CN116205044A - 一种复杂航天设备的实时健康分析方法和系统 - Google Patents

Abstract

本发明公开了一种复杂航天设备的实时健康分析方法和系统，包括以下步骤：构建基于健康状态层次分析结构树的分析模型；通过历史数据计算健康状态层次分析结构树各节点权重值；采用自动超参数方法训练模型结合多参数融合方法估算部件健康值；对设备部件及其组成的系统进行逐层计算，获得复杂设备的整体及部分健康状态；对设备整体及局部的健康值进行不同粒度的可视化展示。本发明解决了当下航天设备组成复杂，难以对设备整体及局部进行精确健康分析评估的问题。本发明自动计算各部件权重值，减少工作量，提高设备健康分析精确度，对设备的多类型部件通用性好，计算效率高，可以有效对复杂航天设备健康状态进行表征，有力提升航天维护保障能力。

Description

一种复杂航天设备的实时健康分析方法和系统

技术领域

本申请涉及航天发射场地面设备、设施设备的维护保障的技术领域，特别是一种复杂航天设备的实时健康分析方法和系统。

背景技术

目前我国航天发射场设备组成较为复杂，主要采用对各个设备及部件的健康数值进行直接监测，在部件出现健康状态告警时对单独的部件进行更换。对于系统整体的健康状态，特别是较为复杂的航天设备如塔架系统、摆杆系统的健康状态缺乏一种多层次化、智能化的实时监测系统。当前发射场地面设施设备主要采用专家知识库等先验知识对航天设备系统的设备及部件的重要程度进行划分，其结果具有一定程度主观性，同时由于复杂航天设备所包含的子系统、部件数量较多、种类多样，需要较为繁复的前期测量计算及估算，并且其精确度也依赖先验知识的正确性。

发明内容

本发明提出一种历史数据驱动，基于健康状态层次分析结构树实时计算各个系统层级健康值的健康分析方法，人工干预部分较少，对复杂航天设备的多类型部件通用性、适应性较好。本发明采用线性计算，计算效率较高，适合实时监测系统，可以有效对复杂航天装备健康状态进行表征，有力提升航天设备维护保障能力，降低航天设备维修维护的成本。

第一方面，提供了一种复杂航天设备的实时健康分析方法和系统，其特征在于，包括：

S1：构建基于健康状态层次分析结构树的设备健康分析模型；

S2：基于设备部件历史健康数据，计算模型节点权重值；

S3：通过感知层传感器，对设备部件健康数据实时采集处理；

S4：基于S1构建的健康分析模型对航天设备部件及其组成的系统进行逐层计算，并将结果生成相应报告。

结合第一方面，在第一方面的某些实现方式中，所述步骤S1中，基于健康状态层次分析结构树，所述健康状态层次分析结构树为分层数据结构，所述分层数据结构具有根节点，所述根节点具有若干子节点，所述根节点具有指向所述子节点的指针。

结合第一方面，在第一方面的某些实现方式中，所述步骤S1中，构建摆杆系统的设备健康分析模型，在所述摆杆系统的设备健康分析模型中，所述摆杆系统的包括机械结构系统、液压系统、控制系统，所述机械结构系统包括竖直杆、水平杆、传动部件，所述液压系统包括液压泵、油缸、电机管路附件，所述控制系统包括控制柜、近控远控台、电气附件。

结合第一方面，在第一方面的某些实现方式中，所述步骤S2中，基于设备部件历史健康数据，采用历史系统健康数据与其部件健康数据进行多项式拟合，通过逻辑回归和梯度下降法计算模型节点权重值w；

为整系统历史健康值，HI_i’为其分系统历史健康值。/>

结合第一方面，在第一方面的某些实现方式中，所述步骤S3中，对设备部件健康数据实时采集及处理，包括以下步骤：

S31：对于部分有健康值的设备及部件，通过感知传感器对设备及部件进行直接采集；

S32：对于部分没有直接健康值上报的设备及部件，以设备部件历史健康数据作为输入，训练针对不同设备及部件的健康评估模型，包括监测设备部件的电流、电压、功率、压力、温度、振动、位置、速度、噪声、告警的历史设备信息X^h＝[x^h ₀,x^h ₁,…,x^h _k]及其相应的历史健康值HI_i ^h∈[0,1]；

S33：处理模型采用XGBoost模型，历史设备信息X^h＝[x^h ₀,x^h ₁,…,x^h _k]作为训练输入数据，对相应历史健康值HI_i ^h∈[0,1]进行拟合；在进行XGBoost模型拟合前，采用逐步回归法，剔除对权重贡献较小的信息变量，降低设备信息的数据维度，降低后续模型训练时间；然后采用MAE作为评价方法，10折交叉验证作为验证机制，采用网格搜索的方法对设备或子部件的XGBoost模型的超参数进行自动评估学习，即学习速率learning_rate∈[0,1]、最大树数量n_estimators∈[50,500]、最大树深度max_depth∈[3,8]、行列子采样率subsample∈(0,1]，获得各个设备模型的最优超参数；

S34：对于部分没有直接健康值上报的设备及部件，获取部件的电流、电压、功率、压力、温度、振动、位置、速度、噪声、告警等数据，并对相应信息进行异常点剔除及归一化处理，获得设备部件信息X＝[x₀,x₁,…,x_k]；

S35：将处理过后的设备信息作为输入，输入S33所训练模型，获得健康值HI_i∈[0,1]。

结合第一方面，在第一方面的某些实现方式中，所述步骤S4中，结构树根据设备系统部件细化的颗粒度对系统健康状态层次分析结构进行不同颗粒度的建模，对于某个系统、子系统，其健康值由其n个子节点健康值的加权获得，由叶子节点迭代计算，逐层得到整系统的健康值，其中，HI_root为整系统健康值，HI_i为其n个分系统健康值，w_i为对应权重值(i＝0,1，...，n)。

HI_ij为分系统i的m个部件健康值，w_ij为对应权重值(j＝0,1，...，m)。

结合第一方面，在第一方面的某些实现方式中，所述模型节点权重值对应目标类别，所述模型节点权重值对应的训练模型的类别为所述目标类别，所述目标类别为所述设备健康分析模型中的一个类别，所述模型节点权重值和所述训练模型采用的历史健康数据类别为所述目标类别，所述历史健康数据包括至少一个总体系统的历史健康数据。

结合第一方面，在第一方面的某些实现方式中，所述模型节点权重值和所述模型节点权重值对应的训练模型均与目标总体系统对应，所述模型节点权重值和所述训练模型采用的历史健康数据包括所述目标总体系统按照多种类别划分方式得到的历史健康数据。

第二方面，提供了一种健康分析系统，所述系统包括设备部件参数上报模块、健康数据采集处理模块、设备健康分析模型训练模块、设备健康分析模块；

所述设备部件参数上报模块用于通过和设备感知模块或通信模块进行通信获得设备部件的健康值，对所述健康值进行处理编号，然后将设备健康值及健康参数实时输出给所述健康数据采集处理模块；

所述健康数据采集处理模块用于通过设备部件历史健康数据训练自动超参数XGBoost模型，执行健康值计算，并将健康值输出给设备健康分析模块；

所述设备健康分析模型训练模块用于基于设备部件历史健康数据对基于健康状态层次结构树的设备节点权重值进行训练计算，获得节点权重值并输入所述设备健康分析模块；

所述设备健康分析模块结合设备部件权重值及部件健康值，给出设备整体及各个层级部件的健康状态数据及可视化。

结合第二方面，在第二方面的某些实现方式中，所述系统还用于执行如上述第一方面中的任意一种实现方式中所述的方法。

与现有技术相比，本申请提供的方案至少包括以下有益技术效果：

(1)本发明通过结合层次分析结构树结合机器学习的方法，实现了对复杂航天设备的实时健康分析，相比现有技术，提高了复杂航天设备的实时多层次分析能力。

(2)本发明通过结合逐步回归法、自评估学习法及逻辑回归拟合等方法，实现了一定程度上的自动化复杂航天设备健康建模分析，相比现有技术，减少对不同设备训练建模的工作量，同时提高了设备健康分析精确度。

