(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 202211129564.6 (22)申请日 2022.09.16 (71)申请人 中国航空工业 集团公司上海航空测 控技术研究所 地址 201601 上海市松江区泗泾镇 三祥路 188号 (72)发明人 黄兵　李冬冬　曹亮　王景霖　 单添敏　沈勇　吴英建　黄蓝　 (74)专利代理 机构 上海和跃知识产权代理事务 所(普通合伙) 31239 专利代理师 杨慧 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 5/00(2006.01)G06N 3/08(2006.01) G06Q 10/00(2012.01) (54)发明名称 一种磨损部件自主维修决策方法 (57)摘要 本发明公开了一种磨损部件自主维修决策 方法， 对磨损部件维修的历史检测数据进行标准 化处理， 构建磨损部件退化状态数据； 对磨损部 件退化状态数据进行主成分分析， 筛选磨损部件 退化特征， 提取磨损部件退化特征参数； 利用多 任务学习神经网络构建磨损部件自主维修决策 模型， 同时执行维修判断任务和维修量决策任 务； 使用磨损部件退化特征参数对磨损部件自主 维修决策模 型进行训练； 对磨损部件自主维修决 策模型的神经网络参数进行学习； 基于改进层次 网格算法自主学习模型超参数， 全局搜索到近似 最优解。 本发 明采用多任务学习神经网络和改进 层次网格算法进行自主决策， 有助于磨损部件状 态修的实施， 提高磨损部件维修的经济性和安全 性。 权利要求书3页 说明书9页 附图7页 CN 115438741 A 2022.12.06 CN 115438741 A 1.一种磨损部件自主维修决策 方法， 其特 征在于包括以下步骤： (1)对磨损部件维修的历史检测数据进行 标准化处理， 构建磨损部件退化状态数据； (2)对磨损部件退化状态数据进行主成分分析， 筛选磨损部件退化特征， 提取磨损部件 退化特征参数； (3)利用多任务学习神经网络构建磨损部件自主维修决策模型， 磨损部件自主维修决 策模型用于同时执行维修判断任务和维修量决策任务； 其中， 维修判断任务用于判断磨损 后的部件轮廓是否需要维修； 维修量决策任务用于决策磨损部件维修量或切削量并恢复磨 损部件标准轮廓； 维修判断任务辅助维修 量决策任务的执 行； (4)使用磨损部件退化特 征参数对磨损部件自主维修决策模型进行训练； (5)对磨损部件自主维修决策模型的神经网络参数进行 学习； (6)基于改进层次网格算法自主学习模型超参数， 全局搜索到 近似最优解。 2.根据权利要求1所述的一种磨损部件自主维修决策方法， 其特征在于磨损部件自主 维修决策模型的结构如下： 第1层组， 仅有一层输入层， 包 含k个输入神经 元， 输入磨损部件退化特 征参数； 第2层组， 共享特 征信息， 包 含3层隐含层： 第2‑1层， 隐含层包 含8个神经 元， 激活函数为tanh， 训练时dropout部分节点； 第2‑2层， 隐含层包 含16个神经 元， 激活函数为tanh， 训练时dropout部分节点； 第2‑3层， 隐含层包 含8个神经 元， 激活函数为tanh， 训练时dropout部分节点； 第3层组， 分类任务层， 包 含3层隐含层： 第3‑1层， 隐含层包 含16个神经 元， 激活函数为relu， 训练时dropout部分节点； 第3‑2层， 隐含层包 含8个神经 元， 激活函数为relu， 训练时dropout部分节点； 第3‑3层， 分类结果输出层， 激活函数为sigmoid， 包含1个神经元， 输出维修判 断向量 第4层组， 合并维修判断第3 ‑3层和共享特 征信息第2 ‑3层神经元， 包含9个神经 元； 第5层组， 回归 任务层， 包 含3层隐含层： 第5‑1层， 隐含层包 含16个神经 元， 激活函数为tanh， 训练时dropout部分节点； 第5‑2层， 隐含层包 含8个神经 元， 激活函数为tanh， 训练时dropout部分节点； 第5‑3层， 回归结果输出层， 包 含1个神经 元， 输出维修 量向量 3.根据权利要求2所述的一种磨损部件自主维修决策方法， 其特征在于对磨损部件自 主维修决策模型进行训练的运 算过程如下： 步骤S1， 输入层输入磨损部件退化特 征参数矩阵中的各组磨损部件X； 步骤S21， 第2 ‑1层权重矩阵为w(11)， 偏置向量为b(11)， dropout向量r(11)～Bernoulli (p11)， 则第2‑1隐含层输出矩阵为： 步骤S22， 第2 ‑2层权重矩阵为w(12)， 偏置向量为b(12)， dropout向量r(12)～Bernoulli (p12)， 则第2‑2隐含层输出矩阵为：权　利　要　求　书 1/3 页 2 CN 115438741 A 2步骤S23， 第2 ‑3层权重矩阵为w(13)， 偏置向量为b(13)， dropout向量r(13)～Bernoulli (p13)， 则第2‑3隐含层输出矩阵为： 步骤S31， 第3 ‑1层权重矩阵为w(21)， 偏置向量为b(21)， dropout向量r(21)～Bernoulli (p21)， 则第3‑1隐含层输出矩阵为： 步骤S32， 第3 ‑2层权重矩阵为w(22)， 偏置向量为b(22)， dropout向量r(22)～Bernoulli (p22)， 则第3‑2隐含层输出矩阵为： 步骤S33， 第3‑3层权重矩阵为 w(23)， 偏置向量 为b(23)， 则第3‑3层维修判断输出向量 为： 并对 进行四舍五入取整， 即 步骤S4， 合并维修判断第3 ‑3层和共享特 征信息第2 ‑3层 步骤S51， 第5 ‑1层权重矩阵为w(31)， 偏置向量为b(31)， dropout向量r(31)～Bernoulli (p31)， 则第5‑1隐含层输出矩阵为： 步骤S52， 第5 ‑2层权重矩阵为w(32)， 偏置向量为b(32)， dropout向量r(32)～Bernoulli (p32)， 则第5‑2隐含层输出矩阵为： 步骤S52， 第5 ‑2层权重矩阵为 w(33)， 偏置向量 为b(33)， 则第5‑3维修量输出向量 为： 4.根据权利要求3所述的一种磨损部件自主维修决策方法， 其特征在于对磨损部件自 主维修决策模型的神经网络参数进行 学习的方法如下： 首先， 将磨损部件退化特征参数划分为训练数据集和测试数据集， 其中测试数据集的 样本比例为rt； 其次， 采用交叉熵和均 方误差分别构建分类任务层的损失函数LossC和回归 任务层的损失函数LossR， 多任务学习的联合损失函数Loss； 最后， 采用Adam优化器优化损 失函数Loss和优化器的学习率 为rl。 5.根据权利要求4所述的一种磨损部件自主维修决策方法， 其特征在于模型超参数包 含测试数据集的比例rt和Adam优化器的学习率rl， 基于改进层次网格算法自主学习 模型超 参数的自主学习步骤如下：权　利　要　求　书 2/3 页 3 CN 115438741 A 3