CN116451912A - 一种换件影响情况下复杂机电系统性能评估方法及系统 - Google Patents
一种换件影响情况下复杂机电系统性能评估方法及系统 Download PDFInfo
- Publication number
- CN116451912A CN116451912A CN202310720462.XA CN202310720462A CN116451912A CN 116451912 A CN116451912 A CN 116451912A CN 202310720462 A CN202310720462 A CN 202310720462A CN 116451912 A CN116451912 A CN 116451912A
- Authority
- CN
- China
- Prior art keywords
- complex electromechanical
- electromechanical system
- rule
- influence
- performance
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 58
- 238000012544 monitoring process Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims description 23
- 230000004913 activation Effects 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000012854 evaluation process Methods 0.000 abstract description 4
- 230000036541 health Effects 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 9
- 238000013210 evaluation model Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/257—Belief theory, e.g. Dempster-Shafer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种换件影响情况下复杂机电系统性能评估方法及系统，涉及复杂机电系统健康管理技术领域。本发明通过将专家知识与监测信息（即关键特征指标）进行有效融合，解决了部分部件更换影响下复杂机电系统性能评估中面临的高价值样本缺失、专家知识受限的问题；并且，本发明通过引入换件影响（即考虑换件影响因子），在对复杂机电系统进行性能评估过程中，考虑了各部件、分系统履历差异性所带来的影响，有效提高了实际环境下部分部件更换影响下复杂机电系统性能评估的精度，保证了其安全可靠的运行。
Description
技术领域
本发明涉及复杂机电系统健康管理技术领域，特别是涉及一种换件影响情况下复杂机电系统性能评估方法及系统。
背景技术
诸如惯性导航系统等复杂系统是作为航空航天、武器装备等领域的关键系统之一，其在长周期加电使用过程中的可靠性是保证系统稳定、可靠运行的关键。性能评估（Perdormance evaluation）作为健康管理的重要方面，旨在对某一系统、设备等进行测试和测量，以确定其性能、效率和可靠性等方面的表现。一方面，现代流程工业过程规模庞大，往往有上千个常规控制回路，各个回路之间还可能有复杂的耦合关系；另一方面，先进控制策略已广泛应用于石油化工等过程，但对先进控制系统的性能评估技术研究远远滞后，而先进控制系统本质上为多变量的系统；同时，复杂机电系统在长期使用过程中，出现故障后更换的部位仅局限于部分模块，在长期使用后，同一系统中同时存在不同履历、不同工作时长的部件，对整体性能评估带来了极大的影响。因此，对多变量控制系统的性能进行有效地评估和监控已成为现代复杂工业过程的迫切需求。
分析目前对象复杂机电系统性能评估中面临的问题，总结可以分为三个方面：第一，在对象复杂机电系统进行性能评估过程中，系统维修后部分部件更换，系统各部件履历不同，整体性能评估过程中需要考虑各部件、分系统履历差异性所带来的影响；第二，随着装备制造业水平的不断提升，其所需成本不断升高，开展重复试验所耗费的成本较高，且性能退化试验受退化率设置问题导致退化数据不准确，进而导致故障数据尤为缺乏；第三，由于对象复杂机电系统各个子系统之间高度耦合，且多采用集成化设计，导致影响其工作状态的因素较多，单纯依靠专家知识很难建立其准确的数学模型，从而导致专家知识不确定。
发明内容
为解决现有技术存在的上述问题，本发明提供了一种换件影响情况下复杂机电系统性能评估方法及系统。
为实现上述目的，本发明提供了如下方案：
一种换件影响情况下复杂机电系统性能评估方法，包括：
确定复杂机电系统中部件已使用寿命对复杂机电系统造成的影响程度，并将所述影响程度作为换件影响因子；
获取置信规则库以及复杂机电系统的关键特征指标；所述关键特征指标为多元监测信息；
基于所述置信规则库对所述关键特征指标进行统一转换，得到每一关键特征指标与所述置信规则库中规则的匹配度；
基于所述换件影响因子和所述匹配度确定所述复杂机电系统中关键特征指标的匹配度；
基于所述关键特征指标的匹配度确定激活权重；所述激活权重用于表征不同监测信息对不同规则的效用；
采用证据推理算法基于所述激活权重融合所述置信规则库中每一规则产生的系统质量状态的特征向量，得到评价结果的置信度；
基于所述评价结果的置信度和评价结果的效用确定复杂机电系统的性能结果。
可选地，所述换件影响因子为：
；
式中，为正态分布的概率密度函数，/>为正态分布的概率密度函数均值，/>为标准差，/>为方差，X为复杂机电系统中部件已使用的时间，T为复杂机电系统内部部件寿命的最大值或理论极限值，T1为复杂机电系统内部部件已使用的寿命。
可选地，关键特征指标与所述置信规则库中规则的匹配度为：
；
式中，为第/>个关键特征指标在第/>条规则中的参考等级，/>为第/>个关键特征指标在第/>条规则中的参考等级，/>为规则数量，/>为第/>个关键特征指标与所述置信规则库中第/>条规则的匹配度，/>为关键特征指标的参考等级。
可选地，所述复杂机电系统中关键特征指标的匹配度为：
；
式中，为所有关键特征指标在第/>规则中的匹配度，/>为换件影响因子，/>为第/>个关键特征指标与所述置信规则库中第/>条规则的匹配度，/>为第/>个指标的相对权重，/>为关键特征指标的个数。
可选地，所述激活权重为：
，/>；
式中，为第/>条规则的权重，/>为第/>条规则的激活权重，/>为第/>条规则的权重，/>为所有关键特征指标在第/>规则中的匹配度，/>为所有关键特征指标在第/>规则中的匹配度，/>为规则数量。
可选地，所述评价结果的置信度为：
；
；
式中，为第/>个评价结果的置信度，/>且/>，/>为中间量，/>为第/>条规则的激活权重，/>为第/>个关键特征指标在第/>条规则产生的系统质量状态的特征向量，/>为第/>个关键特征指标在第/>条规则产生的系统质量状态的特征向量，/>为关键特征指标的数量，/>为规则数量。
可选地，所述复杂机电系统的性能结果为：
；
式中，为复杂机电系统的性能结果，/>为第/>个评价结果的效用，/>为第/>个评价结果，/>为第/>个评价结果的置信度，/>为关键特征指标的数量。
一种换件影响情况下复杂机电系统性能评估系统，包括：
数据采集器，用于采集待评估的复杂机电系统的关键特征指标；所述关键特征指标为多元监测信息；
存储器，用于存储计算机程序；所述计算机程序用于实施上述提供的换件影响情况下复杂机电系统性能评估方法；
处理器，分别与所述数据采集器和所述存储器连接，用于调取并执行所述计算机程序，以基于所述关键特征指标得到待评估的复杂机电系统的性能结果。
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：
本发明基于置信规则库构建了部分部件更换影响下复杂机电系统性能评估方式，将专家知识与监测信息有效融合，解决了部分部件更换影响下复杂机电系统性能评估中面临的高价值样本缺失、专家知识受限的问题；并且，本发明通过引入换件影响，在对复杂机电系统进行性能评估过程中，考虑了各部件、分系统履历差异性所带来的影响，有效提高了实际环境下部分部件更换影响下复杂机电系统性能评估的精度，保证了其安全可靠的运行。
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为本发明提供的换件影响情况下复杂机电系统性能评估方法的流程图；
图2为本发明实施例提供的换件影响情况下惯导系统性能评估流程图；
图3为本发明实施例提供的加速度计1的监测数据示意图；
图4为本发明实施例提供的加速度计2的监测数据示意图；
图5为本发明实施例提供的加速度计3的监测数据示意图；
图6为本发明实施例提供的换件影响情况下惯导系统性能评估结果示意图。
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换件影响情况下复杂机电系统性能评估方法及系统，解决了部分部件更换影响下复杂机电系统性能评估中面临的高价值样本缺失、专家知识受限的问题，能够有效提高实际环境下部分部件更换影响下复杂机电系统性能评估的精度，保证其安全可靠的运行。
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1所示，本发明提供的换件影响情况下复杂机电系统性能评估方法，包括：
步骤100：确定复杂机电系统中部件已使用寿命对复杂机电系统造成的影响程度，并将影响程度作为换件影响因子。其中，换件影响因子为：
（1）
式中，为正态分布的概率密度函数，/>为正态分布的概率密度函数均值，/>为标准差，/>为方差，X为复杂机电系统中部件已使用的时间，T为复杂机电系统内部部件寿命的最大值或理论极限值，T1为复杂机电系统内部部件已使用的寿命。
步骤101：获取置信规则库以及复杂机电系统的关键特征指标。关键特征指标为多元监测信息。
步骤102：基于置信规则库对关键特征指标进行统一转换，得到每一关键特征指标与置信规则库中规则的匹配度。关键特征指标与置信规则库中规则的匹配度为：
（2）
式中，为第/>个关键特征指标在第/>条规则中的参考等级，/>为第/>个关键特征指标在第/>条规则中的参考等级，/>为规则数量，/>为第/>个关键特征指标与所述置信规则库中第/>条规则的匹配度，/>为关键特征指标的参考等级。
步骤103：基于换件影响因子和匹配度确定复杂机电系统中关键特征指标的匹配度。复杂机电系统中关键特征指标的匹配度为：
（3）
式中，为所有关键特征指标在第/>规则中的匹配度，/>为换件影响因子，/>为第/>个关键特征指标与所述置信规则库中第/>条规则的匹配度，/>为第/>个指标的相对权重，/>，/>，/>为第/>个关键特征指标的属性权重，/>为关键特征指标的个数。
步骤104：基于关键特征指标的匹配度确定激活权重。激活权重用于表征不同监测信息对不同规则的效用。其中，激活权重为：
，/> （4）
式中，为第/>条规则的权重，/>为第/>条规则的激活权重，/>为第/>条规则的权重，/>为所有关键特征指标在第/>规则中的匹配度，/>为规则数量。
步骤105：采用证据推理算法基于激活权重融合置信规则库中每一规则产生的系统质量状态的特征向量，得到评价结果的置信度。其中，评价结果的置信度为：
（5）
（6）
式中，式中，为第/>个评价结果的置信度，/>且/>，/>为中间量，/>为第/>条规则的激活权重，/>为第/>个关键特征指标在第/>条规则产生的系统质量状态的特征向量，/>为第/>个关键特征指标在第/>条规则产生的系统质量状态的特征向量，/>为关键特征指标的数量，/>为规则数量。其中，/>和/>为包括或被包括的关系，/>和/>为包括或被包括的关系。
步骤106：基于评价结果的置信度和评价结果的效用确定复杂机电系统的性能结果。其中，复杂机电系统的性能结果为：
（7）
式中，式中，为复杂机电系统的性能结果，/>为第/>个评价结果的效用，/>为第/>个评价结果，/>为第/>个评价结果的置信度。
进一步，本发明还提供了一种换件影响情况下复杂机电系统性能评估系统。该系统包括：数据采集器、存储器和处理器。
数据采集器用于采集待评估的复杂机电系统的关键特征指标。关键特征指标为多元监测信息。
存储器用于存储计算机程序。计算机程序用于实施上述提供的换件影响情况下复杂机电系统性能评估方法。
处理器分别与数据采集器和存储器连接，其主要用于调取并执行计算机程序，以基于关键特征指标得到待评估的复杂机电系统的性能结果。处理器中的实现过程主要可以分为以下三步：
首先，确定复杂机电系统的关键特征指标，并将所获取的关键特征指标这一多元监测信息转换到统一的框架下，为下一步信息融合奠定基础。
其次，根据关键特征指标构建置信规则库（Belief rule base，BRB），根据关键特征指标计算置信规则库中每条规则的激活权重，并通过证据推理（Evidential Reasoning，ER）算法进行融合，得到质量状态特征向量，并输出复杂机电系统性能结果。
然后，根据BRB中规则的构建方式，在部分部件更换影响下，复杂机电系统性能评估方法（即规则构造方式）可以调试为：
。
其中，为复杂机电系统/>个关键特征指标的监测信息，/>是获得监测信息的目标复杂机电设备的/>个传感器，/>是关键特征指标的属性权重，为关键特征指标相对应的参考等级，旨在将多元信息转换到统一的框架下，参考等级需要结合关键特征指标的信息分布、类型决定。/>为复杂机电系统的/>个质量状态，/>为其相对应的质量状态特征向量，/>为第条规则的权重。
进一步，上述的存储器中的计算机程序通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器或者网络设备等）执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
进一步，将上述提供的换件影响情况下复杂机电系统性能评估方法等效为基于BRB构建的复杂机电系统质量状态评估模型后植入在存储器中，实现惯导系统（即惯性导航系统）这一复杂机电系统的性能评估为例，对本发明提供的技术方案的具体实现过程和优点进行说明。
惯导系统的性能评估步骤可以分为三步：
步骤一：换件影响下影响因子的计算。
惯导系统的换件影响的来源主要是惯导系统内部部件的新旧不同，一般随着内部部件使用时间的增加，使用时间越长的内部部件对惯导系统的影响就越大，而且执行不同的任务对内部部件的消耗程度也不同。而惯导系统内部部件的最大使用寿命是有要限制的，因此，可以建立起如上述公式（1）所示的换件影响的标准化公式。最终确定的换件影响因子服从正态分布。
步骤二：惯导系统关键特征指标的多元监测信息转换与换件影响因子情况下的匹配度计算。
