CN116882751A - 基于多源异构数据融合的设备分析系统及方法 - Google Patents
基于多源异构数据融合的设备分析系统及方法 Download PDFInfo
- Publication number
- CN116882751A CN116882751A CN202310884637.0A CN202310884637A CN116882751A CN 116882751 A CN116882751 A CN 116882751A CN 202310884637 A CN202310884637 A CN 202310884637A CN 116882751 A CN116882751 A CN 116882751A
- Authority
- CN
- China
- Prior art keywords
- equipment
- route
- fault
- aerial vehicle
- unmanned aerial
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000004458 analytical method Methods 0.000 title claims abstract description 47
- 230000004927 fusion Effects 0.000 title claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 43
- 238000012502 risk assessment Methods 0.000 claims abstract description 8
- 230000007613 environmental effect Effects 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 15
- 239000012634 fragment Substances 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 229910000831 Steel Inorganic materials 0.000 claims description 3
- 239000010959 steel Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 abstract description 4
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Abstract
本发明涉及设备管理技术领域,具体为基于多源异构数据融合的设备分析系统及方法,所述系统包括故障风险分析模块,所述故障风险分析模块根据无人机起飞位置及待飞行目标位置,生成若干条待飞行航线;结合模型特征分析模块中得到的无人机的指令操作特征及故障信息获取模块中分析结果,分析基于待测设备的不同待飞行航线分别对应的故障风险值。本发明不仅结合多类型数据进行数据融合分析航空设备的故障信息;还考虑到设备当前的使用状态及不同的待飞行航线对不同航空设备的影响,准确预测航空设备在飞行过程中出现故障的风险程度,实现对待飞行航线的有效筛选及对航空设备的有效管理。
Description
技术领域
本发明涉及设备管理技术领域,具体为基于多源异构数据融合的设备分析系统及方法。
背景技术
随着物联网的快速发展,人们对物联网技术的运用越来越广泛,在航天领域中,人们通过传感器设备对航空设备的运行数据进行实时采集及分析,实现对航空设备的有效监管,在节省人力成本的同时,还提高对航空设备的监管效果,在一定程度上促进了航空航天技术的发展。
在对设备进行监管时,由于航空设备中设置的传感器种类具有多样性,且只从单一类型的数据分析航空设备的故障信息,比较片面,分析结果出现误判的频率较高,进而需要根据多类型数据进行数据融合分析航空设备的故障信息;当前的基于多源异构数据融合的设备分析系统,仅仅是对多个类型数据进行监控,并在监测结果出现异常状态时进行预警,但是,现有技术存在较大的缺陷,未能考虑到设备当前的使用状态及不同的待飞行航线对不同航空设备的影响,进而无法准确预测航空设备在飞行过程中出现故障的风险程度,无法实现对待飞行航线的有效筛选及对航空设备的有效管理。
发明内容
本发明的目的在于提供基于多源异构数据融合的设备分析系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:基于多源异构数据融合的设备分析方法,所述方法包括以下步骤:
S1、获取无人机的历史飞行数据及无人机中待测设备每次出现故障的时间点,对历史飞行数据进行数据切片,数据切片后的每个数据片段对应待测设备相邻两次故障时间点之间的飞行数据;所述飞行数据包括无人机飞行过程中,不同时间分别对应的环境信息、航线及操作指令;
S2、结合历史中无人机每次飞行过程对应的环境信息及相应的航线,构建无人机每次飞行过程中飞行环境对应的三维空间模型;根据无人机历史飞行数据中,不同环境信息时每个路线偏量对应的操作指令集,分析无人机在不同环境信息时分别对应的指令操作特征;
S3、根据无人机起飞位置及待飞行目标位置,生成若干条待飞行航线;结合S2中得到的无人机的指令操作特征及S1中分析结果,分析基于待测设备的不同待飞行航线分别对应的故障风险值;
