有较强的通用性。
[0040] (2)本发明利用故障诊断、健康度评估，故障模式预测，及时有效地掌握复杂系统 的健康状况；综合历史维护经验，及时发现和报告复杂系统潜在的故障趋势及已经发生的 故障，能够对复杂系统进行高精度的故障预测及维修决策，提高复杂系统可靠性。
[0041] (3)本发明利用基于灰色群决策理论得到维修决策结果，缩短了维修时间，减少了 备件、保障设备和维修人力等保障资源的需求，有利于合理确定维修支持资源，降低维修保 障费用，减少计划外维修次数，将一些非预知维修工作变为预知维修工作。
[0042] (4)本发明通过灰色群决策理论将D-S证据理论、Bayes理论、模糊集理论相融合， 避免了单一方法的局限性，使健康管理维修决策结果更加客观准确。
[0043] (5)本发明提出的利用灰色群决策理论来实现全系统维修范围和修理级别的确定 方法，很好地解决了如何将专家经验（即故障模式与影响分析表）融入健康管理决策的问 题，进而实现PHM技术从理论研究到工程实际应用的一次跨越。
【附图说明】
[0044] 图1为本发明的PHM系统结构图；
[0045] 图2为本发明的健康管理决策方法流程图；
[0046] 图3为本发明方法中步骤四中单参数传感器健康度计算流程图；
[0047] 图4为本发明方法中步骤四中故障模式健康度计算示意图；
[0048] 图5为本发明方法中步骤五中相关向量机故障预测器示意图；
[0049] 图6为本发明的灰色群决策方法流程图；
[0050] 图7为本发明方法中步骤六中D-S证据理论决策示意图；
[0051] 图8为本发明方法中步骤六中Bayes理论决策示意图；
[0052] 图9为本发明方法中步骤六中模糊集理论决策示意图；
【具体实施方式】
[0053] 下面结合附图并举实施例，对本发明进行详细描述。
[0054] 本发明提供了一种适用于复杂工艺系统的健康管理决策方法，适用于复杂工艺系 统的健康管理和维修决策，其主要原理如下：首先针对历史数据建立健康度评价模型，利用 灰色理论方法进行健康度计算，然后建立相关向量机模型进行故障预测，最后基于灰色群 决策理论进行维修决策。本发明方法包含三大核心内容：健康评估方法、故障预测方法和维 修决策方法。下面结合图2说明本发明适用于复杂工艺系统的健康管理维修决策方法。
[0055] 步骤一：通过传感器或网络接口获取系统测点参数；
[0056] 步骤二：对获取的系统测点参数进行预处理，所述的预处理包括：剔除奇异值、滤 波降噪、计算均值和3 〇标准偏差；
[0057] 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；
[0058] 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；
[0059] 所述步骤四中单参数传感器健康评估具体步骤：首先，建立灰色评价指标集：将 传感器的输出值作为事件集，将表述传感器性能退化程度的健康、亚健康、故障边缘及故障 状态作为目标对策集；其次，确定灰色评价指标集的白化函数，基于所述白化函数，计算灰 色综合评价矩阵；然后，基于不同时刻点的系统测点参数对该测点传感器健康水平的差异 性影响建立权值分配模型，确保及时响应异常情况；最后，综合权值分配结果和灰色综合评 价矩阵进行多时刻点的多源信息融合，计算得到单参数传感器的健康度，其流程如图3所 不。
[0060] 所述步骤四中故障模式健康参数评估具体步骤：首先结合系统的故障诊断结果， 为每种故障模式定义健康参数hp，取值为0~1，健康参数反映了每种故障模式发生的可能 性相对大小，取值越大，其发生的相对可能性就越大。然后利用模糊集融合理论对单参数传 感器健康度的数据进行融合，计算框图如图4所示，得到其系统的健康度hd，则hp = 1-hd。
[0061] 步骤五：利用步骤四中所得的故障模式健康参数以及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；
[0062] 步骤五中故障预测模型的建立具体步骤：首先，利用历史的故障模式健康参数数 据序列Iip 1 (I)，Iip1 (2)，...，Iip1 (η)建立如表1所示的训练样本集。
[0063] 表1相关向量机预测器模型学习样本
[0064]
[0065] 然后，利用此样本建立相关向量机预测器模型，利用表1样本训练相关向量机预 测器，并进行在线学习，具体过程如图5所示。
[0066] 最后，利用训练好的模型预测Iipi (η+1)值，依次类推，将Iipi (n-m+2)， 1ιΡ?(η-ηι+3)，…，Iipi(Ii)，hPiOi+l)作为输入，利用训练好的模型预测hPiOi+2)值，实现系 统故障模式健康参数的预测。
[0067] 步骤六：通过D-S证据理论、Bayes理论和模糊集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；利用灰色决策群理论将D-S证据理论、Bayes理论和模糊集理论 的维修决策相融合，得到最终维修决策结果，并给出相应的故障预防措施、故障干预措施和 维修建议，完成复杂工艺系统的健康管理决策。具体流程如图6所示。
[0068] 步骤六中维修决策模型是健康管理决策方法的核心，本发明通过融合复杂工艺系 统故障诊断信息、健康度状态、故障模式预测结果、历史维修情况、现有维修大纲来实现动 态维修计划的制定。
[0069] 步骤六中维修决策模型的建立包括确定决策模型的输入、输出信息种类和形式。 输入信息包括四类（即4组证据）；证据1 :故障模式历史健康参数，证据2 :预测的故障模 式健康参数（步骤五得到的）；证据3 :历史维修记录；证据4 :维修大纲。输出信息为根据 系统健康状况等级制定的维修决策框架：不维修，预防性维修，修复性维修，更换部件。
[0070] 步骤6中通过D-S证据理论进行维修决策具体过程如下，如图7所示。
[0071] 步骤6. I. 1读入故障模式历史健康参数、预测的故障模式健康参数、历史维修记 录和维修大纲；
[0072] 步骤6. 1.2计算以上四类中的各个证据对于决策框架中各中决策结果的基本概 率赋值bpa，例如bpall为故障模式历史健康参数1对于不维修的基本概率赋值，bpal2为 故障模式历史健康参数1对于预防性维修的基本概率赋值，bpal3为故障模式历史健康参 数1对于修复性维修的基本概率赋值，bpal4为故障模式历史健康参数1对于更换部件的 基本概率赋值，依次类推。对于历史维修记录证据首先通过统计计算得到维修概率，再求取 其对于决策框架的bpa，对于维修大纲证据，首先通过统计计算得到检修率，再求取其对于 决策框架的bpa。
[0073] 步骤6. 1. 3将所有证据所得的基本概率赋值进行排序，顺序任意；
[0074] 步骤6. 1. 4首先对前两个证据利用D-S证据理论进行融合，得到融合后的对于决 策框架结果的基本概率赋值，例如图中的bpajl为证据1和证据2进行融合后对于不维修 的基本概率赋值，bp ai12为证据1和证据2进行融合后对于预防性维修的基本概率赋值， bpai13为证据1和证据2进行融合后对于修复性维修的基本概率赋值，bpai14为证据1和 证据2进行融合后对于更换部件的基本概率赋值；
[0075] 步骤6. 1. 5将证据1和证据2融合后的结果作为一个新的证据，与证据3利用D-S 证据理论进行融合，得到融合结果；
[0076] 步骤6. 1. 6将新的融合结果作为一个新的证据，与下一个证据利用D-S证据理论 进行融合，直至融合完全部证据，得到最终的融合结果。最终结果中的基本概率赋值即为四 种维修决策结果的置信度。
[0077] 步骤6中通过Bayes理论进行维修决策的具体过程如下，如图8所示。
[0078] 步骤6. 2. 1读入故障模式历史健康参数、预测的故障模式健康参数、历史维修记 录和维修大纲；
[0079] 步骤6. 2. 2计算以上四类中的各个证据对于决策框架中各中决策结果的条件概 率；其中P (BI I Al)为故障模式历史健康参数1对于不维修的条件概率，P (BI IA2)为故障模 式历史健康参数1对于预防性维修的条件概率，P (BI I A3)为故障模式历史健康参数1对于 修复性维修的条件概率，P(Bl|A4)为故障模式历史健康参数1对于不维修的条件概率，依 次类推。对于历史维修记录证据首先通过统计计算得到维修概率，再求取其对于决策框架 的条件概率，对于维修大纲证据，首先通过统计计算得到检修率，再求取其对于决策框架的 条件概率。
[0080] 步骤6. 2. 3利用贝叶斯概率公式计算得到融合后的后验概率，后验概率即为四种 维修决策结果的置信度。
[0081] 步骤6中通过模糊集理论进行维修决策具体过程如下，如图9所示。
[0082