CN103597417B - 状态监测方法及装置 - Google Patents
状态监测方法及装置 Download PDFInfo
- Publication number
- CN103597417B CN103597417B CN201280026395.1A CN201280026395A CN103597417B CN 103597417 B CN103597417 B CN 103597417B CN 201280026395 A CN201280026395 A CN 201280026395A CN 103597417 B CN103597417 B CN 103597417B
- Authority
- CN
- China
- Prior art keywords
- data
- several
- decision tree
- signal
- assembly
- 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
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
- B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
- B64F5/60—Testing or inspecting aircraft components or systems
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Manufacturing & Machinery (AREA)
- Transportation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明关于一种计算器实现方法和一种用于组件或系统的状态监测的装置,所述组件或系统特别是一航空器或航天器的一组件或系统,所述方法包含下列步骤:提供一优化的判定树,其数个节点包含一对应输入向量的数个属性,其数个叶各包含一分类函数,以及所述判定树的数个节点之间的数个连接点是被加权过的;提供一输入向量,其来自于一数据信号;实行一状态监测,其中通过使用所述加权过的判定树和基于所述输入向量来测定所述组件或系统的状态,除了一项涉及所述判定树的数个分类函数最佳对应于所述输入向量的信息之外,也计算和输出另一项涉及所述判定树的其他分类对应验证过的输入向量的概率的额外信息。
Description
技术领域
本发明关于一种计算器实现方法和关于一种用于组件或系统的状态监测的装置,所述组件或系统特别是一航空器或航天器。本发明又关于一计算器程序产品。
背景技术
状态监控的概念是基于机器状态的常规检测或永久检测。所述状态监测的目的,一方面在于增加机器的安全性,另一方面增加其效率。在一系统或多个组件的状态监测时,机械结构的行为是信号的来源。发生在所述机械结构特性的改变引起,举例来说,由多个组件的磨耗,是机器监测程序欲检测到的一事件。监测的发生通过量测和分析显着的物理变量,例如振动、温度等。状况监测包括多个子步骤:
-侦测所述状态包括系统参数的量测和文件编写反映出各自的系统或组件其当前的状态。
-比对所述状态是比对实际状态和一预订的参考值之间。所述参考值不但可以是欲被观察的一期望值以及是没有被超过的一限值。
-诊断:基于所述状态比对的结果,错误可以尽早的被定位,起因可以被测定为了能够在良好的时间能够规画必要的维护措施。
虽然本发明和处理的问题原则上可以应用任何状态监测的方法,但下文将描述关于用于一航空器或航天器的状态监测的一方法或一装置。特别是,本发明将在下面描述关于于一航空器的组件或系统的上基于振动量测的状态监测。
专利文件DE102006031009B4描述了一种用于监测航空器的结构组件状态的方法和装置。所描述的状态监测是基于结构组件的光学检验以及基于计算机辅助的比对纪录影像和参考影像。其因此能够监测结构组件的外观。但其不可能使用此型态的光学状态监测去监测一航空器的系统和组件的功能。
就航空器而言,特别是客机,单独为了安全的考虑,其必须不变的遵守固定的预定维护间隔,航空器组件和系统必须于此期间内被检验、维护和维修。这些区间被固定以确保各自的组件和系统有足够的安全且能操作直到下次的维护区间。因为上述的理由,相对应的维护间隔被选择适当的大方,通常具有一时间缓冲。
然而,此种方式有一问题,一航空器的系统有时也被保养,虽然,举例来说,它们仍可充分的运转且事实上并不需要被维护。因此,可以容易的被理解,结果是不必要的维护仍然被执行因为真实的状态是未知的,其导致额外的成本。
此外,例如以客机来说,分派用于维护工作的时间非常短。此工作通常被执行在航空器到达航空站与离开航空站前的停飞(immobilisation)期间内,通常大约只有九十分钟短暂的时间能够使用。因此,在这方面,事先收集关于航空器内系统或组件的状态的相关信息是需要的。
空气调节,通常被熟知为HVAC(加热、通风和空气调节),在一航空器内关于功能和乘客的舒适度是特别重要的。在另一方面,空气调节提供航空器上的乘客新鲜且控温的空气以及冷却电子系统。因为上述的目的,空气调节系统使用再循环的风扇和过滤器使能够循环客舱中的空气并清洁它,然而,使用的过滤器随着时间而阻塞,例如,相对应的供应线可能会变脏且风扇可能会故障,例如,由于电动机的故障或是风扇叶片的破损。这是一个问题,特别的对过滤器的阻塞作预报是非常困难因此,这意味着所述过滤器时常在现场被检查,其在航空器停飞的时间内需要另外的检查时间。
所述的情况理所当然的需要加以避免。
发明内容
相较于上述的背景,特别是当使用于一航空器或航天器时,本发明的目的在于能够提供用于一组件或系统的一种改善的状态监测。
上述目的的实现根据本发明通过具有权利要求项1特征的一方法和/或具有权利要求项13特征的一装置和/或具有权利要求项15特征的一计算器程序产品。
因此,本发明提供:
-一种计算器实现的方法用于一组件或系统的状态监测,特别是一航空器或航天器的一组件或系统,其包含下列步骤:提供一优化的判定树(optimiseddecisiontree),其多个节点(nodes)包含一对应输入向量的多个属性,其多个叶(leaves)各包含一分类函数以及所述判定树的多个节点之间的多个连接点是被加权过的;提供一输入向量,其来自于一数据信号;实行一状态监测,其中通过使用所述加权过的判定树和基于所述输入向量来测定所述组件或系统的状态,除了一项涉及所述判定树的数个分类函数最佳对应于所述输入向量的信息之外,也计算和输出另一项涉及所述判定树的其他分类函数对应验证过的输入向量的概率的额外信息
-一种用于状态监测一组件或系统的装置,特别是使用根据本发明的一方法,所述装置包含:所述装置包含:一量测装置,其被配置用以测量所述组件或系统的一物理变量,以便产生多个数据点的一时间相关序列;一存储器,所述数据点的至少一时间相关序列存储于其中;一逻辑运算和评估装置,其被配置用以使用所述数据点的至少一时间相关序列来产生一优化的判定树,及用以使用因而产生的判定树来进行状态监测。
-一种储存计算器程序的计算器程序产品,被配置用以实现如本发明的一方法。
基于本发明,可以理解的大多数系统具有:特性;系统固有的工作特性,其允许关于所述特性的推论被得到;以及个别系统的状态。例如,在一系统或组件的振荡或其温度能够在更多或更少的固定区间被量测。此概念是因此被收集的量测数据是作为一被调查系统或对应组件的特性和状态的指标。根据所述量测数据的适当解读,关于特性的改变以及所述系统或组件的状态的改变的结论因而能够被获得。特别是一系统或组件的状态即将恶化而不是改善以增加使用寿命的前提下,当基于另外的假设和使用一适当的被得到的判定树来取得时,有可能达到关于所述系统或组件瞬间的状态的结论。
本发明能够提供一种用于欲检验的多个部件和系统的自动状态监测,特别是指在一航空器内,且不需任何数学相关性的特别知识。为了上述目的,量测的数据使用一分析模型来分析。所述分析模型中,不需要以“[...]”的方式得到欲被检验的物品性质的精确知识,例如物理特性或构造等。一适当的被选择的判定树被使用于所述状态监测,所述判定树被提供作为需要分析和评估的数据的分类。另外可以提供优化过的数据通过一适当的学习或训练概念应用于所述判定树的。因此其可以实行一适当的状态监测,其已考虑欲调查的系统或组件的动态行为。
通过根据本发明状态监测的方法,其将有利的能够建立维护间隔,使得它们适合于被检验的系统或组件各自的实际状态。特别是,这可以避免不必要的维护工作被执行,从而导致显着的成本节省。相反的,这也意味着必要的维修工作将被执行。这增加了对于乘客各自的舒适。
适当选择的判定树(decisiontrees)是本发明的一重要部分。判定树是表格指向性的树(tabulateddirectionaltrees),其被使用于描述决策规则。其分层的说明连续的决策以及数据对象自动分类的方法,从而解决决策问题。一判定树总是包含:一根节点(rootnode),其当作输入向量的一输入节点(inputnode);任何数目的内部节点(innernodes);以及至少两片叶片(leaves)。在这种情况下,每一个节点代表一逻辑规则,被称为一属性(attribute)。指定成一属性是一特性(characteristic),其与一各自的判定树节点相关联,以及其因此一般作为一特征、一特性或一详细信息的节点。叶片相对应于所述分类(classification)。每一叶片含有对于复杂的决策问题的响应(response),其也被称为分类。更多或更少的复杂分类函数因此被分派到叶。判定树的一个重要优点是,他们能够容易的被描述和理解。这允许使用者对结果进行评估并识别重要的属性。这是特别有用的当数据的基本特性开始时是不知道。因此,所述判定树的归纳也是一种重要的数据挖掘方法。数据挖掘(datamining)被理解作为系统应用的方法,其大部分具有统计学-数学的基础,数据库用它来达到识别其中的模式或趋势的目的。
为了要读取在所述判定树上分类的单独数据对象,路径从所述根节点沿着所述判定树向下被取得。一属性在每个节点被询问以及关于后续节点的选择的决策(decision)被产生。上述过程继续进行直到到达一叶片。本发明的特别的优点在于,除了仅仅的询问外,各自的回应(response)也被加权。以这种方式,多个结果,即多个分类,不像先前的判定树,也说明各种可能结果的概率在所述输出被得到。具体而言,各种可能的结果的概率被输出在一输入向量上作为一判定树的结果。
在这种方式下,空气调节的状态监测是可能实现的,其可靠性的结果也在一定程度上被输出。除了不管所述空调是仍然运转与否的这一个纯粹的结果外,此结果与其他判定树可能的结果的关系(relationship)也被产生。
本发明有利的配置和发展将被提供在后续的从属权利要求及说明书中,并参照附图各图作说明。
在一个典型的配置中,判定树中的节点之间的加权的连接点被定义,以至于它们构成一各自的属性相距于输入向量的距离的标标。
在一个优选的配置中,数据信号是由连续时间或离散时间的量测在组件或系统的一物理变量而测定。在这方面,测得的数据信号可以通过振荡而测定,例如一机械振荡(振动),或一声音振荡(噪讯)。根据本发明的所述方法,特别优选的使用于一系统,其被配置为于一航空器或航天器的一空气调节系统并且由所述空气调节系统所产生的一振荡(振动或噪讯),例如,被量测作为调查的物理参数。这是特别有利的,因为这种振荡通常仅仅非常缓慢的改变,例如,再循环过滤器变得越来越脏。上述改变能够简单且可靠的在固定期间内通过实行状态监测而被侦测。例如,如果空气调节系统的一组件,像是再循环过滤器或风扇的故障,例如,这是表示一增加的振动能够因此被量测及评估出来作为所述系统状态的指标。然而,本发明并不限于配置为振荡的一物理参数的测量和评估,但也可以延伸,例如,其他物理参数,如温度、重量、EMV辐射、电流和电压等。
在一个优选的配置中,数据信号进行预处理,以产生输入向量。在这种预处理间,例如,数据信号可被划分为预定的时间区间。再者,一连续时间的序列的离散时间的数据点还可以从数据信号来测定,例如,通过抽样。这项量测基于理解为了产生一输入向量,整体的数据信号不必须被使用,但它常常足够只使用一预定的期间,例如于这个预订的期间内,只使用单独的离散时间数据点。这显着的减少了分析的复杂性和数据信号的评价,从而生成的输入向量的复杂。一较强或次强的噪讯信号典型的叠加在一测得的数据信号上取决于量测的方法或信号来源。在预处理时,优选是至少减少所述叠加的噪讯信号,或在理想情况下将其完全消除。减少所述噪讯是可能的,例如,一个非常简单的方法通过转换所述数据信号成为频率范围,例如通过一FFT转换,以及通过滤除频带描绘所述噪讯在所述频率范围。减少或消除叠加在数据信号上的噪声信号以提供一更好质量的已生成的输入向量,因而也提供一个更好质量的状态监测。最后,更可能用于所述量测的数据信号被转换成频率范围,例如通过FFT转换,以更进一步的分析。在所述频率范围内,特别的数据信号的特性可以被测定出和被用以产生所述输入向量(其特性例如不能从时间范围内分析的所述数据信号被识别出)。
在一典型的配置中,所述数据信号于整个数据信号和/或所述数据信号至少一预定时间区间的时间范围内进行预处理的期间内测定所述数据信号的多个平均值,多个最大值,多个最小值,多个梯度和/或多个转折点。在这种方式中,其本身存在于所述量测的数据信号中的额外信息被获得,其特别用以表征数据信号以及因此欲测定的物理变量。
在另一个特别优选的配置中,所述数据信号于整个频率信号和/或仅数个预定的频率区块的频率区间内进行前处理的期间内,测定多个频率峰值的测定一平均频率,一最大频率,一最小频率和/或多个频率峰值。例如,多个频率峰值能够于一或多个频率区块被测量,也能够于整个频率信号。
由先前提到的数据信号在时间范围和/或频域范围的评估,额外的信息能够从所述数据信号产生,其信息是一测量数据信号的指示,并从而调查的所述物理变量。本发明基于如下认识,即整体量测的数据信号和可能能够得到的额外信息不必然被用于一个组件或系统的状态监测。相反的,其通常足够使用一些,例如,欲调查的组件或系统的特性性质。为此,在一特别优选的实施例中,于所述数据信号预处理时,减少所述信号数据的数据内容。从所述减少的数据内容得到一数据减少序列的所述数据点和/或其他数据信息于预处理所述数据信号时,可以接着被使用于所述判定树产生所述输入向量。其通常减少数据分析和评价的复杂度并,因而减少所述状态监测的复杂度。
在典型的配置中,一特征向量被初始的计算,以提供一优化的决策树。训练数据和一系列的参数被提供以计算所述的特征向量。
一系列的参数优选的包含需要产生所述特征向量的参数,以及特别的包含至少一下列参数:
-在时间范围或频率范围内,所量测的数据信号的数个最大值,数个最小值和/或数个平均值;
-用于分析的一数据部分的长度;
-通过于一数据部分内采样而获得的数个数据点的数量;
-所述测得的数据信号的一预定的时间周期内,其频率区块的数量和宽度;
-于一频率块内或整体频率信号的频率峰值量(即超过一预定限值的频率);
-噪讯抑制的程度
另外地或二择一的,当然,其也可能将其他参数使用于预定的参数组,比如一个测量的数据信号其预定部分的梯度和转折点,发生在计算期间的一可接受的误差,和修正值等。
在一个优选的配置中,欲调查的所述组件或系统的一物理变量被量测以提供训练数据。一预定数量的数据点然后能够被产生由所述量测的数据信号通过抽样而测定,例如以一预定的时间区间。通过这些抽样的数据点选择一预定数量的数据点,因而可能形成数个数据点的时间相关序列,形成产生特征向量所需的数个数据点的时间相关序列。
多个随机值优选的被建立作为开始时的参数组,即开始时测定的特征向量提供以生成一判定树。使用训练数据和参数组,从多个随机值开始,一渐增的优化判定树接着被叠代的计算直到在判定树的一错误值低于一预定的阈值。如此,特别的,参数组被优化直到一稳定值被产生。一稳定值能够出现当,例如,所述参数数组不再改变。然后,假设所述测定因此优化的参数组其优化基于所使用的所述判定树以及所述训练数据。所述参数组通常在每次叠代的优化时改变,所述改变随着叠代的增加而通常变小。中断(break-off)准则,其在于所述用于测定优化参数组的叠代是依赖于各自所选择的中断准则来推断的。例如,在使用过的优化算法的最大准确度也能够提供作为中断准则。普遍来说的,但不是必须的,一遗传算法被使用作为所述优化算法。上述能够容易的被实现且对比的具有非常好的结果。
在一个有利的配置中,所述决策树的计算使用一ID3(叠代二分法IterativeDichotomiser3)算法或C4.5算法,于所述参数组优化期间计算出的所述优化特征向量被提供做为所述输入向量。除了上述算法,其也可以使用的CART(分类与回归树,ClassificationandRegressionTrees)算法或CHAID(卡方自动交互探测器,Chi-squareAutomaticInteractionDetectors)算法。大量的数据的情况下,当许多不同属性是显着时使用所述ID3算法,以此方式在没有大量的计算的情况下一判定树将被产生。所述判定树的结构产生自一因此是要生成一个决策树。从ID3算法生成的决策树多半很简单。至于CART算法,仅可以生成二进制的决策树,也就是说,在每一分支总是正好出现两个分支。因此,CART算法的核心要素是要找到一优化的二元分离。C4.5算法的行为非常相似于CART算法,但是任意数量的分支可以被合并,这是非常有利于许多应用。从而决策树C4.5的算法使用的更广泛,但其也是通常不低。对此,在第一次分类后,后续的分离变得不显着。不像于其他算法,在CHAID算法的情况下,在此树变得太大之前决策树的成长被停止。
在所述判定树已经被生成之后,其优选的通过叠代使用特别的为此目的提供的学习数据进行训练。所述决策树的学习或训练阶段不必被提供,但提供是有利的。原则上,所述学习数据可以具有类似所述训练数据的适当的语法,换句话说,多个数据点同样的可以被用作学习数据,其数据点被测定,例如,通过测量或以其它方式与包含一时间相关序列的数据点。
在一个优选的配置中,根据本发明的装置被配置为电子量测箱,特别是作为温度和/或振荡量测箱。所述电子量测箱具有一接口通过所述测量箱可以被连接到欲调查的组件或系统。因此,通过所述电子量测箱,各自所需的趋势预测的数据,因此要量测的相应的物理变量,可以通过直接或间接的测量来测定。如果欲量测的是温度时,所述电子量测箱具有,例如,一个传感器,其被配置作为温度传感器,并侦测欲调查的组件或系统的温度。如果欲测量的是一振动或另一振荡,提供适当的振动或振荡传感器。
上述配置和发展可以彼此以任何方式组合,如果合适的。进一步可能的配置、发展和本发明的实施方式包括其中没有被明确提到的以前的组合或其中在相对于所述的实施例下面描述本发明的特征。特别是,本领域的技术人员也将增加个人方面作为改善或增加本发明的各自的基本形式。
附图说明
在下文中,本发明将参照在附图中的示意图,图中所示的实施例中更详细地描述:
图1是一个流程图,说明了根据本发明的方法第一通常实施例;
图2是一个流程图,说明了根据本发明的方法的第二优选实施例的过程;
图3是根据本发明的装置的框图。
附图是提供进一步理解本发明的实施例。它们示出了实施例,并与说明书内文连接,用于解释本发明的原则以及概念。其它实施例和许多的提及的优点被揭露关于附图。附图中的组件不一定显示出关于彼此真实的比例。
在附图的图中,相同的,功能上相同以及具有相同操作的组件、特征和组件被提供在每一实施例下具有相同的附图标记,除非另有说明。
具体实施方式
图1显示一流程图,其说明根据本发明的方法的第一通常实施例的路径。
根据本发明的方法是一种计算机实现的方法,用于一组件或系统组件的状态监测。其假设所述系统是在一航空器内的一空气调节系统。所述空气调节系统的状态的取得是使用由所述空气调节系统所产生的一振荡振动以及根据其量测和评估。
在第一步骤S1中,首先提供一优化决策树。所述优化决策树的生成将于下文参照图2描述的更加详细。输入在输入或根节点是一适当被选择的输入向量,其来自于测得的数据信号,并具有各种离散数据点描绘输入信号。所述判定树的节点表示的输入节点的属性,例如,各自的输入向量的数据点。多个叶子各自代表一个分类。使用于此的优化决策树的特点,所述判定树的节点之间的连接也被加权过。
在优化和加权过的决策树中的一特别显着的方面是在这里所有的连接点(或也例如只有上层的层次的连接点)于所述判定树的数个节点之间代表一属性的值相距于所述输入向量的距离,在这种情况下,对比于先前的解决方法(即当穿越过所述判定树时其仅有二进制的报告被产生),概率(probabilities)能够被提供在判定树的连续路径内。因此,输出的结果是更可靠的。
在步骤S2中,首先提供一输入向量。所述输入向量由一测量的数据信号或也可能以其他方式提供的数据信号而得到。假设所述数据信号是空气调节系统机上测得的振动。在这方面,用于所述决策树的输入数据可以是由所述数据信号得到的数据点,也被使用作为,例如,用于生成特征向量以生成所述决策树。用于所述决策树的输入数据,也可以以适当的进行预处理,例如,仅描述所测得的数据信号的少数数值被使用。所述输入向量的生成将于下文参照图2描述的更加详细。
然后,实际的状态监控发生在步骤S3中。空气调节系统的状态是基于测得的振动信号以及使用加权和优化的决策树来测定。为了所述目的,在步骤S2中测定的所述输入向量被输入到所述决策树。通过所述的加权决策树,然后可以测定出除了一项涉及所述判定树的分类函数最佳对应于被导入的所述输入向量的信息之外的另一附加信息。再者,所述附加信息显示了决策树的其它分类函数对应的概率。在所述决策树的输出能够读取关于相应的概率的所述信息。以这种方式,特别是在优化信息方面,一显着且更可靠的所述空气调节系统的状态监测能够实现。这种计算是自动完成的。
所述航空器的一组件或系统的状态能够在现场的被监测,即在航空器运转过程中,其也可以是连续的。然而,这不一定是必需的,因为相应的系统和部件的状态,例如在航空器上的空气调节系统,通常不是非常动态的改变,而且通常不能够在飞行过程中采取适当的维护措施。由于上述原因,只有在固定的时间间隔实行所述的状态监测是切合实际的。例如,其可以被提供其所述状态监仅在飞行开始时和/或在飞行过程中被执行。如果所述状态监测显示了其状态不再符合要求,例如调查空气调节系统,适当的维护措施可以立即在飞行结束后进行。其特别的好处是,这些发现在下一次飞行或飞行期间开始前已经被知道,在下次停机时间可以事先被通知需要被执行的必要维护工作。特别地,用于状态监测的相应设备亦可能具有一个特别提供的空中接口(airinterface),藉此一航空器操作者的中央安装可提供有需要维护的信息。所述航空器的操作者接着能够事先开始合适的措施,即在航空降落之前,例如,能够提供必要的维护工作所需的修理工具和替换部件。其避免在航空器着陆到起飞期间此短暂的停机时间需要使用复杂的分析方法。
图2显示一个流程图,说明了根据本发明的方法的第二个优选实施例的路径。
在第一步骤S11中,首先产生一起始参数组,其被提供做为由其衍生的所量测的数据信号或取得的数据的分析。不同的参数可以被使用作为起始参数组,其可以影响所述决策树的生成。这些参数通常由用户所设定。与所述参数组相关联的参数可以是,例如:
-在所述时间范围内和/或在所述频率范围内,所量测的数据信号的最大数或最小数;;
-提供做为噪讯抑制的因子,即应用至所述量测数据信号的噪讯抑制的程度;
-用于侦测的所述数据信号转换成为所述频率范围的阈值;
-在所述频率范围内,所述数据信号频率峰值(即超过限值)的数量;
-转变成所述频率范围的所述数据信号的频率区块的数量与长度。
除了所述参数,此外参数当然也可以“[....]”,例如一数据序列的数据点的数量,其提供做为所述判定树的训练,使用于判定树作为分类的分类函数的数量和类型等。
在第一步骤S11中,开始参数组的参数初始值最初可以任意选择,例如,通过随机的设置各参数的值。这些参数值可以在一后来的步骤使用一适当的优化算法连续的被优化,将被描述于下文。
在下一步骤S12中,首先提供多个数据点的一或多个序列。所述数列的数据点可以被产生,例如通过量测一物理量,于本实施例中为振动。如果所量测的数据信号呈现为一连续时间仿真数据量测信号,各种用于产生时间相关序列的数据信号能够被产生,例如,通过采取所述量测的数据信号。以这种方式获得的数据点,因而存在于离散的形式。
在一随后的步骤S13中,产生的所述连续时间数据点因此进行一数据分析和已经提供在步骤S11的所述参数组一起,以及有一初始随机参数值。在此数据分析的路径中,一或多个后续的分析步骤可以基于所选择的(任意的优化)参数组执行:
-对于数据点的序列中,最大,最小和/或平均值可被计算。
-数据点的序列可以通过傅立叶转换转换到频率范围。最大,最小和/或平均值然后也能够以转换后的数据数列计算。
-而且,其也能够分割在频率范围内的数据数列成为区段(所谓的频率区块)。各自的最大,最小和/或平均值也能够以这些区段计算出来。
-如果数据数列已被划分频率范围中的区段,其也可能转换这些区段再次返回到时间范围。最大,最小和/或平均值能够在时间范围以已经被转换回的所述区段被测定。
-除了最大、最小和平均值,对于整个或仅有一个的数据数列的所述频率峰值,多个或所有的也能够以频率范围作计算。「频率峰值」的定义为频率范围内超过一特殊的限值的数量。所述限值是通过使用的参数组而测定。
在一随后的步骤S14中,所述基础的参数组使用所述因此测定出的序列的特征进行优化。在所述优化过程中,已知的优化算法(例如遗传算法)可以被使用。
所述类型的遗传算法表示也能处理非解析可解决的问题的算法,其反复的产生不同的解决方案。在这些反复的解决方案,即优化步骤,其改变各自的输入数据且彼此结合以达到一读出。测定作为输出数据是指随后使用的输入数据的解决方案建议,其在一个不断改进的方式下遵照一作为叠代和优化增加的要求。所述类型的遗传算法是探索式的优化方法,属于进化算法。它们特别是用于一个封闭形式的解不能被计算或是不能有效的计算的问题。代替遗传算法,一密母算法将可能用于优化。然而,遗传算法是最简单的进化优化的方法,其能够快速实行且适应新的问题。
在每次叠代中,一个所谓的特征向量被产生,基于所述的数据点,其包含一项分类信息,以及相对应所述参数组的优化的参数值。所述特征向量通常在每次叠代期间及因而产生的每个优化步骤期间改变。随着一叠代的增加以及因而产生的通过所述优化S14的增加,优化过的分类信息(即一优化过的分类)以及一参数组的优化参数值被产生用于在数据部分内的最初选择数据点。
所述优化算法S14被执行中直到一中断标准达到为止。如在步骤S15中的停止中断标准,其能够提供,例如,参数组的优化生成参数以及测定的分类已达到一个稳定值,例如,不再改变其值。其也可能为一计算的误差低于特别的一预定值。所述中断标准通常也依赖于所使用的优化算法。例如,其可以在最优化算法中提供需要的最大精确度。如果所述最大精确度在优化算法中实现,优化的中断可以被建立。
接着,在步骤S16中,所述决策树以已知的方式生成。就其本身而言已知的一算法,例如ID3算法或C4.5算法,被使用以生成所述判定树。为了生成所述决策树,所述优化的特征向量,在步骤S14中生成,其被使用且因此包含相应的分类信息和对应的优化参数组用于数据点的序列的最初使用。一决策树因而被生成,其叶包含一分类函数。所述决策树的节点包含所述特征向量的属性,即产生自数据部分的数据点要被检查的信息。
在一随后的步骤S17中,所述判定树的生成因此能够通过学习或测试数据被训练。以这种方式,生成的决策树可以进一步完善和优化。
随后,在步骤S18中,以一适当的方式加权所述优化判定树。在所述决策树的加权期间,于所述决策树的各个的节点之间的连接提供一加权因子。因此,除了接收连结在各个节点与存储在叶中各自的分类的属性外,所述判定树也接收一附加信息其指明在连接内所采用的路径偏离于已生成的判定的程度。如此,一个所谓的模糊(fuzzy)分类方法提供了一种基于模糊集的理论,即基于一模糊逻辑。通过此类型的加权决策树,其因而可以输出一些不同的结果代替最佳对应至一输出侧的分类的单一的结果。在这方面,每一结果结合一个别的判定树包含一附加的信息说明输出结果与对应相关联的分类的概率。
在本实施例中,所述决策树的加权执行于所述判定树生成、优化以及自由选择的学习步骤之后。然而,权重也将可能被实行在所述决策树的创造阶段,例如,在步骤S16中。
之后,空气调节系统的实际的状态监测空调S19被实行。一优化过的和加权过的判定树,例如建立在步骤S18中,被用于此状态监测。形成一数据部分的多个数据点的一序列在这里被提供作为决策树的输入向量。
用于状态监测的数据部分被计算在一先前的步骤S20。为了这个目的,一物理变量被量测,例如,航空器的空气调节系统的振动。所述量测的的数据信号被抽样以建立用于状态监测的数据量测点。一预定数量的数据点以这样的方式建立形成所述输入向量,输入在步骤S19中所述优化过和加权过的判定树,为了状态监测的目的。
此外,还可以提供一进一步的数据预处理步骤S21。所述进一步的预处理可以被使用从量测的数据信号得到进一步的附加信息。所述附加信息可以被额外或替代的使用于量测数据信号,以测定决策树的输入向量。
在测得的数据的预处理S21中,用于降低噪讯的一方法,和理想地噪讯抑制通常使用至少减少叠加在测得的数据信号上的一噪讯信号。另外,进一步信息可从数据信号中被确定,例如在时间范围计算一平均值,最小值,最大值,梯度,转折点等。此外,它也有可能把测得的数据信号划分成多个预定时间的时间区段,并只有在这样的一时间区段内才测定上述的信息。
在预处理步骤S21中,测得的数据信号也可以被转化成频率范围,例如使用一FFT,为了得到对应的频率峰值,频率的平均值,最大值和最小值等。另外,变换成频率范围的数据信号也可以被分成相等的或不同的长度对应的频率区块,以测定仅在所述频率区块相应的频率信息。总体而言,附加特性和属于数据信号的特征的数据信号所独有的参数皆能够在预处理期间被测定出。
为了提供所述输入向量,所测得的数据信号进行抽样以确定相应的数据点。从这些数据点能够生成输入到优化过和加权过的判定树的输入向量。所述输入向量可以另外或替代的通过从测得的数据信号生成的上述附加信息被形成。其已被发现是特别有利于所述输入向量的生成,如果仅使用的那些值是测得的输入信号的特有特性。这些不一定通过抽样获得的数据点,反而经常对应最大、最小和平均值或者对应的梯度。这些数据非常有效地代表输入信号的特征和空气调节系统因而被监测。
在步骤S19中,状态监视期间,在步骤S20和/或S21中得到的所述输入向量被结合入优化过和加权过的决策树。由此开始,所述判定树在其输出建立为所述判定树的每一叶的一概率,即对于每一分类。因此,一结果说明一概率其结果对应于各自分类,所述结果在判定树的输出处被递出。在以往未加权的决策树内,只有相关于唯一单一分类的一单一结果被输出。在根据本发明加权过的判定树,所有可能的结果的概率现在也被输出。当有多个可能的结果存在时这是特别有利的。在以往的解决方案,无法测定是否以及在何种程度上还有任何另外可能的结果。根据本发明的方法,其现在成为可能。
在一随后的步骤S22中,使用加权过的判定树得到的结果,即,所述结果与各种的分类相关与其概率一起被评估。不同的分类相关联的结果进行评估。所以,根据本发明的方法允许关于空气调节系统的状况的推论被得到。
例如,具体的,其可以提供量测振荡所测定的振动值与一预定的振动阈值作比较。此外,其结果的真实内容通过本发明的方法来核对。如果由状态监测测定的振动超过,例如一基于应用程序预定的振动阈值,其可以推论,在空气调节系统上有一故障,例如,再循环过滤器故障或风扇有缺陷,或其至少能够推论这些组件的状态恶化。因为测定量测的数据正确的程度目前已知作为一附加信息,其可能是取决于通过加权的判定树来测定的概率,它也可以从下述方式学会:是否、至何种程度和可能何时,空气调节系统必须接受下个维修程序。在这种方式下,其非常有利的可以在非常早的时候认清即将到来的维护工作的必要性且因此非常早采取适当的步骤。特别是,其可以在非常早的时候确定何时下一保养是必要的,例如在航空器的下次启程开始之前,或如果在飞行时是适合的,但最好提前几天。特别的,其缩短了服务和维护需要的时间,因为免除费时的原地分析。根据本发明的状态监测,这种分析已经以简单且全自动的方式完成,因此在航空器停飞的期间,只进行维护工作而不用进行相应的分析。
图3显示了根据本发明的装置的一框图。根据本发明的装置,参考标号10是用于测定和评估一航空器上一组件或系统的振动的振荡的一量测盒。于本实施例中,所述系统为一航空器上的空气调节系统11。
在图示示例中,根据本发明的量测盒10被安排与所述空气调节系统11直接接触且尤其是空气调节系统11的一振动相关区域。根据本发明的量测盒10具有一测量装置12,一存储器13和一个逻辑运算和评估装置14。在图示示例中,所述量测装置12配置有一振动传感器。所述振动传感器12被配置以量测一振动的震荡在所述调节系统11的所述振动相关区域,为了以先前描述的方式测定一时间相关序列的数据点。所述时间相关序列的数据点能够初步被储存在一存储器内。一优化过和加权过的判定树通过所述逻辑运算和评估装置14生成,例如使用于上文描述过并参考图1和图2的一方法。此外,使用所述逻辑运算和评估装置14和根据因而生成的判定树,一个状态监测可以实行,关于时间相关序列的数据点,由所述量测装置12测定。
在又一的实施方式中,航空器的系统可以是航空器的其它组件,例如航空器的电子组件或机械组件。
如果一航空器的所述系统被配置为航空器的电子组件,所述组件可以被配置为,例如,一电动机,另一电致动器,一电传感器,一电控装置,控制所述航空器的一电组件,一电动驾驶舱仪表等。
在此类型的实施例中,所述量测箱10可以具有量测装置12,其被配置为一传感器,例如,和被配置为量测由各个部件所消耗的电流,来量测一电气供给电压,一温度或其它电气变量。如果所述电气组件被配置为一电动机,所述传感器12也可以被配置为量测在电动机旋转轴上的一旋转量或一转矩等。
如果一航空器的所述系统被配置为航空器的机械组件,所述组件可以被配置为,例如,一个电动机、一涡轮机、一机械致动器、所述航空器的一控制表面,例如一方向舵、一升降机、一副翼或一着陆襟翼等。
在此类型的一实施例中,所述量测箱10可以具有测量装置12,其被配置为一个传感器,例如,和被配置为量测一加速度、一振动、一运动、例如一直线运动或一旋度、一温度和一压力等。
在此类型的实施例中,所述逻辑运算和评估装置14具有至少一接口通过所述逻辑运算和评估装置14可以从量测装置12拾取数据。所述接口可以是,例如一模拟接口和一基于电压或电流的接口。然而,所述接口还可以被配置为一数字接口,例如,作为一SPI、I2C、CAN和LIN接口等。
在一实施例中,所述逻辑运算和评估装置14被配置为以随机方式生成开始参数组。最后,所述逻辑运算和评估装置14被配置为通过所述开始参数组且去优化所述决策树根据由所述量测装置测定一系列的量测值。在所述决策树的优化中,所述逻辑运算和评估装置14可以从一系列的量测值使用测量值来控制决策树的质量。
为了监测航空器的一组件,所述逻辑运算和评估装置14连续地从至少一量测装置12获得的量测值,并从所述多个测量值产生一系列的量测。在这方面,一系列的量测的长度可以是预定的或是可以变化。在一实施例中,一系列的测量然后可以直接被使用作为所述决策树的一输入向量。在又一实施例中,所述逻辑运算和评估装置14可以提取一系列的量测的特定特征,并且可以使用所述多个提取的特征作为所述决策树的一输入向量。
所述多个特征可以是,例如,平均值或在时间范围和/或频率范围内一系列的量测的量测值的最大值,在频率范围内一系列的测量值的频率峰值(即超越阈值)的数量,数据信号转变成频率范围的频率区块的数目和长度。
于是,所述逻辑运算和评估装置14运转通过所述决策树,在一实施例中,其提供了一分类函数和所述分类函数适用性的概率。在一实施例中,所述逻辑运算和评估装置14还提取一概率,通过所述概率在所述决策树陈述的另一分类函数可以应用。
尽管本发明上面已经充分描述参照的优选实施例,但并不局限于此,而是可以以各种方式进行修改。
因此,本发明不一定被限定于在一航空器或一航天器的应用,虽然本发明特别优选的使用在客机的情况下。特别是,其特别有利于使用在客机为了能够有效的使用停飞时的短暂时间和着陆和起飞之间的维护工作。然而,不言而喻的是,本发明当然也适用于其他应用,如船舶,公共汽车,火车等。特别是,本发明将特别优选的使用在汽车工程。
此外,本发明并不一定必须使用作为从振动的量测得的数据点的状态监测。除了振动或相应的振荡作为用于状态监测的物理变量,其将也可以使用其他的测量参数,例如声音的振荡(噪讯)和温度等。
除了所提到的运算法用于来生成所述判定树或用于优化数据外,其他的运算法也可以自然的以有利的方式使用。
此外,不言而喻的是,所述的数值表示的信息仅仅是为了提供对本发明的更清楚的理解,并不因此限制它。
不言而喻的是,在上述实施例中,仅对优选的实施例进行了描述,然而,其可以以各种方式改变或修改。例如,在所述优选的用于状态监测的方法,已参照图2被描述于上文,其将也可以省略各种步骤,如中断条件或中断步骤、学习或训练步骤等。它也将是可以插入额外的步骤或改变其方法步骤的顺序。
附图标记列表
10根据本发明的装置;振动量测盒
11欲调查的组件或系统;空气调节系统
12量测装置;振动传感器
13存储器
14逻辑运算和评估装置
S1-S3方法步骤
S11-S22方法步骤
Claims (14)
1.一种计算器实现的方法,用于一航空器或航天器的一组件或系统(11)的状态监测,其特征在于:所述方法包含下列步骤:
提供(S1)一优化的判定树,其数个节点包含一对应输入向量的数个属性,其数个叶各包含一分类函数,以及所述判定树的数个节点之间的数个连接点是被加权过的;
提供(S2)一输入向量,其来自于一数据信号;以及
实行(S3)一状态监测,其中通过使用所述加权过的判定树和基于所述输入向量来测定所述组件或系统的状态,除了一项涉及所述判定树的数个分类函数最佳对应于所述输入向量的信息之外,也计算和输出另一项涉及所述判定树的其他分类函数对应验证过的输入向量的概率的额外信息。
2.如权利要求1所述的方法,其特征在于:位于所述判定树的数个节点之间的所述数个连接点的一加权代表一属性的值相距于所述输入向量的距离。
3.如权利要求1所述的方法,其特征在于:通过连续时间或离散时间量测在所述组件或系统的一物理变量,来测定所述数据信号,所述物理变量是一声音或机械的振荡。
4.如权利要求3所述的方法,其特征在于:为了生成所述输入向量,对所述数据信号进行前处理,因而所述数据信号被分成数个预定的时间区间,数个离散时间的数据点是通过采样所述数据信号而测定的,叠加在所述数据信号上的一噪讯信号被减少和/或所述测得的数据信号通过转化而转换成频率范围。
5.如权利要求4所述的方法,其特征在于:在所述数据信号于整个所述数据信号和/或所述数据信号的至少一时间区间的时间范围内进行前处理的期间内,测定所述数据信号的数个平均值、数个最大值、数个最小值、数个梯度和/或数个转折点。
6.如权利要求4所述的方法,其特征在于:在所述数据信号于整个频率信号和/或数个预定的频率区块的频率区间内进行前处理的期间内,测定数个频率峰值的一平均频率、一最高频率、一最小频率和/或一数量。
7.如权利要求4所述的方法,其特征在于:在所述数据信号前处理的期间,所述信号的内容被减少,且因此得到的数个数据点的一减少数据序列和/或在所述前处理过程中得到的其他数据信息被使用作为所述判定树的所述输入向量。
8.如权利要求5所述的方法,其特征在于:对所述提供优化的判定树的步骤(S1)来说,首先计算一特征向量,其是由训练数据和一参数组加以测定的。
9.如权利要求8所述的方法,其特征在于:所述参数组包含生成所述特征向量所需的数个参数,包括下列数个参数中的至少一个:
在所述时间范围内和/或在所述频率范围内,所量测的数据信号的最大数,最小数和/或平均值;
用于分析的一数据部分的长度;
通过于一数据部分内采样而获得的数个数据点的数量;
所述测得的数据信号的一预定的时间周期内,其频率区块的数量和宽度;使用于一频率块内的频率峰值量;
噪讯抑制的程度。
10.如权利要求8所述的方法,其特征在于:欲调查的所述组件或系统的一物理变量被测量用于提供所述训练数据,和一预定数目的数个数据点是由采样自所述被量测的数据信号而生成,因此测量,对一预定的时间区间而言,其数个数据点形成了产生所述特征向量序列所需的数个数据点的一时间相关序列。
11.如权利要求8所述的方法,其特征在于:首先建立数个随机值作为所述参数组,且使用所述训练数据和所述参数组,一渐增的优化特征向量被叠代的计算出,直到所述优化的判定树中的一错误值低于一预定的阈值。
12.如权利要求8所述的方法,其特征在于:通过使用一ID3算法或C4.5算法来计算所述判定树,所述特征向量于所述参数组的优化被用来作为一输入向量而决定所述判定树的期间内被计算出和进行优化。
13.一种用于状态监测一航空器或航天器的一组件或系统(11)的装置(10),使用如权利要求10所述的方法,其特征在于,所述装置(10)包含:
一量测装置(12),其被配置用以测量所述组件或系统的所述物理变量,以便产生所述数个数据点的所述时间相关序列;
一存储器(13),所述数个数据点的至少一所述时间相关序列存储于其中;
一逻辑运算和评估装置(14),其被配置用以使用所述数个数据点的至少一所述时间相关序列来产生一优化的判定树,及用以使用因而产生的判定树来进行状态监测。
14.如权利要求13所述的装置,其特征在于:所述装置被配置为一电子振荡量测盒,其具有一接口,通过所述接口,所述振荡量测盒可以被连接到欲调查的所述组件或系统,且所述接口被配置成用以,通过所述测量装置,拾取由所述振荡量测盒上的组件或系统传送出的振荡,且用以由所述逻辑运算和评估装置对其进行评估。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201161491407P | 2011-05-31 | 2011-05-31 | |
US61/491,407 | 2011-05-31 | ||
DE102011076780.0A DE102011076780B4 (de) | 2011-05-31 | 2011-05-31 | Verfahren und Vorrichtung zur Zustandsüberwachung, Computerprogrammprodukt |
DE102011076780.0 | 2011-05-31 | ||
PCT/EP2012/060182 WO2012163985A1 (en) | 2011-05-31 | 2012-05-30 | Method and device for condition monitoring |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103597417A CN103597417A (zh) | 2014-02-19 |
CN103597417B true CN103597417B (zh) | 2016-05-11 |
Family
ID=47173176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201280026395.1A Active CN103597417B (zh) | 2011-05-31 | 2012-05-30 | 状态监测方法及装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US9321543B2 (zh) |
EP (1) | EP2715468A1 (zh) |
CN (1) | CN103597417B (zh) |
DE (1) | DE102011076780B4 (zh) |
WO (1) | WO2012163985A1 (zh) |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8886574B2 (en) * | 2012-06-12 | 2014-11-11 | Siemens Aktiengesellschaft | Generalized pattern recognition for fault diagnosis in machine condition monitoring |
DE102013105397B4 (de) * | 2013-05-27 | 2016-06-23 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Zustandsüberwachung eines Schienenfahrzeugs |
US9982681B2 (en) * | 2013-10-10 | 2018-05-29 | Gentherm Automotive Systems (China) Ltd. | Externally programmable fan |
CN111504364B (zh) * | 2014-02-21 | 2023-03-17 | 特莱丽思环球有限合伙公司 | 用于预测航空器的空气调节组合件中故障的方法 |
JP2017507421A (ja) * | 2014-02-21 | 2017-03-16 | タレリス・グローバル・エルエルピーTaleris Global LLP | 航空機の客室温度制御システムの障害を予測するための方法 |
WO2015124888A1 (en) * | 2014-02-21 | 2015-08-27 | Taleris Global Llp | Methods for determining performance of an air-conditioning system of an aircraft |
EP3108315A1 (en) * | 2014-02-21 | 2016-12-28 | Taleris Global LLP | Method for diagnosing a fault in a cabin temperature control system of an aircraft |
BR112016019211A2 (pt) * | 2014-02-21 | 2017-10-17 | Taleris Global Llp | método de diagnóstico de uma falha em uma unidade de ar-condicionado de uma aeronave |
EP3002652B1 (de) * | 2014-09-30 | 2019-04-17 | Siemens Aktiengesellschaft | Verfahren zur Zustandsüberwachung innerhalb eines industriellen Automatisierungssystems und Steuerungsprogramm |
TWI716370B (zh) * | 2014-12-02 | 2021-01-21 | 大陸商中國國際航空股份有限公司 | 機載空調系統測試裝置和測試方法 |
US9558601B2 (en) * | 2015-04-24 | 2017-01-31 | The Boeing Company | System and method for detecting vehicle system faults |
EP3188038B1 (en) * | 2015-12-31 | 2020-11-04 | Dassault Systèmes | Evaluation of a training set |
CN106017914B (zh) * | 2016-05-11 | 2018-11-16 | 湖南科技大学 | 一种直升机传动系统振动噪声研究试验平台 |
US10399706B1 (en) * | 2016-06-22 | 2019-09-03 | Amazon Technologies, Inc. | Unmanned aerial vehicle maintenance troubleshooting decision tree |
CN106534185B (zh) * | 2016-12-12 | 2019-12-24 | 中国航空工业集团公司西安航空计算技术研究所 | 一种机载网络安全软件有效性实时监控装置和方法 |
WO2018139144A1 (ja) * | 2017-01-25 | 2018-08-02 | Ntn株式会社 | 状態監視方法および状態監視装置 |
CN108319974B (zh) * | 2018-01-22 | 2022-10-28 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、存储介质和电子装置 |
JP7196542B2 (ja) * | 2018-11-05 | 2022-12-27 | 株式会社リコー | 学習装置および学習方法 |
US11287310B2 (en) * | 2019-04-23 | 2022-03-29 | Computational Systems, Inc. | Waveform gap filling |
CN112504673B (zh) * | 2020-12-07 | 2023-05-02 | 中国科学院重庆绿色智能技术研究院 | 基于机器学习的托辊故障诊断方法、系统及存储介质 |
US11886152B2 (en) | 2021-07-13 | 2024-01-30 | Rockwell Automation Technologies, Inc. | Automated monitoring and control using augmented streaming decision tree |
CN113780232B (zh) * | 2021-09-23 | 2024-02-02 | 中国科学院东北地理与农业生态研究所 | 一种城市湿地动态监测方法 |
CN113696839B (zh) * | 2021-10-29 | 2021-12-28 | 南京易砼科技有限公司 | 一种混凝土泵送车辆的泵送状态检测方法和装置 |
DE102022200730A1 (de) | 2022-01-24 | 2023-07-27 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zum Ermitteln eines aktuellen Zustandes eines eingebetteten Systems |
DE102023200585B4 (de) | 2023-01-25 | 2024-09-26 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zur prädiktiven Diagnose einer Gerätebatterie eines technischen Geräts mithilfe eines Trace-Graph-Modells |
CN116907825B (zh) * | 2023-09-11 | 2024-01-16 | 湖南揽月机电科技有限公司 | 一种飞轮轴系自动考核系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1204435A (zh) * | 1995-12-07 | 1999-01-06 | 西门子公司 | 判断电子设备工作状态的方法和判断设备特有的工作状态的电子设备 |
US6871201B2 (en) * | 2001-07-31 | 2005-03-22 | International Business Machines Corporation | Method for building space-splitting decision tree |
US7558764B2 (en) * | 2004-06-28 | 2009-07-07 | International Business Machines Corporation | Methods for multi-class cost-sensitive learning |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0692914B2 (ja) * | 1989-04-14 | 1994-11-16 | 株式会社日立製作所 | 機器/設備の状態診断システム |
US6823486B2 (en) * | 2000-06-05 | 2004-11-23 | Fujitsu Limited | Automatic test pattern generation for functional register transfer level circuits using assignment decision diagrams |
US6687640B1 (en) * | 2001-10-23 | 2004-02-03 | Sandia Corporation | Airborne agent concentration analysis |
US6928445B2 (en) | 2002-06-25 | 2005-08-09 | International Business Machines Corporation | Cost conversant classification of objects |
US7280941B2 (en) * | 2004-12-29 | 2007-10-09 | General Electric Company | Method and apparatus for in-situ detection and isolation of aircraft engine faults |
DE102005038889A1 (de) * | 2005-08-17 | 2007-02-22 | Siemens Ag | Verfahren zur Prüfung eines Fertigungsgutes |
DE102006031009B4 (de) | 2006-07-05 | 2008-07-10 | Airbus Deutschland Gmbh | Verfahren und Vorrichtung zum Überwachen des Zustands von Strukturbauteilen |
US7892080B1 (en) * | 2006-10-24 | 2011-02-22 | Fredrik Andreas Dahl | System and method for conducting a game including a computer-controlled player |
DE102009020840A1 (de) * | 2009-05-12 | 2010-11-25 | Liebherr-Aerospace Lindenberg Gmbh | Flugzeughochauftriebssystem sowie Verfahren zur Ermittlung eines Betriebszustandes eines Flugzeughochauftriebssystems |
EP2633445A4 (en) * | 2010-10-25 | 2014-09-17 | Intelius Inc | COST-SENSITIVE ALTERNATING DECISION TREES FOR COUPLING RECORDINGS |
US8909507B2 (en) * | 2010-11-23 | 2014-12-09 | Eaton Corporation | Duty cycle independent real time dynamic programming implementation for hybrid systems controls optimization |
CA2738556A1 (en) * | 2011-01-18 | 2012-07-18 | Joseph Barash | Method, system and apparatus for data processing |
US9324034B2 (en) * | 2012-05-14 | 2016-04-26 | Qualcomm Incorporated | On-device real-time behavior analyzer |
US9491187B2 (en) * | 2013-02-15 | 2016-11-08 | Qualcomm Incorporated | APIs for obtaining device-specific behavior classifier models from the cloud |
-
2011
- 2011-05-31 DE DE102011076780.0A patent/DE102011076780B4/de active Active
-
2012
- 2012-05-30 WO PCT/EP2012/060182 patent/WO2012163985A1/en active Application Filing
- 2012-05-30 US US14/119,529 patent/US9321543B2/en active Active
- 2012-05-30 EP EP12726391.1A patent/EP2715468A1/en not_active Ceased
- 2012-05-30 CN CN201280026395.1A patent/CN103597417B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1204435A (zh) * | 1995-12-07 | 1999-01-06 | 西门子公司 | 判断电子设备工作状态的方法和判断设备特有的工作状态的电子设备 |
US6871201B2 (en) * | 2001-07-31 | 2005-03-22 | International Business Machines Corporation | Method for building space-splitting decision tree |
US7558764B2 (en) * | 2004-06-28 | 2009-07-07 | International Business Machines Corporation | Methods for multi-class cost-sensitive learning |
Non-Patent Citations (1)
Title |
---|
基于判定故障树的民航飞机故障诊断方法研究;张鹏等;《航空维修与工程》;20110228(第2011年2期);第49-52页 * |
Also Published As
Publication number | Publication date |
---|---|
DE102011076780B4 (de) | 2021-12-09 |
US9321543B2 (en) | 2016-04-26 |
US20140163812A1 (en) | 2014-06-12 |
DE102011076780A1 (de) | 2012-12-06 |
CN103597417A (zh) | 2014-02-19 |
EP2715468A1 (en) | 2014-04-09 |
WO2012163985A1 (en) | 2012-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103597417B (zh) | 状态监测方法及装置 | |
CN103649858B (zh) | 用于预测组件或系统状况的方法和设备 | |
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 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
Liu et al. | A data-level fusion model for developing composite health indices for degradation modeling and prognostic analysis | |
Zhang et al. | A probabilistic fault detection approach: Application to bearing fault detection | |
EP3913453B1 (en) | Fault detection system and method for a vehicle | |
CN104596780B (zh) | 一种动车组制动系统传感器故障的诊断方法 | |
CN103597413A (zh) | 用于在计算机支持下生成技术系统尤其燃气轮机或风力轮机的数据驱动的模型的方法 | |
Huang et al. | Improved trajectory similarity-based approach for turbofan engine prognostics | |
Godreau et al. | Continuous improvement of HSM process by data mining | |
Huang et al. | Research on fan vibration fault diagnosis based on image recognition | |
CN115098962A (zh) | 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法 | |
Ahsan et al. | Remaining useful life prediction of gas turbine engine using autoregressive model | |
US20090248363A1 (en) | Method of multi-level fault isolation design | |
Vladov et al. | Modified method of identification potential defects in helicopters turboshaft engines units based on prediction its operational status | |
Gerdes et al. | Automated parameter optimization for feature extraction for condition monitoring | |
Bodo et al. | Feature ranking under industrial constraints in continuous monitoring applications based on machine learning techniques | |
Zhang et al. | Wind Turbine Fault Prediction Based On A Novel Gated Recurrent Neural Network Model | |
Zhe et al. | Knowledge and data jointly driven aeroengine gas path performance assessment method | |
Yan et al. | A Support Vector Machine Fault Diagnosis Method for Gas Turbine Fuel System | |
Chen et al. | Machine Learning–based Fault Prediction and Diagnosis of Brushless Motors | |
US20230080873A1 (en) | An Industrial Process Model Generation System | |
Joshuva et al. | Implementing rotation forest for wind turbine blade fault diagnosis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |