CN113962308A - 一种航空设备故障预测方法 - Google Patents
一种航空设备故障预测方法 Download PDFInfo
- Publication number
- CN113962308A CN113962308A CN202111241714.8A CN202111241714A CN113962308A CN 113962308 A CN113962308 A CN 113962308A CN 202111241714 A CN202111241714 A CN 202111241714A CN 113962308 A CN113962308 A CN 113962308A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- equipment
- training
- characteristic parameter
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000000605 extraction Methods 0.000 claims abstract description 35
- 230000009467 reduction Effects 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000003595 spectral effect Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000004321 preservation Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 24
- 230000006870 function Effects 0.000 description 17
- 238000003745 diagnosis Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000004083 survival effect Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000036962 time dependent Effects 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种航空设备故障预测方法,属于故障预测维护技术领域,其特征在于,包括以下步骤:a、获取设备数据,并对设备数据进行归一化处理;b、建立并训练基于神经网络算法和局部线性嵌入算法的故障特征参数提取模型,将降维模型训练数据输入故障特征参数提取模型,得到提取的数据特征;c、建立并训练多层感知机分类器;d、将数据特征输入到多层感知机分类器中,得到当前设备***状态的预测结果。本发明通过建立故障特征参数提取模型,学习设备***中和各种故障相关的参数之间的复杂关系,自动提取故障数据特征,最后将特征参数输入到多层感知机进行设备状态预测,能够有效提高预测的准确性和快速性。
Description
技术领域
本发明涉及到故障预测维护技术领域,尤其涉及一种航空设备故障预测方法。
背景技术
随着航空专用设备朝大型化、复杂化方向发展,应用场合的特殊性要求航空航天装备对故障的容忍度极低,这与愈发复杂的***可能带来的风险产生矛盾。因而,传统的定期排查、事后管理维修等***维护手段已经无法适应航空航天装备的发展趋势,高效、准确、低成本的航空航天装备监测维护***和科学的维修管理,以及预测性维修方法需求愈发强烈。
现有航空专用设备***的维护方式主要采用事后维护和周期定检,事后维护属于被动维护。周期定检通常依靠人工对维护周期进行决策,容易造成维护不足或者维护过剩的现象,这两种维护方式都严重影响设备使用率和飞机生产效率,不能基于设备实时状态给出科学的维护策略。此外,现有故障诊断方法主要通过人为指定故障判据,对设备***进行检查,这种方法需要大量经验知识,且难以覆盖所有故障发生情况,受人工经验判断准确性影响较大,存在着不足。