首先需要专家结合惯导系统实际工况选择合适数量的能够代表系统性能的状态的指标。例如：累计脉冲当量、地球半径、自转角速度、重力加速度、经纬度等。而在实际应用过程中，具体指标需要根据实际机电系统进行选取，且不同机电系统的指标不同。
其次，由于所获取的多元监测信息格式不一，无法直接使用，需要通过公式（2）将多元监测信息转换到统一的框架下。
获取每个指标在每条规则中的匹配度后，可以通过公式（3）计算得到所有关键特征指标在第规则中的匹配度：
步骤三：关键特征指标规则的激活及复杂机电系统性能结果评估。
基于本发明上述公式（2）所构建的监测信息输入转换方法，不同的指标对于不同规则具有不同的匹配度。因此，不同的监测信息会对于不同的规则的效用不同，在本发明中通过采用公式（4）所示的规则的激活权重表示。
激活的规则会产生系统质量状态的特征向量，表示该条规则诊断产生的结果。所有规则输出的质量状态特征向量可以通过证据推理（Evidential Reasoning，ER）算法进行融合，得到最终的输出质量状态特征向量。ER算法解析形式参见公式（5）和（6）。
假设单个评价结果的效用为/>，其中评价结果的效用由专家结合实际惯导系统的状态给出，则输出惯导系统的性能结果如公式（7）所示。其中，复杂机电系统的性能结果/>就是基于BRB构建的复杂机电系统质量状态评估模型输出的最终结果，即由监测数据所得到的复杂机电系统的质量状态评估等级。
为了进一步提高有效提高实际环境下部分部件更换影响下复杂机电系统性能评估的精度，在该实施例中，还增加模型优化的原因：由于BRB初始模型（即基于BRB构建的初始复杂机电系统质量状态评估模型）由专家给定，受专家认知能力局限性的影响，初始BRB模型的参数存在一定的偏差，导致其实际建模效果不能满足要求，因此需要构建优化模型对BRB模型参数进行优化，同时达到数据与知识的融合，基于此，该实施例中惯导系统的性能评估方法流程如图2所示。在模型参数更新方面，由于BRB属于一种专家系统，对模型参数物理意义有着严格的要求。因此，模型参数优化过程中需要服从如下约束条件：
（8）
（9）
（10）
（11）
进一步，为了验证本发明的有效性，通过采用部分加速度计更换影响情况下飞行器惯导系统进行实验验证，主要包括以下步骤：
步骤1：问题描述及换件影响的计算。
对于飞行器等复杂机电设备而言，由于飞行时间长，其惯导系统内部部件会随着使用时间的增加而损耗。诸如惯性导航等复杂机电系统，由于它是不依赖于任何外部信息，也不向外部辐射能量的自主式系统，故隐蔽性好，也不受外界电磁干扰的影响。可全天候、全时间地工作于空中、地球表面乃至水下。能提供位置、速度、航向和姿态角数据，所产生的导航信息连续性好而且噪声低。数据更新率高、短期精度和稳定性好。但是随着执行任务的次数与使用年限的增加，惯导系统内部部件会由于故障或损害等原因导致需要更换新的部件，但是新旧不一的部件在同一单位中运行，会对单位造成一定的影响。实验中，所选择的指标为三个加速度计的输出结果，试验采集的累计脉冲当量这一监测数据如图3至图5所示。
步骤2：部分部件更换影响下惯导系统性能评估模型的建立。
在惯导系统三个加速度计的监测数据中，结合数据量、模型复杂度、诊断精度、诊断实时性等，确定三个加速度计的监测信息参考等级各为4个，H为高、SH为较高、M为中等、L为低，如表1所示。
结合上述给出的规则构造方式，所构建的惯导系统性能评估模型（即基于BRB构建的复杂机电系统质量状态评估模型）中共有64条规则。由于加速度计在实际使用的过程中容易受到环境的影响，因此，在确定规则输出置信度时需要同时考虑三个加速度计的监测信息，惯导系统性能评估初始模型如表2所示。表2中，Y,L,Z,C分别代表为优、良、中、差。在惯导系统性能评估初始模型中，假定规则同等重要，即规则权重设置为1。
步骤3：换件影响情况下惯导系统性能评估模型的训练及测试。
惯导系统在部分部件更换影响下需从履历信息中得知惯导系统内部部件的使用时间。在使用的惯导系统中，第一个加速度计（即加速度计1）在经历维修后更换为新的，剩余两个加速度计（即加速度计2和加速度计3）为惯导系统原有加速度计。从数据集中随机筛选650组作为训练数据，对所构建的性能评估模型进行训练。
从图6中可以看出，在经过对初始模型进行优化后，可以看出，黑色线能够较为准确的评估惯导系统的性能评估，并且在专家无法准确判断的部分监测点能够做出准确的评估，有效克服了专家知识存在的不确定性和局部无知性，达到了监测数据对专家知识的有效反哺，完善了专家系统，实现了监测数据与专家知识的有效融合。经过训练后，换件影响因子的指标权重分别为0.5。训练后模型的MSE为0.0360，评估精度较高，能够满足惯导系统的性能评估需求。
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)
1.一种换件影响情况下复杂机电系统性能评估方法，其特征在于，包括：
确定复杂机电系统中部件已使用寿命对复杂机电系统造成的影响程度，并将所述影响程度作为换件影响因子；
