CN110362933B - 基于迁移学习的飞机辅助动力装置寿命预测方法 - Google Patents

基于迁移学习的飞机辅助动力装置寿命预测方法 Download PDF

Info

Publication number
CN110362933B
CN110362933B CN201910647366.0A CN201910647366A CN110362933B CN 110362933 B CN110362933 B CN 110362933B CN 201910647366 A CN201910647366 A CN 201910647366A CN 110362933 B CN110362933 B CN 110362933B
Authority
CN
China
Prior art keywords
auxiliary power
data
service life
source domain
transfer learning
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
CN201910647366.0A
Other languages
English (en)
Other versions
CN110362933A (zh
Inventor
刘连胜
梁军
刘晓磊
刘大同
彭宇
彭喜元
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201910647366.0A priority Critical patent/CN110362933B/zh
Publication of CN110362933A publication Critical patent/CN110362933A/zh
Application granted granted Critical
Publication of CN110362933B publication Critical patent/CN110362933B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

基于迁移学习的飞机辅助动力装置寿命预测方法，涉及飞机辅助动力装置寿命预测领域。本发明是为了解决目前飞机辅助动力装置在翼状态监测数据少，维度低，使用在翼监测数据难以获得准确度高的寿命预测结果的问题。采集飞机辅助动力装置的试车测试仿真数据作为源域数据；采集任意一个飞机辅助动力装置的在翼监测数据作为目标域数据，将该数据分为训练集和测试集；采用源域数据训练高斯过程回归预测模型得到含有特征提取方法的高斯过程回归预测模型；使用训练集对得到的模型进行训练得到训练好的基于迁移学习的高斯过程回归预测模型；采用训练好的该模型对测试集进行寿命预测得到的预测值作为寿命预测结果。用于对飞机辅助动力装置进行寿命预测。

Description

基于迁移学习的飞机辅助动力装置寿命预测方法
技术领域
本发明涉及使用直推式迁移学习方法借助于在源域数据学到的特征，获得在翼监测数据的寿命预测结果，属于飞机辅助动力装置寿命预测领域。
背景技术
飞机辅助动力装置(Auxiliary Power Unit，APU)实质是一个小型的燃气涡轮发动机，一般安装在机身最后段的尾椎之内或一侧机翼的下方。在飞机起飞过程中，由于APU可以为飞机一部分额外耗能系统提供能源，使得发动机功率全部应用在飞机起飞过程，提高飞机起飞效能。通常情况下，APU可在飞机爬升到某预定高度时自动关闭，在飞行高度不超过某一阈值的情况下，APU可以再次启动，重新为发动机提供能源。降落后，发动机不再工作，空调、照明等相关工作仍由APU完成。APU的存在解决航空发动机起动过程的特殊性，同时也是保证发动机在发生偶然事故停机时再次起动的主要设备，无论是在飞机起飞过程，还是飞行过程中，APU的可靠性始终是飞机飞行安全的有力保障。通过有效的监测技术，对APU进行寿命预测，有效掌握设备的状态信息，及时发现问题并制定维修方法，从而有效预防某些功能故障的发生，控制并排除某些严重故障，减少经济损失，节约人力资源成本，缩小维修范围，减少停机时间。
但是目前APU在翼状态监测数据少，维度低，使用在翼监测数据难以获得准确度高的寿命预测结果。
发明内容
本发明是为了解决目前飞机辅助动力装置在翼状态监测数据少，维度低，使用在翼监测数据难以获得准确度高的寿命预测结果的问题。现提供基于迁移学习的飞机辅助动力装置寿命预测方法。
基于迁移学习的飞机辅助动力装置寿命预测方法，所述方法包括以下步骤：
步骤一、采集飞机辅助动力装置的试车测试仿真数据，作为源域数据；
采集任意一个飞机辅助动力装置的在翼监测数据，作为目标域数据，并将该目标域数据分为训练集和测试集；
步骤二、采用源域数据训练高斯过程回归预测模型，从源域数据中学习到特征提取的方法，从而得到含有特征提取方法的高斯过程回归预测模型；
步骤三、采用直推式迁移学习方法，使用训练集对步骤二中的含有特征提取方法的高斯过程回归预测模型进行训练，得到训练好的基于迁移学习的高斯过程回归预测模型；
步骤四、采用训练好的基于迁移学习高斯过程回归预测模型对测试集进行寿命预测，得到预测值，将该值作为飞机辅助动力装置的寿命预测结果。
本发明的有益效果为：
如果直接使用目标域(在翼监测数据)也可以训练模型，但是训练效果差，而本申请使用直推式迁移学习可以借助于在源域数据学到的特征，进而取得更好的效果。(类比于一个羽毛球打得特别好的人打乒乓球也会很容易打的好)。因为民机辅助动力装置在翼监测的全寿命周期数据很难获取，样本少，普通的机器学习算法很难在少样本的情况下取得好的预测结果。而迁移学习能够借助在其它域(源域含有大量的数据)学习到的特征和知识迁移到目标域中，进而提高辅助动力装置寿命预测的效果。因此，本申请迁移学习将数据量丰富的仿真监测数据迁移到在翼监测数据，以获得较高准确度的寿命预测结果。
附图说明
图1为具体实施方式一所述的基于迁移学习的飞机辅助动力装置寿命预测方法的流程图；
图2为实现飞机辅助动力装置寿命预测而采用的系统配置图；
图3为选用目标域数据中前1-49数据作为训练集进行训练得到的预测值与实际值的对比图；
图4为选用目标域数据中前1-50数据作为训练集进行训练得到的预测值与实际值的对比图；
图5为选用目标域数据中前1-51数据作为训练集进行训练得到的预测值与实际值的对比图。
具体实施方式
具体实施方式一：参照图1具体说明本实施方式，本实施方式所述的基于迁移学习的飞机辅助动力装置寿命预测方法，所述方法包括以下步骤：
步骤一、采集飞机辅助动力装置的试车测试仿真数据，作为源域数据；
采集任意一个飞机辅助动力装置的在翼监测数据，作为目标域数据，并将该目标域数据分为训练集和测试集；
步骤二、采用源域数据训练高斯过程回归预测模型，从源域数据中学习到特征提取的方法，从而得到含有特征提取方法的高斯过程回归预测模型；
步骤三、采用直推式迁移学习方法，使用训练集对步骤二中的含有特征提取方法的高斯过程回归预测模型进行训练，得到训练好的基于迁移学习的高斯过程回归预测模型；
步骤四、采用训练好的基于迁移学习高斯过程回归预测模型对测试集进行寿命预测，得到预测值，将该值作为飞机辅助动力装置的寿命预测结果。
本实施方式中，性能仿真数据采用Commercial Modular Aero-PropulsionSystem Simulation(C-MAPSS)仿真的数据。C-MAPSS对发动机的工作流程进行了仿真，仿真结果能较好地模拟发动机的实际工况。性能监测参数通过飞机通信寻址与报告系统(Aircraft Communications Addressing and ReportingSystem，缩写：ACARS)得到。数据包含APU的启动，启动主发电机时的监测数。筛选能够表征其性能的排气温度(Exhaust GasTemperature，EGT)。随着EGT的升高，APU的性能逐渐下降。
本申请源域采用(C-MAPSS)仿真数据，目标域采用某型号APU的ACARS报文数据。采用目标域的EGT参数对APU进行进寿命预测，将其分为训练集和测试集。利用迁移学习通过大量试车测试仿真数据去辅助预测APU的寿命，以提高APU的寿命预测率。
迁移学习是将已学到的知识迁移到不同但相关领域辅助解决相关域问题的一种新的机器学习方法。直推式迁移学习是迁移学习中源域数据和目标域数据不同但相关，源域任务和目标域任务相同的一种模式。因为源域为大量试车测试仿真数据，并且这些数据都赋有标签，目标域为没有标签的在翼状态监测数据，源域和目标域不同但相关。源域任务和目标域任务都是APU的寿命预测，所以，这种情况符合迁移学习中的直推式迁移学习模式。在直推式迁移学习的模式下，源域和目标域的任务是相同的，然而源域和目标域的数据是不同但相关的。直推式迁移学习将目标域的数据进行扩展后和源域数据组合进行预测，属于基于实例的迁移学习方法。
在翼监测数据包括样本x和标记y。所以，训练集和测试集都是由样本和标记组成。
具体实施方式二：本实施方式是对具体实施方式一所述的基于迁移学习的飞机辅助动力装置寿命预测方法作进一步说明，本实施方式中，所述方法还包括步骤五，
步骤五、根据预测值和测试集中在翼监测数据的标记值，获得均值误差和均方根误差，根据均值误差和均方根误差对飞机辅助动力装置的寿命预测结果进行评估，验证预测值的正确性。
具体实施方式三：本实施方式是对具体实施方式二所述的基于迁移学习的飞机辅助动力装置寿命预测方法作进一步说明，本实施方式中，采用源域数据DS＝{(xS1,yS1),(xS2,yS2),…,(xSn,ySn)}训练高斯过程回归预测模型，从源域数据中学习到特征提取的方法，从而得到含有特征提取方法的高斯过程回归预测模型GP(0,K)，其中，(xSn,ySn)表示源域数据中第n个样例，xSn表示源域数据中第n个样本，ySn表示源域数据中第n个标记，n为正整数：
f(x)～GP(0,K)公式1，
式中，K为协方差，
Figure BDA0002133987840000041
k(xsi,xsj)代表xsi和xsj的核函数，k(xsi,xsj)表示为：
Figure BDA0002133987840000042
其中，σf为核函数的最大允许标准差，σn为n个样本对应的高斯白噪声的标准差、δ为克罗内克函数，
Figure BDA0002133987840000043
为协方差函数的参数，q为样本的维度；协方差函数的参数、σf和σn组成超参数集合
Figure BDA0002133987840000044
根据共轭梯度公式：
Figure BDA0002133987840000045
获得似然公式p(ys|θ,xs)的最大值，从而获得σf、σn和
Figure BDA0002133987840000046
式中，
Figure BDA0002133987840000047
为偏导符号，xs为源域样本，ys为源域标记，
Figure BDA0002133987840000048
本实施方式中，采用源域数据训练高斯过程回归预测模型，从而得到用源域数据表示出的高斯过程回归预测模型(含有特征提取方法的高斯过程回归预测模型)，如公式1所示。公式3是为了求出σf、σn和l，求出的σf、σn和l带入公式2中，从而获得每个核函数。
高斯过程回归是要对新的输入X，预测出它对应的Y。由于在使用高斯过程中预设了均值为0，因此最后预测结果的优劣与协方差函数的选择有很大关联，当这些参数选择的不恰当时，得到的结果有可能没有任何意义。所以在求解超参数最常用的方法是对θ进行最大后验估计，具体求解过程为：
根据公式3中的梯度法求得似然公式的最大值，可以得到参数的一个较好的估计。
通过用共轭梯度等方法最大化上述似然，可以得到一个较好的θ值。但是共轭梯度方法存在迭代困难、优化效果过于依赖初值、易陷入局部最优解等问题，在实际问题中，通过多次设置初值的方法得到尽可能准确的最优值。
具体实施方式四：本实施方式是对具体实施方式三所述的基于迁移学习的飞机辅助动力装置寿命预测方法作进一步说明，本实施方式中，采用训练好的基于迁移学习高斯过程回归预测模型对测试集进行寿命预测，得到训练模型为：
Figure BDA0002133987840000051
式中，
Figure BDA0002133987840000052
为测试集中第m次的预测值，m＝1,2,...,N，yT为训练集中的标记值，K*表示训练集和测试集的协方差，K**为测试集的协方差，K**＝k(x*,x*)，x*为测试集中在翼监测数据的样本，K*＝[k(x*,xT1)k(x*,xT2)…k(x*,xTn)]，xTn为训练集中的样本，
Figure BDA0002133987840000053
为K*的转置，
将公式4变形为：
Figure BDA0002133987840000054
根据公式5获得预测值
Figure BDA0002133987840000055
的分布，对分布取平均值作为预测值的估计值
Figure BDA0002133987840000056
该估计值
Figure BDA0002133987840000057
表示为：
Figure BDA0002133987840000058
将该估计值作为最终获得的预测值。
本实施方式中，测试集数据表示为：
DT＝{(xT1,yT1),(xT2,yT2),…,(xTn,yTn)}，其中，
Figure BDA0002133987840000059
x表示在翼监测数据中的样本；
Figure BDA00021339878400000510
y表示在翼监测数据中的标记值，也叫做测试集中的实际值，专业称呼为“标签”。
本实施方式中，公式5表示的是
Figure BDA0002133987840000061
服从一种正态分布，服从N括号，然后括号内第1个公式K*K-1yT表示
Figure BDA0002133987840000062
的均值，第2个公式
Figure BDA0002133987840000063
表示
Figure BDA0002133987840000064
的方差。公式5的公式类似于一个人的身高服从于那种分布一样。所以，公式6表示的是对
Figure BDA0002133987840000065
的分布取平均值。
使用训练集对步骤二中的含有特征提取方法的高斯过程回归预测模型进行训练，得到训练好的高斯过程回归预测模型，采用训练好的高斯过程回归预测模型对测试集进行寿命预测，得到预测值，因此，训练集和测试集都要按照公式1的公式形式，都要服从于同一分布的特点，因此，联合训练集与测试集即公式4，通过公式4得到预测值。
具体实施方式五：本实施方式是对具体实施方式四所述的基于迁移学习的飞机辅助动力装置寿命预测方法作进一步说明，本实施方式中，均值误差EM为：
Figure BDA0002133987840000066
式中，N为预测步数，y为在测试集中在翼监测数据的标记。
具体实施方式六：本实施方式是对具体实施方式四所述的基于迁移学习的飞机辅助动力装置寿命预测方法作进一步说明，本实施方式中，均方根误差RMSE为：
Figure BDA0002133987840000067
本实施方式中，为评价模型的性能通过计算均值误差和均方根误差的大小来衡量预测的效果，均值误差和均方根误差分别是预测结果和实际结果均值差异和均方根差异。
试验验证：
本发明采用直推式迁移学习对APU寿命进行预测。在目标域中，分别选用前1-49数据、前1-50数据和前1-51的数据作为训练集，对APU寿命预测的结果分别见图3、图4和图5所示。
上述图中，RUL为剩余使用寿命，星线为预测的RUL，点线为实际的RUL，当RUL为0时表示APU为故障状态。实验通过均值误差和均方根误差来衡量预测效果的优劣，其结果如表1所示：
表1GPR和迁移学习预测结果
Figure BDA0002133987840000068
Figure BDA0002133987840000071
由图3～图5和表1可知，使用迁移学习对APU寿命进行预测，能够将够取得均值误差小于6.8，误差均方根小于8.1的效果，能够对APU寿命进行有效预测。

Claims (4)

1.基于迁移学习的飞机辅助动力装置寿命预测方法，其特征在于，所述方法包括以下步骤：
步骤一、采集飞机辅助动力装置的试车测试仿真数据，作为源域数据；
采集任意一个飞机辅助动力装置的在翼监测数据，作为目标域数据，并将该目标域数据分为训练集和测试集；
步骤二、采用源域数据训练高斯过程回归预测模型，从源域数据中学习到特征提取的方法，从而得到含有特征提取方法的高斯过程回归预测模型；
步骤三、采用直推式迁移学习方法，使用训练集对步骤二中的含有特征提取方法的高斯过程回归预测模型进行训练，得到训练好的基于迁移学习的高斯过程回归预测模型；
步骤四、采用训练好的基于迁移学习高斯过程回归预测模型对测试集进行寿命预测，得到预测值，将该值作为飞机辅助动力装置的寿命预测结果；
所述方法还包括步骤五，
步骤五、根据预测值和测试集中在翼监测数据的标记值，获得均值误差和均方根误差，根据均值误差和均方根误差对飞机辅助动力装置的寿命预测结果进行评估，验证预测值的正确性；
采用源域数据DS＝{(xS1,yS1),(xS2,yS2),…,(xSn,ySn)}训练高斯过程回归预测模型，从源域数据中学习到特征提取的方法，从而得到含有特征提取方法的高斯过程回归预测模型GP(0,K)，其中，(xSn,ySn)表示源域数据中第n个样例，xSn表示源域数据中第n个样本，ySn表示源域数据中第n个标记，n为正整数：
f(x)～GP(0,K) 公式1，
式中，K为协方差，
Figure FDA0003561194400000011
k(xsi,xsj)代表xsi和xsj的核函数，k(xsi,xsj)表示为：
Figure FDA0003561194400000012
Figure FDA0003561194400000021
其中，σf为核函数的最大允许标准差，σn为n个样本对应的高斯白噪声的标准差、δ为克罗内克函数，
Figure FDA0003561194400000022
为协方差函数的参数，q为样本的维度；协方差函数的参数、σf和σn组成超参数集合
Figure FDA0003561194400000023
根据共轭梯度公式：
Figure FDA0003561194400000024
获得似然公式p(ys|xs,θ)的最大值，从而获得σf、σn和
Figure FDA0003561194400000025
式中，
Figure FDA0003561194400000026
为偏导符号，xs为源域样本，ys为源域标记，
Figure FDA0003561194400000027
2.根据权利要求1所述基于迁移学习的飞机辅助动力装置寿命预测方法，其特征在于，
采用训练好的基于迁移学习高斯过程回归预测模型对测试集进行寿命预测，得到训练模型为：
Figure FDA0003561194400000028
式中，
Figure FDA0003561194400000029
为测试集中第m次的预测值，m＝1,2,...,N，yT为训练集中的标记值，K*表示训练集和测试集的协方差，K**为测试集的协方差，K**＝k(x*,x*)，x*为测试集中在翼监测数据的样本，K*＝[k(x*,xT1)k(x*,xT2)…k(x*,xTn)]，xTn为训练集中的样本，
Figure FDA00035611944000000210
为K*的转置，
将公式4变形为：
Figure FDA00035611944000000211
根据公式5获得预测值
Figure FDA00035611944000000212
的分布，对分布取平均值作为预测值的估计值
Figure FDA00035611944000000213
该估计值
Figure FDA00035611944000000214
表示为：
Figure FDA0003561194400000031
将该估计值作为最终获得的预测值。
3.根据权利要求2所述基于迁移学习的飞机辅助动力装置寿命预测方法，其特征在于，均值误差EM为：
Figure FDA0003561194400000032
式中，N为预测步数，y为在测试集中在翼监测数据的标记。
4.根据权利要求3所述基于迁移学习的飞机辅助动力装置寿命预测方法，其特征在于，均方根误差RMSE为：
Figure FDA0003561194400000033
CN201910647366.0A 2019-07-17 2019-07-17 基于迁移学习的飞机辅助动力装置寿命预测方法 Active CN110362933B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910647366.0A CN110362933B (zh) 2019-07-17 2019-07-17 基于迁移学习的飞机辅助动力装置寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910647366.0A CN110362933B (zh) 2019-07-17 2019-07-17 基于迁移学习的飞机辅助动力装置寿命预测方法

Publications (2)

Publication Number Publication Date
CN110362933A CN110362933A (zh) 2019-10-22
CN110362933B true CN110362933B (zh) 2022-07-01

Family

ID=68220143

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910647366.0A Active CN110362933B (zh) 2019-07-17 2019-07-17 基于迁移学习的飞机辅助动力装置寿命预测方法

Country Status (1)

Country Link
CN (1) CN110362933B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110718001B (zh) * 2019-10-24 2021-07-06 哈尔滨工业大学 基于lstm和svr模型的飞机辅助动力装置的性能参数单步预测方法
CN111222708B (zh) * 2020-01-13 2022-09-20 浙江大学 一种基于迁移学习动态建模的发电厂燃烧炉温度预测方法
CN111361759B (zh) * 2020-03-02 2023-02-03 哈尔滨工业大学 基于混合模型的飞机辅助动力装置在翼剩余寿命预测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5908176A (en) * 1997-01-14 1999-06-01 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration In-flight adaptive performance optimization (APO) control using redundant control effectors of an aircraft
CN102288412A (zh) * 2011-05-04 2011-12-21 哈尔滨工业大学 基于损伤基线的航空发动机硬件损伤分析与寿命预测方法
CN104897297A (zh) * 2015-06-03 2015-09-09 江苏工程职业技术学院 一种嵌入式航空活塞发动机无线温度测试装置及控制方法
CN106951695A (zh) * 2017-03-09 2017-07-14 杭州安脉盛智能技术有限公司 多工况下的机械设备剩余使用寿命计算方法及系统
CN107895088A (zh) * 2017-11-30 2018-04-10 天津大学 一种航空发动机燃烧室寿命预测方法
CN109033499A (zh) * 2018-06-07 2018-12-18 南京航空航天大学 一种多阶段一致性检验的航空发动机剩余寿命预测方法
CN109060001A (zh) * 2018-05-29 2018-12-21 浙江工业大学 一种基于特征迁移学习的多工况过程软测量建模方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160009391A1 (en) * 2013-11-04 2016-01-14 Eric Walter Friesel Stable Low Aspect Ratio Flying Wing

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5908176A (en) * 1997-01-14 1999-06-01 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration In-flight adaptive performance optimization (APO) control using redundant control effectors of an aircraft
CN102288412A (zh) * 2011-05-04 2011-12-21 哈尔滨工业大学 基于损伤基线的航空发动机硬件损伤分析与寿命预测方法
CN104897297A (zh) * 2015-06-03 2015-09-09 江苏工程职业技术学院 一种嵌入式航空活塞发动机无线温度测试装置及控制方法
CN106951695A (zh) * 2017-03-09 2017-07-14 杭州安脉盛智能技术有限公司 多工况下的机械设备剩余使用寿命计算方法及系统
CN107895088A (zh) * 2017-11-30 2018-04-10 天津大学 一种航空发动机燃烧室寿命预测方法
CN109060001A (zh) * 2018-05-29 2018-12-21 浙江工业大学 一种基于特征迁移学习的多工况过程软测量建模方法
CN109033499A (zh) * 2018-06-07 2018-12-18 南京航空航天大学 一种多阶段一致性检验的航空发动机剩余寿命预测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Battery health management system for electric UAVs;Bhaskar Saha 等;《2011 Aerospace Conference》;20110411;1-9 *
Development and Preliminary Experimental Validation of a Wind- and Solar-Powered Autonomous Surface Vehicle;Patrick F. Rynne 等;《IEEE Journal of Oceanic Engineering》;20101111;第35卷(第4期);971-983 *
Remaining Useful Life Prediction of Aircraft Auxiliary Power Unit with On-wing Sensing Data;Liansheng Liu 等;《2018 Prognostics and System Health Management Conference (PHM-Chongqing)》;20190107;223-228 *
基于AHP的航空发动机在翼寿命预测;于文武 等;《航空制造技术》;20101015(第20期);48-50 *
基于信息熵测度的数据驱动剩余寿命在线预测方法研究;刘连胜;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20190115(第01(2019)期);C029-39 *
基于数据驱动的航空发动机状态监测关键技术研究;周媛;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20171115(第11(2017)期);C031-55 *

Also Published As

Publication number Publication date
CN110362933A (zh) 2019-10-22

Similar Documents

Publication Publication Date Title
CN110362933B (zh) 基于迁移学习的飞机辅助动力装置寿命预测方法
EP3260943A1 (en) Prediction methods and systems for structural repair during heavy maintenance of aircraft
CN102998996A (zh) 一种飞机机载实时故障诊断方法
CN104773304B (zh) 空气动力学结构的负荷估计系统
US20200130866A1 (en) Structural usage monitoring system and method
CN108920341B (zh) 一种基于蒙特卡洛仿真的小卫星及其星座可用度评估方法
CN105825013B (zh) 一种基于离散事件系统的航空指挥保障优化方法
CN105242205A (zh) 一种航空三级式交流发电机旋转整流器在线故障诊断方法
Avery et al. Data-driven modeling and prediction of the process for selecting runway configurations
CN106229976A (zh) 基于数据驱动的暂态功角稳定态势预估方法
CN104318110B (zh) 一种提高大型复杂系统风险设计及维修效率的方法
CN110341986B (zh) 基于rbm优化elm的飞机辅助动力装置性能参数多步预测方法
CN111191832A (zh) 一种台风灾害配电网杆塔故障预测方法及系统
Lipke Speculations on project duration forecasting
CN106407578B (zh) 一种基于人工神经网络技术的飞机平尾寿命监控方法
Zhang et al. NHPP-based software reliability model considering testing effort and multivariate fault detection rate
Tundis et al. Dependability assessment of a deicing system through the RAMSAS method
CN103020733A (zh) 一种基于权重的机场单航班噪声预测方法及其系统
CN111814393B (zh) 基于生成对抗网络的apu退化参数生成方法
CN109918707A (zh) 一种基于Lévy过程的航空发动机剩余寿命预测方法
CN106886620A (zh) 航天器测试资源优化配置方法
CN110941289A (zh) 一种发动机高空台试验飞控模拟装置
CN102393833B (zh) 基于hfsqm排队模型考虑排错资源局限性的构件软件可靠性分析方法
Dong et al. Evaluation for Trainee Pilot Workload Management Competency During Approach Phase Based on Flight Training Data
CN104598747A (zh) 一种用于对飞行员飞行绩效进行评估的方法

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