亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        復雜裝備健康度評估方法研究綜述

        2021-12-01 07:41:12趙麗琴曹明生胡德昆陳曉丹
        計算機測量與控制 2021年11期
        關鍵詞:權重裝備狀態(tài)

        趙麗琴,劉 昶,曹明生,胡德昆,陳曉丹

        (1.成都大學 計算機學院,成都 610106;2.電子科技大學 計算機學院,成都 611731)

        0 引言

        復雜裝備,如雷達、航天器、飛機、戰(zhàn)車、艦船等,在國防、生產及經(jīng)濟活動過程中都具有重要作用。為了保障這些裝備正常運行,保持裝備完好率,順利完成各種軍事和生產任務,故障預測與健康管理(PHM,Prognostics and Health Management)技術越來越多地應用到這些裝備上。PHM是從美軍設備維修保障的最新技術發(fā)展起來的,受美國軍方高度關注,已成功應用于美國F-35戰(zhàn)機、波音飛機、NASA第2代可重復使用運載器等多種裝備上[1]。

        復雜裝備正常工作的基礎是對其進行維修保養(yǎng)。隨著裝備系統(tǒng)集成化、信息化程度的提高,其故障診斷與后勤保障的難度在不斷增大。事后維修、定時維修等傳統(tǒng)維修方式有諸多弊端,已不能滿足現(xiàn)代裝備維修保障的需求。目前,復雜裝備采用基于PHM的狀態(tài)維修已經(jīng)成為一種趨勢。PHM技術已經(jīng)在英美等軍事強國深度研究和推廣應用,是大型復雜裝備的的重要組成部分[1]。健康狀態(tài)評估是PHM的關鍵技術之一,準確評估裝備健康狀態(tài)是對其進行狀態(tài)維修的主要依據(jù),有著十分重要的意義。

        健康狀態(tài)的評估方式主要有兩種。一種是評估裝備的健康狀態(tài)等級,即利用采集狀態(tài)數(shù)據(jù)確定其可靠性和維修性水平[2]。從公開發(fā)表的文獻資料來看,國內外采用此方式進行健康狀態(tài)評估的研究較多,方法相對成熟。但此評估方式中健康狀態(tài)等級分類未形成統(tǒng)一的分級標準,評估結果粗放,可信度也有待驗證[3]。

        另一種則是對健康程度進行量化,稱為健康度,是通過綜合分析裝備運行中各種狀態(tài)信息和運行工況得到的單一數(shù)值。有些文獻也稱為健康指數(shù)[4]。健康度可以更加準確地反映裝備的健康狀態(tài),避免了分級的不統(tǒng)一性和粗放性。因此采用健康度定量評估方式更細致,并可將健康度轉換為故障率,便于更準確地進行維修決策。

        目前對裝備健康度評估研究文獻還不多,裝備健康度評估技術還不夠成熟,實踐應用還有一定難度,因此有必要對健康度評估方法進行研究。文章介紹了當前健康度評估方面國內外研究現(xiàn)狀及常用健康度評估方法,分析健康度評估中的問題,并提出改進思路和未來發(fā)展趨勢,為復雜裝備在健康度評估時選擇適當方法提供參考。

        1 國內外研究現(xiàn)狀

        不同于基于健康狀態(tài)等級的評估方法,裝備健康度一般用0到100的范圍[4]或者0到1的范圍[5]來說明裝備的健康程度。其中0表示故障狀態(tài),1或者100表示裝備處于最佳健康狀態(tài)。與健康狀態(tài)等級不同,裝備健康度通常與裝備的故障率有一定的函數(shù)映射關系[4],因此正確評估裝備健康度,將能夠更準確地評估裝備工作可靠性,可以更合理地進行維修決策。

        從公開發(fā)表的研究文獻來看,在健康度評估方面,國內外研究水平相差不大。雖然國外在PHM技術的工程化、標準化、實用化方面具有明顯的領先優(yōu)勢,但在具體的技術研究領域,特別是健康度評估方面,并沒有太大的差別,因此本文沒有將國內外研究現(xiàn)狀分開介紹。

        不同裝備由于特性不同,適合的健康度評估方法也不一樣。目前從驅動方式的不同將其分為3種類型,即模型驅動類型、知識驅動類型、數(shù)據(jù)驅動類型[6]。其中模型驅動類型是相關專家在長期工作過程中,對裝備降級的原理進行深入研究而設計的一種物理模型。如馬氏距離法[7-9]、融合權重計算法[10-11]、歐式距離法[12]、模糊理論法[13-17]等。這些方法由于需要專家經(jīng)驗確定權重及模型參數(shù),加上建模的理想化假設,導致在實踐中的效果很難適應裝備運行過程中各種復雜的因素影響。但因為該類方法具有簡單、高效、容易實施等優(yōu)點,目前應用廣泛。無論是部件級還是系統(tǒng)級健康度評估都有不少的研究和應用。

        知識驅動類型的健康度評估通過知識獲取和知識表達來進行健康狀態(tài)評估,但這種類型的方法很難實用,在健康度評估方面還罕有研究。這主要是因為知識和經(jīng)驗受到限制,且知識表達也面臨知識規(guī)格化的難題[18]。

        數(shù)據(jù)驅動是目前最有前景的一類方法,充分利用了機器學習和人工智能的優(yōu)勢,也是目前國內外在健康度評估方面廣泛研究的方法[18]。其中線性回歸[19]、支持向量機(SVM)[20]、支持向量描述(SVDD)[21-24]、神經(jīng)網(wǎng)絡及深度學習[25-29]等理論到廣泛應用,有力推動了健康度評估研究的發(fā)展。

        事實上,由于復雜裝備往往由多種不同類型的子系統(tǒng)、部件等構成,不同部件、子系統(tǒng)的特性不同,適用的最佳健康度評估方法也差別很大。而且在實際應用中,往往需要結合多種方法才有最佳評估結果,如歐式距離與SVDD結合[18]、云模型、證據(jù)理論、熵權法及AHP方法相結合[30]。因此,采用復合方法對裝備健康度評估也是目前研究的一個重要方向。

        2 健康度評估方法分類

        綜合現(xiàn)有參考文獻,裝備健康度的評估方法還沒有一個統(tǒng)一的分類方法。雖然有文獻從模型驅動、知識驅動及數(shù)據(jù)驅動等幾個大的類型來進行分類,但并不適應復雜裝備健康度評估面臨的復雜環(huán)境。鑒于復雜裝備結構復雜,不同結構層次由于設計原理不同,采用的評估方法差異很大。即使使用相同算法,在對部件級和系統(tǒng)級的具體使用都有所區(qū)別。文中將分別按照系統(tǒng)級(包括若干子系統(tǒng)的整機)和部件級(直接通過傳感器采集數(shù)據(jù)的裝備)兩個角度討論裝備健康度評估方法。根據(jù)采用的實際算法原理對裝備健康度評估方法進行分類,如圖1所示。

        到目前為止,系統(tǒng)級健康度的研究還比較少,因此圖1中對部件級評估方法的分類比較詳細,分為3大類,共10個小類。而在系統(tǒng)級僅對常用的方法進行說明。

        圖1 復雜裝備健康度評估方法分類

        3 部件級健康度評估方法

        部件級健康度評估方法的本質是把從部件采集的有關健康方面的參數(shù)進行融合分析,形成反映部件健康程度的定量度量[31]。由于部件級健康度基本上都是直接分析采集的原始數(shù)據(jù)樣本,不同參數(shù)量綱不同,一般需要進行數(shù)據(jù)歸一化處理;不同參數(shù)對裝備健康的影響程度也不一樣,需要根據(jù)其重要性定義各個參數(shù)的權重;根據(jù)裝備部件的類別性質,有些參數(shù)可實時在線采集,有些只能離線測量得到。

        3.1 模型計算法

        此類研究方法實質是根據(jù)一個融合計算模型或比較模型進行計算得到健康度,融合計算模型是一種傳統(tǒng)的方法,其原理是根據(jù)相關指標采集數(shù)據(jù)結合權重直接進行數(shù)據(jù)融合計算,得到一個健康度指標,常用的有融合計算法和信息熵法;比較模型的原理是找一個標準健康樣本,將待評價向量與標準樣本比較得到結果,常用的有距離法和灰色關聯(lián)度法。

        1)融合計算法:

        融合計算是根據(jù)指標采集數(shù)據(jù)對裝備整體健康度的影響大小,直接計算裝備的整體健康度。其一般表示形式如公式(1)。

        (1)

        式(1)中,H表示評估的健康度結果。假設一共有k個采樣數(shù)據(jù),針對第i個采樣數(shù)據(jù),wi表示該數(shù)據(jù)權重,fi(di)表示對指標采集數(shù)據(jù)di進行一定處理之后的結果,如文獻[11]采用了歸一化聚類處理,得到聚類系數(shù)。

        融合計算因為其直觀和便于理解,在健康度評估的應用較多。如文獻[31]利用此方法對變壓器的健康度進行了評估,文獻[11]用該方法對艦船部件進行了評估。利用該方法的一個重要條件是需要掌握各個采集指標對健康度影響的權重。一般采用層次分析法(AHP)決定權重,這種方法注重人工經(jīng)驗,如文獻[11]。也有采用熵權法的,如文獻[5]認為利用熵權法確定權重更加科學客觀。近年來,該方法與其他算法相結合成為一種趨勢,如文獻[32]在對立磨機進行健康度評估時,通過組合賦權法和灰云聚類融合方法以及最小二乘法等進行綜合評估,使權重的形成更加科學。

        2)信息熵:

        信息熵是采集指標總體平均特征的定量表述,可以作為反映故障特征的復雜性測度分析方法。其計算公式如式(2)。

        (2)

        其中:pi表示各種采樣數(shù)據(jù)出現(xiàn)的概率。由熵值定義可知,熵值越大,裝備的健康度越好[33]。如文獻[34]利用信息熵對發(fā)動機氣路進行了健康度分析。單純使用信息熵進行健康度評估的應用不多。文獻[35]利用大數(shù)據(jù)分析方法,根據(jù)數(shù)據(jù)之間的相關性來判斷健康度,并通過信息熵進行量化為健康度;文獻[36]利用物元信息熵對變壓器進行了健康度評估,利用AHP和熵權法進行權重估計,并融于信息熵的計算中,令結果更加科學可信。

        3)距離法:

        距離法就是利用各種向量距離或者相似度的計算方法,通過比較待評價向量和標準健康向量的距離或者相似度來評估健康度。常用的有歐式距離、馬氏距離、余弦相似度等方法。如為了有效評估滾動軸承的健康狀態(tài),尹愛軍[37]等人提出基于主曲線Frechet距離相似度的健康狀態(tài)評估方法,可實現(xiàn)滾動軸承健康狀態(tài)的定量評估。在實際應用中,采用馬氏距離進行健康度評估的研究比較多,這主要得益于馬氏距離可以不用考慮參數(shù)相關性和量綱影響。如鄧超[8]等利用馬氏距離對數(shù)控機床的進給系統(tǒng)進行健康度評估,文獻[9]也用馬氏距離對風機的健康度進行了評估。通常為了體現(xiàn)不同采集指標的重要性,還需要結合權重進行評估[38]。近年來,多種距離融合計算也成了一種研究方向,如文獻[39]采用加權余弦相似度和加權馬氏距離融合算法計算制粉系統(tǒng)的健康度,有效提高了健康度評估準確性。此外,將距離算法與其他方法相結合,也引起了一部分學者的注意。如文獻[40]等人基于健康基線和馬氏距離對液壓系統(tǒng)進行健康度評估方法中將廣義回歸神經(jīng)網(wǎng)絡(GRNN)構建的觀測器來獲取殘差,計算與健康基線間的馬氏距離并歸一化為健康度;文獻[41]基于信息熵理論的JS散度來度量實時狀態(tài)與參考健康狀態(tài)數(shù)據(jù)統(tǒng)計分布的相似性,將相似度轉化成能評價系統(tǒng)健康狀態(tài)的指標,完全是一種新的思路。在健康度評估方法中,基于距離或相似度的方法相對較多,但是健康樣本的選擇、參數(shù)權重的決定和距離算法的選擇都還值得進一步研究。

        4)灰色關聯(lián)度法:

        灰色關聯(lián)度分析法是灰色系統(tǒng)分析方法的一種。它認為兩個因素變化的趨勢具有一致性,則二者關聯(lián)程度較高。因此該方法是根據(jù)因素之間發(fā)展趨勢的相似或相異程度來作為衡量因素間關聯(lián)程度的一種方法。相對于距離法,它更適用于受環(huán)境影響導致監(jiān)測數(shù)據(jù)變化較大的場合。如文獻[42]通過構建一個虛擬健康向量,用灰色關聯(lián)法計算采集向量和虛擬向量的關聯(lián)度,用于計算城市污水管道健康度。而文獻[43]針對上述灰色關聯(lián)法,增加了權重計算供水管網(wǎng)的健康度,具有更好的效果。文獻[44]利用該方法對風力機葉片的健康度進行了評估。相對來說,該方法在健康度評估方面還不多,值得進一步研究。

