CN111241629B - 基于数据驱动的飞机液压泵性能变化趋势智能预测方法 - Google Patents

基于数据驱动的飞机液压泵性能变化趋势智能预测方法 Download PDF

Info

Publication number
CN111241629B
CN111241629B CN202010017890.2A CN202010017890A CN111241629B CN 111241629 B CN111241629 B CN 111241629B CN 202010017890 A CN202010017890 A CN 202010017890A CN 111241629 B CN111241629 B CN 111241629B
Authority
CN
China
Prior art keywords
data
trend
item
prediction
model
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
CN202010017890.2A
Other languages
English (en)
Other versions
CN111241629A (zh
Inventor
崔建国
李鹏程
崔霄
于明月
蒋丽英
赵雪莹
刘利秋
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.)
Shenyang Aerospace University
Original Assignee
Shenyang Aerospace University
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 Shenyang Aerospace University filed Critical Shenyang Aerospace University
Priority to CN202010017890.2A priority Critical patent/CN111241629B/zh
Publication of CN111241629A publication Critical patent/CN111241629A/zh
Application granted granted Critical
Publication of CN111241629B publication Critical patent/CN111241629B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

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

Abstract

本发明提供一种基于数据驱动的飞机液压泵性能变化趋势智能预测方法，涉及航空航天预测技术领域。本发明首先获取飞机液压泵的回油流量性能表征参数形成初始参数集合；将性能表征参数分解为D个趋势项数据和D个细节项数据；然后将细节项数据归一化得到参数数据集合；建立细节项训练数据集，并构建细节项数据趋势预测模型；对细节项数据进行趋势预测得到细节项趋势预测结果；再建立ARIMA趋势项预测模型；对趋势项数据进行预测；最后将趋势项预测结果与细节项预测结果进行了叠加，得到飞机液压泵性能变化趋势预测结果。本方法使预测精确性和实时性都高于单一模型，能够实现对液压泵性能变化趋势的预测，有一定的工程实际意义。

