CN108764567A - 基于状态健康信息的剩余寿命远程预测方法、系统及设备 - Google Patents
基于状态健康信息的剩余寿命远程预测方法、系统及设备 Download PDFInfo
- Publication number
- CN108764567A CN108764567A CN201810520293.4A CN201810520293A CN108764567A CN 108764567 A CN108764567 A CN 108764567A CN 201810520293 A CN201810520293 A CN 201810520293A CN 108764567 A CN108764567 A CN 108764567A
- Authority
- CN
- China
- Prior art keywords
- predicted
- remaining life
- life
- data
- remotely
- 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
- 230000036541 health Effects 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012544 monitoring process Methods 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 30
- 230000003993 interaction Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012806 monitoring device Methods 0.000 claims description 4
- 241000406668 Loxodonta cyclotis Species 0.000 claims 1
- 239000010410 layer Substances 0.000 description 40
- 238000010586 diagram Methods 0.000 description 5
- 239000010687 lubricating oil Substances 0.000 description 4
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 239000002346 layers by function Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Abstract
本发明涉及复杂装备的剩余寿命预测领域,具体涉及一种基于状态健康信息的剩余寿命远程预测方法、系统及设备,旨在提高整机寿命的预测准确度。本发明的剩余寿命远程预测方法包括:远程接收待预测对象的监测数据,并存入数据库;对监测数据进行特征信息的提取得到状态健康信息;根据信号类型的不同,对状态健康信息进行趋势分析得到趋势分析数据;根据趋势分析数据对待预测对象的各组成单元分别进行剩余寿命预测;根据各组成单元的剩余寿命通过模糊推理算法来预测整机剩余寿命。本发明不但能够预测各个组成单元的剩余寿命,而且通过模糊推理算法预测整机剩余寿命,预测结果更加准确。此外,因为整合到同一个系统中进行预测,所以提高了效率。
Description
技术领域
本发明涉及复杂装备的剩余寿命预测领域,具体涉及一种基于状态健康信息的剩余寿命远程预测方法、系统及设备。
背景技术
目前对于桥梁、航空发动机等安全要求较高的建筑或设备已有一些健康信息和剩余寿命的研究,为减少因设备老化而引发的安全事故起到了积极的作用。
但是,对于复杂装备来说,多是停留在对某个部件的剩余寿命进行预测,而缺乏整体的、系统的预测方案。
发明内容
为了解决现有技术中的上述问题,本发明提出了一种基于状态健康信息的剩余寿命远程预测方法、系统及设备,提出了对复杂装备的剩余寿命进行整体预测的方法。
本发明的一方面,提出一种基于状态健康信息的剩余寿命远程预测方法,所述方法包括以下步骤:
远程接收待预测对象的监测数据;
对所述监测数据进行特征信息的提取,得到状态健康信息;
根据信号类型的不同,对所述状态健康信息进行趋势分析,得到趋势分析数据;
根据所述趋势分析数据,对所述待预测对象的各组成单元分别进行剩余寿命预测;
根据各组成单元的剩余寿命,通过模糊推理算法来预测所述待预测对象的整机剩余寿命。
优选地,所述监测数据包括:各种监测设备获取的所述待预测对象的状态数据。
优选地,所述信号类型包括:时域信号和频域信号。
优选地,“根据所述趋势分析数据,对所述待预测对象的各组成单元分别进行剩余寿命预测”的步骤包括:
根据所述趋势分析数据,对每个组成单元调用该组成单元所对应的算法模型,进行剩余寿命预测;
其中,所述算法模型是预先训练好的。
优选地,在“远程接收待预测对象的监测数据”之后,还包括:
将所述监测数据存入数据库,以便对所述算法模型进行优化和更新。
本发明的另一方面,提出一种存储设备,其中存储有程序,所述程序适于由处理器加载并执行,以实现上面所述的基于状态健康信息的剩余寿命远程预测方法。
本发明的第三方面,提出一种控制设备,包括:处理器和存储器;
所述处理器适于执行程序;所述存储器适于存储该程序;所述程序适于由所述处理器加载并执行,以实现上面所述的基于状态健康信息的剩余寿命远程预测方法。
本发明的第四方面,提出一种基于状态健康信息的剩余寿命远程预测系统,所述系统包括:数据支撑层、算法模型层、应用功能层、人机交互层;
所述数据支撑层包括:预处理单元和数据库;
所述预处理单元配置为:对待预测对象的监测数据进行预处理;
所述数据库配置为:存储所述监测数据和/或预处理后的数据;
所述算法模型层包括多个算法模型;每个算法模型对应于所述待预测对象的一个组成单元,用于预测该组成单元的剩余寿命;
所述应用功能层配置为:根据算法模型配置参数确定待预测单元,调用对应的算法模型对所述待预测单元进行剩余寿命的预测,并将预测结果输出至所述人机交互层;
所述人机交互层配置为:接收所述监测数据并传送至所述数据支撑层;接收算法模型配置参数并传送至所述应用功能层;对所述应用功能层输出的预测结果进行显示;
其中,所述待预测单元包括:所述待预测对象的一个或多个组成单元。
优选地,所述人机交互层还配置为:对算法模型执行过程进行动态显示。
优选地,所述待预测单元还包括:所述待预测对象整机;
相应地,所述应用功能层还配置为:调用算法模型对所述待预测对象的各个组成单元进行剩余寿命的预测,并根据各组成单元的剩余寿命计算出所述待预测对象整机的剩余寿命。
与最接近的现有技术相比,本发明具有如下有益效果:
本发明提出的基于状态健康信息的剩余寿命远程预测方法与系统,统一收集待预测对象的监测数据,并进行预处理作为算法模型的输入;通过调用不同的算法模型计算出待预测对象各组成单元的剩余寿命,进而预测出整机寿命。与现有技术中孤立地预测某个组成单元的剩余寿命不同,本发明不但能够预测各个组成单元的剩余寿命,而且通过模糊推理算法来预测整机剩余寿命,预测结果更加准确。此外,因为整合到同一个系统中进行预测,所以提高了效率。
附图说明
图1是本发明实施例中复杂装备的剩余寿命相对于时间的变化关系示意图;
图2是本发明实施例中基于状态健康信息的剩余寿命远程预测方法的主要步骤示意图;
图3是本发明实施例中基于状态健康信息的剩余寿命远程预测系统的主要构成示意图;
图4是本发明实施例中飞机剩余寿命远程预测系统的主要构成示意图。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
图1是复杂装备的剩余寿命相对于时间的变化关系示意图。如图1所示,横轴表示时间,纵轴表示剩余寿命,左侧纵轴上方块所在位置表示复杂装备的剩余寿命初始值,随着时间的推移,其剩余寿命如图中的曲线所示会逐渐减小,而且到了末期减小速率还可能加快,直到到达右侧横轴上的方块所在位置,其剩余寿命减小为0,该点上对应的时间为故障失效时间。因为随着系统运行时间增加,剩余寿命值减小的速率加快,所以应逐步缩短分析和预测的间隔时间。
图2是本发明的基于状态健康信息的剩余寿命远程预测方法实施例的主要步骤示意图。如图2所示,该预测方法包括以下步骤:
步骤S1,远程接收待预测对象的监测数据。
其中,监测数据包括:各种监测设备获取的所述待预测对象的状态数据。
步骤S2,将监测数据存入数据库,以便对算法模型进行优化和更新。
步骤S3,对监测数据进行特征信息的提取,得到状态健康信息。
步骤S4,根据信号类型的不同,对状态健康信息进行趋势分析,得到趋势分析数据。
其中,信号类型包括:时域信号和频域信号。
步骤S5,根据趋势分析数据,对待预测对象的各组成单元分别进行剩余寿命预测。
具体来说,在这一步中根据趋势分析数据,对每个组成单元调用该组成单元所对应的算法模型,进行剩余寿命预测。其中,算法模型是预先训练好的。
步骤S6,根据各组成单元的剩余寿命,通过模糊推理算法来预测待预测对象的整机剩余寿命。
通过模糊推理算法来预测整机剩余寿命,是考虑了某些组成单元的健康状况会互相影响,比如飞机的液压系统状况不良时会影响到发动机的工作状况,使发动机性能变差,导致其剩余寿命进一步减小。本实施例中,将机载设备的剩余寿命、航电设备的剩余寿命、推进系统的剩余寿命、飞机机体的剩余寿命等作为模糊推理算法中不同的模糊集合,确定出不同模糊集合间的隶属度函数和适配度函数,利用常用的Mamdani模糊推理方法给出关于整机剩余寿命的决策信息。
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述,但是本领域技术人员可以理解,为了实现本实施例的效果,不同的步骤之间不必按照这样的次序执行,其可以同时(并行)执行或以颠倒的次序执行,这些简单的变化都在本发明的保护范围之内。
基于上述剩余寿命预测方法,本发明还提出了一种存储设备的实施例,其中存储有程序,所述程序适于由处理器加载并执行,以实现上面所述的基于状态健康信息的剩余寿命远程预测方法。
进一步地,本发明还提出一种控制设备,包括:处理器和存储器。处理器适于执行程序,存储器适于存储该程序,所述程序适于由处理器加载并执行,以实现上面所述的基于状态健康信息的剩余寿命远程预测方法。
图3是本发明提出的基于状态健康信息的剩余寿命远程预测系统实施例的主要构成示意图。如图3所示,该剩余寿命远程预测系统100包括:数据支撑层110、算法模型层120、应用功能层130、人机交互层140。
数据支撑层110为算法模型层120提供必要的数据,或者用于对算法模型的训练过程,或者用于使用算法模型的进行剩余寿命预测的过程。数据支撑层110包括:预处理单元111和数据库112。预处理单元111配置为:对待预测对象的监测数据进行预处理,如提取一次特征信息以及多次间接特征信息,得到状态健康信息;然后根据信号类型的不同,对状态健康信息进行趋势分析,得到趋势分析数据,以供算法模型层作为输入数据。数据库112配置为:存储监测数据和/或预处理后的数据。当该系统为试用版本时,用户需要处理和预测的数据信息只能在使用过程中暂存于指定的数据库中;当该系统为正式版本时,用户需要处理和预测的数据信息可以存入相应的数据库中,用户还拥有添加新数据库的权限,这是为了便于在长期使用中对算法模型各类参数进行不断优化和更新,进一步提高剩余寿命预测结果的准确性。
算法模型层120包括多个算法模型;每个算法模型对应于所述待预测对象的一个组成单元,用于预测该组成单元的剩余寿命。
应用功能层130也称为系统执行层,配置为:根据算法模型配置参数确定待预测单元,调用对应的算法模型对待预测单元进行剩余寿命的预测,并将预测结果输出至人机交互层。
其中,待预测单元包括:待预测对象的一个或多个组成单元,也可以包括待预测对象整机。当待预测单元为整机时,应用功能层130调用算法模型对待预测对象的各个组成单元进行剩余寿命的预测,并根据各组成单元的剩余寿命计算出待预测对象整机的剩余寿命,本实施例中采用模糊推理算法来预测整机的剩余寿命。
人机交互层140包括人机交互界面等,配置为:接收监测数据并传送至数据支撑层110;接收算法模型配置参数并传送至应用功能层120;对应用功能层120输出的预测结果进行显示;还可以对算法模型执行过程进行动态显示。
用户终端300可以通过网络200来访问本系统,例如通过浏览器来访问本系统的网页,进而通过人机交互层140进行数据输入、算法模型配置,并查看剩余寿命的预测结果。
本申请中对剩余寿命预测系统进行分层,仅仅是为了更好地理解本发明的技术方案所涉及的功能,在实践中,这些层次所对应的功能也可以由一个或多个模块的形式呈现。
在实际应用中,本实施例的剩余寿命预测系统除了采用上述的用户直接操作模式外,还可以采用嵌入其他系统的模式。这两种模式具有相同的核心结构层,即数据支撑层、算法模型层、应用功能层;区别之处在于,用户直接操作模式含有人机交互层,用户可以直接应用本系统进行复杂装备的剩余寿命预测分析;嵌入其他系统模式需要将核心结构层进行打包,预留出API接口函数,供其他系统调用。
图4是本发明的预测系统应用于飞机剩余寿命预测时的一个具体实施例。如图4所示,在数据支撑层利用预处理单元对用户输入的监测数据进行预处理后,可以将监测数据或经预处理后的数据分类存入多个数据库中,如机载设备信息数据库、航电设备信息数据库、推进系统信息数据库、飞机机体信息数据库、飞机信息管理数据库等。
这里所说的监测数据,从数据来源上主要包括:机载数据和地面数据。(1)机载数据:来源于机载的各种状态监测设备或传感器,主要用于描述飞机各分系统(发动机系统、电源系统、液压系统、飞控系统、导航系统等)的工作状态和监控数据。例如,气路参数主要通过气路传感器获取,主要参数包括转子转速、温度、压力、燃油流量、功率输出等;振动数据主要通过振动传感器获取,包括位移、速度或加速度;滑油数据主要通过压力传感器、温度传感器、滑油标尺、油滤旁通指示器等获取,主要参数包括滑油压力、滑油温度、滑油量和消耗、油滤压降等。(2)地面数据:来源于地面工作站(简称地面站),其数据量较大,包括对机载数据的各种统计分析数据,不仅包括数值数据,还包括文字形式的数据。例如:对机上记录的健康参数进行趋势分析得到的数据,部件故障隔离处置结果、技术统计数据(如系统或部件的失效率、虚警率、故障检测率、故障隔离率、平均诊断时间、非计划内换发率、空中停车率、任务放弃率等)以及设备的属性信息(比如,设备的固有寿命信息、设备的使用信息等)。
机载设备信息数据库,主要储存机载设备的运行数据,包括:飞控系统数据、纵向杆位移、俯仰角速率、偏航角角速率、迎角、侧滑角、动压、静压等;航电设备信息数据库储存的数据包括:飞机导航系统、航向仪表、姿态仪表、大气数据计算机系统等记录的信息;推进系统信息数据库储存的数据包括:发动机系统数据、风扇进出口温度、风扇进出口压力、压气机进出口温度、压气机进出口压力、高低压涡轮进出口温度、高低压涡轮进出口压力、燃烧室温度、燃油率等;飞机机体信息数据库储存的数据包括:机身、机翼、起落架、尾翼和其他部件的信息;飞机信息管理数据库储存的数据包括:飞机飞行时间、飞行里程、飞行高度、马赫数、飞行速度等。
算法模型层也可以看做本系统的算法模型库,包括适用于飞机不同组成单元的剩余寿命预测算法,比如针对机载设备的飞控计算机系统剩余寿命预测模型、针对航电设备的基于相似性信息的剩余寿命预测模型、针对发动机系统的多阶段信息融合剩余寿命预测模型、针对飞机机体的粒子滤波剩余寿命预测模型,以及其他预测效果相当成熟的剩余寿命预测模型。
在应用功能层中,包括本系统设计的所有功能模块,如数据分析功能模块、趋势分析功能模块、飞机各组成单元剩余寿命预测功能模块、整机剩余寿命预测功能模块等。
数据分析功能模块读取待预测飞机的监测数据进行预处理,如提取一次特征信息以及多次间接特征信息,得到状态健康信息;然后根据信号类型的不同,对状态健康信息进行趋势分析,得到趋势分析数据。
这里所说的对不同信号类型的趋势分析,包括对时域信号的时域特征提取(最值、均方差、峭度、峭度因子、波形因子、峰值等);对频域信号的特征提取(频谱分析、倒频谱分析等)趋势分析后的结果存储于数据支撑层的数据库中,可以应用于剩余寿命预测。
飞机各组成单元剩余寿命预测功能模块,包括:机载设备剩余寿命预测、航电设备剩余寿命预测、发动机等推进系统剩余寿命预测和整机剩余寿命预测等。再通过模糊推理算法来预测整机的剩余寿命。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的方法步骤、层次、单元,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种基于状态健康信息的剩余寿命远程预测方法,其特征在于,所述方法包括以下步骤:
远程接收待预测对象的监测数据;
对所述监测数据进行特征信息的提取,得到状态健康信息;
根据信号类型的不同,对所述状态健康信息进行趋势分析,得到趋势分析数据;
根据所述趋势分析数据,对所述待预测对象的各组成单元分别进行剩余寿命预测;
根据各组成单元的剩余寿命,通过模糊推理算法来预测所述待预测对象的整机剩余寿命。
2.根据权利要求1所述的剩余寿命远程预测方法,其特征在于,所述监测数据包括:各种监测设备获取的所述待预测对象的状态数据。
3.根据权利要求1所述的剩余寿命远程预测方法,其特征在于,所述信号类型包括:时域信号和频域信号。
4.根据权利要求1所述的剩余寿命远程预测方法,其特征在于,“根据所述趋势分析数据,对所述待预测对象的各组成单元分别进行剩余寿命预测”的步骤包括:
根据所述趋势分析数据,对每个组成单元调用该组成单元所对应的算法模型,进行剩余寿命预测;
其中,所述算法模型是预先训练好的。
5.根据权利要求4所述的剩余寿命远程预测方法,其特征在于,在“远程接收待预测对象的监测数据”之后,还包括:
将所述监测数据存入数据库,以便对所述算法模型进行优化和更新。
6.一种存储设备,其中存储有程序,其特征在于,所述程序适于由处理器加载并执行,以实现权利要求1-5中任一项所述的基于状态健康信息的剩余寿命远程预测方法。
7.一种控制设备,包括:处理器和存储器;
所述处理器适于执行程序;
所述存储器适于存储该程序;
其特征在于,所述程序适于由所述处理器加载并执行,以实现权利要求1-5中任一项所述的基于状态健康信息的剩余寿命远程预测方法。
8.一种基于状态健康信息的剩余寿命远程预测系统,其特征在于,所述系统包括:数据支撑层、算法模型层、应用功能层、人机交互层;
所述数据支撑层包括:预处理单元和数据库;
所述预处理单元配置为:对待预测对象的监测数据进行预处理;
所述数据库配置为:存储所述监测数据和/或预处理后的数据;
所述算法模型层包括多个算法模型;每个算法模型对应于所述待预测对象的一个组成单元,用于预测该组成单元的剩余寿命;
所述应用功能层配置为:根据算法模型配置参数确定待预测单元,调用对应的算法模型对所述待预测单元进行剩余寿命的预测,并将预测结果输出至所述人机交互层;
所述人机交互层配置为:接收所述监测数据并传送至所述数据支撑层;接收算法模型配置参数并传送至所述应用功能层;对所述应用功能层输出的预测结果进行显示;
其中,所述待预测单元包括:所述待预测对象的一个或多个组成单元。
9.根据权利要求8所述的剩余寿命远程预测系统,其特征在于,所述人机交互层还配置为:对算法模型执行过程进行动态显示。
10.根据权利要求8所述的剩余寿命远程预测系统,其特征在于,所述待预测单元还包括:所述待预测对象整机;
相应地,所述应用功能层还配置为:调用算法模型对所述待预测对象的各个组成单元进行剩余寿命的预测,并根据各组成单元的剩余寿命计算出所述待预测对象整机的剩余寿命。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810520293.4A CN108764567A (zh) | 2018-05-28 | 2018-05-28 | 基于状态健康信息的剩余寿命远程预测方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810520293.4A CN108764567A (zh) | 2018-05-28 | 2018-05-28 | 基于状态健康信息的剩余寿命远程预测方法、系统及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108764567A true CN108764567A (zh) | 2018-11-06 |
Family
ID=64005946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810520293.4A Pending CN108764567A (zh) | 2018-05-28 | 2018-05-28 | 基于状态健康信息的剩余寿命远程预测方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764567A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740809A (zh) * | 2018-12-27 | 2019-05-10 | 北京五维星宇科技有限公司 | 基于单装寿命演化的装备集群剩余寿命预测方法及终端 |
CN112070249A (zh) * | 2020-09-16 | 2020-12-11 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 电力设备全寿命评估智能数据库系统及评估方法 |
CN113095540A (zh) * | 2019-12-23 | 2021-07-09 | 财团法人工业技术研究院 | 数据整合方法及数据整合系统 |
CN114987773A (zh) * | 2022-05-20 | 2022-09-02 | 成都飞机工业(集团)有限责任公司 | 飞机液压系统性能异常识别方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101963937A (zh) * | 2010-09-29 | 2011-02-02 | 南京航空航天大学 | 飞控计算机系统剩余寿命预测方法 |
CN102402727A (zh) * | 2011-11-10 | 2012-04-04 | 中联重科股份有限公司 | 工程机械的部件剩余寿命预测系统及方法 |
CN105096053A (zh) * | 2015-08-14 | 2015-11-25 | 哈尔滨工业大学 | 一种适用于复杂工艺系统的健康管理决策方法 |
CN105117602A (zh) * | 2015-08-28 | 2015-12-02 | 国家电网公司 | 一种计量装置运行状态预警方法 |
US20170074250A1 (en) * | 2014-11-18 | 2017-03-16 | Abb Schweiz Ag | Wind turbine condition monitoring method and system |
-
2018
- 2018-05-28 CN CN201810520293.4A patent/CN108764567A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101963937A (zh) * | 2010-09-29 | 2011-02-02 | 南京航空航天大学 | 飞控计算机系统剩余寿命预测方法 |
CN102402727A (zh) * | 2011-11-10 | 2012-04-04 | 中联重科股份有限公司 | 工程机械的部件剩余寿命预测系统及方法 |
US20170074250A1 (en) * | 2014-11-18 | 2017-03-16 | Abb Schweiz Ag | Wind turbine condition monitoring method and system |
CN105096053A (zh) * | 2015-08-14 | 2015-11-25 | 哈尔滨工业大学 | 一种适用于复杂工艺系统的健康管理决策方法 |
CN105117602A (zh) * | 2015-08-28 | 2015-12-02 | 国家电网公司 | 一种计量装置运行状态预警方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740809A (zh) * | 2018-12-27 | 2019-05-10 | 北京五维星宇科技有限公司 | 基于单装寿命演化的装备集群剩余寿命预测方法及终端 |
CN113095540A (zh) * | 2019-12-23 | 2021-07-09 | 财团法人工业技术研究院 | 数据整合方法及数据整合系统 |
CN112070249A (zh) * | 2020-09-16 | 2020-12-11 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 电力设备全寿命评估智能数据库系统及评估方法 |
CN114987773A (zh) * | 2022-05-20 | 2022-09-02 | 成都飞机工业(集团)有限责任公司 | 飞机液压系统性能异常识别方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764567A (zh) | 基于状态健康信息的剩余寿命远程预测方法、系统及设备 | |
CA2771401C (en) | Platform health monitoring system | |
US8914149B2 (en) | Platform health monitoring system | |
US7006947B2 (en) | Method and apparatus for predicting failure in a system | |
US8478479B2 (en) | Predicting time to maintenance by fusion between modeling and simulation for electronic equipment on board an aircraft | |
Boller et al. | Fatigue in aerostructures—where structural health monitoring can contribute to a complex subject | |
CN110096801A (zh) | 一种航空发动机高压涡轮盘动态可靠性预测方法 | |
Xu et al. | Integrated system health management: Perspectives on systems engineering techniques | |
EP2722822A2 (en) | Platform health monitoring system | |
Boller | Structural health management of ageing aircraft and other infrastructure | |
Wen et al. | Applications of Prognostics and Health Management in aviation industry | |
Li et al. | Method for predicting failure rate of airborne equipment based on optimal combination model | |
Al-GArni et al. | ANN-based failure modeling of classes of aircraft engine components using radial basis functions | |
El Mir et al. | Certification of machine learning algorithms for safe-life assessment of landing gear | |
Knight et al. | Intelligent management of helicopter health and usage management systems data | |
Li et al. | Integrated vehicle health management in the aviation field | |
Gao et al. | Study on the Influence of PHM Technology on Aircraft Maintenance Support Mode | |
Zhou et al. | Visualization analysis of rocket fault detection technology based on Citespace | |
Jiang et al. | Application of prognostic and health management in avionics system | |
Rounak et al. | Prediction of remaining useful life for aero-engines | |
Cai et al. | Developments of EHM under the Conditions of Big Data Technology | |
Chang et al. | An aircraft level fault simulation platform to promote integrated vehicle health management technology | |
Zhang | Research of Reliability Failure Prediction Method for Civil Aircraft | |
Feng et al. | Mechanical Dispatch Reliability Prediction for Civil Aircraft Considering Operational Parameters. | |
Song et al. | Superimposable neural network for health monitoring of aircraft hydraulic system |
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 |
Application publication date: 20181106 |
|
RJ01 | Rejection of invention patent application after publication |