一种基于贝叶斯神经网络的系统健康状态预测方法与流程

1.本发明属于系统建模与状态预测技术领域，特别是涉及一种基于贝叶斯神经网络的系统健康状态预测方法。


背景技术：

2.随着系统功能需求与使用性能要求的不断提升，系统的结构功能复杂性呈现出迅猛增长的趋势，体现在系统各组成部分的规模越来越大和关联关系更加复杂，系统内部各组分结构功能存在层级化关系，形成多层级系统。多层级复杂系统广泛应用于航空、航天、航海、铁路、武器装备以及生产制造等重要的领域。多层级系统庞大的规模和复杂的内部关系会导致系统的故障在组件与子系统之间交互传递，微小的故障可能会导致系统的失效，因此，需要把握多层级系统的健康状态变化及未来变化趋势，以及时采取维护保障工作。
3.掌握多层级系统健康状态的前提一是合理利用系统健康状态检测数据，二是准确认知系统各组分关联关系，建立系统健康状态评估模型。多层级系统层级组成一般可划分系统、子系统、功能模块、组件等多个层级，每个层级内部包括众多的组件单元，各个层级间还存在功能交互，如此复杂的结构导致难以对其多特征数据进行有效利用。多层级系统在任务过程中由于组件退化数据间存在复杂耦合关系，同时节点间关联关系还会随着系统健康状态的退化发生动态变化，在这些情况下对系统的健康状态建模描述存在一定的困难。本发明针对上述两个问题，在常用系统状态预测模型建立方法上考虑存在多特征数据重叠与节点数据关系不明确问题，提出一种基于贝叶斯神经网络的系统健康状态预测方法。


技术实现要素：

4.本发明的目的是在于提供一种基于贝叶斯神经网络的系统健康状态预测方法。能够在常用系统状态预测模型建立方法上考虑存在多特征数据重叠与节点数据关系不明确问题，有效地对多层级系统复杂节点关系进行处理，建立健康状态预测模型。实现从特征提取，建模预测到状态分布转化，最后实现系统整体的状态推断的完整过程。
5.为实现上述目的，本发明提供了如下方案：
6.一种基于贝叶斯神经网络的系统健康状态预测方法，包括：
7.将系统结构的各节点进行划分，得到第一整合节点和第二整合节点；
8.基于所述第一整合节点建立原始多层级系统贝叶斯网络模型，得到第一整合节点的状态分布预测结果，基于所述第二整合节点建立深度学习模型及贝叶斯网络模型，得到第二整合节点的状态分布预测结果；
9.将所述第一整合节点的状态分布预测结果和所述第二整合节点的状态分布预测结果进行整合，实现系统整体的健康状态预测。
10.优选的，根据所述系统的内部结构、已知的健康状态监测数据、实际使用情况对系统结构的各节点进行划分。
11.优选的，所述第一整合节点为节点间结构明确，相互影响关系清晰，以及与之对应
的健康状态数据不存在耦合现象的数据集；所述第二整合节点为节点间相互影响关系复杂，且与之对应的健康状态数据存在重叠，耦合度高的数据集。
12.优选的，所述原始多层级系统贝叶斯网络模型的构建方法包括：基于故障树分析方法构建系统的故障树模型，依据系统中事件的逻辑关系选取逻辑门，将已经确定的顶事件和引起所述顶事件发生的全部直接事件连接起来，依次逐级建造；通过事件与节点的转化关系和逻辑门与贝叶斯网络概率分布的转化关系，完成所述故障树模型向贝叶斯网络模型的转化，得到所述原始多层级系统贝叶斯网络模型。
13.优选的，对所述第二整合节点建立深度学习模型，以节点特征参数作为输入，对整合后的节点进行健康状态预测，再建立系统贝叶斯网络模型，将节点健康状态数据向状态分布进行转化，得到所述第二整合节点的状态分布预测结果。
14.优选的，所述节点健康状态数据向状态分布进行转化的过程包括：
15.利用变分贝叶斯推断算法学习得到节点的健康状态分布，对各个神经元的权重参数进行相应的随机采样，形成若干组模型参数，针对每一组所述模型参数，按照神经网络预测方法，前向计算模型预测结果，多次采样之后得到节点状态概率分布。
16.优选的，基于所述第一整合节点的状态分布预测结果和所述第二整合节点的状态分布预测结果，更新所述原始多层级系统贝叶斯网络模型，得到混合后的贝叶斯网络模型，进行系统状态推断。
17.优选的，基于所述混合后的贝叶斯网络模型，利用训练数据进行贝叶斯网络参数学习，得到条件概率信息，实现整个系统健康状态预测的过程。
18.本发明的有益效果为：
19.本发明提供基于贝叶斯神经网络的系统健康状态预测方法在于：(1)有效利用健康状态监测数据，避免数据重叠和耦合的情况；(2)利用贝叶斯神经网络将系统状态进行划分并预测，有效指导后续系统的运行和维护；(3)整个方法流程清晰，重点需要在于将数据区分利用，既能保证预测精度又能保证预测方法的简便易行。
附图说明
20.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
21.图1为本发明方法流程图；
22.图2为本发明实施例中节点间关系示意图；
23.图3为本发明实施例中梯形模糊隶属函数示意图。
具体实施方式
24.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
25.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
26.一种基于贝叶斯神经网络的系统健康状态预测方法，包括：
27.将系统结构的各节点进行划分，得到第一整合节点和第二整合节点；
28.基于所述第一整合节点建立原始多层级系统贝叶斯网络模型，得到第一整合节点的状态分布预测结果，基于所述第二整合节点建立深度学习模型及贝叶斯网络模型，得到第二整合节点的状态分布预测结果；
29.将所述第一整合节点的状态分布预测结果和所述第二整合节点的状态分布预测结果进行整合，实现系统整体的健康状态预测。
30.本实施例中，系统是指本发明的最终研究对象，可以是一架飞机，一组电池，一台计算机等；设备指系统中执行不同功能的器件，例如飞机中的发动机、飞行控制器等；节点指系统中设备/子系统/元件等低层级器件(组)在健康状态预测模型中的抽象表达。
31.步骤s1、
32.如图2所示，根据系统的内部结构、已知的健康状态监测数据、实际使用情况等内容，考虑建模需要，将各节划分为数据关系明确或数据关系复杂的整合部分。
33.划分原则可以根据系统特性和预测需求制定，凡是节点间结构明确，相互影响关系清晰，与之对应的健康状态数据不存在明显的耦合现象即可被梳理为明确部分。与之相反的，凡是节点间影响关系复杂、与之对应的健康状态数据存在大量重叠、健康状态特征难以明确的部分，都可以被视为数据关系不明确的整合节点。
34.耦合是指健康状态数据集间联系的紧密程度。数集据间的耦合度越高，表明数据集间的联结越多,数据所能反映的内容重叠越多，数据集的独立性越差,数据集间相互影响越大。
35.同理，健康状态数据存在重叠，是指能反映系统健康状态的数据可能部分或全部存在数据集,数据所能反映的内容一致或相近(这可能导致后续计算变得复杂、浪费计算资源)，数据集的独立性差,数据集间相互影响大等问题。
36.步骤s2、
37.针对数据关系明确的第一整合节点，建立传统的系统贝叶斯网络模型，得到预测结果。
38.贝叶斯网络是一种基于网络结构的有向无环图描述方法，利用有向图模型建立系统网络拓扑结构，利用网络模型来表达各个信息要素之间存在的关联关系及影响程度。网络中各个节点表示相应的信息要素，节点间相关指向的有向箭头表示各个信息要素之间的相关关系，关联关系的影响程度则利用条件概率信息表来表示。
39.步骤s3：
40.针对数据关系复杂，不明确的整合部分的第二整合节点：
41.s3.1、利用lstm进行节点的退化数据处理；
42.s3.11、网络模型输入数据准备；
43.记s
ori
为预测所采用的节点健康状态训练数据集，归一化后记为s，节点健康状态融合特征数据表达为s
c
＝[x1,x2,
…
,x
n
,
…
x
n
]
t
，n∈n，其中n为系统内部包含的单节点数量；系统健康状态数据表示为s
p
＝[y1,y2,
…
,y
m
,
…
,y
m
]
t
，m∈m，其中m为系统健康状态指标类
型，为简化叙述，假设系统健康状态指标个数为1，即s
p
＝[y]。对于每个单节点的健康状态融合特征数据x
n
，在时间序列t上的数据可以表示为：
[0044][0045]
其中，t∈t为时间序列的时间标间，t为时间序列的采集时长；p∈p为设备节点的健康状态指标类型(维度)。至此，已给出系统健康状态指标输入输出规则。
[0046]
s3.12、网络模型搭建
[0047]
网络模型结构取决于数据输入输出形式、数据规模及优化结构类型。本发明所提出网络结构基于lstm基本结构及dropout正则化方法。
[0048]
①
输入层：以根节点健康状态退化融合特征数据作为模型输入，其维度取决于被估计的系统所包含的节点数以及各节点所采集的特征数量；
[0049]
②
隐藏层：模型内部结构由数层lstm网络结构组成，其层数与神经元数量取决于数据维度及规模大小；
[0050]
③
输出层：模型输出为系统某制定指标的退化时间序列，其时间维度与输入序列的时间维度保持一致。
[0051]
s3.13、模型求解
[0052]
在模型训练过程中，损失函数(loss function)的设定是模型求解的重要标准。本发明采用均方误差mse(mean
‑
square error)最小为优化目标。均方误差γ的具体计算公式如下：
[0053][0054]
其中，x
i
为观察到的真实样本序列，为样本序列x
i
的预测序列，则两者间的均方误差mse则可由上式中的γ得到。基于损失函数，采用合适的优化算法(如rmsprop、adam等)。
[0055]
s3.14、模型训练及结果输出；
[0056]
模型的训练是决定神经网络模型有效性与准确性的最关键环节，为了能在本发明所述应用场景下获得满意的模型训练结果，需要对以下内容进行良好的实现：
[0057]
①
归一化：模型训练需要进行良好的归一化处理，以消除由于数据尺度不同造成的预测误差。
[0058]
②
数据集划分：一般按照8：1：1或7：2：1的比例进行训练集、验证集与测试集的划分。这一划分比例主要考虑为模型提供充足的训练数据以进行模型参数寻优，并提供不少于测试集的验证集规模来保证训练效果，遵循一般深度学习的数据集划分习惯。
[0059]
③
数据排序：根据数据前后特点的一致性，对数据进行重新排序有助于训练集中包含各类型的特征数据，训练所得模型效果较好。
[0060]
完成输入数据处理后对模型进行训练，具体模型参数根据训练数据效果进行判
定；模型输出设定为系统健康状态量预测值。
[0061]
s3.2、在步骤s3.1结果的基础上，利用贝叶斯神经网络模型对得到的节点健康状态退化数据进行状态分布的转化；
[0062]
基于模糊函数的系统多状态划分：
[0063]
在寿命周期内多层级系统整体包含的众多子系统、设备不可避免地会发生性能退化，例如对于p个根节点，根据其预测模型获得的可靠度按时间序列以无监督等宽区间方式离散化处理，假设要求从建立预测模型后每单位时间返回一次系统预测结果，则按照该宽度的预测步长对未来t时间内的系统状态进行预测，得到p
×
t阶矩阵：
[0064][0065]
矩阵中元素r
i,t
＝(i＝1,2,...,p；τ＝1,2,...,t)分别表示节点x
i
在离散时刻τ的可靠度预测值。进而基于模糊理论分别将p个节点在不同时刻的可靠度采用模糊数对其退化过程中可能经历的状态进行划分。选取适当的模糊数与模糊隶属函数将可靠度递减的整个过程划分到过程中，以梯形模糊数为例，对节点x
i
处于r
1“轻度故障”状态的隶属度进行定义，对应的模糊隶属函数如图3所示。
[0066]
则当可靠度介于(r
b
,r
c
)内时，隶属度意味着设备一定处于轻度故障，随着r
i,τ
逐渐趋于r
a
或r
b
，隶属于该状态的概率降低至0，对应的隶属函数如下式所示。
[0067][0068]
以1～n依次标识节点由最差至最好的n个状态，则在某时间节点x
i
对各个状态的隶属度v＝1,2,...,n有如下式的关系：
[0069][0070]
步骤s4：
[0071]
进行系统整体的贝叶斯网络模型构建，结合数据关系明确和数据关系不明确的两类模型，最终实现系统整体的健康状态预测工作。
[0072]
这一步仍旧是利用传统的系统贝叶斯网络模型，得到预测结果。第一整合节点和第二整合节点都作为系统贝叶斯网络模型中的节点，进行训练。
[0073]
基于步骤s3结果，得到不明确整合节点相应的状态分布，再利用贝叶斯网络参数
学习和状态推断算法进行系统状态推断，相关流程算法包括：
[0074]
输入：节点多特征融合数据；
[0075]
s4.1、初始化：
[0076]
a)基于系统模型，建立系统贝叶斯网络模型bn0；
[0077]
b)对不明确节点进行节点整合，形成一个虚拟节点node
x
纳入系统贝叶斯网络；
[0078]
s4.2、整合节点状态分布计算
[0079]
a)建立深度学习预测模型，以x＝(x1，...，x
m
)作为输入，预测整合节点健康状态y；
[0080]
b)建立贝叶斯神经网络模型bnn，将y作为模型输入，预测整合节点的状态分布
[0081]
s4.3、模型整合
[0082]
a)将整合节点作为新的网络节点，更新原始网络结构bn0，得到混合系统模型bn1；
[0083]
b)在bn1的基础上，利用训练数据进行相关贝叶斯网络参数学习得到条件概率信息。
[0084]
输出：系统健康状态混合预测模型。
[0085]
本发明提供基于贝叶斯神经网络的系统健康状态预测方法在于：(1)有效利用健康状态监测数据，避免数据重叠和耦合的情况；(2)利用贝叶斯神经网络将系统状态进行划分并预测，有效指导后续系统的运行和维护；(3)整个方法流程清晰，重点需要在于将数据区分利用，既能保证预测精度又能保证预测方法的简便易行。
[0086]
以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。