CN116011109B - 一种航天器寿命预测方法、装置、电子设备及存储介质 - Google Patents
一种航天器寿命预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116011109B CN116011109B CN202310073236.7A CN202310073236A CN116011109B CN 116011109 B CN116011109 B CN 116011109B CN 202310073236 A CN202310073236 A CN 202310073236A CN 116011109 B CN116011109 B CN 116011109B
- Authority
- CN
- China
- Prior art keywords
- spacecraft
- sample
- health
- data
- factor
- 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 68
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 230000036541 health Effects 0.000 claims abstract description 130
- 238000012545 processing Methods 0.000 claims abstract description 84
- 238000000605 extraction Methods 0.000 claims abstract description 29
- 230000009467 reduction Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 230000001174 ascending effect Effects 0.000 claims description 5
- 238000012847 principal component analysis method Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 18
- 230000008569 process Effects 0.000 description 14
- 239000000306 component Substances 0.000 description 12
- 210000004027 cell Anatomy 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 9
- 238000013507 mapping Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000008358 core component Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000011946 reduction process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 241000218681 Pseudolarix Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及航天器监测技术领域，特别涉及一种航天器寿命预测方法、装置、电子设备及存储介质，其中方法包括：获取航天器遥测数据，包括航天器多项工作参数的数据；对每项工作参数的数据依次进行离群点处理、特征提取处理和标准化处理，得到每项工作参数的目标特征；将所有工作参数的目标特征输入训练好的航天器健康演化模型中，得到航天器遥测数据对应的健康因子；将航天器遥测数据对应的健康因子输入训练好的航天器寿命预测模型中，得到航天器遥测数据对应的预测寿命及置信区间。本发明能够综合多维数据进行航天器剩余寿命预测，并给出置信区间，对提高航天器寿命预测准确率起到重要作用。
Description
技术领域
本发明实施例涉及航天器监测技术领域，特别涉及一种航天器寿命预测方法、装置、电子设备及存储介质。
背景技术
航天器，如卫星平台，是国家空间资源的重要组成部分，也是保证国家战略安全的重要装备，由于其功能机构复杂、运行环境恶劣，因此，为确保航天器的稳定运行，就需要对航天器状态进行监测，及时确定航天器剩余寿命。
目前，现有技术通常仅凭航天器遥测数据中少数几个参数的变化规律进行航天器寿命预测，预测结果可靠性低。
发明内容
为了准确预测航天器剩余寿命，本发明实施例提供了一种航天器寿命预测方法、装置、电子设备及存储介质，能够综合多维数据确定航天器健康因子，基于健康因子及贝叶斯优化的航天器寿命预测模型深度发掘健康因子与剩余寿命潜在动态关系，完成航天器剩余寿命预测，并给出所得结果的置信区间。
第一方面，本发明实施例提供了一种航天器寿命预测方法，包括：
获取航天器遥测数据；所述航天器遥测数据中包括航天器多项工作参数的数据；
对每项工作参数的数据依次进行离群点处理、特征提取处理和标准化处理，得到每项工作参数的目标特征；
将所有工作参数的目标特征输入训练好的航天器健康演化模型中，得到所述航天器遥测数据对应的健康因子；其中，所述健康因子用于表征航天器的健康状态，所述航天器健康演化模型是通过以航天器工作参数的样本特征作为输入和以所述样本特征对应的第一样本健康因子为输出来对预设的模糊神经网络进行训练得到的，所述样本特征是通过对航天器工作参数的样本数据依次进行离群点处理、特征提取处理和标准化处理得到的；
将所述航天器遥测数据对应的健康因子输入训练好的航天器寿命预测模型中，得到所述航天器遥测数据对应的预测寿命及置信区间；其中，所述航天器寿命预测模型是通过以第二样本健康因子为输入和以第二样本健康因子对应的剩余寿命为输出来对预设的LSTM网络进行训练得到的，所述LSTM网络结合贝叶斯优化方法，将权重和偏置值替换为概率密度分布进行采样，输出带有置信区间的预测寿命。
可选地，所述第一样本健康因子是通过如下方式得到的：
