技术服务

正在申请 ,其中:发明专利 1 项
已授权专利,其中:发明专利 1 项
专利号: ZL 201210377247.6

                                                

一种基于基线模型和贝叶斯因子的系统故障早期预警方法，可应用于动态复杂系统，特别是航空航天器设备故障早期检测与预警。该方法首先在系统状态监控数据的基础上，利用多元状态估计技术挖掘出系统“个性化”基线模型；由系统状态参数的实际测量值减去基线值，得到状态参数的偏差值，然后借助贝叶斯因子法来分析偏差值序列，监控序列结构的异常，并及时发出故障预警。本发明解决了动态复杂系统性能参数偏差值离散度较大、故障早期特征容易被噪声淹没的问题，可以在系统故障早期就及时发出预警，提高监控系统的灵敏度和鲁棒性；同时，基线模型的建立工程上易于实现，具有较强的通用性，能够满足动态系统实时监控的要求。

1)基于多元状态估计技术的基线模型挖掘,是一种数据驱动的方法,不需要建立复杂的系统物理模型,仅根据其历史数据即可建立适应的基线模型,建模简单且摆脱对系统厂家监控系统的依赖;
2)多元状态估计技术依据实测的系统状态参数而建立的“个性化”基线模型,能够更加准确地反映个体系统在实际运行条件下的特性,为提高状态监控系统的灵敏度和可靠度奠定基础;
3)利用贝叶斯因子法分析状态参数偏差值序列,能够从含有噪声的参数序列中及时检测到序列结构的异常,提高系统异常状态检测的灵敏度和鲁棒性,提前故障征兆发现时机,实现“安全关口前移”。

功能指标：
1、利用多元状态估计技术建立系统基线模型;通过系统正常工作状态下传感器的测量数据得到系统在不同时刻的观测向量,构造训练矩阵D,所述系统为航空发动机气路系统,所述传感器的测量数据包括高压转子转速、燃油流量、排气温度、低压转子转速、外界标准大气温度偏差参数;
2．基于基线模型和贝叶斯因子的系统故障早期预警方法,其特征在于,所述非线性运算符采用高斯核函数。
3.基于基线模型和贝叶斯因子的系统故障早期预警方法,其特征在于为使训练矩阵涵盖系统所有的正常运行状态或感兴趣的工作状态,同时尽量降低计算复杂度,采用最小—最大样本向量选择方法降低训练矩阵维度。