CN116502516B - 一种航天器部件退化阶段的辨识方法和装置 - Google Patents

一种航天器部件退化阶段的辨识方法和装置 Download PDF

Info

Publication number
CN116502516B
CN116502516B CN202310082621.8A CN202310082621A CN116502516B CN 116502516 B CN116502516 B CN 116502516B CN 202310082621 A CN202310082621 A CN 202310082621A CN 116502516 B CN116502516 B CN 116502516B
Authority
CN
China
Prior art keywords
data
target
spacecraft component
spacecraft
parameters
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
CN202310082621.8A
Other languages
English (en)
Other versions
CN116502516A (zh
Inventor
刘磊
张涛
刘成瑞
王淑一
梁寒玉
徐赫屿
李文博
刘文静
王铎
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.)
Beijing Institute of Control Engineering
Original Assignee
Beijing Institute of Control Engineering
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 Beijing Institute of Control Engineering filed Critical Beijing Institute of Control Engineering
Priority to CN202310082621.8A priority Critical patent/CN116502516B/zh
Publication of CN116502516A publication Critical patent/CN116502516A/zh
Application granted granted Critical
Publication of CN116502516B publication Critical patent/CN116502516B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/27Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/10Geometric CAD
    • G06F30/15Vehicle, aircraft or watercraft design
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04Ageing analysis or optimisation against ageing
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Navigation (AREA)

Abstract

本发明涉及航空航天技术领域,特别涉及一种航天器部件退化阶段的辨识方法和装置。其中,该方法包括:获取航天器部件的待测数据;其中,所述待测数据包括所述航天器部件的多种参数的数据;对每种参数的待测数据依次进行野值和停机数据的剔除处理,得到处理后的数据;对所述处理后的数据依次进行时域特征的提取和降维处理,得到所述航天器部件的目标特征;利用DBSCAN算法对所述目标特征进行聚类,以识别所述航天器部件的退化阶段。本发明的方案能够有效辨识航天器部件的退化阶段。

