运用于预见性维护管理中的神经元网络方法与流程

本发明涉及轨道交通领域，尤其涉及预见性维护管理的神经元网络方法。

背景技术：

预见性维护是通过运用各种手段和人的感觉进行数据和信号的采集、分析和判断设备的劣化趋势、故障部位、原因并预测变化发展、提出防范措施，防止和控制可能的故障出现。预见性维护与预防性维护(有计划的定期设备维护和零配件更换)配合，共同完成防止设备失效和非计划性中断的任务。

在轨道交通领域中，预见性维护对于延长设备(特别是先进设备和精密仪器)的寿命，以及避免或减少设备故障而言至关重要，同时对维护人员的技术水平也提出了很高的要求。在实际操作过程中，繁杂和重复的工作往往占用了维护人员大量的时间和精力，以至于一些专业性较强的设备校准、改进等工作未能得到及时的实施。预见性维护的工作流程应根据设备使用时间、使用环境、使用频度的变化而作相应地、及时地、动态地调整。因此，如何识别和制定具有优先级别的预见性性维护活动计划成为提高整体维护效果的关键。

技术实现要素：

本发明的目的在于提供一种运用于预见性维护管理中的神经元网络方法，能根据维度进行优先级评估并给出具体的维护计划建议，同时进行自学习和自我调整。

实现上述目的的技术方案是：

一种运用于预见性维护管理中的神经元网络方法，包括：

步骤s1，针对预见性维护的目标系统，建立神经元网络的阈值逻辑单元模型，并初始化阈值逻辑单元模型的各类参数；参数包括：维度、输入变量、权重、阈值和输出变量；

步骤s2，给定阈值逻辑单元模型的各输入变量和输出期望值，以及各输入变量的各自权重；

步骤s3，利用阈值逻辑单元模型计算中间变量；

步骤s4，通过中间变量计算输出变量，并计算输出变量和输出期望值的偏差值；

步骤s5，当偏差值小于阈值时，将阈值逻辑单元模型所采用的算法作为判定设备故障发生预期的算法，更新学习模式；否则，重新计算偏差值，调整各输入变量的各自权重，直到偏差值小于阈值，然后更新学习模式；

步骤s6，判断本轮的学习模式是否结束，若是，更新学习次数；若否，重新返回步骤s2；

步骤s7，若学习次数小于设定值，返回步骤s2；反之，结束。

优选的，阈值逻辑单元模型包括：

集成函数g(x)＝x1+x2+x3+……+xn；xn表示输入变量，n表示维度；

输出/功能函数f(m)；

中间变量value＝f(g(x))；

否则，output＝0；output表示输出变量，wi表示xi的权重。

优选的，所述的建立神经元网络的阈值逻辑单元模型，指：将预见性维护的目标系统按照最小可维护单元的分类粒度进行分类，生成各个阈值逻辑单元，当各阈值逻辑单元存在先后依存关系、并列关系或时序关系时，根据需要生成中间变量。

优选的，根据运行和故障统计数据、既有经验、理论计算以及供应商提供的设计资料初始化阈值逻辑单元模型的各类参数。

优选的，所述的更新学习模式，包括正向传播和反向传播，正向传播是指计算中间变量到输出层的权值和偏差值；反向传播是指计算中间变量到输入层的权值和偏差值。

优选的，所述的步骤s6中，判断本轮的学习模式结束的条件为：阈值逻辑单元模型计算时，其正向传播动作和反向传播动作均完成。

优选的，所述步骤s7结束后，阈值逻辑单元模型输出：各个逻辑单元在未来时段出现故障的概率，以及此时对整个系统运行的影响。

本发明的有益效果是：本发明引入了神经元网络的tlu(thresholdlogicunit，阈值逻辑单元)建模算法来管理预防性维护，具备自动分析具体设备/具体模块在可预见的时段内发生故障的概率大于正常值，并能累积故障发生的变化趋势从而根据设备实际运行情况调整输入参数值，为维护保障人员提供前期预估，便于维护人员根据功能、接口影响、使用频度、工作时间等维度进行优先级评估并给出具体的维护计划通过动态的适应不断变化的工况来持续提高维护效率。

附图说明

图1是本发明的运用于预见性维护管理中的神经元网络方法的流程图；

图2是本发明中阈值逻辑单元模型的原理图。

具体实施方式

下面将结合附图对本发明作进一步说明。

请参阅图1，本发明的运用于预见性维护管理中的神经元网络方法，包括下列步骤：

步骤s1，针对预见性维护的目标系统，建立神经元网络的阈值逻辑单元模型，即：将预见性维护的目标系统按照最小可维护单元的分类粒度进行分类，生成各个阈值逻辑单元；如阈值逻辑单元存在先后依存关系、并列关系、时序关系等，可根据需要生成中间变量。在此基础上根据运行和故障统计数据/既有经验/理论计算/供应商提供的设计资料等初始化阈值逻辑单元模型的各类参数；参数包括：维度、输入变量、权重、阈值和输出变量，以初步确定各个部件在系统中的作用和故障时对系统的影响。其中，

