CN116861270B - 无人机系统级健康评估方法和系统 - Google Patents
无人机系统级健康评估方法和系统 Download PDFInfo
- Publication number
- CN116861270B CN116861270B CN202311126439.4A CN202311126439A CN116861270B CN 116861270 B CN116861270 B CN 116861270B CN 202311126439 A CN202311126439 A CN 202311126439A CN 116861270 B CN116861270 B CN 116861270B
- Authority
- CN
- China
- Prior art keywords
- subsystem
- component
- health
- unmanned aerial
- aerial vehicle
- 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
- 230000036541 health Effects 0.000 title claims abstract description 137
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000011156 evaluation Methods 0.000 claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims description 50
- 239000013598 vector Substances 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 28
- 238000011058 failure modes and effects analysis Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 8
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Abstract
本发明公开了一种无人机系统级健康评估方法和系统,其中方法包括:将无人机系统划分为系统、子系统、部件三个层级;分别对子系统层级的各子系统和部件层级的各部件进行权重划分;设定各子系统的惩罚因子和各部件的惩罚因子;对各部件进行健康评估;基于各子系统所包括的部件的健康得分、权重和惩罚因子对各子系统进行健康评估;基于各子系统的健康得分、权重和惩罚因子对无人机系统进行健康评估,得到无人机系统的健康得分。通过分布式部件级健康评估、分布式子系统级健康评估、集中式整机系统健康评估,形成从下至上的评估闭环,解决了现有技术无法全面评估整个无人机系统的问题。
Description
技术领域
本发明涉及无人机健康评估技术领域,尤其涉及一种无人机系统级健康评估方法和系统。
背景技术
在过去的几年里,无人机已经在许多领域取得了广泛的应用,如物流配送、灾害救援、农业监测等。随着无人机系统的不断发展和应用场景的扩大,确保无人机系统的安全、可靠和高效运行变得愈发重要。因此,对无人机系统的健康状况进行实时评估和维护已成为一个迫切需要解决的问题。
当前,无人机系统的健康评估主要依赖于定期进行的人工检查和维护。然而,这种方法存在以下问题:1. 人工检查和维护的周期较长,无法实时了解无人机系统的健康状况,从而增加了故障发生的风险。2. 人工检查和维护的质量受到检查人员技能、经验以及仪器设备的限制,可能导致部分潜在问题被忽略。3. 随着无人机系统的复杂性不断提高,传统的人工检查和维护方法无法满足实际应用的需求,需要更先进的技术手段来提高无人机系统的健康评估水平。
近年来,一些研究者尝试使用传感器、图像处理技术以及数据分析方法来对无人机系统的健康状况进行评估。然而,这些方法仍存在传感器技术和图像处理技术主要针对无人机系统的单一部件进行监测的问题,无法全面评估整个系统的健康状况。因此,开发一种无人机系统级健康评估方法,能够实时、全面地评估无人机系统的健康状况,对于提高无人机系统的安全性、可靠性和运行效率具有重要意义。
发明内容
本发明提供了一种无人机系统级健康评估方法和系统,以解决现有技术无法全面评估整个无人机系统的健康状况的问题。
第一方面,提供了一种无人机系统级健康评估方法,包括:
S1:按无人机系统、无人机系统包括的子系统、各子系统包括的部件,将无人机系统划分为系统、子系统、部件三个层级;
S2:分别对子系统层级的各子系统和部件层级的各部件进行权重划分;
S3:设定各子系统的惩罚因子和各部件的惩罚因子;
S4:对各部件进行健康评估,得到各部件的健康得分;
S5:基于各子系统所包括的部件的健康得分、权重和惩罚因子对各子系统进行健康评估,得到各子系统的健康得分;
S6:基于各子系统的健康得分、权重和惩罚因子对无人机系统进行健康评估,得到无人机系统的健康得分。
进一步地,所述步骤S2中,对子系统层级的各子系统进行权重划分的方法包括:
对子系统层级的所有子系统进行两两比较,得出相对重要性,进而构建子系统级优先级矩阵:
式中,表示系统级优先级矩阵;n表示子系统的个数,表示第j个子系统对于第
i个子系统的重要性;
对子系统级优先级矩阵进行一致性校验,如不满足要求,则修改子系统级优先级矩阵,若满足,进入下一步;
基于子系统级优先级矩阵,求解如下特征方程得到子系统权重向量:
式中,表示子系统权重向量,表示第n个子系统对应的权重向
量特征值,是子系统级优先级矩阵的最大特征值;
基于子系统权重向量转化得到各子系统的权重值,且满足,其中表示
第j个子系统的权重值。
进一步地,所述步骤S2中,对部件层级的各部件进行权重划分的方法包括:
针对于每一个子系统包括的部件集合,对该部件集合内的所有部件进行两两比较,得出相对重要性,进而构建部件级优先级矩阵:
式中,表示第k个子系统对应部件集合构建的部件级优先级矩阵,mk表示第k个
子系统对应部件集合包括的部件个数,表示第k个子系统对应部件集合中第q个部件对
于第p个部件的重要性;
对部件级优先级矩阵进行一致性校验,如不满足要求,则修改部件级优先级矩阵,若满足,进入下一步;
基于部件级优先级矩阵,求解如下特征方程得到部件权重向量:
式中,表示部件权重向量,表示第k个子系统对应部件
集合中第mk个部件对应的权重向量特征值,表示第k个子系统对应部件集合的部件级优
先级矩阵的最大特征值;
基于部件权重向量转化得到各部件的权重值,且满足,其中表示第k
个子系统对应部件集合中第p个部件的权重值。
进一步地,所述步骤S3包括:
根据离线评估建立的子系统级FMEA(Failure Mode and Effects Analysis,潜在失效模式及后果分析)表格中各子系统对应的安全指标,确定各子系统的惩罚因子,子系统级FMEA表格中各子系统对应的安全指标表征对应子系统对无人机系统影响等级越高则惩罚因子越小;
根据离线评估建立的部件级FMEA表格中各部件对应的安全指标,确定各部件的惩罚因子,部件级FMEA表格中各部件对应的安全指标表征对应部件对所属子系统影响等级越高则惩罚因子越小。
进一步地,所述步骤S4包括:
获取反应各部件状态的参数数据,并进行特征提取,得到的反应各部件状态的特征数据;
将各部件的特征数据输入对应的部件健康评估模型,输出各部件的健康得分;
其中,部件健康评估模型基于部件的历史特征数据及对应标注的健康得分标签构建的训练样本对神经网络模型进行训练得到。
进一步地,各子系统的健康得分通过如下公式计算得到:
式中,表示第k个子系统的健康得分;、、分别表示第k个子系统对应
部件集合中第p个部件的惩罚因子、权重值、健康得分;mk表示第k个子系统对应部件集合包
括的部件个数。
进一步地,无人机系统的健康得分通过如下公式计算得到:
式中,表示无人机系统的健康得分,分别表示第k个子系统
的惩罚因子、健康得分、权重值;n表示子系统的个数。
第二方面,提供了一种无人机系统级健康评估系统,包括:
层级划分模块,用于按无人机系统、无人机系统包括的子系统、各子系统包括的部件,将无人机系统划分为系统、子系统、部件三个层级;
权重划分模块,用于分别对子系统层级的各子系统和部件层级的各部件进行权重划分;
惩罚因子设定模块,用于设定各子系统的惩罚因子和各部件的惩罚因子;
部件评估模块,用于对各部件进行健康评估,得到各部件的健康得分;
子系统评估模块,用于基于各子系统所包括的部件的健康得分、权重和惩罚因子对各子系统进行健康评估,得到各子系统的健康得分;
系统评估模块,用于基于各子系统的健康得分、权重和惩罚因子对无人机系统进行健康评估,得到无人机系统的健康得分。
本发明提出了一种无人机系统级健康评估方法和系统,通过分布式部件级健康评估、分布式子系统级健康评估、集中式整机系统健康评估,形成从下至上的评估闭环,本发明解决了现有技术中只能针对无人机单一部件做健康评估的问题。本发明具有如下优点:
(1)多层次结构设计,准确地反映了一个无人机系统的各层次状态,通过对各个部件和子系统进行权重划分,可以更好地评估系统的整体状况;
(2)考虑到关键部件或子系统出现灾难性故障时,将对子系统或无人机系统的健康状态产生严重影响,故针对个部件和子系统还设定了惩罚因子,以提高最终无人机系统健康评估的准确性,更符合实际情况;
(3)本发明进行权重计算时,充分考虑了各部件和各子系统的重要性和关联性,从而提高了评估的准确度;
(4)采用神经网络模型对部件进行健康评估,准确度高,可以更好地掌握无人机各个零部件的状态;
(5)本发明可以进行及时反馈,对于无人机进行快速地检测和评估,可以及时为飞行调度或故障排除提供有力的支持和依据。
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无人机系统级健康评估方法流程图;
图2是本发明实施例提供的一种无人机系统层级划分示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。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的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
无人机健康是指无人机在飞行过程中能够正常运行、完成任务、避免故障和事故的能力,与其性能、状态、控制、适航等因素有关。无人机健康不仅影响无人机的安全性和有效性,也关系到无人机的使用寿命和维护成本。因此,无人机系统级健康评估是一种对无人机各个模块和整体系统的健康状况进行检测、分析和评价的方法,旨在及时发现和预防无人机的潜在问题,提高无人机的可靠性和可用性。故本发明中,通过对无人机各部件的健康评估为基础,进而对整个无人机系统作出健康评估。下面结合具体实施例对本发明的技术方案作进一步说明。
如图1所示,本发明实施例提供了一种无人机系统级健康评估方法,包括如下步骤:
S1:按无人机系统、无人机系统包括的子系统、各子系统包括的部件,将无人机系统划分为系统、子系统、部件三个层级。
需要说明的是,本发明并不对无人机种类进行限定,本发明对于不同的无人机系统都适用,因为它不是针对特定型号的,而是基于无人机系统的层次结构,具有通用性和普适性。为了位于理解,本实施例中,仅以将无人机系统划分为吊舱子系统、飞控子系统、动力子系统、通信子系统和电源子系统五个子系统为例进行说明。
如图2所示,其为本实施例提供的无人机系统的层级划分示意图。本实施例中吊舱子系统包括吊舱控制器、云台、指红外相机三个部件;飞控子系统包括飞控自驾仪、硬件电路、机载传感器三个部件;动力子系统包括发动机、点火装置、螺旋桨、电机、舵机五个部件;通信子系统包括接收机、控制面板、数据接口三个部件;电源子系统包括控制电路、CAN总线、电容三个部件。
S2:分别对子系统层级的各子系统和部件层级的各部件进行权重划分。
S21:对子系统层级的各子系统进行权重划分的方法包括:
S211:对子系统层级的所有子系统进行两两比较,得出相对重要性,进而构建子系统级优先级矩阵:
式中,表示系统级优先级矩阵;n表示子系统的个数,表示第j个子系统对于第
i个子系统的重要性。
本实施例中,子系统层级中各子系统间相对重要性如表1所示:
S212:对子系统级优先级矩阵进行一致性校验,如不满足要求,则修改子系统级优先级矩阵,若满足,进入下一步。
一致性校验的方法是计算一致性比例:
其中,CR是一致性比例,CI是一致性指标,RI是平均随机一致性指标。如果
,则认为子系统级优先级矩阵具有可接受的一致性;否则,需要调整子系统级优先级矩阵,
调整方式是修改子系统间的相对重要性。
S213:基于子系统级优先级矩阵,求解如下特征方程得到子系统权重向量:
式中,表示子系统权重向量,表示第n个子系统对应的权重向
量特征值,是子系统级优先级矩阵的最大特征值。
S214:基于子系统权重向量中各子系统对应的权重向量特征值,按比例转化得到
各子系统的权重值,且满足,其中表示第j个子系统的权重值。
各子系统对应的权重向量特征值和权重值如表2所示:
上表展示了子系统的权重计算结果,且一致性校验通过(0.011<0.1)根据结果对各个子系统的权重进行分析。权重计算结果显示,吊舱子系统的权重为12.374%,飞控子系统的权重为28.39%,动力子系统的权重为24.276%,通信子系统的权重为19.1%,电源子系统的权重为15.887%。
S22:同理,对部件层级的各部件进行权重划分的方法包括:
S221:针对于每一个子系统包括的部件集合,对该部件集合内的所有部件进行两两比较,得出相对重要性,进而构建部件级优先级矩阵:
式中,表示第k个子系统对应部件集合构建的部件级优先级矩阵,mk表示第k个
子系统对应部件集合包括的部件个数,表示第k个子系统对应部件集合中第q个部件对
于第p个部件的重要性。
S222:对部件级优先级矩阵进行一致性校验,如不满足要求,则修改部件级优先级矩阵,若满足,进入下一步。
S223:基于部件级优先级矩阵,求解如下特征方程得到部件权重向量:
式中,表示部件权重向量,表示第k个子系统对应部件
集合中第mk个部件对应的权重向量特征值,表示第k个子系统对应部件集合的部件级优
先级矩阵的最大特征值。
S223:基于部件权重向量转化得到各部件的权重值,且满足,其中表
示第k个子系统对应部件集合中第p个部件的权重值。
本实施例中,吊舱子系统中各部件间相对重要性如表3所示:
吊舱子系统中各部件的权重向量特征值和权重值如表4所示:
计算结果显示,吊舱控制器的权重为50.695%,云台的权重为30.706%,指红外相机的权重为18.599%。
飞控子系统中各部件间相对重要性如表5所示:
飞控子系统中各部件的权重向量特征值和权重值如表6所示:
计算结果显示,飞控自驾仪的权重为34.483%,硬件电路的权重为34.483%,机载传感器的权重为31.034%。
动力子系统中各部件间相对重要性如表7所示:
动力子系统中各部件的权重向量特征值和权重值如表8所示:
权重计算结果显示,发动机的权重为29.992%,点火装置的权重为10.0%,螺旋桨的权重为20.003%,电机的权重为20.003%,舵机的权重为20.003%。
通信子系统中各部件间相对重要性如表9所示:
动力子系统中各部件的权重向量特征值和权重值如表10所示:
权重计算结果显示,接收机的权重为33.333%,控制面板的权重为33.333%,数据接口的权重为33.333%。
电源子系统中各部件间相对重要性如表11所示:
电源子系统中各部件的权重向量特征值和权重值如表12所示:
权重计算结果显示,控制电路的权重为33.333%,CAN总线的权重为33.333%,电容的权重为33.333%。
S3:设定各子系统的惩罚因子和各部件的惩罚因子。
考虑到关键部件或子系统出现灾难性故障时,将对子系统或无人机系统的健康状态产生严重影响,故针对个部件和子系统还设定了惩罚因子,以提高最终无人机系统健康评估的准确性。
S31:根据离线评估建立的子系统级FMEA表格中各子系统对应的安全指标,确定各子系统的惩罚因子,子系统级FMEA表格中各子系统对应的安全指标表征对应子系统对无人机系统影响等级越高则惩罚因子越小。对于不同类型的无人机系统,子系统的惩罚因子设定不同,本实施例中,子系统的惩罚因子设定如下:
式中,表示第k个子系统的惩罚因子;n表示子系统的个数。
S32:根据离线评估建立的部件级FMEA表格中各部件对应的安全指标,确定各部件的惩罚因子,部件级FMEA表格中各部件对应的安全指标表征对应部件对所属子系统影响等级越高则惩罚因子越小。对于不同类型的无人机系统,部件的惩罚因子设定不同,本实施例中,部件的惩罚因子设定如下:
式中,表示第k个子系统对应部件集合中第p个部件的惩罚因子;mk表示第k个
子系统对应部件集合包括的部件个数。
S4:对各部件进行健康评估,得到各部件的健康得分。具体地,所述步骤S4包括:
获取反应各部件状态的参数数据,并进行特征提取,得到的反应各部件状态的特征数据;
将各部件的特征数据输入对应的部件健康评估模型,输出各部件的健康得分;
其中,部件健康评估模型基于部件的历史特征数据及对应标注的健康得分标签构建的训练样本对神经网络模型进行训练得到。
在进行特征提取时,特征提取方法可以采用小波变换法、经验模态分解法或主成分分析法。在提取出特征数据后,优选进一步对特征数据进行数据预处理,数据预处理的方法可以采用滤波、归一化或标准化。
需要说明的是,具体实施时,除了利用基于神经网络的部件健康评估模型来评估各部件的健康状态,还可以同时进行部件的故障检测和预测。具体地,在进行故障检测时,根据特征数据判断部件是否存在故障,确定故障部件和故障类型;故障检测的方法有阈值法、统计方法、深度神经网络算法等。在进行故障预测时,根据历史特征数据预测下一时刻故障状态,故障预测的方法有时间序列分析、灰色预测、深度神经网络算法等。还可以预先设置基于规则的智能决策系统,基于检测的或预测的故障部件、故障类型等信息根据设定的规则生成维修策略和提示信息,并通过数据监控、可视化监控、数据显示等方式向操作人员呈现。
S5:基于各子系统所包括的部件的健康得分、权重和惩罚因子对各子系统进行健康评估,得到各子系统的健康得分。
具体地,各子系统的健康得分通过如下公式计算得到:
式中,表示第k个子系统的健康得分;、、分别表示第k个子系统对应
部件集合中第p个部件的惩罚因子、权重值、健康得分;mk表示第k个子系统对应部件集合包
括的部件个数。
S6:基于各子系统的健康得分、权重和惩罚因子对无人机系统进行健康评估,得到无人机系统的健康得分。
具体地,无人机系统的健康得分通过如下公式计算得到:
式中,表示无人机系统的健康得分,分别表示第k个子系统
的惩罚因子、健康得分、权重值;n表示子系统的个数。
本发明实施例还提供了一种无人机系统级健康评估系统,包括:
层级划分模块,用于按无人机系统、无人机系统包括的子系统、各子系统包括的部件,将无人机系统划分为系统、子系统、部件三个层级;
