[發(fā)明專利]一種考慮監(jiān)測(cè)誤差的復(fù)雜機(jī)電系統(tǒng)健康狀態(tài)預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010932042.4
• 申請(qǐng)日: 2020-09-08
• 公開（公告）號(hào): CN112257893A
• 公開（公告）日: 2021-01-22
• 發(fā)明（設(shè)計(jì)）人: 尹曉靜;彭壽鑫;張邦成;王占禮
• 申請(qǐng)（專利權(quán)）人: 長春工業(yè)大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06F30/20;G06F17/18
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明涉及一種考慮監(jiān)測(cè)誤差的復(fù)雜機(jī)電系統(tǒng)健康狀態(tài)預(yù)測(cè)方法，屬于工程技術(shù)領(lǐng)域。該方法包括以下步驟：1.分析計(jì)算監(jiān)測(cè)數(shù)據(jù)的監(jiān)測(cè)誤差。2.計(jì)算考慮監(jiān)測(cè)誤差的屬性權(quán)重，并計(jì)算置信規(guī)則庫(belief rule base,BRB)的新的激活權(quán)重。3.根據(jù)專家知識(shí)和新的激活權(quán)重建立初始雙層BRB預(yù)測(cè)模型。4.利用投影協(xié)方差矩陣的自適應(yīng)演化策略(the adaptive evolution strategy of projection covariance matrix,P?CMA?ES)作為優(yōu)化算法，對(duì)初始參數(shù)進(jìn)行更新后得到復(fù)雜機(jī)電系統(tǒng)的健康狀態(tài)預(yù)測(cè)模型。本發(fā)明通過建立考慮了檢測(cè)數(shù)據(jù)的監(jiān)測(cè)誤差的雙層BRB健康狀態(tài)預(yù)測(cè)模型，可以提高復(fù)雜機(jī)電系統(tǒng)健康狀態(tài)預(yù)測(cè)模型的精度。

技術(shù)領(lǐng)域：

本發(fā)明涉及一種考慮監(jiān)測(cè)誤差的復(fù)雜機(jī)電系統(tǒng)健康狀態(tài)預(yù)測(cè)方法，具體是指預(yù)測(cè)考慮監(jiān)測(cè)誤差的基于雙層置信規(guī)則庫的復(fù)雜機(jī)電系統(tǒng)的健康狀態(tài)預(yù)測(cè)方法。屬于工程技術(shù)領(lǐng)域。

背景技術(shù)：

預(yù)測(cè)復(fù)雜機(jī)電系統(tǒng)的健康狀態(tài)是確保安全性，可靠性和經(jīng)濟(jì)性的重要基礎(chǔ)。合理對(duì)復(fù)雜機(jī)電系統(tǒng)進(jìn)行健康狀態(tài)預(yù)測(cè)可以實(shí)現(xiàn)最佳的維護(hù)決策，并有效減少系統(tǒng)故障所造成的人員傷亡和經(jīng)濟(jì)損失。由于復(fù)雜機(jī)電系統(tǒng)的可靠性高，故系統(tǒng)的健康狀況估計(jì)和預(yù)測(cè)的顯著特征是大量監(jiān)視數(shù)據(jù)和較差的有效數(shù)據(jù)。

目前主要有基于數(shù)據(jù)和基于定性知識(shí)的健康狀態(tài)預(yù)測(cè)方法。基于數(shù)據(jù)驅(qū)動(dòng)的智能學(xué)習(xí)模型是基于大量的觀測(cè)數(shù)據(jù)，以建立非線性模型來預(yù)測(cè)復(fù)雜機(jī)電系統(tǒng)的健康狀況。但對(duì)于大多數(shù)復(fù)雜機(jī)電系統(tǒng)，很難建立準(zhǔn)確的分析模型。由于系統(tǒng)的復(fù)雜性和耦合特性，建立準(zhǔn)確的健康預(yù)測(cè)模型以反映未來行為的動(dòng)態(tài)變化也很困難。此外，在工程實(shí)踐中考慮到少量的故障數(shù)據(jù)，很難獲得足夠的有效數(shù)據(jù)來確保使用數(shù)據(jù)驅(qū)動(dòng)方法進(jìn)行預(yù)測(cè)的準(zhǔn)確性。基于定性知識(shí)的方法可以對(duì)基于專家知識(shí)的系統(tǒng)進(jìn)行分析和建模，但由于缺乏基于定性知識(shí)的定量知識(shí)，傳統(tǒng)的專家系統(tǒng)帶來的預(yù)測(cè)結(jié)果不夠精確。

置信規(guī)則庫(belief rule base,BRB)是一種出色的建模方法，可以充分利用各種知識(shí)，包括定量知識(shí)，定性知識(shí)(例如專家經(jīng)驗(yàn))和半定量信息。BRB健康狀態(tài)預(yù)測(cè)模型可以較好的預(yù)測(cè)復(fù)雜機(jī)電系統(tǒng)的健康狀態(tài)。然而，由于外部環(huán)境干擾(噪聲，振動(dòng)等)以及傳感器跟蹤能力的下降，在實(shí)際操作環(huán)境中獲得的復(fù)雜機(jī)電系統(tǒng)的有效監(jiān)視數(shù)據(jù)中可能會(huì)出現(xiàn)錯(cuò)誤。現(xiàn)有的復(fù)雜機(jī)電系統(tǒng)健康狀態(tài)預(yù)測(cè)方法大多是在只考慮數(shù)據(jù)的客觀方面的屬性權(quán)重，沒有考慮數(shù)據(jù)主觀方面的屬性權(quán)重的情況下進(jìn)行健康狀態(tài)預(yù)測(cè)。這種復(fù)雜機(jī)電系統(tǒng)的健康狀態(tài)的預(yù)測(cè)方式雖然能夠起到對(duì)復(fù)雜機(jī)電系統(tǒng)健康狀態(tài)進(jìn)行預(yù)測(cè)的作用，但是預(yù)測(cè)精度不高。

發(fā)明內(nèi)容：

本發(fā)明的目的是提供復(fù)雜機(jī)電系統(tǒng)健康狀態(tài)預(yù)測(cè)方法，它能夠提高考慮輸入特征量監(jiān)視數(shù)據(jù)的誤差的復(fù)雜機(jī)電系統(tǒng)健康狀態(tài)預(yù)測(cè)精度。復(fù)雜機(jī)電系統(tǒng)健康狀態(tài)預(yù)測(cè)模型分為以下四個(gè)模塊：模塊一為分析監(jiān)測(cè)數(shù)據(jù)出現(xiàn)誤差的原因，計(jì)算監(jiān)測(cè)誤差；模塊二為計(jì)算考慮監(jiān)測(cè)誤差的屬性權(quán)重，并計(jì)算BRB的新的激活權(quán)重；模塊三通過專家知識(shí)和新的激活權(quán)重建立初始雙層BRB預(yù)測(cè)模型；模塊四為基于投影協(xié)方差矩陣的自適應(yīng)演化策略(theadaptive evolution strategy of projection covariance matrix,P-CMA-ES)優(yōu)化算法，對(duì)雙層BRB模型中的初始參數(shù)進(jìn)行更新。

本發(fā)明的技術(shù)方案：

模塊一為根據(jù)平均距離方法對(duì)監(jiān)測(cè)數(shù)據(jù)的監(jiān)測(cè)誤差進(jìn)行計(jì)算，具體過程如下。首先計(jì)算每個(gè)數(shù)據(jù)與其他數(shù)據(jù)之間的距離：

d_n(x_n(i)，x_n(i′))＝|x_n(i)-x_n(i′)| (1)

x_n(i)表示第n個(gè)輸入特征量中的第i個(gè)數(shù)據(jù)。

然后計(jì)算第n個(gè)輸入特征量中的第i個(gè)數(shù)據(jù)與其他數(shù)據(jù)之間的平均距離：