[发明专利]一种基于机器深度学习的卫星机电类产品寿命预测方法

说明书

一种基于机器深度学习的卫星机电类产品寿命预测方法，属于设备故障诊断评估技术领域。本发明通过深度挖掘和数据分析手段实现在轨卫星机电类产品故障征兆的识别和准确的寿命预测。首先通过利用深度学习算法对卫星机电类产品特征参数全生命周期的数据进行挖掘分析，特别是对特征参数在时序上关系的分析，建立数据驱动的故障征兆识别模型。然后对卫星机电类产品进行故障模式影响分析，利用贝叶斯网络方法构建可靠性评估模型。最后，在实时遥测数据驱动下，通过故障征兆识别模型实现对故障发生概率的量化，进而驱动贝叶斯网络实现目标产品的可靠性评估，最终通过分析评估结果演化趋势和动态阈值设置实现寿命预测。

技术领域

本发明涉及一种基于机器深度学习的卫星机电类产品寿命预测方法，属于设备故障诊断评估技术领域。

背景技术

卫星机电类产品的运行状态通常由相关特征参数反映，目前，随着卫星设计的逐步完善和测量手段的不断改进，卫星运行管理部门积累了大量的在轨运行数据、地面试验验证阶段数据和故障问题详细记录。然而目前数据利用并不充分，如何设计新型可靠性评估及寿命预测方法来充分挖掘数据有用信息，特别是卫星机电类产品全生命周期数据在时序上的关联信息成为亟待解决的问题。

发明内容

本发明解决的技术问题是：克服现有技术的不足，提供了一种基于机器深度学习的卫星机电类产品寿命预测方法，实现了对数据行为模式和故障模式之间关联关系描述，解决了卫星机电类产品故障征兆识别和寿命预测问题。

本发明的技术解决方案是：一种基于机器深度学习的卫星机电类产品寿命预测方法，包括如下步骤：

获取卫星机电类产品特征参数数据，并按采样时间进行排序后获得时序数据样本；所述特征参数数据包括卫星地面试验验证阶段数据、卫星在轨阶段遥测数据和各阶段记录的故障数据；

根据时序数据样本在地面试验验证阶段和在轨运行数据的时序特性，利用深度学习算法进行建模，挖掘时序数据上的关联关系，得到故障征兆识别模型；

通过对卫星机电类产品的进行故障模式影响分析，确定故障拓扑结构模型；

根据故障拓扑结构模型搭建可靠性评估模型；

将当前数据输入故障征兆识别模型，并将故障征兆识别模型输出作为可靠性评估模型的输入，得到产品可靠性评估结果；

对产品可靠性评估结果进行外推计算，并根据外部监测数据和卫星运行要求的变化动态改变阈值，将可靠性评估结果与阈值进行量化比较，实现对卫星在轨寿命的实时预测。

进一步地，所述获取卫星机电类产品特征参数数据，若采集数据中存在缺失值，则采用属性平均值进行填充，保证数据连续性；若采集数据中存在异常值，则采用3σ准则进行识别，采用属性平均值进行替换；若数据中存在重复值，则根据实际测点的布置情况进行剔除。

进一步地，所述深度学习算法包括递归神经网络、长短时记忆网络和支持向量机。

进一步地，所述故障模式包括机械转动故障、功耗异常故障和控制精度异常故障。

进一步地，所述根据故障拓扑结构模型搭建可靠性评估模型的方法为采用贝叶斯网搭建可靠性评估模型。

进一步地，所述故障征兆识别模型输出为故障模式发生概率。

进一步地，所述对产品可靠性评估结果进行外推计算的方法包括递归神经网络、长短时记忆网络和支持向量机。

本发明与现有技术相比的优点在于：

(1)本发明利用递归神经网络深度学习算法构建故障征兆识别模型。该模型能够充分利用机电类产品全生命周期数据，包括地面验证阶段、在轨运行阶段数据和各阶段故障发生的详细记录数据，全面考虑了机电类产品特征参数的时序特性，提高了故障识别精度。