[发明专利]基于深度学习的装备维修时机预测方法

权利要求书

1.一种基于深度学习的装备维修时间间隔预测的方法，通过建立循环神经网络RNN和卷积神经网络CNN混合结构的装备维修时机预测模型RCNN，对装备修理时间间隔进行预测，获得装备精准的修理时机；包括如下步骤：

1)从装备修理业务数据中提取某型装备的维修相关属性信息，包括：装备维修业务属性数据、每一条维修信息对应的装备所在地的地理环境因素数据；

2)将提取出来的数据按维修时间进行排序；

然后以固定窗口长度和步长按序进行滑动，形成多个维修信息序列构成的数据矩阵；

同时抽取当前窗口中最后一条装备维修业务属性信息中的地理环境因素，二者形成一个训练样本；再将下次修理时间间隔作为标签；由此得到多个训练样本数据和标签；

得到的训练样本数据可按比例随机分为训练集和测试集；

3)建立循环神经网络RNN和卷积神经网络CNN混合结构的装备维修时机预测模型RCNN模型；

所述RCNN模型包括CNN网络模型和RNN网络模型：其中CNN网络模型用于对装备所在地理环境因素进行特征提取；RNN网络模型包括2层隐藏层，通过多个隐藏层保存更多信息，且用于对后的维修业务属性数据进行学习训练；

4)对所建立的装备维修时机预测RCNN模型进行训练和验证；包括如下过程：

将所有训练样本和标签对应地输入装备维修时机预测模型RCNN网络模型，训练样本放在网络的输入端，标签放在网络的输出端，对模型进行训练，得到训练好的装备维修时机预测模型；

进一步可利用测试集数据对训练好的装备维修时机预测模型进行测试和验证；

5)将待预测装备修理的数据输入训练好的装备维修时机预测模型，输出预测值，即实现基于深度学习的装备维修时间间隔的预测。

2.如权利要求1所述基于深度学习的装备维修时间间隔预测的方法，其特征是，所述装备为装甲装备。

3.如权利要求1所述基于深度学习的装备维修时间间隔预测的方法，其特征是，步骤1)从装备修理业务数据中提取的装备维修业务属性包括：单装编号a₁、装备型号a₂、小修次数a₃、中修次数a₄、大修次数a₅、服役时间a₆、总消耗摩托小时a₇、故障类型a₈、本次维修时间a₉、距上次小修时间间隔a₁₀；每一条维修信息对应的装备所在地的地理环境因素包括：海拔b₁、月平均气压b₂、月平均气温b₃、月平均相对湿度b₄、月降水量b₅、月蒸发量b₆、月平均风速b₇、月平均地温b₈、月日照时数b₉、月平均水汽压b₁₀、大气含氧量百分比b₁₁。

4.如权利要求1所述基于深度学习的装备维修时间间隔预测的方法，其特征是，步骤2)中，固定窗口长度取值为5；步长取值为1；自上而下按序滑动，形成多个5×10的维修信息序列构成的数据矩阵。

5.如权利要求1所述基于深度学习的装备维修时间间隔预测的方法，其特征是，步骤2)中，将得到的训练样本数据按4:1的比例随机分为训练集和测试集。