一、设备维修与更新的最优策略(论文文献综述)
韩梦莹[1](2021)在《基于延迟时间理论的单部件系统维修与备件库存联合决策研究》文中研究说明为保障设备安全可靠地运行,企业通常需要对设备进行预防性维修,同时提前储备所需备件以提高维修效率,然而,设备系统功能退化的不确定性导致了维修需求的不确定性,进而造成备件需求的不确定性,因此,盲目地进行维修或备件存储很可能给企业带来巨大的经济损失。如何根据设备的功能退化特征,确定最优的预防性维修与备件库存联合决策,在提高设备可靠性水平的同时,降低设备长期运行成本是一项十分重要的课题。本文运用延迟时间理论描述设备系统的劣化特征,对单部件系统维修与备件库存联合决策的建模与优化问题进行了研究,主要创新性成果如下:(1)考虑到实际检测活动中经常发生假阴性事件,提出了考虑不完美检测的两阶段点检策略与备件订购联合决策。首次点检周期为T,之后缩短点检周期,备件订购发生在τ时刻而非0时刻(设备寿命周期起始时刻)。设备存在两种更新方式:检测识别缺陷状态时进行的预防更新;设备故障时进行的故障更新。设备更新时考虑备件可能的状态,若未订购,则立即订购并在备件交付时刻更换设备;若已订购但未交付,则等待备件交付时刻更换;若已入库,则可以立即更换设备。利用更新报酬理论构建以单位时间内的期望成本最小为目标的联合优化模型,采用人工蜂群算法获得最优的点检策略和备件订购策略。算例部分充分证明了所提模型的有效性。(2)针对—旦对设备进行预防性维修就能使设备恢复如新的假设,提出了考虑不完美维修的两阶段点检与备件订购策略联合优化模型及其求解方法。备件订购点为以T为周期的第一阶段点检执行第M次时,并在此之后,开始执行以T/2为周期的第二阶段点检。结合实际维修策略,该模型采用了基于检测和基于役龄的组合维修策略:在点检识别设备缺陷状态时,进行不完美维修活动;在设备役龄达到某一阈值水平时,进行预防性更新活动。与(1)中相同,设备更新时同样需要考虑备件状态(未订购;已订购未交付;已入库),据此确定所有的更新事件,构建以单位时间期望成本最小为目标、以设备可用度为约束的联合决策模型,采用枚举优化算法得到最优的两阶段点检周期、备件订购时间和役龄更换周期,并通过算例分析进行验证。(3)考虑到设备缺陷对产品质量的影响,针对退化过程服从三阶段故障过程的设备,提出了对轻缺陷设备进行提前更新的策略,建立了考虑缺陷品损失的设备检测、维修与备件订购联合决策模型。并在备件订购方面,考虑了两种订购模式(常规订购和紧急订购),同时关注在常规订购下达之后是否需要进行紧急订购。具体而言,模型采用了基于状态的两阶段点检策略和备件订购策略:在检测识别设备轻缺陷状态时,开始执行第二阶段的检测,同时进行备件订购(常规订购)。设备存在两种预防性更新方式:第J次执行第二阶段检测时,设备仍处于轻缺陷状态,则进行提前更新;一旦检测识别设备的严重缺陷状态,则进行预防更新。设备更新时需考虑备件的状态,若未订购,则立即进行紧急订购;若已入库,则立即更换设备;若已订购但未交付,则引入阈值θ判断是进行紧急订购还是等待常规订购的备件进行交付。在上述策略的基础上,建立了以单位时间期望成本最小为目标的仿真模型,并以钢厂高炉耐火材料为对象进行了数值实验验证。(4)针对现有的维修决策模型及维修与备件库存联合决策模型不能很好的平衡设备长期运行时的可靠度、可用度和单位时间期望成本的问题,提出采用多属性效用理论权衡设备的可靠度、可用度和费用率,并以维修决策为例,说明多属性效用理论的可应用性。考虑到不完美维修活动在实际生产中应用广泛,构建了基于三阶段故障过程的设备检测策略模型。每隔固定周期对设备进行检测,在检测识别设备处于轻缺陷状态时,进行不完美维修活动,一旦检测识别设备的严重缺陷状态,则进行预防更新,设备故障时进行故障更新。采用更新报酬理论得到设备长期运行时的可用度和单位时间期望成本模型,通过第一次检测时设备的可靠度来调节设备长期运行状态下的可靠度水平,将设备的可靠度、可用度和单位时间期望成本视为决策问题的属性,运用多属性效用理论确定使决策者效用值最大的检测周期。
黄土地[2](2021)在《考虑认知不确定性的风力发电机可靠性分析与维护决策研究》文中研究表明作为世界新能源计划中的重要一员,风电清洁又安全,被寄予很高的期望,但在其实际应用中也仍然存在许多问题。在现阶段的风力发电机应用和研究中,可靠性和维护问题备受关注,这是因为:(1)风力发电机的工作环境为户外,而且每台风力发电机的寿命周期很长,设计寿命至少为20年,应考虑如何保障其能够在各种复杂的气候条件下长期稳定而可靠的运行,从而减少因风力发电机失效带来的巨额损失;(2)风力发电机的工作地点对风场的要求很高,因而大多在较为偏远的山区、高原或海边,同时,风力发电机主体在工作时被架于高空,这使得风力发电机的维护工作成本高、难度大。然而,在对兆瓦级风力发电机进行可靠性评估和维护决策优化时,模型中的参数,如状态概率值(State Probability)、状态性能水平(Performance Levels)值等,往往会由于认知的局限而很难精确得知。基于此,本文针对太原重型机械集团有限公司设计研发的2.5MW风力发电机的可靠性和维护问题,并考虑到模型中参数的认知不确定性(Epistemic Uncertainty),开展关于可靠性分析、可靠性评估和维护决策优化的相关工作,目的是通过提高设备的可靠性和制定合理的维护决策来减少设备因失效带来的损失。本文的主要研究内容和成果有:(1)对风力发电机主传动系统进行了FMECA分析。FMECA方法是最常用的可靠性分析方法之一,而主传动系统是整个兆瓦级风力发电机系统中故障最为频发的部分。本文首先分析了兆瓦级风力发电机主传动系统的组成、结构和功能,并绘制了该型号风力发电机主传动系统及各个子系统的可靠性框图。参照国家军用标准GJB/Z1391-2006对主传动系统依次开展了系统定义、层次划分和故障分析等相关定性工作,并在此基础上运用风险优先数方法对其进行了定量的危害性分析。(2)考虑风力发电机参数的认知不确定性和多状态特征,对风力发电机系统整体进行了模糊可靠性建模与评估。根据该型号风力发电机的实际运行情况,将其近似为多状态系统,并基于多状态可靠性理论对其进行可靠性建模,再应用通用生成函数方法对上述模型进行可靠性评估。在应用通用生成函数方法对模型进行可靠性评估时,考虑到模型中的状态概率值、状态性能水平值等参数中存在的认知不确定性问题,将单元状态的性能水平值、概率分布和系统需求用三角模糊数表示。并最终求解系统在模糊系统需求下的模糊可用度。(3)提出基于模糊马尔可夫决策过程的风力发电机维护决策优化方法,旨在制定合理的维护决策,以实现兆瓦级风力发电机系统的收益最大化。该方法主要针对多状态系统维护决策优化问题,在用马尔可夫决策过程建立风力发电机的选择性维护模型时,同时考虑到模型中的状态转移概率(Transition Probability)、设备单位时间收益等参数的认知不确定性,将由于认知局限无法精确获知的参数用三角模糊数表示,并实现最终的优化求解。该方法将马尔可夫决策过程与模糊理论相结合,解决了模型中存在认知不确定性的动态规划决策问题。本文基于该方法,结合该型号风力发电机的实际工程数据,实现了对该型号风力发电机的维护决策优化。
林杰,叶鸿庆,郑美妹,夏唐斌[3](2021)在《基于状态的预防性替换和备件订购联合优化》文中进行了进一步梳理针对多部件连续劣化系统,提出一种基于劣化状态的部件替换和备件订购联合优化策略。采用维纳过程描述部件的劣化路径,以最小化平均费用率为目标,将部件替换和备件订购的联合决策问题建模成马尔科夫决策过程,采用值迭代算法求解最优策略,并通过枚举法得到最优检测间隔。以双部件系统为例验证了算法的有效性,通过敏感性分析试验研究了各参数对最优策略的影响。
潘潼[4](2020)在《地铁列车信号系统关键设备可靠性分析及维保策略优化》文中提出城市轨道交通的服务宗旨是安全、高效地运送乘客。信号系统作为其中至关重要的一个控制系统,负责指挥地铁列车的有序运行、实现无线通信,必须具有高可靠性,从而确保列车的行车安全和可靠运营。相对高铁来说,地铁列车运行速度较低,且站间距短,需要在短时间内完成启动、提速、减速、刹车的一系列过程。每天高频率地重复执行这些过程使得地铁的运营和维护成本增加,因此对地铁信号设备的维修维保提出了新的要求。本文对地铁信号系统国内外的可靠性研究现状和维修维保现状进行综述后,密切结合某地铁运营公司的实际情况,开展以下几方面的研究:(1)将地铁列车信号系统分为车载信号系统和地面信号系统两大子系统,结合大数据分析方法,针对不同运营线路的信号系统现场故障数据进行数据挖掘与可视化,探究不同的故障子类、故障模式、故障原因、故障影响,并用数据拟合方法探究失效时间间隔的变化规律。以大数据分析结果为支撑,掌握信号系统故障分类、统计故障频发设备,归纳不同故障对列车运行造成的不同影响。针对车载信号系统开展FMECA分析,包括划分故障等级并计算模式故障率、输出危害度矩阵等,最后总结归纳建立FMECA表格。(2)基于地铁运营公司记录的实际故障数据,结合FMECA分析结果,进行车载控制器可靠性特征量估计值的计算,绘制各个可靠性指标随时间变化的函数图,并进行汇总和对比分析。根据实际情况中不同型号车载信号的结构功能差异及故障情况,绘制故障树,分别进行FTA分析。在故障树的基础上,根据一定的转化规则,将所选故障树转化为贝叶斯网络,假设在系统发生故障的条件下,通过相应算法进行贝叶斯网络推理,计算根节点的后验概率,确定对系统发生故障影响概率较大的信号设备,为找到信号系统关键设备提供依据。(3)提取故障数据相对较少的地面信号系统数据进行拼接聚合和预处理,主要针对导致晚点等严重影响的故障数据,从不同维度进行地面信号系统故障数据的可视化分析。在此基础上绘制地面信号系统故障树,进行重要度识别,运用蒙特卡洛模拟方法,基于故障树进行蒙特卡洛仿真,输出地面信号系统可靠性随时间变化的函数图,并结合车载信号系统可靠性分析,计算地铁列车总的信号系统可靠性指标。(4)对地铁运营公司现有维修策略进行调研,归纳维修现状。利用EXAKT建模优化工具,基于比例风险模型、成本决策模型等统计和决策模型,研究考虑风险和成本的地铁信号系统双目标优化维修策略,并以车载控制器为案例建立基于状态的维修模型,有针对性地确定最佳失效风险等级,最小化维保成本的同时保证故障风险处于较低水平,实现维保策略的优化。通过上述几方面的研究,给地铁运营公司的维保人员展现了列车信号系统更直观的故障规律和特点、可靠性现状以及薄弱环节,为实际运营维保制定更合理优化的维修策略,提高系统的服役能力以及降低维修成本具有参考意义。
杨天枢[5](2020)在《多单元并行系统维修策略与维修资源配置的联合优化》文中研究表明随着制造业的快速发展,制造系统朝着复杂化、集成化、智能化的方向发展已成共识。多单元并行系统因具有高效性、柔性而被广泛应用于制造业、运输业、仓储业以及通讯业等领域,其可靠性直接影响着产品的质量和企业的效益。制定合理的预防性维修策略可以有效地提高系统的可靠性,保证系统高效、安全运行。即便如此,也常常会出现维修过度和维修不足的情况,维修工和贮备单元的短缺会造成系统停机而带来经济损失,维修工和贮备单元的过量在造成资源的浪费同时带来经济损失,维修资源的优化配置就显得尤为重要。因此,本文以多单元并行系统为研究对象,针对系统维修策略与维修资源配置的建模与联合优化问题,从以下几方面展开:(1)针对单维修工互异两单元并行冷贮备系统,考虑到生产计划、维修能力等随机因素对维修策略的影响以及停机造成的经济损失,采用拟周期预防性维修策略对系统的维修过程进行分析,建立系统的长期运行收益率模型,并以收益率最大化为目标获得系统的最优维修策略。然后,面向某型号机载空调,阐述该维修策略模型的建模及优化过程,并对影响最优策略的重要参数进行敏感性分析。(2)将单维修工互异两单元并行冷贮备系统扩展到含有多维修工和多贮备单元的多单元并行系统。为了减少停机和维修资源配置不合理对系统带来的经济损失,以此并行系统为研究对象,综合考虑系统的预防性维修策略和维修资源配置问题,建立了系统的长期运行成本率模型,并获得使得成本率最小的最优的预防性维修策略、维修工数目和贮备单元数目。通过数值案例说明系统的建模和优化过程,并通过敏感性分析获得系统参数对最优策略的影响。通过研究发现,对多单元并行系统的维修资源配置与策略进行联合优化能够较好地平衡维修不均匀的现象,降低系统维修成本,从而提高系统的可靠性与经济性。