公开号为CN 112083244A,公开日为2020年12月15日的中国专利文献公开了一种综合化航空电子设备故障智能诊断***,包括:分别相连数据库的数据预处理模块和故障预测结果评价模块,相连霍克斯过程模块的生存分析预测模块,其特征在于:数据预处理模块从第一数据库中将采集设备数据转换为设备的ID号和设备发生故障时间戳的差值,将这两列数据存入第一数据库中作为故障事件序列,建立基于训练集的独立预后模型和预测模型;霍克斯过程模块从数据预处理模块中读取数据,模拟发生的历史事件,对于未来事件的发生激励,根据每个观察到的设备对故障事件序列进行激励,将设备在过去时间内的故障事件的发生进行霍克斯过程的强度函数建模,周期性地向下位机发送检测信号,通过接收的响应数据帧判断***是否产生故障和***故障的类型,对故障类型、故障部位及原因进行诊断,基于霍克斯过程的故障诊断,将检测到的故障信号送入生存分析预测模块辨识故障大小和时变特性,引入时间依存变量,以生存结局和生存时间为因变量构建比例风险回归模型COX回归模型,通过变量赋值定义构建模型所用样本,利用比例风险回归模型COX分析带有截尾生存时间的资料,从霍克斯过程模块中得到生存函数,通过累积风险函数预测设备故障的返回时间;将变化产生的新信息送入故障预测结果评价模块,利用平均绝对误差MAE对最终的故障时间预测的时间戳进行度量,根据不同故障时间戳的单位进行故障分析,完成故障诊断任务。
该专利文献公开的综合化航空电子设备故障智能诊断***,能够克服传统故障诊断方法推理过程模糊、阈值不确定的问题。但是,诊断的准确性和快速性欠佳。
发明内容
本发明为了克服上述现有技术的缺陷,提供一种航空设备故障预测方法,本发明通过建立故障特征参数提取模型,学习设备***中和各种故障相关的参数之间的复杂关系,自动提取故障数据特征,最后将特征参数输入到多层感知机进行设备状态预测,根据预测结果进行维护决策,能够有效提高预测的准确性和快速性。
本发明通过下述技术方案实现:
一种航空设备故障预测方法,其特征在于,包括以下步骤:
a、获取设备数据,并对设备数据进行归一化处理,作为为降维模型训练数据;
b、建立并训练基于神经网络算法和局部线性嵌入算法的故障特征参数提取模型,将归一化处理后的降维模型训练数据输入故障特征参数提取模型,得到提取的数据特征;
c、建立并训练多层感知机分类器;
d、将步骤b提取的数据特征输入到多层感知机分类器中,得到当前设备***状态的预测结果。
所述步骤a中,获取设备数据具体是指获取设备***正常和故障状态下数据采集器采集到的相关参数信号。
所述相关参数信号是指正常运行数据和故障运行数据。
所述步骤a中,对设备数据进行归一化处理具体是指假设第i个参数数据为Pi=[p1,p2,...,pm],将n个参数数据按列整合成数据集原始特征矩阵X=[P1,P2,...,Pn],并获取数据集对应的故障标签矩阵Y=[0,0,...1],再对数据集原始特征矩阵X进行归一化处理。
所述步骤b中,建立并训练基于神经网络算法和局部线性嵌入算法的故障特征参数提取模型具体是指通过神经网络输入参数对输出状态变化的灵敏度的最大化与局部线性嵌入算法得到的样本之间距离的最小化之差作为总的目标函数M,通过式1确定;
M=max(agMglobal-alMlocal) 式1
其中,ag通过式2确定;al通过式3确定;
ag=Rg/(Rg+Rl) 式2
al=1-Rl 式3
式中,Mglobal为全局结构保持的目标函数,Mlocal为局部结构保持的目标函数,ag为全局结构保持的目标函数权重,al为局部结构保持的目标函数权重,Rg为全局结构保持的目标函数权重矩阵谱半径,Rl为局部结构保持的目标函数权重矩阵谱半径。
所述步骤b中,将归一化处理后的降维模型训练数据输入故障特征参数提取模型具体是指对故障特征参数提取模型进行训练直至损失收敛,得到设备故障的故障特征参数。
本发明的有益效果主要表现在以下方面:
1、本发明,a、获取设备数据,并对设备数据进行归一化处理,作为为降维模型训练数据;b、建立并训练基于神经网络算法和局部线性嵌入算法的故障特征参数提取模型,将归一化处理后的降维模型训练数据输入故障特征参数提取模型,得到提取的数据特征;c、建立并训练多层感知机分类器;d、将步骤b提取的数据特征输入到多层感知机分类器中,得到当前设备***状态的预测结果;通过建立故障特征参数提取模型,学习设备***中和各种故障相关的参数之间的复杂关系,自动提取故障数据特征,最后将特征参数输入到多层感知机进行设备状态预测,根据预测结果进行维护决策,能够有效提高预测的准确性和快速性。
2、本发明,利用设备历史数据,给出设备综合性能的评价信息,能比较客观的得到设备的性能状况,代替了传统人工基于专家知识的故障判据,充分挖掘了设备***中相关参数的信息,有效提高检测率。
3、本发明,利用优化降维算法结合多层感知机算法对设备当前状态进行预测,能够有效提高预测的准确性和快速性。
4、本发明,神经网络算法在提取有效特征信息时只考虑全局结构保持而未考虑样本间的局部近邻结构保持问题,全局结构反映了数据的外部形状,局部结构反映了数据的内在属性,使用神经网络模型与局部线性嵌入方法相结合度特征参数进行提取兼顾了数据的局部结构保持问题,使故障特征参数提取更加准确有效。
附图说明
下面将结合说明书附图和具体实施方式对本发明作进一步的具体说明:
图1为本发明的流程框图;
图2为本发明人工神经网络结合局部线性嵌入算法的模型图。
具体实施方式
实施例1
参见图1和图2,一种航空设备故障预测方法,包括以下步骤:
a、获取设备数据,并对设备数据进行归一化处理,作为为降维模型训练数据;
b、建立并训练基于神经网络算法和局部线性嵌入算法的故障特征参数提取模型,将归一化处理后的降维模型训练数据输入故障特征参数提取模型,得到提取的数据特征;
c、建立并训练多层感知机分类器;
d、将步骤b提取的数据特征输入到多层感知机分类器中,得到当前设备***状态的预测结果。
本实施例为最基本的实施方式,通过建立故障特征参数提取模型,学习设备***中和各种故障相关的参数之间的复杂关系,自动提取故障数据特征,最后将特征参数输入到多层感知机进行设备状态预测,根据预测结果进行维护决策,能够有效提高预测的准确性和快速性。
实施例2
参见图1和图2,一种航空设备故障预测方法,包括以下步骤:
a、获取设备数据,并对设备数据进行归一化处理,作为为降维模型训练数据;
b、建立并训练基于神经网络算法和局部线性嵌入算法的故障特征参数提取模型,将归一化处理后的降维模型训练数据输入故障特征参数提取模型,得到提取的数据特征;
c、建立并训练多层感知机分类器;
d、将步骤b提取的数据特征输入到多层感知机分类器中,得到当前设备***状态的预测结果。
所述步骤a中,获取设备数据具体是指获取设备***正常和故障状态下数据采集器采集到的相关参数信号。
本实施例为一较佳实施方式,利用设备历史数据,给出设备综合性能的评价信息,能比较客观的得到设备的性能状况,代替了传统人工基于专家知识的故障判据,充分挖掘了设备***中相关参数的信息,有效提高检测率。
实施例3
参见图1和图2,一种航空设备故障预测方法,包括以下步骤:
a、获取设备数据,并对设备数据进行归一化处理,作为为降维模型训练数据;
b、建立并训练基于神经网络算法和局部线性嵌入算法的故障特征参数提取模型,将归一化处理后的降维模型训练数据输入故障特征参数提取模型,得到提取的数据特征;
c、建立并训练多层感知机分类器;
d、将步骤b提取的数据特征输入到多层感知机分类器中,得到当前设备***状态的预测结果。
所述步骤a中,获取设备数据具体是指获取设备***正常和故障状态下数据采集器采集到的相关参数信号。
所述相关参数信号是指正常运行数据和故障运行数据。
所述步骤a中,对设备数据进行归一化处理具体是指假设第i个参数数据为Pi=[p1,p2,...,pm],将n个参数数据按列整合成数据集原始特征矩阵X=[P1,P2,...,Pn],并获取数据集对应的故障标签矩阵Y=[0,0,...1],再对数据集原始特征矩阵X进行归一化处理。
本实施例为又一较佳实施方式,利用优化降维算法结合多层感知机算法对设备当前状态进行预测,能够有效提高预测的准确性和快速性。
实施例4
参见图1和图2,一种航空设备故障预测方法,包括以下步骤:
a、获取设备数据,并对设备数据进行归一化处理,作为为降维模型训练数据;
b、建立并训练基于神经网络算法和局部线性嵌入算法的故障特征参数提取模型,将归一化处理后的降维模型训练数据输入故障特征参数提取模型,得到提取的数据特征;
c、建立并训练多层感知机分类器;
d、将步骤b提取的数据特征输入到多层感知机分类器中,得到当前设备***状态的预测结果。
所述步骤a中,获取设备数据具体是指获取设备***正常和故障状态下数据采集器采集到的相关参数信号。
所述相关参数信号是指正常运行数据和故障运行数据。
所述步骤a中,对设备数据进行归一化处理具体是指假设第i个参数数据为Pi=[p1,p2,...,pm],将n个参数数据按列整合成数据集原始特征矩阵X=[P1,P2,...,Pn],并获取数据集对应的故障标签矩阵Y=[0,0,...1],再对数据集原始特征矩阵X进行归一化处理。
所述步骤b中,建立并训练基于神经网络算法和局部线性嵌入算法的故障特征参数提取模型具体是指通过神经网络输入参数对输出状态变化的灵敏度的最大化与局部线性嵌入算法得到的样本之间距离的最小化之差作为总的目标函数M,通过式1确定;
M=max(agMglobal-alMlocal) 式1
其中,ag通过式2确定;al通过式3确定;
ag=Rg/(Rg+Rl) 式2
al=1-Rl 式3
式中,Mglobal为全局结构保持的目标函数,Mlocal为局部结构保持的目标函数,ag为全局结构保持的目标函数权重,al为局部结构保持的目标函数权重,Rg为全局结构保持的目标函数权重矩阵谱半径,Rl为局部结构保持的目标函数权重矩阵谱半径。
所述步骤b中,将归一化处理后的降维模型训练数据输入故障特征参数提取模型具体是指对故障特征参数提取模型进行训练直至损失收敛,得到设备故障的故障特征参数。
本实施例为最佳实施方式,神经网络算法在提取有效特征信息时只考虑全局结构保持而未考虑样本间的局部近邻结构保持问题,全局结构反映了数据的外部形状,局部结构反映了数据的内在属性,使用神经网络模型与局部线性嵌入方法相结合度特征参数进行提取兼顾了数据的局部结构保持问题,使故障特征参数提取更加准确有效。
下面通过具体实例对本发明进行说明:
采用热压罐设备***相关参数为例,采用本发明对某热压罐设备***风机故障进行诊断及预测。
根据数据记录情况,在所采样点数据中,假设第2300个采样点到8990个采样点之间发生风机故障。因此,将这段时间数据归为风机故障数据。
步骤一、设备数据获取,降维和归一化处理;
获取热压罐设备***正常和故障状态下数据采集器采集到的相关参数信号,每个样本包含115个运行参数,将其按列整合并进行归一化处理,与相应的故障标签数组作为降维模型训练数据;
步骤二、建立并训练基于神经网络算法和局部线性嵌入算法的故障特征参数提取模型;
建立如图2所示的人工神经网络结合局部线性嵌入算法的模型;
将步骤一中构建的训练样本集输入,对模型进行训练,得到设备故障相应的故障特征参数;
步骤三、建立并训练多层感知机分类器;
构建并训练多层感知机,作为设备状态预测模型;将步骤二中提取的故障特征数据作为输入,对模型进行训练,直至损失收敛,此时多层感知机能够对设备状态进行诊断;
步骤四、设备状态诊断及预测;
采集实际设备***相关参数对其进行步骤一的处理后,输入步骤二获得的设备故障特征提取模型,得到提取的数据特征;之后输入到步骤三获的多层感知机分类器中,得到当前设备***状态的预测结果:风机故障概率0.7,热压罐正常概率0.3,根据此结果就能够作出对热压罐风机进行维护的决策。
算例分析表明:采用本发明的故障预测方法,提高了利用设备历史数据和专家知识经验的能力,能够较好的给出设备综合性能的评价信息,能比较客观的得到设备的性能状况,提供较为充分的维护决策信息;利用优化降维算法结合多层感知机算法对设备运行数据进行预测,能够有效提高预测的准确性和快速性。
Claims (6)
1.一种航空设备故障预测方法,其特征在于,包括以下步骤:
a、获取设备数据,并对设备数据进行归一化处理,作为为降维模型训练数据;
b、建立并训练基于神经网络算法和局部线性嵌入算法的故障特征参数提取模型,将归一化处理后的降维模型训练数据输入故障特征参数提取模型,得到提取的数据特征;
c、建立并训练多层感知机分类器;
d、将步骤b提取的数据特征输入到多层感知机分类器中,得到当前设备***状态的预测结果。
2.根据权利要求1所述的一种航空设备故障预测方法,其特征在于:所述步骤a中,获取设备数据具体是指获取设备***正常和故障状态下数据采集器采集到的相关参数信号。
3.根据权利要求2所述的一种航空设备故障预测方法,其特征在于:所述相关参数信号是指正常运行数据和故障运行数据。
4.根据权利要求1所述的一种航空设备故障预测方法,其特征在于:所述步骤a中,对设备数据进行归一化处理具体是指假设第i个参数数据为Pi=[p1,p2,...,pm],将n个参数数据按列整合成数据集原始特征矩阵X=[P1,P2,...,Pn],并获取数据集对应的故障标签矩阵Y=[0,0,...1],再对数据集原始特征矩阵X进行归一化处理。
5.根据权利要求1所述的一种航空设备故障预测方法,其特征在于:所述步骤b中,建立并训练基于神经网络算法和局部线性嵌入算法的故障特征参数提取模型具体是指通过神经网络输入参数对输出状态变化的灵敏度的最大化与局部线性嵌入算法得到的样本之间距离的最小化之差作为总的目标函数M,通过式1确定;
M=max(agMglobal-alMlocal) 式1
其中,ag通过式2确定;al通过式3确定;
ag=Rg/(Rg+Rl) 式2
al=1-Rl 式3
式中,Mglobal为全局结构保持的目标函数,Mlocal为局部结构保持的目标函数,ag为全局结构保持的目标函数权重,al为局部结构保持的目标函数权重,Rg为全局结构保持的目标函数权重矩阵谱半径,Rl为局部结构保持的目标函数权重矩阵谱半径。
6.根据权利要求1所述的一种航空设备故障预测方法,其特征在于:所述步骤b中,将归一化处理后的降维模型训练数据输入故障特征参数提取模型具体是指对故障特征参数提取模型进行训练直至损失收敛,得到设备故障的故障特征参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111241714.8A CN113962308A (zh) | 2021-10-25 | 2021-10-25 | 一种航空设备故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111241714.8A CN113962308A (zh) | 2021-10-25 | 2021-10-25 | 一种航空设备故障预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113962308A true CN113962308A (zh) | 2022-01-21 |
Family
ID=79466698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111241714.8A Pending CN113962308A (zh) | 2021-10-25 | 2021-10-25 | 一种航空设备故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113962308A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114741945A (zh) * | 2022-02-17 | 2022-07-12 | 成都飞机工业(集团)有限责任公司 | 一种航空发动机在线故障的诊断方法 |
CN115169137A (zh) * | 2022-07-20 | 2022-10-11 | 成都飞机工业(集团)有限责任公司 | 一种热压罐成型固化过程预测方法、***、设备及介质 |
CN116720109A (zh) * | 2023-08-09 | 2023-09-08 | 傲拓科技股份有限公司 | 基于fpga的改进局部线性嵌入风机轴承故障诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598926A (zh) * | 2015-01-29 | 2015-05-06 | 西北工业大学 | 一种飞机发动机瞬态故障检测的方法 |
US20200067969A1 (en) * | 2018-08-22 | 2020-02-27 | General Electric Company | Situation awareness and dynamic ensemble forecasting of abnormal behavior in cyber-physical system |
CN111459142A (zh) * | 2020-04-22 | 2020-07-28 | 北京航空航天大学 | 一种基于堆叠稀疏降噪自编码器的飞机液冷失效故障诊断方法 |
-
2021
- 2021-10-25 CN CN202111241714.8A patent/CN113962308A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598926A (zh) * | 2015-01-29 | 2015-05-06 | 西北工业大学 | 一种飞机发动机瞬态故障检测的方法 |
US20200067969A1 (en) * | 2018-08-22 | 2020-02-27 | General Electric Company | Situation awareness and dynamic ensemble forecasting of abnormal behavior in cyber-physical system |
CN111459142A (zh) * | 2020-04-22 | 2020-07-28 | 北京航空航天大学 | 一种基于堆叠稀疏降噪自编码器的飞机液冷失效故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
HAITAO ZHAO等: "Global-and-local-structure-based neural network for fault detection", 《NEURAL NETWORKS》, vol. 118, 7 June 2019 (2019-06-07), pages 43 - 53, XP085793971, DOI: 10.1016/j.neunet.2019.05.022 * |
孙斌等: "基于局部线性嵌入和云神经网络的转子故障诊断方法", 《振动与冲击》, vol. 31, no. 23, 15 December 2012 (2012-12-15), pages 99 - 103 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114741945A (zh) * | 2022-02-17 | 2022-07-12 | 成都飞机工业(集团)有限责任公司 | 一种航空发动机在线故障的诊断方法 |
CN115169137A (zh) * | 2022-07-20 | 2022-10-11 | 成都飞机工业(集团)有限责任公司 | 一种热压罐成型固化过程预测方法、***、设备及介质 |
CN116720109A (zh) * | 2023-08-09 | 2023-09-08 | 傲拓科技股份有限公司 | 基于fpga的改进局部线性嵌入风机轴承故障诊断方法 |
CN116720109B (zh) * | 2023-08-09 | 2023-10-20 | 傲拓科技股份有限公司 | 基于fpga的改进局部线性嵌入风机轴承故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113962308A (zh) | 一种航空设备故障预测方法 | |
CN111507376B (zh) | 一种基于多种无监督方法融合的单指标异常检测方法 | |
US9483049B2 (en) | Anomaly detection and diagnosis/prognosis method, anomaly detection and diagnosis/prognosis system, and anomaly detection and diagnosis/prognosis program | |
CN113469060A (zh) | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 | |
CN113011763A (zh) | 一种基于时空图卷积注意力的桥梁损伤识别方法 | |
CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
CN115238785A (zh) | 基于图像融合和集成网络的旋转机械故障诊断方法和*** | |
CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和*** | |
He et al. | Intelligent Fault Analysis With AIOps Technology | |
CN117743909A (zh) | 一种基于人工智能的供热***故障分析方法及装置 | |
CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
CN117150418B (zh) | 基于状态特征故障树的变压器运检周期制定方法和*** | |
CN114912678A (zh) | 电网调控异常操作在线自动检测预警方法及*** | |
CN117630797A (zh) | 基于工作电流的电表健康状态检测方法、***及存储介质 | |
CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及*** | |
Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
CN117009119A (zh) | 一种面向云原生的微服务智能运维***、方法及应用 | |
CN110874506A (zh) | 一种低温设备故障预测的方法 | |
CN115600695A (zh) | 一种计量设备的故障诊断方法 | |
KR20200002433A (ko) | 빅데이터 분석을 이용한 통계적 품질 관리 시스템 | |
CN114580472A (zh) | 工业互联网中因果与注意力并重的大型设备故障预测方法 | |
Giannoulidis et al. | Exploring unsupervised anomaly detection for vehicle predictive maintenance with partial information. | |
CN114638039B (zh) | 一种基于低秩矩阵恢复的结构健康监测特征数据解释方法 | |
Slimene et al. | Anomaly Detection Method of Aircraft System using Multivariate Time Series Clustering and Classification Techniques | |
CN116150668B (zh) | 一种基于双级对齐部分迁移网络的旋转设备故障诊断方法 |
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 |