Description

基于数据驱动的飞机液压泵性能变化趋势智能预测方法
技术领域
本发明涉及航空航天预测技术领域，尤其涉及一种基于数据驱动的飞机液压泵性能变化趋势智能预测方法。
背景技术
飞机液压系统是飞机上以油液为驱动介质、为飞机提供驱动力的整套装置。飞机液压泵作为液压系统动力核心元件，在长期高负载的状态下，易出现由油液污染或油液泄露导致液压系统性能出现急速下降甚至故障的情况。且由于飞机液压泵内部元件制造工艺精密，元件之间功能结构联系紧密、工作机理复杂，无法对其工作状态和性能变化进行直接监测，故采用数据驱动的分析手段成为了液压系统故障预测诊断及趋势变化分析的有效工具。采集能表征飞机液压泵性能变化趋势的有效参数，对飞机性能变化趋势进行分析，对飞机视情维修及事后保障都有重大的意义。
目前，在工程中应用较为广泛的性能趋势分析方法中，多项式拟合法模型建立较简单，预测准确度较低；人工神经网络对于数据量比较少的样本信息的适用能力较弱，网络结构不易确定且冗余过大，模型的训练时间难以把控，实时性较差；支持向量机则容易因参数的优化问题无法输出最优解。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于数据驱动的飞机液压泵性能变化趋势智能预测方法，本方法将长短期记忆神经网络和自回归积分滑动平均模型结合起来，使预测精确性和实时性都高于单一模型，能够实现对液压泵性能变化趋势的预测，有一定的工程实际意义。
为解决上述技术问题，本发明所采取的技术方案是：
本发明提供一种基于数据驱动的飞机液压泵性能变化趋势智能预测方法，包括如下步骤：
步骤1：获取飞机液压泵的回油流量性能表征参数，形成初始参数集合；
步骤2：采用线性分解公式对性能表征参数D个原始数据进行分解，分别得到D个趋势项数据和D个细节项数据；线性分解公式具体如下:
Figure BDA0002359605030000011
xt2＝xt-xt1
其中：k为光滑系数，1≤k≤n，xi为原始数据序列，xt为xi原始数据序列中的当前值，t为数据序列号，n为序列号的最大值，xt1为xt分解后的趋势项数据，xt2为xt分解后的细节项数据，i＝1,2,3,…n，1≤t≤n；
步骤3：细节项数据归一化，形成参数数据集合；将细节项参数数据进行归一化处理，使得归一化后的数据位于(-1,1)之间；
步骤4：对归一化后的细节项数据进行相空间重构，得到细节项训练数据集；采用训练集数据构建细节项趋势预测模型，得到细节项数据趋势预测模型；
步骤5：对细节项数据进行趋势预测，得到细节项趋势预测结果；
步骤6：构建自回归积分滑动平均趋势预测模型，即ARIMA趋势项预测模型；
步骤7：对趋势项数据进行预测；将后D-d个数据输入到步骤6构建的ARIMA趋势项预测模型中，得到趋势项预测结果；
步骤8：将趋势项预测结果与细节项预测结果进行了叠加，将叠加后的结果作为基于ARIMA-LSTM的飞机液压泵性能变化趋势预测结果。
所述步骤4还包括如下步骤：
步骤4.1：设置长短期记忆网络模型初始参数，输入层神经元个数为m，输出层神经元个数为e，隐含层神经元个数为u，迭代次数为p；
步骤4.2：构建训练样本数据集，将步骤3所得的归一化后的D个细节项数据中的前d个数据进行相空间重构，得到R×m的输入矩阵和R×e的输出矩阵，输入矩阵各行与输出矩阵的各行分别对应，由此得到的输入矩阵与输出矩阵作为细节项数据训练样本集，将细节项数据训练样本集代入长短期记忆网络模型进行训练，得到基于LSTM的细节项趋势预测模型。
所述步骤5的具体方法为：将训练数据中的后m个数据作为第1组测试数据，并将第1组测试数据输入到细节项趋势预测模型，得到第1组测试数据的预测值，即为第1个预测值；然后，将第1个预测值加入到第1组数据的末尾，并去掉第1组数据中的第一个数据，形成维数相同的第2组测试数据，输入到细节项趋势预测模型，得到第2组测试数据的预测值，即为第2个预测值；重复上述步骤，将维数相同的第a组细节项测试数据，输入到细节项趋势预测模型，可得到第a组细节项数据的预测值，即为第a个预测值；将得到所有细节项趋势预测值进行反归一化处理，得到细节项趋势预测结果。
所述步骤6的具体步骤如下：
步骤6.1：趋势项预测训练数据的构建；将步骤2所得的D个趋势项数据中的前d个数据作为ARIMA趋势项预测模型的训练数据；
步骤6.2：采用自相关系数图与偏相关系数图的方法对趋势项训练数据进行平稳性检验；若数据平稳，则输出平稳的数据；若数据不平稳，则需要对其进行差分处理并重新检验，直到平稳为止，输出得到平稳的数据；其中差分的次数就是ARIMA(p，d，q)中的阶数；其中p为自回归项，q为移动平均项数，d为时间序列成为平稳时间序列时所做的差分次数；
步骤6.3：ARIMA模型的识别与定阶；模型的识别是根据时间序列的自相关函数和偏自相关函数的截尾和拖尾性初步识别模型类型；
