多辨识框架下的大型设备健康评估方法和装置

1.本技术涉及设备评估技术领域，特别是涉及一种多辨识框架下的大型设备健康评估方法和装置。


背景技术：

2.石油储罐、特种车辆、电力铁塔等大型设备在国家经济建设中发挥的作用日益凸显。这些系统在工作过程中，其内部器件受制造工艺和环境干扰等因素的影响，不可避免地会发生健康状态退化，一旦恶化至故障状态，将造成严重影响，带来不可挽回的损失。对大型设备进行及时有效、准确可靠的健康评估，可以辅助技术人员快速掌握设备的健康状况以采取维护措施，确保设备健康稳定运行。
3.目前，大型设备的健康评估技术面临以下挑战。一是健康指标的多元不确定性。基于健康监测可获取设备的定量和定性指标信息，但这些信息具有不同的评价标准，且受人为操作和环境干扰等影响而包含不确定性。二是健康指标的不可靠性。大型设备的健康监测信息通常是由传感器获取，而传感器的数据跟踪能力受自身制造工艺和环境干扰影响会逐渐下降，导致观测值与预期值的差异增大，产生不可靠的评估结果。三是评估结果的可信性验证。传统方法大多是基于设备健康指标的定量监测数据和单点阈值判断系统的健康状态，且缺乏对评估模型的性能分析和对评估结果的检验，导致评估结果难以令人信服。如何有效利用多元不确定信息建立可信可靠的大型设备健康评估模型，提高评估模型对不同类型健康指标的综合处理能力，是目前大型设备健康管理领域中急需解决的问题。在此需求牵引下，能够综合处理多元不确定性以最大限度地表征大型设备健康状态的多元信息融合方法得到了广泛关注。
4.典型的多元信息融合方法包括加权平均法、卡尔曼滤波、bayes方法、模糊集合、神经网络、粗糙集理论、证据推理等。其中，加权平均法简单直观，但需要高精度的权值计算；卡尔曼滤波适用于低层次冗余传感器信息融合，但在非线性系统中因缺乏统一的滤波方式和采用近似求解而难以满足精度要求；bayes方法将不确定性表示为概率并进行推理，但过于依赖先验信息；模糊集合采用模糊逻辑进行模糊不确定性推理，但其建模复杂度会随着规则数量的增加而爆炸增长；神经网络具有强大的非线性拟合能力和学习能力，但属于“黑箱”建模，缺乏可解释性；粗糙集理论利用上下近似集处理不完整信息和冗余信息，不依赖先验信息，但无法有效处理含糊性和模糊不确定性。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种多辨识框架下的大型设备健康评估方法和装置。
6.一种多辨识框架下的大型设备健康评估方法，所述方法包括：建立多辨识框架之间互相转化的置信转换矩阵；所述置信转换矩阵用于将多辨识框架之间的置信结构和推理结果建立映射关系；
根据所述置信转换矩阵将多辨识框架的置信结构和推理结果转化至综合辨识框架中，在所述综合辨识框架中构建基于证据推理的大型设备健康评估模型；对所述大型设备健康评估模型的证据参数进行优化，得到最优证据参数的大型设备健康评估模型；根据所述最优证据参数的大型设备健康评估模型对大型设备的健康状态进行评估。
7.在其中一个实施例中，还包括：获取大型设备的多个健康指标，每个健康指标对应一条证据，以及所述健康指标和所述证据的辨识框架为：；其中，表示中的第个评估等级，是中评估等级的总数，l表示健康指标的总数；在所述辨识框架下，所述证据的置信分布形式为：；其中，和分别表示证据支持和的置信度，，通过使用基于规则/效用的信息转换方法从观测数据中获得；构建综合辨识框架为：；其中，表示中的第个评估等级，是中评估等级的总数，在下，一条证据的置信分布形式为：；其中，和分别表示证据支持和的置信度，；构建多辨识框架与综合辨识框架的置信转换矩阵为：；其中，表示和之间的置信转换矩阵，维度是，的第列表示第条证据的第条规则。
8.在其中一个实施例中，还包括：根据所述置信转换矩阵得到结果信度矩阵和证据信度矩阵的转化关系为：
；其中，是一个的结果信度矩阵，是一个的证据信度矩阵。
