CN114139274A - 一种健康管理系统 - Google Patents
一种健康管理系统 Download PDFInfo
- Publication number
- CN114139274A CN114139274A CN202111229353.5A CN202111229353A CN114139274A CN 114139274 A CN114139274 A CN 114139274A CN 202111229353 A CN202111229353 A CN 202111229353A CN 114139274 A CN114139274 A CN 114139274A
- Authority
- CN
- China
- Prior art keywords
- module
- fault
- failure
- data
- monitoring
- 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.)
- Pending
Links
- 230000036541 health Effects 0.000 title claims abstract description 67
- 238000007726 management method Methods 0.000 claims abstract description 59
- 238000012544 monitoring process Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 230000015556 catabolic process Effects 0.000 claims abstract description 20
- 238000006731 degradation reaction Methods 0.000 claims abstract description 20
- 238000007405 data analysis Methods 0.000 claims abstract description 19
- 238000011084 recovery Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims abstract description 11
- 238000013461 design Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000003745 diagnosis Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 230000005693 optoelectronics Effects 0.000 claims abstract description 5
- 230000000712 assembly Effects 0.000 claims abstract description 4
- 238000000429 assembly Methods 0.000 claims abstract description 4
- 238000003384 imaging method Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 31
- 238000010586 diagram Methods 0.000 claims description 17
- 238000012423 maintenance Methods 0.000 claims description 17
- 238000012502 risk assessment Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 11
- 238000002955 isolation Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000000903 blocking effect Effects 0.000 claims description 4
- 230000003750 conditioning effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- 238000013523 data management Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000003657 Likelihood-ratio test Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000013031 physical testing Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000007704 transition Effects 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种健康管理系统,包括光电系统状态监控模块、功能检测模块、故障监测和管理模块、异常容忍模块、状态切换和恢复模块、失效可靠性分析模块、寿命数据分析模块、退化数据分析模块、概率风险评估模块、诊断自动化设计模块及寿命预测模块;光电系统状态监控模块采用基于系统识别的方法,将结构训练数据生成系统模型估计冲击力和位置,用于结构健康监控;功能检测模块用于对各成像传感器组件、电机驱动器、控制器的工作状态、参数和故障情况进行监控。本发明可实时对系统的健康状态进行自动采集、处理,进行统一的健康数据管理。
Description
技术领域
本发明涉及一种健康管理系统,属于机载光电系统技术领域。
背景技术
系统健康管理SHM的定义是:系统具有维持自身正常功能的能力,也即系统在受到干扰条件下,具有维持、预防、检测、诊断、应对和恢复的能力。系统健康管理和可靠性紧密相连又有所不同可靠性是指系统正常工作的能力,包括定量和定性的设计和操作、故障预防和容错。光电系统健康管理技术的发展经历几个阶段:
(1)因提高安全性的需求,使得健康和使用监测系统(HUMS)发展;HUMS既是数据记录仪,获取飞行小时数据,以确保基于使用的维护按照既定程序进行;HUMS还具有基本的监控子系统和组件健康的能力,之后从传统的以时间和使用为基础的维护策略,过渡到基于状态的维修(CBM)策略;
(2)由于定期维护需要大量人力成本且带来很大工作量,加上人为错误,系统健康管理技术向视情维护方法过渡,精确检测通常需要定期大修和更换的平台上的主要元件的健康状况;
(3)视情维护+是一种积极的设备维护能力,通过使用系统健康指示,能在事故发生前预测功能性故障,并采取适当行动;而传统的以可靠性为中心的视情维护,是在故障发生后对其进行监控。
系统健康管理的主要变化就是在数据融合和决策中,维护的计划过程、系统操作的自动化水平的提高,在无人干预的情况下检测故障并作出反应的能力成为提高自动化水平的关键。最新的系统健康管理可实现视情维护和视情维护+,甚至自动安排维修进程。
由于载机所处场景复杂、周围环境恶劣、任务形式复杂多样,系统内部分(子)系统的健康运行才能为精确复杂的任务做好基础保障。因此对机载光电系统进行及时的状态监测、故障检测、失效预报、寿命预测、险情处理显得至关重要。除了满足功能要求外,系统健康管理的系统必须经过认证才能在设计的环境中可靠运行。
传统的健康管理系统和方法存在以下几点问题:
1)当装备维护部门需要提高对机载光电系统的健康状态管理效率,需要实时对系统的健康状态进行远程自动采集、处理,进行统一的健康数据管理,传统的健康管理系统缺乏功能支撑;
2)对失效机理研究不够深入,对故障处理过于简单,对概率风险评估不足,对寿命预测功能需要增加;
3)软硬件开发升级能力有待提高,对各个子系统、组件的兼容性和扩展性有待增强;
4)对软件失效和故障处理的研究不足,软件的问题来源于设计缺陷、编码以及测试,软件运行失效对系统产生负面影响。
发明内容
本发明解决的技术问题是:克服现有技术的不足,提出一种健康管理系统,实现更好的功能支撑,提高概率风险评估能力。
本发明解决技术的方案是:
一种健康管理系统,包括光电系统状态监控模块、功能检测模块、故障监测和管理模块、异常容忍模块、状态切换和恢复模块、失效可靠性分析模块、寿命数据分析模块、退化数据分析模块、概率风险评估模块、诊断自动化设计模块及寿命预测模块;
光电系统状态监控模块采用基于系统识别的方法,将结构训练数据生成系统模型估计冲击力和位置,用于结构健康监控;
功能检测模块用于对各成像传感器组件、电机驱动器、控制器的工作状态、参数和故障情况进行监控;
故障监测和管理模块根据传感器、信号调理、数据转换、数据处理的信息评估该健康管理系统的状态,健康管理系统实时验证传感器的读数并诊断传感器的故障;
当出现三类或四类故障时,异常容忍模块将相关的非关键性功能中止,以满足安全反应需求;
状态切换和恢复模块:状态切换通过状态监控触发冗余器件和备份单元的切换,以应对主用件失效后迅速接替工作;状态恢复采用手动或自动看门狗定时器,实现检测和从非灾难性失效中恢复;
失效可靠性分析模块:对电气子系统或部件的内部故障检测、隔离和恢复记忆系统处于正常工作模式、备用模式、诊断模式、故障模式下,分析计算系统、子系统和组件的最低、标称和最大功率消耗;
寿命数据分析模块:采用极大似然法评估分布分位数和失效概率,以确定元件、可更换元件的失效时间以及可维修系统的首次失效时间;
退化数据分析模块:将物理退化当做时间函数测量,将实际的物理退化通过产品性能退化的数据测量;
概率风险评估模块:通过关联任务事件树,确定导致意外事件发生的不同场景的概率;
诊断自动化设计模块:对健康管理系统的执行器模型参数和基础参数之间差异进行诊断,实现故障隔离;
寿命预测模块:通过寿命的概率密度模型,实现对电子器件及结构件寿命的预则。
进一步的,故障监测和管理的方法为:
物理冗余,在传感器网络中部署二至四层物理冗余,基于投票和中值计算选择方案;
解析冗余,传感器故障解析包括:广义似然比,多模型、扩展和迭代扩展的卡尔曼滤波,序贯概率似然比检验以及广义的可能性测试,以连续检测传感器的测量状态,当传感器发生故障时,输出信号偏离了来自产生残差评估计划的在线或离线预测值,在单个或多个时间段,当残差超过一定阈值,说明传感器存在故障;
通过神经网络训练,健康管理系统在线学习和识别传感器的各种故障,传感器信号完全丢失的硬故障和产生漂移的软故障,并由在线学习的物理模型对失效的传感器数据进行调节。
进一步的,故障的处理方法包括:故障阻止、故障移除、故障容错和输入序列工作区。
进一步的,退化数据分析方法为:
(1)对于元件i,样本的路径数据为(ti1,yi1),……,(tim,yim),求函数betai=(beta0i,beta1i)的极大似然估计值;
(2)计算伪失效时间;
(3)对于每个样本路径,重复以上步骤获得伪失效时间t1,……,tn;
(4)对数据t1,……,tn进行单分布分析求得估计值F(t)。
进一步的,概率风险评估方法为:
(1)初始事件主逻辑图识别和分类所有能够导致意外时间发生的危险事故;
(2)建立时间性和功能性任务事件树;
(3)建立故障树和事件序列图并与任务事件树关联;
(4)收集数据量化事故场景和事故结果,包括元件的失效率数据、维修时间数据、初始事件概率、检查概率的审查失效、结构失效概率、人为错误概率、过程失效概率、常规原因的失效概率;
(5)通过概率风险评估模块将事件顺序表和故障树与任务事件树进行逻辑关联,进行事件识别、自动分类、优化排列事件;通过关联任务事件树,确定导致意外事件发生的不同场景的概率。
进一步的,还包括远程数据处理模块,将健康管理系统产生的健康日志信息远程传输给地面保障工作站,用于对信息进行监视和控制。
本发明与现有技术相比的有益效果是:
(1)本发明可实时对系统的健康状态进行自动采集、处理,进行统一的健康数据管理;
(2)本发明深入研究失效机理,进行故障处理与容错处理,评估概率风险,增加寿命预测功能;
(3)本发明嵌入式实时多核多任务系统支撑健康管理软硬件升级。
附图说明
图1为本发明系统组成图;
图2为本发明功能框图;
图3为本发明传感器处理框架;
图4为本发明传感器数据驱动策略流程图;
图5为本发明用于冲击监测的结构健康监控的嵌入式流程;
图6为本发明在线诊断流程。
具体实施方式
下面结合实施例对本发明作进一步阐述。
一种健康管理系统,如图1所示,包括光电系统状态监控模块、功能检测模块、故障监测和管理模块、异常容忍模块、状态切换和恢复模块、失效可靠性分析模块、寿命数据分析模块、退化数据分析模块、概率风险评估模块、诊断自动化设计模块及寿命预测模块;
光电系统状态监控模块采用基于系统识别的方法,将结构训练数据生成系统模型估计冲击力和位置,用于结构健康监控;
功能检测模块用于对各成像传感器组件、电机驱动器、控制器的工作状态、参数和故障情况进行监控;
故障监测和管理模块根据传感器、信号调理、数据转换、数据处理的信息评估该健康管理系统的状态,健康管理系统实时验证传感器的读数并诊断传感器的故障;
当出现三类或四类故障时,异常容忍模块将相关的非关键性功能中止,以满足安全反应需求;
状态切换和恢复模块:状态切换通过状态监控触发冗余器件和备份单元的切换,以应对主用件失效后迅速接替工作;状态恢复采用手动或自动看门狗定时器,实现检测和从非灾难性失效中恢复;
失效可靠性分析模块:对电气子系统或部件的内部故障检测、隔离和恢复记忆系统处于正常工作模式、备用模式、诊断模式、故障模式下,分析计算系统、子系统和组件的最低、标称和最大功率消耗;
寿命数据分析模块:采用极大似然法评估分布分位数和失效概率,以确定元件、可更换元件的失效时间以及可维修系统的首次失效时间;
退化数据分析模块:将物理退化当做时间函数测量,将实际的物理退化通过产品性能退化的数据测量;
概率风险评估模块:通过关联任务事件树,确定导致意外事件发生的不同场景的概率;
诊断自动化设计模块:对健康管理系统的执行器模型参数和基础参数之间差异进行诊断,实现故障隔离;
寿命预测模块:通过寿命的概率密度模型,实现对电子器件及结构件寿命的预则。
故障监测和管理的方法为:
物理冗余,在传感器网络中部署二至四层物理冗余,基于投票和中值计算选择方案;
解析冗余,传感器故障解析包括:广义似然比,多模型、扩展和迭代扩展的卡尔曼滤波,序贯概率似然比检验以及广义的可能性测试,以连续检测传感器的测量状态,当传感器发生故障时,输出信号偏离了来自产生残差评估计划的在线或离线预测值,在单个或多个时间段,当残差超过一定阈值,说明传感器存在故障;
通过神经网络训练,健康管理系统在线学习和识别传感器的各种故障,传感器信号完全丢失的硬故障和产生漂移的软故障,并由在线学习的物理模型对失效的传感器数据进行调节。
故障的处理方法包括:故障阻止、故障移除、故障容错和输入序列工作区。
退化数据分析方法为:
(1)对于元件i,样本的路径数据为(ti1,yi1),……,(tim,yim),求函数betai=(beta0i,beta1i)的极大似然估计值;
(2)计算伪失效时间;
(3)对于每个样本路径,重复以上步骤获得伪失效时间t1,……,tn;
(4)对数据t1,……,tn进行单分布分析求得估计值F(t)。
概率风险评估方法为:
(1)初始事件主逻辑图识别和分类所有能够导致意外时间发生的危险事故;
(2)建立时间性和功能性任务事件树;
(3)建立故障树和事件序列图并与任务事件树关联;
(4)收集数据量化事故场景和事故结果,包括元件的失效率数据、维修时间数据、初始事件概率、检查概率的审查失效、结构失效概率、人为错误概率、过程失效概率、常规原因的失效概率;
(5)通过概率风险评估模块将事件顺序表和故障树与任务事件树进行逻辑关联,进行事件识别、自动分类、优化排列事件;通过关联任务事件树,确定导致意外事件发生的不同场景的概率。
还包括远程数据处理模块,将健康管理系统产生的健康日志信息远程传输给地面保障工作站,用于对信息进行监视和控制。
实施例
硬件采用多核处理器(如FT-2000/4)最小系统模块及外部硬件;嵌入式实时操作系统采用ReWorks或VxWorks,机载设备需采用满足ARINC653标准的操作系统,如天脉系统或VxWorks653系统;健康管理软件应用层包括机载光电系统状态监控、功能检测、故障监测和管理、异常容忍与容错、失效预测与响应、状态切换和恢复、失效可靠性分析、寿命数据分析、退化数据分析、概率风险评估、诊断自动化设计、寿命预测、维护信息生成、远程数据处理、远程命令响应。健康管理系统的功能框图如图2所示。软件应用层框图如图1所示。
系统的数据通信内容包括:数据编排格式、包装、采样率、信号速率、带宽利用、编码、误差检测和误差校正。系统的通信方式包括:无线电频段,MIL-STD-1553B数据总线,IEEE 1394火线,USB通用串行总线,RS-422,RS-485,RS-232数据总线,CAN总线,I2C总线,IPMB总线,SRIO总线,光纤光缆,T型(T1、T2和T3电缆),音频/视频电缆,以太网Cat5/Cat6/Cat7电缆
(10BASE_T/100BASE_TX/1000BASE_T/1000BASE_TX/10GBASE_T)。系统模拟传感器包括热电偶、压力传感器、电位计、加速度计、电压表、电流表、位置、水平探测器、流量计,这些传感器组成系统架构中的传感器网络。
故障监测和管理:健康管理系统依靠来自传感器、信号调理、数据转换、数据处理的信息来评估该系统的状态。系统实时验证传感器的读数并诊断传感器的故障。传感器故障的检测、隔离和调节方法如下:
1)物理冗余,在传感器网络中部署二到四层物理冗余,然后基于投票和中值计算选择方案;
2)解析冗余,传感器故障解析技术包括:广义似然比,多模型、扩展和迭代扩展的卡尔曼滤波,序贯概率似然比检验、广义的可能性测试;这些技术可连续检测传感器的测量状态,由于系统和测量噪声的存在,信号通道产生一定的不确定性,但也遵循一些已知的模式,当传感器发生故障时,输出信号偏离了来自产生残差评估计划的在线或离线预测值,在单个或多个时间段,当残差超过一定阈值,就说明传感器存在故障;
3)通过神经网络训练方法,系统能在线学习和识别传感器的各种故障,如硬故障(传感器信号完全丢失)和软故障(漂移),并由在线学习的物理模型对失效的传感器数据进行调节。健康管理系统传感器处理框架如图3所示。传感器数据驱动策略流程图如图4所示。
失效可靠性分析模块:电气失效管理包括电气子系统或部件的内部故障检测、隔离和恢复,系统处于正常工作模式、备用、诊断、故障的模式,都分析、计算系统、子系统和组件的最低、标称和最大功率消耗。
电源管理和分配系统包括稳压器、转换器、开关、电缆和控制。电源变换器和电机失效模式如表1所示。
表1
配电开关设备和电缆失效机理如表2所示。
表2
结构健康监控采用基于系统识别的方法,将结构训练数据生成系统模型估计冲击力和位置。为进一步减少训练数据的数量,采用有限元分析,通过混合方法生成系统模型,而非使用物理测试获取训练数据。一种用于冲击检测和诊断的嵌入式设计框架如图5所示。
软件故障模式影响及危害性分析和软件故障树分析这些用于识别软件漏洞的风险分析方法,使用于软件系统。然后系统由概率风险评估改进到软件监控管理定量技术的方法。在系统运行过程中,软件故障的检测是系统健康管理的一个关键部分。软件可靠性模型计算在特定环境下、特定时间里软件无故障操作的概率。
1)首先记录系统的历史故障,包括:上次故障以来经过的时间;在固定时间的测试间隔内所发生的故障次数;
2)计算序列似然比PL、模型偏差、模型偏差趋势;
3)基于测试特性对软件漏洞内容建立漏洞模型,识别故障压力高的软件组件;
4)软件配置和故障报告系统有机结合,将每个报过的故障和源代码关联起来;
