CN102880170A - 基于基线模型和贝叶斯因子的系统故障早期预警方法 - Google Patents
基于基线模型和贝叶斯因子的系统故障早期预警方法 Download PDFInfo
- Publication number
- CN102880170A CN102880170A CN2012103772476A CN201210377247A CN102880170A CN 102880170 A CN102880170 A CN 102880170A CN 2012103772476 A CN2012103772476 A CN 2012103772476A CN 201210377247 A CN201210377247 A CN 201210377247A CN 102880170 A CN102880170 A CN 102880170A
- Authority
- CN
- China
- Prior art keywords
- baseline model
- bayesian
- state
- model
- early warning
- 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
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开一种基于基线模型和贝叶斯因子的系统故障早期预警方法,可应用于动态复杂系统,特别是航空航天器设备故障早期检测与预警。该方法首先在系统状态监控数据的基础上,利用多元状态估计技术挖掘出系统“个性化”基线模型;由系统状态参数的实际测量值减去基线值,得到状态参数的偏差值,然后借助贝叶斯因子法来分析偏差值序列,监控序列结构的异常,并及时发出故障预警。本发明解决了动态复杂系统性能参数偏差值离散度较大、故障早期特征容易被噪声淹没的问题,可以在系统故障早期就及时发出预警,提高监控系统的灵敏度和鲁棒性;同时,基线模型的建立工程上易于实现,具有较强的通用性,能够满足动态系统实时监控的要求。
Description
技术领域
本发明属于设备状态监控技术领域,涉及一种动态系统的故障早期检测方法,特别是航空航天器设备故障的早期检测与预警。
背景技术
现代工程系统,如航空航天载运工具、核电站等,其复杂性和集成化程度日益升高,同时面临着运行环境多样性的特点,由此带来的系统可靠性、安全性问题也日趋突出,及时、准确地检测到系统故障以采取进一步措施对保障系统安全运行具有重要意义。因此,重视微弱信号的处理、提前故障征兆发现的时机是现在复杂系统状态监控技术的重要发展方向。
利用设备状态参数的基线模型判断系统运行状态是一种简单且有效的状态监控方法。基线模型反映了正常状态下系统各状态参数之间一种内在的函数关系,判断系统异常状态的基本依据是实测状态参数是否偏离基线值。通过监控系统状态参数的测量值与相同条件下系统状态参数的基线值之间的残差即可实现对系统故障的在线监控。因此,状态监控系统的灵敏度和可靠度除了与数据分析处理能力有关外,还取决于系统基线模型的精度。
在实际中对于大多数复杂系统,根据其系统原理来建立准确的基线模型十分困难,即使花费大量人力、物力建立起的“一般化”的模型,通常也只是反映一批产品或同一型号的产品的平均属性,而事实上由于加工制造误差、使用维修等因素的影响,个体物理系统之间总是存在差异,导致一般的基线模型并不能准确反映实际运行条件下个体系统的特性,由此得到的性能参数的偏差值也就存在误差或偏差,在实际应用中不能够取得令人满意的结果。而借助系统运行期间收集的状态参数来获取系统的基线模型的方法,由于数据来自个体系统,得到的模型也是个性化的,相对于一般的物理模型更能够反映个体系统的特性。基于数据驱动的模型分为参数化和非参数化的模型:参数化的模型通常需要借助一定的先验知识,假设模型为某种函数形式,借助历史数据来训练模型得到模型参数值,如神经网络模型等;而非参数化模型不需要对模型做任何假设,系统的特性不需借助某个特定的函数来描述,通过一组特定的历史数据样本来表征系统的特性,如多元状态估计技术即为一种非参数化的建模方法。将多元状态估计技术用于系统基线模型的挖掘具有以下优势:一方面,多元状态估计技术是一种数据驱动建模技术,不需要系统的物理模型;另一方面,基线模型的建立仅需要借助系统正常状态的数据样本,不需要故障或失效数据,因此数据容易获取,且根据个体系统实测的数据建立起的“个性化”的基线模型能更准确的反映实际运行条件个体系统的特性。
传感器噪声、数据采集系统误差以及模型误差等,实际得到的偏差值序列含有较高的噪声,而由故障引起的微小变化容易淹没在噪声中,对一些突发性故障或轻微故障的反应不够灵敏且滞后,通常在故障足够严重以致系统状态参数偏差值超标时,系统才能发出预警,这带来了安全隐患。但实际上在系统故障发生发展的早期,同样会引起参数序列的微小变化,如能从高噪声的参数序列里及时发现这些微小的变化,对故障早期发现、早期诊断和早期排除,避免造成巨大的经济损失和人员伤亡,具有重要意义。
发明内容
本发明的目的,就在于克服上述用于系统状态监控的“一般化”基线模型不能准确反映实际运行条件下个体系统的特性,以及系统发生故障后因模型误差、噪声干扰等导致监控系统故障预警滞后的缺点与不足,提供一种新的数据驱动的 “个性化”的复杂系统基线模型挖掘技术,并结合贝叶斯因子方法进行异常状态监测的广泛适用、成本较低的复杂系统故障早期预警方法。
为实现上述目的,本发明的基于基线模型和贝叶斯因子的系统故障早期预警方法具体实现步骤如下:
第一步:利用多元状态估计技术建立“个性化”的系统基线模型;
多元状态估计技术(Multivariate State Estimation Technique,MSET)通过收集系统正常运行状态的历史数据,并从中学习用于定义系统各状态参数之间相互关系的经验模式,然后对系统某一时刻的观测,根据获得的经验模式来估计此时系统应有的状态。系统状态的基线模型即隐含在经验模式中。
基于多元状态估计技术建模,通过传感器测量系统的正常工作状态下的状态参数向量,这些的观测向量构成训练矩阵D。为使训练矩阵涵盖系统所有的正常运行状态或感兴趣的工作状态,同时尽量降低计算复杂度,采用最小—最大样本向量选择方法降低训练矩阵维度。在构造完训练矩阵后,多元状态估计技术就可根据新的观测向量来对系统的动态行为进行估计,MSET将当前观测向量与训练矩阵的每一个历史观测向量进行相似性比较,并计算出对当前系统状态的估计。当前状态的估计值实际是历史观测样本的加权组合,而每个样本的权值是由历史样本与当前观测样本的相似性确定的。
因此,当前系统状态的估计为:
非线性运算符是MSET 的一个关键技术,是应用在输入向量上的一种非线性运算,旨在将输入向量空间转换到特征空间,该空间是由输入数据与训练数据的相似度构成的,称为相似特征空间。针对不同的应用问题,MSET会选择或设计不同的相似性运算符来构造相似特征空间,实际中核函数是常采用一种的相似性运算符用来计算两个向量之间的相似度,本发明具体实施例中采用高斯核函数来实现相似性运算。
第二步:由系统状态参数的实际测量值减去基线值,得到状态参数的偏差值;
第三步:基于贝叶斯因子法的状态参数偏差值序列监控,借助贝叶斯因子法来分析偏差值序列,监控序列结构的异常,并及时发出故障预警。
在建立起系统的基线模型后,系统状态参数的实际测量值与基线值之差即为系统状态参数偏差值,利用动态线性模型来描述偏差值序列的变化趋势,借助贝叶斯因子来监测参数序列的异常以及时预警。
首先建立被监测机械系统状态参数偏差值的动态线性模型如下:
利用贝叶斯因子监控参数序列中的异常值或者序列结构的变化,其基本思想是通过比较模型的一步预测值与实际观测值之间的一致性来评估模型的性能,实现对模型的监控。为进一步提高监控方法的鲁棒性,利用累积贝叶斯因子来监测参数序列结构的异常。
本发明的系统故障早期预警方法采用基于多元状态估计技术的基线模型和贝叶斯因子法相结合,其优点与积极效果在于:
1) 基于多元状态估计技术的基线模型挖掘,是一种数据驱动的方法,不需要建立复杂的系统物理模型,仅根据其历史数据即可建立适应的基线模型,建模简单且摆脱对系统厂家监控系统的依赖;
2) 多元状态估计技术依据实测的系统状态参数而建立的“个性化”基线模型,能够更加准确地反映个体系统在实际运行条件下的特性,为提高状态监控系统的灵敏度和可靠度奠定基础;
3) 利用贝叶斯因子法分析状态参数偏差值序列,能够从含有噪声的参数序列中及时检测到序列结构的异常,提高系统异常状态检测的灵敏度和鲁棒性,提前故障征兆发现时机,实现“安全关口前移”。
附图说明
图1为本发明提出的基于基线模型和贝叶斯因子的复杂系统故障早期预警方法示意图;
图2为本发明实施例中HPC故障模式下原始性能参数序列;
图3为本发明实施例中无故障状态下的气路性能参数偏差值序列;
图4为本发明实施例中HPC故障偏差值序列及其累积贝叶斯因子;
图5为本发明实施例中EGT温度传感器故障偏差值序列及其累积贝叶斯因子;
图6为本发明实施例中性能退化+HPC故障偏差值序列及其累积贝叶斯因子。
具体实施方式
如图1所示为基于基线模型和贝叶斯因子的复杂系统故障早期预警方法示意图,包括如下步骤:
第一步:利用多元状态估计技术建立“个性化”的系统基线模型;
。
2、系统模型可以由正常运行期间采集的M个观测向量构成的矩阵来描述,这个矩阵称为训练矩阵:
训练矩阵的每一列代表系统运行状态的一个观测量,可包括任意数目的观测向量,但应尽量涵盖系统所有正常运行状态或感兴趣的运行状态。为降低训练矩阵的维数,通常需要进一步对训练样本进行筛选,本发明中采用最小—最大样本筛选选择方法。首先将所有的观测样本等分成N段:
3、在创建了训练矩阵后,多元状态估计技术就可根据新的观测向量来对系统的动态行为进行估计。设系统在某时刻的新观测向量为,MSET将计算当前观测向量与训练矩阵中的每一个历史观测向量的相似度,并以此来确定每个历史观测向量的权重,得到对当前系统状态的估计:
