CN103927343A - 一种phm系统诊断与预测能力综合验证方法 - Google Patents
一种phm系统诊断与预测能力综合验证方法 Download PDFInfo
- Publication number
- CN103927343A CN103927343A CN201410121161.6A CN201410121161A CN103927343A CN 103927343 A CN103927343 A CN 103927343A CN 201410121161 A CN201410121161 A CN 201410121161A CN 103927343 A CN103927343 A CN 103927343A
- Authority
- CN
- China
- Prior art keywords
- fault
- prediction
- phm
- failure
- sample
- 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
Classifications
-
- 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
- G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
- G05B23/0254—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 model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开一种PHM系统诊断与预测能力综合验证方法,它有五大步骤:PHM综合验证参数选择、PHM综合验证样本库建立、PHM综合验证样本的处理方法、PHM综合验证样本注入方法、PHM综合验证结果评估;本发明把PHM系统故障诊断与预测技术结合起来,最终形成一种综合验证的方法,填补了测试性技术领域的一个空白。
Description
技术领域
本发明属于测试性技术领域,特别涉及一种PHM系统诊断与预测能力综合验证方法。
背景技术
故障预测与健康管理(PHM)技术是实现武器装备基于状态的维修,自主式保障和响应后勤等新思想、新方案的关键技术。这一技术的实现将使原来由事件主宰的维修或时间相关的维修由基于状态的维修所取代,使装备维修保障理念由以往的注重维修转变为注重预防,继而真正从传统上的事后维修和定期维修转变为主动性的基于状态的维修。PHM在设计上实现了以后,如何确定PHM实际工作效果就显得越来越重要,也就是如何验证PHM诊断与预测能力。科研上在PHM诊断与预测能力验证方面还存在一定的空白。
发明内容
针对上述问题,本发明的目的在于提供一种PHM系统诊断与预测能力综合验证方法。
为了达到上述目的,本发明提出的技术方案为:
一种PHM系统诊断与预测能力综合验证方法,其特征在于,所述PHM系统诊断与综合验证方法包括PHM系统诊断与预测综合验证参数选择、PHM系统诊断与预测综合验证样本库建立、PHM系统诊断与预测综合验证样本的处理方法、PHM系统诊断与预测综合验证样本注入方法、PHM系统诊断与预测综合结果评估;其中,
PHM系统诊断与预测综合验证参数选择包括用于衡量诊断能力的故障诊断准确度,用于衡量预测能力的故障预测准确度;
PHM系统诊断与预测综合验证样本库是指建立故障样本库和故障征兆样本库;
PHM系统诊断与预测综合验证样本处理方法包括分配,抽样,样本充分性度量;
PHM系统诊断与预测综合验证样本注入方法是指故障注入方法和故障征兆注入方法;
PHM系统诊断与预测结果综合评估是指诊断参数与预测参数综合评估处理。
综上所述,本发明是一种PHM系统测试与预测能力综合验证方法,该方法包括五个步骤:
步骤一:PHM系统诊断与预测综合验证参数选择包括用于衡量诊断能力的故障诊断准确度,用于衡量预测能力的故障预测准确度;
(1)对故障检测和诊断事件的评价,可以借助决策矩阵进行计算,它是基于一种假设检验方法,罗列了可能发生的故障-检测组合,应用这个矩阵,有关故障检测和诊断的所有参数可以很容易的计算出来。故障-检测评价的决策矩阵见表1。
表1、故障-检测评价的决策矩阵
依据故障——检测决策矩阵,可以按照在给定故障的情况下,检测到的故障占所有的故障的比例来计算检测率:
误报是指实际没有故障情况而系统诊断报告某一部件或设备故障,发生误报的概率(POFA)要考虑的是在所有的非故障事件中引发故障检测警报的比例:
漏报是指故障或异常事件已经发生,而系统未能诊断到做出报警响应或指示等处理。
根据检测率、误报率和漏报率等参数可以得到PHM系统的诊断准确度参数,诊断准确度参数应用所有数据进行分析:
(2)同理,我们可以建立故障征兆-预测评价决策矩阵,如表2所示,
表2、故障征兆-预测评价的决策矩阵
基于此,
该参数综合应用了故障预测相关的参数,提高了预测的准确度与可信度。
步骤二:PHM系统诊断与预测综合验证样本库建立是指建立故障样本库和故障征兆样本库;
依据产品各组成单元的构成及工作原理、FMEA、测试性/PHM设计与预计资料等,分析各组成单元的所有故障模式及注入方法、故障率、检测方法测试程序编号等相关数据。在完成对UUT及其组成单元的故障模式及注入方法分析的基础上,即可建立故障样本库。其中故障样本库要求见表3。
表3、故障征兆样本库建立要求表
在此基础上增加故障模式发生前的预兆及表征;产品或功能可能已经发生严重故障时的迹象;用于观察故障模式征兆或影响的测试点和测试点的位置。即可建立故障征兆样本库。其中故障征兆样本库建立要求如表4。
表4、故障征兆样本库建立要求表
步骤三:PHM系统诊断与预测综合验证样本处理方法包括分配,抽样,样本充分性度量,此处与一般测试性验证样本处理方法相同;
步骤四:PHM系统诊断与预测综合验证样本注入方法是指故障注入方法和故障征兆注入方法,一般包括总线注入,探针注入,拔插注入,软件注入,转接板注入;
步骤五:PHM系统诊断与预测综合结果评估是指诊断参数与预测参数综合评估处理。即分别对诊断准确度和预测准确度进行计算处理,进而对PHM系统诊断能力与预测能力进行综合评价。
综上所述,本发明提供一种PHM系统诊断与预测能力综合验证方法。其优点在于用一套流程综合得验证了PHM的诊断与预测能力,大大降低了分别对PHM系统诊断与预测能力验证的繁琐程度。
附图说明
图1为本发明所述一种PHM综合验证方法组成结构示意图。
图2为本发明所述一种综合验证方法实施流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图及具体实施例对本发明作进一步地详细描述。
图1为本发明所述一种PHM诊断与预测能力综合验证方法的构成示意图。如图1与图2所示,一种PHM诊断与预测能力综合验证方法包括5个部分,PHM系统诊断与预测综合验证参数选择、PHM系统诊断与预测综合验证样本库建立、PHM系统诊断与预测样本综合验证处理方法、PHM系统诊断与预测综合验证样本注入方法、PHM系统诊断与预测结果综合评估;下面分别予以描述。
步骤一:PHM系统诊断与预测综合验证参数选择
对故障检测和诊断事件的评价,可以借助决策矩阵进行计算,它是基于一种假设检验方法,罗列了可能发生的故障-检测组合,应用这个矩阵,有关故障检测和诊断的所有参数可以很容易的计算出来。故障-检测评价的决策矩阵见表一
表一故障-检测评价的决策矩阵
依据故障——检测决策矩阵,可以按照在给定故障的情况下,检测到的故障占所有的故障的比例来计算检测率:
误报是指实际没有故障情况而系统诊断报告某一部件或设备故障,发生误报的概率(POFA)要考虑的是在所有的非故障事件中引发故障检测警报的比例:
漏报是指故障或异常事件已经发生,而系统未能诊断到做出报警响应或指示等处理。
根据检测率、误报率和漏报率等参数可以得到PHM系统的诊断准确度参数,诊断准确度参数应用所有数据进行分析:
同理,我们可以建立故障征兆-预测评价决策矩阵,在表中我们沿用故障检测评价的决策矩阵符号表示,如下表所示
表二故障征兆-预测评价的决策矩阵
步骤二:PHM系统诊断与预测综合验证样本库建立
依据产品各组成单元的构成及工作原理、FMEA、测试性/PHM设计与预计资料等,分析各组成单元的所有故障模式及注入方法、故障率、检测方法测试程序编号等相关数据。在完成对UUT及其组成单元的故障模式及注入方法分析的基础上,即可建立故障样本库。其中故障样本库要求见表三。
表三故障征兆样本库建立要求表
在此基础上增加故障模式发生前的预兆及表征;产品或功能可能已经发生严重故障时的迹象;用于观察故障模式征兆或影响的测试点和测试点的位置。即可建立故障征兆样本库。其中故障征兆样本库建立要求如表四。
表四故障征兆样本库建立要求表
步骤三:PHM系统诊断与预测样本综合验证处理方法
建立故障样本库和故障征兆样本库后,就可以进行样本量的处理了,二者处理手段相同具体包括样本的分配,抽样,样本充分性度量。
1)样本的分配及抽样
试验选取的样本不能集中于系统的一两个部件上,应该以故障率为基础,用按比例分层抽样方法将样本分配到系统的各组成部分。即首先分析试验产品构成层次和故障率,按故障相对发生频率Cpi把确定的样本量n分到产品各组成单元。然后用同样方法再把组成单元的样本量ni分配给其组成部件。
ni=nCpi
式中:Qi为第i个单元的数量;
λi为第i单元故障率;
Ti为第i个单元的工作时间系数,它等于该单元工作时间与全程工作时间之比。
2)样本充分性度量
包括故障样本和故障征兆样本的充分性度量,二者的适用准则和方法是一样的。我们仿照UUT的故障模式信息模型建立样本集的故障模式信息模型。
定义如下的七元组:
Is=(Fs,US,Gs,Ts,Pus,PGS,PTS)
式中,Is表示样本集的故障模型信息模型;
Fs表示样本集的故障模式集合,FS={fi|i=1~n}为样本量;
US表示样本集的可更换单元集合,r为集合US中的单元数量;
Gs表示样本集的功能集合,v为集合中功能数量;
Ts表示样本集的测试集合,,z为集合Ts中的测试数量;
Pus表示从Fs到US的映射函数,Pus是PU在改变定义域之后的变形;
PGS表示从Fs到Gs的映射函数,PGS是PG在改变定义域之后的变形;
PTS表示从Fs到Ts的映射函数,PTS是PT在改变定义域之后的变形。
在定义了样本集的故障模式信息模型的基础上,可以建立样本集的典型充分性度量和准则。
1)单元覆盖充分性度量和准则;
已知UUT的故障模式信息模型I和样本集的故障模式信息模型IS,则集合U与集合US的接近程度称为样本集的单元覆盖充分性。单元覆盖充分性的度量用MU表示,其计算公式为
式中,|U|表示集合U的基数,|U|=q;|US|表示集合Us的基数,US=r。当且仅当样本集的单元覆盖充分性度量MU=1时,样本集在单元覆盖上是充分的,记为CU。
2)功能覆盖充分性度量和准则;
已知UUT的故障模式信息模型I和样本集的故障模式信息模型IS,则集合G与集合GS的接近程度称为样本集的功能覆盖充分性。
功能覆盖充分性的度量用MG表示,其计算公式为
式中,|GS|表示集合GS的基数,GS=w;|G|表示集合G的基数,|G|=v。
当且仅当样本集的功能覆盖充分性度量MG=1时,样本集在功能覆盖上是充分的,记为CG。
3)测试覆盖充分性度量和准则
已知UUT的故障模式信息模型I和样本集的故障模式信息模型IS,则集合T与集合TS的接近程度称为样本集的测试覆盖充分性。
测试覆盖充分性的度量用MT表示,其计算公式为
式中,|T|表示集合T的基数,|T|=y;|TS|表示集合TS的基数,TS=z。
当且仅当样本集的测试覆盖充分性度量MT=1时,样本集在测试覆盖上是充分的,记为CT。
步骤四:PHM系统诊断与预测综合验证样本注入方法
样本注入包括故障样本和故障征兆样本,一次只注入一个样本。其中常见的故障注入方式见表五。
表五故障注入方式
步骤五:PHM系统诊断与预测综合验证结果评估
因为故障诊断准确度和故障预测准确度越高越好,所以对故障诊断和预测参数来说我们关心的是置信下限是否大于或等于要求值。因此,可以采用单侧置信下限估计。就是根据已得到的数据寻求一个区间(RL,1)使下式成立,即
P(RL≤R≤1)=B
对于具有二项分布特性的产品(成败型试验),可用下次来确定R的单侧置信下限RL的值,即
其中F为n次试验中的失败数。按试验结果数据,在给定置信度B后解上述方程可得到RL的值,RL的值越大说明预测结果越精确。
综上所述,以上仅为本发明较佳实施例而已,并非限于本发明的保护范围。凡在本发明精神和方案基础上所做的任何修改和改进等,都应包含在本发明的保护范围之内。
Claims (1)
1.一种PHM系统测试与预测能力综合验证方法,其特征在于:该方法包括五个步骤:
步骤一:PHM系统诊断与预测综合验证参数选择,包括用于衡量诊断能力的故障诊断准确度,用于衡量预测能力的故障预测准确度;
(1)对故障检测和诊断事件的评价,借助决策矩阵进行计算,它是基于一种假设检验方法,罗列了可能发生的故障-检测组合,应用这个矩阵,有关故障检测和诊断的所有参数很容易的计算出来;故障-检测评价的决策矩阵见下表1:
表1故障-检测评价的决策矩阵
依据故障——检测决策矩阵,按照在给定故障的情况下,检测到的故障占所有的故障的比例来计算检测率:
误报是指实际没有故障情况而系统诊断报告某一部件或设备故障,发生误报的概率POFA要考虑的是在所有的非故障事件中引发故障检测警报的比例:
漏报是指故障或异常事件已经发生,而系统未能诊断到做出报警响应或指示处理;
根据检测率、误报率和漏报率参数得到PHM系统的诊断准确度参数,诊断准确度参数应用所有数据进行分析:
(2)同理,建立故障征兆-预测评价决策矩阵,如下表2所示,
表2故障征兆-预测评价的决策矩阵
基于此,
该参数综合应用了故障预测相关的参数,提高了预测的准确度与可信度;
步骤二:PHM系统诊断与预测综合验证样本库建立是指建立故障样本库和故障征兆样本库;
依据产品各组成单元的构成及工作原理、FMEA、测试性/PHM设计与预计资料,分析各组成单元的所有故障模式及注入方法、故障率、检测方法测试程序编号相关数据;在完成对UUT及其组成单元的故障模式及注入方法分析的基础上,建立故障样本库;其中故障样本库要求见下表3;
表3故障征兆样本库建立要求表
在此基础上增加故障模式发生前的预兆及表征;产品或功能可能已经发生严重故障时的迹象;用于观察故障模式征兆或影响的测试点和测试点的位置,建立故障征兆样本库;其中故障征兆样本库建立要求如下表4;
表4故障征兆样本库建立要求表
步骤三:PHM系统诊断与预测综合验证样本处理方法包括分配,抽样,样本充分性度量,此处与一般测试性验证样本处理方法相同;
步骤四:PHM系统诊断与预测综合验证样本注入方法是指故障注入方法和故障征兆注入方法,包括总线注入,探针注入,拔插注入,软件注入,转接板注入;
步骤五:PHM系统诊断与预测综合结果评估是指诊断参数与预测参数综合评估处理;即分别对诊断准确度和预测准确度进行计算处理,进而对PHM系统诊断能力与预测能力进行综合评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410121161.6A CN103927343B (zh) | 2014-03-28 | 2014-03-28 | 一种phm系统诊断与预测能力综合验证方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410121161.6A CN103927343B (zh) | 2014-03-28 | 2014-03-28 | 一种phm系统诊断与预测能力综合验证方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103927343A true CN103927343A (zh) | 2014-07-16 |
CN103927343B CN103927343B (zh) | 2017-04-05 |
Family
ID=51145564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410121161.6A Active CN103927343B (zh) | 2014-03-28 | 2014-03-28 | 一种phm系统诊断与预测能力综合验证方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103927343B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682160A (zh) * | 2016-12-26 | 2017-05-17 | 中国航空工业集团公司西安飞机设计研究所 | 一种测试性试验可注入故障样本库建立方法 |
CN106774411A (zh) * | 2016-12-31 | 2017-05-31 | 清华大学深圳研究生院 | 基于phm的无人机中间件系统 |
CN107704668A (zh) * | 2016-11-30 | 2018-02-16 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种基于测试性建模和分析的传感器优化布局方法 |
CN109459629A (zh) * | 2018-10-10 | 2019-03-12 | 北京航空航天大学 | 一种基于恢复率的恢复能力评估方法 |
CN109814529A (zh) * | 2019-01-23 | 2019-05-28 | 北京博得交通设备有限公司 | 一种列车门故障预测与健康管理系统 |
CN111061254A (zh) * | 2019-12-27 | 2020-04-24 | 中国科学院电工研究所 | 一种phm系统性能的评价方法及系统 |
CN111896244A (zh) * | 2020-07-29 | 2020-11-06 | 北京天地龙跃科技有限公司 | 一种综采设备phm系统 |
CN114036450A (zh) * | 2021-10-25 | 2022-02-11 | 中国电子科技集团公司第二十九研究所 | 电子信息装备测试性指标快速考核的方法及存储介质 |
CN115599079A (zh) * | 2022-12-15 | 2023-01-13 | 中国航空工业集团公司西安飞机设计研究所(Cn) | 一种机载phm系统故障诊断功能试验方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110161353A1 (en) * | 2009-12-28 | 2011-06-30 | Fujitsu Limited | Management device and management method |
CN102221655A (zh) * | 2011-06-16 | 2011-10-19 | 河南省电力公司济源供电公司 | 基于随机森林模型的电力变压器故障诊断方法 |
CN102629232A (zh) * | 2012-01-09 | 2012-08-08 | 北京航空航天大学 | 引入测试有效性的软件可靠性验证测试方法 |
CN102801767A (zh) * | 2011-11-23 | 2012-11-28 | 南京航空航天大学 | 单机级飞机结构phm系统及实现方法 |
-
2014
- 2014-03-28 CN CN201410121161.6A patent/CN103927343B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110161353A1 (en) * | 2009-12-28 | 2011-06-30 | Fujitsu Limited | Management device and management method |
CN102221655A (zh) * | 2011-06-16 | 2011-10-19 | 河南省电力公司济源供电公司 | 基于随机森林模型的电力变压器故障诊断方法 |
CN102801767A (zh) * | 2011-11-23 | 2012-11-28 | 南京航空航天大学 | 单机级飞机结构phm系统及实现方法 |
CN102629232A (zh) * | 2012-01-09 | 2012-08-08 | 北京航空航天大学 | 引入测试有效性的软件可靠性验证测试方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107704668A (zh) * | 2016-11-30 | 2018-02-16 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种基于测试性建模和分析的传感器优化布局方法 |
CN106682160A (zh) * | 2016-12-26 | 2017-05-17 | 中国航空工业集团公司西安飞机设计研究所 | 一种测试性试验可注入故障样本库建立方法 |
CN106774411A (zh) * | 2016-12-31 | 2017-05-31 | 清华大学深圳研究生院 | 基于phm的无人机中间件系统 |
CN106774411B (zh) * | 2016-12-31 | 2020-03-03 | 清华大学深圳研究生院 | 基于phm的无人机中间件系统 |
CN109459629A (zh) * | 2018-10-10 | 2019-03-12 | 北京航空航天大学 | 一种基于恢复率的恢复能力评估方法 |
CN109814529A (zh) * | 2019-01-23 | 2019-05-28 | 北京博得交通设备有限公司 | 一种列车门故障预测与健康管理系统 |
CN111061254A (zh) * | 2019-12-27 | 2020-04-24 | 中国科学院电工研究所 | 一种phm系统性能的评价方法及系统 |
CN111896244A (zh) * | 2020-07-29 | 2020-11-06 | 北京天地龙跃科技有限公司 | 一种综采设备phm系统 |
CN114036450A (zh) * | 2021-10-25 | 2022-02-11 | 中国电子科技集团公司第二十九研究所 | 电子信息装备测试性指标快速考核的方法及存储介质 |
CN115599079A (zh) * | 2022-12-15 | 2023-01-13 | 中国航空工业集团公司西安飞机设计研究所(Cn) | 一种机载phm系统故障诊断功能试验方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103927343B (zh) | 2017-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103927343A (zh) | 一种phm系统诊断与预测能力综合验证方法 | |
Jiang et al. | Data-driven fault diagnosis and thermal runaway warning for battery packs using real-world vehicle data | |
EP3454289B1 (en) | Plant abnormality detection method and system | |
Baraldi et al. | Robust signal reconstruction for condition monitoring of industrial components via a modified Auto Associative Kernel Regression method | |
Dutuit et al. | Probabilistic assessments in relationship with safety integrity levels by using fault trees | |
Saxena et al. | Metrics for evaluating performance of prognostic techniques | |
EP2989705B1 (en) | Method and apparatus for defect pre-warning of power device | |
CN109886475B (zh) | 基于ai的计量自动化系统的信息安全态势感知系统 | |
Mathew et al. | Failure mechanisms based prognostics | |
Catelani et al. | The FMEDA approach to improve the safety assessment according to the IEC61508 | |
CN104156615A (zh) | 基于ls-svm的传感器检测数据点异常检测方法 | |
CN101299004A (zh) | 一种基于确定学习理论的振动故障诊断方法 | |
CN112083244B (zh) | 综合化航空电子设备故障智能诊断系统 | |
CN103675525A (zh) | 基于多svdd模型的dc-dc变换器健康监测与故障预测方法 | |
CN110348150A (zh) | 一种基于相关概率模型的故障检测方法 | |
Liu et al. | Reliability effects of test strategies on safety-instrumented systems in different demand modes | |
Yoo et al. | A resilience measure formulation that considers sensor faults | |
CN102222151A (zh) | 一种基于自回归滑动平均的模拟电路故障预测方法 | |
CN104850750A (zh) | 一种核电站反应堆保护系统可靠性分析方法 | |
CN102608519B (zh) | 基于节点信息的电路故障诊断方法 | |
Wang et al. | An inspection-based replacement planning in consideration of state-driven imperfect inspections | |
CN111260823B (zh) | 基于i/o测点故障依赖矩阵的故障诊断方法 | |
Su et al. | Improving analog functional safety using data-driven anomaly detection | |
Lee et al. | Fault detection and reconstruction for micro-satellite power subsystem based on PCA | |
Sankararaman et al. | Uncertainty in prognostics: Computational methods and practical challenges |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210111 Address after: 100089 No. 1105, 11 / F, Boyan building, 238 North Fourth Ring Middle Road, Haidian District, Beijing Patentee after: Beijing Tianhang Changying Technology Co.,Ltd. Address before: 100191 No. 37, Haidian District, Beijing, Xueyuan Road Patentee before: BEIHANG University |