本發(fā)明涉及設(shè)備的壽命預(yù)測(cè)和健康管理領(lǐng)域，其特別涉及一種基于交叉熵法的多模式下設(shè)備的健康度評(píng)估方法及系統(tǒng)。

背景技術(shù)：

隨著現(xiàn)代智能制造業(yè)的快速發(fā)展，設(shè)備(如工業(yè)機(jī)器人)的結(jié)構(gòu)、功能和運(yùn)行環(huán)境也越來(lái)越復(fù)雜，負(fù)擔(dān)的生產(chǎn)任務(wù)和經(jīng)濟(jì)可承受性要求也越來(lái)越高。傳統(tǒng)的事后維護(hù)和定期維護(hù)方法由于缺乏對(duì)設(shè)備健康狀態(tài)的及時(shí)了解和掌握，而使維護(hù)管理缺乏可理解性、針對(duì)性和科學(xué)性。因此，探索和研究可靠的設(shè)備健康狀態(tài)評(píng)估方法，對(duì)于現(xiàn)代制造業(yè)具有十分重要的意義。

目前，健康狀態(tài)評(píng)估的主要方法可以概括為模型法、層次分析法、模糊評(píng)判法、貝葉斯網(wǎng)絡(luò)法、統(tǒng)計(jì)回歸法等。模型法建模過(guò)程比較復(fù)雜，模型的驗(yàn)證困難，且隨著模型參數(shù)的變化要對(duì)模型隨時(shí)進(jìn)行修正，因此限制了它的應(yīng)用范圍。層次分析法在確定各層結(jié)構(gòu)以及評(píng)估指標(biāo)實(shí)際上需要融合大量的專(zhuān)家知識(shí)，因此也限制了它的應(yīng)用范圍，尤其是對(duì)復(fù)雜系統(tǒng)其適用性較低。模糊評(píng)斷法在設(shè)計(jì)隸屬度函數(shù)的過(guò)程實(shí)際上也需要融合大量的專(zhuān)家知識(shí)。貝葉斯網(wǎng)絡(luò)法中貝葉斯網(wǎng)絡(luò)的建造是一個(gè)復(fù)雜的任務(wù)，需要知識(shí)工程師和領(lǐng)域?qū)＜业膮⑴c以確定其結(jié)構(gòu)、節(jié)點(diǎn)間的互相關(guān)系、先驗(yàn)概率等，在工程實(shí)際中可能是反復(fù)交叉進(jìn)行而不斷完善的一個(gè)復(fù)雜過(guò)程。

在多模式背景下，設(shè)備的正常運(yùn)行狀態(tài)可能不再是單一狀態(tài)，而很可能是一種復(fù)雜的多樣化狀態(tài)，在這種情況下進(jìn)行健康狀態(tài)評(píng)估比單模式情況下顯得更加復(fù)雜和困難，尤其是從采集到的數(shù)據(jù)中自動(dòng)地確定潛在的模式個(gè)數(shù)這個(gè)問(wèn)題，目前還沒(méi)有有效的解決方法。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明為了克服現(xiàn)有技術(shù)無(wú)法對(duì)多模式下設(shè)備的健康度進(jìn)行準(zhǔn)確評(píng)估的問(wèn)題，提供一種基于交叉熵法的多模式下設(shè)備的健康度評(píng)估方法及系統(tǒng)。

為了實(shí)現(xiàn)上述目的，本發(fā)明提供一種基于交叉熵法的多模式下設(shè)備的健康度評(píng)估方法，該方法包括：

獲取設(shè)備或設(shè)備內(nèi)一部件的健康數(shù)據(jù)和運(yùn)行數(shù)據(jù)；

對(duì)獲取到的健康數(shù)據(jù)和運(yùn)行數(shù)據(jù)分別進(jìn)行特征提取，形成健康特征數(shù)據(jù)庫(kù)和運(yùn)行特征數(shù)據(jù)庫(kù)；

根據(jù)健康特征數(shù)據(jù)庫(kù)內(nèi)的數(shù)據(jù)采用交叉熵法確定高斯混合模型內(nèi)高斯模式的個(gè)數(shù)；

根據(jù)健康特征數(shù)據(jù)庫(kù)內(nèi)的數(shù)據(jù)和確定的高斯模式的個(gè)數(shù)建立健康高斯混合模型，根據(jù)運(yùn)行特征數(shù)據(jù)庫(kù)和確定的高斯模式的個(gè)數(shù)建立運(yùn)行高斯混合模型；

計(jì)算多模式情況下健康高斯混合模型和運(yùn)行高斯混合模型的重合度；

根據(jù)計(jì)算得到的重合度評(píng)估該設(shè)備或部件的健康度。

于本發(fā)明一實(shí)施例中，高斯混合模型表示為：

其中，x表示數(shù)據(jù)點(diǎn)，μ為概率密度函數(shù)g(x；μ,∑)的中心點(diǎn)，∑為概率密度函數(shù)g(x；μ,∑)的共變異矩陣，θ＝(ω1…ωm,μ1…μm,∑1…∑m)，ω1…ωm需要滿足：

于本發(fā)明一實(shí)施例中，采用以下步驟確定高斯混合模型內(nèi)的高斯模式的個(gè)數(shù)：

步驟s31、初始化模式個(gè)數(shù)m；

步驟s32、以模式個(gè)數(shù)m用交叉熵法計(jì)算高斯混合模型；

步驟s33、判斷計(jì)算所得的高斯混合模型是否過(guò)擬合；

步驟s34、若是，輸出高斯混合模型的模式個(gè)數(shù)為m-1；

步驟s35、若否，將m加1并判斷m加1是否小于最大迭代個(gè)數(shù)mmax；

若是，重復(fù)步驟s31至s35。

于本發(fā)明一實(shí)施例中，當(dāng)計(jì)算所得的高斯混合模型內(nèi)存在任意兩個(gè)模式間的重合度大于重合度閾值λ或計(jì)算所得的高斯混合模型多個(gè)模式的最小權(quán)重ω小于權(quán)重閾值ρ時(shí)均判斷計(jì)算所得的高斯混合模型過(guò)擬合。

于本發(fā)明一實(shí)施例中，采用交叉熵法計(jì)算高斯混合模型的目的在于在所有θ的集合ω中確定使目標(biāo)函數(shù)取得最大值的高斯混合模型的參數(shù)，目標(biāo)函數(shù)為：

高斯混合模型的參數(shù)的確定步驟為：

第一步，在ω空間內(nèi)根據(jù)指定的抽樣分布函數(shù)產(chǎn)生多個(gè)隨機(jī)樣本并計(jì)算每個(gè)隨機(jī)樣本所對(duì)應(yīng)的目標(biāo)函數(shù)的值；

第二步，根據(jù)計(jì)算所得的目標(biāo)函數(shù)的值對(duì)多個(gè)隨機(jī)樣本進(jìn)行降序排序，選取前n^elite個(gè)隨機(jī)樣本更新抽樣分布函數(shù)各參數(shù)；

第三步，在滿足迭代條件的情況下，以更新的抽樣分布函數(shù)重復(fù)第一步和第二步，直到迭代終止。

于本發(fā)明一實(shí)施例中，選取抽樣分布函數(shù)為獨(dú)立高斯分布，θ的每一個(gè)參數(shù)θi都服從一個(gè)一維的高斯分布其中，為方差向量，ai為均值向量；

高斯混合模型的參數(shù)采用以下步驟進(jìn)行確定：

初始化a和b²，得到a0和b0²，并設(shè)置迭代次數(shù)t＝1；

按照產(chǎn)生θ的多個(gè)隨機(jī)樣本θ1,…θn；

根據(jù)每個(gè)隨機(jī)樣本計(jì)算目標(biāo)函數(shù)的值；

將產(chǎn)生的多個(gè)隨機(jī)樣本按照目標(biāo)函數(shù)的計(jì)算值進(jìn)行降序排列，并選取前n^elite個(gè)隨機(jī)樣本，計(jì)算前n^elite個(gè)隨機(jī)樣本的均值向量和方差向量并根據(jù)以下公式更新a和b²：

其中α為介于0～1之間的一個(gè)數(shù)值；

判斷是否滿足迭代條件；

若滿足迭代條件，根據(jù)更新后的a和b²重復(fù)步驟s323至s325，重新計(jì)算目標(biāo)函數(shù)的值，直到終止條件滿足，確定使目標(biāo)函數(shù)取得最大值的高斯混合模型的參數(shù)。

否則，迭代結(jié)束，確定高斯混合模型的參數(shù)。

于本發(fā)明一實(shí)施例中，采用以下公式計(jì)算健康高斯混合模型和運(yùn)行高斯混合模型的重合度：

g1(x；μ1,σ1)為健康高斯混合模型，g2(x；μ2,σ2)為運(yùn)行高斯混合模型。

于本發(fā)明一實(shí)施例中，采用雷達(dá)圖來(lái)表示設(shè)備內(nèi)一個(gè)或多個(gè)部件的健康度。

于本發(fā)明一實(shí)施例中，采用傳感器來(lái)采集設(shè)備或設(shè)備內(nèi)的部件的健康數(shù)據(jù)和運(yùn)行數(shù)據(jù)，獲得的數(shù)據(jù)經(jīng)特征提取后傳輸至云端，云端服務(wù)器對(duì)特征提取后的數(shù)據(jù)進(jìn)行高斯混合模型內(nèi)高斯模式的個(gè)數(shù)確定、健康高斯混合模型和運(yùn)行高斯混合模型的建立以及重合度的計(jì)算。

本發(fā)明另一方面還提供一種多模式下設(shè)備的健康度評(píng)估系統(tǒng)，該系統(tǒng)包括數(shù)據(jù)獲取模塊、特征提取模塊、模式個(gè)數(shù)確定模塊、計(jì)算模塊和評(píng)估模塊。數(shù)據(jù)獲取模塊獲取設(shè)備或設(shè)備內(nèi)一部件的健康數(shù)據(jù)和運(yùn)行數(shù)據(jù)。特征提取模塊對(duì)獲取到的健康數(shù)據(jù)和運(yùn)行數(shù)據(jù)分別進(jìn)行特征提取，形成健康特征數(shù)據(jù)庫(kù)和運(yùn)行特征數(shù)據(jù)庫(kù)。模式個(gè)數(shù)確定模塊根據(jù)健康特征數(shù)據(jù)庫(kù)內(nèi)的數(shù)據(jù)采用交叉熵法確定高斯混合模型內(nèi)高斯模式的個(gè)數(shù)。模型建立模塊根據(jù)健康特征數(shù)據(jù)庫(kù)內(nèi)的數(shù)據(jù)和確定的高斯模式的個(gè)數(shù)建立健康高斯混合模型，根據(jù)運(yùn)行特征數(shù)據(jù)庫(kù)和確定的高斯模式的個(gè)數(shù)建立運(yùn)行高斯混合模型。計(jì)算模塊計(jì)算多模式情況下健康高斯混合模型和運(yùn)行高斯混合模型的重合度。評(píng)估模塊根據(jù)計(jì)算得到的重合度評(píng)估該設(shè)備或部件的健康度。

綜上所述，本發(fā)明提供的基于交叉熵法的多模式下設(shè)備的健康度評(píng)估方法及系統(tǒng)，針對(duì)多模式下的設(shè)備或設(shè)備內(nèi)部件的工作狀態(tài)采用多個(gè)高斯函數(shù)的加權(quán)平均(高斯混合模型)來(lái)描述多模式下的數(shù)據(jù)點(diǎn)的概率密度函數(shù)，通過(guò)融合各種工況/過(guò)程下的數(shù)據(jù)來(lái)使得在無(wú)法消除多工況/過(guò)程下仍能實(shí)現(xiàn)設(shè)備或設(shè)備內(nèi)部件的健康度評(píng)估。通過(guò)在建立高斯混合模型之前確定高斯模式的個(gè)數(shù)來(lái)有效防止高斯混合模型的過(guò)擬合，提高健康度評(píng)估的準(zhǔn)確性。

為讓本發(fā)明的上述和其它目的、特征和優(yōu)點(diǎn)能更明顯易懂，下文特舉較佳實(shí)施例，并配合附圖，作詳細(xì)說(shuō)明如下。

附圖說(shuō)明

圖1所述為本發(fā)明一實(shí)施例提供的基于交叉熵法的多模式下設(shè)備的健康度評(píng)估方法的流程圖。

圖2所示為圖1中確定高斯混合模型內(nèi)的高斯模式的個(gè)數(shù)的流程圖。

圖3所示為圖2中采用交叉熵法確定高斯混合模型內(nèi)參數(shù)的流程圖。

圖4a至圖4e為采用雷達(dá)圖所展示的六軸型機(jī)器人的六個(gè)軸的cv值。

圖5所示為實(shí)施例二中已知的三個(gè)高斯混合模式概率密度函數(shù)在二維平面投影的外圍輪廓線。

具體實(shí)施方式

國(guó)際上工業(yè)機(jī)器人技術(shù)在制造業(yè)的應(yīng)用越來(lái)越廣闊，工業(yè)機(jī)器人的健康狀態(tài)預(yù)測(cè)以及壽命的評(píng)估越來(lái)越受到重視?，F(xiàn)有的設(shè)備健康度評(píng)估方法不僅過(guò)程很復(fù)雜且均需要依賴(lài)大量的專(zhuān)家知識(shí)，預(yù)測(cè)結(jié)果的準(zhǔn)確性受人為因素的干擾較大。進(jìn)一步的，現(xiàn)有的健康度評(píng)估方法只適合于單一工況下的設(shè)備的健康度評(píng)估。而在機(jī)器人領(lǐng)域中，由于占地面積小，操作容積較大而被廣泛使用的關(guān)節(jié)型機(jī)器人屬于多工況/過(guò)程下的設(shè)備，現(xiàn)有的評(píng)估方法很難對(duì)其健康度進(jìn)行預(yù)測(cè)。有鑒于此，本實(shí)施例提供一種基于交叉熵法的多模式下設(shè)備的健康度評(píng)估方法及系統(tǒng)。

