CN110987439B - 一种基于Logistics回归和Xgboost模型的航空发动机故障预测方法 - Google Patents

一种基于Logistics回归和Xgboost模型的航空发动机故障预测方法 Download PDF

Info

Publication number
CN110987439B
CN110987439B CN201911232336.XA CN201911232336A CN110987439B CN 110987439 B CN110987439 B CN 110987439B CN 201911232336 A CN201911232336 A CN 201911232336A CN 110987439 B CN110987439 B CN 110987439B
Authority
CN
China
Prior art keywords
engine
data set
fault
xgboost model
fault prediction
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
CN201911232336.XA
Other languages
English (en)
Other versions
CN110987439A (zh
Inventor
许政�
毕茂华
封桂荣
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.)
Chaoyue Technology Co Ltd
Original Assignee
Chaoyue Technology Co Ltd
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 Chaoyue Technology Co Ltd filed Critical Chaoyue Technology Co Ltd
Priority to CN201911232336.XA priority Critical patent/CN110987439B/zh
Publication of CN110987439A publication Critical patent/CN110987439A/zh
Application granted granted Critical
Publication of CN110987439B publication Critical patent/CN110987439B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/14—Testing gas-turbine engines or jet-propulsion engines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Combustion & Propulsion (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于Logistics回归和Xgboost模型的航空发动机故障预测方法，其特征在于，包括：获取飞机的若干发动机参数所组成的数据集；根据若干发动机参数构建时序数据集；对时序数据集进行特征提取；对时序数据集中对应发动机故障的数据进行人工标记；根据标记的若干时序数据集构建基于Xgboost模型的航空发动机故障预测模型；获取已知航空发动机故障的真实数据集，将真实数据集通过基于Xgboost模型的航空发动机故障预测模型得到结果值；通过将结果值带入Logistics回归函数确定航空发动机是否发生故障。本发明采用基于Xgboost集成学习模型和Logistics回归模型对航空发动机进行发动机故障预测，可有效预测航空发动机的故障情况。

Description

一种基于Logistics回归和Xgboost模型的航空发动机故障预 测方法
技术领域
本发明涉及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一种基于Logistics回归和Xgboost模型的航空发动机故障预测方法。
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，而保障航空发动机在其中是最为根本的因素。军事科技的飞速发展对航空发动机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，航空发动机的保障技术总是落后于其他航天装备的技术。原有的航空发动机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。
航空发动机的故障预测缺乏量化分析，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。航空发动机发生故障时没有预警机制，机务外场设备维护人员对配备的航空发动机，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，导致航空发动机的完好率下降。
当航空发动机在发生故障后，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，进行航空发动机更换。这使得航空发动机维修成本增大，同时故障发动机也得不到良好的维护，导致资源的浪费。
航空发动机的故障预测是评判发动机健康状态的基础，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，如何为飞机发动机提供准确的故障预测也是地面保障领域中亟待解决的技术问题。
发明内容
为了克服上述现有技术中的不足，本发明提供一种基于Logistics回归和Xgboost模型的航空发动机故障预测方法，可有效对飞机发动机参数中的异常数据进行检测。
基于上述目的，本发明实施例提供了一种基于概率统计和支持向量机的发动机参数检测方法，包括如下步骤：
获取飞机的若干发动机参数所组成的数据集；
根据若干发动机参数构建时序数据集；
对时序数据集进行特征提取；
对时序数据集中对应发动机故障的数据进行标记；
根据标记的若干时序数据集构建基于Xgboost模型的航空发动机故障预测模型；
获取已知航空发动机故障的真实数据集，将真实数据集通过基于Xgboost模型的航空发动机故障预测模型得到结果值；
通过将结果值带入Logistics回归函数确定航空发动机是否发生故障。
根据本发明的基于Logistics回归和Xgboost模型的航空发动机故障预测方法的实施例，若干发动机参数包括：低压涡轮后燃气总温、振动值、发动机低压转子转速、发动机高压转子转速、油门位置、低压进口叶片转角、高压进口叶片转角、喷口鱼鳞片位置、发动机进口空气总温、滑油进口压力、占空比S1、占空比S8和APII-39二次电源接通。
根据本发明的基于Logistics回归和Xgboost模型的航空发动机故障预测方法的实施例，获取飞机的若干发动机参数所组成的数据集还包括：
对构建的时序数据集进行数据预处理。
根据本发明的基于Logistics回归和Xgboost模型的航空发动机故障预测方法的实施例，数据预处理包括异常值剔除、缺失数据填补、去噪滤波和归一化处理。
根据本发明的基于Logistics回归和Xgboost模型的航空发动机故障预测方法的实施例，对时序数据集进行特征提取还包括：
根据若干发动机参数之间的相关性分析，对构建的航空发动机的时序数据集进行特征提取。
根据本发明的基于Logistics回归和Xgboost模型的航空发动机故障预测方法的实施例，对时序数据集中对应发动机故障的数据进行标记包括：对于若干航空发动机参数所构建的时序数据集中具有发动机故障的数据进行人工标记。
根据本发明的基于Logistics回归和Xgboost模型的航空发动机故障预测方法的实施例，人工标记包括：将有发动机故障的数据标记为1，将无发动机故障的数据标记为0。
根据本发明的基于Logistics回归和Xgboost模型的航空发动机故障预测方法的实施例，基于Xgboost模型的航空发动机故障预测模型的表达式为：
Figure BDA0002303908310000031
其中，fj(x)表示第j个CART决策树模型，K表示在Xgboost模型中弱学习器CART决策树的数目。
根据本发明的基于Logistics回归和Xgboost模型的航空发动机故障预测方法的实施例，基于Xgboost模型的航空发动机故障预测模型中的弱学习器为CART决策树为：
f(x)＝wq(x)(q:Rm→T,w∈RT)
其中f(x)表示CART决策树，wq(x)表示叶子节点q的分数。
根据本发明的基于Logistics回归和Xgboost模型的航空发动机故障预测方法的实施例，将结果值带入Logistics回归函数确定航空发动机是否发生故障还包括：
设定故障阈值，响应于结果值的Logistics回归函数的数值大于等于故障阈值，故障预测数据为1，表示发生故障；响应于结果值的Logistics回归函数的数值小于故障阈值，故障预测数据为0，表示不发生故障。
本发明至少具有以下有益技术效果：采用基于Xgboost集成学习模型和Logistics回归模型对航空发动机进行发动机故障预测，可有效预测航空发动机的故障情况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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实施例。
图1为本发明基于Logistics回归和Xgboost模型的航空发动机故障预测方法的实施例的示意框图。
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。
图1示出的是本发明基于Logistics回归和Xgboost模型的航空发动机故障预测方法的实施例的示意框图。
根据本发明的一些实施例具体包括以下步骤：
S100、获取飞机的若干发动机参数所组成的数据集；
S200、根据若干发动机参数构建时序数据集；
S300、对时序数据集进行特征提取；
S400、对时序数据集中对应发动机故障的数据进行人工标记；
S500、根据标记的若干时序数据集构建基于Xgboost模型的航空发动机故障预测模型；
S600、获取已知航空发动机故障的真实数据集，将真实数据集通过基于Xgboost模型的航空发动机故障预测模型得到结果值；
S700、通过将结果值带入Logistics回归函数确定航空发动机是否发生故障。
在本发明的一些实施例中，本发明的基于Logistics回归和Xgboost模型的航空发动机故障预测方法实施的具体步骤如下：获取航空发动机的N种参数所组成的数据集；根据获取的N种航空发动机参数构建时序数据集；根据N种发动机参数之间的相关性分析，对构建的航空发动机时序数据集进行特征提取；对于N种航空发动机参数所构建的时序数据集中具有发动机故障的数据，进行人工标记；根据N种航空发动机参数构建基于Xgboost模型的航空发动机故障预测模型φ(x)；获取部分已知航空发动机故障的真实数据集，根据基于Xgboost模型的发动机故障预测模型得到的结果，并将结果值送入Logistics回归函数，从而确定是否发生发动机故障。
根据本发明的基于Logistics回归和Xgboost模型的航空发动机故障预测方法的一些实施例，若干发动机参数包括：低压涡轮后燃气总温、振动值、发动机低压转子转速、发动机高压转子转速、油门位置、低压进口叶片转角、高压进口叶片转角、喷口鱼鳞片位置、发动机进口空气总温、滑油进口压力、占空比S1、占空比S8和APII-39二次电源接通。在本发明的实施例中，上述发动机参数均对可作为航空发动机是否产生故障的条件。
根据本发明的基于Logistics回归和Xgboost模型的航空发动机故障预测方法的一些实施例，获取飞机的若干发动机参数所组成的数据集还包括：
对构建的时序数据集进行数据预处理。
在本发明的一些实施例中，需要在主要的处理以前对数据进行一些处理，以提高数据的质量。
根据本发明的基于Logistics回归和Xgboost模型的航空发动机故障预测方法的一些实施例，数据预处理包括异常值剔除、缺失数据填补、去噪滤波和归一化处理。
在本发明的一些实施例中，对所构建的时序数据集进行数据预处理，预处理包括异常值剔除、缺失数据填补、去噪滤波和归一化处理。其中，先对所采集的时序数据集进行去噪滤波和缺失数据填补后，再进行归一后处理。其中，可采用中值滤波的方法进行数据去噪，采用插值方法进行缺失数据填补。对所采集的数据集进行归一化处理的目的主要是将所有需要计算的数据都缩小到0-1之间，有效地简化计算，节约计算资源。
根据本发明的基于Logistics回归和Xgboost模型的航空发动机故障预测方法的一些实施例，对时序数据集进行特征提取还包括：
根据若干发动机参数之间的相关性分析，对构建的航空发动机的时序数据集进行特征提取。
在本发明的一些实施例中，采用皮尔逊系数ρX,Y对于航空发动机参数N种特征进行相关性分析：
Figure BDA0002303908310000061
根据本发明的基于Logistics回归和Xgboost模型的航空发动机故障预测方法的一些实施例，对时序数据集中对应发动机故障的数据进行标记包括：对于若干航空发动机参数所构建的时序数据集中具有发动机故障的数据进行人工标记。
在本发明的一些实施例中，由具有5年以上发动机故障判别经验的航空发动机专家进行手动标记。
根据本发明的基于Logistics回归和Xgboost模型的航空发动机故障预测方法的一些实施例，人工标记包括：将有发动机故障的数据标记为1，将无发动机故障的数据标记为0。
根据本发明的基于Logistics回归和Xgboost模型的航空发动机故障预测方法的一些实施例，基于Xgboost模型的航空发动机故障预测模型的表达式为：
Figure BDA0002303908310000071
其中，fj(x)表示第j个CART决策树模型，K表示在Xgboost模型中弱学习器CART决策树的数目。
在本发明的一些实施例中，利用F表示CART决策树的集合：
F＝{fj(x)|j＝1,2,...,K}
根据本发明的基于Logistics回归和Xgboost模型的航空发动机故障预测方法的实施例，基于Xgboost模型的航空发动机故障预测模型中的弱学习器为CART决策树为：
f(x)＝wq(x)(q:Rm→T,w∈RT)
其中f(x)表示CART决策树，wq(x)表示叶子节点q的分数。
通过不断地调节模型的参数，优化该基于Xgboost模型的航空发动机故障预测模型。在本发明的一些实施例中，我们采用梯度下降法来求解并优化该基于Xgboost模型的航空发动机故障预测模型的参数，其中构建CART决策树的数目max_tree_num＝20，构建树的最大深度max_depth＝8，训练样本随机采样率subsample＝0.7，生成树时进行的行采样率colsample_bytree＝0.7，学习率eta＝0.001，正则化参数λ＝2。
根据本发明的基于Logistics回归和Xgboost模型的航空发动机故障预测方法的实施例，将结果值带入Logistics回归函数确定航空发动机是否发生故障还包括：
设定故障阈值，响应于结果值的Logistics回归函数的数值大于等于故障阈值，故障预测数据为1，表示发生故障；响应于结果值的Logistics回归函数的数值小于故障阈值，故障预测数据为0，表示不发生故障。
在本发明的一些实施例中，给出Logistics回归函数g(z)的表达式为：
Figure BDA0002303908310000081
我们设定的阈值δ＝0.618，通过以下的公式计算出测试用例x的预测类别：
Figure BDA0002303908310000082
本发明采用Xgboost模型和Logistics回归模型相结合的方式对航空发动机进行故障预测，可有效预测飞机发动机的故障状况。
以上所描述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于Logistics回归和Xgboost模型的航空发动机故障预测方法，其特征在于，包括：
获取飞机的若干发动机参数所组成的数据集；
根据若干所述发动机参数构建时序数据集；
对所述时序数据集进行特征提取；
对所述时序数据集中对应发动机故障的数据进行标记；
根据标记的若干时序数据集构建所述基于Xgboost模型的航空发动机故障预测模型；
获取已知航空发动机故障的真实数据集，将所述真实数据集通过所述基于Xgboost模型的航空发动机故障预测模型得到结果值；
通过将所述结果值带入Logistics回归函数确定所述航空发动机是否发生故障；
其中，对所述时序数据集进行特征提取还包括：根据若干所述发动机参数之间的相关性分析，对构建的所述航空发动机的所述时序数据集进行特征提取；其中，所述发动机参数包括：低压涡轮后燃气总温、振动值、发动机低压转子转速、发动机高压转子转速、油门位置、低压进口叶片转角、高压进口叶片转角、喷口鱼鳞片位置、发动机进口空气总温、滑油进口压力、占空比S1、占空比S8和APII-39二次电源接通。
2.根据权利要求1所述的基于Logistics回归和Xgboost模型的航空发动机故障预测方法，其特征在于，所述获取飞机的若干发动机参数所组成的数据集还包括：
对构建的所述时序数据集进行数据预处理。
3.根据权利要求2所述的基于Logistics回归和Xgboost模型的航空发动机故障预测方法，其特征在于，所述数据预处理包括异常值剔除、缺失数据填补、去噪滤波和归一化处理。
4.根据权利要求1所述的基于Logistics回归和Xgboost模型的航空发动机故障预测方法，其特征在于，对所述时序数据集中对应发动机故障的数据进行标记包括：对于若干所述航空发动机参数所构建的时序数据集中对应发动机故障的数据进行人工标记。
5.根据权利要求4所述的基于Logistics回归和Xgboost模型的航空发动机故障预测方法，其特征在于，所述人工标记包括：将有发动机故障的数据标记为1，将无发动机故障的数据标记为0。
6.根据权利要求1所述的基于Logistics回归和Xgboost模型的航空发动机故障预测方法，其特征在于，所述基于Xgboost模型的航空发动机故障预测模型的表达式为：
Figure FDA0003333340910000021
其中，fj(x)表示第j个CART决策树模型，K表示在Xgboost模型中弱学习器CART决策树的数目。
7.根据权利要求6所述的基于Logistics回归和Xgboost模型的航空发动机故障预测方法，所述基于Xgboost模型的航空发动机故障预测模型中的所述弱学习器为CART决策树为：
f(x)＝wq(x)(q:Rm→T,w∈RT)
其中f(x)表示CART决策树，wq(x)表示叶子节点q的分数。
8.根据权利要求5所述的基于Logistics回归和Xgboost模型的航空发动机故障预测方法，将结果值带入Logistics回归函数确定所述航空发动机是否发生故障还包括：
设定故障阈值，响应于所述结果值的Logistics回归函数的数值大于等于所述故障阈值，故障预测数据为1，表示发生故障；响应于所述结果值的Logistics回归函数的数值小于所述故障阈值，所述故障预测数据为0，表示不发生故障。
CN201911232336.XA 2019-12-05 2019-12-05 一种基于Logistics回归和Xgboost模型的航空发动机故障预测方法 Active CN110987439B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911232336.XA CN110987439B (zh) 2019-12-05 2019-12-05 一种基于Logistics回归和Xgboost模型的航空发动机故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911232336.XA CN110987439B (zh) 2019-12-05 2019-12-05 一种基于Logistics回归和Xgboost模型的航空发动机故障预测方法

Publications (2)

Publication Number Publication Date
CN110987439A CN110987439A (zh) 2020-04-10
CN110987439B true CN110987439B (zh) 2022-03-22

Family

ID=70090169

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911232336.XA Active CN110987439B (zh) 2019-12-05 2019-12-05 一种基于Logistics回归和Xgboost模型的航空发动机故障预测方法

Country Status (1)

Country Link
CN (1) CN110987439B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111427802B (zh) * 2020-06-09 2021-06-22 南京大学 利用集成学习进行测试用例优先级排序的测试方法和系统
CN113899557B (zh) * 2020-06-22 2023-11-28 中国航发商用航空发动机有限责任公司 确定航空发动机空气系统特性的方法和装置
CN112668500B (zh) * 2020-12-30 2023-12-29 太原科技大学 一种基于Xgboost的轧机多目标振动预测方法
CN113200153B (zh) * 2021-06-17 2022-08-26 北京机电工程研究所 一种飞行器飞行振动预测方法
CN114707706A (zh) * 2022-03-17 2022-07-05 广西科学院 一种基于不均衡数据的柴油发动机故障诊断方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108551167A (zh) * 2018-04-25 2018-09-18 浙江大学 一种基于XGBoost算法的电力系统暂态稳定判别方法
CN109829236A (zh) * 2019-01-31 2019-05-31 浙江工业大学 一种基于XGBoost特征提取的压缩机故障诊断方法
CN109840541A (zh) * 2018-12-05 2019-06-04 国网辽宁省电力有限公司信息通信分公司 一种基于XGBoost的电网变压器故障分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108551167A (zh) * 2018-04-25 2018-09-18 浙江大学 一种基于XGBoost算法的电力系统暂态稳定判别方法
CN109840541A (zh) * 2018-12-05 2019-06-04 国网辽宁省电力有限公司信息通信分公司 一种基于XGBoost的电网变压器故障分类方法
CN109829236A (zh) * 2019-01-31 2019-05-31 浙江工业大学 一种基于XGBoost特征提取的压缩机故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于XGBoost算法的电力系统暂态稳定评估;张晨宇等;《电力自动化设备》;20190331;第77-83页 *
基于特征选择和XGBoost 的风机叶片结冰预测;曹渝昆等;《新能源发电控制技术》;20190630;第31-33页 *

Also Published As

Publication number Publication date
CN110987439A (zh) 2020-04-10

Similar Documents

Publication Publication Date Title
CN110987439B (zh) 一种基于Logistics回归和Xgboost模型的航空发动机故障预测方法
CN108733891B (zh) 用于预测使用寿命周期和低周期疲劳消耗的系统和方法
Yildirim et al. Aircraft gas turbine engine health monitoring system by real flight data
US20230214691A1 (en) Fatigue Crack Growth Prediction
Barad et al. Neural network approach for a combined performance and mechanical health monitoring of a gas turbine engine
CN110427988B (zh) 一种基于深度学习的机载飞参数据健康诊断方法
US20090048730A1 (en) Method and system for planning repair of an engine
CN112507452A (zh) 航空发动机涡轮叶片可靠性数字孪生建模方法
CN109766583A (zh) 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法
US20160177856A1 (en) Equipment health monitoring method and system and engine
US20170024649A1 (en) Anomaly detection system and method for industrial asset
CN114282579A (zh) 基于变分模态分解和残差网络的航空轴承故障诊断方法
CN107103658B (zh) 基于深度学习与高斯分布的航空发动机气路异常检测方法
CN113168313A (zh) 用于监控飞行器发动机的计算环境系统
WO2018169722A1 (en) Fatigue crack growth prediction
CN111680875A (zh) 基于概率基线模型的无人机状态风险模糊综合评价方法
CN111241694A (zh) 一种基于大数据处理的飞机机群健康评估方法，设备及可读存储介质
CN110096801A (zh) 一种航空发动机高压涡轮盘动态可靠性预测方法
Balakrishnan et al. Aero-engine health monitoring with real flight data using whale optimization algorithm based artificial neural network technique
Yildirim et al. Engine health monitoring in an aircraft by using Levenberg-Marquardt feedforward neural network and radial basis function network
Volponi Data fusion for enhanced aircraft engine prognostics and health management
CN113313365A (zh) 一种一次风机的劣化预警方法及设备
CN110657031B (zh) 飞机发动机喘振识别方法
CN111209683A (zh) 航空发动机工作状态识别模型构建方法、模型及识别方法
CN111060323A (zh) 一种基于rbf神经网络的航空发动机过振的自动识别方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 250104 No. 2877 Kehang Road, Sun Village Town, Jinan High-tech Zone, Shandong Province

Applicant after: Chaoyue Technology Co.,Ltd.

Address before: 250104 No. 2877 Kehang Road, Sun Village Town, Jinan High-tech Zone, Shandong Province

Applicant before: SHANDONG CHAOYUE DATA CONTROL ELECTRONICS Co.,Ltd.

GR01 Patent grant
GR01 Patent grant