CN112884210A - 一种基于模糊聚类的车辆健康管理系统架构优化方法 - Google Patents

Abstract

一种基于模糊聚类的车辆健康管理系统架构优化方法，属于人工智能技术领域。方法包括：获取车辆的K个子系统的J个配置值，建立初始矩阵；根据初始矩阵计算出子系统初始权重；人工智能模块对子系统两两之间的重要程度作比较，构建出两两比较的判断矩阵，根据判断矩阵对初始权重进行修正；根据修改的权重构建加权规范化矩阵，进一步确定最佳匹配值。本发明提供的方法根据对车辆技术质量指标的要求自动优化子系统的配置，自动化程度高。

Description

一种基于模糊聚类的车辆健康管理系统架构优化方法

技术领域

本发明涉及一种基于模糊聚类的车辆健康管理系统架构优化方法，属于人工智能技术领域。

背景技术

车辆系统一般以分队的形式集中管理或执行任务，具体车辆系统由车辆本体、人员、油料和弹药等多种影响因子组成，车辆本体又可分为不同层次的功能子系统，如火控子系统、发动机子系统、传动子系统、行动子系统、电源电气子系统、观察子系统、灭火抑爆子系统、三防子系统、强光防御子系统和定位子系统等。

发明内容

本发明的发明目的是提供一种基于模糊聚类的车辆健康管理系统架构优化方法，本发明提供的方法根据对车辆技术质量指标的要求自动优化子系统的配置，自动化程度高。

为实现所述发明目的，本发明提供S01:建立初始矩阵：获取车辆中每个车辆的K个子系统的J个配置值，建立初始矩阵:

矩阵中的元素f_kj表示第k个子系统的第j个匹配值；

S02；子系统初始权重计算:a)对配置值进化归一化处理,构建归一化矩阵:

其中,

b)计算子系统k的初始权重：

S03：对初始权重进行修正：

a)人工智能模块对子系统对车辆技术指标的贡献度进行比较，得到贡献度向量：

b)根据贡献度确定最终权重：

S04：确定最佳匹配值：

a)构建加权规范化矩阵：

b)求加权规范化矩阵每行元素中的最大值和最小值：

式中v_kj＝x_kq_kj

c)计算加权规范化矩阵每行中元素与最大值和最小值的欧氏距离：

d)计算加权规范化矩阵每行中元素排序因子：

e)根据排序因子的大小，对各子系统配置值进行优劣排序，取γ_j最大的子系统配置值作为最优的配置值。

为实现所述发明目的，还提供一种存储介质，其用于存储利用计算机语言将上述的方法编成的计算机程序代码，所述计算机程序代码可由处理器执行。

与现有技术相比，本发明提供的基于模糊聚类的车辆健康管理系统架构优化方法根据对车辆技术质量指标的要求自动优化子系统的配置，自动化程度高。

附图说明

图1是本发明提供车辆全面健康管理系统架构的组成框图；

图2是本发明提供的车辆系统的硬件组成框图；

图3是本发明提供分队系统的硬件组成框图；

图4是本发明提供的车辆健康管理系统架构优化方法的工作流程图；

图5是本发明提供的人工智能诊断推理模块工作流程图；

图6是本发明提供的模糊神经网络的结构示意图；

图7是本发明提供人工智能剩余寿命预测模块的工作流程图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，本文所用的术语仅用于描述特定实施例的目的，而并非旨在限制本发明。除非上下文明确指出，否则如本文中所使用的单数形式“一”、“一个”和“该”等意图也包括复数形式。使用“包括”和/或“包含”等术语时，是意图说明存在该特征、整数、步骤、操作、元素和/或组件，而不排除一个或多个其他特征、整数、步骤、操作、元素、组件、和/或其他组合的存在或增加。术语“和/或”包括一个或多个相关列出项目的任何和所有组合。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

图1是本发明提供基于模糊聚类的车辆全面健康管理系统架构的组成框图；如图1所示，车辆分队至少包括分队管理系统和第1到第N个车辆，分队管理系统如图2所示，其为分队管理层，根据完成任务的指标值及总花费通过优化模块对每个车辆进行配置；车辆上配置有图2所示的车辆系统，其用于检测各系统的状态数据，并调用数据库中已学习的子系统和/或车辆模型通过诊断推理模块、预测推理模块、异常检测模块模对子系统和/或车辆进行异常检测、故障诊断、剩余寿命预测，并通过集成模块将测量数据、检测结果、预测结果以树状节点形进行集成而后发送给分队管理系统，每个节点包括车辆或子系统的编号和、标签和时间戳，分队管理系统对接收的数据进行处理存储于数据库中，并对异常检测模型、故障诊断模型、剩余寿命预测模型等进行训练，并进行战争能力评估等，而后进行智能决策。

图2是本发明提供的分队健康管系统的硬件组成框图，如图2所示，系统包括通过总线连接的处理器20、存储器21,存储器21包括数据库,其用于存储车辆发送来的数据，并存储了子系统级诊断推理模型、子系统级预测推理模型、子系统级异常检测模型、车辆级预测推理模型、车辆级预测推理模型、车辆级异常检测模型等。处理器20调用存储器中存储的程序以实施分队健康管理层的功能，分队健康管理层包括数据处理模块、模型训练模块、战斗力评估模块和决策模块。数据处理模块对车辆发送来的数据进行处理并存储于数据库中；模型训练模块调用已处理的数据并对各种模型进行训练。车辆健康状态评估调用数据并对车辆的战斗力进行评估。决策模块用于节点指挥的决策，其包括车辆监控模块、任务规划辅助模块和车辆配置优化模块。分队健忘康管理系统还包括输入输出接口24，其用于数据输出也用于输入指令等。分队健康管理系统还包括通信单元23，其用于与车辆、上级系统等进行通信，所述通信为保密通信。分队健忘康管理系统还包括显示器22，模型训练模块、战斗力评估模块、优化模块等的执行过程及最终结果均可以显示器22上显示，以便于操作员观察。

图3是本发明提供的车辆系统的硬件组成框图，如图3所示，车辆系统包括通过总线连接的多个传感器,如火控传感器15、动力传感器16等，将它们布置为车辆分队健康管理架构的状态感知层，用于获取车辆各子系统的状态数据，并将状态数据通过总线传送给存储器11。车辆系统还包括处理器10和存储器11,存储器11包括数据库,其用于存储状态感知层发送来的数据以及已训练的子系统级诊断推理模型、子系统级预测推理模型和子系统级异常检测模型，处理器10调用这些模型并根据存储器存储的状态感知层发送来的各子系统的状态数据以实现子系统级诊断推理模块、系统级预测推理模块和子系统级异常检测模块的功能。子系统级诊断推理模块、子系统级预测推理模块、子系统级异常检测模块和数据库形成子系区域管理层，该层还包括集成模块，其将状态感知层发送来的数据及子系统级诊断推理模块、系统级预测推理模块、子系统级异常检测模块对数据的处理结果进行集成处理并发送给车辆健康管理层。本发明中，存储器11中还存储已训练的车辆级诊断推理模型、车辆级级预测推理模型和车辆级异常检测模型，处理器调用这些模型并对存储器存储的子系统区域管理层发送来的数据以实施以实现车辆级诊断推理模块、车辆级预测推理模块和车辆级异常检测模块的功能。车辆健康管理层还包括集成模块，其对子系统区域管理层发送来的数据及车辆级诊断推理模块、车辆级预测推理模块和车辆级异常检测模块的处理数据打包括通过输入输出接口14输出，也用于通过通信单元13发送能分队健康管系统。本发明中，子系统级诊断推理模块、子系统级预测推理模块、子系统级异常检测模块、车辆级诊断推理模块、车辆级预测推理模块、车辆级异常检测模块对输入数据的处理结果可通过车辆的显示器进行显示以供车辆人员进行观察。

本发明中，作为硬件一个或多个处理器可以实现为一个或多个微处理器、微型计算机、微控制器、数字信号处理器、中央处理单元、逻辑电路和/或基于操作指令操纵信号的任何设备。处理器被配置成获取并执行存储在存储器中的计算机可读指令。软件系统可以在各种计算系统中实现，诸如膝上型计算机、笔记本、手持设备、工作站、大型计算机、服务器、网络云等。输入输出(I/O)接口可以包括各种软件和硬件接口，例如，其可连接打印机、键盘、U盘、网络、电缆、鼠标等。通信单元被配置为通过无线网(诸如WLAN、蜂窝或卫星)与其它设备进行通信。显示器用于与用户进行可视交互。

图4是本发明提供的车辆健康管理系统架构优化方法的工作流程图，如图4所示，方法包括：S01:建立初始矩阵：获取车辆中每个车辆的K个子系统的J个配置值，建立初始矩阵:

矩阵中的元素f_kj表示第k个子系统的第j个匹配值；

S02；子系统初始权重计算:a)对配置值进化归一化处理,构建归一化矩阵:

其中,

b)计算子系统k的的初始权重：

S03：对初始权重进行修正：

a)人工智能模块对子系统对车辆技术指标的贡献度进行比较，得到贡献度向量：

b)根据贡献度确定最终权重：

S04：确定最佳匹配值：

a)构建加权规范化矩阵：

b)求加权规范化矩阵每行元素中的最大值和最小值：

式中v_kj＝x_kq_kj

c)计算加权规范化矩阵每行中元素与最大值和最小值的欧氏距离：

d)计算加权规范化矩阵每行中元素排序因子：

e)根据排序因子的大小，对各子系统配置值进行优劣排序，取γ_j最大的子系统配置值作为最优的配置值。

根据本发明一个实施例，还提供一种存储介质，其用于存储利用计算机语言将上述的方法编成的计算机程序代码，所述计算机程序代码可由处理器执行。

车辆子系统的健康状态对车辆执行任务能力的匹配，通常在分队健康管理层实施，是一种自顶向下的匹配方式：首先确定分队的任务需求；然后从分队的任务需要分解为对J个车辆的技术指标的需求，再逐级分解为对子系统的技术质量指标要求。所述能力需要以指标值表示。当根据指标值和总花费对J辆车分别配置好后，使车辆投入使用以完成任务。此时，车辆感知层中的传感器分别监控并量测各子系统，并将各传感器的测量值以树结构的形式存储于车辆的数据库中，树结构的节点写明编码、标签和时间戳。子系统区域管理层根据传感器测量的数据采用图5的流程对各子系统进行诊断推理，采用图7的流程对各子系统进行寿命预测。

图5是本发明提供的人工智能诊断推理模块工作流程图，本发明中的诊断推理模块类似于图6所示的神经网络。诊断推理方法包括：学习步骤：学习车辆子系统发生故障时各种故障值作为神经元组成二维图，所述故障值包括：用于确定电源电气系统性能的电流值、电压值，用于确定发动机性能和传动系统的电动机转子角速度值，用于确定行动系统能力的燃油剩余值的液位值；用于确定观察系统的灰度、亮度等。本发明中，学习(训练)步骤通常在车辆健康管理层内实施，在车辆健康管理层内，通过已发生故障的子系统的测量数据和故障值建立诊断推理模型，并将已学习(或已训练)的诊断推理模型发送给车辆。

计算步骤：计算车辆的子系统测量值与二维图中神经元之间的相似度，所述子系统测量值发动机测量值、传动系统测量值、传动系统测量值、行动系统测量值、电源电气系统测量值、观察系统测量值、灭火抑爆系统测量值、三防系统测量值、强光防御系统测量值、定位系统配置值和作业系统测量值、燃油剩余量测量值、弹药剩余量测量值及为维持它们所需费用；测量值由感知层的传感器量测确定；

推定步骤：在二维图中确定相似度最大的神经元，将相似度最大的神经元对应的故障推定为车辆子系统的故障。

更具体地，将车辆子系统测量值作为输入层，将与规定的车辆子系统故障值作为输出层的神经元并组成二维阵列，所述输入层的输入节点和输出层的输出节点用可以变权重ω_jk全连接；其中j＝1,2,...,J，J为输入节点数；k＝1,2,…,K，K为输出节点数，而后执行如下步骤：

S01：初始化步骤：对模糊聚类神经网络进行初始化以初始化权重，确定初始学习值η₀和总的学习次数T；

S02：距离计算步骤：计算输入向量

与输出层神经元权重之间的权重d_k：

S03：神经元选择步骤：将与输入向量F距离最小的输出层的神经元y_min作为最优匹配神经元；

S04：权重调整步骤：通过下式调整神经元y_min在其邻域内A_c内包含的节点权值系数：

ω_jk(t)＝f_jk(t-1)+η_n(f_j-ω_jk(t-1)) (5)

式中，ω_jk(t)为当前次t输出的权重，ω_jk(t-1)为前次输出的权重；

S05：判断是否达到学习次数T，若没有重复S02-S04步；若达到，输出最终的最优竞争神经元，最优竞争神经元即为子系统对应的故障。

根据本发明另一实施例，还提供一种故障诊断模块，其包括学习模块：被配置为学习车辆子系统发生故障时各种故障值作为神经元组成二维图，所述故障值包括：用于确定电源电气系统性能的电流值、电压值，用于确定发动机性能和传动系统的电动机转子角速度值，用于确定行动系统能力的燃油剩余值的液位值；用于确定观察系统的灰度、亮度等；

计算模块：被配置为计算车辆的子系统测量值与二维图中神经元之间的相似度，所述子系统测量值发动机测量值、传动系统测量值、传动系统测量值、行动系统测量值、电源电气系统测量值、观察系统测量值、灭火抑爆系统测量值、三防系统测量值、强光防御系统测量值、定位系统配置值和作业系统测量值、燃油剩余量测量值、弹药剩余量测量值及为维持它们所需费用；测量值由感知层的传感器量测确定；

推定模块：被配置为在二维图中确定相似度最大的神经元，将相似度最大的神经元对应的故障推定为车辆子系统的故障。

更具体地，人工智能诊断模模块将子系统测量值作为输入层，将与规定的车辆子系统故障值作为输出层的神经元并组成二维阵列，所述输入层的输入节点和输出层的输出节点用可以变权重ω_jk全连接；其中j＝1,2,...,J，J为输入节点数；k＝1,2,…,K，K为输出节点数，具体包括：

初始化模块：被配置为对模糊聚类神经网络进行初始化以初始化权重，确定初始学习值η₀和总的学习次数T；

距离计算模块：根据式(4)计算输入向量

与输出层神经元权重之间的权重d_k；

神经元选择模块：被配置为将与输入向量F距离最小的输出层的神经元y_min作为最优匹配神经元；

权重调整模块：被配置为通过式(5)和式(6)调整神经元y_min在其邻域内A_c内包含的节点权值系数：

判断模块，被配置为判断是否达到学习次数T，若没有重复执行距离计算模块、神经元选择模块和权重调整模块；若达到，输出最终的最优竞争神经元，最优竞争神经元即为子系统对应的故障。

图7是本发明提供的装备剩余寿命人工智能预测模块的工作流程图。如图7所示，人工智能预测模块优选包括输入层1401、编码层1402、输出层1403和模型优化层1404。

在训练阶段中，输入层输入车辆分系统测量值的二进制序列S＝[s₁,…s_i,…s_n]；

编码层中第z_t神经元与输入层输入的二进制序列用下函数关系表示：

z_t＝f_en(S,W)

式中W为编码层的网络参数；

输出层输出的目标量由下式表示：

y＝[y₁,…y_j,…y_K]∈{0,1}^K

式中，

r为剩余工作时间；

r_u为装备工作寿命，c时间间隔；

输出层输出的目标量估计值与编码层的神经元为：

式中，Z＝[z₁,…z_t,…z_T]，W_c和b_c为从编码层匹配到输出层目标估计值的参数；T为编码层中每层的神经元数量；

模型优化层通过使

最小以进行反复学习，从而优化函数f_en和σ。

本发明中，学习阶段的学习训练通常在车辆健康管理层内实施，在车辆健康管理层内，通过已发生故障的子系统的测量数据和分系统的寿命值建立寿命预测推理模型，并将已学习(或已训练)的寿命预测推理模型发送给车辆系统。

在预测阶段，输入层输入二进制序列X′＝[x′₁,…x′_i,…x′_n]；

编码层中第z_t神经元与输入层输入的二进制序列用下函数关系表示：

z_t＝f_en(X′,W)

式中W为编码层的网络参数；

输出层输出的目标量估计值与编码层的神经元向量关系Z表示为：

装备剩余寿命确定模块根据下式确定装备的装备剩余寿命

其中K′＜K，

T为装备已工作时间。

本发明虽然以子系统级诊断推理模块、预测推理模块的实施为例进行了说明，但是对车辆级诊断推理模块、预测推理模块的实施可以采用类似的方法进行。

本发明虽然以一个分队配置的车辆及对车辆的发优化管理为例进行说明，但明并不限于一个分队的情况，其可以层层向上延伸和向下延伸。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (2)

1.一种车辆健康管理系统架构优化方法，包括：

S01:建立初始矩阵：获取车辆中每个车辆的K个子系统的J个配置值，建立初始矩阵:

矩阵中的元素f_kj表示第k个子系统的第j个匹配值；

S02；子系统初始权重计算:a)对配置值进化归一化处理,构建归一化矩阵:

其中,

b)计算子系统k的初始权重：

S03：对初始权重进行修正：

a)人工智能模块对子系统对车辆技术指标的贡献度进行比较，得到贡献度向量：

b)根据贡献度确定最终权重：

S04：确定最佳匹配值：

a)构建加权规范化矩阵：

b)求加权规范化矩阵每行元素中的最大值和最小值：

式中v_kj＝x_kq_kj

c)计算加权规范化矩阵每行中元素与最大值和最小值的欧氏距离：

d)计算加权规范化矩阵每行中元素排序因子：

e)根据排序因子的大小，对各子系统配置值进行优劣排序，取γ_j最大的子系统配置值作为最优的配置值。

2.一种存储介质，其特征在于，用于存储利用计算机语言将权利要求1所述的方法编成的计算机程序代码，所述计算机程序代码可由处理器执行。

Images