CN114236484A - 二次雷达及防撞系统健康管理方法、装置、设备及介质 - Google Patents
二次雷达及防撞系统健康管理方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114236484A CN114236484A CN202111548969.9A CN202111548969A CN114236484A CN 114236484 A CN114236484 A CN 114236484A CN 202111548969 A CN202111548969 A CN 202111548969A CN 114236484 A CN114236484 A CN 114236484A
- Authority
- CN
- China
- Prior art keywords
- self
- checking
- fault
- tree
- secondary radar
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/40—Means for monitoring or calibrating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了二次雷达及防撞系统健康管理方法、装置、设备及介质,该方法包括获取二次雷达设备自检所需的信息;根据所述二次雷达设备自检所需的信息进行设备自检并上传自检信息;接收所述自检信息并根据所述自检信息创建或更新自检检测树;根据所述自检检测树和初始设定的节点权重以及算法模型对二次雷达设备状态进行评估判定,所述自检检测树包括自检项检测值、自检项预估范围和自检项之间的关联关系,所述评估判定包括状态评估、故障诊断和故障预测。本发明可以让相关人员能够提前获取设备的健康状态以及可能出现的故障或异常情况,从而提前做出检测维修等操作完成风险的规避,提高相应系统及设备的可靠性。
Description
技术领域
本发明属于二次雷达技术领域,尤其涉及二次雷达及防撞系统健康管理方法、装置、设备及介质。
背景技术
二次雷达及防撞系统是当前保证航空安全和空域监视控制的重要手段之一。二次雷达系统提供广域的空中目标位置和相关身份属性,防撞系统保证空中目标具备快速解脱和防撞规避能力。常规的二次雷达系统和防撞系统均具备了一定的设备状态自检功能。
传统的二次雷达防撞系统设备健康信息过于单一、离散,设备健康信息仅能反映当前的设备状态,无法预测可能出现的故障情况,且设备健康信息无法提供排查方案和故障定位。
随着二次雷达无人值守和防撞系统的设备状态预判的需求不断增加,当前的设备自检功能已经无法满足这些要求。实时获取当前系统各设备的自检信息在一定程度上能够反映当前设备的工作状态,随着长时间的使用,设备的状态无法被预知导致的突发性故障无法被提前发现,无人值守状态下的二次雷达系统和飞行状态中的防撞设备无法提供及时的设备检测和维修,会导致出现无法预测的风险。
发明内容
本发明的目的在于,为克服现有技术缺陷,提供了二次雷达及防撞系统健康管理方法、装置、设备及介质,可以让相关人员能够提前获取设备的健康状态以及可能出现的故障或异常情况,从而提前做出检测维修等操作完成风险的规避,提高相应系统及设备的可靠性。
本发明目的通过下述技术方案来实现:
一种二次雷达及防撞系统健康管理方法,所述系统包括历史数据、初始设定的节点权重和波动阈值门限,所述方法包括:
获取二次雷达设备自检所需的信息;
根据所述二次雷达设备自检所需的信息进行设备自检并上传自检信息;
接收所述自检信息并根据所述自检信息创建或更新自检检测树;
根据所述自检检测树、波动阈值门限、初始设定的节点权重以及算法模型对二次雷达设备状态进行评估判定;
其中,所述自检检测树包括自检项检测值、自检项预估范围和自检项之间的关联关系,所述节点权重由每项自检项所占基本权重确定,所述评估判定包括状态评估。
进一步的,所述根据所述二次雷达设备自检所需的信息进行设备自检并上传自检信息具体包括:
对所述二次雷达设备自检所需的信息进行预处理;
对预处理后的信息进行自检信息融合,所述自检信息融合包括剔除异常值和判断自检项缺失;
将融合后的自检信息进行上报。
进一步的,所述根据所述自检信息创建或更新自检检测树具体包括:
若没有自检检测树,则创建新的自检检测树;若已经有自检检测树,则对已有的自检检测树进行更新;
所述创建或更新自检检测树包括设定自检项检测值、自检项预估范围和自检项之间的关联关系。
进一步的,所述状态评估具体包括:
根据所述自检项检测值波动值与所述波动阈值门限更新所述初始设定的节点权重,所述自检项检测值波动值为自检项检测值相比于历史检测值的变化值;
根据更新后的节点权重更新评价规范,将各项自检项检测值上报并生成自检项状态评估值,所述评价规范由节点权重和初始设置的健康值构成;
其中,所述根据所述自检项检测值波动值与所述波动阈值门限更新所述初始设定的节点权重具体包括:
若自检项检测值波动值没有超过波动阈值门限,则节点权重不变;
若自检项检测值波动值超过波动阈值门限,则节点权重按照预设规则进行调整。
进一步的,所述系统还包括初始设定的故障规则树,所述评估判定还包括故障诊断,故障诊断具体包括:
根据历史数据和所述自检检测树对故障规则树中的自检项检测值进行更新;
根据更新后的故障规则树和所述自检项状态评估值进行故障诊断;
其中,故障规则树包括由所述自检项之间的关联关系构成的基础故障判断规则、由多个基础故障判断规则间的关联关系构成的中间层故障判断规则和由多个中间层故障判断规则间的关联关系构成的顶层故障判断规则。
进一步的,所述评估判定还包括故障预测,故障预测具体包括:
通过Apriori算法挖掘系统故障与自检项间的关联关系,具体包括以下子步骤:
对历史数据逐层循环搜索,完成故障事件和自检项的训练样本集的收集;
标定训练样本集中的故障事件的类型,通过学习训练提取自检项间的关联关系,完成系统故障类型和关联规则的更新;
根据关联规则和当前自检信息,进行故障知识匹配的前向推理和规则匹配的反向推理,确认当前故障状态并完成故障匹配,从而得到故障预测结果。
进一步的,所述方法还包括根据所述故障预测结果提供排查方案和决策支持。
另一方面,本发明还提供了一种二次雷达及防撞系统管理装置,所述装置包括:
获取模块,用于获取二次雷达设备自检所需的信息;
自检模块,用于根据所述二次雷达设备自检所需的信息进行设备自检并上传自检信息;
自检树模块,用于接收所述自检信息并根据所述自检信息创建或更新自检检测树;
评估模块,根据所述自检检测树、波动阈值门限、初始设定的节点权重以及算法模型对二次雷达设备状态进行评估判定;
其中,所述自检检测树包括自检项检测值、自检项预估范围和自检项之间的关联关系,所述节点权重由每项自检项所占基本权重确定,所述评估判定包括状态评估。
可选地,所述自检模块根据所述二次雷达设备自检所需的信息进行设备自检并上传自检信息具体包括:
对所述二次雷达设备自检所需的信息进行预处理;
对预处理后的信息进行自检信息融合,所述自检信息融合包括剔除异常值和判断自检项缺失;
将融合后的自检信息进行上报。
可选地,所述自检树模块根据所述自检信息创建或更新自检检测树具体包括:
若没有自检检测树,则创建新的自检检测树;若已经有自检检测树,则对已有的自检检测树进行更新;
所述创建或更新自检检测树包括设定自检项检测值、自检项预估范围和自检项之间的关联关系。
可选地,所述评估模块进行状态评估具体包括:
根据所述自检项检测值波动值与所述波动阈值门限更新所述初始设定的节点权重,所述自检项检测值波动值为自检项检测值相比于历史检测值的变化值;
根据更新后的节点权重更新评价规范,将各项自检项检测值上报并生成自检项状态评估值,所述评价规范由节点权重和初始设置的健康值构成;
其中,所述根据所述自检项检测值波动值与所述波动阈值门限更新所述初始设定的节点权重具体包括:
若自检项检测值波动值没有超过波动阈值门限,则节点权重不变;
若自检项检测值波动值超过波动阈值门限,则节点权重按照预设规则进行调整。
可选地,所述系统还包括初始设定的故障规则树,所述评估模块进行评估判定还包括故障诊断,故障诊断具体包括:
根据历史数据和所述自检检测树对故障规则树中的自检项检测值进行更新;
根据更新后的故障规则树和所述自检项状态评估值进行故障诊断;
其中,故障规则树包括由所述自检项之间的关联关系构成的基础故障判断规则、由多个基础故障判断规则间的关联关系构成的中间层故障判断规则和由多个中间层故障判断规则间的关联关系构成的顶层故障判断规则。
可选地,所述评估模块进行评估判定还包括故障预测,故障预测具体包括:
通过Apriori算法挖掘系统故障与自检项间的关联关系,具体包括以下子步骤:
对历史数据逐层循环搜索,完成故障事件和自检项的训练样本集的收集;
标定训练样本集中的故障事件的类型,通过学习训练提取自检项间的关联关系,完成系统故障类型和关联规则的更新;
根据关联规则和当前自检信息,进行故障知识匹配的前向推理和规则匹配的反向推理,确认当前故障状态并完成故障匹配,从而得到故障预测结果。
可选地,所述装置还包括根据所述故障预测结果提供排查方案和决策支持。
另一方面,本发明还提供了一种计算机设备,计算机设备包括处理器和存储器,所述存储器中存储有计算机程序,所述计算机程序由所述处理器加载并执行以实现上述的任意一种二次雷达及防撞系统健康管理方法。
另一方面,本发明还提供了一种计算机可读存储介质,所述存储介质中存储有计算机程序,所述计算机程序由处理器加载并执行以实现上述的任意一种二次雷达及防撞系统健康管理方法。
本发明的有益效果在于:
本发明针对二次雷达系统和防撞系统现有的自检系统的不足,将原本单一离散的自检项,通过自检信息组合、关联融合,建立了自检检测树;将设备的历史自检信息进行了存储,并完成设备自检检测树的实时更新,具备设备故障预判的能力;根据故障预判的结果,给出排查方案和步骤的决策支持。本方案还能够在系统故障发生前对其进行监测和预测,故障预测与健康管理技术将使事后维修或定期维修转变为视情维修,是机内测试能力和状态监控技术的进一步拓展。
附图说明
图1是本发明实施例提供的二次雷达及防撞系统健康管理方法流程示意图;
图2是本发明实施例提供的二次雷达及防撞系统设计模型架构图;
图3是本发明实施例二次雷达及防撞系统的电源模块监测点分布示意图;
图4是本发明实施例健康管理层的业务逻辑图;
图5是本发明实施例自检数据显示业务处理逻辑图;
图6是本发明实施例状态评估业务处理逻辑图;
图7是本发明实施例故障规则树基本模型示意图;
图8是本发明实施例故障诊断业务处理逻辑图;
图9是本发明实施例数据挖掘故障关联示意图;
图10是本发明实施例故障预测业务处理逻辑图;
图11是本发明实施例决策支持业务处理逻辑图;
图12是本发明实施例提供的二次雷达及防撞系统管理装置结构框图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
基于本发明中的实施例,本领域普通技术人员在没有作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。
传统的二次雷达防撞系统设备健康信息过于单一、离散,设备健康信息仅能反映当前的设备状态,无法预测可能出现的故障情况,且设备健康信息无法提供排查方案和故障定位。
随着长时间的使用,设备的状态无法被预知导致的突发性故障无法被提前发现,无人值守状态下的二次雷达系统和飞行状态中的防撞设备无法提供及时的设备检测和维修,会导致出现无法预测的风险。
为了解决上述技术问题,提出了本发明二次雷达及防撞系统健康管理方法、装置、设备及介质的下述各个实施例。
实施例1
本实施例提供的二次雷达及防撞系统健康管理方法在已有的二次雷达和防撞系统设备基础上,提出一种更为全面和智能健康管理设计模型。
参照图2,如图2所示是本实施例二次雷达及防撞系统设计模型架构图。本实施例健康管理系统可分为三层式架构:
底层为传感器层,分布在设备各模块和部件中的软件硬件监控程序或电路之中,完成设备内的基本自检信息的获取,即设备内部最小自检传感器部件或软件检测单元的输出结果;
中间层为自检管理层,是在设备各模块或分机中进行自检综合、处理、输出的处理单元,为各分机或模块运行状态实时监控的执行单元,该层中的处理器应支持OPC、Modbus等工业标准控制协议;
顶层为健康管理层,通过对所有模块和分机的系统自检状态进行相互关联、确认、诊断和预测,实时更新设备自检检测树、动态评估设备工作状态,形成设备状态的故障预测和各单元的寿命跟踪管理。
本系统能够实现基于标准的OPC、Modbus等工业通信格式采集各模块自检和工作数据信息,完成系统设备状态监控、故障诊断、状态预测预评估以及维修决策与支持,是一个分布式式软硬件集成系统。通过对系统的模块状态监测和寿命件寿命预测,改被动维修为主动维修和预防性维修,降低系统运行中出现故障概率,以提高系统任务完成率;通过对关键部件进行实时状态监控,对其监控状况实时做出健康评估,修正其寿命评估,避免系统的过度维修,从而降低系统寿命周期的使用成本。
底层(传感器层)完成各个自检项数据的获取,并上报给中层,常用通信方式为总线或异步串口。
对于设备的电源模块,为实时监控其关键点的状态,采用低功耗单片机加外部AD方式,对各个关键点的模拟量进行采样并保证各模拟信号的采样精准度。参照图3,如图3所示是本实施例二次雷达及防撞系统的电源模块监测点分布示意图。
对于设备的信号处理模块,其关键点的状态主要有模块中的嵌入式软件、FPGA固件程序完成检测。监测点主要为FPGA和嵌入式软件的输入数据项、输出数据和各个关键器件的工作模式和当前温度等。
对于设备的发射或接收模块,主要监测点为调制电路、各级放大电路的检测信号和部分检波信号及关键件的电流电压等。
中层(自检管理层)完成各个自检数据项的预处理,自检信息融合和信息上报,融合方式主要包括对异常值剔除、自检项缺失的判断等,上报方式主要为网络方式。
顶层(健康管理层)完成对设备的剩余寿命、运行状态、计划的维修需求等进行评估和预测。根据实际的自检检测树和历史数据库完成特定部件或系统的物理失效机制的建立,实现对动态系统部件故障和潜在故障的监测及对其剩余寿命的预测。
健康管理层具备状态监视、综合诊断和状态预测三个能力:
状态监视,合理划分子系统或部件单元并根据系统运行参数设定关键的测试点,有效配置系统传感器对系统必要数据能够高效采集并存储到离线数据库中,支持标准的OPC、Modbus等工业控制协议,完成数据采集,并根据采集信号在终端动态显示当前系统各模块的自检状态。
综合诊断,借助系统故障诊断模型对系统运行环境、历史数据及在线数据进行分析的基础上准确的识别和诊断系统故障对故障部件、子系统进行隔离,通过各指标评估装备的健康状态,如是否有参数退化现象等,可综合健康状态历史数据、工作状态以及维修记录等信息进行分析。
状态预测,估计组件或子系统的剩余使用寿命或失效时间,在合理预测的基础上为系统提供维修决策、更换组件或子系统的决策及储备合理备品备件的决策。
本实施例健康管理层的业务逻辑图如图4所示,自检数据接收,通过网络接收中间层上报的自检报文,完成数据采集。自检数据显示,通过图形化软件完成自检数据的图形化显示,本实施例自检数据显示业务处理逻辑图如图5所示。
参照图1,如图1所示是本实施例提供的二次雷达及防撞系统健康管理方法流程示意图,该方法具体包括以下步骤:
步骤S100:获取二次雷达设备自检所需的信息。
具体地,二次雷达设备自检所需的信息包括电源模块的监控信息、信号处理模块的监控信息和发射接收模块的监控信息。
步骤S200:根据二次雷达设备自检所需的信息进行设备自检并上传自检信息。
具体地,根据二次雷达设备自检所需的信息进行设备自检并上传自检信息具体包括:
对二次雷达设备自检所需的信息进行预处理;
对预处理后的信息进行自检信息融合,自检信息融合包括剔除异常值和判断自检项缺失;
将融合后的自检信息进行上报。
步骤S300:接收自检信息并根据自检信息创建或更新自检检测树。
具体地,根据自检信息创建或更新自检检测树具体包括:
若没有自检检测树,则创建新的自检检测树;若已经有自检检测树,则对已有的自检检测树进行更新;
创建或更新自检检测树包括设定自检项检测值、自检项预估范围和自检项之间的关联关系。
步骤S400:根据自检检测树、波动阈值门限、初始设定的节点权重以及算法模型对二次雷达设备状态进行评估判定。
其中,自检检测树包括自检项检测值、自检项预估范围和自检项之间的关联关系,节点权重由每项自检项所占基本权重确定,评估判定包括状态评估。
具体地,状态评估具体包括:
根据自检项检测值波动值与波动阈值门限更新初始设定的节点权重,自检项检测值波动值为自检项检测值相比于历史检测值的变化值;
根据更新后的节点权重更新评价规范,将各项自检项检测值上报并生成自检项状态评估值,评价规范由节点权重和初始设置的健康值构成;
其中,根据自检项检测值波动值与波动阈值门限更新初始设定的节点权重具体包括:
若自检项检测值波动值没有超过波动阈值门限,则节点权重不变;
若自检项检测值波动值超过波动阈值门限,则节点权重按照预设规则进行调整。
参照图6,如图6所示是本实施例状态评估业务处理逻辑图。
节点权重的设定主要依据单自检项的数值波动和自检项所占基本权重生成,该权重值需在合理范围内浮动,若自检值波动接近权值门限,节点权重值相应上浮且不超过所设置的合理范围。如电压检测模块中的5V电压值在±0.1V内波动,则权值保持1.1不变,超过±0.2V波动,权值在1.1±0.05为波动,若超过±0.25V的波动,则需要将权值调整为较高1.2。
根据更新后的权值完成评价规范的更新,将各自检项上报至判定准则管理系统,完成相关自检项状态评估值的生成。
作为一种实施方式,系统还包括初始设定的故障规则树,评估判定还包括故障诊断,故障诊断具体包括:
根据历史数据和自检检测树对故障规则树中的自检项检测值进行更新;
根据更新后的故障规则树和自检项状态评估值进行故障诊断;
其中,故障规则树包括由自检项之间的关联关系构成的基础故障判断规则、由多个基础故障判断规则间的关联关系构成的中间层故障判断规则和由多个中间层故障判断规则间的关联关系构成的顶层故障判断规则。
故障诊断是根据后台数据完成设备及各子模块基于规则推理和自检检测树诊断的详细信息。故障诊断的输出方式包括图形化显示和日志记录,故障诊断信息分为规则模型信息输出和自检检测树诊断信息输出,详细记录诊断过程中的数据录用和结算的结果。
子模块和设备的推理规则主要包含各级LRU与子自检测项的关联规则,初始规根据专家经验方法设定,并根据自检检测树和历史数据进行数据样本集的累积完成关联规则的迭代完善。如电源中关键电压数据项与各LRU的自检状态关联,发射模块检波数值判定与辐射功能状态的状态有效值的关联,接收模块各通道的信道增益与解码功能的状态有效值的关联等。自检检测树主要通过已生成的故障检测规则进行关联,更新诊断规则数据库。完成故障顶层诊断和中间层故障诊断的故障规则生成和规则转换等。规则转换需时将树形结构的图形关系转换为“与”、“或”、“与或”、“异或”、“与非”等逻辑条目知识数据库,完成构建故障规则列表(树)的更新。参照图7和图8,如图7所示是本实施例故障规则树基本模型示意图,如图8所示是本实施例故障诊断业务处理逻辑图。
作为一种实施方式,评估判定还包括故障预测,故障预测具体包括:
通过Apriori算法挖掘系统故障与自检项间的关联关系,具体包括以下子步骤:
对历史数据逐层循环搜索,完成故障事件和自检项的训练样本集的收集;
标定训练样本集中的故障事件的类型,通过学习训练提取自检项间的关联关系,完成系统故障类型和关联规则的更新;
根据关联规则和当前自检信息,进行故障知识匹配的前向推理和规则匹配的反向推理,确认当前故障状态并完成故障匹配,从而得到故障预测结果。
故障预测是基于故障列表、自检检测树、规则自动诊断服务接口和规则工具数据库,完成数据挖掘模型的搭建,通过前向推理、反向推理等故障知识和规则匹配方法,完成故障匹配和预测据结果输出,通过可视化显示和日志记录方式完成输出。
因系统中某一故障的发生很有可能有多个子自检项存在间接关联,且这种关联具备一定的隐蔽性,需要使用数据挖掘技术和专家经验设定的关联模型完成推理。专家经验设定模型通过规则自动诊断服务接口和规则工具数据库完成初步设定,并结合历史数据库中的运行记录、故障记录和故障规则等数据挖掘获取关联项目,完成数据挖掘模型的迭代和完善。常用规则关联法是Apriori算法,通过对历史数据的逐层循环搜索,完成关键数据项间的训练样本集的收集,包括系统各种故障事件及其相关的各子自检项的状态数据,标定样本集中各事件类型,利用学习训练方法提取各关联数据的关联规则,进行规则提取,完成系统故障类型和关联规则的更新,搭建和更新数据挖掘模型。参照图9和图10,如图9所示是本实施例数据挖掘故障关联示意图,如图10所示是本实施例故障预测业务处理逻辑图。
作为一种实施方式,本方法还包括根据故障预测结果提供排查方案和决策支持。参照图11,如图11所示是本实施例决策支持业务处理逻辑图。根据对应的故障预测结果,提供维修信息查询、资源匹配详情、检测设备资源、备件资源、人员管理和维修进度跟踪等信息。决策支持列表由现场人员根据故障预测结果进行人为确认,并录入数据后台实时维护更新。
本实施例健康管理系统采用开放结构,通过优化传感器布局利用尽量少的传感器采集系统的各种参数信息并借助各种推理算法和智能模型来估计系统自身的健康状况。
本实施例提供的二次雷达及防撞系统健康管理方法,针对二次雷达系统和防撞系统现有的自检系统的不足,将原本单一离散的自检项,通过自检信息组合、关联融合,建立了自检检测树;将设备的历史自检信息进行了存储,并完成设备自检检测树的实时更新,具备设备故障预判的能力;根据故障预判的结果,给出排查方案和步骤的决策支持。本方案还能够在系统故障发生前对其进行监测和预测,故障预测与健康管理技术将使事后维修或定期维修转变为视情维修,是机内测试能力和状态监控技术的进一步拓展。
实施例2
参照图12,如图12所示是本实施例提供的二次雷达及防撞系统管理装置结构框图,该装置具体包括:
获取模块10,用于获取二次雷达设备自检所需的信息。
自检模块20,用于根据二次雷达设备自检所需的信息进行设备自检并上传自检信息。
自检树模块30,用于接收自检信息并根据自检信息创建或更新自检检测树。
评估模块40,根据自检检测树、波动阈值门限、初始设定的节点权重以及算法模型对二次雷达设备状态进行评估判定。
其中,自检检测树包括自检项检测值、自检项预估范围和自检项之间的关联关系,节点权重由每项自检项所占基本权重确定,评估判定包括状态评估。
作为一种实施方式,自检模块20根据二次雷达设备自检所需的信息进行设备自检并上传自检信息具体包括:
对二次雷达设备自检所需的信息进行预处理;
对预处理后的信息进行自检信息融合,自检信息融合包括剔除异常值和判断自检项缺失;
将融合后的自检信息进行上报。
作为一种实施方式,自检树模块30根据自检信息创建或更新自检检测树具体包括:
若没有自检检测树,则创建新的自检检测树;若已经有自检检测树,则对已有的自检检测树进行更新;
创建或更新自检检测树包括设定自检项检测值、自检项预估范围和自检项之间的关联关系。
作为一种实施方式,评估模块40进行状态评估具体包括:
根据自检项检测值波动值与波动阈值门限更新初始设定的节点权重,自检项检测值波动值为自检项检测值相比于历史检测值的变化值;
根据更新后的节点权重更新评价规范,将各项自检项检测值上报并生成自检项状态评估值,评价规范由节点权重和初始设置的健康值构成;
其中,根据自检项检测值波动值与波动阈值门限更新初始设定的节点权重具体包括:
若自检项检测值波动值没有超过波动阈值门限,则节点权重不变;
若自检项检测值波动值超过波动阈值门限,则节点权重按照预设规则进行调整。
作为一种实施方式,系统还包括初始设定的故障规则树,评估模块40进行评估判定还包括故障诊断,故障诊断具体包括:
根据历史数据和自检检测树对故障规则树中的自检项检测值进行更新;
根据更新后的故障规则树和自检项状态评估值进行故障诊断;
其中,故障规则树包括由自检项之间的关联关系构成的基础故障判断规则、由多个基础故障判断规则间的关联关系构成的中间层故障判断规则和由多个中间层故障判断规则间的关联关系构成的顶层故障判断规则。
作为一种实施方式,评估模块40进行评估判定还包括故障预测,故障预测具体包括:
通过Apriori算法挖掘系统故障与自检项间的关联关系,具体包括以下子步骤:
对历史数据逐层循环搜索,完成故障事件和自检项的训练样本集的收集;
标定训练样本集中的故障事件的类型,通过学习训练提取自检项间的关联关系,完成系统故障类型和关联规则的更新;
根据关联规则和当前自检信息,进行故障知识匹配的前向推理和规则匹配的反向推理,确认当前故障状态并完成故障匹配,从而得到故障预测结果。
作为一种实施方式,装置还包括根据故障预测结果提供排查方案和决策支持。
本实施例提供的二次雷达及防撞系统管理装置,针对二次雷达系统和防撞系统现有的自检系统的不足,将原本单一离散的自检项,通过自检信息组合、关联融合,建立了自检检测树;将设备的历史自检信息进行了存储,并完成设备自检检测树的实时更新,具备设备故障预判的能力;根据故障预判的结果,给出排查方案和步骤的决策支持。本方案还能够在系统故障发生前对其进行监测和预测,故障预测与健康管理技术将使事后维修或定期维修转变为视情维修,是机内测试能力和状态监控技术的进一步拓展。
实施例3
本优选实施例提供了一种计算机设备,该计算机设备可以实现本申请实施例所提供的二次雷达及防撞系统健康管理方法任一实施例中的步骤,因此,可以实现本申请实施例所提供的二次雷达及防撞系统健康管理方法的有益效果,详见前面的实施例,在此不再赘述。
实施例4
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。为此,本发明实施例提供一种存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的二次雷达及防撞系统健康管理方法中任一实施例的步骤。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本发明实施例所提供的任一二次雷达及防撞系统健康管理方法实施例中的步骤,因此,可以实现本发明实施例所提供的任一二次雷达及防撞系统健康管理方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种二次雷达及防撞系统健康管理方法,所述系统包括历史数据、初始设定的节点权重和波动阈值门限,其特征在于,所述方法包括:
获取二次雷达设备自检所需的信息;
根据所述二次雷达设备自检所需的信息进行设备自检并上传自检信息;
接收所述自检信息并根据所述自检信息创建或更新自检检测树;
根据所述自检检测树、波动阈值门限、初始设定的节点权重以及算法模型对二次雷达设备状态进行评估判定;
其中,所述自检检测树包括自检项检测值、自检项预估范围和自检项之间的关联关系,所述节点权重由每项自检项所占基本权重确定,所述评估判定包括状态评估。
2.如权利要求1所述的二次雷达及防撞系统健康管理方法,其特征在于,所述根据所述二次雷达设备自检所需的信息进行设备自检并上传自检信息具体包括:
对所述二次雷达设备自检所需的信息进行预处理;
对预处理后的信息进行自检信息融合,所述自检信息融合包括剔除异常值和判断自检项缺失;
将融合后的自检信息进行上报。
3.如权利要求1所述的二次雷达及防撞系统健康管理方法,其特征在于,所述根据所述自检信息创建或更新自检检测树具体包括:
若没有自检检测树,则创建新的自检检测树;若已经有自检检测树,则对已有的自检检测树进行更新;
所述创建或更新自检检测树包括设定自检项检测值、自检项预估范围和自检项之间的关联关系。
4.如权利要求1所述的二次雷达及防撞系统健康管理方法,其特征在于,所述状态评估具体包括:
根据所述自检项检测值波动值与所述波动阈值门限更新所述初始设定的节点权重,所述自检项检测值波动值为自检项检测值相比于历史检测值的变化值;
根据更新后的节点权重更新评价规范,将各项自检项检测值上报并生成自检项状态评估值,所述评价规范由节点权重和初始设置的健康值构成;
其中,所述根据所述自检项检测值波动值与所述波动阈值门限更新所述初始设定的节点权重具体包括:
若自检项检测值波动值没有超过波动阈值门限,则节点权重不变;
若自检项检测值波动值超过波动阈值门限,则节点权重按照预设规则进行调整。
5.如权利要求4所述的二次雷达及防撞系统健康管理方法,其特征在于,所述系统还包括初始设定的故障规则树,所述评估判定还包括故障诊断,故障诊断具体包括:
根据历史数据和所述自检检测树对故障规则树中的自检项检测值进行更新;
根据更新后的故障规则树和所述自检项状态评估值进行故障诊断;
其中,故障规则树包括由所述自检项之间的关联关系构成的基础故障判断规则、由多个基础故障判断规则间的关联关系构成的中间层故障判断规则和由多个中间层故障判断规则间的关联关系构成的顶层故障判断规则。
6.如权利要求5所述的二次雷达及防撞系统健康管理方法,其特征在于,所述评估判定还包括故障预测,故障预测具体包括:
通过Apriori算法挖掘系统故障与自检项间的关联关系,具体包括以下子步骤:
对历史数据逐层循环搜索,完成故障事件和自检项的训练样本集的收集;
标定训练样本集中的故障事件的类型,通过学习训练提取自检项间的关联关系,完成系统故障类型和关联规则的更新;
根据关联规则和当前自检信息,进行故障知识匹配的前向推理和规则匹配的反向推理,确认当前故障状态并完成故障匹配,从而得到故障预测结果。
7.如权利要求6所述的二次雷达及防撞系统健康管理方法,其特征在于,所述方法还包括根据所述故障预测结果提供排查方案和决策支持。
8.一种二次雷达及防撞系统管理装置,其特征在于,所述装置包括:
获取模块,用于获取二次雷达设备自检所需的信息;
自检模块,用于根据所述二次雷达设备自检所需的信息进行设备自检并上传自检信息;
自检树模块,用于接收所述自检信息并根据所述自检信息创建或更新自检检测树;
评估模块,根据所述自检检测树、波动阈值门限、初始设定的节点权重以及算法模型对二次雷达设备状态进行评估判定;
其中,所述自检检测树包括自检项检测值、自检项预估范围和自检项之间的关联关系,所述节点权重由每项自检项所占基本权重确定,所述评估判定包括状态评估。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有计算机程序,所述计算机程序由所述处理器加载并执行以实现如权利要求1至7任一项所述的二次雷达及防撞系统健康管理方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有计算机程序,所述计算机程序由处理器加载并执行以实现如权利要求1至7任一项所述的二次雷达及防撞系统健康管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111548969.9A CN114236484A (zh) | 2021-12-17 | 2021-12-17 | 二次雷达及防撞系统健康管理方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111548969.9A CN114236484A (zh) | 2021-12-17 | 2021-12-17 | 二次雷达及防撞系统健康管理方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114236484A true CN114236484A (zh) | 2022-03-25 |
Family
ID=80757807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111548969.9A Pending CN114236484A (zh) | 2021-12-17 | 2021-12-17 | 二次雷达及防撞系统健康管理方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114236484A (zh) |
-
2021
- 2021-12-17 CN CN202111548969.9A patent/CN114236484A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6356304B2 (ja) | 保守有効性推定に基づく保守推奨システム | |
US11016479B2 (en) | System and method for fleet reliabity monitoring | |
CN110413227B (zh) | 一种硬盘设备的剩余使用寿命在线预测方法和系统 | |
CA2387934C (en) | A process for the monitoring and diagnostics of data from a remote asset | |
RU2557771C1 (ru) | Способ технического контроля и диагностирования бортовых систем беспилотного летательного аппарата с поддержкой принятия решений и комплекс контрольно-проверочной аппаратуры с интеллектуальной системой поддержки принятия решений для его осуществления | |
KR102432284B1 (ko) | It관리대상의 이벤트 알람이나 장애 문제를 실시간 자동으로 조치하는 시스템 및 그 운용방법 | |
KR20180108446A (ko) | Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 | |
CN114267178B (zh) | 一种车站的智能运营维护方法及装置 | |
US11604461B2 (en) | Method and apparatus for monitoring the condition of subsystems within a renewable generation plant or microgrid | |
CN114862275B (zh) | 基于数字孪生模型的仓储物流系统可靠性评估方法及系统 | |
CN117114454B (zh) | 一种基于Apriori算法的直流套管状态评估方法及系统 | |
CN111915026A (zh) | 故障处理方法、装置、电子设备及存储介质 | |
CN114139274A (zh) | 一种健康管理系统 | |
Wu et al. | Adaptive sequential predictive maintenance policy with nonperiodic inspection for hard failures | |
CN117057579B (zh) | 一种分布式配电网的运行维护方法及系统 | |
CN113487086A (zh) | 设备剩余使用寿命预测方法、装置、计算机设备和介质 | |
CN111614504A (zh) | 基于时间序列和故障树分析的电网调控数据中心业务特性故障定位方法及系统 | |
CN105302476B (zh) | 一种用于核电站设备的可靠性数据在线采集分析存储系统及其存储方法 | |
CN114236484A (zh) | 二次雷达及防撞系统健康管理方法、装置、设备及介质 | |
CN112966785B (zh) | 一种智能化星座状态识别方法和系统 | |
Chen et al. | BIM-and IoT-Based Data-Driven Decision Support System for Predictive Maintenance of Building Facilities | |
Sun et al. | A data-driven framework for tunnel infrastructure maintenance | |
CN110413482B (zh) | 检测方法和装置 | |
Trstenjak et al. | A Decision Support System for the Prediction of Wastewater Pumping Station Failures Based on CBR Continuous Learning Model. | |
Gruber et al. | Condition‐Based Maintenance v ia a Targeted B ayesian Network Meta‐Model |
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 |