CN108226662A - 一种机载计算机故障预测方法 - Google Patents
一种机载计算机故障预测方法 Download PDFInfo
- Publication number
- CN108226662A CN108226662A CN201611154068.0A CN201611154068A CN108226662A CN 108226662 A CN108226662 A CN 108226662A CN 201611154068 A CN201611154068 A CN 201611154068A CN 108226662 A CN108226662 A CN 108226662A
- Authority
- CN
- China
- Prior art keywords
- failure
- different
- threatens
- analysis
- airborne computer
- 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/005—Testing of electric installations on transport means
- G01R31/008—Testing of electric installations on transport means on air- or spacecraft, railway rolling stock or sea-going vessels
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明涉及一种机载计算机故障预测方法,属于飞机航空电子系统设计领域,用于提高机载计算机故障预测与故障检测覆盖率,是提高设备可维护性的有效手段。本方法首先对实现系统功能的组件块进行威胁分析,提取不同应力环境对组件块的影响,对不同的组件块设置不同的监视传感器和预警电路,预测系统健康状况。其次进行扩展RCM分析,研究典型性能下降的特征参数、提取故障特征,评估故障状态。
Description
技术领域
本发明属于飞机航空电子系统设计领域,用于提高机载计算机故障预测与故障检测覆盖率,是提高设备可维护性的有效手段。
背景技术
飞行器长航时飞行对机载计算机可用性提出了较高的要求,提高系统的可用性基本上有两种方法:增加MTTF(Mean Time To Fail)或减少MTTR(Mean Time ToRepair)。增加MTTF要求增加系统的可靠性,而对于系统而言,当故障的产生难以进行有效的预测和消除时,通过快速故障恢复,降低平均修复时间(MTTR)也可以达到提高可用性的目的。
本发明设计的机载计算机故障预测方法通过设计不同故障监视与预警电路、建立故障预测推理模型,采用故障定位辅助决策算法,实现了对系统工作过程中故障的监测、定位,结合智能,实现了系统对故障的隔离、处理、重构和安全管理,有效提高了系统的可维护性,降低了系统平均修复时间。
发明内容
为了解决背景技术中所存在的技术问题,本发明提出了一种机载计算机故障预测方法,建立了基于功能区域威胁分析的故障预测与故障推理模型、故障预测辅助决策流程和算法,有效提高了机载计算机系统的可测试性和可维护性,从而提高了机载计算机系统的可用性。
本发明的技术解决方案:通过在机载计算机系统中建立监视传感器和预警电路,提取功能单元故障特征,在已建立的故障预测推理模型中,建立辅助决策监视系统运行环境,预测系统健康状况。
一种机载计算机故障预测方法,包含以下步骤:
步骤1:根据不同应力环境对不同功能区域的影响不同而进行的功能区域划分,如根据机载计算机不同功能区域如核心处理计算单元(CPU、MEM)以热威胁为主、通用接口功能单元(1394、IO、1553等)以电应力威胁为主、控制逻辑时序单元(CLK、处理逻辑等)以时序特征参数威胁为主、供电单元(5V、±15V、28V等)以功耗特征参数威胁为主、机载计算机平台的振动威胁等。
步骤2:根据不同应力环境对不同功能区域的影响不同而进行不同故障单元预测及典型性能下降的特征参数采集,故障预测单元的设计主要依据针对计算机系统不同功能区域进行威胁分析,对实现系统功能的不同组件提取其在不同应力环境下的影响,如热威胁、功耗威胁、振动威胁及电应力威胁等,依据影响因子对不同的组件块设置不同的监视传感器和故障预警电路,以采集典型性能下降的特征参数。如在热威胁参数采集中设计温度传感器电路,采集功能区域的温度特征,以判断热威胁影响,在振动威胁区域参数采集中设计振动传感器处理电路,采集功能区域的振动特征,以判断振动威胁等。
步骤3:多级监视门限威胁分析。采用多级监视门限方式、建立故障征兆矩阵和故障树,结合机载计算机系统结构模型和功能模型,在故障征兆矩阵和故障树分析的基础上,通过对故障现象的分析、判断,实现对故障的实时分析和快速诊断,进行威胁分析。
步骤4:故障辅助决策。故障定位辅助决策针对单事件故障定位和关联事件故障定位,通过对故障征兆数据采集、故障模拟数据采集,因果关系推理,建立故障辅助决策。
本发明的优点是:
a.针对不同应力环境对不同功能区域的影响,对各功能区域的关键威胁进行划分,并设置了不同的监视传感器和预警电路,特征参数提取更具针对性,威胁分析更准确。
b.故障预测推理模型可根据机载计算机工作条件及选用的元器件情况进行适应性配置,故障预测推理覆盖率、准确性高。
c.基于扩展RCM分析结合辅助决策能够对故障进行定位,解决了传统故障预测方法中不能像时序、回绕监控进行精确定位的难题。
附图说明
图1是本发明的故障预测技术基本原理。
图2是本发明的温度传感器处理电路实例。
图3是本发明的振动传感器处理电路实例。
图4是本发明的辅助决策流程。
图5是本发明的辅助决策算法。
具体实施方式
下面对本发明做进一步详细说明。
(1)本发明的故障预测技术采用基于功能区域的威胁分析,首先对实现系统功能的组件块进行威胁分析,提取不同应力环境对组件块的影响,对各功能区域的关键威胁进行划分(如热威胁、振动威胁、电应力威胁、功耗威胁等),对不同的组件块设置不同的监视传感器和预警电路,并研究典型性能下降的特征参数,提取故障特征。如在本发明的一个实施例中(如图2),对核心处理单元(CPU、MEM)设置温度传感器处理电路,该温度传感器每增加1℃,其电流增加1uA,通过A/D采集的串接电阻的电压值计算该功能单元的工作温度,为进行热威胁分析提供数据基础;在本发明的另一个实施例中(如图3),对整个机载计算机平台设置振动传感器处理电路,该传感器输出为线性电压,敏感度为50mV/g,在0g时输出电压为2.5V,为了更直观显示其加速度与电压之间的关系,在后级和差电路中减去2.5V的0g电压,调整后级比例因子使X轴与Y轴设计一致,为振动威胁分析提供数据基础。
(2)本发明的故障预测推理模型根据机载计算机的工作条件和选用的元器件情况(可配置),以热威胁、功耗威胁、振动威胁等特征作为预测推理的数据来源,采用多级监视门限方式,结合故障征兆矩阵知识库和计算机系统故障树,对故障进行实时分析和快速预测诊断。如在本发明的一个实施例中,将热威胁对机载计算机的健康影响设置为2级监视门限,分别是大于80℃小于100℃为一般恶劣环境威胁,大于100℃为强恶劣环境威胁。在本发明的另一个实施例中,对功能特征功能区域对健康的影响进行了分析预测,设置了二次电源采集电路,跟踪信号特征的长期变化,设置的监视门限包括:5V电源低于4.5V持续时间大于50ms,+15V电源低于+14.5V、-15V电源高于-14.5V持续时间大于50ms时为一般寿命威胁。
(3)辅助决策基于扩展RCM(reliability centered maintenance)分析,在系统的测试性分析及故障树分析的基础上,结合故障预警信息,研究典型性能下降的特征参数、提取故障特征,评估故障状态,在故障预测分析的基础上进一步进行故障定位。故障定位辅助决策针对单事件故障定位和关联事件故障定位,通过对故障征兆数据采集、故障模拟数据采集,建立状态信息库,结合故障预警信息和温度关联特征提取,进行因果关系推理,建立故障辅助决策。本发明的实施例中,判断机载计算机功能单元健康监控区域温度是否大于80℃,若是,则对温度超限区域预警,启动辅助决策,读取信息库温度信息,并对其余威胁区域内的温度与信息库内对应区域的温度进行比较,若比较结果大于信息库温度的20%,则进行关联故障预警(判定为外部环控故障),若比较结果小于信息库的温度的10%,则判定为单事件故障,在10%-20%之间则判断为不确定故障。
Claims (1)
1.一种机载计算机故障预测方法,包含以下步骤:
步骤1:根据不同应力环境对不同功能区域的影响不同而进行的功能区域划分;如根据机载计算机不同功能区域如核心处理计算单元以热威胁为主、通用接口功能单元以电应力威胁为主、控制逻辑时序单元以时序特征参数威胁为主、供电单元以功耗特征参数威胁为主、机载计算机平台的振动威胁等;
步骤2:根据不同应力环境对不同功能区域的影响不同而进行不同故障单元预测及典型性能下降的特征参数采集,故障预测单元的设计主要依据针对计算机系统不同功能区域进行威胁分析,对实现系统功能的不同组件提取其在不同应力环境下的影响,如热威胁、功耗威胁、振动威胁及电应力威胁等,依据影响因子对不同的组件块设置不同的监视传感器和故障预警电路,以采集典型性能下降的特征参数;如在热威胁参数采集中设计温度传感器电路,采集功能区域的温度特征,以判断热威胁影响,在振动威胁区域参数采集中设计振动传感器处理电路,采集功能区域的振动特征,以判断振动威胁等;
步骤3:多级监视门限威胁分析;采用多级监视门限方式、建立故障征兆矩阵和故障树,结合机载计算机系统结构模型和功能模型,在故障征兆矩阵和故障树分析的基础上,通过对故障现象的分析、判断,实现对故障的实时分析和快速诊断,进行威胁分析;
步骤4:故障辅助决策;故障定位辅助决策针对单事件故障定位和关联事件故障定位,通过对故障征兆数据采集、故障模拟数据采集,因果关系推理,建立故障辅助决策。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611154068.0A CN108226662B (zh) | 2016-12-14 | 2016-12-14 | 一种机载计算机故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611154068.0A CN108226662B (zh) | 2016-12-14 | 2016-12-14 | 一种机载计算机故障预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108226662A true CN108226662A (zh) | 2018-06-29 |
CN108226662B CN108226662B (zh) | 2020-04-07 |
Family
ID=62637612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611154068.0A Active CN108226662B (zh) | 2016-12-14 | 2016-12-14 | 一种机载计算机故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108226662B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447401A (zh) * | 2018-09-18 | 2019-03-08 | 中国科学院自动化研究所 | 基于自适应资源调配的地面健康管理方法、系统及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS60159662A (ja) * | 1984-01-31 | 1985-08-21 | Tokyo Electric Co Ltd | サ−マルヘツドの発熱体故障検出装置 |
CN101047573A (zh) * | 2006-06-27 | 2007-10-03 | 华为技术有限公司 | 通信设备故障检测系统及通信设备故障检测方法 |
CN103019904A (zh) * | 2012-12-27 | 2013-04-03 | 中国航空工业集团公司第六三一研究所 | 机载余度计算机支持容错验证的无损故障注入方法 |
CN105573898A (zh) * | 2015-12-11 | 2016-05-11 | 中国航空工业集团公司西安航空计算技术研究所 | 一种机载计算机综合性能自动测评方法 |
CN105930963A (zh) * | 2016-04-15 | 2016-09-07 | 中国船舶工业系统工程研究院 | 一种机电系统装备健康评估方法 |
-
2016
- 2016-12-14 CN CN201611154068.0A patent/CN108226662B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS60159662A (ja) * | 1984-01-31 | 1985-08-21 | Tokyo Electric Co Ltd | サ−マルヘツドの発熱体故障検出装置 |
CN101047573A (zh) * | 2006-06-27 | 2007-10-03 | 华为技术有限公司 | 通信设备故障检测系统及通信设备故障检测方法 |
CN103019904A (zh) * | 2012-12-27 | 2013-04-03 | 中国航空工业集团公司第六三一研究所 | 机载余度计算机支持容错验证的无损故障注入方法 |
CN105573898A (zh) * | 2015-12-11 | 2016-05-11 | 中国航空工业集团公司西安航空计算技术研究所 | 一种机载计算机综合性能自动测评方法 |
CN105930963A (zh) * | 2016-04-15 | 2016-09-07 | 中国船舶工业系统工程研究院 | 一种机电系统装备健康评估方法 |
Non-Patent Citations (1)
Title |
---|
马剑 等: "船舶主推进系统故障预测与健康管理设计", 《南京航空航天大学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447401A (zh) * | 2018-09-18 | 2019-03-08 | 中国科学院自动化研究所 | 基于自适应资源调配的地面健康管理方法、系统及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108226662B (zh) | 2020-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gou et al. | Aeroengine control system sensor fault diagnosis based on CWT and CNN | |
Jiang et al. | Performance supervised plant-wide process monitoring in industry 4.0: A roadmap | |
Yildirim et al. | Aircraft gas turbine engine health monitoring system by real flight data | |
EP3098681B1 (en) | Artificial intelligence based health management of host system | |
CN109543210A (zh) | 一种基于机器学习算法平台的风电机组故障预测系统 | |
CN107103658B (zh) | 基于深度学习与高斯分布的航空发动机气路异常检测方法 | |
CN106250709A (zh) | 基于传感器关联网络的燃气轮机异常检测与故障诊断算法 | |
Mortada et al. | Rogue components: their effect and control using logical analysis of data | |
CN107229017A (zh) | 一种风力发电机组变桨蓄电池异常故障预测方法 | |
Green et al. | NILM dashboard: Actionable feedback for condition-based maintenance | |
Carratù et al. | A novel methodology for unsupervised anomaly detection in industrial electrical systems | |
US10706361B1 (en) | Hybrid feature selection for performance prediction of fluid control valves | |
Chai et al. | A non-intrusive deep learning based diagnosis system for elevators | |
CN110210634A (zh) | 基于大数据驱动的民航发动机故障诊断与健康管理系统 | |
CN108226662A (zh) | 一种机载计算机故障预测方法 | |
Wen et al. | Applications of Prognostics and Health Management in aviation industry | |
CA3054400C (en) | System for determining the positioning of aircraft structural monitoring sensors | |
Liqing et al. | A frame design of helicopter health monitoring and diagnosis system based on testability | |
Daouayry et al. | Data-centric helicopter failure anticipation: The mgb oil pressure virtual sensor case | |
Dai et al. | Evolution of aircraft maintenance and logistics based on prognostic and health management technology | |
CN113050595A (zh) | 一种基于pfmea和hra方法的潜在故障分析方法 | |
Suzuki et al. | An anomaly detection system for advanced maintenance services | |
Gao et al. | Study on the Influence of PHM Technology on Aircraft Maintenance Support Mode | |
Bo et al. | Fada-cps—faults and attacks discrimination in cyber physical systems | |
Ribot et al. | A generic adaptive prognostic function for heterogeneous multi-component systems: application to helicopters |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |