[发明专利]基于贝叶斯网络及基层数据的系统健康状态预测方法

摘要

本发明公开了一种基于贝叶斯网络及基层数据的系统健康状态预测的方法，包括以下几个步骤：步骤一、系统分析及贝叶斯网络各节点关系的构建；步骤二、建立基层节点的预测模型；步骤三、确定节点间信息的传递关系；步骤四、系统健康状态的预测；本发明建立了基层级数据与系统状态的定性与定量联系，在系统级数据难以判定或难以获得的情况下，解决系统状态预测的问题；能够融合系统各基层级单位的信息，以此获得系统状态的预测结果。

主权项

1.基于贝叶斯网络及基层数据的系统健康状态预测方法，其特征在于，包括以下几个步骤：步骤一、系统分析及贝叶斯网络各节点关系的构建系统是由各分系统、设备及其以下层级的组件、零件相互配合作用而构成的，以此运行工作并实现相应的功能，系统的状态体现了这种实现相应功能的能力，基层级产品的运行时间、故障机理、环境情况均直接或通过其它设备间接的对系统状态产生影响,因此，对系统的状态进行分析，要从系统、分系统、设备直至基层产品的结构和逻辑关系，基层级产品的故障机理，以及作用于产品的应力和时间几个方面来开展；在此基础上，利用贝叶斯网构建系统模型，本步骤从定性的层面来开展，在定性层面，采用一个有向无圈图描述变量之间的依赖和独立关系，其中的节点代表随机变量，节点间的边代表变量之间的直接依赖关系，最终形成贝叶斯网络结构；步骤二、建立根节点的预测模型假设故障机理的根节点均具有退化特征，因此在构建得到上述贝叶斯网络模型的基础上，将各根节点的预测模型与贝叶斯网络模型相结合，对于网络的根节点，首先结合各机理自身的特点及历史和实测数据构建对应的状态预测模型，对于设备Am而言，利用各机理下的数据获得其对应每种机理下的状态特征模型：其中为特征模型中，时间t，应力s同特征参数ξ_M1Am、ξ_M2Am、ξ_M3Am间的关系函数，θ_M1Am、θ_M2Am、θ_M3Am是关系函数中的参数,ε_M1Am、ε_M2Am、ε_M3Am是特征模型中的随机误差量；根节点的状态定义为“不正常工作”“1”和“正常工作”“0”两个状态，定义在机理q下，状态特征达到lqw时，即到达该机理损伤的临界状态，表明到达损伤终值，事件发生的时刻记为：Tqw(lqw)＝inf{t:ξqw＝lqw；t≥0}(4)因此得到机理q下的根节点在t时刻“1”和“0”状态的边缘分布分别为：1：Pqw(t)＝P{Tqw(lqw)≤t}；(5)0：P′qw(t)＝P{Tqw(lqw)＞t}；(6)由此可以通过状态特征模型得到设备Am各机理对应根节点t时刻“1”和“0”状态的边缘分布：根节点M1Am:1：PM1Am(t)＝P{TM1Am(lM1Am)≤t}；0：P′M1Am(t)＝P{TM1Am(lM1Am)＞t}；根节点M2Am：1：PM2Am(t)＝P{TM2Am(lM2Am)≤t}；0：P′M2Am(t)＝P{TM2Am(lM2Am)＞t}；根节点M3Am:1:PM3Am(t)＝P{TM3Am(lM3Am)≤t}；0:P′M3Am(t)＝P{TM3Am(lM3Am)＞t}；步骤三、确定节点间信息的传递关系对于非根节点，其状态情况取决于其父节点，规定非根节点和它的父节点间信息的传递关系分为三类：1)状态逻辑关系通过逻辑关系模型来建立非根节点和它的父节点间的状态关系，以此描述其工作状态，对于非根节点A：定义非根节点的状态为“不正常工作”“1”和“正常工作”“0”两个状态，在t时刻“1”和“0”的状态表示为：CA(t)＝Φ(CA1(t),CA2(t),...,CAm(t))(7)若非根节点A中各父节点间的关系为串联模型，那么：若为并联模型，那么：其中CAi(t)为父节点的状态；2)概率权重关系通过权重分配来建立非根节点和它的父节点间的概率关系，以此描述其工作状态，对于非根节点A：定义非根节点的状态为“不正常工作”“1”和“正常工作”“0”两个状态，在t时刻“1”和“0”状态的概率分别为：1：PA(t)；(8)0：PA′(t)＝1‑PA(t)；(9)其中：PAi(t)为父节点相应状态的概率；wi为概率权重；3)特征参数函数关系通过非根节点特征参数同父节点特征参数间的函数关系来建立非根节点和它的父节点间的关系，以此描述其工作状态，对于非根节点A：已知非根节点A状态特征参数的函数模型为：定义非根节点的状态为“不正常工作”“1”和“正常工作”“0”两个状态，当ξA达到lA时，即A失效，事件发生的时刻记为：TA(lA)＝inf{t:ξA＝lA；t≥0}(11)因此得到非根节点A在t时刻“1”和“0”状态的概率分别为：1：PA(t)＝P{TA(lA)≤t}；(12)0：P′A(t)＝P{TA(lA)＞t}；(13)步骤四、系统健康状态的预测由步骤一～步骤三，通过贝叶斯网络推断，得到系统System在t时刻“1”和“0”状态的概率分别为：1：PSystem(t)；(14)0：P′System(t)；(15)进而预测得到在t0时刻，系统正常工作的概率为P′System(t0)，不正常工作的概率为PSystem(t0)，同时预测得到指定的概率P时，其对应的时间T，以此来指导系统的维护保障。