CN106406270A - 用于飞机的空气管理***的***层级故障诊断 - Google Patents
用于飞机的空气管理***的***层级故障诊断 Download PDFInfo
- Publication number
- CN106406270A CN106406270A CN201610237223.9A CN201610237223A CN106406270A CN 106406270 A CN106406270 A CN 106406270A CN 201610237223 A CN201610237223 A CN 201610237223A CN 106406270 A CN106406270 A CN 106406270A
- Authority
- CN
- China
- Prior art keywords
- fault
- assembly
- data
- subsystem
- sensor
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2263—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using neural networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3013—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is an embedded system, i.e. a combination of hardware and software dedicated to perform a certain function in mobile devices, printers, automotive or aircraft systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
Abstract
一种用于飞机的空气管理***的***层级故障诊断。本发明提供一种分级故障检测和隔离***、方法和/或计算机程序产品,所述分级故障检测和隔离***、方法和/或计算机程序产品促进复杂联网***中的故障检测和隔离,同时降低计算复杂性和错误警报。所述***、方法和/或计算机程序产品利用***层级隔离和检测算法以及诊断树来***地隔离所述复杂联网***的故障子***、组件等。
Description
技术领域
本公开大致上涉及复杂联网***中的故障检测和隔离,并且更具体地涉及用于飞机的空气管理***的***层级故障诊断。
背景技术
通常,感测和控制技术中的进步已经促进了复杂联网***的发展。复杂联网***由多个子***组成,所述多个子***转而由通过各种电气、机械、液压或气压连接互连的组件、异构感测装置和反馈控制器组成。复杂联网***的复杂的互连和反馈控制环路使故障检测和隔离成为非常具有挑战性的任务。
例如,如飞机的空气管理***的复杂联网***控制加压空气并将加压空气供应至飞机,并且由多个子***组成。如果复杂的互连和反馈控制环路包括故障组件,则故障组件产生非标称输出,所述非标称输出为至其他联接组件的输入。转而,另外为健康的其他联接组件产生非标称输出,从而引起不想要的错误警报。此外,由于非标称输入,健康组件被驱动超过所述健康组件的正常操作条件,这可导致级联故障。另外,内置控制器将使用故障信号并且将掩盖存在于***中的故障以用于持续操作。
发明内容
实施方案包括用于累积来自多个传感器的传感器数据的方法。所述方法包括:利用基于物理学的模型,所述基于物理学的模型含有微分方程,所述微分方程描述复杂联网***内的组件和子***;通过算法选择最佳传感器的子集以捕获来自多个传感器的每个故障模式的效应,每个传感器与复杂联网***内的组件和子***中的至少一个相关联;针对复杂联网***内的每个子***和组件训练多个神经网络以检测并且识别传感器数据内的故障;以及响应于选择最佳传感器的子集和针对每个子***和组件训练多个神经网络,执行算法以检测并且隔离传感器数据内的故障。
根据另一个实施方案或以上方法实施方案中的任一个,所述方法可包括定义用于组件中每一个的数据类,当相关联的传感器数据包括故障读数时,所述数据类使多个神经网络能够识别健康组件。
根据另一个实施方案或以上方法实施方案中的任一个,所述数据类可包括健康数据类和故障数据类。
根据另一个实施方案或以上方法实施方案中的任一个,所述算法可为利用诊断树来***地隔离复杂联网***内的故障的***级别检测和隔离算法。
根据另一个实施方案或以上方法实施方案中的任一个,执行所述算法以检测并且隔离传感器数据内的故障还可包括:由多个神经网络中每一个输出用以指示传感器数据中对应于神经网络的一部分的数据类的值;以及如果故障由所述值指示,则沿诊断树向下传递传感器数据中对应于所述神经网络的所述部分,直到复杂联网***内的至少一个组件被隔离为止。根据另一个实施方案或以上方法实施方案,如果复杂联网***内的两个或更多个组件被隔离,则识别与输出最接近于一的值的神经网络相关联的组件。
实施方案包括计算机程序产品。所述计算机程序产品包括计算机可读存储介质,所述计算机可读存储介质具有与所述计算机可读存储介质一起体现的程序指令。程序指令可由处理器执行以使所述处理器执行以下操作:利用基于物理学的模型累积来自多个传感器的传感器数据,所述基于物理学的模型含有微分方程,所述微分方程描述复杂联网***内的组件和子***;通过利用算法选择最佳传感器的子集以捕获来自多个传感器的每个故障模式的效应,每个传感器与复杂联网***内的组件和子***中的至少一个相关联;针对复杂联网***内的每个子***和组件训练多个神经网络以检测并且识别传感器数据内的故障;以及响应于选择最佳传感器的子集和针对每个子***和组件训练多个神经网络,执行算法以检测并且隔离传感器数据内的故障。
根据另一个实施方案或以上计算机程序产品实施方案,所述程序指令可由处理器执行以使所述处理器执行以下操作:定义用于组件中每一个的数据类,当相关联的传感器数据包括故障读数时,所述数据类使多个神经网络能够识别健康组件。
根据另一个实施方案或以上计算机程序产品实施方案中的任一个,数据类可包括健康数据类和故障数据类。
根据另一个实施方案或以上计算机程序产品实施方案中的任一个,所述算法可为利用诊断树来***地隔离复杂联网***内的故障的***层级检测和隔离算法。
根据另一个实施方案或以上计算机程序产品实施方案中的任一个,关于执行算法以检测并且隔离传感器数据内的故障,程序指令可由处理器执行以使所述处理器执行以下操作:通过所述多个神经网络中每一个输出用以指示传感器数据中对应于神经网络的一部分的数据类的值;和/或如果故障由所述值指示,则沿诊断树向下传递传感器数据中对应于神经网络的所述部分,直到复杂联网***内的至少一个组件被隔离为止。
根据另一个实施方案或以上计算机程序产品实施方案中的任一个,如果复杂联网***内的两个或更多个组件被隔离,则识别与输出最接近于一的值的神经网络相关联的组件。
根据另一个实施方案,可在***中使用以上方法实施方案或计算机程序产品实施方案中的任一个。
通过本公开的技术实现另外的特征和优点。本公开的其他实施方案和方面在本文中得到详细描述。为了更好地理解本公开以及优点和特征,参考描述并且参考附图。
附图说明
在说明书结束时的权利要求书中具体指出并且明显要求被视为本发明的主题。本发明的上述以及其他特征和优点自结合附图进行的以下详细描述可显而易见,在附图中:
图1描绘了根据一个实施方案的诊断***;
图2描绘了根据一个实施方案的诊断***的示意图;
图3描绘了错误警报可由于实际故障而出现的说明性实例;
图4描绘了根据一个实施方案的诊断***的过程流;
图5示出根据一个实施方案的处理***;以及
图6示出根据一个实施方案的处理***。
具体实施方式
本文描述的实施方案涉及分级故障检测和隔离***、方法和/或计算机程序产品(本文中为诊断***),所述分级故障检测和隔离***、方法和/或计算机程序产品促进复杂联网***中故障检测和隔离,同时降低计算复杂性和错误警报。诊断***利用***层级检测和隔离算法以及诊断树来***地隔离复杂联网***的故障子***,随后隔离故障组件等。
现转向图1,大体上示出根据一个实施方案的诊断***。诊断***包括复杂联网***100,所述复杂联网***包括控制器101,所述控制器通过传感器107、108监测组件103的状态和组件104的状态。
在操作中,图1还示出复杂联网***100中的故障检测和隔离的挑战性方面,如由于组件103和104与传感器107和108之间的众多互连而遭遇的问题。例如,组件103中的故障110产生故障输出,所述故障输出产生通过传感器107的已检测故障111并且转而形成至组件104的故障输入。这导致由另外健康的组件104进行的另一个故障输出的生成,和由传感器108检测的错误警报112(例如,级联故障)。以这种方式,控制器101从传感器107和108接收已检测故障111和故障警报112两者。
为了区别已检测故障111与故障警报112,诊断***使用***层级故障检测和隔离方法。例如,诊断***使用***层级检测和隔离算法来检测并隔离故障组件103。以这种方法,使用整个诊断***作为第一节点来构建诊断树,同时子***和组件形成在不同分支处的以下节点(例如,组件103和104可因为从诊断***分支而为两个节点)。在树的每个节点处,可由诊断***基于甚至在其他子***中存在故障的情况下可捕获节点的健康特性的最佳传感器数据来构建神经网络模型。这个神经网络模型随后充当二进制分类器来检测故障是否存在于子***/组件内。***层级检测和隔离算法通过首先检测和隔离含有故障的子***,随后隔离那个子***内的对应故障组件来以自上而下方式运行,以减少故障警报和计算复杂性,同时维持高检测率。
***层级检测和隔离算法利用基于***理论方法的诊断方法来检测并隔离复杂联网***100内的故障组件。此外,***层级检测和隔离算法使用分级诊断树的概念来首先隔离含有故障的子***并且随后隔离故障组件本身。诊断树被构建为复杂联网***100整体上作为根节点。在下一个层级处,每个节点表示复杂联网***100内的子***。在底部层级处,终端节点表示子***的组件。可延伸这种方法以包括作为终端节点的组件的故障模式。
为了便于解释,现将参考飞机的空气管理***来描述诊断***和复杂联网***100。也就是说,如图2中所示,可将空气管理***200视为复杂联网***100的一个实施方案。具体来说,空气管理***200为集成热控制***,所述集成热控制***由两个主要平行子***组成,其中的每一个子***可以是将温度、湿度和压力控制的空气提供至飞机的机舱的环境控制子***,如以下关于图3进一步所述。为了乘客的安全和舒适性,确保空气管理***200在健康条件下操作是关键的。此外,在缺少机载故障诊断工具的情况下,空气管理***200必须针对周期性维护进行计划,所述周期性维护引起飞机操作的不想要的中断(可能持续若干天),并且带来巨大经济成本。诊断***提供用于空气管理***200的可靠故障诊断方法论,所述可靠故障诊断方法论生成故障的早期警报和基于赋能条件的维护。
空气管理***200(例如,复杂联网***100的一个实施方案)包括外壳201、第一热交换器210、第二热交换器220、空气循环机240(所述空气循环机可包括压缩机241、涡轮243和245以及风扇247)、冷凝器250和脱水机260,其中的每一个通过管材、管道、阀和类似物连接,使得排出空气在入口处以初始流率、压力和温度从飞机的发动机的低压位置被接受,并且以最终流率、压力和温度提供至出口(例如,机舱、驾驶舱等)。以这种方式,在出口处的排出空气的凭证(例如,最终流率、压力和温度)使飞机能够从空气管理***200接收加压的并冷却的空气。
外壳201是使用由运动中的飞机产生的动态空气压力来增加外壳内的静态空气压力的冲压***的冲压室的实例。
热交换器(例如,第一热交换器210和第二热交换器220)是为了一种介质到另一种介质的高效热传递构造的设备。热交换器的实例包括套管式、壳管式、板式、板壳式、绝热轮式、板翅式、枕板式和流体热交换器。继续以上飞机实例,通过外壳推进(例如,通过推动或拉动方法)的空气以可变冷却气流吹过热交换器,以控制排出空气的最终空气温度。
空气循环机240是调节介质的压力(例如,增加气体或排出空气的压力)的机械装置。压缩机的实例包括离心式、斜流式或混流式、轴流式、往复式、离子液体活塞式、旋转螺旋式、旋转叶片、涡旋式、膜片式和气泡式压缩机。此外,压缩机通常由电动机或蒸汽或燃气涡轮(例如,涡轮243和245)驱动。也就是说,涡轮243和245是驱动压缩机241的机械装置。压缩机241是调节从第一热交换器210接收的排出空气的压力的机械装置。风扇247可包括在空气循环机中,并且是通过推动或拉动方法推进空气以可变冷却气流越过热交换器210、220而穿过外壳201的机械装置。涡轮243和245以及压缩机241一起调节压力,并且示出(例如)空气循环机240可作为四轮空气循环机操作。请注意,虽然图2示出空气循环机240和其组件相对于外壳201、第一热交换器210和第二热交换器220的示例性定向,但是可利用其他定向。
为如以上所述的热交换器的实例的冷凝器250是用来通常通过冷却物质,使得潜热被所述物质放弃并且传递至冷凝器冷却剂来将所述物质(例如,排出气体)从所述物质的气态冷凝至所述物质的液态的装置或单元。冷凝器通常是热交换器。脱水机260是执行暂时地或永久地从任何源(如排出空气)取得水的过程的机械装置。
阀(虽然在图2中未示出)是通过打开、关闭或部分地阻碍空气管理***200的管子、管道等内的各种通道来调节、引导和/或控制介质(例如,气体、液体、流化固体或浆料,如排出空气)流的装置。阀可通过致动器操作,使得空气管理***200的任何部分中的任何介质的流率可被调节至所需值。例如,位于外壳210的进气口处的阀允许飞机外部的环境空气至外壳201中的引入,使得环境空气可通过第一热交换器210和第二热交换器220,并且在作为废气退出之前冷却排出空气(例如,引入方法可以是由空气循环机240的轴驱动的风扇进行的拉动方法,或冲压方法)。
另外,空气管理***200(例如,复杂联网***100的一个实施方案)包括多个传感器A-H。通常,传感器是检测事件或量变化并且提供对应的输出,例如作为电气信号或光学信号的任何装置。传感器可检测的量的实例包括但不限于光、运动、温度、磁场、重力、湿度、水分、振动、压力、电场、声音和外部环境的其他物理方面。关于空气管理***200,传感器A-H检测不同组件的状态信息并且将所述信息提供至诊断***的处理装置(例如,控制器101或如以下关于图5进一步描述的处理装置500)。第一传感器是入口压力传感器A。第二传感器是入口质量流传感器B。第三传感器是冲压空气风扇速度传感器C。第四传感器是空气循环机速度传感器D。第五传感器是压缩机温度入口温度传感器E。第六传感器是第二热交换器出口温度传感器F。第七传感器是冷凝器入口温度传感器G。第八传感器是环境控制***出口温度传感器H。此外,因为这些传感器A-H还用来控制空气管理***200的组件以在出口处产生所需温度和压力,所以对于飞机上乘客的舒适性而言需要准确的测量。在以下实例中,传感器A-H可以是以下三种类型的传感器中的一种:流量传感器、温度传感器和速度传感器。流量传感器测量进入或退出空气管理***200的组件的排出空气的流率。温度传感器(如冷凝器入口温度传感器)测量退出空气循环机240并进入冷凝器250的排出空气的温度。速度传感器(如空气循环机速度传感器)测量空气循环机240的每分钟转数。
