[发明专利]一种基于多变量的设备动态健康状态评估方法

权利要求书

1.一种基于多变量的设备动态健康状态评估方法，其特征在于，利用综合显著-偏置卷积神经网络和递减最大熵模糊聚类结合的多变量模型进行设备动态健康状态评估；具体如下：

模型分成离线与在线两部分；

离线部分包括：SOCNN多变量预测模型与分类器的构建；给定具有多维特征的训练数据集L，根据特征空间的维数，利用SOCNN算法建立多变量预测因子Pi，并用m个案例的数据进行训练；随后，使用S-MEFC算法针对多维特征训练集构建q个无监督分类器，每个分类器CL具有不同数量的状态；

在线部分包括：多步多变量预测、离散状态的估计与健康状态评估；对于在线阶段，考虑包含监控数据TFi形成多变量信号，直到某个临界时刻tc，在该临界时刻tc，设备多变量预测开始初始化；在健康状态评估开始之前，由于监控数据TFi的每个索引与特定的分类器CL具有相似性，通过计算分类器和TFi的索引之间的距离相似度，动态地分配阈值；预测初始化完成后，进行多步多变量预测；从tc时刻开始利用SOCNN进行迭代多步预测，直到多变量预测到达动态分配的故障阈值；此时设备健康评估完成，得出在临界时刻tc的设备状态，同时预测出设备的故障前的剩余寿命。

2.根据权利要求1所述的一种基于多变量的设备动态健康状态评估方法，其特征在于，所述根据特征空间的维数，利用SOCNN算法建立多变量预测因子Pi，并用m个案例的数据进行训练的具体步骤如下：

假设给出一个多变量时间序列R代表实数域，d代表d维，代表目的为预测x_n元素子集的相对未来值，即一个多变量时间序列的相对未来值y_n如下：

上述中， 为x_n的特征子集；设1到M个多变量时间序列为：考虑y_n的以下估计

其中，F，S：是SOCNN神经网络，σ为在每一行上独立的归一化激活函数，即

对于任意和σ，使得σ(α)^T1_M＝1对于任意一个α∈R^M；表示Hadamard矩阵乘法；

中的求和超过了括号中矩阵的列，因此输出向量的第i元素为矩阵的第i行的线性组合，考虑S为完全卷积的网络和F的形式；

其中，和偏移网络的映射关系：off：为一个多层感知器，在这种情况下，F看作投影之和并且将长度为1的所有核的卷积网络重写方程得到如下方程：

其中，S_m(·)表示S(·)的第m个列；

将该网络称为显著性-偏移卷积神经网络SOCNN，而S和off称为显著性和偏移子网络。

3.根据权利要求1所述的一种基于多变量的设备动态健康状态评估方法，其特征在于，所述使用S-MEFC算法针对多维特征训练集构建q个无监督分类器中，S-MEFC算法的具体步骤如下：

步骤1：考虑包含n维时间序列的N个未标记样本的训练数据集L_D，L_D如下：

利用SC算法通过训练集L_D来获得所有N个样本多维数据的所有簇c，与所有簇的初始聚类中心V^old；聚类中心为矩阵

步骤2：用MEI计算模糊划分矩阵U：

U＝[μ_ij]_c×N

式中，N表示样本数，c表示簇数，μ_ij表示第j个簇中第i个对象的隶属度，μ_ij的计算公式如下：

上式中，σ代表模糊参数，由用户选择用于进一步调整中心位置并为每个数据点分配隶属度；

聚类中的关键是比较两数据之间的相似性，因此，利用标准化的欧几里得距离D_SE计算数据相似性，其计算公式如下：

其中，SD为标准偏差，x_ik为训练集中第i行第k列元素，v_jk为聚类中心矩阵V中的第j行k列元素；

步骤3：使用MEFC算法更新簇分区矩阵U和聚类中心矩阵V^new，V^new中的每个元素计算公式如下：

式中，x_i代表n维的向量，即训练集中的第i行的行向量；

步骤4：重复步骤2和3直到满足终止标准ε

||V^new-V^old||ε。