[發明專利]一種考慮監測誤差的復雜機電系統健康狀態預測方法

在審

• 申請號: 202010932042.4
• 申請日: 2020-09-08
• 公開（公告）號: CN112257893A
• 公開（公告）日: 2021-01-22
• 發明（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

本發明涉及一種考慮監測誤差的復雜機電系統健康狀態預測方法，屬于工程技術領域。該方法包括以下步驟：1.分析計算監測數據的監測誤差。2.計算考慮監測誤差的屬性權重，并計算置信規則庫(belief rule base,BRB)的新的激活權重。3.根據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)作為優化算法，對初始參數進行更新后得到復雜機電系統的健康狀態預測模型。本發明通過建立考慮了檢測數據的監測誤差的雙層BRB健康狀態預測模型，可以提高復雜機電系統健康狀態預測模型的精度。

技術領域：

本發明涉及一種考慮監測誤差的復雜機電系統健康狀態預測方法，具體是指預測考慮監測誤差的基于雙層置信規則庫的復雜機電系統的健康狀態預測方法。屬于工程技術領域。

背景技術：

預測復雜機電系統的健康狀態是確保安全性，可靠性和經濟性的重要基礎。合理對復雜機電系統進行健康狀態預測可以實現最佳的維護決策，并有效減少系統故障所造成的人員傷亡和經濟損失。由于復雜機電系統的可靠性高，故系統的健康狀況估計和預測的顯著特征是大量監視數據和較差的有效數據。

目前主要有基于數據和基于定性知識的健康狀態預測方法。基于數據驅動的智能學習模型是基于大量的觀測數據，以建立非線性模型來預測復雜機電系統的健康狀況。但對于大多數復雜機電系統，很難建立準確的分析模型。由于系統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變化也很困難。此外，在工程實踐中考慮到少量的故障數據，很難獲得足夠的有效數據來確保使用數據驅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，傳統的專家系統帶來的預測結果不夠精確。

置信規則庫(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(例如專家經驗)和半定量信息。BRB健康狀態預測模型可以較好的預測復雜機電系統的健康狀態。然而，由于外部環境干擾(噪聲，振動等)以及傳感器跟蹤能力的下降，在實際操作環境中獲得的復雜機電系統的有效監視數據中可能會出現錯誤。現有的復雜機電系統健康狀態預測方法大多是在只考慮數據的客觀方面的屬性權重，沒有考慮數據主觀方面的屬性權重的情況下進行健康狀態預測。這種復雜機電系統的健康狀態的預測方式雖然能夠起到對復雜機電系統健康狀態進行預測的作用，但是預測精度不高。

發明內容：

本發明的目的是提供復雜機電系統健康狀態預測方法，它能夠提高考慮輸入特征量監視數據的誤差的復雜機電系統健康狀態預測精度。復雜機電系統健康狀態預測模型分為以下四個模塊：模塊一為分析監測數據出現誤差的原因，計算監測誤差；模塊二為計算考慮監測誤差的屬性權重，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方差矩陣的自適應演化策略(theadaptive evolution strategy of projection covariance matrix,P-CMA-ES)優化算法，對雙層BRB模型中的初始參數進行更新。

本發明的技術方案：

模塊一為根據平均距離方法對監測數據的監測誤差進行計算，具體過程如下。首先計算每個數據與其他數據之間的距離：

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個數據。

然后計算第n個輸入特征量中的第i個數據與其他數據之間的平均距離：