详情

原文传递基于不确定性的智能船舶备件协同供给策略研究

论文题名：	基于不确定性的智能船舶备件协同供给策略研究
关键词：	智能船舶;备件分类;需求预测;协同供应
摘要：	备件是设备进行维修保障的重要物质基础，合理有效的备件储供不仅影响着设备的运行可靠性，而且影响着设备的全寿命周期运维效益。尤其是随着现代设备智能化和系统功能集成化程度的提高，设备组成的类别和数量大幅增长，这就对备件的储供模式提出了严峻的挑战。基于状态感知的参数监测在一定程度上提高了对设备健康趋势和备件需求的预判，但由于运行环境、任务条件以及参数测量等各种不确定性的必然存在，仍然会引起突发性故障、不确定性备件消耗及部分应急性需求等问题。因此，文中选取高技术智能船舶为研究对象，基于备件的类别决策、需求预测以及库存协同构建了智能船舶在备件协同供应中的不确定分析框架和解决方案，为智能船舶的设备保障与调度管理决策提供了理论支撑，并取得了以下主要研究成果：　　（1）基于G-DCNN的先进数据处理方法，采用层次分类结构全面考虑分类准则，减少了由于准则选择不确定性导致的类别决策偏差，并将传统的多准则备件分类问题转化为图像识别及分类问题。G-DCNN分类模型是以不同决策角度考量的多种准则为基础并按照其因果关系构建的可解释层次结构，由于准则等级和节点的着色，实现了准则数据的可视化；通过改进后具有强大识别能力的AlexNet神经网络对层次结构图的构建规则进行学习，提高了分类模型的运算能力和速度。　　（2）针对备件需求预测问题，考虑运行环境及任务条件的不确定性，构建了基于状态监测数据的动态模型，运用深度学习理论建立多层非线性网络结构，对高维复杂的输入数据进行特征提取、学习和挖掘，进而消除测量不确定性的传播，实现运行状态和备件需求的精确预测。文中主要面对具有先进状态监测系统的关键设备，充分利用感知系统在运行中获得的海量时序数据，从两个方面递进式地构建了AEPCA-LSTM和GAPLS-LSTM的预测模型。在传统PCA纯数据驱动的模式下，兼顾人工经验知识对状态监测系统中的高维参数进行变量相关性分析和选择，并利用长短记忆神经网络选择性保留长期记忆的重要特性，在运行趋势估计的基础上通过拟合健康曲线构建了备件的需求预测模型，获得更换需求点，进而实现了对设备实行预防性维护的重要支持。　　（3）针对备件供应中面对的需求不确定性问题，提出了基于状态的备件协同库存策略，通过马尔可夫决策过程对基于状态变化的策略决策效益进行动态研究，验证了最优策略下需求预测与实体库存的动态协同及成本制衡。对于设备状态退化过程中所表现出的马尔可夫链特性，MDP考虑了决策及决策对系统带来的影响，通过设备在退化过程中所处的状态以及现有库存的状态构成状态空间，当设备在一定的时间单元内退化并发生状态转移时，决策者可基于状态的变化动态确定备件的订购时间和订购量，并通过设置应急程序来保证供应的可靠性，以缓解在库存点的固定库存并降低其库存持有成本，通过大量的数值实验验证了所提出协同策略的成本优化优势，并研究了对象监测水平及样本数量和供应能力对策略实施的具体影响。　　相对于传统数据统计的安全运行理论，文中基于先进的数据处理技术和运筹管理理念，面向船舶智能运行和维护过程中的不确定性对备件供应保障策略进行研究，充分利用长周期、高可靠性的设备状态监测系统的时序“大数据”，构建了基于状态感知-需求预测-动态库存-协同供应的智能运维备件保障供给体系，有助于在保障船舶运行安全可靠的前提下，实现维护的自主性和保障优化。
作者：	杨柯
专业：	交通运输工程
导师：	范世东
授予学位：	博士
授予学位单位：	武汉理工大学
学位年度：	2021