CN112287452A - 一种航天器可维修性智能建模方法 - Google Patents

一种航天器可维修性智能建模方法 Download PDF

Info

Publication number
CN112287452A
CN112287452A CN202011084775.3A CN202011084775A CN112287452A CN 112287452 A CN112287452 A CN 112287452A CN 202011084775 A CN202011084775 A CN 202011084775A CN 112287452 A CN112287452 A CN 112287452A
Authority
CN
China
Prior art keywords
maintainability
module
spacecraft
layer
neural network
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
Application number
CN202011084775.3A
Other languages
English (en)
Other versions
CN112287452B (zh
Inventor
赵文锐
谷海宇
王东辉
魏承
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202011084775.3A priority Critical patent/CN112287452B/zh
Publication of CN112287452A publication Critical patent/CN112287452A/zh
Application granted granted Critical
Publication of CN112287452B publication Critical patent/CN112287452B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Abstract

本发明是一种航天器可维修性智能建模方法。本发明涉及航天器可维修性判定技术领域，本发明提出了航天器可维修性智能建模方法。首先对复杂航天器进行可维修性分解，得到多个可维修层架，每个可维修层级包含多个可维修模块。利用多层BP神经网络的反向传播算法，通过模糊专家控制和多体动力学仿真系统建立神经网络的训练模型的训练集。利用训练集数据对多层BP神经网络进行不断的训练从而直至得到最大的迭代次数。此时多层BP神经网络即为航天器可维修性计算模型，其作用等效为公式。

Description

一种航天器可维修性智能建模方法
技术领域
本发明涉及航天器可维修性判定技术领域，是一种航天器可维修性智能建模方法。
背景技术
随着航天科技的飞速发展，在轨运行的航天器的数量日益增多，因此对于航天器维修保养工作变得尤为重要。与地面维修相比，在轨维修活动受到空间环境、运行模式、航天员能力、上行能力、安全性要求、舱外活动能力等因素的制约，因此，针对地面维修的维修性设计思路、要求、以及设计规范不能满足在轨维修的要求。目前，只有少数国家通过对在轨维修数据的统计分析，开展了载人航天器在轨维修性设计的研究和实践；我国当前在缺乏在轨维修数据和实践的条件下，急需提出既满足设计要求，又符合工程实施条件的维修性设计思路和方法。
正是基于航天器在轨维修的广泛性和重要性，研究相应的维修性理论和维修性评价技术显得尤为重要。此类技术不仅可以为航天器在轨维修提供技术保障，还可以为航天器的可维修系统设计提供重要的参考依据。
发明内容
本发明为确定航天器可维修性，本发明提供了一种航天器可维修性智能建模方法，本发明提供了以下技术方案：
一种航天器可维修性智能建模方法，包括以下步骤：
步骤1：对航天器进行可维修行分解，得到多个可维修层架，所述层架包含多个可维修模块；
步骤2：采用神经网络模型对单个可维修模块进行建模，确定上一层级可维修模块的可维修度；
步骤3：根据确定的可维修度采用多层BP神经网络，建立神经网络的训练模型的训练集，利用训练数据对多层BP神经网络进行训练，直至得到最大迭代次数；
步骤4：当得到最大迭代次数时，此时的多层BP神经网络即为航天器可维修性计算模型，根据所述模型确定航天器的可维修性。
优选地，所述步骤1具体为：
对航天器进行可维修行分解，按照功能分为机械系统、电控系统、热控系统、推进系统和工作载荷，按照组织方式分为系统、部件、构件、器件、元件和零件；航天器可维修性分解过程为层级细分过程，按照细分程度划分多个可维修层架，同一层架存在并列的同层级子系统，在分解过程中，应力求同层级子系统的功能性和组织方式互相独立；
所述层架包含多个可维修模块，每一模块的可维修性由三部分确定：模块固有可维修度、模块关联度和同层级相连的模块可维修度；
模块固有可维修度是指模块本身的可维修特性，由包含的下维修层级模块可维修度和连接方式确定，当为最底层模块时，可维修度为固定值；
模块关联度是同层级模块之间可维修性的互相影响程度，由模块间硬件、软件和功能方面的联系确定，每一个模块简化为神经元模型，与剩余神经元之间联系的权重为模块关联度；
同层级相连的模块可维修度为固有可维修度为模块状态偏置，与相连的模块可维修度为模块状态。
优选地，所述步骤2具体为：
采用神经网络模型对单个可维修模块进行建模，确定上一层级可维修模块的可维修度，处于维修层级k-1的模块i的可维修度由所有包含的处于维修层级k的模块的可维修度确定，通过下式表示处于维修层级k-1的模块i的可维修度
Figure BDA0002720013260000021
Figure BDA0002720013260000022
其中，
Figure BDA0002720013260000023
为维修层级k中模块之间的权值系数，
Figure BDA0002720013260000024
为维修层级k-1的模块i包含的处于处于维修层级k的模块的模块数量，
Figure BDA0002720013260000025
为可维修度。
优选地，所述步骤3具体为：
根据确定的可维修度采用多层BP神经网络，并使用模糊专家控制和多体动力学仿真系统得到多神经神经网络的训练集；其中，多体动力学仿真系统为虚拟样机和控制系统的联合仿真模型，其输出为仿真时间t、能耗E和安全系数s，将仿真时间t、能耗E和安全系数s；
通过论域离散化方法分别转化为具有NS长度的时间量化等级、能耗量化等级和安全量化等级，同时将可维修度
Figure BDA0002720013260000026
在转化为具有NS长度的量化等级，然后仿真时间t、能耗E和安全系数s和维修度
Figure BDA0002720013260000027
的量化等级设置为个数为NF的模糊子集，依据专家知识库设计维修度
Figure BDA0002720013260000028
和模糊子集与仿真时间t、能耗E和安全系数s的模糊子集的模糊控制表；
依据Mamdani极大极小推理法将模糊控制表进行精确化，转化为关于量化等级的模糊控制表，将量化等级的模糊控制表存储，以供调用；依据期望可维修度与实际可维修度的量化等级偏差，通过多体动力学虚拟样机的控制系统，计算控制输入，当实际可维修度等级与期望可维修度等级相同时，则仿真系统输出满足要求；
利用仿真系统输出包括仿真时间t、能耗E和安全系数s和维修度
Figure BDA0002720013260000031
构建神经网络系统的训练集，利用反向传播算法训练模块神经网络，模块神经网络模型为三层神经网络；
设定维修层级为第K层级，层级的可维修模块数量为N，则层级可维修模块的神经网络模型的输入神经元个数为4，隐藏层神经元个数为(N-1)×N，输出神经元个数为1；
优选地，确定性能指标函数，通过下式表示性能指标函数J：
Figure BDA0002720013260000032
其中，
Figure BDA0002720013260000033
为样本集可维修度，
Figure BDA0002720013260000034
为神经网络对应第p个样本的输出，P为样本数量；
使用多层传播网络学习算法的训练，选取η＞0，Jmax作为最大容许误差，随即设置权系数矩阵和各神经元的阈值均设置；
开始训练，确定第p个样本输入情况下，输入层单元的输出层，通过下式表示所述输出层：
Figure BDA0002720013260000035
其中，
Figure BDA0002720013260000036
为输入层神经元m的输出；θ为输入层神经元m的阈值选定为该模块的固有可维修度；Γ0(·)为输入层激活函数，
Figure BDA0002720013260000037
为输入层神经元m的状态，θk为神经元的阈值；
在第p个样本输入情况下，确定隐含单元的输出层，通过下式表示隐含单元的输出层：
Figure BDA0002720013260000038
其中，
Figure BDA0002720013260000039
为隐藏层神经元n的输出；
Figure BDA00027200132600000310
为隐藏层神经元n与输入层神经元m之间的权值；Γ1(·)为隐藏层激活函数；
在第p个样本输入情况下，确定输出层神经元的输出，通过下式表示输出层神经元的输出：
Figure BDA00027200132600000311
其中，
Figure BDA00027200132600000312
为可维修层级k中的模块i的可维修度，
Figure BDA00027200132600000313
为输出层神经元与隐藏层神经元n之间的权值，Γ2(·)为隐藏层激活函数；
确定广义误差，通过下式表示广义误差：
Figure BDA0002720013260000041
Figure BDA0002720013260000042
Figure BDA0002720013260000043
Figure BDA0002720013260000044
其中，
Figure BDA0002720013260000045
为隐藏层神经元n的权值广义误差，
Figure BDA0002720013260000046
为输入层神经元m与隐藏层神经元n之间的权值广义误差；
调整输出层权系数和阈值，通过下式表示调整后的输入层权系数增量
Figure BDA0002720013260000047
和隐藏层权系数增量
Figure BDA0002720013260000048
Figure BDA0002720013260000049
Figure BDA00027200132600000410
更新数据样本p，进行迭代，直至到达最大迭代次数或J≤Jmax。
优选地，所述步骤4具体为：
当到达最大迭代次数或J≤Jmax，此时的多层BP神经网络即为航天器可维修性计算模型，根据所述模型确定航天器的可维修性，通过下式确定航天器的可维修性：
Figure BDA00027200132600000411
其中，0≤ψ≤1为航天器的可维修度，t为维修时间；E为维修能量消耗；s为维修安全系数；
Figure BDA00027200132600000412
为系统固有可维修度，f(·)为达到最大迭代次数或J≤Jmax时的多层BP神经网络；
当ψ＝0表示航天器没有维修的必要，ψ＝1表示系统完全采取相应维修；t为维修时间；E为维修能量消耗；s为维修安全系数；
Figure BDA00027200132600000413
为系统固有可维修度。
本发明具有以下有益效果：
本发明提出了航天器可维修性智能建模方法。首先对复杂航天器进行可维修性分解，得到多个可维修层架，每个可维修层级包含多个可维修模块。利用单神经网络模型对单个可维修模块的可维修度进行建模，通过维修性综合方法计算上一层级可维系模块的可维修度，直至计算得到真个系统的可维修度模型。利用多层BP神经网络的反向传播算法，通过模糊专家控制和多体动力学仿真系统建立神经网络的训练模型的训练集。利用训练集数据对多层BP神经网络进行不断的训练从而直至得到最优的权系数。此时多层BP神经网络即为航天器可维修性计算模型，其作用等效为公式。
附图说明
图1是航天器维修性分解示意图；
图2为航天器维修性综合示意图；
图3为模块可维修度计算模型；
图4为模块神经元节点训练过程；
图5为维修模块多层BP神经网络模型；
图6为可维修在轨系统维修性计算流程。
具体实施方式
以下结合具体实施例，对本发明进行了详细说明。
具体实施例一：
根据图1至图6所示，本发明提供一种航天器可维修性智能建模方法，具体为：
一种航天器可维修性智能建模方法，包括以下步骤：
步骤1：对航天器进行可维修行分解，得到多个可维修层架，所述层架包含多个可维修模块；
所述步骤1具体为：
对航天器进行可维修行分解，按照功能分为机械系统、电控系统、热控系统、推进系统和工作载荷，按照组织方式分为系统、部件、构件、器件、元件和零件；航天器可维修性分解过程为层级细分过程，按照细分程度划分多个可维修层架，同一层架存在并列的同层级子系统，在分解过程中，应力求同层级子系统的功能性和组织方式互相独立；
所述层架包含多个可维修模块，每一模块的可维修性由三部分确定：模块固有可维修度、模块关联度和同层级相连的模块可维修度；
模块固有可维修度是指模块本身的可维修特性，由包含的下维修层级模块可维修度和连接方式确定，当为最底层模块时，可维修度为固定值；
模块关联度是同层级模块之间可维修性的互相影响程度，由模块间硬件、软件和功能方面的联系确定，由图3可知每一个模块简化为神经元模型，与剩余神经元之间联系的权重为模块关联度；
同层级相连的模块可维修度为固有可维修度为模块状态偏置，与相连的模块可维修度为模块状态。
步骤2：采用神经网络模型对单个可维修模块进行建模，确定上一层级可维修模块的可维修度；
所述步骤2具体为：
采用神经网络模型对单个可维修模块进行建模，确定上一层级可维修模块的可维修度，处于维修层级k-1的模块i的可维修度由所有包含的处于维修层级k的模块的可维修度确定，通过下式表示处于维修层级k-1的模块i的可维修度
Figure BDA0002720013260000061
Figure BDA0002720013260000062
其中，
Figure BDA0002720013260000063
为维修层级k中模块之间的权值系数，
Figure BDA0002720013260000064
为维修层级k-1的模块i包含的处于处于维修层级k的模块的模块数量，
Figure BDA0002720013260000065
为可维修度。
步骤3：根据确定的可维修度采用多层BP神经网络，建立神经网络的训练模型的训练集，利用训练数据对多层BP神经网络进行训练，直至得到最大迭代次数；
所述步骤3具体为：
根据确定的可维修度采用多层BP神经网络，并使用模糊专家控制和多体动力学仿真系统得到多神经神经网络的训练集；其中，多体动力学仿真系统为虚拟样机和控制系统的联合仿真模型，其输出为仿真时间t、能耗E和安全系数s，将仿真时间t、能耗E和安全系数s；
通过论域离散化方法分别转化为具有NS长度的时间量化等级、能耗量化等级和安全量化等级，同时将可维修度
Figure BDA0002720013260000066
在转化为具有NS长度的量化等级，然后仿真时间t、能耗E和安全系数s和维修度
Figure BDA0002720013260000067
的量化等级设置为个数为NF的模糊子集，依据专家知识库设计维修度
Figure BDA0002720013260000068
和模糊子集与仿真时间t、能耗E和安全系数s的模糊子集的模糊控制表；
依据Mamdani极大极小推理法将模糊控制表进行精确化，转化为关于量化等级的模糊控制表，将量化等级的模糊控制表存储，以供调用；依据期望可维修度与实际可维修度的量化等级偏差，通过多体动力学虚拟样机的控制系统，计算控制输入，当实际可维修度等级与期望可维修度等级相同时，则仿真系统输出满足要求；
利用仿真系统输出包括仿真时间t、能耗E和安全系数s和维修度
Figure BDA0002720013260000071
构建神经网络系统的训练集，利用反向传播算法训练模块神经网络，模块神经网络模型为三层神经网络；
设定维修层级为第K层级，层级的可维修模块数量为N，则层级可维修模块的神经网络模型的输入神经元个数为4，隐藏层神经元个数为(N-1)×N，输出神经元个数为1；
确定性能指标函数，通过下式表示性能指标函数J：
Figure BDA0002720013260000072
其中，
Figure BDA0002720013260000073
为样本集可维修度，
Figure BDA0002720013260000074
为神经网络对应第p个样本的输出，P为样本数量；
使用多层传播网络学习算法的训练，选取η＞0，Jmax作为最大容许误差，随即设置权系数矩阵和各神经元的阈值均设置；
开始训练，确定第p个样本输入情况下，输入层单元的输出层，通过下式表示所述输出层：
Figure BDA0002720013260000075
其中，
Figure BDA0002720013260000076
为输入层神经元m的输出；θ为输入层神经元m的阈值选定为该模块的固有可维修度；Γ0(·)为输入层激活函数，
Figure BDA0002720013260000077
为输入层神经元m的状态，θk为神经元的阈值；
在第p个样本输入情况下，确定隐含单元的输出层，通过下式表示隐含单元的输出层：
Figure BDA0002720013260000078
其中，
Figure BDA0002720013260000079
为隐藏层神经元n的输出；
Figure BDA00027200132600000710
为隐藏层神经元n与输入层神经元m之间的权值；Γ1(·)为隐藏层激活函数；
在第p个样本输入情况下，确定输出层神经元的输出，通过下式表示输出层神经元的输出：
Figure BDA00027200132600000711
其中，
Figure BDA00027200132600000712
为可维修层级k中的模块i的可维修度，
Figure BDA00027200132600000713
为输出层神经元与隐藏层神经元n之间的权值，Γ2(·)为隐藏层激活函数；
确定广义误差，通过下式表示广义误差：
Figure BDA0002720013260000081
Figure BDA0002720013260000082
Figure BDA0002720013260000083
Figure BDA0002720013260000084
其中，
Figure BDA0002720013260000085
为隐藏层神经元n的权值广义误差，
Figure BDA0002720013260000086
为输入层神经元m与隐藏层神经元n之间的权值广义误差；
调整输出层权系数和阈值，通过下式表示调整后的输入层权系数增量
Figure BDA0002720013260000087
和隐藏层权系数增量
Figure BDA0002720013260000088
Figure BDA0002720013260000089
Figure BDA00027200132600000810
更新数据样本p，进行迭代，直至到达最大迭代次数或J≤Jmax。
步骤4：当得到最大迭代次数时，此时的多层BP神经网络即为航天器可维修性计算模型，根据所述模型确定航天器的可维修性。
所述步骤4具体为：
当到达最大迭代次数或J≤Jmax，此时的多层BP神经网络即为航天器可维修性计算模型，根据所述模型确定航天器的可维修性，通过下式确定航天器的可维修性：
Figure BDA00027200132600000811
其中，0≤ψ≤1为航天器的可维修度，t为维修时间；E为维修能量消耗；s为维修安全系数；
Figure BDA00027200132600000812
为系统固有可维修度，f(·)为达到最大迭代次数或J≤Jmax时的多层BP神经网络；
当ψ＝0表示航天器没有维修的必要，ψ＝1表示系统完全采取相应维修；t为维修时间；E为维修能量消耗；s为维修安全系数；
Figure BDA00027200132600000813
为系统固有可维修度。
以上所述仅是一种航天器可维修性智能建模方法的优选实施方式，一种航天器可维修性智能建模方法的保护范围并不仅局限于上述实施例，凡属于该思路下的技术方案均属于本发明的保护范围。应当指出，对于本领域的技术人员来说，在不脱离本发明原理前提下的若干改进和变化，这些改进和变化也应视为本发明的保护范围。

Claims (6)

1.一种航天器可维修性智能建模方法，其特征是：包括以下步骤：
步骤1：对航天器进行可维修行分解，得到多个可维修层架，所述层架包含多个可维修模块；
步骤2：采用神经网络模型对单个可维修模块进行建模，确定上一层级可维修模块的可维修度；
步骤3：根据确定的可维修度采用多层BP神经网络，建立神经网络的训练模型的训练集，利用训练数据对多层BP神经网络进行训练，直至得到最大迭代次数；
步骤4：当得到最大迭代次数时，此时的多层BP神经网络即为航天器可维修性计算模型，根据所述模型确定航天器的可维修性。
2.根据权利要求1所述的一种航天器可维修性智能建模方法，其特征是：所述步骤1具体为：
对航天器进行可维修行分解，按照功能分为机械系统、电控系统、热控系统、推进系统和工作载荷，按照组织方式分为系统、部件、构件、器件、元件和零件；航天器可维修性分解过程为层级细分过程，按照细分程度划分多个可维修层架，同一层架存在并列的同层级子系统，在分解过程中，应力求同层级子系统的功能性和组织方式互相独立；
所述层架包含多个可维修模块，每一模块的可维修性由三部分确定：模块固有可维修度、模块关联度和同层级相连的模块可维修度；
模块固有可维修度是指模块本身的可维修特性，由包含的下维修层级模块可维修度和连接方式确定，当为最底层模块时，可维修度为固定值；
模块关联度是同层级模块之间可维修性的互相影响程度，由模块间硬件、软件和功能方面的联系确定，每一个模块简化为神经元模型，与剩余神经元之间联系的权重为模块关联度；
同层级相连的模块可维修度为固有可维修度为模块状态偏置，与相连的模块可维修度为模块状态。
3.根据权利要求1所述的一种航天器可维修性智能建模方法，其特征是：所述步骤2具体为：
采用神经网络模型对单个可维修模块进行建模，确定上一层级可维修模块的可维修度，处于维修层级k-1的模块i的可维修度由所有包含的处于维修层级k的模块的可维修度确定，通过下式表示处于维修层级k-1的模块i的可维修度
Figure FDA0002720013250000011
Figure FDA0002720013250000021
其中，
Figure FDA0002720013250000022
为维修层级k中模块之间的权值系数，
Figure FDA0002720013250000023
为维修层级k-1的模块i包含的处于处于维修层级k的模块的模块数量，
Figure FDA0002720013250000024
为可维修度。
4.根据权利要求1所述的一种航天器可维修性智能建模方法，其特征是：所述步骤3具体为：
根据确定的可维修度采用多层BP神经网络，并使用模糊专家控制和多体动力学仿真系统得到多神经神经网络的训练集；其中，多体动力学仿真系统为虚拟样机和控制系统的联合仿真模型，其输出为仿真时间t、能耗E和安全系数s，将仿真时间t、能耗E和安全系数s；
通过论域离散化方法分别转化为具有NS长度的时间量化等级、能耗量化等级和安全量化等级，同时将可维修度
Figure FDA0002720013250000025
在转化为具有NS长度的量化等级，然后仿真时间t、能耗E和安全系数s和维修度
Figure FDA0002720013250000026
的量化等级设置为个数为NF的模糊子集，依据专家知识库设计维修度
Figure FDA0002720013250000027
和模糊子集与仿真时间t、能耗E和安全系数s的模糊子集的模糊控制表；
依据Mamdani极大极小推理法将模糊控制表进行精确化，转化为关于量化等级的模糊控制表，将量化等级的模糊控制表存储，以供调用；依据期望可维修度与实际可维修度的量化等级偏差，通过多体动力学虚拟样机的控制系统，计算控制输入，当实际可维修度等级与期望可维修度等级相同时，则仿真系统输出满足要求；
利用仿真系统输出包括仿真时间t、能耗E和安全系数s和维修度
Figure FDA0002720013250000028
构建神经网络系统的训练集，利用反向传播算法训练模块神经网络，模块神经网络模型为三层神经网络；
设定维修层级为第K层级，层级的可维修模块数量为N，则层级可维修模块的神经网络模型的输入神经元个数为4，隐藏层神经元个数为(N-1)×N，输出神经元个数为1。
5.根据权利要求4所述的一种航天器可维修性智能建模方法，其特征是：确定性能指标函数，通过下式表示性能指标函数J：
Figure FDA0002720013250000029
其中，
Figure FDA00027200132500000210
为样本集可维修度，
Figure FDA00027200132500000211
为神经网络对应第p个样本的输出，P为样本数量；
使用多层传播网络学习算法的训练，选取η＞0，Jmax作为最大容许误差，随即设置权系数矩阵和各神经元的阈值均设置；
开始训练，确定第p个样本输入情况下，输入层单元的输出层，通过下式表示所述输出层：
Figure FDA0002720013250000031
其中，
Figure FDA0002720013250000032
为输入层神经元m的输出；θ为输入层神经元m的阈值选定为该模块的固有可维修度；Γ0(·)为输入层激活函数，
Figure FDA0002720013250000033
为输入层神经元m的状态，θk为神经元的阈值；
在第p个样本输入情况下，确定隐含单元的输出层，通过下式表示隐含单元的输出层：
Figure FDA0002720013250000034
其中，
Figure FDA0002720013250000035
为隐藏层神经元n的输出；
Figure FDA0002720013250000036
为隐藏层神经元n与输入层神经元m之间的权值；Γ1(·)为隐藏层激活函数；
在第p个样本输入情况下，确定输出层神经元的输出，通过下式表示输出层神经元的输出：
Figure FDA0002720013250000037
其中，
Figure FDA0002720013250000038
为可维修层级k中的模块i的可维修度，
Figure FDA0002720013250000039
为输出层神经元与隐藏层神经元n之间的权值，Γ2(·)为隐藏层激活函数；
确定广义误差，通过下式表示广义误差：
Figure FDA00027200132500000310
Figure FDA00027200132500000311
Figure FDA00027200132500000312
Figure FDA00027200132500000313
其中，
Figure FDA00027200132500000314
为隐藏层神经元n的权值广义误差，
Figure FDA00027200132500000315
为输入层神经元m与隐藏层神经元n之间的权值广义误差；
调整输出层权系数和阈值，通过下式表示调整后的输入层权系数增量
Figure FDA0002720013250000041
和隐藏层权系数增量
Figure FDA0002720013250000042
Figure FDA0002720013250000043
Figure FDA0002720013250000044
更新数据样本p，进行迭代，直至到达最大迭代次数或J≤Jmax。
6.根据权利要求1所述的一种航天器可维修性智能建模方法，其特征是：所述步骤4具体为：
当到达最大迭代次数或J≤Jmax，此时的多层BP神经网络即为航天器可维修性计算模型，根据所述模型确定航天器的可维修性，通过下式确定航天器的可维修性：
Figure FDA0002720013250000045
其中，0≤ψ≤1为航天器的可维修度，t为维修时间；E为维修能量消耗；s为维修安全系数；
Figure FDA0002720013250000046
为系统固有可维修度，f(·)为达到最大迭代次数或J≤Jmax时的多层BP神经网络；
当ψ＝0表示航天器没有维修的必要，ψ＝1表示系统完全采取相应维修；t为维修时间；E为维修能量消耗；s为维修安全系数；
Figure FDA0002720013250000047
为系统固有可维修度。
CN202011084775.3A 2020-10-12 2020-10-12 一种航天器可维修性智能建模方法 Active CN112287452B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011084775.3A CN112287452B (zh) 2020-10-12 2020-10-12 一种航天器可维修性智能建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011084775.3A CN112287452B (zh) 2020-10-12 2020-10-12 一种航天器可维修性智能建模方法

Publications (2)

Publication Number Publication Date
CN112287452A true CN112287452A (zh) 2021-01-29
CN112287452B CN112287452B (zh) 2022-05-24

Family

ID=74497688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011084775.3A Active CN112287452B (zh) 2020-10-12 2020-10-12 一种航天器可维修性智能建模方法

Country Status (1)

Country Link
CN (1) CN112287452B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101346678A (zh) * 2005-12-30 2009-01-14 先进微装置公司 用于丛集工具的自动化状态估计系统以及操作该系统的方法
US8880246B1 (en) * 2012-08-22 2014-11-04 United States Of America As Represented By The Secretary Of The Navy Method and apparatus for determining spacecraft maneuvers
CN104267668A (zh) * 2014-09-02 2015-01-07 上海交通大学 基于贝叶斯方法的航天阀门零件加工过程故障诊断方法
CN105868917A (zh) * 2016-04-13 2016-08-17 内蒙古工业大学 一种面向维修性设计的复杂产品可供性特性识别方法
CN106503746A (zh) * 2016-11-03 2017-03-15 哈尔滨工业大学 一种基于性能偏移量的航空发动机故障诊断方法
CN109255441A (zh) * 2018-10-18 2019-01-22 西安电子科技大学 基于人工智能的航天器故障诊断方法
US20190065945A1 (en) * 2017-08-31 2019-02-28 Micron Technology, Inc. Cooperative learning neural networks and systems
CN109934337A (zh) * 2019-03-14 2019-06-25 哈尔滨工业大学 一种基于集成lstm的航天器遥测数据异常的检测方法
CN110045744A (zh) * 2019-05-10 2019-07-23 哈尔滨工业大学 基于磁悬浮轴承主动刚度调控的旋转载荷平稳控制方法
CN110555839A (zh) * 2019-09-06 2019-12-10 腾讯云计算（北京）有限责任公司 缺陷检测识别方法、装置、计算机设备及存储介质
CN111553058A (zh) * 2020-04-16 2020-08-18 北京航空航天大学 一种航天器多维度可扩展层级健康评估方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101346678A (zh) * 2005-12-30 2009-01-14 先进微装置公司 用于丛集工具的自动化状态估计系统以及操作该系统的方法
US8880246B1 (en) * 2012-08-22 2014-11-04 United States Of America As Represented By The Secretary Of The Navy Method and apparatus for determining spacecraft maneuvers
CN104267668A (zh) * 2014-09-02 2015-01-07 上海交通大学 基于贝叶斯方法的航天阀门零件加工过程故障诊断方法
CN105868917A (zh) * 2016-04-13 2016-08-17 内蒙古工业大学 一种面向维修性设计的复杂产品可供性特性识别方法
CN106503746A (zh) * 2016-11-03 2017-03-15 哈尔滨工业大学 一种基于性能偏移量的航空发动机故障诊断方法
US20190065945A1 (en) * 2017-08-31 2019-02-28 Micron Technology, Inc. Cooperative learning neural networks and systems
CN109255441A (zh) * 2018-10-18 2019-01-22 西安电子科技大学 基于人工智能的航天器故障诊断方法
CN109934337A (zh) * 2019-03-14 2019-06-25 哈尔滨工业大学 一种基于集成lstm的航天器遥测数据异常的检测方法
CN110045744A (zh) * 2019-05-10 2019-07-23 哈尔滨工业大学 基于磁悬浮轴承主动刚度调控的旋转载荷平稳控制方法
CN110555839A (zh) * 2019-09-06 2019-12-10 腾讯云计算（北京）有限责任公司 缺陷检测识别方法、装置、计算机设备及存储介质
CN111553058A (zh) * 2020-04-16 2020-08-18 北京航空航天大学 一种航天器多维度可扩展层级健康评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XIAOWEI WANG 等: "The neural network model of Communication software maintainability assessment", 《IEEE》 *
姜伟 等: "人工神经网络在维修性预计中的应用", 《兵工自动化》 *
魏承: "空间柔性机器人在轨抓取与转移目标动力学与控制", 《中国博士学位论文电子期刊网 信息科技辑》 *

Also Published As

Publication number Publication date
CN112287452B (zh) 2022-05-24

Similar Documents

Publication Publication Date Title
Zhou et al. A CEEMDAN and XGBOOST-based approach to forecast crude oil prices
CN110738344B (zh) 电力系统负荷预测的分布式无功优化方法及装置
CN109948833A (zh) 一种基于长短期记忆网络的水电机组劣化趋势预测方法
EP2287785A1 (en) Fuzzy inference apparatus and methods, systems and apparatuses using such inference apparatus
EP2287786A1 (en) Fuzzy inference apparatus and methods, systems and apparatuses using such inference apparatus
CN111723839B (zh) 一种基于边缘计算的台区线损率预测方法
Priem et al. An efficient application of Bayesian optimization to an industrial MDO framework for aircraft design.
US20040019469A1 (en) Method of generating a multifidelity model of a system
CN112287452B (zh) 一种航天器可维修性智能建模方法
CN110619148A (zh) 基于区间灰数的装备adc效能评估方法
CN106779583A (zh) 基于人工神经网络的海工装备项目工作结构分解系统与方法
Matsuda A neural network model for the decision-making process based on ANP
Xu et al. Composite structural optimization by genetic algorithm and neural network response surface modeling
Kumar et al. Wind power prediction analysis by ANFIS, GA-ANFIS and PSO-ANFIS
Wei et al. Modeling and simulation of gas emission based on recursive modified Elman neural network
Bang et al. An energy-efficient SNN processor design based on sparse direct feedback and spike prediction
Li et al. Wind speed forecasting based on fuzzy-neural network combination method
CN112560898B (zh) 一种基于深度学习的负荷时空预测方法
Yu et al. To improve the training time of BP neural networks
Millidere et al. Multi-Fidelity Aerodynamic Dataset Generation of a Fighter Aircraft with a Deep Neural-Genetic Network
Zarkovic et al. ANN for solving the harmonic load flow in electric power systems with DG
US11948087B1 (en) Drop impact prediction method and system for heavy equipment airdrop based on neural network
Wind et al. Distributed multilevel optimization for complex structures
CN111553057B (zh) 一种健康状态层流逻辑中表决结构的健康建模与计算方法
Xu et al. Complex system risk evolution analysis based on multi-resolution modeling and Bayesian networks

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