维度：影响系统正常工作的子系统/硬件模块/板卡/元器件/操作系统/软件架构/应用程序等等，是根据系统的设计和维护性质需要确定的参数范围。

输入变量(参数值)：在某个维度下，处于影响目标系统功能和性能的“关键路径”上的设备设定值；例如确定某供电模块的额定功率、额定输入、额定使用寿命、温度、湿度、是否安装滤波装置，峰谷负载等参数。

权重：在某个维度下，处于影响目标系统功能和性能的“关键路径”上的设备参数对系统的影响程度；例如供电模块的电压抖动，与设备机房温度和湿度的偏差，对于系统的运行影响是不一样的，需要根据发生频率、后果严重性等给定权重。

阈值：设定为系统能够正常工作下，各个目标参数的有效区间。

输出变量：期望的目标参数及其正常值/预期值。

初始化是把上述变量和权重赋为默认值，依照各个输入参数/权重的系统设计值或者是既有表现中所记录下来的表现值给各个变量赋值，同时根据实际表现调整权重。初始化在每次系统自学习过程中均会执行，但首次系统参数初始化需要故障树分析等理论分析支撑。

具体的，阈值逻辑单元模型如图2所示，包括：

集成函数g(x)＝x1+x2+x3+……+xn；xn表示输入变量，n表示维度；

输出/功能函数f(m)；

中间变量value＝f(g(x))；

否则，output＝0；output表示输出变量，wi表示xi的权重。

计算单元分为两个功能部分：集成函数g将n个参数减少为单个值，集成函数g是加法函数。输出/功能函数f生成该节点的输出，将该单个值作为其参数。

步骤s2，给定阈值逻辑单元模型的各输入变量和输出期望值，以及各输入变量的各自权重。输出期望值是理论计算值(如故障树分析结果等)或经验值(若干年数据库记录等)。例如：(单位：克)

碳水化合物，权重＝0.5；蛋白质，权重＝0.3；肉类。权重＝0.2；早餐健康值＝100；if100*0.5+40*0.3+60*0.2＝74<100＝早餐不健康。

步骤s3，利用阈值逻辑单元模型计算中间变量。

步骤s4，通过中间变量计算输出变量，并计算输出变量和输出期望值的偏差值。

步骤s5，当偏差值小于阈值时，将阈值逻辑单元模型所采用的算法作为判定设备故障发生预期的算法，更新学习模式；否则，重新计算偏差值，调整各输入变量的各自权重，直到偏差值小于阈值，从而确保预期符合实际故障发生概率，然后更新学习模式。更新学习模式主要由正向传播和反向传播两部分计算工作组成，正向传播是指计算中间变量到输出层的权值和偏差值；而反向传播是指计算中间变量到输入层的权值和偏差值，二者方向不同，可以同时从双向调整中间值以起到收敛偏差的作用。

具体地，阈值逻辑单元模型采用的算法，是神经网络学习的一种，该算法可以进一步分解，本发明中涉及的神经网络学习是典型的有导师学习，算法的学习分为以下四个步骤：

1)正向传播：神经元的输入值正向由输入层节点利用中间隐含层节点计算处理，最后传向模型的输出层节点，前一层神经元的输出即为后一层神经元的输入。

2)反向传播误差：按照正向传播的方式计算，最后到输出得不到预想的结果，实际结果与预想结果的误差将会被输出，并通过输入层逐层修正连接权；其中，对于调整神经元节点连接的权值和阈值，有两种改变权值和阈值的方式:

·批处理方式：对神经元网络所有模式的导数进行累加求和，然后再改变神经元的权值；

·模式学习方式：在一个模式下计算完导数后，立即改变神经元节点的权值和阈值，在处理下一个模式之前分别原来的权值和阈值上加上权值和阈值的改变量δ。

3)训练过程迭代：通过第一步正向传播和第二步反向传播的反复交替训练神经元网络，使其具有记忆功能；

4)模型收敛：收敛的过程就是神经网络误差逐渐趋向最小值的过程。其收敛过程包括：“①模式顺传播、②误差逆传播、③记忆训练化、④学习收敛化”。

步骤s6，判断本轮的学习模式是否结束，若是，更新学习次数；若否，重新步骤s2。

步骤s7，若学习次数小于设定值，返回步骤s2；反之，结束。

学习模式结束和学习次数是个嵌套的循环过程：阈值逻辑单元模型计算时，其正向传播和反向传播动作均完成，认为本轮学习模式结束。由于本轮中该学习算法输出是在预期值的误差范围内的基础上的，所以被认为有效，于是更新该算法为当前算法(主要是用当前的参数)。同时，在步骤s7，如果学习次数不超限，则继续循环，原因在于算法本身在理论上确保误差收敛，即误差越来越小，为了到达更高的预测精度，则继续学习循环，直到达到了设定的次数；达到或大于次数的上限，则认为学习结束。

结束后，阈值逻辑单元模型可以输出：为了满足系统运行的期望要求，各个阈值逻辑单元在未来时段出现故障的概率，以及此时对整个系统运行的影响。并据此，辅助系统预防性维护维修计划的制定。

以上实施例仅供说明本发明之用，而非对本发明的限制，有关技术领域的技术人员，在不脱离本发明的精神和范围的情况下，还可以作出各种变换或变型，因此所有等同的技术方案也应该属于本发明的范畴，应由各权利要求所限定。