CN105426665B - 基于状态监测的动态可靠度确定方法 - Google Patents
基于状态监测的动态可靠度确定方法 Download PDFInfo
- Publication number
- CN105426665B CN105426665B CN201510738159.8A CN201510738159A CN105426665B CN 105426665 B CN105426665 B CN 105426665B CN 201510738159 A CN201510738159 A CN 201510738159A CN 105426665 B CN105426665 B CN 105426665B
- Authority
- CN
- China
- Prior art keywords
- reliability
- equipment
- dynamic
- dynamic reliability
- state
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Abstract
本发明涉及一种基于状态检测的动态可靠度确定方法,其特征在于,步骤一,建立设备间的功能传递关系;步骤二,获得每一个设备的个体状态偏移度,根据所述状态偏移度计算每一个设备的动态可靠度;步骤三,根据设备之间的功能传递关系,计算系统的动态可靠度。本发明提供的方法能够有效的提高现有技术系统可靠度计算方法的精度和准确度。
Description
技术领域
本发明涉及工程技术领域,尤其涉及一种工程可靠度和安全性的技术领域。
背景技术
随着现代科学技术的迅速发展,船舶设备日益朝着复杂化、高速化、重载化、高级化等高度自动化的方向发展,造成船舶设备日益复杂,零件数目显著增加,零、部件之间的联系更加紧密。一旦某一部分发生故障,都会造成巨大的经济损失和人员伤亡事故的发生,船舶设备正常状态所花的维修费用和停机损失,在成本中所占的比例越来越大,设备故障或事故引起的损失不断增加,设备维修业务的重要性日益成为一个突出的问题。
以柴油机为动力的推进系统是多种船舶的动力装置,是船舶的心脏,它的运行状态对船舶运行的可靠度和安全性起着决定性的作用。一旦推进系统发生故障将会对船舶的安全性构成威胁。对其进行状态评估,提高设备维修质量和效率是十分必要的。
随着设备自动化程度的提高,机械设备故障诊断技术已从最开始的事后维修发展到定时检测、再到现代故障诊断技术的视情维修。可以根据观察到的现象和预期的故障后果严重程度适时地实施维修工作,并且推断设备的未来趋势,形成状态评估系统。
现有技术存在的方案(例如“基于定量识别的柴油机健康状态研究”,黄强,柴油机设计与制造,2007年第4期第15卷),从定量化的角度来分析和研究柴油机的健康及运行状态。结果表明:对于设定的正常、轻微磨损和严重磨损工况,神经网络模型可以100%识别出来;对于设定的待定工况,诊断模型也可以较高的识别率给出其健康状况的描述。
现有技术存在的另一方案(例如,“智能信息化船舶柴油机技术状态评估方法研究”,陈连树、邱金水、刘伯运,中国水运,2008年第7期第08卷),首先运用油液分析、振动分析和热力性能参数并根据专家知识分别构建子神经网络对柴油机进行状态评估,各部分的评估结果运用D-S证据理论进行融合判断,得到融合决策评估结果。
现有技术的方案一主要以柴油机连杆铜套磨损为例,但是仅针对单部件的故障,难以用于判断整个设备,乃至系统的健康状态。
现有技术的方案二评估的精度提高了很多,但是相比较起来精度还不算很高,同时也只做到了整机的评估。
发明内容
鉴于上述的分析,本发明旨在提供一种覆盖机电系统的“系统级-设备级”的动态可靠性确定方法,用以解决现有船舶系统健康状态确定方法精度和准确度不高的问题。
本发明的目的主要是通过以下技术方案实现的:
一种基于状态检测的动态可靠度确定方法,其特征在于,步骤一,建立设备间的功能传递关系;步骤二,获得每一个设备的个体状态偏移度,根据所述状态偏移度计算每一个设备的动态可靠度;步骤三,根据设备之间的功能传递关系,计算系统的动态可靠度。
优选的,所述步骤二还包括,依据设备的实时特征量与样本均值的比值,确定设备的动态可靠度。
优选的,所述的依据设备的实时特征量与样本均值的比值,确定设备的动态可靠度具体为:当实时特征量大于样本均值时,动态可靠度为状态偏移度与设备总体可靠度的乘积。
优选的,所述的依据设备的实时特征量与样本均值的比值,确定设备的动态可靠度具体为:当实时特征量不大于于样本均值时,
R=1-a×(1-R0),其中,a为状态偏移度,R0为设备总体可靠度,R为设备动态可靠度。
优选的,所述状态偏移度为:
若T>T0,则状态偏移度a=(1-Ri)/(1-R0i);若T<T0,则状态偏移度a=Ri/R0i;其中T0为设备总体平均失效时间,T为样本失效时间,Ri为第i时刻的设备总体可靠度,R0i为第i时刻的设备动态可靠度。
优选的,所述设备之间的功能传递关系包括至少一个串联关系和/或至少一个并联关系。
优选的,所述串联关系中,动态可靠度以下一种方式确定:
方式一,以串联关系中,最小的动态可靠度作为动态可靠度;方式二,所述串联关系中每个设备的动态可靠度之积作为动态可靠度;方式三,所述串联关系中每个设备的动态可靠度加权后相加作为动态可靠度;方式四,所述串联关系中每个设备的动态可靠度相加作为动态可靠度。
优选的,所述并联关系中,动态可靠度以下一种方式确定:
方式一,以并联关系中,最小的动态可靠度作为动态可靠度;方式二,所述并联关系中每个设备的动态可靠度加权后相加作为动态可靠度;方式三,所述并联关系中每个设备的动态可靠度相加作为动态可靠度。
优选的,所述并联关系中,动态可靠度由下式确定:
Rs=1-(1-R1)×(1-R2);其中Rs为并联关系的动态可靠度;R1为并联中的一个设备的动态可靠度,R2为并联中另一个设备的动态可靠度。
本发明有益效果如下:
本发明提供的机电设备级动态可靠度确定方法:该方法针对性能退化轨迹模型未知的情况下,开放的、基于数据驱动的状态评估方法,获取当前时刻个体状态的偏移度,建立基于状态偏移度的可靠度修正模型,获得设备动态可靠度。
本发明提供的船机电系统级动态可靠度及健康评估技术:首先进行系统综合层次分解,以梳理出系统内设备之间的结构、功能以及故障关系,接着在此基础之上,进行系统内设备之间的扩展FMECA(故障模式、影响和危害性)分析,以梳理出明确的设备间功能传递关系。之后,对系统进行任务可靠度框图的绘制,最后在此基础之上利用等重要度加权平均计算方法、短板原则计算方法、并联概率思想的计算方法等完成系统级动态可靠度。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分的从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为本发明实施例提供的机电“系统级-设备级”动态可靠度流程示意图;
图2为本发明实施例提供的机电系统级可靠度建模方法;
图3为本发明实施例提供的一种基于数据驱动的机电设备级动态可靠度确定方法;
图4为本发明实施例提供的某型轴承动态可靠度验证结果示意图;
图5为本发明实施例提供的系统任务可靠度框图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理。
如图1所示,本发明的实施例提供的方法,首先对系统进行综合层次分解,以获得系统及系统内设备之间的结构功能关系。在综合层次分解的结果基础之上,通过对系统及设备进行扩展FMECA分析,获得个子系统监测参数与子系统,以及故障模式等之间的关系。在扩展FMECA分析结果基础之上,建立系统可靠度模型。
然后,通过图1中所示的状态信息采集与预处理方法、健康特征选择与提取方法,提取故障特征,最终利用一种针对性能退化轨迹模型未知的情况下,开放的、基于数据驱动的状态评估方法,获取当前时刻个体状态的偏移度,建立基于状态偏移度的可靠度修正模型,获得设备动态可靠度。
最后,基于设备级评估结果,结合系统可靠度模型,根据不同的系统结构原理特点,选择利用短板原则计算方法、概率思想计算方法、设备重要度加权平均方法、等重要度加权平均计算等方法实现系统级动态可靠度。
综上所述,主要可以分为三步实现:
第一步,系统级可靠度建模
如图2所示,在确定机电系统级可靠度时,首先进行系统综合层次分解,以梳理出系统内设备之间的结构、功能以及故障关系,接着在此基础之上,进行系统内设备之间的扩展FMECA分析,以梳理出明确的设备间功能传递关系。之后,对系统进行任务可靠度框图的绘制,最后在此基础之上利用系统级健康评估方法进行系统级健康评估。
第二步,设备级动态可靠度的确定
如图3所示,本发明提出了一种针对性能退化轨迹模型未知的情况下,开放的、基于数据驱动的状态评估方法,获取当前时刻个体状态的偏移度,建立基于状态偏移度的可靠度修正模型,获得设备动态可靠度。具体技术路线如下图所示:
利用训练好的SOM(自组织映射)网络和拟合得到的归一化函数,就可对设备的实时可靠度进行评估。首先,将设备当前状态的特征向量作为SOM网络的输入,得到当前时刻的状态偏移量。然后将状态偏移量归一化得到设备当前时刻的状态偏移度a。最后,比较设备特征量l与该时刻样本的特征量均值l’,若l>l′,则实时可靠性
R=1-a×(1-R0)(R0为该时刻总体可靠度);若l<l′,则实时可靠度R=a×R0。
(1)样本状态偏移量计算
将样本各时刻的状态运行特征值{r1,r2,…,rn}作为已经训练好的SOM网络的输入,得到样本各时刻对应节点的权值向量,并计算样本各时刻的MQE(最小量化误差)值,即状态偏移量{o1,o2,…,on}.
(2)样本实时可靠度计算
以轴承为例,轴承的失效分布一般主要服从两参数威布尔分布:
其中,t表示时间,m为样本的形状参数,η为样本的尺度参数。
对于每一个样本,要得到样本的实时可靠性,应先更新样本的失效分布函数。本文假设样本失效分布函数的形状参数m与总体失效分布函数相同,改变的只是尺度参数η,因此可以根据样本的实际失效时间,确定样本失效分布的尺度参数η,计算公式如下:
其中,T为样本实际失效时间;m为形状参数;Γ(·)为伽玛函数。
最终,根据样本更新后的失效分布函数就可得到样本各时刻的实时可靠度{R1,R2,…,Rn}。
(3)状态偏移度计算
根据总体失效分布函数,计算在各时刻的总体可靠度{R01,R02,…,R0n}以及总体的平均失效时间T0。比较样本失效时间T与总体平均失效时间T0的大小,若T>T0,则状态偏移度a=(1-Ri)/(1-R0i);若T<T0,则状态偏移度a=Ri/R0i。
本项目利用实验室已有的实验数据进行算法验证。有8个轴承,每70分钟采集1秒的振动数据,失效时间分别为:381,403,343,357,319,339,304,300(单位为70分钟)。选择RMS(均方根)作为轴承退化特征量。表1为8个轴承的RMS值。
1 | 2 | … | 100 | … | |
1 | 0.0850 | 0.0888 | … | 0.0987 | … |
2 | 0.0779 | 0.0758 | … | 0.0899 | … |
3 | 0.0899 | 0.0917 | … | 0.0895 | … |
4 | 0.0763 | 0.0776 | … | 0.0734 | … |
5 | 0.0631 | 0.0670 | … | 0.0725 | … |
6 | 0.0669 | 0.0711 | … | 0.0790 | … |
7 | 0.0942 | 0.0987 | … | 0.1146 | … |
8 | 0.0919 | 0.0947 | … | 0.1117 | … |
表1 个轴承的RMS值
用前7个轴承作文训练样本训练SOM模型,第8号轴承作为预测轴承,可以得到8个轴承各时刻的MQE值,如表2所示。
表2 8个轴承的MQE值
利用8个轴承的实际失效时间获得轴承总体失效分布函数,得到形状参数m=10.64,尺度参数η=359.04,从而得到总体失效时间的期望为T0=374.64。假设形状参数不变,根据1至7号轴承的实际失效时间,可得到各自的尺度参数:365.14,386.22,328.72,342.14,305.72,324.89,291.35。此时,已经得到7个样本的失效分布函数,根据样本失效分布函数和总体失效分布函数,可以计算出7个样本所对应的归一化函数的参数,将7个值取平均,得到归一化函数参数c的估计值-7752。
由于8号轴承前期无退化趋势,我们取251至280时刻的RMS值作为预测样本数据,得到这30个点的动态可靠度,如图4所示。
第三步,系统级动态可靠度
本发明提供了一种各设备可靠度综合的方法,以得出系统整体的可靠度。设备可靠度与设备的维修和使用活动直接相关,而系统可靠度与系统的任务直接相关。因此在考虑任务的条件下确定系统级可靠度。
可靠度首先进行系统任务可靠度框图的绘制,得出系统为实现某项任务,各设备之间的功能传递关系。系统任务可靠度框图由串联模型、并联模型等基本模型组成。针对串联模型、并联模型(图5)分别提出以下综合可靠度计算方法。
假设设备1可靠度大于设备2可靠度。假设可靠度以R表示,R1>R2。Rs系统可靠度。
a)串联模型可靠度计算方法:
1)按照短板原则计算方法:Rs=min(R1,R2)=R1
2)借鉴串联概率思想的计算方法:Rs=R1×R2,因为可靠度取值为[0,1]之间,因此可靠度相乘之后任然为[0,1]之间。
3)按设备重要度进行加权平均的计算方法:Rs=C1×R1+C2×R2,其中C1,C2为分别为设备1和设备2的重要度,C1,C2∈[0,1]且设备重要度之和为1,即C1+C2=1。
影响设备重要度的因素主要有:可靠度因素(失效对人员和环境安全性的影响、失效对系统功能的影响、失效频率)、经济性因素(维修费用、失效引起的生产损失)、监测性因素(可监测性)、维修性因素(停运时间、维修难易程度)。每个影响因素可以分为3-6级,通过收集的资料、数据或专家经验可以对设备重要度的影响因素进行打分,最后综合各项分数可以获得各设备的重要度。
4)等重要度加权平均计算方法:Rs=C1×R1+C2×R2,C1,C2=0.5。
b)并联模型可靠度计算方法:
1)按照短板原则计算方法:Rs=min(R1,R2)=R1。
2)借鉴并联概率思想的计算方法:Rs=1-(1-R1)×(1-R2)
3)按设备重要度进行加权平均的计算方法:Rs=C1×R1+C2×R2。
4)等重要度加权平均计算方法:Rs=C1×R1+C2×R2,C1,C2=0.5。
系统可靠度任务框图可以分解为串联模型和并联模型等基本模型,可以由此得出系统可靠度计算方法,各计算方法的对比如表3所示。
表3 系统健康度基本计算方法对比
综上所述,本发明实施例提供了一种系统动态可靠度的计算方法,本发明提供的方法能够有效的提高现有技术系统可靠度计算方法的精度和准确度。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述,仅为本发明较佳的具体实施方式,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,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于状态检测的动态可靠度确定方法,其特征在于,步骤一,建立设备间的功能传递关系;步骤二,获得每一个设备的个体状态偏移度,根据所述状态偏移度计算每一个设备的动态可靠度;步骤三,根据设备之间的功能传递关系,计算系统的动态可靠度;
所述建立设备间的功能传递关系具体包括:
首先,进行系统综合层次分解,以梳理出系统内设备之间的结构、功能以及故障关系;
接着,在此基础之上,进行系统内设备之间的扩展FMECA分析,以梳理出明确的设备间功能传递关系;
之后,对系统进行任务可靠度框图的绘制;
最后,在此基础之上利用系统级健康评估方法进行系统级健康评估;
所述设备的动态可靠度计算具体包括:
首先,将设备当前状态的特征向量作为SOM网络的输入,得到当前时刻的状态偏移量;
然后,将状态偏移量归一化得到设备当前时刻的状态偏移度a;
所述状态偏移度a的计算如下:
计算样本的实时可靠性所采用的失效分布函数服从两参数威布尔分布;两参数分别为样本的形状参数m和样本的尺度参数η,所述形状参数m与总体失效分布函数相同,改变的只是尺度参数η,根据样本的实际失效时间T,确定样本失效分布的尺度参数η,计算公式如下:其中,Γ(·)为伽玛函数;根据样本更新后的失效分布函数得到样本各时刻的实时可靠度,其中,t表示时间;根据总体失效分布函数,计算在各时刻的总体可靠度,以及总体的平均失效时间T0,若T>T0,则状态偏移度a=(1-Ri)/(1-R0i);若T<T0,则状态偏移度a=Ri/R0i;其中T0为设备总体平均失效时间,T为样本失效时间,R0i为第i时刻的设备总体可靠度,Ri为第i时刻的设备动态可靠度;
最后,比较设备特征量l与该时刻样本的特征量均值l’,若l>l′,则实时可靠性R=1-a×(1-R0),其中,R0为该时刻总体可靠度;若l<l′,则实时可靠度R=a×R0。
2.根据权利要求1所述的基于状态检测的动态可靠度确定方法,其特征在于,所述设备之间的功能传递关系包括至少一个串联关系和/或至少一个并联关系。
3.根据权利要求2所述的基于状态检测的动态可靠度确定方法,其特征在于,所述串联关系中,动态可靠度以下一种方式确定:
方式一,以串联关系中,最小的动态可靠度作为动态可靠度;方式二,所述串联关系中每个设备的动态可靠度之积作为动态可靠度;方式三,所述串联关系中每个设备的动态可靠度加权后相加作为动态可靠度;方式四,所述串联关系中每个设备的动态可靠度相加作为动态可靠度。
4.根据权利要求2所述的基于状态检测的动态可靠度确定方法,其特征在于,所述并联关系中,动态可靠度以下一种方式确定:
方式一,以并联关系中,最小的动态可靠度作为动态可靠度;方式二,所述并联关系中每个设备的动态可靠度加权后相加作为动态可靠度;方式三,所述并联关系中每个设备的动态可靠度相加作为动态可靠度。
5.根据权利要求2所述的基于状态检测的动态可靠度确定方法,其特征在于,所述并联关系中,动态可靠度由下式确定:
Rs=1-(1-R1)×(1-R2);其中Rs为并联关系的动态可靠度;R1为并联中的一个设备的动态可靠度,R2为并联中另一个设备的动态可靠度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510738159.8A CN105426665B (zh) | 2015-11-03 | 2015-11-03 | 基于状态监测的动态可靠度确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510738159.8A CN105426665B (zh) | 2015-11-03 | 2015-11-03 | 基于状态监测的动态可靠度确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105426665A CN105426665A (zh) | 2016-03-23 |
CN105426665B true CN105426665B (zh) | 2018-07-17 |
Family
ID=55504873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510738159.8A Active CN105426665B (zh) | 2015-11-03 | 2015-11-03 | 基于状态监测的动态可靠度确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105426665B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228176A (zh) * | 2016-06-29 | 2016-12-14 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 一种基于工况数据检测设备状态的方法和系统 |
CN110705111B (zh) * | 2019-10-09 | 2023-11-03 | 国核电力规划设计研究院有限公司 | Ast电磁阀的可靠性评估方法及装置 |
CN112378651A (zh) * | 2020-12-08 | 2021-02-19 | 中国船舶工业系统工程研究院 | 一种基于数据驱动的设备动态可靠性评估方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258115A (zh) * | 2013-04-12 | 2013-08-21 | 中国航天标准化研究所 | 基于多项式拟合和寿命分布的锂离子电池动态可靠性评估方法 |
CN104184146A (zh) * | 2014-09-12 | 2014-12-03 | 大连海事大学 | 船舶电站可靠性实时在线评估系统及其评估方法 |
-
2015
- 2015-11-03 CN CN201510738159.8A patent/CN105426665B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258115A (zh) * | 2013-04-12 | 2013-08-21 | 中国航天标准化研究所 | 基于多项式拟合和寿命分布的锂离子电池动态可靠性评估方法 |
CN104184146A (zh) * | 2014-09-12 | 2014-12-03 | 大连海事大学 | 船舶电站可靠性实时在线评估系统及其评估方法 |
Non-Patent Citations (2)
Title |
---|
机电产品系统可靠性建模与预测方法研究;张迎春;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20101215;第2010年卷(第12期);C029-6页 * |
船舶机电系统可靠性评估方法探究;廖向;《中国水运》;20131130;第13卷(第11期);154-155页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105426665A (zh) | 2016-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
Xu et al. | PHM-oriented integrated fusion prognostics for aircraft engines based on sensor data | |
Xie et al. | A review of machine learning applications in power system resilience | |
CN109543210A (zh) | 一种基于机器学习算法平台的风电机组故障预测系统 | |
CN106779069A (zh) | 一种基于神经网络的异常用电检测方法 | |
CN108563806B (zh) | 基于相似性的发动机气路参数长期预测方法及系统 | |
CN109858104A (zh) | 一种滚动轴承健康评估与故障诊断方法及监测系统 | |
CN111190349A (zh) | 船舶机舱设备状态监测及故障诊断方法、系统及介质 | |
CN111680875A (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN110417005B (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 | |
CN105426665B (zh) | 基于状态监测的动态可靠度确定方法 | |
CN112116262A (zh) | 一种风力发电机组设备健康度的评价方法 | |
CN108062586A (zh) | 基于衰退贡献度的船舶主机关联部件状态监测方法与系统 | |
CN110703743A (zh) | 设备故障预测与检测系统和方法 | |
Zhou et al. | Structural health monitoring of offshore wind power structures based on genetic algorithm optimization and uncertain analytic hierarchy process | |
CN104218571A (zh) | 一种风力发电设备的运行状态评估方法 | |
Hu et al. | A hybrid model for predicting the degradation trend of hydropower units based on deep learning | |
Tang et al. | Prediction of bearing performance degradation with bottleneck feature based on LSTM network | |
CN110033181B (zh) | 一种基于自编码器的发电设备状态评估方法 | |
CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
Ahmadian et al. | Comparative study of a newly proposed machine learning classification to detect damage occurrence in structures | |
Xie et al. | The application of echo state network and recurrent multilayer perceptron in rotating machinery fault prognosis | |
Lv et al. | General log-linear weibull model combining vibration and temperature characteristics for remaining useful life prediction of rolling element bearings | |
Li et al. | Remaining life prediction of cores based on data-driven and physical modeling methods | |
Azhar et al. | Transient Stability Detection Using CNN-LSTM Considering Time Frame of Observation |
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 |