CN112785183B - 一种分层融合式车辆分队健康管理系统架构 - Google Patents

一种分层融合式车辆分队健康管理系统架构 Download PDF

Info

Publication number
CN112785183B
CN112785183B CN202110133495.5A CN202110133495A CN112785183B CN 112785183 B CN112785183 B CN 112785183B CN 202110133495 A CN202110133495 A CN 202110133495A CN 112785183 B CN112785183 B CN 112785183B
Authority
CN
China
Prior art keywords
vehicle
subsystem
layer
module
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.)
Active
Application number
CN202110133495.5A
Other languages
English (en)
Other versions
CN112785183A (zh
Inventor
陈悦峰
张建民
邹永显
麻雄
冯海
刘台
杨旭东
徐亚雄
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.)
63963 TROOPS PLA
Wuhan Zhongyuan Mobilcom Engineering Co Ltd
Original Assignee
63963 TROOPS PLA
Wuhan Zhongyuan Mobilcom Engineering Co Ltd
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 63963 TROOPS PLA, Wuhan Zhongyuan Mobilcom Engineering Co Ltd filed Critical 63963 TROOPS PLA
Priority to CN202110133495.5A priority Critical patent/CN112785183B/zh
Publication of CN112785183A publication Critical patent/CN112785183A/zh
Application granted granted Critical
Publication of CN112785183B publication Critical patent/CN112785183B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种分层融合式车辆分队健康管理系统架构，属于人工智能技术领域。架构中，状态感知层用于测量车辆各子系统的健康状态参数；功能子系统区域管理层至少用于根据各子系统的健康状态参数根据及各子系统的性能评估模型对各子系统进行异常检测、预测推理和诊断推理；车辆系统健康管理层用于根据各系统发送来的数据及车辆的性能评估模型对整车进行异常检测、预测推理和诊断推理；分队健康管理层包括地面系统，其至少用于根据车辆系统健康管理层发送来的数据对车辆及其各子系统进行数据处理，并利用人工智能模块对模型进行训练。本发明提供的架构充分地利用健康状态信息之间的冗余信息，使车辆及其子系统的诊断、预测的可信度提高，实现了车辆健康管理的分布感知、分层评估、集成决策和精准应用。

Description

一种分层融合式车辆分队健康管理系统架构
技术领域
本发明涉及一种分层融合式车辆分队健康管理系统架构,属于人工智能技术领域。
背景技术
预测与健康管理(PHM)系统结构是指PHM系统的基本组织，表现为PHM系统的组件与组件之间的相互关系、组件与环境之间的相互关系以及设计和进化的原理，它描述PHM系统体系结构的实体及其特性，决定PHM系统体系结构组成部分之间的关系。PHM系统结构设计技术是PHM系统需求分析与PHM系统设计实现之间的桥梁，是构建PHM系统的基础和关键，良好的系统结构可降低PHM系统设计、开发的复杂度，便于系统各项功能的良好发挥。
PHM系统结构是对其构成要素及其相互关系的描述，其不仅影响PHM系统自身的复杂性，而且决定其功能特性和行为特征。一般来讲，装备PHM系统的结构形式取决于武器装备的组成结构和功能关系，因此，不同类型的武器装备应该具有不同的结构形式。如美国波音公司针对无人作战飞行器(Unmanned Combat Air Vehicle，UCAV)和波音777飞机的特点，提出了基于逻辑分层的PHM系统体系结构；美国国家航空和宇宙航行局的埃姆斯研究中心(Ames Research Center，ARC)针对X—34、X—37的结构和使用特点，提出了基于模型推理的PHM系统体系结构等。从信息处理方式的角度，可将装备PHM系统的体系结构归结为2种类型，即集中式体系结构和分布式体系结构。
如图1所示，集中式体系结构是指PHM系统信息处理的核心是一个集信息收集、信息变换、信息处理、信息解释、信息应用于一体的中央故障管理控制器或处理器，集中式结构PHM系统的工作过程：接收装备各模块、部件的监测传感器信息，中央故障管理控制器对接收到的监测信息进行格式转换和融合处理，利用故障模型进行各部件的健康状态评估和故障预测，最后给出维修决策建议。
集中式结构PHM系统的特点：系统结构简单，信息传递过程清晰，中央故障管理控制器的功能强大，但系统的执行效率低，一般只能用于小型的简单系统。当装备系统的组成结构复杂、产品约定层次多、模块部件数量大时，该体系结构的复杂性将十分突出：一是随着装备系统检测部件数与信号量急剧增加，监测信号的收集、分类和解释将变得十分复杂；二是随着装备系统的复杂性增加，：PHM系统的执行效率快速下降；三是随着装备系统约定层次增多，PHM系统的分层融合、健康评估和故障预测难度增大。
如图2所示，分布式体系结构是指装备的各子系统(或部件)独立完成状态监测、故障检测和故障隔离等任务，并将各子系统级的健康状态信息直接传递给综合显示控制系统。分布式结构PHM系统的工作过程：各子系统故障管理控制器接收相应各模块、部件的监测传感器信息，子系统故障管理控制器对接收到的监测信息进行格式转换和融合处理，利用故障模型进行各部件的健康评估和故障预测，通过综合来得到子系统的健康状态并给出维修决策建议，同时将子系统的健康状态信息传送给综合显示控制器进行显示。
分布式结构PHM系统的特点：由于在子系统级上实现健康状态信息的获取、处理、再生与决策，没有高级别的健康状态信息处理，因此可有效降低系统级别的测试费用，而且能有效提高子系统故障管理控制器的执行效率。但由于各子系统的测试结果没有有效集成，无法有效利用健康状态信息之间的冗余信息，系统级诊断/预测的可信度相对较低。
发明内容
为克服现有技术的缺点，本发明提供一种基于分层融合式车辆分队健康管理系统架构，充分地利用健康状态信息之间的冗余信息，使车辆及其子系统的诊断、预测的可信度提高，实现了车辆健康管理的分布感知、分层评估、集成决策和精准应用。
为实现所述发明目的，本发明提供分层融合式车辆分队健康管理系统架构，其特征在于，至少包括配置车辆的状态感知层、功能子系统区域管理层和车辆系统健康管理层以及配置于数字化车场的分队健康管理层，其中，状态感知层用于测量车辆各子系统的健康状态参数；功能子系统区域管理层被配置于车辆各子系统中，至少用于根据各子系统的健康状态参数及各子系统的已经训练的神经网络模型对各子系统进行异常检测、预测推理和诊断推理，并将检测数据以及异常检测、预测推理和诊断推理的结果以树形结构存储于数据库中；车辆系统健康管理层调用功能子系统区域管理层存储的数据并根据车辆的已经训练的模型对整车进行性能评估、预测推理和诊断推理，将整车的异常检测、预测推理和诊断推理数据加到树结构中形成完整的数据树，将完整的数据树树发送给分队健康管理层；分队健康管理层包括地面系统，地面系统包括至少用于根据车辆系统健康管理层发送来的数据树对车辆及其各子系统进行数据管理、执行任务能力评估和对神经网络模型训练。
优选地，模型训练由模型训练模块在地面系统实施，其包括第一数据输入模块和训练模块，第一数据输入模块被配置为获取一个或多个子系统和/或车辆的第一时间序列数据，训练模块被配置为根据第一时间序列数据对模型进行训练。优选地，模型为神经网络模型，包括子系统诊断推理模型、子系统预测推理模型、子系统异常检测模型、车辆性能评估模型、车辆诊断推理模型和车辆预测推理模型。
优选地，功能子系统区域管理层的预测推理由预测推理模实施，其至少包括第二数据输入模块和推理模块，第二数据输入模块被配置为通过状态感知层中的传感器获取各子系统健康状态参数的第二时间序列数据；推理模块被配置为调用已训练的神经网络模型，并根据第二时间序列数据对子系统进行故障推理。
优选地，推理模块包括学习模块：被配置为学习车辆子系统发生故障时各种故障值作为神经元组成二维图；计算模块：被配置为计算车辆的子系统测量值与二维图中神经元之间的相似度；区域确定模块：被配置为确定对应于故障值的多个神经元区域；推定模块：被配置为在二维图中的多个神经元区域中分别确定相似度最大的神经元，将相似度最大的神经元对应的故障推定为车辆子系统的故障。
优选地，性能评估由车辆健康管理层的性能评估模块实施，性能评估模块包括输入层、第一神经网络层、第二神经网络层、第三神经网络层和输出层，其中，输入层将将车辆各子系统的剩余寿命量组成第一向量为：
Figure BDA0002925815140000041
第一神经网络层对第一向量中的第i个元素进行处理形成第二向量为：
Figure BDA0002925815140000042
其中，
Figure BDA0002925815140000043
式中：
Figure BDA0002925815140000044
分别为函数中心和带宽；i＝1,2,…,N，j＝1,2,…,J，J为对第一神经网络层对第i个元素变换的数目，
Figure BDA0002925815140000051
为可变权重，
Figure BDA0002925815140000052
为初始权重，N为训练次数；
第二神经网络层对第二向量进行处理形成第三向量为：
Figure BDA0002925815140000053
式中，
Figure BDA0002925815140000054
Figure BDA0002925815140000055
β为常数；
第三神经网络层对第三向量进行处理形成第四向量为：
Figure BDA0002925815140000056
其中，
Figure BDA0002925815140000057
式中，
Figure BDA0002925815140000058
为第三神经网络层和第二神经网络层之间的权重；k＝1,…,N3，N3为第三神经网络层神经元数目；
输出层输出车辆的第i个子系统能力值为：
Figure BDA0002925815140000059
式中：
Figure BDA00029258151400000510
为输出层和第三神经网络层之间的权重。
与现有技术相比，本发明提供的基于分层融合式车辆分队健康管理系统架构，实现了车辆健康管理的分布感知、分层评估、集成决策和精准应用。
附图说明
图1是现有技术提供的集中式体系结构的组成框图；
图2是现有技提供的分布式体系统结构的组成框图；
图3是本发明提供基于分层融合式车辆分队健康管理系统架构的组成框图；
图4是本发明提供的车辆系统的硬件组成框图；
图5是本发明提供分队系统的硬件组成框图；
图6是本发明提供的车辆子系统配置优化的工作流程；
图7是本发明提供的模糊神经网络的结构示意图；
图8是本发明提供的人工智能诊断推理模块工作流程图；
图9是本发明提供人工智能剩余寿命预测模块的工作流程图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，本文所用的术语仅用于描述特定实施例的目的，而并非旨在限制本发明。除非上下文明确指出，否则如本文中所使用的单数形式“一”、“一个”和“该”等意图也包括复数形式。使用“包括”和/或“包含”等术语时，是意图说明存在该特征、整数、步骤、操作、元素和/或组件，而不排除一个或多个其他特征、整数、步骤、操作、元素、组件、和/或其他组合的存在或增加。术语“和/或”包括一个或多个相关列出项目的任何和所有组合。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
图3是本发明提供基于分层融合式车辆分队健康管理系统架构的组成框图；如图3所示,车辆分队至少包括分队管理系统和第1到第N个车辆，分队管理系统如图4所示，其为分队管理层，根据完成任务的指标值及总花费通过优化模块对每个车辆进行配置；车辆上配置有图5所示的车辆系统，其用于检测各系统的状态数据，并调用数据库中已学习的子系统和/或车辆模型通过诊断推理模块、预测推理模块、异常检测模块模对子系统和/或车辆进行异常检测、故障诊断、剩余寿命预测，并通过集成模块将测量数据、检测结果、预测结果进行集成而后发送给分队管理系统，分队管理系统对接收的数据进行处理存储于数据库中，并对异常检测模型、故障诊断模型、剩余寿命预测模型等进行训练，并进行战争能力评估等，而后进行智能决策。
图4是本发明提供的分队健康管系统的硬件组成框图，如图4所示，系统包括通过总线连接的处理器20、存储器21,存储器21包括数据库,其用于存储车辆发送来的数据，并存储了子系统级诊断推理模型、子系统级预测推理模型、子系统级异常检测模型、车辆级预测推理模型、车辆级预测推理模型、车辆级异常检测模型等。处理器20调用存储器中存储的程序以实施分队健康管理层的功能，分队健康管理层包括数据处理模块、模型训练模块、执行任务能力评估模块和决策模块。数据处理模块对车辆发送来的数据进行处理并存储于数据库中；模型训练模块调用已处理的数据并对各种模型进行训练。车辆健康状态评估调用数据并对车辆的执行任务能力进行评估。决策模块用于节点指挥的决策，其包括车辆监控模块、任务规划辅助模块和车辆配置优化模块。分队健忘康管理系统还包括输入输出接口24，其用于数据输出也用于输入指令等。分队健康管理系统还包括通信单元23，其用于与车辆、上级系统等进行通信，所述通信为保密通信。分队健忘康管理系统还包括显示器22，模型训练模块、执行任务能力评估模块、优化模块等的执行过程及最终结果均可以显示器22上显示，以便于操作员观察。
图5是本发明提供的车辆系统的硬件组成框图，如图5所示，车辆系统包括通过总线连接的多个传感器,如火控传感器15、动力传感器16等，将它们布置为车辆分队健康管理架构的状态感知层，用于获取车辆各子系统的状态数据，并将状态数据通过总线传送给存储器11。车辆系统还包括处理器10和存储器11,存储器11包括数据库,其用于存储状态感知层发送来的数据以及已训练的子系统级诊断推理模型、子系统级预测推理模型和子系统级异常检测模型，处理器10调用这些模型并根据存储器存储的状态感知层发送来的各子系统的状态数据以实现子系统级诊断推理模块、系统级预测推理模块和子系统级异常检测模块的功能。子系统级诊断推理模块、子系统级预测推理模块、子系统级异常检测模块和数据库形成子系区域管理层，该层还包括集成模块，其将状态感知层发送来的数据及子系统级诊断推理模块、系统级预测推理模块、子系统级异常检测模块对数据的处理结果以树形结构存储于数据库，树的每个节点包括编码、标签和时间截。本发明中，存储器11中还存储已训练的车辆级诊断推理模型、车辆级级预测推理模型和车辆性能评估模型，处理器调用这些模型并对存储器存储的子系统区域管理层发送来的数据以实施以实现车辆级诊断推理模块、车辆级预测推理模块和车辆性能评估模块的功能。车辆健康管理层还包括集成模块，其将车辆级诊断推理模块、车辆级预测推理模块和性能评估模块的处理数据添加的树结构中形成数据树，而后通过输入输出接口14输出，也用于通过通信单元13发送能分队健康管系统。本发明中，子系统级诊断推理模块、子系统级预测推理模块、子系统级异常检测模块、车辆级诊断推理模块、车辆级预测推理模块、车辆性能评估模块对输入数据的处理结果可通过车辆的显示器进行显示以供车辆人员进行观察。
本发明中，作为硬件一个或多个处理器可以实现为一个或多个微处理器、微型计算机、微控制器、数字信号处理器、中央处理单元、逻辑电路和/或基于操作指令操纵信号的任何设备。处理器被配置成获取并执行存储在存储器中的计算机可读指令。软件系统可以在各种计算系统中实现，诸如膝上型计算机、笔记本、手持设备、工作站、大型计算机、服务器、网络云等。输入输出(I/O)接口可以包括各种软件和硬件接口，例如，其可连接打印机、键盘、U盘、网络、电缆、鼠标等。通信单元被配置为通过无线网(诸如WLAN、蜂窝或卫星)与其它设备进行通信。显示器用于与用户进行可视交互。
图6是本发明提供的车辆子系统配置优化的工作流程图,如图6所示，所述方法包括：S01:建立初始矩阵：获取分队车辆中K个子系统中每个子系统J个配置值，建立初始矩阵:
Figure BDA0002925815140000091
矩阵中的元素fkj表示第k个子系统的第j个配置值；
S02；子系统初始权重计算:a)对配置值进化归一化处理,构建归一化矩阵:
Figure BDA0002925815140000092
矩阵中,任一元素表示为qkj,k＝1,2,…K,j＝1,2,…J；
Figure BDA0002925815140000101
b)计算子系统k的初始权重：
Figure BDA0002925815140000102
S03：对初始权重进行修正：
a)人工智能模块对K个子系统对车辆技术质量指标的贡献度进行比较,构造贡献向量：
Figure BDA0002925815140000103
c)根据贡献度确定最终权重：
Figure BDA0002925815140000104
S04：确定最佳匹配值：
a)构建加权规范化矩阵：
Figure BDA0002925815140000105
矩阵中任一元素表示为:vkj＝xkqkj
b)求加权规范化矩阵中每行元素中的最大值和最小值：
Figure BDA0002925815140000106
c)计算加权规范化矩阵中每行中的元素与最大值和最小值的欧氏距离：
Figure BDA0002925815140000111
d)计算加权规范化矩阵中每行元素的排序因子：
Figure BDA0002925815140000112
e)根据排序因子的大小，对各子系统配置值进行优劣排序，取γj最大的子系统健康状态测量值作为最优的匹配值。
基于车辆子系统的配置，通常在分队健康管理层实施，当根据指标值对车辆匹配好后，车辆投入使用以完成任务。此时，车辆感知层中的传感器分别监控并量测各子系统，并将各传感器将测量值分别传送给子系统区域管理层，子系统区域管理层根据传感器传送的数据采用图8的流程对各子系统进行诊断推理，采用图9的流程对各子系统寿命预测。
图7是本发明提供的人工智能诊断推理模块工作流程图本；图8是本发明采用的神经网络模型，如图7-8所示，诊断推理方法包括：学习步骤：学习车辆子系统发生故障时各种故障值作为神经元组成二维图，所述故障值包括：用于确定电源电气系统性能的电流值、电压值，用于确定发动机性能和传动系统的电动机转子角速度值，用于确定行动系统能力的燃油剩余值的液位值；用于确定观察系统的灰度、亮度等。本发明中，学习(训练)步骤通常在车辆健康管理层内实施，在车辆健康管理层内，通过已发生故障的子系统的测量数据和故障值建立诊断推理模型，并将已学习(或已训练)的诊断推理模型发送给车辆。
计算步骤：计算车辆的子系统测量值与二维图中神经元之间的相似度，所述子系统测量值发动机测量值、传动系统测量值、传动系统测量值、行动系统测量值、电源电气系统测量值、观察系统测量值、灭火抑爆系统测量值、三防系统测量值、强光防御系统测量值、定位系统配置值和作业系统测量值、燃油剩余量测量值、弹药剩余量测量值及为维持它们所需费用；测量值由感知层的传感器量测确定；
推定步骤：在二维图中的多个神经元中确定相似度最大的神经元，将相似度最大的神经元对应的故障推定为车辆子系统的故障。
更具体地，将车辆子系统测量值作为输入层，将与规定的车辆子系统故障值作为输出层的神经元并组成二维阵列，所述输入层的输入节点和输出层的输出节点用可以变权重ωjk全连接；其中j＝1,2,...,J，J为输入节点数；k＝1,2,…,K，K为输出节点数，而后执行如下步骤：
S01：初始化步骤：对模糊聚类神经网络进行初始化以初始化权重，确定初始学习值η0和总的学习次数T；
S02：距离计算步骤：计算输入向量
Figure BDA0002925815140000121
与输出层神经元权重之间的权重dk：
Figure BDA0002925815140000122
S03：神经元选择步骤：将与输入向量F距离最小的输出层的神经元ymin作为最优匹配神经元；
S04：权重调整步骤：通过下式调整神经元ymin在其邻域内Ac内包含的节点权值系数：
ωjk(t)＝fjk(t-1)+ηn(fj-ωjk(t-1)) (12)
Figure BDA0002925815140000123
式中，ωjk(t)为当前次t输出的权重，ωjk(t-1)为前次输出的权重；
S05：判断是否达到学习次数T，若没有重复S02-S04步；若达到，输出最终的最优竞争神经元，最优竞争神经元即为子系统对应的故障。
根据本发明另一实施例，还提供一种诊断推理模块，其包括学习模块：被配置为学习车辆子系统发生故障时各种故障值作为神经元组成二维图，所述故障值包括：用于确定电源电气系统性能的电流值、电压值，用于确定发动机性能和传动系统的电动机转子角速度值，用于确定行动系统能力的燃油剩余值的液位值；用于确定观察系统的灰度、亮度等；
计算模块：被配置为计算车辆的子系统测量值与二维图中神经元之间的相似度，所述子系统测量值发动机测量值、传动系统测量值、传动系统测量值、行动系统测量值、电源电气系统测量值、观察系统测量值、灭火抑爆系统测量值、三防系统测量值、强光防御系统测量值、定位系统配置值和作业系统测量值、燃油剩余量测量值、弹药剩余量测量值及为维持它们所需费用；测量值由感知层的传感器量测确定；
推定模块：被配置为在二维图中的多个神经元中相似度最大的神经元，将相似度最大的神经元对应的故障推定为车辆子系统的故障。
更具体地，人工智能诊断模模块将子系统测量值作为输入层，将与规定的车辆子系统故障值作为输出层的神经元并组成二维阵列，所述输入层的输入节点和输出层的输出节点用可以变权重ωjk全连接；其中j＝1,2,...,J，J为输入节点数；k＝1,2,…,K，K为输出节点数，具体包括：
初始化模块：被配置为对模糊聚类神经网络进行初始化以初始化权重，确定初始学习值η0和总的学习次数T；
距离计算模块：根据式(11)计算输入向量
Figure BDA0002925815140000141
与输出层神经元权重之间的权重dk；
神经元选择模块：被配置为将与输入向量F距离最小的输出层的神经元ymin作为最优匹配神经元；
权重调整模块：被配置为通过式(12)和式(13)调整神经元ymin在其邻域内Ac内包含的节点权值系数：
判断模块，被配置为判断是否达到学习次数T，若没有重复执行距离计算模块、神经元选择模块和权重调整模块；若达到，输出最终的最优竞争神经元，最优竞争神经元即为子系统对应的故障。
图9是本发明提供的装备剩余寿命人工智能预测模块的工作流程图。如图9所示，人工智能预测模块优选包括输入层1401、编码层1402、输出层1403和模型优化层1404。
在训练阶段中，输入层输入车辆子系统测量值的二进制序列
S＝[s1,…si,…sn]； (14)
编码层中第zt神经元与输入层输入的二进制序列用下函数关系表示：
zt＝fen(S,W) (15)
式中W为编码层的网络参数；
输出层输出的目标量由下式表示：
y＝[y1,…yj,…yK]∈{0,1}K (16)
式中，
Figure BDA0002925815140000142
r为剩余使用寿命；
Figure BDA0002925815140000143
ru为装备工作寿命，c时间间隔；
输出层输出的目标量估计值与编码层的神经元为：
Figure BDA0002925815140000151
式中，Z＝[z1,…zt,…zT]，Wc和bc为从编码层匹配到输出层目标估计值的参数；T为编码层中每层的神经元数量；
模型优化层通过使
Figure BDA0002925815140000152
最小以进行反复学习，从而优化函数fen和σ。
本发明中，学习阶段的学习训练通常在车辆健康管理层内实施，在车辆健康管理层内，通过已发生故障的子系统的测量数据和子系统的寿命值建立寿命预测推理模型，并将已学习(或已训练)的寿命预测推理模型发送给车辆系统。
在预测阶段，输入层输入二进制序列X′＝[x′1,…x′i,…x′n]；
编码层中第zt神经元与输入层输入的二进制序列用下函数关系表示：
zt＝fen(X′,W) (18)
式中W为编码层的网络参数；
输出层输出的目标量估计值与编码层的神经元向量关系Z表示为：
Figure BDA0002925815140000153
装备剩余寿命确定模块根据下式确定装备的装备剩余寿命
Figure BDA0002925815140000154
Figure BDA0002925815140000155
其中K′＜K，
Figure BDA0002925815140000156
T为装备已工作时间。
本发明提供的性能评性能评估由车辆健康管理层的性能评估模块实施，性能评估模块包括输入层、第一神经网络层、第二神经网络层、第三神经网络层和输出层，其中，输入层将将车辆各子系统的剩余寿命量组成第一向量为：
Figure BDA0002925815140000161
第一神经网络层对第一向量中的第i个元素进行处理形成第二向量为：
Figure BDA0002925815140000162
其中，
Figure BDA0002925815140000163
式中：
Figure BDA0002925815140000164
分别为函数中心和带宽；i＝1,2,…,N，j＝1,2,…,J，J为对第一神经网络层对第i个元素变换的数目，
Figure BDA0002925815140000165
为可变权重，
Figure BDA00029258151400001612
为初始权重，N为训练次数；
第二神经网络层对第二向量进行处理形成第三向量为：
Figure BDA0002925815140000166
式中，
Figure BDA0002925815140000167
Figure BDA0002925815140000168
β为常数；(23)
第三神经网络层对第三向量进行处理形成第四向量为：
Figure BDA0002925815140000169
其中，
Figure BDA00029258151400001610
式中，
Figure BDA00029258151400001611
为第三神经网络层和第二神经网络层之间的权重；k＝1,…,N3，N3为第三神经网络层神经元数目；
输出层输出车辆的第i个子系统能力值为：
Figure BDA0002925815140000171
式中：
Figure BDA0002925815140000172
为输出层和第三神经网络层之间的权重。
本发明虽然以子系统级诊断推理模块、预测推理模块的实施为例进行了说明，但是对车辆级诊断推理模块、预测推理模块的实施可以采用类似的方法进行。
本发明虽然以一个分队配置的车辆及对车辆的发优化管理为例进行说明，但明并不限于一个分队的情况，其可以层层向上延伸和向下延伸。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (3)

1.一种分层融合式车辆分队健康管理系统架构，其特征在于,车辆分队至少包括分队管理系统和第1到第N个车辆,车辆上配置有车辆系统,车辆系统至少包括配置于车辆的状态感知层、功能子系统区域管理层和车辆系统健康管理层,分队管理系统配置于数字化车场的分队健康管理层，其中，状态感知层用于测量车辆各子系统的健康状态参数；功能子系统区域管理层被配置于车辆各子系统中，至少用于根据各子系统的健康状态参数及各子系统的已经训练的神经网络模型对各子系统进行异常检测、预测推理和诊断推理，并将检测数据以及异常检测、预测推理和诊断推理的结果以树形结构存储于数据库；车辆系统健康管理层调用功能子系统区域管理层存储的数据并根据车辆的已经训练的模型对整车进行性能评估、预测推理和诊断推理，将整车的异常检测、预测推理和诊断推理数据加到树结构中形成完整的数据树，将完整的数据树发送给分队健康管理层；分队健康管理层包括地面系统，地面系统包括至少用于根据车辆系统健康管理层发送来的数据树对车辆及其各子系统进行数据管理、执行任务能力评估和对神经网络模型训练,神经网络模型训练由模型训练模块在地面系统实施，模型训练模块包括第一数据输入模块和训练模块，第一数据输入模块被配置为获取一个或多个子系统和/或车辆的第一时间序列数据，训练模块被配置为根据第一时间序列数据对模型进行训练,性能评估由车辆健康管理层的性能评估模块实施，性能评估模块包括输入层、第一神经网络层、第二神经网络层、第三神经网络层和输出层，其中，输入层将车辆各子系统的剩余寿命组成第一向量为：
Figure FDA0003450094730000011
车辆各子系统的剩余寿命
Figure FDA0003450094730000012
通过下式计算：
Figure FDA0003450094730000021
其中，
Figure FDA0003450094730000022
T为子系统已工作时间；
Figure FDA0003450094730000023
为人工智能预测模块输出层输出的目标量估计值,c为时间间隔,ru为子系统工作寿命；
第一神经网络层对第一向量中的第i个元素进行处理形成第二向量为：
Figure FDA0003450094730000024
其中，
Figure FDA0003450094730000025
式中：
Figure FDA0003450094730000026
Figure FDA0003450094730000027
分别为函数中心和带宽；i＝1,2,…,N，j＝1,2,…,J，J为对第一神经网络层对第i个元素变换的数目，
Figure FDA0003450094730000028
为可变权重，
Figure FDA0003450094730000029
为初始权重，N为训练次数；
第二神经网络层对第二向量进行处理形成第三向量为：
Figure FDA00034500947300000210
式中，
Figure FDA00034500947300000211
Figure FDA00034500947300000212
β为常数,
Figure FDA00034500947300000213
为常数；
第三神经网络层对第三向量进行处理形成第四向量为：
Figure FDA00034500947300000214
其中，
Figure FDA00034500947300000215
式中，
Figure FDA00034500947300000216
为第三神经网络层和第二神经网络层之间的权重；k＝1,…,N3，N3为第三神经网络层神经元数目；
输出层输出车辆的第i个子系统能力值为：
Figure FDA0003450094730000031
式中：
Figure FDA0003450094730000032
为输出层和第三神经网络层之间的权重。
2.根据权利要求1所述的分层融合式车辆分队健康管理系统架构，其特征在于，功能子系统区域管理层的预测推理由预测推理模块实施，预测推理模块至少包括第二数据输入模块和推理模块，第二数据输入模块被配置为通过状态感知层中的传感器获取各子系统健康状态参数的第二时间序列数据；推理模块被配置为调用已训练的神经网络模型，并根据第二时间序列数据对子系统进行故障推理。
3.根据权利要求2所述的分层融合式车辆分队健康管理系统架构，其特征在于，推理模块包括学习模块、计算模块、区域确定模块和推定模块,其中，学习模块被配置为学习车辆子系统发生故障时各种故障值作为神经元组成二维图；计算模块被配置为计算车辆的子系统测量值与二维图中神经元之间的相似度；区域确定模块被配置为确定对应于故障值的多个神经元区域；推定模块被配置为在二维图中的多个神经元区域中分别确定相似度最大的神经元，将相似度最大的神经元对应的故障推定为车辆子系统的故障。
CN202110133495.5A 2021-01-31 2021-01-31 一种分层融合式车辆分队健康管理系统架构 Active CN112785183B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110133495.5A CN112785183B (zh) 2021-01-31 2021-01-31 一种分层融合式车辆分队健康管理系统架构

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110133495.5A CN112785183B (zh) 2021-01-31 2021-01-31 一种分层融合式车辆分队健康管理系统架构

Publications (2)

Publication Number Publication Date
CN112785183A CN112785183A (zh) 2021-05-11
CN112785183B true CN112785183B (zh) 2022-04-05

Family

ID=75760223

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110133495.5A Active CN112785183B (zh) 2021-01-31 2021-01-31 一种分层融合式车辆分队健康管理系统架构

Country Status (1)

Country Link
CN (1) CN112785183B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113379390B (zh) * 2021-06-23 2023-10-27 沈阳顺义科技有限公司 一种战车分队健康管理装置
CN113434329B (zh) * 2021-08-27 2022-02-15 深圳市信润富联数字科技有限公司 设备故障诊断与健康管理系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107589695A (zh) * 2017-09-12 2018-01-16 中国中车股份有限公司 一种列车组故障预测与健康管理系统
CN107600110A (zh) * 2017-09-12 2018-01-19 中国中车股份有限公司 一种车载列车组故障预测与健康管理系统
CN110795309A (zh) * 2019-10-29 2020-02-14 中国科学院微小卫星创新研究院 一种用于微小卫星的层次化软件健康管理方法和系统
CN111751117A (zh) * 2020-04-10 2020-10-09 中国人民解放军92228 部队 一种特种车辆健康状态评估方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8346429B2 (en) * 2007-11-26 2013-01-01 Honeywell International Inc. Vehicle health monitoring system architecture for diagnostics and prognostics disclosure

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107589695A (zh) * 2017-09-12 2018-01-16 中国中车股份有限公司 一种列车组故障预测与健康管理系统
CN107600110A (zh) * 2017-09-12 2018-01-19 中国中车股份有限公司 一种车载列车组故障预测与健康管理系统
CN110795309A (zh) * 2019-10-29 2020-02-14 中国科学院微小卫星创新研究院 一种用于微小卫星的层次化软件健康管理方法和系统
CN111751117A (zh) * 2020-04-10 2020-10-09 中国人民解放军92228 部队 一种特种车辆健康状态评估方法及装置

Also Published As

Publication number Publication date
CN112785183A (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
Ranasinghe et al. Advances in Integrated System Health Management for mission-essential and safety-critical aerospace applications
CN108304661B (zh) 基于tdp模型的诊断预测方法
CN110807257A (zh) 航空发动机剩余寿命预测方法
CN112785183B (zh) 一种分层融合式车辆分队健康管理系统架构
CN109685366A (zh) 基于异变数据的装备健康状态评估方法
CN107133253A (zh) 基于预测模型的推荐
CN105096053A (zh) 一种适用于复杂工艺系统的健康管理决策方法
US11396825B2 (en) Turbine diagnostic feature selection system
CN107808169B (zh) 一种航天多阶段任务系统可靠性评估方法和系统
CN105825271A (zh) 基于证据推理的卫星故障诊断与预测方法
Veshneva et al. Increasing the safety of flights with the use of mathematical model based on status functions
RU2431175C1 (ru) Система интегрированного контроля работы бортового оборудования летательного аппарата
CN115114128A (zh) 一种卫星健康状态评估系统及评估方法
CN114675742A (zh) 一种面向高度自动驾驶的人机决策逻辑在线校验方法
Li et al. Civil aircraft health management research based on big data and deep learning technologies
CN113742195B (zh) 一种基于贝叶斯神经网络的系统健康状态预测方法
CN108827671A (zh) 一种机械设备故障诊断方法
CN112785074B (zh) 一种基于深度学习的装备维护修理时机确定系统及方法
CN112926836A (zh) 一种基于健康状态的分队作战任务匹配方法
Li et al. Method for predicting failure rate of airborne equipment based on optimal combination model
CN112884210B (zh) 一种基于模糊聚类的车辆健康管理系统
CN106650945B (zh) 一种基于证据合成理论的软件体系结构安全性评估方法
Lyu et al. Examination on avionics system fault prediction technology based on ashy neural network and fuzzy recognition
Nordmann et al. Neural network forecasting of service problems for aircraft structural component groupings
CN114995355A (zh) 一种基于多智能体的拖拉机电气系统故障诊断方法

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