基于ANP的复杂装备健康状态评估方法

摘要

本发明涉及复杂装备状态评估技术领域，具体地说，涉及一种基于ANP的复杂装备健康状态评估方法。其包括以下步骤：步骤S1、获取复杂装备的运行工况数据及历史维修记录数据；步骤S2、对经步骤S1获取的数据进行预处理后，通过数据融合构建复杂装备的运维-工况数据集；步骤S3、基于ANP构建复杂装备的健康状态评估体系，通过健康状态评估体系，根据复杂装备的当前工况对其健康状态进行评估。本发明能够较低成本、较高效率地对复杂装备的状态进行较佳评估。

权利要求

1.基于ANP的复杂装备健康状态评估方法，其包括以下步骤：

步骤S1、获取复杂装备的运行工况数据及历史维修记录数据；

步骤S2、对经步骤S1获取的数据进行预处理后，通过数据融合构建复杂装备的运维-工况数据集；

步骤S3、基于ANP构建复杂装备的健康状态评估体系，通过健康状态评估体系，根据复杂装备的当前工况对其健康状态进行评估。

2.根据权利要求1所述的基于ANP的复杂装备健康状态评估方法，其特征在于：步骤S2中，对数据进行预处理主要包括对运行工况数据的缺失值和异常值进行预处理的步骤；

对数据缺失值进行预处理时，首先计算每列属性中的缺失值的比例，在当缺失值占比较低时直接删除缺失值；在缺失值占比较高时，若缺失值为定距型数据则以该列属性的平均值来填补缺失值，若缺失值为非定距型数据则以该列属性的众数来填补缺失值；

对数据异常值进行预处理时，首先对异常值进行识别，对于任意列属性中，若某一观测数据在“平均值±3*标准差”之外时，则判定该观测数据为异常数据；之后计算每列属性中的异常值的比例，在当异常值占比较低时直接删除异常值；在异常值占比较高时，若异常值为定距型数据则以该列属性的平均值来填补异常值，若异常值为非定距型数据则以该列属性的众数来填补异常值。

3.根据权利要求1所述的基于ANP的复杂装备健康状态评估方法，其特征在于：步骤S3具体包括如下步骤，步骤S3.1、建立ANP网络结构模型，即健康状态评估体系；

步骤S3.2、构造无权重超矩阵；

步骤S3.3、对无权重超矩阵进行处理，获取复杂装备最佳健康状态等级。

4.根据权利要求3所述的基于ANP的复杂装备健康状态评估方法，其特征在于：步骤S3.1中，所建立的ANP网络结构模型包括目标层、控制层和网络层；目标层为复杂装备健康状态的准确评估，控制层包括复杂装备专家知识库中的属性知识；网络层包含与控制层部件相关的运维-工况数据集以及复杂装备的健康状态等级，其中运维-工况数据集为控制层部件的相关性能数据项，复杂装备健康状态等级包括故障、明显劣化、一般、亚健康和健康。

5.根据权利要求4所述的基于ANP的复杂装备健康状态评估方法，其特征在于：步骤S3.2中，首先构造不同准则形成对复杂装备健康状态等级造成影响的判断矩阵，求出判断矩阵对应的特征向量和最大特征根，进行一致性检验；之后，构造装备健康状态等级对各个准则造成影响的判断矩阵，求出所有判断矩阵对应的特征向量和最大特征根，进行一致性检验；最后，构造ANP无权重超矩阵；

其中，在构造判断矩阵时，根据T.L.Satty教授引用的1-9标度法则作为判断两元素的相对重要程度的数量标准；判断矩阵各元素之间的重要程度由专家结合复杂装备的各部件性能数据波动情况与机理知识等，按1-9标度法则进行打分。

6.根据权利要求5所述的基于ANP的复杂装备健康状态评估方法，其特征在于：步骤S3.3具体包括如下步骤，步骤S3.3.1、确定加权矩阵；

步骤S3.3.2、计算计算加权超矩阵，实现超矩阵列归一化；

步骤S3.3.3、求解极限超矩阵；

步骤S3.3.4、根据收敛的极限超矩阵合成排序结果，获得装备不同健康状态等级下的权重，权重最大的健康状态等级即为装备当前的最佳健康状态等级。

说明书

基于ANP的复杂装备健康状态评估方法

技术领域

[0001] 本发明涉及复杂装备状态评估技术领域，具体地说，涉及一种基于ANP的复杂装备健康状态评估方法。

背景技术

[0002] 大型复杂装备是一种庞大而复杂的系统，零组件数量繁多，装配工艺繁琐，具有精密、昂贵等特点。装备一旦出现故障，其排故维修过程极其繁琐，导致装备维修难度大、效率低、成本高。因此，准确地对复杂装备的健康状态进行评估，并以此为依据制定合理的装备运维策略，对降低装备维修维护成本，保障装备可靠稳定运行具有重要的意义。

[0003] 随着互联网、大数据等新一代新兴信息技术的发展，复杂装备的智能互联程度增加，能够实时获取装备的运行工况数据等，为装备健康状态评估提供了数据基础。

发明内容

[0004] 本发明提供了一种基于ANP的复杂装备健康状态评估方法，其能够克服现有技术的某种或某些缺陷。

[0005] 根据本发明的基于ANP的复杂装备健康状态评估方法，其包括以下步骤：

[0006] 步骤S1、获取复杂装备的运行工况数据及历史维修记录数据；

[0007] 步骤S2、对经步骤S1获取的数据进行预处理后，通过数据融合构建复杂装备的运维-工况数据集；

[0008] 步骤S3、基于ANP构建复杂装备的健康状态评估体系，通过健康状态评估体系，根据复杂装备的当前工况对其健康状态进行评估。

[0009] 本实施例中，通过运用数据与专家知识相结合进行复杂装备的健康状态评估，提高了装备健康状态评估的准确性；基于ANP装备健康状态评估体系考虑了装备健康状态与相关性能指标之间的交互关系，比传统的AHP方法决策结果更加贴合实际，更加可信。

[0010] 作为优选，步骤S2中，对数据进行预处理主要包括对运行工况数据的缺失值和异常值进行预处理的步骤；

[0011] 对数据缺失值进行预处理时，首先计算每列属性中的缺失值的比例，在当缺失值占比较低时直接删除缺失值；在缺失值占比较高时，若缺失值为定距型数据则以该列属性的平均值来填补缺失值，若缺失值为非定距型数据则以该列属性的众数来填补缺失值；

[0012] 对数据异常值进行预处理时，首先对异常值进行识别，对于任意列属性中，若某一观测数据在“平均值±3*标准差”之外时，则判定该观测数据为异常数据；之后计算每列属性中的异常值的比例，在当异常值占比较低时直接删除异常值；在异常值占比较高时，若异常值为定距型数据则以该列属性的平均值来填补异常值，若异常值为非定距型数据则以该列属性的众数来填补异常值。

[0013] 由于复杂装备的运行过程中存在强振动、强电磁、强干扰等复杂环境，故会导致边缘智能数据终端在数据采集与传输过程中可能出现数据缺失、数据异常等问题。因此，通过数据预处理，能够较佳地解决数据中的存在缺失值和异常值问题。

[0014] 作为优选，步骤S3具体包括如下步骤，

[0015] 步骤S3.1、建立ANP网络结构模型，即健康状态评估体系；

[0016] 步骤S3.2、构造无权重超矩阵；

[0017] 步骤S3.3、对无权重超矩阵进行处理，获取复杂装备最佳健康状态等级。

[0018] 作为优选，步骤S3.1中，所建立的ANP网络结构模型包括目标层、控制层和网络层；目标层为复杂装备健康状态的准确评估，控制层包括复杂装备专家知识库中的属性知识；
网络层包含与控制层部件相关的运维-工况数据集以及复杂装备的健康状态等级，其中运维-工况数据集为控制层部件的相关性能数据项，复杂装备健康状态等级包括故障、明显劣化、一般、亚健康和健康。

[0019] 本实施例中，通过将复杂装备健康状态准确评估作为总目标，基于专家知识库中的装备属性知识构建控制层，接着对装备运行工况数据、故障数据进行预处理，在数据预处理的基础上，考虑装备部件间的功能耦合性构建网络层，将复杂装备健康状态等级如故障、明显劣化、一般、亚健康和健康作为网络层的决策方案，构建基于ANP的复杂装备健康状态评估体系，实现复杂装备的健康状态等级准确评估，从而能够较佳地解决现有复杂装备运维过程中存在的维修维护成本高、效率低等问题。

[0020] 作为优选，步骤S3.2中，首先构造不同准则形成对复杂装备健康状态等级造成影响的判断矩阵，求出判断矩阵对应的特征向量和最大特征根，进行一致性检验；之后，构造装备健康状态等级对各个准则造成影响的判断矩阵，求出所有判断矩阵对应的特征向量和最大特征根，进行一致性检验；最后，构造ANP无权重超矩阵；

[0021] 其中，在构造判断矩阵时，根据T.L.Satty教授引用的1-9标度法则作为判断两元素的相对重要程度的数量标准；判断矩阵各元素之间的重要程度由专家结合复杂装备的各部件性能数据波动情况与机理知识等，按1-9标度法则进行打分。

[0022] 作为优选，步骤S3.3具体包括如下步骤，

[0023] 步骤S3.3.1、确定加权矩阵；

[0024] 步骤S3.3.2、计算计算加权超矩阵，实现超矩阵列归一化；

[0025] 步骤S3.3.3、求解极限超矩阵；

[0026] 步骤S3.3.4、根据收敛的极限超矩阵合成排序结果，获得装备不同健康状态等级下的权重，权重最大的健康状态等级即为装备当前的最佳健康状态等级。

附图说明

[0027] 图1为实施例1中的一种基于ANP的复杂装备健康状态评估方法流程示意图；

[0028] 图2为实施例1中健康状态评估体系的架构示意图。

具体实施方式

[0029] 为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。应当理解的是，实施例仅仅是对本发明进行解释而并非限定。

[0030] 实施例1

[0031] 如图1所示，本实施例提供了一种基于ANP的复杂装备健康状态评估方法，其包括以下步骤：

[0032] 步骤S1、获取复杂装备的运行工况数据及历史维修记录数据；

[0033] 步骤S2、对经步骤S1获取的数据进行预处理后，通过数据融合构建复杂装备的运维-工况数据集；

[0034] 步骤S3、基于ANP构建复杂装备的健康状态评估体系，通过健康状态评估体系，根据复杂装备的当前工况对其健康状态进行评估。

[0035] 本实施例中，通过运用数据与专家知识相结合进行复杂装备的健康状态评估，提高了装备健康状态评估的准确性；基于ANP装备健康状态评估体系考虑了装备健康状态与相关性能指标之间的交互关系，比传统的AHP方法决策结果更加贴合实际，更加可信。

[0036] 步骤S1中，能够通过连接在复杂装备上的边缘智能数据终端实时获取相应复杂装备的运行工况数据，包括主缸压力、主缸位置、液压垫速度、液压垫位置、上油箱油温等数据项；能够通过已有的装备运维服务系统与运维服务APP中的云数据库获取装备的历史维修记录。由于装备历史维修记录与运行工况数据来源不同，故通过数据融合，能够较佳地将装备历史维修记录与运行工况数据进行集成，形成复杂装备运维-工况数据集。

[0037] 本实施例中，能够在数据预处理的基础上，融合装备专家知识库中的属性知识与运维-工况数据集，基于ANP构建所述复杂装备健康状态评估决策体系，得到了复杂装备最佳健康状态等级，能够辅助维修人员选取最佳维修方案，保障复杂装备安全可靠运行，降低复杂装备的运维成本。本发明适用于复杂装备的健康状态评估与维修决策方案制定。

[0038] 步骤S3中，能够将复杂装备健康状态准确评估作为总目标，通过调用专家知识库中的装备属性知识构建评估体系控制层，在运维-工况数据集中获取与控制层准则相关的数据项构建网络层元素集，将复杂装备健康状态等级如故障、明显劣化、一般、亚健康和健康作为网络层的决策方案，构建基于ANP的复杂装备健康状态评估决策体系。根据决策结果，能够较佳地获取复杂装备健康状态等级，为装备维修维护方案制定提供参考意见。

[0039] 本实施例中，步骤S2中，对数据进行预处理主要包括对运行工况数据的缺失值和异常值进行预处理的步骤；

[0040] 对数据缺失值进行预处理时，首先计算每列属性中的缺失值的比例，在当缺失值占比较低时直接删除缺失值；在缺失值占比较高时，若缺失值为定距型数据则以该列属性的平均值来填补缺失值，若缺失值为非定距型数据则以该列属性的众数来填补缺失值；

[0041] 对数据异常值进行预处理时，首先对异常值进行识别，对于任意列属性中，若某一观测数据在“平均值±3*标准差”之外时，则判定该观测数据为异常数据；之后计算每列属性中的异常值的比例，在当异常值占比较低时直接删除异常值；在异常值占比较高时，若异常值为定距型数据则以该列属性的平均值来填补异常值，若异常值为非定距型数据则以该列属性的众数来填补异常值。

[0042] 由于复杂装备的运行过程中存在强振动、强电磁、强干扰等复杂环境，故会导致边缘智能数据终端在数据采集与传输过程中可能出现数据缺失、数据异常等问题。因此，通过数据预处理，能够较佳地解决数据中的存在缺失值和异常值问题。

[0043] 本实施例中，通过利用删除法、均值填补法、众数填补法、异常值识别、外键关联对所述复杂装备运行工况数据和历史维修记录进行了预处理与融合，能够较佳地形成运维-工况数据集，从而能够有效解决所述复杂装备数据中的存在缺失值和异常值以及数据来源不同的问题。

[0044] 本实施例中，步骤S3具体包括如下步骤，

[0045] 步骤S3.1、建立ANP网络结构模型，即健康状态评估体系；

[0046] 步骤S3.2、构造无权重超矩阵；

[0047] 步骤S3.3、对无权重超矩阵进行处理，获取复杂装备最佳健康状态等级。

[0048] 如图2所示，步骤S3.1中所建立的ANP网络结构模型包括目标层、控制层和网络层；目标层为复杂装备健康状态的准确评估，控制层包括复杂装备专家知识库中的属性知识；
网络层包含与控制层部件相关的运维-工况数据集以及复杂装备的健康状态等级，其中运维-工况数据集为控制层部件的相关性能数据项，复杂装备健康状态等级包括故障、明显劣化、一般、亚健康和健康。

[0049] 本实施例中，通过将复杂装备健康状态准确评估作为总目标，基于专家知识库中的装备属性知识构建控制层，接着对装备运行工况数据、故障数据进行预处理，在数据预处理的基础上，考虑装备部件间的功能耦合性构建网络层，将复杂装备健康状态等级如故障、明显劣化、一般、亚健康和健康作为网络层的决策方案，构建基于ANP的复杂装备健康状态评估体系，实现复杂装备的健康状态等级准确评估，从而能够较佳地解决现有复杂装备运维过程中存在的维修维护成本高、效率低等问题。

[0050] 本实施例中，步骤S3.2中，首先构造不同准则形成对复杂装备健康状态等级造成影响的判断矩阵，求出判断矩阵对应的特征向量和最大特征根，进行一致性检验；之后，构造装备健康状态等级对各个准则造成影响的判断矩阵，求出所有判断矩阵对应的特征向量和最大特征根，进行一致性检验；最后，构造ANP无权重超矩阵；

[0051] 其中，在构造判断矩阵时，根据T.L.Satty教授引用的1-9标度法则作为判断两元素的相对重要程度的数量标准；判断矩阵各元素之间的重要程度由专家结合复杂装备的各部件性能数据波动情况与机理知识等，按1-9标度法则进行打分。

[0052] 本实施例中，ANP是指网络层次分析法，其是现有的一种适应非独立的递阶层次结构的决策方法，它是在层次分析法(AHP)的基础上发展而形成的一种新的实用决策方法，其能够较佳解决决策问题结构的依赖性和反馈性，与AHP方法相比，ANP处理决策问题更加贴合实际，更具灵活性，结果更加可信。

[0053] 其中，ANP分析法中对控制层与网络层的各因素的相对优势度给出判断，并将这些判断用数值量化，写成矩阵形式，就生成超矩阵。

[0054] 其中，1-9标度法则为判断矩阵中用于比较两两元素的相对重要程度的法则。其各级的标度的含义如下表所示。

[0055] 表1 1-9标度法则中各级标度的含义

[0056]标度 定义 含义
1 同等重要 两元素对某属性同样重要
3 稍微重要 两元素对某属性，一元素比另一元素稍微重要
5 明显重要 两元素对某属性，一元素比另一元素明显重要
7 强烈重要 两元素对某属性，一元素比另一元素强烈重要
9 极端重要 两元素对某属性，一元素比另一元素极端重要
2、4、6、8 相邻标度中值 表示相邻两标度之间折中时的标度
上列标度倒数 反比较 元素i对元素j的标度为aij，反之为1/aij

[0057] 其中，一致性检验是为了检验各元素重要程度的协调性，避免出现A比B重要，B比C重要，而C比A重要的矛盾情况。

[0058] 其中，平均随机一致性指标R.I是用于计算判断矩阵的一致性比率，通过随机方法构造判断矩阵，并经过500次以上的重复计算，求出一致性指标，并进行平均而得，它随判断矩阵的阶数而变化，具体数值如下表所示。

[0059] 表2平均随机一致性指标R.I的具体数值

[0060]阶数 1 2 3 4 5 6 7 8
R.I 0 0 0.52 0.89 1.12 1.26 1.36 1.41
阶数 9 10 11 12 13 14 15  
R.I 1.46 1.49 1.52 1.54 1.56 1.58 1.59  

[0061] 本实施例的步骤S3.2能够具体包括如下步骤：

[0062] 步骤S3.2.1、构造控制层中不同准则对复杂装备健康状态等级评估方案影响程度的判断矩阵；

[0063] 其中，判断准则Bi中的子准则Cij对复杂装备健康状态等级造成影响的判断矩阵记为 采用根法求 的最大特征根 和它对应的特征向量P(ij)，并进行一致性检验，其中i＝1，2，…，N；j＝1，2，…；具体过程如下，

[0064] 1、构造判断矩阵 如下表；

[0065]Cij a1 a2 a3 a4 a5
a1 1 a12 a13 a14 a15
a2 a21 1 a23 a24 a25
a3 a31 a32 1 a34 a35
a4 a41 a42 a43 1 a45
a5 a51 a52 a53 a54 1

[0066] 2、利用根法求最大特征值 和它对应的特征向量P(ij)；

[0067] 3、计算判断矩阵 每一行元素的积，

[0068] 4、计算 的5次方根，

[0069] 5、对向量 进行归一化处理，令

[0070] 6、求得最大特征根对应的特征向量为以及判断矩阵 的最大特征根

[0071] 7、对判断矩阵进行一致性检验，求出一致性指标C.I(ij)，

[0072] 8、查询表2获取平均随机一致性指标R.I(ij)，计算一致性比率C.R(ij)，[0073] 9、在当C.R(ij)≤0.1时接受判断矩阵，否则修正判断矩阵；

[0074] 重复上述步骤1-9，从而获取全部的判断矩阵；

[0075] 步骤S3.2.2、构建复杂装备健康状态各等级ai对准则Bi中的子准则Cij影响的判断矩阵 采用根法求 的最大特征根 和它对应的特征向量Q(h)，具体过程如下，[0076] 1、构造判断矩阵 如下表；

[0077]

[0078] 2、利用根法求最大特征值 和它对应的特征向量

[0079] 3、计算判断矩阵 每一行元素的积，

[0080] 4、计算 的ni次方根，

[0081] 5、对向量 进行归一化处理，令

[0082] 6、求得最大特征根对应的特征向量为 以及判断矩阵 的最大特征根

[0083] 7、对判断矩阵进行一致性检验，求出一致性指标C.I(h)，

[0084] 8、查询表2获取平均随机一致性指标R.I(h)，计算一致性比率C.R(h)，[0085] 9、在当C.R(ij)≤0.1时接受判断矩阵，否则修正判断矩阵；

[0086] 重复上述步骤1-9，从而获取全部的判断矩阵；

[0087] 步骤S3.2.3、确定无权重超矩阵W；

[0088] 假定装备健康状态等级间相互独立，互不影响，基于以上两种判断矩阵的特征向量，构造无权重超矩阵W如下；

[0089]

[0090] 本实施例中，步骤S3.3具体包括如下步骤，

[0091] 步骤S3.3.1、确定加权矩阵；

[0092] 本实施例中，根据决策者偏好确定超矩阵W中N个准则组的权重，由这些权重构成的加权矩阵记为F，

[0093] 步骤S3.3.2、计算计算加权超矩阵 实现超矩阵W列归一化，即 其中，

[0094] 步骤S3.3.3、求解极限超矩阵

[0095] 其中，当加权矩阵极限收敛且唯一时，就得到了极限超矩阵，此时可以停止加权超矩阵的自乘过程。

[0096] 步骤S3.3.4、根据收敛的极限超矩阵合成排序结果，获得装备不同健康状态等级下的权重，权重最大的健康状态等级即为装备当前的最佳健康状态等级。从而实现了复杂装备健康状态等级评估，为装备的针对性维修维护提供了参考。

[0097] 以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。