CN116522467B - 一种航天器部件寿命的预测方法和装置 - Google Patents
一种航天器部件寿命的预测方法和装置 Download PDFInfo
- Publication number
- CN116522467B CN116522467B CN202310077074.4A CN202310077074A CN116522467B CN 116522467 B CN116522467 B CN 116522467B CN 202310077074 A CN202310077074 A CN 202310077074A CN 116522467 B CN116522467 B CN 116522467B
- Authority
- CN
- China
- Prior art keywords
- data
- target
- spacecraft
- spacecraft component
- trained
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000006731 degradation reaction Methods 0.000 claims abstract description 72
- 230000015556 catabolic process Effects 0.000 claims abstract description 70
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 230000009467 reduction Effects 0.000 claims abstract description 17
- 238000010606 normalization Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 31
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 230000008878 coupling Effects 0.000 claims description 11
- 238000010168 coupling process Methods 0.000 claims description 11
- 238000005859 coupling reaction Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 239000002356 single layer Substances 0.000 claims description 6
- 239000010410 layer Substances 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 238000011946 reduction process Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 3
- 239000000306 component Substances 0.000 description 98
- 230000006870 function Effects 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 208000024891 symptom Diseases 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 206010011906 Death Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 239000008358 core component Substances 0.000 description 2
- 239000002355 dual-layer Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000005433 ionosphere Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及航空航天技术领域,特别涉及一种航天器部件寿命的预测方法和装置。其中,该方法包括:获取航天器部件的待测数据;其中,所述待测数据包括所述航天器部件的多种参数的数据;对每种参数的待测数据依次进行野值和停机数据的剔除处理,得到处理后的数据;对所述处理后的数据依次进行时域特征的提取、降维处理和归一化处理,得到所述航天器部件的目标特征;利用DBSCAN算法对所述目标特征进行聚类,以识别所述航天器部件的目标退化阶段;将目标特征输入到预先训练好的且与目标退化阶段对应的寿命预测模型中,得到航天器部件的剩余使用寿命。本发明的方案能够有效预测航天器部件的剩余使用寿命。
Description
技术领域
本发明涉及航空航天技术领域,特别涉及一种航天器部件寿命的预测方法和装置。
背景技术
航天器的运行状态包括健康、亚健康、部分失效、最终完全失效的全过程。如果能够根据航天器的性能状态提前评估其寿命,就能提前制定计划,实现离轨替换,减少轨道资源的浪费。因此,合理预测航天器中航天器部件的剩余使用寿命(Remaining Useful Life,RUL),及时发现潜在异常隐患,采取相应措施,可有效避免故障发生,进而延长整星的使用寿命。
航天器部件在经历整个运行状态演化过程时,其性能退化过程一般具备缓慢变化的特点。针对此类缓变数据,需要提炼一个合理的评价指标方可正确描述其剩余使用寿命。而航天器作为复杂的闭环控制***,各部件均具备多个测点,以保证其日常的状态监测可靠性。这造成每个部件的遥测数据均具备高维耦合的特性,以单一参数难以描述整个部件的演化过程,同时也较难提取能够描述其演化过程的异常征兆。
发明内容
为了有效预测航天器部件的剩余使用寿命,本发明实施例提供了一种航天器部件寿命的预测方法和装置。
第一方面,本发明实施例提供了一种航天器部件寿命的预测方法,包括:
获取航天器部件的待测数据;其中,所述待测数据包括所述航天器部件的多种参数的数据;
对每种参数的待测数据依次进行野值和停机数据的剔除处理,得到处理后的数据;
对所述处理后的数据依次进行时域特征的提取、降维处理和归一化处理,得到所述航天器部件的目标特征;
利用DBSCAN算法对所述目标特征进行聚类,以识别所述航天器部件的目标退化阶段;
将所述目标特征输入到预先训练好的且与所述目标退化阶段对应的寿命预测模型中,得到所述航天器部件的剩余使用寿命;其中,所述寿命预测模型采用的是LSTM网络。
在一种可能的设计中,所述航天器部件包括动量轮、控制力矩陀螺、惯性姿态敏感器和帆板驱动机构中的至少一种;
和/或,
所述参数包括电流参数、温度参数、转速参数、姿态参数、轨道参数、环境参数和指令参数中的至少一种。
在一种可能的设计中,所述对所述处理后的数据依次进行时域特征的提取、降维处理和归一化处理,得到所述航天器部件的目标特征,包括:
对每种参数对应的所述处理后的数据进行滑窗处理,以划分得到当前参数的多个区间;
计算每种参数所有区间内的时域特征值;
对所有参数所有区间内的时域特征值进行降维处理和归一化处理,得到所述航天器部件的目标特征;其中,所述目标特征为一维特征向量,所述目标特征的维度与所述区间的个数相同。
在一种可能的设计中,所述时域特征包括最大值、最小值、平均值、峰峰值、整流平均值、方差、标准差、均方根、方根幅值、峭度、偏度、波形因子、峰值因子、脉冲因子和裕度因子中的至少一种。
在一种可能的设计中,所述降维处理采用主元分析法。
在一种可能的设计中,所述寿命预测模型是通过如下方式进行训练的:
对航天器部件的每种参数的样本数据依次进行野值和停机数据的剔除处理,得到处理后的样本数据;
对所述处理后的样本数据依次进行时域特征的提取、降维处理和归一化处理,得到所述航天器部件的样本目标特征;
利用DBSCAN算法对所述样本目标特征进行聚类,以识别所述航天器部件的样本目标退化阶段;
基于所述样本目标退化阶段,确定待训练的目标LSTM网络的网络结构;
将所述样本目标特征的前预设百分比的数据输入到待训练的目标LSTM网络中,输出所述样本目标特征的预测特征;其中,所述预测特征用于表征剩余使用寿命;
基于所述样本目标特征的前预设百分比的数据和所述预测特征的差值,对待训练的目标LSTM网络的网络参数进行更新,以完成对待训练的目标LSTM网络的训练。
在一种可能的设计中,所述基于所述样本目标退化阶段,确定待训练的目标LSTM网络的网络结构,包括:
若所述样本目标退化阶段为快速退化阶段,则确定待训练的目标LSTM网络的网络结构为双层LSTM网络;
若所述样本目标退化阶段为非快速退化阶段,则确定待训练的目标LSTM网络的网络结构为单层LSTM网络。
第二方面,本发明实施例还提供了一种航天器部件寿命的预测装置,包括:
获取模块,用于获取航天器部件的待测数据;其中,所述待测数据包括所述航天器部件的多种参数的数据;
第一处理模块,用于对每种参数的待测数据依次进行野值和停机数据的剔除处理,得到处理后的数据;
第二处理模块,用于对所述处理后的数据依次进行时域特征的提取、降维处理和归一化处理,得到所述航天器部件的目标特征;
聚类模块,用于利用DBSCAN算法对所述目标特征进行聚类,以识别所述航天器部件的目标退化阶段;
预测模块,用于将所述目标特征输入到预先训练好的且与所述目标退化阶段对应的寿命预测模型中,得到所述航天器部件的剩余使用寿命;其中,所述寿命预测模型采用的是LSTM网络。
第三方面,本说明书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所述的方法。
第四方面,本说明书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,令计算机执行本发明任一实施例所述的方法。
本发明实施例提供了一种航天器部件寿命的预测方法和装置,通过采取融合多维遥测参数特征的手段,综合航天器部件耦合数据的特征提取描述其演化过程的异常征兆信息,充分利用LSTM网络对长时序数据的时间特征提取优势,挖掘征兆信息所隐含的演化规律,并按照不同演化阶段,构建相应的寿命预测模型,实现航天器部件各演化阶段的寿命预测,从而提前预知航天器部件乃至航天器的寿命,采取及时离轨或任务重组等相应措施,最大限度地降低整星运行风险,以提高可靠性。
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是本发明实施例提供的一种航天器部件寿命的预测方法流程图;
图2是本发明实施例提供的一种电子设备的硬件架构图;
图3是本发明实施例提供的一种航天器部件寿命的预测装置结构图;
图4是本发明实施例提供的DBSCAN聚类算法的流程图;
图5是本发明实施例提供的LSTM网络的门控单元结构图;
图6是本发明实施例提供的双层LSTM网络的网络结构图。
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部件寿命的预测方法,该方法包括:
步骤100:获取航天器部件的待测数据;其中,待测数据包括航天器部件的多种参数的数据;
步骤102:对每种参数的待测数据依次进行野值和停机数据的剔除处理,得到处理后的数据;