        基于模型計算的健康度評估方法雖然原理上簡單易懂,計算也不復雜,但是要合理使用取得好的效果,需要根據(jù)部件的實際情況選擇合適算法,并結合加權處理才貼合實際要求。

        3.2 評估分析法

        這類方法的特點是把定性評價轉化為定量評價。在健康度評價過程中,有很多因素只能是定性的結果,比如某個采樣數(shù)據(jù)對健康度的影響程度、健康度對裝備的可靠性故障率的影響都是不確定的,基于評估分析的方法可解決模型計算法對精度要求的局限性。

        1)模糊理論:

        模糊理論是由美國控制論專家Zadeh教授1965年提出。由于裝備健康狀態(tài)往往具有不確定性,某些時候傳統(tǒng)的精確評估方法無法適用,可通過模糊評判方法進行評估。作為一種應用比較成熟的算法,很多健康度的評估方法采用了模糊理論。如文獻[14]基于模糊集理論的傳感器健康度評價方法,利用隸屬度函數(shù)和模糊集理論計算健康度;文獻[15]在衛(wèi)星健康評估中,針對部件級裝備采用了于模糊無量綱化函數(shù)計算健康度。純粹用模糊理論計算并不能很好體現(xiàn)不同采集指標對健康度的影響,大多數(shù)采用模糊理論的健康度評估方法考慮了權重的影響。如文獻[16]針對開關柜提出了基于動態(tài)權重和模糊綜合評判法的健康評估模型,但其權重是基于人工定義的,并不準確;文獻[17]在基于變權重模糊評價方法的基礎上,利用熵權法、均衡函數(shù)變權等形成綜合加權法,能更加準確地反映裝備運行狀態(tài)的健康度。實際上,反映客觀權重的熵權法和反映主觀權重的AHP方法近年來被越來越多的應用基于模糊理論的健康度評估方法中。

        2)證據(jù)理論:

        證據(jù)理論是Dempster于1967年首先提出,由其學生Shafer于1976年進一步發(fā)展起來的一種不精確推理理論,也稱D-S證據(jù)理論,具有處理不確定信息的能力。近年來,利用證據(jù)理論進行信息融合評估裝備健康度的方法日益得到重視。如文獻[45]將證據(jù)理論用在雷達發(fā)射機的健康度評估上;文獻[46]對改進的證據(jù)理論評估變壓器的健康指數(shù)問題進行了研究。這些研究都取得了不錯的效果。更多的研究將證據(jù)理論與其他方法相結合,如粗糙集[47]、深度學習[48]、模糊綜合評判[49]等,進一步提高了健康度評價的準確性。

        3)其他方法:

        除了模糊理論和證據(jù)理論,建立在不確定性分析基礎上的分析方法還有AHP方法和云模型法。其中AHP是將與決策有關的元素分解成目標、準則、方案等層次,在此基礎之上進行定性和定量分析的決策方法。它是一種定性和定量相結合的、系統(tǒng)化、層次化的分析方法,常用于各種狀態(tài)評估應用中。在健康度評估中也偶有應用。如文獻[50]利用AHP對變壓器的健康指數(shù)進行了評估,文獻[51]也利用AHP對軌道交通車輛的健康度進行了評估。采用AHP可以很好的結合人工經(jīng)驗,在健康度評估中,該方法更多地用于主觀權重的計算。

        云模型是由中國工程院院士李德毅于1995年提出的概念,是處理定性概念與定量描述之間的不確定轉換模型。它已成功應用到自然語言處理、數(shù)據(jù)挖掘、決策分析等眾多領域,在健康度評估方面也有一定應用研究。如文獻[52]將云模型成功用于輸變電裝備的健康指數(shù)評估中取得積極的效果;文獻[30]將云模型、證據(jù)理論、熵權法及AHP方法相結合,對某復雜系統(tǒng)實現(xiàn)了健康度的準確評估??偟膩碚f,根據(jù)現(xiàn)有文獻發(fā)現(xiàn)云模型應用在健康度評估方面的例子還不多,值得進一步探索。

        3.3 機器學習法

        近年來,隨著大數(shù)據(jù)分析技術的出現(xiàn),利用各種機器學習方法進行健康度的研究逐漸增多,成為目前研究的熱點。采用機器學習的優(yōu)點在于通過大量數(shù)據(jù)的訓練,利用機器學習算法自動掌握數(shù)據(jù)之間的規(guī)律。通過數(shù)據(jù)驅動彌補了傳統(tǒng)模型算法的不足,提升了評估質量。

        1)傳統(tǒng)機器學習法:

        傳統(tǒng)機器學習算法在健康狀態(tài)評估方面的應用通常有線性回歸[19]、SVM[20]和SVDD[18]等方法。鑒于SVM主要用于分類,更適合健康等級劃分。在健康度評估算法中,主要采用SVDD算法。SVDD是一個單類分類器,用健康數(shù)據(jù)進行訓練,得到SVDD超球面。然后計算采樣數(shù)據(jù)向量到球心的距離,跟球體的半徑相比,可得到采樣數(shù)據(jù)所代表的健康度?;赟VDD的這個原理,已經(jīng)成功應用于機械裝備[21]、鐵路道岔[22]、電子裝備[23]等方面的健康度評估中。通常SVDD結合其他算法,具有更好的效果,如馬氏距離、模糊理論等。如文獻[23 ]利用SVDD和模糊理論結合對電子裝備的健康狀態(tài)進行了定量評估;文獻[24]則利用馬氏距離和SVDD結合對陀螺儀健康度進行了實時評估。類似文獻還有很多。綜合而言采用SVDD可不用特別關心采集參數(shù)權重影響,通過監(jiān)督學習采集指標特征,可獲得相當準確的健康度計算值。

        2)深度學習法:

        深度學習是用于建立、模擬人腦進行分析學習的神經(jīng)網(wǎng)絡,并模仿人腦的機制來解釋數(shù)據(jù)的一種機器學習技術。大量采集數(shù)據(jù)是實現(xiàn)深度學習的基礎。物聯(lián)網(wǎng)和大數(shù)據(jù)技術的不斷進步為利用深度學習技術進行健康度評估奠定了基礎[25]。因此,近年來有關利用深度學習進行健康度評估的國內外研究越來越多。如文獻[26]研究了深度學習在旋轉機械健康度評估中的應用;文獻[27]則利用深度貝氏信念網(wǎng)絡研究了結構件的健康度;文獻[28]利用自編碼器實現(xiàn)了多級齒輪裝備的健康度評估。最近的相關文獻研究結合了深度學習最新的研究成果,如文獻[29]利用LSTM技術對風洞健康狀態(tài)進行了評估研究;文獻[53-54]采用稀疏自編碼器自動學習特征并由深層神經(jīng)網(wǎng)絡完成健康度預測;事實上,PHM技術經(jīng)過多年的發(fā)展,越來越多的研究將注意力轉移到深度學習技術應用上[55]。深度學習技術已經(jīng)成為未來健康管理重要方法[56]。

        4 系統(tǒng)級健康度評估方法

        與部件級健康狀態(tài)評估直接根據(jù)采集指標來進行的不同,系統(tǒng)級是利用部件、裝備、子系統(tǒng)等健康狀態(tài)評價結果,以及一些系統(tǒng)級采集參數(shù),再結合系統(tǒng)的結構特點,如串聯(lián)或者并聯(lián),綜合評價系統(tǒng)的健康度。鑒于系統(tǒng)級健康度評估的復雜性,目前這方面研究還很少。通過綜合分析,系統(tǒng)級健康度的評估方法主要可分為模糊理論法和融合計算法。

        1)模糊理論法:

        模糊理論作為一種比較成熟的方法,在系統(tǒng)級健康度評估中也得到較多應用。如文獻[15]就是使用模糊理論進行系統(tǒng)級健康度評估的典型應用。通常在系統(tǒng)級健康度評估會采用AHP進行權重分析。AHP可以很好地融合專家經(jīng)驗,根據(jù)子系統(tǒng)或者部件的結構特點和重要性來定義他們的權重影響。如文獻[11]、[57]利用AHP確定子系統(tǒng)權重,然后利用模糊綜合評判對艦船動力系統(tǒng)和雷達整機進行了健康度評價,取得較好效果。在如何確定權重的方法上,除了AHP,也有通過熵權法或者灰度系統(tǒng)得到客觀權重進行融合計算的。如文獻[58]采用熵權法和AHP相結合的方式獲取綜合權重對配電網(wǎng)關鍵裝備進行了健康度評估;文獻[59]利用專家打分和灰度系統(tǒng)確定權重,然后利用模糊理論建立了帶式輸送機的健康度評估模型。此外,將模糊理論和其他算法混合對系統(tǒng)級健康度進行評估也是一種思路。如文獻[60]構建了一種隨機混合系統(tǒng)模型,利用基于改進的交互多模型算法、混合狀態(tài)估計、連續(xù)變量的離散化進行模糊健康度的定量計算,實現(xiàn)了對四旋翼飛機健康度合理評估。

        2)融合計算法:

        融合計算也是系統(tǒng)級健康度評估常用方法[61],主要原因在于該方法直觀簡潔。在各個部件或者子系統(tǒng)的健康度已經(jīng)評估的情況下,采用該方法時,主要工作在于確定各個部件或子系統(tǒng)的權重。鑒于復雜系統(tǒng)結構的復雜性,基本上都采用了AHP來確定主觀權重。如文獻[30]針對某復雜系統(tǒng)在系統(tǒng)級健康度評估時,根據(jù)專家打分結合AHP計算部件權重;文獻[62]在對動車輔助供電系統(tǒng)進行健康度評估時,綜合了AHP、熵權法及灰度系統(tǒng)等方法,綜合確定權重,使融合計算的結果更合理。近年來,越來越多的系統(tǒng)級健康度評估研究開始關注系統(tǒng)的結構特性。如文獻[63]在對發(fā)動機裝配系統(tǒng)的健康度進行評估時,考慮了部件的重要度權重;文獻[15]在對衛(wèi)星姿態(tài)控制系統(tǒng)的健康度評估時,提供了冗余修正系數(shù),考慮了系統(tǒng)設計的冗余問題;而文獻[38]在評估在軌衛(wèi)星系統(tǒng)的健康度時,結合衛(wèi)星系統(tǒng)的高冗余和高可靠性設計,從完成任務的角度出發(fā),考慮了系統(tǒng)的結構特性和可重構度,健康度評估更符合實際情況的要求。

        除了上述兩種主要方法,根據(jù)復雜裝備系統(tǒng)結構和應用特點,在系統(tǒng)級健康度的評估研究中還有少量其他方法。如可從復雜裝備健康狀態(tài)退化的角度,利用Petri網(wǎng)模型對系統(tǒng)級健康度進行建模[64];針對串聯(lián)系統(tǒng),可以將系統(tǒng)狀態(tài)最差的部件或者子系統(tǒng)的健康度作為整個系統(tǒng)的健康度[3]。相對而言,系統(tǒng)級健康度評估方法相對單一,缺乏深入研究。

        5 存在的問題及分析

        目前,復雜裝備健康度評估技術還面臨著很大挑戰(zhàn),針對裝備健康度的分析方法還不夠成熟,還存在許多值得進一步探究和完善之處,主要表現(xiàn)在以下幾個方面。

        1)權重問題:

        現(xiàn)代大型裝備結構復雜,評價指標眾多,大多數(shù)評價方法都應用和分析了權重的影響。權重的本質是所代表的評價指標在健康度中的影響程度,因此權重誤差會對評價結果造成很大影響,確定權重是健康度評估中的重要問題。

        目前用于健康度評估的權重分析方法大體可歸為如下三類:1)層次分析法,它是一種基于主觀分析的方法。其優(yōu)點是可以很好容納專家經(jīng)驗,缺點是不夠準確。目前AHP是應用最多的一種方法。2)熵權法,這是一種客觀分析權重的方法,大多用在部件級健康度評估的應用中。雖然熵權法通過指標變化程度來反映指標權重具有一定的科學性,但并不能反映出所有情況下指標對健康度的影響程度。3)綜合法,是一種將AHP、熵權法及其他方法融合加權的方法。如有些研究融合了灰度系數(shù)實現(xiàn)融合加權;有些研究則加上均衡函數(shù)變權法實現(xiàn)綜合加權;還有利用層次分析法和變異系數(shù)法進行有效組合來確定權重的,可消除主客觀單一作用的影響,使得權重更加合理。

        雖然很多研究對權重進行了認真分析,權重分析仍然是復雜裝備健康度評估時一個值得研究的問題。主要原因在于目前對權重的分析都是靜態(tài)的,無論主觀還是客觀的方法,計算出來的權重都不再變化。實際上,影響裝備健康度的指標權重應該是一個動態(tài)的過程。比如有些指標在不同環(huán)境中、不同任務下或者不同的采集值都可能對健康度影響程度不同。

        2)樣本不均衡問題:

        隨著大數(shù)據(jù)分析技術的出現(xiàn),利用各種機器學習方法進行健康狀態(tài)評估的研究越來越多。采用機器學習方法克服了各種傳統(tǒng)模型算法的不足,也不用關心各個指標的權重問題,為健康度的評估帶來了新的思路。但單純機器學習算法往往由于訓練樣本的不均衡或者樣本數(shù)量不夠,難以得到理想的效果。在實際工作中,由于裝備大多數(shù)時候正常工作,出現(xiàn)故障時候較少,或者以前管理不規(guī)范,非健康數(shù)據(jù)不完整的情況也很常見。目前這方面的研究還很少,少量的研究是在機器學習中融于了權重解決樣本不均衡問題。如有研究利用線性回歸算法評估電能表的健康度時,通過專家確定權重然后統(tǒng)計權重平均數(shù),改進了評價質量。有研究在對軸箱軸承用支持向量機進行健康度評估時,利用AHP進行了權重的分析,讓結果更加準確。在裝備健康度評估過程中,要解決樣本不均衡的問題,一般需要人工經(jīng)驗的參與。如何將人工經(jīng)驗與機器學習或者深度學習算法相結合,還是一個值得研究的問題。

        3)健康度與故障率結合的問題:

        在健康管理系統(tǒng)中,評估裝備健康度的目的是對裝備的故障率、可靠性進行估計,進而對裝備維修時機進行判斷,達到狀態(tài)維修目標。通常裝備健康度應該代表裝備劣化程度,和故障率之間有一定的函數(shù)映射關系[3],如公式(3)所示。

        λ=K×e-c·H

        (3)

        公式(3)中,λ表示裝備故障概率,H表示健康度。c是曲率系數(shù),K為比例系數(shù)。通過不同健康度對應的裝備故障數(shù)量,可以擬合出K和c的值。

        然而,目前絕大多數(shù)健康度評價方法并沒有很好地結合裝備可靠性或者故障率方面的信息。大多數(shù)研究僅僅考慮了采集指標對裝備健康狀態(tài)的影響。少量研究考慮了裝備結構的重要度、可重構度、裝備退化等影響。事實上,如果裝備的健康度缺乏對裝備的故障率和可靠性方面影響因素的分析,評估出的健康度和故障率之間很難有比較準確的、符合公式(3)的映射關系。這樣的健康度只能用來表達裝備的相對健康狀況,并不能很好地作為狀態(tài)維修的依據(jù)。

        6 改進思路和發(fā)展趨勢

        根據(jù)前面闡述的研究現(xiàn)狀,以及總結分析存在的問題,結合當前技術發(fā)展方向,復雜裝備健康度評估的未來改進思路和發(fā)展趨勢主要表現(xiàn)在如下幾個方面。

        1)改進機器學習算法:

        隨著大數(shù)據(jù)分析技術和人工智能技術的快速發(fā)展,裝備健康度的評估技術未來將越來越多的依靠機器學習算法。由于需要訓練的樣本少,傳統(tǒng)的SVDD及各種回歸技術還仍然有一定的用武之地。但更多的研究將轉移到深度學習方面。為了解決裝備不同狀態(tài)下訓練樣本不均衡、裝備使用環(huán)境變化等問題,利用生成對抗網(wǎng)絡和遷移學習技術將在健康度評估中得到應用。同時,針對某些裝備健康數(shù)據(jù)的不完整性,將專家經(jīng)驗與機器學習有機結合也是一個值得注意的研究方向。

        2)考慮更多因素融合的評估算法:

