CN106203637A - 一种基于马氏距离和健康指数的机载***健康评估方法 - Google Patents
一种基于马氏距离和健康指数的机载***健康评估方法 Download PDFInfo
- Publication number
- CN106203637A CN106203637A CN201610477927.3A CN201610477927A CN106203637A CN 106203637 A CN106203637 A CN 106203637A CN 201610477927 A CN201610477927 A CN 201610477927A CN 106203637 A CN106203637 A CN 106203637A
- Authority
- CN
- China
- Prior art keywords
- mahalanobis distance
- health
- health index
- interval
- mobile system
- 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
- 230000036541 health Effects 0.000 title claims abstract description 122
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000008859 change Effects 0.000 claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims description 11
- 230000001360 synchronised effect Effects 0.000 claims description 8
- 238000007726 management method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 4
- 230000003862 health status Effects 0.000 abstract description 9
- 238000011156 evaluation Methods 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 230000002159 abnormal effect Effects 0.000 abstract description 2
- 230000007423 decrease Effects 0.000 abstract description 2
- 230000009467 reduction Effects 0.000 abstract description 2
- 230000004044 response Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 125000006850 spacer group Chemical group 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种基于马氏距离和健康指数的机载***健康评估方法,利用监测数据的马氏距离,通过数据的统计分布建立健康指数来进行健康评估。马氏距离可以将多变量数据进行降维,并能够反应数据之间的相关性,并随原始数据的变化趋势而变化,但对该变化不够敏感,本方法通过加权将其变换为健康指数。马氏距离和健康指数的结合能够更好的检测健康状态的下降,同时,利用数据的统计分布构建健康指数,可以避免***突发异常造成的个别马氏距离值增大,因此对间歇性异常和故障的健康状态具有更好的评估能力,从而降低虚警率,更具有实际意义。
Description
技术领域
本发明涉及航空领域健康管理技术领域,是一种对机载***进行健康评估的方法,具体为一种基于马氏距离和健康指数的机载***健康评估方法,通过马氏距离的数据分布计算健康指数以评估机载***健康状态。
背景技术
近年来,航空领域健康管理已成为国内外工业界和学术界研究热点。健康管理包括状态监控、故障诊断、故障预测、健康评估和维修决策等部分,其中评估***的健康状态是健康管理的重要内容之一。健康状态评估是根据测量数据和历史数据进行综合分析,利用综合评判方法对***的健康状态进行评估,从而为维修决策提供依据。
目前常用的方法可以分为物理模型法和数据驱动法。
物理模型法需要已知评估对象的***原理并建立其物理或数学模型。存在建模过程复杂、代价高、外部环境的不确定性影响大等问题。
数据驱动法通过采用状态监控数据提取统计信息进行评估,常用的方法包括层次分析、模糊评判、神经网络等。但这些方法存在计算过程繁琐、隶属度矩阵建立复杂、全局搜索能力弱等问题,而且对健康状态不敏感,对于间歇性故障容易产生虚警。
机载***组成关系复杂、故障影响因素繁多,故障模式和健康状态信息对应关系复杂,这些问题导致目前对机载***健康状态进行评估较为困难。
发明内容
为解决现有健康评估方法存在的对变化趋势不敏感的问题,本发明提出了一种基于马氏距离和健康指数的机载***健康评估方法。本发明利用监测数据的马氏距离,通过数据的统计分布建立健康指数来进行健康评估,不仅可以解决现有健康评估方法对变化趋势不敏感的问题,同时该方法还可用于排除间歇性故障。
本发明的技术方案为:
所述一种基于马氏距离和健康指数的机载***健康评估方法,其特征在于:包括以下步骤:
步骤1:选取表征机载***健康特性的m种参数;在机载***正常工作情况下,同步采集m种参数的数据点,每种参数采集n个点;对采集的所有参数进行标准化处理,得到标准化数据Zij,i=1,2,……,m,j=1,2,……,n;
步骤2:构建向量并计算马氏距离
其中相关矩阵C为:
步骤3:设置数据点长度为l的时间窗,计算时间窗内马氏距离分布范围的最优分段间隔:
h*=1.06sl-1/5
其中s为n个马氏距离的标准差;
步骤4:沿马氏距离的时间轴将时间窗顺序移动,采用以下步骤计算每个时间窗内数据的健康指数,得到健康指数随时间的变化结果;
步骤4.1:根据步骤3得到的最优分段间隔对时间窗内马氏距离分布范围进行分割,得到q个区间,计算每个区间的分数贡献率fp,p=1,2,…,q,所述分数贡献率为对应区间内马氏距离数据点个数除以l;
步骤4.2:根据步骤4.1得到的q个区间的分数贡献率fp,p=1,2,…,q,计算时间窗内数据的健康指数:
其中wp为第p个区间的权重;
步骤5:根据步骤4得到的健康指数随时间的变化结果建立健康阈值,健康阈值取值为:步骤4得到的健康指数随时间的变化结果中的最大值的95%~99.9%;
步骤6:同步采集机载***工作状态下m种参数的若干数据点,并计算得到机载***工作状态下的健康指数变化曲线;根据步骤5得到的健康阈值评估健康指数变化曲线。
进一步的优选方案,所述一种基于马氏距离和健康指数的机载***健康评估方法,其特征在于:步骤1中对采集的参数Xij,i=1,2,……,m,j=1,2,……,n进行标准化处理的过程为:
其中和Si分别为第i中参数的均值和标准差。
进一步的优选方案,所述一种基于马氏距离和健康指数的机载***健康评估方法,其特征在于:对于步骤4.1得到的q个区间,按照区间内的马氏距离分布范围取值设置权重,分布范围取值越大,权重越大。
进一步的优选方案,所述一种基于马氏距离和健康指数的机载***健康评估方法,其特征在于:对于步骤4.1得到的q个区间,按照区间内的马氏距离分布范围取值由小到大排序,取区间权重为排序序号。
进一步的优选方案,所述一种基于马氏距离和健康指数的机载***健康评估方法,其特征在于:l取值为15~30。
进一步的优选方案,所述一种基于马氏距离和健康指数的机载***健康评估方法,其特征在于:所述机载***为机载飞行管理计算机,表征机载飞行管理计算机健康特性的参数为主板温度、风扇转速、CPU温度、CPU占用率和程序执行时间。
进一步的优选方案,所述一种基于马氏距离和健康指数的机载***健康评估方法,其特征在于:所述机载***为机载发动机***,表征机载发动机***健康特性的参数为转速,发压比,压气机出口压力、温度,旁通比。
有益效果
本方法利用监测数据的马氏距离,通过数据的统计分布建立健康指数来进行健康评估。马氏距离可以将多变量数据进行降维,并能够反应数据之间的相关性,并随原始数据的变化趋势而变化,但对该变化不够敏感,本方法通过加权将其变换为健康指数。马氏距离和健康指数的结合能够更好的检测健康状态的下降,同时,利用数据的统计分布构建健康指数,可以避免***突发异常造成的个别马氏距离值增大,因此对间歇性异常和故障的健康状态具有更好的评估能力,从而降低虚警率,更具有实际意义。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是基于马氏距离和健康指数的机载***健康评估流程图。
图2是实施例1中监测参数标准化后的时间序列。
图3是实施例1中时间位移取不同值时,马氏距离数值分布的分数贡献率直方图.
图4是实施例1中样本数据的马氏距离和健康指数。
图5是实施例1中被测数据的马氏距离和健康指数。
图6是实施例2中样本数据的马氏距离和健康指数。
图7是实施例2中被测数据的马氏距离和健康指数。
具体实施方式
下面详细描述本发明的实施例,所述实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
为解决现有健康评估方法存在的对变化趋势不敏感的问题,本发明提出了一种基于马氏距离和健康指数的机载***健康评估方法。包括以下步骤:
步骤1:选取表征机载***健康特性的m种参数;在机载***正常工作情况下,同步采集m种参数的数据点,每种参数采集n个点;对采集的所有参数进行标准化处理,得到标准化数据Zij,i=1,2,……,m,j=1,2,……,n。
在本步骤中,通过对被测机载***进行故障模式与影响分析,选择影响***正常工作的失效模式并分析它们对***工作参数的影响,在此基础上选择反映相应失效模式的***监测参数。
对采集的参数Xij,i=1,2,……,m,j=1,2,……,n进行标准化处理的过程为:
其中和Si分别为第i中参数的均值和标准差:
步骤2:构建向量并计算马氏距离
其中是Zj的转置,相关矩阵C为:
通过本步骤得到马氏距离样本数据。
步骤3:设置数据点长度为l的时间窗,计算时间窗内马氏距离分布范围的最优分段间隔:
h*=1.06sl-1/5
其中s为n个马氏距离的标准差。
本步骤通过从马氏距离中选取长度为l的数据构建时间窗,时间窗长度l一般取值为15~30,并计算最优分段间隔,用于下一步对时间窗内马氏距离分布范围进行区间划分。
步骤4:沿马氏距离的时间轴将时间窗顺序移动,采用以下步骤计算每个时间窗内数据的健康指数,得到健康指数随时间的变化结果;
步骤4.1:根据步骤3得到的最优分段间隔对时间窗内马氏距离分布范围进行分割,得到q个区间,计算每个区间的分数贡献率fp,p=1,2,…,q,所述分数贡献率为对应区间内马氏距离数据点个数除以l;
步骤4.2:根据步骤4.1得到的q个区间的分数贡献率fp,p=1,2,…,q,计算时间窗内数据的健康指数:
其中wp为第p个区间的权重。
区间权重与区间内马氏距离分布范围的取值相关,马氏距离分布范围取值越大,权重越大。可以按照区间内马氏距离分布范围取值由小到大排序,取区间权重为排序序号。
将从马氏距离第一个时间点截取的时间窗定义为t=1,将时间窗沿马氏距离的时间轴顺序移动,每移动一次就计算一个健康指数值,这样便得到时间窗t=1,2,3,……时健康指数随时间的变化结果HIt。
步骤5:根据步骤4得到的健康指数随时间的变化结果建立健康阈值,健康阈值取值为:步骤4得到的健康指数随时间的变化结果中的最大值的95%~99.9%;
步骤6:同步采集机载***工作状态下m种参数的若干数据点,并计算得到机载***工作状态下的健康指数变化曲线;根据步骤5得到的健康阈值评估健康指数变化曲线。
基于上述原理,下面给出两组具体实施例来说明本发明:
实施例1:
本实施例的机载***为机载发动机***。
步骤1:通过对机载发动机***进行失效模式和影响分析,选取转速,发压比,压气机出口压力、温度,旁通比作为表征机载发动机***健康特性参数。在机载发动机***正常工作情况下,同步采集上述5种参数的数据点。由于这些参数量纲不同、取值范围相去甚远,因此需要对其进行标准化处理,标准化后的数据如图2所示。
标准化过程以温度T为例其均值为n为所采集到的温度数据的总数;标准差为标准化后的值为
步骤2:分别选取标准化后的转速,发压比,压气机出口压力、温度,旁通比的第j个值,构建向量
并计算马氏距离
其中是Zj的转置,相关矩阵C为:
计算结果示例如图4中的马氏距离所示。
步骤3:从马氏距离第一个值开始选取数据点长度为l的一段数据,该数据长度构成时间窗。计算时间窗内马氏距离分布范围的最优分段间隔:
h*=1.06sl-1/5
其中s为n个马氏距离的标准差。
本步骤通过从马氏距离中选取长度为l的数据构建时间窗,时间窗长度l一般取值为15~30,并计算最优分段间隔,用于下一步对时间窗内马氏距离分布范围进行区间划分。
步骤4:沿马氏距离的时间轴将时间窗顺序移动,采用以下步骤计算每个时间窗内数据的健康指数,得到健康指数随时间的变化结果;
步骤4.1:根据步骤3得到的最优分段间隔对时间窗内马氏距离分布范围进行分割,得到q个区间,计算每个区间的分数贡献率fp,p=1,2,…,q,所述分数贡献率为对应区间内数据点个数除以l;
步骤4.2:根据步骤4.1得到的q个区间的分数贡献率fp,p=1,2,…,q,将时间窗内每个区间的分数贡献率进行加权求和,计算时间窗内数据的健康指数:
其中wp为第p个区间的权重。
区间权重与区间内马氏距离分布范围相关,分布范围取值越大,权重越大。可以按照区间内马氏距离分布范围取值由小到大排序,取区间权重为排序序号。
将从马氏距离第一个时间点截取的时间窗定义为t=1,将时间窗沿马氏距离的时间轴顺序移动,每移动一次就计算一个健康指数值,这样便得到时间窗t=1,2,3,……时健康指数随时间的变化结果HIt。当时间窗移位t=1,2,3时的数据分布的分数贡献率示例如图3所示。
步骤5:根据步骤4得到的健康指数随时间的变化结果建立健康阈值,健康阈值取值为:步骤4得到的健康指数随时间的变化结果中的最大值的95%~99.9%;健康阈值示例如图4所示。
步骤6:同步采集机载发动机***工作状态下上述5种参数的若干数据点,并计算得到机载发动机***工作状态下的健康指数变化曲线;根据步骤5得到的健康阈值评估健康指数变化曲线。对于超过阈值的数据判定为健康性能下降。计算结果示例如图5所示。
通过图5对比可以发现,本方法不仅可以准确评估出现的异常状态,而且可以滤除出现的个别超限值,有效降低虚警。
实施例2:
本实施例的机载***为机载飞行管理计算机。
步骤1:通过对机载飞行管理计算机进行失效模式和影响分析,选取主板温度、风扇转速、CPU温度、CPU占用率、程序执行时间作为表征飞行管理计算机健康特性参数。在机载飞行管理计算机正常工作情况下,同步采集上述5种参数的数据点。由于这些参数量纲不同、取值范围相去甚远,因此需要对其进行标准化处理。
以主板温度T为例其均值为n为所采集到的温度数据的总数;标准差为标准化后的值为
步骤2:分别选取标准化后主板温度、风扇转速、CPU温度、CPU占用率、程序执行时间的第j个值,构建向量
并计算马氏距离
其中是Zj的转置,相关矩阵C为:
计算结果示例如图6所示。
步骤3:从马氏距离第一个值开始选取数据点长度为l的一段数据,该数据长度构成时间窗。计算时间窗内马氏距离分布范围的最优分段间隔:
h*=1.06sl-1/5
其中s为n个马氏距离的标准差。
本步骤通过从马氏距离中选取长度为l的数据构建时间窗,时间窗长度l一般取值为15~30,并计算最优分段间隔,用于下一步对时间窗内马氏距离分布范围进行区间划分。
步骤4:沿马氏距离的时间轴将时间窗顺序移动,采用以下步骤计算每个时间窗内数据的健康指数,得到健康指数随时间的变化结果;
步骤4.1:根据步骤3得到的最优分段间隔对时间窗内马氏距离分布范围进行分割,得到q个区间,计算每个区间的分数贡献率fp,p=1,2,…,q,所述分数贡献率为对应区间内马氏距离数据点个数除以l;
步骤4.2:根据步骤4.1得到的q个区间的分数贡献率fp,p=1,2,…,q,将时间窗内每个区间的分数贡献率进行加权求和,计算时间窗内数据的健康指数:
其中wp为第p个区间的权重。
区间权重与区间内马氏距离分布范围相关,分布范围取值越大,权重越大。可以按照区间内马氏距离分布范围由小到大排序,取区间权重为排序序号。
将从马氏距离第一个时间点截取的时间窗定义为t=1,将时间窗沿马氏距离的时间轴顺序移动,每移动一次就计算一个健康指数值,这样便得到时间窗t=1,2,3,……时健康指数随时间的变化结果HIt。
步骤5:根据步骤4得到的健康指数随时间的变化结果建立健康阈值,健康阈值取值为:步骤4得到的健康指数随时间的变化结果中的最大值的95%~99.9%。
步骤6:同步采集机载飞行管理计算机工作状态下上述5种参数的若干数据点,并计算得到机载飞行管理计算机工作状态下的健康指数变化曲线;根据步骤5得到的健康阈值评估健康指数变化曲线。对于超过阈值的数据判定为健康性能下降。计算结果示例如图7所示。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (7)
1.一种基于马氏距离和健康指数的机载***健康评估方法,其特征在于:包括以下步骤:
步骤1:选取表征机载***健康特性的m种参数;在机载***正常工作情况下,同步采集m种参数的数据点,每种参数采集n个点;对采集的所有参数进行标准化处理,得到标准化数据Zij,i=1,2,……,m,j=12,……,n;
步骤2:构建向量并计算马氏距离
其中相关矩阵C为:
步骤3:设置数据点长度为l的时间窗,计算时间窗内的最优分段间隔:
h*=1.06sl-1/5
其中s为n个马氏距离的标准差;
步骤4:沿马氏距离的时间轴将时间窗顺序移动,采用以下步骤计算每个时间窗内数据的健康指数,得到健康指数随时间的变化结果;
步骤4.1:根据步骤3得到的最优分段间隔对时间窗内马氏距离分布范围进行分割,得到q个区间,计算每个区间的分数贡献率fp,p=1,2,…,q,所述分数贡献率为对应区间内数据点个数除以l;
步骤4.2:根据步骤4.1得到的q个区间的分数贡献率fp,p=1,2,…,q,计算时间窗内数据的健康指数:
其中wp为第p个区间的权重;
步骤5:根据步骤4得到的健康指数随时间的变化结果建立健康阈值,健康阈值取值为:步骤4得到的健康指数随时间的变化结果中的最大值的95%~99.9%;
步骤6:同步采集机载***工作状态下m种参数的若干数据点,并计算得到机载***工作状态下的健康指数变化曲线;根据步骤5得到的健康阈值评估健康指数变化曲线。
2.根据权利要求1所述一种基于马氏距离和健康指数的机载***健康评估方法,其特征在于:步骤1中对采集的参数Xij,i=1,2,……,m,j=12,……,n进行标准化处理的过程为:
其中和Si分别为第i中参数的均值和标准差。
3.根据权利要求1所述一种基于马氏距离和健康指数的机载***健康评估方法,其特征在于:对于步骤4.1得到的q个区间,按照区间内数据点的分布范围取值设置权重,分布范围取值越大,权重越大。
4.根据权利要求3所述一种基于马氏距离和健康指数的机载***健康评估方法,其特征在于:对于步骤4.1得到的q个区间,按照区间内数据点的分布范围取值由小到大排序,取区间权重为排序序号。
5.根据权利要求1所述一种基于马氏距离和健康指数的机载***健康评估方法,其特征在于:l取值为15~30。
6.根据权利要求1所述一种基于马氏距离和健康指数的机载***健康评估方法,其特征在于:所述机载***为机载飞行管理计算机,表征机载飞行管理计算机健康特性的参数为主板温度、风扇转速、CPU温度、CPU占用率和程序执行时间。
7.根据权利要求1所述一种基于马氏距离和健康指数的机载***健康评估方法,其特征在于:所述机载***为机载发动机***,表征机载发动机***健康特性的参数为转速,发压比,压气机出口压力、温度,旁通比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610477927.3A CN106203637A (zh) | 2016-06-27 | 2016-06-27 | 一种基于马氏距离和健康指数的机载***健康评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610477927.3A CN106203637A (zh) | 2016-06-27 | 2016-06-27 | 一种基于马氏距离和健康指数的机载***健康评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106203637A true CN106203637A (zh) | 2016-12-07 |
Family
ID=57461438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610477927.3A Pending CN106203637A (zh) | 2016-06-27 | 2016-06-27 | 一种基于马氏距离和健康指数的机载***健康评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106203637A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110162746A (zh) * | 2018-03-12 | 2019-08-23 | 华北电力大学(保定) | 一种多参数融合相似度的健康预警及故障诊断方法 |
CN110570544A (zh) * | 2019-09-19 | 2019-12-13 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 飞机燃油***故障识别方法、装置、设备和存储介质 |
CN112001091A (zh) * | 2020-09-01 | 2020-11-27 | 中国航空工业集团公司上海航空测控技术研究所 | 一种用于直升机主减速器故障安全风险预警的方法 |
CN112101468A (zh) * | 2020-09-18 | 2020-12-18 | 刘吉耘 | 一种在序列组合中判定异常序列的方法 |
CN112270095A (zh) * | 2020-10-29 | 2021-01-26 | 电子科技大学 | 一种大尺寸铝合金零件生产线健康状态评估方法 |
CN112434979A (zh) * | 2020-12-17 | 2021-03-02 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 道岔***健康评估方法 |
CN112947290A (zh) * | 2021-05-16 | 2021-06-11 | 北京赛博联物科技有限公司 | 基于边云协同的设备状态监测方法、监测***及存储介质 |
CN113114530A (zh) * | 2017-04-05 | 2021-07-13 | 华为技术有限公司 | 一种网元健康状态的检测方法及设备 |
CN116307943A (zh) * | 2023-05-18 | 2023-06-23 | 山东通维信息工程有限公司 | 一种基于层次分析法高速公路机电***健康指数评估方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218515A (zh) * | 2013-03-21 | 2013-07-24 | 西北工业大学 | 基于变权分层评分的卫星健康状态评估方法 |
-
2016
- 2016-06-27 CN CN201610477927.3A patent/CN106203637A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218515A (zh) * | 2013-03-21 | 2013-07-24 | 西北工业大学 | 基于变权分层评分的卫星健康状态评估方法 |
Non-Patent Citations (3)
Title |
---|
NIKHIL M.VICHARE ET AL.: "Methods for Binning and Density Estimation of Load Parameters for Prognostics and Health Management", 《INTERNATIONAL JOURNAL OF PERFORMABILITY ENGINEERING》 * |
SACHIN KUMAR ET AL.: "A health indicator method for degradation detection of electronic products", 《MICROELECTRONICS RELIABILITY》 * |
盛艳燕: "电力电子电路故障诊断与预测技术研究", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113114530A (zh) * | 2017-04-05 | 2021-07-13 | 华为技术有限公司 | 一种网元健康状态的检测方法及设备 |
CN110162746A (zh) * | 2018-03-12 | 2019-08-23 | 华北电力大学(保定) | 一种多参数融合相似度的健康预警及故障诊断方法 |
CN110570544A (zh) * | 2019-09-19 | 2019-12-13 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 飞机燃油***故障识别方法、装置、设备和存储介质 |
CN112001091A (zh) * | 2020-09-01 | 2020-11-27 | 中国航空工业集团公司上海航空测控技术研究所 | 一种用于直升机主减速器故障安全风险预警的方法 |
CN112001091B (zh) * | 2020-09-01 | 2022-08-30 | 中国航空工业集团公司上海航空测控技术研究所 | 一种用于直升机主减速器故障安全风险预警的方法 |
CN112101468A (zh) * | 2020-09-18 | 2020-12-18 | 刘吉耘 | 一种在序列组合中判定异常序列的方法 |
CN112101468B (zh) * | 2020-09-18 | 2024-04-16 | 刘吉耘 | 一种在序列组合中判定异常序列的方法 |
CN112270095B (zh) * | 2020-10-29 | 2022-05-03 | 电子科技大学 | 一种大尺寸铝合金零件生产线健康状态评估方法 |
CN112270095A (zh) * | 2020-10-29 | 2021-01-26 | 电子科技大学 | 一种大尺寸铝合金零件生产线健康状态评估方法 |
CN112434979A (zh) * | 2020-12-17 | 2021-03-02 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 道岔***健康评估方法 |
CN112434979B (zh) * | 2020-12-17 | 2023-11-28 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 道岔***健康评估方法 |
CN112947290B (zh) * | 2021-05-16 | 2021-08-20 | 北京赛博联物科技有限公司 | 基于边云协同的设备状态监测方法、监测***及存储介质 |
CN112947290A (zh) * | 2021-05-16 | 2021-06-11 | 北京赛博联物科技有限公司 | 基于边云协同的设备状态监测方法、监测***及存储介质 |
CN116307943A (zh) * | 2023-05-18 | 2023-06-23 | 山东通维信息工程有限公司 | 一种基于层次分析法高速公路机电***健康指数评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106203637A (zh) | 一种基于马氏距离和健康指数的机载***健康评估方法 | |
Helwig et al. | Condition monitoring of a complex hydraulic system using multivariate statistics | |
CN109193650B (zh) | 一种基于高维随机矩阵理论的电网薄弱点评估方法 | |
US20140067327A1 (en) | Similarity curve-based equipment fault early detection and operation optimization methodology and system | |
US20130060524A1 (en) | Machine Anomaly Detection and Diagnosis Incorporating Operational Data | |
JP6141235B2 (ja) | 時系列データにおける異常を検出する方法 | |
CN102246110B (zh) | 用于监测航空发动机的数据标准化方法和*** | |
CN105300692B (zh) | 一种基于扩展卡尔曼滤波算法的轴承故障诊断及预测方法 | |
CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
Roemer et al. | An overview of selected prognostic technologies with application to engine health management | |
CN104268381B (zh) | 一种基于AdaBoost算法的卫星故障诊断方法 | |
CN106021771A (zh) | 一种故障诊断方法及装置 | |
CN102789545A (zh) | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 | |
US20200143292A1 (en) | Signature enhancement for deviation measurement-based classification of a detected anomaly in an industrial asset | |
CN105677791A (zh) | 用于分析风力发电机组的运行数据的方法和*** | |
CN102789676B (zh) | 一种基于报警证据融合的工业报警器设计方法 | |
CN107710089B (zh) | 工厂设备诊断装置以及工厂设备诊断方法 | |
CN116450399A (zh) | 微服务***故障诊断及根因定位方法 | |
CN103983452A (zh) | 利用混合域特征向量和灰色关联分析对行星齿轮箱进行故障模式识别的方法 | |
CN110297207A (zh) | 智能电表的故障诊断方法、***及电子装置 | |
CN103675354A (zh) | 一种风速仪故障检测的方法和*** | |
CN107103425B (zh) | 发电设备运行状态计算机智能量化评价*** | |
Junior et al. | Unbalance evaluation of a scaled wind turbine under different rotational regimes via detrended fluctuation analysis of vibration signals combined with pattern recognition techniques | |
CN107607342A (zh) | 空调机房设备群的健康能效检测方法 | |
CN103675357A (zh) | 风速仪故障预警的方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161207 |
|
RJ01 | Rejection of invention patent application after publication |