CN106547967B - 基于代价分析的柴油机燃油系统维修决策方法 - Google Patents
基于代价分析的柴油机燃油系统维修决策方法 Download PDFInfo
- Publication number
- CN106547967B CN106547967B CN201610936327.9A CN201610936327A CN106547967B CN 106547967 B CN106547967 B CN 106547967B CN 201610936327 A CN201610936327 A CN 201610936327A CN 106547967 B CN106547967 B CN 106547967B
- Authority
- CN
- China
- Prior art keywords
- fuel system
- maintenance
- cost
- fault
- 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.)
- Active
Links
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明的目的在于提供一种代价分析结合贝叶斯网络模型的柴油机燃油系统维修决策方法,首先建立柴油机燃油系统的贝叶斯网络模型,并基于该模型对燃油系统进行故障诊断,获得每种故障的发生概率;其次,利用标准化公式对影响燃油系统维修操作代价的因素进行无量纲处理;再次,采用RBF神经网络融合维修操作中的多个影响因子,评估相应维修代价;最后,通过乘法公式综合评估故障发生概率为维修代价,按照乘积递减规则将维修操作进行排序,得到燃油系统最优维修策略。本发明通过代价分析与贝叶斯网络模型结合,通过综合评估故障概率与维修代价,对燃油系统的维修策略进行决策,使得决策结果更具参考价值。
Description
技术领域
本发明涉及的是一种发动机故障检测维修方法。
背景技术
燃油系统的健康状态直接决定了柴油机的工作性能。燃油系统健康状态的准确诊断和有效维护是确保柴油机安全运行的重要内容。然而,燃油系统结构复杂、各部件结构与功能高度关联,使得故障与外部征兆之间具有很强的耦合性。例如,燃油系统的燃油喷射不正时故障可能会导致燃油最高喷射压力降低,同时还会引起喷油持续期缩短等多个外部征兆;而燃油最高喷射压力降低这一外部征兆的出现则可能是出油阀失效、柱塞偶件穴蚀、及喷油器针阀卡滞(上卡)等故障共同作用的结果。因此,燃油系统的故障诊断与维修决策具有很强的不确定性,导致许多维修决策技术难以有效应用。
贝叶斯网络是一个有向无环图,其中的节点代表随机变量,节点间的有向边代表随机变量的关联关系。贝叶斯网络利用拓扑结构和节点的概率信息(包括先验概率和条件概率)所表征先验知识,通过贝叶斯算法融合先验知识和当前信息,对目标状态进行不确定推理。近年来,已有学者将贝叶斯网络应用到柴油机燃油系统故障诊断技术领域,提高了多源信息非线性耦合条件下燃油系统故障识别的有效性,在一定程度上解决了燃油系统故障诊断技术中的“瓶颈”问题。然而,现有研究均集中在对燃油系统故障类型的准确辨识,而对于燃油系统故障的维修决策研究却没有涉及,因而无法对燃油系统的视情维修工作提供有效指导。在基于贝叶斯网络的故障诊断基础上进行的维修决策研究方面,有研究人员提出通过比较维修操作的“操作效率”(故障排除概率Pi与操作代价的比值),执行“操作效率”最大的维修操作。还有研究在上述策略的基础上进行了相关改进。通过比较可以发现,这些方法的一个共同特点是:在进行决策之前需要对维修操作实施后的“故障排除概率”进行评估。然而,在未进行观测之前,某一维修操作的实施效果属于未知事件,无法做到准确评估。因此上述维修决策方法难以有效实施。
经对现有技术的文献检索发现,公开文件“基于贝叶斯网络的发动机燃油系统故障诊断”(长沙航空职业技术学院学报,2010)提出了一种发动机燃油系统故障诊断方法,该公开文件自述为:“在构建某型发动机燃油系统故障诊断贝叶斯网络模型的基础上,提出逆向推理的最强依赖路径算法,通过该算法可以对故障可能的原因按概率大小进行排序,进而快速、准确地对故障进行定位,从而大大提高复杂系统故障诊断的效率”。其不足之处是:该方法所建立的燃油系统贝叶斯网络模型所包含的故障现象均为发动机全局性指标,这些指标的变化还会受燃油系统以外的系统(如进排气系统)健康状态的影响,因此这些指标无法准确描述燃油系统的健康状态;此外,该方法仅能够对燃油系统的故障进行诊断,但是无法对燃油系统的维修操作进行决策,因此不能有效指导工作人员对燃油系统进行视情维修。
发明内容
本发明的目的在于提供可用来指导维护人员对燃油系统实施针对性维修,从而降低维修管理成本的一种代价分析结合贝叶斯网络模型的柴油机燃油系统维修决策方法。
本发明的目的是这样实现的:
本发明一种代价分析结合贝叶斯网络模型的柴油机燃油系统维修决策方法,其特征是:
(1)建立柴油机燃油系统的贝叶斯网络模型,其中外部征兆si(i=1,2,…,7)是指高压油管油压信号的时、频域特征的异常变化,具体包括:余波波动频率增大s1、余波振荡幅值减小s2、喷射持续期增大s3、峰值因子增大s4、峭度减小s5、针阀启喷压力减小s6、最高喷射压力减小s7,故障类型fj(j=1,2,…,7)包括:回油孔过大f1、柱塞偶件磨损f2、出油阀失效f3、喷油孔堵塞f4、针阀上卡f5、喷油器滴漏f6、高压油管渗漏f7;
(2)采集柴油机高压油管压力信号,并提取压力信号的时、频域特征,具体包括:余波波动频率、余波振荡幅值、喷射持续期、峰值因子、峭度、针阀启喷压力、最高喷射压力,将提取的时、频域特征输入燃油系统贝叶斯网络模型,得到每种故障的发生概率,计算方法采用贝叶斯公式:
(3)将影响燃油系统维修操作代价的因素包括时间T、风险R、费用M、影响I进行标准化处理,将其转化为无量纲的纯数值,采用的标准化方法如公式:
式中x表示标准化前的数据,x*表示标准化后的数据,xmax表示所有数据中的最大值,xmin表示所有数据中的最小值;
(4)建立代价分析RBF神经网络模型,然后将步骤(3)中标准化后的维修操作中的时间T、风险R、费用M和影响I作为输入,将维修代价E作为输出,利用RBF神经网络对燃油系统维修操作的代价进行综合评估,获得燃油系统不同维修操作所需要的代价;
(5)采用乘法公式综合评估步骤(2)中获得的燃油系统每种故障的发生概率与相应的维修代价:
Hi=P(Vi f|e,G)·Ei,
式中,Hi表示对故障fi的综合评估结果,P(Vi f|e,G)表示故障fi的发生概率,Ei表示故障fi对应维修操作的代价;在此基础上,按照乘积递减规则将维修操作进行排序,得到柴油机燃油系统最优维修策略。
本发明还可以包括:
1、代价分析RBF神经网络的建模过程如下:
(a)选取训练样本集Z={X1,…Xm},设置RBF神经网络的输入层节点数为4,输出层节点数为1,网络层数为3层,径向基函数为高斯函数;
(b)赋予隐层节点的连接权值wi以任一非零常数,同时,随机从训练样本集Z中选取k个不同的训练样本作为学习中心ci(i=1,2,…,k);
(c)依次选择输入样本Xp(p=1,…,m),采用下式识别与输入样本Xp欧氏距离最小的学习中心Ci:
|| ||为欧氏范数;
(d)利用下式所示的方法更新学习中心ci,其中α为学习步长,且有0<α<1:
(e)重复执行步骤(b)、步骤(c),直至学习中心ci变化过程收敛;
(f)通过学习中心ci确定径向基函数的方差σi:
(g)计算在当前输入样本Xp下,神经网络的实际输出Xp′:
(h)将神经网络实际输出Xp′与期望输出Xp″相比较,获得输出残差ep:
ep=Xp″-Xp′,
在此基础上,采用最小均方差算法,调整隐层节点的连接权值wi:
μ为学习速率,M=[M1,…,Mk]为隐层输出:Mi=R(||Xp-ci||),R( )为径向基函数;
(i)对所有输入/输出样本Xp/Xp″学习结束后,利用均方误差J,表征神经网络训练误差:
当J≤ε时,训练结束,ε为目标控制误差,否则,返回执行步骤(a)。
本发明的优势在于:本发明在利用贝叶斯网络模型诊断燃油系统故障的基础上,通过综合评估故障发生概率与维修代价获得最优维修策略,弥补了原有技术对于燃油系统维修决策的空白;此外,本发明利用RBF神经网络通过综合评估维修的四类影响因素,从而获得故障维修操作的代价,因此能够更为客观的反映实际维修操作所需的成本,使得决策结果更具参考价值。根据本发明的维修决策结果,可实现对柴油机燃油系统有计划、有针对性的视情维修,保障燃油系统的运行安全。
附图说明
图1为本发明的流程图;
图2为本发明柴油机燃油系统的贝叶斯网络模型拓扑结构图。
具体实施方式
下面结合附图举例对本发明做更详细地描述:
结合图1-2,本发明包括如下步骤:
1、建立燃油系统的贝叶斯网络模型,在所述贝叶斯网络模型中,外部征兆si包括:余波波动频率增大s1、余波振荡幅值减小s2、喷射持续期增大s3、峰值因子增大s4、峭度减小s5、针阀启喷压力减小s6、最高喷射压力减小s7;故障类型fj包括:回油孔过大f1、柱塞偶件磨损f2、出油阀失效f3、喷油孔堵塞f4、针阀上卡f5、喷油器滴漏f6、高压油管渗漏f7;
2、采集柴油机高压油管压力信号,并提取压力信号的时、频域特征,具体包括:余波波动频率、余波振荡幅值、喷射持续期、峰值因子、峭度、针阀启喷压力、最高喷射压力,将提取的时、频域特征输入燃油系统贝叶斯网络模型,计算每种故障的发生概率;
3、利用标准化公式将燃油系统维修操作的时间T、风险R、费用M和影响I进行无量纲处理,消除因各项参数量纲不同对维修代价分析的影响;
4、将标准化后的维修操作的时间T、风险R、费用M和影响I作为输入,利用RBF神经网络输出维修操作的代价;
5、将步骤1中获得的燃油系统每种故障的发生概率与步骤4中得到的相应维修代价相乘,进而按照乘积递减规则将维修操作进行排序,该序列可作为燃油系统的维修顺序。
具体如下:
1、所述贝叶斯网络模型的建立是指,建立燃油系统的贝叶斯网络模型,其中外部征兆si(i=1,2,…,7)是指高压油管油压信号的时、频域特征的异常变化,具体包括:余波波动频率增大s1、余波振荡幅值减小s2、喷射持续期增大s3、峰值因子增大s4、峭度减小s5、针阀启喷压力减小s6、最高喷射压力减小s7;故障类型fj(j=1,2,…,7)包括:回油孔过大f1、柱塞偶件磨损f2、出油阀失效f3、喷油孔堵塞f4、针阀上卡f5、喷油器滴漏f6、高压油管渗漏f7。贝叶斯网络模型的拓扑结构G如图2所示。
2、所述燃油系统故障状态的诊断是指,采集柴油机高压油管压力信号,并提取压力信号的时、频域特征,具体包括:余波波动频率、余波振荡幅值、喷射持续期、峰值因子、峭度、针阀启喷压力、最高喷射压力,将提取的时、频域特征输入燃油系统贝叶斯网络模型,计算得到每种故障的发生概率,计算方法采用贝叶斯公式,如公式(1)所示。
3、所述维修代价影响因素的标准化处理是指,将影响燃油系统维修操作代价的因素:时间T、风险R、费用M、影响I进行标准化处理,以去除数据的单位限制,将其转化为无量纲的纯数值,便于具有不同单位和量级的时间T、风险R、费用M、影响I进行比较,消除因各项参数量纲不同对维修代价分析的影响。本发明采用的标准化方法如公式(2)所示。
式中,x表示标准化前的数据;x*表示标准化后的数据;xmax表示所有数据中的最大值;xmin表示所有数据中的最小值。
4、所述燃油系统维修代价分析是指,首先建立代价分析RBF神经网络模型,然后将步骤2中标准化后的维修操作中的时间T、风险R、费用M和影响I作为输入,将维修代价E作为输出,利用RBF神经网络对燃油系统维修操作的代价进行综合评估,获得燃油系统不同维修操作所需要的代价。
所述代价分析RBF神经网络的建模过程如下:
第一步:选取训练样本集Z={X1,…Xm},设置RBF神经网络的输入层节点数为4,输出层节点数为1,网络层数为3层,径向基函数为高斯函数;
第二步:赋予隐层节点的连接权值wi以任一非零常数,同时,随机从训练样本集Z中选取k个不同的训练样本作为学习中心ci(i=1,2,…,k);
第三步:依次选择输入样本Xp(p=1,…,m),采用公式(3)识别与输入样本Xp欧氏距离最小的学习中心Ci。
公式(3)中,||·||为欧氏范数,下同。
第四步:利用公式(4)所示的方法更新学习中心ci,其中α为学习步长,且有0<α<1。
第五步:重复执行第二步、第三步,直至学习中心ci变化过程收敛。
第六步:通过学习中心ci确定径向基函数的方差σi,计算方法如公式(5)所示。
第七步:计算在当前输入样本Xp下,神经网络的实际输出Xp′,计算方法采用公式(6)。
第八步:利用公式(7)将神经网络实际输出Xp′与期望输出Xp″相比较,获得输出残差ep。在此基础上,采用最小均方差算法,如公式(8),调整隐层节点的连接权值wi。
ep=Xp″-Xp′ (7)
公式(8)中,μ为学习速率,M=[M1,…,Mk]为隐层输出,利用公式(9)计算。式中,R(·)为径向基函数。
Mi=(||Xp-ci||) (9)
第九步:对所有输入/输出样本Xp/Xp″学习结束后,利用均方误差J,如公式(10),表征神经网络训练误差,当J≤ε时(ε为目标控制误差),训练结束,否则,返回执行第一步。
5、所述最优维修策略决策是指,采用乘法公式综合评估步骤1中获得的燃油系统每种故障的发生概率与相应的维修代价,如公式(11)所示。在此基础上,按照乘积递减规则将维修操作进行排序,如以此作为最优维修操作顺序,为燃油系统的故障维修提供理论指导和操作建议。式中,Hi表示对故障fi的综合评估结果;P(Vi f|e,G)表示故障fi的发生概率;Ei表示故障fi对应维修操作的代价。
Hi=P(Vi f|e,G)·Ei (11)
图2是本发明实施例某型柴油机燃油系统决策贝叶斯网络模型的拓扑结构图。本发明利用采集到的燃油系统高压油管压力信号对燃油系统故障进行诊断,继而结合代价分析结果,得到了维修操作的综合性指标,即故障发生概率与维修代价的乘积,该指标可作为决定燃油系统维修操作执行顺序的依据。
Claims (2)
1.一种代价分析结合贝叶斯网络模型的柴油机燃油系统维修决策方法,其特征是:
(1)建立柴油机燃油系统的贝叶斯网络模型,其中外部征兆si是指高压油管油压信号的时、频域特征的异常变化,i=1,2...,7,具体包括:余波波动频率增大s1、余波振荡幅值减小s2、喷射持续期增大s3、峰值因子增大s4、峭度减小s5、针阀启喷压力减小s6、最高喷射压力减小s7,故障类型fj包括:回油孔过大f1、柱塞偶件磨损f2、出油阀失效f3、喷油孔堵塞f4、针阀上卡f5、喷油器滴漏f6、高压油管渗漏f7,j=1,2,...,7;
(2)采集柴油机高压油管压力信号,并提取压力信号的时、频域特征,具体包括:余波波动频率、余波振荡幅值、喷射持续期、峰值因子、峭度、针阀启喷压力、最高喷射压力,将提取的时、频域特征输入燃油系统贝叶斯网络模型,得到每种故障的发生概率,计算方法采用贝叶斯公式:
(3)将影响燃油系统维修操作代价的因素包括时间T、风险R、费用M、影响I进行标准化处理,将其转化为无量纲的纯数值,采用的标准化方法如公式:
式中x表示标准化前的数据,x*表示标准化后的数据,xmax表示所有数据中的最大值,xmin表示所有数据中的最小值;
(4)建立代价分析RBF神经网络模型,然后将步骤(3)中标准化后的维修操作中的时间T、风险R、费用M和影响I作为输入,将维修代价E作为输出,利用RBF神经网络对燃油系统维修操作的代价进行综合评估,获得燃油系统不同维修操作所需要的代价;
(5)采用乘法公式综合评估步骤(2)中获得的燃油系统每种故障的发生概率与相应的维修代价:
2.根据权利要求1所述的一种代价分析结合贝叶斯网络模型的柴油机燃油系统维修决策方法,其特征是:
代价分析RBF神经网络的建模过程如下:
(a)选取训练样本集Z={X1,…Xm},设置RBF神经网络的输入层节点数为4,输出层节点数为1,网络层数为3层,径向基函数为高斯函数;
(b)赋予隐层节点的连接权值wi′以任一非零常数,同时,随机从训练样本集Z中选取k个不同的训练样本作为学习中心ci″,i′=1,2,…,k,i″=1,2,…,k;
(c)依次选择输入样本Xp(p=1,…,m),采用下式识别与输入样本Xp欧氏距离最小的学习中心Ci″:
|| ||为欧氏范数;
(d)利用下式所示的方法更新学习中心ci″,其中α为学习步长,且有0<α<1:
(e)重复执行步骤(b)、步骤(c),直至学习中心ci″变化过程收敛;
(f)通过学习中心ci″确定径向基函数的方差σi″:
(g)计算在当前输入样本Xp下,神经网络的实际输出Xp′:
(h)将神经网络实际输出Xp′与期望输出Xp″相比较,获得输出残差ep:
ep=Xp″-Xp′,
在此基础上,采用最小均方差算法,调整隐层节点的连接权值wi′:
μ为学习速率,M=[M1,…,Mk]为隐层输出:Mi″=R(Xp-ci″||),R()为径向基函数;
(i)对所有输入/输出样本Xp/Xp″学习结束后,利用均方误差J,表征神经网络训练误差:
当J≤ε时,训练结束,ε为目标控制误差,否则,返回执行步骤(a)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610936327.9A CN106547967B (zh) | 2016-11-01 | 2016-11-01 | 基于代价分析的柴油机燃油系统维修决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610936327.9A CN106547967B (zh) | 2016-11-01 | 2016-11-01 | 基于代价分析的柴油机燃油系统维修决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106547967A CN106547967A (zh) | 2017-03-29 |
CN106547967B true CN106547967B (zh) | 2020-07-28 |
Family
ID=58392679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610936327.9A Active CN106547967B (zh) | 2016-11-01 | 2016-11-01 | 基于代价分析的柴油机燃油系统维修决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106547967B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109000936B (zh) * | 2018-07-18 | 2020-08-25 | 辽宁工业大学 | 一种车辆燃油故障检测方法 |
CN109598815A (zh) * | 2018-12-04 | 2019-04-09 | 中国航空无线电电子研究所 | 一种机载燃油系统耗油估计及健康监测方法 |
CN110147849B (zh) * | 2019-05-24 | 2022-03-25 | 吉林大学 | 一种强电磁脉冲下柴油发动机电控系统薄弱环节识别方法 |
CN110907063A (zh) * | 2019-12-30 | 2020-03-24 | 郑州科技学院 | 基于光线温度传感器的高压电气设备在线测温方法 |
CN111351668B (zh) * | 2020-01-14 | 2022-03-25 | 江苏科技大学 | 基于优化粒子群算法和神经网络的柴油机故障诊断方法 |
CN112377312B (zh) * | 2020-07-31 | 2021-12-24 | 西北工业大学 | 自修复并行燃料控制系统及故障判断修复方法 |
CN113410871A (zh) * | 2021-04-30 | 2021-09-17 | 广东电网有限责任公司东莞供电局 | 一种应急发电车配置方法及计算机网络系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102637019A (zh) * | 2011-02-10 | 2012-08-15 | 武汉科技大学 | 一种工业生产过程智能集成故障诊断方法及装置 |
CN102680242A (zh) * | 2012-06-06 | 2012-09-19 | 哈尔滨工程大学 | 基于群体智能的柴油机故障诊断方法 |
CN104573386A (zh) * | 2015-01-26 | 2015-04-29 | 国网四川省电力公司电力科学研究院 | 一种利用贝叶斯模型进行系统评估检测的方法 |
CN105466693A (zh) * | 2015-11-13 | 2016-04-06 | 哈尔滨工程大学 | 基于灰色模型的柴油机燃油系统故障预诊断方法 |
CN105547717A (zh) * | 2015-12-04 | 2016-05-04 | 哈尔滨工程大学 | 基于贝叶斯网络的柴油机润滑系统故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2806532A1 (en) * | 2010-07-30 | 2012-02-02 | Exxonmobil Upstream Research Company | Systems and methods for predicting well performance |
-
2016
- 2016-11-01 CN CN201610936327.9A patent/CN106547967B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102637019A (zh) * | 2011-02-10 | 2012-08-15 | 武汉科技大学 | 一种工业生产过程智能集成故障诊断方法及装置 |
CN102680242A (zh) * | 2012-06-06 | 2012-09-19 | 哈尔滨工程大学 | 基于群体智能的柴油机故障诊断方法 |
CN104573386A (zh) * | 2015-01-26 | 2015-04-29 | 国网四川省电力公司电力科学研究院 | 一种利用贝叶斯模型进行系统评估检测的方法 |
CN105466693A (zh) * | 2015-11-13 | 2016-04-06 | 哈尔滨工程大学 | 基于灰色模型的柴油机燃油系统故障预诊断方法 |
CN105547717A (zh) * | 2015-12-04 | 2016-05-04 | 哈尔滨工程大学 | 基于贝叶斯网络的柴油机润滑系统故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
基于贝叶斯网络的柴油机故障诊断研究;仝兆景等;《计算机测量与控制》;20130525;1118-1125 * |
Also Published As
Publication number | Publication date |
---|---|
CN106547967A (zh) | 2017-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106547967B (zh) | 基于代价分析的柴油机燃油系统维修决策方法 | |
CN109522600B (zh) | 基于组合深度神经网络的复杂装备剩余使用寿命预测方法 | |
Jaw | Recent advancements in aircraft engine health management (EHM) technologies and recommendations for the next step | |
Bhandari et al. | Dynamic risk‐based maintenance for offshore processing facility | |
CN110132603B (zh) | 基于并集置信规则库和蚁群算法的船舶柴油机故障定位方法 | |
Dong et al. | Signed directed graph and qualitative trend analysis based fault diagnosis in chemical industry | |
CN102521613B (zh) | 一种汽车电子系统的故障诊断方法 | |
CN103147972B (zh) | 一种基于多传感器信息融合的往复式压缩机故障诊断方法 | |
CN106778828B (zh) | 基于简化贝叶斯模型的柴油机燃油系统多故障识别方法 | |
CN111259532B (zh) | 基于3dcnn-jtfa的航空发动机控制系统传感器的故障诊断方法 | |
CN102175282B (zh) | 一种基于信息融合的离心式空气压缩机故障诊断方法 | |
CN105758645A (zh) | 一种基于概率神经网络的发动机故障诊断系统 | |
CN108445861A (zh) | 一种基于卷积神经网络算法的转辙机故障检测方法及系统 | |
CN108804740A (zh) | 基于集成改进ica-krr算法的长输管道压力监测方法 | |
Zhou | A fuzzy petri-net approach for fault analysis considering factor influences | |
CN117810491A (zh) | 一种基于深度学习的燃料电池系统故障诊断方法及系统 | |
Zaporowska et al. | A clustering approach to detect faults with multi-component degradations in aircraft fuel systems | |
CN104200266B (zh) | 一种基于可拓神经网络的烘房加热系统故障诊断方法 | |
Skaf et al. | A simple state-based prognostic model for filter clogging | |
Zhao et al. | Remote intelligent expert system for operation state of marine gas turbine engine | |
YAng et al. | A novel logic-based approach for failure modes mitigation control and quantitative system reliability analyses | |
Ai et al. | A concurrent fault diagnosis method for electric isolation valves in nuclear power plants based on rule-based reasoning and data-driven methods | |
CN115540935A (zh) | 一种新型护航舰艇压载水系统设备故障诊断方法 | |
Kong et al. | Concurrent fault diagnosis method for electric-hydraulic system: Subsea blowout preventer system as a case study | |
CN111191770A (zh) | 一种基于模糊神经网络的火箭系统健康状态评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |