CN109934358A - 装备故障预测和健康评估方法、系统及终端设备 - Google Patents
装备故障预测和健康评估方法、系统及终端设备 Download PDFInfo
- Publication number
- CN109934358A CN109934358A CN201910091245.2A CN201910091245A CN109934358A CN 109934358 A CN109934358 A CN 109934358A CN 201910091245 A CN201910091245 A CN 201910091245A CN 109934358 A CN109934358 A CN 109934358A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- equipment
- health
- support vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000036541 health Effects 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000011156 evaluation Methods 0.000 claims abstract description 87
- 238000012423 maintenance Methods 0.000 claims abstract description 37
- 238000012544 monitoring process Methods 0.000 claims abstract description 28
- 238000003745 diagnosis Methods 0.000 claims abstract description 22
- 230000003862 health status Effects 0.000 claims abstract description 11
- 238000012706 support-vector machine Methods 0.000 claims description 51
- 230000006870 function Effects 0.000 claims description 35
- 239000013598 vector Substances 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000002194 synthesizing effect Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000008439 repair process Effects 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 description 16
- 239000003016 pheromone Substances 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 238000012417 linear regression Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 241000257303 Hymenoptera Species 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 239000000446 fuel Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000002826 coolant Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000010705 motor oil Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 108010074506 Transfer Factor Proteins 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 239000006096 absorbing agent Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 239000000110 cooling liquid Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000010710 diesel engine oil Substances 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 239000010720 hydraulic oil Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明适用于装备监测技术领域，公开了一种装备故障预测和健康评估方法、系统及终端设备，包括：接收车载终端发送的监测数据，并对监测数据进行预处理得到预处理数据，车载终端位于装备内；根据预处理数据对装备进行故障诊断，得到故障信息；根据预处理数据对装备进行故障预测，得到故障预测信息；根据预处理数据对装备进行健康状态评估，得到健康状态信息。本发明可以提前预测装备的故障和健康状态，以此为依据对装备进行预防性维修，可以解决过度维修或失修的问题，减少维修费用，保证装备正常使用。
Description
技术领域
本发明属于装备监测技术领域，尤其涉及一种装备故障预测和健康评估方法、系统及终端设备。
背景技术
为了保证装备正常使用，需要对装备进行预防性维修，因而装备的维修保障费用占全生命周期费用的比例越来越高。
现有技术中，对装备的预防性维修大都采用定期维修的方法，但是这种方法对失效机理具有随机性、间歇性和耦合性特点的电类部组件来说，容易导致过度维修或失修的问题。
发明内容
有鉴于此，本发明实施例提供了一种装备故障预测和健康评估方法、系统及终端设备，以解决现有技术中容易导致过度维修或失修的问题。
本发明实施例的第一方面提供了一种装备故障预测和健康评估方法，包括：
接收车载终端发送的监测数据，并对监测数据进行预处理得到预处理数据，车载终端位于装备内；
根据预处理数据对装备进行故障诊断，得到故障信息；
根据预处理数据对装备进行故障预测，得到故障预测信息；
根据预处理数据对装备进行健康状态评估，得到健康状态信息。
本发明实施例的第二方面提供了一种装备故障预测和健康评估系统，包括：
数据预处理模块，用于接收车载终端发送的监测数据，并对监测数据进行预处理得到预处理数据，车载终端位于装备内；
故障诊断模块，用于根据预处理数据对装备进行故障诊断，得到故障信息；
故障预测模块，用于根据预处理数据对装备进行故障预测，得到故障预测信息；
健康评估模块，用于根据预处理数据对装备进行健康状态评估，得到健康状态信息。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如第一方面所述装备故障预测和健康评估方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被一个或多个处理器执行时实现如第一方面所述装备故障预测和健康评估方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：本发明实施例首先接收车载终端发送的监测数据，并对监测数据进行预处理得到预处理数据，然后根据预处理数据对装备进行故障诊断，得到故障信息，接着根据预处理数据对装备进行故障预测，得到故障预测信息，最后根据预处理数据对装备进行健康状态评估，得到健康状态信息，能够提前预测装备的故障和健康状态，以此为依据对装备进行预防性维修，可以解决过度维修或失修的问题，减少维修费用，保证装备正常使用。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的装备故障预测和健康评估方法的实现流程示意图；
