CN112257893A - 一种考虑监测误差的复杂机电系统健康状态预测方法 - Google Patents
一种考虑监测误差的复杂机电系统健康状态预测方法 Download PDFInfo
- Publication number
- CN112257893A CN112257893A CN202010932042.4A CN202010932042A CN112257893A CN 112257893 A CN112257893 A CN 112257893A CN 202010932042 A CN202010932042 A CN 202010932042A CN 112257893 A CN112257893 A CN 112257893A
- Authority
- CN
- China
- Prior art keywords
- health state
- brb
- monitoring
- electromechanical system
- complex electromechanical
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 40
- 230000036541 health Effects 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000004913 activation Effects 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 230000003044 adaptive effect Effects 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims abstract description 3
- 239000010410 layer Substances 0.000 claims 3
- 239000002355 dual-layer Substances 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 101100001673 Emericella variicolor andH gene Proteins 0.000 description 1
- 101150096839 Fcmr gene Proteins 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Computational Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Geometry (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种考虑监测误差的复杂机电系统健康状态预测方法,属于工程技术领域。该方法包括以下步骤:1.分析计算监测数据的监测误差。2.计算考虑监测误差的属性权重,并计算置信规则库(belief rule base,BRB)的新的激活权重。3.根据专家知识和新的激活权重建立初始双层BRB预测模型。4.利用投影协方差矩阵的自适应演化策略(the adaptive evolution strategy of projection covariance matrix,P‑CMA‑ES)作为优化算法,对初始参数进行更新后得到复杂机电系统的健康状态预测模型。本发明通过建立考虑了检测数据的监测误差的双层BRB健康状态预测模型,可以提高复杂机电系统健康状态预测模型的精度。
Description
技术领域:
本发明涉及一种考虑监测误差的复杂机电系统健康状态预测方法,具体是指预测考虑监测误差的基于双层置信规则库的复杂机电系统的健康状态预测方法。属于工程技术领域。
背景技术:
预测复杂机电系统的健康状态是确保安全性,可靠性和经济性的重要基础。合理对复杂机电系统进行健康状态预测可以实现最佳的维护决策,并有效减少系统故障所造成的人员伤亡和经济损失。由于复杂机电系统的可靠性高,故系统的健康状况估计和预测的显着特征是大量监视数据和较差的有效数据。
目前主要有基于数据和基于定性知识的健康状态预测方法。基于数据驱动的智能学习模型是基于大量的观测数据,以建立非线性模型来预测复杂机电系统的健康状况。但对于大多数复杂机电系统,很难建立准确的分析模型。由于系统的复杂性和耦合特性,建立准确的健康预测模型以反映未来行为的动态变化也很困难。此外,在工程实践中考虑到少量的故障数据,很难获得足够的有效数据来确保使用数据驱动方法进行预测的准确性。基于定性知识的方法可以对基于专家知识的系统进行分析和建模,但由于缺乏基于定性知识的定量知识,传统的专家系统带来的预测结果不够精确。
置信规则库(belief rule base,BRB)是一种出色的建模方法,可以充分利用各种知识,包括定量知识,定性知识(例如专家经验)和半定量信息。BRB健康状态预测模型可以较好的预测复杂机电系统的健康状态。然而,由于外部环境干扰(噪声,振动等)以及传感器跟踪能力的下降,在实际操作环境中获得的复杂机电系统的有效监视数据中可能会出现错误。现有的复杂机电系统健康状态预测方法大多是在只考虑数据的客观方面的属性权重,没有考虑数据主观方面的属性权重的情况下进行健康状态预测。这种复杂机电系统的健康状态的预测方式虽然能够起到对复杂机电系统健康状态进行预测的作用,但是预测精度不高。
发明内容:
本发明的目的是提供复杂机电系统健康状态预测方法,它能够提高考虑输入特征量监视数据的误差的复杂机电系统健康状态预测精度。复杂机电系统健康状态预测模型分为以下四个模块:模块一为分析监测数据出现误差的原因,计算监测误差;模块二为计算考虑监测误差的属性权重,并计算BRB的新的激活权重;模块三通过专家知识和新的激活权重建立初始双层BRB预测模型;模块四为基于投影协方差矩阵的自适应演化策略(theadaptive evolution strategy of projection covariance matrix,P-CMA-ES)优化算法,对双层BRB模型中的初始参数进行更新。
本发明的技术方案:
模块一为根据平均距离方法对监测数据的监测误差进行计算,具体过程如下。首先计算每个数据与其他数据之间的距离:
dn(xn(i),xn(i′))=|xn(i)-xn(i′)| (1)
xn(i)表示第n个输入特征量中的第i个数据。
然后计算第n个输入特征量中的第i个数据与其他数据之间的平均距离:
第n个特征中的第i个数据的监测误差可描述为:
最后,第n个特征的监测误差可以计算为:
模块二为计算考虑监测误差的属性权重,并计算双层BRB的新的激活权重。首先计算考虑监测误差的属性权重:
考虑监测误差的属性权重θi其中包含两部分,属性权重δi和观察数据监测错误εi。表属性权重δi代特征量的相对重要性,代表特征量的主观判断。监视数据监视错误εi表示特征量中包含的干扰量,并且表示特征量的客观响应。代表属性权重δi与监测误差εi之间的加权因子,其值代表前提属性权重θi中主观判断与客观反映之间的比率,并且
然后,计算前提属性的匹配度,即特征量的匹配度:
计算属性的匹配度:
获得匹配度后,第k条规则的激活权重为:
模块三为建立初始BRB预测模型。首先根据专家知识给定BRB模型的初始置信程度对复杂机电系统的健康状态特征量进行时间序列预测,其中第k条规则如下所示:
Rk代表第k个置信度规则;xk(t-m)表示第m个前提条件属性m∈(0,τ);τ表示延迟步骤数;表示第k条规则中第m个前提条件属性的参考值D={D1 D2,…,DN}表示第m个必备属性的参考值;βj,k(j=1,2,…,N,k=1,2,…,L)表示第j个结果的置信度Dj,并且Dj∈D;∧代表“与”关系;ε代表输入特征量的监测误差。
然后对上述得到的不同的复杂机电系统健康状态特征量的时间序列预测结果进行融合推理,建立初始第二层BRB模型,其中第k条规则如下所示:
其中,Rk代表第k个置信度规则;xn表示第n个前提属性,n表示复杂机电系统的特征量的数量;表示第k条规则中第n个前提属性的参考值,并且H={H1H2,…,HN}表示第n个前提属性的参考值;βb,k(j=1,2,…,N,k=1,2,…,L)表示第b个结果的置信度Hj,并且Hj∈H;∧代表“与”关系。
模块四主要是利用P-CMA-ES优化算法,对上述由专家给定的初始BRB预测模型中的参数进行更新,以修正专家知识的不确定性,具体过程如下所示:
目标函数如下构造:
minξ(V)
附图说明:
图1为一种考虑监测误差的复杂机电系统健康状态预测方法流程图。
具体实施方式:
如图1所示,具体实施方式采用以下步骤:
⑴通过对复杂机电系统特征量的监测误差进行分析计算
⑵计算考虑监测误差的属性权重,并根据新的属性权重计算激活权重。
⑶根据新的激活权重建立初始双层BRB预测模型,对上述得到的复杂机电系统的健康状态特征量进行预测,并且通过双层BRB模型得出初始复杂机电系统的预测模型。
⑷基于P-CMA-ES优化算法,对双层BRB模型中的初始参数进行更新,然后预测出复杂机电系统的健康状态。
Claims (4)
1.一种考虑监测误差的复杂机电系统健康状态预测方法,其特征在于如下的健康状态预测步骤:
⑴通过分析监测数据出现误差的原因,计算监测误差;
⑵基于置信规则库(belief rule base,BRB)中的属性权重,根据监测误差计算新的激活权重;
⑶通过专家知识和新的激活权重建立初始双层BRB预测模型;
⑷基于投影协方差矩阵的自适应演化策略(the adaptive evolution strategy ofprojection covariancematrix,P-CMA-ES)优化算法,对双层BRB模型中的初始参数进行更新。
2.根据权利要求1所述的一种考虑监测误差的复杂机电系统健康状态预测方法,其特征在于利用P-CMA-ES优化算法对双层BRB模型初始参数进行更新。
3.根据权利要求1所述的一种考虑监测误差的复杂机电系统健康状态预测方法,其特征在于通过考虑监测数据的监测误差,对BRB中的属性权重重新计算,提高了BRB模型的结构合理性。
4.根据权利要求1所述的一种考虑监测误差的复杂机电系统健康状态预测方法,其特征在于通过新的属性权重建立双层BRB预测模型,提高了模型的预测精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010932042.4A CN112257893A (zh) | 2020-09-08 | 2020-09-08 | 一种考虑监测误差的复杂机电系统健康状态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010932042.4A CN112257893A (zh) | 2020-09-08 | 2020-09-08 | 一种考虑监测误差的复杂机电系统健康状态预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112257893A true CN112257893A (zh) | 2021-01-22 |
Family
ID=74231173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010932042.4A Pending CN112257893A (zh) | 2020-09-08 | 2020-09-08 | 一种考虑监测误差的复杂机电系统健康状态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112257893A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114528760A (zh) * | 2022-02-11 | 2022-05-24 | 长春工业大学 | 一种考虑监测误差的航空发动机气路健康状态预测方法 |
CN115964907A (zh) * | 2023-03-17 | 2023-04-14 | 中国人民解放军火箭军工程大学 | 复杂系统健康趋势预测方法、系统、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243393A (zh) * | 2015-10-27 | 2016-01-13 | 长春工业大学 | 一种基于特征的复杂机电系统故障预报方法 |
CN110348752A (zh) * | 2019-07-16 | 2019-10-18 | 中国人民解放军火箭军工程大学 | 一种考虑环境干扰的大型工业系统结构安全性评估方法 |
CN110689171A (zh) * | 2019-09-05 | 2020-01-14 | 哈尔滨工程大学 | 一种基于e-lstm的汽轮机健康状态预测方法 |
CN111259551A (zh) * | 2020-01-17 | 2020-06-09 | 中国人民解放军火箭军工程大学 | 一种基于置信规则库的惯组故障预测方法 |
-
2020
- 2020-09-08 CN CN202010932042.4A patent/CN112257893A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243393A (zh) * | 2015-10-27 | 2016-01-13 | 长春工业大学 | 一种基于特征的复杂机电系统故障预报方法 |
CN110348752A (zh) * | 2019-07-16 | 2019-10-18 | 中国人民解放军火箭军工程大学 | 一种考虑环境干扰的大型工业系统结构安全性评估方法 |
CN110689171A (zh) * | 2019-09-05 | 2020-01-14 | 哈尔滨工程大学 | 一种基于e-lstm的汽轮机健康状态预测方法 |
CN111259551A (zh) * | 2020-01-17 | 2020-06-09 | 中国人民解放军火箭军工程大学 | 一种基于置信规则库的惯组故障预测方法 |
Non-Patent Citations (1)
Title |
---|
尹晓静: "基于半定量信息的复杂机电系统健康评估及预测方法研究", 《中国优秀硕士学位论文个文数据库工程科技Ⅱ辑》, 15 September 2018 (2018-09-15), pages 110 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114528760A (zh) * | 2022-02-11 | 2022-05-24 | 长春工业大学 | 一种考虑监测误差的航空发动机气路健康状态预测方法 |
CN114528760B (zh) * | 2022-02-11 | 2023-04-07 | 长春工业大学 | 一种考虑监测误差的航空发动机气路健康状态预测方法 |
CN115964907A (zh) * | 2023-03-17 | 2023-04-14 | 中国人民解放军火箭军工程大学 | 复杂系统健康趋势预测方法、系统、电子设备及存储介质 |
CN115964907B (zh) * | 2023-03-17 | 2023-12-01 | 中国人民解放军火箭军工程大学 | 复杂系统健康趋势预测方法、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109472110B (zh) | 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法 | |
CN111539515B (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
CN108764520B (zh) | 一种基于多层循环神经网络和d-s证据理论的水质参数预测方法 | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN105956690A (zh) | 一种供水预测方法及系统 | |
CN110348752B (zh) | 一种考虑环境干扰的大型工业系统结构安全性评估方法 | |
CN111461413B (zh) | 一种公路路面使用性能检测系统 | |
Zio et al. | Failure and reliability predictions by infinite impulse response locally recurrent neural networks | |
CN107644297B (zh) | 一种电机系统节能量计算和验证方法 | |
CN114397043B (zh) | 多点温度智能检测系统 | |
CN111461463A (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
CN112257893A (zh) | 一种考虑监测误差的复杂机电系统健康状态预测方法 | |
CN116519021B (zh) | 一种惯性导航系统故障诊断方法、系统及设备 | |
CN110570013A (zh) | 一种单站位在线波周期数据的预测诊断方法 | |
CN116451514A (zh) | 桥梁结构状态评估方法、装置以及电子设备 | |
CN116303786B (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 | |
CN113158448A (zh) | 一种船舶系统设备阈值的自适应计算方法 | |
CN114358244B (zh) | 基于物联网的压力大数据智能检测系统 | |
CN114970745B (zh) | 物联网智能安防与环境大数据系统 | |
CN114399024B (zh) | 油气浓度大数据智能检测系统 | |
CN114386672B (zh) | 环境大数据物联网智能检测系统 | |
CN115659201A (zh) | 物联网气体浓度检测方法及监控系统 | |
CN114970674A (zh) | 一种基于关联度对齐的时序数据概念漂移适配方法 | |
CN115482877A (zh) | 一种基于时序图网络的发酵过程软测量建模方法 | |
CN113159395A (zh) | 一种基于深度学习的污水处理厂进水流量预测方法及系统 |
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 |