CN117196575A - 地面装备故障预测与健康管理系统通用架构及其使用方法 - Google Patents
地面装备故障预测与健康管理系统通用架构及其使用方法 Download PDFInfo
- Publication number
- CN117196575A CN117196575A CN202311085405.5A CN202311085405A CN117196575A CN 117196575 A CN117196575 A CN 117196575A CN 202311085405 A CN202311085405 A CN 202311085405A CN 117196575 A CN117196575 A CN 117196575A
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- phm
- information
- fault
- 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.)
- Pending
Links
- 230000036541 health Effects 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 61
- 238000012423 maintenance Methods 0.000 claims abstract description 43
- 238000004458 analytical method Methods 0.000 claims abstract description 33
- 238000007726 management method Methods 0.000 claims abstract description 29
- 238000003745 diagnosis Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 230000015556 catabolic process Effects 0.000 claims abstract description 15
- 238000006731 degradation reaction Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims description 24
- 230000009467 reduction Effects 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000001816 cooling Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000009434 installation Methods 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 3
- 230000003862 health status Effects 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 19
- 238000013468 resource allocation Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 13
- 238000011156 evaluation Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 5
- 239000000203 mixture Substances 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种地面装备故障预测与健康管理系统通用架构及其使用方法，包括：数据采集模块：进行装备机内测试，通过传感器采集装备运行过程中的设备数据；数据处理模块：通过算法对采集的设备数据进行数据处理，得到处理信息；分系统PHM计算模块：对处理信息进行退化状态识别、故障诊断与故障预测的分析，得到分析结果；地面装备系统级PHM平台：根据分析结果进行装备健康状态判断，做出维修决策。本发明建立导弹地面装备建立集中‑分布式的PHM系统通用架构，在完成装备各部件状态监控、信息收集与处理、故障诊断与预测的同时，对整个装备PHM信息的收集与集中管理，实现辅助维修决策及保障资源调配。
Description
技术领域
本发明涉及地面装备健康管理系统架构的技术领域，具体地，涉及一种地面装备故障预测与健康管理系统通用架构及其使用方法。
背景技术
随着PHM(Prognostics and Health Management，故障预测与健康管理)技术应用变得越加广泛，近年来国内外研究机构对面向各类具体对象的体系架构展开了大量研究，根据不同对象的特点对PHM基础框架进行扩展和改进，得到面向服务对象的、适用性更强的体系结构。
公开号为CN115729536A的中国发明专利文献公开了一种通用化的装备故障预测与健康管理建模系统，包括：PHM工程管理模块，用于完成PHM工程的创建，PHM数据管理模块，负责完成装备各类型传感器数据的导入和管理，可视化PHM建模模块，基于图论理论的可视化建模技术，利用不同类型图元表达PHM模型要素，实现数据处理、故障诊断、预测、健康评估等模型的开放性建模，可视化PHM模型训练模块，用于针对机器学习类算法完成模型的多次训练、验证评估与优化。
针对上述中的相关技术，发明人认为导弹地面装备工作剖面比较复杂，在各任务剖面下装备的状态切换比较频繁，对PHM系统架构提出了更高的要求；而且导弹地面装备的作战任务要求较高，须保持较高的战备水平，需要PHM系统具备更强的状态监控能力，以便更好的实现故障检测、诊断、隔离与故障预测，保证装备的完好性。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种地面装备故障预测与健康管理系统通用架构及其使用方法。
根据本发明提供的一种地面装备故障预测与健康管理系统通用架构，包括多个数据采集模块、数据处理模块、分系统PHM计算模块以及地面装备系统PHM平台；
数据采集模块：进行装备机内测试，通过传感器采集装备运行过程中的设备数据；
数据处理模块：通过算法对采集的设备数据进行数据处理，得到处理信息；
分系统PHM计算模块：对处理信息进行退化状态识别、故障诊断与故障预测的分析，得到分析结果；
地面装备系统级PHM平台：根据分析结果进行装备健康状态判断，做出维修决策。
优选的，在所述数据采集模块中，装备机内测试信息包括装备分系统电子产品的设备BIT信息；
传感器采集的设备信息包括油机电站、发动机、伺服设备以及冷却设备的机械部位信息；
机械部位信息为与故障关联的运行参数；
传感器的设置条件为在设备的故障模式及影响分析基础上，确定信号采集的传感器的类型、数量和安装位置。
优选的，所述数据处理模块包括数据预处理模块、数据融合模块以及虚拟传感器：
所述数据预处理模块对采集的设备数据进行降噪滤波处理，针对各种传感器数据特点从时域、频域和时频域提取多维特征，采用核主元分析对提取的多维特征进行降维并归一化处理，得到多源信息；
所述数据融合模块采用算法进行多源信息的特征级融合，得到融合数据；
所述虚拟传感器以数学模型为核心节点，以采集的设备数据为输入，输出预设设备状态参数。
优选的，在所述分系统PHM计算模块中，采用各种推理算法对处理信息进行分析，得到装备运行状态；若装备运行状态出现故障则进一步判断故障类型，若装备运行状态未出现故障则在退化状态识别的基础上做出剩余使用寿命的预测，为维修决策提供依据。
优选的，该通用架构还包括上级维修保障中心；在所述地面装备系统级PHM平台中，获取分析结果并可视化，对装备系统级健康状态进行判断并作出维修决策，与上级维修保障中心进行通讯，进行维修保障支援，进行导弹地面装备系统级故障预测与健康管理。
根据本发明提供的一种地面装备故障预测与健康管理系统通用架构使用方法，包括如下步骤；
数据采集步骤：进行装备机内测试，通过传感器采集装备运行过程中的设备数据；
数据处理步骤：通过算法对采集的设备数据进行数据处理，得到处理信息；
分系统PHM计算步骤：对处理信息进行退化状态识别、故障诊断与故障预测的分析，得到分析结果；
系统级PHM平台使用步骤：根据分析结果进行装备健康状态判断，做出维修决策。
优选的，在所述数据采集步骤中，装备机内测试信息包括装备分系统电子产品的设备BIT信息；
传感器采集的设备信息包括油机电站、发动机、伺服设备以及冷却设备的机械部位信息；机械部位信息为与故障关联的运行参数；
在设备的故障模式及影响分析基础上，确定信号采集的传感器的类型、数量和安装位置。
优选的，其特征在于，所述数据处理步骤包括如下步骤：
数据预处理步骤：对采集的设备数据进行降噪滤波处理，针对各种传感器数据特点从时域、频域和时频域提取多维特征，采用核主元分析对提取的多维特征进行降维并归一化处理，得到多源信息；
数据融合步骤：采用算法进行多源信息的特征级融合，得到融合数据；
虚拟传感器使用步骤：以数学模型为核心节点，以采集的设备数据为输入，输出预设设备状态参数。
优选的，在所述分系统PHM计算步骤中，采用各种推理算法对处理信息进行分析，得到装备运行状态；若装备运行状态出现故障则进一步判断故障类型，若装备运行状态未出现故障则在退化状态识别的基础上做出剩余使用寿命的预测，为维修决策提供依据。
优选的，在系统级PHM平台使用步骤中，获取分析结果并可视化，对装备系统级健康状态进行判断并作出维修决策，与上级维修保障中心进行通讯，进行维修保障支援，进行导弹地面装备系统级故障预测与健康管理。
与现有技术相比，本发明具有如下的有益效果：
1、本发明为提升导弹地面装备的保障能力，在标准OSA-CBM结构下，针对导弹地面装备特点与功能需求，确定装备PHM系统的主要功能，建立导弹地面装备建立集中-分布式的PHM系统通用架构，在完成装备各部件状态监控、信息收集与处理、故障诊断与预测的同时，对整个装备PHM信息的收集与集中管理，实现辅助维修决策及保障资源调配；
2、本发明对于集成度高、组成复杂的地面装备而言，能够有效实现关键设备的状态监控，可以使装备的测试性、维修性和保障性工作有质的提高，为减少全寿命周期费用、保持武器装备战备完好性提供有力支撑；
3、本发明适应了地面装备使用过程中的复杂工况搭建装备PHM系统通用架构，该系统架构能够用于指导不同型号地面装备的PHM系统设计，降低装备综合保障难度，提升经济可承受性、保证战备完好性。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为地面装备PHM系统通用架构示意图；
图2为地面装备PHM软件架构示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明实施例公开了一种地面装备故障预测与健康管理(PHM)系统通用架构，如图1和图2所示，自底向上主要包括以下层级：
数据采集模块，通过装备机内测试(BIT)与传感器采集装备运行过程中对关键设备的重要信号的采集。
数据处理模块，通过各种智能算法对获取的传感器数据进行降噪、特征提取和降维融合，也可通过虚拟传感器对设备无法直接监测参数进行推理。
分系统PHM边缘计算模块，对各自分系统数据预处理信息进行分析，对分系统设备进行退化状态识别、故障诊断及预测，并将结果上传至地面装备系统级PHM平台。
地面装备系统级PHM平台，获取分系统健康状态评估与故障诊断及预测结果并可视化，对装备系统级健康状态进行判断并作出维修决策。
与现有技术相比，本发明对于集成度高、组成复杂的地面装备而言，能够有效实现关键设备的状态监控，可以使装备的测试性、维修性和保障性工作有质的提高，为减少全寿命周期费用、保持武器装备战备完好性提供有力支撑。
数据采集模块包括装备BIT与传感器：装备BIT信息主要包含所有装备分系统如探测、动力、底盘、发射装置等电子产品的设备BIT信息，能够实现各分系统可更换单元(LRU)级别的设备状态以及电流电压等参数监控。
传感器信息主要针对地面装备如油机电站、发动机、伺服设备、冷却设备等产品的机械部位，监控其振动、转速、液压、流量等信息，增强与故障关联运行参数的监控能力。传感器的设置需从设备故障模式及影响分析(FMEA)入手，在产品的FMEA分析基础上，确定信号采集的传感器类型、数量和安装位置。同时，基于在线监测和诊断的需求，新加的传感器数量和位置应兼顾实用性和测试经济性，在使用尽量少的传感器数量情况下实现最全面的PHM信息采集。
根据导弹地面装备产品组成，针对其故障特点及维修维护要求差异，对不同产品PHM监测及功能需求总结，结果如下表所示。
表1各类产品PHM主要监测及功能需求表
根据装备信息监测需求，结合产品功能分析来进行选择PHM实施中需要监控的产品寿命周期运行状态参数。并结合导弹地面装备可靠性薄弱环节进行分析，确定产品的监测参数信息及数据采集方式，重要的PHM监测信息如下表所示。
表2PHM重要监测信息汇总表
数据处理模块主要包括数据预处理、数据融合、虚拟传感器：数据预处理主要针对传感器采集数据进行降噪滤波处理，针对各种传感器数据特点从时域、频域和时频域提取多维特征，然后采用核主元分析(KPCA)对提取的混合域多维特征进行降维并归一化处理，作为多源数据融合的信息来源。
数据融合主要采用智能算法实现多源信息的特征级融合，增加状态数据的准确性，减少冗余。
虚拟传感器以特定数学模型(如雷达方程)为核心节点对设备性能进行间接测量，以现有传感器数据(装备BIT等设备信息)为输入，输出如探测距离等无法直接检测的设备状态参数，作为数据融合的信息来源，以便于更好判断设备的性能状态。
分系统PHM边缘计算模块，针对地面装备组成及分系统的结构及功能特点，搭建分系统级PHM，根据需要在数据处理模块基础上搭建边缘计算模块，主要包含装备退化状态识别、故障诊断、故障预测等功能，采用各种智能推理算法对融合数据进行分析，得到分系统整体运行状态，若出现故障则进一步判断故障类型，否则在退化状态识别的基础上做出剩余使用寿命的预测，为维修决策提供依据。
地面装备系统级PHM平台主要内容包括地面装备PHM软件，获取分系统健康状态评估与故障诊断及预测结果并可视化，对装备系统级健康状态进行判断并作出维修决策，同时与上级维修保障中心进行通讯，以达到远程维修保障支援目的，实现导弹地面装备系统级故障预测与健康管理。
装备PHM软件应当具备标准化、跨平台和可配置的特点，遵循基于视情维修的开放式体系结构(OSA-CBM)，设计时考虑各种不同操作系统的差异性，能够兼容包含Vxworks、Linux、windows等操作平台。同时考虑能够针对不同的对象灵活选择数据处理算法，高效完成PHM相应功能，即PHM系统软件可配置，运行环境的模块加载、模块输入源的信息、数据处理的算法描述、输出列表、输入输出规范，这些都可以在配置文件中进行定义。
按照OSA-CBM基本架构，PHM运行环境在整体上分为三层，包括数据层、业务逻辑层以及表示层，如图2所示。其中，数据层主要由数据采集与存储模块和数据处理模块组成，并建立数据存储数据库；业务逻辑层主要由状态监视模块、健康评估模块、故障诊断与预测模块和决策支持模块四个模块组成，完成导弹地面装备PHM系统级的状态监测、健康评估、故障诊断与预测和辅助维修决策等核心功能；表示层即为人机交互模块。各软件模块的主要功能如下：
(1)数据采集与存储模块：主要包括数据的采集、转换、传输、存储。通过车上机内及外部测试设备采集关键部件的实时运行数据，为其它模块提供现场的数据信息，并存储各模块中间处理过程输出结果。
(2)数据处理模块：用来解决装备数据采集网络产生的原始数据预先处理问题，主要动作包括对原始采集数据的降噪、特征提取、数据转换、趋势分析等等，完成后续状态评估、故障诊断和预测等功能的数据准备工作。
(3)状态监视模块：主要完成数据处理模块的输出数据与系统工作限定值进行比较，并能够实现全部监测数据的实时显示及报警功能，提供友好的人机交互界面。
(4)健康评估模块：功能主要体现在通过智能推理算法(包括：模糊逻辑、专家系统、神经网络、统计模型等)对经数据处理模块加工的装备特征信息进一步综合，对设备运行过程的性能变化进行分析评估，完成导弹地面装备系统、分系统及关键设备健康状况的评价。
(5)故障诊断与预测模块：用于实现导弹地面装备PHM系统的增强故障诊断及预测功能，需要对底层级数据信息进行有效的融合处理，在设备发生故障时实现快速隔离；对于处于性能降级设备，要通过各种智能推理模型评估未来的有效工作时间，为导弹地面装备维修维护决策提供支持。
(6)决策支持模块：在装备使用过程中负责提供日常维护保养的提醒，同时接收由各分系统健康管理中心传递的设备健康评估和诊断预测结果，结合导弹地面装备的历史数据和维修保障资源利用情况，利用数学优化模型提供辅助维修决策支持。
(7)人机交互模块：主要用于用户与导弹装备PHM系统的交互，要实现装备系统结构组成层级的完整描述、设备工作状态以及故障报警预警等信息的集中显示、用户对于装备使用及维护信息的管理、人机交互界面的显示等。
本发明的目的就是为了适应地面装备使用过程中的复杂工况搭建装备PHM系统通用架构，该系统架构能够用于指导不同型号地面装备的PHM系统设计，降低装备综合保障难度，提升经济可承受性、保证战备完好性。
本发明实施例还公开了一种地面装备故障预测与健康管理系统通用架构使用方法，包括如下步骤；
数据采集步骤：进行装备机内测试，通过传感器采集装备运行过程中的设备数据。装备机内测试信息包括装备分系统电子产品的设备BIT信息；传感器采集的设备信息包括油机电站、发动机、伺服设备以及冷却设备的机械部位信息；机械部位信息为与故障关联的运行参数；在设备的故障模式及影响分析基础上，确定信号采集的传感器的类型、数量和安装位置。
数据处理步骤：通过算法对采集的设备数据进行数据处理，得到处理信息。
数据处理步骤包括如下步骤：
数据预处理步骤：对采集的设备数据进行降噪滤波处理，针对各种传感器数据特点从时域、频域和时频域提取多维特征，采用核主元分析对提取的多维特征进行降维并归一化处理，得到多源信息。
数据融合步骤：采用算法进行多源信息的特征级融合，得到融合数据。
虚拟传感器使用步骤：以数学模型为核心节点，以采集的设备数据为输入，输出预设设备状态参数。
分系统PHM计算步骤：对处理信息进行退化状态识别、故障诊断与故障预测的分析，得到分析结果。采用各种推理算法对处理信息进行分析，得到装备运行状态；若装备运行状态出现故障则进一步判断故障类型，若装备运行状态未出现故障则在退化状态识别的基础上做出剩余使用寿命的预测，为维修决策提供依据。
系统级PHM平台使用步骤：根据分析结果进行装备健康状态判断，做出维修决策。获取分析结果并可视化，对装备系统级健康状态进行判断并作出维修决策，与上级维修保障中心进行通讯，进行维修保障支援，进行导弹地面装备系统级故障预测与健康管理。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种地面装备故障预测与健康管理系统通用架构，其特征在于，包括多个数据采集模块、数据处理模块、分系统PHM计算模块以及地面装备系统PHM平台；
数据采集模块：进行装备机内测试，通过传感器采集装备运行过程中的设备数据；
数据处理模块：通过算法对采集的设备数据进行数据处理，得到处理信息；
分系统PHM计算模块：对处理信息进行退化状态识别、故障诊断与故障预测的分析，得到分析结果；
地面装备系统级PHM平台：根据分析结果进行装备健康状态判断，做出维修决策。
2.根据权利要求1所述的地面装备故障预测与健康管理系统通用架构，其特征在于，在所述数据采集模块中，装备机内测试信息包括装备分系统电子产品的设备BIT信息；
传感器采集的设备信息包括油机电站、发动机、伺服设备以及冷却设备的机械部位信息；
机械部位信息为与故障关联的运行参数；
传感器的设置条件为在设备的故障模式及影响分析基础上，确定信号采集的传感器的类型、数量和安装位置。
3.根据权利要求1所述的地面装备故障预测与健康管理系统通用架构，其特征在于，所述数据处理模块包括数据预处理模块、数据融合模块以及虚拟传感器：
所述数据预处理模块对采集的设备数据进行降噪滤波处理，针对各种传感器数据特点从时域、频域和时频域提取多维特征，采用核主元分析对提取的多维特征进行降维并归一化处理，得到多源信息；
所述数据融合模块采用算法进行多源信息的特征级融合，得到融合数据；
所述虚拟传感器以数学模型为核心节点，以采集的设备数据为输入，输出预设设备状态参数。
4.根据权利要求1所述的地面装备故障预测与健康管理系统通用架构，其特征在于，在所述分系统PHM计算模块中，采用各种推理算法对处理信息进行分析，得到装备运行状态；若装备运行状态出现故障则进一步判断故障类型，若装备运行状态未出现故障则在退化状态识别的基础上做出剩余使用寿命的预测，为维修决策提供依据。
5.根据权利要求1所述的地面装备故障预测与健康管理系统通用架构，其特征在于，该通用架构还包括上级维修保障中心；在所述地面装备系统级PHM平台中，获取分析结果并可视化，对装备系统级健康状态进行判断并作出维修决策，与上级维修保障中心进行通讯，进行维修保障支援，进行导弹地面装备系统级故障预测与健康管理。
6.一种地面装备故障预测与健康管理系统通用架构使用方法，其特征在于，包括如下步骤；
数据采集步骤：进行装备机内测试，通过传感器采集装备运行过程中的设备数据；
数据处理步骤：通过算法对采集的设备数据进行数据处理，得到处理信息；
分系统PHM计算步骤：对处理信息进行退化状态识别、故障诊断与故障预测的分析，得到分析结果；
系统级PHM平台使用步骤：根据分析结果进行装备健康状态判断，做出维修决策。
7.根据权利要求6所述的地面装备故障预测与健康管理系统通用架构使用方法，其特征在于，在所述数据采集步骤中，装备机内测试信息包括装备分系统电子产品的设备BIT信息；
传感器采集的设备信息包括油机电站、发动机、伺服设备以及冷却设备的机械部位信息；机械部位信息为与故障关联的运行参数；
在设备的故障模式及影响分析基础上，确定信号采集的传感器的类型、数量和安装位置。
8.根据权利要求6所述的地面装备故障预测与健康管理系统通用架构使用方法，其特征在于，所述数据处理步骤包括如下步骤：
数据预处理步骤：对采集的设备数据进行降噪滤波处理，针对各种传感器数据特点从时域、频域和时频域提取多维特征，采用核主元分析对提取的多维特征进行降维并归一化处理，得到多源信息；
数据融合步骤：采用算法进行多源信息的特征级融合，得到融合数据；
虚拟传感器使用步骤：以数学模型为核心节点，以采集的设备数据为输入，输出预设设备状态参数。
9.根据权利要求6所述的地面装备故障预测与健康管理系统通用架构使用方法，其特征在于，在所述分系统PHM计算步骤中，采用各种推理算法对处理信息进行分析，得到装备运行状态；若装备运行状态出现故障则进一步判断故障类型，若装备运行状态未出现故障则在退化状态识别的基础上做出剩余使用寿命的预测，为维修决策提供依据。
10.根据权利要求6所述的地面装备故障预测与健康管理系统通用架构使用方法，其特征在于，在系统级PHM平台使用步骤中，获取分析结果并可视化，对装备系统级健康状态进行判断并作出维修决策，与上级维修保障中心进行通讯，进行维修保障支援，进行导弹地面装备系统级故障预测与健康管理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311085405.5A CN117196575A (zh) | 2023-08-25 | 2023-08-25 | 地面装备故障预测与健康管理系统通用架构及其使用方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311085405.5A CN117196575A (zh) | 2023-08-25 | 2023-08-25 | 地面装备故障预测与健康管理系统通用架构及其使用方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117196575A true CN117196575A (zh) | 2023-12-08 |
Family
ID=88997115
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311085405.5A Pending CN117196575A (zh) | 2023-08-25 | 2023-08-25 | 地面装备故障预测与健康管理系统通用架构及其使用方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117196575A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117993577A (zh) * | 2024-03-21 | 2024-05-07 | 金航数码科技有限责任公司 | 一种基于工业组态的装备预测性维修决策系统及方法 |
-
2023
- 2023-08-25 CN CN202311085405.5A patent/CN117196575A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117993577A (zh) * | 2024-03-21 | 2024-05-07 | 金航数码科技有限责任公司 | 一种基于工业组态的装备预测性维修决策系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Baur et al. | A review of prognostics and health management of machine tools | |
| CN102520697B (zh) | 一种远程协同诊断的现场信息预处理方法 | |
| CN101799674B (zh) | 一种数控装备服役状态分析方法 | |
| CN112101431A (zh) | 电子设备故障诊断系统 | |
| CN117196159A (zh) | 基于互联网大数据分析的智慧水务分区计量系统 | |
| CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
| CN114519923B (zh) | 一种电厂智能诊断预警方法和系统 | |
| CN114118673A (zh) | 一种基于数字孪生技术的车间智能化故障诊断预警方法 | |
| CN117196066A (zh) | 智慧运维信息分析模型 | |
| Mathew et al. | Regression kernel for prognostics with support vector machines | |
| CN116228186A (zh) | 基于人因工程的船舶机舱智能运维系统 | |
| CN115526375A (zh) | 一种航天装备预测性维护系统 | |
| Xu et al. | New RUL prediction method for rotating machinery via data feature distribution and spatial attention residual network | |
| Li et al. | Framework and case study of cognitive maintenance in Industry 4.0 | |
| Peng et al. | Review of key technologies and progress in industrial equipment health management | |
| CN117196575A (zh) | 地面装备故障预测与健康管理系统通用架构及其使用方法 | |
| CN118568471B (zh) | 一种智能化电力配电站运行故障预测方法及系统 | |
| Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
| CN118096131B (zh) | 一种基于电力场景模型的运维巡检方法 | |
| CN111061191B (zh) | 一种基于分布式的油气储罐远程运维方法 | |
| KR20220089853A (ko) | 머신러닝 기술을 활용한 신재생에너지 발전설비의 고장예지 및 건전성관리 방법 | |
| Wu et al. | An improved LSTM neural network with uncertainty to predict remaining useful life | |
| CN112560252A (zh) | 一种航空发动机剩余寿命预测方法 | |
| Yi et al. | A survey on prognostic and health management for special vehicles | |
| CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 |
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 |