S4、统计历史数据中出现故障的设备种类,得到故障设备集,按步骤S1和S3中操作,获取待测设备为故障设备集中不同元素时,基于待测设备的待飞行航线分别对应的故障风险值;并结合不同设备的故障风险值,预测每条待飞行航线的故障综合风险特征;
S5、结合S4中每条待飞行航线的故障综合风险特征,对无人机航线进行管理,选择对应故障综合风险特征最小的待飞行航线作为无人机相应的最佳航线。
进一步的,所述S1中对历史飞行数据进行数据切片时,将无人机待测设备第i次故障时间点与第i+1次故障时间点之间的数据片段记为Ai,i≥1。
进一步的,所述S2中构建无人机每次飞行过程中飞行环境对应的三维空间模型时,获取无人机每次飞行过程对应的环境信息,所述飞行过程对应的环境信息等于相应飞行过程中各个时间点分别对应的环境信息的均量,所述环境信息包括风力等级及风向,
所述环境信息的均量中的风力等级等于不同环境信息分别对应的风力等级的平均值,所述环境信息的均量中的风向等于不同环境信息分别对应的风力向量的合向量对应的方向,环境信息对应的风力向量为模长与风力等级相等且向量方向与风向相同的向量;
获取无人机每次飞行过程对应航线的起点及终点,以起点为原点,以起点与终点的连线在水平面的投影为x轴,以水平面中过原点且与x轴垂直的直线为y轴,以过原点的数竖直垂线为z轴,构建空间直角坐标系,将每次飞行过程中无人机航线中各点分别在空间直角坐标系中的位置,得到相应飞行过程中飞行环境对应的三维空间模型;
本发明构建三维空间模型是为了对准确构建历史数据中每次飞行过程对应的航线数据,为后续过程中获取航线对应的各个路线偏量;便于获取无人机在相应环境信息时对应的指令操作特征;
所述路线偏量表示三维空间模型中,相应航线中的偏离状态区间对应的综合偏离特征,所述相应航线中每个偏离状态区间中任意相邻的两个位置点对应的切线不重合,默认直线中不同位置点分别对应的切线均重合,所述同一航线对应的一个或多个偏离状态区间,将综合偏离特征记为(a,b),其中,a表示相应偏离状态区间中初始位置点至最终位置点分别对应的各个切线指向在水平面上的最大变化夹角,b表示相应偏离状态区间中最大飞行高度与最小飞行高度的差值,除以相应航线的偏离状态区间中最大飞行高度对应位置点与最小飞行高度对应位置点之间的航线长度;
获取历史数据中每个路线偏量对应的环境信息、综合偏离特征及相应的操作指令集,每个操作指令集包括一个或多个操作指令,本发明中不同路线偏量对应的操作指令集可能相同;
获取相同环境信息时,每种操作指令集对应的综合偏离特征波动区间,所述综合偏离特征波动区间中包括第一波动区间及第二波动区间,第一波动区间为相应操作指令集对应的各个综合偏离特征中a分别对应的最大值与最小值构成的区间,第二波动区间为相应操作指令集对应的各个综合偏离特征中b分别对应的最大值与最小值构成的区间;将同一环境信息内每种操作指令集及其对应的综合偏离特征波动区间汇总到一个空白集合中,无人机在相应环境信息时对应的指令操作特征。
本发明获取相同环境信息时,每种操作指令集对应的综合偏离特征波动区间,是为了后续过程中获取待测设备对应的关联操作指令构成的数组,便于准确计算基于待测设备的各个待飞行航线对应的故障风险值。
进一步的,所述待飞行航线是通过查询数据库中无人机起飞位置与待飞行目标位置获取的,不同起飞位置与待飞行目标位置对应的航线个数不同,且起飞位置与待飞行目标位置固定的情况下,数据库中对应的各个航线均不相同;
所述S3中分析基于待测设备的不同待飞行航线分别对应的故障风险值的方法包括以下步骤:
S31、获取每个待飞行航线分别对应的路线偏量及环境信息,将第j个待飞行航线对应路线偏量的集合记为Bj,将当前时间每j个待飞行航线中不同位置点分别对应的环境信息的均量,记为BHj;
S32、获取对历史飞行数据进行数据切片后得到的各个数据片段,提取每个数据片段中待测设备对应的各个操作指令,将第m个数据片段中待测设备对应的操作指令个数,记为gm,并构建待测设备数据片段指令个数集g;
本发明中待测设备对应的操作指令是通过数据库预置的,同一待测设备对应的操作指令包括一个或多个,同一操作指令关联一个或多个待测设备;
S33、获取无人机在不同环境信息时分别对应的指令操作特征;
S34、得到基于待测设备的第j个待飞行航线对应的故障风险值,记为Gj,
Gj=FX{C+∑r=1 r1E[R(Bjr,BHj)]},
其中,Bjr表示Bj中第r个元素对应的路线偏量,
R(Bjr,BHj)表示无人机在环境信息为BHj时对应的指令操作特征中,路线偏量为Bjr时对应的各个操作指令集内,待测设备对应的关联操作指令构成的数组,
E[R(Bjr,BHj)]表示R(Bjr,BHj)中元素总个数,
C表示历史数据内从待测设备上一次故障至当前时间对应的飞行数据中,待测设备对应的操作指令总数,
FX{}表示待测设备对应的故障风险函数,表示待测设备对应的操作指令总数与故障风险值之间的关系,
FX{C+∑r=1 r1E[R(Bjr,BHj)]}为待测设备数据片段指令个数集g中对应的操作指令总数小于等于C+∑r=1 r1E[R(Bjr,BHj)的元素个数,占g中元素总个数的比值。
进一步的,获取R(Bjr,BHj)的方法包括以下步骤:
S341、获取无人机在环境信息为BHj时对应的指令操作特征中,路线偏量为Bjr时对应的各个操作指令集,所得每个操作指令集对应的综合偏量特征波动区间均包含Bjr对应的综合偏离特征;
