CN112883656B - 一种基于正常运行数据的动力舱失效风险评价方法 - Google Patents
一种基于正常运行数据的动力舱失效风险评价方法 Download PDFInfo
- Publication number
- CN112883656B CN112883656B CN202110402777.0A CN202110402777A CN112883656B CN 112883656 B CN112883656 B CN 112883656B CN 202110402777 A CN202110402777 A CN 202110402777A CN 112883656 B CN112883656 B CN 112883656B
- Authority
- CN
- China
- Prior art keywords
- failure risk
- output
- layer
- full connection
- connection layer
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种涉及车辆动力舱的失效风险评价方法,属于自动化检测领域。本发明首先设计了一种可以表示不确定度的变分自编码器,利用仿真环境中的发生不同程度性能退化的检测数据进行有监督预训练,利用真实工作环境中的采样数据进行二次无监督训练,最终能够对动力舱整体的失效风险进行定量评价。本方法能够降低实验获取数据的成本,避免故障实验的危险,对于提高动力舱的安全运行具有借鉴意义。
Description
技术领域
本发明涉及自动检测技术领域,尤其涉及一种基于正常运行数据的动力舱失效风险评价方法。
背景技术
动力舱是一辆汽车最为重要的核心部件之一,主要由发动机、变速箱、冷却***等组成,用来为整车提供动力。如此重要的部件自然需要更多的关注和保护。当动力舱中因为部件发生故障而***失效时,会造成严重的事故。现阶段的健康管理算法可以给出***性能退化和失效的可能性及程度,但是在算法设计和优化阶段需要构建***的失效模型和数据,这一过程依赖于物理实验。一方面,故障失效的实验的经济成本较高,另一方面,技术上难以模拟出全部的故障和失效方式。
发明内容
有鉴于此,本发明提供了一种动力舱失效风险评价方法,能够利用正常运行的数据和仿真数据建立失效风险评价模型,完成对动力舱失效风险的监控和评价,保障动力舱的正常运行,增强汽车安全性。
为了解决上述技术问题,本发明是这样实现的。
一种基于正常运行数据的动力舱失效风险评价方法,包括:
步骤1、根据动力舱实物建立动力学仿真模型,从动力学仿真模型中提取出n个能够表达动力舱失效状态的性能参数θ1~θn;通过改变性能参数来模拟不同故障,收集动力学仿真模型输出的状态数据α1~αm,构建失效风险评价模型的第一阶段训练样本;所述第一阶段训练样本中的标签为失效风险评价模型对应的一个性能参数θi,i∈[1,n];n和m均为正整数;
步骤2、针对每个性能参数,建立可表示不确定性的变分自编码器作为失效风险评价模型;变分自编码器的输入由多个时刻的状态数据α1~αm组成,输出为一个性能参数θi,i∈[1,n],使用步骤1收集的第一阶段训练样本进行有监督训练,得到预训练模型;
步骤3、采集真实动力舱的正常运行状态数据α1′~αm′,在预训练模型的基础上使用正常运行状态数据α1′~αm′进行二次训练;二次训练过程中,针对每一个性能参数θi对应的变分器,提取变分自编码器内部产生的标准差σi生成不确定度si,乘以变分自编码器输出的性能参数估计值然后将n个乘积相加,将相加结果与理想性能状态差值作为失效风险系数x;
利用一段连续时刻的失效风险系数x的变化情况,获得失效风险整体评价值;将失效风险整体评价值作为损失函数,对各性能参数对应的变分自编码器进行反向传播的参数训练;
步骤4、将待评价动力舱实时运行时的状态数据输入n个训练好的变分自编码器,以所有变分自编码器输出的性能参数估计值与自身不确定度si的乘积之和,将和与理想性能状态作为待评价动力舱的失效风险系数,完成评价。
优选地,所述性能参数包括输出力矩、输出转速、稳定性和响应时间;
所述输出力矩通过在动力学仿真模型的转矩输出处加入比例模块kt实现,输出力矩值采用比例模块kt的归一化比例值表达;
所述输出转速通过在动力学仿真模型的转速输出处加入比例模块ks实现,输出转速采用比例模块ks的归一化比例值表达;
所述响应时间通过在动力学仿真模型的转矩输出处加入延时模块tt实现,响应时间采用延时模块tt的归一化延时时间表达;
所述稳定性通过在动力学仿真模型的转矩输出处加入高斯噪声模块Nt实现,稳定性采用高斯噪声模块Nt的归一化高斯噪声表达;
优选地,所述状态数据选用进气歧管压力、柴油流量、输出转速、输出转矩和空气流量5种。
优选地,所述变分自编码器包括9个全连接层;输入层、全连接层1、全连接层2依次相连,全连接层2分别通过全连接层3和全连接层4连接采样模块;采样模块、全连接层5、全连接层6和全连接层7依次相连;输入层和全连接层7还共同接入误差重构模块;误差重构模块输出重构误差L2,与采样模块输出的采样值ci拼接后,输入全连接层8;全连接层8接入全连接层9;全连接层9输出本失效风险评价对应的性能参数估计值
其中,全连接层1、全连接层2的输出层神经元个数依次减小,实现降维;全连接层5、全连接层6、全连接层7的输出层神经元个数依次增大,实现升维;输入层的输入向量维度与全连接层7输出层神经元个数相同;全连接层9的输出层神经元个数为1;全连接层3和全连接层4的输出层神经元个数相等且小于全连接层2的神经元个数,以在采样之前进一步降维;将全连接层3作为均值计算模块,全连接层4作为标准差计算模块,全连接层4输出的标准差作为性能参数估计值的不确定度si。
优选地,输入层的输入向量为五种状态参数各取60个采样时刻、展开为长度为300的一维向量;全连接层1~9的输出层神经元个数分别为:500、200、20、20、100、200、300、100、1。
优选地,所述采样模块采用如下公式计算采样值ci:
其中,w为随机产生的1-20之间的随机数,μi为全连接层3产生的均值,σi为全连接层4产生的标准差。
优选地,步骤2中,使用步骤1收集的第一阶段训练样本进行有监督训练时,损失函数包括全连接层9输出的性能参数估计值与样本性能参数真实值θi的误差L1,全连接层7的输出y7和输入向量α的重构误差L2,采样分布与标准分布的KL散度损失L3,计算方法为:
将三种误差之和作为损失函数,通过反向传播更新变分自编码器中各神经元参数,从而训练收敛得到预训练模型。
优选地,步骤3中,所述利用一段连续时刻的失效风险系数x的变化情况,获得失效风险整体评价值为:根据失效风险系数x计算单调性、鲁棒性、时间相关性三个方面的评价值,并求和,作为失效风险整体评价值。
优选地,所述单调性的评价值为:
其中,X={xk}k∈[1,K]是多个时刻的失效风险系数x组成的失效风险序列,xk为动力舱在tk时刻的失效风险系数,K值为失效风险序列的长度;是相邻失效风险的差值,代表差值为连续正号的最大序列长度,代表差值为连续负号的最大序列长度,Mon(X)越大意味着X单调性越好;
所述鲁棒性的评价值为:
时间相关性的评价值为:
其中,Tre(X,T)越大表明失效风险X与运行时间的正相关性越强;
将上述3个评价值取负后加和作为损失函数。
优选地,所述提取变分自编码器内部产生的标准差σi生成不确定度si为:
si=1-uncertaintyi
其中,uncertaintyi的获取方式为:针对每个变分自编码器中全连接层4输出的标准差向量σi的各元素求平均值,然后n个变分自编码器的平均值进行归一化处理。
有益效果:
(1)本发明可以根据动力舱运行时的数据,计算出相关的性能参数和不确定度,进而计算出失效风险系数,可以实时的完成对动力舱的健康状态检测,具有良好的可解释性。检测过程对***无额外硬件要求,独立于动力舱的控制***。检测得到的失效风险指标,可用于后期维修检查的策略安排,也可用于当前的工作任务调度,能够提高动力舱和整个***的安全性。
(2)本发明提出的算法构建和训练过程不需要动力舱进行破坏性的失效极限实验,不需要动力舱模拟实际故障,仅需要动力舱正常运行时的数据作为主要数据来源,以仿真环境下的故障数据和正常数据作为补充数据,实现了无害化的算法构建。基于数据构建的评价算法,有效的避免了环境干扰和认为主观意愿,可信度高。
(3)本发明采用两段仿真,采用仿真数据结合真实数据,提升模型表达的真实性。同时,在第一阶段训练中,采用仿真数据进行训练,仿真环境可以获得所述的4个性能参数,因此在训练时采用L1+L2+L3作为损失函数;性能参数能够比较准确的表征失效过程,提升了模型准确性。然而单独采用仿真数据不够真实,因此在第二阶段训练中,采用动力舱实际正常工作中的数据进行模型训练,由于真实的动力舱无法获得这4个性能参数,因此采用单调性、鲁棒性、时间相关性来计算损失函数进行训练;虽然失效过程也可能一定程度的反应到单调性、鲁棒性、时间相关性等参数上,但是全面性和准确度都不佳。因此本发明结合的两种方案的优势,构建了两阶段的训练过程,提升了风险评价模型的准确度。
附图说明
图1为本发明基于正常运行数据的动力舱失效风险评价方法的原理图;
图2为本发明基于正常运行数据的动力舱失效风险评价方法的流程图;
图3为动力舱模拟仿真的simulink框图;
图4为性能参数的估计网络结构框图。
具体实施方式
本发明提供了一种基于正常运行数据的动力舱失效风险评价方法,其基本思想在于,建立可表示不确定性的变分自编码器,输入为动力舱的状态数据,输出为动力舱的性能参数,变分自编码器还可以产生不确定度,将性能参数与不确定度进行内积,即可获得动力舱的失效风险系数。变分自编码器需要进行的训练,本发明先采用仿真数据进行第一次训练,然后采用正常数据进行第二次训练。仿真数据通过动力舱的动力学仿真模型获得,采用仿真数据的好处是可以获得性能参数作为标签,性能参数能够比较准确的表征失效过程,提升了模型准确性;然而单独采用仿真数据不够真实,因此在第二阶段训练中,采用动力舱实际正常工作中的数据进行模型训练,由于真实的动力舱无法获得性能参数,因此采用一段连续时刻的失效风险系数的变化情况来计算损失函数进行训练;本发明结合的两种训练方案的优势,提升了风险评价模型的整体准确度。
本发明另一个优势在于,算法构建和训练过程不需要动力舱进行破坏性的失效极限实验,不需要动力舱模拟实际故障,仅需要动力舱正常运行时的数据作为主要数据来源,以仿真环境下的故障数据和正常数据作为补充数据,实现了无害化的算法构建。基于数据构建的评价算法,有效的避免了环境干扰和认为主观意愿,可信度高。
下面结合附图并举实施例,对本发明进行详细描述。
参见图1和图2,本发明的基于正常运行数据的动力舱失效风险评价方法包括如下步骤:
步骤1、根据动力舱实物建立动力学仿真模型,从动力学仿真模型中提取出n个能够表达动力舱失效状态的性能参数θ1~θn;通过改变性能参数来模拟不同故障,在不同故障下收集动力学仿真模型输出的状态数据α1~αm。利用性能参数和状态数据构建失效风险评价模型的第一阶段训练样本。失效风险评价模型共有n个,每个性能参数对应一个。第一阶段训练样本中的输入向量由多个时刻的状态数据α1~αm组成,标签为与失效风险评价模型对应的一个性能参数θi,i∈[1,n]。n和m均为正整数。
本实施例中,如图3所示,建立动力舱的动力学仿真模型,仿真软件不唯一,可以采用Carsim,Simpack,Matlab等。此处使用Matlab中的Simulink库搭建起动力舱的仿真模型。本实施例中从仿真环境中获得5种状态数据α1~α5分别为进气歧管压力(ManifoldPressure)、柴油流量(Throttle Flow&Cylinder Flow)、输出转速(engine speed)、输出转矩(Teng)、空气流量(A/F)。事实上仿真环境中还可以获得更多的数据,此处的要求是仿真环境获取的数据与实际物理环境获取的种类和取值范围相同。
本实施例中,选取的性能参数θ1~θ4包括输出力矩、输出转速、稳定性和响应时间这4种。具体实现方式为:
在仿真环境中,在动力学仿真模型的转矩输出处加入比例模块kt,输出力矩值采用比例模块kt的归一化比例值表达;分别修改kt的值从0.5到1,步长为0.01,共有50种情况。
在转速输出处加入比例模块ks,输出转速采用比例模块ks的归一化比例值表达。分别修改ks的值从0.6到1,步长为0.1,共有40种情况。
在转矩输出处加入延时模块tt,响应时间采用延时模块tt的归一化延时时间表达。分别修改tt的值从0到0.2,步长为0.01,共有20种情况。
在转矩输出处加入高斯噪声模块Nt,稳定性采用高斯噪声模块Nt的归一化高斯噪声表达。分别修改标准差从1到3,步长为1,共有3种情况。
以上四种参数的交叉混合使用可以得到共计12万条包含进气歧管压力、柴油流量、输出转速、输出转矩、空气流量的数据作为样本。动力舱的性能参数由kt、ks、tt、Nt计算得到0-1范围的用kt、ks、tt、Nt这四个参数表达失效状态。
本发明区别于传统方法中根据传感器信息直接估计失效风险,而是采用以性能参数θ作为间接变量来反映***的失效风险,并且每个参数具有特定的物理含义。本发明将动力舱失效主要的失效形式和原因总结为两种类型:动力失效,转速失效。动力失效可通过kt,tt,Nt三个参数表示,kt表示受动力舱内部影响的情况下,当前动力输出的瞬时值为正常状态下的百分比,tt表示因长期工作等原因,零件老化或摩擦导致的动力响应的不及时程度,Nt表示因扰动及老化等因素导致的动力不稳定情况乱。转速失效主要出现在内部或者传动机构发生磨损的情况下,ks表示当前动力输出的瞬时值为正常状态下的百分比。性能参数θ能很好的反映***的性能状态,二者为负相关关系,性能参数值越接近1,则***的性能状态越接近理想状态,即***的失效风险越低。
步骤2、针对每个性能参数,建立可表示不确定性的变分自编码器作为失效风险评价模型;变分自编码器的输入由多个时刻的状态数据α1~αm组成,输出为一个性能参数θi,i∈[1,n]。使用步骤1收集的第一阶段训练样本进行有监督训练,得到预训练模型。
如图4所示,本实施例的变分自编码器包括9个全连接层。具体来说,输入层、全连接层1、全连接层2依次相连,全连接层2分别通过全连接层3和全连接层4连接采样模块;采样模块、全连接层5、全连接层6和全连接层7依次相连;输入层和全连接层7还共同接入误差重构模块;误差重构模块输出重构误差L2,将重构误差L2与采样模块输出的采样值ci拼接后,得到新的特征,输入全连接层8;所述拼接可以最简单的采用前后拼接在一起;全连接层8接入全连接层9;全连接层9输出本失效风险评价对应的一维性能参数
其中,全连接层1、全连接层2的输出层神经元个数依次减小,全连接层5、全连接层6、全连接层7的输出层神经元个数依次增大,实现升维;采样前的降维目的是:通过降维提取输入的核心特征,去除噪声,为后续升维重构提供核心、有用的信息。输入层的输入向量维度与全连接层7输出层神经元个数相同;全连接层9的输出层神经元个数为1;全连接层3和全连接层4的输出层神经元个数相等且小于全连接层2的神经元个数,以在采样之前进一步降维;将全连接层3作为均值计算模块,输出均值μi;全连接层4作为标准差计算模块,输出标准差σi,全连接层4输出的标准差σi作为性能参数估计值的不确定度si。
在本实施例中,由于输入层的输入向量为五种状态参数各取60个采样时刻、展开为长度为300的一维向量;因此,优选地,设计全连接层1~9的输出层神经元个数分别为:500、200、20、20、100、200、300、100、1。
采样模块采用如下公式计算采样值ci:
其中,w为随机产生的1-20之间的随机数,μi为全连接层3产生的均值,σi为全连接层4产生的标准差。
其中,本具体实施例中的输入向量α为由60个时刻的状态参数组成的300维的数据。将三种误差之和即L1+L2+L3作为损失函数,通过反向传播更新变分自编码器中各神经元参数,从而训练收敛得到预训练模型。
步骤3、采集真实动力舱的正常运行状态数据α1′~αm′,在预训练模型的基础上使用正常运行状态数据α1′~αm′进行二次训练;二次训练过程中,针对每一个性能参数θi对应的变分自编码器,提取变分自编码器内部产生的标准差σi形成不确定度si,乘以变分自编码器输出的性能参数然后将n个乘积相加,将相加结果与理想性能状态差值作为失效风险系数x。利用一段连续时刻的失效风险系数x的变化情况,获得失效风险整体评价值;将失效风险整体评价值作为损失函数,对各个性能参数θi对应的变分自编码器进行反向传播的参数训练。
第二阶段的训练不需要更改网络的结构,失效风险系数x与四个性能参数的加权和负相关。权重的物理意义为性能参数的可信度,本发明将对应网络模型中全连接层4的输出作为全连接层9输出的不确定度。这里使用si=1-uncertaintyi计算,uncertaintyi的求取方式为:针对每个变分自编码器中全连接层4输出的标准差向量σi的20维元素求平均值,然后4个变分自编码器的平均值进行归一化处理。uncertaintyi越大,那么这个参数的参考价值低,所以权重si越低。
第二阶段训练的输入为按照时间顺序在真实工作场景下采集的数据α′(300维),并且按照时间的顺序进行训练。失效风险系数与性能参数存在负相关关系,计算方法为s={s1 s2 s3 s4}。本发明使用性能参数作为***失效风险的间接描述,二者成负相关关系,满足和为1的物理约束。因此这里的1表示理想性能状态。x计算公式表示的是:以所有变分自编码器输出的性能参数估计值与自身不确定度si的乘积之和作为当前性能状态,将其与理想性能状态1的差值作为当前***的失效风险系数。
针对失效风险的损失函数主要在单调性、鲁棒性、时间相关性等几个方面进行约束。即根据失效风险系数x计算单调性、鲁棒性、时间相关性三个方面的评价值,并求和,作为损失函数进行反向传播的参数训练。
所述单调性的评价值为:
其中,X={xk}k∈[1,K]是多个时刻的失效风险系数x组成的失效风险序列,xk为动力舱在tk时刻的失效风险系数,K值为失效风险序列的长度;是相邻失效风险的差值,代表差值为连续正号的最大序列长度,代表差值为连续负号的最大序列长度,Mon(X)越大意味着X单调性越好;
所述鲁棒性的评价值为:
时间相关性的评价值为:
其中,Tre(X,T)越大表明失效风险X与运行时间的正相关性越强;
将上述3个评价值取负后加和作为损失函数。
步骤4、将待评价动力舱实时运行时的状态数据输入n个训练好的变分自编码器,以所有变分自编码器输出的性能参数θi与变分自编码器产生的不确定度si的乘积之和作为待评价动力舱的失效风险系数,完成评价。
在上述具体实施例中,针对评价对象采集300维的输入,代入训练好的4个变分自编码器,每个变分自编码器分别得到估计值(全连接9的输出)和不确定度si(全连接4的输出),通过公式计算出失效风险系数x。x越大,风险越高。
以上的具体实施例仅描述了本发明的设计原理,该描述中的部件形状,名称可以不同,不受限制。所以,本发明领域的技术人员可以对前述实施例记载的技术方案进行修改或等同替换;而这些修改和替换未脱离本发明创造宗旨和技术方案,均应属于本发明的保护范围。
Claims (9)
1.一种基于正常运行数据的动力舱失效风险评价方法,其特征在于,包括:
步骤1、根据动力舱实物建立动力学仿真模型,从动力学仿真模型中提取出n个能够表达动力舱失效状态的性能参数θ1~θn;通过改变性能参数来模拟不同故障,收集动力学仿真模型输出的状态数据α1~αm,构建失效风险评价模型的第一阶段训练样本;所述第一阶段训练样本中的标签为失效风险评价模型对应的一个性能参数θi,i∈[1,n];n和m均为正整数;
步骤2、针对每个性能参数,建立可表示不确定性的变分自编码器作为失效风险评价模型;变分自编码器的输入由多个时刻的状态数据α1~αm组成,输出为一个性能参数θi,i∈[1,n],使用步骤1收集的第一阶段训练样本进行有监督训练,得到预训练模型;
步骤3、采集真实动力舱的正常运行状态数据α1′~αm′,在预训练模型的基础上使用正常运行状态数据α1′~αm′进行二次训练;二次训练过程中,针对每一个性能参数θi对应的变分自编码器,提取变分自编码器内部产生的标准差向量σi,将标准差向量σi的各元素求平均值,然后n个变分自编码器的平均值进行归一化处理,归一化后的平均值记为uncertaintyi,计算si=1-uncertaintyi,从而生成不确定度si,乘以变分自编码器输出的性能参数估计值然后将n个乘积相加,将相加结果与理想性能状态差值作为失效风险系数x;
利用一段连续时刻的失效风险系数x的变化情况,获得失效风险整体评价值;将失效风险整体评价值作为损失函数,对各性能参数对应的变分自编码器进行反向传播的参数训练;
3.如权利要求1所述的动力舱失效风险评价方法,其特征在于,所述状态数据选用进气歧管压力、柴油流量、输出转速、输出转矩和空气流量5种。
4.如权利要求1所述的动力舱失效风险评价方法,其特征在于,所述变分自编码器包括9个全连接层;输入层、全连接层1、全连接层2依次相连,全连接层2分别通过全连接层3和全连接层4连接采样模块;采样模块、全连接层5、全连接层6和全连接层7依次相连;输入层和全连接层7还共同接入误差重构模块;误差重构模块输出重构误差L2,与采样模块输出的采样值ci拼接后,输入全连接层8;全连接层8接入全连接层9;全连接层9输出本失效风险评价对应的性能参数估计值
5.如权利要求4所述的动力舱失效风险评价方法,其特征在于,输入层的输入向量为五种状态参数各取60个采样时刻、展开为长度为300的一维向量;全连接层1~9的输出层神经元个数分别为:500、200、20、20、100、200、300、100、1。
8.如权利要求1所述的动力舱失效风险评价方法,其特征在于,步骤3中,所述利用一段连续时刻的失效风险系数x的变化情况,获得失效风险整体评价值为:根据失效风险系数x计算单调性、鲁棒性、时间相关性三个方面的评价值,并求和,作为失效风险整体评价值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110402777.0A CN112883656B (zh) | 2021-04-14 | 2021-04-14 | 一种基于正常运行数据的动力舱失效风险评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110402777.0A CN112883656B (zh) | 2021-04-14 | 2021-04-14 | 一种基于正常运行数据的动力舱失效风险评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112883656A CN112883656A (zh) | 2021-06-01 |
CN112883656B true CN112883656B (zh) | 2022-11-01 |
Family
ID=76040028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110402777.0A Active CN112883656B (zh) | 2021-04-14 | 2021-04-14 | 一种基于正常运行数据的动力舱失效风险评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112883656B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106126924B (zh) * | 2016-06-24 | 2019-03-26 | 北京理工大学 | 一种装甲车动力舱的综合性能评价方法 |
CN107991876A (zh) * | 2017-12-14 | 2018-05-04 | 南京航空航天大学 | 基于生成式对抗网络的航空发动机状态监测数据生成方法 |
DE102018222294A1 (de) * | 2018-12-19 | 2020-06-25 | Robert Bosch Gmbh | Verfahren, Computerprogramm, maschinenlesbares Speichermedium sowie Vorrichtung zur Datenvorhersage |
CN109886388B (zh) * | 2019-01-09 | 2024-03-22 | 平安科技(深圳)有限公司 | 一种基于变分自编码器的训练样本数据扩充方法和装置 |
CN112052894B (zh) * | 2020-09-02 | 2023-02-07 | 北京理工大学 | 一种动力舱状态实时监控评价方法 |
-
2021
- 2021-04-14 CN CN202110402777.0A patent/CN112883656B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112883656A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112149316B (zh) | 基于改进的cnn模型的航空发动机剩余寿命预测方法 | |
CN111914873A (zh) | 一种两阶段云服务器无监督异常预测方法 | |
CN110212528B (zh) | 一种配电网量测数据缺失重构方法 | |
CN110298374B (zh) | 一种基于深度学习的驾驶轨迹能耗分析方法和装置 | |
CN113204921B (zh) | 飞机涡扇发动机的剩余使用寿命预测方法及*** | |
CN111783362A (zh) | 一种电动闸阀剩余使用寿命确定方法及*** | |
CN115791174B (zh) | 一种滚动轴承异常诊断方法、***、电子设备及存储介质 | |
CN116679211A (zh) | 一种锂电池健康状态的预测方法 | |
CN116625686A (zh) | 一种航空发动机轴承故障在线诊断方法 | |
CN115345222A (zh) | 一种基于TimeGAN模型的故障分类方法 | |
Ma et al. | A collaborative central domain adaptation approach with multi-order graph embedding for bearing fault diagnosis under few-shot samples | |
Zhong et al. | Fault diagnosis of Marine diesel engine based on deep belief network | |
CN110516391A (zh) | 一种基于神经网络的航空发动机动态模型建模方法 | |
CN116827685B (zh) | 基于深度强化学习的微服务***动态防御策略方法 | |
CN112883656B (zh) | 一种基于正常运行数据的动力舱失效风险评价方法 | |
CN113762967A (zh) | 风险信息确定方法、模型训练方法、设备、程序产品 | |
CN116793666A (zh) | 一种基于lstm-mlp-lsgan模型的风电机组齿轮箱故障诊断方法 | |
CN115330082A (zh) | 一种基于注意力机制的lstm网络的pm2.5浓度预测方法 | |
CN114841063A (zh) | 一种基于深度学习的航空发动机剩余寿命预测方法 | |
CN112560252A (zh) | 一种航空发动机剩余寿命预测方法 | |
CN111105074A (zh) | 一种基于改进深度信念学习的故障预测方法 | |
CN118013400B (zh) | 电机故障诊断方法、装置、电子设备和存储介质 | |
CN114298446B (zh) | 一种基于数模双驱的风电功率预测方法、装置和存储介质 | |
Chen et al. | A Multivariate Time Series Anomaly Detection Method Based on Generative Model | |
CN117828481B (zh) | 基于动态集成框架共轨船用燃油***故障诊断方法及介质 |
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 |