CN115712841B - 基于周期数据的数据分布特性的航天器部件状态评估方法 - Google Patents
基于周期数据的数据分布特性的航天器部件状态评估方法 Download PDFInfo
- Publication number
- CN115712841B CN115712841B CN202211444297.1A CN202211444297A CN115712841B CN 115712841 B CN115712841 B CN 115712841B CN 202211444297 A CN202211444297 A CN 202211444297A CN 115712841 B CN115712841 B CN 115712841B
- Authority
- CN
- China
- Prior art keywords
- data
- data sequence
- sequence
- health
- spacecraft
- 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
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Complex Calculations (AREA)
Abstract
本申请公开了一种基于周期数据的数据分布特性的航天器部件状态评估方法,涉及航空航天技术领域,该方法对实时的原始运行数据序列基于基准数据序列进行相位的调整,消除因直接采集对比带来的相位干扰,针对航天器部件的运行数据为周期数据特点且仅能利用短期数据的情形,结合数据分布离差与运行数据变化相似度实现对周期数据的健康评估,利用短期数据进行实时健康评估;有利于及时监测航天器部件的健康状态,有利于故障的预防与解决,并进行合理任务规划,为航天器在轨实时健康评估提供了理论基础。
Description
技术领域
本申请涉及航空航天技术领域,尤其是一种基于周期数据的数据分布特性的航天器部件状态评估方法。
背景技术
随着航空航天领域技术的不断发展,执行任务的复杂度不断提升,出于合理任务规划与部件性能的需求,在航天器运行过程中对其各个部件进行准确的健康评估具有重要意义。
目前基于数据对设备进行健康评估大多会选择平稳数据,通过数据变化与偏离程度可以直观进行设备的健康状态的评估。但是很多航天器部件由于定期运行与轨道周期等因素使得反应其性能变化的数据呈现周期变化特征,这类数据的周期性、波动性使得对于这类数据的健康评估成为难题。常规针对周期数据的健康评估需要长期运行的运行数据,从其中提取变化趋势建立隐性健康特征观测模型,但是实际航天器部件初期运行时并无大量运行数据,采用相同航天器部件的历史数据进行分析也会因工作环境差异等因素使得评估结果出现较大偏差,因此无法适用。这些因素都导致目前对于航天器部件的健康评估的难度较大,并没有很好地解决方法。
发明内容
本申请人针对上述问题及技术需求,提出了一种基于周期数据的数据分布特性的航天器部件状态评估方法,本申请的技术方案如下:
一种基于周期数据的数据分布特性的航天器部件状态评估方法,该方法包括在待评估航天器部件运行过程中的任意当前采样时刻:
采集当前采样时刻最近一个完整运行周期内的原始运行数据序列;
基于采集到的原始运行数据序列构建得到与待评估航天器部件的基准数据序列的相位一致的运行状态数据序列,其中,待评估航天器部件的基准数据序列包括待评估航天器部件在平稳运行后的第一个完整运行周期内的运行数据;
计算运行状态数据序列与基准数据序列的数据分布离差;
计算运行状态数据序列与基准数据序列的运行数据变化相似度;
融合数据分布离差和运行数据变化相似度得到待评估航天器部件在当前采样时刻的健康状态评估结果。
其进一步的技术方案为,构建当前采样时刻对应的运行状态数据序列的方法包括:
对采集到的原始运行数据序列中包含的各个采样时刻的运行数据的时序排列位置进行重排列,将原始运行数据序列中的第二序列重排列到第一序列的时序之前得到与基准数据序列的相位一致的运行状态数据序列;
其中,第一序列包含待评估航天器部件在平稳运行后的第t+1-n个采样时刻至第k*n个采样时刻采集到的运行数据,第二序列包含待评估航天器部件在平稳运行后的第k*n+1个采样时刻至第t个采样时刻采集到的运行数据;基准数据序列包括待评估航天器部件在平稳运行后的第1个采样时刻至第n个采样时刻采集到的运行数据,k为参数且k≥1。
其进一步的技术方案为,计算运行状态数据序列与基准数据序列的数据分布离差的方法包括:
将函数域F定义成再生希尔伯特空间中单位球内的任意向量,通过计算运行状态数据序列与基准数据序列之间的最大均值差异MMD作为数据分布离差D;
其中,f表示映射到再生希尔伯特空间中的任意向量,f∈F且||f||<1,Ep[f(x)]表示运行状态数据序列中的各个运行数据映射到再生希尔伯特空间中的向量f(x)后的期望的差,Eq[f(y)]表示基准数据序列中的各个运行数据映射到再生希尔伯特空间中的向量f(y)后的期望的差,函数sup()用于取上确界。
其进一步的技术方案为,计算运行状态数据序列与基准数据序列之间的最大均值差异MMD的方法包括:
按照公式计算得到运行状态数据序列与基准数据序列之间的最大均值差异MMD;
其中,函数Φ()为映射函数,Φ(xi)是将运行状态数据序列中的第i个运行数据xi经过映射函数Φ()映射到再生希尔伯特空间中的向量,Φ(yj)是将基准数据序列中的第j个运行数据yj经过映射函数Φ()映射到再生希尔伯特空间中的向量;n是运行状态数据序列中包括的运行数据的个数、也是基准数据序列中包括的运行数据的个数。
其进一步的技术方案为,计算运行状态数据序列与基准数据序列的运行数据变化相似度的方法包括:
计算运行状态数据序列与基准数据序列之间的皮尔逊相关系数作为运行数据变化相似度:
其中,xi是运行状态数据序列中的第i个运行数据,是运行状态数据序列中所有运行数据的样本平均值;yi是基准数据序列中的第i个运行数据,/>是运行状态数据序列中所有运行数据的样本平均值,n是运行状态数据序列中包括的运行数据的个数、也是基准数据序列中包括的运行数据的个数。
其进一步的技术方案为,融合数据分布离差和运行数据变化相似度得到待评估航天器部件在当前采样时刻的健康状态评估结果的方法包括:
将数据特性负向衡量的数据分布离差转换为数据特性正向衡量的正向健康度;
将转换为数据特性正向衡量的正向健康度和运行数据变化相似度进行融合得到健康状态评估结果。
其进一步的技术方案为,待评估航天器部件的正向健康度D表示数据分布离差。
其进一步的技术方案为,对正向健康度和运行数据变化相似度进行融合得到健康状态评估结果的方法包括:
根据正向健康度所在的数值区间范围得到指示待评估航天器部件所处的健康状态等级的第一参考结果;
根据运行数据变化相似度所在的数值区间范围得到指示待评估航天器部件所处的健康状态等级的第二参考结果;
将第一参考结果和第二参考结果指示的健康状态较差的健康状态等级作为待评估航天器部件的健康状态评估结果。
其进一步的技术方案为,不同类型的运行数据对应的健康状态等级的划分方式、每个健康状态等级对应的正向健康度的数据区间范围、每个健康状态等级对应的运行数据变化相似度的数据区间范围不同。
其进一步的技术方案为,不同的待评估航天器部件的健康状态等级的划分方式、每个健康状态等级对应的正向健康度的数据区间范围、每个健康状态等级对应的运行数据变化相似度的数据区间范围不同。
本申请的有益技术效果是:
本申请公开了一种基于周期数据的数据分布特性的航天器部件状态评估方法,该方法对实时的原始运行数据序列基于基准数据序列进行相位的调整,消除因直接采集对比带来的相位干扰,针对航天器部件的运行数据为周期数据特点且仅能利用短期数据的情形,结合数据分布离差与运行数据变化相似度实现对周期数据的健康评估,利用短期数据进行实时健康评估;有利于及时监测航天器部件的健康状态,有利于故障的预防与解决,并进行合理任务规划,为航天器在轨实时健康评估提供了理论基础。
该方法采用MMD方法从数据分布离差角度对健康状态进行衡量,并引入皮尔逊相关系数从数据运行数据变化相似度角度进行分析。MMD无法准确衡量数据波形变化相似性与局部数据初期波动,皮尔逊相关系数无法描述线性相关的两组数据幅值上的差异,但可以准确检测局部数据变化与波形变化。本方申请利用两个方法互相补充可以全面、准确描述部件数据变化特性,从而准确可靠的实现健康状态评估。
附图说明
图1是本申请一个实施例中的航天器部件状态评估方法的方法流程图。
图2是将原始运行数据序列重构为运行状态数据序列的示意图,以及与基准数据序列的曲线对比示意图。
图3是一个实例中不同采样时刻计算得到的运行数据变化相似度的曲线图。
图4是一个实例中不同采样时刻计算得到的数据分布离差以及转换得到的正向健康度的曲线图。
具体实施方式
下面结合附图对本申请的具体实施方式做进一步说明。
本申请公开了一种基于周期数据的数据分布特性的航天器部件状态评估方法,请参考图1所示的流程图,该方法包括如下步骤:
首先获取待评估航天器部件的基准数据序列。本申请基于周期数据的方差、标准差、数据极差值来获取基准数据序列,由于待评估航天器部件在平稳运行后的第一个完整运行周期内的方差、标准差、数据极差值一般都取到最小,因此本申请获取待评估航天器部件在平稳运行后的第一个完整运行周期内的运行数据作为该待评估航天器部件的基准数据序列。在一个实施例中,该基准数据序列包括对原始采集到的运行数据经过数据预处理后得到的数据,数据预处理包括野值剔除和重采样。
待评估航天器部件的运行数据呈现周期性变化特征,每个完整运行周期的周期时长均相等,在均匀采样的基础上,则每个完整运行周期内采样到的运行数据的个数均相等为n,该n即作为基准数据序列量。则基准数据序列包括待评估航天器部件在平稳运行后的第1个采样时刻至第n个采样时刻采集到的运行数据。
比如在一个实例中,待评估航天器部件的每个完整运行周期的周期时长为365天,对待评估航天器部件每天采样一个运行数据,则每个完整运行周期内采样到的运行数据的个数均相等为365个。
本申请提供的状态评估方法在待评估航天器部件运行过程中动态的进行状态评估,在待评估航天器部件平稳运行的第一个完整运行周期之后的任意当前采样时刻t,执行如下步骤进行状态评估:
步骤1,采集当前采样时刻最近一个完整运行周期内的原始运行数据序列。如上所述,由于待评估航天器部件的运行数据呈现周期性变化特征且每个完整运行周期的运行数据的个数均相等为n,因此当前采样时刻最近一个完整运行周期内的原始运行数据序列即包括当前采样时刻t采集到的运行数据及其之前的连续共n个运行数据。
步骤2,基于采集到的原始运行数据序列构建得到与待评估航天器部件的基准数据序列的相位一致的运行状态数据序列。
直接采集到的原始运行数据序列虽然包含了一个完整运行周期内的运行数据,但是其相位与基准数据序列可能并不对应,直接对原始运行数据序列进行处理容易带来相位等误差。虽然相位等误差干扰对后续计算数据分布离差的计算结果无影响,但不便于后续计算运行状态数据序列与基准数据序列的运行数据变化相似度。
比如,假设待评估航天器部件每个完整运行周期的周期时长为365天,基于每天采样一个运行数据的方式,从待评估航天器部件达到平稳运行后,第一个完整运行周期包含第1~365天,则基准数据序列包含在第1个采样时刻至第365个采样时刻内采集到的365个原始运行数据序列构,间隔一个周期时长的完整运行周期包含第366~730天,再间隔一个周期时长的完整运行周期包含第731~1095天……以此类推。
当采集到的原始运行数据序列恰好与基准数据序列间隔整数个周期时长时,原始运行数据序列与基准数据序列不存在相位偏差。比如当采集到的原始运行数据序列包含在第366个采样时刻至第730个采样时刻采集到的365个原始运行数据序列构时,其与基准数据序列间隔一个周期时长、相位相同。但是实际上,大部分当前采样时刻t采集到的原始运行数据序列与基准数据序列存在相位偏差,比如在待评估航天器部件达到平稳运行后的第750个采样时刻,其采样的原始运行数据序列包括第386个采样时刻至第750个采样时刻采集到的365个原始运行数据序列,这时虽然包含了一个完整运行周期内的n个运行数据,但与基准时刻对应的采样时刻并不是相差整数个周期时长,因此为了避免相位的误差,需要将原始运行数据序列的相位处理为与基准数据序列一致。
本申请定义从待评估航天器部件平稳运行后对运行数据连续采样,将第1个采样时刻至第n个采样时刻采集到的运行数据作为基准数据序列,则所有在第k*n+1个采样时刻至第(k+1)*n个采样时刻内采样到的原始运行数据序列都与基准数据序列的相位一致。k为参数且k≥1。比如在上述举例中,n=365,则k=1时,第366个采样时刻至730个采样时刻采集到的原始运行数据序列与基准数据序列的相位一致;k=2时,第731个采样时刻至第1095个采样时刻采集到的原始运行数据序列与基准数据序列的相位一致。
