系统健康因子对系统状态判断的实例

本文根据上述内容建立转运伺服驱动系统的3层改进小波神经网络预测模型，该模型通过建立弹库控制系统工作数据与系统健康因子之间的关系，实现对系统健康参数的预测。表1所示为实际测试及专家分析得到的部分训练样本。

表1　部分训练样本

将模型的输入数据采用［－1，1］范围的归一化方式进行处理，输出数据因其本身在［0，1］范围之内，所以不对其做归一化处理。通过对大量的样本进行训练，不断对各层之间的权值、阈值，小波系数，网络学习速率进行调整，直至达到系统的精度要求，经过训练后的神经网络即可用于参数预测。预测实例如表2所示。

表2　预测实例

按系统健康因子的取值范围，可将系统状态分为健康状态（0，0.4］、亚健康状态（0.4，0.7）、故障状态［0.7，1］3种情况，从而可依据预测健康因子来判断系统所处状态［5］。各特征参数的正常范围如表2第一行所示，其均来自专家分析及现场实验测试。其中，X3，X5，X7的范围与X1相同。由表2可知，当系统部分特征参数处于正常范围边缘时，当前系统为亚健康状态；当系统部分特征参数超出正常范围时，当前系统为故障状态。(www.xing528.com)

对系统30组特征数据进行预测准确度验证，测试结果如图4所示。

图4　测试结果

由图4可知，系统实际的健康因子和系统预测得到的健康因子基本一致，准确率较高，实例表明改进小波神经网络模型适用于本健康管理系统的参数预测。