[发明专利]一种基于未确知深度理论的复杂系统健康状态评估方法

说明书

本发明提供了一种基于未确知深度理论的复杂系统健康状态评估方法，包括如下步骤：(1)通过传感器采集系统中对应于传感器位置的测量点的数据；(2)对采集到的数据进行预处理；(3)根据采集到的数据与对应传感器的健康状态的映射关系，设定未确知测度函数；(4)根据未确知测度函数，构建单传感器的未确知测度矩阵；(5)根据未确知测度函数，构建子系统的未确知测度矩阵；(6)对系统中各传感器，计算不同时刻点的权重分配；(7)对系统中各传感器，计算不同传感器的权重分配。本发明有效通过未确知理论实现各传感器的初步特征提取，实现初步健康评估，并通过深度神经网络进行数据融合，获取健康因子，定量的实现系统的健康评估，增加系统的可靠性。

技术领域

本发明涉及一种基于未确知深度理论的复杂系统健康状态评估 方法。

背景技术

在复杂系统的设备健康管理领域，由于系统具众多输出参数，且 长期工作于恶劣环境下，其发生故障的概率也大大增加，经长期工作 发现，系统在工作时，其故障主要集中在关键传感器，因此，掌握这 些传感器的工作状态可以有效降低系统故障发生的概率，大幅提高系 统的可靠性，因此对系统中关键传感器等进行健康诊断与健康评估技 术是很有必要的。

目前国内针对该系统的研究多应用传统的方法，无法充分利用系 统中包含的众多测量点的大量信息，除造成信息资源的浪费外，还造 成评估精度较低，常常出现评估指标偏差。

发明内容

为解决上述技术问题，本发明提供了一种基于未确知深度理论的 复杂系统健康状态评估方法，该基于未确知深度理论的复杂系统健康 状态评估方法通过未确知理论实现各传感器的初步特征提取，实现初 步健康评估，并通过深度神经网络进行数据融合，获取健康因子，定 量的实现系统的健康评估，增加系统的可靠性。

本发明通过以下技术方案得以实现。

本发明提供的一种基于未确知深度理论的复杂系统健康状态评 估方法，包括如下步骤：

(1)通过传感器采集系统中对应于传感器位置的测量点的数据；

(2)对采集到的数据进行预处理；

(3)根据采集到的数据与对应传感器的健康状态的映射关系，设定 未确知测度函数；

(4)根据未确知测度函数，构建单传感器的未确知测度矩阵；

(5)根据未确知测度函数，构建子系统的未确知测度矩阵；

(6)对系统中各传感器，计算不同时刻点的权重分配；

(7)对系统中各传感器，计算不同传感器的权重分配；

(8)根据单传感器的未确知测度矩阵和不同时刻点的权重分配，计 算各传感器的未确知隶属度参数；

(9)根据子系统的未确知测度矩阵和不同传感器的权重分配，计 算子系统的未确知隶属度参数；

(10)分别计算各传感器的健康因子和子系统的健康因子；

(11)将最低的健康因子作为系统最终的健康因子。

在所述步骤(2)中，使用正态函数实现对未确知测度函数的特征值 分配以完成构建。

所述步骤(6)中，计算权重分配的方法采用层次分析法。

所述步骤(7)中，计算权重分配的方法采用熵权法。

所述步骤(11)中计算方法采用卷积神经网络。

所述步骤(6)分为如下步骤：

(6.1)计算传感器的时序偏差向量；

(6.2)应用偏差值构建两两比较的健康评估矩阵BCM_i；