CN105096053B - 一种适用于复杂工艺***的健康管理决策方法 - Google Patents
一种适用于复杂工艺***的健康管理决策方法 Download PDFInfo
- Publication number
- CN105096053B CN105096053B CN201510498190.9A CN201510498190A CN105096053B CN 105096053 B CN105096053 B CN 105096053B CN 201510498190 A CN201510498190 A CN 201510498190A CN 105096053 B CN105096053 B CN 105096053B
- Authority
- CN
- China
- Prior art keywords
- decision
- health
- maintenance
- fault mode
- failure
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种适用于复杂工艺***的健康管理决策方法,一:获取***测点参数;二:对***测点参数进行预处理;三:通过自适应阈值分析方法对预处理后的***测点参数进行实时故障检测,结合历史数据和故障模式与影响分析表,利用知识推理方法对故障检测结果进行故障诊断;四:结合故障诊断结果利用灰色理论方法评估单参数传感器健康度,利用模糊集融合理论对单参数传感器健康度融合,得到故障模式健康参数;五:利用故障模式健康参数通过相关向量机方法预测故障模式健康参数;六:利用灰色群决策理论将多种决策理论的维修决策相融合,得到维修决策结果。本发明能够对***的下一次运行进行故障预测,并针对每一种故障模式提供维修建议。
Description
技术领域
本发明涉及复杂工艺***健康管理决策领域,具体涉及一种适用于复杂工艺***的健康管理决策方法。
背景技术
复杂工艺***是复杂性科学的研究对象范畴,广泛应用于工业、制造业、航空、航天等众多领域。如何提高复杂工艺***的安全性、可靠性、可用性、有效性和经济性也成为其技术发展中考虑越来越多的关键问题。如火箭发动机试车台是航天器和运载器推进***的重要组成部分,它是一种流体-热动力***,其结构复杂,涉及众多的零部件,且各零部件之间结构相互关联,功能相互影响。其经常工作在恶劣环境(高温、高压、强腐蚀和高密度的能量释放)下,因此极易发生故障。
预测与健康管理(prognostics and health management,PHM)是指利用尽可能少的传感器采集***的各种数据信息,借助各种智能推理算法(如物理模型、神经网络、数据融合、模糊逻辑、专家***等)来评估***自身的健康状态,在***故障发生前对其故障进行预测,并结合各种可利用的资源信息提供一系列的维修保障措施以实现***的视情维修。PHM***结构主要由如下七层组成,如图1所示:
(1)数据获取层
数据获取层位于七层结构的最底层,该层与复杂工艺***上的特定物理测量设备相连接,其功能是收集来自数据总线上传感器的信号,为PHM***进行下一步的工作提供数据支持。
(2)数据处理层
该层主要功能是处理来自数据获取层的数据,通过一些特征提取算法把所获取的数据转换成状态监测、健康评估和预测层所需要的形式,这些信号特征能够以某一种形式表征***/组件的健康。通常采用的数据处理算法包括快速傅立叶变换、神经网络、小波、卡尔曼滤波或统计方法(平均、标准偏差)等,数据处理层的输出结果包括经过滤、压缩后的传感器数据、频谱数据以及其它特征数据等。
(3)状态监测层
状态监测层接收来自传感器、数据处理层以及其他状态监测模块的数据。其主要功能是完成与***状态相关的特征的计算和估计,即将获取的数据同预定的失效判据等进行比较来监测***当前的状态,并且可以根据预定的各种参数指标极限值/阈值来提供故障报警能力。
(4)健康评估层
健康评估层接收来自不同状态监测模块以及其他健康评估模块的数据,根据状态监测层的输出和历史的状态评估值,主要评估被监测***、分***或部件的健康状态,确定这些***是否降级。如果***的健康状态降级了,该层会产生诊断信息,提示可能发生的故障。该层的输出包括组件的健康或健康程度(以健康指数表示)。本层的输出包括***/组件的健康状态或***降级程度,***的健康状态可以用很多方式表示,例如灰度、健康度等。
(5)预测层
预测层可综合前面各层的数据信息,评估和预测被监测***、子***和部件未来的健康状态。主要功能是对***、子***或部件在使用工作包线和工作应力下的剩余使用寿命进行估计。预测层可能报告***的未来健康状态或者评估组件的剩余使用寿命。故障预测能力是PHM***的显著特征。
(6)决策支持层
该层接收来自状态监测、健康评估和预测层的数据,并根据前面各层的输出结果做出相应的支持决策,为维修资源管理和其它健康管理过程提供支撑。决策支持层综合所需要的信息,基于与***健康相关的信息,以支持做出决策,为维修提供建议的措施。
(7)显示层
该层具备与其他所有层通讯的能力,通过便携式维修设备、维修管理和操作管理实现PHM***与维修人员和用户的人机交互界面功能。该层的输出包括低层产生的输出信息以及低层所需要的输入信息。
在复杂工艺***的健康管理维修决策方面,目前主要采用以非计划定期维护和事后维修为主的方式,采用多、勤、细来预防***故障。随着健康管理技术的发展出现了视情维修理论,能够根据复杂***的故障信息,临时安排相应的维修任务,解决了部分非计划维修问题,但是各视情维修决策***没有对维修大纲的制定产生反馈,在实际开展维修活动工作中,往往无章可循,具有很大的维修工作随意性,缺乏必要的规定,具有很大的决策风险。
现有的PHM维修决策方法,从其实际研究中应用的理论和技术路线来看,可分为3类:基于模型的维修决策技术、基于数据的维修决策技术、基于可靠性的维修决策技术。
1、基于模型的维修决策技术对于大多数工业应用来说,利用物理模型建立决策模型可能不是最切合实际的解决方案,因为多零部件、***之间的相互作用,增加了维修决策分析的复杂性。
2、基于数据的维修决策不需要***的数学模型,以采集的数据为基础,通过各种数据分析处理方法挖掘其中的隐含信息进行维修决策。但是在实际应用中,一些关键设备、零部件的维修决策需要的信息复杂多变,典型数据(历史工作数据、故障注入数据)的获取代价通常十分高昂;而且即使对于所获得的数据来说,往往其具有很强的不确定性和不完备性。这些问题都增加了维修决策的实现难度。
3、基于可靠性的维修决策技术是基于同类部件/设备/***的事件记录的分布,目前的可靠性评估方法基本上均是采用历史失效数据去估计对象的整体特性。然而零部件、***性能衰退、失效会引非计划维修任务,因而限制了其实际应用。
但是由于复杂工艺***具有组成结构复杂、工作状态多变和易受运行环境影响的特点,前述3类主要的维修决策方法难以适用于此类***。
近年来,群决策技术在国际上发展较为迅速。群决策主要研究在多名决策者同时决策时如何做出有效抉择,主要需要解决的问题是如何将具有不同偏好的各位专家的决策信息进行汇总得到一致化的决策结果。由于***各部件之间结构和功能上的关联性和复杂性,采用单一模型或方法难以实现全***维修范围和修理级别的确定。为减少决策的失误,提高决策的效率,采用群决策建模的方法,多智体协同维修决策产生结论,最后综合各方法决策结果的输出,确定***维修范围。
然而,由于群决策技术的研究还不甚成熟,如何准确获取决策信息,包括属性值、属性权重、决策者权重信息等决策要素,尚未形成完整的框架体系。特别是由于工艺***的复杂性、不确定性,在实际决策问题中往往面临数据质量低下甚至部分缺失的情况,即信息的不确定性。对于上述信息不确定、数据类型多样性的群决策问题,传统的决策理论如D-S证据理论、Bayes理论、模糊集理论将面临严峻的挑战。
在上述背景下,将PHM技术应用于复杂工艺***,在对传统的***信息辨识、获取、处理和融合基础上,采取积极主动的措施监视***的健康状态,预测***性能变化趋势、部件故障发生时机及剩余使用寿命,采取必要的措施缓解***的性能衰退、部件故障/失效的决策和维修建议,显得愈发重要。因此,亟需一种针对复杂工艺***的健康管理维修决策方法。
发明内容
有鉴于此,本发明的目的是提供一种适用于复杂工艺***的健康管理决策方法,它能够实现两大功能:1.能够对***的下一次运行进行故障预测;2.能够在***运行后,针对每一种故障模式提供维修建议。
实现本发明的技术方案如下:
一种适用于复杂工艺***的健康管理决策方法,具体步骤如下:
步骤一:通过传感器或网络接口获取***测点参数;
步骤二:对获取的***测点参数进行预处理;
步骤三:通过自适应阈值分析方法对预处理后的***测点参数进行实时故障检测,然后,结合历史数据和故障模式与影响分析表,利用知识推理方法对故障检测结果进行故障诊断;
步骤四:结合故障诊断结果利用灰色理论方法评估单参数传感器健康度,利用模糊集融合理论对单参数传感器健康度进行融合,得到故障模式健康参数;
步骤五:利用步骤四中所得的故障模式健康参数以及该工艺***历史计算的故障模式健康参数通过相关向量机方法预测故障模式健康参数;
步骤六:通过多种决策理论分别对预测的故障模式健康参数进行***的维修决策;利用灰色群决策理论将多种决策理论的维修决策结果进行融合,得到最终维修决策结果,给出维修建议,完成复杂工艺***的健康管理决策。
进一步地,本发明步骤二中所述的预处理包括:剔除奇异值、滤波降噪、计算均值和3σ标准偏差。
进一步地,本发明步骤六中的多种决策理论包括D-S证据理论、Bayes理论和模糊集理论。
有益效果:
(1)本发明提出了***故障预防控制措施与***健康参数相关联的维修策略,提高复杂***安全性,能够及时合理地处理故障;且针对具有复杂特点的一类对象的维修决策,具有较强的通用性。
(2)本发明利用故障诊断、健康度评估,故障模式预测,及时有效地掌握复杂***的健康状况;综合历史维护经验,及时发现和报告复杂***潜在的故障趋势及已经发生的故障,能够对复杂***进行高精度的故障预测及维修决策,提高复杂***可靠性。
(3)本发明利用基于灰色群决策理论得到维修决策结果,缩短了维修时间,减少了备件、保障设备和维修人力等保障资源的需求,有利于合理确定维修支持资源,降低维修保障费用,减少计划外维修次数,将一些非预知维修工作变为预知维修工作。
(4)本发明通过灰色群决策理论将D-S证据理论、Bayes理论、模糊集理论相融合,避免了单一方法的局限性,使健康管理维修决策结果更加客观准确。
(5)本发明提出的利用灰色群决策理论来实现全***维修范围和修理级别的确定方法,很好地解决了如何将专家经验(即故障模式与影响分析表)融入健康管理决策的问题,进而实现PHM技术从理论研究到工程实际应用的一次跨越。
附图说明
图1为本发明的PHM***结构图;
图2为本发明的健康管理决策方法流程图;
图3为本发明方法中步骤四中单参数传感器健康度计算流程图;
图4为本发明方法中步骤四中故障模式健康度计算示意图;
图5为本发明方法中步骤五中相关向量机故障预测器示意图;
图6为本发明的灰色群决策方法流程图;
图7为本发明方法中步骤六中D-S证据理论决策示意图;
图8为本发明方法中步骤六中Bayes理论决策示意图;
图9为本发明方法中步骤六中模糊集理论决策示意图;
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明提供了一种适用于复杂工艺***的健康管理决策方法,适用于复杂工艺***的健康管理和维修决策,其主要原理如下:首先针对历史数据建立健康度评价模型,利用灰色理论方法进行健康度计算,然后建立相关向量机模型进行故障预测,最后基于灰色群决策理论进行维修决策。本发明方法包含三大核心内容:健康评估方法、故障预测方法和维修决策方法。下面结合图2说明本发明适用于复杂工艺***的健康管理维修决策方法。
步骤一:通过传感器或网络接口获取***测点参数;
步骤二:对获取的***测点参数进行预处理,所述的预处理包括:剔除奇异值、滤波降噪、计算均值和3σ标准偏差;
步骤三:通过自适应阈值分析方法对预处理后的***测点参数进行实时故障检测,然后,结合历史数据和故障模式与影响分析表,利用知识推理方法对故障检测结果进行故障诊断;
步骤四:结合故障诊断结果利用灰色理论方法评估单参数传感器健康度,利用模糊集融合理论对单参数传感器健康度进行融合,得到故障模式健康参数;
所述步骤四中单参数传感器健康评估具体步骤:首先,建立灰色评价指标集:将传感器的输出值作为事件集,将表述传感器性能退化程度的健康、亚健康、故障边缘及故障状态作为目标对策集;其次,确定灰色评价指标集的白化函数,基于所述白化函数,计算灰色综合评价矩阵;然后,基于不同时刻点的***测点参数对该测点传感器健康水平的差异性影响建立权值分配模型,确保及时响应异常情况;最后,综合权值分配结果和灰色综合评价矩阵进行多时刻点的多源信息融合,计算得到单参数传感器的健康度,其流程如图3所示。
所述步骤四中故障模式健康参数评估具体步骤:首先结合***的故障诊断结果,为每种故障模式定义健康参数hp,取值为0~1,健康参数反映了每种故障模式发生的可能性相对大小,取值越大,其发生的相对可能性就越大。然后利用模糊集融合理论对单参数传感器健康度的数据进行融合,计算框图如图4所示,得到其***的健康度hd,则hp=1-hd。
步骤五:利用步骤四中所得的故障模式健康参数以及历史计算的故障模式健康参数通过相关向量机方法预测故障模式健康参数;
步骤五中故障预测模型的建立具体步骤:首先,利用历史的故障模式健康参数数据序列hpi(1),hpi(2),...,hpi(n)建立如表1所示的训练样本集。
表1相关向量机预测器模型学习样本
然后,利用此样本建立相关向量机预测器模型,利用表1样本训练相关向量机预测器,并进行在线学习,具体过程如图5所示。
最后,利用训练好的模型预测hpi(n+1)值,依次类推,将hpi(n-m+2),hpi(n-m+3),...,hpi(n),hpi(n+1)作为输入,利用训练好的模型预测hpi(n+2)值,实现***故障模式健康参数的预测。
步骤六:通过D-S证据理论、Bayes理论和模糊集理论分别对预测的故障模式健康参数进行***的维修决策;利用灰色决策群理论将D-S证据理论、Bayes理论和模糊集理论的维修决策相融合,得到最终维修决策结果,并给出相应的故障预防措施、故障干预措施和维修建议,完成复杂工艺***的健康管理决策。具体流程如图6所示。
步骤六中维修决策模型是健康管理决策方法的核心,本发明通过融合复杂工艺***故障诊断信息、健康度状态、故障模式预测结果、历史维修情况、现有维修大纲来实现动态维修计划的制定。
步骤六中维修决策模型的建立包括确定决策模型的输入、输出信息种类和形式。输入信息包括四类(即4组证据);证据1:故障模式历史健康参数,证据2:预测的故障模式健康参数(步骤五得到的);证据3:历史维修记录;证据4:维修大纲。输出信息为根据***健康状况等级制定的维修决策框架:不维修,预防性维修,修复性维修,更换部件。
步骤6中通过D-S证据理论进行维修决策具体过程如下,如图7所示。
步骤6.1.1读入故障模式历史健康参数、预测的故障模式健康参数、历史维修记录和维修大纲;
步骤6.1.2计算以上四类中的各个证据对于决策框架中各中决策结果的基本概率赋值bpa,例如bpa11为故障模式历史健康参数1对于不维修的基本概率赋值,bpa12为故障模式历史健康参数1对于预防性维修的基本概率赋值,bpa13为故障模式历史健康参数1对于修复性维修的基本概率赋值,bpa14为故障模式历史健康参数1对于更换部件的基本概率赋值,依次类推。对于历史维修记录证据首先通过统计计算得到维修概率,再求取其对于决策框架的bpa,对于维修大纲证据,首先通过统计计算得到检修率,再求取其对于决策框架的bpa。
步骤6.1.3将所有证据所得的基本概率赋值进行排序,顺序任意;
步骤6.1.4首先对前两个证据利用D-S证据理论进行融合,得到融合后的对于决策框架结果的基本概率赋值,例如图中的bpar11为证据1和证据2进行融合后对于不维修的基本概率赋值,bpar12为证据1和证据2进行融合后对于预防性维修的基本概率赋值,bpar13为证据1和证据2进行融合后对于修复性维修的基本概率赋值,bpar14为证据1和证据2进行融合后对于更换部件的基本概率赋值;
步骤6.1.5将证据1和证据2融合后的结果作为一个新的证据,与证据3利用D-S证据理论进行融合,得到融合结果;
步骤6.1.6将新的融合结果作为一个新的证据,与下一个证据利用D-S证据理论进行融合,直至融合完全部证据,得到最终的融合结果。最终结果中的基本概率赋值即为四种维修决策结果的置信度。
步骤6中通过Bayes理论进行维修决策的具体过程如下,如图8所示。
步骤6.2.1读入故障模式历史健康参数、预测的故障模式健康参数、历史维修记录和维修大纲;
步骤6.2.2计算以上四类中的各个证据对于决策框架中各中决策结果的条件概率;其中P(B1|A1)为故障模式历史健康参数1对于不维修的条件概率,P(B1|A2)为故障模式历史健康参数1对于预防性维修的条件概率,P(B1|A3)为故障模式历史健康参数1对于修复性维修的条件概率,P(B1|A4)为故障模式历史健康参数1对于不维修的条件概率,依次类推。对于历史维修记录证据首先通过统计计算得到维修概率,再求取其对于决策框架的条件概率,对于维修大纲证据,首先通过统计计算得到检修率,再求取其对于决策框架的条件概率。
步骤6.2.3利用贝叶斯概率公式计算得到融合后的后验概率,后验概率即为四种维修决策结果的置信度。
步骤6中通过模糊集理论进行维修决策具体过程如下,如图9所示。
步骤6.3.1读入故障模式历史健康参数、预测的故障模式健康参数、历史维修记录和维修大纲;
步骤6.3.2计算以上四类中的各个证据对于决策框架中各中决策结果的隶属度;其中M11为故障模式历史健康参数1对于不维修的隶属度,M12为故障模式历史健康参数1对于预防性维修的隶属度,M13为故障模式历史健康参数1对于修复性维修的隶属度,M13为故障模式历史健康参数1对于不维修的隶属度,依次类推。对于历史维修记录证据首先通过统计计算得到维修概率,再求取其对于决策框架的隶属度,对于维修大纲证据,首先通过统计计算得到检修率,再求取其对于决策框架的隶属度。
步骤6.3.3利用模糊数据融合得到融合后的隶属度,隶属度即为四种维修决策结果的置信度。
步骤6中利用灰色群决策理论在上述三种决策算法中做出有效抉择,进行最终综合决策。具体过程为:
步骤6.4.1计算各决策方法的决策矩阵;
设灰色群决策方案集为(A1,A2,...,An),n为决策框架数,本发明中决策框架大小为4,分别为:A1、不维修,A2、预防性维修,A3、修复性维修,A4、更换部件决;
决策群体集为(e1,e2,...,eq),q≥2表示决策方法数,es表示第s个决策方法,本发明中有三种决策方法:D-S证据理论e1、Bayes理论e2和模糊集理论e3;
决策指标集为(u1,u2,...,um),m为证据数;本发明中证据数为4,故障模式历史健康参数u1,预测的故障模式健康参数u2,历史维修记录u3,维修大纲u4;
决策方法es方案Ai在指标uj下的属性值为区间灰数且决策方法es的决策矩阵如表2所示,矩阵中的元素即为区间灰数。
步骤6.4.2使用区间灰数弱化变换对每个决策方法的决策矩阵进行初始化变换得到标准化矩阵;
步骤6.4.3计算决策者权重;即计算D-S证据理论、Bayes理论和模糊集理论分别得到的维修决策的权重。
步骤6.4.4计算最优效果向量;
步骤6.4.5计算对象Ai的靶心距εi,并由εi对决策对象进行优劣评价,得到***最终决策分析结果。所述靶心距εi即某一种决策方案的置信度。
表2.决策方法es的决策矩阵
综上,经灰色群决策方法综合决策后,可得到***各故障模式的维修决策结果,在此基础上可实现动态维修计划的制定。
实施例
本实施例以火箭发动机试车台***为对象,该***是典型的复杂工艺***。由于火箭发动机试车台***结构复杂、缺少统一的物理模型、故障机理复杂,符合本发明所需要解决的复杂工艺***的健康管理决策问题。通过本实施例的详细阐述,进一步说明本发明的实施过程及工程应用过程。
本发明实施例对火箭发动机试车台***应用本发明提出的健康管理决策方法的步骤如下:
步骤一:通过网络接口获取***测点参数;
以氧化剂供应子***为例,需要采集氧化剂贮箱压力、发动机氧化剂入口压力、氧化剂管路流量、氧化剂贮箱温度、流量计附近温度等压力、流量和温度的参数。
步骤二:对获取的***各测点参数进行预处理,所述的预处理包括:剔除奇异值、滤波降噪、计算均值和3σ标准偏差;
步骤三:通过自适应阈值分析方法对预处理后的***测点参数进行实时故障检测,然后,结合历史数据和故障模式与影响分析表,利用知识推理方法对故障检测结果进行故障诊断;
通过历史数据分析以及故障模式与影响分析,目前火箭发动机试验台的主要故障模式有四种:氧化剂/燃烧剂增压***故障,氧化剂/燃烧剂供应***故障,氧化剂/燃烧剂排放***故障,氧化剂/燃烧剂吹除***故障。以氧化剂增压子***为例,故障检测和诊断主要针对氧化剂增压***减压阀故障、氧化剂贮箱上过滤器堵塞、氧化剂贮箱压力测点测压导管断裂三种故障模式。
步骤四:结合故障诊断结果利用灰色理论方法评估单参数传感器健康度,利用模糊集融合理论对单参数传感器健康度进行融合,得到故障模式健康参数。
在利用灰色理论方法对***的健康状况进行评价时,根据健康、亚健康、故障边缘、故障四个灰色集的定义,确定如表3所示的四个健康状况等级。具体健康度数值依据不同应用对象有差异。
表3.健康状况等级表
序号 | 健康度取值范围 | 健康状况等级 |
1 | 0.6≤hd≤1 | 健康 |
2 | 0.2≤hd<0.6 | 亚健康 |
3 | 0.01≤hd<0.2 | 故障边缘 |
4 | 0≤hd<0.01 | 故障 |
计算单参数健康度和故障模式健康参数,故障模式健康参数hp为hd的1补数,取值越小表示越健康,取值为1表示故障,因此,算法可以正确判定***的健康状态。
步骤五:利用步骤四中所得的故障模式健康参数以及历史计算的故障模式健康参数通过相关向量机方法预测故障模式健康参数;
步骤六:利用基于灰色群决策理论的维修决策模型,对故障模式预测的结果进行维修决策,给出维修建议。
其中证据数量为3,分别用u1、u2、u3表示,如下所示:
u1:***故障模式健康参数及预测的故障模式健康参数;
u2:历史维修记录;
u3:已编制的***维修大纲。
决策框架大小为4,用4位二进制数表示,分别为{不维修}A1:0001、{预防性维修}A2:0010、{修复性维修}A3:0100、{更换部件}A4:1000,并依次对应步骤四中表3所示的健康状况等级。
确定各输入证据的权重ω=(ω1,ω2,ω3)。其中ω2表示维修概率的权重,即历史维修次数/试验总次数;ω3表示检修率的权重,即距离下次检修时间/检修周期;ω1=1-ω2-ω3,ω1表示故障模式健康参数以及故障模式预测健康参数所对应的权重。对每个故障模式分别计算三种维修决策方法D-S证据理论e1、贝叶斯理论e2、模糊集理论e3的决策矩阵,然后利用灰色群决策理论在上述三种决策算法中做出有效抉择,最后得到最终综合决策结果和置信度。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。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,均应包含在本发明的保护范围之内。
Claims (3)
1.一种适用于复杂工艺***的健康管理决策方法,其特征在于,具体步骤如下:
步骤一:通过传感器或网络接口获取***测点参数;
步骤二:对获取的***测点参数进行预处理;
步骤三:通过自适应阈值分析方法对预处理后的***测点参数进行实时故障检测,然后,结合历史数据和故障模式与影响分析表,利用知识推理方法对故障检测结果进行故障诊断;
步骤四:结合故障诊断结果利用灰色理论方法评估单参数传感器健康度,利用模糊集融合理论对单参数传感器健康度进行融合,得到故障模式健康参数;
所述单参数传感器健康度评估具体步骤:首先,建立灰色评价指标集:将传感器的输出值作为事件集,将表述传感器性能退化程度的健康、亚健康、故障边缘及故障状态作为目标对策集;其次,确定灰色评价指标集的白化函数,基于所述白化函数,计算灰色综合评价矩阵;然后,基于不同时刻点的***测点参数对该测点传感器健康水平的差异性影响建立权值分配模型,确保及时响应异常情况;最后,综合权值分配结果和灰色综合评价矩阵进行多时刻点的多源信息融合,计算得到单参数传感器的健康度;
所述故障模式健康参数评估具体步骤:首先结合***的故障诊断结果,为每种故障模式定义健康参数hp,取值为0 ̄1,然后利用模糊集融合理论对单参数传感器健康度的数据进行融合,得到其***的健康度hd,则hp=1-hd;
步骤五:利用步骤四中所得的故障模式健康参数以及该工艺***历史计算的故障模式健康参数通过相关向量机方法预测故障模式健康参数;
首先,利用历史的故障模式健康参数数据序列hpi(1),hpi(2),…,hpi(n)建立表1所示的训练样本集;
表1 相关向量机预测器模型学习样本
然后,利用训练样本集建立相关向量机预测器模型,利用训练样本集训练相关向量机预测器,并进行在线学习;
最后,利用训练好的模型预测hpi(n+1)值,依次类推,将hpi(n-m+2),hpi(n-m+3),…,hpi(n),hpi(n+1)作为输入,利用训练好的模型预测hpi(n+2)值,实现***故障模式健康参数的预测;
步骤六:通过多种决策理论分别对预测的故障模式健康参数进行***的维修决策;利用灰色群决策理论将多种决策理论的维修决策结果进行融合,得到最终维修决策结果,给出维修建议,完成复杂工艺***的健康管理决策。
2.如权利要求1所述的一种适用于复杂工艺***的健康管理决策方法,其特征在于,步骤二中所述的预处理包括:剔除奇异值、滤波降噪、计算均值和3σ标准偏差。
3.如权利要求1所述的一种适用于复杂工艺***的健康管理决策方法,其特征在于,步骤六中所述的多种决策理论包括D-S证据理论、Bayes理论和模糊集理论。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510498190.9A CN105096053B (zh) | 2015-08-14 | 2015-08-14 | 一种适用于复杂工艺***的健康管理决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510498190.9A CN105096053B (zh) | 2015-08-14 | 2015-08-14 | 一种适用于复杂工艺***的健康管理决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105096053A CN105096053A (zh) | 2015-11-25 |
CN105096053B true CN105096053B (zh) | 2018-11-09 |
Family
ID=54576422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510498190.9A Active CN105096053B (zh) | 2015-08-14 | 2015-08-14 | 一种适用于复杂工艺***的健康管理决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105096053B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105468917B (zh) * | 2015-12-01 | 2019-03-08 | 北京无线电计量测试研究所 | 一种管线故障预测方法及装置 |
CN105652710A (zh) * | 2015-12-30 | 2016-06-08 | 芜湖乐锐思信息咨询有限公司 | 基于网络化的复杂产品工艺精细度分析*** |
CN105913124B (zh) * | 2016-04-08 | 2018-08-24 | 北京航空航天大学 | 基于贝叶斯网络及基层数据的***健康状态预测方法 |
CN106203642A (zh) * | 2016-07-18 | 2016-12-07 | 王力 | 一种电力机车故障预测及健康管理的方法 |
CN107909161B (zh) * | 2017-11-24 | 2023-07-25 | 西南交通大学 | 一种基于风险费用预测的牵引供电设备维修方法 |
CN109886443A (zh) * | 2017-12-26 | 2019-06-14 | 广东电网有限责任公司电力调度控制中心 | 一种基于灰色***理论的故障预估*** |
CN108829949B (zh) * | 2018-05-25 | 2022-05-10 | 南京航空航天大学 | 飞机二次配电***phm***架构 |
CN108764567A (zh) * | 2018-05-28 | 2018-11-06 | 中国科学院自动化研究所 | 基于状态健康信息的剩余寿命远程预测方法、***及设备 |
CN109213119B (zh) * | 2018-07-11 | 2021-05-04 | 佛山科学技术学院 | 基于在线学习的复杂工业关键部件故障预测方法及*** |
CN109739210B (zh) * | 2018-12-25 | 2021-02-19 | 中车工业研究院有限公司 | 设备部件健康状态的评估方法及装置 |
CN109740766B (zh) * | 2018-12-29 | 2021-04-06 | 科技谷(厦门)信息技术有限公司 | 一种工业设备维护服务规划方法 |
CN110188040A (zh) * | 2019-05-21 | 2019-08-30 | 江苏锐天信息科技有限公司 | 一种针对软件***故障检测与健康状态评估的软件平台 |
CN112306010A (zh) * | 2019-07-31 | 2021-02-02 | 北京国双科技有限公司 | 一种数据处理方法及装置 |
CN111507490B (zh) * | 2020-05-09 | 2024-02-20 | 武汉数字化设计与制造创新中心有限公司 | 基于多源数据驱动的数控机床主轴预测性维护方法及*** |
CN112462744A (zh) * | 2020-12-01 | 2021-03-09 | 大连理工大学 | 一种坦克火控***状态评估与故障诊断*** |
CN113916563B (zh) * | 2021-09-29 | 2024-06-18 | 一汽解放汽车有限公司 | 全液压转向***的健康状态检测方法及*** |
CN114151235A (zh) * | 2021-11-17 | 2022-03-08 | 北京航天试验技术研究所 | 一种用于搭建火箭发动机试车台的智能测量***的架构方法 |
CN114565161A (zh) * | 2022-03-01 | 2022-05-31 | 北京九天翱翔科技有限公司 | 基于多时空维度数据融合的存储阶段故障预测与延寿方法 |
CN115936679B (zh) * | 2023-01-13 | 2023-06-16 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 一种复杂***的预测维修决策数字化方法和装置 |
CN117314244B (zh) * | 2023-10-07 | 2024-03-19 | 中节能(石家庄)环保能源有限公司 | 一种基于数据分析的工艺流程数据监管***及方法 |
CN117826712B (zh) * | 2023-11-09 | 2024-06-07 | 中通服网盈科技有限公司 | 一种工业互联网的设备运行智慧调度*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495549A (zh) * | 2011-11-22 | 2012-06-13 | 中联重科股份有限公司 | 工程机械的远程维护决策***及方法 |
CN104503434A (zh) * | 2014-12-01 | 2015-04-08 | 北京航天试验技术研究所 | 一种基于故障征兆主动推送的故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102006017824B4 (de) * | 2006-04-13 | 2018-10-11 | Dspace Digital Signal Processing And Control Engineering Gmbh | Methode zum Konstruieren einer Diagnosefunktion |
-
2015
- 2015-08-14 CN CN201510498190.9A patent/CN105096053B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495549A (zh) * | 2011-11-22 | 2012-06-13 | 中联重科股份有限公司 | 工程机械的远程维护决策***及方法 |
CN104503434A (zh) * | 2014-12-01 | 2015-04-08 | 北京航天试验技术研究所 | 一种基于故障征兆主动推送的故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
Fault diagnosis and data recovery of sensor based on relevance vector machine;B Wang 等;《IEEE International Conference on Mechatronics & Automation》;20140806;第1822-1826页 * |
基于理想解的灰色模糊多属性群决策方法;顾翠伶 等;《周口师范学院学报》;20140315;第31卷(第2期);第43-48 * |
液体火箭发动机试验台健康状态评估方法研究;杨敏;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20120515;第2012年卷(第05期);第C031-150页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105096053A (zh) | 2015-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105096053B (zh) | 一种适用于复杂工艺***的健康管理决策方法 | |
Lazakis et al. | Predicting ship machinery system condition through analytical reliability tools and artificial neural networks | |
Zhao et al. | Remaining useful life prediction of aircraft engine based on degradation pattern learning | |
Guo et al. | Criticality evaluation of petrochemical equipment based on fuzzy comprehensive evaluation and a BP neural network | |
Yan | Machinery prognostics and prognosis oriented maintenance management | |
CN111539515B (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
Xu et al. | PHM-oriented integrated fusion prognostics for aircraft engines based on sensor data | |
Sharma et al. | FLM to select suitable maintenance strategy in process industries using MISO model | |
Garga et al. | Hybrid reasoning for prognostic learning in CBM systems | |
Chen et al. | Dynamic predictive maintenance scheduling using deep learning ensemble for system health prognostics | |
James et al. | Assessment of failures in automobiles due to maintenance errors | |
Sharma et al. | Modeling system behavior for risk and reliability analysis using KBARM | |
Li et al. | Intelligent reliability and maintainability of energy infrastructure assets | |
Pashami et al. | Explainable predictive maintenance | |
Sambrekar et al. | Maintenance strategies for realizing Industry 4.0: An overview | |
Koops | Optimized maintenance decision-making—A simulation-supported prescriptive analytics approach based on probabilistic cost-benefit analysis | |
CN105426665A (zh) | 基于状态监测的动态可靠度确定方法 | |
Song et al. | Research on preventive maintenance strategies and systems for in-service ship equipment | |
Luo et al. | A method for the maintainability assessment at design stage based on maintainability attributes | |
Zhang et al. | A novel architecture for an integrated fault diagnostic/prognostic system | |
Baker et al. | Degrader analysis for diagnostic and predictive capabilities: a demonstration of progress in DoD CBM+ initiatives | |
Balin et al. | An evaluation approach for eliminating the failure effect in gas turbine using fuzzy multiple criteria | |
Tu et al. | Maintenance strategy decision for avionics system based on cognitive uncertainty information processing | |
Li et al. | Remaining life prediction of cores based on data-driven and physical modeling methods | |
Qu et al. | Degradation principle of machines influenced by maintenance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |