履带步战车变速机构的健康预测方法、系统及存储介质

技术领域

本发明涉及履带步战车机械传动技术领域，特别是涉及一种履带步战车变速机构的健康预测方法、系统及存储介质。

背景技术

综合传动装置作为步战车关键部件，其将发动机产生的动力传递到战车的其他动力部件，以实现前进、后退、转向、制动、变速等功能，其性能状态直接决定了战车的机动能力，进而影响战车的战场作战能力，也是衡量战车高可靠性的因素之一。综合传动装置作为集液力、液压、行星传动等多项传感技术于一身的高复杂电液系统，其结构组成庞大、故障机理复杂、维修难度大、维修成本高，因此对综合传动装置的健康进行预测有着十分重要的意义。

经不完全统计，综合传动装置可以进行测试的参数有100多个，由于其内部空间限制和不可现场拆解的特性，导致部分信号类型的传感器无法安装，如各轴承的振动信号、补偿泵的输入速度等，使得难以实现信号类型的全部采集，给其性能及健康预测带来了诸多不便。

健康预测作为运行维修领域的新兴研究内容，已成为领域研究热点之一。健康预测以传感器监测信息或分析建模为基础，其目的在于实现对设备的健康状态评估的同时，对设备未来的健康状态的发展趋势进行有效的预测。

现有的实现传动装置健康预测方法，是通过提取润滑油、液压油等，进行金属颗粒分析的方法判断和预测步战车传动装置的健康状态，无法满足实时性的要求，且为离线分析方法，并不能对传动装置的健康进行灵活、精确的预测。

发明内容

为解决现有技术中存在的上述问题，本发明提供了一种履带步战车变速机构的健康预测方法、系统及存储介质。

为实现上述目的，本发明提供了如下方案：

一种履带步战车变速机构的健康预测方法，包括：

获取履带步战车不同工况下变速机构的监测数据集合；所述监测数据集合中包括多个数据样本；所述数据样本包括连续时序内不同工况下变速机构的运行数据；

采用灰色关联分析法，根据所述监测数据集合确定目标域下运行数据的健康特征、源域下运行数据的健康特征和变速机构源域下的一维健康指标；所述目标域为当前工况；所述源域为与所述当前工况时序相接的历史工况；

确定所述目标域下运行数据的健康特征和所述一维健康指标间的DTW距离；

依据所述DTW距离确定目标域和源域间的公共性能特征，构建公共特征集合；

获取改进鱼群优化SVR综合传动健康预测模型；所述改进鱼群优化SVR综合传动健康预测模型为采用鱼群算法优化后的SVR模型；

采用改进鱼群优化SVR综合传动健康预测模型，以所述公共特征集合为输入确定健康度预测结果。

优选地，所述采用灰色关联分析法，根据所述监测数据集合确定目标域下运行数据的健康特征、源域下运行数据的健康特征和变速机构源域下的一维健康指标，具体包括：

获取所述监测数据集合中的第i个工况下的运行数据序列，记为比较序列；

获取所述监测数据集合中各工况达到设定状态时的指标序列，记为标准序列；

对所述比较序列和所述标准序列进行无量纲处理确定无量纲结果和无量纲指标数据值；

依据所述无量纲结果和所述无量纲指标数据值确定两级最大差值和两级最小差值；

根据所述两级最大差值和所述两级最小差值确定所述比较序列和所述标准序列间的关联系数；所述关联系数即为运行数据的健康特征；

根据所述关联系数确定所述比较序列和所述标准序列间的关联度；所述关联度即为所述一维健康指标；

其中，当第i个工况为当前工况时，确定的运行数据的健康特征即为目标域下运行数据的健康特征；当第i个工况为与当前工况时序相接的历史工况时，确定的运行数据的健康特征即为源域下运行数据的健康特征。

优选地，所述根据所述两级最大差值和所述两级最小差值确定所述比较序列和所述标准序列间的关联系数，之后还包括：

获取采样时间标签；

根据所述采样时间标签对所述关联系数进行排序。

优选地，采用Matlab软件确定目标域下运行数据的健康特征和所述一维健康指标间的DTW距离。

优选地，所述获取改进鱼群优化SVR综合传动健康预测模型，之前还包括：

获取SVR初始模型和人工鱼群的初始化参数；所述初始化参数包括：种群初始数量、视野、步长、最大迭代次数和公告牌个数；

根据所述初始化参数和SVR初始模型确定目标函数；

基于所述目标函数每条人工鱼执行聚群行为和追尾行为时，自适应调整视野和步长；

对比聚群行为和追尾行为产生的结果确定是更新位置还是执行觅食行为；

确定人工鱼个体适应值和公告牌显示的最优值；所述最优值为设定的值；

判断是否满足终止条件；所述终止条件为预设条件；

当满足终止条件时输出最优参数，并根据所述最优参数确定改进鱼群优化SVR综合传动健康预测模型；所述最优参数包括：自适应调整后的视野和步长、人工鱼个体适应值以及公告牌显示的最优值。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供的履带步战车变速机构的健康预测方法，通过采用灰色关联分析法，根据监测数据集合确定目标域下运行数据的健康特征、源域下运行数据的健康特征和变速机构源域下的一维健康指标；确定目标域下运行数据的健康特征和一维健康指标间的DTW距离；依据DTW距离确定目标域和源域间的公共性能特征，构建公共特征集合；采用改进鱼群优化SVR综合传动健康预测模型，以公共特征集合为输入确定健康度预测结果，能够迅速判断设备健康状态和健康状态变化趋势，节约维修工作人员分析时间，同时具有准确、容错能力强、灵活性高等优点。

对应于上述提供的履带步战车变速机构的健康预测方法，本发明还提供了以下技术方案：

一种履带步战车变速机构的健康预测系统，包括：

第一获取模块，用于获取履带步战车不同工况下变速机构的监测数据集合；所述监测数据集合中包括多个数据样本；所述数据样本包括连续时序内不同工况下变速机构的运行数据；

健康特征和指标确定模块，用于采用灰色关联分析法，根据所述监测数据集合确定目标域下运行数据的健康特征、源域下运行数据的健康特征和变速机构源域下的一维健康指标；所述目标域为当前工况；所述源域为与所述当前工况时序相接的历史工况；

DTW距离确定模块，用于确定所述目标域下运行数据的健康特征和所述一维健康指标间的DTW距离；

公共特征集合构建模块，用于依据所述DTW距离确定目标域和源域间的公共性能特征，构建公共特征集合；

健康预测模型获取模块，用于获取改进鱼群优化SVR综合传动健康预测模型；所述改进鱼群优化SVR综合传动健康预测模型为采用鱼群算法优化后的SVR模型；

健康度预测结果确定模块，用于采用改进鱼群优化SVR综合传动健康预测模型，以所述公共特征集合为输入确定健康度预测结果。

优选地，所述健康特征和指标确定模块具体包括：

比较序列获取单元，用于获取所述监测数据集合中的第i个工况下的运行数据序列，记为比较序列；

标准序列获取单元，用于获取所述监测数据集合中各工况达到设定状态时的指标序列，记为标准序列；

无量纲处理单元，用于对所述比较序列和所述标准序列进行无量纲处理确定无量纲结果和无量纲指标数据值；

差值确定单元，用于依据所述无量纲结果和所述无量纲指标数据值确定两级最大差值和两级最小差值；

健康特征确定单元，用于根据所述两级最大差值和所述两级最小差值确定所述比较序列和所述标准序列间的关联系数；所述关联系数即为运行数据的健康特征；

健康指标确定单元，用于根据所述关联系数确定所述比较序列和所述标准序列间的关联度；所述关联度即为所述一维健康指标；

其中，当第i个工况为当前工况时，确定的运行数据的健康特征即为目标域下运行数据的健康特征；当第i个工况为与当前工况时序相接的历史工况时，确定的运行数据的健康特征即为源域下运行数据的健康特征。