        近年來多因素融合評估方法越來越受到健康狀態(tài)評估研究者的重視。根據(jù)前面的分析,影響裝備健康度的因素很多。除了各種采集參數(shù)代表的影響因素以外,裝備結構、執(zhí)行任務類別、裝備歷史故障分布等都與裝備健康度有關系。而且健康度計算值還需要反映裝備故障率或者其執(zhí)行任務的可靠性。因此需要根據(jù)健康度評定的目標選擇合適的因素進行融合評價。通常不同類別的因素評價具有其最佳適應的算法,因此多因素融合評估算法,也是多種算法組合評估方法。事實上,近年來很多健康度評估研究大多是多種算法組合評估方法,未來也還將繼續(xù)這種趨勢。

        3)權重自適應計算:

        雖然深度學習法可以減少對權重的依賴,但權重的應用仍然在裝備健康度評估中具有重要地位。實際上,合理的權重可以顯著提高健康度評估的準確性,減少算法的復雜性。特別是在系統(tǒng)級健康度評估過程中,權重分析都將是不可或缺的。根據(jù)前面的分析,在權重計算中,無論是主觀的AHP,還是客觀的熵權法,或者是多種方法綜合,都還有很多不足的地方。未來權重分析應該在兩個方面進行改進。首先是需要體現(xiàn)權重的動態(tài)性。如某個采集指標在正常情況下,可能對健康度影響不大;但是采集指標接近報警區(qū)間時,可能對健康度有重要影響。這就需要通過權重體現(xiàn)這個影響的變化。其次是需要體現(xiàn)權重的自適應性。同樣的采集指標在不同環(huán)境和不同任務下可能權重會有些變化,而且基于人工經(jīng)驗的指標權重也不精確,這需要通過一定的算法,如粒子群算法自適應調整權重值,以適應具體的使用環(huán)境變化。

        7 結束語

        文章綜述了近幾年國內外復雜裝備方面有關健康度評估的研究情況。首先總結了健康度評估的含義和發(fā)展狀況,歸納了健康度評估的常用方法。然后針對復雜裝備的特點,從部件級和系統(tǒng)級兩個方面介紹了各種健康度評估算法及特點。雖然目前復雜裝備的健康度評估研究有了一定的進展,但在實際應用仍然存在許多問題。通過對健康度評估中存在問題進行分析,提出了今后的改進思路和發(fā)展趨勢。

        猜你喜歡
        權重裝備狀態(tài)
        好裝備這樣造
        港警新裝備
        權重常思“浮名輕”
        當代陜西(2020年17期)2020-10-28 08:18:18
        防曬裝備折起來
        狀態(tài)聯(lián)想
        為黨督政勤履職 代民行權重擔當
        人大建設(2018年5期)2018-08-16 07:09:00
        生命的另一種狀態(tài)
        基于公約式權重的截短線性分組碼盲識別方法
        電信科學(2017年6期)2017-07-01 15:44:57
        熱圖
        家庭百事通(2016年3期)2016-03-14 08:07:17
        堅持是成功前的狀態(tài)
        山東青年(2016年3期)2016-02-28 14:25:52
        亚洲欧洲无码一区二区三区| 日本免费一区二区在线看片| 无码伊人66久久大杳蕉网站谷歌| 精品人妻中文无码av在线| 欧美日韩成人在线| 中文字幕一区二区人妻痴汉电车| 高清国产亚洲精品自在久久| 人妻丝袜中文无码av影音先锋专区| 无码中文字幕日韩专区视频| 极品美女高潮喷白浆视频| 国产一区二区精品久久呦| 富婆猛男一区二区三区| 国产乱国产乱老熟300部视频| 看黄网站在线| 亚洲精品一区二区三区av| 青青草高中生在线视频| 中文在线8资源库| 99久久免费国产精品2017| 亚洲一区二区三区久久久| 国产午夜视频在线观看免费| 免费观看激色视频网站| 亚洲一区二区三区av链接| av网站韩日在线观看免费 | 亚洲国产精品一区二区第一| 蜜桃a人妻精品一区二区三区| 免费无码中文字幕a级毛片| 秒播无码国产在线观看| 魔鬼身材极品女神在线| 国产精品国产三级国产密月| 男女裸交无遮挡啪啪激情试看 | 搡老熟女中国老太| 国产高清国内精品福利99久久| 精品日韩一区二区三区av| 国产精品h片在线播放| 日韩成人无码一区二区三区| 大肥婆老熟女一区二区精品| 上海熟女av黑人在线播放| 好看的欧美熟妇www在线| 亚洲V无码一区二区三区四区观看| 亚洲韩日av中文字幕| 少妇做爰免费视频了|