CN116754235A - 一种针对竞争失效的航空发动机可靠性评估方法 - Google Patents
一种针对竞争失效的航空发动机可靠性评估方法 Download PDFInfo
- Publication number
- CN116754235A CN116754235A CN202210211317.4A CN202210211317A CN116754235A CN 116754235 A CN116754235 A CN 116754235A CN 202210211317 A CN202210211317 A CN 202210211317A CN 116754235 A CN116754235 A CN 116754235A
- Authority
- CN
- China
- Prior art keywords
- reliability
- data
- failure
- engine
- aero
- 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 34
- 238000012544 monitoring process Methods 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 238000000265 homogenisation Methods 0.000 claims abstract description 6
- 238000006731 degradation reaction Methods 0.000 claims description 39
- 230000015556 catabolic process Effects 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 19
- 238000012423 maintenance Methods 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 13
- 238000005315 distribution function Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000013473 artificial intelligence Methods 0.000 claims description 7
- 238000013210 evaluation model Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000007423 decrease Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 239000000446 fuel Substances 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 239000010687 lubricating oil Substances 0.000 claims description 3
- 230000009469 supplementation Effects 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 12
- 238000012360 testing method Methods 0.000 abstract description 5
- 239000003016 pheromone Substances 0.000 description 6
- 230000002860 competitive effect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000257303 Hymenoptera Species 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了针对竞争失效的航空发动机可靠性评估方法;该方法包括:建立基于退化失效和突发失效的竞争失效航空发动机可靠性评估模型,一方面,通过人工智能算法对采集的监测数据进行优化,去除同质化程度较高的样本,提高输入融合的样本的有效性,降低输入样本数量,从而在保证结果准确度的同时提高融合计算速度;另一方面通过神经网络算法扩充故障数据,解决由于故障少发,无法获取大量可靠性试验数据的问题。从而实现了在减少冗余计算数据的同时,提高计算准确性。
Description
技术领域
本发明涉及航空发动机领域,尤其是针对竞争失效的航空发动机可靠性评估。
背景技术
航空发动机技术涉及气动热力学、燃烧学、传热学、结构强度、电子控制、材料和工艺等,专业面广且深。同时其工作条件严酷,各种要求苛刻,加之飞机对航空发动机的性能、耐久性、可靠性和降低成本等要求日益提高,从而使其研制有周期长、费用高、难度大、风险多,航空发动机具有知识密集、技术密集和资金密集等特点。
对于航空事业来说,航空发动机的可靠性管理是非常重要的一个环节,因此,对航空发动机的可靠性进行客观、科学的预测越来越重要。
现有的技术如CN102567639A的专利申请文件提供的一种针对竞争失效的航空发动机可靠性评估方法,考虑突发失效和性能退化失效两种情况,建立基于竞争失效的航空发动机可靠性模型,针对性能衰退失效,采集监测信息,应用贝叶斯线性模型融合监测信息,提高信息利用效率;针对突发失效,采集事件信息,应用贝叶斯方法,通过先验和后验估计的信息综合利用不同时序点的突发失效相关信息,提高信息利用效率。
然而,上述中的现有技术方案存在以下缺陷:
由于对于航空发动机,由于故障少发,也不太能获取大量可靠性试验数据,因此最多只能评估概率分布函数的中间区域部分,对于有限样本的容量,在拟合参数时存在拟合优度检验中,存在作为原假设的概率分布函数虽然被接受,但是与实际分布不符的问题。并且,在专利CN102567639A中,确定形状参数直接由衰退程度的期望值确定,指数参数假设服从伽马分布,由于数据量较少,会造成最终拟合结果不能满足实际情况。
发明内容
(一)解决的技术问题
为了解决上述存在的技术问题,实现发明目的,本发明是通过以下技术方案实现的:
一方面,通过人工智能算法对采集的监测数据进行优化,去除同质化程度较高的样本,提高输入融合的样本的有效性,降低输入样本数量,从而在保证结果准确度的同时提高融合计算速度;另一方面通过神经网络算法扩充故障数据,解决由于故障少发,无法获取大量可靠性试验数据的问题。从而实现了在减少冗余计算数据的同时,提高计算准确性。
(二)技术方案
为了解决上述存在的技术问题,实现发明目的,本发明是通过以下技术方案实现的:
S1:获取监测信息、故障信息、维修信息和检查信息;
S2:采用人工智能算法对获取的监测信息进行预处理;
S3:建立多监测信息融合航空发动机性能退化评估模型;
S4:建立基于神经网络威布尔分布的航空发动机突发失效可靠性评估模型;
S5:建立竞争失效的航空发动机***的可靠性模型。
进一步地,步骤S2包括:采用人工智能算法对多个监测信息进行预处理,具体为:对采集的监测信息进行标准化后通过蚁群算法对输入样本进行子集合的划分,再将划分后的子集合进行筛选提取,根据组内样本同质化的程度来确定该组筛选的程度。监测信息包括:发动机排气温度偏差、燃油消耗量偏差、高压转子转速偏差、滑油压力偏差、低压转子振动值偏差和高压转子振动值偏差;
进一步地,步骤S3包括:采用贝叶斯模型评估航空发动机性能衰退程度,具体为:采用gamma过程描述衰退过程,设退化量w(t)服从gamma分布Ga(μ(t),λ),其密度函数为:
其中,α和β分别为形状参数和尺寸参数,
为gamma函数。
建立基于性能衰退的可靠性模型:
R1(t)=P{T1>t}即P{w(t)<ε};
其中R1(t)为t时刻的可靠性,T1为航空发动机由正常转为衰退失效状态所经历的时间,w(t)为t时刻航空发动机的性能衰退程度,ε表示航空发动机的衰退阈值,即性能失效阈值。根据现有技术中的模型,退化量的期望值与时间的幂成正比,即:
α(t)=ktv
带入前式可得:
进一步地,步骤S4包括:
步骤S4.1:对故障数据进行预处理和标准化;
步骤S4.2:建立神经网络模型;
选择神经网络输入层神经元3个,中间层一层,神经元个数为4,输出层神经元为1个。输入层神经元分别对应故障信息,维修信息以及衰退程度,输出层对应为突发失效可靠性信息。设定网络训练次数、训练目标以及学习速度。
步骤S4.3:训练神经网络,获得神经网络参数;
设获取的可靠性统计数据有N组(N为偶数),选择前N/2组数据为训练数据,后N/2数据为校验数据。通过输入训练样本数据调整神经网络的权重和阈值,直到其收敛到设定的范围,根据最终的权重和阈值确定神经网络模型。
步骤S4.4:通过神经网络获得预测数据;
通过上述步骤确定的神经网络模型对数据进行扩充,获得预测数据。具体为,基于已经获取的航空发动机故障信息,维修信息以及衰退程度,根据数据之间的间隔进行数据补充,获得更高密度的故障信息,维修信息以及衰退程度,将三个输入信息输入到神经网络的输入层,获取输出层数据,补充到高密度的航空发动机可靠性统计数据中。
步骤S4.5:使用测量数据和预测数据采用威布尔分布建立突发失效可靠性评估模型。
假设在突发失效模式下,航空发动机可靠性服从双参数的威布尔分布,公式如下:
可靠性函数为:
密度函数为:
失效率函数为:
分布函数为:
式中,η为尺度参数,β为形状参数。
其是易于弹性的模型,随着形状参数的变化,该模型可以变化为不同的形状,因此,其在实际使用中,由于其易于弹性,可以更好地拟合可靠性模型。
设:
则将分布函数变换为:
y=βx-βln(η)
对已知时间和不可靠度进行最小二乘法拟合,从而得到参数的估计值β和η。
根据获得的参数计算突发失效的可靠性其中T2为航空发动机由正常转为突发失效状态所经历的时间。
步骤S5进一步具体为:
在竞争模式下,t时刻航空发动机的可靠性为:
其中,Wn为退化失效的阈值;F(x,t)为退化量分布函数,其概率密度函数为f(x,t);Rc(t)表示竞争失效的可靠性。
(三)有益效果
本发明一方面针对监测信息量较多的特点,通过人工智能算法对采集的监测数据进行优化,去除同质化程度较高的样本,提高输入融合的样本的有效性,降低输入样本数量,从而在保证结果准确度的同时提高融合计算速度;另一方面针对航空发动机故障贫发,能获取故障数据较少的问题,通过神经网络算法扩充故障数据,解决由于故障少发,无法获取大量可靠性试验数据的问题。从而实现了在减少冗余计算数据的同时提高计算准确性。
附图说明
图1为本发明实施例提供的针对竞争失效的航空发动机可靠性评估方法流程图;
图2为本发明实施例提供的基于神经网络的航空发动机数据扩充方法流程图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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做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。
为详细说明本发明的技术内容,所实现的目的和技术效果,以下结合实施方式并配合附图进行详细说明。
参见图1,一种针对竞争失效的航空发动机可靠性评估方法包括:
S1:获取监测信息、故障信息、维修信息和检查信息;
S2:采用人工智能算法对获取的监测信息进行预处理;
采用人工智能算法对多个监测信息进行预处理,具体为:对采集的监测信息进行标准化后通过蚁群算法对输入样本进行子集合的划分,再将划分后的子集合进行筛选提取,根据组内样本同质化的程度来确定该组筛选的程度。监测信息包括:发动机排气温度偏差、燃油消耗量偏差、高压转子转速偏差、滑油压力偏差、低压转子振动值偏差和高压转子振动值偏差;
采用蚁群算法进行输入样本空间划分的具体步骤为:
(1)初始化参数α,β,hij,r,ρ;
(2)随机选取蚂蚁xi,计算其到各个食物源的距离,根据信息素释放方式决定是否释放信息素,计算启发函数η。
信息素释放方式如下公式:
hij为信息素浓度;R(xi,xj)为两个参数之间的相关度;r为相关性阈值。
启发函数为:
其中m为蚂蚁数,/>
相关度R(xi,xj)计算方式如下:
(3)根据下式计算蚂蚁从xi,到xj的概率pij,设定概率阈值p,当pij>p时,将xi,和xj置于同一个集合中,否则不置于一个集合中。
其中,S为从xi,到xj的可行路径集,即S={xs||R(xi,xj)|>r,S=1,2…n};
(4)调整信息素浓度,更新mj,使J为新归置完成的类中的元素个数。根据下式调整信息素浓度:
hij(t′)=(1-ρ)hij(t)+Δhij(t);
(5)若还有未归类的xi,则跳转至步骤(2),否则结束。
在完成向量空间的划分后,得到若干个组内相关性较强,组间相关性较弱或者不相关的集合。
该步骤实现了去除同质度较高的数据,降低计算量的同时更好体现输入样本的局部特征,提高输入融合的样本的有效性,降低输入样本数量,从而提高融合计算速度,同时减轻了后续模型建立步骤的计算难度,缩短建模时间。
S3:建立多监测信息融合航空发动机性能退化评估模型;
采用贝叶斯模型评估航空发动机性能衰退程度,具体为:采用gamma过程描述衰退过程,设退化量w(t)服从gamma分布Ga(μ(t),λ),其密度函数为:
其中,α和β分别为形状参数和尺寸参数,
为gamma函数。
建立基于性能衰退的可靠性模型:
Rl(t)=P{T1>t}即P{w(t)<ε};
其中R1(t)为t时刻的可靠性,T1为航空发动机由正常转为衰退失效状态所经历的时间,w(t)为t时刻航空发动机的性能衰退程度,ε表示航空发动机的衰退阈值,即性能失效阈值。根据现有技术中的模型,退化量的期望值与时间的幂成正比,即:
α(t)=ktv
带入前式可得:
S4:建立基于神经网络威布尔分布的航空发动机突发失效可靠性评估模型;
人工神经网络算法在数据预测领域的优势十分明显,对于航空发动机故障数据较少的情况,基于神经网络算法对数据进行预测,便可以得到预测数据,根据预测数据采用威布尔分布得到参数,这种方法可以有效解决航空发动机可靠性评估领域故障数据贫发的问题。
具体步骤包括:
步骤S4.1:对故障数据进行预处理和标准化;
步骤S4.2:建立神经网络模型;
步骤S4.3:训练神经网络,获得神经网络参数;
步骤S4.4:通过神经网络获得预测数据;
步骤S4.5:使用测量数据和预测数据采用威布尔分布建立突发失效可靠性评估模型。
一个有效的神经网络可靠性模型应当满足节点间有充分的连接,保证网络在非线性情况下的分类能力,网络具有反映输入特征信息随参数变化的能力,网络中对权系数的数量远小于训练的数量,使网络有充分学习的可能。
步骤S4.1包括对故障数据进行统计,获得航空发动机故障信息,维修信息以及衰退程度以及突发失效可靠性信息,对数据进行分析,将数据进行标准化处理,得到多组航空发动机可靠性统计数据。
建立多层神经网络模型时,采用适当的隐层节点数很重要。如果隐层节点数太少,网络所能获取解决问题的信息太少,网络难以处理较复杂的问题;若隐层节点数过多,将使网络训练时间急剧增加,而且过多的隐层神经元容易使网络训练过度,即网络具有过多的信息处理能力,甚至将训练样本中没有意义的信息也记住了。事实上,影响隐层节点数的因素包括训练样本的大小、噪声量的大小,以及有待网络学习的输入\输出函数关系的复杂程度等很多方面。因此,合理选择建立神经网络模型的参数具有重要意义。
步骤S4.2包括:选择神经网络输入层神经元3个,中间层一层,神经元个数为4,输出层神经元为1个。输入层神经元分别对应故障信息,维修信息以及衰退程度,输出层对应为突发失效可靠性信息。设定网络训练次数、训练目标以及学习速度。
步骤S4.3包括:设获取的可靠性统计数据有N组(N为偶数),选择前N/2组数据为训练数据,后N/2数据为校验数据。通过输入训练样本数据调整神经网络的权重和阈值,直到其收敛到设定的范围,根据最终的权重和阈值确定神经网络模型。
步骤S4.4包括:通过上述步骤确定的神经网络模型对数据进行扩充,获得预测数据。具体为,基于已经获取的航空发动机故障信息,维修信息以及衰退程度,根据数据之间的间隔进行数据补充,获得更高密度的故障信息,维修信息以及衰退程度,将三个输入信息输入到神经网络的输入层,获取输出层数据,补充到高密度的航空发动机可靠性统计数据中。
随着可靠性统计数据的增加,对可靠性评估会更加精确,结果更接近于真实值。
步骤S4.5包括:
威布尔分布是近几年来可靠性估计上使用最广泛的模型,其能合理建模许多元件的可靠性,并且由于威布尔模型的形状参数,使其在数据拟合上富于弹性。并且,其经过双对数变换后可以被线性化,从而使得其在计算机处理上更加方便。
假设在突发失效模式下,航空发动机可靠性服从双参数的威布尔分布,公式如下:
可靠性函数为:
密度函数为:
失效率函数为:
分布函数为:
式中,η为尺度参数,β为形状参数。
其是易于弹性的模型,随着形状参数的变化,该模型可以变化为不同的形状,因此,其在实际使用中,由于其易于弹性,可以更好地拟合可靠性模型。
设:
则将分布函数变换为:
y=βx-βln(η)
对已知时间和不可靠度进行最小二乘法拟合,从而得到参数的估计值β和η。
根据获得的参数计算突发失效模式下的航空发动机可靠性其中T2为航空发动机由正常转为突发失效状态所经历的时间。
S5:建立竞争失效的航空发动机***的可靠性模型。
航空发动机在其运行过程中同时存在退化失效和突发失效,二者在本质上是竞争失效的关系,因此,根据航空发动机失效模式的特点,提出基于竞争失效的可靠性评估方法,步骤S5具体为:
在竞争模式下,t时刻航空发动机的可靠性为:
其中,Wn为退化失效的阈值;F(x,t)为退化量分布函数,其概率密度函数为f(x,t);Rc(t)表示竞争失效的可靠性。
以上所述的实施例仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (10)
1.一种针对竞争失效的航空发动机可靠性评估方法,其特征在于:包括以下步骤:
S1:获取监测信息、故障信息、维修信息和检查信息;
S2:采用人工智能算法对获取的监测信息进行预处理;
S3:建立多监测信息融合航空发动机性能退化评估模型;
S4:建立基于神经网络威布尔分布的航空发动机突发失效可靠性评估模型;
S5:建立竞争失效的航空发动机***的可靠性模型。
2.根据权利要求1所述的基于监测信息融合的航空发动机在翼可靠性评估方法,其特征在于,所述步骤S2包括:对采集的监测信息进行标准化后通过蚁群算法对输入样本进行子集合的划分,再将划分后的子集合进行筛选提取,根据组内样本同质化的程度来确定该组筛选的程度。
3.根据权利要求2所述的基于监测信息融合的航空发动机在翼可靠性评估方法,其特征在于,所述监测信息包括:发动机排气温度偏差、燃油消耗量偏差、高压转子转速偏差、滑油压力偏差、低压转子振动值偏差和高压转子振动值偏差。
4.根据权利要求1所述的基于监测信息融合的航空发动机在翼可靠性评估方法,其特征在于,所述步骤S4包括:
步骤S4.1:对故障数据进行预处理和标准化;
步骤S4.2:建立神经网络模型;
步骤S4.3:训练神经网络,获得神经网络参数;
步骤S4.4:通过神经网络获得预测数据;
步骤S4.5:使用测量数据和预测数据采用威布尔分布建立突发失效可靠性评估模型。
5.根据权利要求4所述的基于监测信息融合的航空发动机在翼可靠性评估方法,其特征在于:所述步骤S4.2选择神经网络输入层神经元3个,中间层一层,神经元个数为4,输出层神经元为1个;输入层神经元分别对应故障信息,维修信息以及衰退程度,输出层对应为突发失效可靠性信息;设定网络训练次数、训练目标以及学习速度。
6.根据权利要求4所述的基于监测信息融合的航空发动机在翼可靠性评估方法,其特征在于:所述步骤S4.3包括选择N组可靠性统计数据的前N/2组数据为训练数据,后N/2数据为校验数据;通过输入训练样本数据调整神经网络的权重和阈值,直到其收敛到设定的范围,根据最终的权重和阈值确定神经网络模型。
7.根据权利要求4所述的基于监测信息融合的航空发动机在翼可靠性评估方法,其特征在于:步骤S4.4包括使用基于步骤S4.3获取的神经网络进行预测,具体为基于已经获取的航空发动机故障信息,维修信息以及衰退程度,根据数据之间的间隔进行数据补充,获得更高密度的故障信息,维修信息以及衰退程度,将三个输入信息输入到神经网络的输入层,获取输出层数据,补充到高密度的航空发动机可靠性统计数据中。
8.根据权利要求4所述的基于监测信息融合的航空发动机在翼可靠性评估方法,其特征在于:所述步骤S4.5使用测量数据和预测数据采用威布尔分布建立突发失效可靠性评估模型具体为:
假设在突发失效模式下,航空发动机可靠性服从双参数的威布尔分布,公式如下:
可靠性函数为:
密度函数为:
失效率函数为:
分布函数为:
式中,η为尺度参数,β为形状参数;
其是易于弹性的模型,随着形状参数的变化,该模型可以变化为不同的形状,因此,其在实际使用中,由于其易于弹性,可以更好地拟合可靠性模型;
设:
则将分布函数变换为:
y=βx-βln(η)
对已知时间和不可靠度进行最小二乘法拟合,从而得到参数的估计值β和η。
9.根据权利要求8所述的基于监测信息融合的航空发动机在翼可靠性评估方法,其特征在于:
所述步骤S4.5还包括根据获得的参数计算突发失效的可靠性其中T2为航空发动机由正常转为突发失效状态所经历的时间;
根据获得的参数计算突发失效的可靠性其中T2为航空发动机由正常转为突发失效状态所经历的时间。
10.根据权利要求1所述的基于监测信息融合的航空发动机在翼可靠性评估方法,其特征在于:
在竞争模式下,t时刻航空发动机的可靠性为:
其中,T1为航空发动机由正常转为衰退失效状态所经历的时间;T2为航空发动机由正常转为突发失效状态所经历的时间;w(t)为退化量,Wn为退化失效的阈值;F(x,t)为退化量分布函数,其概率密度函数为f(x,t);R2为突发失效模式下可靠性;Rc(t)表示竞争失效的可靠性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210211317.4A CN116754235A (zh) | 2022-03-04 | 2022-03-04 | 一种针对竞争失效的航空发动机可靠性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210211317.4A CN116754235A (zh) | 2022-03-04 | 2022-03-04 | 一种针对竞争失效的航空发动机可靠性评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116754235A true CN116754235A (zh) | 2023-09-15 |
Family
ID=87957710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210211317.4A Pending CN116754235A (zh) | 2022-03-04 | 2022-03-04 | 一种针对竞争失效的航空发动机可靠性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116754235A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4707796A (en) * | 1983-10-19 | 1987-11-17 | Calabro Salvatore R | Reliability and maintainability indicator |
CN102567639A (zh) * | 2011-12-30 | 2012-07-11 | 南京航空航天大学 | 一种针对竞争失效的航空发动机可靠性评估方法 |
RU2474804C1 (ru) * | 2011-08-29 | 2013-02-10 | Открытое акционерное общество "Научно-производственное объединение "Сатурн" | Способ доводки двигателя |
CN106125714A (zh) * | 2016-06-20 | 2016-11-16 | 南京工业大学 | 结合bp神经网络与二参数威布尔分布的故障率预测方法 |
US20180284748A1 (en) * | 2017-04-03 | 2018-10-04 | General Electric Company | Control systems and methods for controlling power systems based on operational reliabilities and operational anomalies |
US20200184131A1 (en) * | 2018-06-27 | 2020-06-11 | Dalian University Of Technology | A method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction |
-
2022
- 2022-03-04 CN CN202210211317.4A patent/CN116754235A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4707796A (en) * | 1983-10-19 | 1987-11-17 | Calabro Salvatore R | Reliability and maintainability indicator |
RU2474804C1 (ru) * | 2011-08-29 | 2013-02-10 | Открытое акционерное общество "Научно-производственное объединение "Сатурн" | Способ доводки двигателя |
CN102567639A (zh) * | 2011-12-30 | 2012-07-11 | 南京航空航天大学 | 一种针对竞争失效的航空发动机可靠性评估方法 |
CN106125714A (zh) * | 2016-06-20 | 2016-11-16 | 南京工业大学 | 结合bp神经网络与二参数威布尔分布的故障率预测方法 |
US20180284748A1 (en) * | 2017-04-03 | 2018-10-04 | General Electric Company | Control systems and methods for controlling power systems based on operational reliabilities and operational anomalies |
CN108710981A (zh) * | 2017-04-03 | 2018-10-26 | 通用电气公司 | 基于运行可靠性和运行异常控制电力***的控制***和方法 |
US20200184131A1 (en) * | 2018-06-27 | 2020-06-11 | Dalian University Of Technology | A method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction |
Non-Patent Citations (4)
Title |
---|
ERWIN V. ZARETSKY: "Weibull-Based Design Methodology for Rotating Structures in Aircraft Engines", 《INTERNATIONAL JOURNAL OF ROTATING MACHINERY》, 31 December 2003 (2003-12-31), pages 313 - 325 * |
刘晓娟等: "考虑多退化失效和突发失效之间竞争失效的可靠性评估方法", 中国机械工程, vol. 28, no. 01, 15 January 2017 (2017-01-15) * |
李伟: "基于竞争失效的航空发动机可靠性评估研究", 《 CNKI优秀硕士学位论文全文库 工程科技Ⅱ辑》, no. 7, 15 July 2014 (2014-07-15) * |
王华伟等: "基于竞争失效的航空发动机剩余寿命预测", 《机械工程学报》, vol. 50, no. 6, 31 March 2014 (2014-03-31), pages 198 - 201 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tang et al. | Transfer-learning based gas path analysis method for gas turbines | |
EP1443375A1 (en) | Fault diagnosis | |
Church et al. | Forecasting consumers' expenditure: A comparison between econometric and neural network models | |
CN114997051A (zh) | 一种基于迁移学习的航空发动机寿命预测与健康评估方法 | |
CN109766583A (zh) | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 | |
CN113722985B (zh) | 航空发动机健康状态评估和剩余寿命预测方法及*** | |
CN112116198B (zh) | 数据驱动的流程工业状态感知网络关键节点筛选方法 | |
CN111340282B (zh) | 基于da-tcn的设备剩余使用寿命的估计方法及*** | |
CN111814956B (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
CN111581831B (zh) | 一种失效相关多状态***可靠性评估方法 | |
CN111144552A (zh) | 一种粮食品质多指标预测方法及装置 | |
CN112116002A (zh) | 一种检测模型的确定方法、验证方法和装置 | |
CN111192379A (zh) | 一种飞机整机的综合故障诊断方法 | |
Liu et al. | Genetic programming model for software quality classification | |
Chiachío et al. | Reduction of Petri net maintenance modeling complexity via Approximate Bayesian Computation | |
Li et al. | A deep branched network for failure mode diagnostics and remaining useful life prediction | |
CN116754235A (zh) | 一种针对竞争失效的航空发动机可靠性评估方法 | |
CN114154266B (zh) | 基于偏秩相关的流因果结构学习的燃气轮机故障预测方法 | |
CN112416913B (zh) | 一种基于gwo-bp算法的飞机燃油***状态缺失值补充方法 | |
Losi et al. | Autoregressive Bayesian hierarchical model to predict gas turbine degradation | |
Cao et al. | Fuzzy Analytic Hierarchy Process Evaluation Method of Gas Turbine Based on Health Degree | |
Li et al. | Application of Improved PSO-BP neural network in fault detection of liquid-propellant rocket engine | |
CN111382391A (zh) | 一种用于多目标回归的目标相关特征构建方法 | |
Escobar et al. | Evaluating temporal bias in time series event detection methods | |
Sun et al. | Short-Term Exhaust Gas Temperature Trend Prediction of a Marine Diesel Engine Based on an Improved Slime Mold Algorithm-Optimized Bidirectional Long Short-Term Memory—Temporal Pattern Attention Ensemble Model |
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 |