CN101887407A - 一种基于希尔伯特-黄变换的设备或***机内测试信号特征提取方法 - Google Patents
一种基于希尔伯特-黄变换的设备或***机内测试信号特征提取方法 Download PDFInfo
- Publication number
- CN101887407A CN101887407A CN 201010228743 CN201010228743A CN101887407A CN 101887407 A CN101887407 A CN 101887407A CN 201010228743 CN201010228743 CN 201010228743 CN 201010228743 A CN201010228743 A CN 201010228743A CN 101887407 A CN101887407 A CN 101887407A
- Authority
- CN
- China
- Prior art keywords
- built
- single order
- test signal
- state function
- eigenmode state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 52
- 238000000605 extraction Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims description 22
- 230000004083 survival effect Effects 0.000 claims description 16
- 238000012217 deletion Methods 0.000 claims description 5
- 230000037430 deletion Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000003745 diagnosis Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000009022 nonlinear effect Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 239000002917 insecticide Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
技术领域
本发明涉及设备或***机内测试的关键处理技术,具体涉及一种基于希尔伯特-黄变换的设备或***机内测试信号特征提取方法。
背景技术
机内测试(Built-InTest,BIT)技术是改善***测试性和诊断能力的重要途径,在保障设备或***的完好性、提高维修效率等方面发挥了重要的作用,但目前广泛应用的传统BIT技术由于难以实现自适应的特征提取,造成了诊断方法过于单一,对诊断信息的利用能力也非常有限,因此在使用过程中表现出故障正确检测及隔离能力较差、漏报率及虚警率较高的问题严重制约着BIT***效能的充分发挥。
特征提取环节通常处于故障诊断及故障分类的前级,该环节要提取具有如下性质的特征:来自于同一类别的不同样本的特征属性或数值应该非常接近,而来自不同类别的样本的特征属性或数值应该有较大的差异。此外,该环节需提取最具鉴别能力的特征,这些特征对与类别信息不相关的变换具有不变性。由于BIT***所处理的往往都是非平稳、非线性的数据,因此我们考虑使用在这方面数据处理上有特长的希尔伯特-黄变换(Hilbert-HuangTransform,HHT)来设计特征提取方案,从而辅助BIT***达到低漏报率与高正确率的故障诊断效果。
发明内容
本发明为了解决传统机内测试特征提取方法难以实现自适应特征提取的问题,提供了一种基于希尔伯特-黄变换的设备或***机内测试信号特征提取方法。
本发明具体过程如下:
步骤一:对输入的机内测试信号进行经验模态分解,得到一阶本征模态函数分量IMF1和残差函数RES;
步骤二:对步骤一获得的一阶本征模态函数分量IMF1进行希尔伯特变换,得到其幅值和瞬时频率;
本发明从一阶IMF所隐含的信息入手,借助HT等手段定位特征序列的位置,并在原始信号上将对应的特征信号截取出来,是一种高效的、适应性强的机内测试信号特征提取方法。
本发明与现有技术相比具有如下优点:
1)本发明所提出的信号特征提取方法利用HHT过程中的两个重要步骤EMD和HT,对机内测试***所采集的原始信号进行处理,从瞬时频率和解析信号幅值两方面入手,获取潜在故障信号的特征位置,并在原始数据上生成最终的特征信号,该方案所具有的自适应性是其他特征提取方法无法达到的。
2)本发明所提出的信号特征提取方法在本质采取了一种有针对性的原始数据约减策略,而非数据变换策略,使得特征信号保留了原始数据所含有的物理意义,同时也使得后续的机内测试环节能够对诊断过的数据进行累积及更新故障诊断数据库,为更高层次的算法或决策应用带来方便。
本发明适用于机内测试信号特征提取领域。
附图说明
图1为基于希尔伯特-黄变换的设备或***机内测试信号特征提取方法流程图;图2为经验模态分解流程图(只分解到一阶本征模态函数分量IMF1);图3为无故障情况下舵机反馈电压;图4为无故障情况下舵机反馈电压EMD后所得一阶本征模态函数分量IMF1;图5为无故障情况下一阶本征模态函数分量IMF1幅值;图6为无故障情况下一阶本征模态函数分量IMF1瞬时频率;图7为无故障情况下一阶本征模态函数分量IMF1瞬时频率一阶差分绝对值;图8为无故障情况下筛选后一阶本征模态函数分量IMF1瞬时频率一阶差分绝对值;图9为无故障情况下舵机反馈电压特征定位;图10为故障情况下舵机反馈电压;图11为故障情况下舵机反馈电压EMD后所得一阶本征模态函数分量IMF1;图12为故障情况下IMF1幅值;图13为故障情况下一阶本征模态函数分量IMF1瞬时频率;图14为故障情况下一阶本征模态函数分量IMF1瞬时频率一阶差分绝对值;图15为故障情况下筛选后一阶本征模态函数分量IMF1瞬时频率一阶差分绝对值;图16为故障情况下舵机反馈电压特征定位;图17为无故障情况下No.1-No.5舵机反馈电压原始数据;图18为故障情况下No.6-No.10舵机反馈电压原始数据;图19为无故障情况下No.1-No.5舵机反馈电压特征定位;图20为故障情况下No.6-No.10舵机反馈电压特征定位。
具体实施方式
具体实施方式一:结合图1说明本实施方式,一种基于希尔伯特-黄变换的设备或***机内测试信号特征提取方法,具体过程如下:
步骤一:对输入的机内测试信号进行经验模态分解,得到一阶本征模态函数分量IMF1和残差函数RES;
步骤二:对步骤一获得的一阶本征模态函数分量IMF1进行希尔伯特变换,得到其幅值和瞬时频率;
HHT方法由美国国家航空航天管理局(NationalAeronauticsandSpaceAdministration,NASA)的黄锷博士于1998年公开发表。HHT是一种自适应的非平稳、非线性信号时频分析方法,包括经验模态分解(EmpiricalModeDecomposition,EMD)和希尔伯特变换(HilbertTransform,HT)两部分。希尔伯特变换通过将信号与函数进行褶积(也称为卷积)运算,从而得到的局部特性,如下式:
其中,CPV为柯西主值积分(CauchyPrincipleValue,CPV),从频域的观点来看:
利用x(t)与y(t)可以组成一个复数信号z(t):
z(t)的频域形式如下:
z(t)为一解析函数,在极坐标下可用下式表示:
a(t)表示x(t)的包络振幅大小,而表示x(t)的相角:
x(t)的瞬时频率定义为:
若对实际信号直接用上式来求瞬时频率,则可能因直流分量与多重频率成分的影响造成误判的情况,以致得到和原信号的瞬时频率相差过大的结果。因此欲使用希尔伯特变换取得有意义的瞬时频率,就必须先对该信号做适当处理,首先要滤除局部的直流分量,且使其符合局部对称于零平均值之后,才能对该信号做有意义的频谱分析。
EMD是HHT算法的重要步骤,不同于使用固定形态窗口为分界基底函数的传统方法,经验模态分界的基底函数是由信号中提取得到,即IMF。IMF必须符合下列两个特性:
1)在整个函数中,极值点的数目与穿越零点的数目相等或者相差1;
2)在任何时刻,由局部极值包络线所定义的包络线局部均值为0。
EMD将信号分解成有限个IMF和一个残差之和,而IMF的出现使得后续的HT分析变得有意义起来,即通过构造解析函数进而计算其瞬时频率等等。
HHT中的信号分解过程由信号本身驱动,具有完全自适应性,并且分解所得的IMF分量信号具有物理可实现性,更符合客观世界的实际情况。HHT被认为是一种强有力的求解非平稳、非线性信号的自适应方法,被认为是近年来对以傅立叶变换为基础的线性、稳态谱分析的一个重大突破,得到了广泛的应用。
具体实施方式二、本实施方式是对具体实施方式一的进一步说明,步骤一中对输入的机内测试信号进行经验模态分解,得到一阶本征模态函数分量IMF1和残差函数RES的过程为:
具体实施方式四、本实施方式是对具体实施一的进一步说明,步骤二中对一阶本征模态函数分量IMF1进行希尔伯特变换,得到其幅值和瞬时频率的过程为:
步骤二一、对一阶本征模态函数分量IMF1进行离散褶积,得到其希尔伯特变换,如下式所示:
,
机内测试所采集的原始信号一般都不含有原始模型,可以看做是非平稳、非线性信号,其一阶本征模态函数分量IMF1,是率先被提取出来的高频分量。其中主要包含的是虚警信号及噪声信号,但是也能够反映故障信号的高频分量,只是幅值上有所衰减,因而直接从一阶本征模态函数分量IMF1上诊断故障是非常不理想的,但是可对一阶本征模态函数分量IMF1进行希尔伯特变换,从其幅值和瞬时频率上的信息判断出潜在故障信号存在的位置或时刻。
由于EMD过程存在求取包络线的过程,在应用中容易产生端点效应,因此需要屏蔽掉一阶本征模态函数分量IMF1的首、尾各10%数据,即这些数据被排除在特征时刻集合之列。对于时刻一阶差分的绝对值中小于平均值的位置予以排除,同时由于计算时刻的一阶差分用到的是时刻的瞬时频率以及时刻瞬时频率,因此当时刻一阶差分的绝对值不小于平均值时,我们将时刻也保留在特征时刻集合中,此外,对于解析信号的包络振幅中小于平均值的位置予以排除,最后得到特征时刻集合。
从特征时刻集合中删除总长度小于p的连续时刻序列和非连续的单点时刻,得到新的特征时刻集合,所述由一段或多段连续的特征时刻序列组成,且各段特征时刻序列长度均大于等于p,特征信号在输入信号上依照进行截取,即。
由于该生成特征要输入机内测试***进行故障诊断,因此只有具有一定长度(或维数)的特征才是有意义的,在实际应用中可从特征时刻集合中删除总长度小于5的连续时刻序列(包括非连续的单点时刻),得到新的特征时刻集合(由一段或多段连续的特征时刻序列组成,且各段总长度均大于等于5),最终特征信号在输入信号上依照进行截取,即。
下面以某无人机之机内测试***所采集的舵机反馈电压信号为实施例阐述本发明的具体实施方式:
无人机是一种无人驾驶飞行器,有升力面、可依靠自动驾驶仪和无线电***控制并作机动飞行,它可以完成空中环境监测、森林防火、喷洒农药、空中侦察等任务。本实施例信号截取自无人机执行某规定自检任务时的舵机反馈电压信号,且分别在无故障和有故障情况下各选择了5段原始采样数据,并对10段数据统一进行初始位置校准。舵机在时刻70×0.1s加入了干扰操作,并导致了两种不同的效果,正常模式是电压较为匀速地下降,故障模式是电压产生大幅跌落及回升后才完成电压下降。机内测试***采用标准差分析检测非正常的大幅跌落及回升现象。
本实施例选取了无故障和有故障状态下的各5段采样数据作为输入数据,分别执行以下步骤,且执行过程完全一致,以其中1段为输入数据的具体执行过程如下:
执行步骤一:对输入数据均进行经验模态分解(EmpiricalModeDecomposition,EMD),得到各自的一阶本征模态函数(IntrinsicModeFunction,IMF)和残差函数,分别记为IMF1和RES,分步执行如下:
4)判断IMF分解中经过第次筛选后的剩余函数是否满足IMF的条件,采用标准偏差(StandardDeviation,SD)准则进行决策:计算;若小于0.25,则提取一阶IMF分量,并继续执行第5步,否则并回到第3步;
5)经过IMF分解之后剩余的残差函数;
执行步骤二:对一阶本征模态函数分量IMF1进行希尔伯特变换,得到其幅值和瞬时频率。
。
执行步骤四:综合判断特征位置,即确定潜在故障特征出现的时刻集合。
执行步骤五:在原始信号的基础上生成最终特征。
从特征时刻集合中删除总长度小于5的连续时刻序列(包括非连续的单点时刻),得到新的特征时刻集合(由一段或多段连续的特征时刻序列组成,且各段总长度均大于等于5),最终特征信号在输入信号上依照进行截取,即。
下面分别以无故障和有故障两种情况分析验证实施例的特征提取效果。图3所示的无故障情况下舵机反馈电压,执行EMD过程之后得到如图4所示的一阶本征模态函数分量IMF1。接着,对一阶本征模态函数分量IMF1执行HT过程之后得到其幅值和瞬时频率,分别如图5和图6所示。然后,对一阶本征模态函数分量IMF1瞬时频率求一阶差分并取绝对值,如图7所示。经排除一阶差分绝对值及幅值小于平均数的时刻,得到如图8所示的筛选后时刻序列。最后,排除删除总长度小于5的连续时刻序列,得到如图9所示的特征定位时刻序列,原始信号上对应该特征定位时刻的信号段即为最终提取特征。
同样,对图10所示的有故障情况下舵机反馈电压,执行本发明所有步骤后得到图11至图16所示的结果。
从最终的特征定位上我们难以直观地评价特征提取的效果,我们将提取的特征返回机内测试***,并采取标准差的方式作为评价指标,所得数据结果详见表1。序号1至5来自图17所示的无故障情况下的舵机反馈电压,序号6至10来自图18所示的有故障情况下的舵机反馈电压,他们都是在相同操作指令的情况下重复实验后测得,最终的特征定位分别如图19和图20所示。需要注意的是5号数据得到了两段连续的特征时刻序列,在进行标准差指标运算时需要对两段数据分别求取,得到两个标准差,但在诊断时仅取较大值作判定。标准差的数值反映了特征的离散程度,数值过大则诊断为故障。从表1中结果来看,序号1至5的标准差都小于0.4V(均值为0.3320V),而序号6至10的标准差都大于0.6V(均值为0.7431V),而前者对应的真实情况均是正常,后者对应的真实情况均是故障,可见利用本发明的特征提取方法,具有较大的诊断裕度,这也反映了该特征提取方法的有效性。表1为舵机反馈电压BIT特征提取及诊断结果。
Claims (8)
2.根据权利要求1所述的一种基于希尔伯特-黄变换的设备或***机内测试信号特征提取方法,其特征在于步骤一中对输入的机内测试信号进行经验模态分解,得到一阶本征模态函数分量IMF1和残差函数RES的过程为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010228743 CN101887407B (zh) | 2010-07-16 | 2010-07-16 | 一种基于希尔伯特-黄变换的设备或***机内测试信号特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010228743 CN101887407B (zh) | 2010-07-16 | 2010-07-16 | 一种基于希尔伯特-黄变换的设备或***机内测试信号特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101887407A true CN101887407A (zh) | 2010-11-17 |
CN101887407B CN101887407B (zh) | 2012-12-12 |
Family
ID=43073335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010228743 Expired - Fee Related CN101887407B (zh) | 2010-07-16 | 2010-07-16 | 一种基于希尔伯特-黄变换的设备或***机内测试信号特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101887407B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103455470A (zh) * | 2013-09-03 | 2013-12-18 | 上海交通大学 | 一种瞬时频率含交叉点的信号时频分解方法 |
WO2015172622A1 (zh) * | 2014-05-14 | 2015-11-19 | 武汉大学 | 一种高频地波雷达射频干扰抑制的方法 |
CN106055734A (zh) * | 2016-05-13 | 2016-10-26 | 浙江理工大学 | 一种风电齿轮箱故障诊断方法 |
CN107992448A (zh) * | 2017-11-30 | 2018-05-04 | 西安交通大学 | 一种基于绝对值的直接反余弦瞬时频率求解方法 |
CN109117784A (zh) * | 2018-08-08 | 2019-01-01 | 上海海事大学 | 一种改进经验模态分解的船舶电力推进***故障诊断方法 |
CN110223195A (zh) * | 2019-05-22 | 2019-09-10 | 上海交通大学 | 基于卷积神经网络的配电网故障检测方法 |
CN111007559A (zh) * | 2019-11-25 | 2020-04-14 | 中国辐射防护研究院 | 一种基于Hilbert-Huang变换的γ能谱平滑方法 |
CN111081274A (zh) * | 2020-01-03 | 2020-04-28 | 西安电子科技大学 | 基于瞬时频率的带静默间断信号的端点识别方法及应用 |
CN112526430A (zh) * | 2020-12-09 | 2021-03-19 | 中国航空工业集团公司北京长城计量测试技术研究所 | 一种飞机电源供电特性频率瞬变参数校准方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5355238A (en) * | 1993-08-18 | 1994-10-11 | Swl Inc. | Method and apparatus for the monitoring and demarcation of synchronous optical networks |
CN101114249A (zh) * | 2006-07-28 | 2008-01-30 | 佛山市顺德区顺达电脑厂有限公司 | 主板的i2c总线检测装置及其方法 |
CN101644737A (zh) * | 2009-09-10 | 2010-02-10 | 优能电气(天津)有限公司 | 一种局部放电故障检测定位装置及定位方法 |
-
2010
- 2010-07-16 CN CN 201010228743 patent/CN101887407B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5355238A (en) * | 1993-08-18 | 1994-10-11 | Swl Inc. | Method and apparatus for the monitoring and demarcation of synchronous optical networks |
CN101114249A (zh) * | 2006-07-28 | 2008-01-30 | 佛山市顺德区顺达电脑厂有限公司 | 主板的i2c总线检测装置及其方法 |
CN101644737A (zh) * | 2009-09-10 | 2010-02-10 | 优能电气(天津)有限公司 | 一种局部放电故障检测定位装置及定位方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103455470B (zh) * | 2013-09-03 | 2016-04-06 | 上海交通大学 | 一种瞬时频率含交叉点的信号时频分解方法 |
CN103455470A (zh) * | 2013-09-03 | 2013-12-18 | 上海交通大学 | 一种瞬时频率含交叉点的信号时频分解方法 |
WO2015172622A1 (zh) * | 2014-05-14 | 2015-11-19 | 武汉大学 | 一种高频地波雷达射频干扰抑制的方法 |
CN106055734A (zh) * | 2016-05-13 | 2016-10-26 | 浙江理工大学 | 一种风电齿轮箱故障诊断方法 |
CN107992448A (zh) * | 2017-11-30 | 2018-05-04 | 西安交通大学 | 一种基于绝对值的直接反余弦瞬时频率求解方法 |
CN107992448B (zh) * | 2017-11-30 | 2020-03-31 | 西安交通大学 | 一种基于绝对值的直接反余弦瞬时频率求解方法 |
CN109117784B (zh) * | 2018-08-08 | 2024-02-02 | 上海海事大学 | 一种改进经验模态分解的船舶电力推进***故障诊断方法 |
CN109117784A (zh) * | 2018-08-08 | 2019-01-01 | 上海海事大学 | 一种改进经验模态分解的船舶电力推进***故障诊断方法 |
CN110223195A (zh) * | 2019-05-22 | 2019-09-10 | 上海交通大学 | 基于卷积神经网络的配电网故障检测方法 |
CN111007559B (zh) * | 2019-11-25 | 2023-09-15 | 中国辐射防护研究院 | 一种基于Hilbert-Huang变换的γ能谱平滑方法 |
CN111007559A (zh) * | 2019-11-25 | 2020-04-14 | 中国辐射防护研究院 | 一种基于Hilbert-Huang变换的γ能谱平滑方法 |
CN111081274A (zh) * | 2020-01-03 | 2020-04-28 | 西安电子科技大学 | 基于瞬时频率的带静默间断信号的端点识别方法及应用 |
CN111081274B (zh) * | 2020-01-03 | 2022-03-25 | 西安电子科技大学 | 基于瞬时频率的带静默间断信号的端点识别方法及应用 |
CN112526430A (zh) * | 2020-12-09 | 2021-03-19 | 中国航空工业集团公司北京长城计量测试技术研究所 | 一种飞机电源供电特性频率瞬变参数校准方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101887407B (zh) | 2012-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101887407B (zh) | 一种基于希尔伯特-黄变换的设备或***机内测试信号特征提取方法 | |
US9346557B2 (en) | Flight data monitoring and validation | |
CN104699077B (zh) | 一种基于嵌套迭代费舍尔判别分析的故障变量隔离方法 | |
CN103674511A (zh) | 一种基于emd-svd与mts的机械磨损件性能评估与预测方法 | |
CN105094111B (zh) | 基于联合降噪和经验模态分解的控制***健康状态分析方法 | |
CN103761173A (zh) | 一种基于日志的计算机***故障诊断方法及装置 | |
CN108399277B (zh) | 一种基于温度与应变关联性的桥梁损伤识别方法 | |
CN105834835A (zh) | 一种基于多尺度主元分析的刀具磨损在线监测方法 | |
WO2012149901A1 (zh) | 基于相似度曲线的设备故障早期预警及优化的方法和*** | |
WO2013184206A3 (en) | Path scanning for the detection of anomalous subgraphs, anomaly/change detection and network situational awareness | |
CN103901882A (zh) | 一种列车动力***在线监控故障诊断的***及其方法 | |
CN105571638A (zh) | 一种机械设备故障组合预测***及方法 | |
CN105930963A (zh) | 一种机电***装备健康评估方法 | |
CN110427988A (zh) | 一种基于深度学习的机载飞参数据健康诊断方法 | |
CN104318305B (zh) | 一种基于小波与神经网络的逆变器低频噪声故障诊断方法 | |
CN109709934A (zh) | 一种飞行控制***故障诊断冗余设计方法 | |
CN103529830A (zh) | 一种基于有限频域飞行控制***渐变故障的诊断设计方法 | |
CN105626502A (zh) | 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法 | |
CN104986347A (zh) | 一种民机航线飞行员操作差错的实时检测方法 | |
US20220039716A1 (en) | Calibration method for critical point of mental fatigue based on self-organized criticality | |
CN111858680B (zh) | 一种快速实时检测卫星遥测时序数据异常的***与方法 | |
CN109976311A (zh) | 一阶定值控制***传感器故障诊断方法及诊断*** | |
CN111580498A (zh) | 一种基于随机森林的飞机环控***气冷设备鲁棒故障诊断方法 | |
CN105137354A (zh) | 一种基于神经网络电机故障检测方法 | |
CN113283315B (zh) | 一种多飞行状态直升机故障动态监测告警方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20121212 |