CN114692377A - 一种超高速低真空管道飞行器运维数据的处理方法及*** - Google Patents
一种超高速低真空管道飞行器运维数据的处理方法及*** Download PDFInfo
- Publication number
- CN114692377A CN114692377A CN202011629158.7A CN202011629158A CN114692377A CN 114692377 A CN114692377 A CN 114692377A CN 202011629158 A CN202011629158 A CN 202011629158A CN 114692377 A CN114692377 A CN 114692377A
- Authority
- CN
- China
- Prior art keywords
- data acquisition
- data
- real
- aircraft
- speed low
- 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
Images
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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
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 And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种超高速低真空管道飞行器运维数据的处理方法及***。方法包括:获取数据采集设备采集的超高速低真空管道飞行器的实时数据;将所述实时数据基于传递熵算法以计算第一相关指数,第一相关指数表征任意两个数据采集设备之间当前的因果关系的强弱程度;基于贝叶斯网络算法构建数据采集设备的实时关联图;所述实时关联图包括若干个第一相关指数的矩阵;比较所述实时关联图以及所述数据采集设备在正常状态下的正常关联图以判断所述飞行器是否故障和/或故障类型,故障类型包括:***性故障以及设备性故障。本发明可以表现数据间的交联关系,与正常关联图进行比较时还能区分***故障与数据采集设备故障,更便于对飞行器的运行维护。
Description
技术领域
本发明涉及超高速飞行器领域,具体涉及一种超高速低真空管道飞行器运维数据的处理方法及***。
背景技术
超高速低真空管道飞行器以1000km/h时速高速行驶时,处于电磁热力强耦合环境中,其工作环境极其复杂,设备状态无法直接评估,因此需要通过运维数据采集***进行状态数据采集以支撑飞行器设备的维修及健康管理工作。
但是,由于电磁热力强耦合环境的约束,运维***采集得到的设备数据有着数据量大、数据噪声强、数据耦合严重等特点,采用传统的运维数据采集***采集数据存在质量低下的问题,严重制约了运维工作的开展。而且,现如今的数据自检方法往往通过单变量数据的数值区间进行异常值筛除以提升数据质量,不具备区分***级故障导致数据异常还是数据采集设备故障导致数据异常的能力,数据质量增强能力有限,存在安全隐患。
因此急需具备自检能力以进行数据清洗工作的运维数据处理方法,达到提升数据质量的效果。
发明内容
鉴于上述超高速低真空管道飞行器的运维数据的采集不具备区分***级故障导致数据异常还是数据采集设备故障导致数据异常的能力的问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种超高速低真空管道飞行器运维数据的处理方法及***。
依据本发明的一个方面,提供一种超高速低真空管道飞行器运维数据的处理方法,所述方法包括:
获取数据采集设备采集的超高速低真空管道飞行器的实时数据;
将所述实时数据基于传递熵算法计算第一相关指数,所述第一相关指数表征任意两个数据采集设备之间当前的因果关系的强弱程度;
基于贝叶斯网络算法构建所述数据采集设备的实时关联图;所述实时关联图包括若干个第一相关指数的矩阵;
比较所述实时关联图以及所述数据采集设备在正常状态下的正常关联图以判断所述飞行器是否故障和/或故障类型,所述故障类型包括:***性故障以及设备性故障。
优选的,所述方法还包括:
设定移动窗口;
在所述移动窗口内采集超高速低真空管道飞行器的实时数据,所述移动窗口的长度N>3n,其中n为数据采集设备的个数。
优选的,所述方法包括:
基于传递熵算法获取数据采集设备的第二相关指数;所述第二相关指数表征任意两个数据采集设备在正常状态下的因果关系的强弱程度;
基于贝叶斯网络算法构建所述数据采集设备的正常关联图,所述正常关联图包括若干个第二相关指数的矩阵。
优选的,所述方法还包括:
建立所述数据采集设备的拓扑网络;其中,所述拓扑网络包含任意两个数据采集设备之间的因果关系的集合;
获取所述第一相关指数的第一矩阵;
根据所述拓扑网络以及第一矩阵生成所述实时关联图。
优选的,比较所述实时关联图以及所述数据采集设备在正常状态下的正常关联图以判断所述飞行器是否故障和/或故障类型包括:
判断所述实时关联图与所述正常关联图是否相同;
若是,则所述高速低真空管道飞行器为正常。
优选的,所述方法还包括:
若所述实时关联图与所述正常关联图不相同,则结合所述超高速低真空管道飞行器的运行状态判断任意两个数据采集设备之间的有向边是否缺失;
若所述超高速低真空管道飞行器的运行状态异常,则故障类型为***性故障;
若所述超高速低真空管道飞行器的运行状态正常但缺失有向边,则故障类型为设备性故障。
优选的,所述方法还包括:
若所述故障类型为***性故障,则通过贝叶斯网络的后验概率定位故障根源;
若所述故障类型为设备性故障,则对故障的数据采集设备进行标定。
依据本发明的另一个方面,提供一种超高速低真空管道飞行器运维数据的处理***,所述***包括:
第一获取单元,用于获取数据采集设备采集的超高速低真空管道飞行器的实时数据;
第一计算单元,用于将所述实时数据基于传递熵算法计算第一相关指数,所述第一相关指数表征任意两个数据采集设备之间当前的因果关系的强弱程度;
关系构建单元,用于基于贝叶斯网络算法构建所述数据采集设备的实时关联图;所述实时关联图包括若干个第一相关指数的矩阵;
故障判别单元,用于比较所述实时关联图以及所述数据采集设备在正常状态下的正常关联图以判断所述飞行器是否故障和/或故障类型,所述故障类型包括:***性故障以及设备性故障。
依据本发明的另一个方面,提供一种计算机设备,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计算机程序时实现如上任一项所述的超高速低真空管道飞行器运维数据的处理方法。
依据本发明的另一个方面,提供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执行计算机程序,所述计算机程序被处理器执行时实现如上任一项所述的超高速低真空管道飞行器运维数据的处理方法。
通过本发明的方法,首先对各数据采集设备得到的电磁热力强耦合数据进行传递熵计算,得到数据采集设备第一相关指数,依据第一相关指数训练贝叶斯网络,进而得到实时状态下数据采集设备间的实时关联图,该实时关联图一方面可以表现数据间的交联关系,与正常关联图进行比较时还能区分***故障与数据采集设备故障,更便于对飞行器的运行维护。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
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为本发明实施例中一种超高速低真空管道飞行器运维数据的处理方法的流程图;
图2为本发明实施例中一种超高速低真空管道飞行器运维数据的处理方法的流程图;
图3为本发明实施例中贝叶斯网络结构示意图;
图4为本发明实施例中一种超高速低真空管道飞行器运维数据的处理***的结构示意图;
图5为本发明实施例中计算机设备的结构图。
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。
实施例概述
超高速低真空管道飞行器包含车体***、悬浮推进***、真空线路***和运控***共4大***,4大***包含多种设备,且各设备间存在强耦合或弱耦合关系。本发明实施例所述的运维数据的处理方法首先对超高速低真空管道飞行器各个***的设备进行划分,将整个***中具有强耦合关系的设备划分为一个子***,共分为若干个子***,每个子***包含n个数据采集设备,需要说明的是每个子***中的数据采集设备的数目可以相同,也可以不同,对于强耦合关系和弱耦合关系的区分还依赖于实际需求或处理速度,本发明实施例所述的处理方法便是基于其中一个子***实现的,其他子***的实现方式等同,如没有特别声明,下面的具体实施例中所提到的超高速低真空管道飞行器就是指超高速低真空管道飞行器的一个子***。
实施例应用
本发明实施例提供一种超高速低真空管道飞行器运维数据的处理方法,如图1所示,所述方法包括:
步骤101,获取数据采集设备采集的超高速低真空管道飞行器的实时数据。具体的,在本发明实施例中相关数据即是电磁热力强耦合数据,即所述数据采集设备采集的是超高速低真空管道飞行器中处于电磁热力强耦合环境中的设备的相关数据,这些数据存在的共同特性为:数据量大、数据噪声强、数据耦合严重。其次,采集过程是在超高速低真空管道飞行器运行过程实时采集的,因此所获得数据也为超高速低真空管道飞行器的实时数据。
步骤102,将所述实时数据基于传递熵算法计算第一相关指数,所述第一相关指数表征任意两个数据采集设备之间当前的因果关系的强弱程度。其中,传递熵(TransferEntropy)算法是一种计算时间序列间因果性的方法,通过传递熵算法根据实时数据进一步求解各数据采集设备的相关指数,由于两两实时数据间的传递熵的值是不对称的,因此通过实时数据求解更能代表因和果的关系。具体的,第一相关指数越大,则两个数据采集设备之间当前的因果关系的强度越强,即相关性越高,因此可以通过传递熵算法获得任意两个数据采集设备之间当前的因果关系的强弱程度,而且传递熵算法不同于因果关系算法,传递熵的计算无需考虑数据类型,当数据量足够的情况下,传递熵对线性数据或非线性数据均有优异的分析结果,因此更加适用于超高速低真空管道飞行器的复杂***。
步骤103,基于贝叶斯网络算法构建所述数据采集设备的实时关联图;所述实时关联图包括若干个第一相关指数的矩阵。具体的,在获得任意两个数据采集设备之间当前的第一相关指数后,建立数据采集设备的实时关联图,其中实时关联图中包含数据采集设备因果关系的强弱,即所述第一相关指数。贝叶斯网络算法就是用条件概率表达关系强度,没有父结点的用先验概率进行信息表达,因此可以通过贝叶斯网络算法构建数据采集设备之间的实时关联图并以矩阵形式表示。
步骤104,比较所述实时关联图以及所述数据采集设备在正常状态下的正常关联图以判断所述飞行器是否故障和/或故障类型,所述故障类型包括:***性故障以及设备性故障。具体的,在实时得到数据采集设备实时关联图后,参照正常状态下得到的数据采集设备正常关联图进行对比分析以完成自检工作。
本发明实施例通过上述方法,首先对各数据采集设备得到的电磁热力强耦合数据进行传递熵计算,得到数据采集设备第一相关指数,依据第一相关指数训练贝叶斯网络,进而得到实时状态下数据采集设备间的实时关联图,该实时关联图一方面可以表现数据间的交联关系,与正常关联图进行比较时还能区分***故障与数据采集设备故障,更便于对飞行器的运行维护。
较佳的实施例中,以n个数据采集设备为例介绍获取超高速低真空管道飞行器的实时数据。首先假设收集正常实时数据的集合X∈Rm×n且包含n个数据采集设备为X=[x1 x2... xn],其中m为采样数。通过传递熵算法进一步求解各数据采集设备的第一相关指数,由于两两变量间的传递熵的值是不对称的,因此更能代表因和果的关系。在两两传递熵计算时,假设xip代表变量xi的父节点,传递方向为传递熵计算如下式所示:
本发明实施例所述的一种超高速低真空管道飞行器运维数据的处理方法,较佳的,所述方法还包括:
设定移动窗口;具体的,移动窗口(moving window)是一种常用的数据分析方法,是给定特定窗口大小的数组或字符串上执行要求的操作。例如,当移动窗口的宽度为100,则每次当前只分析[t-99、t-98、……、t]共100个数据,下一时刻分析[t-98、t-97、……、t+1]共100个数据。通过这样的方式可以始终保持训练模型的数据量是一致的,通过这种方式也能反应出超高速低真空管道飞行器的数据采集设备每一个时序时刻下的工作状态。通过设定移动窗口,实时采集超高速低真空管道飞行器的实时数据,并计算移动窗口内数据采集设备的第一相关指数,并求解数据采集设备实时关联图,以支撑基于自检的数据采集方法以及故障类型判别。
在所述移动窗口内采集超高速低真空管道飞行器的实时数据,所述移动窗口的长度N>3n,其中n为数据采集设备的个数。这种设定方式的意义是保障变量个数为n的情况下,样本数满足训练要求,避免出现欠拟合的现象。
本发明实施例所述的一种超高速低真空管道飞行器运维数据的处理方法,较佳的,所述方法包括:
基于传递熵算法获取数据采集设备的第二相关指数;所述第二相关指数表征任意两个数据采集设备在正常状态下的因果关系的强弱程度;具体的,在飞行器联调联试或者验收后,为了确保飞行器正常工作的情况下,需要先采集在正常情况下的数据并进行传递熵计算以获得正常状况下任意两个数据采集设备因果关系的强弱程度。
基于贝叶斯网络算法构建所述数据采设备的正常关联图,所述正常关联图包括若干个第二相关指数的矩阵。其中,正常状态下的数据采集设备的正常关联图构建中描述的方法可以得到正常状态设备关联图,其中正常关联图包含数据采集设备正常状态下的因果关系的强弱。
在***日常运行状态下,会得到大量实际数据,通过实际数据再次构建模型,并对比实际关联图与正常关联图,进行后续判断。
本发明实施例所述的一种超高速低真空管道飞行器运维数据的处理方法,较佳的,如图2所示,构建数据采集设备的实时关联图包括:
步骤201,建立所述数据采集设备的拓扑网络;其中,所述拓扑网络包含任意两个数据采集设备之间的因果关系的集合。具体的,本发明实施例中的贝叶斯网络需要通过节点(数据采集设备)间的有向边表达互相关系(由父结点指向其子结点),因此在获得n个数据采集设备的第一相关指数后,需要建立数据采集设备间的拓扑网络的结构,明确数据采集设备间的连接关系及数据流向,即各个数据采集设备之间的有向边来表达从父结点指向其子结点,以支撑故障类型判别,其中连接关系及数据流向共同决定了设备的传递关系。
如图3所示,为本发明实施例中贝叶斯网络结构示意图,假设存在数据采集设备x1到xn相互连接,箭头的方向代表由因到果的传递方向,其中,存在从x1到x2的因果关系,那么x1称为x2的父变量,x2为x1的子变量,由x1到x2的传递关系用a12表示。同时,还存在从x1到x3的因果关系,那么x1称为x3的的父变量,x3的为x1的子变量,由x1到x3的的传递关系用a13表示。
通过邻接矩阵A可以简明地表示数据采集设备之间的拓扑网络,其中xi和xj分别表示第i和第j个变量,如果xi和xj之间存在传递关系,则邻接矩阵A中aij=1,否则aij=0。
步骤202,获取所述第一相关指数的第一矩阵。具体的,定义第一矩阵Θ来表示求得的各连接关系的强弱程度,即通过第一矩阵表达第一相关指数中各个数据采集设备连接关系的强弱,因此可以直接通过第一相关指数获得。
步骤203,根据所述拓扑网络以及第一矩阵生成所述实时关联图。其中,任何确定的数据采集设备实时关联图都可以通过表达式G=<X,A,Θ>来定义,其中G表达对应的拓扑网络以及网络中包含的第一相关指数。假设存在一系列的Gall={G1 G2 ... GT},对其中任意一个结构Gw,可以求解,
其中qi∈R+和ri∈R+分别表示位于父节点的数据采集设备的个数与每一个位于子节点xi的数据采集设备对应的有向边个数,即在该拓扑网络中所有的有向边的个数,可以通过邻接矩阵A获得。λ是一个用来控制网络结构复杂度的常数惩罚参数,因此通过上述方法可以准确得到正常状态下的数据采集设备的实时关联图。
较佳的,本发明实施例中还包括:
建立所述数据采集设备的正常拓扑网络;所述正常拓扑网络包含任意两个数据采集设备在正常状态下的因果关系的集合;
获取所述第二相关指数的第二矩阵;
根据所述正常拓扑网络以及第二矩阵生产所述正常关联图。
本发明实施例所述的一种超高速低真空管道飞行器运维数据的处理方法,较佳的,比较所述实时关联图以及所述数据采集设备在正常状态下的正常关联图以判断所述飞行器是否故障和/或故障类型包括:
判断所述实时关联图与所述正常关联图是否相同;
若是,则所述高速低真空管道飞行器为正常。
具体的实施例中,在实时得到数据采集设备的实时关联图后,参照正常状态下得到的数据采集设备的正常关联图进行一轮或两轮对比分析。首先,根据实时关联图与所述正常关联图是否相同来判断超高速低真空管道飞行器是否处于正常状态,如果相同就说明飞行器处于正常状态,没有出现异常,此时判断结果到此为止,不需要再进行进一步的判断。
本发明实施例所述的一种超高速低真空管道飞行器运维数据的处理方法,较佳的,所述方法还包括:
若所述实时关联图与所述正常关联图不相同,则结合所述超高速低真空管道飞行器的运行状态判断任意两个数据采集设备之间的有向边是否缺失;
若所述超高速低真空管道飞行器的运行状态异常,则故障类型为***性故障;
若所述超高速低真空管道飞行器的运行状态正常但缺失有向边,则故障类型为设备性故障。
在判断实时关联图与所述正常关联图是否相同的过程中,如果出现实时关联图与所述正常关联图不同的情况,就需要进行第二轮判断来确定故障的类型。其中,当两个关联图不一致时,可能存在以下两种情况:
(1)仅仅是某个数据采集设备的故障导致其相关的全部关联关系丢失;
(2)多个数据采集设备的关联关系均有变化。
如果是情况(1),那么飞行器的运行是正常的,仅仅是数据采集设备故障,其他数据采集设备之间的相关关系仍是正常的,因此需要判断实时关联图中是否缺失了有向边进而寻找故障的数据采集设备,其中设备性故障主要指的是数据采集设备故障而导致数据采集不准确的情况;而针对情况(2),由于飞行器中发生故障的部位具有传播性,会影响周边的部件补偿因而反馈为***性故障,最终导致实时关联图发生较大的变化。在本步骤中首先要检查飞行器的运行状态是否正常,如果运行状态异常,即多个数据采集设备的关联关系均有变化时,那么意味着***出现故障,因此可以判定故障类型为***性故障;如果运行状态正常,但是之前所得到的关联图又不相同的情况下,需要进一步判断实时关联图中是否缺失有向边,即数据采集设备之间的关系是否出现异常以确定是否出现了设备性故障。
本发明实施例所述的一种超高速低真空管道飞行器运维数据的处理方法,较佳的,所述方法包括:
基于获取的所述故障类型对所述第一相关指数进行预清洗以对故障进行溯源。通过对不同故障类型的第一相关指数进行预清洗可以完成数据的自检工作并溯源至故障发生的起点。
本发明实施例所述的一种超高速低真空管道飞行器运维数据的处理方法,较佳的,所述方法还包括:
若所述故障类型为***性故障,则通过贝叶斯网络的后验概率定位故障根源。具体的,
当确定好故障类型后,就需要对故障发生的起点进行定位以便后续的维修。具体的,若故障为***级故障,则进行故障溯源分析工作,通过贝叶斯网络的后验概率分析定位故障根源,假设存在潜在故障传播路径x1→x2→x3→…→xn,其中数据采集设备xn发生故障已确定,则该路径上其他各采集设备的故障的后验概率Pi为P1,P2,P3,...Pn-1,则该故障传播路径可能性如下式所示,该可能性公式同样是该故障传播路径的评分,评分最高的传播路径的起点为故障根源。
在另一个较佳的实施例中,当获得多个数据采集设备同时产生故障时,若判断该系列故障有共同根源,则根据下式通过计算任意数据采集设备同时导致各故障的概率积之和,并取得分最高的传播路径的起始变量为故障根源。
其中a为存在故障的数据采集设备的序数,an为第a个数据采集设备在溯源中所对应的传播路径节点数。同时确定对故障数据进行标记与进一步分析,结合专家评定纳入专家知识库。
在其他的实施例中,若所述故障类型为设备性故障,则对故障的数据采集设备进行标定。具体的,若故障为数据采集设备故障,则首选需要对该移动窗口内的数据进行NaN标定即可,并提供信息给运维***,及时进行数据采集设备维修与更换。其中,NaN标定是指在数据采集过程中的数据缺失,一般会通过文本***对当前时刻数据值直接进行标记。
本发明实施例还提供一种超高速低真空管道飞行器运维数据的处理***,如图4所示,所述***包括:
第一获取单元401,用于获取数据采集设备采集的超高速低真空管道飞行器的实时数据;
第一计算单元402,用于将所述实时数据基于传递熵算法以计算第一相关指数,所述第一相关指数表征任意两个数据采集设备之间当前的因果关系的强弱程度;
关系构建单元403,用于基于贝叶斯网络算法构建所述数据采集设备的实时关联图;所述实时关联图包括若干个第一相关指数的矩阵;
故障判别单元404,用于比较所述实时关联图以及所述数据采集设备在正常状态下的正常关联图以判断所述飞行器是否故障和/或故障类型,所述故障类型包括:***性故障以及设备性故障。
通过本发明实施例所述的方法,首先对各数据采集设备得到的电磁热力强耦合数据进行传递熵计算,得到数据采集设备第一相关指数,依据第一相关指数训练贝叶斯网络,进而得到实时状态下数据采集设备间的实时关联图,该实时关联图一方面可以表现数据间的交联关系,与正常关联图进行比较时还能区分***故障与数据采集设备故障,更便于对飞行器的运行维护。
本文一实施例中,如图5所示,还提供一种计算机设备,计算机设备502可以包括一个或多个处理器501,诸如一个或多个中央处理单元(CPU),每个处理单元可以实现一个或多个硬件线程。计算机设备502还可以包括任何存储器506,其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的,比如,存储器506可以包括以下任一项或多种组合:任何类型的RAM,任何类型的ROM,闪存设备,硬盘,光盘等。更一般地,任何存储器都可以使用任何技术来存储信息。进一步地,任何存储器可以提供信息的易失性或非易失性保留,存储器506上存储有可在处理器501上运行的计算机程序,处理器501执行计算机程序时实现前述任一实施例所述的超高速低真空管道飞行器运维数据的处理方法。进一步地,任何存储器可以表示计算机设备502的固定或可移除部件。在一种情况下,当处理器501执行被存储在任何存储器或存储器的组合中的相关联的指令时,计算机设备502可以执行相关联指令的任一操作。计算机设备502还包括用于与任何存储器交互的一个或多个驱动机构508,诸如硬盘驱动机构、光盘驱动机构等。
计算机设备502还可以包括输入/输出模块510(I/O),其用于接收各种输入(经由输入设备512)和用于提供各种输出(经由输出设备514))。一个具体输出机构可以包括呈现设备516和相关联的图形用户接口(GUI)518。在其他实施例中,还可以不包括输入/输出模块510(I/O)、输入设备512以及输出设备514,仅作为网络中的一台计算机设备。计算机设备502还可以包括一个或多个网络接口520,其用于经由一个或多个通信链路522与其他设备交换数据。一个或多个通信总线524将上文所描述的部件耦合在一起。
通信链路522可以以任何方式实现,例如,通过局域网、广域网(例如,因特网)、点对点连接等、或其任何组合。通信链路522可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
本文实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述任一实施例所述的超高速低真空管道飞行器运维数据的处理方法。
本文实施例还提供一种计算机可读指令,其中当处理器执行所述指令时,其中的程序使得处理器执行上述任一实例所述的超高速低真空管道飞行器运维数据的处理方法。
应理解,在本发明的各种实施例中,上述各过程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,而不应对本发明实施例的实施过程构成任何限定。
还应理解,在本发明实施例中,术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系。例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以意识到,结合本文中所公开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、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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发明的范围。
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,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述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发明实施例方案的目的。
另外,在本发明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,也可以是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。
所述集成的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取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种超高速低真空管道飞行器运维数据的处理方法,其特征在于,所述方法包括:
获取数据采集设备采集的超高速低真空管道飞行器的实时数据;
将所述实时数据基于传递熵算法计算第一相关指数,所述第一相关指数表征任意两个数据采集设备之间当前的因果关系的强弱程度;
基于贝叶斯网络算法构建所述数据采集设备的实时关联图;所述实时关联图包括若干个第一相关指数的矩阵;
比较所述实时关联图以及所述数据采集设备在正常状态下的正常关联图以判断所述飞行器是否故障和/或故障类型,所述故障类型包括:***性故障以及设备性故障。
2.根据权利要求1所述的一种超高速低真空管道飞行器运维数据的处理方法,其特征在于,所述方法还包括:
设定移动窗口;
在所述移动窗口内采集超高速低真空管道飞行器的实时数据,所述移动窗口的长度N>3n,其中n为数据采集设备的个数。
3.根据权利要求1所述的一种超高速低真空管道飞行器运维数据的处理方法,其特征在于,所述方法包括:
基于传递熵算法获取数据采集设备的第二相关指数;所述第二相关指数表征任意两个数据采集设备在正常状态下的因果关系的强弱程度;
基于贝叶斯网络算法构建所述数据采集设备的正常关联图,所述正常关联图包括若干个第二相关指数的矩阵。
4.根据权利要求1所述的一种超高速低真空管道飞行器运维数据的处理方法,其特征在于,所述方法还包括:
建立所述数据采集设备的拓扑网络;其中,所述拓扑网络包含任意两个数据采集设备之间的因果关系的集合;
获取所述第一相关指数的第一矩阵;
根据所述拓扑网络以及第一矩阵生成所述实时关联图。
5.根据权利要求4所述的一种超高速低真空管道飞行器运维数据的处理方法,其特征在于,比较所述实时关联图以及所述数据采集设备在正常状态下的正常关联图以判断所述飞行器是否故障和/或故障类型包括:
判断所述实时关联图与所述正常关联图是否相同;
若是,则所述高速低真空管道飞行器为正常。
6.根据权利要求5所述的一种超高速低真空管道飞行器运维数据的处理方法,其特征在于,所述方法还包括:
若所述实时关联图与所述正常关联图不相同,则结合所述超高速低真空管道飞行器的运行状态判断任意两个数据采集设备之间的有向边是否缺失;
若所述超高速低真空管道飞行器的运行状态异常,则故障类型为***性故障;
若所述超高速低真空管道飞行器的运行状态正常但缺失有向边,则故障类型为设备性故障。
7.根据权利要求6所述的一种超高速低真空管道飞行器运维数据的处理方法,其特征在于,所述方法还包括:
若所述故障类型为***性故障,则通过贝叶斯网络的后验概率定位故障根源;
若所述故障类型为设备性故障,则对故障的数据采集设备进行标定。
8.一种超高速低真空管道飞行器运维数据的处理***,其特征在于,所述***包括:
第一获取单元,用于获取数据采集设备采集的超高速低真空管道飞行器的实时数据;
第一计算单元,用于将所述实时数据基于传递熵算法计算第一相关指数,所述第一相关指数表征任意两个数据采集设备之间当前的因果关系的强弱程度;
关系构建单元,用于基于贝叶斯网络算法构建所述数据采集设备的实时关联图;所述实时关联图包括若干个第一相关指数的矩阵;
故障判别单元,用于比较所述实时关联图以及所述数据采集设备在正常状态下的正常关联图以判断所述飞行器是否故障和/或故障类型,所述故障类型包括:***性故障以及设备性故障。
9.一种计算机设备,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,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的超高速低真空管道飞行器运维数据的处理方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行计算机程序,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的超高速低真空管道飞行器运维数据的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011629158.7A CN114692377A (zh) | 2020-12-30 | 2020-12-30 | 一种超高速低真空管道飞行器运维数据的处理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011629158.7A CN114692377A (zh) | 2020-12-30 | 2020-12-30 | 一种超高速低真空管道飞行器运维数据的处理方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114692377A true CN114692377A (zh) | 2022-07-01 |
Family
ID=82134767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011629158.7A Pending CN114692377A (zh) | 2020-12-30 | 2020-12-30 | 一种超高速低真空管道飞行器运维数据的处理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114692377A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115184993A (zh) * | 2022-09-14 | 2022-10-14 | 煤炭科学研究总院有限公司 | 基于多层主动传递熵的微震数据的分析与判识方法 |
-
2020
- 2020-12-30 CN CN202011629158.7A patent/CN114692377A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115184993A (zh) * | 2022-09-14 | 2022-10-14 | 煤炭科学研究总院有限公司 | 基于多层主动传递熵的微震数据的分析与判识方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110008288B (zh) | 用于网络故障分析的知识图谱库的构建方法及其应用 | |
US7113988B2 (en) | Proactive on-line diagnostics in a manageable network | |
CN107783758B (zh) | 一种智能合约工程方法 | |
CN110740054B (zh) | 一种基于强化学习的数据中心虚拟化网络故障诊断方法 | |
CN113516174B (zh) | 调用链异常检测方法、计算机设备以及可读存储介质 | |
CN111541559A (zh) | 一种基于因果规则的故障定位方法 | |
CN112379325A (zh) | 一种用于智能电表的故障诊断方法及*** | |
CN114647525A (zh) | 诊断方法、装置、终端及存储介质 | |
CN110750455B (zh) | 基于***日志分析的智能在线自更新故障诊断方法和*** | |
CN114692377A (zh) | 一种超高速低真空管道飞行器运维数据的处理方法及*** | |
Bogatinovski et al. | Artificial intelligence for it operations (aiops) workshop white paper | |
CN113093695A (zh) | 一种数据驱动的sdn控制器故障诊断*** | |
CN111277427B (zh) | 一种数据中心网络设备的巡检方法及*** | |
JP2018092362A (ja) | テストスクリプト修正装置及びテストスクリプト修正プログラム | |
CN115996169A (zh) | 一种网络故障分析方法、装置、电子设备及存储介质 | |
Zhang et al. | Root cause analysis of concurrent alarms based on random walk over anomaly propagation graph | |
US11481267B2 (en) | Reinforcement learning approach to root cause analysis | |
CN115169426A (zh) | 一种基于相似性学习融合模型的异常检测方法及*** | |
CN113065001A (zh) | 一种故障止损方法及装置 | |
CN112766509A (zh) | 一种电子信息***故障传播路径分析方法 | |
CN112948154A (zh) | 一种***异常诊断方法、装置及存储介质 | |
Chen et al. | Proverr: System level statistical fault diagnosis using dependency model | |
WO2024004351A1 (ja) | プロセッサシステムおよび不具合診断方法 | |
CN111176916B (zh) | 数据存储故障诊断方法及*** | |
JP7506229B1 (ja) | 診断装置、診断方法、診断プログラム、及び診断システム |
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 |