CN116071051B - 惯导系统最优更换时机确定方法、系统、电子设备及介质 - Google Patents

惯导系统最优更换时机确定方法、系统、电子设备及介质 Download PDF

Info

Publication number
CN116071051B
CN116071051B CN202310353964.3A CN202310353964A CN116071051B CN 116071051 B CN116071051 B CN 116071051B CN 202310353964 A CN202310353964 A CN 202310353964A CN 116071051 B CN116071051 B CN 116071051B
Authority
CN
China
Prior art keywords
navigation system
inertial navigation
rule
determining
maintenance
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
Application number
CN202310353964.3A
Other languages
English (en)
Other versions
CN116071051A (zh
Inventor
周志杰
冯志超
孙一杰
胡昌华
张朋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Rocket Force University of Engineering of PLA
Original Assignee
Rocket Force University of Engineering of PLA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Rocket Force University of Engineering of PLA filed Critical Rocket Force University of Engineering of PLA
Priority to CN202310353964.3A priority Critical patent/CN116071051B/zh
Publication of CN116071051A publication Critical patent/CN116071051A/zh
Application granted granted Critical
Publication of CN116071051B publication Critical patent/CN116071051B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
    • G01C25/005—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass initial alignment, calibration or starting-up of inertial devices
    • 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
    • G06N20/00—Machine learning
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Manufacturing & Machinery (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Navigation (AREA)

Abstract

本发明公开一种惯导系统最优更换时机确定方法、系统、电子设备及介质，涉及惯性导航系统健康管理技术领域，方法包括：确定惯性导航系统的历史维修情况和存储情况影响因子；根据惯性导航系统在不同监测值组情况下对应的性能状态，构建置信规则库；基于置信规则库、历史维修情况和存储情况影响因子，根据置信规则库中规则的构建方式，构建惯性导航系统动态优选决策模型；利用训练数据集对模型进行训练，采用均方误差作为损失函数对训练后的模型进行优化；将待决策监测值组输入优化后的模型，根据优化后的模型输出的性能状态确定惯性导航系统的最优检修更换时间。本发明可准确确定惯导系统最优检修更换时间。

Description

惯导系统最优更换时机确定方法、系统、电子设备及介质
技术领域
本发明涉及惯性导航系统健康管理技术领域，特别是涉及一种惯导系统最优更换时机确定方法、系统、电子设备及介质。
背景技术
惯性导航系统（惯导系统）是依据牛顿惯性原理，利用惯性测量元件（加速度计、陀螺仪）来测量运载体本身的加速度和角速度，经过解算得到载体速度、位置、姿态、航向等信息，从而达到对运载体导航定位的目的。惯性导航系统主要应用于潜艇、飞机、导弹和各种航天器上，具有举足轻重的地位。惯性导航系统不需要依赖于任何外部信息，也不向外部辐射能量，故隐蔽性好，更不受外界电磁干扰的影响；可全天候、全时间地工作于空中、地球表面乃至水下；能提供位置、速度、航向和姿态角数据，所产生的导航信息连续性好而且噪声低；具有数据更新率高、短期精度和稳定性好的优点。
惯性导航系统健康管理作为提高惯性导航安全性和可靠性的重要手段，目前已经被广泛的应用于多个领域。而优选决策（Preference Decision，PD）作为健康管理的重要方面，旨在通过系统的监测信息以及系统的历史信息来确定系统的健康状态，为维修保养以及设备更换提供基础。随着科技的发展，目前，惯性导航系统的关键特征集中体现在集成化设计、自动化程度高、子系统高度耦合、承担任务重要等，这给其优选决策提出了很高的要求。
分析目前惯性导航系统优选决策中面临的问题，总结可以分为以下方面：第一，随着装备制造业水平的不断提升，目前，惯性导航系统的设计可靠度不断提升，出现故障的概率大幅度降低，进而导致所能够获取的异常信息尤为缺乏。因此惯性导航系统优选决策过程中面临监测样本缺失（主要是故障数据不足）的问题，通过不完整的数据无法推测较为合理的结果，同时对模型进行训练也无法得到评估结果准确的惯导系统优选决策模型，导致无法准确确定惯导系统最优检修更换时间（最优更换时机）。第二，由于惯性导航系统各个子系统之间高度耦合，且多采用集成化设计，导致影响其工作状态的因素较多，单纯依靠专家知识很难建立其准确的数学模型（惯导系统优选决策模型），因此无法准确确定惯导系统最优检修更换时间。
发明内容
本发明的目的是提供一种惯导系统最优更换时机确定方法、系统、电子设备及介质，以准确确定惯导系统最优检修更换时间。
为实现上述目的，本发明提供了如下方案：
一种惯导系统最优更换时机确定方法，所述方法包括：
确定惯性导航系统的历史维修情况影响因子和历史存储情况影响因子；
根据惯性导航系统在不同监测值组情况下对应的性能状态，构建置信规则库；所述置信规则库包括多条不同的规则；所述规则用于建立监测值组与性能状态之间的对应关系；所述监测值组包括惯性导航系统的各个关键特征指标的监测值；
基于所述置信规则库、所述历史维修情况影响因子和所述历史存储情况影响因子，根据所述置信规则库中所述规则的构建方式，构建惯性导航系统动态优选决策模型；
利用训练数据集对所述惯性导航系统动态优选决策模型进行训练，得到训练后的惯性导航系统动态优选决策模型；所述训练数据集包括不同监测值组样本以及各所述监测值组样本对应的性能状态；
采用均方误差作为损失函数对所述训练后的惯性导航系统动态优选决策模型进行优化，得到优化后的惯性导航系统动态优选决策模型；
将待决策监测值组输入所述优化后的惯性导航系统动态优选决策模型中，得到所述优化后的惯性导航系统动态优选决策模型输出的性能状态；
根据所述优化后的惯性导航系统动态优选决策模型输出的性能状态确定惯性导航系统的最优检修更换时间。
本发明还提供了如下方案：
一种惯导系统最优更换时机确定系统，所述系统包括：
影响因子确定模块，用于确定惯性导航系统的历史维修情况影响因子和历史存储情况影响因子；
置信规则库构建模块，用于根据惯性导航系统在不同监测值组情况下对应的性能状态，构建置信规则库；所述置信规则库包括多条不同的规则；所述规则用于建立监测值组与性能状态之间的对应关系；所述监测值组包括惯性导航系统的各个关键特征指标的监测值；
惯性导航系统动态优选决策模型构建模块，用于基于所述置信规则库、所述历史维修情况影响因子和所述历史存储情况影响因子，根据所述置信规则库中所述规则的构建方式，构建惯性导航系统动态优选决策模型；
模型训练模块，用于利用训练数据集对所述惯性导航系统动态优选决策模型进行训练，得到训练后的惯性导航系统动态优选决策模型；所述训练数据集包括不同监测值组样本以及各所述监测值组样本对应的性能状态；
模型优化模块，用于采用均方误差作为损失函数对所述训练后的惯性导航系统动态优选决策模型进行优化，得到优化后的惯性导航系统动态优选决策模型；
性能状态决策模块，用于将待决策监测值组输入所述优化后的惯性导航系统动态优选决策模型中，得到所述优化后的惯性导航系统动态优选决策模型输出的性能状态；
最优检修更换时间确定模块，用于根据所述优化后的惯性导航系统动态优选决策模型输出的性能状态确定惯性导航系统的最优检修更换时间。
本发明还提供了如下方案：
一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行所述的惯导系统最优更换时机确定方法。
本发明还提供了如下方案：
一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现所述的惯导系统最优更换时机确定方法。
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：
本发明公开的惯导系统最优更换时机确定方法、系统、电子设备及介质，基于置信规则库方法的自身优势，通过不完整的数据推测较为合理的结果，同时对模型进行训练可得到评估结果准确的惯导系统优选决策模型，即惯性导航系统动态优选决策模型，解决了惯性导航系统优选决策过程中面临的监测样本缺失（主要是故障数据不足）的问题；基于置信规则库、历史维修情况影响因子和历史存储情况影响因子，根据置信规则库中规则的构建方式，构建惯性导航系统动态优选决策模型，将惯性导航系统的历史维修情况和存储情况作为影响因子融入到模型中，从而建立其准确的数学模型，即惯性导航系统动态优选决策模型，利用该模型能够更准确的评估惯性导航系统的性能状态，进而根据性能状态准确确定惯导系统最优检修更换时间。
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为本发明惯导系统最优更换时机确定方法实施例一的流程图；
图2为本发明考虑历史维修情况与存储情况的惯导系统最优更换时机确定方法的具体流程图；
图3为飞机惯导系统监测指标测试数据示意图；
图4为未考虑历史维修情况与存储情况下飞机惯导系统优选决策模型评估结果图；
图5为考虑历史维修情况与存储情况下飞机惯导系统优选决策模型评估结果图；
图6为惯导系统优选决策模型评估结果对应的最优维护更换时机图。
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惯导系统最优更换时机确定方法、系统、电子设备及介质，以准确确定惯导系统最优检修更换时间。
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。
实施例一
图1为本发明惯导系统最优更换时机确定方法实施例一的流程图。如图1所示，本实施例提供了一种惯导系统最优更换时机确定方法，包括以下步骤：
步骤101：确定惯性导航系统的历史维修情况影响因子和历史存储情况影响因子。
该步骤101具体包括：
利用公式
Figure SMS_1
确定惯性导航系统的历史维修情况影响因子；其中，z1表示惯性导航系统的历史维修情况影响因子，
Figure SMS_2
表示小修对应的维修系数，m表示中修对应的维修系数，h表示大修对应的维修系数，x1表示惯性导航系统经历小修的次数，x2表示惯性导航系统经历中修的次数，x3表示惯性导航系统经历大修的次数，
Figure SMS_3
表示惯性导航系统维修折算值的最大值，
Figure SMS_4
表示惯性导航系统维修折算值的最小值。
利用公式
Figure SMS_5
确定惯性导航系统的历史存储情况影响因子；其中，z2表示惯性导航系统的历史存储情况影响因子，t表示惯性导航系统当前存储时间，k1表示温度折算系数，k2表示湿度折算系数，b1=0，b2表示允许存储时间。
步骤102：根据惯性导航系统在不同监测值组情况下对应的性能状态，构建置信规则库；置信规则库包括多条不同的规则；规则用于建立监测值组与性能状态之间的对应关系；监测值组包括惯性导航系统的各个关键特征指标的监测值。
步骤103：基于置信规则库、历史维修情况影响因子和历史存储情况影响因子，根据置信规则库中规则的构建方式，构建惯性导航系统动态优选决策模型。
该步骤103具体包括：
针对每条规则，确定每个关键特征指标在规则中的匹配度。
根据每个关键特征指标在规则中的匹配度、历史维修情况影响因子和历史存储情况影响因子，确定所有关键特征指标对于规则中的总匹配度。
根据所有关键特征指标对于规则中的总匹配度以及规则的权重，确定规则的激活权重。
根据规则的激活权重，采用证据推理算法融合激活后的规则，构建惯性导航系统动态优选决策模型。
其中，根据每个关键特征指标在规则中的匹配度、历史维修情况影响因子和历史存储情况影响因子，确定所有关键特征指标对于规则中的总匹配度，具体包括：
利用公式
Figure SMS_6
确定所有关键特征指标对于第k规则中的总匹配度
Figure SMS_7
；其中，M表示关键特征指标的总数量，i表示关键特征指标的序号，
Figure SMS_8
表示第i个关键特征指标在第j条规则中的匹配度，
Figure SMS_9
表示第i个关键特征指标的相对权重大小。
步骤104：利用训练数据集对惯性导航系统动态优选决策模型进行训练，得到训练后的惯性导航系统动态优选决策模型；训练数据集包括不同监测值组样本以及各监测值组样本对应的性能状态。
步骤105：采用均方误差作为损失函数对训练后的惯性导航系统动态优选决策模型进行优化，得到优化后的惯性导航系统动态优选决策模型。
步骤106：将待决策监测值组输入优化后的惯性导航系统动态优选决策模型中，得到优化后的惯性导航系统动态优选决策模型输出的性能状态。
步骤107：根据优化后的惯性导航系统动态优选决策模型输出的性能状态确定惯性导航系统的最优检修更换时间。
下面以一个具体实施例说明本发明的技术方案：
惯导系统由高敏感器件构成，对其内部元件的性能要求很高。惯导系统内部的传感器、伺服电路以及力矩组件等精密部件在经历长时间的存储后，由于温湿度变化以及自身氧化磁消，其性能参数会随着时间的推移而逐步退化，累计到一定程度之后会导致部件失效。同时在惯导系统经过维修后，其内部部件会由于自身工况的改变以及在维修过程中不当的操作而产生不可逆的损伤，导致部分部件无法满足惯导系统对其精度的要求，从而造成数据错误甚至系统失灵。因此在对惯导系统的性能状态监测的同时，考虑惯性导航系统自身维修情况、存储情况对系统性能的影响更能进一步把握其精度。然而目前现有技术从未考虑过惯性导航系统的历史维修以及存储情况对于其工作状态存在较为明显的影响，进行惯导系统性能评判的过程中并没有考虑到历史维修情况和存储情况，未考虑惯性导航系统的历史维修以及存储情况的影响则难以判断惯导系统的性能状态，因此无法准确的对惯导系统性能进行监测，确定最优检修更换时间。基于此，本发明提出了一种考虑历史维修情况与存储情况的惯导系统最优更换时机确定方法，即惯导系统最优更换时机确定方法，以准确的对惯导系统性能进行监测，确定最优检修更换时间。本发明惯导系统最优更换时机确定方法，其具体流程图如图2所示。
本发明惯导系统最优更换时机确定方法的主要步骤包括：首先，定义惯性导航系统维修情况和存储情况影响因子。其次，确定惯性导航系统的关键特征指标（直接选择的传感器的数据），并将所获取的多元监测信息（温湿度、压力等）转换到统一的框架下，为下一步信息融合奠定基础。然后，根据系统关键特征指标构建置信规则库（Belief rule base，BRB），根据监测信息计算置信规则库中的规则的激活权重并通过证据推理（EvidentialReasoning，ER）算法进行融合，得到输出决策特征向量（用于得到输出结果）；通过评价结果（通过置信规则库推理得到）得到最终效用，最后根据效用确定最优更换时间（最优更换时机）。
