[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

说明书

一种基于强化学习的设备更换智能决策系统及方法。系统包括：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。本发明提供的系统和方法通过神经网络确定更换时机，避免了由于突然损环而造成的损失和不必要的浪费。

技术领域

本发明涉及一种基于强化学习的设备更换智能决策系统及方法,属于人工智能技术领域。

背景技术

现实生活中,人们经常遭遇所用设备突然损坏而非常烦恼，其造成的经济损失不可估量。维护更换决策是指基于状态监测信息及其分析和解释，评估和预知被监测设备的状态，并根据一定的优化目标，如费用、安全、停机时间、可用度等，推荐当前最佳的维护更换策略。现有技术中通常根据设备平均使用寿命和已使用的时间来计算当前为健康状态的设备的剩余工作时间及更换时间，而每类设备制作时虽然采用的部件相同，制作工艺相同，但由于工作环境，操作人员的操作不同，工作寿命是不同的。现有技术中采用平均工作时间计算设备的工作寿命的方法会导致资源浪费。

发明内容

本发明提供一种基于强化学习的设备更换智能决策系统及方法，其根据与其相似的设备全寿命时间确定当前为健康设备的维护更换时机，避免经济浪费。

为实现所述发明目的，本发明提供种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。

优选地，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。

为实现所述发明目的，本发明还提供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。