一种复杂航天设备的实时健康分析方法和系统技术方案

本发明专利技术公开了一种复杂航天设备的实时健康分析方法和系统，包括以下步骤：构建基于健康状态层次分析结构树的分析模型；通过历史数据计算健康状态层次分析结构树各节点权重值；采用自动超参数方法训练模型结合多参数融合方法估算部件健康值；对设备部件及其组成的系统进行逐层计算，获得复杂设备的整体及部分健康状态；对设备整体及局部的健康值进行不同粒度的可视化展示。本发明专利技术解决了当下航天设备组成复杂，难以对设备整体及局部进行精确健康分析评估的问题。本发明专利技术自动计算各部件权重值，减少工作量，提高设备健康分析精确度，对设备的多类型部件通用性好，计算效率高，可以有效对复杂航天设备健康状态进行表征，有力提升航天维护保障能力。天维护保障能力。天维护保障能力。

【技术实现步骤摘要】
一种复杂航天设备的实时健康分析方法和系统


[0001]本申请涉及航天发射场地面设备、设施设备的维护保障的
，特别是一种复杂航天设备的实时健康分析方法和系统。

技术介绍

[0002]目前我国航天发射场设备组成较为复杂，主要采用对各个设备及部件的健康数值进行直接监测，在部件出现健康状态告警时对单独的部件进行更换。对于系统整体的健康状态，特别是较为复杂的航天设备如塔架系统、摆杆系统的健康状态缺乏一种多层次化、智能化的实时监测系统。当前发射场地面设施设备主要采用专家知识库等先验知识对航天设备系统的设备及部件的重要程度进行划分，其结果具有一定程度主观性，同时由于复杂航天设备所包含的子系统、部件数量较多、种类多样，需要较为繁复的前期测量计算及估算，并且其精确度也依赖先验知识的正确性。

技术实现思路

[0003]本专利技术提出一种历史数据驱动，基于健康状态层次分析结构树实时计算各个系统层级健康值的健康分析方法，人工干预部分较少，对复杂航天设备的多类型部件通用性、适应性较好。本专利技术采用线性计算，计算效率较高，适合实时监测系统，可以有效对复杂航天装备健康状态进行表征，有力提升航天设备维护保障能力，降低航天设备维修维护的成本。
[0004]第一方面，提供了一种复杂航天设备的实时健康分析方法和系统，其特征在于，包括：
[0005]S1：构建基于健康状态层次分析结构树的设备健康分析模型；
[0006]S2：基于设备部件历史健康数据，计算模型节点权重值；
[0007]S3：通过感知层传感器，对设备部件健康数据实时采集处理；
[0008]S4：基于S1构建的健康分析模型对航天设备部件及其组成的系统进行逐层计算，并将结果生成相应报告。
[0009]结合第一方面，在第一方面的某些实现方式中，所述步骤S1中，基于健康状态层次分析结构树，所述健康状态层次分析结构树为分层数据结构，所述分层数据结构具有根节点，所述根节点具有若干子节点，所述根节点具有指向所述子节点的指针。
[0010]结合第一方面，在第一方面的某些实现方式中，所述步骤S1中，构建摆杆系统的设备健康分析模型，在所述摆杆系统的设备健康分析模型中，所述摆杆系统的包括机械结构系统、液压系统、控制系统，所述机械结构系统包括竖直杆、水平杆、传动部件，所述液压系统包括液压泵、油缸、电机管路附件，所述控制系统包括控制柜、近控远控台、电气附件。
[0011]结合第一方面，在第一方面的某些实现方式中，所述步骤S2中，基于设备部件历史健康数据，采用历史系统健康数据与其部件健康数据进行多项式拟合，通过逻辑回归和梯度下降法计算模型节点权重值w；为整系统历史健康值，HI
i
’
为其分系统历史健康值。
[0012]结合第一方面，在第一方面的某些实现方式中，所述步骤S3中，对设备部件健康数据实时采集及处理，包括以下步骤：
[0013]S31：对于部分有健康值的设备及部件，通过感知传感器对设备及部件进行直接采集；
[0014]S32：对于部分没有直接健康值上报的设备及部件，以设备部件历史健康数据作为输入，训练针对不同设备及部件的健康评估模型，包括监测设备部件的电流、电压、功率、压力、温度、振动、位置、速度、噪声、告警的历史设备信息X
h
＝[x
h0
,x
h1
,
…
,x
hk
]及其相应的历史健康值HI
ih
∈[0,1]；
[0015]S33：处理模型采用XGBoost模型，历史设备信息X
h
＝[x
h0
,x
h1
,
…
,x
hk
]作为训练输入数据，对相应历史健康值HI
ih
∈[0,1]进行拟合；在进行XGBoost模型拟合前，采用逐步回归法，剔除对权重贡献较小的信息变量，降低设备信息的数据维度，降低后续模型训练时间；然后采用MAE作为评价方法，10折交叉验证作为验证机制，采用网格搜索的方法对设备或子部件的XGBoost模型的超参数进行自动评估学习，即学习速率learning_rate∈[0,1]、最大树数量n_estimators∈[50,500]、最大树深度max_depth∈[3,8]、行列子采样率subsample∈(0,1]，获得各个设备模型的最优超参数；
[0016]S34：对于部分没有直接健康值上报的设备及部件，获取部件的电流、电压、功率、压力、温度、振动、位置、速度、噪声、告警等数据，并对相应信息进行异常点剔除及归一化处理，获得设备部件信息X＝[x0,x1,
…
,x
k
]；
[0017]S35：将处理过后的设备信息作为输入，输入S33所训练模型，获得健康值HI
i
∈[0,1]。
[0018]结合第一方面，在第一方面的某些实现方式中，所述步骤S4中，结构树根据设备系统部件细化的颗粒度对系统健康状态层次分析结构进行不同颗粒度的建模，对于某个系统、子系统，其健康值由其n个子节点健康值的加权获得，由叶子节点迭代计算，逐层得到整系统的健康值，其中，HI
root
为整系统健康值，HI
i
为其n个分系统健康值，w
i
为对应权重值(i＝0,1，...，n)。
[0019][0020][0021]HI
ij
为分系统i的m个部件健康值，w
ij
为对应权重值(j＝0,1，...，m)。
[0022]结合第一方面，在第一方面的某些实现方式中，所述模型节点权重值对应目标类别，所述模型节点权重值对应的训练模型的类别为所述目标类别，所述目标类别为所述设备健康分析模型中的一个类别，所述模型节点权重值和所述训练模型采用的历史健康数据类别为所述目标类别，所述历史健康数据包括至少一个总体系统的历史健康数据。
[0023]结合第一方面，在第一方面的某些实现方式中，所述模型节点权重值和所述模型节点权重值对应的训练模型均与目标总体系统对应，所述模型节点权重值和所述训练模型采用的历史健康数据包括所述目标总体系统按照多种类别划分方式得到的历史健康数据。
[0024]第二方面，提供了一种健康分析系统，所述系统包括设备部件参数上报模块、健康
数据采集处理模块、设备健康分析模型训练模块、设备健康分析模块；
[0025]所述设备部件参数上报模块用于通过和设备感知模块或通信模块进行通信获得设备部件的健康值，对所述健康值进行处理编号，然后将设备健康值及健康参数实时输出给所述健康数据采集处理模块；
[0026]所述健康数据采集处理模块用于通过设备部件历史健康数据训练自动超参数XGBoost模型，执行健康值计算，并将健康值输出给设备健康分析模块；
[0027]所述设备健康分析模型训练模块用于基于设备部件历史健康数据对基于健康状态本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂航天设备的实时健康分析方法和系统，其特征在于，包括：S1：构建基于健康状态层次分析结构树的设备健康分析模型；S2：基于设备部件历史健康数据，计算模型节点权重值；S3：通过感知层传感器，对设备部件健康数据实时采集处理；S4：基于S1构建的健康分析模型对航天设备部件及其组成的系统进行逐层计算，并将结果生成相应报告。2.根据权利要求1所述的方法，其特征在于，所述步骤S1中，基于健康状态层次分析结构树，所述健康状态层次分析结构树为分层数据结构，所述分层数据结构具有根节点，所述根节点具有若干子节点，所述根节点具有指向所述子节点的指针。3.根据权利要求2所述的方法，其特征在于，所述步骤S1中，构建摆杆系统的设备健康分析模型，在所述摆杆系统的设备健康分析模型中，所述摆杆系统的包括机械结构系统、液压系统、控制系统，所述机械结构系统包括竖直杆、水平杆、传动部件，所述液压系统包括液压泵、油缸、电机管路附件，所述控制系统包括控制柜、近控远控台、电气附件。4.根据权利要求1所述的方法，其特征在于，所述步骤S2中，基于设备部件历史健康数据，采用历史系统健康数据与其部件健康数据进行多项式拟合，通过逻辑回归和梯度下降法计算模型节点权重值w；HI
’
root
为整系统历史健康值，HI
i
’
为其分系统历史健康值。5.根据权利要求4所述的方法，其特征在于，所述步骤S3中，对设备部件健康数据实时采集及处理，包括以下步骤：S31：对于部分有健康值的设备及部件，通过感知传感器对设备及部件进行直接采集；S32：对于部分没有直接健康值上报的设备及部件，以设备部件历史健康数据作为输入，训练针对不同设备及部件的健康评估模型，包括监测设备部件的电流、电压、功率、压力、温度、振动、位置、速度、噪声、告警的历史设备信息X
h
＝[x
h0
,x
h1
,
…
,x
hk
]及其相应的历史健康值HI
ih
∈[0,1]；S33：处理模型采用XGBoost模型，历史设备信息X
h
＝[x
h0
,x
h1
,
…
,x
hk
]作为训练输入数据，对相应历史健康值HI
ih
∈[0,1]进行拟合；在进行XGBoost模型拟合前，采用逐步回归法，剔除对权重贡献较小的信息变量，降低设备信息的数据维度，降低后续模型训练时间；然后采用MAE作为评价方法，10折交叉验证作为验证机制，采用网格搜索的方法对设备或子部件的XGBoost模型的超参数进行自动评估学习，即学习速率learning_rate∈[0,1]、最大树数量n_estimator...

【专利技术属性】
技术研发人员：肖楠，黎雨楠，颜世佳，张研，
申请(专利权)人：中国航天系统科学与工程研究院，
类型：发明
国别省市：