CN115146845A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115146845A CN115146845A CN202210742925.8A CN202210742925A CN115146845A CN 115146845 A CN115146845 A CN 115146845A CN 202210742925 A CN202210742925 A CN 202210742925A CN 115146845 A CN115146845 A CN 115146845A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- health
- function
- state
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 108
- 230000036541 health Effects 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000003862 health status Effects 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 52
- 238000012706 support-vector machine Methods 0.000 claims description 32
- 230000004927 fusion Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 14
- 239000003016 pheromone Substances 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 241000257303 Hymenoptera Species 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000007423 decrease Effects 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims 2
- 238000005259 measurement Methods 0.000 claims 2
- 238000012423 maintenance Methods 0.000 abstract description 12
- 238000011161 development Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 12
- 239000013598 vector Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了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,包括:健康状态评估体系以及故障预测体系;所述健康状态评估体系包括4层:目标层、分系统层、部组件层和指标层,本发明可以从整体上把握复杂系统的运行状态,及时了解预测系统故障的发展趋势,在可能出现故障的时刻进行故障预测,为维修决策提供依据。
Description
技术领域
本发明涉及装备监测领域,尤其涉及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。
背景技术
随着现代计算机、自动控制、信息处理等高新技术广泛应用于产品,传统的事后维修、定时维修、视情维修等维修保障方式,已难以满足现代产品维修保障的需求,越来越多的使用故障预测方法来对装备进行保养维修,但是,目前故障预测主要是针对系统的部组件,而对系统整体的性能下降趋势研究较少。
发明内容
本发明为了解决以上问题,提供了一种面向装备系统级的健康状态评估以及故障预测方法。
根据本公开实施例的第一方面,为实现上述目的,本发明所采用的技术方案如下:
一种面向装备系统级的健康状态评估以及故障预测方法,包括:健康状态评估体系以及故障预测体系;
所述健康状态评估体系包括4层:目标层、分系统层、部组件层和指标层;
所述健康状态评估系统的评估步骤包括:
确定部组件层不同部组件对应所述指标层的评价指标;
建立因素集I={i1,i2,···,in},所述因素集为评价指标构成的集合,其中,i1,i2,···,in表示各评价指标;
建立评语集R={r1,r2,···,rm},所述评语集为评估结果构成的集合,其中,r1,r2,···,rm表示各评估结果;
用梯形隶属函数确定隶属函数;
建立从I到R的映射,得到隶属度矩阵D,进行单因素评判;
根据DSmT融合规则,获得部组件层各部组件的评估结果,将各部组件的评估结果根据DSmT融合规则进行融合,获得分系统层各分系统的评估结果,将各分系统的评估结果根据DSmT融合规则进行融合,获得系统整体的评估结果;
所述故障预测体系的预测步骤包括:利用多输出支持向量机拟合各评价指标和健康度下降过程的非线性映射关系,实现多输出支持向量机对健康度的多步预测,根据不同对象设定阈值,进而判断系统出现故障的时间。
根据本公开实施例的第一方面,为实现上述目的,本发明所采用的技术方案如下:
一种面向装备系统级的健康状态评估以及故障预测系统,包括健康状态评估模块,被配置为确定部组件层不同部组件对应指标层的评价指标;
建立因素集I={i1,i2,···,in},所述因素集为评价指标构成的集合,其中,i1,i2,···,in表示各评价指标;
建立评语集R={r1,r2,···,rm},所述评语集为评估结果构成的集合,其中,r1,r2,···,rm表示各评估结果;
用梯形隶属函数确定方法确定隶属函数;
建立从I到R的映射,得到隶属度矩阵D,进行单因素评判;
根据DSmT融合规则,获得部组件层各部组件的评估结果,将各部组件的评估结果根据DSmT融合规则进行融合,获得分系统层各分系统的评估结果,将各分系统的评估结果根据DSmT融合规则进行融合,获得系统整体的评估结果;
故障预测模块,被配置为利用多输出支持向量机拟合各评价指标和健康度下降过程的非线性映射关系,实现多输出支持向量机对健康度的多步预测,根据不同对象设定阈值,进而判断系统出现故障的时间。
本发明与现有技术相比,所取得的技术进步在于:
本发明对装备的整个系统划分成了4层:目标层、分系统层、部组件层和指标层,并通过DSmT融合规则,获得系统整体的评估结果,可以从整体上把握复杂系统的运行状态,及时了解预测系统故障的发展趋势,在可能出现故障的时刻进行故障预测,为维修决策提供依据。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
在附图中:
图1为本发明健康状态评估体系的划分图。
图2为本发明健康状态评估系统的评估流程图。
图3为本发明多输出SVM模型结构图。
图4为健康度预测向量图。
图5为本发明输出支持向量机算法流程图。
图6为本发明蚁群算法优化多输出SVM模型参数流程图。
图7为本发明系统示意图。
图8为某型装备电气系统结构层次图。
图9为运行状态指示模块分析对象的层次化结图。
图10为本发明系统健康度预测曲线图。
具体实施方式
下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本发明的实施例进行描述。
实施例1
本发明公开了一种面向装备系统级的健康状态评估以及故障预测方法,其包括健康状态评估体系以及故障预测体系;
健康状态评估体系包括4层:目标层、分系统层、部组件层和指标层,健康状态评估体系的划分如图1所示,其中,目标层为评估决策的最高层次,也就是对系统整体的健康状态评估,所有的影响因素都是从目标层出发按结构层次进行分析;
分系统层为各分系统的健康状态评估,直接对目标层产生影响;
部组件层为各分系统组成单元的健康状态评估,对目标层来说主要是具体的部组件;
指标层是指标体系中的最底层,是能够直接获得的指标数据。
图2公开了健康状态评估系统的评估步骤,包括S101-S108:
S101:确定部组件层不同部组件对应指标层的评价指标;
S102:建立因素集I={i1,i2,···,in},因素集为评价指标构成的集合,其中,i1,i2,···,in表示各评价指标;
S103:建立评语集R={r1,r2,···,rm},评语集为评估结果构成的集合,其中,r1,r2,···,rm表示各评估结果;在本实施例中,将评估结果分为5个等级:S1表示健康状态,S2表示亚健康状态,S3表示可用状态,S4表示故障状态,S5表示报废状态,则评语集R={S1,S2,S3,S4,S5};
S104:用梯形隶属函数确定隶属函数;
S105:建立从I到R的映射,得到隶属度矩阵D,进行单因素评判;
S108:根据DSmT融合规则,获得部组件层各部组件的评估结果,将各部组件的评估结果根据DSmT融合规则进行融合,获得分系统层各分系统的评估结果,将各分系统的评估结果根据DSmT融合规则进行融合,获得系统整体的评估结果,其中,
故障预测体系的预测步骤包括:利用多输出支持向量机拟合各评价指标和健康度下降过程的非线性映射关系,实现多输出支持向量机对健康度的多步预测,根据不同对象设定阈值,进而判断系统出现故障的时间。
其中,多输出支持向量机的构建步骤如下:
结合多输出支持向量机的回归算法,构造如图3所示的多输出SVM模型结构。图中x(t-n),…,x(t-1),x(t)表示前n个时刻监测数据(即指标)序列,s(t+1),s(t+2),…,s(t+k)表示第t+1时刻到第t+k时刻系统的健康度。
故障预测模型的输入为系统监测数据序列(每个样本序列均以时间先后为序排列),输出为对应样本的健康度。故障预测模型的工作原理就是,通过训练多输出SVM来拟合性能退化数据和健康度间的非线性关系,用训练好的SVM预测系统将来时刻的健康度。
设采集的系统监测数据样本Xi表示为{xi(1),xi(2),……,xi(m)}。在训练期间,对于样本Xi来说,输入向量表示为:
输出向量表示为:
把输入和输出向量分别送入到故障预测模型中,SVM的训练将以使实际输出结果接近目标输出向量为目标。当所有样本的训练结束后,输入未知的测试样本,SVM就会生成一个健康度预测向量:
