CN108563142B - 一种基于sha的航天器acs任务寿命预测方法 - Google Patents
一种基于sha的航天器acs任务寿命预测方法 Download PDFInfo
- Publication number
- CN108563142B CN108563142B CN201711306155.8A CN201711306155A CN108563142B CN 108563142 B CN108563142 B CN 108563142B CN 201711306155 A CN201711306155 A CN 201711306155A CN 108563142 B CN108563142 B CN 108563142B
- Authority
- CN
- China
- Prior art keywords
- spacecraft
- component
- sha
- current
- sequence
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000015556 catabolic process Effects 0.000 claims abstract description 30
- 238000006731 degradation reaction Methods 0.000 claims abstract description 30
- 238000004088 simulation Methods 0.000 claims description 13
- 238000007619 statistical method Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 7
- 230000007704 transition Effects 0.000 claims description 7
- 230000001932 seasonal effect Effects 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 3
- 206010011906 Death Diseases 0.000 description 2
- 230000008846 dynamic interplay Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
Images
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
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于SHA的航天器ACS任务寿命预测方法,属于航天器姿态控制的技术领域。本发明基于随机混杂自动机进行寿命预测,模拟了航天器ACS在轨运行时的随机混杂运动,预测寿命结果不仅基于系统可靠性,还考虑了系统性能退化对寿命的约束,克服了传统寿命预测方法仅可从可靠性角度进行寿命预测的局限,预测结果更加符合航天任务的需求。
Description
技术领域
本发明公开了一种基于SHA(Stochastic Hybrid Automaton,随机混杂自动机)的航天器ACS(ACS, 姿态控制系统)任务寿命预测方法,属于航天器姿态控制的技术领域。
背景技术
随机混杂系统(Stochastic Hybrid System, SHS)理论可描述一个由连续(或离散)时间变量、离散事件变量以及随机因素相互作用的复杂系统,是近年来在可靠性、控制领域兴起的新兴技术。随机混杂自动机是分析SHS的方法中最为经典的模型。SHA利用离散状态转移图体现系统在实际运行过程中存在的多种状态,考虑了状态间的确定性转移(例如:外部输入)、非确定性转移(例如:随机故障);通过随机微分方程描述性能参数的变化;将连续量、离散量统一到统一框架下实现连续量与离散量的动态交互。因此,SHA具有模拟复杂系统随机混杂运动的能力,已用于核电站等大型关键设备的可靠性评估领域。
单个部件的寿命终止常表现为突发性功能失效或性能退化这两种形式,传统预测方法仅针对其中一种寿命终止形式对部件展开寿命预测。对于多个部件构成的系统,部件的突发性功能失效会导致系统的突发性功能失效,部件的性能退化会导致系统的性能退化,而系统的功能失效与性能退化都会导致任务寿命的终止。传统预测方法考虑的角度较为单一且无法体现部件与系统间的动态交互,因此难以得到准确的系统任务寿命预测结果。
发明内容
本发明的发明目的是针对上述背景技术的不足,提供了一种基于SHA的航天器ACS任务寿命预测方法,考虑系统配置、系统工作模式、环境温度、航天器任务等因素对系统性能退化、系统动态可靠性的影响,基于随机混杂自动机实现了航天器姿控系统任务寿命的准确预测,解决了仅针对一种寿命终止形式对部件展开寿命预测的传统方案难以得到准确的系统任务寿命预测结果的技术问题。
本发明为实现上述发明目的采用如下技术方案:
一种基于随机混杂自动机的航天器姿态控制系统任务寿命预测方法,通过包括:SHA模块、在轨环境温度预测模块、相似性模块、计算&统计分析模块的系统实现。相似性模块通过相似度算法处理历史航天器信息和当前航天器信息得到当前航天器部件的在轨可靠性模型。根据当前航天器部件的环境温度历史时间序列,在轨环境温度预测模块通过预测算法预测出未来一段时间内的在轨环境温度(部件所处环境的温度),即,环境温度预测时间序列;SHA模块根据部件性能退化模型与部件在轨可靠性模型建立部件SHA,由多个部件SHA建立动态故障树结构的子系统SHA,子系统SHA用于模拟航天器子系统在轨时的随机混杂运动;环境温度预测时间序列传递给SHA模块作为部件SHA的环境输入;再将子系统SHA模块输出的系统性能退化参数代入计算&统计分析模块中的姿控仿真闭环进行仿真计算,随着仿真时间的增长,某时刻航天器的姿控功能会发生突发性失效或者姿控性能不再满足任务需求,该时刻即认为是该航天器姿态控制系统的一个任务寿命预测样本,基于MonteCarlo思想得到该航天器姿态控制系统的多个任务寿命预测样本,对多个任务寿命预测样本进行统计学分析可得该航天器姿态控制系统在未来一段时间内的任务寿命的概率分布情况。
基于随机混杂自动机的航天器姿态控制系统任务寿命预测方法,包括如下6个步骤。
(1)为了体现部件所属系统的特征,对历史航天器、当前航天器的信息进行包括任务特征、轨道特征、姿控系统配置特征、空间环境特征等语义特征的提取,并对语义特征进行参数化处理,反应部件自身数据特征的航天器部件遥测数据(如:陀螺的环境温度遥测数据、飞轮的转速遥测数据)与参数化后的语义特征共同组成某航天器某部件的特征集合。
(2)求语义特征欧式距离的倒数作为语义特征的相似度,对航天器部件遥测数据进行灰色相似关联度分析得出数据特征相似度,再分别对这两类相似度加权得出各特征集的相似度,权值通过优化算法调整,根据当前航天器与历史航天器同一部件的相似度、历史航天器部件的失效时刻得到同一部件的可靠性点估计,进而拟合得出部件的在轨可靠性模型。
(3)由部件的在轨可靠性模型、部件性能退化模型以及部件状态转移图构建出部件SHA,部件SHA用于得出单个部件在应力状态变化、工作模式变化下的动态可靠性、性能退化轨道。
(4)为了克服系统状态组合爆炸问题,利用动态故障树(Dynamic Fault Tree,DFT)体现系统配置、系统冗余以及系统失效路径,将部件SHA作为动态故障树的底事件,部件SHA向上层的动态逻辑门SHA传递部件性能退化数据得到DFT结构的子系统SHA,部件的性能退化参数通过动态逻辑门SHA的逻辑处理最终可得到子系统的性能退化参数,部件的突发性失效通过DFT蕴含的失效路径在子系统内传播,最终引起子系统的失效。
(5)利用X-11算法分解当前航天器部件的遥测环境温度历史时间序列得到趋势项序列、季节项序列以及随机项序列;对于趋势项序列,采用分段多项式拟合方法得出趋势项预测序列;对于季节项序列,采用核函数回归方法得出季节项预测序列;对于随机项序列,采用自回归滑动平均(Auto-Regressive and Moving Average,ARMA)模型得出随机项预测序列;将三种类型的预测序列叠加得到环境温度预测时间序列,环境温度预测时间序列作为部件SHA的外部输入,用于计算出部件的动态可靠性以及性能退化轨道。
(6)将子系统SHA接入姿控仿真闭环,ACS的性能不再满足任务需求或由于子系统失效导致姿控功能丧失的时刻作为航天器姿态控制系统的一个任务预测寿命样本,基于MonteCarlo思想进行多次仿真,当任务预测寿命样本的方差缩小到一定范围内仿真停止,对所有任务预测寿命样本进行统计分析得出未来某段时间内该航天器姿态控制系统的任务寿命分布。
本发明采用上述技术方案,具有以下有益效果:
(1)本发明基于随机混杂自动机进行寿命预测,模拟了航天器ACS在轨运行时的随机混杂运动,预测寿命结果不仅基于系统可靠性,还考虑了系统性能退化对寿命的约束,克服了传统寿命预测方法仅可从可靠性角度进行寿命预测的局限,预测结果更加符合航天任务的需求。
(2)本发明可以得出在环境变化、系统模式变化、部件随机失效等复杂条件下的系统动态可靠性以及性能退化轨道,相较于定常条件下的传统寿命预测方法,本发明更适用于实际使用场景。
(3)本发明为模型与数据相结合的寿命预测方法,模型利用了易得的航天器ACS系统配置、ACS失效路径、部件性能退化模型,避免了纯数据方法信息不全的缺陷,从历史航天器的数据中提取部件的在轨可靠性模型;利用遥测数据预测未来一段时间内部件所处环境温度的变化情况,环境温度预测时间序列作为部件性能退化模型的输入,相较传统系统任务寿命预测方法,本发明克服了部件在轨可靠性难以获取、空间环境基于人为假设的缺陷。
附图说明
图1为基于随机混杂自动机的航天器姿态控制系统任务寿命预测方法示意图。
图2为基于相似性原理获得部件在轨可靠性模型的示意图。
图3为遥测数据预测方法示意图。
图4为部件SHA的结构示意图。
图5为计算&统计与分析模块的示意图。
具体实施方式
下面结合附图对发明的技术方案进行详细说明。
