成本由第k次监测时的预期预防性替换成本和第k次监测时的预期故障替换成本组成，表示为： 其中，表示每个周期的预期替换成本，表示为发动机在第k次监测t时刻的故障概率：其中，为发动机故障时间的概率密度；期望周期长度为： 其中，T1ktr表示期望周期长度，为第k次监测时的备件的替换时间，表示发动机在第k次监测时刻的故障概率；因此，备件替换成本函数RCF可以由导出，即： 其中，CRr表示备件替换成本函数RCF；S32、制定备件订购成本函数OCF：库存决策的目标是使备件持有成本和缺货成本最小，通过求解最优替换时间可以确定最优订购时间每个周期的预期缺货成本为： 其中，表示每个周期的预期缺货成本；ks为单位时间内的缺货成本，表示第k次监测时的备件的订购时间,每个周期的预期持有成本为： 其中，表示每个周期的预期持有成本；kh为单位时间的持有成本,期望周期长度为： 因此，备件订购成本函数OCF可以由导出即： 其中，CRo表示备件订购成本函数OCF；S4、通过最小化两个成本函数确定发动机备件最优订购时间和最优替换时间。

全文数据：

权利要求：

百度查询： 南京工业大学 基于深度学习分位数回归的发动机故障维修策略生成方法