如以上所述,空气管理***200可由两个平行的环境控制子***组成。例如,图3描绘了空气管理***200的简化分级视图200,其允许通过在较高层级处的故障隔离机制进行的健康组件的***消除。
图3包括***层级,所述***层级包括顶部或第一层级节点,即,空气管理***200;子***层级包括两个层级节点,即环境控制子***301和环境控制子***302;以及组件层级,所述组件层级包括对应于环境控制子***301、302的组件的多个第三节点,即,交换器、空气循环机、传感器等。在这个实例中,环境控制子***301包括第一热交换器210、第二热交换器220、空气循环机240(所述空气循环机包括压缩机241以及涡轮243和245)、冷凝器250、脱水机260和传感器A-H,同时平行的环境控制子***302包括类似组件。为了便于解释,图3的组件层级示出用于环境控制子***301的第二热交换器220、空气循环机240和传感器G,以及用于环境控制子***302的第二热交换器320、空气循环机340和传感器G1的平行组件。
图3还包括多个神经网络,其中的每一个与特定节点相关联。例如,神经网络372和373分别与环境控制子***301和302相关联,而神经网络374-379分别与第二热交换器220、空气循环机240、传感器G、第二热交换器320、空气循环机340和传感器G1相关联。也就是说,每个神经网络372-379可以是构建在树的每个节点处以用于将那个节点二进制分类为健康或故障的的黑箱模型。神经网络372-379还在实时应用中提供实行方案的简易性。每个神经网络372-379利用通过从来自传感器(例如,A-H)中的一个或多个的读数的选定集合接收的数据训练的模型来检测并且隔离故障节点。例如,使用特定组件为健康的时生成的数据来训练所述神经网络。这个数据还可包括在空气管理***中的所有其他组件为故障的,以及在非标称输入条件下捕获健康组件的行为时的情景。以这种方式,每个神经网络372-379通过消除树的健康分支以通过子***减少错误警报并促进组件隔离来降低计算复杂性。
如图3中进一步所示,故障381可在组件层级(图3的最低层级)处生成一系列错误警报384-386。这可导致故障组件的很大模糊性。然而,通过***层级检测和隔离算法的实行方案,将首先在神经网络372中检测故障381。随后,***层级检测和隔离算法的实行方案将沿树向下移动以检查故障组件。树中具有神经网络373的另一边将不检测这个故障,因为所述另一边的子***本身正在正确地操作。这允许错误警报385和386将被消除并且正确故障将被检测而不具有模糊性。一旦神经网络372检测故障,算法即沿树向下移动并且启动在组件层级处起作用的神经网络374、375和376。训练这些神经网络以正确地隔离故障组件。因此,这个过程将在神经网络374处检测并隔离故障381,同时消除错误警报384。
作为这种结构的一个实施方案,第二热交换器220可以是板式第一热交换器,所述板式第一热交换器是使用轻重量板和彼此堆叠的翅片构造的,以便将环境控制子***301内的热量处置至退出飞机的冲压空气。由于包括化学反应、腐蚀、生物倍增和冻结的若干因素,第二热交换器220的流动受到阻碍,从而引起被称为积垢的现象(例如,故障381)。另一方面,空气循环机240由用来压缩并扩张排出空气以帮助进行温度和压力控制的压缩机和两个涡轮组成。由于沿轴的不平衡负载分布,空气循环机240易于停机,这导致旋转损失并且引起由环境控制子***301输出的排出空气的温度增加。
鉴于以上因素,现将关于图4描述诊断***和空气管理***200。图4示出了根据一个实施方案的诊断***的过程流400。
过程流400从方框405开始,其中利用空气管理***200的试验验证模型来生成和/或累积传感器数据。所述模型是含有描述空气管理***200内的各种组件和子***的微分方程的详细的基于物理学模型。例如,为了生成用于模型的数据,当飞机在地面上时将表1中所列出的每个故障注入模型中,并且记录119个参数的时间序列数据。这些参数包括环境控制子***301和302中的传感器以及各种其他飞行条件参数。此外,当飞机在海平面处的地面上时,针对常规昼间飞行条件(Tamb=45F)以1个样本/秒的抽样率生成600个数据样本,并且记录所有测量。由于瞬态行为而忽略前300秒,而将接下来的300秒的数据用于训练和测试。这允许对***参数进行稳态分析并且是测试飞机健康状态的实用窗口,以在飞机已起飞之前提供早期检测。一旦已经生成数据,即添加25dB信噪比的加性白高斯噪声添加以模仿实际生活情况。
表1:组件和所考虑的故障
使用累积的传感器数据,过程流400随后前进至方框410,其中***层级检测和隔离算法选择可通过生成相依矩阵来捕获每个故障模式的效应的最佳传感器。相依矩阵通过不同故障模式作为行,并且生成测量的传感器作为列来构建。对于每个故障模式,将来自每个传感器的测量数据与对应的标称数据进行比较以确定哪些传感器捕获故障模式效应。如果源自故障数据与健康数据之间的残差的统计动差(均值/标准差)超过一定阈值,则假设传感器读数可捕获故障模式,并且将1放置在对应的故障模式和传感器下,而当传感器测量中指示没有分离时放置0。随后,可通过观察相依矩阵中的隔离故障和模糊性组来理解空气管理***内的相依性。如果相依矩阵的特定列仅含有信号“1”,则故障可由对应的传感器隔离。另一方面,列中的多个“1”指示传感器形成故障的模糊性组。这意味着这个传感器可捕获多个故障模式并且无法在所述多个故障模式之间隔离。基于相依性,可进一步减少相依矩阵以最小化模糊性的数目并且增加隔离故障的数目。可将不捕获任何变化的传感器从相依矩阵移除。
接着,过程流400随后前进至方框415,其中***层级检测和隔离算法定义用于每个组件的数据类。如先前所论述,其他子***中的故障可影响对应于另外健康组件的传感器的测量,从而导致错误警报。因此,定义数据类,以便甚至在神经网络的传感器数据正在记录故障读数时,神经网络372-379也可分离健康组件。例如,每个组件可由两个数据类的健康数据和故障数据组成。
健康数据类可由从至少两个条件生成的数据集组成:a)空气管理***200内的每个组件是健康的,和b)考虑中的组件是健康的,而空气管理***200内的其他组件是故障的。这允许神经网络理解组件是否正在以健康方式执行。通过添加从其他故障组件生成的健康类型数据,至组件的输入随后为故障的并且组件的输出似乎为故障的。但是,神经网络能够理解组件如何以所述组件的健康状态执行,并且甚至在空气管理***200中的其他地方存在故障的情况下,允许诊断***检测所述组件的执行是否是健康的/故障的。
故障类可由从考虑中的组件是故障的而空气管理***200中的全部其他组件是健康的条件生成的仅一个数据集组成。通过针对每个组件以这种方式定义类,可训练神经网络372-379以捕获组件的执行并且输出关于每个组件的健康状态的二元决策。
随后,过程流400前进至方框420,其中训练神经网络。也就是说,如以上所述,神经网络372-379是用来分类和拟合数据集的黑箱模型。在此考虑三层神经网络372-379,如图5中所示,所述三层神经网络具有输入层、隐藏层和输出层。这些层中的神经元由携载权重的边缘连接,所述权重被训练,以便至神经网络中的输入数据将生成所要输出。神经网络372-379用来分类诊断树的节点是否是健康的或故障的。输入层由从空气管理***200接收的传感器测量组成。用于每个节点的特定传感器是基于相依矩阵中所述传感器的对应行内的“1”来确定。隐藏层由通过权重连接到输入和输出层的神经元组成。输出层将每个输入测量映射至0或1并且具有与输入层相同数目的节点。0表示节点是健康的,而1指示故障。通过将两类数据馈送到输入层中而将所述数据的对应输出馈送到输出层中来训练每个神经网络372-379。隐藏层中的神经元的数目对于每个节点变化,以确定产生良好训练模型的最佳数目。还可使用标度共轭梯度反向传播算法来训练每个神经网络372-379。例如,为了训练环境控制***301的神经网络372,将在相依矩阵中确定的八个传感器(例如,传感器A-H)用作输入。训练数据由以上所述的健康类数据和故障类数据组成。用于训练的输出由用于每个健康类数据点的0和用于故障类的1组成。
接着,过程流400前进至方框425,其中执行诊断***来检测并且隔离故障。也就是说,一旦选择传感器并且针对每个子***和组件构建并且训练神经网络,***层级检测和隔离算法就准备好被执行。这个阶段使用自上而下方法来找到树的正确分支以隔离故障组件。首先,从诊断***接收的数据用来隔离故障子***。这通过例如将选定的传感器的300秒的时间序列数据从相依矩阵馈送到子***层级处的神经网络372-373中的每一个中来进行。每个神经网络372-373随后针对馈送到模型中的数据点输出为0或1的值。随后,取得平均值来分类子***是健康的或是故障的。如果神经网络372将子***301分类为故障的,则子***301内的组件神经网络374-376用来使用与用于子***301和302的相同的方法来隔离失败的组件。如果神经网络373将子***分类为健康的,则算法将不沿分支向下前进。这种方法检测哪个子***含有故障并且隔离故障组件,同时消除健康的分支,因为用于训练的数据甚至在空气管理***200中的其他地方存在故障的情况下也捕获子***/组件的执行。
在训练神经网络之后,在生成的数据集上实行***层级检测和隔离算法的一个实例中,在每个运行期间使用表1中呈现的健康数据和故障数据的15个数据集来进行100个蒙特卡罗(Monte Carlo)运行。这些数据集包括健康***、两个关机空气循环机、四个第二热交换器结垢条件和用于流量和冷凝器入口温度的四个偏置传感器。另外,将加性白高斯噪声独立地逐运行地注入每个数据集中以模仿实际生活情况。使每个数据集随后通过图3中示出的诊断树以用于***层级检测和隔离算法并且通过每个组件神经网络372-379以用于穷举搜索。
也就是说,***层级检测和隔离算法中的每个神经网络372-379输出介于0与1之间的值以指示数据属于哪个类。如果神经网络372-379检测故障,则数据集沿树向下传递,直到将具有故障的组件隔离为止。如果子***内的两个或更多个组件检测故障,则选择与输出最接近于1的值的神经网络374-379相关联的组件。
通过将***层级检测和隔离算法的执行与穷举搜索每个组件的健康状况的传统方法进行比较来测试并且验证***层级检测和隔离算法。在穷举搜索的传统方法中,每个组件训练神经网络,使得所述神经网络捕获组件输出是否是标称的与非标称的。相比之下,本发明的实施方案涵盖以下事实:组件可由于其他组件中的故障而正在生成非标称输出。在穷举搜索的传统方法中,神经网络输出介于0与1之间的值来分别指示组件行为是否为标称的或非标称的。如果两个或更多个组件神经网络检测数据集为非标称的,则模糊性组出现并且故障组件未被隔离。这种现象显示子***和组件具有带来错误警报的复杂互连。本发明的实施方案的***层级检测和隔离算法的结果指示并入非标称测量的训练模型允许消除错误警报。诊断树结构允许消除健康组件,同时降低计算复杂性并且导致故障隔离。
现参考图6,示出用于实行本文教义的处理***600的实施方案。在这个实施方案中,处理***600具有一个或多个中央处理单元(处理器)601a、601b、601c等(共同地或一般地被称为处理器601)。处理器601也被称为处理电路,通过***总线602联接到***存储器603和各种其他组件。***存储器603可包括只读存储器(ROM)604和随机存取存储器(RAM)605。ROM 604联接到***总线602并且可包括基本输入/输出***(BIOS),所述基本输入/输出***控制处理***600的某些基本功能。RAM是联接到***总线602以由处理器601使用的读写存储器。
图600还描绘了联接到***总线602的输入/输出(I/O)适配器606和网络适配器607。I/O适配器606可以是与硬盘608和/或磁带存储驱动器609或任何其他类似组件通信的小型计算机***接口(SCSI)适配器。I/O适配器606、硬盘608和磁带存储驱动器609在本文中共同地被称为大容量存储设备610。用于在处理***600上执行的软件611可存储在大容量存储设备610中。大容量存储设备610是处理器601可读取的有形存储介质的实例,其中软件611存储为用于由处理器601执行的指令以执行如图4的过程流的方法。网络适配器607将***总线602与外部网络612互连,从而允许处理***600与其他此类***通信。屏幕(例如,显示监视器)615通过显示适配器616连接到***总线602,所述显示适配器可包括用以改良图形密集型应用程序的执行的图形控制器和视频控制器。在一个实施方案中,适配器606、607和616可连接到一个或多个I/O总线,所述一个或多个I/O总线通过中间总线桥(未示出)连接到***总线602。用于连接如硬盘控制器、网络适配器和图形适配器的***装置的合适的I/O总线通常包括公共协议,如***组件互连(PCI)。额外的输入/输出装置示出为通过接口适配器620和显示适配器616连接到***总线602。键盘621、鼠标622和扬声器623可通过接口适配器620互连到***总线602,所述接口适配器可包括例如将多个装置适配器集成到单个集成电路中的超级I/O芯片。
因此,如图6中所配置,处理***605包括呈处理器601形式的处理能力,和包括***存储器603和大容量存储设备610的存储能力、如键盘621和鼠标622的输入装置,以及包括扬声器623和显示器615的输出能力。在一个实施方案中,***存储器603和大容量存储设备610的一部分共同地存储操作***以协调图6中示出的各种组件的功能。
诊断***的技术效应和益处包括通过***层级检测和隔离算法进行的计算复杂性和误警率的降低。因此,诊断***的技术效应和益处包括早期诊断策略,所述早期诊断策略防止昂贵设备的不想要的过早更换,在所述昂贵设备中,错误警报与非标称输入相关联并且避开所述非标称输入,所述非标称输入驱动组件超过标称操作包络并且引起过大应力和级联故障。
本发明可为***、方法和/或计算机程序产品。计算机程序产品可包括计算机可读存储介质(或多个介质),所述计算机可读存储介质上具有用于使处理器执行本发明的方面的计算机可读程序指令。计算机可读存储介质可为能够保留并存储用于由指令执行装置使用的指令的有形装置。
计算机可读存储介质可以是(例如)但不限于,电子存储装置、磁性存储装置、光学存储装置、电磁存储装置、半导体存储装置或上述装置的任何合适组合。计算机可读存储介质的更具体实例的非穷尽列表包括以下各者:便携式计算机软磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪速存储器)、静态随机存取存储器(SRAM)、便携式光盘只读存储器(CD-ROM)、数字通用光盘(DVD)、存储棒、软盘、如上面记录有指令的穿孔卡或凹槽中的凸起结构的机械编码装置,和前述存储介质的任何合适组合。如本文所用的计算机可读存储介质不应被解释为本身是暂时信号,如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如,通过光纤电缆的光脉冲),或通过导线传输的电气信号。
本文所述的计算机可读程序指令可从计算机可读存储介质下载到相应计算/处理装置或通过网络(例如,互联网、局域网、广域网和/或无线网络)下载到外部计算机或外部存储装置。网络可以包括铜传输电缆、光学传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理装置中的网络适配卡或网络接口从网络接收计算机可读程序指令并且转发将计算机可读程序指令,以用于存储在相应计算/处理装置内的计算机可读存储介质中。
