CN109101751A - 一种基于信息融合的动量轮可靠性评估方法 - Google Patents
一种基于信息融合的动量轮可靠性评估方法 Download PDFInfo
- Publication number
- CN109101751A CN109101751A CN201811000960.2A CN201811000960A CN109101751A CN 109101751 A CN109101751 A CN 109101751A CN 201811000960 A CN201811000960 A CN 201811000960A CN 109101751 A CN109101751 A CN 109101751A
- Authority
- CN
- China
- Prior art keywords
- momenttum wheel
- information
- likelihood function
- reliability
- parameter
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于信息融合的动量轮可靠性评估方法。本发明通过分析性能参数受外界环境影响的大小,选取受外界环境影响较小的润滑***的剩余油量作为关键性能指标,通过退化数据分析建立合适的退化模型,根据退化模型的性质构建联合似然函数,从而成功地将性能退化数据信息和少量的样本寿命信息融合,运用极大似然估计法完成退化模型中的参数估计,最后在融合信息的基础上完成对动量轮的可靠性评估。本发明在对动量轮的可靠性评估中充分利用了多源信息,提高了评估结果的稳健性。
Description
技术领域
本发明涉及可靠性分析技术领域,具体涉及一种基于信息融合的动量轮可靠性评估方法。
背景技术
动量轮是卫星姿态控制***中一种重要的惯性执行机构,其可靠性在很大程度上决定着整星的可靠性,对其进行可靠性评估意义深远。然而,动量轮由于可靠性高、寿命长、样本小、失效机理复杂等原因,传统的可靠性评估方法难以适用,现有的对动量轮的可靠性评估大多从性能退化的角度着手,通过分析退化数据从而建立合适的退化模型,然后通过外推的手段达到可靠性评估的目的。然而这种方法虽然能够有效利用性能退化数据,但不能充分利用通过试验收集到的少量的寿命信息。
动量轮是一种长寿命产品,其失效与其性能退化有着密切的关系。现有研究表明,动量轮的失效与轴承温度、润滑***剩余油量、微振动、电流、转速等因素有关。现有的对动量轮的可靠性评估方法大多选取轴温或轴系电流为动量轮的性能退化关键性能参数,通过建立退化模型并外推的方法来实现对其可靠性的评估。由于在运转过程中卫星与太阳的距离是以时间为周期变化的,卫星在不同位置所受到的太阳辐射强度是不同的,最终会影响到动量轮各个部位所测量到的温度,导致选用温度作为退化量时可能使预测失准。由于动量轮在运转过程中轴系电流数据较小,在测量噪声较大时会将真实电流淹没使得真实电流数据难以获得,进而导致预测失准。相比于轴温和轴系电流,动量轮润滑***的剩余油量受外界干扰较小,动量轮润滑***剩余油量直接影响轴温和轴系电流,是动量轮性能的一个重要参考指标。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于信息融合的动量轮可靠性评估方法解决了动量轮可靠性分析信息运用不充分的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于信息融合的动量轮可靠性评估方法,包括以下步骤:
S1、分析动量轮的性能失效机理,确定动量轮的关键性能退化参数;
S2、采集动量轮的多源信息,根据关键性能退化参数的退化数据信息建立退化模型;
所述动量轮的多源信息包括关键性能退化参数的退化数据信息和寿命数据信息;
S3、根据退化模型构建联合似然函数;
S4、根据联合似然函数对退化模型中的参数进行估计,得到参数估计值;
S5、构建动量轮的可靠度函数并根据参数估计值求解可靠度函数,完成动量轮可靠性评估。
进一步地:所述步骤S1中动量轮的关键性能退化参数为动量轮润滑***的剩余油量。
进一步地:所述步骤S2具体包括以下步骤:
S21、采集动量轮的关键性能退化参数的退化数据信息和寿命数据信息;
S22、分析退化数据,选择合适的退化模型,并构建该退化模型。
进一步地:所述步骤S3具体包括以下步骤:
S31、构建动量轮的性能退化数据的似然函数;
S32、根据退化模型构建动量轮的寿命数据的似然函数;
S33、通过性能退化数据的似然函数和寿命数据的似然函数的乘积构建联合似然函数。
进一步地:所述步骤S4具体包括以下步骤:
S41、对联合似然函数求对数,得到联合对数似然函数;
S42、根据联合对数似然函数构建参数方程组,并求解方程组,得到参数估计值。
本发明的有益效果为:本发明通过分析性能参数受外界环境影响的大小,选取受外界环境影响较小的润滑***的剩余油量作为关键性能指标,通过退化数据分析建立合适的退化模型,并根据退化模型的性质构建联合似然函数,从而成功地将性能退化数据信息和少量的样本寿命信息融合,运用极大似然估计法完成退化模型中的参数估计,最后在融合信息的基础上完成对动量轮的可靠性评估。本发明在对动量轮的可靠性评估中充分利用了多源信息,提高了评估结果的稳健性。
附图说明
图1为本发明流程图;
图2为本发明实施例中得到的可靠度函数图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明。但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种基于信息融合的动量轮可靠性评估方法,包括以下步骤:
S1、分析动量轮的性能失效机理,确定动量轮的关键性能退化参数。
动量轮的失效与众多因素有关,如轴承温度、润滑***、微振动、电流、转速等。现有的对动量轮的可靠性评估方法大多选取轴温或轴系电流为动量轮的性能退化关键性能参数,通过建立退化模型并用外推的方法来实现对其可靠性的评估。由于在运转过程中卫星与太阳的距离是周期性变化的,卫星在不同位置所受到的太阳辐射强度是不同的,最终会影响到动量轮各个部位所测量到的温度,从而使得用轴温作为性能退化指标进行动量轮可靠性评估可能会失准。由于动量轮在运转过程中轴系电流数据较小,在测量噪声较大时真实电流会被噪声淹没,难以获得真实电流数据,进而导致预测失准。相比于轴温和轴系电流,动量轮润滑***的剩余油量受外界干扰较小,动量轮润滑***剩余油量直接影响轴温和轴系电流,是动量轮性能的一个重要参考指标,故本发明选取动量轮润滑***的剩余油量作为关键性能参数。
S2、采集动量轮的多源信息,多源信息包括关键性能退化参数的退化数据信息和寿命数据信息,根据关键性能退化参数的退化数据信息建立退化模型,具体包括以下步骤:
S21、采集动量轮的关键性能退化参数的退化数据信息和寿命数据信息。
在本发明实施例中,收集动量轮的退化信息为动量轮润滑***的剩余油量,如表1所示。
表1
对收集到的退化数据信息进行处理,转化为退化量信息,在本发明实施例中,即将动量轮润滑***剩余油量转换为动量轮润滑***剩余油量的退化量,动量轮润滑***剩余油量的退化量如表2所示。
表2
在本发明实施例中,收集的少量寿命信息为5个动量轮的寿命数据,分别为116个月、112个月、218个月、64个月和144个月。
S22、分析退化数据,选择合适的退化模型,并构建该退化模型。
通过分析表2中的数据,发现性能退化数据有线性单调递减的趋势,且具有一定的波动性。根据维纳过程的性质知,维纳过程不具有严格单调性,适合于具有一定波动性的性能退化数据的建模,且维纳过程在退化建模中应用广泛,动量轮的性能退化数据正好符合维纳过程的性质,故选用维纳过程作为退化模型:
Y(t)=μt+σB(t)
上式中,Y(t)为退化量,μ为漂移系数,σ为扩散系数,B(t)为布朗运动函数。
S3、根据退化模型构建联合似然函数,具体包括以下步骤:
S31、构建动量轮的性能退化数据的似然函数,具体步骤为:
将动量轮的性能退化量表示为如下形式:
上式中,M为参与性能退化实验的样本量,ni为第i个动量轮共测量的次数;tij为第i个动量轮第j次测量的时刻;y(tij)为第i个动量轮在第tij时刻所测量的动量轮剩余润滑***的退化量。
根据维纳过程的性质,Δyij=y(ti,j+1)-y(ti,j)(i=1,2…M,i=1,2,…,ni)服从正太分布N(uΔtij,σ2Δtij),其中Δtij=ti,j-ti,j-1,故可以得到动量轮的性能退化数据的似然函数L1(μ,σ)为:
S32、根据退化模型构建动量轮的寿命数据的似然函数,具体步骤为:
将收集到的动量轮寿命数据T表示成如下形式:
T={t1,t1…tk…tL}
上式中,L为寿命数据样本量,tk为第k个动量轮的寿命。
根据首达时间(First Hitting Time,FHT)的概念定义产品的寿命,即产品的寿命定义为退化过程首次达到失效阈值Df的时间,表达公式为:
T=inf{t|Y(t)≥Df,t≥0}
在本发明实施例中,失效阈值Df的取值为4.999。
根据维纳过程的性质和退化数据的特点,动量轮的寿命服从逆高斯分布,故寿命T的分布函数FT为:
上式中,为标准正态分布函数,并令FT对t求导,得到动量轮的寿命T的概率密度函数fT(t):
由维纳过程的性质,推出动量轮的寿命T的概率分布密度函数,进而可以得到动量轮的寿命数据的似然函数L2(μ,σ):
S33、通过性能退化数据的似然函数和寿命数据的似然函数的乘积构建联合似然函数L(μ,σ):
S4、根据联合似然函数对退化模型中的参数进行估计,得到参数估计值,具体包括以下步骤:
S41、对联合似然函数求对数,得到联合对数似然函数ln(L):
S42、根据联合对数似然函数构建参数方程组,并求解方程组,得到参数估计值。
联合对数函数分别对μ、σ求偏导,并令其等于0,得到以下方程组:
求解该方程组得到μ和σ的估计值和
在本发明实施例中,
S5、构建动量轮的可靠度函数R(t)并根据参数估计值求解可靠度函数,完成动量轮可靠性评估:
代入Df、和的值,可得:
绘动量轮的可靠度函数图,如图2所示。
从图2可以看出,动量轮的可靠度随时间的增加逐渐减小,在100个月时动量轮可靠度急剧减小,这与工程实际相符合,证明了本发明所提方法的正确性。通过所求得的可靠度函数可以计算动量轮第8年的可靠度为R(96)=0.9078,而设计要求是动量轮运行8年后的最低可靠度为0.9,评估结果表明该动量轮满足设计要求。
Claims (5)
1.一种基于信息融合的动量轮可靠性评估方法,其特征在于,包括以下步骤:
S1、分析动量轮的性能失效机理,确定动量轮的关键性能退化参数;
S2、采集动量轮的多源信息,根据关键性能退化参数的退化数据信息建立退化模型;
所述动量轮的多源信息包括关键性能退化参数的退化数据信息和寿命数据信息;
S3、根据退化模型构建联合似然函数;
S4、根据联合似然函数对退化模型中的参数进行估计,得到参数估计值;
S5、构建动量轮的可靠度函数并根据参数估计值求解可靠度函数,完成动量轮可靠性评估。
2.根据权利要求1所述的基于信息融合的动量轮可靠性评估方法,其特征在于,所述步骤S1中动量轮的关键性能退化参数为动量轮润滑***的剩余油量。
3.根据权利要求1所述的基于信息融合的动量轮可靠性评估方法,其特征在于,所述步骤S2具体包括以下步骤:
S21、采集动量轮的关键性能退化参数的退化数据信息和寿命数据信息;
S22、分析退化数据,选择合适的退化模型,并构建该退化模型。
4.根据权利要求1所述的基于信息融合的动量轮可靠性评估方法,其特征在于,所述步骤S3具体包括以下步骤:
S31、构建动量轮的性能退化数据的似然函数;
S32、根据退化模型构建动量轮的寿命数据的似然函数;
S33、通过性能退化数据的似然函数和寿命数据的似然函数的乘积构建联合似然函数。
5.根据权利要求1所述的基于信息融合的动量轮可靠性评估方法,其特征在于,所述步骤S4具体包括以下步骤:
S41、对联合似然函数求对数,得到联合对数似然函数;
S42、根据联合对数似然函数构建参数方程组,并求解方程组,得到参数估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811000960.2A CN109101751B (zh) | 2018-08-30 | 2018-08-30 | 一种基于信息融合的动量轮可靠性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811000960.2A CN109101751B (zh) | 2018-08-30 | 2018-08-30 | 一种基于信息融合的动量轮可靠性评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109101751A true CN109101751A (zh) | 2018-12-28 |
CN109101751B CN109101751B (zh) | 2021-01-26 |
Family
ID=64864286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811000960.2A Expired - Fee Related CN109101751B (zh) | 2018-08-30 | 2018-08-30 | 一种基于信息融合的动量轮可靠性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109101751B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110134090A (zh) * | 2019-05-23 | 2019-08-16 | 电子科技大学 | 融合多源信息的工业机器人控制***可靠性评估方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106484949A (zh) * | 2016-09-12 | 2017-03-08 | 西安理工大学 | 基于退化数据的动量轮可靠性分析与剩余寿命预测方法 |
CN107766628A (zh) * | 2017-09-29 | 2018-03-06 | 北京航空航天大学 | 一种基于寿命信息融合的动态退化可靠性评估方法 |
-
2018
- 2018-08-30 CN CN201811000960.2A patent/CN109101751B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106484949A (zh) * | 2016-09-12 | 2017-03-08 | 西安理工大学 | 基于退化数据的动量轮可靠性分析与剩余寿命预测方法 |
CN107766628A (zh) * | 2017-09-29 | 2018-03-06 | 北京航空航天大学 | 一种基于寿命信息融合的动态退化可靠性评估方法 |
Non-Patent Citations (4)
Title |
---|
GUANG JIN,ET AL.: "Physics of failure-based degradation modeling and lifetime prediction of the momentum wheel in a dynamic covariate environment", 《ENGINEERING FAILURE ANALYSIS》 * |
SHIQI LIU,ET AL.: "Residual life estimation by fusing few failure lifetime and degradation data from real-time updating", 《2017 IEEE INTERNATIONAL CONFERENCE ON SOFTWARE QUALITY》 * |
刘强 等: "基于失效物理的动量轮贝叶斯可靠性评估", 《航空学报》 * |
蔡忠义 等: "考虑随机退化和信息融合的剩余寿命预测方法", 《上海交通大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110134090A (zh) * | 2019-05-23 | 2019-08-16 | 电子科技大学 | 融合多源信息的工业机器人控制***可靠性评估方法 |
CN110134090B (zh) * | 2019-05-23 | 2020-09-29 | 电子科技大学 | 融合多源信息的工业机器人控制***可靠性评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109101751B (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qazi et al. | The artificial neural network for solar radiation prediction and designing solar systems: a systematic literature review | |
Kassem et al. | A value tree for identification of evaluation criteria for solar thermal power technologies in developing countries | |
CN110556820B (zh) | 用于确定能量***操作场景的方法和设备 | |
CN107238765A (zh) | 基于加速性能退化参数的led集成驱动电源可靠性分析方法 | |
Jiang et al. | Day‐ahead renewable scenario forecasts based on generative adversarial networks | |
CN111695736A (zh) | 一种基于多模型融合的光伏发电短期功率预测方法 | |
CN115965177A (zh) | 基于注意力机制改进的自回归误差补偿风电功率预测方法 | |
Nelega et al. | Prediction of power generation of a photovoltaic power plant based on neural networks | |
CN103559414B (zh) | 一种基于阿伦尼斯模型的环境因子点估计方法 | |
CN109101751A (zh) | 一种基于信息融合的动量轮可靠性评估方法 | |
CN116544934B (zh) | 根据电力负荷预测的电力调度方法及*** | |
CN113642255A (zh) | 基于多尺度卷积循环神经网络的光伏发电功率预测方法 | |
Yang et al. | Bayesian-based information extraction and aggregation approach for multilevel systems with multi-source data | |
CN105160166A (zh) | 一种光伏阵列状态判断方法 | |
CN110059972B (zh) | 基于泛函深度信念网络的日太阳辐射资源评估方法 | |
CN103018383B (zh) | 一种油色谱在线监测噪声数据校正方法 | |
CN116613732A (zh) | 一种基于shap值选择策略的多元负荷预测方法及*** | |
CN115587664A (zh) | 基于图卷积长短期记忆网络的太阳辐射预测方法及*** | |
CN115296298A (zh) | 一种风电场功率预测方法 | |
CN115048863A (zh) | 一种光伏阵列在线建模方法 | |
Peruchena et al. | A clustering approach for the analysis of solar energy yields: A case study for concentrating solar thermal power plants | |
CN109800923B (zh) | 一种分散式风力发电短期功率组合预测方法 | |
Sari et al. | Global Solar Radiation Forecasting with Artificial Neural Networks | |
Ogliari et al. | Photovoltaic plant output power forecast by means of hybrid artificial neural networks | |
Lo et al. | PV Panel Model Parameter Estimation by Using Neural Network |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210126 Termination date: 20210830 |
|
CF01 | Termination of patent right due to non-payment of annual fee |