(3)本发明设备部件健康采集处理模块通过逐步回归法对输入数据进行降维，保证精确性的同时，提高了自评估学习的计算效率。

附图说明

图1为本发明系统流程图。

图2为本发明健康状态层次分析结构树结构图。

图3为本发明发射塔摆杆系统结构树结构图。

具体实施方式

下面结合附图和具体实施例对本申请作进一步详细的描述。

本发明公开了一种复杂航天设备的实时健康分析方法和系统，包括以下步骤：首先，构建基于健康状态层次分析结构树的健康分析模型；然后通过航天设备及其部件历史健康数据，采用回归拟合，获得健康状态层次分析结构树各节点的权重值；接下来，针对相应的航天设备部件健康数据进行采集及处理，通过历史数据结合自动超参数方法训练XGBoost模型，采用多参数融合方法估算设备及部件健康值；健康分析模型对航天设备部件及其组成的系统进行逐层计算，通过健康状态层次分析结构树模型获得复杂设备的整体及部分健康状态；最终，通过树形结构可视化的方法，对设备整体及局部的健康值进行不同粒度的可视化展示。

本发明为复杂航天设备提供了一种基于健康状态层次分析结构树的健康分析方法，解决了当下航天设备组成较为复杂，各个部件健康状态不一致，难以对设备整体及局部进行精确健康分析评估的问题。同时，各个设备及部件在系统健康值中的重要性并不一样，传统方法采用专家指定相应健康权重值，具有一定主观性且对于复杂航天设备需要较为繁复的前期测量计算及估算，本发明可以根据系统及设备部件历史健康值自动计算各个部件的在系统中的权重值，消除手动指定的工作量的同时，提高了设备健康分析精确度。本发明采用数据驱动的方式进行健康评估计算，人工干预部分较少，对复杂航天设备的多类型部件通用性、适应性较好。本方法采用线性计算，计算效率较高，适合实时监测系统，可以有效对复杂航天装备健康状态进行表征，有力提升航天设备维护保障能力。

本发明公开了一种复杂航天设备的实时健康分析系统。该系统可以包括设备部件参数上报模块、健康数据采集处理模块、设备健康分析模型训练模块、设备健康分析模块。

设备部件参数上报模块主要通过和设备感知模块或通信模块进行通信获得设备部件的健康值或健康参数，对相应数据进行初步的处理编号，然后将设备健康值及健康参数实时输出给设备部件健康数据采集处理模块。

健康数据采集处理模块在系统运行前通过设备部件历史健康数据训练自动超参数XGBoost模型，对未上报健康值但可以提供相关参数的设备进行健康值计算，并将健康值输出给设备健康分析模块。

设备健康分析模型训练模块基于设备部件历史健康数据对基于健康状态层次结构树的设备节点权重值进行训练计算，在获得节点权重值后输入设备健康分析模块，设备健康分析模块结合设备部件权重值及部件健康值，给出设备整体及各个层级部件的健康状态数据及可视化。

本发明还公开了一种复杂航天设备的实时健康分析方法。

S1：构建基于健康状态层次分析结构树的设备健康分析模型。

S2：基于设备部件历史健康数据，计算模型节点权重值。

S3：通过感知层传感器，对设备部件健康数据实时采集处理。

S4：基于S1构建的健康分析模型对航天设备部件及其组成的系统进行逐层计算，并将结果生成相应报告。

步骤S1中，结合图2，可以基于健康状态层次分析结构树，对复杂航天设备结构进行拆分建模，复现设备结构，与实际能够体现设备健康状态的物理结构层次保持一致。健康状态层次分析结构树是一个分层数据结构，它有一个根节点，根节点有若干子节点。根节点有一个指针指向它的一个子节点。而它的所有子节点又组成一个单向链表，且每个子节点指针指向父亲节点，所有的设备节点构成一个多层次的树形结构，其中没有子节点的节点为叶子节点。

以发射场塔架摆杆为例，如图3摆杆系统结构树所示，摆杆系统主要由机械结构系统、液压系统、控制系统组成，摆杆系统作为根节点，机械结构系统、液压系统、控制系统为子节点，摆杆系统的健康值由以上三大系统的健康值加权构成，其中控制系统是最容易出现问题也是最关键的环节。机械结构系统、液压系统、控制系统又分别由各个部件设备组成，形成各个系统的子节点，即各个系统的健康值由自己的子节点加权形成。各个部件设备可根据采集处理的实际情况，继续划分为子部件设备。在系统中，可通过感知设备直接获得的设备或子部件的健康值或相关设备参数的设备节点，作为健康状态层次分析结构树的叶子节点。

步骤S2中，基于设备部件历史健康数据，采用历史系统健康数据与其部件健康数据进行多项式拟合，计算模型节点权重值w。

已知HI’_root为整系统历史健康值，HI_i’为其分系统历史健康值，基于设备健康分析模型可知：

其中，对w_i采用逻辑回归和梯度下降法进行计算。对结构树中所有权重进行逐层计算，获得所有健康状态层次分析结构树权重。

步骤S3中，对设备部件健康数据实时采集及处理，主要包括以下步骤：

S31：对于部分有健康值的设备及部件，通过感知传感器对设备及部件进行直接采集；

S32：对于部分没有直接健康值上报的设备及部件，以设备部件历史健康数据作为输入，训练针对不同设备及部件的健康评估模型，包括监测设备部件的电流、电压、功率、压力、温度、振动、位置、速度、噪声、告警的历史设备信息X^h＝[x^h ₀,x^h ₁,…,x^h _k]及其相应的历史健康值HI_i ^h∈[0,1]。

S33：处理模型采用XGBoost模型。历史设备信息X^h＝[x^h ₀,x^h ₁,…,x^h _k]作为训练输入数据，对相应历史健康值HI_i ^h∈[0,1]进行拟合。在进行XGBoost模型拟合前，采用逐步回归法，剔除对权重贡献较小的信息变量，降低设备信息的数据维度，降低后续模型训练时间。然后采用MAE作为评价方法，10折交叉验证作为验证机制，采用网格搜索的方法对设备或子部件的XGBoost模型的超参数进行自动评估学习，即学习速率learning_rate∈[0,1]、最大树数量n_estimators∈[50,500]、最大树深度max_depth∈[3,8]、行列子采样率subsample∈(0,1]，获得各个设备模型的最优超参数。

S34：对于部分没有直接健康值上报的设备及部件，获取部件的电流、电压、功率、压力、温度、振动、位置、速度、噪声、告警等数据，并对相应信息进行异常点剔除及归一化处理，获得设备部件信息X＝[x₀,x₁,…,x_k]；

S35：将处理过后的设备信息作为输入，输入S33训练模型，获得健康值HI_i∈[0,1]。

步骤S4中，结构树可以根据设备系统部件细化的颗粒度对系统健康状态层次分析结构进行不同颗粒度的建模。对于某个系统、子系统，其健康值可以由其n个子节点健康值的加权获得，由叶子节点迭代计算，逐层可以得到整系统的健康值。其中，HI_root为整系统健康值，HI_i为其n个分系统健康值，w_i为对应权重值(i＝0,1，...，n)。

HI_ij为分系统i的m个部件健康值，w_ij为对应权重值(j＝0,1，...，m)，各个部件可继续划分为子部件，其计算方法与上述方法一致：

/>

在计算时，通过监测数据作为叶子节点的健康值由下而上逐层计算。对最终的计算结果，采用树形结构将健康值显示在各个子节点上，对设备整体及局部的健康值进行不同粒度的可视化展示。

在一些实施例中，训练模型的类型可以与健康状态层次分析结构树的类别对应。例如，结合图3，机械结构系统可以使用机械结构系统对应的机械结构训练模型，液压系统可以使用液压结构系统对应的液压训练模型，控制系统可以使用控制系统对应的控制训练模型。

对于摆杆系统以外的其他总体系统，当其他总体系统具有相应的机械结构系统时，可以使用机械结构训练模型计算权重值，进而计算相对应的健康值。机械结构训练模型训练时使用的历史健康数据可以来源于不同的总体系统。

对于摆杆系统以外的其他总体系统，当其他总体系统具有相应的液压系统时，可以使用液压训练模型计算权重值，进而计算相对应的健康值。液压训练模型训练时使用的历史健康数据可以来源于不同的总体系统。

对于摆杆系统以外的其他总体系统，当其他总体系统具有相应的控制系统时，可以使用控制训练模型计算权重值，进而计算相对应的健康值。控制训练模型训练时使用的历史健康数据可以来源于不同的总体系统。

在另一些实施例中，训练模型可以依赖于总体系统。不同的总体系统使用不同的训练模型。同一总体系统的分系统可以使用同一训练模型。结合图3，摆杆系统的机械结构系统、液压系统和控制系统均可以使用同一训练模型计算对应的权重值，进而计算相对应的健康值。另外，为了适应摆杆系统的分系统的不同分类方式，减少训练模型对于分系统具体分类的依赖，训练模型的历史训练数据可以来源于多种分系统分类方式。也就是说，除了图3所示将摆杆系统划分为机械结构系统、液压系统和控制系统以外，还可以安装其他划分方式将摆杆系统进行划分，所形成的历史健康数据可以用于训练摆杆系统对应的训练模型。

可视化展示中，节点大小体现权重值，颜色与数值体现健康值，健康值的变化会根据实时计算数据进行显示。在发射前，规划人员可以根据可视化报告内容对系统整体及局部设备状态进行评估，快速根据系统权重及健康值找出薄弱节点及该节点对系统的整体影响。在发射保障期间，保障人员可以根据可视化报告中系统、子系统层级健康值的变化，快速定位有风险的部件、子部件所在位置，提前对可能发生的故障进行预判。在紧急抢修过程中，指挥人员可以依据报告中提供的系统、子系统权重大小，对抢修的紧急程度进行抢修排序。

本发明虽然以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以做出可能的变动和修改，因此，本发明的保护范围应当以本发明权利要求所界定的范围为准。

Claims (10)

1.一种复杂航天设备的实时健康分析方法和系统，其特征在于，包括：

S1：构建基于健康状态层次分析结构树的设备健康分析模型；

S2：基于设备部件历史健康数据，计算模型节点权重值；

S3：通过感知层传感器，对设备部件健康数据实时采集处理；

S4：基于S1构建的健康分析模型对航天设备部件及其组成的系统进行逐层计算，并将结果生成相应报告。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1中，基于健康状态层次分析结构树，所述健康状态层次分析结构树为分层数据结构，所述分层数据结构具有根节点，所述根节点具有若干子节点，所述根节点具有指向所述子节点的指针。

3.根据权利要求2所述的方法，其特征在于，所述步骤S1中，构建摆杆系统的设备健康分析模型，在所述摆杆系统的设备健康分析模型中，所述摆杆系统的包括机械结构系统、液压系统、控制系统，所述机械结构系统包括竖直杆、水平杆、传动部件，所述液压系统包括液压泵、油缸、电机管路附件，所述控制系统包括控制柜、近控远控台、电气附件。

4.根据权利要求1所述的方法，其特征在于，所述步骤S2中，基于设备部件历史健康数据，采用历史系统健康数据与其部件健康数据进行多项式拟合，通过逻辑回归和梯度下降法计算模型节点权重值w；

HI’_root为整系统历史健康值，HI_i’为其分系统历史健康值。

5.根据权利要求4所述的方法，其特征在于，所述步骤S3中，对设备部件健康数据实时采集及处理，包括以下步骤：

S31：对于部分有健康值的设备及部件，通过感知传感器对设备及部件进行直接采集；

S32：对于部分没有直接健康值上报的设备及部件，以设备部件历史健康数据作为输入，训练针对不同设备及部件的健康评估模型，包括监测设备部件的电流、电压、功率、压力、温度、振动、位置、速度、噪声、告警的历史设备信息X^h＝[x^h ₀,x^h ₁,…,x^h _k]及其相应的历史健康值HI_i ^h∈[0,1]；

S33：处理模型采用XGBoost模型，历史设备信息X^h＝[x^h ₀,x^h ₁,…,x^h _k]作为训练输入数据，对相应历史健康值HI_i ^h∈[0,1]进行拟合；在进行XGBoost模型拟合前，采用逐步回归法，剔除对权重贡献较小的信息变量，降低设备信息的数据维度，降低后续模型训练时间；然后采用MAE作为评价方法，10折交叉验证作为验证机制，采用网格搜索的方法对设备或子部件的XGBoost模型的超参数进行自动评估学习，即学习速率learning_rate∈[0,1]、最大树数量n_estimators∈[50,500]、最大树深度max_depth∈[3,8]、行列子采样率subsample∈(0,1]，获得各个设备模型的最优超参数；

S34：对于部分没有直接健康值上报的设备及部件，获取部件的电流、电压、功率、压力、温度、振动、位置、速度、噪声、告警等数据，并对相应信息进行异常点剔除及归一化处理，获得设备部件信息X＝[x₀,x₁,…,x_k]；

S35：将处理过后的设备信息作为输入，输入S33所训练模型，获得健康值HI_i∈[0,1]。

6.根据权利要求5所述的方法，其特征在于，所述步骤S4中，结构树根据设备系统部件细化的颗粒度对系统健康状态层次分析结构进行不同颗粒度的建模，对于某个系统、子系统，其健康值由其n个子节点健康值的加权获得，由叶子节点迭代计算，逐层得到整系统的健康值，其中，HI_root为整系统健康值，HI_i为其n个分系统健康值，w_i为对应权重值(i＝0,1，...，n)。

HI_ij为分系统i的m个部件健康值，w_ij为对应权重值(j＝0,1，...，m)。

7.根据权利要求4至6中任一项所述的方法，其特征在于，所述模型节点权重值对应目标类别，所述模型节点权重值对应的训练模型的类别为所述目标类别，所述目标类别为所述设备健康分析模型中的一个类别，所述模型节点权重值和所述训练模型采用的历史健康数据类别为所述目标类别，所述历史健康数据包括至少一个总体系统的历史健康数据。

8.根据权利要求4至6中任一项所述的方法，其特征在于，所述模型节点权重值和所述模型节点权重值对应的训练模型均与目标总体系统对应，所述模型节点权重值和所述训练模型采用的历史健康数据包括所述目标总体系统按照多种类别划分方式得到的历史健康数据。

9.一种健康分析系统，其特征在于，所述系统包括设备部件参数上报模块、健康数据采集处理模块、设备健康分析模型训练模块、设备健康分析模块；

所述设备部件参数上报模块用于通过和设备感知模块或通信模块进行通信获得设备部件的健康值，对所述健康值进行处理编号，然后将设备健康值及健康参数实时输出给所述健康数据采集处理模块；

所述健康数据采集处理模块用于通过设备部件历史健康数据训练自动超参数XGBoost模型，执行健康值计算，并将健康值输出给设备健康分析模块；

所述设备健康分析模型训练模块用于基于设备部件历史健康数据对基于健康状态层次结构树的设备节点权重值进行训练计算，获得节点权重值并输入所述设备健康分析模块；

所述设备健康分析模块结合设备部件权重值及部件健康值，给出设备整体及各个层级部件的健康状态数据及可视化。

10.根据权利要求9所述的系统，其特征在于，所述系统还用于执行如权利要求1至8中任一项所述的方法。

Images