CN110795309B - 一种用于微小卫星的层次化软件健康管理方法和系统 - Google Patents
一种用于微小卫星的层次化软件健康管理方法和系统 Download PDFInfo
- Publication number
- CN110795309B CN110795309B CN201911035928.2A CN201911035928A CN110795309B CN 110795309 B CN110795309 B CN 110795309B CN 201911035928 A CN201911035928 A CN 201911035928A CN 110795309 B CN110795309 B CN 110795309B
- Authority
- CN
- China
- Prior art keywords
- health
- satellite
- software
- fault
- data
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/302—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a software system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明提供了一种用于微小卫星的层次化软件健康管理方法和系统。该系统将卫星按照不同子系统进行分层次健康管理,包括传感器层、状态监测层、健康评估层、预测层以及决策处理层等。通过部署在卫星星务各子构件运行关键节点的软件传感器,采集各子构件的运行状态数据,并对其进行分析,得到故障信息,结合卫星历史遥测数据、软件系统知识及故障信息,对当前卫星系统健康状况进行层次化评估,以及对未来时刻系统健康状况进行预判,最终制定健康危害策略。
Description
技术领域
本发明涉及卫星软件故障诊断领域,具体涉及面向微小卫星的软件健康管理系统。
背景技术
微小卫星虽然体积小、重量轻,但是相对于大卫星,其基本组成并没有很大程度的减少,而是仍包括各种敏感器、执行机构和综合管理系统等。同时,由于成本上的限制,微小卫星通常采用软件冗余的方式来提高整星可靠性。然而,卫星在轨发生的故障大多涉及到软件错误或者异常的软件-硬件交互场景,因此,这种软件冗余设计导致软件密集型的设计,从而导致卫星在轨发生的故障概率大大增加。为了最大化减少故障传播及其带来的影响,一旦出现故障,就必须尽快检测到故障以及故障缓变趋势。
目前,大多数卫星健康诊断的工程实施是通过在地面段分析卫星遥测下行的海量数据来判断卫星健康状态,并在健康状态分析后进行不健康或者“亚健康”原因分析,并确定故障原因,然后制定故障修复策略。具体来说,是将采样卫星单机组件的数字信号及模拟信号组成的遥测健康帧下传至地面测控中心,测控中心接收到相关数据后进行分析及预测,然后根据历史经验对识别出的故障人工做出判断决策,再发送指令进行修正重构。这种方法具有一定的时滞性,因为在卫星出现故障后,只有在卫星有效测控弧段内收到遥测下行数据后才能进行故障识别,在故障定位后也只有在卫星再次入境后发送指令或者上注数据重构后才能故障移除。经常性地,识别故障的时刻与故障出现时刻存在时延,这种时延导致故障决策修复难以在有效的时间内执行,以至于故障传播恶化,使得可修复故障演变为不可修故障。
为解决时延的问题,目前也有一些关于卫星自主健康管理的研究,主要是针对卫星硬件模块的信号处理、解析模型以及定性模型等方式的健康诊断。但随着微小卫星的软件密集化发展趋势,由于软件复杂度不断增加所导致的软件失效情况越来越多,因此,单独依赖于星上硬件的状态监控可能难以及时暴露出软件异常。此外,虽然有文献提到一些关于星上自主健康管理系统的研究,但这些系统没有较好地从工程实施角度按信号特征进行分类、分层处理。由于卫星采样信号量过大,系统分析处理需要的算法较为复杂,所以这些系统难以在星上有效的资源环境中实施。
发明内容
为了增强对整星软件状态的健康管理的自主性及准确率,以增加卫星在轨可靠度,本发明提供一种用于微小卫星的层次化软件健康管理系统,将卫星按照姿控分系统模块、测控分系统模块、电源分系统模块、载荷分系统模块及星务健康模块等子系统进行健康管理系统分层,包括:
传感器层,分布于卫星软件内部关键节点的软件传感器,用于获取卫星健康状态的数据,包括:
数据探测器,用于收集卫星软硬交互信息和卫星整星数据流信息;
功能探测器,用于监控卫星星务组成各个组成构件激活和挂起状态;以及
性能探测器,用于监控构件执行时间、狗咬时限、数据(姿态数据、轨道数据)异常跳变和动态空间使用情况;
状态监测层,用于监控和报告构件的状态和运行情况;
健康评估层,用于对各模块、分系统进行软件健康评估并形成报告;
预测层,用于提供未来时刻卫星各模块、分系统及单机的健康状态估计,为整星的健康状况未来预计提供参考和预警;以及
决策处理层,用于整合所述健康评估层输出、所述预测层输出及各模块、子系统的修复历史,结合卫星整体可用资源的约束和任务目标,做出维护安排建议,如故障重构的措施、调整时空资源进行修复。
本发明还提供一种用于微小卫星的层次化软件健康管理方法,将各个分系统的关键信息量通过软件传感器采集,然后对于软件采集的数字化量进行综合判断识别,一方面减少健康管理中的计算量,另一方面提高卫星健康管理的自主性、准确率以及及时性。
为实现上述目的,本发明提供如下的技术方案,
一种用于微小卫星的层次化软件健康管理方法,包括:
探测卫星星务各子构件的运行状态,通过部署在卫星星务各子构件运行关键节点的软件传感器,采集卫星星务各子构件的运行状态数据;
进行故障检测与诊断,对所述软件传感器采集到的状态数据进行分析,得到故障信息,包括是否出现故障,并确定出故障传感器位置及故障类型;
评估系统当前的健康状况,结合卫星历史遥测数据、软件系统知识及故障信息,对当前系统健康状况进行层次化评估;
预判系统健康状况,结合卫星历史遥测数据、软件系统知识及故障信息,对未来时刻系统健康状况进行预判;
制定维护安排建议。
优选的,所述软件传感器包括数据探测器、功能探测器和性能探测器;数据探测器用于收集卫星软硬交互信息和卫星整星数据流信息;功能探测器部署于软件构件控制流和路径分支,用于收集卫星星务各个组成构件激活和挂起状态信息,以定位故障;性能探测器用于收集构件执行时间、狗咬时限、数据(姿态数据、轨道数据)异常跳变和动态空间使用情况等信息。
优选的,所述是否出现故障的诊断,可采用主元分析法(PCA),以消除所述软件传感器采集到的状态数据间的相关性,降低维数。
优选的,所述出故障传感器位置及故障类型的诊断,可采用小波分析算法。
优选的,所述健康状的评估采用故障模式影响及危害性分析方法(FMECA),确定故障等级、故障影响、故障发生概率等。
优选的,所述系统健康状况的预判,采用不需要精确模型的基于模糊判据的故障预测方法,加入自学习机制以动态调整故障预测评判机制,建立基于模糊判据的预测机制后,其判据依据历史数据进行调整。
本发明提供的用于微小卫星的层次化软件健康管理方法和系统,经过软件传感器层次化分解,通过故障检测与识别,健康评估、故障预测和决策过程,地面可以及时通过遥测下行状态数据及时得到关于卫星的健康状况的整体评估以及相应的处理建议信息。一方面,避免了传统卫星故障诊断中依靠地面测控操作人员频繁对大量卫星遥测信号的综合解析以及后处理判断,实现星上自主对卫星健康管理。另一方面,比传统分析手段更为全面地对故障进行诊断。通过层次化的软件采样、综合,简化运算量,提高健康管理的时效性和准确性,从而提升整星可靠性。
附图说明
为进一步阐明本发明的各实施例的以上和其它优点和特征,将参考附图来呈现本发明的各实施例的更具体的描述。可以理解,这些附图只描绘本发明的典型实施例,因此将不被认为是对其范围的限制。在附图中,为了清楚明了,相同或相应的部件将用相同或类似的标记表示。
图1示出根据本发明的一个实施例的用于微小卫星的层次化软件健康管理系统的结构示意图;
图2示出根据本发明的一个实施例的用于微小卫星的层次化软件健康管理系统的结构功能示意图;
图3示出根据本发明的一个实施例的采用主元分析法(PCA)进行故障检测的流程图;
图4示出根据本发明的又一个实施例的采用主元分析法(PCA)进行故障检测的流程图;以及
图5示出根据本发明的一个实施例的故障诊断与故障模式的映射关系的示意图。
具体实施方式
在以下的描述中,参考各实施例对本发明进行描述。然而,本领域的技术人员将认识到可在没有一个或多个特定细节的情况下或者与其它替换和/或附加方法、材料或组件一起实施各实施例。在其它情形中,未示出或未详细描述公知的结构、材料或操作以免使本发明的各实施例的诸方面晦涩。类似地,为了解释的目的,阐述了特定数量、材料和配置,以便提供对本发明的实施例的全面理解。然而,本发明可在没有特定细节的情况下实施。此外,应理解附图中示出的各实施例是说明性表示且不一定按比例绘制。
在本说明书中,对“一个实施例”或“该实施例”的引用意味着结合该实施例描述的特定特征、结构或特性被包括在本发明的至少一个实施例中。在本说明书各处中出现的短语“在一个实施例中”并不一定全部指代同一实施例。
需要说明的是,本发明的实施例以特定顺序对工艺步骤进行描述,然而这只是为了方便区分各步骤,而并不是限定各步骤的先后顺序,在本发明的不同实施例中,可根据工艺的调节来调整各步骤的先后顺序。
图1示出根据本发明的一个实施例的用于微小卫星的层次化软件健康管理系统的结构示意图。如图1所示,依据采样的传感器信息从底层到高层的层次变化,将卫星按照姿控分系统模块001、测控分系统模块002、电源分系统模块003、载荷分系统模块004及星务健康模块005等子系统进行健康管理系统分层,包括:
传感器层101,用于接收、存储和传输分布于卫星软件内部关键节点的软件传感器所获取的卫星健康状态的数据,所述软件传感器按照功能可分为:
数据探测器,用于收集卫星软硬交互信息和卫星整星数据流信息;
功能探测器,用于监控卫星星务组成各个组成构件激活和挂起状态;以及
性能探测器,用于监控构件执行时间、狗咬时限、数据(姿态数据、轨道数据)异常跳变和动态空间使用情况;
状态监测层102,用于监控和报告构件的状态和运行情况。所述状态监测层输入为所述传感器层传递的数值,输出为系统当前的运行状态信息;
健康评估层103,用于对各模块、分系统进行软件健康评估并形成报告。另外,所述健康评估层中,还包括各构件软件信息整合为软件系统信息的过程。所述健康评估层对所述状态监测层所提供的大量信息进行融合,其融合包括健康状态的历史趋势、操控状态和修复历史等多方面信息的整合,以得到评估结果。这一层也同时具有资源调度的能力来充分地利用数据存储、信号及通信资源。所述健康评估层输入为所述状态监测层传递的运行状态信息,输出为系统当前的健康状况报告;
预测层104,根据组成构件和各分系统的健康数据对其健康状态进行评估和预测,用于提供未来时刻卫星各模块、分系统及单机的健康状态估计,为整星的健康状况未来预计提供参考和预警。所述预测层输入为所述状态监测层传递的运行状态信息以及所述健康评估层传递的系统当前的健康状况报告,输出为系统健康预测状况报告;以及
决策处理层105,用于整合所述健康评估层输出、所述预测层输出及各模块、子系统的修复历史,结合卫星整体可用资源的约束和任务目标,做出维护安排建议,如故障重构的措施、调整时空资源进行修复。所述决策处理层输入为所述健康评估层传递的系统当前的健康状况报告以及所述预测层传递的系统健康预测状况报告,输出为决策、评价、推荐操作及解释等措施。
图2是根据本发明的一个实施例的用于微小卫星的层次化软件健康管理系统的结构功能示意图。在图2中,黑色箭头实线表示健康管理系统中各层级之间的信息处理顺序和流向。并且,在图2中,还示例性的例举出重要的功能模块和核心的处理信息项。下面结合图2,描述根据本发明的一个实施例的用于微小卫星的层次化软件健康管理方法。应注意,这些实施例并不是用来限制本发明公开的范围。一种用于微小卫星的层次化软件健康管理方法,包括,
步骤201,数据获取,
通过部署在卫星星务各子构件运行关键节点的数据探测器、功能探测器和性能探测器等软件传感器,采集卫星星务各子构件的运行状态数据。其中,数据探测器用于收集卫星软硬交互信息和卫星整星数据流信息;功能探测器部署于软件构件控制流和路径分支,用于收集卫星星务各个组成构件激活和挂起状态信息,以定位故障;性能探测器用于收集构件执行时间、狗咬时限、数据(姿态数据、轨道数据)异常跳变和动态空间使用情况等信息。
步骤202,故障检测,
如图3所示,方法300采用主元分析法(PCA),消除所述软件传感器采集到的状态数据的相关性,降低维数,提取感兴趣的关键故障特征,输出带有时间及质量指示的信息数据,将状态特征数据与基准数据阈值比较,检测是否出现异常数据,即是否出现故障,包括:
步骤301,传感器原始采样数据构造数据矩阵,
数据矩阵X=[x1,x2,…,xn]T∈Rn×m,其中X的每一列代表一个软件传感器采集的数据,每一行代表一个时刻各软件传感器的采样值;
步骤302,数据归一化处理,得到协方差矩阵,
步骤303,计算特征值,特征向量,
对所述协方差矩阵S进行特征值分解,并将所述特征值按降序排列:λ1≥λ2≥λ3≥·≥λm≥0对应的特征向量为P=[p1,p2,p3,…,pm],则:
采用累计方差贡献率法确定主元数量k,包括,
在本发明提供的其他一些实施例中,投影空间由最大特征值映射的特征向量组成;
在本发明提供的其他一些实施例中,主元数量k也可以采用PRESS检验法、未重构方差模型或SCREE检验法等方法确定;
步骤305,计算基准数据阈值,
计算投影空间的霍特林统计量(Hotelling T2统计量)在置信度为α时的控制限δT 2,α取值为95或99:
计算统计量阈值Qα:
其中,Cα为一个高斯分布的(1-α)%的置信极限,
步骤310,新采样值标准化处理,
T2=||A-l/2Px||2
步骤312,故障判断,
判断所述霍特林统计量T2与所述控制限δT 2的大小,以及平方预测误差Q与所述统计量阈值Qα的大小,
若T2>δT 2且Q>Qα,则表示出现故障,故障计数加1,
若T2≤δT 2且Q>Qα,则表示出现故障,故障计数加1,
若T2>δT 2且Q≤Qα,则表示出现工况变化,如扰动等,
若T2≤δT 2且Q≤Qα,则运行正常,没有出现故障;
步骤313,故障报警,
判断故障计数,当故障计数为10,发出故障警报。
在本发明提供的另一实施例中,如图4所示,方法400与所述方法300的不同之处在于,
不计算霍特林统计量,仅计算平方预测误差Q与所述统计量阈值Qα的大小进行故障判断,判断依据如下:
若Q>Qα,则表示出现故障,故障计数加1,
若Q≤Qα,则运行正常,没有出现故障。
步骤203,故障识别,
如果步骤202中通过软件检测有故障发生,采用小波分析算法对各个软件传感器数据进行深层分析处理,确定出故障传感器位置、故障类型及严重程度等,包括:
将所述小波母函数Ψ(t)进行平移和伸缩,得到一簇小波基函数Ψa,b(t):
其中,a为尺度参数,b为平移参数;
依次将所述第i个软件传感器采集到的状态数据f(t),即所述状态数据Y的每一列,与所述小波基函数Ψa,b(t)做卷积,得到小波变换系数WTf(a,b);
分析小波分解后的所述状态数据能量,计算不同尺度下信号故障前后的能量比,确定故障类型。不同故障对应的小波分析得到信号能量有所差异。由于信号的能量是一个反映信号变化的重要物理量,时间/频率信号中能量的分布状况能够有效地反映出一个信号的变化特征。所以,不同故障下对原信号进行小波分析后的低频/高频信号的能量不尽相同,可以根据低频和高频信号的能量值判定出传感器的故障类型,
若某细节尺度能量比为其他细节尺度的3至5倍,则为传感器周期故障;
若细节尺度能量比基本相同,近似尺度能量比明显大于正常状态时数值,则为传感器跳变故障;
若所有尺度能量比均大于正常状态时数值,则为传感器随机故障;
若近似尺度能量比缓大于正常状态时数值,则为传感器漂移故障。
步骤204,评估系统当前的健康状况,
采用故障模式影响及危害性分析方法(FMECA),结合卫星历史遥测数据、软件系统知识及所述软件传感器检测、分析所得到的数据、信息以及特征,对当前系统健康状况进行层次化评估,确定系统当前健康情况,包括故障等级、故障影响、故障发生概率等。依据当前健康情况对系统安全、任务完成和系统性能等各方面的影响程度和发生概率,对故障模式加以分类,包括:
提取故障诊断模块输出的故障特征集合T={t1,…,tl},设计故障模式集合F={f1,…,fm};
设计故障评价推理集合ETF={tf1,…,tfn},表征故障诊断输出结果与故障模式之间的关系;
通过故障模式推理机,建立如图5所示的故障诊断与故障模式的映射关系。
步骤205,预判系统健康状况,
采用不需要精确模型的基于模糊判据的方法,结合卫星历史遥测数据、软件系统知识及故障信息,对系统未来健康状况以及设备剩余寿命进行预判,包括:
确定模糊预测的因素集U={u1,…,uh},预测结果集V={v1,…,vs};
由故障诊断结果并选择合适的隶属度函数,确定因素集与结果集之间的评判关系矩阵:
加入自学习机制以动态调整故障预测评判机制,建立基于模糊判据的预测机制后,其判据依据历史数据进行调整。
步骤206,制定维护安排建议,
根据所述系统当前的健康状态及未来健康状况,结合大量的专家经验,以及设计合理、准确的系统知识库完成系统的整体决策,包括决策、评价、推荐操作以及解释等。决策模块以大量的经验推理机制为元素来构建,其中推理机制决定了模块决策的准确程度。
尽管上文描述了本发明的各实施例,但是,应该理解,它们只是作为示例来呈现的,而不作为限制。对于相关领域的技术人员显而易见的是,可以对其做出各种组合、变型和改变而不背离本发明的精神和范围。因此,此处所公开的本发明的宽度和范围不应被上述所公开的示例性实施例所限制,而应当仅根据所附权利要求书及其等同替换来定义。
Claims (6)
1.一种微小卫星的层次化软件健康管理的方法,包括:
数据获取,通过部署在卫星星务各子构件运行关键节点的软件传感器,采集卫星星务各子构件的运行状态数据;
故障检测,采用主元分析法PCA对所述软件传感器采集到的状态数据进行分析,以实现故障检测,其中以最大特征值映射的特征向量、或采用累计方差贡献率法来选取主元分析法所需主元数量构建投影空间;
故障识别,对所述运行状态数据进行深层分析处理,确定出故障传感器位置、故障类型及严重程度;
评估系统当前健康状况,结合卫星历史遥测数据、软件系统知识及所述软件传感器检测、分析所得到的数据、信息以及特征,对当前系统健康状况进行层次化评估,确定系统当前健康情况;预判系统健康状况,结合卫星历史遥测数据、软件系统知识及故障信息,对系统未来健康状况以及设备剩余寿命进行预判;
制定维护安排建议。
2.如权利要求1所述的方法,其特征在于,所述软件传感器包括数据探测器、功能探测器和性能探测器。
3.如权利要求1所述的方法,其特征在于,采用小波分析算法对所述运行状态数据进行深层分析处理,以实现故障识别。
4.如权利要求1所述的方法,其特征在于,采用故障模式影响及危害性分析方法FMECA来评估系统当前健康状况。
5.如权利要求1所述的方法,其特征在于,采用不需要精确模型的基于模糊判据的故障预测方法来预判系统健康状况。
6.一种用于微小卫星的层次化软件健康管理系统,所述系统将卫星划分成子系统以进行健康管理,其中所述子系统包括姿控分系统模块、测控分系统模块、电源分系统模块、载荷分系统模块及星务健康模块,所述系统包括健康管理系统分层,所述分层包括:
传感器层,包括数据探测器、功能探测器以及性能探测器,用于获取卫星健康状态的数据;
状态监测层,用于监控和报告构件的状态和运行情况;
健康评估层,用于对各模块、分系统进行软件健康评估并形成报告;
预测层,用于提供未来时刻卫星各模块、分系统及单机的健康状态估计,为整星的健康状况未来预计提供参考和预警;以及
决策处理层,用于整合所述健康评估层输出、所述预测层输出及各模块、子系统的修复历史,结合卫星整体可用资源的约束和任务目标,做出维护安排建议,包括故障重构的措施以及调整时空资源进行修复。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911035928.2A CN110795309B (zh) | 2019-10-29 | 2019-10-29 | 一种用于微小卫星的层次化软件健康管理方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911035928.2A CN110795309B (zh) | 2019-10-29 | 2019-10-29 | 一种用于微小卫星的层次化软件健康管理方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110795309A CN110795309A (zh) | 2020-02-14 |
CN110795309B true CN110795309B (zh) | 2023-05-12 |
Family
ID=69441767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911035928.2A Active CN110795309B (zh) | 2019-10-29 | 2019-10-29 | 一种用于微小卫星的层次化软件健康管理方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110795309B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111400865B (zh) * | 2020-02-18 | 2023-09-01 | 北京空间飞行器总体设计部 | 基于缓变模拟量遥测数据的卫星单机部件健康性评估方法 |
CN111308511B (zh) * | 2020-03-05 | 2021-12-24 | 中国科学院微小卫星创新研究院 | 一种导航卫星载荷分系统自主健康管理系统及方法 |
CN111629043B (zh) * | 2020-05-21 | 2023-05-19 | 北京计算机技术及应用研究所 | 一种基于云端模式的跨平台健康管理系统 |
CN111623800B (zh) * | 2020-06-10 | 2022-05-24 | 北京空间飞行器总体设计部 | 一种低轨遥感卫星导航定位系统多级健康状态获取方法 |
CN114291305A (zh) * | 2020-07-22 | 2022-04-08 | 中国科学院微小卫星创新研究院 | 卫星故障诊断方法 |
CN112152698B (zh) * | 2020-09-24 | 2023-02-28 | 中国科学院空天信息创新研究院 | 一种遥感卫星地面站健康监控系统及方法 |
CN112445665B (zh) * | 2020-11-24 | 2024-03-15 | 中国空间技术研究院 | 一种星务软件模块故障复现的方法及系统 |
CN112528512A (zh) * | 2020-12-18 | 2021-03-19 | 北京无线电测量研究所 | 一种雷达装备通用的实时状态评估方法及系统 |
CN112785183B (zh) * | 2021-01-31 | 2022-04-05 | 中国人民解放军63963部队 | 一种分层融合式车辆分队健康管理系统架构 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3126980A2 (en) * | 2014-04-02 | 2017-02-08 | Sikorsky Aircraft Corporation | System and method for improved health management and maintenance decision support |
CN108375971A (zh) * | 2018-03-18 | 2018-08-07 | 哈尔滨工程大学 | 用于小卫星的综合电子系统健康管理模块及健康管理方法 |
CN110032790A (zh) * | 2019-04-08 | 2019-07-19 | 上海微小卫星工程中心 | 一种非侵入式微小卫星在轨自主健康状态监测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8103463B2 (en) * | 2006-09-21 | 2012-01-24 | Impact Technologies, Llc | Systems and methods for predicting failure of electronic systems and assessing level of degradation and remaining useful life |
-
2019
- 2019-10-29 CN CN201911035928.2A patent/CN110795309B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3126980A2 (en) * | 2014-04-02 | 2017-02-08 | Sikorsky Aircraft Corporation | System and method for improved health management and maintenance decision support |
CN108375971A (zh) * | 2018-03-18 | 2018-08-07 | 哈尔滨工程大学 | 用于小卫星的综合电子系统健康管理模块及健康管理方法 |
CN110032790A (zh) * | 2019-04-08 | 2019-07-19 | 上海微小卫星工程中心 | 一种非侵入式微小卫星在轨自主健康状态监测方法 |
Non-Patent Citations (1)
Title |
---|
基于可重构度的在轨卫星多级健康评估方法;陆峥等;《系统工程与电子技术》(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110795309A (zh) | 2020-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110795309B (zh) | 一种用于微小卫星的层次化软件健康管理方法和系统 | |
US7308385B2 (en) | Diagnostic systems and methods for predictive condition monitoring | |
CN110348150B (zh) | 一种基于相关概率模型的故障检测方法 | |
US7539597B2 (en) | Diagnostic systems and methods for predictive condition monitoring | |
Coble et al. | Applying the general path model to estimation of remaining useful life | |
US8437904B2 (en) | Systems and methods for health monitoring of complex systems | |
CN110909822B (zh) | 一种基于改进的高斯过程回归模型的卫星异常检测方法 | |
CN109034191B (zh) | 基于elm的单维遥测数据异常判读方法 | |
US20030120402A1 (en) | Intelligent condition-based engine/equipment management system | |
US20040049715A1 (en) | Computer networked intelligent condition-based engine/equipment management system | |
AU2002246994A1 (en) | Diagnostic systems and methods for predictive condition monitoring | |
GB2500388B (en) | System monitoring | |
CN114139274A (zh) | 一种健康管理系统 | |
Ahn | Deep learning based anomaly detection for a vehicle in swarm drone system | |
CN113919207A (zh) | 上面级开放式电气智能健康监测与管理系统 | |
CN113984114A (zh) | 一种海洋浮式平台水下结构异常诊断方法 | |
Burnaev | Rare failure prediction via event matching for aerospace applications | |
CN112966785B (zh) | 一种智能化星座状态识别方法和系统 | |
CN112231849B (zh) | 基于nest和sprt融合算法的轴温故障检测方法 | |
KR20230075150A (ko) | 시스템 건전성을 관리하기 위한 방법 및 장치 | |
GB2612319A (en) | System and method for detecting anomalous system behaviour | |
Gouriveau et al. | From real data to remaining useful life estimation: an approach combining neuro-fuzzy predictions and evidential Markovian classifications. | |
Dekate | Prognostics and engine health management of vehicle using automotive sensor systems | |
Noack et al. | Failure management for cost-effective and efficient spacecraft operation | |
CN115712840B (zh) | 一种电子信息系统多故障诊断方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |