專利名稱：一種適用于動態(tài)復(fù)雜系統(tǒng)的故障預(yù)測和診斷方法
技術(shù)領(lǐng)域：
本發(fā)明屬于航天器等動態(tài)復(fù)雜系統(tǒng)故障預(yù)測及診斷領(lǐng)域，為該領(lǐng)域內(nèi)具有結(jié)構(gòu)復(fù)雜且具有大量性能監(jiān)測參數(shù)數(shù)據(jù)的系統(tǒng)提供了一套故障預(yù)測和診斷方法。
背景技術(shù)：
故障預(yù)測是指根據(jù)系統(tǒng)過去和現(xiàn)在的狀態(tài)，針對不確定事件，利用已有的知識，采用預(yù)測推理的方法預(yù)測系統(tǒng)在未來時間段出現(xiàn)故障的時間和發(fā)生故障的種類，找出故障原因和發(fā)生故障部件，為有計劃地安排維修和維護提供理論依據(jù)。
故障預(yù)測技術(shù)最初是為機械的應(yīng)用發(fā)展起來的，并在直升機和復(fù)雜的機械系統(tǒng)與 HUMS子系統(tǒng)里所采用。對于故障預(yù)測技術(shù)，從其實際研究中應(yīng)用的理論、方法和技術(shù)路線來看，可分為四類基于模型的故障預(yù)測技術(shù)；基于知識的故障預(yù)測技術(shù)；基于數(shù)據(jù)的故障預(yù)測技術(shù)；基于傳統(tǒng)可靠性的故障預(yù)測技術(shù)。
1.基于模型的故障預(yù)測技術(shù)對于大多數(shù)工業(yè)應(yīng)用來說，基于物理模型的故障預(yù)測可能不是最切合實際的解決方案，因為對于不同的部件來說，某部件的當(dāng)前故障類型通常是唯一的，并且很難在不終止運行的情況下鑒別出該故障。
2.基于知識的故障預(yù)測技術(shù)基于知識的方法不需要對象精確的數(shù)學(xué)模型，同時能夠有效的表達對象相關(guān)的領(lǐng)域?qū)＜业慕?jīng)驗知識，最大優(yōu)勢是能夠充分利用對象系統(tǒng)有關(guān)的領(lǐng)域?qū)＜医?jīng)驗知識。但是，由于基于知識的故障預(yù)測技術(shù)本身更適合于定性推理而不太適合于定量計算，因而限制了其實際應(yīng)用。
3.基于數(shù)據(jù)的故障預(yù)測技術(shù)基于數(shù)據(jù)的故障預(yù)測技術(shù)不需要對象系統(tǒng)的先驗知識(數(shù)學(xué)模型和專家經(jīng)驗)，以采集的數(shù)據(jù)為基礎(chǔ)，通過各種數(shù)據(jù)分析處理方法挖掘其中的隱含信息進行預(yù)測操作，從而避免了基于模型和基于知識的故障預(yù)測技術(shù)的缺點，成為了一種較為實用的故障預(yù)測方法。但是，實際應(yīng)用中一些關(guān)鍵設(shè)備的典型數(shù)據(jù)(歷史工作數(shù)據(jù)、故障注入數(shù)據(jù)以及仿真實驗數(shù)據(jù))的獲取代價通常十分高昂；而且即使對于所獲得的數(shù)據(jù)來說，往往其具有很強的不確定性和不完備性。這些問題都增加了故障預(yù)測技術(shù)的實現(xiàn)難度。
4.基于傳統(tǒng)可靠性的故障預(yù)測技術(shù)傳統(tǒng)的可靠性評估方法都是基于同類部件/ 設(shè)備/系統(tǒng)的事件記錄的分布。目前的可靠性方法基本上均是采用歷史失效數(shù)據(jù)去估計對象的整體特性，如平均故障間隔時間(MTBF)、平均故障前時間(MTTF)、可靠運行概率等。 然而，這些方法僅提供了對同類對象的整體評估。此類可靠性評估通常對于進行大批量生產(chǎn)的制造商比較有價值，而對于最終的用戶卻沒有多少價值可言。
自20世紀90年代以來，預(yù)測區(qū)間技術(shù)在國際上發(fā)展較為迅速。作為故障預(yù)測中的關(guān)鍵技術(shù)，預(yù)測區(qū)間技術(shù)是通過建立遙測數(shù)據(jù)預(yù)測誤差的統(tǒng)計模型，進一步得到未來狀態(tài)參數(shù)的預(yù)測區(qū)間，以提高故障預(yù)測的精度和工程實用性。但是，由于預(yù)測區(qū)間技術(shù)的研究還不甚成熟，現(xiàn)有方法大多用來解決預(yù)測殘差分布已知的情形，針對在實際工程中常常遇到的殘差分布未知的情況研究不多。
