某伺服機(jī)構(gòu)健康評(píng)估方法研究

張曉雨, 何華鋒， 鄭建飛， 董海迪

(火箭軍工程大學(xué),西安 710025)

某伺服機(jī)構(gòu)健康評(píng)估方法研究

張曉雨, 何華鋒， 鄭建飛， 董海迪

(火箭軍工程大學(xué),西安 710025)

健康等級(jí)不同的裝備在維護(hù)保養(yǎng)和執(zhí)行任務(wù)時(shí)應(yīng)采取不同的方案。當(dāng)前裝備的測(cè)試評(píng)估仍然采用“是非制”，即通過測(cè)試僅能判定裝備正常與否，缺少對(duì)其健康等級(jí)的評(píng)判。針對(duì)這個(gè)問題，以某伺服機(jī)構(gòu)為研究對(duì)象，提出一種基于改進(jìn)證據(jù)理論的健康狀態(tài)評(píng)估方法,該方法首先確定能夠全面表征伺服機(jī)構(gòu)健康狀態(tài)的參數(shù)集合，利用歸一量化的方法對(duì)測(cè)試數(shù)據(jù)進(jìn)行處理。然后基于改進(jìn)的證據(jù)理論，對(duì)處理后的各項(xiàng)參數(shù)隸屬度進(jìn)行融合，從而得到伺服機(jī)構(gòu)的健康狀態(tài)等級(jí)。最后，通過對(duì)某伺服機(jī)構(gòu)的實(shí)例分析，驗(yàn)證了所提方法的有效性和應(yīng)用價(jià)值。

伺服機(jī)構(gòu)； 武器裝備； 健康評(píng)估； 測(cè)試數(shù)據(jù)； 改進(jìn)證據(jù)理論

0 引言

目前，對(duì)武器裝備狀態(tài)的評(píng)估仍采用“是非制”，即只要裝備通過了測(cè)試，就認(rèn)為該裝備合格，這種方法存在一定的局限性，無法得到裝備健康狀態(tài)的具體等級(jí)。裝備的健康狀態(tài)影響裝備戰(zhàn)備值班任務(wù)的安排，并且不同狀態(tài)的裝備應(yīng)采取不同的維護(hù)保養(yǎng)方案[1-3]。針對(duì)上述問題，本文以某伺服機(jī)構(gòu)為例，按照性能要求對(duì)其健康狀態(tài)等級(jí)進(jìn)行劃分，提出了一種基于改進(jìn)證據(jù)理論的多指標(biāo)融合伺服機(jī)構(gòu)健康狀態(tài)評(píng)估方法。

1 健康評(píng)估體系構(gòu)建

1.1 健康指標(biāo)分析

伺服機(jī)構(gòu)的測(cè)試項(xiàng)目比較多，不同的項(xiàng)目表示不同的性能，建立全面、合理的健康指標(biāo)體系是對(duì)伺服機(jī)構(gòu)進(jìn)行健康評(píng)估首先要解決的問題。

建立健康指標(biāo)體系既要考慮全面性，又要兼顧不相容性。伺服機(jī)構(gòu)性能測(cè)試內(nèi)容主要包括狀態(tài)參數(shù)、靜態(tài)特性和動(dòng)態(tài)特性[4]。狀態(tài)參數(shù)的好壞一般都可以在伺服機(jī)構(gòu)控制性能中表征出來。根據(jù)測(cè)試內(nèi)容和評(píng)估原則，健康指標(biāo)體系主要包括靜態(tài)特性和動(dòng)態(tài)特性[5]兩方面，每個(gè)特性又能夠細(xì)化為更詳細(xì)的指標(biāo)，由此建立如圖1所示的伺服機(jī)構(gòu)健康指標(biāo)層次結(jié)構(gòu)模型。

圖1 伺服機(jī)構(gòu)健康指標(biāo)層次結(jié)構(gòu)模型Fig.1 Health indicators hierarchical model of servo mechanism