优选地，所述健康特征和指标确定模块还包括：

采样时间标签获取单元，用于获取采样时间标签；

排序单元，用于根据所述采样时间标签对所述关联系数进行排序。

优选地，还包括：

第二获取模块，用于获取SVR初始模型和人工鱼群的初始化参数；所述初始化参数包括：种群初始数量、视野、步长、最大迭代次数和公告牌个数；

目标函数确定模块，用于根据所述初始化参数和SVR初始模型确定目标函数；

自适应调整模块，用于基于所述目标函数每条人工鱼执行聚群行为和追尾行为时，自适应调整视野和步长；

对比模块，用于对比聚群行为和追尾行为产生的结果确定是更新位置还是执行觅食行为；

值确定模块，用于确定人工鱼个体适应值和公告牌显示的最优值；所述最优值为设定的值；

判断模块，用于判断是否满足终止条件；所述终止条件为预设条件；

健康预测模型构建模块，用于当满足终止条件时输出最优参数，并根据所述最优参数确定改进鱼群优化SVR综合传动健康预测模型；所述最优参数包括：自适应调整后的视野和步长、人工鱼个体适应值以及公告牌显示的最优值。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令；所述计算机可执行指令设置为执行上述的履带步战车变速机构的健康预测方法。

因本发明提供的履带步战车变速机构的健康预测系统和计算机可读存储介质达到的技术效果与上述提供的履带步战车变速机构的健康预测方法达到的技术效果相同，故在此不再进行赘述。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的履带步战车变速机构的健康预测方法的流程图；

图2为本发明提供的履带步战车变速机构的健康预测方法的整体流程图；

图3为本发明提供的人工鱼群算法模型图；

图4为本发明实施例提供的综合传动装置组成的结构方框图；

图5为本发明实施例提供的综合传动装置的工作原理图；

图6为本发明实施例提供的档位与离合器组合对照图；

图7为本发明实施履带步战车变速机构的健康预测方法时采用的油压信号调理模块电路原理图；

图8为本发明实施履带步战车变速机构的健康预测方法时采用的采集卡硬件电路原理图；

图9为本发明实施履带步战车变速机构的健康预测方法时采用的A/D转换电路原理图；

图10为本发明实施履带步战车变速机构的健康预测方法时采用的CAN总线节点电路原理图；

图11为本发明提供的履带步战车变速机构的健康预测系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种履带步战车变速机构的健康预测方法、系统及存储介质，以在提高健康检测实时性的同时，对传动装置的健康进行灵活、精确的预测。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图4和图5所示，是履带步战车综合传动装置的结构框图和工作原理图。基于该种履带步战车综合传动装置的变速机构，本发明采用通过先对单个功能部件进行评价分析，再上升到对整个综合传动装置变速机构进行评价分析的层次分析方法。并根据有的功能部件参与全部工况的执行，标准工作值固定不变。有的功能部件则是参与部分工况的执行，标准工作值根据工况变化而改变的问题，本发明根据标准工作值跟随工况变化与否，将监测信号划分成固定信号和变工况信号，确定那些功能部件的监测信号为变工况信号，那些功能部件的监测信号为固定信号，分析二者之间的相互影响关系，这样就可通过对各功能模块中功能部件的健康预测，便可实现对整个综合转动装置变速机构的健康预测。

基于以上技术构思，本发明提供了一种履带步战车变速机构的健康预测方法，如图1所示，该健康预测方法包括：

步骤100：获取履带步战车不同工况下变速机构的监测数据集合。监测数据集合中包括多个数据样本。数据样本包括连续时序内不同工况下变速机构的运行数据。

步骤101：采用灰色关联分析法，根据监测数据集合确定目标域下运行数据的健康特征、源域下运行数据的健康特征和变速机构源域下的一维健康指标。目标域为当前工况。源域为与当前工况时序相接的历史工况。

步骤102：确定目标域下运行数据的健康特征和一维健康指标间的DTW距离。优选地，本发明借助MATLAB工具求取DTW距离。

步骤103：依据DTW距离确定目标域和源域间的公共性能特征，构建公共特征集合。

步骤104：获取改进鱼群优化SVR综合传动健康预测模型。改进鱼群优化SVR综合传动健康预测模型为采用鱼群算法优化后的SVR模型。

步骤105：采用改进鱼群优化SVR综合传动健康预测模型，以公共特征集合为输入确定健康度预测结果。

在上述步骤100获取履带步战车不同工况下变速机构的监测数据集合的时候，本发明对其可监测信号按性质进行划分为固定信号和变工况信号。其中，固定信号为：操纵系统定压阀压力、液力变矩器入口压力、液力变矩器出口压力、变矩器闭锁离合器油压、润滑系统油压、液压油温度等。变工况信号为：CL、CH、C1、C2、C3离合器油压，涡轮转速、一轴转速、二轴转速、三轴转速等。综合传动装置变速机构组成功能部件包含CL、CH、C1、C2、C3离合器，离合器性能受到液压循环系统定压阀压力、液压油温度和润滑油压力影响。综合传动具有变工况的工作特点，根据行驶速度的需要而进行档位变换，根据6种档位变化可分为6个工况情况。换挡离合器分为充油和泄压两种工作状态，参与工况执行时，离合器充油。不参与工况时离合器泄压。因此，在不同的工况下对同一变速机构进行重复实验，可得到来自时序上连续不同工况下5个离合器的监测数据集合。令某个工况下的监测数据为

而设备从健康状态到发生故障的过程中，不同工况下，同类型号或同一功能部件的性能退化趋势具有明显差异，因此需要在相近工况中寻找相关的退化信息，辅助建立预测模型。某一工况下，某功能部件(模块)运行数据样本空间为χ

为了进一步提高健康预测的准确性，上述步骤101的具体实施过程为：

步骤101-1、获取监测数据集合中的第i个工况下的运行数据序列，记为比较序列。其中，比较序列为B

步骤101-2、获取监测数据集合中各工况达到设定状态(最佳状态)时的指标序列，记为标准序列。其中，标准序列为B

步骤101-3、对比较序列和标准序列进行无量纲处理确定无量纲结果和无量纲指标数据值。具体的：

由于设备运行参数数据的量纲不同，因此要对采样数据进行无量纲处理。采用初值法这一常用无量纲处理方法进行无量纲处理，得到的无量纲结果如式(1)所示：

式中，i＝1,2,...,n,k＝1,2,...,m，n为工况个数，x

步骤101-4、依据无量纲结果和无量纲指标数据值确定两级最大差值和两级最小差值。具体的：

计算各工况下采样数据序列与所属工况下指标数据序列所对应元素差的绝对值，即Δ

步骤101-5、根据两级最大差值和两级最小差值确定比较序列和标准序列间的关联系数。关联系数即为运行数据的健康特征。具体的：

采用两极最大差

式中，ρ∈(0，∞)，称为分辨系数，通常取ρ＝0.5。

步骤101-6、根据关联系数确定比较序列和标准序列间的关联度。关联度即为一维健康指标。具体的：

每个采样序列与所属工况标准序列的关联度由采样序列中各因素的关联系数综合水平决定，求出其平均值即可得到采样序列与所属工况标准序列的关联度如下式(3)所示：

关联度与关联系数值越接近1，表明与标准序列及其指标的相似度越高，说明该时刻健康状态和指标健康程度越好，反之越差。本发明中将指标的关联系数特征抽象为时序下部件的健康指标h

而为了提高处理的实时性，在上述步骤步骤101-5之后还优选包括：

获取采样时间标签。

根据采样时间标签对关联系数进行排序。

本发明上述步骤104获取的改进鱼群优化SVR综合传动健康预测模型的具体建立过程为：

获取SVR初始模型和人工鱼群的初始化参数。初始化参数包括：种群初始数量、视野、步长、最大迭代次数和公告牌个数。

根据初始化参数和SVR初始模型确定目标函数。

基于目标函数每条人工鱼执行聚群行为和追尾行为时，自适应调整视野和步长。

对比聚群行为和追尾行为产生的结果确定是更新位置还是执行觅食行为。

确定人工鱼个体适应值和公告牌显示的最优值。最优值为设定的值。

判断是否满足终止条件。终止条件为预设条件。

当满足终止条件时输出最优参数，并根据最优参数确定改进鱼群优化SVR综合传动健康预测模型。最优参数包括：自适应调整后的视野和步长、人工鱼个体适应值以及公告牌显示的最优值。

基于以上提供的履带步战车变速机构的健康预测方法的具体实施流程，其整体实施步骤如图2所示。

下面以如图6所示的档位与离合器组合为例，对本发明提供的上述健康预测方法的优点进行说明。在具体应用过程中，本发明提供的上述技术方案还适用于其他档位与离合器组合形式。

针对一种履带式步战车综合传动装置变工况的工作特点，其由CL、CH、C1、C2、C3这5个换挡离合构成，通过档位组合构成1、2、3、4、5、6档位(见图6)，进而产生对应的6个速度工况，工况变化导致各个离合器的运行数据分布不同，分析不同工况下同一变速机构和同类型离合器能退化趋势的差异性。运用灰色关联分析方法提取源域和目标域工况内时序退化特征作为各部件健康指标，并构建系统一维时序健康指标HI，通过DTW分析得到目标域特征与源域上系统一维时序健康指标HI的关联度，提取时序上源域与目标域的公共性能退化信息。最后构建面向健康预测(对健康指标进行预测)的基于鱼群算法改进的SVR模型，进行健康预测，并设计健康预测系统，介绍硬件组成部分。设计得到的硬件包括：油压信号调理模块电路、采集卡硬件电路、A/D转换电路和CAN总线节点电路。各电路的电路原理图请参见图7至图10。

其中，硬件采用的电源输出电压为24V DC(稳压)，油压信号调理模块电路是将油压传感器信号调理放大为0-10V直流电压信号，便于A/D转换电路进行模数转化。采集卡硬件电路由ECU负责完成，采集芯片选用C8051F500。采集卡的A/D转换精度为10位。通讯模块采用基于CAN总线的通讯方式。

例如：两个离合器处于充油状态，另外三个离合器处于泄压状态。基于同型部件性能一致性，各挡工况下离合器充油与泄压理想值均一致，提取1挡工况下各离合器的临界故障数据进行灰色关联分析，得到1挡工况下临界故障时的健康指标特征：

H

变速机构临界故障健康指标为：HI

第i工况下第j个离合器充油工况关联系数特征值为

SVR通过结构风险最小化原则可以避免对样本数据量的高度依赖，是一种基于少量数据的学习方法。已知数据集{(x

式中：

上式引入拉格朗日乘子

其中，K(x

鉴于对各类数据适应性好以及对参数的数量要求不高的优点，选取高斯核函数(RBF)，令核函数的参数为

计算目标域每个部件的特征与HI的相似度，根据相似程度的大小提取与HI相近的特征，构成公共特征集，从而实现退化趋势特征的迁移。DTW能够用来度量两个长度不一致数列的相似程度，因此采用DTW计算所提取特征与HI的相似程度，构建出公共特征空间R。

人工鱼群算法借鉴了自然界鱼群觅食行为而发明的一种优化算法，其基本思想是鱼群会自发的聚集到食物浓度最高的区域，具有寻优能力强、全局收敛性好、不易陷入局部最优、对初值不敏感、鲁棒性强等优点。

假设鱼群中人工鱼的大小为N，人工鱼群的状态位置集合为X＝(x

觅食行为：人工鱼所处位置为0，在其视野内进行随机搜索，当发现搜索方向出现目标x

x

聚群行为：k时刻人工鱼

追尾行为：当k时刻的人工鱼

随机行为：在觅食行为介绍中，当k时刻人工鱼

k时刻人工鱼

若试探n

不满足前进条件，则执行觅食行为。

公告牌是指：显示每次寻优中表现最佳的人工鱼的状态位置x

人工鱼群算法及其改进基本鱼群算法中视野V＝10，步长S＝3均为定值。虽然在算法早期视野和步长取较大的值可以减少迭代次数，加快收敛至最优解的速度，而算法后期，人工鱼都集中在最优解附近，这样会在最优解附近产生震荡，降低了寻优的精度，因此在算法后期就需要视野和步长的取值要小，以满足对快速确定最优解的需要。并且，采用变化视野和步长的思路，令二者的值随着领域结构的改变而变化，令视野和步长在算法早期保持在一个较大值，以快速实现全局寻优，在算法后期减小视野和步长的值，以提升搜索的精确度，确定最优解，基于这一目的，本发明引入一个调节因子κ＝0.5来根据需要对视野和步长进行调节：

当前时刻的迭代次数25。最大迭代次数62。λ为正整数，取值2。v

淘汰机制：算法在迭代过程中，当次数超过一定数值后其收敛速度明显放缓，针对该现象引入一个淘汰机制，即当迭代次数超过最大迭代次数N

为了提升交叉验证选择的效果，采用改进鱼群算法对SVR的指标参数进行优化，将综合传动装置采样数据与对应工况下的标准序列进行灰色关联分析得出各工况采样数据序列与标准序列的灰色关联度，及各指标的关联系数。将关联系数抽象为对应指标的健康程度，将其作为SVR模型的输入，进行模型训练及检验，通过迭代寻优的方式确定出SVR的最优参数，其优化预测模型流程如图2所示。

人工鱼群的初始化，设置种群数量N＝100、视野V＝10、步长S＝3、觅食过程中最大尝试次数n

将综合传动装置运行的历史监测数据按工况分类，按照时间顺序排列，进行灰色关联处理，将处理后的数据按时间标签顺序恢复排列，并作为SVR的输入及输出值，选取SVR模型的C和δ作为优化待参数，以训练数据的均方根误差倒数作为改进鱼群算法的适应度目标函数，设定最大值为寻优目标，保存至公告牌

每条人工鱼自适应的调整视野和步长，来执行相关行为，对比行为结果对视野和步长的值进行适当调节。之后计算各个人工鱼的适应值，在公告牌上显示对比结果，并在其上显示最优值。

判断是否到达最大迭代次数或者所设淘汰机制的终止条件，满足条件则输出最优参数值。

当寻优完成后，将寻得的最优参数作为SVR的最优参数，建立起改进鱼群优化SVR综合传动健康预测模型。

将测试数据输入注入模型，进行测试，得出预测结果，并将实际值与预测值进行误差对比分析。

迁移学习是能够将已有知识或经验用来解决新问题的一种机制，能够提升历史信息的复用性，提高目标域的学习效果，适用于小样本环境，而行驶中的步战车转向系统中转向架具有信息量大、随机性强、特征重复再现性不佳等特点，迁移学习适用于分析这类数据信息。能够迁移不同工况下的性能特征，迁移同设备在不同工况下系统潜在状态所发生的变化特征，实现对设备状态的实时观测与估计、预测。

本发明提供的上述技术方案，实质是结合迁移学习概念提出了一种综合传动装置变速结构系统健康预测方法，这种方法可以迅速判断设备健康状态和健康状态变化趋势，节约了维修工作人员分析时间。首次将迁移学习方法用到综合转动装置变速机构系统健康预测中，利用有限状态的来模拟变速机构在运行过程中不同的工况状态。试验证明该方法应用于变速机构的健康预测是可行的。

其中，采用灰色关联分析提取源域和目标域内时序退化特征作为各部件健康指标，构建1维时序健康指标，通过动态时间规整运算得到目标域特征与健康指标的关联度，提取源域与目标域的公共退化信息，构建面向健康预测的支持向量回归模型进行健康预测，并以传动装置的变速结构为例进行验证。结果表明，基于迁移学习的健康预测结果更贴合实际健康变化趋势，有助于维修人员更为准确的判断传动装置的健康状态。通过预测实例证明了该方法具有准确、容错能力强、灵活性高等优点。

对应于上述提供的履带步战车变速机构的健康预测方法，本发明还提供了一种履带步战车变速机构的健康预测系统，如图11所示，该健康预测系统包括：第一获取模块1、健康特征和指标确定模块2、DTW距离确定模块3、公共特征集合构建模块4、健康预测模型获取模块5和健康度预测结果确定模块6。

其中，第一获取模块1用于获取履带步战车不同工况下变速机构的监测数据集合。监测数据集合中包括多个数据样本。数据样本包括连续时序内不同工况下变速机构的运行数据。

健康特征和指标确定模块2用于采用灰色关联分析法，根据监测数据集合确定目标域下运行数据的健康特征、源域下运行数据的健康特征和变速机构源域下的一维健康指标。目标域为当前工况。源域为与当前工况时序相接的历史工况。

DTW距离确定模块3用于确定目标域下运行数据的健康特征和一维健康指标间的DTW距离。

公共特征集合构建模块4用于依据DTW距离确定目标域和源域间的公共性能特征，构建公共特征集合。

健康预测模型获取模块5用于获取改进鱼群优化SVR综合传动健康预测模型。改进鱼群优化SVR综合传动健康预测模型为采用鱼群算法优化后的SVR模型。

健康度预测结果确定模块6用于采用改进鱼群优化SVR综合传动健康预测模型，以公共特征集合为输入确定健康度预测结果。

作为本发明的一优选实施例，上述采用的健康特征和指标确定模块2具体包括：比较序列获取单元、标准序列获取单元、无量纲处理单元、差值确定单元、健康特征确定单元和健康指标确定单元。

其中，比较序列获取单元用于获取监测数据集合中的第i个工况下的运行数据序列，记为比较序列。

标准序列获取单元用于获取监测数据集合中各工况达到设定状态时的指标序列，记为标准序列。

无量纲处理单元用于对比较序列和标准序列进行无量纲处理确定无量纲结果和无量纲指标数据值。

差值确定单元用于依据无量纲结果和无量纲指标数据值确定两级最大差值和两级最小差值。

健康特征确定单元用于根据两级最大差值和两级最小差值确定比较序列和标准序列间的关联系数。关联系数即为运行数据的健康特征。

健康指标确定单元用于根据关联系数确定比较序列和标准序列间的关联度。关联度即为一维健康指标。

其中，当第i个工况为当前工况时，确定的运行数据的健康特征即为目标域下运行数据的健康特征。当第i个工况为与当前工况时序相接的历史工况时，确定的运行数据的健康特征即为源域下运行数据的健康特征。

作为本发明的另一优选实施例，健康特征和指标确定模块2还包括：采样时间标签获取单元和排序单元。

其中，采样时间标签获取单元用于获取采样时间标签。

排序单元用于根据采样时间标签对关联系数进行排序。

作为本发明的又一优选实施例，本发明提供的履带步战车变速机构的健康预测系统还包括：第二获取模块、目标函数确定模块、自适应调整模块、对比模块、值确定模块、判断模块和健康预测模型构建模块。

其中，第二获取模块用于获取SVR初始模型和人工鱼群的初始化参数。初始化参数包括：种群初始数量、视野、步长、最大迭代次数和公告牌个数。

目标函数确定模块用于根据初始化参数和SVR初始模型确定目标函数。

自适应调整模块用于基于目标函数每条人工鱼执行聚群行为和追尾行为时，自适应调整视野和步长。

对比模块用于对比聚群行为和追尾行为产生的结果确定是更新位置还是执行觅食行为。

值确定模块用于确定人工鱼个体适应值和公告牌显示的最优值。最优值为设定的值。

判断模块用于判断是否满足终止条件。终止条件为预设条件。

健康预测模型构建模块用于当满足终止条件时输出最优参数，并根据最优参数确定改进鱼群优化SVR综合传动健康预测模型。最优参数包括：自适应调整后的视野和步长、人工鱼个体适应值以及公告牌显示的最优值。

此外，还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令。计算机可执行指令设置为执行上述的履带步战车变速机构的健康预测方法。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。