机载无线数据通讯中继单元剩余寿命预测方法与预测装置制造方法
【专利摘要】机载无线数据通讯中继单元剩余寿命预测方法与预测装置，涉及一种中继单元剩余寿命预测的方法与装置，本发明为解决现有对机载无线数据通讯中继单元的健康状态进行诊断和预测的过程中健康因子的变化复杂，并且存在噪声干扰，因而不能对其健康状态进行快速准确预测，同时，机载无线数据通讯中继单元原始测试数据文件规格不严整，不能直接进行处理的问题。本发明所述机载无线数据通讯中继单元剩余寿命预测方法包括：对测试数据进行预处理；进行机载无线数据通讯中继单元健康状态趋势预测，根据故障阈值获取故障发生的预测时间，即中继单元剩余寿命；健康状态趋势预测包括直接健康因子预测和间接健康因子预测；本发明用于数传系统中。
【专利说明】机载无线数据通讯中继单元剩余寿命预测方法与预测装置
【技术领域】
[0001]本发明涉及一种中继单元剩余寿命预测的方法与装置。
【背景技术】
[0002]数传系统作为遥控指令传输与图像或数据传输的重要平台，机载无线数据通讯中继单元工作性能的有效性与稳定性是数传系统正常工作的有效保证，因此，机载无线数据通讯中继单元在载机执行任务时要求具有较高的可靠性。研究表征其性能退化的特征量，并根据机载无线数据通讯中继单元工作过程中该特征量的变化，通过智能算法预测其变化趋势，可以为工作人员提供关于机载无线数据通讯中继单元剩余使用寿命的重要参考信肩、Ο
[0003]基于数据驱动的机载无线数据通讯中继单元故障预测是在有效提取机载无线数据通讯中继单元数据之间的关联性的前提下，通过构建机载无线数据通讯中继单元健康因子并对其进行分析预测，从而实现对机载无线数据通讯中继单元健康状态进行预测及诊断。
[0004]故障预测是状态维修和健康管理的核心任务。从广泛意义上来讲，故障预测应具有检测和隔离早期故障、确定设备当前故障的严重程度以及预测故障发生时间(也就是设备的剩余使用寿命)的能力。其主要包含3个步骤:
[0005]1)根据测试数据进行故障检测和预测特性信息提取；
[0006]2)退化状态识别(用以估计设备当前故障的严重程度)；
[0007]3)预测故障发生时间(或设备的剩余使用寿命)。
[0008]预测特征信息提取是设备退化状态识别与故障预测的难点，它直接关系到退化状态识别和故障预测的准确性。所提取的预测特征信息要求能够综合反映设备的运行状态(即设备从正常运行到出现小故障，再到真正的故障状态甚至更重的灾变故障，这一特征量均能反映)，而且要求其对故障有较高的灵敏度。这里所说的预测特征信息也就是健康因子(Health Index, HI)。
[0009]此过程当中，由于健康因子的变化复杂，并且由噪声干扰的存在，同样不能通过人工对机载无线数据通讯中继单元的健康状态进行快速准确预测。
【发明内容】
[0010]本发明目的是为了解决现有对机载无线数据通讯中继单元的健康状态进行诊断和预测的过程中健康因子的变化复杂，并且存在噪声干扰，因而不能对其健康状态进行快速准确预测，同时，机载无线数据通讯中继单元原始测试数据文件规格不严整，不能直接进行处理的问题，提供了一种机载无线数据通讯中继单元剩余寿命预测方法与预测装置。
[0011]本发明所述机载无线数据通讯中继单元剩余寿命预测方法，该方法包括如下步骤:
[0012]步骤1、对机载无线数据通讯中继单元的测试数据进行预处理；
[0013]预处理的具体过程包括:
[0014]步骤11、对机载无线数据通讯中继单元的测试数据进行载入；
[0015]步骤12、将步骤11载入的测试数据进行整理；
[0016]步骤13、根据指定参量的名称从整理后的测试数据中提取参量对应的测试数据；
[0017]步骤2、将步骤1获取的测试数据进行机载无线数据通讯中继单元健康状态趋势的预测，根据故障阈值获取故障发生的预测时间，即机载无线数据通讯中继单元剩余寿命;
[0018]所述将测试数据进行机载无线数据通讯中继单元健康状态趋势的预测包括直接健康因子预测和间接健康因子预测；
[0019]步骤21、选取中继温度数据为直接健康因子，采用直接健康因子进行健康状态预测的具体过程为:
[0020]步骤211、分别对测试数据文件按照步骤1所述预处理过程提取中继温度参量对应的数据；
[0021]步骤212、分别计算各次中继温度数据的平均值；
[0022]步骤213、根据选取的训练参数对中继温度数据的平均值进行训练，建立高斯过程回归模型；所述训练参数包括平方指数协方差函数参数、周期函数超参数和线性均值函数参数，平方指数协方差函数参数包括方差幅值和距离尺寸，周期函数超参数包括噪声方差、方差幅值、距离尺寸和角频率，线性均值函数参数包括一阶系数和常数；
[0023]步骤214、根据预测步长、故障阈值通过步骤213已建立的高斯过程回归模型进行预测，获取直接健康因子的预测结果，即预测曲线图；
[0024]步骤215、根据步骤214获取的预测曲线图判断是否在预测步长内出现故障，如果出现故障，则产生故障警报，并获取剩余可使用次数；
[0025]步骤22、选取中继模式下单位增益对应的功率增量方差为间接健康因子，采用间接健康因子进行健康状态预测的具体过程为:
[0026]步骤221、分别对测试数据文件按照步骤1所述预处理过程提取中继AGG参量对应的数据和中继功率参量对应的数据；
[0027]步骤222、根据各次中继AGG参量对应的数据和中继功率参量对应的数据分别计算中继模式下各次测试的单位增益对应的功率增量方差；
[0028]步骤223、根据选取的训练参数对功率增量方差进行训练，建立高斯过程回归模型；所述训练参数包括平方指数协方差函数参数、周期函数超参数和线性均值函数参数，平方指数协方差函数参数包括方差幅值和距离尺寸，周期函数超参数包括噪声方差、方差幅值、距离尺寸和角频率，线性均值函数参数包括一阶系数和常数；
[0029]步骤224、根据预测步长、故障阈值通过步骤213已建立的高斯过程回归模型进行预测，获取间接健康因子的预测结果，即预测曲线图；
[0030]步骤225、根据步骤224获取的预测曲线图判断是否在预测步长内出现故障，如果出现故障则产生故障警报，并获取剩余可用次数。
[0031]本发明所述机载无线数据通讯中继单元剩余寿命预测装置，该装置包括:
[0032]用于对机载无线数据通讯中继单元的测试数据进行预处理的模块，用于完成测试数据的载入，对测试数据进行整理，并且实现对指定参量的提取；
[0033]用于对机载无线数据通讯中继单元的测试数据进行趋势预测的模块，用于对直接健康因子进行预测和对间接健康因子进行预测；对直接健康因子预测的结果包括直接健康因子变化趋势曲线图、剩余可使用次数和故障警报；对间接健康因子预测的结果包括间接健康因子变化趋势曲线图、剩余可使用次数和故障警报。
[0034]本发明的机载无线数据通讯中继单元剩余寿命预测方法和预测装置，具有快速准确进行健康管理的功能。其中混合编程方面采用了基于组件对象模型(COM)混合编程技术，摆脱了必须安装Matlab软件的束缚，实现了机载无线数据通讯中继单元剩余寿命预测软件的单独发布；预测模型选择方面，采用先进的GPR模型对健康因子进行预测，不仅能完成预测任务，而且可以在输出均值的同时给出置信区间，提供了更多的参考信息，增强了预测结果的有效性；趋势分析预测方面，在成功提取出健康因子的前提下，完成了直接健康因子预测和间接健康因子预测，采用两种方法同时进行预测，在结果上进行互补，提供了更多的参考信息。
【专利附图】
【附图说明】
[0035]图1是本发明所述机载无线数据通讯中继单元剩余寿命预测方法的原理框图；
[0036]图2是本发明所述对机载无线数据通讯中继单元测试数据进行预处理的原理框图；
[0037]图3是本发明所述提取指定参量名称对应数据的原理框图；
[0038]图4是本发明所述直接健康因子预测过程的原理框图；
[0039]图5是本发明所述间接健康因子预测过程的原理框图。
【具体实施方式】
[0040]【具体实施方式】一:下面结合图1、图4和图5说明本实施方式，本实施方式所述机载无线数据通讯中继单元剩余寿命预测方法，该方法包括如下步骤:
[0041]步骤1、对机载无线数据通讯中继单元的测试数据进行预处理；
[0042]预处理的具体过程包括:
[0043]步骤11、对机载无线数据通讯中继单元的测试数据进行载入；
[0044]步骤12、将步骤11载入的测试数据进行整理；
[0045]步骤13、根据指定参量的名称从整理后的测试数据中提取参量对应的测试数据；
[0046]步骤2、将步骤1获取的测试数据进行机载无线数据通讯中继单元健康状态趋势的预测，根据故障阈值获取故障发生的预测时间，即机载无线数据通讯中继单元剩余寿命;
[0047]所述将测试数据进行机载无线数据通讯中继单元健康状态趋势的预测包括直接健康因子预测和间接健康因子预测；
[0048]步骤21、选取中继温度数据为直接健康因子，采用直接健康因子进行健康状态预测的具体过程为:
[0049]步骤211、分别对测试数据文件按照步骤1所述预处理过程提取中继温度参量对应的数据；
[0050]步骤212、分别计算各次中继温度数据的平均值；
[0051]步骤213、根据选取的训练参数对中继温度数据的平均值进行训练，建立高斯过程回归模型；所述训练参数包括平方指数协方差函数参数、周期函数超参数和线性均值函数参数，平方指数协方差函数参数包括方差幅值和距离尺寸，周期函数超参数包括噪声方差、方差幅值、距离尺寸和角频率，线性均值函数参数包括一阶系数和常数；
[0052]步骤214、根据预测步长、故障阈值通过步骤213已建立的高斯过程回归模型进行预测，获取直接健康因子的预测结果，即预测曲线图；
[0053]步骤215、根据步骤214获取的预测曲线图判断是否在预测步长内出现故障，如果出现故障，则产生故障警报，并获取剩余可使用次数；
[0054]步骤22、选取中继模式下单位增益对应的功率增量方差为间接健康因子，采用间接健康因子进行健康状态预测的具体过程为:
[0055]步骤221、分别对测试数据文件按照步骤1所述预处理过程提取中继AGG参量对应的数据和中继功率参量对应的数据；
[0056]步骤222、根据各次中继AGG参量对应的数据和中继功率参量对应的数据分别计算中继模式下各次测试的单位增益对应的功率增量方差；
[0057]步骤223、根据选取的训练参数对功率增量方差进行训练，建立高斯过程回归模型；所述训练参数包括平方指数协方差函数参数、周期函数超参数和线性均值函数参数，平方指数协方差函数参数包括方差幅值和距离尺寸，周期函数超参数包括噪声方差、方差幅值、距离尺寸和角频率，线性均值函数参数包括一阶系数和常数；
[0058]步骤224、根据预测步长、故障阈值通过步骤213已建立的高斯过程回归模型进行预测，获取间接健康因子的预测结果，即预测曲线图；
[0059]步骤225、根据步骤224获取的预测曲线图判断是否在预测步长内出现故障，如果出现故障则产生故障警报，并获取剩余可用次数。
[0060]本实施方式中，在构造出直接健康因子后，本软件只需要对直接健康因子的变化趋势进行预测及诊断，即可根据直接健康因子判定机载无线数据通讯中继单元的健康状态。系统趋势预测所需处理数据为多次历史测量的数据。对于直接健康因子的变化趋势预测，本软件采用的预测模型为高斯过程回归模型(Gaussian Process Regress1n,GPR)。其特点是:在确定高斯过程的均值函数和协方差函数后，即确定了高斯过程的先验分布，其不依赖于训练数据的输入。高斯过程回归模型(GPR)可以通过训练数据的输入限制先验分布，进而实现对后验分布的估计，GP后验分布的函数预测输出值可以通过贝叶斯框架的计算得到。GPR是一种可以适用于非线性回归问题的概率技术，属于无参数模型，可以通过适当的组合实现对任意系统的逼近。GPR模型用于实现预测问题时，不同于一般的数据驱动方法，其可以在输出均值的同时给出置信区间，从而提供更多的参考信息，增强预测结果的有效性。
[0061]本实施方式中，间接预测是采用和机载无线数据通讯中继单元性能退化相关的间接健康因子作为输入数据，建立间接健康因子和机载无线数据通讯中继单元健康状态之间的关系模型，然后通过对间接健康因子的预测实现对机载无线数据通讯中继单元的健康状态预测。
[0062]间接健康因子的构建过程是:通过对机载无线数据通讯中继单元测试数据的进一步分析可知，每次加电测试过程中获取的单位增益对应功率增量序列的方差随着加电测试次数的增加呈现出一定的波动上升趋势。即随着加电测试次数的增加，机载无线数据通讯中继单元对于增益控制命令的响应的稳定性变差，功率响应可以达到预期的调整结果，但是维持稳定调整结果的能力下降，功率在目标值附近的波动变得愈发剧烈。也就是说，系统最为根本的能量供给环节即功率调节性能出现了一定退化，也就在一定程度上反映出数传系统整体的性能出现了一定的下降。因此，采用本实施方式能够获取随时间呈现一定退化趋势并与系统健康状态相关的参量一中继模式下单位增益对应功率增量方差，即间接健康因子，能够反应机载无线数据通讯中继单元对于增益指令的响应质量。
[0063]【具体实施方式】二:下面结合图2说明本实施方式，本实施方式对实施方式一作进一步说明，步骤12所述对测试数据进行整理的具体过程为:
[0064]步骤121、将载入数据中不等长度连续空格字符串替换为特定标识符；
[0065]步骤122、根据特定标识符和回车符将数据整理为严整形式，所述的严整形式为符合LabVIEW读取电子表格控件读取的形式，S卩，数据中相邻两列数据之间以制位符为间隔，相邻两行数据之间以回车符为间隔；
[0066]步骤123、将步骤122中获得的严整形式数据分离参量名称量和数据量，其中，参量名称量以字符串向量的形式存储，获得参量名称量向量，数据量以双精度数值型数组形式存储，获得数据量数组。
[0067]【具体实施方式】三:下面结合图3说明本实施方式，本实施方式对实施方式一作进一步说明，步骤13所述将指定数据参量提取的具体过程为:
[0068]步骤131、根据指定参量名称从参量名称量向量中获得指定数据参量名称的位置；
[0069]步骤132、根据步骤131获取的指定参量名称的位置从数据量数组中获取数组相应位置的列向量，即为指定参量名称对应的数据量。
[0070]【具体实施方式】四:下面结合图1说明本实施方式，本实施方式所述机载无线数据通讯中继单元剩余寿命预测装置，该装置包括:
[0071]用于对机载无线数据通讯中继单元的测试数据进行预处理的模块，用于完成测试数据的载入，对测试数据进行整理，并且实现对指定参量的提取；
[0072]用于对机载无线数据通讯中继单元的测试数据进行趋势预测的模块，用于对直接健康因子进行预测和对间接健康因子进行预测；对直接健康因子预测的结果包括直接健康因子变化趋势曲线图、剩余可使用次数和故障警报；对间接健康因子预测的结果包括间接健康因子变化趋势曲线图、剩余可使用次数和故障警报。
[0073]该预测装置还包括波形查看模块，用于对参量数据的波形进行查看。
【权利要求】
1.机载无线数据通讯中继单元剩余寿命预测方法，其特征在于，该方法包括如下步骤: 步骤1、对机载无线数据通讯中继单元的测试数据进行预处理； 预处理的具体过程包括: 步骤11、对机载无线数据通讯中继单元的测试数据进行载入； 步骤12、将步骤11载入的测试数据进行整理； 步骤13、根据指定参量的名称从整理后的测试数据中提取参量对应的测试数据； 步骤2、将步骤I获取的测试数据进行机载无线数据通讯中继单元健康状态趋势的预测，根据故障阈值获取故障发生的预测时间，即机载无线数据通讯中继单元剩余寿命；所述将测试数据进行机载无线数据通讯中继单元健康状态趋势的预测包括直接健康因子预测和间接健康因子预测； 步骤21、选取中继温度数据为直接健康因子，采用直接健康因子进行健康状态预测的具体过程为: 步骤211、分别对测试数据文件按照步骤I所述预处理过程提取中继温度参量对应的数据； 步骤212、分别计算各次中继温度数据的平均值； 步骤213、根据选取的训练参数对中继温度数据的平均值进行训练，建立高斯过程回归模型；所述训练参数包括平方指数协方差函数参数、周期函数超参数和线性均值函数参数，平方指数协方差函数参数包括方差幅值和距离尺寸，周期函数超参数包括噪声方差、方差幅值、距离尺寸和角频率，线性均值函数参数包括一阶系数和常数； 步骤214、根据预测步长、故障阈值通过步骤213已建立的高斯过程回归模型进行预测，获取直接健康因子的预测结果，即预测曲线图； 步骤215、根据步骤214获取的预测曲线图判断是否在预测步长内出现故障，如果出现故障，则产生故障警报，并获取剩余可使用次数； 步骤22、选取中继模式下单位增益对应的功率增量方差为间接健康因子，采用间接健康因子进行健康状态预测的具体过程为: 步骤221、分别对测试数据文件按照步骤I所述预处理过程提取中继AGG参量对应的数据和中继功率参量对应的数据； 步骤222、根据各次中继AGG参量对应的数据和中继功率参量对应的数据分别计算中继模式下各次测试的单位增益对应的功率增量方差； 步骤223、根据选取的训练参数对功率增量方差进行训练，建立高斯过程回归模型；所述训练参数包括平方指数协方差函数参数、周期函数超参数和线性均值函数参数，平方指数协方差函数参数包括方差幅值和距离尺寸，周期函数超参数包括噪声方差、方差幅值、距离尺寸和角频率，线性均值函数参数包括一阶系数和常数； 步骤224、根据预测步长、故障阈值通过步骤213已建立的高斯过程回归模型进行预测，获取间接健康因子的预测结果，即预测曲线图； 步骤225、根据步骤224获取的预测曲线图判断是否在预测步长内出现故障，如果出现故障则产生故障警报，并获取剩余可用次数。
2.根据权利要求1所述机载无线数据通讯中继单元剩余寿命预测方法，其特征在于，步骤12所述对测试数据进行整理的具体过程为: 步骤121、将载入数据中不等长度连续空格字符串替换为特定标识符； 步骤122、根据特定标识符和回车符将数据整理为严整形式，所述的严整形式为符合LabVIEW读取电子表格控件读取的形式，S卩，数据中相邻两列数据之间以制位符为间隔，相邻两行数据之间以回车符为间隔； 步骤123、将步骤122中获得的严整形式数据分离参量名称量和数据量，其中，参量名称量以字符串向量的形式存储，获得参量名称量向量，数据量以双精度数值型数组形式存储，获得数据量数组。
3.根据权利要求1所述机载无线数据通讯中继单元剩余寿命预测方法，其特征在于，步骤13所述将指定数据参量提取的具体过程为: 步骤131、根据指定参量名称从参量名称量向量中获得指定数据参量名称的位置； 步骤132、根据步骤131获取的指定参量名称的位置从数据量数组中获取数组相应位置的列向量，即为指定参量名称对应的数据量。
4.机载无线数据通讯中继单元剩余寿命预测装置，其特征在于，该装置包括: 用于对机载无线数据通讯中继单元的测试数据进行预处理的模块，用于完成测试数据的载入，对测试数据进行整理，并且实现对指定参量的提取； 用于对机载无线数据通讯中继单元的测试数据进行趋势预测的模块，用于对直接健康因子进行预测和对间接健康因子进行预测；对直接健康因子预测的结果包括直接健康因子变化趋势曲线图、剩余可使用次数和故障警报；对间接健康因子预测的结果包括间接健康因子变化趋势曲线图、剩余可使用次数和故障警报。
【文档编号】G06Q10/04GK104361404SQ201410588957
【公开日】2015年2月18日 申请日期:2014年10月28日 优先权日:2014年10月28日
【发明者】刘大同, 庞景月, 陈静, 郭力萌, 李祺, 彭宇 申请人:哈尔滨工业大学