寿命预测及维护决策方法和装置、以及存储介质、计算机制造方法及图纸

一种智能装备寿命预测及维护决策方法，包括以下步骤：获取智能装备的运行数据及专家知识数据库；用低纬特征向量对智能装备进行表示，通过建立所述运行数据及专家知识数据库与低纬特征向量的对应关系，从而确定所述智能装备的低纬特征向量；构建基于神经网络模型的寿命预测及维护决策模型；利用预先训练的寿命预测及维护决策模型，根据所述低纬特征向量，确定所述智能装备的寿命预测及维护决策结果。本发明专利技术通过结合设备的运行数据及专家知识数据库对设备使用寿命进行预测，从而提高预测结果的准确性和可靠性，最大限度优化设备的使用期限和产品质量，降低停机时间和维修保障费用，提高智能装备的效率和价值，也为设备针对性采买提供了依据。

Decision-making methods and devices for life prediction and maintenance, as well as storage media and computers

An intelligent equipment life prediction and maintenance decision-making method includes the following steps: acquiring operation data and expert knowledge database of intelligent equipment; representing intelligent equipment with low-latitude feature vectors; determining the low-latitude feature vectors of intelligent equipment by establishing the corresponding relationship between the operation data and expert knowledge database and low-latitude feature vectors; and constructing the low-latitude feature vectors based on God. The life prediction and maintenance decision-making model of the network model, and the life prediction and maintenance decision-making results of the intelligent equipment are determined by using the pre-trained life prediction and maintenance decision-making model and according to the low-latitude feature vector. The invention predicts the service life of the equipment by combining the operation data of the equipment with the expert knowledge database, thereby improving the accuracy and reliability of the prediction results, optimizing the service life and product quality of the equipment to the greatest extent, reducing the downtime and maintenance support costs, improving the efficiency and value of the intelligent equipment, and providing a basis for purchasing the equipment pertinently.

