CN109992915A - 一种基于深度学习的机务外场飞机燃油系统故障预测方法，终端机及可读存储介质 - Google Patents
一种基于深度学习的机务外场飞机燃油系统故障预测方法，终端机及可读存储介质 Download PDFInfo
- Publication number
- CN109992915A CN109992915A CN201910280662.1A CN201910280662A CN109992915A CN 109992915 A CN109992915 A CN 109992915A CN 201910280662 A CN201910280662 A CN 201910280662A CN 109992915 A CN109992915 A CN 109992915A
- Authority
- CN
- China
- Prior art keywords
- fuel system
- aircraft fuel
- deep learning
- aircraft
- engineering
- 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
- 239000000446 fuel Substances 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013135 deep learning Methods 0.000 title claims abstract description 35
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 12
- 238000013480 data collection Methods 0.000 claims abstract description 7
- 239000003921 oil Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 239000002828 fuel tank Substances 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 239000000295 fuel oil Substances 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000003862 health status Effects 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供本发明提供了一种应用于机务外场自主保障信息支持系统基于深度学习的飞机燃油系统故障预测的方法。方法包括：获取飞机燃油系统中对故障敏感的N种飞机参数所组成的时序数据集；根据燃油系统飞参数据固定时间内的时序波获取频谱图；深度学习算法根据频谱图对飞机燃油系统进行故障预测。本发明先通过获取飞机燃油系统中对故障敏感的N种飞机参数所组成的时序数据集，然后根据燃油系统飞参数据固定时间内的时序波获取频谱图，最后采用基于卷积神经网络框架的深度学习算法根据频谱图对飞机燃油系统进行故障预测，准确地预测飞机燃油系统的剩余寿命，能够有效预测飞机燃油系统的健康状况，避免实际飞行中因为不确定的故障造成严重的后果。
Description
技术领域
本发明涉及本发明属于计算机技术领域，尤其涉及军用飞行大数据机务外场自主保障信息支持系统的基于深度学习的机务外场飞机燃油系统故障预测方法，终端机及可读存储介质。
背景技术
从上世纪90年代至今，航空装备技术飞速发展，尤其是在军事战略的调整以及航空装备作战使用样式发生变化的大环境下，飞机地面保障的要求越来越高，而保障飞机燃油系统在其中是最为根本的因素。军事科技的飞速发展对飞行燃油系统的保障以及故障预测提出了更高的要求。但是在长期的发展中，飞机燃油系统的保障技术总是落后于其他航天装备的技术。原有的飞机燃油系统保障体系在新装备条件下面临巨大的挑战，而对其保障的不到位，会大大降低军用飞机的战备完好率。
飞机燃油系统的健康管理缺乏量化分析，且在实际使用及维护过程中积累的经验和数据没能与设计数据很好地结合分析，造成理论与实际的脱离。飞机燃油系统发生故障时没有预警机制，机务外场终端机维护人员对配备的飞机燃油系统，难以做到心中有数，预见性不足，且过度检修和检修不足现象并存，导致飞机燃油系统的完好率下降；
当飞机燃油系统在发生故障后，现阶段的故障数据没有结构化，机务外场维护人员也很难针对故障现象及可靠性数据、指标数据等的综合分析，进行明确的故障诊断，从而很难找到最优的故障预测方法，进行飞机燃油系统更换。这使得飞机燃油系统维修成本增大，同时故障燃油系统也得不到良好的维护，导致资源的浪费；
飞行燃油系统的故障预测是军用飞机维修的基础，它时刻影响着军用飞机的作战效率和维修保障效率，因此其在整个部队中的作用极为重要，所以，在大力发展航空装备的同时，为飞机燃油系统故障提供最准确的预测也是地面保障领域中亟待解决的技术问题。
发明内容
本发明的目的在于克服现有技术的不足，提出一种应用于机务外场自主保障信息支持系统的基于深度学习的飞机燃油系统故障预测的方法，可有效对飞机燃油系统的故障进行预测。
为实现上述目的，本发明所提供的技术方案包括以下步骤：包括以下步骤：
步骤1，获取燃油系统中对故障敏感的N种飞机参数所组成的时序数据集；
步骤2，根据燃油系统飞参数据固定时间内的时序波获取频谱图；
步骤3，深度学习算法根据频谱图对飞机燃油系统进行故障预测。
本发明还提供一种实现基于深度学习的机务外场飞机燃油系统故障预测方法的终端机，包括：
存储器，用于存储计算机程序及实现多存储器压力测试系统；
处理器，用于执行所述计算机程序及基于深度学习的机务外场飞机燃油系统故障预测方法，以实现基于深度学习的机务外场飞机燃油系统故障预测方法的步骤。
本发明还提供一种具有基于深度学习的机务外场飞机燃油系统故障预测方法的可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现基于深度学习的机务外场飞机燃油系统故障预测方法的步骤。
从以上技术方案可以看出，本发明具有以下优点：
本发明先获取飞机燃油系统中对故障敏感的N种飞机参数所组成的时序数据集；根据燃油系统飞参数据固定时间内的时序波获取频谱图；深度学习算法根据频谱图对飞机燃油系统进行故障预测。本发明先通过获取飞机燃油系统中对故障敏感的N种飞机参数所组成的时序数据集，然后根据燃油系统飞参数据固定时间内的时序波获取频谱图，最后采用基于卷积神经网络框架的深度学习算法根据频谱图对飞机燃油系统进行故障预测，准确地预测飞机燃油系统的剩余寿命，能够有效预测飞机燃油系统的健康状况，避免实际飞行中因为不确定的故障造成严重的后果。
附图说明
为了更清楚地说明本发明的技术方案，下面将对描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1本发明提出一种应用于机务外场自主保障信息支持系统的基于深度学习的飞机燃油系统故障预测的方法的流程示意图；
图2为本发明实施例中卷积神经网络框架示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将运用具体的实施例及附图，对本发明保护的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本专利中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利保护的范围。
本发明提供一种基于深度学习的机务外场飞机燃油系统故障预测方法，如同1至2所示，包括以下步骤：
步骤1，获取燃油系统中对故障敏感的N种飞机参数所组成的时序数据集；
燃油系统中对故障敏感的N种飞机参数包括：总剩油量、燃油温度、左供油箱油量、右供油箱油量、右机翼油箱油量、左机翼油箱油量、前机身油箱油量、机身副油箱油量、左机翼副油箱油量、右机翼副油箱油量。
步骤2，根据燃油系统飞参数据固定时间内的时序波获取频谱图；
具体包括：步骤21，把获取燃油系统中对故障敏感的N种飞机参数所组成的时序数据按t毫秒的固定时长分块；
步骤22，把在t毫秒时间内的燃油系统飞参数据绘成时序波；
步骤23，利用傅立叶变换运算分解时序波，求取各个频带的能量值，获取燃油系统中对故障敏感的N种飞机参数的时序波频谱图。
步骤3，深度学习算法根据频谱图对飞机燃油系统进行故障预测。
具体包括：
步骤31，利用飞机燃油系统正常工作和异常工作时的飞参数据频谱图离线训练卷积神经网络框架；
其中，利用飞机燃油系统正常工作和异常工作时的飞参数据频谱图离线训练卷积神经网络框架，包括以下步骤:
步骤311，构造卷积神经网络，具体步骤如下：
A.构造输入层：把尺寸大小一样的飞机燃油系统正常工作和异常工作时的飞参数据频谱图作为输入层；
B.构造卷积层：卷积层由K个卷积滤波器构成，对频谱图进行滤波得到 K个特征图s1；
C.构造下采样层：下采样层对特征图进行采用，分别对K个特征图的t×t 大小的领域进行加权求和或者取其最大值等运算，再乘上一个乘子偏差，加上位移偏差，接着通过一个激活函数的运算，得到最后的下采样特征图c1；
D.重复步骤B和步骤C：下采样特征图c1再作为输入层，通过B步骤得到第二层卷积层s2，再通过C步骤下采样，得到第二层下采样层c2，重复这两个步骤，特征图的大小变小直到最后一次滤波后光栅化为一维数据；
E.构造密集连接层:对光栅化为一维的数据加入有M个神经元的全连接层，即通过乘上全连接层的权重矩阵，加上偏置，然后对其使用激活函数 ReLU，得到最后的全连接层；
F.构造输出层：输出层采用softmax层，跟全连接层相连，输出最后的检测结果；
步骤312，利用飞机燃油系统正常工作和异常工作时的飞参数据频谱图，采用Adam算法对卷积神经网络的误差梯度做最速下降优化，离线训练卷积神经网络。
步骤32，利用训练好的卷积神经网络框架，根据飞参数据的频谱图，对飞机燃油系统故障情况进行在线预测。
这样本发明，先通过获取飞机燃油系统中对故障敏感的N种飞机参数所组成的时序数据集，然后根据燃油系统飞参数据固定时间内的时序波获取频谱图，最后采用基于卷积神经网络框架的深度学习算法根据频谱图对飞机燃油系统进行故障预测，准确地预测飞机燃油系统的剩余寿命，能够有效预测飞机燃油系统的健康状况，避免实际飞行中因为不确定的故障造成严重的后果。
在一些实施例中，计算机可读存储介质可以包括非易失性介质。术语“非暂态”所述存储介质可以指示不包含在载波或传播信号。在某些实施例中，非临时性存储介质可以存储数据，它可以随时间改变(例如，RAM或者高速缓存)中。
所述代码或指令可以是软件和/或固件由处理电路包括一个或多个处理器执行，如一个或多个数字信号处理器(DSP)，通用微处理器，特定应用集成电路(ASICs)，现场可编程门阵列(FPGA)，或者其它等价物把集成电路或离散逻辑电路。因此，术语“处理器，”由于在用于本文时可以指任何前述结构或任何其它的结构更适于实现的这里所描述的技术。另外，在一些方面，本公开中所描述的功能可以提供在软件模块和硬件模块。
本发明还提供一种实现基于深度学习的机务外场飞机燃油系统故障预测方法的终端机，包括：
存储器，用于存储计算机程序及实现多存储器压力测试系统；
处理器，用于执行所述计算机程序及基于深度学习的机务外场飞机燃油系统故障预测方法，以实现基于深度学习的机务外场飞机燃油系统故障预测方法的步骤。
本发明还提供一种具有基于深度学习的机务外场飞机燃油系统故障预测方法的可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现基于深度学习的机务外场飞机燃油系统故障预测方法的步骤。
可能以许多方式来实现本发明的方法以及装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法以及装置。用于所述方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种基于深度学习的机务外场飞机燃油系统故障预测方法，其特征在于，包括以下步骤：
步骤1，获取燃油系统中对故障敏感的N种飞机参数所组成的时序数据集；
步骤2，根据燃油系统飞参数据固定时间内的时序波获取频谱图；
步骤3，深度学习算法根据频谱图对飞机燃油系统进行故障预测。
2.根据权利要求1所述的基于深度学习的机务外场飞机燃油系统故障预测方法，其特征在于，
步骤1所述的燃油系统中对故障敏感的N种飞机参数包括：总剩油量、燃油温度、左供油箱油量、右供油箱油量、右机翼油箱油量、左机翼油箱油量、前机身油箱油量、机身副油箱油量、左机翼副油箱油量以及右机翼副油箱油量。
3.根据权利要求1所述的基于深度学习的机务外场飞机燃油系统故障预测方法，其特征在于，所述步骤2还包括：
步骤21，把获取燃油系统中对故障敏感的N种飞机参数所组成的时序数据按t毫秒的固定时长分块；
步骤22，把在t毫秒时间内的燃油系统飞参数据绘成时序波；
步骤23，利用傅立叶变换运算分解时序波，求取各个频带的能量值，获取燃油系统中对故障敏感的N种飞机参数的时序波频谱图。
4.根据权利要求1所述的基于深度学习的机务外场飞机燃油系统故障预测方法，其特征在于，所述步骤3还包括：
步骤31，利用飞机燃油系统正常工作和异常工作时的飞参数据频谱图离线训练卷积神经网络框架；
步骤32，利用训练好的卷积神经网络框架，根据飞参数据的频谱图，对飞机燃油系统故障情况进行在线预测。
5.根据权利要求1所述的基于深度学习的机务外场飞机燃油系统故障预测方法，其特征在于，所述步骤31利用飞机燃油系统正常工作和异常工作时的飞参数据频谱图离线训练卷积神经网络框架，包括以下步骤:
步骤311，构造卷积神经网络，具体步骤如下：
A.构造输入层：把尺寸大小一样的飞机燃油系统正常工作和异常工作时的飞参数据频谱图作为输入层；
B.构造卷积层：卷积层由K个卷积滤波器构成，对频谱图进行滤波得到K个特征图s1；
C.构造下采样层：下采样层对特征图进行采用，分别对K个特征图的t×t大小的领域进行加权求和或者取其最大值等运算，再乘上一个乘子偏差，加上位移偏差，接着通过一个激活函数的运算，得到最后的下采样特征图c1；
D.重复步骤B和步骤C：下采样特征图c1再作为输入层，通过B步骤得到第二层卷积层s2，再通过C步骤下采样，得到第二层下采样层c2，重复这两个步骤，特征图的大小变小直到最后一次滤波后光栅化为一维数据；
E.构造密集连接层:对光栅化为一维的数据加入有M个神经元的全连接层，即通过乘上全连接层的权重矩阵，加上偏置，然后对其使用激活函数ReLU，得到最后的全连接层；
F.构造输出层：输出层采用softmax层，跟全连接层相连，输出最后的检测结果；
步骤312，利用飞机燃油系统正常工作和异常工作时的飞参数据频谱图，采用Adam算法对卷积神经网络的误差梯度做最速下降优化，离线训练卷积神经网络。
6.一种实现基于深度学习的机务外场飞机燃油系统故障预测方法的终端机，其特征在于，包括：
存储器，用于存储计算机程序及实现多存储器压力测试系统；
处理器，用于执行所述计算机程序及基于深度学习的机务外场飞机燃油系统故障预测方法，以实现如权利要求1至5任意一项所述基于深度学习的机务外场飞机燃油系统故障预测方法的步骤。
7.一种具有基于深度学习的机务外场飞机燃油系统故障预测方法的可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现如权利要求1至5任意一项所述基于深度学习的机务外场飞机燃油系统故障预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910280662.1A CN109992915A (zh) | 2019-04-09 | 2019-04-09 | 一种基于深度学习的机务外场飞机燃油系统故障预测方法，终端机及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910280662.1A CN109992915A (zh) | 2019-04-09 | 2019-04-09 | 一种基于深度学习的机务外场飞机燃油系统故障预测方法，终端机及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109992915A true CN109992915A (zh) | 2019-07-09 |
Family
ID=67132599
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910280662.1A Pending CN109992915A (zh) | 2019-04-09 | 2019-04-09 | 一种基于深度学习的机务外场飞机燃油系统故障预测方法，终端机及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109992915A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110633790A (zh) * | 2019-09-19 | 2019-12-31 | 郑州大学 | 基于卷积神经网络的飞机油箱剩余油量测量方法和系统 |
| CN111192379A (zh) * | 2019-12-24 | 2020-05-22 | 泉州装备制造研究所 | 一种飞机整机的综合故障诊断方法 |
| CN111275101A (zh) * | 2020-01-19 | 2020-06-12 | 山东超越数控电子股份有限公司 | 一种飞机液压系统故障识别方法，设备及可读存储介质 |
| CN111766067A (zh) * | 2020-07-10 | 2020-10-13 | 中国人民解放军空军工程大学 | 基于深度学习的机务外场飞机发动机故障预测方法 |
| CN111815056A (zh) * | 2020-07-10 | 2020-10-23 | 中国人民解放军空军工程大学 | 基于飞参数据的机务外场飞机燃油系统故障预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106981873A (zh) * | 2017-04-25 | 2017-07-25 | 集美大学 | 一种基于动力学行为的孤岛式电力系统潜隐故障预测方法 |
| CN107238507A (zh) * | 2017-06-20 | 2017-10-10 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的工业设备故障预测方法 |
| CN108869263A (zh) * | 2018-05-09 | 2018-11-23 | 中国人民解放军空军工程大学 | 飞机燃油泵综合性能退化试验台 |
-
2019
- 2019-04-09 CN CN201910280662.1A patent/CN109992915A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106981873A (zh) * | 2017-04-25 | 2017-07-25 | 集美大学 | 一种基于动力学行为的孤岛式电力系统潜隐故障预测方法 |
| CN107238507A (zh) * | 2017-06-20 | 2017-10-10 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的工业设备故障预测方法 |
| CN108869263A (zh) * | 2018-05-09 | 2018-11-23 | 中国人民解放军空军工程大学 | 飞机燃油泵综合性能退化试验台 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110633790A (zh) * | 2019-09-19 | 2019-12-31 | 郑州大学 | 基于卷积神经网络的飞机油箱剩余油量测量方法和系统 |
| CN110633790B (zh) * | 2019-09-19 | 2022-04-08 | 郑州大学 | 基于卷积神经网络的飞机油箱剩余油量测量方法和系统 |
| CN111192379A (zh) * | 2019-12-24 | 2020-05-22 | 泉州装备制造研究所 | 一种飞机整机的综合故障诊断方法 |
| CN111275101A (zh) * | 2020-01-19 | 2020-06-12 | 山东超越数控电子股份有限公司 | 一种飞机液压系统故障识别方法，设备及可读存储介质 |
| CN111766067A (zh) * | 2020-07-10 | 2020-10-13 | 中国人民解放军空军工程大学 | 基于深度学习的机务外场飞机发动机故障预测方法 |
| CN111815056A (zh) * | 2020-07-10 | 2020-10-23 | 中国人民解放军空军工程大学 | 基于飞参数据的机务外场飞机燃油系统故障预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109992915A (zh) | 一种基于深度学习的机务外场飞机燃油系统故障预测方法，终端机及可读存储介质 | |
| Luan et al. | Revisiting heterophily for graph neural networks | |
| CN109163913A (zh) | 一种汽车故障诊断方法及相关设备 | |
| CN107608862A (zh) | 监控告警方法、监控告警装置及计算机可读存储介质 | |
| CN109992916A (zh) | 一种基于飞参数据的机务外场飞机发动机故障预测方法，终端及可读存储介质 | |
| DE102010051133A1 (de) | Fehlerdiagnose und -prognose unter Verwendung von Diagnosestörungscode-Markov-Ketten | |
| WO2014200836A1 (en) | Systems and methods for monitoring system performance and availability | |
| CN110136294A (zh) | 一种航空发动机的维修决策方法、设备和介质 | |
| CN107591001B (zh) | 基于在线标定的快速路交通流数据填补方法及系统 | |
| CN113516244B (zh) | 一种智能运维方法、装置、电子设备及存储介质 | |
| CN108667927A (zh) | 工程机械故障的远程管理方法、装置、系统及存储介质 | |
| CN111275962A (zh) | 车辆轨迹数据聚集效应预测方法及装置 | |
| CN110113327A (zh) | 一种检测dga域名的方法及装置 | |
| CN110399362A (zh) | 异常考勤数据的筛选方法、装置、计算机设备及存储介质 | |
| Chang et al. | A fuzzy diagnosis approach using dynamic fault trees | |
| CN107169635A (zh) | 一种人机系统可靠性指标分解分配方法及评估方法 | |
| EP3462266B1 (en) | Aircraft maintenance message prediction | |
| CN111581882B (zh) | 一种生产单元不确定性条件下的重调度触发判断方法 | |
| CN109726736A (zh) | 训练电梯抱闸故障诊断模型、抱闸故障诊断的方法及系统 | |
| CN111079227B (zh) | 航天器热控功能系统健康评估建模方法 | |
| CN111679970A (zh) | 机器人软件系统运行环境状态预测方法 | |
| CN110020685A (zh) | 一种基于自适应滤波和受限玻尔兹曼机的预处理方法，终端及可读存储介质 | |
| CN108540331B (zh) | 基于改进esn的网络流量预测方法 | |
| Fowler | Elasmobranch biodiversity, conservation and management in Sabah | |
| Thunes | Discrete-event simulation of vessel response time for acute pollution in aquaculture |
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: 20190709 |
|
| RJ01 | Rejection of invention patent application after publication |