在設(shè)備管理中，通過對設(shè)備運行狀態(tài)指標發(fā)展趨勢的預(yù)測，可以合理地安排設(shè)備的維修時間，避免大故障發(fā)生，降低維修費用，保證生產(chǎn)安全。設(shè)備故障類型和維修時間的預(yù)測一直是一個難題。事后維修和定期維修難以達到現(xiàn)代化生產(chǎn)對設(shè)備維修管理的要求。在此情形下，具有決策功能的預(yù)測維修越來越引起人們的重視。預(yù)測維修是根據(jù)設(shè)備的日常點檢記錄、狀態(tài)監(jiān)測和診斷信息，運用數(shù)據(jù)分析方法，綜合專家知識，分析設(shè)備的劣化程度，故障隱患的發(fā)展趨向，確定維修類別、部位及時間，在故障發(fā)生前有計劃地進行適當(dāng)?shù)木S修。預(yù)測維修的難點在于預(yù)測方法的選擇。目前，經(jīng)濟大修模型和模糊聚類法已應(yīng)用于預(yù)測維修，但經(jīng)濟大修模型是以設(shè)備大修的次數(shù)為界限來確定設(shè)備經(jīng)濟壽命，是一種傳統(tǒng)的設(shè)備預(yù)測維修方法。模糊聚類分析法較傳統(tǒng)方法有了較大改進，但在智能化方面顯得不足，不具備良好的自學(xué)習(xí)、自適應(yīng)能力?；贐P神經(jīng)網(wǎng)絡(luò)的設(shè)備預(yù)測維修方法，BP神經(jīng)網(wǎng)絡(luò)具有良好的自學(xué)習(xí)性、智能性和準確性。
　　
　　一、BP學(xué)習(xí)算法
　　
　　由于BP神經(jīng)網(wǎng)絡(luò)（Back-Propagation Neural Network）具有非線性、魯棒性和并行性等突出的特點，適用于解決非線性的復(fù)雜系統(tǒng)問題。BP神經(jīng)網(wǎng)絡(luò)有一個比較實用和有效的訓(xùn)練方法，為工程應(yīng)用創(chuàng)造了條件。BP神經(jīng)網(wǎng)絡(luò)是一個多層網(wǎng)絡(luò)，圖1是一個具有三層神經(jīng)元結(jié)構(gòu)的BP網(wǎng)絡(luò)，最左層稱為輸入層，中間層稱為隱含層，最右層稱為輸出層。
　　輸入層與隱層間權(quán)值為wki，閾值為bk，隱層與輸出層間權(quán)值為wjk，閥值為bj。隱層和輸出層的輸出分別為：
　　
　　q為輸出層神經(jīng)元個數(shù)，Tpj為期望輸出。
　　BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法如下：1、構(gòu)造學(xué)習(xí)訓(xùn)練模式。對P和T給出輸入、輸出樣本；2、網(wǎng)絡(luò)狀態(tài)初始化。用隨機化方法將兩個權(quán)重矩陣wki、wjk兩個偏差矩陣bk、bj設(shè)置初始值；3、將P的值送到輸入層神經(jīng)元，通過連接權(quán)重矩陣ωki送到隱含層神經(jīng)元，按公式（1）計算隱含層神經(jīng)元輸出值；4、按公式（2）計算輸出層神經(jīng)元的輸出值；5、按公式（3）計算輸出層神經(jīng)元的一般化誤差；6、調(diào)整隱含層到輸出層的連接權(quán)重：Δwjk=ηejopk，η是學(xué)習(xí)率；7、調(diào)整輸入層到隱含層的連接權(quán)重：Δwki=ηekopi神經(jīng)元的誤差等于所有與該神經(jīng)元相連的神經(jīng)元的輸出端誤差乘以對應(yīng)的權(quán)值并求和；8、調(diào)整輸出層神經(jīng)元的偏差：Δbj=ηej；9、調(diào)整隱含層神經(jīng)元的偏差：Δbi=ηek；10、重復(fù)第3步至第9步的內(nèi)容，誤差ej（j=1，2，…，q）變得足夠小為止。
　　為了減少迭代次數(shù)，加快收斂，常采取學(xué)習(xí)率的自適應(yīng)調(diào)整、增加權(quán)重動量項及初始權(quán)值與偏差值隨機化的組合方法。如果將遺傳算法與BP神經(jīng)網(wǎng)絡(luò)結(jié)合起來，得到一種混合算法。此算法首先用遺傳算法對神經(jīng)網(wǎng)絡(luò)的參數(shù)進行優(yōu)化，得到一個權(quán)值范圍，再用BP算法在這個小空間范圍內(nèi)搜索出最優(yōu)解。用遺傳算法修正網(wǎng)絡(luò)參數(shù)，代替了直接用梯度法求網(wǎng)絡(luò)參數(shù)的方法，提高了算法的搜索效率。遺傳算法不僅能對網(wǎng)絡(luò)參數(shù)進行優(yōu)化，還能對網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)輸出進行優(yōu)化。
　　
　　二、設(shè)備預(yù)測維修
　　
　　1、預(yù)測維修流程。預(yù)測維修以量化點檢為基礎(chǔ)，利用設(shè)備狀態(tài)監(jiān)測等數(shù)據(jù)，充分考慮專家知識，選擇BP神經(jīng)網(wǎng)絡(luò)算法，選取大量的維修樣本對系統(tǒng)進行訓(xùn)練，使其掌握從已知設(shè)備狀態(tài)參數(shù)來確定維修策略的知識，據(jù)此對未來設(shè)備狀態(tài)和故障發(fā)生時間等進行預(yù)測。維修流程如圖2所示。
　　2、時間序列預(yù)測。時間序列預(yù)測是根據(jù)過去的一組觀測值序列，找出符合發(fā)生故障的變化函數(shù)。然而，由于受到多種因素的影響，系統(tǒng)的發(fā)展變化是高度非線性的，很難直接找到描述設(shè)備故障規(guī)律的函數(shù)。BP神經(jīng)網(wǎng)絡(luò)具有高度自學(xué)習(xí)能力，可以任意逼近非線性函數(shù)，因此，BP神經(jīng)網(wǎng)絡(luò)適合模擬復(fù)雜的非線性系統(tǒng)。
　　假設(shè)某個時間序列為{xn}，則預(yù)測可用下式表示：
　　xn+k=f（x1，x2，…，xn）
　　用BP神經(jīng)網(wǎng)絡(luò)擬合函數(shù)f，網(wǎng)絡(luò)有x1，x2，…，xm個輸入和一個輸出。將發(fā)生故障的觀測時間值序列化得到一組輸入樣本：
　　x=[x1，x2，…，xm]T=[序列1，序