航天继电器故障预测：基于证据推理的信息融合方法

"这篇研究论文探讨了一种基于证据推理的航天继电器故障预测方法，旨在解决航天继电器失效比例高和故障预测不确定性的问题。作者选取了吸合时间和超程时间为故障特征变量，利用三阶Volterra滤波器的在线预测模型进行故障特征的未来信息预测，并通过变异系数法确定融合权重。这种方法建立了一个基于证据推理的融合框架，整合多故障特征信息以判断继电器的故障状态。进一步地，通过融合继电器的历史、当前和未来状态信息，得出综合故障预测结果。论文通过STS2104A电磁继电器测试系统的实验数据验证了方法的有效性。" 本文是针对航天领域中一个关键部件——继电器的故障预测问题展开的研究。航天继电器由于其工作环境的特殊性，常常面临较高的失效风险，这对航天系统的可靠性带来了挑战。传统的故障预测方法在处理这类强不确定性的预测问题时可能存在不足。因此，作者提出了一个创新的方法，该方法的核心是证据推理（Evidential Reasoning, ER）。 证据推理是一种处理不确定性和不完整性信息的决策分析方法，它能够有效地融合来自多个来源或多种方式的信息，从而提高决策的准确性。在这个研究中，证据推理被用于融合不同的故障特征信息，包括吸合时间和超程时间，这些特征被认为是判断继电器健康状况的关键指标。 为了预测这些特征的未来状态，研究人员采用了三阶Volterra滤波器的在线预测模型。Volterra滤波器是一种非线性滤波器，能处理非线性系统的预测问题，适合航天继电器这类可能表现出复杂非线性行为的设备。 此外，通过变异系数法自适应地求取融合权重，可以动态调整不同特征的贡献度，确保在不确定性环境下仍能做出有效的故障预测。这个过程是自适应的，意味着它能够根据数据的变化自动调整，从而提供更准确的预测。 在建立的基于证据推理的融合框架中，不仅考虑了当前的故障状态，还结合了继电器的历史和未来状态信息，形成了一种综合的故障预测策略。这有助于提前预警潜在的故障，为航天系统的维护和保障提供及时的支持。 为了验证该方法的实际效果，论文采用了STS2104A电磁继电器测试系统进行数据采集和测试。实验结果证实了该方法的有效性和实用性，表明它能够在实际应用中对航天继电器的故障进行准确预测，从而提高了航天系统的安全性和可靠性。 这项研究为航天继电器的故障预测提供了一个新的视角，通过证据推理和信息融合技术，提高了故障预测的精度和鲁棒性，对于航天工程的安全运行具有重要的理论与实践意义。