CN107729678A - 一种卫星太阳电池在轨运行剩余寿命的建模与分析方法 - Google Patents
一种卫星太阳电池在轨运行剩余寿命的建模与分析方法 Download PDFInfo
- Publication number
- CN107729678A CN107729678A CN201711065644.9A CN201711065644A CN107729678A CN 107729678 A CN107729678 A CN 107729678A CN 201711065644 A CN201711065644 A CN 201711065644A CN 107729678 A CN107729678 A CN 107729678A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mover
- mtr
- mtd
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及一种卫星太阳电池在轨运行剩余寿命的建模与分析方法,该方法具体步骤如下:步骤一:数据预处理,对于远远超过均值的异常点,和偏离周边数据较多的离群点进行剔除;步骤二:周期项模型判别;步骤三:缺失数据填充;步骤四:失效模式识别;步骤五:可靠性分析。本发明方法可以针对多阶段,变点数量不确定、位置不确定的退化数据,并根据提出的新算法有效的得到所有变点的信息和退化。整个分析过程只需要整个系统的输出功率,不需要如变点位置等等其他信息。而且算法的效果也比较好,结果准确度比较高,收敛速度快,在3‑4步内就可以拿到满足精度要求的结果。
Description
技术领域
本发明涉及一种卫星太阳电池在轨运行剩余寿命的建模与分析方法,主要用于电池阵功率数据的失效模式分析。属于质量与可靠性工程领域。
背景技术
卫星平台的太阳能电池阵是关系到卫星能否正常工作的关键设备,但目前在该卫星平台上大规模应用的可靠性设计分析中,依然长期沿用国外失效率数据,失效模式、退化规律研究不深入等问题,依然未得到有效的解决。对于常见的供电系统,其性能都会经历一个缓慢衰减的过程。虽然衰减很缓慢,但是供电系统基本都会有几年甚至几十年的寿命,在其生命阶段后期,总体的衰减量将累计到一定程度,就很有可能达不到为整个卫星平台提供足够电能的要求。所以,我们需要对电池阵的输出功率进行监测,一是要判断其是否还能满足运行卫星正常工作的需求,另外也是为了能进一步准确预测其剩余寿命。现在已经有多种失效模型应用于拟合监测实际运行数据,但是,由于卫星是在太空中运行的,太空中未知和意外的环境因素突变会使得电池阵中部分元器件或者结构有所损坏,造成电池阵的输出功能有突然的掉落。所以,缓慢的功率衰减和突然的功率掉落都会影响太阳能电池阵的寿命,我们需要对这种混合退化现象进行模型分析来分析其可靠性和寿命。
通常情况下,太阳能电池阵输出功率会具有多个阶段,这种现象可以被看做是混合了两种失效模式——软失效模式和硬失效模式。软失效模式是指,太阳能电池阵的输出功率具有的缓慢衰减飘移,这种缓慢的衰减往往是太阳能电池片的运行环境因素造成的,比如温度、湿度和辐照影响。硬失效是指,太阳能电池阵的输出功率曲线被拆成多段,每两段之间具有突然的功率跳跃,这个跳跃一般是负向的,表现成功率突然掉落,出现这种现象的原因往往是太阳能电池阵中的部分元器件突然损坏或者失效,这种突然掉落会使得功率退化曲线被拆成了多个阶段。而且这种损坏或失效,我们无法直接检测到,因为太阳能电池阵的重量和数量都会有限制,安装大量的传感器来检测每一个元器件是否工作正常是不现实的。我们不可避免必须要先从多阶段退化数据中,分析出功率突变点的信息,然后才能分离出软失效模式和硬失效模式。
现有针对具有变点退化数据的研究,都是假设了退化数据中存在变点的数量是一定的,已知的,而且模型中的每个阶段之间都是相互独立的。此外,很多失效模型都是只能处理一个变点的情况,这个无法提供足够的信息来分析硬失效模式,将这些失效模型和拟合的算法拓展成多个变点的情况,也是很难的。对于我们需要分析的存在多个且数量未知的变点的退化数据,现有模型和算法是无法完成的。
为了解决这一难题,我们利用隐马尔可夫模型建立失效模式模型,来表现退化数据的各种性质,并给出该模型的参数估计算法,算法的估计效果和收敛性分析,然后根据失效模式模型进行硅太阳能电池阵的可靠性分析,估计其剩余寿命。
发明内容
本发明的目的在于提供一种卫星太阳电池在轨运行剩余寿命的建模与分析方法,具体是提供了一种利用隐马尔可夫模型分析具有多个变点的在轨运行数据的分析方法,以根据数据确定其失效模式和模型参数,并进行可靠性分析,给出其剩余寿命。
本发明一种卫星太阳电池在轨运行剩余寿命的建模与分析方法,其技术方案如下:
如图3所示,该方法具体步骤如下:
步骤一:数据预处理。
对于远远超过均值的异常点,和偏离周边数据较多的离群点进行剔除。
步骤二:周期项模型判别
利用以下潜周期模型,分析在轨数据的周期性质。
其中,yt为需要分析的在轨数据,长度为t,总共具有k个潜周期,Aj为每个潜周期的振幅,ωj为每个潜周期的频率,为每个潜周期的初始相位,∈t为误差项。
计算:
根据|SN(λ)|的图形形状,对潜周期模型中周期个数k,频率ωj进行估计,得到频率ωj的估计值以及相应的周期估计值
步骤三:缺失数据填充
随着卫星所处位置的不同,相邻两天数据的一阶差分Δyt的大小正负也会不同。从理论上来讲,在不同年份的相同一天(比如第2年的第50天和第3年的第50天),太阳能电池阵输出功率的一阶差分应该近似。在上一步骤中,我们知道在轨数据具有周期性,而由于衰减率相对较小,在一个周期的短时间内(在这里,我们以一年为例),可以近似为直线,那么就可以认为在一个周期内相邻两天的一阶差分:
