第 35 卷第 11 期
2 0 1 4 年 11 月
兵
工
学
报
ACTA ARMAMENTARII
Vol. 35 No. 11
Nov.
2014
基于多维特征参数的装备状态动态评估方法
王少华, 张耀辉, 韩小孩
( 装甲兵工程学院 技术保障工程系, 北京 100072)
摇 摇 摘要: 针对目前状态评估方法多重视状态特征参数的静态观测值,对时序状态数据所蕴含的
趋势信息关注较少的缺点,提出了静态评估与动态评估相结合的状态评估方法。 针对多维状态特
征条件下赋权难度大的问题,采用变尺度混沌算法进行客观赋权,建立了状态静态评估模型。 在静
态评估的基础上,提出运用劣化速度间的“ 距离冶 修正静态评估结果来进行动态评估。 运用近邻样
本密度加权的核模糊 C 均值聚类算法对劣化速度标准向量进行求解,提出了动态调整函数优化算
法,建立了完整的装备状态动态评估模型。 通过案例分析验证了该方法的有效性。
摇 摇 关键词: 兵器科学与技术; 多维特征参数; 混沌优化算法; NSD鄄WKFCM 聚类算法; 动态评估
摇 摇 中图分类号: E075
文献标志码: A
摇 摇 DOI: 10. 3969 / j. issn. 1000鄄1093. 2014. 11. 021
文章编号: 1000鄄1093(2014)11鄄1883鄄08
Dynamic Evaluation Methods for Equipment Technical Condition
Based on Multi鄄dimensional Characteristic Parameters
WANG Shao鄄hua, ZHANG Yao鄄hui, HAN Xiao鄄hai
( Department of Technology Support Engineering, Academy of Armored Force Engineering, Beijing 100072, China)
Abstract: According to the fact that current condition evaluation models lay more emphasis on the static
observations of characteristic parameters and less on trend information inherent in sequential observations,
a new condition evaluation model with static and dynamic evaluations is proposed. For the weighting of
multi鄄dimensional characteristic parameters, a mutative scale chaos algorithm is applied to achieve opti鄄
mal objective weighting, and a static condition evaluation model is established. Based on static evalua鄄
tion, a “ distance冶 which measures real鄄time deteriorating speed and standard deteriorating speed is opted
to modify the static evaluation result. NSD鄄WKFCM ( neighbor sample density weighted kernel fuzzy C鄄
means) clustering algorithm is used to solve standard vector of deteriorating speed. A dynamic adjusting
function based on “ distance冶 combined with its parameter optimization algorithm is proposed, and the
complete dynamic condition evaluation model is established. A case study is performed to verify the effec鄄
tiveness of the model.
Key words: ordnance science and technology; multi鄄dimensional characteristic parameter; chaos optimi鄄
zation algorithm; NSD鄄WKFCM clustering algorithm; dynamic evaluation
估通过分析反映装备状态的各类特征参数的观测数
0摇 引言
据,运用评估方法获取装备所处的健康状态,为维修
状态评估是状态维修的关键技术之一,状态评
决策提供技术支持。 不同的状态特征参数能够从不
摇 摇 收稿日期: 2013鄄12鄄17
基金项目: 军队“ 十二五冶 预先研究项目(51327020303)
作者简介: 王少华(1986—) , 男, 博士研究生。 E鄄mail: aafe77330@ 163. com;
张耀辉(1960—) , 男, 教授, 博士生导师。 E鄄mail: zyh532@ sohu. com
兵摇 工摇 学摇 报
1884
同的角度反映装备的状态,因此如何有效地融合高
维的状 态 数 据 已 经 成 为 状 态 评 估 研 究 的 重 点
目前, 研 究 者 主 要 采 用 距 离 函 数 法
法
[3]
、BP 神经网络
分分析法
[6]
[4]
[2]
、灰色评估法
。
、聚类评估
、支持向量机分类法
[7]
[1]
[5]
、主成
、模糊综合评估法
[8]
第 35 卷
进行 融 合, 首 先 选 择 状 态 特 征 参 数 的 融 合 方 法,
文献[2 - 8] 中列举了不同的数据融合方法,在确定
融合方法的基础上,以观测样本为输入值,采用适用
的算法对静态评估模型的参数进行优化。 通过变尺
以
度混沌优化为特征参数进行融合。 动态调整函数的
及这些方法的组合来融合状态特征数据,进行状态
确定主要包括确定函数形式和参数优化。 指数函
评估。
数、双曲线函数等典型函数都能够作为动态调整函
上述状态评估方法对特征参数的观测值进行融
数,函数的选择主要取决于状态样本的复杂程度;对
合,并未利用状态检测过程所包含的趋势信息,属于
于动态调整函数的具体参数,主要是依据状态判别
静态评估,相应的状态指标能够反映装备接近功能
的结果来进行反馈调整。 在确定静态评估模型和动
故障的程度,但无法描述装备状态接近功能故障的
态调整函数之后,即可将其相乘建立完整的状态评
速度。 状态劣化速度能够反映装备状态接近故障的
估模型,对状态指标进行阈值划分即可对状态等级
速度,在状态评估中引入这一信息,将有助于提高状
进行评判,继而进行维修决策。
态评估的合理性。 依据上述分析,本文以高维状态
1摇 装备状态静态评估模型
特征数据为输入,对如何在静态评估的基础上,利用
状态劣化速度信息建立状态评估以及相应的维修决
策模型进行研究。
在装备状态的定量评估方法中,加权求和模型
具有广泛的应用基础,建模难度较低且易于理解,因
典型的状态评估技术路径是通过对状态特征参
此本文采用该方法构造状态指标,建立静态评估模
数的线性、非线性融合来实现状态评估,即为静态评
型。 建模的关键是特征权重的确定,装备状态特征
估。 本文在静态评估的基础上,利用状态特征参数
参数具有维度高、含噪样本比例高的特点,导致主成
的劣化速度来构造函数,将该函数作为乘子来修正
分分析法等赋权评估方法应用效果不够理想,针对
状态评估结果。 理论上,对于静态评估结果相同的
这一问题,本文提出采用变尺度混沌优化算法对特
装备,状态劣化速度越快的,即作为乘子的函数应与
征参数权重进行优化,建立状态静态评估模型。
状态劣化速度呈正比。 由于状态劣化速度信息属于
混沌优化方法作为典型的客观赋权法,能够通
过程类信息,因此将上述乘子函数称为动态调整函
过映射在解空间内不重复地遍历寻优,具有极强的
数,图 1 所示为详细的建模流程。
全局优化能力。 大量实践表明,利用混沌变量寻优,
效果明显优于模拟退火法和遗传算法等其他随机优
化方法 [9] ,文献[10 - 11] 分别对混沌算法在连续对
象优化中的应用进行了研究,但由于权重优化问题
受归一化条件的约束,经典混沌优化算法的全局寻
优能力受到了一定的影响,因此本文构造了尺度控
制算子,对特征参数的权重进行变尺度混沌优化。
1郾 1摇 状态静态评估中的权值优化问题分析
基于加权求和法的静态评估模型的表达式为
N
图 1摇 装备状态动态评估建模流程
Fig. 1摇 Dynamic evaluation modeling process
摇
for equipment condition
如图 1 所示,装备状态评估建模过程主要包括
静态评估模型的建立和动态调整函数的确定。 其
中,静态评估建模是直接对状态特征参数的观测值
*
ìïS( t) = 移 f i 伊 x i ( t) ,
ï
i =1
í N
ï
î移 f i = 1,f i > 0 ,
(1)
i =1
式中:S( t) 为 t 时刻状态的静态评估值;f i 为参数 x i
的权重;x *
i ( t) 为归一化和趋势统一后第 i 个状态特
征参数在 t 时刻的值,x *
i ( t) ( i = 1,2,…,N) 随 t 呈
递增趋势;N 为状态特征参数的数量。
依据状态维修决策过程,装备的状态可以分为
“ 良好冶 、“ 劣化冶 和“ 危险冶 ,其中“ 危险冶 指装备发生
摇 第 11 期
基于多维特征参数的装备状态动态评估方法
1885
功能故障的风险超过可接受标准时的状态。 装备达
外循环和内循环来进行变尺度优化,通过外循环缩
到“ 危险冶 状态时应及时进行状态维修,预防功能故
小混沌遍历区间,通过内循环对迭代成功次数进行
障的发生。 基于等级分类的状态评估的目的是最显
计数,以达到快速优化的目的。
著地区分处于已知状态的“ 良好冶 、“ 劣化冶 以及“ 危
险冶 样本,因此最佳的特征参数权重应使不同状态
基于变尺度混沌优化算法的特征参数权重优化
步骤如下:
1) 初始化:设置外循环次数阈值为 K,内循环
等级的样本评估值之间的差异最大化,且使同类样
本的评估值之间的离散度最小化,以达到提高状态
辨识度的目的,据此提出权重优化目标函数 F 为
F( f1 ,f2 ,…,f N ) =
滓n + 滓d + 滓f
,
| un - ud | + | un - uf | + | ud - uf |
(2)
式中:f1 ,f2 ,…,f N 为各特征参数的权重;滓 n 、滓 d 和 滓 f
次数阈值为 M,内循环迭代次数阈值为 P,置外循环
计数变量 k = 1,内循环计数变量 m = 1,内循环次优
值计数变量 times = 0;置 J 的初值为一绝对大值,令
变量的变尺度遍历区间[ a i ,b i ] 的初值为 a i = 0,b i =
1.
2) 对(5) 式中的混沌变量 f i,m ( i = 1, 2, …, N)
为“ 良好冶 、“ 劣化冶 和“ 危险冶 类样本的状态评估值
在(0,1) 内随机赋初始值。
样本的静态评估均值。 F 值越小,表明静态评估模
遍历区间内:f忆i,m = a i + f i,m ( b i - a i ) .
的标准差;u n 、u d 和 u f 为“ 良好冶 、“ 劣化冶 和“ 危险冶 类
型就越能灵敏地反映装备状态的变化,因此确定特
征参数权重优化的目标函数为
J = minF( f1 ,f2 ,…,f N ) .
1郾 2摇 状态特征参数权重的变尺度混沌优化
(3)
混沌是非线性系统所独有且广泛存在的一种非
3) 将 f i,m ( i = 1, 2, …, N) 映射到对应的混沌
4) 将 f忆i,m 作为权重代入(1) 式计算各样本评估
值,利用(2) 式计算得到 F忆m ,若 F忆m 臆J,则 J = F忆m ,
f*
i = f忆i,m ( i = 1, 2, …, N) ; times = times + 1, 如 果
times逸P,则转向步骤 7,否则转向步骤 5.
5) 将 f忆i,m ( i = 1, 2, …, N) 代入(4) 式进行混沌
周期运动形式,混沌运动具有“ 遍历性冶 、“ 规律性冶 、
迭代:f义i,m = 4·f忆i,m (1 - f忆i,m ) .
定的范围内,并不重复地遍历所有状态,因此混沌优
骤 3,否则转到步骤 7.
“ 随机性冶 等特点,能够将系统运动吸引并束缚在特
化具有全局寻优的能力。
Logistic 模型是最典型的混沌运动模型 [11] , 其
方程为
f m + 1 = 滋 伊 f m (1 - f m ) ,0 < f m < 1,
6) 令 f i,m = f义i,m ,m = m + 1,若 m < M,则转到步
7) 将得到的 f *
i ( i = 1, 2, …, N) 作为内循环最
优值,以之为中心缩小遍历区间,得到 a忆i 和 b忆i :
f*
i
ìïa忆 =
,
i
K - k +2
ï
í
f*
ï
i
.
ïb忆i = 1 î
K - k +2
(4)
式中:滋 为控制参数,取值 0 ~ 4,当 滋 = 4 时,系统处
于完全混沌状态。 令 Logistic 模型随机赋初始值,可
以得到在(0,1) 上遍历的点列,因此采用 Logistic 模
型生成混沌序列,将权重优化问题转化为在对应解
空间中的混沌寻优问题,对权重进行优化。
假设有 N 个状态特征参数,则利用(4) 式建立
N 个 Logistic 映射,表示为
ìïf1,m + 1 = 滋f1,m (1 - f1,m ) ,
ïf2,m + 1 = 滋f2,m (1 - f2,m ) ,
í
ï左
ï
îf N,m + 1 = 滋f N,m (1 - f N,m ) ,
(6)
在变尺度过程中 a忆i 和 b忆i 可能出现负值,导致变
量越界,为了使遍历范围保持在[0,1] 内且保持缩
小的趋势,对变尺度区间进行约束:若 a忆i < a i ,则令
a忆i = a i ;若 b忆i > b i ,则令 b忆i = b i .
8) k = k + 1,若 k < P,则令 a i = a忆i ,b i = b忆i ,转向
(5)
式中:f i,m ( i = 1,2,…,N) 为第 i 个特征参数的权重
寻优变量,令 滋 = 4,即 f i,m 能够在(0,1) 范围内遍历。
由于混沌运动具有遍历性,只要有足够的迭代次数,
最后都能够收敛到全局最优解。 但由于受权重归一
步骤 3,否则转向步骤 9.
9) 停 止 搜 索, 得 到 与 J 对 应 的 全 局 最 优 解
f ( i = 1,2,…,N) .
*
i
10) 对 f *
i ( i = 1,2,…,N) 进行归一化处理,则
得到各特征参数对应的最佳权重 f i ( i = 1,2,…,N) .
2摇 装备状态动态评估模型
图 2 为两条状态劣化曲线,分别表示两台同型
化的约束,该算法的遍历效率将受到极大影响。 因
号装备静态评估指标的连续观测过程,曲线在 P 点
此为了提高寻优效率,本文在混沌优化过程中引入
相交,即在该点两台装备获得了相同的静态评估值,
兵摇 工摇 学摇 报
1886
第 35 卷
但实际上两台装备的剩余寿命或者功能故障风险是
态调整函数的参数主要包括:劣化速度“ 慢冶 和“ 快冶
不同的,曲线斜率较大的,即劣化速度越快的其故障
的标准向量和控制参数 b. 本文采用基于近邻样本
风险相对越高。 因此利用劣化速度与风险的正相关
关系修正静态评估模型是合理的。 由图 2 可知,尽
管每台装备都有唯一的劣化曲线,但也存在共有的
特征,即装备特征参数的劣化速度在良好区和危险
区具有聚类特性,在良好区通常“ 慢冶 ,在危险区通
密度加权的核模糊 C 均值聚类算法 [12 - 13] 求解劣化
速度“ 慢冶 和“ 快冶 的标准向量,控制参数 b 通常根据
实验情况进行优化确定。
2郾 2摇 劣化速度标准向量的求解算法
由于装备状态劣化过程具有随机性,在整个寿
常“ 快冶 ,在劣化区则呈逐渐递增的趋势,即由“ 慢冶
命过程 中 无 法 依 据 役 龄 直 接 将 劣 化 速 度 划 分 为
建立“ 慢冶 和“ 快冶 的标准向量,利用劣化速度与这两
糊聚类理论对 v s 和 v f 进行聚类分析。 由于特征参数
逐渐向“ 快冶 转变。 本文即利用这种关联关系,通过
个向量的“ 距离冶 来表示装备接近功能故障的速度。
“ 快冶 或“ 慢冶 ,即劣化速度存在模糊性,因此采用模
劣化速度数据具有高维、含噪的特点,常用的模糊聚
类算法无 法 有 效 地 处 理 此 类 数 据, 这 里 选 择 采 用
NSD鄄WKFCM( 近邻样本密度- 加权核模糊 C 均值)
聚类算法对劣化速度进行聚类分析,该算法采用核
方法将样本从采样空间映射到高维特征空间,在不
增加系统 VC 维的条件下提高了处理线性不可分问
题的能力,同时依据近邻样本密度进行加权,有效地
降低了噪声数据的影响。
2郾 2郾 1摇 近邻样本密度加权算法
图 2摇 装备状态劣化曲线
摇
近邻样本密度加权算法的依据是:在聚类划分
Fig. 2摇 Condition deterioration curves of equipment
中,聚类样本应围绕聚类中心呈团状分布,即越靠近
聚类中心的样本,其周围分布的样本越多,即在该样
2郾 1摇 动态调整函数的构造
构造动态调整函数的目的,是利用劣化速度来
表示装备接近功能故障的速度,通过修正静态评估
值来更加准确地表示实际的故障风险。 本文利用劣
化速度与标准向量间的距离构造动态调整函数,并
将其与静态评估值相乘,得到完整的动态评估模型。
(
)
影响越大。 因此依据近邻样本密度函数确定加权系
数,可以有效降低远离聚类中心的噪声样本对聚类
的影响。
采用高斯函数来定义点密度函数:
{
本文采用一次倒数函数来构造动态调整函数:
d2x,f
ìï
,
ïy( t) = (1 + b) / 1 + b 2
d x,f + d2x,s
í
ï
îb > 0 ,
本点处的近邻样本密度越大,该样本点对于聚类的
wk =
N
移
j = 1,j屹k
e -d kj ,
2
d kj 臆 e,1 臆 k 臆 N,
(9)
(7)
式中: d kj 表 示 两 个 样 本 x k 和 x j 的 欧 氏 距 离, d kj =
式中:y( t) 为 动 态 调 整 函 数; b 为 控 制 参 数; d x,s 和
有 min( d kj ) < e < max( d kj ) ,样本 x k 附近的点越多,
d x,f 分别 表 示 待 评 估 样 本 到 v s 和 v f 的 欧 氏 距 离,
d x,s = 椰x - v s 椰,d x,f = 椰x - v f 椰,v s 和 v f 分别为劣化
速度“ 慢冶 和“ 快冶 的标准向量。 则随着劣化速度从
“ 慢冶 向 “ 快冶 发 展, y ( t ) 的 取 值 从 1 逐 渐 增 加 至
1 + b,使静态评估值的放大倍数与劣化速度呈正相
关关系。
将静态评估模型与动态调整函数相乘,得到动
态评估模型:
E( t) = y( t) 伊 S( t) ,
(8)
式中:E( t) 为 t 时刻的动态评估值;y( t) 为 t 时刻的
动态调整函数值;S( t) 为 t 时刻的静态评估值。 动
椰x k - x j 椰;N 为样本容量;e 为近邻范围域的阈值,
则 w k 的值就越大,该样本对聚类的作用越大,e 的取
值通常依据实验确定。
对 w k 进行归一化:
w*
k = wk
N
w j ,1臆k臆N,
移
j =1
(10)
则 w*
k 即作为加权系数表示样本 x k 对聚类的影响程度。
2郾 2郾 2摇 NSD鄄WKFCM 聚类算法的迭代求解
假设 准 是一个非线性映射函数,准 颐 p 沂 OS 寅
准( p) 沂HS, 其 中 p 是 采 样 空 间 OS 中 的 变 量,
准( p) 表示 映 射 后 的 高 维 特 征 空 间 HS 中 的 变 量。
NSD鄄WKFCM 聚类算法的目标函数为
摇 第 11 期
1887
基于多维特征参数的装备状态动态评估方法
C
N
准
m
2
ìïJ m (X,U,V,W) = 移 移 w k 滋 ik 椰准(x k ) - 准(v i )椰 ,
ï
i =1 k =1
í C
N
ï
î移 滋 ik = 1,0 < 移 滋 ik < N,滋 ik 沂 [0,1 ],
i =1
k =1
U n ,将当前 V C 伊 P 和 U C 伊 N 赋予 V o 和 U o .
5) 由(15) 式构造迭代(16) 式,计算聚类中心
V n = { v i,n } :
(11)
v i,n =
式中:X、U、V、W 分别为样本、模糊隶属矩阵、模糊
聚类中心、权重向量;C 为聚类数;滋 ik 表示第 k 个样
本文采用高斯核函数,则有
椰x k - v i椰2
2滓2
椰准( x k ) - 准( v i ) 椰2 = 2 - 2e
.
(12)
滋 ik,n =
{ 滋 ik } ,利用(11) 式中的归一化约束条件构造拉格朗
N
C
移
移 w k 滋 mik 椰准( x k ) - 准( v i ) 椰2 +
k =1 i =1
N
C
姿 k ( 1 - 移 滋 ik ) ,
移
k =1
i =1
滋 ik =
1
C
(1
移
j =1
- K( x k ,v j ) )
1
- m -1
(13)
vi =
N
w k 滋 mik K( x k ,v i )
移
k =1
(1
移
j =1
- K( x k ,v j,n ) )
1
- m -1
,
1臆i臆C,1臆k臆N.
(17)
7) 若 | V n - V o 椰 < 着 或迭代次数达到 T,则终
这里构造初始聚类中心 V C 伊 P = { v s ;v f } ,其中 v s
和 v f 分别表示“ 慢冶 和“ 快冶 这两类速度向量的聚类
中心,通过上述迭代求解过程可得到模糊聚类中心
V.
2郾 3摇 基于定量动态评估的状态等级分类
对状态评估值域进行划分,输出定性评估结论,为实
施及时有效的维修提供直观的信息。 采用模糊评判
法建立状态评判模型,评语集为{ “ 良好冶 ,“ 劣化冶 ,
“ 危险冶 } 。
N
w k 滋 mik K( x k ,v i ) x k
移
k =1
C
风险,但为了降低维修决策层的工作难度,仍然需要
(14)
得到聚类中心 V C 伊 P = { v i } 为
1
(1 - K( x k ,v i,n ) ) - m -1
装备状态的动态评估定量地描述装备实时故障
,
1臆i臆C,1臆k臆N,
(16)
V o = V n ,U o = U n ,转到步骤 5 继续迭代。
对(13) 式求偏导,可得到模糊隶属矩阵 U C 伊 N =
(1 - K( x k ,v i ) ) - m -1
,
止迭代,输出聚类中心 V 和隶属度矩阵 U;否则令
式中:姿 = { 姿1 ,姿2 ,…,姿 N } T 沂R 是拉格朗日乘子。
{ 滋 ik } 为
K( x k ,v i,o )
隶属矩阵 U n = { 滋 ik,n } :
佳的聚类中心 V C 伊 P = { v i } 和模糊隶属矩阵 U C 伊 N =
L( X,U,V,W,姿) =
wk 滋
移
k =1
m
ik,o
6) 由(14) 式构造迭代(17) 式,计算得到模糊
为了令 J 准m ( X,U,V,W) 取最小值,从而求得最
日函数:
N
1臆i臆C.
本对第 i 个聚类的隶属度;x k 为 P 维样本向量;v i 表
示第 i 类的聚类中心;椰·椰表示基于核的距离度量,
N
w k 滋 mik,o K( x k ,v i,o ) x k
移
k =1
分别以 u n 、u d 、u f 为中心,以 滓 n 、滓 d 、滓 f 为标准差
,
1臆i臆C.
构造高斯和单侧高斯模糊隶属函数,考虑到状态评
(15)
利用(14) 式和(15) 式对模糊隶属矩阵 U C 伊 N 和
聚类中心 V C 伊 P 进行迭代求解,具体步骤为:
估值的意义,其值越接近 0,则状态为“ 良好冶 的置信
度越高,而越接近 1,则状态为 “ 危险冶 的置信度越
高。 据此构造模糊隶属函数,如图 3 所示。
1) 给定样本集 X,对样本进行归一化处理。 设
置聚类数 C、平滑参数 m、高斯核函数的尺度参数 滓、邻
近范围域阈值 e,设置目标函数迭代截止误差 着 和
最大迭代次数 T.
2) 初始化聚类中心{ v i } = V C 伊 P .
3) 计算样本间的核距离,利用(9) 式和(10) 式
计算各样本的归一化权重 棕 k (1臆k臆N) .
4) 根据(14) 式,用当前的聚类中心计算得到
模糊隶 属 矩 阵 U C 伊 N , 构 造 迭 代 变 量 V o 、 U o 和 V n 、
图 3摇 各状态等级的模糊隶属函数
Fig. 3摇 Fuzzy membership function of condition grade
兵摇 工摇 学摇 报
1888
采用最大隶属度原则作为状态等级判别标准,
因此各评语隶属函数的交点对应的评估值即为状态
等级划分阈值。 在确定划分阈值后,即可对装备状
态等级进行判断,进而做出维修决策。
第 35 卷
本,其中“ 良好冶 、“ 劣化冶 和“ 危险冶 样本各 16 例,变
速箱的真实状态通过采样后的分解检测获得,部分
归一化数据如表 1 所示。
采用粗糙集属性约简算法对表 1 中的特征参数
进行简约。 对样本进行离散化处理得到相容决策
3摇 状态评估实例分析
本文采用油液中多类元素的浓度样本,对某型
装备的变速箱技术状态进行评估,以验证本文方法
的有效性。 共采集得到来自 24 台变速箱的 48 个样
表,运用区分矩阵算法 [14] ,对决策表进行约简求核,
得到核为{ 铁,铅,硅,钠,磷,锌} ,因此对样本进行
裁剪得到新的样本集,利用这 6 类参数对变速箱状
态进行静态评估。
表 1摇 某型装备变速箱油液中各类元素浓度数据
Tab. 1摇 Metal content samples of gear box lubricating oil of an equipment
编号
铁
铬
铅
铜
铝
硅
钠
镁
钙
钡
磷
锌
状态
1
0郾 208 1
0郾 338 4
0郾 150 9
0郾 155 7
0郾 182 2
0郾 117 2
0郾 104 3
0郾 158 2
0郾 100 0
0郾 100 0
0郾 303 0
0郾 100 0
良好
2
3
左
17
18
19
左
46
47
48
0郾 145 4
0郾 134 2
左
0郾 460 1
0郾 406 7
0郾 426 1
左
1郾 000 0
0郾 479 2
0郾 670 8
0郾 227 4
0郾 194 5
左
0郾 367 1
0郾 363 0
0郾 469 9
左
1郾 000 0
0郾 445 2
0郾 511 0
0郾 100 0
0郾 184 9
左
0郾 150 9
0郾 100 0
0郾 337 7
左
0郾 167 9
0郾 100 0
0郾 201 9
0郾 143 4
0郾 118 9
左
0郾 176 4
0郾 170 8
0郾 381 1
左
0郾 525 5
0郾 176 4
0郾 245 3
0郾 213 6
0郾 137 6
左
0郾 302 1
0郾 288 8
0郾 285 6
左
0郾 764 2
0郾 307 6
0郾 393 0
0郾 189 8
0郾 122 3
左
0郾 278 1
0郾 209 0
0郾 187 6
左
1郾 000 0
0郾 382 6
0郾 391 5
0郾 109 6
0郾 103 7
左
0郾 106 2
0郾 119 7
0郾 959 0
左
0郾 236 9
0郾 117 2
0郾 157 7
0郾 297 8
0郾 134 9
左
0郾 100 0
0郾 100 0
0郾 280 4
左
0郾 100 0
0郾 480 2
0郾 100 0
0郾 157 0
0郾 132 4
左
0郾 113 4
0郾 114 6
0郾 191 6
左
0郾 332 9
0郾 150 5
0郾 169 1
0郾 100 0
0郾 100 0
左
0郾 105 6
0郾 102 8
0郾 113 0
左
0郾 115 0
0郾 100 0
0郾 117 6
0郾 114 0
0郾 100 0
左
0郾 430 6
0郾 791 9
0郾 417 9
左
1郾 000 0
0郾 514 9
0郾 209 1
0郾 100 3
良好
0郾 104 0
良好
0郾 294 9
劣化
左
0郾 226 6
左
劣化
0郾 615 8
劣化
0郾 332 8
危险
左
0郾 164 7
0郾 398 5
左
危险
危险
摇 摇 按照第 2 节提出的变尺度混沌优化算法,对特
“ 危险冶3 类样本的静态评估值如图 6 所示。
历次运算 Min ( F) 值和 对 应 混 沌 优 化 解 如 图 4 和
阈值分别为 0郾 277 9 和 0郾 446 8,据此对变速箱状态
重。
想。 因此,对样本数据按照采样时间进行排序,将样
征参数的权重进行优化。 设置运算次数为 50,求得
图 5 所示,Min( F) 最小时求得的优化解即为最优权
运用 2郾 3 节提出的模糊评判准则得到状态划分
等级进行判断,正确率为 89郾 58% ,评估效果不够理
本数据与上一个采样点的样本数据相减,求得特征
参数平均劣化速度,作为对应样本的劣化速度数据
进行动态评估。
利用铁、硅、 磷、 锌 元 素 浓 度 的 数 据 构 造 劣 化
速度向量,对 样 本 进 行 归 一 化 处 理 得 到 与 各 样 本
相对应的劣化速度数据。 将状态为“ 良好冶 与“ 危
险冶 等级向对应的劣化速度样本提取出来,建立聚
图 4摇 历次运算 Min( F) 输出值
摇
Fig. 4摇 Output results of Min( F)
类样 本 集。 运 用 NSD鄄WKFCM 算 法 进 行 聚 类 分
析,算法 的 参 数 设 置 为: 聚 类 数 C = 2、 平 滑 参 数
m = 2、邻近范围域阈值 e = 1,滓 = 0郾 301 6,迭代截
0郾 275 1,0郾 003 3,0郾 111 4,0郾 080 7) ,由于铅和钠元
止误差 着 = 10 - 6 和最大迭代次数 T = 50. 通过计算
“ 良好冶 和 “ 危 险冶 状 态 下 劣 化 速 度 样 本 的 类 内 均
除,对特征数据加权求和,得到 “ 良好冶 、“ 劣化冶 和
类中心 V i :
特征参数最优权重向量为 ( 0郾 529 4,0郾 000 1,
素浓度这两类参数权重很低,因此将这两类数据剔
值,对聚类中 心 进 行 初 始 化,得 到 2 伊 4 维 初 始 聚
摇 第 11 期
基于多维特征参数的装备状态动态评估方法
1889
éê 0郾 232 8 0郾 172 7 0郾 190 9 0郾 239 7 ùú
êë 0郾 706 1 0郾 570 2 0郾 444 0 0郾 293 4 úû.
控制 参 数 b 的 取 值 范 围 设 为 [ 0,4 ] , 步 长 为
0郾 01,求解动态评估模型的性能随 b 的变化曲线,对
b 进行优化。 计算 b 取固定值 时 的 滓 n / u n 、 滓 d / u d 、
滓 f / u f 和状态判断错误率,得到图 7 和图 8 所示的变
化曲线。
图 7摇 滓 n / u n 、滓 d / u d 、滓 f / u f 的变化曲线
摇
Fig. 7摇 Curves of 滓 n / u n ,滓 d / u d and 滓 f / u f
图 5摇 各特征参数的权值
摇
Fig. 5摇 Optimized weights of characteristic parameters
图 8摇 状态判断错误率的变化曲线
摇
Fig. 8摇 Curve of condition judgment mistake rate
上述 4 类指标值越小则评估效果越好,因此综
合分析各指标曲线,确定 b = 0郾 5,代入(8) 式确定最
优的动态调整函数。 将动态调整函数与静态加权公
图 6摇 样本静态评估结果
摇
Fig. 6摇 Statically evaluated results
式相乘得到完整的动态评估模型,对样本进行动态
评估,得到的评估结果如图 9 所示。
由图 9 可知,“ 良好冶 和“ 劣化冶 状态的划分阈值
é vs ù
V i = êê úú =
ëv û
为 0郾 319 7,“劣化冶 和“危险冶 的划分阈值为 0郾 557 7,
é 0郾 238 9 0郾 175 0 0郾 177 5 0郾 273 6 ù
êê
úú,
ë 0郾 686 7 0郾 562 9 0郾 549 9 0郾 371 4 û
按照第 2郾 2 节提出的迭代步骤进行聚类求解,得到
估 89郾 58% 的正确率相比有显著提高,可见动态评
f
最优的聚类中心为
é vs ù
V i = êê úú =
ë vf û
此时样本状态判断正确率达到了 100% ,与静态评
估能够有效地弥补静态评估方法的不足,更加准确
地判断装备状态。
4摇 结论
本文利用多维状态特征信息对装备状态进行评
兵摇 工摇 学摇 报
1890
第 35 卷
platform based on BP neural network [ J] . Machine Tool & Hy鄄
draulics, 2011,39(17) :144 - 148. ( in Chinese)
[5] 摇 张黎明,赵新文,蔡琦. 基于 SVM 的核动力屏蔽泵老化状态评
估[ J] . 核动力工程,2011,32(2) :124 - 127.
ZHANG Li鄄ming, ZHAO Xin鄄wen, CAI Qi. Evaluation on aging
state of NPP canned motor pump based on SVM[ J] . Nuclear Power
Engineering,2011,32(2) :124 - 127. ( in Chinese)
[6] 摇 孙宜权,张英堂,李志宁,等. 基于核主成分分析的柴油机技术
状态评估[ J] . 车用发动机,2012(2) :89 - 91.
SUN Yi鄄quan,ZHANG Ying鄄tang,LI Zhi鄄ning,et al. Evaluation of
图 9摇 样本动态评估结果
Fig. 9摇 Dynamically evaluated results
摇
估,建立了融合静态观测信息与劣化速度信息的动
态评估模型。 采用变尺度混沌优化算法对高维、含
噪条件下基于目标函数的状态静态评估建模方法进
行研究,增强了静态评估的客观性,提高了状态评判
的准确率。 针对状态指标劣化信息未得到有效利用
的问题,本文通过构造动态调整函数对静态评估模
型进行修正,在合理描述装备状态劣化共性趋势的
同时,充分发掘了个体装备时序特征观测值的隐含
信息,进一步提高了装备状态评判的准确率。 因此,
装备动态评估模型能够准确地评估装备状态,为实
施状态维修提供信息支持。
diesel engine technical state based on KPCA[ J] . Vehicle Engine,
2012(2) :89 - 91. ( in Chinese)
[7] 摇 胡庆春,王洋,张继权,等. 基于灰熵的变压器绝缘状态评估
[ J] . 电力科学与工程,2011,27(10) :16 - 22.
HU Qing鄄chun, WANG Yang, ZHANG Ji鄄quan,et al. Method for
insulative condition classification evaluation of power transformer
based on gray entropy[ J] . Electric Power Science and Engineer鄄
ing,2011,27(10) :16 - 22. ( in Chinese)
[8] 摇 郭保伟,李书明. 基于模糊层次分析法的民航发动机状态评估
[ J] . 装备制造技术,2012(12) :160 - 162.
GUO Bao鄄wei, LI Shu鄄ming. State assessment for civil aviation en鄄
gine based on FAHP [ J] . Equipment Manufacturing Technology,
2012(12) :160 - 162. ( in Chinese)
[9] 摇 修春波,刘向东,张宇河. 双混沌机制优化方法及其应用[ J] .
控制与决策,2003,18(6) :724 - 726.
XIU Chun鄄bo,LIU Xiang鄄dong,ZHANG Yu鄄he. Optimization algo鄄
rithm using two kinds of chaos and its application[ J] . Control and
Decision,2003,18(6) :724 - 726. ( in Chinese)
参考文献( References)
[1] 摇 李爱民,张耀辉,张仕新. 装甲车辆工况监测参数的选择[ J] .
装甲兵工程学院学报,2006,20(4) :32 - 35.
LI Ai鄄min,ZHANG Yao鄄hui,ZHANG Shi鄄xin. Selection of work鄄
ing condition detecting parameters for armored vehicles condition鄄
based maintenance[ J] . Journal of Academy of Armored Force En鄄
gineering,2006,20(4) : 32 - 35. ( in Chinese)
[2] 摇 陈小卫,王文双,宋贵宝,等. 基于模糊偏序关系的混合型多属
性决策方法[ J] . 系 统 工 程 与 电 子 技 术,2012,34 ( 3 ) :529 -
534.
CHEN Xiao鄄wei,WANG Wen鄄shuang,SUN Gui鄄bao,et al. Hybrid
multi鄄attribute decision making based on fuzzy preference relation
[ J] . System Engineering and Electronics,2012,34 ( 3 ) :529 -
534. ( in Chinese)
[3] 摇 潘玉娜,陈进,李兴林. 基于模糊 C鄄均值的设备性能退化评估
[10] 摇 李兵,蒋慰孙. 混沌优化方法及其应用[ J] . 控制理论与应
用,1997,14(4) :613 - 615.
LI Bing, JIANG Wei鄄sun. Chaos optimization method and its ap鄄
plication [ J] . Control Theory & Applications, 1997, 14 ( 4 ) :
613 - 615. ( in Chinese)
[11] 摇 邹恩,陈建国,李祥飞. 一种改进的变尺度混沌优化算法及其
仿真研究[ J] . 系统仿真学报,2006,18(9) :2426 - 2432.
ZOU En,CHEN Jian鄄guo,LI Xiang鄄fei. Improving mutative scale
chaos optimization algorithm and simulation study[ J] . Journal of
System Simulation,2006,18(9) :2426 - 2432. ( in Chinese)
[12] 摇 LIU X F, YANG C. Clustering performance of different density
function weighted FCM algorithm[ C] 椅Proceeding 2010 6th In鄄
ternational Conference on Natural Computation. Yantai: IEEE,
2010:3296 - 3300.
[13] 摇 刘小芳. 基于核理论的遥感图像分类方法研究[ D] . 成都:电
子科技大学,2011.
方法[ J] . 上海交通大学学报,2009,43(11) :1794 - 1797.
LIU Xiao鄄fang. Research on remote sensing image classification
performance degradation assessment [J]. Journal of Shanghai Jiaotong
lectronic Science and Technology of China,2011. ( in Chinese)
PAN Yu鄄na,CHEN Jin,LI Xing鄄lin. Fuzzy C鄄means based equipment
University, 2009,43(11):1794 - 1797. (in Chinese)
[4] 摇 吴笛. 基于 BP 神经网络的航天发射平台性能评估研究[ J] .
机床与液压,2011,39(17) :144 - 148.
WU Di. Research on performance estimation of aerospace launch
摇 摇
methods based on kernel theory [ D] . Chengdu: University of E鄄
[14] 摇 王国胤. Rough 集理论与知识获取[ M] . 西安:西安交通大学
出版社,2001.
WANG Guo鄄yin. Rough set theory and knowledge acquisition[M].
Xi爷an:Xi蒺an Jiaotong University Press,2001. (in Chinese)