CN112446509B - 一种复杂电子装备预测维护方法 - Google Patents

Abstract

本发明公开了一种复杂电子装备预测维护方法，属于电子装备维护技术领域，包括以下步骤：S1：数据读取及预处理；S2：筛选关键影响因素；S3：装备系统状态分类；S4：决定最优维修策略。本发明采用FP‑Tree方法从历史故障数据中挖掘影响系统状态的故障因素的关联关系，筛选出影响系统状态的关键影响因素，有效简化了分类算法计算规模，提高了计算效率；基于关键影响因素实时状态数据对系统状态分类，引入强化学习方法智能动态决策最优维修策略，为实现装备精细化、智能化持续管理和自主化保障奠定基础。

Description

一种复杂电子装备预测维护方法

技术领域

本发明涉及电子装备维护技术领域，具体涉及一种复杂电子装备预测维护方法。

背景技术

复杂电子装备具有运行工况复杂、系统集成度高、性能要求高、关键零部件多等特点。在装备维护方面，复杂电子装备面临着装备智能化、快捷化、精细化管理和自主保障的发展需求。

现有的复杂电子装备维护在以下几个方面存在不足：(1)传统复杂装备维护多采取“定期维修”、“事后维修”手段，然而“定期维修”造成了不必要的运行扰动、停机时间和维修资源浪费，同时，“事后维修”所产生的故障维修时间、经济、资源成本也严重影响了装备的使用效能。(2)装备性能参数众多、系统状态特征异常辨识主要依赖于人工经验，存在一定的局限性。此外，对于装备运行过程中以及维修过程中产生的大量数据利用率低，缺乏挖掘装备状态数据与装备系统性能异常之间的内在联系，无法根据系统监测数据智能识别性能下降或辨识潜在的故障特征。(3)传统维修决策多处于静态被动维修决策，实时系统状态数据与维修策略缺乏动态关联，无法基于实时系统监测数据对复杂电子装备进行动态维修智能决策，获得最佳维修策略。因此，如何基于系统状态数据对复杂电子装备进行预测性动态维修决策是实现装备智能化管理、自主化保障亟需解决的重要问题。为解决上述问题，提出一种复杂电子装备预测维护方法。

发明内容

本发明所要解决的技术问题在于：如何解决传统维修决策无法基于实时系统监测数据对复杂电子装备进行动态维修智能决策，获得最佳维修策略的问题，提供了一种复杂电子装备预测维护方法。该方法结合装备已发生的故障数据，挖掘影响装备系统状态的关键影响因素，以及构建关键影响因素实时状态数据与系统状态之间的映射关系，针对系统的状态，自主智能决策装备的最佳维护策略；有效利用了复杂电子装备历史故障数据和实时数据辨识装备性能衰减特征、执行动态维修决策，大大的降低维修经济、人力和时间成本，为实现复杂电子装备实现智能化自主保障奠定基础。

本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：

S1：数据读取及预处理

根据复杂电子装备的运行状况，读取复杂电子装备故障系统、状态监控系统中的数据；

S2：筛选关键影响因素

挖掘历史故障数据中故障频次、故障种类，统计分析各分系统零部件故障频次以及故障关联关系，采用FP-Tree(频繁模式树)方法分析获取影响装备系统状态的关键影响因素；

S3：装备系统状态分类

对步骤S2中各关键影响因素状态数据进行聚类分析，根据簇异常点值与聚类中心的偏差范围以及异常点个数，对装备系统状态进行分类；

S4：决定最优维修策略

通过分析装备系统状态、动作及奖惩机制，构建马尔可夫决策模型，以最大化系统价值为目标，决定是否触发维修策略，实施最优维修策略。

更进一步地，在所述步骤S1中，分别读取历史故障数据包括复杂电子装备各个分系统及其零部件历史故障类型、故障频次、维修数据以及状态监控系统的各个分系统实时运行数据，并对上述数据清洗。

更进一步地，所述步骤S2的具体过程如下：

S21：构建原始每个分系统中各个关键零部件故障原始数据集，包括故障频次、故障类型；统计分系统及其零部件故障的关联发生频次，故障原始数据集分为训练数据子集和测试数据子集；

S22：随机选取多个训练数据子集，选择相应的节点分裂算法构建决策树；

S23：集成多棵决策树建立FP-Tree集成分类器；

S24：将分系统及其零部件故障测试数据子集输入至FP-Tree集成分类器中，获得关键影响因素分类结果

更进一步地，所述步骤S3的具体过程如下：

S31：读取步骤S2中由FP-Tree算法筛选出的关键影响因素的状态数据；

S32：随机选取多个关键影响因素的状态数据集中聚类中心，计算所有样本数据与聚类中心的欧式距离；

S33：将样本点分配至与其距离最近的聚类中心构成一个簇，在迭代过程中，不断更新各簇的聚类中心；

S34：当各簇的聚类中心位置不随迭代次数变化时，结束聚类过程；

S35：将每个簇的异常点值与聚类中心的不同偏差值范围来评估当前装备运行状态级别。

更进一步地，所述步骤S4的具体过程如下：

S41：读取步骤S1的故障系统中由FP-Tree算法筛选出的关键影响因素的维修数据,包括维修时间和维修经济成本；

S42:初始化系统状态、迭代次数、立即奖励、系统价值；

S43：计算系统状态每个簇的异常点值与聚类中心的不同偏差值范围，选择不同设备维修策略，随着迭代次数的增加更新系统状态的变迁时间和立即奖励；

S44：随着迭代次数的增加更新系统的平均奖励系数，即当前的系统立即奖励与系统状态变迁时间的比值；

S45：系统状态-动作和系统价值相对应，更新系统价值并选择下一个动作；

S46：采用sigmoid函数来选择动作，继续更新系统价值；

S47：若达到最大迭代次数，则系统价值最大化，即获得最优维修策略，反之，跳转至步骤S43。

本发明相比现有技术具有以下优点：

1)现有的复杂电子装备历史故障数据多用于记录存储，故障数据价值利用率较低，状态分类算法中没有基于历史故障数据来简化分类模型。本发明采用FP-Tree方法从历史故障数据中挖掘影响系统状态的故障因素的关联关系，筛选出影响系统状态的关键影响因素，有效简化了分类算法计算规模，提高了计算效率。

2)现有的复杂电子装备维护策略多为定期维护，预防维护，造成了维护成本和资源的浪费。在预测性维护方面研究较少，与系统实时状态缺乏关联，而且智能决策依赖于人工经验，存在一定的局限性。本发明基于关键影响因素实时状态数据对系统状态分类，引入强化学习方法智能动态决策最优维修策略，为实现装备精细化、智能化持续管理和自主化保障奠定基础。

附图说明

图1是本发明实施例二中维护方法的结构框图；

图2是本发明实施例二中维护方法的流程图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例一

本实施例提供一种技术方案：一种复杂电子装备预测维护方法，包括以下步骤：

S1：复杂电子装备零部件历史故障、维修数据和运行状态数据采集及预处理；

步骤S1的具体实现过程如下：

S11：根据复杂电子装备的运行状况，从复杂电子装备故障数据系统中读取复杂电子装备历史故障数据、维修数据，包括各分系统关键零部件的故障发生频次、故障发生类别、更换零部件种类、维修时间、维修成本；

S12：根据复杂电子装备工作特点及工况条件，从复杂电子装备实时运行系统中读取运行过程中的装备各分系统(电源分系统、光电跟踪分系统、环控分系统、伺服分系统等)状态数据，对数据进行整理、归类、清洗及降噪。

