一种危险品销毁设备子系统级的健康状态评估方法

摘要

本发明一种危险品销毁设备子系统级的健康状态评估方法，包括以下几个步骤：步骤一：健康状态分级；步骤二：计算子系统包含的各个部件级设备的健康度；步骤三：计算子系统包含的部件级设备集合联接的整体健康度；步骤四：计算由子系统级状态数据表征的率模可靠度；步骤五：子系统级的整体健康度计算；步骤六：依据健康度不同数值范围，进行健康状态评估。该方法综合考虑子系统包含部件的健康度、各部件的连接方式，以及子系统的状态数据的健康度，并利用率模可靠度较好地融合了各状态变化影响。通过率模可靠度反映健康度，可描述子系统的整体健康状态的细微变化，有助于实现对装备健康状态实时、全面监控与预警，方法通用性强，便于工程实现。

说明书

【技术领域】

本发明涉及一种危险品销毁设备子系统级的融合状态数据的组合式健康状态评估方法。该方法主要是基于率模可靠性，融合了子系统所包含各部件的健康度与子系统自身状态数据的率模可靠度进行的健康状态评估，解决了数据小样本、设备自身参数与作业状态参数等多信息融合的健康状态评估问题。属于复杂装备健康状态评估领域。

【背景技术】

危险品销毁设备利用高温焚烧和尾气净化等技术处理各类危险品，包括：各种有毒化学品、发烟剂，含刺激剂的控暴弹药装药等。销毁装备的结构复杂、技术含量高。销毁作业处于高度危险状态，对其完好率、安全性要求极高，迫切需要对销毁设备进行健康状态评估，对可能发生的故障进行提前判断和报警，避免事故发生。

复杂设备或系统按体系结构特点划分，通常可分为部件级-子系统级-系统级三级。子系统也可称为分系统，由下一级的多个部件级的设备组合而成。在销毁设备这一类流程式系统中，子系统除包括下一级的部件级的设备外，还形成了具有新增特定功能的一个新的“设备”，这个新的“设备”，也就是子系统自身的功能也会有一些代表自身性能的参数。这些参数是子系统本身所特有的，而不是子系统包含的部件级设备自身所特有的，子系统自身特有的新增功能的可测状态参数称为子系统的运行状态参数。

目前，系统健康状态评估的方法有很多，常见的方法有：模型法、层次与模糊评判法、人工神经网络法、基于贝叶斯网络的方法等。这些方法各有其优点与适应范围。一般评估子系统健康状态时，通常只考虑组成子系统的各部件及其结构问题。销毁设备的燃烧子系统所包含的各部件组合在一起又形成具有除部件功能以外的新功能，组成复杂。对于由多个部件形成的子系统产生了新的状态参数，单一的评估方法难以较好解决这类系统的健康状态评估。对于如何较好评估设备部件自身参数与子系统作业状态参数等多信息融合的健康状态评估，成为需解决的问题。

北航蔡开元教授在20世纪90年代提出了率模可靠性理论，是将经典可靠性理论中的概率假设和模糊可靠性理论中的模糊状态假设相结合的理论，隶属于模糊可靠性理论。该理论已经成功应用于ACT验证机，锂电池及计算机通信网络等不同系统，可较好地对设备的多种状态分析提供理论基础，符合设备健康状态评估的需求。率模可靠性指标主要有系统的率模可靠度、平均模糊故障时间、率模故障率等，反映了系统的性能与可靠性的特性，因此可看作是与性能相关的评估指标。

我们综合考虑反映子系统级新增的功能表现出的可测状态值、所包含的部件及相互关系，基于率模可靠性理论的多状态，提出销毁设备子系统的组合健康状态评估方法，解决了数据小样本、设备自身参数与作业状态参数等多信息融合的健康状态评估问题。

【发明内容】

1、目的：本发明的目的是提供一种危险品销毁设备子系统级的健康状态评估方法，该方法综合考虑子系统包含部件的健康状态、各部件的连接方式，以及子系统特有的状态数据的率模可靠度，解决了危险品销毁设备子系统等复杂装备子系统的多信息融合的健康状态评估问题，较好地融合了部件级设备和子系统本身运行状态的情况，可实现区分子系统的整体健康状态的细微变化，为该类复杂装备子系统级的健康状态评估提供了一种新的方法。

2、技术方案：本发明设计一种危险品销毁设备子系统级的健康状态评估方法。其设计思想是：首先从系统体系结构角度划分部件级与子系统级，然后先计算子系统各个组成部件的健康度；接着依据子系统包含各个部件级设备的联接方式计算部件级集合的健康度；其次计算子系统级的自身运行状态的率模可靠度来反映为子系统状态的健康度；最后，通过部件级集合的健康度和子系统级自身运行状态的率模可靠度相组合，综合计算子系统的整体率模可靠度。通过率模可靠度来反映子系统的健康状态。

下面结合流程图2中的步骤，具体介绍该方法的技术方案。

步骤一：健康状态分级

从某种程度上说，系统的健康状态是指系统设备保持一定可靠性水平的能力，是系统在使用状态下可靠度保持在一定范围(保证系统完成预定功能的前提下)的置信水平。那么可以采用健康度来定量度量系统、设备或零部件的健康状态。假定R表示系统的健康度，即健康状态的概率，取值范围为[0，1]。当R＝0时，表示系统极不健康，设备或零部件处于严重故障状态；当R＝1时，表示系统完全健康，设备或零部件则处于100％健康状态。一般使用中系统的健康度介于两者之间。

健康状态等级依据健康度R确定，依据R不同数值范围将系统分为n个不同健康状态等级。

通过计算得到系统的健康度R，比较R处于的范围，进而可以确定当前系统所处的健康状态等级。

步骤二：计算子系统包含的各个部件级设备的健康度

将复杂设备或系统按体系结构特点划分，可分为部件级-子系统级-系统级三级。其中部件级设备的特点是结构简单，可以通过各种途径建立其相对准确的模型从而对其进行基于模型的健康状态评估。常用健康状态评估方法为：模型法、层次与模糊评判法、人工神经网络法及基于贝叶斯网络的方法等。在模型法中，常用健康状态评估方法为：(1)物理模型、(2)基于知识库模型、(3)数据挖掘模型、(4)组合模型。

针对部件的特点，选择相应方法计算出各部件的健康度H。

步骤三：计算子系统包含的部件级设备集合联接的整体健康度

对于部件级的设备集合S₀＝{A₁,A₂,…,A_n}，其健康度R与设备的联接形式有关，其典型联接形式包括串联、并联、混联、表决器联接方式等。如图3所示。

1.串联形式(其n个部件级的设备通过串行联接在一起构成子系统，只有n个部件级的设备都正常工作子系统才正常工作；其中一个部件级的设备失效，则子系统功能失效。)

若A₁,A₂,…,A_n串联(图3(a)所示)，则设备集合S₀的健康度为：

$>R_{S_0}=\underset{i=1}{\overset{n}{\Pi }}{R}_{A_i}---\left(1\right)$>

2.并联形式(其n个部件级的设备通过并行联接在一起构成子系统，其中任意一个部件级的设备正常工作子系统就能正常工作；只有n个部件级设备失效，则子系统功能才失效。)

若A₁,A₂,…,A_n并联(图3(b)所示)，则设备集合S₀的健康度为：

$>R_{S_0}=1-\underset{i=1}{\overset{n}{\Pi }}(1-R_{A_i})---\left(2\right)$>

3.混联形式(其部件级的设备由串联和并联混合组成，形成混合联接形式)

若A₁,A₂,…,A_n混联(图3(c)所示)，则设备集合S₀的健康度为：

$>R_{S_0}=\underset{i=1}{\overset{k}{\Pi }}{R}_{A_i}·[1-\underset{i=k+1}{\overset{n}{\Pi }}(1-R_{A_i})]---\left(3\right)$>

4.表决器形式(n个部件级的设备组成的子系统，至少其中K个部件级设备正常工作，子系统才能正常工作，大于(n-k)个部件级的设备失效，子系统就失效。这样系统形成表决器形式)

若A₁,A₂,…,A_n为n中取k模型(图4所示)，则设备集合S₀的健康度为：

$>R_{S_0}=\underset{i=k}{\overset{n}{\Sigma }}\left(\begin{array}{c}n\\ i\end{array}\right)\underset{k}{\overset{i}{\Pi }}{R}_{A_k}·\underset{k}{\overset{n-i}{\Pi }}(1-R_{A_k})---\left(4\right)$>

5.复杂形式(其部件级的设备联接不是上述四种形式，结构复杂联接在一起构成子系统)

由串联形式、并联形式、表决器形式等典型系统，构成的复杂系统可靠度的计算，可以借助由最底层向上，一层一层得逐级评定，从而得到典型系统构成的复杂子系统的健康度结果。

步骤四：计算由子系统级状态数据表征的率模可靠度

基于状态数据的健康度是计算可测状态参数数据值的率模可靠度，进而评估该系统的健康状态。该方法不依赖于系统模型，只需要该子系统状态参数的实时测量值，适用于未知系统模型的健康状态评估。利用子系统本身运行状态数据来确定多参数的系统健康状态方法如下：假设子系统S包含表征分系统运行状态的参数α＝{a₁,a₂,…,a_n}，状态参数的集合可以看作是一个新的设备，有

R_α＝f(w,a)(5)

其中，w表示子系统状态参数集合对子系统健康状态的影响权重，f表示率模可靠度算法。

具体计算步骤分为四步：

1.确定反映子系统运行的状态数据

选择能够反映子系统的关键参数，或者能够表征子系统性能变化的参数作为该子系统的健康指标，通过对该状态参数的分析，获取反映系统的健康状态。

2.采集数据预处理

原始数据在采集过程中，往往会出现采集频率不统一，过采或漏采现象。因此，需要对数据进行预处理。对于过采现象，往往采用重采样的方法；对于漏采现象或者采集数据量少时，需要对采集到的数据进行插值处理，可以选用三次Hermite插值法进行插值。

3.各状态参数的率模可靠度的计算

由率模可靠性相关健康状态的理论知，定义一个模糊事件B，在初始时刻t₀系统处于模糊成功状态。这里，系统在初始时刻t₀的状态被考虑。

首先，假设两个模糊时间如下：

A＝{T_SF在时间[t₀,t_o+t]内不发生}

B＝{系统在t₀时刻处于模糊成功状态}

那么，在t时刻率模可靠度R(t)也称为率模健康度，被定义为：

$>R\left(t\right)=1-P\left(\bar{A}\right|B)·P\left(B\right)-P\left(\bar{B}\right)$>

其中：

$>p_{ij}(t_0,t)=\frac{n_{ij}(t_0,t)}{N_i(t_0,t)}=\frac{n_{ij}(t_0,t)}{\underset{j=1}{\overset{n}{\Sigma }}{n}_{ij}(t_0,t)}---\left(7\right)$>

$>\phi \left(t\right)=\left({\phi }_{S_1}\right(t),{\phi }_{S_2}(t),\mathrm{...}{\phi }_{S_n}(t\left)\right)\in R^{n\times 1}$>

φ(t)＝P(t₀,t)·φ(t₀)(8)

上述公式中的参数，其中P_ij(t₀,t)代表系统在时间(t₀,t_o+t)内，系统从S_i状态转移到S_j的概率大小；代表系统隶属度；代表系统在t₀时刻处于状态S_i的状态概率；μ_S和μ_F代表处于模糊成功或模糊故障的隶属度。n_ij(t₀,t)代表[t₀,t]时间间隔从S_i状态转移到S_j状态的数；φ(t)代表t时间此系统状态概率向量；(i＝1，2，……，n)代表在时间t系统状态S_i的概率。

4.基于状态数据的多状态参数健康度计算

利用式(5)计算子系统基于状态数据的率模可靠度。

步骤五：子系统级的整体健康度计算

假设子系统S包含n个部件级的设备S₀＝{A₁,A₂,…,A_n}，以及表征分系统运行状态的参数α＝{a₁,a₂,…,a_n}，则子系统健康状态同时由子系统所包含的下一级部件级的设备健康状态以及子系统本身运行状态参数的健康状态组合确定。此时，子系统的结构为S＝{S₀,α}，可得子系统的健康度为：

$>R_S=-w_1{R}_{S_0}+w_2{R}_{\alpha }---\left(9\right)$>

其中，代表子系统包含的部件级的设备集合的健康度；R_a代表子系统的状态参数的率模可靠度；w₁,w₂分别表示子系统的部件级设备集合和子系统状态参数集合对子系统健康状态的影响权重，具体可根据安全性和可靠性等分析得出，并需结合实际工程应用确定。

步骤六：依据健康度不同数值范围，进行健康状态评估

通过上一步计算得到的R，比较R处于的范围，进而可以确定当前子系统所处的健康状态等级状态。即依据健康度的值，根据事先确定的健康状态等级(步骤一)，将子系统级的整体健康度计算值与健康状态区间对比，得出子系统级的健康状态等级。

因此，当系统运行时，系统健康状态通过健康度R的值来表现，并结合工程实际进行确定分级的级限，从而确定系统健康状态等级。

3、优点及功效：本发明提供了一种危险品销毁设备子系统级的融合状态数据组合式健康状态评估方法。其优点是综合考虑子系统包含部件的健康度、各部件的连接方式，以及子系统的状态数据的健康度，并利用率模可靠度较好地融合了各状态变化影响。通过率模可靠度反映健康度，可描述子系统的整体健康状态的细微变化，有助于实现对装备健康状态实时、全面监控与预警，方法通用性强，便于工程实现。

【附图说明】

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1是危险品销毁设备的燃烧子系统组成。

图2是本发明方法流程框图。

图3a是设备串联形式。

图3b是设备并联形式。

图3c是设备混联形式。

图4是设备表决器联接形式。

图5是传感器测量子系统状态数据。

图6是一燃室温度随时间变化分布图及插值处理后数据。

图7是一燃室温度的隶属度函数。

图8是一燃室温度的率模可靠度曲线。

图9是二燃室温度的率模可靠度曲线。

图10是炉膛压力的率模可靠度曲线。

图11是油箱液位的的率模可靠度曲线。

图12是燃烧子系统的基于状态的率模健康状态曲线。

图13是燃烧子系统健康评估结果曲线。

【具体实施方式】

本发明提供一种基于率模可靠性理论的危险品销毁设备子系统的组合率模健康状态评估方法，主要设计三项内容：设计子系统包含部件级设备集合联接的率模可靠度计算；设计利用状态数据计算由状态数据表征的子系统的率模可靠度；设计子系统的整体率模可靠度计算。

销毁设备的燃烧子系统主要由一号燃烧器、二号燃烧器、供风装置、供油泵和紧急降温装置组成，其中，燃烧子系统的燃烧温度就是燃烧子系统所特有的状态参数，它是由燃烧器、供风装置共同形成的子系统特有参数。子系统主要结构如图1所示。

本实施例的数据来源于2009年7月9日销毁设备的传感器测量数据，数据形式如图5。数据计算过程是在CPU主频2.93GHz、内存3.00GB计算机上的Matlab2010a环境下进行。实施步骤如下：

步骤一：计算燃烧子系统各个组成部件的健康度

利用传感器测量数据，基于模型的健康状态评估方法，分别计算出燃烧子系统各个组成部件的健康度R_Ai。

步骤二：计算子系统包含部件级设备集合联接的健康度

燃烧子系统所包含的各部件级设备的联接形式为串联，则由公式(1)计算出

步骤三：利用状态数据计算由状态数据表征的子系统的率模可靠度

1.确定反映系统运行的状态参数

销毁设备燃烧子系统作为设备的核心子系统，其作用是通过高温燃烧使物质分解，而体现系统特定性能的状态参数为一燃室温度、二燃室温度、炉膛压力及油箱液位。

2.数据预处理

计算率模可靠度需要满足大数定律，要做到系统在线健康状态评估，需要大数据量。因此，需要对原始数据插值处理。以一燃室温度为例，分别利用线性插值、三次样条插值和三次Hermite插值三种插值方法对原始数据进行插值，插值后数据点之间的间隔为5s，如图6所示。

3.各参数健康隶属度确定

以一燃室温度为例，一燃室温度的正常范围为700-900℃，且可以高于900℃，不能低于700℃。在这里选择如下图所示的隶属度函数。设置正常范围的下限阈值为720的主要原因是考虑到若设置为700，则当算法计算出健康状态下降时，已造成严重的后果。设置正常范围的下限为720可以检测出温度下降的趋势，即系统逐渐脱离健康状态的趋势，可以提前发现问题，防患于未然。其隶属度函数如图7所示。

4.各参数率模可靠度计算

以一燃室温度的率模可靠度为例进行计算，取数据采样周期T＝5s，从图5的数据曲线图中每隔5s取一次温度，将取得的温度值t₀,t₁,…t_n代入公式(7)中，即可得到每隔5s的温度的状态转换概率p_ij(t₀,t)；再将取得的温度值代入一燃室温度隶属度函数中，即得到对应的φ(t_i)，则根据公式(8)可得到φ(t)。根据由公式(6)可计算出一燃室温度的率模可靠度值，绘制曲线如图8。同理可得其他参数的率模可靠度值，绘制曲线如图9、10、11。

5.基于状态数据的多参数健康状态计算

依据公式(5)，燃烧子系统基于状态数据的率模可靠度R为：

R＝w₁·R_一燃室+w₂·R_二燃室+w₃·R_炉膛压力+w₄·R_油箱液位

取w₁＝0.3,w₂＝0.3,w₃＝0.2,w₄＝0.2，则燃烧子系统的健康状态曲线，如图12所示。黑色实线代表燃烧子系统的健康状态变化，油箱液位始终为1，其他线代表各状态数据的健康状态变化。由该实例可看出基于状态数据的健康状态评估能够从系统的各状态参数中获取系统性能变化信息，进而以率模可靠度的形式给出系统的健康状态变化，较好融合各参数变化信息。

步骤四：燃烧子系统的整体率模可靠度计算

依据公式(9)，子系统的健康状态不仅取决于状态参数，还取决于子系统下的部件级设备，取w₁＝w₂＝0.5，则燃烧子系统最终的健康评估结果如图13所示，图中含A标志的线(最上面的)表示部件组合后的率模可靠度，中间的虚线表示子系统的率模可靠度，黑色实线(最下面的)表示状态参数的率模可靠度。详细数据见表1。

表1子系统级的率模可靠度计算结果

步骤五：依据率模可靠度不同数值范围被分级为不同健康水平，进行燃烧子系统的健康状态评估

表2子系统级的健康状态评估结果

总结上面的设计与示例，可以得出结论：本方法构建了一种子系统级的率模健康状态评估的通用方法，较好地融合了部件级设备和子系统本身运行状态的情况，可实现区分子系统的整体健康状态的细微变化，能够很好地实现设备的健康状态健康评估与监测。