Δy365k+1,...,Δy365k+365,k=0,...,n-1
服从同一个模型。
这样,我们根据实际在轨数据,计算出一个周期内一阶差分的平均值:
并对这些平均值进行9次多项式拟合,即
即拟合后的模型为根据该拟合结果,计算相邻两天一阶差分的估计值:
随后根据拟合结果,对在轨数据中的缺失点进行补充:
步骤四:失效模式识别
由于在轨退化数据具有以下几个特征:周期性变化、性能退化造成的衰减和元件突然失效造成的突然衰减,我们建立退化模型:
yt=ft+Ndt+st
其中,ft=eb-λt+Xt代表太阳能电池阵的软失效模式,包含一个指数失效模式和一个ARMA随机扰动过程Xt。Ndt代表太阳能电池阵的硬失效模式,其中N为一个负值,代表一个太阳能电池片元件突然失效造成的功率变化。马尔可夫链dt代表到t时刻累计失效电池片元件的个数,而且与软失效部分的ARMA随机扰动过程Xt独立。第三项为周期项,周期的个数和每个周期的频率ωi可以从步骤二中得到。
然后根据实际在轨退化数据,利用新提出的迭代算法,得到数据中变点的位置,变化方式和所有参数的估计结果。迭代算法的大致流程如图1。具体细节如下:
其中的新的迭代算法,按照下面的阐述进行。先定义为dt在第k步迭代过程后的估计值,其他的参数记号也类似设定。
首先,初始化代表数据中没有失效点的存在。
在第k+1步迭代中。根据第k步迭代中的估计值和N(k)。随后用非线性回归来拟合这一部分,得到的参数估计值为b(k+1)、λ(k+1)、N(k+1)、和随后计算剩余部分:
现在可以利用一个递归算法求解得到参数估计N(k+1)、和ARMA过程中的参数估计σ(k+1)。
这时,第k+1步迭代过程完成。
整个迭代算法将在下式中的MSE达到收敛条件之后停止:
即在连续的两步迭代中,此式中的MSE值相差小于我们预先设定的值,则认为该MSE已经收敛。在最后一步迭代过程中,所留下的每个参数的估计值,即为整个迭代算法最终的输出结果,也就是模型的参数估计。
在上述迭代算法的每步中都有一个递归算法,递归算法的大致流程如图2。
其中的递归算法阐述如下:
初始化P(0)=I3和
在第t步递归中,先计算以下公式
P(t)=P(t-1)-L(t)ΨT(t)P(t-1)
然后计算剩余部分:
随后利用EM算法
如果则重新修正估计
这时计算误差项
在所有的T步递归完成之后,最后一步中的 和为递归算法的输出值。
步骤五:可靠性分析
根据步骤四中的退化模式,来计算太阳能电池阵的可靠性结果。由于太阳能电池阵需要提供足够的电能来支撑整个卫星正常工作,所以我们需要设定一个阈值,若太阳能电池阵的输出功率低于这个阈值,则认为其已经失效;
那么太阳能电池阵的可靠性为:
R(t)=P(ft+st+Ndt≥V)
经过数学计算之后,计算结果为:
太阳能电池阵的剩余寿命为:
本发明一种卫星太阳电池在轨运行剩余寿命的建模与分析方法,其优点及功效在于可以针对多阶段,变点数量不确定、位置不确定的退化数据,并根据提出的新算法有效的得到所有变点的信息和退化。整个分析过程只需要整个系统的输出功率,不需要如变点位置等等其他信息。而且算法的效果也比较好,结果准确度比较高,收敛速度快,在3-4步内就可以拿到满足精度要求的结果。
附图说明
图1为本发明方法步骤四中迭代算法流程图。
图2为本发明方法步骤四中递归算法流程图。
图3为本发明方法整体流程图。
具体实施方式
为使本发明方法的实施过程明确、清晰,针对特定的太阳电池阵退化数据进行分析演示来说明方法的实施过程。
一种卫星太阳电池在轨运行剩余寿命的建模与分析方法,对太阳电池阵输出功率数据列yt,t=1,…T。根据以下步骤事实数据处理。
步骤一:数据预处理。
对于远远超过均值的异常点,和偏离周边数据较多的离群点进行剔除。采用差值方法修正异常数据,具体操作方法为:若则yt=(yt-1+yt+1)/2。
其中是数据的均值,sd(y)为数据标准差。
步骤二:周期项模型判别
利用以下潜周期模型,分析在轨数据的周期性质。
其中,yt为需要分析的在轨数据,长度为t,总共具有k个潜周期,Aj为每个潜周期的振幅,ωj为每个潜周期的频率,为每个潜周期的初始相位,∈t为误差项。
计算:
根据|SN(λ)|的图形形状,对潜周期模型中周期个数k,频率ωj进行估计,得到频率ωj的估计值以及相应的周期估计值
步骤三:缺失数据填充
随着卫星所处位置的不同,相邻两天数据的一阶差分Δyt的大小正负也会不同。从理论上来讲,在不同年份的相同一天(比如第2年的第50天和第3年的第50天),太阳能电池阵输出功率的一阶差分应该近似。在上一步骤中,我们知道在轨数据具有周期性,而由于衰减率相对较小,在一个周期的短时间内(在这里,我们以一年为例),可以近似为直线,那么就可以认为在一个周期内相邻两天的一阶差分:
Δy365k+1,...,Δy365k+365,k=0,...,n-1
服从同一个模型。
这样,我们根据实际在轨数据,计算出一个周期内一阶差分的平均值:
并对这些平均值进行9次多项式拟合,即
即拟合后的模型为根据该拟合结果,计算相邻两天一阶差分的估计值:
随后根据拟合结果,对在轨数据中的缺失点进行补充:
步骤四:失效模式识别
由于在轨退化数据具有以下几个特征:周期性变化、性能退化造成的衰减和元件突然失效造成的突然衰减,我们建立退化模型:
yt=ft+Ndt+st
其中,ft=eb-λt+Xt代表太阳能电池阵的软失效模式,包含一个指数失效模式和一个ARMA随机扰动过程Xt。Ndt代表太阳能电池阵的硬失效模式,其中N为一个负值,代表一个太阳能电池片元件突然失效造成的功率变化。马尔可夫链dt代表到t时刻累计失效电池片元件的个数,而且与软失效部分的ARMA随机扰动过程Xt独立。第三项为周期项,周期的个数和每个周期的频率ωi可以从步骤二中得到。
然后根据实际在轨退化数据,利用新提出的迭代算法,得到数据中变点的位置,变化方式和所有参数的估计结果。迭代算法的大致流程如图1。具体细节如下:
先定义为dt在第k步迭代过程后的估计值,其他的参数记号也类似设定。
首先,初始化代表数据中没有失效点的存在。
在第k+1步迭代中。根据第k步迭代中的估计值和N(k)。随后用非线性回归来拟合这一部分,得到的参数估计值为b(k+1)、λ(k+1)、N(k+1)、和随后计算剩余部分:
现在可以利用一个递归算法求解得到参数估计N(k+1)、和ARMA过程中的参数估计σ(k+1)。
这时,第k+1步迭代过程完成。
整个迭代算法将在下式中的MSE达到收敛条件之后停止:
即在连续的两步迭代中,此式中的MSE值相差小于我们预先设定的值,则认为该MSE已经收敛。在最后一步迭代过程中,所留下的每个参数的估计值,即为整个迭代算法最终的输出结果,也就是模型的参数估计。
在迭代算法的每步中都有一个递归算法,递归算法的大致流程如图2,具体细节如下:
初始化P(0)=I3和
在第t步递归中,先计算以下公式
P(t)=P(t-1)-L(t)ΨT(t)P(t-1)
然后计算剩余部分:
随后利用EM算法
如果则重新修正估计
这时计算误差项
在所有的T步递归完成之后,最后一步中的 和为递归算法的输出值。
步骤五:可靠性分析
根据步骤四中的失效模式,来计算太阳能电池阵的可靠性结果。由于太阳能电池阵需要提供足够的电能来支撑整个卫星正常工作,所以我们需要设定一个阈值,若太阳能电池阵的输出功率低于这个阈值,则认为其已经失效
那么太阳能电池阵的可靠性为:
R(t)=P(ft+st+Ndt≥V)
经过数学计算之后,计算结果为:
太阳能电池阵的剩余寿命为:
Claims (3)
1.一种卫星太阳电池在轨运行剩余寿命的建模与分析方法,其特征在于:该方法具体步骤如下:
步骤一:数据预处理
对于远远超过均值的异常点,和偏离周边数据较多的离群点进行剔除;
步骤二:周期项模型判别
利用以下潜周期模型,分析在轨数据的周期性质;
其中,yt为需要分析的在轨数据,长度为t,总共具有k个潜周期,Aj为每个潜周期的振幅,ωj为每个潜周期的频率,为每个潜周期的初始相位,∈t为误差项;
计算:
<mrow>
<msub>
<mi>S</mi>
<mi>N</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>y</mi>
<mi>t</mi>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>i</mi>
<mi>&lambda;</mi>
<mi>t</mi>
</mrow>
</msup>
</mrow>
根据|SN(λ)|的图形形状,对潜周期模型中周期个数k,频率ωj进行估计,得到频率ωj的估计值以及相应的周期估计值
步骤三:缺失数据填充
随着卫星所处位置的不同,相邻两天数据的一阶差分Δyt的大小正负也会不同;从理论上来讲,在不同年份的相同一天,太阳能电池阵输出功率的一阶差分应该近似;在上一步骤中,我们知道在轨数据具有周期性,而由于衰减率相对较小,在一个周期的短时间内,可以近似为直线,那么就可以认为在一个周期内相邻两天的一阶差分:
Δy365k+1,...,Δy365k+365,k=0,...,n-1
服从同一个模型;
根据实际在轨数据,计算出一个周期内一阶差分的平均值:
<mrow>
<msub>
<mi>&Delta;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>&Delta;y</mi>
<mrow>
<mn>365</mn>
<mi>k</mi>
<mo>+</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mn>365</mn>
</mrow>
并对这些平均值进行9次多项式拟合,即
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>a</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>9</mn>
</munderover>
<msub>
<mi>a</mi>
<mi>j</mi>
</msub>
<msup>
<mi>t</mi>
<mi>j</mi>
</msup>
</mrow>
即拟合后的模型为根据该拟合结果,计算相邻两天一阶差分的估计值:
<mrow>
<msub>
<mover>
<mi>&Delta;</mi>
<mo>^</mo>
</mover>
<mn>1</mn>
</msub>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<msub>
<mover>
<mi>&Delta;</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>=</mo>
<mover>
<mi>f</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mover>
<mi>f</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mn>365</mn>
</mrow>
随后根据拟合结果,对在轨数据中的缺失点进行补充:
步骤四:失效模式识别
由于在轨退化数据具有以下几个特征:周期性变化、性能退化造成的衰减和元件突然失效造成的突然衰减,我们建立退化模型:
yt=ft+Ndt+st
其中,ft=eb-λt+Xt代表太阳能电池阵的软失效模式,包含一个指数失效模式和一个ARMA随机扰动过程Xt;Ndt代表太阳能电池阵的硬失效模式,其中N为一个负值,代表一个太阳能电池片元件突然失效造成的功率变化;马尔可夫链dt代表到t时刻累计失效电池片元件的个数,而且与软失效部分的ARMA随机扰动过程Xt独立;第三项 为周期项,周期的个数和每个周期的频率ωi可以从步骤二中得到;
然后根据实际在轨退化数据,利用新提出的迭代算法,得到数据中变点的位置,变化方式和所有参数的估计结果;
步骤五:可靠性分析
根据步骤四中的退化模式,来计算太阳能电池阵的可靠性结果;由于太阳能电池阵需要提供足够的电能来支撑整个卫星正常工作,所以需要设定一个阈值,若太阳能电池阵的输出功率低于这个阈值,则认为其已经失效;
那么太阳能电池阵的可靠性为:
R(t)=P(ft+st+Ndt≥V)
经过数学计算之后,计算结果为:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>&infin;</mi>
</munderover>
<mo>{</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>t</mi>
</msub>
<mo>&GreaterEqual;</mo>
<mi>V</mi>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mi>b</mi>
<mo>-</mo>
<mi>&lambda;</mi>
<mi>t</mi>
</mrow>
</msup>
<mo>-</mo>
<msub>
<mi>s</mi>
<mi>t</mi>
</msub>
<mo>-</mo>
<msub>
<mi>Nd</mi>
<mi>t</mi>
</msub>
<mo>|</mo>
<msub>
<mi>d</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>d</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mn>2</mn>
<mi>t</mi>
</mrow>
</munderover>
<mo>{</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>t</mi>
</msub>
<mo>&GreaterEqual;</mo>
<mi>V</mi>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mi>b</mi>
<mo>-</mo>
<mi>&lambda;</mi>
<mi>t</mi>
</mrow>
</msup>
<mo>-</mo>
<msub>
<mi>s</mi>
<mi>t</mi>
</msub>
<mo>-</mo>
<mi>N</mi>
<mi>k</mi>
<mo>)</mo>
</mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mo>&lsqb;</mo>
<mfrac>
<mi>k</mi>
<mn>2</mn>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
</munderover>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<mi>t</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>i</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<mi>t</mi>
<mo>-</mo>
<mi>i</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>k</mi>
<mo>-</mo>
<mn>2</mn>
<mi>i</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<msubsup>
<mi>&rho;</mi>
<mn>0</mn>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>k</mi>
<mo>+</mo>
<mi>i</mi>
</mrow>
</msubsup>
<msubsup>
<mi>&rho;</mi>
<mn>1</mn>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>2</mn>
<mi>i</mi>
</mrow>
</msubsup>
<msubsup>
<mi>&rho;</mi>
<mn>2</mn>
<mi>i</mi>
</msubsup>
<mo>}</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
太阳能电池阵的剩余寿命为:
<mrow>
<mi>&mu;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>u</mi>
<mo>=</mo>
<mi>t</mi>
</mrow>
<mi>&infin;</mi>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mn>2</mn>
<mi>t</mi>
</mrow>
</msubsup>
<mo>{</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>t</mi>
</msub>
<mo>&GreaterEqual;</mo>
<mi>V</mi>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mi>b</mi>
<mo>-</mo>
<mi>&lambda;</mi>
<mi>t</mi>
</mrow>
</msup>
<mo>-</mo>
<msub>
<mi>s</mi>
<mi>t</mi>
</msub>
<mo>-</mo>
<mi>N</mi>
<mi>k</mi>
<mo>)</mo>
</mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mo>&lsqb;</mo>
<mfrac>
<mi>k</mi>
<mn>2</mn>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
</msubsup>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<mi>t</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>i</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<mi>t</mi>
<mo>-</mo>
<mi>i</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>k</mi>
<mo>-</mo>
<mn>2</mn>
<mi>i</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<msubsup>
<mi>&rho;</mi>
<mn>0</mn>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>k</mi>
<mo>+</mo>
<mi>i</mi>
</mrow>
</msubsup>
<msubsup>
<mi>&rho;</mi>
<mn>1</mn>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>2</mn>
<mi>i</mi>
</mrow>
</msubsup>
<msubsup>
<mi>&rho;</mi>
<mn>2</mn>
<mi>i</mi>
</msubsup>
<mo>}</mo>
<mo>.</mo>
</mrow>
2.根据权利要求1所述的一种卫星太阳电池在轨运行剩余寿命的建模与分析方法,其特征在于:步骤四种所述的迭代算法,具体如下:
先定义为dt在第k步迭代过程后的估计值,其他的参数记号也类似设定;
首先,初始化代表数据中没有失效点的存在;
在第k+1步迭代中;根据第k步迭代中的估计值和N(k);随后用非线性回归来拟合这一部分,得到的参数估计值为b(k+1)、λ(k+1)、N(k+1)、和随后计算剩余部分:
现在可以利用一个递归算法求解得到参数估计N(k+1)、和ARMA过程中的参数估计σ(k+1);
这时,第k+1步迭代过程完成;
整个迭代算法将在下式中的MSE达到收敛条件之后停止:
即在连续的两步迭代中,此式中的MSE值相差小于我们预先设定的值,则认为该MSE已经收敛;在最后一步迭代过程中,所留下的每个参数的估计值,即为整个迭代算法最终的输出结果,也就是模型的参数估计。
3.根据权利要求2所述的一种卫星太阳电池在轨运行剩余寿命的建模与分析方法,其特征在于:在所述迭代算法的每步中都有一个递归算法,具体如下:
初始化P(0)=I3和
在第t步递归中,先计算以下公式
<mrow>
<mover>
<mi>&Theta;</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mover>
<mi>&Theta;</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mi>t</mi>
</msub>
<mo>-</mo>
<mover>
<mi>N</mi>
<mo>^</mo>
</mover>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<msub>
<mover>
<mi>d</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>-</mo>
<msup>
<mi>&Psi;</mi>
<mi>T</mi>
</msup>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mover>
<mi>&Theta;</mi>
<mo>^</mo>
</mover>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mover>
<mi>&Theta;</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>&phi;</mi>
<mo>^</mo>
</mover>
<mn>1</mn>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>,</mo>
<msub>
<mover>
<mi>&phi;</mi>
<mo>^</mo>
</mover>
<mn>2</mn>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>,</mo>
<msub>
<mover>
<mi>&theta;</mi>
<mo>^</mo>
</mover>
<mn>1</mn>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
</mrow>
<mrow>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mi>&Psi;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>&Psi;</mi>
<mi>T</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mi>&Psi;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
P(t)=P(t-1)-L(t)ΨT(t)P(t-1)
然后计算剩余部分:
随后利用EM算法
如果则重新修正估计
<mrow>
<mover>
<mi>&Theta;</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mover>
<mi>&Theta;</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mi>t</mi>
</msub>
<mo>-</mo>
<mover>
<mi>N</mi>
<mo>^</mo>
</mover>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<msub>
<mover>
<mi>d</mi>
<mo>^</mo>
</mover>
<mi>t</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>-</mo>
<msup>
<mi>&Psi;</mi>
<mi>T</mi>
</msup>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mover>
<mi>&Theta;</mi>
<mo>^</mo>
</mover>
<mo>(</mo>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
这时计算误差项
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>&epsiv;</mi>
<mo>^</mo>
</mover>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>z</mi>
<mi>t</mi>
</msub>
<mo>-</mo>
<mover>
<mi>N</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msub>
<mover>
<mi>d</mi>
<mo>^</mo>
</mover>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mover>
<mi>&phi;</mi>
<mo>^</mo>
</mover>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<mover>
<mi>N</mi>
<mo>^</mo>
</mover>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<msub>
<mover>
<mi>d</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mover>
<mi>&phi;</mi>
<mo>^</mo>
</mover>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>2</mn>
</mrow>
</msub>
<mo>-</mo>
<mover>
<mi>N</mi>
<mo>^</mo>
</mover>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<msub>
<mover>
<mi>d</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>2</mn>
</mrow>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<msub>
<mover>
<mi>&theta;</mi>
<mo>^</mo>
</mover>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msub>
<mover>
<mi>&epsiv;</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
在所有的T步递归完成之后,最后一步中的 和为递归算法的输出值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711065644.9A CN107729678A (zh) | 2017-11-02 | 2017-11-02 | 一种卫星太阳电池在轨运行剩余寿命的建模与分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711065644.9A CN107729678A (zh) | 2017-11-02 | 2017-11-02 | 一种卫星太阳电池在轨运行剩余寿命的建模与分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107729678A true CN107729678A (zh) | 2018-02-23 |
Family
ID=61221296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711065644.9A Pending CN107729678A (zh) | 2017-11-02 | 2017-11-02 | 一种卫星太阳电池在轨运行剩余寿命的建模与分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107729678A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993147A (zh) * | 2019-04-12 | 2019-07-09 | 中国人民解放军国防科技大学 | 基于聚类分析的卫星太阳电池阵输出功率衰减评估方法 |
WO2019196278A1 (zh) * | 2018-04-11 | 2019-10-17 | 平安科技(深圳)有限公司 | 天气数据获取方法及装置、计算机装置及可读存储介质 |
CN110750848A (zh) * | 2018-07-20 | 2020-02-04 | 南京航空航天大学 | 一种考虑软件运行的软-硬件退化系统剩余寿命估计的方法 |
CN110873841A (zh) * | 2019-11-05 | 2020-03-10 | 北京匠芯电池科技有限公司 | 一种基于数据驱动与电池特性相结合的电池寿命预测方法 |
CN112684354A (zh) * | 2020-12-10 | 2021-04-20 | 中国西安卫星测控中心 | 卫星蓄电池特征数据获取方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2814615A1 (en) * | 2009-10-13 | 2011-04-21 | Ezsav Inc. | Apparatuses, methods, and computer program products enabling association of related product data and execution of transaction |
US20110202227A1 (en) * | 2010-02-17 | 2011-08-18 | Gm Global Technology Operations, Inc. | Health prognosis for complex system using fault modeling |
CN102749589A (zh) * | 2012-07-13 | 2012-10-24 | 哈尔滨工业大学深圳研究生院 | 电动汽车动力电池衰退模式预测方法 |
CN106154163A (zh) * | 2015-03-12 | 2016-11-23 | 重庆邮电大学 | 一种电池寿命状态识别方法 |
-
2017
- 2017-11-02 CN CN201711065644.9A patent/CN107729678A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2814615A1 (en) * | 2009-10-13 | 2011-04-21 | Ezsav Inc. | Apparatuses, methods, and computer program products enabling association of related product data and execution of transaction |
US20110202227A1 (en) * | 2010-02-17 | 2011-08-18 | Gm Global Technology Operations, Inc. | Health prognosis for complex system using fault modeling |
CN102749589A (zh) * | 2012-07-13 | 2012-10-24 | 哈尔滨工业大学深圳研究生院 | 电动汽车动力电池衰退模式预测方法 |
CN106154163A (zh) * | 2015-03-12 | 2016-11-23 | 重庆邮电大学 | 一种电池寿命状态识别方法 |
Non-Patent Citations (1)
Title |
---|
盛志冬: "卫星太阳能电池阵的效能及可靠性分析与评估", 《万方学位论文》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019196278A1 (zh) * | 2018-04-11 | 2019-10-17 | 平安科技(深圳)有限公司 | 天气数据获取方法及装置、计算机装置及可读存储介质 |
CN110750848A (zh) * | 2018-07-20 | 2020-02-04 | 南京航空航天大学 | 一种考虑软件运行的软-硬件退化系统剩余寿命估计的方法 |
CN109993147A (zh) * | 2019-04-12 | 2019-07-09 | 中国人民解放军国防科技大学 | 基于聚类分析的卫星太阳电池阵输出功率衰减评估方法 |
CN109993147B (zh) * | 2019-04-12 | 2021-06-04 | 中国人民解放军国防科技大学 | 基于聚类分析的卫星太阳电池阵输出功率衰减评估方法 |
CN110873841A (zh) * | 2019-11-05 | 2020-03-10 | 北京匠芯电池科技有限公司 | 一种基于数据驱动与电池特性相结合的电池寿命预测方法 |
CN110873841B (zh) * | 2019-11-05 | 2021-12-07 | 蓝谷智慧(北京)能源科技有限公司 | 一种基于数据驱动与电池特性相结合的电池寿命预测方法 |
CN112684354A (zh) * | 2020-12-10 | 2021-04-20 | 中国西安卫星测控中心 | 卫星蓄电池特征数据获取方法及装置 |
CN112684354B (zh) * | 2020-12-10 | 2023-10-20 | 中国西安卫星测控中心 | 卫星蓄电池特征数据获取方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107729678A (zh) | 一种卫星太阳电池在轨运行剩余寿命的建模与分析方法 | |
US11159018B2 (en) | Method and system for online decision making of generator start-up | |
CN111008502B (zh) | 一种数字孪生驱动的复杂装备故障预测方法 | |
CN108037463A (zh) | 一种锂离子电池寿命预测方法 | |
CN106054105A (zh) | 一种智能电表的可靠性预计修正模型建立方法 | |
CN102393864B (zh) | 一种基于故障物理的航天器用谐波齿轮的可靠性优化方法 | |
CN103514366A (zh) | 一种城市空气质量浓度监测缺失数据的修复方法 | |
CN103983453A (zh) | 一种航空发动机的执行机构和传感器故障诊断的区分方法 | |
WO2005111806A3 (en) | Sensor fault diagnostics and prognostics using component model and time scale orthogonal expansions | |
CN105093122A (zh) | 基于强跟踪自适应sqkf的应急灯电池soc估计方法 | |
Geng et al. | Opportunistic maintenance for multi-component systems considering structural dependence and economic dependence | |
CN105071771A (zh) | 一种基于神经网络的分布式光伏系统故障诊断方法 | |
Nasr et al. | Estimation of the parameters for a complex repairable system with preventive and corrective maintenance | |
CN104914775A (zh) | 基于vine copula相关性描述的多模态过程故障检测方法及系统 | |
Vesely et al. | Risk evaluations of aging phenomena: the linear aging reliability model and its extensions | |
Lyu et al. | Reliability analysis of the multi-state system with nonlinear degradation model under Markov environment | |
CN103310093B (zh) | 一种基于相关性回归分析的卫星太阳能电池阵故障数据提取方法 | |
CN103853144A (zh) | 基于采油生产数据的现场传感器故障检测方法 | |
CN105334472A (zh) | 矿用本安电源在线剩余寿命预测方法 | |
Wang et al. | Shock-loading-based reliability modeling with dependent degradation processes and random shocks | |
Jain et al. | Prediction of remaining useful life of an aircraft engine under unknown initial wear | |
Abdulova | Critical information infrastructure facility status monitoring: Risk potential of the process | |
Bagul et al. | A framework for prognostics and health management of electronic systems | |
CN106874589A (zh) | 一种基于数据驱动的报警根源寻找方法 | |
CN115270529A (zh) | 融合环境因素及随机初始退化的光伏组件可靠性建模方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180223 |
|
WD01 | Invention patent application deemed withdrawn after publication |