CN110414152A - 民机试飞振动故障预测模型和预测系统 - Google Patents
民机试飞振动故障预测模型和预测系统 Download PDFInfo
- Publication number
- CN110414152A CN110414152A CN201910699770.2A CN201910699770A CN110414152A CN 110414152 A CN110414152 A CN 110414152A CN 201910699770 A CN201910699770 A CN 201910699770A CN 110414152 A CN110414152 A CN 110414152A
- Authority
- CN
- China
- Prior art keywords
- vibration
- civil aircraft
- flight test
- flight
- frequency
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种民机试飞振动故障预测模型,通过以下步骤建立:1:建立数据库,所述数据库由特征参数集合以及各特征对应的状态组成;所述特征参数集合包含从民机各部位的振动参数中提取的时域特征、从民机各部位的振动参数中提取的频域特征、以及与振动参数相关性大于0.6的飞行参数;时域特征包括振动幅值的振动幅值的最大值、最小值、峰峰值,幅值变化率;频域特征包括频率组成、频率大小、频率随时间的变化趋势;2:利用二分类支持向量机模型建立民机试飞振动故障预测模型,得到二分类支持向量机模型也就确定了试飞数据的预警边界,通过这个预警边界作为数据正常和异常单状态判断的依据。本发明还公开了一种民机试飞振动故障预测系统。
Description
技术领域
本发明涉及一种用于飞机振动故障识别的模型和系统,主要功能是在飞行试验实时监控的过程中,利用采集到的高频振动数据作为输入,完成振动故障风险的识别和报警。
背景技术
飞机,特别是大型民机在飞行或试飞过程中,因气流、发动机、飞行姿态、质量动态变化等因素,其起落架、机翼、平尾等部件会发生振动,严重时会导致机体破损,影响飞机飞行安全。而当前针对民机试飞中的振动故障均为事后分析,即只能针对已知的振动破损现象进行改善或优化。对于振动,传统的分析流程如下:
(1)时域分析:对采集到的振动参数绘制全时间段趋势曲线,观察振动参数的幅值随时间的变化趋势,对出现幅值尖峰等时间段进行重点分析;
(2)频域分析:对出现幅值尖峰的时间段的振动参数进行快速傅里叶变换,得到频率成分,观察频率成分是否合理,或是否出现倍频;
(3)当振动频率出现异常或者出现倍频时,提取与该振动参数相关的一系列参数进行对比分析,研究彼此的相关性;
(4)根据相关性分析结果加装振动或应变传感器,获得振动数据并重复(1)、(2)、(3)步骤。
从传统的分析方法中可以看出,关于飞机振动故障的处理策略具有以下不足:
(1)分析手段较为单一:所采用的振动现象分析手段只是参数之间的相关性分析,因此很难对振动源进行定位;
(2)分析方法较为滞后:只能当振动故障或振动现象产生时(如机体发生结构破损)才会加装传感器进行分析或实时监控,不能对潜在的振动故障进行预测和预防;
(3)分析周期较为冗长:传统的振动数据分析方法依赖经验,往往需要多次枚举和排除才能确定具有相关性的参数,同时因为振动数据庞大,分析周期较长。
发明内容
本发明的发明目的一在于提供一种民机试飞振动故障预测模型,实现区分振动的故障状态和正常状态。本发明的另一发明目的在于提供一种民机试飞振动故障预测系统,对试飞过程中潜在的振动故障或风险进行实时预测,对于增强试飞安全,提高试飞效率、缩短试飞周期等具有重要意义。
本发明的一个发明目的通过以下技术方案实现:
一种民机试飞振动故障预测模型,通过以下步骤建立:
步骤1:建立数据库,所述数据库由特征参数集合X以及各特征对应的状态Y组成;所述特征参数集合包含从民机各部位的振动参数中提取的时域特征、从民机各部位的振动参数中提取的频域特征、以及与振动参数相关性大于0.6的飞行参数;时域特征包括振动幅值的振动幅值的最大值、最小值、峰峰值,幅值变化率;频域特征包括频率组成、频率大小、频率随时间的变化趋势;
步骤2:利用二分类支持向量机模型建立民机试飞振动故障预测模型:
通过对数据库数据进行提取,构建训练集合Z:
Z={(x1,y1),..(xi,yi).,(xl,yl)}∈(X×Y)l (公式1)
其中,xi∈X,yi∈Y={1,-1}(i=1,2,...,l);xi为特征向量,包括了时域特征、频域特征以及飞行参数,yi为灵敏度响应值,当yi=1为正常状态,yi=-1为异常状态,i为参数临时变量,l为总共的特征向量个数;
利用拉格朗日函数求原问题的对偶问题,最优化问题描述为:
其中:αi、αj为拉格朗日因子,i为参数临时变量,j为样本采样点个数,l为总共的特征向量个数,K(xi,xj)为高斯核函数,xi和xj代表每个具体的第i个特征变量的第j个采样点,C为惩罚因子;
利用SMO算法求解凸二次规划问题得最优解:其中,T表示矩阵的转置;
利用KKT条件,选取α*的一个正分量0≤αi≤C,计算阈值:
得出二分类支持向量机模型,即民机试飞振动故障预测模型:
得到二分类支持向量机模型也就确定了试飞数据的预警边界,通过这个预警边界作为数据正常和异常单状态判断的依据。
本发明的另一个发明目的通过以下技术方案实现:
一种民机试飞振动故障预测系统,包含权利要求1所述民机试飞振动故障预测模型、试飞参数实时解析模块、结果分发模块;
试飞参数实时解析模块用于解析传感器采集到试飞过程中的特征参数,将解析结果发送到民机试飞振动故障预测模型;其中,特征参数包含从民机各部位的振动参数中提取的时域特征、从民机各部位的振动参数中提取的频域特征、以及与振动参数相关性大于0.6的飞行参数;时域特征包括振动幅值的振动幅值的最大值、最小值、峰峰值,幅值变化率;频域特征包括频率组成、频率大小、频率随时间的变化趋势;
民机试飞振动故障预测模型用于根据试飞过程中的特征参数得到预警边界,当出现故障或接近预警边界时,将分类结果或预警状态发送至结果分发模块;
结果分发模块将分类结果或预警状态发送至各个实时监控终端。
优选地,该民机试飞振动故障预测系统由GoLang实现。
本发明的有益效果在于:
(1)建立试飞数据专家库,为后续数据分析提供了大量评判准则。
(2)通过建立SVM模型,确定试飞数据预警边界,为评判数据正常和异常状态提供依据。
(3)基于GoLang的实时振动故障预测系统,实现振动数据的实时分析和振动故障和风险的实时识别
附图说明
图1正常状态下36001和36002测量点振动传感器的时域趋势。
图2正常状态下40601和40602测量点振动传感器的时域趋势。
图3振动故障状态下36001和36002测量点振动传感器的时域趋势。
图4振动故障状态下的40601和40602测量点振动传感器的时域趋势。
图5振动故障状态下40601测量点振动传感器的幅频图。
图6在发生振动故障状态下振动幅度与空速的关系。
图7二分类支持向量机流程图。
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。
实施例一
本实施例以平尾振动为例对民机试飞振动故障预测模型的建立方法进行举例说明,起落架、机翼等其它振动原理相同。
民机试飞振动故障预测模型的建立方法如下:
步骤1:建立数据库
通过对近10TB的海量历史振动数据进行分析总结,针对平尾振动现象,具有评价价值的振动参数如表1所示:
表1用于平尾振动分析的加速度传感器参数
在正常状态下,振动加速度传感器时域趋势如图1、2所示,平尾振动甚至机体破损时,振动加速度传感器时域趋势如图3、4所示,通过对比,正常状态与振动故障状态下振动幅值存在明显的差异,因此实际应用时选取时域上的振动幅值的最大值(max)、最小值(min)、峰峰值(pp),幅值变化率(即振动幅值关于时间的一阶导数)作为时域特征。
通过对时域数据进行快速傅里叶变换可得到其频域数据。图5为出现振动故障时40601测量点振动传感器的幅频图,可见其故障振动频率集中在了500HZ左右,因此实际应用时选取频率组成、频率大小、频率随时间的变化趋势作为频域特征。
除了振动传感器直接体现的时域特征和频域特征外,振动故障和其他飞行参数也存在密切的关系,以空速为例,在发生振动故障状态下与振动参数的关系如图6所示。由此可见,当空域处于160~250节时,振动幅度明显增大,是造成故障甚至机体破坏的主要时段,因此空速160~250节是平尾振动的敏感区间。与空速类似,在建立数据库时,选择振动参数相关性大于0.6的飞行参数作为辅助特征,如表2所示的飞行参数。
表2飞行参数
平尾振动数据的数据库以Json的格式存储于MongoDB数据库中。本系统选用4.0.6版本的MongoDB,数据库名为Vibration,包含振动参数和飞行参数两个集合,集合结果如下所示:
{“Name”:param_name,
“MaxValue”:500,
“MinValue”:-500,
“UpperLimit”:50,
“LowerLimit”:-50}
步骤2:建立民机试飞振动故障预测模型
民机试飞振动故障预测模型采用支持二分类向量机(support vector machines,SVM)作为主要分类算法,利用专家规则辨识数据库对算法的权值和阈值进行迭代训练,将典型振动症候的识别准确率提高至95%以上。SVM是一种二分类模型,使用SVM是为了寻找一个超平面对样本(提取的各个特征)进行分割,达到区分振动故障和正常状态的目的。本实施例采用C-SVC二分类支持向量机模型,识别异常和正常两种状态,参见图7,步骤如下:
第一、通过对数据库数据进行提取,构建训练集合Z:
Z={(x1,y1),..(xi,yi).,(xl,yl)}∈(X×Y)l
其中,xi∈X=Rn,yi∈Y={1,-1}(i=1,2,...,l);i为参数临时变量,l为总共的特征向量个数,n为样本采样点数,xi为特征向量,包括了时域、频域以及相关参数等共l维特征向量,yi为灵敏度响应值,当yi=1为正常状态,yi=-1为异常状态
第二、由于样本为高维度的数据,本实施例建立非线性SVM模型,选取核函数K(x,x')和惩罚因子C,构造并求解最优化问题,利用拉格朗日函数求原问题的对偶问题,最优化为题可描述为:
其中:αi、αj为拉格朗日因子,i为参数临时变量,j为样本采样点个数,l为总共的特征向量个数,非线性核函数选取高斯核函数,K(xi,xj)中的xi和xj代表每个具体的第i特征变量的第j个采样点。
利用SMO算法求解凸二次规划问题可得最优解:T表示矩阵的转置;
第三、利用KKT条件,选取α*的一个正分量0≤αi≤C,计算阈值:
第四、得出二分类支持向量机模型:
得到SVM二分类的模型也就确定了试飞数据的预警边界,通过这个预警边界作为数据正常和异常单状态判断的依据
第五、具体实现代码利用sklearn包中的svm算法实现,关键代码如下:
form sklearn import svm.SVC
Model=svm.SVC(C=0.8,kernel,gamma=20,decision_function_shape=’ovr’)
Model.fit(x,y)
得到二分类支持向量机模型也就确定了试飞数据的预警边界,通过这个预警边界作为数据正常和异常单状态判断的依据。
实施例二
本实施例提供了一种民机试飞振动故障预测系统,该民机试飞振动故障预测系统为基于Golang平台搭建的高并发实时处理系统,将实施例一训练好的民机试飞振动故障预测模型进行移植,在机载实时环境中对频率高达8192的振动参数进行实时处理,并对症候进行识别分类,并对潜在的振动故障进行预警.
民机试飞振动故障预测系统分为三个模块:试飞参数实时解析模块、民机试飞振动故障预测模型以及结果分发模块。
试飞参数实时解析模块的核心是Golang的高并发模型,通过goroutine实现,goroutine类似于线程,但由Golang的运行时调度,运行步骤为:
1.接收机载NPD网络数据包;
2.加载总线参数ICD文件以及传感器校线文件;
3.通过步骤1和步骤2的准备,数据处理软件才具备解析试飞参数的条件,并将解析结果填充至预设channel,即channel_sync。
民机试飞振动故障预测模型以试飞参数实时解析模块的解析结果作为输入,以振动症候作为输出层实现异常状态和正常状态的分类,当出现故障或接近预警边界时,将分类结果或预警状态发送至channel,即channel_pub;
结果分发模块将channel_pub中的值通过UDP广播发送至各个实时监控终端实现预警。
可以理解的是,对本领域普通技术人员来说,可以根据本发明的技术方案及其发明构思加以等同替换或改变,而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。
Claims (3)
1.一种民机试飞振动故障预测模型,通过以下步骤建立:
步骤1:建立数据库,所述数据库由特征参数集合X以及各特征对应的状态Y组成;所述特征参数集合包含从民机各部位的振动参数中提取的时域特征、从民机各部位的振动参数中提取的频域特征、以及与振动参数相关性大于0.6的飞行参数;时域特征包括振动幅值的振动幅值的最大值、最小值、峰峰值,幅值变化率;频域特征包括频率组成、频率大小、频率随时间的变化趋势;
步骤2:利用二分类支持向量机模型建立民机试飞振动故障预测模型:
通过对数据库数据进行提取,构建训练集合Z:
Z={(x1,y1),..(xi,yi).,(xl,yl)}∈(X×Y)l (公式1)
其中,xi∈X,yi∈Y={1,-1}(i=1,2,...,l);xi为特征向量,包括了时域特征、频域特征以及飞行参数,yi为灵敏度响应值,当yi=1为正常状态,yi=-1为异常状态,i为参数临时变量,l为总共的特征向量个数;
利用拉格朗日函数求原问题的对偶问题,最优化问题描述为:
其中:αi、αj为拉格朗日因子,i为参数临时变量,j为样本采样点个数,l为总共的特征向量个数,K(xi,xj)为高斯核函数,xi和xj代表每个具体的第i个特征变量的第j个采样点,C为惩罚因子;
利用SMO算法求解凸二次规划问题得最优解:其中,T表示矩阵的转置;
利用KKT条件,选取α*的一个正分量0≤αi≤C,计算阈值:
得出二分类支持向量机模型,即民机试飞振动故障预测模型:
得到二分类支持向量机模型也就确定了试飞数据的预警边界,通过这个预警边界作为数据正常和异常单状态判断的依据。
2.一种民机试飞振动故障预测系统,包含权利要求1所述民机试飞振动故障预测模型、试飞参数实时解析模块、结果分发模块,其特征在于:
试飞参数实时解析模块用于解析传感器采集到试飞过程中的特征参数,将解析结果发送到民机试飞振动故障预测模型;其中,特征参数包含从民机各部位的振动参数中提取的时域特征、从民机各部位的振动参数中提取的频域特征、以及与振动参数相关性大于0.6的飞行参数;时域特征包括振动幅值的振动幅值的最大值、最小值、峰峰值,幅值变化率;频域特征包括频率组成、频率大小、频率随时间的变化趋势;
民机试飞振动故障预测模型用于根据试飞过程中的特征参数得到预警边界,当出现故障或接近预警边界时,将分类结果或预警状态发送至结果分发模块;
结果分发模块将分类结果或预警状态发送至各个实时监控终端。
3.根据权利要求2所述的一种民机试飞振动故障预测系统,其特征在于由GoLang实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910699770.2A CN110414152A (zh) | 2019-07-31 | 2019-07-31 | 民机试飞振动故障预测模型和预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910699770.2A CN110414152A (zh) | 2019-07-31 | 2019-07-31 | 民机试飞振动故障预测模型和预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110414152A true CN110414152A (zh) | 2019-11-05 |
Family
ID=68364400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910699770.2A Pending CN110414152A (zh) | 2019-07-31 | 2019-07-31 | 民机试飞振动故障预测模型和预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414152A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111076808A (zh) * | 2019-12-20 | 2020-04-28 | 中国北方发动机研究所(天津) | 一种柴油机台架试验实时振动监测及预警系统 |
CN112084575A (zh) * | 2020-08-14 | 2020-12-15 | 陕西千山航空电子有限责任公司 | 一种直升机振动数据的处理分析软件平台架构 |
CN114112267A (zh) * | 2021-11-19 | 2022-03-01 | 中国直升机设计研究所 | 一种直升机全动平尾振动疲劳试验方法 |
CN114266401A (zh) * | 2021-12-23 | 2022-04-01 | 北京石油化工学院 | 一种底盘发动机故障预测方法及系统 |
CN114545106A (zh) * | 2020-11-26 | 2022-05-27 | 国网天津市电力公司 | 一种复合绝缘子老化程度测试方法 |
CN115292423A (zh) * | 2022-10-08 | 2022-11-04 | 南京广权科技有限公司 | 一种用于信息化串流的故障信息归类方法及系统 |
CN115430814A (zh) * | 2022-09-27 | 2022-12-06 | 联峰钢铁(张家港)有限公司 | 一种连铸机状态判断及预警的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070024494A1 (en) * | 2005-04-11 | 2007-02-01 | Dizaji Reza M | Classification system for radar and sonar applications |
CN101549754A (zh) * | 2009-04-29 | 2009-10-07 | 北京航空航天大学 | 一种旋定翼复合式飞行器及其设计的方法 |
CN103048041A (zh) * | 2012-12-20 | 2013-04-17 | 北京信息科技大学 | 基于局部切空间和支持向量机的机电系统故障诊断方法 |
CN104462846A (zh) * | 2014-12-22 | 2015-03-25 | 山东鲁能软件技术有限公司 | 一种基于支持向量机的设备故障智能诊断方法 |
CN107832705A (zh) * | 2017-11-08 | 2018-03-23 | 天津大学 | 一种基于典型相关分析的非侵入式负荷识别方法 |
CN110013222A (zh) * | 2019-04-03 | 2019-07-16 | 杭州电子科技大学 | 一种用于睡眠呼吸暂停检测的系统 |
-
2019
- 2019-07-31 CN CN201910699770.2A patent/CN110414152A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070024494A1 (en) * | 2005-04-11 | 2007-02-01 | Dizaji Reza M | Classification system for radar and sonar applications |
CN101549754A (zh) * | 2009-04-29 | 2009-10-07 | 北京航空航天大学 | 一种旋定翼复合式飞行器及其设计的方法 |
CN103048041A (zh) * | 2012-12-20 | 2013-04-17 | 北京信息科技大学 | 基于局部切空间和支持向量机的机电系统故障诊断方法 |
CN104462846A (zh) * | 2014-12-22 | 2015-03-25 | 山东鲁能软件技术有限公司 | 一种基于支持向量机的设备故障智能诊断方法 |
CN107832705A (zh) * | 2017-11-08 | 2018-03-23 | 天津大学 | 一种基于典型相关分析的非侵入式负荷识别方法 |
CN110013222A (zh) * | 2019-04-03 | 2019-07-16 | 杭州电子科技大学 | 一种用于睡眠呼吸暂停检测的系统 |
Non-Patent Citations (3)
Title |
---|
崔建国等: "飞机复合材料结构损伤的预测方法", 《材料科学与工程学报》 * |
李忠恩: "基于支持向量机的飞机运动模式识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
胡雷: "面向飞行器健康管理的新异类检测方法研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111076808A (zh) * | 2019-12-20 | 2020-04-28 | 中国北方发动机研究所(天津) | 一种柴油机台架试验实时振动监测及预警系统 |
CN112084575A (zh) * | 2020-08-14 | 2020-12-15 | 陕西千山航空电子有限责任公司 | 一种直升机振动数据的处理分析软件平台架构 |
CN114545106A (zh) * | 2020-11-26 | 2022-05-27 | 国网天津市电力公司 | 一种复合绝缘子老化程度测试方法 |
CN114112267A (zh) * | 2021-11-19 | 2022-03-01 | 中国直升机设计研究所 | 一种直升机全动平尾振动疲劳试验方法 |
CN114112267B (zh) * | 2021-11-19 | 2023-12-29 | 中国直升机设计研究所 | 一种直升机全动平尾振动疲劳试验方法 |
CN114266401A (zh) * | 2021-12-23 | 2022-04-01 | 北京石油化工学院 | 一种底盘发动机故障预测方法及系统 |
CN114266401B (zh) * | 2021-12-23 | 2022-08-05 | 北京石油化工学院 | 一种底盘发动机故障预测方法及系统 |
CN115430814A (zh) * | 2022-09-27 | 2022-12-06 | 联峰钢铁(张家港)有限公司 | 一种连铸机状态判断及预警的方法 |
CN115292423A (zh) * | 2022-10-08 | 2022-11-04 | 南京广权科技有限公司 | 一种用于信息化串流的故障信息归类方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414152A (zh) | 民机试飞振动故障预测模型和预测系统 | |
US10193772B1 (en) | User behavior analyzer | |
US20200374306A1 (en) | Network traffic anomaly detection method, apparatus, computer device and storage medium | |
US20210389290A1 (en) | Intelligent Monitoring and Analysis Method for Air Pollution and Device Thereof | |
CN102647292B (zh) | 一种基于半监督神经网络模型的入侵检测方法 | |
CN105357063B (zh) | 一种网络空间安全态势实时检测方法 | |
CN106991502A (zh) | 一种设备故障预测系统和方法 | |
CN111174370A (zh) | 故障检测方法及装置、存储介质、电子装置 | |
CN110287316A (zh) | 一种告警分类方法、装置、电子设备及存储介质 | |
KR102087959B1 (ko) | 통신망의 인공지능 운용 시스템 및 이의 동작 방법 | |
CN107003992A (zh) | 用于神经语言行为识别系统的感知联想记忆 | |
CN105827611B (zh) | 一种基于模糊推理的分布式拒绝服务网络攻击检测方法和系统 | |
Hong et al. | Towards accurate and efficient classification of power system contingencies and cyber-attacks using recurrent neural networks | |
CN109688112A (zh) | 工业物联网异常行为检测装置 | |
CN107168844A (zh) | 一种性能监控的方法及装置 | |
Xia et al. | Intrusion detection system based on principal component analysis and grey neural networks | |
CN115842636A (zh) | 一种基于时序特征的网络异常行为监测方法以及装置 | |
KR20190081691A (ko) | 머신러닝 알고리즘을 이용한 공정 이상 감지 시스템 및 그 방법 | |
CN111967003A (zh) | 基于黑盒模型与决策树的风控规则自动生成系统及方法 | |
CN115407753B (zh) | 一种多变量加权集成学习的工业故障诊断方法 | |
Hu et al. | Method of informational and psychological influence evaluation in social networks based on fuzzy logic | |
Suvorov et al. | OSA: One-class recursive SVM algorithm with negative samples for fault detection | |
CN112565200B (zh) | 基于边缘智能的工控网络误用入侵检测预警系统 | |
CN116319036B (zh) | 基于卷积循环神经网络的异常网络请求识别模型生成方法 | |
Pohekari et al. | Cyber Attack Detection and Classification Using Mahcine Learning Technique Using Microsoft Azure Cloud |
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: 20191105 |
|
RJ01 | Rejection of invention patent application after publication |