CN105021403A - 航空发动机启动系统故障诊断方法及故障模拟系统 - Google Patents
航空发动机启动系统故障诊断方法及故障模拟系统 Download PDFInfo
- Publication number
- CN105021403A CN105021403A CN201510423175.8A CN201510423175A CN105021403A CN 105021403 A CN105021403 A CN 105021403A CN 201510423175 A CN201510423175 A CN 201510423175A CN 105021403 A CN105021403 A CN 105021403A
- Authority
- CN
- China
- Prior art keywords
- aeromotor
- fault
- data
- parameter
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004088 simulation Methods 0.000 title claims abstract description 31
- 238000003745 diagnosis Methods 0.000 title claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 32
- 230000008859 change Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 24
- 238000013178 mathematical model Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000000513 principal component analysis Methods 0.000 claims description 10
- 239000007858 starting material Substances 0.000 claims description 10
- 238000010835 comparative analysis Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 5
- 238000012731 temporal analysis Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 2
- 230000002068 genetic effect Effects 0.000 abstract description 8
- 238000005094 computer simulation Methods 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种航空发动机启动系统故障诊断方法及故障模拟系统,该方法以下步骤:航空发动机启动系统仿真建模以及故障模拟仿真;状态参数分析及数据处理;设计算法进行故障诊断;并利用上述故障诊断方法设计了故障模拟系统,可以根据已知的系统模型,确定系统的状态、参数和输入/输出等之间的关系,从而完成故障诊断功能。本发明通过使用BP神经网络算法以及使用遗传算法和BP神经网络结合的算法,分别对航空发动机启动系统进行故障诊断,并进行对比评价,发现其优缺点,从而实现对算法在航空发动机控制领域的合理应用。
Description
技术领域
本发明属于航空发动机预测与健康管理领域,特别涉及一种航空发动机启动系统故障诊断方法及故障模拟系统。
背景技术
经过数年的发展,人们在航空航天领域方面已经取得了巨大的成就,极大地促进了相关的学科新理论和新技术的产生、发展与应用。然而在今天即使科学技术高度发达,航空航天领域的重特大事故仍不断出现。近年来,国内外由于航空发动机辅助动力装置故障而造成的飞机事故屡见不鲜。
在航空发动机运行的过程中,其发动机启动过程是一个非常重要的工作阶段,是发动机能够顺利正常工作的前提。航空发动机是十分复杂的一个动力系统,其系统内部由多个辅助装置和气路单元体有机组合,比如起动机、涡轮等等。起动机作为航空发动机启动系统的核心部分,对其进行状态监测可以及时发现故障,保障飞机能够正常飞行。
深入开展航空发动机起动过程建模及起动性能研究是极具现实意义和应用价值的工作。我们需要建立一种实用的发动机故障诊断及测试方法和故障模拟系统,提高发动机运行的可靠性,确保飞行的安全性,减小发动机的维修周期,简化维护步骤,并可降低维修成本,减少备件,还能为实现维修策略从经验型的定期维修向更科学的视情维修提供重要的基础。
发明内容
