CN112001295B - 高速转子轴系的性能评估方法及装置、存储介质及处理器 - Google Patents

高速转子轴系的性能评估方法及装置、存储介质及处理器 Download PDF

Info

Publication number
CN112001295B
CN112001295B CN202010841663.1A CN202010841663A CN112001295B CN 112001295 B CN112001295 B CN 112001295B CN 202010841663 A CN202010841663 A CN 202010841663A CN 112001295 B CN112001295 B CN 112001295B
Authority
CN
China
Prior art keywords
data
telemetry data
rotor shaft
shaft system
speed rotor
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
Application number
CN202010841663.1A
Other languages
English (en)
Other versions
CN112001295A (zh
Inventor
张宽
张爱成
程艳合
邹雪梅
赵凤才
谢圆
张辉
卢皓
谢源
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Aerospace Control Center
Original Assignee
Beijing Aerospace Control Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Aerospace Control Center filed Critical Beijing Aerospace Control Center
Priority to CN202010841663.1A priority Critical patent/CN112001295B/zh
Publication of CN112001295A publication Critical patent/CN112001295A/zh
Application granted granted Critical
Publication of CN112001295B publication Critical patent/CN112001295B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C19/00—Gyroscopes; Turn-sensitive devices using vibrating masses; Turn-sensitive devices without moving masses; Measuring angular rate using gyroscopic effects
    • G01C19/02—Rotary gyroscopes
    • G01C19/04—Details
    • G01C19/06—Rotors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种高速转子轴系的性能评估方法及装置、存储介质及处理器。其中，该方法包括：获取高速转子轴系的遥测数据，其中，高速转子轴系为控制力矩陀螺的动力部件；对遥测数据进行分段处理，得到多个数据周期对应的遥测数据，并基于多个数据周期对应的遥测数据确定每个数据周期内遥测数据的变化间隔时长；根据每个数据周期内遥测数据的变化间隔时长得到健康因子时间序列；对健康因子时间序列进行分析，并利用分析结果对高速转子轴系进行性能评估。本发明解决了相关技术中对控制力矩陀螺的高速转子轴系的性能进行评估比较困难的技术问题。

Description

高速转子轴系的性能评估方法及装置、存储介质及处理器
技术领域
本发明涉及航天测控技术领域，具体而言，涉及一种高速转子轴系的性能评估方法及装置、存储介质及处理器。
背景技术
控制力矩陀螺(Control Moment Gyro，简称CMG)是通过一个高速旋转的转子来获得一定的角动量，并通过改变角动量的方向对外输出控制力矩。与传统的飞轮相比，控制力矩陀螺输出力矩大，能效比高；与喷气推力器相比，控制力矩陀螺在提供较大控制力矩的同时，又能精准、连续地输出力矩，且不消耗燃料。因此，对于大型长寿命航天器，控制力矩陀螺是理想的姿态控制执行机构之一，要建成的空间站采用控制力矩陀螺作为主要的姿态控制执行机构是趋势，从而以满足姿态控制和姿态机动需求。
高速转子轴系是控制力矩陀螺的关键部件，其作用是以一定的转速高速旋转实现恒定的角动量。由于在控制力矩陀螺工作期间高速转子轴系不间断长期运转，且载荷大、转速高、工矿恶劣，高速转子轴系故障率较高。目前据不完全统计，控制力矩陀螺50％以上的故障与高速转子轴系相关。由于高速转子轴系的失效模式主要为疲劳失效与润滑失效，且闭环系统的引入使得高速转子轴系的故障难以被检测。
针对上述相关技术中对控制力矩陀螺的高速转子轴系的性能进行评估比较困难的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种高速转子轴系的性能评估方法及装置、存储介质及处理器，以至少解决相关技术中对控制力矩陀螺的高速转子轴系的性能进行评估比较困难的技术问题。
根据本发明实施例的一个方面，提供了一种高速转子轴系的性能评估方法，包括：获取高速转子轴系的遥测数据，其中，所述高速转子轴系为控制力矩陀螺的动力部件；对所述遥测数据进行分段处理，得到多个数据周期对应的遥测数据，并基于所述多个数据周期对应的遥测数据确定每个数据周期内遥测数据的变化间隔时长；根据所述每个数据周期内遥测数据的变化间隔时长得到健康因子时间序列；对所述健康因子时间序列进行分析，并利用分析结果对所述高速转子轴系进行性能评估。
可选地，所述对所述遥测数据进行分段处理，得到多个数据周期对应的遥测数据，包括：判断所述遥测数据是否为离散化数据，得到判断结果；在所述判断结果表示遥测数据为离散化数据的情况下，对所述遥测数据进行分段处理，以得到多个数据周期对应的遥测数据；在所述判断结果表示遥测数据不为离散化数据的情况下，对所述遥测数据进行离散化处理，得到离散化处理后的遥测数据，并对所述离散化处理后的遥测数据进行分段处理，以得到多个数据周期对应的遥测数据。
可选地，所述对所述遥测数据进行离散化处理，得到离散化处理后的遥测数据，包括：确定所述遥测数据的值域范围；在所述值域范围内设定预定数量的分割点，并利用所述预定数量的分割点将所述值域范围划分为多个离散区间；将所述遥测数据分别分配到所述多个离散区间，以得到所述离散化处理后的遥测数据。
可选地，所述对所述遥测数据进行离散化处理，得到离散化处理后的遥测数据，包括：确定用于对所述遥测数据进行离散化处理的离散函数；确定所述遥测数据对应的性能参数对应的时间序列数据；在所述离散函数以及所述时间序列数据的基础上，通过第一公式得到所述离散化处理后的遥测数据，其中，所述第一公式为：DTM＝Discretize(TM)，其中，DTM表示离散化处理后的遥测数据，Discretize为所述离散函数，TM为所述时间序列数据。
可选地，所述基于所述多个数据周期对应的遥测数据确定每个数据周期内遥测数据的变化间隔时长，包括：通过第二公式确定所述变化间隔时长，其中，所述第二公式为：DiFFDTM＝{DiffDTM1，DiffDTM2，...，DiffDTMm}，DiFFDTM为第i个变化间隔时长，m表示数据周期的数据数量。
可选地，所述根据所述每个数据周期内遥测数据的变化间隔时长得到健康因子时间序列，包括：通过第三公式确定所述每个数据周期内高速转子轴系的健康因子，其中，所述第三公式为：其中，H(DiffDTM)表示所述健康因子，所述健康因子用于表示所述高速转子轴系在每个数据周期的性能状态，w表示DiffDTMi的权值，/>表示DiffDTMi出现的概率；根据所述每个数据周期内高速转子轴系的健康因子得到所述健康因子时间序列。
可选地，所述对所述健康因子时间序列进行分析，并利用分析结果对所述高速转子轴系进行性能评估，包括：利用多阶移动平均法对所述健康因子时间序列进行分析，得到所述健康因子时间序列的变化趋势数据；根据变化趋势数据对所述高速转子轴系进行性能评估。
根据本发明实施例的另外一个方面，还提供了一种高速转子轴系的性能评估装置，包括：第一获取单元，用于获取高速转子轴系的遥测数据，其中，所述高速转子轴系为控制力矩陀螺的动力部件；确定单元，用于对所述遥测数据进行分段处理，得到多个数据周期对应的遥测数据，并基于所述多个数据周期对应的遥测数据确定每个数据周期内遥测数据的变化间隔时长；第二获取单元，用于根据所述每个数据周期内遥测数据的变化间隔时长得到健康因子时间序列；评估单元，用于对所述健康因子时间序列进行分析，并利用分析结果对所述高速转子轴系进行性能评估。
可选地，所述确定单元，包括：判断子单元，用于判断所述遥测数据是否为离散化数据，得到判断结果；第一获取子单元，用于在所述判断结果表示遥测数据为离散化数据的情况下，对所述遥测数据进行分段处理，以得到多个数据周期对应的遥测数据；第二获取子单元，用于在所述判断结果表示遥测数据不为离散化数据的情况下，对所述遥测数据进行离散化处理，得到离散化处理后的遥测数据，并对所述离散化处理后的遥测数据进行分段处理，以得到多个数据周期对应的遥测数据。
可选地，所述第二获取子单元，包括：第一确定模块，用于确定所述遥测数据的值域范围；划分模块，用于在所述值域范围内设定预定数量的分割点，并利用所述预定数量的分割点将所述值域范围划分为多个离散区间；第一获取模块，用于将所述遥测数据分别分配到所述多个离散区间，以得到所述离散化处理后的遥测数据。
可选地，所述第二获取子单元，包括：第二确定模块，用于确定用于对所述遥测数据进行离散化处理的离散函数；第三确定模块，用于确定所述遥测数据对应的性能参数对应的时间序列数据；第二获取模块，用于在所述离散函数以及所述时间序列数据的基础上，通过第一公式得到所述离散化处理后的遥测数据，其中，所述第一公式为：DTM＝Discretize(TM)，其中，DTM表示离散化处理后的遥测数据，Discretize为所述离散函数，TM为所述时间序列数据。
可选地，所述确定单元，包括：第一确定子单元，用于通过第二公式确定所述变化间隔时长，其中，所述第二公式为：DiFFDTM＝{DiffDTM1，DiffDTM2，...，DiffDTMm}，DiFFDTM为第i个变化间隔时长，m表示数据周期的数据数量。
可选地，所述第二获取单元，包括：第二确定子单元，用于通过第三公式确定所述每个数据周期内高速转子轴系的健康因子，其中，所述第三公式为： 其中，H(DiffDTM)表示所述健康因子，所述健康因子用于表示所述高速转子轴系在每个数据周期的性能状态，w表示DiffDTMi的权值，表示DiffDTMi出现的概率；第三获取子单元，用于根据所述每个数据周期内高速转子轴系的健康因子得到所述健康因子时间序列。
可选地，所述评估单元，包括：分析子单元，用于利用多阶移动平均法对所述健康因子时间序列进行分析，得到所述健康因子时间序列的变化趋势数据；评估子单元，用于根据变化趋势数据对所述高速转子轴系进行性能评估。
根据本发明实施例的另外一个方面，还提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序执行上述中任意一项所述的高速转子轴系的性能评估方法。
根据本发明实施例的另外一个方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的高速转子轴系的性能评估方法。
根据本发明实施例的另外一个方面，还提供了一种航天设备，包括：存储器，与所述存储器耦合的处理器，所述存储器和所述处理器通过总线系统相通信；所述存储器用于存储程序，其中，所述程序在被处理器执行时控制所述存储器所在设备执行上述中任意一项所述的高速转子轴系的性能评估方法；所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的高速转子轴系的性能评估方法。
在本发明实施例中，采用获取高速转子轴系的遥测数据，其中，高速转子轴系为控制力矩陀螺的动力部件；对遥测数据进行分段处理，得到多个数据周期对应的遥测数据，并基于多个数据周期对应的遥测数据确定每个数据周期内遥测数据的变化间隔时长；根据每个数据周期内遥测数据的变化间隔时长得到健康因子时间序列；对健康因子时间序列进行分析，并利用分析结果对高速转子轴系进行性能评，。通过本发明实施例提供的高速转子轴系的性能评估方法，实现了对获取的遥测数据进行处理，基于熵测度得到健康因子时间序列，并根据对健康因子时间序列的分析结果得到高速转子轴系的性能的目的，达到了降低对高速转子轴系的性能进行评估的难度的技术效果，进而解决了相关技术中对控制力矩陀螺的高速转子轴系的性能进行评估比较困难的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的高速转子轴系的性能评估方法的流程图；
图2是根据本发明实施例的可选的高速转子轴系的性能评估方法的流程图；
图3是根据本发明实施例的转子转速脉冲数每天的数值均值的曲线图；
图4是根据本发明实施例的转速脉冲数健康因子及趋势的曲线图；
图5是根据本发明实施例的转子转速脉冲数健康因子趋势阶段划分的示意图；
图6是根据本发明实施例的转子转速脉冲数变化间隔时间分布比较的示意图；
图7是根据本发明实施例的高速转子轴系的性能评估装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
性能退化评估是一种实现设备主动维护的关键技术，目前逐渐成为故障诊断领域新的研究热点，多种评估方法相继被提出。与传统的故障诊断相比，性能退化评估模型需对设备的性能退化程度具有一致的随动反应能力，而非区别不同故障间的差异。影响控制力矩陀螺高速转子轴系性能的因素很多，比如载荷、转子驱动电机控制能力、空间环境等，因此，表征高速转子轴系的性能参数的变化具有非线性动力学的特征，系统的性能退化可以通过计算局部时域内的非线性复杂度(如局部时域内性能参数的变化间隔时间的概率分布)进行评估。
针对上述问题，本发明从复杂系统局部时域非线性复杂度的角度，提出了一种基于加权熵的控制力矩陀螺高速转子轴系的健康退化评估方法，该方法采用熵测度作为短期非线性复杂度的测度，定义了表征控制力矩陀螺高速转子轴系性能状态的健康因子，用于分析和评估性能退化。下面对其进行详细说明
实施例1
根据本发明实施例，提供了一种高速转子轴系的性能评估方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的高速转子轴系的性能评估方法的流程图，如图1所示，该高速转子轴系的性能评估方法包括如下步骤：
步骤S102，获取高速转子轴系的遥测数据，其中，高速转子轴系为控制力矩陀螺的动力部件。
可选的，上述高速转子轴系为控制力矩陀螺的动力部件。高速旋转的转子来获得一定的角动量，并通过改变角动量的方向对外输出控制力矩。
可选的，控制力矩陀螺可以用做航天设备的姿态控制执行机构，从而满足姿态控制和姿态机动的需求。
可选的，上述遥测数据为航天设备的在轨遥测数据，用于表征高速转子轴系的遥测参数。
步骤S104，对遥测数据进行分段处理，得到多个数据周期对应的遥测数据，并基于多个数据周期对应的遥测数据确定每个数据周期内遥测数据的变化间隔时长。
