一种适用于复杂工艺系统的健康管理决策方法
【技术领域】
[0001] 本发明涉及复杂工艺系统健康管理决策领域，具体涉及一种适用于复杂工艺系统 的健康管理决策方法。
【背景技术】
[0002] 复杂工艺系统是复杂性科学的研究对象范畴，广泛应用于工业、制造业、航空、航 天等众多领域。如何提高复杂工艺系统的安全性、可靠性、可用性、有效性和经济性也成为 其技术发展中考虑越来越多的关键问题。如火箭发动机试车台是航天器和运载器推进系统 的重要组成部分，它是一种流体-热动力系统，其结构复杂，涉及众多的零部件，且各零部 件之间结构相互关联，功能相互影响。其经常工作在恶劣环境（高温、高压、强腐蚀和高密 度的能量释放）下，因此极易发生故障。
[0003] 预测与健康管理（prognostics and health management，PHM)是指利用尽可能 少的传感器采集系统的各种数据信息，借助各种智能推理算法（如物理模型、神经网络、数 据融合、模糊逻辑、专家系统等）来评估系统自身的健康状态，在系统故障发生前对其故障 进行预测，并结合各种可利用的资源信息提供一系列的维修保障措施以实现系统的视情维 修。PHM系统结构主要由如下七层组成，如图1所示：
[0004] (1)数据获取层
[0005] 数据获取层位于七层结构的最底层，该层与复杂工艺系统上的特定物理测量设备 相连接，其功能是收集来自数据总线上传感器的信号，为PHM系统进行下一步的工作提供 数据支持。
[0006] (2)数据处理层
[0007] 该层主要功能是处理来自数据获取层的数据，通过一些特征提取算法把所获取的 数据转换成状态监测、健康评估和预测层所需要的形式，这些信号特征能够以某一种形式 表征系统/组件的健康。通常采用的数据处理算法包括快速傅立叶变换、神经网络、小波、 卡尔曼滤波或统计方法（平均、标准偏差）等，数据处理层的输出结果包括经过滤、压缩后 的传感器数据、频谱数据以及其它特征数据等。
[0008] (3)状态监测层
[0009] 状态监测层接收来自传感器、数据处理层以及其他状态监测模块的数据。其主要 功能是完成与系统状态相关的特征的计算和估计，即将获取的数据同预定的失效判据等进 行比较来监测系统当前的状态，并且可以根据预定的各种参数指标极限值/阈值来提供故 障报警能力。
[0010] ⑷健康评估层
[0011] 健康评估层接收来自不同状态监测模块以及其他健康评估模块的数据，根据状态 监测层的输出和历史的状态评估值，主要评估被监测系统、分系统或部件的健康状态，确定 这些系统是否降级。如果系统的健康状态降级了，该层会产生诊断信息，提示可能发生的故 障。该层的输出包括组件的健康或健康程度（以健康指数表示）。本层的输出包括系统/ 组件的健康状态或系统降级程度，系统的健康状态可以用很多方式表示，例如灰度、健康度 等。
[0012] (5)预测层
[0013] 预测层可综合前面各层的数据信息，评估和预测被监测系统、子系统和部件未来 的健康状态。主要功能是对系统、子系统或部件在使用工作包线和工作应力下的剩余使用 寿命进行估计。预测层可能报告系统的未来健康状态或者评估组件的剩余使用寿命。故障 预测能力是PHM系统的显著特征。
[0014] (6)决策支持层
[0015] 该层接收来自状态监测、健康评估和预测层的数据，并根据前面各层的输出结果 做出相应的支持决策，为维修资源管理和其它健康管理过程提供支撑。决策支持层综合所 需要的信息，基于与系统健康相关的信息，以支持做出决策，为维修提供建议的措施。
[0016] (7)显示层
[0017] 该层具备与其他所有层通讯的能力，通过便携式维修设备、维修管理和操作管理 实现PHM系统与维修人员和用户的人机交互界面功能。该层的输出包括低层产生的输出信 息以及低层所需要的输入信息。
[0018] 在复杂工艺系统的健康管理维修决策方面，目前主要采用以非计划定期维护和事 后维修为主的方式，采用多、勤、细来预防系统故障。随着健康管理技术的发展出现了视情 维修理论，能够根据复杂系统的故障信息，临时安排相应的维修任务，解决了部分非计划维 修问题，但是各视情维修决策系统没有对维修大纲的制定产生反馈，在实际开展维修活动 工作中，往往无章可循，具有很大的维修工作随意性，缺乏必要的规定，具有很大的决策风 险。
[0019] 现有的PHM维修决策方法，从其实际研究中应用的理论和技术路线来看，可分为3 类：基于模型的维修决策技术、基于数据的维修决策技术、基于可靠性的维修决策技术。
[0020] 1、基于模型的维修决策技术对于大多数工业应用来说，利用物理模型建立决策模 型可能不是最切合实际的解决方案，因为多零部件、系统之间的相互作用，增加了维修决策 分析的复杂性。
[0021] 2、基于数据的维修决策不需要系统的数学模型，以采集的数据为基础，通过各种 数据分析处理方法挖掘其中的隐含信息进行维修决策。但是在实际应用中，一些关键设备、 零部件的维修决策需要的信息复杂多变，典型数据（历史工作数据、故障注入数据）的获取 代价通常十分高昂；而且即使对于所获得的数据来说，往往其具有很强的不确定性和不完 备性。这些问题都增加了维修决策的实现难度。
[0022] 3、基于可靠性的维修决策技术是基于同类部件/设备/系统的事件记录的分布， 目前的可靠性评估方法基本上均是采用历史失效数据去估计对象的整体特性。然而零部 件、系统性能衰退、失效会引非计划维修任务，因而限制了其实际应用。
[0023] 但是由于复杂工艺系统具有组成结构复杂、工作状态多变和易受运行环境影响的 特点，前述3类主要的维修决策方法难以适用于此类系统。
[0024] 近年来，群决策技术在国际上发展较为迅速。群决策主要研究在多名决策者同时 决策时如何做出有效抉择，主要需要解决的问题是如何将具有不同偏好的各位专家的决策 信息进行汇总得到一致化的决策结果。由于系统各部件之间结构和功能上的关联性和复杂 性，采用单一模型或方法难以实现全系统维修范围和修理级别的确定。为减少决策的失误， 提高决策的效率，采用群决策建模的方法，多智体协同维修决策产生结论，最后综合各方法 决策结果的输出，确定系统维修范围。
[0025] 然而，由于群决策技术的研究还不甚成熟，如何准确获取决策信息，包括属性值、 属性权重、决策者权重信息等决策要素，尚未形成完整的框架体系。特别是由于工艺系统的 复杂性、不确定性，在实际决策问题中往往面临数据质量低下甚至部分缺失的情况，即信息 的不确定性。对于上述信息不确定、数据类型多样性的群决策问题，传统的决策理论如D-S 证据理论、Bayes理论、模糊集理论将面临严峻的挑战。
[0026] 在上述背景下，将PHM技术应用于复杂工艺系统，在对传统的系统信息辨识、获 取、处理和融合基础上，采取积极主动的措施监视系统的健康状态，预测系统性能变化趋 势、部件故障发生时机及剩余使用寿命，采取必要的措施缓解系统的性能衰退、部件故障/ 失效的决策和维修建议，显得愈发重要。因此，亟需一种针对复杂工艺系统的健康管理维修 决策方法。
【发明内容】
[0027] 有鉴于此，本发明的目的是提供一种适用于复杂工艺系统的健康管理决策方法， 它能够实现两大功能：1.能够对系统的下一次运行进行故障预测；2.能够在系统运行后， 针对每一种故障模式提供维修建议。
[0028] 实现本发明的技术方案如下：
[0029] -种适用于复杂工艺系统的健康管理决策方法，具体步骤如下：
[0030] 步骤一：通过传感器或网络接口获取系统测点参数；
[0031] 步骤二：对获取的系统测点参数进行预处理；
[0032] 步骤三：通过自适应阈值分析方法对预处理后的系统测点参数进行实时故障检 测，然后，结合历史数据和故障模式与影响分析表，利用知识推理方法对故障检测结果进行 故障诊断；
[0033] 步骤四：结合故障诊断结果利用灰色理论方法评估单参数传感器健康度，利用模 糊集融合理论对单参数传感器健康度进行融合，得到故障模式健康参数；
[0034] 步骤五：利用步骤四中所得的故障模式健康参数以及该工艺系统历史计算的故障 模式健康参数通过相关向量机方法预测故障模式健康参数；
[0035] 步骤六：通过多种决策理论分别对预测的故障模式健康参数进行系统的维修决 策；利用灰色群决策理论将多种决策理论的维修决策结果进行融合，得到最终维修决策结 果，给出维修建议，完成复杂工艺系统的健康管理决策。
[0036] 进一步地，本发明步骤二中所述的预处理包括：剔除奇异值、滤波降噪、计算均值 和3σ标准偏差。
[0037] 进一步地，本发明步骤六中的多种决策理论包括D-S证据理论、Bayes理论和模糊 集理论。
[0038] 有益效果：
[0039] (1)本发明提出了系统故障预防控制措施与系统健康参数相关联的维修策略，提 高复杂系统安全性，能够及时合理地处理故障；且针对具有复杂特点的一类对象的维修决 策，具