论文部分内容阅读
民航发动机是大型复杂装备,具有可靠性要求高、使用寿命长、维修成本高、维修复杂等特点。合理的安排发动机全寿命历次维修时机和历次维修策略,不仅能够有效提高发动机的运行可靠性,同时能够大大降低发动机的维修成本。因此,民航发动机全寿命维修决策方法研究具有重要的理论意义和经济价值。目前民航发动机维修决策方面的研究大多数是将发动机的维修时机、单元体维修等级、寿命件更换进行拆分单独研究,而实际工程中三者是相互影响的整体。针对先前研究的不足,本文综合考虑民航发动机维修过程的维修时机、单元体维修等级、寿命件更换,建立了三种不同民航发动机维修决策模型,并采用不同的方法进行求解。民航发动机全寿命维修决策包括确定历次维修时机、历次维修时单元体维修策略和寿命件更换策略。直接将这三者作为决策变量建立民航发动机维修决策模型,存在解空间规模非常大、难以求解等问题。本文对民航发动机维修决策问题解耦。以民航发动机维修时机作为决策变量,以全寿命总维修成本最小为优化目标,建立一种基于粒子群优化的民航发动机维修决策模型。在确定维修时机条件下,提出一种寿命件更换规则求解寿命件最优更换策略及其成本,采用动态规划算法求解单元体最优维修策略及其成本。最后采用粒子群优化算法对本文建立的民航发动机维修决策模型进行求解。采用数值实验和航空公司实际数据对本文提出的方法进行验证和评估。结果表明,提出的方法适用于民航发动机维修决策问题。针对大规模机队的维修决策问题,粒子群优化算法存在着求解速度慢、效率低、求解结果不够好等缺点。增强学习能够学习到的知识存储,具有求解速度快的特点,因此将增强学习中的Q学习算法应用到民航发动机维修决策问题。首先以发动机的每一飞行循环进行一次维修决策,将发动机全寿命维修过程看作马尔科夫决策过程,建立基于Q学习的民航发动机全寿命维修决策模型。分别对模型中的状态、动作、回报和Q表进行设计。然后训练Q学习算法对模型进行求解,最后采用数值实验对提出的方法进行评估验证。结果表明,增强学习应用到民航发动机维修决策问题具有可行性,但是,基于Q学习的民航发动机维修决策方法只适用于寿命件和单元体数量较少的民航发动机维修决策问题。针对当寿命件和单元体数量较多时,状态空间增大,Q学习算法出现“维度灾难”问题,将DQN算法应用到民航发动机维修决策问题。结合民航发动机维修时机确定规则、寿命件更换和单元体维修规则,对状态空间和动作空间进行缩减,建立基于DQN的民航发动机维修决策模型。为了加速DQN算法的收敛,提出一种DQN预训练方法。基于规则产生一定数量的较好数据对DQN网络进行预训练。最后采用数值实验和民航公司的实际数据对提出的方法进行验证。结果表明,面对大规模的民航发动机维修决策问题,提出的方法能够快速的求解出较好的民航发动机全寿命维修决策。最后基于本文提出的民航发动机维修决策方法,结合民航公司对发动机维修决策的实际需求,设计并开发了民航发动机维修决策原型系统,为民航公司发动机维修决策工作提供技术支持。