这个健康度预测向量也可以用曲线形式来表示,如图4所示。利用训练样本的输入输出向量对多输出支持向量机进行训练,直到支持向量机的输出与实际健康度的误差最小时,完成训练过程。
该故障预测模型,一方面以健康度的下降趋势为预测目标,虽然不能准确预测部组件故障发生的部位和剩余寿命,但是可以从健康度的角度综合掌握系统状态的劣化趋势,在系统故障前制定合理的维修计划,预防灾难性故障的发生;另一方面,采用多输出支持向量机进行预测,可以多步预测系统健康度,更适用于系统健康状态的预测。
支持向量机用于故障预测多是基于时间序列,通过个输入序列预测未来某一时刻的值,也就是多输入单输出。然而健康度是连续变化的过程量,因此需要通过改进SVM回归算法,研究多输入多输出的情况,构造多输出支持向量机,实现对系统健康度未来下降程度的预测。多输出支持向量机算法流程如图5所示。
将单输出支持向量机回归函数y=g(x)=(ω·x)+b中的参数表示为矩阵形式,可得多输出支持向量机回归函数y=g(x)=W·x+b,其中:
采用ε-不敏感损失函数,转换为凸规划问题:
s.t.(W·xi)-yi+b≤ε
yi-(W·xi)-b≤ε
0≤aik (*)≤C
选择合适核函数K(xi,x);
则线性回归函数为:
还包括对多输出支持向量机参数进行优化,由多输出支持向量机回归算法推导过程可知,影响SVM预测精度的参数为不敏感损失系数ε,惩罚因子C和核函数参数σ,参数优化目的是寻找最优组合参数使拟合的回归曲线误差最小,而且要有较好地推广和学习能力。
蚁群算法数学描述中的变量和常数包括:蚁群蚂蚁的个数m;优化问题中路口个数n;两个路口i和j之间的距离dij,其中i,j∈(1,n);t时刻选择路径(i,j)时残留的信息量τij(t),假设τij(0)=const(const为常数),表示初始时刻所有路径上的信息量相等。
蚂蚁k(k=1,2,···,m)在行走的过程中根据路径上的信息量选择所要走的路径,量化为表示t时刻蚂蚁k由路口i转移到j的状态转移概率,如下式所示。表示蚂蚁在选择路径时会尽量选择信息素浓度较大而且距离自己较近的路径。
式中,allowedk={C-tabuk}表示t时刻蚂蚁k还没有遍历的路口;
tabuk(k=1,2,···,m)表示禁忌表,记录蚂蚁k已经走过的路口;
α表示信息启发式因子,反映了蚂蚁运动中信息量的重要程度;
β表示期望启发式因子,表示期望值的重要程度;
由于启发信息容易因为残留信息素过多被淹没,所以要不断更新残留信息素。(t+n)时刻在路径(i,j)上信息量可根据下式进行更新。
τij(t+n)=(1-ρ)·τij(t)+Δτij(t)
上式中,ρ表示信息素挥发系数。为了避免信息一直积累,ρ的取值范围为[0,1),用1-ρ表示信息的残留系数;
Δτij(t)表示本次循环中路径(i,j)上的信息素增量,初始时刻Δτij(t)=0。
如图6所示的,具体优化如下:
(1)初始化相关参数;蚁群算法参数初始化,包括蚂蚁个数m,循环次数Nc=0,最大循环次数Ncmax,初始化信息量τij(t)=const,初始时刻Δτij(0)=0;多输出SVM参数C,σ,ε的上下限,划分格子的数量N,每个格子代表一组(C,σ,ε)的值;
(2)将m只蚂蚁随机放在n个节点上,设蚂蚁的禁忌表索引号k=1;
(3)多输出SVM样本训练,算法迭代搜索,选择SVM目标函数F,采用平均绝对误差MAPE:
τij(t+n)=(1-ρ)·τij(t)+Δτij(t)
式中,ρ表示信息素挥发系数,为了避免信息一直积累,ρ的取值范围为[0,1),用1-ρ表示信息的残留系数;表示第k只蚂蚁在本次循环中留在路径(i,j)上的信息量;Δτij(t)—表示本次循环中路径(i,j)上的信息素增量,初始时刻Δτij(t)=0;
(5)判断是否达到最大循环次数,若满足终止条件Nc>Ncmax,且蚂蚁收敛到同一路经,则寻优结束,输出最优结果(C,σ,ε);否则返回(2)。
如图7所示的,本实施例还公开一种面向装备系统级的健康状态评估以及故障预测系统,包括健康状态评估模块以及故障预测模块;其中,健康状态评估模块被配置为用于运行上述健康状态评估体系的评估步骤,故障预测模块被配置为用于运行上述故障预测体系的预测步骤。
健康状态评估模块实现对系统的健康状态评估,得到对应于健康、亚健康、可用、故障、报废5个状态的系统健康状态。健康状态评估模块可以实现对装备系统及其分系统的健康状态评估,选择评估对象即可对当前对象进行健康状态等级的分析。
故障预测模块通过判断健康度下降的趋势实现对故障的预测,操作人员根据健康度预警值实现故障发生时刻的预测。
还包括运行状态指示模块,运行状态指示模块通过CAN总线协议对采集的数据进行开关状态的解析与存储,报告各触发开关在使用过程中的开关状态,有助于查看操作人员在操作过程中方法是否正确,对简单的运行状态数据进行阈值报警,并可累计各部件的使用时间和次数。
实施例2
本实施例以某型装备电气系统为研究对象,利用上述系统,实现电气系统运行状态指示监测、健康状态评估与故障预测。
某型装备电气系统由电源分系统、配电分系统和辅助电气分系统组成,电源分系统由蓄电池、主机电源和辅机电源组成;配电分系统由主配电箱、炮塔配电箱和电源补偿器组成;辅助电气分系统由三防抑爆装置、车外击发装置和烟幕弹装置组成,具体结构层次如图8所示。
(1)电气系统运行状态指示监测
电气系统开关状态监测信号比较复杂,其层次化结构如图9所示,通过状态监测与管理系统对采集的数据进行开关状态的解析与存储,报告各触发开关在使用过程中的开关状态,有助于查看操作人员在操作过程中方法是否正确及事故分析提供依据,并可累计各部件的使用时间和次数,提示各部件的使用寿命和更换时间。
将数据检测记录仪采集的数据进行转换后导入分析软件,通过CAN总线协议分析提取用于状态指示的数据。
(2)电气系统健康状态评估
通过评估对象选择控件选择评估对象,可以评估电气系统、各分系统以及各组成部件的健康状态,评估指标体系的层次化结构要求实际操作中必须首先评估分系统健康状态。例如选择时间范围5月13日的装备运转时间,对电源分系统进行健康状态评估。评估结果如表1所示:
表1
相同时间段的数据下,获得的各组成部件的健康等级如表1.1所示,各分系统的健康状态评估结果如表1.2所示:
表1.1
表1.2
在获得各分系统健康状态评估结果后,就可以对电气系统进行健康状态评估,在相同的数据下,采用DSmT融合规则得到的电气系统健康状态评估结果如表1.3所示:
表1.3
(3)电气系统故障预测
通过训练多输出SVM拟合监测数据与健康度下降趋势的曲线对电气系统及分系统进行故障预测,当健康度下降到设定的健康度阈值时,就认为系统处于故障状态。以1小时为时间间隔,预测以5月13日为监测数据截止时间的未来20个时刻(运行时间)系统的健康度变化趋势,对监测数据进行预测的结果如图10所示。
表1.4为预测结果与实际值的对比,预测精度约为96%。根据专家经验将电气系统发生故障的阈值设定为0.4,即认为当健康度下降到0.4时系统处于故障状态,此时需要进行合理的维修作业。由预测曲线可以看出,电气系统在未来20个时刻内健康度最低为0.563,都没有下降到0.4,因此电气系统还未进入故障状态,但是可以根据一定时间内的预测结果制定电气系统维修计划,在系统故障前实施保障维修,保证其始终处于良好的运行状态。
表1.4
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明权利要求保护的范围之内。
Claims (9)
1.一种面向装备系统级的健康状态评估以及故障预测方法,其特征在于,包括:
健康状态评估体系以及故障预测体系;
所述健康状态评估体系包括4层:目标层、分系统层、部组件层和指标层;
所述健康状态评估系统的评估步骤包括:
确定部组件层不同部组件对应所述指标层的评价指标;
建立因素集I={i1,i2,…,in},所述因素集为评价指标构成的集合,其中,i1,i2,…,in表示各评价指标;
建立评语集R={r1,r2,…,rm},所述评语集为评估结果构成的集合,其中,r1,r2,…,rm表示各评估结果;
用梯形隶属函数确定隶属函数;
建立从I到R的映射,得到隶属度矩阵D,进行单因素评判;
根据DSmT融合规则,获得部组件层各部组件的评估结果,将各部组件的评估结果根据DSmT融合规则进行融合,获得分系统层各分系统的评估结果,将各分系统的评估结果根据DSmT融合规则进行融合,获得系统整体的评估结果;
所述故障预测体系的预测步骤包括:利用多输出支持向量机拟合各评价指标和健康度下降过程的非线性映射关系,实现多输出支持向量机对健康度的多步预测,根据不同对象设定阈值,进而判断系统出现故障的时间。
3.根据权利要求2所述的面向装备系统级的健康状态评估以及故障预测方法,其特征在于:多输出支持向量机的构建步骤如下:
将单输出支持向量机回归函数y=g(x)=(ω·x)+b中的参数表示为矩阵形式,可得多输出支持向量机回归函数y=g(x)=W·x+b,其中:
采用ε-不敏感损失函数,转换为凸规划问题:
s.t.(W·xi)-yi+b≤ε
yi-(W·xi)-b≤ε
通过引进松弛变量ξ(*)=(ξ1,ξ1 *,…,ξl,ξl *)T=(ξ11,ξ11 *,…,ξ1m,ξ1m *,ξ21,ξ21 *,…,ξlm,ξlm *)T,惩罚因子以及拉格朗日函数将多输出支持向量机问题转化为以下对偶问题:
0≤aik (*)≤C
选择合适核函数K(xi,x);
则线性回归函数为:
4.根据权利要求3所述的面向装备系统级的健康状态评估以及故障预测方法,其特征在于:还包括对多输出支持向量机参数进行优化,具体方法如下:
(1)初始化相关参数;蚁群算法参数初始化,包括蚂蚁个数m,循环次数Nc=0,最大循环次数Ncmax,初始化信息量τij(t)=const,初始时刻Δτij(0)=0;多输出SVM参数C,σ,ε的上下限,划分格子的数量N,每个格子代表一组(C,σ,ε)的值;
(2)将m只蚂蚁随机放在n个节点上,设蚂蚁的禁忌表索引号k=1;
(3)多输出SVM样本训练,算法迭代搜索,选择SVM目标函数F,采用平均绝对误差MAPE:
τij(t+n)=(1-ρ)·τij(t)+Δτij(t)
式中,ρ表示信息素挥发系数,为了避免信息一直积累,ρ的取值范围为[0,1),用1-ρ表示信息的残留系数;表示第k只蚂蚁在本次循环中留在路径(i,j)上的信息量;Δτij(t)—表示本次循环中路径(i,j)上的信息素增量,初始时刻Δτij(t)=0;
(5)判断是否达到最大循环次数,若满足终止条件Nc>Ncmax,且蚂蚁收敛到同一路经,则寻优结束,输出最优结果(C,σ,ε);否则返回(2)。
5.一种面向装备系统级的健康状态评估以及故障预测系统,其特征在于:包括健康状态评估模块,被配置为确定部组件层不同部组件对应指标层的评价指标;
建立因素集I={i1,i2,…,in},所述因素集为评价指标构成的集合,其中,i1,i2,…,in表示各评价指标;
建立评语集R={r1,r2,…,rm},所述评语集为评估结果构成的集合,其中,r1,r2,…,rm表示各评估结果;
用梯形隶属函数确定方法确定隶属函数;
建立从I到R的映射,得到隶属度矩阵D,进行单因素评判;
根据DSmT融合规则,获得部组件层各部组件的评估结果,将各部组件的评估结果根据DSmT融合规则进行融合,获得分系统层各分系统的评估结果,将各分系统的评估结果根据DSmT融合规则进行融合,获得系统整体的评估结果;
故障预测模块,被配置为利用多输出支持向量机拟合各评价指标和健康度下降过程的非线性映射关系,实现多输出支持向量机对健康度的多步预测,根据不同对象设定阈值,进而判断系统出现故障的时间。
6.根据权利要求5所述的面向装备系统级的健康状态评估以及故障预测系统,其特征在于:评估结果分为5个等级:S1表示健康状态,S2表示亚健康状态,S3表示可用状态,S4表示故障状态,S5表示报废状态,则评语集R={S1,S2,S3,S4,S5}。
7.根据权利要求6所述的面向装备系统级的健康状态评估以及故障预测系统,其特征在于:多输出支持向量机的构建步骤如下:
将单输出支持向量机回归函数y=g(x)=(ω·x)+b中的参数表示为矩阵形式,可得多输出支持向量机回归函数y=g(x)=W·x+b,其中:
采用ε-不敏感损失函数,转换为凸规划问题:
s.t.(W·xi)-yi+b≤ε
yi-(W·xi)-b≤ε
通过引进松弛变量ξ(*)=(ξ1,ξ1 *,…,ξl,ξl *)T=(ξ11,ξ11 *,…,ξ1m,ξ1m *,ξ21,ξ21 *,…,ξlm,ξlm *)T,惩罚因子以及拉格朗日函数将多输出支持向量机问题转化为以下对偶问题:
0≤aik (*)≤C
则线性回归函数为:
8.根据权利要求7所述的面向装备系统级的健康状态评估以及故障预测系统,其特征在于:还包括对多输出支持向量机参数进行优化,具体方法如下:
(1)初始化相关参数;蚁群算法参数初始化,包括蚂蚁个数m,循环次数Nc=0,最大循环次数Ncmax,初始化信息量τij(t)=const,初始时刻Δτij(0)=0;多输出SVM参数C,σ,ε的上下限,划分格子的数量N,每个格子代表一组(C,σ,ε)的值;
(2)将m只蚂蚁随机放在n个节点上,设蚂蚁的禁忌表索引号k=1;
(3)多输出SVM样本训练,算法迭代搜索,选择SVM目标函数F,采用平均绝对误差MAPE:
τij(t+n)=(1-ρ)·τij(t)+Δτij(t)
式中,ρ表示信息素挥发系数,为了避免信息一直积累,ρ的取值范围为[0,1),用1-ρ表示信息的残留系数;表示第k只蚂蚁在本次循环中留在路径(i,j)上的信息量;Δτij(t)—表示本次循环中路径(i,j)上的信息素增量,初始时刻Δτij(t)=0;
(5)判断是否达到最大循环次数,若满足终止条件Nc>Ncmax,且蚂蚁收敛到同一路经,则寻优结束,输出最优结果(C,σ,ε);否则返回(2)。
9.根据权利要求8所述的面向装备系统级的健康状态评估以及故障预测系统,其特征在于:还包括运行状态指示模块,所述运行状态指示模块对采集的数据进行开关状态的解析与存储,报告触发开关在使用过程中的开关状态,对运行状态数据进行阈值报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210742925.8A CN115146845A (zh) | 2022-06-28 | 2022-06-28 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210742925.8A CN115146845A (zh) | 2022-06-28 | 2022-06-28 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115146845A true CN115146845A (zh) | 2022-10-04 |
Family
ID=83410175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210742925.8A Pending CN115146845A (zh) | 2022-06-28 | 2022-06-28 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115146845A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115796623A (zh) * | 2023-02-07 | 2023-03-14 | 浪潮通用软件有限公司 | 一种基于物联网的焊机管理评估方法、设备及介质 |
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 |
-
2022
- 2022-06-28 CN CN202210742925.8A patent/CN115146845A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115796623A (zh) * | 2023-02-07 | 2023-03-14 | 浪潮通用软件有限公司 | 一种基于物联网的焊机管理评估方法、设备及介质 |
CN115796623B (zh) * | 2023-02-07 | 2023-05-05 | 浪潮通用软件有限公司 | 一种基于物联网的焊机管理评估方法、设备及介质 |
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 |
---|---|---|
CN115146845A (zh) | 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 | |
CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
CN111539515B (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
CN113156917B (zh) | 基于人工智能的电网设备故障诊断方法及系统 | |
CN108763654A (zh) | 一种基于威布尔分布和隐半马尔科夫模型的电力设备故障预测方法 | |
CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
Abu-Samah et al. | Failure prediction methodology for improved proactive maintenance using Bayesian approach | |
EP2978095A1 (en) | Power system operation | |
CN110571792A (zh) | 一种电网调控系统运行状态的分析评估方法及系统 | |
CN117633722B (zh) | 基于智能检测机器人的检测控制方法及系统 | |
CN117713221B (zh) | 一种微逆光伏并网优化系统 | |
CN112990587A (zh) | 一种对台区用电进行精准预测的方法及系统、设备、介质 | |
Xue et al. | An improved generic hybrid prognostic method for RUL prediction based on PF-LSTM learning | |
CN111340269B (zh) | 用于流程工业过程的实时优化方法 | |
CN109359742B (zh) | 一种地铁子系统预防维修周期的生成方法 | |
Jafari et al. | Optimizing battery RUL prediction of lithium-ion batteries based on Harris hawk optimization approach using random forest and LightGBM | |
Hu et al. | Early software reliability prediction with extended ANN model | |
CN117630672A (zh) | 借助变换器模型预测诊断技术设备的设备电池的方法和设备 | |
CN117032165A (zh) | 一种工业设备故障诊断方法 | |
Sahoo et al. | Health Index Analysis of XLPE Cable Insulation using Machine Learning Technique | |
CN116956702A (zh) | 一种用电安全预警方法、介质及系统 | |
Renold et al. | Comprehensive Review of Machine Learning, Deep Learning, and Digital Twin Data-Driven Approaches in Battery Health Prediction of Electric Vehicles | |
CN116061690A (zh) | 一种电动汽车充电过程中的安全预警方法及装置 | |
CN114417953A (zh) | 一种充电桩负荷识别及负荷保护安全方法 | |
CN114881101B (zh) | 一种基于仿生搜索的电力系统典型场景关联特征选择方法 |
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 |