基于改进粒子群算法的复杂设备批量长期维修计划优化方法技术

本发明专利技术涉及复杂设备运行参数处理分析技术领域，具体的说是一种能够有效降低复杂设备维护成本、提高设备运行可靠性的基于改进粒子群算法的复杂设备批量长期维修计划优化方法，通过从整个机队的角度考虑发动机实际的送修时间，并从单一设备全寿命周期内维修成本最小的角度考虑复杂设备队列的长期维修计划的优化，从而建立机队长期维修计划优化模型，针对标准粒子群算法易陷入局部收敛的情况，提出一种改进粒子群算法，增强粒子群跳出局部收敛的能力，采用改进粒子群算法求解机队长期维修计划优化模型，为机队长期维修计划提供理论层面的支持。的支持。

【技术实现步骤摘要】
基于改进粒子群算法的复杂设备批量长期维修计划优化方法

：
[0001]本专利技术涉及复杂设备运行参数处理分析
，具体的说是一种能够有效降低复杂设备维护成本、提高设备运行可靠性的基于改进粒子群算法的复杂设备批量长期维修计划优化方法。

技术介绍
：
[0002]具有大量零部件的复杂设备的检修维护周期需要考虑到设备整体以及各零部件的运行参数，通过对运行中设备参数的分析，可以合理实现对设备送修周期的预估，以由大量零部件组成的航空发动机为例，民航发动机是具有较长使用寿命的复杂设备，在全寿命周期内需要多次送修，各次送修的维修时机与维修工作范围会影响到后续的维修时机与维修工作范围，进而会影响全寿命维修成本。
[0003]随着经济水平的日益提高和飞机出行逐渐受到人们的欢迎，航空运输业正处于蓬勃发展的阶段，已成为最具生命力的行业。民航发动机是飞机的心脏，也是对安全性要求极高的复杂设备，对飞机飞行的可靠性、经济性和安全性起着重要的作用。为了增强对航空发动机管理的效率，航空公司一般对同一型号的所有航空发动机进行统一管理。机队指的就是航空公司同一型号的所有航空发动机的总和。在多机型、大机队的发展趋势下，航空公司一般有多个机队，每个机队一般具有十几甚至上百台发动机。为了提高机队安全性和运维管理的能力，增强市场竞争的优势，航空公司有必要加强机队运维能力，提高机队的维修计划水平。发动机的维修理念已经由“预防为主”逐渐转变为“以可靠性为中心”，发动机的维修策略也由简单的定时维修逐渐转变为定时维修、视情维修和状态监控等方法相融合的维修策略。目前，国内外的研究大多都是针对单台发动机的维修时机优化。
[0004]为了能够对机队长期维修计划进行合理的规划，有必要从发动机全寿命角度考虑，确定发动机在全寿命周期内的最优送修次数和各次送修的维修时机，其中发动机前后两次维修时机的差等于两次送修间的在翼寿命。通过基于粒子群优化的民航发动机维修决策方法可以得到发动机在全寿命周期内的送修次数和任意两次送修间的在翼寿命。发动机在翼寿命的单位为飞行循环，通过对发动机日利用率的统计将在翼寿命由飞行循环转化为天数，将转化后的在翼寿命称之为在翼时长。在工程实践中，会出现发动机串换的现象，即备用发动机(以下简称备发)替换还能继续使用的在翼发动机或者两台在翼发动机互换位置。其中，两台在翼发动机互换位置如果在日利用率接近的情况下对发动机送修时刻的影响很小。备发替换还能继续使用的在翼发动机是在具体将发动机分配到机位上时才需要考虑，机队长期维修计划不考虑发动机与机位的匹配关系。同时由于偶发故障等原因，发动机还会发生非计划送修事件。非计划送修会影响发动机的全寿命维修决策。非计划送修的影响因素复杂，考虑非计划送修将极大增加机队长期维修计划问题的建模难度与求解难度。

技术实现思路
：
[0005]本专利技术针对现有技术中存在的空白，提出了一种能够有效降低复杂设备维护成
本、提高设备运行可靠性的基于改进粒子群算法的复杂设备批量长期维修计划优化方法。
[0006]本专利技术通过以下措施达到：
[0007]一种基于改进粒子群算法的复杂设备批量长期维修计划优化方法，其中批量待维护的复杂设备组成队列，队列中设备数量记为N，机位总数记为M，设备送修时长记为T，计划期的时长记为Q，V
i
(i＝1,2,
…
,N)表示设备i在计划期内的总送修次数；P
i,j
(j＝0,1,
…
,V
i
)表示设备i在第j次送修至下次送修间的运行时长，当j＝0时表示从计划期刚开始到第一次送修间的运行时长；R
i,j
(j＝0,1,
…
,V
i
)表示设备i在第j
‑
1次送修至下次送修间的库存时长，当j＝0时表示从计划期刚开始到第一次送修间的库存时长，对于队列长期维修计划问题，需要通过目标函数来判断长期维修计划的优劣，其中缺发成本最小和送修均衡作为机队长期维修计划的优化目标，其特征在于，具体包括以下步骤：
[0008]步骤1：设置粒子群规模N
pop
、发动机每次送修前的库存时长[I
min
,I
max
]、最大迭代次数t
max_iter
、学习因子c1、c2和权重w；
[0009]步骤2：初始化种群的位置和三种速度，计算初始粒子群的适应度值，迭代次数t＝0；
[0010]步骤3：更新个体最优位置和前三个最优位置，根据公式(10)
‑
(16)更新粒子的位置，并记录目前为止种群中前三个最小适应度值和对应的粒子位置，更新X
α
、X
β
和X
δ
，V
i1
(t+1)＝w
·
V
i1
(t)+c1·
r3·
(P
i
(t)
‑
X
i
(t))+c2·
r4·
(X
α
‑
X
i
(t))
ꢀꢀ
(10)
[0011][0012]V
i2
(t+1)＝w
·
V
i2
(t)+c1·
r5·
(P
i
(t)
‑
X
i
(t))+c2·
r6·
(X
β
‑
X
i
(t))
ꢀꢀ
(12)
[0013][0014]V
i3
(t+1)＝w
·
V
i3
(t)+c1·
r7·
(P
i
(t)
‑
X
i
(t))+c2·
r8·
(X
δ
‑
X
i
(t))
ꢀꢀ
(14)
[0015][0016][0017]其中，X
α
、X
β
和X
δ
分别表示全局最优位置、全局第二最优位置和全局第三最优位置；V
i1
(t)、V
i2
(t)、V
i3
(t)表为第t代的第i个粒子的三种更新速度，由于初始化速度、X
α
、X
β
和X
δ
的不同而不同。r3‑
r8分别表示[0,1]上的随机数；
[0018]步骤4：根据公式(17)和(18)计算出N
alter
的值，然后计算出所有个体最优位置发生改变的粒子到全局最优位置欧式距离的和，再计算其均值即d
mean
，
[0019][0020][0021]步骤5：根据公式(19)
‑
(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进粒子群算法的复杂设备批量长期维修计划优化方法，其中批量待维护的复杂设备组成队列，队列中设备数量记为N，机位总数记为M，设备送修时长记为T，计划期的时长记为Q，V
i
(i＝1,2,
…
,N)表示设备i在计划期内的总送修次数；P
i,j
(j＝0,1,
…
,V
i
)表示设备i在第j次送修至下次送修间的运行时长，当j＝0时表示从计划期刚开始到第一次送修间的运行时长；R
i,j
(j＝0,1,
…
,V
i
)表示设备i在第j
‑
1次送修至下次送修间的库存时长，当j＝0时表示从计划期刚开始到第一次送修间的库存时长，对于队列长期维修计划问题，需要通过目标函数来判断长期维修计划的优劣，其中缺发成本最小和送修均衡作为机队长期维修计划的优化目标，其特征在于，具体包括以下步骤：步骤1：设置粒子群规模N
pop
、发动机每次送修前的库存时长[I
min
,I
max
]、最大迭代次数t
max_iter
、学习因子c1、c2和权重w；步骤2：初始化种群的位置和三种速度，计算初始粒子群的适应度值，迭代次数t＝0；步骤3：更新个体最优位置和前三个最优位置，根据公式(10)
‑
(16)更新粒子的位置，并记录目前为止种群中前三个最小适应度值和对应的粒子位置，更新X
α
、X
β
和X
δ
，V
i1
(t+1)＝w
·
V
i1
(t)+c1·
r3·
(P
i
(t)
‑
X
i
(t))+c2·
r4·
(X
α
‑
X
i
(t))
ꢀꢀꢀꢀ
(10)V
i2
(t+1)＝w
·
V
i2
(t)+c1·
r5·
(P
i
(t)
‑
X
i
(t))+c2·
r6·
(X
β
‑
X
i
(t))
ꢀꢀꢀꢀ
(12)X
i2
(t+1)＝V
i2
(t+1)+X
i
(t)
ꢀꢀꢀꢀ
(13)V
i3
(t+1)＝w
·
V
i3
(t)+c1·
r7·
(P
i
(t)
‑
X
i
(t))+c2·
r8·
(X
δ
‑
X
i
(t))
ꢀꢀꢀꢀ

【专利技术属性】
技术研发人员：付旭云，何文辉，林琳，白争锋，钟诗胜，
申请(专利权)人：哈尔滨工业大学威海，
类型：发明
国别省市：