證據(jù)理論全稱為Dempster-Shafer (D-S)證據(jù)理論，它首先由Dempster提出，并由 Shafer進一步發(fā)展起來的一種不確定推理理論。證據(jù)理論是經(jīng)典概率論的一種擴充形式， 它基于對某一假設(shè)之上的各個片斷的證據(jù)組合來估計假設(shè)的真實性。證據(jù)理論的基本策略就是將證據(jù)集合劃分成多個不相關(guān)的部分，利用它們對識別框架獨立進行判斷，然后用證據(jù)合成規(guī)則，將多個證據(jù)的判斷結(jié)果組合起來。這樣，經(jīng)過D-S證據(jù)結(jié)合，多個具體證據(jù)組合成一個抽象證據(jù)，該抽象證據(jù)綜合了具體證據(jù)的信息，聚焦了具體證據(jù)的共同支持點，但形式上抽象證據(jù)與具體證據(jù)有相同的表達，這使得證據(jù)理論具有融合的開放性和處理的兼容性等優(yōu)點。
動態(tài)復(fù)雜系統(tǒng)是復(fù)雜性科學(xué)的基本研究對象，廣泛存在于工業(yè)、航空航天、生物、 化學(xué)、物理、經(jīng)濟、管理等眾多領(lǐng)域。整體涌現(xiàn)性和動態(tài)性是復(fù)雜系統(tǒng)的基本特征，即動態(tài)復(fù)雜系統(tǒng)具有不同于各組分特征線性加和的特征，如航天器、工業(yè)流水線、數(shù)控機床等。
動態(tài)復(fù)雜系統(tǒng)常常在國民經(jīng)濟中扮演者重要的角色，它們的健康穩(wěn)定運行至關(guān)重要。但是由于動態(tài)復(fù)雜系統(tǒng)具有組成結(jié)構(gòu)復(fù)雜、工作狀態(tài)多變和易受運行環(huán)境影響的特點， 前述四類主要的故障預(yù)測和診斷方法難以適用于此類系統(tǒng)。因此，亟需一種針對這類重要系統(tǒng)的故障預(yù)測和診斷方法。

發(fā)明內(nèi)容
本發(fā)明為了解決由于系統(tǒng)組成結(jié)構(gòu)、運行環(huán)境復(fù)雜等因素所造成的難以建立精度較高故障預(yù)測模型，以及現(xiàn)有方法無法直接、準確解決動態(tài)復(fù)雜系統(tǒng)的故障預(yù)測和診斷問題，提供了一種適用于動態(tài)復(fù)雜系統(tǒng)的故障預(yù)測和診斷方法。它能夠?qū)崿F(xiàn)三大功能實現(xiàn)對動態(tài)復(fù)雜系統(tǒng)的故障預(yù)警；能夠?qū)赡馨l(fā)生故障的單元進行診斷隔離；能夠給出故障預(yù)測的置信區(qū)間。
本發(fā)明一種適用于動態(tài)復(fù)雜系統(tǒng)的故障預(yù)測和診斷方法，具體包括以下步驟 步驟一、對動態(tài)復(fù)雜系統(tǒng)的結(jié)構(gòu)、性能和歷史故障數(shù)據(jù)進行FMEA(Failure Mode and Effect Analysis，失效模式和效果分析)分析，得到動態(tài)復(fù)雜系統(tǒng)的主要故障模式和各故障模式相應(yīng)的性能檢測參數(shù)，并將性能檢測參數(shù)劃分為緩變數(shù)據(jù)和快變數(shù)據(jù)； 步驟二、對動態(tài)復(fù)雜系統(tǒng)的性能檢測參數(shù)進行預(yù)處理，所述的預(yù)處理包括剔除奇異值和濾波降噪； 步驟三、建立單參數(shù)時序預(yù)測模型針對緩變數(shù)據(jù)，通過ARMA模型建立緩變數(shù)據(jù)的時序預(yù)測模型；針對快變數(shù)據(jù)，通過多分辨率小波神經(jīng)網(wǎng)絡(luò)建立快變數(shù)據(jù)的時序預(yù)測模型；將預(yù)處理的性能檢測參數(shù)輸入相應(yīng)的時序預(yù)測模型后輸出時序預(yù)測結(jié)果； 步驟四、建立預(yù)測區(qū)間模型，通過預(yù)測區(qū)間對時序預(yù)測結(jié)果進行故障預(yù)警，當(dāng)時序預(yù)測結(jié)果超過預(yù)測區(qū)間的范圍時進行故障預(yù)警； 步驟五、通過建立基于D-S證據(jù)理論的多信號融合模型進行故障診斷。
所述步驟四中的預(yù)測區(qū)間模型的建立包括步驟構(gòu)建k個基于向量化觀測值的抽樣塊；對k個抽樣塊進行重抽樣；確定各統(tǒng)計量；確定概率α的分位點值；得到預(yù)測區(qū)間。 其中，對k個抽樣塊進行重抽樣的次數(shù)可以進行自動調(diào)整，具體是首先定義數(shù)據(jù)變動率
Di -.D1 = max(^)-min(^)，^表示第i個數(shù)據(jù)塊，max(Si)是抽樣塊Si中的最大值，min(Si)是抽樣塊Si中的最小值；然后按照數(shù)據(jù)變動率的定義分別求出各抽樣塊的數(shù)據(jù)變動率，若相鄰抽樣塊的數(shù)據(jù)變動率之比DiZiDw大于1，則對抽樣塊Sw的抽樣次數(shù)進行調(diào)整，得到抽樣塊3^新的重抽樣次數(shù)M' =M' =Mzi(DiTl)w), M為對數(shù)據(jù)塊進行重抽樣的次數(shù)的初始值。
所述步驟五中進行故障診斷具體是構(gòu)建動態(tài)復(fù)雜系統(tǒng)的多信號模型；將動態(tài)復(fù)雜系統(tǒng)的所有可能故障單元組合組成了識別框架；構(gòu)造基本概率分配函數(shù)，并結(jié)合每個性能監(jiān)測參數(shù)報警與對應(yīng)故障模式的可能性進行修正；按照證據(jù)融合規(guī)則，確定證據(jù)融合結(jié)果及各種故障模式的置信區(qū)間；對動態(tài)復(fù)雜系統(tǒng)是否存在的故障模式進行判斷。
本發(fā)明的優(yōu)點與積極效果在于 (1)本發(fā)明方法克服了眾多預(yù)測和診斷方法限制條件苛刻的弊端，針對動態(tài)復(fù)雜系統(tǒng)可以進行高精度的故障預(yù)測及診斷，且針對具有動態(tài)復(fù)雜特點的一類對象的故障預(yù)測及診斷，具有較強的通用性； (2)本發(fā)明方法在故障預(yù)測及診斷過程中，無需建立故障影響因素、預(yù)測對象性能表征參數(shù)和故障之間的解析函數(shù)關(guān)系等，相比現(xiàn)有方法操作簡單； (3)本發(fā)明方法中采用的多分辨率小波神經(jīng)網(wǎng)絡(luò)結(jié)合了小波多分辨理論和神經(jīng)網(wǎng)絡(luò)理論，有機融合了兩者的優(yōu)點，即小波變換的時頻域局部特性和變焦特性，神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、自適應(yīng)、魯棒性、容錯性和推廣能力，通過建立多分辨率小波神經(jīng)網(wǎng)絡(luò)實現(xiàn)了對快變數(shù)據(jù)的時序預(yù)測； (4)本發(fā)明方法中預(yù)測區(qū)間采用改進的塊狀自助法來建立，改進了傳統(tǒng)區(qū)間預(yù)測的方式并彌補了塊狀自助法的不足和缺陷，解決了預(yù)測誤差分布未知時的區(qū)間預(yù)測問題， 提高了故障預(yù)測的實用性和精度； (5)本發(fā)明提出的利用D-S證據(jù)理論來對故障隔離模糊組進行分解的方法，很好了解決了如何將專家經(jīng)驗融入故障診斷的問題，進而實現(xiàn)故障診斷技術(shù)從理論研究到工程實際應(yīng)用的一次跨越。


圖1為本發(fā)明的故障預(yù)測和診斷方法的步驟流程圖； 圖2為本發(fā)明方法中步驟三中建立ARMA模型的流程示意圖； 圖3為本發(fā)明實施例中蓄電池放電初壓經(jīng)小波降噪的效果對比圖； 圖4為本發(fā)明實施例中ARMA模型預(yù)測出的溫度預(yù)測曲線和預(yù)警示意圖； 圖5為本發(fā)明實施例中多分辨率小波神經(jīng)網(wǎng)絡(luò)預(yù)測出的蓄電池放電初壓的曲線圖； 圖6為本發(fā)明實施例中多分辨率小波神經(jīng)網(wǎng)絡(luò)預(yù)測出的母線電壓的曲線圖； 圖7為本發(fā)明實施例母線電壓預(yù)測區(qū)間的曲線示意； 圖8為本發(fā)明實施例HY-IB小衛(wèi)星電源系統(tǒng)的多信號模型。
具體實施例方式下面將結(jié)合附圖和實施例對本發(fā)明作進一步的詳細說明。
本發(fā)明方法適用于動態(tài)復(fù)雜系統(tǒng)的故障預(yù)測和診斷，其主要原理如下首先通過性能監(jiān)測參數(shù)的時序預(yù)測和區(qū)間分析來實現(xiàn)故障預(yù)警，然后對相應(yīng)的故障預(yù)警單元利用基于D-S證據(jù)理論的多信號融合診斷模型進行診斷推理，預(yù)測出未來可能發(fā)生的故障模式及其概率。本發(fā)明方法包含兩大核心內(nèi)容時序預(yù)測方法和診斷推理方法。下面結(jié)合圖1說明本發(fā)明適用于動態(tài)復(fù)雜系統(tǒng)的故障預(yù)測和診斷方法。
步驟一對動態(tài)復(fù)雜系統(tǒng)的結(jié)構(gòu)、性能和歷史故障數(shù)據(jù)進行FMEA分析，得到動態(tài)復(fù)雜系統(tǒng)的主要故障模式以及與各故障模式相關(guān)聯(lián)的性能監(jiān)測參數(shù)。
通過傳感器搜集與動態(tài)復(fù)雜系統(tǒng)的結(jié)構(gòu)、性能相關(guān)的數(shù)據(jù)以及歷史故障數(shù)據(jù)并保存在數(shù)據(jù)庫中，根據(jù)數(shù)據(jù)庫中的數(shù)據(jù)確定動態(tài)復(fù)雜系統(tǒng)的關(guān)重件以及不同任務(wù)剖面下各部件的工作狀態(tài)，然后對動態(tài)復(fù)雜系統(tǒng)進行FMEA分析得到該動態(tài)復(fù)雜系統(tǒng)的主要故障模式和各故障模式相關(guān)聯(lián)的性能監(jiān)測參數(shù)如遙測數(shù)據(jù)。由于性能監(jiān)測參數(shù)的特點決定了數(shù)據(jù)預(yù)處理和預(yù)測方法的選取，因此在步驟一中把性能監(jiān)測參數(shù)按照參數(shù)采樣的頻率分為緩變數(shù)據(jù)和快變數(shù)據(jù)。根據(jù)慣例采樣間隔時間高于32秒的為緩變數(shù)據(jù)，反之為快變數(shù)據(jù)。
所述的FMEA是分析系統(tǒng)中每一產(chǎn)品可能產(chǎn)生的故障模式及其對系統(tǒng)造成的所有可能影響，并按每一個故障模式的嚴重程度及其發(fā)送概率予以分類的一種歸納分析方法， FMEA可采用國軍標GJB1391標準。
步驟二 對動態(tài)復(fù)雜系統(tǒng)的性能監(jiān)測參數(shù)進行預(yù)處理。
性能監(jiān)測參數(shù)是了解動態(tài)復(fù)雜系統(tǒng)運行狀態(tài)的基礎(chǔ)，它包含了動態(tài)復(fù)雜系統(tǒng)的運行和故障信息。但是，由于動態(tài)復(fù)雜系統(tǒng)具有結(jié)構(gòu)復(fù)雜、運行狀態(tài)受運行環(huán)境影響較大的特點，如振動、電磁輻射以及運行狀態(tài)切換指令的影響，因此，得到的性能監(jiān)測參數(shù)通常含有噪聲。由于這些噪聲嚴重干擾了有用信號，所以，為了得到更精確的故障信息、提高故障預(yù)測的精度，就首先需要在對動態(tài)復(fù)雜系統(tǒng)進行故障預(yù)測和診斷前，對各故障模式相應(yīng)的性能監(jiān)測參數(shù)進行濾波降噪。有用信號通常表現(xiàn)為低頻信號或是一些比較平穩(wěn)的信號，而噪聲信號則通常表現(xiàn)為高頻信號。
本發(fā)明的預(yù)處理主要包含兩部分內(nèi)容剔除奇異值和濾波降噪。奇異點的剔除，主要通過將嚴重超出正常范圍的個別點剔除實現(xiàn)。濾波降噪主要做如下處理首先對原始性能檢測參數(shù)進行小波分解，噪聲通常包含在高頻系數(shù)中；然后對小波分解的高頻系數(shù)以門限閾值等形式進行量化處理；最后再對性能檢測參數(shù)重構(gòu)。
步驟三建立單參數(shù)時序預(yù)測模型，針對緩變數(shù)據(jù)，通過ARMA模型建立緩變數(shù)據(jù)的時序預(yù)測模型；針對快變數(shù)據(jù)，通過多分辨率小波神經(jīng)網(wǎng)絡(luò)建立快變數(shù)據(jù)的時序預(yù)測模型；將預(yù)處理的性能檢測參數(shù)輸入相應(yīng)的時序預(yù)測模型后輸出時序預(yù)測結(jié)果。
單參數(shù)時序預(yù)測是故障預(yù)警的基礎(chǔ)，因此需要預(yù)測方法具有較高的預(yù)測精度。預(yù)測方法的選取主要根據(jù)性能監(jiān)測參數(shù)的特點進行。在步驟一中，將性能監(jiān)測參數(shù)劃分為兩類緩變數(shù)據(jù)和快變數(shù)據(jù)。
緩變數(shù)據(jù)如溫度屬于平穩(wěn)數(shù)據(jù)，選用適合平穩(wěn)數(shù)據(jù)預(yù)測的ARMA模型 (Auto-Regressive and Moving Average Model，自回歸滑動平均模型)進行預(yù)測。實際的時間序列如航天數(shù)據(jù)、股票等，在演化過程中并不具有固定不變的均值，除去局部水平和趨勢不同以外，時間序列顯示出具有某種意義上的同質(zhì)性，即時間序列的某一部分與任何其他部分極其相似，對該時間序列作適當(dāng)?shù)牟罘直憧墒怪椒€(wěn)化，就得到描述同質(zhì)非平穩(wěn)特性的模型，也就是ARMA模型。具體如圖2所示，對非平穩(wěn)時間序列(遙測數(shù)據(jù)) 作差分得到變化量W = A-^Vm如果一階差分還是非平穩(wěn)序列，再進一步對差分結(jié)果作差分，直到得到平穩(wěn)序列為止，得到平穩(wěn)序列后，通過參數(shù)估計、定階、擬合檢驗最終建立ARMA模型，圖2中d = 1表示一階差分，V、表示d階差分后的時間序列&。對緩變數(shù)據(jù)經(jīng)如圖2 所示的ARMA模型處理后得到時序預(yù)測結(jié)果。
快變數(shù)據(jù)如電壓屬于非平穩(wěn)數(shù)據(jù)，這類數(shù)據(jù)的預(yù)測要求預(yù)測方法具有較快的速度和較強的跟蹤能力，因此本發(fā)明以神經(jīng)網(wǎng)絡(luò)預(yù)測模型為基礎(chǔ)，利用小波多分辨理論對其進行改進，通過建立多分辨率小波神經(jīng)網(wǎng)絡(luò)來實現(xiàn)快變數(shù)據(jù)的時序預(yù)測模型?？熳償?shù)據(jù)的時序預(yù)測模型采用的是多分辨率小波神經(jīng)網(wǎng)絡(luò)來建立的，建立的步驟如下 步驟3. 1.建立多分辨率小波神經(jīng)網(wǎng)絡(luò)，主要包括網(wǎng)絡(luò)的層數(shù)、每層的節(jié)點數(shù)等等。由于多分辨率小波神經(jīng)網(wǎng)絡(luò)自身的特點，多分辨率小波神經(jīng)網(wǎng)絡(luò)不僅要設(shè)置網(wǎng)絡(luò)權(quán)值、 閉值的初始值，還要設(shè)置尺度參數(shù)m和平移參數(shù)η的初始值。m初始值的選取可以提高網(wǎng)絡(luò)的收斂性能，一般m選取大于1的值。
一般網(wǎng)絡(luò)的層數(shù)和每層節(jié)點的個數(shù)主要是靠經(jīng)驗和反復(fù)實驗所得，而且預(yù)先并不固定小波函數(shù)尺度參數(shù)m和平移參數(shù)η的大小，而是讓它們無約束地自由取值。本發(fā)明給出了確定小波函數(shù)尺度參數(shù)m和平移參數(shù)η范圍的方法 尺度參數(shù)m e [mmin，mm J mmin = int_^ ((Inωmin-lnω 丄)/1η2)
mmax = int+ ^ ((Inωmax-lnω0)/1η2) 其中，int— ( ·)和int+co ( ·)分別表示向-①和+①方向取整，Qmin和comax為通過對訓(xùn)練數(shù)據(jù)作頻率帶寬估計獲得的最小頻率帶寬和最大頻率帶寬，Qci和0^分別訓(xùn)練數(shù)據(jù)頻率區(qū)間的下界頻率帶寬和上界頻率帶寬。
確定了小波的尺度參數(shù)后，就可以根據(jù)待處理信號的時域空間區(qū)域來確定每個伸縮參數(shù)m e [mfflin,HifflaJ下的平移參數(shù)η 了。對于每個尺度參數(shù)m，只有選擇小波函數(shù)位于[tmin，tmax]的平移尺度才會對逼近產(chǎn)生作用。由此，可得到對于每個m下覆蓋待處理信號整個時域空間的平移參數(shù)η的取值范圍為[nmin，nmax] Hfflin= int_ (2mtfflin-t1) nmax = int+co (2mtmax_t0) 其中，tmin表示時域空間的起點時亥lj，tmax表示時域空間的終點時刻，、和、分別表示時域空間的下界時刻和上界時刻。由m、n值決定的小波函數(shù)Ψ·加權(quán)和描述了待處理信號的時頻局部特性，同時，也就得到了多分辨率小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。
步驟3. 2.進行輸入向量的預(yù)處理。多分辨率小波神經(jīng)網(wǎng)絡(luò)的輸入向量初始值在取W，l]或者[_1，1]之間時，具有較好的收斂性能，因此，才為了提高多分辨率小波神經(jīng)網(wǎng)絡(luò)的收斂速度，對多分辨率小波神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)進行預(yù)處理，將輸入向量的每個分量化歸到W，l]或者[_1，1]之間。下面以將輸入向量的每個分量化歸到
之間為例說明。本發(fā)明中對輸入向量進行預(yù)處理的方法是采用的歸一化處理方法，首先找到輸入向量的最大最小值，然后對輸入向量值歸一化，最后得到的結(jié)果是
權(quán)利要求
1.一種適用于動態(tài)復(fù)雜系統(tǒng)的故障預(yù)測和診斷方法，其特征在于，具體包括以下步驟步驟一、對動態(tài)復(fù)雜系統(tǒng)的結(jié)構(gòu)、性能和歷史故障數(shù)據(jù)進行FMEA分析，得到動態(tài)復(fù)雜系統(tǒng)的主要故障模式和各故障模式相應(yīng)的性能檢測參數(shù)，并將性能檢測參數(shù)劃分為緩變數(shù)據(jù)和快變數(shù)據(jù)；步驟二、對動態(tài)復(fù)雜系統(tǒng)的性能檢測參數(shù)進行預(yù)處理，所述的預(yù)處理包括剔除奇異值和濾波降噪；步驟三、建立單參數(shù)時序預(yù)測模型針對緩變數(shù)據(jù)，采用ARMA模型建立緩變數(shù)據(jù)的時序預(yù)測模型；針對快變數(shù)據(jù)，采用多分辨率小波神經(jīng)網(wǎng)絡(luò)建立快變數(shù)據(jù)的時序預(yù)測模型； 將預(yù)處理的性能檢測參數(shù)輸入相應(yīng)的時序預(yù)測模型后輸出時序預(yù)測結(jié)果；步驟四、建立預(yù)測區(qū)間模型，通過預(yù)測區(qū)間對時序預(yù)測結(jié)果進行檢測，當(dāng)時序預(yù)測結(jié)果超過預(yù)測區(qū)間的范圍時進行故障預(yù)警；步驟五、通過建立基于D-S證據(jù)理論的多信號融合模型進行故障診斷。
2.根據(jù)權(quán)利要求1所述的一種適用于動態(tài)復(fù)雜系統(tǒng)的故障預(yù)測和診斷方法，其特征在于，步驟一中所述將性能檢測參數(shù)劃分為緩變數(shù)據(jù)和快變數(shù)據(jù)的方法是當(dāng)性能檢測參數(shù)的采樣間隔時間高于32秒時，將該性能監(jiān)測參數(shù)劃分為緩變數(shù)據(jù)，否則將該性能監(jiān)測參數(shù)劃分為快變數(shù)據(jù)。
3.根據(jù)權(quán)利要求1所述的一種適用于動態(tài)復(fù)雜系統(tǒng)的故障預(yù)測和診斷方法，其特征在于，步驟三中所述的采用多分辨率小波神經(jīng)網(wǎng)絡(luò)建立快變數(shù)據(jù)的時序預(yù)測模型，具體步驟如下步驟3. 1、建立多分辨率小波神經(jīng)網(wǎng)絡(luò)，設(shè)置網(wǎng)絡(luò)的層數(shù)、每層的節(jié)點數(shù)和網(wǎng)絡(luò)參數(shù)的初始值，所述的網(wǎng)絡(luò)參數(shù)包括網(wǎng)絡(luò)權(quán)值、網(wǎng)絡(luò)閉值、尺度參數(shù)和平移參數(shù)； 所述的尺度參數(shù)me Dnmin，mmax] mmin = int_((In ω min-ln ω /1η2)(1)mmax = int. ((Inωmax-lnω0)/1η2)(2)其中，int—^)和int+co(·)分別表示向-⑴和+⑴方向取整，和ω_分別表示通過對訓(xùn)練數(shù)據(jù)作頻率帶寬估計獲得的最小頻率帶寬和最大頻率帶寬，Qci和Co1分別表示訓(xùn)練數(shù)據(jù)頻率區(qū)間的下界頻率帶寬和上界頻率帶寬；對于每個尺度參數(shù)m下的覆蓋待處理信號的整個時域空間的平移參數(shù)η的取值范圍為in，nmax」nmin = int-oo (2mtmin-t1)(3)nmax = int+co (2mtmax-t0)(4)其中，tmin表示所述時域空間的起點時刻，tmax表示所述時域空間的終點時刻，、和、 分別表示所述時域空間的下界時刻和上界時刻；步驟3. 2、對輸入向量進行預(yù)處理，將輸入向量歸一化；步驟3. 3、將預(yù)處理后的輸入向量輸入多分辨率小波神經(jīng)網(wǎng)絡(luò)，對多分辨率小波神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，訓(xùn)練過程使用加速因子進行權(quán)值調(diào)節(jié)，帶有加速因子的權(quán)值調(diào)節(jié)公式為 AWij(k+l) = (1-a) η δ j+a Δ Wij (k)(5)其中，AWiJ(k+l)與Awu(k)分別為第k+1次訓(xùn)練與第k次訓(xùn)練的權(quán)值變化量，k表示訓(xùn)練次數(shù)，α表示加速因子，η表示學(xué)習(xí)步長，S i為第i個隱層節(jié)點的誤差；步驟3. 4、利用訓(xùn)練好的多分辨率小波神經(jīng)網(wǎng)絡(luò)對快變數(shù)據(jù)進行時序預(yù)測，得到時序預(yù)測結(jié)果；步驟3. 5、根據(jù)得到的時序預(yù)測結(jié)果，判斷預(yù)測精度是否達到要求，若達到要求，則建立完成快變數(shù)據(jù)的時序預(yù)測模型，若沒有，則對多分辨率小波神經(jīng)網(wǎng)絡(luò)的層數(shù)和網(wǎng)絡(luò)參數(shù)作修改，轉(zhuǎn)步驟3. 3重新訓(xùn)練。
4.根據(jù)權(quán)利要求3所述的一種適用于動態(tài)復(fù)雜系統(tǒng)的故障預(yù)測和診斷方法，其特征在于，步驟3. 1中所述的尺度參數(shù)選取大于1的值。
5.根據(jù)權(quán)利要求3所述的一種適用于動態(tài)復(fù)雜系統(tǒng)的故障預(yù)測和診斷方法，其特征在于，步驟3. 3中所述的加速因子為0. 95。
6.根據(jù)權(quán)利要求1所述的一種適用于動態(tài)復(fù)雜系統(tǒng)的故障預(yù)測和診斷方法，其特征在于，步驟四中的預(yù)測區(qū)間模型具體通過下面步驟得到步驟4.1.構(gòu)建基于向量化觀測值的抽樣塊；首先構(gòu)建k個連續(xù)交叉的抽樣塊=S1 = (Xm,…，X11^1) , = (Xm+1，…，Xm+1)，... ,Sk = (Xn-1+1,…，Xn)；其中，n為連續(xù)觀測值的向量Y= (X1,…，)(n)的維數(shù)，m是指抽樣起點值 Xm在向量Y中的序號，1是抽樣塊的長度； 步驟4. 2.對k個抽樣塊進行重抽樣；首先，定義數(shù)據(jù)變動率
Si表示第^個數(shù)據(jù)塊，max(Si)是抽樣塊Si中的最大值，Hiin(Si)是抽樣塊Si中的最小值；然后按照數(shù)據(jù)變動率的定義分別求出各抽樣塊的數(shù)據(jù)變動率，若相鄰抽樣塊的數(shù)據(jù)變動率之比DiZDw大于1，則對抽樣塊Si+1的抽樣次數(shù)進行調(diào)整，得到抽樣塊Dw新的重抽樣次數(shù)M' :M' =MADiZlV1), M為對數(shù)據(jù)塊進行重抽樣的次數(shù)的初始值；對 k 個抽樣塊 S1 = (Xm,…，Xm+H)，S2 = (Xm+1，…，Xm+1), . . . , Sk = (Xn_1+1，…，Xn)進行非獨立的替換抽樣，抽樣得到Bootstrap復(fù)制樣本;C，對得到的每個Bootstrap復(fù)制樣本 f內(nèi)的數(shù)據(jù)進行N次重抽樣，得到N個Bootstrap樣本，對每個Bootstrap樣本進行抽樣得到標準差的估計值此戊*)；步驟4. 3.根據(jù)式子
確定各統(tǒng)計量Z*，其中八為Bootstrap復(fù)制樣本，內(nèi)數(shù) 據(jù)的均值；步驟4.4、根據(jù)#{廣< ( )}/^1 = ，確定概率α的分位點值步驟 4· 5.得到預(yù)測區(qū)間(Yt -1(\ - α) χ se(Y；), Yt -1(\ - a) χ se{Y；))，其中，f(1 -α)表示l-α分位點值。
7.根據(jù)權(quán)利要求6所述的一種適用于動態(tài)復(fù)雜系統(tǒng)的故障預(yù)測和診斷方法，其特征在于，步驟4. 2中所述的對數(shù)據(jù)塊進行重抽樣的次數(shù)的初始值為大于50的整數(shù)，所述的對得到的每個Bootstrap復(fù)制樣本；^內(nèi)的數(shù)據(jù)進行重抽樣的次數(shù)N取大于50的整數(shù)。
8.根據(jù)權(quán)利要求1所述的一種適用于動態(tài)復(fù)雜系統(tǒng)的故障預(yù)測和診斷方法，其特征在于，所述的步驟五具體包括以下步驟步驟5. 1.構(gòu)建動態(tài)復(fù)雜系統(tǒng)的多信號模型；步驟5. 2.形成識別框架將動態(tài)復(fù)雜系統(tǒng)的所有故障單元組合組成識別框架Θ ； 步驟5. 3.構(gòu)造基本概率分配函數(shù)所述的基本概率分配函數(shù)m為m:20 —
1，且該基本概率分配函數(shù)滿足 Σ ηι{Α) = \ΜΦ) = ^,ν{&)為冪集，結(jié)合每個性能監(jiān)測參數(shù)報警與對應(yīng)故障模式的可能AgP(@)性μ (、)進行修正，得到的修正后的基本概率分配函數(shù)為
其中，2Θ為識別框架Θ的所有子集構(gòu)成的集合，A表示識別框架Θ中一個子集，m(A) 表示該子集A的概率分配，ma(A)表示修正后的該子集A的概率分配，、表示第i個故障模式；步驟5. 4.按照證據(jù)融合規(guī)則，確定證據(jù)融合結(jié)果及各種故障模式的置信區(qū)間； 所述的融合規(guī)則為
其中，反映了證據(jù)之間沖突的程度；根據(jù)融合規(guī)則進行證據(jù)融合得到證據(jù)融合結(jié)果，根據(jù)融合結(jié)果，確定各種故障模式的置信區(qū)間(Bel (A)，Pl (A))，其中，Bel (A)表示信息測度，Pl (A)表示似然測度； 步驟5. 5.按照下面兩條規(guī)則對動態(tài)復(fù)雜系統(tǒng)是否存在該故障模式進行判斷 規(guī)則一、故障元件具有最大的可信度，且Bel (A) > ε ^Pl(A) > ε2； 規(guī)則二、不確定的可信度m( θ) ^ ε3； h、￡2和ε 3是用戶根據(jù)實際情況定義的閾值。
9.根據(jù)權(quán)利要求7所述的一種適用于動態(tài)復(fù)雜系統(tǒng)的故障預(yù)測和診斷方法，其特征在于，所述的步驟5. 5中針對HY-IB小衛(wèi)星電源系統(tǒng)，設(shè)置￡1為0. 1，￡2為0. 5，ε 3為0. 5。
全文摘要
本發(fā)明提出一種適用于動態(tài)復(fù)雜系統(tǒng)的故障預(yù)測和診斷方法，可應(yīng)用與航天器等動態(tài)復(fù)雜系統(tǒng)故障預(yù)測及診斷領(lǐng)域。本發(fā)明方法首先對動態(tài)復(fù)雜系統(tǒng)進行FMEA分析，得到主要故障模式和相應(yīng)的性能檢測參數(shù)，并性能檢測參數(shù)劃分為緩變數(shù)據(jù)和快變數(shù)據(jù)，再對性能檢測參數(shù)進行預(yù)處理，針對緩變數(shù)據(jù)建立ARMA模型進行時序預(yù)測，針對快變數(shù)據(jù)建立多分辨率小波神經(jīng)網(wǎng)絡(luò)進行時序預(yù)測，然后建立預(yù)測區(qū)間模型對時序預(yù)測結(jié)果進行故障預(yù)警，最后通過建立基于D-S證據(jù)理論的多信號融合模型進行故障診斷。本發(fā)明方法能夠?qū)討B(tài)復(fù)雜系統(tǒng)進行高精度的故障預(yù)測及診斷，具有較強的通用性。
文檔編號G06K9/62GK102208028SQ20111014438
公開日2011年10月5日 申請日期2011年5月31日 優(yōu)先權(quán)日2011年5月31日
發(fā)明者欒家輝, 唐建, 呂琛, 劉亞龍, 單添敏 申請人:北京航空航天大學(xué)