1.2 健康狀態(tài)分級(jí)與隸屬函數(shù)表示

對(duì)伺服機(jī)構(gòu)進(jìn)行評(píng)估之前，需要先劃分伺服機(jī)構(gòu)的健康狀態(tài)等級(jí)。根據(jù)性能要求，可將伺服機(jī)構(gòu)(或各項(xiàng)指標(biāo))的合格狀態(tài)劃分為良好、較好、堪用和擬故障等4種狀態(tài)等級(jí)。伺服機(jī)構(gòu)各狀態(tài)之間沒有具體的界限，只有模糊的過渡區(qū)域，根據(jù)裝備實(shí)際退化狀況和相關(guān)專家經(jīng)驗(yàn)[6]，狀態(tài)隸屬度的判別采用了模糊三角函數(shù)的方法，如圖2所示。

圖2 模糊三角隸屬度函數(shù)Fig.2 Triangular fuzzy membership function

良好狀態(tài)表示伺服機(jī)構(gòu)的健康狀態(tài)非常好，能夠滿足長(zhǎng)期服役的要求。其隸屬度函數(shù)為

(1)

較好狀態(tài)表示伺服機(jī)構(gòu)健康狀態(tài)尚可，雖然跟良好狀態(tài)相比有一定惡化，但影響不太嚴(yán)重。其隸屬度函數(shù)為

(2)

堪用狀態(tài)表示伺服機(jī)構(gòu)健康狀態(tài)退化較大，但是還滿足正常使用要求。其隸屬度函數(shù)為

(3)

擬故障狀態(tài)表示伺服機(jī)構(gòu)已經(jīng)進(jìn)入故障高發(fā)期，盡管測(cè)試指標(biāo)顯示正常，但需要納入維護(hù)規(guī)劃。其隸屬度函數(shù)為

(4)

2 測(cè)試數(shù)據(jù)的歸一量化處理

伺服機(jī)構(gòu)屬于長(zhǎng)期貯存裝備，僅憑某次測(cè)試數(shù)據(jù)來評(píng)估其健康具有一定片面性。為此，本文提出一種對(duì)測(cè)試數(shù)據(jù)進(jìn)行歸一量化處理的方法。歸一量化處理主要包括3項(xiàng)：當(dāng)前數(shù)據(jù)和歷史數(shù)據(jù)均值的比較，當(dāng)前數(shù)據(jù)和上次數(shù)據(jù)的比較以及當(dāng)前數(shù)據(jù)和給定標(biāo)準(zhǔn)值的比較。下面以當(dāng)前測(cè)試數(shù)據(jù)和歷史測(cè)試數(shù)據(jù)均值的歸一量化為例進(jìn)行說明。

首先，計(jì)算當(dāng)前測(cè)試數(shù)據(jù)與歷史測(cè)試數(shù)據(jù)均值的偏差的絕對(duì)值，表達(dá)式為

δh=|x-xh|

(5)

式中：x表示本次值;xh表示歷史測(cè)試數(shù)據(jù)均值。

然后，計(jì)算歸一量化值λh。算式采用了半梯形函數(shù)的方法，表達(dá)式為

(6)

式中，δ0為最大誤差限。

對(duì)于本次和上次測(cè)試值比較值的歸一量化值λl以及與給定指標(biāo)值的比較值的歸一量化值λs，均可參考上述方法進(jìn)行處理。

得到歸一量化值后，接下來的工作就是根據(jù)上述3項(xiàng)歸一量化值計(jì)算健康指數(shù)λ?？紤]到這3項(xiàng)重要性有所區(qū)別，根據(jù)以往經(jīng)驗(yàn)，確定λh,λl和λs所占的權(quán)重依次為0.2，0.3和0.5。下面介紹λ的求解過程:當(dāng)λh,λl和λs均為1時(shí)，則認(rèn)為伺服機(jī)構(gòu)健康狀態(tài)良好，故認(rèn)為λ為1；若這3項(xiàng)的值均大于0.7且不全為1，則取λ為這3項(xiàng)的加權(quán)和；當(dāng)三者中有值小于0.7但大于0，則加權(quán)后最小值所對(duì)應(yīng)的λi即為λ的取值；若3者任一項(xiàng)為0，則λ取值為0。λ的表達(dá)式為

(7)

3 基于證據(jù)融合的健康評(píng)估模型

3.1 D-S證據(jù)理論

證據(jù)理論由DEMPSTER[7]提出，經(jīng)SHAFER發(fā)展[8]之后，在信息融合、決策分析和目標(biāo)識(shí)別等領(lǐng)域有著廣泛的應(yīng)用[9-11]。

證據(jù)理論的核心是證據(jù)合成方法。設(shè)焦元分別為B1,…,Bk和C1,…,Cr，則證據(jù)理論的基本合成算式為

(8)

3.2 對(duì)證據(jù)理論的改進(jìn)

合成規(guī)則具有簡(jiǎn)潔性和實(shí)用性，但當(dāng)證據(jù)存在高度沖突時(shí)，融合后的結(jié)果通常和實(shí)際情況相違背[12]。因此，國內(nèi)外很多學(xué)者對(duì)證據(jù)理論進(jìn)行了大量的改進(jìn)研究。本文結(jié)合前人的研究成果[13-15]，從修正證據(jù)源和改進(jìn)合成算式兩方面出發(fā)，對(duì)證據(jù)理論進(jìn)行改進(jìn)，使之更好地處理沖突。

在修正證據(jù)源方面，本文引入一種廣義Jaccard系數(shù)[16]來描述證據(jù)體之間的相似度。

定義1存在兩個(gè)n維向量X和Y，則這兩個(gè)向量之間的相似程度可用廣義Jaccard系數(shù)來描述,即

(9)

(10)

在沖突處理方面，本文方法引入了局部分配沖突的思想[15]，表達(dá)式可以概括為

(11)

式中,c(A)表示局部沖突中分配給焦元A的沖突部分。利用得到的修正BPA函數(shù)進(jìn)行合成，得到的合成算式為

(12)

式中：m為對(duì)應(yīng)的BPA值；c(A)為局部沖突中分配給焦元A的沖突部分。經(jīng)驗(yàn)證，此方法仍然滿足D-S合成算式的良好性質(zhì)。

3.3 基于證據(jù)融合的多指標(biāo)評(píng)估模型

伺服機(jī)構(gòu)結(jié)構(gòu)比較復(fù)雜，測(cè)試參數(shù)較多，各項(xiàng)參數(shù)的優(yōu)劣判別具有一定模糊性和不確定性。因此，本文采用證據(jù)理論的方法對(duì)伺服機(jī)構(gòu)健康狀態(tài)進(jìn)行評(píng)估。其基本思想為：將第1章中的各項(xiàng)指標(biāo)作為評(píng)估因素集，進(jìn)行歸一量化后，利用模糊隸屬度函數(shù)轉(zhuǎn)化為表征狀態(tài)的BPA值，再由D-S理論進(jìn)行數(shù)據(jù)融合，最終實(shí)現(xiàn)對(duì)伺服機(jī)構(gòu)的健康狀態(tài)評(píng)估。基于證據(jù)理論的伺服機(jī)構(gòu)健康狀態(tài)評(píng)估模型如圖3所示。

圖3 伺服機(jī)構(gòu)健康狀態(tài)評(píng)估模型Fig.3 Servo mechanism health assessment model

已知證據(jù)理論合成算式滿足結(jié)合律和交換律，為計(jì)算方便，首先按照合成算式將靜態(tài)測(cè)試項(xiàng)目和動(dòng)態(tài)測(cè)試項(xiàng)目下的指標(biāo)BPA值分別進(jìn)行融合，得到靜態(tài)和動(dòng)態(tài)測(cè)試的BPA值，便于判別影響伺服機(jī)構(gòu)健康狀態(tài)的項(xiàng)目，而后，再進(jìn)行一次融合得到伺服機(jī)構(gòu)的健康狀態(tài)。

4 實(shí)例分析

本文以某伺服機(jī)構(gòu)為例，對(duì)其健康狀態(tài)進(jìn)行分析。該伺服機(jī)構(gòu)自2010年開始，截止2015年獲得最新的測(cè)試數(shù)據(jù)已經(jīng)工作6 a。以該伺服機(jī)構(gòu)的靜態(tài)參數(shù)相關(guān)的4個(gè)關(guān)鍵參數(shù)為例進(jìn)行評(píng)估研究，得到其2015年的測(cè)試數(shù)據(jù)如表1所示。

表1 靜態(tài)特性各項(xiàng)測(cè)試數(shù)據(jù)

首先利用第2章的方法對(duì)上述數(shù)據(jù)進(jìn)行歸一量化處理得到處理后的數(shù)據(jù)如表2所示。

表2 靜態(tài)特性數(shù)據(jù)歸一量化表

根據(jù)歸一量化后的數(shù)據(jù)，由狀態(tài)隸屬度函數(shù)計(jì)算可得各項(xiàng)參數(shù)的隸屬度，結(jié)果如表3所示。

表3 測(cè)試數(shù)據(jù)隸屬度

利用第3章權(quán)重系數(shù)算式計(jì)算各項(xiàng)參數(shù)修正后的隸屬度，結(jié)果如表4所示。

表4 修正后的隸屬度

合成后得到的靜態(tài)特性在識(shí)別框架下的BPA值為β1=(0.500 9,0.489 6,0.000 3,0,0.009 2)。

對(duì)動(dòng)態(tài)特性各項(xiàng)指標(biāo)進(jìn)行融合得到動(dòng)態(tài)特性BPA值為β2=(0.304 8,0.584 9,0.1,0,0.010 3)。再次融合后得到伺服機(jī)構(gòu)健康狀態(tài)BPA值為β=(0.394 7,0.587 2,0.017 5,0,0.000 6)。最終結(jié)果的不確定度為0.000 6，健康狀態(tài)等級(jí)為較好。對(duì)該伺服機(jī)構(gòu)2010～2015年的健康狀態(tài)進(jìn)行評(píng)估，分別為良好、良好、良好、良好、較好、較好。鑒于該伺服機(jī)構(gòu)的狀態(tài)是逐步退化的，因此認(rèn)為本文提出的方法是可行的。同時(shí)，由靜態(tài)特性和動(dòng)態(tài)特性的BPA值可知，動(dòng)態(tài)特性退化較靜態(tài)特性嚴(yán)重。

5 結(jié)論

對(duì)伺服機(jī)構(gòu)進(jìn)行狀態(tài)評(píng)估，需要考慮多種指標(biāo)，本文從靜態(tài)特性和動(dòng)態(tài)特性兩個(gè)方面出發(fā)，將其狀態(tài)分為良好、較好、堪用以及擬故障，并在此基礎(chǔ)上提出一種基于改進(jìn)證據(jù)理論的健康狀態(tài)評(píng)估方法。

本文運(yùn)用改進(jìn)證據(jù)理論的融合方法，結(jié)合伺服機(jī)構(gòu)的各類測(cè)試數(shù)據(jù)，對(duì)其健康狀態(tài)進(jìn)行實(shí)時(shí)評(píng)估，有效改進(jìn)了以往“非此即彼”的評(píng)價(jià)模式，對(duì)裝備測(cè)試評(píng)估方法的改進(jìn)具有重要的借鑒意義。

[1] WANG J J,NIE R R,ZHANG H Y,et al.Intuitionistic fuzzy multi-criteria decision-making method based on evidential reasoning[J].Applied Soft Computing,2013,13(4):1823-1831.

[2] JIN G,MATTHEWS D E,ZHOU Z B.A Bayesian framework for on-line degradation assessment and residual life prediction of secondary batteries in spacecraft[J].Reliability Engineering and System Safety,2013,113(1):7-20.

[3] WICKRAMARATHNE T L,PREMARATNE K,MURTHI M N.Monte-Carlo approximations for dempster-shafer be-lief theoretic algorithm[C]//Proceedings of the 14th In-ternational Conference on Information Fusion,IEEE,2011: 461-468.

[4] 朱忠惠.推力矢量控制伺服系統(tǒng)[M].北京：宇航出版社,1995.

[5] 崔吉俊.火箭導(dǎo)彈測(cè)試技術(shù)[M].北京:國防工業(yè)出版社,1999.

[6] 叢林虎,徐廷學(xué),董琪,等.基于改進(jìn)證據(jù)理論的導(dǎo)彈狀態(tài)評(píng)價(jià)方法[J].科技導(dǎo)報(bào),2013,31(30):15-18.

[7] ARTHUR P D.Upper and lower probabilities induced by a multi-valued mapping[J].Annals Math Statist,1967, 38(2):325-339.

[8] GLENN S.Mathematical theory of evidence [M].Princeton:Princeton University Press,1976.

[9] 權(quán)文,王曉丹,史朝輝,等.多源不確定性信息融合中的沖突證據(jù)快速合成方法[J].系統(tǒng)工程與電子技術(shù),2012,34(2):333-336.

[10] 胡昌華,司小勝,史小華.基于ER的陀螺漂移組合預(yù)測(cè)模型[J].控制與決策,2009,24(2):202-205.

[11] 李鵬,劉思峰.基于灰色關(guān)聯(lián)分析和D-S證據(jù)理論的區(qū)間直覺模糊決策方法[J].自動(dòng)化學(xué)報(bào),2011,37(8)：993-998.

[12] ZADEH L A.Review of a mathematical theory of evidence[J].AI Magazine,1984,5(3):81-83.

[13] 周哲,徐曉濱,文成林,等.沖突證據(jù)融合的優(yōu)化方法[J].自動(dòng)化學(xué)報(bào),2012,38(6):976-985.

[14] 張燕君,龍呈,李達(dá).基于沖突表示的沖突證據(jù)融合方法[J].模式識(shí)別與人工智能,2013,26(9):853-858.

[15] 郭華偉,施文康,劉清坤,等.一種新的證據(jù)組合規(guī)則[J].上海交通大學(xué)學(xué)報(bào),2006,40(11):1895-1900.

[16] 潘磊,雷鈺麗,王崇駿,等.基于權(quán)重的Jaccard相似度度量的實(shí)體識(shí)別方法[J].北京交通大學(xué)學(xué)報(bào),2009,33(6):141-143.

OnHealthEvaluationMethodforaCertainServoMechanism

ZHANG Xiao-yu, HE Hua-feng, ZHENG Jian-fei, DONG Hai-di

(Rocket Force University of Engineering,Xi’an 710025,China)

Different solutions of maintenance and operation should be taken for equipment at different health levels.The current testing and evaluation of equipment is still realized by the “true or false” method,which can only describe whether the equipment is normal or not,and the health level can’t be evaluated.Aiming at this problem,a health status assessment method based on improved evidence theory is proposed,taking a certain type of servo mechanism as the research object.Firstly,a set of parameters is proposed to represent the health of the servo mechanism comprehensively,and a normalization method is used to process the test data.Furthermore,the membership of each processed parameter is fused based on the improved evidence theory,and thus the health status level of the servo mechanism is obtained.Finally,the proposed method is verified by the case study to a certain servo mechanism.It is demonstrated that the proposed method is valid,with certain application value.

servo mechanism; weaponry; health evaluation; test data; improved evidence theory

O213.2

A

1671-637X(2017)03-0064-04

2016-03-24

2016-04-24

國家杰出青年基金(61025014)；國家自然科學(xué)基金(6117 4030)

張曉雨(1991 —),男，河北衡水人，碩士生，研究方向?yàn)檠b備健康管理。