CN117592865A - 一种装备零备件质量状态预测方法及装置 - Google Patents

一种装备零备件质量状态预测方法及装置 Download PDF

Info

Publication number
CN117592865A
CN117592865A CN202311775044.7A CN202311775044A CN117592865A CN 117592865 A CN117592865 A CN 117592865A CN 202311775044 A CN202311775044 A CN 202311775044A CN 117592865 A CN117592865 A CN 117592865A
Authority
CN
China
Prior art keywords
equipment
quality state
spare part
data
observation
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.)
Granted
Application number
CN202311775044.7A
Other languages
English (en)
Other versions
CN117592865B (zh
Inventor
罗少锋
陈可夫
李娅菲
陈文阁
廉晓根
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Systems Engineering of PLA Academy of Military Sciences
Original Assignee
Institute of Systems Engineering of PLA Academy of Military Sciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Systems Engineering of PLA Academy of Military Sciences filed Critical Institute of Systems Engineering of PLA Academy of Military Sciences
Priority to CN202311775044.7A priority Critical patent/CN117592865B/zh
Publication of CN117592865A publication Critical patent/CN117592865A/zh
Application granted granted Critical
Publication of CN117592865B publication Critical patent/CN117592865B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/84—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using probabilistic graphical models from image or video features, e.g. Markov models or Bayesian networks
    • G06V10/85—Markov-related models; Markov random fields
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Algebra (AREA)

Abstract

本发明公开了一种装备零备件质量状态预测方法及装置，该方法包括：获取装备零备件质量状态评估对象；对装备零备件质量状态评估对象进行分析，得到装备零备件质量状态数据；对装备零备件质量状态数据进行预处理，得到均衡装备零备件质量状态数据；对均衡装备零备件质量状态数据进行处理，得到观测因素特征信息，所述观测因素特征信息包括训练集、验证集和测试集；利用观测因素特征信息对预设的装备零备件质量状态预测模型进行训练，得到装备零备件质量状态测试模型；利用装备零备件质量状态测试模型，对待检测的装备零备件进行检测得到装备零备件质量状态预测结果。本发明方法赋能装备高效化管理，装备零备件状态预测准确率获得大幅度提高。

Description

一种装备零备件质量状态预测方法及装置
技术领域
本发明涉及装备零备件质量状态评估技术领域，尤其涉及一种装备零备件质量状态预测方法及装置。
背景技术
近年来，随着现代信息技术的飞速发展，装备零备件数据的采集、储存与利用，为装备零备件质量监控提供了有力的支持与理论依据。目前，装备零备件质量监控是仓储物资质量监控技术环节中的重要内容，然而，现有装备零备件质量状态监测过度依赖人工主观判断，且参考的指标数据受限，一方面，仅从装备零备件使用年限、维修次数及装备零备件类型考虑装备零备件的质量状态存在一定局限性，且无法综合全面地进行装备零备件的质量状态监测；另一方面，随着装备零备件数量的增加仅依靠人工进行装备零备件质量的评估需要消耗大量人力物力且存在效率低问题。针对上述目前装备零备件质量评估存在的不足之处，亟需更加科学合理的装备零备件质量状态预测方法，从影响装备零备件质量状态的指标进行全面分析，制定装备零备件的状态预测流程，利用算法模型对装备零备件质量状态进行预测，以准确地评估预测装备零备件质量状况，为装备零备件管理机构提供科学合理的决策依据，确保装备零备件的完好率。
发明内容
本发明所要解决的技术问题在于，提供一种装备零备件质量状态预测方法及装置，利用隐马尔科夫模型构建装备零备件状态评估预测模型，以期快速准确预测装备零备件质量状态，辅助装备零备件管理人员对装备零备件进行质量评估，提高装备零备件质量状态评估效率且降低评估成本，使装备零备件质量状态监测更加具有科学性。
为了解决上述技术问题，本发明实施例第一方面公开了一种装备零备件质量状态预测方法，所述方法包括：
S1，获取装备零备件质量状态评估对象；
S2，对所述装备零备件质量状态评估对象进行分析，得到装备零备件质量状态数据；
S3，对所述装备零备件质量状态数据进行预处理，得到均衡装备零备件质量状态数据；
S4，对所述均衡装备零备件质量状态数据进行处理，得到观测因素特征信息，所述观测因素特征信息包括训练集、验证集和测试集；
S5，利用所述观测因素特征信息，对预设的装备零备件质量状态预测模型进行训练，得到装备零备件质量状态测试模型；
S6，利用所述装备零备件质量状态测试模型，对待检测的装备零备件进行检测，得到装备零备件质量状态预测结果。
作为一种可选的实施方式，本发明实施例第一方面中，所述装备零备件质量状态数据包括装备零备件类型、储存年限、维护保养次数、外观检测结果、储存地理环境经度信息、储存地理环境纬度信息、储存环境温度和储存环境湿度；
所述装备零备件类型、所述储存年限、所述维护保养次数用离散型数值表示；
所述外观检测结果用0～1的数值表示，数值越大表示外观腐蚀破损程度越大；
所述储存地理环境经度信息在-180°～180°之间离散取值；
所述储存地理环境纬度信息在-90°～90°之间离散取值；
所述储存环境温度在-60℃～70℃之间连续取值；
所述储存环境湿度为：干旱为0，半干旱为1，干半湿润为2，湿半湿润为3，湿润为4，潮湿为5，过湿为6。
作为一种可选的实施方式，本发明实施例第一方面中，所述对所述装备零备件质量状态数据进行预处理，得到均衡装备零备件质量状态数据，包括：
S31，对所述装备零备件质量状态数据进行数据清洗，得到清洗装备零备件质量状态数据；
所述数据清洗包括去除异常数据和缺失数据；
S32，对所述清洗装备零备件质量状态数据进行数据增强，得到均衡装备零备件质量状态数据。
作为一种可选的实施方式，本发明实施例第一方面中，所述对所述预处理装备零备件质量状态数据进行处理，得到观测因素特征信息，包括：
利用数据标准化处理模型，对所述预处理装备零备件质量状态数据进行处理，得到观测因素特征信息；
所述数据标准化处理模型为：
其中，xmin为预处理装备零备件质量状态数据的最小值，xmax为预处理装备零备件质量状态数据最大值，x为预处理装备零备件质量状态数据，x′为观测因素特征信息。
作为一种可选的实施方式，本发明实施例第一方面中，所述利用所述观测因素特征信息，对预设的装备零备件质量状态预测模型进行训练，得到装备零备件质量状态测试模型，包括：
S51，对装备零备件的质量等级进行处理，得到状态序列，所述装备零备件的质量等级包括新品、堪用品、待修品和废品；
S52，利用观测因素构建模型，对所述观测因素特征信息进行处理，得到观测序列；
S53，利用观测因素特征信息中的训练集和验证集对所述状态序列和所述观测序列进行处理，得到装备零备件质量状态测试模型。
作为一种可选的实施方式，本发明实施例第一方面中，所述观测因素构建模型为：
output＝Sigmoid(f(x))
其中，f(x)＝ωx+b，x＝(x1,x2,…,x8)为观测因素向量，ω和b为参数，output为观测序列。
作为一种可选的实施方式，本发明实施例第一方面中，所述装备零备件质量状态测试模型为：
其中，OT＝oToT-1…o2o1是从起始时刻到当前时刻的观测值序列，P(ZT|oToT-1…o2o1)为在观测值序列得到质量状态ZT的概率，时刻T装备零备件质量状态预测结果为si∈S，S为状态空间；
所述观测值序列中每一时刻的观测值ot，1≤t≤T只取决于当前时刻的状态值zt:
P(ot|z1,o1,…,zt,ot)＝P(ot|zt)
式中ot为t时刻的观测值，其取值为vi∈V，V为观测值组成观测空间V＝{v1,v2,...,vN}，N为观测值的数量，z1为时刻1的状态值。
本发明实施例第二方面公开了一种装备零备件质量状态预测装置，所述装置包括：
评估对象获取模块，用于获取装备零备件质量状态评估对象；
质量状态数据获取模块，用于对所述装备零备件质量状态评估对象进行分析，得到装备零备件质量状态数据；
预处理模块，用于对所述装备零备件质量状态数据进行预处理，得到均衡装备零备件质量状态数据；
观测因素特征处理模块，用于对所述均衡装备零备件质量状态数据进行处理，得到观测因素特征信息，所述观测因素特征信息包括训练集、验证集和测试集；
模型构建模块，用于利用所述观测因素特征信息，对预设的装备零备件质量状态预测模型进行训练，得到装备零备件质量状态测试模型；
质量状态预测模块，用于利用所述装备零备件质量状态测试模型，对待检测的装备零备件进行检测，得到装备零备件质量状态预测结果。
作为一种可选的实施方式，本发明实施例第二方面中，所述装备零备件质量状态数据包括装备零备件类型、储存年限、维护保养次数、外观检测结果、储存地理环境经度信息、储存地理环境纬度信息、储存环境温度和储存环境湿度；
所述装备零备件类型、所述储存年限、所述维护保养次数用离散型数值表示；
所述外观检测结果用0～1的数值表示，数值越大表示外观腐蚀破损程度越大；
所述储存地理环境经度信息在-180°～180°之间离散取值；
所述储存地理环境纬度信息在-90°～90°之间离散取值；
所述储存环境温度在-60℃～70℃之间连续取值；
所述储存环境湿度为：干旱为0，半干旱为1，干半湿润为2，湿半湿润为3，湿润为4，潮湿为5，过湿为6。
作为一种可选的实施方式，本发明实施例第二方面中，所述对所述装备零备件质量状态数据进行预处理，得到均衡装备零备件质量状态数据，包括：
S31，对所述装备零备件质量状态数据进行数据清洗，得到清洗装备零备件质量状态数据；
所述数据清洗包括去除异常数据和缺失数据；
S32，对所述清洗装备零备件质量状态数据进行数据增强，得到均衡装备零备件质量状态数据。
作为一种可选的实施方式，本发明实施例第二方面中，所述对所述预处理装备零备件质量状态数据进行处理，得到观测因素特征信息，包括：
利用数据标准化处理模型，对所述预处理装备零备件质量状态数据进行处理，得到观测因素特征信息；
所述数据标准化处理模型为：
其中，xmin为预处理装备零备件质量状态数据的最小值，xmax为预处理装备零备件质量状态数据最大值，x为预处理装备零备件质量状态数据，x′为观测因素特征信息。
作为一种可选的实施方式，本发明实施例第二方面中，所述利用所述观测因素特征信息，对预设的装备零备件质量状态预测模型进行训练，得到装备零备件质量状态测试模型，包括：
S51，对装备零备件的质量等级进行处理，得到状态序列，所述装备零备件的质量等级包括新品、堪用品、待修品和废品；
S52，利用观测因素构建模型，对所述观测因素特征信息进行处理，得到观测序列；
S53，利用观测因素特征信息中的训练集和验证集对所述状态序列和所述观测序列进行处理，得到装备零备件质量状态测试模型。
作为一种可选的实施方式，本发明实施例第二方面中，所述观测因素构建模型为：
output＝Sigmoid(f(x))
其中，f(x)＝ωx+b，x＝(x1,x2,…,x8)为观测因素向量，ω和b为参数，output为观测序列。
作为一种可选的实施方式，本发明实施例第二方面中，所述装备零备件质量状态测试模型为：
其中，OT＝oToT-1…o2o1是从起始时刻到当前时刻的观测值序列，P(ZT|oToT-1…o2o1)为在观测值序列得到质量状态ZT的概率，时刻T装备零备件质量状态预测结果为si∈S，S为状态空间；
所述观测值序列中每一时刻的观测值ot，1≤t≤T只取决于当前时刻的状态值zt:
P(ot|z1,o1,…,zt,ot)＝P(ot|zt)
式中ot为t时刻的观测值，其取值为vi∈V，V为观测值组成观测空间V＝{v1,v2,...,vN}，N为观测值的数量，z1为时刻1的状态值。
本发明第三方面公开了另一种装备零备件质量状态预测装置，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明实施例第一方面公开的装备零备件质量状态预测方法中的部分或全部步骤。
本发明第四方面公开了一种计算机可存储介质，所述计算机可存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明实施例第一方面公开的装备零备件质量状态预测方法中的部分或全部步骤。
与现有技术相比，本发明实施例具有以下有益效果：
传统的装备零备件质量状态评估主要依据业务员收集少量观测因素数据，以专家经验为主进行定性评估，主观性较强，具有一定的局限性，人力成本较高。本发明提出了一种装备零备件质量状态预测方法，可通过计算机视觉模型收集部分观测值数据，一定程度上节省业务员采集数据成本，且结合了多种质量数据，通过隐马尔科夫建模学习观测值影响状态变化的转移概率，使得装备零备件质量状态预测更加全面性、综合性。相较于传统方式，装备零备件状态预测准确率大大提高，赋能装备高效化管理，对装备零备件质量状态预警和装备物资储备具有重要意义。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种装备零备件质量状态预测方法的流程示意图；
图2是本发明实施例公开的另一种装备零备件质量状态预测方法的流程示意图；
图3是本发明实施例公开的装备零备件质量状态转移图；
图4是本发明实施例公开的数据处理与划分流程图；
图5是本发明实施例公开的装备零备件观测值预测状态序列值DNN结构图；
图6是本发明实施例公开的一种装备零备件质量状态预测装置的结构示意图；
图7是本发明实施例公开的另一种装备零备件质量状态预测装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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作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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种装备零备件质量状态预测方法及装置，该方法包括：获取装备零备件质量状态评估对象；对装备零备件质量状态评估对象进行分析，得到装备零备件质量状态数据；对装备零备件质量状态数据进行预处理，得到均衡装备零备件质量状态数据；对均衡装备零备件质量状态数据进行处理，得到观测因素特征信息，所述观测因素特征信息包括训练集、验证集和测试集；利用观测因素特征信息对预设的装备零备件质量状态预测模型进行训练，得到装备零备件质量状态测试模型；利用装备零备件质量状态测试模型，对待检测的装备零备件进行检测得到装备零备件质量状态预测结果。本发明方法赋能装备高效化管理，装备零备件状态预测准确率获得大幅度提高。以下分别进行详细说明。
实施例一
请参阅图1，图1是本发明实施例公开的一种装备零备件质量状态预测方法的流程示意图。其中，图1所描述的装备零备件质量状态预测方法应用于装备零备件质量状态评估技术领域，提供更加科学合理的装备零备件质量状态预测方法，以准确地评估预测装备零备件质量状况，为装备零备件管理机构提供科学合理的决策依据，确保装备零备件的完好率，本发明实施例不做限定。如图1所示，该装备零备件质量状态预测方法可以包括以下操作：
S1，获取装备零备件质量状态评估对象；
S2，对所述装备零备件质量状态评估对象进行分析，得到装备零备件质量状态数据；
S3，对所述装备零备件质量状态数据进行预处理，得到均衡装备零备件质量状态数据；
S4，对所述均衡装备零备件质量状态数据进行处理，得到观测因素特征信息，所述观测因素特征信息包括训练集、验证集和测试集；
S5，利用所述观测因素特征信息，对预设的装备零备件质量状态预测模型进行训练，得到装备零备件质量状态测试模型；
S6，利用所述装备零备件质量状态测试模型，对待检测的装备零备件进行检测，得到装备零备件质量状态预测结果。
可选的所述装备零备件质量状态数据包括装备零备件类型、储存年限、维护保养次数、外观检测结果、储存地理环境经度信息、储存地理环境纬度信息、储存环境温度和储存环境湿度；
所述装备零备件类型、所述储存年限、所述维护保养次数用离散型数值表示；
所述外观检测结果用0～1的数值表示，数值越大表示外观腐蚀破损程度越大；
装备零备件外观腐蚀破损程度检测步骤如下：
1、收集装备零备件历史外观检测图片数据集，并通过人工对该数据集进行装备零备件外观腐蚀破损程度标注，标注数值范围0～1。
2、对所述的装备零备件外观检测图片数据集按照一定比例8:2进行训练集和测试集划分。
3、利用所述的训练集和测试集获取最优装备零备件外观腐蚀破损程度检测模型，选取R-CNN模型，利用训练集改变迭代次数训练获得m个装备零备件外观腐蚀破损程度检测模型，通过测试集选取最优装备零备件外观腐蚀破损程度检测模型。
4、利用所述最优装备零备件外观腐蚀破损程度检测模型，对采集到的装备零备件历史外观检测图片数据进行外观腐蚀破损程度评估，评估输出值范围为0～1。
可选的，步骤3中的R-CNN模型可以做如下改进：
模型主要分为两个模块，分别为L1和L2模块，其中L1模块使用像素级数据进行训练，提高模型像素级的识别能力；L2模块则使用图像级数据进行训练，提高模型图像级的识别能力。对于一张输入图片，首先利用L1模块四个卷积层提取图像特征，在每一层卷积层后设置2×2的最大池化层，以减小图像的大小并保留更多的特征。选取L1模块第一层和最后一层输出的特征图送入多尺度特征融合模块进行进一步处理。此外最后一层卷积分别输出单通道和1024通道的特征图，单通道的特征图将利用Non-Local Block对其进行特征加强后与1024通道特征图进行映射连接形成一个1025通道的特征图。经过注意力机制单元处理后的单通道特征图能够避免网络使用大量的特征图，减少对大量参数的过度拟合，同时加强模型对于装备零备件外观腐蚀破损特征的关注。利用L2模块对输出的1025通道的特征图进行操作并分别输出两个32通道的特征图。最后将这两个特征图与多尺度特征融合单元输出的3通道特征图进行映射连接送入全连接层，生成最终的装备零备件外观腐蚀破损程度检测结果。表1为网络结构。
表1网络结构
所述储存地理环境经度信息在-180°～180°之间离散取值；
所述储存地理环境纬度信息在-90°～90°之间离散取值；
所述储存环境温度在-60℃～70℃之间连续取值；
所述储存环境湿度为：干旱为0，半干旱为1，干半湿润为2，湿半湿润为3，湿润为4，潮湿为5，过湿为6。
所述储存环境湿度值V(h)计算公式如下：
式中，h为电容式湿度传感器采集的数值，其值范围通常在0％～100％RH之间。
可选的，所述对所述装备零备件质量状态数据进行预处理，得到均衡装备零备件质量状态数据，包括：
S31，对所述装备零备件质量状态数据进行数据清洗，得到清洗装备零备件质量状态数据；
所述数据清洗包括去除异常数据和缺失数据；
S32，对所述清洗装备零备件质量状态数据进行数据增强，得到均衡装备零备件质量状态数据。
可选的，在得到均衡装备零备件质量状态数据后，利用VGG19网络提取均衡装备零备件质量状态数据的特征，然后用凝聚层次聚类方法对VGG19网络各层输出的特征进行聚类，得到聚类特征参数。凝聚层次聚类(Agglomerative Hierarchical Clustering,AHC)具有一个自底向上的分层树形结构。算法首先将所有数据放在第一层，每一个数据对象看作一个最小的聚类簇。然后计算不同簇之间的相似度，相似度最大的两个聚类簇合并成一个大的聚类簇并放在第二层，随着层数不断向上增加，聚类簇的数目不断减少，直到所有数据合并为一个簇或者达到簇的数目达到预先设定的值则停止。将得到的聚类特征参数作为步骤S4的输入，进行后续处理。
可选的，所述对所述预处理装备零备件质量状态数据进行处理，得到观测因素特征信息，包括：
利用数据标准化处理模型，对所述预处理装备零备件质量状态数据进行处理，得到观测因素特征信息；
所述数据标准化处理模型为：
其中，xmin为预处理装备零备件质量状态数据的最小值，xmax为预处理装备零备件质量状态数据最大值，x为预处理装备零备件质量状态数据，x′为观测因素特征信息。
可选的，为了兼顾装备零备件质量状态数据的贡献度，引入权重因子，其计算方法为：
di＝1-ei
wi为第i个评价对象的权重，xi为第i个评价对象，n为评价对象数量，i个wi构成权重向量w，k＝1/ln(n)。
利用w对x′为观测因素特征信息进行处理，方法为：
x′1＝x′·w
x′1为优化观测因素特征信息，利用优化观测因素特征信息，对预设的装备零备件质量状态预测模型进行训练，得到装备零备件质量状态测试模型。
可选的，所述利用所述观测因素特征信息，对预设的装备零备件质量状态预测模型进行训练，得到装备零备件质量状态测试模型，包括：
S51，对装备零备件的质量等级进行处理，得到状态序列，所述装备零备件的质量等级包括新品、堪用品、待修品和废品；
S52，利用观测因素构建模型，对所述观测因素特征信息进行处理，得到观测序列；
S53，利用观测因素特征信息中的训练集和验证集对所述状态序列和所述观测序列进行处理，得到装备零备件质量状态测试模型。
可选的，所述观测因素构建模型为：
output＝Sigmoid(f(x))
其中，f(x)＝ωx+b，x＝(x1,x2,…,x8)为观测因素向量，ω和b为参数，output为观测序列。
可选的，所述装备零备件质量状态测试模型为：
其中，OT＝oToT-1…o2o1是从起始时刻到当前时刻的观测值序列，P(ZT|oToT-1…o2o1)为在观测值序列得到质量状态ZT的概率，时刻T装备零备件质量状态预测结果为si∈S，S为状态空间；
所述观测值序列中每一时刻的观测值ot，1≤t≤T只取决于当前时刻的状态值zt:
P(ot|z1，o1，…，zt，ot)＝P(ot|zt)
式中ot为t时刻的观测值，其取值为vi∈V，V为观测值组成观测空间V＝{v1,v2,...,vN}，N为观测值的数量，z1为时刻1的状态值。
实施例二
请参阅图2，图2是本发明实施例公开的另一种装备零备件质量状态预测方法的流程示意图。其中，图2所描述的装备零备件质量状态预测方法应用于装备零备件质量状态评估技术领域，提供更加科学合理的装备零备件质量状态预测方法，以准确地评估预测装备零备件质量状况，为装备零备件管理机构提供科学合理的决策依据，确保装备零备件的完好率，本发明实施例不做限定。如图2所示，该装备零备件质量状态预测方法可以包括以下操作：
[01]根据国军标GJB 1405A-2006规定，装备零备件的质量等级划分为新品、堪用品、待修品、废品。状态转移关系如图3所示，其中p1,p2,…,p6表示装备零备件的不同状态之间转移概率，本发明依据该状态转移图提出了一种装备零备件质量状态预测模型的方法，模型训练流程图如图2所示，包括如下步骤：
[02]确定评估对象
通过对装备零备件类型及其装备零备件状态数据的统计分析，本发明发现装备零备件类型对装备零备件状态存在影响，不同的装备零备件类型，对应的状态转移概率不同。因此，为准确预测装备零备件状态，必须确定装备零备件类型，可将装备零备件类型作为观测因素变量，辅助隐马尔科夫模型学习。
[03]装备零备件质量数据获取
本发明详尽的分析了可能影响装备零备件状态的因素，如表2所示，本发明将其统称为观测因素。
表2
装备零备件类型，由于数据的敏感性与保密性，故本发明采用离散型数值0，1，2等代替装备零备件类型编码。
储存年限，储存年限与装备零备件质量状态有着直接的关系，通过对数据进行统计发现，一般情况下装备零备件储存年限越久，报废的可能性越大。其为离散型数值：1年，2年，3年等。
维护保养次数，离散型数值：1次，2次，3次等。
外观检测(包括表面腐蚀、破损等)。近年来，计算机视觉技术迅猛发展，在交通灯识别、人像识别等领域取得了显著成效。本发明提出利用计算机视觉和机器学习库(如OpenCV)对装备零备件外观进行检测，主要包括表面腐蚀、破损等，模型输出为连续型分值：0～1。由于本发明重点在于介绍一种装备零备件质量状态预测的方法，故对本部分模型不做具体阐述。
储存地理环境-经度，离散型数值：-180°到180°
储存地理环境-纬度，离散型数值：-90°到90°
储存环境-温度，连续性数值：-60至70(单位：摄氏度)
储存环境-湿度，离散型数值：干旱/0，半干旱/1，干半湿润/2，湿半湿润/3，湿润/4，潮湿/5，过湿/6
[04]观测因素的数据处理及数据划分
主要包括：观测因素数据清洗，观测因素数据增强及数据划分，如图4所示。
观测因素数据清洗：由于数据录入人员的失误及历史数据系统不完整性，导致会出现一些脏数据，这些脏数据会直接影响模型学习的性能，观测因素数据清洗主要包括数值明显异常的数据、缺失值过多的数据，如装备零备件类型列表仅有0、1、2三类，数据中出现了其他数值，则该类数据明显不符合要求，需要进行数据清洗。数值明显异常和缺失值过多现象较少，将其包含异常值的记录删除不会影响数据集的完整性和可靠性，因此采用删除异常值记录的处理方式进行数据清洗。
观测因素数据增强：对数据量少的样本进行数据增强，保证样本均衡性。
可选的，数据增强常用的几何变换方法还有翻转，旋转，裁剪，缩放，平移等。
数据划分：按照8：1：1划分训练集、验证集、测试集。
[05]观测因素特征处理
不同观测因素具有不同的量纲，因此该模块主要对观测因素特征进行归一化处理，如储存年限的取值范围为0～N(单位：年)，维护保养次数的取值范围为离散型数值1，2，3等，两种特征因为具有不同的量纲和量纲单位，会直接影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价，同时会加速模型效果收敛。因此该模块会对数据进行归一化处理，目的是使得预处理的数据被限定在一定的范围内(比如[0，1]或者[-1，1])，从而消除奇异样本数据导致的不良影响。
本发明采用最大最小标准化(Min-Max Normalization)进行归一化，使结果值映射到[0，1]之间，转换函数如下：
其中，xmin为样本数据的最大值，xmax为样本数据的最小值。
[06]模型构建
隐马尔科夫模型(Hidden Markov Model，HMM)广泛地应用于序列预测、自然语言建模及语音识别中。HMM包含两条序列，一条为状态序列Z＝z1,z2,...,zn，本发明将装备零备件状态序列形式化表示为新品/D1，堪用品/D2，待修品/D3，废品/D4，另一条为对应的观测序列O＝{o1，o2，…,on}，该序列由观测因素通过DNN网络得到。
DNN网络图如图5所示，主要包含5层神经网络层，第一层为输入层input layer，中间两层为隐藏层hidden layer，最后一层为输出层output layer。其中输入层的输入特征为观测因素向量x＝(x1,,x2,…,x8)，总观测因素个数为8，所以向量维度为8，如观测因素中装备零备件类型为2对应的向量为x1＝(2,0,…,0)，维度d＝8。隐藏层为参数学习层，f(x)＝ωx+b，其中ω与b为参数。输出层经过Sigmoid后的输出向量维度为1，即将观测因素映射到0～1的数值，形式化为：
output＝Sigmoid(f(x)) (2)
所有数据的观测值组成观测空间V＝{v1,v2,...,vN}。由于状态序列是隐性的，且观测序列与状态序列间存在因果关系，故可通过观测序列推理出状态序列。
观测序列服从观测独立性假设，即每一时刻的观测ot只取决于当前时刻的状态值zt:
P(ot|z1,o1,...,zt,ot)＝P(ot|zt) (3)
式中ot为t时刻的观测值，其取值为vi∈V。发射概率矩阵由B＝[bik]n×m表示，矩阵元素bik称为发射概率，表示在t时刻状态为si时观测到观测值vk的概率，即bik＝P(ot＝vk|zt＝si)，其中1≤i≤n，1≤k≤m，m,n为矩阵的行和列的长度，且满足
由此，可用三元素模型λ＝{π,A,B}来表示HMM，由π为初始状态向量，A表示状态转移矩阵，B表示发射概率矩阵。
当前时刻T的质量状态zT，并实现对装备零备件质量状态的实时预测。因此HMM装备零备件状态预测任务问题可形式化为求解下面公式：
式中:OT＝oToT-1…o2o1是从起始时刻到当前时刻的观测值序列。公式(5)理解为寻找在观测序列OT下装备零备件质量最大可能的状态。根据贝叶斯定理可以得出某一时刻t的状态概率：
利用概率的加和乘积规则和条件独立性质，可形式化为:
其中α(zt)、β(zt)变量的定义如下:
α(zt)＝P(o1,o2,…,ot,zt) (7)
β(zt)＝P(ot+1,…,oT|zt) (8)
由此可以推导α(zt)为:
综上可以看出α(zt)的求解是前向递归过程，根据α(zt-1)计算α(zt)，当初始条件α(z1)给定时，通过T步的迭代就可以求得α(zT)。
推导β(zt)的求解如下:
β(zt)的求解是一个反向信息传播过程，根据β(zt+1)计算β(zt)。令式(6)中的t＝T，并将式(7)的α(zt)代入其中得到:
当初始化β(zT)时，式(11)恒成立。
对式(6)两边对zT求和，由于左侧是归一化分布，故得到:
令β(zt)＝1,t＝T，因此有:
当前时刻装备零备件质量状态估计为:
式(14)中的预测结果通过迭代计算出来的，装备零备件结合当前时刻的观测值及历史观测值就可以迭代出α(zT)，预测出装备零备件的质量状态。
[07]模型训练与评测
为综合评测任务效果、衡量模型性能，采用F1值作为评价指标，计算公式如下：
其中P为准确率，R为召回率。
训练过程中，验证集用于选择模型，验证集上F1值最佳的模型将作为最终模型，如此可以保证模型在性能和鲁棒性上达到最优，最终在测试集上评测其性能。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应该涵盖在本发明的保护范围之内。
实施例三
下面对本发明实施例中的技术方案进行清楚、完整的描述。
[1]状态转移关系如图3所示，其中p1,p2,…,p6表示初始概率，即：
π＝(p1,p2,p3,p4,p5,p6)＝(0.7,0.2,0.1,0.6,0.4,0.5,0.5)
[2]确定评估对象
装备零备件类型直接影响装备零备件质量状态，本实例展示了装备零备件类型1的状态转移过程。
[3]装备零备件质量数据获取
仓库中现有1个装备零备件，通过数据采集得到该设备现有时刻(T时刻，T＝1)的观测值及历史时刻(T＝0)的观测数据，如表3所示，依据该发明，预测T＝1时刻装备零备件质量状态。
表3
[4]观测因素数据处理及数据划分
该模块仅用于模型训练阶段，如表2所示，该装备零备件的类型为1，如果采集到的类型为其他，则该条数据明显不符合要求，需要进行清洗。
数据划分：按照8：1：1划分训练集、验证集、测试集。
[5]观测因素特征处理
该模块对观测因素数据进行归一化处理。
例：对年限进行归一化，采用最大最小归一化方式，可得T＝1时刻的特征值为：
其中装备零备件年限一般为1-10年，所以xmin为1，xmax为10。故归一化后的特征数据如表4所示。
表4
观测值 0时刻 1时刻
质量状态 堪用品/1 待预测(本发明)
装备零备件类型 0.1 0.1
储存年限 0 0.11
维护保养次数 0 0.01
外观检测(包括表面腐蚀、破损等) 0.99 0.98
储存地理环境-经度 0.4 0.4
储存地理环境-纬度 0.21 0.21
储存环境-温度 0.54 0.54
储存环境-湿度 0.2 0.2
[6]模型构建
HMM包含两条序列，一条为状态序列Z＝z1,z2,…,zN，对应本发明中z1,z2,z3,z4分别为新品、堪用品、待修品、废品，另一条为对应的观测序列O，观测序列由观测因素计算而来。本实施例采用深度神经网络(Deep Neural Network，DNN)得到观测序列，T＝1时刻的总观测因素个数为8，对应的特征向量分别为x1＝(0.1,0,…,0)，x2＝(0,0.1,1,…,0)，…x12＝(0,0,…,0.2)，维度d＝8，故输入层的输入x＝(x1,x1,…,x12)，两层隐藏层节点均为256，输出层的输出向量维度为1，经过Sigmoid计算后即为观测值O，计算方式为：
O＝σ(ωx+b)＝0.38 (17)
其中σ为Sigmoid函数。
HMM模型在训练前会随机初始化状态转移矩阵A与发射概率矩阵B，在训练过程中学习A矩阵与B矩阵的值，通过式(14)的推导，学习到的A矩阵与B矩阵分别为：
[7]模型预测与评测
HMM结合当前时刻(T＝2)的观测序列，计算得到下一时刻状态概率矩阵C。
C矩阵的行数、列数与状态相对应，即0行/列对应新品，1行/列对应堪用品，2行/列对应待修品，3行/列对应废品。
由于当前时刻(T＝0)装备零备件质量状态为堪用品/1，故在矩阵C的第1行查找最大概率0.553对应的列为3，因此预测T＝1时刻的装备零备件质量状态为废品。
如真实数据中该装备零备件T＝2时刻的质量状态为废品，则证明模型预测正确，则F1＝1，否则模型预测错误。
实施例四
请参阅图6，图6是本发明实施例公开的一种装备零备件质量状态预测装置的结构示意图。其中，图6所描述的装备零备件质量状态预测装置应用于装备零备件质量状态评估技术领域，提供更加科学合理的装备零备件质量状态预测方法，以准确地评估预测装备零备件质量状况，为装备零备件管理机构提供科学合理的决策依据，确保装备零备件的完好率，本发明实施例不做限定。如图6所示，该装备零备件质量状态预测装置可以包括以下操作：
S301，评估对象获取模块，用于获取装备零备件质量状态评估对象；
S302，质量状态数据获取模块，用于对所述装备零备件质量状态评估对象进行分析，得到装备零备件质量状态数据；
S303，预处理模块，用于对所述装备零备件质量状态数据进行预处理，得到均衡装备零备件质量状态数据；
S304，观测因素特征处理模块，用于对所述均衡装备零备件质量状态数据进行处理，得到观测因素特征信息，所述观测因素特征信息包括训练集、验证集和测试集；
S305，模型构建模块，用于利用所述观测因素特征信息，对预设的装备零备件质量状态预测模型进行训练，得到装备零备件质量状态测试模型；
S306，质量状态预测模块，用于利用所述装备零备件质量状态测试模型，对待检测的装备零备件进行检测，得到装备零备件质量状态预测结果。
实施例五
请参阅图7，图7是本发明实施例公开的另一种装备零备件质量状态预测装置的结构示意图。其中，图7所描述的装备零备件质量状态预测装置应用于装备零备件质量状态评估技术领域，提供更加科学合理的装备零备件质量状态预测方法，以准确地评估预测装备零备件质量状况，为装备零备件管理机构提供科学合理的决策依据，确保装备零备件的完好率，本发明实施例不做限定。如图7所示，该装备零备件质量状态预测装置可以包括以下操作：
存储有可执行程序代码的存储器401；
与存储器401耦合的处理器402；
处理器402调用存储器401中存储的可执行程序代码，用于执行实施例一、实施例二所描述的装备零备件质量状态预测方法中的步骤。
实施例五
本发明实施例公开了一种计算机可读存储介质，其存储用于电子数据交换的计算机程序，其中，该计算机程序使得计算机执行实施例一、实施例二所描述的装备零备件质量状态预测方法中的步骤。
以上所描述的装置实施例仅是示意性的，其中作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的一种装备零备件质量状态预测方法及装置所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。

Claims (10)

1.一种装备零备件质量状态预测方法，其特征在于，所述方法包括：
S1，获取装备零备件质量状态评估对象；
S2，对所述装备零备件质量状态评估对象进行分析，得到装备零备件质量状态数据；
S3，对所述装备零备件质量状态数据进行预处理，得到均衡装备零备件质量状态数据；
S4，对所述均衡装备零备件质量状态数据进行处理，得到观测因素特征信息，所述观测因素特征信息包括训练集、验证集和测试集；
S5，利用所述观测因素特征信息，对预设的装备零备件质量状态预测模型进行训练，得到装备零备件质量状态测试模型；
S6，利用所述装备零备件质量状态测试模型，对待检测的装备零备件进行检测，得到装备零备件质量状态预测结果。
2.根据权利要求1所述的装备零备件质量状态预测方法，其特征在于，所述装备零备件质量状态数据包括装备零备件类型、储存年限、维护保养次数、外观检测结果、储存地理环境经度信息、储存地理环境纬度信息、储存环境温度和储存环境湿度；
所述装备零备件类型、所述储存年限、所述维护保养次数用离散型数值表示；
所述外观检测结果用0～1的数值表示，数值越大表示外观腐蚀破损程度越大；
所述储存地理环境经度信息在-180°～180°之间离散取值；
所述储存地理环境纬度信息在-90°～90°之间离散取值；
所述储存环境温度在-60℃～70℃之间连续取值；
所述储存环境湿度为：干旱为0，半干旱为1，干半湿润为2，湿半湿润为3，湿润为4，潮湿为5，过湿为6。
3.根据权利要求1所述的装备零备件质量状态预测方法，其特征在于，所述对所述装备零备件质量状态数据进行预处理，得到均衡装备零备件质量状态数据，包括：
S31，对所述装备零备件质量状态数据进行数据清洗，得到清洗装备零备件质量状态数据；
所述数据清洗包括去除异常数据和缺失数据；
S32，对所述清洗装备零备件质量状态数据进行数据增强，得到均衡装备零备件质量状态数据。
4.根据权利要求1所述的装备零备件质量状态预测方法，其特征在于，所述对所述预处理装备零备件质量状态数据进行处理，得到观测因素特征信息，包括：
利用数据标准化处理模型，对所述预处理装备零备件质量状态数据进行处理，得到观测因素特征信息；
所述数据标准化处理模型为：
其中，xmin为预处理装备零备件质量状态数据的最小值，xmax为预处理装备零备件质量状态数据最大值，x为预处理装备零备件质量状态数据，x′为观测因素特征信息。
5.根据权利要求1所述的装备零备件质量状态预测方法，其特征在于，所述利用所述观测因素特征信息，对预设的装备零备件质量状态预测模型进行训练，得到装备零备件质量状态测试模型，包括：
S51，对装备零备件的质量等级进行处理，得到状态序列，所述装备零备件的质量等级包括新品、堪用品、待修品和废品；
S52，利用观测因素构建模型，对所述观测因素特征信息进行处理，得到观测序列；
S53，利用观测因素特征信息中的训练集和验证集对所述状态序列和所述观测序列进行处理，得到装备零备件质量状态测试模型。
6.根据权利要求5所述的装备零备件质量状态预测方法，其特征在于，所述观测因素构建模型为：
output＝Sigmoid(f(x))
其中，f(x)＝ωx+b，x＝(x1,x2,…,x8)为观测因素向量，ω和b为参数，output为观测序列。
7.根据权利要求1所述的装备零备件质量状态预测方法，其特征在于，所述装备零备件质量状态测试模型为：
其中，OT＝oToT-1…o2o1是从起始时刻到当前时刻的观测值序列，P(ZT|oToT-1…o2o1)为在观测值序列得到质量状态ZT的概率，时刻T装备零备件质量状态预测结果为si∈S，S为状态空间；
所述观测值序列中每一时刻的观测值ot，1≤t≤T只取决于当前时刻的状态值zt:
P(ot|z1,o1,…,zt,ot)＝P(ot|zt)
式中ot为t时刻的观测值，其取值为vi∈V，V为观测值组成观测空间V＝{v1,v2,...,vN}，N为观测值的数量，z1为时刻1的状态值。
8.一种装备零备件质量状态预测装置，其特征在于，所述装置包括：
评估对象获取模块，用于获取装备零备件质量状态评估对象；
质量状态数据获取模块，用于对所述装备零备件质量状态评估对象进行分析，得到装备零备件质量状态数据；
预处理模块，用于对所述装备零备件质量状态数据进行预处理，得到均衡装备零备件质量状态数据；
观测因素特征处理模块，用于对所述均衡装备零备件质量状态数据进行处理，得到观测因素特征信息，所述观测因素特征信息包括训练集、验证集和测试集；
模型构建模块，用于利用所述观测因素特征信息，对预设的装备零备件质量状态预测模型进行训练，得到装备零备件质量状态测试模型；
质量状态预测模块，用于利用所述装备零备件质量状态测试模型，对待检测的装备零备件进行检测，得到装备零备件质量状态预测结果。
9.一种装备零备件质量状态预测装置，其特征在于，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-7任一项所述的装备零备件质量状态预测方法。
10.一种计算机可存储介质，其特征在于，所述计算机可存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-7任一项所述的装备零备件质量状态预测方法。
CN202311775044.7A 2023-12-21 2023-12-21 一种装备零备件质量状态预测方法及装置 Active CN117592865B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311775044.7A CN117592865B (zh) 2023-12-21 2023-12-21 一种装备零备件质量状态预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311775044.7A CN117592865B (zh) 2023-12-21 2023-12-21 一种装备零备件质量状态预测方法及装置

Publications (2)

Publication Number Publication Date
CN117592865A true CN117592865A (zh) 2024-02-23
CN117592865B CN117592865B (zh) 2024-04-05

Family

ID=89918397

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311775044.7A Active CN117592865B (zh) 2023-12-21 2023-12-21 一种装备零备件质量状态预测方法及装置

Country Status (1)

Country Link
CN (1) CN117592865B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI614699B (zh) * 2016-12-30 2018-02-11 國立成功大學 大量客製化產品的品質預測方法
WO2021109578A1 (zh) * 2019-12-02 2021-06-10 北京天元创新科技有限公司 业务运维中告警的预测方法、装置与电子设备
CN115796015A (zh) * 2022-11-18 2023-03-14 合肥工业大学 一种基于互信息多源数据融合的水闸安全状态评估方法
CN116485032A (zh) * 2023-05-11 2023-07-25 哈尔滨工业大学 一种考虑多维影响因素的航空产品加工质量预测方法
CN116777109A (zh) * 2023-06-16 2023-09-19 上海能源科技发展有限公司 风力发电机组设备状态评估方法及系统
CN116862893A (zh) * 2023-07-25 2023-10-10 杭州电子科技大学 一种基于动态特征中心的工业零件异常检测方法及系统
CN117114576A (zh) * 2023-08-31 2023-11-24 佛山市太米智能科技有限公司 一种基于人工智能的仓储智能调度监控管理方法及系统
WO2023231995A1 (zh) * 2022-05-30 2023-12-07 浙大城市学院 一种基于迁移学习的航空发动机寿命预测与健康评估方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI614699B (zh) * 2016-12-30 2018-02-11 國立成功大學 大量客製化產品的品質預測方法
WO2021109578A1 (zh) * 2019-12-02 2021-06-10 北京天元创新科技有限公司 业务运维中告警的预测方法、装置与电子设备
WO2023231995A1 (zh) * 2022-05-30 2023-12-07 浙大城市学院 一种基于迁移学习的航空发动机寿命预测与健康评估方法
CN115796015A (zh) * 2022-11-18 2023-03-14 合肥工业大学 一种基于互信息多源数据融合的水闸安全状态评估方法
CN116485032A (zh) * 2023-05-11 2023-07-25 哈尔滨工业大学 一种考虑多维影响因素的航空产品加工质量预测方法
CN116777109A (zh) * 2023-06-16 2023-09-19 上海能源科技发展有限公司 风力发电机组设备状态评估方法及系统
CN116862893A (zh) * 2023-07-25 2023-10-10 杭州电子科技大学 一种基于动态特征中心的工业零件异常检测方法及系统
CN117114576A (zh) * 2023-08-31 2023-11-24 佛山市太米智能科技有限公司 一种基于人工智能的仓储智能调度监控管理方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴佳;曾惟如;陈瀚霖;唐雪飞;: "基于隐马尔可夫模型的软件状态评估预测方法", 软件学报, no. 12, 15 December 2016 (2016-12-15) *

Also Published As

Publication number Publication date
CN117592865B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
CN111382542B (zh) 一种面向全寿命周期的公路机电设备寿命预测系统
CN112149898B (zh) 故障率预测模型的训练、故障率预测方法及相关装置
CN111325403B (zh) 一种公路隧道机电设备剩余寿命预测方法
CN110555477A (zh) 一种市政设施故障预测方法及装置
CN110757510A (zh) 一种机器人剩余寿命预测方法及系统
CN110599459A (zh) 基于深度学习的地下管网风险评估云系统
CN117034143B (zh) 一种基于机器学习的分布式系统故障诊断方法及装置
CN116610816A (zh) 一种基于图卷积神经网络的人员画像知识图谱分析方法及系统
CN114118232A (zh) 一种基于时空卷积神经网络的智能电表故障预测方法
CN115793590A (zh) 适用于系统安全运维的数据处理方法及平台
CN114202243A (zh) 一种基于随机森林的工程项目管理风险预警方法及系统
CN114968774A (zh) 一种多源异构跨项目软件缺陷预测方法
CN110807601A (zh) 一种基于截尾数据的园区道路劣化分析方法
Fu et al. MCA-DTCN: A novel dual-task temporal convolutional network with multi-channel attention for first prediction time detection and remaining useful life prediction
CN113570007A (zh) 零件缺陷识别模型构建优化方法、装置、设备及存储介质
CN113704389A (zh) 一种数据评估方法、装置、计算机设备及存储介质
CN114139589A (zh) 故障诊断方法、装置、设备与计算机可读存储介质
CN117592865B (zh) 一种装备零备件质量状态预测方法及装置
CN117349583A (zh) 用于低温液体储罐的智能检测方法及系统
Bond et al. A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data
Dang et al. seq2graph: Discovering dynamic non-linear dependencies from multivariate time series
CN113469013B (zh) 一种基于迁移学习和时间序列的电机故障预测方法及系统
Kirthiga et al. A survey on crack detection in concrete surface using image processing and machine learning
CN114137915A (zh) 一种工业设备的故障诊断方法
CN113190537A (zh) 一种用于监控区域内应急抢修现场的数据表征方法

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