[发明专利]基于TDP模型的诊断预测方法

权利要求书

1.基于TDP模型的诊断预测方法，其特征在于：所述TDP模型建模步骤如下：(1)首先要收集系统功能原理图和设计资料，深入分析系统的物理组成和各部件的连接关系，根据系统原理和维修要求对对象系统进行层次划分，层次划分后按照单元功能对各个模块划分，建立基于系统工作原理的结构模型用来描述系统各层次的组成结构；

(2)通过功能原理分析，明确功能单元的输入输出信号，在各个模块上划分输入输出端口和对应的信号，然后与多信号流方法一样根据模块间信号流动方向用有向线段将各模块的端口相互连接起来，构成骨架模型；

(3)应用FMEA故障分析方法找出影响系统性能的关键组件和关键故障，分析每个功能模块存在的故障模式及其影响的输入输出信号；在模块内添加该模块的故障模式及其相关的诊断预测信息，并将故障模式与关联信号联系起来；

(4)通过测试性设计资料得到测试和测试点信息，分析每个测试点上的测试项目以及各测试能观测的信号和行为，分析各测试的预测信息，在骨架模型上添加相应的测试节点，在测试节点中加入测试和预测信息，通过有向边描述测试节点对信号和行为的关系；

实现所述TDP模型的诊断预测方法包括：步骤(1)、基于系统原理与多信号流的TDP建模；步骤(2)、基于TDP模型的诊断策略优化；步骤(3)、基于TDP模型的故障状态识别和故障预测；

步骤(1)所述基于系统原理与多信号流的TDP建模主要包括：步骤(1.1)基于系统原理和多信号流的骨架建模，所述基于系统原理和多信号流的骨架建模包括：步骤(1.11)层次和模块划分、步骤(1.12)单元功能建模；步骤(1.2)基于骨架模型的TDP信息建模，所述骨架模型的TDP信息建模包括：步骤(1.21)故障信息分析、步骤(1.22)可预测属性、步骤(1.23)故障状态划分、步骤(1.24)测试点和测试预测信息；步骤(1.3)模型的测试性分析和评估，所述模型的测试性分析和评估包括：步骤(1.31)故障测试关联矩阵、步骤(1.32)基于TDP模型诊断预测的测试指标，其中，步骤(1.32)基于TDP模型诊断预测的测试指标又包括：步骤(1.321)可预测故障、步骤(1.322)可预测故障覆盖率；

步骤(2)所述基于TDP模型的诊断策略优化主要包括：步骤(2.1)基于Rollout和信息熵的多值测试诊断策略，所述基于Rollout和信息熵的多值测试诊断策略是根据信息熵函数作为算法的启发式评估函数，其中采用rollout算法对搜索过程进行优化，具体步骤如下：

在信息理论中，系统随机变量的不确定度可以用信息熵来表示，假设对某系统进行诊断测试，F＝{s₀,s₁,s₂,...,s_m}为系统状态模糊集，P＝{p(s₀),p(s₁),p(s₂),...,p(s_m)}据为其发生概率集合，在系统单故障的假设下，信息理论中熵的分布概率为：

在二值测试中，设系统可用测试集T＝{t₁,t₂,t₃,...,t_n}，测试t_i将系统分为两个子集x_ip和x_if，分别表示测试通过和测试不通过的子集，则信息增益IG(s,t_i)表示测试t_i可以提供的系统状态信息量，可以用式(2-2)表示：

在多值测试中，设系统可用测试集T＝{t₁,t₂,t₃,…,t_n}，测试t_i可以将系统分为m个子集，x_ik表示测试t_i对应输出为v_ik时对应系统可能的状态集，则式(2-2)可改写为：

测试提供的系统状态信息量越大，该测试对于故障隔离越有作用，在考虑测试费用的情况下，用信息量与测试代价的比值作为启发函数k^*，见以下公式(2-4)：

测试顺序按照启发函数值的大小排序，从而选出最优的测试序列：

第一步，设系统状态集为模糊集X＝{s₀，s₁，s₂，...，s_m}，测试集为T＝{t₁，t₂，t₃，...，t_n}；

第二步，对状态模糊集X用测试集中一个测试t_i进行测试，当测试t_i有m维输出，根据诊断推理机测试t_i把模糊集分为m个子集，按照公式(2-5)分别计算m个子集的概率；

第三步，选用基于信息熵的启发式评估函数，用式(2-4)评价各个子集的剩余的可用测试，根据传统信息熵算法分别得到子集的最佳测试序列，并用公式(2-6)计算该测试序列的期望测试费用，其中表示模糊x_i中故障模式的数量；

第四步，计算测试t_i的测试费用，在测试集中选取费用最低的测试t_b，将状态集X划分为m个子集，并根据公式(2-7)更新各子集中状态的概率；

第五步，以新的m个子集为模糊集X，将t_b从测试集中删除，重复第二到第六步直到所有子集中元素的个数不大于1；

步骤(3)所述基于TDP模型的故障状态识别和故障预测主要包括步骤(3.1)基于HSMM的故障状态识别和步骤(3.2)基于HSMM的故障预测；

所述步骤(3.1)基于HSMM的故障状态识别主要分为模型训练和故障状态识别两步，模型训练将不同故障状态的特征信息历史数据作为HSMM的输入量，并应用算法对模型进行训练，得到系统不同故障状态的HSMM模型，建立用于状态分类的模型库，即为步骤(3.11)基于改进粒子群的HSMM模型训练算法；然后采用传感器技术得到当前系统运行的特征信息数据，输入到状态分类器进行状态匹配，分别计算当前观测量的最大似然率即隶属于不同状态模型下的概率，其中输出概率最大的即为系统的故障状态；

所述步骤(3.11)基于改进粒子群的HSMM模型训练算法流程如下：

第一步：设迭代次数t＝0，对每个粒子的位置和速度进行初始化，并设定迭代终止条件；

第二步：设定模型的初始参数，利用样本数据和Baum-Welch算法进行HSMM参数估计，把Baum-Welch算法得到的参数作为粒子群中的粒子的初始位置；

第三步：通过Viterbi算法计算出P(O|λ)并设为新训练算法的适应度值；

第四步：按照改进粒子群算法的公式更新每个粒子的局部和全局最优位置；

第五步：判断上述参数估计是否达到要求，如条件满足则终止，否则t＝t+1，重复第二步到第五步；

所述步骤(3.2)基于HSMM的故障预测，利用当前故障状态识别结果和参数估计过程得到的故障状态驻留时间计算系统剩余使用寿命，预测故障的发展趋势，基于HSMM的故障预测基本步骤为：

第一步：根据包含系统所有故障状态的全寿命周期测试数据对HSMM进行模型参数估计，获得转移概率矩阵、故障状态驻留时间等模型参数；

第二步：根据故障状态识别的方法获得当前系统处于的故障状态；

第三步：在识别故障状态为i后根据参数估计得到的故障状态驻留时间p_i(d)的均值μ_i和方差可得系统状态i的剩余驻留时间和每个状态的驻留时间；

第四步：根据故障状态识别的结果和每个故障状态的驻留时间计算系统的剩余有效寿命从而完成对系统的故障预测