用于执行本发明的操作的计算机可读程序指令可以是汇编程序指令、指令集体系结构(ISA)指令、机器指令、机器相关指令、微码、固件指令、状态设置数据,或者用一种或多种编程语言的任何组合撰写的源代码或目标代码,所述编程语言包括面向对象的编程语言(如Smalltalk、C++等)和传统程序性编程语言(如“C”编程语言或类似的编程语言)。计算机可读程序指令可以完全在用户的计算机上执行,部分地在用户的计算机上执行,作为独立的软件包执行,部分地在用户的计算机上并且部分地在远程计算机上执行,或完全在远程计算机或服务器上执行。在后一种情况下,远程计算机可通过任何类型的网络(包括局域网(LAN)或广域网(WAN))连接到用户的计算机,或者可以连接到外部计算机(例如,通过使用互联网服务提供商的互联网)。在一些实施方案中,包括例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)的电子电路可通过利用计算机可读程序指令的状态信息个性化电子电路来执行计算机可读程序指令,以便执行本发明的方面。
本文中参考根据本发明的实施方案的方法、设备(***)和计算机程序产品的流程图图解和/或方框图来描述本发明的方面。应了解,流程图图解和/或方框图的每个方框以及流程图图解和/或方框图中的方框的组合可通过计算机程序指令实行。
可将这些计算机可读程序指令提供至通用计算机、专用计算机或其他可编程数据处理设备的处理器以产生机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实行流程图和/或方框图方框中所指定的功能/动作的手段。这些计算机可读程序指令还可以存储在计算机可读存储介质中,所述计算机可读存储介质可引导计算机、可编程数据处理设备或其他装置来以特定方式起作用,使得其中存储有指令的计算机可读存储介质包括制品,所述制品包括实行流程图和/或方框图方框中所指定的功能/动作的方面的指令。
计算机可读程序指令还可以被加载到计算机、其他可编程数据处理设备或其他装置上,以引起一系列操作步骤将在计算机、其他可编程设备或其他装置上执行,以产生计算机实行的过程,使得在计算机、其他可编程设备或其他装置上执行的指令实行流程图和/或方框图方框中所指定的功能/操作。
附图中的流程图和方框图示出了根据本发明的各种实施方案的***、方法和计算机程序产品的可能实行方案的体系结构、功能性和操作。在这方面,流程图或方框图中的每个方框可表示指令的模块、片段或部分,所述指令包括用于实行所指定逻辑功能的一个或多个可执行指令。在一些替代实行方案中,方框中提到的功能可不按附图中提到的顺序出现。例如,连续展示的两个方框实际上可大致上同时执行,或者方框有时可按相反顺序执行,这取决于所涉及的功能性。还应当注意的是,方框图和/或流程图图解的每个方框以及方框图和/或流程图图解中的方框的组合可通过基于专用硬件的***来实行,所述基于专用硬件的***执行指定的功能或动作或者执行专用硬件和计算机指令的组合。
本文中所使用的术语仅用于描述具体实施方案的目的并且不意图限制本发明。如本文所使用,单数形式“一个”、“一种”和“所述”也意图包括复数形式,除非上下文另外明确指出。应当进一步理解,术语“包括(comprises)”和/或“包括(comprising)”在本说明书中使用时指定所述特征、整数、步骤、操作、元件和/或组件的存在,但不排除一个或多个其他特征、整数、步骤、操作、元件、组件和/或各者的组合的存在或添加。
所有手段或步骤的对应结构、材料、动作和等效物加上以下权利要求书中的功能要素意图包括用于结合如具体要求的其他所要求元素执行功能的任何结构、材料或动作。本发明的描述已出于说明和描述的目的被呈现,但并不意图为详尽的或限于所公开形式的本发明。在不背离本发明的范围和精神的情况下,本领域普通技术人员将显而易见许多修改和变化。选择并且描述实施方案以便最佳地解释本发明原理和实际应用,并且使本领域其他普通技术人员能够针对各种实施方案以及适合于所涵盖的具体使用的各种修改理解本发明。
Claims (12)
1.一种方法,其包括:
利用基于物理学的模型累积来自多个传感器的传感器数据,所述基于物理学的模型含有微分方程,所述微分方程描述复杂联网***内的组件和子***;
通过算法选择最佳传感器的子集以捕获来自多个传感器的每个故障模式的效应,每个传感器与所述复杂联网***内的所述组件和所述子***中的至少一个相关联;
针对所述复杂联网***内的每个子***和组件训练多个神经网络以检测并且识别所述传感器数据内的故障;以及
响应于选择最佳传感器的所述子集和针对每个子***和组件训练多个神经网络,执行所述算法以检测并且隔离所述传感器数据内的所述故障。
2.如权利要求1所述的方法,其还包括:
定义用于所述组件中每一个的数据类,当相关联的传感器数据包括故障读数时,所述数据类使所述多个神经网络能够识别健康组件。
3.如任何前述权利要求所述的方法,其中所述数据类包括健康数据类和故障数据类。
4.如任何前述权利要求所述的方法,其中所述算法为利用诊断树来***地隔离所述复杂联网***内的所述故障的***层级检测和隔离算法。
5.如任何前述权利要求所述的方法,其中执行所述算法以检测并且隔离所述传感器数据内的所述故障还包括:
通过所述多个神经网络中每一个输出用以指示所述传感器数据中的对应于所述神经网络的一部分的数据类的值;以及
如果故障由所述值指示,则沿诊断树向下传递传感器数据中对应于所述神经网络的所述部分,直到所述复杂联网***内的至少一个组件被隔离为止。
6.如任何前述权利要求所述的方法,其中如果所述复杂联网***内的两个或更多个组件被隔离,则识别与输出最接近于一的值的神经网络相关联的组件。
7.一种计算机程序产品,所述计算机程序产品包括计算机可读存储介质,所述计算机可读存储介质具有与所述计算机可读存储介质一起体现的程序指令,所述程序指令可由处理器执行以使所述处理器执行以下操作:
利用基于物理学的模型累积来自多个传感器的传感器数据,所述基于物理学的模型含有微分方程,所述微分方程描述复杂联网***内的组件和子***;
通过利用算法选择最佳传感器的子集以捕获来自多个传感器的每个故障模式的效应,每个传感器与所述复杂联网***内的所述组件和所述子***中的至少一个相关联;
针对所述复杂联网***内的每个子***和组件训练多个神经网络以检测并且识别所述传感器数据内的故障;以及
响应于选择最佳传感器的所述子集和针对每个子***和组件训练多个神经网络,执行所述算法以检测并且隔离所述传感器数据内的所述故障。
8.如权利要求7所述的计算机程序产品,所述程序指令可由所述处理器执行以使所述处理器执行以下操作:
定义用于所述组件中每一个的数据类,当相关联的传感器数据包括故障读数时,所述数据类使所述多个神经网络能够识别健康组件。
9.如权利要求7或8所述的计算机程序产品,其中所述数据类包括健康数据类和故障数据类。
10.如权利要求7、8或9所述的计算机程序产品,其中所述算法为利用诊断树来***地隔离所述复杂联网***内的所述故障的***层级检测和隔离算法。
11.如权利要求7、8、9或10所述的计算机程序产品,其中关于执行所述算法以检测并且隔离所述传感器数据内的所述故障,所述程序指令可由所述处理器执行以使所述处理器执行以下操作:
通过所述多个神经网络中每一个输出用以指示所述传感器数据中对应于所述神经网络的一部分的数据类的值;以及
如果故障由所述值指示,则沿诊断树向下传递所述传感器数据中对应于所述神经网络的所述部分,直到所述复杂联网***内的至少一个组件被隔离为止。
12.如权利要求7、8、9、10或11所述的计算机程序产品,其中如果所述复杂联网***内的两个或更多个组件被隔离,则识别与输出最接近于一的值的神经网络相关联的组件。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/687,112 US10089204B2 (en) | 2015-04-15 | 2015-04-15 | System level fault diagnosis for the air management system of an aircraft |
US14/687112 | 2015-04-15 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106406270A true CN106406270A (zh) | 2017-02-15 |
CN106406270B CN106406270B (zh) | 2020-10-23 |
Family
ID=57043235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610237223.9A Active CN106406270B (zh) | 2015-04-15 | 2016-04-15 | 用于飞机的空气管理***的***层级故障诊断 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10089204B2 (zh) |
JP (1) | JP6797546B2 (zh) |
CN (1) | CN106406270B (zh) |
DE (1) | DE102016107064A1 (zh) |
SG (1) | SG10201603011TA (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726029A (zh) * | 2017-10-27 | 2019-05-07 | 波音公司 | 利用图形转换时间数据的交通工具故障检测***及方法 |
CN110489254A (zh) * | 2019-07-13 | 2019-11-22 | 西北工业大学 | 基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理***及方法 |
CN111194431A (zh) * | 2018-09-14 | 2020-05-22 | 西安大医集团有限公司 | 放疗设备的状态诊断方法、装置、***及存储介质 |
CN112204485A (zh) * | 2018-06-07 | 2021-01-08 | 西门子股份公司 | 用于解决多部件***的自动故障树分析中的闭环的计算机实现的方法和设备 |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6413509B2 (ja) * | 2014-09-03 | 2018-10-31 | 株式会社Ihi | 航空機の電動駆動ユニット冷却システム |
US10895523B2 (en) | 2015-04-30 | 2021-01-19 | The University Of Connecticut | Method of optimal sensor selection and fusion for heat exchanger fouling diagnosis in aerospace systems |
JP5816771B1 (ja) * | 2015-06-08 | 2015-11-18 | 株式会社Preferred Networks | 学習装置ユニット |
US20170161969A1 (en) * | 2015-12-07 | 2017-06-08 | The Boeing Company | System and method for model-based optimization of subcomponent sensor communications |
US9724979B1 (en) * | 2016-04-27 | 2017-08-08 | The Boeing Company | Model-based method to detect abnormal operations in heat exchangers |
JP6789848B2 (ja) * | 2017-02-27 | 2020-11-25 | 株式会社東芝 | アイソレーション管理システムおよびアイソレーション管理方法 |
US20180342054A1 (en) * | 2017-05-26 | 2018-11-29 | Bsquare Corp. | System and method for constructing augmented and virtual reality interfaces from sensor input |
JP6838259B2 (ja) * | 2017-11-08 | 2021-03-03 | Kddi株式会社 | 学習用データの生成装置、判定装置及びプログラム |
CN108197014B (zh) * | 2017-12-29 | 2022-01-25 | 东软集团股份有限公司 | 故障诊断方法、装置及计算机设备 |
US20190266215A1 (en) * | 2018-02-27 | 2019-08-29 | International Business Machines Corporation | Pareto-efficient probabilistic solutions |
US11465755B1 (en) | 2018-04-30 | 2022-10-11 | United States Of America As Represented By The Secretary Of The Air Force | Aircraft air quality testing system |
JP7115346B2 (ja) * | 2019-02-07 | 2022-08-09 | 株式会社デンソー | 異常検知装置 |
US11544422B2 (en) * | 2019-09-16 | 2023-01-03 | Palo Alto Research Center Incorporated | Machine learning based systems and methods for real time, model based diagnosis |
DE102019219734B4 (de) | 2019-12-16 | 2024-08-01 | Robert Bosch Gmbh | Verfahren zum Betreiben eines Auswertungssystems für Messdaten aus mehreren Domänen |
CN111024895B (zh) * | 2019-12-18 | 2022-11-18 | 成都飞机工业(集团)有限责任公司 | 一种交互式大气测试*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100318837A1 (en) * | 2009-06-15 | 2010-12-16 | Microsoft Corporation | Failure-Model-Driven Repair and Backup |
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 |
US20130191681A1 (en) * | 2010-10-11 | 2013-07-25 | General Electric Company | Systems, methods, and apparatus for signal processing-based fault detection, isolation and remediation |
CN103581970A (zh) * | 2012-07-23 | 2014-02-12 | 南京航空航天大学 | 分布式传感器网络故障检测方法 |
CN105094118A (zh) * | 2015-08-12 | 2015-11-25 | 中国人民解放军空军勤务学院 | 一种飞机发动机压气机失速故障检测方法 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0512239A (ja) * | 1991-07-05 | 1993-01-22 | Fujitsu Ltd | 相互結合ネツトワーク構成データ処理装置とその学習処理方法 |
JP3208724B2 (ja) * | 1995-05-15 | 2001-09-17 | ダイハツ工業株式会社 | 物体検出装置 |
JPH11212637A (ja) * | 1998-01-22 | 1999-08-06 | Hitachi Ltd | 予防保全方法及び装置 |
US6502042B1 (en) * | 2000-10-26 | 2002-12-31 | Bfgoodrich Aerospace Fuel And Utility Systems | Fault tolerant liquid measurement system using multiple-model state estimators |
US20020183971A1 (en) * | 2001-04-10 | 2002-12-05 | Wegerich Stephan W. | Diagnostic systems and methods for predictive condition monitoring |
JP3580793B2 (ja) * | 2001-12-12 | 2004-10-27 | ダイセル化学工業株式会社 | プラント制御監視装置 |
US7734400B2 (en) | 2003-07-24 | 2010-06-08 | Honeywell International Inc. | Fault detection system and method using augmented data and fuzzy logic |
US7455099B2 (en) | 2003-12-19 | 2008-11-25 | General Electric Company | Heat exchanger performance monitoring and analysis method and system |
US8620519B2 (en) | 2005-04-18 | 2013-12-31 | Honeywell International Inc. | Kernel-based fault detection system and method |
US8036999B2 (en) * | 2007-02-14 | 2011-10-11 | Isagacity | Method for analyzing and classifying process data that operates a knowledge base in an open-book mode before defining any clusters |
US8437904B2 (en) | 2007-06-12 | 2013-05-07 | The Boeing Company | Systems and methods for health monitoring of complex systems |
US8230262B2 (en) * | 2010-07-02 | 2012-07-24 | Oracle International Corporation | Method and apparatus for dealing with accumulative behavior of some system observations in a time series for Bayesian inference with a static Bayesian network model |
US9310790B2 (en) * | 2011-05-23 | 2016-04-12 | Honeywell International Inc. | Large-scale comprehensive real-time monitoring framework for industrial facilities |
GB2492328A (en) | 2011-06-24 | 2013-01-02 | Ge Aviat Systems Ltd | Updating troubleshooting procedures for aircraft maintenance |
FR2986879B1 (fr) * | 2012-02-15 | 2014-10-17 | Airbus Operations Sas | Procede et systeme de detection d'anomalies a solutionner dans un aeronef |
US9852019B2 (en) * | 2013-07-01 | 2017-12-26 | Agent Video Intelligence Ltd. | System and method for abnormality detection |
US9430311B2 (en) * | 2013-07-23 | 2016-08-30 | Halliburton Energy Services, Inc. | Cause and effect mapping for failure mode effect analysis creation and risk management |
US10288548B2 (en) * | 2015-04-17 | 2019-05-14 | Hamilton Sundstrand Corporation | Wavelet-based analysis for fouling diagnosis of an aircraft heat exchanger |
US10895523B2 (en) * | 2015-04-30 | 2021-01-19 | The University Of Connecticut | Method of optimal sensor selection and fusion for heat exchanger fouling diagnosis in aerospace systems |
-
2015
- 2015-04-15 US US14/687,112 patent/US10089204B2/en active Active
-
2016
- 2016-04-14 JP JP2016080727A patent/JP6797546B2/ja active Active
- 2016-04-15 CN CN201610237223.9A patent/CN106406270B/zh active Active
- 2016-04-15 SG SG10201603011TA patent/SG10201603011TA/en unknown
- 2016-04-15 DE DE102016107064.5A patent/DE102016107064A1/de active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100318837A1 (en) * | 2009-06-15 | 2010-12-16 | Microsoft Corporation | Failure-Model-Driven Repair and Backup |
US20130191681A1 (en) * | 2010-10-11 | 2013-07-25 | General Electric Company | Systems, methods, and apparatus for signal processing-based fault detection, isolation and remediation |
CN103581970A (zh) * | 2012-07-23 | 2014-02-12 | 南京航空航天大学 | 分布式传感器网络故障检测方法 |
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 |
CN105094118A (zh) * | 2015-08-12 | 2015-11-25 | 中国人民解放军空军勤务学院 | 一种飞机发动机压气机失速故障检测方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726029A (zh) * | 2017-10-27 | 2019-05-07 | 波音公司 | 利用图形转换时间数据的交通工具故障检测***及方法 |
CN109726029B (zh) * | 2017-10-27 | 2024-05-24 | 波音公司 | 利用图形转换时间数据的交通工具故障检测***及方法 |
CN112204485A (zh) * | 2018-06-07 | 2021-01-08 | 西门子股份公司 | 用于解决多部件***的自动故障树分析中的闭环的计算机实现的方法和设备 |
CN111194431A (zh) * | 2018-09-14 | 2020-05-22 | 西安大医集团有限公司 | 放疗设备的状态诊断方法、装置、***及存储介质 |
CN110489254A (zh) * | 2019-07-13 | 2019-11-22 | 西北工业大学 | 基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理***及方法 |
CN110489254B (zh) * | 2019-07-13 | 2022-06-14 | 西北工业大学 | 基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理***及方法 |
Also Published As
Publication number | Publication date |
---|---|
US10089204B2 (en) | 2018-10-02 |
DE102016107064A1 (de) | 2016-10-20 |
US20160306725A1 (en) | 2016-10-20 |
JP2016207208A (ja) | 2016-12-08 |
SG10201603011TA (en) | 2016-11-29 |
CN106406270B (zh) | 2020-10-23 |
JP6797546B2 (ja) | 2020-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106406270A (zh) | 用于飞机的空气管理***的***层级故障诊断 | |
US11340154B2 (en) | Computer program product for optimal sensor selection and fusion for heat exchanger fouling diagnosis in aerospace systems | |
Yongbo et al. | Rotating machinery fault diagnosis based on convolutional neural network and infrared thermal imaging | |
JP7069269B2 (ja) | デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム | |
CN108334907B (zh) | 一种基于深度学习的复杂装备点异常检测方法及*** | |
CN104573850B (zh) | 一种火电厂设备状态评估方法 | |
KR102365150B1 (ko) | 생성적 적대 신경망을 이용한 상태 감시 데이터 생성 방법 및 장치 | |
CN104756029B (zh) | 一种监控设备的部件组的*** | |
CN107832896A (zh) | 一种电厂设备缓变故障预警方法及装置 | |
JP2009243428A (ja) | 風車の監視装置及び方法並びにプログラム | |
CN112487910A (zh) | 核电汽轮机***故障预警方法及*** | |
WO2020090767A1 (ja) | 異常診断装置、異常診断方法、及びプログラム | |
CN103324155A (zh) | ***监控 | |
Peitsman et al. | ARX models and real-time model-based diagnosis | |
CN112162543A (zh) | 一种基于数字孪生的叶片转子试验台预测性维修方法及*** | |
Niculita et al. | Design for diagnostics and prognostics: A physical-functional approach | |
Bickford et al. | Development of a real-time turbine engine diagnostic system | |
KR20240003469A (ko) | 원전설비의 예측진단방법 및 시스템 | |
Zanoli et al. | Complexity-based methodology for Fault Diagnosis: application on a centrifugal machine | |
dos Santos Pedotti et al. | Failure analysis on a water pump based on a low-cost MEMS accelerometer and Machine Learning Classifiers | |
CN117407784B (zh) | 面向传感器数据异常的旋转机械智能故障诊断方法及*** | |
CN109087699B (zh) | 一种电动手术床故障诊断方法 | |
Kang et al. | Tracking gearbox degradation based on stable distribution parameters: A case study | |
Roemer et al. | Real-time health monitoring and diagnostics for gas turbine engines | |
CN114580101B (zh) | 一种旋转机械剩余使用寿命预测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |