CN110007662B - 自主保障技术验证系统全飞行器健康评估与管理地面推理平台 - Google Patents
自主保障技术验证系统全飞行器健康评估与管理地面推理平台 Download PDFInfo
- Publication number
- CN110007662B CN110007662B CN201910347271.7A CN201910347271A CN110007662B CN 110007662 B CN110007662 B CN 110007662B CN 201910347271 A CN201910347271 A CN 201910347271A CN 110007662 B CN110007662 B CN 110007662B
- Authority
- CN
- China
- Prior art keywords
- fault
- matrix
- test
- faults
- aircraft
- 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
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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开一种飞行器全寿命自主保障系统推理机及其实现方法,所述推理机主要包含故障诊断模块和健康评估模块:故障诊断模块主要负责推理机的知识库整理和基于测试的故障诊断算法;健康评估模块基于故障诊断模块的故障推理结果,评估飞行器全机、分系统、子系统和单机产品的健康状况。本发明使用Django搭建B/S架构推理平台,采用RESTful API的形式提供推理平台的资源,并行计算故障推理降低复杂系统推理的时间复杂度,具有极高的实时性与稳定性,最大程度上实现了多层次架构飞行器的故障集合分解、测试结果量化和多层次健康状况评估。
Description
技术领域
本发明涉及全飞行器健康管理技术,尤其涉及一种并行计算飞行器层次化故障诊断和健康评估推理机。
背景技术
随着飞行器系统日益复杂,层次化、模块化设计成为保证飞行器有效运行的重要手段。典型的飞行器系统包含导航系统、控制系统、动力系统和通信系统等多个子系统。在复杂系统中运用层次化设计的故障诊断和健康评估方法,能够进一步提高系统的稳定性和安全性。
目前,故障诊断方法分为基于规则的方法、基于集合分解与合并的方法、基于贝叶斯概率理论的方法和基于事件的方法。其中,基于集合分解的方法分为相关矩阵和故障树两种,常采用FMECA表格的方式来分析故障与测试之间的关系。
相关矩阵根据来源,可以分为来源于工程、来源于文档和来源于历史数据三种,三种不同来源的相关矩阵在故障与测试之间的表达方式有所不同,但根本思想都是通过故障与测试之间关系的表达,再通过测试的结果,对故障集合进行划分,找到最可能的故障集合。
目前,国内外比较常用的基于相关矩阵的商用软件包括TEAMS诊断软件和eXpress工具。常用的算法包括TEAMS-RT算法和分支定界算法。
国内经常采用混合的方式进行故障诊断,比如将相关矩阵与故障树、相关矩阵与模糊集合等结合的方式,提高故障诊断的准确性。
发明内容
自主保障技术验证系统全飞行器健康评估与管理地面推理平台用于行使自主保障技术健康管理职能,具备故障检测、参数解析、健康评估、辅助决策功能,动态加载推理知识库执行算法。数据与故障诊断以及健康诊断算法的解耦合可令开发人员单独进行项目试验、算法开发、系统维护。
全飞行器健康评估与管理地面推理平台的运行特点在于:运用Python语言编程,以Django框架为基础,采用RESTful API作为交互接口。系统框架主要包含数据接收模块、测试量化模块、故障诊断模块、健康评估模块和推理结果输出模块。其中数据输入模块负责将通过API接收到的原始数据按照既定格式提取出来;测试量化模块的功能在于将得到的遥测参数通过约定的上下阈值得到测试结果;测试结果输入到故障诊断模块中,通过设定的故障诊断算法和诊断知识库进行故障推理;健康评估模块根据故障诊断结果,自下向上分别对单机产品、子系统、分系统和飞行器进行健康评估;推理结果模块将得到的故障诊断结果和健康评估结果以及推理过程输出。
全飞行器健康评估与管理地面推理平台的算法特点在于:诊断算法依旧采用TEAMS-RT的诊断思想;其次,针对故障诊断的时间消耗问题,先将D矩阵进行分块,然后通过分布式计算的方式,分别对不同的D矩阵进行计算,分别得到结果,然后根据结果合并,生成完整D矩阵的诊断结果。
本发明的优点在于:
1.所述并行计算故障诊断推理平台采用B/S架构,相比起C/S架构,具有系统轻便,实时性强,移植性强,多任务并行的特点,尤其适合分布式全寿命自主保障验证系统。
2.故障诊断算法依托多信号流图,构建并分解复杂系统相关矩阵,通过故障树和D矩阵相结合的形式,对故障集合进行分解,实现TEAMS-RT算法的并行计算。
3.自主保障系统地面推理平台采用RESTful API访问数据资源。RESTful架构遵循统一接口原则,统一接口包含了一组受限的预定义的操作,通过使用相同的接口进行所有资源的访问。同时,按照HTTP方法设计的接口具有幂等性的特性,提高了服务器在访问量大、网络不稳定时的安全性。
附图说明
图1为推理平台工作流程图
图2为地面推理平台输入数据帧格式
图3为地面推理平台输出数据帧格式
图4为故障分故障树示意图
图5为故障集合分解规则表
图6为推理算法流程图
具体实施方案
下面结合附图对本发明提供的自主保障技术验证系统全飞行器健康评估与管理地面推理平台及其实现进行详细说明:
1.系统框架
自主保障系统地面推理平台采用RESTful API访问数据资源,工作流程如图1所示。RESTful架构遵循统一接口原则,统一接口包含了一组受限的预定义的操作,通过使用相同的接口进行所有资源的访问。同时,按照HTTP方法设计的接口具有幂等性的特性,提高了服务器在访问量大、网络不稳定时的安全性。
HTTP服务端口用于接收用户操作指令,通过HTTP方法与全飞行器健康保障数据库进行交互。自主保障技术验证系统是面向各类飞行器的通用保障系统,飞行器全寿命周期数据结构复杂,存储形式多变,传统的数据传输方式格式固定、资源消耗大,无法满足地面推理平台健康管理职能准确性、实时性的需求。
推理平台通过RESTful API将操作函数序列化,其他平台通过HTTP协议访问资源,通信数据采用JSON文件格式,保证了数据的统一。输入数据帧格式如图2所示,包含了实验名称、遥测数据名称、遥测数据值、上限值、下限值等,用于之后的数据提取。
输出数据包含了故障诊断结果、健康诊断结果以及诊断过程,输出数据帧格式见图3所示。
2.故障诊断算法
2.1.矩阵分解
对于层次化设计的飞行器,采用信号流图的表示方式构建故障在多层次系统结构上的传播关系以及对测点的影响。本发明采用区域生长算法将信号流图转化为相关矩阵。
通过信号流图生成全系统D矩阵,会使TEAMS-RT算法的时间复杂度按照指数形式扩大。这样,对于大型系统来说,特别是对实时性有严格要求的系统,面临着巨大的挑战。
分支定界算法虽然在一定程度上降低了时间复杂度,但是由于其核心思想在于通过找到最少的故障来解释当前得到的测试结果序列,所以在一定程度上,特别是针对故障模糊组的方式,其效果并不理想,会出现漏检的情况。
基于上述两种方法的问题,本发明对诊断算法进行必要的分解,针对不同的D矩阵进行并行计算。
矩阵分解的原则是测试与故障封闭,也就是说,同一D矩阵的测试和故障之间是相互关联的,而不同的D矩阵中的测点和故障之间是相互不影响的。同时还要考虑一一对应的情况,也就是说,某一个测点只受到一个故障的影响,当测点通过时,该故障没有发生,而测点发生故障时,一定是受到该测点的影响。通过这种方式,可以单独挑选出一一对应的情况,使分解的矩阵更加紧凑。
矩阵分解的原则是测试和故障之间相互封闭。按照矩阵的思想,就是通过行列变换,将矩阵分为对角线的分块矩阵,不同分块矩阵中的测试对应的列向量之间是相互垂直的。依据这一特点,可以将矩阵进行分解。通过将矩阵分解,按照故障树的形式,将分解后的D矩阵作为故障树的一个叶节点,通用的故障树结构如图4所示。
2.2.故障诊断
故障诊断算法的输入为量化后的测试序列,通过知识库中保存的故障树的形式,将测试序列分割开,得到分段的测试序列,分别对应到不同的D矩阵中,每一个D矩阵推理得到诊断结果,整合输出。
系统将故障分为四个集合:未发生故障、已发生故障、怀疑故障和未知故障。
对于怀疑故障,给出相应的故障率。与怀疑故障对应的遥测参数信息,必然不满足正常测试的设定阈值范围。对于不在阈值范围内的异常,进行相应的异常警告。
传统的TEAMS-RT算法采用推理的形式进行运算,为了提高计算效率,采用矩阵运算的方式进行计算。在已经得到测试结果序列的前提下,故障诊断具体步骤如下:
步骤1:将测试序列左乘相关矩阵,得到计算结果R1;
步骤2:将测试序列中的数值进行反转,即原测试序列中的“1”转变为“0”,“0”转变为“1”;
步骤3:将反转后的测试序列左乘相关矩阵,得到测试结果R2;
步骤4:根据R1和R2的测试结果,按照结果规则表来确定故障所属类别。
完整的故障诊断流程如图6所示。
3.健康评估
系统的核心功能是故障检测和隔离动能,对于完整的测试序列,通过已有知识库进行故障诊断,将已知故障集分别对应到不同的集合中,对于已经检测到的故障以及怀疑故障,分别给出推理的依据以及故障发生的概率。
在故障诊断的基础上,对于检测到的明确发生的故障和怀疑故障,计算得到故障率,将故障率按照一定的范围,划分飞行器的健康等级,故障率以故障模式为核心,计算如下:
其中,Nt表示在测试序列中,和故障模式f有关的测试中,未通过的测试数目,Nft表示和故障模式f相关的,也就是受故障影响的测点的个数。
对于已经检测的故障,认为故障概率为100%,对于怀疑故障,采用测试通过比来决定。根据故障发生的重要性和影响程度,通过用户自定义的方式为发生故障进行评分,如果故障属于怀疑故障,则需要在评分后面乘上故障率。通过层层相加的形式,由单机产品评分到子系统、分系统和飞行器的评分。用户根据评分自定义评分标准,将各层次的等级量化为健康等级。
4.运行流程
自主保障系统地面推理平台工作流程如图1所示。用户在登录试验项目推理页面后,上传或选择试验对象及推理知识库并提交,浏览器前端根据用户选择生成表单以HTTPPOST方式发送至主控服务器后端,服务器Django后端视图接收并解析参数,根据用户指令及所需数据URI生成HTTP POST请求发送至地面推理平台。地面推理平台接收请求后开启推理线程,并通过RESTful API向数据保障中心发送数据请求,获得JSON格式数据资源后根据推理知识库执行算法,并将运算结果转换为JSON格式以HTTP Response的形式返回主控服务端,主控服务端再将数据按格式渲染为HTML页面返回给客户端浏览器供用户浏览。具体流程如下:
步骤1:地面推理机通过python manage.py runserver指令推理平台服务器,加载数据库和相关配置;
步骤2:开启推理机线程,序列化测试操作对象实例;
步骤3:根据主控服务器选择的推理机和知识库,在数据库中加载相应的推理算法文件和推理算法需要的知识库;
步骤4:接收主控服务器通过HTTP POST方式发送过来的遥测参数,解析之后将测试结果量化;
步骤5:将测试量化结果输入到故障诊断算法中,得到故障诊断结果。
步骤6:将测试结果整合为JSON文件格式,通过HTTP Response将测试结果返回给主控服务端。
步骤7:关闭线程,操作信息写入log文件,测试操作实例销毁。
Claims (3)
1.自主保障技术验证系统全飞行器健康评估与管理地面推理平台,其特征在于:推理机主要包含故障诊断模块和健康评估模块:故障诊断模块主要负责推理机的知识库整理和基于测试的故障诊断算法;健康评估模块基于故障诊断模块的故障推理结果,评估飞行器全机、分系统、子系统和单机产品的健康状况;
故障诊断模块采用并行计算TEAMS-RT算法,推理平台接入数据帧,通过测试量化规则,将遥测参数量化到测试结果,通过故障诊断算法将故障集合进行分解,得到故障诊断情况;所述故障诊断算法包括:
矩阵分解
对于层次化设计的飞行器,采用信号流图的表示方式构建故障在多层次系统结构上的传播关系以及对测点的影响,采用区域生长算法将信号流图转化为相关矩阵,针对不同的D矩阵进行并行计算;
矩阵分解的原则是测试与故障封闭,也就是说,同一D矩阵的测试和故障之间是相互关联的,而不同的D矩阵中的测点和故障之间是相互不影响的,同时还要考虑一一对应的情况,也就是说,某一个测点只受到一个故障的影响,当测点通过时,该故障没有发生,而测点发生故障时,一定是受到该测点的影响,通过这种方式,能够单独挑选出一一对应的情况,使分解的矩阵更加紧凑;
矩阵分解的原则是测试和故障之间相互封闭,按照矩阵的思想,就是通过行列变换,将矩阵分为对角线的分块矩阵,不同分块矩阵中的测试对应的列向量之间是相互垂直的,依据这一特点,可以将矩阵进行分解,通过将矩阵分解,按照故障树的形式,将分解后的D矩阵作为故障树的一个叶节点;
故障诊断
故障诊断算法的输入为量化后的测试序列,通过知识库中保存的故障树的形式,将测试序列分割开,得到分段的测试序列,分别对应到不同的D矩阵中,每一个D矩阵推理得到诊断结果,整合输出;
系统将故障分为四个集合:未发生故障、已发生故障、怀疑故障和未知故障;
对于怀疑故障,给出相应的故障率,与怀疑故障对应的遥测参数信息,必然不满足正常测试的设定阈值范围,对于不在阈值范围内的异常,进行相应的异常警告;
采用矩阵运算的方式进行计算,在已经得到测试结果序列的前提下,故障诊断具体步骤如下:
步骤1:将测试序列左乘相关矩阵,得到计算结果R1;
步骤2:将测试序列中的数值进行反转,即原测试序列中的“1”转变为“0”,“0”转变为“1”;
步骤3:将反转后的测试序列左乘相关矩阵,得到测试结果R2;
步骤4:根据R1和R2的测试结果,按照结果规则表来确定故障所属类别。
2.根据权利要求1所述的自主保障技术验证系统全飞行器健康评估与管理地面推理平台,其特征在于:全寿命自主保障系统推理平台采用B/S架构,搭载在windows系统和Linux系统上,其中推理诊断算法和诊断推理知识库采用MySQL进行存储。
3.一种自主保障技术验证系统全飞行器健康评估方法,应用于权利要求1所述的自主保障技术验证系统全飞行器健康评估与管理地面推理平台,其特征在于:
第一步:在推理机平台通过python manage.py runserver IP:Port指令运行推理系统的服务器,等待推理机系统的运行;
第二步:运行浏览器,登录推理机平台界面,设置推理机算法模型和推理机知识库;
第三步:其他数据平台通过URL,向推理机平台发送遥测数据,根据设定的上下限,得到测试结果;具体包括:
矩阵分解
对于层次化设计的飞行器,采用信号流图的表示方式构建故障在多层次系统结构上的传播关系以及对测点的影响,采用区域生长算法将信号流图转化为相关矩阵,针对不同的D矩阵进行并行计算;
矩阵分解的原则是测试与故障封闭,也就是说,同一D矩阵的测试和故障之间是相互关联的,而不同的D矩阵中的测点和故障之间是相互不影响的,同时还要考虑一一对应的情况,也就是说,某一个测点只受到一个故障的影响,当测点通过时,该故障没有发生,而测点发生故障时,一定是受到该测点的影响,通过这种方式,能够单独挑选出一一对应的情况,使分解的矩阵更加紧凑;
矩阵分解的原则是测试和故障之间相互封闭,按照矩阵的思想,就是通过行列变换,将矩阵分为对角线的分块矩阵,不同分块矩阵中的测试对应的列向量之间是相互垂直的,依据这一特点,可以将矩阵进行分解,通过将矩阵分解,按照故障树的形式,将分解后的D矩阵作为故障树的一个叶节点;
故障诊断
故障诊断算法的输入为量化后的测试序列,通过知识库中保存的故障树的形式,将测试序列分割开,得到分段的测试序列,分别对应到不同的D矩阵中,每一个D矩阵推理得到诊断结果,整合输出;
系统将故障分为四个集合:未发生故障、已发生故障、怀疑故障和未知故障;
对于怀疑故障,给出相应的故障率,与怀疑故障对应的遥测参数信息,必然不满足正常测试的设定阈值范围,对于不在阈值范围内的异常,进行相应的异常警告;
采用矩阵运算的方式进行计算,在已经得到测试结果序列的前提下,故障诊断具体步骤如下:
步骤1:将测试序列左乘相关矩阵,得到计算结果R1;
步骤2:将测试序列中的数值进行反转,即原测试序列中的“1”转变为“0”,“0”转变为“1”;
步骤3:将反转后的测试序列左乘相关矩阵,得到测试结果R2;
步骤4:根据R1和R2的测试结果,按照结果规则表来确定故障所属类别;
第四步:数据平台接收故障诊断结果,进行后续的操作;将测试结果整合为JSON文件格式,通过HTTP Response将测试结果返回给主控服务端;关闭线程,操作信息写入log文件,测试操作实例销毁。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910347271.7A CN110007662B (zh) | 2019-04-28 | 2019-04-28 | 自主保障技术验证系统全飞行器健康评估与管理地面推理平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910347271.7A CN110007662B (zh) | 2019-04-28 | 2019-04-28 | 自主保障技术验证系统全飞行器健康评估与管理地面推理平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110007662A CN110007662A (zh) | 2019-07-12 |
CN110007662B true CN110007662B (zh) | 2020-10-30 |
Family
ID=67174665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910347271.7A Active CN110007662B (zh) | 2019-04-28 | 2019-04-28 | 自主保障技术验证系统全飞行器健康评估与管理地面推理平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110007662B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113567858A (zh) * | 2021-07-30 | 2021-10-29 | 北京航空航天大学 | 控制力矩陀螺剩余寿命预测系统 |
CN113608910B (zh) * | 2021-08-02 | 2023-01-10 | 北京航空航天大学 | 高实时性航天器自主保障故障定位平台 |
CN114688926B (zh) * | 2022-03-22 | 2024-06-04 | 中国运载火箭技术研究院 | 一种运载火箭健康检测验证评估系统和方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8510083B2 (en) * | 2003-07-31 | 2013-08-13 | The Boeing Company | Method, apparatus and computer program product for constructing a diagnostic network model |
CN101605078B (zh) * | 2009-07-14 | 2012-01-11 | 南京稳步自动化设备有限公司 | 基于web多通讯方式的电力系统通讯服务器及其控制方法 |
CN101628628B (zh) * | 2009-08-03 | 2013-05-15 | 北京航空航天大学 | 适用于航天器系统的自修正冗余切换机制及其验证方法 |
CN105527920A (zh) * | 2014-09-29 | 2016-04-27 | 张学一 | 一种基于b/s的数控机床故障诊断系统 |
CN106516159B (zh) * | 2016-12-09 | 2018-08-21 | 中电科航空电子有限公司 | Acars机载系统及其故障诊断与健康管理方法 |
-
2019
- 2019-04-28 CN CN201910347271.7A patent/CN110007662B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110007662A (zh) | 2019-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110007662B (zh) | 自主保障技术验证系统全飞行器健康评估与管理地面推理平台 | |
US8595153B2 (en) | Exploring data using multiple machine-learning models | |
CN110348752B (zh) | 一种考虑环境干扰的大型工业系统结构安全性评估方法 | |
CN111061293B (zh) | 多参数耦合的飞行器故障定位方法、飞行器及存储介质 | |
CN113779272A (zh) | 基于知识图谱的数据处理方法、装置、设备及存储介质 | |
CN110011990A (zh) | 内网安全威胁智能分析方法 | |
Wang et al. | Artificial intelligent fault diagnosis system of complex electronic equipment | |
CN116771576A (zh) | 水电机组故障综合诊断方法 | |
CN117666546B (zh) | 一种分布式控制系统故障诊断方法及装置 | |
CN114897138A (zh) | 基于注意力机制和深度残差网络的系统故障诊断方法 | |
CN113891342A (zh) | 基站巡检方法、装置、电子设备及存储介质 | |
CN117376087A (zh) | 网络质量问题定界方法、装置、设备和存储介质 | |
WO2024027071A1 (zh) | 一种数据监控方法及系统 | |
Shih et al. | Implementation and visualization of a netflow log data lake system for cyberattack detection using distributed deep learning | |
Tian et al. | Web service reliability test method based on log analysis | |
CN114385398A (zh) | 一种请求响应状态确定方法、装置、设备和存储介质 | |
Delmas et al. | Smt-based synthesis of fault-tolerant architectures | |
Zarubin et al. | Features of software development for data mining of storage system state | |
CN113392977A (zh) | 用于对建模错误进行定位的方法、装置以及存储介质 | |
Hu et al. | Research on application of equipment fault diagnosis technology based on FTA | |
TWI763169B (zh) | 雲端資料中心的事件種類的預測系統和預測方法 | |
US20240202279A1 (en) | Training and implementing a steady state log analyzer | |
CN117826618B (zh) | 基于冷轧机控制系统的自适应性控制方法及系统 | |
CN115794589B (zh) | 一种基于国产cpu服务器的性能测试数据分析系统 | |
US11327938B2 (en) | Method to improve prediction accuracy of business data with enhanced data filtering and data reduction mechanism |
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 |