CN105574328A - 一种机载诊断模型的集成方法 - Google Patents
一种机载诊断模型的集成方法 Download PDFInfo
- Publication number
- CN105574328A CN105574328A CN201510924450.4A CN201510924450A CN105574328A CN 105574328 A CN105574328 A CN 105574328A CN 201510924450 A CN201510924450 A CN 201510924450A CN 105574328 A CN105574328 A CN 105574328A
- Authority
- CN
- China
- Prior art keywords
- fault
- matrix
- level
- equations
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明提供一种机载诊断模型的集成方法,利用测试性建模工具生成初始D矩阵,结合成员之间的关联关系,约简成员级、系统级的D矩阵,并对生成的故障方程逻辑进行修正和冲突预防,集成生成机载诊断模型。其中,在生成成员级故障方程的过程中,还针对信号缺失而引起的接口故障,对三值D矩阵再次进行扩展,根据故障类型及关联关系进行信息的补充,区分表达“故障没有发生”、“信息缺失的故障发生”、“除信号缺失以外的故障发生”或“故障与测试没有关系”,得到四值D矩阵。
Description
技术领域
本发明是属于故障预测与健康管理技术领域。
背景技术
故障预测与健康管理技术作为实现武器装备基于状态的维修、自主式保障、感知与响应后勤等新思想、新方案的关键技术,受到美英等军事强国的高度重视和推广应用。建立和实现PHM的核心是在于能否建立一系列模型对设备、系统等进行有效地故障诊断、故障预测。其不同于中央维护系统等更加强调故障发生前的预测能力,故障预测与诊断的目标就是使用户避免经历实际故障。通过使用基于机载模型的评估方法,在甚至缺少故障指示数据的情况下,也可以实现扼杀故障于萌芽中的理想。然而目前基于模型的诊断方法也有其不足,需要对不同分系统和部件等建立数学模型,对其求解进行故障诊断。缺点是模型较为复杂庞大、诊断速度慢,对模型精度的依赖性较强,不能融合历史经验数据,并且模型的不确定性因素有可能导致错误的报警。
故障方程作为机载诊断模型的数学表示方法,以BIT的诊断结果为基础,充分利用系统及设备的设计数据、产品技术说明、FMECA、测试性建模、故障树分析、历史经验数据等大量信息,创建基于规则或原理性模型。利用故障方程进行故障诊断,为PHM系统的故障诊断提供了一种综合的故障诊断方法,有效地降低了BIT虚警率,达到节约维护时间和维护成本的目的。
利用对测试性建模生成的D矩阵的简化,可剔除与故障无关的信息,有效滤除虚警。目前,本申请的发明人曾发表《航电处理机相关性建模和故障方程生成方法》论文一篇,该论文介绍了三值D矩阵的简化以及故障方程的生成方法。但该论文所披露的方案由于未能认识到信号缺失而引起的故障,以及如何将此类故障在故障方程中有效表达,因此实践应用有限。
发明内容
本发明提出一种机载诊断模型的集成方法,其核心在于成员级故障方程的建立;解算效率高、实时性好、诊断结论可靠,达到节约维护时间和维护成本的目的。
本发明的技术方案是:
一种成员级故障方程的集成方法,包括以下步骤:
1)利用测试性建模工具生成初始D矩阵,
2)进行初始D矩阵的关联关系约简,生成三值D矩阵;
3)针对信号缺失而引起的接口故障,对所述三值D矩阵进行扩展时,根据故障类型及关联关系进行信息的补充,区分表达“故障没有发生”、“信息缺失的故障发生”、“除信号缺失以外的故障发生”或“故障与测试没有关系”,得到四值D矩阵;
4)在四值D矩阵的基础上,进行诊断逻辑修正和冲突预防、消解,得到最终的成员级故障方程。
以上步骤3)中设置方式可以是:0表示故障没有发生,-1表示信息缺失的故障发生,1表示除信号缺失以外的故障发生,×表示故障与测试没有关系。
以上步骤4)中诊断逻辑修正主要包括:测试点进一步压缩、变量命名标准化、判据具体化、以及包含关系分解。
一种机载诊断模型的集成方法,按照以上方法生成各成员级故障方程,综合各成员级故障方程、BIT信息和相关的模拟量、离散量,通过分析成员级故障之间的关联关系形成系统级故障方程;综合各系统级故障方程、BIT信息和相关的模拟量、离散量,通过分析系统级故障之间的关联关系,最终形成飞机级故障方程。
本发明在三值D矩阵的基础上,提出了四值D矩阵的生成、简化,及故障方程的生成方法,可以准确的表示由于信息缺失而引起的故障,并且在故障方程生成时,对诊断逻辑修正和冲突预防、消解方面也有所突破。具体有以下优点:
1)有效滤除虚警;显著提高诊断记录及报告的信息质量。
2)覆盖部分测试或信号缺失情形下的故障隔离。
3)解算效率高、实时性好、诊断结论可靠。
4)充分利用了FMECA、“五性”设计分析等工作产生的数据。
5)方程开发的工程化程度相对较高,易于实施、检查和管理。
具体实施方式
机载诊断模型的集成方法是根据各层级采集信息的范围不同,将故障方程按照所属层级可划分为成员级故障方程,系统级故障方程和飞机级故障方程。其中,成员级故障方程是核心方案,在此基础上即可依次实现系统级故障方程和飞机级故障方程。
对于成员级故障方程的集成,是根据其FMECA的分析结果以及成品设备的测试性要求开发相应的BIT,并根据PHM的统一要求上报BIT的诊断结果,用以给系统级和飞机级提供作为故障诊断的输入。对于与其他成员系统无关联,并且能够在成员级确定的故障,可以根据故障方程定义和规范,建立该故障的故障方程。
对于系统级故障方程的集成,是综合成员级提供的BIT信息和相关的模拟量、离散量,通过分析成员级故障之间的关联关系形成系统级故障方程,结合系统级FMECA确定同一系统内关联的成员之间交叉关联的故障。对于需要其他系统提供信息才能确定的故障,应进一步获取相关系统的信息,并且综合对系统级发生故障的所有影响因素,根据故障方程定义和规范,建立该故障的故障方程。系统级故障方程的集成应该包含成员级BIT的诊断信息以及系统内故障诊断所需的其它信息,以体现故障的关联特性和综合诊断要求。
对于飞机级故障方程的集成,是综合成员级提供的BIT信息以及各个系统之间的故障诊断增强信息(系统级故障方程),通过分析系统之间故障的关联关系形成飞机级故障方程,结合飞机级FMECA确定不同系统之间交叉关联的故障。飞机级的故障方程的集成应该包含成员级BIT的诊断信息以及系统之间故障诊断所需的其它信息,以体现故障的关联特性和增强诊断要求。
下面以给出一个实例对本发明做进一步详细说明。
1初始D矩阵的生成
故障方程的数据准备是通过设备/系统的FMECA,提取出设备/系统的系统结构单元信息、故障模式信息、测试信息、信号流与故障流一阶相关性和辅助信息(如模拟量、环境信息、状态信息等LRU外部信息)。根据数据准备阶段提取的信息,利用工具软件建立设备/系统的测试性模型,通过仿真分析生成初始D矩阵。
2D矩阵的关联关系约简
根据上节生成的初始D矩阵,其故障和测试的名称包括相应单元的结构层次信息。再根据下述关联关系约简算法将初始D矩阵转化成{0,1,×}三值扩展D矩阵。0表示故障没有发生,1表示故障发生,×表示故障与测试没有关系。
例如,对表1示例的D矩阵进行约简,得到简化后的D矩阵,如表2所示。
表1D矩阵简化示例:简化前
T1 | T2 | T3 | T4 | T5 | |
F1 | 1 | 0 | 0 | 0 | 0 |
F2 | 0 | 0 | 0 | 0 | 1 |
F3 | 0 | 0 | 0 | 1 | 0 |
F4 | 0 | 0 | 1 | 0 | 0 |
F5 | 0 | 1 | 0 | 0 | 1 |
表2D矩阵简化示例:简化后
T1 | T2 | T3 | T4 | T5 | |
F1 | 1 | × | × | × | 0 |
F2 | 0 | 0 | × | × | 1 |
F3 | × | × | × | 1 | × |
F4 | × | × | 1 | × | × |
F5 | 0 | 1 | × | × | 1 |
3扩展D矩阵的生成
在生成故障逻辑之前,需要对故障进行识别,区分出内部故障和接口故障。故障识别原则如下:如果故障不是由于其他LRU故障引起的故障,即在D矩阵中表现为故障只与故障所在LRU内的测试相关,与其他LRU内的测试的关联值置设为×,此时的故障则被判定为内部故障;除了内部故障以外的故障则判定为接口故障。
内部故障不受其他故障传播的影响,仅凭借成员BIT诊断结果即可确定。此类故障方程通常用约简后D矩阵的诊断逻辑进行表达。
当接口发生故障时,需要分为单接口和多接口的情况。
单接口情况下接口发生故障时,内部故障不影响其他故障传播,与模块不工作时不可区分,只能凭借是否工作判断逻辑来确定。此类故障方程通常用是否工作判断逻辑进行表达。
多接口情况下接口发生故障时,接口故障不会对通信链路另一端的接口产生影响,但内部故障会影响其他故障传播,因此确定模块处于工作状态,在该接口测试不通过而通信链路另一端的接口测试正常的时候,方可确定该接口发生故障。此类故障方程通常凭借通信链路两端的接口BIT/测试诊断结果来确定。
对接口故障来说,还会存在信号缺失的情况,而故障方程可以弥补其他诊断模型对信号缺失条件下,不能正确的进行诊断或者发生虚警。如果是由于信号缺失而引起的接口故障,那么在对约简后的D矩阵进行扩展时,将关联关系设为-1。
在扩展D矩阵生成的时候,根据故障类型及关联关系进行信息的补充。0表示故障没有发生,-1表示信息缺失的故障发生,1表示除信号缺失以外的故障发生,×表示故障与测试没有关系。
例如,某系统有2个LRU:LRU1与LRU2,其约简后的三值D矩阵和扩展后的D矩阵如表3、表4所示。根据上述故障识别原则,F1和F2属于内部故障,F3和F4属于接口故障,F5属于信号缺失故障。
表3某系统约简后的三值D矩阵
表4某系统扩展后的D矩阵
4诊断逻辑修正
根据以上步骤得到的诊断逻辑构成的故障方程是故障方程原始形式,需要对其进行诊断逻辑修正和冲突预防、消解,得到最终的故障方程。诊断逻辑的修正主要包括:测试点进一步压缩,变量命名标准化,判据具体化,模糊组调整。
4.1测试点进一步压缩
根据已经获得的诊断逻辑,逐一进行实际分析,判断是否存在故障仅由诊断逻辑中部分测试点的监测结果即可实现隔离的情况,如果存在,则需要对测试点的进一步压缩,即去除冗余测试点形成的逻辑。
例如,某故障方程:处理器故障=处理器/心跳测试AND(NOT(供电模块/电流检测BIT))AND(模块1/FC测试)AND(模块2/FC测试)若此时处理器故障只由处理器的心跳测试和供电模块电流检测即可判定,则可去除冗余测试模块1和模块2的FC测试,进一步压缩测试点后得到故障方程为:处理器故障=处理器/心跳测试AND(NOT(供电模块/电流检测BIT))。
4.2变量命名标准化
针对由BIT/测试转化的诊断逻辑,按照故障方程变量的定义方法对BIT/测试相关变量的命名进行标准化,以提高诊断逻辑的可识别性和实用性。
对于4.1例子中得到的进一步压缩后的故障方程,对变量命名进行标准化后得到故障方程为:处理器故障=处理器心跳测试超时AND(NOT(供电模块对该通路电流检测通过))。
4.3判据具体化
针对由BIT/测试转化的诊断逻辑,其BIT/测试变量表示的是决策的结果,需要进一步具体化判据,即用实际门限判断逻辑替代诊断逻辑中相应的BIT/测试变量。
对于4.1例子进行变量命名标准化后得到的故障方程,进行判据具体化后得到的故障方程为:处理器故障=(处理器心跳测试反应时间GE3s)AND(NOT(该通路电流GE30mA))。
4.4包含关系分解
为了提高计算量,而将多条故障方程中的共同项提取出来作为需要分解的包含关系。需要分解的情况有以下几种:
1)基于表决关系的多故障情况
在表决关系内的大多数故障现象发生时,表决通过,则某一个单故障发生,诊断逻辑由所有故障逻辑的表决结果确定;而在表决关系内的少数故障现象发生时,表决不通过,处理为该少数故障同时发生的多故障,诊断逻辑由各自故障的诊断逻辑确定。例如,某航电设备的液冷故障引起的大部分模块超温的情况。
2)普通多故障情况
这种情况下,表现为几个单故障同时发生,诊断逻辑用所有故障的矩阵行求“或”运算结果确定。
5.冲突预防、消解
在利用约简D矩阵生成诊断逻辑之前,可利用约简D矩阵中模糊组预先知道可能产生冲突的故障方程,在生成诊断逻辑时加入附加逻辑防范。生成诊断逻辑之后,若故障方程存在冲突,可通过以下方式进行消解:
1)搜索约简后D矩阵,判断两个或多个故障方程是否存在表现不相同而未在诊断逻辑中表示的BIT/测试,若存在,则将其转化为相关逻辑加入到故障方程的诊断逻辑中。
2)通过添加辅助信息作为附加逻辑加入到故障方程的诊断逻辑中。
Claims (4)
1.一种成员级故障方程的集成方法,包括以下步骤:
1)利用测试性建模工具生成初始D矩阵,
2)进行初始D矩阵的关联关系约简,生成三值D矩阵;
3)针对信号缺失而引起的接口故障,对所述三值D矩阵进行扩展时,根据故障类型及关联关系进行信息的补充,区分表达“故障没有发生”、“信息缺失的故障发生”、“除信号缺失以外的故障发生”或“故障与测试没有关系”,得到四值D矩阵;
4)在四值D矩阵的基础上,进行诊断逻辑修正和冲突预防、消解,得到最终的成员级故障方程。
2.根据权利要求1所述的成员级故障方程的集成方法,其特征在于:
步骤3)中设置方式为:0表示故障没有发生,-1表示信息缺失的故障发生,1表示除信号缺失以外的故障发生,×表示故障与测试没有关系。
3.根据权利要求1所述的成员级故障方程的集成方法,其特征在于:
步骤4)中诊断逻辑修正主要包括:测试点进一步压缩、变量命名标准化、判据具体化、以及包含关系分解。
4.一种机载诊断模型的集成方法,其特征在于:是按照权利要求1所述的方法生成各成员级故障方程,综合各成员级故障方程、BIT信息和相关的模拟量、离散量,通过分析成员级故障之间的关联关系形成系统级故障方程;综合各系统级故障方程、BIT信息和相关的模拟量、离散量,通过分析系统级故障之间的关联关系,最终形成飞机级故障方程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510924450.4A CN105574328B (zh) | 2015-12-11 | 2015-12-11 | 一种机载诊断模型的集成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510924450.4A CN105574328B (zh) | 2015-12-11 | 2015-12-11 | 一种机载诊断模型的集成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105574328A true CN105574328A (zh) | 2016-05-11 |
CN105574328B CN105574328B (zh) | 2018-07-03 |
Family
ID=55884454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510924450.4A Active CN105574328B (zh) | 2015-12-11 | 2015-12-11 | 一种机载诊断模型的集成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105574328B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108267983A (zh) * | 2017-01-03 | 2018-07-10 | 波音公司 | 使用基于物理的模型和数据驱动的模型减少来自于交通工具的妨害性故障指示 |
CN108614443A (zh) * | 2016-12-12 | 2018-10-02 | 中国航空工业集团公司西安航空计算技术研究所 | Phm系统模型开发和验证平台设计方法 |
CN109325293A (zh) * | 2018-09-25 | 2019-02-12 | 中国人民解放军海军航空大学 | 一种基于相关性模型的多故障诊断方法 |
CN111061293A (zh) * | 2019-11-12 | 2020-04-24 | 中国运载火箭技术研究院 | 多参数耦合的飞行器故障定位方法、飞行器及存储介质 |
CN111913953A (zh) * | 2020-06-16 | 2020-11-10 | 北京旋极信息技术股份有限公司 | 一种诊断数据库生成方法及装置 |
CN114330006A (zh) * | 2021-12-31 | 2022-04-12 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 可抑制虚警的多故障诊断的方法、系统及计算机设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504248A (zh) * | 2014-12-05 | 2015-04-08 | 中国航空工业集团公司第六三一研究所 | 一种基于设计数据分析的故障诊断建模方法 |
CN104597892A (zh) * | 2014-12-16 | 2015-05-06 | 北京航天测控技术有限公司 | 一种用于电子信息装备层次化故障诊断方法 |
-
2015
- 2015-12-11 CN CN201510924450.4A patent/CN105574328B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504248A (zh) * | 2014-12-05 | 2015-04-08 | 中国航空工业集团公司第六三一研究所 | 一种基于设计数据分析的故障诊断建模方法 |
CN104597892A (zh) * | 2014-12-16 | 2015-05-06 | 北京航天测控技术有限公司 | 一种用于电子信息装备层次化故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
汤幼宁等: "航电处理机相关性建模与故障方程生成方法", 《测控技术》 * |
石君友等: "多信号建模与诊断策略设计技术应用", 《系统工程与电子技术》 * |
石君友等: "考虑多故障的测试性建模改进方法", 《北京航空航天大学学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108614443A (zh) * | 2016-12-12 | 2018-10-02 | 中国航空工业集团公司西安航空计算技术研究所 | Phm系统模型开发和验证平台设计方法 |
CN108614443B (zh) * | 2016-12-12 | 2020-09-22 | 中国航空工业集团公司西安航空计算技术研究所 | Phm系统模型开发和验证平台设计方法 |
CN108267983A (zh) * | 2017-01-03 | 2018-07-10 | 波音公司 | 使用基于物理的模型和数据驱动的模型减少来自于交通工具的妨害性故障指示 |
CN109325293A (zh) * | 2018-09-25 | 2019-02-12 | 中国人民解放军海军航空大学 | 一种基于相关性模型的多故障诊断方法 |
CN109325293B (zh) * | 2018-09-25 | 2023-08-15 | 中国人民解放军海军航空大学 | 一种基于相关性模型的多故障诊断方法 |
CN111061293A (zh) * | 2019-11-12 | 2020-04-24 | 中国运载火箭技术研究院 | 多参数耦合的飞行器故障定位方法、飞行器及存储介质 |
CN111061293B (zh) * | 2019-11-12 | 2023-11-17 | 中国运载火箭技术研究院 | 多参数耦合的飞行器故障定位方法、飞行器及存储介质 |
CN111913953A (zh) * | 2020-06-16 | 2020-11-10 | 北京旋极信息技术股份有限公司 | 一种诊断数据库生成方法及装置 |
CN111913953B (zh) * | 2020-06-16 | 2024-05-07 | 北京旋极信息技术股份有限公司 | 一种诊断数据库生成方法及装置 |
CN114330006A (zh) * | 2021-12-31 | 2022-04-12 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 可抑制虚警的多故障诊断的方法、系统及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN105574328B (zh) | 2018-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105574328A (zh) | 一种机载诊断模型的集成方法 | |
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
US8478479B2 (en) | Predicting time to maintenance by fusion between modeling and simulation for electronic equipment on board an aircraft | |
Entezami et al. | Structural health monitoring by a new hybrid feature extraction and dynamic time warping methods under ambient vibration and non-stationary signals | |
CN109489977B (zh) | 基于KNN-AdaBoost的轴承故障诊断方法 | |
WO2005111806A3 (en) | Sensor fault diagnostics and prognostics using component model and time scale orthogonal expansions | |
Farrar et al. | An introduction to damage prognosis | |
CN104504248A (zh) | 一种基于设计数据分析的故障诊断建模方法 | |
CN104462757A (zh) | 基于监测数据的Weibull分布可靠性序贯验证试验方法 | |
CN103870659A (zh) | 一种数控机床故障分析方法 | |
CN102184291A (zh) | 一种针对全测试无反馈系统的系统级故障诊断方法 | |
CN103927259A (zh) | 一种基于测试性建模数据的故障检测与隔离综合方法 | |
CN101887407B (zh) | 一种基于希尔伯特-黄变换的设备或系统机内测试信号特征提取方法 | |
CN104820892A (zh) | 一种基于数据传递的航空发电系统定量危害性分析方法 | |
CN105930963A (zh) | 一种机电系统装备健康评估方法 | |
CN105243180A (zh) | 机电设备故障预警方法及系统 | |
CN102930081A (zh) | 一种基于相关性模型的机内测试设计方法 | |
CN110554682B (zh) | 基于故障关联分析的故障检测推理方法 | |
CN103853144B (zh) | 基于采油生产数据的现场传感器故障检测方法 | |
CN105426665B (zh) | 基于状态监测的动态可靠度确定方法 | |
CN102495305A (zh) | 基于灰色理论的轨道交通运营机电设备故障趋势分析方法 | |
Reppa et al. | Multiple sensor fault detection and isolation for large-scale interconnected nonlinear systems | |
Yacout | Logical analysis of maintenance and performance data of physical assets, ID34 | |
CN102253663B (zh) | 一种网络化三容水箱系统的泄漏故障诊断方法及系统 | |
CN104460337B (zh) | 一种基于修正β因子的控制系统共因失效分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |