CN104915715A - 多方法联合的航电系统故障诊断方法 - Google Patents
多方法联合的航电系统故障诊断方法 Download PDFInfo
- Publication number
- CN104915715A CN104915715A CN201510355414.0A CN201510355414A CN104915715A CN 104915715 A CN104915715 A CN 104915715A CN 201510355414 A CN201510355414 A CN 201510355414A CN 104915715 A CN104915715 A CN 104915715A
- Authority
- CN
- China
- Prior art keywords
- neural network
- fault
- bam
- fault diagnosis
- failure
- 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
Landscapes
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种基于FTA、BAM神经网络、BP神经网络三种方法联合的航电系统故障诊断方法。分别建立了FTA与BAM神经网络融合的故障诊断模型、联合BP神经网络的故障诊断模型。当故障现象明显时,采用FTA与BAM神经网络融合的故障诊断模型,首先利用FTA得到系统的故障模式,分析归纳出BAM的训练样本,最后BAM通过联想记忆矩阵并行联想,得到诊断结果;当故障现象不明显或者故障实例库没有此故障时,采用联合BP神经网络的故障诊断模型,对BP神经网络采集到训练样本即电压、温度等数据进行学习,最后利用训练后的网络进行故障诊断。两种故障诊断模型优势互补,弥补各自的不足之处,有效解决了航电系统故障诊断存在的上述问题,提高了故障诊断的准确性和效率性。
Description
技术领域
本发明涉及航电系统故障诊断方法领域,具体为一种基于FTA、BAM、BP三种方法联合的航电系统故障诊断方法。
背景技术
随着飞机装备的智能化和信息化程度越来越高,需要借助电子系统协助处理的任务也将越来越多,这也将导致由电子系统引起的故障不断增多。另外,随着电子系统不断融入武器系统的核心任务系统,信息化、智能化程度越高的武器装备需要电子系统辅助完成的任务将会越多,电子系统故障也将大大增加其维修保障问题。目前国内针对航电系统故障诊断问题,基本根据故障手册并结合专业维修人员的维修经验来对航空电子设备经常出现的故障进行检查和维修,这必将导致人的因素成为诊断和维修成功与否的关键因素。此外,由于航电系统中的很多故障是维修人员难以发现的隐蔽性故障或潜在故障,而这些隐蔽性故障或潜在故障的存在,严重威胁到整个飞机的安全性与可靠性,很可能导致严重的飞行事故。
通过对目前航电系统故障诊断与维修现状进行调查与研究,虽然智能故障诊断技术在电子设备的应用方面有了长足的发展,但是应用于航电系统故障诊断时,仍存在一些问题,如基于FTA的故障诊断方法,由于知识库的大小会随着故障树数据的增加而变大,同时系统规模越大,由最小割集得到的规则数量也会越大,这将导致根据规则推理时,速度会越来越慢,不能及时有效地得出正确的诊断结果。而基于人工神经网络的方法具有分布式存储能力、并行处理性、自学习能力等特点,所以受到欢迎,但是也存在一定的局限性,如BP神经网络的收敛速度会随着训练样本的数量的递增而递减,而且有时多种故障会一同发生,诊断准确度也会下降。又如BAM网络故障诊断方法,当其应用于航电系统时,在选取样本方面有着诸多要求,如数量足够大、样本的相容性和遍历性等,纯人工整理很难实现。
发明内容
针对航电系统故障诊断存在的故障定位困难、准确性和效率性低的问题以及单一故障诊断方法存在的局限性,本发明提供一种多方法联合的航电系统故障诊断方法,利用FTA(FaultTree Analysis,故障树分析)、BAM神经网络(Bidirectional Associative Memory,双向联想记忆)、BP神经网络(Back-Propagation,反向传播)三种方法联合。分别建立了FTA与BAM神经网络融合的故障诊断模型、联合BP神经网络的故障诊断模型。当故障现象明显时,采用FTA与BAM神经网络融合的故障诊断模型,首先利用FTA得到系统的故障模式,分析归纳出BAM的训练样本,最后BAM通过联想记忆矩阵并行联想,得到诊断结果,此模型保留了FTA对各种故障事件优秀的分析处理能力,而且发挥了BAM网络对单一或多源故障的快速定位的优势;当故障现象不明显或者故障实例库没有此故障时,采用联合BP神经网络的故障诊断模型,对BP神经网络采集到训练样本即电压、温度等数据进行学习,最后利用训练后的网络进行故障诊断。两种故障诊断模型优势互补,弥补各自的不足之处,能够快速而有效地诊断出航电系统的各种故障,解决了航电系统故障诊断存在的问题,提高了故障诊断的准确性和效率性。
本发明为解决上述技术问题,本发明采用以下技术方案:
多方法联合的航电系统故障诊断方法,当故障现象明显时,采用FTA与BAM神经网络融合的故障诊断模型,首先利用FTA得到系统的故障模式,分析归纳出BAM的训练样本,最后BAM通过联想记忆矩阵并行联想,得到诊断结果;当故障现象不明显或者故障实例库没有此故障时,采用联合BP神经网络的故障诊断模型,对BP神经网络采集到的训练样本进行学习,最后利用训练后的网络进行故障诊断。
进一步的,明显的故障现象包括着火、烟、雾、异味、火花、器件损坏、接口松动、零件老化、零件震动或抖动。
进一步的,不明显的故障现象包括由电源接触不良或内部损坏、短路或断路造成的肉眼无法感知的现象。
进一步的,所述当故障现象明显时,采用FTA与BAM神经网络融合的故障诊断模型,具体步骤如下:
1-1、建立故障树;
1-2、求出最小割集;
1-3、FTA整理出训练样本:根据步骤1-2中得到的最小割集建立改进的故障树模型,从而得到正交的样本输入向量所述改进的故障树模型,是指在结构上,利用最小割集对故障树进行优化处理而得到的简化故障树;这样可以使原故障树的深度得到降低,即层数减少,使BAM的联想记忆更加方便,而网络的训练样本则是通过对最小割集编码获得的。此外,如果输入向量是正交的,则可以使向量集的维数得到降低,否则,维数很多的话,不但使M阵抑制作用减少,也会让BAM网络达到稳定状态需要更长的时间,导致诊断速度降低。但是FTA得出的向量集有着良好的正交性,所以无需进行正交化。
1-4、双极化处理:对样本输入向量采用双极化处理,所述双极化处理通过如下公式计算出来:
式中:Xi为样本输入向量,为双极化处理后的样本输入向量;其中双极化的原因在于:如果Xi和Yi使用(0,1),其中,Xi为样本输入向量,即故障征兆;Yi为样本输出向量,即故障原因,那么Xi经过加权,使用转移函数Sng后,结果都为1,这样使抑制作用变低,同时也降低了收敛性。所以采用双极化后的向量(-1,+1),使M的抑制作用得到增加。
1-5、计算BAM权值矩阵:在MATLAB中建立BAM神经网络模型,利用BAM神经网络模型对FTA整理出的训练样本进行学习和记忆,计算权值矩阵;所述的权值矩阵通过如下公式计算出来:
式中M为BAM神经网络进行学习和记忆后的权值矩阵,为双极化后的样本输入向量,即故障现象,Yi为样本输出向量,即故障原因。最小割集建立了样本空间,其维数少,且具有良好的正交性,这样的求得的权值矩阵M可以对系统故障模式进行精确地反映。
1-6、获得监测点的状态向量值:通过对故障监测点进行监测,获得BAM神经网络的样本输入向量
1-7、BAM联想回忆:BAM神经网络进行联想回忆,输出联想回忆结果,所述的联想回忆结果通过如下公式计算出来:
式中Y为BAM神经网络联想回忆输出的故障诊断结果, 为BAM神经网络的样本输入向量,即故障现象,M为权值矩阵;
1-8、输出故障诊断结果:根据步骤1-7中BAM的联想回忆结果,输出相应的故障诊断结果。对于故障征兆集Cm,m=1,2,...,k,1≤i≤k,1≤j≤k,由于所有待检测征兆向量存在于样本向量集中,即Ci=a1X1+a2X2+...+anXn,ak∈(0,1),1≤k≤n,因此,待检测的征兆向量的故障原因向量Di能够采用M阵求出,如式(1-4)所示。
Di=a1Y1+a2Y2+...+anYn=a1X1M+a2X2M+...+anXnM=CiM (1-4)
由式(1-4)可知,对于多源性以及隐蔽性的故障,此方法也可以处理和解决。
进一步的,所述当故障现象不明显或者故障实例库没有此故障时,采用联合BP神经网络的故障诊断模型,具体步骤如下:
2-1、获取BP训练样本;
2-2、样本预处理:利用MATLAB对BP神经网络的训练样本进行预处理,然后在MATLAB中利用神经网络工具箱建立BP神经网络模型;
2-3、BP神经网络训练:利用BP神经网络模型对训练样本进行学习,提取待诊断对象的特征参数,利用训练后的网络输出故障诊断结果。
进一步的,步骤2-1所述获取BP训练样本,采用监测设备、实验仿真、故障手册或者相关专业人员获取BP神经网络的训练样本;所述监测设备是指电流表、电压表、温度传感器;所述实验仿真是指利用Multisim软件对数据进行仿真提取;所述故障手册是指航电系统相关的故障手册;所述相关专业人员是指从事航电维修的专业维修人员、航电结构设计专业设计人员、航电相关专家。
进一步的,步骤2-2所述对BP神经网络的训练样本进行预处理,由MATLAB对神经网络训练样本进行归一化处理,使提取的训练样本保持在0~1之间。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1.本发明综合了FTA、BAM神经网络、BP神经网络三种故障诊断方法,建立了多方法联合的故障诊断模型,该模型可以对航电系统的各类故障进行快速定位和智能诊断,有效解决了目前人工维修技术存在的诊断效果差、可靠性低等问题以及单一故障诊断方法存在的局限性;
2.本发明利用FTA与BAM神经网络、BP神经网络联合的方法对航电系统故障诊断,解决了FTA应用于庞大复杂系统无法实现快速诊断的问题,也克服了BAM网络中整理训练样本难的问题以及BP神经网络应用于庞大复杂系统存在的海量训练样本导致收敛速度慢的问题。同时保留了FTA对各种故障事件优秀的分析处理能力,而且发挥了BAM网络对单一或多源故障的快速定位的优势以及BP神经网络故障诊断的智能性;
3.本发明提供的三种方法联合的故障诊断方法,提高了航电系统故障诊断的效率性和准确性;
4.本发明所提出的联合故障诊断方法不但适用于不同结构的航电系统,而且该方法同样可以适用于其他大型复杂电子或者机械系统,因此该方法具有很好的适用性和拓展性。
附图说明
图1是本发明的流程示意图;
图2是FTA与BAM神经网络方法故障诊断流程示意图;
图3是飞行员呼叫乘务员工作原理框图;
图4是飞行员呼叫乘务员功能失效故障树;
图5是改进后的故障树模型;
图6是附加动量法的改进BP算法训练效果图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
如图1所示,本发明公开了一种基于FTA、BAM神经网络、BP神经网络三种方法联合的航电系统故障诊断方法,技术方案如下:
(1)当故障现象明显时,采用FTA与BAM神经网络融合的故障诊断模型,包括以下步骤:如图2所示。
1)建立故障树。对系统原理及故障进行分析,根据建树步骤,得出系统失效事件的故障树模型。
2)求出最小割集。确定系统失效事件故障树的结构函数,即根据定性分析方法,通过上行法或下行法来分析结构函数,从而可以得到最小割集。
3)FTA整理出训练样本。根据得到的最小割集建立改进的故障树模型,从而得到正交的样本输入向量。所述改进的故障树模型,是指在结构上,利用最小割集对故障树进行优化处理而得到的简化故障树。
4)双极化处理。对样本输入向量采用双极化处理,以便让BAM神经网络更好地学习,达到良好的回忆效果。所述双极化处理通过如下公式计算出来:
式中:Xi为样本输入向量,为双极化处理后的输入向量。
5)计算BAM权值矩阵。在MATLAB中建立BAM神经网络模型,利用BAM网络模型对FTA整理的训练样本进行学习和记忆,计算权值矩阵。所述的权值矩阵通过如下公式计算出来:
式中M为BAM神经网络进行学习和记忆后的权值矩阵,为双极化后的样本输入向量,即故障现象,Yi为输出向量,即故障原因。
6)获得监测点的状态向量值。通过对故障监测点进行监测,获得BAM神经网络的样本输入向量
7)BAM联想回忆。BAM神经网络进行联想回忆,输出联想回忆结果,即由MATLAB建立出BAM神经网络模型,利用FTA得到的训练样本,根据BAM神经网络权值矩阵求解公式,对权值矩阵进行计算。所述的联想回忆结果通过如下公式计算出来:
式中Y为BAM神经网络联想回忆输出的故障诊断结果,为BAM神经网络的样本输入向量,即故障现象,M为权值矩阵。
8)输出故障诊断结果。根据步骤7)BAM的联想回忆结果,输出相应的故障诊断结果。
(2)当故障现象不明显或者故障实例库没有此故障时,采用联合BP神经网络的故障诊断模型,包括以下步骤:
1)获取BP训练样本。采用监测设备、实验仿真、故障手册、相关专业人员等渠道,获取BP神经网络的训练样本。
2)样本预处理。利用MATLAB对BP神经网络的训练样本进行预处理,由MATLAB对神经网络训练样本进行归一化处理,使提取的训练样本保持在0~1之间。然后在MATLAB中利用神经网络工具箱建立BP神经网络模型。
3)BP神经网络训练。利用BP神经网络模型对训练样本进行学习,提取待诊断对象的特征参数,利用训练后的网络输出故障诊断结果。
下面以飞行机组呼叫系统中飞行员呼叫乘务员失效的故障为例:
(1)故障现象明显的故障采用FTA与BAM神经网络方法进行故障诊断,流程图如图2所示。
1)首先对飞行机组呼叫系统中飞行员呼叫乘务员功能的工作原理、飞行员呼叫乘务员功能失效的故障现象、故障影响进行分析:
工作原理分析:当飞行员想要呼叫飞机上的乘务员时,会按下ATTEND开关,这个开关是包含在旅客符号板中的。此时,会有28V直流电源通过handsets逻辑控制面板,这个控制面板是包含在乘务员面板中的。这个控制板可以让乘务员位置处的呼叫信号灯变亮,同时也发送出一个离散的指示信号给PA放大器,此时,座舱位置的扬声器会根据PA放大器的指示发出高/低的指示音。其工作原理框图,如图3所示。
故障现象分析:当飞行员按下ATTEND开关时,乘务员位置的呼叫信号灯不亮或者座舱扬声器没有声音。
故障影响分析:当飞行员遇到紧急事务,如身体不适、遇到飞行状态不安全情况等需要通知乘务员时,无法及时传达,可能导致严重的事故。
2)通过上述分析,对飞行员呼叫乘务员功能失效这个事件建立故障树,如图4所示。图中各代号的含义如表1所示。
表1 相对应的事件列表
3)根据故障树,确定结构函数:
从而可以得出最小割集:
{x2},{x3},{x1,x4},{x1,x5}
4)根据求得的最小割集,需要将原故障树结构进行优化处理,改进后的模型如图5所示。
图中的中间事件Si(i=1,2,3,4)代表监测点组合,它们是与每个割集是相对应的,也可以说成相等价的。在表2中,Xi是输入向量,它代表了S1S2S3S4的组合,Yi是输出向量,也就是(x1x2x3x4x5)的组合,其中(x1x2x3x4x5)代表底事件。表中的1代表发生了该事件,0代表没有发生该事件。
表2 FTA整理的训练样本
5)由于输入向量X已正交,双极化后,利用公式计算权值矩阵M:
根据实测点Si(i=1,2,3,4)的所有监测数据,得到该方法的实际诊断结果,如表3所示。
表3 故障诊断结果表
经验证,16种故障均与检测故障一致。
根据实验结果可知,FTA与BAM结合方法能准确地诊断导致飞行机组呼叫系统中飞行员呼叫乘务员功能失效事件的所有故障。而且这种融合方法不仅能够解决单一故障,对于多源故障也能够有效处理。
(2)故障现象不明显的故障采用联合BP神经网络方法进行故障诊断。以飞行机组呼叫系统中的典型放大电路故障为例。
1)假设共有3类故障,分别为三极管、电阻、二极管故障,具体又可分为7种故障,如表4所示。采用Multisim对放大电路进行仿真,模拟7种故障,并选取15个测试点进行数据采集。
表4 典型放大电路故障分类表
2)利用MATLAB对采集的数据进行归一化处理,得到BP网络的训练样本。为了减小训练误差,网络训练采用的是附加动量法的改进BP算法。利用MATLAB的newff函数对BP网络进行建立,采用init函数来初始化设置的参数。
3)利用建立好的BP网络进行学习训练。网络输入向量范围在0~1之间,分别选用logsig、purelin函数作为隐层和输出层神经元的传递函数。分别选用traingdm、learngdm函数作为训练函数与梯度下降动量学习函数。设置1个隐层,其中包含10个神经元。总步长数设为5000,全局收敛误差和学习率分别设为0.001和0.05。
训练结束之后,针对以上7种故障,分别选择3组样本,经过归一化后,来完成对网络的检验。
表5为神经网络实际诊断结果,训练结果如图6所示。
表5 神经网络实际诊断结果
