機載無線數據通訊中繼單元剩余壽命預測方法與預測裝置制造方法
【專利摘要】機載無線數據通訊中繼單元剩余壽命預測方法與預測裝置，涉及一種中繼單元剩余壽命預測的方法與裝置，本發明為解決現有對機載無線數據通訊中繼單元的健康狀態進行診斷和預測的過程中健康因子的變化復雜，并且存在噪聲干擾，因而不能對其健康狀態進行快速準確預測，同時，機載無線數據通訊中繼單元原始測試數據文件規格不嚴整，不能直接進行處理的問題。本發明所述機載無線數據通訊中繼單元剩余壽命預測方法包括：對測試數據進行預處理；進行機載無線數據通訊中繼單元健康狀態趨勢預測，根據故障閾值獲取故障發生的預測時間，即中繼單元剩余壽命；健康狀態趨勢預測包括直接健康因子預測和間接健康因子預測；本發明用于數傳系統中。
【專利說明】機載無線數據通訊中繼單元剩余壽命預測方法與預測裝置
【技術領域】
[0001]本發明涉及一種中繼單元剩余壽命預測的方法與裝置。
【背景技術】
[0002]數傳系統作為遙控指令傳輸與圖像或數據傳輸的重要平臺，機載無線數據通訊中繼單元工作性能的有效性與穩定性是數傳系統正常工作的有效保證，因此，機載無線數據通訊中繼單元在載機執行任務時要求具有較高的可靠性。研究表征其性能退化的特征量，并根據機載無線數據通訊中繼單元工作過程中該特征量的變化，通過智能算法預測其變化趨勢，可以為工作人員提供關于機載無線數據通訊中繼單元剩余使用壽命的重要參考信肩、Ο
[0003]基于數據驅動的機載無線數據通訊中繼單元故障預測是在有效提取機載無線數據通訊中繼單元數據之間的關聯性的前提下，通過構建機載無線數據通訊中繼單元健康因子并對其進行分析預測，從而實現對機載無線數據通訊中繼單元健康狀態進行預測及診斷。
[0004]故障預測是狀態維修和健康管理的核心任務。從廣泛意義上來講，故障預測應具有檢測和隔離早期故障、確定設備當前故障的嚴重程度以及預測故障發生時間(也就是設備的剩余使用壽命)的能力。其主要包含3個步驟:
[0005]1)根據測試數據進行故障檢測和預測特性信息提取；
[0006]2)退化狀態識別(用以估計設備當前故障的嚴重程度)；
[0007]3)預測故障發生時間(或設備的剩余使用壽命)。
[0008]預測特征信息提取是設備退化狀態識別與故障預測的難點，它直接關系到退化狀態識別和故障預測的準確性。所提取的預測特征信息要求能夠綜合反映設備的運行狀態(即設備從正常運行到出現小故障，再到真正的故障狀態甚至更重的災變故障，這一特征量均能反映)，而且要求其對故障有較高的靈敏度。這里所說的預測特征信息也就是健康因子(Health Index, HI)。
[0009]此過程當中，由于健康因子的變化復雜，并且由噪聲干擾的存在，同樣不能通過人工對機載無線數據通訊中繼單元的健康狀態進行快速準確預測。
【發明內容】
[0010]本發明目的是為了解決現有對機載無線數據通訊中繼單元的健康狀態進行診斷和預測的過程中健康因子的變化復雜，并且存在噪聲干擾，因而不能對其健康狀態進行快速準確預測，同時，機載無線數據通訊中繼單元原始測試數據文件規格不嚴整，不能直接進行處理的問題，提供了一種機載無線數據通訊中繼單元剩余壽命預測方法與預測裝置。
[0011]本發明所述機載無線數據通訊中繼單元剩余壽命預測方法，該方法包括如下步驟:
[0012]步驟1、對機載無線數據通訊中繼單元的測試數據進行預處理；
[0013]預處理的具體過程包括:
[0014]步驟11、對機載無線數據通訊中繼單元的測試數據進行載入；
[0015]步驟12、將步驟11載入的測試數據進行整理；
[0016]步驟13、根據指定參量的名稱從整理后的測試數據中提取參量對應的測試數據；
[0017]步驟2、將步驟1獲取的測試數據進行機載無線數據通訊中繼單元健康狀態趨勢的預測，根據故障閾值獲取故障發生的預測時間，即機載無線數據通訊中繼單元剩余壽命;
[0018]所述將測試數據進行機載無線數據通訊中繼單元健康狀態趨勢的預測包括直接健康因子預測和間接健康因子預測；
[0019]步驟21、選取中繼溫度數據為直接健康因子，采用直接健康因子進行健康狀態預測的具體過程為:
[0020]步驟211、分別對測試數據文件按照步驟1所述預處理過程提取中繼溫度參量對應的數據；
[0021]步驟212、分別計算各次中繼溫度數據的平均值；
[0022]步驟213、根據選取的訓練參數對中繼溫度數據的平均值進行訓練，建立高斯過程回歸模型；所述訓練參數包括平方指數協方差函數參數、周期函數超參數和線性均值函數參數，平方指數協方差函數參數包括方差幅值和距離尺寸，周期函數超參數包括噪聲方差、方差幅值、距離尺寸和角頻率，線性均值函數參數包括一階系數和常數；
[0023]步驟214、根據預測步長、故障閾值通過步驟213已建立的高斯過程回歸模型進行預測，獲取直接健康因子的預測結果，即預測曲線圖；
[0024]步驟215、根據步驟214獲取的預測曲線圖判斷是否在預測步長內出現故障，如果出現故障，則產生故障警報，并獲取剩余可使用次數；
[0025]步驟22、選取中繼模式下單位增益對應的功率增量方差為間接健康因子，采用間接健康因子進行健康狀態預測的具體過程為:
[0026]步驟221、分別對測試數據文件按照步驟1所述預處理過程提取中繼AGG參量對應的數據和中繼功率參量對應的數據；
[0027]步驟222、根據各次中繼AGG參量對應的數據和中繼功率參量對應的數據分別計算中繼模式下各次測試的單位增益對應的功率增量方差；
[0028]步驟223、根據選取的訓練參數對功率增量方差進行訓練，建立高斯過程回歸模型；所述訓練參數包括平方指數協方差函數參數、周期函數超參數和線性均值函數參數，平方指數協方差函數參數包括方差幅值和距離尺寸，周期函數超參數包括噪聲方差、方差幅值、距離尺寸和角頻率，線性均值函數參數包括一階系數和常數；
[0029]步驟224、根據預測步長、故障閾值通過步驟213已建立的高斯過程回歸模型進行預測，獲取間接健康因子的預測結果，即預測曲線圖；
[0030]步驟225、根據步驟224獲取的預測曲線圖判斷是否在預測步長內出現故障，如果出現故障則產生故障警報，并獲取剩余可用次數。
[0031]本發明所述機載無線數據通訊中繼單元剩余壽命預測裝置，該裝置包括:
[0032]用于對機載無線數據通訊中繼單元的測試數據進行預處理的模塊，用于完成測試數據的載入，對測試數據進行整理，并且實現對指定參量的提取；
[0033]用于對機載無線數據通訊中繼單元的測試數據進行趨勢預測的模塊，用于對直接健康因子進行預測和對間接健康因子進行預測；對直接健康因子預測的結果包括直接健康因子變化趨勢曲線圖、剩余可使用次數和故障警報；對間接健康因子預測的結果包括間接健康因子變化趨勢曲線圖、剩余可使用次數和故障警報。
[0034]本發明的機載無線數據通訊中繼單元剩余壽命預測方法和預測裝置，具有快速準確進行健康管理的功能。其中混合編程方面采用了基于組件對象模型(COM)混合編程技術，擺脫了必須安裝Matlab軟件的束縛，實現了機載無線數據通訊中繼單元剩余壽命預測軟件的單獨發布；預測模型選擇方面，采用先進的GPR模型對健康因子進行預測，不僅能完成預測任務，而且可以在輸出均值的同時給出置信區間，提供了更多的參考信息，增強了預測結果的有效性；趨勢分析預測方面，在成功提取出健康因子的前提下，完成了直接健康因子預測和間接健康因子預測，采用兩種方法同時進行預測，在結果上進行互補，提供了更多的參考信息。
【專利附圖】
【附圖說明】
[0035]圖1是本發明所述機載無線數據通訊中繼單元剩余壽命預測方法的原理框圖；
[0036]圖2是本發明所述對機載無線數據通訊中繼單元測試數據進行預處理的原理框圖；
[0037]圖3是本發明所述提取指定參量名稱對應數據的原理框圖；
[0038]圖4是本發明所述直接健康因子預測過程的原理框圖；
[0039]圖5是本發明所述間接健康因子預測過程的原理框圖。
【具體實施方式】
[0040]【具體實施方式】一:下面結合圖1、圖4和圖5說明本實施方式，本實施方式所述機載無線數據通訊中繼單元剩余壽命預測方法，該方法包括如下步驟:
[0041]步驟1、對機載無線數據通訊中繼單元的測試數據進行預處理；
[0042]預處理的具體過程包括:
[0043]步驟11、對機載無線數據通訊中繼單元的測試數據進行載入；
[0044]步驟12、將步驟11載入的測試數據進行整理；
[0045]步驟13、根據指定參量的名稱從整理后的測試數據中提取參量對應的測試數據；
[0046]步驟2、將步驟1獲取的測試數據進行機載無線數據通訊中繼單元健康狀態趨勢的預測，根據故障閾值獲取故障發生的預測時間，即機載無線數據通訊中繼單元剩余壽命;
[0047]所述將測試數據進行機載無線數據通訊中繼單元健康狀態趨勢的預測包括直接健康因子預測和間接健康因子預測；
[0048]步驟21、選取中繼溫度數據為直接健康因子，采用直接健康因子進行健康狀態預測的具體過程為:
[0049]步驟211、分別對測試數據文件按照步驟1所述預處理過程提取中繼溫度參量對應的數據；
[0050]步驟212、分別計算各次中繼溫度數據的平均值；
[0051]步驟213、根據選取的訓練參數對中繼溫度數據的平均值進行訓練，建立高斯過程回歸模型；所述訓練參數包括平方指數協方差函數參數、周期函數超參數和線性均值函數參數，平方指數協方差函數參數包括方差幅值和距離尺寸，周期函數超參數包括噪聲方差、方差幅值、距離尺寸和角頻率，線性均值函數參數包括一階系數和常數；
[0052]步驟214、根據預測步長、故障閾值通過步驟213已建立的高斯過程回歸模型進行預測，獲取直接健康因子的預測結果，即預測曲線圖；
[0053]步驟215、根據步驟214獲取的預測曲線圖判斷是否在預測步長內出現故障，如果出現故障，則產生故障警報，并獲取剩余可使用次數；
[0054]步驟22、選取中繼模式下單位增益對應的功率增量方差為間接健康因子，采用間接健康因子進行健康狀態預測的具體過程為:
[0055]步驟221、分別對測試數據文件按照步驟1所述預處理過程提取中繼AGG參量對應的數據和中繼功率參量對應的數據；
[0056]步驟222、根據各次中繼AGG參量對應的數據和中繼功率參量對應的數據分別計算中繼模式下各次測試的單位增益對應的功率增量方差；
[0057]步驟223、根據選取的訓練參數對功率增量方差進行訓練，建立高斯過程回歸模型；所述訓練參數包括平方指數協方差函數參數、周期函數超參數和線性均值函數參數，平方指數協方差函數參數包括方差幅值和距離尺寸，周期函數超參數包括噪聲方差、方差幅值、距離尺寸和角頻率，線性均值函數參數包括一階系數和常數；
[0058]步驟224、根據預測步長、故障閾值通過步驟213已建立的高斯過程回歸模型進行預測，獲取間接健康因子的預測結果，即預測曲線圖；
[0059]步驟225、根據步驟224獲取的預測曲線圖判斷是否在預測步長內出現故障，如果出現故障則產生故障警報，并獲取剩余可用次數。
[0060]本實施方式中，在構造出直接健康因子后，本軟件只需要對直接健康因子的變化趨勢進行預測及診斷，即可根據直接健康因子判定機載無線數據通訊中繼單元的健康狀態。系統趨勢預測所需處理數據為多次歷史測量的數據。對于直接健康因子的變化趨勢預測，本軟件采用的預測模型為高斯過程回歸模型(Gaussian Process Regress1n,GPR)。其特點是:在確定高斯過程的均值函數和協方差函數后，即確定了高斯過程的先驗分布，其不依賴于訓練數據的輸入。高斯過程回歸模型(GPR)可以通過訓練數據的輸入限制先驗分布，進而實現對后驗分布的估計，GP后驗分布的函數預測輸出值可以通過貝葉斯框架的計算得到。GPR是一種可以適用于非線性回歸問題的概率技術，屬于無參數模型，可以通過適當的組合實現對任意系統的逼近。GPR模型用于實現預測問題時，不同于一般的數據驅動方法，其可以在輸出均值的同時給出置信區間，從而提供更多的參考信息，增強預測結果的有效性。
[0061]本實施方式中，間接預測是采用和機載無線數據通訊中繼單元性能退化相關的間接健康因子作為輸入數據，建立間接健康因子和機載無線數據通訊中繼單元健康狀態之間的關系模型，然后通過對間接健康因子的預測實現對機載無線數據通訊中繼單元的健康狀態預測。
[0062]間接健康因子的構建過程是:通過對機載無線數據通訊中繼單元測試數據的進一步分析可知，每次加電測試過程中獲取的單位增益對應功率增量序列的方差隨著加電測試次數的增加呈現出一定的波動上升趨勢。即隨著加電測試次數的增加，機載無線數據通訊中繼單元對于增益控制命令的響應的穩定性變差，功率響應可以達到預期的調整結果，但是維持穩定調整結果的能力下降，功率在目標值附近的波動變得愈發劇烈。也就是說，系統最為根本的能量供給環節即功率調節性能出現了一定退化，也就在一定程度上反映出數傳系統整體的性能出現了一定的下降。因此，采用本實施方式能夠獲取隨時間呈現一定退化趨勢并與系統健康狀態相關的參量一中繼模式下單位增益對應功率增量方差，即間接健康因子，能夠反應機載無線數據通訊中繼單元對于增益指令的響應質量。
[0063]【具體實施方式】二:下面結合圖2說明本實施方式，本實施方式對實施方式一作進一步說明，步驟12所述對測試數據進行整理的具體過程為:
[0064]步驟121、將載入數據中不等長度連續空格字符串替換為特定標識符；
[0065]步驟122、根據特定標識符和回車符將數據整理為嚴整形式，所述的嚴整形式為符合LabVIEW讀取電子表格控件讀取的形式，S卩，數據中相鄰兩列數據之間以制位符為間隔，相鄰兩行數據之間以回車符為間隔；
[0066]步驟123、將步驟122中獲得的嚴整形式數據分離參量名稱量和數據量，其中，參量名稱量以字符串向量的形式存儲，獲得參量名稱量向量，數據量以雙精度數值型數組形式存儲，獲得數據量數組。
[0067]【具體實施方式】三:下面結合圖3說明本實施方式，本實施方式對實施方式一作進一步說明，步驟13所述將指定數據參量提取的具體過程為:
[0068]步驟131、根據指定參量名稱從參量名稱量向量中獲得指定數據參量名稱的位置；
[0069]步驟132、根據步驟131獲取的指定參量名稱的位置從數據量數組中獲取數組相應位置的列向量，即為指定參量名稱對應的數據量。
[0070]【具體實施方式】四:下面結合圖1說明本實施方式，本實施方式所述機載無線數據通訊中繼單元剩余壽命預測裝置，該裝置包括:
[0071]用于對機載無線數據通訊中繼單元的測試數據進行預處理的模塊，用于完成測試數據的載入，對測試數據進行整理，并且實現對指定參量的提取；
[0072]用于對機載無線數據通訊中繼單元的測試數據進行趨勢預測的模塊，用于對直接健康因子進行預測和對間接健康因子進行預測；對直接健康因子預測的結果包括直接健康因子變化趨勢曲線圖、剩余可使用次數和故障警報；對間接健康因子預測的結果包括間接健康因子變化趨勢曲線圖、剩余可使用次數和故障警報。
[0073]該預測裝置還包括波形查看模塊，用于對參量數據的波形進行查看。
【權利要求】
1.機載無線數據通訊中繼單元剩余壽命預測方法，其特征在于，該方法包括如下步驟: 步驟1、對機載無線數據通訊中繼單元的測試數據進行預處理； 預處理的具體過程包括: 步驟11、對機載無線數據通訊中繼單元的測試數據進行載入； 步驟12、將步驟11載入的測試數據進行整理； 步驟13、根據指定參量的名稱從整理后的測試數據中提取參量對應的測試數據； 步驟2、將步驟I獲取的測試數據進行機載無線數據通訊中繼單元健康狀態趨勢的預測，根據故障閾值獲取故障發生的預測時間，即機載無線數據通訊中繼單元剩余壽命；所述將測試數據進行機載無線數據通訊中繼單元健康狀態趨勢的預測包括直接健康因子預測和間接健康因子預測； 步驟21、選取中繼溫度數據為直接健康因子，采用直接健康因子進行健康狀態預測的具體過程為: 步驟211、分別對測試數據文件按照步驟I所述預處理過程提取中繼溫度參量對應的數據； 步驟212、分別計算各次中繼溫度數據的平均值； 步驟213、根據選取的訓練參數對中繼溫度數據的平均值進行訓練，建立高斯過程回歸模型；所述訓練參數包括平方指數協方差函數參數、周期函數超參數和線性均值函數參數，平方指數協方差函數參數包括方差幅值和距離尺寸，周期函數超參數包括噪聲方差、方差幅值、距離尺寸和角頻率，線性均值函數參數包括一階系數和常數； 步驟214、根據預測步長、故障閾值通過步驟213已建立的高斯過程回歸模型進行預測，獲取直接健康因子的預測結果，即預測曲線圖； 步驟215、根據步驟214獲取的預測曲線圖判斷是否在預測步長內出現故障，如果出現故障，則產生故障警報，并獲取剩余可使用次數； 步驟22、選取中繼模式下單位增益對應的功率增量方差為間接健康因子，采用間接健康因子進行健康狀態預測的具體過程為: 步驟221、分別對測試數據文件按照步驟I所述預處理過程提取中繼AGG參量對應的數據和中繼功率參量對應的數據； 步驟222、根據各次中繼AGG參量對應的數據和中繼功率參量對應的數據分別計算中繼模式下各次測試的單位增益對應的功率增量方差； 步驟223、根據選取的訓練參數對功率增量方差進行訓練，建立高斯過程回歸模型；所述訓練參數包括平方指數協方差函數參數、周期函數超參數和線性均值函數參數，平方指數協方差函數參數包括方差幅值和距離尺寸，周期函數超參數包括噪聲方差、方差幅值、距離尺寸和角頻率，線性均值函數參數包括一階系數和常數； 步驟224、根據預測步長、故障閾值通過步驟213已建立的高斯過程回歸模型進行預測，獲取間接健康因子的預測結果，即預測曲線圖； 步驟225、根據步驟224獲取的預測曲線圖判斷是否在預測步長內出現故障，如果出現故障則產生故障警報，并獲取剩余可用次數。
2.根據權利要求1所述機載無線數據通訊中繼單元剩余壽命預測方法，其特征在于，步驟12所述對測試數據進行整理的具體過程為: 步驟121、將載入數據中不等長度連續空格字符串替換為特定標識符； 步驟122、根據特定標識符和回車符將數據整理為嚴整形式，所述的嚴整形式為符合LabVIEW讀取電子表格控件讀取的形式，S卩，數據中相鄰兩列數據之間以制位符為間隔，相鄰兩行數據之間以回車符為間隔； 步驟123、將步驟122中獲得的嚴整形式數據分離參量名稱量和數據量，其中，參量名稱量以字符串向量的形式存儲，獲得參量名稱量向量，數據量以雙精度數值型數組形式存儲，獲得數據量數組。
3.根據權利要求1所述機載無線數據通訊中繼單元剩余壽命預測方法，其特征在于，步驟13所述將指定數據參量提取的具體過程為: 步驟131、根據指定參量名稱從參量名稱量向量中獲得指定數據參量名稱的位置； 步驟132、根據步驟131獲取的指定參量名稱的位置從數據量數組中獲取數組相應位置的列向量，即為指定參量名稱對應的數據量。
4.機載無線數據通訊中繼單元剩余壽命預測裝置，其特征在于，該裝置包括: 用于對機載無線數據通訊中繼單元的測試數據進行預處理的模塊，用于完成測試數據的載入，對測試數據進行整理，并且實現對指定參量的提取； 用于對機載無線數據通訊中繼單元的測試數據進行趨勢預測的模塊，用于對直接健康因子進行預測和對間接健康因子進行預測；對直接健康因子預測的結果包括直接健康因子變化趨勢曲線圖、剩余可使用次數和故障警報；對間接健康因子預測的結果包括間接健康因子變化趨勢曲線圖、剩余可使用次數和故障警報。
【文檔編號】G06Q10/04GK104361404SQ201410588957
【公開日】2015年2月18日 申請日期:2014年10月28日 優先權日:2014年10月28日
【發明者】劉大同, 龐景月, 陳靜, 郭力萌, 李祺, 彭宇 申請人:哈爾濱工業大學