CN112149746A - 起落架剩余使用次数模型训练方法、装置及计算机设备 - Google Patents
起落架剩余使用次数模型训练方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN112149746A CN112149746A CN202011033029.1A CN202011033029A CN112149746A CN 112149746 A CN112149746 A CN 112149746A CN 202011033029 A CN202011033029 A CN 202011033029A CN 112149746 A CN112149746 A CN 112149746A
- Authority
- CN
- China
- Prior art keywords
- sample
- degradation rate
- undercarriage
- feature
- landing gear
- 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
- 238000012549 training Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000015556 catabolic process Effects 0.000 claims abstract description 154
- 238000006731 degradation reaction Methods 0.000 claims abstract description 154
- 239000013598 vector Substances 0.000 claims abstract description 36
- 238000004590 computer program Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000010720 hydraulic oil Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种起落架剩余使用次数模型训练方法、装置、计算机设备及存储介质,涉及起落架收放技术领域,用于对飞机起落架的剩余使用次数进行预测。本发明的主要技术方案为:获取飞机起落架收起或放下时间的时间序列历史样本数据;从所述历史样本中提取所述起落架的样本长度特征、样本退化率特征、样本差分退化率特征和样本相对退化率特征,以及所述起落架的样本剩余使用次数;将所述起落架的样本长度特征、样本退化率特征、样本差分退化率特征和样本相对退化率特征组成特征向量,及所述起落架的剩余使用次数确定为标签;根据所述特征向量和所述标签进行模型训练,得到起落架剩余使用次数模型。
Description
技术领域
本发明涉及起落架收放技术领域,尤其涉及一种起落架剩余使用次数模型训练方法、装置、计算机设备及存储介质。
背景技术
飞机起落架***为飞机起飞、着陆、滑行和地面停放提供支撑,起落架收放***的工作性能直接影响到飞机起飞、着陆性能与飞行安全。飞机起落架一般以液压***为正常收放的动力源,液压能源***输出一定压力的液压油,通过选择阀的收起或放下通道流向起落架收放***的收起或放下回路,驱动收放***中各个锁作动筒及收放作动筒运动,完成起落架的收放动作。
液压油的粘度及含气量、液压泵泄露、作动筒泄露、电磁换向阀开口不足、油滤堵塞等常发故障都会影响起落架收放***的工作性能,导致起落架收放过程缓慢,收放时间延长。由于液压***常见故障均为缓变故障,对于起落架所剩余的正常使用次数也各不相同,因此目前亟需一种可对飞机起落架剩余的使用次数进行预测的方法,以便于机务人员根据飞机起落架使用次数制订维护计划,避免起落架收放***的“过维修”和“欠维修”。
发明内容
本发明提供一种起落架剩余使用次数模型训练方法、装置、计算机设备及存储介质,用于对飞机起落架的剩余使用次数进行预测,以便于机务人员根据飞机起落架剩余使用次数制订维护计划,避免“过维修”和“欠维修”,提高经济性和安全性。
本发明实施例提供一种起落架剩余使用次数模型训练方法,所述方法包括:
获取飞机起落架收起或放下时间的时间序列历史样本数据;所述时间序列历史样本数据中包括m个历史样本{S1,S2,...,Sm},每个所述历史样本为起落架收起或放下时间的单调递增序列;
从所述历史样本中提取所述起落架的样本长度特征、样本退化率特征、样本差分退化率特征和样本相对退化率特征,以及所述起落架的样本剩余使用次数;
将所述起落架的样本长度特征、样本退化率特征、样本差分退化率特征和样本相对退化率特征组成特征向量,及所述起落架的剩余使用次数确定为标签;
根据所述特征向量和所述标签进行模型训练,得到起落架剩余使用次数模型。
本发明实施例提供一种起落架剩余使用次数模型训练装置,所述装置包括:
获取模块,用于获取飞机起落架收起或放下时间的时间序列历史样本数据;所述时间序列历史样本数据中包括m个历史样本{S1,S2,…,Sm},每个所述历史样本为起落架收起或放下时间的单调递增序列;
提取模块,用于从所述历史样本中提取所述起落架的样本长度特征、样本退化率特征、样本差分退化率特征和样本相对退化率特征,以及所述起落架的样本剩余使用次数;
确定模块,用于将所述起落架的样本长度特征、样本退化率特征、样本差分退化率特征和样本相对退化率特征组成特征向量,及所述起落架的剩余使用次数确定为标签;
训练模块,用于根据所述特征向量和所述标签进行模型训练,得到起落架剩余使用次数模型。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述起落架剩余使用次数模型训练方法。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述起落架剩余使用次数模型训练方法。
本发明提供的一种起落架剩余使用次数模型训练方法、装置、计算机设备及存储介质,首先获取飞机起落架收起或放下时间的时间序列历史样本数据;然后从历史样本中提取起落架的样本长度特征、样本退化率特征、样本差分退化率特征和样本相对退化率特征,以及起落架的样本剩余使用次数;将起落架的样本长度特征、样本退化率特征、样本差分退化率特征和样本相对退化率特征组成特征向量,及起落架的剩余使用次数确定为标签;最后根据特征向量和所述标签进行模型训练,得到起落架剩余使用次数模型。本发明根据从时间序列历史样本数据中提取的多阶变化率特征对模型进行训练,即根据提取的起落架的样本长度特征、样本退化率特征、样本差分退化率特征和样本相对退化率特征,以及起落架的样本剩余使用次数进行模型训练得到起落架剩余使用次数模型,通过该模型可以预测飞机起落架的剩余使用次数,从而实现了对飞机起落架的剩余使用次数的预测,以便于机务人员根据飞机起落架剩余使用次数制订维护计划,避免“过维修”和“欠维修”。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中起落架剩余使用次数模型训练方法的流程图;
图2是本发明一实施例中起落架剩余使用次数模型训练方法的一流程图;
图3是本发明一实施例中起落架剩余使用次数预测方法的流程图;
图4-图6是本发明一实施例中以民机为例的应用场景的示意图;
图7是本发明一实施例中起落架剩余使用次数模型训练装置的原理框图;
图8是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
如图1所示,本发明实施例提供一种起落架剩余使用次数模型训练方法,包括如下步骤:
S10,获取飞机起落架收起或放下时间的时间序列历史样本数据。
其中,时间序列历史样本数据中包括m个历史样本{S1,S2,...,Sm},每个历史样本{S1,S2,...,Sm}中包含的是起落架收起或放下时间的单调递增序列,此处以放下过程举例。第k个历史样本记为x1代表起落架第一次放下所需要的时间,x2代表起落架第二次放下所需要的时间,历史样本{x1,x2,...,xm}中包含的起落架放下时间是递增的,即xi+1的时间大于xi的时间。其中lk为第k个历史样本的起落架放下的总次数。例如,若lk为10,则说明当前历史样本对应的起落架已经放下了10次。
需要说明的是,对于历史样本在实际故障发生后是一个单调递增序列。当该序列的元素xi>x0时,表示xi对应的放下时间超过规定阈值x0,则xi对应的放下过程为异常;若xi≤x0,则xi对应的放下过程正常。在本发明实施例中,将历史样本Sk中出现异常元素之前的最大子序列长度为lk,即为Sk中包含的是起落架正常放下的时间序列。
在本实施例中,通过QAR(Quick access recorder,快速存取记录器)设备获取飞机起落架放下时间的时间序列历史样本数据,在QAR中选择起落架收放相关参数进行记录并设置记录频率,比如常见机型B737、B777中均记录了前起落架和主起落架收上和放下舱门锁和固定锁开关时间。QAR可以记录的数据涵盖了绝大部分的飞机飞行参数,如经纬度、高度、风速、风向迎角、耗油量、温度、气压等等,本发明实施例不做具体限定。
S20,从历史样本中提取起落架的样本长度特征、样本退化率特征、样本差分退化率特征和样本相对退化率特征,以及起落架的样本剩余使用次数。
其中,起落架的样本长度特征为历史样本中元素的个数,例如第k个历史样本记为其中Lk为第k个历史样本的样本长度特。例如,若lk为10,则说明当前历史样本对应的样本长度特为10,即起落架已经放下了10次。样本退化率特征:提取时间序列的二阶系数,表征起落架收放***的退化速度;样本差分退化率特征:对时间序列差分处理后提取时间序列的二阶系数,在去掉线性特征的情况下表征起落架放下***的退化速度;样本相对退化率特征:克服非线性时序特征难以表征的问题,通过计算不同时间序列的相对退化率,可以提取近似线性特征。
S30,将起落架的样本长度特征、样本退化率特征、样本差分退化率特征和样本相对退化率特征组成特征向量,及起落架的剩余使用次数确定为标签。
S40,根据特征向量和标签进行模型训练,得到起落架剩余使用次数模型。
本发明提供的一种起落架剩余使用次数模型训练方法,首先获取飞机起落架收起或放下时间的时间序列历史样本数据;然后从历史样本中提取起落架的样本长度特征、样本退化率特征、样本差分退化率特征和样本相对退化率特征,以及起落架的样本剩余使用次数;将起落架的样本长度特征、样本退化率特征、样本差分退化率特征和样本相对退化率特征组成特征向量,及起落架的剩余使用次数确定为标签;最后根据特征向量和所述标签进行模型训练,得到起落架剩余使用次数模型。本发明根据从时间序列历史样本数据中提取的多阶变化率特征对模型进行训练,即根据提取的起落架的样本长度特征、样本退化率特征、样本差分退化率特征和样本相对退化率特征,以及起落架的样本剩余使用次数进行模型训练得到起落架剩余使用次数模型,通过该模型可以预测飞机起落架的剩余使用次数,从而实现了对飞机起落架的剩余使用次数的预测,以便于机务人员根据飞机起落架剩余使用次数制订维护计划,避免“过维修”和“欠维修”。
实施例二
如图2所示,在本发明提供的一个实施例中,在步骤S10获取飞机起落架放下时间的时间序列历史样本数据之后,所述方法还包括:
其中,nk=Lk-n0+1为所述历史样本Sk可划分的子序列总数,n0为最小分段长度,历史样本Sk中出现异常元素之前的最大子序列长度为lk,即为Sk对应的起落架正常使用次数。例如,历史样本Sk={x1,x2,x3,x4,x5},n0为2,则可以划分的子序列为:
Sk1={x1,x2}
Sk2={x1,x2,x3}
Sk3={x1,x2,x3,x4}
Sk4={x1,x2,x3,x4,x5}
即得到历史样本Sk={x1,x2,x3,x4,x5}对应的4个子序列。
S102,从子序列中提取起落架的子序列长度特征、子序列退化率特征、子序列差分退化率特征和子序列相对退化率特征,以及起落架的子序列剩余使用次数。
所述子序列Skj长度特征记为f1_kj,所述子序列长度特征f1_kj=n0+j-1;
所述子序列Skj的退化率特征记为f2_kj,通过最小二乘法对所述子序列Skj按角标进行二次多项式回归,令所述子序列退化率特征f2_kj为回归结果的二次项系数。例如,如果子序列Skj为{1,2,3},y=ax2+bx+c,将序列中的数据代入上述二次多项式,x为Skj中各元素的角标序号,y为Skj中各元素的数值,即1=a12+b+c,2=a22+b2+c,3=a32+b3+c,则会得到a=0,b=1,c=0,最终f2_kj为0。
所述子序列Skj的差分退化率特征记为f3_kj;对所述子序列Skj进行差分计算,差分结果为其中x’i=xi+1-xi,然后采用最小二乘法对序列按角标进行二次多项式回归。令f3_kj为回归结果的二次项系数。
在本发明实施例中,从子序列中提取所述子序列相对退化率特征,包括:
在本发明提供的一个实施例中,在从子序列中提取所述子序列相对退化率特征之前,所述方法还包括,确定所述m个历史样本{S1,S2,...,Sm}分别对应的起落架使用次数{L1,L2,...,Lm};根据起落架使用次数{L1,L2,...,Lm},将所述历史样本中起落架使用次数最多的样本确定为所述基样本然后确定基样本对应的基样本Sbase的子序列,每个基样本sbase的子序列的长度不同。
S103,将起落架的子序列长度特征、子序列退化率特征、子序列差分退化率特征和子序列相对退化率特征组成特征向量,及起落架的子序列剩余使用次数确定为标签。
对于全部m个历史样本划分的所有子序列Skj,可以按步骤S102中的方法提取4维特征向量[f1_kj,f2_kj,f3_kj,f4_kj],和标签NRUL_kj。所有特征向量及其标签组合在一起构成训练集R。
S104,根据特征向量和标签进行模型训练,得到起落架剩余使用次数模型。
将步骤S103中得到的训练集R按逐个特征维度和标签维度分别进行归一化。记归一化后的训练集为R0,其中特征向量记为[f0 1_kj,f0 2_kj,f0 3_kj,f0 4_kj],标签记为N0 RULkj。使用归一化后的训练集R0来训练SVR模型,得到起落架剩余使用次数模型。其中各个4维特征向量[f0 1_kj,f0 2_kj,f0 3_kj,f0 4_kj]是模型输入,各个标签N0 RUL_kj是模型输出。
本发明提供的一种起落架剩余使用次数模型训练方法,将历史样本划分成多个子序列,从子序列中提取起落架的子序列长度特征、子序列退化率特征、子序列差分退化率特征和子序列相对退化率特征,以及起落架的子序列剩余使用次数,然后根据提取的子序列长度特征、子序列退化率特征、子序列差分退化率特征和子序列相对退化率特征,以及起落架的子序列剩余使用次数进行模型训练得到起落架剩余使用次数模型,通过该模型可以预测飞机起落架的剩余使用次数,从而实现了对飞机起落架的剩余使用次数的预测,以便于机务人员根据飞机起落架剩余使用次数制订维护计划,避免“过维修”和“欠维修”。
实施例三
如图3所示,在本发明提供的一个实施例中,提供一种起落架剩余使用次数预测方法,包括如下步骤:
S11,获取待预测的起落架放下时间序列数据。
其中,待预测的起落架放下时间序列数据可以是起落架出现故障的时间至当前时间的序列数据。
S12,从待预测的起落架放下时间序列数据中提取待预测长度特征、待预测退化率特征、待预测差分退化率特征和待预测相对退化率特征。
在本发明实施例中,从待预测的起落架放下时间序列数据中提取待预测长度特征、待预测退化率特征、待预测差分退化率特征和待预测相对退化率特征,与实施例二步骤S102的内容相同,本发明实施例在此不再赘述。
S13,将待预测长度特征、待预测退化率特征、待预测差分退化率特征和待预测相对退化率特征组成特征向量输入到起落架剩余使用次数模型中,得到起落架的剩余使用次数预测结果。
其中,起落架剩余使用次数模型是根据实施例一或实施例二训练得到的模型。具体的,若获取的是待预测的起落架放下时间序列数据,则使用根据飞机起落架放下时间的时间序列历史样本数据训练得到的起落架剩余使用次数模型对起落架剩余使用次数模型进行预测;若获取的是待预测的起落架收起时间序列数据,则使用根据飞机起落架收起时间的时间序列历史样本数据训练得到的起落架剩余使用次数模型对起落架剩余使用次数模型进行预测。
需要说明的是,本实施可以直接从待预测的起落架放下时间序列数据中提取预测长度特征、待预测退化率特征、待预测差分退化率特征和待预测相对退化率特征(提取过程如步骤S102中描述的内容),然后将待预测长度特征、待预测退化率特征、待预测差分退化率特征和待预测相对退化率特征组成特征向量输入到起落架剩余使用次数模型中,得到起落架的剩余使用次数预测结果。
还可以对待预测的起落架放下时间序列数据ST按实施例二步骤S101中的过程划分子序列集合{ST1,ST2,...,STq,},并根据步骤S102提取4维特征向量构成预测特征集以FT中的元素FTi作为步骤S104中训练完毕的起落架剩余使用次数模型的输入,得到预测结果并反归一化后得到PRUL_Ti,构成预测结果集合PRUL={PRUL_T1,PRUL_T2,...,PRUL_Ti,...,PRUL_Tq,}。
提供一种起落架剩余使用次数预测方法,从待预测的起落架放下时间序列数据中提取待预测长度特征、待预测退化率特征、待预测差分退化率特征和待预测相对退化率特征,然后将待预测长度特征、待预测退化率特征、待预测差分退化率特征和待预测相对退化率特征组成特征向量输入到起落架剩余使用次数模型中,得到起落架的剩余使用次数预测结果。由于起落架剩余使用次数模型是根据提取的起落架的样本长度特征、样本退化率特征、样本差分退化率特征和样本相对退化率特征,以及起落架的样本剩余使用次数进行模型训练得到的,因此通过该模型可以预测飞机起落架的剩余使用次数,从而实现了对飞机起落架的剩余使用次数的预测,以便于机务人员根据飞机起落架剩余使用次数制订维护计划,避免“过维修”和“欠维修”
本发明提供一个以某型民机为例的应用场景,说明一种起落架剩余使用次数预测方法的具体实施过程:
1.历史样本获取
首先依次获取起落架放下时间的时间序列历史样本数据共4个,然后计算每个历史样本的正常使用次数,若规定阈值x0=20,则各样本对应的正常循环数如下表所示:
样本序号 | 历史样本1 | 历史样本2 | 历史样本3 | 历史样本4 |
正常循环数 | 40 | 29 | 24 | 10 |
2.基样本选取
历史样本1中起落架放下循环次数最多,记为基样本。
3.训练集生成
对4个历史样本进行子序列划分。然后对各个子序列提取4维特征及相应剩余放下循环数,形成训练集R。
4.起落架剩余使用次数模型训练
首先将步骤4中得到的训练集R按逐个特征维度和标签维度分别进行归一化。然后进行SVR模型的训练,得到起落架剩余使用次数模型。
5.起落架的剩余使用次数预测
待预测的目标时间序列数据如图4所示(图中起落架放下循环次数为起落架的使用次数),为了验证预测准确性,在此假设只能获取序列前20点。将目标时间序列数据划分子序列集合,并提取4维特征向量构成预测特征集归一化后如图5所示。以4维特征向量作为训练完毕的起落架剩余使用次数模型的输入,得到预测结果并反归一化后如图6所示(剩余正常循环预测数值相当于剩余正常使用次数预测;实际正常循环数实际值相当于剩余正常使用次数实际值)。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种起落架剩余使用次数模型训练装置,该起落架剩余使用次数模型训练装置与上述实施例中起落架剩余使用次数模型训练方法一一对应。如图7所示,该起落架剩余使用次数模型训练装置包括:获取模块10、提取模块20、确定模块30、训练模块40。各功能模块详细说明如下:
获取模块10,用于获取飞机起落架收起或放下时间的时间序列历史样本数据;所述时间序列历史样本数据中包括m个历史样本{S1,S2,...,Sm},每个所述历史样本为起落架收起或放下时间的单调递增序列;
提取模块20,用于从所述历史样本中提取所述起落架的样本长度特征、样本退化率特征、样本差分退化率特征和样本相对退化率特征,以及所述起落架的样本剩余使用次数;
确定模块30,用于将所述起落架的样本长度特征、样本退化率特征、样本差分退化率特征和样本相对退化率特征组成特征向量,及所述起落架的剩余使用次数确定为标签;
训练模块40,用于根据所述特征向量和所述标签进行模型训练,得到起落架剩余使用次数模型。
进一步的,所述装置还包括:
所述提取模块20,还用于从所述子序列中提取所述起落架的子序列长度特征、子序列退化率特征、子序列差分退化率特征和子序列相对退化率特征,以及所述起落架的子序列剩余使用次数。
具体的,所述提取模块20,包括:
所述子序列Skj长度特征记为f1_kj,所述子序列长度特征f1_kj=n0+j-1;
所述子序列Skj的退化率特征记为f2_kj,通过最小二乘法对所述子序列Skj按角标进行二次多项式回归,令所述子序列退化率特征f2_kj为回归结果的二次项系数;
所述确定模块30,还用于确定所述m个历史样本{S1,S2,...,Sm}分别对应的起落架使用次数{L1,L2,...,Lm};
所述获取模块10,获取待预测的起落架放下时间序列数据;
所述提取模块20,还用于从所述待预测的起落架放下时间序列数据中提取待预测长度特征、待预测退化率特征、待预测差分退化率特征和待预测相对退化率特征;
预测模块60,用于将所述待预测长度特征、所述待预测退化率特征、所述待预测差分退化率特征和所述待预测相对退化率特征组成特征向量输入到所述起落架剩余使用次数模型中,得到起落架的剩余使用次数预测结果。
关于起落架剩余使用次数模型训练装置的具体限定可以参见上文中对于起落架剩余使用次数模型训练方法的限定,在此不再赘述。上述起落架剩余使用次数模型训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种起落架剩余使用次数模型训练方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
获取飞机起落架收起或放下时间的时间序列历史样本数据;所述时间序列历史样本数据中包括m个历史样本{S1,S2,...,Sm},每个所述历史样本为起落架收起或放下时间的单调递增序列;
从所述历史样本中提取所述起落架的样本长度特征、样本退化率特征、样本差分退化率特征和样本相对退化率特征,以及所述起落架的样本剩余使用次数;
将所述起落架的样本长度特征、样本退化率特征、样本差分退化率特征和样本相对退化率特征组成特征向量,及所述起落架的剩余使用次数确定为标签;
根据所述特征向量和所述标签进行模型训练,得到起落架剩余使用次数模型。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取飞机起落架收起或放下时间的时间序列历史样本数据;所述时间序列历史样本数据中包括m个历史样本{S1,S2,...,Sm},每个所述历史样本为起落架收起或放下时间的单调递增序列;
从所述历史样本中提取所述起落架的样本长度特征、样本退化率特征、样本差分退化率特征和样本相对退化率特征,以及所述起落架的样本剩余使用次数;
将所述起落架的样本长度特征、样本退化率特征、样本差分退化率特征和样本相对退化率特征组成特征向量,及所述起落架的剩余使用次数确定为标签;
根据所述特征向量和所述标签进行模型训练,得到起落架剩余使用次数模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种起落架剩余使用次数模型训练方法,其特征在于,所述方法包括:
获取飞机起落架收起或放下时间的时间序列历史样本数据;所述时间序列历史样本数据中包括m个历史样本{S1,S2,...,Sm},每个所述历史样本为起落架收起或放下时间的单调递增序列;
从所述历史样本中提取所述起落架的样本长度特征、样本退化率特征、样本差分退化率特征和样本相对退化率特征,以及所述起落架的样本剩余使用次数;
将所述起落架的样本长度特征、样本退化率特征、样本差分退化率特征和样本相对退化率特征组成特征向量,及所述起落架的剩余使用次数确定为标签;
根据所述特征向量和所述标签进行模型训练,得到起落架剩余使用次数模型。
3.根据权利要求2所述的起落架剩余使用次数模型训练方法,其特征在于,从所述子序列中提取所述起落架的子序列长度特征、子序列退化率特征、子序列差分退化率特征,包括:
所述子序列Skj长度特征记为f1_kj,所述子序列长度特征f1_kj=n0+j-1;
所述子序列Skj的退化率特征记为f2_kj,通过最小二乘法对所述子序列Skj按角标进行二次多项式回归,令所述子序列退化率特征f2_kj为回归结果的二次项系数;
6.根据权利要求3所述的起落架剩余使用次数模型训练方法,其特征在于,从所述子序列中提取所述起落架的子序列剩余使用次数,包括:
所述历史样本Sk对应的正常使用次数为lk,所述子序列剩余使用次数为NRUL_kj=lk-(n0+j-1)。
7.根据权利要求1-6任一所述起落架剩余使用次数模型训练方法,其特征在于,所述方法还包括:
获取待预测的起落架放下时间序列数据;
从所述待预测的起落架放下时间序列数据中提取待预测长度特征、待预测退化率特征、待预测差分退化率特征和待预测相对退化率特征;
将所述待预测长度特征、所述待预测退化率特征、所述待预测差分退化率特征和所述待预测相对退化率特征组成特征向量输入到所述起落架剩余使用次数模型中,得到起落架的剩余使用次数预测结果。
8.一种起落架剩余使用次数模型训练装置,其特征在于,所述装置包括:
获取模块,用于获取飞机起落架收起或放下时间的时间序列历史样本数据;所述时间序列历史样本数据中包括m个历史样本{S1,S2,...,Sm},每个所述历史样本为起落架收起或放下时间的单调递增序列;
提取模块,用于从所述历史样本中提取所述起落架的样本长度特征、样本退化率特征、样本差分退化率特征和样本相对退化率特征,以及所述起落架的样本剩余使用次数;
确定模块,用于将所述起落架的样本长度特征、样本退化率特征、样本差分退化率特征和样本相对退化率特征组成特征向量,及所述起落架的剩余使用次数确定为标签;
训练模块,用于根据所述特征向量和所述标签进行模型训练,得到起落架剩余使用次数模型。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述起落架剩余使用次数模型训练方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述起落架剩余使用次数模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011033029.1A CN112149746B (zh) | 2020-09-27 | 2020-09-27 | 起落架剩余使用次数模型训练方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011033029.1A CN112149746B (zh) | 2020-09-27 | 2020-09-27 | 起落架剩余使用次数模型训练方法、装置及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112149746A true CN112149746A (zh) | 2020-12-29 |
CN112149746B CN112149746B (zh) | 2024-02-06 |
Family
ID=73895678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011033029.1A Active CN112149746B (zh) | 2020-09-27 | 2020-09-27 | 起落架剩余使用次数模型训练方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149746B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180144264A1 (en) * | 2016-11-18 | 2018-05-24 | Facebook, Inc. | Training sequence natural language processing engines |
CN109272114A (zh) * | 2018-08-08 | 2019-01-25 | 西安交通大学 | 机械装备剩余使用寿命快速有效预测的深度学习方法 |
CN109460574A (zh) * | 2018-10-09 | 2019-03-12 | 南京航空航天大学 | 一种航空发动机剩余寿命的预测方法 |
CN110109028A (zh) * | 2019-04-12 | 2019-08-09 | 江苏大学 | 一种动力电池剩余寿命间接预测方法 |
CN110501585A (zh) * | 2019-07-12 | 2019-11-26 | 武汉大学 | 一种基于Bi-LSTM和油中溶解气体分析的变压器故障诊断方法 |
CN110610035A (zh) * | 2019-08-28 | 2019-12-24 | 武汉科技大学 | 一种基于gru神经网络的滚动轴承剩余寿命预测方法 |
CN110852379A (zh) * | 2019-11-11 | 2020-02-28 | 北京百度网讯科技有限公司 | 训练样本生成方法、装置以及电子设备 |
CN111316285A (zh) * | 2019-03-19 | 2020-06-19 | 深圳市大疆创新科技有限公司 | 物体检测方法、电子设备与计算机存储介质 |
CN111368544A (zh) * | 2020-02-28 | 2020-07-03 | 中国工商银行股份有限公司 | 命名实体识别方法及装置 |
-
2020
- 2020-09-27 CN CN202011033029.1A patent/CN112149746B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180144264A1 (en) * | 2016-11-18 | 2018-05-24 | Facebook, Inc. | Training sequence natural language processing engines |
CN109272114A (zh) * | 2018-08-08 | 2019-01-25 | 西安交通大学 | 机械装备剩余使用寿命快速有效预测的深度学习方法 |
CN109460574A (zh) * | 2018-10-09 | 2019-03-12 | 南京航空航天大学 | 一种航空发动机剩余寿命的预测方法 |
CN111316285A (zh) * | 2019-03-19 | 2020-06-19 | 深圳市大疆创新科技有限公司 | 物体检测方法、电子设备与计算机存储介质 |
CN110109028A (zh) * | 2019-04-12 | 2019-08-09 | 江苏大学 | 一种动力电池剩余寿命间接预测方法 |
CN110501585A (zh) * | 2019-07-12 | 2019-11-26 | 武汉大学 | 一种基于Bi-LSTM和油中溶解气体分析的变压器故障诊断方法 |
CN110610035A (zh) * | 2019-08-28 | 2019-12-24 | 武汉科技大学 | 一种基于gru神经网络的滚动轴承剩余寿命预测方法 |
CN110852379A (zh) * | 2019-11-11 | 2020-02-28 | 北京百度网讯科技有限公司 | 训练样本生成方法、装置以及电子设备 |
CN111368544A (zh) * | 2020-02-28 | 2020-07-03 | 中国工商银行股份有限公司 | 命名实体识别方法及装置 |
Non-Patent Citations (4)
Title |
---|
BUSSETI E等: "Deep learning for time series modeling", 《TECHNICAL REPORT, STANFORD UNIVERSITY》, pages 1 - 5 * |
何伟等: "一种基于曲线拟合的客户预期贡献计量方法", 《中国管理科学》, vol. 16, no. 2, pages 110 - 114 * |
刘海新: "内蒙古草地生产力时空分析及产草量遥感估算和预测", 《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 3, pages 028 - 13 * |
房友龙等: "燃气轮机结垢性能退化特征提取和剩余寿命预测", 《海军工程大学学报》, vol. 30, no. 2, pages 100 - 104 * |
Also Published As
Publication number | Publication date |
---|---|
CN112149746B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110688288B (zh) | 基于人工智能的自动化测试方法、装置、设备及存储介质 | |
CN106951695A (zh) | 多工况下的机械设备剩余使用寿命计算方法及*** | |
DeStefano et al. | Method for estimating transition probability in bridge deterioration models | |
EP2999998B1 (de) | Methode zur ermittlung eines modells einer ausgangsgrösse eines technischen systems | |
CN108363844B (zh) | 一种航空发动机启动过程排气温度预测方法 | |
US11300069B2 (en) | Self-generating engine-specific health monitoring model from generic model base | |
CN109614231A (zh) | 空闲服务器资源发现方法、装置、计算机设备和存储介质 | |
Lisnianski et al. | On Birnbaum importance assessment for aging multi-state system under minimal repair by using the Lz-transform method | |
CN113502870B (zh) | 挖掘机工况判定方法及装置 | |
CN113657814B (zh) | 一种航空网络风险预测方法及风险等级评估方法 | |
CN111897695A (zh) | 获取kpi异常数据样本的方法、装置和计算机设备 | |
DE102016216945A1 (de) | Verfahren und Vorrichtung zum Ausführen einer Funktion basierend auf einem Modellwert eines datenbasierten Funktionsmodells basierend auf einer Modellgültigkeitsangabe | |
CN114219129A (zh) | 基于任务和mtbf的武器***随行备件需求预测及评估*** | |
CN104698976A (zh) | 一种预测控制模型性能下降的深度诊断方法 | |
CN111680407B (zh) | 一种基于高斯混合模型的卫星健康评估方法 | |
CN111445105A (zh) | 基于目标值分析的电厂在线性能诊断方法及*** | |
CN112487694A (zh) | 一种基于多退化指标的复杂设备剩余寿命预测方法 | |
CN112801315A (zh) | 电力二次设备的状态诊断方法、装置及终端 | |
CN115017819A (zh) | 一种基于混合模型的发动机剩余使用寿命预测方法及装置 | |
CN113221458B (zh) | 盾构刀盘扭矩多步预测方法和*** | |
CN115329823A (zh) | 延迟焦化加热炉炉管温度的动态深度迁移预测方法及装置 | |
CN112149746A (zh) | 起落架剩余使用次数模型训练方法、装置及计算机设备 | |
US10628541B2 (en) | Method and apparatus for selecting integrated circuit device neural network modeling sample | |
CN113110961A (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN112380759B (zh) | 基于深度学习和CoxPH模型的智能电表寿命预测方法 |
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 |