CN116468425B - 多态系统的联合运维优化方法、电子设备和计算机可读存储介质 - Google Patents
多态系统的联合运维优化方法、电子设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN116468425B CN116468425B CN202310441350.0A CN202310441350A CN116468425B CN 116468425 B CN116468425 B CN 116468425B CN 202310441350 A CN202310441350 A CN 202310441350A CN 116468425 B CN116468425 B CN 116468425B
- Authority
- CN
- China
- Prior art keywords
- state
- polymorphic
- maintenance
- detection
- expected
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000005457 optimization Methods 0.000 title claims abstract description 38
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 125
- 230000007774 longterm Effects 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 20
- 230000000694 effects Effects 0.000 claims abstract description 17
- 230000008901 benefit Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 40
- 238000004519 manufacturing process Methods 0.000 claims description 25
- 230000007704 transition Effects 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000009471 action Effects 0.000 claims description 16
- 238000006731 degradation reaction Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 230000015556 catabolic process Effects 0.000 claims description 10
- 230000003449 preventive effect Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
多态系统的联合运维优化方法、电子设备和计算机可读存储介质,属于多态系统运维优化领域,为了解决现有多态系统运维优化目标不能更精准符合实际运维的问题,技术要点包括确定所述多态系统的长期折扣状态检测成本、两次相邻状态检测间的期望停机成本以及两次相邻状态检测间的期望收益;根据所述多态系统的长期折扣状态检测成本、两次相邻状态检测间的期望停机成本以及两次相邻状态检测间的期望收益,通过马尔可夫决策过程求解多态系统的长期运行期望折扣总成本,确定最优的状态检测区间以及所述最优的状态检测区间对应的最优载荷水平决策集合和维修策略集合,效果是能相比任一单一运维策略的期望总成本更低。
Description
技术领域
本发明属于多态系统运维优化领域,涉及一种多态系统的联合运维优化方法、设备和计算机可读存储介质。
背景技术
在航空航天、通信、电力、核工业等诸多领域中,系统及其元件都可能表现出多个性能水平(或状态),这种系统称为多状态系统,本发明中简称多态系统。多态系统的主要特性为系统可处于介于全新和完全失效之间的一些中间状态,这些状态可以是离散的也可以是连续的,常用于刻画一些具备多性能水平的系统或多部件系统。通常情况下,多态系统的状态随时间变化而变化,评估其可靠性需要考虑各个状态出现的概率以及状态之间的转移概率。
状态检测常用于检测多态系统在运行过程中的健康水平,基于所获得的系统状态信息,管理人员可实施各项运维策略以保障系统的高可靠、高效率运行。视情维修策略是指根据多态系统状态决定是否进行维修活动以及采取何种维修方式(预防性维修、事后维修),实现以最小的期望总成本保证最高的系统运行可靠性。
对于具有多种可控载荷水平的多态系统而言,在不同的载荷水平下运行会对多态系统的失效过程产生不同的影响,如生产设备以较高的生产率运行会增加设备运行负载,进而增大其故障风险,加速生产设备失效。因此,动态调节多态系统的载荷水平能控制其退化过程,进而充分发挥系统效能。视情维修和动态载荷调节是两种常见的多态系统运维策略,能有效提高系统的可用度,通常情况下,这两种多态系统运维策略的决策需要基于当下多态系统的状态信息,如系统的退化水平、系统中失效部件的数量、系统的寿命等等,因此,必须通过一定的状态检测手段获取多态系统的状态信息,以支撑运维决策制定。
现有技术提供了对多态系统,特别是对一些诸如对多态系统中的工业生产系统或设备的退化过程进行建模,并刻画生产系统或设备退化过程与生产率之间的相依关系的方法,同时基于生产系统或设备退化过程及其与生产率之间的相依关系模型进行生产率调节和视情维修决策。该方法通过周期性的生产率调节控制生产系统或设备的退化过程,当生产系统或设备退化水平达到一定阈值时,进行预防性维修,若系统失效,则进行事后维修。
然而,载荷水平动态调节导致多态系统的失效过程呈现出随机变化的特征,多态系统的各项维修活动也应随之动态调整,现有的检测维修策略由于忽略了载荷水平调节对多态系统失效过程的影响而无法实现该目标,同时相关现有技术忽略了外部运行环境对系统失效过程的影响。因此需要一种考虑外部运行环境作用的多态系统状态检测、载荷水平调控及视情维修的联合运维优化方法。
发明内容
为了解决多态系统运维优化方法中,因多态系统失效呈现出随机变化的特征,但现有多态系统的各项运维活动无法随之动态调整,并忽略了外部运行环境对系统失效过程的影响,导致多态系统运维优化目标不能更精准符合实际运维的问题。
在第一方面上,根据本申请一些实施例的多态系统的联合运维优化方法,包括
S10.根据多态系统的历史信息确定在不同载荷水平下多态系统运行时冲击到达速率;通过随机变量表示多态系统在一载荷水平下运行时受到外部环境有效冲击后的随机劣化程度,根据所述随机劣化程度的分布函数,得到多态系统在不同载荷水平下运行时的状态转移概率矩阵;
S20.根据所述冲击到达速率以及所述多态系统在不同载荷水平下运行时的状态转移概率矩阵,得到多态系统在不同载荷水平下运行时的状态转移率矩阵;
S30.根据所述状态转移率矩阵,得到多态系统的可靠度函数以及多态系统剩余寿命的概率密度函数;
S40.确定所述多态系统的长期折扣状态检测成本、两次相邻状态检测间的期望停机成本以及两次相邻状态检测间的期望收益;
S50.根据所述多态系统的长期折扣状态检测成本、两次相邻状态检测间的期望停机成本以及两次相邻状态检测间的期望收益,通过马尔可夫决策过程求解多态系统的长期运行期望折扣总成本,确定最优的状态检测区间以及所述最优的状态检测区间对应的最优载荷水平决策集合和维修策略集合。
根据本申请一些实施例的多态系统的联合运维优化方法,所述多态系统的系统状态表示Ω={1,2,...,N+1},其中,1表示多态系统处于全新状态,N+1表示多态系统处于失效状态,1—N+1之间的数字表示多态系统处于逐渐由全新状态到失效状态的中间状态;所述多态系统的可运行载荷水平集合L={l1,...,lc}表示所述多态系统可在c个可能的载荷水平下运行,对于1≤u<v≤c,多态系统的可运行载荷水平lu<lv。
根据本申请一些实施例的多态系统的联合运维优化方法,其中所述步骤S20中,表示多态系统在载荷水平lu下运行时的状态转移概率矩阵,表示多态系统在载荷水平lu下运行时的状态转移率矩阵;
对于1≤i≤N+1,计算
对于1≤i≠j≤N+1,计算
得到多态系统在载荷水平lu下运行时的状态转移率矩阵
其中,λu表示多态系统在载荷水平lu下运行时冲击到达速率,j表示当多态系统处于系统状态i时受到一次有效冲击,所述有效冲击导致所述多态系统随机转移到一个更差的系统状态,i<j。
根据本申请一些实施例的多态系统的联合运维优化方法,其中所述步骤S30中,表示可靠度函数,/>表示多态系统剩余寿命的概率密度函数;
多态系统在第k次检测时的系统状态为i,若选择下一运行阶段的载荷水平为lu,则
多态系统的可靠度函数表示为:
其中,L表示多态系统的剩余寿命,t表示时刻,e=(1,...,1,0)1×(N+1),αi表示包含N+1个元素的行向量,其中第i个元素为1,其余元素均为0;
多态系统剩余寿命L的概率密度函数表示为:
其中,
根据本申请一些实施例的多态系统的联合运维优化方法,其中所述步骤S40中,表示多态系统的长期期望折扣状态检测成本,/>表示检测系统处于状态i,采取行动a时两次相邻状态检测间的期望停机成本,Wi(a)表示检测系统处于状态i,采取行动a时两次相邻状态检测间的期望收益;
多态系统的状态检测时间的间隔为τ,多态系统的长期折扣状态检测成本表示为:
第k次检测后多态系统的随机剩余寿命为L,0≤L≤τ,两次相邻状态检测间的折扣停机成本表示为
由此,两次相邻状态检测间的期望停机成本表示为:
第k次检测后多态系统的随机剩余寿命为L,0≤L≤τ,表示两次相邻状态检测间的期望收益Wi(a)表示为:
其中:ci表示检测成本、cd表示停机成本,折扣因子e-γt表征t时刻产生的成本在当前时刻体现的价值,0≤γ<1。
根据本申请一些实施例的多态系统的联合运维优化方法,其中所述步骤S50中,Vτ(k,i)表示多态系统的长期运行期望折扣总成本;
值函数Vτ(k,i)表示多态系统从第k次状态检测往后的最小期望总成本,且多态系统在第k次状态检测时处于状态i,多态系统在第k次检测后,根据多态系统状态信息所能采取的行动表示为
a1∈AP={PM,DN,CM},a2∈AL={l1,l3,l3},k=0,1,...,
其中,a1表示维修行动,a2表示载荷水平选择行动,Α表示所有可用行动集合,Ap表示所有可用的维修行动集合,AL表示所有可用的载荷水平集合,“PM”表示采取预防性维修,“DN”表示不进行维修活动,“CM”表示检测到多态系统失效对多态系统进行事后维修;
若多态系统在第k次状态检测时处于状态i,若决策者选择不进行维修活动,并决定以载荷水平lu继续运行之后,到下一次多态系统检测时多态系统处于状态j的概率表示为:
P(j|i,a=(DN,lu))=P(Y(k+1)τ=j|Ykτ=i,a=(DN,lu))=αiexp(Qlut)e′j,
其中,Ykτ和Y(k+1)τ分别表示两次状态检测的结果,ej表示包含N+1个元素的行向量,其中除第j个元素为1外,其余元素均为0;
若决策者选择采取预防性维修或检测到多态系统失效对多态系统进行事后维修,同时选择lu作为该生产设备下一阶段继续运行的载荷水平,到下一次多态系统检测时多态系统处于状态j的概率表示为:
值函数Vτ(k,i)满足的贝尔曼方程由下式表示:
其中,N表示系统失效前的最后一个状态,cp表示预防性维修成本,cf表示事后维修成本,
若决策者选择采取预防性维修或检测到多态系统失效对多态系统进行事后维修,多态系统从第(k+1)次检测往后的期望值函数表示为:
若决策者选择不进行维修活动,多态系统从第(k+1)次检测往后的期望值函数表示为:
优化模型的目标函数表示为:
通过值迭代算法求解值函数Vτ(k,i)所满足的所述贝尔曼方程代入目标函数求得最优状态检测区间τ。
根据本申请一些实施例的多态系统的联合运维优化方法,通过值迭代算法求解值函数Vτ(k,i)所满足的所述贝尔曼方程得到最优状态检测区间,包括
在不同的状态检测区间下,对多态系统的所有系统状态遍历载荷水平决策集合以及视情维修策略决策集合,获取当前检测区间下使得期望折扣总成本最小化的载荷水平决策集合以及视情维修策略集合;
获取不同检测区间下的最小期望折扣总成本,最小期望折扣总成本最小的检测区间输出为最优状态检测区间,并输出所述最优的状态检测区对应的最优载荷水平决策集合以及视情维修策略集合,作为多态系统的载荷水平决策以及视情维修策略。
本申请实施例还提供一种电子设备,所述电子设备包括:一个或多个处理器,存储器,以及,一个或多个程序;其中,所述一个或多个程序被存储在所述存储器中,所述一个或多个程序包括指令,当所述指令被所述电子设备执行时,使得所述电子设备执行本申请实施例第一方面及其第一方面任一可能设计的技术方案。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质包括计算机程序,当计算机程序在电子设备上运行时,使得所述电子设备执行本申请实施例第一方面及其第一方面任一可能设计的技术方案。
本发明的有益效果:本发明在运维优化中同时考虑各项维修活动随载荷水平动态调节而动态调整、以及外部运行环境对系统失效过程的影响,并为实现同时考虑上述两种因素用于优化目的,本发明整体制定基于多态系统状态信息的载荷水平调控及维修方法,主要通过马尔可夫决策过程求解多态系统的长期运行期望折扣总成本,以此确定最优的状态检测区间,通过最优的状态检测区间确定最优载荷水平决策集合和维修策略集合,从而实现了本发明运维优化方法可以同时考虑各项维修活动随载荷水平动态调节而动态调整、以及外部运行环境对系统失效过程的影响。
本发明还能相比任一单一运维策略的期望总成本更低,该效果在本发明具体实施方式的实验对比分析部分所表明。本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
图1是系统运行过程示例图;
图2是生产设备在不同载荷水平下运行的可靠度函数图;
图3是生产设备在最优检测区间下的最优载荷水平调节策略和维修策略图;
图4是联合运维策略与FLLP策略对比图;
图5是联合运维策略与FMDLP策略对比图。
具体实施方式
下面通过参考附图详细描述本申请的实施例,所述实施例的示例在附图中示出,本申请提供一种多态系统的联合运维优化方法、电子设备和计算机可读存储介质,用以解决多态系统运维优化方法中,因多态系统失效呈现出随机变化的特征,但现有多态系统的各项维修活动无法随之动态调整,并忽略了外部运行环境对系统失效过程的影响,导致多态系统运维优化目标不能更精准符合实际运维的问题。其中,方法、电子设备和计算机可读存储介质是基于同一技术构思的,解决问题的原理相似,因此各主题的实施可以相互参见,重复之处不再赘述。
本发明的多态系统的联合运维优化方法,是一种基于系统状态的检测区间、载荷水平调节及维修策略优化的方法,同时考虑外部运行环境以及内部运行载荷水平对系统退化过程的影响,通过优化状态检测时间间隔为决策者提供最优的系统状态检测区间,同时联合优化视情维修和动态载荷水平调节策略,实现最小化期望总成本。
本发明主要利用马尔可夫决策过程对系统长期运行期望总成本的计算,通过值迭代算法求得最优检测区间,并通过最优检测区间得到运维联合策略,所述方法具体包括以下步骤:
步骤1:定义系统状态,将系统状态划分为Ω={1,2,...,N+1},其中,1表示系统处于全新状态,N+1表示系统处于失效状态。通过结合系统的实际运行过程,将其运行状态进行划分,从而确定系统的状态空间,其中包括工作状态空间和失效状态空间。以某生产设备为例,根据该生产设备的相关性能参数(如:单位时间内生产合格品数量、对产品质量要求的满足程度及其稳定性、生产能力与能耗水平比率等),将其状态空间定义为Ω={1,...,6},其中“1-5”表示该生产设备仍处于工作状态,“6”表示该生产设备完全失效。
步骤2:确定系统的可运行载荷水平,系统可以在多种可调控的载荷水平下运行,定义L={l1,...,lc}表示c个可能的载荷水平,其中,对于1≤u<v≤c,有lu<lv。系统在较高的载荷水平下运行通常会产生较高的收益,同时也会造成较高的退化率,结合系统的历史运行情况分别确定其在不同载荷水平下运行单位时间产生的收益ru。在上述生产设备的实例中,将该设备的生产率定义为其运行载荷水平,由于该设备可分别在“高、中、低”三种生产率下运行,因此有L={l1,l2,l3}。系统在较高的载荷水平下运行通常会产生较高的收益,同时也会造成较高的系统退化率,基于该生产设备的实际产出情况,确定其在不同载荷水平下运行单位时间产生的收益为分别为r1=0.2,r2=0.65,r3=1.5。
步骤3:分析系统外部运行环境,刻画其状态转移规律。系统在运行过程中会受到外部环境的影响。
步骤3-1:本方法通过累积冲击模型刻画其外部运行环境,利用齐次泊松过程{N(t),t≥0}刻画外部冲击的到达过程,基于该生产设备的历史信息,确定其在不同载荷水平下运行时冲击到达速率分别为λ1=1,λ2=1.2,λ3=1.4。
步骤3-2:当系统处于状态i时受到一次有效冲击,该有效冲击导致其随机转移到一个更差的状态j(i<j)。由于外部有效冲击对系统产生的影响是随机的,定义随机变量B=j-i表示系统在载荷水平lu下运行时受到有效冲击后的随机劣化程度,其分布函数为Glu(b),根据外部冲击环境对该生产设备产生的影响,可确定不同载荷水平下随机状态劣化水平的分布如下表所示。
表1不同载荷水平下有效冲击导致状态劣化增量的分布
步骤3-3:基于此,可得到系统的状态转移概率矩阵举例给出系统在载荷水平l1下运行时的状态转移概率矩阵如下式所示
步骤3-4:基于上述状态转移概率矩阵,对1≤i≤N+1,计算对1≤i≠j≤N+1,计算/>进而得到系统在载荷水平lu下运行时的状态转移率矩阵仍以载荷水平l1为例给出系统的状态转移率矩阵。
步骤4:系统可靠性评估,给定系统在第k次检测时的状态为i,若选择下一运行阶段的载荷水平为lu,则系统的可靠度函数为
其中,L表示系统的剩余寿命,e=(1,...,1,0)1×(N+1),αi为包含N+1个元素的行向量,其中第i个元素为1,其余元素均为0,系统在不同载荷水平下运行的可靠度如图2所示。系统剩余寿命L的概率密度函数可以表示为
其中,
步骤5:期望总成本函数建模,在系统运行过程中会产生以下三类成本:检测成本ci、维修成本(预防性维修成本cp、事后维修成本cf)、停机成本cd,考虑系统长期运行的情况,引入折扣因子e-λt(0≤γ<1)表征t时刻产生的成本在当前时刻体现的价值。
步骤5-1:确定系统的长期折扣状态检测成本,给定系统的状态检测时间间隔为τ,可得系统的总折扣检测成本为
步骤5-2:确定系统的折扣停机成本,给定第k次检测后系统的随机剩余寿命为L(0≤L≤τ),则两次相邻状态检测间的折扣停机成本为
因此,可得系统在两次相邻状态检测间的期望停机成本为
步骤5-3:确定系统的折扣收益,同理,给定第k次检测后系统的随机剩余寿命为L(0≤L≤τ),则两次相邻状态检测间的期望收益为
步骤6:确定最优的状态检测区间,根据上述成本计算公式,利用马尔可夫决策过程求解系统的长期运行期望折扣总成本,定义值函数Vτ(k,Sk)表示系统在第k次状态检测时处于状态Sk,从第k次状态检测往后的最小期望总成本,给出系统在第k次检测后,基于设备状态信息所能采取的行动为
a1∈AP={PM,DN,CM},a2∈AL={l1,l3,l3},k=0,1,...,
其中,“PM”表示采取预防性维修,“DN”表示不进行维修活动,“CM”表示检测到系统失效对其进行事后维修。若在第k次状态检测时处于状态i,决策者选择不进行维修活动,并决定以载荷水平lu继续运行之后,到下一次检测时系统处于状态j的概率为:
ej为包含N+1个元素的行向量,其中除第j个元素为1外,其余元素均为0。若决策者选择进行预防性维修或事后维修,同时选择lu作为该生产设备下一阶段继续运行的载荷水平,则相应的状态转移概率为
给出值函数满足的贝尔曼方程如下式所示
其中,从第(k+1)次检测往后的期望值函数分别为
进而,确定本发明方法要解决的优化问题为
为求解上述优化问题,可利用值迭代算法求解值函数所满足的贝尔曼方程(公式7),值迭代算法如下:
具体而言,在不同的状态检测区间下,分别针对所有系统状态遍历载荷水平决策集合及维修策略决策集合,确定当前检测区间下使得期望折扣总成本最小化的载荷水平集合及视情维修策略,进而比较不同检测区间下的最小期望折扣总成本,通过一维搜索得到最优状态检测区间,同时输出对应的最优载荷水平决策集合和维修策略集合。以前述生产设备为例,求得系统的最优状态检测区间为4单位时间,最终可得出最优策略如图3所示。
本发明设计的方法同时考虑了系统外部运行环境及内部工作负载水平对系统失效过程的影响,可以为决策者提供更精准的联合运维方案。本发明设计的一种基于系统状态联合优化系统的状态检测区间、载荷水平调节方案及维修策略优化的方法,更贴近实际需求地给出动态运维策略,即当系统处于何种状态时选择何种载荷水平运行、何种维修策略,同时给出最优的状态检测区间。
本发明提出的多态系统的联合运维优化方法是一种基于系统状态的检测区间、载荷水平调节及维修策略优化方法。本方法所面向的系统是多态系统,不同的系统状态表征系统不同的健康水平。本发明考虑系统的外部运行环境对其失效的影响,融合系统状态检测、载荷水平调控与维修活动,从成本权衡的角度确定最优的检测区间、载荷水平调控方案和视情维修策略。从具体的实施方案来看,本发明实现简单,能获得最优的状态检测时间间隔,并基于获取的系统状态信息动态调节系统载荷水平、进行视情维修。
实验对比分析:将本发明所提的联合运维策略(多态系统的联合运维优化方法)与单一运维策略进行对比,图4展示了本发明所提的联合运维策略与固定载荷水平策略(FLLP)对比结果,图5展示了本发明所提的联合运维策略与固定维修阈值策略(FMDLP)对比结果,由图4和图5可以看出,本发明联合运维策略相较于任意一种单一运维策略而言都能实现更小的期望总成本,验证本发明所提的联合运维策略更优。
基于以上实施例,本申请实施例还提供了一种电子设备,所述电子设备包括:一个或多个处理器,存储器,以及,一个或多个程序;其中,所述一个或多个程序被存储在所述存储器中,所述一个或多个程序包括指令,当所述指令被所述电子设备执行时,使得所述电子设备执行以上实施例提供的所述方法。
基于以上实施例,本申请实施例还提供了一种计算机存储介质,该计算机存储介质中存储有计算机程序,所述计算机程序被计算机执行时,使得计算机执行以上实施例提供的所述方法。
其中,存储介质可以是计算机能够存取的任何可用介质。以此为例但不限于:计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (8)
1.一种多态系统的联合运维优化方法,其特征在于,包括
S10.根据多态系统的历史信息确定在不同载荷水平下多态系统运行时冲击到达速率λu;通过随机变量表示多态系统在一载荷水平下运行时受到外部环境有效冲击后的随机劣化程度,根据所述随机劣化程度的分布函数,得到多态系统在不同载荷水平下运行时的状态转移概率矩阵
S20.根据所述冲击到达速率λu以及所述多态系统在不同载荷水平下运行时的状态转移概率矩阵得到多态系统在不同载荷水平下运行时的状态转移率矩阵/>
S30.根据所述状态转移率矩阵得到多态系统的可靠度函数/>以及多态系统剩余寿命的概率密度函数/>
S40.确定所述多态系统的长期折扣状态检测成本两次相邻状态检测间的期望停机成本/>以及两次相邻状态检测间的期望收益Wi(a);
S50.根据所述多态系统的长期折扣状态检测成本两次相邻状态检测间的期望停机成本/>以及两次相邻状态检测间的期望收益Wi(a),通过马尔可夫决策过程求解多态系统的长期运行期望折扣总成本Vτ(k,i),确定最优状态检测区间τ以及所述最优状态检测区间τ对应的最优载荷水平决策集合和维修策略集合;
所述多态系统的系统状态表示Ω={1,2,...,N+1},其中,1表示多态系统处于全新状态,N+1表示多态系统处于失效状态,1—N+1之间的数字表示多态系统处于逐渐由全新状态到失效状态的中间状态;所述多态系统的可运行载荷水平集合L={l1,...,lc}表示所述多态系统可在c个可能的载荷水平下运行,对于1≤u<v≤c,多态系统的可运行载荷水平lu<lv。
2.根据权利要求1所述的多态系统的联合运维优化方法,其特征在于,其中所述步骤S20中,表示多态系统在载荷水平lu下运行时的状态转移概率矩阵,表示多态系统在载荷水平lu下运行时的状态转移率矩阵;
对于1≤i≤N+1,计算
对于1≤i≠j≤N+1,计算
得到多态系统在载荷水平lu下运行时的状态转移率矩阵
其中,λu表示多态系统在载荷水平lu下运行时冲击到达速率,j表示当多态系统处于系统状态i时受到一次有效冲击,所述有效冲击导致所述多态系统随机转移到一个更差的系统状态,i<j。
3.根据权利要求2所述的多态系统的联合运维优化方法,其特征在于,其中所述步骤S30中,表示可靠度函数,/>表示多态系统剩余寿命的概率密度函数;
多态系统在第k次检测时的系统状态为i,若选择下一运行阶段的载荷水平为lu,则
多态系统的可靠度函数表示为:
其中,L表示多态系统的剩余寿命,t表示时刻,e=(1,…,1,0)1×(N+1),αi表示包含N+1个元素的行向量,其中第i个元素为1,其余元素均为0;
多态系统剩余寿命L的概率密度函数表示为:
其中,
4.根据权利要求3所述的多态系统的联合运维优化方法,其特征在于,其中所述步骤S40中,表示多态系统的长期期望折扣状态检测成本,/>表示检测系统处于状态i,采取行动a时两次相邻状态检测间的期望停机成本,Wi(a)表示检测系统处于状态i,采取行动a时两次相邻状态检测间的期望收益;
多态系统的状态检测时间的间隔为τ,多态系统的长期折扣状态检测成本表示为:
第k次检测后多态系统的随机剩余寿命为L,0≤L≤τ,两次相邻状态检测间的折扣停机成本表示为
由此,两次相邻状态检测间的期望停机成本表示为:
第k次检测后多态系统的随机剩余寿命为L,0≤L≤τ,表示两次相邻状态检测间的期望收益Wi(a)表示为:
其中:ci表示检测成本、cd表示停机成本,折扣因子e-γt表征t时刻产生的成本在当前时刻体现的价值,0≤γ<1。
5.根据权利要求4所述的多态系统的联合运维优化方法,其特征在于,其中所述步骤S50中,Vτ(k,i)表示多态系统的长期运行期望折扣总成本;
值函数Vτ(k,i)表示多态系统从第k次状态检测往后的最小期望总成本,且多态系统在第k次状态检测时处于状态i,多态系统在第k次检测后,根据多态系统状态信息所能采取的行动表示为
其中,a1表示维修行动,a2表示载荷水平选择行动,Α表示所有可用行动集合,Ap表示所有可用的维修行动集合,AL表示所有可用的载荷水平集合,“PM”表示采取预防性维修,“DN”表示不进行维修活动,“CM”表示检测到多态系统失效对多态系统进行事后维修;
若多态系统在第k次状态检测时处于状态i,若决策者选择不进行维修活动,并决定以载荷水平lu继续运行之后,到下一次多态系统检测时多态系统处于状态j的概率表示为:
其中,Ykτ和Y(k+1)τ分别表示两次状态检测的结果,ej表示包含N+1个元素的行向量,其中除第j个元素为1外,其余元素均为0;
若决策者选择采取预防性维修或检测到多态系统失效对多态系统进行事后维修,同时选择lu作为该生产设备下一阶段继续运行的载荷水平,到下一次多态系统检测时多态系统处于状态j的概率表示为:
值函数Vτ(k,i)满足的贝尔曼方程由下式表示:
其中,N表示系统失效前的最后一个状态,cp表示预防性维修成本,cf表示事后维修成本,
若决策者选择采取预防性维修或检测到多态系统失效对多态系统进行事后维修,多态系统从第(k+1)次检测往后的期望值函数表示为:
若决策者选择不进行维修活动,多态系统从第(k+1)次检测往后的期望值函数表示为:
优化模型的目标函数表示为:
通过值迭代算法求解值函数Vτ(k,i)所满足的所述贝尔曼方程代入目标函数求得最优状态检测区间τ。
6.根据权利要求5所述的多态系统的联合运维优化方法,其特征在于,通过值迭代算法求解值函数Vτ(k,i)所满足的所述贝尔曼方程得到最优状态检测区间,包括
在不同的状态检测区间下,对多态系统的所有系统状态遍历载荷水平决策集合以及视情维修策略决策集合,获取当前检测区间下使得期望折扣总成本最小化的载荷水平决策集合以及视情维修策略集合;
获取不同检测区间下的最小期望折扣总成本,最小期望折扣总成本最小的检测区间输出为最优状态检测区间,并输出所述最优的状态检测区对应的最优载荷水平决策集合以及视情维修策略集合,作为多态系统的载荷水平决策以及视情维修策略。
7.一种电子设备,所述电子设备包括:一个或多个处理器,存储器,以及,一个或多个程序;其中,所述一个或多个程序被存储在所述存储器中,所述一个或多个程序包括指令,当所述指令被所述电子设备执行时,使得所述电子设备执行权利要求1~6任一项所述方法。
8.一种计算机可读存储介质,所述计算机可读存储介质包括计算机程序,当计算机程序在电子设备上运行时,使得所述电子设备执行权利要求1~6任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310441350.0A CN116468425B (zh) | 2023-04-23 | 2023-04-23 | 多态系统的联合运维优化方法、电子设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310441350.0A CN116468425B (zh) | 2023-04-23 | 2023-04-23 | 多态系统的联合运维优化方法、电子设备和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116468425A CN116468425A (zh) | 2023-07-21 |
CN116468425B true CN116468425B (zh) | 2023-10-10 |
Family
ID=87175025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310441350.0A Active CN116468425B (zh) | 2023-04-23 | 2023-04-23 | 多态系统的联合运维优化方法、电子设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116468425B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117195517A (zh) * | 2023-08-25 | 2023-12-08 | 北京理工大学 | 冲击环境下多态系统的部件交换与工作强度调节策略 |
CN116841775B (zh) * | 2023-09-01 | 2023-11-14 | 北京理工大学 | 考虑光纤传输和退化叠加的软件密集系统可靠性分析方法 |
CN117236923A (zh) * | 2023-09-08 | 2023-12-15 | 北京理工大学 | 一种多态系统的双运行策略下的运维策略优化方法 |
CN117875947B (zh) * | 2024-03-11 | 2024-06-25 | 浙江大学 | k/n负载均担系统的可靠性评估和维修决策方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106532688A (zh) * | 2016-11-22 | 2017-03-22 | 国电南瑞科技股份有限公司 | 一种用于评估微电网运行可靠性的方法及系统 |
CN106919984A (zh) * | 2017-02-22 | 2017-07-04 | 西北工业大学 | 基于成本的并联系统可修部件维修决策方法 |
CN108229049A (zh) * | 2018-01-17 | 2018-06-29 | 中国航空综合技术研究所 | 基于性能模型进行多状态系统任务可靠性建模的方法 |
WO2022160705A1 (zh) * | 2021-01-26 | 2022-08-04 | 中国电力科学研究院有限公司 | 综合能源系统调度模型构建方法、装置、介质及电子设备 |
-
2023
- 2023-04-23 CN CN202310441350.0A patent/CN116468425B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106532688A (zh) * | 2016-11-22 | 2017-03-22 | 国电南瑞科技股份有限公司 | 一种用于评估微电网运行可靠性的方法及系统 |
CN106919984A (zh) * | 2017-02-22 | 2017-07-04 | 西北工业大学 | 基于成本的并联系统可修部件维修决策方法 |
CN108229049A (zh) * | 2018-01-17 | 2018-06-29 | 中国航空综合技术研究所 | 基于性能模型进行多状态系统任务可靠性建模的方法 |
WO2022160705A1 (zh) * | 2021-01-26 | 2022-08-04 | 中国电力科学研究院有限公司 | 综合能源系统调度模型构建方法、装置、介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116468425A (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116468425B (zh) | 多态系统的联合运维优化方法、电子设备和计算机可读存储介质 | |
Keizer et al. | Joint condition-based maintenance and inventory optimization for systems with multiple components | |
uit het Broek et al. | Condition-based production planning: Adjusting production rates to balance output and failure risk | |
Broek et al. | Joint condition-based maintenance and load-sharing optimization for two-unit systems with economic dependency | |
EP1400905A1 (en) | Method and apparatus for adaptively determining weight factors within the context of an objective function | |
CN113434253B (zh) | 集群资源调度方法、装置、设备及存储介质 | |
JP2019028824A (ja) | プラント制御装置およびその制御方法、圧延機制御装置およびその制御方法並びにプログラム | |
Wei et al. | Research on cloud design resources scheduling based on genetic algorithm | |
CN110471274A (zh) | 基于改进统一粒子群算法的机械零件加工流水线调度方法 | |
CN113326132A (zh) | 一种信息调节方法、设备及存储介质 | |
Qin et al. | Solving unit commitment problems with multi-step deep reinforcement learning | |
JP2020060827A (ja) | 制御装置および制御方法 | |
Koopmans et al. | Condition-based maintenance and production speed optimization under limited maintenance capacity | |
CN109782586B (zh) | 参数自整定的miso异因子紧格式无模型控制方法 | |
CN116185584A (zh) | 一种基于深度强化学习的多租户数据库资源规划与调度方法 | |
Homberger | A parallel genetic algorithm for the multilevel unconstrained lot-sizing problem | |
JP2018180799A5 (zh) | ||
Rajkumar et al. | A hybrid algorithm for multi-objective optimization of minimizing makespan and total flow time in permutation flow shop scheduling problems | |
CN105573269B (zh) | 半导体制造机台的参数监控系统及方法 | |
CN115330001B (zh) | 考虑多任务模式的动态视情维修策略优化方法和系统 | |
CN116340393A (zh) | 数据库饱和度的预测方法、存储介质及数据库系统 | |
Handaoui et al. | Releaser: A reinforcement learning strategy for optimizing utilization of ephemeral cloud resources | |
CN112632615B (zh) | 基于混合云环境的科学工作流数据布局方法 | |
CN110309472B (zh) | 基于离线数据的策略评估方法及装置 | |
CN112147969A (zh) | 基于群智能算法的冷备用可靠性冗余分配方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |