[发明专利]基于机器学习的复杂装备备品备件管理方法及系统

权利要求书

1.基于机器学习的复杂装备备品备件管理方法及系统，其特征在于，包括以下步骤：

S1、根据领域专家经验，定义关键备件的筛选标准集合，该集合的权重根据AHP方法确定；

S2、选取不同专业的领域专家，分别对备件类型全集进行模糊评价；

S3、根据模糊评价的结果，进行关键备品的筛选；

S4、综合描述监测时间段内装备运行整体指数；对装备运行整体状况进行监控和评分，以确保装备整体稳定运行为目的；通过测量时间段中所有关键备品的数值，将统计数值进行加权运算得到综合数据，用以评定该时间段装备运行整体水平；

S5、根据S4中的装备运行质量指数TQI值，建立TQI数据库，通过大量数据，绘制TQI装备运行状态图，正确预测轨道变化趋势；

S6、考虑维修周期和现场实际情况，制定维修计划，并确定最小维修范围，建立拟合模型；

S7、根据上述拟合模型，建立离散数学装备运行优化模型，该模型包括测量装备运行整体状况的变化、假设维修更换备件方案对于装备运行整体状况的影响和获得最优维修方案；

S8、根据S5中获得的最优维修方案调整关键备品的库存。

2.根据权利要求1所述的基于机器学习的复杂装备备品备件管理方法及系统，其特征在于：所述S5中测量装备运行整体状况的变化采用MUS模型，该模型的主要数据是装备整体结构指数、MUS模型时间段长度和每个时间段长度上装备整体结构损坏记录，具体公式如下：

其中，L^m为区段长度，v_i为二进制变量，r_i为维修效果的提高量和叠加值。

3.根据权利要求1所述的基于机器学习的复杂装备备品备件管理方法及系统，其特征在于：所述S5中假设维修更换备件方案对于装备运行整体状况的影响采用OTMS模型结构，该模型的主要数据是装备整体结构指数、维修的关键备品和维修时间段的选择，由OTMS模型确定出需要用的装备维修的关键备品和时间段后，在每个月的修复季度(10天)内完成养护维修工作；维修装备是保持装备的稳定运行，在估计整个维修期间前后高低的值β时，OTMS模型的具体公式如下：

其中，j表示修复时间段，k表示修复季度，m表示修复月份，S_mkj表示经过预测维修后装备质量指数提高值。

4.根据权利要求1所述的基于机器学习的复杂装备备品备件管理方法及系统，其特征在于：所述S5中根据维修计划，选择维修时间为自变量，TQI值为应变量，建立拟合模型如下：

式中，β_o和β₁为模型参数，为随机误差项，表示各种随机误差因素对y的综合影响。

5.根据权利要求1所述的基于机器学习的复杂装备备品备件管理方法及系统，其特征在于：所述S4中通过选定时间段，收集P项关键备品参数数据，装备运行质量指数TQI值计算公式如下：

式中，TQI为时间段装备运行质量指数；σ_i为单向关键备品损坏标准差；x_ij单向关键备品对装备整体影响幅值，n采样点数目。