CN109141847A - 一种基于mscnn深度学习的飞机***故障诊断方法 - Google Patents
一种基于mscnn深度学习的飞机***故障诊断方法 Download PDFInfo
- Publication number
- CN109141847A CN109141847A CN201810801857.1A CN201810801857A CN109141847A CN 109141847 A CN109141847 A CN 109141847A CN 201810801857 A CN201810801857 A CN 201810801857A CN 109141847 A CN109141847 A CN 109141847A
- Authority
- CN
- China
- Prior art keywords
- output
- layer
- model
- convolution kernel
- sample
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种基于MSCNN深度学习的飞机***故障诊断方法,包括如下步骤:S1,采集已经译码的飞机QAR数据;S2,将飞机QAR数据中的飞机状态参数转化为固定尺寸的二维数据;S3,建立全任务剖面的深度学习模型MSCNN;S4,根据样本自动识别工况条件并自适应生成单工况模型,利用深度学习模型MSCNN对需检测的样本数据进行自动检测,并识别单一工况下的故障;S5,比较多个工况的诊断结果,进行冗余和验证,得到最后的诊断结果。
Description
技术领域
本发明属于航空***故障诊断技术领域,具体的说,特别涉及到一种基于MSCNN深度学习的飞机***故障诊断方法。
背景技术
随着目前飞机***设备日趋复杂,通过智能化及机电一体化,对复杂装备***进行准确、有效的故障诊断成为提高***安全性和可靠性,并降低维护成本的有效途径。当前方法主要有基于案例法、专家***、模糊推理法等,,这些方法由于过度依赖工程师及专家诊断经验,并且有些故障现象难以复现,已很难满足现代复杂***设备的故障诊断需求。
飞机QAR数据伴随着海量的监测数据,,而深度学习通过建立深层神经网络模拟人脑的信息处理机制来学习、解释并分析学习输入数据,具有强大的特征提取与模式识别能力。卷积神经网络,作为一种典型的深度学习方法,不需要人为参与特征的选取过程,可以自动地学习大量数据集中的目标特征。其权值共享和局部连接机制使得它具备优于传统技术的优点,同时具有良好的容错能力、并行处理能力和自学习能力。这些优点使得卷积神经网络在处理环境信息复制,推理规则不明确情况下的问题时具有较大优势。
但对于传统CNN模型,只含有一个Softmax分类器,对于多工况系用一个CNN模型不能完整表达被诊断***。统往往需要针对不同工况分别建立不同的模型。
发明内容
本发明的目的在于针对现有技术中的不足,提供一种基于MSCNN深度学习的飞机***故障诊断方法,以解决现有技术中存在的问题。
本发明所解决的技术问题可以采用以下技术方案来实现:
一种基于MSCNN深度学习的飞机***故障诊断方法,包括如下步骤:
S1,采集已经译码的飞机QAR数据;
S2,将飞机QAR数据中的飞机状态参数转化为固定尺寸的二维数据;
S3,建立全任务剖面的深度学习模型MSCNN;
S4,根据样本自动识别工况条件并自适应生成单工况模型,利用深度学习模型MSCNN对需检测的样本数据进行自动检测,并识别单一工况下的故障;
S5,比较多个工况的诊断结果,进行冗余和验证,得到最后的诊断结果。
进一步的,所述步骤S3的具体步骤如下:
选取故障发生时60秒的参数采样序列作为模型输入,每种监测参数作为输入矩阵的一列,构成二维数据样本,同时能反映飞机前后运行状态变化。
进一步的,还包括判断飞行工况,重构单工况的CNN模型,并进行数值预处理的过程:对飞行任务每一个具体工况,将工况条件与MSCNN全连接层C(ek)相匹配,触发相应的连接使能条件,激活满足条件的softmax分类器,网络结构输出则为只与当前工况相关的故障模式,从而获得当前工况下的独立的CNN模型。
进一步的,所述步骤S4包括卷积神经网络模型的训练过程,具体步骤如下:
卷积神经网络模型的训练是通过不断地迭代极小化损失函数以确定CNN模型中最优权重和偏置参数的过程,模型损失函数采用softmax交叉熵loss函数:
式中,T为当前工况下故障类别数目;yj为输入样本xi对应的期望输出,即softmax输出向量的第j个值,Yj为输入样本xi对应的真实分类结果;
为了提高模型收敛速度,采用随机小批量梯度下降法进行模型训练,具体每次在训练集中选择一批数据,执行以下操作,迭代更新:
a,初始化权重w和偏置b;
b,计算卷积层输出;
设第l个卷积层输入样本为x,其中包含m*n个元素,卷积核个数为s,每个卷积核大小为g×g,因此每种卷积核对应的输出特征的大小为(m+1-g)×(n+1-g),需要训练的参数为权重参数加1个偏向b,总共数目为(g*g+1)×s;第l个卷积层第k种卷积核的输出结果为:
式中表示第l个卷积层第k种卷积核输出的第i,j个元素,表示第l个卷积层第k种卷积核的第j个元素,b(l,k)表示第l个卷积层第k种卷积核的偏置σ表示卷积层所采用的激活函数;
c,采样层输出
采样层对卷积层输出进行求均值操作,从卷积层提炼信息;假设采样宽度为r*r,并保证r可以被(m+1-g)×(n+1-g)整除,则每个特征对应的采样输出大小为(m+1-g)×(n+1-g)/(r*r),因此第l个卷积层第k种卷积核对应的采样层的输出结果为:
式中表示第l个卷积层第k种卷积核的对应池化层的第j个输出;表示第l个卷积层第k种卷积核输出的第p,q个元素;
d,全连接层输出
采样层输出特征平展成N*1(N=(m+1-g)×(n+1-g)/(r*r))的向量后输入给全连接层,全连接层输出一个T*1的向量,其中第i个输出结果为:
其中wi,j表示全连接层权;
e,计算故障分类概率
经Softmax分类器后最终输出是T*1的向量,向量的每个值表示这个样本属于每个类的概率值,所有神经元输出值之和为1;
Softmax回归中将x分类为类别j的概率为:
T为当前工况的故障类别数目;
f,采用反向传播算法,根据误差反向更新各层权重w和偏置b
f.1计算网络各层的误差
输出层的误差为:
δ=α-y
式中y表示输入样本x对应的期望输出;α表示输入样本x对应的实际模型输出;
定义δ(l+1)是第l+1层的误差项
如果l层与l+1层全连接的,那么第l层的误差项为
δ(l)=(W(l))Tδ(l+1)f'(z(l))
如果第l层是一个卷积和池化层,那么误差项为:
式中upsample表示通过计算连接到到池化层的各神经元(即池化层前一层的神经元)的误差来将误差传出池化层,将误差进行简单的均匀分布返还给上一层神经元;k是卷积核编号,f'(·)是激活函数的导数,则表示第l层第k个卷积核神经元的输入;
如果第l层是一个池化层,误差项则为:
f.2计算损失函数关于第l层参数的梯度,即W以及b的偏导数
式中a(l)表示第l层的输出;
f.3迭代更新权重和偏置参数:
式中η表示学习率,范围为[0,1];
f.4当满足以下一个条件终止迭代,否则重复卷积神经网络模型的训练步骤
i,权重更新低于某个阈值;
ii,预测的错误率低于某个阈值;
iii,达到预设一定的循环次数。
与现有技术相比,本发明的有益效果在于:
采用多个softmax分类器的CNN网络,用同一CNN网络同时解决多个工况的故障判断,实现多个工况下的故障分类问题的权值共享。基于该模型,利用飞机海量数据,建立MSCNN模型不需要人为判断工况和参与特征的选取过程,可以自动地学习大量数据集中的目标特征,首先实现单工况的飞机***故障自动识别,最后将多个工况的诊断结果相互间的冗余验证使结果更精确。
附图说明
图1为本发明所述的基于MSCNN深度学习的飞机***故障诊断流程图。
图2为本发明所述的单工况CNN模型学习与测试流程图。
图3为本发明所述的MSCNN模型示意图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
参见图1、图2和图3,本发明所述的一种基于MSCNN深度学习的飞机***故障诊断方法,包括如下步骤:
S1,采集已经译码的飞机QAR数据;
选择最能反映飞机***工作状态的典型变量作为模型的输入特征数据,并分析不同工况的阈值范围。
S2,将飞机QAR数据中的飞机状态参数转化为固定尺寸的二维数据;
S3,建立全任务剖面的深度学习模型MSCNN;
S4,根据样本自动识别工况条件并自适应生成单工况模型,利用深度学习模型MSCNN对需检测的样本数据进行自动检测,并识别单一工况下的故障;
S5,比较多个工况的诊断结果,进行冗余和验证,得到最后的诊断结果。
所述步骤S3的具体步骤如下:
选取故障发生时60秒的参数采样序列作为模型输入,每种监测参数作为输入矩阵的一列,构成二维数据样本,同时能反映飞机前后运行状态变化。
进一步的,还包括判断飞行工况,重构单工况的CNN模型,并进行数值预处理的过程:对飞行任务每一个具体工况,将工况条件与MSCNN全连接层C(ek)相匹配,触发相应的连接使能条件,激活满足条件的softmax分类器,网络结构输出则为只与当前工况相关的故障模式,从而获得当前工况下的独立的CNN模型。
进一步的,所述步骤S4包括卷积神经网络模型的训练过程,具体步骤如下:
卷积神经网络模型的训练是通过不断地迭代极小化损失函数以确定CNN模型中最优权重和偏置参数的过程,模型损失函数采用softmax交叉熵loss函数:
式中,T为当前工况下故障类别数目;yj为输入样本xi对应的期望输出,即softmax输出向量的第j个值,Yj为输入样本xi对应的真实分类结果;
为了提高模型收敛速度,采用随机小批量梯度下降法进行模型训练,具体每次在训练集中选择一批数据,执行以下操作,迭代更新:
a,初始化权重w和偏置b;
b,计算卷积层输出;
设第l个卷积层输入样本为x,其中包含m*n个元素,卷积核个数为s,每个卷积核大小为g×g,因此每种卷积核对应的输出特征的大小为(m+1-g)×(n+1-g),需要训练的参数为权重参数加1个偏向b,总共数目为(g*g+1)×s;第l个卷积层第k种卷积核的输出结果为:
式中表示第l个卷积层第k种卷积核输出的第i,j个元素,表示第l个卷积层第k种卷积核的第j个元素,b(l,k)表示第l个卷积层第k种卷积核的偏置σ表示卷积层所采用的激活函数;
c,采样层输出
采样层对卷积层输出进行求均值操作,从卷积层提炼信息;假设采样宽度为r*r,并保证r可以被(m+1-g)×(n+1-g)整除,则每个特征对应的采样输出大小为(m+1-g)×(n+1-g)/(r*r),因此第l个卷积层第k种卷积核对应的采样层的输出结果为:
式中表示第l个卷积层第k种卷积核的对应池化层的第j个输出;表示第l个卷积层第k种卷积核输出的第p,q个元素;
d,全连接层输出
采样层输出特征平展成N*1(N=(m+1-g)×(n+1-g)/(r*r))的向量后输入给全连接层,全连接层输出一个T*1的向量,其中第i个输出结果为:
其中wi,j表示全连接层权;
e,计算故障分类概率
经Softmax分类器后最终输出是T*1的向量,向量的每个值表示这个样本属于每个类的概率值,所有神经元输出值之和为1;
Softmax回归中将x分类为类别j的概率为:
T为当前工况的故障类别数目;
f,采用反向传播算法,根据误差反向更新各层权重w和偏置b
f.1计算网络各层的误差
输出层的误差为:
δ=α-y
式中y表示输入样本x对应的期望输出;α表示输入样本x对应的实际模型输出;
定义δ(l+1)是第l+1层的误差项
如果l层与l+1层全连接的,那么第l层的误差项为
δ(l)=(W(l))Tδ(l+1)f'(z(l))
如果第l层是一个卷积和池化层,那么误差项为:
式中upsample表示通过计算连接到到池化层的各神经元(即池化层前一层的神经元)的误差来将误差传出池化层,将误差进行简单的均匀分布返还给上一层神经元;k是卷积核编号,f'(·)是激活函数的导数,则表示第l层第k个卷积核神经元的输入;
如果第l层是一个池化层,误差项则为:
f.2计算损失函数关于第l层参数的梯度,即W以及b的偏导数
式中a(l)表示第l层的输出;
f.3迭代更新权重和偏置参数:
式中η表示学习率,范围为[0,1];
f.4当满足以下一个条件终止迭代,否则重复卷积神经网络模型的训练步骤
i,权重更新低于某个阈值;
ii,预测的错误率低于某个阈值;
iii,达到预设一定的循环次数。
最后将测试数据输入训练好的模型,得到单工况的测试结果,并将多个工况的诊断结果,进行冗余和验证,得到最后的诊断结果。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.一种基于MSCNN深度学习的飞机***故障诊断方法,其特征在于,包括如下步骤:
S1,采集已经译码的飞机QAR数据;
S2,将飞机QAR数据中的飞机状态参数转化为固定尺寸的二维数据;
S3,建立全任务剖面的深度学习模型MSCNN;
S4,根据样本自动识别工况条件并自适应生成单工况模型,利用深度学习模型MSCNN对需检测的样本数据进行自动检测,并识别单一工况下的故障;
S5,比较多个工况的诊断结果,进行冗余和验证,得到最后的诊断结果。
2.根据权利要求1所述的基于MSCNN深度学习的飞机***故障诊断方法,其特征在于,所述步骤S3的具体步骤如下:
选取故障发生时60秒的参数采样序列作为模型输入,每种监测参数作为输入矩阵的一列,构成二维数据样本,同时能反映飞机前后运行状态变化。
3.根据权利要求1所述的基于MSCNN深度学习的飞机***故障诊断方法,其特征在于,还包括判断飞行工况,重构单工况的CNN模型,并进行数值预处理的过程:对飞行任务每一个具体工况,将工况条件与MSCNN全连接层C(ek)相匹配,触发相应的连接使能条件,激活满足条件的softmax分类器,网络结构输出则为只与当前工况相关的故障模式,从而获得当前工况下的独立的CNN模型。
4.根据权利要求1所述的基于MSCNN深度学习的飞机***故障诊断方法,其特征在于,所述步骤S4包括卷积神经网络模型的训练过程,其具体步骤如下:
卷积神经网络模型的训练是通过不断地迭代极小化损失函数以确定CNN模型中最优权重和偏置参数的过程,模型损失函数采用softmax交叉熵loss函数:
式中,T为当前工况下故障类别数目;yj为输入样本xi对应的期望输出,即softmax输出向量的第j个值,Yj为输入样本xi对应的真实分类结果;
为了提高模型收敛速度,采用随机小批量梯度下降法进行模型训练,具体每次在训练集中选择一批数据,执行以下操作,迭代更新:
a,初始化权重w和偏置b;
b,计算卷积层输出;
设第l个卷积层输入样本为x,其中包含m*n个元素,卷积核个数为s,每个卷积核大小为g×g,因此每种卷积核对应的输出特征的大小为(m+1-g)×(n+1-g),需要训练的参数为权重参数加1个偏向b,总共数目为(g*g+1)×s;第l个卷积层第k种卷积核的输出结果为:
式中表示第l个卷积层第k种卷积核输出的第i,j个元素,表示第l个卷积层第k种卷积核的第j个元素,b(l,k)表示第l个卷积层第k种卷积核的偏置σ表示卷积层所采用的激活函数;
c,采样层输出
采样层对卷积层输出进行求均值操作,从卷积层提炼信息;假设采样宽度为r*r,并保证r可以被(m+1-g)×(n+1-g)整除,则每个特征对应的采样输出大小为(m+1-g)×(n+1-g)/(r*r),因此第l个卷积层第k种卷积核对应的采样层的输出结果为:
式中表示第l个卷积层第k种卷积核的对应池化层的第j个输出;表示第l个卷积层第k种卷积核输出的第p,q个元素;
d,全连接层输出
采样层输出特征平展成N*1(N=(m+1-g)×(n+1-g)/(r*r))的向量后输入给全连接层,全连接层输出一个T*1的向量,其中第i个输出结果为:
其中wi,j表示全连接层权;
e,计算故障分类概率
经Softmax分类器后最终输出是T*1的向量,向量的每个值表示这个样本属于每个类的概率值,所有神经元输出值之和为1;
Softmax回归中将x分类为类别j的概率为:
T为当前工况的故障类别数目;
f,采用反向传播算法,根据误差反向更新各层权重w和偏置b
f.1计算网络各层的误差
输出层的误差为:
δ=α-y
式中y表示输入样本x对应的期望输出;α表示输入样本x对应的实际模型输出;
定义δ(l+1)是第l+1层的误差项
如果l层与l+1层全连接的,那么第l层的误差项为
δ(l)=(W(l))Tδ(l+1)f'(z(l))
如果第l层是一个卷积和池化层,那么误差项为:
式中upsample表示通过计算连接到到池化层的各神经元(即池化层前一层的神经元)的误差来将误差传出池化层,将误差进行简单的均匀分布返还给上一层神经元;k是卷积核编号,f'(·)是激活函数的导数,则表示第l层第k个卷积核神经元的输入;
如果第l层是一个池化层,误差项则为:
f.2计算损失函数关于第l层参数的梯度,即W以及b的偏导数
式中a(l)表示第l层的输出;
f.3迭代更新权重和偏置参数:
式中η表示学习率,范围为[0,1];
f.4当满足以下一个条件终止迭代,否则重复卷积神经网络模型的训练步骤
i,权重更新低于某个阈值;
ii,预测的错误率低于某个阈值;
iii,达到预设一定的循环次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810801857.1A CN109141847B (zh) | 2018-07-20 | 2018-07-20 | 一种基于mscnn深度学习的飞机***故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810801857.1A CN109141847B (zh) | 2018-07-20 | 2018-07-20 | 一种基于mscnn深度学习的飞机***故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109141847A true CN109141847A (zh) | 2019-01-04 |
CN109141847B CN109141847B (zh) | 2020-06-05 |
Family
ID=64801306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810801857.1A Active CN109141847B (zh) | 2018-07-20 | 2018-07-20 | 一种基于mscnn深度学习的飞机***故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109141847B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919905A (zh) * | 2019-01-08 | 2019-06-21 | 浙江大学 | 一种基于深度学习的红外无损检测方法 |
CN110223377A (zh) * | 2019-05-28 | 2019-09-10 | 上海工程技术大学 | 一种基于立体视觉***高精度的三维重建方法 |
CN110427988A (zh) * | 2019-07-17 | 2019-11-08 | 陕西千山航空电子有限责任公司 | 一种基于深度学习的机载飞参数据健康诊断方法 |
CN111080627A (zh) * | 2019-12-20 | 2020-04-28 | 南京航空航天大学 | 一种基于深度学习的2d+3d大飞机外形缺陷检测与分析方法 |
CN111192379A (zh) * | 2019-12-24 | 2020-05-22 | 泉州装备制造研究所 | 一种飞机整机的综合故障诊断方法 |
CN111414932A (zh) * | 2020-01-07 | 2020-07-14 | 北京航空航天大学 | 一种飞行器多尺度信号的分类识别与故障检测方法 |
CN111881213A (zh) * | 2020-07-28 | 2020-11-03 | 东航技术应用研发中心有限公司 | 一种储存、加工、使用飞行大数据的*** |
CN110321603B (zh) * | 2019-06-18 | 2021-02-23 | 大连理工大学 | 一种用于航空发动机气路故障诊断的深度计算模型 |
CN113011557A (zh) * | 2021-02-22 | 2021-06-22 | 山东航空股份有限公司 | 基于卷积神经网络的飞机不稳定进近判断方法及*** |
CN113850931A (zh) * | 2021-11-29 | 2021-12-28 | 武汉大学 | 一种针对飞行异常的飞行特征提取方法 |
CN114104328A (zh) * | 2020-08-31 | 2022-03-01 | 中国航天科工飞航技术研究院(中国航天海鹰机电技术研究院) | 基于深度迁移学习的飞行器状态监测方法 |
CN114564000A (zh) * | 2022-03-01 | 2022-05-31 | 西北工业大学 | 基于智能飞行器执行器故障诊断的主动容错方法及*** |
CN115965057A (zh) * | 2022-11-28 | 2023-04-14 | 北京交通大学 | 一种面向列车传动***的类脑持续学习故障诊断方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110269632A1 (en) * | 2009-01-09 | 2011-11-03 | Technion Research And Development Foundation Ltd. | Detection of Cancer through Breath Comprising a Sensor Array Comprising Capped Conductive Nanoparticles |
CN104184758A (zh) * | 2013-05-22 | 2014-12-03 | 中国国际航空股份有限公司 | 一种航空器报文触发逻辑的测试平台和测试方法 |
CN104344882A (zh) * | 2013-07-24 | 2015-02-11 | 中国国际航空股份有限公司 | 一种飞机抖动检测***及方法 |
CN106874957A (zh) * | 2017-02-27 | 2017-06-20 | 苏州大学 | 一种滚动轴承故障诊断方法 |
CN106886664A (zh) * | 2017-03-30 | 2017-06-23 | 中国民航科学技术研究院 | 兼容飞行数据驱动的飞行事故模拟方法与*** |
CN107067395A (zh) * | 2017-04-26 | 2017-08-18 | 中国人民解放军总医院 | 一种基于卷积神经网络的核磁共振图像处理装置与方法 |
CN107066759A (zh) * | 2017-05-12 | 2017-08-18 | 华北电力大学(保定) | 一种汽轮机转子振动故障诊断方法及装置 |
CN107271925A (zh) * | 2017-06-26 | 2017-10-20 | 湘潭大学 | 基于深度卷积网络的模块化五电平换流器故障定位方法 |
CN108010016A (zh) * | 2017-11-20 | 2018-05-08 | 华中科技大学 | 一种基于卷积神经网络的数据驱动故障诊断方法 |
CN108257135A (zh) * | 2018-02-01 | 2018-07-06 | 浙江德尚韵兴图像科技有限公司 | 基于深度学习方法解读医学图像特征的辅助诊断*** |
-
2018
- 2018-07-20 CN CN201810801857.1A patent/CN109141847B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110269632A1 (en) * | 2009-01-09 | 2011-11-03 | Technion Research And Development Foundation Ltd. | Detection of Cancer through Breath Comprising a Sensor Array Comprising Capped Conductive Nanoparticles |
CN104184758A (zh) * | 2013-05-22 | 2014-12-03 | 中国国际航空股份有限公司 | 一种航空器报文触发逻辑的测试平台和测试方法 |
CN104344882A (zh) * | 2013-07-24 | 2015-02-11 | 中国国际航空股份有限公司 | 一种飞机抖动检测***及方法 |
CN106874957A (zh) * | 2017-02-27 | 2017-06-20 | 苏州大学 | 一种滚动轴承故障诊断方法 |
CN106886664A (zh) * | 2017-03-30 | 2017-06-23 | 中国民航科学技术研究院 | 兼容飞行数据驱动的飞行事故模拟方法与*** |
CN107067395A (zh) * | 2017-04-26 | 2017-08-18 | 中国人民解放军总医院 | 一种基于卷积神经网络的核磁共振图像处理装置与方法 |
CN107066759A (zh) * | 2017-05-12 | 2017-08-18 | 华北电力大学(保定) | 一种汽轮机转子振动故障诊断方法及装置 |
CN107271925A (zh) * | 2017-06-26 | 2017-10-20 | 湘潭大学 | 基于深度卷积网络的模块化五电平换流器故障定位方法 |
CN108010016A (zh) * | 2017-11-20 | 2018-05-08 | 华中科技大学 | 一种基于卷积神经网络的数据驱动故障诊断方法 |
CN108257135A (zh) * | 2018-02-01 | 2018-07-06 | 浙江德尚韵兴图像科技有限公司 | 基于深度学习方法解读医学图像特征的辅助诊断*** |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919905A (zh) * | 2019-01-08 | 2019-06-21 | 浙江大学 | 一种基于深度学习的红外无损检测方法 |
CN110223377A (zh) * | 2019-05-28 | 2019-09-10 | 上海工程技术大学 | 一种基于立体视觉***高精度的三维重建方法 |
CN110321603B (zh) * | 2019-06-18 | 2021-02-23 | 大连理工大学 | 一种用于航空发动机气路故障诊断的深度计算模型 |
CN110427988A (zh) * | 2019-07-17 | 2019-11-08 | 陕西千山航空电子有限责任公司 | 一种基于深度学习的机载飞参数据健康诊断方法 |
CN110427988B (zh) * | 2019-07-17 | 2023-06-16 | 陕西千山航空电子有限责任公司 | 一种基于深度学习的机载飞参数据健康诊断方法 |
CN111080627A (zh) * | 2019-12-20 | 2020-04-28 | 南京航空航天大学 | 一种基于深度学习的2d+3d大飞机外形缺陷检测与分析方法 |
CN111192379A (zh) * | 2019-12-24 | 2020-05-22 | 泉州装备制造研究所 | 一种飞机整机的综合故障诊断方法 |
CN111414932A (zh) * | 2020-01-07 | 2020-07-14 | 北京航空航天大学 | 一种飞行器多尺度信号的分类识别与故障检测方法 |
CN111881213B (zh) * | 2020-07-28 | 2021-03-19 | 东航技术应用研发中心有限公司 | 一种储存、加工、使用飞行大数据的*** |
CN111881213A (zh) * | 2020-07-28 | 2020-11-03 | 东航技术应用研发中心有限公司 | 一种储存、加工、使用飞行大数据的*** |
CN114104328A (zh) * | 2020-08-31 | 2022-03-01 | 中国航天科工飞航技术研究院(中国航天海鹰机电技术研究院) | 基于深度迁移学习的飞行器状态监测方法 |
CN114104328B (zh) * | 2020-08-31 | 2023-10-17 | 中国航天科工飞航技术研究院(中国航天海鹰机电技术研究院) | 基于深度迁移学习的飞行器状态监测方法 |
CN113011557A (zh) * | 2021-02-22 | 2021-06-22 | 山东航空股份有限公司 | 基于卷积神经网络的飞机不稳定进近判断方法及*** |
CN113011557B (zh) * | 2021-02-22 | 2021-09-21 | 山东航空股份有限公司 | 基于卷积神经网络的飞机不稳定进近判断方法及*** |
CN113850931A (zh) * | 2021-11-29 | 2021-12-28 | 武汉大学 | 一种针对飞行异常的飞行特征提取方法 |
CN114564000A (zh) * | 2022-03-01 | 2022-05-31 | 西北工业大学 | 基于智能飞行器执行器故障诊断的主动容错方法及*** |
CN114564000B (zh) * | 2022-03-01 | 2024-03-08 | 西北工业大学 | 基于智能飞行器执行器故障诊断的主动容错方法及*** |
CN115965057A (zh) * | 2022-11-28 | 2023-04-14 | 北京交通大学 | 一种面向列车传动***的类脑持续学习故障诊断方法 |
CN115965057B (zh) * | 2022-11-28 | 2023-09-29 | 北京交通大学 | 一种面向列车传动***的类脑持续学习故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109141847B (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109141847A (zh) | 一种基于mscnn深度学习的飞机***故障诊断方法 | |
CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN110262463B (zh) | 一种基于深度学习的轨道交通站台门故障诊断*** | |
WO2015158198A1 (zh) | 一种基于神经网络自学习的故障识别方法及*** | |
CN104809722B (zh) | 一种基于红外热像的电气设备故障诊断方法 | |
CN108197648A (zh) | 一种基于lstm深度学习模型的水电机组故障诊断方法与*** | |
CN102707256B (zh) | 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法 | |
CN109669087A (zh) | 一种基于多源信息融合的电力变压器故障诊断方法 | |
CN109800875A (zh) | 基于粒子群优化和降噪稀疏编码机的化工故障检测方法 | |
CN111487991B (zh) | 一种面向无人机集群的安全等级预测方法及*** | |
CN110609524B (zh) | 一种工业设备剩余寿命预测模型及其构建方法和应用 | |
CN108520301A (zh) | 一种基于深度置信网络的电路间歇故障诊断方法 | |
CN109242147A (zh) | 基于Bp神经网络的信号融合风机状态预测方法 | |
CN107274011A (zh) | 综合马尔科夫模型和概率网络的设备状态识别方法 | |
CN109635928A (zh) | 一种基于深度学习模型融合的电压暂降原因识别方法 | |
CN109255441A (zh) | 基于人工智能的航天器故障诊断方法 | |
CN107449994A (zh) | 基于cnn‑dbn网络的局放故障诊断方法 | |
CN109948833A (zh) | 一种基于长短期记忆网络的水电机组劣化趋势预测方法 | |
CN104155574A (zh) | 基于自适应神经模糊推理***的配电网故障分类方法 | |
CN110161343A (zh) | 一种智能列车外部受电装置的非侵入式实时动态监测方法 | |
CN103995237A (zh) | 一种卫星电源***在线故障诊断方法 | |
CN106874963B (zh) | 一种基于大数据技术的配电网故障诊断方法及*** | |
CN110163075A (zh) | 一种基于权值训练的多信息融合故障诊断方法 | |
CN115204302A (zh) | 一种无人机小样本故障诊断***及方法 | |
CN108875108A (zh) | 一种基于pca和brb的轨道车辆电路故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |