CN104635081A - 一种飞机发电机整流器的自适应故障诊断方法 - Google Patents
一种飞机发电机整流器的自适应故障诊断方法 Download PDFInfo
- Publication number
- CN104635081A CN104635081A CN201510046481.4A CN201510046481A CN104635081A CN 104635081 A CN104635081 A CN 104635081A CN 201510046481 A CN201510046481 A CN 201510046481A CN 104635081 A CN104635081 A CN 104635081A
- Authority
- CN
- China
- Prior art keywords
- service data
- voltage service
- rectifier
- beta
- data
- 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
Abstract
本发明提出一种飞机发电机整流器的自适应故障诊断方法,实现飞机发电机整流器状态监控和故障检测,方法的实现内容包括:确定飞机发电机整流器二极管的工作模式,获取各种工作模式下的飞机发电机整流器二级管历史数据,利用这些历史数据进行训练,基于stumps的方法建立飞机发电机整流器二极管各种工作模式分类器,采用基于自适应的方法改变不同分类器的权重,产生整体二分类器,最后利用Generalized Bradley-Terry模型,引入主动学习机制,构成多分类器,此方法集成于飞机发动机的FADEC中,可以实现对发电机整流器故障监测,提高飞机发电机整流器故障诊断的准确率和效率,当整流器发生故障时系统可自动切断连接,防止对下级设备造成损害。
Description
技术领域
本发明涉及故障诊断领域的故障诊断方法,具体为一种飞机发电机整流器的自适应故障诊断方法。
背景技术
飞机运行于复杂环境中,对系统可靠性有较高的要求。飞机系统的状态监控、诊断和预测是确保飞机安全的重要手段,例如飞机系统需要监控发动机性能(如专利:CN 1O3 370667 A)、起落架状态(如专利:CN 103963986)、升降舵操控性(如专利:CN 202987498)以及各种电子和机电设备(如专利:CN 102700718 A)是否正常工作等飞机各系统的状态。这些系统的整体状态受到下级子系统的影响,例如,防滑刹车控制盒(如专利:CN 104049630 A)、飞机线缆(如专利:103558513 A)和发动机反推(如专利:CN 103979114 A)的状态监控。这些状态信息输送到飞机的ACMS系统中,实现对各系统和子系统状态进行监控,在发生故障情况下采取相应的报警和隔离措施。飞机各系统的状态监控和故障诊断已经成为飞行安全和基于状态的维修必备的手段。
飞机发电机(IDG)电气部分主要由励磁电机和主电机两部分组成,励磁电机是发电机的前端,为主电机磁场线圈供电,主电机为飞机系统供电,整流器连接在励磁电机的电枢和主电机磁场线圈之间,将励磁电机输出电流经整流器调理供给主电机磁场线圈产生磁场发电,在工作过程中,励磁电机电枢、主电机磁场线圈和整流器随着发电机主轴高速旋转,飞机发电机整流器的核心器件整流二极管会承受很大的离心力,容易发生故障。飞机发电机整流器的故障主要是二极管发生故障,二极管反向击穿或绝缘层被破坏等原因,最终都会造成二极管发生开路。
发明内容
为解决现有技术存在的问题,本发明提出了一种飞机发电机整流器的自适应故障诊断方法,作为一种针对飞机发电系统状态监控的手段。相比于传统飞机发电机监控方式,它可以对飞机发电机系统容易发生故障的故障源进行监控、检测、诊断,该系统可以集成于发动机FADEC中,有效提高飞机发电系统的可靠性。
现有的监控和故障诊断方法,主要是基于小波包分析和支持向量机的方法、以及基于RBF神经网络、小波神经网络、人工神经网络的方法等,这些都是基于数据驱动思想的方法。相比于传统方法,例如基于直流注入法检测绝缘电阻等,基于数据驱动思想的方法对故障的判断要更准确和快速,能详细判断故障类别,可以做到最小限度的修理,使系统保持健康状态,本发明提出的自适应方法就是基于这种思想设计的。
本发明的技术方案为:
所述一种飞机发电机整流器的自适应故障诊断方法,其特征在于:采用以下步骤:
步骤1:获取飞机发电机整流器6个二极管在13种状态模式下的电压运行数据;所述13种状态模式分别为:
1、整流器二极管全无故障的状态模式M0,对应的电压运行数据为S0;
2、整流器6个二极管各自单独出现故障的状态模式M1,M2,M3,M4,M5和M6,依次对应的电压运行数据为S1,S2,S3,S4,S5,S6;
3、整流器6个二极管中有两个二极管同时出现故障的状态模式M7,M8,M9,M10,M11和M12,依次对应的电压运行数据为S7,S8,S9,S10,S11和S12;
步骤2:对步骤1得到的13种状态模式下的电压运行数据进行特征提取,建立故障检测训练集:
步骤2.1:将电压运行数据S0~S12分别分为t段;对于电压运行数据Si,0≤i≤12,得到的分段数据为Si,1,Si,2,…,Si,t;
步骤2.2:对于电压运行数据Si,计算每段数据的峭度ki,j,0≤i≤12,1≤j≤t:
其中N为每段数据中的数据点数,xi,j,z为数据点,为第i个电压运行数据的第j分段的数据均值,δi,j为第i个电压运行数据的第j分段的数据标准差;
步骤2.3:根据步骤2.2的结果构建故障检测训练集Tr:
步骤3:运用自适应方法对故障检测训练集Tr构建分类器:
步骤3.1:建立初始权重向量D1 i,j:
其中为对第i个电压运行数据的第j分段数据的峭度特征所赋予的初始权重;
步骤3.2:采用stumps方法建立分类模型Gm(ki,j):
其中θ代表采用峭度特征进行状态模式识别的阈值,yi,j指第i个电压运行数据的第j分段数据的峭度特征所代表的状态模式;S={Mp,Mq},Mp,Mq为13种状态模式的两种状态模式;取m=1,2,3,…,Q,按照分类模型,并设置不同的θ,构建Q个分类器;
步骤3.3:根据下面公式迭代计算每个分类器的第β次迭代过程中的错误分类的误差eβ i,m,eβ i,m表示第β次迭代过程中第m个分类器在区分第i个电压运行数据时产生的误差:
其中 ωβ i,j表示第i个电压运行数据的第j个分段数据在第β次迭代过程中的权值;
步骤3.4:根据下面公式计算分类器Gm(ki,j)的系数αβ m和新的权值ωβ+1 i,j,其中αβ m表示第m个分类器第β次迭代时的权值系数,ωβ+1 i,j表示第i个电压运行数据的第j个分段数据在第β+1次迭代过程中的权值;
其中Zm为规范化因子,并得到新的权重向量Dβ+1 i,j
Dβ+1 i,j=(ωβ+1 i,1,…,ωβ+1 i,j,…,ωβ+1 i,t);
步骤3.5:经过设定次数迭代后,得到分类器线性加权后的整体二分类器Cs:
步骤3.6:根据步骤3.5得到的整体二分类器Cs,利用GeneralizedBradley-Terry模型,引入主动学习机制,构成多分类器Cf;
步骤4:获取新的待诊断的飞机整流器电压运行数据,并将新的待诊断的飞机整流器电压运行数据按照步骤1和步骤2的过程建立故障检测集,并将故障检测集输入到多分类器Cf中,得到状态识别结果。
有益效果
本发明的有益效果是:系统采用自适应的方法诊断飞机发电机整流器故障,这主要体现在两方面,一方面是在诊断方法的建立过程中系统会根据分类器对整流器二极管的工作模式识别准确度自适应的调整各分类器的权值,增加分类误差小的分类器的权值,减小分类误差大的分类器的权值,使效果明显的分类器在工作模式判断中起较大的作用;另一方面是在状态识别训练集识别过程中系统会自适应的改变数据的权值,对于被错分的特征在下一次的识别过程中系统的样本权值会增加,对于正确分类的特征在下一次判断过程中系统的样本权值将会减小,使被错分的特征具有更大的关注度;通过这两种方式系统可以确保在飞机发电机整流器工作模式识别过程中结果是完全正确的,可靠性符合航空系统对系统可靠性的要求。
附图说明
图1为飞机发电机整流器结构图;
图2为诊断过程流程图。
具体实施方式
下面结合具体实施例描述本发明:
本发明属于健康监控和预测的一种方法,方法的核心是实现离线和在线的健康监控,附图2中用实线和虚线进行了区分,实现代表离线过程,虚线代表在线监控过程。本发明通过调整训练样本的权重,学习多个分类器,并将这些分类器线性组合。相比其他机器学习方法,本发明可以对分类器结果调整权重,分类效果好的分类器赋以大的权值,分类效果差的分类器赋以小的权值,从而自适应的提高故障分类的精度。同时,该方法对故障特征进行自适应选择,特征明显的赋以大的权重,特征不明显的赋以小的权重,实现特征的优胜劣汰,进而提高故障特征的识别能力。
本实施例的具体步骤为:
步骤1:获取飞机发电机整流器6个二极管在13种状态模式下的电压运行数据;飞机发电机整流器结构如图1所示,6个二极管为DaT,DaB,DbT,DbB,DcT和DcB。
所述13种状态模式分别为:
1、整流器二极管全无故障的状态模式M0,对应的电压运行数据为S0;
2、整流器6个二极管各自单独出现故障的状态模式M1,M2,M3,M4,M5和M6,依次对应的电压运行数据为S1,S2,S3,S4,S5,S6;
3、整流器6个二极管中有两个二极管同时出现故障的状态模式M7,M8,M9,M10,M11和M12,依次对应的电压运行数据为S7,S8,S9,S10,S11和S12。根据飞机发电机励磁电机的工作模式,整流器中两个二极管同时出现故障的故障模式对应于如下6种情况:DaT,DbB同时故障、DaT,DcB同时故障、DbT,DaB同时故障、DbT,DcB同时故障、DcT,DaB同时故障、DcT,DbB同时故障。
步骤2:对步骤1得到的13种状态模式下的电压运行数据进行特征提取,建立故障检测训练集:
步骤2.1:将电压运行数据S0~S12分别分为t段,每段有N个数据点;对于电压运行数据Si,0≤i≤12,得到的分段数据为Si,1,Si,2,…,Si,t;
步骤2.2:对于电压运行数据Si,计算每段数据的峭度ki,j,0≤i≤12,1≤j≤t:
其中N为每段数据中的数据点数,xi,j,z为数据点,为第i个电压运行数据的第j分段的数据均值,δi,j为第i个电压运行数据的第j分段的数据标准差;
步骤2.3:根据步骤2.2的结果构建故障检测训练集Tr:
步骤3:运用自适应方法对故障检测训练集Tr构建分类器:
步骤3.1:建立初始权重向量D1 i,j:
其中ω1 i,j为对第i个电压运行数据的第j分段数据的峭度特征所赋予的初始权重;
步骤3.2:采用stumps方法建立分类模型Gm(ki,j):
其中θ代表采用峭度特征进行状态模式识别的阈值,yi,j指第i个电压运行数据的第j分段数据的峭度特征所代表的状态模式;S={Mp,Mq},Mp,Mq为13种状态模式的两种状态模式;取m=1,2,3,…,5,按照分类模型,并设置不同的θ,构建5个分类器;
步骤3.3:根据下面公式迭代计算每个分类器的第β次迭代过程中的错误分类的误差eβ i,m,eβ i,m表示第β次迭代过程中第m个分类器在区分第i个电压运行数据时产生的误差:
其中 ωβ i,j表示第i个电压运行数据的第j个分段数据在第β次迭代过程中的权值;
步骤3.4:根据下面公式计算分类器Gm(ki,j)的系数αβ m和新的权值ωβ+1 i,j,其中αβ m表示第m个分类器第β次迭代时的权值系数,ωβ+1 i,j表示第i个电压运行数据的第j个分段数据在第β+1次迭代过程中的权值;
其中Zm为规范化因子,并得到新的权重向量Dβ+1 i,j
Dβ+1 i,j=(ω β+1 i,1,…,ωβ+1 i,j,…,ωβ+1 i,t);
步骤3.5:经过4次迭代后,得到分类器线性加权后的整体二分类器Cs:
步骤3.6:根据步骤3.5得到的整体二分类器Cs,利用GeneralizedBradley-Terry模型,引入主动学习机制,构成多分类器Cf;这里具体的方法在张江红的“多分类主动学习方法在地表分类中的应用”这篇论文中有详细描述。
步骤4:获取新的待诊断的飞机整流器电压运行数据,并将新的待诊断的飞机整流器电压运行数据按照步骤1和步骤2的过程建立故障检测集,并将故障检测集输入到多分类器Cf中,得到状态识别结果。
本发明所提出的自适应的电机整流器故障诊断方法,属于应用数据驱动实现故障诊断的方法,系统采集飞机发电机整流器电压数据,提取特征,获得故障诊断分类器,监控系统状态,方法构建的过程中需要获取飞机发电机整流器工作模式的历史数据,针对性比较强。这种数据处理方法集成于飞机FADEC中保护系统运行,状态监控的结果可以通过飞机上的数据总线和通信系统报告给飞行员和地面监控人员,为操作提供指示,为工作人员维修提供依据。
本发明使用的自适应的方法具有应用广泛的特点,相比其他算法它具有可以使用各种分类方法构建分类器特点,且简单不用做特征筛选,也不用担心过拟合等问题。
本发明方案的关键在于如图1所示在飞机发电机基础上分析了飞机发电机整流器故障发生的诱因,根据诱因设计故障诊断的模式识别方案,基于飞机发电机的历史数据设计了识别流程,如图2所示,并且提出了实现离线和在线两种状态诊断方式。
Claims (1)
1.一种飞机发电机整流器的自适应故障诊断方法,其特征在于:采用以下步骤:
步骤1:获取飞机发电机整流器6个二极管在13种状态模式下的电压运行数据;所述13种状态模式分别为:
1、整流器二极管全无故障的状态模式M0,对应的电压运行数据为S0;
2、整流器6个二极管各自单独出现故障的状态模式M1,M2,M3,M4,M5和M6,依次对应的电压运行数据为S1,S2,S3,S4,S5,S6;
3、整流器6个二极管中有两个二极管同时出现故障的状态模式M7,M8,M9,M10,M11和M12,依次对应的电压运行数据为S7,S8,S9,S10,S11和S12;
步骤2:对步骤1得到的13种状态模式下的电压运行数据进行特征提取,建立故障检测训练集:
步骤2.1:将电压运行数据S0~S12分别分为t段;对于电压运行数据Si,0≤i≤12,得到的分段数据为Si,1,Si,2,…,Si,t;
步骤2.2:对于电压运行数据Si,计算每段数据的峭度ki,j,0≤i≤12,1≤j≤t:
其中N为每段数据中的数据点数,xi,j,z为数据点,为第i个电压运行数据的第j分段的数据均值,δi,j为第i个电压运行数据的第j分段的数据标准差;
步骤2.3:根据步骤2.2的结果构建故障检测训练集Tr:
步骤3:运用自适应方法对故障检测训练集Tr构建分类器:
步骤3.1:建立初始权重向量D1 i,j:
D1 i,j=(ω1 i,1,…,ω1 i,j,…,ω 1 i,t)
其中ω1 i,j为对第i个电压运行数据的第j分段数据的峭度特征所赋予的初始权重;
步骤3.2:采用stumps方法建立分类模型Gm(ki,j):
其中θ代表采用峭度特征进行状态模式识别的阈值,yi,j指第i个电压运行数据的第j分段数据的峭度特征所代表的状态模式;S={Mp,Mq},Mp,Mq为13种状态模式的两种状态模式;取m=1,2,3,…,Q,按照分类模型,并设置不同的θ,构建Q个分类器;
步骤3.3:根据下面公式迭代计算每个分类器的第β次迭代过程中的错误分类的误差eβ i,m,eβ i,m表示第β次迭代过程中第m个分类器在区分第i个电压运行数据时产生的误差:
其中 表示第i个电压运行数据的第j个分段数据在第β次迭代过程中的权值;
步骤3.4:根据下面公式计算分类器Gm(ki,j)的系数αβ m和新的权值ωβ+1 i,j,其中αβ m表示第m个分类器第β次迭代时的权值系数,ωβ+1 i,j表示第i个电压运行数据的第j个分段数据在第β+1次迭代过程中的权值;
其中Zm为规范化因子,并得到新的权重向量Dβ+1 i,jDβ+1 i,j=(ωβ+1 i,1,…,ωβ+1 i,j,…,ωβ+1 i,t);
步骤3.5:经过设定次数迭代后,得到分类器线性加权后的整体二分类器Cs:
步骤3.6:根据步骤3.5得到的整体二分类器Cs,利用GeneralizedBradley-Terry模型,引入主动学习机制,构成多分类器Cf;
步骤4:获取新的待诊断的飞机整流器电压运行数据,并将新的待诊断的飞机整流器电压运行数据按照步骤1和步骤2的过程建立故障检测集,并将故障检测集输入到多分类器Cf中,得到状态识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510046481.4A CN104635081B (zh) | 2015-01-29 | 2015-01-29 | 一种飞机发电机整流器的自适应故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510046481.4A CN104635081B (zh) | 2015-01-29 | 2015-01-29 | 一种飞机发电机整流器的自适应故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104635081A true CN104635081A (zh) | 2015-05-20 |
CN104635081B CN104635081B (zh) | 2017-08-08 |
Family
ID=53214048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510046481.4A Active CN104635081B (zh) | 2015-01-29 | 2015-01-29 | 一种飞机发电机整流器的自适应故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104635081B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106054053A (zh) * | 2016-06-15 | 2016-10-26 | 西安科技大学 | 一种用于三相全桥整流电路晶闸管故障诊断的方法 |
CN106483442A (zh) * | 2016-11-11 | 2017-03-08 | 凌云科技集团有限责任公司 | 组合传动发电机整流二极管的检测设备及检测方法 |
CN109447401A (zh) * | 2018-09-18 | 2019-03-08 | 中国科学院自动化研究所 | 基于自适应资源调配的地面健康管理方法、系统及装置 |
CN110632443A (zh) * | 2019-10-14 | 2019-12-31 | 兰州交通大学 | 一种crh3动车组牵引整流器igbt开路故障的诊断方法 |
CN111983449A (zh) * | 2020-07-22 | 2020-11-24 | 西北工业大学 | 三级式起动/发电机发电阶段旋转整流器故障检测和定位方法 |
CN113255546A (zh) * | 2021-06-03 | 2021-08-13 | 成都卡莱博尔信息技术股份有限公司 | 一种用于飞机系统传感器故障的诊断方法 |
CN114113918A (zh) * | 2021-12-23 | 2022-03-01 | 国网浙江省电力有限公司经济技术研究院 | 一种故障检测方法及系统 |
CN115079012A (zh) * | 2022-07-22 | 2022-09-20 | 羿动新能源科技有限公司 | 大数据预测电池soc的特征数据提取系统及提取方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101907088A (zh) * | 2010-05-27 | 2010-12-08 | 中国人民解放军国防科学技术大学 | 基于单类支持向量机的故障诊断方法 |
CN102589884A (zh) * | 2012-03-01 | 2012-07-18 | 西北工业大学 | 一种基于GentleBoost的飞机发电机轴承故障诊断方法 |
CN102830273A (zh) * | 2012-08-23 | 2012-12-19 | 徐州云泰汽车电器有限公司 | 一种整流器故障预警装置 |
CN103116090A (zh) * | 2013-01-21 | 2013-05-22 | 江南大学 | 一种基于小波包分析和支持向量机的三相pwm整流器故障诊断方法 |
US20140293665A1 (en) * | 2013-03-28 | 2014-10-02 | Control Techniques Limited | Damage Limitation |
-
2015
- 2015-01-29 CN CN201510046481.4A patent/CN104635081B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101907088A (zh) * | 2010-05-27 | 2010-12-08 | 中国人民解放军国防科学技术大学 | 基于单类支持向量机的故障诊断方法 |
CN102589884A (zh) * | 2012-03-01 | 2012-07-18 | 西北工业大学 | 一种基于GentleBoost的飞机发电机轴承故障诊断方法 |
CN102830273A (zh) * | 2012-08-23 | 2012-12-19 | 徐州云泰汽车电器有限公司 | 一种整流器故障预警装置 |
CN103116090A (zh) * | 2013-01-21 | 2013-05-22 | 江南大学 | 一种基于小波包分析和支持向量机的三相pwm整流器故障诊断方法 |
US20140293665A1 (en) * | 2013-03-28 | 2014-10-02 | Control Techniques Limited | Damage Limitation |
Non-Patent Citations (4)
Title |
---|
DAVID R.HUNTER: "MM ALGORITHMS FOR GENERALIZED BRADLEY–TERRY MODELS", 《THE ANNALS OF STATISTICS》 * |
SHUHUI BU ET AL.: "Learning High-Level Feature by Deep Belief Networks for 3-D Model Retrieval and Recognition", 《IEEE TRANSACTIONS ON MULTIMEDIA》 * |
刘勇智 等: "基于EMD和LS-SVM的旋转整流器故障诊断方法研究", 《微电机》 * |
张江红: "多分类主动学习方法在地表分类中的应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106054053A (zh) * | 2016-06-15 | 2016-10-26 | 西安科技大学 | 一种用于三相全桥整流电路晶闸管故障诊断的方法 |
CN106054053B (zh) * | 2016-06-15 | 2018-08-24 | 西安科技大学 | 一种用于三相全桥整流电路晶闸管故障诊断的方法 |
CN106483442A (zh) * | 2016-11-11 | 2017-03-08 | 凌云科技集团有限责任公司 | 组合传动发电机整流二极管的检测设备及检测方法 |
CN109447401A (zh) * | 2018-09-18 | 2019-03-08 | 中国科学院自动化研究所 | 基于自适应资源调配的地面健康管理方法、系统及装置 |
CN110632443A (zh) * | 2019-10-14 | 2019-12-31 | 兰州交通大学 | 一种crh3动车组牵引整流器igbt开路故障的诊断方法 |
CN110632443B (zh) * | 2019-10-14 | 2022-03-01 | 兰州交通大学 | 一种crh3动车组牵引整流器igbt开路故障的诊断方法 |
CN111983449A (zh) * | 2020-07-22 | 2020-11-24 | 西北工业大学 | 三级式起动/发电机发电阶段旋转整流器故障检测和定位方法 |
CN111983449B (zh) * | 2020-07-22 | 2021-06-11 | 西北工业大学 | 三级式起动/发电机发电阶段旋转整流器故障检测和定位方法 |
CN113255546A (zh) * | 2021-06-03 | 2021-08-13 | 成都卡莱博尔信息技术股份有限公司 | 一种用于飞机系统传感器故障的诊断方法 |
CN114113918A (zh) * | 2021-12-23 | 2022-03-01 | 国网浙江省电力有限公司经济技术研究院 | 一种故障检测方法及系统 |
CN115079012A (zh) * | 2022-07-22 | 2022-09-20 | 羿动新能源科技有限公司 | 大数据预测电池soc的特征数据提取系统及提取方法 |
CN115079012B (zh) * | 2022-07-22 | 2022-11-29 | 羿动新能源科技有限公司 | 大数据预测电池soc的特征数据提取系统及提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104635081B (zh) | 2017-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104635081A (zh) | 一种飞机发电机整流器的自适应故障诊断方法 | |
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
EP3460611B1 (en) | System and method for aircraft fault detection | |
CN103336243B (zh) | 基于分合闸线圈电流信号的断路器故障诊断方法 | |
CN109061463A (zh) | 一种高压断路器机械状态监测和故障诊断方法 | |
US10431019B2 (en) | Health monitoring of an actuator in a flying device | |
CN104134010B (zh) | 一种基于朴素贝叶斯算法面向离散型数据的卫星故障诊断方法 | |
CN105956290B (zh) | 一种基于多数据融合技术的高压断路器机械故障诊断方法 | |
CN108896296A (zh) | 一种基于卷积神经网络的风电齿轮箱故障诊断方法 | |
CN109597401A (zh) | 一种基于数据驱动的设备故障诊断方法 | |
CN109975013A (zh) | 基于ivmd-se的风电机组齿轮箱故障特征提取方法 | |
CN104021238A (zh) | 一种铅酸动力电池系统故障诊断方法 | |
CN107247231A (zh) | 一种基于oblgwo‑dbn模型的航空发电机故障特征提取方法 | |
CN105955233B (zh) | 一种基于数据挖掘的车辆故障诊断方法及系统 | |
CN105606914A (zh) | 一种基于iwo-elm的航空功率变换器故障诊断方法 | |
CN110196365A (zh) | 一种车辆电驱动系统故障诊断方法 | |
CN103674538A (zh) | 一种直升机自动倾斜器多故障模式识别方法及装置 | |
CN104614166A (zh) | 一种飞机发动机转子振动信号故障状态识别的方法 | |
CN104976139A (zh) | 一种基于高斯模型的机械设备状态诊断方法 | |
EP2474710B1 (en) | Ram air turbine with flux regulated permanent magnet generator and testing method | |
CN104062541A (zh) | 一种针对容错永磁电机定子匝间短路的故障诊断方法 | |
CN111348535A (zh) | 轨道交通车站中使用的扶梯的健康状态监测系统及方法 | |
CN109657989A (zh) | 直升机高速重载输入级健康状态评估方法 | |
WO2023052030A1 (de) | Verfahren zum überwachen einer maschine, computerprogrammprodukt und anordnung | |
CN108760260A (zh) | 一种用于风电叶片加载交变气动载荷的疲劳试验装置与方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information |
Inventor after: Liu Zhenbao Inventor after: Sun Gaoyuan Inventor after: Zhang Chao Inventor after: Bu Shuhui Inventor before: Liu Zhenbao Inventor before: Fan Dasen Inventor before: Zhang Chao Inventor before: Bu Shuhui |
|
GR01 | Patent grant | ||
GR01 | Patent grant |