(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210213784.0 (22)申请日 2022.03.07 (66)本国优先权数据 202110307742.9 2021.0 3.23 CN (71)申请人 北京理工大 学 地址 100081 北京市海淀区中关村南大街5 号 (72)发明人 郝身刚　张全新　刘玉洁　李元章　 谭毓安　 (74)专利代理 机构 北京正阳理工知识产权代理 事务所(普通 合伙) 11639 专利代理师 邬晓楠 (51)Int.Cl. G06Q 10/00(2012.01) G06Q 30/00(2012.01)G06F 16/36(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 基于保内保外跨期维护数据融合配件间维 修关联获取方法 (57)摘要 本发明公开的基于保内保外跨期维护数据 融合的配件间维修关联 获取方法， 属于配件维修 领域。 本发 明通过构建设备及组件之间的机理模 型， 融入先验知识， 用于指导配件之间关联关系 的计算和对关联配件的状态预测； 通过对保内保 外数据进行标记， 指导配件间维修关联神经网络 模型的预测； 通过客户评价， 融入后验知识， 对配 件间维修关联神经网络模型进行修正； 利用保修 期内和保修期外的维修数据、 配件之间维修关联 性， 在某些配件损坏后， 通过配件间维修关联神 经网络模型预测出可能需要维护的配件。 本发明 充分利用监控数据、 先验知识和后验知识， 使用 人机结合的方式对损坏的配件进行预测， 能够提 高预测精度和预测效率， 进而提高配件维修效率 和降低维修成本 。 权利要求书4页 说明书8页 附图1页 CN 114692905 A 2022.07.01 CN 114692905 A 1.基于保内保外跨期维护数据融合的配件间维修关联获取方法， 其特征在于： 包括如 下步骤， 步骤一、 构建包 含产品及配件信息的信息图谱； 机理图谱用于表示承载产品的各种信 息， 能够挖掘、 分析、 构建和显示机理之间的相互 关联； 在保内保外的产品中， 需要构建的图谱主要包含三个， 分别是产品基本信息图谱、 产 品与配件信息图谱、 配件间信息图谱三部分； 步骤二： 获取监控数据时间序列， 通过构建设备及组件之间的机理模型， 融入先验知 识， 用于指导配件之间关联关系的计算和对关联配件的状态预测； 监控数据时间序列 是反映智能配件运行状态的关键信 息， 通过监控数据反映出故障信 息； 为了充分反应某个配件损坏时的情况， 不仅需要获取该配件的监控数据时间序列， 还需 要获取与该配件相关的监控 数据时间序列， 定义损坏 配件为A； 通过构建设备及组件之 间的 机理模型， 融入先验知识， 用于指导配件之间关联关系的计算和对关联配件的状态预测； 步骤三： 获取客户及维修人员对维修的评价， 通过客户评价融入后验知识， 用于后续步 骤对配件间维修关联神经网络模型进行修 正； 客户及维修人员的评价是对更换配件最终结果的反馈， 是衡量维修结果优略的评价标 准； 客户及维修人员对A、 Acc essory_li st1和Acc essory_li st2评价， 形成评价元组<配件名 称、 配件编号、 故障种类、 维修结果评价>； 其中维修结果评价使用百分制； 最后根据评价元 组， 形成最 终本次维修评价元组<配件编号、 维修时间、 最 终故障种类、 最 终维修结果评价>； 通过客户评价融入后验知识， 用于后续 步骤对配件间维修关联神经网络模型进行修 正； 步骤四： 构建面向保内保外维修数据集， 通过对保内保外数据进行标记， 指导后 续步骤 配件间维修关联神经网络模型的预测； 步骤五： 构建配件间维修关联神经网络模型， 并对构建的配件间维修关联神经网络模 型进行数据训练， 对配件间维修关联神经网络模型进行修 正； 步骤六： 利用保修期内和保修期外的维修数据、 配件之间维修关联性， 在某些配件损坏 后， 通过修正后的配件间维修关联神经网络模型预测出需要维护的配件， 获取需要更换 的 配件列表， 提高预测精度和预测效率。 2.如权利要求1所述的基于保内保外跨期维护数据融合的配件间维修关联获取方法， 其特征在于： 还包括步骤七， 根据步骤六获取的需要更换 的配件列表， 提高配件维修效率、 降低维修成本 。 3.如权利要求1或2所述的基于保内保外跨期维护数据融合的配件间维修关联获取方 法， 其特征在于： 步骤一实现方法为， (1)产品基本信息图谱： 主要用于保存产品的基本信息， 该信息图谱用下列元组表示： < 产品名称、 产品编号、 用途、 安装时间、 保修期、 生产商>； (2)产品与配件信息图谱： 主要用于保存产品与配件之间的关联关系， 该信息图谱用下 列元组表示： <配件名称、 所属产品、 配件编号、 安装位置， 故障种类， 保修期， 安装时间， 重要 性， 预期损坏概 率、 损坏阈值>； 其中关联权 重主要用于表示该配件 对与产品的重要性； (3)配件间信息图谱： 主要用于记录配件与配件之间的关联关系， 该信息图谱用以下元 组表示<关系名称、 配件一、 配件二， 关联说明、 关联权重>； 其中关联权重主要用于表 示当更 换配件一后， 配件二需要更 换的概率；权　利　要　求　书 1/4 页 2 CN 114692905 A 2(4)产品配件与故障类型信息图谱： 主要用于保存故障类型对配件的重要性， 该信息图 谱可以用以下 元组表示<故障名称、 故障编号、 配件名称， 故障重要性>表示。 4.如权利要求3所述的基于保内保外跨期维护数据融合的配件间维修关联获取方法， 其特征在于： 步骤二实现方法为， (1)获取直接相关配件列表： 根据配件间信息图谱， 获取与该配件由关联的相关配件列 表， 定义为Accessory_list1； (2)获取间接相关配件的监控数据时间序列： 根据配件间信 息图谱， 获取与该配件由关 联的相关配件列表为Accessory_list2； 由于间接关系较多， 且间接关系可能形成环状， 需 要对间接 关系进行两方面的过滤： (a)层 级过滤， 超过预定层数的即判定 没有关系； (b)相关 性过滤， 即只有相关性大于某个阈值； 关联性传递过程主要依靠产品与配件信息图谱中的 重要性和配件间信息图谱的关联权 重； 其中L表示配件A与另外一个配件相距的层数， i为层数1～L之间的某个配件； 当两个条 件都满足的情况 下， 才能将该配件加入到Ac cessory_list2中； (3)获取与故障配件相 关的故障监控序列： 设备存在故障时间点为T； 由于故障存在前 兆， 该前兆时间点为t， 则需要获取损坏配件A、 Accessory_list1和Accessory_list2在 【T ‑ t,T】 时间范围内的监控序列， 形成某一次故障的A _Fault 【T ‑t,T】 ； 由于存在大量配件A的故 障情况， 将所有的故障序列整合在一起， 形成关于配件A的故障检测序列集合A_Fault_ list； (4)获取与故障配件相关的正常监控序列： 设设备正常的时间点为T， 按照(3)中的前兆 时间t， 获取配件A、 Accessory_list1和Accessory_list2在 【T ‑t,T】 时间范围内的监控序 列， 形成正常监控序列 A_OK 【T‑t,T】 ； 由于存在大量配件A的正常情况， 将所有的正常序列整 合在一起， 形成关于配件A的正常监控序列集 合A_OK_l ist； (5)获取故障时间点的监控数据： 获取A、 Accessor y_list1、 Accessor y_list2在故障时 间点T的监控 数据， 并整合为A_Fault 【T】 ； 由于大量的设备中存在配件A的故障情况， 所以与 根据时间点， 将所有的正常情况整合在一起， 形成关于配件A的故障检测序列集合A_ FaultTime_l ist。 5.如权利要求4所述的基于保内保外跨期维护数据融合的配件间维修关联获取方法， 其特征在于： 步骤三实现方法为， (1)填写评价信息： 根据配件A、 Accessor y_list1和Accessor y_list2的维修状况， 多位 维修人员和客户分别填写评价元组； (2)确定最终 故障类型： 选取故障种类最多的故障类型； (3)最终综合评价： 由于维修人员和客户之间存在对故障理解的偏差， 需要综合维修人 员和客户的评分， 获取最终的评价结果； 设参与 维修人员数量为N， 客户数量为M， 维修人员 的维修结果评价总和为 WN， 客户的维修结果评价总和为 WM； 最终的故障描述综合评分为： 权　利　要　求　书 2/4 页 3 CN 114692905 A 3