CN113065200A - 履带步战车变速机构的健康预测方法、***及存储介质 - Google Patents

履带步战车变速机构的健康预测方法、***及存储介质 Download PDF

Info

Publication number
CN113065200A
CN113065200A CN202110481754.3A CN202110481754A CN113065200A CN 113065200 A CN113065200 A CN 113065200A CN 202110481754 A CN202110481754 A CN 202110481754A CN 113065200 A CN113065200 A CN 113065200A
Authority
CN
China
Prior art keywords
health
determining
sequence
working condition
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.)
Granted
Application number
CN202110481754.3A
Other languages
English (en)
Other versions
CN113065200B (zh
Inventor
李英顺
王德彪
郭占男
张杨
赵玉鑫
刘海洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang Dagong Advanced Technology Development Co ltd
Original Assignee
Shenyang Dagong Advanced Technology Development Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenyang Dagong Advanced Technology Development Co ltd filed Critical Shenyang Dagong Advanced Technology Development Co ltd
Priority to CN202110481754.3A priority Critical patent/CN113065200B/zh
Publication of CN113065200A publication Critical patent/CN113065200A/zh
Application granted granted Critical
Publication of CN113065200B publication Critical patent/CN113065200B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Computer Hardware Design (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Optimization (AREA)
  • Educational Administration (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Automation & Control Theory (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)

Abstract

本发明涉及一种履带步战车变速机构的健康预测方法、***及存储介质。所述履带步战车变速机构的健康预测方法，包括：采用灰色关联分析法根据监测数据集合确定目标域下运行数据的健康特征、源域下运行数据的健康特征和变速机构源域下的一维健康指标，确定目标域下运行数据的健康特征和一维健康指标间的DTW距离，依据DTW距离确定目标域和源域间的公共性能特征，构建公共特征集合，采用改进鱼群优化SVR综合传动健康预测模型，以公共特征集合为输入确定健康度预测结果。基于本发明提供的这一预测流程能够迅速判断设备健康状态和健康状态变化趋势，节约维修工作人员分析时间，同时具有准确、容错能力强、灵活性高等优点。

