故障预测技术在提高配件保障管理效率上的应用研究

0 引言

随着科学技术的快速发展，现代大型设备(如飞机、高铁、地铁、轮船等)的结构变得更加复杂，功能多种多样，智能化、自动化水痘也越来越高。大型设备的不同部分之间紧密关联，紧密耦合，使得复杂大型设备的故障特征具有偶然性、随机性、并发性，一旦发生故障，不仅会造成重大的经济损失，而且可能危及人身安全、带来严重的社会问题。这就要求进一步提高大型设备系统的安全性，确保大型设备安全可靠地运行。本文重点研究根据大型设备组件故障预测结果，提前做好大型设备配件保障，可以有效提高配件保障管理效率和大型设备运行的可靠性。

1 大型设备配件保障特点

要搞好大型设备配件保障工作，首先要摸清楚大型设备配件保障特点。大型设备保障特点是由大型设备本身特点、配件保障时节特点以及配件生产周期等因素共同决定的。

大型设备配件保障主要有以下特点：

1.1 种类多

现代大型设备是集机电为一体的高新技术密集型设备，以高铁为例，包括牵引供电、通信、动车组、客运服务、运营调度等设备。与传统大型设备相比，现代大型设备组件种类多样，型号繁杂、呈现新老体制组件、各种用途组件并存，共同使用的局面。因此，针对不同设备、不同部件进行故障维修，要有针对性地提供合适的配件。

1.2 配件保障工作紧迫

在春节、国庆等重大节气阶段，如飞机、高铁、大型轮船等大型设备发车更为密集，载客量更大，其组件发生故障的概率升高。为保证大型设备运行安全，快速投入运营，其维修保障会更为频繁，对大型设备维修人员维修的及时性提出了更高的要求。在此条件下，配件保障更要高速有效，及时将相应的配件配送给维修人员。

1.3 配件生产周期长

现代大型设备存在很多非通用且造价昂贵的部件，这些部件一但发生故障，相应配件并不能快速提供，原因在于这些配件生产周期长，成本高，并不适宜大规模生产。因此要对这些配件故障提前预测，根据故障可能发生的时间节点，有针对性地提前生产，降低无谓生产成本，确保大型设备正常运转。

2 基于故障预测技术的配件保障

故障预测技术是通过传感器采集各类数据，借助推理算法和智能模型对设备进行监控，预测设备运行状态，估计健康状况，并在设备发生故障前预警，从而采用相应的维修手段。本文深入研究故障预测技术，将其应用于大型设备配件保障问题，并分别引入灰色模型、遗传算法和回声状态网络方法于故障预测技术，来进一步提升故障预测准确性，为大型设备维修人员及时根据大型设备故障状态进行配件保障提供理论支撑。

2.1 基于灰色模型的故障预测

灰色模型建模不需要寻找数据的概率分布和统计规律，而是通过数据处理的方法来寻找数据间的规律，少量的、不完全的信息提出预测规则，能够避免统计方法、概率预测方法的随机性，在大型设备故障预测中具有很强的应用价值。灰色模型首先输入大型设备部件运行状态数据，并构成原始数据序列；采用累加生成或累减生成等方式得到新的数据；然后依据新的数据建立微分方程来间接性描述原始数据序列；然后利用最小二乘法来求解参数；接着建立时间响应模型即可得到原始数据序列的预测值；最后就可根据当前大型设备运行状态数据预测其未来某一时段运行状态。如果该时段处于故障状态，就可以迅速提前准备配件，有效保证配件高效保障。基于以上灰色模型原理，可将该方法进行故障预测的步骤总结如下：

步骤1：将输入的设备状态数据构成原始数据序列f(0)(t)={f(0)(1),f(0)(2),…,f(0)(n)}；

步骤2：将原始序列f(0)(t)作一次累加生成形成新的数列f(1)(t)，并且

步骤3：构成数据矩阵Y与数据列H；

步骤4：由计算模型参数x和y；

步骤5：建立时间响应模型

步骤6：将k值带入模型计算预测累加值

步骤7:将预测累加值还原为设备状态预测值

2.2 基于遗传算法的故障预测

遗传算法是通过模拟生物进化过程来达到自我学习和优化的目的,它的每一个迭代过程中都保留了一组候选项,按照优劣进行排序。遗传算法利用大型设备运行状态数据来进行状态预测，通过对原始状态数据建立模型，并进行选择、交叉和变异，在满足终止循环条件下，输出故障预测数据。基于遗传算法的故障预测的流程如图1所示。

图1 基于遗传算法的故障预测流程

基于遗传算法的故障预测首先根据设别电路状态、信号状态、机械磨损情况等数据来确定决策变量和约束条件；接着选择合适的数学模型或量化方法来建立优化模型；因此我们对染色体采用整数编码方式，对所有的状态矢量进行编号，产生初始状态群体，染色体的长度就是故障的总数，每个基因对应某部件当前状态值，而基因的取值正好对应状态的取值；接着通过解码来确定出状态个体基因型到状态个体表现型的对应关系；接着对状态个体进行适应性评价；然后确定出选择运算、交叉运算和变异运算中各遗传算子的具体操作方法；最后设置好遗传算法的终止条件，根据当前设备状态数据预测下一阶段设备运行状态。

2.3 基于回声状态网路的故障预测

回声状态网络是一种特殊的神经网络，传统的神经网络一般由输入层、隐含层和输出层构成，而回声状态网络通过引入储备池计算模式来代替隐含层，储备池是由大量稀疏神经元动态连接而成，通过神经元之间的权值的形式储存系统的性能，而储备池之间的权值是确定的，不需要通过学习算法反复训练，使得训练计算量降低。基于回声状态网路的故障预测流程如图2所示。

图2 基于回声状态网路的故障预测流程

回声状态网路故障预测分为初始阶段、训练阶段和预测阶段。初始阶段包括初始化回声状态网络，设定储备池中各个参数，确定动态储备池大小，对神经元连接权值和神经元状态进行初始化，随机生成输入连接矩阵和输出反馈矩阵。训练阶段首先输入大型设备运行里程、运营时间、磨损状况、机件检测情况等数据，并进行数据预处理，然后计算输出层权值并不断更新/记录储备状态，最后根据使用线性回归确定输出连接权，建立回声状态网路的故障预测模型。预测阶段根据回声状态网路预测模型输出大型设备部件故障的可能时间节点，空转一定时间后根据预测结果，在故障发生有效时间内生产相应配件并配送给相应故障部位。

3 结语

就货币政策对公司投资的影响而言，现有文献存在以下待改进之处：(1)关于货币政策影响公司投资行为的文献，较多集中于投资规模的研究，而较少关注企业的投资效率。(2)有限的关于货币政策影响投资效率的成果中，极少关注企业家信心因素的影响。事实上，企业家对未来经济形势的信心、对货币政策的反应，会影响其投资决策的选择。因此，货币政策出台后，企业家信心对货币政策的反应、对企业投资效率的影响不容忽视。本文从企业家信心因素着手，研究货币政策、企业家信心对上市公司投资效率的影响。

下一步，还将融合灰色模型、遗传算法和回声状态网路等多种方法进行组合对设备故障进行预测，进一步提升故障预测准确性。