CN108427400B - 一种基于神经网络解析冗余的飞机空速管故障诊断方法 - Google Patents

一种基于神经网络解析冗余的飞机空速管故障诊断方法 Download PDF

Info

Publication number
CN108427400B
CN108427400B CN201810260867.9A CN201810260867A CN108427400B CN 108427400 B CN108427400 B CN 108427400B CN 201810260867 A CN201810260867 A CN 201810260867A CN 108427400 B CN108427400 B CN 108427400B
Authority
CN
China
Prior art keywords
fault
neural network
airspeed head
output
airspeed
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
Application number
CN201810260867.9A
Other languages
English (en)
Other versions
CN108427400A (zh
Inventor
刘贞报
王莉娜
孙高远
安帅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201810260867.9A priority Critical patent/CN108427400B/zh
Publication of CN108427400A publication Critical patent/CN108427400A/zh
Application granted granted Critical
Publication of CN108427400B publication Critical patent/CN108427400B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24065—Real time diagnostics

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提出一种基于神经网络解析冗余输出的飞机空速管故障诊断方法，获取飞机空速管在正常工作情况下输入与输出的充足的历史数据，建立描述空速管输入输出特性的非线性神经网络模型，并利用采集的正常情况下的输入输出的历史训练数据对神经网络模型进行训练，从而构建飞机空速管的神经网络解析模型。在确定空速管常见的故障模式后采集空速管实际输出与神经网络模型解析输出的信号的残差数据，当该残差数据大于容限值时则认为空速管中出现故障，然后利用空速管实际输出与神经网络模型解析输出信号经过一元线性回归的方式进行故障特征参数辨识，从而识别空速管中发生的故障类别，实现飞机空速管故障诊断。

Description

一种基于神经网络解析冗余的飞机空速管故障诊断方法
技术领域
本发明涉及飞机空速管的故障诊断方法，具体为一种基于神经网络解析冗余的飞机空速管故障诊断方法。
背景技术
随着飞机，尤其是大型飞机系统、结构、功能越来越复杂，飞行包线不断扩张以及执行任务效能的提高，研制具有故障自检测与自诊断的高可靠性的飞机自主诊断系统已经成为时代发展的需要。飞机的大气数据惯性基准系统是飞机在姿态控制、轨迹控制和任务执行等过程中的主要飞行数据获取来源，其可靠性是飞机安全飞行的关键。大气数据惯性基准系统一旦出现突发故障，很可能对飞机的安全飞行产生致命的影响。因此对飞机大气数据惯性基准系统进行故障检测与诊断是十分重要的。对该系统进行状态监测和故障诊断已经成为维护飞机的安全飞行以及基于状态维修的必要的手段。
在飞机的大气数据惯性基准系统中，空速管作为测量飞机空速的关键元件，是大气数据惯性基准系统非常重要的组成部分，同时由于平常暴露于严酷的大气环境中，因此也是非常容易发生故障的。由于大气数据计算机、飞控计算机等都需要接受空速管的输出数据，从而解算必要的飞行参数，空速管一旦发生故障会严重威胁飞机的飞行安全。因此开发出安全、高效的故障诊断系统对飞机空速管进行故障检测与诊断，进而为系统的重构以及容错处理提供相关依据，对于保证飞机的安全可靠飞行以及提高飞机维护效率具有重要意义。
发明内容
为了实现对飞机空速管的故障检测与诊断问题，本发明提出了一种基于神经网络解析冗余的飞机空速管故障诊断方法，作为一种飞机空速管状态监测与故障诊断的手段。相比于传统故障检测与诊断方式，它可以针对空速管常见的故障模式进行实时监控、检测与及时诊断。该系统可以集成与飞机的飞行管理系统中，提高空速管故障诊断的时效性。
现有的飞机空速管监控和故障诊断方法主要是建立空速管的物理仿真模型作为空速管的解析冗余，并获取与实际空速管输出信号的残差数据进行故障检测。然而飞机的空速管是一种非线性系统，结构较为复杂，系统参数甚至可能会随时间不断变化，因此基于物理模型的系统建模难以准确刻画空速管的输入输出特性。相较于传统方法，本发明中提出的基于神经网络模型的故障检测方案可以针对复杂的非线性系统进行建模，更准确地刻画所监测空速管的输入输出特性从而提高故障检测的准确率。
本发明的技术方案为：
所述一种基于神经网络解析冗余的飞机空速管故障诊断方法，其特征在于：包括以下步骤：
步骤1：确定飞机空速管的故障模式集，并建立统一的故障模型数学表达式；确定每种故障模式下，故障模型数学表达式的参数取值；
步骤2：在空速管正常工作的情况下，采集输入与输出数据作为历史训练数据，用于训练神经网络模型；输入数据为飞机飞行状态数据，输出数据为空速管输出数据；
步骤3：建立监测空速管的神经网络模型，利用步骤2采集的历史训练数据对所构建的神经网络模型进行训练，确定空速管输入与输出的非线性函数关系；
步骤4：监测实际空速管输出与神经网络解析模型输出信号的残差数据，当残差数据在设定的时间段内均超过设定的容限值时，认为被监测的空速管出现故障；
步骤5：在监测到实际空速管出现故障后，采集空速管实际的输入与输出信号；并根据步骤1中确定的统一的故障模型数学表达式，利用采集的空速管实际输入与输出信号，反求出数学表达式中的参数取值，并与每种故障模式的数学表达式参数取值相比较完成故障诊断。
进一步的优选方案，所述一种基于神经网络解析冗余的飞机空速管故障诊断方法，其特征在于：步骤1中确定的飞机空速管故障模式集包括空速管卡死故障，空速管恒增益故障以及空速管恒偏差故障。
进一步的优选方案，所述一种基于神经网络解析冗余的飞机空速管故障诊断方法，其特征在于：步骤1中建立的统一的故障模型数学表达式为：
yout(t)＝gain(t)·yc(t)+deviation(t)
其中yout(t)是空速管的实际输出信号，t表示当前时间点，yc(t)表示神经网络模型输出的解析信号，作为正常工作情况下空速管期望输出信号，gain(t)表示空速管的实际输出信号相对于期望输出信号的增益，deviation(t)表示实际输出信号相对于期望输出信号的偏差；对于不同故障模式，相应参数取值为：
空速管卡死故障：当在故障发生时刻tfault时，gain(tfault)＝0，deviation(tfault)＝d，其中d是空速管输出值出现卡死的位置；
空速管恒增益故障：当在故障发生时刻tfault时，gain(tfault)＝g，deviation(tfault)＝0，其中g是空速管输出值相对于期望值的增益；
空速管恒偏差故障：当在故障发生时刻tfault时，gain(tfault)＝1，deviation(tfault)＝d，其中d是空速管输出值相对于期望值的偏差。
进一步的优选方案，所述一种基于神经网络解析冗余的飞机空速管故障诊断方法，其特征在于：步骤3中采用BP神经网络，确定输入层、隐含层与输出层的结构、神经元数量以及初始权重参数，建立监测空速管的神经网络模型：
步骤3.1：确定神经网络输入层神经元个数等于输入的飞机飞行状态数据的维数；神经网络输出层神经元个数等于空速管输出数据的维数；
步骤3.2：确定神经网络隐含层层数为单层；
步骤3.3：神经网络隐含层的激活函数采用sigmod函数形式
Figure BDA0001610246000000031
神经网络输出层激活函数为线性函数：f(x)＝x；
步骤3.4：神经网络隐含层神经元个数
Figure BDA0001610246000000032
n和l分别是神经网络中输入层与输出层神经元个的个数。
进一步的优选方案，所述一种基于神经网络解析冗余的飞机空速管故障诊断方法，其特征在于：步骤5中，利用采集的空速管实际输入与输出信号，采用一元线性回归方法估计空速管故障表达式中的gain(t)和deviation(t)，并与每种故障模式的数学表达式参数取值相比较，从而识别空速管的故障模式，完成空速管的故障诊断。
有益效果
由于飞机大多数传感器，例如空速管等内部结构复杂，存在着很强的非线性，并且空速管内部的状态参数也是在动态变化的，因此传统的基于物理模型的建模方法无法对空速管的输出进行准确估计。本发明建立的神经网络模型具有较强的自学习能力和描述任意非线性函数关系的能力，通过构建空速管的神经网络模型，并基于系统的历史数据进行自学习，使得神经网络模型具有对非线性系统的输入输出进行准确刻画的能力，实现空速管参数在线预测和估计系统输出的功能。同时在故障的诊断中采用的一元线性回归方法，方法简单，不需要大的计算量，因此适合于嵌入到实际的飞机飞行管理系统中实现在线运行，提高算法进行故障检测和诊断的时效性。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为大型飞机空速管结构图；
图2为本发明实际应用中的原理图；
图3为本发明在故障检测和故障诊断工作流程图；
图4为本发明中描述空速管输入输出特性的BP神经网络模型的建立以及训练过程。
具体实施方式
下面详细描述本发明的实施例，所述实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
飞机的空速管如图1所示。图2所示为本发明公布的方法在实际使用中的形式，我们结合在大型飞机中对空速管的健康监控以及本发明公布的故障检测与诊断技术进行具体说明。如图3所示，本发明为一种基于神经网络解析冗余的空速管故障检测与诊断技术，包括以下步骤：
步骤1：确定飞机空速管常见的3中故障模式，并确定每种故障模式的数学表达式。在这一步骤中，通过对空速管输入与输出数据进行分析以及日常的故障模式研究，确定空速管三种常见的故障模式，分别为空速管卡死故障，定义为f1；空速管恒增益故障，定义为f2；以及空速管恒偏差故障，定义为f3。为空速管建立起统一的故障模型数学表达式：
yout(t)＝gain(t)·yc(t)+deviation(t)
其中yout(t)是空速管的实际输出信号，t表示当前时间点，yc(t)表示神经网络模型输出的解析信号，作为正常工作情况下空速管期望输出信号，gain(t)表示空速管的实际输出信号相对于期望输出信号的增益，deviation(t)表示实际输出信号相对于期望输出信号的偏差；对于不同故障模式，相应参数取值为：
空速管卡死故障：当在故障发生时刻tfault时，gain(tfault)＝0，deviation(tfault)＝d，其中d是空速管输出值出现卡死的位置；
空速管恒增益故障：当在故障发生时刻tfault时，gain(tfault)＝g，deviation(tfault)＝0，其中g是空速管输出值相对于期望值的增益；
空速管恒偏差故障：当在故障发生时刻tfault时，gain(tfault)＝1，deviation(tfault)＝d，其中d是空速管输出值相对于期望值的偏差。
步骤2：确定被监测空速管输入与输出的非线性函数关系的形式，在空速管正常工作的情况下，采集充足的输入与输出数据，作为历史训练数据，用于训练神经网络模型。在这一步骤中建立被监测空速管的非线性系统状态方程，假设状态量是可观测的，则非线性系统可以被描述为：
y(t)＝h(f(x(t-1),u(t)),u(t))
可以看到空速管输出是其输入与此前状态量的函数，因此上式非线性函数关系可以进一步简化为如下的非线性函数关系：
y(t)＝fnon-linear(x(t-1),u(t))
fnon-linear(·)是空速管测量输出相对于前一时刻系统状态和当前输入的非线性函数。对于空速管的输入量，主要是采自集GPS传感器、迎角传感器、侧滑角传感器输出的速度、角度等飞机飞行状态信息。因此系统的输入向量可以记为u(t)＝{u1(t),u2(t),u3(t)}，函数的输出即为当前时刻所监测的空速管输出的飞机姿态数据。上述函数的具体函数关系是未知的，本发明中建立被监测空速管神经网络模型的目的即是对该非线性函数关系进行描述。可以将上述关系式的左边作为模型的输出量，关系式的右边作为模型的输入量，将输入输出量的历史数据用于对神经网络模型进行训练。
步骤3：如图4所示，以BP神经网络理论为基础，确定输入层、隐含层与输出层的结构、神经元数量以及初始权重等参数，构建所监测空速管的神经网络模型，利用历史训练数据对所构建的神经网络模型进行训练：
步骤3.1：确定网络输入层与输出层的神经元个数，输入层接受系统输入的历史训练数据，主要是采自集GPS传感器、迎角传感器、侧滑角传感器输出的速度、角度等飞机飞行状态信息，输入层神经元的个数由输入的训练数据的维数决定，输出层的神经元的个数由空速管输出数据的维数决定。
步骤3.2：隐含层层数的确定，神经网络的隐含层可以由单层或多层组成，一般来说对于单个非线性函数关系式，利用单隐含层神经网络就可以准确描述，因此本发明中的神经网络模型隐含层层数为单层；
步骤3.3：隐含层与输出层激活函数的确定，神经网络隐含层中的激活函数采用sigmod函数形式：
Figure BDA0001610246000000061
而神经网络模型的输出层激活函数为线性函数：f(x)＝x。该函数经常用于BP神经网络输出层节点中。
步骤3.4：隐含层神经元节点个数的确定：神经网络模型的隐含层神经元的个数的确定采用经验公式：
Figure BDA0001610246000000062
其中m是待确定的隐含层神经元的个数，n和l分别是神经网络中输入层与输出层节点的个数。
模型结构建立好后，下面根据训练样本进行训练：对于输入样本x＝{x1,x2,...,xn}，以及样本对应的期望输出c，首先计算神经网络隐含层各神经元的输出：
Figure BDA0001610246000000071
其中下标j是输入层节点的索引，下标i是隐含层节点的索引，wji是输入层节点j到隐含层节点索引i的的权值，然后计算神经网络输出层各神经元的输出：
Figure BDA0001610246000000072
下标k是输出层各节点的索引，wki是隐含层节点i到输出层节点索引k的权值。
根据实际输出与期望输出误差，并计算神经网络目标输出与实际输出的误差平方和：
Figure BDA0001610246000000073
其中P是样本总数，Q是输出层神经元的个数，yk(h)是神经网络输出，ck(h)是样本实际输出。
判断模型输出误差是否满足要求，当误差达到预设精度或学习次数大于设定的最大次数时结束算法，否则按照梯度下降算法更新每个节点的权重，重新进行计算。
步骤4：监测实际空速管输出与空速管神经网络模型仿真输出信号的残差数据，当残差数据在较长时间段内超过某个容限值时则认为被监测的空速管出现故障。在该步骤中，采用如下的示性函数表示空速管中出现故障：
Figure BDA0001610246000000074
其中e(t)是空速管实际输出信号与神经网络模型仿真信号的残差数据，ethrs为残差容限值，当残差数据大于该残差容限值时，说明空速管疑似出现故障。当残差数据超限持续的时间超过时间阈值Tthrs时表明空速管确实出现故障，即故障被检测到。
步骤5：在监测到空速管出现故障后，采集空速管实际的输出信号与神经网络模型解析信号，并利用一元回归方法，并将回归的参数与每种故障模式的数学表达式相比较完成故障诊断。在该步骤中，对故障模式的识别是利用基于最小二乘理论的一元线性回归方法估计空速管故障表达式中的gain(t)和deviation(t)。设所监控空速管的输入输出观测值为(yi,xi)(i＝1,2,...,N)，则可以计算出一元函数中的参数的估计量为：
Figure BDA0001610246000000081
Figure BDA0001610246000000082
其中
Figure BDA0001610246000000083
和
Figure BDA0001610246000000084
分别是空速管输入输出数据的均值。这个识别过程是在检测到空速管存在故障的情况下进行的。通过将识别出的表达式中的参数的值与空速管常见失效模式对应的参数值进行比较，确定空速管的故障类型。例如，如果经过一元线性回归后gain＝0，deviation＝d，则表明被监测的空速管存在的故障是卡死故障；如果经过回归后gain＝g，deviation＝0，则表明被监测的空速管存在的故障是恒增益故障；如果经过一元回归后gain＝1，deviation＝d，则表明空速管存在的故障是恒偏差故障。从而识别空速管的失效模式，完成空速管的故障诊断。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (3)

1.一种基于神经网络解析冗余的飞机空速管故障诊断方法，其特征在于：包括以下步骤：
步骤1：确定飞机空速管的故障模式集，并建立统一的故障模型数学表达式；确定每种故障模式下，故障模型数学表达式的参数取值；
飞机空速管故障模式集包括空速管卡死故障，空速管恒增益故障以及空速管恒偏差故障；
统一的故障模型数学表达式为：
yout(t)＝gain(t)·yc(t)+deviation(t)
其中yout(t)是空速管的实际输出信号，t表示当前时间点，yc(t)表示神经网络模型输出的解析信号，作为正常工作情况下空速管期望输出信号，gain(t)表示空速管的实际输出信号相对于期望输出信号的增益，deviation(t)表示实际输出信号相对于期望输出信号的偏差；对于不同故障模式，相应参数取值为：
空速管卡死故障：当在故障发生时刻tfault时，gain(tfault)＝0，deviation(tfault)＝d，其中d是空速管输出值出现卡死的位置；
空速管恒增益故障：当在故障发生时刻tfault时，gain(tfault)＝g，deviation(tfault)＝0，其中g是空速管输出值相对于期望值的增益；
空速管恒偏差故障：当在故障发生时刻tfault时，gain(tfault)＝1，deviation(tfault)＝d，其中d是空速管输出值相对于期望值的偏差；
步骤2：在空速管正常工作的情况下，采集输入与输出数据作为历史训练数据，用于训练神经网络模型；输入数据为飞机飞行状态数据，输出数据为空速管输出数据；
步骤3：建立监测空速管的神经网络模型，利用步骤2采集的历史训练数据对所构建的神经网络模型进行训练，确定空速管输入与输出的非线性函数关系；
步骤4：监测实际空速管输出与神经网络解析模型输出信号的残差数据，当残差数据在设定的时间段内均超过设定的容限值时，认为被监测的空速管出现故障；
步骤5：在监测到实际空速管出现故障后，采集空速管实际的输入与输出信号；并根据步骤1中确定的统一的故障模型数学表达式，利用采集的空速管实际输入与输出信号，反求出数学表达式中的参数取值，并与每种故障模式的数学表达式参数取值相比较完成故障诊断。
2.根据权利要求1所述一种基于神经网络解析冗余的飞机空速管故障诊断方法，其特征在于：步骤3中采用BP神经网络，确定输入层、隐含层与输出层的结构、神经元数量以及初始权重参数，建立监测空速管的神经网络模型：
步骤3.1：确定神经网络输入层神经元个数等于输入的飞机飞行状态数据的维数；神经网络输出层神经元个数等于空速管输出数据的维数；
步骤3.2：确定神经网络隐含层层数为单层；
步骤3.3：神经网络隐含层的激活函数采用sigmod函数形式
Figure FDA0002456874810000021
神经网络输出层激活函数为线性函数：f(x)＝x；
步骤3.4：神经网络隐含层神经元个数
Figure FDA0002456874810000022
n和l分别是神经网络中输入层与输出层神经元个的个数。
3.根据权利要求1所述一种基于神经网络解析冗余的飞机空速管故障诊断方法，其特征在于：步骤5中，利用采集的空速管实际输入与输出信号，采用一元线性回归方法估计空速管故障表达式中的gain(t)和deviation(t)，并与每种故障模式的数学表达式参数取值相比较，从而识别空速管的故障模式，完成空速管的故障诊断。
CN201810260867.9A 2018-03-27 2018-03-27 一种基于神经网络解析冗余的飞机空速管故障诊断方法 Active CN108427400B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810260867.9A CN108427400B (zh) 2018-03-27 2018-03-27 一种基于神经网络解析冗余的飞机空速管故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810260867.9A CN108427400B (zh) 2018-03-27 2018-03-27 一种基于神经网络解析冗余的飞机空速管故障诊断方法

Publications (2)

Publication Number Publication Date
CN108427400A CN108427400A (zh) 2018-08-21
CN108427400B true CN108427400B (zh) 2020-07-03

Family

ID=63159271

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810260867.9A Active CN108427400B (zh) 2018-03-27 2018-03-27 一种基于神经网络解析冗余的飞机空速管故障诊断方法

Country Status (1)

Country Link
CN (1) CN108427400B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447401A (zh) * 2018-09-18 2019-03-08 中国科学院自动化研究所 基于自适应资源调配的地面健康管理方法、系统及装置
CN112907781B (zh) * 2021-02-07 2022-08-19 中国人民解放军国防科技大学 一种系统故障诊断方法、装置、计算机设备和存储介质
CN113514109A (zh) * 2021-08-18 2021-10-19 广东新创华科环保股份有限公司 一种无人机飞行故障检测方法和系统
CN113836820A (zh) * 2021-10-20 2021-12-24 联想新视界(江西)智能科技有限公司 一种基于自相关模型和多变量监控方法的设备健康评估与故障诊断算法
CN114371313B (zh) * 2021-12-08 2023-12-01 中国航空工业集团公司北京长城计量测试技术研究所 一种基于神经网络的拖锥管道系统时间延迟补偿方法
CN114564000B (zh) * 2022-03-01 2024-03-08 西北工业大学 基于智能飞行器执行器故障诊断的主动容错方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101243366A (zh) * 2005-08-17 2008-08-13 罗斯蒙德公司 具有诊断的过程变量变送器
CN103048137A (zh) * 2012-12-20 2013-04-17 北京航空航天大学 一种变工况下的滚动轴承故障诊断方法
EP3098681A1 (en) * 2015-05-27 2016-11-30 Tata Consultancy Services Limited Artificial intelligence based health management of host system
CN106324643A (zh) * 2016-10-19 2017-01-11 山东科技大学 一种无人机空速估计和空速管故障检测方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7668632B2 (en) * 2004-11-22 2010-02-23 The Boeing Company System, method and computer program product for real-time event identification and course of action interpretation
US7660774B2 (en) * 2005-05-31 2010-02-09 Honeywell International Inc. Nonlinear neural network fault detection system and method
CN100587761C (zh) * 2008-03-21 2010-02-03 北京航空航天大学 一种用于无人机飞行模拟训练的故障模拟方法
CN101697079B (zh) * 2009-09-27 2011-07-20 华中科技大学 用于航天器实时信号处理的盲系统故障检测与隔离方法
CN102722722B (zh) * 2012-05-25 2014-02-19 清华大学 基于逻辑推理和故障辨识的混合故障检测诊断方法
CN103499921B (zh) * 2013-09-11 2015-12-02 西安交通大学 变结构模糊系统传感器故障诊断方法
CN104850889B (zh) * 2014-11-19 2017-02-22 北京航空航天大学 一种飞机旋转作动器驱动装置自适应故障检测、隔离与健康评估的方法
CN104598926B (zh) * 2015-01-29 2017-11-07 西北工业大学 一种飞机发动机瞬态故障检测的方法
CN105071771A (zh) * 2015-09-08 2015-11-18 河海大学常州校区 一种基于神经网络的分布式光伏系统故障诊断方法
CN105129109B (zh) * 2015-09-30 2017-05-17 北京航空航天大学 一种基于多重分形理论和自组织映射网络的飞机副翼作动器系统健康评估方法
CN105738722B (zh) * 2016-01-27 2018-06-26 西北工业大学 一种航空机电作动器故障诊断方法
CN106200629B (zh) * 2016-09-30 2018-07-13 山东科技大学 一种无人机飞行控制系统的故障可检测度分析方法
CN107797543A (zh) * 2017-09-26 2018-03-13 大连理工大学 一种航空发动机燃油调节器故障诊断方法
CN107784325B (zh) * 2017-10-20 2020-06-23 河北工业大学 基于数据驱动增量融合的螺旋式故障诊断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101243366A (zh) * 2005-08-17 2008-08-13 罗斯蒙德公司 具有诊断的过程变量变送器
CN103048137A (zh) * 2012-12-20 2013-04-17 北京航空航天大学 一种变工况下的滚动轴承故障诊断方法
EP3098681A1 (en) * 2015-05-27 2016-11-30 Tata Consultancy Services Limited Artificial intelligence based health management of host system
CN106324643A (zh) * 2016-10-19 2017-01-11 山东科技大学 一种无人机空速估计和空速管故障检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Identification of sensor faults on turbofan engines using pattern recognition techniques";N. Aretakis;《Control Engineering Practice》;20041231;第827-836页 *
"航空发动机传感器故障诊断与容错控制";张高钱;《中国优秀硕士学位论文全文数据库-工程科技辑》;20150131;第C031-185页 *
"航空发动机鲁棒容错控制";钟谦;《西北工业大学学报》;19971231;第413-417页 *

Also Published As

Publication number Publication date
CN108427400A (zh) 2018-08-21

Similar Documents

Publication Publication Date Title
CN108427400B (zh) 一种基于神经网络解析冗余的飞机空速管故障诊断方法
Darvishi et al. Sensor-fault detection, isolation and accommodation for digital twins via modular data-driven architecture
CN108594788B (zh) 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法
CN110807257A (zh) 航空发动机剩余寿命预测方法
CN108960303B (zh) 一种基于lstm的无人机飞行数据异常检测方法
CN102789545B (zh) 基于退化模型匹配的涡轮发动机剩余寿命的预测方法
Sankararaman et al. Bayesian methodology for diagnosis uncertainty quantification and health monitoring
CN103983453B (zh) 一种航空发动机的执行机构和传感器故障诊断的区分方法
CN111274737A (zh) 一种机械设备剩余使用寿命预测方法及系统
CN110909822B (zh) 一种基于改进的高斯过程回归模型的卫星异常检测方法
CN112884051B (zh) 数据驱动的轻量级无人机多部件在线复杂故障诊断方法
EP1643332A2 (en) Hybrid model based fault detection and isolation system
Sankararaman et al. Uncertainty quantification in structural damage diagnosis
JPH08234832A (ja) プラント監視診断装置および方法
Wan et al. Real-time fault-tolerant moving horizon air data estimation for the reconfigure benchmark
KR20170127430A (ko) 센서 오차를 검출, 분류 및/또는 완화하는 방법 및 시스템
Liu et al. A divide and conquer approach to anomaly detection, localization and diagnosis
CN108459933B (zh) 一种基于深度递归网络的大数据计算机系统故障检测方法
Rudin et al. A sensor fault detection for aircraft using a single Kalman filter and hidden Markov models
Dhakal et al. UAV Fault and Anomaly Detection Using Autoencoders
WO2018198267A1 (ja) 因果関係学習方法、プログラム、装置および異常分析システム
CN116907772A (zh) 桥梁结构监测传感器的自诊断与故障源鉴别方法及系统
JP7469828B2 (ja) 構造物診断システム、構造物診断方法、および構造物診断プログラム
Rigatos et al. Fault diagnosis for a PDE suspended-bridge model with Kalman filter and statistical decision making
Gibson et al. Data-driven strain prediction models and fatigue damage accumulation

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Liu Zhenbao

Inventor after: Wang Lina

Inventor after: Sun Gaoyuan

Inventor after: An Shuai

Inventor before: Liu Zhenbao

Inventor before: Sun Gaoyuan

Inventor before: An Shuai

GR01 Patent grant
GR01 Patent grant