CN115859588A - 基于噪声影响的设备健康状态估计方法、设备、存储介质 - Google Patents
基于噪声影响的设备健康状态估计方法、设备、存储介质 Download PDFInfo
- Publication number
- CN115859588A CN115859588A CN202211473740.8A CN202211473740A CN115859588A CN 115859588 A CN115859588 A CN 115859588A CN 202211473740 A CN202211473740 A CN 202211473740A CN 115859588 A CN115859588 A CN 115859588A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- matrix
- health state
- evaluation index
- weight coefficient
- 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 160
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000011156 evaluation Methods 0.000 claims abstract description 222
- 239000011159 matrix material Substances 0.000 claims abstract description 150
- 239000013598 vector Substances 0.000 claims abstract description 78
- 238000004458 analytical method Methods 0.000 claims description 34
- 230000003862 health status Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 10
- 238000013210 evaluation model Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 abstract description 14
- 239000010410 layer Substances 0.000 description 80
- 230000008569 process Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 8
- 230000004048 modification Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种基于噪声影响的设备健康状态估计方法、设备、存储介质,该方法根据采集的n组评估指标值,构建评估指标集;根据评估指标集构造模糊评判矩阵;计算n组评估指标值的权重系数向量;根据权重系数向量和模糊评判矩阵,在健康状态集中估计设备健康状态。本申请提供的方法,根据采集的n组评估指标值,构建评估指标集;根据评估指标集构造模糊评判矩阵;计算n组评估指标值的权重系数向量;根据权重系数向量和模糊评判矩阵,在健康状态集中估计设备健康状态,可避免外部噪声过大,造成健康状态评估异常的问题,实现健康状态的准确评估。
Description
技术领域
本申请涉及轨道交通技术领域,尤其涉及一种基于噪声影响的设备健康状态估计方法、设备、存储介质。
背景技术
在实际服役过程中,城市轨道交通设备受外部噪声干扰较为严重,致使其输出参数夹杂着大量的噪声信号,从而导致采用输出参数进行的健康状态评估结果不准确。
目前,在评估设备健康状态时,常对表征设备退化的输出参数做两种处理,以使这些输出参数的变化情况更加显著。第一种处理方式是用输出参数的直接参量,如输出参数的均值、方差、峰度、偏度等统计量。第二种处理方式是用输出参数的间接参量,如通过数据挖掘等技术,挖掘输出参数在不同维度上的变化规律,采用升维或者降维之后的数据,作为参量进行后续的分析。
上述方案虽然可以在一定程度上,增强输出参数的变化特征,但是并未从根本上解决噪声过大对输出参数的直接影响。
发明内容
为了解决上述技术缺陷之一,本申请提供了一种基于噪声影响的设备健康状态估计方法、设备、存储介质。
本申请第一个方面,提供了一种基于噪声影响的设备健康状态估计方法,该方法包括:
根据采集的n组评估指标值,构建评估指标集X={xij},其中,i为组标识,i=1,2,…,n,j为评估指标标识,xij为第i组中的评估指标j的值;
根据X={xij}构造模糊评判矩阵R={rik},其中,k为健康状态标识,rik为第i组评估指标值影响第k个健康状态的程度;健康状态位于健康状态集;
计算n组评估指标值的权重系数向量;
根据权重系数向量和R={rik},在健康状态集中估计设备健康状态。
可选地,计算n组评估指标值的权重系数向量,包括:
基于n组评估指标值建立层次分析结构模型;所述层次分析结构模型包括三层,其中,上层元素为问题,中层元素为解决所述问题的准则,下层元素为n组评估指标值;所述问题为计算n组评估指标值的权重;
根据层次分析结构模型,构造判断矩阵;
根据判断矩阵计算权重系数向量。
可选地,根据X={xij}构造模糊评判矩阵R={rik},包括:
确定X={xij}中各元素具有各健康状态的程度;
根据各元素具有各健康状态的程度,形成各组评估指标影响各健康状态的程度;
根据各组评估指标影响各健康状态的程度,形成各组评估指标的隶属度集合;
将各组评估指标的隶属度集合作为行,形成模糊评判矩阵。
可选地,所根据层次分析结构模型,构造判断矩阵,包括:
确定层次分析结构模型中各层的各元素相对于上一层元素的重要程度,形成判断矩阵。
可选地,中层元素有l个,判断矩阵包括l+1个;
其中,1个判断矩阵由中层各元素对于上层元素的重要程度构成;
l个判断矩阵分别由下层各元素对于各中层元素的重要程度构成。
可选地,根据判断矩阵计算权重系数向量,包括:
可选地,根据权重系数向量和R={rik},在健康状态集中估计设备健康状态之前,还包括:
根据C.R.完成一致性检验。
可选地,根据权重系数向量和R={rik},在健康状态集中估计设备健康状态,包括:
计算模糊综合评判模型Q=R*W,其中W为权重系数向量,*为广义模糊合成运算符;
根据Q在健康状态集中估计设备健康状态。。
本申请第二个方面,提供了一种电子设备,包括:
存储器;
处理器;以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如上述第一个方面所述的方法。
本申请第三个方面,提供了一种计算机可读存储介质,其上存储有计算机程序;所述计算机程序被处理器执行以实现如上述第一个方面所述的方法。
本申请提供一种基于噪声影响的设备健康状态估计方法、设备、存储介质,该方法根据采集的n组评估指标值,构建评估指标集;根据评估指标集构造模糊评判矩阵;计算n组评估指标值的权重系数向量;根据权重系数向量和模糊评判矩阵,在健康状态集中估计设备健康状态。
本申请提供的方法,根据采集的n组评估指标值,构建评估指标集;根据评估指标集构造模糊评判矩阵;计算n组评估指标值的权重系数向量;根据权重系数向量和模糊评判矩阵,在健康状态集中估计设备健康状态,可避免外部噪声过大,造成健康状态评估异常的问题,实现健康状态的准确评估。
另外,在一种实现中,基于n组评估指标值构造判断矩阵,根据判断矩阵计算权重系数向量,可以避免外部噪声过大,造成健康状态评估异常的问题,实现健康状态的准确评估。
另外,在一种实现中,明确了模糊评判矩阵构造过程,可以避免外部噪声过大,造成健康状态评估异常的问题,保证了健康状态的准确评估。
另外,在一种实现中,基于层次分析结构模型中各层的各元素相对于上一层元素的重要程度,形成判断矩阵,可以避免外部噪声过大,造成健康状态评估异常的问题,实现健康状态的准确评估。
另外,在一种实现中,明确了判断矩阵与中层元素之间的关系,保证了健康状态的准确评估。
另外,在一种实现中,明确了根据判断矩阵计算权重系数向量的方案,保证了健康状态的准确评估。
另外,在一种实现中,在估计设备健康状态之前进行一致性检验,可以避免外部噪声过大,造成健康状态评估异常的问题,实现健康状态的准确评估。
另外,在一种实现中,根据权重系数向量和模糊评判矩阵,计算模糊综合评判模型,进而估计设备健康状态,可以避免外部噪声过大,造成健康状态评估异常的问题,实现健康状态的准确评估。
本申请提供的电子设备,其上计算机程序被处理器执行以根据采集的n组评估指标值,构建评估指标集;根据评估指标集构造模糊评判矩阵;计算n组评估指标值的权重系数向量;根据权重系数向量和模糊评判矩阵,在健康状态集中估计设备健康状态,可避免外部噪声过大,造成健康状态评估异常的问题,实现健康状态的准确评估。
本申请提供的计算机可读存储介质,其上的计算机程序被处理器执行以根据采集的n组评估指标值,构建评估指标集;根据评估指标集构造模糊评判矩阵;计算n组评估指标值的权重系数向量;根据权重系数向量和模糊评判矩阵,在健康状态集中估计设备健康状态,可避免外部噪声过大,造成健康状态评估异常的问题,实现健康状态的准确评估。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的一种基于噪声影响的设备健康状态估计方法的流程示意图;
图2为本申请实施例提供的一种健康状态估计指标体系示意图;
图3为本申请实施例提供的一种层次分析结构模型的示意图;
图4为本申请实施例提供的一种电源的健康指标体系示意图;
图5为本申请实施例提供的一种电源层次分析结构模型的示意图。
具体实施方式
为了使本申请实施例中的技术方案及优点更加清楚明白,以下结合附图对本申请的示例性实施例进行进一步详细的说明,显然,所描述的实施例仅是本申请的一部分实施例,而不是所有实施例的穷举。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
在实现本申请的过程中,发明人发现,在评估设备健康状态时,常对表征设备退化的输出参数做两种处理,以使这些输出参数的变化情况更加显著。第一种处理方式是用输出参数的直接参量,如输出参数的均值、方差、峰度、偏度等统计量。第二种处理方式是用输出参数的间接参量,如通过数据挖掘等技术,挖掘输出参数在不同维度上的变化规律,采用升维或者降维之后的数据,作为参量进行后续的分析。
上述方案虽然可以在一定程度上,增强输出参数的变化特征,但是并未从根本上解决噪声过大对输出参数的直接影响。
针对上述问题,本申请实施例中提供了一种基于噪声影响的设备健康状态估计方法、设备、存储介质,该方法根据采集的n组评估指标值,构建评估指标集;根据评估指标集构造模糊评判矩阵;计算n组评估指标值的权重系数向量;根据权重系数向量和模糊评判矩阵,在健康状态集中估计设备健康状态。本申请提供的方法,根据采集的n组评估指标值,构建评估指标集;根据评估指标集构造模糊评判矩阵;计算n组评估指标值的权重系数向量;根据权重系数向量和模糊评判矩阵,在健康状态集中估计设备健康状态,可避免外部噪声过大,造成健康状态评估异常的问题,实现健康状态的准确评估。
参见图1,本实施例提供的基于噪声影响的设备健康状态估计方法,实现过程如下:
101,根据采集的n组评估指标值,构建评估指标集。
评估指标集是以影响研究对象的各种因素为元素所组成的一个集合,主要是用于评判研究对象的各种属性或性能。图2为研究对象的健康状态估计指标体系,估计指标体系中可包含多个指标。
由于评估指标的量纲可能不相同,不便于用于后续计算,因此需对各评估指标x′ij进行规范化处理,将其压缩在[0,1]之间,由有量纲数据变为无量纲数据。
其中,i为组标识,i=1,2,…,n,j为评估指标标识,xij为第i组中的评估指标j的值(即第i个数据组的第j项评估指标xij的规范化数值),分别为第j项评估指标的理论最小值和理论最大值;n为总组数。/>
最终得到评估指标集X={xij}。
102,根据评估指标集构造模糊评判矩阵。
健康状态位于健康状态集。健康状态集可看作是研究对象可能出现健康状态类型的集合。健康状态集表示为V={v1,v2,…,vk,…,vs},k=1,2,…,s。
式中,vk为研究对象的各种健康状态评判结果,k为健康状态的序号,s为健康状态的总数。
本步骤的实现过程为:
1、确定X={xij}中各元素具有各健康状态的程度。
例如,对于X={xij}中任一元素xij,其具有第k个健康状态的程度为rijk。
2、根据各元素具有各健康状态的程度,形成各组评估指标影响各健康状态的程度。
例如,对于任一组i,第i组评估指标影响第k个健康状态的程度为rik。
3、根据各组评估指标影响各健康状态的程度,形成各组评估指标的隶属度集合Ri={ri1,ri2,…}。
4、将各组评估指标的隶属度集合作为行,形成模糊评判矩阵。
其中,k为健康状态标识,rik为第i组评估指标值影响第k个健康状态的程度。
模糊评判矩阵R的性质可看出,R的第i行反映了第i个评估指标影响评判对象取各个健康状态集中元素的程度。第k列则反映了所有评估指标影响评判对象取第k个健康状态集元素的程度。
103,计算n组评估指标值的权重系数向量。
为确定各评估指标对评判对象的重要程度,为评估指标集X构建一个权重向量W={Wq}。
式中,Wq是评估指标在总评价中影响程度大小。
本步骤运用层次分析法进行权重向量的计算,实现流程如下:
1、基于n组评估指标值建立层次分析结构模型。
根据内部各个评估指标之间的内在联系、相互影响和隶属关系,建立有序排列的层次结构,从而得到多个层次的结构分析模型,如图3所示。模型的最上层是目标层,该层表示的是需要解决的问题。位于中间的层次是准则层,代表的是实现总目标过程中所用到的中间环节,该层放置的是对总目标进行评价和衡量的准则、指标等。最下侧是方案层,该层代表的是待选择和评价的解决问题,所用到的各种措施和方法等。以符号A代表目标层的总目标元素,以符号Bl代表准则层的各个元素,以符号Cl代表方案层的各个元素。
即本步骤中的层次分析结构模型包括三层,上层元素为问题,中层元素为解决问题的准则,下层元素为n组评估指标值。
问题为计算n组评估指标值的权重。
2、根据层次分析结构模型,构造判断矩阵。
判断矩阵反映了层次模型里下级层次的各元素对上一层次某个相关元素的重要性程度。对层次分析结构模型中各层的元素相对于上一层元素进行比较,得到对于同一层次l个不同元素相对于上一层次相应元素重要程度l阶判断矩阵。
其中,l=q,即判断矩阵是个方阵。
表1
重要性程度相互比较 | 元素B<sub>l</sub>量化值 | 元素B<sub>q</sub>量化值 |
B<sub>l</sub>与B<sub>q</sub>同等重要 | 1 | 1 |
B<sub>l</sub>与B<sub>q</sub>稍微重要 | 3 | 1/3 |
B<sub>l</sub>与B<sub>q</sub>明显重要 | 5 | 1/5 |
B<sub>l</sub>与B<sub>q</sub>强烈重要 | 7 | 1/7 |
B<sub>l</sub>与B<sub>q</sub>极端重要 | 9 | 1/9 |
当表中两个元素之间的相对重要性程度处于上述两个量化值之间时,该元素的量化值也可以选择2、4、…、8等中间值。
根据以上原则及层次结构模型,对各级指标相对于上级指标的重要程度进行两两比较,最终可得到各个层次元素间的判断矩阵的结果。
因此,构造判断矩阵的实现过程为:确定层次分析结构模型中各层的各元素相对于上一层元素的重要程度,形成判断矩阵。
如果中层元素有l个,判断矩阵包括l+1个。
其中,1个判断矩阵由中层各元素对于上层元素的重要程度构成。
3、根据判断矩阵计算权重系数向量。
实现过程为:
其中,l=q,即判断矩阵是个方阵。
104,根据权重系数向量和模糊评判矩阵,在健康状态集中估计设备健康状态。
在执行步骤104之前,还会进行一致性检验,只有一致性检验通过之后才执行步骤104。
一致性检验过程如下:
开展一致性检验的目的是检验各个元素能否满足一致性要求,对于不能满足要求的判断矩阵的各个元素进行调整,直至满足一致性检验的要求。
其中,J为判断矩阵,W为权重系数向量,W={Wq},(J·W)q为J·W的第q个分量。
5、根据C.R.完成一致性检验。
R.I.为判断矩阵B的平均随机一致性指标,此指标可对C.I.进行修正,以便消除矩阵阶数的影响。
进行一致性检验。在n≥3的情况下,当0<C.R.<0.1时,说明判断矩阵一致性偏离程度较小,各指标所分配的权重值合理。否则就说明在对元素进行两两比较或者判断过程中可能出现了一些不合理的矛盾,此时需要对判断矩阵的各个元素进行调整,经调整修改后的矩阵再次重复上述的步骤求解出新的C.R.,直到求解出的C.R.小于0.1,调整工作结束。最后一次计算得出的权重是符合一致性要求的,该权重系数就是该层次元素的单排序。
相对于目标层来说,层次总排序时需要用到的单层次排序权重数据。若准则层B共包括U个元素B1,B2,…,BU,该结构层次对于目标层A的总排序权重为b1,b2,…,bU。下一层次方案层C中共包含V个因素:C1,C2,…,CV,该层相对上一层bu的单排序权重为则下层Cv相对于总目标的排序权重是/>各元素的综合权重系数,可依据表2进行求解。
表2
在进行上述一致性检验后,还会对层次总排序进行一致性检验。
若层次结构能够通过公式的检验,求出权重系数最高的方案,即为最优方案。否则就需要调整判断矩阵的各个元素,不断重复上述步骤,直到获得满意的结果。
当模糊评判矩阵R和权重W确定后,可通过模糊评判矩阵作模糊线性变换,把权重向量变为健康状态集V上的模糊子集。因此步骤104的执行过程为:
1、计算模糊综合评判模型Q=R*W。
其中,W为权重系数向量,*为广义模糊合成运算符。
Q为评语集V上的模糊综合评价集。
2、根据Q在健康状态集中估计设备健康状态。
按照最大隶属度原则,取与最大评估值对应的健康状态集元素vk作为健康状态的评估结果。
针对服役过程中的城市轨道交通设备,外部噪声影响设备健康状态评估准确性的问题。现有方案多是采用一定的方法放大输出参数的变化程度,进而减弱噪声的影响。目前,这些方法存在以下几个问题:
(1)忽略了噪声对其直接参量也造成了影响。虽然可以用输出参数的直接参量,如输出参数的均值、方差、峰度、偏度等进行健康状态评估。但是,这些操作仍然无法消除噪声对数据的影响。
(2)未从根本上解决噪声对输出参数的影响。用输出参数的间接参量,如通过数据挖掘等技术,挖掘输出参数在不同维度上的变化规律,采用升维或者降维之后的数据,作为参量进行后续的分析。这种方法虽然可以在一定程度上,增强输出参数的变化特征,但是并未从根本上解决噪声对输出参数的直接影响。
针对实际服役中噪声过大,导致城轨交通设备健康状态评估结果不准确的问题。本实施例提供一种基于噪声影响的设备健康状态估计方法,可应用于噪声影响较大的城轨交通设备的健康状态估计。主要包括建立评估指标集,建立健康状态集,构造模糊评判矩阵,计算权重,基于模糊综合评判确定健康状态。本发明可避免外部噪声过大,造成健康状态评估异常的问题,实现健康状态的准确评估。
下面以城市轨道交通电源设备为例,对本实施例提供的基于噪声影响的设备健康状态估计方法实现过程再次说明。
1、建立评估指标集
例如,图4示出的电源的健康状态估计指标体系。此评估指标体系X包含3个特征参数,分别是X={xi1,xi2,xi3}={纹波电压,输出电压,理论使用时间占比}。
采用一段时间内,电源的评估指标数据,作为健康状态评估的数据源。采用一段时间内的数据,可以起到减小数据波动或者噪声对评估结果影响的作用。此处共采集了一段时间内8组的纹波电压、平均电压数据。接着,根据电源的理论工作时长,以及实际退化前的工作时长获取理论使用时间占比,具体数据如表3所示。
表3
数据组编号 | 纹波电压幅值(V) | 平均电压(V) | 理论使用时间占比(%) |
1 | 0.077 | 23.23 | 0.8 |
2 | 0.079 | 23.25 | 0.8 |
3 | 0.078 | 23.24 | 0.8 |
4 | 0.078 | 23.25 | 0.8 |
5 | 0.079 | 23.23 | 0.8 |
6 | 0.077 | 23.25 | 0.8 |
7 | 0.078 | 23.24 | 0.8 |
8 | 0.079 | 23.25 | 0.8 |
各评估指标的理论最小值、理论最大值以及阈值均列于表4中。
表4
评估指标 | 纹波电压幅值(V) | 平均电压(V) | 理论使用时间占比 |
理论最小值 | 0.005 | 22.8 | 0 |
理论最大值 | 0.090 | 25.2 | 1 |
阈值 | 0.080 | 25.0 | 0.8 |
其中,阈值是评估指标失效时的数值,其取值一般较为保守,会略小于理论最大值。
对评估指标原始数据进行归一化处理,得到评估指标规范化值如表5所示。
表5
2、建立健康状态集
设定电源的健康状态集为V={v1=健康,v2=良好,v3=亚健康,v4=故障,v5=报废。
3、计算模糊评判矩阵
4、基于层次分析法计算权重系数向量
1)构建层次分析结构模型
建立层次结构模型用于获得8组数据点的权重。此层次结构模型的目标层、准则层、方案层分别如图5所示。准则层包含的两个元素分别为与最新测量数据点的时间距离、评估指标数据点的相对健康程度。方案层包含的8个元素主要为8组评估指标数据。
2)构造判断矩阵
对层次分析结构模型中各层元素相对于上一层元素进行比较,可得到同一层次元素相对于上一层次相应元素重要程度的判断矩阵结果。设定准则层中的元素B1可参考的比重是元素B2的3倍。则对于元素A来说,准则层判断矩阵
其中,b12表示对元素A来说,元素B1与元素B2的相对重要性程度。
方案层共有2个判断矩阵分别是判断矩阵为C1和判断矩阵为C2。其中,判断矩阵为C1表示对准则层中元素B1,方案层中元素C1、C2、C3…C8之间的重要性程度。判断矩阵为C2表示的是针对元素B2,方案层中元素C1、C2、C3…C8之间的重要性程度。
对元素B1,元素C1是最早采样的点,元素C8是最新采样的点。设定越早采集的点,重要度越低,越新采集的点,重要度越高。即元素C1的重要性最低,元素C8的重要性最高,设定元素C8的重要性是元素C1的8倍,设定元素C7的重要性是元素C1的7倍,其他元素相比于元素C1的重要性,按照上述规律,依次类推。则判断矩阵
对元素B2,设定元素C1是最早采样的点,元素C8是最新采样的点。则设定越早采集的点,其健康程度越低,越新采集的点健康程度越高。即元素C1的重要性最低,元素C8的重要性最高。将所有采样点等分为4个区域,最早采样的区域相对健康程度低,最新采样的区域相对健康程度高。设定元素C7至元素C8的重要性是元素C1至元素C2的4倍,元素C5至元素C6的重要性是元素C1至元素C2的3倍,元素C3至元素C4的重要性是元素C1至元素C15的2倍。则判断矩阵
3)计算判断矩阵的权重向量
计算判断矩阵B、C1、C2的权重向量,分别为
WB=[0.75 0.25]
WC1=[0.0005 0.0011 0.0016 0.0022 0.0027 0.0033 0.0038 0.0044]
WC2=[0.032 0.032 0.032 0.032 0.032 0.032 0.032 0.032]
4)进行一致性检验
在n≥3的情况下,当0<C.R.<0.1时,各指标所分配的权重值合理。否则,对判断矩阵的元素进行调整处理,并再次重复上述的步骤,直到求解出的C.R.小于0.1。
对相邻两个层次的判断矩阵进行一致性进行检验,计算结果如表6所示。结果表明,元素C.R.均处于0至0.1之间,则表明各指标所分配的权重值合理,所有元素相邻两层的判断矩阵均符合一致性要求。
表6
判断矩阵 | 最大特征根 | C.I. | R.I. | C.R. | 是否符合一致性 |
B | 2.00 | 0 | 0 | 0 | 是 |
C1 | 60.00 | 0 | 1.914 | 0 | 是 |
C2 | 60.03 | 0.0005 | 1.914 | 0.00026 | 是 |
5)计算层次总排序
获得8个数据组的模糊综合评判权重向量
WC=[0.0084 0.0088 0.0092 0.0096 0.01 0.0105 0.0108 0.0113]
6)进行一致性检验
(5)基于模糊评判确定健康状态
将聚类的隶属度向量作为模糊评判矩阵R,将层次分析法获得的8个数据组的权重作为模糊综合评判中的权重。将数据引入至模糊评判矩阵公式可得
Q=[0 0 0 0 0.7796]
按照最大隶属度原则,可以判定电源的整体健康状态为“报废”。
本实施例提供一种基于噪声影响的设备健康状态估计方法,根据采集的n组评估指标值,构建评估指标集;根据评估指标集构造模糊评判矩阵;计算n组评估指标值的权重系数向量;根据权重系数向量和模糊评判矩阵,在健康状态集中估计设备健康状态,可避免外部噪声过大,造成健康状态评估异常的问题,实现健康状态的准确评估。
基于基于噪声影响的设备健康状态估计方法的同一发明构思,本实施例提供一种电子设备,该电子设备包括:存储器,处理器,以及计算机程序。
其中,计算机程序存储在存储器中,并被配置为由处理器执行以实现上述基于噪声影响的设备健康状态估计方法。
具体的,
根据采集的n组评估指标值,构建评估指标集X={xij},其中,i为组标识,i=1,2,…,n,j为评估指标标识,xij为第i组中的评估指标j的值。
根据X={xij}构造模糊评判矩阵R={rik},其中,k为健康状态标识,rik为第i组评估指标值影响第k个健康状态的程度。健康状态位于健康状态集。
计算n组评估指标值的权重系数向量。
根据权重系数向量和R={rik},在健康状态集中估计设备健康状态。
可选地,计算n组评估指标值的权重系数向量,包括:
基于n组评估指标值建立层次分析结构模型。其中,层次分析结构模型包括三层,其中,上层元素为问题,中层元素为解决问题的准则,下层元素为n组评估指标值。问题为计算n组评估指标值的权重。
根据层次分析结构模型,构造判断矩阵。
根据判断矩阵计算权重系数向量。
可选地,根据X={xij}构造模糊评判矩阵R={rik},包括:
确定X={xij}中各元素具有各健康状态的程度。
根据各元素具有各健康状态的程度,形成各组评估指标影响各健康状态的程度。
根据各组评估指标影响各健康状态的程度,形成各组评估指标的隶属度集合。
将各组评估指标的隶属度集合作为行,形成模糊评判矩阵。
可选地,所根据层次分析结构模型,构造判断矩阵,包括:
确定层次分析结构模型中各层的各元素相对于上一层元素的重要程度,形成判断矩阵。
可选地,中层元素有k个,判断矩阵包括k+1个。
其中,1个判断矩阵由中层各元素对于上层元素的重要程度构成。
l个判断矩阵分别由下层各元素对于各中层元素的重要程度构成。
可选地,根据判断矩阵计算权重系数向量,包括:
可选地,根据权重系数向量和R={rik},在健康状态集中估计设备健康状态之前,还包括:
根据C.R.完成一致性检验。
可选地,根据权重系数向量和R={rik},在健康状态集中估计设备健康状态,包括:
计算模糊综合评判模型Q=R*W,其中W为权重系数向量,*为广义模糊合成运算符。
根据Q在健康状态集中估计设备健康状态。
本实施例提供的电子设备,其上计算机程序被处理器执行以根据采集的n组评估指标值,构建评估指标集;根据评估指标集构造模糊评判矩阵;计算n组评估指标值的权重系数向量;根据权重系数向量和模糊评判矩阵,在健康状态集中估计设备健康状态,可避免外部噪声过大,造成健康状态评估异常的问题,实现健康状态的准确评估。
基于基于噪声影响的设备健康状态估计方法的同一发明构思,本实施例提供一种计算机,且其上存储有计算机程序。计算机程序被处理器执行以实现上述基于噪声影响的设备健康状态估计方法。
具体的,
根据采集的n组评估指标值,构建评估指标集X=(xij},其中,i为组标识,i=1,2,…,n,j为评估指标标识,xij为第i组中的评估指标j的值。
根据X={xij}构造模糊评判矩阵R={rik},其中,k为健康状态标识,rik为第i组评估指标值影响第k个健康状态的程度。健康状态位于健康状态集。
计算n组评估指标值的权重系数向量。
根据权重系数向量和R={rik},在健康状态集中估计设备健康状态。
可选地,计算n组评估指标值的权重系数向量,包括:
基于n组评估指标值建立层次分析结构模型。其中,层次分析结构模型包括三层,其中,上层元素为问题,中层元素为解决问题的准则,下层元素为n组评估指标值。问题为计算n组评估指标值的权重。
根据层次分析结构模型,构造判断矩阵。
根据判断矩阵计算权重系数向量。
可选地,根据X={xij}构造模糊评判矩阵R={rik},包括:
确定X={xij}中各元素具有各健康状态的程度。
根据各元素具有各健康状态的程度,形成各组评估指标影响各健康状态的程度。
根据各组评估指标影响各健康状态的程度,形成各组评估指标的隶属度集合。
将各组评估指标的隶属度集合作为行,形成模糊评判矩阵。
可选地,所根据层次分析结构模型,构造判断矩阵,包括:
确定层次分析结构模型中各层的各元素相对于上一层元素的重要程度,形成判断矩阵。
可选地,中层元素有l个,判断矩阵包括l+1个。
其中,1个判断矩阵由中层各元素对于上层元素的重要程度构成。
l个判断矩阵分别由下层各元素对于各中层元素的重要程度构成。
可选地,根据判断矩阵计算权重系数向量,包括:
可选地,根据权重系数向量和R={rik},在健康状态集中估计设备健康状态之前,还包括:
根据C.R.完成一致性检验。
可选地,根据权重系数向量和R={rik},在健康状态集中估计设备健康状态,包括:
计算模糊综合评判模型Q=R*W,其中W为权重系数向量,*为广义模糊合成运算符。
根据Q在健康状态集中估计设备健康状态。
本实施例提供的计算机可读存储介质,其上的计算机程序被处理器执行以根据采集的n组评估指标值,构建评估指标集;根据评估指标集构造模糊评判矩阵;计算n组评估指标值的权重系数向量;根据权重系数向量和模糊评判矩阵,在健康状态集中估计设备健康状态,可避免外部噪声过大,造成健康状态评估异常的问题,实现健康状态的准确评估。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种基于噪声影响的设备健康状态估计方法,其特征在于,所述方法包括:
根据采集的n组评估指标值,构建评估指标集X={xij},其中,i为组标识,i=1,2,…,n,j为评估指标标识,xij为第i组中的评估指标j的值;
根据X={xij}构造模糊评判矩阵R={rik},其中,k为健康状态标识,rik为第i组评估指标值影响第k个健康状态的程度;所述健康状态位于健康状态集;
计算n组评估指标值的权重系数向量;
根据所述权重系数向量和R={rik},在所述健康状态集中估计设备健康状态。
2.根据权利要求1所述的方法,其特征在于,所述计算n组评估指标值的权重系数向量,包括:
基于n组评估指标值建立层次分析结构模型;所述层次分析结构模型包括三层,其中,上层元素为问题,中层元素为解决所述问题的准则,下层元素为n组评估指标值;所述问题为计算n组评估指标值的权重;
根据所述层次分析结构模型,构造判断矩阵;
根据所述判断矩阵计算权重系数向量。
3.根据权利要求1所述的方法,其特征在于,所述根据X={xij}构造模糊评判矩阵R={rik},包括:
确定X={xij}中各元素具有各健康状态的程度;
根据各元素具有各健康状态的程度,形成各组评估指标影响各健康状态的程度;
根据各组评估指标影响各健康状态的程度,形成各组评估指标的隶属度集合;
将各组评估指标的隶属度集合作为行,形成模糊评判矩阵。
4.根据权利要求2所述的方法,其特征在于,所根据所述层次分析结构模型,构造判断矩阵,包括:
确定所述层次分析结构模型中各层的各元素相对于上一层元素的重要程度,形成判断矩阵。
5.根据权利要求4所述的方法,其特征在于,所述中层元素有l个,判断矩阵包括l+1个;
其中,1个判断矩阵由中层各元素对于上层元素的重要程度构成;
l个判断矩阵分别由下层各元素对于各中层元素的重要程度构成。
8.根据权利要求1所述的方法,其特征在于,所述根据所述权重系数向量和R={rik},在所述健康状态集中估计设备健康状态,包括:
计算模糊综合评判模型Q=R*W,其中W为权重系数向量,*为广义模糊合成运算符;
根据Q在所述健康状态集中估计设备健康状态。
9.一种电子设备,其特征在于,包括:
存储器;
处理器;以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序;所述计算机程序被处理器执行以实现如权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211473740.8A CN115859588A (zh) | 2022-11-22 | 2022-11-22 | 基于噪声影响的设备健康状态估计方法、设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211473740.8A CN115859588A (zh) | 2022-11-22 | 2022-11-22 | 基于噪声影响的设备健康状态估计方法、设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115859588A true CN115859588A (zh) | 2023-03-28 |
Family
ID=85665330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211473740.8A Pending CN115859588A (zh) | 2022-11-22 | 2022-11-22 | 基于噪声影响的设备健康状态估计方法、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115859588A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116579192A (zh) * | 2023-07-14 | 2023-08-11 | 苏州欣和智达能源科技有限公司 | 一种移动电源箱健康状态智能评估方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685340A (zh) * | 2018-12-11 | 2019-04-26 | 国网山东省电力公司青岛供电公司 | 一种配电设备健康状态评估方法及系统 |
CN114118789A (zh) * | 2021-11-25 | 2022-03-01 | 江苏科技大学 | 基于模糊综合评判和综合赋权的雷达发射机状态评估方法 |
-
2022
- 2022-11-22 CN CN202211473740.8A patent/CN115859588A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685340A (zh) * | 2018-12-11 | 2019-04-26 | 国网山东省电力公司青岛供电公司 | 一种配电设备健康状态评估方法及系统 |
CN114118789A (zh) * | 2021-11-25 | 2022-03-01 | 江苏科技大学 | 基于模糊综合评判和综合赋权的雷达发射机状态评估方法 |
Non-Patent Citations (1)
Title |
---|
彭炎亮;李汪根;刘娇;陈骞;: "基于动态权重和模糊综合评判法的健康评估模型", 计算机系统应用, no. 01, pages 37 - 43 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116579192A (zh) * | 2023-07-14 | 2023-08-11 | 苏州欣和智达能源科技有限公司 | 一种移动电源箱健康状态智能评估方法及系统 |
CN116579192B (zh) * | 2023-07-14 | 2023-09-12 | 苏州欣和智达能源科技有限公司 | 一种移动电源箱健康状态智能评估方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106372952A (zh) | 一种基于主客观赋权多模型组合验证的企业信用评价方法及系统 | |
CN109409628B (zh) | 基于计量大数据聚类模型的采集终端生产厂商评价方法 | |
CN112633601B (zh) | 疾病事件发生概率的预测方法、装置、设备及计算机介质 | |
CN102467684A (zh) | 基于改进雷达图的综合性能评估系统和方法 | |
CN111882198A (zh) | 一种项目绩效评价方法及系统 | |
WO2020140318A1 (zh) | 基于最小二乘法的铸造车间安全评价综合权重计算方法 | |
CN104679655B (zh) | 基于参数相关性的软件系统状态评估方法 | |
CN102354346A (zh) | 基于多层次灰色综合模型的太阳翼展开可靠性评估方法 | |
CN115859588A (zh) | 基于噪声影响的设备健康状态估计方法、设备、存储介质 | |
CN114881490A (zh) | 一种变电站绿色施工评价方法及系统 | |
CN112926893A (zh) | 基于模糊综合评判和层次分析的水平井调剖效果评价方法 | |
CN111209316A (zh) | 一种信息素养数据挖掘方法、装置、电子设备及存储介质 | |
CN109460926A (zh) | 基于层次分析法和熵值法的台区资产组综合绩效评价方法 | |
CN105740617B (zh) | 一体化天馈系统品质度的衡量方法 | |
CN114862144A (zh) | 一种适用于绩效评价的权重确定方法 | |
CN113139701A (zh) | 一种基于层次分析方法的区域内能源健康度评价方法 | |
Zong et al. | Embedded software fault prediction based on back propagation neural network | |
CN116725501A (zh) | 一种地下及遮蔽空间救援人员状态监测系统效能评估方法 | |
CN113722195B (zh) | 基于ahp层级分析法的局域网运行评估系统及方法 | |
CN113379200B (zh) | 一种地质灾害易发性评价的确定方法及装置 | |
CN108268982B (zh) | 一种大规模有源配电网分解策略评价方法和装置 | |
CN113782120A (zh) | 随机分组方法、装置、计算机设备及存储介质 | |
CN103745092B (zh) | 服务器利用率的评估方法和系统 | |
CN110298058A (zh) | 一种电网监管指标关键要素提取方法及装置 | |
CN117032094A (zh) | 一种工厂控制方案决策方法、装置及计算机设备 |
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: 20230328 |
|
RJ01 | Rejection of invention patent application after publication |