CN112241595A - 基于逻辑回归的机载电源可靠性增长性能退化分析方法 - Google Patents
基于逻辑回归的机载电源可靠性增长性能退化分析方法 Download PDFInfo
- Publication number
- CN112241595A CN112241595A CN202011147908.7A CN202011147908A CN112241595A CN 112241595 A CN112241595 A CN 112241595A CN 202011147908 A CN202011147908 A CN 202011147908A CN 112241595 A CN112241595 A CN 112241595A
- Authority
- CN
- China
- Prior art keywords
- degradation
- logistic regression
- model
- performance
- state
- 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.)
- Withdrawn
Links
- 230000015556 catabolic process Effects 0.000 title claims abstract description 67
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 67
- 238000007477 logistic regression Methods 0.000 title claims abstract description 30
- 238000004458 analytical method Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims abstract description 4
- 230000035882 stress Effects 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 3
- 230000007850 degeneration Effects 0.000 claims description 3
- 230000003862 health status Effects 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 239000007858 starting material Substances 0.000 claims description 3
- 230000008646 thermal stress Effects 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 claims description 2
- 230000036541 health Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 5
- 230000008859 change Effects 0.000 abstract description 3
- 230000006378 damage Effects 0.000 abstract description 3
- 238000013179 statistical model Methods 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开基于逻辑回归的机载电源可靠性增长性能退化分析方法,包括以下步骤:采集观测数据、构建参数集数据矩阵、确定测量变量与反映变量价值权重、确定模型特征域、性能退化分析模型计算和评估并确定健康状态;本发明依据传感器网络提供的参数集,建立各参数变化与失效损伤阈值范围的概率模型,通过持续运算传感器网络产生的大数据,基于统计的模型寻求建立状态观测数据与退化程度之间的关系,围绕相关目标对象构建基于逻辑回归的性能退化分析模型,将目标对象数据的非线性关联通过逻辑回归转换为线性关联,进而得到性能退化概率轨迹,同时在与当前多参数概率状态空间持续比较的过程中,判断性能退化趋势。
Description
技术领域
本发明涉及机载电源技术领域,尤其涉及基于逻辑回归的机载电源可靠性增长性能退化分析方法。
背景技术
性能退化分析是故障诊断的系统性延伸,能够根据故障传播特性分析系统健康状态,给出视情维护决策,在非线性机载电源系统运行过程中,由于磨损、老化、腐蚀等原因,机械性能、电气性能会呈现非线性退化趋势,但随着非线性机载电源系统可靠性设计的不断提升,在可靠性增长试验过程中极少出现失效情况,贫失效数据下性能退化分析的难度越来越大;
为了解决机载电源系统在多任务成功率中对使用安全性、使用可靠性的需求与依赖,有效降低部组件一定环境和运行期间内的突发失效风险与损失,需要有效和精准地分析全寿命周期内健康状态,明确其性能退化趋势,进而为开展预测维修和视情维修提供技术支撑和决策支持,因此,本发明提出基于逻辑回归的机载电源可靠性增长性能退化分析方法以解决现有技术中存在的问题。
发明内容
针对上述问题,本发明的目的在于提出基于逻辑回归的机载电源可靠性增长性能退化分析方法,该方法依据传感器网络提供的参数集,建立各参数变化与失效损伤阈值范围的概率模型,通过持续运算传感器网络产生的大数据,基于统计的模型寻求建立状态观测数据与退化程度之间的关系,围绕相关目标对象构建基于逻辑回归的性能退化分析模型,从而便于对机载电源的可靠性增长性能退化进行分析和评估。
为了实现本发明的目的,本发明通过以下技术方案实现:基于逻辑回归的机载电源可靠性增长性能退化分析方法,包括以下步骤:
步骤一:采集观测数据
采用传感器网络模型采集观测数据,先进行Sink节点和传感节点几何空间放置最小化网格设计,接着通过传感节点完成电压、电流和频率等观测值的获取,再通过Sink节点完成数据汇聚和预处理,并送入数据处理终端进行计算、分析和决策;
步骤二:构建参数集数据矩阵
根据步骤一,根据采集到的观测数据参数构件被观测对象的参数集数据矩阵,矩阵中影响性能退化的变量参数为电气部件的电气参数和机械部件的机械参数;
步骤三:确定测量变量与反映变量价值权重
根据步骤二,先根据大量数据统计得到被观测对象失效率和重要度,再以被观测对象的失效率和重要度为基础,运用系统工程关联矩阵法得到系统部组件的变量与反映变量价值权重;
步骤四:确定模型特征域
先将被观测对象在振动应力、热应力和电应力作用下运行,并通过额定和非额定载荷交替作用,接着在幅值、时间、频率内分析与处理反映被观测对象状态的电压、电流和频率的观测值;
步骤五:性能退化分析模型计算
根据步骤四,先通过逻辑回归模型的可解释性处理观测参数值的冗余,再建立建立基于极大似然估计的逻辑回归分析模型对连续性变量作归一化处理,以消除退化变量对反映变量的权重过大而导致的估计失真,接着用迭代公式对观测参数值进行迭代计算,然后运用马氏距离MD值测度方法进行性能状态空间划分,待测样本与健康样本之间距离值越小,则对应的状态越健康,反之距离值越大,健康状态越差,也就愈接近于失效空间状态;
步骤六:评估并确定健康状态
根据被观测对象性能参数的范围值确定性能退化分析模型的状态空间类型,被观测对象性能参数在正常范围内则模型空间状态健康,被观测对象出现质量缺陷则模型空间状态正常,被观测对象接近性能直边阀值则模型空间状态劣化,被观测对象性能参数超过阀值则模型空间状态时效,再根据性能退化分析模型的状态空间类型评估被观测对象的性能退化规律。
进一步改进在于:所述步骤一中,传感器网络最小覆盖的传感节点数量为
式中NS为最小传感节点数量,r为传感节点通信半径,L为传感器网络监测区域的长度,W为传感器网络监测区域的宽度。
进一步改进在于:所述步骤二中,电气部件失效载荷主要为电载荷、热载荷和振动应力载荷,退化主要表现为电压、电流和频率参数集的动态异常,机械部件失效载荷主要为振动应力载荷,退化主要表现为时域和频域特性参数集异常。机械部分主要涉及恒装、发电机和起动机,电气部分主要涉及整流部件、调压部件、自监测部件和保护部。
进一步改进在于:所述步骤四中,时间域内特征提取采用方差、有效值、峰-峰值为主要特征值,脉冲因数、波形因数、峰值因数则表征观测值在时间域下的基本信号特征,用于辅助进行退化趋势分析,频率域内特征提取采用倍频分频法提取特征频段上的特征量值,特征量大小和比例关系阐明观测值的频域特征幅值谱和功率谱,反映相应非线性机载电源系统部组件退化程度。
进一步改进在于:所述步骤五中,处理观测参数值冗余的公式为
进一步改进在于:所述步骤五中,建立基于极大似然估计的逻辑回归分析模型的公式为
式中xi为退化变量,yi为反映变量。
进一步改进在于:所述步骤五中,迭代公式为bk+1=bk-J-1(bk)f(bk),其中b0=(β0,β1,…βm)T,当|bk+1-bk|≤ε,迭代停止,bk+1即为β1,β2,...,βm。
本发明的有益效果为:本发明依据传感器网络提供的参数集,建立各参数变化与失效损伤阈值范围的概率模型,通过持续运算传感器网络产生的大数据,基于统计的模型寻求建立状态观测数据与退化程度之间的关系,围绕相关目标对象构建基于逻辑回归的性能退化分析模型,将目标对象数据的非线性关联通过逻辑回归转换为线性关联,进而得到性能退化概率轨迹,同时在与当前多参数概率状态空间持续比较的过程中,判断性能退化趋势,从而有效和精准的分析部组件全寿命周期内健康状态,明确其性能退化驱使,为开展预测维修和视情维修提供技术支撑和决策支持,且分析效果明显直观,值得推广。
附图说明
图1是本发明的方法流程图;
图2是本发明的传感器网络连通与网络覆盖模型。
具体实施方式
为了加深对本发明的理解,下面将结合实施例对本发明做进一步详述,本实施例仅用于解释本发明,并不构成对本发明保护范围的限定。
根据图1、2所示,本实施例提供了基于逻辑回归的机载电源可靠性增长性能退化分析方法,包括以下步骤:
步骤一:采集观测数据
采用传感器网络模型采集观测数据,先进行Sink节点和传感节点几何空间放置最小化网格设计,接着通过传感节点完成电压、电流和频率等观测值的获取,再通过Sink节点完成数据汇聚和预处理,并送入数据处理终端进行计算、分析和决策,其中传感器网络最小覆盖的传感节点数量为
式中NS为最小传感节点数量,r为传感节点通信半径,L为传感器网络监测区域的长度,W为传感器网络监测区域的宽度;
步骤二:构建参数集数据矩阵
根据步骤一,根据采集到的观测数据参数构件被观测对象的参数集数据矩阵,矩阵中影响性能退化的变量参数为电气部件的电气参数和机械部件的机械参数,其中电气部件失效载荷主要为电载荷、热载荷和振动应力载荷,退化主要表现为电压、电流和频率参数集的动态异常,机械部件失效载荷主要为振动应力载荷,退化主要表现为时域和频域特性参数集异常。机械部分主要涉及恒装、发电机和起动机,电气部分主要涉及整流部件、调压部件、自监测部件和保护部;
步骤三:确定测量变量与反映变量价值权重
根据步骤二,先根据大量数据统计得到被观测对象失效率和重要度,再以被观测对象的失效率和重要度为基础,运用系统工程关联矩阵法得到系统部组件的变量与反映变量价值权重;
步骤四:确定模型特征域
先将被观测对象在振动应力、热应力和电应力作用下运行,并通过额定和非额定载荷交替作用,接着在幅值、时间、频率内分析与处理反映被观测对象状态的电压、电流和频率的观测值,其中时间域内特征提取采用方差、有效值、峰-峰值为主要特征值,脉冲因数、波形因数、峰值因数则表征观测值在时间域下的基本信号特征,用于辅助进行退化趋势分析,频率域内特征提取采用倍频分频法提取特征频段上的特征量值,特征量大小和比例关系阐明观测值的频域特征幅值谱和功率谱,反映相应非线性机载电源系统部组件退化程度;
步骤五:性能退化分析模型计算
根据步骤四,先通过逻辑回归模型的可解释性处理观测参数值的冗余,再建立建立基于极大似然估计的逻辑回归分析模型对连续性变量作归一化处理,以消除退化变量对反映变量的权重过大而导致的估计失真,接着用迭代公式对观测参数值进行迭代计算,然后运用马氏距离MD值测度方法进行性能状态空间划分,待测样本与健康样本之间距离值越小,则对应的状态越健康,反之距离值越大,健康状态越差,也就愈接近于失效空间状态,其中处理观测参数值冗余的公式为logic(y)=lnPi/1-Pi=α+βxi式中P(yi=1|xi)为性能退化时间域内失效事件发生的条件概率,xi为失效征兆,建立基于极大似然估计的逻辑回归分析模型的公式为
式中xi为退化变量,yi为反映变量,迭代公式为bk+1=bk-J-1(bk)f(bk),其中b0=(β0,β1,…βm)T,当|bk+1-bk|≤ε,迭代停止,bk+1即为β1,β2,...,βm;
步骤六:评估并确定健康状态
根据被观测对象性能参数的范围值确定性能退化分析模型的状态空间类型,被观测对象性能参数在正常范围内则模型空间状态健康,被观测对象出现质量缺陷则模型空间状态正常,被观测对象接近性能直边阀值则模型空间状态劣化,被观测对象性能参数超过阀值则模型空间状态时效,再根据性能退化分析模型的状态空间类型评估被观测对象的性能退化规律。
该基于逻辑回归的机载电源可靠性增长性能退化分析方法依据传感器网络提供的参数集,建立各参数变化与失效损伤阈值范围的概率模型,通过持续运算传感器网络产生的大数据,基于统计的模型寻求建立状态观测数据与退化程度之间的关系,围绕相关目标对象构建基于逻辑回归的性能退化分析模型,将目标对象数据的非线性关联通过逻辑回归转换为线性关联,进而得到性能退化概率轨迹,同时在与当前多参数概率状态空间持续比较的过程中,判断性能退化趋势,从而有效和精准的分析部组件全寿命周期内健康状态,明确其性能退化驱使,为开展预测维修和视情维修提供技术支撑和决策支持,且分析效果明显直观,值得推广。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.基于逻辑回归的机载电源可靠性增长性能退化分析方法,其特征在于:包括以下步骤:
步骤一:采集观测数据
采用传感器网络模型采集观测数据,先进行Sink节点和传感节点几何空间放置最小化网格设计,接着通过传感节点完成电压、电流和频率等观测值的获取,再通过Sink节点完成数据汇聚和预处理,并送入数据处理终端进行计算、分析和决策;
步骤二:构建参数集数据矩阵
根据步骤一,根据采集到的观测数据参数构件被观测对象的参数集数据矩阵,矩阵中影响性能退化的变量参数为电气部件的电气参数和机械部件的机械参数;
步骤三:确定测量变量与反映变量价值权重
根据步骤二,先根据大量数据统计得到被观测对象失效率和重要度,再以被观测对象的失效率和重要度为基础,运用系统工程关联矩阵法得到系统部组件的变量与反映变量价值权重;
步骤四:确定模型特征域
先将被观测对象在振动应力、热应力和电应力作用下运行,并通过额定和非额定载荷交替作用,接着在幅值、时间、频率内分析与处理反映被观测对象状态的电压、电流和频率的观测值;
步骤五:性能退化分析模型计算
根据步骤四,先通过逻辑回归模型的可解释性处理观测参数值的冗余,再建立建立基于极大似然估计的逻辑回归分析模型对连续性变量作归一化处理,以消除退化变量对反映变量的权重过大而导致的估计失真,接着用迭代公式对观测参数值进行迭代计算,然后运用马氏距离MD值测度方法进行性能状态空间划分,待测样本与健康样本之间距离值越小,则对应的状态越健康,反之距离值越大,健康状态越差,也就愈接近于失效空间状态;
步骤六:评估并确定健康状态
根据被观测对象性能参数的范围值确定性能退化分析模型的状态空间类型,被观测对象性能参数在正常范围内则模型空间状态健康,被观测对象出现质量缺陷则模型空间状态正常,被观测对象接近性能直边阀值则模型空间状态劣化,被观测对象性能参数超过阀值则模型空间状态时效,再根据性能退化分析模型的状态空间类型评估被观测对象的性能退化规律。
3.根据权利要求1所述的基于逻辑回归的机载电源可靠性增长性能退化分析方法,其特征在于:所述步骤二中,电气部件失效载荷主要为电载荷、热载荷和振动应力载荷,退化主要表现为电压、电流和频率参数集的动态异常,机械部件失效载荷主要为振动应力载荷,退化主要表现为时域和频域特性参数集异常。机械部分主要涉及恒装、发电机和起动机,电气部分主要涉及整流部件、调压部件、自监测部件和保护部。
4.根据权利要求1所述的基于逻辑回归的机载电源可靠性增长性能退化分析方法,其特征在于:所述步骤四中,时间域内特征提取采用方差、有效值、峰-峰值为主要特征值,脉冲因数、波形因数、峰值因数则表征观测值在时间域下的基本信号特征,用于辅助进行退化趋势分析,频率域内特征提取采用倍频分频法提取特征频段上的特征量值,特征量大小和比例关系阐明观测值的频域特征幅值谱和功率谱,反映相应非线性机载电源系统部组件退化程度。
7.根据权利要求1所述的基于逻辑回归的机载电源可靠性增长性能退化分析方法,其特征在于:所述步骤五中,迭代公式为
bk+1=bk-J-1(bk)f(bk),其中b0=(β0,β1,…βm)T,当|bk+1-bk|≤ε,迭代停止,bk+1即为β1,β2,...,βm。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011147908.7A CN112241595A (zh) | 2020-10-23 | 2020-10-23 | 基于逻辑回归的机载电源可靠性增长性能退化分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011147908.7A CN112241595A (zh) | 2020-10-23 | 2020-10-23 | 基于逻辑回归的机载电源可靠性增长性能退化分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112241595A true CN112241595A (zh) | 2021-01-19 |
Family
ID=74169588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011147908.7A Withdrawn CN112241595A (zh) | 2020-10-23 | 2020-10-23 | 基于逻辑回归的机载电源可靠性增长性能退化分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112241595A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642198A (zh) * | 2021-10-18 | 2021-11-12 | 民航成都物流技术有限公司 | 一种基于可靠性增长的独立运载系统设备可靠性评估方法 |
CN116449135A (zh) * | 2023-04-19 | 2023-07-18 | 北京航空航天大学 | 一种机电系统部件健康状态确定方法、系统及电子设备 |
-
2020
- 2020-10-23 CN CN202011147908.7A patent/CN112241595A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642198A (zh) * | 2021-10-18 | 2021-11-12 | 民航成都物流技术有限公司 | 一种基于可靠性增长的独立运载系统设备可靠性评估方法 |
CN116449135A (zh) * | 2023-04-19 | 2023-07-18 | 北京航空航天大学 | 一种机电系统部件健康状态确定方法、系统及电子设备 |
CN116449135B (zh) * | 2023-04-19 | 2024-01-30 | 北京航空航天大学 | 一种机电系统部件健康状态确定方法、系统及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110046453B (zh) | 一种激光雷达的寿命预测方法 | |
Jardine et al. | A review on machinery diagnostics and prognostics implementing condition-based maintenance | |
Coble et al. | Identifying optimal prognostic parameters from data: a genetic algorithms approach | |
CN112241595A (zh) | 基于逻辑回归的机载电源可靠性增长性能退化分析方法 | |
CN109992895B (zh) | 一种设备性能退化趋势提取及预测方法 | |
CN112416643A (zh) | 无监督异常检测方法与装置 | |
CN112116198A (zh) | 数据驱动的流程工业状态感知网络关键节点筛选方法 | |
CN115986918B (zh) | 一种输电线智能监测系统 | |
CN115796059B (zh) | 一种基于深度学习的电气设备寿命预测方法及系统 | |
CN114623050A (zh) | 风电机组的运行数据异常检测方法、系统及介质 | |
CN107403279A (zh) | 一种输油泵工况自适应状态预警系统及方法 | |
Hu et al. | Intelligent condition assessment of industry machinery using multiple type of signal from monitoring system | |
CN114062993A (zh) | 一种基于时间卷积网络的cvt误差状态预测方法 | |
CN115392056A (zh) | 一种高压架空输电线路运行状态监测及预警方法及装置 | |
CN112347663B (zh) | 融合变压器健康状态和役龄的故障概率预测方法 | |
CN117034001A (zh) | 一种风电机组故障预测方法、装置及电子设备 | |
CN116976191A (zh) | 一种水轮发电机组轴系稳定性劣化趋势预测方法 | |
CN116338391A (zh) | 一种绝缘子状态检测方法、装置、电子设备以及介质 | |
CN113408383B (zh) | 基于有界β(g,h)分布和MWKPCA的可听噪声无效数据判定方法 | |
CN113406537B (zh) | 一种电力设备故障程度的定量评估方法 | |
CN115326393A (zh) | 一种基于温度信息的风电机组轴承对故障诊断方法 | |
CN113283157A (zh) | 智能冲压压力机部件生命周期预测系统、方法、终端、介质 | |
CN112685912A (zh) | 一种多元广义Wiener过程性能退化可靠性分析方法 | |
Sarquis Filho et al. | Practical recommendations for the design of automatic fault detection algorithms based on experiments with field monitoring data | |
Müller et al. | Practical Recommendations for the Design of Automatic Fault Detection Algorithms Based on Experiments with Field Monitoring Data |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210119 |