CN116451016A - 一种卫星智能化故障系统诊断评估的方法 - Google Patents
一种卫星智能化故障系统诊断评估的方法 Download PDFInfo
- Publication number
- CN116451016A CN116451016A CN202310285995.XA CN202310285995A CN116451016A CN 116451016 A CN116451016 A CN 116451016A CN 202310285995 A CN202310285995 A CN 202310285995A CN 116451016 A CN116451016 A CN 116451016A
- Authority
- CN
- China
- Prior art keywords
- fault
- satellite
- diagnosis
- real
- time
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 42
- 238000007435 diagnostic evaluation Methods 0.000 title claims description 4
- 238000003745 diagnosis Methods 0.000 claims abstract description 109
- 238000012360 testing method Methods 0.000 claims abstract description 55
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 238000003066 decision tree Methods 0.000 claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 238000013461 design Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000036541 health Effects 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 230000002452 interceptive effect Effects 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 3
- 208000024891 symptom Diseases 0.000 claims description 3
- 230000008569 process Effects 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 5
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Abstract
本发明公开了一种卫星智能化故障系统诊断评估的方法,S1:结合卫星系统结构设计、卫星测试系统结构设计和卫星可靠性分析建立卫星系统多信号模型;S2:建模工程师经过各分系统的系统结构设计、测试系统结构设计、可靠性分析以及故障传播模型,梳理出测试数据处理规则及建模与分析;S3:故障提取后依据测试数据处理规则进行数据处理及判决,根据建模与分析建立故障测试相关性矩阵,开发针对卫星系统的实时监测与诊断模块;利用卫星系统多信号模型生成的诊断策略,通过决策树推理机实现交互式实时故障诊断,以及交互式诊断所需要的诊断策略;S4:通过实时监测与诊断模块实时地将数据传输和显示,对卫星的状态进行健康评估,并输出诊断结果。
Description
技术领域
本发明涉及卫星故障分析,属于卫星故障诊断的技术领域,尤其涉及一种卫星智能化故障系统诊断评估的方法。
背景技术
目前,卫星系统的地面测试系统主要依赖于人工为主的数据分析技术来进行故障诊断,卫星管理人员采用手工检查测试数据的方式来确定卫星运行是处于健康状态还是故障状态,以及卫星是否存在危险的趋势,以预测卫星是否在不久的将来处于故障状态。
传统统计学估计方法或是通过比较卫星遥测参数的实测值与期望值之间的差异方法存在严重的缺陷,随着在轨卫星数量和型号的增加,这种方法不仅工作量大,耗时长,而且故障隔离率低,效率低,难以应对突发故障。
发明内容
本发明的目的是针对上述问题,提供了一种卫星智能化故障系统诊断评估的方法,为在地面测试阶段尽可能发现卫星运行故障,提高系统运行的可靠性、可维护性和有效性。同时可以有效解决复杂卫星系统诊断困难的难题,保障卫星系统的高可靠性、长寿命运行。
为了实现上述目的,本发明采用了如下技术方案:
一种卫星智能化故障系统诊断评估的方法,方法如下:
S1:结合卫星系统结构设计、卫星测试系统结构设计和卫星可靠性分析这三方面建立卫星系统多信号模型,奠定故障诊断系统的基础;
S2:建模工程师经过分析卫星系统中的各分系统的系统结构设计、测试系统结构设计、可靠性分析以及故障传播模型,梳理出测试数据处理规则及建模与分析;
S3:故障提取后依据测试数据处理规则进行数据处理及判决,根据建模与分析建立故障测试相关性矩阵,开发针对卫星系统的实时监测与诊断模块;利用卫星系统多信号模型生成的诊断策略,开发基于决策树推理机的诊断推理机,实现交互式实时故障诊断,以及交互式诊断所需要的诊断策略;
S4:通过实时监测与诊断模块实时地将数据传输和显示,对卫星的状态进行健康评估,并输出诊断结果。
优选地,所述S3步骤中:故障提取时采用信号剔野和数据滤波将过滤过后的信号数据输入数据存储并通过故障模型后进行故障提取,通过信号剔野和数据滤波可以将各传感器信号采集和传输过程中所受到干扰的信号,包含野值或被噪声淹没的信号,进行剔野和滤波的预处理,从而获取有用信息。
优选地,所述S3步骤中的决策树推理机采用诊断推理方法采用正向推理。
优选地,所述S4步骤中:实时监测与诊断模块采用分布式实时分布式实时故障诊断系统,分布式实时分布式实时故障诊断系统是将卫星系统中各分系统的实时监控任务由多个独立的决策树推理机进行任务分担,每个决策树推理机监控管理一个分系统,由整星对分系统进行统筹;分布式实时分布式实时故障诊断系统以通过/失败测试结果表示,故障征兆,以及报警或异常情况。
优选地,所述实时监测与诊断模块采用流式Socket实现测试数据的实时传输与显示。
优选地,所述卫星系统上各分系统通过对系统原始数据与测试后的实际数据结果传入分布式实时故障诊断系统;经分布式实时故障诊断系统处理后,反应至各分系统对应的TEAMS-RT诊断单元;再通过分系统对应的TEAMS-RT进行诊断推理,诊断结果都将迅速的汇集到全局诊断推理机,形成多协作任务分布的整星TEAMS-RT。
优选地,所述分布式实时故障诊断系统包括阈值范围校核、基于模型推理、趋势分析与故障预测。
优选地,所述各分系统与整星TEAMS-RT之间设有系统重构与任务规划,整星TEAMS-RT通过系统重构与任务规划,进行系统状况重构配置后重新进入到各分系统的分布式实时故障诊断系统处理。
优选地,所述分布式实时故障诊断系统根据故障进行分级评估,根据其危害度故障诊断结果以正常、故障、可能故障、未知四种状态对各分系统的模块进行描述,对于可能故障和未知状态的模块在实时故障诊断做进一步的诊断推理,保证系统的安全运行。
优选地,通过可靠性分析推断系统的健康状况,并通过概率统计、模糊分类方法将亚健康状态分为“基本健康”、“不影响工作”、“应考虑处理”、“必须处理”细分阶段,作为系统判断是进行“故障处理”还是“系统维护”的依据。
与现有技术相比,本发明具备以下有益效果:
1、本发明将动态测试理论引入卫星电测试领域,有利于测试资源的充分合理利用,有利于卫星测试故障诊断快速定位,克服卫星测试实验中故障发生的不可重复性,缩短卫星测试周期。
2、本发明改善了卫星电测试故障诊断测试效率低,测试人员工作强度大,测试周期长等现状,基本实现故障诊断的智能化与自动化。
本发明将卫星地面测试故障诊断作为研究对象,采用基于规则的诊断专家系统与多信号模型分析法相结合的办法。传统的单一模型无法精确的描述故障发生前后的全过程。拟采用多模型的方法解决此类问题,即对系统的不同故障阶段(含健康阶段)分段进行建模,得到多个模型。在预测算法运行的时候,根据输入输出的情况判断出系统处于何种阶段的可能性最大,选定此种阶段对应的模型作为预测算法当前使用的模型。通过卫星工程测试经验和与专家交流的形式获得卫星系统的诊断知识,然后对所建立的知识进行定性分析和定量分析,建立卫星系统多信号模型,生成诊断专家系统的知识库,最终实现对卫星系统地面测试时故障的诊断。
附图说明
图1为本发明提出的一种卫星智能化故障系统诊断评估的方法的分布式实时故障诊断系统的系统框架图;
图2为本发明提出的一种卫星智能化故障系统诊断评估的方法的卫星故障提取的流程示意图;
图3为本发明提出的一种卫星智能化故障系统诊断评估的方法中分布式实时故障诊断示意图;
图4为本发明提出的一种卫星智能化故障系统诊断评估的方法中决策树推理机的推理流程图。
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。
如图1至图4所示,为本发明提供了一种卫星智能化故障系统诊断评估的方法,方法如下:
S1:结合卫星系统结构设计、卫星测试系统结构设计和卫星可靠性分析这三方面建立卫星系统多信号模型,奠定故障诊断系统的基础;
S2:建模工程师经过分析卫星系统中的各分系统的系统结构设计、测试系统结构设计、可靠性分析以及故障传播模型,梳理出测试数据处理规则及建模与分析;
S3:故障提取后依据测试数据处理规则进行数据处理及判决,根据建模与分析建立故障测试相关性矩阵,开发针对卫星系统的实时监测与诊断模块;利用卫星系统多信号模型生成的诊断策略,开发基于决策树推理机的诊断推理机,实现交互式实时故障诊断,以及交互式诊断所需要的诊断策略;
S4:通过实时监测与诊断模块实时地将数据传输和显示,对卫星的状态进行健康评估,并输出诊断结果。
进一步,在S3步骤中:故障提取时采用信号剔野和数据滤波将过滤过后的信号数据输入数据存储并通过故障模型后进行故障提取,通过信号剔野和数据滤波可以将各传感器信号采集和传输过程中所受到干扰的信号,包含野值或被噪声淹没的信号,进行剔野和滤波的预处理,从而获取有用信息。本发明对卫星故障状态评估与分析,对采集到的信号采用剔野、滤波等预处理手段,从而获取有用信息,获取海量信息后,对单机、部件数据建立相应的故障模型,再通过系统辨识的方法实现特征信息提取,并对出现的故障进行分级评估,确定其危害度。
进一步,在本发明的S3步骤中的决策树推理机采用诊断推理方法采用正向推理,这符合序贯诊断策略的诊断过程,同时也符合知识库表示形式。一般的序贯诊断过程是:出现故障现象,如某处电压值超出正常范围,这时就要分析此处电压是由哪个位置影响的,找到这个位置后看这个位置是否也出现异常(故障),是否是故障的根源,如果不是再寻找下一个位置。诊断知识库是依据诊断策略建立的。所以,正向推理适合知识库的设计。而反向推理需要先假设一个故障情况,再验证它是否是真的,这不符合实际应用。因为在实际系统中,输入的测试数量较可能的故障情况少的多,如果用反向推理的方式势必要增加测试时间。混合推理同反向推理的情况一样,它的推理时间较长,不适意本系统使用。双向推理可以考虑在本系统中使用,可是它的设计较正向推理复杂,算法稳定性差。鉴于此种原因,所以本系统采用了正向推理的方式。决策树是由内部的属性节点、属性值构成的边和用于保存结果的叶子节点组成,那么它的推理过程就是利用其内部所蕴含的知识进行问题求解的过程。也就是说,决策树推理就是从根节点开始,通过重复的在内部节点上进行属性及其取值的比较,确定决策树向下延伸(即搜索)的分支,最终到达叶子节点,得到所要的结论(决策树的推理过程结束)。事实上,决策树的推理过程就是对决策树按深度优先策略进行遍历的过程,只要到达叶子节点,便结束它的推理过程。
进一步,在本发明的S4步骤中:实时监测与诊断模块采用分布式实时分布式实时故障诊断系统,分布式实时分布式实时故障诊断系统是将卫星系统中各分系统的实时监控任务由多个独立的决策树推理机进行任务分担,每个决策树推理机监控管理一个分系统,由整星对分系统进行统筹;分布式实时分布式实时故障诊断系统以通过/失败测试结果表示,故障征兆,以及报警或异常情况。实时故障诊断即分布式实时故障诊断系统。
进一步,在本发明中描述的实时监测与诊断模块采用流式Socket实现测试数据的实时传输与显示。
进一步,在本发明中卫星系统上各分系统(姿控分系统、能源分系统等等)通过对系统原始数据与测试后的实际数据结果传入分布式实时故障诊断系统,分布式实时故障诊断系统包括阈值范围校核、基于模型推理、趋势分析与故障预测;经分布式实时故障诊断系统处理后,反应至各分系统对应的TEAMS-RT诊断单元;再通过分系统对应的TEAMS-RT进行诊断推理,诊断结果都将迅速的汇集到全局诊断推理机,形成多协作任务分布的整星TEAMS-RT。
进一步,本发明可以通过在各分系统与整星TEAMS-RT之间设有系统重构与任务规划,整星TEAMS-RT通过系统重构与任务规划,进行系统状况重构配置后重新进入到各分系统的分布式实时故障诊断系统处理,这样通过反复进行故障判断,从而得到更精确的故障数据。
进一步,本发明提供的分布式实时故障诊断系统根据故障进行分级评估,根据其危害度故障诊断结果以正常、故障、可能故障、未知四种状态对各分系统的模块进行描述,对于可能故障和未知状态的模块在实时故障诊断做进一步的诊断推理,保证系统的安全运行。本发明除了研究故障危害度分析外,还将进一步对单机性能下降等亚健康情况的危害度进行分析。通过可靠性分析推断系统的健康状况,并通过概率统计、模糊分类方法将亚健康状态分为“基本健康”、“不影响工作”、“应考虑处理”、“必须处理”等细分阶段,作为系统判断是进行“故障处理”还是“系统维护”的依据。
本发明将动态测试理论引入卫星电测试领域,有利于测试资源的充分合理利用,有利于卫星测试故障诊断快速定位,克服卫星测试实验中故障发生的不可重复性,缩短卫星测试周期。本发明改善了卫星电测试故障诊断测试效率低,测试人员工作强度大,测试周期长等现状,基本实现故障诊断的智能化与自动化。
本发明提供的以卫星系统多信号模型和实时监测与诊断模块为核心,加入由专家库诊断技术模块,两个诊断模块既可以独立诊断,也可以相互配合。
本发明中实时监测与诊断模块中构建了专家库诊断技术模块,可以实时进行故障诊断,结果以正常、故障、可能故障、未知四种状态对系统模块进行描述。对于可能故障和未知状态的模块在实时故障诊断做进一步的诊断推理,保证系统的安全运行。
本发明除了研究故障危害度分析外,还将进一步对单机性能下降等亚健康情况的危害度进行分析。通过分析、预测的方法推断系统健康状况,并通过概率统计、模糊分类等方法将亚健康状态分为“基本健康”、“不影响工作”、“应考虑处理”、“必须处理”等细分阶段,作为系统判断是进行“故障处理”还是“系统维护”的依据。
本发明将卫星地面测试故障诊断作为研究对象,采用基于规则的诊断专家系统与多信号模型分析法相结合的办法。传统的单一模型无法精确的描述故障发生前后的全过程。拟采用多模型的方法解决此类问题,即对系统的不同故障阶段(含健康阶段)分段进行建模,得到多个模型。在预测算法运行的时候,根据输入输出的情况判断出系统处于何种阶段的可能性最大,选定此种阶段对应的模型作为预测算法当前使用的模型。通过卫星工程测试经验和与专家交流的形式获得卫星系统的诊断知识,然后对所建立的知识进行定性分析和定量分析,建立卫星系统多信号模型,生成诊断专家系统的知识库,最终实现对卫星系统地面测试时故障的诊断。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种卫星智能化故障系统诊断评估的方法,其特征在于,方法如下:
S1:结合卫星系统结构设计、卫星测试系统结构设计和卫星可靠性分析这三方面建立卫星系统多信号模型,奠定故障诊断系统的基础;
S2:建模工程师经过分析卫星系统中的各分系统的系统结构设计、测试系统结构设计、可靠性分析以及故障传播模型,梳理出测试数据处理规则及建模与分析;
S3:故障提取后依据测试数据处理规则进行数据处理及判决,根据建模与分析建立故障测试相关性矩阵,开发针对卫星系统的实时监测与诊断模块;利用卫星系统多信号模型生成的诊断策略,开发基于决策树推理机的诊断推理机,实现交互式实时故障诊断,以及交互式诊断所需要的诊断策略;
S4:通过实时监测与诊断模块实时地将数据传输和显示,对卫星的状态进行健康评估,并输出诊断结果。
2.根据权利要求1所述的一种卫星智能化故障系统诊断评估的方法,其特征在于,所述S3步骤中:故障提取时采用信号剔野和数据滤波将过滤过后的信号数据输入数据存储并通过故障模型后进行故障提取,通过信号剔野和数据滤波可以将各传感器信号采集和传输过程中所受到干扰的信号,包含野值或被噪声淹没的信号,进行剔野和滤波的预处理,从而获取有用信息。
3.根据权利要求2所述的一种卫星智能化故障系统诊断评估的方法,其特征在于,所述S3步骤中的决策树推理机采用诊断推理方法采用正向推理。
4.根据权利要求1所述的一种卫星智能化故障系统诊断评估的方法,其特征在于,所述S4步骤中:实时监测与诊断模块采用分布式实时分布式实时故障诊断系统即,分布式实时分布式实时故障诊断系统是将卫星系统中各分系统的实时监控任务由多个独立的决策树推理机进行任务分担,每个决策树推理机监控管理一个分系统,由整星对分系统进行统筹;分布式实时分布式实时故障诊断系统以通过/失败测试结果表示,故障征兆,以及报警或异常情况。
5.根据权利要求4所述的一种卫星智能化故障系统诊断评估的方法,其特征在于,所述实时监测与诊断模块采用流式Socket实现测试数据的实时传输与显示。
6.根据权利要求4所述的一种卫星智能化故障系统诊断评估的方法,其特征在于,所述卫星系统上各分系统通过对系统原始数据与测试后的实际数据结果传入分布式实时故障诊断系统;经分布式实时故障诊断系统处理后,反应至各分系统对应的TEAMS-RT诊断单元;再通过分系统对应的TEAMS-RT进行诊断推理,诊断结果都将迅速的汇集到全局诊断推理机,形成多协作任务分布的整星TEAMS-RT。
7.根据权利要求6所述的一种卫星智能化故障系统诊断评估的方法,其特征在于,所述分布式实时故障诊断系统包括阈值范围校核、基于模型推理、趋势分析与故障预测。
8.根据权利要求7所述的一种卫星智能化故障系统诊断评估的方法,其特征在于,所述各分系统与整星TEAMS-RT之间设有系统重构与任务规划,整星TEAMS-RT通过系统重构与任务规划,进行系统状况重构配置后重新进入到各分系统的分布式实时故障诊断系统处理。
9.根据权利要求8所述的一种卫星智能化故障系统诊断评估的方法,其特征在于,所述分布式实时故障诊断系统根据故障进行分级评估,根据其危害度故障诊断结果以正常、故障、可能故障、未知四种状态对各分系统的模块进行描述,对于可能故障和未知状态的模块在实时故障诊断做进一步的诊断推理,保证系统的安全运行。
10.根据权利要求9所述的一种卫星智能化故障系统诊断评估的方法,其特征在于,通过可靠性分析推断系统的健康状况,并通过概率统计、模糊分类方法将亚健康状态分为“基本健康”、“不影响工作”、“应考虑处理”、“必须处理”细分阶段,作为系统判断是进行“故障处理”还是“系统维护”的依据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310285995.XA CN116451016A (zh) | 2023-03-22 | 2023-03-22 | 一种卫星智能化故障系统诊断评估的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310285995.XA CN116451016A (zh) | 2023-03-22 | 2023-03-22 | 一种卫星智能化故障系统诊断评估的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116451016A true CN116451016A (zh) | 2023-07-18 |
Family
ID=87121153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310285995.XA Pending CN116451016A (zh) | 2023-03-22 | 2023-03-22 | 一种卫星智能化故障系统诊断评估的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116451016A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077063A (zh) * | 2023-10-13 | 2023-11-17 | 航天宏图信息技术股份有限公司 | 车轮编队低轨卫星星座的故障诊断方法、装置和设备 |
-
2023
- 2023-03-22 CN CN202310285995.XA patent/CN116451016A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077063A (zh) * | 2023-10-13 | 2023-11-17 | 航天宏图信息技术股份有限公司 | 车轮编队低轨卫星星座的故障诊断方法、装置和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108051211B (zh) | 一种风电机组主轴承温度预警诊断方法 | |
CN111046945B (zh) | 基于组合卷积神经网络的故障类型及损坏程度诊断方法 | |
CN110766277B (zh) | 用于核工业现场的健康评估及诊断系统和移动终端 | |
CN108008332A (zh) | 一种基于数据挖掘的新能源远程测试设备故障诊断方法 | |
CN112257988A (zh) | 核电厂复杂事故特征识别及风险预警系统和方法 | |
CN110515781B (zh) | 一种复杂系统状态监测及故障诊断方法 | |
CN105930629B (zh) | 一种基于海量运行数据的在线故障诊断方法 | |
CN112541233A (zh) | 基于改进卷积神经网络的旋转机械故障诊断方法 | |
CN110865924B (zh) | 电力信息系统内部服务器健康度诊断方法与健康诊断框架 | |
CN116451016A (zh) | 一种卫星智能化故障系统诊断评估的方法 | |
WO2023065580A1 (zh) | 风电机组齿轮箱的故障诊断方法及装置 | |
CN116542651A (zh) | 一种航天器有效载荷在轨自主健康管理系统及方法 | |
CN108377209A (zh) | 基于scada的设备故障检测系统和检测方法 | |
CN115037603A (zh) | 用电信息采集设备的诊断评估方法、装置及系统 | |
CN109523030A (zh) | 一种基于机器学习的遥测参数异常监测系统 | |
CN112664410B (zh) | 一种基于大数据的机组在线监测系统建模方法 | |
CN117216647A (zh) | 车身焊接设备预测性维护及故障诊断方法和系统 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
Olsson et al. | Case-based reasoning combined with statistics for diagnostics and prognosis | |
CN114066163A (zh) | 一种基于三层架构模式的电力设备状态分析方法及装置 | |
WO2022162060A1 (de) | Big-data für fehlererkennung in batteriesystemen | |
CN114442543A (zh) | 一种适用于水电站故障预警的计算机监测方法 | |
CN107727392A (zh) | 基于信号检测和roc分析的状态指数评估和优化方法 | |
CN109558258B (zh) | 一种分布式系统根源故障定位的方法及装置 | |
CN112327096A (zh) | 一种基于自适应策略的故障诊断信息融合方法及装置 |
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 |