步骤104:对处理后的数据依次进行时域特征的提取、降维处理和归一化处理,得到航天器部件的目标特征;
步骤106:利用DBSCAN算法对目标特征进行聚类,以识别航天器部件的目标退化阶段;
步骤108:将目标特征输入到预先训练好的且与目标退化阶段对应的寿命预测模型中,得到航天器部件的剩余使用寿命;其中,寿命预测模型采用的是LSTM网络。
本发明实施例中,采取融合多维遥测参数特征的手段,综合航天部件耦合数据的特征提取描述其演化过程的异常征兆信息,充分利用LSTM网络对长时序数据的时间特征提取优势,挖掘征兆信息所隐含的演化规律,并按照不同演化阶段,构建相应的寿命预测模型,实现航天部件各演化阶段的寿命预测,从而提前预知航天部件乃至航天器的寿命,采取及时离轨或任务重组等相应措施,最大限度地降低整星运行风险,以提高可靠性。
此外,通过对航天器部件的待测数据进行野值和停机数据的剔除处理,有助于后续提高预测准确率和计算效率;通过对处理后的数据依次进行时域特征的提取和降维处理,有利于后续在保证一定的预测准确率的同时能够提高计算效率;通过利用DBSCAN算法对目标特征进行聚类,能够自动识别并提取航天器部件退化趋势中的各退化阶段,为后续实现航天器部件乃至航天器控制***的寿命预测与评估提供可靠的基础。
下面描述图1所示的各个步骤的执行方式。
针对步骤100:
在一些实施方式中,航天器部件包括动量轮、控制力矩陀螺、惯性姿态敏感器和帆板驱动机构中的至少一种。其中,动量轮、控制力矩陀螺、惯性姿态敏感器等是航天器姿轨控***的核心部件,帆板驱动机构是航天器能源供应的核心部件。
在一些实施方式中,参数包括电流参数、温度参数、转速参数、姿态参数、轨道参数、环境参数和指令参数中的至少一种。其中,姿态参数例如包括三轴姿态角度、三轴姿态角速度,轨道参数例如包括轨道倾角、偏心率等轨道六元素,环境参数例如包括环境温度,指令参数例如包括三轴的控制力矩、发动机喷气时长等。
针对步骤102:
假设,某航天器控制部件的遥测位点为n个,那么,它的输出参数可表示为X={x1,x2,,xn}。
鉴于航天器在轨遥测信号采样间隔不同、天基传输易损耗等数据特点,本发明实施例需要对其遥测输出参数进行数据补齐与异常点剔除,以确保实验数据的可用性。一般地,考虑到航天器控制***属于闭环稳定***,航天遥测数据多半处于稳定幅值或者周期性变化。因此,数据补齐方面采用均值补偿方法,以确保X的各维参数长度一致。而遥测数据在传输过程中会受到电离层影响产生数据失真或者丢失的现象,导致解码后数据出现毛刺。因此,根据数据量大的特点,航天遥测数据则选取3σ准则进行异常点剔除操作,并注意保留数据的突变趋势。
此外,从航天遥测数据的物理意义来看,部件停机后的数据对于部件性能演化来说并不具备研究价值。为了方便后续寿命预测算法的运算效率,本发明实施例采取切除停机数据的方式,缩短在轨遥测序列的长度。通常,航天器部件的停机时刻以其主要工作指标参数为基准来确定,从而获取航天器部件完整性能演化过程的全生命周期数据。例如,控制力矩陀螺的主要工作指标是高速转子转速,该参数能够直接反映出控制力矩陀螺是否参与工作,以该参数为基准,当某时间点时,其转速降为0且稳定不变,则以该时间点为分界点,其后数据可予以剔除。其他航天器部件可同理推导。
针对步骤104:
在本发明一个实施例中,步骤104具体可以包括:
对每种参数对应的处理后的数据进行滑窗处理,以划分得到当前参数的多个区间;
计算每种参数所有区间内的时域特征值;
对所有参数所有区间内的时域特征值进行降维处理和归一化处理,得到航天器部件的目标特征;其中,目标特征为一维特征向量,目标特征的维度与区间的个数相同。
在本实施例中,为保证更深层地挖掘数据特征,并结合航天器部件遥测信号特点,对其进行时域特征值提取,以判断其性能退化进程与故障发生情况。
因此,本发明实施例将对航天器部件遥测数据中的每一维遥测参数分别进行15维特征提取,即:最大值、最小值、平均值、峰峰值、整流平均值、方差、标准差、均方根、方根幅值、峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子。上述特征是最能反映航天器部件退化趋势的特征,因此有利于后续更好的辨识。部分时域特征的获取公式如下所示:
a.峭度:用于描述信号波形的平缓程度,峭度对振动信号的冲击特性敏感,若峭度过大时说明有故障发生。
b.偏度:表示信号的偏态,用于描述信号的分布,其大小体现出振动信号的不对称性。
c.波形因子:能够体现出机械元件是否出现磨损故障。
d.峰值因子:能够描述出峰值在波形中的极端程度。
e.脉冲因子:表示冲击信号能量的大小,对早期故障较敏感,其效果随故障加深而减弱。
f.裕度因子:常用来检测机械设备的磨损情况。
分别计算每一维遥测参数的上述15维时域特征值。最终,获得15n维的航天器部件时域特征数据。
本发明实施例在特征提取阶段将采用滑窗处理,取滑窗大小为M(M小于N)。按照滑窗大小M,将航天器部件数据集分割为q个区间,其中:
然后,分别计算每一维遥测参数q个区间内的上述15维时域特征值。最终,获得15n×q维的航天器部件时域特征数据。
在一些实施方式中,降维处理采用主元分析法。通过采用PCA降维算法,可以自动融合并提取上述15n×q维航天器部件时域特征数据的主要退化趋势。通过线性变化,剔除时域特征数据中的无关噪声与干扰,保留其主成分分量,即能够反映航天器部件性能演化的异常征兆,获取航天器部件时域特征数据的1×q维性能退化趋势。
其中,PCA算法的具体步骤如下:
a.对航天器部件时域特征数据进行标准化处理。
假设,上述15n×q维航天器部件时域特征矩阵表述为:
其中,Ej表示为q个样本的第j个变量,Ej=[e1j,e2j,...,eqj]T,j=1,2,...,15n。对该数据进行标准化,表达式如下:
其中,
b.计算变量的协方差矩阵。
c.对协方差矩阵特征分解,求得特征值以及特征值对应的特征向量矩阵。
|R-λI(15n)|=0
其中λ1,λ2,...,λ(15n)为R的m个特征根,对方程组R×p=λp求解,得到p1,p2,...,p(15n)为λ1,λ2,...,λ(15n)对应的特征向量。
d.求得新的主成分向量。
Fj=Zj×pj T
其中,j=1,2,...,15n,F1为第一主成分,F2为第二主成分,Fj为第j主成分。
考虑到不同遥测参数之间的量纲影响,要保证LSTM寿命预测网络中数据的空间分布收敛,则需按照如下公式对其进行归一化:
其中,y为待归一化的异常征兆数据;z为归一化后的异常征兆。
针对步骤106:
航天器的不同演化阶段中所隐含的演化机理是各不相同的,且不同运行条件下不同航天器部件所经历的演化阶段也是不同的。因此,为确保后续寿命预测模型的可行性,本发明实施例采用无监督聚类算法DBSCAN对上述航天器部件的1×q维性能退化趋势进行自动退化阶段识别。DBSCAN聚类能够判断各数据点与周围其他数据的密度特征并划分相应的聚类簇群,自动识别性能退化趋势中所蕴含的各个退化阶段以及噪点,从而智能获取该航天器部件所经历的退化阶段以及阶段之间的切分点。其中,DBSCAN聚类算法流程如图4所示。
具体处理流程如下:
(1)根据实验需求,设置DBSCAN算法中的领域参数,即领域半径ε和最小核心点数MinPs,其中,可以通过调节领域半径ε控制聚类簇群的个数。
(2)在上述航天器部件的1×q维性能退化趋势数据中,随机选取一个“种子”对象,且其邻域半径ε至少有MinPs个核心对象。然后,根据参数ε和MinPs,访问剩余数据点,标记出所有从“种子”对象密度可达的核心对象,形成簇群;反之则自动归为剩余数据集。
(3)在剩余数据集中任选一个邻域半径ε至少有MinPs个核心对象的“种子”,标记其对应的核心对象,形成簇群与剩余数据集。
(4)重复步骤(3),直到剩余数据集为空为止。
针对步骤108:
在本发明一个实施例中,寿命预测模型是通过如下方式进行训练的:
对航天器部件的每种参数的样本数据依次进行野值和停机数据的剔除处理,得到处理后的样本数据;
对处理后的样本数据依次进行时域特征的提取、降维处理和归一化处理,得到航天器部件的样本目标特征;
利用DBSCAN算法对样本目标特征进行聚类,以识别航天器部件的样本目标退化阶段;
基于样本目标退化阶段,确定待训练的目标LSTM网络的网络结构;
将样本目标特征的前预设百分比的数据输入到待训练的目标LSTM网络中,输出样本目标特征的预测特征;其中,预测特征用于表征剩余使用寿命;
基于样本目标特征的前预设百分比的数据和预测特征的差值,对待训练的目标LSTM网络的网络参数进行更新,以完成对待训练的目标LSTM网络的训练。
基于样本目标退化阶段,确定待训练的目标LSTM网络的网络结构,包括:
若样本目标退化阶段为快速退化阶段,则确定待训练的目标LSTM网络的网络结构为双层LSTM网络;
若样本目标退化阶段为非快速退化阶段,则确定待训练的目标LSTM网络的网络结构为单层LSTM网络。
本发明实施例采用分阶段LSTM网络。根据航天器部件演化阶段的特点,寿命末期,即快速退化阶段,航天器部件的性能变化剧烈,存在较大震荡。为保证寿命末期RUL预测的稳定性,本发明实施例在快速退化阶段采用的是双层LSTM网络,如图6所示。其他阶段(即非快速退化阶段,例如包括正常退化阶段和缓变退化阶段)变化缓慢,考虑星载计算机运算能力较弱的情况,采用单层LSTM网络进行寿命预测即可。网络输入为步骤二处理后的航天器部件异常征兆演化曲线,输出为该部件的剩余使用寿命。
LSTM门控单元(如图5所示)由输入门、遗忘门、输出门三部分组成。当前神经元输入信息xt通过输入门输入LSTM单元,与前一时刻的单元状态ht-1决定是否更新神经元的记忆状态,获得输入门输出it,并利用激活函数tanh函数获得LSTM网络更新的候选信息与此同时,遗忘门则利用ht-1和xt,用以输出一个0~1之间的向量,即遗忘门输出ft,决定LSTM单元所保留的信息。当输入门和遗忘门两个门控单元工作完毕以后,将更新上一时刻的LSTM状态Ct-1。其更新规则是,通过ft选择遗忘前一时刻信息的一部分,通过输入门输出it选择并添加候选信息的一部分信息/>获得新的神经元状态信息Ct。更新完LSTM神经元状态后,将根据ht-1和xt决定输出门的输出信息ot,并与经过tanh函数处理的状态信息Ct获得该时刻的单元状态输出ht。具体流程公式如下所示:
it=σ(Wt·[ht-1,xt]+bt)
ft=σ(Wf·[ht-1,xt]+bf)
ot=σ(Wo·[ht-1,xt]+bo)
ht=ot⊙tanh(Ct)
其中,σ(·)表示sigmoid激活函数,W*和b*是各门控单元的权重和偏置。寿命预测网络参数优化采用的是Adam优化器:
mt=β1·mt-1+(1-β1)·gt
其中,β*是Adam优化器的固有参数,一般取经验值;gt为待更新参数的梯度;α为学习率。
此外,考虑到寿命预测问题的特点,本发明实施例的LSTM预测网络选取的精度指标是均方误差(Mean Square Error,MSE):
其中,N为数据样本数;Y为实际剩余使用寿命(RUL)数值;y为网络预测RUL输出值。
综上,上述技术方案具有如下优点:
1)提出了一种基于PCA降维的多维数据退化趋势提取方法,充分利用PCA算法自动融合航天器部件多维数据的高维数据特征,自动提取数据内在隐含的航天器部件性能退化趋势;
2)提出了一种基于DBSCAN聚类的退化阶段识别与提取方法,深层次挖掘航天器部件性能退化趋势中的数据变化特征,智能化识别航天器部件所经历的各退化阶段,简化人工操作流程,从而提高航天器寿命评估效率;
3)提出了一种实现航天器高维数据寿命预测的整体思路框架,提取并融合多维耦合数据中所蕴含的异常征兆信息,合理处理航天器高维耦合数据,自动获取航天器部件的异常征兆演化曲线,并用以后续的航天器部件寿命预测;
4)提出了一种基于LSTM网络的航天器寿命预测方法,充分利用LSTM网络针对长时序数据的时间特征提取优势,综合多维遥测参数中的缓变异常,深度挖掘缓变数据的演化规律,实现航天器部件不同演化阶段的寿命预测,从而实现航天器预知自身寿命,最大限度降低整星运行风险,提高航天器运行的可靠性。
如图2、图3所示,本发明实施例提供了一种航天器部件寿命的预测装置。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部件寿命的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。
如图3所示,本实施例提供的一种航天器部件寿命的预测装置,包括:
获取模块300,用于获取航天器部件的待测数据;其中,所述待测数据包括所述航天器部件的多种参数的数据;
第一处理模块302,用于对每种参数的待测数据依次进行野值和停机数据的剔除处理,得到处理后的数据;
第二处理模块304,用于对所述处理后的数据依次进行时域特征的提取、降维处理和归一化处理,得到所述航天器部件的目标特征;
聚类模块306,用于利用DBSCAN算法对所述目标特征进行聚类,以识别所述航天器部件的退化阶段;
预测模块308,用于将所述目标特征输入到预先训练好的且与所述目标退化阶段对应的寿命预测模型中,得到所述航天器部件的剩余使用寿命;其中,所述寿命预测模型采用的是LSTM网络。
在本发明实施例中,获取模块300可用于执行上述方法实施例中的步骤100,第一处理模块302可用于执行上述方法实施例中的步骤102,第二处理模块304可用于执行上述方法实施例中的步骤104,聚类模块306可用于执行上述方法实施例中的步骤106,预测模块308可用于执行上述方法实施例中的步骤108。
在本发明的一个实施例中,所述航天器部件包括动量轮、控制力矩陀螺、惯性姿态敏感器和帆板驱动机构中的至少一种;
和/或,
所述参数包括电流参数、温度参数、转速参数、姿态参数、轨道参数、环境参数和指令参数中的至少一种。
在本发明的一个实施例中,所述第二处理模块,用于执行如下操作:
对每种参数对应的所述处理后的数据进行滑窗处理,以划分得到当前参数的多个区间;
计算每种参数所有区间内的时域特征值;
对所有参数所有区间内的时域特征值进行降维处理和归一化处理,得到所述航天器部件的目标特征;其中,所述目标特征为一维特征向量,所述目标特征的维度与所述区间的个数相同。
在本发明的一个实施例中,所述时域特征包括最大值、最小值、平均值、峰峰值、整流平均值、方差、标准差、均方根、方根幅值、峭度、偏度、波形因子、峰值因子、脉冲因子和裕度因子中的至少一种。
在本发明的一个实施例中,所述降维处理采用主元分析法。
在本发明的一个实施例中,所述寿命预测模型是通过如下方式进行训练的:
对航天器部件的每种参数的样本数据依次进行野值和停机数据的剔除处理,得到处理后的样本数据;
对所述处理后的样本数据依次进行时域特征的提取、降维处理和归一化处理,得到所述航天器部件的样本目标特征;
利用DBSCAN算法对所述样本目标特征进行聚类,以识别所述航天器部件的样本目标退化阶段;
基于所述样本目标退化阶段,确定待训练的目标LSTM网络的网络结构;
将所述样本目标特征的前预设百分比的数据输入到待训练的目标LSTM网络中,输出所述样本目标特征的预测特征;其中,所述预测特征用于表征剩余使用寿命;
基于所述样本目标特征的前预设百分比的数据和所述预测特征的差值,对待训练的目标LSTM网络的网络参数进行更新,以完成对待训练的目标LSTM网络的训练。
在本发明的一个实施例中,所述基于所述样本目标退化阶段,确定待训练的目标LSTM网络的网络结构,包括:
若所述样本目标退化阶段为快速退化阶段,则确定待训练的目标LSTM网络的网络结构为双层LSTM网络;
若所述样本目标退化阶段为非快速退化阶段,则确定待训练的目标LSTM网络的网络结构为单层LSTM网络。
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部件寿命的预测装置的具体限定。在本发明的另一些实施例中,一种航天器部件寿命的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部件寿命的预测方法。
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部件寿命的预测方法。
具体地,可以提供配有存储介质的***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***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***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***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。
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 (8)
1.一种航天器部件寿命的预测方法,其特征在于,包括:
获取航天器部件的待测数据;其中,所述待测数据包括所述航天器部件的多种参数的数据;
对每种参数的待测数据依次进行野值和停机数据的剔除处理,得到处理后的数据;
对所述处理后的数据依次进行时域特征的提取、降维处理和归一化处理,得到所述航天器部件的目标特征;
利用DBSCAN算法对所述目标特征进行聚类,以识别所述航天器部件的目标退化阶段;
将所述目标特征输入到预先训练好的且与所述目标退化阶段对应的寿命预测模型中,得到所述航天器部件的剩余使用寿命;其中,所述寿命预测模型采用的是LSTM网络;
所述寿命预测模型是通过如下方式进行训练的:
对航天器部件的每种参数的样本数据依次进行野值和停机数据的剔除处理,得到处理后的样本数据;
对所述处理后的样本数据依次进行时域特征的提取、降维处理和归一化处理,得到所述航天器部件的样本目标特征;
利用DBSCAN算法对所述样本目标特征进行聚类,以识别所述航天器部件的样本目标退化阶段;
基于所述样本目标退化阶段,确定待训练的目标LSTM网络的网络结构;
将所述样本目标特征的前预设百分比的数据输入到待训练的目标LSTM网络中,输出所述样本目标特征的预测特征;其中,所述预测特征用于表征剩余使用寿命;
基于所述样本目标特征的前预设百分比的数据和所述预测特征的差值,对待训练的目标LSTM网络的网络参数进行更新,以完成对待训练的目标LSTM网络的训练;
所述基于所述样本目标退化阶段,确定待训练的目标LSTM网络的网络结构,包括:
若所述样本目标退化阶段为快速退化阶段,则确定待训练的目标LSTM网络的网络结构为双层LSTM网络;
若所述样本目标退化阶段为非快速退化阶段,则确定待训练的目标LSTM网络的网络结构为单层LSTM网络;
其中,待训练的目标LSTM网络的网络输入为航天器部件异常征兆演化曲线,输出为该部件的剩余使用寿命,所述异常征兆演化曲线是基于提取并融合多维耦合数据中所蕴含的异常征兆信息得到的,所述异常征兆信息是综合航天器部件耦合数据的特征提取描述其演化过程的异常征兆信息。
2.根据权利要求1所述的方法,其特征在于,所述航天器部件包括动量轮、控制力矩陀螺、惯性姿态敏感器和帆板驱动机构中的至少一种;
和/或,
所述参数包括电流参数、温度参数、转速参数、姿态参数、轨道参数、环境参数和指令参数中的至少一种。
3.根据权利要求1所述的方法,其特征在于,所述对所述处理后的数据依次进行时域特征的提取、降维处理和归一化处理,得到所述航天器部件的目标特征,包括:
对每种参数对应的所述处理后的数据进行滑窗处理,以划分得到当前参数的多个区间;
计算每种参数所有区间内的时域特征值;
对所有参数所有区间内的时域特征值进行降维处理和归一化,得到所述航天器部件的目标特征;其中,所述目标特征为一维特征向量,所述目标特征的维度与所述区间的个数相同。
4.根据权利要求1所述的方法,其特征在于,所述时域特征包括最大值、最小值、平均值、峰峰值、整流平均值、方差、标准差、均方根、方根幅值、峭度、偏度、波形因子、峰值因子、脉冲因子和裕度因子中的至少一种。
5.根据权利要求1所述的方法,其特征在于,所述降维处理采用主元分析法。
6.一种航天器部件寿命的预测装置,其特征在于,包括:
获取模块,用于获取航天器部件的待测数据;其中,所述待测数据包括所述航天器部件的多种参数的数据;
第一处理模块,用于对每种参数的待测数据依次进行野值和停机数据的剔除处理,得到处理后的数据;
第二处理模块,用于对所述处理后的数据依次进行时域特征的提取、降维处理和归一化处理,得到所述航天器部件的目标特征;
聚类模块,用于利用DBSCAN算法对所述目标特征进行聚类,以识别所述航天器部件的目标退化阶段;
预测模块,用于将所述目标特征输入到预先训练好的且与所述目标退化阶段对应的寿命预测模型中,得到所述航天器部件的剩余使用寿命;其中,所述寿命预测模型采用的是LSTM网络;
所述寿命预测模型是通过如下方式进行训练的:
对航天器部件的每种参数的样本数据依次进行野值和停机数据的剔除处理,得到处理后的样本数据;
对所述处理后的样本数据依次进行时域特征的提取、降维处理和归一化处理,得到所述航天器部件的样本目标特征;
利用DBSCAN算法对所述样本目标特征进行聚类,以识别所述航天器部件的样本目标退化阶段;
基于所述样本目标退化阶段,确定待训练的目标LSTM网络的网络结构;
将所述样本目标特征的前预设百分比的数据输入到待训练的目标LSTM网络中,输出所述样本目标特征的预测特征;其中,所述预测特征用于表征剩余使用寿命;
基于所述样本目标特征的前预设百分比的数据和所述预测特征的差值,对待训练的目标LSTM网络的网络参数进行更新,以完成对待训练的目标LSTM网络的训练;
所述基于所述样本目标退化阶段,确定待训练的目标LSTM网络的网络结构,包括:
若所述样本目标退化阶段为快速退化阶段,则确定待训练的目标LSTM网络的网络结构为双层LSTM网络;
若所述样本目标退化阶段为非快速退化阶段,则确定待训练的目标LSTM网络的网络结构为单层LSTM网络;
其中,待训练的目标LSTM网络的网络输入为航天器部件异常征兆演化曲线,输出为该部件的剩余使用寿命,所述异常征兆演化曲线是基于提取并融合多维耦合数据中所蕴含的异常征兆信息得到的,所述异常征兆信息是综合航天器部件耦合数据的特征提取描述其演化过程的异常征兆信息。
7.一种电子设备,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1-5中任一项所述的方法。
8.一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1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310077074.4A CN116522467B (zh) | 2023-01-16 | 2023-01-16 | 一种航天器部件寿命的预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310077074.4A CN116522467B (zh) | 2023-01-16 | 2023-01-16 | 一种航天器部件寿命的预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116522467A CN116522467A (zh) | 2023-08-01 |
CN116522467B true CN116522467B (zh) | 2023-10-31 |
Family
ID=87405325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310077074.4A Active CN116522467B (zh) | 2023-01-16 | 2023-01-16 | 一种航天器部件寿命的预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116522467B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117454671B (zh) * | 2023-12-22 | 2024-04-12 | 广东力宏微电子有限公司 | 基于人工智能的场效应管寿命评估方法 |
CN117556310B (zh) * | 2024-01-10 | 2024-03-26 | 北京中科航天人才服务有限公司 | 一种航天器剩余寿命预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967501A (zh) * | 2020-07-22 | 2020-11-20 | 中国科学院国家空间科学中心 | 一种遥测原始数据驱动的载荷状态判别方法及判别*** |
CN112197890A (zh) * | 2020-09-08 | 2021-01-08 | 西安交通大学 | 一种热量表性能退化评估方法、存储介质及设备 |
CN112613646A (zh) * | 2020-12-08 | 2021-04-06 | 上海交通大学烟台信息技术研究院 | 一种基于多维数据融合的设备状态预测方法及*** |
CN113609770A (zh) * | 2021-08-06 | 2021-11-05 | 电子科技大学 | 基于分段线性拟合hi及lstm的滚动轴承rul预测方法 |
CN113779882A (zh) * | 2021-09-10 | 2021-12-10 | 中国石油大学(北京) | 设备剩余使用寿命的预测方法、装置、设备及存储介质 |
CN114297910A (zh) * | 2021-11-26 | 2022-04-08 | 中国民航大学 | 一种基于改进lstm的航空发动机寿命预测方法 |
CN115130499A (zh) * | 2022-06-09 | 2022-09-30 | 南京航空航天大学 | 基于振动信号的变工况下轴承保持架打滑率在线测量及预测方法 |
-
2023
- 2023-01-16 CN CN202310077074.4A patent/CN116522467B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967501A (zh) * | 2020-07-22 | 2020-11-20 | 中国科学院国家空间科学中心 | 一种遥测原始数据驱动的载荷状态判别方法及判别*** |
CN112197890A (zh) * | 2020-09-08 | 2021-01-08 | 西安交通大学 | 一种热量表性能退化评估方法、存储介质及设备 |
CN112613646A (zh) * | 2020-12-08 | 2021-04-06 | 上海交通大学烟台信息技术研究院 | 一种基于多维数据融合的设备状态预测方法及*** |
CN113609770A (zh) * | 2021-08-06 | 2021-11-05 | 电子科技大学 | 基于分段线性拟合hi及lstm的滚动轴承rul预测方法 |
CN113779882A (zh) * | 2021-09-10 | 2021-12-10 | 中国石油大学(北京) | 设备剩余使用寿命的预测方法、装置、设备及存储介质 |
CN114297910A (zh) * | 2021-11-26 | 2022-04-08 | 中国民航大学 | 一种基于改进lstm的航空发动机寿命预测方法 |
CN115130499A (zh) * | 2022-06-09 | 2022-09-30 | 南京航空航天大学 | 基于振动信号的变工况下轴承保持架打滑率在线测量及预测方法 |
Non-Patent Citations (3)
Title |
---|
An unsupervised clustering method for assessing the degradation state of cutting tools used in the packaging industry;F. Cannarile 等;《Safety and Reliability. Theory and Applications》;全文 * |
基于无监督聚类与LSTM网络的航天器健康状态预测方法;梁寒玉 等;《航空学报》;全文 * |
基于特征融合与TCNDC的滚动轴承退化趋势预测;袁电洪 等;《工业控制计算机》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116522467A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116522467B (zh) | 一种航天器部件寿命的预测方法和装置 | |
Ma et al. | Predicting the remaining useful life of an aircraft engine using a stacked sparse autoencoder with multilayer self‐learning | |
Xu et al. | Physics-informed machine learning for reliability and systems safety applications: State of the art and challenges | |
Hu et al. | A prognostic model based on DBN and diffusion process for degrading bearing | |
US10831577B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
Wang et al. | Data-driven mode identification and unsupervised fault detection for nonlinear multimode processes | |
EP3795975B1 (en) | Abnormality sensing apparatus, abnormality sensing method, and abnormality sensing program | |
Murphree | Machine learning anomaly detection in large systems | |
Niu et al. | Lebesgue sampling based deep belief network for lithium-ion battery diagnosis and prognosis | |
Guo et al. | A hybrid prognosis scheme for rolling bearings based on a novel health indicator and nonlinear Wiener process | |
CN114201920A (zh) | 一种基于数字孪生和深度迁移学习的激光切割数控***故障诊断方法 | |
Kharlamova et al. | A digital twin of battery energy storage systems providing frequency regulation | |
Bae et al. | Learning of physical health timestep using the LSTM network for remaining useful life estimation | |
Ghorbani et al. | Estimating remaining useful life of turbofan engine using data-level fusion and feature-level fusion | |
CN111061581A (zh) | 一种故障检测方法、装置及设备 | |
Liu et al. | Residual useful life prognosis of equipment based on modified hidden semi-Markov model with a co-evolutional optimization method | |
Peng et al. | Health indicator construction based on multisensors for intelligent remaining useful life prediction: A reinforcement learning approach | |
Wang et al. | Prognostic for on-orbit satellite momentum wheel based on the similitude method | |
Melendez et al. | Self-supervised Multi-stage Estimation of Remaining Useful Life for Electric Drive Units | |
Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
CN116502516B (zh) | 一种航天器部件退化阶段的辨识方法和装置 | |
Zhao et al. | System informatics: from methodology to applications | |
CN113779859B (zh) | 可解释的时序预测模型的训练方法、装置和计算设备 | |
Tang et al. | The improvement of remaining useful life prediction for aero-engines by classification and deep learning | |
Wang et al. | Predictive maintenance and sensitivity analysis for equipment with multiple quality states |
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 |