超温度工况下复杂机电系统维护时机决策方法
本发明涉及复杂机电系统健康管理领域,具体涉及一种超温度工况下复杂机电系统维护时机决策方法。
背景技术:
1、复杂机电系统在运行过程中经常面临温度超出设计阈值的工况,例如长时间高强度运行导致器件温度升高、突发任务下的高温过载使用,以及外部环境温度上升引发的热应力。温度超限会显著加速电子器件的性能退化,使系统更容易出现零偏漂移、噪声放大、材料老化和结构疲劳等现象,进而增加失效风险。对于航空航天、轨道交通、能源装备等领域中由机械、电子、控制等多个子系统高度耦合而成的复杂机电系统而言,温度超限工况下的健康状态评估与维护时机决策,直接关系到系统运行的安全性与可靠性。
2、针对复杂机电系统的维护决策,传统方式主要采用定时维护或事后维修。定时维护按照固定周期执行,无法反映系统健康状态的动态变化;事后维修在故障发生后才采取措施,存在较大的停机风险与安全隐患。为克服传统方式的不足,基于状态监测的维护时机决策方法逐渐受到关注。其中,置信规则库模型因能够融合专家知识与监测数据、处理不确定性信息,在复杂机电系统健康评估领域得到应用。将置信规则库引入维护时机决策,旨在通过融合多源监测信息与专家知识,实现对系统健康状态的动态评估,进而为维护时机的确定提供量化依据。
3、然而,现有基于置信规则库的维护时机决策方法在温度超限工况下仍面临若干技术难题。
4、首先,现有方法普遍缺乏对温度超限累积效应的量化描述。温度对器件退化的影响不仅取决于瞬时温度高低,还与高温暴露的持续时间、温度幅值等因素相关。短时高温与长期低温对退化过程的贡献存在显著差异,现有方法通常仅关注温度的瞬时变化,忽略高温暴露时间与温度幅值之间的非线性累积关系,难以准确刻画温度超限条件下的加速退化过程。
5、其次,温度与载荷之间存在相互促进的耦合关系,而现有模型难以体现这种耦合效应。高温会改变材料的力学性能,使同一载荷水平下的应力响应增大;高载荷又会导致器件内部发热,使温度进一步升高,两者形成正反馈,导致退化速率呈现明显的非线性加速特征。这种非线性协同效应无法通过温度影响与载荷影响的简单叠加来描述。传统置信规则库模型的规则权重固定,无法随温度变化动态调整,也难以在规则激活层面体现温度与载荷之间的耦合关系,导致在高温工况下的性能评估精度明显不足。
6、再次,置信规则库模型中的规则置信度、规则权重和属性权重等参数通常依赖人工经验设定,主观性强且缺乏自适应优化能力,难以适应不同运行工况;此外,现有维护时机推断方法多采用经验阈值或简单线性映射,无法反映退化速度随温度变化的非线性特征,也难以建立与退化程度相匹配的连续量化关系,导致维护时机预测偏差较大,限制了模型的泛化能力与鲁棒性。
7、针对温度对维护时机决策的影响,现有技术尝试将温度连同其他环境应力一并作为超负荷因素引入。例如公开号为cn121836691a的中国发明专利公开了一种超负荷作业下复杂机电系统维护时机决策方法,该方法通过构建超负荷累积指数并将其匹配度嵌入置信规则库的激活权重,以提升模型对过载工况的敏感性。该方法将温度、压力、振动、电流等环境应力统一视为超负荷因素,采用线性加权求和的方式计算累积指数,并将各超负荷因素的匹配度以独立因子的形式引入激活权重。在该方法的激活权重计算中,温度匹配度与载荷匹配度以相互独立的因子形式相乘,二者之间不存在交互项。因此,温度超负荷的累积特征与载荷状态之间的关联并未进入该方法的建模范围。
8、因此,如何在置信规则库的激活权重层面独立刻画温度超负荷的累积效应,建立温度与载荷之间的动态耦合关系,并构建能够反映非线性退化规律的维护时机映射机制,是本领域亟需解决的技术问题。
技术实现思路
1、针对现有技术中的不足,本发明提出了一种超温度工况下复杂机电系统维护时机决策方法,通过构建超温度累积指数、在置信规则库激活权重中引入状态相关的热-力耦合项、采用协方差矩阵自适应进化策略联合优化模型参数,并利用指数型映射函数建立健康度与维护时机的连续对应关系,使复杂机电系统在超温度工况下获得准确的维护时机预测,提高系统运行的安全性与可靠性。
2、为实现上述目的,本发明提供如下技术方案:
3、一种超温度工况下复杂机电系统维护时机决策方法,包括以下步骤:
4、步骤1、采集复杂机电系统的多组历史时刻运行数据,每组历史时刻运行数据包括环境温度值、复杂机电系统中监测器件的表面温度值和监测器件的载荷值,根据环境温度值与监测器件表面温度值构建瞬时超温度量,根据所述瞬时超温度量和幂次惩罚因子构建超温度累积指数,对超温度累积指数进行归一化处理,得到归一化超温度指数值;对多组历史时刻运行数据中的环境温度值进行归一化处理,得到归一化环境温度值;
5、每组历史时刻运行数据的归一化环境温度值、温差值、监测器件载荷值和归一化超温度指数值构成一个输入样本,其中温差值为监测器件表面温度值与环境温度值的差,将所有输入样本划分为训练集和验证集;
6、步骤2、以归一化环境温度、温差、监测器件载荷和归一化超温度指数作为输入属性,构建置信规则库性能评估模型:
7、将监测器件的性能状态划分为个等级,置信规则库性能评估模型的规则后件为各性能状态等级上的置信度分布;
8、根据输入属性的参考等级和隶属度函数计算各输入属性在每条规则中的匹配度;根据归一化超温度指数对规则权重进行动态调制,得到调制后规则权重;
9、根据监测器件载荷的匹配度和归一化超温度指数的匹配度构建状态相关的热-力耦合项,根据所述调制后规则权重、输入属性的匹配度和热-力耦合项计算每条规则的激活权重;
10、步骤3、将训练集中的训练样本输入置信规则库性能评估模型,将每条规则的规则置信度与激活权重相乘,得到具有激活权重的规则输出;
11、采用证据推理算法对所有具有激活权重的规则输出进行融合,得到训练样本的性能状态等级置信度分布,根据性能状态等级置信度分布和性能等级效用向量计算训练样本的输出效用值;
12、以最小化均方误差作为目标函数,采用协方差矩阵自适应进化策略对置信规则库性能评估模型的规则置信度、规则权重、属性权重、超温度调制系数和热-力耦合参数进行联合优化,得到优化后的置信规则库性能评估模型;
13、步骤4、将待测样本输入优化后的置信规则库性能评估模型中,计算待测样本的预测效用值;对预测效用值进行归一化处理,得到健康度;
14、步骤5、根据健康度构建指数型维护时机函数,根据指数型维护时机函数输出最优维护时机。
15、进一步地,步骤2中,所述热-力耦合项的表达式为:
16、
17、式中,为第条规则的热-力耦合项,为第条规则的监测器件载荷匹配度,为第条规则的归一化超温度指数匹配度,为监测器件载荷匹配度的阈值,为归一化超温度指数匹配度的阈值,为载荷幂次因子,为超温度指数幂次因子,和均大于1,为归一化超温度指数,为状态相关耦合系数函数。
18、进一步地,所述状态相关耦合系数函数的表达式为:
19、
20、式中,为耦合系数基础值;为温度累积影响系数;为载荷影响系数;、和由协方差矩阵自适应进化策略联合优化获得。
21、进一步地,步骤2中,归一化超温度指数对规则权重进行动态调制的公式为:
22、
23、式中,为第条规则的调制后规则权重,为第条规则的规则权重,为第条规则的超温度调制系数,由协方差矩阵自适应进化策略优化获得,为归一化超温度指数。
24、进一步地,步骤2中,每条规则的激活权重的计算公式为:
25、
26、式中,为第条规则的激活权重,为第条规则的调制后规则权重,为第条规则的热-力耦合项,为第个输入属性在第条规则中的匹配度,为第个输入属性的属性权重,为输入属性的数量,为规则总数。
27、进一步地,步骤3中,所述协方差矩阵自适应进化策略采用群体并行进化策略,在参数空间中生成多个候选解,基于均方误差值对多个候选解进行选择、重组与协方差矩阵更新,迭代优化规则置信度、规则权重、属性权重、超温度调制系数和热-力耦合参数;优化过程中对规则置信度施加归一化约束,使每条规则的规则置信度之和为1。
28、进一步地,步骤5中,所述指数型维护时机函数的表达式为:
29、
30、式中,为健康度,为待测样本对应的维护时机,为最短维护时机,为最长维护时机,为调节曲线形状的参数,。
31、与现有技术相比,本发明的有益效果为:
32、(1)温度对器件退化的影响不仅取决于瞬时温度高低,还与高温暴露的持续时间、温度幅值密切相关。短时高温与长期低温对退化过程的贡献存在显著差异。本发明引入幂次惩罚因子对瞬时超温度量进行幂次求和,使短时高温对系统退化的贡献显著高于长期低温工况,从而准确刻画温度超限条件下的加速退化过程。归一化超温度指数作为独立输入属性参与置信规则库推理,使模型能够直接感知温度累积水平对复杂机电系统的影响。
33、(2)高温会改变材料的力学性能,使同一载荷水平下的应力响应增大;高载荷又会导致器件内部发热,使温度进一步升高,两者形成正反馈,导致退化速率呈现明显的非线性加速特征。本发明通过阈值触发结构使热-力耦合项仅在载荷匹配度和超温度指数匹配度均超过对应阈值时才产生放大效应,通过幂次放大结构刻画高温高载条件下的非线性加速退化,通过状态相关耦合系数函数使耦合强度随超温度指数与载荷匹配度动态变化,从而实现温度累积效应与载荷状态之间的联合耦合表达。热-力耦合项在高温高载区间显著放大退化相关规则的激活强度,而在正常工况下保持激活权重稳定,使模型能够准确反映热-力耦合导致的加速退化趋势。
34、(3)传统置信规则库的规则权重固定,无法随温度变化动态调整,难以体现高温对退化过程的加速作用。本发明根据归一化超温度指数对规则权重进行动态调制,使规则权重随温度累积水平自适应调整。当陀螺仪处于高温状态时,退化相关规则的权重被放大,模型对热退化的敏感性增强;当陀螺仪处于正常温度状态时,规则权重保持稳定,不产生额外放大效应。超温度调制系数与规则置信度、规则权重、属性权重及热-力耦合参数由协方差矩阵自适应进化策略联合优化,克服了人工设定参数的主观性,使模型参数能够根据训练数据自适应调整,从而提高模型在超温度工况下的评估精度与泛化能力。
35、(4)传统维护时机推断方法多采用经验阈值或简单线性映射,无法反映退化速度随温度变化的非线性特征,且在阈值附近容易出现决策突变。本发明将效用值归一化为健康度,通过指数型维护时机函数将健康度连续映射为维护时机,使维护时机随健康度单调递增,在健康度为零时输出最短维护时机,在健康度最高时输出最长维护时机。相对于线性映射,指数型映射使维护时机在健康度较低区间变化更快,当系统性能轻微下降时,维护时机即可呈现明显缩短。而在健康状态下,维护时机保持在较高水平,避免了传统分段阈值方法带来的决策突变。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com