CN106169001B - 一种基于气路性能参数图形匹配的航空发动机整机剩余寿命预测方法 - Google Patents
一种基于气路性能参数图形匹配的航空发动机整机剩余寿命预测方法 Download PDFInfo
- Publication number
- CN106169001B CN106169001B CN201610543226.5A CN201610543226A CN106169001B CN 106169001 B CN106169001 B CN 106169001B CN 201610543226 A CN201610543226 A CN 201610543226A CN 106169001 B CN106169001 B CN 106169001B
- Authority
- CN
- China
- Prior art keywords
- engine
- predicted
- aero
- life
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Abstract
本发明提出了一种基于气路性能参数图形匹配的航空发动机整机剩余寿命预测方法,解决航空发动机整机剩余寿命难于准确预测的问题,首先,使用同型号发动机的全寿命历史退化数据构建退化模式字典。其次,对待预测发动机的数据进行传感器选择和状态参数维度约减。再次,将待预测发动机的衰退轨迹与退化字典中的参考发动机衰退轨迹进行图形匹配,获得待预测发动机的寿命估计和与各参考发动机的相似度。最后,通过相似性加权策略,获取待预测发动机的剩余使用寿命。本发明提出的方法能准确地预测航空发动机的剩余使用寿命,而寿命预测对于发动机的维护和维修具有非常重要的意义。
Description
技术领域
本发明涉及航空发动机剩余寿命预测的技术领域,具体涉及一种基于气路性能参数图形匹配的航空发动机整机剩余寿命预测方法。
背景技术
随着现代航空工业的发展,各类飞机的应用范围越来越广,单架飞机的运载能力越来越强,随之而来的是对飞机可靠性和安全性的更高要求。安全性、可靠性和经济性是航空发动机制造商、维修厂和航空公司等相关部门最为关心的三大因素,也是衡量发动机制造水平的关键性指标。然而,航空发动机作为飞机最重要的核心部件,由于其结构复杂、集成度高、工作条件恶劣等诸多因数导致其稳定性难以控制。并且,由于其担任飞机的主要动力源,一旦航空发动机发生故障,往往导致机毁人亡的灾难性后果。因此,为了取得最大的经济效益和安全性,如何对航空发动机进行剩余寿命预测成为工业界的关注焦点和学术界的研究热点。
基于气路性能参数进行航空发动机整机健康状态的监测与寿命预测近年来受到学者们的关注。然而,航空发动机结构复杂,性能参数种类繁多,参数之间具有较强的相关性。此外,发动机长时间工作在高温、高压等复杂恶劣的环境中,表征系统健康状态的参数常受到各种噪声的干扰,在这种背景下准确预测发动机整机剩余寿命十分困难。
发明内容
本发明要解决的技术问题为:针对航空发动机整机剩余寿命难于准确预测的问题,提出一种基于气路性能参数图形匹配的航空发动机整机剩余寿命预测方法。
本发明采用的技术方案为:一种基于气路性能参数图形匹配的航空发动机整机剩余寿命预测方法,其特征在于:
(1)通过航空发动机全寿命的气路退化数据获取其性能退化模式,并使用多台发动机的退化数据构建性能衰退参照字典;
(2)使用退化轨迹的包络多边形来稳健地表征航空发动机系统的性能退化模式;
(3)通过参考发动机和待预测发动机退化多边形的重叠面积来量化二者之间性能退化规律的相关性,并使用线段长度比等价地计算两多边形的重叠面积比;
(4)将参考发动机的真实剩余寿命作为待预测发动机剩余寿命的估计值,依据重叠面积比生成相似性权重,加权这些寿命估计值来获取待预测发动机的剩余寿命。
本发明与现有技术相比的优点在于:
(1)、基于相似性理论充分挖掘历史全寿退化数据中的性能衰退规律,并应用该规律对待预测发动机的剩余寿命进行估计,预测精度高;
(2)、受传感器测量噪声等的影响,获得的性能衰退轨迹常带有较多的毛刺,基于欧氏距离的相似性匹配稳健性差,重叠面积匹配既可以保证匹配精度,又可以避免噪声的干扰。
(3)、先对待预测发动机的剩余寿命进行多次估计,然后对估计值加权集成获得待预测发动机的剩余寿命,该方法具有集成学习的优势,算法稳健性好。
附图说明
图1为本发明一种基于气路性能参数图形匹配的航空发动机整机剩余寿命预测方法流程图;
图2为性能衰退多边形提取示意图;
图3为黎曼积分原理图;
图4为重叠面积计算原理图;
图5为最优面积匹配原理图;
图6为涡轮风扇发动机气路部件简图;
图7为1#发动机的21个传感器参数变化情况;
图8为状态参数第一主成分随循环的变化情况;
图9为利用前4个参考发动机数据对1#发动机RUL的估计结果。
具体实施方式
下面结合附图以及具体实施方式进一步说明本发明。
如图1所示,一种基于图形匹配的航空发动机整机剩余寿命预测方法,主要包含以下步骤:
第一步,构建发动机性能退化字典。通过处理已经运行至失效的发动机历史数据,得到预测时可以参考的退化模式字典。首先,选择具有明显上升或下降趋势的传感器参数用以表征发动机的性能退化。其次,使用维度约减方法对数据进行降维,得到一维的性能退化曲线。最后,按照一定的规范存储这些参考发动机的性能退化数据,便于后续检索使用。
第二步,待预测发动机数据预处理。选择与退化字典相同的传感器参数,并用同样的降维方法进行状态参数维度的约减。
第三步,使用多边形匹配方法匹配每台参考发动机的退化轨迹和待预测发动机的退化轨迹。首先,提取参考发动机和待预测发动机退化轨迹的上下包络曲线,得到他们的退化多边形表示形式。其次,在每台参考发动机的退化多边形中,匹配待预测发动机退化多边形,使他们重叠部分的面积最大。最后,计算重叠的面积比和RUL的估计值。
第四步,加权集成。通过重叠面积生成相似性权重,对多个RUL估计值进行加权,最终得到待预测发动机的剩余使用寿命。
1基于图形匹配的航空发动机整机剩余寿命预测方法具体步骤如下:
1.1高维数据维度约减
(1)传感器选择
航空发动机有大量的实时监测的性能状态参数,并非所有的状态参数都能反映系统的性能状态降级,比如一些主动的控制量等。在进行寿命预测前,需要找出具有退化趋势的传感器参数,将其作为反映整机性能的状态指标,用以度量系统的健康状态。
(2)主成分分析(PCA)
在经过传感器筛选后,状态监测参数仍具有很高的维度,这对于后续数据处理是不利的,因而还需进行参数维度的进一步约减。这里,我们选择主成分分析方法对数据进行降维。
主成分分析(PCA,Principle Component Analysis)是应用最广泛的一种特征提取方法之一,它是一种统计学方法,在信号处理、模式识别、数字图像处理等领域已经得到了广泛的应用。主成分分析方法基本思想是提取出空间原始数据中的主要特征(主元),减少数据冗余,使得数据在一个低维的特征空间被处理,同时保持原始数据的绝大部分的信息,从而解决数据空间维数过高的瓶颈问题。
设航空发动机退化状态矩阵为X,其列向量Xk=(x1k,x2k,...,xnk)T为n维状态参数,发动机的某一性能状态可由xk描述,xk的协方差矩阵为:
式中,N为退化状态的采样数,为各状态参数的均值
求解Rx的全部特征值λi(i=1,2,...,n)和特征向量vi,将特征值λi按照从大到小的顺序排列:λ1>λ2>...>λn,则对应的特征向量为vi(i=1,2,..,n)。样本xi投影到特征向量vi得到该方向对应的主分量为:
所有的特征向量张成一个n维正交空间,x投影到该正交空间得到相应的n维主分量。特征向量所对应的特征值越大,它在重构时的贡献也越大,特征值越小的特征向量在重构时的贡献就越小。设正交空间中前m个主分量为y1,y2,...,ym,其累计方差贡献率为:
当前面少数几个主分量的累计方差贡献率足够大,如h(m)>95%,即95%以上的原始数据信息保留在前面几个主分量中,可只取前m(m<n)个主分量来表征原始信息,在保证信息完整的情况下,达到数据降维的目的。
1.2性能退化多边形提取
由于测量噪声等的影响,反映系统性能退化的状态参数往往包含有较大的随机成分,表现为性能序列带有较大幅度的波动,这给后续数据处理带来了极大的挑战。如不加以考虑直接进行运算,则计算结果极易受到这些干扰的影响,方法的鲁棒性较差;若采用数据平滑等方法进行滤波处理则容易造成有用退化信息的丢失,滤波的‘度’很难把握。因此,我们用退化多边形来表征系统性能的退化过程。
如图2所示,用蓝色曲线表示航空发动机系统的某个性能退化参数(比如涡轮出口温度)的退化曲线。从图中可知,该退化参数在存在明显上升趋势的同时,伴有较大幅度的随机干扰。为便于后续数据的处理工作。提取退化曲线的上下包络(红线)并使之构成封闭多边形,用以表征其性能退化模式。
1.3图形匹配原理
为充分阐述图形匹配原理,我们先对微积分理论中的黎曼积分的原理做简单的介绍。如图3所示,曲线f(x)与x轴围成的曲顶图形的面积可以用黎曼积分来计算。当每个矩形的高度很小,即n充分大时,所围图形的面积约等于这些矩形面积的和。
如图4所示,蓝色部分和绿色部分分别表示两个多边形,其面积为A1和A2。黄色部分表示两个多边形的重叠部分,其面积为A∩。将横轴N(足够大)等分,每段长度为△,则各部分的面积可以近似表示如下:
式中,△划分间隔的长度,L1i,L2i和L∩i分别为第i个划分点处多边形1,多边形2和交叠多边形的纵向跨度。
重叠部分占个多边形面积的比例分别为
式中,△划分间隔的长度,L1i,L2i和L∩i分别为第i个划分点处多边形1,多边形2和交叠多边形的纵向跨度。
从式(2)可知,当我们要近似量化两个图形的重叠程度时,并不需要确切的计算出重叠部分和各自的面积值,重叠比可以通过对各个划分点处多边形的纵向跨度的计算来获得,这样做可以减小计算量,提升运算效率。
当我们执行预测任务时,核心过程是将待预测发动机的退化多边形在参考发动机全寿命多边形上进行匹配,找到使之最大程度匹配的时间点,即可得到待预测发动机的剩余使用寿命。图5中蓝色多边形表示出了参考发动机的全寿退化多边形,绿色多边形表示待预测发动机的退化多边形。为了最优的匹配两个多边形,将待预测多边形在参考多边形上,从后至前进行滑移,并计算每个滑移位置的重叠比(A∩/A1),使重叠比最大的滑移步数即为用该参考多边形预测得到的待预测发动机的剩余使用寿命(RUL)的一个估计值。
1.4集成加权
假设有L各参考发动机,通过多边形匹配,我们得到L个重叠面积比和对应的L个RUL估计值,用集合{lP,lR},l=1,2,...,L表示。为获取待预测发动机剩余使用寿命,通过重叠面积生成相似性权重。
加权集成的目的是集成多个估计结果最终获得待预测样本的寿命估计。最简单的集成方法是使用基于相似性的加权和,则待预测发动机RUL的点估计为:
2实验验证
我们使用美国航空航天局NASA提供的涡扇发动机数据集的Dataset 1对提出的预测方法进行有效性验证。该数据集由C-MAPSS(Commercial Modular Aero-propulsionSystem Simulation)大型涡轮风扇发动机仿真模型得到。模型通过14个参数的输入来模拟包括风扇、低压压气机、高压压气机、高压涡轮、低压涡轮(Fan,LPC,HPC,HPT,LPT)在内的五大旋转部件失效影响和退化过程,发动机仿真模型主要部件简图如图6所示。
数据由发动机不同运行循环时间点的3个工况参数(飞行高度、飞行马赫数和油门杆角度)21个传感器监测的性能参数组成。传感器监测值是针对研究模块,通过发动机热动力仿真模型获取,且包含噪声。训练数据包括多组独立同一单元的多元时间序列样本,反映了每个单元从初始到失效的全寿命周期的变化过程。每个部件的初始时刻的退化情况是随机且未知的,是否发生退化以及退化程度不同,随着发动机的运行,当性能降级到一个阈值的后整个系统发生失效。用于衡量发动机性能状态的21个监测参数值如表1所示。
表1模型输入参数
序号 | 描述 | 符号 |
1 | 燃料流量 | Wf(pps) |
2 | 风扇效率参数 | fan_eff_mod |
3 | 风扇流量参数 | fan_flow_mod |
4 | 风扇压比参数 | fan_PR_mod |
5 | 低压压气机效率参数 | LPC_eff_mod |
6 | 低压压气机流量参数 | LPC_flow_mod |
7 | 低压压气机压比参数 | LPC_PR_mod |
8 | 高压压气机效率参数 | HPC_eff_mod |
9 | 高压压气机流量参数 | HPC_flow_mod |
10 | 高压压气机压比参数 | HPC_PR_mod |
11 | 高压涡轮效率参数 | HPT_eff_mod |
12 | 高压涡轮流量参数 | HPT_flow_mod |
13 | 低压涡轮效率参数 | LPT_eff_mod |
14 | 低压涡轮流量参数 | LPT_flow_mod |
表2监测参数表征量
2.1传感器选择
通过观测各传感器参数的变化趋势来剔除那些无明显趋势性的监测参数,以便于后续数据处理。1#号发动机的21个传感器监测参数随着循环数增加的变化情况如图7所示。
依图7可知,传感器1,5,6,10,16,18和19的监测数据在发动机使用循环数增加的过程中保持恒定值,不能用于表征系统的性能退化。因此,我们选择具有显著退化趋势的传感器2,3,4,7,8,9,11,12,13,14,15,17,20和21这14个监测参数来表征发动机系统的性能退化。
2.2数据标准化和维度约减
不同监测参数具有不同的量纲,数据之间不具有可比性,需要对数据进行归一化处理,将原始数据映射到0-1之间,具体采用Matlab的mapminmax函数实现。
高维监测参数之间往往存在着某种线性相关关系,为减轻计算复杂度,提高计算准确性,我们使用主元分析方法(PCA)对选择的14维传感器数据进行参数维度的约减。1#发动机14个归一化后传感器参数的协方差矩阵特征值和方差贡献率如表3所示。
表3各传感器参数的协方差矩阵特征值及方差贡献率(1#发动机)
主成分 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
特征值 | 0.4161 | 0.0241 | 0.0235 | 0.0173 | 0.0162 | 0.0140 | 0.0120 |
方差贡献率 | 73% | 4% | 4% | 3% | 3% | 2% | 2% |
主成分 | 8 | 9 | 10 | 11 | 12 | 13 | 14 |
特征值 | 0.0112 | 0.0100 | 0.0095 | 0.0084 | 0.0072 | 0.0062 | 0.0057 |
方差贡献率 | 2% | 2% | 2% | 1% | 1% | 1% | 0 |
由表3可知,第一主成分包含了绝大部分的数据信息,在本研究中选择第一主成分用于表征发动机性能的退化情况。图8展示了1#发动机的性能参数的第一主成分。
2.3多边形匹配计算
以测试集的1#发动机为例进行说明。图9给出了利用训练集的前4个参考发动机数据对当前待预测发动机(1#发动机)寿命进行估计的结果。
2.4预测结果分析
使用训练集train_FD001包含的100台已经失效的发动机全寿数据构建退化字典,然后在测试集test_FD001中随机地选择20台发动机进行预测,发动机地面真实寿命在数据集RUL_FD001中,预测结果如表4所示。
表4预测结果
序号 | 真实RUL | 预测RUL | 绝对误差 | 相对误差 |
1 | 112 | 125 | 13 | 0.12 |
2 | 98 | 90 | -8 | 0.08 |
3 | 69 | 54 | -15 | 0.22 |
4 | 82 | 63 | -19 | 0.23 |
5 | 91 | 66 | -25 | 0.27 |
6 | 93 | 71 | -22 | 0.24 |
7 | 91 | 73 | -18 | 0.20 |
8 | 111 | 86 | -25 | 0.23 |
9 | 97 | 69 | -28 | 0.29 |
10 | 107 | 82 | -25 | 0.23 |
11 | 83 | 103 | 20 | 0.24 |
12 | 84 | 89 | 5 | 0.06 |
13 | 50 | 50 | 0 | 0.00 |
14 | 87 | 76 | -11 | 0.13 |
15 | 57 | 72 | 15 | 0.26 |
16 | 111 | 105 | -6 | 0.05 |
17 | 113 | 88 | -25 | 0.22 |
18 | 145 | 112 | -33 | 0.23 |
19 | 119 | 105 | -14 | 0.12 |
20 | 66 | 70 | 4 | 0.06 |
均值 | -- | -- | -11 | 0.17 |
从表4可知,本发明所提出方法能非常准确的预测航空发动机的剩余使用寿命,而寿命预测对于发动机的维护和维修具有非常重要的意义。
Claims (1)
1.一种基于气路性能参数图形匹配的航空发动机整机剩余寿命预测方法,其特征在于:
(1)通过航空发动机全寿命的气路退化数据获取其性能退化模式,并使用多台发动机的退化数据构建性能衰退参照字典;首先,选择具有明显上升或下降趋势的传感器参数用以表征发动机的性能退化;其次,使用维度约减方法对数据进行降维,得到一维的性能退化曲线;最后,按照一定的规范存储这些参考发动机的性能退化数据,便于后续检索使用;
待预测发动机数据预处理,选择与退化字典相同的传感器参数,并用同样的降维方法进行状态参数维度的约减;
(2)使用退化轨迹的包络多边形来稳健地表征航空发动机系统的性能退化模式;首先,提取参考发动机和待预测发动机退化轨迹的上下包络曲线,得到他们的退化多边形表示形式;其次,在每台参考发动机的退化多边形中,匹配待预测发动机退化多边形,使他们重叠部分的面积最大;
(3)通过参考发动机和待预测发动机退化多边形的重叠面积来量化二者之间性能退化规律的相关性,并使用线段长度比等价地计算两多边形的重叠面积比;
(4)将参考发动机的真实剩余寿命作为待预测发动机剩余寿命的估计值,依据重叠面积比生成相似性权重,加权这些寿命估计值来获取待预测发动机的剩余寿命。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610543226.5A CN106169001B (zh) | 2016-07-11 | 2016-07-11 | 一种基于气路性能参数图形匹配的航空发动机整机剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610543226.5A CN106169001B (zh) | 2016-07-11 | 2016-07-11 | 一种基于气路性能参数图形匹配的航空发动机整机剩余寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106169001A CN106169001A (zh) | 2016-11-30 |
CN106169001B true CN106169001B (zh) | 2019-06-21 |
Family
ID=58064529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610543226.5A Active CN106169001B (zh) | 2016-07-11 | 2016-07-11 | 一种基于气路性能参数图形匹配的航空发动机整机剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106169001B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107315396B (zh) * | 2017-05-27 | 2019-06-11 | 中国电子科技集团公司第三十六研究所 | 一种状态监测维修与预测维修混合维修规划方法及系统 |
CN107357994B (zh) * | 2017-07-14 | 2020-04-28 | 哈尔滨工业大学(威海) | 一种分阶段的航空发动机性能衰退模式挖掘方法 |
CN108563806B (zh) * | 2018-01-05 | 2019-06-14 | 哈尔滨工业大学(威海) | 基于相似性的发动机气路参数长期预测方法及系统 |
US11113168B2 (en) | 2018-03-09 | 2021-09-07 | Toyota Motor Engineering & Manufacturing North America, Inc. | Distributed architecture for fault monitoring |
US10354462B1 (en) | 2018-04-06 | 2019-07-16 | Toyota Motor Engineering & Manufacturing North America, Inc. | Fault diagnosis in power electronics using adaptive PCA |
US10650616B2 (en) | 2018-04-06 | 2020-05-12 | University Of Connecticut | Fault diagnosis using distributed PCA architecture |
CN110135088B (zh) * | 2019-05-20 | 2022-08-23 | 哈尔滨工业大学 | 基于退化特征参数正常包络模型的模拟电路早期故障检测方法 |
CN110457731B (zh) * | 2019-05-28 | 2023-04-25 | 中国航空工业集团公司上海航空测控技术研究所 | 一种应用于直升机动部件振动趋势分析的方法 |
CN110807257A (zh) * | 2019-11-04 | 2020-02-18 | 中国人民解放军国防科技大学 | 航空发动机剩余寿命预测方法 |
CN110823575B (zh) * | 2019-11-09 | 2021-03-16 | 北京工业大学 | 一种基于性能退化字典构造与相似性的轴承寿命预测方法 |
CN112348120A (zh) * | 2020-12-01 | 2021-02-09 | 江苏南高智能装备创新中心有限公司 | 数控机床退化轨迹模式识别方法及装置 |
CN114326593B (zh) * | 2021-12-16 | 2024-05-03 | 成都航天科工大数据研究院有限公司 | 一种刀具寿命预测系统及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123447A (zh) * | 2014-07-14 | 2014-10-29 | 南京信息工程大学 | 一种基于改进数据包络分析的制造系统综合评价方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7377179B2 (en) * | 2005-11-14 | 2008-05-27 | General Electric Company | System, method, and apparatus for wireless non-powered stress history and fatigue monitoring of a structure |
-
2016
- 2016-07-11 CN CN201610543226.5A patent/CN106169001B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123447A (zh) * | 2014-07-14 | 2014-10-29 | 南京信息工程大学 | 一种基于改进数据包络分析的制造系统综合评价方法 |
Non-Patent Citations (2)
Title |
---|
Envelope analysis and data-driven approaches to acoustic feature extraction for predicting the remaining useful life of rotating machinery;Darren F. Kavanagh 等;《IEEE Xplore》;20080512;全文 |
航空发动机的剩余寿命预测与健康状态评估;吴学海;《万方数据库学位论文库》;20140917;全文 |
Also Published As
Publication number | Publication date |
---|---|
CN106169001A (zh) | 2016-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106169001B (zh) | 一种基于气路性能参数图形匹配的航空发动机整机剩余寿命预测方法 | |
CN106021826B (zh) | 一种基于工况识别和相似性匹配的变工况下航空发动机整机剩余寿命预测方法 | |
CN110555479B (zh) | 基于1dcnn与gru融合的故障特征学习与分类方法 | |
EP3477412B1 (en) | System fault isolation and ambiguity resolution | |
US9779495B2 (en) | Anomaly diagnosis method and apparatus | |
US8660980B2 (en) | Monitoring system using kernel regression modeling with pattern sequences | |
US8620853B2 (en) | Monitoring method using kernel regression modeling with pattern sequences | |
KR101316486B1 (ko) | 이상 검지 방법 및 시스템 | |
CN106094570B (zh) | 一种基于工况识别和谷本距离的变工况下航空发动机整机健康评估方法 | |
Wang et al. | Research on the fault monitoring method of marine diesel engines based on the manifold learning and isolation forest | |
CN107111309A (zh) | 利用监督式学习方法的燃气涡轮机故障预测 | |
CN104756029B (zh) | 一种监控设备的部件组的系统 | |
Sun et al. | A non-probabilistic metric derived from condition information for operational reliability assessment of aero-engines | |
Behera et al. | Ensemble trees learning based improved predictive maintenance using IIoT for turbofan engines | |
CN114282579A (zh) | 基于变分模态分解和残差网络的航空轴承故障诊断方法 | |
Armstrong et al. | Implementation of an integrated on-board aircraft engine diagnostic architecture | |
CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
Liang et al. | A degradation degree considered method for remaining useful life prediction based on similarity | |
Zhiyong et al. | Prognostics uncertainty reduction by right-time prediction of remaining useful life based on hidden Markov model and proportional hazard model | |
Gkerekos et al. | Ship machinery condition monitoring using vibration data through supervised learning | |
CN105408828B (zh) | 对曲线上用于检测发动机异常的相关点进行估算的方法以及用于实施该方法的数据处理系统 | |
Bect et al. | Identification of abnormal events by data monitoring: Application to complex systems | |
Viale et al. | Least squares smoothed k-nearest neighbors online prediction of the remaining useful life of a NASA turbofan | |
CN109308484A (zh) | 航空发动机多类故障最小风险诊断方法及装置 | |
Hsu et al. | A comparison of residual-based methods on fault detection |
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 |