專利名稱：基于支持向量機(jī)和模糊信息粒化的產(chǎn)品性能退化區(qū)間預(yù)測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于支持向量機(jī)和模糊信息?；漠a(chǎn)品性能退化趨勢的區(qū)間預(yù)測方法，屬于壽命預(yù)測技術(shù)領(lǐng)域。
背景技術(shù)：
隨著科學(xué)技術(shù)的進(jìn)步和工業(yè)需求的發(fā)展，各類先進(jìn)產(chǎn)品一方面不斷向復(fù)雜、高速、 高效、微型或大型的方向發(fā)展，另一方面卻又面臨更加苛刻的工作和運(yùn)行環(huán)境。一旦產(chǎn)品的關(guān)鍵部件發(fā)生故障，就可能影響整個生產(chǎn)過程，造成巨大經(jīng)濟(jì)損失。因此，如何評估產(chǎn)品的運(yùn)行狀態(tài)，從而能夠合理地制定維護(hù)計(jì)劃，確保設(shè)備處于正常、穩(wěn)定的工況，防止災(zāi)難性事故的發(fā)生是當(dāng)今各行業(yè)最為關(guān)注和重視的問題。產(chǎn)品從正常狀態(tài)到完全失效通常要經(jīng)過一系列不同的性能退化狀態(tài)。產(chǎn)品的性能退化是因其在工作過程中不斷地受到各種環(huán)境作用力的影響，發(fā)生變形、磨損、疲勞、銹蝕、 老化、松動等而造成物理與化學(xué)特性改變，出現(xiàn)產(chǎn)品的功能與性能逐步降低的現(xiàn)象。性能退化意味著產(chǎn)品出現(xiàn)了受損，若任其發(fā)展必然會產(chǎn)生功能性故障。性能退化的外在表現(xiàn)為產(chǎn)品的輸出性能特征參數(shù)逐步偏離其正常區(qū)間，這是因?yàn)楫a(chǎn)品的規(guī)定功能與若干輸出性能特征參數(shù)是緊密相關(guān)的。因此，如果能夠通過對產(chǎn)品輸出性能特征參數(shù)進(jìn)行在線監(jiān)測，評估和預(yù)測產(chǎn)品性能退化的程度及趨勢，并按需制定維護(hù)計(jì)劃，就可以有效地避免產(chǎn)品突發(fā)故障， 減少因產(chǎn)品意外停機(jī)而造成的生產(chǎn)損失和產(chǎn)品維護(hù)費(fèi)用，從而提高企業(yè)生產(chǎn)效率，降低維護(hù)費(fèi)用和安全風(fēng)險(xiǎn)。產(chǎn)品性能退化評估與趨勢預(yù)測就是基于以上思想提出的一種主動維護(hù)模式的技術(shù)，具有重要的科學(xué)理論意義和工程應(yīng)用價(jià)值。近年來，作為故障預(yù)測與健康管理(Prognostic and Health Management，PHM)和智能維護(hù)系統(tǒng)(Intelligent Maintenance System, IMS)的核心技術(shù)，產(chǎn)品性能退化評估與趨勢預(yù)測技術(shù)得到了大量的理論與實(shí)踐研究。PHM技術(shù)從尋找產(chǎn)品故障發(fā)生、發(fā)展的確定性規(guī)律著手，綜合分析產(chǎn)品在使用過程中自身狀態(tài)變化和產(chǎn)品經(jīng)歷的外界環(huán)境條件數(shù)據(jù)，從而預(yù)測和評估產(chǎn)品使用壽命或剩余壽命。該技術(shù)已應(yīng)用于大型飛機(jī)、機(jī)電設(shè)備、道路橋梁、 大型發(fā)電機(jī)組等重大設(shè)備的故障檢測、壽命預(yù)測和安全評估中。智能維護(hù)系統(tǒng)是一種全新的理念，由美國智能維護(hù)系統(tǒng)研究中心主任Jay Lee教授最先提出。智能維護(hù)系統(tǒng)的核心思想是對設(shè)備和產(chǎn)品的性能退化過程進(jìn)行預(yù)測和評估(包括故障的早期預(yù)報(bào))，進(jìn)而實(shí)現(xiàn)故障預(yù)測。產(chǎn)品性能退化評估和趨勢預(yù)測的實(shí)質(zhì)是對產(chǎn)品運(yùn)行狀態(tài)的模式識別。無論是故障預(yù)測與健康管理中的產(chǎn)品剩余壽命評估，還是智能維護(hù)中的產(chǎn)品性能退化評估與預(yù)測，其實(shí)質(zhì)都是通過對產(chǎn)品數(shù)據(jù)的分析，識別產(chǎn)品當(dāng)前運(yùn)行狀態(tài)，并對狀態(tài)走勢進(jìn)行預(yù)測，以便在產(chǎn)品性能達(dá)到不能接受狀態(tài)之前采取相應(yīng)措施，避免意外故障的發(fā)生。綜合目前的研究，用于產(chǎn)品性能退化評估和趨勢預(yù)測的方法主要有ARMA時間序列模型、神經(jīng)網(wǎng)絡(luò)、貝葉斯決策方法、Logistic回歸、隱馬爾可夫(HMM)模型方法等。不過，許多的性能退化預(yù)測評估算法還處于理論研究階段，效果還不是很理想，存在著諸如不適用于小樣本、過學(xué)習(xí)、維數(shù)災(zāi)難、局部極小等問題，這是現(xiàn)有技術(shù)存在的第一個問題。在實(shí)際工程問題中，某些結(jié)構(gòu)復(fù)雜的產(chǎn)品往往有多個輸出性能特征參數(shù)同時發(fā)生退化，然而目前的研究方法往往是針對單個性能特征的退化數(shù)據(jù)展開的，這是本領(lǐng)域現(xiàn)有技術(shù)存在的第二個問題。為準(zhǔn)確地評估產(chǎn)品性能退化狀態(tài)和趨勢，需要把不同性能特征參數(shù)的退化進(jìn)行有效融合，從而獲得更準(zhǔn)確的性能退化評估和預(yù)測結(jié)果。目前，有關(guān)產(chǎn)品多參數(shù)性能退化評估的研究還很少。參考文獻(xiàn)[1]WANG Peng, COIT David. Reliability Prediction Based on Degradation Modeling for Systems with Multiple Degradation Measures//Proceedings of the 2004Reliability&Maintainability Symposium(RAMS). Los Angeles, CA, 2004 :302-307中Wang&Coit針對同一系統(tǒng)中多個性能參數(shù)同時退化的情況，研究了多個性能參數(shù)獨(dú)立和相關(guān)情況下的可靠度計(jì)算模型。如果相互獨(dú)立，解決方法類似串聯(lián)系統(tǒng)；如果相關(guān)，則估計(jì)多個性能退化參數(shù)的聯(lián)合概率密度函數(shù)，然后據(jù)此估計(jì)產(chǎn)品的可靠度。很多情況下，同一個產(chǎn)品多個性能參數(shù)之間在物理上是相關(guān)的，而數(shù)學(xué)計(jì)算的結(jié)果卻可能是獨(dú)立的，這種方法沒有考慮這一點(diǎn)。另外，這種方法中聯(lián)合概率密度函數(shù)是通過假設(shè)確定，可能與實(shí)際情況出入較大。產(chǎn)品性能退化評估和趨勢預(yù)測側(cè)重于對產(chǎn)品性能退化狀態(tài)全過程的走向進(jìn)行估計(jì)和預(yù)測，而并不局限于某個時間點(diǎn)的性能狀態(tài)的精確預(yù)測。對于企業(yè)來說，如果能夠了解產(chǎn)品運(yùn)行過程中性能狀態(tài)的退化趨勢和變化空間是十分有幫助的。因此，進(jìn)行產(chǎn)品性能退化區(qū)間預(yù)測方法的研究就顯得更有意義。目前，關(guān)于這方面的研究在國內(nèi)外還是空白，這是本領(lǐng)域現(xiàn)有技術(shù)存在的第三個問題。支持向量機(jī)(Support Vector Machine, SVM)是由Vapnik等人于1995年提出的基于統(tǒng)計(jì)理論的機(jī)器學(xué)習(xí)方法，其突出的特點(diǎn)是能夠較好地解決少樣本學(xué)習(xí)問題。在解決的小樣本、非線性及高維模式識別問題中顯示了特有的優(yōu)勢。它建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC 維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上，以結(jié)構(gòu)風(fēng)險(xiǎn)最小化代替經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化，有效的避免了過學(xué)習(xí)、維數(shù)災(zāi)難、局部極小等傳統(tǒng)機(jī)器學(xué)習(xí)中存在的問題，在小樣本條件下仍具有良好的泛化能力。支持向量機(jī)還利用核函數(shù)巧妙地解決了高維數(shù)問題，其算法復(fù)雜度與樣本維數(shù)無關(guān)。信息?；?InformationGranulation, IG)這一概念是由 Fuzzy 集創(chuàng)始人 L. A. Zadeh在1979年首次提出的。L. A. Zadeh認(rèn)為人類的認(rèn)識和推理是由三個基本概念構(gòu)成粒化(Granulation)、組織(Organization)和因果(Causation)，粒化是將整體分解成部分，組織則是綜合部分成為整體，因果是指因果關(guān)系。目前，國內(nèi)外主要有三種信息?；Ｐ突谀：碚摰哪Ｐ汀⒒诖植诩碚摰哪Ｐ?、基于商空間理論的模型。用模糊集對時間序列進(jìn)行模糊?；?，主要可以分為兩個步驟劃分窗口和模糊化。劃分窗口就是將所給的時間序列分割成一個個的小子列，作為一個個的操作窗口 ；而模糊化則是將第一步產(chǎn)生的每一個窗口進(jìn)行模糊化，生成一個個模糊集，也就是模糊粒子。這兩種廣義模式結(jié)合在一起就是模糊信息?；?Fuzzy Information Granulation, FIG)。

發(fā)明內(nèi)容
本發(fā)明的目的是為了克服上述現(xiàn)有方法存在的問題，提出了一種通用性較強(qiáng)的基于支持向量機(jī)和模糊信息?；漠a(chǎn)品性能退化趨勢區(qū)間預(yù)測方法。本發(fā)明綜合采用主成分分析方法、模糊信息?；椒ê椭С窒蛄繖C(jī)方法，對通過在線監(jiān)測手段獲得的產(chǎn)品多參數(shù)性能退化數(shù)據(jù)進(jìn)行處理，從而實(shí)現(xiàn)了產(chǎn)品的性能退化趨勢和變化空間的預(yù)測。本發(fā)明是一種基于支持向量機(jī)和模糊信息?；漠a(chǎn)品性能退化趨勢區(qū)間預(yù)測方法，包括以下幾個步驟步驟一、產(chǎn)品多參數(shù)性能退化數(shù)據(jù)的收集；步驟二、多參數(shù)退化數(shù)據(jù)的主成分分析；步驟三、對得到的主成分?jǐn)?shù)據(jù)進(jìn)行模糊信息?；幚?；步驟四、?；瘮?shù)據(jù)的支持向量機(jī)建模；步驟五、產(chǎn)品性能退化趨勢區(qū)間預(yù)測。本發(fā)明的優(yōu)點(diǎn)在于(1)本發(fā)明將模糊信息?；椒ê椭С窒蛄繖C(jī)方法結(jié)合，首次提出了產(chǎn)品性能退化趨勢的區(qū)間預(yù)測方法，解決了產(chǎn)品運(yùn)行過程中性能狀態(tài)的退化趨勢和變化空間預(yù)測的問題。(2)本發(fā)明采用主成分分析的方法解決了某些結(jié)構(gòu)復(fù)雜產(chǎn)品多個輸出性能特征參數(shù)同時發(fā)生退化情況下的評估與預(yù)測問題。(3)本發(fā)明提出的預(yù)測方法避免了目前本領(lǐng)域現(xiàn)有技術(shù)存在的不適用于小樣本、 過學(xué)習(xí)、維數(shù)災(zāi)難、局部極小等問題。


圖1是本發(fā)明所述方法的流程圖；圖2是本發(fā)明三角型模糊粒子的隸屬函數(shù)；圖3是本發(fā)明實(shí)施例某微波電子產(chǎn)品GPZJ-2007的原始多性能參數(shù)退化數(shù)據(jù)；圖4是本發(fā)明實(shí)施例產(chǎn)品多參數(shù)性能退化數(shù)據(jù)的第1個主成分；圖5是本發(fā)明實(shí)施例第1個主成分的模糊信息?；Y(jié)果；圖6是本發(fā)明實(shí)施例產(chǎn)品性能參數(shù)主成分的退化區(qū)間預(yù)測結(jié)果。
具體實(shí)施例方式下面將結(jié)合附圖和實(shí)施例對本發(fā)明作進(jìn)一步的詳細(xì)說明。本發(fā)明針對運(yùn)行過程中多個輸出性能特征參數(shù)同時發(fā)生退化的產(chǎn)品，確定如何識別產(chǎn)品當(dāng)前運(yùn)行狀態(tài)，并對起性能退化狀態(tài)走勢進(jìn)行預(yù)測，從而為產(chǎn)品維護(hù)決策提供依據(jù)。 假設(shè)產(chǎn)品具有P個性能參數(shù)，對產(chǎn)品性能參數(shù)的檢測總次數(shù)為M次。產(chǎn)品性能參數(shù)觀測值
分另丨J為X1, χ2， 測值矩陣為
權(quán)利要求
1. 一種基于支持向量機(jī)和模糊信息?；漠a(chǎn)品性能退化區(qū)間預(yù)測方法，其特征在于， 包括以下幾個步驟步驟一、產(chǎn)品多參數(shù)性能退化數(shù)據(jù)的收集；收集產(chǎn)品P個性能參數(shù)的M次檢測的觀測值Xij，其中i = 1，2，. . .，M，j = 1，2，...， P，構(gòu)建產(chǎn)品性能參數(shù)觀測值矩陣X
2.根據(jù)權(quán)利要求1所述的一種基于支持向量機(jī)和模糊信息?；漠a(chǎn)品性能退化區(qū)間預(yù)測方法，其特征在于，步驟一中，通過在線監(jiān)測的方式收集產(chǎn)品P個性能參數(shù)的M次檢測的觀測值xij。
3.根據(jù)權(quán)利要求1所述的一種基于支持向量機(jī)和模糊信息?；漠a(chǎn)品性能退化區(qū)間預(yù)測方法，其特征在于，步驟三中，采用W. Pedrycz時間序列模糊信息?；椒?，對主成份進(jìn)行模糊信息?；幚怼?br> 全文摘要
本發(fā)明公開了一種基于支持向量機(jī)和模糊信息?；漠a(chǎn)品性能退化區(qū)間預(yù)測方法，包括以下幾個步驟步驟一、產(chǎn)品多參數(shù)性能退化數(shù)據(jù)的收集；步驟二、多參數(shù)退化數(shù)據(jù)的主成分分析；步驟三、對得到的主成分?jǐn)?shù)據(jù)進(jìn)行模糊信息?；幚?；步驟四、?；瘮?shù)據(jù)的支持向量機(jī)建模；步驟五、產(chǎn)品性能退化趨勢區(qū)間預(yù)測；本發(fā)明將模糊信息粒化方法和支持向量機(jī)方法結(jié)合，首次提出了產(chǎn)品性能退化趨勢的區(qū)間預(yù)測方法，解決了產(chǎn)品運(yùn)行過程中性能狀態(tài)的退化趨勢和變化空間預(yù)測的問題。本發(fā)明采用主成分分析的方法解決了某些結(jié)構(gòu)復(fù)雜產(chǎn)品多個輸出性能特征參數(shù)同時發(fā)生退化情況下的評估與預(yù)測問題。
文檔編號G06K9/62GK102279928SQ201110203058
公開日2011年12月14日 申請日期2011年7月20日 優(yōu)先權(quán)日2011年7月20日
發(fā)明者姜同敏, 孫富強(qiáng), 李曉陽 申請人:北京航空航天大學(xué)