[发明专利]一种基于人工智能的航空装备可用度预计方法

权利要求书

1.一种基于人工智能的航空装备可用度预计方法，其特征在于，包括：

获取待测航空装备各项输入数据，输入数据包括装备平均故障间隔时间、备件周转时间、平均修复时间、定检周期和大修周期；

将待测航空装备各项输入数据输入三层人工神经网络模型，得到航空装备的可用度指标；三层人工神经网络模型是根据以往航空装备的训练样本数据训练出来的。

2.根据权利要求1所述的方法，其特征在于，人工神经网络模型包括输入层、隐含层和输出层，其中，输入层的输入个数为5，隐含层的节点个数为3。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

收集统计以往航空装备的平均故障间隔时间、备件周转时间、平均修复时间、定检周期、大修周期作为训练样本数据，以及可用度数据作为训练结果样本；

通过训练样本数据对初始的人工神经网络模型进行训练，训练出可用的人工神经网络。

4.根据权利要求3所述的方法，其特征在于，通过训练样本数据对初始的人工神经网络模型进行训练，训练出可用的人工神经网络，包括：

将训练样本数据和对应的训练样本结果分为n组；

以组为单位，依次根据每组训练样本数据和对应的训练样本结果对初始的人工神经网络模型进行修正，得到隐含层到输出层的第一权值修正因子和输入层到隐含层的第二权值修正因子；

根据权重、第一权值修正因子和第二权值修正因子，修正人工神经网络模型对应层的参数；其中，权重是由训练所使用的组号和组数构成的。

5.一种基于人工智能的航空装备可用度预计装置，其特征在于，包括：

获取模块，用于获取待测航空装备各项输入数据，输入数据包括装备平均故障间隔时间、备件周转时间、平均修复时间、定检周期和大修周期；

输入模块，用于将待测航空装备各项输入数据输入三层人工神经网络模型，得到航空装备的可用度指标；三层人工神经网络模型是根据以往航空装备的训练样本数据训练出来的。

6.根据权利要求5所述的装置，其特征在于，人工神经网络模型包括输入层、隐含层和输出层，其中，输入层的输入个数为5，隐含层的节点个数为3。

7.根据权利要求5所述的装置，其特征在于，所述装置还包括：

收集模块，用于收集统计以往航空装备的平均故障间隔时间、备件周转时间、平均修复时间、定检周期、大修周期作为训练样本数据，以及可用度数据作为训练结果样本；

训练模块，用于通过训练样本数据对初始的人工神经网络模型进行训练，训练出可用的人工神经网络。

8.根据权利要求7所述的装置，其特征在于，训练模块包括：

分组单元，用于将训练样本数据和对应的训练样本结果分为n组；

修正单元，用于以组为单位，依次根据每组训练样本数据和对应的训练样本结果对初始的人工神经网络模型进行修正，得到隐含层到输出层的第一权值修正因子和输入层到隐含层的第二权值修正因子；根据权重、第一权值修正因子和第二权值修正因子，修正人工神经网络模型对应层的参数；其中，权重是由训练所使用的组号和组数构成的。