由表5可以看出,在21组检验数据中,有2组检验结果出现了问题,其余19组均正确,故检验准确率约为19/21*100%≈90.48%。所以,与BP网络联合的诊断方法应用于航电系统是有效的,解决了二者各自的不足之处。
综合表3可以得出,基于FTA、BAM神经网络、BP神经网络三种方法联合的航电系统故障诊断方法是可行的,有效解决了三种单一方法应用于航电故障诊断时存在的问题,从而能够快速而有效地诊断出航电系统的各种故障,在实际工作中具有很好的实用性和准确性。
Claims (7)
1.多方法联合的航电系统故障诊断方法,其特征在于:当故障现象明显时,采用FTA与BAM神经网络融合的故障诊断模型,首先利用FTA得到系统的故障模式,分析归纳出BAM的训练样本,最后BAM通过联想记忆矩阵并行联想,得到诊断结果;当故障现象不明显或者故障实例库没有此故障时,采用联合BP神经网络的故障诊断模型,对BP神经网络采集到的训练样本进行学习,最后利用训练后的网络进行故障诊断。
2.根据权利要求1所述的多方法联合的航电系统故障诊断方法,其特征在于:明显的故障现象包括着火、烟、雾、异味、火花、器件损坏、接口松动、零件老化、零件震动或抖动。
3.根据权利要求1所述的多方法联合的航电系统故障诊断方法,其特征在于:不明显的故障现象包括由电源接触不良或内部损坏、短路或断路造成的肉眼无法感知的现象。
4.根据权利要求1所述的多方法联合的航电系统故障诊断方法,其特征在于:所述当故障现象明显时,采用FTA与BAM神经网络融合的故障诊断模型,具体步骤如下:
1-1、建立故障树;
1-2、求出最小割集;
1-3、FTA整理出训练样本:根据步骤1-2中得到的最小割集建立改进的故障树模型,从而得到正交的样本输入向量;所述改进的故障树模型,是指在结构上,利用最小割集对故障树进行优化处理而得到的简化故障树;
1-4、双极化处理:对样本输入向量采用双极化处理,所述双极化处理通过如下公式计算出来:
式中:Xi为样本输入向量,为双极化处理后的样本输入向量;
1-5、计算BAM权值矩阵:在MATLAB中建立BAM神经网络模型,利用BAM神经网络模型对FTA整理出的训练样本进行学习和记忆,计算权值矩阵;所述的权值矩阵通过如下公式计算出来:
式中M为BAM神经网络进行学习和记忆后的权值矩阵,为双极化后样本输入向量,即故障现象,Yi为样本输出向量,即故障原因;
1-6、获得监测点的状态向量值:通过对故障监测点进行监测,获得BAM神经网络的样本输入向量
1-7、BAM联想回忆:BAM神经网络进行联想回忆,输出联想回忆结果,所述的联想回忆结果通过如下公式计算出来:
式中Y为BAM神经网络联想回忆输出的故障诊断结果,为BAM神经网络的样本输入向量,即故障现象,M为权值矩阵;
1-8、输出故障诊断结果:根据步骤1-7中BAM的联想回忆结果,输出相应的故障诊断结果。
5.根据权利要求1所述的多方法联合的航电系统故障诊断方法,其特征在于:所述当故障现象不明显或者故障实例库没有此故障时,采用联合BP神经网络的故障诊断模型,具体步骤如下:
2-1、获取BP训练样本;
2-2、样本预处理:利用MATLAB对BP神经网络的训练样本进行预处理,然后在MATLAB中利用神经网络工具箱建立BP神经网络模型;
2-3、BP神经网络训练:利用BP神经网络模型对训练样本进行学习,提取待诊断对象的特征参数,利用训练后的网络输出故障诊断结果。
6.根据权利要求5所述的多方法联合的航电系统故障诊断方法,其特征在于:步骤2-1所述获取BP训练样本,采用监测设备、实验仿真、故障手册或者相关专业人员获取BP神经网络的训练样本;所述监测设备是指电流表、电压表、温度传感器;所述实验仿真是指利用Multisim软件对数据进行仿真提取;所述故障手册是指航电系统相关的故障手册;所述相关专业人员是指从事航电维修的专业维修人员、航电结构设计专业设计人员、航电相关专家。
7.根据权利要求1所述的多方法联合的航电系统故障诊断方法,其特征在于:步骤2-2所述对BP神经网络的训练样本进行预处理,由MATLAB对神经网络训练样本进行归一化处理,使提取的训练样本保持在0~1之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510355414.0A CN104915715A (zh) | 2015-06-24 | 2015-06-24 | 多方法联合的航电系统故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510355414.0A CN104915715A (zh) | 2015-06-24 | 2015-06-24 | 多方法联合的航电系统故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104915715A true CN104915715A (zh) | 2015-09-16 |
Family
ID=54084762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510355414.0A Pending CN104915715A (zh) | 2015-06-24 | 2015-06-24 | 多方法联合的航电系统故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104915715A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106292631A (zh) * | 2016-08-25 | 2017-01-04 | 哈尔滨理工大学 | 一种基于神经网络的pwm整流器故障诊断系统 |
CN106391314A (zh) * | 2016-11-16 | 2017-02-15 | 南京航空航天大学 | 一种静电除尘器火花跟踪控制方法 |
CN108665150A (zh) * | 2018-04-24 | 2018-10-16 | 中国民航大学 | 一种航空相依网络故障传播分析方法 |
CN109753045A (zh) * | 2017-11-08 | 2019-05-14 | 中国科学院沈阳自动化研究所 | 一种基于bp神经网络的航天器姿控系统故障诊断方法 |
CN109886306A (zh) * | 2019-01-24 | 2019-06-14 | 国网山东省电力公司德州供电公司 | 一种电网故障诊断数据清洗方法 |
CN110597650A (zh) * | 2019-09-09 | 2019-12-20 | 无锡江南计算技术研究所 | 一种计算机系统中基于自学习的并行故障定位方法及系统 |
CN111091187A (zh) * | 2019-11-26 | 2020-05-01 | 南京工程学院 | 一种基于fpga的离散bam神经网络系统 |
CN111319731A (zh) * | 2020-03-16 | 2020-06-23 | 上海交通大学 | 一种压载水设备的故障诊断方法 |
CN111639678A (zh) * | 2020-05-08 | 2020-09-08 | 西安工业大学 | 一种基于集成神经网络的ins/gps组合导航故障检测与诊断方法 |
CN112001885A (zh) * | 2020-07-14 | 2020-11-27 | 武汉理工大学 | 基于机器视觉的pcb故障检测方法、存储介质及系统 |
CN112948163A (zh) * | 2021-03-26 | 2021-06-11 | 中国航空无线电电子研究所 | 基于bp神经网络的评估设备对功能故障影响的方法 |
CN113311715A (zh) * | 2021-07-30 | 2021-08-27 | 中国人民解放军海军工程大学 | 一种复杂机电设备的故障辨识与溯源方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070150772A1 (en) * | 2005-12-01 | 2007-06-28 | Siemens Corporate Research, Inc. | Systems and Methods For Hazards Analysis |
CN104484547A (zh) * | 2014-11-03 | 2015-04-01 | 中国船舶重工集团公司第七一二研究所 | 一种基于蚁群算法的电力推进系统故障诊断方法与系统 |
CN104677629A (zh) * | 2014-10-28 | 2015-06-03 | 芜湖杰诺瑞汽车电器系统有限公司 | 车辆变速箱故障检测方法 |
-
2015
- 2015-06-24 CN CN201510355414.0A patent/CN104915715A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070150772A1 (en) * | 2005-12-01 | 2007-06-28 | Siemens Corporate Research, Inc. | Systems and Methods For Hazards Analysis |
CN104677629A (zh) * | 2014-10-28 | 2015-06-03 | 芜湖杰诺瑞汽车电器系统有限公司 | 车辆变速箱故障检测方法 |
CN104484547A (zh) * | 2014-11-03 | 2015-04-01 | 中国船舶重工集团公司第七一二研究所 | 一种基于蚁群算法的电力推进系统故障诊断方法与系统 |
Non-Patent Citations (3)
Title |
---|
ZHANG CHUN-HUA ETAL.: "Fault tree based fault diagnosis expert system", 《ORDNANCE INDUSTRY AUTOMATION》 * |
刘军 等: "基于多方法联合的故障诊断技术研究", 《航空计算技术》 * |
梁志文 等: "基于FTA与BAM神经网络融合的飞机故障诊断方法", 《湖南大学学报(自然科学版)》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106292631A (zh) * | 2016-08-25 | 2017-01-04 | 哈尔滨理工大学 | 一种基于神经网络的pwm整流器故障诊断系统 |
CN106391314A (zh) * | 2016-11-16 | 2017-02-15 | 南京航空航天大学 | 一种静电除尘器火花跟踪控制方法 |
CN106391314B (zh) * | 2016-11-16 | 2017-09-05 | 南京航空航天大学 | 一种静电除尘器火花跟踪控制方法 |
CN109753045B (zh) * | 2017-11-08 | 2020-05-05 | 中国科学院沈阳自动化研究所 | 一种基于bp神经网络的航天器姿控系统故障诊断方法 |
CN109753045A (zh) * | 2017-11-08 | 2019-05-14 | 中国科学院沈阳自动化研究所 | 一种基于bp神经网络的航天器姿控系统故障诊断方法 |
CN108665150B (zh) * | 2018-04-24 | 2021-10-08 | 中国民航大学 | 一种航空相依网络故障传播分析方法 |
CN108665150A (zh) * | 2018-04-24 | 2018-10-16 | 中国民航大学 | 一种航空相依网络故障传播分析方法 |
CN109886306A (zh) * | 2019-01-24 | 2019-06-14 | 国网山东省电力公司德州供电公司 | 一种电网故障诊断数据清洗方法 |
CN109886306B (zh) * | 2019-01-24 | 2022-11-25 | 国网山东省电力公司德州供电公司 | 一种电网故障诊断数据清洗方法 |
CN110597650A (zh) * | 2019-09-09 | 2019-12-20 | 无锡江南计算技术研究所 | 一种计算机系统中基于自学习的并行故障定位方法及系统 |
CN111091187A (zh) * | 2019-11-26 | 2020-05-01 | 南京工程学院 | 一种基于fpga的离散bam神经网络系统 |
CN111319731A (zh) * | 2020-03-16 | 2020-06-23 | 上海交通大学 | 一种压载水设备的故障诊断方法 |
CN111639678A (zh) * | 2020-05-08 | 2020-09-08 | 西安工业大学 | 一种基于集成神经网络的ins/gps组合导航故障检测与诊断方法 |
CN111639678B (zh) * | 2020-05-08 | 2023-03-24 | 西安工业大学 | 一种基于集成神经网络的ins/gps组合导航故障检测与诊断方法 |
CN112001885A (zh) * | 2020-07-14 | 2020-11-27 | 武汉理工大学 | 基于机器视觉的pcb故障检测方法、存储介质及系统 |
CN112948163A (zh) * | 2021-03-26 | 2021-06-11 | 中国航空无线电电子研究所 | 基于bp神经网络的评估设备对功能故障影响的方法 |
CN112948163B (zh) * | 2021-03-26 | 2023-09-19 | 中国航空无线电电子研究所 | 基于bp神经网络的评估设备对功能故障影响的方法 |
CN113311715A (zh) * | 2021-07-30 | 2021-08-27 | 中国人民解放军海军工程大学 | 一种复杂机电设备的故障辨识与溯源方法 |
CN113311715B (zh) * | 2021-07-30 | 2021-12-07 | 中国人民解放军海军工程大学 | 一种复杂机电设备的故障辨识与溯源方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104915715A (zh) | 多方法联合的航电系统故障诊断方法 | |
CN112149316B (zh) | 基于改进的cnn模型的航空发动机剩余寿命预测方法 | |
CN110059631B (zh) | 接触网非接触式监测缺陷识别方法 | |
CN105424395B (zh) | 设备故障的确定方法和装置 | |
CN109408552B (zh) | 基于lstm-ae深度学习框架的民机系统故障监测与识别方法 | |
CN110262463B (zh) | 一种基于深度学习的轨道交通站台门故障诊断系统 | |
CN103955556B (zh) | 高速铁路列车运行控制车载系统故障逻辑建模方法 | |
CN108152059B (zh) | 基于多传感器数据融合的高速列车转向架故障检测方法 | |
CN103115789B (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN106980827A (zh) | 一种基于航拍图像的识别输电线路中鸟巢的方法 | |
CN103809058B (zh) | 船艇供配电智能检测系统 | |
CN103336189A (zh) | 一种基于电流检测的电磁阀故障诊断方法 | |
CN103761684A (zh) | 一种输电电缆整体状态的综合评估方法及系统 | |
CN102749572B (zh) | 基于iecmac参数辨识的功率电子电路故障预测方法 | |
CN103838226B (zh) | 轨道车辆控制及监控系统故障检索装置和方法 | |
CN106226074A (zh) | 基于卷积神经网络和小波灰度图的旋转机械故障诊断方法 | |
CN103674538A (zh) | 一种直升机自动倾斜器多故障模式识别方法及装置 | |
CN104134010A (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 | |
CN103455658A (zh) | 一种基于加权灰靶理论的容错电机健康状态测定方法 | |
CN109299507A (zh) | 一种基于动态建模的磨煤机多工况下不同程度的故障诊断分析方法 | |
CN103969052A (zh) | 基于离群分析的柴油机故障诊断方法 | |
CN105825013A (zh) | 一种基于离散事件系统的航空指挥保障优化方法 | |
CN105117847A (zh) | 一种变压器故障重要度的评估方法 | |
CN104280253B (zh) | 一种基于免疫检测器的故障诊断方法及系统 | |
CN104268338B (zh) | 一种复杂产品故障影响传递关系模型的分析与评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150916 |