图1所示基于随机混杂自动机的航天器姿态控制系统任务寿命预测方法通过包括:SHA模块、在轨环境温度预测模块、相似性模块、计算&统计分析模块的系统实现。相似度模块通过相似度算法处理历史航天器的信息,得到当前航天器的部件在轨可靠性模型;根据部件性能退化模型与前一模块得到的部件可靠性模型建立部件SHA,再结合DFT得到各子系统SHA组成SHA模块,SHA模块用于模拟航天器子系统在轨时的随机混杂运动;根据当前航天器的遥测环境温度历史时间序列,在轨环境温度预测模块通过预测算法预测出未来一段时间内部件所处环境的温度,并传递给计算&统计分析模块;根据环境温度预测时间序列以及各子系统SHA,计算&统计分析模块可得该航天器ACS在未来一段时间内任务寿命的分布情况。
以下详细介绍各模块。
图2显示了相似性模块的原理。主要包括以下步骤:
(1)对历史航天器、对象航天器的信息进行语义特征提取,包括任务特征、轨道特征、姿控系统配置特征、空间环境特征等,并将语义特征参数化处理,语义特征体现了部件所处工作场景的特征。
(2)对历史航天器、对象航天器的信息进行部件数据特征提取,部件的遥测数据体现了部件自身的数据特征。
(3)部件的数据特征和语义特征共同组成该航天器部件的特征集合。
(4)对语义特征求欧式距离倒数作为语义特征相似度,对数据特征进行灰色相似关联度分析得出数据特征相似度,再分别对这两类相似度加权得出各特征集的相似度,权值通过优化算法调整。
(5)根据对象航天器部件与历史航天器部件的相似度、历史航天器部件的失效时刻,得到部件的可靠性点估计,进而拟合得出对象航天器部件的在轨可靠性模型。
图3显示了在轨环境温度预测模块的原理。主要包括以下步骤:
(1)将遥测温度历史时间序列通过x-11数据分解法进行分解,得到历史趋势项序列、历史周期性序列以及历史随机项序列。
(2)针对各时间序列的特性,选择适合的时间序列预测方法。对于历史趋势项序列,采用分段多项式拟合方法进行预测,得到预测趋势项序列;对于历史周期项序列,采用核函数回归方法进行预测,得到预测趋势项序列;对于历史随机项序列,采用ARMA方法进行预测,得到预测随机项序列。
(3)将通过预测方法得出的趋势项序列、趋势项序列以及随机项序列进行叠加,得到环境温度预测时间序列。
图4显示了部件SHA的结构。其运行原理如下:
(1)部件在当前时刻因环境、工作模式等约束处于离散状态层中的某个离散状态。
(2)交互层读取当前离散状态进行模型重构,选取该状态下部件性能退化模型、在轨可靠性模型。
(3)连续层读取交互层确定的模型,根据模型计算出部件的性能退化以及可靠性。
(4)部件性能退化与可靠性传递给交互层。当外部输入或性能退化满足条件时,发生确定性跳变。不确定性跳变由部件可靠性决定。
(5)交互层判定某个跳变的发生,满足离散层进行状态转移的条件,部件的当前离散状态将朝目标状态进行转移。
本发明利用DFT的结构描述航天器ACS系统配置、系统失效路径,将传统的系统状态转移图由平面网状结构转为DFT结构,底事件由部件SHA代替,动态逻辑门转换为SHA,以此大大减少了系统SHA离散状态人工建模个数,使得SHA方法得以应用于复杂系统。
图5显示了计算&统计分析模块的原理。具体步骤如下:
(1)将各子系统SHA的性能退化参数代入姿控仿真闭环进行仿真。
(2)随着仿真时间的增长,各子系统的性能逐步退化,导致ACS的姿控性能发生退化。
(3)当ACS性能不满足任务需求时,该时刻即为一个预测寿命样本。
(4)在ACS性能不满足任务需求前,多个部件的故障也会造成ACS的姿控功能丧失,该时刻同样为一个预测寿命样本。
(5)由于一次仿真并不能涵盖系统所有的失效路径,因此需要基于MonteCarlo思想多次仿真,用大量测得样本数据涵扩ACS寿命信息。
(6)利用统计分析方法,从大量样本数据中提取出ACS的寿命信息,得到ACS寿命预测分布。
Claims (7)
1.一种基于SHA的航天器ACS任务寿命预测方法,其特征在于,根据历史航天器信息和当前航天器信息确定航天器各部件的相似度,由航天器各部件的相似度构建当前航天器各部件的在轨可靠性模型,根据当前航天器部件的在轨可靠性模型、性能退化模型、状态转移图建立当前航天器的部件SHA,建立用于模拟航天器姿态控制系统随机混杂运动下动态逻辑门动态组合的动态逻辑门SHA,以当前航天器的部件SHA为底部事件并以动态逻辑门SHA为上层事件构建动态故障树结构的子系统SHA,根据子系统SHA输出的子系统性能退化参数以及当前航天器部件的环境温度预测时间序列对当前航天器进行姿控闭环仿真,选取当前航天器姿控功能发生突发性失效或者姿控性能不再满足任务需求的时刻为当前航天器姿态控制系统的任务寿命预测样本,对当前航天器姿态控制系统的多个任务寿命预测样本进行统计分析得到当前航天器姿态控制系统在未来时间段内任务寿命的概率分布情况。
2.根据权利要求1所述一种基于SHA的航天器ACS任务寿命预测方法,其特征在于,根据历史航天器信息和当前航天器信息确定航天器各部件的相似度的方法为:提取历史航天器的语义特征、当前航天器的语义特征,以历史航天器和当前航天器同一语义特征欧氏距离的倒数为该语义特征的相似度,对历史航天器和当前航天器同一部件的遥测数据进行灰色相似关联分析得到该遥测数据所反映部件数据特征的相似度,加权各语义特征的相似度及遥测数据所反映部件数据特征的相似度得到航天器该部件的相似度。
3.根据权利要求1所述一种基于SHA的航天器ACS任务寿命预测方法,其特征在于,按照如下方法计算当前航天器部件的环境温度预测时间序列:采用X-11算法对当前航天器部件的遥测环境温度历史时间序列进行分解得到趋势项序列、季节项序列以及随机项序列,采用分段多项式拟合方法处理趋势项序列得出趋势项预测序列,采用核函数回归方法处理季节项序列得出季节项预测序列;采用自回归滑动平均模型处理随机项序列得出随机项预测序列,叠加趋势项预测序列、季节项预测序列、随机项预测序列得到当前航天器部件的环境温度预测时间序列。
4.根据权利要求1所述一种基于SHA的航天器ACS任务寿命预测方法,其特征在于,所述当前航天器的部件SHA包括:
离散层,记录当前航天器部件在各时刻的离散状态,在收到交互层传递的转移指令时转移离散状态,
交互层,读取当前航天器部件的离散状态,根据当前航天器部件的离散状态重构当前航天器部件的性能退化模型和在轨可靠性模型,读取连续层传递的部件性能退化程度以及可靠性,在外部输入或部件性能退化程度满足姿态控制系统切换工作模式的条件时触发确定性跳变,在部件可靠性改变时触发随机性跳变,在确定性跳变和/或随机性跳变满足离散状态转移条件时向离散层传递转移指令,及,
连续层,读取交互层确定的当前航天器部件的性能退化模型和在轨可靠性模型并计算当前航天器部件的性能退化程度以及可靠性。
5.根据权利要求1所述一种基于SHA的航天器ACS任务寿命预测方法,其特征在于,当前航天器姿态控制系统的多个任务寿命预测样本通过基于蒙特卡洛思想的姿态闭环仿真确定。
6.根据权利要求2所述一种基于SHA的航天器ACS任务寿命预测方法,其特征在于,所述语义特征包含但不限于任务特征、轨道特征、姿控系统配置特征、空间环境特征。
7.根据权利要求1或2所述一种基于SHA的航天器ACS任务寿命预测方法,其特征在于,由航天器各部件的相似度构建当前航天器各部件的在轨可靠性模型的方法为:结合航天器同一部件的相似度以及历史航天器部件的失效时刻得到航天器各部件的可靠性点估计,拟合航天器各部件的可靠性点估计得到航天器各部件的在轨可靠性模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711306155.8A CN108563142B (zh) | 2017-12-11 | 2017-12-11 | 一种基于sha的航天器acs任务寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711306155.8A CN108563142B (zh) | 2017-12-11 | 2017-12-11 | 一种基于sha的航天器acs任务寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108563142A CN108563142A (zh) | 2018-09-21 |
CN108563142B true CN108563142B (zh) | 2020-07-24 |
Family
ID=63529274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711306155.8A Active CN108563142B (zh) | 2017-12-11 | 2017-12-11 | 一种基于sha的航天器acs任务寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108563142B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110083611B (zh) * | 2019-05-10 | 2021-04-06 | 南京航空航天大学 | 一种基于统计模型检测的随机混成系统安全性分析方法 |
CN112053198B (zh) * | 2020-09-21 | 2024-04-16 | 腾讯科技(深圳)有限公司 | 一种游戏数据处理方法、装置、设备和介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102208028A (zh) * | 2011-05-31 | 2011-10-05 | 北京航空航天大学 | 一种适用于动态复杂系统的故障预测和诊断方法 |
CN102542159A (zh) * | 2011-12-08 | 2012-07-04 | 北京空间飞行器总体设计部 | 一种在轨航天器状态预测方法 |
CN102880170A (zh) * | 2012-10-08 | 2013-01-16 | 南京航空航天大学 | 基于基线模型和贝叶斯因子的系统故障早期预警方法 |
CN103178710A (zh) * | 2012-12-14 | 2013-06-26 | 华南理工大学 | Buck变换器的基于恒定开关频率的混杂控制方法 |
CN103309348A (zh) * | 2013-06-28 | 2013-09-18 | 哈尔滨工业大学 | 一种利用二阶卡尔曼滤波算法估计卫星姿态控制系统执行机构加性故障大小的方法 |
CN103425874A (zh) * | 2013-07-23 | 2013-12-04 | 北京航空航天大学 | 一种基于率模可靠性理论的航天器健康评估方法 |
CN104966130A (zh) * | 2015-06-10 | 2015-10-07 | 中国西安卫星测控中心 | 一种数据驱动的航天器状态预测方法 |
CN105205271A (zh) * | 2015-09-29 | 2015-12-30 | 中国运载火箭技术研究院 | 一种基于动态特性的飞行器任务可靠性建模方法 |
CN106446506A (zh) * | 2016-08-26 | 2017-02-22 | 航天东方红卫星有限公司 | 一种多方法组合的小卫星状态自主智能预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2656381B1 (fr) * | 1989-12-22 | 1994-06-03 | Aerospatiale | Dispositif d'alimentation en ergol liquide pour vehicule spatial, adapte a la prediction de sa fin de vie. |
US8824731B2 (en) * | 2007-10-31 | 2014-09-02 | The Boeing Comapny | Image processing of apparatus condition |
FR2972712B1 (fr) * | 2011-03-16 | 2014-09-05 | Airbus Operations Sas | Surveillance d'un actionneur de commande de vol d'un aeronef |
-
2017
- 2017-12-11 CN CN201711306155.8A patent/CN108563142B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102208028A (zh) * | 2011-05-31 | 2011-10-05 | 北京航空航天大学 | 一种适用于动态复杂系统的故障预测和诊断方法 |
CN102542159A (zh) * | 2011-12-08 | 2012-07-04 | 北京空间飞行器总体设计部 | 一种在轨航天器状态预测方法 |
CN102880170A (zh) * | 2012-10-08 | 2013-01-16 | 南京航空航天大学 | 基于基线模型和贝叶斯因子的系统故障早期预警方法 |
CN103178710A (zh) * | 2012-12-14 | 2013-06-26 | 华南理工大学 | Buck变换器的基于恒定开关频率的混杂控制方法 |
CN103309348A (zh) * | 2013-06-28 | 2013-09-18 | 哈尔滨工业大学 | 一种利用二阶卡尔曼滤波算法估计卫星姿态控制系统执行机构加性故障大小的方法 |
CN103425874A (zh) * | 2013-07-23 | 2013-12-04 | 北京航空航天大学 | 一种基于率模可靠性理论的航天器健康评估方法 |
CN104966130A (zh) * | 2015-06-10 | 2015-10-07 | 中国西安卫星测控中心 | 一种数据驱动的航天器状态预测方法 |
CN105205271A (zh) * | 2015-09-29 | 2015-12-30 | 中国运载火箭技术研究院 | 一种基于动态特性的飞行器任务可靠性建模方法 |
CN106446506A (zh) * | 2016-08-26 | 2017-02-22 | 航天东方红卫星有限公司 | 一种多方法组合的小卫星状态自主智能预测方法 |
Non-Patent Citations (2)
Title |
---|
基于随机混合自动机的混合系统故障诊断方法;郑玉英;《机电技术》;20070806;全文 * |
混杂系统粒子滤波混合状态估计及故障诊断算法;郭健彬;《系统工程与电子技术》;20150831;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108563142A (zh) | 2018-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102208028A (zh) | 一种适用于动态复杂系统的故障预测和诊断方法 | |
CN106504122A (zh) | 一种基于邻域保持嵌入算法的环网柜的故障监测方法及系统 | |
Pandit et al. | Data‐driven weather forecasting models performance comparison for improving offshore wind turbine availability and maintenance | |
CN106598029A (zh) | 基于性能退化的列控车载设备可靠性预测方法 | |
CN108563142B (zh) | 一种基于sha的航天器acs任务寿命预测方法 | |
CN106446506A (zh) | 一种多方法组合的小卫星状态自主智能预测方法 | |
Ryu et al. | Probabilistic deep learning model as a tool for supporting the fast simulation of a thermal–hydraulic code | |
Duan et al. | Co‐simulation of distributed control system based on JADE for smart distribution networks with distributed generations | |
Wang et al. | Condition-based maintenance method for multicomponent system considering maintenance delay based on remaining useful life prediction: Subsea tree system as a case | |
Nozhenkova et al. | Creation of the base of a simulation model’s precedents for analysis of the spacecraft onboard equipment testing results | |
Ganchenko et al. | Neural network software diagnosis system of telemetry data | |
CN116822722A (zh) | 水位预测方法、系统、装置、电子设备及介质 | |
CN113541986A (zh) | 5g切片的故障预测方法、装置及计算设备 | |
CN115994617A (zh) | 结合循环神经网络与滤波算法的剩余寿命预测方法及系统 | |
Seo et al. | A study on modeling using big data and deep learning method for failure diagnosis of system | |
CN114819350A (zh) | 基于多任务的传感器故障情况下的rul预测方法 | |
Dong et al. | Deep reinforcement learning based preventive maintenance for wind turbines | |
CN112085203A (zh) | 面向多状态机载搜救系统的模糊bn任务可靠性预测方法 | |
Gruber et al. | Condition‐Based Maintenance v ia a Targeted B ayesian Network Meta‐Model | |
Cano et al. | Reliability forecasting in complex hardware/software systems | |
Oktay et al. | Combined Markov and UGF Methods for Multi-State Repairable Phased Mission Systems | |
CN117993894B (zh) | 基于人工智能的轨道交通运维状态数据处理方法及系统 | |
Huang | Intelligent maintenance scheduling system for maximum performance of solar-energy-generating system | |
Sun et al. | Research on the Evaluation and Prediction Method of Solar-powered UAV Energy and Electrical System Health State Based on DBN | |
Sifat et al. | Novel Abstractions and Experimental Validation for Digital Twin Microgrid Design: Lab Scale Studies and Large Scale Proposals |
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 |