除此之外,采集到的原始运行数据序列均与基准数据序列存在相位偏差,则需要对采集到的原始运行数据序列中包含的各个采样时刻的运行数据的时序排列位置进行重排列,将原始运行数据序列中的第二序列重排列到第一序列的时序之前得到与基准数据序列的相位一致的运行状态数据序列。其中,第一序列包含所述待评估航天器部件在平稳运行后的第t+1-n个采样时刻至第k*n个采样时刻采集到的运行数据,第二序列包含待评估航天器部件在平稳运行后的第k*n+1个采样时刻至第t个采样时刻采集到的运行数据。请参考图2所示的示意图,图2中的(a)表示基准数据序列,(b)表示采集到的原始运行数据序列,(c)表示对采集到的原始运行数据序列进行重排列后的运行状态数据序列,对比(a)和(c)可以看出,相位一致的运行状态数据序列和基准数据序列的曲线基本一致。
比如在第750个采样时刻采集到的原始运行数据序列包含第386个采样时刻至第750个采样时刻的运行数据,第一序列包含第386个采样时刻至第730个采样时刻采集到的运行数据,第二序列包含第731个采样时刻至第750个采样时刻采集到的运行数据,则将第731个采样时刻至第750个采样时刻采集到的运行数据重排列到第386个采样时刻采集到的运行数据之前。
步骤3,计算运行状态数据序列与基准数据序列的数据分布离差。
将基准数据序列代表的健康状态等级为1而健康状态最优,将迁移学习中度量两个不同但相关的随机变量分布差异的方法引入,通过计算运行状态数据序列与基准数据序列之间的最大均值差异MMD作为数据分布离差D。其中,f表示映射到再生希尔伯特空间中的任意向量,Ep[f(x)]表示运行状态数据序列中的各个运行数据映射到再生希尔伯特空间中的向量f(x)后的期望的差,Eq[f(y)]表示基准数据序列中的各个运行数据映射到再生希尔伯特空间中的向量f(y)后的期望的差,函数sup()用于取上确界。
在实际使用时,再生希尔伯特空间中的向量f的函数域F不可以随便定义,因为即使两个随机变量分布相同,当样本有限时,如果函数域为任意函数,则总能找到一个函数使得两个随机变量分布的最大均值差异MMD距离无限大,因此函数域F必须加以限制。
在本申请中将函数域F定义成再生希尔伯特空间中单位球内的任意向量,则映射到再生希尔伯特空间中的任意向量f∈F且||f||<1。将任意运行数据映射到再生希尔伯特空间中的向量f(x)定义为再生希尔伯特空间中的向量f与该空间中的向量Φ(x)的点积f(x)=<f,Φ(x)>H,函数Φ()为映射函数。f(y)同样定义。
则利用再生希尔伯特空间的性质,可以进一步通过如下式计算得到运行状态数据序列与基准数据序列之间的最大均值差异MMD:
其中,函数Φ()为映射函数,Φ(xi)是将运行状态数据序列中的第i个运行数据xi经过映射函数Φ()映射到再生希尔伯特空间中的向量,Φ(yj)是将基准数据序列中的第j个运行数据yj经过映射函数Φ()映射到再生希尔伯特空间中的向量;n是运行状态数据序列中包括的运行数据的个数、也是基准数据序列中包括的运行数据的个数。
步骤4,计算运行状态数据序列与基准数据序列的运行数据变化相似度。
计算运行状态数据序列与基准数据序列之间的皮尔逊相关系数作为运行数据变化相似度:
其中,r表示皮尔逊相关系数,xi是运行状态数据序列中的第i个运行数据,是运行状态数据序列中所有运行数据的样本平均值;yi是基准数据序列中的第i个运行数据,/>是运行状态数据序列中所有运行数据的样本平均值,n是运行状态数据序列中包括的运行数据的个数、也是基准数据序列中包括的运行数据的个数。
皮尔逊相关系数无法描述线性相关的两组数据幅值上的差异,但可以准确检测局部数据变化与波形变化,在一个实例中,各个不同的采样时刻计算得到的运行数据变化相似度的曲线变化图如图3所示,横轴为采样时刻,纵轴为运行数据变化相似度。
步骤5,融合数据分布离差和运行数据变化相似度得到待评估航天器部件在当前采样时刻的健康状态评估结果。
得到的数据分布离差为数据特性负向衡量,为了更好的反映待评估航天器部件的健康状态的趋势,将将数据分布离差首先转换为数据特性正向衡量的正向健康度。在一个实施例中,待评估航天器部件的正向健康度D表示数据分布离差。在一个实例中,各个不同的采样时刻计算得到的数据分布离差的曲线变化图以及转换得到的正向健康度的曲线变化图如图4所示。
然后将转换为数据特性正向衡量的正向健康度和运行数据变化相似度进行融合得到健康状态评估结果。周期数据的数据分布离差与运行数据变化相似度为不同衡量标准,因此首先分别对其评估:根据正向健康度所在的数值区间范围得到指示待评估航天器部件所处的健康状态等级的第一参考结果。根据运行数据变化相似度所在的数值区间范围得到指示待评估航天器部件所处的健康状态等级的第二参考结果。然后按照短板理论,将第一参考结果和第二参考结果指示的健康状态较差的健康状态等级作为待评估航天器部件的健康状态评估结果。
预先对待评估航天器部件按照不同的健康状态划分不同的健康状态等级,每一个健康状态等级指示待评估航天器部件的不同的健康状态,比如在一个实例中划分的健康状态等级包括“失效”、“合格”、“良好”、“优秀”,“优秀”代表待评估航天器部件运行状态好,能够稳定完成各项工作任务;“良好”代表待评估航天器部件运行状态较好,能够完成大部分工作任务;“合格”代表待评估航天器部件运行状态一般,仅能够完成对性能要求较低的部分简单任务;“失效”代表待评估航天器部件运行状态较差,不能完成工作任务。
且针对每个健康状态等级划分了相应的正向健康度的数据区间范围以及运行数据变化相似度的数据区间范围,正向健康度的数据区间范围和运行数据变化相似度的数据区间范围各自对应划分。比如预先按如下表划分:
健康状态等级 | 正向健康度 | 运行数据变化相似度 |
优秀 | [0.95,1] | [0.95,1] |
良好 | [0.9,0.95) | [0.9,0.95) |
合格 | [0.85,0.9) | [0.85,0.9) |
失效 | <0.85 | <0.85 |
则当待评估航天器部件的正向健康度为0.95、运行数据变化相似度为0.86时,得到的第一参考结果为“优秀”,第二参考结果为“合格”,则最终将指示的健康状态较差的健康状态等级“合格”作为健康状态评估结果。
在实际运行时,即便是对同一个待评估航天器部件,也可能会对多种不同类型的运行数据按照本申请的方法进行状态评估,比如温度数据、湿度数据等。由于最大均值差异(MMD)结果计算最终采用的映射函数Φ()不一,故对不同类型的运行数据往往不能采用相同的正向健康度的数据区间范围的划分标准。因此不同类型的运行数据对应的健康状态等级的划分方式、每个健康状态等级对应的正向健康度的数据区间范围、每个健康状态等级对应的运行数据变化相似度的数据区间范围不同。
另外,不同的待评估航天器部件的精度要求和性能要求也不同,因此对高精度要求的待评估航天器部件与低性能要求的待评估航天器部件选用阈值应有所区别。所以不同的待评估航天器部件的健康状态等级的划分方式、每个健康状态等级对应的正向健康度的数据区间范围、每个健康状态等级对应的运行数据变化相似度的数据区间范围不同。
以上所述的仅是本申请的优选实施方式,本申请不限于以上实施例。可以理解,本领域技术人员在不脱离本申请的精神和构思的前提下直接导出或联想到的其他改进和变化,均应认为包含在本申请的保护范围之内。
Claims (9)
1.一种基于周期数据的数据分布特性的航天器部件状态评估方法,其特征在于,所述方法包括在待评估航天器部件运行过程中的任意当前采样时刻:
采集当前采样时刻最近一个完整运行周期内的原始运行数据序列;
基于采集到的原始运行数据序列构建得到与所述待评估航天器部件的基准数据序列的相位一致的运行状态数据序列,其中,所述待评估航天器部件的基准数据序列包括所述待评估航天器部件在平稳运行后的第一个完整运行周期内的运行数据,所述基准数据序列包括所述待评估航天器部件在平稳运行后对运行数据连续采样得到的第1个采样时刻至第n个采样时刻采集到的运行数据,且所有在第k*n+1个采样时刻至第(k+1)*n个采样时刻内采样到的原始运行数据序列都与所述基准数据序列的相位一致,k为参数且k≥1;其中,所述基于采集到的原始运行数据序列构建得到与所述待评估航天器部件的基准数据序列的相位一致的运行状态数据序列包括:对采集到的原始运行数据序列中包含的各个采样时刻的运行数据的时序排列位置进行重排列,将所述原始运行数据序列中的第二序列重排列到第一序列的时序之前得到与所述基准数据序列的相位一致的运行状态数据序列;其中,第一序列包含所述待评估航天器部件在平稳运行后的第t+1-n个采样时刻至第k*n个采样时刻采集到的运行数据,第二序列包含所述待评估航天器部件在平稳运行后的第k*n+1个采样时刻至第t个采样时刻采集到的运行数据;
计算所述运行状态数据序列与所述基准数据序列的数据分布离差;
计算所述运行状态数据序列与所述基准数据序列的运行数据变化相似度;
融合所述数据分布离差和所述运行数据变化相似度得到所述待评估航天器部件在当前采样时刻的健康状态评估结果。
2.根据权利要求1所述的方法,其特征在于,计算所述运行状态数据序列与所述基准数据序列的数据分布离差的方法包括:
将函数域F定义成再生希尔伯特空间中单位球内的任意向量,通过计算所述运行状态数据序列与所述基准数据序列之间的最大均值差异MMD作为所述数据分布离差D;
其中,f表示映射到再生希尔伯特空间中的任意向量,f∈F且||f||<1,Ep[f(x)]表示所述运行状态数据序列中的各个运行数据映射到再生希尔伯特空间中的向量f(x)后的期望的差,Eq[f(y)]表示所述基准数据序列中的各个运行数据映射到再生希尔伯特空间中的向量f(y)后的期望的差,函数sup()用于取上确界。
3.根据权利要求2所述的方法,其特征在于,计算所述运行状态数据序列与所述基准数据序列之间的最大均值差异MMD的方法包括:
按照公式计算得到所述运行状态数据序列与所述基准数据序列之间的最大均值差异MMD;
其中,函数Φ()为映射函数,Φ(xi)是将所述运行状态数据序列中的第i个运行数据xi经过映射函数Φ()映射到再生希尔伯特空间中的向量,Φ(yj)是将所述基准数据序列中的第j个运行数据yj经过映射函数Φ()映射到再生希尔伯特空间中的向量;n是所述运行状态数据序列中包括的运行数据的个数、也是所述基准数据序列中包括的运行数据的个数。
4.根据权利要求1所述的方法,其特征在于,计算所述运行状态数据序列与所述基准数据序列的运行数据变化相似度的方法包括:
计算所述运行状态数据序列与所述基准数据序列之间的皮尔逊相关系数作为所述运行数据变化相似度:
其中,r表示皮尔逊相关系数,xi是所述运行状态数据序列中的第i个运行数据,是所述运行状态数据序列中所有运行数据的样本平均值;yi是所述基准数据序列中的第i个运行数据,/>是所述运行状态数据序列中所有运行数据的样本平均值,n是所述运行状态数据序列中包括的运行数据的个数、也是所述基准数据序列中包括的运行数据的个数。
5.根据权利要求1所述的方法,其特征在于,融合所述数据分布离差和所述运行数据变化相似度得到所述待评估航天器部件在当前采样时刻的健康状态评估结果的方法包括:
将数据特性负向衡量的所述数据分布离差转换为数据特性正向衡量的正向健康度;
将转换为数据特性正向衡量的所述正向健康度和所述运行数据变化相似度进行融合得到健康状态评估结果。
6.根据权利要求5所述的方法,其特征在于,所述待评估航天器部件的正向健康度D表示所述数据分布离差。
7.根据权利要求5所述的方法,其特征在于,对所述正向健康度和所述运行数据变化相似度进行融合得到健康状态评估结果的方法包括:
根据所述正向健康度所在的数值区间范围得到指示所述待评估航天器部件所处的健康状态等级的第一参考结果;
根据所述运行数据变化相似度所在的数值区间范围得到指示所述待评估航天器部件所处的健康状态等级的第二参考结果;
将所述第一参考结果和所述第二参考结果指示的健康状态较差的健康状态等级作为所述待评估航天器部件的健康状态评估结果。
8.根据权利要求7所述的方法,其特征在于,不同类型的运行数据对应的健康状态等级的划分方式、每个健康状态等级对应的正向健康度的数据区间范围、每个健康状态等级对应的运行数据变化相似度的数据区间范围不同。
9.根据权利要求7所述的方法,其特征在于,不同的待评估航天器部件的健康状态等级的划分方式、每个健康状态等级对应的正向健康度的数据区间范围、每个健康状态等级对应的运行数据变化相似度的数据区间范围不同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211444297.1A CN115712841B (zh) | 2022-11-18 | 2022-11-18 | 基于周期数据的数据分布特性的航天器部件状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211444297.1A CN115712841B (zh) | 2022-11-18 | 2022-11-18 | 基于周期数据的数据分布特性的航天器部件状态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115712841A CN115712841A (zh) | 2023-02-24 |
CN115712841B true CN115712841B (zh) | 2023-08-15 |
Family
ID=85233866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211444297.1A Active CN115712841B (zh) | 2022-11-18 | 2022-11-18 | 基于周期数据的数据分布特性的航天器部件状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115712841B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012149901A1 (zh) * | 2011-05-03 | 2012-11-08 | 北京中瑞泰科技有限公司 | 基于相似度曲线的设备故障早期预警及优化的方法和系统 |
CN110795510A (zh) * | 2019-10-22 | 2020-02-14 | 北京空间技术研制试验中心 | 基于高维数据关联挖掘的航天器系统健康状态评估方法 |
CN111382488A (zh) * | 2018-12-28 | 2020-07-07 | 北京金风科创风电设备有限公司 | 时序曲线的相位偏差的消除方法和装置 |
CN112241608A (zh) * | 2020-10-13 | 2021-01-19 | 国网湖北省电力有限公司电力科学研究院 | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 |
CN112729878A (zh) * | 2020-10-30 | 2021-04-30 | 长春工业大学 | 一种用于评估crh380型走行部系统健康状态的方法 |
CN113305880A (zh) * | 2021-05-10 | 2021-08-27 | 佛山科学技术学院 | 一种基于dtw距离的工业机器人一致性检测系统及方法 |
-
2022
- 2022-11-18 CN CN202211444297.1A patent/CN115712841B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012149901A1 (zh) * | 2011-05-03 | 2012-11-08 | 北京中瑞泰科技有限公司 | 基于相似度曲线的设备故障早期预警及优化的方法和系统 |
CN111382488A (zh) * | 2018-12-28 | 2020-07-07 | 北京金风科创风电设备有限公司 | 时序曲线的相位偏差的消除方法和装置 |
CN110795510A (zh) * | 2019-10-22 | 2020-02-14 | 北京空间技术研制试验中心 | 基于高维数据关联挖掘的航天器系统健康状态评估方法 |
CN112241608A (zh) * | 2020-10-13 | 2021-01-19 | 国网湖北省电力有限公司电力科学研究院 | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 |
CN112729878A (zh) * | 2020-10-30 | 2021-04-30 | 长春工业大学 | 一种用于评估crh380型走行部系统健康状态的方法 |
CN113305880A (zh) * | 2021-05-10 | 2021-08-27 | 佛山科学技术学院 | 一种基于dtw距离的工业机器人一致性检测系统及方法 |
Non-Patent Citations (1)
Title |
---|
应用层次分析法的航天器健康评估方法;冯文婧等;航天器工程;第23卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115712841A (zh) | 2023-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110795780B (zh) | 一种基于XGBoost算法的斜拉桥有限元修正方法 | |