步骤6.4：模型的参数估计与检验。模型的参数估计采用最小二乘估计法对参数进行估计；对于模型的残差检验是判断残差序列是否通过白噪声检验，若通过，则该模型作为ARIMA趋势项预测模型，若不通过，则模型不通过检验，返回步骤6.3重新对模型的阶数p与q进行识别与定阶。
采用上述技术方案所产生的有益效果在于：本发明提供的一种基于数据驱动的飞机液压泵性能变化趋势智能预测方法，本方法采用了线性公式对飞机液压泵的回油流量性能表征参数数据分解后，得到趋势项数据和细节项数据，对规律性明显的趋势项数据采用ARIMA方法进行趋势预测，对随机性明显的细节项数据采用LSTM方法进行趋势预测，最终将两部分预测结果进行叠加，得到最终的趋势预测结果，使得飞机液压泵的性能变化趋势预测精度明显提升，具有很好的工程应用价值。
附图说明
图1为本发明实施例提供的方法流程图；
图2为本发明实施例提供的趋势预测结果与原始数据对比图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
如图1所示，本实施例的方法如下所述。
本发明提供一种基于数据驱动的飞机液压泵性能变化趋势智能预测方法，包括如下步骤：
步骤1：获取飞机液压泵的回油流量性能表征参数，形成初始参数集合。
本实施例中以某型真实飞机液压泵为研究对象，首先通过专用测试平台中的多个传感器组成传感器网络来获取该液压泵的性能表征参数，包括回油流量、压力、温度等大量试验数据。在深入分析所采集的参数数据并结合工程经验后可知，液压泵长期工作在高强度的环境中，由于油液污染和颗粒磨损，液压泵的内泄漏量逐渐增大，导致回油流量会随时间增加。当回油流量值大于某一阈值(一般为2.8L/min)时，飞机液压泵的工作性能将会迅速降低，剩余的使用寿命将会快速减少，甚至可能影响到飞机的正常运行。因此，本发明以回油流量为飞机液压泵的性能表征参数，对该型飞机液压泵的性能趋势进行试验研究和分析。
本实施例中选择一部分时间关联性较强的数据作为试验数据，以此来保证进行试验的数据的有效性。在试验中，采集500个回油流量(单位：L/min)试验数据，形成初始参数集合xt＝{0.12,0.28,0.44,…,2.68,2.75}，xt共包含500个数据。
步骤2：采用线性分解公式对性能表征参数D个原始数据进行分解，分别得到D个趋势项数据和D个细节项数据。线性分解公式具体如下:
Figure BDA0002359605030000041
xt2＝xt-xt1
其中：k为光滑系数，本次数据取k＝25，1≤k≤n，xi为原始数据序列，xt为xi原始数据序列中的当前值，t为数据序列号，n为序列号的最大值，xt1为xt分解后的趋势项数据，xt2为xt分解后的细节项数据，i＝1,2,3,…n，1≤t≤n；
本实施例中xt1＝{0.1035,0.2737,…,2.6735,2.7244}，xt2＝{0.0165,0.0063,…,0.0065,0.026}。
步骤3：细节项数据归一化，形成参数数据集合；为了提升神经网络模型的训练能力，需要将细节项参数数据进行归一化处理，使得归一化后的数据位于(-1,1)之间；
本实施例中归一化后的参数数据集合xt2′＝{0.0165,0.0063,…,0.0065,0.026}；
步骤4：对归一化后的的细节项数据(即参数数据集合内数据)进行相空间重构，得到细节项训练数据集；采用训练集数据构建细节项趋势预测模型，得到细节项数据趋势预测模型；
具体过程如下：
步骤4.1：设置长短期记忆网络(Long Short-Term Memory，LSTM)模型初始参数，输入层神经元个数为m，输出层神经元个数为e，隐含层神经元个数为u，迭代次数为p；
步骤4.2：构建训练样本数据集，将步骤3所得的归一化后的D个细节项数据中的前d个数据进行相空间重构，得到R×m的输入矩阵和R×e的输出矩阵(取e＝1)，输入矩阵各行与输出矩阵的各行分别对应，由此得到的输入矩阵与输出矩阵作为细节项数据训练样本集，将细节项数据训练样本集代入长短期记忆网络模型进行训练，得到基于LSTM的细节项趋势预测模型。
本实施例中将步骤2所得的500个细节项数据中的前480个数据进行相空间重构，得到R×m(即468×12)的输入矩阵和R×e(即468×1)的输出矩阵。输入矩阵各行与输出矩阵的各行分别对应，由此得到的输入矩阵与输出矩阵作为训练样本数据集，代入LSTM网络模型进行训练，从而可得到基于LSTM的细节项趋势预测模型。
步骤5：对细节项数据进行趋势预测，得到细节项趋势预测结果；
具体方法为：将训练数据中的后m个数据作为第1组测试数据，并将第1组测试数据输入到细节项趋势预测模型，得到第1组测试数据的预测值，即为第1个预测值；然后，将第1个预测值加入到第1组数据的末尾，并去掉第1组数据中的第一个数据，形成维数相同的第2组测试数据，输入到细节项趋势预测模型，得到第2组测试数据的预测值，即为第2个预测值；重复上述步骤，将维数相同的第a组细节项测试数据，输入到细节项趋势预测模型，可得到第a组细节项数据的预测值，即为第a个预测值；将得到所有细节项趋势预测值进行反归一化处理，得到细节项趋势预测结果。
本实施例中将训练数据中的后12个数据作为第1组测试数据，即将重构后的最后一组(即480-12＝468)测试数据输入到预测模型，得到预测值(即为第481个数据)，将该预测值加入到第468组数据末尾，同时去掉本组数据的第一个数，形成维数相同的新的第469组测试数据，输入到趋势预测模型，可得到第469组数据的预测值(即为第482个数据)；再将第469组数据的预测值加入到上一组数据末尾，同时去掉上一组数据的第1个数，形成维数相同的新的第470组数据，输入到趋势预测模型，可得到第470组数据的预测值(即为第483个数据)；以此类推，可得到500个细节项数据中后20个细节项测试样本的趋势预测值，将得到的所有趋势预测值进行反归一化处理，得到细节项趋势预测结果。
步骤6：构建自回归积分滑动平均趋势预测模型(Autoregressive IntegratedMoving Average Model，ARIMA)，即ARIMA趋势项预测模型；具体步骤如下：
步骤6.1：趋势项预测训练数据的构建；将步骤2所得的D个趋势项数据中的前d个数据作为ARIMA趋势项预测模型的训练数据；
本实施例中d＝480；
步骤6.2：采用自相关系数图与偏相关系数图的方法对趋势项训练数据进行平稳性检验；数据的平稳性对时间序列分析方法的结果有着重要的影响，一般可通过自相关系数图与偏相关系数图的方法对训练数据进行平稳性检验；若数据平稳，则输出平稳的数据；若数据不平稳，则需要对其进行适当的差分处理并重新检验，直到平稳为止，输出得到平稳的数据；其中差分的次数就是ARIMA(p，d，q)中的阶数；其中p为自回归项，q为移动平均项数，d为时间序列成为平稳时所做的差分次数；
本实施方式中通过判断自相关系数图和偏相关系数图是否收敛，来决定趋势项训练数据是否需要进行差分。若需要差分(初始差分阶数为0)，则将现有差分阶数加1，对趋势项训练数据继续进行差分处理，并重新检验其平稳性，直到所检验的趋势项训练数据平稳为止。由此，可确定趋势项训练数据的差分阶数为1，即需要对趋势项训练数据进行一阶差分，即阶数d＝1。
步骤6.3：ARIMA模型的识别与定阶；模型的识别是根据时间序列的自相关函数和偏自相关函数的截尾和拖尾性初步识别模型类型；
本实施例中模型的识别与定阶是根据时间序列的自相关函数和偏相关函数的截尾和拖尾性对模型的类型进行初步确定的。AR模型的自相关函数的截尾或拖尾性确定AR模型自相关函数的收敛阶数p，MA模型的偏相关函数的截尾或拖尾性确定MA模型偏相关函数的收敛阶数q，通过选取最小的收敛阶数组合(p，q)，完成模型的识别和定阶，初步得到具体模型为ARIMA(5，1，5)。
步骤6.4：模型的参数估计与检验。模型的参数估计采用最小二乘估计法对参数进行估计；对于模型的残差检验是判断残差序列是否通过白噪声检验，若通过，则该模型作为ARIMA趋势项预测模型，若不通过，则模型不通过检验，返回步骤6.3重新对模型的阶数p与q进行识别与定阶。
本次实施例中模型残差通过白噪声检验，最终确定模型为ARIMA(5，1，5)。
步骤7：对趋势项数据进行预测；将后D-d个数据输入到步骤6构建的ARIMA趋势项预测模型中，得到趋势项预测结果；
步骤8：将趋势项预测结果与细节项预测结果进行了叠加，将叠加后的结果作为基于ARIMA-LSTM的飞机液压泵性能变化趋势预测结果；
为了验证ARIMA-LSTM模型的预测效果，选取500个飞机液压泵回油流量原始数据进行实验验证。取前480个数据作为训练样本数据，构建ARIMA-LSTM趋势预测模型，对飞机液压泵回油流量数据进行趋势预测，得到趋势预测结果，趋势预测效果良好。第481-500个原始数据与其趋势预测值，如图2所示。
第481-500个预测值与原始数据的平均绝对误差如表1所示。
表1第481-500个预测值与原始数据的平均绝对误差
Figure BDA0002359605030000061
Figure BDA0002359605030000071
通过实验结果表明，ARIMA-LSTM预测方法将回油流量数据拆分为细节项数据和趋势项数据，对趋势性强的趋势项数据采用ARIMA方法进行预测，对随机性强的细节项数据采用LSTM方法进行预测，最终将两部分结果叠加成为最终的预测结果。经实验验证，该方法能够处理非平稳数据中的线性部分与随机部分，不仅提高了预测模型对非平稳数据的处理能力，还提升了预测方法的预测精度，具有一定的工程实用价值。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (4)