对每项工作参数的样本特征进行降维处理，得到每项工作参数的一维融合特征；
对所有工作参数的一维融合特征进行降维处理，得到所述样本数据对应的一维目标特征；
对所述一维目标特征进行曲线拟合，得到样本拟合曲线；
将所述样本拟合曲线的拟合值作为第一样本健康因子。
可选地，所述降维处理采用主元分析法。
可选地，所述对所述一维目标特征进行曲线拟合，得到样本拟合曲线，包括：
基于所述一维目标特征的变化趋势，对所述一维目标特征进行标准化处理，得到一维标准特征；其中，所述变化趋势包括上升趋势和下降趋势；
采用最小二乘法对所述一维标准特征进行曲线拟合，得到样本拟合曲线。
可选地，所述第二样本健康因子是通过如下方式得到的：
通过将航天器工作参数的历史特征输入训练好的航天器健康演化模型中，得到对应的第二样本健康因子；所述历史特征是通过对航天器工作参数的在轨数据依次进行离群点处理、特征提取处理和标准化处理得到的。
可选地，所述特征提取处理所提取的特征包括最大值、最小值、峰值、峰峰值、平均值、平均幅值、方根幅值、方差、标准差、均方根、峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子、峭度因子和余隙因子中的至少六种。
可选地，航天器多项工作参数包括机电部件的自身参数和航天器的整体参数。
第二方面，本发明实施例还提供了一种航天器寿命预测装置，包括：
数据获取模块，用于获取航天器遥测数据；所述航天器遥测数据中包括航天器多项工作参数的数据；
特征提取模块，用于对每项工作参数的数据依次进行离群点处理、特征提取处理和标准化处理，得到每项工作参数的目标特征；
健康因子计算模块，用于将所有工作参数的目标特征输入训练好的航天器健康演化模型中，得到所述航天器遥测数据对应的健康因子；其中，所述健康因子用于表征航天器的健康状态，所述航天器健康演化模型是通过以航天器工作参数的样本特征作为输入和以所述样本特征对应的第一样本健康因子为输出来对预设的模糊神经网络进行训练得到的，所述样本特征是通过对航天器工作参数的样本数据依次进行离群点处理、特征提取处理和标准化处理得到的；
剩余寿命计算模块，用于将所述航天器遥测数据对应的健康因子输入训练好的航天器寿命预测模型中，得到所述航天器遥测数据对应的预测寿命及置信区间；其中，所述航天器寿命预测模型是通过以第二样本健康因子为输入和以第二样本健康因子对应的剩余寿命为输出来对预设的LSTM网络进行训练得到的，所述LSTM网络结合贝叶斯优化方法，将权重和偏置值替换为概率密度分布进行采样，输出带有置信区间的预测寿命。
第三方面，本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本说明书任一实施例所述的航天器寿命预测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本说明书任一实施例所述的航天器寿命预测方法。
本发明实施例提供了一种航天器寿命预测方法、装置、电子设备及存储介质；本发明综合航天器多项工作参数数据，以确保计算航天器健康状态及剩余寿命的准确性；对每项工作参数的数据依次进行离群点处理、特征提取处理和标准化处理，有利于得到更加准确和更易计算的目标特征；通过航天器健康演化模型建立起特征数据和健康因子的映射关系，如此可以获得表征航天器健康状态的健康因子；基于健康因子，利用贝叶斯优化的LSTM网络作为航天器寿命预测模型，给出带置信区间的航天器剩余寿命，对提高航天器寿命预测准确率起到重要作用。
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，下面将对实施例或现有技术描述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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种航天器寿命预测方法流程图；
图2是本发明一实施例提供的一种电子设备的硬件架构图；
图3是本发明一实施例提供的一种航天器寿命预测装置结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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的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。
如前所述，现有技术通常仅凭航天器遥测数据中少数几个参数的变化规律进行航天器寿命预测，预测结果可靠性低。有鉴于此，本发明提出一种航天器寿命预测方法，综合多维数据得到健康因子，基于健康因子及贝叶斯优化的航天器寿命预测模型，深度发掘健康因子与剩余寿命潜在动态关系，完成航天器剩余寿命预测，并给出所得结果的置信区间。
下面描述以上构思的具体实现方式。
请参考图1，本发明实施例提供了一种航天器寿命预测方法，该方法包括：
步骤100，获取航天器遥测数据；所述航天器遥测数据中包括航天器多项工作参数的数据；
步骤102，对每项工作参数的数据依次进行离群点处理、特征提取处理和标准化处理，得到每项工作参数的目标特征；
每项工作参数可对应多种目标特征；工作参数的数据与时间相对应，进行特征提取后，目标特征的数据也与时间对应；
步骤104，将所有工作参数的目标特征输入训练好的航天器健康演化模型中，得到所述航天器遥测数据对应的健康因子；其中，所述健康因子用于表征航天器的健康状态，所述航天器健康演化模型是通过以航天器工作参数的样本特征作为输入和以所述样本特征对应的第一样本健康因子为输出来对预设的模糊神经网络进行训练得到的，所述样本特征是通过对航天器工作参数的样本数据依次进行离群点处理、特征提取处理和标准化处理得到的；
步骤106，将所述航天器遥测数据对应的健康因子输入训练好的航天器寿命预测模型中，得到所述航天器遥测数据对应的预测寿命及置信区间；其中，所述预测寿命即预测的航天器剩余寿命，所述航天器寿命预测模型是通过以第二样本健康因子为输入和以第二样本健康因子对应的剩余寿命为输出来对预设的LSTM网络进行训练得到的，所述LSTM网络结合贝叶斯优化方法，将权重和偏置值替换为概率密度分布进行采样，输出带有置信区间的预测寿命。
本发明上述实施例综合航天器多项工作参数的数据，以确保计算航天器健康状态及剩余寿命的准确性；对每项工作参数的数据依次进行离群点处理、特征提取处理和标准化处理，有利于得到更加准确和更易计算的目标特征；通过航天器健康演化模型建立起特征数据和健康因子的映射关系，如此可以表征航天器健康状态的健康因子；以贝叶斯优化的LSTM网络作为航天器寿命预测模型，给出带置信区间的航天器预测寿命，对提高航天器寿命预测准确率起到重要作用。
下面描述图1所示的各个步骤的执行方式。
针对步骤100，在一些实施方式中，航天器多项工作参数可包括航天器整体工作参数，如电流、电压、环境温度等，也可包括核心部件的工作参数，如发动机转速等，这些工作参数的数据随时间可能发生变化，不同时间对应不同的数值。考虑到航天器多项工作参数之间可能存在关联，综合多项工作参数能够更为有效地挖掘数据间的内在联系，以准确评估航天器健康状态。
可选地，航天器多项工作参数包括机电部件的自身参数和航天器的整体参数。
在一些可选实施方式中，机电部件包括动量轮、控制力矩陀螺、惯性姿态敏感器和帆板驱动机构中的至少一种。其中，动量轮、控制力矩陀螺、惯性姿态敏感器等是航天器姿轨控系统的核心部件，帆板驱动机构是航天器能源供应的核心部件。
在一些可选实施方式中，机电部件的自身参数包括电流参数、温度参数和转速参数中的至少一种。
在一些可选实施方式中，机电部件的整体参数包括姿态参数、轨道参数、环境参数和指令参数中的至少一种。其中，姿态参数例如包括三轴姿态角度、三轴姿态角速度，轨道参数例如包括轨道倾角、偏心率等轨道六元素，环境参数例如包括环境温度，指令参数例如包括三轴的控制力矩、发动机喷气时长等。
针对步骤102，在一些可选实施例中，进行离群点处理可采用3σ准则进行离群点处理，具体而言：
1)对于第i项工作参数xi(i≤I)，xi为向量，包括多个不同时间的数据，设定滑窗长度为m，用于划分时段，数据窗口起点为s，该滑窗内的数据可表示为求该滑窗内所有数据的平均值，即如下公式：
式中，I为所有工作参数的项数，为滑窗内工作参数xi的平均值；
2)求该滑窗内所有数据的标准差，即如下公式：
式中，为滑窗内工作参数xi的标准差；
3)若满足如下公式：
则确定为离群点，并对该数据进行剔除；否则确定/>为正常值；式中，j表示窗口内第j个数据点；
4)对下一滑窗内的数据重复上述步骤1)-3)，直到处理完所有的数据。
可以理解的是，上述数据指的是任一项工作参数对应的不同时间数据，对其他工作参数，采用同样的方式进行离群点处理。
航天器的数据在采集和传输的过程中会出现波动，上述实施例能够剔除数据中含有的异常离群点，以便更好地发掘数据规律。在其他实施例中，离群点处理也可采用其他方法实现。
在一些可选的实施例中，进行特征提取处理，包括：
基于航天器遥测数据和预设的滑窗，分时段分别计算每项工作参数的时域特征或频域特征。
工作参数的时域特征或频域特征通常具有物理意义，容易建立起性能退化与健康演化的映射关系。
在一些可选的实施例中，步骤102基于所述航天器遥测数据和预设的滑窗，分时段分别计算每项工作参数的时域特征，包括分时段分别计算每项工作参数如下时域特征中的一种或多种：最大值、最小值、峰值、峰峰值、平均值、平均幅值、方根幅值、方差、标准差、均方根、峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子、峭度因子和余隙因子，优选包括其中至少六种，以便融合数据间的关联关系。上述特征的具体计算方式可参考现有技术，如利用MATLAB软件，在此不再进一步赘述。
在一些可选实施方式中，标准化处理可以采用(0，1)法(即Z-score法)。
针对步骤104，需使用训练好的航天器健康演化模型得到所述航天器遥测数据对应的健康因子，下面重点介绍航天器健康演化模型的训练过程。
首先，基于航天器工作参数的样本数据得到样本特征，而样本特征是通过对航天器工作参数的样本数据依次进行离群点处理、特征提取处理和标准化处理得到的，在此不进行赘述。
其次，基于样本特征得到第一样本健康因子。在一些实施方式中，第一样本健康因子是通过如下方式得到的：
对每项工作参数的样本特征进行降维处理，得到每项工作参数的一维融合特征；
对所有工作参数的一维融合特征进行降维处理，得到所述样本数据对应的一维目标特征；
对所述一维目标特征进行曲线拟合，得到样本拟合曲线；
将所述样本拟合曲线的拟合值作为第一样本健康因子。
在本实施例中，通过对每项工作参数的样本特征和所有工作参数的一维融合特征进行降维处理，可以得到样本数据对应的一维目标特征，从而完成了数据降维和数据融合；而后通过对一维目标特征进行曲线拟合来得到样本拟合曲线，有利于获得单调性和趋势性较好的健康因子。
在一些可选实施方式中，降维处理采用主元分析法，即，先采用主元分析法将每项工作参数的所有特征量进行降维，得到每项工作参数的一维融合特征，再采用主元分析法所有工作参数的一维融合特征进行降维，得到与时间对应的一维目标特征。
上述实施例两次利用主元分析的数据降维能力融合数据，能够提取多维数据中最能反映健康演化过程的数据规律。
当然，降维处理也可以采用其它方法，例如奇异值分解，在此不再进行具体限定和赘述。
航天器工作参数繁多，变化复杂，且这些多维数据之间相互耦合，任何单一项数据都不能有效反映航天器健康状态演化规律，因此需要将融合这些数据以实现健康状态准确评估，以便后续进行航天器寿命预测。
发明人在研发过程中发现：可以考虑利用主元分析的数据降维能力和深度神经网络的非线性拟合能力，以计算健康因子的形式表征航天器健康状态，该方式能够实现多维数据的融合与关联关系挖掘，建立多维数据与航天器健康状态的复杂映射关系，从而实现健康状态的准确评估。其中，通过利用主元分析的数据降维能力，提取了多维数据中最能反映退化趋势的特征，建立了准确的航天器健康演化模型；通过利用深度神经网络的非线性拟合能力，建立了从多维数据到健康因子的映射关系，实现了航天器健康状态的准确评估。
在一些实施方式中，所述对所述一维目标特征进行曲线拟合，得到样本拟合曲线，进一步包括：
基于所述一维目标特征的变化趋势，对所述一维目标特征进行标准化处理，得到一维标准特征；其中，所述变化趋势包括上升趋势和下降趋势；
采用最小二乘法对所述一维标准特征进行曲线拟合，得到样本拟合曲线。
在本实施例中，通过对一维目标特征进行标准化处理和采用最小二乘法对一维标准特征进行曲线拟合，有利于获得单调性和趋势性较好的健康因子。
具体而言，对获取的一维目标特征F*进行(0，1)之间的标准化处理，得到一维标准特征其中：
如果一维目标特征F*为上升趋势，则：
如果一维目标特征F*为下降趋势，则：
式中，为F*中的最大值，/>为F*中的最小值，/>为一维标准特征/>中的第i个值，i∈(1，2，…，p)，p为特征提取处理过程中每个特征量的长度；
在一些实施方式中，所述采用最小二乘法对一维标准特征进行曲线拟合具体可以包括：
采用如下公式对一维标准特征进行分段拟合：
式中，a、b和c均为拟合参数，ti为一维标准特征中第i个参数对应的在轨运行时长；
假设一维标准特征分s段进行拟合，则第j(j≤s)段的aj由下式确定：
式中，aj-1、bj-1、cj-1分别为上一段曲线的拟合参数，tstage_j为第j段对应的起始时间；
各段的拟合参数bj、cj是通过下式计算得到的：
式中，nj为一维标准特征在第j段中包含的数据个数，表示一维标准特征在stage_j+i-1时刻的值。
可选地，预设的所述模糊神经网络共包含四层，第一层是输入层，其隐含层个数取决于输入变量的个数的总和；第二层是径向基函数层，其主要功能是对输入变量进行模糊化，其隐含层个数大多基于人工经验设计；第三层是规则层，其主要功能是去模糊化，其隐含层个数和径向基函数层相同；第四层是输出层，其主要功能是通过线性求和的形式计算健康因子。
航天器健康演化模型具体可描述为：
HI(t)＝ω(t)vT(t)
其中，HI(t)是t时间的健康因子，是航天器健康演化模型的输出结果，ω(t)＝[ω1(t),ω2(t),…,ωl(t),…,ω10(t)]是规则层与输出层之间的权值向量，v(t)＝[v1(t),v2(t),…,ωl(t),…,ω10(t)]是t时间第三层规则层的输出，
其中，vl(t)是t时间规则层第l个神经元输出，θj(t)是t时间第二层径向基函数层第j个神经元输出，
其中，x＝[x1,x2,…,xn]为第一层的输入，n表示输入层神经元的个数，cj(t)＝[c1j(t),c2j(t),…,cnj(t)]是t时间径向基函数层的第j个神经元的中心，σj(t)＝[σ1j(t),σ2j(t),…,σnj(t)]T是t时间径向基函数层的第j个神经元的宽度。
第四层输出层通过加权因子法求取的输出描述为：
为了实现模型参数ω(t)，c(t)(c(t)＝[c1(t),c2(t),…,c10(t)])和σ(t)(σ(t)＝[σ1(t),σ2(t),…,σ10(t)])的自适应调整，本发明对航天器健康演化模型设计了一种基于二阶L-M的参数更新算法，该算法能够实现模型参数的同时调整，加快计算速度，保证所构建模型的计算精度，模型参数的更新公式可表示为：
Ξ(t+1)＝Ξ(t)+(H(t)+κ(t)I)-1·G(t)
其中：Ξ(t)是t时间的参数向量，Ξ(t)＝[ω(t),c1(t),c2(t),…,c10(t),σ1(t),σ2(t),…,σ10(t)]，H(t)是拟海森矩阵，其计算过程为：
H(t)＝JT(t)J(t)
J(t)是t时间的雅克比向量，表达式为：
e(t)是t时间HI(t)的误差，表达式为：
e(t)＝HI′(t)-HI(t)
HI’(t)是t时间的模型实际输出结果。I是单位矩阵，用于避免矩阵求逆中的病态情况，G(t)是梯度向量，表达式为：
G(t)＝JT(t)e(t)
κ(t)是t时间的自适应学习率，用于提高模型的收敛速度，其计算方式为：
κ(t)＝ξ(t)κ(t-1)
ξ(t)＝(εmin(t)+κ(t-1))/(εmax(t)+1)
其中，ξ(t)是t时间学习率的调整系数，εmin(t)是拟海森矩阵H(t)的最小特征值，εmax(t)是拟海森矩阵H(t)的最大特征值，0<εmin(t)<εmax(t)，0<κ(t)<1。
基于上述航天器健康演化模型及基于自适应二阶L-M算法的参数调整策略，能够实现健康因子的计算，以确定航天器的健康状态。
针对步骤106，需使用训练好的航天器寿命预测模型计算得到所述航天器遥测数据对应的预测寿命及置信区间，下面重点介绍航天器寿命预测模型的训练过程。
首先，获得与时间相关的第二样本健康因子，所述第二样本健康因子可通过如下方式得到的：
通过将航天器工作参数的历史特征输入训练好的航天器健康演化模型中，得到对应的第二样本健康因子；其中，所述历史特征是通过对航天器工作参数的在轨数据依次进行离群点处理、特征提取处理和标准化处理得到的。航天器工作参数的在轨数据优选与航天器工作参数的样本数据不完全相同。
考虑到训练深度学习的神经网络需要较多不重复样本，基于与样本数据不完全相同的在轨数据得到历史特征，再将历史特征输入训练好的航天器健康演化模型，由上一步训练好的航天器健康演化模型来计算得到足量的第二样本健康因子，作为训练LSTM网络的输入数据，更能够反映健康因子随时间变化的趋势，以获得更准确、稳定的航天器寿命预测模型。
其次，基于航天器工作参数的在轨数据，确定对应的航天器的剩余寿命，以便对预设的所述LSTM网络进行训练。
LSTM(Long short term memory)网络是一种特殊的循环神经网络(RecurrentNeural Network，RNN)，能够处理序列变化的数据，在更长的序列中效果显著，其核心概念在于单元状态以及“门”结构。单元状态相当于信息传输的路径，让信息能在序列连中传递下去，可以将其看作网络的“记忆”。理论上讲，单元状态能够将序列处理过程中的相关信息一直传递下去，因此，即使是较早时间步长的信息也能携带到较后时间步长的单元中来，这克服了短时记忆的影响。“门”结构是一种使信息选择性通过的结构，其中包含着sigmoid激活函数。sigmoid激活函数与tanh函数类似，不同之处在于sigmoid是把值压缩到0～1之间而不是-1～1之间。这样的设置有助于更新或忘记信息，因为任何数乘以0都得0，这部分信息就会剔除掉。同样的，任何数乘以1都得到它本身，这部分信息就会完美地保存下来。这样网络就能控制丢弃或者增加信息，从而实现遗忘或记忆的功能。一个LSTM单元有三个这样的门，分别是遗忘门(forget gate)、输入门(input gate)、输出门(output gate)，其学习贡献度依次降低。
为确定健康因子与剩余寿命之间复杂的非线性映射关系，搭建LSTM网络：
RUL(t)＝fLSTM(HI(t))
其中，RUL(t)表示输出的预测寿命，HI(t)表示输入的健康因子，t表示时间；LSTM有两个传输状态，单元状态和隐藏层状态，主干为信息的迭代更新。
遗忘门f(t)的计算如下式：
f(t)＝σ(Wf·[h(t-1),HI(t)]+bf)
其中，σ为sigmoid激活函数，Wf表示遗忘门的权重矩阵，bf表示遗忘门的偏置项；
输入门i(t)的计算公式如下：
i(t)＝σ(Wi·[h(t-1),HI(t)]+bi)
其中，Wi表示输入门的权重矩阵，bi表示输入门的偏置项；
将前一层隐藏状态的信息和当前输入的信息传递到tanh函数中去，创造一个新的侯选值向量。单元状态的更新值表征为公式如下：
表示tanh层生成的候选值，c(t)表示单元状态的更新值，Wc表示计算单元状态的权重矩阵，bc表示计算单元状态的偏置项，运算符/>表示按元素乘；
输出门ot表达式为：
ot＝σ(Wo·[h(t-1),HI(t)]+bo)
其中，Wo表示输出门的权重矩阵，bo表示输出门的偏置项；
而后使用tanh将c(t)值缩放到[-1,1]，再与sigmoid获得的输出逐对相乘，给出隐层输出h(t)，如下公式：
通过门控状态来控制传输状态，记住需要长时间记忆的，忘记不重要的信息，计算预测值RULl(t)和生成下个时间点完整的输入。隐层输出h(t)即为当前时刻LSTM网络计算所得预测寿命RULl(t)，通过健康因子HI(t)信息的传递估计RULl(t)的值，并循环生成下个时间点完整的输入。
考虑到LSTM网络中的权重和偏置值为固定数值，且无法直接给出置信区间。鉴于此，本发明结合贝叶斯优化方法，将LSTM网络中的权重和偏置值替换为概率密度分布对权重进行采样，通过给出置信区间，提高对航天器剩余寿命预测的准确率。
贝叶斯优化方法的核心思想是：通过将确定的权重替换为概率密度分布对权重和偏置值进行采样，然后优化分布参数。贝叶斯定理的表达式为：
式中，w表示权重，D表示训练集，P(w|D)表示后验分布。可选地，本发明通过变分推理逼近后验分布。
结合贝叶斯优化方法，在对预设的LSTM网络进行训练的过程中，对LSTM网络的权重和偏置值进行采样，表达式为：
即参数可以通过对标准高斯分布N(0,1)进行采样，然后按照平均值μ进行偏移，按照标准差σ进行缩放，为了保证标准差非负，将标准差参数化为σ＝log(1+exp(ρ))。其中，表示第i次在LSTM网络第n层上权重的采样，/>表示第i次在LSTM网络第n层上偏置值的采样，这些采样被用于通过高斯变分求解后验分布；N(0,1)表示标准高斯分布，ρi表示对ρ的第i次采样值，ρ表示用于参数化标准差的参数，μi表示对μ的第i次采样值，μ表示平均值。
采用上述实施例，由于基于贝叶斯优化的LSTM网络是通过概率密度分布对权重进行采样进行的，所以所得结果(即预测寿命)是带有置信区间的，这对提高航天器寿命预测的准确率起到了重要作用。
如图2、图3所示，本发明实施例提供了一种航天器寿命预测装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图2所示，为本发明实施例提供的一种航天器寿命预测装置所在电子设备的一种硬件架构图，除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图3所示，作为一个逻辑意义上的装置，是通过其所在电子设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。本实施例提供的一种航天器寿命预测装置，包括：
数据获取模块301，用于获取航天器遥测数据；所述航天器遥测数据中包括航天器多项工作参数的数据；
特征提取模块302，用于对每项工作参数的数据依次进行离群点处理、特征提取处理和标准化处理，得到每项工作参数的目标特征；
健康因子计算模块303，用于将所有工作参数的目标特征输入训练好的航天器健康演化模型中，得到所述航天器遥测数据对应的健康因子；其中，所述健康因子用于表征航天器的健康状态，所述航天器健康演化模型是通过以航天器工作参数的样本特征作为输入和以所述样本特征对应的第一样本健康因子为输出来对预设的模糊神经网络进行训练得到的，所述样本特征是通过对航天器工作参数的样本数据依次进行离群点处理、特征提取处理和标准化处理得到的；
剩余寿命计算模块304，用于将所述航天器遥测数据对应的健康因子输入训练好的航天器寿命预测模型中，得到所述航天器遥测数据对应的预测寿命及置信区间；其中，所述航天器寿命预测模型是通过以第二样本健康因子为输入和以第二样本健康因子对应的剩余寿命为输出来对预设的LSTM网络进行训练得到的，所述LSTM网络结合贝叶斯优化方法，将权重和偏置值替换为概率密度分布进行采样，输出带有置信区间的预测寿命。
在本发明实施例中，数据获取模块301可用于执行上述方法实施例中的步骤100，特征提取模块302可用于执行上述方法实施例中的步骤102，健康因子计算模块303可用于执行上述方法实施例中的步骤104，剩余寿命计算模块模块304可用于执行上述方法实施例中的步骤106。
在一些可选实施方式中，所述第一样本健康因子是通过如下方式得到的：
对每项工作参数的样本特征进行降维处理，得到每项工作参数的一维融合特征；
对所有工作参数的一维融合特征进行降维处理，得到所述样本数据对应的一维目标特征；
对所述一维目标特征进行曲线拟合，得到样本拟合曲线；
将所述样本拟合曲线的拟合值作为第一样本健康因子。
在一些可选实施方式中，所述降维处理采用主元分析法。
在一些可选实施方式中，所述对所述一维目标特征进行曲线拟合，得到样本拟合曲线，包括：
基于所述一维目标特征的变化趋势，对所述一维目标特征进行标准化处理，得到一维标准特征；其中，所述变化趋势包括上升趋势和下降趋势；
采用最小二乘法对所述一维标准特征进行曲线拟合，得到样本拟合曲线。