S342、得到路线偏量为Bjr时对应的各个操作指令集中分别对应的各个第一波动区间的交集V1jr及各个第二波动区间的交集V2jr,并得到历史数据中无人机在环境信息为BHj时,对应综合偏离特征(a1,b1)且a1∈V1jr且b1∈V2jr的各个路线偏量分别对应的操作指令集,汇总到一个空白数组,得到第一数组;
S343、提取第一数组中每个元素对应的集合中,待测设备对应的操作指令;并统计提取的操作指令中操作指令的类型及每种操作指令对应的个数,将提取的操作指令中第e个类型的操作指令个数记为Pe,提取的操作指令均为待测设备对应的关联操作指令;
S344、得到R(Bjr,BHj),所述R(Bjr,BHj)对应的数组中第e个类型的操作指令的个数等于Pe与第一数组的元素总数的商的整数部分。
进一步的,所述S4中预测第j条待飞行航线的故障综合风险特征的方法包括以下步骤:
S41、获取故障设备集中第n个元素对应的设备为待测设备时,基于待测设备的第j个待飞行航线对应的故障风险值Gj及风险增量GQj,
所述GQj=∑r=1 r1E[R(Bjr,BHj)/Qg,所述Qg表示相应待测设备数据片段指令个数集中每个元素对应的操作指令总数的最大值;
S42、第j条待飞行航线的故障综合风险特征的预测值,记为YCj,
YCj=β1×∑n=1 n1Gj+β2×∑n=1 n1GQj,其中,β1及β2均为数据库中预置的常数。
本发明预测第j条待飞行航线的故障综合风险特征时,不仅考虑到基于待测设备的各个待飞行航线对应的故障风险值,还考虑到相应的风险增量,故障风险值在一定程度上反映的是相应无人机按待飞行航线飞行时,出现故障的概率情况;而风险增量在一定程度上反映的是相应无人机按待飞行航线飞行时,对设备的损耗程度(对设备的磨损);将两者进行综合分析(归一化分析),能够对每条待飞行航线对应的故障综合风险特征进行量化,便于准确筛选适合当前无人机的最佳待飞行航线,实现了对航线的有效筛选及对设备的有效管理。
基于多源异构数据融合的设备分析系统,所述系统包括以下模块:
故障信息获取模块,所述故障信息获取模块获取无人机的历史飞行数据及无人机中待测设备每次出现故障的时间点,对历史飞行数据进行数据切片,数据切片后的每个数据片段对应待测设备相邻两次故障时间点之间的飞行数据;
模型特征分析模块,所述模型特征分析模块结合历史中无人机每次飞行过程对应的环境信息及相应的航线,构建无人机每次飞行过程中飞行环境对应的三维空间模型;根据无人机历史飞行数据中,不同环境信息时每个路线偏量对应的操作指令集,分析无人机在不同环境信息时分别对应的指令操作特征;
故障风险分析模块,所述故障风险分析模块根据无人机起飞位置及待飞行目标位置,生成若干条待飞行航线;结合模型特征分析模块中得到的无人机的指令操作特征及故障信息获取模块中分析结果,分析基于待测设备的不同待飞行航线分别对应的故障风险值;
设备及航线管理模块,所述设备及航线管理模块统计历史数据中出现故障的设备种类,得到故障设备集,按步骤故障信息获取模块和故障风险分析模块中操作,获取待测设备为故障设备集中不同元素时,基于待测设备的待飞行航线分别对应的故障风险值;并结合不同设备的故障风险值,预测每条待飞行航线的故障综合风险特征;
航线管理模块,所述航线管理模块结合设备及航线管理模块中每条待飞行航线的故障综合风险特征,对无人机航线进行管理,选择对应故障综合风险特征最小的待飞行航线作为无人机相应的最佳航线。
进一步的,所述故障信息获取模块中对历史飞行数据进行数据切片时,将无人机待测设备第i次故障时间点与第i+1次故障时间点之间的数据片段记为Ai,i≥1;所述飞行数据包括无人机飞行过程中,不同时间分别对应的环境信息、航线及操作指令。
与现有技术相比,本发明所达到的有益效果是:本发明不仅结合多类型数据进行数据融合分析航空设备的故障信息;还考虑到设备当前的使用状态及不同的待飞行航线对不同航空设备的影响,准确预测航空设备在飞行过程中出现故障的风险程度,实现对待飞行航线的有效筛选及对航空设备的有效管理。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明基于多源异构数据融合的设备分析方法的流程示意图;
图2是本发明基于多源异构数据融合的设备分析系统的结构示意图。
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。
请参阅图1,本发明提供技术方案:基于多源异构数据融合的设备分析方法,所述方法包括以下步骤:
S1、获取无人机的历史飞行数据及无人机中待测设备每次出现故障的时间点,对历史飞行数据进行数据切片,数据切片后的每个数据片段对应待测设备相邻两次故障时间点之间的飞行数据;所述飞行数据包括无人机飞行过程中,不同时间分别对应的环境信息、航线及操作指令;
所述S1中对历史飞行数据进行数据切片时,将无人机待测设备第i次故障时间点与第i+1次故障时间点之间的数据片段记为Ai,i≥1。
S2、结合历史中无人机每次飞行过程对应的环境信息及相应的航线,构建无人机每次飞行过程中飞行环境对应的三维空间模型;根据无人机历史飞行数据中,不同环境信息时每个路线偏量对应的操作指令集,分析无人机在不同环境信息时分别对应的指令操作特征;
所述S2中构建无人机每次飞行过程中飞行环境对应的三维空间模型时,获取无人机每次飞行过程对应的环境信息,所述飞行过程对应的环境信息等于相应飞行过程中各个时间点分别对应的环境信息的均量,所述环境信息包括风力等级及风向,
