CN113408770B - 基于深度学习的装备维修时机预测方法 - Google Patents
基于深度学习的装备维修时机预测方法 Download PDFInfo
- Publication number
- CN113408770B CN113408770B CN202010181476.5A CN202010181476A CN113408770B CN 113408770 B CN113408770 B CN 113408770B CN 202010181476 A CN202010181476 A CN 202010181476A CN 113408770 B CN113408770 B CN 113408770B
- Authority
- CN
- China
- Prior art keywords
- equipment
- maintenance
- equipment maintenance
- data
- model
- 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.)
- Active
Links
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/045—Combinations of 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公布了一种基于深度学习的装备维修时机预测方法,通过建立循环神经网络RNN和卷积神经网络CNN混合结构的装备维修时机预测模型,对装备修理时间间隔进行预测,获得装备精准的修理时机;包括步骤:从装备修理业务数据中提取维修相关属性信息;将同一装备维修信息中的装备维修业务属性信息抽取出,进行处理得到多个训练样本数据和标签;建立循环神经网络RNN和卷积神经网络CNN混合结构的装备维修时机预测模型;训练得到训练好的装备维修时机预测模型;将待预测装备的数据输入训练好的装备维修时机预测模型,即实现基于深度学习的装备维修时间间隔的预测。
Description
技术领域
本发明属于装备维修技术领域,涉及装备维修时间间隔的预测技术,具体涉及一种基于深度学习的装备维修时机预测方法的设计与实现。
背景技术
在装备实际维修保障中,现有技术仍主要使用统一的装备维修间隔期标准制定装备修理计划。在实际维修保障应用中,很难针对待维修保障的装备实际所处环境及情况进行维保工作,导致装备的修理时机不精准,装备使用效能低下。
发明内容
为了克服上述现有技术的不足,本发明提供一种基于深度学习的装备维修时间间隔预测的方法,对装备修理时间间隔进行预测,获得装备精准的修理时机,可用于制定装备修理计划。
本发明的原理是:利用深度学习方法,提出一种循环神经网络(Recurrent NeuralNetwork,RNN)和卷积神经网络(Convolutional Neural Network,CNN)的混合结构模型,简称为RCNN(Recurrent and Convolutional Neural Network)模型,对装备修理时间间隔进行预测。
RNN是一种处理时间序列数据的神经网络,本发明选择RNN对装备的维修过程性数据进行学习训练,挖掘装备维修数据前后之间的关联性;同时,为了能够自主学习维修时间间隔与地理环境因素之间的潜在关系,利用CNN对装备所在地理环境进行特征提取。再将两种模型结合建立混合结构的装备维修时机预测模型,分析装备在训练计划与地理环境的作用下,装备维修时间间隔的变化特征,实现对装备维修时机进行预测。
本发明提供的技术方案如下:
一种基于深度学习的装备维修时间间隔预测的方法,通过建立循环神经网络RNN和卷积神经网络CNN混合结构的装备维修时机预测模型,对装备修理时间间隔进行预测,获得装备精准的修理时机;包括如下步骤:
1)从装备修理业务数据中提取某型装备的维修相关属性信息,包括:装备维修业务属性(包括单装编号、装备型号、小修次数、中修次数、大修次数等等)、每一条维修信息对应的装备所在地的地理环境因素属性;
2)将提取出来的数据按维修时间进行排序,然后以固定窗口长度(如取值为5,可参考装备2年平均小修次数),步长(如为1),自上而下滑动,形成多个5×10的维修信息序列构成的数据矩阵,同时抽取当前窗口中最后一条装备维修信息中的地理环境属性,两者结合形成一个训练样本;另将下次修理时间间隔作为标签由此得到多个训练样本数据和标签;得到的训练样本数据可按比例(如4:1的比例)随机分为训练集和测试集;
3)建立循环神经网络RNN和卷积神经网络CNN混合结构的装备维修时机预测模型,简称为RCNN模型;
RCNN模型如图2所示,包括CNN网络模型和RNN网络模型。其中RNN结构包括2层隐含层,因为考虑到当信息量太大时,通过多个隐藏层可以保存更多的重要信息。CNN模型主要用于对装备所在地理环境因素进行特征提取。RNN模型主要用于对装备基础信息数据及装备管理保障的业务数据进行学习训练,用校正线性单元ReLu作为激活函数以缓解过拟合问题。将样本数据训练获得的拟合值与标签的差定义为残差。
