CN116956229A - 航天器剩余寿命预测方法、装置、电子设备及存储介质 - Google Patents
航天器剩余寿命预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116956229A CN116956229A CN202211698004.2A CN202211698004A CN116956229A CN 116956229 A CN116956229 A CN 116956229A CN 202211698004 A CN202211698004 A CN 202211698004A CN 116956229 A CN116956229 A CN 116956229A
- Authority
- CN
- China
- Prior art keywords
- distribution
- spacecraft
- prior distribution
- determining
- data samples
- 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 abstract description 48
- 238000009826 distribution Methods 0.000 claims abstract description 152
- 239000013598 vector Substances 0.000 claims description 52
- 239000011159 matrix material Substances 0.000 claims description 47
- 230000004927 fusion Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 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
- 238000010998 test method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种航天器剩余寿命预测方法、装置、电子设备及存储介质，其中方法包括：确定用于预测航天器剩余寿命的数据样本；所述数据样本对应不同来源；确定每一个来源的数据样本分别对应的先验分布；确定每一种先验分布的权重系数，以根据每一种先验分布的权重系数将多种先验分布进行融合，得到融合后的先验分布；根据融合后的先验分布，计算后验分布的均值和标准差，并根据后验分布的均值和标准差，确定航天器的剩余寿命和可信范围。本方案，不仅能够提高剩余寿命的预测精度，还可以预测出剩余寿命的可信范围，大大提高了预测结果的可信性。
Description
技术领域
本发明实施例涉及航空航天技术领域，特别涉及一种航天器剩余寿命预测方法、装置、电子设备及存储介质。
背景技术
航天器控制系统承担了姿态与轨道控制任务，功能结构复杂、单机数量多，在轨故障比例高，且故障后果极其严重。若能对航天器的剩余寿命做出有效预测，则具有十分重要的工程价值。对于剩余寿命的预测而言，目前是基于单一数据源进行预测，预测准确度较低。
发明内容
本发明实施例提供了一种航天器剩余寿命预测方法、装置、电子设备及存储介质，能够提高预测准确度。
第一方面，本发明实施例提供了一种航天器剩余寿命预测方法，包括：
确定用于预测航天器剩余寿命的数据样本；所述数据样本对应不同来源；
确定每一个来源的数据样本分别对应的先验分布；
确定每一种先验分布的权重系数，以根据每一种先验分布的权重系数将多种先验分布进行融合，得到融合后的先验分布；
根据融合后的先验分布，计算后验分布的均值和标准差，并根据后验分布的均值和标准差，确定航天器的剩余寿命和可信范围。
在一种可能的实现方式中，所述确定用于预测航天器剩余寿命的数据样本，包括：
针对待预测航天器从多个来源分别获取相应的数据样本；
从多个来源的数据样本中进行筛选，使得筛选出来的数据样本之间不存在相同类型的先验分布，将筛选出来的数据样本作为用于预测航天器剩余寿命的数据样本。
在一种可能的实现方式中，每一个来源的数据样本对应的先验分布的确定方式，包括：
S1、将该数据样本X＝(x1,…xn)的按照数值大小进行排列，得到新的数据样本其中，n为该数据样本的样本数量；xn为第n个样本的数据；
S2、按照线性同余法产生N个随机整数，每一个随机整数的取值范围为[1,n]；以每一个随机整数作为下标，从新的数据样本中抽出对应的N个数据组成Bootstrap样本重复本步骤S2共M次，得到M组Bootstrap样本；其中，M、N均为不小于2的整数；
S3、对M组Bootstrap样本依次进行参数估计，得到每一组Bootstrap样本的估计参数；
S4、将M个估计参数进行拟合，得到该数据样本X＝(x1,…xn…xn)的先验分布。在一种可能的实现方式中，所述确定每一种先验分布的权重系数，包括：
A1、确定数据源的影响因素，基于每一个影响因素的重要性形成影响矩阵；
A2、获取每一个影响因素分别与不同来源的数据样本之间的打分矩阵；
A3、根据所述影响矩阵和所述打分矩阵生成重要性的权重向量和每一个影响因素的权重向量，并对生成的权重向量进行一致性检查，若满足一致性要求，则执行步骤A4；若不满足一致性要求，则返回步骤A2以重新获取打分矩阵，直到本步骤A3满足一致性要求；
A4、根据生成的权重向量计算得到每一种先验分布的权重系数。
在一种可能的实现方式中，所述根据所述影响矩阵和所述打分矩阵生成重要性的权重向量和每一个影响因素的权重向量，包括：将所述影响矩阵和所述打分矩阵进行归一化处理；将归一化处理后的影响矩阵按列取平均值，得到重要性的权重向量；将归一化处理后的打分矩阵按列取平均值，得到每一个影响因素的权重向量；
和/或，
所述根据所述权重向量计算得到每一种先验分布的权重系数，包括：
每一种先验分布的权重系数Q按照如下公式计算得到：
Q＝[wai]·wf(i＝1,2,…,s…，s))
其中，wai为第i个影响因素的权重向量，wf为重要性的权重向量，s为影响因素的数量。
在一种可能的实现方式中，所述根据每一种先验分布的权重系数将多个先验分布进行融合，得到融合后的先验分布，包括：
按照如下公式进行融合：
其中，π(μ,τ2)为融合后的先验分布，nQ为权重系数Q的维数，πi(μi,τi 2)为各先验分布的概率密度函数，μi和τi分别为先验分布πi的均值和标准差。
在一种可能的实现方式中，所述根据融合后的先验分布，计算后验分布的均值和标准差，包括：
按照如下公式计算后验分布π(θ|x)的均值和标准差/>
其中，和σ分别为多个数据样本的均值和标准差；
所述根据后验分布的均值和标准差，确定航天器的剩余寿命和可信范围，包括：
按照如下公式计算航天器的剩余寿命和可信范围：
其中，rel为对航天器预测的剩余寿命；和/>分别为剩余寿命可信范围的下限与上限；θα/2和θ1-α/2分别为在显著性水平α的下限与上限可信系数，n为多个数据样本中的样本总数量。
第二方面，本发明实施例还提供了一种航天器剩余寿命预测装置，包括：
样本确定单元，用于确定用于预测航天器剩余寿命的数据样本；所述数据样本对应不同来源；
先验分布确定单元，用于确定每一个来源的数据样本分别对应的先验分布；
融合单元，用于确定每一种先验分布的权重系数，以根据每一种先验分布的权重系数将多种先验分布进行融合，得到融合后的先验分布；
预测单元，用于根据融合后的先验分布，计算后验分布的均值和标准差，并根据后验分布的均值和标准差，确定航天器的剩余寿命和可信范围。
第三方面，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，实现本说明书任一实施例所述的方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本说明书任一实施例所述的方法。
本发明实施例提供了一种航天器剩余寿命预测方法、装置、电子设备及存储介质，通过针对航天器获取来自不同来源的多个数据样本，并确定每一个数据样本的先验分布及其先验分布的权重系数，以利用权重系数将多个先验分布进行融合，实现对不同来源的数据样本进行有效融合，有效实现不同来源数据的优势互补，大大提升航天器剩余寿命的预测精度，通过融合后的先验分布计算后验分布的均值和标准差，基于后验分布和标准差，能够确定航天器的剩余寿命和可信范围。可见，本方案不仅能够提高剩余寿命的预测精度，还可以预测出剩余寿命的可信范围，大大提高了预测结果的可信性。
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是本发明一实施例提供的一种航天器剩余寿命预测方法流程图；
图2是本发明一实施例提供的一种电子设备的硬件架构图；
图3是本发明一实施例提供的一种航天器剩余寿命预测装置结构图。
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剩余寿命预测方法，该方法包括：
步骤100，确定用于预测航天器剩余寿命的数据样本；所述数据样本对应不同来源；
步骤102，确定每一个来源的数据样本分别对应的先验分布；
步骤104，确定每一种先验分布的权重系数，以根据每一种先验分布的权重系数将多种先验分布进行融合，得到融合后的先验分布；
步骤106，根据融合后的先验分布，计算后验分布的均值和标准差，并根据后验分布的均值和标准差，确定航天器的剩余寿命和可信范围。