所述环境信息的均量中的风力等级等于不同环境信息分别对应的风力等级的平均值,所述环境信息的均量中的风向等于不同环境信息分别对应的风力向量的合向量对应的方向,环境信息对应的风力向量为模长与风力等级相等且向量方向与风向相同的向量;
获取无人机每次飞行过程对应航线的起点及终点,以起点为原点,以起点与终点的连线在水平面的投影为x轴,以水平面中过原点且与x轴垂直的直线为y轴,以过原点的数竖直垂线为z轴,构建空间直角坐标系,将每次飞行过程中无人机航线中各点分别在空间直角坐标系中的位置,得到相应飞行过程中飞行环境对应的三维空间模型;
所述路线偏量表示三维空间模型中,相应航线中的偏离状态区间对应的综合偏离特征,所述相应航线中每个偏离状态区间中任意相邻的两个位置点对应的切线不重合,默认直线中不同位置点分别对应的切线均重合,所述同一航线对应的一个或多个偏离状态区间,将综合偏离特征记为(a,b),其中,a表示相应偏离状态区间中初始位置点至最终位置点分别对应的各个切线指向在水平面上的最大变化夹角,b表示相应偏离状态区间中最大飞行高度与最小飞行高度的差值,除以相应航线的偏离状态区间中最大飞行高度对应位置点与最小飞行高度对应位置点之间的航线长度;
本实施例中若航线中存在一个偏离状态区间,
若偏离状态区间对应的航线部分中最大高度对应的点为w1,最小高度对应的点为w2,偏离状态区间的初始位置点为w3,偏离状态区间的最终位置点为w4,
则得到的相应综合偏离特征中第一个值等于w3对应的切线向w4对应的切线变换的过程中的偏转角度(最大变化角),
得到的相应综合偏离特征中第二个值等于w1对应高度与w2对应高度的差值除以航线中w1至w2的路程长度的商;
获取历史数据中每个路线偏量对应的环境信息、综合偏离特征及相应的操作指令集,每个操作指令集包括一个或多个操作指令,不同路线偏量对应的操作指令集可能相同(便于后续步骤中计算每个操作指令集分别对应的综合偏离特征波动区间);
获取相同环境信息时,每种操作指令集对应的综合偏离特征波动区间,所述综合偏离特征波动区间中包括第一波动区间及第二波动区间,第一波动区间为相应操作指令集对应的各个综合偏离特征中a分别对应的最大值与最小值构成的区间,第二波动区间为相应操作指令集对应的各个综合偏离特征中b分别对应的最大值与最小值构成的区间;将同一环境信息内每种操作指令集及其对应的综合偏离特征波动区间汇总到一个空白集合中,无人机在相应环境信息时对应的指令操作特征。
S3、根据无人机起飞位置及待飞行目标位置,生成若干条待飞行航线;结合S2中得到的无人机的指令操作特征及S1中分析结果,分析基于待测设备的不同待飞行航线分别对应的故障风险值;
所述待飞行航线是通过查询数据库中无人机起飞位置与待飞行目标位置获取的,不同起飞位置与待飞行目标位置对应的航线个数不同,且起飞位置与待飞行目标位置固定的情况下,数据库中对应的各个航线均不相同;
所述S3中分析基于待测设备的不同待飞行航线分别对应的故障风险值的方法包括以下步骤:
S31、获取每个待飞行航线分别对应的路线偏量及环境信息,将第j个待飞行航线对应路线偏量的集合记为Bj,将当前时间每j个待飞行航线中不同位置点分别对应的环境信息的均量,记为BHj;
S32、获取对历史飞行数据进行数据切片后得到的各个数据片段,提取每个数据片段中待测设备对应的各个操作指令,将第m个数据片段中待测设备对应的操作指令个数,记为gm,并构建待测设备数据片段指令个数集g;
待测设备对应的操作指令是通过数据库预置的,同一待测设备对应的操作指令包括一个或多个,同一操作指令关联一个或多个待测设备;
本实施例中设备甲对应的操作指令包括三个,分别为f1、f2及f3,设备乙对应的操作指令包括两个,分别为f1及f4,
则f1同时关联设备甲与设备乙,而f2及f3只关联设备甲,f4只关联设备乙;
S33、获取无人机在不同环境信息时分别对应的指令操作特征;
S34、得到基于待测设备的第j个待飞行航线对应的故障风险值,记为Gj,
Gj=FX{C+∑r=1 r1E[R(Bjr,BHj)]},
其中,Bjr表示Bj中第r个元素对应的路线偏量,
R(Bjr,BHj)表示无人机在环境信息为BHj时对应的指令操作特征中,路线偏量为Bjr时对应的各个操作指令集内,待测设备对应的关联操作指令构成的数组,
E[R(Bjr,BHj)]表示R(Bjr,BHj)中元素总个数,
C表示历史数据内从待测设备上一次故障至当前时间对应的飞行数据中,待测设备对应的操作指令总数,
FX{}表示待测设备对应的故障风险函数,表示待测设备对应的操作指令总数与故障风险值之间的关系,
FX{C+∑r=1 r1E[R(Bjr,BHj)]}为待测设备数据片段指令个数集g中对应的操作指令总数小于等于C+∑r=1 r1E[R(Bjr,BHj)的元素个数,占g中元素总个数的比值。
获取R(Bjr,BHj)的方法包括以下步骤:
S341、获取无人机在环境信息为BHj时对应的指令操作特征中,路线偏量为Bjr时对应的各个操作指令集,所得每个操作指令集对应的综合偏量特征波动区间均包含Bjr对应的综合偏离特征;
S342、得到路线偏量为Bjr时对应的各个操作指令集中分别对应的各个第一波动区间的交集V1jr及各个第二波动区间的交集V2jr,并得到历史数据中无人机在环境信息为BHj时,对应综合偏离特征(a1,b1)且a1∈V1jr且b1∈V2jr的各个路线偏量分别对应的操作指令集,汇总到一个空白数组,得到第一数组;
S343、提取第一数组中每个元素对应的集合中,待测设备对应的操作指令;并统计提取的操作指令中操作指令的类型及每种操作指令对应的个数,将提取的操作指令中第e个类型的操作指令个数记为Pe,提取的操作指令均为待测设备对应的关联操作指令;
S344、得到R(Bjr,BHj),所述R(Bjr,BHj)对应的数组中第e个类型的操作指令的个数等于Pe与第一数组的元素总数的商的整数部分。
S4、统计历史数据中出现故障的设备种类,得到故障设备集,按步骤S1和S3中操作,获取待测设备为故障设备集中不同元素时,基于待测设备的待飞行航线分别对应的故障风险值;并结合不同设备的故障风险值,预测每条待飞行航线的故障综合风险特征;
所述S4中预测第j条待飞行航线的故障综合风险特征的方法包括以下步骤:
S41、获取故障设备集中第n个元素对应的设备为待测设备时,基于待测设备的第j个待飞行航线对应的故障风险值Gj及风险增量GQj,
所述GQj=∑r=1 r1E[R(Bjr,BHj)/Qg,所述Qg表示相应待测设备数据片段指令个数集中每个元素对应的操作指令总数的最大值;
S42、第j条待飞行航线的故障综合风险特征的预测值,记为YCj,
YCj=β1×∑n=1 n1Gj+β2×∑n=1 n1GQj,其中,β1及β2均为数据库中预置的常数。
S5、结合S4中每条待飞行航线的故障综合风险特征,对无人机航线进行管理,选择对应故障综合风险特征最小的待飞行航线作为无人机相应的最佳航线。
如图2所示,基于多源异构数据融合的设备分析系统,所述系统包括以下模块:
故障信息获取模块,所述故障信息获取模块获取无人机的历史飞行数据及无人机中待测设备每次出现故障的时间点,对历史飞行数据进行数据切片,数据切片后的每个数据片段对应待测设备相邻两次故障时间点之间的飞行数据;
模型特征分析模块,所述模型特征分析模块结合历史中无人机每次飞行过程对应的环境信息及相应的航线,构建无人机每次飞行过程中飞行环境对应的三维空间模型;根据无人机历史飞行数据中,不同环境信息时每个路线偏量对应的操作指令集,分析无人机在不同环境信息时分别对应的指令操作特征;
故障风险分析模块,所述故障风险分析模块根据无人机起飞位置及待飞行目标位置,生成若干条待飞行航线;结合模型特征分析模块中得到的无人机的指令操作特征及故障信息获取模块中分析结果,分析基于待测设备的不同待飞行航线分别对应的故障风险值;
设备及航线管理模块,所述设备及航线管理模块统计历史数据中出现故障的设备种类,得到故障设备集,按步骤故障信息获取模块和故障风险分析模块中操作,获取待测设备为故障设备集中不同元素时,基于待测设备的待飞行航线分别对应的故障风险值;并结合不同设备的故障风险值,预测每条待飞行航线的故障综合风险特征;
航线管理模块,所述航线管理模块结合设备及航线管理模块中每条待飞行航线的故障综合风险特征,对无人机航线进行管理,选择对应故障综合风险特征最小的待飞行航线作为无人机相应的最佳航线。
所述故障信息获取模块中对历史飞行数据进行数据切片时,将无人机待测设备第i次故障时间点与第i+1次故障时间点之间的数据片段记为Ai,i≥1;所述飞行数据包括无人机飞行过程中,不同时间分别对应的环境信息、航线及操作指令。
需要说明的是,在本文中,诸如第一和第二等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。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.基于多源异构数据融合的设备分析方法,其特征在于,所述方法包括以下步骤:
S1、获取无人机的历史飞行数据及无人机中待测设备每次出现故障的时间点,对历史飞行数据进行数据切片,数据切片后的每个数据片段对应待测设备相邻两次故障时间点之间的飞行数据;所述飞行数据包括无人机飞行过程中,不同时间分别对应的环境信息、航线及操作指令;
S2、结合历史中无人机每次飞行过程对应的环境信息及相应的航线,构建无人机每次飞行过程中飞行环境对应的三维空间模型;根据无人机历史飞行数据中,不同环境信息时每个路线偏量对应的操作指令集,分析无人机在不同环境信息时分别对应的指令操作特征;
S3、根据无人机起飞位置及待飞行目标位置,生成若干条待飞行航线;结合S2中得到的无人机的指令操作特征及S1中分析结果,分析基于待测设备的不同待飞行航线分别对应的故障风险值;
S4、统计历史数据中出现故障的设备种类,得到故障设备集,按步骤S1和S3中操作,获取待测设备为故障设备集中不同元素时,基于待测设备的待飞行航线分别对应的故障风险值;并结合不同设备的故障风险值,预测每条待飞行航线的故障综合风险特征;
S5、结合S4中每条待飞行航线的故障综合风险特征,对无人机航线进行管理,选择对应故障综合风险特征最小的待飞行航线作为无人机相应的最佳航线。
2.根据权利要求1所述的基于多源异构数据融合的设备分析方法,其特征在于:所述S1中对历史飞行数据进行数据切片时,将无人机待测设备第i次故障时间点与第i+1次故障时间点之间的数据片段记为Ai,i≥1。
3.根据权利要求1所述的基于多源异构数据融合的设备分析方法,其特征在于:所述S2中构建无人机每次飞行过程中飞行环境对应的三维空间模型时,获取无人机每次飞行过程对应的环境信息,所述飞行过程对应的环境信息等于相应飞行过程中各个时间点分别对应的环境信息的均量,所述环境信息包括风力等级及风向,
所述环境信息的均量中的风力等级等于不同环境信息分别对应的风力等级的平均值,所述环境信息的均量中的风向等于不同环境信息分别对应的风力向量的合向量对应的方向,环境信息对应的风力向量为模长与风力等级相等且向量方向与风向相同的向量;
获取无人机每次飞行过程对应航线的起点及终点,以起点为原点,以起点与终点的连线在水平面的投影为x轴,以水平面中过原点且与x轴垂直的直线为y轴,以过原点的数竖直垂线为z轴,构建空间直角坐标系,将每次飞行过程中无人机航线中各点分别在空间直角坐标系中的位置,得到相应飞行过程中飞行环境对应的三维空间模型;
所述路线偏量表示三维空间模型中,相应航线中的偏离状态区间对应的综合偏离特征,所述相应航线中每个偏离状态区间中任意相邻的两个位置点对应的切线不重合,默认直线中不同位置点分别对应的切线均重合,所述同一航线对应的一个或多个偏离状态区间,将综合偏离特征记为(a,b),其中,a表示相应偏离状态区间中初始位置点至最终位置点分别对应的各个切线指向在水平面上的最大变化夹角,b表示相应偏离状态区间中最大飞行高度与最小飞行高度的差值,除以相应航线的偏离状态区间中最大飞行高度对应位置点与最小飞行高度对应位置点之间的航线长度;
获取历史数据中每个路线偏量对应的环境信息、综合偏离特征及相应的操作指令集,每个操作指令集包括一个或多个操作指令;
获取相同环境信息时,每种操作指令集对应的综合偏离特征波动区间,所述综合偏离特征波动区间中包括第一波动区间及第二波动区间,第一波动区间为相应操作指令集对应的各个综合偏离特征中a分别对应的最大值与最小值构成的区间,第二波动区间为相应操作指令集对应的各个综合偏离特征中b分别对应的最大值与最小值构成的区间;将同一环境信息内每种操作指令集及其对应的综合偏离特征波动区间汇总到一个空白集合中,无人机在相应环境信息时对应的指令操作特征。
4.根据权利要求3所述的基于多源异构数据融合的设备分析方法,其特征在于:所述待飞行航线是通过查询数据库中无人机起飞位置与待飞行目标位置获取的,不同起飞位置与待飞行目标位置对应的航线个数不同,且起飞位置与待飞行目标位置固定的情况下,数据库中对应的各个航线均不相同;
所述S3中分析基于待测设备的不同待飞行航线分别对应的故障风险值的方法包括以下步骤:
S31、获取每个待飞行航线分别对应的路线偏量及环境信息,将第j个待飞行航线对应路线偏量的集合记为Bj,将当前时间每j个待飞行航线中不同位置点分别对应的环境信息的均量,记为BHj;
S32、获取对历史飞行数据进行数据切片后得到的各个数据片段,提取每个数据片段中待测设备对应的各个操作指令,将第m个数据片段中待测设备对应的操作指令个数,记为gm,并构建待测设备数据片段指令个数集g;
S33、获取无人机在不同环境信息时分别对应的指令操作特征;
S34、得到基于待测设备的第j个待飞行航线对应的故障风险值,记为Gj,
Gj=FX{C+∑r=1 r1E[R(Bjr,BHj)]},
其中,Bjr表示Bj中第r个元素对应的路线偏量,
R(Bjr,BHj)表示无人机在环境信息为BHj时对应的指令操作特征中,路线偏量为Bjr时对应的各个操作指令集内,待测设备对应的关联操作指令构成的数组,
E[R(Bjr,BHj)]表示R(Bjr,BHj)中元素总个数,
C表示历史数据内从待测设备上一次故障至当前时间对应的飞行数据中,待测设备对应的操作指令总数,
FX{}表示待测设备对应的故障风险函数,表示待测设备对应的操作指令总数与故障风险值之间的关系,
FX{C+∑r=1 r1E[R(Bjr,BHj)]}为待测设备数据片段指令个数集g中对应的操作指令总数小于等于C+∑r=1 r1E[R(Bjr,BHj)的元素个数,占g中元素总个数的比值。
5.根据权利要求4所述的基于多源异构数据融合的设备分析方法,其特征在于:获取R(Bjr,BHj)的方法包括以下步骤:
S341、获取无人机在环境信息为BHj时对应的指令操作特征中,路线偏量为Bjr时对应的各个操作指令集,所得每个操作指令集对应的综合偏量特征波动区间均包含Bjr对应的综合偏离特征;
S342、得到路线偏量为Bjr时对应的各个操作指令集中分别对应的各个第一波动区间的交集V1jr及各个第二波动区间的交集V2jr,并得到历史数据中无人机在环境信息为BHj时,对应综合偏离特征(a1,b1)且a1∈V1jr且b1∈V2jr的各个路线偏量分别对应的操作指令集,汇总到一个空白数组,得到第一数组;
S343、提取第一数组中每个元素对应的集合中,待测设备对应的操作指令;并统计提取的操作指令中操作指令的类型及每种操作指令对应的个数,将提取的操作指令中第e个类型的操作指令个数记为Pe,提取的操作指令均为待测设备对应的关联操作指令;
S344、得到R(Bjr,BHj),所述R(Bjr,BHj)对应的数组中第e个类型的操作指令的个数等于Pe与第一数组的元素总数的商的整数部分。
6.根据权利要求5所述的基于多源异构数据融合的设备分析方法,其特征在于:所述S4中预测第j条待飞行航线的故障综合风险特征的方法包括以下步骤:
S41、获取故障设备集中第n个元素对应的设备为待测设备时,基于待测设备的第j个待飞行航线对应的故障风险值Gj及风险增量GQj,
所述GQj=∑r=1 r1E[R(Bjr,BHj)/Qg,所述Qg表示相应待测设备数据片段指令个数集中每个元素对应的操作指令总数的最大值;
S42、第j条待飞行航线的故障综合风险特征的预测值,记为YCj,
YCj=β1×∑n=1 n1Gj+β2×∑n=1 n1GQj,其中,β1及β2均为数据库中预置的常数。
7.应用权利要求1-6中任意一项所述的基于多源异构数据融合的设备分析方法的基于多源异构数据融合的设备分析系统,其特征在于,所述系统包括以下模块:
故障信息获取模块,所述故障信息获取模块获取无人机的历史飞行数据及无人机中待测设备每次出现故障的时间点,对历史飞行数据进行数据切片,数据切片后的每个数据片段对应待测设备相邻两次故障时间点之间的飞行数据;
模型特征分析模块,所述模型特征分析模块结合历史中无人机每次飞行过程对应的环境信息及相应的航线,构建无人机每次飞行过程中飞行环境对应的三维空间模型;根据无人机历史飞行数据中,不同环境信息时每个路线偏量对应的操作指令集,分析无人机在不同环境信息时分别对应的指令操作特征;
故障风险分析模块,所述故障风险分析模块根据无人机起飞位置及待飞行目标位置,生成若干条待飞行航线;结合模型特征分析模块中得到的无人机的指令操作特征及故障信息获取模块中分析结果,分析基于待测设备的不同待飞行航线分别对应的故障风险值;
设备及航线管理模块,所述设备及航线管理模块统计历史数据中出现故障的设备种类,得到故障设备集,按步骤故障信息获取模块和故障风险分析模块中操作,获取待测设备为故障设备集中不同元素时,基于待测设备的待飞行航线分别对应的故障风险值;并结合不同设备的故障风险值,预测每条待飞行航线的故障综合风险特征;
航线管理模块,所述航线管理模块结合设备及航线管理模块中每条待飞行航线的故障综合风险特征,对无人机航线进行管理,选择对应故障综合风险特征最小的待飞行航线作为无人机相应的最佳航线。
8.根据权利要求7所述的基于多源异构数据融合的设备分析系统,其特征在于:所述故障信息获取模块中对历史飞行数据进行数据切片时,将无人机待测设备第i次故障时间点与第i+1次故障时间点之间的数据片段记为Ai,i≥1;所述飞行数据包括无人机飞行过程中,不同时间分别对应的环境信息、航线及操作指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310884637.0A CN116882751B (zh) | 2023-07-19 | 2023-07-19 | 基于多源异构数据融合的设备分析系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310884637.0A CN116882751B (zh) | 2023-07-19 | 2023-07-19 | 基于多源异构数据融合的设备分析系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116882751A true CN116882751A (zh) | 2023-10-13 |
CN116882751B CN116882751B (zh) | 2024-02-06 |
Family
ID=88258382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310884637.0A Active CN116882751B (zh) | 2023-07-19 | 2023-07-19 | 基于多源异构数据融合的设备分析系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116882751B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649727A (zh) * | 2016-12-23 | 2017-05-10 | 南京航空航天大学 | 一种用于无人机飞行控制系统故障检测的数据库构建方法 |
KR102112581B1 (ko) * | 2018-11-06 | 2020-05-19 | 엘에스웨어(주) | 드론 포렌식을 이용한 사고 원인 분석 방법 및 장치 |
CN113487915A (zh) * | 2021-09-06 | 2021-10-08 | 江苏启航航空科技有限公司 | 一种基于无人机飞行服务监管系统及方法 |
US20210358310A1 (en) * | 2019-05-24 | 2021-11-18 | A^3 By Airbus Llc | Risk assessment for unmanned aerial vehicles |
CN114692416A (zh) * | 2022-04-06 | 2022-07-01 | 江苏锐天智能科技股份有限公司 | 一种智能模拟仿真飞行中飞机故障分析系统及方法 |
CN115081759A (zh) * | 2022-08-22 | 2022-09-20 | 珠海翔翼航空技术有限公司 | 基于历史飞行数据的节油决策方法、系统和设备 |
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 |
-
2023
- 2023-07-19 CN CN202310884637.0A patent/CN116882751B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649727A (zh) * | 2016-12-23 | 2017-05-10 | 南京航空航天大学 | 一种用于无人机飞行控制系统故障检测的数据库构建方法 |
KR102112581B1 (ko) * | 2018-11-06 | 2020-05-19 | 엘에스웨어(주) | 드론 포렌식을 이용한 사고 원인 분석 방법 및 장치 |
US20210358310A1 (en) * | 2019-05-24 | 2021-11-18 | A^3 By Airbus Llc | Risk assessment for unmanned aerial vehicles |
CN113487915A (zh) * | 2021-09-06 | 2021-10-08 | 江苏启航航空科技有限公司 | 一种基于无人机飞行服务监管系统及方法 |
CN114692416A (zh) * | 2022-04-06 | 2022-07-01 | 江苏锐天智能科技股份有限公司 | 一种智能模拟仿真飞行中飞机故障分析系统及方法 |
CN115081759A (zh) * | 2022-08-22 | 2022-09-20 | 珠海翔翼航空技术有限公司 | 基于历史飞行数据的节油决策方法、系统和设备 |
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 |
Non-Patent Citations (1)
Title |
---|
张志彦;李俊峰;赵军;: "无人机飞行器飞行数据的故障挖掘算法仿真", 计算机仿真, no. 02 * |
Also Published As
Publication number | Publication date |
---|---|
CN116882751B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10964130B1 (en) | Fleet level prognostics for improved maintenance of vehicles | |
EP3460611B1 (en) | System and method for aircraft fault detection | |
CN107463161B (zh) | 预测飞行器中的故障的方法和系统以及监控系统 | |
US8554403B2 (en) | Vehicle failure diagnostic device | |
EP2015186A2 (en) | Diagnostic systems and methods for predictive condition monitoring | |
KR101858377B1 (ko) | 감시 장치, 감시 방법 및 프로그램 | |
CN108229538B (zh) | 交通工具系统预测装置和方法 | |
CN101272580B (zh) | 一种基于反馈的自适应移动基站系统可靠性评估方法 | |
KR20210085168A (ko) | 머신러닝 기반 건축 구조물 고유 진동값 학습을 통한 안전 진단 시스템 및 방법 | |
CN116882751B (zh) | 基于多源异构数据融合的设备分析系统及方法 | |
CN116934062B (zh) | 一种基于多元融合的信息处理系统及方法 | |
Ruijters et al. | Better railway engineering through statistical model checking | |
Pecho et al. | Vibration fault detection of fuel pump using Recurrence Quantification Analysis | |
CN116979690A (zh) | 一种基于物联网的电网远程智能监测系统及方法 | |
CN115373403B (zh) | 一种建筑机械设备巡检服务系统 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
Borissova et al. | Predictive maintenance sensors placement by combinatorial optimization | |
CN113255771B (zh) | 基于多维异构差异分析的故障诊断方法及系统 | |
CN114896096A (zh) | 基于图像识别算法的数据中心设备故障预测系统及方法 | |
CA3176638A1 (en) | Fleet level prognostics for improved maintenance of vehicles | |
Zhang et al. | A methodology for optimum sensor localization/selection in fault diagnosis | |
CN114580784A (zh) | 一种飞机部件预测性维修数据的分析方法 | |
Vagnoli et al. | A machine learning classifier for condition monitoring and damage detection of bridge infrastructure | |
Teal et al. | Condition based maintenance [aircraft wiring] | |
CN115917464A (zh) | 监控工业设备的方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |