[发明专利]一种基于选择性磨损的设备最优维修时间预测方法

权利要求书

1.一种基于选择性磨损的设备最优维修时间预测方法，其特征在于包括如下步骤：

第一步：利用设备历史数据构建基于选择性磨损的关联规则模式库，其中所述设备历史数据包括非故障状态和故障状态数据；

第二步：从被监测设备中获得状态监测数据，建立设备实时数据集；

第三步：对获得的状态监测数据进行分析和处理，提取特征值，建立设备监控数据集；

第四步：将设备监控数据集与第一步建立的基于选择性磨损的关联规则模式库中的模式相匹配，判断设备是否出现退化征兆；

1)若匹配不成功，则说明设备没有出现退化征兆，返回继续监测设备数据；

2)若匹配成功，则说明设备出现退化征兆，按照以下预先设定好的规则计算各个设备部件的磨损概率；

a)若关联规则模式库中只有一条匹配项，则说明被测设备虽然处于非故障状态，但已经处于该匹配项的缺陷状态，具有潜在的磨损风险，设定该匹配项对应的设备部件的磨损概率值为99％，其他设备部件的磨损概率值为1％；

b)若关联规则模式库中有多条匹配项，则说明被测设备虽然处于非故障状态，但已经处于该些匹配项的缺陷状态，有多个部件具有潜在的磨损风险，按照关联规则模式库中该些匹配项的支持度由高到低排序，计算相应设备部件的磨损概率值，具体为：将匹配成功的N条匹配项按照支持度由高到低排序，则第I条匹配项对应的设备部件的磨损概率值为，其中I为整数，且0＜I≤N，其他设备部件的磨损概率值为1％；

第五步：建立自组织竞争神经网络模型；

第六步：训练自组织竞争神经网络模型；

第七步：将第四步产生的各个设备部件的磨损概率值作为神经网络模型的输入，通过训练好的自组织竞争神经网络模型得到相应的设备最优维修时间预测值。

2.如权利要求1所述的方法，其特征在于：建立自组织竞争神经网络模型包括：

1)确定网络的训练样本，包括输入向量和目标向量；

2)初始化自组织竞争神经网络模型。

3.如权利要求2所述的方法，其特征在于：训练自组织竞争神经网络模型包括：

将输入向量、目标向量进行归一化处理，然后输入网络对其进行训练，训练中根据网络收敛速度和误差精度在经验解空间中不断调整网络参数值，直至得到最优效果的神经网络模型。