[发明专利]一种考虑监测误差的复杂机电系统健康状态预测方法

说明书

本发明涉及一种考虑监测误差的复杂机电系统健康状态预测方法，属于工程技术领域。该方法包括以下步骤：1.分析计算监测数据的监测误差。2.计算考虑监测误差的属性权重，并计算置信规则库(belief rule base,BRB)的新的激活权重。3.根据专家知识和新的激活权重建立初始双层BRB预测模型。4.利用投影协方差矩阵的自适应演化策略(the adaptive evolution strategy of projection covariance matrix,P‑CMA‑ES)作为优化算法，对初始参数进行更新后得到复杂机电系统的健康状态预测模型。本发明通过建立考虑了检测数据的监测误差的双层BRB健康状态预测模型，可以提高复杂机电系统健康状态预测模型的精度。

技术领域：

本发明涉及一种考虑监测误差的复杂机电系统健康状态预测方法，具体是指预测考虑监测误差的基于双层置信规则库的复杂机电系统的健康状态预测方法。属于工程技术领域。

背景技术：

预测复杂机电系统的健康状态是确保安全性，可靠性和经济性的重要基础。合理对复杂机电系统进行健康状态预测可以实现最佳的维护决策，并有效减少系统故障所造成的人员伤亡和经济损失。由于复杂机电系统的可靠性高，故系统的健康状况估计和预测的显着特征是大量监视数据和较差的有效数据。

目前主要有基于数据和基于定性知识的健康状态预测方法。基于数据驱动的智能学习模型是基于大量的观测数据，以建立非线性模型来预测复杂机电系统的健康状况。但对于大多数复杂机电系统，很难建立准确的分析模型。由于系统的复杂性和耦合特性，建立准确的健康预测模型以反映未来行为的动态变化也很困难。此外，在工程实践中考虑到少量的故障数据，很难获得足够的有效数据来确保使用数据驱动方法进行预测的准确性。基于定性知识的方法可以对基于专家知识的系统进行分析和建模，但由于缺乏基于定性知识的定量知识，传统的专家系统带来的预测结果不够精确。

置信规则库(belief rule base,BRB)是一种出色的建模方法，可以充分利用各种知识，包括定量知识，定性知识(例如专家经验)和半定量信息。BRB健康状态预测模型可以较好的预测复杂机电系统的健康状态。然而，由于外部环境干扰(噪声，振动等)以及传感器跟踪能力的下降，在实际操作环境中获得的复杂机电系统的有效监视数据中可能会出现错误。现有的复杂机电系统健康状态预测方法大多是在只考虑数据的客观方面的属性权重，没有考虑数据主观方面的属性权重的情况下进行健康状态预测。这种复杂机电系统的健康状态的预测方式虽然能够起到对复杂机电系统健康状态进行预测的作用，但是预测精度不高。

发明内容：

本发明的目的是提供复杂机电系统健康状态预测方法，它能够提高考虑输入特征量监视数据的误差的复杂机电系统健康状态预测精度。复杂机电系统健康状态预测模型分为以下四个模块：模块一为分析监测数据出现误差的原因，计算监测误差；模块二为计算考虑监测误差的属性权重，并计算BRB的新的激活权重；模块三通过专家知识和新的激活权重建立初始双层BRB预测模型；模块四为基于投影协方差矩阵的自适应演化策略(theadaptive evolution strategy of projection covariance matrix,P-CMA-ES)优化算法，对双层BRB模型中的初始参数进行更新。

本发明的技术方案：

模块一为根据平均距离方法对监测数据的监测误差进行计算，具体过程如下。首先计算每个数据与其他数据之间的距离：

d_n(x_n(i)，x_n(i′))＝|x_n(i)-x_n(i′)| (1)

x_n(i)表示第n个输入特征量中的第i个数据。

然后计算第n个输入特征量中的第i个数据与其他数据之间的平均距离：