本发明涉及评估领域，具体为一种多专家联合置信规则库复杂系统健康状态评估方法。
背景技术：
1、复杂系统广泛应用于航空航天、轨道交通、电力系统等领域。随着系统累计工作时间的增加，系统可能会发生故障，进而影响系统的安全性和可靠性。由于这些系统具有多维度、多单元以及过程之间的复杂耦合，这使得它们在机制、功能和行为方面不同于简单系统，因此对其进行健康状态评估更加复杂。所以如何准确的，可靠的评估复杂系统的健康状态是一个至关重要的问题。
2、在目前的健康状态评估方法研究中，代表性的有基于模型驱动的健康评估方法，基于数据驱动的健康评估方法、基于知识的健康评估方法、还有基于半定量的健康评估方法。基于模型驱动的健康评估方法，物理模型由相关领域的专家设计，通过深入了解设备运行和退化的本质，但是由于生产过程中所涉及的复杂运行机制，开发合适的物理模型具有挑战性，首先构建这种模型时经常会做出许多假定前提，这些前提简化了模型，但是却牺牲了对实际模型的保真度。这些建模方法经济成本高、适用性低，建模复杂度高。基于数据驱动的方法，分为机器学习和统计模型。这类方法定义的系统健康状态通过故障阈值评估系统的健康状态，但他们的建模过程不透明，并且需要大量样本，因此数据驱动模型结果的合理性无法完全令人信服。基于知识的方法，通过机制分析，根据专家提供的知识来评估复杂系统的健康状态，但是由于完整、准确的复杂系统知识难以提取，并且受限于专家知识的不确定性，最终会导致健康状态评估结果的准确性受到影响。相比之下，半定量的方法，使用知识与数据对复杂系统进行建模，在评估复杂系统的健康状态方面显得更为直观有效，它已广泛应用于健康状态评估，故障检测，风险评估等方面。
3、置信规则库(brb)作为一种半定量的方法，它利用专家的知识构建初始置信规则，然后利用观测数据调整置信规则的参数。置信规则库(brb)因其非线性建模能力和处理不确定性的强大优势而受到广泛关注。是基于证据推理(er)算法、模糊理论和if-then规则而开发的。brb具有良好的不确定性信息处理能力，能够准确地对各种不确定性信息进行建模。是一种可解释的建模方法，即使在小样本数据下也能获得较高的精度。这些特性使brb在复杂系统健康状态评估方面具有良好的前景。其专家知识库可以有效地为复杂系统建模做出贡献，能初步解决复杂系统单靠主观判断无法满足实际系统需求的问题。
4、然而，在一般的brb模型中，都会假设专家对系统机制的认知能力满足模型精度要求，并且该领域专家的数量也满足模型精度要求。但在实际的工程实践中由于专家的认知水平不同，相关领域专家的数量并不一定满足模型的要求。所以在复杂系统健康状态评估方法中，需要考虑两个问题。首先，由于专家认知能力的不一致，导致的专家信息不统一存在分歧，还有相关领域存在的专家孤岛现象，如何有效的对专家知识进行融合。其次，对于普通的鲸鱼优化算法，其容易陷入局部最优，达不到理想的优化效果，所以要选择一个合适的优化算法来保证优化结果不会陷入局部最优解以及在优化过程之中，如何保证多专家模型的有效性，使其专家数量不会发生退化甚至成为普通的单专家的brb模型，基于此，本发明提出了一种多专家联合置信规则库复杂系统健康状态评估方法。
技术实现思路
1、本发明的目的在于提供一种多专家联合置信规则库复杂系统健康状态评估方法，以解决上述背景技术中提出的问题。
2、为实现上述目的，一种多专家联合置信规则库复杂系统健康状态评估方法，包括如下步骤：
3、步骤s1，多专家知识融合方法体系构建；
4、步骤s2，基于多专家联合置信规则库的复杂系统健康状态评估模型建立；
5、步骤s3，适合于多专家联合置信规则库的多种群鲸鱼优化算法的建立；
6、步骤s4，基于多专家联合置信规则库的复杂系统健康状态评估。
7、作为优选的：所述步骤s1在多专家联合置信规则库模型中其参考值、属性权重、规则权重、输出置信度以及专家约束由每个专家给出。
8、作为优选的：所述参考值的融合可以表示为式(1)
9、
10、参考值的个数也由专家所确定，其中υr表示第r个专家的专家权重，其由专家领域及其认知能力确定，除此之外还可以靠观测的数据训练来决定，和表示第k条规则的第n-1个，n个和第n+1个参考值，r是建模过程中专家的数量；
11、所述输出置信度的融合brb-me模型的置信度可以表示为式(2)
12、
13、需要说明的是，受专家知识不完备性的影响，输出置信度之和小于等于1；
14、所述属性权重反映了每个属性表达系统状态的能力和相对重要性，专家确定的属性权重可以进一步组合为式(3)
15、
16、其中是第r个专家给出的第m个属性的权重；
17、所述置信规则权重表示其在规则库中的相对重要性，多位专家共同设定置信规则权重可以通过式(4)计算
18、
19、其中是第k个属性的权重，由第r个专家给出。
20、所述专家约束反应了专家对于输出水平的认知，约束的上下界限制了优化后的各项参数，多专家联合约束的上界可以表示为(5)，下界可以表示为(6)
21、
22、
23、其中和分别为第r个专家给出的第k个规则的第n个输出的约束上界和下界。
24、作为优选的：所述步骤s2的brb-me模型中，应用了多个专家的知识，模型输入和输出之间的关系由置信规则表示，第p个专家给出的第k条if-then置信规则表示：
25、
26、其中b为brb-me模型的输出，其中表示参考值，ωk是第k条规则的权值，ξi(i＝1,2,...,m)表示第i个属性的权重，其中m表示属性的个数。αi(i＝1,2,…,n)表示预测的结果，γi,k(i＝1,2,…,n)表示对应的置信度，其中n表示输出结果的个数，是r个专家给出的参数。
27、作为优选的：所述brb-me模型中的输入属性应通过以下公式转换为统一格式：
28、
29、其中是第i个输入特征与第j个置信规则的匹配程度，和分别是第k个和第k+1个置信规则中的参考点，yi表示(7)中定义的输入属性，l表示brb-me模型中置信规则的数量，输入属性的匹配度可以通过与属性参考点的比较，将多源信息转化为统一的框架。
30、作为优选的：所述brb-me模型中，不同的信念规则在不同的属性输入下发挥不同的作用，激活权重表示信息输入下的置信规则，可以通过以下式获得：
31、
32、
33、
34、其中ψk是第k个置信规则的激活权重，εk表示所有输入特征与第k条置信规则的匹配程度。表示第i个输入属性的相对权重。
35、利用er分析算法的规则推理得到最终的置信度，计算公式如下：
36、
37、
38、其中γn代表结果的置信度，μ代表中间参数，获得评估结果的置信分布，
39、s(x)＝{(αn,γn)；n＝1,2,...,n} (14)
40、其中x表示输入变量，最终得到模型的健康状态评估结果，
41、
42、其中μ(αn)表示健康状态αn的效用值。
43、作为优选的：所述步骤s3多种群鲸鱼优化算法(mewoa)种群划分成三类：开发子种群、探索子种群、适度子种群，
44、1)开发子种群，用于加快收敛速度，快速找到全局最优解，当个体接近当前最优解时，它会搜索周围的区域。这种行为称为局部搜索，可以提高收敛速度和求解精度，由于开发子种群的适应度接近当前最优解，因此开发子种群专注于执行局部开发，以提高收敛速度和求解精度，开发子种群的迁移策略详见等式(34)，开发子群体中的个体通过围绕当前最优解进行深度局部搜索来演化其位置，详见式(19)，
45、r2＝2·rand[0,1] (16)
46、x(t+1)＝x*(t)·r2 (17)
47、其中r2为随机数，其值在[0,2]之间，x*(t)为当前最优解的位置向量，通过当前最优解位置向量的增减来替代个体在开发子种群中的位置，从而实现在当前最优解周围区域的搜索，这种进化策略可以充分利用当前最优解的位置信息来加快收敛速度，提高求解精度；
48、2)适应度差的个体构成探索子种群，探索子种群中的个体由于适应度差而远离当前最优解，因此让其进行全局探索，寻找新的解区域。探索子种群的迁移策略采用探索阶段方式，如式(36)，探索子群体中的个体通过增加位置向量的绝对值来拓宽搜索范围，以增强全局探索能力，式(21)表示了探索子群体的演化过程，
49、r1＝rand[0,1]+1 (18)
50、x(t+1)＝x(t)·r1 (19)
51、其中r1是[1,2]之间的随机数，如果当前位置是局部最优，则式(19)可以帮助个体以一定的概率逃离局部最优，这是因为在式(19)的作用下，当前位置向量的绝对值会增加，允许个体探索远离当前位置的其他区域，之后mewoa可以搜索其他区域，使全局探索能力更加强大；
52、3)剩下的个体构成了一个适度的子种群，其个体适应度介于好与差之间，可以用来平衡探索和开发，适度子种群中的个体要么探索寻找新的解决方案，要么局部开发以提高收敛速度，以实现探索和开发之间的随机平衡,其迁移策略如式(22)所示，
53、
54、适度子群体中的个体根据对立学习(obl)进化他们的位置，从式(24)可知，
55、
56、
57、其中lb是问题空间下界，ub是上界，fit()是目标函数，是基于对立学习的新位置，
58、当所有个体的位置更新后，下一次迭代立即进行种群进化，规定mewoa在t为奇数时进行位置更新，在t为偶数时进行种群进化；t表示当前迭代次数，因此，mewoa执行位置更新和群体进化的概率各为50％，在每次迭代后，都会根据所有个体当前的适应度重新排名，因此，每个子种群中的个体随着每次迭代而动态更新。
59、作为优选的：所述步骤s3多种群鲸鱼优化算法包括如下步骤，
60、第一步：构建目标函数，普通的锂离子电池健康状态评估模型精度有限，为了获得更准确的模型，通过mewoa优化后的brb-me模型的目标函数描述如下：
61、min{mse} (23)
62、
63、其中m表示训练数据的数量，c和分别表示brb-me模型的锂离子电池健康状态的预测值和真实值；
64、第二步：鲸鱼通过式(30)更新它们的位置以达到接近鲸鱼捕捉食物的最佳位置，
65、d＝|c·x*(t)-x(t)| (25)
66、a＝2a·ra-a (26)
67、c＝2·rb (27)
68、x(t+1)＝x*(t)-a·d (28)
69、其中，t为当前迭代次数，·为元素间乘法，x*(t)为最佳鲸鱼的位置向量，x(t)为需要更新位置向量的鲸鱼，a和c是系数向量，其中ra和rb是[0,1]之间的两个随机向量，向量a与迭代次数成正比从2到0线性递减；
70、第三步：气泡网攻击方法
71、woa的气泡网攻击方法是使用式(32)完成的，
72、d'＝|x*(t)-x(t)| (29)
73、x(t+1)＝d'·ebl·cos(2πl)+x*(t) (30)
74、其中，d'表示当前鲸鱼与最佳鲸鱼之间的距离，b是常数，通常设置为1，l是[-1,1]之间的随机数；
75、第四步：多专家约束
76、在优化阶段，将专家权重进行限制，
77、υr≥k,r＝(1,2,…,r) (31)
78、其中υr表示属于第r个专家的专家权重，k表示多专家约束的下限；
79、第五步：开发阶段
80、鲸鱼沿着螺旋路径以不断缩小的圈子围绕着猎物游动，鲸鱼有50％的可能选择包围猎物，50％的可能采取气泡网攻击方式的这个过程通过式(34)实现，
81、
82、其中p是[0,1]之间的随机数；
83、第六步：探索阶段(寻找猎物)
84、当|a|＞1时，鲸鱼选择随机移动进行全局探索，其数学模型如式(36)所示。
85、d＝|c·xrand(t)-x(t)| (33)
86、x(t+1)＝xrand(t)-a·d (34)
87、其中xrand(t)是第t次迭代时在当前种群中随机选择的鲸鱼，|a|是a的绝对值。
88、本发明相较于现有技术，其有益效果为：
89、本发明实现了复杂系统在多专家知识建模下的健康状态评估，解决了单专家知识不完备以及专家孤岛情况，一是建立一个多专家知识融合方法，对多专家知识进行融合；二是采用多专家联合置信规则库建立复杂系统健康状态评估模型，对复杂系统健康状态进行建模；三是采用一种适合于多专家联合置信规则库的多种群鲸鱼优化算法对模型参数进行优化，以保证多专家模型的有效性和准确性，本发明能够综合多位专家的专家知识，实现多专家联合置信规则库的复杂系统健康状态评估，保证评估结果与实际相符，与协同式多专家系统不同的是，协同式专家系统根据领域知识，将确定的总任务合理地划分为若干个子任务，每个子任务对应着一个分专家系统，与多专家联合置信规则库相比，传统的协同式专家系统虽然也使用多个专家参与系统的构建，但是每个专家都是负责一个子任务，无法参与到整个构建当中，这就导致了专家知识的不完备性和专家的主观性无法统一，会对最后的结果造成影响，基于置信规则库的联合多专家置信规则库模型，融合每个专家对于当前系统的完整知识，从输入到输出都要给出相应的完整专家知识参数，而不是传统协同式多专家系统那样只负责一部分子系统，因此可以保证专家知识的完备性以及稳定性，减少主观性，对于专家系统的建模以及复杂系统的健康状态有更加完备的认知，不会因某个专家而对整个系统有大的影响，保证模型的稳定性以及有效性。
1.一种多专家联合置信规则库复杂系统健康状态评估方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种多专家联合置信规则库复杂系统健康状态评估方法，其特征在于：所述步骤s1在多专家联合置信规则库模型中其参考值、属性权重、规则权重、输出置信度以及专家约束由每个专家给出。
3.根据权利要求2所述的一种多专家联合置信规则库复杂系统健康状态评估方法，其特征在于：所述参考值的融合可以表示为式(1)
4.根据权利要求1所述的一种多专家联合置信规则库复杂系统健康状态评估方法，其特征在于：所述步骤s2的brb-me模型中，应用了多个专家的知识，模型输入和输出之间的关系由置信规则表示，第p个专家给出的第k条if-then置信规则表示：
5.根据权利要求4所述的一种多专家联合置信规则库复杂系统健康状态评估方法，其特征在于：所述brb-me模型中的输入属性应通过以下公式转换为统一格式：
6.根据权利要求5所述的一种多专家联合置信规则库复杂系统健康状态评估方法，其特征在于：所述brb-me模型中，不同的信念规则在不同的属性输入下发挥不同的作用，激活权重表示信息输入下的置信规则，可以通过以下式获得：
7.根据权利要求1所述的一种多专家联合置信规则库复杂系统健康状态评估方法，其特征在于：所述步骤s3多种群鲸鱼优化算法(mewoa)种群划分成三类：开发子种群、探索子种群、适度子种群；
8.根据权利要求7所述的一种多专家联合置信规则库复杂系统健康状态评估方法，其特征在于：所述步骤s3多种群鲸鱼优化算法包括如下步骤，