由于本发明实施例中采用熵测度对控制力矩陀螺的高度转子轴系进行性能评估，具体地，主要是对高度转子轴系的相关性能参数局部时域非线性复杂度进行评估，以研究性能参数数据变化间隔时长的分布规律。而性能遥测数据一般具有两类：连续数据特性的性能参数和具有离散特性的性能参数。而对遥测数据进行分段处理时，主要是针对离散化数据进行的，因此，在本发明实施例中，对遥测数据进行分段处理时，需要对遥测数据的连续性进行判断，即，判断遥测数据是否为离散化数据。
在一种可选的实施例中，对遥测数据进行分段处理，得到多个数据周期对应的遥测数据，包括：判断遥测数据是否为离散化数据，得到判断结果；在判断结果表示遥测数据为离散化数据的情况下，对遥测数据进行分段处理，以得到多个数据周期对应的遥测数据；在判断结果表示遥测数据不为离散化数据的情况下，对遥测数据进行离散化处理，得到离散化处理后的遥测数据，并对离散化处理后的遥测数据进行分段处理，以得到多个数据周期对应的遥测数据。
其中，对遥测数据进行离散化处理，得到离散化处理后的遥测数据，包括：确定遥测数据的值域范围；在值域范围内设定预定数量的分割点，并利用预定数量的分割点将值域范围划分为多个离散区间；将遥测数据分别分配到多个离散区间，以得到离散化处理后的遥测数据。
需要说明的是，在进行计算变化间隔时长之前需要进行数据离散化处理，所述数据离散化是将连续属性数据在其值域范围内设定若干个离散化的分割点，将数据的值域范围划分为一些离散化区间，最后用整数值或者不同的符号代表落在各个子区间中的数据值。
此外，连续值属性数据离散化算法很多，具有不同的划分形式：考虑整体样本的全局型和考虑部分样本的局部型、相邻区间合并的自低向上型和区间分割的自顶向下行、考虑类信息的有监督类型和不考虑类信息的无监督类型。典型的离散算法包括：基于信息熵理论的自顶向下有监督离散算法Ent-MDLP；基于类属性相互依赖的CACC；基于统计学理论的Chi2-based相关算法，如ChiMerge、Extended Chi2等。目前，应用最为广泛的离散化算法是等宽(EQW)和等频(EQF)算法，该类算法需预先设定离散区间个数，计算消耗低，但丢失信息大。
因此，为了降低消耗，并保证丢失信息的完整性，在本发明实施例中，对遥测数据进行离散化处理，得到离散化处理后的遥测数据，包括：确定用于对遥测数据进行离散化处理的离散函数；确定遥测数据对应的性能参数对应的时间序列数据；在离散函数以及时间序列数据的基础上，通过第一公式得到离散化处理后的遥测数据，其中，第一公式为：DTM＝Discretize(TM)，其中，DTM表示离散化处理后的遥测数据，Discretize为离散函数，TM为时间序列数据。
另外，若遥测数据对应的时间序列数据为TM，那么TM＝{TM1，TM2，...，TMn}，其中，TMi遥测数据在第i个时间点的取值，n为时间序列数据的总个数，TM数据属性可以为连续型数据。经过数据离散化处理后，得到：DTM＝Discretize(TM)＝{DTM1，DTM2，...，DTMn}，这里的DTMi为TMi离散化后的取值。
步骤S106，根据每个数据周期内遥测数据的变化间隔时长得到健康因子时间序列。
其中，这里的健康因子时间序列是由多个健康因子组成的，健康因子用于表示高速转子轴系的性能。
步骤S108，对健康因子时间序列进行分析，并利用分析结果对高速转子轴系进行性能评估。
由上分析可知，在本发明实施例中，可以获取高速转子轴系的遥测数据，其中，高速转子轴系为控制力矩陀螺的动力部件；对遥测数据进行分段处理，得到多个数据周期对应的遥测数据，并基于多个数据周期对应的遥测数据确定每个数据周期内遥测数据的变化间隔时长；根据每个数据周期内遥测数据的变化间隔时长得到健康因子时间序列；对健康因子时间序列进行分析，并利用分析结果对高速转子轴系进行性能评估，实现了对获取的遥测数据进行处理，基于熵测度得到健康因子时间序列，并根据对健康因子时间序列的分析结果得到高速转子轴系的性能的目的，达到了降低对高速转子轴系的性能进行评估的难度的技术效果。
容易注意到，由于在本发明实施例中，能够基于无明显趋势变化的性能参数对高速转子轴系的性能情况进行有效分析和评估，对于使用控制力矩陀螺作为姿控的大型航天器的在轨运行管理，提供了较高的工程应用价值。
通过本发明实施例提供的高速转子轴系的性能评估方法，解决了相关技术中对控制力矩陀螺的高速转子轴系的性能进行评估比较困难的技术问题。
根据本发明上述实施例，在步骤S104中，基于多个数据周期对应的遥测数据确定每个数据周期内遥测数据的变化间隔时长，包括：通过第二公式确定变化间隔时长，其中，第二公式为：DiFFDTM＝{DiffDTM1，DiffDTM2，...，DiffDTMm}，DiFFDTM为第i个变化间隔时长，m表示数据周期的数据数量。
随着控制力矩陀螺的高速转子轴系的轴承使用时间的增加，高速轴承的磨损会逐渐加剧，摩擦阻力随之增加。此外，转子驱动电机也会随着时间推移相关部件老化、性能退化，最终控制系统性能下降。这些复杂因素将导致高速转子轴系相关属性(表现为性能参数)产生复杂的非线性行为特性，这种复杂的非线性特性会在性能参数值的变化规律上体现。因此，研究离散化性能参数数据变化间隔时长的分布规律，在具体研究规律前需要计算离散化性能参数数据变化间隔时长。所谓变化间隔时长是指针对某离散化性能参数，随时间推移，与当前值最近的不同值对应的时间点与当前时间点之差的绝对值。
其中，可以用DiffDTMi表示第i个变化间隔时长，DiffDTMi＝abs(Time(DTMi，t)-Time(DTMi，t+1))，这里的abs表示绝对值函数，Time表示获得对应数据点的时间，DTMi，t和DTMi，t+1分别表示DiffDTMi涉及到的两个数据点。
根据本发明上述实施例，在步骤S106中，根据每个数据周期内遥测数据的变化间隔时长得到健康因子时间序列，包括：通过第三公式确定每个数据周期内高速转子轴系的健康因子，其中，第三公式为：其中，H(DiffDTM)表示健康因子，健康因子用于表示高速转子轴系在每个数据周期的性能状态，w表示DiffDTMi的权值，/>表示DiffDTMi出现的概率；根据每个数据周期内高速转子轴系的健康因子得到健康因子时间序列。
随着控制力矩陀螺高速转子轴系摩擦阻力增加、转子驱动电机控制系能下降，会使高速转子轴系的相关属性(表现为遥测参数)产生复杂的短期非线性行为特性，这种特性会表现出高速转子轴系的性能退化。研究复杂的短期非线性复杂度来分析高速转子轴系的性能退化是一个较为有效的途径，而熵测度是度量复杂非线性复杂度的一种有效方法。因此，我们基于香农(Shanon)信息熵来评估高速转子轴系的性能状态。
需要说明的是，在本发明实施例中，健康因子的单位与log()函数的底有关，如果底为2则单位为比特(Bit)。
假设某遥测参数的所有数据为TMA11，为评估复杂的短期非线性行为特性，我们首先需要对数据进行分段。分段既可以依据TMA11数据特性，比如周期性，即短期为一个数据周期；也可以按照天为单位进行区分，即短期定义为一天。假设取短期为一天，则TMA11可以划分为{TMALLDay1，TMALLDay2，…，TMALLDayn}，Dayn表示总天数，针对每个TMALLDayi可以计算其健康因子，最终可以获得健康因子时间序列，H(TMALL)＝{H1，H2，...，HDayn}
根据本发明上述实施例，在步骤S108中，对健康因子时间序列进行分析，并利用分析结果对高速转子轴系进行性能评估，包括：利用多阶移动平均法对健康因子时间序列进行分析，得到健康因子时间序列的变化趋势数据；根据变化趋势数据对高速转子轴系进行性能评估。
例如，获得H(TMALL)后，可以通过各种时序数据的分析方法(比如趋势分析)对其进行分析，以评估高速转子轴系的性能退化，本方法采用多阶移动平均法获得时间序列的趋势变化，用于性能退化评估。
假设，有时间序列y1，y2，..yT，设移动平均的项数N＜T，一阶移动平均法计算公式为：其中round()表示取整函数，如果/>则/>取y1；如果/>则/>取yT。另外，还可以针对处理结果再按照上述一阶移动平均法计算公式处理，得到二阶平均值，多次重复，则可得到多阶处理结果。
下面结合附图对本发明上述实施例进行说明。
图2是根据本发明实施例的可选的高速转子轴系的性能评估方法的流程图，如图2所示，首先需要获取遥测数据，以航天设备将控制力矩陀螺作为日常姿态控制的主要动力部件，在航天设备长期独立运行期间，转子转速脉冲数是反映高速转子轴系转速的一个数字量遥测，标称转速下判读范围在1424-1426，与转子(即，高速转子轴系)转速关系基本线性对应，包含了控制力矩陀螺高速转子轴系的性能状态信息。因此，可基于控制力矩陀螺CMGi的转子转速脉冲数遥测参数值对CMGi的性能退化情况进行分析。用于分析和挖掘的数据样本数量为124天，样本时间分布跨度为两年。因此，该124天数据基本表征了CMGi两年的性能情况。转子转速脉冲数标称转速下判读范围在1424-1426，取值较为稳定，如果基于其原始数据值进行趋势判断，将得不到有效的结果。图3是根据本发明实施例的转子转速脉冲数每天的数值均值的曲线图，由图3可以看出，转子转速脉冲数基本在1424-1426范围内，仅有两个数据点不在此范围内，因此，基于原始遥测值的趋势判断无法得到高速转子轴系的性能退化信息。
接着，还需要对遥测数据进行判断是否为连续数据，若是，则进行离散化处理；反之，则计算数据变化间隔时长。若转子转速脉冲数本身为整形数字量值，已经是离散形式，则不需要进行离散化处理。将所有的数据按照天进行分割，因此将所有数据分为124段数据，针对每天的数据分别计算数据变化间隔时长。采用二阶移动平均法获得时间序列的趋势变化，用于性能退化评估，其中移动平均的项数N取值为15。按照计算步骤，得到124天的健康因子，其时间曲线及趋势如附图4所示，图4是根据本发明实施例的转速脉冲数健康因子及趋势的曲线图。图5是根据本发明实施例的转子转速脉冲数健康因子趋势阶段划分的示意图，附图5中带星号的曲线表示124天的健康因子，带点的曲线表示其变化趋势。附图4显示，健康因子随着时间推移呈现了明显的上升趋势，且显示出了极强的模式性，整个上升趋势过程可划分为三个阶段(如附图5所示)。三个阶段代表高速转子轴系的三种性能状态，结果显示了CMGi的高速转子轴系经历了两次较大的系统性能退化。
健康因子本质上是熵，附图5显示随着工作时间的增加，熵值呈现了明显的熵增现象，表明随着CMGi使用时间的增加，CMGi转子转速脉冲数变化间隔时间的取值越加多样。通过对比分析前部和后部某两天的数据(参见附图6，图6是根据本发明实施例的转子转速脉冲数变化间隔时间分布比较的示意图)发现多样性主要是长时间间隔分布概率增加导致，即在早期转子转速脉冲数变化较快(比如平均4秒变化一次)，而在后期相对变化较慢(比如平均6秒变化一次)。通过上述描述结合图2可知，在计算得到变化间隔时长之后，会基于变化间隔时长确定健康因子，进而得到健康因子时间序列，并对健康因子时间序列进行分析，得到对高速转子轴系进行性能评估的评估结果，以得到高速转子轴系的退化情况。
通过本发明实施例提供的高速转子轴系的性能评估方法，基于加权熵的控制力矩陀螺高速转子轴系的健康退化评估方法，解决了高速转子轴系的失效模式主要为疲劳失效与润滑失效、且闭环系统的引入使得高速转子轴系的故障难以被检测的问题，具体地，对控制力矩陀螺的高速转子轴系在轨遥测数据进行离散化处理，并计算离散化性能参数数据变化间隔时长，即与当前值最接近的不同值对应的时间点与当前时间点之差的绝对值；其次，使用加权信息熵计算一个数据周期内(一个数据周期可以定义为一天)的变化间隔时长的熵值，该熵值表征控制力矩陀螺的高速转子轴系性能状态的健康因子；最后，通过趋势分析方法分析连续数据周期的熵值变化趋势并评估性能退化情况；其中，采用熵测度对控制力矩陀螺的高速转子轴系因性能退化导致的复杂非线性复杂行为特性进行测量，建立表征高速转子轴系性能状态的健康因子，而不直接使用高速转子轴系相关遥测参数原始数据，而是使用性能参数数据变化间隔时长数据。另外，使用多阶移动平均法对高速转子轴系的健康因子序列进行趋势分析，多阶移动平均法计算简单、实用性强，从而对连续数据周期的熵值变化趋势进行分析并评估性能退化情况。
实施例2
根据本发明实施例的另外一个方面，还提供了一种高速转子轴系的性能评估装置，图7是根据本发明实施例的高速转子轴系的性能评估装置的示意图，如图7所示，该高速转子轴系的性能评估装置包括：第一获取单元71，确定单元73，第二获取单元75以及评估单元77。下面对该高速转子轴系的性能评估装置进行详细说明。
第一获取单元71，用于获取高速转子轴系的遥测数据，其中，高速转子轴系为控制力矩陀螺的动力部件。
确定单元73，用于对遥测数据进行分段处理，得到多个数据周期对应的遥测数据，并基于多个数据周期对应的遥测数据确定每个数据周期内遥测数据的变化间隔时长。
第二获取单元75，用于根据每个数据周期内遥测数据的变化间隔时长得到健康因子时间序列。
评估单元77，用于对健康因子时间序列进行分析，并利用分析结果对高速转子轴系进行性能评估。
此处需要说明的是，上述第一获取单元71，确定单元73，第二获取单元75以及评估单元77对应于实施例1中的步骤S102至S108，上述单元与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述单元作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
由上可知，在本发明上述实施例中，可以利用第一获取单元获取高速转子轴系的遥测数据，其中，高速转子轴系为控制力矩陀螺的动力部件；然后利用确定单元对遥测数据进行分段处理，得到多个数据周期对应的遥测数据，并基于多个数据周期对应的遥测数据确定每个数据周期内遥测数据的变化间隔时长；并利用第二获取单元根据每个数据周期内遥测数据的变化间隔时长得到健康因子时间序列；以及利用评估单元对健康因子时间序列进行分析，并利用分析结果对高速转子轴系进行性能评估。通过本发明实施例提供的高速转子轴系的性能评估装置，实现了对获取的遥测数据进行处理，基于熵测度得到健康因子时间序列，并根据对健康因子时间序列的分析结果得到高速转子轴系的性能的目的，达到了降低对高速转子轴系的性能进行评估的难度的技术效果，进而解决了相关技术中对控制力矩陀螺的高速转子轴系的性能进行评估比较困难的技术问题。
在一种可选的实施例中，确定单元，包括：判断子单元，用于判断遥测数据是否为离散化数据，得到判断结果；第一获取子单元，用于在判断结果表示遥测数据为离散化数据的情况下，对遥测数据进行分段处理，以得到多个数据周期对应的遥测数据；第二获取子单元，用于在判断结果表示遥测数据不为离散化数据的情况下，对遥测数据进行离散化处理，得到离散化处理后的遥测数据，并对离散化处理后的遥测数据进行分段处理，以得到多个数据周期对应的遥测数据。
在一种可选的实施例中，第二获取子单元，包括：第一确定模块，用于确定遥测数据的值域范围；划分模块，用于在值域范围内设定预定数量的分割点，并利用预定数量的分割点将值域范围划分为多个离散区间；第一获取模块，用于将遥测数据分别分配到多个离散区间，以得到离散化处理后的遥测数据。
在一种可选的实施例中，第二获取子单元，包括：第二确定模块，用于确定用于对遥测数据进行离散化处理的离散函数；第三确定模块，用于确定遥测数据对应的性能参数对应的时间序列数据；第二获取模块，用于在离散函数以及时间序列数据的基础上，通过第一公式得到离散化处理后的遥测数据，其中，第一公式为：DTM＝Discretize(TM)，其中，DTM表示离散化处理后的遥测数据，Discretize为离散函数，TM为时间序列数据。
在一种可选的实施例中，确定单元，包括：第一确定子单元，用于通过第二公式确定变化间隔时长，其中，第二公式为：DiFFDTM＝{DiffDTM1，DiffDTM2，...，DiffDTMm}，DiFFDTM为第i个变化间隔时长，m表示数据周期的数据数量。
在一种可选的实施例中，第二获取单元，包括：第二确定子单元，用于通过第三公式确定每个数据周期内高速转子轴系的健康因子，其中，第三公式为： 其中，H(DiffDTM)表示健康因子，健康因子用于表示高速转子轴系在每个数据周期的性能状态，w表示DiffDTMi的权值，/>表示DiffDTMi出现的概率；第三获取子单元，用于根据每个数据周期内高速转子轴系的健康因子得到健康因子时间序列。
在一种可选的实施例中，评估单元，包括：分析子单元，用于利用多阶移动平均法对健康因子时间序列进行分析，得到健康因子时间序列的变化趋势数据；评估子单元，用于根据变化趋势数据对高速转子轴系进行性能评估。
实施例3
根据本发明实施例的另外一个方面，还提供了一种存储介质，存储介质包括存储的程序，其中，程序执行上述中任意一项的高速转子轴系的性能评估方法。
实施例4
根据本发明实施例的另外一个方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述中任意一项的高速转子轴系的性能评估方法。
实施例5
根据本发明实施例的另外一个方面，还提供了一种航天设备，包括：存储器，与存储器耦合的处理器，存储器和处理器通过总线系统相通信；存储器用于存储程序，其中，程序在被处理器执行时控制存储器所在设备执行上述中任意一项的高速转子轴系的性能评估方法；处理器用于运行程序，其中，程序运行时执行上述中任意一项的高速转子轴系的性能评估方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (16)

1.一种高速转子轴系的性能评估方法，其特征在于，包括：
获取高速转子轴系的遥测数据，其中，所述高速转子轴系为控制力矩陀螺的动力部件；
对所述遥测数据进行分段处理，得到多个数据周期对应的遥测数据，并基于所述多个数据周期对应的遥测数据确定每个数据周期内遥测数据的变化间隔时长，其中，所述变化间隔时长是指离散化性能参数随时间推移与当前值最近的不同值对应的时间点与当前时间点之差的绝对值；
通过第三公式确定所述每个数据周期内高速转子轴系的健康因子，其中，所述第三公式为：
其中，H(DiffDTM)表示所述健康因子，所述健康因子用于表示所述高速转子轴系在每个数据周期的性能状态，w表示DiffDTMi的权值，表示DiffDTMi出现的概率；
根据所述每个数据周期内高速转子轴系的健康因子得到所述健康因子时间序列；
对所述健康因子时间序列进行分析，并利用分析结果对所述高速转子轴系进行性能评估。
2.根据权利要求1所述的方法，其特征在于，所述对所述遥测数据进行分段处理，得到多个数据周期对应的遥测数据，包括：
判断所述遥测数据是否为离散化数据，得到判断结果；
在所述判断结果表示遥测数据为离散化数据的情况下，对所述遥测数据进行分段处理，以得到多个数据周期对应的遥测数据；
在所述判断结果表示遥测数据不为离散化数据的情况下，对所述遥测数据进行离散化处理，得到离散化处理后的遥测数据，并对所述离散化处理后的遥测数据进行分段处理，以得到多个数据周期对应的遥测数据。
3.根据权利要求2所述的方法，其特征在于，所述对所述遥测数据进行离散化处理，得到离散化处理后的遥测数据，包括：
确定所述遥测数据的值域范围；
在所述值域范围内设定预定数量的分割点，并利用所述预定数量的分割点将所述值域范围划分为多个离散区间；
将所述遥测数据分别分配到所述多个离散区间，以得到所述离散化处理后的遥测数据。
4.根据权利要求2所述的方法，其特征在于，所述对所述遥测数据进行离散化处理，得到离散化处理后的遥测数据，包括：
确定用于对所述遥测数据进行离散化处理的离散函数；
确定所述遥测数据对应的性能参数对应的时间序列数据；
在所述离散函数以及所述时间序列数据的基础上，通过第一公式得到所述离散化处理后的遥测数据，其中，所述第一公式为：DTM＝Discretize(TM)，其中，DTM表示离散化处理后的遥测数据，Discretize为所述离散函数，TM为所述时间序列数据。
5.根据权利要求4所述的方法，其特征在于，所述基于所述多个数据周期对应的遥测数据确定每个数据周期内遥测数据的变化间隔时长，包括：
通过第二公式确定所述变化间隔时长，其中，所述第二公式为：DiFFDTM＝{DiffDTM1,DiffDTM2,…,DiffDTMm}，DiFFDTM为第i个变化间隔时长，m表示数据周期的数据数量。
6.根据权利要求1至5中任一项所述的方法，其特征在于，所述对所述健康因子时间序列进行分析，并利用分析结果对所述高速转子轴系进行性能评估，包括：
利用多阶移动平均法对所述健康因子时间序列进行分析，得到所述健康因子时间序列的变化趋势数据；
根据变化趋势数据对所述高速转子轴系进行性能评估。
7.一种高速转子轴系的性能评估装置，其特征在于，包括：
第一获取单元，用于获取高速转子轴系的遥测数据，其中，所述高速转子轴系为控制力矩陀螺的动力部件；
确定单元，用于对所述遥测数据进行分段处理，得到多个数据周期对应的遥测数据，并基于所述多个数据周期对应的遥测数据确定每个数据周期内遥测数据的变化间隔时长，其中，所述变化间隔时长是指离散化性能参数随时间推移与当前值最近的不同值对应的时间点与当前时间点之差的绝对值；
第二获取单元，用于通过第三公式确定所述每个数据周期内高速转子轴系的健康因子，其中，所述第三公式为：
其中，H(DiffDTM)表示所述健康因子，所述健康因子用于表示所述高速转子轴系在每个数据周期的性能状态，w表示DiffDTMi的权值，/>表示DiffDTMi出现的概率；根据所述每个数据周期内高速转子轴系的健康因子得到所述健康因子时间序列；
评估单元，用于对所述健康因子时间序列进行分析，并利用分析结果对所述高速转子轴系进行性能评估。
8.根据权利要求7所述的装置，其特征在于，所述确定单元，包括：
判断子单元，用于判断所述遥测数据是否为离散化数据，得到判断结果；
第一获取子单元，用于在所述判断结果表示遥测数据为离散化数据的情况下，对所述遥测数据进行分段处理，以得到多个数据周期对应的遥测数据；
第二获取子单元，用于在所述判断结果表示遥测数据不为离散化数据的情况下，对所述遥测数据进行离散化处理，得到离散化处理后的遥测数据，并对所述离散化处理后的遥测数据进行分段处理，以得到多个数据周期对应的遥测数据。
9.根据权利要求8所述的装置，其特征在于，所述第二获取子单元，包括：
第一确定模块，用于确定所述遥测数据的值域范围；
划分模块，用于在所述值域范围内设定预定数量的分割点，并利用所述预定数量的分割点将所述值域范围划分为多个离散区间；
第一获取模块，用于将所述遥测数据分别分配到所述多个离散区间，以得到所述离散化处理后的遥测数据。
10.根据权利要求8所述的装置，其特征在于，所述第二获取子单元，包括：
第二确定模块，用于确定用于对所述遥测数据进行离散化处理的离散函数；
第三确定模块，用于确定所述遥测数据对应的性能参数对应的时间序列数据；
第二获取模块，用于在所述离散函数以及所述时间序列数据的基础上，通过第一公式得到所述离散化处理后的遥测数据，其中，所述第一公式为：DTM＝Discretize(TM)，其中，DTM表示离散化处理后的遥测数据，Discretize为所述离散函数，TM为所述时间序列数据。
11.根据权利要求10所述的装置，其特征在于，所述确定单元，包括：
第一确定子单元，用于通过第二公式确定所述变化间隔时长，其中，所述第二公式为：DiFFDTM＝{DiffDTM1,DiffDTM2,…,DiffDTMm}，DiFFDTM为第i个变化间隔时长，m表示数据周期的数据数量。
12.根据权利要求11所述的装置，其特征在于，所述第二获取单元，包括：
第二确定子单元，用于通过第三公式确定所述每个数据周期内高速转子轴系的健康因子，其中，所述第三公式为：
其中，H(DiffDTM)表示所述健康因子，所述健康因子用于表示所述高速转子轴系在每个数据周期的性能状态，w表示DiffDTMi的权值，/>表示DiffDTMi出现的概率；
第三获取子单元，用于根据所述每个数据周期内高速转子轴系的健康因子得到所述健康因子时间序列。
13.根据权利要求7至12中任一项所述的装置，其特征在于，所述评估单元，包括：
分析子单元，用于利用多阶移动平均法对所述健康因子时间序列进行分析，得到所述健康因子时间序列的变化趋势数据；
评估子单元，用于根据变化趋势数据对所述高速转子轴系进行性能评估。
14.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序执行权利要求1至6中任意一项所述的高速转子轴系的性能评估方法。
15.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至6中任意一项所述的高速转子轴系的性能评估方法。
16.一种航天设备，其特征在于，包括：
存储器，与所述存储器耦合的处理器，所述存储器和所述处理器通过总线系统相通信；
所述存储器用于存储程序，其中，所述程序在被处理器执行时控制所述存储器所在设备执行权利要求1至6中任意一项所述的高速转子轴系的性能评估方法；所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至6中任意一项所述的高速转子轴系的性能评估方法。
CN202010841663.1A 2020-08-19 2020-08-19 高速转子轴系的性能评估方法及装置、存储介质及处理器 Active CN112001295B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010841663.1A CN112001295B (zh) 2020-08-19 2020-08-19 高速转子轴系的性能评估方法及装置、存储介质及处理器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010841663.1A CN112001295B (zh) 2020-08-19 2020-08-19 高速转子轴系的性能评估方法及装置、存储介质及处理器

Publications (2)

Publication Number Publication Date
CN112001295A CN112001295A (zh) 2020-11-27
CN112001295B true CN112001295B (zh) 2023-12-08

Family

ID=73473378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010841663.1A Active CN112001295B (zh) 2020-08-19 2020-08-19 高速转子轴系的性能评估方法及装置、存储介质及处理器

Country Status (1)

Country Link
CN (1) CN112001295B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107451402A (zh) * 2017-07-13 2017-12-08 北京交通大学 一种基于告警数据分析的设备健康度评估方法及装置
CN107908536A (zh) * 2017-11-17 2018-04-13 华中科技大学 Cpu‑gpu异构环境中对gpu应用的性能评估方法及系统
CN108038300A (zh) * 2017-12-07 2018-05-15 长春理工大学 基于改进的隶属度函数结合神经网络的光纤状态评估方法
CN108763729A (zh) * 2018-05-24 2018-11-06 西安交通大学 基于网络结构熵的流程工业机电系统耦合状态评估方法
CN109492866A (zh) * 2018-10-08 2019-03-19 南昌科晨电力试验研究有限公司 一种配电网运行状态智能评估方法
CN109669849A (zh) * 2018-12-04 2019-04-23 哈尔滨工业大学 一种基于未确知深度理论的复杂系统健康状态评估方法
CN109992895A (zh) * 2019-04-03 2019-07-09 中国水利水电科学研究院 一种设备性能退化趋势提取及预测方法
CN110333078A (zh) * 2019-08-21 2019-10-15 佛山科学技术学院 一种滚动轴承退化状态阶段确定方法
DE102018007248B3 (de) * 2018-09-07 2019-10-24 Hochschule Zittau/Görlitz (HSZG) Verfahren und Einrichtung zur Bestimmung des Zustands elektrischer Betriebsmittel der Hochspannungstechnik und der Leistungselektronik
CN110795510A (zh) * 2019-10-22 2020-02-14 北京空间技术研制试验中心 基于高维数据关联挖掘的航天器系统健康状态评估方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11366738B2 (en) * 2018-03-12 2022-06-21 Headspin, Inc. System to determine performance based on entropy values

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107451402A (zh) * 2017-07-13 2017-12-08 北京交通大学 一种基于告警数据分析的设备健康度评估方法及装置
CN107908536A (zh) * 2017-11-17 2018-04-13 华中科技大学 Cpu‑gpu异构环境中对gpu应用的性能评估方法及系统
CN108038300A (zh) * 2017-12-07 2018-05-15 长春理工大学 基于改进的隶属度函数结合神经网络的光纤状态评估方法
CN108763729A (zh) * 2018-05-24 2018-11-06 西安交通大学 基于网络结构熵的流程工业机电系统耦合状态评估方法
DE102018007248B3 (de) * 2018-09-07 2019-10-24 Hochschule Zittau/Görlitz (HSZG) Verfahren und Einrichtung zur Bestimmung des Zustands elektrischer Betriebsmittel der Hochspannungstechnik und der Leistungselektronik
CN109492866A (zh) * 2018-10-08 2019-03-19 南昌科晨电力试验研究有限公司 一种配电网运行状态智能评估方法
CN109669849A (zh) * 2018-12-04 2019-04-23 哈尔滨工业大学 一种基于未确知深度理论的复杂系统健康状态评估方法
CN109992895A (zh) * 2019-04-03 2019-07-09 中国水利水电科学研究院 一种设备性能退化趋势提取及预测方法
CN110333078A (zh) * 2019-08-21 2019-10-15 佛山科学技术学院 一种滚动轴承退化状态阶段确定方法
CN110795510A (zh) * 2019-10-22 2020-02-14 北京空间技术研制试验中心 基于高维数据关联挖掘的航天器系统健康状态评估方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
On the Assessment of Mechanical Degradation of Grease Using Entropy Generation Rate;K.P.Lijesh 等;《Tribology Letters》;1-13 *
Performance Degradation Assessment of High Speed Rotor Bearing System of Control Moment Gyroscope Based on Weighted Entropy;Kuan Zhang 等;《12th International Conference on Quality，Reliability，Risk，Maintenance，and Safety Engineering》;1770-1774 *
基于加权信息熵的航天器姿态温度自动监测;张宽 等;《载人航天》;第22卷(第5期);608-612+630 *
基于散布熵和余弦欧氏距离的滚动轴承性能退化评估方法;杨潇谊;吴建德;马军;;《电子测量与仪器学报》;第34卷(第07期);15-24 *
基于综合健康指数的设备状态评估;杨春波;陶青;张健;程志友;凡远柱;;《电力系统保护与控制》;第47卷(第10期);104-109 *

Also Published As

Publication number Publication date
CN112001295A (zh) 2020-11-27

Similar Documents

Publication Publication Date Title
Chen et al. Anomaly detection and critical SCADA parameters identification for wind turbines based on LSTM-AE neural network
Helwig et al. Condition monitoring of a complex hydraulic system using multivariate statistics
Chen et al. Anomaly detection for wind turbines based on the reconstruction of condition parameters using stacked denoising autoencoders
Yu Adaptive hidden Markov model-based online learning framework for bearing faulty detection and performance degradation monitoring
Filev et al. An industrial strength novelty detection framework for autonomous equipment monitoring and diagnostics
Tobon-Mejia et al. CNC machine tool's wear diagnostic and prognostic by using dynamic Bayesian networks
Tang et al. Transfer-learning based gas path analysis method for gas turbines
Niu et al. Dempster–Shafer regression for multi-step-ahead time-series prediction towards data-driven machinery prognosis
EP3719601A1 (en) Abnormality determination system, motor control device, and abnormality determination device
Lio et al. Real-time rotor effective wind speed estimation using Gaussian process regression and Kalman filtering
Tobon-Mejia et al. A mixture of gaussians hidden markov model for failure diagnostic and prognostic
Zaidan et al. Prognostics of gas turbine engine: An integrated approach
Gaidai et al. Novel reliability method validation for offshore structural dynamic response
CA3088689A1 (en) Finite rank deep kernel learning for robust time series forecasting and regression
Alamaniotis et al. Regression to fuzziness method for estimation of remaining useful life in power plant components
Liu et al. Investigation on rolling bearing remaining useful life prediction: A review
Han et al. A remaining useful life prediction approach based on low-frequency current data for bearings in spacecraft
Liu et al. Quantitative selection of sensor data based on improved permutation entropy for system remaining useful life prediction
Zou et al. Bayesian optimization and channel-fusion-based convolutional autoencoder network for fault diagnosis of rotating machinery
Wen et al. A novel machine learning model for safety risk analysis in flywheel-battery hybrid energy storage system
Islam et al. Fault prognosis of satellite reaction wheels using a two-step LSTM network
CN112001295B (zh) 高速转子轴系的性能评估方法及装置、存储介质及处理器
Kizito et al. The application of random forest to predictive maintenance
Wang et al. Particle filtering-based system degradation prediction applied to jet engines
Li et al. Generative adversarial networks for prognostic and health management of industrial systems: A review

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