本发明实施例中，通过针对航天器获取来自不同来源的多个数据样本，并确定每一个数据样本的先验分布及其先验分布的权重系数，以利用权重系数将多个先验分布进行融合，实现对不同来源的数据样本进行有效融合，有效实现不同来源数据的优势互补，大大提升航天器剩余寿命的预测精度，通过融合后的先验分布计算后验分布的均值和标准差，基于后验分布和标准差，能够确定航天器的剩余寿命和可信范围。可见，本方案不仅能够提高剩余寿命的预测精度，还可以预测出剩余寿命的可信范围，大大提高了预测结果的可信性。
下面描述图1所示的各个步骤的执行方式。
首先，针对步骤100，确定用于预测航天器剩余寿命的数据样本；所述数据样本对应不同来源。
对于航天器而言，其数据源信息丰富，主要包括：(1)相似样本、历史数据、飞行经验的同类产品数据；(2)同批次产品的研制、试验、飞行等不同阶段的数据。这些数据来源于不同渠道，涵盖了不同的背景经验和知识。
由于这些不同来源的数据样本用于对航天器剩余寿命进行预测，因此，需要综合不同来源数据样本的特征信息，而不同来源的数据样本可能存在相同先验分布特征，而相同先验分布特征可以通过一个来源的数据样本来表征，因此，为了降低数据样本的数据量，提高预测效率，本发明一个实施例中，本步骤100可以包括：
针对待预测航天器从多个来源分别获取相应的数据样本；
从多个来源的数据样本中进行筛选，使得筛选出来的数据样本之间不存在相同类型的先验分布，将筛选出来的数据样本作为用于预测航天器剩余寿命的数据样本。
举例来说，针对待预测航天器从Y1、Y2和Y3三个来源分布获取了数据样本，在进行数据样本筛选时，可以采用秩和检验方法判断两个来源的数据样本是否属于同一类型的先验分布，若属于，则保留其中一个来源的数据样本，若不属于，则保留该两个来源的数据样本。如此可以确定筛选出来的数据样本之间不存在相同类型的先验分布。
比如针对Y1、Y2和Y3三个来源，最终筛选出来的数据样本为Y1来源和Y2来源，数据样本如表1所示：
表1：
可见，该方式能够大大减少用于进行预测的样本数据量，不仅不会对航天器剩余寿命的预测造成影响，还会提高预测效率。
然后，针对步骤102，确定每一个来源的数据样本分别对应的先验分布。
每一个来源的数据样本中可能存在一些野值，野值的存在会影响预测结果，为了降低这些野值的影响，本发明一个实施例中，可以利用先验分布的确定过程来降低这些野值的影响，具体地，每一个来源的数据样本对应的先验分布的确定方式包括如下步骤S1～S4：
S1、将该数据样本X＝(x1,…xn)的按照数值大小进行排列，得到新的数据样本其中，n为该数据样本的样本数量；xn为第n个样本的数据；
其中，排列方式可以是升序排列，也可以是降序排列。
S2、按照线性同余法产生N个随机整数，每一个随机整数的取值范围为[1,n]；以每一个随机整数作为下标，从新的数据样本中抽出对应的N个数据组成Bootstrap样本重复本步骤S2共M次，得到M组Bootstrap样本；其中，M、N均为不小于2的整数；
S3、对M组Bootstrap样本依次进行参数估计，得到每一组Bootstrap样本的估计参数；
每一组Bootstrap样本按照如下公式进行估计参数：
其中，表示第i个估计参数；/>表示样本/>的估计参数；/>表示第i组Bootstrap样本/>的估计参数。
S4、将M个估计参数进行拟合，得到该数据样本X＝(x1,…xn)的先验分布。
需要说明的是，Y1来源和Y2来源的数据样本均按照如下上述步骤S1～S4来确定对应的先验分布。
接下来，针对步骤104，确定每一种先验分布的权重系数，以根据每一种先验分布的权重系数将多种先验分布进行融合，得到融合后的先验分布。
一个实现方式中，每一种先验分布的权重系数可以通过经验值输入；
另一个实现方式中，由于权重系数影响最终的预测结果，需要保证权重系数的准确性，具体地可以通过如下方式(步骤A1～A4)来确定每一种先验分布的权重系数：
A1、确定数据源的影响因素，基于每一个影响因素的重要性形成影响矩阵。
根据航天器的运行特点、数据特征，可以确定数据源的影响因素主要包括：可信性、时效性和环境相似性。
本发明实施例中，若影响因素为上述三种，则各影响因素重要性的影响矩阵为F＝(fij)3×3，其中，该影响矩阵中，元素fij的取值范围为1～9，其对角线元素均为1，其他元素之间的关系为fij＝1/fji,i,j＝1,…,3。
举例来说，影响矩阵如下表2所示：
表2：
| 可信性 | 时效性 | 环境相似性 | |
| 可信性 | 1 | 5 | 3 |
| 时效性 | 1/5 | 1 | 1/3 |
| 环境相似性 | 1/3 | 3 | 1 |
A2、获取每一个影响因素分别与不同来源的数据样本之间的打分矩阵。
每一个影响因素与不同来源的数据样本之间的打分矩阵为：其中，na表示矩阵A的维数，即数据样本的来源的数量，若数据样本为来源Y1和来源Y2，则维数为2。具体打分规则如下表3和表4所示，其中，表3为每一个影响因素的打分规则，表4为打分的定量标准规则。
表3：
表4：
| 打分 | 定义 |
| 1 | 两个指标相比，具有同样重要性 |
| 3 | 第一个指标比第二个指标略微重要 |
| 5 | 第一个指标比第二个指标明显重要 |
继续以上述来源Y1和来源Y2为例进行说明，则可以得到如表5所示的可信性的打分矩阵、如表6所示的时效性的打分矩阵和如表7所示的环境相似性的打分矩阵：
表5：
| Y1 | Y2 | |
| Y1 | 1 | 1 |
| Y2 | 1 | 1 |
表6：
| Y1 | Y2 | |
| Y1 | 1 | 1/5 |
| Y2 | 5 | 1 |
表7：
| Y1 | Y2 | |
| Y1 | 1 | 1 |
| Y2 | 1 | 1 |
A3、根据所述影响矩阵和所述打分矩阵生成重要性的权重向量和每一个影响因素的权重向量，并对生成的权重向量进行一致性检查，若满足一致性要求，则执行步骤A4；若不满足一致性要求，则返回步骤A2以重新获取打分矩阵，直到本步骤A3满足一致性要求。
具体地，在生成重要性的权重向量和每一个影响因素的权重向量时，包括：将所述影响矩阵F和所述打分矩阵A进行归一化处理；将归一化处理后的影响矩阵按列取平均值，得到重要性的权重向量wf；将归一化处理后的打分矩阵/>按列取平均值，得到每一个影响因素的权重向量wai。
其中，归一化处理公式为：
权重向量的计算公式为：
进一步地，为了确保打分矩阵的准确性，需要进行一致性检查，具体地，按照如下公式进行一致性检查，若CI＜0.1，则满足一致性要求，否则，不满足一致性要求：
其中，CI为一致性参数，
A4、根据生成的权重向量计算得到每一种先验分布的权重系数。
本发明一个实施例中，根据权重向量wf和wai，可以按照如下公式计算到每一种先验分布的权重系数Q：
Q＝[wai]·wf(i＝1,2,…,s)
其中，wai为第i个影响因素的权重向量，wf为重要性的权重向量，s为影响因素的数量。
本发明一个实施例中，可以采用加权求和的方式得到融合后的先验分布π(μ,τ2)(μ和τ分别表示先验分布π的均值与标准差)：
其中，π(μ,τ2)为融合后的先验分布，nQ为权重系数Q的维数，πi(μi,τi 2)为各先验分布的概率密度函数，μi和τi分别为先验分布πi的均值和标准差。
继续以上述例子进行说明，可以得到如表8所示的各权重向量：
表8：
| 权重向量 | 权重向量结果 |
| 重要性权重向量 | wf＝[0.63,0.11,0.26]T |
| 可信性的权重向量 | wa1＝[0.5,0.5]T |
| 时效性的权重向量 | wa2＝[16,56]T |
| 环境相似性的权重向量 | wa3＝[0.5,0.5]T |
| 权重系数 | Q＝[0.46，0.54]T |
那么，融合后的先验分布为：
最后，针对步骤106，根据融合后的先验分布，计算后验分布的均值和标准差，并根据后验分布的均值和标准差，确定航天器的剩余寿命和可信范围。
本发明实施例中，可以按照如下公式计算后验分布π(θ|x)的均值和标准差/>
其中，和σ分别为多个数据样本的均值和标准差。
基于上述得到的后验分布，可以基于贝叶斯理论预测得到剩余寿命的预测值以及对应的可信范围，具体可以按照如下公式计算航天器的剩余寿命和可信范围：
其中，rel为对航天器预测的剩余寿命；和/>分别为剩余寿命可信范围的下限与上限；θα/2和θ1-α/2分别为在显著性水平α的下限与上限可信系数，n为多个数据样本中的样本总数量。
根据上述举例，得到数据样本的后验分布如下：
假设将显著性水平设置为α＝0.05，则预测的剩余寿命约为3374天，可信范围为[3344.73,3402.09]，这说明预测结果在3344.73天与3402.09天之间，其可信程度为95％。
可见，本发明实施例中，不仅能够预测出剩余寿命的预测值，还能够确定其可信范围以及可信程度，实用性更强，可信性更高。
如图2、图3所示，本发明实施例提供了一种航天器剩余寿命预测装置。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剩余寿命预测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。本实施例提供的一种航天器剩余寿命预测装置，包括：
样本确定单元301，用于确定用于预测航天器剩余寿命的数据样本；所述数据样本对应不同来源；
先验分布确定单元302，用于确定每一个来源的数据样本分别对应的先验分布；
融合单元303，用于确定每一种先验分布的权重系数，以根据每一种先验分布的权重系数将多种先验分布进行融合，得到融合后的先验分布；
预测单元304，用于根据融合后的先验分布，计算后验分布的均值和标准差，并根据后验分布的均值和标准差，确定航天器的剩余寿命和可信范围。
在本发明一个实施例中，所述样本确定单元具体用于：针对待预测航天器从多个来源分别获取相应的数据样本；从多个来源的数据样本中进行筛选，使得筛选出来的数据样本之间不存在相同类型的先验分布，将筛选出来的数据样本作为用于预测航天器剩余寿命的数据样本。
在本发明一个实施例中，先验分布确定单元具体用于利用如下方式确定每一个来源的数据样本对应的先验分布：
S1、将该数据样本X＝(x1,…xn)的按照数值大小进行排列，得到新的数据样本其中，n为该数据样本的样本数量；xn为第n个样本的数据；
S2、按照线性同余法产生N个随机整数，每一个随机整数的取值范围为[1,n]；以每一个随机整数作为下标，从新的数据样本中抽出对应的N个数据组成Bootstrap样本重复本步骤S2共M次，得到M组Bootstrap样本；其中，M、N均为不小于2的整数；
S3、对M组Bootstrap样本依次进行参数估计，得到每一组Bootstrap样本的估计参数；
S4、将M个估计参数进行拟合，得到该数据样本X＝(x1,…xn)的先验分布。
在本发明一个实施例中，融合单元在确定每一种先验分布的权重系数时，具体包括：
A1、确定数据源的影响因素，基于每一个影响因素的重要性形成影响矩阵；
A2、获取每一个影响因素分别与不同来源的数据样本之间的打分矩阵；
A3、根据所述影响矩阵和所述打分矩阵生成重要性的权重向量和每一个影响因素的权重向量，并对生成的权重向量进行一致性检查，若满足一致性要求，则执行步骤A4；若不满足一致性要求，则返回步骤A2以重新获取打分矩阵，直到本步骤A3满足一致性要求；
A4、根据生成的权重向量计算得到每一种先验分布的权重系数。
在本发明一个实施例中，融合单元在执行根据所述影响矩阵和所述打分矩阵生成重要性的权重向量和每一个影响因素的权重向量时，具体包括：将所述影响矩阵和所述打分矩阵进行归一化处理；将归一化处理后的影响矩阵按列取平均值，得到重要性的权重向量；将归一化处理后的打分矩阵按列取平均值，得到每一个影响因素的权重向量；
在本发明一个实施例中，融合单元在执行根据所述权重向量计算得到每一种先验分布的权重系数时，具体包括：
每一种先验分布的权重系数Q按照如下公式计算得到：
Q＝[wai]·wf(i＝1,2,…,s)
其中，wai为第i个影响因素的权重向量，wf为重要性的权重向量，s为影响因素的数量。
在本发明一个实施例中，所述融合单元在根据每一种先验分布的权重系数将多个先验分布进行融合，得到融合后的先验分布时，具体包括：
按照如下公式进行融合：
其中，π(μ,τ2)为融合后的先验分布，nQ为权重系数Q的维数，πi(μi,τi 2)为各先验分布的概率密度函数，μi和τi分别为先验分布πi的均值和标准差。
在本发明一个实施例中，所述预测单元在根据融合后的先验分布，计算后验分布的均值和标准差时，具体包括：
按照如下公式计算后验分布π(θ|x)的均值和标准差/>
其中，和σ分别为多个数据样本的均值和标准差；
所述预测单元在根据后验分布的均值和标准差，确定航天器的剩余寿命和可信范围时，具体包括：
按照如下公式计算航天器的剩余寿命和可信范围：
其中，rel为对航天器预测的剩余寿命；和/>分别为剩余寿命可信范围的下限与上限；θα/2和θ1-α/2分别为在显著性水平α的下限与上限可信系数，n为多个数据样本中的样本总数量。
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剩余寿命预测装置的具体限定。在本发明的另一些实施例中，一种航天器剩余寿命预测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剩余寿命预测方法。
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剩余寿命预测方法。
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。在没有更多限制的情况下，由语句“包括一个…”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
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 (10)
1.一种航天器剩余寿命预测方法，其特征在于，包括：
确定用于预测航天器剩余寿命的数据样本；所述数据样本对应不同来源；
确定每一个来源的数据样本分别对应的先验分布；
确定每一种先验分布的权重系数，以根据每一种先验分布的权重系数将多种先验分布进行融合，得到融合后的先验分布；
根据融合后的先验分布，计算后验分布的均值和标准差，并根据后验分布的均值和标准差，确定航天器的剩余寿命和可信范围。
2.根据权利要求1所述的方法，其特征在于，所述确定用于预测航天器剩余寿命的数据样本，包括：
针对待预测航天器从多个来源分别获取相应的数据样本；
从多个来源的数据样本中进行筛选，使得筛选出来的数据样本之间不存在相同类型的先验分布，将筛选出来的数据样本作为用于预测航天器剩余寿命的数据样本。
3.根据权利要求1所述的方法，其特征在于，每一个来源的数据样本对应的先验分布的确定方式，包括：
S1、将该数据样本X＝(x1,…xn)的按照数值大小进行排列，得到新的数据样本其中，n为该数据样本的样本数量；xn为第n个样本的数据；
S2、按照线性同余法产生N个随机整数，每一个随机整数的取值范围为[1,n]；以每一个随机整数作为下标，从新的数据样本中抽出对应的N个数据组成Bootstrap样本重复本步骤S2共M次，得到M组Bootstrap样本；其中，M、N均为不小于2的整数；
S3、对M组Bootstrap样本依次进行参数估计，得到每一组Bootstrap样本的估计参数；
S4、将M个估计参数进行拟合，得到该数据样本X＝(x1,…xn)的先验分布。
4.根据权利要求1所述的方法，其特征在于，所述确定每一种先验分布的权重系数，包括：
A1、确定数据源的影响因素，基于每一个影响因素的重要性形成影响矩阵；
A2、获取每一个影响因素分别与不同来源的数据样本之间的打分矩阵；
A3、根据所述影响矩阵和所述打分矩阵生成重要性的权重向量和每一个影响因素的权重向量，并对生成的权重向量进行一致性检查，若满足一致性要求，则执行步骤A4；若不满足一致性要求，则返回步骤A2以重新获取打分矩阵，直到本步骤A3满足一致性要求；
A4、根据生成的权重向量计算得到每一种先验分布的权重系数。
5.根据权利要求4所述的方法，其特征在于，
所述根据所述影响矩阵和所述打分矩阵生成重要性的权重向量和每一个影响因素的权重向量，包括：将所述影响矩阵和所述打分矩阵进行归一化处理；将归一化处理后的影响矩阵按列取平均值，得到重要性的权重向量；将归一化处理后的打分矩阵按列取平均值，得到每一个影响因素的权重向量；
和/或，
所述根据所述权重向量计算得到每一种先验分布的权重系数，包括：
每一种先验分布的权重系数Q按照如下公式计算得到：
Q＝[wai]·wf(i＝1,2,…,s)
其中，wai为第i个影响因素的权重向量，wf为重要性的权重向量，s为影响因素的数量。
6.根据权利要求1-5中任一所述的方法，其特征在于，所述根据每一种先验分布的权重系数将多个先验分布进行融合，得到融合后的先验分布，包括：
按照如下公式进行融合：
其中，π(μ,τ2)为融合后的先验分布，nQ为权重系数Q的维数，πi(μi,τi 2)为各先验分布的概率密度函数，μi和τi分别为先验分布πi的均值和标准差。
7.根据权利要求1-5中任一所述的方法，其特征在于，
所述根据融合后的先验分布，计算后验分布的均值和标准差，包括：
按照如下公式计算后验分布π(θ|x)的均值μ和标准差τ：
其中，和σ分别为多个数据样本的均值和标准差；
所述根据后验分布的均值和标准差，确定航天器的剩余寿命和可信范围，包括：
按照如下公式计算航天器的剩余寿命和可信范围：
其中，rel为对航天器预测的剩余寿命；和/>分别为剩余寿命可信范围的下限与上限；θα/2和θ1-α/2分别为在显著性水平α的下限与上限可信系数，n为多个数据样本中的样本总数量。
8.一种航天器剩余寿命预测装置，其特征在于，包括：
样本确定单元，用于确定用于预测航天器剩余寿命的数据样本；所述数据样本对应不同来源；
先验分布确定单元，用于确定每一个来源的数据样本分别对应的先验分布；
融合单元，用于确定每一种先验分布的权重系数，以根据每一种先验分布的权重系数将多种先验分布进行融合，得到融合后的先验分布；
预测单元，用于根据融合后的先验分布，计算后验分布的均值和标准差，并根据后验分布的均值和标准差，确定航天器的剩余寿命和可信范围。
9.一种电子设备，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，实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211698004.2A CN116956229A (zh) | 2022-12-28 | 2022-12-28 | 航天器剩余寿命预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211698004.2A CN116956229A (zh) | 2022-12-28 | 2022-12-28 | 航天器剩余寿命预测方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116956229A true CN116956229A (zh) | 2023-10-27 |
Family
ID=88460751
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211698004.2A Pending CN116956229A (zh) | 2022-12-28 | 2022-12-28 | 航天器剩余寿命预测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116956229A (zh) |
-
2022
- 2022-12-28 CN CN202211698004.2A patent/CN116956229A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8195427B2 (en) | Methods and systems for high sigma yield estimation using reduced dimensionality | |
| US8219355B2 (en) | Methods and systems for high sigma yield estimation | |
| CN110020427B (zh) | 策略确定方法和装置 | |
| US20210374582A1 (en) | Enhanced Techniques For Bias Analysis | |
| Song et al. | A three-parameter fault-detection software reliability model with the uncertainty of operating environments | |
| Mirestean et al. | Growth determinants revisited using limited‐information Bayesian model averaging | |
| US8813009B1 (en) | Computing device mismatch variation contributions | |
| Mohamed et al. | Inference on constant-stress accelerated life testing based on geometric process for extension of the exponential distribution under type-II progressive censoring | |
| Tian et al. | Specifying prior distributions in reliability applications | |
| US20120010829A1 (en) | Fault diagnosis method, fault diagnosis apparatus, and computer-readable storage medium | |
| US11928411B2 (en) | Machine learning-based integrated circuit test case selection for timing analysis | |
| CN117648895B (zh) | 失效分析方法及装置、计算机可读存储介质、终端 | |
| EP3876118A1 (en) | Automatic adjustment of replica exchange | |
| CN112765827A (zh) | 一种功能相关系统的可靠性分析方法 | |
| CN116956229A (zh) | 航天器剩余寿命预测方法、装置、电子设备及存储介质 | |
| Choudhary et al. | Efficient parameter estimation of software reliability growth models using harmony search | |
| CN116186888B (zh) | 航天器健康状态量化评估方法、装置、电子设备及介质 | |
| CN112101024A (zh) | 基于app信息的目标对象识别系统 | |
| Evans et al. | Measuring statistical evidence and multiple testing | |
| Pontes et al. | The suitability of the spr-mp method to evaluate the reliability of logic circuits | |
| CN114529001B (zh) | 量子算法的指标评估方法、装置、终端及存储介质 | |
| CN113239655B (zh) | 半导体电路的约束确定系统和方法 | |
| CN113255933A (zh) | 特征工程和图网络生成方法和装置、分布式系统 | |
| CN117561502A (zh) | 一种确定失效原因的方法及装置 | |
| JP6625507B2 (ja) | 対応付け装置、対応付け方法及びプログラム |
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 |