论文部分内容阅读
集成模块化航空电子(Integrated Modular Avionics,IMA)是现代化航电系统的集大成者,在集中资源、增强功能、提高效率等方面所发挥着重要作用。伴随IMA系统的复杂度提升,需要机载系统状态预测与健康管理(Prognostics and Health Management,PHM)系统来保障IMA系统的可靠运行,控制飞机维修任务和故障风险所带来的成本消耗。研制国产的IMA系统,掌握PHM系统自主产权,减少其对于舶来技术的依赖程度,具有深远的战略发展意义。当前,在最先进的波音787飞机中也只实现了健康管理系统(Health Management,HM),其PHM系统仍处于研究阶段。在现阶段,对于国产机载PHM系统而言,无论是系统架构还是关键算法都还存在巨大的空白与挑战。本文从国产大飞机实际课题出发,针对机载PHM架构与关键算法,提出基于面向服务架构(Service-Oriented Architecture,SOA)设计模式的机载PHM架构仿真与验证体系,然后对仿真与验证体系中的重要组成部分,即机载PHM架构仿真平台、功能服务应用实例(机载PHM电池荷电状态预测算法)展开研究。本文运用基于模型系统工程的方法论,设计了机载PHM系统的架构设计总体流程。基于现有的PHM系统相关的标准和规范提出适用于机载PHM系统原型设计阶段的架构、功能、仿真需求,并建立系统用例模型。通过设计流程,根据需求定义和用例模型,提出资源层、核心功能层、系统交互层的分层架构设计,设计并实现基于SysML的机载PHM架构仿真平台。通过系统建模语言(System Modeling Language,SysML)对原型架构进行静态和动态多维度建模。利用对象执行框架(Object Execution Framework,OXF)框架对SysML元素进行编译。最终完成状态可执行、时序可验证、需求可追踪的动态仿真和验证环境。着眼于机载PHM系统的实际应用场景,本文对机载PHM电池荷电状态(State of Charge,SOC)实时预测算法进行研究。提出能够有效进行数据降维的单周期特征集构造方法以及基于异构学习器的自适应集成预测模型。通过分析与验证,本文提出的单周期特征集构造方法可以在保证特征的预测潜力的前提下,减少特征集构造时对于历史数据的依赖,对数据进行充分降维,有效降低模型运算复杂度,同时提高模型预测效果,从而满足机载系统对实时预测的需求。本文提出的自适应集成预测模型通过SOA对模型在线过程和离线过程进行解耦。通过分析与验证,在离线训练和优化中,离线学习器对于单周期特征集具备良好的预测能力和离线优化空间,同时通过外部对比实验证明在相同离线学习器中,单周期特征集可以达到更高的预测精度。在在线训练与预测中,自适应集成预测模型可以动态对离线学习器的预测权重进行调整。通过离线过程和在线过程的结合,自适应集成预测模型可以平衡海量数据处理与机载系统实时性要求之间的冲突,从而获得更好的预测效果和泛化能力。本文提出的机载PHM系统架构仿真平台为机载PHM系统架构原型开发提供了可验证的建模环境,机载PHM电池荷电状态预测算法为机载PHM架构提供了完整的功能服务实现用例,两者共同构成了机载PHM架构仿真与验证体系。