[发明专利]一种考虑可解释性的复杂机电系统健康评估方法及系统

说明书

本发明涉及一种考虑可解释性的复杂机电系统健康评估方法及系统。该方法包括：基于置信规则库构建复杂机电系统健康评估模型；依据专家知识分别定义搜索强度、规则激活因子和可解释分布约束；根据所述规则激活因子，选择所述复杂机电系统健康评估模型中被激活的参数；根据所述可解释分布约束和所述被激活的参数，建立目标函数；根据搜索强度、所述可解释分布约束和所述目标函数对所述被激活的参数进行优化，得到优化后的复杂机电系统健康评估模型；将复杂机电系统数据输入至所述优化后的复杂机电系统健康评估模型进行评估，得到复杂机电系统健康评估状态。本发明在提高评估精度的同时保证模型的可解释性，使评估结果更加可靠。

技术领域

本发明涉及复杂机电系统健康评估领域，特别是涉及一种考虑可解释性的复杂机电系统健康评估方法及系统。

背景技术

在我国现代工业化进程中，以高端数控机床、航空发动机等为代表的复杂机电系统对经济发展的支撑作用日益凸显，其可靠性和安全性受到了广泛关注。健康评估方法可以识别复杂系统的薄弱环节和隐患，为提高系统的可靠性提供了依据。然而，不可靠和黑箱的评估过程可能导致潜在的风险，如维修决策不合理、报警信息延迟等。因此，如何有效融合专家知识和监测数据等多源信息，并以一种可解释的方式准确可靠地评估复杂机电健康状态成为了各领域亟待解决的问题。

现有的研究主要采用三类健康评估模型：1)基于大量样本建立的数据驱动模型，例如支持向量机(SVM)和人工神经网络(ANN)等。这类模型由于建模过程不透明，其结果的合理性难以令人信服；2)基于机理信息构建的白盒模型。这类模型可以提供透明的建模过程和可解释的结果。但由于从复杂系统中提取精确的数学表达式存在挑战，白盒模型的建立与应用变得难以实现。3)基于有限专家知识和数据样本建立的灰箱模型。这类模型可在一定程度上同时获得较好的建模精度与可解释性。置信规则库(BRB)是一种典型的灰盒模型，它能有效处理不确定性，实现对复杂机电系统的健康评估。

专家知识是基于BRB的健康评估模型可解释性的重要来源。然而，在模型优化过程中存在如下三个问题，这可能会破坏模型的可解释性，导致输出结果的不可靠。1)专家知识在优化过程中没有得到有效利用；2)优化后的规则可能与常识不一致；3)一些规则被过度优化，这会改变专家的初步判断。因此，要准确可靠地实现对复杂机电系统的健康评估，必须充分考虑以上三个方面的问题。

发明内容

本发明的目的是提供一种考虑可解释性的复杂机电系统健康评估方法及系统，在提高评估精度的同时保证模型的可解释性，使评估结果更加可靠。

为实现上述目的，本发明提供了如下方案：

一种考虑可解释性的复杂机电系统健康评估方法，包括：

基于置信规则库构建复杂机电系统健康评估模型；

依据专家知识分别定义搜索强度、规则激活因子和可解释分布约束；

根据所述规则激活因子，选择所述复杂机电系统健康评估模型中被激活的参数；

根据所述可解释分布约束和所述被激活的参数，建立目标函数；

根据搜索强度、所述可解释分布约束和所述目标函数对所述被激活的参数进行优化，得到优化后的复杂机电系统健康评估模型；

将复杂机电系统数据输入至所述优化后的复杂机电系统健康评估模型进行评估，得到复杂机电系统健康评估状态。

可选地，所述基于置信规则库构建复杂机电系统健康评估模型，具体包括：

基于置信规则库构建复杂机电系统健康评估模型：

with a rule weight θ_k and attribute weightsδ_i(k＝1,2,...,L；i＝1,2,...,T_k)