5)贝叶斯网络利用软件项目属性、质量控制度量、审计结果和软件性能用于软件可靠性的量化;
6)创建自动化工具,实现数据更新、计算失效率、支持软件故障模式及影响分析、软件故障树分析、报告生成。
健康管理系统使用的分析模型和工具包括:1)系统安全分析包括故障树分析、事件树分析和概率风险评估;2)系统失效模式及影响分析,系统可靠性预测。在线诊断技术如图6所示。
建立一个概率风险评估包括以下几个步骤:
(1)初始事件主逻辑图(IE-MLD)识别和分类所有能够导致意外时间发生的危险事故;
(2)建立时间性和功能性任务事件树;
(3)建立故障树和事件序列图并与任务事件树关联;
(4)收集数据量化事故场景和事故结果,包括元件的失效率数据、维修时间数据、初始事件概率、检查概率的审查失效、结构失效概率、人为错误概率、过程失效概率、常规原因的失效概率;
(5)通过概率风险评估软件包将事件顺序表和故障树与任务事件树进行逻辑关联,进行事件识别、自动分类、优化排列事件;
(6)通过关联的任务事件树,导致意外事件发生的不同场景的概率随之确定。
采用四种方式处理软件故障:阻止、移除、故障容错和输入序列工作区。采用三种典型方法用于软件失效容错:多版本软件、恢复模块和异常处理。防御性软件设计可以防止由异常硬件行为、异常状态、超出范围的事件、不合格的输入数据等引起的软件失效,还包括运行执行监控(软件执行、软件顺序)、阈值监控(等级感知、变化率)、数据有效性(范围检查、合理性检查、奇偶/循环冗余校验)和异常操作(重点异常、处理器异常、不可访问异常、浮点异常)等技术。异常操作允许软件处理在执行过程中检测到的不期望或不可接受的行为。异常操作通过检测软件模块并传播到专门设计响应异常操作代码的模块中。操作实例包括:忽略故障并继续运行、重试计算、丢弃输入并使用上次已知的正常数据、禁用功能并通报操作者。
当软件故障导致暂时或间歇性的系统失效时,诊断原因采用数据获取方法,特别是执行跟踪方法和状态捕获方法一起使用。
ARINC-653标准在操作系统和应用软件之间定义了通用目标应用/执行接口。根据ARINC-653标准设计的功能模块及返回代码实例如表3所示。
表3
系统可靠性预测主要分析计算系统操作成功完成的概率。机载飞行通常由五个阶段组成:起飞(to)、爬升(cl)、巡航(cr)、降落(d)和着陆(l)。整个飞行可靠性是各飞行阶段的连续可靠性(R)之积:Rf=Rto*Rcl*Rcr*Rd*Rl。3)诊断分析模型主要是对故障检测预测、故障隔离、测试策略分析。
一个元件或系统的失效时间分布由以下函数计算:累计分布函数(cdf)、概率密度函数(pdf)、残存函数(sf)、风险率函数(hf)。其中风险率函数或瞬时失效率函数
表示在很短的时间间隔内针对某一残余时间t所发生故障的趋势。当由大量数据项(n(t))在时间t时运行,那么n(t)×h(t)近似等于每单位时间发生的失效数,h(t)近似等于每单位时间处于风险的每项的失效数。
机载光电系统由串联、并联结构共同构建。拥有s个元件的串联结构要所有元件都工作时才工作,串联系统失效概率拥有s个独立元件且失效时间分布相同的系统为(F=Fi,i=1,…,S),F(t)=1-(1-F)S;对于拥有s个独立元件的串联系统,其系统风险函数为所有风险函数之和:
并联冗余用于提高光电机载系统的弱连接或关键部分的可靠性,至少由一个元件正常工作时拥有s个元件的并联结构才会工作。对于s个独立元件的系统,并联系统失效概率对于s个独立的分布相同的元件(F=Fi,i=1,…,s),F(t)=Fs。
本发明可实时对系统的健康状态进行自动采集、处理,进行统一的健康数据管理;本发明深入研究失效机理,进行故障处理与容错处理,评估概率风险,增加寿命预测功能;本发明嵌入式实时多核多任务系统支撑健康管理软硬件升级。
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。
Claims (6)
1.一种健康管理系统,其特征在于,包括光电系统状态监控模块、功能检测模块、故障监测和管理模块、异常容忍模块、状态切换和恢复模块、失效可靠性分析模块、寿命数据分析模块、退化数据分析模块、概率风险评估模块、诊断自动化设计模块及寿命预测模块;
光电系统状态监控模块采用基于系统识别的方法,将结构训练数据生成系统模型估计冲击力和位置,用于结构健康监控;
功能检测模块用于对各成像传感器组件、电机驱动器、控制器的工作状态、参数和故障情况进行监控;
故障监测和管理模块根据传感器、信号调理、数据转换、数据处理的信息评估该健康管理系统的状态,健康管理系统实时验证传感器的读数并诊断传感器的故障;
当出现三类或四类故障时,异常容忍模块将相关的非关键性功能中止,以满足安全反应需求;
状态切换和恢复模块:状态切换通过状态监控触发冗余器件和备份单元的切换,以应对主用件失效后迅速接替工作;状态恢复采用手动或自动看门狗定时器,实现检测和从非灾难性失效中恢复;
失效可靠性分析模块:对电气子系统或部件的内部故障检测、隔离和恢复记忆系统处于正常工作模式、备用模式、诊断模式、故障模式下,分析计算系统、子系统和组件的最低、标称和最大功率消耗;
寿命数据分析模块:采用极大似然法评估分布分位数和失效概率,以确定元件、可更换元件的失效时间以及可维修系统的首次失效时间;
退化数据分析模块:将物理退化当做时间函数测量,将实际的物理退化通过产品性能退化的数据测量;
概率风险评估模块:通过关联任务事件树,确定导致意外事件发生的不同场景的概率;
诊断自动化设计模块:对健康管理系统的执行器模型参数和基础参数之间差异进行诊断,实现故障隔离;
寿命预测模块:通过寿命的概率密度模型,实现对电子器件及结构件寿命的预则。
2.根据权利要求1所述的一种健康管理系统,其特征在于,故障监测和管理的方法为:
物理冗余,在传感器网络中部署二至四层物理冗余,基于投票和中值计算选择方案;
解析冗余,传感器故障解析包括:广义似然比,多模型、扩展和迭代扩展的卡尔曼滤波,序贯概率似然比检验以及广义的可能性测试,以连续检测传感器的测量状态,当传感器发生故障时,输出信号偏离了来自产生残差评估计划的在线或离线预测值,在单个或多个时间段,当残差超过一定阈值,说明传感器存在故障;
通过神经网络训练,健康管理系统在线学习和识别传感器的各种故障,传感器信号完全丢失的硬故障和产生漂移的软故障,并由在线学习的物理模型对失效的传感器数据进行调节。
3.根据权利要求2所述的一种健康管理系统,其特征在于,故障的处理方法包括:故障阻止、故障移除、故障容错和输入序列工作区。
4.根据权利要求1所述的一种健康管理系统,其特征在于,退化数据分析方法为:
(1)对于元件i,样本的路径数据为(ti1,yi1),……,(tim,yim),求函数betai=(beta0i,beta1i)的极大似然估计值;
(2)计算伪失效时间;
(3)对于每个样本路径,重复以上步骤获得伪失效时间t1,……,tn;
(4)对数据t1,……,tn进行单分布分析求得估计值F(t)。
5.根据权利要求1所述的一种健康管理系统,其特征在于,概率风险评估方法为:
(1)初始事件主逻辑图识别和分类所有能够导致意外时间发生的危险事故;
(2)建立时间性和功能性任务事件树;
(3)建立故障树和事件序列图并与任务事件树关联;
(4)收集数据量化事故场景和事故结果,包括元件的失效率数据、维修时间数据、初始事件概率、检查概率的审查失效、结构失效概率、人为错误概率、过程失效概率、常规原因的失效概率;
(5)通过概率风险评估模块将事件顺序表和故障树与任务事件树进行逻辑关联,进行事件识别、自动分类、优化排列事件;通过关联任务事件树,确定导致意外事件发生的不同场景的概率。
6.根据权利要求1所述的一种健康管理系统,其特征在于,还包括远程数据处理模块,将健康管理系统产生的健康日志信息远程传输给地面保障工作站,用于对信息进行监视和控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111229353.5A CN114139274A (zh) | 2021-10-21 | 2021-10-21 | 一种健康管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111229353.5A CN114139274A (zh) | 2021-10-21 | 2021-10-21 | 一种健康管理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114139274A true CN114139274A (zh) | 2022-03-04 |
Family
ID=80395447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111229353.5A Pending CN114139274A (zh) | 2021-10-21 | 2021-10-21 | 一种健康管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114139274A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115017016A (zh) * | 2022-08-09 | 2022-09-06 | 中国电子科技集团公司第十研究所 | 一种多层次模型融合的机载健康管理域设计方法 |
CN115759521A (zh) * | 2022-09-19 | 2023-03-07 | 河南城建学院 | 一种基于大数据的海上风力发电机运行故障预测系统 |
CN117894476A (zh) * | 2024-03-12 | 2024-04-16 | 西南医科大学附属医院 | 一种基于云数据的生殖健康管理系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008036921A2 (en) * | 2006-09-21 | 2008-03-27 | Impact Technologies, Llc | Systems and methods for predicting failure of electronic systems and assessing level of degradation and remaining useful life |
CN108829949A (zh) * | 2018-05-25 | 2018-11-16 | 南京航空航天大学 | 飞机二次配电系统phm系统架构 |
CN111259515A (zh) * | 2020-01-07 | 2020-06-09 | 珠海欧比特宇航科技股份有限公司 | 一种飞行器健康管理方法及系统 |
CN112580153A (zh) * | 2020-12-29 | 2021-03-30 | 成都运达科技股份有限公司 | 一种车辆走行部监测部件健康状态管理系统及方法 |
IT202000004573A1 (it) * | 2020-03-04 | 2021-09-04 | Nuovo Pignone Tecnologie Srl | Modello di rischio ibrido per l'ottimizzazione della manutenzione e sistema per l'esecuzione di tale metodo. |
-
2021
- 2021-10-21 CN CN202111229353.5A patent/CN114139274A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008036921A2 (en) * | 2006-09-21 | 2008-03-27 | Impact Technologies, Llc | Systems and methods for predicting failure of electronic systems and assessing level of degradation and remaining useful life |
CN108829949A (zh) * | 2018-05-25 | 2018-11-16 | 南京航空航天大学 | 飞机二次配电系统phm系统架构 |
CN111259515A (zh) * | 2020-01-07 | 2020-06-09 | 珠海欧比特宇航科技股份有限公司 | 一种飞行器健康管理方法及系统 |
IT202000004573A1 (it) * | 2020-03-04 | 2021-09-04 | Nuovo Pignone Tecnologie Srl | Modello di rischio ibrido per l'ottimizzazione della manutenzione e sistema per l'esecuzione di tale metodo. |
CN112580153A (zh) * | 2020-12-29 | 2021-03-30 | 成都运达科技股份有限公司 | 一种车辆走行部监测部件健康状态管理系统及方法 |
Non-Patent Citations (3)
Title |
---|
何谦;刘洋;戴超;吴燕军;: "S频段统一测控雷达健康故障诊断系统的设计", 计算机测量与控制, no. 04, 25 April 2019 (2019-04-25) * |
王立纲;: "民用飞机系统的故障预测与健康管理系统设计", 航空维修与工程, no. 05, 15 September 2011 (2011-09-15) * |
许光泞;文欣秀;曾亚;: "基于PHM的机载设备健康管理系统的研究与设计", 计算机时代, no. 08, 15 August 2018 (2018-08-15) * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115017016A (zh) * | 2022-08-09 | 2022-09-06 | 中国电子科技集团公司第十研究所 | 一种多层次模型融合的机载健康管理域设计方法 |
CN115017016B (zh) * | 2022-08-09 | 2022-11-22 | 中国电子科技集团公司第十研究所 | 一种多层次模型融合的机载健康管理域设计方法 |
CN115759521A (zh) * | 2022-09-19 | 2023-03-07 | 河南城建学院 | 一种基于大数据的海上风力发电机运行故障预测系统 |
CN115759521B (zh) * | 2022-09-19 | 2023-06-23 | 河南城建学院 | 一种基于大数据的海上风力发电机运行故障预测系统 |
CN117894476A (zh) * | 2024-03-12 | 2024-04-16 | 西南医科大学附属医院 | 一种基于云数据的生殖健康管理系统 |
CN117894476B (zh) * | 2024-03-12 | 2024-05-14 | 西南医科大学附属医院 | 一种基于云数据的生殖健康管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10891406B2 (en) | Prediction methods and systems for structural repair during heavy maintenance of aircraft | |
CN114139274A (zh) | 一种健康管理系统 | |
Coble et al. | Applying the general path model to estimation of remaining useful life | |
EP3105644B1 (en) | Method of identifying anomalies | |
US20120179326A1 (en) | Predicting time to maintenance by fusion between modeling and simulation for electronic equipment on board an aircraft | |
Chen et al. | Aircraft maintenance decision system based on real-time condition monitoring | |
CN116483054A (zh) | 一种工业机器人运行状态监测预警系统及方法 | |
CN114860518A (zh) | 功能安全系统的检测方法、系统、电子设备、存储介质 | |
CN113919207A (zh) | 上面级开放式电气智能健康监测与管理系统 | |
US8359577B2 (en) | Software health management testbed | |
Zibaei et al. | Diagnosis of safety incidents for cyber-physical systems: A uav example | |
CN117114454A (zh) | 一种基于Apriori算法的直流套管状态评估方法及系统 | |
Burnaev | Rare failure prediction via event matching for aerospace applications | |
US11339763B2 (en) | Method for windmill farm monitoring | |
EP2444870B1 (en) | Control effector health capabilities determination reasoning system and method | |
Dugan et al. | System reliability analysis of an N-version programming application | |
CN112712304A (zh) | 一种航天器预测与健康管理系统评价体系 | |
CN112966785A (zh) | 一种智能化星座状态识别方法和系统 | |
Bunus et al. | Model-based diagnostics techniques for avionics applications with RODON | |
CN117697764B (zh) | 潜器作业用柔性机械臂的故障诊断系统及方法 | |
EP4194976A1 (en) | Soft error aggregation method for detection and reporting of risks in a safety plc system | |
US20220114306A1 (en) | Sensitivity analysis-based dependability trade-off analysis | |
Bae et al. | Study on condition based maintenance using on-line monitoring and prognostics suitable to a research reactor | |
CN114236484A (zh) | 二次雷达及防撞系统健康管理方法、装置、设备及介质 | |
Wang et al. | Research on optimization method of aviation equipment spare parts ordering strategy based on PHM |
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 |