CN107991876A - 基于生成式对抗网络的航空发动机状态监测数据生成方法 - Google Patents
基于生成式对抗网络的航空发动机状态监测数据生成方法 Download PDFInfo
- Publication number
- CN107991876A CN107991876A CN201711337755.0A CN201711337755A CN107991876A CN 107991876 A CN107991876 A CN 107991876A CN 201711337755 A CN201711337755 A CN 201711337755A CN 107991876 A CN107991876 A CN 107991876A
- Authority
- CN
- China
- Prior art keywords
- network
- condition monitoring
- aero
- data
- monitoring 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02C—GAS-TURBINE PLANTS; AIR INTAKES FOR JET-PROPULSION PLANTS; CONTROLLING FUEL SUPPLY IN AIR-BREATHING JET-PROPULSION PLANTS
- F02C9/00—Controlling gas-turbine plants; Controlling fuel supply in air- breathing jet-propulsion plants
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了基于生成式对抗网络的航空发动机状态监测数据生成方法,对航空发动机状态监测参数排气温度裕度、滑油压力、高压转子转速偏差、燃油消耗量偏差、低压转子振动值偏差和高压转子振动值偏差,采用生成式对抗网络理论,设计生成航空发动机状态监测数据模型;建立基于生成网络及判别网络的生成航空发动机状态监测数据的对数似然函数;针对航空发动机状态监测参数,分别建立生成网络及判别网络的目标函数,最终建立生成式对抗网络的目标函数;根据生成式对抗网络目标函数,确立生成状态监测数据的网络对抗训练的收敛标准;对生成式网络进行网络对抗训练并生成航空发动机状态监测数据;对生成数据运用拉依达准则进行异常值剔除及数据分析。
Description
技术领域
本发明属于航空发动机状态监测技术领域,具体涉及一种基于生成式对抗网络的航空发动机状态监测数据生成方法。
背景技术
以大数据为代表的人工智能技术为从状态监测信息全面表征航空发动机状态提供了可能。但这些算法的前提都是以大数据为基础,因此如何获取足够样本量的监测数据成为制约其应用的瓶颈。航空发动机作为飞机的“心脏”,是高度集成的复杂系统,提高航空发动机运行可靠性、安全性、维修性及经济性是航空公司、航空发动机制造商和维修厂家共同关注的问题。由于监测成本的制约和运行环境的影响,导致航空发动机状态监测数据存在着有限性和不确定等诸多问题,难以支撑准确表征运行状态和评估可靠性的要求。
航空发动机在运行过程中,其各种状态监测参数反映了发动机可靠性水平。采集状态监测数据作为航空发动机状态监测的核心,由于采集数据样本量过小其复杂性体现在以下三方面,一是航空发动机状态监测过程中某些性能参数的敏感性不同;二是各个状态参数具有一定的关联性;三是状态监测数据采集环境的不同且不同的监测参数服从不同的统计分布;以上因素都影响了航空发动机状态监测数据的不确定性,进而影响了发动机可靠性评估的准确性。
发明内容
本发明为了解决航空发动机运行过程发动机状态监测参数数据量过小导致不能够准确预测其可靠性的问题,提供了基于生成式对抗网络的航空发动机状态监测数据生成方法。
本发明提出的基于生成式对抗网络的航空发动机状态监测数据生成方法,包括以下步骤:
1)针对航空发动机状态监测参数,以生成式对抗网络理论为基础,设计生成航空发动机状态监测数据模型;
2)建立基于生成网络及判别网络的生成航空发动机状态监测数据的对数似然函数;
3)针对航空发动机状态监测参数,分别建立生成网络及判别网络的目标函数,最终建立生成式对抗网络的目标函数;
4)根据建立的生成式对抗网络目标函数,确立生成状态监测数据的网络对抗训练的收敛标准;
5)对建立的生成式网络进行网络对抗训练并生成航空发动机状态监测数据;
6)针对生成数据运用拉依达准则进行异常值剔除及数据分析。
步骤1)所述的不同的状态监测参数包括排气温度裕度、滑油压力、高压转子转速偏差、燃油消耗量偏差、低压转子振动值偏差、高压转子振动值偏差。
步骤2)所述的生成网络和判别网络由多层神经网络构成,其网络参数包括神经元个数及层数。
步骤5)所述的生成式对抗网络训练是基于步骤3)中的生成式对抗网络的目标函数及步骤4)中的收敛标准,其网络训练过程如下:
1)获取与航空发动机状态监测数据样本匹配的噪声样本集{z1,...,zm};
2)从生成的监测数据分布中,获取与原始数据样本匹配的样本S={x1,...,xm};
3)针对状态监测数据,通过生成对抗网络梯度下降法更新判别网络,其梯度计算公式为
4)网络迭代直到Pg=Pdata(x),表示梯度下降法更新生成网络时的最大化判别误差。
有益效果:本发明提供的基于生成式对抗网络的航空发动机状态监测数据生成方法,与现有技术相比,具有以下优势:
1)生成式对抗网络比信念网络能够更快的生成航空发动机状态监测数据样本。
2)生成式对抗网络不需要采用蒙特卡洛估计法来对网络进行训练,与训练依赖于蒙特卡洛估计法和对数配分函数的玻尔兹曼机相比,生成式对抗网络训练效率更高。
3)相比于变分自编码器,生成式对抗网络没有引入任何决定性偏置,由于变分方法引入决定性偏置,生成式对抗网络比变分自编码器生成的数据更加精确可靠。
4)生成式对抗网络不仅不要求生成器输入的潜在变量有任何特定的维度,而且不要求生成器是可逆的。再者,生成式对抗网络生成数据的过程只需要模型运行一次,而不是以马尔科夫链的形式迭代很多次。
附图说明
图1为基于生成式对抗网络的航空发动机状态监测数据生成方法示意图。
具体实施方式
本发明提出了基于生成式对抗网络的航空发动机状态监测数据生成方法,其步骤如下:针对航空发动机状态监测参数排气温度裕度、滑油压力、高压转子转速偏差、燃油消耗量偏差、低压转子振动值偏差和高压转子振动值偏差,采用生成式对抗网络理论,设计生成航空发动机状态监测数据模型;建立基于生成网络及判别网络的生成航空发动机状态监测数据的对数似然函数;针对航空发动机状态监测参数,分别建立生成网络及判别网络的目标函数,最终建立生成式对抗网络的目标函数;根据生成式对抗网络目标函数,确立生成状态监测数据的网络对抗训练的收敛标准;对生成式网络进行网络对抗训练并生成航空发动机状态监测数据;对生成数据运用拉依达准则进行异常值剔除及数据分析。
下面结合附图和实施例对本发明作更进一步的说明。
实施例
针对航空发动机状态监测过程中,存在着多种监测参数,利用生成式对抗网络生成监测数据,其实施过程可以分为以下6个步骤,如图1所示。
1.针对航空发动机状态监测参数排气温度裕度、滑油压力、高压转子转速偏差、燃油消耗量偏差、低压转子振动值偏差、高压转子振动值偏差,以生成式对抗网络理论为基础,设计生成航空发动机状态监测数据模型。
2.建立基于生成网络及判别网络的生成航空发动机状态监测数据的对数似然函数
为了构造基于生成网络及判别网络的生成航空发动机状态监测数据的对数似然函数,生成网络及判别网络由多层神经网络构成,其网络参数包括神经元个数及层数。假设有包含m个状态监测数据,构建训练集S={x1,...,xm}。在此,在保证模型复杂度的前提下,任给一种概率密度函数Pz(z),其相应的概率分布越简单越好,网络训练效果越好。通常利用随机变量z~Pz(z)采样得到m个噪声数据样本{z1,...,zm},其数据空间映射为G(z),D(x)为多层判别网络的输出数据,其网络模型参数分别为θg,θd。生成航空发动机状态监测数据的似然函数表示为
根据大数定律,当m趋近于无穷时,并用经验损失来近似期望损失,生成航空发动机状态监测数据的对数似然函数表示为式中Pdata(x)为状态监测数据概率密度函数,Pz(z)为生成数据的概率分布,也可用Pg来表示。
3.针对航空发动机状态监测参数,分别建立生成网络、判别网络的目标函数及生成式对抗网络的目标函数;
1)建立生成网络目标函数
生成网络模型通过训练大量的数据,学习自身模型,最后通过自身模型产生逼近状态监测数据分布的模拟分布。生成网络的目标函数为
2)建立判别网络目标函数
判别模型是一个二分类器,它估计一个样本数据来自于航空发动机监测数据的概率,如果样本来自于航空发动机监测数据,则判别模型输出大概率,否则,输出小概率。判别网络的目标函数为
3)建立生成式对抗网络目标函数
结合生成模型与判别模型的目标函数,在优化G的时候,判别网络不变,这个时候只有生成的数据样本,但是这个时候是希望生成数据样本的标签是1,所以是D(G(z))越大越好,但是为了统一成1-D(G(z))的形式,那么只能是最小化1-D(G(z)),其本质上没有区别,只是为了形式的统一。之后将这两个网络模型合并起来就得到生成式对抗网络目标函数为
4.确立生成状态监测数据的网络对抗训练的收敛标准
因为生成模型G是从噪声z~Pz(z)到样本G(z)的映射,所以生成模型函数G(z)实际上隐式定义了生成数据的概率分布Pg,其目标是最大化目标函数V(G,D)。
设χ和Ω分别为航空发动机状态监测数据和噪音数据的积分域,目标函数表示为V(G,D)=∫χPdata(x)log(D(x))dx+∫ΩPz(z)log(1-D(G(z)))dz。
因为数据分布是确定的,所以Pdata和Pg都是非零定函数,最终目标是得到一个函数使得V(G,D)最大。由此,根据公式得到极大值点为D* G(x)。然后将目标函数V(G,D)重新形式化为C(G)。
C(G)表示为
对于生成式对抗网络训练的稳定性,其网络训练的目的并不和传统的神经网络算法相同,生成式对抗网络的全局最小点的充分必要条件为:Pg=Pdata(x)。在网络对抗训练过程中,Pg不断地接近Pdata,是监测参数的对抗网络收敛标准。
5.生成式网络对抗训练及航空发动机状态监测数据生成
生成式对抗网络在训练过程中生成网络和判别网络构成了一个动态的网络训练过程,最后训练的结果是:在最理想的状态下,生成网络可以生成逼近状态监测数据分布的模拟分布。对于判别网络来说,它难以判定生成的数据究竟是不是真实的状态监测数据样本,因此D(G(z))=0.5,这样就得到了一个生成式对抗网络的模型,它可以用来生成航空发动机状态监测数据。其生成式对抗网络训练步骤如下:
1)获取与航空发动机状态监测数据样本匹配的噪声样本集{z1,...,zm};
2)从生成的监测数据分布中,获取与原始数据样本匹配的样本S={x1,...,xm};
3)针对状态监测数据,通过生成对抗网络梯度下降法更新判别网络,其梯度计算公式为
4)网络迭代直到Pg=Pdata(x),表示梯度下降法更新生成网络时的最大化判别误差。
训练G网络的目的:D(G(z))是D网络判断G生成的数据是否为航空发动机状态监测数据的概率,G应该希望自己生成的数据越接近航空发动机状态监测数据越好。也就是说,G希望D(G(z))尽可能得大,这时V(G,D)会变小。训练D网络的目的:D的判别能力越强,D(x)应该越大,这时V(G,D)会大。
为了便于网络训练及推导出优化目标,是先对先对D优化至一定的步长,然后再进行对G的优化,所以只要G变化得足够缓慢,D总是在最优解的附近变化。这样交叉地训练G和D能够形式化得到的理想的网络博弈过程。G和D都有一定的学习能力,那么G,D都可以达到最优极值点,并生成最优的航空发动机状态监测数据,而且Pg依照公式进行目标函数优化,最终Pg可以收敛到Pdata。
6.生成的航空发动机状态监测数据分析
在对于生成的航空发动机状态监测数据处理时,结合具体实际情况,根据拉依达准则(3δ)分析生成的航空发动机状态监测数据进行异常值判别,应剔除异常值。
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 (9)
1.一种基于生成式对抗网络的航空发动机状态监测数据生成方法,其特征在于:包括以下步骤:
1)针对航空发动机状态监测参数,以生成式对抗网络理论为基础,设计生成航空发动机状态监测数据模型;
2)建立基于生成网络及判别网络的生成航空发动机状态监测数据的对数似然函数;
3)针对航空发动机状态监测参数,分别建立生成网络及判别网络的目标函数,最终建立生成式对抗网络的目标函数;
4)根据建立的生成式对抗网络目标函数,确立生成状态监测数据的网络对抗训练的收敛标准;
5)对建立的生成式网络进行网络对抗训练并生成航空发动机状态监测数据;
6)针对生成数据运用拉依达准则进行异常值剔除及数据分析。
2.根据权利要求1所述的基于生成式对抗网络的航空发动机状态监测数据生成方法,其特征在于:在所述步骤1)中,所针对不同的状态监测参数包括排气温度裕度、滑油压力、高压转子转速偏差、燃油消耗量偏差、低压转子振动值偏差、高压转子振动值偏差。
3.根据权利要求1所述的基于生成式对抗网络的航空发动机状态监测数据生成方法,其特征在于:在所述步骤2)中,生成网络及判别网络由多层神经网络构成,其网络参数包括神经元个数及层数,确立网络参数后分别针对步骤1)中的航空发动机状态监测参数,建立基于生成网络及判别网络的生成航空发动机状态监测数据的对数似然函数,表示为式中,G(z)为噪声样本集的数据空间映射,D(x)为多层判别网络的输出数据,Pdata(x)为状态监测数据概率密度函数,Pz(z)为生成数据的概率分布。
4.根据权利要求1所述的基于生成式对抗网络的航空发动机状态监测数据生成方法,其特征在于:所述步骤3)的具体方法为:
3.1)建立生成网络目标函数
生成网络模型通过自身模型产生逼近状态监测数据分布的模拟分布,生成网络的目标函数为
3.2)建立判别网络目标函数
判别模型估计一个样本数据来自于航空发动机监测数据的概率,如果样本来自于航空发动机监测数据,则判别模型输出大概率,否则,输出小概率;判别网络的目标函数为
3.3)建立生成式对抗网络目标函数
结合生成模型与判别模型的目标函数,得到生成式对抗网络目标函数为
其中,G(z)为噪声样本集的数据空间映射,D(x)为多层判别网络的输出数据,Pdata(x)为状态监测数据概率密度函数,Pz(z)为生成数据的概率分布。
5.根据权利要求1所述的基于生成式对抗网络的航空发动机状态监测数据生成方法,其特征在于:在所述步骤4)中,生成式对抗网络的全局最小点的充分必要条件为:Pg=Pdata(x),也就是在网络对抗训练过程中,生成数据的概率分布Pg不断地接近状态监测数据概率密度函数Pdata是监测参数的对抗网络收敛标准。
6.根据权利要求1所述的基于生成式对抗网络的航空发动机状态监测数据生成方法,其特征在于:在所述步骤5)中,针对步骤3)中所建立的生成式对抗网络,进行网络对抗训练直至步骤4)中的收敛标准,并生成航空发动机状态监测数据。
7.根据权利要求1或6所述的基于生成式对抗网络的航空发动机状态监测数据生成方法,其特征在于:所述步骤5)中,网络对抗训练过程如下;
5.1)获取与航空发动机状态监测数据样本匹配的噪声样本集{z1,...,zm},其中,m表示样本个数;
5.2)从生成的监测数据分布中,获取与原始数据样本匹配的样本S={x1,...,xm};
5.3)针对状态监测数据,通过生成对抗网络梯度下降法更新判别网络,其梯度计算公式为其中,G(z)为噪声样本集的数据空间映射,D(x)为多层判别网络的输出数据,θg、θd分别为噪声样本集的网络模型参数,表示梯度下降法更新生成网络时的最大化判别误差;
5.4)网络迭代直到Pg=Pdata(x),Pdata(x)为状态监测数据概率密度函数,Pg为生成数据的概率分布。
8.根据权利要求7所述的基于生成式对抗网络的航空发动机状态监测数据生成方法,其特征在于:Pg依照公式进行目标函数优化,最终Pg收敛到Pdata,其中,D* G(x)为极大值点,
9.根据权利要求1所述的基于生成式对抗网络的航空发动机状态监测数据生成方法,其特征在于:所述步骤6)中,根据拉依达准则分析生成的航空发动机状态监测数据进行异常值判别,剔除异常值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711337755.0A CN107991876A (zh) | 2017-12-14 | 2017-12-14 | 基于生成式对抗网络的航空发动机状态监测数据生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711337755.0A CN107991876A (zh) | 2017-12-14 | 2017-12-14 | 基于生成式对抗网络的航空发动机状态监测数据生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107991876A true CN107991876A (zh) | 2018-05-04 |
Family
ID=62038391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711337755.0A Pending CN107991876A (zh) | 2017-12-14 | 2017-12-14 | 基于生成式对抗网络的航空发动机状态监测数据生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107991876A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647786A (zh) * | 2018-07-10 | 2018-10-12 | 电子科技大学 | 基于深度卷积对抗神经网络的旋转机械在线故障监测方法 |
CN109584221A (zh) * | 2018-11-16 | 2019-04-05 | 聚时科技(上海)有限公司 | 一种基于监督式生成对抗网络的异常图像检测方法 |
CN111355675A (zh) * | 2020-03-11 | 2020-06-30 | 南京航空航天大学 | 一种基于生成对抗网络的信道估计增强方法、装置和系统 |
WO2020181962A1 (zh) * | 2019-03-13 | 2020-09-17 | 南京航空航天大学 | 一种对抗网络自编码器的卫星异常检测方法及系统 |
CN112183872A (zh) * | 2020-10-10 | 2021-01-05 | 东北大学 | 结合生成对抗网络与神经网络的高炉煤气发生量预测方法 |
CN112581719A (zh) * | 2020-11-05 | 2021-03-30 | 清华大学 | 基于时序生成对抗网络的半导体封装过程预警方法和装置 |
CN112883656A (zh) * | 2021-04-14 | 2021-06-01 | 北京理工大学 | 一种基于正常运行数据的动力舱失效风险评价方法 |
CN112991579A (zh) * | 2021-01-14 | 2021-06-18 | 北京航空航天大学 | 一种基于生成对抗网络的直升机动部件异常检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106803082A (zh) * | 2017-01-23 | 2017-06-06 | 重庆邮电大学 | 一种基于条件式生成对抗网络的在线笔迹识别方法 |
CN107180392A (zh) * | 2017-05-18 | 2017-09-19 | 北京科技大学 | 一种电力企业电费回收数据模拟方法 |
CN107194418A (zh) * | 2017-05-10 | 2017-09-22 | 中国科学院合肥物质科学研究院 | 一种基于对抗特征学习的水稻蚜虫检测方法 |
CN107368475A (zh) * | 2017-07-18 | 2017-11-21 | 中译语通科技(北京)有限公司 | 一种基于生成对抗神经网络的机器翻译方法和系统 |
CN107437077A (zh) * | 2017-08-04 | 2017-12-05 | 深圳市唯特视科技有限公司 | 一种基于生成对抗网络的旋转面部表示学习的方法 |
-
2017
- 2017-12-14 CN CN201711337755.0A patent/CN107991876A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106803082A (zh) * | 2017-01-23 | 2017-06-06 | 重庆邮电大学 | 一种基于条件式生成对抗网络的在线笔迹识别方法 |
CN107194418A (zh) * | 2017-05-10 | 2017-09-22 | 中国科学院合肥物质科学研究院 | 一种基于对抗特征学习的水稻蚜虫检测方法 |
CN107180392A (zh) * | 2017-05-18 | 2017-09-19 | 北京科技大学 | 一种电力企业电费回收数据模拟方法 |
CN107368475A (zh) * | 2017-07-18 | 2017-11-21 | 中译语通科技(北京)有限公司 | 一种基于生成对抗神经网络的机器翻译方法和系统 |
CN107437077A (zh) * | 2017-08-04 | 2017-12-05 | 深圳市唯特视科技有限公司 | 一种基于生成对抗网络的旋转面部表示学习的方法 |
Non-Patent Citations (3)
Title |
---|
徐一峰: "生成对抗网络理论模型和应用综述", 《金华职业技术学院学报》 * |
洪洋等: "深度卷积对抗生成网络综述", 《第18届中国系统仿真技术及其应用学术年会》 * |
王坤峰等: "生成式对抗网络GAN的研究进展与展望", 《自动化学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647786A (zh) * | 2018-07-10 | 2018-10-12 | 电子科技大学 | 基于深度卷积对抗神经网络的旋转机械在线故障监测方法 |
CN109584221A (zh) * | 2018-11-16 | 2019-04-05 | 聚时科技(上海)有限公司 | 一种基于监督式生成对抗网络的异常图像检测方法 |
CN109584221B (zh) * | 2018-11-16 | 2020-07-28 | 聚时科技(上海)有限公司 | 一种基于监督式生成对抗网络的异常图像检测方法 |
WO2020181962A1 (zh) * | 2019-03-13 | 2020-09-17 | 南京航空航天大学 | 一种对抗网络自编码器的卫星异常检测方法及系统 |
CN111355675A (zh) * | 2020-03-11 | 2020-06-30 | 南京航空航天大学 | 一种基于生成对抗网络的信道估计增强方法、装置和系统 |
CN111355675B (zh) * | 2020-03-11 | 2021-05-18 | 南京航空航天大学 | 一种基于生成对抗网络的信道估计增强方法、装置和系统 |
CN112183872A (zh) * | 2020-10-10 | 2021-01-05 | 东北大学 | 结合生成对抗网络与神经网络的高炉煤气发生量预测方法 |
CN112581719A (zh) * | 2020-11-05 | 2021-03-30 | 清华大学 | 基于时序生成对抗网络的半导体封装过程预警方法和装置 |
CN112991579A (zh) * | 2021-01-14 | 2021-06-18 | 北京航空航天大学 | 一种基于生成对抗网络的直升机动部件异常检测方法 |
CN112883656A (zh) * | 2021-04-14 | 2021-06-01 | 北京理工大学 | 一种基于正常运行数据的动力舱失效风险评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107991876A (zh) | 基于生成式对抗网络的航空发动机状态监测数据生成方法 | |
CN102647292B (zh) | 一种基于半监督神经网络模型的入侵检测方法 | |
CN105973594B (zh) | 一种基于连续深度置信网络的滚动轴承故障预测方法 | |
CN108931387B (zh) | 提供准确诊断决策的基于多传感器信号分析的故障诊断方法 | |
CN101587155B (zh) | 一种油浸式变压器的故障诊断方法 | |
CN104330721B (zh) | 集成电路硬件木马检测方法和系统 | |
CN110702418A (zh) | 航空发动机故障预测方法 | |
CN106443447B (zh) | 一种基于iSDAE的航空发电机故障特征提取方法 | |
CN111680875B (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 | |
CN106470122B (zh) | 一种网络故障定位方法及装置 | |
CN109597401A (zh) | 一种基于数据驱动的设备故障诊断方法 | |
CN107153759B (zh) | 一种多源数据融合的航空涡扇发动机剩余寿命预测方法 | |
CN110455537A (zh) | 一种轴承故障诊断方法及系统 | |
CN111126820B (zh) | 反窃电方法及系统 | |
CN102609612B (zh) | 一种用于多参数仪表检定的数据融合方法 | |
CN101404071A (zh) | 基于分组粒子群算法的电子电路故障诊断神经网络方法 | |
CN105606914A (zh) | 一种基于iwo-elm的航空功率变换器故障诊断方法 | |
CN105572572A (zh) | 基于wknn-lssvm的模拟电路故障诊断方法 | |
Куравский et al. | Synthesis and identification of hidden Markov models based on a novel statistical technique in condition monitoring | |
CN112800682A (zh) | 一种反馈寻优的风机叶片故障监测方法 | |
Shang et al. | Fault diagnosis method of rolling bearing based on deep belief network | |
Xu et al. | Oversmoothing relief graph convolutional network-based fault diagnosis method with application to the rectifier of high-speed trains | |
Ducoffe et al. | Anomaly detection on time series with Wasserstein GAN applied to PHM | |
Su | Analysis of optimisation method for online education data mining based on big data assessment technology | |
Li et al. | Aero-engine exhaust gas temperature prediction based on LightGBM optimized by improved bat algorithm |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180504 |