基于异质属性网络的功能交联复杂机械系统故障监测方法与流程

1.本发明涉及一种基于异质属性网络的功能交联复杂机械系统故障监测方法，属于机械制造领域。


背景技术：

2.机械故障诊断技术是监测、诊断和预测连续运行机械设备的状态及可能发生的故障，保证机械设备平稳安全运行的科学技术，对于保障设备平稳运行、确保人员安全和避免经济损失方面具有重大意义。现有的机械系统故障诊断方法可以大致概括为三类：(1)基于机理模型的故障诊断，即通过设备运行实测数据和机理模型计算数据的比对，判断设备的运行状态；(2)基于信号处理的故障诊断，此类方法多见于旋转机械系统，即通过对振动信号等运行动态信号的采集和分析，识别出可能的系统故障征兆；(3)基于智能数据算法的故障诊断，即利用大量的设备运行历史数据，借助机器学习、深度学习等智能算法，判断系统的运行状态。
3.不可否认，上述故障诊断方法在多个领域应用推广并取得了良好的效果。然而，随着机械系统复杂度的不断提升，出现了很多现有方法无法处理的故障诊断难题，包括：(1)复杂机械系统的精确机理模型难以构建，使得基于机理模型的故障诊断方法不易开展；(2)智能诊断系统薄弱，智能数据算法是处于故障影响因素和故障信号之间的“黑匣子”，因此诊断结果无法解释，且算法所需的历史数据在某些系统中较难获取；(3)复杂机械系统的功能多样，不同功能之间存在交联和耦合，某一功能的异常会导致一连串其他功能状态的波动，现有方法大都未考虑功能的交联性；(4)复杂机械系统正常运行时的状态参数并不是稳定的常数值，而是会在某一范围内随机波动，如何从连续随机波动的状态监测值中判断出系统状态的异常，是当前复杂机械系统故障监测与诊断的新挑战。


技术实现要素：

4.针对现有故障监测与诊断方法在面对功能交联复杂机械系统时的局限性，本发明的目的是提供一种基于异质属性网络的功能交联复杂机械系统故障监测方法，考虑复杂机械系统功能的交联性，在系统状态的随机波动中有效分辨正常波动和异常波动，进而提高故障监测时效性和准确性。本发明的监测结果可应用于功能交联复杂机械系统的故障诊断，进而解决相关工程技术问题。
5.本发明公开的基于异质属性网络的功能交联复杂机械系统故障监测方法，包括如下步骤：
6.步骤1：分析复杂机械系统，构建功能交联系统异质属性网络模型；在功能交联系统异质属性网络模型中，根据节点和边数量，计算功能交联度和零件重要度；根据复杂机械系统特性，确定异质属性网络模型中的动态属性和静态属性。
7.步骤1-1：分析复杂机械系统，构建功能交联异质属性网络模型。
8.复杂机械系统的零部件或组成单元之间往往具有耦合或交联关系，借助图论，采
用属性信息网络的方式加以表征。信息网络的定义为一个具有对象类型的映射函数v
→
a和关系类型映射函数ψ：e
→
r的有向或无向图g＝(v,e)。如果信息网络中的对象类型数|a|＞1或者关系类型数|r|＞1，则称之为异质信息网络，反之为同质信息网络。复杂机械系统中的节点类型不尽相同，因此采用异质属性信息网络能够更全面地表征系统信息。
9.复杂机械系统大多具有多项功能，每一功能可能用到的零部件或单元并不相同，因此针对机械系统的每一功能均能构建出一张如式(1)所示的异质属性网络模型，其中k为机械系统的功能数量：
10.g＝(g1,g2…
,gk)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
11.步骤1-2：根据功能交联系统异质属性网络模型中节点和边数量，计算功能交联度和零件重要度。
12.根据各功能的异质属性网络模型中共用节点和边的数量，计算出表征两功能依赖程度的功能交联度。系统中的总结点数量为n，总边数量为m，某两项功能的共用节点数量为n
ij
，共用边数量为m
ij
，则任意两功能的交联度可以表示为：
[0013][0014]
复杂机械系统中各零件或节点的重要程度也不相同，根据各节点的连接边数量，获得零件重要度如下，其中mi为某节点的连接边数量。
[0015][0016]
步骤1-3：根据复杂机械系统特性，确定异质属性网络模型动态属性和静态属性。
[0017]
步骤1-1中构建的网络模型中的边e，表达的是节点间的连接属性，将其分为动态属性和静态属性。静态属性为两节点间的固有属性关系，包括零部件节点类型、零部件使用寿命；动态属性为两节点间随时间变化的属性关系，包括液压系统中液压元件之间的流量值、电气系统中元件间的电压值。分别用x
ij,t
和w
ij,t
表示t时刻网络模型中的静态和动态属性，并为了计算的方便将w
ij,t
向量化为w
t
，将x
ij,t
矩阵化为x
t
。
[0018]
步骤2：构建广义线性模型glm，将异质网络的静态属性和动态属性分布参数进行连接；借助状态空间模型ssm，将网络参数β
t
的变化情况纳入到glm中，使得glm对于网络模型的刻画更加准确。
[0019]
步骤2-1：构建广义线性模型glm，将异质网络的静态属性和动态属性分布参数进行连接。
[0020]
步骤1中得到的机械系统异质属性网络模型的静态属性矩阵x
t
和动态属性向量w
t
，由于w
t
中的每一个元素往往为服从指数族分布的随机变量，因此采用如公式(4)所示的广义线性模型glm将网络的动态和静态属性进行连接。
[0021][0022]
上式中，β
t
用于连接动态属性和静态属性，是glm的模型参数，这里将其称之为t时刻的网络参数。函数g称为连接函数，根据w
ij,t
服从指数族分布的类型，函数g具有多种形式，如当w
ij,t
服从二项分布时，函数g的形式为：
[0023][0024]
当w
ij,t
服从正态分布时，函数g的形式为：
[0025]
g(x)＝x
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0026]
式(4)中θ
t
为w
ij,t
的分布参数，函数f为w
ij,t
的概率密度函数。
[0027]
步骤2-2：借助状态空间模型ssm，将β
t
的变化情况纳入到glm中，使得glm对于网络模型的刻画更加准确。
[0028]
在步骤2-1中构建的glm模型中，参数β
t
是t时刻网络模型的唯一量化表征，在外界条件不变的情况下，β
t
应该稳定在某一数值或一定的范围内。然而在复杂机械系统的运行过程中，随着工况、环境等条件的变化，β
t
会按照某一规律发展变化，且t 1时刻的网络参数会受到t时刻系统状态的影响。借助状态空间模型ssm，将β
t
的变化情况纳入到glm中，使其成为动态网络流模型。β
t
的ssm表征方式如下：
[0029]
β
t
＝fβ
t-1
ε
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0030]
其中f为网络参数的状态转移矩阵，ε
t
为t时刻ssm模型误差，符合均值为0的高斯分布。
[0031]
步骤3：利用历史数据确定状态空间模型ssm参数；为了提高评估精度，作为优选，结合最小二乘和卡尔曼滤波算法确定网络模型中动态参数β
t
。
[0032]
步骤3-1：ssm模型参数的确定。
[0033]
ssm模型中的状态转移矩阵f将借助系统正常运转情况下，β
t
的历史数据加以估算获得。
[0034]
步骤3-2：结合最小二乘和卡尔曼滤波算法确定网络模型中动态参数β
t
。
[0035]
由步骤2可知，网络参数β
t
的精确程度将直接影响复杂机械系统故障诊断的效率和准确度，步骤3-1确定的状态转移模型ssm中的状态转移矩阵f，相当于是β
t
的预测模型，在系统的运行过程中将获得w
t
的实测值，因此借助卡尔曼滤波原理，利用网络参数的实测值和预测值，能够获得更为精确的网络参数估计值。
[0036]
卡尔曼滤波算法的预测模型如式(8)～(9)，β
t
的初始值通过最小二乘法估算获得，其中β
t|t-1
为β
t
的先验估计，β
t-1t-1
为β
t-1
的后验估计，p
t|t-1
为先验误差的协方差，p
t-1t-1
为t-1时刻的误差协方差，q
t
为ε
t
的协方差。
[0037]
β
t|t-1
＝fβ
t-1t-1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0038]
p
t|t-1
＝fp
t-1t-1ft
q
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0039]
卡尔曼滤波算法的校正模型如式(10)～(12)，其中β
t|t
为β
t
的后验估计，w
t|t-1
为w
t
的先验估计，k
t
为卡尔曼增益，p
t|t
为t时刻的误差协方差，g
t
为观测矩阵，r
t
为测量噪声。
[0040]
β
t|t
＝β
t|t-1
k
t
(w
t-w
t|t-1
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0041]
p
t|t
＝(i-k
tgt
)p
t|t-1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0042][0043]
步骤4：由步骤3确定的网络模型动态参数β
t
和w
t
实测值计算皮尔逊残差，利用统计过程控制spc监测皮尔逊残差，根据皮尔逊残差的变化在系统状态的随机波动中有效分辨正常波动和异常波动，实现复杂机械系统故障监测，提高故障监测时效性和准确性。
[0044]
步骤4-1：由步骤3确定的网络模型动态参数β
t
和w
t
实测值计算皮尔逊残差。
[0045]
步骤3计算获得了更为精确的网络参数估计值，借助式(8)可以获得网络参数的先验估计，进而获得w
t
的先验估计如下：
[0046]wt|t-1
＝g(x
t
β
t|t-1
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0047]
由此获得t 1时刻网络模型中第i条边处w
t
的先验估计和w
t
的实测值之间的皮尔逊残差如下，其中mse为二者之间的均方误差。
[0048][0049]
对所有边的皮尔逊残差取均值，获得整个网络模型的皮尔逊残差值为：
[0050][0051]
通过对网络模型皮尔逊残差的时时监测，实现对复杂机械系统状态的监测。
[0052]
步骤4-2：构建累计和控制图cusum，并利用累计和控制图cusum监测皮尔逊残差的较大波动。
[0053]
cusum控制图是一种控制均值变化比较有效的控制图，对于大于一个标准差σ的较大波动的检出能力往往更强。对于各时刻网络模型的皮尔逊残差，cusum控制图的上下侧累加和分别为：
[0054][0055]
其中为上单侧累加和，为下单侧累加和，且μ0为监测对象的均值，皮尔逊残差的均值为0，y为允偏量，当或超过判定值h时，判定系统异常。
[0056]
步骤4-3：构建指数加权移动平均ewma控制图，并利用指数加权移动平均ewma监测皮尔逊残差的较小波动。
[0057]
ewma控制图是一种对小于一个标准差σ的较小波动控制效果较好的控制图。ewma控制图的统计量为：
[0058][0059]
其中z
t
为控制图统计量，且z0＝0，λ为权重参数。
[0060]
ewma控制图的上控制限(ucl)和下控制限(lcl)分别为：
[0061][0062]
其中l为控制限参数，σ为控制图统计量的标准差。
[0063]
步骤5：利用步骤4构建的cusum控制图和ewma控制图对复杂机械系统各功能的异质网络皮尔逊残差进行监控，当皮尔逊残差超过控制图的控制限时，判定该时刻系统的某
一功能出现异常，再通过步骤1中计算获得的功能交联度，判断当前功能异常对复杂机械系统其他功能造成影响的概率。
[0064]
步骤6：由步骤4的监测结果和皮尔逊残差值，定位故障位置。当t时刻系统中某一功能出现异常时，该功能在t时刻的皮尔逊残差超过控制图的控制限，所述功能出现异常是因为异质网络中各条边的皮尔逊残差过大造成的，通过寻找异质网络模型中皮尔逊残差最大的边，定位可能的故障发生位置，进而采取控制或维修措施，避免或降低故障损失。
[0065]
有益效果：
[0066]
1、本发明公开的基于异质属性网络的功能交联复杂机械系统故障监测方法，分析复杂机械系统，构建功能交联系统异质属性网络模型；在功能交联系统异质属性网络模型中，根据节点和边数量，计算功能交联度和零件重要度；根据复杂机械系统特性，确定异质属性网络模型中的动态属性和静态属性。构建广义线性模型glm，将异质网络的静态属性和动态属性分布参数进行连接；借助状态空间模型ssm，将网络参数β
t
的变化情况纳入到glm中，使得glm对于网络模型的刻画更加准确。利用历史数据确定状态空间模型ssm参数；为了提高评估精度，作为优选，结合最小二乘和卡尔曼滤波算法确定网络模型中动态参数β
t
。由步骤3确定的网络模型动态参数β
t
计算皮尔逊残差，并利用统计过程控制spc监测皮尔逊残差，根据皮尔逊残差的变化在系统状态的随机波动中有效分辨正常波动和异常波动，实现复杂机械系统故障监测，提高故障监测时效性和准确性。
[0067]
2、本发明公开的基于异质属性网络的功能交联复杂机械系统故障监测方法，利用步骤2中建立的复杂机械系统功能交联度，实现复杂机械系统中多功能交联性的度量，为功能交联机械系统的故障诊断提供支撑。
[0068]
3、本发明公开的一种基于异质属性网络的功能交联复杂机械系统故障监测与诊断方法，在有益效果1和2的基础上，利用步骤4构建的cusum控制图和ewma控制图对复杂机械系统各功能的异质网络皮尔逊残差进行监控，当皮尔逊残差超过控制图的控制限时，判定该时刻系统的某一功能出现异常，再通过步骤1中计算获得的功能交联度，判断当前功能异常对复杂机械系统其他功能造成影响的概率。
[0069]
4、本发明公开的一种基于异质属性网络的功能交联复杂机械系统故障监测与诊断方法，在有益效果1和2的基础上，由步骤4的监测结果和皮尔逊残差，定位故障位置。当t时刻系统中某一功能出现异常时，通过寻找异质网络模型中皮尔逊残差最大的边，定位可能的故障发生位置，进而采取控制或维修措施，避免或降低故障损失。
附图说明
[0070]
图1为本发明公开的基于异质属性网络的功能交联复杂机械系统故障监测方法的总体流程图；
[0071]
图2为本发明实施例中液压系统图；
[0072]
图3为本发明实施例中液压系统各功能异质属性网络模型图，其中：图3(a)为液压系统总体拓扑关系图，图3(b)为快进功能网络模型图，图3(c)为一工进功能网络模型图，图3(d)为二工进功能网络模型图，图3(e)为停留功能网络模型图，图3(f)为快退功能网络模型图；
[0073]
图4为本发明实施例中一工进功能的spc控制图，其中：图4(a)为cusum控制图，图4
(b)为ewma控制图。
具体实施方式
[0074]
下面结合附图与实施例对本发明作进一步说明：
[0075]
实施例1
[0076]
机械液压系统是工程机械、航空航天、兵器、船舶等领域广泛使用的动力传动和控制系统，且随着液压元件不断增多，机械液压系统可以变得十分庞大和复杂，这为系统的故障诊断带来了挑战。液压系统中多种液压元件彼此连接，呈网络状布局，元件之间的液体压力值或流量值在一定范围内随机波动，某一液压系统往往具有多种工况(功能)且彼此交联。本发明借助yt4543型动力滑台液压系统，采用仿真的方式对上述方法做进一步说明。
[0077]
步骤1：分析复杂机械系统，构建功能交联系统异质属性网络模型；在功能交联系统异质属性网络模型中，根据节点和边数量，计算功能交联度和零件重要度；根据复杂机械系统特性，确定异质属性网络模型中的动态属性和静态属性。
[0078]
步骤1-1：分析复杂机械系统，构建功能交联异质属性网络模型。
[0079]
yt4543型动力滑台液压系统图如附图2。该系统具有5种工况，分别为快进、一工进、二工进、停留和快退，每一功能所用到的液压元件不尽相同，分别构建各功能的异质属性网络模型图如附图3，每一个节点形状代表着一类液压元件类型。本实施例将以一工进功能的故障监测与诊断过程为例对发明方法作进一步说明。
[0080]
步骤1-2：根据功能交联系统异质属性网络模型中节点和边数量，计算功能交联度和零件重要度。
[0081]
在附图3的基础上，分别利用式(2)和式(3)计算功能交联度和零件重要度。利用式(2)计算获得5种功能的交联度如表1所示：
[0082]
表1 yt4543型动力滑台液压系统功能交联度
[0083][0084]
步骤1-3：根据复杂机械系统特性，确定异质属性网络模型动态属性和静态属性。
[0085]
在本实施例中，液压系统网络模型的动态属性w
t
为节点元件间的液体压力值，且该值服从正态分布，静态属性x
t
为各液压元件类型。
[0086]
步骤2：构建广义线性模型glm，将异质网络的静态属性和动态属性分布参数进行连接；借助状态空间模型ssm，将网络参数β
t
的变化情况纳入到glm中，使得glm对于网络模型的刻画更加准确。
[0087]
步骤2-1：构建广义线性模型glm，将异质网络的静态属性和动态属性分布参数进行连接。
[0088]
根据式(4)，以及步骤3中确定的液压系统功能异质网络的动态属性w
t
和静态属性
x
t
，确定液压系统的广义线性模型glm。由于w
ij,t
服从正态分布，因此连接函数g采用式(6)进行计算。
[0089]
步骤2-2：借助状态空间模型ssm，将β
t
的变化情况纳入到glm中，使得glm对于网络模型的刻画更加准确。
[0090]
利用式(7)构建网络参数β
t
的状态空间模型ssm，使步骤1中的异质属性网络模型成为动态网络流模型，ssm的参数将在步骤3中计算获得。
[0091]
步骤3：利用历史数据确定状态空间模型ssm参数；为了提高评估精度，作为优选，结合最小二乘和卡尔曼滤波算法确定网络模型中动态参数β
t
。
[0092]
步骤3-1：ssm模型参数的确定。
[0093]
在式(7)的状态空间模型ssm中，令f为单位阵，从而模拟参数β的随机游走过程，误差ε
t
的均值为0，协方差矩阵q
t
为对角阵，取q
11
＝1
×
10-7
，其他元素为1
×
10-9
，由此便确定了液压系统的状态转移模型。
[0094]
步骤3-2：结合最小二乘和卡尔曼滤波算法确定网络模型中动态参数β
t
。
[0095]
应用式(8)～(12)分别构建卡尔曼滤波算法的预测模型和校正模型，递归计算各功能各时刻的网络参数β
t
估计值。假定t＝0时刻一工进功能系统网络模型中各元件之间压力初始值为w0＝[3.00；2.98；2.97；0.43；0.42；2.64；2.63；0.41]，单位为mpa，借助最小二乘方法对该时刻的glm进行拟合并获取β0。由于本实施例通过仿真的方式对发明内容进行说明，因此后续动态网络参数β
t
将通过液压系统的状态转移模型直接获取。
[0096]
步骤4：由步骤3确定的网络模型动态参数β
t
和w
t
实测值计算皮尔逊残差，利用统计过程控制spc监测皮尔逊残差，根据皮尔逊残差的变化在系统状态的随机波动中有效分辨正常波动和异常波动，实现复杂机械系统故障监测，提高故障监测时效性和准确性。
[0097]
步骤4-1：由步骤3确定的网络模型动态参数β
t
计算皮尔逊残差
[0098]
在获取各时刻的动态属性实测值w
t
和网络参数预测值β
t
后，应用式(13)～(15)计算一工进功能网络模型各时刻的皮尔逊残差。
[0099]
步骤4-2：构建累计和控制图cusum，并利用累计和控制图cusum监测皮尔逊残差的较大波动。
[0100]
构建cusum控制图，其中允偏量y＝0.5σ，判定值h＝5σ。
[0101]
步骤4-3：构建指数加权移动平均ewma控制图，并利用指数加权移动平均ewma监测皮尔逊残差的较小波动。
[0102]
构建ewma控制图，取l＝2.814，λ＝0.1。
[0103]
步骤5：利用步骤4构建的cusum控制图和ewma控制图对复杂机械系统各功能的异质网络皮尔逊残差进行监控，当皮尔逊残差超过控制图的控制限时，判定该时刻系统的某一功能出现异常，再通过步骤1中计算获得的功能交联度，判断当前功能异常对复杂机械系统其他功能造成影响的概率。
[0104]
应用已构建的ssm模型获得连续的网络参数序列，本发明例在t＝120时刻对β的第15个元素给与0.5σ
15
的微小扰动，实现故障的注入，spc控制图如附图4，其中附图4(a)为cusum控制图，附图4(b)为ewma控制图，可见在t＝138时刻，ewma控制图判断出了系统异常，而cusum控制图并未发现异常，这体现了ewma控制图对于小波动的检测控制能力。
[0105]
步骤6：由步骤4的监测结果和皮尔逊残差，定位故障位置。当t时刻系统中某一功
能出现异常时，该功能在t时刻的皮尔逊残差超过控制图的控制限，这是因为异质网络中各条边的皮尔逊残差过大造成的，通过寻找异质网络模型中皮尔逊残差最大的边，定位可能的故障发生位置，进而采取控制或维修措施，避免或降低故障损失。
[0106]
最后，通过找寻t＝138时刻一工进功能网络模型中具有最大皮尔逊残差的边，定位可能的故障发生位置，而共用该条边且与该功能交联度较大的其他功能，最有可能也发生故障。
[0107]
以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。