Description

履带步战车变速机构的健康预测方法、***及存储介质
技术领域
本发明涉及履带步战车机械传动技术领域，特别是涉及一种履带步战车变速机构的健康预测方法、***及存储介质。
背景技术
综合传动装置作为步战车关键部件，其将发动机产生的动力传递到战车的其他动力部件，以实现前进、后退、转向、制动、变速等功能，其性能状态直接决定了战车的机动能力，进而影响战车的战场作战能力，也是衡量战车高可靠性的因素之一。综合传动装置作为集液力、液压、行星传动等多项传感技术于一身的高复杂电液***，其结构组成庞大、故障机理复杂、维修难度大、维修成本高，因此对综合传动装置的健康进行预测有着十分重要的意义。
经不完全统计，综合传动装置可以进行测试的参数有100多个，由于其内部空间限制和不可现场拆解的特性，导致部分信号类型的传感器无法安装，如各轴承的振动信号、补偿泵的输入速度等，使得难以实现信号类型的全部采集，给其性能及健康预测带来了诸多不便。
健康预测作为运行维修领域的新兴研究内容，已成为领域研究热点之一。健康预测以传感器监测信息或分析建模为基础，其目的在于实现对设备的健康状态评估的同时，对设备未来的健康状态的发展趋势进行有效的预测。
现有的实现传动装置健康预测方法，是通过提取润滑油、液压油等，进行金属颗粒分析的方法判断和预测步战车传动装置的健康状态，无法满足实时性的要求，且为离线分析方法，并不能对传动装置的健康进行灵活、精确的预测。
发明内容
为解决现有技术中存在的上述问题，本发明提供了一种履带步战车变速机构的健康预测方法、***及存储介质。
为实现上述目的，本发明提供了如下方案：
一种履带步战车变速机构的健康预测方法，包括：
获取履带步战车不同工况下变速机构的监测数据集合；所述监测数据集合中包括多个数据样本；所述数据样本包括连续时序内不同工况下变速机构的运行数据；
采用灰色关联分析法，根据所述监测数据集合确定目标域下运行数据的健康特征、源域下运行数据的健康特征和变速机构源域下的一维健康指标；所述目标域为当前工况；所述源域为与所述当前工况时序相接的历史工况；
确定所述目标域下运行数据的健康特征和所述一维健康指标间的DTW距离；
依据所述DTW距离确定目标域和源域间的公共性能特征，构建公共特征集合；
获取改进鱼群优化SVR综合传动健康预测模型；所述改进鱼群优化SVR综合传动健康预测模型为采用鱼群算法优化后的SVR模型；
采用改进鱼群优化SVR综合传动健康预测模型，以所述公共特征集合为输入确定健康度预测结果。
优选地，所述采用灰色关联分析法，根据所述监测数据集合确定目标域下运行数据的健康特征、源域下运行数据的健康特征和变速机构源域下的一维健康指标，具体包括：
获取所述监测数据集合中的第i个工况下的运行数据序列，记为比较序列；
获取所述监测数据集合中各工况达到设定状态时的指标序列，记为标准序列；
对所述比较序列和所述标准序列进行无量纲处理确定无量纲结果和无量纲指标数据值；
依据所述无量纲结果和所述无量纲指标数据值确定两级最大差值和两级最小差值；
根据所述两级最大差值和所述两级最小差值确定所述比较序列和所述标准序列间的关联系数；所述关联系数即为运行数据的健康特征；
根据所述关联系数确定所述比较序列和所述标准序列间的关联度；所述关联度即为所述一维健康指标；
其中，当第i个工况为当前工况时，确定的运行数据的健康特征即为目标域下运行数据的健康特征；当第i个工况为与当前工况时序相接的历史工况时，确定的运行数据的健康特征即为源域下运行数据的健康特征。
优选地，所述根据所述两级最大差值和所述两级最小差值确定所述比较序列和所述标准序列间的关联系数，之后还包括：
获取采样时间标签；
根据所述采样时间标签对所述关联系数进行排序。
优选地，采用Matlab软件确定目标域下运行数据的健康特征和所述一维健康指标间的DTW距离。
优选地，所述获取改进鱼群优化SVR综合传动健康预测模型，之前还包括：
获取SVR初始模型和人工鱼群的初始化参数；所述初始化参数包括：种群初始数量、视野、步长、最大迭代次数和公告牌个数；
根据所述初始化参数和SVR初始模型确定目标函数；
基于所述目标函数每条人工鱼执行聚群行为和追尾行为时，自适应调整视野和步长；
对比聚群行为和追尾行为产生的结果确定是更新位置还是执行觅食行为；
确定人工鱼个体适应值和公告牌显示的最优值；所述最优值为设定的值；
判断是否满足终止条件；所述终止条件为预设条件；
当满足终止条件时输出最优参数，并根据所述最优参数确定改进鱼群优化SVR综合传动健康预测模型；所述最优参数包括：自适应调整后的视野和步长、人工鱼个体适应值以及公告牌显示的最优值。
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：
本发明提供的履带步战车变速机构的健康预测方法，通过采用灰色关联分析法，根据监测数据集合确定目标域下运行数据的健康特征、源域下运行数据的健康特征和变速机构源域下的一维健康指标；确定目标域下运行数据的健康特征和一维健康指标间的DTW距离；依据DTW距离确定目标域和源域间的公共性能特征，构建公共特征集合；采用改进鱼群优化SVR综合传动健康预测模型，以公共特征集合为输入确定健康度预测结果，能够迅速判断设备健康状态和健康状态变化趋势，节约维修工作人员分析时间，同时具有准确、容错能力强、灵活性高等优点。
对应于上述提供的履带步战车变速机构的健康预测方法，本发明还提供了以下技术方案：
一种履带步战车变速机构的健康预测***，包括：
第一获取模块，用于获取履带步战车不同工况下变速机构的监测数据集合；所述监测数据集合中包括多个数据样本；所述数据样本包括连续时序内不同工况下变速机构的运行数据；
健康特征和指标确定模块，用于采用灰色关联分析法，根据所述监测数据集合确定目标域下运行数据的健康特征、源域下运行数据的健康特征和变速机构源域下的一维健康指标；所述目标域为当前工况；所述源域为与所述当前工况时序相接的历史工况；
DTW距离确定模块，用于确定所述目标域下运行数据的健康特征和所述一维健康指标间的DTW距离；
公共特征集合构建模块，用于依据所述DTW距离确定目标域和源域间的公共性能特征，构建公共特征集合；
健康预测模型获取模块，用于获取改进鱼群优化SVR综合传动健康预测模型；所述改进鱼群优化SVR综合传动健康预测模型为采用鱼群算法优化后的SVR模型；
健康度预测结果确定模块，用于采用改进鱼群优化SVR综合传动健康预测模型，以所述公共特征集合为输入确定健康度预测结果。
优选地，所述健康特征和指标确定模块具体包括：
比较序列获取单元，用于获取所述监测数据集合中的第i个工况下的运行数据序列，记为比较序列；
标准序列获取单元，用于获取所述监测数据集合中各工况达到设定状态时的指标序列，记为标准序列；
无量纲处理单元，用于对所述比较序列和所述标准序列进行无量纲处理确定无量纲结果和无量纲指标数据值；
差值确定单元，用于依据所述无量纲结果和所述无量纲指标数据值确定两级最大差值和两级最小差值；
健康特征确定单元，用于根据所述两级最大差值和所述两级最小差值确定所述比较序列和所述标准序列间的关联系数；所述关联系数即为运行数据的健康特征；
健康指标确定单元，用于根据所述关联系数确定所述比较序列和所述标准序列间的关联度；所述关联度即为所述一维健康指标；
其中，当第i个工况为当前工况时，确定的运行数据的健康特征即为目标域下运行数据的健康特征；当第i个工况为与当前工况时序相接的历史工况时，确定的运行数据的健康特征即为源域下运行数据的健康特征。
优选地，所述健康特征和指标确定模块还包括：
采样时间标签获取单元，用于获取采样时间标签；
排序单元，用于根据所述采样时间标签对所述关联系数进行排序。
优选地，还包括：
第二获取模块，用于获取SVR初始模型和人工鱼群的初始化参数；所述初始化参数包括：种群初始数量、视野、步长、最大迭代次数和公告牌个数；
目标函数确定模块，用于根据所述初始化参数和SVR初始模型确定目标函数；
自适应调整模块，用于基于所述目标函数每条人工鱼执行聚群行为和追尾行为时，自适应调整视野和步长；
对比模块，用于对比聚群行为和追尾行为产生的结果确定是更新位置还是执行觅食行为；
值确定模块，用于确定人工鱼个体适应值和公告牌显示的最优值；所述最优值为设定的值；
判断模块，用于判断是否满足终止条件；所述终止条件为预设条件；
健康预测模型构建模块，用于当满足终止条件时输出最优参数，并根据所述最优参数确定改进鱼群优化SVR综合传动健康预测模型；所述最优参数包括：自适应调整后的视野和步长、人工鱼个体适应值以及公告牌显示的最优值。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令；所述计算机可执行指令设置为执行上述的履带步战车变速机构的健康预测方法。
因本发明提供的履带步战车变速机构的健康预测***和计算机可读存储介质达到的技术效果与上述提供的履带步战车变速机构的健康预测方法达到的技术效果相同，故在此不再进行赘述。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的履带步战车变速机构的健康预测方法的流程图；
图2为本发明提供的履带步战车变速机构的健康预测方法的整体流程图；
图3为本发明提供的人工鱼群算法模型图；
图4为本发明实施例提供的综合传动装置组成的结构方框图；
图5为本发明实施例提供的综合传动装置的工作原理图；
图6为本发明实施例提供的档位与离合器组合对照图；
图7为本发明实施履带步战车变速机构的健康预测方法时采用的油压信号调理模块电路原理图；
图8为本发明实施履带步战车变速机构的健康预测方法时采用的采集卡硬件电路原理图；
图9为本发明实施履带步战车变速机构的健康预测方法时采用的A/D转换电路原理图；
图10为本发明实施履带步战车变速机构的健康预测方法时采用的CAN总线节点电路原理图；
图11为本发明提供的履带步战车变速机构的健康预测***的结构示意图。
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履带步战车变速机构的健康预测方法、***及存储介质，以在提高健康检测实时性的同时，对传动装置的健康进行灵活、精确的预测。
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4和图5所示，是履带步战车综合传动装置的结构框图和工作原理图。基于该种履带步战车综合传动装置的变速机构，本发明采用通过先对单个功能部件进行评价分析，再上升到对整个综合传动装置变速机构进行评价分析的层次分析方法。并根据有的功能部件参与全部工况的执行，标准工作值固定不变。有的功能部件则是参与部分工况的执行，标准工作值根据工况变化而改变的问题，本发明根据标准工作值跟随工况变化与否，将监测信号划分成固定信号和变工况信号，确定那些功能部件的监测信号为变工况信号，那些功能部件的监测信号为固定信号，分析二者之间的相互影响关系，这样就可通过对各功能模块中功能部件的健康预测，便可实现对整个综合转动装置变速机构的健康预测。
基于以上技术构思，本发明提供了一种履带步战车变速机构的健康预测方法，如图1所示，该健康预测方法包括：
步骤100：获取履带步战车不同工况下变速机构的监测数据集合。监测数据集合中包括多个数据样本。数据样本包括连续时序内不同工况下变速机构的运行数据。
步骤101：采用灰色关联分析法，根据监测数据集合确定目标域下运行数据的健康特征、源域下运行数据的健康特征和变速机构源域下的一维健康指标。目标域为当前工况。源域为与当前工况时序相接的历史工况。
步骤102：确定目标域下运行数据的健康特征和一维健康指标间的DTW距离。优选地，本发明借助MATLAB工具求取DTW距离。
步骤103：依据DTW距离确定目标域和源域间的公共性能特征，构建公共特征集合。
步骤104：获取改进鱼群优化SVR综合传动健康预测模型。改进鱼群优化SVR综合传动健康预测模型为采用鱼群算法优化后的SVR模型。
步骤105：采用改进鱼群优化SVR综合传动健康预测模型，以公共特征集合为输入确定健康度预测结果。
在上述步骤100获取履带步战车不同工况下变速机构的监测数据集合的时候，本发明对其可监测信号按性质进行划分为固定信号和变工况信号。其中，固定信号为：操纵***定压阀压力、液力变矩器入口压力、液力变矩器出口压力、变矩器闭锁离合器油压、润滑***油压、液压油温度等。变工况信号为：CL、CH、C1、C2、C3离合器油压，涡轮转速、一轴转速、二轴转速、三轴转速等。综合传动装置变速机构组成功能部件包含CL、CH、C1、C2、C3离合器，离合器性能受到液压循环***定压阀压力、液压油温度和润滑油压力影响。综合传动具有变工况的工作特点，根据行驶速度的需要而进行档位变换，根据6种档位变化可分为6个工况情况。换挡离合器分为充油和泄压两种工作状态，参与工况执行时，离合器充油。不参与工况时离合器泄压。因此，在不同的工况下对同一变速机构进行重复实验，可得到来自时序上连续不同工况下5个离合器的监测数据集合。令某个工况下的监测数据为
Figure BDA0003049525730000091
其中包含ns个样本，令样本
Figure BDA0003049525730000092
属于样本空间χs，其满足边缘概率分布P(χs)。另一工况下监测数据为
Figure BDA0003049525730000093
其中包含nt个样本，令样本
Figure BDA0003049525730000094
属于样本空间χt，其满足边缘概率分布P(xt)。由于战车行驶过程中路况变化等因素影响，导致综合传动装置运行工况不断变化，而在不同工况下功能部件受到的外部影响是不同的，因此不同工况下功能部件运行数据分布差异较大，因此基于统计分析理论有P(χs)≠P(χt)。
而设备从健康状态到发生故障的过程中，不同工况下，同类型号或同一功能部件的性能退化趋势具有明显差异，因此需要在相近工况中寻找相关的退化信息，辅助建立预测模型。某一工况下，某功能部件(模块)运行数据样本空间为χs，该空间服从概率分布P(χs)，χs和P(χs)共同构成源领域Ds，有DS＝{χs,P(χs)}，可作为目标领域RUL预测的参考。另一工况下，子***(部件)运行数据样本空间为χt，该空间服从概率分布P(χt)，χt和P(χt)共同构成目标领域Dt,有Dt＝{xt,P(χs)}，目标域中数据样本具有数量少的特点，且要满足预测精准、快速的要求。基于以上数据的具体划分，提取连续时间顺序下各连续工况下的各离合器运行数据。
为了进一步提高健康预测的准确性，上述步骤101的具体实施过程为：
步骤101-1、获取监测数据集合中的第i个工况下的运行数据序列，记为比较序列。其中，比较序列为Bi＝{bi(k)|i＝1,2,...,n；k＝1,2,...,m}，n为工况个数。
步骤101-2、获取监测数据集合中各工况达到设定状态(最佳状态)时的指标序列，记为标准序列。其中，标准序列为Bi＝{bi(k)|i＝1,2,...,n；k＝1,2,...,m}，m为达到最佳状态的工况个数。
步骤101-3、对比较序列和标准序列进行无量纲处理确定无量纲结果和无量纲指标数据值。具体的：
由于设备运行参数数据的量纲不同，因此要对采样数据进行无量纲处理。采用初值法这一常用无量纲处理方法进行无量纲处理，得到的无量纲结果如式(1)所示：
Figure BDA0003049525730000101
式中，i＝1,2,...,n,k＝1,2,...,m，n为工况个数，xi,j(0)为第i工况下标准指标序列的第j个指标的标准值。
步骤101-4、依据无量纲结果和无量纲指标数据值确定两级最大差值和两级最小差值。具体的：
计算各工况下采样数据序列与所属工况下指标数据序列所对应元素差的绝对值，即Δi,j(k)＝|x′i,j(k)-b′i(k)|，其中b′i(k)为去量纲后的指标数据值。分别找出两极最大差
Figure BDA0003049525730000102
和两极最小差
Figure BDA0003049525730000103
步骤101-5、根据两级最大差值和两级最小差值确定比较序列和标准序列间的关联系数。关联系数即为运行数据的健康特征。具体的：
采用两极最大差
Figure BDA0003049525730000104
和两极最小差
Figure BDA0003049525730000105
得到采样序列中各因素关联系数如公式(2)所示：
Figure BDA0003049525730000111
式中，ρ∈(0，∞)，称为分辨系数，通常取ρ＝0.5。
步骤101-6、根据关联系数确定比较序列和标准序列间的关联度。关联度即为一维健康指标。具体的：
每个采样序列与所属工况标准序列的关联度由采样序列中各因素的关联系数综合水平决定，求出其平均值即可得到采样序列与所属工况标准序列的关联度如下式(3)所示：
Figure BDA0003049525730000112
关联度与关联系数值越接近1，表明与标准序列及其指标的相似度越高，说明该时刻健康状态和指标健康程度越好，反之越差。本发明中将指标的关联系数特征抽象为时序下部件的健康指标hi,j，将关联度抽象为***设备整体的健康指标HI。其中，当第i个工况为当前工况时，确定的运行数据的健康特征即为目标域下运行数据的健康特征。当第i个工况为与当前工况时序相接的历史工况时，确定的运行数据的健康特征即为源域下运行数据的健康特征。
而为了提高处理的实时性，在上述步骤步骤101-5之后还优选包括：
获取采样时间标签。
根据采样时间标签对关联系数进行排序。
本发明上述步骤104获取的改进鱼群优化SVR综合传动健康预测模型的具体建立过程为：
获取SVR初始模型和人工鱼群的初始化参数。初始化参数包括：种群初始数量、视野、步长、最大迭代次数和公告牌个数。
根据初始化参数和SVR初始模型确定目标函数。
基于目标函数每条人工鱼执行聚群行为和追尾行为时，自适应调整视野和步长。
对比聚群行为和追尾行为产生的结果确定是更新位置还是执行觅食行为。
确定人工鱼个体适应值和公告牌显示的最优值。最优值为设定的值。
判断是否满足终止条件。终止条件为预设条件。
当满足终止条件时输出最优参数，并根据最优参数确定改进鱼群优化SVR综合传动健康预测模型。最优参数包括：自适应调整后的视野和步长、人工鱼个体适应值以及公告牌显示的最优值。
基于以上提供的履带步战车变速机构的健康预测方法的具体实施流程，其整体实施步骤如图2所示。
下面以如图6所示的档位与离合器组合为例，对本发明提供的上述健康预测方法的优点进行说明。在具体应用过程中，本发明提供的上述技术方案还适用于其他档位与离合器组合形式。
针对一种履带式步战车综合传动装置变工况的工作特点，其由CL、CH、C1、C2、C3这5个换挡离合构成，通过档位组合构成1、2、3、4、5、6档位(见图6)，进而产生对应的6个速度工况，工况变化导致各个离合器的运行数据分布不同，分析不同工况下同一变速机构和同类型离合器能退化趋势的差异性。运用灰色关联分析方法提取源域和目标域工况内时序退化特征作为各部件健康指标，并构建***一维时序健康指标HI，通过DTW分析得到目标域特征与源域上***一维时序健康指标HI的关联度，提取时序上源域与目标域的公共性能退化信息。最后构建面向健康预测(对健康指标进行预测)的基于鱼群算法改进的SVR模型，进行健康预测，并设计健康预测***，介绍硬件组成部分。设计得到的硬件包括：油压信号调理模块电路、采集卡硬件电路、A/D转换电路和CAN总线节点电路。各电路的电路原理图请参见图7至图10。
其中，硬件采用的电源输出电压为24V DC(稳压)，油压信号调理模块电路是将油压传感器信号调理放大为0-10V直流电压信号，便于A/D转换电路进行模数转化。采集卡硬件电路由ECU负责完成，采集芯片选用C8051F500。采集卡的A/D转换精度为10位。通讯模块采用基于CAN总线的通讯方式。
例如：两个离合器处于充油状态，另外三个离合器处于泄压状态。基于同型部件性能一致性，各挡工况下离合器充油与泄压理想值均一致，提取1挡工况下各离合器的临界故障数据进行灰色关联分析，得到1挡工况下临界故障时的健康指标特征：
H1＝[0.6705 0.3391 0.6705 0.3391 0.3391]
变速机构临界故障健康指标为：HIf＝0.4716。为预防故障的突发性影响，令离合器充油工况时临界故障关联系数特征为hc＝0.7，泄压工况时临界故障关联系数特征hx＝0.35，变速机构临界故障特征值HIf＝0.5。即低于上述数值则认为部件和***进入故障模式。
第i工况下第j个离合器充油工况关联系数特征值为
Figure BDA0003049525730000131
泄压工况关联系数特征值为
Figure BDA0003049525730000132
充油工况时关联系数特征值与泄压工况时关联系数特征值转换公式为：
Figure BDA0003049525730000133
Figure BDA0003049525730000134
SVR通过结构风险最小化原则可以避免对样本数据量的高度依赖，是一种基于少量数据的学习方法。已知数据集{(xi,yi),i＝1,2,...,n}，通过非线性变换将数据集中的x从低维空间映射到高维度空间，进而在高维空间实现非线性拟合。线性回归模型如下：
Figure BDA0003049525730000135
式中：
Figure BDA0003049525730000136
为非线性变换函数。y为变量输入后产生的计算结果。ωT为系数向量的转置。b为偏置项。通过引入不敏感损失函数ε、惩罚系数C及松弛系数因子ξi和
Figure BDA0003049525730000137
根据正则化风险最小原则，引申为解最优化问题：
Figure BDA0003049525730000141
上式引入拉格朗日乘子
Figure BDA0003049525730000146
转化最优问题为：
Figure BDA0003049525730000142
其中，K(xi·xj)为核函数，对以上进行求解得到支持向量回归机的决策函数：
Figure BDA0003049525730000143
鉴于对各类数据适应性好以及对参数的数量要求不高的优点，选取高斯核函数(RBF)，令核函数的参数为
Figure BDA0003049525730000144
得到
Figure BDA0003049525730000145
计算目标域每个部件的特征与HI的相似度，根据相似程度的大小提取与HI相近的特征，构成公共特征集，从而实现退化趋势特征的迁移。DTW能够用来度量两个长度不一致数列的相似程度，因此采用DTW计算所提取特征与HI的相似程度，构建出公共特征空间R。
人工鱼群算法借鉴了自然界鱼群觅食行为而发明的一种优化算法，其基本思想是鱼群会自发的聚集到食物浓度最高的区域，具有寻优能力强、全局收敛性好、不易陷入局部最优、对初值不敏感、鲁棒性强等优点。
假设鱼群中人工鱼的大小为N，人工鱼群的状态位置集合为X＝(x1,x2,...,xn)在解决优化问题过程中，每条人工鱼抽象为对应问题的一个可能的最优解，人工鱼活动的区域对应于待优化函数的解的空间，食物的浓度值对应为目标函数。因此人工鱼会通过对比其所处位置与视野范围内的食物浓度，而自发的聚集到食物浓度最高的区域而实现寻优，原理模型如图3所示。令其视野范围为V(简称视野)，单次移动最大步长为S(简称步长)，食物浓度为P，人工鱼群算法包含如下行为：
觅食行为：人工鱼所处位置为0，在其视野内进行随机搜索，当发现搜索方向出现目标xnext＝8，则向xnext＝8方向移动并抵达该点，而其他人工鱼的位置为xi(i＝1,2...,n)，每条人工鱼的觅食行为可表示为:
xnext＝x+V·θ i＝1,2,...,n。θ∈(0,1) (10)
聚群行为：k时刻人工鱼
Figure BDA0003049525730000151
的邻域范围呢伙伴鱼的数量为np＝10，其中心位置的人工鱼为xc，若存在pc/np＞Δpc(Δ为人工鱼群的拥挤程度)，则向伙伴中心发生一步位移后k+1时刻的位置为：
Figure BDA0003049525730000152
追尾行为：当k时刻的人工鱼
Figure BDA0003049525730000158
搜索其邻域内处在最大食物浓度的伙伴位置为xmax，若pmax/np＞Δpc，则表明最大食物浓度处具有较高食物浓度，且不存在拥挤情况，则向xmax发生一步位移后在k+1时刻的位置为：
Figure BDA0003049525730000153
随机行为：在觅食行为介绍中，当k时刻人工鱼
Figure BDA0003049525730000154
试探ntmax次后，不满足前进条件的情况，人工鱼会在视野V中随机选取一个状态，发生一步位移后在k+1时刻的位置为：
Figure BDA0003049525730000155
k时刻人工鱼
Figure BDA0003049525730000156
的邻域内xj的食物浓度pj大于当前位置的食物浓度pi，则向xj发生一步位移后k+1时刻的位置为：
Figure BDA0003049525730000157
若试探ntmax＝5次后，不满足前进条件，则执行随机行为。
不满足前进条件，则执行觅食行为。
公告牌是指：显示每次寻优中表现最佳的人工鱼的状态位置xbest及该位置的食物浓度pbest。
人工鱼群算法及其改进基本鱼群算法中视野V＝10，步长S＝3均为定值。虽然在算法早期视野和步长取较大的值可以减少迭代次数，加快收敛至最优解的速度，而算法后期，人工鱼都集中在最优解附近，这样会在最优解附近产生震荡，降低了寻优的精度，因此在算法后期就需要视野和步长的取值要小，以满足对快速确定最优解的需要。并且，采用变化视野和步长的思路，令二者的值随着领域结构的改变而变化，令视野和步长在算法早期保持在一个较大值，以快速实现全局寻优，在算法后期减小视野和步长的值，以提升搜索的精确度，确定最优解，基于这一目的，本发明引入一个调节因子κ＝0.5来根据需要对视野和步长进行调节：
Figure BDA0003049525730000161
Figure BDA0003049525730000162
当前时刻的迭代次数25。最大迭代次数62。λ为正整数，取值2。v0＝10和s0＝5为初始设置值。算法在最开始进行时，给定人工鱼初始视野和步长以较大的值，使其尽快确定最优解的邻域范围，加快收敛速度，算法后期步长在公式(15)和(16)的调整下确定出合适的视野和步长值，提升搜索精度，尽快确定最优解。当步长值减小至初始步长的一半时，停止调整，避免视野值过小导致收敛速度下降或陷入局部最优。
淘汰机制：算法在迭代过程中，当次数超过一定数值后其收敛速度明显放缓，针对该现象引入一个淘汰机制，即当迭代次数超过最大迭代次数Nmax＝62的一半时，若存在人工鱼xi的目标函数小于之前迭代过程中最优值的一半时，则淘汰xi；为了防止陷入局部最优，需要保持鱼群的多样性，当鱼群大小减少至15时，淘汰停止。
为了提升交叉验证选择的效果，采用改进鱼群算法对SVR的指标参数进行优化，将综合传动装置采样数据与对应工况下的标准序列进行灰色关联分析得出各工况采样数据序列与标准序列的灰色关联度，及各指标的关联系数。将关联系数抽象为对应指标的健康程度，将其作为SVR模型的输入，进行模型训练及检验，通过迭代寻优的方式确定出SVR的最优参数，其优化预测模型流程如图2所示。
人工鱼群的初始化，设置种群数量N＝100、视野V＝10、步长S＝3、觅食过程中最大尝试次数ntmax＝4、人工鱼群的拥挤程度Δ＝8、最大迭代次数Nmax＝62、公告牌个数为3；确定SVR模型中惩罚系数C＝0.707和核函数系数δ＝1.45的取值范围。
将综合传动装置运行的历史监测数据按工况分类，按照时间顺序排列，进行灰色关联处理，将处理后的数据按时间标签顺序恢复排列，并作为SVR的输入及输出值，选取SVR模型的C和δ作为优化待参数，以训练数据的均方根误差倒数作为改进鱼群算法的适应度目标函数，设定最大值为寻优目标，保存至公告牌
每条人工鱼自适应的调整视野和步长，来执行相关行为，对比行为结果对视野和步长的值进行适当调节。之后计算各个人工鱼的适应值，在公告牌上显示对比结果，并在其上显示最优值。
判断是否到达最大迭代次数或者所设淘汰机制的终止条件，满足条件则输出最优参数值。
当寻优完成后，将寻得的最优参数作为SVR的最优参数，建立起改进鱼群优化SVR综合传动健康预测模型。
将测试数据输入注入模型，进行测试，得出预测结果，并将实际值与预测值进行误差对比分析。
迁移学习是能够将已有知识或经验用来解决新问题的一种机制，能够提升历史信息的复用性，提高目标域的学习效果，适用于小样本环境，而行驶中的步战车转向***中转向架具有信息量大、随机性强、特征重复再现性不佳等特点，迁移学习适用于分析这类数据信息。能够迁移不同工况下的性能特征，迁移同设备在不同工况下***潜在状态所发生的变化特征，实现对设备状态的实时观测与估计、预测。
本发明提供的上述技术方案，实质是结合迁移学习概念提出了一种综合传动装置变速结构***健康预测方法，这种方法可以迅速判断设备健康状态和健康状态变化趋势，节约了维修工作人员分析时间。首次将迁移学习方法用到综合转动装置变速机构***健康预测中，利用有限状态的来模拟变速机构在运行过程中不同的工况状态。试验证明该方法应用于变速机构的健康预测是可行的。
其中，采用灰色关联分析提取源域和目标域内时序退化特征作为各部件健康指标，构建1维时序健康指标，通过动态时间规整运算得到目标域特征与健康指标的关联度，提取源域与目标域的公共退化信息，构建面向健康预测的支持向量回归模型进行健康预测，并以传动装置的变速结构为例进行验证。结果表明，基于迁移学习的健康预测结果更贴合实际健康变化趋势，有助于维修人员更为准确的判断传动装置的健康状态。通过预测实例证明了该方法具有准确、容错能力强、灵活性高等优点。
对应于上述提供的履带步战车变速机构的健康预测方法，本发明还提供了一种履带步战车变速机构的健康预测***，如图11所示，该健康预测***包括：第一获取模块1、健康特征和指标确定模块2、DTW距离确定模块3、公共特征集合构建模块4、健康预测模型获取模块5和健康度预测结果确定模块6。
其中，第一获取模块1用于获取履带步战车不同工况下变速机构的监测数据集合。监测数据集合中包括多个数据样本。数据样本包括连续时序内不同工况下变速机构的运行数据。
健康特征和指标确定模块2用于采用灰色关联分析法，根据监测数据集合确定目标域下运行数据的健康特征、源域下运行数据的健康特征和变速机构源域下的一维健康指标。目标域为当前工况。源域为与当前工况时序相接的历史工况。
DTW距离确定模块3用于确定目标域下运行数据的健康特征和一维健康指标间的DTW距离。
公共特征集合构建模块4用于依据DTW距离确定目标域和源域间的公共性能特征，构建公共特征集合。
健康预测模型获取模块5用于获取改进鱼群优化SVR综合传动健康预测模型。改进鱼群优化SVR综合传动健康预测模型为采用鱼群算法优化后的SVR模型。
健康度预测结果确定模块6用于采用改进鱼群优化SVR综合传动健康预测模型，以公共特征集合为输入确定健康度预测结果。
作为本发明的一优选实施例，上述采用的健康特征和指标确定模块2具体包括：比较序列获取单元、标准序列获取单元、无量纲处理单元、差值确定单元、健康特征确定单元和健康指标确定单元。
其中，比较序列获取单元用于获取监测数据集合中的第i个工况下的运行数据序列，记为比较序列。
标准序列获取单元用于获取监测数据集合中各工况达到设定状态时的指标序列，记为标准序列。
无量纲处理单元用于对比较序列和标准序列进行无量纲处理确定无量纲结果和无量纲指标数据值。
差值确定单元用于依据无量纲结果和无量纲指标数据值确定两级最大差值和两级最小差值。
健康特征确定单元用于根据两级最大差值和两级最小差值确定比较序列和标准序列间的关联系数。关联系数即为运行数据的健康特征。
健康指标确定单元用于根据关联系数确定比较序列和标准序列间的关联度。关联度即为一维健康指标。
其中，当第i个工况为当前工况时，确定的运行数据的健康特征即为目标域下运行数据的健康特征。当第i个工况为与当前工况时序相接的历史工况时，确定的运行数据的健康特征即为源域下运行数据的健康特征。
作为本发明的另一优选实施例，健康特征和指标确定模块2还包括：采样时间标签获取单元和排序单元。
其中，采样时间标签获取单元用于获取采样时间标签。
排序单元用于根据采样时间标签对关联系数进行排序。
作为本发明的又一优选实施例，本发明提供的履带步战车变速机构的健康预测***还包括：第二获取模块、目标函数确定模块、自适应调整模块、对比模块、值确定模块、判断模块和健康预测模型构建模块。
其中，第二获取模块用于获取SVR初始模型和人工鱼群的初始化参数。初始化参数包括：种群初始数量、视野、步长、最大迭代次数和公告牌个数。
目标函数确定模块用于根据初始化参数和SVR初始模型确定目标函数。
自适应调整模块用于基于目标函数每条人工鱼执行聚群行为和追尾行为时，自适应调整视野和步长。
对比模块用于对比聚群行为和追尾行为产生的结果确定是更新位置还是执行觅食行为。
值确定模块用于确定人工鱼个体适应值和公告牌显示的最优值。最优值为设定的值。
判断模块用于判断是否满足终止条件。终止条件为预设条件。
健康预测模型构建模块用于当满足终止条件时输出最优参数，并根据最优参数确定改进鱼群优化SVR综合传动健康预测模型。最优参数包括：自适应调整后的视野和步长、人工鱼个体适应值以及公告牌显示的最优值。
此外，还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令。计算机可执行指令设置为执行上述的履带步战车变速机构的健康预测方法。
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***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 (10)

1.一种履带步战车变速机构的健康预测方法，其特征在于，包括：
获取履带步战车不同工况下变速机构的监测数据集合；所述监测数据集合中包括多个数据样本；所述数据样本包括连续时序内不同工况下变速机构的运行数据；
采用灰色关联分析法，根据所述监测数据集合确定目标域下运行数据的健康特征、源域下运行数据的健康特征和变速机构源域下的一维健康指标；所述目标域为当前工况；所述源域为与所述当前工况时序相接的历史工况；
确定所述目标域下运行数据的健康特征和所述一维健康指标间的DTW距离；
依据所述DTW距离确定目标域和源域间的公共性能特征，构建公共特征集合；
获取改进鱼群优化SVR综合传动健康预测模型；所述改进鱼群优化SVR综合传动健康预测模型为采用鱼群算法优化后的SVR模型；
采用改进鱼群优化SVR综合传动健康预测模型，以所述公共特征集合为输入确定健康度预测结果。
2.根据权利要求1所述的履带步战车变速机构的健康预测方法，其特征在于，所述采用灰色关联分析法，根据所述监测数据集合确定目标域下运行数据的健康特征、源域下运行数据的健康特征和变速机构源域下的一维健康指标，具体包括：
获取所述监测数据集合中的第i个工况下的运行数据序列，记为比较序列；
获取所述监测数据集合中各工况达到设定状态时的指标序列，记为标准序列；
对所述比较序列和所述标准序列进行无量纲处理确定无量纲结果和无量纲指标数据值；
依据所述无量纲结果和所述无量纲指标数据值确定两级最大差值和两级最小差值；
根据所述两级最大差值和所述两级最小差值确定所述比较序列和所述标准序列间的关联系数；所述关联系数即为运行数据的健康特征；
根据所述关联系数确定所述比较序列和所述标准序列间的关联度；所述关联度即为所述一维健康指标；
其中，当第i个工况为当前工况时，确定的运行数据的健康特征即为目标域下运行数据的健康特征；当第i个工况为与当前工况时序相接的历史工况时，确定的运行数据的健康特征即为源域下运行数据的健康特征。
3.根据权利要求2所述的履带步战车变速机构的健康预测方法，其特征在于，所述根据所述两级最大差值和所述两级最小差值确定所述比较序列和所述标准序列间的关联系数，之后还包括：
获取采样时间标签；
根据所述采样时间标签对所述关联系数进行排序。
4.根据权利要求1所述的履带步战车变速机构的健康预测方法，其特征在于，采用Matlab软件确定目标域下运行数据的健康特征和所述一维健康指标间的DTW距离。
5.根据权利要求1所述的履带步战车变速机构的健康预测方法，其特征在于，所述获取改进鱼群优化SVR综合传动健康预测模型，之前还包括：
获取SVR初始模型和人工鱼群的初始化参数；所述初始化参数包括：种群初始数量、视野、步长、最大迭代次数和公告牌个数；
根据所述初始化参数和SVR初始模型确定目标函数；
基于所述目标函数每条人工鱼执行聚群行为和追尾行为时，自适应调整视野和步长；
对比聚群行为和追尾行为产生的结果确定是更新位置还是执行觅食行为；
确定人工鱼个体适应值和公告牌显示的最优值；所述最优值为设定的值；
判断是否满足终止条件；所述终止条件为预设条件；
当满足终止条件时输出最优参数，并根据所述最优参数确定改进鱼群优化SVR综合传动健康预测模型；所述最优参数包括：自适应调整后的视野和步长、人工鱼个体适应值以及公告牌显示的最优值。
6.一种履带步战车变速机构的健康预测***，其特征在于，包括：
第一获取模块，用于获取履带步战车不同工况下变速机构的监测数据集合；所述监测数据集合中包括多个数据样本；所述数据样本包括连续时序内不同工况下变速机构的运行数据；
健康特征和指标确定模块，用于采用灰色关联分析法，根据所述监测数据集合确定目标域下运行数据的健康特征、源域下运行数据的健康特征和变速机构源域下的一维健康指标；所述目标域为当前工况；所述源域为与所述当前工况时序相接的历史工况；
DTW距离确定模块，用于确定所述目标域下运行数据的健康特征和所述一维健康指标间的DTW距离；
公共特征集合构建模块，用于依据所述DTW距离确定目标域和源域间的公共性能特征，构建公共特征集合；
健康预测模型获取模块，用于获取改进鱼群优化SVR综合传动健康预测模型；所述改进鱼群优化SVR综合传动健康预测模型为采用鱼群算法优化后的SVR模型；
健康度预测结果确定模块，用于采用改进鱼群优化SVR综合传动健康预测模型，以所述公共特征集合为输入确定健康度预测结果。
7.根据权利要求6所述的履带步战车变速机构的健康预测***，其特征在于，所述健康特征和指标确定模块具体包括：
比较序列获取单元，用于获取所述监测数据集合中的第i个工况下的运行数据序列，记为比较序列；
标准序列获取单元，用于获取所述监测数据集合中各工况达到设定状态时的指标序列，记为标准序列；
无量纲处理单元，用于对所述比较序列和所述标准序列进行无量纲处理确定无量纲结果和无量纲指标数据值；
差值确定单元，用于依据所述无量纲结果和所述无量纲指标数据值确定两级最大差值和两级最小差值；
健康特征确定单元，用于根据所述两级最大差值和所述两级最小差值确定所述比较序列和所述标准序列间的关联系数；所述关联系数即为运行数据的健康特征；
健康指标确定单元，用于根据所述关联系数确定所述比较序列和所述标准序列间的关联度；所述关联度即为所述一维健康指标；
其中，当第i个工况为当前工况时，确定的运行数据的健康特征即为目标域下运行数据的健康特征；当第i个工况为与当前工况时序相接的历史工况时，确定的运行数据的健康特征即为源域下运行数据的健康特征。
8.根据权利要求7所述的履带步战车变速机构的健康预测***，其特征在于，所述健康特征和指标确定模块还包括：
采样时间标签获取单元，用于获取采样时间标签；
排序单元，用于根据所述采样时间标签对所述关联系数进行排序。
9.根据权利要求6所述的履带步战车变速机构的健康预测***，其特征在于，还包括：
第二获取模块，用于获取SVR初始模型和人工鱼群的初始化参数；所述初始化参数包括：种群初始数量、视野、步长、最大迭代次数和公告牌个数；
目标函数确定模块，用于根据所述初始化参数和SVR初始模型确定目标函数；
自适应调整模块，用于基于所述目标函数每条人工鱼执行聚群行为和追尾行为时，自适应调整视野和步长；
对比模块，用于对比聚群行为和追尾行为产生的结果确定是更新位置还是执行觅食行为；
值确定模块，用于确定人工鱼个体适应值和公告牌显示的最优值；所述最优值为设定的值；
判断模块，用于判断是否满足终止条件；所述终止条件为预设条件；
健康预测模型构建模块，用于当满足终止条件时输出最优参数，并根据所述最优参数确定改进鱼群优化SVR综合传动健康预测模型；所述最优参数包括：自适应调整后的视野和步长、人工鱼个体适应值以及公告牌显示的最优值。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令；所述计算机可执行指令设置为执行如权利要求1-5任意一项所述的履带步战车变速机构的健康预测方法。
CN202110481754.3A 2021-04-30 2021-04-30 履带步战车变速机构的健康预测方法、***及存储介质 Active CN113065200B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110481754.3A CN113065200B (zh) 2021-04-30 2021-04-30 履带步战车变速机构的健康预测方法、***及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110481754.3A CN113065200B (zh) 2021-04-30 2021-04-30 履带步战车变速机构的健康预测方法、***及存储介质

Publications (2)

Publication Number Publication Date
CN113065200A true CN113065200A (zh) 2021-07-02
CN113065200B CN113065200B (zh) 2021-11-16

Family

ID=76568179

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110481754.3A Active CN113065200B (zh) 2021-04-30 2021-04-30 履带步战车变速机构的健康预测方法、***及存储介质

Country Status (1)

Country Link
CN (1) CN113065200B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114252261A (zh) * 2021-12-21 2022-03-29 沈阳顺义科技有限公司 一种综合传动装置转向***故障诊断方法及***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012168001A1 (en) * 2011-06-09 2012-12-13 Thomson Licensing Method and device for detecting an object in an image
CN108197411A (zh) * 2018-02-05 2018-06-22 哈工大机器人（合肥）国际创新研究院 一种基于人工鱼群算法的摆线轮齿廓修形量优化方法
CN110516835A (zh) * 2019-07-05 2019-11-29 电子科技大学 一种基于人工鱼群算法的多变量灰色模型优化方法
CN111024433A (zh) * 2019-12-30 2020-04-17 辽宁大学 一种改进灰狼算法优化支持向量机的工业装备健康状态检测方法
CN111582392A (zh) * 2020-05-12 2020-08-25 河北工业大学 一种风电机组关键部件多工况健康状态在线监测方法
CN112163297A (zh) * 2020-09-30 2021-01-01 厦门科灿信息技术有限公司 设备健康预测***

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012168001A1 (en) * 2011-06-09 2012-12-13 Thomson Licensing Method and device for detecting an object in an image
CN108197411A (zh) * 2018-02-05 2018-06-22 哈工大机器人（合肥）国际创新研究院 一种基于人工鱼群算法的摆线轮齿廓修形量优化方法
CN110516835A (zh) * 2019-07-05 2019-11-29 电子科技大学 一种基于人工鱼群算法的多变量灰色模型优化方法
CN111024433A (zh) * 2019-12-30 2020-04-17 辽宁大学 一种改进灰狼算法优化支持向量机的工业装备健康状态检测方法
CN111582392A (zh) * 2020-05-12 2020-08-25 河北工业大学 一种风电机组关键部件多工况健康状态在线监测方法
CN112163297A (zh) * 2020-09-30 2021-01-01 厦门科灿信息技术有限公司 设备健康预测***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YINGSHUN LI ET AL.: "Study on Engine Wear Position Based on Oil Monitoring and Grey Relational Analysis", 《2020 11TH INTERNATIONAL CONFERENCE ON PROGNOSTICS AND SYSTEM HEALTH MANAGEMENT》 *
肖宇，等: "某型步战车传动装置润滑***性能预测方法的研究", 《武器工业与军事技术》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114252261A (zh) * 2021-12-21 2022-03-29 沈阳顺义科技有限公司 一种综合传动装置转向***故障诊断方法及***
CN114252261B (zh) * 2021-12-21 2024-03-08 沈阳顺义科技股份有限公司 一种综合传动装置转向***故障诊断方法及***

Also Published As

Publication number Publication date
CN113065200B (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
CN109947086B (zh) 基于对抗学习的机械故障迁移诊断方法及***
Byington et al. Data-driven neural network methodology to remaining life predictions for aircraft actuator components
CN112633339A (zh) 轴承故障智能诊断方法、诊断***、计算机设备及介质
CN106446317A (zh) 一种基于数学模型的密封式继电器贮存寿命预测方法
CN114266278B (zh) 一种基于双重注意力网络的设备剩余使用寿命预测方法
CN112785091A (zh) 一种对油田电潜泵进行故障预测与健康管理的方法
Li et al. A novel intelligent fault diagnosis method of rotating machinery based on signal-to-image mapping and deep Gabor convolutional adaptive pooling network
CN112668804A (zh) 一种地波雷达船只断裂航迹预测方法
CN113065200B (zh) 履带步战车变速机构的健康预测方法、***及存储介质
Verma et al. Gas turbine diagnostics using a soft computing approach
CN113723007A (zh) 基于DRSN和麻雀搜索优化BiLSTM的机械设备剩余寿命预测方法
CN116385278B (zh) 一种低光照图像视觉特征自监督表示方法和***
CN112785081A (zh) 油温预测方法、装置、电子设备和存储介质
Zhu et al. Prediction of bearing remaining useful life based on DACN-ConvLSTM model
Gong et al. Coordinated method fusing improved bubble entropy and artificial Gorilla Troops Optimizer optimized KELM for rolling bearing fault diagnosis
Prakash et al. Internal leakage detection in a hydraulic pump using exhaustive feature selection and ensemble learning
CN116662743A (zh) 一种基于多模态深度学习的发动机剩余寿命预测方法
Shi et al. Intelligent fault diagnosis of rolling mills based on dual attention-guided deep learning method under imbalanced data conditions
Taşabat et al. Using long-short term memory networks with genetic algorithm to predict engine condition
Rathore et al. Roller bearing failure analysis using gaussian mixture models and convolutional neural networks
Esfahani et al. Remaining useful life prognostics based on stochastic degradation modeling: turbofan engine as case study
CN105547705A (zh) 发动机性能退化趋势预测方法
Huang et al. A novel multi-scale competitive network for fault diagnosis in rotating machinery
Yu et al. Remaining useful life prediction based on multi-scale residual convolutional network for aero-engine
Luo et al. A novel method for remaining useful life prediction of roller bearings involving the discrepancy and similarity of degradation trajectories

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