1.一种基于数据驱动的飞机液压泵性能变化趋势智能预测方法，其特征在于：包括如下步骤：
步骤1：获取飞机液压泵的回油流量性能表征参数，形成初始参数集合；
步骤2：采用线性分解公式对性能表征参数D个原始数据进行分解，分别得到D个趋势项数据和D个细节项数据；线性分解公式具体如下:
Figure FDA0002359605020000011
xt2＝xt-xt1
其中：k为光滑系数，1≤k≤n，xi为原始数据序列，xt为xi原始数据序列中的当前值，t为数据序列号，n为序列号的最大值，xt1为xt分解后的趋势项数据，xt2为xt分解后的细节项数据，i＝1,2,3,…n，1≤t≤n；
步骤3：细节项数据归一化，形成参数数据集合；将细节项参数数据进行归一化处理，使得归一化后的数据位于(-1,1)之间；
步骤4：对归一化后的细节项数据进行相空间重构，得到细节项训练数据集；采用训练集数据构建细节项趋势预测模型，得到细节项数据趋势预测模型；
步骤5：对细节项数据进行趋势预测，得到细节项趋势预测结果；
步骤6：构建自回归积分滑动平均趋势预测模型，即ARIMA趋势项预测模型；
步骤7：对趋势项数据进行预测；将后D-d个数据输入到步骤6构建的ARIMA趋势项预测模型中，得到趋势项预测结果；
步骤8：将趋势项预测结果与细节项预测结果进行了叠加，将叠加后的结果作为基于ARIMA-LSTM的飞机液压泵性能变化趋势预测结果。
2.根据权利要求1所述的一种基于数据驱动的飞机液压泵性能变化趋势智能预测方法，其特征在于：所述所述步骤4还包括如下步骤：
步骤4.1：设置长短期记忆网络模型初始参数，输入层神经元个数为m，输出层神经元个数为e，隐含层神经元个数为u，迭代次数为p；
步骤4.2：构建训练样本数据集，将步骤3所得的归一化后的D个细节项数据中的前d个数据进行相空间重构，得到R×m的输入矩阵和R×e的输出矩阵，输入矩阵各行与输出矩阵的各行分别对应，由此得到的输入矩阵与输出矩阵作为细节项数据训练样本集，将细节项数据训练样本集代入长短期记忆网络模型进行训练，得到基于LSTM的细节项趋势预测模型。
3.根据权利要求1所述的一种基于数据驱动的飞机液压泵性能变化趋势智能预测方法，其特征在于：所述步骤5的具体方法为：将训练数据中的后m个数据作为第1组测试数据，并将第1组测试数据输入到细节项趋势预测模型，得到第1组测试数据的预测值，即为第1个预测值；然后，将第1个预测值加入到第1组数据的末尾，并去掉第1组数据中的第一个数据，形成维数相同的第2组测试数据，输入到细节项趋势预测模型，得到第2组测试数据的预测值，即为第2个预测值；重复上述步骤，将维数相同的第a组细节项测试数据，输入到细节项趋势预测模型，可得到第a组细节项数据的预测值，即为第a个预测值；将得到所有细节项趋势预测值进行反归一化处理，得到细节项趋势预测结果。
4.根据权利要求1所述的一种基于数据驱动的飞机液压泵性能变化趋势智能预测方法，其特征在于：所述步骤6的具体步骤如下：
步骤6.1：趋势项预测训练数据的构建；将步骤2所得的D个趋势项数据中的前d个数据作为ARIMA趋势项预测模型的训练数据；
步骤6.2：采用自相关系数图与偏相关系数图的方法对趋势项训练数据进行平稳性检验；若数据平稳，则输出平稳的数据；若数据不平稳，则需要对其进行差分处理并重新检验，直到平稳为止，输出得到平稳的数据；其中差分的次数就是ARIMA(p，d，q)中的阶数；其中p为自回归项，q为移动平均项数，d为时间序列成为平稳时间序列时所做的差分次数；
步骤6.3：ARIMA模型的识别与定阶；模型的识别是根据时间序列的自相关函数和偏自相关函数的截尾和拖尾性初步识别模型类型；
步骤6.4：模型的参数估计与检验；模型的参数估计采用最小二乘估计法对参数进行估计；对于模型的残差检验是判断残差序列是否通过白噪声检验，若通过，则该模型作为ARIMA趋势项预测模型，若不通过，则模型不通过检验，返回步骤6.3重新对模型的阶数p与q进行识别与定阶。
CN202010017890.2A 2020-01-08 2020-01-08 基于数据驱动的飞机液压泵性能变化趋势智能预测方法 Active CN111241629B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010017890.2A CN111241629B (zh) 2020-01-08 2020-01-08 基于数据驱动的飞机液压泵性能变化趋势智能预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010017890.2A CN111241629B (zh) 2020-01-08 2020-01-08 基于数据驱动的飞机液压泵性能变化趋势智能预测方法

Publications (2)

Publication Number Publication Date
CN111241629A CN111241629A (zh) 2020-06-05
CN111241629B true CN111241629B (zh) 2023-07-14

Family

ID=70872934

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010017890.2A Active CN111241629B (zh) 2020-01-08 2020-01-08 基于数据驱动的飞机液压泵性能变化趋势智能预测方法

Country Status (1)

Country Link
CN (1) CN111241629B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112699614B (zh) * 2021-01-14 2023-01-31 长安大学 基于XGBoost的序列预测模型构建、降水趋势预测方法及装置
CN115907104B (zh) * 2022-11-03 2023-12-26 重庆忽米网络科技有限公司 基于物联网大数据与机器学习的液压泵故障预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102279928A (zh) * 2011-07-20 2011-12-14 北京航空航天大学 基于支持向量机和模糊信息粒化的产品性能退化区间预测方法
CN105574586A (zh) * 2015-12-29 2016-05-11 沈阳航空航天大学 基于mpso-bp网络的通用飞机航材需求预测方法
CN105844346A (zh) * 2016-03-17 2016-08-10 福州大学 基于arima模型的航班延误预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014003001A1 (ja) * 2012-06-27 2014-01-03 ヤンマー株式会社 予測装置、予測方法及びコンピュータプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102279928A (zh) * 2011-07-20 2011-12-14 北京航空航天大学 基于支持向量机和模糊信息粒化的产品性能退化区间预测方法
CN105574586A (zh) * 2015-12-29 2016-05-11 沈阳航空航天大学 基于mpso-bp网络的通用飞机航材需求预测方法
CN105844346A (zh) * 2016-03-17 2016-08-10 福州大学 基于arima模型的航班延误预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
飞机机电系统关键部件性能趋势分析方法;崔建国;徐昕明;于明月;蒋丽英;;机械设计与制造(第08期);全文 *

Also Published As

Publication number Publication date
CN111241629A (zh) 2020-06-05

Similar Documents

Publication Publication Date Title
Lindemann et al. Anomaly detection in discrete manufacturing using self-learning approaches
CN113642754B (zh) 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法
CN102208028B (zh) 一种适用于动态复杂系统的故障预测和诊断方法
CN112131212A (zh) 基于集成学习技术面向混合云场景的时序数据异常预测方法
CN111666982A (zh) 一种基于深度神经网络的机电设备故障诊断方法
CN111325403B (zh) 一种公路隧道机电设备剩余寿命预测方法
CN109085805B (zh) 一种基于多采样率因子分析模型的工业过程故障检测方法
Mathew et al. Regression kernel for prognostics with support vector machines
CN110555230A (zh) 基于集成gmdh框架的旋转机械剩余寿命预测方法
CN111241629B (zh) 基于数据驱动的飞机液压泵性能变化趋势智能预测方法
CN112785091A (zh) 一种对油田电潜泵进行故障预测与健康管理的方法
CN115618732B (zh) 核反应堆数字孪生关键参数自主优化数据反演方法
CN114066262A (zh) 一种电网调度后评估异常指标溯因推理方法、系统、装置及存储介质
CN115859777A (zh) 一种多故障模式下产品系统寿命预测的方法
CN111783242A (zh) 一种基于rvm-kf的滚动轴承剩余寿命预测方法及装置
Mao et al. Comparative study on prediction of fuel cell performance using machine learning approaches
Orth et al. Accuracy and robustness of decision making techniques in condition based maintenance
CN114962390A (zh) 液压系统故障诊断方法、系统及作业机械
CN112232570A (zh) 一种正向有功总电量预测方法、装置及可读存储介质
CN116933003A (zh) 基于DaNet的无人机发动机的剩余使用寿命预测方法
CN116227673A (zh) 一种基于加氢裂化装置的自适应温度预警方法及系统
CN114154266A (zh) 基于偏秩相关的流因果结构学习的燃气轮机故障预测方法
Al‐Dahidi et al. A novel approach for remaining useful life prediction of high‐reliability equipment based on long short‐term memory and multi‐head self‐attention mechanism
Cao et al. An adaptive UKF algorithm for process fault prognostics
CN113139332A (zh) 一种自动化模型构建方法、装置及设备

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