CN107817684A - 一种运载火箭快速故障检测策略优化方法 - Google Patents
一种运载火箭快速故障检测策略优化方法 Download PDFInfo
- Publication number
- CN107817684A CN107817684A CN201711162969.9A CN201711162969A CN107817684A CN 107817684 A CN107817684 A CN 107817684A CN 201711162969 A CN201711162969 A CN 201711162969A CN 107817684 A CN107817684 A CN 107817684A
- Authority
- CN
- China
- Prior art keywords
- test event
- test
- particle
- mrow
- msub
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种运载火箭快速故障检测策略优化方法,包括如下步骤:步骤一、确定运载火箭被测系统的测试项目;步骤二、确定步骤一中测试项目的筛选目标,建立筛选目标的第一速度‑位置模型,根据第一速度‑位置模型利用DPSO算法对测试项目进行筛选;步骤三、确定测试项目的排序优化目标,建立排序优化目标的第二速度‑位置模型,根据第二速度‑位置模型利用DPSO算法对步骤二中筛选后的测试项目进行排序。
Description
技术领域
本发明涉及一种运载火箭快速故障检测策略优化方法,属于试验与测试技术领域。
背景技术
当前运载火箭高密度、高可靠、高效率的发射需求对运载火箭测试方法提出了更高的要求。如何高效率、低成本地开展测试已成为测试设计人员关注的重点。运载火箭的快速故障检测策略优化对于指导快速测试的实施具有重要意义。由于测试的独立性和资源的有限性,同一时刻只能进行一项测试,不同的测试选择及实施顺序对于系统的测试效果及测试成本均有较大影响。因此,必须明确测试集中包含哪些测试项目以及每个测试项目被实施的先后顺序,使整个系统在达到测试目的的前提下,测试时间最短且测试费用最低。
目前,各型号运载火箭测试方案的制定仅有测试性大纲作为指导,一般根据不同的测试阶段所关注的重点,再结合继承本型号以往设计结果和比对相似型号设计结果,完成对测试项目的改进,对设计人员的经验要求高,测试项目设计的全面性与合理性难以保障。这种以测试覆盖为主要目标的测试方案需要耗费的测试时间长、工作量大且测试成本高,不满足快速测试的需求。
在测试策略优化领域,目前已有的方法为完备测试集优化,目标是求解一个测试项目总数量最少的测试集,使该测试集能够检测到一个电路的全部可测故障。目前完备测试集优化可采取动态规划方法、粒子群算法、蚁群算法等多种方法。但均存在以下缺点:(1)完备测试集仅考虑测试项目的数量,未考虑测试项目的成本等影响综合测试成本的信息,因此,无法全面准确地对测试集进行优化。(2)完备测试集仅给出了测试所用的测试项目,未对测试实施顺序进行优化,因此,无法直接应用于运载火箭测试方案的制定。
发明内容
本发明要解决的技术问题是:克服现有技术的不足,提供了一种基于DPSO(离散粒子群)算法的运载火箭快速故障检测策略优化方法,综合考虑多种影响测试策略制定的因素,合理筛选测试项目并对测试实施顺序进行优化。优化后的测试策略在满足故障模式全覆盖的同时,可大大提高测试效率,缩短测试时间并降低测试成本,同时提高了测试策略的合理性,满足运载火箭快速测试的需求。
本发明目的通过以下技术方案予以实现:
一种运载火箭快速故障检测策略优化方法,包括如下步骤:
步骤一、确定运载火箭被测系统的测试项目;
步骤二、确定步骤一中测试项目的筛选目标,建立筛选目标的第一速度-位置模型,根据第一速度-位置模型利用DPSO算法对测试项目进行筛选;
步骤三、确定测试项目的排序优化目标,建立排序优化目标的第二速度-位置模型,根据第二速度-位置模型利用DPSO算法对步骤二中筛选后的测试项目进行排序。
上述运载火箭快速故障检测策略优化方法,所述步骤一中运载火箭被测系统的测试项目包括:系统待选测试项目的个数、每个测试项目的成本、每个测试项目的测试状态、不同测试状态间的状态转换成本。
上述运载火箭快速故障检测策略优化方法,所述步骤二中测试项目的筛选目标为:
(1)测试项目覆盖运载火箭被测系统的所有故障模式;
(2)测试项目的测试成本最小。
上述运载火箭快速故障检测策略优化方法,所述步骤二中建立筛选目标的第一粒子速度-位置模型的方法为:
(1)粒子的位置pi用向量pi=(pi1,pi2,…,pij,...,pin)表示,其中n表示系统待选测试项目的个数,pi表示第i个粒子的位置;pij=1表示测试项目tj被第i个粒子选中,pij=0表示测试项目tj未被第i个粒子选中;tj表示第j个测试项目,j=1……n;
(2)粒子的速度vi用向量vi=(vi1,vi2,...,vik,...,vin)表示,其中n表示系统待选测试项目的个数,vik的初始值在[0,1]内随机生成;vi表示第i个粒子的速度,k为粒子速度vik的列序号;k=1……n;
(3)根据测试项目筛选的目标,构造第一速度-位置模型的粒子适应度函数F1(i)为:
式中,γi为第i个粒子所选测试项目能够覆盖的故障检测率,K为γi的权重系数,mi为第i个粒子所选测试项目的个数,c(tj)表示测试项目tj的成本。
上述运载火箭快速故障检测策略优化方法,所述步骤三中测试项目的排序优化目标为:测试实施成本最小。
上述运载火箭快速故障检测策略优化方法,所述步骤三中建立排序优化目标的第二速度-位置模型的方法为:
(1)粒子的位置p′I用向量p′I=(p′I1,p′I2,…,p′IJ,...,p′IN)表示,其中N表示步骤二中筛选出的测试项目的个数;p′IJ=l表示测试项目tl是第I个粒子第J次实施的测试项目;tl表示步骤二中筛选出的测试项目中的第l个测试项目;l=1...N;
(2)粒子的速度vI用向量vI=(vI1,vI2,…,vIJ,...,vIN)表示,I为向量vI的序号,其中N表示步骤二中筛选出的测试项目的个数,vIJ=[a,b]表示将测试项目ta与测试项目tb交换实施顺序,ta、tb表示步骤二中筛选出的测试项目中的第a个、第b个测试项目,a=1...N,b=1...N,若vIJ=[0,0],则表示不进行任何交换;
(3)根据排序优化的目标,构造第二速度-位置模型的粒子适应度函数F2(I)为:
式中,λI表示第I个粒子所代表的测试顺序的故障检测优化指数,Kλ表示λI的权重系数;ηI表示第I个粒子所代表的测试顺序的测试状态变换指数,Kη表示ηI的权重系数;
(4)计算第I个粒子所代表的测试顺序的故障检测优化指数λI的方法为:
其中,N表示步骤二中筛选出的测试项目的个数,δJ(J≥1)表示实施完第I个粒子所代表的测试顺序中的第J个测试后,所检测到的所有故障模式的故障率之和,δ0=0;
(5)利用最短路径算法Dijkstra,计算第I个粒子所代表的测试顺序的测试状态变换指数ηI。
上述运载火箭快速故障检测策略优化方法,所述测试成本包括测试项目数量和测试项目的成本。
本发明相比于现有技术具有如下有益效果:
(1)本发明提出一种运载火箭快速故障检测策略优化方法,采用DPSO(离散粒子群)算法完成了快速故障检测策略优化,测试项目的筛选更为合理,测试项目的顺序更为优化,可以减少测试状态的调整,降低测试成本,压缩测试周期,指导快速测试的实施;
(2)本发明采用DPSO算法进行优化运算,该算法具有全局最优性且收敛性能好,适用于测试策略优化这种大范围全局寻优;
(3)本发明综合考虑测试项目的数量、成本及故障检测率等因素,对运载火箭被测系统的待选测试项目进行筛选,可有效减少测试项目的数量及测试成本、压缩测试周期;
(4)本发明综合考虑了测试执行过程中产生的测试状态转换成本及测试对具有高故障率的故障的优先检测能力,对测试实施顺序进行优化,更贴近运载火箭测试需求,实用性更强,优化性能更好。
附图说明
图1为本发明的步骤流程图;
图2为本发明测试项目的有向图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的实施方式作进一步详细描述。
运载火箭快速故障检测策略优化方法在保证故障模式全覆盖的前提下,综合考虑故障率、测试数量及测试项目成本等多种影响测试策略优劣的因素,对现有测试方法进行优化,得到快速高效低成本的测试策略。考虑到运载火箭测试数量较多,为实现高效率的全局优化,采用快速收敛的全局寻优算法DPSO算法作为基本优化算法,即离散粒子群算法。为降低优化难度,将优化分为两步:首先采用DPSO算法,针对被测系统的可用测试开展测试项目筛选,降低测试数量及测试成本;然后利用针对排序问题的DPSO算法对筛选出的测试开展测试顺序优化,得到测试效果最优且对系统影响最小的测试实施顺序,该测试实施顺序即为优化的快速故障检测策略。
图1为本发明的步骤流程图。步骤101、确定快速故障检测策略优化所需的运载火箭被测系统的测试项目。运载火箭被测系统的测试项目包括:测试项目的个数、各个测试项目的成本、各个测试项目所要求的运载火箭被测系统的测试状态、各个测试状态间的状态转换成本。
(101a)本实施例中,测试项目的个数为6,即待选测试可用集合表示为{t1,t2,t3,t4,t5,t6};
(101b)各个测试项目的成本如表1所示(以下测试项目成本均为相对值);
表1
测试项目 | t1 | t2 | t3 | t4 | t5 | t6 |
成本 | 3 | 5 | 2 | 3 | 6 | 5 |
(101c)各个测试项目所要求的运载火箭被测系统的测试状态如表2所示,当某测试项目存在多个状态则表示在多个状态下均可实施该测试项目;
表2
(101d)各个测试状态间的状态转换成本(以下状态转换成本均为相对值)如表3所示。
表3
状态1 | 状态2 | 状态3 | 状态4 | |
状态1 | 0 | 1 | 1 | 0.5 |
状态2 | 1 | 0 | 2 | 1.5 |
状态3 | 1 | 2 | 0 | 1 |
状态4 | 0.5 | 1.5 | 1 | 0 |
步骤102、确定步骤101中测试项目的筛选目标,建立筛选目标的第一速度-位置模型,根据第一速度-位置模型利用DPSO算法对测试项目进行筛选。
测试项目的筛选目标包括:(a)保证筛选出的测试项目能够对所有故障模式实现测试覆盖,即测试项目能够覆盖所有的故障模式;(b)测试项目的测试成本最小,测试成本包括测试项目数量和测试项目的成本,即尽可能减少测试数量和测试项目的总成本。
本发明建立了筛选目标的第一速度-位置模型的方法为:
(102a)粒子的位置pi用向量pi=(pi1,pi2,…,pij,...,pin)表示,其中n表示系统待选测试项目的个数,pi表示第i个粒子的位置;pij=1表示测试项目tj被第i个粒子选中,pij=0表示测试项目tj未被第i个粒子选中;tj表示第j个测试项目;j=1……n;
(102b)粒子的速度vi用向量vi=(vi1,vi2,...,vik,...,vin)表示,其中n表示系统待选测试项目的个数,vik的初始值在[0,1]内随机生成;vi表示第i个粒子的速度,k为粒子速度vik的列序号,k=1……n;
(102c)根据测试项目筛选的目标,构造第一速度-位置模型的粒子适应度函数F1(i)为:
式中,K为γi的权重系数,γi为第i个粒子所选测试项目能够实现的故障检测率,其取值满足K≥10即可;mi为第i个粒子所选测试项目的个数,c(tj)表示测试项目tj的成本,因此,表示pi所选测试项目的总成本。
利用DPSO算法通过粒子的速度vi用向量和粒子的位置pi用向量迭代得到适应度函数F1(i)的最优解。
本实施例中,系统可选测试的个数为6个,即n等于6;γi的权重系数取100,即K等于100。所构建的第一速度-位置模型为:
(1)第i个粒子的位置向量pi=(pi1,pi2,pi3,pi4,pi5,pi6);
(2)第i个粒子的速度向量vi=(vi1,vi2,vi3,.vi4,vi5.vi6);
(3)第i个粒子的粒子适应度函数F1(i)为:
根据第一速度-位置模型利用DPSO算法对测试项目进行筛选的具体方法为:
粒子的位置、速度的迭代公式如下:
式中,为第i个粒子在迭代第t次时的速度,t为当前迭代的次数;w为惯性权重因子,c1、c2均为加速常数; 是0到1之间的随机数;为第i个粒子在迭代第t次时的位置;为第i个粒子在迭代第t次时的最优解所对应的粒子位置;为所有粒子在迭代第t次时的最优解所对应的粒子位置;arand为0~1的随机数,sig是一个根据粒子速度控制粒子位置为1或0的符号函数。粒子的优劣由粒子的适应度函数F1(i)确定,即粒子的适应度函数F1(i)最大的值为粒子的最优解,根据最优解的粒子序号i确定粒子的位置pi,pi中选中的测试项目即为筛选出的测试项目。
本实施例中,粒子数量取10,迭代次数取50,惯性权重因子w取0.8,加速常数c1、c2均取2,利用DPSO算法求解本实施例的第一速度-位置模型,得到筛选出的测试项目为t2、t3、t4、t6。
步骤103、确定测试项目的排序优化目标,建立排序优化目标的第二速度-位置模型,根据第二速度-位置模型利用改进的DPSO算法对步骤二中筛选的测试项目进行排序。
测试项目的排序优化目标为:测试实施成本最小,测试实施成本由故障检测优化指数和测试状态变换指数确定,即尽可能减小故障检测优化指数和测试状态变换指数。
本发明建立了排序优化目标的第二速度-位置模型的方法为:
(a)粒子的位置p′I用向量p′I=(p′I1,p′I2,…,p′IJ,...,p′IN)表示,其中N表示步骤二中筛选出的测试项目的个数。p′IJ=l表示测试项目tl是第I个粒子第J次实施的测试项目。tl表示步骤二中筛选出的测试项目中的第l个测试项目;l=1...N;
(b)粒子的速度vI用向量vI=(vI1,vI2,…,vIJ,...,vIN)表示,I为向量vI的序号,其中N表示步骤二中筛选出的测试项目的个数,vIJ=[a,b]表示将测试项目ta与测试项目tb交换实施顺序,产生一个新的测试顺序,ta、tb表示步骤二中筛选出的测试项目中的第a个、第b个测试项目,a=1...N,b=1...N,若vIJ=[0,0],则表示不进行任何交换。
(c)根据排序优化的目标,构造第二速度-位置模型的粒子适应度函数F2(I)为:
式中,λI表示第I个粒子所代表的测试顺序的故障检测优化指数,Kλ表示λI的权重系数;ηI表示第I个粒子所代表的测试顺序的测试状态变换指数,Kη表示ηI的权重系数。
(d)计算第I个粒子所代表的测试顺序的故障检测优化指数λI的方法为:
其中,N表示步骤二中筛选出的测试项目的个数,δJ(J≥1)表示实施完第I个粒子所代表的测试顺序中的第J个测试项目后,所检测到的所有故障模式的故障率之和,δ0=0。
(e)利用最短路径算法Dijkstra,即迪杰斯特拉算法,计算第I个粒子所代表的测试顺序的测试状态变换指数ηI。
本实施例中,步骤二中筛选出的测试项目的个数为4,即N等于4,λI的权重系数取1,即Kλ等于1,ηI的权重系数取1,即Kη等于1。所构建的第二速度-位置模型为:
(1)第I个粒子的位置向量p′I=(p′I1,p′I2,p′I3,p′I4);
(2)第I个粒子的速度向量vI=(vI1,vI2,vI3,vI4);
(3)第I个粒子的粒子适应度函数F2(I)为:
其中,
以位置向量为p′I=(2,3,4,6)的粒子为例说明利用Dijkstra算法计算该粒子所代表的测试顺序的测试状态变换指数ηI的方法如下:
(1)布置有向图中节点。有向图中的节点由各个测试项目所要求的测试状态表示,并按照测试实施顺序依次布置,同时,在有向图的两端设置起点及终点两个节点。
(2)生成有向图的边及各条边的权重。将相邻测试项目的各个测试状态节点相连,形成有向边,有向边的由上一步测试项目的测试状态节点指向下一步测试项目的测试状态节点,有向边的权值为相应节点对应的测试状态切换代价,其中,起点到第一个测试项目所要求的各节点的有向边权值为0,最后一个测试所要求的各节点到终点的有向边权值为0,形成有向图如图2所示。
(3)利用Dijkstra算法计算ηI。利用Dijkstra算法计算起点到终点的最短路径,该最短路径对应的节点即为各个测试实施应采取的测试状态,对应的路径总长即为测试状态切换成本。
本实施例中,利用Dijkstra算法计算得到位置向量为p′I=(2,3,4,6)的粒子所代表的测试顺序的测试状态变换指数ηI为3。
利用改进的DPSO算法对步骤二中筛选的测试项目进行排序的具体方法为:
粒子的位置、速度的更新公式如下:
其中,为第I个粒子在迭代第t次时的速度,t为当前迭代的次数;w为惯性权重因子,cJ(J=1,2)为加速常数; 是0到1之间的随机数;为第I个粒子在迭代第t次时的位置;为第I个粒子在迭代第t次时的最优解所对应的粒子位置;为所有粒子在迭代第t次时的最优解所对应的粒子位置;粒子的优劣由粒子的适应度函数F2(I)确定,即粒子的适应度函数F1(I)最大的值为粒子的最优解。根据最优解的粒子序号i确定粒子的位置pI,pI所选中的测试项目序列即为筛选出的测试项目序列。
对公式中的运算符号进行定义:
(1)运算符号表示向量的加法,根据向量的加法原则进行计算;
(2)运算符号Θ表示位置向量间的减法,两个位置向量相减结果是一个速度向量vx,y,即pxΘpy=vx,y,vx,y根据以下规则取值:
(a)当时,vI x,y=[0,0];
(b)当且时,vI x,y=[I,J]且py=(p1 y,p2 y,...pJ y,...,pI y,...,pN y),即将py中的第J个元素和第I个元素调换位置。
(3)运算符号表示速度向量的数乘,两个速度向量的数乘为vy,即vy根据以下规则取值:
其中q为0到1内的随机数,vJ y为vy向量的第J个元素,vJ x为vx向量的第J个元素。本实施例中,粒子数量取10,迭代次数取50,惯性权重因子w取0.8,加速常数c1、c2均取2,利用改进的DPSO算法求解本实施例的第二速度-位置模型,得到优化后的测试顺序为t4→t3→t2→t6,即按照t4、t3、t2、t6的顺序执行。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。
Claims (7)
1.一种运载火箭快速故障检测策略优化方法,其特征在于:包括如下步骤:
步骤一、确定运载火箭被测系统的测试项目;
步骤二、确定步骤一中测试项目的筛选目标,建立筛选目标的第一速度-位置模型,根据第一速度-位置模型利用DPSO算法对测试项目进行筛选;
步骤三、确定测试项目的排序优化目标,建立排序优化目标的第二速度-位置模型,根据第二速度-位置模型利用DPSO算法对步骤二中筛选后的测试项目进行排序。
2.根据权利要求1所述的一种运载火箭快速故障检测策略优化方法,其特征在于:所述步骤一中运载火箭被测系统的测试项目包括:系统待选测试项目的个数、每个测试项目的成本、每个测试项目的测试状态、不同测试状态间的状态转换成本。
3.根据权利要求1所述的一种运载火箭快速故障检测策略优化方法,其特征在于:所述步骤二中测试项目的筛选目标为:
(3a)测试项目覆盖运载火箭被测系统的所有故障模式;
(3b)测试项目的测试成本最小。
4.根据权利要求1所述的一种运载火箭快速故障检测策略优化方法,其特征在于:所述步骤二中建立筛选目标的第一粒子速度-位置模型的方法为:
(4a)粒子的位置pi用向量pi=(pi1,pi2,...,pij,...,pin)表示,其中n表示系统待选测试项目的个数,pi表示第i个粒子的位置;pij=1表示测试项目tj被第i个粒子选中,pij=0表示测试项目tj未被第i个粒子选中;tj表示第j个测试项目,j=1……n;
(4b)粒子的速度vi用向量vi=(vi1,vi2,...,vik,...,vin)表示,其中n表示系统待选测试项目的个数,vik的初始值在[0,1]内随机生成;vi表示第i个粒子的速度,k为粒子速度vik的列序号;k=1……n;
(4c)根据测试项目筛选的目标,构造第一速度-位置模型的粒子适应度函数F1(i)为:
<mrow>
<msub>
<mi>F</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>K</mi>
<mo>&times;</mo>
<msub>
<mi>&gamma;</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>1</mn>
</mrow>
</munder>
<mi>c</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
式中,γi为第i个粒子所选测试项目能够覆盖的故障检测率,K为γi的权重系数,mi为第i个粒子所选测试项目的个数,c(tj)表示测试项目tj的成本。
5.根据权利要求1所述的一种运载火箭快速故障检测策略优化方法,其特征在于:所述步骤三中测试项目的排序优化目标为:测试实施成本最小。
6.根据权利要求1所述的一种运载火箭快速故障检测策略优化方法,其特征在于:所述步骤三中建立排序优化目标的第二速度-位置模型的方法为:
(6a)粒子的位置p′I用向量p′I=(p′I1,p′I2,...,p′IJ,...,p′IN)表示,其中N表示步骤二中筛选出的测试项目的个数;p′IJ=l表示测试项目tl是第I个粒子第J次实施的测试项目;tl表示步骤二中筛选出的测试项目中的第l个测试项目;l=1...N;
(6b)粒子的速度vI用向量vI=(vI1,vI2,...,vIJ,...,vIN)表示,I为向量vI的序号,其中N表示步骤二中筛选出的测试项目的个数,vIJ=[a,b]表示将测试项目ta与测试项目tb交换实施顺序,ta、tb表示步骤二中筛选出的测试项目中的第a个、第b个测试项目,a=1...N,b=1...N,若vIJ=[0,0],则表示不进行任何交换;
(6c)根据排序优化的目标,构造第二速度-位置模型的粒子适应度函数F2(I)为:
<mrow>
<msub>
<mi>F</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>I</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>K</mi>
<mi>&lambda;</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>&lambda;</mi>
<mi>I</mi>
</msub>
</mrow>
</mfrac>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>K</mi>
<mi>&eta;</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>&eta;</mi>
<mi>I</mi>
</msub>
</mrow>
</mfrac>
</mrow>
式中,λI表示第I个粒子所代表的测试顺序的故障检测优化指数,Kλ表示λI的权重系数;ηI表示第I个粒子所代表的测试顺序的测试状态变换指数,Kη表示ηI的权重系数;
(6d)计算第I个粒子所代表的测试顺序的故障检测优化指数λI的方法为:
<mrow>
<msub>
<mi>&lambda;</mi>
<mi>I</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>J</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>&lsqb;</mo>
<mi>J</mi>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>&delta;</mi>
<mi>J</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&delta;</mi>
<mrow>
<mi>J</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
其中,N表示步骤二中筛选出的测试项目的个数,δJ(J≥1)表示实施完第I个粒子所代表的测试顺序中的第J个测试后,所检测到的所有故障模式的故障率之和,δ0=0;
(6e)利用最短路径算法Dijkstra,计算第I个粒子所代表的测试顺序的测试状态变换指数ηI。
7.根据权利要求3所述的一种运载火箭快速故障检测策略优化方法,其特征在于:所述测试成本包括测试项目数量和测试项目的成本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711162969.9A CN107817684A (zh) | 2017-11-21 | 2017-11-21 | 一种运载火箭快速故障检测策略优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711162969.9A CN107817684A (zh) | 2017-11-21 | 2017-11-21 | 一种运载火箭快速故障检测策略优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107817684A true CN107817684A (zh) | 2018-03-20 |
Family
ID=61609595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711162969.9A Pending CN107817684A (zh) | 2017-11-21 | 2017-11-21 | 一种运载火箭快速故障检测策略优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107817684A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111176310A (zh) * | 2019-12-31 | 2020-05-19 | 北京星际荣耀空间科技有限公司 | 一种运载火箭姿态控制系统的测试方法、装置及系统 |
CN112949524A (zh) * | 2021-03-12 | 2021-06-11 | 中国民用航空飞行学院 | 一种基于经验模态分解与多核学习的发动机故障检测方法 |
CN116029587A (zh) * | 2022-12-13 | 2023-04-28 | 中国人民解放军63921部队 | 一种火箭运载能力的量化表征方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722170A (zh) * | 2012-05-10 | 2012-10-10 | 北京宇航系统工程研究所 | 一种用于运载火箭测试发射阶段的故障检测方法 |
CN103116277A (zh) * | 2011-10-24 | 2013-05-22 | 费希尔-罗斯蒙特系统公司 | 预测故障分析 |
CN105486526A (zh) * | 2015-11-30 | 2016-04-13 | 北京宇航系统工程研究所 | 一种用于运载火箭测试发射过程的多策略故障诊断系统 |
CN105959056A (zh) * | 2016-04-21 | 2016-09-21 | 上海微小卫星工程中心 | 一种航天器遥测数据管理方法及系统 |
CN106447025A (zh) * | 2016-08-31 | 2017-02-22 | 电子科技大学 | 基于离散粒子群的测试性指标分配与测试选取联合算法 |
US9727034B1 (en) * | 2014-04-29 | 2017-08-08 | The United States Of America, As Represented By The Secretary Of The Navy | Unscented control for uncertain dynamical systems |
-
2017
- 2017-11-21 CN CN201711162969.9A patent/CN107817684A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116277A (zh) * | 2011-10-24 | 2013-05-22 | 费希尔-罗斯蒙特系统公司 | 预测故障分析 |
CN102722170A (zh) * | 2012-05-10 | 2012-10-10 | 北京宇航系统工程研究所 | 一种用于运载火箭测试发射阶段的故障检测方法 |
US9727034B1 (en) * | 2014-04-29 | 2017-08-08 | The United States Of America, As Represented By The Secretary Of The Navy | Unscented control for uncertain dynamical systems |
CN105486526A (zh) * | 2015-11-30 | 2016-04-13 | 北京宇航系统工程研究所 | 一种用于运载火箭测试发射过程的多策略故障诊断系统 |
CN105959056A (zh) * | 2016-04-21 | 2016-09-21 | 上海微小卫星工程中心 | 一种航天器遥测数据管理方法及系统 |
CN106447025A (zh) * | 2016-08-31 | 2017-02-22 | 电子科技大学 | 基于离散粒子群的测试性指标分配与测试选取联合算法 |
Non-Patent Citations (3)
Title |
---|
JIHYOUNGCHA 等: "Application of fault factor method to fault detection and diagnosis for space shuttle main engine", 《ACTA ASTRONAUTICA》 * |
汪芊芊 等: "运载火箭故障检测序列优化", 《宇航学报》 * |
颜国清 等: "载人运载火箭姿态控制故障仿真研究", 《载人航天》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111176310A (zh) * | 2019-12-31 | 2020-05-19 | 北京星际荣耀空间科技有限公司 | 一种运载火箭姿态控制系统的测试方法、装置及系统 |
CN112949524A (zh) * | 2021-03-12 | 2021-06-11 | 中国民用航空飞行学院 | 一种基于经验模态分解与多核学习的发动机故障检测方法 |
CN116029587A (zh) * | 2022-12-13 | 2023-04-28 | 中国人民解放军63921部队 | 一种火箭运载能力的量化表征方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107817684A (zh) | 一种运载火箭快速故障检测策略优化方法 | |
CN103853786B (zh) | 数据库参数的优化方法与系统 | |
CN106102079B (zh) | 基于改进pso的c-ran载波迁移资源需求预测方法 | |
CN103279793A (zh) | 一种确定环境下的无人飞行器编队任务分配方法 | |
Wang et al. | SSIEA: a hybrid evolutionary algorithm for supporting conceptual architectural design | |
CN103810104A (zh) | 一种软件测试用例优化方法及系统 | |
CN103108382A (zh) | 一种基于网络层次分析法的异构网络多属性决策方法 | |
CN108363876A (zh) | 一种考虑关键故障的测试优化选择方法 | |
CN104484548B (zh) | 一种改进的序贯故障诊断策略优化方法 | |
CN104536896A (zh) | 面向函数调用路径的回归测试用例选择与排序方法及系统 | |
CN103914587B (zh) | 一种基于模拟退火/回火现场可编程门阵列布局的方法 | |
CN106777449A (zh) | 基于二进制粒子群算法的配电网络重构方法 | |
Chen et al. | A method for local community detection by finding maximal-degree nodes | |
CN107133690A (zh) | 一种河湖水系连通工程方案优选排序方法 | |
CN102521131B (zh) | 一种基于动态基本块的缺陷定位测试用例约简方法 | |
CN110278571A (zh) | 一种基于简单预测-校正环节的分布式信号跟踪方法 | |
CN107919983A (zh) | 一种基于数据挖掘的天基信息网络效能评估系统及方法 | |
CN106294174A (zh) | 测试充分性的多维度度量方法及装置 | |
CN108388961A (zh) | 基于模块度优化的自适应随机邻居社团划分算法 | |
CN106157371A (zh) | 基于自适应周向扩张策略的散乱点云高效网格化方法 | |
CN106886620A (zh) | 航天器测试资源优化配置方法 | |
CN109615246A (zh) | 一种主动配电网经济运行状态确定方法 | |
CN109491709A (zh) | 一种基于ahp与神经网络的软件代码可控度综合评价方法 | |
CN105447571B (zh) | 一种基于遗传算法的体系结构自动优化方法 | |
CN113780146B (zh) | 基于轻量化神经架构搜索的高光谱图像分类方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180320 |