[0001] 本发明涉及一种基于全局贝叶斯更新和动态规划的群组维修优化方法，它是一种基于自适应状态预测的系统级智能维护控制与调度方法。该方法针对具有维修依赖性的系统，利用全局贝叶斯更新技术开展退化参数在线修正和剩余寿命分布实时预测，并以寿命预测结果为输入，构建单机级维修到群组级维修的函数映射，量化分析维修计划变更导致的系统性能变化规律，运用动态规划算法设计耦合预测性维修‑机会维修的全局自适应群组维修优化方法。适用于数据驱动的复杂装备系统智能维护控制等领域。

[0002] 工业数字化的持续变革促进了复杂装备系统的运维方式逐渐向自主化、信息化、智能化的方向转型升级，如何实现运维方式从传统的“故障维修”、“定期维修”到“状态维修”、“预测维修”的转变成为重要研究课题。

[0003] 维修策略的发展主要经历事后维修、定时维修和视情维修三大阶段。视情维修策略的核心在于平衡维修资源与失效风险，以防止维修不足导致的意外停机、失效风险增高，以及维修过剩导致的资源浪费。受限于当前的实际工程状况，视情维修的应用范围存在一定限制，因此国内外仍广泛采用以定时维修为主的策略。而随着装备系统的结构和功能趋于复杂化、服役环境的恶劣化，传统的维修策略已难以满足目前急剧增长的精确化维修保障需求，基于此预测性维修技术应运而生。作为一种新型维修策略，预测性维修可以将健康状态检测、剩余寿命预测和维修决策优化等关键技术统一联动，能够灵活机动地实现故障前瞻、资源协调和维修策略动态调整等核心需求。

[0004] 单机级的维修仅需根据单一设备状态制定独立的维修策略即可，然而对于机队系统，由于其个体间通常存在功能依赖、空间依赖、经济依赖或失效依赖等维修依赖关系，因此仅将单机级维修策略做简单叠加不再构成最优的群组维修策略。维修依赖关系中，经济依赖因其具有的重要经济效益而受到关注。基于经济依赖的两种代表性群组维修策略包括预防性维修和机会维修，前者是指在未发生失效的情况下提前制定分组维修计划，后者指在对失效单机进行修复性维修的同时对系统中的其余单机进行预防性维修。

[0005] 为解决传统的群组维修建模方式解析复杂度较高、无法适用于大规模多部件复杂装备系统的问题，衍生出了“滚动时间轴法”。该方法是一种长期与短期维修计划相结合的多阶段建模方法，能够实现对复杂状态的解耦合。然而，现有的滚动时间轴法仍存在一系列问题，一是它不能充分考虑两相邻维修活动之间的关联性，即后一个维修活动不会随之前维修活动的调整而动态更新；二是它忽略了机会维修活动中的经济依赖性。

[0006] 基于此本发明提出一种基于全局贝叶斯和自适应动态规划的复杂装备系统的群组维修优化方法，改进传统滚动时间轴方法，构建耦合预测性计划维修和非计划性机会维修的动态智能维护优化模型，形成高效的模型解算与策略优化算法。

[0107] 下面将结合实例对本发明作进一步详细说明。

[0108] 本发明所述方法可在某仿真涡扇发动机上得到验证。使用NASA提供的C‑MAPSS动力学模型中的FD001开源数据集，将21个传感器数据按表1所示的通过分析退化轨迹计算得到的权重向量进行融合，并将发动机划分为训练集(包含1‑94号发动机)和测试集(包含95‑100号发动机)进行实验。

[0109] 表1传感器数据融合权重

[0110]传感器序号 1 2 3 4 5 6 7
权重 0.0000 2.0916 0.0581 1.2104 0.0000 0.0000 ‑2.4521
传感器序号 8 9 10 11 12 13 14
权重 2.0233 0.0000 0.0000 1.5094 ‑0.9000 1.0794 0.0000
传感器序号 15 16 17 18 19 20 21
权重 2.0645 0.0000 1.6640 0.0000 0.0000 ‑2.4901 ‑1.0572

[0111] 见图1，本发明提供一种基于全局贝叶斯和自适应动态规划的复杂装备系统群组维修优化方法，通过如下步骤实现：

[0112] 步骤一：根据全局退化数据和实时检测数据进行退化参数估计。

[0113] 首先分析退化趋势，确定维纳退化模型中时空尺度转换函数的形式为幂函数：Λθ(t；θ)＝t。选取训练集得到发动机退化模型中的离线参数训练值如表2所示。

[0114] 表2退化模型离线参数训练值

[0115]

[0116]

[0117] 步骤二：实时剩余寿命自适应预测。

[0118] 选取测试集，将传感器检测数据代入方程(4)、(5)、(7)，以95号发动机为例(其余发动机计算步骤一致)，得到不同状态检测点处剩余寿命概率密度函数曲线如图2所示。可以看到，随着检测数据的引入，剩余寿命预测的准确性在提高。

[0119] 步骤三：单机级预测性维修规划。

[0120] 设置检测周期Δτ＝39(×10小时)，维修成本Ci,p＝50×104CNY,Ci,c＝1000×4
10CNY，将上述两步骤中所得数据代入方程(13)，以第一个状态检测点为例(其余检测点处计算步骤一致)，可以得到各测试集发动机的最优延后维修执行时间和对应的最小维修成本率如表3:

[0121] 表3单机级最优延后维修执行时间和最小维修成本率

[0122]

[0123] 步骤四：维修成本惩罚函数计算。

[0124] 将单机级最优结果代入方程(17)或(18)中，计算出测试集中各发动机在任一检测时刻τi的维修成本惩罚函数表达式：

[0125]

[0126] 步骤五：系统级预测性维修规划。

[0127] 设置维修准备成本Cset＝10×104CNY，将步骤四的函数表达式代入方程(19)‑(21)中，并设计动态规划规划算法，求出400小时内的群组预测性维修规划，如表4所示。

[0128] 表4 400小时内的群组预测性维修规划

[0129]

[0130]

[0131] 步骤六：系统级机会维修规划。

[0132] 假设在第99号发动机在第285时刻突发失效，将步骤四的函数表达式代入方程(25)、(26)中，那么根据系统级机会维修策略确定后续维修规划，得到400小时内的维修计划如表5所示：

[0133] 表5 99号发动机失效情况下群组维修规划

[0134]

[0135] 结果表明，采用本发明方法可以实现根据性能检测数据、维修历史记录和非线性维纳退化模型，并利用全局贝叶斯和自适应动态规划方法，进行复杂装备系统的参数估计与修正更新、剩余寿命预测以及最优群组维修规划优化，达到了预期的目的。

[0136] 综上所述，本发明涉及一种基于全局贝叶斯和自适应动态规划的群组维修优化方法，即一种基于动态信息自适应迭代的群组维修优化方法。它针对具有维修经济依赖性的复杂装备系统，通过全局贝叶斯更新技术实时调整剩余寿命预测模型，采取从单机到系统的两级维修建模方法，利用动态规划算法规划群组预测性维修和机会维修计划。该方法的具体步骤是：首先利用极大似然估计法和全局贝叶斯更新估计并修正退化参数，进而预测剩余使用寿命，然后以此作为模型输入，以提升系统的经济效益为目标，构建从单机级维修到群组级维修的两阶段维修模型，量化分析维修计划变更导致的装备系统性能变化规律，最终基于动态规划算法设计协同预测性维修和机会维修一体的全局自适应群组维修规划方法。本发明适用于数据驱动的复杂装备系统智能维护控制等领域，具有较强的操作性。