CN119740721A 一种基于bim的轨道运维路径优化方法

(12)发明专利申请(54)发明名称对历史运维数据进行多元混合分解计算，提取运维时序数据的稳定分量、波动立设备状态参数、环境影响因素与运维时长的多维关联模型，采用深度学习方法训练运维时间预测模型，通过交叉验证方法验证所述运维时间预测模型的准确性。获习预测偏差、历史状态波动率基于所述运维时间预测模型计算各设备的标准运维时长，结合所述波动分量响系数矩阵，通过矩阵运算得到时间误差补偿量，将所述标准运维时长与所述时间误差以运维总成本最小化、设备可靠性最大化、运维人员工作负载均衡为优化目标，建立所述优化目标间的权重分配机制，将所述轨道运维空间拓扑网络与所述设备运维作为约束条件，构建多目标优化模型将所述最终运维路径方案写人所述建筑信息模型，建立运维数据实时反馈机制、方案评(57)摘要(57)摘要23456789长；Niter为迭代优化次数；Vconv为遗传算法收敛速度；Vref为参考收敛速度；首先，对历史运维数据X(t)进行多元混合分解，提取出稳定的状态参数：N(0,0.05)。设备编号异常数据点(%)清洗后有效数据(%)………平均设备编号缺失数据点(%)填充后有效数据(%)………平均…01……00……设备编号平均预测偏差(%)最大预测偏差(%)…平均[0119]表8设备历史状态数据波动率设备编号状态数据波动率(%)…平均…minF={0.4f₁(x),0.3f₂(x),0.323(x;,yi,Z;):设备i的三维坐标位置S;:设备i的实时状态信息M:设备i的维护需求信息障记录和维护记录组成的数据库Xraw:原始数据Xclean:异常值清洗后的数据Xfu:缺失值填充后的数据Xaatabase:最终建立的设备信息数据库Ci:设备与设备j之间的维护顺序约束关系S:设备i的重要性指标X(t):原始历史运维数据T(t):数据的趋势项S(t):数据的季节项R(t):数据的随机项Y:运维时间预测模型输出θ:运维时间预测模型的输入特征向量e:预测误差b:神经网络的偏置项h;(X):第i个隐层节点的输出Δai(t):深度学习预测偏差随时间的变化函数T:观测时间长度Vhis:历史状态数据的波动率Tsta:标准运维时长H;:设备i到设备j的历史维护效率ΔT;j:设备i到设备j的时间误差补偿量Tfinal:修正后的设备运维时间矩阵ζ:随机扰动项，服从正态分布N(0,0.05);Cij:从设备到设备j的转移成本dij:设备i的维护成本Xij:0-1决策变量维护时间ri:设备i的重要度λ:设备i的失效率t;:设备i的维护时间[0132]表11变量解释表(第二部分)tki:维修人员k对设备i的维护时间φ1、中₂、中3:目标函数权重系数Pc:交叉概率t、tmax:当前迭代次数和最大迭代次数4:变异步长Pm:变异概率约束满意度Steplocal:局部搜索的步长Flocat:局部搜索的适应度值Scorepath:路径优化评分重系数λ、α:路径优化评分中的衰减系数Scorestate:状态预测评分重系数β:状态预测评分中的波动率影响系数Ymax:最大允许预测偏差Scoretime:时间响应评分重系数γ:时间响应评分中的敏感度指数Tmax:最大允许运维时长度Stepmax:最大局部搜索步长Scorefinal:综合评分W₁、W₂、W₃:综合评分中的权重系数Convpso:粒子群算法的收敛度xi:优化变量η:综合评分中的收敛度影响系数Teycle:数据采集周期μ:原始数据样本均值σ:原始数据样本标准差W₁、W₂、W₃:缺失值填充的权重系数η:缺失值填充的随机扰动项服从的正态分布的权重系数ξ:拓扑网络融合矩阵中的随机扰动项，服从正态分布N(0,0.01);Y1、Y2、Y3:时间影响系数矩阵中的λ:时间误差补偿量中的波动幅度系数P:时间误差补偿量中的周期Tmax:最大允许运维时长度Stepmax:最大局部搜索步长25原始温度数据(原始温度数据(0.0时间