卫星关键部件剩余寿命预测
发布时间：2021-12-01 17:38
航天卫星对国防、国家安全、国计民生等领域提供着强有力的支持,但长时间工作在热真空、电磁强辐射、太空垃圾等复杂外界环境中,会使卫星部件性能逐渐退化,进而引发各种故障。为保证卫星在轨执行任务期间安全可靠地运行,对卫星关键部件进行剩余寿命预测研究具有重要意义。通过分析已有的卫星部件寿命预测方法,本文发现单一信息源、单一退化量以及单一退化模型无法准确描述卫星这类复杂产品的性能退化过程,进而降低了对其进行剩余寿命预测的精确度。针对这些问题,本文采用多种基于信息融合的方法预测卫星关键部件的剩余寿命,提高了预测结果的准确度。具体的研究内容如下:（1）由于单一信息源只包含卫星关键部件性能退化的部分信息,从而导致退化参数验前分布不唯一。为减少这种不确定性,本文基于相关函数、灰关联分析以及平均互信息熵三种算法,提出了一种加权融合模型,通过对多源可靠信息的融合处理,得到了退化参数的验前分布,并基于该分布利用Bayes方法估计卫星部件的可靠性。通过5组动量轮轴温遥测数据的仿真实验,证明了利用本文提出的融合方法能够获得与实际接近的退化参数分布,并且基于该参数分布,提高了对卫星部件可靠性的估计精度,验证了模型的有...
【文章来源】：西安理工大学陕西省
【文章页数】：87 页
【学位级别】：硕士
【部分图文】：
动量轮剖面图[40]
多模型融合的寿命预测41其中，|1jxkk为模型j在时间k的预测状态，0|111|1jjjxkkkxkk；|1jPkk为预测误差协方差，TT0|11|1jjjjjjjPkkPkkGQG；jKk为Kalman增益，1TT|1|1jjjkkkkkKPHHPHR；Hk100。以两个模型为例，IMM算法在每时刻的状态估计值如图4-8所示。从图中可以看出，每个模型每时刻的估计值不仅与当前模型的状态值有关，而且还与其他模型有关，体现了IMM算法的融合特性。01x1|102x1|11x1|12x1|12x2|22x3|302x2|202x3|301x3|301x2|21x2|21x3|3图4-8各模型每时刻的状态值Fig.4-8Statevaluesofeachmodelateachmoment（3）更新模型概率利用退化模型对应的似然函数更新模型发生概率jk。模型j的似然函数表示为：112211exp22TjjjjnjkkkkkvSvS(4-32)其中，()()()(|1);()()(|1)()()TjjjjvkykHkxkkSkHkPkkHkRk。则模型j的概率为：)/(jjjckkc(4-33)其中，c为归一化常数，1rjjjckc。4.2.2基于变点检测的多模型融合一般情况下，具有多退化阶段的设备寿命终止或者出现故障都发生在变点之后[58]，所以对这些设备进行寿命预测时，需要先检测出设备在运行过程中的变点，基于变点到当前时刻的监测退化数据对设备进行寿命预测[59][60]。本文基于模型的发生概率来确定退化模式转换的变点。对于式(4-26)和式(4-27)所示的两个退化模式，利用4.2.1节介绍的交互多模型滤波算法就可得到两个退化模式在每个监测时刻的发生概率。当退化模式2s在某时刻的发生概率大于某个阈值，就认为设备在该时刻进入模式2s，该时刻即为变点的发生时刻。假设设备在某运行时刻满足：21:min||;tkktpSsytt(4-34)其中，为置信度水平。由于设备退化状态、退化模式都会影响剩余寿命
西安理工大学硕士学位论文46利用EM算法得到的模型参数如图4-15，可以看出所有参数都快速收敛。采用IMM算法更新退化模式在每个监测时刻的后验概率，结果如图4-16，显然与陀螺仪实际退化轨迹一致，说明该算法可以很好地跟踪设备退化过程。图4-15模型参数更新Fig.4-15Modelparametersupdates图4-16退化模型后验概率Fig.4-16Degeneratemodelposteriorprobability利用贝叶斯融合方法得到的陀螺仪寿命概率密度函数如图4-17。以最后监测时间3192h为例，由该方法与上述指数随机模型的预测剩余寿命分别为2290h和1153h。在实际的退化试验中，该型号陀螺仪的MTTF（平均失效前时间）为5016h。通过对比，可以发现基于贝叶斯方法的多模型融合方法更能准确描述该陀螺仪的退化过程，预测的剩余寿命更接近于实际。图4-17剩余寿命概率密度曲线Fig.4-17Probabilitydensitycurveofremaininglife4.4.2液力耦合器寿命预测仿真液力耦合器（LiquidCouplingDevice，LCD）是用来连接发动机等动力源与工作机的机械装置，根据不同用途，可分为限矩型和调速型两种，限矩型主要起缓冲保护作用，050010001500200025003000350000.51x10-3lamdaEM算法更新模型参数0500100015002000250030003500012x10-5alpha050010001500200025003000350000.0050.01sigma2050010001500200025003000350000.51监测时间gamma2监测时间/h050010001500200025003000350000.10.20.30.40.50.60.70.80.91设备退化模式的后验概率估计退化模式一退化模式二500040003000剩余寿命/h20001000260002800监测时间/h30002520151050-53200概率密度曲线寿命点估计
【参考文献】：
期刊论文
[1]基于Wiener过程和Kalman修正的速率陀螺仪剩余寿命预测[J]. 贺志远,吕卫民,胡文林. 兵器装备工程学报. 2019(08)
[2]基于Elman神经网络模型的IGBT寿命预测[J]. 刘子英,朱琛磊. 半导体技术. 2019(05)
[3]Bayes estimation of residual life by fusing multisource information[J]. Qian ZHAO,Xiang JIA,Zhi-jun CHENG,Bo GUO. Frontiers of Engineering Management. 2018(04)
[4]基于遗传算法的BP神经网络的LED寿命预测模型[J]. 吴志杰,孔凡敏,李康. 半导体技术. 2018(05)
[5]Residual lifetime prediction model of nonlinear accelerated degradation data with measurement error[J]. Zhongyi Cai,Yunxiang Chen,Qiang Zhang,Huachun Xiang. Journal of Systems Engineering and Electronics. 2017(05)
[6]一种混合退化系统剩余寿命预测方法[J]. 杜党波,胡昌华,司小胜,张正新,张伟. 上海交通大学学报. 2017(07)
[7]关于卫星设计寿命的思考[J]. 薛毅,张志国,伍招冲. 中国航天. 2017(06)
[8]融合非线性加速退化模型与失效率模型的产品寿命预测方法[J]. 周绍华,胡昌华,司小胜,方世鹏,裴洪. 电子学报. 2017(05)
[9]PHM技术在航空结构疲劳寿命预测中的应用[J]. 宋博,祝青钰,曾照洋. 机械强度. 2017(02)
[10]多阶段随机退化设备剩余寿命预测方法[J]. 张正新,胡昌华,高迎彬,陈墨. 系统工程学报. 2017(01)
博士论文
[1]信息融合估计理论及其在卫星状态估计中的应用[D]. 王炯琦.国防科学技术大学 2008
[2]基于性能退化数据的可靠性建模与应用研究[D]. 赵建印.国防科学技术大学 2005
[3]信息融合估计理论及其在航天器控制中的应用研究[D]. 王志胜.西北工业大学 2002
硕士论文
[1]基于数据的动量轮寿命预测方法研究[D]. 刘胜南.南京航空航天大学 2015
[2]基于支持向量机的动量轮寿命预测方法研究[D]. 范俊.国防科学技术大学 2013
本文编号：3526773
【文章来源】：西安理工大学陕西省
【文章页数】：87 页
【学位级别】：硕士
【部分图文】：
动量轮剖面图[40]
多模型融合的寿命预测41其中，|1jxkk为模型j在时间k的预测状态，0|111|1jjjxkkkxkk；|1jPkk为预测误差协方差，TT0|11|1jjjjjjjPkkPkkGQG；jKk为Kalman增益，1TT|1|1jjjkkkkkKPHHPHR；Hk100。以两个模型为例，IMM算法在每时刻的状态估计值如图4-8所示。从图中可以看出，每个模型每时刻的估计值不仅与当前模型的状态值有关，而且还与其他模型有关，体现了IMM算法的融合特性。01x1|102x1|11x1|12x1|12x2|22x3|302x2|202x3|301x3|301x2|21x2|21x3|3图4-8各模型每时刻的状态值Fig.4-8Statevaluesofeachmodelateachmoment（3）更新模型概率利用退化模型对应的似然函数更新模型发生概率jk。模型j的似然函数表示为：112211exp22TjjjjnjkkkkkvSvS(4-32)其中，()()()(|1);()()(|1)()()TjjjjvkykHkxkkSkHkPkkHkRk。则模型j的概率为：)/(jjjckkc(4-33)其中，c为归一化常数，1rjjjckc。4.2.2基于变点检测的多模型融合一般情况下，具有多退化阶段的设备寿命终止或者出现故障都发生在变点之后[58]，所以对这些设备进行寿命预测时，需要先检测出设备在运行过程中的变点，基于变点到当前时刻的监测退化数据对设备进行寿命预测[59][60]。本文基于模型的发生概率来确定退化模式转换的变点。对于式(4-26)和式(4-27)所示的两个退化模式，利用4.2.1节介绍的交互多模型滤波算法就可得到两个退化模式在每个监测时刻的发生概率。当退化模式2s在某时刻的发生概率大于某个阈值，就认为设备在该时刻进入模式2s，该时刻即为变点的发生时刻。假设设备在某运行时刻满足：21:min||;tkktpSsytt(4-34)其中，为置信度水平。由于设备退化状态、退化模式都会影响剩余寿命
西安理工大学硕士学位论文46利用EM算法得到的模型参数如图4-15，可以看出所有参数都快速收敛。采用IMM算法更新退化模式在每个监测时刻的后验概率，结果如图4-16，显然与陀螺仪实际退化轨迹一致，说明该算法可以很好地跟踪设备退化过程。图4-15模型参数更新Fig.4-15Modelparametersupdates图4-16退化模型后验概率Fig.4-16Degeneratemodelposteriorprobability利用贝叶斯融合方法得到的陀螺仪寿命概率密度函数如图4-17。以最后监测时间3192h为例，由该方法与上述指数随机模型的预测剩余寿命分别为2290h和1153h。在实际的退化试验中，该型号陀螺仪的MTTF（平均失效前时间）为5016h。通过对比，可以发现基于贝叶斯方法的多模型融合方法更能准确描述该陀螺仪的退化过程，预测的剩余寿命更接近于实际。图4-17剩余寿命概率密度曲线Fig.4-17Probabilitydensitycurveofremaininglife4.4.2液力耦合器寿命预测仿真液力耦合器（LiquidCouplingDevice，LCD）是用来连接发动机等动力源与工作机的机械装置，根据不同用途，可分为限矩型和调速型两种，限矩型主要起缓冲保护作用，050010001500200025003000350000.51x10-3lamdaEM算法更新模型参数0500100015002000250030003500012x10-5alpha050010001500200025003000350000.0050.01sigma2050010001500200025003000350000.51监测时间gamma2监测时间/h050010001500200025003000350000.10.20.30.40.50.60.70.80.91设备退化模式的后验概率估计退化模式一退化模式二500040003000剩余寿命/h20001000260002800监测时间/h30002520151050-53200概率密度曲线寿命点估计
【参考文献】：
期刊论文
[1]基于Wiener过程和Kalman修正的速率陀螺仪剩余寿命预测[J]. 贺志远,吕卫民,胡文林. 兵器装备工程学报. 2019(08)
[2]基于Elman神经网络模型的IGBT寿命预测[J]. 刘子英,朱琛磊. 半导体技术. 2019(05)
[3]Bayes estimation of residual life by fusing multisource information[J]. Qian ZHAO,Xiang JIA,Zhi-jun CHENG,Bo GUO. Frontiers of Engineering Management. 2018(04)
[4]基于遗传算法的BP神经网络的LED寿命预测模型[J]. 吴志杰,孔凡敏,李康. 半导体技术. 2018(05)
[5]Residual lifetime prediction model of nonlinear accelerated degradation data with measurement error[J]. Zhongyi Cai,Yunxiang Chen,Qiang Zhang,Huachun Xiang. Journal of Systems Engineering and Electronics. 2017(05)
[6]一种混合退化系统剩余寿命预测方法[J]. 杜党波,胡昌华,司小胜,张正新,张伟. 上海交通大学学报. 2017(07)
[7]关于卫星设计寿命的思考[J]. 薛毅,张志国,伍招冲. 中国航天. 2017(06)
[8]融合非线性加速退化模型与失效率模型的产品寿命预测方法[J]. 周绍华,胡昌华,司小胜,方世鹏,裴洪. 电子学报. 2017(05)
[9]PHM技术在航空结构疲劳寿命预测中的应用[J]. 宋博,祝青钰,曾照洋. 机械强度. 2017(02)
[10]多阶段随机退化设备剩余寿命预测方法[J]. 张正新,胡昌华,高迎彬,陈墨. 系统工程学报. 2017(01)
博士论文
[1]信息融合估计理论及其在卫星状态估计中的应用[D]. 王炯琦.国防科学技术大学 2008
[2]基于性能退化数据的可靠性建模与应用研究[D]. 赵建印.国防科学技术大学 2005
[3]信息融合估计理论及其在航天器控制中的应用研究[D]. 王志胜.西北工业大学 2002
硕士论文
[1]基于数据的动量轮寿命预测方法研究[D]. 刘胜南.南京航空航天大学 2015
[2]基于支持向量机的动量轮寿命预测方法研究[D]. 范俊.国防科学技术大学 2013
本文编号：3526773
本文链接：https://www.wllwen.com/shoufeilunwen/boshibiyelunwen/3526773.html