S2：基于历史故障数据筛选影响装备系统状态的关键影响因素；

步骤S2的具体过程如下：

S21：读取每个分系统中各个关键零部件故障原始数据集M，包括故障频次和故障类型，其中故障原始数据集M分为训练数据子集S和测试数据子集C，在训练数据子集S中采用Bootstrap重抽样产生P个子训练样本，第P个样本子集可表示为S_P，向量I_j表示故障类型，其中j＝{1，2，…n}，n为故障总的个数；

S22：采用分系统及其零部件故障的年发生频次和类型作为各指标对装备系统影响力的衡量依据，具体包括以下步骤：

S221：在对应的子训练集S_P的基础上按照决策树算法构建决策树D_P；

S222：重复步骤S221中R次，生成FP-Tree中相互独立的R个决策树；

S223：将测试数据子集C输入到R个决策树中，采用集成投票方法获得FP-Tree的关键影响因素分类；

S224：由于FP-Tree的特性，多次求平均获得最终分类结果。

S3：评估复杂电子装备相应的状态分类；

步骤S3的具体实现如下：

S31：读取复杂电子装备运行状态数据集N，包括由步骤S2获得的简化后的装备系统状态关键因素，读取其对应的运行状态数据构成子集N_z，随机选取状态数据集中的K个样本作为初始聚类中心；

S32：依据公式(1)计算数据集N_z中第i个样本点x_i与各个聚类中心c_j间的欧式距离：

D(x_i，c_j)＝‖x_i-c_j‖₂ i＝1，2，3……n，j＝1，2，……K (1)

S33：将x_i分配至与其距离最近的聚类中心构成一个簇

τ_j＝argminD(x_i，c_j)j＝1，2，……K (2)

S34：更新每个簇内的聚类中心：

其中

表示簇中样本的个数。

S35：是否满足聚类中心更新后值不变，满足即终止，不满足，重复步骤S32-S33直至达到终止条件完成聚类；

S36：根据簇异常值v_n(n＝1，2，…q)与聚类中心c_j的偏差范围，其中n为异常值个数，不同的偏差范围对应装备系统状态分类。

S4：构建部分马尔可夫决策过程(PMDP)模型，决定最优预测维护策略；

步骤S4的具体实现如下：

S41：定义强化学习要素和奖惩策略，包括装备系统状态、动作以及奖惩。装备系统状态可以用各个关键影响因素数据异常程度来衡量，可将装备性能状态s_t定义为一个随时间t波动递减的函数，R(s_t，a_t，s_t+1)定义为状态在t时刻动作a的作用下，状态由s_t向s_t+1转变s(t)的系统立即奖励。s_t与每个关键影响因素的聚类中心c′_j和异常值v_q的偏差比例P_FK、维保间隔时间t_w相关。即s_t＝(c′_j，P_FK，t_w)。其不同状态对应的行动空间a取值范围为0、1/3、2/3、1，依次对应装备继续运行、装备需要较小程度维护维修、装备终止运行且触发最大程度的维修。当正常运行时，装备对应的奖励是装备固定折旧成本(-C_g)和惩罚成本(-C_f)，状态变迁时间t_c，此时惩罚成本和状态变迁时间为0。当实施最小维修后，其装备状态对应的奖励是装备固定折旧成(-C_g)和惩罚成本(-C_f)，此时惩罚成本为最小维修所消耗的维修成本(-C_fx)，状态变迁时间t_x，维修成本及状态变迁时间参照其维修策略对应的维修经济成本和维修时间。当实施最大维修后，其装备状态对应的奖励是装备固定折旧成本(-C_g)和惩罚成本(-C_f)，此时惩罚成本为最大维修所消耗的维修成本(-C_fd)和装备中断运行造成的损失(-C_fs)，状态变迁时间t_d。当电子装备经过最小程度或者最大程度的维修后，装备又恢复正常运行状态。

42：构建PDMP模型。该步骤采用最大系统价值为最优策略的目标函数

其中系统评价指标与状态-动作一一对应，结合时间差分方法采用贝尔曼方程对装备系统状态-动作的建模如下：

Q(s_t，a_t)＝(1-α)Q(s_t，a_t)+α[R(s_t，a_t，s_t+1)-pt(s_t，a_t，s_t+1)+max R(s_t+1，b)] (5)

其中p表示系统的平均奖励系数，α表示衰减因子，α_t+1＝jα_t，j为趋近1的小数。

S43：采用强化学习方法迭代获得最佳维修策略。

该步骤具体实现如下：

S431：初始化相应的参数值。如系统立即奖励R(s_t,a_t,s_t+1)和状态变迁时间t_c初始值为0，迭代次数为K_N，系统原始状态为s₀，系统价值为Q(s_t,a_t)。

S432：更新系统状态变迁的时间和立即奖励：

S433：更新系统平均奖励系数p:

S434：参照公式(5)更新系统价值；

S435：由sigmoid函数来选择动作

其中

S436：若达到最大迭代次数，满足终止条件，跳转到步骤S437，否则跳转到步骤S432

S437：最佳维修策略可得：

实施例二

本实施例提供了一种基于FP-Tree-K-Means和强化学习的复杂电子装备预测维护方法，结构框图如图1所示。该方法基于复杂电子装备历史故障数据采用FP-Tree方法挖掘影响装备系统状态的关键影响因素，融合系统关键影响因素状态数据采用K-Means聚类方法对系统状态分类，最后采用强化学习方法对不同系统状态智能动态决策最佳维护策略。

本发明使用python软件工具编写程序，采用pandas和numpy库用于数据分析计算，本实施例的具体实施方式如下：

(1)基于历史故障数据筛选影响系统的关键影响因素，具体实现如下：

11)读取复杂电子装备历史故障数据记录，统计分析发生故障的分系统或者零部件种类(风机、UPS电源、排线器、阀门、风速仪等)、年发生频次。

12)在FP-Tree方法中对每棵决策树中的故障记录数据中发生关联故障频次高(频次≥3次)、发生关联故障零部件多(关联因素超过3个以上)的予以保留，频次低(频次小于3次)、且种类少(关联因素小于3个)的予以删除。

13)集成多棵决策树，集成投票获得FP-Tree的关键影响因素分类结果。

14)由于FP-Tree固有的随机性，通过多次求平均值。可明确系统中历史故障数据中发生故障频次高且存在故障关联的分系统或者零部件，上述对象则视为对装备系统状态影响的关键影响因素。

(2)复杂电子装备系统状态分类，具体实现如下：

21)读取复杂电子装备关键影响因素(参见步骤(1))的状态数据；

22)随机选取多个关键影响因素的状态数据集中聚类中心，参照公式(1)计算所有样本数据与聚类中心的欧式距离；

23)参照公式(2)～(3)计算，与聚类中心最近的距离为一簇，在算法迭代过程中，不断更新簇的聚类中心；

24)参照公式(4)计算更新簇的聚类中心，当簇的聚类中心位置不随迭代次数变化，则算法结束。

25)若每个簇的异常点值或者合成系统的异常值与聚类中心的偏差范围达到30％、50％、80％以上对应不同级别的设备状态分级1，2，3，4，该偏差阈值可根据复杂电子装备实际工况条件调整。

(3)决定最优维修策略，具体实现如下：

31)读取步骤(1)的故障系统中由FP-Tree算法筛选出的关键影响因素的维修时间和维修经济成本数据；

32)初始化系统状态值、迭代次数、系统立即奖励、系统价值；

33)计算系统状态关键影响因素的异常点值与聚类中心的偏差范围，自主选择不同维修策略(不修、小修、中修和大修)，计算其对应的系统立即奖励以及维修状态变迁时间。

34)参照公式(6)～(8)更新系统状态的变迁时间、系统立即奖励、系统平均奖励系数；

35)系统状态-动作和系统价值相对应，参照公式(5)更新系统价值并选择下一个动作；

36)参照公式(9)采用sigmoid函数来选择动作，继续更新系统价值。

37)若达到最大迭代次数，参照公式(10)计算系统价值最大化，即获得最优维修策略，反之，跳转至步骤33)。

需要说明的是，本实施例的公式均为实施例一中的公式。

综上所述，上述实施例的复杂电子装备预测维护方法，采用FP-Tree方法从历史故障数据中挖掘影响系统状态的故障因素的关联关系，筛选出影响系统状态的关键影响因素，有效简化了分类算法计算规模，提高了计算效率；基于关键影响因素实时状态数据对系统状态分类，引入强化学习方法智能动态决策最优维修策略，为实现装备精细化、智能化持续管理和自主化保障奠定基础。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (3)

1.一种复杂电子装备预测维护方法，其特征在于，包括以下步骤：

S1：数据读取及预处理

根据复杂电子装备的运行状况，读取复杂电子装备故障系统、状态监控系统中的数据；

S2：筛选关键影响因素

挖掘历史故障数据中故障频次、故障种类，统计分析各分系统零部件故障频次以及故障关联关系，采用FP-Tree方法分析获取影响装备系统状态的关键影响因素；

所述步骤S2的具体过程如下：

S21：构建原始每个分系统中各个关键零部件故障原始数据集，包括故障频次、故障类型；统计分系统及其零部件故障的关联发生频次，并将故障原始数据集分为训练数据子集和测试数据子集；

S22：随机选取多个训练子集，选择相应的节点分裂算法构建决策树；

S23：集成多棵决策树建立FP-Tree集成分类器；

S24：将分系统及其零部件故障测试数据子集输入至FP-Tree集成分类器中，获得关键影响因素分类结果；

S3：装备系统状态分类

对步骤S2中各关键影响因素状态数据进行聚类分析，根据簇异常点值与聚类中心的偏差范围以及异常点个数，对装备系统状态进行分类；

S4：决定最优维修策略

通过分析装备系统状态、动作及奖惩机制，构建马尔可夫决策模型，以最大化系统价值为目标，决定是否触发维修策略，实施最优维修策略；

所述步骤S4的具体过程如下：

S41：读取步骤S1的故障系统中由FP-Tree算法筛选出的关键影响因素的维修数据；

S42：初始化系统状态、迭代次数、立即奖励、系统价值；

S43：计算系统状态每个簇的异常点值与聚类中心的不同偏差值范围，选择不同设备维修策略，随着迭代次数的增加更新系统状态的变迁时间和立即奖励；

S44：随着迭代次数的增加更新系统的平均奖励系数，即当前的系统立即奖励与系统状态变迁时间的比值；

S45：系统状态-动作和系统价值相对应，更新系统价值并选择下一个动作；

S46：采用sigmoid函数来选择动作，继续更新系统价值；

S47：若达到最大迭代次数，则系统价值最大化，即获得最优维修策略，反之，跳转至步骤S43。

2.根据权利要求1所述的一种复杂电子装备预测维护方法，其特征在于：在所述步骤S1中，分别读取复杂电子装备历史数据库中的故障数据、维修数据、状态监控系统数据库中各个分系统的运行数据，并对上述所有数据进行清洗。

3.根据权利要求1所述的一种复杂电子装备预测维护方法，其特征在于：所述步骤S3的具体过程如下：

S31：读取步骤S2中由FP-Tree算法筛选出的关键影响因素的状态数据；

S32：随机选取多个关键影响因素的状态数据集中聚类中心，计算所有样本数据与聚类中心的欧式距离；

S33：将样本点分配至与其距离最近的聚类中心构成一个簇，在迭代过程中，不断更新各簇的聚类中心；

S34：当各簇的聚类中心位置不随迭代次数变化时，结束聚类过程；

S35：将每个簇的异常点值与聚类中心的不同偏差值范围来评估当前装备的运行状态级别。

Images