在一些可选实施方式中，所述第二样本健康因子是通过如下方式得到的：
通过将航天器工作参数的历史特征输入训练好的航天器健康演化模型中，得到对应的第二样本健康因子；所述历史特征是通过对航天器工作参数的在轨数据依次进行离群点处理、特征提取处理和标准化处理得到的；航天器工作参数的在轨数据与航天器工作参数的样本数据不完全相同。
在一些可选实施方式中，所述特征提取处理所提取的特征包括最大值、最小值、峰值、峰峰值、平均值、平均幅值、方根幅值、方差、标准差、均方根、峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子、峭度因子和余隙因子中的至少六种。
在一些可选实施方式中，航天器多项工作参数包括机电部件的自身参数和航天器的整体参数。
可以理解的是，本发明实施例示意的结构并不构成对一种航天器寿命预测装置的具体限定。在本发明的另一些实施例中，一种航天器寿命预测装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本发明任一实施例中的一种航天器寿命预测方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在被处理器执行时，使所述处理器执行本发明任一实施例中的一种航天器寿命预测方法。
具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种航天器寿命预测方法，其特征在于，包括：
获取航天器遥测数据；所述航天器遥测数据中包括航天器多项工作参数的数据；
对每项工作参数的数据依次进行离群点处理、特征提取处理和标准化处理，得到每项工作参数的目标特征；
将所有工作参数的目标特征输入训练好的航天器健康演化模型中，得到所述航天器遥测数据对应的健康因子；其中，所述健康因子用于表征航天器的健康状态，所述航天器健康演化模型是通过以航天器工作参数的样本特征作为输入和以所述样本特征对应的第一样本健康因子为输出来对预设的模糊神经网络进行训练得到的，所述样本特征是通过对航天器工作参数的样本数据依次进行离群点处理、特征提取处理和标准化处理得到的；
将所述航天器遥测数据对应的健康因子输入训练好的航天器寿命预测模型中，得到所述航天器遥测数据对应的预测寿命及置信区间；其中，所述航天器寿命预测模型是通过以第二样本健康因子为输入和以第二样本健康因子对应的剩余寿命为输出来对预设的LSTM网络进行训练得到的，所述LSTM网络结合贝叶斯优化方法，将权重和偏置值替换为概率密度分布进行采样，输出带有置信区间的预测寿命；
其中，所述第一样本健康因子是通过如下方式得到的：
对每项工作参数的样本特征进行降维处理，得到每项工作参数的一维融合特征；
对所有工作参数的一维融合特征进行降维处理，得到所述样本数据对应的一维目标特征；
对所述一维目标特征进行曲线拟合，得到样本拟合曲线；
将所述样本拟合曲线的拟合值作为第一样本健康因子；
所述降维处理采用主元分析法；
所述对所述一维目标特征进行曲线拟合，得到样本拟合曲线，包括：
基于所述一维目标特征的变化趋势，对所述一维目标特征进行标准化处理，得到一维标准特征；其中，所述变化趋势包括上升趋势和下降趋势；
采用最小二乘法对所述一维标准特征进行曲线拟合，得到样本拟合曲线。
2.根据权利要求1所述的航天器寿命预测方法，其特征在于，所述第二样本健康因子是通过如下方式得到的：
通过将航天器工作参数的历史特征输入训练好的航天器健康演化模型中，得到对应的第二样本健康因子；所述历史特征是通过对航天器工作参数的在轨数据依次进行离群点处理、特征提取处理和标准化处理得到的。
3.根据权利要求1所述的航天器寿命预测方法，其特征在于，所述特征提取处理所提取的特征包括最大值、最小值、峰值、峰峰值、平均值、平均幅值、方根幅值、方差、标准差、均方根、峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子、峭度因子和余隙因子中的至少六种。
4.根据权利要求1所述的航天器寿命预测方法，其特征在于，航天器多项工作参数包括机电部件的自身参数和航天器的整体参数。
5.一种航天器寿命预测装置，其特征在于，包括：
数据获取模块，用于获取航天器遥测数据；所述航天器遥测数据中包括航天器多项工作参数的数据；
特征提取模块，用于对每项工作参数的数据依次进行离群点处理、特征提取处理和标准化处理，得到每项工作参数的目标特征；
健康因子计算模块，用于将所有工作参数的目标特征输入训练好的航天器健康演化模型中，得到所述航天器遥测数据对应的健康因子；其中，所述健康因子用于表征航天器的健康状态，所述航天器健康演化模型是通过以航天器工作参数的样本特征作为输入和以所述样本特征对应的第一样本健康因子为输出来对预设的模糊神经网络进行训练得到的，所述样本特征是通过对航天器工作参数的样本数据依次进行离群点处理、特征提取处理和标准化处理得到的；
剩余寿命计算模块，用于将所述航天器遥测数据对应的健康因子输入训练好的航天器寿命预测模型中，得到所述航天器遥测数据对应的预测寿命及置信区间；其中，所述航天器寿命预测模型是通过以第二样本健康因子为输入和以第二样本健康因子对应的剩余寿命为输出来对预设的LSTM网络进行训练得到的，所述LSTM网络结合贝叶斯优化方法，将权重和偏置值替换为概率密度分布进行采样，输出带有置信区间的预测寿命；
其中，所述第一样本健康因子是通过如下方式得到的：
对每项工作参数的样本特征进行降维处理，得到每项工作参数的一维融合特征；
对所有工作参数的一维融合特征进行降维处理，得到所述样本数据对应的一维目标特征；
对所述一维目标特征进行曲线拟合，得到样本拟合曲线；
将所述样本拟合曲线的拟合值作为第一样本健康因子；
所述降维处理采用主元分析法；
所述对所述一维目标特征进行曲线拟合，得到样本拟合曲线，包括：
基于所述一维目标特征的变化趋势，对所述一维目标特征进行标准化处理，得到一维标准特征；其中，所述变化趋势包括上升趋势和下降趋势；
采用最小二乘法对所述一维标准特征进行曲线拟合，得到样本拟合曲线。
6.一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1-4中任一项所述的航天器寿命预测方法。
7.一种存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-4中任一项所述的航天器寿命预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310073236.7A CN116011109B (zh) | 2023-01-13 | 2023-01-13 | 一种航天器寿命预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310073236.7A CN116011109B (zh) | 2023-01-13 | 2023-01-13 | 一种航天器寿命预测方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116011109A CN116011109A (zh) | 2023-04-25 |
| CN116011109B true CN116011109B (zh) | 2023-09-08 |
Family
ID=86019249
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310073236.7A Active CN116011109B (zh) | 2023-01-13 | 2023-01-13 | 一种航天器寿命预测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116011109B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117828517A (zh) * | 2024-03-06 | 2024-04-05 | 北京开运联合信息技术集团股份有限公司 | 基于数据挖掘的航天器在轨运行状态评估方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108959778A (zh) * | 2018-07-06 | 2018-12-07 | 南京航空航天大学 | 一种基于退化模式一致性的航空发动机剩余寿命预测方法 |
| CN111443294A (zh) * | 2020-04-10 | 2020-07-24 | 华东理工大学 | 一种锂离子电池剩余寿命间接预测方法及装置 |
| CN113344295A (zh) * | 2021-06-29 | 2021-09-03 | 华南理工大学 | 基于工业大数据的设备剩余寿命预测方法、系统及介质 |
| CN113722985A (zh) * | 2021-08-12 | 2021-11-30 | 武汉科技大学 | 航空发动机健康状态评估和剩余寿命预测方法及系统 |
| CN114021784A (zh) * | 2021-10-22 | 2022-02-08 | 华能(浙江)能源开发有限公司清洁能源分公司 | 设备的剩余使用寿命的确定方法、装置和电子设备 |
| CN114297910A (zh) * | 2021-11-26 | 2022-04-08 | 中国民航大学 | 一种基于改进lstm的航空发动机寿命预测方法 |
| CN114545274A (zh) * | 2022-01-26 | 2022-05-27 | 湖州学院 | 一种锂电池剩余寿命预测方法 |
| CN114707234A (zh) * | 2022-03-03 | 2022-07-05 | 电子科技大学 | 一种基于贝叶斯深度学习的航空发动机剩余寿命预测方法 |
| CN114819315A (zh) * | 2022-04-17 | 2022-07-29 | 北京化工大学 | 基于多参数融合健康因子和时间卷积神经网络的轴承退化趋势预测方法 |
| CN114861979A (zh) * | 2022-04-02 | 2022-08-05 | 山东科技大学 | 一种基于lstm和tdnn的滚动轴承剩余寿命预测方法 |
| CN114881342A (zh) * | 2022-05-18 | 2022-08-09 | 江苏科技大学 | 一种船舶动力设备剩余寿命预测系统及方法 |
| CN115293189A (zh) * | 2022-03-16 | 2022-11-04 | 南京航空航天大学 | 一种基于堆栈自编码降维的旋转机械状态监测方法 |
-
2023
- 2023-01-13 CN CN202310073236.7A patent/CN116011109B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108959778A (zh) * | 2018-07-06 | 2018-12-07 | 南京航空航天大学 | 一种基于退化模式一致性的航空发动机剩余寿命预测方法 |
| CN111443294A (zh) * | 2020-04-10 | 2020-07-24 | 华东理工大学 | 一种锂离子电池剩余寿命间接预测方法及装置 |
| CN113344295A (zh) * | 2021-06-29 | 2021-09-03 | 华南理工大学 | 基于工业大数据的设备剩余寿命预测方法、系统及介质 |
| CN113722985A (zh) * | 2021-08-12 | 2021-11-30 | 武汉科技大学 | 航空发动机健康状态评估和剩余寿命预测方法及系统 |
| CN114021784A (zh) * | 2021-10-22 | 2022-02-08 | 华能(浙江)能源开发有限公司清洁能源分公司 | 设备的剩余使用寿命的确定方法、装置和电子设备 |
| CN114297910A (zh) * | 2021-11-26 | 2022-04-08 | 中国民航大学 | 一种基于改进lstm的航空发动机寿命预测方法 |
| CN114545274A (zh) * | 2022-01-26 | 2022-05-27 | 湖州学院 | 一种锂电池剩余寿命预测方法 |
| CN114707234A (zh) * | 2022-03-03 | 2022-07-05 | 电子科技大学 | 一种基于贝叶斯深度学习的航空发动机剩余寿命预测方法 |
| CN115293189A (zh) * | 2022-03-16 | 2022-11-04 | 南京航空航天大学 | 一种基于堆栈自编码降维的旋转机械状态监测方法 |
| CN114861979A (zh) * | 2022-04-02 | 2022-08-05 | 山东科技大学 | 一种基于lstm和tdnn的滚动轴承剩余寿命预测方法 |
| CN114819315A (zh) * | 2022-04-17 | 2022-07-29 | 北京化工大学 | 基于多参数融合健康因子和时间卷积神经网络的轴承退化趋势预测方法 |
| CN114881342A (zh) * | 2022-05-18 | 2022-08-09 | 江苏科技大学 | 一种船舶动力设备剩余寿命预测系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116011109A (zh) | 2023-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dong et al. | Scalable log determinants for Gaussian process kernel learning | |
| Jouin et al. | Particle filter-based prognostics: Review, discussion and perspectives | |
| US11593611B2 (en) | Neural network cooperation | |
| Ramasso et al. | Making use of partial knowledge about hidden states in HMMs: an approach based on belief functions | |
| CN110956260A (zh) | 神经架构搜索的系统和方法 | |
| Dubois et al. | Data-driven predictions of the Lorenz system | |
| CN115828611B (zh) | 一种航天器机电部件的健康状态评估方法和装置 | |
| Parmar et al. | Fundamental challenges in deep learning for stiff contact dynamics | |
| CN116011109B (zh) | 一种航天器寿命预测方法、装置、电子设备及存储介质 | |
| Zeng et al. | Data-driven control of spatiotemporal chaos with reduced-order neural ODE-based models and reinforcement learning | |
| Narmadha et al. | Determination of various deep learning parameters to predict heart disease for diabetes patients | |
| Ahwiadi et al. | An adaptive evolving fuzzy technique for prognosis of dynamic systems | |
| Lu et al. | An efficient bayesian method for advancing the application of deep learning in earth science | |
| Karunanithi et al. | Neural networks for software reliability engineering | |
| Chandra et al. | Bayesian neural networks via MCMC: a Python-based tutorial | |
| Xu et al. | Meta-learning via weighted gradient update | |
| CN112990598A (zh) | 一种水库水位时间序列预测方法与系统 | |
| US20220335309A1 (en) | Knowledge tracing device, method, and program | |
| CN116628444A (zh) | 一种基于改进元学习的水质预警方法 | |
| Rivero et al. | Time series forecasting using recurrent neural networks modified by bayesian inference in the learning process | |
| Sirichotiyakul et al. | Robust data-driven passivity-based control of underactuated systems via neural approximators and bayesian inference | |
| CN112214852B (zh) | 一种考虑衰退率的透平机械性能衰退预测方法 | |
| Gulshad et al. | Learning to reproduce stochastic time series using stochastic LSTM | |
| Kim et al. | Data-driven prognostics | |
| US11410042B2 (en) | Dynamic Boltzmann machine for estimating time-varying second moment |
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 |