9.在其中一个实施例中，还包括：基于证据推理构建大型设备健康评估模型为：；；；；其中，和分别表示条证据相对于和的组合置信度，表示考虑证据权重和可靠度的混合权重，且，是一个中间变量；基于所述大型设备健康评估模型对大型设备的健康评估结果的置信分布为：；当的效用为，评估结果的期望效用如下：；；；其中，，和分别是的最大、最小和平均期望效用。
10.在其中一个实施例中，还包括：建立用于优化所述大型设备健康评估模型的证据参数的优化模型为：
；；；；；其中，表示健康评估结果和期望评估结果间的均方根误差，是总观测次数，和分别表示第次观测下的健康评估结果和期望评估结果，是评估等级的参考值，其上下界分别为和，证据权重的上下界分别为和，的上下界分别为和。
11.在其中一个实施例中，还包括：单扰动下，获取扰动强度和扰动增量；根据所述扰动强度和扰动增量，确定扰动因子；根据所述扰动因子，构建鲁棒性判据，通过所述鲁棒性判据确定所述大型设备健康评估模型在单扰动模式下的鲁棒性。
12.在其中一个实施例中，还包括：多扰动下，获取多个扰动的扰动强度和扰动增量；根据多个扰动的所述扰动强度和扰动增量，确定多个扰动因子；根据多个所述扰动因子的均值，构建鲁棒性判据，通过所述鲁棒性判据确定所述大型设备健康评估模型在多扰动模式下的鲁棒性。
13.一种多辨识框架下的大型设备健康评估装置，所述装置包括：转换模块，用于建立多辨识框架之间互相转化的置信转换矩阵；所述置信转换矩阵用于将多辨识框架之间的置信结构和推理结果建立映射关系；模型建立模块，用于根据所述置信转换矩阵将多辨识框架的置信结构和推理结果转化至综合辨识框架中，在所述综合辨识框架中构建基于证据推理的大型设备健康评估模型；参数优化模块，用于对所述大型设备健康评估模型的证据参数进行优化，得到最优证据参数的大型设备健康评估模型；评估模块，用于根据所述最优证据参数的大型设备健康评估模型对大型设备的健康状态进行评估。
14.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：建立多辨识框架之间互相转化的置信转换矩阵；所述置信转换矩阵用于将多辨识框架之间的置信结构和推理结果建立映射关系；
根据所述置信转换矩阵将多辨识框架的置信结构和推理结果转化至综合辨识框架中，在所述综合辨识框架中构建基于证据推理的大型设备健康评估模型；对所述大型设备健康评估模型的证据参数进行优化，得到最优证据参数的大型设备健康评估模型；根据所述最优证据参数的大型设备健康评估模型对大型设备的健康状态进行评估。
15.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：建立多辨识框架之间互相转化的置信转换矩阵；所述置信转换矩阵用于将多辨识框架之间的置信结构和推理结果建立映射关系；根据所述置信转换矩阵将多辨识框架的置信结构和推理结果转化至综合辨识框架中，在所述综合辨识框架中构建基于证据推理的大型设备健康评估模型；对所述大型设备健康评估模型的证据参数进行优化，得到最优证据参数的大型设备健康评估模型；根据所述最优证据参数的大型设备健康评估模型对大型设备的健康状态进行评估。
16.上述多辨识框架下的大型设备健康评估方法和装置，首先，基于置信转换矩阵的多辨识框架转换方法，建立了证据辨识框架与评估结果辨识框架之间的映射关系，然后基于转化得到的综合辨识框架中构建基于证据推理的大型设备健康评估模型，实现了多元不确定信息的融合。然后对大型设备健康评估模型的证据参数进行优化，减小了证据参数的主观不确定性。从而能够综合利用多元不确定信息实现大型设备健康状态的准确评估，确保评估结果与实际相符。
附图说明
17.图1为一个实施例中多辨识框架下的大型设备健康评估方法的应用场景图；图2为一个实施例中健康评估模型中的扰动传递规则示意图；图3为一个实施例中激光惯组的零次项漂移系数历史测试数据示意图；图4为一个实施例中激光惯组的光强电压历史测试数据示意图；图5为一个实施例中零次项漂移系数置信分布示意图；其中，a表示健康时的置信分布，b表示亚健康时的置信分布，c表示不健康时的置信分布；图6为一个实施例中光强电压置信分布示意图；其中，a表示健康时的置信分布，b表示亚健康时的置信分布，c表示不健康时的置信分布；图7为一个实施例中不同时间点的证据可靠度计算结果示意图；图8为一个实施例中激光惯组分布式健康评估结果示意图；其中，a表示健康时的置信分布，b表示亚健康时的置信分布，c表示不健康时的置信分布；图9为一个实施例中与初始评估模型的比较结果示意图；图10为一个实施例中多辨识框架下的大型设备健康评估装置的结构框图；图11为一个实施例中计算机设备的内部结构图。
具体实施方式
18.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
19.在一个实施例中，如图1所示，提供了一种多辨识框架下的大型设备健康评估方法，包括以下步骤：步骤102，建立多辨识框架之间互相转化的置信转换矩阵。
20.置信转换矩阵用于将多辨识框架之间的证据置信结构和推理结果建立映射关系。
21.本步骤中，对于不同辨识框架下的不同证据，有必要进行标准化。对于一个具体设备，假设有个健康指标，分别表示为。个健康指标可提供条证据，其辨识框架为。
22.对于不同的辨识框架，需要统一至同一框架中进行处理。
23.通过置信转换矩阵，可以将具有不同辨识框架的不同证据统一至同一辨识框架进行推理，这使得证据的置信结构和推理结果形成良好的一对一关系。
24.步骤104，根据置信转换矩阵将多辨识框架的置信结构和推理结果转化至综合辨识框架中，在综合辨识框架中构建基于证据推理的大型设备健康评估模型。
25.本步骤中，采用基于证据推理的方式对多元证据信息进行组合。
26.步骤106，对大型设备健康评估模型的证据参数进行优化，得到最优证据参数的大型设备健康评估模型。
27.步骤108，根据最优证据参数的大型设备健康评估模型对大型设备的健康状态进行评估。
28.上述多辨识框架下的大型设备健康评估方法中，首先，基于置信转换矩阵的多辨识框架转换方法，建立了证据辨识框架与评估结果辨识框架之间的映射关系，然后基于转化得到的综合辨识框架中构建基于证据推理的大型设备健康评估模型，实现了多元不确定信息的融合。然后对大型设备健康评估模型的证据参数进行优化，减小了证据参数的主观不确定性。从而能够综合利用多元不确定信息实现大型设备健康状态的准确评估，确保评估结果与实际相符。
29.在其中一个实施例中，获取大型设备的多个健康指标，每个健康指标对应一条证据，以及所述健康指标和所述证据的辨识框架为：；其中，表示中的第个评估等级，是中评估等级的总数，表示健康指标的总数，在所述辨识框架下，证据的置信分布形式为：；其中，和分别表示证据支持和的置信度，，通过使用基于规则/效用的信息转换方法从观测数据中获得，构建综合辨识框架为：；
其中，表示中的第个评估等级，是中评估等级的总数，在下，一条证据的置信分布形式为：；其中，和分别表示证据支持和的置信度，，构建多辨识框架与综合辨识框架的置信转换矩阵为：；其中，表示和之间的置信转换矩阵，维度是，的第列表示第条证据的第条规则。
30.具体的，在进行置信转换矩阵建立时，和间的映射关系可采用如下“if-then”规则建立：；其中，表示对应于第条证据输入的第条规则。表示对应于的置信度，且有。的初始值可由专家确定。
31.在其中一个实施例中，根据置信转换矩阵得到结果信度矩阵和证据信度矩阵的转化关系为：；其中，是一个的结果信度矩阵，是一个的证据信度矩阵。
32.在其中一个实施例中，在所有证据被统一到同一辨识框架后，需要对多元证据信息进行组合，采用如下证据推理构建大型设备健康评估模型为：
；；；；其中，和分别表示条证据相对于和的组合置信度，表示考虑证据权重和可靠度的混合权重，且，是一个中间变量；基于大型设备健康评估模型对大型设备的健康评估结果的置信分布为：；当的效用为，评估结果的期望效用如下：；；；其中，，和分别是的最大、最小和平均期望效用。
33.本实施例中，对大型设备的健康评估结果的置信分布，侧重于描述辨识框架下不同评估等级的组合置信度。而评估结果的期望效用描述评估模型产生的综合式健康评估结果，其本质上是一个数值输出。
34.在其中一个实施例中，由于初始证据参数是由专家给出，包括证据辨识框架中所有评估等级的参考值、置信转换矩阵、证据权重、评估结果辨识框架中所有评估等级的效用。受限于专家经验和领域知识，这些参数初值可能不准确，包含主观不确定性。因此，建立用于优化大型设备健康评估模型的证据参数的优化模型为：
；；；；；其中，表示健康评估结果和期望评估结果间的均方根误差，是总观测次数，和分别表示第次观测下的健康评估结果和期望评估结果，是评估等级的参考值，其上下界分别为和，证据权重的上下界分别为和，的上下界分别为和。优化后的证据参数向量可表示为，，和。
35.在其中一个实施例中，基于扰动分析方法研究所提健康评估模型的性能，其中扰动表示证据辨识框架中评估等级参考值的变化。当证据辨识框架受到扰动时，扰动强度为，扰动增量为，参考值变为，表示如下：；对于证据，假设一条观测数据为。根据基于规则/效用的信息转换技术的思想，可计算得到受扰置信度。根据上述分析，当扰动作用于证据辨识框架时，初始置信度矩阵从变化为。根据步骤102-106可知，扰动的传输规则可通过图2理解。扰动从证据辨识框架开始，通过6个过程传至期望效用。评估模型的鲁棒性可由扰动因子衡量。
36.假设和分别是期望效用和扰动效用，扰动因子可计算为：；其中，表示施加在中上的扰动对应的扰动因子。上述公式描述了设备健康评估结果在扰动下的相对变化程度。为了定量地表征评估模型的鲁棒性，提出如下两个鲁棒性准则。
37.准则1（单扰动下评估模型的鲁棒性）。假设对评估模型的证据辨识框架施加单个扰动，其中扰动强度和扰动增量表示为和，其中,。扰动
因子为。那么，评估模型的鲁棒性判据由下式给出：；或；其中，是扰动因子的最大允许误差。是扰动因子的理想值。上述公式表明，当扰动因子在固定范围内变化或稳定在某个值附近时，单个扰动对评估结果的影响很小，即评估模型具有一定的鲁棒性。
38.准则2（多扰动下评估模型的鲁棒性）。假设共有个扰动施加在评估模型的证据辨识框架上。对于每个辨识框架，扰动强度和扰动增量分别表示为和，其中，，。扰动因子为。评估模型的鲁棒性判据由下式给出：；或；上述公式说明，当扰动因子绝对值的平均值在固定范围内变化或稳定在某个值附近时，就平均意义而言，多扰动对评估结果的影响很小，即评估模型具有一定的鲁棒性。
39.以下以一具体实施例进行说明：以某型激光惯组为对象，应用其历史测试数据进行实验验证。考虑到漂移和光强是影响激光惯组健康状态的主要因素，选择零项漂移系数（）和光强电压（）作为健康指标。30组测试数据如附图3和附图4所示。根据激光惯组的技术设计要求，健康评估结果可分为三个等级，评估结果的辨识框架由下式给出，对于和，其辨识框架分别表示为和。基于专家知识，表1中列出了参考等级和相应的参考值。
40.表1 健康指标的参考等级和参考值
41.在表1中，受领域知识和经验的限制，专家仅给出区间参考值，这也提供了优化模型中的第一约束条件。所有的初始参考值都是从每个区间产生的。通过使用基于规则/效用的信息转换技术，可以获得证据的初始置信分布。基于专家知识，初始转换矩阵构造如下：和（1）在公式（1）中，的第一行可以写为如下“if-then”规则：（2）基于结果信度矩阵和证据信度矩阵的转化关系，可以获得证据的统一置信分布，如附图5和附图6所示。从附图5可以看出，对于，随着时间点的增加，其相对于等级“健康”的置信度在前18个时间点从1急剧下降到0，然后保持在0。相比之下，相对于等级“亚健康”的置信度从0迅速增加到1，基本上位居第一。在时间点19之后，相对于等级“不健康”的置信度从0上升到接近0.3。这也符合漂移系数的增加导致激光惯组健康状态退化的事实。对于，其相对于等级“健康”和“亚健康”的置信度具有更平滑的变化趋势。然而，在时间点10之后，相对于等级“不健康”的置信度最大。这表明光强电压的变化对激光惯组的健康状态有重要影响。
42.给定指标和的证据权重的初始值都为0.8。使用基于距离的方法计算证据可靠度，结果如附图7所示。在图中，获得的证据可靠度从时间点3开始的原因是时间窗口的长度设置为3。因此，时间点的有效数量为28。
43.基于大型设备健康评估模型对证据进行融合，得出激光惯组的健康评估结果，如附图8所示。从图中可以明显看出，激光惯组的健康状态经历三个阶段。对于“健康”等级，置信度从约0.9下降到0.1，下降速度相对较快。对于“亚健康”等级，置信度从0激增至约0.7，并降至约0.4，并保持相对稳定。对于“不健康”等级，置信度迅速增大至接近0.6。假设等级“不健康”、“亚健康”和“健康”的效用分别为0.2、0.6和1。基于期望效用的公式，可以获得期望效用。
44.根据大型设备健康评估模型的证据参数的优化模型，建立如下目标函数：
（3）根据表1，参考值的约束条件如下：（4）（5）置信转换矩阵的约束由下式给出：（6）证据权重的约束条件如下：（7）效用的约束由下式给出：（8）采用matlab的fmincon函数进行参数优化，结果如表2和表3所示。
45.表2 最优证据参数
46.表3 最优效用值
47.根据上述分析，将最优参数代入初始健康评估模型。附图9比较了优化后的健康评估结果和初始模型的健康评估结果，可以看出，前者比后者更接近真实激光惯组的实际健康状态，rmse值分别为0.0510和0.1531。参数优化后，模型的评估精度大大提高。这也说明了进行参数优化的必要性和有效性，这可以减小设置初始证据参数时的主观不确定性。附图9的变化趋势也与附图8基本一致，可以很好地反映激光惯组的健康退化过程。
48.下面使用扰动分析方法来分析所提出评估模型的鲁棒性。扰动包括单扰动和多扰动，并施加在初始证据辨识框架上。对于指标，扰动强度和扰动增量分别表示为和。对于指标，扰动强度和扰动增量分别表示为和。本部分的目标是研究激光惯组健康评估结果在扰动下是否保持稳定。
49.1）单扰动分析本部分将扰动施加在的证据辨识框架上，将等级“小”的参考值作为扰动对象。扰动强度为1，扰动增量取参考值的-10%至10%，步长为2%。根据前述理论分析可以获得扰动因子，基于准则1可以分析评估模型的鲁棒性，如表4所示。
50.表4 单扰动下的鲁棒性分析结果
51.在表4中，“有效数”是指满足公式（19）-（20）的扰动因子的数量。“比例”表示有效数占扰动因子总数的百分比。可以发现，当高比例的扰动因子满足准则1时。在这种情况下，所提出的健康评估模型具有很强的鲁棒性.2）多扰动分析本部分将多扰动施加到指标和的证据辨识框架上，使得所有参考值同步改变，其扰动参数与单扰动相同。基于准则2，可以分析评估模型的鲁棒性，如表5所示。
52.表5 多扰动下的鲁棒性分析结果
53.可以发现，当时，大部分扰动因子满足准则2。在这种情况下，所提出的健康评估模型具有很强的鲁棒性。多扰动对评估模型的影响明显大于单扰动。为了在的前提下提高模型的鲁棒性，该模型应在理论上进行改进，激光惯组应在设计上进行改进。
54.应该理解的是，虽然附图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤
的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，附图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
55.在一个实施例中，如附图10所示，提供了一种多辨识框架下的大型设备健康评估装置，包括：转换模块1202、模型建立模块1204、参数优化模块1206和评估模块1208，其中：转换模块1202，用于建立多辨识框架之间互相转化的置信转换矩阵；所述置信转换矩阵用于将多辨识框架之间的置信结构和推理结果建立映射关系；模型建立模块1204，用于根据所述置信转换矩阵将多辨识框架的置信结构和推理结果转化至综合辨识框架中，在所述综合辨识框架中构建基于证据推理的大型设备健康评估模型；参数优化模块1206，用于对所述大型设备健康评估模型的证据参数进行优化，得到最优证据参数的大型设备健康评估模型；评估模块1208，用于根据所述最优证据参数的大型设备健康评估模型对大型设备的健康状态进行评估。
56.在其中一个实施例中，转换模块1202还用于获取大型设备的多个健康指标，每个健康指标对应一条证据，以及所述健康指标和所述证据的辨识框架为：；其中，表示中的第个评估等级，是中评估等级的总数，表示健康指标的总数；在所述辨识框架下，所述证据的置信分布形式为：；其中，和分别表示证据支持和的置信度，，通过使用基于规则/效用的信息转换方法从观测数据中获得；构建综合辨识框架为：；其中，表示中的第个评估等级，是中评估等级的总数，在下，一条证据的置信分布形式为：；其中，和分别表示证据支持和的置信度，；构建多辨识框架与综合辨识框架的置信转换矩阵为：
；表示和之间的置信转换矩阵，维度是，的第列表示第条证据的第条规则。
57.在其中一个实施例中，转换模块1202还用于根据所述置信转换矩阵得到结果信度矩阵和证据信度矩阵的转化关系为：；其中，是一个的结果信度矩阵，是一个的证据信度矩阵。
58.在其中一个实施例中，模型建立模块1204还用于基于证据推理构建大型设备健康评估模型为：；；；；其中，和分别表示条证据相对于和的组合置信度，表示考虑证据权重和可靠度的混合权重，且，是一个中间变量；基于所述大型设备健康评估模型对大型设备的健康评估结果的置信分布为：；当的效用为，评估结果的期望效用如下：
；；；其中，，和分别是的最大、最小和平均期望效用。
59.在其中一个实施例中，参数优化模块1206还用于建立用于优化所述大型设备健康评估模型的证据参数的优化模型为：；；；；；其中，表示健康评估结果和期望评估结果间的均方根误差，是总观测次数，和分别表示第次观测下的健康评估结果和期望评估结果，是评估等级的参考值，其上下界分别为和，证据权重的上下界分别为和，的上下界分别为和。
60.在其中一个实施例中，还包括扰动分析模块，还用于单扰动下，获取扰动强度和扰动增量；根据所述扰动强度和扰动增量，确定扰动因子；根据所述扰动因子，构建鲁棒性判据，通过所述鲁棒性判据确定所述大型设备健康评估模型在单扰动模式下的鲁棒性。
61.在其中一个实施例中，扰动分析模块，还用于多扰动下，获取多个扰动的扰动强度和扰动增量；根据多个扰动的所述扰动强度和扰动增量，确定多个扰动因子；根据多个所述扰动因子的均值，构建鲁棒性判据，通过所述鲁棒性判据确定所述大型设备健康评估模型在多扰动模式下的鲁棒性。
62.关于多辨识框架下的大型设备健康评估装置的具体限定可以参见上文中对于多辨识框架下的大型设备健康评估方法的限定，在此不再赘述。上述多辨识框架下的大型设备健康评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块
可以按照硬件形式内嵌于或独立于计算机设备中的处理器中，也可以按照软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
63.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如附图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种多辨识框架下的大型设备健康评估方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
64.本领域技术人员可以理解，附图11中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
65.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述实施例中方法的步骤。
66.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中方法的步骤。
67.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（rom）、可编程rom（prom）、电可编程rom（eprom）、电可擦除可编程rom（eeprom）或闪存。易失性存储器可包括随机存取存储器（ram）或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram（sram）、动态ram（dram）、同步dram（sdram）、双数据率sdram（ddrsdram）、增强型sdram（esdram）、同步链路（synchlink） dram（sldram）、存储器总线（rambus）直接ram（rdram）、直接存储器总线动态ram（drdram）、以及存储器总线动态ram（rdram）等。
68.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
69.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。

技术特征：
1.一种多辨识框架下的大型设备健康评估方法，其特征在于，所述方法包括：建立多辨识框架之间互相转化的置信转换矩阵；所述置信转换矩阵用于将多辨识框架之间的置信结构和推理结果建立映射关系；根据所述置信转换矩阵将多辨识框架的置信结构和推理结果转化至综合辨识框架中，在所述综合辨识框架中构建基于证据推理的大型设备健康评估模型；对所述大型设备健康评估模型的证据参数进行优化，得到最优证据参数的大型设备健康评估模型；根据所述最优证据参数的大型设备健康评估模型对大型设备的健康状态进行评估；所述建立多辨识框架之间互相转化的置信转换矩阵，包括：获取大型设备的多个健康指标，每个健康指标对应一条证据，以及所述健康指标和所述证据的辨识框架为：；其中，表示中的第个评估等级，是中评估等级的总数，表示健康指标的总数；在所述辨识框架下，所述证据的置信分布形式为：；其中，和分别表示证据支持和的置信度，，通过使用基于规则/效用的信息转换方法从观测数据中获得；构建综合辨识框架为：；其中，表示中的第个评估等级，是中评估等级的总数，在下，一条证据的置信分布形式为：；其中，和分别表示证据支持和的置信度，；构建多辨识框架与综合辨识框架的置信转换矩阵为：；
其中，表示和之间的置信转换矩阵，维度是，的第列表示第条证据的第条规则；所述方法还包括：根据所述置信转换矩阵得到结果信度矩阵和证据信度矩阵的转化关系为：；其中，是一个的结果信度矩阵，是一个的证据信度矩阵；所述在所述综合辨识框架中构建基于证据推理的大型设备健康评估模型，包括：基于证据推理构建大型设备健康评估模型为：；；；；其中，和分别表示条证据相对于和的组合置信度，表示考虑证据权重和可靠度的混合权重，且，是一个中间变量；基于所述大型设备健康评估模型对大型设备的健康评估结果的置信分布为：；当的效用为，评估结果的期望效用如下：；；；
其中，，和分别是的最大、最小和平均期望效用；对所述大型设备健康评估模型的证据参数进行优化，得到最优证据参数的大型设备健康评估模型，包括：建立用于优化所述大型设备健康评估模型的证据参数的优化模型为：；；；；；其中，表示健康评估结果和期望评估结果间的均方根误差，是总观测次数，和分别表示第次观测下的健康评估结果和期望评估结果，是评估等级的参考值，其上下界分别为和，证据权重的上下界分别为和，的上下界分别为和。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：单扰动下，获取扰动强度和扰动增量；根据所述扰动强度和扰动增量，确定扰动因子；根据所述扰动因子，构建鲁棒性判据，通过所述鲁棒性判据确定所述大型设备健康评估模型在单扰动模式下的鲁棒性。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：多扰动下，获取多个扰动的扰动强度和扰动增量；根据多个扰动的所述扰动强度和扰动增量，确定多个扰动因子；根据多个所述扰动因子的均值，构建鲁棒性判据，通过所述鲁棒性判据确定所述大型设备健康评估模型在多扰动模式下的鲁棒性。4.一种多辨识框架下的大型设备健康评估装置，其特征在于，所述装置包括：转换模块，用于建立多辨识框架之间互相转化的置信转换矩阵；所述置信转换矩阵用于将多辨识框架之间的置信结构和推理结果建立映射关系；模型建立模块，用于根据所述置信转换矩阵将多辨识框架的置信结构和推理结果转化至综合辨识框架中，在所述综合辨识框架中构建基于证据推理的大型设备健康评估模型；参数优化模块，用于对所述大型设备健康评估模型的证据参数进行优化，得到最优证据参数的大型设备健康评估模型；
评估模块，用于根据所述最优证据参数的大型设备健康评估模型对大型设备的健康状态进行评估；所述转换模块还用于获取大型设备的多个健康指标，每个健康指标对应一条证据，以及所述健康指标和所述证据的辨识框架为：；其中，表示中的第个评估等级，是中评估等级的总数，l表示健康指标的总数；在所述辨识框架下，所述证据的置信分布形式为：；其中，和分别表示证据支持和的置信度，，通过使用基于规则/效用的信息转换方法从观测数据中获得；构建综合辨识框架为：；其中，表示中的第个评估等级，是中评估等级的总数，在下，一条证据的置信分布形式为：；其中，和分别表示证据支持和的置信度，；构建多辨识框架与综合辨识框架的置信转换矩阵为：；其中，表示和之间的置信转换矩阵，维度是，的第列表示第条证据的第条规则；所述转换模块还用于根据所述置信转换矩阵得到结果信度矩阵和证据信度矩阵的转化关系为：；其中，是一个的结果信度矩阵，
是一个的证据信度矩阵；模型建立模块还用于基于证据推理构建大型设备健康评估模型为：；；；；其中，和分别表示条证据相对于和的组合置信度，表示考虑证据权重和可靠度的混合权重，且，是一个中间变量；基于所述大型设备健康评估模型对大型设备的健康评估结果的置信分布为：；当的效用为，评估结果的期望效用如下：；；；其中，，和分别是的最大、最小和平均期望效用；参数优化模块还用于建立用于优化所述大型设备健康评估模型的证据参数的优化模型为：；；
；；；其中，表示健康评估结果和期望评估结果间的均方根误差，是总观测次数，和分别表示第次观测下的健康评估结果和期望评估结果，是评估等级的参考值，其上下界分别为和，证据权重的上下界分别为和，的上下界分别为和。5.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至3中任一项所述方法的步骤。6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至3中任一项所述的方法的步骤。

技术总结
本申请涉及一种多辨识框架下的大型设备健康评估方法和装置。基于置信转换矩阵的多辨识框架转换方法，建立了证据辨识框架与评估结果辨识框架之间的映射关系，然后基于转化得到的综合辨识框架中构建基于证据推理的大型设备健康评估模型，实现了多元不确定信息的融合。然后对大型设备健康评估模型的证据参数进行优化，减小了证据参数的主观不确定性。从而能够综合利用多元不确定信息实现大型设备健康状态的准确评估，确保评估结果与实际相符。确保评估结果与实际相符。确保评估结果与实际相符。


技术研发人员：唐帅文 姜江 于海跃 孙建彬 陶敏 赵蕊蕊
受保护的技术使用者：中国人民解放军国防科技大学
技术研发日：2023.06.16
技术公布日：2023/7/22