CN113204915A - 基于cps的phm设计方法 - Google Patents

基于cps的phm设计方法 Download PDF

Info

Publication number
CN113204915A
CN113204915A CN202110403161.5A CN202110403161A CN113204915A CN 113204915 A CN113204915 A CN 113204915A CN 202110403161 A CN202110403161 A CN 202110403161A CN 113204915 A CN113204915 A CN 113204915A
Authority
CN
China
Prior art keywords
particle
node
value
optimal
task
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.)
Granted
Application number
CN202110403161.5A
Other languages
English (en)
Other versions
CN113204915B (zh
Inventor
景博
潘晋新
焦晓璇
崔展博
黄以锋
池程芝
王生龙
孙宏达
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Air Force Engineering University of PLA
Original Assignee
Air Force Engineering University of PLA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Air Force Engineering University of PLA filed Critical Air Force Engineering University of PLA
Priority to CN202110403161.5A priority Critical patent/CN113204915B/zh
Publication of CN113204915A publication Critical patent/CN113204915A/zh
Application granted granted Critical
Publication of CN113204915B publication Critical patent/CN113204915B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Feedback Control In General (AREA)

Abstract

公开一种基于CPS的PHM系统，包括感控单元、网络单元和决策单元。还公开一种基于CPS的PHM方法，包括感控单元布局优化、网络单元路由优化、执行单元策略优化三个步骤。本发明利用CPS技术对物理组件和信息技术高兼容性和深度融合的特点，构建基于CPS架构的PHM系统，能够大大简化PHM结构，提高其通用性。本发明将CPS技术与PHM技术相结合，能够实现PHM技术与边缘计算、大数据处理等前沿方法更好的结合，以提高PHM的快速性、实时性、准确性。

