[發(fā)明專利]一種考慮監(jiān)測誤差的復雜機電系統(tǒng)健康狀態(tài)預測方法

在審

• 申請?zhí)枺?/td>: 202010932042.4
• 申請日: 2020-09-08
• 公開（公告）號: CN112257893A
• 公開（公告）日: 2021-01-22
• 發(fā)明（設計）人: 尹曉靜;彭壽鑫;張邦成;王占禮
• 申請（專利權）人: 長春工業(yè)大學
• 主分類號: G06Q10/04
• 分類號: 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)測誤差的復雜機電系統(tǒng)健康狀態(tài)預測方法，屬于工程技術領域。該方法包括以下步驟：1.分析計算監(jiān)測數(shù)據(jù)的監(jiān)測誤差。2.計算考慮監(jiān)測誤差的屬性權重，并計算置信規(guī)則庫(belief rule base,BRB)的新的激活權重。3.根據(jù)專家知識和新的激活權重建立初始雙層BRB預測模型。4.利用投影協(xié)方差矩陣的自適應演化策略(the adaptive evolution strategy of projection covariance matrix,P?CMA?ES)作為優(yōu)化算法，對初始參數(shù)進行更新后得到復雜機電系統(tǒng)的健康狀態(tài)預測模型。本發(fā)明通過建立考慮了檢測數(shù)據(jù)的監(jiān)測誤差的雙層BRB健康狀態(tài)預測模型，可以提高復雜機電系統(tǒng)健康狀態(tài)預測模型的精度。

技術領域：

本發(fā)明涉及一種考慮監(jiān)測誤差的復雜機電系統(tǒng)健康狀態(tài)預測方法，具體是指預測考慮監(jiān)測誤差的基于雙層置信規(guī)則庫的復雜機電系統(tǒng)的健康狀態(tài)預測方法。屬于工程技術領域。

背景技術：

預測復雜機電系統(tǒng)的健康狀態(tài)是確保安全性，可靠性和經(jīng)濟性的重要基礎。合理對復雜機電系統(tǒng)進行健康狀態(tài)預測可以實現(xiàn)最佳的維護決策，并有效減少系統(tǒng)故障所造成的人員傷亡和經(jīng)濟損失。由于復雜機電系統(tǒng)的可靠性高，故系統(tǒng)的健康狀況估計和預測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)和基于定性知識的健康狀態(tài)預測方法。基于數(shù)據(jù)驅(qū)動的智能學習模型是基于大量的觀測數(shù)據(jù)，以建立非線性模型來預測復雜機電系統(tǒng)的健康狀況。但對于大多數(shù)復雜機電系統(tǒng)，很難建立準確的分析模型。由于系統(tǒng)的復雜性和耦合特性，建立準確的健康預測模型以反映未來行為的動態(tài)變化也很困難。此外，在工程實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)動方法進行預測的準確性。基于定性知識的方法可以對基于專家知識的系統(tǒng)進行分析和建模，但由于缺乏基于定性知識的定量知識，傳統(tǒng)的專家系統(tǒng)帶來的預測結果不夠精確。

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，包括定量知識，定性知識(例如專家經(jīng)驗)和半定量信息。BRB健康狀態(tài)預測模型可以較好的預測復雜機電系統(tǒng)的健康狀態(tài)。然而，由于外部環(huán)境干擾(噪聲，振動等)以及傳感器跟蹤能力的下降，在實際操作環(huán)境中獲得的復雜機電系統(tǒng)的有效監(jiān)視數(shù)據(jù)中可能會出現(xiàn)錯誤。現(xiàn)有的復雜機電系統(tǒng)健康狀態(tài)預測方法大多是在只考慮數(shù)據(jù)的客觀方面的屬性權重，沒有考慮數(shù)據(jù)主觀方面的屬性權重的情況下進行健康狀態(tài)預測。這種復雜機電系統(tǒng)的健康狀態(tài)的預測方式雖然能夠起到對復雜機電系統(tǒng)健康狀態(tài)進行預測的作用，但是預測精度不高。

發(fā)明內(nèi)容：

本發(fā)明的目的是提供復雜機電系統(tǒng)健康狀態(tài)預測方法，它能夠提高考慮輸入特征量監(jiān)視數(shù)據(jù)的誤差的復雜機電系統(tǒng)健康狀態(tài)預測精度。復雜機電系統(tǒng)健康狀態(tài)預測模型分為以下四個模塊：模塊一為分析監(jiān)測數(shù)據(jù)出現(xiàn)誤差的原因，計算監(jiān)測誤差；模塊二為計算考慮監(jiān)測誤差的屬性權重，并計算BRB的新的激活權重；模塊三通過專家知識和新的激活權重建立初始雙層BRB預測模型；模塊四為基于投影協(xié)方差矩陣的自適應演化策略(theadaptive evolution strategy of projection covariance matrix,P-CMA-ES)優(yōu)化算法，對雙層BRB模型中的初始參數(shù)進行更新。

本發(fā)明的技術方案：

模塊一為根據(jù)平均距離方法對監(jiān)測數(shù)據(jù)的監(jiān)測誤差進行計算，具體過程如下。首先計算每個數(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個輸入特征量中的第i個數(shù)據(jù)。

然后計算第n個輸入特征量中的第i個數(shù)據(jù)與其他數(shù)據(jù)之間的平均距離：