CN109669849B - 一种基于未确知深度理论的复杂系统健康状态评估方法 - Google Patents

Abstract

本发明提供了一种基于未确知深度理论的复杂系统健康状态评估方法，包括如下步骤：(1)通过传感器采集系统中对应于传感器位置的测量点的数据；(2)对采集到的数据进行预处理；(3)根据采集到的数据与对应传感器的健康状态的映射关系，设定未确知测度函数；(4)根据未确知测度函数，构建单传感器的未确知测度矩阵；(5)根据未确知测度函数，构建子系统的未确知测度矩阵；(6)对系统中各传感器，计算不同时刻点的权重分配；(7)对系统中各传感器，计算不同传感器的权重分配。本发明有效通过未确知理论实现各传感器的初步特征提取，实现初步健康评估，并通过深度神经网络进行数据融合，获取健康因子，定量的实现系统的健康评估，增加系统的可靠性。

Description

一种基于未确知深度理论的复杂系统健康状态评估方法

技术领域

本发明涉及一种基于未确知深度理论的复杂系统健康状态评估 方法。

背景技术

在复杂系统的设备健康管理领域，由于系统具众多输出参数，且 长期工作于恶劣环境下，其发生故障的概率也大大增加，经长期工作 发现，系统在工作时，其故障主要集中在关键传感器，因此，掌握这 些传感器的工作状态可以有效降低系统故障发生的概率，大幅提高系 统的可靠性，因此对系统中关键传感器等进行健康诊断与健康评估技 术是很有必要的。

目前国内针对该系统的研究多应用传统的方法，无法充分利用系 统中包含的众多测量点的大量信息，除造成信息资源的浪费外，还造 成评估精度较低，常常出现评估指标偏差。

发明内容

为解决上述技术问题，本发明提供了一种基于未确知深度理论的 复杂系统健康状态评估方法，该基于未确知深度理论的复杂系统健康 状态评估方法通过未确知理论实现各传感器的初步特征提取，实现初 步健康评估，并通过深度神经网络进行数据融合，获取健康因子，定 量的实现系统的健康评估，增加系统的可靠性。

本发明通过以下技术方案得以实现。

本发明提供的一种基于未确知深度理论的复杂系统健康状态评 估方法，包括如下步骤：

(1)通过传感器采集系统中对应于传感器位置的测量点的数据；

(2)对采集到的数据进行预处理；

(3)根据采集到的数据与对应传感器的健康状态的映射关系，设定 未确知测度函数；

(4)根据未确知测度函数，构建单传感器的未确知测度矩阵；

(5)根据未确知测度函数，构建子系统的未确知测度矩阵；

(6)对系统中各传感器，计算不同时刻点的权重分配；

(7)对系统中各传感器，计算不同传感器的权重分配；

(8)根据单传感器的未确知测度矩阵和不同时刻点的权重分配，计 算各传感器的未确知隶属度参数；

(9)根据子系统的未确知测度矩阵和不同传感器的权重分配，计 算子系统的未确知隶属度参数；

(10)分别计算各传感器的健康因子和子系统的健康因子；

(11)将最低的健康因子作为系统最终的健康因子。

在所述步骤(2)中，使用正态函数实现对未确知测度函数的特征值 分配以完成构建。

所述步骤(6)中，计算权重分配的方法采用层次分析法。

所述步骤(7)中，计算权重分配的方法采用熵权法。

所述步骤(11)中计算方法采用卷积神经网络。

所述步骤(6)分为如下步骤：

(6.1)计算传感器的时序偏差向量；

(6.2)应用偏差值构建两两比较的健康评估矩阵BCM_i；

(6.3)求解健康评估矩阵BCM_i的特征值λ和特征向量α，并选出最 大特征值λ_max和对应的特征向量α_max；

(6.4)进行一致性检验。

所述步骤(7)分为如下步骤：

(7.1)构建未确知测度评估矩阵；

(7.2)计算所有未确知评估指标集对应的概率百分比函数，其中敏 感单元在评估指标k下的概率百分比函数为p_ik；

(7.3)计算所有敏感单元的信息熵E，其中敏感单元i的信息熵为E_i；

(7.4)计算所有敏感单元信息熵的偏差G。其中敏感单元i的信息熵 偏差为G_i；

(7.5)根据信息熵E和G计算权重分配的权重分布向量W。

所述子系统，仅包括一类传感器。

本发明的有益效果在于：有效通过未确知理论实现各传感器的初 步特征提取，实现初步健康评估，并通过深度神经网络进行数据融合， 获取健康因子，定量的实现系统的健康评估，增加系统的可靠性。

附图说明

图1是本发明一种实施例中所应用的系统示意图；

图2是本发明在图1中应用时得到的单一加速度计的健康评估结 果图。

具体实施方式

下面进一步描述本发明的技术方案，但要求保护的范围并不局限 于所述。

本发明提供一种基于未确知深度理论的复杂系统健康状态评估 方法，采用如下步骤：

步骤一：通过传感器获取系统各测量点采集系统各测量点的模 拟量，并经数据采集卡将模拟量转成数字量，实现数据采集；

步骤二：对采集到的数据进行数据的预处理，包括数据的降噪 滤波、归一化，获取样本的均值和方差等；

步骤三：根据传感器输出数据与传感器的健康状态的映射关系， 设定传感器的未确知测度函数；

在步骤三中，采用正态分布函数作为未确知测度函数。在传感器 的检测中，一般把传感器的输出值在超过其方差1倍时，将其状态作 为亚健康状态，超过其方差3倍时，将其状态作为故障边缘状态，超 过5倍时会被认为故障，四个未确知测度函数为式(1)到式(4)所 示，健康因子与健康状态如表1所示：

f_HS(x)＝exp[-||x-μ||²/2δ²] (1)

表1

其中，x为实际测量值，μ为均值，δ为方差；

步骤四：根据步骤三所述的未确知测度函数，构建单传感器未确 知测度矩阵；

在步骤四中，针对第i个传感器在时间点j＝1，2，…，m处，其未确 知测度评估矩阵记做：UME_i＝(ume_ijk)_m×n(j＝1，2，…，m；k＝1，2，…，n)，其格 式如式5所示：

其中，i代表需计算的敏感单元序号，j代表数据所在的时间序列 的位置，k代表未确知评估指标集的序号，ume_ijk是在时间点j处，评 估集指标为k时敏感单元i对应的未确知函数值；

步骤五：根据步骤三所述的未确知测度函数，构建子系统未确知 测度矩阵；

在步骤五中，针对多功能传感器，在第j个时刻点所对应的未确 知测度评估矩阵记为：UME_j＝(ume_ijk)_m×n(i＝1，2，…，m；k＝1，2，…，n)，如式6 所示：

其中，j代表时间点序列，i代表所对应的敏感单元序号，k代表 评估指标集的序号，是在时间点j处，评估集指标为k时敏感单元i 对应的未确知函数值；

步骤六：对系统中各传感器，进行权重计算方法AHP法实现不 同时刻点的权重分配；

步骤六中所述AHP方法分为以下四步：

步骤6.1计算传感器i的时序偏差向量。第j时刻偏差值 d_ij＝|x_ij-μ_ij|，其中μ_ij为该时刻的数据的最佳估计值，x_ij为该时刻实际 测量值。当实际输出值远离最佳估计值时，偏差值d_ii也就越大，其时 序偏差向量为d_i＝[d_i1，d_i2，…，d_im]；

步骤6.2应用偏差值构建两两比较的健康评估矩阵BCM_i。比较 任意两个时间点的偏差值，判断两个时间点间的偏差大小，从而确定 两个时间点之间对敏感单元的健康状态的重要程度，

步骤6.3求解健康评估矩阵BCM_i的特征值λ和特征向量α，并选 出最大特征值λ_max和对应的特征向量α_max，

BCM_iα＝λα (8)

步骤6.4进行一致性检验。判断矩阵的非一致性是否可以被接 受。

首先计算其一致性指标(Consistent Index，Cl)，如式所示。然后 找出相应的平均随机一致性指标(Random Index，RI)，表2给出的是 当n小于15时的1000次实验结果的RI取值。计算一致性比例(Consist Ratio，CR)，当CR＜0.1时，可以认定该矩阵符合随机一致性指标，相 反的，如果CR≥0.1，则认为矩阵A不符合随机一致性指标，需对矩 阵进行调整直至CR＜0.1，

表2

步骤七：对系统中各传感器，进行权重计算方法熵权法实现不同 传感器的权重分配；

在步骤七中所使用的熵权法，其步骤大致可以分为以下五步：

步骤7.1构建未确知测度评估矩阵，如式11所示：

UME_i＝(ume_ijk)_m×n(j＝1，2，…，m；k＝1，2，…，n) (11)

步骤7.2计算所有未确知评估指标集对应的概率百分比函数，其 中敏感单元在评估指标k下的概率百分比函数为p_ik，如式12所示：

步骤7.3计算所有敏感单元的信息熵E，其中敏感单元i的信息 熵为E_i，如式13所示：

其中，当ln P_ik＝0时，lim P_ikln P_ik＝0。

步骤7.4计算所有敏感单元信息熵的偏差G。其中敏感单元i的 信息熵偏差为G，如式12所示，G越大，则敏感单元对于传感器的 健康评估越重要。

G_i＝1-E_i (14)

步骤7.5计算分配所有敏感单元的权重，其中

由此可以推断出在时刻点j，权重分布向量为W_j＝[ω_1j，ω_2j，…，ω_mj]。

步骤八：应用步骤四中所获取的传感器未确知测度矩阵及步骤六 所计算的权重，确定单一传感器的未确知隶属度参数；

步骤八中未确知隶属度参数通过式16获取：

UMEV_sensor＝W_AHP×UME_i (16)

步骤九：应用步骤五中所获取的系统未确知测度矩阵及应用步骤 七所计算的权重，确定子系统的未确知隶属度参数；

步骤九中未确知隶属度参数通过式17获取：

UMEV_subsystem＝W_entropy×UME_j (17)

步骤十：应用卷积神经网络分别计算各传感器及子系统的健康因 子；

步骤十中，用于作为评估指标的传感器未确知隶属度参数为步骤 八中所求取的未确知隶属度参数 UMEV_sensor＝[brd_A1 brd_A2 brd_A3 brd_A4]；

步骤十中，用于作为评估指标的子系统未确知隶属度参数为步骤 九中所求取的未确知隶属度参数 UMEV_subsystem＝[brd_A1 brd_A2 brd_A3 brd_A4]；

步骤十中，将所获取的未确知隶属度参数经卷积神经网络变换后 获取健康因子健康：

HI＝f(brd_A1,brd_A2,brd_A3,brd_A4) (18)

步骤十一：将子系统最低的健康因子作为系统最终的健康因子。

实施例1

本发明应用于如图1所示的复杂系统，该系统包括加速度计(A 类传感器)、惯导平台(B类传感器)、陀螺仪(C类传感器)等三个主 要部分，该三个主要部分分别作为三个子系统，采用本发明的方法， 其中对于加速度计(A类传感器)的健康因子可得出如图2所示的结果。

Claims (5)

1.一种基于未确知深度理论的复杂系统健康状态评估方法，其特征在于：包括如下步骤：

(1)通过传感器采集系统中对应于传感器位置的测量点的数据；

(2)对采集到的数据进行预处理；

(3)根据采集到的数据与对应传感器的健康状态的映射关系，设定未确知测度函数；

(4)根据未确知测度函数，构建单传感器的未确知测度矩阵；

(5)根据未确知测度函数，构建子系统的未确知测度矩阵；

(6)对系统中各传感器，计算不同时刻点的权重分配；

(7)对系统中各传感器，计算不同传感器的权重分配；

(8)根据单传感器的未确知测度矩阵和不同时刻点的权重分配，计算各传感器的未确知隶属度参数；

(9)根据子系统的未确知测度矩阵和不同传感器的权重分配，计算子系统的未确知隶属度参数；

(10)分别计算各传感器的健康因子和子系统的健康因子；

(11)将最低的健康因子作为系统最终的健康因子；

所述步骤(4)中，针对第i个传感器在时间点j＝1,2,…,m处，其未确知测度评估矩阵记做：UME_i＝(ume_ijk)_m×n(j＝1,2,…,m；k＝1,2,…,n)，其格式为：

其中，i代表需计算的敏感单元序号，j代表数据所在的时间序列的位置，k代表未确知评估指标集的序号，ume_ijk是在时间点j处，评估集指标为k时敏感单元i对应的未确知函数值；

所述步骤(5)中，针对多功能传感器，在第j个时刻点所对应的未确知测度评估矩阵记为：UME_j＝(ume_ijk)_m×n(i＝1,2,…,m；k＝1,2,…,n)，其格式为：

其中，j代表时间点序列，i代表所对应的敏感单元序号，k代表评估指标集的序号，是在时间点j处，评估集指标为k时敏感单元i对应的未确知函数值；

所述步骤(6)中，计算权重分配的方法采用层次分析法；

所述步骤(7)中，计算权重分配的方法采用熵权法。

2.如权利要求1所述的基于未确知深度理论的复杂系统健康状态评估方法，其特征在于：在所述步骤(2)中，使用正态函数实现对未确知测度函数的特征值分配以完成构建。

3.如权利要求1所述的基于未确知深度理论的复杂系统健康状态评估方法，其特征在于：所述步骤(11)中计算方法采用卷积神经网络。

4.如权利要求1所述的基于未确知深度理论的复杂系统健康状态评估方法，其特征在于：所述步骤(6)分为如下步骤：

(6.1)计算传感器的时序偏差向量；

(6.2)应用偏差值构建两两比较的健康评估矩阵BCM_i；

(6.3)求解健康评估矩阵BCM_i的特征值λ和特征向量α，并选出最大特征值λ_max和对应的特征向量α_max；

(6.4)进行一致性检验。

5.如权利要求1所述的基于未确知深度理论的复杂系统健康状态评估方法，其特征在于：所述步骤(7)分为如下步骤：

(7.1)构建未确知测度评估矩阵；

(7.2)计算所有未确知评估指标集对应的概率百分比函数，其中敏感单元在评估指标k下的概率百分比函数为p_ik；

(7.3)计算所有敏感单元的信息熵E，其中敏感单元i的信息熵为E_i；

(7.4)计算所有敏感单元信息熵的偏差G，其中敏感单元i的信息熵偏差为G_i；

(7.5)根据信息熵E和G计算权重分配的权重分布向量W。

Images