CN115619106B - 一种考虑性能退化的激光陀螺仪备件数量确定方法及系统 - Google Patents
一种考虑性能退化的激光陀螺仪备件数量确定方法及系统 Download PDFInfo
- Publication number
- CN115619106B CN115619106B CN202211628942.5A CN202211628942A CN115619106B CN 115619106 B CN115619106 B CN 115619106B CN 202211628942 A CN202211628942 A CN 202211628942A CN 115619106 B CN115619106 B CN 115619106B
- Authority
- CN
- China
- Prior art keywords
- performance
- laser gyroscope
- envelope curve
- determining
- health
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000015556 catabolic process Effects 0.000 title claims abstract description 52
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 52
- 230000036541 health Effects 0.000 claims abstract description 86
- 238000011156 evaluation Methods 0.000 claims abstract description 85
- 238000012544 monitoring process Methods 0.000 claims abstract description 32
- 238000013210 evaluation model Methods 0.000 claims abstract description 26
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 11
- 230000003068 static effect Effects 0.000 claims description 8
- 238000000547 structure data Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012113 quantitative test Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Gyroscopes (AREA)
- Lasers (AREA)
Abstract
本发明涉及一种基于性能退化的激光陀螺仪备件数量确定方法及系统,涉及备件管理领域,方法包括:确定激光陀螺仪的性能评估参数;根据所述性能评估参数构建激光陀螺仪的性能评估模型;根据所述性能评估参数获取激光陀螺仪性能监测数据;根据所述性能监测数据和性能评估模型进行性能评估,得到激光陀螺仪的性能退化包络曲线;将所述性能退化包络曲线转换为健康度包络曲线;根据所述健康度包络曲线确定健康度期望;根据所述健康度期望确定所述激光陀螺仪的备件数量。本发明能够通过确定激光陀螺仪的性能,从而确定所需备件数量,确保在激光陀螺仪无法正常工作时能够有足够备件进行更换。
Description
技术领域
本发明涉及备件管理领域,特别是涉及一种考虑性能退化的激光陀螺仪备件数量确定方法及系统。
背景技术
预防性维修是指系统在仍然能够正常工作的情况下,通过检查和测试发现性能退化或故障征兆,并及时采取适当的维修动作来提高系统的性能,保证其处于良好的工作状态。在装备维修工作中,为了恢复装备的性能,保证装备工作的顺利准确,需要用新的零部件来更换受损的旧件,通常把这种新制的零部件称为配件。为了缩短修理更换的停机时间,减少停机造成的损失,对一些结构复杂、要求高、制造困难、生产周期长的配件,需要在仓库预先储备一定的数量,这种配件成为备件。特别是在许多装备密集型行业,如钢铁制造、电信公司、航空航天等领域,为保障装备的正常运转,均需要提前储存一定数量的备件。若所存储的备件数量难以满足维修更换的需要,则会对正常的设备工作造成影响。而储存过多的备件则会占用人力、财力等,造成浪费。因此需要合理确定备件的种类、数量及时机。
激光陀螺仪是利用Sagnac效应来确定设备运动精确物理方位的仪器。相比于传统的机械式陀螺仪,激光陀螺仪无需转子陀螺仪所必需的高速转子,具有启动快、动态范围大、稳定性高、抗干扰能力强、工作温度范围大等特点。作为惯导系统核心的惯性器件,激光陀螺仪在国防科学技术和国民经济的许多领域中占有十分重要的地位。当激光陀螺仪出现性能退化时,可能会导致装备无法精确地敏感姿态和位置等信息。因此,需要提前准备相应数量的备件,当陀螺仪性能出现退化而无法满足需要时,及时更换备件。
目前多数的备件更换维修策略,都是把提高装备利用率、降低全寿命成本、保证装备的质量和安全、取得最大效益为目的,且通常情况下依靠相关技术人员的主观经验来确定所需的备件数量。而对于激光陀螺仪这类高精尖的仪器,维修工作费时费力,且较为复杂,难以通过维修维护提高其性能,这可能会造成较长的装备停机时间。此时,需要对激光陀螺仪进行在线监测,根据特征信息变化趋势,充分利用各类信息进行综合分析判断,对装备的性能进行评估。当其性能难以满足装备正常工作要求时,第一时间进行备件更换,提高系统可靠性、减少故障意外发生所造成的损失,是实际中经常采用的维修策略。因此,需要在对装备进行性能评估的基础上制定相应的备件更换策略。
激光陀螺仪备件管理问题的目的是如何合理利用和分配装备保障资源,使装备效能发挥到最大状态。而对激光陀螺仪开展备件管理工作的基本思想是通过对激光陀螺仪进行性能评估,以及时发现性能退化的情况,在尚未造成装备无法正常工作之前,及时对激光陀螺仪进行备件更换,缩短装备停机时间和停机次数,保证装备的良好性能。
发明内容
本发明的目的是提供一种基于性能退化的激光陀螺仪备件数量确定方法及系统,利用激光陀螺仪工作过程中的状态信息和特征信息,采用区间证据推理方法对其进行准确的性能评估,并找出激光陀螺仪性能与健康度之间的关系,基于健康度期望确定所需的备件数量,避免因备件不足导致装备停机时间过长,保证装备处于良好的工作状态。
为实现上述目的,本发明提供了如下方案:
一种基于性能退化的激光陀螺仪备件数量确定方法,包括:
确定激光陀螺仪的性能评估参数;
根据所述性能评估参数构建激光陀螺仪的性能评估模型;
根据所述性能评估参数获取激光陀螺仪性能监测数据;
根据所述性能监测数据和性能评估模型进行性能评估,得到激光陀螺仪的性能退化包络曲线;
将所述性能退化包络曲线转换为健康度包络曲线;
根据所述健康度包络曲线确定健康度期望;
根据所述健康度期望确定所述激光陀螺仪的备件数量。
可选的,所述性能评估参数包括激光陀螺仪的漂移误差零次项系数、漂移误差一次项系数和惯组静态导航误差。
可选的,所述性能评估模型中输入项为激光陀螺仪的漂移误差系数,输出项为惯组静态导航误差。
可选的,所述“确定激光陀螺仪的性能评估参数”步骤之后,“根据所述性能评估参数构建激光陀螺仪的性能评估模型”步骤之前,还包括:
确定所述性能评估参数的证据可靠度和证据权重。
可选的,所述性能评估模型采用区间证据推理的方法进行性能评估。
可选的,所述性能评估模型采用区间证据推理的方法进行性能评估,具体包括:
将所述性能监测数据进行区间信息转换,得到置信结构数据;
将所述置信结构数据进行跨区间置信度转换,得到置信度数据;
采用IER方法构建全局优化模型;
根据所述置信度数据和全局优化模型,得到激光陀螺仪的性能退化包络曲线。
可选的,采用基于距离的匹配度转换方法将所述性能退化包络曲线转换为健康度包络曲线。
可选的,采用如下公式将所述性能退化包络曲线转换为健康度包络曲线:
其中,为健康度,为性能退化包络曲线中对应的性能数值;为性能退化包络曲线中激光陀螺仪正常工作时性能最大值,为性能退化包络曲线中激光陀螺仪故障时性能最小值。
可选的,采用如下公式确定所述激光陀螺仪的备件数量:
其中,为所需激光陀螺仪的初始数量,为处于工作状态的激光陀螺仪健康度水平的个数,表示时刻下对应的健康度期望,为健康度期望的设备个数,为所需激光陀螺仪的备件数量,表示不小于的最小整数。
一种基于性能退化的激光陀螺仪备件数量确定系统,包括:
评估参数确定模块,用于确定激光陀螺仪的性能评估参数;
评估模型确定模块,用于根据所述性能评估参数构建激光陀螺仪的性能评估模型;
参数获取模块,用于根据所述性能评估参数获取激光陀螺仪性能监测数据;
性能退化包络曲线确定模块,用于根据所述性能监测数据和性能评估模型进行性能评估,得到激光陀螺仪的性能退化包络曲线;
健康度包络曲线确定模块,用于将所述性能退化包络曲线转换为健康度包络曲线;
健康度期望确定模块,用于根据所述健康度包络曲线确定健康度期望;
备件数量确定模块,用于根据所述健康度期望确定所述激光陀螺仪的备件数量。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明实现了对激光陀螺仪的性能评估,并确定所需的备件数量。一是针对同批次激光陀螺仪的性能评估问题,合理确定装备评估指标体系和评估模型参数;二是考虑了监测信息中的不确定性,采用区间证据推理方法进行评估,得到该批次激光陀螺仪的性能包络曲线;三是采用匹配度函数对性能评估结果进行转换,得到不同时刻下的陀螺仪健康度;四是在满足健康度约束条件的基础上,利用健康度期望确定所需备件数量。
本发明能够有效评估激光陀螺仪的性能,科学确定所需备件数量,确保在激光陀螺仪无法正常工作时能够有足够备件进行更换。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明考虑性能退化的激光陀螺仪备件数量确定方法流程图;
图2为本发明基于统计的证据可靠度计算方法示意图;
图3为本发明区间数据与评估等级的关系图;
图4为本发明陀螺仪性能包络示意图;
图5为本发明基于区间证据推理方法的性能评估框架图;
图6为本发明陀螺仪健康度包络第一示意图;
图7为本发明考虑设备性能的陀螺仪备件数量确定方法实施过程图;
图8为本发明陀螺仪健康度包络图第二示意图;
图9为本发明考虑性能退化的激光陀螺仪备件数量确定系统模块图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
本发明的目的是提供一种基于性能退化的激光陀螺仪备件数量确定方法及系统,利用激光陀螺仪工作过程中的状态信息和特征信息,采用区间证据推理方法对其进行准确的性能评估,并找出激光陀螺仪性能与健康度之间的关系。基于健康度期望确定所需的备件数量,避免因备件不足导致装备停机时间过长,保证装备处于良好的工作状态。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明考虑性能退化的激光陀螺仪备件数量确定方法流程图,如图1所示,一种基于性能退化的激光陀螺仪备件数量确定方法,包括:
步骤101:确定激光陀螺仪的性能评估参数。
步骤102:根据所述性能评估参数构建激光陀螺仪的性能评估模型。
步骤103:根据所述性能评估参数获取激光陀螺仪性能监测数据。
步骤101-103具体包括:
确定装备性能评估指标体系,并计算证据参数。
①评估指标确定和监测信息收集:
在对激光陀螺仪进行性能评估过程中,构建科学合理的评估指标体系是基础工作。在陀螺仪工作过程中,能够反映其性能的指标数量众多。单一指标所包含的信息难以准确地反映整个系统或部件的性能。在选择指标时,不能将所有的性能指标都用于性能评估,指标过多会造成评估工作较为复杂,增加工作量。同时,所选择的指标也不能太少,指标过少会影响评估信息的全面性和准确性,所得结果难以令人信服。所选择的指标相互之间也要保持独立,即所反映的信息是独立的,指标间可能存在的冗余会造成所反映信息的重复冗余,影响评估的复杂性。指标的类型也应多种多样,例如定量信息、定性知识及设备的机理信息等。定量信息是对陀螺仪运行过程中监测信息的量化表现,定性知识是该领域专家在陀螺仪长期运行过程中积累的经验知识,陀螺仪的机理信息反映的是其结构及工作原理。充分利用以上几种信息类型,可以提高信息来源的全面性和评估结果的准确性。
陀螺仪的误差是导航设备的重要误差源,漂移角速度是衡量陀螺仪精度的主要指标。在干扰力矩的影响下,陀螺仪的进度角速度称为漂移角速度,表现在陀螺仪的漂移误差模型中的漂移系数。在诸多漂移误差系数中,最关键的漂移误差系数为零次项系数和一次项系数。因此,选择陀螺仪的漂移误差系数和作为输入评估指标,将惯组静态导航误差作为输出评估指标。从该批次陀螺仪中随机选择5个陀螺仪作为评估对象,在测试过程中使陀螺仪连续工作,采用专用设备对陀螺仪的零次项系数和一次项系数进行测试和记录,并以陀螺仪的输出脉冲量为输出指标,得到输出脉冲量后可以根据静态导航公式计算得到静态导航结果。
为准确评估陀螺仪性能,充分利用同一批次陀螺仪在出厂抽检过程中的检测样本,将所抽取的陀螺仪作为性能评估对象。由于所选择的样本数量较少,无法采用基于概率统计的方法得到监测信息的概率分布情况。求评估指标的监测数据平均值的方式可以消除监测信息中的随机不确定性,但对于定性知识中的专家知识模糊性却无法处理。区间值作为一种处理不确定性的方法,可以保留监测信息中的不确定性,避免不恰当的处理方式造成信息丢失。因此,可以将评估指标的监测信息最大值作为该指标监测信息的上界,而最小值作为该指标监测信息的下界。因此,将所抽检样本的相同指标信息中最大值和最小值分别作为指标信息区间上界和下界,即,其中和分别为第个指标的下界和上界。
在连续180小时测试过程中,每半小时进行一次测试,共得到360组测试数据。从中等间隔地共选择60组作为输入数据,将每一时刻的零次项系数和一次项系数测试数据中的最大值和最小值作为该时刻区间数据的上界和下界,这可以得到每一时刻的零次项系数和一次项系数区间数据。
②计算证据可靠度:
假设在时刻对各个指标进行测试,得到各个指标的监测信息。首先根据专家经验确定观测数据的波动区间,即:
其中,分别表示波动区间的上下界。
由于监测数据的区间可能超出波动区间,因此采用蒙特卡洛法对各个数据进行随机抽样,第次随机抽取的数据为。将所抽中的数据与波动区间进行对比,选择出可靠和不可靠的数据。若第次抽样中时刻的监测数据超出波动区间,那么该数据受到噪声和传感器等干扰因素的影响比较大,是不可靠的,无法准确地反映系统的真实信息,则,否则,。表示第次抽样观测数据中不可靠的个数,如图2所示。
指标的可靠度可以通过下式求:
其中,表示指标个数,表示监测时间点数。若所有观测数据都在波动区间内,则;若所有观测数据都不在波动区间内,则。需要满足。
对指标在时刻中进行次蒙特卡洛抽样,得到个可靠度值,分别将个值中的最大值和最小值作为可靠度区的上下界,即
当输入信息含有区间数据时,若计算得到的指标可靠度为确定值,可能会丢失一部分信息,导致信息利用不充分,而采用该方法计算得到结果符合可靠度的客观特性。
③计算证据权重
证据的权重能够帮助决策者区分证据在信息融合过程中所发挥的作用大小。变异系数法是指根据各指标的相对改变幅度大小来动态地对指标进行权重分配。同样地,由于常规的变异系数法也是针对精确数值而言,需要采用蒙特卡洛随机抽样,计算每次抽样结果。
假设在时刻内共进行次随机抽样,第个指标在时刻的第次随机抽样中权重为,则在时刻内的抽样得到的均值和方差分别为:
则得到第指标的权重为:
其中:
取次蒙特卡洛抽样计算得到的权重最大值和最小值作为权重区间的上下界,即得到第个指标在时刻的权重上下界,如下所示:
其中,为时间点,,为蒙特卡洛仿真次数,,为指标个数。
根据领域专家知识确定评估等级个数和参考值,如表1所示:
表1 漂移系数参考等级与参考值
语义值 | 优 | 中 | 差 |
<![CDATA[K<sub>0</sub>参考值]]> | 0 | 0.040 | 0.073 |
<![CDATA[K<sub>1</sub>参考值]]> | 0 | 0.025 | 0.050 |
采用所提方法计算证据权重和可靠度值,如表2所示:
表2 证据权重和可靠度
指标 | 权重 | 可靠度 |
<![CDATA[K<sub>0</sub>]]> | [0.6154, 0.6731] | [0.6823, 0.7592] |
<![CDATA[K<sub>1</sub>]]> | [0.3269, 0.3846] | [0.7195, 0.7962] |
步骤104:根据所述性能监测数据和性能评估模型进行性能评估,得到激光陀螺仪的性能退化包络曲线。
步骤104具体包括:
①区间信息转换:
在激光陀螺仪的监测信息中,有定性的专家经验知识,也有定量的测试数据,其形式和单位都不相同,无法直接利用IER算法进行融合,需要将输入信息统一转换到置信框架下。因此,在对各类信息进行融合之前,需要将其转换到评估等级的置信结构中。
区间形式的数据可能跨越评估等级,当观测数据跨越某个评估等级时,区间数据与评估等级的关系如图3所示:
根据图3所示,观测数据跨区间置信度转换如下:
观测数据在各评估等级下的置信度并非独立的,它们满足归一化条件,即。
②基于以上参数计算和信息转换结果,采用区间证据推理法方法进行评估。首先,将置信度转换为区间形式的基本概率质量,公式如下所示:
其中,。表示权重和可靠度共同作用下的混合权重,表示未分配给任意评估等级的基本概率质量,其由两部分构成,一部分是,由证据之间的相对重要性引起的,另一部分是,由评估中的不完整性引起的。
在此基础上,将区间基本概率质量按照下面的公式进行融合可以得到对于各评估等级的置信度。
由于在融合证据过程中,基本概率质量、可靠度和权重均为区间形式,此时,常规的融合方法已不再适用,需要将各指标和参数的区间范围作为约束条件,构建非线性优化模型,得到最优的评估结果区间:
其中,
由所构建的非线性优化模型可以看出,所得到的评估结果置信度上下界应是在最原始的输入信息置信度、可靠度和权重的上下界约束下寻找最优结果。如果将各部分分别构建优化模型进行优化,会出现评估结果并非全局最优的情况,导致出现错误。
对于参考等级,其对应的效用参考值为,采用期望效用的计算方法可以得到装备性能评估结果的期望效用:
其中,可以视为装备的评估指标输出值,用来直观展示评估结果。
基于所提的区间信息转换方法,可以得到输入信息转换后的置信结构。而后采用IER方法构建全局优化模型,并利用MATLAB中的fmincon优化函数对所构建的模型进行优化,得到陀螺仪的性能包络如图4所示。
从图4中可以看出该批次的陀螺仪随着工作时间的变长其输出脉冲量的导航偏差逐渐变大,反映出其性能逐步变差。
采用区间证据推理方法对激光陀螺仪开展性能评估的框架图如图5所示。
步骤105:将所述性能退化包络曲线转换为健康度包络曲线。
为科学确定装备在工作过程中所需的备件数量,需要计算装备的健康度,并以健康度为基础确定备件数量。在装备工作过程中,所选择的输出评估指标是最能反映装备性能特点的。设备的健康度指的是健康状态的变化情况,为之间的数值。依据健康度判断陀螺仪性能退化情况,当健康度接近1时,认为陀螺仪性能状态良好,可以正常工作;当健康度值接近0时,认为该陀螺仪可能无法完成工作,甚至有可能会随时发生故障。
根据专家知识,对所选择的性能输出评估指标确定范围,将激光陀螺仪在性能最佳状态下的输出指标的值作为该范围的上界,并将其发生故障时的输出指标对应的数值作为该范围的下界。采用基于距离的匹配度转换方法对所得到的性能评估结果进行转换,将性能包络转换为健康度包络,公式如下所示:
其中,为健康度,为输出评估指标对应的性能数值。
由于在步骤104中所得到的装备评估性能为性能包络,基于距离的转换方法是一种线性转换方法,即可以直接将每一时刻的性能区间上界和下界代入公式中,所得到的区间范围也是该时刻的健康度上界和下界。通过以上操作,可以将初始评估结果转换为范围内的健康度。采用公式可以将陀螺仪性能转换为健康度,得到该批次陀螺仪健康度曲线包络如图6所示。
从图6中可以看出,该批次陀螺仪的健康度随着工作时间的变大,健康度逐渐下降,这是因为陀螺仪的漂移会随着工作时间变长而逐步积累,导致导航偏差变大,进而影响健康度。
步骤106:根据所述健康度包络曲线确定健康度期望。
步骤107:根据所述健康度期望确定所述激光陀螺仪的备件数量。
考虑设备性能的陀螺仪备件数量确定方法实施过程如图7所示。
由于在激光陀螺仪性能评估过程中,考虑了不确定信息的影响,所得到的结果为设备性能包络,即区间值评估结果,如图4所示。基于陀螺仪性能求得的健康度值也对应的为区间值,如图6所示。
假设该设备处于工作状态,根据某次输入指标的测试数据评估得到该设备的性能评估结果。采用步骤105中所提方法可以得到陀螺仪的健康度值。图8中为健康度与累计工作时间的相对关系图。对于某时刻的激光陀螺仪健康度值,从图8中可以看出,此时激光陀螺仪健康度值处于范围内。基于公式可以得到该设备的健康度阈值为。假设此时共有个激光陀螺仪处在使用状态,为保证设备在出现问题时有足够的备件进行更换,需要提前准备相应数量的备件。在健康度的约束下,需要的备件数量为:
其中表示时刻下对应的健康度期望。为取整符号。表示不超过的最大整数。
在上述两个公式中,表示的是个激光陀螺仪的健康度均处在健康度值为时所需的备件数量。但多数情况下,所研究的设备并非处于同样的健康度水平。针对该问题,采用健康度期望的求解方式计算所需备件的期望数量,如下所示:
其中,为所需激光陀螺仪的初始数量,为处于工作状态的激光陀螺仪健康度水平的个数,表示时刻下对应的健康度期望,为健康度期望的设备个数,为所需激光陀螺仪的备件数量,表示不小于的最小整数。
当健康度阈值为,所需的备件数量的可能范围为。为保证设备出现问题时有足够的备件进行更换,应使。
情况一:假设共有4台装备处于工作状态,每台装备中使用一个激光陀螺仪,且这4个激光陀螺仪的性格评估结果相同,性能和健康度均处于时刻,对应的健康度区间值为,根据公式可以得到所需的备件数量为,故在所需的备件数量为2个。
情况二:假设共有4台装备,每台装备各使用一个激光陀螺仪,由于装备使用时间、环境等条件不同,激光陀螺仪性能状态也不相同。假设四个设备的性能评估结果分别为、、和,采用步骤104所提方法可以得到四个激光陀螺仪的健康度分别为、和。根据公式可以得到所需的备件数量为。为保证设备出现问题时有足够的备件进行更换,应使库存备件数量,即当前时刻所需的备件数量不少于3个。
基于上述方法,本发明还公开了一种基于性能退化的激光陀螺仪备件数量确定系统,如图9所示,包括:
评估参数确定模块201,用于确定激光陀螺仪的性能评估参数。
评估模型确定模块202,用于根据所述性能评估参数构建激光陀螺仪的性能评估模型。
参数获取模块203,用于根据所述性能评估参数获取激光陀螺仪性能监测数据。
性能退化包络曲线确定模块204,用于根据所述性能监测数据和性能评估模型进行性能评估,得到激光陀螺仪的性能退化包络曲线。
健康度包络曲线确定模块205,用于将所述性能退化包络曲线转换为健康度包络曲线。
健康度期望确定模块206,用于根据所述健康度包络曲线确定健康度期望。
备件数量确定模块207,用于根据所述健康度期望确定所述激光陀螺仪的备件数量。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (5)
1.一种基于性能退化的激光陀螺仪备件数量确定方法,其特征在于,包括:
确定激光陀螺仪的性能评估参数;
根据所述性能评估参数构建激光陀螺仪的性能评估模型;
根据所述性能评估参数获取激光陀螺仪性能监测数据;
根据所述性能监测数据和性能评估模型进行性能评估,得到激光陀螺仪的性能退化包络曲线;所述性能评估模型采用区间证据推理的方法进行性能评估,具体包括:将所述性能监测数据进行区间信息转换,得到置信结构数据;将所述置信结构数据进行跨区间置信度转换,得到置信度数据;采用IER方法构建全局优化模型;根据所述置信度数据和全局优化模型,得到激光陀螺仪的性能退化包络曲线;
采用基于距离的匹配度转换方法将所述性能退化包络曲线转换为健康度包络曲线,公式如下:
;
其中,为健康度,为性能退化包络曲线中对应的性能数值;为性能退化包络曲线中激光陀螺仪正常工作时性能最大值,为性能退化包络曲线中激光陀螺仪故障时性能最小值;
根据所述健康度包络曲线确定健康度期望;
根据所述健康度期望,采用如下公式确定所述激光陀螺仪的备件数量:
;
;
其中,为所需激光陀螺仪的初始数量,为处于工作状态的激光陀螺仪健康度水平的个数,表示时刻下对应的健康度期望,为健康度期望的设备个数,为所需激光陀螺仪的备件数量,表示不小于的最小整数。
2.根据权利要求1所述的基于性能退化的激光陀螺仪备件数量确定方法,其特征在于,所述性能评估参数包括激光陀螺仪的漂移误差零次项系数、漂移误差一次项系数和惯组静态导航误差。
3.根据权利要求1所述的基于性能退化的激光陀螺仪备件数量确定方法,其特征在于,所述性能评估模型中输入项为激光陀螺仪的漂移误差零次项系数和漂移误差一次项系数,输出项为惯组静态导航误差。
4.根据权利要求1所述的基于性能退化的激光陀螺仪备件数量确定方法,其特征在于,在所述“确定激光陀螺仪的性能评估参数”步骤之后,“根据所述性能评估参数构建激光陀螺仪的性能评估模型”步骤之前,还包括:
确定所述性能评估参数的证据可靠度和证据权重。
5.一种基于性能退化的激光陀螺仪备件数量确定系统,其特征在于,包括:
评估参数确定模块,用于确定激光陀螺仪的性能评估参数;
评估模型确定模块,用于根据所述性能评估参数构建激光陀螺仪的性能评估模型;
参数获取模块,用于根据所述性能评估参数获取激光陀螺仪性能监测数据;
性能退化包络曲线确定模块,用于根据所述性能监测数据和性能评估模型进行性能评估,得到激光陀螺仪的性能退化包络曲线;所述性能评估模型采用区间证据推理的方法进行性能评估,具体包括:将所述性能监测数据进行区间信息转换,得到置信结构数据;将所述置信结构数据进行跨区间置信度转换,得到置信度数据;采用IER方法构建全局优化模型;根据所述置信度数据和全局优化模型,得到激光陀螺仪的性能退化包络曲线;
健康度包络曲线确定模块,用于采用基于距离的匹配度转换方法将所述性能退化包络曲线转换为健康度包络曲线,公式如下:
;
其中,为健康度,为性能退化包络曲线中对应的性能数值;为性能退化包络曲线中激光陀螺仪正常工作时性能最大值,为性能退化包络曲线中激光陀螺仪故障时性能最小值;
健康度期望确定模块,用于根据所述健康度包络曲线确定健康度期望;
备件数量确定模块,用于根据所述健康度期望,采用如下公式确定所述激光陀螺仪的备件数量:
;
;
其中,为所需激光陀螺仪的初始数量,为处于工作状态的激光陀螺仪健康度水平的个数,表示时刻下对应的健康度期望,为健康度期望的设备个数,为所需激光陀螺仪的备件数量,表示不小于的最小整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211628942.5A CN115619106B (zh) | 2022-12-19 | 2022-12-19 | 一种考虑性能退化的激光陀螺仪备件数量确定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211628942.5A CN115619106B (zh) | 2022-12-19 | 2022-12-19 | 一种考虑性能退化的激光陀螺仪备件数量确定方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115619106A CN115619106A (zh) | 2023-01-17 |
CN115619106B true CN115619106B (zh) | 2023-05-16 |
Family
ID=84880237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211628942.5A Active CN115619106B (zh) | 2022-12-19 | 2022-12-19 | 一种考虑性能退化的激光陀螺仪备件数量确定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115619106B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115979310B (zh) * | 2023-03-20 | 2023-07-07 | 中国人民解放军火箭军工程大学 | 一种惯导系统性能退化评估方法、系统、电子设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886430A (zh) * | 2019-01-24 | 2019-06-14 | 同济大学 | 一种基于工业大数据的设备健康状态评估与预测方法 |
CN112069685A (zh) * | 2020-09-09 | 2020-12-11 | 中国人民解放军火箭军工程大学 | 一种考虑可解释性的复杂机电系统健康评估方法及系统 |
CN114201825A (zh) * | 2021-11-08 | 2022-03-18 | 华能(浙江)能源开发有限公司清洁能源分公司 | 基于组合特征的设备性能退化状态的评估方法及系统 |
CN114787837A (zh) * | 2019-11-26 | 2022-07-22 | 巴斯夫欧洲公司 | 采用机器学习方法预测工业老化过程 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8103463B2 (en) * | 2006-09-21 | 2012-01-24 | Impact Technologies, Llc | Systems and methods for predicting failure of electronic systems and assessing level of degradation and remaining useful life |
CN105022019B (zh) * | 2015-06-23 | 2017-12-08 | 国家电网公司 | 单相智能电能表可靠性综合评价的方法 |
CN110851980B (zh) * | 2019-11-11 | 2021-01-29 | 中国人民解放军火箭军工程大学 | 一种设备剩余寿命预测方法及系统 |
CN111238534B (zh) * | 2020-01-17 | 2021-09-14 | 中国人民解放军火箭军工程大学 | 基于证据推理的激光惯组最优测试时机确定方法 |
CN111967791B (zh) * | 2020-08-28 | 2021-08-31 | 中国人民解放军火箭军工程大学 | 一种考虑扰动与故障阈值的设备性能评估方法及系统 |
CN112488497A (zh) * | 2020-11-27 | 2021-03-12 | 中国人民解放军火箭军工程大学 | 一种融合多元信息的激光惯组性能评估方法 |
CN112926273B (zh) * | 2021-04-13 | 2023-04-18 | 中国人民解放军火箭军工程大学 | 一种多元退化设备剩余寿命预测方法 |
CN113158471B (zh) * | 2021-04-26 | 2023-01-24 | 中国人民解放军火箭军工程大学 | 一种考虑测量不确定性的退化设备剩余寿命预测方法 |
CN113671394A (zh) * | 2021-08-16 | 2021-11-19 | 中国华能集团清洁能源技术研究院有限公司 | 一种锂离子电池期望寿命预测方法及系统 |
CN114722598A (zh) * | 2022-03-31 | 2022-07-08 | 中国人民解放军陆军工程大学 | 一种脉冲激光装备的寿命评估方法 |
CN114943179A (zh) * | 2022-05-30 | 2022-08-26 | 中国人民解放军空军工程大学 | 基于多源退化数据融合的可靠性评估及剩余寿命预测方法 |
-
2022
- 2022-12-19 CN CN202211628942.5A patent/CN115619106B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886430A (zh) * | 2019-01-24 | 2019-06-14 | 同济大学 | 一种基于工业大数据的设备健康状态评估与预测方法 |
CN114787837A (zh) * | 2019-11-26 | 2022-07-22 | 巴斯夫欧洲公司 | 采用机器学习方法预测工业老化过程 |
CN112069685A (zh) * | 2020-09-09 | 2020-12-11 | 中国人民解放军火箭军工程大学 | 一种考虑可解释性的复杂机电系统健康评估方法及系统 |
CN114201825A (zh) * | 2021-11-08 | 2022-03-18 | 华能(浙江)能源开发有限公司清洁能源分公司 | 基于组合特征的设备性能退化状态的评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115619106A (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109524139B (zh) | 一种基于设备工况变化的实时设备性能监测方法 | |
JP6467186B2 (ja) | データストリームにおける不良データを検出、訂正、および検査するためのシステムおよび方法 | |
Heng et al. | Rotating machinery prognostics: State of the art, challenges and opportunities | |
US8341106B1 (en) | System and method for identifying related events in a resource network monitoring system | |
CN110414552B (zh) | 一种基于多源融合的备件可靠性贝叶斯评估方法及系统 | |
CN115619106B (zh) | 一种考虑性能退化的激光陀螺仪备件数量确定方法及系统 | |
CN110414553B (zh) | 一种融合多源信息的备件可靠性评估方法及系统 | |
CN111832939B (zh) | 一种特高压直流输电系统主设备检修质量评价方法 | |
Luijten et al. | Faster defect resolution with higher technical quality of software | |
CN105975797A (zh) | 一种基于模糊数据处理的产品早期故障根原因识别方法 | |
Jin et al. | An optimal maintenance strategy for multi-state deterioration systems based on a semi-Markov decision process coupled with simulation technique | |
Xu et al. | Anomaly detection with gru based bi-autoencoder for industrial multimode process | |
CN114692875A (zh) | 一种故障诊断用gis知识图谱的构建方法 | |
CN111192163B (zh) | 基于风电机组运行数据的发电机可靠度中短期预测方法 | |
CN117708735A (zh) | 一种基于多点校核的量测数据拟合方法、介质及系统 | |
Zhang et al. | Hierarchical hybrid testability modeling and evaluation method based on information fusion | |
CN115062965A (zh) | 一种基于故障信息的水轮发电机组健康评估方法 | |
Wang et al. | Maintenance decision based on data fusion of aero engines | |
Zhang et al. | A comparative study of pick degradation prediction based on grey prediction and Bayesian algorithm | |
CN112906237A (zh) | 一种发动机部件故障分析方法及系统 | |
Wang et al. | A cumulative exposure model for remaining useful life prediction of pitot tube based on dynamic operating data | |
Gu et al. | Integrated availability importance measure analysis for multi‐state manufacturing system based on proportional hazards model | |
JP2021110977A (ja) | 診断装置、診断方法およびプログラム | |
CN116933181B (zh) | 等级不对称情况下的复杂装备质量状态认证方法 | |
CN112395757B (zh) | 一种面向制造过程的海上风电机组可靠性预计方法 |
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 |