CN105243393A - 一种基于特征的复杂机电系统故障预报方法 - Google Patents

Abstract

本发明公开了一种复杂机电系统故障预报方法。该方法包括以下步骤：1、分析复杂机电系统的故障类型及故障机理，确定复杂机电系统的特征量；2、基于特征建立复杂机电系统的非线性模型；3、利用BP神经网络进行复杂机电系统故障分类与定位；4、基于复杂机电系统特征模型及置信规则库理论(belief？rule？base，BRB)建立其故障预报模型；5、利用混合方法实现对复杂机电系统的故障预报。本发明不仅可以实现复杂机电系统的故障预定位，还可实现故障综合评价，具有较高的预报精度，为复杂机电系统的安全可靠运行提供有力保障，还可以作为复杂机电系统最优维护与健康管理的有效参考分析，为节约复杂机电系统的维护开支打下基础，有很好的工程应用价值。

Description

一种基于特征的复杂机电系统故障预报方法

技术领域

本发明属于可靠性工程技术领域，涉及一种对工程上广泛应用的复杂机电系统(例如数控机床、轨道车辆照明系统、航空发动机等)的故障进行故障预报的方法。

背景技术

目前，现有的对复杂机电系统的故障预报方法大都基于定量知识来进行系统的故障预报，这就要求建立被测系统的数学解析模型。然而，复杂机电系统一般具有多层子系统、强耦合、时变性、非线性等特点，难以建立其准确的数学模型。因此，传统的基于系统解析模型的定量故障预报方法很难对复杂机电系统进行准确的故障预报。

由于复杂机电系统在运行过程中会有各种定性知识，通过这种定性知识并结合一定的定量信息，利用这种方法可以不需要建立复杂机电系统的数学解析模型，综合利用了系统运行中的各种知识，提高了复杂机电系统故障预报的精度。因此，可以基于特征建立复杂机电系统的非线性模型，利用混合方法对复杂机电系统进行故障预报，来提高预报的准确性与实用性。

发明内容

本发明的目的是：提供一种基于特征的复杂机电系统建模方法，充分利用其在运行过程中得到的各种定量和定性知识，科学预报复杂机电系统行为的方法，以解决传统的基于数学解析模型进行系统故障预报的方法难以建立完整准确的数学解析模型而不能准确预报的问题。

本发明的技术方案是：一种基于特征的复杂机电系统故障预报方法，方法结构件说明书附图1，它包括以下步骤：

第一步，分析复杂机电系统的故障类型及故障机理，确定复杂机电系统的特征量。

按照复杂机电系统自身特点及功能进行分层，将复杂机电系统分成不同的子系统，在分析每个子系统工作机理的基础上，对其可能发生的故障进行分类分析，分析故障发生的原因及现象；确定复杂机电系统的特征量：就像人体系统的温度、血压等指标能够反映其健康状态一样，复杂机电系统也有能够反映其运行状态的特征量，在深入分析复杂机电系统工作机理和故障机理的基础上，确定复杂机电系统的子系统及每个子系统的特征量。

第二步，基于特征建立复杂机电系统的非线性模型。

设一个复杂机电系统由n个子系统组成，那么这个复杂机电系统的运行状态可表示为：

f(t)＝g(N₁(t),N₂(t),…,N_n(t))(1)

另外，设任意一个子系统N_i的特征量有m个，则此子系统N_i的运行状态为：

f(N_i(t))＝g′(a₁(t),a₂(t),…,a_m(t))(2)将公式(2)代入到公式(1)即可得到基于特征的复杂机电系统非线性模型：

y(t)＝g(f)(3)

第三步，利用BP神经网络进行复杂机电系统故障分类与定位。

建立复杂机电系统的两级BP神经网络，实现故障定位和故障类型辨识。以子系统N_n(t)特征数据训练总网络；用典型的a_m(t)故障特征数据分别训练分网络。故障信号首先经过总网络，实现故障部位定位；然后再将此故障信号输入相应部位的分网络，进行故障类型识别。复杂机电系统两级BP神经网络结构见说明书附图2。

第四步，基于复杂机电系统特征模型及置信规则库理论(BRB)建立其故障预报模型。

设复杂机电系统的各个特征量之间都是相互独立的：

(1)对子系统N_i进行BRB规则的建立：

对子系统N_i选取合适的特征量a₁(t),a₂(t),…,a_m(t)，基于BRB建立每个特征量的BRB规则，以任意一个特征量a_m为例，如式(4)所示：

上式中，a＝[a₁,a₂,...,a_m]表示系统前提属性的集合；表示由第k条规则输入参考值所构成的集合；D＝[D₁,D₂,...,D_M]表示结果向量；β^k＝[β_1,k,β_2,k,...,β_M,k]表示由置信度构成的向量；

(2)基于BRB建立特征量的故障预报模型：

对于子系统N_i的m个特征量，基于BRB建立特征量的预测模型，见说明书附图3。其中，根据公式(4)得出BRB_1,BRB_2,…,BRB_m，即每个特征量的BRB规则，构造BRB_(m+1)，即：

(3)复杂机电系统特征量参数优化

BRB系统中的规则权重、前提属性权重和置信度等参数通常由专家根据先验知识和历史信息给定，反映了专家对所研究对象的认识程度。但是当BRB系统比较复杂时，专家难以确定这些参数的精确值。为了解决这一问题，利用基于数值观测的优化学习模型对BRB参数模型进行优化。其基本思想是：根据可以获取的有效信息，利用优化模型对由专家给定的初始BRB系统的参数进行训练，使训练后的BRB系统能够准确地反映系统的行为。当训练数据是数值形式时，对于给定的输入x_m，希望BRB系统能够产生输出使该输出尽可能地逼近y_m。为了有效利用观测信息对BRB系统中的规则权重θ_k、输入权重δ_i、置信度β_j,k和评价结果D_j的效用μ(D_j)进行训练，建立如下的优化目标：

$\underset{V}{min}\left\{\mathrm{\ξ}\left(V\right)\right\}---\left(6\right)$

在上式中，V＝[θ_k,δ_i,β_j,k,μ(D_j)]^T表示由BRB系统参数构成的列向量，且k＝1,…,L、i＝1,…,M、j＝1,…,N；表示总的均方误差；表示在输入x_m的激励下，BRB系统的期望输出效用。

第五步，利用混合方法实现对复杂机电系统的故障预报。

在实现故障分类及定位后，将特征量输入到预报模型中，得到系统最终决策结果,。

附图说明

图1是本发明方法的结构图；

图2是利用两级BP神经网络进行故障预定位的结构图；

图3是基于BRB的故障预报模型图。

具体实施方式

一种基于特征模型的复杂机电系统故障预报方法，它包括以下步骤：

步骤1：确定复杂机电系统的特征量；

步骤2：建立复杂机电系统运行状态非线性模型；

步骤3：利用两级BP神经网络实现故障预定位；

步骤4：建立基于BRB的复杂机电系统故障预报模型；

步骤5：对复杂机电系统进行故障预报，具体步骤如下：

步骤(1)：根据特征变量a_m的变化范围和正常工作范围由专家给出如式(5)所示的用于系统工作状态决策的BRB_(m+1)。另外，给定阈值B_th。

步骤(2)：根据专家知识和对系统机理模型的分析，建立如式(4)所示的m个特征变量的预报模型。

步骤(3)：根据有效信息a_m(1),...,a_m(t)，对预报模型中的参数进行优化。

步骤(4)：令t＝t+1，转到步骤(3)；否则，转到步骤5。

步骤(5)：首先，计算得到特征变量a_m的预报值其中，p表示预报步数，且p＝1,2...；然后，根据图2所示的预报模型和参数优化算法，可计算出相对于“故障”的置信度预报值B_F(t+p)；最后，根据阈值B_th和式(5)即可预报系统未来的故障情况。

Claims (1)

1.一种基于特征的复杂机电系统故障预报方法，它包含以下步骤：

第一步，分析复杂机电系统的故障类型及故障机理，确定复杂机电系统的特征量；

按照复杂机电系统自身特点及功能进行分层，将复杂机电系统分成不同的子系统，在分析每个子系统工作机理的基础上，对其可能发生的故障进行分类分析，分析故障发生的原因及现象；确定复杂机电系统的特征量：就像人体系统的温度、血压等指标能够反映其健康状态一样，复杂机电系统也有能够反映其运行状态的特征量，在深入分析复杂机电系统工作机理和故障机理的基础上，确定复杂机电系统的子系统及每个子系统的特征量；

第二步，基于特征建立复杂机电系统的非线性模型；

设一个复杂机电系统由n个子系统组成，那么这个复杂机电系统的运行状态可表示为：

y(t)＝g(N₁(t),N₂(t),…,N_n(t))(1)

另外，设任意一个子系统N_i的特征量有m个，则此子系统N_i的运行状态为：

f(N_i(t))＝g′(a₁(t),a₂(t),…,a_m(t))(2)

将公式(2)代入到公式(1)即可得到基于特征的复杂机电系统非线性模型：

y(t)＝g(f)(3)

第三步，利用BP神经网络进行复杂机电系统故障分类与定位；

第四步，基于复杂机电系统非线性模型及置信规则库理论(BRB)建立其故障预报模型；

设复杂机电系统的各个特征量之间都是相互独立的：

(1)对子系统N_i进行BRB规则的建立：

对子系统N_i选取合适的特征量a₁(t),a₂(t),…,a_m(t)，基于BRB建立每个特征量的BRB规则，如式(4)所示：

Then{(D₁,β_1,k),…(D_M,β_M,k)}

上式中，a＝[a₁,a₂,...,a_m]表示系统前提属性的集合；表示由第k条规则输入参考值所构成的集合；D＝[D₁,D₂,...,D_M]表示结果向量；β^k＝[β_1,k,β_2,k,...,β_M,k]表示由置信度构成的向量；

(2)基于特征建立复杂机电系统的BRB故障预报模型：

对于子系统N_i的m个特征量，基于BRB建立特征量的预测模型，其中，根据公式(4)得出BRB_1,BRB_2,…,BRB_m，即每个特征量的BRB规则，构造BRB_(m+1)，即：

(3)复杂机电系统特征量参数优化；

第五步，利用混合方法实现对复杂机电系统的故障预报；

在实现故障分类及定位后，将特征量输入到预报模型中，得到系统最终决策结果。