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

技术特征：
1.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，其特征在于：包括如下步骤，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；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；步骤3：利用历史数据确定状态空间模型ssm参数；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。2.如权利要求1所述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，其特征在于：还包括如下步骤，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；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。3.如权利要求1或2所述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，其特征在于：步骤1实现方法为，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；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；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：g＝(g1,g2…
,g
k
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)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；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：
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m
i
为某节点的连接边数量；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；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
。4.如权利要求3所述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，其特征在于：步骤2实现方法为，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；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；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：当w
ij,t
服从正态分布时，函数g的形式为：g(x)＝x
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)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；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；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：β
t
＝fβ
t-1
ε
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)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。
5.如权利要求4所述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，其特征在于：为了提高评估精度，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
，步骤3实现方法为，步骤3-1：ssm模型参数的确定；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；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
；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；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-1|t-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-1|t-1
为t-1时刻的误差协方差，q
t
为ε
t
的协方差；β
t|t-1
＝fβ
t-1|t-1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)p
t|t-1
＝fp
t-1|t-1
f
t
q
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)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；β
t|t
＝β
t|t-1
k
t
(w
t-w
t|t-1
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)p
t|t
＝(i-k
t
g
t
)p
t|t-1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)k
t
＝p
t|t-1
g
t
(g
tt
p
t|t-1
g
t
r
t
)-1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)6.如权利要求5所述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，其特征在于：步骤4实现方法为，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；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：w
t|t-1
＝g(x
t
β
t|t-1
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)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；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：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；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；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：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；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；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：其中z
t
为控制图统计量，且z0＝0，λ为权重参数；ewma控制图的上控制限(ucl)和下控制限(lcl)分别为：其中l为控制限参数，σ为控制图统计量的标准差。

技术总结
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方法，属于机械制造领域。本发明实现方法为：分析复杂机械系统，构建功能交联系统异质属性网络模型，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；将网络参数β


技术研发人员：张发平 李伊 焦国龙
受保护的技术使用者：北华航天工业学院
技术研发日：2021.10.14
技术公布日：2022/1/21