[发明专利]一种基于强化学习的设备更换智能决策系统及方法

权利要求书

1.一种基于强化学习的设备更换智能决策系统，其特征在于，包括：第一数据输入模块，被配置为获取多个设备全寿命的每一设备的第一时间序列数据，第一数据处理模块，被配置为根据每一设备的第一时间序列数据拟合一条第一曲线，对多条第一曲线等间隔抽样生成第一标时间序列数据；训练模块，被配置为根据多列第一标准时间序列数据对决策模块的神经网格进行训练；第二数据输入模块，被配置为通过传感器获取当前为健康设备的第二时间序列数据；第二数据处理模块，被配置为根据第二时间序列数据拟合第二曲线，对第二曲线等间隔抽样生成第二标时间序列数据；以及决策模块，被配置为根据第二时间序列数据计算当前为健康设备的更换时机。

2.根据权利要求1所述的基于强化学习的设备更换智能决策系统，其特征在于，决策模块包括：自组织竞争神经网络、判断单元和输出单元，其中，自组织竞争神经网络包括输入层和竞争层，训练阶段时，多列第一标时间序列数据输入到输入层，自组织竞争神经网络学习多列第一标准时间序列数据，使多列第一标准时间序列数据和相应的时间组成竞争层的神经元；决策阶段，将第二时间序列数据提供给输入层，自组织竞争神经网络依次计算第二时间序列数据与竞争层和各神经元的相似度；判断单元根据相似度最大神经元序列表征的设备全寿命曲线判断当前为健康设备的剩余工作时间及退化工作时间。

3.一种基于强化学习的设备更换智能决策方法，包括如下步骤：

第一数据获取步骤，获取多个设备全寿命的每一设备的第一时间序列数据；

第一数据处理步骤，被配置为根据每一设备的第一时间序列数据拟合一条第一曲线，对每条第一曲线等间隔抽样生成多列第一标时间序列数据；

训练步骤，根据多列第一标准时间序列数据对决策模块进行训练；

第二数据获取步骤，通过传感器获取当前为健康设备的第二时间序列数据；

第二数据处理步骤，被配置为根据第二时间序列数据拟合第二曲线，对第二曲线等间隔抽样生成第二标时间序列数据，其特征在于，还包括：

决策步骤，利用决策模块根据第二时间序列数据计算当前为健康设备的更换时机。

4.根据权利要求3所述的基于强化学习的设备更换智能决策方法，其特征在于，决策模块包括：自组织竞争神经网络、判断单元和输出单元，其中，自组织竞争神经网络包括输入层和竞争层，训练阶段时，将多列第一标时间序列数据输入到输入层，自组织竞争神经网络学习多列第一标准时间序列数据，使多列第一标准时间序列数据和相应的时间组成竞争层的神经元；决策阶段，将第二时间序列数据提供给输入层，自组织竞争神经网络依次计算第二时间序列数据与竞争层和各神经元的相似度；判断单元根据相似度最大神经元序列表征的设备全寿命曲线判断当前为健康设备的剩余工作时间及退化工作时间。