CN109815507A - 基于符号有向图的飞控系统的故障样本选取方法 - Google Patents
基于符号有向图的飞控系统的故障样本选取方法 Download PDFInfo
- Publication number
- CN109815507A CN109815507A CN201711163935.1A CN201711163935A CN109815507A CN 109815507 A CN109815507 A CN 109815507A CN 201711163935 A CN201711163935 A CN 201711163935A CN 109815507 A CN109815507 A CN 109815507A
- Authority
- CN
- China
- Prior art keywords
- node
- directed graph
- control system
- importance
- graph models
- 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
Landscapes
- Test And Diagnosis Of Digital Computers (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于符号有向图的飞控系统的故障样本选取方法。本发明的方法包括:建模步骤,根据飞控系统的信号传递关系及能量传递关系,建立飞控系统的符号有向图模型;节点重要性计算步骤,基于去毁度计算所述符号有向图模型中的各个节点的重要性;节点筛选步骤,以计算得到的节点的重要性的顺序选出多个节点形成源节点集合,所述源节点集合中的所有节点满足,以其为起点以正向推理通过所述符号有向图模型中的相容通路可覆盖所述符号有向图模型中的所有节点。本发明在保障故障注入实验能够涵盖飞控系统重要节点的同时,能够显著减少选取的故障样本数量,提高故障注入实验的效率。
Description
技术领域
本发明涉及飞控系统的故障样本选取,其可应用于飞控系统的故障测试中的故障注入,属于飞控系统自动检测的技术领域,尤其涉及基于符号有向图的飞控系统的故障样本选取方法。
背景技术
随着现代控制系统的越来越复杂,控制系统出现故障的可能性增大,故障诊断与容错控制技术在过去的几十年里得到了飞速的发展。故障注入实验是验证故障诊断及容错控制算法的有效方法之一,并在该领域占有越来越重要的地位。故障样本选取及优化又是故障注入实验的一项重要内容。目前,选取故障样本的标准与指标并不统一,主要以军用标准或用户手册等形式呈现,大多是基于数理统计通过分层抽样的方法选取故障样本,未考虑系统构成等实际问题。
学者们提出了多种故障注入的故障样本选择的方法,如将模糊理论与层次分析法(AHP)相结合,故障样本的分配由得到的权重确定;基于改进的遗传算法,在故障注入试验费用最小的目标下,建立了故障样本优化选取模型;基于模糊概率Petri模型和故障扩散强度的样本选取方法。但是飞行器控制系统和普通的民用系统不同,普通控制系统在出现故障后一般关机停止运行,可以防止故障演化加剧,而飞行器一旦出现故障,可能会发生坠机的严重后果,所以有必要考虑飞行控制系统在故障发生后的情况。但在飞行器控制系统的测试方面,目前大多数是做正常功能可达性测试,即看系统能否根据指令做出正确的相应,而进行故障后功能测试的较少。因此,飞控系统的故障试验中的故障注入样本选择问题,亟待解决。
具体来说,亟需一种能够考虑到系统故障传播及故障发生时系统状态错误等情形并且能够分析飞控系统结构参数的故障样本选取方法。
发明内容
本发明要解决的技术问题是为了克服现有技术中针对飞控系统的故障测试缺乏有效的故障样本选取方法的缺陷,提出一种基于符号有向图的飞控系统的故障样本选取方法。
本发明是通过下述技术方案来解决上述技术问题的:
本发明提供了一种基于符号有向图的飞控系统的故障样本选取方法,其特点在于,其包括以下步骤:
建模步骤,其中,根据飞控系统的信号传递关系及能量传递关系,建立飞控系统的符号有向图模型;
节点重要性计算步骤,其中,基于去毁度计算所述符号有向图模型中的各个节点的重要性;
节点筛选步骤,其中,以计算得到的节点的重要性的顺序选出多个节点形成源节点集合,所述源节点集合中的所有节点满足,以其为起点以正向推理通过所述符号有向图模型中的相容通路可覆盖所述符号有向图模型中的所有节点。
较佳地,所述建模步骤包括以下子步骤:
S101、在飞控系统中加入已知干扰,根据飞控系统的信号传递关系及能量传递关系,将飞控系统划分为若干功能模块;
S102、确定每个功能模块的输入信号与输出信号;
S103、确定每个功能模块的输入信号来源与输出信号去向,建立各个功能模块之间的相互影响关系;
S104、利用灵敏度分析得到各个功能模块之间的正负相关影响关系;
S105、以各个功能模块为节点,根据其相互之间的正负相关影响关系连接形成飞控系统的符号有向图模型。
较佳地,所述建模步骤还包括以下子步骤:
S106、通过实验验证步骤S105中建立的符号有向图模型的有效性,并加以修正。
较佳地,所述节点重要性计算步骤包括,针对每一个节点采用以下子步骤计算其原始重要性:
S201、在所述符号有向图模型中移除单个节点;
S202、将和所述单个节点相邻的所有相邻节点整合为一个新节点,并形成一个新符号有向图模型;
S203、计算所述新符号有向图模型相比于原符号有向图模型的节点的集聚系数的改变程度,并将所述集聚系数的改变程度作为所述单个节点的原始重要性,
其中,所述集聚系数的改变程度由以下公式(1)定义,
公式(1)中,α(G)表示原符号有向图模型的节点的集聚系数,α(G’(υi))表示新符号有向图模型的节点的集聚系数,其中υi表示所述单个节点,
其中,一个符号有向图模型的节点的集聚系数由以下公式(2)定义,
公式(2)中,α(G)表示符号有向图模型的节点的集聚系数,d(G)表示符号有向图模型的网络平均路径长度,其定义为所有有路径连接的节点对之间的最短距离的均值,lij为节点i到节点j的最短路径,N为符号有向图模型中的节点总数;
所述节点重要性计算步骤还包括,在计算得出所述符号有向图模型中的所有节点的原始重要性后对其进行归一化处理,以归一化后的结果作为各个节点的重要性。
较佳地,所述节点筛选步骤包括以下子步骤:
S301、选取剩余节点中重要性最大的节点作为当前节点,剩余节点初始为所述符号有向图模型中的所有节点;
S302、将以当前节点为源节点进行正向推理通过所述符号有向图模型中的相容通路可覆盖的节点作为可达节点;
S303、将剩余节点放入源节点集合中,并在剩余节点中移除当前节点和可达节点;
S304、判断剩余节点是否为零,若判断结果为否,则返回子步骤S301,若判断结果为是,则输出源节点集合作为最小故障注入样本。
在符合本领域常识的基础上,上述各优选条件,可任意组合,即得本发明各较佳实例。
本发明的积极进步效果在于:
本发明的基于符号有向图的飞控系统的故障样本选取方法,能够根据飞行控制系统的结构特点,选择飞控故障注入的样本,相比于现有技术,本发明的方法在保障故障注入实验能够涵盖飞控系统重要节点的同时,能够显著减少选取的故障样本数量,大大提高飞控系统的故障注入实验的效率。
附图说明
图1为本发明一较佳实施例的基于符号有向图的飞控系统的故障样本选取方法的故障样本选取部分的流程图。
图2为本发明一应用实例中建模得到的QStudioRP四旋翼飞行器实验平台的符号有向图模型的示意图。
图3是为本发明一应用实例中的QStudioRP四旋翼飞行器实验平台的符号有向图模型在去除节点13后形成的新符号有向图模型的示意图。
具体实施方式
下面结合说明书附图,进一步对本发明的优选实施例进行详细描述,以下的描述为示例性的,并非对本发明的限制,任何的其他类似情形也都落入本发明的保护范围之中。
在以下的具体描述中,方向性的术语,例如“左”、“右”、“上”、“下”、“前”、“后”、等,参考附图中描述的方向使用。本发明的实施例的部件可被置于多种不同的方向,方向性的术语是用于示例的目的而非限制性的。
根据本发明一较佳实施例的基于符号有向图的飞控系统的故障样本选取方法,其包括以下步骤:
建模步骤,其中,根据飞控系统的信号传递关系及能量传递关系,建立飞控系统的符号有向图模型;
节点重要性计算步骤,其中,基于去毁度计算所述符号有向图模型中的各个节点的重要性;
节点筛选步骤,其中,以计算得到的节点的重要性的顺序选出多个节点形成源节点集合,所述源节点集合中的所有节点满足,以其为起点以正向推理通过所述符号有向图模型中的相容通路可覆盖所述符号有向图模型中的所有节点。
其中,建立飞控系统的符号有向图(SDG)模型是进行故障测试分析与系统健康评估的基础。本发明中基于系统信号和能量传递关系建立SDG模型。
SDG模型γ是有向图G与函数的组合,即其中:
1)有向图G由四部分组成
⑴节点集合V={v1,v2,…,vn};
⑵支路集合E={e1,e2,…em};
⑶邻接关联符V→E(起始节点);E→V(终止节点)。邻接关系可表示支路的起始节点与终止节点
2)函数(ek∈E,vi∈V,vj∈V)称为支路ek的符号,表示两节点之间的正负相关关系。
本发明对传统的SDG建模方法加以改进,得到对飞控系统建立SDG评价模型的新方法。建模步骤如下:
⑴根据飞控系统的特点,将系统整体划分为若干功能相对独立的模块,优选地,可将已知干扰加入到飞控系统中。
⑵对于每个独立模块确定输入信号与输出信号。
⑶确定每个模块的输入信号来源与输出信号去向,建立各个模块之间的相互影响关系。
⑷利用灵敏度分析得到模块之间的正负相关影响关系。
⑸以模块为SDG节点,根据相互之间的影响(以正负相关为符号、以信号来源与去向为方向)连接成整个SDG图。
⑹可选地,通过实验验证SDG模型的有效性并加以修正。
运用上述提出的方法,根据系统结构搭建出SDG模型,进行一定的实验验证并优化模型。
SDG模型样本SDG模型的样本为节点状态值的一个函数ψ=V→{-,0,+},ψ(vi)为节点vi的符号,即:
ψ(vi)=- (X(vi)-X(vi))≤εvi
ψ(vi)=0 (|X(vi)-X(vi))<εvi
ψ(vi)=+ (X(vi)-X(vi))≥εvi
其中,X(vi)表示节点对应变量的实际测量值,X(vi)表示节点对应变量的设定值,εvi表示节点vi处于正常状态下的阈值。
SDG样本ψ中,如果则该支路ek是相容的;如果ψ(vi)≠0,则该节点是有效的。有效节点表明其对应的状态变量偏离了正常状态,相容支路则表明该条支路会参与故障的传播。由相容支路组成的路径称为相容通路。
若某支路满足假设其起始节点、有向边与终止节点的符号为{+,+,-},起始节点的正偏差通过一条正相关影响的边,对终止节点的影响应该是引起其正偏差,而其实际情况是负偏差,路径两端节点的状态与其连接的支路状态矛盾,不符合因果逻辑关系,这条边不能称为相容支路,而终止节点的负偏差是由其他连接边带来的影响,所以故障只有通过相容路径才能进行传播和演变。
在SDG模型中,节点是其拓扑结构的核心元素,节点间的连接方式影响着网络中故障信息流通效率。节点的重要性通过节点在网络的位置和连接方式的属性来体现。针对故障注入试验的故障样本选取,考虑到在进行故障注入试验时,对于SDG模型内的节点,正好对应于故障。同时考虑到注入某些故障发生后会使得节点对应的模块失去控制,导致原先的SDG模型已不再适用,需要去除此节点重新建模,因此,本发明基于去毁度计算节点的重要性。
根据本发明的一些优选实施方式,根据移除一个节点所导致整个网络拓扑结构变化的程度评判此节点的重要性,评判标准为集聚系数的改变程度。图中的点倾向于集聚在一起的程度定义为集聚系数,用α(G)表示。
优选地,所述节点重要性计算步骤包括,针对每一个节点采用以下子步骤计算其原始重要性:
S201、在所述符号有向图模型中移除单个节点;
S202、将和所述单个节点相邻的所有相邻节点整合为一个新节点,并形成一个新符号有向图模型;
S203、计算所述新符号有向图模型相比于原符号有向图模型的节点的集聚系数的改变程度,并将所述集聚系数的改变程度作为所述单个节点的原始重要性,
其中,所述集聚系数的改变程度由以下公式(1)定义,
公式(1)中,α(G)表示原符号有向图模型的节点的集聚系数,α(G’(υi))表示新符号有向图模型的节点的集聚系数,其中υi表示所述单个节点,
其中,一个符号有向图模型的节点的集聚系数由以下公式(2)定义,
公式(2)中,α(G)表示符号有向图模型的节点的集聚系数,d(G)表示符号有向图模型的网络平均路径长度,其定义为所有有路径连接的节点对之间的最短距离的均值,lij为节点i到节点j的最短路径,N为符号有向图模型中的节点总数;
所述节点重要性计算步骤还包括,在计算得出所述符号有向图模型中的所有节点的原始重要性后对其进行归一化处理(即,I=I/sum(I)),以归一化后的结果作为各个节点的重要性。
参考图1所示,根据本发明的一些优选实施方式,所述节点筛选步骤包括以下子步骤:
S301、选取剩余节点中重要性最大的节点作为当前节点,剩余节点初始为所述符号有向图模型中的所有节点;
S302、将以当前节点为源节点进行正向推理通过所述符号有向图模型中的相容通路可覆盖的节点作为可达节点;
S303、将剩余节点放入源节点集合中,并在剩余节点中移除当前节点和可达节点;
S304、判断剩余节点是否为零,若判断结果为否,则返回子步骤S301,若判断结果为是,则输出源节点集合作为最小故障注入样本。
以下将描述在一种四旋翼飞行器实验平台上应用根据本发明的优选实施方式的基于符号有向图的飞控系统的故障样本选取方法的一应用实例。以下说明以及附图2-3、表1-3中出现的编号1-23为节点的序号。
以QStudioRP四旋翼飞行器实验平台为对象进行故障样本选取。平台硬件系统主要包括数据采集卡、驱动电机、电源模块、编码器以及旋翼及框架等。控制卡(13)综合处理三个通道的编码器(9/12/15)信息获取QStudioRP四旋翼飞行器当前姿态信息,并与设定参考值相比较,再通过控制电源模块(1/7/17/23)的电压以实现控制电机(2/6/18/22)与旋翼(3/5/19/21)的转速,进而获得期望的姿态,形成闭环控制。这里依据所提出的SDG建模方法对QStudioRP四旋翼飞行器实验平台建立SDG模型,其网络拓扑结构如图2所示。建立的SDG模型中箭头的指向主要根据控制信号及数据流的方向。图中各节点对应的部件名称如表1所示。
表1各节点对应的部件名称及故障模式
本应用实例中以节点13为例,对基于去毁度计算节点重要性的过程予以说明。去除节点13后的收缩图如图3所示。
求得其α(G′(v13))=0.0293,对于整个系统的SDG模型,其α(G)=0.0096,则节点13的重要性为I(v13)=1-α(G)/α(G′(v13))=0.6724,当求得所有节点的原始重要性后再进行归一化处理I=I/sum(I),可得所有节点重要性如表2所示:
表2节点重要性列表
节点 | 重要性 | 节点 | 重要性 | 节点 | 重要性 |
1 | 0.0232 | 9 | 0.0345 | 17 | 0.0232 |
2 | 0.0232 | 10 | 0.0449 | 18 | 0.0232 |
3 | 0.0479 | 11 | 0.0881 | 19 | 0.0479 |
4 | 0.0459 | 12 | 0.0392 | 20 | 0.0459 |
5 | 0.0479 | 13 | 0.1553 | 21 | 0.0479 |
6 | 0.0232 | 14 | 0.0449 | 22 | 0.0232 |
7 | 0.0232 | 15 | 0.0345 | 23 | 0.0232 |
8 | 0.0449 | 16 | 0.0449 |
表3基于贡献度方法计算的各节点重要性
节点 | 重要性 | 节点 | 重要性 | 节点 | 重要性 |
1 | 0.0287 | 9 | 0.0177 | 17 | 0.0287 |
2 | 0.0347 | 10 | 0.0167 | 18 | 0.0347 |
3 | 0.0641 | 11 | 0.0581 | 19 | 0.0641 |
4 | 0.0393 | 12 | 0.0126 | 20 | 0.0393 |
5 | 0.0641 | 13 | 0.2382 | 21 | 0.0641 |
6 | 0.0347 | 14 | 0.0167 | 22 | 0.0347 |
7 | 0.0287 | 15 | 0.0177 | 23 | 0.0287 |
8 | 0.0167 | 16 | 0.0167 |
表3是基于贡献度方法计算出的节点重要性,对比表2和表3可以看出两种方法排序结果基本一致,但是后者节点12(偏航角编码器)的重要性比节点9、15(俯仰、横滚角编码器)的重要性小,这与实际系统特性相悖。由此可以看出,基于去毁度的节点重要性方法能更合理地反映飞控系统的结构特性。
节点重要性排序在节点13、11之后的是旋翼模块,共四个(节点3、5、19、21),而由于四个旋翼模块的影响是等价的,因此只需选取其中一个作为注入样本,在此之后的重要性最大节点是9俯仰角编码器与20横滚角编码器。
但是在选取了节点3作为注入样本之后,存在3→4→9的相容通路,因此未将节点9俯仰角编码器选为注入样本。在每一次正向推理过程中,都是从节点重要性最大的节点开始,同时能够由相容通路到达的节点都认为故障能够传播到,不作为故障样本。
依据本发明所提出的基于节点重要性的故障样本优化方法选取的故障样本节点集合为{13},即控制卡;但是出于安全考虑,若是控制卡不允许注入故障,选取的样本集合为{11,3,1},即偏航角编码器、前侧旋翼和前侧电源模块。
在SDG模型中节点13,即回路控制卡的节点重要性最大,这与实际系统特性相吻合,因为对于整个实验平台而言,控制卡要完成平台几乎所有的计算与控制工作。该环节一旦发生故障则会造成严重的后果,因此在条件允许的情况下,需对控制卡进行故障注入的测试。
对于节点11,即偏航角编码器,由于偏航角的变化不同于其它两个姿态通道,需要四个旋翼转速的共同改变才能达到,因此它的重要性高于其它两通道编码器,且能够同时代表三个姿态角编码器,选择其作为故障注入样本也具有一定代表性。
由于四个电源模块、四个旋翼的影响效果是等价的,所以只需各选取其中一个作为注入样本即可。能够保证样本集的完备性,使得所注入故障能够传播到系统的每一个节点。
在李天梅等所著的《基于故障扩散强度的故障样本选取方法》中提出的基于Petri网模型方法针对相同对象(与上述应用实例相同的系统)的应用,由于转移激发的存在,应用于四旋翼飞行器,需对各个通道都需要进行单独分析,选取的样本集合为{11,3,5,19,21,17,,17,23}。由上述应用实例可见,相比该方法,本发明的方法在涵盖了重要节点的前提下选取的故障样本数量明显较少。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (5)
1.一种基于符号有向图的飞控系统的故障样本选取方法,其特征在于,其包括以下步骤:
建模步骤,其中,根据飞控系统的信号传递关系及能量传递关系,建立飞控系统的符号有向图模型;
节点重要性计算步骤,其中,基于去毁度计算所述符号有向图模型中的各个节点的重要性;
节点筛选步骤,其中,以计算得到的节点的重要性的顺序选出多个节点形成源节点集合,所述源节点集合中的所有节点满足,以其为起点以正向推理通过所述符号有向图模型中的相容通路可覆盖所述符号有向图模型中的所有节点。
2.如权利要求1所述的故障样本选取方法,其特征在于,所述建模步骤包括以下子步骤:
S101、在飞控系统中加入已知干扰,根据飞控系统的信号传递关系及能量传递关系,将飞控系统划分为若干功能模块;
S102、确定每个功能模块的输入信号与输出信号;
S103、确定每个功能模块的输入信号来源与输出信号去向,建立各个功能模块之间的相互影响关系;
S104、利用灵敏度分析得到各个功能模块之间的正负相关影响关系;
S105、以各个功能模块为节点,根据其相互之间的正负相关影响关系连接形成飞控系统的符号有向图模型。
3.如权利要求2所述的故障样本选取方法,其特征在于,所述建模步骤还包括以下子步骤:
S106、通过实验验证步骤S105中建立的符号有向图模型的有效性,并加以修正。
4.如权利要求1所述的故障样本选取方法,其特征在于,所述节点重要性计算步骤包括,针对每一个节点采用以下子步骤计算其原始重要性:
S201、在所述符号有向图模型中移除单个节点;
S202、将和所述单个节点相邻的所有相邻节点整合为一个新节点,并形成一个新符号有向图模型;
S203、计算所述新符号有向图模型相比于原符号有向图模型的节点的集聚系数的改变程度,并将所述集聚系数的改变程度作为所述单个节点的原始重要性,
其中,所述集聚系数的改变程度由以下公式(1)定义,
公式(1)中,α(G)表示原符号有向图模型的节点的集聚系数,α(G’(υi))表示新符号有向图模型的节点的集聚系数,其中υi表示所述单个节点,
其中,一个符号有向图模型的节点的集聚系数由以下公式(2)定义,
公式(2)中,α(G)表示符号有向图模型的节点的集聚系数,d(G)表示符号有向图模型的网络平均路径长度,其定义为所有有路径连接的节点对之间的最短距离的均值,lij为节点i到节点j的最短路径,N为符号有向图模型中的节点总数;
所述节点重要性计算步骤还包括,在计算得出所述符号有向图模型中的所有节点的原始重要性后对其进行归一化处理,以归一化后的结果作为各个节点的重要性。
5.如权利要求1所述的故障样本选取方法,其特征在于,所述节点筛选步骤包括以下子步骤:
S301、选取剩余节点中重要性最大的节点作为当前节点,剩余节点初始为所述符号有向图模型中的所有节点;
S302、将以当前节点为源节点进行正向推理通过所述符号有向图模型中的相容通路可覆盖的节点作为可达节点;
S303、将剩余节点放入源节点集合中,并在剩余节点中移除当前节点和可达节点;
S304、判断剩余节点是否为零,若判断结果为否,则返回子步骤S301,若判断结果为是,则输出源节点集合作为最小故障注入样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711163935.1A CN109815507B (zh) | 2017-11-21 | 2017-11-21 | 基于符号有向图的飞控系统的故障样本选取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711163935.1A CN109815507B (zh) | 2017-11-21 | 2017-11-21 | 基于符号有向图的飞控系统的故障样本选取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109815507A true CN109815507A (zh) | 2019-05-28 |
CN109815507B CN109815507B (zh) | 2023-04-07 |
Family
ID=66599505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711163935.1A Active CN109815507B (zh) | 2017-11-21 | 2017-11-21 | 基于符号有向图的飞控系统的故障样本选取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109815507B (zh) |
Cited By (5)
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 |
CN114091268A (zh) * | 2021-11-24 | 2022-02-25 | 南京航空航天大学 | 一种基于节点重要度与层次分析法的无人机健康状况评估方法 |
CN114239138A (zh) * | 2021-12-09 | 2022-03-25 | 南京航空航天大学 | 一种基于拓扑排序算法的飞控系统分层sdg建模方法 |
CN115081120A (zh) * | 2022-07-22 | 2022-09-20 | 中国民航大学 | 一种基于fppn的飞行控制系统故障传播路径分析方法 |
CN117272638A (zh) * | 2023-09-20 | 2023-12-22 | 南京航空航天大学 | 一种基于分层有向图的飞行器故障实时定位方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945311A (zh) * | 2012-10-08 | 2013-02-27 | 南京航空航天大学 | 一种功能故障有向图进行故障诊断的方法 |
CN105068931A (zh) * | 2015-08-21 | 2015-11-18 | 西安空间无线电技术研究所 | 一种分析dsp软件系统的单粒子软错误可靠性计算方法 |
CN106971347A (zh) * | 2017-03-22 | 2017-07-21 | 扬州大学 | 基于抽样的线性阈值模型下的影响力最大化方法 |
-
2017
- 2017-11-21 CN CN201711163935.1A patent/CN109815507B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945311A (zh) * | 2012-10-08 | 2013-02-27 | 南京航空航天大学 | 一种功能故障有向图进行故障诊断的方法 |
CN105068931A (zh) * | 2015-08-21 | 2015-11-18 | 西安空间无线电技术研究所 | 一种分析dsp软件系统的单粒子软错误可靠性计算方法 |
CN106971347A (zh) * | 2017-03-22 | 2017-07-21 | 扬州大学 | 基于抽样的线性阈值模型下的影响力最大化方法 |
Non-Patent Citations (1)
Title |
---|
何克磊: "飞行器健康评估和故障预测技术研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (8)
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 |
CN114091268A (zh) * | 2021-11-24 | 2022-02-25 | 南京航空航天大学 | 一种基于节点重要度与层次分析法的无人机健康状况评估方法 |
CN114239138A (zh) * | 2021-12-09 | 2022-03-25 | 南京航空航天大学 | 一种基于拓扑排序算法的飞控系统分层sdg建模方法 |
CN114239138B (zh) * | 2021-12-09 | 2024-09-17 | 南京航空航天大学 | 一种基于拓扑排序算法的飞控系统分层sdg建模方法 |
CN115081120A (zh) * | 2022-07-22 | 2022-09-20 | 中国民航大学 | 一种基于fppn的飞行控制系统故障传播路径分析方法 |
CN115081120B (zh) * | 2022-07-22 | 2022-11-25 | 中国民航大学 | 一种基于fppn的飞行控制系统故障传播路径分析方法 |
CN117272638A (zh) * | 2023-09-20 | 2023-12-22 | 南京航空航天大学 | 一种基于分层有向图的飞行器故障实时定位方法 |
CN117272638B (zh) * | 2023-09-20 | 2024-04-02 | 南京航空航天大学 | 一种基于分层有向图的飞行器故障实时定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109815507B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109815507A (zh) | 基于符号有向图的飞控系统的故障样本选取方法 | |
CN110472510A (zh) | 基于红外及可见图像的电力设备故障检测方法及评估设备 | |
CN105677563A (zh) | 一种基于SysML模块图的集成测试序列生成方法 | |
CN106338695A (zh) | 一种基于粒子群算法的电池模型参数辨识方法 | |
CN107276072B (zh) | 一种利用稳态信息定量评估电力系统暂态稳定裕度的方法 | |
CN107786897A (zh) | Iptv系统故障定位方法及系统 | |
CN104466959A (zh) | 电力系统关键线路辨识方法和系统 | |
CN107483267A (zh) | 一种eigrp路由故障识别方法 | |
CN110866366A (zh) | 一种基于XGBoost算法的含PHEV光伏微网孤岛检测法 | |
CN105930900A (zh) | 一种混合风力发电的预测方法及系统 | |
CN110457776B (zh) | 一种基于故障决策网络的测试策略快速生成方法 | |
CN116938683A (zh) | 一种基于网络安全异常检测的网络路径分析系统及方法 | |
CN105678021B (zh) | 车辆模型的参数确定方法及系统 | |
CN103413027B (zh) | 一种社会网络重叠社区发现方法的评价方法 | |
CN105785230A (zh) | 一种具有容错性的电压暂降源定位方法 | |
CN107092934A (zh) | 一种基于三级数据融合的大型结构损伤识别方法 | |
CN105528296B (zh) | 一种面向对象软件的类簇测试方法 | |
CN108009298A (zh) | 一种互联网人物搜索信息整合分析控制方法 | |
CN109581194A (zh) | 一种电子系统故障测试策略动态生成方法 | |
CN112487716A (zh) | 蜂群无人机平均故障间隔时间的确定方法及系统 | |
CN116433018A (zh) | 基于数字孪生的配电网风险态势感知方法及装置 | |
CN106202668A (zh) | 基于质量问题数据和反向传导神经网络的复杂装备质量风险评估方法 | |
CN110784459A (zh) | 一种基于模糊理论的电力网络安全防护诊断系统及方法 | |
CN110286646A (zh) | 一种数控机床组件重要性评估方法 | |
CN115456109A (zh) | 电网故障元件辨识方法、系统、计算机设备及存储介质 |
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 |