基于任务与效能匹配的机电系统交互式多模型维修预测方法技术方案

本发明专利技术涉及一种基于任务与效能匹配的机电系统交互式多模型维修预测方法，针对异构多部件系统，基于寿命分布，建立(m,N)维修模型步；对机电系统采用非集中式维修模式；计算机电系统全周期故障次序统计量；利用所述全周期故障次序统计量，计算机电系统全周期的期望费用率函数；优化求解：根据所述全周期的期望费用率函数，对控制单变量进行整数优化后，采用枚举法求解出维修模型中最优参数，并得到最优期望费用率。优化方法中，考虑到维修期造成的停工损失对总费用的影响，以及维修期时间对总时间的影响，使维修模型参数更加合理，最优期望费用率更加准确。

【技术实现步骤摘要】
基于任务与效能匹配的机电系统交互式多模型维修预测方法
本专利技术涉及机电
，尤其涉及一种基于任务与效能匹配的机电系统交互式多模型维修预测方法。
技术介绍
在过去的几十年中，工业设备经历了数次革新，舰船系统已经由过去的单部件系统变为现在复杂的多部件复合系统。在进行维修决策的制定时，应当对不同地位的部件分配不同的维修优先级。对于重要部件，需要使其始终保持在零故障状态。而对于非重要部件，则可以等待成组或机遇维修。除此之外，也应考虑不同维修团队带来的不同影响。团队维修方式的不同、维修经验的不同会产生经济、效果上的差异。同时，从实际的角度来看，随机退化系统的不完全维修通常只能被限制为有限次。当系统的维修次数超过一定限度时，系统的可靠性会大幅降低，使得维修频率变得逐渐频繁，此时进行替换维修是一种更为合理的选择。在多部件系统中，对于一些功能相对简单、精确度要求不高的部件，通常可以找到适合的数学模型对其使用寿命进行预测。因此，以全周期费用率最低为目标，针对部件寿命分布已知的异构多部件系统进行非集中式维修决策的研究是十分有意义的。
技术实现思路
鉴于上述的分析，本专利技术旨在提供一种基于任务与效能匹配的机电系统交互式多模型维修预测方法，针对异构多部件系统，以次序统计量为工具对多部件系统的故障发生时间进行预测，得到最优决策的求解结果，使全周期费用率达到最小。本专利技术的目的主要是通过以下技术方案实现的：一种基于任务与效能匹配的机电系统交互式多模型维修预测方法，包括以下步骤：步骤1、建立维修模型；步骤2、对机电系统采用非集中式维修模式；步骤3：计算机电系统全周期故障次序统计量；步骤4：利用所述全周期故障次序统计量，计算机电系统全周期的期望费用率函数；步骤5：优化求解：根据所述全周期的期望费用率函数，对控制单变量进行整数优化后，采用枚举法求解出维修模型中的最优参数，并得到最优期望费用率。进一步地，所述维修模型为(m,N)模型，所述(m,N)模型中，低维修优先级部件LC故障个数为m，高维修优先级部件HC不完全维修次数为N-1，m个LC部件出现故障，或者某个HC部件发生故障，多部件机电系统被判定为故障状态；此时，对LC，采用成组维修，为完全维修；对HC，采用“随坏随修”的修复性维修以及“将坏立修”的预防性维修，为不完全维修，在N-1次不完全维修后，下一次由紧急原则引发的维修为替换维修。进一步地，步骤2中，所述非集中式维修模式涉及到地位不均等的两支维修团队，其竞争关系用Stackelberg竞争模型进行描述；当采用(m,N)维修模型时，每台机器在每个维修时间点仅被一个团队维修，即在每个维修时间点，两团队A、B分别扮演“先行团队”和“随后团队”的角色；不同维修时间点的“先行-随后”状态不同，转化过程符合马尔可夫特性。进一步地，步骤3中，所述全周期划分为两部分：运转期和维修期；LC故障产生的维修时长忽略不计；HC故障产生的维修时长记为一个不完全维修子期；所述故障次序统计量包括U(i)和所述U(i)为第i个LC的故障次序统计量，所述为第l个HC的故障次序统计量，为第l个连续运转子期；在第l个连续运转子期中，根据[0,t]时间内HC的故障次数分布函数Ns(t)，得到所述的概率密度函数所述k为HC故障数，l为连续运转子期，Pr(·)为已知随机变量的概率密度；同样在[0,t]时间内，LC的故障次数分布函数N(t)，得到U(i)的概率密度函数：Pr(·)为已知随机变量的概率密度，式中k为LC故障数。进一步地，步骤4中，所述全周期费用率的表达式为其中全周期总费用等于运转期总费用E(Ct(m,N))与维修期造成的停工损失期望Ed(C)之和；全周期总时间等于运转期总时间E(t)与维修期总时间Es(t)之和。进一步地，所述运转期总费用E(Ct(m,N))根据下式确定：其中，N为维修次数；E(Dt)为运转总时间Dt的期望为E(Dt)；E(Np)为小修总次数Np的期望值，利用失效率函数r(t)表示(0,t]时间内小修的平均次数，求得在第l个连续运转子期内的小修平均次数Nl，进而得到小修总次数Np的期望值，EPM_L(A)、ECM_L(A)、EPM_H(A)、ECM_H(A)、ER_L(A)、ER_H(A)为团队A完全维修正常LC、完全维修故障LC、不完全维修正常HC、不完全维修故障HC、替换维修LC、替换维修HC的数量；EPM_L(B)、ECM_L(B)、EPM_H(B)、ECM_H(B)、ER_L(B)、ER_H(B)为团队B完全维修正常LC、完全维修故障LC、不完全维修正常HC、不完全维修故障HC、替换维修LC、替换维修HC的数量；cs为单次维修活动的基本维修费用；cd为运转时间损失的费用；cl为小修的维修费用；cAn_L、cAf_L、cAn_H、cAf_H、cAr_L、cAr_H为团队A完全维修正常LC、完全维修故障LC、不完全维修正常HC、不完全维修故障HC、替换维修LC、替换维修HC的费用；cBn_L、cBf_L、cBn_H、cBf_H、cBr_L、cBr_H为团队B完全维修正常LC、完全维修故障LC、不完全维修正常HC、不完全维修故障HC、替换维修LC、替换维修HC的费用。进一步地，所述运转期总时间进一步地，所述维修期总时间期望Es(t)根据下式确定：其中为第l个运转子期不包括小修的总维修次数，M为机器个数，p为HC个数，pc为某个部件由团队A维修的概率，为团队A在第l个运转子期内维修故障HC数量；tAn_H，tAf_H，tAr_H为团队A不完全维修正常HC、不完全维修故障HC、替换维修HC的时间，tBn_H，tBf_H，tBr_H为团队B不完全维修正常HC、不完全维修故障HC、替换维修HC的维修时间参数。进一步地，所述维修期造成的停工损失期望Ed(C)＝cM·M·Es(t)；所述Es(t)为维修期总时间，M为机器个数，cM为一个机器单位时间内停工损失费用。进一步地，步骤5包括以下子步骤：1)初始化；令m＝1、N＝1、η1＝1.1、η2＝3、Cm＝∞；所述η1、η2为优化问题的收敛条件；2)根据公式计算C(m，N)；3)若Cm＞C(m，N)，则令Cm＝C(m，N)，Nm＝N；4)若C(m，N)＞η1Cm且N＞η2Cm，继续，执行5)；否则，令N＝N+1，跳转到2)；5)若m＝M·n，继续，执行6)；否则，令m＝m+1，跳转到2)；6)通过式C(m*，N*)＝minmCm找到最优参数m*，N*，并得到最优的全周期期望费用率C(m*，N*)。本专利技术有益效果如下：1.以全周期费用率最低为目标，针对部件寿命分布已知的异构多部件系统进行非集中式维修决策，确定了最优的m和N，有效解决了多部件系统维修费用高、部分部件利用率不足等问题。2.基于状态监测数据或预测模型，确定维修时间点，采用非集中式维修模式，降低全周期费用率，达到经济最优性，避免了不必要的维修资源浪费。3.优化方法中，考虑到维修期造成的停工损失对总费用的影响，考虑到维修期时间对总时间的影响，相比于没有考虑上述影响的维修预测方法，解出的维修模型参数更加合理，得到的最优期望费用率更加准确，避免了维修经费预算不准，预测的HC部件维修次数过多的问题。对工程制造型企业，生产总成本的很大一部分是用于设备维本文档来自技高网...

【技术保护点】
一种基于任务与效能匹配的机电系统交互式多模型维修预测方法，其特征在于，包括以下步骤：步骤1、建立维修模型；步骤2、对机电系统采用非集中式维修模式；步骤3：计算机电系统全周期故障次序统计量；步骤4：利用所述全周期故障次序统计量，计算机电系统全周期的期望费用率函数；步骤5：优化求解：根据所述全周期的期望费用率函数，对控制单变量进行整数优化后，采用枚举法求解出维修模型中的最优参数，并得到最优期望费用率。

【技术特征摘要】
1.一种基于任务与效能匹配的机电系统交互式多模型维修预测方法，其特征在于，包括以下步骤：步骤1、建立维修模型；步骤2、对机电系统采用非集中式维修模式；步骤3：计算机电系统全周期故障次序统计量；步骤4：利用所述全周期故障次序统计量，计算机电系统全周期的期望费用率函数；步骤5：优化求解：根据所述全周期的期望费用率函数，对控制单变量进行整数优化后，采用枚举法求解出维修模型中的最优参数，并得到最优期望费用率。2.根据权利要求1所述的多模型维修预测方法，其特征在于，所述维修模型为(m,N)模型，所述(m,N)模型中，低维修优先级部件LC故障个数为m，高维修优先级部件HC不完全维修次数为N-1，m个LC部件出现故障，或者某个HC部件发生故障，多部件机电系统被判定为故障状态；此时，对LC，采用成组维修，为完全维修；对HC，采用“随坏随修”的修复性维修以及“将坏立修”的预防性维修，为不完全维修，在N-1次不完全维修后，下一次由紧急原则引发的维修为替换维修。3.根据权利要求2所述的多模型维修预测方法，其特征在于，步骤2中，所述非集中式维修模式涉及到地位不均等的两支维修团队，其竞争关系用Stackelberg竞争模型进行描述；当采用(m,N)维修模型时，每台机器在每个维修时间点仅被一个团队维修，即在每个维修时间点，两团队A、B分别扮演“先行团队”和“随后团队”的角色；不同维修时间点的“先行-随后”状态不同，转化过程符合马尔可夫特性。4.根据权利要求3所述的多模型维修预测方法，其特征在于，步骤3中，所述全周期划分为两部分：运转期和维修期；LC故障产生的维修时长忽略不计；HC故障产生的维修时长记为一个不完全维修子期；所述故障次序统计量包括U(i)和所述U(i)为第i个LC的故障次序统计量，所述为第l个HC的故障次序统计量，为第l个连续运转子期；在第l个连续运转子期中，根据[0,t]时间内HC的故障次数分布函数Ns(t)，得到所述的概率密度函数所述k为HC故障数，l为连续运转子期，Pr(·)为已知随机变量的概率密度；同样在[0,t]时间内，LC的故障次数分布函数N(t)，得到U(i)的概率密度函数：Pr(·)为已知随机变量的概率密度，式中k为LC故障数。5.根据权利要求4所述的多模型维修预测方法，其特征在于，步骤4中，所述全周期费用率的表达式为其中全周期总费用等于运转期总费用E(Ct(m,N))与维修期造成的停工损失期望Ed(C)之和；全周期总时间等于运转期总时间E(t)与维修期总时间Es(t)之和。6.根据权利要求5所述的多模型维修预测方法，其特征在于，所述运转期总费用E(Ct(m,N))根据下式确定：其中，N为维修次数；E(Dt)为运转总时间Dt的期望为E(Dt)；E(Np)为小修总次数Np的期望值，利用失效率函数r(t)表示(0,...

【专利技术属性】
技术研发人员：张成伟，张玉峰，张羽，刘鹏鹏，
申请(专利权)人：中国船舶工业系统工程研究院，
类型：发明
国别省市：北京,11