如圖1所示，本實(shí)施例提供的基于交叉熵法的多模式下設(shè)備的健康度評(píng)估方法包括：獲取設(shè)備或設(shè)備內(nèi)一部件的健康數(shù)據(jù)和運(yùn)行數(shù)據(jù)(步驟s1)。對(duì)獲取到的健康數(shù)據(jù)和運(yùn)行數(shù)據(jù)分別進(jìn)行特征提取，形成健康特征數(shù)據(jù)庫(kù)和運(yùn)行特征數(shù)據(jù)庫(kù)(步驟s2)。根據(jù)健康特征數(shù)據(jù)庫(kù)內(nèi)的數(shù)據(jù)采用交叉熵法確定高斯混合模型內(nèi)高斯模式的個(gè)數(shù)(步驟s3)。根據(jù)健康特征數(shù)據(jù)庫(kù)內(nèi)的數(shù)據(jù)和確定的高斯模式的個(gè)數(shù)建立健康高斯混合模型，根據(jù)運(yùn)行特征數(shù)據(jù)庫(kù)和確定的高斯模式的個(gè)數(shù)建立運(yùn)行高斯混合模型(步驟s4)。計(jì)算多模式情況下健康高斯混合模型和運(yùn)行高斯混合模型的重合度(步驟s5)。根據(jù)計(jì)算得到的重合度評(píng)估該設(shè)備或部件的健康度(步驟s6)。

于本實(shí)施例中以六軸關(guān)節(jié)型機(jī)器人中的六個(gè)軸為例進(jìn)行說(shuō)明?；诮徊骒胤ǖ亩嗄Ｊ较略O(shè)備的健康度評(píng)估方法包括始于步驟s1。于本實(shí)施例中，該步驟包括：獲取設(shè)備內(nèi)一部件的健康數(shù)據(jù)(步驟s11)和獲取設(shè)備內(nèi)一部件的運(yùn)行數(shù)據(jù)(步驟s2)。在實(shí)際使用中，部件的健康數(shù)據(jù)和運(yùn)行數(shù)據(jù)不是在同一時(shí)刻進(jìn)行采集的。為獲得部件的健康數(shù)據(jù)，通常在部件首次投入使用或部件維修后的初次使用時(shí)就會(huì)將這些數(shù)據(jù)進(jìn)行采集并存儲(chǔ)在相應(yīng)的存儲(chǔ)器內(nèi)，以便于后續(xù)調(diào)用。于其它實(shí)施例中也可采用本發(fā)明提供的健康度評(píng)估方法對(duì)整個(gè)設(shè)備的健康度進(jìn)行評(píng)估。

在該步驟中，采用多個(gè)傳感器來(lái)采集六軸關(guān)節(jié)型機(jī)器人中六個(gè)軸在正常狀態(tài)下的健康數(shù)據(jù)和運(yùn)行數(shù)據(jù)。為能實(shí)現(xiàn)實(shí)時(shí)的遠(yuǎn)程數(shù)據(jù)監(jiān)控，于本實(shí)施例中，設(shè)置傳感器所采集到的數(shù)據(jù)通過(guò)衛(wèi)星傳輸至云端服務(wù)器，云端服務(wù)器對(duì)數(shù)據(jù)進(jìn)行特征提取、模型建立以及重合度計(jì)算后給出六軸關(guān)節(jié)型機(jī)器人中六個(gè)軸的健康讀評(píng)估。基于云計(jì)算的應(yīng)用帶來(lái)多方面的優(yōu)勢(shì)。云端分布式的環(huán)境可以提供比單個(gè)硬件設(shè)備更好、更快的計(jì)算環(huán)境。當(dāng)主計(jì)算服務(wù)器收到某段表征信號(hào)時(shí)，可以將沒(méi)有依賴(lài)關(guān)系的數(shù)據(jù)分段，分配給多個(gè)從服務(wù)器進(jìn)行并行計(jì)算；最終主計(jì)算服務(wù)器將各個(gè)從計(jì)算服務(wù)器計(jì)算結(jié)果匯總，完成預(yù)測(cè)計(jì)算。目前，hadoop和spark是當(dāng)今比較流行的開(kāi)源并行計(jì)算框架，可以根據(jù)計(jì)算的需求隨時(shí)調(diào)整從計(jì)算服務(wù)器的數(shù)量，以最快的速度完成計(jì)算。同時(shí)，由于數(shù)據(jù)和計(jì)算結(jié)果存儲(chǔ)在云端，終端用戶可以隨時(shí)、隨地通過(guò)各種終端設(shè)備訪問(wèn)數(shù)據(jù)。

