CN107463938A - 一种基于间隔校正支持向量机的航空发动机气路部件故障检测方法 - Google Patents
一种基于间隔校正支持向量机的航空发动机气路部件故障检测方法 Download PDFInfo
- Publication number
- CN107463938A CN107463938A CN201710492443.0A CN201710492443A CN107463938A CN 107463938 A CN107463938 A CN 107463938A CN 201710492443 A CN201710492443 A CN 201710492443A CN 107463938 A CN107463938 A CN 107463938A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msup
- air passage
- svms
- space correction
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Engines (AREA)
Abstract
本发明公开了一种基于间隔校正支持向量机的航空发动机气路部件故障检测方法,首先对航空发动机数据(包括正常工作和故障数据)进行无量纲化处理,修正传统支持向量机中的损失函数,重新定义目标函数,然后通过计算间隔支持向量偏置的平均值,从而达到间隔校正的目的。本发明从航空发动机气路故障检测的实际需求(非平衡数据集)出发,提出利用间隔校正支持向量机对故障数据进行识别,并利用智能优化算法进行参数优化,从而为航空发动机故障检测建立最优间隔的分类模型,大幅度提高了航空发动机气路故障检测在面临“非平衡”问题下的精度和模型泛化能力,为日后故障检测系统提供技术支持。
Description
技术领域
本发明属于数据处理,是一种专门适用于航空发动机气路故障检测的计算方法,具体涉及一种基于间隔校正支持向量机的航空发动机气路部件故障检测方法。
背景技术
航空发动机作为飞机的心脏,其优良的性能是飞行器进行复杂、持久飞行任务的重要保障,也是计划、设计、研发新一代战机的首要条件。航空发动机因其结构和原理极其复杂,因而被誉为工业界内“明珠”。也正是因此,航空发动机及其相关产业成为了一个高投入、高风险、低收入的产业。对绝大多数航空运营企业来说,航空发动机的维修、运营成本往往高居不下,占总运营成本的27%以上,成为了提高企业效益的首要优化因素。近年来,航空发动机的维修和运营也摆脱了传统“预防”为主的维修思想,转为以“可靠性”为中心的管理机制。该机制通过三大方面对航空发动机进行综合管控,主要为日常状态监控、故障检测和寿命预测。其中,故障检测系统能够使用户全面了解航空发动机性能,对有可能或已存在的故障进行快速、准确的判断,从而对故障航空发动机或部件进行隔离和维修,能够更加具有计划性的确定发动机的工作范围和深度。不仅能够避免因故障引起的安全事故,还能控制成本,提高航空发动机相关企业的经济效益。
在航空发动机的所有部件中,气路部件的工作环境最为复杂。根据已获得的研究表明,在所统计的航空发动机故障数据中,气路部件最容易发生故障,占已统计总故障案例的90%以上,用于气路故障的维修费用占50%以上。因此,对气路部件性能的监控和故障检测显得尤为重要。在实际航空发动机气路部件的故障检测中,发动机正常工作数据规模非常大,气路部件故障数据相比较而言很难获得,因此形成了“非平衡数据集”,导致传统支持向量机(Support Vector Machine,简称SVM)算法失效。因此,本发明为了提高“非平衡”情况下航空发动机气路部件故障检测的准确率,提出一种基于间隔校正支持向量机(MarginCalibration Support Vector Machine,简称MCSVM)的气路部件故障检测方法。
发明内容
为了克服传统支持向量机在面对数据不平衡、高维、线性不可分时检测精度不足的缺陷,本发明提供了一种基于间隔校正支持向量机的航空发动机故障检测方法。
为实现上述目的,本发明采用如下技术方案:
一种基于间隔校正支持向量机的航空发动机气路部件故障检测方法,包括以下步骤:
步骤1:将得到的航空发动机气路部件正常工作和故障数据分为训练集和测试集,并将训练集和测试集进行无量纲化处理;
步骤2:根据步骤1所得无量纲化后的训练集建立支持向量机(SVM)模型;
步骤3:对步骤2所得SVM模型进行间隔校正,得到间隔校正支持向量机(MCSVM)模型(包括拉格朗日乘子和偏置);
步骤4:对步骤3所得MCSVM模型及其所采用的核函数参数进行优化,得到最优参数值;
步骤5:将步骤4所得最优参数值代入MCSVM模型,得到优化后的MCSVM模型(包括拉格朗日乘子和偏置);
步骤6:将测试集中样本的输入量代入到步骤5所得的优化后的MCSVM模型中,得到相应样本的预测标签;
步骤7:根据步骤6所得样本的预测标签与步骤1所得测试集的标签进行比较得到真正例、假正例和真负例;
步骤8:根据步骤7所得真正例数目、假正例数目和真负例数目来计算评估MCSVM性能的指标。
优选的,步骤3中所述MCSVM模型表示为:
约束条件为:
其中,w代表权值向量,x为样本空间,l为单位列向量,e为预测误差,yi∈{1,-1}为样本标签,b为偏置,a+、a-、c+和c-为待优化参数。
优选的,偏置b的最优偏置值的计算步骤如下:
将MCSVM模型通过拉格朗日乘子法转为对偶问题,归约为二次规划问题,表达如下:
约束条件为:
αTY=0
其中,向量Y代表由每一个样本的标签组成的标签向量,Hij=yiyjk(xi,xj),αi为拉格朗日乘子,k(·,·)为核函数。
求解上述二次规划问题得出最优拉格朗日乘子组成的向量为α*,对应α*中非零的样本构成支持向量(SVs),并进一步收集在(0,ciai)范围内的界内样本,形成间隔支持向量(MSVs),进一步计算得到最优的w*:
根据KKT条件,对于偏置b,有如下关系:
通过计算每一个间隔支持向量,得平均后的偏置b为:
则经过间隔校正后,最优偏置值为:
优选的,步骤4中所述核函数满足Mercer条件。
优选的,步骤4中所述参数优化方法采用智能优化算法中的遗传算法。
优选的,步骤8中评估MCSVM模型性能的指标为精确率、召回率和准确率,其计算公式分别如下:
本发明具有如下有益效果:本发明从航空发动机气路故障检测的实际需求(非平衡数据集)出发,提出利用间隔校正支持向量机对故障数据进行识别,并利用智能优化算法进行参数优化,从而为航空发动机故障检测建立最优间隔的分类模型,大幅度提高了航空发动机气路故障检测在面临“非平衡”问题下的精度和模型泛化能力,为日后故障检测系统提供技术支持。
附图说明
图1为本发明故障检测方法的整体示意图;
图2为SVM在气路部件故障检测中的性能表现;
图3为MCSVM在气路部件故障检测中的性能表现。
具体实施方式
本发明通过建立间隔校正支持向量机模型,对航空发动机气路部件故障进行检测,整体结构示意如图1,具体步骤如下:
第一步,数据处理
对得到的航空发动机数据(包括正常工作数据和故障数据)进行无量纲化处理。
第二步,利用MCSVM对样本进行学习
对SVM的损失函数进行修正,引入间隔校正,MCSVM可表示为:
约束条件为:
其中,w代表权值向量,x为样本空间,l为单位列向量,e为预测误差,其中存在4个待优化参数a+、a-、c+和c-。另外,还有核参数需要进行优化。然后利用智能优化算法对这些参数进行优化。
进一步,需要进行间隔校正操作,在将MCSVM通过拉格朗日乘子法转为对偶问题后,可以归约为二次规划问题,表达如下:
约束条件为:
αTY=0
其中,向量Y代表由每一个样本的标签组成的标签向量,Hij=yiyjk(xi,xj),αi为拉格朗日乘子,k(·,·)为核函数。
求解上述二次规划问题得出最优拉格朗日乘子组成的向量为α*,对应α*中非零的样本构成支持向量(SVs),并进一步收集在(0,ciai)范围内的界内样本,形成间隔支持向量(MSVs),进一步计算得到最优的w*:
由KKT条件可以得出,对于偏置b,有如下关系:
通过计算每一个间隔支持向量,可得平均后的偏置b为:
由此可得经过间隔校正后,所得最优偏置值为:
至此可得间隔校正后的MCSVM模型。
第三步,建立基于MCSVM的航空发动机气路故障检测方法。
下面给出一个算例,此算例以某型混排双转子涡轮风扇发动机为应用研究对象。MCSVM中采用的核函数是高斯径向基函数,其表达式为:
其中σ为待优化的核参数。然后采用智能优化算法中的遗传算法对这些参数进行优化,其结果如表1所示。表1列出了不同平衡度(故障数据与正常数据的比例)下所得到的优化结果。
表1
利用表1中的最优参数,对航空发动机中的四大旋转部件风扇、压气机、高压涡轮和低压涡轮进行故障检测,所示结果如图3所示。利用传统支持向量机对相同的数据进行学习和故障检测,所得结果如图2所示。图中,精确率、召回率和准确率分别为评估模型性能的指标,其计算公式分别如下:
由算例结果可得,传统的SVM算法在实际应用中性能表现欠佳,在数据集不平衡度从0.5-0.1变化的过程中,出现了失去分类能力的现象,部分部件的预测准确率低至50%以下,并且对少数类的预测效果较差,精确率普遍较低。而MCSVM则不会出现这样的问题,所有部件的预测在各个指标下均处于80%以上的范围,不会随着正负两类的样本规模差异变大而出现性能下滑的现象。由此可见,基于间隔校正支持向量机的气路部件故障检测技术在各项性能指标下均优于传统技术。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于间隔校正支持向量机的航空发动机气路部件故障检测方法,包括以下步骤:
步骤1:将得到的航空发动机气路部件正常工作和故障数据分为训练集和测试集,并将训练集和测试集进行无量纲化处理;
步骤2:根据步骤1所得无量纲化后的训练集建立支持向量机(SVM)模型;
步骤3:对步骤2所得SVM模型的损失函数进行间隔校正,得到间隔校正支持向量机(MCSVM)模型;
步骤4:对步骤3所得MCSVM模型及其所采用的核函数进行参数优化,得到最优参数值;
步骤5:将步骤4所得最优参数值代入MCSVM模型,得到优化后的MCSVM模型;
步骤6:将测试集中样本的输入量代入到步骤5所得的优化后的MCSVM模型中,得到相应样本的预测标签;
步骤7:根据步骤6所得样本的预测标签与步骤1所得测试集的标签进行比较得到真正例、假正例和真负例;
步骤8:根据步骤7所得真正例数目、假正例数目和真负例数目计算评估MCSVM性能的指标。
2.根据权利要求1所述的一种基于间隔校正支持向量机的航空发动机气路部件故障检测方法,其特征在于,步骤3中所述MCSVM模型表示为:
<mrow>
<mi>arg</mi>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>w</mi>
<mo>,</mo>
<mi>e</mi>
</mrow>
</munder>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mi>w</mi>
<mi>T</mi>
</msup>
<mi>w</mi>
<mo>+</mo>
<msup>
<mi>l</mi>
<mi>T</mi>
</msup>
<mi>e</mi>
</mrow>
约束条件为:
当i∈I+
当i∈I-
<mrow>
<msub>
<mi>e</mi>
<mi>i</mi>
</msub>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>i</mi>
</mrow>
其中,w代表权值向量,x为样本空间,l为单位列向量,e为预测误差,yi∈{1,-1}为样本标签,b为偏置,a+、a-、c+和c-为待优化参数,I+是正例样本,I-是负例样本。
3.根据权利要求2所述的一种基于间隔校正支持向量机的航空发动机气路部件故障检测方法,其特征在于,所述偏置b的最优偏置值的计算步骤如下:
将MCSVM模型通过拉格朗日乘子法转为对偶问题,表达式如下:
<mrow>
<mi>arg</mi>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mi>&alpha;</mi>
</munder>
<mi>t</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>d</mi>
<mi>i</mi>
<mi>a</mi>
<mi>g</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mi>d</mi>
<mi>i</mi>
<mi>a</mi>
<mi>g</mi>
<mo>(</mo>
<mi>a</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mi>&alpha;</mi>
<mi>T</mi>
</msup>
<mi>H</mi>
<mi>&alpha;</mi>
</mrow>
约束条件为:
<mrow>
<mn>0</mn>
<mo>&le;</mo>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>c</mi>
<mi>i</mi>
</msub>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>i</mi>
</mrow>
αTY=0
其中向量Y代表由每一个样本的标签组成的标签向量,Hij=yiyjk(xi,xj),αi为拉格朗日乘子,k(·,·)为核函数;
求解上述二次规划问题得出最优拉格朗日乘子组成的向量为α*,对应α*中非零的样本构成支持向量(SVs),并进一步收集在(0,ciai)范围内的界内样本,形成间隔支持向量(MSVs),进一步计算得到最优的w*:
根据KKT条件,对于偏置b,有如下关系:
通过计算每一个间隔支持向量,得平均后的偏置b为:
则经过间隔校正后,最优偏置值为:
<mrow>
<msup>
<mi>b</mi>
<mo>*</mo>
</msup>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<mi>a</mi>
<mo>+</mo>
</msup>
<msup>
<mi>b</mi>
<mo>+</mo>
</msup>
<mo>+</mo>
<msup>
<mi>a</mi>
<mo>-</mo>
</msup>
<msup>
<mi>b</mi>
<mo>-</mo>
</msup>
</mrow>
<mrow>
<msup>
<mi>a</mi>
<mo>+</mo>
</msup>
<mo>+</mo>
<msup>
<mi>a</mi>
<mo>-</mo>
</msup>
</mrow>
</mfrac>
<mo>.</mo>
</mrow>
4.根据权利要求1所述的一种基于间隔校正支持向量机的航空发动机气路部件故障检测方法,其特征在于,步骤4中所述核函数满足Mercer条件。
5.根据权利要求1所述的一种基于间隔校正支持向量机的航空发动机气路部件故障检测方法,其特征在于,步骤4中所述参数优化方法采用智能优化算法。
6.根据权利要求1所述的一种基于间隔校正支持向量机的航空发动机气路部件故障检测方法,其特征在于,步骤8中评估MCSVM模型性能的指标为精确率、召回率和准确率,其计算公式分别如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710492443.0A CN107463938B (zh) | 2017-06-26 | 2017-06-26 | 一种基于间隔校正支持向量机的航空发动机气路部件故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710492443.0A CN107463938B (zh) | 2017-06-26 | 2017-06-26 | 一种基于间隔校正支持向量机的航空发动机气路部件故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107463938A true CN107463938A (zh) | 2017-12-12 |
CN107463938B CN107463938B (zh) | 2021-02-26 |
Family
ID=60546150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710492443.0A Expired - Fee Related CN107463938B (zh) | 2017-06-26 | 2017-06-26 | 一种基于间隔校正支持向量机的航空发动机气路部件故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107463938B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304886A (zh) * | 2018-02-27 | 2018-07-20 | 中国民用航空飞行学院 | 航空发动机性能监控方法 |
CN108872241A (zh) * | 2018-03-30 | 2018-11-23 | 南京航空航天大学 | 一种基于svm算法的机车轮对踏面损伤检测方法 |
CN109726230A (zh) * | 2018-12-04 | 2019-05-07 | 重庆大学 | 一种大数据分析模型预测发动机性能的方法 |
CN110348079A (zh) * | 2019-06-25 | 2019-10-18 | 南京航空航天大学 | 基于机器学习算法的涡轴发动机稳态开环控制设计方法 |
CN111104971A (zh) * | 2019-12-05 | 2020-05-05 | 山东超越数控电子股份有限公司 | 一种基于概率统计和支持向量机的发动机参数检测方法 |
CN113075882A (zh) * | 2021-03-25 | 2021-07-06 | 浙江大学 | 基于非平衡态线性化的涡扇发动机多变量鲁棒变增益控制方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080081974A1 (en) * | 2006-09-29 | 2008-04-03 | Nellcor Puritan Bennett Incorporated | Pathological condition detector using kernel methods and oximeters |
CN101241358A (zh) * | 2006-11-10 | 2008-08-13 | 洛克威尔自动控制技术股份有限公司 | 用于嵌入式历史记录组件的可调整数据收集速率 |
CN102331543A (zh) * | 2011-06-23 | 2012-01-25 | 上海市安全生产科学研究所 | 基于支持向量机的故障电弧检测方法 |
CN103398843A (zh) * | 2013-07-01 | 2013-11-20 | 西安交通大学 | 基于多分类相关向量机的行星齿轮箱太阳轮故障分类方法 |
CN104616033A (zh) * | 2015-02-13 | 2015-05-13 | 重庆大学 | 基于深度学习和支持向量机的滚动轴承故障诊断方法 |
CN104679860A (zh) * | 2015-02-27 | 2015-06-03 | 北京航空航天大学 | 一种不平衡数据的分类方法 |
CN104751182A (zh) * | 2015-04-02 | 2015-07-01 | 中国人民解放军空军工程大学 | 基于ddag的svm多类分类主动学习算法 |
CN106053067A (zh) * | 2016-05-24 | 2016-10-26 | 广东石油化工学院 | 基于量子遗传算法优化支持向量机的轴承故障诊断方法 |
CN106705999A (zh) * | 2016-12-21 | 2017-05-24 | 南京航空航天大学 | 一种无人机陀螺仪故障的诊断方法 |
-
2017
- 2017-06-26 CN CN201710492443.0A patent/CN107463938B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080081974A1 (en) * | 2006-09-29 | 2008-04-03 | Nellcor Puritan Bennett Incorporated | Pathological condition detector using kernel methods and oximeters |
CN101241358A (zh) * | 2006-11-10 | 2008-08-13 | 洛克威尔自动控制技术股份有限公司 | 用于嵌入式历史记录组件的可调整数据收集速率 |
CN102331543A (zh) * | 2011-06-23 | 2012-01-25 | 上海市安全生产科学研究所 | 基于支持向量机的故障电弧检测方法 |
CN103398843A (zh) * | 2013-07-01 | 2013-11-20 | 西安交通大学 | 基于多分类相关向量机的行星齿轮箱太阳轮故障分类方法 |
CN104616033A (zh) * | 2015-02-13 | 2015-05-13 | 重庆大学 | 基于深度学习和支持向量机的滚动轴承故障诊断方法 |
CN104679860A (zh) * | 2015-02-27 | 2015-06-03 | 北京航空航天大学 | 一种不平衡数据的分类方法 |
CN104751182A (zh) * | 2015-04-02 | 2015-07-01 | 中国人民解放军空军工程大学 | 基于ddag的svm多类分类主动学习算法 |
CN106053067A (zh) * | 2016-05-24 | 2016-10-26 | 广东石油化工学院 | 基于量子遗传算法优化支持向量机的轴承故障诊断方法 |
CN106705999A (zh) * | 2016-12-21 | 2017-05-24 | 南京航空航天大学 | 一种无人机陀螺仪故障的诊断方法 |
Non-Patent Citations (7)
Title |
---|
CHAN-YUN YANG 等,: ""Margin calibration in SVM class-imbalanced learning"", 《NEUROCOMPUTING》 * |
RUKSHAN BATUWITA 等: ""Class Imbalance Learning Methods for Support Vector Machines"", 《WILEY ONLINE LIBRARY》 * |
孙甲男: "基于数据驱动的发动机故障诊断研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
徐启华 等: ""一种新型多分类支持向量算法及其在故障诊断中的应用"", 《系统仿真学报》 * |
杨悦 等: ""基于非等间隔校正的SIFFT星机联合SAR成像算法"", 《电子学报》 * |
洪淑芳: ""基于支持向量机的不平衡数据分类算法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
王波 等: ""联合OC-SVM和MC-SVM的图像来源取证方法"", 《计算机研究与发展》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304886A (zh) * | 2018-02-27 | 2018-07-20 | 中国民用航空飞行学院 | 航空发动机性能监控方法 |
CN108872241A (zh) * | 2018-03-30 | 2018-11-23 | 南京航空航天大学 | 一种基于svm算法的机车轮对踏面损伤检测方法 |
CN109726230A (zh) * | 2018-12-04 | 2019-05-07 | 重庆大学 | 一种大数据分析模型预测发动机性能的方法 |
CN109726230B (zh) * | 2018-12-04 | 2021-06-01 | 重庆大学 | 一种大数据分析模型预测发动机性能的方法 |
CN110348079A (zh) * | 2019-06-25 | 2019-10-18 | 南京航空航天大学 | 基于机器学习算法的涡轴发动机稳态开环控制设计方法 |
CN111104971A (zh) * | 2019-12-05 | 2020-05-05 | 山东超越数控电子股份有限公司 | 一种基于概率统计和支持向量机的发动机参数检测方法 |
CN111104971B (zh) * | 2019-12-05 | 2023-07-07 | 超越科技股份有限公司 | 一种基于概率统计和支持向量机的发动机参数检测方法 |
CN113075882A (zh) * | 2021-03-25 | 2021-07-06 | 浙江大学 | 基于非平衡态线性化的涡扇发动机多变量鲁棒变增益控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107463938B (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107463938A (zh) | 一种基于间隔校正支持向量机的航空发动机气路部件故障检测方法 | |
CN106371427B (zh) | 基于层次分析法和模糊融合的工业过程故障分类方法 | |
CN108681633B (zh) | 一种基于状态参数的凝结水泵故障预警方法 | |
Kaneko et al. | Development of a new soft sensor method using independent component analysis and partial least squares | |
de la Hermosa González | Wind farm monitoring using Mahalanobis distance and fuzzy clustering | |
CN105893700A (zh) | 基于物理-大数据混合模型的化工生产在线故障检测与诊断技术 | |
CN105893231A (zh) | 一种基于smart的预测硬盘亚健康指标的方法及装置 | |
CN110400231B (zh) | 一种加权非线性贝叶斯的电能计量设备失效率预估方法 | |
CN104677997B (zh) | 一种变压器油色谱在线监测差异化预警方法 | |
CN103631681A (zh) | 一种在线修复风电场异常数据的方法 | |
CN110059714A (zh) | 基于多分类支持向量机的变压器故障诊断方法 | |
CN107710089B (zh) | 工厂设备诊断装置以及工厂设备诊断方法 | |
CN105242155A (zh) | 一种基于熵权法和灰色关联分析的变压器故障诊断方法 | |
CN104281779A (zh) | 一种异常数据判定与处理方法及装置 | |
CN109636110A (zh) | 一种获取继电保护装置运行状态的方法及装置 | |
CN109144028A (zh) | 一种精馏塔能效退化检测方法 | |
CN111352408A (zh) | 一种基于证据k近邻的多工况流程工业过程故障检测方法 | |
CN109559019A (zh) | 一种基于风险指数的电力系统动态安全评估方法 | |
JP2018081350A (ja) | 運転支援装置及びプログラム | |
CN103616889B (zh) | 一种重构样本中心的化工过程故障分类方法 | |
WO2019003703A1 (ja) | 診断装置及び診断方法 | |
CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
CN116416078A (zh) | 用于维修资金账务安全的审计监管方法 | |
CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 | |
Liu et al. | Similar or unknown fault mode detection of aircraft fuel pump using transfer learning with subdomain adaption |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210226 Termination date: 20210626 |