本发明的目的在于提供一种航空发动机启动系统故障诊断方法及故障模拟系统,该方法及系统通过性能和功能参数对发动机进行状态测试,有效地对发动机的故障进行查找和定位,从而提高航空发动机可靠性和寿命,降低发动机使用成本。
为了达到上述目的,本发明采用的技术方案为:一种航空发动机启动系统故障诊断方法,包括如下步骤:
步骤S10,建立航空发动机启动系统的数学模型,并进行模拟仿真;
步骤S20,在所述数学模型中输入故障参数,并进行故障模拟仿真,得出状态变化数据;
步骤S30,采用时域分析法对所述状态变化数据提取特征值,采用主成分分析法对状态变化数据降低维度,进而得到训练数据和测试数据;
步骤S40,所述测试数据作为BP神经网络的输入值,得到测试数据的输出值,将所述测试数据输出值的矩阵中各行元素与训练数据构造的BP神经网络的输出值的矩阵中各行元素进行比较,计算出各行元素的最大误差值及平均误差值;
所述最大误差值和平均误差值均在设定误差范围内,则诊断结果正常;
最大误差值或平均误差值超出设定范围,则诊断结果为异常。
优选地,所述步骤S10按照如下步骤进行:
步骤S101:建立所述航空发动机启动系统的数学模型;
步骤S102:使用SIMULINK建模工具对所述数学模型进行仿真,计算出航空发动机在稳态的高压转子转速、低压转子转速、尾气温度参数。
优选地,所述步骤S20包括,对所述数学模型中输入故障参数,并进行仿真,得出在故障状态下高压转子转速、低压转子转速、尾气温度的变化参数。
优选地,所述设置的故障参数包括:改变起动机、涡轮扭矩、油气比的参数,使航空发动机启动过程出现起动机带转困难、点火失败、起动超温故障。
优选地,所述步骤S30包括:采用时域分析法对所述状态变化数据提取特征值,所述特征值包括均方根值、脉冲指标、峰值指标、峭度指标、波形指标及裕度指标。
一种航空发动机启动系统故障模拟系统,包括:
仿真模块,用于对航空发动机启动系统建立数学模型,在所述数学模型中输入故障参数,并进行故障模拟仿真,得出状态变化数据;
故障分析模块,对故障模拟仿真的状态变化数据进行分析,得到训练数据和测试数据;
数据处理模块,用于对采集到的训练数据和测试数据进行预处理,生成提供构造BP神经网络所使用的训练数据和测试结果准确性的测试数据;
故障诊断模块,提取测试数据作为BP神经网络的输入值,将得到的输出值与所述训练数据构造的BP神经网络的输出值进行比较,通过对比评价,进行故障诊断。
优选地,还包括:
用户认证模块;其为该平台的登录终端,用户在认证模块中输入认证信息,才允许登录到该平台。
优选地,还包括:
信息显示模块;用于显示航空发动机启动过程的功率变化和转矩变化,以及在启动过程的不同阶段中,每个阶段中关键参数的不同变化。
采用上述技术方案,本发明产生的技术效果有:
本发明对航空发动机启动的整个过程进行分析,建立其数学模型,并进行故障仿真,采用时域分析对采集数据提取特征值,采用主成分分析法对数据进行预处理,通过采用BP神经网络算法对航空发动机启动系统实现故障诊断,由于神经网络的收敛时间长,权值阈值不易改变的缺点,进而采用遗传算法与BP神经网络进行结合,优化神经网络的权值阈值和网络结构,提高故障诊断的可靠性和准确性。将BP神经网络与遗传算法相结合,给出了利用遗传算法全局优化神经网络权值及结构的方案,并用到实际的案例当中。遗传算法对于全局搜索的不断迭代优化有较好的效果。而BP算法具有较强的局部搜索能力,当GA对网络全局优化到一定程度后,再使用BP进行精调,这样就大大增加了网络的收敛速度,减少了训练失败情况的出现。
附图说明
图1为本发明航空发动机启动系统故障诊断方法的原理框图;
图2为本发明步骤S30及S40的故障诊断方法流程图;
图3为本发明航空发动机启动系统故障模拟系统的原理框图。
具体实施方式
下面结合附图对本发明实施例做进一步详细说明。
本发明先通过对航空发动机启动系统建立数学模型,再用MATLAB软件(MATLAB软件用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境,主要包括MATLAB和Simulink两大部分。)对其进行模型仿真,得出并提取仿真数据,利用故障诊断算法来实现诊断的目的。由于系统的模型(状态方程)已经建立,可以根据已知的系统模型,确定系统的状态、参数和输入/输出等之间的关系,从而可以通过模型分析、变化监测、数据处理、特征提取以及分类与推理的方法来实现系统的故障诊断功能。通过使用BP神经网络算法以及使用遗传算法和BP神经网络结合的算法,分别对航空发动机启动系统进行故障诊断,并进行对比评价,发现其优缺点,从而实现对算法在航空发动机控制领域的合理应用。
如图1和图2所示,本发明实现航空发动机启动系统故障诊断方法包括如下4个步骤:
步骤S10,对航空发动机启动的整个过程进行分析,建立航空发动机启动系统的数学模型,并进行仿真;对发动机启动系统建模时,用SIMULINK建立系统框图(Simulink是MATLAB最重要的组件之一,它提供一个动态系统建模、仿真和综合分析的集成环境。),状态参数建模用S函数编写,实现正常情况的仿真。
步骤S20,对所述数学模型中输入故障参数,并进行故障模拟仿真,得出状态变化数据;其中,设置的故障参数包括:改变起动机、涡轮扭矩、油气比的参数,使航空发动机启动过程出现起动机带转困难、点火失败、起动超温故障。所述的状态变化数据包括航空发动机在稳态的高压转子转速、低压转子转速、尾气温度等参数。
步骤S30,对所述故障模拟仿真的状态变化数据进行分析及数据预处理,得到训练数据和测试数据。
由于在起动机带转困难、点火失败、起动超温故障的三种情况下,每一种情况所对应的参数变化(高压转子转速、低压转子转速、尾气温度三个参数的变化)是明显不同的,因此,根据参数的变化情况来分析出现故障的类型。采用时域分析对采集数据提取特征值(包括均方根值、脉冲指标、峰值指标、峭度指标、波形指标、裕度指标等),采用主成分分析法对数据进行预处理(数据预处理是指在主要的处理以前对数据进行的一些处理。这里主要的处理指的是应用BP神经网络算法来进行数据处理,而预处理指的是用主成分分析法降低数据维度,减少计算的工作量),将分析和预处理之后得到的数据特征量分为训练数据和测试数据,训练数据用于对神经网络的训练构造,测试数据用于测试算法是否能够有效地对故障进行分类判断。
步骤S40,利用训练数据训练构造BP神经网络,测试数据作为BP神经网络的输入值,将得到的输出值与所述训练数据构造的BP神经网络的输出值进行比较,通过对比评价,判断出现的故障情况,从而得出诊断结果。
具体的,测试数据的输出值为一个非空矩阵,矩阵上每一行的元素代表每一种可能发生的故障情况,将该矩阵上每个元素与BP神经网络的输出矩阵上的相应位置的元素进行比较,求出其每个元素的相对误差,进而求出每一行元素的最大误差和平均误差。若最大误差和平均误差都在各自要求的误差范围内,则认为诊断结果是正常的。若某一行的最大误差或平均误差超出所允许的误差范围,则说明该对应的故障情况很有可能发生,此时诊断结果发生异常。
换而言之,本发明采用了BP神经网络算法以及使用遗传算法和BP神经网络结合的算法,分别对航空发动机启动系统进行故障诊断,并进行对比评价,发现其优缺点,从而提高故障诊断的可靠性和准确性。
如图3所示,本发明在上述故障诊断方法的基础上,建立了一种航空发动机启动系统的故障模拟系统;所述的故障模拟系统包括:
仿真模块,用于对航空发动机启动系统建立数学模型,在所述数学模型中输入故障参数,并进行故障模拟仿真,得出状态变化数据;所述设置的故障参数包括:改变起动机、涡轮扭矩、油气比的参数;
故障分析模块,对故障模拟仿真的状态变化数据进行分析,得到训练数据和测试数据;即采用时域分析法对所述状态变化数据提取特征值;
数据处理模块,用于对采集到的训练数据和测试数据进行预处理(降低数据维度),生成提供构造BP神经网络所使用的训练数据和测试结果准确性的测试数据;
故障诊断模块,提取测试数据作为BP神经网络的输入值,将得到的
输出值与所述训练数据构造的BP神经网络的输出值进行比较,通过对比评价,进行故障诊断。
具体为:将所述测试数据输出值的矩阵中各行元素与训练数据构造的BP神经网络的输出值的矩阵中各行元素进行比较,计算出各行元素的最大误差值及平均误差值;所述最大误差值和平均误差值均在设定误差范围内,则诊断结果正常;最大误差值或平均误差值超出设定范围,则诊断结果为异常。
此外,模拟系统中,还包括用户认证模块、信息显示主模块与信息显示子模块。
用户认证模块;为该平台的登录终端,通过输入账号和密码即可登录到该平台,保障了使用的安全性。
信息显示模块;在通过所述用户认证模块后,方可登陆(使用)信息显示模块,所述的信息显示模块用于显示航空发动机启动过程的功率变化和转矩变化,以及在启动过程的不同阶段中,每个阶段中关键参数的不同变化。
该平台主要实现三大功能:一是模拟各种故障情况下参数的变化,并对其提取特征值。二是对采集到的数据进行预处理,生成提供构造BP神经网络算法所使用的训练数据和测试结果准确性的测试数据。三是运用BP神经网络算法以及遗传算法和BP神经网络结合的算法进行故障情况的诊断,实现对算法程序的调用,并进行两种算法的比较评价,并在信息显示对相应的参数信息进行实时显示。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种航空发动机启动系统故障诊断方法,其特征在于,包括如下步骤:
步骤S10,建立航空发动机启动系统的数学模型,并进行模拟仿真;
步骤S20,在所述数学模型中输入故障参数,并进行故障模拟仿真,得出状态变化数据;
步骤S30,采用时域分析法对所述状态变化数据提取特征值,采用主成分分析法对状态变化数据降低维度,进而得到训练数据和测试数据;
步骤S40,所述测试数据作为BP神经网络的输入值,得到测试数据的输出值,将所述测试数据输出值的矩阵中各行元素与训练数据构造的BP神经网络的输出值的矩阵中各行元素进行比较,计算出各行元素的最大误差值及平均误差值;
所述最大误差值和平均误差值均在设定误差范围内,则诊断结果正常;
最大误差值或平均误差值超出设定范围,则诊断结果为异常。
2.根据权利要求1所述的航空发动机启动系统故障诊断方法,其特征在于,所述步骤S10按照如下步骤进行:
步骤S101:建立所述航空发动机启动系统的数学模型;
步骤S102:使用SIMULINK建模工具对所述数学模型进行仿真,计算出航空发动机在稳态的高压转子转速、低压转子转速、尾气温度参数。
3.根据权利要求2所述的航空发动机启动系统故障诊断方法,其特征在于,所述步骤S20包括,对所述数学模型中输入故障参数,并进行仿真,得出在故障状态下高压转子转速、低压转子转速、尾气温度的变化参数。
4.根据权利要求3所述的航空发动机启动系统故障诊断方法,其特征在于,所述设置的故障参数包括:改变起动机、涡轮扭矩、油气比的参数,使航空发动机启动过程出现起动机带转困难、点火失败、起动超温故障。
5.根据权利要求1所述的航空发动机启动系统故障诊断方法,其特征在于,所述步骤S30包括:采用时域分析法对所述状态变化数据提取特征值,所述特征值包括均方根值、脉冲指标、峰值指标、峭度指标、波形指标及裕度指标。
6.一种航空发动机启动系统故障模拟系统,其特征在于,包括:
仿真模块,用于对航空发动机启动系统建立数学模型,在所述数学模型中输入故障参数,并进行故障模拟仿真,得出状态变化数据;
故障分析模块,对故障模拟仿真的状态变化数据进行分析,得到训练数据和测试数据;
数据处理模块,用于对采集到的训练数据和测试数据进行降低维度,生成提供构造BP神经网络所使用的训练数据和测试结果准确性的测试数据;
故障诊断模块,提取测试数据作为BP神经网络的输入值,将得到的输出值与所述训练数据构造的BP神经网络的输出值进行比较,通过对比评价,进行故障诊断。
7.根据权利要求6所示的航空发动机启动系统故障模拟系统,其特征在于,还包括:
用户认证模块;其为该平台的登录终端,用户在认证模块中输入认证信息,才允许登录到该平台。
8.根据权利要求6或7所示的航空发动机启动系统故障模拟系统,其特征在于,还包括:
信息显示模块;用于显示航空发动机启动过程的功率变化和转矩变化,以及在启动过程的不同阶段中,每个阶段中关键参数的不同变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510423175.8A CN105021403A (zh) | 2015-07-17 | 2015-07-17 | 航空发动机启动系统故障诊断方法及故障模拟系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510423175.8A CN105021403A (zh) | 2015-07-17 | 2015-07-17 | 航空发动机启动系统故障诊断方法及故障模拟系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105021403A true CN105021403A (zh) | 2015-11-04 |
Family
ID=54411539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510423175.8A Pending CN105021403A (zh) | 2015-07-17 | 2015-07-17 | 航空发动机启动系统故障诊断方法及故障模拟系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105021403A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105628393A (zh) * | 2016-03-01 | 2016-06-01 | 西安航空动力股份有限公司 | 一种航空发动机超温虚警的排故方法 |
CN105868467A (zh) * | 2016-03-28 | 2016-08-17 | 南京航空航天大学 | 一种动稳态航空发动机机载模型构建方法 |
CN105865794A (zh) * | 2016-05-12 | 2016-08-17 | 长安大学 | 基于短时傅立叶变换和主分量分析的发动机失火故障诊断方法 |
CN106295153A (zh) * | 2016-08-03 | 2017-01-04 | 南京航空航天大学 | 一种基于孪生支持向量机的航空发动机气路故障诊断方法 |
CN106919164A (zh) * | 2017-03-31 | 2017-07-04 | 河海大学 | 基于堆栈自动编码器的水利机组故障分析方法 |
CN106197481B (zh) * | 2016-06-29 | 2018-10-26 | 北京动力机械研究所 | 一种用于在线震荡燃烧检测保护的系统 |
TWI639907B (zh) * | 2017-06-06 | 2018-11-01 | 國立彰化師範大學 | 工具機具殘餘使用壽命預測系統及其方法 |
CN108763681A (zh) * | 2018-05-16 | 2018-11-06 | 华北水利水电大学 | 基于foa-grnn融合算法的氢发动机故障诊断系统及方法 |
CN109297738A (zh) * | 2018-10-31 | 2019-02-01 | 中国运载火箭技术研究院 | 一种复杂参数实时判读方法 |
CN109580230A (zh) * | 2018-12-11 | 2019-04-05 | 中国航空工业集团公司西安航空计算技术研究所 | 一种基于bp神经网络的发动机故障诊断方法及装置 |
CN109711000A (zh) * | 2018-12-10 | 2019-05-03 | 南京航空航天大学 | 一种基于试车数据的航空发动机起动故障诊断方法 |
CN109855878A (zh) * | 2018-12-29 | 2019-06-07 | 青岛海洋科学与技术国家实验室发展中心 | 计算机可读介质、发动机故障检测装置以及船舶 |
CN110060374A (zh) * | 2019-04-19 | 2019-07-26 | 中国航空无线电电子研究所 | 一种飞机燃油系统异常检测方法及装置 |
WO2019237284A1 (zh) * | 2018-06-13 | 2019-12-19 | 大连理工大学 | 一种微型燃气涡轮发动机起动过程建模方法 |
CN110659755A (zh) * | 2018-06-28 | 2020-01-07 | 比亚迪股份有限公司 | 用于预测电机温度的建模方法、装置和存储介质 |
CN111581763A (zh) * | 2019-02-15 | 2020-08-25 | 中国航发商用航空发动机有限责任公司 | 航空发动机气路故障诊断结果评价方法 |
CN111610027A (zh) * | 2019-02-22 | 2020-09-01 | 中国航发商用航空发动机有限责任公司 | 航空发动机故障模拟系统及模拟方法 |
CN112699604A (zh) * | 2020-12-29 | 2021-04-23 | 成都飞航智云科技有限公司 | 一种基于神经网络算法故障建模与诊断方法 |
CN113920813A (zh) * | 2021-10-09 | 2022-01-11 | 中国直升机设计研究所 | 一种用于直升机模拟器的发动机故障仿真方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101839805A (zh) * | 2010-03-19 | 2010-09-22 | 同济大学 | 发动机主动故障质检与智能故障诊断方法 |
CN102175282A (zh) * | 2011-01-24 | 2011-09-07 | 长春工业大学 | 一种基于信息融合的离心式空气压缩机故障诊断方法 |
CN102721545A (zh) * | 2012-05-25 | 2012-10-10 | 北京交通大学 | 一种基于多特征参量的滚动轴承故障诊断方法 |
CN104062541A (zh) * | 2014-06-10 | 2014-09-24 | 江苏大学 | 一种针对容错永磁电机定子匝间短路的故障诊断方法 |
-
2015
- 2015-07-17 CN CN201510423175.8A patent/CN105021403A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101839805A (zh) * | 2010-03-19 | 2010-09-22 | 同济大学 | 发动机主动故障质检与智能故障诊断方法 |
CN102175282A (zh) * | 2011-01-24 | 2011-09-07 | 长春工业大学 | 一种基于信息融合的离心式空气压缩机故障诊断方法 |
CN102721545A (zh) * | 2012-05-25 | 2012-10-10 | 北京交通大学 | 一种基于多特征参量的滚动轴承故障诊断方法 |
CN104062541A (zh) * | 2014-06-10 | 2014-09-24 | 江苏大学 | 一种针对容错永磁电机定子匝间短路的故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
唐宏宾等: "基于PCA和BP网络的液压油缸内泄漏故障诊断", 《中南大学学报》 * |
朱运盛: "面向飞行模拟的民航发动机性能与故障仿真", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105628393A (zh) * | 2016-03-01 | 2016-06-01 | 西安航空动力股份有限公司 | 一种航空发动机超温虚警的排故方法 |
CN105868467B (zh) * | 2016-03-28 | 2018-09-07 | 南京航空航天大学 | 一种动稳态航空发动机机载模型构建方法 |
CN105868467A (zh) * | 2016-03-28 | 2016-08-17 | 南京航空航天大学 | 一种动稳态航空发动机机载模型构建方法 |
CN105865794A (zh) * | 2016-05-12 | 2016-08-17 | 长安大学 | 基于短时傅立叶变换和主分量分析的发动机失火故障诊断方法 |
CN105865794B (zh) * | 2016-05-12 | 2018-02-02 | 长安大学 | 基于短时傅立叶变换和主分量分析的发动机失火故障诊断方法 |
CN106197481B (zh) * | 2016-06-29 | 2018-10-26 | 北京动力机械研究所 | 一种用于在线震荡燃烧检测保护的系统 |
CN106295153A (zh) * | 2016-08-03 | 2017-01-04 | 南京航空航天大学 | 一种基于孪生支持向量机的航空发动机气路故障诊断方法 |
CN106295153B (zh) * | 2016-08-03 | 2018-12-28 | 南京航空航天大学 | 一种基于孪生支持向量机的航空发动机气路故障诊断方法 |
CN106919164A (zh) * | 2017-03-31 | 2017-07-04 | 河海大学 | 基于堆栈自动编码器的水利机组故障分析方法 |
CN106919164B (zh) * | 2017-03-31 | 2019-05-28 | 河海大学 | 基于堆栈自动编码器的水利机组故障分析方法 |
TWI639907B (zh) * | 2017-06-06 | 2018-11-01 | 國立彰化師範大學 | 工具機具殘餘使用壽命預測系統及其方法 |
CN108763681A (zh) * | 2018-05-16 | 2018-11-06 | 华北水利水电大学 | 基于foa-grnn融合算法的氢发动机故障诊断系统及方法 |
WO2019237284A1 (zh) * | 2018-06-13 | 2019-12-19 | 大连理工大学 | 一种微型燃气涡轮发动机起动过程建模方法 |
CN110659755A (zh) * | 2018-06-28 | 2020-01-07 | 比亚迪股份有限公司 | 用于预测电机温度的建模方法、装置和存储介质 |
CN110659755B (zh) * | 2018-06-28 | 2024-03-05 | 比亚迪股份有限公司 | 用于预测电机温度的建模方法、装置和存储介质 |
CN109297738A (zh) * | 2018-10-31 | 2019-02-01 | 中国运载火箭技术研究院 | 一种复杂参数实时判读方法 |
CN109711000A (zh) * | 2018-12-10 | 2019-05-03 | 南京航空航天大学 | 一种基于试车数据的航空发动机起动故障诊断方法 |
CN109580230A (zh) * | 2018-12-11 | 2019-04-05 | 中国航空工业集团公司西安航空计算技术研究所 | 一种基于bp神经网络的发动机故障诊断方法及装置 |
CN109855878A (zh) * | 2018-12-29 | 2019-06-07 | 青岛海洋科学与技术国家实验室发展中心 | 计算机可读介质、发动机故障检测装置以及船舶 |
CN111581763B (zh) * | 2019-02-15 | 2023-10-17 | 中国航发商用航空发动机有限责任公司 | 航空发动机气路故障诊断结果评价方法 |
CN111581763A (zh) * | 2019-02-15 | 2020-08-25 | 中国航发商用航空发动机有限责任公司 | 航空发动机气路故障诊断结果评价方法 |
CN111610027A (zh) * | 2019-02-22 | 2020-09-01 | 中国航发商用航空发动机有限责任公司 | 航空发动机故障模拟系统及模拟方法 |
CN110060374B (zh) * | 2019-04-19 | 2021-06-01 | 中国航空无线电电子研究所 | 一种飞机燃油系统异常检测方法及装置 |
CN110060374A (zh) * | 2019-04-19 | 2019-07-26 | 中国航空无线电电子研究所 | 一种飞机燃油系统异常检测方法及装置 |
CN112699604A (zh) * | 2020-12-29 | 2021-04-23 | 成都飞航智云科技有限公司 | 一种基于神经网络算法故障建模与诊断方法 |
CN113920813A (zh) * | 2021-10-09 | 2022-01-11 | 中国直升机设计研究所 | 一种用于直升机模拟器的发动机故障仿真方法 |
CN113920813B (zh) * | 2021-10-09 | 2023-10-27 | 中国直升机设计研究所 | 一种用于直升机模拟器的发动机故障仿真方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105021403A (zh) | 航空发动机启动系统故障诊断方法及故障模拟系统 | |
CN102520697B (zh) | 一种远程协同诊断的现场信息预处理方法 | |
US20190392098A1 (en) | Learning Expected Operational Behavior Of Machines From Generic Definitions And Past Behavior | |
EP3040283A1 (en) | Network for digital emulation and repository | |
CN103983453A (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 | |
CN103001328A (zh) | 一种智能变电站的故障诊断与评估方法 | |
CN104614179A (zh) | 一种风电机组齿轮箱状态监测方法 | |
CN104657613A (zh) | 一种复杂机电系统使用寿命评估方法 | |
CN104504248A (zh) | 一种基于设计数据分析的故障诊断建模方法 | |
CN107291991A (zh) | 一种基于动态网络标志的风电机组早期缺陷预警方法 | |
CN110417005A (zh) | 结合深度学习和仿真计算的暂态稳定严重故障筛选方法 | |
Vianna et al. | Health monitoring of an auxiliary power unit using a classification tree | |
CN103823978A (zh) | 替代燃料在航空发动机中安全性的认证方法及其系统 | |
CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
Xu et al. | Aero-Engine gas-path fault diagnosis based on spatial structural characteristics of QAR data | |
CN106484967A (zh) | 一种基于蒙特卡洛打靶的舵机功率计算方法 | |
CN102024084A (zh) | 具有模糊多态特性的可靠性模型的建立及其使用方法 | |
CN102136017A (zh) | 一种适用于动态系统模型的随机因素注入方法 | |
Yu et al. | Remaining useful life prediction based on multi-scale residual convolutional network for aero-engine | |
Hsu et al. | Reliability analysis based on nonhomogeneous continuous-Time Markov modeling with application to repairable pumps of a power plant | |
Zhang | A review of the research of quick access recorder data | |
Yuan et al. | An integrated method for hardware FMEA of new electronic products | |
Liu et al. | DRES: Data recovery for condition monitoring to enhance system reliability | |
Cao et al. | Towards Practical onboard PHM System for Aircraft Engines | |
Zhu et al. | Aircraft engine remaining life prediction method with deep learning |
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 |
Application publication date: 20151104 |
|
RJ01 | Rejection of invention patent application after publication |