【技术实现步骤摘要】
寿命预测及维护决策方法和装置、以及存储介质、计算机
本专利技术涉及设备检测
，具体涉及了一种智能装备寿命预测及维护决策方法及装置、以及存储介质、计算机。
技术介绍
随着高新技术的快速发展，工业生产、机械制造等领域的自动化装备呈现出大规模和复杂化的趋势，同时也对这类设备的可靠性和安全性提出了更苛刻的要求。实际工程设备(例如化工生产、机械制造)在使用过程中，由于原料侵蚀、设备之间的冲击磨损、长期处于高温出现的蠕变等原因，不可避免地会存在性能退化，并可能最终演化成故障。为确保智能装备安全稳定运行，预测与健康管理作为受到了学术界和工业界的广泛关注。预测与健康管理技术主要包含两大块内容：寿命预测、健康管理。预测与健康管理技术可以提高设备的完好率和任务的完成率；降低停机时间和维修保障费用；对于工业领域特别是化工生产和机械制造等可靠性和产品质量要求较高的领域显得尤为重要。因此如何建立装备的寿命预测及维护决策模型，提高预测结果的准确性和可靠性，最大限度优化设备的使用期限和产品质量，提高智能装备的效率和价值是至关重要的问题。
技术实现思路
本专利技术目的在于克服现有技术的缺点与不足，提供了一种智能装备寿命预测及维护决策方法，能够提高了预测结果的准确性和可靠性，最大限度优化设备的使用期限和产品质量，提高了智能装备的效率和价值。为实现上述目的，本专利技术采用的技术方案如下：一种智能装备寿命预测及维护决策方法，包括以下步骤：获取智能装备的运行数据及专家知识数据库；用低纬特征向量对智能装备进行表示，通过建立所述运行数据及专家知识数据库与低纬特征向量的对应关系，从而确定所述智能装备的低纬特征向量；构建基于神经网络模型的寿命预测及维护决策模型；利用预先训练的寿命预测及维护决策模型，根据所述低纬特征向量，确定所述智能装备的寿命预测及维护决策结果。由上可知，本专利技术方法首先获取智能装备的运行数据及专家知识数据库，进而根据所述运行数据及专家知识数据库与低纬特征向量的对应关系，确定所述智能装备的特征向量，然后利用预先训练的寿命预测模型，根据低纬特征向量，确定所述智能装备的维护决策及寿命优化预测结果。由此，通过利用神经网络模型，结合设备的运行数据及专家知识数据库对设备使用寿命进行预测，对是否需要维护及维护方法给出优化决策，从而提高预测结果的准确性和可靠性，最大限度优化设备的使用期限和产品质量，降低停机时间和维修保障费用，提高智能装备的效率和价值，也为设备针对性采买提供了依据。进一步地，所述运行数据中分别包括正在使用的智能装备的运行参数、已报废的智能装备设备的运行参数、停机损耗、维护情况及使用和标称寿命；所述专家知识数据库包括：专家知识预测使用寿命数据库和专家知识维护意见数据库。作为本专利技术的一种改进，所述步骤“构建基于神经网络模型的寿命预测及维护决策模型”包括以下子步骤：构建三层深度神经网络模型，第一层为所述低纬特征向量输入层、第二层为专家组寿命预测及维护决策结果层、第三层为可靠的实际寿命预测及维护决策结果层，即神经网络模型第一层到第二层为所述寿命预测及维护决策模型第一部分、神经网络模型第二层到第三层为所述寿命预测及维护决策模型第二部分；所述寿命预测及维护决策模型第一部分权重的确定，随机初始化权重初始，利用所述低纬特征向量和专家组寿命预测及维护决策结果作为输入输出数据，利用BP反向传播算法训练神经网络模型得到寿命预测及维护决策模型第一部分的权重；所述寿命预测及维护决策模型第二部分的权重的确定，根据各个专家的科技水平，也就是专家的综合可信度，即各个专家的综合可信度作为寿命预测及维护决策模型第二部分的权重初始值，然后利用所述得到专家组寿命预测及维护决策结果和实际产品的寿命及维护决策结果作为输入输出数据，并利用BP反向传播算法训练神经网络模型更新初始权重得到寿命预测及维护决策模型第二部分的权重。作为本专利技术的一种改进，所述步骤“利用预先训练的寿命预测及维护决策模型，根据所述低纬特征向量，确定所述智能装备的寿命预测及维护决策结果”包括以下子步骤：利用预先训练的寿命预测及维护决策模型第一部分，根据所述智能装备的低维特征向量，确定所述智能装备专家组寿命预测及维护决策结果；利用预先训练的寿命预测及维护决策模型第二部分，根据所述智能装备专家组寿命预测及维护决策结果，确定所述智能装备的使用寿命预测及维护决策结果。进一步地，所述各个专家的综合可信度是指，假设一组专家A1、A1、…、An的可信度为P1、P2、…、Pn，则称为专家关于A1、A1、…、An的综合可信度。本专利技术还提供一种智能装备寿命预测及维护决策装置。为实现上述目的，本专利技术采用的技术方案如下：一种智能装备寿命预测及维护决策装置，包括数据获取模块、特征化模块、模型构建模块和决策模块；数据获取模块，用于获取智能装备的运行数据及专家知识数据库；特征化模块，用于用低纬特征向量对智能装备进行表示，通过建立所述运行数据及专家知识数据库与低纬特征向量的对应关系，从而确定所述智能装备的低纬特征向量；模型构建模块，用于构建基于神经网络模型的寿命预测及维护决策模型；决策模块，用于利用预先训练的寿命预测及维护决策模型，根据所述低纬特征向量，确定所述智能装备的寿命预测及维护决策结果。作为本专利技术的一种改进，所述模型构建模块包括以下子模块：构建子模块，用于构建三层深度神经网络模型，第一层为所述低纬特征向量输入层、第二层为专家组寿命预测及维护决策结果层、第三层为可靠的实际寿命预测及维护决策结果层，即神经网络模型第一层到第二层为所述寿命预测及维护决策模型第一部分、神经网络模型第二层到第三层为所述寿命预测及维护决策模型第二部分；第一权重模块，用于确定所述寿命预测及维护决策模型第一部分权重，随机初始化权重初始，利用所述低纬特征向量和专家组寿命预测及维护决策结果作为输入输出数据，利用BP反向传播算法训练神经网络模型得到寿命预测及维护决策模型第一部分的权重；第二权重模块，用于确定所述寿命预测及维护决策模型第二部分的权重，根据各个专家的科技水平，也就是专家的综合可信度，即各个专家的综合可信度作为寿命预测及维护决策模型第二部分的权重初始值，然后利用所述得到专家组寿命预测及维护决策结果和实际产品的寿命及维护决策结果作为输入输出数据，并利用BP反向传播算法训练神经网络模型更新初始权重得到寿命预测及维护决策模型第二部分的权重。作为本专利技术的一种改进，所述决策模块包括以下子模块：初步决策模块，用于利用预先训练的寿命预测及维护决策模型第一部分，根据所述智能装备的低维特征向量，确定所述智能装备专家组寿命预测及维护决策结果；最终决策模块，用于利用预先训练的寿命预测及维护决策模型第二部分，根据所述智能装备专家组寿命预测及维护决策结果，确定所述智能装备的使用寿命预测及维护决策结果。一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本专利技术智能装备寿命预测及维护决策方法的步骤。一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现本专利技术智能装备寿命预测及维护决策方法的步骤。与现有技术相比，本专利技术技术方案的创新点和有益效果在于：本专利技术通过利用神经网络模型，结合设备的运行本文档来自技高网...

【技术保护点】
1.一种智能装备寿命预测及维护决策方法，其特征在于包括以下步骤：获取智能装备的运行数据及专家知识数据库；用低纬特征向量对智能装备进行表示，通过建立所述运行数据及专家知识数据库与低纬特征向量的对应关系，从而确定所述智能装备的低纬特征向量；构建基于神经网络模型的寿命预测及维护决策模型；利用预先训练的寿命预测及维护决策模型，根据所述低纬特征向量，确定所述智能装备的寿命预测及维护决策结果。

【技术特征摘要】
1.一种智能装备寿命预测及维护决策方法，其特征在于包括以下步骤：获取智能装备的运行数据及专家知识数据库；用低纬特征向量对智能装备进行表示，通过建立所述运行数据及专家知识数据库与低纬特征向量的对应关系，从而确定所述智能装备的低纬特征向量；构建基于神经网络模型的寿命预测及维护决策模型；利用预先训练的寿命预测及维护决策模型，根据所述低纬特征向量，确定所述智能装备的寿命预测及维护决策结果。2.根据权利要求1所述智能装备寿命预测及维护决策方法，其特征在于：所述运行数据中分别包括正在使用的智能装备的运行参数、已报废的智能装备设备的运行参数、停机损耗、维护情况及使用和标称寿命；所述专家知识数据库包括：专家知识预测使用寿命数据库和专家知识维护意见数据库。3.根据权利要求1所述智能装备寿命预测及维护决策方法，其特征在于：所述步骤“构建基于神经网络模型的寿命预测及维护决策模型”包括以下子步骤：构建三层深度神经网络模型，第一层为所述低纬特征向量输入层、第二层为专家组寿命预测及维护决策结果层、第三层为可靠的实际寿命预测及维护决策结果层，即神经网络模型第一层到第二层为所述寿命预测及维护决策模型第一部分、神经网络模型第二层到第三层为所述寿命预测及维护决策模型第二部分；所述寿命预测及维护决策模型第一部分权重的确定，随机初始化权重初始，利用所述低纬特征向量和专家组寿命预测及维护决策结果作为输入输出数据，利用BP反向传播算法训练神经网络模型得到寿命预测及维护决策模型第一部分的权重；所述寿命预测及维护决策模型第二部分的权重的确定，根据各个专家的科技水平，也就是专家的综合可信度，即各个专家的综合可信度作为寿命预测及维护决策模型第二部分的权重初始值，然后利用所述得到专家组寿命预测及维护决策结果和实际产品的寿命及维护决策结果作为输入输出数据，并利用BP反向传播算法训练神经网络模型更新初始权重得到寿命预测及维护决策模型第二部分的权重。4.根据权利要求3所述智能装备寿命预测及维护决策方法，其特征在于：所述步骤“利用预先训练的寿命预测及维护决策模型，根据所述低纬特征向量，确定所述智能装备的寿命预测及维护决策结果”包括以下子步骤：利用预先训练的寿命预测及维护决策模型第一部分，根据所述智能装备的低维特征向量，确定所述智能装备专家组寿命预测及维护决策结果；利用预先训练的寿命预测及维护决策模型第二部分，根据所述智能装备专家组寿命预测及维护决策结果，确定所述智能装备的使用寿命预测及维护决策结果。5.根据权利要求3所述智能装备寿命预测及维护决策方法，其特征在于：所述各个专家的综合可信度是指，假设一组专家A1、A1、…、An的可信度为P1、P2、…、Pn，则称为专家关于A1、A1...

【专利技术属性】
技术研发人员：鲁仁全，周嘉煜，徐雍，李军毅，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44