[发明专利]基于CPS的PHM设计方法

权利要求书

1.基于CPS的PHM方法，其根据基于CPS的PHM系统，该系统包括感控单元、网络单元和决策单元；其中

感控单元负责对底层的单元模块进行感知，获取相关数据，进行一定的处理后通过通信模块向上传输，同时接收上层传回的控制指令对感控单元进行一定的控制调整；

网络单元根据任务的实际需求，利用网络通信技术将下层的各个分系统、组件联系起来，并与决策单元进行通信；

决策单元基于感控单元传回的数据，对系统的健康状态进行评估，预测系统可能出现的故障或性能降级，结合系统资源得出决策信息，最后通过网络将决策信息传输到感控层相应的执行单元，从而构成一个完整的闭环结构；

其中

(1)感控单元

感控单元包括智能传感器、执行模块和通信模块；

智能传感器获取直接或间接影响系统性能的全部特征参数；执行模块通过节点自带的微处理器和相关数据处理算法对智能传感器输出的特征参数进行数据预处理和状态预诊断，在线快速进行初步的滤波，去噪，A/D转换，简单故障阈值的判断，并将处理结果传输至通信模块；通信模块实现智能传感器的信息控制指令交互，将传感单元信息发送至网络单元，并接收网络单元下传的控制信号；

(2)网络单元

网络单元是连接感控层和决策层的桥梁，传输感控单元上传的传感器信号以及决策单元下传的控制指令信号，并根据网络传输的具体需求进行组网；

(3)决策单元

决策单元包括数据库、多维信息评估、任务管理系统、人机接口；网络单元传输至数据库后，由数据库进行统一的数据管理；多维信息评估系统通过调用数据库中的传感器采集数据进行深度处理和智能判断，将诊断结果上传至任务管理系统；任务管理系统基于多维信息评估系统得出的诊断结果，结合任务规划的实际需求，给出传感器采集策略调整的指令，通过网络单元下传至感控单元；同时利用人机接口，为用户提供系统状态信息和维修决策建议，使用户能够在不了解感控层和网络层具体组成和结构的情况下，与PHM系统进行交互；

所述基于CPS的PHM方法，其特征在于，包括感控单元布局优化、网络单元路由优化、执行单元策略优化三个步骤；具体如下：

1)感控单元布局优化流程

在测试点集合T中寻找一个最优的测试点集合T_S＝{t₁，t₂…t_n}，其中t₁，t₂…t_n分别为测试集合中的各个测试点，n为测试点个数；将测试点优化选择转化为带约束条件的单目标最优化问题，如下所示；

min J＝Ts.C^T   (1)

其中，J表示优化目标函数，C＝[c₁，c₂…c_n]表示各测试点c₁，c₂…c_n对应的测试费用，r_FD、r_FI分别表示故障检测率和故障隔离率，分别表示给定的故障检测率和故障隔离率阈值，T表示转置；

采用基于模拟退火的粒子群优化算法改进策略SA-PSO对测试点进行优化；

Step1：初始化粒子群的粒子数、学习因子、惯性权重ω，n表示测试点个数，n对应于算法中每个粒子的维度大小，然后随机初始化粒子群个体的位置x_i(t)和速度v_i(t)；

x_i(t)＝(x_i1，x_i2，...x_in)   (3)

v_i(t)＝(v_i1，v_i2，...v_in)   (4)

其中，i＝1，2，…，N表示粒子群个体编号，N表示粒子群中粒子个数，粒子在各个维度上的位置信息表示为x_ij，x_ij取值为0或1，当x_ij＝1表示第i个粒子选择了测试点t_j，当x_ij＝0表示第i个粒子没有选择测试点t_j；v_i1，v_i2，...v_in为粒子速度在各个维度上的分量；

Step2：初始化各粒子个体最优值pbest和粒子群最优值gbest；

Step3：确定初始温度T₀＝f(gbest)/ln5其中，f(·)表示适应度函数，定义如下：

其中p为惩罚因子，是为了避免故障检测率和隔离率都不满足条件，而测试费较少，适应度值较低的情况；

Step4：计算每个粒子在当前温度下的适应度值；将当前每个粒子的位置和适应度值保存在各自的各粒子个体最优值pbest中，然后通过比较每个粒子适应度值的大小，将当前粒子群中适应度值最大的粒子和该粒子位置保存在粒子群最优值gbest中；

Step5：采用轮盘赌策略根据适配值，用当前的某个各粒子个体最优值pbest_i代替粒子群最优值gbest；

Step6：依据式(6)、(7)对粒子的速度和粒子位置进行更新；

x_ij(t+1)＝x_ij(t)+v_ij(t+1)   (7)

其中为惯性因子，G＝g₁+g₂为学习因子之和，学习因子g₁，g₂决定了粒子本身经验和其它粒子经验对于粒子轨迹的影响；j＝1，2，…，n表示速度向量的第j个维度，v_ij(t)、x_ij(t)、pbest_ij分别表示第i个粒子速度与位置以及最优位置向量在第j个维度的分量；gbest_j表示粒子群最优位置在第j个维度的分量；r₁，r₂是0到1之间的随机数；

Step7：重新计算每一个粒子的适应度值，与该粒子的个体最优值pbest_i对应的适应度值比较，如果计算的适应度值大于该粒子个体最优值pbest_i的适应度值，则更新该粒子个体最优值pbest_i，否则该粒子个体最优值pbest_i保持不变；比较当前迭代中所有的粒子个体最优值pbest_i和粒子群最优值gbest对应的适应度值，i＝1，2，…，N，更新粒子群最优值gbest；

Step8：退温操作：T_k+1＝γT_k(0＜γ＜1)；其中T_k表示第k次循环的温度、γ表示退温速率；

Step9：判断迭代次数是否达到预设值；如果小于预设值，则重复Step4-8，如果达到预设值，则输出粒子群最优值gbest对应的粒子位置x_i(t)为感控单元布局方案；

2)网络单元路由优化流程

网络单元由任务管理节点、Sink节点和大量普通传感器节点组成，传感器节点采集到数据，经过简单处理后，以单跳或者多跳的方式自组织成网络，将监测到的数据传送给基站，然后基站与外部网络通信；假设m个传感器节点随机分布在L×L的矩形监测区域内，传感器节点和基站具有如下特性：

(a)传感器网络部署完成后，基站Sink节点和传感器节点的位置固定，且基站和节点的地理位置信息已知；

(b)每个节点都有唯一和固定ID；

(c)传感器节点同构，假设每个节点的初始能量相同，且能量有限；

(d)基站Sink有外部能量供应，视为无限能量；

(e)传感器节点根据通信距离大小自动调节发射功率；

(f)传输信道对称，即节点A传输k bit数据到节点B与节点B发送k bit数据到节点A消耗的能量相同；

(g)传感器节点能够感知自身的剩余能量；

基于以上假设，采用基于自然选择粒子群优化算法的非均匀分簇路由方法对路由进行优化，具体步骤如下：

STEP1：对网络单元的分布进行量化编码；假设传感器节点的个数为m，那么第i个粒子的位置向量表示为m维的二进制向量：

x_i(t)＝(x_i1，x_i2，x_i3，…，x_im)   (8)

其中元素x_i1，x_i2，x_i3，…，x_im各自的值为1时表示该节点被选为簇头节点，否则该节点为普通节点；根据公式(9)进行簇头节点选择；

STEP2：初始化粒子群的粒子数、学习因子、惯性权重ω，然后随机初始化粒子群个体的位置x_i(t)和速度v_i(t)；

x_i(t)＝(x_i1，x_i2，x_i3，…，x_im)   (9)

v_i(t)＝(v_i1，v_i2，v_i3...v_im)   (10)

STEP3：初始化各粒子个体最优值pbest和粒子群最优值gbest；

STEP4：计算每个粒子在当前温度下的适应度值，将当前每个粒子的位置和适应度值保存在各自的pbest中，然后通过比较，选出粒子群中最优适应度值最大的粒子，连同该粒子的位置保存在粒子群最优值gbest中；适应度函数如下：

cost(x_i(t))＝α₁g₁(x_i(t))+α₂g₂(x_i(t))+α₃g₃(x_i(t))   (11)

α₁+α₂+α₃＝1

其中，cost是英文，表示花费，在此用cost(·)表示适应度函数；d(x_ij，sink)表示节点x_ij距离sink节点的距离；α₁、α₂、α₃为三个加权系数，用来调节不同函数所占的权重；g₁(x_i(t))表示WSN网络中所有节点能量与簇头节点能量和之比，簇头节点能量越大时g₁(x_i(t))越小，E(ij)表示簇头节点能量；g₂(x_i(t))表示簇头节点至Sink节点的平均距离，当g₂(x_i(t))越小时说明距离Sink节点近的簇头越多，从而靠近Sink节点的簇规模越小；g₃(x_i(t))为簇的紧凑性评价函数，等于簇内节点至簇头最大的平均欧式距离；其中表示簇头的个数，表示粒子x_i的第k个簇头节点，为的簇内节点集合；、m_i为簇内任意一个节点，为该节点m_i到簇头的距离；

STEP5：依据式(15)(16)对粒子的速度和粒子位置进行更新；

x_ij(t+1)＝x_ij(t)+v_ij(t+1)    (16)

STEP6：重新计算每一个粒子的适应度值，与该粒子pbest中的适应度值比较，如果计算的适应度值大于该粒子个体最优值的适应度值，则更新pbest，否则pbest保持不变；比较当前迭代中所有的各粒子个体最优值pbest和粒子群最优值gbest，更新粒子群最优值gbest；

STEP7：判断迭代次数是否达到预设值；如果小于预设值，则重复STEP4-6，如果达到预设值，则输出粒子群最优值gbest对应的粒子位置为网络单元最佳路由方案；

3)执行单元策略优化流程

采用多变异位自适应遗传算法MMAGA对任务管理进行优化；具体步骤如下：

Step11：染色体基因编码；并行异构计算方式下的任务调度，就是将任务分解为多个具有顺序约束关系的子任务，然后综合不同任务之间的通讯延迟和计算资源性能的差异，将子任务映射到不同的计算资源上，最终使得全部任务完成时间最短，因此染色体编码结构由两部分组成，a(.)和p(.)，如下所示；

假设有r个任务集合：A＝[a₁，a₂，a₃，...，a_r]，a_i为第i个待处理的任务，1≤i≤r；s个计算资源集合：P＝[p₁，p₂，p₃，...，p_s]，p_j为第j个计算资源，1≤j≤s；染色体的长度即为2×r，染色体的第k位与r+k位相对应，a₄和p₁表示任务4在计算资源1上执行；

Step22：初始化种群大小、遗传代数、编码长度、交叉和变异概率这些相关参数；

Step33：根据适应度函数计算每个染色体的适应度值，假设U_d表示第d个种群个体对应的染色体，其中1≤d≤N；染色体适应度函数如下：

T_span(U_d)＝max{T_fsh(a_i)|1≤i≤r}

T_fsh(a_i)＝T_{pre_begin}(a_i)+w_ij   (18)

T_{pre_begin}(a_i)＝max{T_fsh(a_k)+del′_ki|a_k∈pre(a_i)}   (19)

其中，U_i为第i个染色体个体，T_span(U_d)为整个调度任务完成时间，T_fsh(a_i)为任务a_i的完成时间，T_{pre_begin}(a_i)表示任务a_i开始前消耗的时间，w_ij表示任务a_i在计算资源p_j上的执行时间，T_fsh(a_k)表示任务a_k的完成时间，由于pre(a_i)表示任务节点a_i的前驱节点，a_k表示任务a_i的前驱任务完成时间；del′_ki表示任务a_i与a_k之间的通讯延迟时间，del_ki表示在不同计算资源上处理的通讯延迟时间；

Step44：通过轮盘赌策略选择再生个体，适应度值大的染色体个体被选中的概率高，而适应度值低的染色体个体将被淘汰；

Step55：根据自适应交叉概率生成新的染色体个体；交叉概率公式如下：

其中p_c0为初始的交叉和变异概率，f_max为最大的适应度值，f_avg为平均适应度值，f是进行交叉的两个个体中较大的适应度值；

Step66：根据自适应方法产生变异概率，当最大适应度值与最小适应度值相等时，只产生一个变异位；当两者不相等时，随机产生多个变异位和变异位置，然后对选择的染色体个体进行变异；变异概率公式如下：

其中p_m0为初始的变异概率，f_max为最大的适应度值，f_avg为平均适应度值，f′为变异个体的适应度值；

Step77：判断迭代次数是否达到预设值；如果小于预设值，则重复Step44-66，如果达到预设值，则输出最优的染色体编码作为执行单元策略方案。