當(dāng)獲取到正常狀態(tài)下的健康數(shù)據(jù)和運(yùn)行數(shù)據(jù)后，執(zhí)行步驟s2。在該步驟同樣包含兩個(gè)過(guò)程：對(duì)獲取到的健康數(shù)據(jù)進(jìn)行特征提取，形成健康特征數(shù)據(jù)庫(kù)(步驟s21)和對(duì)獲取到的運(yùn)行數(shù)據(jù)進(jìn)行特征提取，形成運(yùn)行特征數(shù)據(jù)庫(kù)(步驟s22)。步驟s21和步驟s22是兩個(gè)并列的過(guò)程，系統(tǒng)可采用兩個(gè)處理器來(lái)同時(shí)進(jìn)行這兩個(gè)過(guò)程或者任意安排兩者的先后順序。于本實(shí)施例中，通常在設(shè)備或部件首次投入使用或設(shè)備或部件維修后的初次使用時(shí)獲取健康數(shù)據(jù)并進(jìn)行特征提取形成健康特征數(shù)據(jù)庫(kù)；而在設(shè)備或部件運(yùn)行的過(guò)程中執(zhí)行步驟s22。所述特征提取為在獲取到的數(shù)據(jù)中獲取那些與部件的運(yùn)行時(shí)間密切相關(guān)(如呈一定收斂狀態(tài))的數(shù)據(jù)。于本實(shí)施例中，對(duì)六軸型機(jī)器人的每個(gè)軸進(jìn)行數(shù)據(jù)分析后發(fā)現(xiàn)每個(gè)軸的力矩均方根值與變化的最大超控速度密切相關(guān)并隨之變化，因此將力矩均方根值作為六個(gè)關(guān)節(jié)軸的特征值。在健康狀態(tài)下，將這些隨著部件的運(yùn)行時(shí)間發(fā)生變化的值集合在一起形成了健康特征數(shù)據(jù)庫(kù)，而在運(yùn)行狀態(tài)下，這些特征值的集合形成了運(yùn)行特征數(shù)據(jù)庫(kù)。為便于后續(xù)的模型建立以及健康度評(píng)估。于本實(shí)施例中，將力矩方均根值依照最大超控速度按比例縮放到一個(gè)基準(zhǔn)健康數(shù)據(jù)下，使得這些數(shù)據(jù)呈多個(gè)橢球形分布，消除多工況對(duì)數(shù)據(jù)的影響，并針對(duì)每一個(gè)模式可進(jìn)行重合度計(jì)算。然而，本發(fā)明對(duì)此不作任何限定。于其它實(shí)施例中，可將獲取到的多個(gè)特征值按照特征空間進(jìn)行劃分來(lái)消除多工況的影響，針對(duì)每一個(gè)軸進(jìn)行多模式下的健康度評(píng)估。

在采用高斯混合模型進(jìn)行數(shù)據(jù)擬合的過(guò)程中，高斯混合模型中模式的個(gè)數(shù)會(huì)直接影響高斯混合模型的有效性，不恰當(dāng)?shù)哪Ｊ絺€(gè)數(shù)會(huì)導(dǎo)致過(guò)擬合。正常的數(shù)據(jù)中該數(shù)據(jù)對(duì)應(yīng)的最合適的模式個(gè)數(shù)是三個(gè)；過(guò)擬合模式一時(shí)占總觀察樣本比例很小的數(shù)據(jù)點(diǎn)也被賦予了高斯模式，這些數(shù)據(jù)點(diǎn)往往是離群值或高噪音數(shù)據(jù)，不能代表數(shù)據(jù)的正常分布；過(guò)擬合模式二時(shí)占總觀測(cè)樣本一定比例的數(shù)據(jù)點(diǎn)被重復(fù)的賦予了高斯模式。為了提高高斯混合模型擬合的有效性，執(zhí)行步驟s3，根據(jù)健康特征數(shù)據(jù)庫(kù)內(nèi)的數(shù)據(jù)采用交叉熵法確定高斯混合模型內(nèi)高斯模式的個(gè)數(shù)。于本實(shí)施例中，采用交叉熵法來(lái)自動(dòng)確定高斯模式的個(gè)數(shù)，以抑制過(guò)擬合。

如圖2所示，具體的步驟為：

步驟s31、初始化模式個(gè)數(shù)m。

步驟s32、以模式個(gè)數(shù)m用交叉熵法計(jì)算高斯混合模型。于本實(shí)施例中，高斯混合模型表示為：

其中，x表示數(shù)據(jù)點(diǎn)，μ為概率密度函數(shù)g(x；μ,∑)的中心點(diǎn)，∑為概率密度函數(shù)g(x；μ,∑)的共變異矩陣，θ＝(ω1…ωm,μ1…μm,∑1…∑m)，ω1…ωm需要滿足：

采用交叉熵法計(jì)算高斯混合模型的目的在于在所有θ的集合ω中確定使目標(biāo)函數(shù)取得最大值的高斯混合模型的參數(shù)。其中，目標(biāo)函數(shù)為：

高斯混合模型的參數(shù)的確定思路為：

第一步，在ω空間內(nèi)根據(jù)指定的抽樣分布函數(shù)產(chǎn)生多個(gè)隨機(jī)樣本并計(jì)算每個(gè)隨機(jī)樣本所對(duì)應(yīng)的目標(biāo)函數(shù)的值；第二步，根據(jù)計(jì)算所得的目標(biāo)函數(shù)的值對(duì)多個(gè)隨機(jī)樣本進(jìn)行降序排序，選取前n^elite個(gè)隨機(jī)樣本更新抽樣分布函數(shù)各參數(shù)；最后，在滿足迭代條件的情況下，以更新的抽樣分布函數(shù)重復(fù)第一步和第二步，直到迭代終止。

于本實(shí)施例中，選取抽樣分布函數(shù)為獨(dú)立高斯分布，θ的每一個(gè)參數(shù)θi都服從一個(gè)一維的高斯分布其中，為方差向量，ai為均值向量；

詳細(xì)的高斯混合模型的參數(shù)確定如下：

步驟s321，初始化a和b²，得到a0和b0²，并設(shè)置迭代次數(shù)t＝1；

步驟s322，按照產(chǎn)生θ的多個(gè)隨機(jī)樣本θ1,…θn；

步驟s323，根據(jù)每個(gè)隨機(jī)樣本計(jì)算目標(biāo)函數(shù)的值；

步驟s324，將產(chǎn)生的多個(gè)隨機(jī)樣本按照目標(biāo)函數(shù)的計(jì)算值進(jìn)行降序排列，并選取前n^elite個(gè)隨機(jī)樣本，計(jì)算前n^elite個(gè)隨機(jī)樣本的均值向量和方差向量并根據(jù)以下公式更新a和b²：

其中α為介于0～1之間的一個(gè)數(shù)值；

步驟s325，判斷是否滿足迭代條件。于本實(shí)施例中，所述迭代條件為e為設(shè)定的一個(gè)接近于0的值。然而，本發(fā)明對(duì)此不作任何限定。

若滿足迭代條件，根據(jù)更新后的a和b²重復(fù)步驟s323至s325，重新計(jì)算目標(biāo)函數(shù)的值，直到終止條件滿足，確定使目標(biāo)函數(shù)取得最大值的高斯混合模型的參數(shù)。

否則，執(zhí)行步驟s326，迭代結(jié)束，確定高斯混合模型的參數(shù)。

步驟s33、判斷計(jì)算所得的高斯混合模型是否過(guò)擬合。于本實(shí)施例中，針對(duì)圖3b所示的過(guò)擬合模式一，判斷過(guò)擬合的條件為：計(jì)算所得的高斯混合模型內(nèi)多個(gè)模式的最小權(quán)重ω小于權(quán)重閾值ρ；針對(duì)圖3c所示的過(guò)擬合模式二，判斷過(guò)擬合的條件是：計(jì)算所得的高斯混合模型內(nèi)存在任意兩個(gè)模式間的重合度大于重合度閾值λ。通常設(shè)置權(quán)重閾值ρ大于或等于0.01且小于或等于0.1；設(shè)置重合度閾值λ大于或等于0.2且小于或等于0.6。

步驟s34、若過(guò)擬合，輸出高斯混合模型的模式個(gè)數(shù)為m-1。

步驟s35、若沒(méi)有過(guò)擬合，將m+1并判斷m+1是否小于最大迭代個(gè)數(shù)mmax。若m+1小于最大迭代個(gè)數(shù)mmax，重復(fù)步驟s31至s35。

根據(jù)確定的高斯模式的個(gè)數(shù)和健康特征數(shù)據(jù)庫(kù)建立健康高斯混合模型g1(x；μ1,σ1)(步驟s41)；結(jié)合高斯模式個(gè)數(shù)和運(yùn)行特征數(shù)據(jù)庫(kù)確定建立運(yùn)行高斯混合模型g2(x；μ2,σ2)(步驟s42)。健康高斯混合模型和運(yùn)行高斯混合模型的建立主要是確定兩個(gè)高斯混合模型內(nèi)的參數(shù)。于本實(shí)施例中，采用步驟s321至步驟s326中的交叉熵法進(jìn)行確定。實(shí)際中健康高斯混合模型的參數(shù)在確定高斯模式個(gè)數(shù)的時(shí)候就已經(jīng)確定。

在獲得準(zhǔn)確的高斯混合模型后，多模式下的部件的健康值可以用在多模式情況下兩個(gè)模型的重合度cv進(jìn)行表征(步驟s5)。具體而言，在多模式下的兩個(gè)分布g1(x；μ1,σ1)和g2(x；μ2,σ2)，先計(jì)算各模式之間的重合度，之后再對(duì)各模式間的重合度進(jìn)行加權(quán)平均。具體的公式如下：

在獲得表征健康度的cv值后，根據(jù)cv值對(duì)六軸關(guān)節(jié)型機(jī)器人的六個(gè)軸j1至j6(每個(gè)軸對(duì)應(yīng)有一個(gè)cv值)進(jìn)行健康度評(píng)估。于本實(shí)施例中，如圖4a至4e所示，采用雷達(dá)圖來(lái)表示六個(gè)軸的健康度。圖4a是以車(chē)間2008年4月27日到5月16日的力矩?cái)?shù)據(jù)建立健康數(shù)據(jù)庫(kù)所展現(xiàn)的雷達(dá)圖。從圖中可以觀察到自2008年9月8日開(kāi)始，此機(jī)器人第四個(gè)軸的cv值急劇下降，引起警惕。之后，9月15日觀察到第一軸的cv值也較之前有所下降。9月29日第一軸和第四軸的cv值繼續(xù)惡化。直到10月中旬，車(chē)間不得不對(duì)此機(jī)器人進(jìn)行維護(hù)，發(fā)現(xiàn)第四軸異常并對(duì)其進(jìn)行了零件更換。此后，直到2009年4月24日此機(jī)器人各軸cv值均維持在良好水平，正常運(yùn)行。從中可以看出，cv值較好的描述了機(jī)器人健康狀態(tài)，捕捉到了第四軸的質(zhì)量下降，而第一軸的cv值下降則是由第四軸狀態(tài)惡化所引起的，所以在第四軸得到維護(hù)后，數(shù)據(jù)也恢復(fù)正常。

本實(shí)施例提供的基于交叉熵法的基于交叉熵法的多模式下設(shè)備的健康度評(píng)估方法通過(guò)交叉熵法來(lái)準(zhǔn)確確定混合高斯函數(shù)的參數(shù)以及模式個(gè)數(shù)，使得建立的模型能更加接近實(shí)際分布，從而使得根據(jù)模型所確定的cv值能更好地表征設(shè)備內(nèi)部件的健康度。

進(jìn)一步的，本實(shí)施例還提供一種基于交叉熵法的多模式下設(shè)備的健康度評(píng)估系統(tǒng)，該系統(tǒng)包括數(shù)據(jù)獲取模塊、特征提取模塊、模式個(gè)數(shù)確定模塊、計(jì)算模塊和評(píng)估模塊。數(shù)據(jù)獲取模塊獲取設(shè)備或設(shè)備內(nèi)一部件的健康數(shù)據(jù)和運(yùn)行數(shù)據(jù)。特征提取模塊對(duì)獲取到的健康數(shù)據(jù)和運(yùn)行數(shù)據(jù)分別進(jìn)行特征提取，形成健康特征數(shù)據(jù)庫(kù)和運(yùn)行特征數(shù)據(jù)庫(kù)。模式個(gè)數(shù)確定模塊根據(jù)健康特征數(shù)據(jù)庫(kù)內(nèi)的數(shù)據(jù)采用交叉熵法確定高斯混合模型內(nèi)高斯模式的個(gè)數(shù)。模型建立模塊根據(jù)健康特征數(shù)據(jù)庫(kù)內(nèi)的數(shù)據(jù)和確定的高斯模式的個(gè)數(shù)建立健康高斯混合模型，根據(jù)運(yùn)行特征數(shù)據(jù)庫(kù)和確定的高斯模式的個(gè)數(shù)建立運(yùn)行高斯混合模型。計(jì)算模塊計(jì)算多模式情況下健康高斯混合模型和運(yùn)行高斯混合模型的重合度。評(píng)估模塊根據(jù)計(jì)算得到的重合度評(píng)估該部件的健康度。

實(shí)施例二

為驗(yàn)證基于交叉熵法的基于交叉熵法的多模式下設(shè)備的健康度評(píng)估方法的有效性，本實(shí)施例通過(guò)模擬的方式進(jìn)行驗(yàn)證。

表1給出了三個(gè)已知的高斯混合模型gmm1、gmm2和gmm3的參數(shù)。圖5直觀的繪出了這三個(gè)高斯混合模式概率密度函數(shù)在二維平面投影的外圍輪廓線，可以看到每個(gè)模型都由4個(gè)單模式組成。

表1

從表1和圖5中都可以看出，gmm2較gmm1有了一定程度的偏離，而gmm3較gmm1有了更嚴(yán)重的偏離。假設(shè)gmm1是健康高斯混合模型，gmm2和gmm3可以看成是設(shè)備或部件開(kāi)始出現(xiàn)一定衰退和出現(xiàn)嚴(yán)重衰退時(shí)的運(yùn)行高斯混合模型。

在步驟s1中，用gmm1、gmm2和gmm3這三個(gè)已知的健康高斯混合模型隨機(jī)的產(chǎn)生三組數(shù)據(jù)，每組數(shù)據(jù)包含300個(gè)數(shù)據(jù)點(diǎn)。其中，gmm1產(chǎn)生的數(shù)據(jù)為健康數(shù)據(jù)，gmm2和gmm3產(chǎn)生的數(shù)據(jù)分別為第一運(yùn)行狀態(tài)下的數(shù)據(jù)和第二運(yùn)行狀態(tài)下的數(shù)據(jù)。

執(zhí)行步驟s2，對(duì)gmm1產(chǎn)生的數(shù)據(jù)進(jìn)行特征提取，形成健康特征數(shù)據(jù)庫(kù)；對(duì)gmm2和gmm3產(chǎn)生的數(shù)據(jù)進(jìn)行特征提取，形成第一運(yùn)行特征數(shù)據(jù)庫(kù)和第二運(yùn)行特征數(shù)據(jù)庫(kù)。之后采用s3至s6進(jìn)行模式個(gè)數(shù)的確定，健康高斯混合模型、第一運(yùn)行高斯混合模型和第二運(yùn)行高斯混合模型的建立以及重合度的計(jì)算。表2中給出了gmm1和gmm2之間的實(shí)際cv值和估計(jì)的cv值，以及gmm1和gmm3之間的實(shí)際cv值和估計(jì)的cv值。

表2

所述實(shí)際cv值指的是根據(jù)最初的已知的三個(gè)高斯混合模型所計(jì)算的cv值，而估計(jì)的cv值指的是采用基于交叉熵法的基于交叉熵法的多模式下設(shè)備的健康度評(píng)估方法所計(jì)算的cv值。表2表示實(shí)際的cv值和估算的cv值非常的接近，驗(yàn)證了基于交叉熵法的基于交叉熵法的多模式下設(shè)備的健康度評(píng)估方法的有效性。

綜上所述，本發(fā)明提供的基于交叉熵法的多模式下設(shè)備的健康度評(píng)估方法及系統(tǒng)，針對(duì)多模式下的設(shè)備或設(shè)備內(nèi)部件的工作狀態(tài)，采用多個(gè)高斯函數(shù)的加權(quán)平均(高斯混合模型)來(lái)描述多模式下的數(shù)據(jù)點(diǎn)的概率密度函數(shù)，通過(guò)融合各種工況/過(guò)程下的數(shù)據(jù)來(lái)使得在無(wú)法消除多工況/過(guò)程下仍能實(shí)現(xiàn)設(shè)備或設(shè)備內(nèi)部件的健康度評(píng)估。通過(guò)在建立高斯混合模型之前確定高斯模式的個(gè)數(shù)來(lái)有效防止高斯混合模型的過(guò)擬合，提高健康度評(píng)估的準(zhǔn)確性。

雖然本發(fā)明已由較佳實(shí)施例揭露如上，然而并非用以限定本發(fā)明，任何熟知此技藝者，在不脫離本發(fā)明的精神和范圍內(nèi)，可作些許的更動(dòng)與潤(rùn)飾，因此本發(fā)明的保護(hù)范圍當(dāng)視權(quán)利要求書(shū)所要求保護(hù)的范圍為準(zhǔn)。