(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210883327.2 (22)申请日 2022.07.26 (71)申请人 中国人民解 放军63926部队 地址 100192 北京市海淀区清河小营甲1号 申请人 中国航天系统科 学与工程研究院 (72)发明人 李孟源　肖楠　张笈玮　颜世佳　 武军　张研　李国庆　黎雨楠　 李聪睿　 (74)专利代理 机构 中国航天科技专利中心 11009 专利代理师 徐晓艳 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 10/00(2012.01)G06N 3/04(2006.01) (54)发明名称 一种航天装备 预测性维护系统 (57)摘要 本发明提供了一种航天设备预测性维护系 统， 包括： 感知系统， 采集航天设备运行参数传送 给处理分析分系统； 处理分析分系统， 对航天设 备运行参数进行数据处理， 得到反映航天设备状 态的特征数据； 故障预测诊断分系统， 对反映航 天设备状态的特征数据， 进行故障诊断分析， 得 到当前时刻航天设备最可能发生的故障类型及 其发生的概率； 对未来预设时间段内航天设备故 障趋势进行预测， 得到未来预设时间段内航天设 备故障类型及其发生的概率； 健康及寿命预测分 系统， 对航天设备的健康状况和寿命进行评估和 预测， 得到航天设备的健康评级和寿命曲线； 可 视化系统， 将处理分析分系统、 故障预测诊断分 系统、 健康及寿命预测分系统的过程数据及处理 结果展示。 权利要求书3页 说明书10页 附图2页 CN 115526375 A 2022.12.27 CN 115526375 A 1.一种航天设备预测性维护系统， 其特征在于包括感知分系统、 处理分析分系统、 故障 预测诊断分系统、 健康及寿命预测分系统和可视化分系统； 感知系统， 采集 航天设备运行参数传送给处 理分析分系统； 处理分析分系统， 对航天设备运行参数进行数据处理， 得到反映航天设备状态的特征 数据， 将反映航天设备状态的特征数据存入参数数据库， 同时发送给故障预测诊断分系统 和健康及寿命预测分系统； 故障预测诊断分系统， 对反映航天设备状态的特征数据， 进行故障诊断分析， 得到当前 时刻航天设备最可能发生的故障类型及其发生的概率； 对未来预设时间段内航天设备故障 趋势进行预测， 得到未来预设时间段内航天设备故障类型及其发生的概率， 同时将当前时 刻以及未来预设时间段内航天设备故障类型及其发生的概率发送给健康及寿命预测分系 统； 健康及寿命预测分系统， 根据反映航天设备状态的特征数据、 当前时刻以及未来预设 时间段内航 天设备故障类型及其 发生的概率， 对航天设备的健康状况和寿命进行评估和预 测， 得到航天设备的健康评级和寿命曲线； 可视化系统， 将处理分析分系统、 故障预测诊断分系统、 健康及寿命预测分系统 的过程 数据及处 理结果， 采用可视化的方式展示。 2.根据权利要求1所述的一种航天设备预测性维护系统， 其特征在于还包括保障决策 管理优化分系统； 保障决策管理优化分系统， 获取处理分析分系统的处理结果， 即过去预设时间段内的 反映航天设备状态的特征数据Ct、 故障预测诊断分系统的处理结果， 即未来预设时间段内 的故障概率Ft、 健康及寿命预测分系统的处理结果， 即未来预设时间段内的健康评级Lt， 构 成多源数据矩阵， 将多源数据矩阵乘以输入权值矩阵进行加权， 将加权后的多源数据矩阵 作为输入向量 采用多输入多输出LSTM神经网络预测得到航天设备故障可能发生的时 间mf、 成本效益最优的维护时机mopt、 最佳维护维修手段a， 并根据航天设备故障可能发生的 时间进行资源管理的规划， 得到预设时间段内航天设备 备品数量需求表单。 3.根据权利要求2所述的一种航天设备预测性维护系统， 其特征在于所述多输入多输 出LSTM神经网络包含输入层、 隐含层和输出层， 其中， 输入层张量为由样 本数量、 时间步长、 样本维度组成的三维矩阵， 输入向量 为： 其中， wc为状态特征序列权重、 wf为故障数据权重、 wl为健康寿命数据权重； samples为 采样数； 隐含层有两层， 记为第一隐含层、 第二隐含层， 每层各50个神经元组成， 每个神经元包 含输入门、 遗 忘门、 输出门， 输入门、 遗 忘门、 输出门设置不同的权 重； 输出层的激活函数采用sigmoid函数， 以均方误差最小化作为优化目标， 将隐含层的结 果映射输出， 得到为维修决策 数据Ht， 所述维修决策 数据Ht为：权　利　要　求　书 1/3 页 2 CN 115526375 A 2其中， 为航天设备故障可能发生 的时间， 为成本效益最优的维护时机， at为维 护手段。 4.根据权利要求3所述的一种航天设备 预测性维护系统， 其特 征在于： 对于机械结构类航天设备， 状态特征序列权重wc为0.6， 健康寿命数据wl权重和故障数 据权重wf分别为0.2、 0.2； 对于液压系统类设备， 健康寿命数据权重wl为0.6， 状态特征序列权重wc和故障数据权 重wf分别为0.2、 0.2； 对于控制系统类设备， 故障数据权重wf为0.6， 状态特征序列权重wc和健康寿命数据wl 分别为0.2、 0.2。 5.根据权利要求4所述的一种航天设备预测性维护系统， 其特征在于所述多输入多输 出LSTM神经网络通过如下 方法训练得到： S1、 基于设备编号标签及时间标签， 获取反映航天设备状态特征历史数据Ct′、 故障概率 历史数据Ft′、 健康评级历史数据Lt′， 及其对应的航天设备故障可能发生的时间mf′、 成本效 益最优的维护时机mopt′、 最佳维护维修手段a ′； S2、 将反映航天设备状态特征历史数据Ct′、 故障概率历史数据Ft′、 健康评级历史数据 Ltj分别进行输入加权处理， 得到输入向量 并将输入向量 进行归一化处理， 使之映射 至[0,1]区间； S3、 变更历史数据对应的时间段， 重复步骤S1和步骤S2， 得到数据集， J为样本数量； S4、 将数据集 按照8:1:1比例划分训练集、 验证集及测试集进 行划分， 对多输入多输 出LSTM神经网络进行训练， 确定多输入多输出LSTM神经网络中隐含层中每个神经元的输入 门权重、 遗忘门权重、 输出门权 重， 从而确定多输入多输出LSTM神经网络 。 6.根据权利要求1所述的一种航天设备预测性维护系统， 其特征在于健康及寿命预测 分系统， 包括 健康状况 预测模型、 数据驱动的RUL模型模块； 健康状况预测模型模块， 基于反映航天设备状态的历史特征数据， 采用线性 回归模型、 逻辑回归模型或者高斯过程回归模型对航天设备健康状况进 行拟合， 得到航 天设备健康状 况随时间变化曲线， 完成对航天设备的健康状况的评估预测； 数据驱动的RUL模型模块， 基于设备的历史寿命数据， 健康状况随时间变化曲线， 采用 贝叶斯估计模型对剩余使用寿命进行评估预测， 得到剩余使用寿命曲线， 将剩余使用寿命 曲线发送给设备寿命预测模型模块。 7.根据权利要求1所述的一种航天设备预测性维护系统， 其特征在于健康及寿命预测 分系统还 包括性能失效退化模型模块； 性能失效退化模型， 基于反映航天设备状态的历史特征数据， 采用线性退化模型或幂权　利　要　求　书 2/3 页 3 CN 115526375 A 3