CN110060374A - 一种飞机燃油系统异常检测方法及装置 - Google Patents

一种飞机燃油系统异常检测方法及装置 Download PDF

Info

Publication number
CN110060374A
CN110060374A CN201910318733.2A CN201910318733A CN110060374A CN 110060374 A CN110060374 A CN 110060374A CN 201910318733 A CN201910318733 A CN 201910318733A CN 110060374 A CN110060374 A CN 110060374A
Authority
CN
China
Prior art keywords
monitoring data
state
presentation
parameter
flight
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
Application number
CN201910318733.2A
Other languages
English (en)
Other versions
CN110060374B (zh
Inventor
潘震
张竞凯
池程芝
李铁颖
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.)
China Aeronautical Radio Electronics Research Institute
Original Assignee
China Aeronautical Radio Electronics Research Institute
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 China Aeronautical Radio Electronics Research Institute filed Critical China Aeronautical Radio Electronics Research Institute
Priority to CN201910318733.2A priority Critical patent/CN110060374B/zh
Publication of CN110060374A publication Critical patent/CN110060374A/zh
Application granted granted Critical
Publication of CN110060374B publication Critical patent/CN110060374B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种飞机燃油系统异常检测方法及装置。该方法包括：获取飞行状态监测数据和检测出飞机出现的表象问题；飞行状态监测数据包括飞机上各个器件的运行参数；从飞行状态监测数据中提取可能引起表象问题的主要参数；将主要参数作为ELM预测模型的输入，得到各个器件的健康值；其中，健康值低于预设值的器件是引起表象问题的器件，ELM预测模型通过引起不同表象问题的问题参数样本和各个器件的健康值样本训练得到。本发明实现对飞机燃油系统状态的异常检测。

Description

一种飞机燃油系统异常检测方法及装置
技术领域
本发明实施例涉及飞机燃油系统异常检测技术，尤其涉及一种飞机燃油系统异常检测方法及装置。
背景技术
燃油系统作为飞机必不可少的组成部分，它的功能和特性对于飞机的飞行安全和任务的完成起着非常重要的关键作用。燃油流量规律与发动机的性能息息相关，从某种程度上能够反映发动机性能衰减情况，是影响飞机性能的重要因素。飞机在飞行过程中受到各种环境因素的影响，如何利用飞行状态参数监测飞机异常状态，确保飞行安全就显得更加重要，因此研究飞机燃油系统流量规律与发动机性能参数之间的关系，对于飞机燃油系统的异常检测具有非常重要的意义。
当前飞机燃油系统没有智能的异常检测方法，仅仅依靠阈值判断的方法，而且其阈值设置主要依赖于人为经验，对于不同的飞机，不同的飞行状态，误差较大。基于统计分析的方法比阈值方法性能好，广泛应用于网络入侵检测，故障检测和诊断，环境异常检测等方面，但是在燃油系统的应用中，难以对数据做出准确的分布统计。此外，当前的异常检测也是针对已知的故障模式进行的人工阈值设定，对于未曾出现的故障或处于退化过程中的状态难以设定阈值。
发明内容
本发明提供一种飞机燃油系统异常检测方法及装置，以实现飞机的各个器件是否出现问题的自动预测。
第一方面，本发明实施例提供了一种飞机燃油系统异常检测方法，包括：
获取飞行状态监测数据和检测出飞机出现的表象问题；飞行状态监测数据包括飞机上各个器件的运行参数；
从飞行状态监测数据中提取可能引起表象问题的主要参数；
将主要参数作为ELM预测模型的输入，得到各个器件的健康值；
其中，健康值低于预设值的器件是引起表象问题的器件，ELM预测模型通过引起不同表象问题的问题参数样本和各个器件的健康值样本训练得到。
进一步的，从飞行状态监测数据中提取可能引起表象问题的主要参数，包括：
标准化飞行状态监测数据；
采用主成分分析的方法从标准化后的飞行状态监测数据可能引起表象问题的主要参数。
进一步的，采用主成分分析的方法从标准化后的飞行状态监测数据可能引起表象问题的主要参数，包括：
将飞行状态监测数据作为自变量，将表象问题作为因变量，建立PLS回归方程；
对PLS回归方程进行变形，得到相邻自变量的关系和相邻因变量的关系；
根据相邻自变量的关系和相邻因变量的关系提取可能引起表象问题的主要参数。
进一步的，所述方法还包括:
对训练中的预测模型通采用置信区间的方法或k折交叉验证的方法进行验证，当验证结果不符合要求时，通过验证结果和各个器件的健康值样本改进训练中的预测模型的参数。
进一步的，ELM预测模型的结构为单隐层神经网络，包括网络输入层、一层隐藏层以及输出层。
进一步的，引起不同表象问题的问题参数样本中包括占10％的随机数据和占90％的引起不同表象问题的问题参数。
第二方面，本发明实施例还提供了一种飞机燃油系统异常检测装置，包括：
获取模块，用于获取飞行状态监测数据和检测出飞机出现的表象问题；飞行状态监测数据包括飞机上各个器件的运行参数；
提取模块，用于从飞行状态监测数据中提取可能引起表象问题的主要参数；
预测模块，用于将主要参数作为ELM预测模型的输入，得到各个器件的健康值；
其中，健康值低于预设值的器件是引起表象问题的器件，ELM预测模型通过引起不同表象问题的问题参数样本和各个器件的健康值样本训练得到。
进一步的，提取模块包括：
标准化单元，用于标准化飞行状态监测数据；
提取单元，用于采用主成分分析的方法从标准化后的飞行状态监测数据可能引起表象问题的主要参数。
进一步的，提取单元具体用于：
将飞行状态监测数据作为自变量，将表象问题作为因变量，建立PLS回归方程；
对PLS回归方程进行变形，得到相邻自变量的关系和相邻因变量的关系；
根据相邻自变量的关系和相邻因变量的关系提取可能引起表象问题的主要参数。
第三方面，本发明实施例还提供了一种计算机可读的存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面中任一所述的飞机燃油系统异常检测方法。
本发明提出一种基于状态预测的异常检测方法及装置。极限学习机(ExtremeLearning Machine，ELM)算法具有学习速度快、泛化能力好、鲁棒性强等特点，因此采用基于ELM回归预测的方法，利用历史飞行状态监测数据训练飞机燃油系统燃油流量与发动机等性能参数建立燃油系统异常检测模型，然后将当前飞行状态数据和模型预测输出进行对比，从而实现对飞机燃油系统状态的异常检测。
附图说明
图1示出基于ELM算法的飞机燃油系统异常检测流程图；
图2示出k折交叉验证的流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
随着国内民航工业与运输业的发展，机队规模越来越大，对飞机故障预测、诊断和健康监控的需求越来越大，保障成本也越来越高。为提高飞机异常和故障检测率，提升飞机和机队的运行效率，降低平均使用和维护成本，本专利针对飞机燃油系统异常和故障问题等民航飞机较常见的故障问题，设计一种基于ELM算法的飞机燃油系统异常检测方法，能够对飞机燃油系统进行迅速准确的进行异常检测，对提升飞机安全性和降低综合维护保障成本具有重要意义，有很大的应用前景。
本发明提出一种基于极限学习机算法ELM的飞机燃油系统异常检测方法。由于飞行状态参数众多，导致异常检测复杂度增加，精确度降低，因此首先采用主成分分析的方法对飞行状态参数降维，筛选出与燃油系统流量相关性较强的状态参数；另外由于飞行状态监测数据受到环境因素和人为因素等噪声影响，提出了采用置信区间和k折交叉验证的方法，降低噪声等不确定性因素对方法准确性的影响，最终提高了异常检测的准确性和模型的泛化能力，对于燃油系统的异常检测具有重要的意义。
本发明提出一种用于研究飞机燃油系统异常检测的方法。整个飞机燃油系统异常检测方法的包括飞行状态监测数据的降维，ELM预测模型的构建和k折交叉验证和异常检测。其特殊之处在于它包括以下内容：
1、提出了采用主成分分析的方法对原始的飞行状态监测参数进行降维的方法。
2、提出采用回归预测的方法对燃油系统的状态进行异常检测，避免了人工设置阈值，能够及时对燃油系统的异常发出告警。
3、采用k折交叉验证的方法进一步提高ELM算法的准确性和泛化能力。
本专利发明的飞机燃油系统异常检测的方法，可分析历史飞行数据，对数据进行降维优化，用故障数据训练ELM预测模型，通过k折交叉验证，实现通过飞行数据对异常的检测，可大幅减少飞机异常或故障的维修定位时间，提高维修效率，降低维护成本，增加飞机在服役周期内的在役时间，提高飞机的使用效率。
随着国内民航工业与运输业的发展，对飞机故障预测、诊断和健康监控的需求越来越大，本专利有很大的应用前景。
1、整体流程
参照图1，基于ELM的飞机燃油系统异常检测整体流程图，本发明所利用的数据是飞行状态监测数据，首先采用主成分分析的方法提取与燃油系统燃油流量相关的主要参数，然后构建训练数据向量，接着利用ELM算法进行回归拟合，最后输入测试数据，实现对状态的拟合预测和异常检测。
2、主成分分析
因为飞行参数数据记录的参数量众多，参数太多增加了燃油系统异常检测的复杂度，同时还会降低异常检测的准确性，因此需要对飞行参数进行约减。主成分分析(Principal Component Analysis，PCA)将多个变量通过线性变换以选出较少个重要变量的一种多元统计方法。主成分的基本思想是：设法将原来众多具有一定相关性的指标(如P个指标)，重新组合成一组新的互相无关的综合指标来代替原来的指标。通常数学上处理就是将原来P个指标进行线性组合，作为新的综合指标。
主成分分析算法步骤：
首先进行预备分析，目的是判断自变量(因变量)是否存在多重相关性，判断因变量与自变量是否存相关关系，进而决定是否需要采用PCA方法进行建模。具体计算方法：记矩阵Z＝(X,Y)，求Z的各列数据之间的相关系数X是什么，Y是什么，然后按照下列步骤进行主成分分析。
步骤1：标准化原始数据，此处的标准化为均衡化，标准化是为了使得数据均衡，标准化后的数据将处在一个以原点为中心的范围内，这样大大的减小的运算量，也防止了记录出现的错误。下面的E0为飞行状态监测数据，F0表征表象问题，ELM预测模型的输出向量包括各个器件的健康值。
标准化后的原始数据记为E0＝(eij)n×p和F0＝(fij)n×q，其中
式中，和分别为矩阵X和Y的第Y列数据的平均值；sxj和sfj分别为矩阵X和Y的第j列数据的标准差。
步骤2：建立回归方程
求出F0在t1,t2,...,tm上的MLR回归方程
将代入上式(3)，得到F0关于E0的PLS回归方程
式中I为单位矩阵。
最后将其还原为关于原始变量的PLS回归方程
式中，ak是矩阵的第k个向量，aki是ak是的第i个分量。
步骤3：主成分提取
求矩阵的最大特征值所对应的单位特征向量w1，得自变量的第1个主成分
t1＝E0w1 (6)
求矩阵的最大特征值所对应的单位特征向量c1，得因变量的第1个主成分
u1＝F0c1 (7)
求残差矩阵
式中令E0＝E1，F0＝F1重复步骤3。
3、ELM回归预测
ELM预测模型的结构为单隐层神经网络，包括网络输入层、隐藏层以及输出层，可以用公式(9)来表示。
根据Huang等人提出的定理，在给定任意N个不同样本和一个任意区间无限可微的激活函数后，对于具有N个隐含层神经元的神经网络，在任意赋值wi∈Rn和bi∈Rn，其隐含层数据矩阵H可逆且有||Hβ-T'||＝0。
当训练集个数N较大时，为了减少计算量，隐含层神经元个数K通常取比N小的数，因此训练误差可以逼近一个任意ε>0，即
因此，当激活函数无限可微时，ELM模型在训练之前随机产生w和b，而且在训练过程中保持不变。而隐含层与输出层之间的连接权值β可以通过求解下方程(11)的最小二乘解获得：
得到
其中，H+为H的Moore-Penrose(M-P)广义逆矩阵。
4、不确定性影响
飞行状态监测数据由于受到人为因素、环境因素等干扰，数据中可能包含大量的噪声信号，导致预测结果也受到系统噪声，建模误差和传感器误差的影响。本发明提出两种方法减小不确定对于异常检测模型的影响，一个是采用置信区间的方法，另一个是k折交叉验证的方法。
(1)置信区间的方法不同于点预测的方法，其预测结果包括了置信上限和置信下限，从而在一定程度上减小了噪声对于异常检测的干扰。
(2)k折交叉验证方法
k折交叉验证方法流程如图2所示。将初始样本分割成k个子样本，一个单独的子样本被保留作为验证模型的数据，其它k-1个样本作为训练样本。交叉验证重复k次，每个子样本验证一次，平均k次的结果，最终得到平均的估测。这个方法的优势在于同时重复运用随机产生的子样本进行训练和验证，能够增强算法的鲁棒性和泛化能力。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种飞机燃油系统异常检测方法，其特征在于，包括：
获取飞行状态监测数据和检测出飞机出现的表象问题；飞行状态监测数据包括飞机上各个器件的运行参数；
从飞行状态监测数据中提取可能引起表象问题的主要参数；
将主要参数作为ELM预测模型的输入，得到各个器件的健康值；
其中，健康值低于预设值的器件是引起表象问题的器件，ELM预测模型通过引起不同表象问题的问题参数样本和各个器件的健康值样本训练得到。
2.根据权利要求1所述的方法，其特征在于，从飞行状态监测数据中提取可能引起表象问题的主要参数，包括：
标准化飞行状态监测数据；
采用主成分分析的方法从标准化后的飞行状态监测数据可能引起表象问题的主要参数。
3.根据权利要求2所述的方法，其特征在于，采用主成分分析的方法从标准化后的飞行状态监测数据可能引起表象问题的主要参数，包括：
将飞行状态监测数据作为自变量，将表象问题作为因变量，建立PLS回归方程；
对PLS回归方程进行变形，得到相邻自变量的关系和相邻因变量的关系；
根据相邻自变量的关系和相邻因变量的关系提取可能引起表象问题的主要参数。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括:
对训练中的预测模型通采用置信区间的方法或k折交叉验证的方法进行验证，当验证结果不符合要求时，通过验证结果和各个器件的健康值样本改进训练中的预测模型的参数。
5.根据权利要求1-4任一项所述的方法，其特征在于，ELM预测模型的结构为单隐层神经网络，包括网络输入层、一层隐藏层以及输出层。
6.根据权利要求1所述的方法，其特征在于，引起不同表象问题的问题参数样本中包括占10％的随机数据和占90％的引起不同表象问题的问题参数。
7.一种飞机燃油系统异常检测装置，其特征在于，包括：
获取模块，用于获取飞行状态监测数据和检测出飞机出现的表象问题；飞行状态监测数据包括飞机上各个器件的运行参数；
提取模块，用于从飞行状态监测数据中提取可能引起表象问题的主要参数；
预测模块，用于将主要参数作为ELM预测模型的输入，得到各个器件的健康值；
其中，健康值低于预设值的器件是引起表象问题的器件，ELM预测模型通过引起不同表象问题的问题参数样本和各个器件的健康值样本训练得到。
8.根据权利要求7所述的装置，其特征在于，提取模块包括：
标准化单元，用于标准化飞行状态监测数据；
提取单元，用于采用主成分分析的方法从标准化后的飞行状态监测数据可能引起表象问题的主要参数。
9.根据权利要求8所述的装置，其特征在于，提取单元具体用于：
将飞行状态监测数据作为自变量，将表象问题作为因变量，建立PLS回归方程；
对PLS回归方程进行变形，得到相邻自变量的关系和相邻因变量的关系；
根据相邻自变量的关系和相邻因变量的关系提取可能引起表象问题的主要参数。
10.一种计算机可读的存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的飞机燃油系统异常检测方法。
CN201910318733.2A 2019-04-19 2019-04-19 一种飞机燃油系统异常检测方法及装置 Active CN110060374B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910318733.2A CN110060374B (zh) 2019-04-19 2019-04-19 一种飞机燃油系统异常检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910318733.2A CN110060374B (zh) 2019-04-19 2019-04-19 一种飞机燃油系统异常检测方法及装置

Publications (2)

Publication Number Publication Date
CN110060374A true CN110060374A (zh) 2019-07-26
CN110060374B CN110060374B (zh) 2021-06-01

Family

ID=67319810

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910318733.2A Active CN110060374B (zh) 2019-04-19 2019-04-19 一种飞机燃油系统异常检测方法及装置

Country Status (1)

Country Link
CN (1) CN110060374B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110823474A (zh) * 2019-09-27 2020-02-21 一汽解放汽车有限公司 一种燃油系统泄漏程度评估方法及存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050251347A1 (en) * 2004-05-05 2005-11-10 Pietro Perona Automatic visual recognition of biological particles
CN101063643A (zh) * 2007-02-02 2007-10-31 北京航空航天大学 飞机故障智能诊断方法及系统
CN103983453A (zh) * 2014-05-08 2014-08-13 南京航空航天大学 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
CN105021403A (zh) * 2015-07-17 2015-11-04 中国科学院自动化研究所 航空发动机启动系统故障诊断方法及故障模拟系统
CN105911975A (zh) * 2016-04-14 2016-08-31 南京航空航天大学 一种航空发动机气路故障融合诊断方法
US9696947B1 (en) * 2016-06-09 2017-07-04 Xerox Corporation Fault identification for a printing system
US20170263135A1 (en) * 2016-03-14 2017-09-14 Ehsan Rezaei Gerovi Analyzer systematic and reducing human faults system in aircraft flight
US20180222407A1 (en) * 2017-02-06 2018-08-09 Korea University Research And Business Foundation Apparatus, control method thereof and recording media
GB2561082A (en) * 2011-09-19 2018-10-03 Fisher Rosemount Systems Inc Inferential process modeling, quality prediction and fault detection using multi-stage data
CN109000940A (zh) * 2018-05-04 2018-12-14 中车青岛四方机车车辆股份有限公司 一种机车车辆异常轴温诊断方法及系统
US10157319B2 (en) * 2017-02-22 2018-12-18 Sas Institute Inc. Monitoring, detection, and surveillance system using principal component analysis with machine and sensor data
CN109557896A (zh) * 2017-09-25 2019-04-02 波音公司 用于飞机故障检测的系统和方法
CN109598815A (zh) * 2018-12-04 2019-04-09 中国航空无线电电子研究所 一种机载燃油系统耗油估计及健康监测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050251347A1 (en) * 2004-05-05 2005-11-10 Pietro Perona Automatic visual recognition of biological particles
CN101063643A (zh) * 2007-02-02 2007-10-31 北京航空航天大学 飞机故障智能诊断方法及系统
GB2561082A (en) * 2011-09-19 2018-10-03 Fisher Rosemount Systems Inc Inferential process modeling, quality prediction and fault detection using multi-stage data
CN103983453A (zh) * 2014-05-08 2014-08-13 南京航空航天大学 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
CN105021403A (zh) * 2015-07-17 2015-11-04 中国科学院自动化研究所 航空发动机启动系统故障诊断方法及故障模拟系统
US20170263135A1 (en) * 2016-03-14 2017-09-14 Ehsan Rezaei Gerovi Analyzer systematic and reducing human faults system in aircraft flight
CN105911975A (zh) * 2016-04-14 2016-08-31 南京航空航天大学 一种航空发动机气路故障融合诊断方法
US9696947B1 (en) * 2016-06-09 2017-07-04 Xerox Corporation Fault identification for a printing system
US20180222407A1 (en) * 2017-02-06 2018-08-09 Korea University Research And Business Foundation Apparatus, control method thereof and recording media
US10157319B2 (en) * 2017-02-22 2018-12-18 Sas Institute Inc. Monitoring, detection, and surveillance system using principal component analysis with machine and sensor data
CN109557896A (zh) * 2017-09-25 2019-04-02 波音公司 用于飞机故障检测的系统和方法
CN109000940A (zh) * 2018-05-04 2018-12-14 中车青岛四方机车车辆股份有限公司 一种机车车辆异常轴温诊断方法及系统
CN109598815A (zh) * 2018-12-04 2019-04-09 中国航空无线电电子研究所 一种机载燃油系统耗油估计及健康监测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
谷润平: "基于QAR数据的飞机发动机性能异常检测", 《航空计算技术》 *
逢珊等: "应用深度核极限学习机的航空发动机部件故障诊断", 《推进技术》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110823474A (zh) * 2019-09-27 2020-02-21 一汽解放汽车有限公司 一种燃油系统泄漏程度评估方法及存储介质
CN110823474B (zh) * 2019-09-27 2021-07-16 一汽解放汽车有限公司 一种燃油系统泄漏程度评估方法及存储介质

Also Published As

Publication number Publication date
CN110060374B (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
CN112202736B (zh) 基于统计学习和深度学习的通信网络异常分类方法
Javed et al. State of the art and taxonomy of prognostics approaches, trends of prognostics applications and open issues towards maturity at different technology readiness levels
Smarsly et al. Decentralized fault detection and isolation in wireless structural health monitoring systems using analytical redundancy
CN106951695B (zh) 多工况下的机械设备剩余使用寿命计算方法及系统
Liu et al. A data-level fusion model for developing composite health indices for degradation modeling and prognostic analysis
Coble et al. Applying the general path model to estimation of remaining useful life
CN108960303B (zh) 一种基于lstm的无人机飞行数据异常检测方法
CN102208028B (zh) 一种适用于动态复杂系统的故障预测和诊断方法
CN107274011A (zh) 综合马尔科夫模型和概率网络的设备状态识别方法
US20100253512A1 (en) System and method to assess signal similarity with applications to diagnostics and prognostics
CN110348752B (zh) 一种考虑环境干扰的大型工业系统结构安全性评估方法
CN104035431B (zh) 用于非线性过程监控的核函数参数的获取方法和系统
CN109141847A (zh) 一种基于mscnn深度学习的飞机系统故障诊断方法
CN111487991A (zh) 一种面向无人机集群的安全等级预测方法及系统
CN109471698B (zh) 云环境下虚拟机异常行为检测系统和方法
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
CN114363195B (zh) 面向时间和频谱残差卷积网络的网络流量预测预警方法
Simon et al. Aircraft engine gas path diagnostic methods: public benchmarking results
CN115324843A (zh) 基于监测数据的风力发电机组的故障诊断系统及其方法
CN103646013B (zh) 一种基于协方差矩阵范数逼近的多重故障重构方法
CN111079348B (zh) 一种缓变信号检测方法和装置
Li et al. Reliability modeling of a series system with correlated or dependent component degradation processes
CN105516206A (zh) 基于偏最小二乘的网络入侵检测方法及系统
CN109324591B (zh) 基于鲁棒估计器的随机混杂系统的故障诊断装置及方法
CN110060374A (zh) 一种飞机燃油系统异常检测方法及装置

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
CB03 Change of inventor or designer information

Inventor after: Wang Jinyan

Inventor after: Pan Zhen

Inventor after: Zhang Jingkai

Inventor after: Chi Chengzhi

Inventor after: Li Tieying

Inventor before: Pan Zhen

Inventor before: Zhang Jingkai

Inventor before: Chi Chengzhi

Inventor before: Li Tieying

CB03 Change of inventor or designer information