CN111104971A - 一种基于概率统计和支持向量机的发动机参数检测方法 - Google Patents

一种基于概率统计和支持向量机的发动机参数检测方法 Download PDF

Info

Publication number
CN111104971A
CN111104971A CN201911232338.9A CN201911232338A CN111104971A CN 111104971 A CN111104971 A CN 111104971A CN 201911232338 A CN201911232338 A CN 201911232338A CN 111104971 A CN111104971 A CN 111104971A
Authority
CN
China
Prior art keywords
engine
parameters
support vector
vector machine
probability
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
Application number
CN201911232338.9A
Other languages
English (en)
Other versions
CN111104971B (zh
Inventor
许政�
封桂荣
李萌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Chaoyue CNC Electronics Co Ltd
Original Assignee
Shandong Chaoyue CNC Electronics Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Chaoyue CNC Electronics Co Ltd filed Critical Shandong Chaoyue CNC Electronics Co Ltd
Priority to CN201911232338.9A priority Critical patent/CN111104971B/zh
Publication of CN111104971A publication Critical patent/CN111104971A/zh
Application granted granted Critical
Publication of CN111104971B publication Critical patent/CN111104971B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/006—Indicating maintenance
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种发动机参数检测方法，其特征在于，包括：获取飞机多个架次的若干发动机参数；获取单个架次的每一种发动机参数构成的时序数据集；通过基于概率统计模型的异常检测算法对每个时序数据集的发动机参数进行异常检测，计算出每个单个架次发动机参数的平均值、标准差和概率统计模型参数；对于每个发动机参数，通过计算出的多组平均值、标准差和概率统计模型参数构建支持向量机分类模型；计算出新架次的发动机参数的平均值和标准差，通过支持向量机模型预测相应的概率统计模型参数，概率统计模型参数通过基于概率统计模型的异常检测算法得出新架次飞机发动机的概率统计模型参数中的异常数据。本发明可有效预测飞机发动机的健康状况。

Description

一种基于概率统计和支持向量机的发动机参数检测方法
技术领域
本发明涉及属于计算机技术领域，尤其涉及军用飞行大数据机务外场自主保障信息支持***的一种基于概率统计和支持向量机的飞机发动机参数异常检测方法。
背景技术
从上世纪90年代至今，航空装备技术飞速发展，尤其是在军事战略的调整以及航空装备作战使用样式发生变化的大环境下，飞机地面保障的要求越来越高，而保障飞机发动机在其中是最为根本的因素。军事科技的飞速发展对飞行发动机的保障以及异常检测提出了更高的要求。但是在长期的发展中，飞机发动机的保障技术总是落后于其他航天装备的技术。原有的飞机发动机保障体系在新装备条件下面临巨大的挑战，而对其保障的不到位，会大大降低军用飞机的战备完好率。
飞机发动机的异常检测缺乏量化分析，且在实际使用及维护过程中积累的经验和数据没能与设计数据很好地结合分析，造成理论与实际的脱离。飞机发动机发生异常时没有预警机制，机务外场设备维护人员对配备的飞机发动机，难以做到心中有数，预见性不足，导致飞机发动机的完好率下降。
当飞机发动机在发生异常后，机务外场维护人员也很难针对故障现象及可靠性数据、指标数据等的综合分析，进行明确的异常检测，从而很难找到最优的异常检测方法。这使得飞机发动机维修成本增大，同时故障发动机也得不到良好的维护，导致资源的浪费。
飞行发动机的异常检测是预测飞机发动机健康状态的基础，它时刻影响着军用飞机的作战效率和维修保障效率，因此其在整个部队中的作用极为重要，所以，在大力发展航空装备的同时，如何为飞机发动机提供准确的异常检测也是地面保障领域中亟待解决的技术问题。
发明内容
为了克服上述现有技术中的不足，本发明提供一种应用于机务外场自主保障信息支持***的基于概率统计和支持向量机的飞机发动机参数异常检测方法，可有效对飞机发动机参数中的异常数据进行检测。
基于上述目的，本发明实施例提供了一种基于概率统计和支持向量机的发动机参数检测方法，包括如下步骤：
获取飞机多个架次的若干发动机参数；
获取单个架次的每一种发动机参数构成的时序数据集；
通过基于概率统计模型的异常检测算法对每个时序数据集的发动机参数进行异常检测，计算出每个单个架次发动机参数的平均值、标准差和概率统计模型参数；
对于每个发动机参数，通过计算出的多组平均值、标准差和概率统计模型参数构建支持向量机分类模型；
计算出新架次的发动机参数的平均值和标准差，通过支持向量机模型预测对应的概率统计模型参数，概率统计模型参数通过基于概率统计模型的异常检测算法得出新架次飞机发动机的概率统计模型参数中的异常数据。
根据本发明的基于概率统计和支持向量机的发动机参数检测方法的实施例，若干发动机参数包括：低压涡轮后燃气总温T4、振动值B、发动机低压转子转速N1、发动机高压转子转速N2、油门位置Alfa_PYD、低压进口叶片转角Alfa_1、高压进口叶片转角Alfa_2、喷口鱼鳞片位置Dpc、发动机进口空气总温T1、滑油进口压力Pm、占空比S1、占空比S8和APII-39二次电源接通V2。
根据本发明的基于概率统计和支持向量机的发动机参数检测方法的实施例，获取飞机多个架次的若干发动机参数还包括：
对获取的若干发动机参数进行预处理。
根据本发明的基于概率统计和支持向量机的发动机参数检测方法的实施例，预处理包括数据去噪、缺失数据填补和归一化处理。
根据本发明的基于概率统计和支持向量机的发动机参数检测方法的实施例，归一化处理将若干发动机参数的数据设置在0到1之间且包括0和1。
根据本发明的基于概率统计和支持向量机的发动机参数检测方法的实施例，通过基于概率统计模型的异常检测算法对每个时序数据集的发动机参数进行异常检测，计算出每个单个架次发动机参数的平均值、标准差和概率统计模型参数还包括：
通过切比雪夫不等式构建基于概率统计的异常检测模型。
根据本发明的基于概率统计和支持向量机的发动机参数检测方法的实施例，通过切比雪夫不等式对单个架次的每个发送机参数构建的时序数据集进行基于概率统计的异常检测。
根据本发明的基于概率统计和支持向量机的发动机参数检测方法的实施例，通过基于概率统计模型的异常检测算法对每个时序数据集的发动机参数进行异常检测，计算出每个单个架次发动机参数的平均值、标准差和概率统计模型参数还包括：
通过人工调节发动机参数，优化基于概率统计模型的异常检测模型。
根据本发明的基于概率统计和支持向量机的发动机参数检测方法的实施例，通过计算出的多组平均值、标准差和概率统计模型参数构建支持向量机分类模型包括：通过同一个发动机参数的多组平均值和标准差提供训练数据的属性，通过概率统计模型参数提供训练数据的标签。
根据本发明的基于概率统计和支持向量机的发动机参数检测方法的实施例，还包括：通过支持向量机中的LinearSVC算法对发动机参数的多架次的平均值、标准差以及概率统计模型参数进行训练。
本发明具有至少以下有益技术效果：本发明采用概率统计和支持向量机模型相结合的方式对飞机发动机参数进行异常检测，可有效预测飞机发动机的健康状况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施例。
图1为本发明基于概率统计和支持向量机的发动机参数检测方法实施的步骤框图；
图2为本发明基于概率统计和支持向量机的发动机参数检测方法的实施例的单个架次飞机发动机参数信息图表；
图3为本发明基于概率统计和支持向量机的发动机参数检测方法的实施例的检测数据图表。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将运用具体的实施例及附图，对本发明保护的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本专利中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利保护的范围。
图1示出的是本发明基于概率统计和支持向量机的发动机参数检测方法实施的步骤框图。
根据本发明的一些实施例具体包括以下步骤：
S100、获取飞机多个架次的若干发动机参数；
S200、获取单个架次的每一种发动机参数构成的时序数据集；
S300、通过基于概率统计模型的异常检测算法对每个时序数据集的发动机参数进行异常检测，计算出每个单个架次发动机参数的平均值、标准差和概率统计模型参数；
S400、对于每个发动机参数，通过计算出的多组平均值、标准差和概率统计模型参数构建支持向量机分类模型；
S500、计算出新架次的发动机参数的平均值和标准差，通过支持向量机模型预测对应的概率统计模型参数，概率统计模型参数通过基于概率统计模型的异常检测算法得出新架次飞机发动机的概率统计模型参数中的异常数据。
在本发明的一些事实例中，本发明的基于RBF神经网络的航空发动机过振的自动识别方法实施的具体步骤如下：获取飞机多个架次的N种发动机参数所组成的数据集；根据单个架次的每一种飞机发动机参数构建时序数据集；根据基于概率统计模型的异常检测算法，对单个架次构建的时序数据集中的某一种飞机发动机参数进行异常检测，通过人工调节参数k，优化异常检测算法，同时计算出单个架次某一种飞机发动机参数的平均值μ和标准差σ；对于飞机多个架次的所有发动机参数进行基于概率统计模型的异常检测，获得多组平均值μ、标准差σ和概率统计模型的参数k；对于新架次的某一种飞机发动机参数，计算出其平均值和标准差，利用构建好的支持向量机模型来预测参数k，然后利用计算出的参数k进行基于概率统计模型的异常检测算法，得出了新架次飞机发动机参数中的异常数据。
根据本发明的基于概率统计和支持向量机的发动机参数检测方法的实施例，若干发动机参数包括：低压涡轮后燃气总温T4、振动值B、发动机低压转子转速N1、发动机高压转子转速N2、油门位置Alfa_PYD、低压进口叶片转角Alfa_1、高压进口叶片转角Alfa_2、喷口鱼鳞片位置Dpc、发动机进口空气总温T1、滑油进口压力Pm、占空比S1、占空比S8和APII-39二次电源接通V2。在本发明的实施例中，上述发动机参数均可能出现异常数据，从而影响飞机发动机的健康状况。
根据本发明的基于概率统计和支持向量机的发动机参数检测方法的实施例，获取飞机多个架次的若干发动机参数还包括：
对获取的若干发动机参数进行预处理。
在本发明的一些实施例中，需要在主要的处理以前对数据进行一些处理，以提高数据的质量。
根据本发明的基于概率统计和支持向量机的发动机参数检测方法的实施例，预处理包括数据去噪、缺失数据填补和归一化处理。
在本发明的一些实施例中，先对所采集的时序数据集进行数据去噪和缺失数据填补后，再进行归一后处理。其中，可采用中值滤波的方法进行数据去噪，采用插值方法进行缺失数据填补。图2示出的是本发明基于概率统计和支持向量机的发动机参数检测方法的实施例的单个架次飞机发动机参数信息图表，首先对飞机单个架次的一种发动机参数数据进行提取，构建时序数据。然后再对N种发动机参数依次进行提取，组成时序数据集。如图2所示，给出了单个架次飞机发动机参数明细信息。
根据本发明的基于概率统计和支持向量机的发动机参数检测方法的实施例，归一化处理将若干发动机参数的数据设置在0到1之间且包括0和1。
对所采集的数据集进行归一化处理的目的主要是将所有需要计算的数据都缩小到0-1之间，有效地简化计算，节约计算资源。
根据本发明的基于概率统计和支持向量机的发动机参数检测方法的实施例，通过基于概率统计模型的异常检测算法对每个时序数据集的发动机参数进行异常检测，计算出每个单个架次发动机参数的平均值、标准差和概率统计模型参数还包括：
通过切比雪夫不等式构建基于概率统计的异常检测模型。
在本发明的一些实施例中，利用切比雪夫不等式，可以实现基于概率统计的异常检测模型，而且切比雪夫不等式适用于服从任何分布的数据。切比雪夫不等式如下公式。
Figure BDA0002303908770000071
根据本发明的基于概率统计和支持向量机的发动机参数检测方法的实施例，通过切比雪夫不等式对单个架次的每个发送机参数构建的时序数据集进行基于概率统计的异常检测。
对单个架次的每一种发动机参数构建的时序数据集进行基于概率统计的异常检测。例如图2数据样本的某一个属性T4所在的那一列数据表示为X，μ和σ2表示为X的总体均值和总体方差，k(k＝1,2,3,...,10)表示偏离系数。总体均值μ可以使用样本均值来估计：
Figure BDA0002303908770000072
总体方差σ2可以用样本方差来估计：
Figure BDA0002303908770000073
根据本发明的基于概率统计和支持向量机的发动机参数检测方法的实施例，通过基于概率统计模型的异常检测算法对每个时序数据集的发动机参数进行异常检测，计算出每个单个架次发动机参数的平均值、标准差和概率统计模型参数还包括：
通过人工调节发动机参数，优化基于概率统计模型的异常检测模型。
本发明实施例中，对于飞机发动机的某一种参数，选择不同的k，会得出不同的异常点集合。在训练过程中，通过不断地调整参数k，飞参专家结合得到的异常点集合选出最优参数k。
根据本发明的基于概率统计和支持向量机的发动机参数检测方法的实施例，通过计算出的多组平均值、标准差和概率统计模型参数构建支持向量机分类模型包括：通过同一个发动机参数的多组平均值和标准差提供训练数据的属性，通过概率统计模型参数提供训练数据的标签。
本发明实施例中，我们使用样本均值和样本标准差来估计μ和σ。
根据本发明的基于概率统计和支持向量机的发动机参数检测方法的实施例，还包括：通过支持向量机中的LinearSVC算法对发动机参数的多架次的平均值、标准差以及概率统计模型参数进行训练。
图3示出了本发明基于概率统计和支持向量机的发动机参数检测方法的实施例的检测数据图表。本发明实施例中，对于飞机发动机的某一种参数，例如图2中的T4，通过对多个架次的发动机数据集进行基于概率统计的异常检测，可以计算出多组参数k。同时也会得到多组的平均值μ、标准差σ，如图3所示。本发明实施例中，采用支持向量机中的LinearSVC算法对某一种飞机发动机参数(例如T4)的多架次的平均值μ、标准差σ以及参数k进行训练。其中LinearSVC算法中的几个重要参数：误差惩罚参数C＝1.0，最小容差tolerance＝1e-5。然后对发动机的其他参数B、N1、N2、Alfa_PYD、Alfa_1、Alfa_2、Dpc、T1、Pm、S1、S8、APII-39和V2，进行支持向量机模型的训练，得到相应的支持向量机分类模型。
在本发明的一些实施例中，对于新架次的某一种飞机发动机参数，通过计算样本均值和样本标准差来估计μ和σ。根据估计得到的μ和σ，以及训练好的支持向量机分类模型，来预测基于概率统计的异常检测模型中需要的参数k。根据计算得到的μ和σ和计算得到的k，对飞机发动机参数进行异常检测，得到新架次飞机发动机参数中的异常数据。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于概率统计和支持向量机的发动机参数检测方法，其特征在于，包括以下步骤：
获取飞机多个架次的若干发动机参数；
获取单个架次的每一种所述发动机参数构成的时序数据集；
通过基于概率统计模型的异常检测算法对每个所述时序数据集的所述发动机参数进行异常检测，计算出每个单个架次所述发动机参数的平均值、标准差和概率统计模型参数；
对于每个所述发动机参数，通过计算出的多组所述平均值、所述标准差和所述概率统计模型参数构建支持向量机分类模型；
计算出新架次的所述发动机参数的所述平均值和所述标准差，通过所述支持向量机模型预测对应的所述概率统计模型参数，所述概率统计模型参数通过所述基于概率统计模型的异常检测算法得出所述新架次飞机发动机的所述概率统计模型参数中的异常数据。
2.根据权利要求1所述的基于概率统计和支持向量机的发动机参数检测方法，其特征在于，所述若干发动机参数包括：低压涡轮后燃气总温T4、振动值B、发动机低压转子转速N1、发动机高压转子转速N2、油门位置Alfa_PYD、低压进口叶片转角Alfa_1、高压进口叶片转角Alfa_2、喷口鱼鳞片位置Dpc、发动机进口空气总温T1、滑油进口压力Pm、占空比S1、占空比S8和APII-39二次电源接通V2。
3.根据权利要求1所述的基于概率统计和支持向量机的发动机参数检测方法，其特征在于，所述获取飞机多个架次的若干发动机参数还包括：
对获取的若干所述发动机参数进行预处理。
4.根据权利要求3所述的基于概率统计和支持向量机的发动机参数检测方法，其特征在于，所述预处理包括数据去噪、缺失数据填补和归一化处理。
5.根据权利要求4所述的基于概率统计和支持向量机的发动机参数检测方法，其特征在于，所述归一化处理将若干所述发动机参数的数据设置在0到1之间且包括0和1。
6.根据权利要求1所述的基于概率统计和支持向量机的发动机参数检测方法，其特征在于，通过基于概率统计模型的异常检测算法对每个所述时序数据集的所述发动机参数进行异常检测，计算出每个单个架次所述发动机参数的平均值、标准差和概率统计模型参数还包括：
通过切比雪夫不等式构建所述基于概率统计的异常检测模型。
7.根据权利要求6所述的基于概率统计和支持向量机的发动机参数检测方法，其特征在于，通过所述切比雪夫不等式对单个架次的每个所述发送机参数构建的所述时序数据集进行基于概率统计的异常检测。
8.根据权利要求1所述的基于概率统计和支持向量机的发动机参数检测方法，其特征在于，通过基于概率统计模型的异常检测算法对每个所述时序数据集的所述发动机参数进行异常检测，计算出每个单个架次所述发动机参数的平均值、标准差和概率统计模型参数还包括：
通过人工调节所述发动机参数，优化所述基于概率统计模型的异常检测模型。
9.根据权利要求1所述的基于概率统计和支持向量机的发动机参数检测方法，其特征在于，通过计算出的多组所述平均值、所述标准差和所述概率统计模型参数构建支持向量机分类模型包括：通过同一个所述发动机参数的多组所述平均值和所述标准差提供训练数据的属性，通过所述概率统计模型参数提供所述训练数据的标签。
10.根据权利要求1所述的基于概率统计和支持向量机的发动机参数检测方法，其特征在于，还包括：通过所述支持向量机中的LinearSVC算法对所述发动机参数的多架次的所述平均值、所述标准差以及所述概率统计模型参数进行训练。
CN201911232338.9A 2019-12-05 2019-12-05 一种基于概率统计和支持向量机的发动机参数检测方法 Active CN111104971B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911232338.9A CN111104971B (zh) 2019-12-05 2019-12-05 一种基于概率统计和支持向量机的发动机参数检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911232338.9A CN111104971B (zh) 2019-12-05 2019-12-05 一种基于概率统计和支持向量机的发动机参数检测方法

Publications (2)

Publication Number Publication Date
CN111104971A true CN111104971A (zh) 2020-05-05
CN111104971B CN111104971B (zh) 2023-07-07

Family

ID=70422011

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911232338.9A Active CN111104971B (zh) 2019-12-05 2019-12-05 一种基于概率统计和支持向量机的发动机参数检测方法

Country Status (1)

Country Link
CN (1) CN111104971B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107463938A (zh) * 2017-06-26 2017-12-12 南京航空航天大学 一种基于间隔校正支持向量机的航空发动机气路部件故障检测方法
US20180012136A1 (en) * 2016-07-06 2018-01-11 Yvonne French Prioritization of electronic communications
CN110321603A (zh) * 2019-06-18 2019-10-11 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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180012136A1 (en) * 2016-07-06 2018-01-11 Yvonne French Prioritization of electronic communications
CN107463938A (zh) * 2017-06-26 2017-12-12 南京航空航天大学 一种基于间隔校正支持向量机的航空发动机气路部件故障检测方法
CN110321603A (zh) * 2019-06-18 2019-10-11 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李培现;谭志祥;闫丽丽;邓喀中;: "基于支持向量机的概率积分法参数计算方法" *

Also Published As

Publication number Publication date
CN111104971B (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
US11740619B2 (en) Malfunction early-warning method for production logistics delivery equipment
CN107941537B (zh) 一种机械设备健康状态评估方法
Al-Dahidi et al. Remaining useful life estimation in heterogeneous fleets working under variable operating conditions
CN105279365B (zh) 用于学习异常检测的样本的方法
CN110987439B (zh) 一种基于Logistics回归和Xgboost模型的航空发动机故障预测方法
CN114282579A (zh) 基于变分模态分解和残差网络的航空轴承故障诊断方法
EP3105644B1 (en) Method of identifying anomalies
CN111241694B (zh) 一种基于大数据处理的飞机机群健康评估方法，设备及可读存储介质
Wang et al. Research on the fault monitoring method of marine diesel engines based on the manifold learning and isolation forest
CN109543210A (zh) 一种基于机器学***台的风电机组故障预测***
US20130073260A1 (en) Method for anomaly detection/diagnosis, system for anomaly detection/diagnosis, and program for anomaly detection/diagnosis
Xia et al. Residual-hypergraph convolution network: A model-based and data-driven integrated approach for fault diagnosis in complex equipment
CN111125841A (zh) 飞机发动机的健康评估方法、计算机设备和存储介质
CN111815056A (zh) 基于飞参数据的机务外场飞机燃油***故障预测方法
WO2018169722A1 (en) Fatigue crack growth prediction
CN113221282A (zh) 基于贝叶斯残差卷积网络的航空发动机寿命预测方法
CN112905671A (zh) 时间序列异常处理方法、装置、电子设备及存储介质
CN113569462A (zh) 一种计及天气因素的配电网故障等级预测方法及***
CN110705693A (zh) 一种无人机异常行为识别模块及其识别方法
CN113313365A (zh) 一种一次风机的劣化预警方法及设备
Bond et al. A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data
CN111104971A (zh) 一种基于概率统计和支持向量机的发动机参数检测方法
Burnaev Rare failure prediction via event matching for aerospace applications
CN116521406A (zh) 一种基于残差门gru-vae模型的航空发动机未超限飞参数据异常检测方法
CN110657031B (zh) 飞机发动机喘振识别方法

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
CB02 Change of applicant information

Address after: 250104 No. 2877 Kehang Road, Sun Village Town, Jinan High-tech Zone, Shandong Province

Applicant after: Chaoyue Technology Co.,Ltd.

Address before: 250104 No. 2877 Kehang Road, Sun Village Town, Jinan High-tech Zone, Shandong Province

Applicant before: SHANDONG CHAOYUE DATA CONTROL ELECTRONICS Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant