CN106934242B - 基于交叉熵法的多模式下设备的健康度评估方法及*** - Google Patents
基于交叉熵法的多模式下设备的健康度评估方法及*** Download PDFInfo
- Publication number
- CN106934242B CN106934242B CN201710157155.XA CN201710157155A CN106934242B CN 106934242 B CN106934242 B CN 106934242B CN 201710157155 A CN201710157155 A CN 201710157155A CN 106934242 B CN106934242 B CN 106934242B
- Authority
- CN
- China
- Prior art keywords
- mixture model
- gaussian mixture
- gaussian
- health
- data
- 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 103
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 239000000203 mixture Substances 0.000 claims description 125
- 238000011156 evaluation Methods 0.000 claims description 24
- 238000005315 distribution function Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000006870 function Effects 0.000 description 29
- 230000008569 process Effects 0.000 description 17
- 108010089143 GMM2 Proteins 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供一种基于交叉熵法的多模式下设备的健康度评估方法及***,该方法包括:获取设备或设备内一部件的健康数据和运行数据;对获取到的健康数据和运行数据分别进行特征提取,形成健康特征数据库和运行特征数据库;根据健康特征数据库内的数据采用交叉熵法确定高斯混合模型内高斯模式的个数;根据健康特征数据库内的数据和确定的高斯模式的个数建立健康高斯混合模型,根据运行特征数据库和确定的高斯模式的个数建立运行高斯混合模型;计算多模式情况下健康高斯混合模型和运行高斯混合模型的重合度;根据计算得到的重合度评估该设备或部件的健康度。
Description
技术领域
本发明涉及设备的寿命预测和健康管理领域,其特别涉及一种基于交叉熵法的多模式下设备的健康度评估方法及***。
背景技术
随着现代智能制造业的快速发展,设备(如工业机器人)的结构、功能和运行环境也越来越复杂,负担的生产任务和经济可承受性要求也越来越高。传统的事后维护和定期维护方法由于缺乏对设备健康状态的及时了解和掌握,而使维护管理缺乏可理解性、针对性和科学性。因此,探索和研究可靠的设备健康状态评估方法,对于现代制造业具有十分重要的意义。
目前,健康状态评估的主要方法可以概括为模型法、层次分析法、模糊评判法、贝叶斯网络法、统计回归法等。模型法建模过程比较复杂,模型的验证困难,且随着模型参数的变化要对模型随时进行修正,因此限制了它的应用范围。层次分析法在确定各层结构以及评估指标实际上需要融合大量的专家知识,因此也限制了它的应用范围,尤其是对复杂***其适用性较低。模糊评断法在设计隶属度函数的过程实际上也需要融合大量的专家知识。贝叶斯网络法中贝叶斯网络的建造是一个复杂的任务,需要知识工程师和领域专家的参与以确定其结构、节点间的互相关系、先验概率等,在工程实际中可能是反复交叉进行而不断完善的一个复杂过程。
在多模式背景下,设备的正常运行状态可能不再是单一状态,而很可能是一种复杂的多样化状态,在这种情况下进行健康状态评估比单模式情况下显得更加复杂和困难,尤其是从采集到的数据中自动地确定潜在的模式个数这个问题,目前还没有有效的解决方法。
发明内容
本发明为了克服现有技术无法对多模式下设备的健康度进行准确评估的问题,提供一种基于交叉熵法的多模式下设备的健康度评估方法及***。
为了实现上述目的,本发明提供一种基于交叉熵法的多模式下设备的健康度评估方法,该方法包括:
获取设备或设备内一部件的健康数据和运行数据;
对获取到的健康数据和运行数据分别进行特征提取,形成健康特征数据库和运行特征数据库;
根据健康特征数据库内的数据采用交叉熵法确定高斯混合模型内高斯模式的个数;
根据健康特征数据库内的数据和确定的高斯模式的个数建立健康高斯混合模型,根据运行特征数据库和确定的高斯模式的个数建立运行高斯混合模型;
计算多模式情况下健康高斯混合模型和运行高斯混合模型的重合度;
根据计算得到的重合度评估该设备或部件的健康度。
于本发明一实施例中,高斯混合模型表示为:
其中,x表示数据点,μ为概率密度函数g(x;μ,∑)的中心点,∑为概率密度函数g(x;μ,∑)的共变异矩阵,θ=(ω1…ωm,μ1…μm,∑1…∑m),ω1…ωm需要满足:
于本发明一实施例中,采用以下步骤确定高斯混合模型内的高斯模式的个数:
步骤S31、初始化模式个数M;
步骤S32、以模式个数M用交叉熵法计算高斯混合模型;
步骤S33、判断计算所得的高斯混合模型是否过拟合;
步骤S34、若是,输出高斯混合模型的模式个数为M-1;
步骤S35、若否,将M加1并判断M加1是否小于最大迭代个数Mmax;
若是,重复步骤S31至S35。
于本发明一实施例中,当计算所得的高斯混合模型内存在任意两个模式间的重合度大于重合度阈值λ或计算所得的高斯混合模型多个模式的最小权重ω小于权重阈值ρ时均判断计算所得的高斯混合模型过拟合。
于本发明一实施例中,采用交叉熵法计算高斯混合模型的目的在于在所有θ的集合Ω中确定使目标函数取得最大值的高斯混合模型的参数,目标函数为:
高斯混合模型的参数的确定步骤为:
第一步,在Ω空间内根据指定的抽样分布函数产生多个随机样本并计算每个随机样本所对应的目标函数的值;
第二步,根据计算所得的目标函数的值对多个随机样本进行降序排序,选取前Nelite个随机样本更新抽样分布函数各参数;
第三步,在满足迭代条件的情况下,以更新的抽样分布函数重复第一步和第二步,直到迭代终止。
于本发明一实施例中,选取抽样分布函数为独立高斯分布,θ的每一个参数θi都服从一个一维的高斯分布其中,为方差向量,ai为均值向量;
高斯混合模型的参数采用以下步骤进行确定:
初始化a和b2,得到a0和b0 2,并设置迭代次数t=1;
按照产生θ的多个随机样本Θ1,…ΘN;
根据每个随机样本计算目标函数的值;
将产生的多个随机样本按照目标函数的计算值进行降序排列,并选取前Nelite个随机样本,计算前Nelite个随机样本的均值向量和方差向量并根据以下公式更新a和b2:
其中α为介于0~1之间的一个数值;
判断是否满足迭代条件;
若满足迭代条件,根据更新后的a和b2重复步骤S323至S325,重新计算目标函数的值,直到终止条件满足,确定使目标函数取得最大值的高斯混合模型的参数。
否则,迭代结束,确定高斯混合模型的参数。
于本发明一实施例中,采用以下公式计算健康高斯混合模型和运行高斯混合模型的重合度:
g1(x;μ1,Σ1)为健康高斯混合模型,g2(x;μ2,Σ2)为运行高斯混合模型。
于本发明一实施例中,采用雷达图来表示设备内一个或多个部件的健康度。
于本发明一实施例中,采用传感器来采集设备或设备内的部件的健康数据和运行数据,获得的数据经特征提取后传输至云端,云端服务器对特征提取后的数据进行高斯混合模型内高斯模式的个数确定、健康高斯混合模型和运行高斯混合模型的建立以及重合度的计算。
本发明另一方面还提供一种多模式下设备的健康度评估***,该***包括数据获取模块、特征提取模块、模式个数确定模块、计算模块和评估模块。数据获取模块获取设备或设备内一部件的健康数据和运行数据。特征提取模块对获取到的健康数据和运行数据分别进行特征提取,形成健康特征数据库和运行特征数据库。模式个数确定模块根据健康特征数据库内的数据采用交叉熵法确定高斯混合模型内高斯模式的个数。模型建立模块根据健康特征数据库内的数据和确定的高斯模式的个数建立健康高斯混合模型,根据运行特征数据库和确定的高斯模式的个数建立运行高斯混合模型。计算模块计算多模式情况下健康高斯混合模型和运行高斯混合模型的重合度。评估模块根据计算得到的重合度评估该设备或部件的健康度。
综上所述,本发明提供的基于交叉熵法的多模式下设备的健康度评估方法及***,针对多模式下的设备或设备内部件的工作状态采用多个高斯函数的加权平均(高斯混合模型)来描述多模式下的数据点的概率密度函数,通过融合各种工况/过程下的数据来使得在无法消除多工况/过程下仍能实现设备或设备内部件的健康度评估。通过在建立高斯混合模型之前确定高斯模式的个数来有效防止高斯混合模型的过拟合,提高健康度评估的准确性。
为让本发明的上述和其它目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合附图,作详细说明如下。
附图说明
图1所述为本发明一实施例提供的基于交叉熵法的多模式下设备的健康度评估方法的流程图。
图2所示为图1中确定高斯混合模型内的高斯模式的个数的流程图。
图3所示为图2中采用交叉熵法确定高斯混合模型内参数的流程图。
图4a至图4e为采用雷达图所展示的六轴型机器人的六个轴的CV值。
图5所示为实施例二中已知的三个高斯混合模式概率密度函数在二维平面投影的***轮廓线。
具体实施方式
国际上工业机器人技术在制造业的应用越来越广阔,工业机器人的健康状态预测以及寿命的评估越来越受到重视。现有的设备健康度评估方法不仅过程很复杂且均需要依赖大量的专家知识,预测结果的准确性受人为因素的干扰较大。进一步的,现有的健康度评估方法只适合于单一工况下的设备的健康度评估。而在机器人领域中,由于占地面积小,操作容积较大而被广泛使用的关节型机器人属于多工况/过程下的设备,现有的评估方法很难对其健康度进行预测。有鉴于此,本实施例提供一种基于交叉熵法的多模式下设备的健康度评估方法及***。
如图1所示,本实施例提供的基于交叉熵法的多模式下设备的健康度评估方法包括:获取设备或设备内一部件的健康数据和运行数据(步骤S1)。对获取到的健康数据和运行数据分别进行特征提取,形成健康特征数据库和运行特征数据库(步骤S2)。根据健康特征数据库内的数据采用交叉熵法确定高斯混合模型内高斯模式的个数(步骤S3)。根据健康特征数据库内的数据和确定的高斯模式的个数建立健康高斯混合模型,根据运行特征数据库和确定的高斯模式的个数建立运行高斯混合模型(步骤S4)。计算多模式情况下健康高斯混合模型和运行高斯混合模型的重合度(步骤S5)。根据计算得到的重合度评估该设备或部件的健康度(步骤S6)。
于本实施例中以六轴关节型机器人中的六个轴为例进行说明。基于交叉熵法的多模式下设备的健康度评估方法包括始于步骤S1。于本实施例中,该步骤包括:获取设备内一部件的健康数据(步骤S11)和获取设备内一部件的运行数据(步骤S2)。在实际使用中,部件的健康数据和运行数据不是在同一时刻进行采集的。为获得部件的健康数据,通常在部件首次投入使用或部件维修后的初次使用时就会将这些数据进行采集并存储在相应的存储器内,以便于后续调用。于其它实施例中也可采用本发明提供的健康度评估方法对整个设备的健康度进行评估。
在该步骤中,采用多个传感器来采集六轴关节型机器人中六个轴在正常状态下的健康数据和运行数据。为能实现实时的远程数据监控,于本实施例中,设置传感器所采集到的数据通过卫星传输至云端服务器,云端服务器对数据进行特征提取、模型建立以及重合度计算后给出六轴关节型机器人中六个轴的健康读评估。基于云计算的应用带来多方面的优势。云端分布式的环境可以提供比单个硬件设备更好、更快的计算环境。当主计算服务器收到某段表征信号时,可以将没有依赖关系的数据分段,分配给多个从服务器进行并行计算;最终主计算服务器将各个从计算服务器计算结果汇总,完成预测计算。目前,Hadoop和Spark是当今比较流行的开源并行计算框架,可以根据计算的需求随时调整从计算服务器的数量,以最快的速度完成计算。同时,由于数据和计算结果存储在云端,终端用户可以随时、随地通过各种终端设备访问数据。
当获取到正常状态下的健康数据和运行数据后,执行步骤S2。在该步骤同样包含两个过程:对获取到的健康数据进行特征提取,形成健康特征数据库(步骤S21)和对获取到的运行数据进行特征提取,形成运行特征数据库(步骤S22)。步骤S21和步骤S22是两个并列的过程,***可采用两个处理器来同时进行这两个过程或者任意安排两者的先后顺序。于本实施例中,通常在设备或部件首次投入使用或设备或部件维修后的初次使用时获取健康数据并进行特征提取形成健康特征数据库;而在设备或部件运行的过程中执行步骤S22。所述特征提取为在获取到的数据中获取那些与部件的运行时间密切相关(如呈一定收敛状态)的数据。于本实施例中,对六轴型机器人的每个轴进行数据分析后发现每个轴的力矩均方根值与变化的最大超控速度密切相关并随之变化,因此将力矩均方根值作为六个关节轴的特征值。在健康状态下,将这些随着部件的运行时间发生变化的值集合在一起形成了健康特征数据库,而在运行状态下,这些特征值的集合形成了运行特征数据库。为便于后续的模型建立以及健康度评估。于本实施例中,将力矩方均根值依照最大超控速度按比例缩放到一个基准健康数据下,使得这些数据呈多个椭球形分布,消除多工况对数据的影响,并针对每一个模式可进行重合度计算。然而,本发明对此不作任何限定。于其它实施例中,可将获取到的多个特征值按照特征空间进行划分来消除多工况的影响,针对每一个轴进行多模式下的健康度评估。
在采用高斯混合模型进行数据拟合的过程中,高斯混合模型中模式的个数会直接影响高斯混合模型的有效性,不恰当的模式个数会导致过拟合。正常的数据中该数据对应的最合适的模式个数是三个;过拟合模式一时占总观察样本比例很小的数据点也被赋予了高斯模式,这些数据点往往是离群值或高噪音数据,不能代表数据的正常分布;过拟合模式二时占总观测样本一定比例的数据点被重复的赋予了高斯模式。为了提高高斯混合模型拟合的有效性,执行步骤S3,根据健康特征数据库内的数据采用交叉熵法确定高斯混合模型内高斯模式的个数。于本实施例中,采用交叉熵法来自动确定高斯模式的个数,以抑制过拟合。
如图2所示,具体的步骤为:
步骤S31、初始化模式个数M。
步骤S32、以模式个数M用交叉熵法计算高斯混合模型。于本实施例中,高斯混合模型表示为:
其中,x表示数据点,μ为概率密度函数g(x;μ,∑)的中心点,∑为概率密度函数g(x;μ,∑)的共变异矩阵,θ=(ω1…ωm,μ1…μm,∑1…∑m),ω1…ωm需要满足:
采用交叉熵法计算高斯混合模型的目的在于在所有θ的集合Ω中确定使目标函数取得最大值的高斯混合模型的参数。其中,目标函数为:
高斯混合模型的参数的确定思路为:
第一步,在Ω空间内根据指定的抽样分布函数产生多个随机样本并计算每个随机样本所对应的目标函数的值;第二步,根据计算所得的目标函数的值对多个随机样本进行降序排序,选取前Nelite个随机样本更新抽样分布函数各参数;最后,在满足迭代条件的情况下,以更新的抽样分布函数重复第一步和第二步,直到迭代终止。
于本实施例中,选取抽样分布函数为独立高斯分布,θ的每一个参数θi都服从一个一维的高斯分布其中,为方差向量,ai为均值向量;
详细的高斯混合模型的参数确定如下:
步骤S321,初始化a和b2,得到a0和b0 2,并设置迭代次数t=1;
步骤S322,按照产生θ的多个随机样本Θ1,…ΘN;
步骤S323,根据每个随机样本计算目标函数的值;
步骤S324,将产生的多个随机样本按照目标函数的计算值进行降序排列,并选取前Nelite个随机样本,计算前Nelite个随机样本的均值向量和方差向量并根据以下公式更新a和b2:
其中α为介于0~1之间的一个数值;
步骤S325,判断是否满足迭代条件。于本实施例中,所述迭代条件为e为设定的一个接近于0的值。然而,本发明对此不作任何限定。
若满足迭代条件,根据更新后的a和b2重复步骤S323至S325,重新计算目标函数的值,直到终止条件满足,确定使目标函数取得最大值的高斯混合模型的参数。
否则,执行步骤S326,迭代结束,确定高斯混合模型的参数。
步骤S33、判断计算所得的高斯混合模型是否过拟合。于本实施例中,针对过拟合模式一,判断过拟合的条件为:计算所得的高斯混合模型内多个模式的最小权重ω小于权重阈值ρ;针对过拟合模式二,判断过拟合的条件是:计算所得的高斯混合模型内存在任意两个模式间的重合度大于重合度阈值λ。通常设置权重阈值ρ大于或等于0.01且小于或等于0.1;设置重合度阈值λ大于或等于0.2且小于或等于0.6。
步骤S34、若过拟合,输出高斯混合模型的模式个数为M-1。
步骤S35、若没有过拟合,将M+1并判断M+1是否小于最大迭代个数Mmax。若M+1小于最大迭代个数Mmax,重复步骤S31至S35。
根据确定的高斯模式的个数和健康特征数据库建立健康高斯混合模型g1(x;μ1Σ,1)(步骤S41);结合高斯模式个数和运行特征数据库确定建立运行高斯混合模型g2(x;μ2Σ,2)(步骤S42)。健康高斯混合模型和运行高斯混合模型的建立主要是确定两个高斯混合模型内的参数。于本实施例中,采用步骤S321至步骤S326中的交叉熵法进行确定。实际中健康高斯混合模型的参数在确定高斯模式个数的时候就已经确定。
在获得准确的高斯混合模型后,多模式下的部件的健康值可以用在多模式情况下两个模型的重合度CV进行表征(步骤S5)。具体而言,在多模式下的两个分布g1(x;μ1Σ,1)和g2(x;μ2Σ,2),先计算各模式之间的重合度,之后再对各模式间的重合度进行加权平均。具体的公式如下:
在获得表征健康度的CV值后,根据CV值对六轴关节型机器人的六个轴J1至J6(每个轴对应有一个CV值)进行健康度评估。于本实施例中,如图4a至4e所示,采用雷达图来表示六个轴的健康度。图4a是以车间2008年4月27日到5月16日的力矩数据建立健康数据库所展现的雷达图。从图中可以观察到自2008年9月8日开始,此机器人第四个轴的CV值急剧下降,引起警惕。之后,9月15日观察到第一轴的CV值也较之前有所下降。9月29日第一轴和第四轴的CV值继续恶化。直到10月中旬,车间不得不对此机器人进行维护,发现第四轴异常并对其进行了零件更换。此后,直到2009年4月24日此机器人各轴CV值均维持在良好水平,正常运行。从中可以看出,CV值较好的描述了机器人健康状态,捕捉到了第四轴的质量下降,而第一轴的CV值下降则是由第四轴状态恶化所引起的,所以在第四轴得到维护后,数据也恢复正常。
本实施例提供的基于交叉熵法的基于交叉熵法的多模式下设备的健康度评估方法通过交叉熵法来准确确定混合高斯函数的参数以及模式个数,使得建立的模型能更加接近实际分布,从而使得根据模型所确定的CV值能更好地表征设备内部件的健康度。
进一步的,本实施例还提供一种基于交叉熵法的多模式下设备的健康度评估***,该***包括数据获取模块、特征提取模块、模式个数确定模块、计算模块和评估模块。数据获取模块获取设备或设备内一部件的健康数据和运行数据。特征提取模块对获取到的健康数据和运行数据分别进行特征提取,形成健康特征数据库和运行特征数据库。模式个数确定模块根据健康特征数据库内的数据采用交叉熵法确定高斯混合模型内高斯模式的个数。模型建立模块根据健康特征数据库内的数据和确定的高斯模式的个数建立健康高斯混合模型,根据运行特征数据库和确定的高斯模式的个数建立运行高斯混合模型。计算模块计算多模式情况下健康高斯混合模型和运行高斯混合模型的重合度。评估模块根据计算得到的重合度评估该部件的健康度。
实施例二
为验证基于交叉熵法的基于交叉熵法的多模式下设备的健康度评估方法的有效性,本实施例通过模拟的方式进行验证。
表1给出了三个已知的高斯混合模型GMM1、GMM2和GMM3的参数。图5直观的绘出了这三个高斯混合模式概率密度函数在二维平面投影的***轮廓线,可以看到每个模型都由4个单模式组成。
表1
从表1和图5中都可以看出,GMM2较GMM1有了一定程度的偏离,而GMM3较GMM1有了更严重的偏离。假设GMM1是健康高斯混合模型,GMM2和GMM3可以看成是设备或部件开始出现一定衰退和出现严重衰退时的运行高斯混合模型。
在步骤S1中,用GMM1、GMM2和GMM3这三个已知的健康高斯混合模型随机的产生三组数据,每组数据包含300个数据点。其中,GMM1产生的数据为健康数据,GMM2和GMM3产生的数据分别为第一运行状态下的数据和第二运行状态下的数据。
执行步骤S2,对GMM1产生的数据进行特征提取,形成健康特征数据库;对GMM2和GMM3产生的数据进行特征提取,形成第一运行特征数据库和第二运行特征数据库。之后采用S3至S6进行模式个数的确定,健康高斯混合模型、第一运行高斯混合模型和第二运行高斯混合模型的建立以及重合度的计算。表2中给出了GMM1和GMM2之间的实际CV值和估计的CV值,以及GMM1和GMM3之间的实际CV值和估计的CV值。
表2
所述实际CV值指的是根据最初的已知的三个高斯混合模型所计算的CV值,而估计的CV值指的是采用基于交叉熵法的基于交叉熵法的多模式下设备的健康度评估方法所计算的CV值。表2表示实际的CV值和估算的CV值非常的接近,验证了基于交叉熵法的基于交叉熵法的多模式下设备的健康度评估方法的有效性。
综上所述,本发明提供的基于交叉熵法的多模式下设备的健康度评估方法及***,针对多模式下的设备或设备内部件的工作状态,采用多个高斯函数的加权平均(高斯混合模型)来描述多模式下的数据点的概率密度函数,通过融合各种工况/过程下的数据来使得在无法消除多工况/过程下仍能实现设备或设备内部件的健康度评估。通过在建立高斯混合模型之前确定高斯模式的个数来有效防止高斯混合模型的过拟合,提高健康度评估的准确性。
虽然本发明已由较佳实施例揭露如上,然而并非用以限定本发明,任何熟知此技艺者,在不脱离本发明的精神和范围内,可作些许的更动与润饰,因此本发明的保护范围当视权利要求书所要求保护的范围为准。
Claims (5)
1.一种基于交叉熵法的多模式下设备的健康度评估方法,其特征在于,包括:
获取设备或设备内一部件的健康数据和运行数据;
对获取到的健康数据和运行数据分别进行特征提取,形成健康特征数据库和运行特征数据库;
根据健康特征数据库内的数据采用交叉熵法确定高斯混合模型内高斯模式的个数;
采用以下步骤确定高斯混合模型内的高斯模式的个数:
步骤S31、初始化模式个数M;
步骤S32、以模式个数M用交叉熵法计算高斯混合模型;
高斯混合模型表示为:
其中,x表示数据点,μ为概率密度函数g(x;μ,∑)的中心点,∑为概率密度函数g(x;μ,∑)的共变异矩阵,θ=(ω1···ωm,μ1···μm,∑1···∑m),ω1···ωm需要满足:
在所有θ的集合Ω中确定使目标函数取得最大值的高斯混合模型的参数,所述目标函数为:
高斯混合模型的参数的确定步骤为:
第一步,在Ω空间内根据指定的抽样分布函数产生多个随机样本并计算每个随机样本所对应的目标函数的值;
第二步,根据计算所得的目标函数的值对多个随机样本进行降序排序,选取前Nelite个随机样本更新抽样分布函数各参数;
第三步,在满足迭代条件的情况下,以更新的抽样分布函数重复第一步和第二步,直到迭代终止;
选取抽样分布函数为独立高斯分布,θ的每一个参数θi都服从一个一维的高斯分布其中,为方差向量,ai为均值向量;
高斯混合模型的参数采用以下步骤进行确定:
步骤S321、初始化a和b2,得到a0和b0 2,并设置迭代次数t=1;
步骤S322、按照产生θ的多个随机样本Θ1,…ΘN;
步骤S323、根据每个随机样本计算目标函数的值;
步骤S324、将产生的多个随机样本按照目标函数的计算值进行降序排列,并选取前Nelite个随机样本,计算前Nelite个随机样本的均值向量和方差向量并根据以下公式更新a和b2:
其中α为介于0~1之间的一个数值;
步骤S325、判断是否满足迭代条件;
若不满足迭代条件,根据更新后的a和b2重复步骤S323至S325,重新计算目标函数的值,直到终止条件满足,确定使目标函数取得最大值的高斯混合模型的参数;
否则,迭代结束,确定高斯混合模型的参数;
步骤S33、判断计算所得的高斯混合模型是否过拟合;
当计算所得的高斯混合模型内存在任意两个模式间的重合度大于重合度阈值λ或计算所得的高斯混合模型内多个模式的最小权重ω小于权重阈值ρ时均判断计算所得的高斯混合模型过拟合;
步骤S34、若是,输出高斯混合模型的模式个数为M-1;
步骤S35、若否,将M加1并判断M加1是否小于最大迭代个数Mmax;
若是,重复步骤S32至S35;
根据健康特征数据库内的数据和确定的高斯模式的个数建立健康高斯混合模型,根据运行特征数据库和确定的高斯模式的个数建立运行高斯混合模型;
计算多模式情况下健康高斯混合模型和运行高斯混合模型的重合度;
根据计算得到的重合度评估该设备或部件的健康度。
2.根据权利要求1所述的基于交叉熵法的多模式下设备的健康度评估方法,其特征在于,采用以下公式计算健康高斯混合模型和运行高斯混合模型的重合度:
g1(x;μ1,Σ1)为健康高斯混合模型,g2(x;μ2,Σ2)为运行高斯混合模型。
3.根据权利要求1所述的基于交叉熵法的多模式下设备的健康度评估方法,其特征在于,采用雷达图来表示设备内一个或多个部件的健康度。
4.根据权利要求1所述的基于交叉熵法的多模式下设备的健康度评估方法,其特征在于,采用传感器来采集设备或设备内的部件的健康数据和运行数据,获得的数据经特征提取后传输至云端,云端服务器对特征提取后的数据进行高斯混合模型内高斯模式的个数确定、健康高斯混合模型和运行高斯混合模型的建立以及重合度的计算。
5.一种多模式下设备的健康度评估***,其特征在于,包括:
数据获取模块,获取设备或设备内一部件的健康数据和运行数据;
特征提取模块,对获取到的健康数据和运行数据分别进行特征提取,形成健康特征数据库和运行特征数据库;
模式个数确定模块,根据健康特征数据库内的数据采用交叉熵法确定高斯混合模型内高斯模式的个数;
模式个数确定模块采用以下步骤确定高斯混合模型内的高斯模式的个数:
步骤S31、初始化模式个数M;
步骤S32、以模式个数M用交叉熵法计算高斯混合模型;
高斯混合模型表示为:
其中,x表示数据点,μ为概率密度函数g(x;μ,∑)的中心点,∑为概率密度函数g(x;μ,∑)的共变异矩阵,θ=(ω1···ωm,μ1···μm,∑1···∑m),ω1···ωm需要满足:
在所有θ的集合Ω中确定使目标函数取得最大值的高斯混合模型的参数,所述目标函数为:
高斯混合模型的参数的确定步骤为:
第一步,在Ω空间内根据指定的抽样分布函数产生多个随机样本并计算每个随机样本所对应的目标函数的值;
第二步,根据计算所得的目标函数的值对多个随机样本进行降序排序,选取前Nelite个随机样本更新抽样分布函数各参数;
第三步,在满足迭代条件的情况下,以更新的抽样分布函数重复第一步和第二步,直到迭代终止;
选取抽样分布函数为独立高斯分布,θ的每一个参数θi都服从一个一维的高斯分布其中,为方差向量,ai为均值向量;
高斯混合模型的参数采用以下步骤进行确定:
步骤S321、初始化a和b2,得到a0和b0 2,并设置迭代次数t=1;
步骤S322、按照产生θ的多个随机样本Θ1,…ΘN;
步骤S323、根据每个随机样本计算目标函数的值;
步骤S324、将产生的多个随机样本按照目标函数的计算值进行降序排列,并选取前Nelite个随机样本,计算前Nelite个随机样本的均值向量和方差向量并根据以下公式更新a和b2:
其中α为介于0~1之间的一个数值;
步骤S325、判断是否满足迭代条件;
若不满足迭代条件,根据更新后的a和b2重复步骤S323至S325,重新计算目标函数的值,直到终止条件满足,确定使目标函数取得最大值的高斯混合模型的参数;
否则,迭代结束,确定高斯混合模型的参数;
步骤S33、判断计算所得的高斯混合模型是否过拟合;
当计算所得的高斯混合模型内存在任意两个模式间的重合度大于重合度阈值λ或计算所得的高斯混合模型内多个模式的最小权重ω小于权重阈值ρ时均判断计算所得的高斯混合模型过拟合;
步骤S34、若是,输出高斯混合模型的模式个数为M-1;
步骤S35、若否,将M加1并判断M加1是否小于最大迭代个数Mmax;
若是,重复步骤S32至S35;
模型建立模块,根据健康特征数据库内的数据和确定的高斯模式的个数建立健康高斯混合模型,根据运行特征数据库和确定的高斯模式的个数建立运行高斯混合模型;
计算模块,计算多模式情况下健康高斯混合模型和运行高斯混合模型的重合度;
评估模块,根据计算得到的重合度评估该设备或部件的健康度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710157155.XA CN106934242B (zh) | 2017-03-16 | 2017-03-16 | 基于交叉熵法的多模式下设备的健康度评估方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710157155.XA CN106934242B (zh) | 2017-03-16 | 2017-03-16 | 基于交叉熵法的多模式下设备的健康度评估方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106934242A CN106934242A (zh) | 2017-07-07 |
CN106934242B true CN106934242B (zh) | 2018-07-20 |
Family
ID=59432580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710157155.XA Active CN106934242B (zh) | 2017-03-16 | 2017-03-16 | 基于交叉熵法的多模式下设备的健康度评估方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106934242B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522175B (zh) | 2017-09-18 | 2020-09-04 | 华为技术有限公司 | 一种内存评估的方法及装置 |
CN109034538B (zh) * | 2018-06-26 | 2021-08-03 | 广东电网有限责任公司 | 一种面向变电站自动化设备运行质量的评价分析方法 |
CN111680407B (zh) * | 2019-06-03 | 2023-12-01 | 北京航空航天大学 | 一种基于高斯混合模型的卫星健康评估方法 |
CN110498314B (zh) * | 2019-08-28 | 2020-11-10 | 上海电气集团股份有限公司 | 电梯门***的健康评估方法、***、电子设备及存储介质 |
CN112967154B (zh) * | 2021-04-23 | 2024-05-28 | 南京工程学院 | 一种电力***Well-being的评估方法及装置 |
CN115602323B (zh) * | 2022-09-07 | 2023-06-06 | 浙江一山智慧医疗研究有限公司 | 适用于疾病风险评估的组合风险评估模型、方法及应用 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7565262B2 (en) * | 2006-10-05 | 2009-07-21 | Siemens Corporate Research, Inc. | Bayesian sensor estimation for machine condition monitoring |
CN101853262A (zh) * | 2009-12-07 | 2010-10-06 | 清华大学 | 基于交叉熵的音频指纹快速搜索方法 |
CN102768115B (zh) * | 2012-06-27 | 2016-04-20 | 华北电力大学 | 一种风电机组齿轮箱健康状态实时动态监控方法 |
-
2017
- 2017-03-16 CN CN201710157155.XA patent/CN106934242B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106934242A (zh) | 2017-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106934242B (zh) | 基于交叉熵法的多模式下设备的健康度评估方法及*** | |
CN108764520B (zh) | 一种基于多层循环神经网络和d-s证据理论的水质参数预测方法 | |
CN111199270B (zh) | 一种基于深度学习的区域波高预报方法及终端 | |
Tang et al. | Methodologies for uncertainty management in prognostics | |
CN111310965A (zh) | 一种基于lstm网络的飞行器航迹预测方法 | |
CN106656357B (zh) | 一种工频通信信道状态评估***和方法 | |
Ni et al. | Evolutionary modeling for streamflow forecasting with minimal datasets: a case study in the West Malian River, China | |
CN110795780A (zh) | 一种基于XGBoost算法的斜拉桥有限元修正方法 | |
CN106529185B (zh) | 一种古建筑位移的组合预测方法及*** | |
CN115545334B (zh) | 土地利用类型预测方法、装置、电子设备及存储介质 | |
CN115169439A (zh) | 一种基于序列到序列网络的有效波高预测方法和*** | |
CN110689183A (zh) | 一种集群光伏功率概率预测方法、***、介质及电子设备 | |
CN116384224A (zh) | 一种基于条件化参数动态卷积神经网络的航空发动机寿命预测方法 | |
CN116757303A (zh) | 一种沉降预测方法、***和设备 | |
CN115392056A (zh) | 一种高压架空输电线路运行状态监测及预警方法及装置 | |
CN116227689A (zh) | 一种光伏板污秽度状态评价及清扫决策*** | |
CN116861694A (zh) | 一种基于人工智能的电缆温度预测方法 | |
CN110533109A (zh) | 一种喷涂生产监测数据的存储及特征分析方法及其装置 | |
CN114638358A (zh) | 消光系数转颗粒物浓度方法、设备以及计算机存储介质 | |
Zhang et al. | Identification of concrete surface damage based on probabilistic deep learning of images | |
Laqrichi et al. | Integrating uncertainty in software effort estimation using Bootstrap based Neural Networks | |
CN116364203A (zh) | 一种基于深度学习的水质预测方法、***和装置 | |
CN113393023B (zh) | 模具质量评估方法、装置、设备及存储介质 | |
CN111428420B (zh) | 海表流流速预测方法、装置、计算机设备和存储介质 | |
CN109270900A (zh) | 一种基于层次分析法的设备状态评价方法及相关设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |