-
技术状态是反映装备实时质量状况的重要指标。准确预测装备在未来时刻的技术状态,不仅有利于评估装备任务成功性,而且能够为维修决策提供可靠依据。装备技术状态劣化规律与其影响因素之间存在着高度复杂的非线性时变关系,其技术状态参数既依赖于多因素的空间聚合,又与时变因素在时间上的累积效应密切相关[1]。对装备技术状态进行预测时,可直接预测其技术状态,也可间接预测反映其技术状态的相关参数的数值。装备技术状态预测方法较多,但均有一定的适用条件。如文献[2-4]分别针对特定的故障模式建立了相应的数学模型,进而对直接反映系统状态的参数进行了预测。由于装备实际工作时技术状态较之试验情形下状态更为复杂,该方法仅被用于处理零件层次的少数故障类型。装备技术状态监测结果通常为离散的时间序列数据,用于此类数据预测的方法种类较多,如常见的时间序列预测法、灰色预测法、回归分析预测法等[5-7]。然而这些方法过于简单,无法精确描述时间序列数据间的传递关系,技术状态预测结果可信性较差。近年来,随着现代智能算法的发展,人们逐渐将各类智能算法引入到装备技术状态预测中。如文献[8-9]将支持向量机算法引入装备技术状态预测过程;文献[10-12]运用普通神经网络技术对装备技术状态参数进行了预测;文献[13]将粒子滤波算法用到了技术状态预测中。上述智能算法虽然相对于普通时间序列预测方法预测精度有所提高,但由于不能同时处理装备技术状态多维参数的空间聚合及时间累积效应,预测精度依然不够理想。
为解决现行装备技术状态预测方法中存在的上述问题,本文研究了装备技术状态多维数据预测方法,将离散过程神经网络(discrete process neural network)有效地应用到装备技术状态预测中,同时处理装备技术状态多维参数的空间聚合效应及时间累积效应,提高预测精度。
HTML
-
本文选取某装备变速箱油液分析数据,对变速箱技术状态进行预测,以验证本文方法的可行性。
1)建立预测模型
①训练数据收集及处理
以某装备运行过程中传动箱油液等时间间隔(20 h)监测数据为例,共选取油液中铁、铝、铅、硼、钡、铬、镁、硅共8种元素的浓度作为特征参量进行分析,样本容量为32。由于数据为装备全寿命监测数据,因此,需要将数据中非变速箱劣化因素(换油等因素)引起的油液质量变化进行处理。具体的处理方法可查阅相关文献,此处不加赘述。样本数据归一化处理如表 1所示。
序号 铁 铝 铅 硼 钡 鉻 镁 硅 1 0.000 5 0.072 8 0.134 0 0.406 7 0.352 4 0.169 3 0.241 6 0.917 0 2 0.163 3 0.123 5 0.185 9 0.302 2 0.369 5 0.286 5 0.298 7 0.963 6 $ \vdots $ $ \vdots $ $ \vdots $ $ \vdots $ $ \vdots $ $ \vdots $ $ \vdots $ $ \vdots $ $ \vdots $ 18 0.753 9 0.564 4 0.701 8 0.271 5 0.296 7 0.903 4 0.401 1 0.399 6 $ \vdots $ $ \vdots $ $ \vdots $ $ \vdots $ $ \vdots $ $ \vdots $ $ \vdots $ $ \vdots $ $ \vdots $ 31 0.938 2 0.785 4 0.913 9 0.324 0 0.252 4 0.237 9 0.561 6 0.154 2 32 0.938 2 0.785 4 0.913 9 0.324 0 0.252 4 0.237 9 0.561 6 0.154 2 ②初步优化阶段
构建如图 1所示过程神经网络预测模型,其中输入层节点数n=8;输出层节点数为p=8;隐层节点数m可根据文献[21]提供的公式计算,$m = \sqrt {n + p} + a$,a为1到10之间的常数。为提高网络训练精度,此处取最大值m=14。
网络输入为连续5次监测所得的共5个技术状态参数向量。以序号1数据为例,该时刻的技术状态参数向量为:(0.000 5, 0.072 8, 0.134 0, 0.406 7, 0.352 4, 0.169 3, 0.241 6, 0.917 0)。网络输出为连续5次监测之后再进行一次监测所得的技术状态参数向量。依据该方式,可将表 1数据组合成共27组样本数据。将这27组样本数据依次代入上述过程神经网络中,计算总体误差E并据此调节相应权值,记作一次训练。
本次试验中n*=50,模型训练精度H=0.001,最大训练次数N=500,隐层激励函数选用S型传输函数,输出层激励函数选用线性传输函数。将27组样本数据代入预测模型并依据第2节中基于混沌粒子群的网络学习过程初步优化阶段步骤进行计算,分别得到50组局部最优解和50组全局次优解。
③精确优化阶段
将50组局部最优解与50组全局次优解共同组成规模为100的粒子群。取标准粒子群算法中惯性权重为0.5,群加速常数与个体加速常数均为1.494 45,迭代最大次数M=300,迭代精度Q=0.000 1。根据已获取的粒子群中各参数的最大、最小值设定各参数取值范围及更新速度,进行迭代得全局最优解。其中,全局最优解适应度变化过程如图 2所示。
如图所示,粒子群迭代到251代时达到目标要求,可输出全局最优解。
实验中,初步优化阶段耗时2 min 27 s,精确优化阶段耗时34 s,总耗时为3 min 1 s。由于传动箱技术状态劣化为磨损劣化,劣化速度较慢,因此文中预测模型可用于实际技术状态预测。
2)技术状态数据预测
采集该工况下,某同型号装备连续监测的15组数据如表 2所示。
序号 铁 铝 铅 硼 钡 鉻 镁 硅 1 0.746 3 0.523 3 0.662 2 0.319 8 0.302 8 0.886 7 0.396 8 0.349 9 2 0.736 5 0.568 6 0.661 6 0.288 6 0.223 5 0.840 6 0.348 0 0.347 0 3 0.753 9 0.564 4 0.701 8 0.271 5 0.296 7 0.903 4 0.401 1 0.399 6 4 0.786 5 0.562 2 0.795 4 0.265 0 0.368 4 0.950 9 0.452 8 0.337 7 5 0.789 9 0.596 3 0.736 5 0.201 3 0.366 9 0.769 8 0.396 7 0.235 6 6 0.805 1 0.570 2 0.717 7 0.158 7 0.365 8 0.139 4 0.325 5 0.136 2 7 0.865 9 0.425 8 0.799 8 0.256 8 0.532 6 0.148 9 0.425 7 0.129 5 8 0.910 3 0.350 2 0.868 1 0.300 4 0.782 8 0.160 3 0.633 9 0.129 0 9 0.942 1 0.418 9 0.865 3 0.319 8 0.631 1 0.150 7 0.589 9 0.142 1 10 0.964 5 0.742 3 0.860 4 0.347 7 0.384 5 0.145 4 0.542 9 0.160 4 11 0.969 9 0.752 3 0.879 8 0.334 5 0.358 9 0.196 5 0.499 8 0.160 0 12 0.985 0 0.764 7 0.907 6 0.324 0 0.347 1 0.231 9 0.463 0 0.159 3 13 0.935 8 0.821 1 0.893 2 0.386 9 0.340 1 0.230 1 0.524 4 0.160 0 14 0.910 7 0.882 6 0.874 4 0.477 5 0.334 2 0.214 0 0.621 4 0.170 7 15 0.919 5 0.871 1 0.900 2 0.399 6 0.298 7 0.219 9 0.601 2 0.160 7 分别采用本文预测方法(F1)、仅考虑时间累积效应的BP神经网络预测法[22](F2)以及仅考虑空间聚合效应的BP神经网络预测法[23](F3)对后10组数据进行预测。以铁元素预测结果为例统计相对误差,并计算各元素总体预测结果与实际数据之间的欧氏距离,可得表 3。
序号 F1 F2 F3 浓度(铁) 相对误差/% (铁) 欧式距离 浓度(铁) 相对误差/% (铁) 欧式距离 浓度(铁) 相对误差/% (铁) 欧式距离 6 0.804 8 0.04 0.020 2 0.799 1 0.75 0.026 6 0.806 3 0.15 0.021 5 7 0.866 0 0.01 0.045 7 0.844 1 2.52 0.032 6 0.859 1 0.79 0.023 1 8 0.906 7 0.39 0.028 1 0.914 2 0.43 0.009 8 0.918 7 0.92 0.026 6 9 0.942 6 0.05 0.007 7 0.945 0 0.31 0.017 2 0.941 7 0.04 0.013 7 10 0.956 6 0.82 0.011 4 0.966 1 0.17 0.014 1 0.956 1 0.87 0.023 7 11 0.978 1 0.85 0.017 6 0.982 4 1.29 0.018 4 0.981 0 1.14 0.050 1 12 0.977 2 0.79 0.015 7 0.956 0 2.94 0.035 5 0.964 2 2.11 0.051 3 13 0.943 1 0.78 0.012 7 0.941 0 0.56 0.013 4 0.938 8 0.32 0.025 7 14 0.908 9 0.20 0.021 1 0.920 5 1.08 0.025 1 0.913 6 0.32 0.022 7 15 0.918 8 0.08 0.008 2 0.912 2 0.79 0.013 8 0.916 6 0.32 0.013 6 如表 3所示,分析铁元素浓度预测相对误差:序号为6、7、8、11、12、14、15的数据,F1预测结果明显优于F2、F3预测结果;序号为9、10、13的数据,F1预测结果虽然未体现明显的预测优势,但与F2、F3预测结果相差不大。可知,单就铁元素浓度预测而言,F1预测精度明显高于F2和F3。就总体数据预测结果与实际数据之间欧式距离而言,除序号为7、8的数据F1预测结果不能完全优于F2和F3,其余数据的预测结果F1均能体现明显的预测优势。综合分析可知,在预测精度上,F1明显高于F2和F3。
为进一步验证本文方法的有效性,选用目前最常用的灰色预测和移动平均法对上述15组数据的后10组进行预测,并以铁元素预测结果为例绘制如图 3所示预测结果示意图。
如图 3所示,本文方法预测结果较之灰色预测法和移动平均法预测结果更加贴近实际数据,且数据变化趋势与实际数据变化趋势拟合程度较好。可见本文方法能够有效应用于实际预测工作中。