CN116449135A - 一种机电***部件健康状态确定方法、***及电子设备 - Google Patents
一种机电***部件健康状态确定方法、***及电子设备 Download PDFInfo
- Publication number
- CN116449135A CN116449135A CN202310421466.8A CN202310421466A CN116449135A CN 116449135 A CN116449135 A CN 116449135A CN 202310421466 A CN202310421466 A CN 202310421466A CN 116449135 A CN116449135 A CN 116449135A
- Authority
- CN
- China
- Prior art keywords
- component
- degradation
- health
- electromechanical
- electromechanical system
- 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
- 230000036541 health Effects 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000006731 degradation reaction Methods 0.000 claims abstract description 58
- 230000015556 catabolic process Effects 0.000 claims abstract description 56
- 230000004927 fusion Effects 0.000 claims abstract description 47
- 230000003862 health status Effects 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 59
- 230000009471 action Effects 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 23
- 230000002787 reinforcement Effects 0.000 claims description 16
- 230000003993 interaction Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 10
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000011005 laboratory method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/003—Environmental or reliability tests
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/092—Reinforcement learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Environmental & Geological Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种机电***部件健康状态确定方法、***及电子设备,涉及部件健康状态监测技术领域。本发明提供的机电***部件健康状态确定方法,首先获取机电***传感器观测量;然后,通过构建的部件退化隐变量与***传感器观测量的关联关系模型,得到能够表征机电***部件健康状态的一维健康指征;最后,基于健康指征能够实现机电***部件健康状态的精确评估。并且,在实际应用过程中,可以适应机电***的不同机电部件,具有计算复杂度低、融合方式灵活的特点,能够在常规***传感器布局的基础上实现准确的部件健康状态评估。
Description
技术领域
本发明涉及机电***健康状态评估与管理技术领域,特别是涉及一种机电***部件健康状态确定方法、***及电子设备。
背景技术
机电***部件是机电***的组成部分,各部件相互耦合组成由机械、电气、液压以及控制相互作用的复杂***,即机电***。随着机电***的广泛应用,其运行中失效导致恶性事故屡见不鲜。机电***的失效来源于机电部件的失效,例如叶片损坏会损伤发动机进气流场,进而形成喘振,严重导致发动机停车;滚轴丝杠的拉压和扭转变形会导致机电伺服***传动精度降低,严重导致误指令。总之,机电部件的健康可靠对整个机电***的安全可靠运行起着至关重要的作用。因此,准确评估机电***部件的健康状态,可以预先判断机电***安全状态,对保障机电***服役的安全性及支持维修保障服务具有关键意义。
虽然机电部件在使用前会在实验室进行必要的可靠性实验,使其满足机电***的可靠性需求,但在在机电***的应用过程中,部件真实的健康状态依然需要相应传感器的监测。然而,在实际机电***中,由于结构限制、轻量化等多方面的原因,仅保留有限的传感器。基于此,大部分机电部件的健康状态无法使用实验室的方法进行评估,而只能通过***传感器监测到的***级观测间接获取。例如,机电伺服***中的轴承,在部件可靠性实验中可以通过振动传感器获取其健康状态,但在***中,只能通过测量轴承所在子***的电流、电压等***级观测信号间接推测部件的实际健康状态。此外,与实验室环境能够采用足量、丰富的历史数据不同,真实***仅有少量关于有限传感器的数据,使得基于***级观测信号的机电***部件的健康状态评估难以开展。
发明内容
为解决现有技术存在的上述问题,本发明提供了一种机电***部件健康状态确定方法、***及电子设备。
为实现上述目的,本发明提供了如下方案:
一种机电***部件健康状态确定方法,包括:
构建机电部件退化隐变量与机电***传感器观测量之间的关联关系模型;所述的部件退化隐变量包括机械部件的轴承磨损量、电子部件的能量传递效率以及其他退化物理量;所述的***传感器观测量包括输入输出的电压、电流以及常规传感器输出量。
估计所述关联关系模型的参数;所述估计方法基于强鲁棒性约束下的强化学习方法。
将所述机电***部件的退化特征输入所述非线性融合模型得到一维健康指征;
基于所述一维健康指征确定机电***部件的健康状态。
可选地,构建机电部件退化隐变量与机电***传感器观测量之间的关联关系模型包括:
获取***传感器观测量表征的与部件退化隐变量有关联的退化特征;所述退化特征包括:输入输出***的电压有效值比、输入输出***的电流峰值比、***的功率损耗、预设时间间隔内的输出电压差以及基于传感器监测数据构造的特征量;
构建具有非线性融合特点的关联关系模型,输入部件退化特征,输出表征部件退化隐变量的一维健康指征;所述非线性融合特点包括基于融合权重的线性融合以及非线性函数作用的非线性变换;
确定目标函数,并基于退化特征、目标函数、和关联关系模型结构将一维健康指征的构造抽象为一个优化问题;
基于强鲁棒性约束下的强化学习方法求解所述优化问题,得到使所述目标函数值最大的融合权重和非线性函数;
基于使所述目标函数值最大的融合权重和非线性函数完成所述关联关系模型的构建。
可选地,基于强化学习求解所述优化问题,得到使所述目标函数值最大的融合权重和非线性函数,具体包括:
基于强鲁棒性约束下的强化学习将所述优化问题转变为代理与环境的交互过程,以得到使所述目标函数值最大的融合权重和非线性函数。
可选地,代理与环境的交互过程包括:
代理从环境中观测得到当前时刻的环境状态,并基于当前时刻环境的知识确定策略;所述当前时刻的环境状态为当前时刻的融合权重和非线性函数;
基于所述策略选择所述环境状态采取的动作,所述动作改变所述环境以产生新的环境状态,同时从改变后的环境中得到奖励值;
基于所述奖励值更新所述策略,并基于更新后的所述策略选择新的环境状态采取的动作,依次类推,直至所述奖励值达到最大。
可选地,采用加入强鲁棒性约束的SAC网络结构基于所述奖励值更新所述策略。
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:
本发明提供的机电***部件健康状态确定方法,在构建机电部件退化隐变量与机电***传感器观测量之间的关联关系模型后,将***传感器观测量输入构建好的关联关系模型就可以得到能够表征机电***部件健康状态的一维健康指征,最后,基于一维健康指征能够实现机电***部件健康状态的精确评估。并且,在实际应用过程中,可以依据机电***部件的不同获取不同的退化特征,具有计算复杂度低、融合方式灵活的特点。
对应于上述提供的机电***部件健康状态确定方法,本发明还提供了以下实施结构:
一种机电***部件健康状态确定***,包括:
部件退化特征获取模块,用于获取***传感器观测量表征的与部件退化隐变量有关联的退化特征;所述退化特征包括:输入输出***的电压有效值比、输入输出***的电流峰值比、***的功率损耗、预设时间间隔内的输出电压差以及基于传感器监测数据构造的特征量;
关联关系模型构建模块,用于构建关联关系模型;
健康状态确定模块,用于将所述退化特征输入所述关联关系模型得到一维健康指征,从而确定机电***部件的健康状态;
一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,与所述存储器连接,用于调取并执行所述计算机程序,以实施上述提供的机电***部件健康状态确定方法。
可选地,所述存储器为计算机可读存储介质。
因本发明提供的上述实施结构与本发明提供的机电***部件健康状态确定方法实现的效果相同,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为本发明提供的机电***部件健康状态确定方法的流程图;
图2为本发明提供的机电***部件健康状态确定方法的实施架构图;
图3为本发明提供的基于强化学习的优化问题求解示意图;
图4为本发明提供的策略网络示意图;
图5为本发明提供的SoftActor-Critic(SAC)方法中评价网络示意图;
图6为本发明提供的状态与状态空间示意图;
图7为本发明提供的动作与动作空间示意图。
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机电***部件健康状态确定方法、***及电子设备,能够对机电***部件健康状态进行精确评估。
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和图2所示,本发明提供的机电***部件健康状态确定方法,包括:
步骤100:获取机电***传感器观测量。该步骤获取的***传感器观测量,是基于机电***常规传感器,并未添加额外的传感器用于监测部件的健康状态。
步骤101:构建部件退化隐变量与***传感器观测量的关联关系模型。在该步骤中构建的关联关系模型不局限于观测数据以及健康状态的退化规律。构建的关联关系模型以机电***传感器观测量为输入,以一维健康指征为输出。通过一维健康指征描述部件退化隐变量的退化规律。
获取***传感器观测量表征的与部件退化隐变量有关联的退化特征。以电流、电压信号为例,构造的退化特征为:其中,l1为输出输入部件的电压有效值比,l2为输出输入部件的电流峰值比,l3为经过部件的功率损耗,l4为一定时间间隔的输出电压差,l5,l6,...,lN为基于其他相关传感器构造的特征量。考虑到不同退化特征的量级不同,进行标准化。给定一段历史时间j=1,2,...,α,其中α为历史时间的长度。则,退化特征可以标准化为{x1,j,x2,j,...,xN,j}。进一步,标准化的退化特征通过具有非线性融合特点的关联关系模型得到一维健康指征。
基于上述描述,所述非线性融合特点包括基于融合权重的线性融合以及非线性函数作用的非线性变换。具体的处理流程如下:
设退化特征对应的融合权重为ω=[ω1,ω2,...,ωk,...,ωN],每一个融合权重ωk∈[0,1]。线性融合后的一维变量oj表示为:
式中,N为退化特征的个数,ωk为第k个融合权重,xk,j为j时刻标准化后的第k个退化特征。
在线性融合的基础上,引入非线性函数f(·)∈Γ={sigmoid(),cos(),log(),...},用于挖掘健康状态非线性退化的潜在规律,数学描述为:
式中,hj为j时刻对应的一维健康指征值,Γ为函数集合,sigmoid()为sigmoid函数,cos()为余弦函数,log()为对数函数。其中,不同的融合权重ω的分配与非线性函数f(·)的选取构成了不同的关联关系模型πi,i=1,2,...,构成的集合为Π={π1,π2,…,πn}。
进一步,以输出反映机电***部件健康状态变化的一维健康指征为目的,将融合方式的选取转换为优化问题
这一优化问题为寻找一组线性融合权重以及非线性函数,使得对应的一维健康指征能够最大化目标函数。为了建立一维健康指征与健康状态的映射关系,针对优化问题中的目标函数G,由于机电***部件的健康状态下降与退化成正相关,因此本发明引入与退化特征相关的评价指标Mon、Tre、Rob。考虑到信噪比SNR结构的天然优势,本发明构造一个相似结构的矩阵(健康指征的评价矩阵)SNRd以表征目标函数G,即:
G=SNRd=u/v=(Mon+Tre)/Rob
其中,u为信噪比定义中信号的均值,v为信号的方差;各评价指标Mon、Tre、Rob的处理方式如下:
A、单调性
机电***部件退化过程是单向的,因此机电***部件的健康状态变化也应该是单向的。单调性Mon的数学描述如下:
其中,δ()为单位阶跃函数,Mon为定义的单调性评价指标的数学符号,α为给定的一段历史时间的长度。
B、鲁棒性
在实际应用中,个体部件退化过程存在个体差异,且存在噪声等扰动。因此,融合后的一维健康指征应降低原始特征的扰动和不确定性。本发明提出原信号与平滑后趋势的残差的方差作为鲁棒性的描述,鲁棒性Rob数学描述如下:
其中,为一维健康指征与其平滑后趋势的残差,Rob描述的是健康指征与平滑后趋势的拟合误差的方差,exp()为指数函数。
C、趋势性
部件退化程度是与时间正相关的,因此一维健康指征应该具备时序相关性。趋势性Tre的数学描述如下:
步骤102:基于强化学习训练关联关系模型,获得模型参数(对应于一组最优的线性融合权重以及非线性函数)。考虑到寻优变量中既包括连续变量(线性融合权重)又包括离散变量(非线性函数),无法采用常规求解器进行求解。而遗传算法时间复杂度高,且求解结果稳定性差。因此,为了克服以上问题,本发明提出一种基于强鲁棒性约束下的强化学习的优化问题求解方案。该方案对传感器数量和训练数据不敏感,计算复杂度小。此外,不受目标函数的具体形式的限制,能够满足灵活的融合目标。
具体的,基于强化学习,优化问题的求解转变为了代理与环境的交互。代理是与周围环境交互的主体。具体交互过程为:代理从环境中观测t时刻下的状态(即环境状态)st∈Ω,Ω为定义的状态空间。基于当前的知识,定义策略为π(a|s),选择当前状态下应该采取的动作at∈Λ,Λ为动作空间。动作at进一步改变环境,产生新的状态st+1,并返回奖励rt。进一步,代理根据奖励rt更新策略π(a|s),从而选择能获得更多奖励的动作。
如图3所示,代理用T步找寻使得目标函数G最大化的融合权重ω和非线性函数f(·)。在这一过程中,将动作at具体为第t步对于融合权重ω和非线性函数f(·)的调整幅度,状态st+1作为经过动作at调整后的融合权重ω和非线性函数f(·)。奖励rt的大小与目标函数G成正相关,即基于状态st+1得到的健康指征获得越高的目标函数G值则对应的奖励rt越大。经过T步,代理完成一次优化求解,解为状态sT+1。上述过程为一次完整的任务Y,每次任务Y后更新策略π(a|s)。重复上述任务,直到找到最优的融合权重ω和非线性函数f(·)(对应于),即取得最大的奖励/>基于强鲁棒性约束下的强化学习的优化问题求解的具体算法流程如下表1所示。
表1基于强化学习的优化问题求解的过程表
表1中,为不断迭代过程汇总的奖励值。
在上述过程中,策略更新采用基于强鲁棒性约束下的SAC(Soft Actor-Critic)网络结构,其组成包括:图3所示的策略网络πθ(a|s);图4所示的V值网络Vφ(s),目标V值网络Vχ(s),和两个Q值网络其中,/>分别为上述网络对应的网络参数。
在SAC算法中,策略网络的优化目标定义如下:
其中,ψ为积累缓冲区, 为对应于Q值网络/>的归一化函数。
基于上述描述,本发明提出一种改进的策略网络优化目标,用于适应优化问题对于求解鲁棒性的要求。由于求解结果对应于状态st,为了保证求解结果的稳定性,对于相似的状态集合组s,snear应该有相似的动作。因此,策略网络的优化目标改进为:
其中,β为权重调节因子,用于平衡优化目标。
在整体介绍了算法流程后,具体说明代理和环境的设计。
代理包括状态空间Ω、动作空间Λ、奖励rt、策略π(a|s)。
A、状态空间Ω
状态空间Ω包括所有候选的寻优变量(ω∪Γ),用于表示每一观测时刻t下的状态st=(s1,s2,...,si,...,sN-1,sN),即当前选择的融合权重ω和非线性函数f(·)。具体的,如图6所示,ω1,...,ωi,...,ωN-1代表N-1个待融合特征的融合权重,f(·)代表时刻t下选择的非线性函数。在一次完整的任务ψ中,状态st(t=1,2,...,T-1)作为临时选择的融合权重ω和非线性函数f(·)。状态sT+1是一次完整任务后优化问题的解。
B、动作空间Λ
动作空间Λ规定了每一观测时刻t下采取的动作at=(a1,a2,...,ai,...,aN-1,aN)的范围。具体的,Λ={Λ1,Λ2,...,Λi,...,ΛN-1,ΛN},ai∈Λi。每一个动作分量ai对应于调节图6中相应的状态分量si。如图7所示,(a1,a2,...,ai,...,aN-1)在连续的区间[0,1]采样,实现对于融合权重连续的调节。aN在离散的空间Γ中选择非线性函数f(·)。其中,图6中,为1×N维的实数空间。
C、策略π(a|s)
策略π(a|s)代表了在当前状态下选择动作的概率分布。给定状态st和动作at,依据随机策略从π(a|s)的概率分布中选择。在本发明中,如图4所示,π(a|s)用演员网络πθ(a|s)表示。对于连续动作分量(a1,a2,...,ai,...,aN-1),演员网络通过中间层输出对应概率分布的均值和方差。对于离散动作分量aN,演员网络通过softmax激活函数输出离散的概率分布。
D、奖励rt
奖励rt用于鼓励代理学***衡。奖励函数的数学描述如下:
rtemp,t=exp(SNRd)-bias,t=1,...,T。
其中,bias为恒定偏差值,用于平衡奖励值大小。rtemp,t为奖励函数值。
进一步,本发明对于不同观测时刻t对应的奖励rt进行区别。t=1,...,T-1对应的状态st仅用于驱动强化学习,而经过T步的状态sT对应的融合权重和非线性函数是优化问题的解。因此,应对奖励值进行区分,防止经过T步的奖励值rT的作用被中间过程的rt抵消。最终的奖励函数描述如下:
在本发明中,环境满足马尔可夫过程,观测量与状态量一致,不存在不可观测部分。具体的,给定当前状态st以及动作at,下一时刻的状态为确定状态,数学描述如下所示:
步骤103:将机电***部件的退化特征输入关联关系模型得到一维健康指征,从而确定机电***部件的健康状态。
基于上述描述,本发明提供的机电***部件健康状态确定方法通过挖掘与融合机电***传感器所监测到的***观测数据,实现对关键机电部件的健康状态评估。该方法以部件相关的***观测数据出发,利用强化学习的交互学习优势,构建具有非线性融合特点的关联关系模型。该方法不局限于观测数据的融合方式,能够适应任意的融合方式。此外对传感器数量和训练数据不敏感,计算复杂度小。可在常规***传感器布局的基础上实现准确的部件健康状态评估,对实际机电***管理有很强的指导意义。
进一步,对应于上述提供的机电***部件健康状态确定方法,本发明还提供了以下实施结构:
一种机电***部件健康状态确定***,包括:
部件退化特征获取模块,用于获取***传感器观测量表征的与部件退化隐变量有关联的退化特征;所述退化特征包括:输入输出***的电压有效值比、输入输出***的电流峰值比、***的功率损耗、预设时间间隔内的输出电压差以及基于传感器监测数据构造的特征量;
关联关系模型构建模块,用于构建关联关系模型;
健康状态确定模块,用于将所述退化特征输入所述关联关系模型得到一维健康指征,从而确定机电***部件的健康状态。
一种电子设备,包括:
存储器,用于存储计算机程序。
处理器,与存储器连接,用于调取并执行计算机程序,以实施上述提供的机电***部件健康状态确定方法。
此外,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。
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 (8)
1.一种机电***部件健康状态确定方法,其特征在于,包括:
构建机电部件退化隐变量与机电***传感器观测量之间的关联关系模型;所述的部件退化隐变量包括机械部件的轴承磨损量、电子部件的能量传递效率以及其他退化物理量;所述的***传感器观测量包括输入输出的电压、电流以及常规传感器输出量。
估计所述关联关系模型的参数;所述估计方法基于强鲁棒性约束下的强化学习方法。
将***传感器观测量输入所述关联关系,得到用于描述部件退化隐变量的一维健康指征;
基于所述一维健康指征确定机电***部件的健康状态。
2.根据权利要求1机电***部件健康状态确定方法,其特征在于,构建部件退化隐变量与***传感器观测量之间的关联关系模型,包括:
获取***传感器观测量表征的与部件退化隐变量有关联的退化特征;所述退化特征包括:输入输出***的电压有效值比、输入输出***的电流峰值比、***的功率损耗、预设时间间隔内的输出电压差以及基于传感器监测数据构造的特征量;
构建具有非线性融合特点的关联关系模型,输入退化特征,输出表征部件退化隐变量的一维健康指征;所述非线性融合特点包括基于融合权重的线性融合以及非线性函数作用的非线性变换;
确定目标函数,并基于退化特征、目标函数、和关联关系模型结构将一维健康指征的构造抽象为一个优化问题;
基于强鲁棒性约束下的强化学习方法求解所述优化问题,得到使所述目标函数值最大的融合权重和非线性函数;
基于使所述目标函数值最大的融合权重和非线性函数完成所述关联关系模型的构建。
3.根据权利要求2机电***部件健康状态确定方法,其特征在于,基于强鲁棒性约束下的强化学习求解所述优化问题,得到使所述目标函数值最大的融合权重和非线性函数,具体包括:
基于强化学习将所述优化问题转变为代理与环境的交互过程,以得到使所述目标函数值最大的融合权重和非线性函数。
4.根据权利要求3机电***部件健康状态确定方法,其特征在于,代理与环境的交互过程包括:
代理从环境中观测得到当前时刻的环境状态,并基于当前时刻环境的知识确定策略;所述当前时刻的环境状态为当前时刻的融合权重和非线性函数;
基于所述策略选择所述环境状态采取的动作,所述动作改变所述环境以产生新的环境状态,同时从改变后的环境中得到奖励值;
基于所述奖励值更新所述策略,并基于更新后的所述策略选择新的环境状态采取的动作,依次类推,直至所述奖励值达到最大。
5.根据权利要求4机电***部件健康状态确定方法,其特征在于,采用加入强鲁棒性约束的SAC网络结构基于所述奖励值更新所述策略。
6.一种机电***部件健康状态确定***,其特征在于,包括:
部件退化特征获取模块,用于获取***传感器观测量表征的与部件退化隐变量有关联的退化特征;所述退化特征包括:输入输出***的电压有效值比、输入输出***的电流峰值比、***的功率损耗、预设时间间隔内的输出电压差以及基于传感器监测数据构造的特征量;
关联关系模型构建模块,用于构建关联关系模型;
健康状态确定模块,用于将所述退化特征输入所述关联关系模型得到一维健康指征,从而确定机电***部件的健康状态。
7.一种电子设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,与所述存储器连接,用于调取并执行所述计算机程序,以实施如权利要求1-5任意一项机电***部件健康状态确定方法。
8.根据权利要求7电子设备,其特征在于,所述存储器为计算机可读存储介质。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310421466.8A CN116449135B (zh) | 2023-04-19 | 2023-04-19 | 一种机电***部件健康状态确定方法、***及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310421466.8A CN116449135B (zh) | 2023-04-19 | 2023-04-19 | 一种机电***部件健康状态确定方法、***及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116449135A true CN116449135A (zh) | 2023-07-18 |
CN116449135B CN116449135B (zh) | 2024-01-30 |
Family
ID=87123371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310421466.8A Active CN116449135B (zh) | 2023-04-19 | 2023-04-19 | 一种机电***部件健康状态确定方法、***及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116449135B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018075617A1 (en) * | 2016-10-19 | 2018-04-26 | SmartKable, LLC | Method and apparatus for predicting life cycle of a splice |
CN109141881A (zh) * | 2018-07-06 | 2019-01-04 | 东南大学 | 一种深度自编码网络的旋转机械健康评估方法 |
US20200311556A1 (en) * | 2019-03-27 | 2020-10-01 | Cognizant Technology Solutions U.S. Corporation | Process and System Including an Optimization Engine With Evolutionary Surrogate-Assisted Prescriptions |
CN112034789A (zh) * | 2020-08-25 | 2020-12-04 | 国家机床质量监督检验中心 | 一种数控机床关键部件及整机的健康评估方法,***及评估终端机 |
CN112241595A (zh) * | 2020-10-23 | 2021-01-19 | 西京学院 | 基于逻辑回归的机载电源可靠性增长性能退化分析方法 |
US20220043955A1 (en) * | 2020-08-10 | 2022-02-10 | Wuhan University | Circuit health state prediction method and system based on integrated deep neural network |
CN114239377A (zh) * | 2021-11-10 | 2022-03-25 | 合肥赛为智能有限公司 | 一种城轨机电设备健康状态评估方法、***及存储介质 |
US20220138613A1 (en) * | 2020-10-29 | 2022-05-05 | Qualcomm Incorporated | Reinforcement learning based scheme for tuning memory interfaces |
CN114819054A (zh) * | 2022-03-11 | 2022-07-29 | 西北工业大学 | 一种基于物理信息神经网络的电力电子***状态监测方法 |
CN114936504A (zh) * | 2021-12-22 | 2022-08-23 | 山东浪潮工业互联网产业股份有限公司 | 基于贝叶斯多源数据融合的设备剩余寿命预测方法及*** |
CN115270591A (zh) * | 2022-03-18 | 2022-11-01 | 北京航空航天大学 | 一种基于复合空间的机电作动器健康状态监测方法及*** |
CN115661246A (zh) * | 2022-10-25 | 2023-01-31 | 中山大学 | 一种基于自监督学习的姿态估计方法 |
CN115828611A (zh) * | 2022-12-15 | 2023-03-21 | 北京控制工程研究所 | 一种航天器机电部件的健康状态评估方法和装置 |
CN115860106A (zh) * | 2022-12-23 | 2023-03-28 | 四川物通科技有限公司 | 一种基于深度q学习的变电站电容故障智能预警方法 |
WO2023059811A1 (en) * | 2021-10-06 | 2023-04-13 | Google Llc | Constrained device placement using neural networks |
-
2023
- 2023-04-19 CN CN202310421466.8A patent/CN116449135B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018075617A1 (en) * | 2016-10-19 | 2018-04-26 | SmartKable, LLC | Method and apparatus for predicting life cycle of a splice |
CN109141881A (zh) * | 2018-07-06 | 2019-01-04 | 东南大学 | 一种深度自编码网络的旋转机械健康评估方法 |
US20200311556A1 (en) * | 2019-03-27 | 2020-10-01 | Cognizant Technology Solutions U.S. Corporation | Process and System Including an Optimization Engine With Evolutionary Surrogate-Assisted Prescriptions |
US20220043955A1 (en) * | 2020-08-10 | 2022-02-10 | Wuhan University | Circuit health state prediction method and system based on integrated deep neural network |
CN112034789A (zh) * | 2020-08-25 | 2020-12-04 | 国家机床质量监督检验中心 | 一种数控机床关键部件及整机的健康评估方法,***及评估终端机 |
CN112241595A (zh) * | 2020-10-23 | 2021-01-19 | 西京学院 | 基于逻辑回归的机载电源可靠性增长性能退化分析方法 |
US20220138613A1 (en) * | 2020-10-29 | 2022-05-05 | Qualcomm Incorporated | Reinforcement learning based scheme for tuning memory interfaces |
WO2023059811A1 (en) * | 2021-10-06 | 2023-04-13 | Google Llc | Constrained device placement using neural networks |
CN114239377A (zh) * | 2021-11-10 | 2022-03-25 | 合肥赛为智能有限公司 | 一种城轨机电设备健康状态评估方法、***及存储介质 |
CN114936504A (zh) * | 2021-12-22 | 2022-08-23 | 山东浪潮工业互联网产业股份有限公司 | 基于贝叶斯多源数据融合的设备剩余寿命预测方法及*** |
CN114819054A (zh) * | 2022-03-11 | 2022-07-29 | 西北工业大学 | 一种基于物理信息神经网络的电力电子***状态监测方法 |
CN115270591A (zh) * | 2022-03-18 | 2022-11-01 | 北京航空航天大学 | 一种基于复合空间的机电作动器健康状态监测方法及*** |
CN115661246A (zh) * | 2022-10-25 | 2023-01-31 | 中山大学 | 一种基于自监督学习的姿态估计方法 |
CN115828611A (zh) * | 2022-12-15 | 2023-03-21 | 北京控制工程研究所 | 一种航天器机电部件的健康状态评估方法和装置 |
CN115860106A (zh) * | 2022-12-23 | 2023-03-28 | 四川物通科技有限公司 | 一种基于深度q学习的变电站电容故障智能预警方法 |
Non-Patent Citations (2)
Title |
---|
佘道明;贾民平;张菀;: "一种新型深度自编码网络的滚动轴承健康评估方法", 东南大学学报(自然科学版), no. 05 * |
陈润锋;杨宏;: "面向大型载人航天器的***健康状态评估方法研究", 载人航天, no. 05 * |
Also Published As
Publication number | Publication date |
---|---|
CN116449135B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109472110B (zh) | 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法 | |
Xu et al. | RUL prediction for rolling bearings based on Convolutional Autoencoder and status degradation model | |
CN111339712A (zh) | 质子交换膜燃料电池剩余寿命预测方法 | |
CN110889085A (zh) | 基于复杂网络多元在线回归的废水智能监控方法及*** | |
Chang et al. | Remaining useful life prediction for rolling bearings using multi-layer grid search and LSTM | |
CN115018209B (zh) | 一种数字化电能计量***运行误差长期预测方法及设备 | |
CN116340796B (zh) | 时序数据分析方法、装置、设备及存储介质 | |
CN117077327A (zh) | 基于数字孪生的轴承寿命预测方法及*** | |
CN115630101A (zh) | 水文参数智能化监控与水资源大数据管理*** | |
CN116383608A (zh) | 一种小样本装备故障在线预测方法 | |
CN116449135B (zh) | 一种机电***部件健康状态确定方法、***及电子设备 | |
CN115062528A (zh) | 一种针对工业过程时序数据的预测方法 | |
Yang et al. | Dynamic spatial–temporal graph-driven machine remaining useful life prediction method using graph data augmentation | |
CN117371321A (zh) | 一种基于贝叶斯优化的内在可塑性深度回声状态网络软测量建模方法 | |
CN112257893A (zh) | 一种考虑监测误差的复杂机电***健康状态预测方法 | |
CN115616163A (zh) | 气体精确配制与浓度测量*** | |
CN115659201A (zh) | 物联网气体浓度检测方法及监控*** | |
CN114384427B (zh) | 基于量子神经网络的锂离子电池容量非线性退化预测方法 | |
CN114358244B (zh) | 基于物联网的压力大数据智能检测*** | |
CN115952916A (zh) | 基于人工智能的风电功率预测误差修正方法、装置及设备 | |
CN116304587A (zh) | 一种基于cae和agru的滚动轴承退化趋势预测方法 | |
CN114722721A (zh) | 基于深度编解码卷积网络的电力变压器健康状态评估方法 | |
CN112685900B (zh) | 一种表征冲击负荷功率特性的电力负荷模拟方法 | |
CN118036435A (zh) | 压缩机剩余可用寿命预测方法、装置及存储介质 | |
Chanal et al. | Voltage prognosis of PEMFC estimated using Multi-Reservoir Bidirectional Echo State Network |
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 |