【技术实现步骤摘要】
一种状态自适应的机群发动机检测任务动态调度方法
[0001]本专利技术属于面向航空发动机机群故障检测任务智能调度
，具体涉及一种状态自适应的机群发动机检测任务动态调度方法。
技术介绍
[0002]航空发动机的原位无损检测是指机件、设备和系统不经拆卸，在原来安装位置上进行检查，能快速、方便、有效地检测在役结构及易损零部件的损伤，飞机航前进行发动机原位检测是预防事故发生和保证设备运行安全的有效手段。航空发动机作为推进系统关键，当前，使用航空发动机故障检测设备资源以组合协作方式进入航空发动机内部进行自动化航前安全检测，取代低效的人工检测使得航空发动机智能自主维护成为可能。
[0003]飞机到达的不确定性以及不可预测性使得飞机的航前检测时间浮动变化大，目前的研究还缺乏针对不确定、不可预测的航空发动机检测任务到达情境下的检测机器人重调度方法。近年来，元启发式算法在求解调度问题时展现出良好的效果，但是其学习能力不足，不能够根据系统状态自适应决策。随着强化学习的发展以及在对调度领域的应用，由于强化学习具有自学习能力，更擅于处...
【技术保护点】
【技术特征摘要】
1.一种状态自适应的机群发动机检测任务动态调度方法，其特征在于，包括如下步骤：步骤1：综合考虑系统资源充足性以及任务紧迫性，实时感知t时刻系统状态S
t
；根据系统内资源的被占用状况，分别从立即可用资源、预期可用资源两个角度评价t时刻内资源可用状况；根据系统内已调度正在等待执行的任务，根据任务的执行时间紧迫性评价任务的资源需求状况；结合以上两方面综合评价资源充足度，并根据系统中正在等待的最紧迫任务的紧迫程度对系统进行任务紧迫性评估；步骤2：初始化步骤时，初始化强化学习重调度决策网络参数，构建重调度决策网络；之后，根据上一步获取的系统状态，计算得到强化学习奖励值，更新基于强化学习的系统状态自适应重调度触发决策网络，决策网络输出重调度信号，指导智能优化算法进行重调度；步骤3：根据上一步强化学习决策网络决定是否需要进行重调度，如果需要，则使用智能优化算法进行调度问题求解，输出机群检测任务执行时间表；若强化学习决策网络决定不进行重调度，则系统维持原调度安排；步骤4：根据调度方案的效果表现，计算强化学习奖励值r
t
；感知(t+1)时刻系统状态S
t+1
；如果达到迭代最大值，则进行步骤5，若未达到最大值，则返回步骤2；步骤5：迭代训练完成，输出训练完成的强化学习决策网络参数，利用训练完成的强化学习决策网络，进行系统状态自适应的航空发动机检测任务动态调度。2.根据权利要求1中所述的状态自适应的机群发动机检测任务动态调度方法，其特征在于：所述步骤1具体包括：1.1 R(t)
n
表示t时刻n类资源的资源可用状况，式(1)表示t时刻n类型的资源可用状况的计算方法：其中，n,m分别代表资源和任务的种类，M为检测任务类型总数,
t
X
n,j
表示资源r
n,j
的状态，
t
X
n,j
＝0表示资源正在被占用，
t
X
n,j
＝1表示资源空闲；表示资源与任务的对应关系，表示资源r
n,j
正在服务任务f
m,i
，反之则两者没有对应关系；T_execute
m,i
表示任务f
m,i
的执行时间，T_end
m,i
为检测任务检测完成时间，
t
T_left
m,i
表示任务的剩余执行时间，
t
T_left
m,i
＝T_end
m,i
‑
t；q
n
为n类型的资源总数；公式前半部分计算了系统t时刻的立即可用资源，后半部分计算了t时刻的预期可用资源；D(t)
n
表示t时刻n类资源需求状况，如式(2)所示：其中，B
m，i
表示将产生延误的任务，T_due
m，i
表示任务f
m，i
的截止时间；t为当前时刻；p
m
为m类型的任务总数；不同类型的资源充足性σ(t)
n
是由资源可用状况R(t)
n
和资源需求状况D(t)
n
描述的，如公式(3)所示：σ(t)
n
＝R(t)
n
‑
D(t)
n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)1.2对系统进行任务紧迫性进行评估，紧迫性由系统中等待的最紧急任务定义，如公式
(4)所示：其中，M为检测任务类型总数。...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。