4)对所建立的装备维修时机预测RCNN模型进行训练和验证;
把所有训练样本和标签对应地输入装备维修时机预测模型RCNN网络模型(训练样本放在网络的输入端,标签放在网络的输出端),对模型进行训练,得到训练好的装备维修时机预测模型;进一步可利用测试集数据对训练好的装备维修时机预测模型进行测试和验证。
5)将待预测装备修理的数据输入训练好的装备维修时机预测模型,输出预测值,即实现基于深度学习的装备维修时间间隔预测。
与现有技术相比,本发明的有益效果是:
本发明所建立的装备维修时机预测RCNN模型中的RNN结构在处理具有时间序列特性的装备维修数据方面具有优势,能够充分挖掘装备历史维修情况对维修时间间隔的影响;同时利用CNN对装备所在地理环境因素与装备维修间隔的关系进行分析,深入挖掘装备所处区域环境的不同对装备带来的影响,得到的预测结果更加接近真实值。随着时间的推移,装备维修信息逐渐积累,RCNN能够自主学习到更多的特征,能进一步提高预测精度。
附图说明
图1是本发明建立的预测模型RCNN的训练样本的组成示例。
图2是本发明建立的预测模型RCNN的模型结构;
图3是本发明提供的预测方法的流程框图。
具体实施方式
下面结合附图,通过实施例进一步描述本发明,但不以任何方式限制本发明的范围。
本发明提供一种基于深度学习的装备维修时间间隔预测的方法,通过建立循环神经网络RNN和卷积神经网络CNN混合结构的装备维修时机预测模型,对装备修理时间间隔进行预测,获得装备精准的修理时机。图3所示是本发明提供的预测方法的流程,具体实施针对装甲装备进行基于深度学习的装备维修时间间隔预测,包括如下步骤:
以装甲装备小修时间间隔的预测为例对数据进行预处理。从装甲装备修理业务信息数据中提取单装编号(a1)、装备型号(a2)、小修次数(a3)、中修次数(a4)、大修次数(a5)、服役时间(a6)、总消耗摩托小时(a7)、故障类型(a8)、本次维修时间(a9)、距上次小修时间间隔(摩托小时)(a10)等装备维修业务属性,以及每一条维修信息对应的装备所在地的海拔(m)(b1)、月平均气压(Kpa)(b2)、月平均气温(℃)(b3)、月平均相对湿度(%)(b4)、月降水量(mm)(b5)、月蒸发量(cm)(b6)、月平均风速(m/s)(b7)、月平均地温(℃)(b8)、月日照时数(h)(b9)、月平均水汽压(hPa)(b10)、大气含氧量百分比(%)(b11)等地理环境因素属性,获得的数据样例如表1所示。
表1数据样例表
建立装备维修时机预测模型。在装备维修时机预测模型中,为了梳理样本数据的时间序列特性,将同一装备维修信息中的属性(a1~a10)抽取出来并按维修时间进行排序,然后以固定窗口长度为5(参考装备2年平均小修次数),步长为1,自上而下滑动,形成多个5×10的维修信息序列构成的数据矩阵(如图1中①框所示),同时抽取当前窗口中最后一条装备维修信息中的地理环境属性(b1~b11)(如图1中②框所示),两者结合形成一个训练样本;另将下次小修时间间隔作为标签(如图1中③框所示)。在训练的过程中,把所有样本和标签一对一放入网络(训练样本放在网络的输入端,标签放在网络的输出端),以样本数据训练获得的拟合值与标签的差定义残差,训练过程中通过不断自动更新权重使残差向减小的方向前进。
本实施例采集的装备维修数据一共72627条,其中小修34278条,按以上方式可得到11788个样本(减去历史维修信息小于5条的装备,以及由于构造时间序列数据矩阵而未利用的部分维修信息),将样本数据按4:1的比例随机分为训练集和测试集,将其输入RCNN模型,每个样本①框中的数据输入RNN中,②框中的数据输入CNN中。
为了验证RCNN模型的有效性,以59式中型坦克为对象,利用指数平滑、逐步回归方法、RCNN对其小修修理时间间隔进行预测,比较实验结果。实验程序皆运行于Ubuntu 16.10***下的Tensorflow 1.4.1,处理器为CoreTM[email protected]×8,GPU为NVIDIAGTX 1080。
(1)指数平滑法
指数平滑法使用时间序列过去的加权均值来预测将来的值,使预测值能够迅速反映实际的变化。各期的权重分别取值为α,α(1-α),α(1-α)2…,即数据的重要程度随时间的远近以级数减小。α(0<α<1)为平滑系数,如果时间序列趋势变化较稳定,选取较小α值,若波动较大,α值应取大一些,增加近期数据的影响。
利用马克威分析***5.0对59式中型坦克小修修理时间间隔做指数平滑。平滑系数α用网络搜索的方式从0~1步长0.1试算,比较不同α值下的预测标准误差。结果显示当α=0.16时,R2=0.825,标准误差与残差平方和最小。
(2)逐步回归法
利用逐步回归法得到了回归方程式如下所示:
除了比较RCNN、指数平滑法及逐步回归法预测结果的MSE外,还对其平均绝对误差(Mean Absolute Error,MAE)和平均相对误差(Mean Relative Error,MRE)进行了比较,公式如下:
MAE是绝对误差的平均值,与平均误差相比,MAE由于离差被绝对值化,不会出现误差正负相抵消的情况,因而,MAE能更好地反映预测值误差的实际情况。MRE就是指相对误差的平均值,能够更好地反映测量的可信程度。各指标的值如表2所示:
表2三种方法的预测结果比较
由表2可知,RCNN在预测精度上优于指数平滑法和逐步回归法,其原因主要是:指数平滑法不需要过多的数据即可预测下一期的数值,比较适合时间序列的短期预测,而装备维修历史数据间的相互依赖关系可能会跨越较长的时间长度,指数平滑会削弱数据间的互相依赖关系,得到的预测值不能很好的反映维修时间间隔趋势的变动;逐步回归法建立了变量之间的线性关系,便于分析且可以获得较好的拟合效果,但同时可能忽略了变量之间的交互效应及非线性关系;RCNN模型中的RNN结构在处理具有时间序列特性的装备维修数据方面具有优势,能够充分挖掘装备历史维修情况对维修时间间隔的影响;同时利用CNN对装备所在地理环境因素与装备维修间隔的关系进行分析,深入挖掘装备所处区域环境的不同对装备带来的影响,得到的预测结果更加接近真实值。随着时间的推移,装备维修信息逐渐积累,RCNN能够自主学习到更多的特征,能进一步提高预测精度。
需要注意的是,公布实施例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换和修改都是可能的。因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
Claims (5)
1.一种基于深度学习的装备维修时间间隔预测的方法,通过建立循环神经网络RNN和卷积神经网络CNN混合结构的装备维修时机预测模型RCNN,对装备修理时间间隔进行预测,获得装备精准的修理时机;包括如下步骤:
1)从装备修理业务数据中提取某型装备的维修相关属性信息,包括:装备维修业务属性数据、每一条维修信息对应的装备所在地的地理环境因素数据;
2)将提取出来的数据按维修时间进行排序;
然后以固定窗口长度和步长按序进行滑动,形成多个维修信息序列构成的数据矩阵;
同时抽取当前窗口中最后一条装备维修业务属性信息中的地理环境因素,二者形成一个训练样本;再将下次修理时间间隔作为标签;由此得到多个训练样本数据和标签;
得到的训练样本数据可按比例随机分为训练集和测试集;
3)建立循环神经网络RNN和卷积神经网络CNN混合结构的装备维修时机预测模型RCNN模型;
所述RCNN模型包括CNN网络模型和RNN网络模型:其中CNN网络模型用于对装备所在地理环境因素进行特征提取;RNN网络模型包括2层隐藏层,通过多个隐藏层保存更多信息,且用于对后的维修业务属性数据进行学习训练;
4)对所建立的装备维修时机预测RCNN模型进行训练和验证;包括如下过程:
将所有训练样本和标签对应地输入装备维修时机预测模型RCNN网络模型,训练样本放在网络的输入端,标签放在网络的输出端,对模型进行训练,得到训练好的装备维修时机预测模型;
进一步可利用测试集数据对训练好的装备维修时机预测模型进行测试和验证;
5)将待预测装备修理的数据输入训练好的装备维修时机预测模型,输出预测值,即实现基于深度学习的装备维修时间间隔的预测。
2.如权利要求1所述基于深度学习的装备维修时间间隔预测的方法,其特征是,所述装备为装甲装备。
3.如权利要求1所述基于深度学***均气压b2、月平均气温b3、月平均相对湿度b4、月降水量b5、月蒸发量b6、月平均风速b7、月平均地温b8、月日照时数b9、月平均水汽压b10、大气含氧量百分比b11。
4.如权利要求1所述基于深度学习的装备维修时间间隔预测的方法,其特征是,步骤2)中,固定窗口长度取值为5;步长取值为1;自上而下按序滑动,形成多个5×10的维修信息序列构成的数据矩阵。
5.如权利要求1所述基于深度学习的装备维修时间间隔预测的方法,其特征是,步骤2)中,将得到的训练样本数据按4:1的比例随机分为训练集和测试集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010181476.5A CN113408770B (zh) | 2020-03-16 | 2020-03-16 | 基于深度学习的装备维修时机预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010181476.5A CN113408770B (zh) | 2020-03-16 | 2020-03-16 | 基于深度学习的装备维修时机预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113408770A CN113408770A (zh) | 2021-09-17 |
CN113408770B true CN113408770B (zh) | 2022-10-18 |
Family
ID=77676336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010181476.5A Active CN113408770B (zh) | 2020-03-16 | 2020-03-16 | 基于深度学习的装备维修时机预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113408770B (zh) |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446794A (zh) * | 2018-02-25 | 2018-08-24 | 西安电子科技大学 | 一种基于多个卷积神经网络结合架构深度学习预测方法 |
CN108448610B (zh) * | 2018-03-12 | 2020-05-22 | 华南理工大学 | 一种基于深度学习的短期风功率预测方法 |
-
2020
- 2020-03-16 CN CN202010181476.5A patent/CN113408770B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113408770A (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112149316B (zh) | 基于改进的cnn模型的航空发动机剩余寿命预测方法 | |
CN108898251B (zh) | 考虑气象相似性和功率波动的海上风电场功率预测方法 | |
CN111369057A (zh) | 一种基于深度学习的空气质量预测优化方法及*** | |
CN110824586B (zh) | 基于改进决策树算法的降水预测方法 | |
CN106528417A (zh) | 软件缺陷智能检测方法和*** | |
CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
CN103257000B (zh) | 一种桥梁结构日照作用分析的极值温度预测方法 | |
CN114036736A (zh) | 一种基于局部格兰杰因果分析的因果网络学习方法 | |
Cheng et al. | A synoptic weather-typing approach to project future daily rainfall and extremes at local scale in Ontario, Canada | |
CN115542429A (zh) | 一种基于XGBoost的臭氧质量预测方法及*** | |
CN115146537A (zh) | 基于耗电量的大气污染物排放量估算模型构建方法及*** | |
Serencam et al. | Determining the water level fluctuations of Lake Van through the integrated machine learning methods | |
CN113408770B (zh) | 基于深度学习的装备维修时机预测方法 | |
CN113297805A (zh) | 一种风电功率爬坡事件间接预测方法 | |
CN113743453A (zh) | 一种基于随机森林的人口数量预测方法 | |
CN113095534A (zh) | 一种ARIMA与改进Elman神经网络组合的风电功率预测方法 | |
CN109697630B (zh) | 一种基于稀疏回归的商家客流量多因素分析与预测方法 | |
CN116702926A (zh) | 一种空气质量模式预报机器学习集成订正方法 | |
CN116611702A (zh) | 一种面向楼宇综合能源管理的集成学习光伏发电预测方法 | |
CN116663393A (zh) | 一种基于随机森林的配电网持续高温下故障风险等级预测方法 | |
CN114970698B (zh) | 一种基于改进lwpls的计量设备运行性能预测方法 | |
Jeon et al. | Analysis of the ICILS 2018 Results by Korean Students' Educational Experience in Computer and Information Literacy and Computational Thinking | |
CN115965177A (zh) | 基于注意力机制改进的自回归误差补偿风电功率预测方法 | |
CN114330141A (zh) | 一种基于gru超参数优化的风机主轴轴承寿命预测方法 | |
CN112580899A (zh) | 一种融合机器学习模型的中长期风力发电预测方法及*** |
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 |