CN102662389A - 一种基于故障特性分析的监测参数选择方法 - Google Patents
一种基于故障特性分析的监测参数选择方法 Download PDFInfo
- Publication number
- CN102662389A CN102662389A CN2012100755341A CN201210075534A CN102662389A CN 102662389 A CN102662389 A CN 102662389A CN 2012100755341 A CN2012100755341 A CN 2012100755341A CN 201210075534 A CN201210075534 A CN 201210075534A CN 102662389 A CN102662389 A CN 102662389A
- Authority
- CN
- China
- Prior art keywords
- fault
- failure
- monitoring parameter
- node
- analysis
- 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.)
- Pending
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种基于故障特性分析的监测参数选择方法。本发明主要采取以下措施:(1)根据***故障属性(严酷度、故障率、传播强度)确定待分析故障模式集;(2)针对待分析故障模式集,进行扩展故障模式、机理和影响分析(Failure Modes,Mechanisms and Effects Analysis,FMMEA);(3)根据扩展FMMEA结果确定***监测参数集。在已有监测参数确定方法的基础上,考虑了***故障传播特性和故障演化特性,使得最终得到的监测参数更具工程实用性。
Description
技术领域
本发明涉及面向预测与健康管理的可测性工程领域的监测参数选择方法,尤其是一种考虑故障传播特性和故障演化特性的监测参数选择方法。
背景技术
预测与健康管理(Prognostics and Health Management,PHM)利用尽可能少的传感器采集***的各种数据信息,借助各种智能推理算法(如物理模型、神经网络、数据融合、模糊逻辑、专家***等)诊断、预测故障,评估***健康状态,并结合各种可用资源和约束条件触发最佳维修决策。PHM对于提高***安全性、可靠性、维修性和经济可承受性,降低全寿命周期费用,实现自主维修、预知维修具有重要意义。显然,信息感知与测试是实现PHM的前提和基础,应用和研究也表明PHM能力一方面依赖于信息的处理与决策,另一方面更依赖于信息的获取,信息感知与测试是否全面、准确直接影响PHM性能。另一方面,传统的***研制后附加测试与监控手段的方式日益受限,近年来,基于并行思想的可测性技术越来越受到人们的关注。可测性(Testability)也称测试性,是指“产品能及时准确地确定其状态(可工作、不可工作或性能下降)并有效地隔离其内部故障的一种设计特性”。因此,在***设计阶段确定合适的监测参数,进而并行开展可测性设计(传感器选择、布局和优化)被认为是提高PHM能力的根本途径。
复杂装备监测参数众多,出于经济性和可行性考虑,不可能也不必要对所有监测参数进行测试。监测参数过多,导致测试成本高、信息冗余度大、背景噪声强;监测参数过少,不能有效表征故障征兆,跟踪故障演化,导致状态信息缺乏。此外,在装备设计阶段,监测参数的选择会影响测试资源的配置,最终影响可测性并行设计。目前,监测参数选择方法主要有模型法、机理法和准则法等。
1)模型法通过建立***的状态方程,根据***的可观和可控性要求通过优化算法(反向蚁群算法)确定最优监测参数(Ma Haiping et al,《Oppositionalant colony optimization algorithm and its application to faultmonitoring》Proceedings of the 29th Chinese Control Conference,Beijing,China,2010:3895-3898)。
2)机理法基于故障模式、机理和影响分析(Failure Modes,Mechanisms andEffects Analysis,FMMEA),计算分析风险优先数(Risk Priority Number,RPN)高的故障模式,再根据故障模式机理、征兆和监测参数之间的映射关系确定监测参数(Sachin Kumar et al,《Parameter selection for health monitoring ofelectronic products》Microelectronics Reliability,2010,50(2):161-168)。
3)准则法通过领域专家确定监测参数选择准则,再根据准则对待选参数进行评价,最后根据给定的取舍阈值确定***的监测参数(杨雪等,《基于AHP的液体火箭发动机地面试验监测参数的选取方法研究》,航空动力学报,2006,21(3):615-620)。
基于***模型的方法需要较为详细的***知识,而在装备设计阶段很难获取较为详细的***知识。机理法中RPN的计算仅考虑了故障的发生概率和严酷度,没有考虑故障的传播性;而在确定监测参数时,没有综合分析故障机理、故障模型与故障征兆和监测参数之间的映射关系,更没有考虑测试资源对监测参数选择的影响。准则法仅从数学理论上保证结果的最优性,没有对故障模式发生的机理、模型等物理因素进行分析,不适用于工程实际。
发明内容
本发明要解决的技术问题是:提供一种面向PHM的监测参数确定方法,使最终得到的监测参数不仅考虑到产品故障的演化特性,同时也考虑了产品故障的传播特性。
为了解决上述技术问题,本发明主要采取以下措施:(1)根据***故障属性(严酷度、故障率、传播强度)确定待分析故障模式集;(2)针对待分析故障模式集,进行扩展故障模式、机理和影响分析(Failure Modes,Mechanisms andEffects Analysis,FMMEA);(3)根据扩展FMMEA结果确定***监测参数集。第一步考虑了***故障的传播性,而第二步考虑了***故障的演化性,因此所确定***监测参数集更符合工程实际。
具体技术方案如下:
第1步,确定***待分析故障模式集Faly。
1.1根据装备全寿命周期任务剖面和功能分析确定***所有可能故障模式集合Fall。
1.2从集合Fall中选择一个故障模式进行分析,首先判定fi是否为关键故障,若是,直接存入Faly;否则,转入1.3。
1.3继续判定fi是否为高故障率故障,若是,直接存入Faly;否则,转入1.4。
1.4计算故障fi的传播强度,若故障传播强度值大于***规定阈值,把故障fi直接存入Faly;否则,选择下一个故障fj,j≠i,重复步骤1.2-1.4直到Fall为空集。
故障传播强度的***规定阈值根据具体对象,由***领域专家确定。
故障传播强度计算方法如下:
1)基于有向图建立***故障传播模型,其中有向图的节点表示故障模式,故障模式基本属性有故障模式发生先验概率F_Prob;故障模式处于某种状态的可信程度F_Belief,故障模式状态用模糊集合{正常,轻微,一般,严重,致命}表示。有向边表示故障传播关系,有向边基本属性有故障传播概率E_Prob,表示有向边前置节点故障引发后置节点故障的可能性;有向边置信度E_Belief,表示如果有向边的前置节点处于非正常状态情况下,引发后置节点状态变化的可信程度。
设有向边ep为节点vi的前置有向边,有向边eq为vi的后置有向边,则有:
定义1从节点vi到vj存在有向边ek,若F_Belief(vj)不小于故障分析中设定的阈值(阈值与路径长度相关),则认为节点vi的故障可以通过有向边ek传播到节点vj。
2)计算故障模式的单步传播强度,设某节点vi表示故障fi,故障经过N步传播后终止。在第k步传播过程中,设Fk-1表示第k-1步传播将传播到的故障节点个数;表示Fk-1中在第k步传播过程中,第j个节点处对应的故障传播路线的条数,表示Fk-1中在第k步传播过程中,第j个节点的第l条路线被选择的可能性,用0和1表示,当故障可以通过该路线传播时,否则,则故障fi的第k步传播强度为:
3)由单步故障传播强度的计算方法,计算故障fi的总传播强度Ii。
第2步,针对待分析故障模式集Faly,进行扩展故障模式、机理和影响分析(Failure Modes,Mechanisms and Effects Analysis,FMMEA)。
FMMEA实现了故障机理及其相关故障模型的分析,是一个基于失效物理(Physics-of-Failure,PoF)的理论。在复杂***中,故障模式发生伴随着一系列响应,包括故障影响、故障原因、故障机理、故障模型(如非线性幂律、Eyring公式、Arrhenius方程、Stress-intensity模型等)和故障征兆等。普通FMMEA无法描述上述内容和关系,而这些信息对预测与健康管理(PHM)非常重要。扩展FMMEA除具备FMMEA的功能之外,还描述了与PHM相关的信息。
扩展FMMEA具体分析过程为:从待分析故障模式集Faly中选择一个故障模式进行分析,首先分析其故障机理、故障模型、故障原因和故障影响,其中故障机理分析是基础;在此基础上,综合分析故障征兆;最后,分析故障征兆与监测参数间的映射关系。由于监测参数的选择与测试资源的可用性有关,因此还要分析测试资源可用性对监测参数的影响。可用性的涵义包括测试资源的实现代价、对***可靠性的影响等,监测参数的选择应与当前的测试技术水平相适应,对监测参数的测试不应影响***的可靠性。
第3步,根据扩展FMMEA结果确定***监测参数集。
根据故障征兆与监测参数间的映射关系和测试资源可用性对监测参数的影响综合确定合理的监测参数集。
本发明具有以下效果:在已有监测参数确定方法(模型法、机理法和准则法等)的基础上,考虑了***故障传播特性和故障演化特性,使得最终得到的监测参数更具工程实用性。具体表现在两个方面:一是在确定待分析故障模式集Faly时,增加了故障传播特性分析,符合复杂***具有故障耦合传播的客观事实;二是在确定待分析故障模式集的监测参数时,扩展FMMEA以故障机理、故障模型、故障原因和故障影响综合确定故障征兆,再由故障征兆与监测参数间的映射关系选择参数;同时考虑了测试资源可用性对监测参数选择的影响。
附图说明
图1是本发明的总流程图。
图2是图1中第1步确定待分析故障模式集Faly的流程图。
图3是图1中第2步执行扩展FMMEA的流程图。
图4是某稳定跟踪平台网络拓扑结构。
具体实施方式
图1是本发明的总流程图,步骤如下:
第1步,分析***待分析故障模式集Faly。
第2步,针对Faly执行扩展FMMEA。
第3步,根据扩展FMMEA结果确定***监测参数集。
图2是图1中第1步确定待分析故障模式集Faly的流程图,步骤如下:
1.1根据***任务剖面和功能分析所有可能故障模式集Fall;
1.2选择一个故障fi,判定是否为关键故障,若是,直接存入Faly;否则,执行1.3步;
1.3判定fi是否为高故障率故障,若是,直接存入Faly;否则,执行1.4步;
1.4判定fi是否为高传播强度故障,若是,直接存入Faly;否则,选择下一个故障模式重复步骤1.2-1.4直到Fall为空集。
图3是图1中第2步执行扩展FMMEA的内容。
首先分析故障模式的发生机理,以机理为基础分析故障模型和故障原因,同时分析故障影响;在综合分析的基础上,分析确定故障征兆;然后,再分析故障征兆与监测参数之间的映射关系。同时,分析监测参数所用测试资源以及测试资源的可用性。最后,把分析结果存档。
图4中,节点vi表示故障fi,(i=1,2,…,9),有向边表示故障传播关系。
下面通过一个具体实施例对本发明进行详细说明。本实施例确定某稳定跟踪伺服平台中的运动控制器的监测参数。具体步骤如下:
第1步,分析***Faly。
根据***任务剖面和功能分析所有可能故障模式集Fall,包括集成电路1性能退化(f1)、可编程逻辑器件性能退化(f2)、集成电路2逻辑输出失效(f3)、FPGA芯片性能退化(f4)、集成电路3性能退化(f5)、串行存储器数据丢失(f6)、协议芯片逻辑输出失效(f7)、晶体振荡器频漂(f8)和总线耦合器断路(f9),即Fall={f1,f2,f3,f4,f5,f6,f7,f8,f9};其故障率分别为30、8、10、2、19、10、6、18、20,单位为10-7h-1。
集成电路2逻辑输出失效、串行存储器数据丢失、协议芯片逻辑输出失效和总线耦合器断路的严酷比较高,应该考虑相应的监测参数;而集成电路1性能退化、集成电路3性能退化和晶振频漂故障率较高,也需要考虑其监测参数。FPGA芯片虽然可靠性较高,一般不容易出现问题,但是一旦发生故障,就有可能造成相关其它部件出现故障,是典型的低频大规模故障,需要考虑其传播性。
下面进行故障传播强度计算:
1)建立***有向图模型,如图4所示;
2)故障传播强度计算,设故障传播分析中的阈值为0.005,由公式(1)可知:
E_Belief(e1)=F_Belief(f4)×E_Porb(e1)=1×0.71=0.71,F_Belief(f1)=E_Belief(e1)×F_Prob(f1)=0.71×0.485=0.344;E_Belief(e6)=F_Belief(f1)×E_POrb(e6)=0.344×0.55=0.189,F_Belief(f6)=E_Belief(e6)×F_Prob(f6)=0.189×0.034=0.00643;E_Belief(e2)=F_Belief(f4)×E_Porb(e2)=1×0.6=0.6,F_Belief(f3)=E_Belief(e2)×F_Prob(f3)=0.6×0.014=0.0084;E_Belief(e3)=F_Belief(f4)×E_Porb(e3)=1×0.9=0.9,F_Belief(f5)=E_Belief(e3)×F_Prob(f5)=0.9×0.42=0.378;E_Belief(e7)=F_Belief(f5)×E_Porb(e7)=0.378×0.5=0.189,F_Belief(f2)=E_Belief(e7)×F_Prob(f2)=0.189×0.04=0.00756;E_Belief(e8)=F_Belief(f2)×E_Porb(e8)=0.001×0.42=0.0005,F_Belief(f7)=E_Belief(e8)×F_Prob(f7)=0.0005×0.006=0.000003;E_Belief(e4)=F_Belief(f4)×E_Porb(e4)=1×0.55=0.55,F_Belief(f8)=E_Belief(e4)×F_Prob(f8)=0.55×0.03=0.0165;E_Belief(e5)=F_Belief(f4)×E_Porb(e5)=1×0.15=0.15,F_Belief(f9)=E_Belief(e5)×F_Prob(f9)=0.15×0.027=0.00405。
根据定义1,由于F_Belief(f1)、F_Belief(f6)、F_Belief(f3)、F_Belief(f5)、F_Belief(f2)、F_Belief(f8)均大于给定的阈值,因此故障f4可以传播到f1、f6、f3、f5、f2和f8。由公式(2)和(3)得到故障f4的传播强度为6。同理可得故障f1和f5的传播强度为1,其余故障的传播强度为0。由此可见故障f4虽然可靠性高,但是由于其传播强度大,需要设置相应的监测参数。
综上可得,该运动控制器需要分析的故障模式集为Faly={f1,f3,f4,f5,f6,f7,f8,f9}。
第2步,执行扩展FMMEA。
故障模式f1的故障机理为电应力和磨损,其主要监测参数是温度、电压;故障模式f3的故障机理为过热损坏,其主要监测参数是温度、电压;故障模式f4的故障机理为电应力、疲劳,其主要监测参数是温度、逻辑输出;故障模式f5的故障机理为热疲劳、制造缺陷,其主要监测参数是温度、电压;故障模式f6的故障机理为过热、不正确格式,其主要监测参数是存储使用容量、温度;故障模式f7的故障机理为电应力,其主要监测参数是逻辑输出;故障模式f8的故障机理为热疲劳,其主要监测参数是温度、电压;故障模式f9的故障机理为机械过应力,其主要监测参数是电流、电压、数据量。
第3步,确定***监测参数。
根据扩展FMMEA可知,温度、电压和逻辑输出是主要监测参数,能够有效反映运动控制器的健康状态退化过程。
对于复杂装备,只要对故障模式机理、故障退化模型有着比较深入的认识,在详细分析故障各种征兆以及相应监测参数的基础上,综合测试资源的可用性,可以合理确定***的监测参数集。
Claims (3)
1.一种基于故障特性分析的监测参数选择方法,其特征在于,具体技术方案如下:
第1步,确定***待分析故障模式集F aly ;
1.1 根据装备全寿命周期任务剖面和功能分析确定***所有可能故障模式集合F all ;
1.2 从集合F all 中选择一个故障模式进行分析,首先判定f i 是否为关键故障,若是,直接存入F aly ;否则,转入1.3;
1.3 继续判定f i 是否为高故障率故障,若是,直接存入F aly ;否则,转入1.4;
1.4 计算故障f i 的传播强度,若故障传播强度值大于***规定阈值,把故障f i 直接存入F aly ;否则,选择下一个故障f j ,j≠i,重复步骤1.2-1.4直到F all 为空集;
第2步,针对待分析故障模式集F aly ,进行扩展故障模式、机理和影响分析(Failure Modes, Mechanisms and Effects Analysis, FMMEA),扩展FMMEA具体分析过程为:从待分析故障模式集F aly 中选择一个故障模式进行分析,首先分析其故障机理、故障模型、故障原因和故障影响,其中故障机理分析是基础;在此基础上,综合分析故障征兆;最后,分析故障征兆与监测参数间的映射关系;还要分析测试资源可用性对监测参数的影响;
第3步,根据扩展故障模式、机理和影响分析结果确定***监测参数集;
根据故障征兆与监测参数间的映射关系和测试资源可用性对监测参数的影响确定合理的监测参数集。
2.根据权利要求1所述的一种基于故障特性分析的监测参数选择方法,其特征在于,故障传播强度的***规定阈值根据具体对象,由***领域专家确定。
3.根据权利要求1所述的一种基于故障特性分析的监测参数选择方法,其特征在于,故障传播强度计算方法如下:
1)基于有向图建立***故障传播模型,其中有向图的节点表示故障模式,故障模式基本属性有故障模式发生先验概率F_Prob;故障模式处于某种状态的可信程度F_Belief,故障模式状态用模糊集合表示;有向边表示故障传播关系,有向边基本属性有故障传播概率E_Prob,表示有向边前置节点故障引发后置节点故障的可能性;有向边置信度E_Belief,表示如果有向边的前置节点处于非正常状态情况下,引发后置节点状态变化的可信程度;
设有向边e p 为节点v i 的前置有向边,有向边e q 为v i 的后置有向边,则有:
(1)
从节点v i 到v j 存在有向边e k ,若F_Belief(v j )不小于故障分析中设定的阈值,则认为节点v i 的故障可以通过有向边e k 传播到节点v j ;
2)计算故障模式的单步传播强度,设某节点v i 表示故障f i ,故障经过N步传播后终止;在第k步传播过程中,设F k-1表示第k-1步传播将传播到的故障节点个数; d j k 表示F k-1中在第k步传播过程中,第j个节点处对应的故障传播路线的条数,ω jl k 表示F k-1中在第k步传播过程中,第j个节点的第l条路线被选择的可能性,用0和1表示,当故障可以通过该路线传播时,ω jl k =1,否则,ω jl k =0;则故障f i 的第k步传播强度为:
3)由单步故障传播强度的计算方法,计算故障f i 的总传播强度I i ;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012100755341A CN102662389A (zh) | 2012-03-21 | 2012-03-21 | 一种基于故障特性分析的监测参数选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012100755341A CN102662389A (zh) | 2012-03-21 | 2012-03-21 | 一种基于故障特性分析的监测参数选择方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102662389A true CN102662389A (zh) | 2012-09-12 |
Family
ID=46771894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012100755341A Pending CN102662389A (zh) | 2012-03-21 | 2012-03-21 | 一种基于故障特性分析的监测参数选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102662389A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945311A (zh) * | 2012-10-08 | 2013-02-27 | 南京航空航天大学 | 一种功能故障有向图进行故障诊断的方法 |
CN103559418A (zh) * | 2013-11-20 | 2014-02-05 | 北京航空航天大学 | 一种基于故障物理的电子产品任务可靠度计算方法 |
CN104318079A (zh) * | 2014-10-10 | 2015-01-28 | 罗建禄 | 一种基于故障演化分析的故障预测特征选择方法 |
CN104765667A (zh) * | 2015-04-17 | 2015-07-08 | 西安电子科技大学 | 一种基于蚁群算法的fpga程序脆弱支路求取方法 |
CN104898039A (zh) * | 2015-05-27 | 2015-09-09 | 电子科技大学 | 基于故障传播概率模型的故障模式优选方法 |
CN105426651A (zh) * | 2015-06-10 | 2016-03-23 | 北京交通大学 | 基于复合故障链推理的隐患辨识方法 |
CN105759782A (zh) * | 2016-01-26 | 2016-07-13 | 中国人民解放军装甲兵工程学院 | 一种基于危害度的车辆故障诊断策略构建方法 |
CN110370077A (zh) * | 2019-07-04 | 2019-10-25 | 长春工业大学 | 数控车床连续故障传播概率分析方法 |
CN110658416A (zh) * | 2017-12-27 | 2020-01-07 | 国家电网有限公司 | 一种实现复杂故障的智能诊断分析方法 |
-
2012
- 2012-03-21 CN CN2012100755341A patent/CN102662389A/zh active Pending
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945311A (zh) * | 2012-10-08 | 2013-02-27 | 南京航空航天大学 | 一种功能故障有向图进行故障诊断的方法 |
CN102945311B (zh) * | 2012-10-08 | 2016-06-15 | 南京航空航天大学 | 一种功能故障有向图进行故障诊断的方法 |
CN103559418A (zh) * | 2013-11-20 | 2014-02-05 | 北京航空航天大学 | 一种基于故障物理的电子产品任务可靠度计算方法 |
CN103559418B (zh) * | 2013-11-20 | 2016-06-15 | 北京航空航天大学 | 一种基于故障物理的电子产品任务可靠度计算方法 |
CN104318079B (zh) * | 2014-10-10 | 2017-02-22 | 罗建禄 | 一种基于故障演化分析的故障预测特征选择方法 |
CN104318079A (zh) * | 2014-10-10 | 2015-01-28 | 罗建禄 | 一种基于故障演化分析的故障预测特征选择方法 |
CN104765667A (zh) * | 2015-04-17 | 2015-07-08 | 西安电子科技大学 | 一种基于蚁群算法的fpga程序脆弱支路求取方法 |
CN104765667B (zh) * | 2015-04-17 | 2018-09-28 | 西安电子科技大学 | 一种基于蚁群算法的fpga程序脆弱支路求取方法 |
CN104898039A (zh) * | 2015-05-27 | 2015-09-09 | 电子科技大学 | 基于故障传播概率模型的故障模式优选方法 |
CN104898039B (zh) * | 2015-05-27 | 2017-09-12 | 电子科技大学 | 基于故障传播概率模型的故障模式优选方法 |
CN105426651A (zh) * | 2015-06-10 | 2016-03-23 | 北京交通大学 | 基于复合故障链推理的隐患辨识方法 |
CN105426651B (zh) * | 2015-06-10 | 2019-03-15 | 北京交通大学 | 基于复合故障链推理的隐患辨识方法 |
CN105759782A (zh) * | 2016-01-26 | 2016-07-13 | 中国人民解放军装甲兵工程学院 | 一种基于危害度的车辆故障诊断策略构建方法 |
CN105759782B (zh) * | 2016-01-26 | 2018-06-08 | 中国人民解放军装甲兵工程学院 | 一种基于危害度的车辆故障诊断策略构建方法 |
CN110658416A (zh) * | 2017-12-27 | 2020-01-07 | 国家电网有限公司 | 一种实现复杂故障的智能诊断分析方法 |
CN110370077A (zh) * | 2019-07-04 | 2019-10-25 | 长春工业大学 | 数控车床连续故障传播概率分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102662389A (zh) | 一种基于故障特性分析的监测参数选择方法 | |
CN108604360B (zh) | 设施异常监测方法及其*** | |
Tsui et al. | Prognostics and health management: A review on data driven approaches | |
Coble | Merging data sources to predict remaining useful life–an automated method to identify prognostic parameters | |
CN106598029B (zh) | 基于性能退化的列控车载设备可靠性预测方法 | |
Wu et al. | Condition‐based maintenance optimization using neural network‐based health condition prediction | |
Zhang et al. | A Wiener process model with dynamic covariate for degradation modeling and remaining useful life prediction | |
Li et al. | A review of condition-based maintenance: Its prognostic and operational aspects | |
CN102208028A (zh) | 一种适用于动态复杂***的故障预测和诊断方法 | |
CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
Feldman et al. | Model-based diagnostic decision-support system for satellites | |
CN103853889A (zh) | 一种基于键合图的电力电子***故障诊断方法 | |
Liu et al. | Optimization of multilevel inspection strategy for nonrepairable multistate systems | |
Yang et al. | Modelling cascading failure of a CPS for topological resilience enhancement | |
Kim et al. | A study toward appropriate architecture of system-level prognostics: physics-based and data-driven approaches | |
Kurtoglu et al. | A framework for systematic benchmarking of monitoring and diagnostic systems | |
CN103337000B (zh) | 一种油气集输***安全监测预警方法 | |
Zeng et al. | Research on indexes and verification technology of airborne PHM system | |
Kröger et al. | Power systems in transition: Dealing with complexity | |
Onori et al. | A prognostic methodology for interconnected systems: preliminary results | |
Li et al. | Remaining life prediction of cores based on data-driven and physical modeling methods | |
Kurtoglu et al. | A risk-informed decision making methodology for evaluating failure impact of early system designs | |
Huang et al. | A prediction method for aero-engine health management based on nonlinear time series analysis | |
Esteves et al. | Prognostics health management: perspectives in engineering systems reliability prognostics | |
Wu et al. | Remaining useful life prediction method for multi-component system considering maintenance: subsea christmas tree system as a case study |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20120912 |