Description

基于CPS的PHM设计方法
技术领域
本发明涉及面向PHM的设计方法，具体涉及一种基于CPS的PHM设计方法。
背景技术
PHM系统标准是PHM平台设计与实现的重要依据，典型标准有国际标准化组织的机器状态监测与诊断(Condition Monitoring&Diagnostics，CM&D)标准、机械信息管理开放标准联盟的开放式视情维修体系结构(Open System Architecture for Condition-BasedMaintenance，OSA-CBM)标准和国际电子电气工程师协会的Std-1856系列标准，下面对其进行简要概述。
1.CM&D系列标准
ISO 13374-1给出CM&D标准的信息流结构，如图1所示，其中将PHM系统划分为7个处理模块，分别为传感器/转换器/人工输入、数据采集(DA)、数据操作(DM)、状态检测(SD)、健康评估(HA)、预兆评估(PA)和提出建议(AG)。标准中对各模块的功能进行了阐述，并给出了模块间的通信方法和表达形式。
2.OSA-CBM标准
OSA-CBM标准为视情维修系统的实现制定了一个标准的结构和框架，提供了一个集成多种互异构件的方法，并且通过规范构件之间的输入和输出使集成的过程变得简单，由此受到国内外组织机构工程开发过程中的广泛应用。OSA-CBM体系结构如图2所示，主要包含七个模块，其中数据采集、传输和处理是PHM功能实现的前提，状态监测是对复杂系统的初步评估，健康评估、故障预测和自动推理决策是PHM功能实现的重要环节，人机接口用于提供PHM功能实现的可视化界面。
3.Std-1856标准
Std-1856标准在ISO 13374功能模块的基础上，增加了健康管理模块(HM)，对各功能模块进行了详细描述，并且将PHM核心操作流程分为感知、获取、分析、建议和执行五个步骤，其中感知和获取步骤为PHM系统提供底层基础的数据采集功能，分析、建议和执行步骤是PHM系统功能实现的重要环节，包括故障检测、隔离、识别，评估系统的健康状态并估算剩余使用寿命等过程，Std-1856电子系统PHM体系结构如图3所示。
随着嵌入式技术、信息技术等技术的快速发展，PHM工程化困难问题越来越突出。随着待监测数据类型的增加和数据量的增大，上述体系结构中的数据获取方式和传输方式出现了传感器布局、布线困难，信号容易受到电磁干扰的问题，特别是当系统工作在复杂电磁环境时，问题更加突出。大量学者针对不同的系统提出了特定的PHM体系结构，但是基本思想仍然是OSA-CBM体系结构，仍然无法满足现代战争特点和维修保障模式对系统提出的实时性，有效性，准确性的要求，而且缺乏通用性，因此构建通用性、简约性的PHM体系结构已经成了当务之急。
发明内容
针对现有技术存在的问题，本发明提出一种基于CPS的PHM系统，包括感控单元、网络单元和决策单元；其中
感控单元负责对底层的单元模块进行感知，获取相关数据，进行一定的处理后通过通信模块向上传输，同时接收上层传回的控制指令对感控单元进行一定的控制调整；
网络单元根据任务的实际需求，利用网络通信技术将下层的各个分系统、组件联系起来，并与决策单元进行通信；
决策单元基于感控单元传回的数据，对系统的健康状态进行评估，预测系统可能出现的故障或性能降级，结合系统资源得出决策信息，最后通过网络将决策信息传输到感控层相应的执行单元，从而构成一个完整的闭环结构；
其中
(1)感控单元
感控单元包括智能传感器、执行模块和通信模块；
智能传感器获取直接或间接影响系统性能的全部特征参数；执行模块通过节点自带的微处理器和相关数据处理算法对智能传感器输出的特征参数进行数据预处理和状态预诊断，在线快速进行初步的滤波，去噪，A/D转换，简单故障阈值的判断，并将处理结果传输至通信模块；通信模块实现智能传感器的信息控制指令交互，将传感单元信息发送至网络单元，并接收网络单元下传的控制信号；
(2)网络单元
网络单元是连接感控层和决策层的桥梁，传输感控单元上传的传感器信号以及决策单元下传的控制指令信号，并根据网络传输的具体需求进行组网；
(3)决策单元
决策单元包括数据库、多维信息评估、任务管理系统、人机接口；网络单元传输至数据库后，由数据库进行统一的数据管理；多维信息评估系统通过调用数据库中的传感器采集数据进行深度处理和智能判断，将诊断结果上传至任务管理系统；任务管理系统基于多维信息评估系统得出的诊断结果，结合任务规划的实际需求，给出传感器采集策略调整的指令，通过网络单元下传至感控单元；同时利用人机接口，为用户提供系统状态信息和维修决策建议，使用户能够在不了解感控层和网络层具体组成和结构的情况下，与PHM系统进行交互。
本发明还提供一种基于CPS的PHM方法，包括感控单元布局优化、网络单元路由优化、执行单元策略优化三个步骤；具体如下：
1)感控单元布局优化流程
在测试点集合T中寻找一个最优的测试点集合TS＝{t1，t2...tn}，其中t1，t2...tn分别为测试集合中的各个测试点，n为测试点个数；将测试点优化选择转化为带约束条件的单目标最优化问题，如下所示；
min J＝Ts.CT (1)
Figure BSA0000239252660000041
其中，J表示优化目标函数，C＝[c1，c2...cn]表示各测试点c1，c2...cn对应的测试费用，rFD、rFI分别表示故障检测率和故障隔离率，
Figure BSA0000239252660000042
分别表示给定的故障检测率和故障隔离率阈值，T表示转置；
采用基于模拟退火的粒子群优化算法改进策略SA-PSO对测试点进行优化；
Step1：初始化粒子群的粒子数、学习因子c1和c2、惯性权重ω，n表示测试点个数，n对应于算法中每个粒子的维度大小，然后随机初始化粒子群个体的位置xi(t)和速度vi(t)；
xi(t)＝(xi1，xi2，...xin) (3)
vi(t)＝(vi1，vi2，...vin) (4)
其中，i＝1，2，...，N表示粒子群个体编号，N表示粒子群中粒子个数，粒子在各个维度上的位置信息表示为xij，xij取值为0或1，当xij＝1表示第i个粒子选择了测试点tj，当xij＝0表示第i个粒子没有选择测试点tj；vi1，vi2...vid为粒子速度在各个维度上的分量；
Step2：初始化各粒子个体最优值pbest和粒子群最优值gbest；
Step3：确定初始温度T0＝f(gbest)/ln 5其中，f(·)表示适应度函数，定义如下：
Figure BSA0000239252660000051
其中p为惩罚因子，是为了避免故障检测率和隔离率都不满足条件，而测试费较少，适应度值较低的情况；
Step4：计算每个粒子在当前温度下的适应度值；将当前每个粒子的位置和适应度值保存在各自的各粒子个体最优值pbest中，然后通过比较比较每个粒子适应度值的大小，将当前粒子群中适应度值最大的粒子和该粒子位置保存在粒子群最优值gbest中；
Step5：采用轮盘赌策略根据适配值，用当前的某个各粒子个体最优值pbesti代替粒子群最优值gbest；
Step6：依据式(6)、(7)对粒子的速度和粒子位置进行更新；
Figure BSA0000239252660000052
xij(t+1)＝xij(t)+vij(t+1) (7)
其中
Figure BSA0000239252660000053
为惯性因子，G＝g1+g2为学习因子之和，学习因子g1，g2决定了粒子本身经验和其它粒子经验对于粒子轨迹的影响；j＝1，2，...，n表示速度向量的第j个维度，vij(t)、xij(t)、pbestij分别表示第i个粒子速度与位置以及最优位置向量在第j个维度的分量；gbestj表示粒子群最优位置在第j个维度的分量；r1，r2是0到1之间的随机数；
Step7：重新计算每一个粒子的适应度值，与该粒子的个体最优值pbesti对应的适应度值比较，如果计算的适应度值大于该粒子个体最优值pbesti的适应度值，则更新该粒子个体最优值pbesti，否则该粒子个体最优值pbesti保持不变；比较当前迭代中所有的粒子个体最优值pbesti和粒子群最优值gbest对应的适应度值，i＝1，2，...，N，更新粒子群最优值gbest；
Step8：退温操作：Tk+1＝γTk(0＜γ＜1)；其中Tk表示第k次循环的温度、γ表示退温速率；
Step9：判断迭代次数是否达到预设值；如果小于预设值，则重复Step4-8，如果达到预设值，则输出粒子群最优值gbest对应的粒子位置xi(t)为感控单元布局方案；
2)网络单元路由优化流程
网络单元由任务管理节点、Sink节点和大量普通传感器节点组成，传感器节点采集到数据，经过简单处理后，以单跳或者多跳的方式自组织成网络，将监测到的数据传送给基站，然后基站与外部网络通信；假设m个传感器节点随机分布在L×L的矩形监测区域内，传感器节点和基站具有如下特性：
(a)传感器网络部署完成后，基站Sink节点和传感器节点的位置固定，且基站和节点的地理位置信息已知；
(b)每个节点都有唯一和固定ID；
(c)传感器节点同构，假设每个节点的初始能量相同，且能量有限；
(d)基站Sink有外部能量供应，视为无限能量；
(e)传感器节点根据通信距离大小自动调节发射功率；
(f)传输信道对称，即节点A传输k bit数据到节点B与节点B发送k bit数据到节点A消耗的能量相同；
(g)传感器节点能够感知自身的剩余能量；
基于以上假设，采用基于自然选择粒子群优化算法的非均匀分簇路由方法对路由进行优化，具体步骤如下：
STEP1：对网络单元的分布进行量化编码；假设传感器节点的个数为m，那么第i个粒子的位置向量表示为m维的二进制向量：
xi(t)＝(xi1，xi2，xi3，...，xim) (8)
其中元素xi1，xi2，xi3，...，xim各自的值为1时表示该节点被选为簇头节点，否则该节点为普通节点；根据公式(9)进行簇头节点选择；
STEP2：初始化粒子群的粒子数、学习因子c1和c2、惯性权重ω，然后随机初始化粒子群个体的位置xi(t)和速度vi(t)；
xi(t)＝(xi1，xi2，xi3，...，xim) (9)
vi(t)＝(vi1，vi2，vi3...vim) (10)
STEP3：初始化各粒子个体最优值pbest和粒子群最优值gbest；
STEP4：计算每个粒子在当前温度下的适应度值，将当前每个粒子的位置和适应度值保存在各自的pbest中，然后通过比较，选出粒子群中最优适应度值最大的粒子，连同该粒子的位置保存在粒子群最优值gbest中；适应度函数如下：
cost(xi(t))＝α1g1(xi(t))+α2g2(xi(t))+α3g3(xi(t)) (11)
α1+α2+α3＝1
Figure BSA0000239252660000071
Figure BSA0000239252660000081
Figure BSA0000239252660000082
其中，cost是英文，表示花费，在此用cost(·)表示适应度函数；d(xij，sink)表示节点xij距离sink节点的距离；α1、α2、α3为三个加权系数，用来调节不同函数所占的权重；g1(xi(t))表示WSN网络中所有节点能量与簇头节点能量和之比，簇头节点能量越大时g1(xi(t))越小，E(ij)表示簇头节点能量；g2(xi(t))表示簇头节点至Sink节点的平均距离，当g2(xi(t))越小时说明距离Sink节点近的簇头越多，从而靠近Sink节点的簇规模越小；g3(xi(t))为簇的紧凑性评价函数，等于簇内节点至簇头最大的平均欧式距离；其中
Figure BSA0000239252660000083
表示簇头的个数，
Figure BSA0000239252660000084
表示粒子xi的第k个簇头节点，
Figure BSA0000239252660000085
为
Figure BSA0000239252660000086
的簇内节点集合；、mi为簇内任意一个节点，
Figure BSA0000239252660000087
为该节点mi到簇头
Figure BSA0000239252660000088
的距离；
STEP5：依据式(15)(16)对粒子的速度和粒子位置进行更新；
Figure BSA0000239252660000089
xij(t+1)＝xij(t)+vij(t+1) (16)
STEP6：重新计算每一个粒子的适应度值，与该粒子pbest中的适应度值比较，如果计算的适应度值大于该粒子个体最优值的适应度值，则更新pbest，否则pbest保持不变；比较当前迭代中所有的各粒子个体最优值pbest和粒子群最优值gbest，更新粒子群最优值gbest；
STEP7：判断迭代次数是否达到预设值；如果小于预设值，则重复STEP4-6，如果达到预设值，则输出粒子群最优值gbest对应的粒子位置为网络单元最佳路由方案；
3)执行单元策略优化流程
采用多变异位自适应遗传算法MMAGA对任务管理进行优化；具体步骤如下：
Step11：染色体基因编码；并行异构计算方式下的任务调度，就是将任务分解为多个具有顺序约束关系的子任务，然后综合不同任务之间的通讯延迟和计算资源性能的差异，将子任务映射到不同的计算资源上，最终使得全部任务完成时间最短，因此染色体编码结构由两部分组成，a(.)和p(.)，如下所示；
a<sub>1</sub> a<sub>4</sub> a<sub>3</sub> ... a<sub>r</sub> p<sub>3</sub> p<sub>1</sub> p<sub>2</sub> ... p<sub>s</sub>
假设有r个任务集合：A＝[a1，a2，a3，...，ar]，ai为第i个待处理的任务，1≤i≤r；s个计算资源集合：P＝[p1，p2，p3，...，ps]，pj为第j个计算资源，1≤j≤s；染色体的长度即为2×r，染色体的第k位与r+k位相对应，a4和p1表示任务4在计算资源1上执行；
Step22：初始化种群大小、遗传代数、编码长度、交叉和变异概率这些相关参数；
Step33：根据适应度函数计算每个染色体的适应度值，假设Ud表示第d个种群个体对应的染色体，其中1≤d≤N；染色体适应度函数如下：
Figure BSA0000239252660000091
Tspan(Ud)＝max{Tfsh(ai)|1≤i≤r}
Tfsh(ai)＝Tpre_begin(ai)+wij (18)
Tpre_begin(ai)＝max{Tfsh(ak)+del′ki|ak∈pre(ai)} (19)
Figure BSA0000239252660000101
其中，Ui为第i个染色体个体，Tspan(Ud)为整个调度任务完成时间，Tfsh(ai)为任务ai的完成时间，Tpre_begin(ai)表示任务ai开始前消耗的时间，wij表示任务ai在计算资源pj上的执行时间，Tfsh(ak)表示任务ak的完成时间，由于pre(ai)表示任务节点ai的前驱节点，ak表示任务ai的前驱任务完成时间；del′ki表示任务ai与ak之间的通讯延迟时间，delki表示在不同计算资源上处理的通讯延迟时间；
Step44：通过轮盘赌策略选择再生个体，适应度值大的染色体个体被选中的概率高，而适应度值低的染色体个体将被淘汰；
Step55：根据自适应交叉概率生成新的染色体个体；交叉概率公式如下：
Figure BSA0000239252660000102
其中pc0为初始的交叉和变异概率，fmax为最大的适应度值，favg为平均适应度值，f是进行交叉的两个个体中较大的适应度值；
Step66：根据自适应方法产生变异概率，当最大适应度值与最小适应度值相等时，只产生一个变异位；当两者不相等时，随机产生多个变异位和变异位置，然后对选择的染色体个体进行变异；变异概率公式如下：
Figure BSA0000239252660000103
其中pm0为初始的变异概率，fmax为最大的适应度值，favg为平均适应度值，f′为变异个体的适应度值；
Step77：判断迭代次数是否达到预设值；如果小于预设值，则重复Step44-66，如果达到预设值，则输出最优的染色体编码作为执行单元策略方案。
本发明利用CPS技术对物理组件和信息技术高兼容性和深度融合的特点，构建基于CPS架构的PHM系统，能够大大简化PHM结构，提高其通用性。本发明将CPS技术与PHM技术相结合，能够实现PHM技术与边缘计算、大数据处理等前沿方法更好的结合，以提高PHM的快速性、实时性、准确性。
附图说明
图1示出CM&D系列标准信息流结构；
图2示出OSA-CBM体系结构；
图3示出Std-1856电子系统PHM体系结构；
图4示出基于CPS的PHM系统架构；
图5示出感控单元传感器节点信息传输原理框图；
图6示出基于CPS的PHM方法原理框图；
图7示出无线传感器网络结构。
具体实施方式
下面结合附图4～5和具体实施方式详细介绍本发明。
一、基于CPS的PHM系统
如图4所示，基于CPS架构的PHM系统分为感控单元、网络单元和决策单元三个部分。感控单元负责对底层的单元模块进行感知，获取相关数据，进行一定的处理后通过通信模块向上传输，同时接收上层传回的控制指令对感控单元进行一定的控制调整；网络单元根据任务的实际需求，利用网络通信技术将下层的各个分系统、组件联系起来，并与决策单元进行通信；决策单元基于感控单元传回的数据，对系统的健康状态进行评估，预测系统可能出现的故障或性能降级，结合系统资源得出决策信息，最后通过网络将决策信息传输到感控层相应的执行单元，从而构成一个完整的闭环结构。
1.感控单元
如图4所示，感控单元能够实现数据采集，数据预处理以及故障初步检测的功能，是基于CPS架构的PHM系统获取原始数据的基础，主要由智能传感器、执行模块和通信模块组成。
智能传感器获取直接或间接影响系统性能的全部特征参数。常见的被监控参数包括温度、电压、电流、压力、应变等。监控参数确定之后，根据任务需求的实际设计采集策略，如采样率、采样时间、触发条件等，以获得能够快速高效表征监控对象工作状态的参数。执行模块通过节点自带的微处理器和相关数据处理算法进行数据预处理和状态预诊断，能够在线快速进行初步的滤波，去噪，A/D转换，简单故障阈值的判断，并将处理结果传输至通信模块。如图5所示，通信模块实现智能传感器的信息控制指令交互，在硬件设计上采用基础的通信传输方式，将传感单元信息发送至网络单元，并接收网络单元下传的控制信号，该部分方法本领域技术人员熟知，不再赘述。
2.网络单元
网络单元是连接感控层和决策层的桥梁，传输感控单元上传的传感器信号以及决策单元下传的控制指令信号，并根据网络传输的具体需求进行组网。网络单元包括了传统的有线网络和无线网络，其中现有的Internet网络、移动3G/4G/5G网络、无线射频和蓝牙等技术是网络单元数据传输的主要方式。该部分涉及网络通信领域技术，方法本领域技术人员熟知，不再赘述。
3.决策单元
决策单元包括数据库、多维信息评估、任务管理系统、人机接口。网络单元传输至数据库后，由数据库进行统一的数据管理；多维信息评估系统通过调用数据库中的传感器采集数据进行深度处理和智能判断，将诊断结果上传至任务管理系统；任务管理系统基于多维信息评估系统得出的诊断结果，结合任务规划的实际需求，给出传感器采集策略调整的指令，通过网络单元下传至感控单元；同时利用人机接口，为用户提供系统状态信息和维修决策建议，使用户能够在不了解感控层和网络层具体组成和结构的情况下，与PHM系统进行交互。
二、基于CPS的PHM方法
基于CPS的PHM方法分为感控单元布局优化、网络单元路由优化、执行单元策略优化三个部分，三部分交联关系如图6所示。
1.感控单元布局优化流程
传感器布局测试点优化，是在满足系统测试性要求下降低诊断测试的时间和费用，即在系统所有可用的测试点集合中寻找最佳测试点组合，使测试诊断的费效比最高。即在测试点集合T中寻找一个最优的测试点集合TS＝{t1，t2...tn}，其中t1，t2...tn分别为测试集合中的各个测试点，n为测试点个数。因此，可以将测试点优化选择转化为带约束条件的单目标最优化问题，如下所示。
min J＝Ts.CT (1)
Figure BSA0000239252660000131
其中，J表示优化目标函数，C＝[c1，c2...cn]表示各测试点c1，c2...cn对应的测试费用，rFD、rFI分别表示故障检测率和故障隔离率，
Figure BSA0000239252660000132
分别表示给定的故障检测率和故障隔离率阈值，T表示转置。
根据传感器在多设备、多层次的分布式系统中布局的优化问题，本发明提出采用基于模拟退火的粒子群优化算法改进策略(SA-PSO)对测试点进行优化。
Step1：初始化粒子群的粒子数，学习因子c1、c2，惯性权重ω，n表示测试点个数，对应于算法中每个粒子的维度大小，然后随机初始化粒子群个体的位置xi(t)和速度vi(t)。
xi(t)＝(xi1，xi2，...xin) (3)
vi(t)＝(vi1，αi2，...vin) (4)
其中，i＝(1，2，...，N)表示粒子群个体编号，N表示粒子群中粒子个数，粒子在各个维度上的位置信息表示为xij，xij取值为0或1，当xij＝1表示第i个粒子选择了测试点tj，当xij＝0表示第i个粒子没有选择测试点tj。vi1，vi2...vid为粒子速度在各个维度上的分量。
Step2：初始化各粒子个体最优值pbest和粒子群最优值gbest。
Step3：确定初始温度T0＝f(gbest)/ln 5其中，f(·)表示适应度函数，定义如下：
Figure BSA0000239252660000141
其中p为惩罚因子，是为了避免故障检测率和隔离率都不满足条件，而测试费较少，适应度值较低的情况。
Step4：计算每个粒子在当前温度下的适应度值，适应度函数在Step3中给出。将当前每个粒子的位置和适应度值保存在各自的各粒子个体最优值pbest中，然后通过比较比较每个粒子适应度值的大小，将当前粒子群中适应度值最大的粒子和该粒子位置保存在粒子群最优值gbest中；。
Step5：采用轮盘赌策略根据适配值，用当前的某个各粒子个体最优值pbest代替粒子群最优值gbest。轮盘赌策略本领域技术人员熟知，不再赘述。
Step6：依据式(6)、(7)对粒子的速度和粒子位置进行更新。
Figure BSA0000239252660000151
xij(t+1)＝xij(t)+vij(t+1) (7)
其中
Figure BSA0000239252660000152
为惯性因子，G＝g1+g2为学习因子之和，学习因子g1，g2决定了粒子本身经验和其它粒子经验对于粒子轨迹的影响。j＝(1，2，...，n)表示速度向量的第j个维度，vij(t)、xij(t)、pbestij分别表示第i个粒子速度与位置以及最优位置向量在第j个维度的分量。gbestj表示粒子群最优位置在第j个维度的分量。r1，r2是0到1之间的随机数。
Step7：重新计算每一个粒子的适应度值，与该粒子的个体最优值pbesti对应的适应度值比较，如果计算的适应度值大于该粒子个体最优值pbesti的适应度值，则更新该粒子个体最优值pbesti，否则该粒子个体最优值pbesti保持不变。比较当前迭代中所有的粒子个体最优值pbesti和粒子群最优值gbest对应的适应度值，i＝(1，2，...，N)，更新粒子群最优值gbest。
Step8：退温操作：Tk+1＝γTk(0＜γ＜1)。其中Tk表示第k次循环的温度、γ表示退温速率。
Step9：判断迭代次数是否达到预设值。如果小于预设值，则重复Step4-8，如果达到预设值，则输出粒子群最优值gbest对应的粒子位置为为感控单元布局方案。
2.网络单元路由优化流程
网络单元由任务管理节点、Sink节点和大量的普通传感器节点组成，如图7所示，传感器节点采集到数据，经过简单处理后，以单跳或者多跳的方式自组织成网络，将监测到的数据传送给基站，然后基站通过总线、移动网络或者因特网实现与外部网络的通信，上述技术为本领域技术人员熟知，不再累述。为了便于研究，本发明假设m个传感器节点随机分布在L×L的矩形监测区域内，传感器节点和基站具有如下特性：
(a)传感器网络部署完成后，基站Sink节点和传感器节点的位置固定，且基站和节点的地理位置信息已知；
(b)每个节点都有唯一和固定ID；
(c)传感器节点同构，假设每个节点的初始能量相同，且能量有限；
(d)基站Sink有外部能量供应，可视为无限能量；
(e)传感器节点可根据通信距离大小自动调节发射功率；
(f)传输信道对称，即节点A传输k bit数据到节点B与节点B发送k bit数据到节点A消耗的能量相同；
(g)传感器节点能够感知自身的剩余能量。
基于以上假设，本发明采用基于自然选择粒子群优化算法的非均匀分簇路由方法对路由进行优化，具体步骤如下：
Step1：对网络单元的分布进行量化编码。假设传感器节点的个数为m，那么第i个粒子的位置向量可以表示为m维的二进制向量如下所示：
xi(t)＝(xi1，xi2，xi3，...，xim) (8)
其中元素xi1，xi2，xi3，...，xim各自的值为1时表示该节点被选为簇头节点，否则该节点为普通节点。根据公式(9)进行簇头节点选择。其中，i＝(1，2，...，N)表示粒子群个体编号，N表示粒子群中粒子个数。
Step2：初始化粒子群的粒子数，学习因子c1，c2，惯性权重ω，然后随机初始化粒子群个体的位置xi(t)和速度vi(t)。
xi(t)＝(xi1，xi2，xi3，...，xim) (9)
vi(t)＝(vi1，bi2，vi3...vim) (10)
Step3：初始化各粒子个体最优值pbest和粒子群最优值gbest。
Step4：计算每个粒子在当前温度下的适应度值，将当前每个粒子的位置和适应度值保存在各自的pbest中，然后通过比较，选出粒子群中最优适应度值最大的粒子，连同该粒子的位置保存在粒子群最优值gbest中。适应度函数如下：
cost(xi(t))＝α1g1(xi(t))+α2g2(xi(t))+α3g3(xi(t)) (11)
α1+α2+α3＝1
Figure BSA0000239252660000171
Figure BSA0000239252660000172
Figure BSA0000239252660000173
其中，cost是英文，表示花费，在此用cost(·)表示适应度函数；d(xij，sink)表示节点xij距离sink节点的距离；α1、α2、α3为三个加权系数，用来调节不同函数所占的权重；g1(xi(t))表示WSN网络中所有节点能量与簇头节点能量和之比，簇头节点能量越大时g1(xi(t))越小，E(ij)表示簇头节点能量，计算公式参照文献[Heinzelman W R，ChandrakasanA，Balakrishnan H.Energy-efficient communication protocol for wirelessmicrosensor networks[A]Proceedings of the 33rd Annual Hawaii InternationalConference on System Sciences.[C].Washington：IEEE，2002：660-670.]；g2(xi(t))表示簇头节点至Sink节点的平均距离，当g2(xi(t))越小时说明距离Sink节点近的簇头越多，从而靠近Sink节点的簇规模越小；g3(xi(t))为簇的紧凑性评价函数，等于簇内节点至簇头最大的平均欧式距离。其中
Figure BSA0000239252660000181
表示簇头的个数，
Figure BSA0000239252660000182
表示粒子xi(t)的第k个簇头节点，
Figure BSA0000239252660000183
为
Figure BSA0000239252660000184
的簇内节点集合，mi为簇内任意一个节点，
Figure BSA0000239252660000185
为该节点mi到簇头
Figure BSA0000239252660000186
的距离；。
Step5：依据式(15)(16)对粒子的速度和粒子位置进行更新。
Figure BSA0000239252660000187
xij(t+1)＝xij(t)+vij(t+1) (16)
其中
Figure BSA0000239252660000188
为惯性因子，G＝g1+g2为学习因子之和，学习因子g1，g2决定了粒子本身经验和其它粒子经验对于粒子轨迹的影响。
Step6：重新计算每一个粒子的适应度值，与该粒子pbest中的适应度值比较，如果计算的适应度值大于该粒子个体最优值的适应度值，则更新pbest，否则pbest保持不变。比较当前迭代中所有的各粒子个体最优值pbest和粒子群最优值gbest，更新粒子群最优值gbest。
Step7：判断迭代次数是否达到预设值。如果小于预设值，则重复Step4-7，如果达到预设值，则输出粒子群最优值gbest对应的粒子位置为网络单元最佳路由方案。
3.执行单元策略优化流程
基于CPS架构的PHM系统是一个多任务多线程的复杂系统，任务管理分系统结合系统计算资源，对系统的任务进行实时、合理调度。任务规划本质是优化问题，本发明结合任务规划的实际需求，提出采用多变异位自适应遗传算法(MMAGA)对任务管理进行优化。
Step1：染色体基因编码。并行异构计算方式下的任务调度，就是将任务分解为多个具有顺序约束关系的子任务，然后综合不同任务之间的通讯延迟和计算资源性能的差异，将子任务映射到不同的计算资源上，最终使得全部任务完成时间最短，因此染色体编码结构由两部分组成，a(.)和p(.)，如下所示。
a<sub>1</sub> a<sub>4</sub> a<sub>3</sub> ... a<sub>r</sub> p<sub>3</sub> p<sub>1</sub> p<sub>2</sub> ... p<sub>s</sub>
假设有r个任务集合：A＝[a1，a2，a3，...，ar]，ai(1≤i≤r)为第i个待处理的任务。s个计算资源集合：P＝[p1，p2，p3，...，ps]，pj(1≤j≤s)为第j个计算资源。染色体的长度即为2×r，染色体的第k位与r+k位相对应，如示例中a4和p1，表示任务4在计算资源1上执行。
Step2：初始化种群大小、遗传代数、编码长度、交叉和变异概率等相关参数。
Step3：根据适应度函数计算每个染色体的适应度值，假设Ud表示第d个种群个体对应的染色体，其中(1≤d≤N)，N表示种群个体大小。染色体适应度函数如下：
Figure BSA0000239252660000191
Tspan(Ud)＝max{Tfsh(ai)|1≤i≤m}Tfsh(ai)＝Tpre_begin(ai)+wij (18)
Tpre_begin(ai)＝max{Tfsh(aj)+del′ji|aj∈pre(ai)} (19)
Figure BSA0000239252660000201
其中，Ui为第i个染色体个体，Tspan(Ud)为整个调度任务完成时间，Tfsh(ai)为任务ai的完成时间，Tpre_begin(ai)表示任务ai开始前消耗的时间，wij表示任务ai在计算资源pj上的执行时间，Tfsh(aj)表示任务ai的前驱任务完成时间；del′ji表示任务ai与aj之间的通讯延迟时间，pre(ai)表示任务节点ai的前驱节点。delji表示在不同计算资源上处理的通讯延迟时间。
Step4：通过轮盘赌策略选择再生个体，适应度值大的染色体个体被选中的概率高，而适应度值低的染色体个体将被淘汰。轮盘赌策略本领域技术人员熟知，不再赘述。
Step5：根据自适应交叉概率生成新的染色体个体。交叉概率公式如下：
Figure BSA0000239252660000202
其中pc0为初始的交叉和变异概率，fmax为最大的适应度值，favg为平均适应度值，f是进行交叉的两个个体中较大的适应度值。
Step6：根据自适应方法产生变异概率，当最大适应度值与最小适应度值相等时，只产生一个变异位；当两者不相等时，随机产生多个变异位和变异位置，然后对选择的染色体个体进行变异。变异概率公式如下：
Figure BSA0000239252660000203
其中pm0为初始的变异概率，fmax为最大的适应度值，favg为平均适应度值，f′为变异个体的适应度值。
Step7：判断迭代次数是否达到预设值。如果小于预设值，则重复Step4-6，如果达到预设值，则输出最优的染色体编码作为执行单元策略方案。
本发明提出基于CPS架构的PHM体系结构，包括感控层、网络层和决策层三层，其抽象结构如图5所示。利用CPS技术对物理组件和信息技术高兼容性和深度融合的特点，构建基于CPS架构的PHM系统，能够大大简化PHM结构，提高其通用性，基本物理组成如图6所示。在感控层，由于新型传感器技术，微电子技术，嵌入式技术的快速发展，兼具感知、处理、执行和通信能力的微型传感器节点基本上能够完成OSA-CBM体系结构中数据采集、传输，数据处理和状态监测的功能。在网络层采用高速通信技术和无线通信技术不但促进了物理组件、子系统与系统之间的交叉互联，实现数据和决策的实时共享，还能够解决传统有线传感器数据传输布线困难的问题。在决策层，通过封装不同的功能模块，在分布式或者并行异构等计算方式下，利用不同的智能学习和推理算法，为用户友好地、准确地提供系统健康评估、故障预测及辅助决策功能，同时为系统与其它系统的交联预留数据接口。因此将CPS技术与PHM技术相结合，能够实现PHM技术与边缘计算、大数据处理等前沿方法更好的结合，以提高PHM的快速性、实时性、准确性。

Claims (2)

1.基于CPS的PHM系统，其特征在于，包括感控单元、网络单元和决策单元；其中
感控单元负责对底层的单元模块进行感知，获取相关数据，进行一定的处理后通过通信模块向上传输，同时接收上层传回的控制指令对感控单元进行一定的控制调整；
网络单元根据任务的实际需求，利用网络通信技术将下层的各个分系统、组件联系起来，并与决策单元进行通信；
决策单元基于感控单元传回的数据，对系统的健康状态进行评估，预测系统可能出现的故障或性能降级，结合系统资源得出决策信息，最后通过网络将决策信息传输到感控层相应的执行单元，从而构成一个完整的闭环结构；
其中
(1)感控单元
感控单元包括智能传感器、执行模块和通信模块；
智能传感器获取直接或间接影响系统性能的全部特征参数；执行模块通过节点自带的微处理器和相关数据处理算法对智能传感器输出的特征参数进行数据预处理和状态预诊断，在线快速进行初步的滤波，去噪，A/D转换，简单故障阈值的判断，并将处理结果传输至通信模块；通信模块实现智能传感器的信息控制指令交互，将传感单元信息发送至网络单元，并接收网络单元下传的控制信号；
(2)网络单元
网络单元是连接感控层和决策层的桥梁，传输感控单元上传的传感器信号以及决策单元下传的控制指令信号，并根据网络传输的具体需求进行组网；
(3)决策单元
决策单元包括数据库、多维信息评估、任务管理系统、人机接口；网络单元传输至数据库后，由数据库进行统一的数据管理；多维信息评估系统通过调用数据库中的传感器采集数据进行深度处理和智能判断，将诊断结果上传至任务管理系统；任务管理系统基于多维信息评估系统得出的诊断结果，结合任务规划的实际需求，给出传感器采集策略调整的指令，通过网络单元下传至感控单元；同时利用人机接口，为用户提供系统状态信息和维修决策建议，使用户能够在不了解感控层和网络层具体组成和结构的情况下，与PHM系统进行交互。
2.基于CPS的PHM方法，其特征在于，包括感控单元布局优化、网络单元路由优化、执行单元策略优化三个步骤；具体如下：
1)感控单元布局优化流程
在测试点集合T中寻找一个最优的测试点集合TS＝{t1，t2…tn}，其中t1，t2…tn分别为测试集合中的各个测试点，n为测试点个数；将测试点优化选择转化为带约束条件的单目标最优化问题，如下所示；
min J＝Ts·CT (1)
Figure FSA0000239252650000021
其中，J表示优化目标函数，C＝[c1，c2…cn]表示各测试点c1，c2…cn对应的测试费用，rFD、rFI分别表示故障检测率和故障隔离率，
Figure FSA0000239252650000022
分别表示给定的故障检测率和故障隔离率阈值，T表示转置；
采用基于模拟退火的粒子群优化算法改进策略SA-PSO对测试点进行优化；
Step1：初始化粒子群的粒子数、学习因子c1和c2、惯性权重ω，n表示测试点个数，n对应于算法中每个粒子的维度大小，然后随机初始化粒子群个体的位置xi(t)和速度vi(t)；
xi(t)＝(xi1，xi2，...xin) (3)
vi(t)＝(vi1，vi2，...vin) (4)
其中，i＝1，2，…，N表示粒子群个体编号，N表示粒子群中粒子个数，粒子在各个维度上的位置信息表示为xij，xij取值为0或1，当xij＝1表示第i个粒子选择了测试点tj，当xij＝0表示第i个粒子没有选择测试点tj；vi1，vi2...vid为粒子速度在各个维度上的分量；
Step2：初始化各粒子个体最优值pbest和粒子群最优值gbest；
Step3：确定初始温度T0＝f(gbest)/ln5其中，f(·)表示适应度函数，定义如下：
Figure FSA0000239252650000031
其中p为惩罚因子，是为了避免故障检测率和隔离率都不满足条件，而测试费较少，适应度值较低的情况；
Step4：计算每个粒子在当前温度下的适应度值；将当前每个粒子的位置和适应度值保存在各自的各粒子个体最优值pbest中，然后通过比较比较每个粒子适应度值的大小，将当前粒子群中适应度值最大的粒子和该粒子位置保存在粒子群最优值gbest中；
Step5：采用轮盘赌策略根据适配值，用当前的某个各粒子个体最优值pbesti代替粒子群最优值gbest；
Step6：依据式(6)、(7)对粒子的速度和粒子位置进行更新；
Figure FSA0000239252650000041
xij(t+1)＝xij(t)+vij(t+1) (7)
其中
Figure FSA0000239252650000042
为惯性因子，G＝g1+g2为学习因子之和，学习因子g1，g2决定了粒子本身经验和其它粒子经验对于粒子轨迹的影响；j＝1，2，…，n表示速度向量的第j个维度，vij(t)、xij(t)、pbestij分别表示第i个粒子速度与位置以及最优位置向量在第j个维度的分量；gbestj表示粒子群最优位置在第j个维度的分量；r1，r2是0到1之间的随机数；
Step7：重新计算每一个粒子的适应度值，与该粒子的个体最优值pbesti对应的适应度值比较，如果计算的适应度值大于该粒子个体最优值pbesti的适应度值，则更新该粒子个体最优值pbesti，否则该粒子个体最优值pbesti保持不变；比较当前迭代中所有的粒子个体最优值pbesti和粒子群最优值gbest对应的适应度值，i＝1，2，…，N，更新粒子群最优值gbest；
Step8：退温操作：Tk+1＝γTk(0＜γ＜1)；其中Tk表示第k次循环的温度、γ表示退温速率；
Step9：判断迭代次数是否达到预设值；如果小于预设值，则重复Step4-8，如果达到预设值，则输出粒子群最优值gbest对应的粒子位置xi(t)为感控单元布局方案；
2)网络单元路由优化流程
网络单元由任务管理节点、Sink节点和大量普通传感器节点组成，传感器节点采集到数据，经过简单处理后，以单跳或者多跳的方式自组织成网络，将监测到的数据传送给基站，然后基站与外部网络通信；假设m个传感器节点随机分布在L×L的矩形监测区域内，传感器节点和基站具有如下特性：
(a)传感器网络部署完成后，基站Sink节点和传感器节点的位置固定，且基站和节点的地理位置信息已知；
(b)每个节点都有唯一和固定ID；
(c)传感器节点同构，假设每个节点的初始能量相同，且能量有限；
(d)基站Sink有外部能量供应，视为无限能量；
(e)传感器节点根据通信距离大小自动调节发射功率；
(f)传输信道对称，即节点A传输k bit数据到节点B与节点B发送k bit数据到节点A消耗的能量相同；
(g)传感器节点能够感知自身的剩余能量；
基于以上假设，采用基于自然选择粒子群优化算法的非均匀分簇路由方法对路由进行优化，具体步骤如下：
STEP1：对网络单元的分布进行量化编码；假设传感器节点的个数为m，那么第i个粒子的位置向量表示为m维的二进制向量：
xi(t)＝(xi1，xi2，xi3，…，xim) (8)
其中元素xi1，xi2，xi3，…，xim各自的值为1时表示该节点被选为簇头节点，否则该节点为普通节点；根据公式(9)进行簇头节点选择；
STEP2：初始化粒子群的粒子数、学习因子c1和c2、惯性权重ω，然后随机初始化粒子群个体的位置xi(t)和速度vi(t)；
xi(t)＝(xi1，xi2，xi3，…，xim) (9)
vi(t)＝(vi1，vi2，vi3...vim) (10)
STEP3：初始化各粒子个体最优值pbest和粒子群最优值gbest；
STEP4：计算每个粒子在当前温度下的适应度值，将当前每个粒子的位置和适应度值保存在各自的pbest中，然后通过比较，选出粒子群中最优适应度值最大的粒子，连同该粒子的位置保存在粒子群最优值gbest中；适应度函数如下：
cost(xi(t))＝α1g1(xi(t))+α2g2(xi(t))+α3g3(xi(t)) (11)
α1+α2+α3＝1
Figure FSA0000239252650000061
Figure FSA0000239252650000062
Figure FSA0000239252650000063
其中，cost是英文，表示花费，在此用cost(·)表示适应度函数；d(xij，sink)表示节点xij距离sink节点的距离；α1、α2、α3为三个加权系数，用来调节不同函数所占的权重；g1(xi(t))表示WSN网络中所有节点能量与簇头节点能量和之比，簇头节点能量越大时g1(xi(t))越小，E(ij)表示簇头节点能量；g2(xi(t))表示簇头节点至Sink节点的平均距离，当g2(xi(t))越小时说明距离Sink节点近的簇头越多，从而靠近Sink节点的簇规模越小；g3(xi(t))为簇的紧凑性评价函数，等于簇内节点至簇头最大的平均欧式距离；其中
Figure FSA0000239252650000064
表示簇头的个数，
Figure FSA0000239252650000065
表示粒子xi的第k个簇头节点，
Figure FSA0000239252650000066
为
Figure FSA0000239252650000067
的簇内节点集合；、mi为簇内任意一个节点，
Figure FSA0000239252650000071
为该节点mi到簇头
Figure FSA0000239252650000072
的距离；
STEP5：依据式(15)(16)对粒子的速度和粒子位置进行更新；
Figure FSA0000239252650000073
xij(t+1)＝xij(t)+vij(t+1) (16)
STEP6：重新计算每一个粒子的适应度值，与该粒子pbest中的适应度值比较，如果计算的适应度值大于该粒子个体最优值的适应度值，则更新pbest，否则pbest保持不变；比较当前迭代中所有的各粒子个体最优值pbest和粒子群最优值gbest，更新粒子群最优值gbest；
STEP7：判断迭代次数是否达到预设值；如果小于预设值，则重复STEP4-6，如果达到预设值，则输出粒子群最优值gbest对应的粒子位置为网络单元最佳路由方案；
3)执行单元策略优化流程
采用多变异位自适应遗传算法MMAGA对任务管理进行优化；具体步骤如下：
Step11：染色体基因编码；并行异构计算方式下的任务调度，就是将任务分解为多个具有顺序约束关系的子任务，然后综合不同任务之间的通讯延迟和计算资源性能的差异，将子任务映射到不同的计算资源上，最终使得全部任务完成时间最短，因此染色体编码结构由两部分组成，a(.)和p(.)，如下所示；
a<sub>1</sub> a<sub>4</sub> a<sub>3</sub> … a<sub>r</sub> p<sub>3</sub> p<sub>1</sub> p<sub>2</sub> … p<sub>s</sub>
假设有r个任务集合：A＝[a1，a2，a3，...，ar]，ai为第i个待处理的任务，1≤i≤r；s个计算资源集合：P＝[p1，p2，p3，...，ps]，pj为第j个计算资源，1≤j≤s；染色体的长度即为2×r，染色体的第k位与r+k位相对应，a4和p1表示任务4在计算资源1上执行；
Step22：初始化种群大小、遗传代数、编码长度、交叉和变异概率这些相关参数；
Step33：根据适应度函数计算每个染色体的适应度值，假设Ud表示第d个种群个体对应的染色体，其中1≤d≤N；染色体适应度函数如下：
Figure FSA0000239252650000081
Tspan(Ud)＝max{Tfsh(ai)|1≤i≤r}
Tfsh(ai)＝Tpre_begin(ai)+wij (18)
Tpre_begin(ai)＝max{Tfsh(ak)+del′ki|ak∈pre(ai)} (19)
Figure FSA0000239252650000082
其中，Ui为第i个染色体个体，Tspan(Ud)为整个调度任务完成时间，Tfsh(ai)为任务ai的完成时间，Tpre_begin(ai)表示任务ai开始前消耗的时间，wij表示任务ai在计算资源pj上的执行时间，Tfsh(ak)表示任务ak的完成时间，由于pre(ai)表示任务节点ai的前驱节点，ak表示任务ai的前驱任务完成时间；del′ki表示任务ai与ak之间的通讯延迟时间，delki表示在不同计算资源上处理的通讯延迟时间；
Step44：通过轮盘赌策略选择再生个体，适应度值大的染色体个体被选中的概率高，而适应度值低的染色体个体将被淘汰；
Step55：根据自适应交叉概率生成新的染色体个体；交叉概率公式如下：
Figure FSA0000239252650000083
其中pc0为初始的交叉和变异概率，fmax为最大的适应度值，favg为平均适应度值，f是进行交叉的两个个体中较大的适应度值；
Step66：根据自适应方法产生变异概率，当最大适应度值与最小适应度值相等时，只产生一个变异位；当两者不相等时，随机产生多个变异位和变异位置，然后对选择的染色体个体进行变异；变异概率公式如下：
Figure FSA0000239252650000091
其中pm0为初始的变异概率，fmax为最大的适应度值，favg为平均适应度值，f′为变异个体的适应度值；
Step77：判断迭代次数是否达到预设值；如果小于预设值，则重复Step44-66，如果达到预设值，则输出最优的染色体编码作为执行单元策略方案。
CN202110403161.5A 2021-04-14 2021-04-14 基于cps的phm设计方法 Active CN113204915B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110403161.5A CN113204915B (zh) 2021-04-14 2021-04-14 基于cps的phm设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110403161.5A CN113204915B (zh) 2021-04-14 2021-04-14 基于cps的phm设计方法

Publications (2)

Publication Number Publication Date
CN113204915A true CN113204915A (zh) 2021-08-03
CN113204915B CN113204915B (zh) 2023-05-12

Family

ID=77026935

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110403161.5A Active CN113204915B (zh) 2021-04-14 2021-04-14 基于cps的phm设计方法

Country Status (1)

Country Link
CN (1) CN113204915B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115616919A (zh) * 2022-11-15 2023-01-17 中国航空工业集团公司金城南京机电液压工程研究中心 一种机电产品传感器优化配置方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6122572A (en) * 1995-05-08 2000-09-19 State Of Israel Autonomous command and control unit for mobile platform
CN105354634A (zh) * 2015-10-28 2016-02-24 国家电网公司 一种主动配电网天线集成装置
CN109144016A (zh) * 2018-10-11 2019-01-04 常州信息职业技术学院 一种数据压缩下工业混杂传感网的感控系统与方法
US20190370671A1 (en) * 2017-01-24 2019-12-05 Siemens Aktiengesellschaft System and method for cognitive engineering technology for automation and control of systems
CN110775107A (zh) * 2018-07-30 2020-02-11 西安英特迈思信息科技有限公司 一种高速机车走行部齿轮箱大数据健康管理装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6122572A (en) * 1995-05-08 2000-09-19 State Of Israel Autonomous command and control unit for mobile platform
CN105354634A (zh) * 2015-10-28 2016-02-24 国家电网公司 一种主动配电网天线集成装置
US20190370671A1 (en) * 2017-01-24 2019-12-05 Siemens Aktiengesellschaft System and method for cognitive engineering technology for automation and control of systems
CN110775107A (zh) * 2018-07-30 2020-02-11 西安英特迈思信息科技有限公司 一种高速机车走行部齿轮箱大数据健康管理装置
CN109144016A (zh) * 2018-10-11 2019-01-04 常州信息职业技术学院 一种数据压缩下工业混杂传感网的感控系统与方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
WENJING JIN; ZONGCHANG LIU; ZHE SHI; CHAO JIN; JAY LEE: ""CPS-enabled worry-free industrial applications"", 《IEEE》 *
景博等: ""信息物理融合系统及其应用"", 《空军工程大学学报（自然科学版）》 *
景博等: "军用飞机PHM技术进展分析及问题研究", 《电子测量与仪器学报》 *
曹明路等: "面向工业设备故障预测与健康管理系统的信息物理系统架构设计", 《工业技术创新》 *
李敬兆等: "矿山分布式分级自治系统设计", 《工矿自动化》 *
王生龙等: "测试性设计策略优化与建模的可视化研究", 《电子测量与仪器学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115616919A (zh) * 2022-11-15 2023-01-17 中国航空工业集团公司金城南京机电液压工程研究中心 一种机电产品传感器优化配置方法

Also Published As

Publication number Publication date
CN113204915B (zh) 2023-05-12

Similar Documents

Publication Publication Date Title
Yu et al. Intelligent edge: Leveraging deep imitation learning for mobile edge computation offloading
KR102091126B1 (ko) IoT 데이터 분석을 위한 에지-클라우드 협업 시스템 및 이의 운용방법
CN112598150B (zh) 一种在智能电厂中基于联邦学习提升火灾检测效果的方法
CN113810953A (zh) 一种基于数字孪生的无线传感网络资源调度方法及系统
CN112637806B (zh) 基于深度强化学习的变电站监测系统及其资源调度方法
CN110839184A (zh) 基于流量预测的移动前传光网络带宽调整方法及装置
CN113781002B (zh) 云边协同网络中基于代理模型和多种群优化的低成本工作流应用迁移方法
CN111343650B (zh) 一种基于跨域数据和对抗损失的城市尺度无线业务流量预测方法
CN110213784B (zh) 一种流量预测方法及装置
CN117155845B (zh) 物联网数据交互方法及系统
CN117317408A (zh) 基于大数据和人工智能的电池及热量优化管理方法
CN113204915A (zh) 基于cps的phm设计方法
Zhao et al. Adaptive swarm intelligent offloading based on digital twin-assisted prediction in VEC
Bi et al. Multi-swarm genetic gray wolf optimizer with embedded autoencoders for high-dimensional expensive problems
CN113676357A (zh) 面向电力物联网中边缘数据处理的决策方法及其应用
Jiang et al. Resource Efficient Federated Learning and DAG Blockchain With Sharding in Digital Twin Driven Industrial IoT
Yuan et al. FedTSE: Low-cost federated learning for privacy-preserved traffic state estimation in IoV
Ren et al. Weighted-directed-hypergraph-based spectrum access for energy harvesting cognitive radio sensor network
CN110991519A (zh) 一种智能开关状态分析调整方法及系统
CN112910716B (zh) 一种基于分布式dnn的移动雾计算损耗联合优化系统和方法
CN116224791A (zh) 智能制造协作机器人边缘系统的协作训练控制方法
CN114781598A (zh) 一种基于分层神经网络分布式训练的故障预测方法
CN113658415A (zh) 一种智能网关的预警方法和系统
CN114077482A (zh) 一种工业智能制造边缘智能计算优化方法
Lin et al. Hypergraph-based autonomous networks: adaptive resource management and dynamic resource scheduling

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
GR01 Patent grant
GR01 Patent grant