图2是本发明另一实施例提供的装备故障预测和健康评估方法的实现流程示意图；
图3是本发明再一实施例提供的装备故障预测和健康评估方法的实现流程示意图；
图4是本发明一实施例提供的非支持向量、边界支持向量及非边界支持向量的关系示意图；
图5是本发明又一实施例提供的装备故障预测和健康评估方法的实现流程示意图；
图6是本发明又一实施例提供的装备故障预测和健康评估方法的实现流程示意图；
图7是本发明一实施例提供的隶属函数的示意图；
图8是本发明一实施例提供的装备故障预测和健康评估系统的示意框图；
图9是本发明一实施例提供的终端设备的示意框图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
图1是本发明一实施例提供的装备故障预测和健康评估方法的实现流程示意图，为了便于说明，仅示出了与本发明实施例相关的部分。本发明实施例的执行主体可以是终端设备。如图1所示，该方法可以包括以下步骤：
步骤S101：接收车载终端发送的监测数据，并对监测数据进行预处理得到预处理数据，车载终端位于装备内。
在本发明实施例中，车载终端位于装备内，可以实时监测装备的各种数据，并将监测数据发送至终端设备。终端设备可以位于基地内，接收车载终端发送的监测数据，并对监测数据进行预处理得到预处理数据。其中，预处理可以包括滤波去燥、特征值提取等，将一些干扰信号剔除，以免影响后期故障诊断和预测的精度。对数据量大的数据(如振动信号)，进行抽样、特征值提取，获得数据特征的前提下，同时减少了数据总量，为后期的预测处理和存储减少了压力。
可选地，车载终端可以对监测数据进行预处理得到预处理数据，并将预处理数据发送至终端设备，终端设备接收预处理数据。车载终端还可以根据所述预处理数据进行简单报警工作，对于超出范围的参数数值进行车上报警，并生成报警信息，将报警信息发送至终端设备。车载终端可以存储监测数据、预处理数据和报警信息等。
车载终端向终端设备发送数据可以有两种方式：一种是通过无线数据通信链路，将数据实时发送至终端设备；另一种是在装备执行任务完成后，通过存储卡将数据下传。
装备可以包括底盘系统、火力系统和通讯系统等系统中的一种或多种。监测数据可以包括：底盘系统：发动机转速，燃油供油压力，蓄电池启动电压，蓄电池启动电流，发动机输出端平均扭矩，燃油消耗率，润滑油压力，既有消耗率，机油油温，供油提前角，活塞漏气量，缸体振动，发动机噪声(声压、声功率)，进气压力，排气压力，进气压力降，增压器或扫气泵出口空气绝对压力，排气相位，冷却介质压力，增却介质温度，排气支管温度，冷却介质流量，机油流量，烟度，曲轴箱压力，发动机有效功率，曲轴扭转振动，变速箱振动，传动箱振动，主离合器输入、输出转速，主离合器主动轮转速上升、下降时间，左、右闭锁离合器输入、输出转速，蓄能器充气压力，液压油泵容积效率，液压系统30秒压力降，调压阀调定压力，高压空气系充气压力瞬时值，高压空气系180秒压力升，高压空气系30秒压力降，自动灭火控制盒动力室控制瓶电压，自动灭火控制盒战斗室控制瓶电压，8个火焰感受性能，蓄电瓶内阻，发电机电压，电压波动系数，平衡肘扭力轴刚度，减振器刚度，环境温度，柴油、机油、冷却液的数量，车体损伤、裂纹及其他目视检查等数据中的一种或多种数据；火力系统：初速下降量，内膛表面质量，身管弯曲度，身管裂纹，击针突出量，瞄准装置示度不一致参量，瞄准线偏移量，输弹机功能参量，自动机参量等数据中的一种或多种数据；通讯系统：电台发信机功率，电台发信机发信频率，电台发信机发信频偏，电台收信机灵敏度，电台收信机收信静噪灵敏度，电台收信机音频输出，车通控制盒音频输出，车通控制盒非线性失真度，车通有线盒线端输出电平，车通有线盒非线性失真度，部组件工作电压，外观检查等数据中的一种或多种数据。
预处理数据可以包括：底盘系统：1)发动机转速，发动机缸体振动，发动机燃油压力，发动机机油压力，曲轴扭转振动，主离合器输入、输出转速，左、右闭锁离合器输入、输出转速，蓄电瓶启动电压、电流等数据中的一种或多种数据；火力系统：身管弯曲度，反后坐气压、液量，后坐长度，击针突出量，闩体下垂量等数据中的一种或多种数据；通讯系统：电台发信机功率参量，电台收信机灵敏度参量，车通控制盒音频输出参量等数据中的一种或多种数据。
可选地，终端设备还可以对预处理数据进行深入分析，利用数值检测和相关性分析等方法，进一步提取车上未发现的故障特征或数据规律，用来预估故障值或关键件状态。
步骤S102：根据预处理数据对装备进行故障诊断，得到故障信息。
在本发明实施例中，终端设备可以根据预处理数据，驱动故障诊断算法进行更深层次的故障诊断，以检测是否已有故障发生，得到故障信息。其中，故障信息可以包括发生故障的部件、故障类型和相应的维修方案等信息中的一种或多种。
步骤S103：根据预处理数据对装备进行故障预测，得到故障预测信息。
在本发明实施例中，终端设备可以驱动预测模型进行关键部件的故障预测，得到故障预测信息，并对预测出的故障进行报警显示。其中，故障预测信息可以包括预测发生故障的部件、时刻、故障类型等信息中的一种或多种。
可选地，在故障预测基础上，可以利用对象测试数据和预测结果，驱动状态预估模型，进行部件或系统的状态预估，并将预估值进行评定。评定工作主要是根据评定标准，结合当时装备所处的工作状态，进行状态值的评定，并将非良好状态按等级进行报警显示。
步骤S104：根据预处理数据对装备进行健康状态评估，得到健康状态信息。
在本发明实施例中，终端设备可以根据故障预测信息、状态预估值、未来趋势等内容，比照健康等级，进行健康状态评估。还可以按照健康状态信息，选择构建维修决策建议，输出维修建议文件。
由上述描述可知，本发明实施例首先接收车载终端发送的监测数据，并对监测数据进行预处理得到预处理数据，然后根据预处理数据对装备进行故障诊断，得到故障信息，接着根据预处理数据对装备进行故障预测，得到故障预测信息，最后根据预处理数据对装备进行健康状态评估，得到健康状态信息，能够提前预测装备的故障和健康状态，以此为依据对装备进行预防性维修，可以解决过度维修或失修的问题，减少维修费用，保证装备正常使用。
图2是本发明另一实施例提供的装备故障预测和健康评估方法的实现流程示意图。如图2所示，在上述实施例的基础上，步骤S102还可以包括以下步骤：
步骤S201：基于支持向量机的方法，对预处理数据进行异变数据识别，得到故障特征样本。
其中，故障特征样本包括从预处理数据中识别出的异变数据。异变数据是指采样的时间序列数据中与正常监测数据有明显区别的用于体现装备故障的数值。可定义如下：对于给定数据集{y(i),t(i)|i＝1,2,…n}，每个观测值都服从于某一分布，通常可认为大部分数据都服从某一标准分布族，只有少数数据点由于装备某一部件发生故障造成该部分监测数据明显不同于正常状态的监测数据，可以服从另外的其它分布族。那些不服从标准分布的数据称为异变数据。
在本发明实施例中，可以对装备包括的各个系统依次进行故障诊断，得到各个系统对应的故障信息。
步骤S202：根据预先建立的故障评价函数，确定故障特征样本对应的故障类型。
在本发明实施例中，可以根据故障库中保存的历史故障信息，基于现有方法，由故障征兆建立故障评价函数。故障评价函数可以根据故障特征样本确定故障类型。
步骤S203：根据故障类型确定故障维修方案，并输出故障类型和故障维修方案。
在本发明实施例中，终端设备中可以预先存储有各个部件或系统的故障类型与故障维修方案的对应关系，根据该对应关系，可以确定故障类型对应的故障维修方案，并输出故障类型和故障维修方案。
由上述描述可知，本发明实施例通过对异变数据识别，得到故障特征样本，根据预先建立的故障评价函数，确定故障特征样本对应的故障类型，根据故障类型确定故障维修方案，并输出故障类型和故障维修方案，能够深入分析，确定装备的各个部件或系统是否发生故障，并且能够为故障提供维修方案，便于维修人员进行维修，可以提高工作效率。
图3是本发明再一实施例提供的装备故障预测和健康评估方法的实现流程示意图。如图3所示，在上述实施例的基础上，步骤S201可以包括以下步骤：
步骤S301：基于第一训练样本集，建立支持向量机回归模型。
其中，第一训练样本集中包括已标记为异变数据或非异变数据的样本数据。
目前常用的异变数据的检测方法有基于距离的异变检测。具体地，如果数据集S中至少有p部分与对象O的距离大于d，则对象O是一个带参数p和d的基于距离的异变，记作DB(p,d)。也就是说，基于距离的异变数据就是那些没有足够多邻居的对象。典型的算法是：基于索引的算法，给定一个数据集，采用多维索引结构来检测每个对象在半径d范围内的邻居，如R树或k-d树。设定m是异变判别半径内的最大数目，当从数据对象中发现m+1个临近数据时，则该对象就不是异变数据点。
采用基于距离的异变数据检测方法进行研究分析，根据最优化充要条件——Karush-Kuhn-Tucker(KKT)条件，在最优化约束点处有：
样本数据对应的参数ai,的值，有如下5种情况：
在式(2)中，情况(1)～(4)所对应的xi称为支持向量。情况(1)(2)，即当时，所对应的xi又被称为边界支持向量。情况(3)(4)，即当时，所对应的xi被称为非边界支持向量。情况(5)，即当时，所对应的xi被称为非支持向量，此时，ai,对w的计算没有影响。因此，在计算回归函数时，只需考虑支持向量，即前4种情况，图4给出非支持向量、边界支持向量及非边界支持向量的关系。
由上述分析可知，只有当样本点属于非边界支持向量时，才有ξ>0或ξ*>0，样本点才可能位于区间[-ε,ε]之外，而当样本点属于边界支持向量或非支持向量时，都处于[-ε,ε]之内。因此，只需找出非边界支持向量，即可作为确定异变数据的依据。
由于支持向量机采用结构风险最小化准则替代了传统的检验风险最小化准则，并不倾向于消除个别较大的回归误差，而是寻求经验风险和置信风险之间的折衷，从总体上考虑回归函数的平滑性，以控制异变数据对回归函数的影响，这就导致异变数据与回归函数之间的偏差异变明显，便于识别。当样本x为非边界支持向量时，其回归值f(x)与实际值存在明显偏差。
通过以上分析可知，基于支持向量机的异变数据识别的重点是寻找非边界支持向量，所对应的样本{xi,yi}即为异变数据点。结合以上分析，基于支持向量机的方法，对预处理数据进行异变数据识别，得到故障特征样本，首先根据现有方法，基于第一训练样本集，建立支持向量机回归模型。
步骤S302：根据非边界支持向量的判断条件，在预处理数据中，选取属于非边界支持向量的数据作为候选故障特征样本。
其中，非边界支持向量的判断条件为
在预处理数据中，选取符合非边界支持向量的判断条件的数据作为候选故障特征样本。
步骤S303：基于支持向量机回归模型，计算候选故障特征样本的回归估计值和实际值之间的差值百分比。
在本发明实施例中，根据支持向量机回归模型，可以计算候选故障特征样本的回归估计值f(xi)。回归估计值f(xi)与实际值yi之间的差值百分比Ei的计算公式为
步骤S304：若差值百分比大于预设差值百分比阈值，则确定候选故障特征样本为故障特征样本。
根据实际需求及精度的要求，可以设定一个差值百分比阈值e，若Ei>e，则确定候选故障特征样本为故障特征样本。
图5是本发明又一实施例提供的装备故障预测和健康评估方法的实现流程示意图。如图5所示，在上述实施例的基础上，步骤S103可以包括以下步骤：
步骤S501：建立多输出支持向量机模型。
在本发明实施例中，可以对装备包括的各个系统依次进行故障预测，得到各个系统对应的故障预测信息。
目前的支持向量回归算法在故障预测中的应用主要是基于时间序列的故障(或寿命)预测：根据前n个时刻的观测值序列x(t-n)，…，x(t-1)，x(t)来预测第n+1(或n+k)个时刻的观测值x(t+1)。
目前，支持向量机回归算法只适用于多输入、单输出的情况，而且只能实现单步预测。为此，对支持向量机回归算法进行改进，构造多输出支持向量机，使其能够应用于多输入多输出的故障预测问题中。
首先分析多输出的支持向量机线性回归算法，然后再推导出多输出的支持向量机的非线性回归算法。
给定训练集T＝{(x1,y1),……,(xl,yl)}∈(Rn×Rm)l，试据此寻找Rn上的一个线性多值函数g(x)，以便用y＝g(x)来推断任一输入x所对应的输出值y。g(x)可以将训练集分为正类点和负类点集合，分别记为D+＝{(xi T,yi+ε)T,i＝1,…,l}，D-＝{(xi T,yi-ε)T,i＝1,…,l}，那么问题转化为寻找Rn+1上的一个超平面，使得正类点集合的目标函数值为1，负类点集合的目标函数值为-1。
(W·x)+η·*y+b＝0 (3)
其中，W为m×n的矩阵：
η为m×1的矩阵，η＝(η1,η2,…,ηm)T；b为m×1的矩阵，b＝(b1,b2,…,bm)T；·*表示对应元素相乘，·表示矩阵乘法。
超平面的求解与凸二次规划相对应，可以得到：
式(5)中，1和-1均表示m×1的矩阵。求出其解便可得到线性回归函数：
多输出支持向量机的线性回归问题可以归结为最优化问题的求解。
引进松弛变量和惩罚常数C，得到
引入拉格朗日函数：
利用等式约束消去变量η(*)，那么问题(7)的对偶问题为：
在求出问题(10)的解之后，原始的多输出线性回归问题的解即为：
将多输出支持向量机的线性回归算法推广到非线性回归的方法仍采用核函数，用K(xi,xj)表示。那么多输出支持向量机的非线性回归算法如下：
(1)给定训练集T＝{(x1,y1),……,(xl,yl)}∈(Rn×R)l。
(2)选择适当的参数ε>0和惩罚参数C>0。
(3)构造并求解凸二次规划问题，即公式(10)，得到解
(4)计算选择位于开区间(0,C)中的的分量或若选到的是则若选到的是则
(5)构造决策函数：
步骤S502：基于第二训练样本集，采用蚁群算法，对多输出支持向量机模型进行参数优化，得到优化后的多输出支持向量机模型。
其中，第二训练样本集中包括已计算出健康度值的训练样本。其中，健康度值可以表示装备的健康状况，若某时刻的健康度值小于预设健康度阈值，则可以预测该时刻发生故障。
由多输出支持向量机回归算法推导过程可知，影响预测精度的参数为惩罚因子C，不敏感损失系数ε和核函数参数σ，采用蚁群算法对多输出支持向量机模型的参数进行优化。本发明实施例提出基于蚁群算法的支持向量机参数优化方法，解决了支持向量机参数最优解的问题。
利用蚁群算法在连续空间寻找最优参数组合C和σ，具体算法如下：
步骤一：初始化
(1)给每只蚂蚁分配一组C和σ。
(2)建立支持向量机训练误差模型。
根据初始化分配的C和σ，选择训练样本训练多输出支持向量机模型。定义多输出支持向量机误差模型Error＝|Yt-Yg|，Yt为多输出支持向量机模型的计算值，Yg为训练样本的真实值。
(3)初始化信息素。
根据步骤一(2)建立的误差模型，确定蚂蚁i位置的信息素：T0(i)＝aError，其中，a＝3，由此可知，误差越大给定的信息素越小。
步骤二：进行全局和局部搜索，信息素更新，保存每代全局最优解。
(1)确定下一步的转移概率。
根据信息素大小，确定每个蚂蚁下一步转移概率：其中BestIndex为获得信息素最大的蚂蚁。
(2)建立动态挥发因子。
在开始阶段进行局部搜索时，为了避免陷入局部最优，使信息素挥发因子相对较小，随着迭代次数增加，逐渐增大信息素挥发因子。信息度挥发因子：其中K＝0，1，Echomax为最大进化代数。
(3)建立动态的转移因子。
每次迭代中，根据蚂蚁进化的信息素大小，确立动态的全局转移因子P0。设蚂蚁的数量为M，计算e-T0(i),i＝1,2,…M，并对计算值从小到大排序，构成序列T1(j),j＝1,2,…M，当时，否则如果蚂蚁的转移概率小于P0，进行局部搜索，以便找到更好的解，否则在搜索范围内进行全局搜索，在开始搜索中让大部分蚂蚁先进行局部搜索，以便蚂蚁能搜索到更好的解，在后期搜索中，为了避免陷入局部最优，使大部分蚂蚁进行全局搜索，以便得到全局最优解。
(4)信息素更新。
根据搜索的C和σ进行信息素更新，更新规则如下：T0(i)＝(1-ρ)*T0(i)+Δt(i)，其中Δt(i)＝a-Error。
(5)求取每代最优解。
当迭代次数满足要求后，迭代终止。根据误差值确定最佳蚂蚁，并且确定C和σ的最佳组合。
步骤三：支持向量机预测。
根据步骤二(5)确定的C和σ，计算相应的目标函数值，进行误差分析。
步骤S503：基于优化后的多输出支持向量机模型，根据预处理数据预测不同时刻的健康度值。
在本发明实施例中，可以根据优化后的多输出支持向量机模型，将不同系统对应的预处理数据输入该模型，输出多个时刻的该系统的健康度值。
步骤S504：若某一时刻的健康度值小于预设健康度阈值，则预测该时刻发生故障。
在本发明实施例中，若输出的多个时刻的该系统的健康度值中的某一时刻的健康度值小于该系统对应的预设健康度阈值，则预测该时刻该系统会发生故障。
其中，健康度阈值可以根据实际需求进行设定，不同的系统可以设定不同的健康度阈值，对处于核心地位的系统设置较高的健康度阈值，以便在该系统发生故障时，能够及时进行维修。
由上述描述可知，本发明实施例通过建立多输出支持向量机模型来对装备进行故障预测，能够对装备的各个系统进行故障预测，便于维修人员在故障发生前可以采取措施避免故障发生，使装备随时处于正常使用状态。
图6是本发明又一实施例提供的装备故障预测和健康评估方法的实现流程示意图。如图6所示，在上述实施例的基础上，步骤S104可以包括以下步骤：
步骤S601：建立健康状态评估指标体系，并根据健康状态评估指标体系从预处理数据中选取指标数据。
在本发明实施例中，可以对不同的系统建立不同的健康状态评估指标体系，可以分别对各个系统进行健康状态评估，得到各个系统的健康状态等级，也可以综合各个系统的健康状态，对装备的整体状态进行健康状态评估，得到装备的健康状态等级。
终端设备可以根据健康状态评估指标体系，从预处理数据中选取与健康状态评估指标体系中的各个指标对应的指标数据。
步骤S602：基于熵权法，根据指标数据计算各个指标的权重。
信息熵在信息论中用于度量系统无序化的程度，也可以表示数据的有效信息量，因此可以用熵值表征评价指标的有效信息量，信息量越大的指标权重越大，熵权法确定权重就是根据各评价指标的差异程度得出指标权重，是一种客观的赋值方法。
利用信息熵理论计算评价指标权重主要包括以下步骤：
(1)设n个对象，m个评价指标的原始数据矩阵为
式(12)中，xij表示第i个对象的第j个指标对应的指标数据。首先对指标数据矩阵X＝(xij)m×n进行标准化，可以按照以下三种方法标准化。
最大最优型指标的标准化公式为：
最小最优型指标的标准化公式为：
偏差型指标的标准化公式为：
其中，cmin为指标的警戒值或注意值，cmax为指标故障的最大值，cmav为指标的最优值，ci为指标的测量值；bij为第i个对象的第j个指标标准化数值，bij∈[0,1]。那么原始数据矩阵标准化矩阵为B＝(bij)m×n。
(2)对于n个对象，m个评价指标的评估问题，计算第j个评价指标的熵值。
式(16)中，规定当fij＝0时，fijlnf ij＝0。
(3)根据第j个评价指标的熵值计算得出其权值。
式(17)中，ωj∈[0,1]，且
步骤S603：基于模糊综合评判理论，根据各个指标的权重确定各个指标的基本信度赋值。
模糊综合评判是根据给定的评价标准和实测数据，经过模糊变换后对多因索影响的待评对象做出判决的一种模糊推理方法，它是软科学的基本万法之一，在科学评判、项目评审、竞赛打分、企业分类和经济预测与决策等诸多方面都有广泛的应用，一般可以分为单级或多级评定两种形式，这种决策方法是依据其隶属度的大小进行决策的。
模糊综合评判主要分为两步：第一步，先按每个因素单独进行评判，即单因素模糊评判；第二步，再按所有因素综合评判。其评判方法和步骤如下：
(1)建立因素集
因素集是影响评估对象的各因素所组成的一个普通的集合。通常用大写字母U表示，即U＝{u1,u2,u3,…un}，各元素代表各影响因素，这些因素有的带有一定的模糊性。
在本发明实施例中，因素集即步骤S601中的健康状态评估指标体系。
(2)建立权重集
对评估目标而言，各因素对其的重要程度是不一样的，为了反映各个因素的重要程度，对各个因素应赋予相应权重，各个权重组成的集合称为因素权重集，权重系数必须满足归一化条件各个权重可以根据模糊数学的方法确定，也可由人们根据实际问题的需要主观确定。
在本发明实施例中，权重集即步骤S602中各个指标的权重组成的集合。
(3)建立评判集
评判集是评估者对评估对象可能做出的各种总的评估结果所组成的集合(如优、良、中、差)。通常用大写字母V表示，即V＝{v1,v2,v3,v4,v5}，各元素代表各种可能的评估结果。模糊综合评判的目的就是在综合考虑所以影响因素的基础上，从评语集选择最佳的评估结果。
(4)单因素模糊评判
单因素模糊评判是指单独从一个因素出发进行评估，以确定评估对象对评判集元素的隶属程度。多因素多层次的复杂评估系统也是优先从各个因素的单独评估开始的。
设评估对象按因素集中的第i个因素进行评估，对评判集中第j个元素的隶属程度为rij，则按第i个元素评估的结果，可用模糊集合Ri＝(ri1,ri2,…,rin)来表示。Ri称为单因素评估集。同理可求出相应于每个因素的单因素评估集，并将其构成以各单因素评估集的隶属度为行的矩阵R，称为单因素评判矩阵。
(5)一级模糊综合评判
单因素模糊评判，仅反应了一个因素对评估对象的影响。这显然是不够的，我们的目的是要综合考虑所有因索的影响，得出正确的评估结果，这便是模糊综合评判问题。
从单因素评判矩阵R可以看出：R的第i行，反映了第i个元素影响评判对象取各个评判集元素的程度；R的第j列，则反映了所有因素影响评估对象取第j各评判集元素的程度。因而可以用每列元素之和反映所有因素的综合影响，对评估矩阵R各项乘上相应评估因素的权重，则能合理的描述所有因素的综合影响，因此模糊综合评判可以表示为：B＝AοR，权重集A可以视为一行m列的模糊矩阵，从而有：
其中，为广义模糊算子，B为模糊综合评估集，bj＝{b1,b2,b3,b4}为模糊综合评判结果。bj的含义为：综合考虑所有评估因素的影响后，评估对象对评判集中第j个元素的隶属度。显然模糊综合评判集B应为评判集V上的模糊子集。
在一个广义的框架Θ下，定义一组映射m(·):DΘ→[0,1]，满足下式：
则m(A)为A的广义基本信度赋值(GBBA)，DSmT理论(Dezert Smarandache Theory)的融合规则是以广义基本信度赋值m(·)为对象进行计算，也就是说m(·)是DSmT理论处理不确定信息的基础，采用模糊综合评判的方法构造m(·)。
因素集为影响评估对象的指标构成的集合表示为U＝{u1,u2,u3,…un}。评语集为专家给出的评估对象可能出现的评估结果组成的集合，健康状态等级通常分为5个等级，记为V＝{v1,v2,v3,v4,v5}。隶属函数就是因素集U到评语集V的映射，将各指标的健康状态的5个隶属函数定义为：H1表示健康状态的隶属函数，H2表示亚健康状态的隶属函数，H3表示可用状态的隶属函数，H4表示故障状态的隶属函数，H5表示报废状态的隶属函数。隶属函数在没有特殊要求时通常表示为转折点可变的分段线性函数，描述直观而且计算简单，本发明实施例采用三角形和梯形结合的隶属函数表示，如图7所示，转折点可由相关领域专家依据经验给出。其中，[0,e1]、[e1,e2]、[e2,e3]、[e3,e4]、[e4,1]分别为H5～H1的主值区间。
将标准化后的指标实测值代入各隶属函数得到实测指标对各健康状态等级的隶属度矩阵Mi：
式(20)中，mij为指标隶属于评语集中等级的隶属度。将隶属度矩阵归一化就得到对应各指标的广义基本信度赋值m(·)。
步骤S604：基于熵权DSmT融合规则，对各个指标的基本信度赋值进行合成，得到健康状态等级。
无论是自由DSmT模型组合规则，还是混合DSmT模型组合规则，都是对证据进行等权值的信息融合，没有考虑不同证据的信任度，可以认为是忽略了一部分先验信息，这种情况下直接进行DSmT融合会导致结果不够准确。如果能结合先验信息，即各个证据权值，进行信息融合，能够得到更加准确的融合结果。因此，本发明实施例结合证据权的概念，提出利用熵权DSmT的融合规则进行健康状态评估。
根据式(17)求得j个证据源E1,…,Ej的权重分别是ω1,…,ωj，令ωm＝max{ω1,…,ωj}，则对应的证据源Em称为关键证据，定义ω′i＝ωi/ωm为其他各证据相对于Em的权重。那么，对原始基本信度赋值m(·)的修正表达式为：
m'(·)＝ω′im(·) (21)
由于超幂集DΘ是由Θ中的焦元通过并和交运算得到的，其个数随着Θ中焦元个数的增加而急剧增加，当Θ焦元个数为5时，DΘ中的焦元个数可以达到167个。而在健康状态评估中不需要如此精细的分类，需要将不在评估识别框架里焦元的信度质量分配给其他焦元，因此利用第五种比例冲突重新分配原则(Proportional Conflict RedistributionRules，PCR5)理论按单焦元信度质量所占比例进行冲突再分配。对于两个证据源熵权DSmT组合公式为：
根据式(22)，将各个指标的基本信度赋值进行合成，得到健康状态等级。
由上述描述可知，本发明实施例可以对装备的健康状态进行评估，以便工作人员可以根据评估结果，选择构建维修决策建议。
图8是本发明一实施例提供的装备故障预测和健康评估系统的示意框图，为了便于说明，仅示出与本发明实施例相关的部分。
在本发明实施例中，装备故障预测和健康评估系统8包括：
数据预处理模块81，用于接收车载终端发送的监测数据，并对监测数据进行预处理得到预处理数据，车载终端位于装备内；
故障诊断模块82，用于根据预处理数据对装备进行故障诊断，得到故障信息；
故障预测模块83，用于根据预处理数据对装备进行故障预测，得到故障预测信息；
健康评估模块84，用于根据预处理数据对装备进行健康状态评估，得到健康状态信息。
可选地，故障诊断模块82包括：
异变数据识别单元，用于基于支持向量机的方法，对预处理数据进行异变数据识别，得到故障特征样本；
故障类型确定单元，用于根据预先建立的故障评价函数，确定故障特征样本对应的故障类型；
维修方案确定单元，用于根据故障类型确定故障维修方案，并输出故障类型和故障维修方案。
可选地，异变数据识别单元包括：
模型建立子单元，用于基于第一训练样本集，建立支持向量机回归模型；
候选故障特征样本选取子单元，用于根据非边界支持向量的判断条件，在预处理数据中，选取属于非边界支持向量的数据作为候选故障特征样本；
差值百分比计算子单元，用于基于支持向量机回归模型，计算候选故障特征样本的回归估计值和实际值之间的差值百分比；
故障特征样本确定子单元，用于若差值百分比大于预设差值百分比阈值，则确定候选故障特征样本为故障特征样本。
可选地，故障预测模块83包括：
模型建立单元，用于建立多输出支持向量机模型；
参数优化单元，用于基于第二训练样本集，采用蚁群算法，对多输出支持向量机模型进行参数优化，得到优化后的多输出支持向量机模型；
健康度值预测单元，用于基于优化后的多输出支持向量机模型，根据预处理数据预测不同时刻的健康度值；
故障预测单元，用于若某一时刻的健康度值小于预设健康度阈值，则预测该时刻发生故障。
可选地，健康评估模块84包括：
数据选取单元，用于建立健康状态评估指标体系，并根据健康状态评估指标体系从预处理数据中选取指标数据；
权重计算单元，用于基于熵权法，根据指标数据计算各个指标的权重；
基本信度复制确定单元，用于基于模糊综合评判理论，根据各个指标的权重确定各个指标的基本信度赋值；
健康状态等级确定单元，用于基于熵权DSmT融合规则，对各个指标的基本信度赋值进行合成，得到健康状态等级。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装备故障预测和健康评估系统的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图9是本发明一实施例提供的终端设备的示意框图。如图9所示，该实施例的终端设备9包括：一个或多个处理器90、存储器91以及存储在所述存储器91中并可在所述处理器90上运行的计算机程序92。所述处理器90执行所述计算机程序92时实现上述各个装备故障预测和健康评估方法实施例中的步骤，例如图1所示的步骤S101至S104。或者，所述处理器90执行所述计算机程序92时实现上述装备故障预测和健康评估系统实施例中各模块/单元的功能，例如图8所示模块81至84的功能。
示例性地，所述计算机程序92可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器91中，并由所述处理器90执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序92在所述终端设备9中的执行过程。例如，所述计算机程序92可以被分割成数据预处理模块、故障诊断模块、故障预测模块和健康评估模块，各模块具体功能如下：
数据预处理模块，用于接收车载终端发送的监测数据，并对监测数据进行预处理得到预处理数据，车载终端位于装备内；
故障诊断模块，用于根据预处理数据对装备进行故障诊断，得到故障信息；
故障预测模块，用于根据预处理数据对装备进行故障预测，得到故障预测信息；
健康评估模块，用于根据预处理数据对装备进行健康状态评估，得到健康状态信息。
其它模块或者单元可参照图8所示的实施例中的描述，在此不再赘述。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备9包括但不仅限于处理器90、存储器91。本领域技术人员可以理解，图9仅仅是终端设备的一个示例，并不构成对终端设备9的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备9还可以包括输入设备、输出设备、网络接入设备、总线等。
所述处理器90可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器91可以是所述终端设备的内部存储单元，例如终端设备的硬盘或内存。所述存储器91也可以是所述终端设备的外部存储设备，例如所述终端设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器91还可以既包括终端设备的内部存储单元也包括外部存储设备。所述存储器91用于存储所述计算机程序92以及所述终端设备所需的其他程序和数据。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装备故障预测和健康评估系统和方法，可以通过其它的方式实现。例如，以上所描述的装备故障预测和健康评估系统实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种装备故障预测和健康评估方法，其特征在于，包括：
接收车载终端发送的监测数据，并对所述监测数据进行预处理得到预处理数据，所述车载终端位于所述装备内；
根据所述预处理数据对所述装备进行故障诊断，得到故障信息；
根据所述预处理数据对所述装备进行故障预测，得到故障预测信息；
根据所述预处理数据对所述装备进行健康状态评估，得到健康状态信息。
2.根据权利要求1所述的装备故障预测和健康评估方法，其特征在于，所述根据所述预处理数据对所述装备进行故障诊断，得到故障信息，包括：
基于支持向量机的方法，对所述预处理数据进行异变数据识别，得到故障特征样本；
根据预先建立的故障评价函数，确定所述故障特征样本对应的故障类型；
根据所述故障类型确定故障维修方案，并输出所述故障类型和所述故障维修方案。
3.根据权利要求2所述的装备故障预测和健康评估方法，其特征在于，所述基于支持向量机的方法，对所述预处理数据进行异变数据识别，得到故障特征样本，包括：
基于第一训练样本集，建立支持向量机回归模型；
根据非边界支持向量的判断条件，在所述预处理数据中，选取属于非边界支持向量的数据作为候选故障特征样本；
基于所述支持向量机回归模型，计算所述候选故障特征样本的回归估计值和实际值之间的差值百分比；
若所述差值百分比大于预设差值百分比阈值，则确定所述候选故障特征样本为所述故障特征样本。
4.根据权利要求1所述的装备故障预测和健康评估方法，其特征在于，所述根据所述预处理数据对所述装备进行故障预测，得到故障预测信息包括：
建立多输出支持向量机模型；
基于第二训练样本集，采用蚁群算法，对所述多输出支持向量机模型进行参数优化，得到优化后的多输出支持向量机模型；
基于所述优化后的多输出支持向量机模型，根据所述预处理数据预测不同时刻的健康度值；
若某一时刻的健康度值小于预设健康度阈值，则预测该时刻发生故障。
5.根据权利要求1至4任一项所述的装备故障预测和健康评估方法，其特征在于，所述根据所述预处理数据对所述装备进行健康状态评估，得到健康状态信息包括：
建立健康状态评估指标体系，并根据所述健康状态评估指标体系从所述预处理数据中选取指标数据；
基于熵权法，根据所述指标数据计算各个指标的权重；
基于模糊综合评判理论，根据所述各个指标的权重确定各个指标的基本信度赋值；
基于熵权DSmT融合规则，对所述各个指标的基本信度赋值进行合成，得到健康状态等级。
6.一种装备故障预测和健康评估系统，其特征在于，包括：
数据预处理模块，用于接收车载终端发送的监测数据，并对所述监测数据进行预处理得到预处理数据，所述车载终端位于所述装备内；
故障诊断模块，用于根据所述预处理数据对所述装备进行故障诊断，得到故障信息；
故障预测模块，用于根据所述预处理数据对所述装备进行故障预测，得到故障预测信息；
健康评估模块，用于根据所述预处理数据对所述装备进行健康状态评估，得到健康状态信息。
7.根据权利要求6所述的装备故障预测和健康评估系统，其特征在于，所述故障诊断模块包括：
异变数据识别单元，用于基于支持向量机的方法，对所述预处理数据进行异变数据识别，得到故障特征样本；
故障类型确定单元，用于根据预先建立的故障评价函数，确定所述故障特征样本对应的故障类型；
维修方案确定单元，用于根据所述故障类型确定故障维修方案，并输出所述故障类型和所述故障维修方案。
8.根据权利要求7所述的装备故障预测和健康评估系统，其特征在于，所述异变数据识别单元包括：
模型建立子单元，用于基于第一训练样本集，建立支持向量机回归模型；
候选故障特征样本选取子单元，用于根据非边界支持向量的判断条件，在所述预处理数据中，选取属于非边界支持向量的数据作为候选故障特征样本；
差值百分比计算子单元，用于基于所述支持向量机回归模型，计算所述候选故障特征样本的回归估计值和实际值之间的差值百分比；
故障特征样本确定子单元，用于若所述差值百分比大于预设差值百分比阈值，则确定所述候选故障特征样本为所述故障特征样本。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述装备故障预测和健康评估方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被一个或多个处理器执行时实现如权利要求1至5任一项所述装备故障预测和健康评估方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910091245.2A CN109934358A (zh) | 2019-01-30 | 2019-01-30 | 装备故障预测和健康评估方法、系统及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910091245.2A CN109934358A (zh) | 2019-01-30 | 2019-01-30 | 装备故障预测和健康评估方法、系统及终端设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109934358A true CN109934358A (zh) | 2019-06-25 |
Family
ID=66985370
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910091245.2A Pending CN109934358A (zh) | 2019-01-30 | 2019-01-30 | 装备故障预测和健康评估方法、系统及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109934358A (zh) |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110764493A (zh) * | 2019-11-14 | 2020-02-07 | 中国国家铁路集团有限公司 | 一种适用于高速铁路的phm应用系统、方法及存储介质 |
| CN111105072A (zh) * | 2019-11-21 | 2020-05-05 | 浙江大学 | 一种基于熵权模糊综合法预测光伏电站健康度的方法 |
| CN111178554A (zh) * | 2019-12-19 | 2020-05-19 | 北京无线电测量研究所 | 一种设备健康管理方法、系统及雷达 |
| CN111506043A (zh) * | 2020-04-09 | 2020-08-07 | 中国船舶工业综合技术经济研究院 | 一种舰炮关键部件故障预测系统 |
| CN111894946A (zh) * | 2020-07-20 | 2020-11-06 | 中国人民解放军空军工程大学 | 基于作战强度和环境的装备液压系统故障预测方法 |
| CN112163297A (zh) * | 2020-09-30 | 2021-01-01 | 厦门科灿信息技术有限公司 | 设备健康预测系统 |
| CN112330034A (zh) * | 2020-11-10 | 2021-02-05 | 深圳市汇拓新邦科技有限公司 | 故障预测方法及系统 |
| CN112488432A (zh) * | 2019-09-10 | 2021-03-12 | 上海杰之能软件科技有限公司 | 一种装备健康评估方法、存储设备及终端 |
| CN112862114A (zh) * | 2020-12-24 | 2021-05-28 | 交控科技股份有限公司 | 轨道交通的设备状态监测系统与资产管理系统的对接方法 |
| CN113064075A (zh) * | 2021-03-16 | 2021-07-02 | 电子科技大学成都学院 | 一种基于边缘计算及深度学习的电机寿命预估方法 |
| CN113177650A (zh) * | 2021-05-28 | 2021-07-27 | 中车齐齐哈尔车辆有限公司 | 一种铁路货车车厢的预测性维护方法及装置 |
| CN113743461A (zh) * | 2021-07-29 | 2021-12-03 | 中国人民解放军军事科学院国防科技创新研究院 | 无人机集群健康度评估方法及装置 |
| CN114564835A (zh) * | 2022-03-01 | 2022-05-31 | 北京九天翱翔科技有限公司 | 基于多属性融合模糊综合评判的发射成功率快速评估系统 |
| CN114897256A (zh) * | 2022-05-31 | 2022-08-12 | 三一汽车制造有限公司 | 一种车辆健康状态分析方法、装置、系统及工程车辆 |
| CN114997744A (zh) * | 2022-07-20 | 2022-09-02 | 平安国际融资租赁有限公司 | 一种设备健康评估方法、装置、计算机设备及介质 |
| CN115146845A (zh) * | 2022-06-28 | 2022-10-04 | 中国人民解放军32181部队 | 一种面向装备系统级的健康状态评估以及故障预测方法和系统 |
| CN115964883A (zh) * | 2022-12-30 | 2023-04-14 | 中国船舶集团有限公司综合技术经济研究院 | 一种无人艇的状态监测与维修保障系统 |
| CN116186888A (zh) * | 2022-12-28 | 2023-05-30 | 北京控制工程研究所 | 航天器健康状态量化评估方法、装置、电子设备及介质 |
| CN116505034A (zh) * | 2023-06-28 | 2023-07-28 | 北京新研创能科技有限公司 | 一种用于氢燃料电池系统的安全管理方法及系统 |
| CN116705271A (zh) * | 2023-08-09 | 2023-09-05 | 山东博达医疗用品股份有限公司 | 一种大数据的医疗冲洗设备运行监测系统 |
| CN116773168A (zh) * | 2023-06-20 | 2023-09-19 | 南通思诺船舶科技有限公司 | 一种推进轴故障诊断方法及系统 |
| CN117213894A (zh) * | 2023-11-08 | 2023-12-12 | 青岛船研深海技术有限公司 | 一种海洋工程装备运行异常监测系统 |
| CN117291923A (zh) * | 2023-11-27 | 2023-12-26 | 成都宏讯微电子科技有限公司 | 一种芯片封装质量评价方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101907088A (zh) * | 2010-05-27 | 2010-12-08 | 中国人民解放军国防科学技术大学 | 基于单类支持向量机的故障诊断方法 |
| CN102393731A (zh) * | 2011-10-17 | 2012-03-28 | 苏州凌创电子科技有限公司 | 基于obd-ⅱ的车载监控诊断装置 |
| US20130268469A1 (en) * | 2012-04-06 | 2013-10-10 | Applied Materials, Inc. | Increasing signal to noise ratio for creation of generalized and robust prediction models |
| CN104318242A (zh) * | 2014-10-08 | 2015-01-28 | 中国人民解放军空军工程大学 | 一种高效的svm主动半监督学习算法 |
| CN106448267A (zh) * | 2016-11-14 | 2017-02-22 | 江苏大学 | 基于车联网的道路交通事故链阻断系统 |
| CN108764265A (zh) * | 2018-03-26 | 2018-11-06 | 海南电网有限责任公司电力科学研究院 | 一种基于支持向量机算法的故障诊断方法 |
| CN109163913A (zh) * | 2018-09-30 | 2019-01-08 | 深圳市元征科技股份有限公司 | 一种汽车故障诊断方法及相关设备 |
-
2019
- 2019-01-30 CN CN201910091245.2A patent/CN109934358A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101907088A (zh) * | 2010-05-27 | 2010-12-08 | 中国人民解放军国防科学技术大学 | 基于单类支持向量机的故障诊断方法 |
| CN102393731A (zh) * | 2011-10-17 | 2012-03-28 | 苏州凌创电子科技有限公司 | 基于obd-ⅱ的车载监控诊断装置 |
| US20130268469A1 (en) * | 2012-04-06 | 2013-10-10 | Applied Materials, Inc. | Increasing signal to noise ratio for creation of generalized and robust prediction models |
| CN104318242A (zh) * | 2014-10-08 | 2015-01-28 | 中国人民解放军空军工程大学 | 一种高效的svm主动半监督学习算法 |
| CN106448267A (zh) * | 2016-11-14 | 2017-02-22 | 江苏大学 | 基于车联网的道路交通事故链阻断系统 |
| CN108764265A (zh) * | 2018-03-26 | 2018-11-06 | 海南电网有限责任公司电力科学研究院 | 一种基于支持向量机算法的故障诊断方法 |
| CN109163913A (zh) * | 2018-09-30 | 2019-01-08 | 深圳市元征科技股份有限公司 | 一种汽车故障诊断方法及相关设备 |
Non-Patent Citations (3)
| Title |
|---|
| 孙德山: "支持向量机分类与回归方法研究", 《中国博士学位论文全文数据库(基础科学辑)》 * |
| 邱文昊 等: "基于不确定性与重要度的改进DSmT健康状态评估", 《航空动力学报》 * |
| 邱文昊 等: "基于健康度分析与和声蚁群算法_支持向量机的故障预测模型", 《计算机应用》 * |
Cited By (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112488432A (zh) * | 2019-09-10 | 2021-03-12 | 上海杰之能软件科技有限公司 | 一种装备健康评估方法、存储设备及终端 |
| CN112488432B (zh) * | 2019-09-10 | 2024-05-07 | 上海杰之能软件科技有限公司 | 一种装备健康评估方法、存储设备及终端 |
| CN110764493A (zh) * | 2019-11-14 | 2020-02-07 | 中国国家铁路集团有限公司 | 一种适用于高速铁路的phm应用系统、方法及存储介质 |
| CN111105072A (zh) * | 2019-11-21 | 2020-05-05 | 浙江大学 | 一种基于熵权模糊综合法预测光伏电站健康度的方法 |
| CN111178554A (zh) * | 2019-12-19 | 2020-05-19 | 北京无线电测量研究所 | 一种设备健康管理方法、系统及雷达 |
| CN111178554B (zh) * | 2019-12-19 | 2023-08-11 | 北京无线电测量研究所 | 一种设备健康管理方法、系统及雷达 |
| CN111506043A (zh) * | 2020-04-09 | 2020-08-07 | 中国船舶工业综合技术经济研究院 | 一种舰炮关键部件故障预测系统 |
| CN111506043B (zh) * | 2020-04-09 | 2021-04-09 | 中国船舶工业综合技术经济研究院 | 一种舰炮关键部件故障预测系统 |
| CN111894946B (zh) * | 2020-07-20 | 2022-07-15 | 中国人民解放军空军工程大学 | 基于作战强度和环境的装备液压系统故障预测方法 |
| CN111894946A (zh) * | 2020-07-20 | 2020-11-06 | 中国人民解放军空军工程大学 | 基于作战强度和环境的装备液压系统故障预测方法 |
| CN112163297A (zh) * | 2020-09-30 | 2021-01-01 | 厦门科灿信息技术有限公司 | 设备健康预测系统 |
| CN112163297B (zh) * | 2020-09-30 | 2023-07-18 | 厦门科灿信息技术有限公司 | 设备健康预测系统 |
| CN112330034A (zh) * | 2020-11-10 | 2021-02-05 | 深圳市汇拓新邦科技有限公司 | 故障预测方法及系统 |
| CN112862114A (zh) * | 2020-12-24 | 2021-05-28 | 交控科技股份有限公司 | 轨道交通的设备状态监测系统与资产管理系统的对接方法 |
| CN112862114B (zh) * | 2020-12-24 | 2024-04-30 | 交控科技股份有限公司 | 轨道交通的设备状态监测系统与资产管理系统的对接方法 |
| CN113064075A (zh) * | 2021-03-16 | 2021-07-02 | 电子科技大学成都学院 | 一种基于边缘计算及深度学习的电机寿命预估方法 |
| CN113177650A (zh) * | 2021-05-28 | 2021-07-27 | 中车齐齐哈尔车辆有限公司 | 一种铁路货车车厢的预测性维护方法及装置 |
| CN113743461A (zh) * | 2021-07-29 | 2021-12-03 | 中国人民解放军军事科学院国防科技创新研究院 | 无人机集群健康度评估方法及装置 |
| CN113743461B (zh) * | 2021-07-29 | 2024-04-09 | 中国人民解放军军事科学院国防科技创新研究院 | 无人机集群健康度评估方法及装置 |
| CN114564835A (zh) * | 2022-03-01 | 2022-05-31 | 北京九天翱翔科技有限公司 | 基于多属性融合模糊综合评判的发射成功率快速评估系统 |
| CN114897256A (zh) * | 2022-05-31 | 2022-08-12 | 三一汽车制造有限公司 | 一种车辆健康状态分析方法、装置、系统及工程车辆 |
| CN115146845A (zh) * | 2022-06-28 | 2022-10-04 | 中国人民解放军32181部队 | 一种面向装备系统级的健康状态评估以及故障预测方法和系统 |
| CN114997744A (zh) * | 2022-07-20 | 2022-09-02 | 平安国际融资租赁有限公司 | 一种设备健康评估方法、装置、计算机设备及介质 |
| CN116186888A (zh) * | 2022-12-28 | 2023-05-30 | 北京控制工程研究所 | 航天器健康状态量化评估方法、装置、电子设备及介质 |
| CN116186888B (zh) * | 2022-12-28 | 2024-01-23 | 北京控制工程研究所 | 航天器健康状态量化评估方法、装置、电子设备及介质 |
| CN115964883A (zh) * | 2022-12-30 | 2023-04-14 | 中国船舶集团有限公司综合技术经济研究院 | 一种无人艇的状态监测与维修保障系统 |
| CN116773168A (zh) * | 2023-06-20 | 2023-09-19 | 南通思诺船舶科技有限公司 | 一种推进轴故障诊断方法及系统 |
| CN116773168B (zh) * | 2023-06-20 | 2024-03-12 | 南通思诺船舶科技有限公司 | 一种推进轴故障诊断方法及系统 |
| CN116505034B (zh) * | 2023-06-28 | 2023-09-15 | 北京新研创能科技有限公司 | 一种用于氢燃料电池系统的安全管理方法及系统 |
| CN116505034A (zh) * | 2023-06-28 | 2023-07-28 | 北京新研创能科技有限公司 | 一种用于氢燃料电池系统的安全管理方法及系统 |
| CN116705271B (zh) * | 2023-08-09 | 2023-11-14 | 山东博达医疗用品股份有限公司 | 一种基于大数据的医疗冲洗设备运行监测系统 |
| CN116705271A (zh) * | 2023-08-09 | 2023-09-05 | 山东博达医疗用品股份有限公司 | 一种大数据的医疗冲洗设备运行监测系统 |
| CN117213894A (zh) * | 2023-11-08 | 2023-12-12 | 青岛船研深海技术有限公司 | 一种海洋工程装备运行异常监测系统 |
| CN117213894B (zh) * | 2023-11-08 | 2024-01-26 | 青岛船研深海技术有限公司 | 一种海洋工程装备运行异常监测系统 |
| CN117291923A (zh) * | 2023-11-27 | 2023-12-26 | 成都宏讯微电子科技有限公司 | 一种芯片封装质量评价方法及系统 |
| CN117291923B (zh) * | 2023-11-27 | 2024-02-09 | 成都宏讯微电子科技有限公司 | 一种芯片封装质量评价方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109934358A (zh) | 装备故障预测和健康评估方法、系统及终端设备 | |
| CN109685366A (zh) | 基于异变数据的装备健康状态评估方法 | |
| CN114048600B (zh) | 一种数字孪生驱动的多模型融合工业系统异常检测方法 | |
| CN107786369B (zh) | 基于irt层次分析和lstm的电力通信网络安全态势感知和预测方法 | |
| CN112785091B (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
| CN111787011B (zh) | 一种信息系统安全威胁智能分析预警系统、方法及存储介质 | |
| CN104392087B (zh) | 一种顶置武器站性能评估方法 | |
| CN110929918A (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
| CN111597760B (zh) | 一种实现小样本条件下获取气路参数偏差值的方法 | |
| CN107942994A (zh) | 一种基于温度曲线特征的卫星温控系统故障诊断方法 | |
| CN114358124A (zh) | 基于深度对抗卷积神经网络的旋转机械新故障诊断方法 | |
| CN114049026A (zh) | 一种基于层次分析法的工业互联网标识解析风险评估方法 | |
| CN114580087B (zh) | 一种船载设备的联邦剩余使用寿命预测方法、装置及系统 | |
| CN114565162A (zh) | 一种飞行器运输状态监测与安全防护方法及系统 | |
| CN114692983A (zh) | 一种特种车辆自动换挡预测方法及系统 | |
| Feng et al. | Research on Threat Assessment evaluation model based on improved CNN algorithm | |
| CN114776576A (zh) | 远程监测压裂车液力端总成的方法及系统 | |
| CN117034222A (zh) | 用户账号处理方法、装置、电子设备、介质和程序产品 | |
| Jun et al. | A multi-attribute group decision-making approach based on uncertain linguistic information | |
| Zhong et al. | DCSN: Focusing on hard samples mining in small-sample fault diagnosis of marine engine | |
| Xu et al. | Fault diagnosis method via one vs rest evidence classifier considering imprecise feature samples | |
| CN112926442B (zh) | 一种图像目标数据集均衡完备的构建方法 | |
| CN115619105B (zh) | 基于仿真大数据的动态演化体系能力分析方法和系统 | |
| CN114266401B (zh) | 一种底盘发动机故障预测方法及系统 | |
| CN108446459B (zh) | 基于模糊语义推理的炼焦过程耗热量影响因素优化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190625 |
|
| RJ01 | Rejection of invention patent application after publication |