[發(fā)明專利]一種長期貯存復(fù)雜裝備的質(zhì)量狀態(tài)評(píng)估方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710991721.7
• 申請(qǐng)日: 2017-10-17
• 公開（公告）號(hào): CN107656906A
• 公開（公告）日: 2018-02-02
• 發(fā)明（設(shè)計(jì)）人: 馬敬偉;朱敏;高彥平;王麗婷;李海燕;趙大磊;李彪;郭明;黃桂;謝鑫
• 申請(qǐng)（專利權(quán)）人: 中國人民解放軍海軍工程大學(xué)
• 主分類號(hào): G06F17/18
• 分類號(hào): G06F17/18;G06K9/62
• 代理公司: 北京路浩知識(shí)產(chǎn)權(quán)代理有限公司11002
• 代理人: 王瑩,吳歡燕

技術(shù)領(lǐng)域

本發(fā)明涉及一種質(zhì)量狀態(tài)評(píng)估方法，更具體的說涉及一種長期貯存復(fù)雜裝備質(zhì)量狀態(tài)評(píng)估方法。

背景技術(shù)

長期貯存復(fù)雜裝備質(zhì)量狀態(tài)監(jiān)控的任務(wù)是通過采集相關(guān)信息，對(duì)質(zhì)量進(jìn)行分析，從而掌握裝備的數(shù)、質(zhì)量變化，探索質(zhì)量變化規(guī)律，找出影響質(zhì)量的主要因素。就單套復(fù)雜裝備武器系統(tǒng)來說，每個(gè)單元都需要進(jìn)行外觀檢查、性能檢測、使用程度檢查、大中修次數(shù)檢查和服役經(jīng)歷檢查，每次需要檢測的項(xiàng)目多達(dá)200余項(xiàng)，且檢測指標(biāo)更加繁雜。這導(dǎo)致裝備備品備件、耗材消耗量大，技術(shù)保障人員工作負(fù)擔(dān)重，更重要的是質(zhì)量狀態(tài)檢測占用大量的時(shí)間，影響了戰(zhàn)備反應(yīng)時(shí)間。因此，目前長期貯存復(fù)雜裝備質(zhì)量評(píng)估無法做到實(shí)時(shí)開展，絕大部分都是定期檢查。在這種情況下，將難以實(shí)時(shí)掌握復(fù)雜裝備質(zhì)量狀況，嚴(yán)重的情況下將會(huì)影響裝備保障規(guī)劃。本發(fā)明提出一種長期貯存復(fù)雜裝備質(zhì)量狀態(tài)評(píng)估方法，構(gòu)建精確的小樣本空間預(yù)測模型對(duì)長期貯存復(fù)雜裝備質(zhì)量變化趨勢進(jìn)行預(yù)測擬合，根據(jù)預(yù)測情況，有針對(duì)性的采取保障決策。

發(fā)明內(nèi)容

本發(fā)明所述的一種長期貯存復(fù)雜裝備的質(zhì)量狀態(tài)評(píng)估方法包括以下三個(gè)步驟：

步驟一，建立基于支持向量機(jī)復(fù)雜裝備故障擬合模型。通過用內(nèi)積空間定義的非線性映射Ф，將輸入空間的數(shù)據(jù)映射到高維特征空間G中，并在這個(gè)空間進(jìn)行線性回歸，充分利用有限的歷史檢測數(shù)據(jù)來擬合故障趨勢。

步驟二，建立基于最小二乘支持向量機(jī)復(fù)雜裝備質(zhì)量狀態(tài)擬合模型。在步驟一的基于支持向量機(jī)復(fù)雜裝備故障擬合模型中融合最小二乘算法的基礎(chǔ)上，將最小二乘法中的二次規(guī)劃問題轉(zhuǎn)化為求解一組線性方程，通過對(duì)相空間重構(gòu)降低擬合的復(fù)雜程度，提高擬合的精確度。

步驟三，確定嵌入維數(shù)、懲罰因子和核參數(shù)，計(jì)算復(fù)雜裝備質(zhì)量狀態(tài)預(yù)測值。根據(jù)長期貯存復(fù)雜裝備檢測數(shù)據(jù)的訓(xùn)練樣本和測試樣本，確定嵌入維數(shù)m、懲罰因子C和核參數(shù)σ²，計(jì)算復(fù)雜裝備質(zhì)量狀態(tài)預(yù)測值。

三個(gè)步驟之間的關(guān)系如附圖1所示。

一、建立基于支持向量機(jī)復(fù)雜裝備故障擬合模型

采用下式來估計(jì)回歸函數(shù)：

式中，為輸入空間數(shù)據(jù)向量，為內(nèi)積空間定義的非線性映射，G為映射的高維特征空間，ω為對(duì)的調(diào)制向量，b為誤差。

目標(biāo)是尋找合適的ω，b。此時(shí)，回歸估計(jì)問題就可以定義為對(duì)一個(gè)損失函數(shù)進(jìn)行風(fēng)險(xiǎn)最小化的問題：

式中，S為樣本容量，Γ(·)為是損失函數(shù)，C為懲罰因子，y_i為第i個(gè)輸入數(shù)據(jù)的輸出向量。

矢量ω為：

式中，a_i為對(duì)應(yīng)于映射空間的特征系數(shù)，為對(duì)應(yīng)于映射空間的理想特征系數(shù)。

由于線性ε不敏感損失函數(shù)具有較好的稀疏特性，可保證得到的結(jié)果有較好的泛化能力，因此，選取損失函數(shù)為：

則式(2)轉(zhuǎn)化為求解：

0≤a_i≤C；

0≤a_i^*≤C；

式(5)中，C為懲罰因子。

求解上述凸二次規(guī)劃問題，可得到估計(jì)的回歸函數(shù)為：

式中，為第i個(gè)輸入數(shù)據(jù)向量和第j個(gè)輸入數(shù)據(jù)向量在映射空間的內(nèi)積。

通過訓(xùn)練樣本獲得合適的a_i，和b，就可以利用式(6)對(duì)歷史檢測數(shù)據(jù)進(jìn)行故障狀況擬合預(yù)測了。

二、建立基于最小二乘支持向量機(jī)復(fù)雜裝備質(zhì)量狀態(tài)擬合模型

對(duì)于某特征參量的訓(xùn)練樣本{x_i},i＝1,2…N，取前n個(gè)數(shù)據(jù)作為訓(xùn)練樣本，后M(M＝N-n)個(gè)數(shù)據(jù)作為測試樣本，對(duì)其進(jìn)行相空間重構(gòu)，則用于最小二乘支持向量機(jī)學(xué)習(xí)的訓(xùn)練樣本為：

根據(jù)式(6)，則對(duì)訓(xùn)練樣本可按如下的回歸函數(shù)進(jìn)行訓(xùn)練：

由于則第n+1時(shí)刻的預(yù)測值為：

以此遞推，可以得到任意時(shí)刻的復(fù)雜裝備質(zhì)量狀況預(yù)測。

三、確定嵌入維數(shù)、懲罰因子和核參數(shù)，計(jì)算復(fù)雜裝備質(zhì)量狀態(tài)預(yù)測值

1、確定嵌入維數(shù)

對(duì)輸入的歷史數(shù)據(jù)進(jìn)行處理，確定嵌入維數(shù)。嵌入維數(shù)隱含陣蘊(yùn)涵的知識(shí)量，本發(fā)明利用最終預(yù)報(bào)誤差(FPE)準(zhǔn)則，根據(jù)誤差值大小來選取嵌入維數(shù)。嵌入維數(shù)的計(jì)算公式為：

其中：