JPH09502811A (ja) | 試験施設間性能モニタリングシステム | |
Henderson | Exploring between site differences in water quality trends: a functional data analysis approach | |
Kholodilin et al. | On the forecasting properties of the alternative leading indicators for the German GDP: Recent evidence | |
JP5827425B1 (ja) | 予兆診断システム及び予兆診断方法 | |
CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
CN111737249A (zh) | 基于Lasso算法的异常数据检测方法及装置 | |
D'Emilia et al. | Data validation techniques for measurements systems operating in a Industry 4.0 scenario a condition monitoring application | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
Subramaniyan et al. | Real-time data-driven average active period method for bottleneck detection | |
CN108595736B (zh) | 一种机构可靠性建模方法 | |
CN115712841B (zh) | 基于周期数据的数据分布特性的航天器部件状态评估方法 | |
CN114970157A (zh) | 电子产品在电压应力作用下的小样本试验寿命预测方法 | |
CN114970665A (zh) | 模型训练方法、电解电容剩余寿命预测方法及系统 | |
CN106599391B (zh) | 基于三角形角度值动态加权的关联向量机软测量建模方法 | |
Chesneau et al. | Hindcasting with multistations using analog ensembles | |
Hagmeyer et al. | A comparative study on methods for fusing data-driven and physics-based models for hybrid remaining useful life prediction of air filters | |
CN116127833A (zh) | 基于vmd和lstm融合模型的风电功率预测方法、系统、装置及介质 | |
Perry et al. | Automated shift detection in sensor-based PV power and irradiance time series | |
Liu et al. | An Empirical Comparison of GANs and Normalizing Flows for Density Estimation | |
CN112948755A (zh) | 一种遥测正弦参数判读方法 | |
CN112163022A (zh) | 一种面向时序数据的预测方法 | |
Li et al. | Accuracy Degradation Model and Residual Accuracy Life Prediction of CNC Machine Tools Based on Wiener Process | |
de Waele | Accurate Characterization of Non-Uniformly Sampled Time Series using Stochastic Differential Equations | |
CN118170004B (zh) | 基于物联网的控制方法及系统 |
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 |