获取置信规则库以及复杂机电系统的关键特征指标；所述关键特征指标为多元监测信息；
基于所述置信规则库对所述关键特征指标进行统一转换，得到每一关键特征指标与所述置信规则库中规则的匹配度；
基于所述换件影响因子和所述匹配度确定所述复杂机电系统中关键特征指标的匹配度；
基于所述关键特征指标的匹配度确定激活权重；所述激活权重用于表征不同监测信息对不同规则的效用；
采用证据推理算法基于所述激活权重融合所述置信规则库中每一规则产生的系统质量状态的特征向量，得到评价结果的置信度；
基于所述评价结果的置信度和评价结果的效用确定复杂机电系统的性能结果。
2.根据权利要求1所述的换件影响情况下复杂机电系统性能评估方法，其特征在于，所述换件影响因子为：
；
式中，为正态分布的概率密度函数，/>为正态分布的概率密度函数均值，/>为标准差，/>为方差，X为复杂机电系统中部件已使用的时间，T为复杂机电系统内部部件寿命的最大值或理论极限值，T1为复杂机电系统内部部件已使用的寿命。
3.根据权利要求1所述的换件影响情况下复杂机电系统性能评估方法，其特征在于，关键特征指标与所述置信规则库中规则的匹配度为：
；
式中，为第/>个关键特征指标在第/>条规则中的参考等级，/>为第/>个关键特征指标在第/>条规则中的参考等级，/>为规则数量，/>为第/>个关键特征指标与所述置信规则库中第/>条规则的匹配度，/>为关键特征指标的参考等级。
4.根据权利要求1所述的换件影响情况下复杂机电系统性能评估方法，其特征在于，所述复杂机电系统中关键特征指标的匹配度为：
；
式中，为所有关键特征指标在第/>规则中的匹配度，/>为换件影响因子，/>为第/>个关键特征指标与所述置信规则库中第/>条规则的匹配度，/>为第/>个指标的相对权重，为关键特征指标的个数。
5.根据权利要求1所述的换件影响情况下复杂机电系统性能评估方法，其特征在于，所述激活权重为：
，/>；
式中，为第/>条规则的权重，/>为第/>条规则的激活权重，/>为第/>条规则的权重，为所有关键特征指标在第/>规则中的匹配度，/>为所有关键特征指标在第/>规则中的匹配度，/>为规则数量。
6.根据权利要求1所述的换件影响情况下复杂机电系统性能评估方法，其特征在于，所述评价结果的置信度为：
；
；
式中，为第/>个评价结果的置信度，/>且/>，/>为中间量，/>为第/>条规则的激活权重，/>为第/>个关键特征指标在第/>条规则产生的系统质量状态的特征向量，/>为第/>个关键特征指标在第/>条规则产生的系统质量状态的特征向量，为关键特征指标的数量，/>为规则数量。
7.根据权利要求1所述的换件影响情况下复杂机电系统性能评估方法，其特征在于，所述复杂机电系统的性能结果为：
；
式中，为复杂机电系统的性能结果，/>为第/>个评价结果的效用，/>为第/>个评价结果，/>为第/>个评价结果的置信度，/>为关键特征指标的数量。
8.一种换件影响情况下复杂机电系统性能评估系统，其特征在于，包括：
数据采集器，用于采集待评估的复杂机电系统的关键特征指标；所述关键特征指标为多元监测信息；
存储器，用于存储计算机程序；所述计算机程序用于实施如权利要求1-7任意一项所述的换件影响情况下复杂机电系统性能评估方法；
处理器，分别与所述数据采集器和所述存储器连接，用于调取并执行所述计算机程序，以基于所述关键特征指标得到待评估的复杂机电系统的性能结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310720462.XA CN116451912B (zh) | 2023-06-19 | 2023-06-19 | 一种换件影响情况下复杂机电系统性能评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310720462.XA CN116451912B (zh) | 2023-06-19 | 2023-06-19 | 一种换件影响情况下复杂机电系统性能评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116451912A true CN116451912A (zh) | 2023-07-18 |
| CN116451912B CN116451912B (zh) | 2023-09-19 |
Family
ID=87122354
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310720462.XA Active CN116451912B (zh) | 2023-06-19 | 2023-06-19 | 一种换件影响情况下复杂机电系统性能评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116451912B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109033499A (zh) * | 2018-06-07 | 2018-12-18 | 南京航空航天大学 | 一种多阶段一致性检验的航空发动机剩余寿命预测方法 |
| CN109460567A (zh) * | 2018-09-21 | 2019-03-12 | 华中科技大学 | 一种多部件设备的维护方法及系统 |
| 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 |
| CN112418682A (zh) * | 2020-11-26 | 2021-02-26 | 中国人民解放军火箭军工程大学 | 一种融合多源信息的安全性评估方法 |
| US20220374801A1 (en) * | 2021-05-24 | 2022-11-24 | Hitachi, Ltd. | Plan evaluation apparatus and plan evaluation method |
| 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 |
| CN115979310A (zh) * | 2023-03-20 | 2023-04-18 | 中国人民解放军火箭军工程大学 | 一种惯导系统性能退化评估方法、系统、电子设备及介质 |
| CN115993077A (zh) * | 2023-03-22 | 2023-04-21 | 中国人民解放军火箭军工程大学 | 复杂路况运输情况下惯导系统优选决策方法及系统 |
| CN116071051A (zh) * | 2023-04-06 | 2023-05-05 | 中国人民解放军火箭军工程大学 | 惯导系统最优更换时机确定方法、系统、电子设备及介质 |
| WO2023082298A1 (zh) * | 2021-11-10 | 2023-05-19 | 广东电网有限责任公司广州供电局 | 变压器健康指数评估方法、装置、计算机设备和存储介质 |
| CN116150875A (zh) * | 2022-11-25 | 2023-05-23 | 中国舰船研究院(中国船舶集团有限公司第七研究院) | 一种基于大数据的船舶动力系统的远程保障装置及方法 |
-
2023
- 2023-06-19 CN CN202310720462.XA patent/CN116451912B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109033499A (zh) * | 2018-06-07 | 2018-12-18 | 南京航空航天大学 | 一种多阶段一致性检验的航空发动机剩余寿命预测方法 |
| CN109460567A (zh) * | 2018-09-21 | 2019-03-12 | 华中科技大学 | 一种多部件设备的维护方法及系统 |
| 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 |
| CN112418682A (zh) * | 2020-11-26 | 2021-02-26 | 中国人民解放军火箭军工程大学 | 一种融合多源信息的安全性评估方法 |
| US20220374801A1 (en) * | 2021-05-24 | 2022-11-24 | Hitachi, Ltd. | Plan evaluation apparatus and plan evaluation method |
| WO2023082298A1 (zh) * | 2021-11-10 | 2023-05-19 | 广东电网有限责任公司广州供电局 | 变压器健康指数评估方法、装置、计算机设备和存储介质 |
| CN116150875A (zh) * | 2022-11-25 | 2023-05-23 | 中国舰船研究院(中国船舶集团有限公司第七研究院) | 一种基于大数据的船舶动力系统的远程保障装置及方法 |
| 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 |
| CN115979310A (zh) * | 2023-03-20 | 2023-04-18 | 中国人民解放军火箭军工程大学 | 一种惯导系统性能退化评估方法、系统、电子设备及介质 |
| CN115993077A (zh) * | 2023-03-22 | 2023-04-21 | 中国人民解放军火箭军工程大学 | 复杂路况运输情况下惯导系统优选决策方法及系统 |
| CN116071051A (zh) * | 2023-04-06 | 2023-05-05 | 中国人民解放军火箭军工程大学 | 惯导系统最优更换时机确定方法、系统、电子设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 刘佳俊;胡昌华;周志杰;常雷雷;杜党波;: "基于置信规则库和差分进化的设备寿命评估方法", 科学技术与工程, no. 01 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116451912B (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Si et al. | Estimating remaining useful life with three-source variability in degradation modeling | |
| Li et al. | Multi-sensor data-driven remaining useful life prediction of semi-observable systems | |
| Zheng et al. | A nonlinear prognostic model for degrading systems with three-source variability | |
| CN102062619B (zh) | 用于通过预测推理来分析复杂系统的方法系统和装置 | |
| US20220121194A1 (en) | Computing an explainable event horizon estimate | |
| CN116519021B (zh) | 一种惯性导航系统故障诊断方法、系统及设备 | |
| CN115979310B (zh) | 一种惯导系统性能退化评估方法、系统、电子设备及介质 | |
| CN111367747B (zh) | 基于时间标注的指标异动检测预警的装置 | |
| CN115220133B (zh) | 一种多气象要素降雨预测方法、装置、设备及存储介质 | |
| Zhang et al. | Autonomous vehicle battery state-of-charge prognostics enhanced mission planning | |
| CN110348752A (zh) | 一种考虑环境干扰的大型工业系统结构安全性评估方法 | |
| CN116071051B (zh) | 惯导系统最优更换时机确定方法、系统、电子设备及介质 | |
| KR20170127430A (ko) | 센서 오차를 검출, 분류 및/또는 완화하는 방법 및 시스템 | |
| Zhang et al. | An adaptive prognostic approach incorporating inspection influence for deteriorating systems | |
| Peng et al. | Health indicator construction based on multisensors for intelligent remaining useful life prediction: A reinforcement learning approach | |
| CN113962253A (zh) | 基于深度小波极限学习机的轴承剩余寿命预测方法及系统 | |
| CN116451912B (zh) | 一种换件影响情况下复杂机电系统性能评估方法及系统 | |
| CN115993077B (zh) | 复杂路况运输情况下惯导系统优选决策方法及系统 | |
| Liu et al. | An Accelerated Safety Probability Estimation Method for Control Policies of Autonomous Vehicles in Open Environments | |
| Lin et al. | Hpt-rl: Calibrating power system models based on hierarchical parameter tuning and reinforcement learning | |
| Dhakal et al. | UAV Fault and Anomaly Detection Using Autoencoders | |
| CN112101797B (zh) | 一种复杂工业系统动态故障诊断方法及系统 | |
| Li et al. | The Assessment and Foundation of Bell‐Shaped Testability Growth Effort Functions Dependent System Testability Growth Models Based on NHPP | |
| CN110928269A (zh) | 一种基于惯导平台的退化加速试验优化设计方法及系统 | |
| CN117609703B (zh) | 融合多源异构信息的复杂设备健康管理方法及系统 |
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 |