于彤彤[6](2020)在《基于深度强化学习的舰载机在线调度方法与应用研究》文中研究指明航母作战是现代海上军事作战中的关键部分,航母作战的决胜环节是实现安全高效的舰载机调度决策。随着军事科技发展进步,传统启发式智能算法辅助人工决策是目前舰载机编队出动回收作战调度应用最为广泛的方法。然而航母作战环境高危多变,航母甲板空间狭小、各类设备繁多,舰载机需要在具有动态不确定性的甲板空间完成保障、出动、回收等调度任务,这给原本就颇为复杂的航母作战增加了难度。同时由于海上作战任务的特殊性,调度算法需要支持舰载机持续出动回收,并能够在线对突发状况做出即时决策。目前常用的启发式算法批量对任务进行决策计算,这样会限制大规模舰载机持续出动能力和在线作战能力。针对传统调度算法在高危多变环境下实现多目标在线调度所面临的困境,提出应用基于马尔可夫决策过程的深度强化学习算法解决大规模舰载机持续出动回收过程中的多目标在线调度问题。本文的主要贡献包括:(1)针对舰载机持续出动回收的多目标在线调度问题,提出以减小舰面位移、减少会遇次数、均衡设备利用率和稳定调度周期作为调度决策目标,依照马尔可夫决策过程,构造以舰载机和各设备状态作为输入、调度行为值函数作为输出的在线调度即时决策模型。设计一种Action-Mask机制,提高动作选择效率,并将奖赏设置为带权重的特征向量,将多目标问题标量化为单目标进行求解,更符合实际应用的要求。该模型在有突发状况的舰载机持续出动回收的在线调度实验中,能够进行高效的调度决策。(2)针对舰载机出动回收调度问题的动态不确定性,利用深度强化学习算法进行调度决策的优化。将动态不确定性衡量为状态的一部分,在每个决策点随马尔可夫决策过程进行状态转移。为了避免过高估计,本文利用Double-DQN学习算法,构建两个网络分别进行动作选择和评估。利用可变的ε-贪婪策略选择执行的动作,同时为了避免神经网络训练过程中产生梯度爆炸和梯度消失,在神经网络中加入Batch Normalization层对输入的数据进行批正则化处理,使用自适应的激活函数,并在反向传递计算梯度时执行梯度剪裁。优化的深度强化学习算法得到的调度策略能够实现多目标优化,与启发式算法和调度规则对比有明显优势。(3)针对本文研究问题是在部分可观测环境下,为了从环境中获取更多的信息用于网络训练,得到更全面准确的决策模型,本文采用深度递归Q学习算法利用时序经验训练模型。同时,在神经网络中加入了注意力机制和优先经验回放机制,实现加快收敛速度并探索更优策略的目的,所得到的决策模型也更为稳定。
张娜[7](2020)在《基于数据挖掘的信息化设施维护定额问题研究及系统实现》文中认为交通问题是涉及社稷民生的大问题,必须保障交通顺利畅通。然而,要维持省级和所属局级部门网络及应用系统高速、安全、稳定地运行,系统的维护管理工作是非常关键的。已投入使用的软硬件设施种类数目众多,每年花费的各类维护开销庞大,因此必须合理制定信息化设施维护定额。本文从解决实际问题出发,研究了基于凝聚层次聚类的设备保外系数年限划分和保外系数的确定方法。具体使用依据样本间的距离采用重心聚类法对设备进行科学分组,在此基础上确定设备的基本维修费用和保外系数,完善定额计算公式。探讨了基于判别分析的设备维护风险的判定方法。通过对已发生维修的设备训练样本进行训练,找出判别模型,再使用判别分析工具对检测样本进行判别检测,从而预测出设备的维修风险。以求提前对高维修风险的设备加强监管,制定应急预案。分析了基于最短路径的信息化设施更新策略,将设备更新规划转化为最短路径问题,通过Floyd算法求解最短路径从而找出设备更新的最优策略,可以降低总成本。建立科学规范的信息化设施编码体系,建立健全信息化设施运行维护定额标准体系,规范管理。设计实现了基于数据挖掘的信息化设施维护定额管理系统,科学方便地对维护定额、设备风险等进行计算和预测。
胡猛进[8](2020)在《基于强化学习的风电机组部件状态维修决策研究》文中研究表明近些年来,可再生能源的迅速发展引起了各个国家的强烈关注。风力发电作为比较成熟的发电技术,在最近几年被广泛应用,装机数量越来越多,单机容量也越来越大。但是由于风电机组的运行环境通常比较恶劣,对其进行维修需要消耗大量人力和物力,这极大地增加了风电场的运行维护成本,降低了企业的收益。因此,提高风电机组的维修决策水平变得越来越重要。以可靠性为中心的风电机组运行维护方法是通过风电场设备的历史故障数据,对系统或者部件建模得到运行可靠性分析结果,然后根据计算得到的寿命制定相应的运维策略。但此类方法仅仅考虑到风电机组的历史故障数据,而忽略了机组的运行状态会随时间而发生改变,因此,并不能充分地考虑机组的实际运行状态,做出准确的维护决策。本文针对上述问题,对风电设备中一些故障率高、维修工作量大和维修费高的部件,研究风电机组部件的劣化失效过程,开展基于马尔可夫决策模型和强化学习算法的部件状态维修技术研究。通过最小二乘法估计得到部件故障分布的形状参数和尺度参数,建立部件故障的威布尔分布模型,从而取得部件的可靠性和失效率曲线。基于部件的可靠性曲线对部件运行状态进行划分,同时根据维修前后部件可靠度的变化,计算得到部件在各种维修决策下的维修成本。再在此基础上依托马尔可夫决策过程建立部件的状态维修决策模型,最后采用策略迭代算法和Q-学习算法,以得到单位时间下部件的最小运行成本为目标,确定风电机组部件在各运行状态下的最优维修决策和下一次的检修时间间隔。本文以风电机组中的变桨滑环、集电环和发电机的历史故障数据为基础,通过上述流程得到其基于运行状态的最优维修决策,最终,计算结果表明在最优维修决策下的部件单位时间运行成本明显小于其自然状态下的运行成本。
刘莹[9](2020)在《基于成本控制的设备租赁双方决策问题研究》文中提出随着租赁经济的发展,设备“以租代买”成为新的潮流趋势。同时,随着现代工业技术的发展与进步,设备日益向大型化、高速化、自动化、智能化、复杂化方向发展,这对设备维护的专业化也提出了更高的要求。这两种潮流促使以设备租赁代替设备购买、以设备出租方为主体的租赁维护代替以设备承租方为主体的自主维护的设备管理模式蓬勃兴起。在设备租赁过程中,成本控制作为企业管理的重要环节,对设备租赁双方至关重要。科学有效的成本管理活动能够增强企业的竞争力,提高企业的经营效益,使企业获得长远的发展。基于成本控制对设备租赁双方决策的重要性,本文分别从承租方设备使用成本的控制,出租方维护成本的控制以及租赁双方风险成本的控制这三个角度展开研究。主要内容为:第一,围绕承租方对设备使用成本的控制,研究承租方设备自购或租赁选择问题。运用全寿命周期理论将设备的自购成本模型与租赁成本模型进行对比研究,并运用组合评价法研究承租方在租赁决策下对出租方的评价选择问题。第二,围绕出租方对维护成本的控制,研究最优预防性维护策略的制定问题。以有限租期内的单设备为研究对象,以维护成本最小为目标,建立考虑维修时间随机和维修惩罚的等周期非完美预防性维护模型。第三,围绕租赁双方对风险成本的控制,研究设备租赁合同的设计问题,针对租赁双方在签订合同和合同履约时可能发生的不确定事件,分析刚性条款中租赁双方强制性权利义务的设置以及柔性条款中对不确定事件的应对。经过研究可知:第一,自购设备和租赁设备的成本核算模型为承租方自购还是租赁设备提供有效的决策依据,组合评价为承租方选择合适的设备出租方提供有效的指导方法。第二,考虑维修时间随机的租赁设备预防性维护策略符合现实生活中的设备维修状况,能够寻找出使出租方维护成本最小的最优预防性维护周期,控制出租方的维护成本。第三,针对租赁期间的不确定因素,通过在设备租赁合同中设置相应的刚性条款和柔性条款可以有效控制租赁双方的风险成本,增强租赁双方应对风险的能力。
王俊元[10](2020)在《几类可修系统的最优维修策略研究》文中研究说明近几年系统的维修建模得到了研究者的极大关注。研究的系统主要分为单部件系统,两部件系统和多部件系统。可修模型的最优替换策略主要有基于系统的工作时间或系统的失效次数的单变量策略以及基于工作时间和失效次数的二元策略。系统的退化过程一般用几何过程描述,即用几何过程描述系统的连续工作时间和修理时间。本文引入扩展的几何过程描述系统连续的工作时间和修理时间,克服了几何过程的严格单调的缺点。考虑了修理工在系统工作期间有其它工作,增加系统收益。传统的模型仅考虑基于系统失效后的修理,本文考虑了不可修复的灾难性失效,将可修复性失效推广到两类失效,还考虑了预防性修理。研究了单部件系统、两部件系统和串联(并联)系统,利用更新过程理论建立了以下五种可修理模型,并给出了最优维修策略。1.建立了有预防性修理的单部件系统。当系统工作到时刻T,系统被预防性的修理。当系统失效后,系统被失效修理。部件预防性修理时间和失效后的修理时间是扩展的几何过程,基于部件的失效次数N和预防性修理时间阈值T,推导系统的平均成本率函数C(T,N)。理论上证明了使平均成本率函数取最小的最优二元替换策略的存在唯一性。数值例子验证了理论分析,并对系统的参数做了敏感性分析。2.有修理工的单部件系统。部件工作时修理工完成其它工作增加系统的收益。部件的工作时间和修理时间是扩展的几何过程。分别推导了系统在发生第Ⅰ类失效和发生两类失效(第Ⅰ类和第Ⅱ类)时系统的平均成本率函数,研究了系统的最优替换策略,对参数做了敏感性分析。3.提出了一个新的两部件系统修理模型,该系统具有两种故障类型(第Ⅰ类和第Ⅱ类)。部件2有随机失效,系统在第Ⅰ类故障后进行维修。系统在第N次第Ⅰ类故障或部件2总累积损伤水平超过Z但是小于l时进行预防性更换,在首次第Ⅱ类故障或部件2累积损伤水平超过l时进行纠正性更换。用扩展的几何过程描述连续的工作时间和修理时间。当系统工作时,修理工有多个休假。分析了系统的平均成本率函数,设计了一种求解最优替换策略的交替优化算法,并对参数进行了敏感性分析。4.两部件的冷贮备系统。部件1的工作时间是递减的几何过程,修理时间是常数。部件2的失效次数是广义的Polya过程,部件2失效后依广义的Polya过程修理。部件1有优先使用权。基于部件1的失效次数,推导了系统的平均成本率函数。理论上证明了最优替换策略的存在唯一性。分析了系统参数的敏感性。5.研究了串联(并联)系统扩展的预防性替换模型。串联(并联)系统有两类失效(第Ⅰ类和第Ⅱ类)。当发生第Ⅰ类失效后被最小修理,当发生第Ⅱ类失效后系统被替换。串联(并联)系统在时刻T或随机工作时间处被预防性替换,在第Ⅱ类失效后被纠正性替换。研究了串联(并联)系统的先预防性替换模型和后预防性替换模型。分别得到了这两种情况下串联(并联)系统的平均成本率函数。最小化系统的平均成本率函数理论上得到了系统的最优替换时间。数值实例例证了我们的理论结果。
二、设备维修与更新的最优策略(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、设备维修与更新的最优策略(论文提纲范文)
(1)基于延迟时间理论的单部件系统维修与备件库存联合决策研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
1 引言 |
1.1 研究背景与研究意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 研究内容与研究方法 |
1.2.1 研究内容 |
1.2.2 研究方法 |
1.3 论文框架 |
1.4 主要创新点 |
2 理论基础和文献综述 |
2.1 理论基础 |
2.1.1 设备维修决策理论基础 |
2.1.2 备件库存管理理论基础 |
2.1.3 延迟时间理论基础 |
2.2 设备维修决策研究综述 |
2.2.1 单部件系统维修决策研究综述 |
2.2.2 多部件系统维修决策研究综述 |
2.3 设备维修与备件库存联合决策研究综述 |
2.3.1 单部件系统维修与备件库存联合决策研究综述 |
2.3.2 多部件系统维修与备件库存联合决策研究综述 |
2.4 本章小结 |
3 考虑不完美检测的两阶段点检与备件订购联合决策 |
3.1 问题描述与符号说明 |
3.1.1 问题描述 |
3.1.2 符号说明 |
3.2 模型构建 |
3.2.1 更新过程模型 |
3.2.2 联合决策模型 |
3.3 算例分析 |
3.3.1 参数设置 |
3.3.2 ABC算法 |
3.3.3 结果分析 |
3.4 本章小结 |
4 考虑不完美维修的两阶段点检与备件订购联合决策 |
4.1 问题描述与符号说明 |
4.1.1 问题描述 |
4.1.2 符号说明 |
4.2 模型构建 |
4.2.1 更新过程模型 |
4.2.2 联合决策模型 |
4.3 算例分析 |
4.3.1 参数设置 |
4.3.2 枚举优化算法 |
4.3.3 结果分析 |
4.4 本章小结 |
5 考虑缺陷品损失的设备检测、维修与备件订购联合决策 |
5.1 问题描述与符号说明 |
5.1.1 问题描述 |
5.1.2 符号说明 |
5.2 模型构建 |
5.2.1 更新过程模型 |
5.2.2 联合决策模型 |
5.3 仿真算法和特殊模型 |
5.3.1 仿真算法 |
5.3.2 特殊模型 |
5.4 算例分析 |
5.4.1 参数设置 |
5.4.2 结果分析 |
5.5 本章小结 |
6 考虑不完美维修的检测周期多目标决策 |
6.1 问题描述与符号说明 |
6.2 多目标决策模型建立 |
6.2.1 属性的确定及规范化 |
6.2.2 效用函数的确定 |
6.2.3 属性权重的确定 |
6.2.4 多目标决策模型的确定 |
6.3 算例分析 |
6.3.1 属性门限值敏感性分析 |
6.3.2 属性权重系数敏感性分析 |
6.4 本章小结 |
7 结论与展望 |
7.1 研究结论 |
7.2 研究展望 |
参考文献 |
作者简历及在学研究成果 |
学位论文数据集 |
(2)考虑认知不确定性的风力发电机可靠性分析与维护决策研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 研究现状 |
1.2.1 风力发电技术 |
1.2.2 多状态可靠性理论 |
1.2.3 视情维护策略 |
1.3 本文主要研究内容 |
1.4 本文主要结构 |
第二章 风力发电机可靠性分析与维护决策基础理论 |
2.1 故障模式、影响及危害性分析 |
2.1.1 FMECA方法概述 |
2.1.2 FMECA方法分析步骤 |
2.1.3 FMECA方法的技术要点 |
2.2 通用生成函数方法 |
2.2.1 多状态可靠性理论基础 |
2.2.2 通用生成函数 |
2.3 模糊理论 |
2.3.1 模糊集的基本概念 |
2.3.2 隶属度函数的确定 |
2.3.3 三角模糊数 |
2.3.4 扩展原理 |
2.4 马尔可夫决策过程概述 |
2.4.1 马尔可夫过程 |
2.4.2 马尔可夫决策过程 |
2.4.3 Bellman方程 |
2.5 本章小结 |
第三章 风力发电机主传动系统FMECA |
3.1 兆瓦级风力发电机功能结构 |
3.2 主传动系统功能结构分析 |
3.2.1 主轴系统结构功能分析 |
3.2.2 齿轮箱系统结构功能分析 |
3.2.3 联轴器系统结构功能分析 |
3.3 主传动系统FMECA分析的相关定义 |
3.3.1 主传动系统约定层次与可靠性框图 |
3.3.2 主传动系统假设条件、故障判据和系统编码 |
3.4 主轴系统FMECA |
3.4.1 主轴系统FMECA分析的相关定义 |
3.4.2 主轴系统失效分析 |
3.5 齿轮箱系统FMECA |
3.5.1 齿轮箱系统FMECA的相关定义 |
3.5.2 齿轮箱系统失效分析 |
3.6 联轴器系统FMECA |
3.6.1 联轴器系统FMECA的相关定义 |
3.6.2 联轴器系统失效分析 |
3.7 主传动系统薄弱环节 |
3.8 本章小结 |
第四章 基于模糊通用生成函数的风力发电机可靠性评估 |
4.1 模糊通用生成函数 |
4.1.1 模糊通用生成函数定义 |
4.1.2 基于模糊通用生成函数的系统可靠性评估 |
4.2 兆瓦级风力发电机系统各单元的状态定义 |
4.3 兆瓦级风力发电机系统结构函数 |
4.4 兆瓦级风力发电机系统可靠性评估实例 |
4.4.1 参数设置 |
4.4.2 计算结果 |
4.5 本章小结 |
第五章 考虑认知不确定性的风力发电机维护决策优化 |
5.1 基于马尔可夫决策过程的维护决策优化 |
5.1.1 多状态系统退化过程建模 |
5.1.2 多状态系统维护决策建模 |
5.2 模糊马尔可夫决策过程 |
5.2.1 模糊马尔可夫决策过程定义 |
5.2.2 模糊马尔可夫决策过程求解 |
5.3 基于模糊马尔可夫决策过程的风力发电机维护决策优化 |
5.3.1 模型建立 |
5.3.2 模型求解 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 工作展望 |
致谢 |
参考文献 |
附录 |
攻读硕士学位期间参加的科研项目与取得的成果 |
(3)基于状态的预防性替换和备件订购联合优化(论文提纲范文)
1 引言 |
2 问题描述 |
3 预防性替换和备件订购联合决策 |
3.1 基于马尔科夫决策过程的联合策略 |
3.1.1 状态 |
3.1.2 动作 |
3.1.3 期望成本 |
3.1.4 状态转移 |
3.2 值迭代算法 |
3.3 最优检测间隔 |
4 基于维纳过程的部件寿命和状态预测 |
5 数值分析 |
5.1 基本算例 |
5.2 敏感性分析 |
6 结论 |
(4)地铁列车信号系统关键设备可靠性分析及维保策略优化(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 引言 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 信号系统可靠性研究现状 |
1.2.2 信号系统维修策略研究现状 |
1.3 本文研究内容及章节安排 |
2 地铁信号系统服役能力数据分析与可视化 |
2.1 地铁信号系统概述 |
2.1.1 列车运行自动控制系统 |
2.1.2 车载信号设备 |
2.1.3 轨旁信号设备 |
2.2 信号系统故障数据统计分析 |
2.2.1 大数据分析流程 |
2.2.2 A线路信号系统故障数据分析 |
2.2.3 B线路信号系统故障数据分析 |
2.2.4 C线路信号系统故障数据分析 |
2.3 本章小结 |
3 车载信号系统可靠性评估 |
3.1 故障模式影响及危害度分析概述 |
3.2 车载ATP/ATO系统FMECA分析 |
3.2.1 故障等级划分 |
3.2.2 模式故障率m的计算 |
3.2.3 严酷度和故障影响概率 |
3.2.4 故障模式危害度 |
3.2.5 危害度矩阵输出与FMECA建表 |
3.3 可靠性特征量估计值的计算 |
3.4 本章小结 |
4 地铁车载信号系统可靠性分析 |
4.1 故障树分析概述 |
4.1.1 基本概念和分析流程 |
4.1.2 定性分析 |
4.1.3 定量分析 |
4.2 故障树案例分析 |
4.2.1 A型车故障树分析 |
4.2.2 B型车故障树分析 |
4.2.3 C型车故障树分析 |
4.3 车载信号系统贝叶斯网络分析 |
4.3.1 贝叶斯理论基础 |
4.3.2 贝叶斯网络推理和学习 |
4.3.3 基于故障树的贝叶斯网络分析 |
4.3.4 车载信号系统贝叶斯网路推理 |
4.4 本章小结 |
5 地面信号系统可靠性分析 |
5.1 地面信号系统大数据分析 |
5.2 地面信号系统故障树分析 |
5.3 蒙特卡洛方法分析地面信号系统可靠度 |
5.3.1 蒙特卡洛方法概述 |
5.3.2 蒙特卡洛模拟步骤 |
5.3.3 故障树-蒙特卡洛模拟方法 |
5.4 列车信号系统可靠性指标计算 |
5.5 本章小结 |
6 信号系统维保策略建模优化 |
6.1 信号设备维修现状及分析软件简介 |
6.1.1 信号系统维修章程 |
6.1.2 本文所用分析软件简介 |
6.2 CBM模型搭建 |
6.2.1 比例风险模型 |
6.2.2 转移概率模型 |
6.2.3 失效时间的条件分布 |
6.2.4 成本决策模型 |
6.3 案例分析 |
6.3.1 数据转换和预处理 |
6.3.2 建模优化 |
6.4 本章小结 |
7 结论 |
7.1 工作总结 |
7.2 创新点 |
7.3 未来展望 |
参考文献 |
附录A 地铁列车信号系统运营维保及管理框架总结 |
作者简历及攻读硕士学位期间取得的研究成果 |
学位论文数据集 |
(5)多单元并行系统维修策略与维修资源配置的联合优化(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 设备可靠性建模理论与方法的研究现状 |
1.2.2 预防性维修策略的建模与优化的研究现状 |
1.2.3 考虑冷贮备的多单元维修策略的研究现状 |
1.2.4 多单元并行系统维修策略与维修资源配置联合优化的研究现状 |
1.3 存在的问题 |
1.4 课题研究的目的 |
1.5 各章节内容 |
第2章 预备知识 |
2.1 泊松过程 |
2.1.1 齐次泊松过程 |
2.1.2 非齐次泊松过程 |
2.2 更新过程与更新报酬过程 |
2.2.1 更新过程 |
2.2.2 更新报酬过程 |
2.3 几何过程 |
2.3.1 几何过程 |
2.3.2 拓展几何过程 |
2.4 本章小结 |
第3章 两单元并行冷贮备系统维修策略优化 |
3.1 模型介绍及假设 |
3.2 维修过程建模 |
3.3 实际案例分析 |
3.4 敏感性分析 |
3.4.1 θ的敏感性 |
3.4.2 C_w的敏感性分析 |
3.4.3 C_r的敏感性分析 |
3.4.4 T_p的敏感性分析 |
3.5 本章小结 |
第4章 多单元并行系统维修策略与维修资源配置的联合优化 |
4.1 模型介绍及假设 |
4.2 维修过程建模 |
4.2.1 维修工数目M_r以及等待时间的确定 |
4.2.2 贮备单元数目M_s以及等待时间的确定 |
4.2.3 系统长期运行成本率模型 |
4.3 实际案例分析 |
4.4 数值案例分析及敏感性分析 |
4.4.1 数值案例分析 |
4.4.2 M的敏感性分析 |
4.4.3 T_p的敏感性分析 |
4.4.4 α_1与α_2的敏感性分析 |
4.5 本章小结 |
总结与展望 |
结论 |
本文创新性 |
展望 |
参考文献 |
致谢 |
附录A 攻读学位期间的研究成果 |
(6)基于深度强化学习的舰载机在线调度方法与应用研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 舰载机调度问题研究现状 |
1.2.2 强化学习算法研究现状 |
1.3 主要研究内容 |
1.4 技术路线 |
1.5 论文结构 |
第2章 舰载机出动回收多目标在线调度模型 |
2.1 环境模型构建 |
2.1.1 舰载机甲板环境建模 |
2.1.2 舰载机出动回收过程 |
2.2 马尔可夫决策过程 |
2.2.1 环境和智能体 |
2.2.2 状态集 |
2.2.3 动作集 |
2.2.4 状态转移 |
2.2.5 奖赏函数 |
2.3 舰载机持续出动回收在线调度模型构建 |
2.3.1 不确定性因素及调度目标构建 |
2.3.2 持续出动回收的在线调度机制设计 |
2.4 本章小结 |
第3章 基于深度强化学习的舰载机出动回收调度算法 |
3.1 深度强化学习 |
3.1.1 强化学习 |
3.1.2 深度学习 |
3.1.3 深度强化学习 |
3.2 DQN算法优化及训练过程 |
3.2.1 Double-DQN算法 |
3.2.2 动作选择优化 |
3.2.3 神经网络收敛速度优化 |
3.2.4 算法详细设计 |
3.3 算法验证实验 |
3.3.1 实验环境及参数设置 |
3.3.2 实验结果分析与讨论 |
3.4 本章小结 |
第4章 基于深度递归Q学习的调度算法优化 |
4.1 深度递归Q学习算法 |
4.1.1 部分可观测马尔可夫决策过程 |
4.1.2 递归神经网络 |
4.1.3 深度递归Q学习 |
4.2 注意力机制设计 |
4.2.1 注意力机制 |
4.2.2 基于注意力机制的DRQN |
4.3 优先经验回放机制设计 |
4.3.1 优先经验回放 |
4.3.2 基于求和树的优先经验回放方法 |
4.3.3 基于优先经验回放的DRQN |
4.4 算法验证实验 |
4.4.1 实验设计及超参数设置 |
4.4.2 实验结果分析与讨论 |
4.5 本章小结 |
第5章 舰载机持续出动回收在线调度系统设计与实现 |
5.1 系统需求 |
5.1.1 需求概述 |
5.1.2 运行环境需求 |
5.1.3 具体功能需求 |
5.2 系统软件架构设计 |
5.2.1 接口设计 |
5.2.2 功能模块详细设计 |
5.2.3 数据库设计 |
5.3 主要界面 |
5.4 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间所发表的学术论文 |
致谢 |
(7)基于数据挖掘的信息化设施维护定额问题研究及系统实现(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状及存在的问题 |
1.3 研究内容与章节安排 |
1.4 本章小结 |
第2章 系统关键技术介绍 |
2.1 数据挖掘及相关理论 |
2.1.1 数据挖掘概述 |
2.1.2 数据挖掘的过程 |
2.1.3 数据挖掘的主要方向 |
2.2 聚类 |
2.2.1 聚类分析的主要方法 |
2.2.2 层次聚类方法简介 |
2.3 判别分析 |
2.3.1 判别分析概述 |
2.3.2 判别分析的常用方法 |
2.4 最短路径 |
2.4.1 最短路径概述 |
2.4.2 狄克斯特拉(Dijkstra)算法 |
2.4.3 弗洛伊德(Floyd)算法 |
2.5 本章小结 |
第3章 基于数据挖掘的信息化设施维护定额统计分析 |
3.1 维护定额统计问题的提出 |
3.2 基于凝聚层次聚类的设备保外系数年限划分和保外系数确定 |
3.2.1 提高信息化设施维护定额预测的准确性 |
3.2.2 设备保外系数年限划分和保外系数确定研究的内容 |
3.2.3 基于凝聚层次聚类的设备保外系数年限划分和保外系数确定方法 |
3.2.4 实验和结果分析 |
3.3 基于判别分析的设备维护风险的判定 |
3.3.1 提前预判设备维护风险 |
3.3.2 设备维护风险研究的内容 |
3.3.3 基于判别分析的设备维护风险判定方法 |
3.3.4 实验和结果分析 |
3.4 本章小结 |
第4章 基于最短路径的信息化设施更新策略分析 |
4.1 优化设施更新策略,降低总成本 |
4.2 信息化设施更新策略研究的内容 |
4.3 基于最短路径的信息化设施更新策略的方法 |
4.3.1 整体设计 |
4.3.2 建立问题模型并转化为数学问题 |
4.3.3 求解数学问题——最短路径 |
4.3.4 还原问题模型 |
4.4 实验和结果分析 |
4.5 本章小结 |
第5章 建立健全信息化设施运行维护定额标准 |
5.1 概述 |
5.2 设备、软件分类 |
5.2.1 分类原则 |
5.2.2 分类方法 |
5.3 运行维护对象分类 |
5.3.1 基础设施 |
5.3.2 硬件平台 |
5.3.3 软件产品 |
5.3.4 专用系统维护 |
5.4 编号 |
5.4.1 编号格式 |
5.4.2 分类编号示例 |
5.5 信息化设施分类汇编 |
5.5.1 汇总分类(1-3 级) |
5.5.2 产品明细分类(4 级) |
5.6 交通行业信息化设施维护定额计算方法 |
5.6.1 定额计算方法 |
5.6.2 交通信息化设施维护定额的计算 |
5.7 本章小结 |
第6章 维护定额管理系统的设计和实现 |
6.1 背景介绍 |
6.2 系统可行性分析 |
6.3 定额系统需求分析 |
6.4 定额系统流程分析 |
6.5 定额系统模块设计 |
6.6 定额系统数据库设计 |
6.7 系统开发环境 |
6.8 定额管理系统实现 |
6.8.1 系统登录 |
6.8.2 基础设施、硬件平台、软件产品、专用系统模块 |
6.8.3 定额查询模块 |
6.8.4 统计分析模块 |
6.8.5 资产管理模块 |
6.8.6 系统管理模块 |
6.9 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表的论文和获得的科研成果 |
致谢 |
(8)基于强化学习的风电机组部件状态维修决策研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 选题背景及意义 |
1.2 国内外研究现状 |
1.2.1 风电机组运维技术的发展 |
1.2.2 马尔可夫决策的发展现状 |
1.2.3 强化学习的发展现状 |
1.3 本文研究内容 |
第2章 风电机组结构及马尔可夫理论介绍 |
2.1 引言 |
2.2 风电机组结构简介 |
2.3 维修模型介绍 |
2.4 马尔可夫决策过程 |
2.5 半马尔可夫决策过程 |
2.6 故障数据统计 |
2.7 本章小结 |
第3章 风电机组部件状态维修决策模型的构建 |
3.1 引言 |
3.2 部件劣化模型构建 |
3.2.1 部件的状态定义 |
3.2.2 部件的故障定义 |
3.2.3 部件的状态转移过程描述 |
3.2.4 部件的维修措施 |
3.3 维修决策模型目标函数构建 |
3.4 部件的威布尔分布模型 |
3.4.1 威布尔分布理论 |
3.4.2 部件的形状和尺度参数求解 |
3.4.3 部件可靠度和失效率求解 |
3.5 部件单次维修成本的函数构建 |
3.6 风轮系统中变桨滑环的单次维修成本计算 |
3.7 本章小结 |
第4章 基于动态规划的风电机组部件最优维修决策 |
4.1 引言 |
4.2 动态规划算法介绍 |
4.3 发电机系统集电环的状态维修决策 |
4.3.1 部件分析计算 |
4.3.2 定周期检测 |
4.3.3 非定周期检测 |
4.4 风轮系统变桨滑环的状态维修决策 |
4.4.1 部件分析计算 |
4.4.2 定周期检测 |
4.4.3 非定周期检测 |
4.5 本章小结 |
第5章 基于强化学习的风电机组部件最优维修决策 |
5.1 引言 |
5.2 部分可观的维修决策模型 |
5.3 强化学习理论 |
5.4 算法介绍 |
5.4.1 SARSA算法 |
5.4.2 Q-learning算法 |
5.5 风电机组发电机的状态维修 |
5.5.1 部件分析计算 |
5.5.2 定周期检测 |
5.5.3 非定周期检测 |
5.6 本章小结 |
第6章 总结与展望 |
6.1 结论 |
6.2 展望 |
致谢 |
参考文献 |
(9)基于成本控制的设备租赁双方决策问题研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 研究意义 |
1.3 研究内容 |
1.4 研究创新点 |
1.5 研究方法及框架 |
1.5.1 研究方法 |
1.5.2 研究框架 |
第二章 国内外研究现状与相关理论基础 |
2.1 国内外研究现状 |
2.1.1 设备成本分析和组合评价研究现状 |
2.1.2 预防性维修策略研究现状 |
2.1.3 合同柔性研究现状 |
2.1.4 研究现状小结 |
2.2 相关理论基础 |
2.2.1 设备租赁相关理论 |
2.2.2 可靠性相关理论 |
2.2.3 租赁合同相关理论 |
2.3 本章小结 |
第三章 承租方视角下设备成本分析和出租方评价选择研究 |
3.1 承租方自购设备和租赁设备的成本建模 |
3.1.1 符号说明 |
3.1.2 自购设备成本建模 |
3.1.3 租赁设备成本建模 |
3.2 设备出租方评价体系构建与方法分析 |
3.2.1 出租方评价指标构建 |
3.2.2 出租方评价方法 |
3.3 算例分析 |
3.4 本章小结 |
第四章 出租方视角下租赁设备预防性维护策略研究 |
4.1 建模基础 |
4.1.1 符号说明 |
4.1.2 问题描述和假设 |
4.2 基本模型 |
4.2.1 预防性维护可靠度和故障率建模 |
4.2.2 惩罚成本建模 |
4.2.3 预防性维护成本建模 |
4.2.4 租赁设备的预防性维护目标函数建模 |
4.3 算例分析 |
4.4 本章小结 |
第五章 租赁双方视角下设备租赁合同设计研究 |
5.1 设备租赁期间不确定因素分析 |
5.2 设备租赁合同的刚柔性机制设计 |
5.2.1 刚柔性机制下租赁合同的作用方式 |
5.2.2 设备租赁合同刚性条款的设计 |
5.2.3 设备租赁合同柔性条款的设计 |
5.3 设备租赁合同柔性条款设计案例 |
5.4 本章小结 |
第六章 设备租赁双方成本控制的对策建议 |
6.1 承租方设备使用成本控制的对策建议 |
6.2 出租方维护成本控制的对策建议 |
6.3 租赁双方风险成本控制的对策建议 |
第七章 总结与展望 |
7.1 研究总结 |
7.2 研究展望 |
参考文献 |
攻读硕士学位期间发表的学术论文及取得的相关科研成果 |
致谢 |
(10)几类可修系统的最优维修策略研究(论文提纲范文)
摘要 |
ABSTRACT |
缩略语对照表 |
第一章 绪论 |
1.1 研究背景、研究目的与意义 |
1.2 维修理论的国内外研究现状 |
1.2.1 单部件系统 |
1.2.2 两部件系统 |
1.2.3 多部件系统 |
1.3 本文的研究内容与结构安排 |
1.4 研究的理论基础 |
1.4.1 常见的几个分布 |
1.4.2 扩展的几何过程、更新回报定理、广义的Polya过程 |
1.4.3 经典的维修模型 |
1.5 论文的创新点 |
第二章 可预防性维修下的单部件系统 |
2.1 模型假设 |
2.2 (T,N)策略下系统的平均成本率函数 |
2.3 最优替换策略(T*,N*)的求解 |
2.4 数值算例 |
2.4.1 最优替换策略 |
2.4.2 模型对比 |
2.4.3 系统参数的敏感性分析 |
2.5 本章小结 |
第三章 修理工有假期的单部件系统 |
3.1 模型假设 |
3.2 策略N下系统的平均成本率函数 |
3.3 模型推广 |
3.3.1 有两类失效的单部件系统的研究背景 |
3.3.2 模型假设和成本率函数 |
3.3.3 最优替换策略的求解 |
3.4 数值算例 |
3.4.1 模型比较 |
3.4.2 最优替换策略和参数的敏感性分析 |
3.5 本章小结 |
第四章 有累积损伤的两部件系统 |
4.1 模型假设 |
4.2 模型分析 |
4.2.1 (N,Z)策略下系统的成本率函数 |
4.2.2 特殊例子 |
4.3 最优替换策略(N*,Z*)的求解算法 |
4.4 数值算例 |
4.5 本章小结 |
第五章 两部件冷储备系统 |
5.1 研究背景和实例 |
5.2 模型假设 |
5.3 成本率函数和最优的替换策略N* |
5.3.1 系统的成本率函数 |
5.3.2 最优替换策略N*的求解 |
5.4 数值实验 |
5.5 本章小结 |
第六章 串联系统和并联系统的扩展的年龄替换模型 |
6.1 研究背景 |
6.2 先预防性替换模型 |
6.2.1 串联系统 |
6.2.2 并联系统 |
6.3 后预防性替换模型 |
6.3.1 串联系统 |
6.3.2 并联系统 |
6.3.3 串联系统和并联系统的失效率函数 |
6.4 数值实验 |
6.5 本章小结 |
第七章 总结与展望 |
7.1 总结 |
7.2 展望 |
第八章 附录 |
参考文献 |
致谢 |
作者简介 |
四、设备维修与更新的最优策略(论文参考文献)
- [1]基于延迟时间理论的单部件系统维修与备件库存联合决策研究[D]. 韩梦莹. 北京科技大学, 2021(08)
- [2]考虑认知不确定性的风力发电机可靠性分析与维护决策研究[D]. 黄土地. 电子科技大学, 2021
- [3]基于状态的预防性替换和备件订购联合优化[J]. 林杰,叶鸿庆,郑美妹,夏唐斌. 工业工程与管理, 2021
- [4]地铁列车信号系统关键设备可靠性分析及维保策略优化[D]. 潘潼. 北京交通大学, 2020(03)
- [5]多单元并行系统维修策略与维修资源配置的联合优化[D]. 杨天枢. 兰州理工大学, 2020(12)
- [6]基于深度强化学习的舰载机在线调度方法与应用研究[D]. 于彤彤. 北京工业大学, 2020(06)
- [7]基于数据挖掘的信息化设施维护定额问题研究及系统实现[D]. 张娜. 沈阳理工大学, 2020(08)
- [8]基于强化学习的风电机组部件状态维修决策研究[D]. 胡猛进. 华北电力大学(北京), 2020(06)
- [9]基于成本控制的设备租赁双方决策问题研究[D]. 刘莹. 上海工程技术大学, 2020(05)
- [10]几类可修系统的最优维修策略研究[D]. 王俊元. 西安电子科技大学, 2020(05)