Description

一种航天器部件退化阶段的辨识方法和装置
技术领域
本发明涉及航空航天技术领域,特别涉及一种航天器部件退化阶段的辨识方法和装置。
背景技术
多星在轨安全可靠稳定运行是未来构建大规模星座集群自主运行的保障基础。因此,要求航天器具备一定在轨自主故障诊断与故障评估能力。其中,航天器控制系统属于典型的闭环控制系统,结构复杂、故障概率高,并且其部件的高维遥测数据具备显著的退化趋势。结合健康管理技术,对航天器部件的性能退化趋势乃至航天器部件与航天器的寿命预测与评估进行挖掘与探索,是目前国内外广泛关注的焦点。
航天器部件的性能退化过程一般会经历多个不同阶段。而不同退化阶段的演化机理各不相同,且在运行环境不同的情况下各部件所经历的退化阶段也略有差异。因此,针对航天器部件的性能退化阶段的划分并不存在一个统一的界定。为确保后续寿命预测与评估的顺利进行,需要对航天器部件的性能退化过程进行自主识别。此外,单一航天器部件通常具备多个遥测位点以保证在轨运行的可靠性。这将会导致各航天器部件高维耦合遥测参数的性能退化趋势难以辨识与提取。
发明内容
为了有效辨识航天器部件的退化阶段,本发明实施例提供了一种航天器部件退化阶段的辨识方法和装置。
第一方面,本发明实施例提供了一种航天器部件退化阶段的辨识方法,包括:
获取航天器部件的待测数据;其中,所述待测数据包括所述航天器部件的多种参数的数据;
对每种参数的待测数据依次进行野值和停机数据的剔除处理,得到处理后的数据;
对所述处理后的数据依次进行时域特征的提取和降维处理,得到所述航天器部件的目标特征;
利用DBSCAN算法对所述目标特征进行聚类,以识别所述航天器部件的退化阶段。
在一种可能的设计中,所述航天器部件包括动量轮、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;
和/或,
所述参数包括电流参数、温度参数、转速参数、姿态参数、轨道参数、环境参数和指令参数中的至少一种。
在一种可能的设计中,所述对所述处理后的数据依次进行时域特征的提取和降维处理,得到所述航天器部件的目标特征,包括:
对每种参数对应的所述处理后的数据进行滑窗处理,以划分得到当前参数的多个区间;
计算每种参数所有区间内的时域特征值;
对所有参数所有区间内的时域特征值进行降维处理,得到所述航天器部件的目标特征;其中,所述目标特征为一维特征向量,所述目标特征的维度与所述区间的个数相同。
在一种可能的设计中,所述时域特征包括最大值、最小值、平均值、峰峰值、整流平均值、方差、标准差、均方根、方根幅值、峭度、偏度、波形因子、峰值因子、脉冲因子和裕度因子中的至少一种。
在一种可能的设计中,所述降维处理采用主元分析法。
第二方面,本发明实施例还提供了一种航天器部件退化阶段的辨识装置,包括:
获取模块,用于获取航天器部件的待测数据;其中,所述待测数据包括所述航天器部件的多种参数的数据;
第一处理模块,用于对每种参数的待测数据依次进行野值和停机数据的剔除处理,得到处理后的数据;
第二处理模块,用于对所述处理后的数据依次进行时域特征的提取和降维处理,得到所述航天器部件的目标特征;
聚类模块,用于利用DBSCAN算法对所述目标特征进行聚类,以识别所述航天器部件的退化阶段。
在一种可能的设计中,所述航天器部件包括动量轮、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;
和/或,
所述参数包括电流参数、温度参数、转速参数、姿态参数、轨道参数、环境参数和指令参数中的至少一种。
在一种可能的设计中,所述第二处理模块,用于执行如下操作:
对每种参数对应的所述处理后的数据进行滑窗处理,以划分得到当前参数的多个区间;
计算每种参数所有区间内的时域特征值;
对所有参数所有区间内的时域特征值进行降维处理,得到所述航天器部件的目标特征;其中,所述目标特征为一维特征向量,所述目标特征的维度与所述区间的个数相同。
在一种可能的设计中,所述时域特征包括最大值、最小值、平均值、峰峰值、整流平均值、方差、标准差、均方根、方根幅值、峭度、偏度、波形因子、峰值因子、脉冲因子和裕度因子中的至少一种。
在一种可能的设计中,所述降维处理采用主元分析法。
本发明实施例提供了一种航天器部件退化阶段的辨识方法和装置,通过对航天器部件的待测数据进行野值和停机数据的剔除处理,有助于后续提高辨识准确率和计算效率;通过对处理后的数据依次进行时域特征的提取和降维处理,有利于后续在保证一定的辨识准确率的同时能够提高计算效率;通过利用DBSCAN算法对所述目标特征进行聚类,能够自动识别并提取航天器部件退化趋势中的各退化阶段,为后续实现航天器部件乃至航天器控制系统的寿命预测与评估提供可靠的基础。
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是本发明实施例提供的一种航天器部件退化阶段的辨识方法流程图;
图2是本发明实施例提供的一种电子设备的硬件架构图;
图3是本发明实施例提供的一种航天器部件退化阶段的辨识装置结构图;
图4是本发明实施例提供的DBSCAN聚类算法的流程图;
图5是本发明实施例提供的LSTM门控单元的结构示意图;
图6是本发明实施例提供的双层LSTM网络的结构示意图。
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。
请参考图1,本发明实施例提供了一种航天器部件退化阶段的辨识方法,该方法包括:
步骤100:获取航天器部件的待测数据;其中,待测数据包括航天器部件的多种参数的数据;
步骤102:对每种参数的待测数据依次进行野值和停机数据的剔除处理,得到处理后的数据;
步骤104:对处理后的数据依次进行时域特征的提取和降维处理,得到航天器部件的目标特征;
步骤106:利用DBSCAN算法对目标特征进行聚类,以识别航天器部件的退化阶段。
本发明实施例中,通过对航天器部件的待测数据进行野值和停机数据的剔除处理,有助于后续提高辨识准确率和计算效率;通过对处理后的数据依次进行时域特征的提取和降维处理,有利于后续在保证一定的辨识准确率的同时能够提高计算效率;通过利用DBSCAN算法对目标特征进行聚类,能够自动识别并提取航天器部件退化趋势中的各退化阶段,为后续实现航天器部件乃至航天器控制系统的寿命预测与评估提供可靠的基础。
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。
在一些实施方式中,参数包括电流参数、温度参数、转速参数、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:
假设,某航天器控制部件的遥测位点为N个,那么,它的输出参数为可表示为X={x1,x2,…,xn}。
首先,根据航天器在轨遥测信号的数据特点,需要对其遥测输出参数进行野值剔除。一般地,选取3σ准则进行野值剔除操作,即计算各数据点与数据样本均值的残差,若某数据点的残差大于该数据样本标准差σ的3倍,则视该数据点为野值,并予以剔除;反之保留。值得注意的是,为保留数据突变趋势,若出现连续3次残差大于标准差的3倍,则视该部分为真值,不予以剔除。
其次,为提高后续退化阶段识别算法的运算效率,需要以航天器部件的主要工作指标参数为基准,对在轨遥测参数进行停机部分的数据切除。例如,控制力矩陀螺的主要工作指标是高速转子转速,该参数能够直接反映出控制力矩陀螺是否参与工作,以该参数为基准,当某时间点时,其转速降为0且稳定不变,则以该时间点为分界点,其后数据可予以剔除。其他航天器部件可同理推导。
针对步骤104:
在本发明一个实施例中,步骤104具体可以包括:
对每种参数对应的处理后的数据进行滑窗处理,以划分得到当前参数的多个区间;
计算每种参数所有区间内的时域特征值;
对所有参数所有区间内的时域特征值进行降维处理,得到航天器部件的目标特征;其中,目标特征为一维特征向量,目标特征的维度与区间的个数相同。
在本实施例中,为保证更深层地挖掘数据特征,并结合航天器部件遥测信号特点,对其进行时域特征值提取,以判断其性能退化进程与故障发生情况。
因此,本发明实施例将对航天器部件遥测数据中的每一维遥测参数分别进行15维特征提取,即:最大值、最小值、平均值、峰峰值、整流平均值、方差、标准差、均方根、方根幅值、峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子。上述特征是最能反映航天器部件退化趋势的特征,因此有利于后续更好的辨识。部分时域特征的获取公式如下所示:
a.峭度:用于描述信号波形的平缓程度,峭度对振动信号的冲击特性敏感,若峭度过大时说明有故障发生。
b.偏度:表示信号的偏态,用于描述信号的分布,其大小体现出振动信号的不对称性。
c.波形因子:能够体现出机械元件是否出现磨损故障。
d.峰值因子:能够描述出峰值在波形中的极端程度。
e.脉冲因子:表示冲击信号能量的大小,对早期故障较敏感,其效果随故障加深而减弱。
f.裕度因子:常用来检测机械设备的磨损情况。
分别计算每一维遥测参数的上述15维时域特征值。最终,获得15n维的航天器部件时域特征数据。
本发明实施例在特征提取阶段将采用滑窗处理,取滑窗大小为M(M小于N)。按照滑窗大小M,将航天器部件数据集分割为q个区间,其中:
然后,分别计算每一维遥测参数q个区间内的上述15维时域特征值。最终,获得15n×q维的航天器部件时域特征数据。
在一些实施方式中,降维处理采用主元分析法。通过采用PCA降维算法,可以自动融合并提取上述15n×q维航天器部件时域特征数据的主要退化趋势。通过线性变化,剔除时域特征数据中的无关噪声与干扰,获取航天器部件时域特征数据的1×q维性能退化趋势。
其中,PCA算法的具体步骤如下:
a.对航天器部件时域特征数据进行标准化处理。
假设,上述15n×q维航天器部件时域特征矩阵表述为:
其中,Ej表示为q个样本的第j个变量,Ej=[e1j,e2j,...,eqj]T,j=1,2,...,15n。对该数据进行标准化,表达式如下:
其中,
b.计算变量的协方差矩阵。
c.对协方差矩阵特征分解,求得特征值以及特征值对应的特征向量矩阵。
|R-λI(15n)|=0
其中λ12,...,λ(15n)为R的m个特征根,对方程组R×p=λp求解,得到p1,p2,...,p(15n)为λ12,...,λ(15n)对应的特征向量。
d.求得新的主成分向量。
Fj=Zj×pj T
其中,j=1,2,...,15n,F1为第一主成分,F2为第二主成分,Fj为第j主成分。
针对步骤106:
本发明实施例采用无监督聚类算法DBSCAN对上述航天器部件的1×q维性能退化趋势进行自动退化阶段识别。DBSCAN聚类能够判断各数据点与周围其他数据的密度特征并划分相应的聚类簇群,自动识别性能退化趋势中所蕴含的各个退化阶段以及噪点,从而智能获取该航天器部件所经历的退化阶段以及阶段之间的切分点。其中,DBSCAN聚类算法流程如图4所示。
具体处理流程如下:
(1)根据实验需求,设置DBSCAN算法中的领域参数,即领域半径ε和最小核心点数MinPs,其中,可以通过调节领域半径ε控制聚类簇群的个数。
(2)在上述航天器部件的1×q维性能退化趋势数据中,随机选取一个“种子”对象,且其邻域半径ε至少有MinPs个核心对象。然后,根据参数ε和MinPs,访问剩余数据点,标记出所有从“种子”对象密度可达的核心对象,形成簇群;反之则自动归为剩余数据集。
(3)在剩余数据集中任选一个邻域半径ε至少有MinPs个核心对象的“种子”,标记其对应的核心对象,形成簇群与剩余数据集。
(4)重复步骤(3),直到剩余数据集为空为止。
在步骤106之后,上述方法还包括步骤108:
将目标特征输入到预先训练好的且与目标退化阶段对应的寿命预测模型中,得到航天器部件的剩余使用寿命;其中,寿命预测模型采用的是LSTM网络。
在本实施例中,采取融合多维遥测参数特征的手段,综合航天部件耦合数据的特征提取描述其演化过程的异常征兆信息,充分利用LSTM网络对长时序数据的时间特征提取优势,挖掘征兆信息所隐含的演化规律,并按照不同演化阶段,构建相应的寿命预测模型,实现航天部件各演化阶段的寿命预测,从而提前预知航天部件乃至航天器的寿命,采取及时离轨或任务重组等相应措施,最大限度地降低整星运行风险,以提高可靠性。
在本发明一个实施例中,寿命预测模型是通过如下方式进行训练的:
对航天器部件的每种参数的样本数据依次进行野值和停机数据的剔除处理,得到处理后的样本数据;
对处理后的样本数据依次进行时域特征的提取、降维处理和归一化处理,得到航天器部件的样本目标特征;
利用DBSCAN算法对样本目标特征进行聚类,以识别航天器部件的样本目标退化阶段;
基于样本目标退化阶段,确定待训练的目标LSTM网络的网络结构;
将样本目标特征的前预设百分比的数据输入到待训练的目标LSTM网络中,输出样本目标特征的预测特征;其中,预测特征用于表征剩余使用寿命;
基于样本目标特征的前预设百分比的数据和预测特征的差值,对待训练的目标LSTM网络的网络参数进行更新,以完成对待训练的目标LSTM网络的训练。
基于样本目标退化阶段,确定待训练的目标LSTM网络的网络结构,包括:
若样本目标退化阶段为快速退化阶段,则确定待训练的目标LSTM网络的网络结构为双层LSTM网络;
若样本目标退化阶段为非快速退化阶段,则确定待训练的目标LSTM网络的网络结构为单层LSTM网络。
本发明实施例采用分阶段LSTM网络。根据航天器部件演化阶段的特点,寿命末期,即快速退化阶段,航天器部件的性能变化剧烈,存在较大震荡。为保证寿命末期RUL预测的稳定性,本发明实施例在快速退化阶段采用的是双层LSTM网络,如图6所示。其他阶段变化缓慢,考虑星载计算机运算能力较弱的情况,采用单层LSTM网络进行寿命预测即可。网络输入为步骤二处理后的航天器部件异常征兆演化曲线,输出为该部件的剩余使用寿命。
LSTM门控单元(如图5所示)由输入门、遗忘门、输出门三部分组成。当前神经元输入信息xt通过输入门输入LSTM单元,与前一时刻的单元状态ht-1决定是否更新神经元的记忆状态,获得输入门输出it,并利用激活函数tanh函数获得LSTM网络更新的候选信息与此同时,遗忘门则利用ht-1和xt,用以输出一个0~1之间的向量,即遗忘门输出ft,决定LSTM单元所保留的信息。当输入门和遗忘门两个门控单元工作完毕以后,将更新上一时刻的LSTM状态Ct-1。其更新规则是,通过ft选择遗忘前一时刻信息的一部分,通过输入门输出it选择并添加候选信息的一部分信息/>获得新的神经元状态信息Ct。更新完LSTM神经元状态后,将根据ht-1和xt决定输出门的输出信息ot,并与经过tanh函数处理的状态信息Ct获得该时刻的单元状态输出ht。具体流程公式如下所示:
it=σ(Wt·[ht-1,xt]+bt)
ft=σ(Wf·[ht-1,xt]+bf)
ot=σ(Wo·[ht-1,xt]+bo)
ht=ot⊙tanh(Ct)
其中,σ(·)表示sigmoid激活函数,W*和b*是各门控单元的权重和偏置。寿命预测网络参数优化采用的是Adam优化器:
mt=β1·mt-1+(1-β1)·gt
其中,β*是Adam优化器的固有参数,一般取经验值;gt为待更新参数的梯度;α为学习率。
此外,考虑到寿命预测问题的特点,本发明实施例的LSTM预测网络选取的精度指标是均方误差(Mean Square Error,MSE):
其中,N为数据样本数;Y为实际剩余使用寿命(RUL)数值;y为网络预测RUL输出值。
综上,上述技术方案具有如下优点:
1)提出了一种基于PCA降维的多维数据退化趋势提取方法,充分利用PCA算法自动融合航天器部件多维数据的高维数据特征,自动提取数据内在隐含的航天器部件性能退化趋势;
2)提出了一种基于DBSCAN聚类的退化阶段识别与提取方法,深层次挖掘航天器部件性能退化趋势中的数据变化特征,智能化识别航天器部件所经历的各退化阶段,简化人工操作流程,从而提高航天器寿命评估效率;
3)提出了一种实现航天器高维数据寿命预测的整体思路框架,提取并融合多维耦合数据中所蕴含的异常征兆信息,合理处理航天器高维耦合数据,自动获取航天器部件的异常征兆演化曲线,并用以后续的航天器部件寿命预测;
4)提出了一种基于LSTM网络的航天器寿命预测方法,充分利用LSTM网络针对长时序数据的时间特征提取优势,综合多维遥测参数中的缓变异常,深度挖掘缓变数据的演化规律,实现航天器部件不同演化阶段的寿命预测,从而实现航天器预知自身寿命,最大限度降低整星运行风险,提高航天器运行的可靠性。
如图2、图3所示,本发明实施例提供了一种航天器部件退化阶段的辨识装置。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部件退化阶段的辨识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。
如图3所示,本实施例提供的一种航天器部件退化阶段的辨识装置,包括:
获取模块300,用于获取航天器部件的待测数据;其中,所述待测数据包括所述航天器部件的多种参数的数据;
第一处理模块302,用于对每种参数的待测数据依次进行野值和停机数据的剔除处理,得到处理后的数据;
第二处理模块304,用于对所述处理后的数据依次进行时域特征的提取和降维处理,得到所述航天器部件的目标特征;
聚类模块306,用于利用DBSCAN算法对所述目标特征进行聚类,以识别所述航天器部件的退化阶段。
在本发明实施例中,获取模块300可用于执行上述方法实施例中的步骤100,第一处理模块302可用于执行上述方法实施例中的步骤102,第二处理模块304可用于执行上述方法实施例中的步骤104,聚类模块306可用于执行上述方法实施例中的步骤106。
在本发明的一个实施例中,所述航天器部件包括动量轮、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;
和/或,
所述参数包括电流参数、温度参数、转速参数、姿态参数、轨道参数、环境参数和指令参数中的至少一种。
在本发明的一个实施例中,所述第二处理模块,用于执行如下操作:
对每种参数对应的所述处理后的数据进行滑窗处理,以划分得到当前参数的多个区间;
计算每种参数所有区间内的时域特征值;
对所有参数所有区间内的时域特征值进行降维处理,得到所述航天器部件的目标特征;其中,所述目标特征为一维特征向量,所述目标特征的维度与所述区间的个数相同。
在本发明的一个实施例中,所述时域特征包括最大值、最小值、平均值、峰峰值、整流平均值、方差、标准差、均方根、方根幅值、峭度、偏度、波形因子、峰值因子、脉冲因子和裕度因子中的至少一种。
在本发明的一个实施例中,所述降维处理采用主元分析法。
在本发明的一个实施例中,还包括:
预测模块,用于将所述目标特征输入到预先训练好的且与所述目标退化阶段对应的寿命预测模型中,得到所述航天器部件的剩余使用寿命;其中,所述寿命预测模型采用的是LSTM网络。
在本发明的一个实施例中,所述寿命预测模型是通过如下方式进行训练的:
对航天器部件的每种参数的样本数据依次进行野值和停机数据的剔除处理,得到处理后的样本数据;
对所述处理后的样本数据依次进行时域特征的提取、降维处理和归一化处理,得到所述航天器部件的样本目标特征;
利用DBSCAN算法对所述样本目标特征进行聚类,以识别所述航天器部件的样本目标退化阶段;
基于所述样本目标退化阶段,确定待训练的目标LSTM网络的网络结构;
将所述样本目标特征的前预设百分比的数据输入到待训练的目标LSTM网络中,输出所述样本目标特征的预测特征;其中,所述预测特征用于表征剩余使用寿命;
基于所述样本目标特征的前预设百分比的数据和所述预测特征的差值,对待训练的目标LSTM网络的网络参数进行更新,以完成对待训练的目标LSTM网络的训练。
在本发明的一个实施例中,所述基于所述样本目标退化阶段,确定待训练的目标LSTM网络的网络结构,包括:
若所述样本目标退化阶段为快速退化阶段,则确定待训练的目标LSTM网络的网络结构为双层LSTM网络;
若所述样本目标退化阶段为非快速退化阶段,则确定待训练的目标LSTM网络的网络结构为单层LSTM网络。
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部件退化阶段的辨识装置的具体限定。在本发明的另一些实施例中,一种航天器部件退化阶段的辨识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部件退化阶段的辨识方法。
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部件退化阶段的辨识方法。
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 (6)

1.一种航天器部件退化阶段的辨识方法,其特征在于,应用于星载计算机,包括:
获取航天器部件的待测数据;其中,所述待测数据包括所述航天器部件的多种参数的数据;
对每种参数的待测数据依次进行野值和停机数据的剔除处理,得到处理后的数据;
对所述处理后的数据依次进行时域特征的提取和降维处理,得到所述航天器部件的目标特征;
利用DBSCAN算法对所述目标特征进行聚类,以识别所述航天器部件的目标退化阶段;
将所述目标特征输入到预先训练好的且与所述目标退化阶段对应的寿命预测模型中,得到所述航天器部件的剩余使用寿命;其中,所述寿命预测模型采用的是LSTM网络;
所述寿命预测模型是通过如下方式进行训练的:
对航天器部件的每种参数的样本数据依次进行野值和停机数据的剔除处理,得到处理后的样本数据;
对所述处理后的样本数据依次进行时域特征的提取、降维处理和归一化处理,得到所述航天器部件的样本目标特征;
利用DBSCAN算法对所述样本目标特征进行聚类,以识别所述航天器部件的样本目标退化阶段;
基于所述样本目标退化阶段,确定待训练的目标LSTM网络的网络结构;
将所述样本目标特征的前预设百分比的数据输入到待训练的目标LSTM网络中,输出所述样本目标特征的预测特征;其中,所述预测特征用于表征剩余使用寿命;
基于所述样本目标特征的前预设百分比的数据和所述预测特征的差值,对待训练的目标LSTM网络的网络参数进行更新,以完成对待训练的目标LSTM网络的训练;
所述基于所述样本目标退化阶段,确定待训练的目标LSTM网络的网络结构,包括:
若所述样本目标退化阶段为快速退化阶段,则确定待训练的目标LSTM网络的网络结构为双层LSTM网络;
若所述样本目标退化阶段为非快速退化阶段,则确定待训练的目标LSTM网络的网络结构为单层LSTM网络;
其中,待训练的目标LSTM网络的网络输入为航天器部件异常征兆演化曲线,输出为该部件的剩余使用寿命,所述异常征兆演化曲线是基于提取并融合多维耦合数据中所蕴含的异常征兆信息得到的,所述异常征兆信息是综合航天器部件耦合数据的特征提取描述其演化过程的异常征兆信息;
所述航天器部件包括动量轮、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;
所述参数包括电流参数、温度参数、转速参数、姿态参数、轨道参数、环境参数和指令参数中的至少一种;
所述降维处理采用主元分析法。
2.根据权利要求1所述的方法,其特征在于,所述对所述处理后的数据依次进行时域特征的提取和降维处理,得到所述航天器部件的目标特征,包括:
对每种参数对应的所述处理后的数据进行滑窗处理,以划分得到当前参数的多个区间;
计算每种参数所有区间内的时域特征值;
对所有参数所有区间内的时域特征值进行降维处理,得到所述航天器部件的目标特征;其中,所述目标特征为一维特征向量,所述目标特征的维度与所述区间的个数相同。
3.根据权利要求1所述的方法,其特征在于,所述时域特征包括最大值、最小值、平均值、峰峰值、整流平均值、方差、标准差、均方根、方根幅值、峭度、偏度、波形因子、峰值因子、脉冲因子和裕度因子中的至少一种。
4.一种航天器部件退化阶段的辨识装置,其特征在于,应用于星载计算机,包括:
获取模块,用于获取航天器部件的待测数据;其中,所述待测数据包括所述航天器部件的多种参数的数据;
第一处理模块,用于对每种参数的待测数据依次进行野值和停机数据的剔除处理,得到处理后的数据;
第二处理模块,用于对所述处理后的数据依次进行时域特征的提取和降维处理,得到所述航天器部件的目标特征;
聚类模块,用于利用DBSCAN算法对所述目标特征进行聚类,以识别所述航天器部件的目标退化阶段;
预测模块,用于将所述目标特征输入到预先训练好的且与所述目标退化阶段对应的寿命预测模型中,得到所述航天器部件的剩余使用寿命;其中,所述寿命预测模型采用的是LSTM网络;
所述寿命预测模型是通过如下方式进行训练的:
对航天器部件的每种参数的样本数据依次进行野值和停机数据的剔除处理,得到处理后的样本数据;
对所述处理后的样本数据依次进行时域特征的提取、降维处理和归一化处理,得到所述航天器部件的样本目标特征;
利用DBSCAN算法对所述样本目标特征进行聚类,以识别所述航天器部件的样本目标退化阶段;
基于所述样本目标退化阶段,确定待训练的目标LSTM网络的网络结构;
将所述样本目标特征的前预设百分比的数据输入到待训练的目标LSTM网络中,输出所述样本目标特征的预测特征;其中,所述预测特征用于表征剩余使用寿命;
基于所述样本目标特征的前预设百分比的数据和所述预测特征的差值,对待训练的目标LSTM网络的网络参数进行更新,以完成对待训练的目标LSTM网络的训练;
所述基于所述样本目标退化阶段,确定待训练的目标LSTM网络的网络结构,包括:
若所述样本目标退化阶段为快速退化阶段,则确定待训练的目标LSTM网络的网络结构为双层LSTM网络;
若所述样本目标退化阶段为非快速退化阶段,则确定待训练的目标LSTM网络的网络结构为单层LSTM网络;
其中,待训练的目标LSTM网络的网络输入为航天器部件异常征兆演化曲线,输出为该部件的剩余使用寿命,所述异常征兆演化曲线是基于提取并融合多维耦合数据中所蕴含的异常征兆信息得到的,所述异常征兆信息是综合航天器部件耦合数据的特征提取描述其演化过程的异常征兆信息;
所述航天器部件包括动量轮、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;
所述参数包括电流参数、温度参数、转速参数、姿态参数、轨道参数、环境参数和指令参数中的至少一种;
所述降维处理采用主元分析法。
5.根据权利要求4所述的装置,其特征在于,所述第二处理模块,用于执行如下操作:
对每种参数对应的所述处理后的数据进行滑窗处理,以划分得到当前参数的多个区间;
计算每种参数所有区间内的时域特征值;
对所有参数所有区间内的时域特征值进行降维处理,得到所述航天器部件的目标特征;其中,所述目标特征为一维特征向量,所述目标特征的维度与所述区间的个数相同。
6.根据权利要求4所述的装置,其特征在于,所述时域特征包括最大值、最小值、平均值、峰峰值、整流平均值、方差、标准差、均方根、方根幅值、峭度、偏度、波形因子、峰值因子、脉冲因子和裕度因子中的至少一种。
CN202310082621.8A 2023-01-15 2023-01-15 一种航天器部件退化阶段的辨识方法和装置 Active CN116502516B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310082621.8A CN116502516B (zh) 2023-01-15 2023-01-15 一种航天器部件退化阶段的辨识方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310082621.8A CN116502516B (zh) 2023-01-15 2023-01-15 一种航天器部件退化阶段的辨识方法和装置

Publications (2)

Publication Number Publication Date
CN116502516A CN116502516A (zh) 2023-07-28
CN116502516B true CN116502516B (zh) 2023-12-01

Family

ID=87315556

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310082621.8A Active CN116502516B (zh) 2023-01-15 2023-01-15 一种航天器部件退化阶段的辨识方法和装置

Country Status (1)

Country Link
CN (1) CN116502516B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109255441A (zh) * 2018-10-18 2019-01-22 西安电子科技大学 基于人工智能的航天器故障诊断方法
CN110807257A (zh) * 2019-11-04 2020-02-18 中国人民解放军国防科技大学 航空发动机剩余寿命预测方法
CN111913469A (zh) * 2020-07-20 2020-11-10 北京控制工程研究所 一种航天器控制系统在轨稳定运行能力构建方法
CN111967501A (zh) * 2020-07-22 2020-11-20 中国科学院国家空间科学中心 一种遥测原始数据驱动的载荷状态判别方法及判别系统
CN112197890A (zh) * 2020-09-08 2021-01-08 西安交通大学 一种热量表性能退化评估方法、存储介质及设备

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200012944A1 (en) * 2018-07-05 2020-01-09 Alstom Transport Technologies Method and system for detecting switch degradation and failures
CN111985155B (zh) * 2020-08-10 2023-08-04 武汉大学 基于集成深度神经网络的电路健康状态预计方法及系统
CN112214951B (zh) * 2020-10-19 2022-05-24 武汉大学 分段式lstm的微网逆变器igbt可靠性评估方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109255441A (zh) * 2018-10-18 2019-01-22 西安电子科技大学 基于人工智能的航天器故障诊断方法
CN110807257A (zh) * 2019-11-04 2020-02-18 中国人民解放军国防科技大学 航空发动机剩余寿命预测方法
CN111913469A (zh) * 2020-07-20 2020-11-10 北京控制工程研究所 一种航天器控制系统在轨稳定运行能力构建方法
CN111967501A (zh) * 2020-07-22 2020-11-20 中国科学院国家空间科学中心 一种遥测原始数据驱动的载荷状态判别方法及判别系统
CN112197890A (zh) * 2020-09-08 2021-01-08 西安交通大学 一种热量表性能退化评估方法、存储介质及设备

Also Published As

Publication number Publication date
CN116502516A (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
Zio Prognostics and Health Management (PHM): Where are we and where do we (need to) go in theory and practice
US10831577B2 (en) Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model
Al-Dahidi et al. Remaining useful life estimation in heterogeneous fleets working under variable operating conditions
CN116522467B (zh) 一种航天器部件寿命的预测方法和装置
Dong et al. Bearing degradation process prediction based on the PCA and optimized LS-SVM model
Morshedizadeh et al. Power production prediction of wind turbines using a fusion of MLP and ANFIS networks
EP3795975B1 (en) Abnormality sensing apparatus, abnormality sensing method, and abnormality sensing program
Niu et al. Lebesgue sampling based deep belief network for lithium-ion battery diagnosis and prognosis
Ghorbani et al. Estimating remaining useful life of turbofan engine using data-level fusion and feature-level fusion
Chu et al. Developing Deep Survival Model for Remaining Useful Life Estimation Based on Convolutional and Long Short‐Term Memory Neural Networks
Shahin et al. Using machine learning and deep learning algorithms for downtime minimization in manufacturing systems: An early failure detection diagnostic service
Yang et al. Similarity-based information fusion grey model for remaining useful life prediction of aircraft engines
Liu et al. Residual useful life prognosis of equipment based on modified hidden semi-Markov model with a co-evolutional optimization method
CN116821730B (zh) 风机故障检测方法、控制装置及存储介质
Melendez et al. Self-supervised Multi-stage Estimation of Remaining Useful Life for Electric Drive Units
US20230350402A1 (en) Multi-task learning based rul predication method under sensor fault condition
CN116502516B (zh) 一种航天器部件退化阶段的辨识方法和装置
Bond et al. A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data
Long et al. A data fusion fault diagnosis method based on LSTM and DWT for satellite reaction flywheel
Tamilselvan et al. A tri-fold hybrid classification approach for diagnostics with unexampled faulty states
Nguyen Feature Engineering and Health Indicator Construction for Fault Detection and Diagnostic
Hayder et al. Applications of artificial neural networks with input and output degradation data for renewable energy systems fault prognosis
Montana et al. Through-life monitoring of resource-constrained systems and fleets
Sürücü et al. PROGNOS: an automatic remaining useful life (RUL) prediction model for military systems using machine learning
Yu An improved SVR-FCM method for remaining useful life prediction of aircraft engines

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