权重划分模块,用于分别对子系统层级的各子系统和部件层级的各部件进行权重划分;
惩罚因子设定模块,用于设定各子系统的惩罚因子和各部件的惩罚因子;
部件评估模块,用于对各部件进行健康评估,得到各部件的健康得分;
子系统评估模块,用于基于各子系统所包括的部件的健康得分、权重和惩罚因子对各子系统进行健康评估,得到各子系统的健康得分;
系统评估模块,用于基于各子系统的健康得分、权重和惩罚因子对无人机系统进行健康评估,得到无人机系统的健康得分。
应当理解,本实施例中的功能单元模块可以集中在一个处理单元中,也可以是各个单元模块单独物理存在,也可以是两个或两个以上的单元模块集成在一个单元模块中,可以采用硬件或软件的形式来实现。本实施例中未详细说明的内容可参见前述实施例中相同或相似的内容,在此不再赘述。
本发明实施例还提供了一种电子设备,包括:
存储器,其存储有计算机程序;
处理器,用于加载并执行所述计算机程序,以实现如前述实施例所述的无人机系统级健康评估方法。
本发明实施例还提供了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如前述实施例所述的无人机系统级健康评估方法。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (5)
1.一种无人机系统级健康评估方法,其特征在于,包括:
步骤S1:按无人机系统、无人机系统包括的子系统、各子系统包括的部件,将无人机系统划分为系统、子系统、部件三个层级;
步骤S2:分别对子系统层级的各子系统和部件层级的各部件进行权重划分;
步骤S3:设定各子系统的惩罚因子和各部件的惩罚因子;
步骤S4:对各部件进行健康评估,得到各部件的健康得分;
步骤S5:基于各子系统所包括的部件的健康得分、权重和惩罚因子对各子系统进行健康评估,得到各子系统的健康得分;
步骤S6:基于各子系统的健康得分、权重和惩罚因子对无人机系统进行健康评估,得到无人机系统的健康得分;
所述步骤S3包括:
根据离线评估建立的子系统级FMEA表格中各子系统对应的安全指标,确定各子系统的惩罚因子,子系统级FMEA表格中各子系统对应的安全指标表征对应子系统对无人机系统影响等级越高则惩罚因子越小;
根据离线评估建立的部件级FMEA表格中各部件对应的安全指标,确定各部件的惩罚因子,部件级FMEA表格中各部件对应的安全指标表征对应部件对所属子系统影响等级越高则惩罚因子越小;
各子系统的健康得分通过如下公式计算得到:
;
式中,表示第k个子系统的健康得分;/>、/>、/>分别表示第k个子系统对应部件集合中第p个部件的惩罚因子、权重值、健康得分;mk表示第k个子系统对应部件集合包括的部件个数;
无人机系统的健康得分通过如下公式计算得到:
;
式中,表示无人机系统的健康得分,/>分别表示第k个子系统的惩罚因子、健康得分、权重值;n表示子系统的个数;
部件的惩罚因子设定如下:
;
式中,表示第k个子系统对应部件集合中第p个部件的惩罚因子;m k 表示第k个子系统对应部件集合包括的部件个数;/>表示第k个子系统对应部件集合中第p个部件的权重值;
子系统的惩罚因子设定如下:
;
式中,表示第k个子系统的惩罚因子;n表示子系统的个数;/>表示第k个子系统的权重值。
2.根据权利要求1所述的无人机系统级健康评估方法,其特征在于,所述步骤S2中,对子系统层级的各子系统进行权重划分的方法包括:
对子系统层级的所有子系统进行两两比较,得出相对重要性,进而构建子系统级优先级矩阵:
;
式中,表示系统级优先级矩阵;n表示子系统的个数,/>表示第j个子系统对于第i个子系统的重要性;
对子系统级优先级矩阵进行一致性校验,如不满足要求,则修改子系统级优先级矩阵,若满足,进入下一步;
基于子系统级优先级矩阵,求解如下特征方程得到子系统权重向量:
;
式中,表示子系统权重向量,/>表示第n个子系统对应的权重向量特征值,/>是子系统级优先级矩阵的最大特征值;
基于子系统权重向量转化得到各子系统的权重值,且满足,其中/>表示第j个子系统的权重值。
3.根据权利要求1所述的无人机系统级健康评估方法,其特征在于,所述步骤S2中,对部件层级的各部件进行权重划分的方法包括:
针对于每一个子系统包括的部件集合,对该部件集合内的所有部件进行两两比较,得出相对重要性,进而构建部件级优先级矩阵:
;
式中,表示第k个子系统对应部件集合构建的部件级优先级矩阵,mk表示第k个子系统对应部件集合包括的部件个数,/>表示第k个子系统对应部件集合中第q个部件对于第p个部件的重要性;
对部件级优先级矩阵进行一致性校验,如不满足要求,则修改部件级优先级矩阵,若满足,进入下一步;
基于部件级优先级矩阵,求解如下特征方程得到部件权重向量:
;
式中,表示部件权重向量,/>表示第k个子系统对应部件集合中第mk个部件对应的权重向量特征值,/>表示第k个子系统对应部件集合的部件级优先级矩阵的最大特征值;
基于部件权重向量转化得到各部件的权重值,且满足,其中/>表示第k个子系统对应部件集合中第p个部件的权重值。
4.根据权利要求1所述的无人机系统级健康评估方法,其特征在于,所述步骤S4包括:
获取反应各部件状态的参数数据,并进行特征提取,得到的反应各部件状态的特征数据;
将各部件的特征数据输入对应的部件健康评估模型,输出各部件的健康得分;
其中,部件健康评估模型基于部件的历史特征数据及对应标注的健康得分标签构建的训练样本对神经网络模型进行训练得到。
5.一种无人机系统级健康评估系统,其特征在于,包括:
层级划分模块,用于按无人机系统、无人机系统包括的子系统、各子系统包括的部件,将无人机系统划分为系统、子系统、部件三个层级;
权重划分模块,用于分别对子系统层级的各子系统和部件层级的各部件进行权重划分;
惩罚因子设定模块,用于设定各子系统的惩罚因子和各部件的惩罚因子,包括:
根据离线评估建立的子系统级FMEA表格中各子系统对应的安全指标,确定各子系统的惩罚因子,子系统级FMEA表格中各子系统对应的安全指标表征对应子系统对无人机系统影响等级越高则惩罚因子越小;
根据离线评估建立的部件级FMEA表格中各部件对应的安全指标,确定各部件的惩罚因子,部件级FMEA表格中各部件对应的安全指标表征对应部件对所属子系统影响等级越高则惩罚因子越小;
部件评估模块,用于对各部件进行健康评估,得到各部件的健康得分;
子系统评估模块,用于基于各子系统所包括的部件的健康得分、权重和惩罚因子对各子系统进行健康评估,得到各子系统的健康得分;
系统评估模块,用于基于各子系统的健康得分、权重和惩罚因子对无人机系统进行健康评估,得到无人机系统的健康得分;
各子系统的健康得分通过如下公式计算得到:
;
式中,表示第k个子系统的健康得分;/>、/>、/>分别表示第k个子系统对应部件集合中第p个部件的惩罚因子、权重值、健康得分;mk表示第k个子系统对应部件集合包括的部件个数;
无人机系统的健康得分通过如下公式计算得到:
;
式中,表示无人机系统的健康得分,/>分别表示第k个子系统的惩罚因子、健康得分、权重值;n表示子系统的个数;
部件的惩罚因子设定如下:
;
式中,表示第k个子系统对应部件集合中第p个部件的惩罚因子;m k 表示第k个子系统对应部件集合包括的部件个数;/>表示第k个子系统对应部件集合中第p个部件的权重值;
子系统的惩罚因子设定如下:
;
式中,表示第k个子系统的惩罚因子;n表示子系统的个数;/>表示第k个子系统的权重值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311126439.4A CN116861270B (zh) | 2023-09-04 | 2023-09-04 | 无人机系统级健康评估方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311126439.4A CN116861270B (zh) | 2023-09-04 | 2023-09-04 | 无人机系统级健康评估方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116861270A CN116861270A (zh) | 2023-10-10 |
CN116861270B true CN116861270B (zh) | 2023-11-28 |
Family
ID=88234460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311126439.4A Active CN116861270B (zh) | 2023-09-04 | 2023-09-04 | 无人机系统级健康评估方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116861270B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109814537A (zh) * | 2019-03-01 | 2019-05-28 | 中国航空无线电电子研究所 | 一种无人机地面站健康评估方法 |
CN110174883A (zh) * | 2019-05-28 | 2019-08-27 | 北京润科通用技术有限公司 | 一种系统健康状态评估方法及装置 |
CN111191770A (zh) * | 2019-12-25 | 2020-05-22 | 北京航天测控技术有限公司 | 一种基于模糊神经网络的火箭系统健康状态评估方法 |
CN111812427A (zh) * | 2020-05-29 | 2020-10-23 | 中电普瑞电力工程有限公司 | 一种电力电子装置的健康状态评估方法及系统 |
CN112836833A (zh) * | 2021-02-10 | 2021-05-25 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 航天测控数传综合设备健康状态评估方法 |
CN115630531A (zh) * | 2022-12-19 | 2023-01-20 | 中南大学 | 无人机控制系统自动化安全评估方法 |
CN115994292A (zh) * | 2022-12-26 | 2023-04-21 | 中国航空工业集团公司上海航空测控技术研究所 | 一种电子设备健康评估装置 |
CN116151003A (zh) * | 2023-02-23 | 2023-05-23 | 西安热工研究院有限公司 | 一种无人机超宽带电磁脉冲易损性评估方法及系统 |
CN116524618A (zh) * | 2022-12-09 | 2023-08-01 | 中国航空无线电电子研究所 | 一种层级化飞机健康量化方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015175440A1 (en) * | 2014-05-12 | 2015-11-19 | Unmanned Innovation, Inc. | Unmanned aerial vehicle authorization and geofence envelope determination |
US9811616B2 (en) * | 2014-10-01 | 2017-11-07 | The Boeing Company | Analysis of a structure modeled with intraply interface elements |
US20200063665A1 (en) * | 2018-01-25 | 2020-02-27 | Dalian University Of Technology | Aero-engine full flight envelope model adaptive modification method based on deep learning algorithm |
US10997330B2 (en) * | 2019-02-13 | 2021-05-04 | The Boeing Company | System and method for predicting failure initiation and propagation in bonded structures |
-
2023
- 2023-09-04 CN CN202311126439.4A patent/CN116861270B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109814537A (zh) * | 2019-03-01 | 2019-05-28 | 中国航空无线电电子研究所 | 一种无人机地面站健康评估方法 |
CN110174883A (zh) * | 2019-05-28 | 2019-08-27 | 北京润科通用技术有限公司 | 一种系统健康状态评估方法及装置 |
CN111191770A (zh) * | 2019-12-25 | 2020-05-22 | 北京航天测控技术有限公司 | 一种基于模糊神经网络的火箭系统健康状态评估方法 |
CN111812427A (zh) * | 2020-05-29 | 2020-10-23 | 中电普瑞电力工程有限公司 | 一种电力电子装置的健康状态评估方法及系统 |
CN112836833A (zh) * | 2021-02-10 | 2021-05-25 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 航天测控数传综合设备健康状态评估方法 |
CN116524618A (zh) * | 2022-12-09 | 2023-08-01 | 中国航空无线电电子研究所 | 一种层级化飞机健康量化方法 |
CN115630531A (zh) * | 2022-12-19 | 2023-01-20 | 中南大学 | 无人机控制系统自动化安全评估方法 |
CN115994292A (zh) * | 2022-12-26 | 2023-04-21 | 中国航空工业集团公司上海航空测控技术研究所 | 一种电子设备健康评估装置 |
CN116151003A (zh) * | 2023-02-23 | 2023-05-23 | 西安热工研究院有限公司 | 一种无人机超宽带电磁脉冲易损性评估方法及系统 |
Non-Patent Citations (2)
Title |
---|
UAV Assessment of Crop Evapo-transpiration Dynamics in Winter Wheat and Barley under Varying Pressures of Fungal Diseases.IEEE.2021, * |
无人机健康状态综合评估技术研究;谷泽阳;《计算机测量与控制》;2501-*2503 * |
Also Published As
Publication number | Publication date |
---|---|
CN116861270A (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gou et al. | Aeroengine control system sensor fault diagnosis based on CWT and CNN | |
CN111487991B (zh) | 一种面向无人机集群的安全等级预测方法及系统 | |
US20130060524A1 (en) | Machine Anomaly Detection and Diagnosis Incorporating Operational Data | |
CN113033011B (zh) | 一种船舶机械健康状态评估方法及系统 | |
CN113642754A (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
CN112861071B (zh) | 一种基于深度自编码的高铁牵引系统异常检测方法 | |
CN112541552B (zh) | Dccnn和lgbm相结合的空气处理机组故障检测与诊断方法 | |
US11341780B2 (en) | Maintenance of an aircraft via similarity detection and modeling | |
CN110298374A (zh) | 一种基于深度学习的驾驶轨迹能耗分析方法和装置 | |
CN112504682A (zh) | 基于粒子群优化算法的底盘发动机故障诊断方法及系统 | |
CN114239734A (zh) | 一种分布式车载健康管理系统 | |
CN112232370A (zh) | 发动机的故障分析预测方法 | |
CN116861270B (zh) | 无人机系统级健康评估方法和系统 | |
CN116714437B (zh) | 基于大数据的氢燃料电池汽车安全监控系统及监控方法 | |
CN116878902A (zh) | 基于深度学习CNN-BiLSTM的船舶柴油机故障预警方法和系统 | |
CN117589233A (zh) | 继电保护装置运行状态智能检测方法及系统 | |
CN115891741B (zh) | 一种适用于电动汽车充电过程的远程故障预警方法及装置 | |
CN116089787A (zh) | 基于层次分析法的船舶子系统运行状态分析方法及系统 | |
CN113850138B (zh) | 一种基于数据驱动的无人飞行器传感器故障检测方法、系统及装置 | |
CN114254904B (zh) | 一种风电机组机舱运行健康度评价方法及装置 | |
CN114266401B (zh) | 一种底盘发动机故障预测方法及系统 | |
Zhou et al. | Bearing life prediction method based on parallel multichannel recurrent convolutional neural network | |
Liao et al. | Machine anomaly detection and diagnosis incorporating operational data applied to feed axis health monitoring | |
CN111160454B (zh) | 一种速变信号检测方法和装置 | |
CN115556099B (zh) | 一种可持续学习的工业机器人故障诊断系统及方法 |
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 |