徐二寶,李 言,李玉璽,楊明順,崔蒞沐
(1. 西安理工大學(xué)機(jī)械與精密儀器工程學(xué)院,西安 710048;2. 西安現(xiàn)代控制技術(shù)研究所,西安 710065)
運(yùn)載火箭在射前測試及發(fā)射過程中,遙測數(shù)據(jù)判讀是重要環(huán)節(jié),直接關(guān)系到飛行器各系統(tǒng)的功能和性能判定與評估[1-2]。運(yùn)載火箭現(xiàn)行的遙測等參數(shù)判讀一般采用事后判讀的方式,實(shí)驗過程中將采自于不同子系統(tǒng)、不同設(shè)備單機(jī)全時段的所有參數(shù)源碼數(shù)據(jù)先存盤,待實(shí)驗結(jié)束后,所有存盤數(shù)據(jù)經(jīng)過挑路等復(fù)雜解析處理后,在判讀服務(wù)器中進(jìn)行自動判讀[2]。由于待判參數(shù)眾多、速變等參數(shù)數(shù)據(jù)量過大,導(dǎo)致判讀工作復(fù)雜,耗時較長,誤判與漏判風(fēng)險很大。同時,事后判讀的滯后性,使得無法在第一時間發(fā)現(xiàn)和定位問題,影響火箭靶場測試的質(zhì)量和進(jìn)度。試驗結(jié)束后,基于判讀結(jié)果而進(jìn)行的火箭狀態(tài)診斷也因缺乏時效性而失去了意義[3]。
為此國內(nèi)外學(xué)者針對這些問題進(jìn)行了廣泛的研究。文獻(xiàn)[4]針對靶場幾類參數(shù),采用中值濾波算法實(shí)現(xiàn)了臺階參數(shù)和脈沖參數(shù)的濾波平滑處理,設(shè)計了雙邊多點(diǎn)閾值判斷方法,自動準(zhǔn)確識別臺階參數(shù),實(shí)現(xiàn)了自動輔助判讀功能,但該方法局限于臺階參數(shù)和脈沖參數(shù),對于數(shù)量較多、判讀較難的緩變參數(shù)并不適用;文獻(xiàn)[5]以在軌故障診斷為研究背景,提出一種開放的判讀函數(shù)編譯平臺,從遙測參數(shù)判讀平臺架構(gòu)設(shè)計的角度,對平臺的組成、實(shí)現(xiàn)技術(shù)細(xì)節(jié)及判讀規(guī)則進(jìn)行了論述,但缺乏遙測參數(shù)判讀方法的分析。文獻(xiàn)[6]通過判別參數(shù)測量值序列之間的相關(guān)系數(shù)來實(shí)現(xiàn)自動判讀,該方法在一定程度上能實(shí)現(xiàn)緩變參數(shù)的判讀,但缺乏對遙測參數(shù)歷史數(shù)據(jù)的挖掘;文獻(xiàn)[7]采用面向信號的設(shè)計思想,設(shè)計了一種簡潔高效的遙測系統(tǒng)自動化測試平臺,通過接收解析箭上遙測數(shù)據(jù),無需人工干預(yù),部分實(shí)現(xiàn)了自動化測試與自動化判讀;文獻(xiàn)[8]提出一種基于歷史數(shù)據(jù)統(tǒng)計特性的遙測緩變參數(shù)自動判讀新方法,有效辨識緩變參數(shù)中的異常參數(shù),與傳統(tǒng)以人工為主的判讀方式相比,該方法能有效提高遙測參數(shù)判讀的效率和準(zhǔn)確性,但是依然沒有實(shí)現(xiàn)真正的實(shí)時判讀。文獻(xiàn)[9]在箭地之間設(shè)計了大容量高速測試總線,實(shí)現(xiàn)了“基于模型和數(shù)據(jù)驅(qū)動的自動判讀”,促進(jìn)信息技術(shù)與航天控制技術(shù)的融合。文獻(xiàn)[10]將運(yùn)載火箭的故障診斷技術(shù)按照基于閾值的判別機(jī)制,基于模型或信息融合的故障診斷方法等類型進(jìn)行分析,為運(yùn)載火箭的遠(yuǎn)程故障診斷技術(shù)指出了方向。
由此可見,對運(yùn)載火箭設(shè)備單機(jī)相關(guān)參數(shù)進(jìn)行自動判讀時,受制于判讀數(shù)據(jù)量過大而不得不采用事后判讀的方式。為了探索實(shí)現(xiàn)實(shí)時判讀,本文提出邊緣層-判讀服務(wù)器層的雙層判讀架構(gòu)。針對目前判讀數(shù)據(jù)量大、效率低,計算資源大都消耗在海量正常數(shù)據(jù)的閾值比對,而對超限數(shù)據(jù)和真正反映設(shè)備狀態(tài)的關(guān)鍵參數(shù)缺乏重點(diǎn)關(guān)注等問題,采用邊緣計算技術(shù)進(jìn)行解決;同時,針對目前判讀系統(tǒng)判據(jù)單一且缺乏智能,狀態(tài)診斷正確率低,“判而不準(zhǔn)”等問題,采用變精度粗糙集(Variable precision rough set, VPRS)方法建立實(shí)時診斷模型進(jìn)行解決。最終構(gòu)建形成雙層判讀的架構(gòu)以提高自動判讀的效率和狀態(tài)診斷的準(zhǔn)確性,實(shí)現(xiàn)在線判讀和實(shí)時診斷,滿足現(xiàn)代化靶場測試的需求。
邊緣層-判讀服務(wù)器層的雙層判讀主要包括兩個方面:其一,在邊緣端,即數(shù)據(jù)產(chǎn)生的源端,通常是指箭上或總檢查車間,通過增加部署數(shù)據(jù)采集終端或升級現(xiàn)有的傳感器等數(shù)據(jù)采集設(shè)備使之成為邊緣計算節(jié)點(diǎn),賦予其簡單計算、小規(guī)模數(shù)據(jù)存儲和數(shù)據(jù)傳輸?shù)哪芰?。分布于不同子系統(tǒng)的邊緣計算節(jié)點(diǎn)組成邊緣判讀層。其二,在傳統(tǒng)的判讀服務(wù)器中新增高階判據(jù),借助于VPRS數(shù)據(jù)挖掘方法建立狀態(tài)診斷模型,從設(shè)備歷史數(shù)據(jù)中挖掘參數(shù)超限和設(shè)備狀態(tài)異常之間的關(guān)聯(lián)關(guān)系,量化計算各參數(shù)的重要度,并獲取經(jīng)約減后的診斷規(guī)則。雙層判讀架構(gòu)下,海量的參數(shù)實(shí)時數(shù)據(jù)首先通過邊緣層的閾值判讀,篩選出具有高判讀價值的數(shù)據(jù)傳入服務(wù)器層,再經(jīng)過高階判據(jù)的進(jìn)一步判讀,并把判讀結(jié)果輸入到診斷模型中進(jìn)行狀態(tài)診斷。雙層判讀架構(gòu)的網(wǎng)絡(luò)部署拓?fù)浣Y(jié)構(gòu)圖如圖1所示,其軟件架構(gòu)如圖2所示。
圖1 雙層判讀網(wǎng)絡(luò)拓?fù)鋱DFig.1 Network topology diagram of double-layer interpretation
圖2 雙層判讀軟件架構(gòu)圖Fig.2 Architecture diagram of double-layer interpretation
雙層判讀架構(gòu)中邊緣判讀層負(fù)責(zé)原始數(shù)據(jù)收集、數(shù)據(jù)閾值比對、數(shù)據(jù)篩選上傳等重要功能。根據(jù)數(shù)據(jù)源分布情況部署邊緣節(jié)點(diǎn),邊緣節(jié)點(diǎn)內(nèi)預(yù)先存儲所采集參數(shù)的閾值判據(jù),同時添加一個上下限略大于閾值范圍的超限識別區(qū)。每個邊緣節(jié)點(diǎn)采集對應(yīng)遙測參數(shù)的實(shí)時數(shù)據(jù)。在邊緣節(jié)點(diǎn)內(nèi)對海量的參數(shù)實(shí)時數(shù)據(jù)進(jìn)行閾值比對時,對于大部分沒有進(jìn)入超限識別區(qū)的正常數(shù)據(jù),首先暫存在邊緣節(jié)點(diǎn)內(nèi)部緩沖區(qū)中,并按照一定的時間間隔挑選出此時段內(nèi)最大值、最小值再發(fā)送到判讀服務(wù)器;對于少數(shù)的超出閾值范圍的異常參數(shù)數(shù)據(jù),立即上傳到判讀服務(wù)器;對于進(jìn)入超限識別區(qū),但暫未超出閾值的參數(shù),通過提高參數(shù)采集頻率和上傳頻率的措施予以密切關(guān)注。邊緣判讀層判讀的流程如圖3所示。
邊緣判讀層主要目的是把簡單但是繁重的參數(shù)閾值比對工作,從判讀服務(wù)器中遷移到多個邊緣計算節(jié)點(diǎn)上分布式并行執(zhí)行。根據(jù)判讀結(jié)果篩選出更有判讀價值的異?;驕?zhǔn)異常數(shù)據(jù)再傳入判讀服務(wù)器。從而大大減小判讀服務(wù)器的數(shù)據(jù)量,提升自動判讀的效率,為實(shí)現(xiàn)實(shí)時在線判讀提供了基礎(chǔ)。
圖3 邊緣判讀數(shù)據(jù)流程圖Fig.3 Flow chart of data interpretation in edge layer
目前的自動判讀軟件判據(jù)比較單一,主要依賴閾值判據(jù),或稱固定值上下限判據(jù)[8],主要應(yīng)用于電壓、電流、溫度、壓力等緩變類參數(shù)的判讀。當(dāng)被判參數(shù)超出所設(shè)定的閾值時就被認(rèn)定為數(shù)據(jù)異常。閾值判據(jù)的優(yōu)點(diǎn)在于計算簡單,判讀速度快。然而,參數(shù)超限和設(shè)備單機(jī)故障之間模糊的映射關(guān)系需要專家系統(tǒng),甚至是人工來界定,造成“判而不準(zhǔn)”等問題,使得判讀工作只停留在判別參數(shù)是否異常上,而無法及時、準(zhǔn)確地對設(shè)備單機(jī)的狀態(tài)給出診斷結(jié)果。
鑒于此,在判讀服務(wù)器層,首先定義一門新的判據(jù)描述語言,用以描述更復(fù)雜、更智能的高階判據(jù)。經(jīng)過邊緣層閾值篩選出的異常參數(shù),執(zhí)行高階判讀并獲得判讀結(jié)果,存入HBase分布式數(shù)據(jù)庫中。然后,充分利用設(shè)備單機(jī)歷史數(shù)據(jù),基于VPRS理論建立診斷模型,利用其屬性依賴度和重要度計算方法,挖掘出參數(shù)異常和設(shè)備狀態(tài)之間的關(guān)聯(lián)關(guān)系,分析出影響設(shè)備工作狀態(tài)的關(guān)鍵參數(shù)。最后,借助于變精度粗糙集的屬性約減和值約減算法,提取出簡化后的診斷規(guī)則,添加到診斷規(guī)則庫中。最終實(shí)現(xiàn)設(shè)備單機(jī)的在線判讀和實(shí)時狀態(tài)診斷。
如何將判據(jù)精確轉(zhuǎn)換為計算機(jī)語言,是實(shí)現(xiàn)自動判讀的首要問題。為此,設(shè)計出一種包含語法、語義的計算機(jī)高級語言AIPL(AutoIP Language),實(shí)現(xiàn)姿控、制導(dǎo)、動力、電氣總體及測量各系統(tǒng)或?qū)I(yè)的判據(jù)描述,同時自動生成判讀分析報告。AIPL語言主要包括標(biāo)識符、表達(dá)式和判據(jù)語法。
1)標(biāo)識符
標(biāo)識符用來標(biāo)識對象名稱(包括變量、函數(shù))。在AIPL語言中,主要有2類標(biāo)識符:
(1)關(guān)鍵字。規(guī)定了32個關(guān)鍵字,如diff,mp,CP,envelope等,它們有特定的用途和含義,不能用作變量名。
(2)系統(tǒng)預(yù)定義的標(biāo)識符。如系統(tǒng)提供的庫函數(shù)的名稱sin,cos等。
2)表達(dá)式
表達(dá)式是構(gòu)成語句的基本單元,時段、處理公式、判據(jù)公式、誤差等均用到表達(dá)式。
3)判據(jù)語法
判據(jù)語法格式為待判參數(shù)、起始時間、結(jié)束時間、判據(jù)公式、正向誤差和負(fù)向誤差。判讀時,將判據(jù)公式的計算結(jié)果作為理論值與待判參數(shù)的實(shí)測值比對,計算其差值是否在正負(fù)向誤差范圍內(nèi)。
1)關(guān)鍵點(diǎn)判據(jù)
用于對待判參數(shù)關(guān)鍵時間點(diǎn)的值進(jìn)行判讀的判據(jù)。在編輯判據(jù)時,直接給出幾組關(guān)鍵點(diǎn)(時間,值)。自動判讀時,獲取待判參數(shù)在關(guān)鍵時間點(diǎn)的實(shí)測值和設(shè)定的理論值做差,判斷差值是否在正負(fù)誤差范圍內(nèi)。
2)變化點(diǎn)判據(jù)
使用運(yùn)算符cp進(jìn)行描述,用于對參數(shù)值發(fā)生變化的時刻進(jìn)行判讀。在編輯判據(jù)時,直接給出幾組變化點(diǎn)(值,時間)。自動判讀時,獲取待判參數(shù)實(shí)測值等于變化點(diǎn)值時的實(shí)測時間,并和設(shè)定的理論時間做差,判斷差值是否在正負(fù)誤差范圍內(nèi)。
3)一致性判據(jù)
使用運(yùn)算符mp進(jìn)行描述,判讀時將首個參數(shù)作為參考參數(shù),后續(xù)各參數(shù)的實(shí)測值均與參考參數(shù)值逐點(diǎn)做差,判斷差值是否在允許的誤差范圍之內(nèi)。該判據(jù)通常用來判讀理論上要求變化趨勢一致的參數(shù)。在診斷模型中可以將一致性好的參數(shù)合并處理,從而減小模型的參數(shù)量,加快模型的訓(xùn)練速度。
4)包絡(luò)判據(jù)
將同一個參數(shù)多次試驗的數(shù)據(jù),逐點(diǎn)取出最小值、最大值保存下來,所有的最小值形成參數(shù)的下包絡(luò)曲線,最大值形成上包絡(luò)曲線。通過計算實(shí)時點(diǎn)是否超包絡(luò),或超包絡(luò)的程度來識別野點(diǎn)、數(shù)據(jù)噪聲點(diǎn)和數(shù)據(jù)擾動等異常情形。
5)丟幀分析判據(jù)
特定用于幀計數(shù)類型參數(shù),判斷當(dāng)前幀計數(shù)值和前值之間的差值是否為1,以此來判斷是否丟幀。
變精度粗糙集(VPRS)作為解決非線性對應(yīng)關(guān)系問題的數(shù)學(xué)方法,在不需要先驗知識的情況下,從海量數(shù)據(jù)中挖掘出潛在的知識和規(guī)律[11-12]。其核心思想是在分類能力不變的情況下,通過知識約簡,得到不確定問題的決策或分類規(guī)則[13]。變精度粗糙集引入閾值參數(shù)β,表示在一定范圍內(nèi)允許分類誤差率存在。β一般取值范圍為:0.5<β≤1[14]。
利用判讀服務(wù)器中存儲的設(shè)備單機(jī)歷史數(shù)據(jù),檢索出判讀結(jié)果為異常的參數(shù)構(gòu)成條件屬性集合C,參數(shù)異常情況下單機(jī)的狀態(tài)作為決策屬性D。
1)計算單機(jī)故障狀態(tài)與待判參數(shù)的依賴度
VPRS中決策屬性D與條件屬性C的依賴度定義如下:
(1)
其中,POS(C,D,β)是β的正域[16]。
利用變精度粗糙集的屬性依賴度計算方法量化分析單機(jī)狀態(tài)與參數(shù)異常之間的依賴程度。
2)參數(shù)重要度排序及關(guān)鍵參數(shù)
VPRS中定義條件屬性集合C去除屬性r后對分類的影響為:
K(C,{r},β)=|γ(C,D,β)-γ(C-{r},D,β)|
(2)
單屬性r對分類的影響表示為:γ({r},D,β),則屬性r的重要度可定義為:
sig(C,{r},β)=K(C,{r},β)+γ({r},D,β)
(3)
重要度越大則屬性越重要,表示該參數(shù)的異常對單機(jī)狀態(tài)影響越大。用此方法對判讀參數(shù)進(jìn)行重要度排序,獲取影響單機(jī)故障狀態(tài)的關(guān)鍵參數(shù)[17]。
3)參數(shù)約減
變精度粗糙集的屬性約減就是對條件屬性進(jìn)行約減,若單個屬性r的依賴度γ({r},D,β)等于γ(C,D,β),則認(rèn)為此條件屬性為冗余屬性。
從眾多的判讀參數(shù)中去除冗余參數(shù),然后從約減后的參數(shù)中提取診斷規(guī)則,從而簡化狀態(tài)診斷過程,提高狀態(tài)診斷的效率和精準(zhǔn)度。
4)值約減
經(jīng)過屬性約減后的決策表,每一個樣本形成一條決策規(guī)則,通過值約減的方法繼續(xù)簡化。對于決策規(guī)則集合中的每條規(guī)則,若去除該規(guī)則中的某個屬性,該規(guī)則不和集合中其它規(guī)則沖突,則從該規(guī)則中刪除此屬性。經(jīng)過值約減后,所有的診斷規(guī)則都不含有冗余條件屬性,獲得了最精簡的診斷規(guī)則。
為了驗證所提出的雙層判讀架構(gòu)的有效性,以圖4所示長征系列XX運(yùn)載火箭為例,選取儀器艙中的前艙端頭柄這一設(shè)備單機(jī)作為研究對象。該單機(jī)主要負(fù)責(zé)測試儀器艙溫度和過載情況,并據(jù)此判斷儀器艙的狀態(tài)。該單機(jī)主要采集的參數(shù)包括:前艙熱電偶(c1)、前艙內(nèi)壁溫度(c2)、前艙噪聲(c3)、前艙端頭柄根部內(nèi)壁溫度(c4)、前艙端頭柄根部內(nèi)腔溫度(c5)、前艙端頭柄附近內(nèi)壁溫度(c6)、前艙階振頻率(c7)、前艙高精度過載(c8)、端頭柄俯仰姿態(tài)角(c9)、端頭柄滾動姿態(tài)角(c10)、前艙冷端補(bǔ)償(c11)、端頭柄頭部壓力(c12)、端頭柄尾部壓力(c13)。
圖4 長征系列XX運(yùn)載火箭Fig.4 Long march XX rocket
按照第2節(jié)中邊緣判讀層的要求,升級箭上遙測分系統(tǒng)數(shù)據(jù)接收機(jī)的功能,添加數(shù)據(jù)存儲、閾值比對和數(shù)據(jù)發(fā)送硬件模塊。在靶場進(jìn)行模飛總檢查時,邊緣節(jié)點(diǎn)以1000比特率的速度從總線上實(shí)時采集13個監(jiān)測參數(shù)的數(shù)據(jù)。經(jīng)閾值判讀后,按照圖3的流程進(jìn)行本地緩存和篩選,最終以平均100比特率的速度向判讀服務(wù)器上傳。
從HBase數(shù)據(jù)庫中檢索前艙端頭柄單機(jī)故障的歷史數(shù)據(jù),挑選出如表1所示的8組異常數(shù)據(jù)。
表1 c1~c10參數(shù)原始數(shù)據(jù)Table 1 Original data of c1~c10 parameters
使用HBase數(shù)據(jù)庫和Qt編程語言開發(fā)自動判讀軟件,實(shí)現(xiàn)數(shù)據(jù)接收、判據(jù)管理、自動判讀等功能。按照第3.1節(jié)中AIPL語言和第3.2節(jié)中高階判據(jù)的語法,編寫參數(shù)的高階判據(jù)。在所開發(fā)的自動判讀軟件中,讀取邊緣層實(shí)時傳入的判讀數(shù)據(jù),執(zhí)行判讀過程,獲得參數(shù)判讀結(jié)果并自動生成判讀報告。
最終的判讀報告顯示,參數(shù)c11,c12和c13閾值判讀和高階判讀均正常;樣本u5,u6和u7輸入現(xiàn)有的診斷規(guī)則庫中,判定單機(jī)狀態(tài)均正常。所以,后續(xù)通過診斷模型進(jìn)行狀態(tài)診斷時忽略這些參數(shù)和樣本,從剩余的異常參數(shù)和故障樣本中提取診斷規(guī)則。
基于VPRS的診斷模型的構(gòu)建與診斷規(guī)則的提取按照如下步驟進(jìn)行:
步驟1:構(gòu)建原始決策表
構(gòu)建論域集合U={u1,u2,u3,u4,u8},5組判讀樣本數(shù)據(jù)作為原始決策表;10個判讀參數(shù)C={c1,c2,…,c10},作為決策表中的條件屬性集合;依據(jù)參數(shù)的判讀結(jié)果和試驗實(shí)際情況,確定設(shè)備單機(jī)故障類型D={d1,d2,…,d4}為決策表的決策屬性集合。其中,d1表示前艙過載,d2表示前艙溫度異常,d3表示前艙振動異常,d4表示端頭柄與內(nèi)壁接觸摩擦。
步驟2:數(shù)據(jù)標(biāo)準(zhǔn)化
對原始決策表中的條件屬性進(jìn)行標(biāo)準(zhǔn)化處理,標(biāo)準(zhǔn)化使用Z-core正規(guī)化法,如式(4)所示:
(4)
式中:E(xj)表示原始樣本集中特征變量xj的均值,D(xj)為特征變量xj對應(yīng)的標(biāo)準(zhǔn)差。
步驟3:數(shù)據(jù)離散化處理
對原始決策表1中的條件屬性和決策屬性,按照步驟2進(jìn)行標(biāo)準(zhǔn)化后進(jìn)行離散化處理。取[0,5]區(qū)間值為0,[5,10]區(qū)間值為1,將連續(xù)屬性的值域劃分為若干個子區(qū)間得到離散決策。
步驟4:參數(shù)依賴度和重要度計算
按照式(1)計算故障狀態(tài)對各參數(shù)的依賴度;然后根據(jù)依賴度計算結(jié)果依據(jù)式(2)和式(3)計算參數(shù)的重要度,得到最終的參數(shù)重要度排序為:c8>c4>c7>c2>c9>c5>c3>c6>c10>c1。可見,關(guān)鍵參數(shù)為c8和c4。后續(xù)在進(jìn)行人工判讀和自動判讀時,根據(jù)參數(shù)重要度,通過加快參數(shù)c8和c4的采樣頻率,增加數(shù)據(jù)上傳量的方式對關(guān)鍵參數(shù)予以重點(diǎn)關(guān)注。
步驟5:參數(shù)約減
變精度粗糙集中分類正確率β取值范圍為0.5~1,隨著β的增大,粗糙集的近似邊界區(qū)域變寬,不確定區(qū)域變大。在進(jìn)行β選取時,優(yōu)先考慮近似分類質(zhì)量,在分類質(zhì)量相近時,β值盡可能取最大上界,同時盡量約減掉更多的屬性。計算β分別取0.6,0.7,0.8和0.9時的分類質(zhì)量和約減結(jié)果,發(fā)現(xiàn)β=0.9時獲得了最優(yōu)的近似分類質(zhì)量和最簡的參數(shù)約減結(jié)果。利用VPRS知識約簡算法對10個參數(shù)進(jìn)行約減,約減后的最終參數(shù)集合為{c2,c4,c7,c8,c9}。
步驟6:值約減
經(jīng)過屬性約減后的決策表逐行獲得一條診斷規(guī)則,利用第3.3節(jié)中的值約減方法去除每條診斷規(guī)則中的冗余參數(shù),得到最小的約減規(guī)則如表2所示。
表2 最小約減規(guī)則表Table 2 Minimal decision table
步驟7:提取診斷規(guī)則
針對表2中經(jīng)過屬性約減和值約減后的每一個故障樣本提取診斷規(guī)則,結(jié)果如下:
規(guī)則1:IF(c2∈[0,5]∩c8∈[5,10]∩c9∈[0,5]或c8∈[5,10]∩c9∈[5,10]) THENd1(前艙過載)
規(guī)則2:IF(c2∈[5,10]∩c7∈[0,5]) THENd2(前艙溫度異常)
規(guī)則3:IF(c4∈[0,5]∩c7∈[5,10]) THENd3(前艙振動異常)
規(guī)則4:IF(c4∈[5,10]) THENd4(端頭柄內(nèi)壁接觸摩擦)
這些規(guī)則和已有診斷規(guī)則庫進(jìn)行匹配,如果屬于新增規(guī)則,則添加到規(guī)則庫中。
通過靶場試驗可知,針對實(shí)時采集的13個參數(shù)的原始數(shù)據(jù),首先通過邊緣判讀層將參數(shù)數(shù)據(jù)量減小為原來的1/10;然后,在判讀服務(wù)器層中,利用所建立的診斷模型進(jìn)行狀態(tài)診斷。多次試驗結(jié)果表明,能夠在5 s內(nèi)完成從參數(shù)超限到診斷出故障結(jié)果。實(shí)驗證明該方法充分考慮了判讀參數(shù)和單機(jī)故障之間的關(guān)聯(lián)性,通過對參數(shù)之間依賴度和重要度的量化計算獲得了參數(shù)重要度排名,最終通過參數(shù)約減提取到了最簡的診斷規(guī)則,使得自動判讀的數(shù)據(jù)量大大減小,實(shí)時狀態(tài)診斷的效率大大提升。
對現(xiàn)有的運(yùn)載火箭設(shè)備單機(jī)自動判讀軟件進(jìn)行重構(gòu),基于邊緣計算和VPRS,提出了邊緣層-判讀服務(wù)器層的雙層判讀架構(gòu)與實(shí)時診斷方法。通過添加邊緣層,對參數(shù)進(jìn)行閾值判讀,篩選出了具有高判讀價值的數(shù)據(jù),使得傳入判讀服務(wù)器的參數(shù)數(shù)據(jù)量減小為原來的1/10,大大減輕了判讀服務(wù)器的負(fù)荷,提升了自動判讀的效率。長征系列XX運(yùn)載火箭的靶場總檢查實(shí)驗表明,能夠在5 s時間內(nèi)完成從邊緣節(jié)點(diǎn)閾值判讀到判讀服務(wù)器高階判讀,再到診斷模型診斷出實(shí)時狀態(tài),大幅縮減了從參數(shù)判讀到狀態(tài)診斷的時延。所設(shè)計的雙層判讀系統(tǒng)在一定程度上實(shí)現(xiàn)了在線判讀和實(shí)時診斷。后續(xù)就如何進(jìn)一步提升狀態(tài)診斷正確率等方面展開研究。