一种运载火箭健康检测验证评估系统和方法与流程

1.本发明属于健康管理技术领域，尤其涉及一种运载火箭健康检测验证评估系统和方法。


背景技术：

2.运载火箭智能管理与测试需要构建系统化、体系化、智能化的健康检测-故障诊断-性能评估架构，以运载火箭关键系统与部件的全寿命周期运行维护为切入点，通过将智能技术等嵌入运载火箭健康管理环境，可以推进现有健康检测能力快速升级，实现运载火箭对故障状态的优化表征、准确定位和快速响应。在此基础上，需要搭建面向运载火箭关键功能需求的健康检测及故障诊断验证评估(phm)系统，实现算法的二次封装和嵌入式集成，包括phm算法装载运行能力验证、指标需求能力验证、信息流图仿真测试能力验证等。
3.当前，世界各航天大国在航天运输、深空探测、重复使用等新一轮空间活动的高潮正在形成与发展，运载火箭作为航天运输工具，获得了极大的关注。新一代的运载火箭具有结构尺寸大、低温动力多、复杂程度高等特点，对其在测试、发射、飞行和回收过程中的可靠性与安全性带来了重大挑战，phm技术在运载火箭上具有巨大的应用前景。对于新一代运载火箭来说，phm技术需要向全面化、体系化、深入化的方向改进。


技术实现要素：

4.本发明的技术解决问题：克服现有技术的不足，提供一种运载火箭健康检测验证评估系统和方法，旨在满足phm技术需要向全面化、体系化、深入化的方向改进的需求。
5.为了解决上述技术问题，本发明公开了一种运载火箭健康检测验证评估系统，包括：
6.运载火箭健康表征及影响评估模块，用于对运载火箭关键系统和部件相关数据资料进行收集和分析，确定运载火箭关键系统和部件、故障模式和故障表征参数之间的映射关系；
7.健康检测和故障诊断验证评估模块，用于接收注入的样本故障模式，根据运载火箭关键系统和部件、故障模式和故障表征参数之间的映射关系，确定样本故障模式对应的故障表征参数；根据样本故障模式对应的故障表征参数，构建得到运载火箭关键系统和部件健康管理算法模型；以及，接收注入的待分析故障模式，调用相应的运载火箭关键系统和部件健康管理算法模型，进行运载火箭健康检测验证评估；
8.运载火箭关键系统和部件健康管理算法库模块，用于存储运载火箭关键系统和部件健康管理算法模型。
9.在上述运载火箭健康检测验证评估系统中，运载火箭关键系统和部件健康管理算法模型，包括：基于隐马尔可夫模型的健康评估算法模型、基于广义高斯核支持向量机的故障诊断算法模型和基于动态推理的故障诊断算法模型。
10.在上述运载火箭健康检测验证评估系统中，
11.运载火箭关键系统和部件，包括：蓄电池、发动机和箭载计算机；
12.故障表征参数，包括：用于表征蓄电池是否发生故障的蓄电池故障表征参数、用于表征发动机是否发生故障的发动机故障表征参数、用于表征箭载计算机是否发生故障的箭载计算机故障表征参数。
13.在上述运载火箭健康检测验证评估系统中，运载火箭健康表征及影响评估模块，用于：
14.对运载火箭关键系统和部件相关数据资料进行收集，确定运载火箭关键系统和部件对应的统计性能数据、故障记录与维修手册、寿命数据和运行维护信息；
15.根据统计性能数据、故障记录与维修手册、寿命数据和运行维护信息，对运载火箭关键系统和部件进行fmeca分析和fta分析，确定运载火箭关键系统和部件、故障模式、以及故障表征参数之间的映射关系。
16.在上述运载火箭健康检测验证评估系统中，健康检测和故障诊断验证评估模块在根据样本故障模式对应的故障表征参数，构建得到运载火箭关键系统和部件健康管理算法模型时，包括：
17.当样本故障模式对应的故障表征参数为蓄电池故障表征参数时，对蓄电池故障表征参数进行标准化处理，得到标准化处理后的数据；
18.采用主成分分析法，对标准化处理后的数据进行降维处理，得到降维处理后的数据；
19.采用无监督聚类算法，对降维处理后的数据进行聚类，划分相应的数据集，将蓄电池设定为健康、亚健康、危险、故障状态；
20.使用聚类后的数据对隐马尔可夫模型进行训练，构建得到基于隐马尔可夫模型的健康评估算法模型。
21.在上述运载火箭健康检测验证评估系统中，健康检测和故障诊断验证评估模块在根据样本故障模式对应的故障表征参数，构建得到运载火箭关键系统和部件健康管理算法模型时，包括：
22.当样本故障模式对应的故障表征参数为发动机故障表征参数时，将发动机故障表征参数作为广义高斯核支持向量机模型的输入；
23.采用方差选择法，对广义高斯核支持向量机模型进行参数筛选，得到方差大于预设阈值的参数；其中，预设阈值为[0,1]；
[0024]
将筛选得到的方差大于预设阈值的参数按照随机策略划分为训练集和测试集；
[0025]
通过训练集对广义高斯核支持向量机模型进行训练，并采用混沌遗传算法对参数进行优化，得到诊断准确率最高的广义高斯核支持向量机模型，即为基于广义高斯核支持向量机的故障诊断算法模型。
[0026]
在上述运载火箭健康检测验证评估系统中，健康检测和故障诊断验证评估模块在根据样本故障模式对应的故障表征参数，构建得到运载火箭关键系统和部件健康管理算法模型时，包括：
[0027]
当样本故障模式对应的故障表征参数为箭载计算机故障表征参数时，通过数据驱动的方法挖掘运载火箭仿真数据中的故障信息，针对发动机不同衰退故障程度下箭载计算机对应的箭载计算机故障表征参数进行特征提取和聚类，确定故障特征集与故障模式的对
应关系；
[0028]
根据已有的故障特征与故障模式匹配规则，建立故障特征集到故障模式的映射模型，采用基于欧式距离度量学习的方法，挖掘样本集故障特征和故障模式之间的关联规则，完成健康基线的构建，得到基于动态推理的故障诊断算法模型。
[0029]
在上述运载火箭健康检测验证评估系统中，基于隐马尔可夫模型的健康评估算法模型，用于对蓄电池的健康状态进行评估，得到蓄电池健康状态结果；其中，当蓄电池健康状态结果为“健康”状态时，可执行发射任务；当蓄电池健康状态结果为“亚健康”状态时，执行检修和补救任务，直至恢复到“健康”状态，以保证发射任务的顺利完成。
[0030]
在上述运载火箭健康检测验证评估系统中，采用如下方法实现对蓄电池故障表征参数的标准化处理：采用指数移动平均平滑法对蓄电池故障表征参数进行平滑处理。
[0031]
相应的，本发明还公开了一种运载火箭健康检测验证评估方法，包括：
[0032]
对运载火箭关键系统和部件相关数据资料进行收集和分析，确定运载火箭关键系统和部件、故障模式和故障表征参数之间的映射关系；
[0033]
接收注入的样本故障模式，根据运载火箭关键系统和部件、故障模式和故障表征参数之间的映射关系，确定样本故障模式对应的故障表征参数；
[0034]
根据样本故障模式对应的故障表征参数，构建得到运载火箭关键系统和部件健康管理算法模型；
[0035]
接收注入的待分析故障模式，调用相应的运载火箭关键系统和部件健康管理算法模型，进行运载火箭健康检测验证评估。
[0036]
本发明具有以下优点：
[0037]
本发明通过构建运载火箭健康表征参数体系，开发运载火箭健康表征及影响评估模块，准确、有效和全面的表征出系统完成任务的能力；依托于新型智能算法实现健康表征、健康检测和故障诊断，开发运载火箭关键系统和部件健康管理算法库模块；通过对系统实时参数、历史数据、调试及实验过程等各个阶段收集的数据进行分析处理，搭建健康检测和故障诊断验证评估模块，具备对关键系统与部件健康管理设计和验证的能力。
附图说明
[0038]
图1是本发明实施例中一种运载火箭健康检测验证评估系统的结构框图；
[0039]
图2是本发明实施例中一种运载火箭健康表征及影响评估模块的工作流程示意图；
[0040]
图3是本发明实施例中一种基于隐马尔可夫模型的健康评估算法模型的构建流程示意图；
[0041]
图4是本发明实施例中一种健康检测和故障诊断验证评估模块的组成示意图。
具体实施方式
[0042]
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明公开的实施方式作进一步详细描述。
[0043]
本发明的核心思想之一在于：针对运载火箭低成本、高可靠、快速发射、智能化、重复使用的需求，构建系统化、体系化、智能化的运载火箭箭地一体健康检测与故障诊断架
构，以运载火箭关键系统与部件的全寿命周期运行维护为切入点，通过将智能技术等嵌入运载火箭健康管理环境，可以推进现有健康检测能力快速升级，实现运载火箭对故障状态的优化表征、准确定位和快速响应。在此基础上，搭建运载火箭健康检测验证评估系统，完成对健康检测算法结果的验证评估，有效提升算法应用效果。
[0044]
如图1，本发明实施例公开了一种运载火箭健康检测验证评估系统，用运载火箭箭地一体健康检测与故障诊断架构，通过下述三个模块实现：运载火箭健康表征及影响评估模块101、健康检测和故障诊断验证评估模块102和运载火箭关键系统和部件健康管理算法库模块103。
[0045]
运载火箭健康表征及影响评估模块101，用于对运载火箭关键系统和部件相关数据资料进行收集和分析，确定运载火箭关键系统和部件、故障模式和故障表征参数之间的映射关系。
[0046]
在本实施例中，运载火箭关键系统和部件包括但不仅限于：蓄电池、发动机和箭载计算机；故障表征参数包括但不仅限于：用于表征蓄电池是否发生故障的蓄电池故障表征参数、用于表征发动机是否发生故障的发动机故障表征参数、用于表征箭载计算机是否发生故障的箭载计算机故障表征参数。
[0047]
如图2所示，运载火箭健康表征及影响评估模块，具体可以用于：对运载火箭关键系统和部件相关数据资料进行收集，确定运载火箭关键系统和部件对应的统计性能数据、故障记录与维修手册、寿命数据和运行维护信息；根据统计性能数据、故障记录与维修手册、寿命数据和运行维护信息，对运载火箭关键系统和部件进行fmeca分析和fta分析，确定运载火箭关键系统和部件、故障模式、以及故障表征参数之间的映射关系。
[0048]
健康检测和故障诊断验证评估模块102，用于接收注入的样本故障模式，根据运载火箭关键系统和部件、故障模式和故障表征参数之间的映射关系，确定样本故障模式对应的故障表征参数；根据样本故障模式对应的故障表征参数，构建得到运载火箭关键系统和部件健康管理算法模型；以及，接收注入的待分析故障模式，调用相应的运载火箭关键系统和部件健康管理算法模型，进行运载火箭健康检测验证评估。
[0049]
在本实施例中，运载火箭关键系统和部件健康管理算法模型包括但不仅限于：基于隐马尔可夫模型的健康评估算法模型、基于广义高斯核支持向量机的故障诊断算法模型和基于动态推理的故障诊断算法模型。
[0050]
(1)基于隐马尔可夫模型的健康评估算法模型
[0051]
基于隐马尔可夫模型的健康评估算法模型可用于运载火箭典型设备的健康状态无法直接通过监测参数观察得到、其隐含的健康状态与观测参数有关的情况。主要分为四个步骤：第一步是数据预处理，典型设备监测参数具有不同量纲，若直接进行数据分析，会受到量纲影响，因此需要对数据进行标准化。在监测参数经过标准化后，虽然能够看出其变化趋势，但是数据中仍具有突变，对模型的构建以及精度的保证有很大的影响。其中，原始数据中存在数据点的突变以及数据趋势的变化都会对健康评估工作造成很大的影响，一般采用指数移动平均平滑法进行参数平滑处理。第二步是特征提取，由于典型设备原始监测参数众多，参数之间难免存在耦合现象，并且不同参数对健康状态的表征能力也不尽相同，若直接使用原始参数数据进行模型构建，不仅会导致模型复杂度过大，还会出现模型无法拟合的情况，因此选用pca主成分分析法进行参数的特征提取。第三步是模型训练，利用pca
降维后的特征参数集进行隐马尔可夫模型的构建，并进行参数训练，构建不同健康状态的运载火箭典型设备隐马尔可夫模型库。第四步是健康状态评估，主要使用测试数据进行预处理及特征提取后，输入建立好的隐马尔可夫模型中，得出当前状态下最后可能的健康状态，完成健康状态评估。
[0052]
如图3所示，基于隐马尔可夫模型的健康评估算法模型的具体构建流程如下：当样本故障模式对应的故障表征参数为蓄电池故障表征参数时，对蓄电池故障表征参数进行标准化处理，得到标准化处理后的数据；采用主成分分析法，对标准化处理后的数据进行降维处理，得到降维处理后的数据；采用无监督聚类算法，对降维处理后的数据进行聚类，划分相应的数据集，将蓄电池设定为健康、亚健康、危险、故障状态；使用聚类后的数据对隐马尔可夫模型进行训练，构建得到基于隐马尔可夫模型的健康评估算法模型。其中，可采用如下方法实现对蓄电池故障表征参数的标准化处理：采用指数移动平均平滑法对蓄电池故障表征参数进行平滑处理。
[0053]
优选的，该基于隐马尔可夫模型的健康评估算法模型，可用于对蓄电池的健康状态进行评估，得到蓄电池健康状态结果；其中，当蓄电池健康状态结果为“健康”状态时，可执行发射任务；当蓄电池健康状态结果为“亚健康”状态时，执行检修和补救任务，直至恢复到“健康”状态，以保证发射任务的顺利完成。
[0054]
进一步的，可根据通过基于隐马尔可夫模型的健康评估算法模型确定的蓄电池健康状态评估结果，计算蓄电池关键验证指标健康评估准确率，与蓄电池任务要求指标进行比对评价，衡量所述基于隐马尔可夫模型的健康评估算法模型能否达到任务要求。
[0055]
(2)基于广义高斯核支持向量机的故障诊断算法模型
[0056]
基于广义高斯核支持向量机的故障诊断算法模型的具体构建流程如下：当样本故障模式对应的故障表征参数为发动机故障表征参数时，将发动机故障表征参数作为广义高斯核支持向量机模型的输入；采用方差选择法，对广义高斯核支持向量机模型进行参数筛选，得到方差大于预设阈值的参数；其中，预设阈值为[0,1]；将筛选得到的方差大于预设阈值的参数按照随机策略划分为训练集和测试集；通过训练集对广义高斯核支持向量机模型进行训练，并采用混沌遗传算法对参数进行优化，得到诊断准确率最高的广义高斯核支持向量机模型，即为基于广义高斯核支持向量机的故障诊断算法模型。
[0057]
进一步的，可根据通过基于广义高斯核支持向量机的故障诊断算法模型确定的发动机故障诊断结果，计算发动机关键验证指标故障检测率以及故障隔离率，并与发动机任务要求指标进行比对评价，衡量基于广义高斯核支持向量机的故障诊断算法模型能否达到任务要求。其中，发动机任务要求为故障检测率≥95％，故障隔离率≥90％。
[0058]
(3)基于动态推理的故障诊断算法模型
[0059]
基于动态推理的故障诊断算法模型的具体构建流程如下：当样本故障模式对应的故障表征参数为箭载计算机故障表征参数时，通过数据驱动的方法挖掘运载火箭仿真数据中的故障信息，针对发动机不同衰退故障程度下箭载计算机对应的箭载计算机故障表征参数进行特征提取和聚类，确定故障特征集与故障模式的对应关系；根据已有的故障特征与故障模式匹配规则，建立故障特征集到故障模式的映射模型，采用基于欧式距离度量学习的方法，挖掘样本集故障特征和故障模式之间的关联规则，完成健康基线的构建，得到基于动态推理的故障诊断算法模型。其中，基于上述构建的健康基线，利用其能够实现故障样本
集特征值和故障模式之间的映射，实现待测样本的故障识别，确定发动机最可能的故障情况。根据箭载计算机故障表征参数(包含箭载计算机给出的速度信息)，得到发动机推力下降时间以及下降幅度。
[0060]
运载火箭关键系统和部件健康管理算法库模块103，用于存储运载火箭关键系统和部件健康管理算法模型。
[0061]
在发明的一优选实施例中，如图4所示，健康检测和故障诊断验证评估模块102具体可以包括：故障注入控制器、故障注入器、故障模式库、目标系统、监测收集器和数据分析器。其中，故障注入控制器包括硬件故障注入和软件故障注入两种方式。故障注入器通过接触式、非接触式和模拟输入实现故障。故障模式库包括可供选择的故障模式。目标系统为运载火箭对应的关键系统和部件，包括发动机、电源、伺服机构等。监测收集器在任务运行状态监测与控制实现在任务运行的过程中，监测任务运行的阶段并通过交互界面进行反馈，同时提供实时控制任务运行状态的权限和功能，进行任务继续或停止的操作。数据分析器对故障能进行有效检测和精确定位，减少误报和漏报故障，并准确进行状态预测。
[0062]
在上述实施例的基础上，本发明还公开了一种运载火箭健康检测验证评估方法，包括：对运载火箭关键系统和部件相关数据资料进行收集和分析，确定运载火箭关键系统和部件、故障模式和故障表征参数之间的映射关系；接收注入的样本故障模式，根据运载火箭关键系统和部件、故障模式和故障表征参数之间的映射关系，确定样本故障模式对应的故障表征参数；根据样本故障模式对应的故障表征参数，构建得到运载火箭关键系统和部件健康管理算法模型；接收注入的待分析故障模式，调用相应的运载火箭关键系统和部件健康管理算法模型，进行运载火箭健康检测验证评估。
[0063]
对于方法实施例而言，由于其与系统实施例相对应，所以描述的比较简单，相关之处参见系统实施例部分的说明即可。
[0064]
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。