(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110402777.0 (22)申请日 2021.04.14 (65)同一申请的已公布的文献号 申请公布号 CN 112883656 A (43)申请公布日 2021.06.01 (73)专利权人 北京理工大 学 地址 100081 北京市海淀区中关村南大街5 号 (72)发明人 马立玲　郭建　王军政　赵江波　 汪首坤　沈伟　 (74)专利代理 机构 北京理工大 学专利中心 11120 专利代理师 温子云 (51)Int.Cl. G06F 30/27(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/02(2020.01) 审查员 王金铭 (54)发明名称 一种基于正常运行数据的动力舱失效风险 评价方法 (57)摘要 本发明公开了一种涉及车辆动力舱的失效 风险评价方法， 属于自动化检测领域。 本发明首 先设计了一种可以表示不确定度的变分自编码 器， 利用仿真环境中的发生不同程度性能退化的 检测数据进行有监督预训练， 利用真实工作环境 中的采样数据进行二次无监督训练， 最终能够对 动力舱整体的失效风险进行定量评价。 本方法能 够降低实验获取数据的成本， 避免故障实验的危 险， 对于提高动力舱的安全运行 具有借鉴 意义。 权利要求书3页 说明书8页 附图3页 CN 112883656 B 2022.11.01 CN 112883656 B 1.一种基于正常运行 数据的动力舱失效风险评价方法， 其特 征在于， 包括： 步骤1、 根据动力舱实物建立动力学仿真模型， 从动力学仿真模型中提取出n个能够表 达动力舱失效状态的性能参 数θ1～ θn； 通过改变性能参 数来模拟不同故障， 收集动力学仿真 模型输出的状态数据α1～αm， 构建失效风险评 价模型的第一阶段训练样本； 所述第一阶段训 练样本中的标签为失效风险评价模型对应的一个性能参数θi， i∈[1， n]； n和m均为 正整数； 步骤2、 针对每个性 能参数， 建立可表示不确定性的变分自编码器作为失效风险评价模 型； 变分自编码器的输入由多个时刻的状态数据α1～αm组成， 输出为一个性能参数θi， i∈ [1， n]， 使用步骤1收集的第一阶段训练样本进行有监 督训练， 得到预训练模型； 步骤3、 采集真实动力舱的正常运行状态数据α1′～αm′， 在预训练模型的基础上使用正 常运行状态数据α1′～αm′进行二次训练； 二次训练过程中， 针对每一个性能参数θi对应的变 分自编码器， 提 取变分自编码器内部产生的标准差向量σi， 将标准差向量σi的各元素求平均 值， 然后n个变分自编码器的平均值进行归一化处理， 归一化后的平均值记为 uncertaintyi， 计算si＝1‑uncertaintyi， 从而生成不确 定度si， 乘以变分自编码器输出的 性能参数估计值 然后将n个乘积相加， 将相加结果与理想性能状态差值作为失效风险系 数x； 利用一段连续时刻的失效风险系数x的变化情况， 获得失效风险整体评价值； 将失效风 险整体评价值作为损失函数， 对各性能参数对应的变分自编码器进行反向传播的参数训 练； 步骤4、 将待评价动力舱实时运行时的状态数据输入n个训练好的变分自编码器， 以所 有变分自编码器输出的性能参数估计值 与自身不确定度si的乘积之和， 将和与理想性能 状态作为待评价动力舱的失效风险系数， 完成评价。 2.如权利要求1所述的动力舱失效风险评价方法， 其特征在于， 所述性 能参数包括输出 力矩、 输出转速、 稳定性和响应时间； 所述输出力矩通过在动力 学仿真模型的转矩输出处加入比例模块kt实现， 输出力矩值 采用比例模块 kt的归一化比例值表达； 所述输出转速通过在动力 学仿真模型的转速输出处加入比例模块ks实现， 输出转速采 用比例模块 ks的归一化比例值表达； 所述响应时间通过在动力 学仿真模型的转矩输出处加入延时模块tt实现， 响应时间采 用延时模块tt的归一化延时时间表达； 所述稳定性通过在动力 学仿真模型的转矩输出处加入高斯噪声模块Nt实现， 稳定性采 用高斯噪声模块 Nt的归一化高斯噪声表达； 则性能参数 3.如权利要求1所述的动力舱失效风险评价方法， 其特征在于， 所述状态数据选用进气 歧管压力、 柴油流 量、 输出转速、 输出转矩和空气流 量5种。 4.如权利要求1所述的动力舱失效风险评价方法， 其特征在于， 所述变分自编码器包括 9个全连接层； 输入层、 全连接层1、 全连接层2依次相连， 全连接层2分别通过全连接层3和全 连接层4连接采样模块； 采样模块、 全连接层5、 全连接层6和全连接层7依次相连； 输入层和权　利　要　求　书 1/3 页 2 CN 112883656 B 2全连接层7还共同接入误差重构模块； 误差重构模块输出重构误差L2， 与采样模块输出的采 样值ci拼接后， 输入全连接层8； 全连接层8接入全连接层9； 全连接层9输出本失效风险评价 对应的性能参数估计值 其中， 全连接层1、 全连接层2的输出层神经元个数依次减小， 实现降维； 全连接层5、 全 连接层6、 全连接层7的输出层神经元个数依次增大， 实现升维； 输入层的输入向量 维度与全 连接层7输出层神经元个数相同； 全连接层9的输出层神经元个数为1； 全连接层3和全连接 层4的输出层神经元个数相等且小于全连接层2的神经元个数， 以在采样之前进一步降维； 将全连接层3作为均值计算模块， 全连接层4作为标准差计算模块， 利用全连接层4输出的标 准差向量σi生成性能参数估计值 的不确定度si。 5.如权利要求4所述的动力舱失效风险评价方法， 其特征在于， 输入层的输入向量为五 种状态参数各取60个采样时刻、 展开为长度为300的一维向量； 全连接层1～9的输出层神经 元个数分别为： 5 00、 200、 20、 20、 10 0、 200、 300、 100、 1。 6.如权利要求4所述的动力舱失效风险评价方法， 其特征在于， 所述采样模块采用如下 公式计算采样值ci： 其中， w为随机产生的1 ‑20之间的随机数， μi为全连接层 3产生的均值， σi为全连接层4产 生的标准差向量。 7.如权利要求1所述的动力舱失效风险评价方法， 其特征在于， 步骤2中， 使用步骤1收 集的第一 阶段训练样本进行有监督训练时， 损失函数包括全连接层9输出 的性能参数估计 值 与样本性能参数真实值θi的误差L1， 全连接层7的输出y7和输入向量α 的重构误差L2， 采 样分布与标准分布的KL散度损失L3， 计算方法为： 将三种误差之和作为损 失函数， 通过反向传播更新变分自编码器中各神经元参数， 从 而训练收敛 得到预训练模型。 8.如权利要求1所述的动力舱失效风险评价方法， 其特征在于， 步骤3中， 所述利用一段 连续时刻的失效风险系 数x的变化情况， 获得失效风险整体评价值为： 根据失效风险系数x 计算单调性、 鲁棒 性、 时间相关性 三个方面的评价 值， 并求和， 作为失效风险整体评价 值。 9.如权利要求8所述的动力舱失效风险评价方法， 其特 征在于， 所述单调性的评价 值为： 其中， X＝{xk}k∈[1,K]是多个时刻的失效风险系数x组成的失效风险序列， xk为动力舱在权　利　要　求　书 2/3 页 3 CN 112883656 B 3