CN118194503A - 一种飞行器的寿命预测方法、装置、设备及存储介质 - Google Patents
一种飞行器的寿命预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN118194503A CN118194503A CN202311605427.XA CN202311605427A CN118194503A CN 118194503 A CN118194503 A CN 118194503A CN 202311605427 A CN202311605427 A CN 202311605427A CN 118194503 A CN118194503 A CN 118194503A
- Authority
- CN
- China
- Prior art keywords
- reliability
- prediction
- parameters
- aircraft
- model
- 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 46
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000012937 correction Methods 0.000 claims abstract description 94
- 238000012360 testing method Methods 0.000 claims abstract description 86
- 238000011156 evaluation Methods 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000004088 simulation Methods 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 18
- 230000002596 correlated effect Effects 0.000 claims description 7
- 230000015556 catabolic process Effects 0.000 abstract description 7
- 238000006731 degradation reaction Methods 0.000 abstract description 7
- 230000008859 change Effects 0.000 abstract description 2
- 239000013598 vector Substances 0.000 description 14
- 230000006870 function Effects 0.000 description 8
- 230000036541 health Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的飞行器的寿命预测方法、装置、设备及存储介质。该方法通过输入所述飞行器实时飞行数据到所述飞行器数据模拟模型,生成用于飞行器寿命预测的寿命预测参数和寿命预测状态参数;将所述寿命预测参数分别输入到可靠性预测模型和可靠性试验修正模型,输出得到可靠性预测参数和可靠性试验修正参数;将所述可靠性预测参数和可靠性试验修正参数输入到可靠性评估预测模型,输出得到可靠性评估预测参数;将所述寿命预测状态参数和可靠性评估预测参数输入到可靠性在线计算模型,计算得到所述飞行器的寿命预测值。能够及时预测飞行器的寿命,实现自动化的、实时监督飞行器系统劣化的变化趋势。
Description
技术领域
本发明属于飞行器健康寿命预测技术领域,特别涉及一种飞行器的寿命预测方法、装置、设备及存储介质。
背景技术
对于飞行器控制系统而言,状态监测与早期故障诊断是基于监测点瞬时数据来进行研究。由于控制系统日趋复杂,很难了解系统的行为特征,为了解决目前广泛使用的状态监测与故障诊断的固有缺陷——故障发生后,使用事后补救的方式进行飞行器控制系统容错处理,为了实现对系统未来的运行状态和发展趋势做出估计,防止灾难性故障的发生,需利用控制系统的历史信息和动态信息,因此迫切需要有效的健康预测方法来监督控制系统劣化的变化趋势。
发明内容
本发明克服了现有技术的不足之一,提供了一种飞行器的寿命预测方法、装置、设备及存储介质,能够实现自动化的、实时监督飞行器系统劣化的变化趋势。
根据本公开的一方面,提出了一种飞行器的寿命预测方法,所述方法包括:
输入所述飞行器实时飞行数据到所述飞行器数据模拟模型,生成用于飞行器寿命预测的寿命预测参数和寿命预测状态参数;
将所述寿命预测参数分别输入到可靠性预测模型和可靠性试验修正模型,输出得到可靠性预测参数和可靠性试验修正参数;
将所述可靠性预测参数和可靠性试验修正参数输入到可靠性评估预测模型,输出得到可靠性评估预测参数;
将所述寿命预测状态参数和可靠性评估预测参数输入到可靠性在线计算模型,计算得到所述飞行器的寿命预测值。
在一种可能的实现方式中,所述可靠性试验修正模型包括关联故障修正模型和非关联故障修正模型;所述可靠性试验修正参数包括关联故障试验修正参数和非关联故障试验修正参数。
在一种可能的实现方式中,当所述关联故障试验修正参数或非关联故障试验修正参数满足可靠性评估预测要求时,将所述关联故障试验修正参数或非关联故障试验修正参数输入到所述可靠性评估预测模型。
在一种可能的实现方式中,还包括:当所述关联故障试验修正参数或非关联故障试验修正参数不满足可靠性评估预测要求时,将所述关联故障试验修正参数或非关联故障试验修正参数转换为所述关联故障试验修正参数的等效数据或非关联故障试验修正参数的等效数据,将所述关联故障试验修正参数的等效数据或非关联故障试验修正参数的等效数据输入到所述可靠性评估预测模型。
在一种可能的实现方式中,所述可靠性预测模型基于RNN网络模型和LSTM网络模型的数据集训练得到。
根据本公开的一方面,提出了一种飞行器的寿命预测装置,所述装置包括:
输入模块,用于输入所述飞行器实时飞行数据到所述飞行器数据模拟模型,生成用于飞行器寿命预测的寿命预测参数和寿命预测状态参数;
可靠性预测试验修正模块,用于将所述寿命预测参数分别输入到可靠性预测模型和可靠性试验修正模型,输出得到可靠性预测参数和可靠性试验修正参数;
可靠性评估模块,用于将所述可靠性预测参数和可靠性试验修正参数输入到可靠性评估预测模型,输出得到可靠性评估预测参数;
寿命预测模块,用于将所述寿命预测状态参数和可靠性评估预测参数输入到可靠性在线计算模型,计算得到所述飞行器的寿命预测值。
根据本公开的一方面,提出了一种电子设备,所述设备包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上所述的方法。
根据本公开的一方面,提出了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的方法。
本公开的飞行器的寿命预测方法,通过输入所述飞行器实时飞行数据到所述飞行器数据模拟模型,生成用于飞行器寿命预测的寿命预测参数和寿命预测状态参数;将所述寿命预测参数分别输入到可靠性预测模型和可靠性试验修正模型,输出得到可靠性预测参数和可靠性试验修正参数;将所述可靠性预测参数和可靠性试验修正参数输入到可靠性评估预测模型,输出得到可靠性评估预测参数;将所述寿命预测状态参数和可靠性评估预测参数输入到可靠性在线计算模型,计算得到所述飞行器的寿命预测值。能够及时预测飞行器的寿命,实现自动化的、实时监督飞行器系统劣化的变化趋势。
附图说明
附图用来提供对本申请的技术方案或现有技术的进一步理解,并且构成说明书的一部分。其中,表达本申请实施例的附图与本申请的实施例一起用于解释本申请的技术方案,但并不构成对本申请技术方案的限制。
图1示出了根据本公开一实施例的飞行器的寿命预测方法流程图;
图2示出了根据本公开另一实施例的飞行器的寿命预测方法流程图;
图3示出了根据本公开一实施例的飞行器的寿命预测装置结构图;
图4是本申请实施例提供的电子设备的结构示意图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式,借此对本发明如何应用技术手段来解决技术问题,并达到相应技术效果的实现过程能充分理解并据以实施。本申请实施例以及实施例中的各个特征,在不相冲突前提下可以相互结合,所形成的技术方案均在本发明的保护范围之内。
另外,附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机中执行。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1和图2分别示出了根据本公开一实施例的飞行器的寿命预测方法流程图;如图1所示,该方法可以包括:
步骤S1:输入所述飞行器实时飞行数据到所述飞行器数据模拟模型,生成用于飞行器寿命预测的寿命预测参数xi和寿命预测状态参数at。
其中,行器实时飞行数据可以包括飞行器发射数据、飞行器发射的环境数据、飞行器故障数据等。通过该方法可以将飞行器实时产生的工程问题抽象为数学问题,通过对上述数据进行处理,利用人工智能方法监测飞行器实时健康度,做到故障预判,实现容错功能。
步骤S2:将所述寿命预测参数xi分别输入到可靠性预测模型和可靠性试验修正模型,输出得到可靠性预测参数和可靠性试验修正参数/>
其中,可靠性试验修正模型中按故障发生的原因分类引入修正模型,分为关联故障和非关联故障模型,即可靠性试验修正模型可以包括关联故障修正模型和非关联故障修正模型,则可靠性试验修正参数包括关联故障试验修正参数和非关联故障试验修正参数。其中,关联故障试验修正参数还可以被称为寿命型参数(Ts,rs),非关联故障试验修正参数被称为成败型参数(ns,fs)。成败型参数和寿命型参数还包括直接性数据和等效数据,其中直接性数据是飞行器的飞行环境相对安全时的数据。
关联故障是由受试产品本身故障,而不是外部条件引起的故障,也不是非规定的试验条件引起的故障。例如设计缺陷或制造工艺缺陷造成的故障;零部件及元器件缺陷造成的故障;耗损件在寿命周期内发生的故障;故障原因不明的故障等等,均为关联故障。凡不是由受试产品本身引起的所有故障,统称为非关联故障。例如产品试验过程中,由于安装不当造成的故障;试验设备、监视设备发生的故障,以及由此引起的受试产品的故障;试验或使用中由于意外事故或误操作引起的故障;由其它产品引起的从属故障;由试验程序、规程等方面的错误引起的故障;同一部件第二次或相继出现的间歇故障;在筛选、寻找故障、修复验证或正常维护调整中发生的故障;由于超过设计要求的过应力所造成的故障;超寿命期工作时出现的故障;批准的试验程序中明确的其它非关联故障等等均为非关联故障。当满足经历故障分析、采取了相应有效的纠正措施,并有足够的证据证明纠正措施对消除故障完全有效;或已得到订购方对故障进行重新分类的批准的条件时,已判定为关联故障的可以重新判定为非关联故障。
其它任何系统的非独立故障引起的失败或故障故障判据根据所评估的可靠性参数的不同而有所区别。对于基本可靠性参数,凡是关联故障都应记入,对于任务可靠性参数,只记入会导致任务失败的关联故障。
在一示例中,可靠性预测模型基于RNN网络模型和LSTM网络模型的数据集训练得到,可靠性预测模型可以包括输入层、编码层、attention层(注意力机制层)、融合层以及输出层。
其中,输入层:对每一时刻输入的寿命预测参数xi进行归一化处理,得到归一化的浮点数向量作为编码层的输入;
编码层:将输入层输出的归一化浮点数向量,经过GRU预测模型编码,得到编码输出hi=gru(xi,si-1)和si=gru(xi,si-1);
attention层:通过获得attention向量ri,
其中,权重则va,Wa,Ua为预设参数。
融合层:将编码层输出Si和在位置i处的attention向量ri进行拼接,形成然后将向量qi经过gru编码,得到向量mi,向量mi作为输入xi的高维表示;
输出层:将向量mi,经过预设的共享权重矩阵Wm,y映射到Rk向量空间,得到输出
通过基于RNN网络模型和LSTM网络模型的数据集训练得到可靠性预测模型,使预测模型对于飞行器决策控制具有良好的非线性时延序列预测效果,具有防止提督弥散的功能,运行速率是传统算法的几十倍,在运动跟踪控制中由于控制周期短,能够使预测模型对于飞行器决策控制具有良好的非线性时延序列预测效果,具有防止提督弥散的功能,运行速率是传统算法的几十倍,在运动跟踪控制中由于控制周期短,本方法可满足飞行器高实时性要求。
在一示例中,将寿命预测参数xi分别输入到可靠性试验修正模型(灰色预测模型),输出得到可靠性试验修正参数,具体如下:
步骤P1:设原始数列X(0)为:
X(0)={x(0)(i)=xi,xi≥0,i=1,2,...n}或X(0)={x(0)(i)=0,xi<0,i=1,2,...n},
步骤P2:对原始数列X(0)进行一次累加生成序列X(1):
步骤P3:计算可靠性试验修正模型(灰色预测模型)GM(1,1)模型的背景值:
z(i+1)=0.5×(x(1)(i+1)+x(1)(i)),i=1,2,…n;
步骤P4:根据一阶灰色模型方程:设/>
参数序列为:由最小二乘法得参数估计值:
步骤P5:通过步骤P1-P4得到可靠性试验修正模型(灰色预测模型)的解为:
步骤P6:取x(1)(0)=x(0)(0),则建立基于灰色模型的预测模型为:
其中为原始数据序列x(0)(i)的拟合值,也即/>为原始数据序列x(0)(i)的预测值,灰色预测模型GM(1,1)中的参数a为发展系数,b为灰作用量。
本模型在处理过程中可靠性试验修正模型(灰色预测模型)GM(1,1)模型的模型参数(a,b)是在线自适应改变的,规避了传统的灰色模型适用于短周期故障预测的局限性。在给定预测维数m的情况下,选择数据序列{x(0)(l),…,x(0)(m)}建立可靠性试验修正模型(灰色预测模型)GM(l,l)预测出数据再选择数据序列{x(0)(1),…,x(0)(m+l)}建立GM(l,l)预测数据/>依次类推,这样每预测一次数据就要建立新的模型(即重算a、b参数),使得模型参数是在线可变,具有一定的自适应性。
步骤S3:将可靠性预测参数和可靠性试验修正参数/>输入到可靠性评估预测模型,输出得到可靠性评估预测参数/>
具体过程如下:设d(1),d(2),…d(n)为历史时延序列,利用历史时延数据对d(n+1)进行预测,与/>分别为基于RNN网络模型和LSTM网络模型的数据集正样本训练得到输出以及基于可靠性试验修正模型(灰色预测模型)输出,/>为组合模型的输出,建立组合预测模型为:
通过确定最佳权重系数γ实现最佳的组合预测模型,设有如下的误差序列:求取各个误差序列的方差为:
D(e)=γ2D(e1)+(1-γ2)D(e2)+2γ(1-γ)Vc(e1,e2),
求解可使方差D(e)最小,则
当γ=γbest时,即可满足组合预测模型其预测误差序列的方差为0。
在一示例中,当所述关联故障试验修正参数或非关联故障试验修正参数满足可靠性评估预测要求时,将所述关联故障试验修正参数或非关联故障试验修正参数输入到所述可靠性评估预测模型。
当所述关联故障试验修正参数或非关联故障试验修正参数不满足可靠性评估预测要求时,将所述关联故障试验修正参数或非关联故障试验修正参数转换为所述关联故障试验修正参数的等效数据或非关联故障试验修正参数的等效数据,将所述关联故障试验修正参数的等效数据或非关联故障试验修正参数的等效数据输入到所述可靠性评估预测模型。
例如,若关联故障试验修正参数或非关联故障试验修正参数(直接数据)不能满足可靠性评估要求,则需要进行数据等效,此时需引入环境因子k。
非关联故障试验修正参数(成败型数据)为:
关联故障试验修正参数(寿命型数据)为:
其中,k为环境因子。
已知系统各组成单元的非关联故障试验修正参数(成败型数据)(ni,fi),系统等效非关联故障试验修正参数(成败型数据)按下面公式计算:
其中,系统的总样本量为ns+n*,总故障次数为ns-ss+f*。
对于关联故障试验修正参数(寿命型数据),可以通过下面公式进行转换为非关联故障试验修正参数(成败型数据),再按非关联故障试验修正参数(成败型数据)的方法进行评估。
其中,为产品的可靠度点,RL,i为可靠度置信下限,/>为转换后的非关联故障试验修正参数(成败型数据)。
通过组合预测模型(可靠性评估预测模型)的设计,当飞行器发生故障时,该模型的预测值与实际输出值的差值将会出现异常,该差值作为强化学习网络回报函数中的惩罚项,从而解决了传统多控制模型难以做到的提前预知系统的故障问题,并进一步提高了飞行器控制的决策能力。
步骤S4:将寿命预测状态参数at和可靠性评估预测参数输入到可靠性在线计算模型,计算得到飞行器的寿命预测值。
具体计算过程如下:
步骤Q1:计算可靠性评估预测参数的任意两个向量ai和aj的标准间距均值σN,用于量化向量分布范围:
N为可靠性评估预测参数输中向量的个数。
步骤Q2:将实时获取的寿命预测状态参数at计算与可靠性评估预测参数中的任意向量ai的外部距离σt均值:
σt为样本退化间距,用于表征寿命预测状态参数at与正常状态样本特征空间的距离,反映此时刻系统或设备的退化程度。
步骤Q3:计算健康度Ht:
健康度Ht范围为0-100,健康度数值越接近100则飞行器系统运行越稳定,健康度数值变小则说明系统在退化。
本公开的飞行器的寿命预测方法与现有技术相比带来的有益效果为:
本发明中多模式系统可靠性预计方法,通过学习大量正确的样本,在实际应用中对加以区分,在缩小了需要训练的样本数量的条件下,缩小了在线可靠性计算模型训练时间,且无模型准确率的损失。在原有的模型上加入了Attention的思想,打破传统编码器-解码器结构在编解码时都依赖于内部一个固定长度向量的限制。At通过tention机制保留LSTM编码器对输入序列的中间输出结果,选择性的学习并且在模型输出时将输出序列与之进行关联。能够实现多模可靠性预计,实现对飞行器寿命实现有效评估;对不同元器件及模块层面的规划,实现对多模式系统的寿命贡献;对协调系统级应用层面的设计,实现对预期深空探测,深海长期服役的寿命服务。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
图3示出了根据本公开一实施例的飞行器的寿命预测装置结构图;如图3所示,该寿命预测装置可以包括:
输入模块301,用于输入所述飞行器实时飞行数据到所述飞行器数据模拟模型,生成用于飞行器寿命预测的寿命预测参数和寿命预测状态参数;
可靠性预测试验修正模块302,用于将所述寿命预测参数分别输入到可靠性预测模型和可靠性试验修正模型,输出得到可靠性预测参数和可靠性试验修正参数;
可靠性评估模块303,用于将所述可靠性预测参数和可靠性试验修正参数输入到可靠性评估预测模型,输出得到可靠性评估预测参数;
寿命预测模块304,用于将所述寿命预测状态参数和可靠性评估预测参数输入到可靠性在线计算模型,计算得到所述飞行器的寿命预测值。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
图4是本申请实施例提供的电子设备3的结构示意图。如图4所示,该实施例的电子设备3包括:处理器301、存储器302以及存储在该存储器302中并且可以在处理器301上运行的计算机程序303。处理器301执行计算机程序303时实现上述各个方法实施例中的步骤。或者,处理器301执行计算机程序303时实现上述各装置实施例中各模块/单元的功能。
示例性地,计算机程序303可以被分割成一个或多个模块/单元,一个或多个模块/单元被存储在存储器302中,并由处理器301执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序303在电子设备3中的执行过程。
电子设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备3可以包括但不仅限于处理器301和存储器302。本领域技术人员可以理解,图4仅仅是电子设备3的示例,并不构成对电子设备3的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如,电子设备还可以包括输入输出设备、网络接入设备、总线等。
处理器301可以是中央处理单元(Central Processing Unit,CPU),也可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器302可以是电子设备3的内部存储单元,例如,电子设备3的硬盘或内存。存储器302也可以是电子设备3的外部存储设备,例如,电子设备3上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器302还可以既包括电子设备3的内部存储单元也包括外部存储设备。存储器302用于存储计算机程序以及电子设备所需的其它程序和数据。存储器302还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所申请的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/计算机设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算机设备实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可以存储在计算机可读存储介质中,该计算机程序在被处理器执行时,可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如,在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (8)
1.一种飞行器的寿命预测方法,其特征在于,所述方法包括:
输入所述飞行器实时飞行数据到所述飞行器数据模拟模型,生成用于飞行器寿命预测的寿命预测参数和寿命预测状态参数;
将所述寿命预测参数分别输入到可靠性预测模型和可靠性试验修正模型,输出得到可靠性预测参数和可靠性试验修正参数;
将所述可靠性预测参数和可靠性试验修正参数输入到可靠性评估预测模型,输出得到可靠性评估预测参数;
将所述寿命预测状态参数和可靠性评估预测参数输入到可靠性在线计算模型,计算得到所述飞行器的寿命预测值。
2.根据权利要求1所述的飞行器的寿命预测方法,其特征在于,所述可靠性试验修正模型包括关联故障修正模型和非关联故障修正模型;所述可靠性试验修正参数包括关联故障试验修正参数和非关联故障试验修正参数。
3.根据权利要求2所述的飞行器的寿命预测方法,其特征在于,当所述关联故障试验修正参数或非关联故障试验修正参数满足可靠性评估预测要求时,将所述关联故障试验修正参数或非关联故障试验修正参数输入到所述可靠性评估预测模型。
4.根据权利要求2所述的飞行器的寿命预测方法,其特征在于,还包括:当所述关联故障试验修正参数或非关联故障试验修正参数不满足可靠性评估预测要求时,将所述关联故障试验修正参数或非关联故障试验修正参数转换为所述关联故障试验修正参数的等效数据或非关联故障试验修正参数的等效数据,将所述关联故障试验修正参数的等效数据或非关联故障试验修正参数的等效数据输入到所述可靠性评估预测模型。
5.根据权利要求1所述的飞行器的寿命预测方法,其特征在于,所述可靠性预测模型基于RNN网络模型和LSTM网络模型的数据集训练得到。
6.一种飞行器的寿命预测装置,其特征在于,所述装置包括:
输入模块,用于输入所述飞行器实时飞行数据到所述飞行器数据模拟模型,生成用于飞行器寿命预测的寿命预测参数和寿命预测状态参数;
可靠性预测试验修正模块,用于将所述寿命预测参数分别输入到可靠性预测模型和可靠性试验修正模型,输出得到可靠性预测参数和可靠性试验修正参数;
可靠性评估模块,用于将所述可靠性预测参数和可靠性试验修正参数输入到可靠性评估预测模型,输出得到可靠性评估预测参数;
寿命预测模块,用于将所述寿命预测状态参数和可靠性评估预测参数输入到可靠性在线计算模型,计算得到所述飞行器的寿命预测值。
7.一种电子设备,其特征在于,所述设备包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1至5中任一项所述的方法。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311605427.XA CN118194503A (zh) | 2023-11-29 | 2023-11-29 | 一种飞行器的寿命预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311605427.XA CN118194503A (zh) | 2023-11-29 | 2023-11-29 | 一种飞行器的寿命预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118194503A true CN118194503A (zh) | 2024-06-14 |
Family
ID=91395354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311605427.XA Pending CN118194503A (zh) | 2023-11-29 | 2023-11-29 | 一种飞行器的寿命预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118194503A (zh) |
-
2023
- 2023-11-29 CN CN202311605427.XA patent/CN118194503A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11334407B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
US11042145B2 (en) | Automatic health indicator learning using reinforcement learning for predictive maintenance | |
CN112449696B (zh) | 时序数据诊断装置、追加学习方法及程序 | |
CN110309537B (zh) | 一种飞行器的智能健康预测方法及系统 | |
US20210072740A1 (en) | Deep causality learning for event diagnosis on industrial time-series data | |
Mathew et al. | Regression kernel for prognostics with support vector machines | |
CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
WO2022009010A1 (en) | Model fidelity monitoring and regeneration for manufacturing process decision support | |
CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
CN109598047A (zh) | 一种变电设备寿期预测方法及系统 | |
CN114580087B (zh) | 一种船载设备的联邦剩余使用寿命预测方法、装置及系统 | |
CN110750455B (zh) | 基于系统日志分析的智能在线自更新故障诊断方法和系统 | |
CN111680407A (zh) | 一种基于高斯混合模型的卫星健康评估方法 | |
US12001180B2 (en) | Condition-based method for malfunction prediction | |
CN118194503A (zh) | 一种飞行器的寿命预测方法、装置、设备及存储介质 | |
CN116957534A (zh) | 一种预测智能电表更换数量的方法 | |
Xin et al. | Dynamic probabilistic model checking for sensor validation in Industry 4.0 applications | |
CN115456168B (zh) | 强化学习模型的训练方法、能耗确定方法和装置 | |
US20220187820A1 (en) | Predicting failures and monitoring an industrial machine using a machine learning process and reference information | |
CN118329128A (zh) | 一种远程智能加工用机电设备运行状态监控方法 | |
CN117270495A (zh) | 故障预测方法、装置、存储介质以及车辆 | |
CN116127829A (zh) | 基于多模态自注意力的机电作动器寿命预测方法及装置 | |
CN116720617A (zh) | 一种基于多层感知机的生产线失效预测方法和系统 | |
CN116166706A (zh) | 一种时序窗口确定方法、装置及电子设备 | |
CN117725360A (zh) | 一种基于无监督机器学习的温度变送器故障检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |