CN115964907B - 复杂系统健康趋势预测方法、系统、电子设备及存储介质 - Google Patents
复杂系统健康趋势预测方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115964907B CN115964907B CN202310258306.6A CN202310258306A CN115964907B CN 115964907 B CN115964907 B CN 115964907B CN 202310258306 A CN202310258306 A CN 202310258306A CN 115964907 B CN115964907 B CN 115964907B
- Authority
- CN
- China
- Prior art keywords
- prediction
- index
- model
- complex system
- test
- 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.)
- Active
Links
- 230000036541 health Effects 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 62
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 39
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000013112 stability test Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 239000010410 layer Substances 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 239000002356 single layer Substances 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 230000007774 longterm Effects 0.000 description 12
- 230000008859 change Effects 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000003862 health status Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000010720 hydraulic oil Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种复杂系统健康趋势预测方法、系统、电子设备及存储介质，涉及工业系统预测领域，方法包括获取复杂系统的测试指标并根据所述测试指标构建复杂系统健康趋势预测指标体系；根据所述复杂系统健康趋势预测指标体系中测试指标的历史数据利用ARIMA模型进行预测，得到预测结果；根据所述预测结果对BRB模型进行优化，得到预测模型；根据所述测试指标的当前数据利用预测模型进行评估，得到健康趋势评估结果。本发明可提高对复杂系统健康预测的精度。
Description
技术领域
本发明涉及工业系统预测领域，特别是涉及一种复杂系统健康趋势预测方法、系统、电子设备及存储介质。
背景技术
随着科学技术的发展，工业系统的复杂程度逐渐增大，工作环境愈加恶劣，特别在航空航天、武器装备等领域，其工作的可靠性和安全性至关重要。一旦健康状态发生改变，发生严重的事故，不但会对环境造成巨大的破坏，还会给社会带来恶劣的影响。因此，有必要对复杂系统的健康趋势进行预测，降低维修成本，避免严重的安全事故。
复杂系统的健康趋势预测法主要分为三类：基于解析模型的预测方法、基于数据驱动的预测方法和基于半定量信息的预测方法。基于解析模型的预测方法是通过对系统机理进行分析，建立数学解析模型，对模型参数进行预测。然而，复杂系统工作机理分析困难，难以建立精确的解析模型。基于数据驱动的预测方法是建立系统定量数据与未来时刻健康状态的关系，实现对系统健康状态的预测。但是基于数据驱动的预测方法作为“黑箱”模型，没有利用系统的机理信息，使得预测结果缺乏可解释性。基于半定量信息的预测方法能够结合系统机理和定量数据，提高预测精度。然而，当复杂系统的观测信息受到干扰时，预测模型精度无法得到保证。
BRB模型作为一种基于半定量信息的模型，能够有效处理定性知识和定量信息，实现复杂系统的建模，其推理过程清晰透明，推理结果便于解释分析。工程实践表明，BRB模型在复杂系统的预测中表现良好。Zhou等人提出了一种由BRB模型和递归学习算法组成的预测模型。Yin等人考虑了模型多个时刻的输入，设计了一种双层BRB模型来预测复杂机电系统的健康状态。
这些特定的BRB模型可以利用半定量信息预测复杂系统的健康状态，然而只适用于一步预测，并没有考虑长期预测的情况。在工程实际中，需要进行长期预测得到系统未来时刻健康趋势的长期变化，为维护保养提供决策支持。因此，有必要选择合适的时间序列预测模型，实现系统指标的长期动态预测，作为BRB模型的输入。如何获得系统指标的长期动态变化，并构建BRB模型的指标体系，成为了亟待解决的问题。
发明内容
本发明的目的是提供一种复杂系统健康趋势预测方法、系统、电子设备及存储介质，可提高对复杂系统健康预测的精度。
为实现上述目的，本发明提供了如下方案：
一种复杂系统健康趋势预测方法，包括：
获取复杂系统的测试指标并根据所述测试指标构建复杂系统健康趋势预测指标体系；
根据所述复杂系统健康趋势预测指标体系中测试指标的历史数据利用ARIMA模型进行预测，得到预测结果；
根据所述预测结果对BRB模型进行优化，得到预测模型；
根据所述测试指标的当前数据利用预测模型进行评估，得到健康趋势评估结果。
可选地，根据所述复杂系统健康趋势预测指标体系中测试指标的历史数据利用ARIMA模型进行预测，得到预测结果，具体包括：
对所述测试指标的历史数据进行平稳性检验，得到检验结果；
根据所述检验结果和所述历史数据利用赤池信息准则构建ARIMA模型；
根据所述历史数据利用所述ARIMA模型进行预测，得到预测结果。
可选地，根据所述预测结果对BRB模型进行优化，得到预测模型，具体包括：
根据所述预测结果确定相对于参考值的隶属度和BRB模型的置信规则；
根据所述隶属度和所述置信规则确定BRB模型；
根据投影算子利用协方差矩阵自适应优化策略对所述BRB模型进行优化，得到预测模型。
本发明还提供一种复杂系统健康趋势预测系统，包括：
获取和构建模块，获取复杂系统的测试指标并根据所述测试指标构建复杂系统健康趋势预测指标体系；
预测模块，用于根据所述复杂系统健康趋势预测指标体系中测试指标的历史数据利用ARIMA模型进行预测，得到预测结果；
优化模块，用于根据所述预测结果对BRB模型进行优化，得到预测模型；
评估模块，用于根据所述测试指标的当前数据利用预测模型进行评估，得到健康趋势评估结果。
可选地，预测模块，具体包括：
平稳性检验单元，用于对所述测试指标的历史数据进行平稳性检验，得到检验结果；
ARIMA模型构建单元，用于根据所述检验结果和所述历史数据利用赤池信息准则构建ARIMA模型；
ARIMA模型预测单元，用于根据所述历史数据利用所述ARIMA模型进行预测，得到预测结果。
可选地，优化模块，具体包括：
隶属度和置信规则确定单元，用于根据所述预测结果确定相对于参考值的隶属度和BRB模型的置信规则；
BRB模型确定单元，用于根据所述隶属度和所述置信规则确定BRB模型；
优化单元，用于根据投影算子利用协方差矩阵自适应优化策略对所述BRB模型进行优化，得到预测模型。
本发明还提供一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述所述的方法。
本发明还提供一种存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如上述所述的方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明获取复杂系统的测试指标并根据所述测试指标构建复杂系统健康趋势预测指标体系；根据所述复杂系统健康趋势预测指标体系中测试指标的历史数据利用ARIMA模型进行预测，得到预测结果；根据所述预测结果对BRB模型进行优化，得到预测模型；根据所述测试指标的当前数据利用预测模型进行评估，得到健康趋势评估结果。通过机理分析构建复杂系统健康状态趋势预测指标体系；利用ARIMA模型得到测试指标的预测值；建立BRB模型从而能够综合利用不同的系统测试指标，实现复杂系统健康状态的长期预测，保证预测结果与实际相符，提高对复杂系统健康预测的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明液压泵健康趋势预测指标体系示意图；
图2为液压泵出口压力的实际数据示意图；
图3为液压泵振动速度的实际数据示意图；
图4为液压泵功率的实际数据示意图；
图5为出口压力的预测值与实际值示意图；
图6为振动速度的预测值与实际值示意图；
图7为预测结果图；
图8为本发明提供的复杂系统健康趋势预测方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
本发明的目的是提供一种复杂系统健康趋势预测方法、系统、电子设备及存储介质，可提高对复杂系统健康预测的精度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图8所示，本发明提供一种复杂系统健康趋势预测方法，包括：
步骤101：获取复杂系统的测试指标并根据所述测试指标构建复杂系统健康趋势预测指标体系。
复杂系统健康趋势预测指标体系的建立
复杂系统的健康状态受到很多因素的影响，但可以通过一些指标来反映其健康状态的变化。在构建复杂系统健康趋势预测指标体系时，应遵循科学性、系统性、综合性、层次性、动态性等基本原则。一方面，可以从复杂系统的部件级出发，以复杂系统本身为一级指标，以每个部件为二级指标，以各部件所包含的子部件为三级指标，依此类推，直到以最后一级部件的测试指标为底层指标，即可构建出具有多层结构的复杂系统健康趋势预测指标体系。该指标体系具有层级清晰、指标明确等优点，但在指标体系非常庞大的情况下往往会产生较大的计算量，且存在各级指标信息难以准确获取的缺点，不利于提高预测精度。另一方面，可以通过一定的指标筛选方法或特征提取方法，直接从复杂系统的主要测试指标入手，构建具有单层结构的复杂系统健康趋势预测指标体系。该指标体系简单易行，计算量较小，但相比于前一种方法而言，直观性较差，不利于工程技术人员有效掌握复杂系统的部件级健康状况。采用何种方法建立复杂系统健康趋势预测指标体系取决于实际应用场景。
本发明的研究对象为液压泵，基于单层结构的预测指标体系展开研究，如图1所示。其中，二级指标为液压泵的出口压力和振动速度，一级指标为液压泵的健康状态。
步骤102：根据所述复杂系统健康趋势预测指标体系中测试指标的历史数据利用ARIMA模型进行预测，得到预测结果。
步骤102，具体包括：对所述测试指标的历史数据进行平稳性检验，得到检验结果；根据所述检验结果和所述历史数据利用赤池信息准则构建ARIMA模型；根据所述历史数据利用所述ARIMA模型进行预测，得到预测结果。
系统指标的长期动态预测
对于复杂系统来说，测试各项指标得到的数据是时间序列，随着工作时间的增加，数据变化具有一定的趋势性并且在一定范围内波动。ARIMA模型是对时间序列进行建模处理的一种方法，广泛应用于金融、医疗、机械等领域。利用ARIMA模型对时间序列进行分析研究并寻找变化规律，预测其未来趋势和发展过程。
ARIMA模型一般具有以下形式：
其中，是各项指标的时间序列，/>是期望为0的白噪声序列，/>为ARIMA模型的自回归部分，/>为ARIMA模型的滑动平均部分，是d阶差分后的时间序列。因此，模型一般记作/>。/>为白噪声序列的期望，/>为白噪声序列的方差，/>为白噪声序列的标准差。s为差分次数，p为滞后阶数，q为移动平均阶数，t为时间点，/>为P阶滞后的延迟算子，/>为P阶滞后的非线性函数，/>为q阶移动平均的非线性函数，/>为s时刻时间序列与t时刻白噪声序列乘积的期望，/>为q阶移动平均的延迟算子，/>为t时刻白噪声序列和s时刻白噪声序列乘积的期望。
ARIMA模型需要时间序列满足平稳非随机性的要求，所以在建模之前需要对时间序列做平稳性检验。平稳性通常利用ADF进行检验，当统计量的P值大于显著性水平时，时间序列不平稳；当/>统计量的P值小于显著性水平时，时间序列平稳。若不满足要求则进行差分处理。
统计量是对变量进行显著性检验的结果，P值是/>统计量中的一个数值，表示变量相对于显著性水平的概率。
然后计算时间序列的自相关系数（ACF）和偏自相关系数（PACF）。根据ACF和PACF确定模型阶数p和q。通过赤池信息准则（AIC）确定最优ARIMA模型，选择AIC值最小时的阶数，确定模型ARIMA。
模型定阶后还需要进行模型和参数的显著性检验。拟合模型的残差序列是纯随机序列，模型就是显著有效模型，否则就表明模型是失效的，应该利用更合适的模型再次进行拟合。参数显著性检验的目标是使模型尽量简练，合格的模型是由一组参数显著非零的自变量表示的。模型检验合格后利用指标的历史数据进行预测，得到系统指标的预测值。
步骤103：根据所述预测结果对BRB模型进行优化，得到预测模型。
步骤103，具体包括：根据所述预测结果确定相对于参考值的隶属度和BRB模型的置信规则；根据所述隶属度和所述置信规则确定BRB模型；根据投影算子利用协方差矩阵自适应优化策略对所述BRB模型进行优化，得到预测模型。其中，BRB模型为置信规则库模型，英文为belief rule base。
BRB模型建立与训练
BRB模型主要是由置信规则库和推理机构成。其中，置信规则库由一系列带有置信度的IF-THEN规则组成，描述了系统在特定场景下“情况－行为”的映射。对系统未来的健康状态进行评估时，第k条置信规则表示为：
其中，表示t+l时刻第i个指标的预测值；/>是t+l时刻第M个指标的预测值，/>，且/>表示由第i个指标的/>个参考值所组成的集合，/>为第k条规则的第i个参考值，/>为第k条规则的第M个参考值；表示第k条规则的规则权重，反映了第k条规则相对于BRB的中其他规则的重要程度，L表示规则总数；/>表示第i个指标的权重，反映了第i个指标相对于BRB的中其他指标的重要程度；/>表示第M个指标的权重，/>是预测结果的全集，/>表示t+l时刻第1个预测结果，/>表示在第k条规则中分配给预测结果/>的置信度，/>表示在第k条规则中分配给第1个预测结果的置信度，/>表示第n个预测结果。/>表示t+l时刻第N个预测结果，/>表示在第k条规则中分配给第N个预测结果的置信度，推理机则采用证据推理（Evidential Reasoning，ER）实现知识的推理过程。
当确定指标参考值后，就可以根据专家知识构建初始BRB模型，对各项指标的预测值进行推理。
在进行推理前，需要将预测值转化为相对于参考值的隶属度，转换方法采用基于规则或效用的输入信息转换方法，使输入信息与参考值/>建立起对应关系，其计算方法为：/>
其中，表示输入/>相对于/>中第j个参考值的匹配程度；/>和/>分别表示与/>相邻的两个参考值，/>表示输入/>相对于/>中第j+1个参考值的匹配程度，表示输入/>相对于/>中第s个参考值的匹配程度。
不同的输入信息相对于参考值的隶属度不同，激活的规则也不同。在求得指标的隶属度后，需要对指标的匹配度、指标权重和规则权重进行融合。当第k条规则被输入激活时，激活权重通过下式来计算：
其中，表示相对于第k条规则的激活权重，/>表示在第k条规则中输入/>相对于参考值/>的匹配度。/>为归一化后的指标权重，/>为第k条规则的第l个属性的隶属度。/>表示第l条规则的规则权重。
规则被激活后，将产生相应的输出。当多条规则被激活时，则可以用ER算法进行融合，其解析表达式为：
其中，是第n个评估结果的置信度，且/>。/>为中间变量。/>表示在第k条规则中分配给第i个预测结果的置信度。
最终的融合结果表示如下：
其中，X是BRB模型的输入向量，是BRB模型的非线性函数。
期望效用是预测模型的最终输出，计算方式如下：
其中，是健康状态的效用值。
由于BRB模型中的初始参数由专家根据自身经验和机理知识给定，导致初始参数存在一定的主观不确定性，使得建立的BRB模型不一定完全满足系统的实际情况，影响预测结果的准确性。为了提高模型的预测精度，选择合适的优化算法对初始BRB预测模型参数进行优化。
BRB预测模型中需要优化的参数如下：
1）规则权重。初始值通常由专家给定，/>应满足如下约束条件：
2）规则评估结果置信度。如果第k条规则是完整的，那么置信度的和为1；否则，置信度和小于1，/>应满足如下约束条件：
3）指标权重。初始值通常由专家给定，/>应满足如下约束条件：
优化模型的目标要使得模型的输出与系统的实际输出之间的差值最小，因此，选择均方误差（MSE）作为目标函数，其计算方法为：
其中，是目标函数，T是指标预测值的组数，/>是预测模型的输出，/>是实际的输出。
BRB预测模型的参数优化模型的目标函数及约束条件为：
本发明采用P-CMA-ES优化算法对初始BRB预测模型进行训练。
步骤104：根据所述测试指标的当前数据利用预测模型进行评估，得到健康趋势评估结果。
基于置信规则库的复杂系统健康趋势预测
液压泵是液压系统的动力元件，是靠发动机或电动机驱动。由于液压泵的结构复杂，工作环境多样，其健康状态具有较强的不稳定性。液压泵在工作过程中，会出现部件的磨损和老化，导致其健康状态发生变化。本发明以某型车辆的液压泵为例，对液压泵的健康状态进行预测，以验证所提方法的有效性。
在进行预测之前，需要构建与其健康状态相关的指标体系。指标体系应全面、客观地反映系统运行的健康状态。由于元件组合之间的间隙，液压油在电容腔边界的压力下会引起泄漏问题。漏油会导致出口压力下降，从而降低系统效率，甚至损坏液压泵。加之液压泵的部件不可避免地会磨损。零件磨损严重、液压油粘度高或污染会使柱塞泵难以吸油而引起振动速度增加。因此，结合专家经验和领域知识，将液压泵的出口压力和振动速度作为评估系统健康状态的关键性指标，将液压泵的输出功率作为健康状态的评估结果。在健康状态评估中，通常以为高（High，H）、中（Medium，M）、低（Low，L）3个参考等级描述输出功率，参考值由专家给定，如表1所示。
试验时，液压泵连续工作13小时，测量设备共收集到260组测试数据，如图2至图4所示。
对出口压力和振动速度分别进行预测，利用前230组数据，预测后30组数据，预测值如图5和图6所示。
两个指标的参考值和参考等级如表2和表3所示。
出口压力和振动速度分别有2个参考等级，因此共有4种组合，即有4条规则。初始BRB预测模型的参数由专家给定，如表4所示。初始的规则权重和指标权重设置为1。
选取前230组数据作为训练数据，预测后的30组数据作为测试数据。采用P-CMA-ES优化算法对初始BRB预测模型进行训练，优化后的BRB预测模型的参数如表5所示。训练后的出口压力和振动速度的指标权重分别为0.2410和0.7525。
优化后的BRB模型的预测结果如图7所示，其中对比了初始BRB模型的预测结果。在本发明中，优化后的BRB模型的MSE为1.2×10-3，初始BRB模型的MSE为1.39×10-2。通过训练，模型的精度有了很大的提高，有效降低了专家不确定性对建模精度的影响。并且实现了对复杂系统健康趋势较为精确的长期预测，预测结果容易解释分析。与其他现有的预测方法相比，本发明所述方法具有较大优势。
本发明适用于工业过程的预测领域，通过预测，实现对复杂系统健康趋势变化的掌握，为其健康管理提供技术支持。本发明包括以下步骤：复杂系统健康趋势预测指标体系的建立；系统指标的长期动态预测；置信规则库（BRB）模型的建立与训练；基于BRB的复杂系统健康趋势预测。本发明基于BRB进行健康趋势预测，采用优化算法确定最优BRB模型，通过实例验证本发明的有效性。本发明能够充分利用指标信息精确获取指标预测值，对复杂系统的健康状态进行预测，具有很好的工程应用价值。考虑系统指标的长期动态变化，结合专家经验和领域知识建立BRB模型，对复杂系统的健康趋势进行预测，为复杂系统的健康管理提供决策支持，实现了复杂系统健康状态的长期预测，定量分析了系统健康状态趋势的变化。一是通过机理分析构建复杂系统健康状态预测指标体系；二是利用ARIMA模型得到系统指标的预测值；三是建立BRB模型并采用考虑投影算子的协方差矩阵自适应优化策略（P-CMA-ES）算法训练模型。本发明能够综合利用不同的系统预测指标，实现复杂系统健康状态的长期预测，保证预测结果与实际相符。
本发明还提供一种复杂系统健康趋势预测系统，包括：
获取和构建模块，获取复杂系统的测试指标并根据所述测试指标构建复杂系统健康趋势预测指标体系。
预测模块，用于根据所述复杂系统健康趋势预测指标体系中测试指标的历史数据利用ARIMA模型进行预测，得到预测结果。
优化模块，用于根据所述预测结果对BRB模型进行优化，得到预测模型。
评估模块，用于根据所述测试指标的当前数据利用预测模型进行评估，得到健康趋势评估结果。
作为一种可选地实施方式，预测模块，具体包括：
平稳性检验单元，用于对所述测试指标的历史数据进行平稳性检验，得到检验结果。
ARIMA模型构建单元，用于根据所述检验结果和所述历史数据利用赤池信息准则构建ARIMA模型。
ARIMA模型预测单元，用于根据所述历史数据利用所述ARIMA模型进行预测，得到预测结果。
作为一种可选地实施方式，优化模块，具体包括：
隶属度和置信规则确定单元，用于根据所述预测结果确定相对于参考值的隶属度和BRB模型的置信规则。
BRB模型确定单元，用于根据所述隶属度和所述置信规则确定BRB模型。
优化单元，用于根据投影算子利用协方差矩阵自适应优化策略对所述BRB模型进行优化，得到预测模型。
本发明还提供一种电子设备，包括：
一个或多个处理器。
存储装置，其上存储有一个或多个程序。
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述方法。
本发明还提供一种存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如上述方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种复杂系统健康趋势预测方法，其特征在于，包括：
获取复杂系统的测试指标并根据所述测试指标构建复杂系统健康趋势预测指标体系；在构建复杂系统健康趋势预测指标体系时，一方面从复杂系统的部件级出发，以复杂系统本身为一级指标，以每个部件为二级指标，以各部件所包含的子部件为三级指标，依此类推，直到以最后一级部件的测试指标为底层指标，即可构建出具有多层结构的复杂系统健康趋势预测指标体系；或者通过一定的指标筛选方法或特征提取方法，直接从复杂系统的主要测试指标入手，构建具有单层结构的复杂系统健康趋势预测指标体系；
根据所述复杂系统健康趋势预测指标体系中测试指标的历史数据利用ARIMA模型进行预测，得到预测结果；
根据所述预测结果对BRB模型进行优化，得到预测模型；BRB模型由置信规则库和推理机构成；置信规则库由一系列带有置信度的IF-THEN规则组成；推理机则采用证据推理实现知识的推理过程；当确定指标参考值后，根据专家知识构建初始BRB模型，对各项指标的预测值进行推理;在进行推理前，需要将预测值转化为相对于参考值的隶属度，转换方法采用基于规则或效用的输入信息转换方法，使输入信息与参考值/>建立起对应关系;不同的输入信息相对于参考值的隶属度不同，激活的规则也不同；在求得指标的隶属度后，需要对指标的匹配度、指标权重和规则权重进行融合；当多条规则被激活时，则可以用ER算法进行融合，其解析表达式为：/>
；
其中，是第n个评估结果的置信度，且/>；/>为中间变量；/>表示在第k条规则中分配给第i个预测结果的置信度；/>表示相对于第k条规则的激活权重；表示在第k条规则中分配给预测结果/>的置信度；
根据测试指标的当前数据利用预测模型进行评估，得到健康趋势评估结果。
2.根据权利要求1所述的复杂系统健康趋势预测方法，其特征在于，根据所述复杂系统健康趋势预测指标体系中测试指标的历史数据利用ARIMA模型进行预测，得到预测结果，具体包括：
对所述测试指标的历史数据进行平稳性检验，得到检验结果；
根据所述检验结果和所述历史数据利用赤池信息准则构建ARIMA模型；
根据所述历史数据利用所述ARIMA模型进行预测，得到预测结果。
3.根据权利要求1所述的复杂系统健康趋势预测方法，其特征在于，根据所述预测结果对BRB模型进行优化，得到预测模型，具体包括：
根据所述预测结果确定相对于参考值的隶属度和BRB模型的置信规则；
根据所述隶属度和所述置信规则确定BRB模型；
根据投影算子利用协方差矩阵自适应优化策略对所述BRB模型进行优化，得到预测模型。
4.一种复杂系统健康趋势预测系统，其特征在于，包括：
获取和构建模块，获取复杂系统的测试指标并根据所述测试指标构建复杂系统健康趋势预测指标体系；在构建复杂系统健康趋势预测指标体系时，一方面从复杂系统的部件级出发，以复杂系统本身为一级指标，以每个部件为二级指标，以各部件所包含的子部件为三级指标，依此类推，直到以最后一级部件的测试指标为底层指标，即可构建出具有多层结构的复杂系统健康趋势预测指标体系；或者通过一定的指标筛选方法或特征提取方法，直接从复杂系统的主要测试指标入手，构建具有单层结构的复杂系统健康趋势预测指标体系；
预测模块，用于根据所述复杂系统健康趋势预测指标体系中测试指标的历史数据利用ARIMA模型进行预测，得到预测结果；
优化模块，用于根据所述预测结果对BRB模型进行优化，得到预测模型；BRB模型由置信规则库和推理机构成；置信规则库由一系列带有置信度的IF-THEN规则组成；推理机则采用证据推理实现知识的推理过程；当确定指标参考值后，根据专家知识构建初始BRB模型，对各项指标的预测值进行推理;在进行推理前，需要将预测值转化为相对于参考值的隶属度，转换方法采用基于规则或效用的输入信息转换方法，使输入信息与参考值/>建立起对应关系;不同的输入信息相对于参考值的隶属度不同，激活的规则也不同；在求得指标的隶属度后，需要对指标的匹配度、指标权重和规则权重进行融合；当多条规则被激活时，则可以用ER算法进行融合，其解析表达式为：/> ；
其中，是第n个评估结果的置信度，且/>；/>为中间变量；/>表示在第k条规则中分配给第i个预测结果的置信度；/>表示相对于第k条规则的激活权重；表示在第k条规则中分配给预测结果/>的置信度；
评估模块，用于根据测试指标的当前数据利用预测模型进行评估，得到健康趋势评估结果。
5.根据权利要求4所述的复杂系统健康趋势预测系统，其特征在于，预测模块，具体包括：
平稳性检验单元，用于对所述测试指标的历史数据进行平稳性检验，得到检验结果；
ARIMA模型构建单元，用于根据所述检验结果和所述历史数据利用赤池信息准则构建ARIMA模型；
ARIMA模型预测单元，用于根据所述历史数据利用所述ARIMA模型进行预测，得到预测结果。
6.根据权利要求4所述的复杂系统健康趋势预测系统，其特征在于，优化模块，具体包括：
隶属度和置信规则确定单元，用于根据所述预测结果确定相对于参考值的隶属度和BRB模型的置信规则；
BRB模型确定单元，用于根据所述隶属度和所述置信规则确定BRB模型；
优化单元，用于根据投影算子利用协方差矩阵自适应优化策略对所述BRB模型进行优化，得到预测模型。
7.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至3中任意一项所述的方法。
8.一种存储介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至3中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310258306.6A CN115964907B (zh) | 2023-03-17 | 2023-03-17 | 复杂系统健康趋势预测方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310258306.6A CN115964907B (zh) | 2023-03-17 | 2023-03-17 | 复杂系统健康趋势预测方法、系统、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115964907A CN115964907A (zh) | 2023-04-14 |
| CN115964907B true CN115964907B (zh) | 2023-12-01 |
Family
ID=87353396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310258306.6A Active CN115964907B (zh) | 2023-03-17 | 2023-03-17 | 复杂系统健康趋势预测方法、系统、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115964907B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116451912B (zh) * | 2023-06-19 | 2023-09-19 | 西北工业大学 | 一种换件影响情况下复杂机电系统性能评估方法及系统 |
| CN117609703B (zh) * | 2024-01-18 | 2024-04-26 | 中国人民解放军火箭军工程大学 | 融合多源异构信息的复杂设备健康管理方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107146004A (zh) * | 2017-04-20 | 2017-09-08 | 浙江大学 | 一种基于数据挖掘的矿渣粉磨系统健康状态识别系统及方法 |
| 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 |
| CN112069685A (zh) * | 2020-09-09 | 2020-12-11 | 中国人民解放军火箭军工程大学 | 一种考虑可解释性的复杂机电系统健康评估方法及系统 |
| CN112257893A (zh) * | 2020-09-08 | 2021-01-22 | 长春工业大学 | 一种考虑监测误差的复杂机电系统健康状态预测方法 |
| CN112308425A (zh) * | 2020-11-02 | 2021-02-02 | 国网福建省电力有限公司 | 一种构建配变健康评价指标体系的方法 |
| CN112465351A (zh) * | 2020-11-26 | 2021-03-09 | 长春工业大学 | 一种考虑工况变化的航空发动机气路健康状态预测方法 |
| CN113125987A (zh) * | 2021-04-19 | 2021-07-16 | 安徽理工大学 | 一种新型混合的锂离子电池健康状态预测方法 |
| CN113919610A (zh) * | 2020-07-07 | 2022-01-11 | 国网河南省电力公司南召县供电公司 | 低压台区线损预测用arima模型构建方法及评估方法 |
| CN114648136A (zh) * | 2022-04-01 | 2022-06-21 | 姚红昭 | 动设备健康度评估方法、装置、设备及存储介质 |
| CN115146845A (zh) * | 2022-06-28 | 2022-10-04 | 中国人民解放军32181部队 | 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 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8260493B2 (en) * | 2010-02-17 | 2012-09-04 | GM Global Technology Operations LLC | Health prognosis for complex system using fault modeling |
| US20210341901A1 (en) * | 2020-05-01 | 2021-11-04 | Rockwell Automation Technologies, Inc. | Induction motor condition monitoring using machine learning |
-
2023
- 2023-03-17 CN CN202310258306.6A patent/CN115964907B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107146004A (zh) * | 2017-04-20 | 2017-09-08 | 浙江大学 | 一种基于数据挖掘的矿渣粉磨系统健康状态识别系统及方法 |
| 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 |
| CN113919610A (zh) * | 2020-07-07 | 2022-01-11 | 国网河南省电力公司南召县供电公司 | 低压台区线损预测用arima模型构建方法及评估方法 |
| CN112257893A (zh) * | 2020-09-08 | 2021-01-22 | 长春工业大学 | 一种考虑监测误差的复杂机电系统健康状态预测方法 |
| CN112069685A (zh) * | 2020-09-09 | 2020-12-11 | 中国人民解放军火箭军工程大学 | 一种考虑可解释性的复杂机电系统健康评估方法及系统 |
| CN112308425A (zh) * | 2020-11-02 | 2021-02-02 | 国网福建省电力有限公司 | 一种构建配变健康评价指标体系的方法 |
| CN112465351A (zh) * | 2020-11-26 | 2021-03-09 | 长春工业大学 | 一种考虑工况变化的航空发动机气路健康状态预测方法 |
| CN113125987A (zh) * | 2021-04-19 | 2021-07-16 | 安徽理工大学 | 一种新型混合的锂离子电池健康状态预测方法 |
| CN114648136A (zh) * | 2022-04-01 | 2022-06-21 | 姚红昭 | 动设备健康度评估方法、装置、设备及存储介质 |
| CN115146845A (zh) * | 2022-06-28 | 2022-10-04 | 中国人民解放军32181部队 | 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 |
Non-Patent Citations (2)
| Title |
|---|
| Xiaojing Yin ; .A multi-feature fusion model based on BRB of health state prediction for aeroengine gas path system.2021 IEEE 10th Data Driven Control and Learning Systems Conference (DDCLS).2021,全文. * |
| 基于AR模型的置信规则库结构识别算法;陈婷婷;王应明;;计算机科学(第S1期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115964907A (zh) | 2023-04-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115964907B (zh) | 复杂系统健康趋势预测方法、系统、电子设备及存储介质 | |
| Wen et al. | Degradation modeling and RUL prediction using Wiener process subject to multiple change points and unit heterogeneity | |
| 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 | |
| CN112785091B (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
| Byington et al. | Data-driven neural network methodology to remaining life predictions for aircraft actuator components | |
| CN110807257A (zh) | 航空发动机剩余寿命预测方法 | |
| CN111340282B (zh) | 基于da-tcn的设备剩余使用寿命的估计方法及系统 | |
| CN111723527B (zh) | 基于鸡尾酒长短期记忆神经网络的齿轮剩余寿命的预测方法 | |
| Li et al. | A review on physics-informed data-driven remaining useful life prediction: Challenges and opportunities | |
| CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及系统 | |
| CN113204921A (zh) | 飞机涡扇发动机的剩余使用寿命预测方法及系统 | |
| Zhu et al. | Res-HSA: Residual hybrid network with self-attention mechanism for RUL prediction of rotating machinery | |
| Galiullin | Development of automated test system for diesel engines based on fuzzy logic | |
| CN117371207A (zh) | 一种特高压换流阀状态评价方法、介质及系统 | |
| Galiullin et al. | Development of a neuro-fuzzy diagnostic system mathematical model for internal combustion engines | |
| Song et al. | Research on preventive maintenance strategies and systems for in-service ship equipment | |
| CN117874955A (zh) | 一种基于有限元分析的齿轮寿命疲劳预测方法 | |
| Kim et al. | A study toward appropriate architecture of system-level prognostics: physics-based and data-driven approaches | |
| CN115640652B (zh) | 一种轴向柱塞泵剩余寿命预测方法 | |
| CN116933003A (zh) | 基于DaNet的无人机发动机的剩余使用寿命预测方法 | |
| CN114358244B (zh) | 基于物联网的压力大数据智能检测系统 | |
| CN115828744A (zh) | 一种白光发光二极管故障在线诊断与寿命预测方法 | |
| Pan et al. | Human error probability evaluation based on reference task using intuitionistic fuzzy theory | |
| CN114595525A (zh) | 一种基于线性回归和tcn的滚动轴承退化趋势预测方法 | |
| Qiao et al. | Dynamics simulation model for risk probability assessment based on cognitive modeling in manned deep dive mission scenario |
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 |