基于异变数据的装备健康状态评估方法技术

本发明专利技术公开了一种基于异变数据的装备健康状态评估方法，涉及故障诊断及评估方法技术领域。所述评估方法包括如下步骤：采集装备系统的数据，采用支持向量机方法对异变数据进行提取，然后基于异变数据进行故障诊断；基于诊断出的故障诊断信息，采用多输出支持向量机对状态进行预测；对预测后的状态使用基于信息融合的产品健康状态评估。所述方法能够对装备的健康状态进行评估，降低使用和保障费用，显著提高复杂产品的任务可靠性和安全性。

Assessment Method of Equipment Health Status Based on Variable Data

The invention discloses an equipment health condition assessment method based on variable data, which relates to the technical field of fault diagnosis and assessment method. The evaluation method includes the following steps: collecting the data of equipment system, extracting the variant data by support vector machine, and then diagnosing the fault based on the variant data; using multi-output support vector machine to predict the state based on the diagnostic information; and using the product health status evaluation based on information fusion to predict the state. The method can evaluate the health status of equipment, reduce the cost of use and guarantee, and significantly improve the reliability and safety of complex products.

【技术实现步骤摘要】
基于异变数据的装备健康状态评估方法
本专利技术涉及故障诊断及评估方法
，尤其涉及一种基于异变数据的装备健康状态评估方法。
技术介绍
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，呈现诸多弊端：如故障诊断能力不强、维修设备繁多、保障费用急剧增长、无法对故障进行有效预测等。
技术实现思路
本专利技术所要解决的技术问题是如何提供一种能够对装备的健康状态进行评估降低使用和保障费用，显著提高复杂产品的任务可靠性和安全性的方法。为解决上述技术问题，本专利技术所采取的技术方案是：一种基于异变数据的装备健康状态评估方法，其特征在于包括如下步骤：1)采集装备系统的数据，采用支持向量机方法对异变数据进行提取，然后基于异变数据进行故障诊断；2)基于诊断出的故障诊断信息，采用多输出支持向量机对状态进行预测；2-1)多输出支持向量机的构建；2-2)基于蚁群算法将多输出支持向量机的参数进行优化；2-3)通过参数优化后的支持向量机对状态进行预测；3)对预测后的状态使用基于信息融合的产品健康状态评估。3-1)基于模糊综合评判的GBBA确定；3-2)基于熵权DSmT的健康状态评估。采用上述技术方案所产生的有益效果在于：所述方法首先采集装备系统的数据，采用支持向量机方法对异变数据进行提取，然后基于异变数据进行故障诊断；然后基于诊断出的故障诊断信息，采用多输出支持向量机对状态进行预测，最后对预测后的状态使用基于信息融合的产品健康状态评估，能够对装备的健康状态进行评估降低使用和保障费用，显著提高复杂产品的任务可靠性和安全性。附图说明下面结合附图和具体实施方式对本专利技术作进一步详细的说明。图1是本专利技术实施例中PHM系统的规划架构图；图2是本专利技术实施例中PHM系统工作原理图；图3是本专利技术实施例中非支持向量、边界支持向量及非边界支持向量关系图；图4是本专利技术实施例中基于支持向量机的异变数据识别；图5是本专利技术实施例中故障诊断流程图；图6是本专利技术实施例中时间序列预测的SVM结构图图7a-图7c是本专利技术实施例中蚂蚁路径寻优示意图；图8是本专利技术实施例中简单蚂蚁系统的算法流程图；图9是本专利技术实施例中多输出支持向量机故障预测模型图；图10是本专利技术实施例中三角形梯形隶属函数图；图11是本专利技术实施例中产品健康状态评估流程图；图12是本专利技术实施例所述方法的流程图。具体实施方式下面结合本专利技术实施例中的附图，对本专利技术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专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是本专利技术还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本专利技术内涵的情况下做类似推广，因此本专利技术不受下面公开的具体实施例的限制。故障预测与健康管理(PrognosticsandHealthManagement，PHM)作为当前产品维修保障的一项最新技术，最早由美军提出，并成功在联合攻击战机(JointStrikerFighter，JSF)、阿帕奇直升机、新一代航空母舰等领域得到了应用。PHM是测试和维修诊断的一种革新方案，是一种全面故障检测、隔离、预测及健康管理技术。它并不是像传统维修诊断那样为了直接消除故障，而是为了了解和预报故障何时可能发生，在出现始料未及的故障时触发一种简单的维修活动，从而实现自助式保障，降低使用和保障费用，显著提高了复杂产品的任务可靠性和安全性。本申请提出的PHM系统，通过CAN总线信息采集技术将装备中上装和底盘的各类信息进行记录，并由USB或串口方式将数据进行分析，对状态异变模式分析、信息建模和虚拟试验等关键技术研究，以实现故障诊断预测、健康状态评估、维修决策等功能。具体功能如下：(1)定期为产品进行“体检”，具有对产品进行状态监测功能该系统可以完整的记录此型产品上装和底盘中一百余种信息，可以实时对产品内部各单体的性能指标进行监督和检查，如一段时间内的油压、水温、发动机转速等等，记录存储时间长达上千小时，其功能完全可以定义为产品中的“黑匣子”，完全具备对产品的各种状态进行监测功能；(2)可形成全面的电子履历书，对产品维修和保养具有辅助决策作用该系统将记录信息按照各分系统或各单体进行解析分类，并可通过曲线形式阐述产品内部参数的走线趋势，使产品手更加深入的了解和掌握产品的当前状态和履历信息；并形成更加完整、全面的电子履历书，为产品的维修及保养起到辅助决策的作用；(3)有助于查找问题、排除故障，为解决问题提供线索及证据产品出现故障时，从表面上很难确定故障原因及故障单体，因此出现各单体厂家相互推诿的现象，例如“炮长发送调炮指令，但身管却没有响应”，此类故障从表面中无法确定是炮长的原因还是随动或惯导的原因，但通过该系统首先可以确定各单体是否正常，其次可以解析出射手是否发出调炮指令，随动是否收到指令后回复，惯导的标定是否正常等，为确定和解决问题提供了重要的数据信息；(4)为型号研制提供重要数据该系统用于型号研制中，可以完整的记录产品整个研制过程的数据信息，并有助于排除问题和解决故障(5)检测身管的调炮精度可通过分析软件的“曲线解析”检测在调炮过程中惯导与随动的调炮精度，炮长发送的调炮角度与身管的转动角度是否一致系统结构及功能PHM系统总体规划主要包括两大部分：车载系统以及基地站系统，如图1所示。(1)车载系统主要完成车上数据的采集与预处理、简单报警，按照两级保障模式，完成现场级的换件处理，并将处理后的数据及结论保存并下传到基站系统或分析处理软件。该系统一般部署在驾驶员终端。(2)基站系统主要完成车上下传数据的检测与故障特征提取、故障诊断、预测与状态预估以及健康管理等分析与处理工作。基站系统拟提供基于网络版的基地综合分析系统以及基于单机版的基地分析处理软件两种应用模式的软件系统。(3)车载系统下传数据的方式主要包括两种，一方面，通过无线数据通信链路，将故障结论等数据实时下传；另一方面，当装甲产品执行任务完成后，通过存储卡将数据下传。PHM系统进行8个重要的处理过程，如图2所示。(1)车上数据预处理车载系统接收传感器采集到的数据进行处理(在地面验证模式下，可接收故障模拟器输出的数据)，车上数据预处理单元对接收到的数据进行滤波去噪、特征值提取等处理，将一些干扰信号进行剔除，以免后期处理影响检测、预测精度。对数据量大的数据(如振动信号)，进行抽样、特征值提取，获得数据特征的前提下，同时减少了数据总量，为后期的预测处理和存储减少了压力。在完成数据预处理工作后，车上单元将对处理后的数据及数据特征值进行数据检测和故障预测工作。(2)报警判定及存储下传根据监测和诊断的数据结果，进行报警判定，已超限的数值要进行车上报警显示，完成报警工作；同时对所有数据结果进行存储，一方面采样存储到固态存储卡，另一方面通过数据链路下传数据到基地站，进行综合处理。(3)数据接收及特征分析基地站系统可以实时接收数据链下传的车上数据，也可以在任务完成后读取固态存储卡上信息进行处理。在此阶段，本文档来自技高网...

【技术保护点】
1.一种基于异变数据的装备健康状态评估方法，其特征在于包括如下步骤：1)采集装备系统的数据，采用支持向量机方法对异变数据进行提取，然后基于异变数据进行故障诊断；2)基于诊断出的故障诊断信息，采用多输出支持向量机对状态进行预测；2‑1)多输出支持向量机的构建；2‑2)基于蚁群算法将多输出支持向量机的参数进行优化；2‑3)通过参数优化后的支持向量机对状态进行预测；3)对预测后的状态使用基于信息融合的产品健康状态评估；3‑1)基于模糊综合评判的GBBA确定；3‑2)基于熵权DSmT的健康状态评估。

【技术特征摘要】
1.一种基于异变数据的装备健康状态评估方法，其特征在于包括如下步骤：1)采集装备系统的数据，采用支持向量机方法对异变数据进行提取，然后基于异变数据进行故障诊断；2)基于诊断出的故障诊断信息，采用多输出支持向量机对状态进行预测；2-1)多输出支持向量机的构建；2-2)基于蚁群算法将多输出支持向量机的参数进行优化；2-3)通过参数优化后的支持向量机对状态进行预测；3)对预测后的状态使用基于信息融合的产品健康状态评估；3-1)基于模糊综合评判的GBBA确定；3-2)基于熵权DSmT的健康状态评估。2.如权利要求1所述的基于异变数据的装备健康状态评估方法，其特征在于，基于支持向量机的异变数据识别的方法如下：采用基于距离的异变数据检测方法进行异变数据识别，根据最优化充要条件-Karush-Kuhn-Tucker(KKT)条件，在最优化约束点处有：样本数据对应的参数ai,的值，有如下5种情况：其中，情况(1)～(4)所对应的xi称为支持向量，情况(1)(2)即当时所对应的xi又被称为边界支持向量，情况(3)(4)即当时所对应的xi为非边界支持向量；情况(5)即当时所对应的xi为非支持向量；此时，ai,对w的计算没有影响；因此在计算回归函数时，只需考虑支持向量；由上述分析可知，只有当样本点属于非边界支持向量时，才有ξ＞0或ξ*＞0，样本点才可能位于区间[-ε,ε]之外，而当样本点属于边界支持向量或非支持向量时，都处于[-ε,ε]之内，只需找出非边界支持向量，即可作为确定异变数据的依据；向量机异变数据识别的过程如下：(1)通过样本建立支持向量机回归模型；(2)根据非边界支持向量机的判断条件，确定样本集中的非边界支持向量xi，并进行标注，同时计算该样本点回归估计值f(xi)与实际值yi之间的误差，(3)根据实际需要以及测量数据的精度，定义一个误差标准e，当Ei＞e时，则认为样本{xi,yi}为异变数据。3.如权利要求2所述的基于异变数据的装备健康状态评估方法，其特征在于，基于异变数据的故障诊断流程如下：将采集的数据利用支持向量机的方法进行异变数据识别，提取出故障特征样本，将故障特征与故障树分析的样本库通过故障评价函数进行故障识别，识别故障类型，最后输出故障信息。4.如权利要求1所述的基于异变数据的装备健康状态评估方法，其特征在于，多输出支持向量机的构建方法如下：给定训练集T＝{(x1,y1),……,(xl,yl)}∈(Rn×Rm)l，试据此寻找Rn上的一个线性多值函数g(x)，以便用y＝g(x)来推断任一输入x所对应的输出值y；g(x)可以将训练集分为正类点和负类点集合，分别记为D+＝{(xiT,yi+ε)T,i＝1,…,l}，D-＝{(xiT,yi-ε)T,i＝1,…,l}，那么问题转化为寻找Rn+1上的一个超平面(W·x)+η·*y+b＝0(3)使得正类点集合的目标函数值为1，负类点集合的目标函数值为-1；其中，W为m×n的矩阵，其中：η为m×1的矩阵，η＝(η1,η2,…,ηm)T；b为m×1的矩阵，b＝(b1,b2,…,bm)T；·*表示对应元素相乘，·表示矩阵乘法；超平面的求解与凸二次规划相对应，可以得到：这里1和-1均表示m×1的矩阵；求出其解便可得到线性回归函数多输出支持向量机的线性回归问题可以归结为最优化问题：的求解；引入松弛变量ξ(*)＝(ξ1,ξ1*,…,ξl,ξl*)T＝(ξ11,ξ11*,…,ξ1m,ξ1m*,ξ21,ξ21*,…,ξlm,ξlm*)T和惩罚常数C，得到引入拉格朗日函数并利用等式约束消去变量η(*)，那么问题(7)的对偶问题为：在求出问题(10)的解之后，原始的多输出线性回归问题的解即为：将多输出支持向量机的线性回归算法推广到非线性回归的方法仍采用核函数，用K(xi,xj)表示；那么多输出支持向量机的非线性回归算法包括如下步骤：(1)给定训练集T＝{(x1,y1),……,(xl,yl)}∈(Rn×R)l；(2)选择适当的参数ε＞0和惩罚参数C＞0；(3)构造并求解凸二次规划问题得到解(4)计算选择位于开区间(0,C)中的的分量或若选到的是则若选到的是则(5)构造决策函数：5.如权利要求1所述的基于异变数据的装备健康状态评估方法，其特征在于，所述多输出支持向量机参数优化的方法如下：利用蚁群算法在连续空间寻找最优参数组合C和σ，其中，C为多输出支持向量机的惩罚因子C，σ为多输出支持向量机的核函数参数，具体方法如下：步骤一：初始化(1)给每只蚂蚁分配一组C和σ；(2)建立支持向量机训练误差模型：根据初始化分配的C和σ，选择训练样本训练SVM；定义支持向量机误差模型Error＝|Yt-Yg|，Yt为SVM模型的计算值，Yg为训练样本的真实值；(3)初始化信息素：根据步骤一(2)中建立的误差模型，确定蚂蚁i位置的信息素：T0(i)＝aError，其中，a＝3，由此可知，误差越大给定的信息素越小；步骤二：进行全局和局部搜索，信息素更新，保存每代全局最优解；(1)确定下一步的转移概率：根据信息素大小，确定每个蚂蚁下一步转移概率：其中BestIndex为获得信息素最大的蚂蚁；(2)建立动态挥发因子：在开始阶段进行局部搜索时，随着迭代次数增加，逐渐增大信息素挥发因子，信息度挥发因子：其中K＝0，1，Echomax为最大进化代数；(3)建立动态的转移因子：每次迭代中，根据蚂蚁进化的信息素大小，确立动态的全局转移因子P0：设蚂蚁的数量为M，计算e-T0(i),i＝1,2,…M，并对计算值从小到大排序，构成序列T1(j),j＝1,2,…M，当时，否则如果蚂蚁的转移概率小于P0，进...

【专利技术属性】
技术研发人员：连光耀，孙江生，闫鹏程，李会杰，张西山，连云峰，梁伟杰，张连武，代冬升，李雅峰，王凯，邱文浩，杨金鹏，陈然，李宝晨，
申请(专利权)人：中国人民解放军三二一八一部队，
类型：发明
国别省市：河北,13