举例来说，规则一般表示为输入信息是x的情况下输出结果为y1，y2，y3…其中每一个的概率，也可以理解为输入信息是x的情况下输出结果为y1，y2，y3…其中某一个的概率，因为最终y1，y2，y3…只会有一个输出。
根据BRB中规则的构建方式，本发明中的惯性导航系统动态优选决策模型设置为：
Figure SMS_10
（1）
公式（1）为模型结构，其中，Bk(t)是定义的模型名称；x1(t),x2(t),…xM(t)表示t时刻惯性导航系统M关键特征指标的监测信息，其为模型输入监测信息；y(t)表示输出，公式（1）最终输出如公式（1）中第二行所示，解读是：输出为D1的概率为β1,k，…，输出为Dn的概率为βn,k，…，输出为DN的概率为βN,k；
Figure SMS_11
是M关键特征指标的相对权重；
Figure SMS_12
为M关键特征指标相对应的参考等级，旨在将多元信息转换到统一的框架下。
Figure SMS_13
为惯性导航系统的性能状态，
Figure SMS_14
为其相对应的输出特征向量。z1，z2分别表示惯导系统历史维修情况和历史存储情况的影响因子；
Figure SMS_15
为规则权重；
Figure SMS_16
，L表示置信规则库中规则的总个数，k表示置信规则库中规则的序号。
本发明所提出的惯导系统最优更换时机确定方法，其实施步骤可以分为以下五步：
步骤一：定义惯性导航系统维修情况和存储情况影响因子。
本发明将惯性导航系统的历史维修情况分为小修、中修、大修三种，并以此结合维修的次数和种类建立如下模型：
Figure SMS_17
（2）
其中，
Figure SMS_18
、m、h为小修、中修、大修分别对应的维修系数（维修指数）；x1、x2、x3为惯性导航系统经历小修、中修、大修的次数；
Figure SMS_19
为惯性导航系统维修折算值的最大值或理论极限值；
Figure SMS_20
为惯性导航系统维修折算值的最小值。参考GJB 6288-2008以及结合维修级别与当量系数之间的关系，设定维修当量折算系数（当量系数）如表1所示。
Figure SMS_21
惯性导航系统的性能随着其存储时间的增加通常呈现下降趋势，同时其在存储的过程中还受到存储环境中的温度和湿度的影响，而且两者共同作用影响设备性能的方式是以一种复杂的理化机理组合影响。因此综合考虑，建立如下标准化模型：
Figure SMS_22
（3）
式中：b1=0，b2为允许存储时间；t为惯导系统当前存储时间；k1为温度折算系数；k2为湿度折算系数。
综合考虑惯性导航系统的存储环境，最后参考国军标和经专家讨论，设定参数：k1=1，k2=1；当遇到高温、高湿、高寒、高海拔等环境，即存储环境非标准环境时，根据特定的环境变化情况，调整k1、k2。根据惯性导航系统实际存储情况，将其储存环境分为室内、室外两类，其环境修正因子取值如表2、表3所列。
Figure SMS_23
Figure SMS_24
步骤二：惯性导航系统关键特征指标的选取与多元信息的转换。
惯性导航系统特征指标较多，受模型实时性的限制，不可能对所有指标都进行监测。为此，首先需要专家结合惯性导航系统实际工况选择合适数量（针对不同传感器输入数据有不同范围）的特征指标（关键特征指标），主要选取的是可以观测到的指标。另一方面，由于所获取的多元监测信息（惯性导航系统关键特征指标的监测信息）格式不一，无法直接使用，需要通过公式（4）将多元监测信息转换到统一的框架下，例如温度和湿度的单位不同，而模型输入要求在相同单位下，通过公式（4）进行转换，类似于标幺化。
Figure SMS_25
（4）
公式（4）用于对监测信息按参考等级转换，然后将转换后的信息融入匹配度。其中，
Figure SMS_26
表示输入数据，Aik和Ai(k+1)是第i个关键特征指标在第k条和第k+1条规则中的参考等级，参考等级需要结合特征的信息分布、类型决定。
Figure SMS_27
为第i个关键特征指标转换后在第j条规则中的匹配度。L表示规则总数。j和k均表示规则序号，下述举例皆以第k条或第k+1条规则为例，因此设置j和k两个数。
在获取每个指标（关键特征指标）在每条规则中的匹配度后，可以通过下式计算得到所有关键特征指标对于第
Figure SMS_28
规则中的总匹配度，在同时考虑惯性导航系统维修情况和存储情况影响因子后，算式如下：
Figure SMS_29
（5）
Figure SMS_30
（6）
其中，
Figure SMS_31
表示指标的相对权重大小，
Figure SMS_32
表示指标的权重。其中
Figure SMS_33
以相乘的形式融入总匹配度，来体现惯导系统历史维修情况和历史存储情况对于每一条规则匹配度的影响，由于z1，z2的取值范围在0-1之间，因此会对每一条规则总匹配度起削弱作用，进而在后续证据融合过程中历史维修情况和历史存储情况体现对惯导系统性能评估状态的影响。步骤一中的影响因子在公式（5）中融入总匹配度
Figure SMS_34
，
Figure SMS_35
在步骤三中参与wk的计算。
步骤三：优选决策方法规则的激活及输出决策特征向量的融合。
在所构建的优选决策方法中，不同的监测信息会对于不同的规则的效用不同，在本发明中通过规则的激活权重表示，如下式所示：
Figure SMS_36
（7）
其中，wk表示第k条规则的激活权重，
Figure SMS_37
表示在优选决策方法中第k条规则的权重，即当该条规则在模型中相对于其他规则的重要程度，
Figure SMS_38
表示所有关键特征指标对于第
Figure SMS_39
规则中的总匹配度。
Figure SMS_40
表示在优选决策方法中第
Figure SMS_41
条规则的权重。
激活的规则会产生系统决策的特征向量，表示通过该条规则推测产生的结果。所有规则输出的决策特征向量可以通过证据推理（Evidential Reasoning，ER）算法进行融合，得到最终的输出决策特征向量。ER算法解析形式如下所示：
Figure SMS_42
（8）
Figure SMS_43
（9）
公式（8）为包含在公式（1）所示模型中的计算公式，其中，
Figure SMS_45
为模型产生的输出决策特征向量，n=1,2,...,N，
Figure SMS_47
为当前判断的输出，是在
Figure SMS_50
的基础上得到的，
Figure SMS_44
为此前设定的输出，j=1,2,...,N。
Figure SMS_48
为所设定的初始模型值，而
Figure SMS_49
为训练后的输出。μ是一个符号，表示公式（9）。公式（8）和公式（9）中，
Figure SMS_51
只是作为求和计算
Figure SMS_46
的一个代指，无其他含义。
步骤四：对模型进行训练并对模型参数优化。
在惯性导航系统运行的过程中，随着系统性能的改变，其运行工况随之变化。为了保证诊断精度，模型的参数需要进行优化。在本发明中，模型的参数是通过优化算法进行更新。
均方误差MSE是反映估计量与被估计量之间差异程度的一种度量，本发明中的实际输出效用与估计输出效用之间的均方误差MSE可以反映优选决策方法的精度。因此优化目标函数为：
Figure SMS_52
（10）
Figure SMS_53
（11）
其中，outputactual和outputestimated分别表示系统的实际健康状态和估计健康状态，T为观测数据量。
在模型参数更新方面，由于BRB属于一种专家系统，对模型参数物理意义有着严格的要求。因此，模型参数优化过程中需要服从如下约束条件：
Figure SMS_54
（12）
Figure SMS_55
（13）
Figure SMS_56
（14）
Figure SMS_57
（15）
步骤五：根据输出效用来确定惯导系统的最优更换时间。
输出效用（惯导系统性能结果）：
Figure SMS_58
（16）
其中，
Figure SMS_59
表示期望效用，
Figure SMS_60
表示模型输出，
Figure SMS_61
表示评价结果Dn的效用，系统性能状态Dn是在算法中设定的标签值，即人为规定的，例如故障状态1对应的D1=1，故障状态2对应的D2=2。根据输出效用来确定惯导系统的最优更换时间，考虑惯导系统历史维修和存储情况结合当前系统性能状态与可靠更换时间的关系（根据实际情况定义），最终制定出对应的惯性导航系统最优更换时间表，如表4所示。
Figure SMS_62
步骤四是模型训练优化的方法，步骤五衔接步骤三。
实验验证：
为了验证本发明的有效性，通过典型惯导系统进行了实验验证，主要包括以下步骤：
步骤一：问题描述及监测信息的获取。
飞机对于自身飞行状态的数据具有极高的要求，一旦自身惯导系统出现故障，将会引发一系列的影响，发生严重的安全事故，对机组人员及乘客带来极大的威胁。因此，需要准确的对飞机惯导系统性能进行监测，确定最优检修更换时间。而加速度计在惯导系统中具有重要作用，其主要通过牛顿定律测量飞机在三个方向上的加速度，综合出飞机运动曲线并给出每瞬时航行器所在的空间位置。在实验过程中，通过对惯导系统的加速度计进行性能测试，监测数据如图3所示。
步骤二：飞机惯导系统优选决策模型的建立。
依据表1、表2、表3、表4设定飞机惯导系统的维修系数、环境温度修正因子、环境湿度修正因子以及输出效用对应的最优更换时间表如表5、表6、表7、表8所示。
Figure SMS_63
Figure SMS_64
Figure SMS_65
Figure SMS_66
在三个加速度计的监测数据中，结合数据量、模型复杂度、判断精度等，确定三个加速度计的监测信息参考等级各为4个，如表9所示。结合公式（1）所示的规则构造方式，所构建的优选决策模型中共有64条规则。由于加速度计在实际使用的过程中容易受到环境的影响，因此，在确定规则输出置信度时需要同时考虑三个加速度计的监测信息，初始决策模型（包括64条规则）如表10、表11和表12所示，在初始模型中，假定规则同等重要，即规则权重设置为1。其中{1,2,3,4}表示可能输出的四种状态，其在表中表示对1、2、3、4四个状态的置信程度，例如第55条规则中，三个加速度计监测值对应的参考等级分别是H、M、SH，规则权重设定为1，可得到的评估结果是故障状态1发生的可能是0%，故障状态2发生的可能是80%，故障状态3发生的可能是0%，故障状态4发生的可能是20%。
Figure SMS_67
Figure SMS_68
Figure SMS_69
Figure SMS_70
本发明采用规则库构建模型，公式（1）中第一行与第二行之间直观上以置信规则库进行对应，即针对一组输入，得到可能的输出，如表10-表12所示。表10-表12是一个初始的置信规则库，输入与输出对应，例如表12中第55条规则，当三个传感器输入对应的参考等级为H\M\SH时，得到的输出是：0%出现故障状态1，80%出现故障状态2，0%出现故障状态3，20%出现故障状态4。而在每经历一次数据后，都会对模型进行优化，优化目标函数为公式（10），使得每一次的误差值最小，即所谓的训练。表13、表14和表15即为经历过训练之后的置信规则库（包括64条规则）。
步骤三：对初始决策模型的训练及测试。
模型的训练数据集主要是典型的故障样本，模型的输出为公式（10）中的
Figure SMS_71
，这样就会生成如表13-表15所示的新的规则库（这里实验设置比较简单，所以
Figure SMS_72
未设置改变）。
本发明在实验过程中，共采集数据800组，其中加速度计1处发生异动共采集200组，加速度计2处发生异动共采集200组，加速度计3处发生异动共采集200组。从数据集中随机筛选400组作为训练数据，对所构建的优选决策模型进行训练。经过训练后的决策模型所输出的对于结果的置信度更接近于真实情况，训练后模型（包括64条规则）如表13-表15所示。
Figure SMS_73
Figure SMS_74
Figure SMS_75
步骤四：确定惯导系统的最优更换时间。
根据模型输出的最终决策结果，结合公式（16）得到优选决策结果对应的最终效用如图5所示。图5中
Figure SMS_76
折线点表示最终输出效用的等级，能够较为准确的评估惯导系统的性能状态，同时在专家无法准确判断的部分监测点能够做出较为准确的判断，有效克服了专家知识存在的不确定性和部分缺失，达到了监测数据对专家知识的有效更新，从而进一步完善了专家系统。评估得到的最终效用点与预期相符合，分布在预期结果的上下两侧，训练后的误差达到0.028，远远小于安全性评估的均值，评估结果精度高，部分不合理的评估点产生是测试数据不合理的结果。
同时图4表示未考虑历史维修情况与存储情况的评价结果，可见在训练后的输出效用与预期值偏离很大，均方误差达到1.395，是图5中均方误差值的近五十倍，可见考虑历史维修情况与存储情况拥有更高的评价精度，同时也能说明对其进行分析的重要性很大。
根据表4中输出效用对应的结果来确定惯导系统的最优维护更换时间如图6所示。可见与图5中输出的最终效用相符合，对于惯导系统的最优维护更换时间符合对应要求。例如在未考虑历史维修情况与存储情况（以情况M表示）和考虑历史维修情况与存储情况（以情况N表示）下跟踪输入状态A、B、C，得到的结果如表16所示。
Figure SMS_77
由图可见，A，B，C三个输入在情况M和情况N的情况下得到的输出效用对应的更换时间有明显差距，相对于情况M，情况N对应效用更加稳定，因此更换时间也相对更加合理。
本发明旨在解决惯性导航系统优选决策过程中所面临的监测样本缺失、准确数学模型难以建立、惯性导航系统的历史维修以及存储情况对于其工作状态存在较为明显的影响三个方面的问题，基于BRB专家系统建立惯性导航系统优选决策方法，最终结合维修情况和存储情况影响确定最终效用，确定最优更换时间。
本发明主要考虑惯性导航系统自身维修情况、存储情况对系统性能的影响，基于BRB设计了惯性导航系统优选决策方法，将专家知识与监测信息有效融合，同时设置并融合了惯性导航系统的历史维修情况影响因子与存储情况因子，根据模型输出最终效用制定最优更换时间表，有效解决了惯性导航系统最合理的维修和更换时间难以准确把握的问题。本发明有效提高了实际环境下惯性导航系统的优选决策精度，在考虑历史维修情况与存储情况下确定了惯性导航系统最优更换时机，保证了惯性导航系统安全可靠的运行。
实施例二
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供了一种惯导系统最优更换时机确定系统，该系统包括：
影响因子确定模块，用于确定惯性导航系统的历史维修情况影响因子和历史存储情况影响因子。
置信规则库构建模块，用于根据惯性导航系统在不同监测值组情况下对应的性能状态，构建置信规则库；置信规则库包括多条不同的规则；规则用于建立监测值组与性能状态之间的对应关系；监测值组包括惯性导航系统的各个关键特征指标的监测值。
惯性导航系统动态优选决策模型构建模块，用于基于置信规则库、历史维修情况影响因子和历史存储情况影响因子，根据置信规则库中规则的构建方式，构建惯性导航系统动态优选决策模型。
模型训练模块，用于利用训练数据集对惯性导航系统动态优选决策模型进行训练，得到训练后的惯性导航系统动态优选决策模型；训练数据集包括不同监测值组样本以及各监测值组样本对应的性能状态。
模型优化模块，用于采用均方误差作为损失函数对训练后的惯性导航系统动态优选决策模型进行优化，得到优化后的惯性导航系统动态优选决策模型。
性能状态决策模块，用于将待决策监测值组输入优化后的惯性导航系统动态优选决策模型中，得到优化后的惯性导航系统动态优选决策模型输出的性能状态。
最优检修更换时间确定模块，用于根据优化后的惯性导航系统动态优选决策模型输出的性能状态确定惯性导航系统的最优检修更换时间。
其中，影响因子确定模块具体包括：
历史维修情况影响因子确定单元，用于利用公式
Figure SMS_78
确定惯性导航系统的历史维修情况影响因子；其中，z1表示惯性导航系统的历史维修情况影响因子，
Figure SMS_79
表示小修对应的维修系数，m表示中修对应的维修系数，h表示大修对应的维修系数，x1表示惯性导航系统经历小修的次数，x2表示惯性导航系统经历中修的次数，x3表示惯性导航系统经历大修的次数，
Figure SMS_80
表示惯性导航系统维修折算值的最大值，
Figure SMS_81
表示惯性导航系统维修折算值的最小值。
历史存储情况影响因子确定单元，用于利用公式
Figure SMS_82
确定惯性导航系统的历史存储情况影响因子；其中，z2表示惯性导航系统的历史存储情况影响因子，t表示惯性导航系统当前存储时间，k1表示温度折算系数，k2表示湿度折算系数，b1=0，b2表示允许存储时间。
惯性导航系统动态优选决策模型构建模块具体包括：
匹配度确定单元，用于针对每条规则，确定每个关键特征指标在规则中的匹配度。
总匹配度确定单元，用于根据每个关键特征指标在规则中的匹配度、历史维修情况影响因子和历史存储情况影响因子，确定所有关键特征指标对于规则中的总匹配度。
激活权重确定单元，用于根据所有关键特征指标对于规则中的总匹配度以及规则的权重，确定规则的激活权重。
惯性导航系统动态优选决策模型构建单元，用于根据规则的激活权重，采用证据推理算法融合激活后的规则，构建惯性导航系统动态优选决策模型。
总匹配度确定单元具体包括：
总匹配度确定子单元，用于利用公式
Figure SMS_83
确定所有关键特征指标对于第k规则中的总匹配度
Figure SMS_84
；其中，M表示关键特征指标的总数量，i表示关键特征指标的序号，
Figure SMS_85
表示第i个关键特征指标在第j条规则中的匹配度，
Figure SMS_86
表示第i个关键特征指标的相对权重大小。
实施例三
本发明实施例三提供了一种电子设备，包括存储器及处理器，该存储器用于存储计算机程序，该处理器运行计算机程序以使电子设备执行实施例一的惯导系统最优更换时机确定方法。
上述电子设备可以是服务器。
实施例四
本发明实施例四提供了一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现实施例一的惯导系统最优更换时机确定方法。
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 (8)

1.一种惯导系统最优更换时机确定方法，其特征在于，所述方法包括：
确定惯性导航系统的历史维修情况影响因子和历史存储情况影响因子；
根据惯性导航系统在不同监测值组情况下对应的性能状态，构建置信规则库；所述置信规则库包括多条不同的规则；所述规则用于建立监测值组与性能状态之间的对应关系；所述监测值组包括惯性导航系统的各个关键特征指标的监测值；
基于所述置信规则库、所述历史维修情况影响因子和所述历史存储情况影响因子，根据所述置信规则库中所述规则的构建方式，构建惯性导航系统动态优选决策模型；
利用训练数据集对所述惯性导航系统动态优选决策模型进行训练，得到训练后的惯性导航系统动态优选决策模型；所述训练数据集包括不同监测值组样本以及各所述监测值组样本对应的性能状态；
采用均方误差作为损失函数对所述训练后的惯性导航系统动态优选决策模型进行优化，得到优化后的惯性导航系统动态优选决策模型；
将待决策监测值组输入所述优化后的惯性导航系统动态优选决策模型中，得到所述优化后的惯性导航系统动态优选决策模型输出的性能状态；
根据所述优化后的惯性导航系统动态优选决策模型输出的性能状态确定惯性导航系统的最优检修更换时间；
所述确定惯性导航系统的历史维修情况影响因子和历史存储情况影响因子，具体包括：
利用公式
Figure QLYQS_1
确定惯性导航系统的历史维修情况影响因子；其中，z1表示惯性导航系统的历史维修情况影响因子，
Figure QLYQS_2
表示小修对应的维修系数，m表示中修对应的维修系数，h表示大修对应的维修系数，x 1表示惯性导航系统经历小修的次数，x 2表示惯性导航系统经历中修的次数，x 3表示惯性导航系统经历大修的次数，
Figure QLYQS_3
表示惯性导航系统维修折算值的最大值，
Figure QLYQS_4
表示惯性导航系统维修折算值的最小值；
利用公式
Figure QLYQS_5
确定惯性导航系统的历史存储情况影响因子；其中，z2表示惯性导航系统的历史存储情况影响因子，t表示惯性导航系统当前存储时间，k 1表示温度折算系数，k 2表示湿度折算系数，b 1=0，b 2表示允许存储时间。
2.根据权利要求1所述的惯导系统最优更换时机确定方法，其特征在于，基于所述置信规则库、所述历史维修情况影响因子和所述历史存储情况影响因子，根据所述置信规则库中所述规则的构建方式，构建惯性导航系统动态优选决策模型，具体包括：
针对每条所述规则，确定每个所述关键特征指标在所述规则中的匹配度；
根据每个所述关键特征指标在所述规则中的匹配度、所述历史维修情况影响因子和所述历史存储情况影响因子，确定所有所述关键特征指标对于所述规则中的总匹配度；
根据所有所述关键特征指标对于所述规则中的总匹配度以及所述规则的权重，确定所述规则的激活权重；
根据所述规则的激活权重，采用证据推理算法融合激活后的规则，构建惯性导航系统动态优选决策模型。
3.根据权利要求2所述的惯导系统最优更换时机确定方法，其特征在于，根据每个所述关键特征指标在所述规则中的匹配度、所述历史维修情况影响因子和所述历史存储情况影响因子，确定所有所述关键特征指标对于所述规则中的总匹配度，具体包括：
利用公式
Figure QLYQS_6
确定所有所述关键特征指标对于第k规则中的总匹配度
Figure QLYQS_7
；其中，M表示所述关键特征指标的总数量，i表示所述关键特征指标的序号，
Figure QLYQS_8
表示第i个关键特征指标在第j条规则中的匹配度，
Figure QLYQS_9
表示第i个关键特征指标的相对权重大小。
4.一种惯导系统最优更换时机确定系统，其特征在于，所述系统包括：
影响因子确定模块，用于确定惯性导航系统的历史维修情况影响因子和历史存储情况影响因子；
置信规则库构建模块，用于根据惯性导航系统在不同监测值组情况下对应的性能状态，构建置信规则库；所述置信规则库包括多条不同的规则；所述规则用于建立监测值组与性能状态之间的对应关系；所述监测值组包括惯性导航系统的各个关键特征指标的监测值；
惯性导航系统动态优选决策模型构建模块，用于基于所述置信规则库、所述历史维修情况影响因子和所述历史存储情况影响因子，根据所述置信规则库中所述规则的构建方式，构建惯性导航系统动态优选决策模型；
模型训练模块，用于利用训练数据集对所述惯性导航系统动态优选决策模型进行训练，得到训练后的惯性导航系统动态优选决策模型；所述训练数据集包括不同监测值组样本以及各所述监测值组样本对应的性能状态；
模型优化模块，用于采用均方误差作为损失函数对所述训练后的惯性导航系统动态优选决策模型进行优化，得到优化后的惯性导航系统动态优选决策模型；
性能状态决策模块，用于将待决策监测值组输入所述优化后的惯性导航系统动态优选决策模型中，得到所述优化后的惯性导航系统动态优选决策模型输出的性能状态；
最优检修更换时间确定模块，用于根据所述优化后的惯性导航系统动态优选决策模型输出的性能状态确定惯性导航系统的最优检修更换时间；
所述影响因子确定模块具体包括：
历史维修情况影响因子确定单元，用于利用公式
Figure QLYQS_10
确定惯性导航系统的历史维修情况影响因子；其中，z1表示惯性导航系统的历史维修情况影响因子，
Figure QLYQS_11
表示小修对应的维修系数，m表示中修对应的维修系数，h表示大修对应的维修系数，x 1表示惯性导航系统经历小修的次数，x 2表示惯性导航系统经历中修的次数，x 3表示惯性导航系统经历大修的次数，
Figure QLYQS_12
表示惯性导航系统维修折算值的最大值，
Figure QLYQS_13
表示惯性导航系统维修折算值的最小值；
历史存储情况影响因子确定单元，用于利用公式
Figure QLYQS_14
确定惯性导航系统的历史存储情况影响因子；其中，z2表示惯性导航系统的历史存储情况影响因子，t表示惯性导航系统当前存储时间，k 1表示温度折算系数，k 2表示湿度折算系数，b 1=0，b 2表示允许存储时间。
5.根据权利要求4所述的惯导系统最优更换时机确定系统，其特征在于，所述惯性导航系统动态优选决策模型构建模块具体包括：
匹配度确定单元，用于针对每条所述规则，确定每个所述关键特征指标在所述规则中的匹配度；
总匹配度确定单元，用于根据每个所述关键特征指标在所述规则中的匹配度、所述历史维修情况影响因子和所述历史存储情况影响因子，确定所有所述关键特征指标对于所述规则中的总匹配度；
激活权重确定单元，用于根据所有所述关键特征指标对于所述规则中的总匹配度以及所述规则的权重，确定所述规则的激活权重；
惯性导航系统动态优选决策模型构建单元，用于根据所述规则的激活权重，采用证据推理算法融合激活后的规则，构建惯性导航系统动态优选决策模型。
6.根据权利要求5所述的惯导系统最优更换时机确定系统，其特征在于，所述总匹配度确定单元具体包括：
总匹配度确定子单元，用于利用公式
Figure QLYQS_15
确定所有所述关键特征指标对于第k规则中的总匹配度
Figure QLYQS_16
；其中，M表示所述关键特征指标的总数量，i表示所述关键特征指标的序号，
Figure QLYQS_17
表示第i个关键特征指标在第j条规则中的匹配度，
Figure QLYQS_18
表示第i个关键特征指标的相对权重大小。
7.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1-3中任一项所述的惯导系统最优更换时机确定方法。
8.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-3中任一项所述的惯导系统最优更换时机确定方法。
CN202310353964.3A 2023-04-06 2023-04-06 惯导系统最优更换时机确定方法、系统、电子设备及介质 Active CN116071051B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310353964.3A CN116071051B (zh) 2023-04-06 2023-04-06 惯导系统最优更换时机确定方法、系统、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310353964.3A CN116071051B (zh) 2023-04-06 2023-04-06 惯导系统最优更换时机确定方法、系统、电子设备及介质

Publications (2)

Publication Number Publication Date
CN116071051A CN116071051A (zh) 2023-05-05
CN116071051B true CN116071051B (zh) 2023-06-30

Family

ID=86180578

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310353964.3A Active CN116071051B (zh) 2023-04-06 2023-04-06 惯导系统最优更换时机确定方法、系统、电子设备及介质

Country Status (1)

Country Link
CN (1) CN116071051B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116451912B (zh) * 2023-06-19 2023-09-19 西北工业大学 一种换件影响情况下复杂机电系统性能评估方法及系统
CN116519021B (zh) * 2023-06-29 2023-09-15 西北工业大学 一种惯性导航系统故障诊断方法、系统及设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111238534A (zh) * 2020-01-17 2020-06-05 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

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573845B (zh) * 2014-12-03 2018-07-27 国家电网公司 信息系统设备状态检修辅助决策方法
US10474789B2 (en) * 2016-06-24 2019-11-12 The Boeing Company Prediction methods and systems for structural repair during heavy maintenance of aircraft
CN109341716B (zh) * 2018-09-12 2020-12-04 广东嘉腾机器人自动化有限公司 基于模拟退火的agv惯性导航修正方法
CN110160524B (zh) * 2019-05-23 2020-12-01 深圳市道通智能航空技术有限公司 一种惯性导航系统的传感器数据获取方法及装置
CN111553590B (zh) * 2020-04-27 2021-09-24 中国电子科技集团公司第十四研究所 一种雷达嵌入式健康管理系统
CN112529184B (zh) * 2021-02-18 2021-07-02 中国科学院自动化研究所 融合领域知识与多源数据的工业过程优化决策方法
US20230105957A1 (en) * 2021-10-01 2023-04-06 Honeywell International Inc. Systems and methods for determining a health indication of a mechanical component
CN115018176A (zh) * 2022-06-20 2022-09-06 上海金桥信息股份有限公司 电子设备健康度的预测方法、装置、终端及介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111238534A (zh) * 2020-01-17 2020-06-05 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

Also Published As

Publication number Publication date
CN116071051A (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
CN116071051B (zh) 惯导系统最优更换时机确定方法、系统、电子设备及介质
CN110135079B (zh) 一种海洋石油井控装备的宏观弹性评价方法及系统
CN105424035B (zh) 惯性测量系统多传感器冗余方法
CN108540311B (zh) 卫星执行机构的故障检测深度学习网络处理方法及装置
CN111259551A (zh) 一种基于置信规则库的惯组故障预测方法
CN114564000B (zh) 基于智能飞行器执行器故障诊断的主动容错方法及系统
CN110531737A (zh) 基于混合模型的卫星执行机构故障诊断方法、系统及介质
CN116519021B (zh) 一种惯性导航系统故障诊断方法、系统及设备
Gai et al. Dynamic Event-Triggered Hᵢ/H∞ Optimization Approach to Fault Detection for Unmanned Aerial Vehicles
Han et al. Quadratic-Kalman-filter-based sensor fault detection approach for unmanned aerial vehicles
CN115857529A (zh) 航天器姿态控制系统的执行器故障重构方法
CN111504330B (zh) 一种基于实测数据的低轨航天器准实时轨道机动检测方法
CN110889646B (zh) 一种适应工况变化的发电机组运行参数正确性检验的方法
CN116484645A (zh) 一种飞行器优选决策方法、系统、电子设备及介质
CN101714190B (zh) 一种桥梁结构状态角色诊断系统
CN115993077B (zh) 复杂路况运输情况下惯导系统优选决策方法及系统
Hardier et al. Aerodynamic model inversion for virtual sensing of longitudinal flight parameters
CN115993138B (zh) 一种多表冗余激光惯组故障诊断方法及系统
CN116678434A (zh) 一种基于区间值置信规则库的三自激光惯组故障检测方法
CN115981265B (zh) 基于扩张观测器的舰载机故障在线检测方法
Zolghadri et al. Integrity monitoring of flight parameters using analytical redundancy
Wang et al. Quantitative Evaluation of Sensor Fault Diagnosability of F-16 High Maneuvering Fighter
CN116451912B (zh) 一种换件影响情况下复杂机电系统性能评估方法及系统
CN111257593A (zh) 一种融合导航数据的大气数据估计与状态监测方法
De Capua et al. A mobile distributed architecture for measurement and analysis of the electromagnetic field

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