CN111006860A - 一种基于AdaBoost-ASVM算法的飞机执行器故障诊断方法 - Google Patents
一种基于AdaBoost-ASVM算法的飞机执行器故障诊断方法 Download PDFInfo
- Publication number
- CN111006860A CN111006860A CN201911314392.8A CN201911314392A CN111006860A CN 111006860 A CN111006860 A CN 111006860A CN 201911314392 A CN201911314392 A CN 201911314392A CN 111006860 A CN111006860 A CN 111006860A
- Authority
- CN
- China
- Prior art keywords
- fault
- asvm
- adaboost
- training
- fault diagnosis
- 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
Images
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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
- B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
- B64F5/60—Testing or inspecting aircraft components or systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Transportation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于AdaBoost‑ASVM算法的飞机执行器故障诊断方法,以飞机执行器常见的卡死、松浮、损伤、反向故障为研究对象,首先将采集到的各种故障信号和正常状态下的信号进行集成经验模态分解,得到一系列平稳的固有模态函数(IMF)和残差;然后对每个固有模态函数和残差计算大量时域特征参数;利用主成分分析法对特征参数进行主元分析,提取贡献率较高的特征构建为训练集和测试集;最后在训练集上建立AdaBoost‑ASVM分类器,对执行器是否发生故障以及故障类型进行识别。本方法可计算速度快,识别精度高,以有效地运用到飞机执行器故障诊断中。
Description
技术领域
本发明涉及飞机执行器故障诊断方法,具体为一种基于AdaBoost-ASVM算法的飞机执行器故障诊断方法。
背景技术
飞机是世界上使用频率最高的飞行器之一,人们对于其安全可靠性要求越来越高。随着机载设备复杂程度以及各***之间联系紧密程度的增加,飞机的故障概率也随之加大。飞机执行器即飞机舵面***,是操控飞机运动最主要的装置,飞行过程中执行器会频繁地执行控制任务,长此以往间歇转动容易使执行器发生故障。带有故障的信号进入飞控***会直接影响飞机的操纵性,极有可能酿成重大事故。及时准确的故障诊断则是保障飞机安全飞行的重要手段。
舵面执行机构常见的故障有:卡死、损伤、松浮、反向、饱和(卡死的特例,指执行器卡死在最大值或最小值)等。故障本身会给舵面输出带来附加扰动和不确定性,经过飞控计算机处理,增加了信号的非线性程度,在外界环境的干扰下故障信号没有固定可描述的数学形式。目前飞机执行器故障诊断的算法主要有基于模型和基于数据两种。基于模型的故障诊断需要精确建立对象的数学模型,但飞机在实际飞行过程中的变化很难用数学模型精准描述,众多复杂变量和不确定因素降低了基于模型的故障诊断方法的有效性。基于数据的故障诊断不需要精确的数学模型,具备一定的鲁棒性。例如专利CN201810260434.3和专利CN201710933387.X公布了一种基于数据的飞机舵面故障诊断方法,为保障飞机安全提供了有效途径。但前者只针对了三种故障,涵盖范围不广;后者只提取了一种特征,故障信息未能充分利用。
发明内容
本发明的目的是提供一种基于AdaBoost-ASVM算法的飞机执行器故障诊断方法,以提高故障诊断精度。
为实现上述目的,本发明采用的技术方案为:
一种基于AdaBoost-ASVM算法的飞机执行器故障诊断方法,包括以下步骤:
(1)采集飞机执行器的故障状态和正常状态下的信号,生成样本;
(2)对步骤(1)得到的信号进行集成经验模态分解(EEMD),得到一系列平稳的固有模态函数和残差;
(3)对得到的固有模态函数(IMF)分别计算多维时域特征;
(4)将所有多维时域特征构建为特征矩阵,对其进行主成分分析;
(5)提取贡献率较高的特征构成样本的特征矢量;
(6)给样本标注对应的标签,划分训练集与测试集;
(7)建立AdaBoost-ASVM分类器模型,在训练集上不断迭代优化分类器,训练完成后对测试集数据分类,实现故障诊断。
所述步骤(1)中,飞机执行器的故障状态包括卡死故障、松浮故障、损伤故障和反向故障;其中,卡死故障是指飞机执行器固定在某个位置,输出不再响应输入指令;松浮故障是指飞机执行器的响应信号在正常值附近呈不规则的随机漂移状态;损伤故障是指飞机执行器输出值的增益降低,舵面的效能降低;反向故障是指飞机执行器的偏转方向与指令信号相反,幅值大小不变。
所述步骤(2)的具体步骤为:
(2.1)对采集到的原始信号s1(t)归一化处理,得到s2(t)为:
s2(t)=[s1(t)-mean(s1(t))]/σ
其中,t是时间变量,σ是信号的标准差;
(2.2)在归一化处理得到的信号的基础上加入白噪声得到信号s3(t):
s3(t)=s2(t)+w(t)
其中,w(t)是白噪声信号;
(2.3)找出信号s3(t)的所有局部极值,将极大值点连接起来,利用三次样条插值形成上包络序列m1(t),将所有极小值点连接起来,同样的方法形成下包络序列m2(t),求得两条包络线的平均值,即
m(t)=[m1(t)+m2(t)]/2
(2.4)将信号s3(t)减去m(t),得到新序列h(t);
(2.5)检测新序列h(t)如果满足固有模态函数条件,则将其作为一个固有模态函数,若不满足,则重复步骤(2.3)和(2.4);
(2.6)剩余时间序列如果还有两个以上极值,则重复步骤(2.3)-(2.5),否则下执行步骤(2.7);
(2.7)保存本次循环得到的各固有模态函数,重复步还骤(2.2)-(2.6)多次。
所述步骤(3)中,多维时域特征包括平均值、均方根、标准差、能量、峭度、波形指标、峰值指标、脉冲指标、裕度指标;其中:
平均值的计算公式为:
均方根的计算公式为:
标准差的计算公式为:
能量的计算公式为:
峭度的计算公式为:
波形指标的计算公式为:
峰值指标的计算公式为:
脉冲指标的计算公式为:
裕度指标的计算公式为:
以上各式中,s(i)是分解后各阶固有模态函数的第i个数据,n为分解后各阶固有模态函数的序列长度。
所述步骤(4)中,将样本的多维时域特征构建为二维特征矩阵,每一行表示一个样本的特征向量,每一列表示同一个特征在不同样本上的值;对特征矩阵进行主成分分析时,提取包含故障信息的特征。
所述步骤(7)包括以下步骤:
(7.1)输入训练样本集T={(x1,y1),(x2,y2),...,(xN,yN)}和迭代次数M,其中yi∈Y={c1,c2,...cp},xi和yi分别表示第i个训练样本的输入和输出,X和Y分别表示训练样本集合的输入和输出,Rn表示n维实数向量,cp表示故障类型;
(7.3)对于每次迭代m=1,2,...,M:
(7.3.1)在样本权重分布为Dm的训练数据下,建立ASVM基分类器Gm(x):
Gm(x):x→{class1,class2,...,classk}
当classi=1时,表示将训练样本识别为第i类状态,有且只有一个识别状态;
(7.3.2)计算弱分类器Gm在训练数据上的错误分类率εm:
(7.3.3)计算弱分类器Gm在强分类器中占据的权重βm:
(7.3.4)更新训练样本集的权值并归一化,使样本集的概率分布和为1:
(7.4)各弱分类器通过其权值的线性组合得到最终的强分类器F:
其中ek为单位矩阵的第k列向量。
所述步骤(7.3.1)中,ASVM基分类器的参数σ自适应更新包括以下步骤:
(7.3.1.1)初始化核函数参数C和σ;
(7.3.1.2)各类样本均匀随机重采样并归一化;
(7.3.1.3)计算支持向量到分隔平面的平均几何间隔d;
(7.3.1.4)如果SVM分类正确率小于70%,将参数σ调整为σ-|d|,如果正确率大于95%,将参数σ调整为σ+|d|,否则不改变σ。
有益效果:与现有技术相比,本发明的有益效果:
1、完全不依赖对象的数学模型,拥有自学习能力,且对外界干扰有一定的鲁棒性;
2、利用集成经验模态分解改善了EMD分解产生的频谱混叠效应,使分解出的分量具有完备的物理意义;
3、从多个维度提取特征,更全面地获取了故障信息;
4、利用主成分分析法获取主元,降低了算法复杂度,提高了运算效率;
5、本发明建立的AdaBoost-ASVM分类器融合统计学习与集成学习的优点,提高了故障诊断精度,避免了传统多分类SVM单一学习机制存在的诊断精度低和结果不稳定的缺点。
附图说明
图1为本发明的诊断流程图;
图2为执行器5种状态的一次信号采样,从上到下分别是卡死、损伤、松浮、反向和正常;
图3为集成经验模态分解流程图;
图4为AdaBoost-ASVM算法流程图;
图5为主成分的贡献率和累计贡献率;
图6为AdaBoost-ASVM训练过程中的准确率。
具体实施方式
下面结合附图对本发明做更进一步的解释。
如图1所示,本发明的一种基于AdaBoost-ASVM算法的飞机执行器故障诊断方法,包括以下步骤:
(1)采集飞机执行器的故障状态和正常状态下的信号,生成样本;其中,飞机执行器的故障状态包括卡死故障、松浮故障、损伤故障和反向故障;其中,卡死故障是指飞机执行器固定在某个位置,输出不再响应输入指令;松浮故障是指飞机执行器的响应信号在正常值附近呈不规则的随机漂移状态;损伤故障是指飞机执行器输出值的增益降低,舵面的效能降低;反向故障是指飞机执行器的偏转方向与指令信号相反,幅值大小不变。
(2)对步骤(1)得到的信号进行集成经验模态分解(EEMD),得到一系列平稳的固有模态函数和残差;具体步骤为:
(2.1)对采集到的原始信号s1(t)归一化处理,得到s2(t)为:
s2(t)=[s1(t)-mean(s1(t))]/σ
其中,t是时间变量,σ是信号的标准差;
(2.2)在归一化处理得到的信号的基础上加入白噪声得到信号s3(t):
s3(t)=s2(t)+w(t)
其中,w(t)是白噪声信号;
(2.3)找出信号s3(t)的所有局部极值,将极大值点连接起来,利用三次样条插值形成上包络序列m1(t),将所有极小值点连接起来,同样的方法形成下包络序列m2(t),求得两条包络线的平均值,即
m(t)=[m1(t)+m2(t)]/2
(2.4)将信号s3(t)减去m(t),得到新序列h(t);
(2.5)检测新序列h(t)如果满足固有模态函数条件,则将其作为一个固有模态函数,若不满足,则重复步骤(2.3)和(2.4);
(2.6)剩余时间序列如果还有两个以上极值,则重复步骤(2.3)-(2.5),否则下执行步骤(2.7);
(2.7)保存本次循环得到的各固有模态函数,重复步还骤(2.2)-(2.6)多次。
(3)对得到的固有模态函数(IMF)分别计算多维时域特征;其中,多维时域特征包括平均值、均方根、标准差、能量、峭度、波形指标、峰值指标、脉冲指标、裕度指标;其中:
平均值的计算公式为:
均方根的计算公式为:
标准差的计算公式为:
能量的计算公式为:
峭度的计算公式为:
波形指标的计算公式为:
峰值指标的计算公式为:
脉冲指标的计算公式为:
裕度指标的计算公式为:
以上各式中,s(i)是分解后各阶固有模态函数的第i个数据,n为分解后各阶固有模态函数的序列长度。
(4)将样本的多维时域特征构建为二维特征矩阵,每一行表示一个样本的特征向量,每一列表示同一个特征在不同样本上的值;对特征矩阵进行主成分分析,提取包含故障信息的特征。
(5)提取贡献率较高的特征构成样本的特征矢量;
(6)给样本标注对应的标签,划分训练集与测试集;
(7)建立AdaBoost-ASVM分类器模型,在训练集上不断迭代优化分类器,训练完成后对测试集数据分类,实现故障诊断;具体包括以下步骤:
(7.1)输入训练样本集T={(x1,y1),(x2,y2),...,(xN,yN)}和迭代次数M,其中yi∈Y={c1,c2,...cp},xi和yi分别表示第i个训练样本的输入和输出,X和Y分别表示训练样本集合的输入和输出,Rn表示n维实数向量,cp表示故障类型;
(7.3)对于每次迭代m=1,2,...,M:
(7.3.1)在样本权重分布为Dm的训练数据下,建立ASVM基分类器Gm(x):
Gm(x):x→{class1,class2,...,classk}
当classi=1时,表示将训练样本识别为第i类状态,有且只有一个识别状态;
其中,ASVM基分类器的参数σ自适应更新包括以下步骤:
(7.3.1.1)初始化核函数参数C和σ;
(7.3.1.2)各类样本均匀随机重采样并归一化;
(7.3.1.3)计算支持向量到分隔平面的平均几何间隔d;
(7.3.1.4)如果SVM分类正确率小于70%,将参数σ调整为σ-|d|,如果正确率大于95%,将参数σ调整为σ+|d|,否则不改变σ;
(7.3.2)计算弱分类器Gm在训练数据上的错误分类率εm:
(7.3.3)计算弱分类器Gm在强分类器中占据的权重βm:
(7.3.4)更新训练样本集的权值并归一化,使样本集的概率分布和为1:
(7.4)各弱分类器通过其权值的线性组合得到最终的强分类器F:
其中ek为单位矩阵的第k列向量。
下面结合实施例对本发明做进一步说明。
实施例
首先建立飞机仿真模型,为了更好地模拟真实飞行环境,加入大气紊流干扰、传感器时延、执行器速度限制和幅值限制。在某高度平飞状态下多次采集飞机执行器卡死、损伤、松浮、反向和正常时的传感器输出信号。图2展示了飞机方向舵在卡死、损伤、松浮、反向和正常时的舵面偏角量。对每种故障状态和正常状态均产生100组样本,每种状态随机抽取70组用于训练,30组用于测试。
利用集成经验模态分解各种状态的信号,每个原始序列经分解后得到8个固有模态函数和1个残差序列,分解个数并非固定不变,它与信号的长度以及非平稳程度有关。对每个固定模态函数分别计算平均值、均方根、标准差、能量、峭度、波形指标、峰值指标、脉冲指标、裕度指标共9个时域特征。然后将训练集所有样本的特征构建为二维特征矩阵,每一行表示一个样本的特征向量,每一列表示同一个特征在不同样本上的值。
每个样本分解后有8个有用序列,对每个序列提取时域特征后一个样本共有72维特征,高维特征增加了问题的复杂性,同时给分析带来干扰。对样本的72个影响因素进行主成分分析,提取包含故障信息的主要特征。前10个主成分的贡献率图如图5所示,可以看出前8个主成分的累计贡献率已经超过85%,因此选择前8个特征作为分类器的输入。将降维特征构成特征向量X=[x1 x2...x8]T,作为分类器的输入。分类器的输出为对应状态的标签,卡死、损伤、松浮、反向和正常状态对应的标签分别为1,2,3,4,5。
建立AdaBoost-ASVM分类器结构,基分类器个数选择为50,为了消除输出类别对权重的影响,在基分类器线性组合时将标签的形式转为One-Hot编码向量,即将1,2,3,4,5分别转换为[1 0 0 0 0]T,[0 1 0 0 0]T,[0 0 1 0 0]T,[0 0 0 1 0]T和[0 0 0 0 1]T。
迭代过程中AdaBoost准确率和各基分类器平均准确率如图6所示。可以看出虽然弱分类器的最高准确率没有随迭代次数的增长而提高,但AdaBoost-ASVM强分类器的准确率随着迭代次数的增加而提升。这表明多个弱分类器学习到了不同的分类准则,集成学习利用了其差异化的优势,结合各个弱分类器的分类结果取长补短提升舵面故障识别率。在稳定性方面,弱分类器的准确率时高时低波动明显,长期来看也没有变化趋势,强分类器的准确率大致呈阶梯型变化,稳定性有显著提升。因此在精度和稳定性上,本发明都具有明显的突破。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种基于AdaBoost-ASVM算法的飞机执行器故障诊断方法,其特征在于:包括以下步骤:
(1)采集飞机执行器的故障状态和正常状态下的信号,生成样本;
(2)对步骤(1)得到的信号进行集成经验模态分解,得到一系列平稳的固有模态函数和残差;
(3)对得到的固有模态函数分别计算多维时域特征;
(4)将所有多维时域特征构建为特征矩阵,对其进行主成分分析;
(5)提取贡献率较高的特征构成样本的特征矢量;
(6)给样本标注对应的标签,划分训练集与测试集;
(7)建立AdaBoost-ASVM分类器模型,在训练集上不断迭代优化分类器,训练完成后对测试集数据分类,实现故障诊断。
2.根据权利要求1所述的基于AdaBoost-ASVM算法的飞机执行器故障诊断方法,其特征在于:所述步骤(1)中,飞机执行器的故障状态包括卡死故障、松浮故障、损伤故障和反向故障;其中,卡死故障是指飞机执行器固定在某个位置,输出不再响应输入指令;松浮故障是指飞机执行器的响应信号在正常值附近呈不规则的随机漂移状态;损伤故障是指飞机执行器输出值的增益降低,舵面的效能降低;反向故障是指飞机执行器的偏转方向与指令信号相反,幅值大小不变。
3.根据权利要求1所述的基于AdaBoost-ASVM算法的飞机执行器故障诊断方法,其特征在于:所述步骤(2)的具体步骤为:
(2.1)对采集到的原始信号s1(t)归一化处理,得到s2(t)为:
s2(t)=[s1(t)-mean(s1(t))]/σ
其中,t是时间变量,σ是信号的标准差;
(2.2)在归一化处理得到的信号的基础上加入白噪声得到信号s3(t):
s3(t)=s2(t)+w(t)
其中,w(t)是白噪声信号;
(2.3)找出信号s3(t)的所有局部极值,将极大值点连接起来,利用三次样条插值形成上包络序列m1(t),将所有极小值点连接起来,同样的方法形成下包络序列m2(t),求得两条包络线的平均值,即
m(t)=[m1(t)+m2(t)]/2
(2.4)将信号s3(t)减去m(t),得到新序列h(t);
(2.5)检测新序列h(t)如果满足固有模态函数条件,则将其作为一个固有模态函数,若不满足,则重复步骤(2.3)和(2.4);
(2.6)剩余时间序列如果还有两个以上极值,则重复步骤(2.3)-(2.5),否则下执行步骤(2.7);
(2.7)保存本次循环得到的各固有模态函数,重复步还骤(2.2)-(2.6)多次。
5.根据权利要求1所述的基于AdaBoost-ASVM算法的飞机执行器故障诊断方法,其特征在于:所述步骤(4)中,将样本的多维时域特征构建为二维特征矩阵,每一行表示一个样本的特征向量,每一列表示同一个特征在不同样本上的值;对特征矩阵进行主成分分析时,提取包含故障信息的特征。
6.根据权利要求1所述的基于AdaBoost-ASVM算法的飞机执行器故障诊断方法,其特征在于:所述步骤(5)中,提取累计贡献率已经超过85%的前几个特征构成样本的特征矢量。
7.根据权利要求1所述的基于AdaBoost-ASVM算法的飞机执行器故障诊断方法,其特征在于:所述步骤(7)包括以下步骤:
(7.1)输入训练样本集T={(x1,y1),(x2,y2),...,(xN,yN)}和迭代次数M,其中yi∈Y={c1,c2,...cp},xi和yi分别表示第i个训练样本的输入和输出,X和Y分别表示训练样本集合的输入和输出,Rn表示n维实数向量,cp表示故障类型;
(7.3)对于每次迭代m=1,2,...,M:
(7.3.1)在样本权重分布为Dm的训练数据下,建立ASVM基分类器Gm(x):
Gm(x):x→{class1,class2,...,classk}
当classi=1时,表示将训练样本识别为第i类状态,有且只有一个识别状态;
(7.3.2)计算弱分类器Gm在训练数据上的错误分类率εm:
(7.3.3)计算弱分类器Gm在强分类器中占据的权重βm:
(7.3.4)更新训练样本集的权值并归一化,使样本集的概率分布和为1:
(7.4)各弱分类器通过其权值的线性组合得到最终的强分类器F:
其中ek为单位矩阵的第k列向量。
8.根据权利要求7所述的基于AdaBoost-ASVM算法的飞机执行器故障诊断方法,其特征在于:所述步骤(7.3.1)中,ASVM基分类器的参数σ自适应更新包括以下步骤:
(7.3.1.1)初始化核函数参数C和σ;
(7.3.1.2)各类样本均匀随机重采样并归一化;
(7.3.1.3)计算支持向量到分隔平面的平均几何间隔d;
(7.3.1.4)如果SVM分类正确率小于70%,将参数σ调整为σ-|d|,如果正确率大于95%,将参数σ调整为σ+|d|,否则不改变σ。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911314392.8A CN111006860B (zh) | 2019-12-19 | 2019-12-19 | 一种基于AdaBoost-ASVM算法的飞机执行器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911314392.8A CN111006860B (zh) | 2019-12-19 | 2019-12-19 | 一种基于AdaBoost-ASVM算法的飞机执行器故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111006860A true CN111006860A (zh) | 2020-04-14 |
CN111006860B CN111006860B (zh) | 2021-02-26 |
Family
ID=70116417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911314392.8A Expired - Fee Related CN111006860B (zh) | 2019-12-19 | 2019-12-19 | 一种基于AdaBoost-ASVM算法的飞机执行器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111006860B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111907730A (zh) * | 2020-07-31 | 2020-11-10 | 西安电子科技大学 | 一种实时在线的无人机多故障异常检测方法及设备 |
CN112633361A (zh) * | 2020-12-20 | 2021-04-09 | 中国人民解放军空军预警学院 | 一种基于lstm神经网络的飞行紧急事件预测方法及装置 |
CN112948924A (zh) * | 2021-02-06 | 2021-06-11 | 合肥工业大学 | 基于覆岩结构的近松散层开采导水裂隙带高度确定方法 |
CN113218667A (zh) * | 2021-04-06 | 2021-08-06 | 南京航空航天大学 | 一种超磁致伸缩线控制动***故障诊断装置及方法 |
CN116933170A (zh) * | 2023-09-18 | 2023-10-24 | 福建福清核电有限公司 | 一种机械密封故障分类算法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102147866A (zh) * | 2011-04-20 | 2011-08-10 | 上海交通大学 | 基于训练自适应增强和支持矢量机的目标识别方法 |
US20120328199A1 (en) * | 2011-06-24 | 2012-12-27 | Lg Innotek Co., Ltd. | Method for detecting facial features |
CN103544296A (zh) * | 2013-10-22 | 2014-01-29 | 中国人民解放军海军航空工程学院 | 雷达距离扩展目标自适应智能融合检测方法 |
CN104751182A (zh) * | 2015-04-02 | 2015-07-01 | 中国人民解放军空军工程大学 | 基于ddag的svm多类分类主动学习算法 |
CN106338406A (zh) * | 2016-10-19 | 2017-01-18 | 北京交通大学 | 列车牵引电传动***的在线监测与故障预警***及方法 |
CN107316046A (zh) * | 2017-03-09 | 2017-11-03 | 河北工业大学 | 一种基于增量补偿动态自适应增强的故障诊断方法 |
CN107830996A (zh) * | 2017-10-10 | 2018-03-23 | 南京航空航天大学 | 一种飞行器舵面***故障诊断方法 |
CN110132598A (zh) * | 2019-05-13 | 2019-08-16 | 中国矿业大学 | 旋转设备滚动轴承故障噪声诊断算法 |
-
2019
- 2019-12-19 CN CN201911314392.8A patent/CN111006860B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102147866A (zh) * | 2011-04-20 | 2011-08-10 | 上海交通大学 | 基于训练自适应增强和支持矢量机的目标识别方法 |
US20120328199A1 (en) * | 2011-06-24 | 2012-12-27 | Lg Innotek Co., Ltd. | Method for detecting facial features |
CN103544296A (zh) * | 2013-10-22 | 2014-01-29 | 中国人民解放军海军航空工程学院 | 雷达距离扩展目标自适应智能融合检测方法 |
CN104751182A (zh) * | 2015-04-02 | 2015-07-01 | 中国人民解放军空军工程大学 | 基于ddag的svm多类分类主动学习算法 |
CN106338406A (zh) * | 2016-10-19 | 2017-01-18 | 北京交通大学 | 列车牵引电传动***的在线监测与故障预警***及方法 |
CN107316046A (zh) * | 2017-03-09 | 2017-11-03 | 河北工业大学 | 一种基于增量补偿动态自适应增强的故障诊断方法 |
CN107830996A (zh) * | 2017-10-10 | 2018-03-23 | 南京航空航天大学 | 一种飞行器舵面***故障诊断方法 |
CN110132598A (zh) * | 2019-05-13 | 2019-08-16 | 中国矿业大学 | 旋转设备滚动轴承故障噪声诊断算法 |
Non-Patent Citations (2)
Title |
---|
SHAOJIE ZHANG: "An anti-windup INDI fault-tolerant control scheme for flying wing aircraft with actuator faults", 《ISA TRANSACTIONS》 * |
王晓丹: "一种基于AdaBoost的SVM 分类器", 《空军工程大学学报(自然科学版)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111907730A (zh) * | 2020-07-31 | 2020-11-10 | 西安电子科技大学 | 一种实时在线的无人机多故障异常检测方法及设备 |
CN112633361A (zh) * | 2020-12-20 | 2021-04-09 | 中国人民解放军空军预警学院 | 一种基于lstm神经网络的飞行紧急事件预测方法及装置 |
CN112948924A (zh) * | 2021-02-06 | 2021-06-11 | 合肥工业大学 | 基于覆岩结构的近松散层开采导水裂隙带高度确定方法 |
CN113218667A (zh) * | 2021-04-06 | 2021-08-06 | 南京航空航天大学 | 一种超磁致伸缩线控制动***故障诊断装置及方法 |
CN116933170A (zh) * | 2023-09-18 | 2023-10-24 | 福建福清核电有限公司 | 一种机械密封故障分类算法 |
CN116933170B (zh) * | 2023-09-18 | 2024-01-02 | 福建福清核电有限公司 | 一种机械密封故障分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111006860B (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111006860B (zh) | 一种基于AdaBoost-ASVM算法的飞机执行器故障诊断方法 | |
WO2023044978A1 (zh) | 基于对抗流模型的机械设备无监督故障诊断方法 | |
CN110132598B (zh) | 旋转设备滚动轴承故障噪声诊断算法 | |
CN110006649B (zh) | 一种基于改进蚁狮算法和支持向量机的轴承故障诊断方法 | |
CN109116834B (zh) | 一种基于深度学习的间歇过程故障检测方法 | |
Kang | Machine learning: Anomaly detection | |
Yu et al. | Stacked denoising autoencoder‐based feature learning for out‐of‐control source recognition in multivariate manufacturing process | |
CN111340110B (zh) | 一种基于工业过程运行状态趋势分析的故障预警方法 | |
CN112800682A (zh) | 一种反馈寻优的风机叶片故障监测方法 | |
CN110991471B (zh) | 一种高速列车牵引***故障诊断方法 | |
CN111680875A (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
Tang et al. | Review and perspectives of machine learning methods for wind turbine fault diagnosis | |
CN113705396A (zh) | 一种电机故障诊断方法、***及设备 | |
CN113447771A (zh) | 一种基于sift-lda特征的局部放电模式识别方法 | |
CN116756594A (zh) | 一种电网数据异常点检测方法、***、设备及介质 | |
CN114897138A (zh) | 基于注意力机制和深度残差网络的***故障诊断方法 | |
CN114443338A (zh) | 面向稀疏负样本的异常检测方法、模型构建方法及装置 | |
Li et al. | A lightweight and explainable data-driven scheme for fault detection of aerospace sensors | |
CN112559741B (zh) | 核电设备缺陷记录文本分类方法、***、介质及电子设备 | |
CN108898157B (zh) | 基于卷积神经网络的数值型数据的雷达图表示的分类方法 | |
CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及*** | |
CN113469082B (zh) | 一种基于迁移成分分析的卫星执行器故障检测方法 | |
You et al. | Heavy landing detection and prediction based on qar data | |
Yang et al. | Convolutional autoencoder-based sensor fault classification | |
Song et al. | Unsupervised learning of stationary and switching dynamical system models from Poisson observations |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210226 Termination date: 20211219 |
|
CF01 | Termination of patent right due to non-payment of annual fee |