CN111061293A - 多参数耦合的飞行器故障定位方法、飞行器及存储介质 - Google Patents
多参数耦合的飞行器故障定位方法、飞行器及存储介质 Download PDFInfo
- Publication number
- CN111061293A CN111061293A CN201911097655.4A CN201911097655A CN111061293A CN 111061293 A CN111061293 A CN 111061293A CN 201911097655 A CN201911097655 A CN 201911097655A CN 111061293 A CN111061293 A CN 111061293A
- Authority
- CN
- China
- Prior art keywords
- fault
- matrix
- aircraft
- measuring point
- location method
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000011159 matrix material Substances 0.000 claims abstract description 99
- 238000003745 diagnosis Methods 0.000 claims abstract description 53
- 238000012360 testing method Methods 0.000 claims abstract description 42
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 238000004590 computer program Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 4
- 230000004807 localization Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000008878 coupling Effects 0.000 abstract description 4
- 238000010168 coupling process Methods 0.000 abstract description 4
- 238000005859 coupling reaction Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 22
- 230000000875 corresponding effect Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Algebra (AREA)
- Remote Sensing (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提供了一种多参数耦合的飞行器故障定位方法、飞行器及存储介质。采用本申请实施例中的多参数耦合的飞行器故障定位方法，首先获取和处理原始数据，并生成测点序列；然后生成故障‑测试依存D矩阵并分解得到多个分块矩阵；最后分别进行故障诊断计算得到D矩阵对应的故障诊断结果；根据故障诊断结果确定所述飞行器的故障。实现了对规模庞大、参数高度耦合的复杂状态下的飞行器系统的多种故障模式的定位。
Description
技术领域
本申请属于航空航天技术领域，具体地，涉及一种多参数耦合的飞行器故障定位方法、飞行器及存储介质。
背景技术
飞行器作为未来空间作战的利器，任务日趋繁重，功能及结构日趋复杂，可靠性和安全性要求日趋严格。为了提高飞行器的维修性以及可靠性，降低其全寿命周期所需的费用，需要设计高效的故障推理算法，实现飞行器的快速故障定位。
在基于多信号流程图的故障推理算法中，TEAMS-RT算法具有思想直观，计算简便的特点，广泛用于国内外航空航天、船舶等多个领域。但是，当测试节点和故障模式增多时，D矩阵的结果会扩大。通过信号流程图生成全系统D矩阵，会使TEAMS-RT算法的时间复杂度按照指数型扩大。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。分支定界算法也是一种经典的故障推理算法，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。
针对规模庞大、参数高度耦合的复杂状态下的飞行器系统，如何快速、准确实现多种故障模式的定位，是本领域亟待解决的技术问题。
发明内容
本发明提出了一种多参数耦合的飞行器故障定位方法、飞行器及存储介质，旨在解决现有技术中的故障定位方法不能很好的适应复杂状态下的飞行器系统进行快速、准确的故障定位的问题。
根据本申请实施例的第一个方面，提供了一种多参数耦合的飞行器故障定位方法，包括以下步骤：
获取和处理原始数据，并根据处理后的原始数据生成测点序列；
根据飞行器系统结构模型生成故障-测试依存D矩阵；
对所述D矩阵进行分解得到多个分块矩阵；
对各分块矩阵分别进行故障诊断计算得到各分块矩阵对应的多个故障诊断结果；
将所述多个故障诊断结果进行合并，生成所述D矩阵对应的故障诊断结果；
根据所述D矩阵对应的故障诊断结果确定所述飞行器的故障。
根据本申请实施例的第二个方面，提供了一种飞行器，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现多参数耦合的飞行器故障定位方法。
根据本申请实施例的第三个方面，提供了一种计算机可读存储介质，其上存储有计算机程序；计算机程序被处理器执行以实现多参数耦合的飞行器故障定位方法。
采用本申请实施例中的多参数耦合的飞行器故障定位方法，获取和处理原始数据，并根据处理后的原始数据生成测点序列；根据飞行器系统结构模型生成故障-测试依存D矩阵；对D矩阵进行分解得到多个分块矩阵；对各分块矩阵分别进行故障诊断计算得到各分块矩阵对应的多个故障诊断结果并合并，生成所述D矩阵对应的故障诊断结果；根据故障诊断结果确定所述飞行器的故障。实现了对规模庞大、参数高度耦合的复杂状态下的飞行器系统的多种故障模式的定位，解决了现有技术中的故障定位方法不能很好的适应复杂状态下的飞行器系统进行快速、准确的故障定位的问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1中示出了根据本申请实施例的一种多参数耦合的飞行器故障定位方法的步骤流程图；
图2中示出了根据本申请实施例的故障树示意图；
图3中示出了根据本申请实施例的一种多参数耦合的飞行器故障定位方法的算法流程图；
图4示出了根据本申请实施例的一种飞行器的结构示意图。
具体实施方式
在实现本申请的过程中，发明人发现飞行器作为未来空间作战的利器，任务日趋繁重，功能及结构日趋复杂，可靠性和安全性要求日趋严格。为了提高飞行器的维修性以及可靠性，降低其全寿命周期所需的费用。现有的故障推理算法对于大型系统来说，特别是对实时性有严格要求的系统，面临着巨大的挑战，或者效果并不理想，会出现漏检的情况。因此，需要一种针对复杂状态下多参数耦合的飞行器系统的故障推理算法及故障定位方法。
针对上述问题，本申请实施例中提供了一种多参数耦合的飞行器故障定位方法，可针对复杂状态下多参数耦合的飞行器系统实现多种故障模式的快速、准确故障定位。消除了传统故障诊断算法应用于复杂状态下的飞行器系统时带来的“漏检”和“搜索爆炸”问题。
为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
实施例1
图1中示出了根据本申请实施例的一种多参数耦合的飞行器故障定位方法的步骤流程图。
如图1所示，本实施例的多参数耦合的飞行器故障定位方法，具体包括以下步骤：
S101：获取和处理原始数据，并根据处理后的原始数据生成测点序列。
具体的，对原始数据的处理具体包括：
根据飞行器参数的遥测帧协议及公式表，对遥测帧中的参数进行挑选、解析、计算。
具体的，在生成测点序列过程中，具体包括：
首先，对原始数据处理生成的遥测参数进行判读，根据遥测参数不同状态下的正确范围梳理形成判据；
然后，将所述判据绑定触发事件；
最后，根据判据和判据的触发事件对遥测参数进行判读形成测点序列。
S102：根据飞行器系统结构模型生成故障-测试依存D矩阵。
具体的，基于TEAMS-RT的诊断思想，根据飞行器系统结构模型生成故障-测试依存D矩阵，具体包括：
首先，根据飞行器系统结构模型和工作原理，分析飞行器系统的故障模式和故障逻辑关系，生成故障影响分析表；
然后，根据故障影响分析表得到故障-测试依存D矩阵。
S103：对将S102中的D矩阵进行分解得到多个分块矩阵。
具体的，对所述D矩阵采用测试与故障封闭原则对D矩阵进行矩阵分解。
测试与故障封闭原则是指，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。
优选地，对所述D矩阵进行分解具体包括以下步骤：
首先，将某些矩阵测试点只受到一个故障影响的测试点进行判断挑选；
然后，将D矩阵通过行列变换分为对角线的分块矩阵。
具体的，在对D矩阵进行矩阵分解时，首先考虑测点与故障一一对应的情况，即某一个测点只受到一个故障的影响的情况。这种情况下，当测点通过时，该故障没有发生，而测点未通过时，该故障一定发生。首先挑选出测点与故障一一对应的情况，使分解的多个分块矩阵更加紧凑化、合理化。
然后通过行列变换，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。
S104：对将S103中的各分块矩阵分别进行故障诊断计算得到各分块矩阵对应的多个故障诊断结果。
具体的，所述故障诊断计算采用分布式故障诊断计算，具体步骤包括：
首先，基于故障树的故障诊断计算，将D矩阵分解后的分块矩阵作为故障树的叶节点，根据故障树形式将测点序列分割成多个分段测点序列。
然后，将分割后的分段测点序列分别对应到分块矩阵中。
最后，分别对每一个分块矩阵故障诊断得到诊断结果。
图2中示出了根据本申请实施例的故障树示意图。
如图2所示，基于故障树的故障诊断计算，将分解后的D矩阵作为故障树的叶节点，量化后的测点序列作为输入，通过知识库中保存的故障树的形式，将测点序列分割开，得到分段的测点序列；然后将测点序列分别对应到不同的分块D矩阵中，对每一个分块D矩阵推理得到诊断结果。
具体的，所述故障诊断采用矩阵运算，矩阵运算对传统的TEAMS-RT算法进行了改进，具体包括以下步骤：
首先，将分解后的各测点序列左乘分解后的各D矩阵相关矩阵，得到计算结果。
然后，将测点序列中的数值进行反转；即原测点序列中的“1”转变为“0”，测点序列中的“0”转变为“1”。
最后，将反转后的测点序列左乘D矩阵相关矩阵，得到各故障诊断结果。
S105：将S104中的多个故障诊断结果进行合并，生成所述D矩阵对应的故障诊断结果。
具体的，根据和的测试结果，按照结果规则表来确定故障所属类别。
S106：根据S105中的D矩阵对应的故障诊断结果确定所述飞行器的故障。
具体的，所述故障具体包括故障类别和故障位置。
具体的，所述故障诊断结果将故障划分为故障集合，所述故障集合包括未发生故障集合、已发生故障集合、怀疑故障集合以及未知故障集合。
其中，对于怀疑故障，首先设定怀疑对应的遥测参数信息以及相应的故障率；设定正常测试下的遥测参数信息以及故障率的阈值范围；其次将故障诊断结果的遥测参数信息以及相应的故障率与阈值范围作比较，最后，若不满足正常测试的设定阈值范围，将不在阈值范围内的故障诊断结果判定为怀疑故障。
优选地，当故障诊断结果诊断为怀疑故障时对所述怀疑故障进行异常警告。
优选地，本实施例中的飞行器系统的故障模式包括合取式以及析取式。
具体的，在生成D矩阵的过程中，由于系统的复杂性以及相应的冗余保障会带来更复杂的参数耦合和逻辑关系，本实施例中的算法可以支持不同故障模式的逻辑处理，如合取式、析取式，提升了算法对实际问题的覆盖率以及解决能力。
本申请实施例中的多参数耦合的飞行器故障定位方法，实现了对规模庞大、参数高度耦合的复杂状态下的飞行器系统的多种故障模式的定位，解决了现有技术中的故障定位方法不能很好的适应复杂状态下的飞行器系统进行快速、准确的故障定位的问题。
具体的，当测试节点和故障模式增多的情况下，D矩阵的结果会扩大，导致故障诊断计算效率急剧下降，针对这种问题，本实施例提出一种“先分解，再整合”的并行诊断方法，可实现故障诊断计算时间的大量缩短，提高了故障诊断效率。
具体的，针对传统TEAMS-RT算法采用穷举搜索方法导致算法时间复杂度随系统的复杂度呈指数型增长的问题，本实施例提出的基于矩阵运算对传统的TEAMS-RT算法做了改进，有效优化了算法的效率。
具体的，实际系统中，系统的复杂性以及相应的冗余保障会带来更复杂的逻辑关系问题，本实施例针对这种情况，可支持不同故障模式的逻辑处理，如合取式、析取式，提升了对实际问题的覆盖率以及解决能力。
图3中示出了根据本申请实施例的一种多参数耦合的飞行器故障定位方法的算法流程图。
如图3所示，算法流程主要包括如下流程：
(1)开始后，生成并输入测点序列。
(2)找到一一对应的故障-测试对，生成故障-测试依存D矩阵。
(3)分割D矩阵并按照分割D矩阵方式分割测点序列。
(4)分别对分割后的D矩阵按照改进的TEAMS-RT算法进行故障诊断计算得到诊断结果。
(5)将计算结果整合，生成完整的D矩阵诊断结果。
关于流程(1)中生成测点序列：
首先，根据飞行器参数的遥测帧协议及公式表，对遥测帧中的参数进行挑选、解析和计算；其次，采用基于规则的遥测参数判读方案，通过梳理遥测参数在不同状态下的正确范围，形成多个判据；然后，将判据绑定触发事件，触发事件如时序触发、指令触发和测试流程触发等；最后，基于判据和判据的触发事件，对参数进行自动精准判读，判读结果形成测点序列。
生成的测点序列是一个n维的0、1序列，其中n代表测点个数。测点序列表示了测点的测量值，即机上原始参数的判读结果，0代表正常，1代表异常。测点序列由参数判读结果实时更新。若其始值为全0，即参数判读结果全正确。
关于流程(2)生成D矩阵中：
根据系统的结构模型和工作原理，分析系统的故障模式和故障逻辑关系，生成故障影响分析表，进而得到D矩阵。
D矩阵是一个m*n的0、1矩阵，其中m(行)代表故障模式个数，n(列)代表测点个数，此处测点与健康参数中的机上原始参数一一对应。测试性D矩阵表示了故障模式与测点的关联关系，矩阵中0代表没有关联关系，1代表有关联关系。
现有技术中，参数解释仅考虑实际物理值与遥测参数的正常范围之间的关系。当参数处于正常范围时，该参数将被视为正常值。但是，这种方式将带来新的问题和挑战。
一方面，飞行中飞机的复杂性能过程，特别是来自控制器，工作顺序和测试流程的指令，相同物理参数的正常范围受到约束和变化。例如，在加电测试中，飞机上的电压在超过25V且低于31V时被认为是正常的，而在断电测试时，在0V到1V的范围内被认为是正常的。更重要的是，我们可以根据某些故障模式获得异常值范围，不同的故障可能会影响同一个物理参数，但是会影响相同的物理参数发生不同范围的异常。
本实施例中，针对给定异常区间的情况，按照要求，设定为当参数在异常区间范围的时候，设定为true，对应到依存矩阵的测点序列中，在设定区间范围内意味着参数测试不通过，按照矩阵的定义，数值设定为1。此外，由于多个故障可能存在对某一物理参数的影响相同的情况，所以，在由故障影响分析表生成相关性矩阵的过程中，按照相同物理参数以及相同异常区间的原则进行合并。
另一方面，在实际系统中，由于系统的复杂性以及相应的冗余保障，需要满足更复杂的逻辑关系。故障模式对测试的影响不再局限于单个“与”的逻辑关系，而是遵循更复杂的合取式与析取式，即对于同一个故障，同时影响多个测试节点，而这些测试节点的异常是同时发生的。
针对这一问题，本实施例的多参数耦合的飞行器故障定位方法采用不同的方式处理不同的故障模式，对于合取式，按照一般相关性矩阵的方式进行处理，即每一行对应每一故障对测点的影响；对于析取式，采用列举的方法进行处理，在这种情况下，一种故障可能占据相关性矩阵的多行。
关于流程(3)矩阵分割：
为了节约计算时间，将D矩阵进行分解，可针对不同的D矩阵进行并行计算。
矩阵分解的原则是测试与故障封闭，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，而测点未通过时，该故障一定发生。通过这种方式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与故障之间相互封闭。按照矩阵运算的思想，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。
关于流程(4)故障诊断算法：
故障诊断算法的输入为量化后的测点序列，通过知识库中保存的故障树的形式，将测点序列分割开，得到分段的测点序列，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，最后整合输出。
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，本算法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：
1)将测点序列左乘相关矩阵，得到计算结果；
2)将测点序列中的数值进行反转，即原测点序列中的“1”转变为“0”，测点序列中的“0”转变为“1”；
3)将反转后的测点序列左乘相关矩阵，得到测试结果；
4)将测试结果整合，按照结果规则表来确定故障所属类别。
图4示出了根据本申请实施例的一种飞行器的结构示意图。
如图4所示，本实施例提供的一种飞行器400，具体包括：
存储器402、处理器401以及计算机程序。
其中，所述计算机程序存储在所述存储器402中，并被配置为由所述处理器401执行以实现前面实施例中所述的多参数耦合的飞行器故障定位方法。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行以实现如上任一内容所提供的多参数耦合的飞行器故障定位方法。
基于同一发明构思，本申请实施例中还提供了一种计算机程序产品，由于该计算机程序产品解决问题的原理与本申请实施例一所提供的方法相似，因此该计算机程序产品的实施可以参见方法的实施，重复之处不再赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (13)
1.一种多参数耦合的飞行器故障定位方法，其特征在于，包括以下步骤：
获取和处理原始数据，并根据处理后的原始数据生成测点序列；
根据飞行器系统结构模型生成故障-测试依存D矩阵；
对所述D矩阵进行分解得到多个分块矩阵；
对各分块矩阵分别进行故障诊断计算得到各分块矩阵对应的多个故障诊断结果；
将所述多个故障诊断结果进行合并，生成所述D矩阵对应的故障诊断结果；
根据所述D矩阵对应的故障诊断结果确定所述飞行器的故障。
2.根据权利要求1所述的多参数耦合的飞行器故障定位方法，其特征在于，所述原始数据获取和处理，并生成测点序列，具体包括：
根据飞行器参数的遥测帧协议及公式表，对遥测帧中的参数进行挑选、解析、计算；
根据遥测参数不同状态下的正确范围梳理形成判据，将所述判据绑定触发事件；
根据判据和判据的触发事件对遥测参数进行判读形成测点序列。
3.根据权利要求1所述的多参数耦合的飞行器故障定位方法，其特征在于，所述根据飞行器系统结构模型生成故障-测试依存D矩阵，具体包括：
根据飞行器系统结构模型和工作原理，分析飞行器系统的故障模式和故障逻辑关系，生成故障影响分析表；
根据故障影响分析表得到故障-测试依存D矩阵。
4.根据权利要求3所述的多参数耦合的飞行器故障定位方法，其特征在于，所述飞行器系统的故障模式包括合取式以及析取式。
5.根据权利要求1所述的多参数耦合的飞行器故障定位方法，其特征在于，对所述D矩阵进行分解具体包括：
采用测试与故障封闭原则对D矩阵进行矩阵分解。
6.根据权利要求1所述的多参数耦合的飞行器故障定位方法，其特征在于，对所述D矩阵进行分解，具体包括：
将某些矩阵测试点只受到一个故障影响的测试点进行判断挑选；
将D矩阵通过行列变换分为对角线的分块矩阵。
7.根据权利要求1所述的多参数耦合的飞行器故障定位方法，其特征在于，所述故障诊断计算采用分布式故障诊断计算，具体包括：
基于故障树的故障诊断计算，将D矩阵分解后的分块矩阵作为故障树的叶节点，根据故障树形式将测点序列分割成多个分段测点序列；
将分割后的分段测点序列分别对应到分块矩阵中；
分别对每一个分块矩阵进行故障诊断得到诊断结果。
8.根据权利要求1所述的多参数耦合的飞行器故障定位方法，其特征在于，所述故障诊断计算采用矩阵运算，具体包括：
将分解后的各测点序列左乘分解后的各D矩阵相关矩阵，得到计算结果；
将测点序列中的数值进行反转；
将反转后的测点序列左乘D矩阵相关矩阵，得到各故障诊断结果；
按照结果规则表确定故障所属类别。
9.根据权利要求1所述的多参数耦合的飞行器故障定位方法，其特征在于，所述故障具体包括故障类别和故障位置。
10.根据权利要求1所述的多参数耦合的飞行器故障定位方法，其特征在于，所述故障诊断结果将故障划分为故障集合，所述故障集合包括未发生故障集合、已发生故障集合、怀疑故障集合以及未知故障集合。
11.根据权利要求9所述的多参数耦合的飞行器故障定位方法，其特征在于，还包括：
对所述怀疑故障进行异常警告。
12.一种飞行器，其特征在于，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如权利要求1-10任一项所述的多参数耦合的飞行器故障定位方法。
13.一种计算机可读存储介质，其特征在于，其上存储有计算机程序；所述计算机程序被处理器执行以实现如权利要求1-10任一项所述的多参数耦合的飞行器故障定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911097655.4A CN111061293B (zh) | 2019-11-12 | 2019-11-12 | 多参数耦合的飞行器故障定位方法、飞行器及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911097655.4A CN111061293B (zh) | 2019-11-12 | 2019-11-12 | 多参数耦合的飞行器故障定位方法、飞行器及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111061293A true CN111061293A (zh) | 2020-04-24 |
| CN111061293B CN111061293B (zh) | 2023-11-17 |
Family
ID=70298320
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911097655.4A Active CN111061293B (zh) | 2019-11-12 | 2019-11-12 | 多参数耦合的飞行器故障定位方法、飞行器及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111061293B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111563110A (zh) * | 2020-04-30 | 2020-08-21 | 中国直升机设计研究所 | 一种基于故障特征数据识别的飞参数据处理方法 |
| CN112098770A (zh) * | 2020-08-20 | 2020-12-18 | 深圳市宏旺微电子有限公司 | 针对动态耦合故障模拟极端环境下的测试方法和装置 |
| CN112181679A (zh) * | 2020-09-13 | 2021-01-05 | 中国运载火箭技术研究院 | 火箭数据处理方法、装置及计算机存储介质、电子设备 |
| CN112182783A (zh) * | 2020-11-02 | 2021-01-05 | 中国运载火箭技术研究院 | 航天飞行器系统的风险识别方法、设备及存储介质 |
| CN113608910A (zh) * | 2021-08-02 | 2021-11-05 | 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 |
| CN112182783B (zh) * | 2020-11-02 | 2024-05-10 | 中国运载火箭技术研究院 | 航天飞行器系统的风险识别方法、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105574328A (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 | 一种机载诊断模型的集成方法 |
| CN106250631A (zh) * | 2016-08-03 | 2016-12-21 | 中国科学院西安光学精密机械研究所 | 一种基于故障‑测试相关矩阵的故障诊断方法 |
| CN109523752A (zh) * | 2018-11-28 | 2019-03-26 | 润电能源科学技术有限公司 | 一种设备故障预警方法、装置、电子设备和介质 |
| EP3460611A1 (en) * | 2017-09-25 | 2019-03-27 | The Boeing Company | System and method for aircraft fault detection |
| US10275548B1 (en) * | 2014-10-10 | 2019-04-30 | The United States Of America As Represented By The Administrator Of The Nasa | Interactive diagnostic modeling evaluator |
| CN110162811A (zh) * | 2018-04-16 | 2019-08-23 | 北京机电工程研究所 | 基于故障诊断的测试性建模及分析方法 |
-
2019
- 2019-11-12 CN CN201911097655.4A patent/CN111061293B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10275548B1 (en) * | 2014-10-10 | 2019-04-30 | The United States Of America As Represented By The Administrator Of The Nasa | Interactive diagnostic modeling evaluator |
| CN105574328A (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 | 一种机载诊断模型的集成方法 |
| CN106250631A (zh) * | 2016-08-03 | 2016-12-21 | 中国科学院西安光学精密机械研究所 | 一种基于故障‑测试相关矩阵的故障诊断方法 |
| EP3460611A1 (en) * | 2017-09-25 | 2019-03-27 | The Boeing Company | System and method for aircraft fault detection |
| CN110162811A (zh) * | 2018-04-16 | 2019-08-23 | 北京机电工程研究所 | 基于故障诊断的测试性建模及分析方法 |
| CN109523752A (zh) * | 2018-11-28 | 2019-03-26 | 润电能源科学技术有限公司 | 一种设备故障预警方法、装置、电子设备和介质 |
Non-Patent Citations (1)
| Title |
|---|
| 林志文;陈晓明;杨士元;: "基于XML模式的D-矩阵描述及诊断应用", 兵工学报 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111563110A (zh) * | 2020-04-30 | 2020-08-21 | 中国直升机设计研究所 | 一种基于故障特征数据识别的飞参数据处理方法 |
| CN111563110B (zh) * | 2020-04-30 | 2023-07-25 | 中国直升机设计研究所 | 一种基于故障特征数据识别的飞参数据处理方法 |
| CN112098770A (zh) * | 2020-08-20 | 2020-12-18 | 深圳市宏旺微电子有限公司 | 针对动态耦合故障模拟极端环境下的测试方法和装置 |
| CN112181679A (zh) * | 2020-09-13 | 2021-01-05 | 中国运载火箭技术研究院 | 火箭数据处理方法、装置及计算机存储介质、电子设备 |
| CN112181679B (zh) * | 2020-09-13 | 2024-05-10 | 中国运载火箭技术研究院 | 火箭数据处理方法、装置及计算机存储介质、电子设备 |
| CN112182783A (zh) * | 2020-11-02 | 2021-01-05 | 中国运载火箭技术研究院 | 航天飞行器系统的风险识别方法、设备及存储介质 |
| CN112182783B (zh) * | 2020-11-02 | 2024-05-10 | 中国运载火箭技术研究院 | 航天飞行器系统的风险识别方法、设备及存储介质 |
| CN113608910A (zh) * | 2021-08-02 | 2021-11-05 | 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111061293B (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Schlegel et al. | Towards a rigorous evaluation of XAI methods on time series | |
| WO2021179574A1 (zh) | 根因定位方法、装置、计算机设备和存储介质 | |
| US5500941A (en) | Optimum functional test method to determine the quality of a software system embedded in a large electronic system | |
| CN111061293A (zh) | 多参数耦合的飞行器故障定位方法、飞行器及存储介质 | |
| CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| CN109470946B (zh) | 一种发电设备故障检测方法及系统 | |
| CN107168842B (zh) | 基于pmc模型的自适应顺序故障诊断方法 | |
| Ye et al. | Adaptive board-level functional fault diagnosis using decision trees | |
| CN110849625A (zh) | 基于混合熵与联合分布适配的变工况下轴承故障诊断方法 | |
| CN110515826A (zh) | 一种基于次数频谱与神经网络算法的软件缺陷定位方法 | |
| CN112559316A (zh) | 软件测试方法和设备、计算机存储介质以及服务器 | |
| CN108825482B (zh) | 一种飞机轴向柱塞泵的故障检测方法及检测系统 | |
| CN108932197B (zh) | 基于参数Bootstrap重抽样的软件失效时间预测方法 | |
| CN114238081A (zh) | 一种适用于小卫星批量测试的方法及系统 | |
| CN110727553A (zh) | 处理器系统故障的预测与诊断方法和装置 | |
| Solomentsev et al. | Diagnostics programs efficiency analysis in operation system of radioelectronic eguipment | |
| CN112380763A (zh) | 一种基于数据挖掘的堆内构件可靠性分析系统及方法 | |
| Zhang et al. | Test sequencing problem arising at the design stage for reducing life cycle cost | |
| Ya et al. | Semi-Markov reliability model of functioning of wireless telecommunication system with complex control system | |
| CN115577364A (zh) | 一种多静态分析工具结果融合的漏洞挖掘方法 | |
| Zuiev et al. | Questions of radioelectronic equipment diagnostics programs efficiency analysis | |
| CN114841553A (zh) | 发电机旋转整流器故障诊断方法、系统、设备及存储介质 | |
| CN109799425B (zh) | 电网故障诊断方法及装置 | |
| Pang et al. | Detecting continual anomalies in monitoring data stream based on sampling GPR algorithm | |
| Chandrashekar et al. | Anomaly detection in recorded CAN log using DBSCAN and LSTM Autoencoder |
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 |