Z为权重向量,代表当前观测向量和历史观测向量之间的一种相似性测度。
(2)
计算权重向量Z的一个必要条件就是矩阵是可逆的,但在实际中,通常观测向量个数多于观测向量维数,且很多情况下观测向量之间存在一定的相关性,导致了式(3)计算过程中的矩阵不可逆问题,限制了了最小平方误差估计方法的应用。为了解决这一问题,在权重向量Z的计算中MSET使用非线性运算符来代替向量点乘运算,即:
是应用在输入向量上的一种非线性运算,旨在将输入向量空间转换到特征空间,使得的矩阵成为可逆的,该特征空间是由输入数据与训练数据的相似度构成的,称为相似特征空间。
5、MSET并没有指定某一特定的相似性运算符,针对不同的应用问题,MSET会选择或设计不同的相似性运算符来构造相似特征空间。一个合适的相似性运算符一般应满足以下几个条件:
2) 具有较好的外推特性,即如果观测向量中的某一个观测量超出训练样本的上界或下界,MSET仍然能给出一个较合理的估计值;
3) 当观测向量与训练矩阵中某一样本完全一样时,则状态估计值应该与观测向量相同;
实际中核函数是常采用的一种相似性运算符,而高斯核函数是其中应用最广泛的一种,本发明采用高斯核函数来实现相似性运算,计算公式如式(5):
(5)
6、最终,得到系统的基线模型为:
则系统状态参数测量值与基线值的偏差为:
第二步:基于贝叶斯因子法的状态参数偏差值序列监控;
1、建立状态参数偏差值的动态线性模型如下:
2、利用共轭先验贝叶斯推理求解模型(10)。对于动态线性模型,定义初始状态以及观测噪声方差为共轭先验分布,并引进贴现因子,令,,,其中为尺度因子,,和分别为观测噪声、过程噪声和初始状态分布方差的基准值,假设,和已知,而尺度因子未知。为了在以下推理过程中便于表示,定义为尺度因子的倒数,即,定义扩展的初始状态向量服从高斯-伽玛共轭先验分布,即:
3、贝叶斯模型监控。利用贝叶斯因子监控偏差值序列中的异常值或者序列结构的变化,其基本思想是通过比较模型的一步预测值与实际观测值之间的一致性来评估模型的性能,实现对模型(即序列结构)的监控。
a)贝叶斯因子的计算。在t-1时刻,考虑两个(或多个)具有相同结构而参数不同的模型和,一个是用于预测的原模型,称之为标准模型;另一个是用于比较参考的,称之为备择模型。利用得到他们对下一时刻的观测值的预测分别为和,那么t时刻模型相对于的贝叶斯因子定义为:
(12)
(13)
由式(13)可知,,较小的意味着模型优于模型,这可能是观测序列的野值点引起的,也可能是序列结构发生变化引起的。通过改变k值,寻找最小的就能找到观测序列最有可能开始发生变化的时间点。令,,则,,那么和可分别按式(14)和式(15)进行更新:
(15)
实施例
此处所描述的实施例仅用于解释和说明本发明,并不用于限定本发明。
本实施例是以航空发动机的气路性能故障为监测对象,典型的气路部件故障包括突发性故障或缓慢性能退化情况下发生突发性故障,此外传感器故障(如EGT温度传感器故障)也是外场常见故障。首先借助发动机仿真模型模拟产生200个航班的起飞状态下的数据,假设故障发生在第101个航班,共模拟三种典型气路故障(表1所示)。
表1典型气路部件故障模拟
故障模式 | 故障特征 | |
1 | 高压压气机突发故障 | 高压压气机效率和流通能力分别下降0.3%和0.5% |
2 | 性能退化+高压压气机突发故障 | 高压压气机和高压涡轮同时缓慢退化,高压压气机效率和流通能力分别下降0.3%和0.5% |
3 | 尾气温度传感器故障 | 传感器测量的尾气温度比实际温度低5℃ |
图2所示为高压压气机发故障情况下的关键性能参数序列(高压转子转速,NH;燃油流量,FF;以及排气温度,T6),故障发生在第101个飞行循环,直接从原始性能数据里很难发现气路部件的异常状态。这主要是由于相对于外界大气条件变化以及测量噪声引起的气路性能参数的波动,气路部件故障本身所引起的性能参数的变化量十分微弱,以至于完全淹没在其中,因此也就无法直接从原始的测量数据里发现气路部件的异常状态。同样其他故障模式下,原始的气路性能参数也没有表现出任何异常。
对航空发动机实施本发明提出的基于基线模型和贝叶斯因子的复杂系统故障早期预警方法的具体步骤如下:
第一步:利用多元状态估计技术建立发动机“个性化”的性能参数基线模型
采集健康发动机最大推力起飞状态下的状态参数样本,包括高压转子转速(NH)、燃油流量(FF)、排气温度(T6)、低压转子转速(NL)以及标准大气温度偏差(DISA),共5个参数来建立发动机气路性能参数的基线模型。
各状态参数首先按照式(16)进行标准化:
最终经标准化后的观测样本构成如下训练矩阵:
观测样本的相似性运算选择高斯核函数,带宽取。当一个新的观测样本到达后,首先按式(16)进行标准化,带入式(6)可得状态估计值,即性能参数的基线值。图3所示为健康发动机的气路性能参数的MSET估计值与实际测量值的偏差值(由式(7计算得到)),在气路部件无故障情况下,偏差值在0上下波动,因此,依据历史数据样本建立的性能参数基线模型能较准确地反映实际运行条件下个体发动机的特性。
第二步:基于贝叶斯因子法的发动机气路性能参数偏差值序列监控
借助MSET来构建发动机的气路性能参数的基线模型,在此基础上得到各性能参数的偏差值序列,利用贝叶斯因子法来监控偏差值序列,实现对异常状态的早期检测与预警。
利用模型(10)来分别描述3个关键性能参数的偏差值序列,并利用共轭先验贝叶斯推理求解模型,根据式(14)来递归的计算累积贝叶斯因子,实现对气路性能故障的实时监控。
针对HPC突发故障,借助建立的气路性能参数的基线模型来计算气路性能参数的偏差值,见图4(a)。由图示结果可见HPC故障引起偏差值序列微小的变化,特别是NH和T6的偏差量并不明显。图4(b)所示为各性能参数偏差值序列的累积贝叶斯因子,可更加清楚地监测到气路部件的异常状态。
图5所示为EGT传感器故障模式下气路性能参数偏差值序列和累积贝叶斯因子,同样借助累积贝叶斯因子成功地监测到这一异常状态。图6所示为部件发生缓慢性能退化同时发生HPC突发故障情况下的气路性能参数偏差值序列和累积贝叶斯因子,这一故障情形更加接近发动机外场使用的实际情况。随着性能缓慢退化,气路性能参数的偏差值不再在0附近波动,而是同时也发生缓慢漂移。但突发故障会引起偏差值序列结构发生变化,借助累积贝叶斯因子仍能及时地捕捉到了这一变化,监测到气路部件的异常状态。
Claims (6)
1.一种基于基线模型和贝叶斯因子的系统故障早期预警方法,其特征在于包括如下步骤:第一步:利用多元状态估计技术建立“个性化”的系统基线模型;
第二步:由系统状态参数的实际测量值减去基线值,得到状态参数的偏差值;
第三步:基于贝叶斯因子法的状态参数偏差值序列监控,借助贝叶斯因子法来分析偏差值序列,监控序列结构的异常,并及时发出故障预警。
2.如权利要求1所述的基于基线模型和贝叶斯因子的系统故障早期预警方法,其特征在于基于多元状态估计技术建模,通过系统正常工作状态下传感器的测量数据得到系统在不同时刻的观测向量,构造训练矩阵D,多元状态估计技术根据新的观测向量来对系统的动态行为进行估计。
4.如权利要求3所述的基于基线模型和贝叶斯因子的系统故障早期预警方法,其特征在于,所述非线性运算符采用高斯核函数。
6.如权利要求1所述的基于基线模型和贝叶斯因子的系统故障早期预警方法,其特征在于为使训练矩阵涵盖系统所有的正常运行状态或感兴趣的工作状态,同时尽量降低计算复杂度,采用最小—最大样本向量选择方法降低训练矩阵维度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210377247.6A CN102880170B (zh) | 2012-10-08 | 2012-10-08 | 基于基线模型和贝叶斯因子的系统故障早期预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210377247.6A CN102880170B (zh) | 2012-10-08 | 2012-10-08 | 基于基线模型和贝叶斯因子的系统故障早期预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102880170A true CN102880170A (zh) | 2013-01-16 |
CN102880170B CN102880170B (zh) | 2015-03-25 |
Family
ID=47481540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210377247.6A Active CN102880170B (zh) | 2012-10-08 | 2012-10-08 | 基于基线模型和贝叶斯因子的系统故障早期预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102880170B (zh) |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577703A (zh) * | 2013-11-14 | 2014-02-12 | 上海白丁电子科技有限公司 | 基于变量权重的相似性度量评估非线性动态系统的方法 |
CN104776869A (zh) * | 2014-01-10 | 2015-07-15 | 深圳迈瑞生物医疗电子股份有限公司 | 一种光信号的解调方法、装置 |
CN106873571A (zh) * | 2017-02-10 | 2017-06-20 | 泉州装备制造研究所 | 一种基于数据和模型融合的预警方法 |
CN107272625A (zh) * | 2017-07-12 | 2017-10-20 | 温州大学 | 一种基于贝叶斯理论的工业过程故障诊断方法 |
CN107807628A (zh) * | 2017-10-16 | 2018-03-16 | 南京航空航天大学 | 民用飞机空调系统热交换器性能退化评估方法 |
CN108108852A (zh) * | 2018-01-05 | 2018-06-01 | 广东电网有限责任公司电力科学研究院 | 基于故障预警技术的火电机组短期可靠性评估方法及装置 |
CN108334674A (zh) * | 2018-01-17 | 2018-07-27 | 浙江大学 | 一种基于参数关联性智能分析的汽轮机高压缸运行状态监测方法 |
CN108376298A (zh) * | 2018-02-12 | 2018-08-07 | 湘潭大学 | 一种风电机组发电机温度故障预警诊断方法 |
CN108563142A (zh) * | 2017-12-11 | 2018-09-21 | 南京航空航天大学 | 一种基于sha的航天器acs任务寿命预测方法 |
CN109284525A (zh) * | 2017-07-20 | 2019-01-29 | 西门子股份公司 | 系统状态预测 |
CN109298697A (zh) * | 2018-11-13 | 2019-02-01 | 远光软件股份有限公司 | 基于动态基线模型的火电厂系统各部件工作状态评估方法 |
CN109298706A (zh) * | 2018-11-02 | 2019-02-01 | 中国航空工业集团公司西安飞机设计研究所 | 一种基于贝叶斯网络的飞控系统故障诊断方法 |
CN109697155A (zh) * | 2018-08-20 | 2019-04-30 | 平安普惠企业管理有限公司 | It系统性能评估方法、装置、设备及可读存储介质 |
CN109783903A (zh) * | 2018-12-28 | 2019-05-21 | 佛山科学技术学院 | 一种基于时间序列的工业用水管道故障诊断方法及系统 |
CN109829468A (zh) * | 2018-04-16 | 2019-05-31 | 南京航空航天大学 | 基于贝叶斯网络的民机复杂系统故障诊断方法 |
CN110297145A (zh) * | 2019-07-29 | 2019-10-01 | 广东电网有限责任公司 | 一种基于多用户电能量数据深度分析的电压暂降检测方法 |
CN110503217A (zh) * | 2019-08-29 | 2019-11-26 | 新誉轨道交通科技有限公司 | 一种空调冷媒慢泄漏故障预测方法、装置、设备及系统 |
CN111274543A (zh) * | 2020-01-17 | 2020-06-12 | 北京空间飞行器总体设计部 | 一种基于高维空间映射的航天器系统异常检测方法 |
CN111504647A (zh) * | 2020-06-09 | 2020-08-07 | 华东交通大学 | 基于ar-mset的滚动轴承的性能退化评估方法 |
CN111949700A (zh) * | 2020-06-24 | 2020-11-17 | 浙江中控技术股份有限公司 | 用于石化装置的智能安全保障实时优化方法及系统 |
CN112241511A (zh) * | 2019-07-19 | 2021-01-19 | 上海杰之能软件科技有限公司 | 交通工具辅助电气系统的性能检测方法及装置、终端 |
CN112360634A (zh) * | 2020-06-15 | 2021-02-12 | 西北工业大学 | 航空发动机最大推力状态鲁棒容错控制器 |
CN112414694A (zh) * | 2020-06-12 | 2021-02-26 | 北京航空航天大学 | 基于多元状态估计技术的设备多级异常状态识别方法及装置 |
CN112910288A (zh) * | 2020-12-08 | 2021-06-04 | 上海交通大学 | 一种基于逆变器散热器温度预测的过温预警方法 |
CN114057053A (zh) * | 2022-01-18 | 2022-02-18 | 杭州浅水数字技术有限公司 | 用于特种机械的部件疲劳程度监测方法 |
CN115600077A (zh) * | 2022-12-14 | 2023-01-13 | 香港理工大学深圳研究院(Cn) | 一种智能免供电无砟轨道板上拱变形状态监测方法 |
CN116306931A (zh) * | 2023-05-24 | 2023-06-23 | 典基网络科技(上海)有限公司 | 一种应用工业领域的知识图谱构建方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062586B (zh) * | 2017-11-30 | 2020-03-27 | 中国船舶工业系统工程研究院 | 基于衰退贡献度的船舶主机关联部件状态监测方法与系统 |
-
2012
- 2012-10-08 CN CN201210377247.6A patent/CN102880170B/zh active Active
Non-Patent Citations (3)
Title |
---|
李耀华: "静电感应技术在航空发动机气路状态监测上的应用研究", 《 中国博士学位论文全文数据库》 * |
蓝会立等: "故障电弧早期预测预警系统研究", 《计算机测量与控制》 * |
许力等: "基于变尺度PCA的电力设备载流故障早期预警", 《电力自动化设备》 * |
Cited By (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577703A (zh) * | 2013-11-14 | 2014-02-12 | 上海白丁电子科技有限公司 | 基于变量权重的相似性度量评估非线性动态系统的方法 |
CN104776869A (zh) * | 2014-01-10 | 2015-07-15 | 深圳迈瑞生物医疗电子股份有限公司 | 一种光信号的解调方法、装置 |
CN104776869B (zh) * | 2014-01-10 | 2019-01-22 | 深圳迈瑞生物医疗电子股份有限公司 | 一种光信号的解调方法、装置 |
CN106873571A (zh) * | 2017-02-10 | 2017-06-20 | 泉州装备制造研究所 | 一种基于数据和模型融合的预警方法 |
CN106873571B (zh) * | 2017-02-10 | 2019-12-06 | 泉州装备制造研究所 | 一种基于数据和模型融合的预警方法 |
CN107272625B (zh) * | 2017-07-12 | 2019-05-28 | 温州大学 | 一种基于贝叶斯理论的工业过程故障诊断方法 |
CN107272625A (zh) * | 2017-07-12 | 2017-10-20 | 温州大学 | 一种基于贝叶斯理论的工业过程故障诊断方法 |
CN109284525A (zh) * | 2017-07-20 | 2019-01-29 | 西门子股份公司 | 系统状态预测 |
CN107807628A (zh) * | 2017-10-16 | 2018-03-16 | 南京航空航天大学 | 民用飞机空调系统热交换器性能退化评估方法 |
CN108563142B (zh) * | 2017-12-11 | 2020-07-24 | 南京航空航天大学 | 一种基于sha的航天器acs任务寿命预测方法 |
CN108563142A (zh) * | 2017-12-11 | 2018-09-21 | 南京航空航天大学 | 一种基于sha的航天器acs任务寿命预测方法 |
CN108108852B (zh) * | 2018-01-05 | 2020-04-21 | 广东电科院能源技术有限责任公司 | 基于故障预警技术的火电机组短期可靠性评估方法及装置 |
CN108108852A (zh) * | 2018-01-05 | 2018-06-01 | 广东电网有限责任公司电力科学研究院 | 基于故障预警技术的火电机组短期可靠性评估方法及装置 |
CN108334674A (zh) * | 2018-01-17 | 2018-07-27 | 浙江大学 | 一种基于参数关联性智能分析的汽轮机高压缸运行状态监测方法 |
CN108376298A (zh) * | 2018-02-12 | 2018-08-07 | 湘潭大学 | 一种风电机组发电机温度故障预警诊断方法 |
CN108376298B (zh) * | 2018-02-12 | 2023-11-10 | 湘潭大学 | 一种风电机组发动机温度故障预警诊断方法 |
CN109829468A (zh) * | 2018-04-16 | 2019-05-31 | 南京航空航天大学 | 基于贝叶斯网络的民机复杂系统故障诊断方法 |
CN109697155B (zh) * | 2018-08-20 | 2023-10-31 | 新疆北斗同创信息科技有限公司 | It系统性能评估方法、装置、设备及可读存储介质 |
CN109697155A (zh) * | 2018-08-20 | 2019-04-30 | 平安普惠企业管理有限公司 | It系统性能评估方法、装置、设备及可读存储介质 |
CN109298706A (zh) * | 2018-11-02 | 2019-02-01 | 中国航空工业集团公司西安飞机设计研究所 | 一种基于贝叶斯网络的飞控系统故障诊断方法 |
CN109298697A (zh) * | 2018-11-13 | 2019-02-01 | 远光软件股份有限公司 | 基于动态基线模型的火电厂系统各部件工作状态评估方法 |
CN109783903B (zh) * | 2018-12-28 | 2023-01-24 | 佛山科学技术学院 | 一种基于时间序列的工业用水管道故障诊断方法及系统 |
CN109783903A (zh) * | 2018-12-28 | 2019-05-21 | 佛山科学技术学院 | 一种基于时间序列的工业用水管道故障诊断方法及系统 |
CN112241511A (zh) * | 2019-07-19 | 2021-01-19 | 上海杰之能软件科技有限公司 | 交通工具辅助电气系统的性能检测方法及装置、终端 |
CN112241511B (zh) * | 2019-07-19 | 2024-05-14 | 上海杰之能软件科技有限公司 | 交通工具辅助电气系统的性能检测方法及装置、终端 |
CN110297145A (zh) * | 2019-07-29 | 2019-10-01 | 广东电网有限责任公司 | 一种基于多用户电能量数据深度分析的电压暂降检测方法 |
CN110297145B (zh) * | 2019-07-29 | 2021-03-02 | 广东电网有限责任公司 | 一种基于多用户电能量数据深度分析的电压暂降检测方法 |
CN110503217A (zh) * | 2019-08-29 | 2019-11-26 | 新誉轨道交通科技有限公司 | 一种空调冷媒慢泄漏故障预测方法、装置、设备及系统 |
CN110503217B (zh) * | 2019-08-29 | 2022-08-26 | 新誉轨道交通科技有限公司 | 一种空调冷媒慢泄漏故障预测方法、装置、设备及系统 |
CN111274543A (zh) * | 2020-01-17 | 2020-06-12 | 北京空间飞行器总体设计部 | 一种基于高维空间映射的航天器系统异常检测方法 |
CN111504647A (zh) * | 2020-06-09 | 2020-08-07 | 华东交通大学 | 基于ar-mset的滚动轴承的性能退化评估方法 |
CN112414694A (zh) * | 2020-06-12 | 2021-02-26 | 北京航空航天大学 | 基于多元状态估计技术的设备多级异常状态识别方法及装置 |
CN112414694B (zh) * | 2020-06-12 | 2021-08-27 | 北京航空航天大学 | 基于多元状态估计技术的设备多级异常状态识别方法及装置 |
CN112360634A (zh) * | 2020-06-15 | 2021-02-12 | 西北工业大学 | 航空发动机最大推力状态鲁棒容错控制器 |
CN111949700B (zh) * | 2020-06-24 | 2024-04-09 | 浙江中控技术股份有限公司 | 用于石化装置的智能安全保障实时优化方法及系统 |
CN111949700A (zh) * | 2020-06-24 | 2020-11-17 | 浙江中控技术股份有限公司 | 用于石化装置的智能安全保障实时优化方法及系统 |
CN112910288A (zh) * | 2020-12-08 | 2021-06-04 | 上海交通大学 | 一种基于逆变器散热器温度预测的过温预警方法 |
CN114057053A (zh) * | 2022-01-18 | 2022-02-18 | 杭州浅水数字技术有限公司 | 用于特种机械的部件疲劳程度监测方法 |
CN115600077A (zh) * | 2022-12-14 | 2023-01-13 | 香港理工大学深圳研究院(Cn) | 一种智能免供电无砟轨道板上拱变形状态监测方法 |
CN116306931A (zh) * | 2023-05-24 | 2023-06-23 | 典基网络科技(上海)有限公司 | 一种应用工业领域的知识图谱构建方法 |
CN116306931B (zh) * | 2023-05-24 | 2023-08-04 | 典基网络科技(上海)有限公司 | 一种应用工业领域的知识图谱构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102880170B (zh) | 2015-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102880170A (zh) | 基于基线模型和贝叶斯因子的系统故障早期预警方法 | |
Xu et al. | PHM-oriented integrated fusion prognostics for aircraft engines based on sensor data | |
Lindemann et al. | Anomaly detection and prediction in discrete manufacturing based on cooperative LSTM networks | |
Sadough Vanini et al. | Multiple-model sensor and components fault diagnosis in gas turbine engines using autoassociative neural networks | |
US9483049B2 (en) | Anomaly detection and diagnosis/prognosis method, anomaly detection and diagnosis/prognosis system, and anomaly detection and diagnosis/prognosis program | |
US10557719B2 (en) | Gas turbine sensor failure detection utilizing a sparse coding methodology | |
EP1982301B1 (en) | Method of condition monitoring | |
CN103983453B (zh) | 一种航空发动机的执行机构和传感器故障诊断的区分方法 | |
Barad et al. | Neural network approach for a combined performance and mechanical health monitoring of a gas turbine engine | |
CN104756029B (zh) | 一种监控设备的部件组的系统 | |
KR20140130538A (ko) | 고부하 가스 터빈들에 대한 진단 규칙들을 위한 방법 및 시스템 | |
Hu et al. | Fault detection based on signal reconstruction with auto-associative extreme learning machines | |
Butler et al. | Exploiting SCADA system data for wind turbine performance monitoring | |
CN106250709A (zh) | 基于传感器关联网络的燃气轮机异常检测与故障诊断算法 | |
BahooToroody et al. | Bayesian regression based condition monitoring approach for effective reliability prediction of random processes in autonomous energy supply operation | |
Zaidan et al. | Bayesian framework for aerospace gas turbine engine prognostics | |
WO2017138238A1 (ja) | 監視装置及び監視装置の制御方法 | |
Venturini et al. | Prediction reliability of a statistical methodology for gas turbine prognostics | |
Garcia | Improving heat exchanger supervision using neural networks and rule based techniques | |
Lee et al. | Anomaly detection of aircraft system using kernel-based learning algorithm | |
WO2017138239A1 (ja) | 監視装置及び監視装置の制御方法 | |
Tamssaouet et al. | Online joint estimation and prediction for system-level prognostics under component interactions and mission profile effects | |
CN109308484A (zh) | 航空发动机多类故障最小风险诊断方法及装置 | |
Mandal et al. | A novel approach for fault detection and classification of the thermocouple sensor in nuclear power plant using singular value decomposition and symbolic dynamic filter | |
Lai et al. | Physics-Informed deep Autoencoder for fault detection in New-Design systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |