基于多維特征參數(shù)的裝備狀態(tài)動態(tài)評估方法

王少華,張耀輝,韓小孩

(裝甲兵工程學(xué)院技術(shù)保障工程系,北京 100072)

基于多維特征參數(shù)的裝備狀態(tài)動態(tài)評估方法

王少華,張耀輝,韓小孩

(裝甲兵工程學(xué)院技術(shù)保障工程系,北京 100072)

針對目前狀態(tài)評估方法多重視狀態(tài)特征參數(shù)的靜態(tài)觀測值,對時序狀態(tài)數(shù)據(jù)所蘊(yùn)含的趨勢信息關(guān)注較少的缺點,提出了靜態(tài)評估與動態(tài)評估相結(jié)合的狀態(tài)評估方法。針對多維狀態(tài)特征條件下賦權(quán)難度大的問題,采用變尺度混沌算法進(jìn)行客觀賦權(quán),建立了狀態(tài)靜態(tài)評估模型。在靜態(tài)評估的基礎(chǔ)上,提出運(yùn)用劣化速度間的“距離”修正靜態(tài)評估結(jié)果來進(jìn)行動態(tài)評估。運(yùn)用近鄰樣本密度加權(quán)的核模糊C均值聚類算法對劣化速度標(biāo)準(zhǔn)向量進(jìn)行求解,提出了動態(tài)調(diào)整函數(shù)優(yōu)化算法,建立了完整的裝備狀態(tài)動態(tài)評估模型。通過案例分析驗證了該方法的有效性。

兵器科學(xué)與技術(shù);多維特征參數(shù);混沌優(yōu)化算法;NSD-WKFCM聚類算法;動態(tài)評估

0 引言

狀態(tài)評估是狀態(tài)維修的關(guān)鍵技術(shù)之一,狀態(tài)評估通過分析反映裝備狀態(tài)的各類特征參數(shù)的觀測數(shù)據(jù),運(yùn)用評估方法獲取裝備所處的健康狀態(tài),為維修決策提供技術(shù)支持。不同的狀態(tài)特征參數(shù)能夠從不同的角度反映裝備的狀態(tài),因此如何有效地融合高維的狀態(tài)數(shù)據(jù)已經(jīng)成為狀態(tài)評估研究的重點[1]。目前,研究者主要采用距離函數(shù)法[2]、聚類評估法[3]、BP神經(jīng)網(wǎng)絡(luò)[4]、支持向量機(jī)分類法[5]、主成分分析法[6]、灰色評估法[7]、模糊綜合評估法[8]以及這些方法的組合來融合狀態(tài)特征數(shù)據(jù),進(jìn)行狀態(tài)評估。

上述狀態(tài)評估方法對特征參數(shù)的觀測值進(jìn)行融合,并未利用狀態(tài)檢測過程所包含的趨勢信息,屬于靜態(tài)評估,相應(yīng)的狀態(tài)指標(biāo)能夠反映裝備接近功能故障的程度,但無法描述裝備狀態(tài)接近功能故障的速度。狀態(tài)劣化速度能夠反映裝備狀態(tài)接近故障的速度,在狀態(tài)評估中引入這一信息,將有助于提高狀態(tài)評估的合理性。依據(jù)上述分析,本文以高維狀態(tài)特征數(shù)據(jù)為輸入,對如何在靜態(tài)評估的基礎(chǔ)上,利用狀態(tài)劣化速度信息建立狀態(tài)評估以及相應(yīng)的維修決策模型進(jìn)行研究。

典型的狀態(tài)評估技術(shù)路徑是通過對狀態(tài)特征參數(shù)的線性、非線性融合來實現(xiàn)狀態(tài)評估,即為靜態(tài)評估。本文在靜態(tài)評估的基礎(chǔ)上,利用狀態(tài)特征參數(shù)的劣化速度來構(gòu)造函數(shù),將該函數(shù)作為乘子來修正狀態(tài)評估結(jié)果。理論上,對于靜態(tài)評估結(jié)果相同的裝備,狀態(tài)劣化速度越快的,即作為乘子的函數(shù)應(yīng)與狀態(tài)劣化速度呈正比。由于狀態(tài)劣化速度信息屬于過程類信息,因此將上述乘子函數(shù)稱為動態(tài)調(diào)整函數(shù),圖1所示為詳細(xì)的建模流程。

圖1 裝備狀態(tài)動態(tài)評估建模流程Fig.1 Dynamic evaluation modeling process for equipment condition

如圖1所示,裝備狀態(tài)評估建模過程主要包括靜態(tài)評估模型的建立和動態(tài)調(diào)整函數(shù)的確定。其中,靜態(tài)評估建模是直接對狀態(tài)特征參數(shù)的觀測值進(jìn)行融合,首先選擇狀態(tài)特征參數(shù)的融合方法,文獻(xiàn)[2-8]中列舉了不同的數(shù)據(jù)融合方法,在確定融合方法的基礎(chǔ)上,以觀測樣本為輸入值,采用適用的算法對靜態(tài)評估模型的參數(shù)進(jìn)行優(yōu)化。通過變尺度混沌優(yōu)化為特征參數(shù)進(jìn)行融合。動態(tài)調(diào)整函數(shù)的確定主要包括確定函數(shù)形式和參數(shù)優(yōu)化。指數(shù)函數(shù)、雙曲線函數(shù)等典型函數(shù)都能夠作為動態(tài)調(diào)整函數(shù),函數(shù)的選擇主要取決于狀態(tài)樣本的復(fù)雜程度;對于動態(tài)調(diào)整函數(shù)的具體參數(shù),主要是依據(jù)狀態(tài)判別的結(jié)果來進(jìn)行反饋調(diào)整。在確定靜態(tài)評估模型和動態(tài)調(diào)整函數(shù)之后,即可將其相乘建立完整的狀態(tài)評估模型,對狀態(tài)指標(biāo)進(jìn)行閾值劃分即可對狀態(tài)等級進(jìn)行評判,繼而進(jìn)行維修決策。

1 裝備狀態(tài)靜態(tài)評估模型

在裝備狀態(tài)的定量評估方法中,加權(quán)求和模型具有廣泛的應(yīng)用基礎(chǔ),建模難度較低且易于理解,因此本文采用該方法構(gòu)造狀態(tài)指標(biāo),建立靜態(tài)評估模型。建模的關(guān)鍵是特征權(quán)重的確定,裝備狀態(tài)特征參數(shù)具有維度高、含噪樣本比例高的特點,導(dǎo)致主成分分析法等賦權(quán)評估方法應(yīng)用效果不夠理想,針對這一問題,本文提出采用變尺度混沌優(yōu)化算法對特征參數(shù)權(quán)重進(jìn)行優(yōu)化,建立狀態(tài)靜態(tài)評估模型。

混沌優(yōu)化方法作為典型的客觀賦權(quán)法,能夠通過映射在解空間內(nèi)不重復(fù)地遍歷尋優(yōu),具有極強(qiáng)的全局優(yōu)化能力。大量實踐表明,利用混沌變量尋優(yōu),效果明顯優(yōu)于模擬退火法和遺傳算法等其他隨機(jī)優(yōu)化方法[9],文獻(xiàn)[10-11]分別對混沌算法在連續(xù)對象優(yōu)化中的應(yīng)用進(jìn)行了研究,但由于權(quán)重優(yōu)化問題受歸一化條件的約束,經(jīng)典混沌優(yōu)化算法的全局尋優(yōu)能力受到了一定的影響,因此本文構(gòu)造了尺度控制算子,對特征參數(shù)的權(quán)重進(jìn)行變尺度混沌優(yōu)化。

1.1 狀態(tài)靜態(tài)評估中的權(quán)值優(yōu)化問題分析

基于加權(quán)求和法的靜態(tài)評估模型的表達(dá)式為

依據(jù)狀態(tài)維修決策過程,裝備的狀態(tài)可以分為“良好”、“劣化”和“危險”,其中“危險”指裝備發(fā)生功能故障的風(fēng)險超過可接受標(biāo)準(zhǔn)時的狀態(tài)。裝備達(dá)到“危險”狀態(tài)時應(yīng)及時進(jìn)行狀態(tài)維修,預(yù)防功能故障的發(fā)生?；诘燃壏诸惖臓顟B(tài)評估的目的是最顯著地區(qū)分處于已知狀態(tài)的“良好”、“劣化”以及“危險”樣本,因此最佳的特征參數(shù)權(quán)重應(yīng)使不同狀態(tài)等級的樣本評估值之間的差異最大化,且使同類樣本的評估值之間的離散度最小化,以達(dá)到提高狀態(tài)辨識度的目的,據(jù)此提出權(quán)重優(yōu)化目標(biāo)函數(shù)F為

式中:f1,f2,…,fN為各特征參數(shù)的權(quán)重;σn、σd和σf為“良好”、“劣化”和“危險”類樣本的狀態(tài)評估值的標(biāo)準(zhǔn)差;un、ud和uf為“良好”、“劣化”和“危險”類樣本的靜態(tài)評估均值。F值越小,表明靜態(tài)評估模型就越能靈敏地反映裝備狀態(tài)的變化,因此確定特征參數(shù)權(quán)重優(yōu)化的目標(biāo)函數(shù)為

1.2 狀態(tài)特征參數(shù)權(quán)重的變尺度混沌優(yōu)化

混沌是非線性系統(tǒng)所獨有且廣泛存在的一種非周期運(yùn)動形式,混沌運(yùn)動具有“遍歷性”、“規(guī)律性”、“隨機(jī)性”等特點,能夠?qū)⑾到y(tǒng)運(yùn)動吸引并束縛在特定的范圍內(nèi),并不重復(fù)地遍歷所有狀態(tài),因此混沌優(yōu)化具有全局尋優(yōu)的能力。

Logistic模型是最典型的混沌運(yùn)動模型[11],其方程為

式中:μ為控制參數(shù),取值0～4,當(dāng)μ=4時,系統(tǒng)處于完全混沌狀態(tài)。令Logistic模型隨機(jī)賦初始值,可以得到在(0,1)上遍歷的點列,因此采用Logistic模型生成混沌序列,將權(quán)重優(yōu)化問題轉(zhuǎn)化為在對應(yīng)解空間中的混沌尋優(yōu)問題,對權(quán)重進(jìn)行優(yōu)化。

假設(shè)有N個狀態(tài)特征參數(shù),則利用(4)式建立N個Logistic映射,表示為

式中:fi,m(i=1,2,…,N)為第i個特征參數(shù)的權(quán)重尋優(yōu)變量,令μ=4,即fi,m能夠在(0,1)范圍內(nèi)遍歷。由于混沌運(yùn)動具有遍歷性,只要有足夠的迭代次數(shù),最后都能夠收斂到全局最優(yōu)解。但由于受權(quán)重歸一化的約束,該算法的遍歷效率將受到極大影響。因此為了提高尋優(yōu)效率,本文在混沌優(yōu)化過程中引入外循環(huán)和內(nèi)循環(huán)來進(jìn)行變尺度優(yōu)化,通過外循環(huán)縮小混沌遍歷區(qū)間,通過內(nèi)循環(huán)對迭代成功次數(shù)進(jìn)行計數(shù),以達(dá)到快速優(yōu)化的目的。

基于變尺度混沌優(yōu)化算法的特征參數(shù)權(quán)重優(yōu)化步驟如下:

1)初始化:設(shè)置外循環(huán)次數(shù)閾值為K,內(nèi)循環(huán)次數(shù)閾值為M,內(nèi)循環(huán)迭代次數(shù)閾值為P,置外循環(huán)計數(shù)變量k=1,內(nèi)循環(huán)計數(shù)變量m=1,內(nèi)循環(huán)次優(yōu)值計數(shù)變量times=0;置J的初值為一絕對大值,令變量的變尺度遍歷區(qū)間[ai,bi]的初值為ai=0,bi= 1.

2)對(5)式中的混沌變量fi,m(i=1,2,…,N)在(0,1)內(nèi)隨機(jī)賦初始值。

3)將fi,m(i=1,2,…,N)映射到對應(yīng)的混沌遍歷區(qū)間內(nèi):f′i,m=ai+fi,m(bi-ai).

在變尺度過程中a′i和b′i可能出現(xiàn)負(fù)值,導(dǎo)致變量越界,為了使遍歷范圍保持在[0,1]內(nèi)且保持縮小的趨勢,對變尺度區(qū)間進(jìn)行約束:若a′i＜ai,則令a′i=ai;若b′i＞bi,則令b′i=bi.

8)k=k+1,若k＜P,則令ai=a′i,bi=b′i,轉(zhuǎn)向步驟3,否則轉(zhuǎn)向步驟9.

2 裝備狀態(tài)動態(tài)評估模型

圖2為兩條狀態(tài)劣化曲線,分別表示兩臺同型號裝備靜態(tài)評估指標(biāo)的連續(xù)觀測過程,曲線在P點相交,即在該點兩臺裝備獲得了相同的靜態(tài)評估值,但實際上兩臺裝備的剩余壽命或者功能故障風(fēng)險是不同的,曲線斜率較大的,即劣化速度越快的其故障風(fēng)險相對越高。因此利用劣化速度與風(fēng)險的正相關(guān)關(guān)系修正靜態(tài)評估模型是合理的。由圖2可知,盡管每臺裝備都有唯一的劣化曲線,但也存在共有的特征,即裝備特征參數(shù)的劣化速度在良好區(qū)和危險區(qū)具有聚類特性,在良好區(qū)通常“慢”,在危險區(qū)通?！翱臁?在劣化區(qū)則呈逐漸遞增的趨勢,即由“慢”逐漸向“快”轉(zhuǎn)變。本文即利用這種關(guān)聯(lián)關(guān)系,通過建立“慢”和“快”的標(biāo)準(zhǔn)向量,利用劣化速度與這兩個向量的“距離”來表示裝備接近功能故障的速度。

圖2 裝備狀態(tài)劣化曲線Fig.2 Condition deterioration curves of equipment

2.1 動態(tài)調(diào)整函數(shù)的構(gòu)造

構(gòu)造動態(tài)調(diào)整函數(shù)的目的,是利用劣化速度來表示裝備接近功能故障的速度,通過修正靜態(tài)評估值來更加準(zhǔn)確地表示實際的故障風(fēng)險。本文利用劣化速度與標(biāo)準(zhǔn)向量間的距離構(gòu)造動態(tài)調(diào)整函數(shù),并將其與靜態(tài)評估值相乘,得到完整的動態(tài)評估模型。本文采用一次倒數(shù)函數(shù)來構(gòu)造動態(tài)調(diào)整函數(shù):

式中:y(t)為動態(tài)調(diào)整函數(shù);b為控制參數(shù);dx,s和dx,f分別表示待評估樣本到vs和vf的歐氏距離, dx,s=‖x-vs‖,dx,f=‖x-vf‖,vs和vf分別為劣化速度“慢”和“快”的標(biāo)準(zhǔn)向量。則隨著劣化速度從“慢”向“快”發(fā)展,y(t)的取值從1逐漸增加至1+b,使靜態(tài)評估值的放大倍數(shù)與劣化速度呈正相關(guān)關(guān)系。

將靜態(tài)評估模型與動態(tài)調(diào)整函數(shù)相乘,得到動態(tài)評估模型:

式中:E(t)為t時刻的動態(tài)評估值;y(t)為t時刻的動態(tài)調(diào)整函數(shù)值;S(t)為t時刻的靜態(tài)評估值。動態(tài)調(diào)整函數(shù)的參數(shù)主要包括:劣化速度“慢”和“快”的標(biāo)準(zhǔn)向量和控制參數(shù)b.本文采用基于近鄰樣本密度加權(quán)的核模糊C均值聚類算法[12-13]求解劣化速度“慢”和“快”的標(biāo)準(zhǔn)向量,控制參數(shù)b通常根據(jù)實驗情況進(jìn)行優(yōu)化確定。

2.2 劣化速度標(biāo)準(zhǔn)向量的求解算法

由于裝備狀態(tài)劣化過程具有隨機(jī)性,在整個壽命過程中無法依據(jù)役齡直接將劣化速度劃分為“快”或“慢”,即劣化速度存在模糊性,因此采用模糊聚類理論對vs和vf進(jìn)行聚類分析。由于特征參數(shù)劣化速度數(shù)據(jù)具有高維、含噪的特點,常用的模糊聚類算法無法有效地處理此類數(shù)據(jù),這里選擇采用NSD-WKFCM(近鄰樣本密度-加權(quán)核模糊C均值)聚類算法對劣化速度進(jìn)行聚類分析,該算法采用核方法將樣本從采樣空間映射到高維特征空間,在不增加系統(tǒng)VC維的條件下提高了處理線性不可分問題的能力,同時依據(jù)近鄰樣本密度進(jìn)行加權(quán),有效地降低了噪聲數(shù)據(jù)的影響。

2.2.1 近鄰樣本密度加權(quán)算法

近鄰樣本密度加權(quán)算法的依據(jù)是:在聚類劃分中,聚類樣本應(yīng)圍繞聚類中心呈團(tuán)狀分布,即越靠近聚類中心的樣本,其周圍分布的樣本越多,即在該樣本點處的近鄰樣本密度越大,該樣本點對于聚類的影響越大。因此依據(jù)近鄰樣本密度函數(shù)確定加權(quán)系數(shù),可以有效降低遠(yuǎn)離聚類中心的噪聲樣本對聚類的影響。

采用高斯函數(shù)來定義點密度函數(shù):

式中:dkj表示兩個樣本xk和xj的歐氏距離,dkj=‖xk-xj‖;N為樣本容量;e為近鄰范圍域的閾值,有min(dkj)＜e＜max(dkj),樣本xk附近的點越多,則wk的值就越大,該樣本對聚類的作用越大,e的取值通常依據(jù)實驗確定。

對wk進(jìn)行歸一化:

2.2.2 NSD-WKFCM聚類算法的迭代求解

假設(shè)φ是一個非線性映射函數(shù),φ∶p∈OS→φ(p)∈HS,其中p是采樣空間OS中的變量, φ(p)表示映射后的高維特征空間HS中的變量。NSD-WKFCM聚類算法的目標(biāo)函數(shù)為

式中:X、U、V、W分別為樣本、模糊隸屬矩陣、模糊聚類中心、權(quán)重向量;C為聚類數(shù);μik表示第k個樣本對第i個聚類的隸屬度;xk為P維樣本向量;vi表示第i類的聚類中心;‖·‖表示基于核的距離度量,本文采用高斯核函數(shù),則有

為了令Jφm(X,U,V,W)取最小值,從而求得最佳的聚類中心VC×P={vi}和模糊隸屬矩陣UC×N= {μik},利用(11)式中的歸一化約束條件構(gòu)造拉格朗日函數(shù):

利用(14)式和(15)式對模糊隸屬矩陣UC×N和聚類中心VC×P進(jìn)行迭代求解,具體步驟為:

1)給定樣本集X,對樣本進(jìn)行歸一化處理。設(shè)置聚類數(shù)C、平滑參數(shù)m、高斯核函數(shù)的尺度參數(shù)σ、鄰近范圍域閾值e,設(shè)置目標(biāo)函數(shù)迭代截止誤差ε和最大迭代次數(shù)T.

2)初始化聚類中心{vi}=VC×P.

3)計算樣本間的核距離,利用(9)式和(10)式計算各樣本的歸一化權(quán)重ωk(1≤k≤N).

4)根據(jù)(14)式,用當(dāng)前的聚類中心計算得到模糊隸屬矩陣UC×N,構(gòu)造迭代變量Vo、Uo和Vn、 Un,將當(dāng)前VC×P和UC×N賦予Vo和Uo.

5)由(15)式構(gòu)造迭代(16)式,計算聚類中心Vn={vi,n}:

7)若|Vn-Vo‖＜ε或迭代次數(shù)達(dá)到T,則終止迭代,輸出聚類中心V和隸屬度矩陣U;否則令Vo=Vn,Uo=Un,轉(zhuǎn)到步驟5繼續(xù)迭代。

這里構(gòu)造初始聚類中心VC×P={vs;vf},其中vs和vf分別表示“慢”和“快”這兩類速度向量的聚類中心,通過上述迭代求解過程可得到模糊聚類中心V.

2.3 基于定量動態(tài)評估的狀態(tài)等級分類

裝備狀態(tài)的動態(tài)評估定量地描述裝備實時故障風(fēng)險,但為了降低維修決策層的工作難度,仍然需要對狀態(tài)評估值域進(jìn)行劃分,輸出定性評估結(jié)論,為實施及時有效的維修提供直觀的信息。采用模糊評判法建立狀態(tài)評判模型,評語集為{“良好”,“劣化”,“危險”}。

圖3 各狀態(tài)等級的模糊隸屬函數(shù)Fig.3 Fuzzy membership function of condition grade

分別以un、ud、uf為中心,以σn、σd、σf為標(biāo)準(zhǔn)差構(gòu)造高斯和單側(cè)高斯模糊隸屬函數(shù),考慮到狀態(tài)評估值的意義,其值越接近0,則狀態(tài)為“良好”的置信度越高,而越接近1,則狀態(tài)為“危險”的置信度越高。據(jù)此構(gòu)造模糊隸屬函數(shù),如圖3所示。

采用最大隸屬度原則作為狀態(tài)等級判別標(biāo)準(zhǔn),因此各評語隸屬函數(shù)的交點對應(yīng)的評估值即為狀態(tài)等級劃分閾值。在確定劃分閾值后,即可對裝備狀態(tài)等級進(jìn)行判斷,進(jìn)而做出維修決策。

3 狀態(tài)評估實例分析

本文采用油液中多類元素的濃度樣本,對某型裝備的變速箱技術(shù)狀態(tài)進(jìn)行評估,以驗證本文方法的有效性。共采集得到來自24臺變速箱的48個樣本,其中“良好”、“劣化”和“危險”樣本各16例,變速箱的真實狀態(tài)通過采樣后的分解檢測獲得,部分歸一化數(shù)據(jù)如表1所示。

采用粗糙集屬性約簡算法對表1中的特征參數(shù)進(jìn)行簡約。對樣本進(jìn)行離散化處理得到相容決策表,運(yùn)用區(qū)分矩陣算法[14],對決策表進(jìn)行約簡求核,得到核為{鐵,鉛,硅,鈉,磷,鋅},因此對樣本進(jìn)行裁剪得到新的樣本集,利用這6類參數(shù)對變速箱狀態(tài)進(jìn)行靜態(tài)評估。

表1 某型裝備變速箱油液中各類元素濃度數(shù)據(jù)Tab.1 Metal content samples of gear box lubricating oil of an equipment

按照第2節(jié)提出的變尺度混沌優(yōu)化算法,對特征參數(shù)的權(quán)重進(jìn)行優(yōu)化。設(shè)置運(yùn)算次數(shù)為50,求得歷次運(yùn)算Min(F)值和對應(yīng)混沌優(yōu)化解如圖4和圖5所示,Min(F)最小時求得的優(yōu)化解即為最優(yōu)權(quán)重。

圖4 歷次運(yùn)算Min(F)輸出值Fig.4 Output results of Min(F)

特征參數(shù)最優(yōu)權(quán)重向量為(0.529 4,0.000 1, 0.275 1,0.003 3,0.111 4,0.080 7),由于鉛和鈉元素濃度這兩類參數(shù)權(quán)重很低,因此將這兩類數(shù)據(jù)剔除,對特征數(shù)據(jù)加權(quán)求和,得到“良好”、“劣化”和“危險”3類樣本的靜態(tài)評估值如圖6所示。

運(yùn)用2.3節(jié)提出的模糊評判準(zhǔn)則得到狀態(tài)劃分閾值分別為0.277 9和0.446 8,據(jù)此對變速箱狀態(tài)等級進(jìn)行判斷,正確率為89.58%,評估效果不夠理想。因此,對樣本數(shù)據(jù)按照采樣時間進(jìn)行排序,將樣本數(shù)據(jù)與上一個采樣點的樣本數(shù)據(jù)相減,求得特征參數(shù)平均劣化速度,作為對應(yīng)樣本的劣化速度數(shù)據(jù)進(jìn)行動態(tài)評估。

利用鐵、硅、磷、鋅元素濃度的數(shù)據(jù)構(gòu)造劣化速度向量,對樣本進(jìn)行歸一化處理得到與各樣本相對應(yīng)的劣化速度數(shù)據(jù)。將狀態(tài)為“良好”與“危險”等級向?qū)?yīng)的劣化速度樣本提取出來,建立聚類樣本集。運(yùn)用NSD-WKFCM算法進(jìn)行聚類分析,算法的參數(shù)設(shè)置為:聚類數(shù)C=2、平滑參數(shù)m=2、鄰近范圍域閾值e=1,σ=0.301 6,迭代截止誤差ε=10-6和最大迭代次數(shù)T=50.通過計算“良好”和“危險”狀態(tài)下劣化速度樣本的類內(nèi)均值,對聚類中心進(jìn)行初始化,得到2×4維初始聚類中心Vi:

圖5 各特征參數(shù)的權(quán)值Fig.5 Optimized weights of characteristic parameters

圖6 樣本靜態(tài)評估結(jié)果Fig.6 Statically evaluated results

按照第2.2節(jié)提出的迭代步驟進(jìn)行聚類求解,得到最優(yōu)的聚類中心為

控制參數(shù)b的取值范圍設(shè)為[0,4],步長為0.01,求解動態(tài)評估模型的性能隨b的變化曲線,對b進(jìn)行優(yōu)化。計算b取固定值時的σn/un、σd/ud、σf/uf和狀態(tài)判斷錯誤率,得到圖7和圖8所示的變化曲線。

圖7 σn/un、σd/ud、σf/uf的變化曲線Fig.7 Curves of σn/un,σd/udand σf/uf

圖8 狀態(tài)判斷錯誤率的變化曲線Fig.8 Curve of condition judgment mistake rate

上述4類指標(biāo)值越小則評估效果越好,因此綜合分析各指標(biāo)曲線,確定b=0.5,代入(8)式確定最優(yōu)的動態(tài)調(diào)整函數(shù)。將動態(tài)調(diào)整函數(shù)與靜態(tài)加權(quán)公式相乘得到完整的動態(tài)評估模型,對樣本進(jìn)行動態(tài)評估,得到的評估結(jié)果如圖9所示。

由圖9可知,“良好”和“劣化”狀態(tài)的劃分閾值為0.319 7,“劣化”和“危險”的劃分閾值為0.557 7,此時樣本狀態(tài)判斷正確率達(dá)到了100%,與靜態(tài)評估89.58%的正確率相比有顯著提高,可見動態(tài)評估能夠有效地彌補(bǔ)靜態(tài)評估方法的不足,更加準(zhǔn)確地判斷裝備狀態(tài)。

4 結(jié)論

圖9 樣本動態(tài)評估結(jié)果Fig.9 Dynamically evaluated results

本文利用多維狀態(tài)特征信息對裝備狀態(tài)進(jìn)行評估,建立了融合靜態(tài)觀測信息與劣化速度信息的動態(tài)評估模型。采用變尺度混沌優(yōu)化算法對高維、含噪條件下基于目標(biāo)函數(shù)的狀態(tài)靜態(tài)評估建模方法進(jìn)行研究,增強(qiáng)了靜態(tài)評估的客觀性,提高了狀態(tài)評判的準(zhǔn)確率。針對狀態(tài)指標(biāo)劣化信息未得到有效利用的問題,本文通過構(gòu)造動態(tài)調(diào)整函數(shù)對靜態(tài)評估模型進(jìn)行修正,在合理描述裝備狀態(tài)劣化共性趨勢的同時,充分發(fā)掘了個體裝備時序特征觀測值的隱含信息,進(jìn)一步提高了裝備狀態(tài)評判的準(zhǔn)確率。因此,

裝備動態(tài)評估模型能夠準(zhǔn)確地評估裝備狀態(tài),為實施狀態(tài)維修提供信息支持。

References)

[1] 李愛民,張耀輝,張仕新.裝甲車輛工況監(jiān)測參數(shù)的選擇[J].裝甲兵工程學(xué)院學(xué)報,2006,20(4):32-35.

LI Ai-min,ZHANG Yao-hui,ZHANG Shi-xin.Selection of working condition detecting parameters for armored vehicles conditionbased maintenance[J].Journal of Academy of Armored Force Engineering,2006,20(4):32-35.(in Chinese)

[2] 陳小衛(wèi),王文雙,宋貴寶,等.基于模糊偏序關(guān)系的混合型多屬性決策方法[J].系統(tǒng)工程與電子技術(shù),2012,34(3):529-534.

CHEN Xiao-wei,WANG Wen-shuang,SUN Gui-bao,et al.Hybrid multi-attribute decision making based on fuzzy preference relation [J].System Engineering and Electronics,2012,34(3):529-534.(in Chinese)

[3] 潘玉娜,陳進(jìn),李興林.基于模糊C-均值的設(shè)備性能退化評估方法[J].上海交通大學(xué)學(xué)報,2009,43(11):1794-1797.

PAN Yu-na,CHEN Jin,LI Xing-lin.Fuzzy C-means based equipment performance degradation assessment[J].Journal of Shanghai Jiaotong University,2009,43(11):1794-1797.(in Chinese)

[4] 吳笛.基于BP神經(jīng)網(wǎng)絡(luò)的航天發(fā)射平臺性能評估研究[J].機(jī)床與液壓,2011,39(17):144-148.

WU Di.Research on performance estimation of aerospace launch platform based on BP neural network[J].Machine Tool&Hydraulics,2011,39(17):144-148.(in Chinese)

[5] 張黎明,趙新文,蔡琦.基于SVM的核動力屏蔽泵老化狀態(tài)評估[J].核動力工程,2011,32(2):124-127.

ZHANG Li-ming,ZHAO Xin-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] 孫宜權(quán),張英堂,李志寧,等.基于核主成分分析的柴油機(jī)技術(shù)狀態(tài)評估[J].車用發(fā)動機(jī),2012(2):89-91.

SUN Yi-quan,ZHANG Ying-tang,LI Zhi-ning,et al.Evaluation of diesel engine technical state based on KPCA[J].Vehicle Engine, 2012(2):89-91.(in Chinese)

[7] 胡慶春,王洋,張繼權(quán),等.基于灰熵的變壓器絕緣狀態(tài)評估[J].電力科學(xué)與工程,2011,27(10):16-22.

HU Qing-chun,WANG Yang,ZHANG Ji-quan,et al.Method for insulative condition classification evaluation of power transformer based on gray entropy[J].Electric Power Science and Engineering,2011,27(10):16-22.(in Chinese)

[8] 郭保偉,李書明.基于模糊層次分析法的民航發(fā)動機(jī)狀態(tài)評估[J].裝備制造技術(shù),2012(12):160-162.

GUO Bao-wei,LI Shu-ming.State assessment for civil aviation engine based on FAHP[J].Equipment Manufacturing Technology, 2012(12):160-162.(in Chinese)

[9] 修春波,劉向東,張宇河.雙混沌機(jī)制優(yōu)化方法及其應(yīng)用[J].控制與決策,2003,18(6):724-726.

XIU Chun-bo,LIU Xiang-dong,ZHANG Yu-he.Optimization algorithm using two kinds of chaos and its application[J].Control and Decision,2003,18(6):724-726.(in Chinese)

[10] 李兵,蔣慰孫.混沌優(yōu)化方法及其應(yīng)用[J].控制理論與應(yīng)用,1997,14(4):613-615.

LI Bing,JIANG Wei-sun.Chaos optimization method and its application[J].Control Theory&Applications,1997,14(4): 613-615.(in Chinese)

[11] 鄒恩,陳建國,李祥飛.一種改進(jìn)的變尺度混沌優(yōu)化算法及其仿真研究[J].系統(tǒng)仿真學(xué)報,2006,18(9):2426-2432.

ZOU En,CHEN Jian-guo,LI Xiang-fei.Improving mutative scale chaos optimization algorithm and simulation study[J].Journal of System Simulation,2006,18(9):2426-2432.(in Chinese)

[12] LIU X F,YANG C.Clustering performance of different density function weighted FCM algorithm[C]∥Proceeding 2010 6th International Conference on Natural Computation.Yantai:IEEE, 2010:3296-3300.

[13] 劉小芳.基于核理論的遙感圖像分類方法研究[D].成都:電子科技大學(xué),2011.

LIU Xiao-fang.Research on remote sensing image classification methods based on kernel theory[D].Chengdu:University of E-lectronic Science and Technology of China,2011.(in Chinese)

[14] 王國胤.Rough集理論與知識獲取[M].西安:西安交通大學(xué)出版社,2001.

WANG Guo-yin.Rough set theory and knowledge acquisition[M]. Xi'an:Xi'an Jiaotong University Press,2001.(in Chinese)

Dynamic Evaluation Methods for Equipment Technical Condition Based on Multi-dimensional Characteristic Parameters

WANG Shao-hua,ZHANG Yao-hui,HAN Xiao-hai
(Department of Technology Support Engineering,Academy of Armored Force Engineering,Beijing 100072,China)

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-dimensional characteristic parameters,a mutative scale chaos algorithm is applied to achieve optimal objective weighting,and a static condition evaluation model is established.Based on static evaluation,a“distance”which measures real-time deteriorating speed and standard deteriorating speed is opted to modify the static evaluation result.NSD-WKFCM(neighbor sample density weighted kernel fuzzy C-means)clustering algorithm is used to solve standard vector of deteriorating speed.A dynamic adjusting function based on“distance”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 effectiveness of the model.

ordnance science and technology;multi-dimensional characteristic parameter;chaos optimization algorithm;NSD-WKFCM clustering algorithm;dynamic evaluation

E075

A

1000-1093(2014)11-1883-08

10.3969/j.issn.1000-1093.2014.11.021

2013-12-17

軍隊“十二五”預(yù)先研究項目(51327020303)

王少華(1986—),男,博士研究生。E-mail:aafe77330@163.com;

張耀輝(1960—),男,教授,博士生導(dǎo)師。E-mail:zyh532@sohu.com