CN111259949A - 飞机环控系统故障识别模型构建方法、模型及识别方法 - Google Patents
飞机环控系统故障识别模型构建方法、模型及识别方法 Download PDFInfo
- Publication number
- CN111259949A CN111259949A CN202010032272.5A CN202010032272A CN111259949A CN 111259949 A CN111259949 A CN 111259949A CN 202010032272 A CN202010032272 A CN 202010032272A CN 111259949 A CN111259949 A CN 111259949A
- Authority
- CN
- China
- Prior art keywords
- control system
- environmental control
- frequency domain
- constructing
- layer
- 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
Images
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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种飞机环控系统故障识别模型构建方法、模型及识别方法,属于故障识别领域,要解决的技术问题为如何为飞机环控系统提供准确的故障识别。构建方法包括:获取飞机多个架次的N种环控系统参数,并构建时序数据集;进行预处理;进行人工标记,标记故障状态;提取时域信号和频域信号;基于上述时域信号构建时域弱分类器,基于上述频域信号构建频域弱分类器;通过adaboost集成学习算法将时域弱分类器和建频域弱分类器进行集成,得到基于CNN神经网络和集成学习的故障识别模型。模型为上述方法构建的模型。识别方法为通过上述方法构建的模型进行故障识别。
Description
技术领域
本发明涉及故障识别领域,具体地说是一种飞机环控系统故障识别模型构建方法、模型及识别方法。
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,而保障飞机环控系统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,飞机环控系统的保障技术总是落后于其他航天装备的技术。原有的飞机环控系统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。
飞机环控系统的故障识别缺乏量化分析,而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。飞机环控系统的故障状态没有自动识别机制,机务外场设备维护人员在检测飞机环控系统的故障状态时,难以做到心中有数,预见性不足,导致难以准确地对飞机环控系统进行故障预测。
当飞机环控系统在发生故障后,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,进行明确的异常检测,从而很难找到最优的异常检测方法。这使得飞机环控系统维修成本增大,同时环控系统也得不到良好的维护,导致资源的浪费。
飞行环控系统的故障识别是预测飞机环控系统健康状态的基础,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,如何为飞机环控系统提供准确的故障识别也是地面保障领域中亟待解决的技术问题。
发明内容
本发明的技术任务是针对以上不足,提供一种飞机环控系统故障识别模型构建方法、模型及识别方法,来解决如何为飞机环控系统提供准确的故障识别的问题。
第一方面,本发明提供一种飞机环控系统故障识别模型构建方法,基于卷积神经网络和集成学习生成用于检测飞机环控系统故障的故障识别模型,所述构建方法包括如下步骤:
获取飞机多个架次的N种环控系统参数,并构建时序数据集,所述环控系统参数为对环控系统故障敏感的飞机参数,所述时序数据集S表示为:
S={s(i)|i=1,2,K,N};
对于上述时序数据集进行预处理;
对于上述时序数据集进行人工标记,标记故障状态;
对于上述N种环控系统参数,提取时域信号和频域信号;
基于上述时域信号构建时域弱分类器,基于上述频域信号构建频域弱分类器,所述时域弱分类器和频域弱分类器均为CNN神经网络模型;
通过adaboost集成学习算法将时域弱分类器和建频域弱分类器进行集成,得到基于CNN神经网络和集成学习的故障识别模型。
作为优选,所述环控系统参数包括但不限于交流电源电压、交流电压频率、第一低液压开关表决信号、第二低液压开关表决信号、左轮载开关表决信号、右轮载开关表决信号、电子设备温度、探头加温状态;
所述时序数据集的采样频率为f,上述时序数据集划分为f组数据集。
作为优选,对上述对于上述时序数据集进行预处理,包括:
对时序数据集进行异常值剔除;
对时序数据集进行缺失数据填补;
对时序数据集进行去噪滤波;
对时序数据集进行归一化处理。
作为优选,所述故障状态包括正常状态、电子设备热、探头加温异常、环控系统异常关闭,分别标记为0、1、2和3。
作为优选,对于上述N种环控系统参数,提取时域信号和频域信号,包括如下步骤:
对时序数据集进行EMD经验模态分解,将s(i)划分为m个分解信号,依次为λ1 (i)、λ2 (i)、……,λm (i),对于s(i)第j个分解信号为:
对于上述m个分解信号进行高斯滤波处理后后进行叠加,形成中间过程信号P(i),并基于小波变换将分解为中间过程信号P(i)分解为频域信号V(i);
以最小周期为断点,将一维时域信号V(i)重构为二维时域信号T(i)。
作为优选,基于上述时域信号构建时域弱分类器,包括如下步骤:
基于CNN卷积神经网络构建时域神经网络模型,所述时域神经网络模型包括输入层、卷积层、池化层、全连接层和输出层;
基于每一组时域信号T(i)训练所述时域神经网络模型,得到对应的时域弱分类器,时域弱分类器为{Tm1,Tms0,......,Tmf};
基于上述频域信号构建频域弱分类器,包括如下步骤:
基于CNN卷积神经网络构建频域神经网络模型,所述频域神经网络模型包括输入层、卷积层C1、池化层S1、卷积层C2、池化层S2、全连接层和输出层;
基于每一组频域信号V(i)训练所述频域神经网络模型,得到对应的频域弱分类器,频域弱分类器为{Vm1,Vms0,......,Vmf}。
作为优选,对于所述时域神经网络模型包括:
输入层,输入时域样本尺寸为64*16,通道数为1;
卷积层C1,配置有relu激活函数,卷积核尺寸为3*3,步长为1,零填充pad=1,特征图尺寸为64*16,特征图深度为6;
池化层S1,特征图尺寸为32*8,步长为2,零填充pad=0;
卷积层C2,配置有relu激活函数,卷积核尺寸设为3*3,步长为1,零填充pad=1,特征图尺寸为32*8,特征图深度为24;
池化层S2,特征图尺寸为16*4,步长为2,零填充pad=0;
全连接层,神经元个数设为64,Dropout参数为0.5,激活函数的阈值为0.5;
输出层,输出类别数为4,分别对应正常状态、电子设备热、探头加温异常、环控系统异常关闭;
所述频域神经网络模型包括:
输入层,输入频域样本尺寸为28*28,通道数为1;
卷积层C1,配置有relu激活函数,卷积核尺寸为5*5,步长为1,零填充pad=0,特征图尺寸为24*24,特征图深度为6;
池化层S1,特征图尺寸为12*12,步长为2,零填充pad=0;
卷积层C2,配置有relu激活函数,卷积核尺寸设为5*5,步长为1,零填充pad=0,特征图尺寸为8*8,特征图深度为24;
池化层S2,特征图尺寸为4*4,步长为2,零填充pad=0;
全连接层,神经元个数设为36,Dropout参数为0.5,激活函数的阈值为0.5;
输出层,输出类别数为4,分别对应正常状态、电子设备热、探头加温异常、环控系统异常关闭。
作为优选,所述故障识别模型为:
其中,{αT1,αT2,......,αTf}时域弱分类器的系数集;
{αV1,αV2,......,αVf}为频域弱分类器的系数集。
第二方面,本发明提供一种飞机环控系统故障识别模型,所述识别模型为通过如第一方面任一项所述的一种飞机环控系统故障识别模型构建方法构建的故障识别模型。
第三方面本发明提供一种飞机环控系统故障识别方法,所述方法包括如下步骤:
通过如第一方面任一项所述的一种飞机环控系统故障识别模型构建方法构建故障识别模型;
获取飞机环控系统系数,通过上述故障识别模型对飞机环控系数进行故障识别,得到飞机环控系统的实际故障状态。
本发明的一种飞机环控系统故障识别模型构建方法、模型及识别方法具有以下优点:基于卷积神经网络构建时域和频域弱分类器,并通过深度学习将上述时域和频域弱分类器结合形成故障识别模型,可准确对飞机环控系统进行故障识别。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中描述中所需要使用的附图作简要介绍,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,对于本领域的普通技术人员来讲,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附图。
下面结合附图对本发明进一步说明。
附图1为实施例1一种飞机环控系统故障识别模型构建方法的流程框图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互结合。
需要理解的是,在本发明实施例的描述中,“第一”、“第二”等词汇,仅用于区分描述的目的,而不能理解为指示或暗示相对重要性,也不能理解为指示或暗示顺序。在本发明实施例中的“多个”,是指两个或两个以上。
本发明实施例提供一种飞机环控系统故障识别模型构建方法、模型及识别方法,用于解决如何为飞机环控系统提供准确的故障识别的技术问题。
实施例1:
本发明的一种飞机环控系统故障识别模型构建方法,基于卷积神经网络和集成学习生成用于检测飞机环控系统故障的故障识别模型。
本实施例中该构建方法包括如下步骤:
S100、获取飞机多个架次的N种环控系统参数,并构建时序数据集,所述环控系统参数为对环控系统故障敏感的飞机参数,所述时序数据集S表示为:
S={s(i)|i=1,2,K,N};
S200、对于上述时序数据集进行预处理;
S300、对于上述时序数据集进行人工标记,标记故障状态;
S400、对于上述N种环控系统参数,提取时域信号和频域信号;
S500、基于上述时域信号构建时域弱分类器,基于上述频域信号构建频域弱分类器,所述时域弱分类器和频域弱分类器均为CNN神经网络模型;
S600、通过adaboost集成学习算法将时域弱分类器和建频域弱分类器进行集成,得到基于CNN神经网络和集成学习的故障识别模型。
其中,环控系统参数包括但不限于交流电源电压、交流电压频率、第一低液压开关表决信号、第二低液压开关表决信号、左轮载开关表决信号、右轮载开关表决信号、电子设备温度、探头加温状态;时序数据集的采样频率为f,上述时序数据集划分为f组数据集。
步骤S200中,对上述对于上述时序数据集进行预处理,包括对时序数据进行异常值剔除、缺失数据填补、去噪滤波、归一化处理。执行时,对所采集的时序数据集进行数据去噪和缺失数据填补后,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;
步骤S300中由具有5年以上环控系统故障状态判别经验的专家进行手动标记。环控系统的故障状态分为正常状态、电子设备热、探头加温异常、环控系统异常关闭,分别标记为0、1、2和3。
步骤S400中,对于上述N种环控系统参数,提取时域信号和频域信号,包括如下步骤:
步骤S410、对时序数据集进行EMD经验模态分解,将s(i)划分为m个分解信号,依次为λ1 (i)、λ2 (i)、……,λm (i),对于s(i)第j个分解信号为:
步骤S420、对于上述m个分解信号进行高斯滤波处理后后进行叠加,形成中间过程信号P(i),并基于小波变换将分解为中间过程信号P(i)分解为频域信号V(i);
步骤S430、以最小周期为断点,将一维时域信号V(i)重构为二维时域信号T(i)。
步骤S500中,基于上述时域信号构建时域弱分类器,包括如下步骤:
(1)、基于CNN卷积神经网络构建时域神经网络模型,所述时域神经网络模型包括输入层、卷积层、池化层、全连接层和输出层;
(2)、基于每一组时域信号T(i)训练所述时域神经网络模型,得到对应的时域弱分类器,时域弱分类器为{Tm1,Tms0,......,Tmf}。
该时域神经网络模型包括:
输入层,输入时域样本尺寸为64*16,通道数为1;
卷积层C1,配置有relu激活函数,卷积核尺寸为3*3,步长为1,零填充pad=1,特征图尺寸为64*16,特征图深度为6;
池化层S1,特征图尺寸为32*8,步长为2,零填充pad=0;
卷积层C2,配置有relu激活函数,卷积核尺寸设为3*3,步长为1,零填充pad=1,特征图尺寸为32*8,特征图深度为24;
池化层S2,特征图尺寸为16*4,步长为2,零填充pad=0;
全连接层,神经元个数设为64,Dropout参数为0.5,激活函数的阈值为0.5;
输出层,输出类别数为4,分别对应正常状态、电子设备热、探头加温异常、环控系统异常关闭。
基于上述频域信号构建频域弱分类器,包括如下步骤:
(1)、基于CNN卷积神经网络构建频域神经网络模型,所述频域神经网络模型包括输入层、卷积层C1、池化层S1、卷积层C2、池化层S2、全连接层和输出层;
(2)、基于每一组频域信号V(i)训练所述频域神经网络模型,得到对应的频域弱分类器,频域弱分类器为{Vm1,Vms0,......,Vmf}。
该频域神经网络模型包括:
输入层,输入频域样本尺寸为28*28,通道数为1;
卷积层C1,配置有relu激活函数,卷积核尺寸为5*5,步长为1,零填充pad=0,特征图尺寸为24*24,特征图深度为6;
池化层S1,特征图尺寸为12*12,步长为2,零填充pad=0;
卷积层C2,配置有relu激活函数,卷积核尺寸设为5*5,步长为1,零填充pad=0,特征图尺寸为8*8,特征图深度为24;
池化层S2,特征图尺寸为4*4,步长为2,零填充pad=0;
全连接层,神经元个数设为36,Dropout参数为0.5,激活函数的阈值为0.5;
输出层,输出类别数为4,分别对应正常状态、电子设备热、探头加温异常、环控系统异常关闭。
步骤S600中利用adaboost集成学习算法,将2f个时域弱分类器和频域弱分类器进行集成,形成基于卷积神经网络和集成学习的飞机环控系统故障识别模型,故障识别模型为:
其中,{αT1,αT2,......,αTf}时域弱分类器的系数集;
{αV1,αV2,......,αVf}为频域弱分类器的系数集。
实施例2:
本发明提供一种飞机环控系统故障识别模型,该识别模型为通过如实施例1公开的一种飞机环控系统故障识别模型构建方法构建的故障识别模型。
该模型可用于对飞机环控系统进行故障识别。
实施例3:
本发明的一种飞机环控系统故障识别方法,该方法包括如下步骤:
通过如实施例1公开的一种飞机环控系统故障识别模型构建方法构建故障识别模型;
获取飞机环控系统系数,通过上述故障识别模型对飞机环控系数进行故障识别,得到飞机环控系统的实际故障状态。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (10)
1.飞机环控系统故障识别模型构建方法,其特征在于基于卷积神经网络和集成学习生成用于检测飞机环控系统故障的故障识别模型,所述构建方法包括如下步骤:
获取飞机多个架次的N种环控系统参数,并构建时序数据集,所述环控系统参数为对环控系统故障敏感的飞机参数,所述时序数据集S表示为:
S={s(i)|i=1,2,K,N};
对于上述时序数据集进行预处理;
对于上述时序数据集进行人工标记,标记故障状态;
对于上述N种环控系统参数,提取时域信号和频域信号;
基于上述时域信号构建时域弱分类器,基于上述频域信号构建频域弱分类器,所述时域弱分类器和频域弱分类器均为CNN神经网络模型;
通过adaboost集成学习算法将时域弱分类器和建频域弱分类器进行集成,得到基于CNN神经网络和集成学习的故障识别模型。
2.根据权利要求1所述的环控系统故障识别模型构建方法,其特征在于所述环控系统参数包括但不限于交流电源电压、交流电压频率、第一低液压开关表决信号、第二低液压开关表决信号、左轮载开关表决信号、右轮载开关表决信号、电子设备温度、探头加温状态;
所述时序数据集的采样频率为f,上述时序数据集划分为f组数据集。
3.根据权利要求1所述的飞机环控系统故障识别模型构建方法,其特征在于对上述对于上述时序数据集进行预处理,包括:
对时序数据集进行异常值剔除;
对时序数据集进行缺失数据填补;
对时序数据集进行去噪滤波;
对时序数据集进行归一化处理。
4.根据权利要求1所述的飞机环控系统故障识别模型构建方法,其特征在于所述故障状态包括正常状态、电子设备热、探头加温异常、环控系统异常关闭,分别标记为0、1、2和3。
6.根据权利要求5所述的飞机环控系统故障识别模型构建方法,其特征在于基于上述时域信号构建时域弱分类器,包括如下步骤:
基于CNN卷积神经网络构建时域神经网络模型,所述时域神经网络模型包括输入层、卷积层、池化层、全连接层和输出层;
基于每一组时域信号T(i)训练所述时域神经网络模型,得到对应的时域弱分类器,时域弱分类器为{Tm1,Tms0,......,Tmf};
基于上述频域信号构建频域弱分类器,包括如下步骤:
基于CNN卷积神经网络构建频域神经网络模型,所述频域神经网络模型包括输入层、卷积层C1、池化层S1、卷积层C2、池化层S2、全连接层和输出层;
基于每一组频域信号V(i)训练所述频域神经网络模型,得到对应的频域弱分类器,频域弱分类器为{Vm1,Vms0,......,Vmf}。
7.根据权利要求6所述的飞机环控系统故障识别模型构建方法,其特征在于对于所述时域神经网络模型包括:
输入层,输入时域样本尺寸为64*16,通道数为1;
卷积层C1,配置有relu激活函数,卷积核尺寸为3*3,步长为1,零填充pad=1,特征图尺寸为64*16,特征图深度为6;
池化层S1,特征图尺寸为32*8,步长为2,零填充pad=0;
卷积层C2,配置有relu激活函数,卷积核尺寸设为3*3,步长为1,零填充pad=1,特征图尺寸为32*8,特征图深度为24;
池化层S2,特征图尺寸为16*4,步长为2,零填充pad=0;
全连接层,神经元个数设为64,Dropout参数为0.5,激活函数的阈值为0.5;
输出层,输出类别数为4,分别对应正常状态、电子设备热、探头加温异常、环控系统异常关闭;
所述频域神经网络模型包括:
输入层,输入频域样本尺寸为28*28,通道数为1;
卷积层C1,配置有relu激活函数,卷积核尺寸为5*5,步长为1,零填充pad=0,特征图尺寸为24*24,特征图深度为6;
池化层S1,特征图尺寸为12*12,步长为2,零填充pad=0;
卷积层C2,配置有relu激活函数,卷积核尺寸设为5*5,步长为1,零填充pad=0,特征图尺寸为8*8,特征图深度为24;
池化层S2,特征图尺寸为4*4,步长为2,零填充pad=0;
全连接层,神经元个数设为36,Dropout参数为0.5,激活函数的阈值为0.5;
输出层,输出类别数为4,分别对应正常状态、电子设备热、探头加温异常、环控系统异常关闭。
9.飞机环控系统故障识别模型,其特征在于所述识别模型为通过如权利要求1-8任一项所述的飞机环控系统故障识别模型构建方法构建的故障识别模型。
10.飞机环控系统故障识别方法,其特征在于所述方法包括如下步骤:
通过如权利要求1-8任一项所述的飞机环控系统故障识别模型构建方法构建故障识别模型;
获取飞机环控系统系数,通过上述故障识别模型对飞机环控系数进行故障识别,得到飞机环控系统的实际故障状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010032272.5A CN111259949A (zh) | 2020-01-13 | 2020-01-13 | 飞机环控系统故障识别模型构建方法、模型及识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010032272.5A CN111259949A (zh) | 2020-01-13 | 2020-01-13 | 飞机环控系统故障识别模型构建方法、模型及识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111259949A true CN111259949A (zh) | 2020-06-09 |
Family
ID=70950494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010032272.5A Pending CN111259949A (zh) | 2020-01-13 | 2020-01-13 | 飞机环控系统故障识别模型构建方法、模型及识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111259949A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112001450A (zh) * | 2020-08-27 | 2020-11-27 | 山东超越数控电子股份有限公司 | 一种船舶惯导系统故障识别方法 |
CN112001449A (zh) * | 2020-08-27 | 2020-11-27 | 山东超越数控电子股份有限公司 | 一种船舶电力系统故障识别方法 |
CN114462444A (zh) * | 2021-12-21 | 2022-05-10 | 上海中船船舶设计技术国家工程研究中心有限公司 | 一种极地考察船的航行状态识别方法及系统 |
CN114781522A (zh) * | 2022-04-26 | 2022-07-22 | 苏州今科慧邦科技有限公司 | 一种基于改进卷积神经网络的航空器附件在线检测系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108426713A (zh) * | 2018-02-26 | 2018-08-21 | 成都昊铭科技有限公司 | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 |
CN110069886A (zh) * | 2019-05-05 | 2019-07-30 | 四川大学 | 基于vmd和cnn的电缆早期故障识别与分类方法 |
CN110307982A (zh) * | 2019-06-19 | 2019-10-08 | 电子科技大学 | 基于CNN和Adaboost的轴承故障分类方法 |
CN110307983A (zh) * | 2019-06-19 | 2019-10-08 | 电子科技大学 | 基于CNN-Bagging的无人机轴承故障诊断方法 |
CN110333076A (zh) * | 2019-06-19 | 2019-10-15 | 电子科技大学 | 基于CNN-Stacking的轴承故障诊断方法 |
-
2020
- 2020-01-13 CN CN202010032272.5A patent/CN111259949A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108426713A (zh) * | 2018-02-26 | 2018-08-21 | 成都昊铭科技有限公司 | 基于小波变换和深度学习的滚动轴承微弱故障诊断方法 |
CN110069886A (zh) * | 2019-05-05 | 2019-07-30 | 四川大学 | 基于vmd和cnn的电缆早期故障识别与分类方法 |
CN110307982A (zh) * | 2019-06-19 | 2019-10-08 | 电子科技大学 | 基于CNN和Adaboost的轴承故障分类方法 |
CN110307983A (zh) * | 2019-06-19 | 2019-10-08 | 电子科技大学 | 基于CNN-Bagging的无人机轴承故障诊断方法 |
CN110333076A (zh) * | 2019-06-19 | 2019-10-15 | 电子科技大学 | 基于CNN-Stacking的轴承故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
陈志强等: ""深度学习在设备故障预测与健康管理中的应用"", 《仪器仪表学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112001450A (zh) * | 2020-08-27 | 2020-11-27 | 山东超越数控电子股份有限公司 | 一种船舶惯导系统故障识别方法 |
CN112001449A (zh) * | 2020-08-27 | 2020-11-27 | 山东超越数控电子股份有限公司 | 一种船舶电力系统故障识别方法 |
CN114462444A (zh) * | 2021-12-21 | 2022-05-10 | 上海中船船舶设计技术国家工程研究中心有限公司 | 一种极地考察船的航行状态识别方法及系统 |
CN114781522A (zh) * | 2022-04-26 | 2022-07-22 | 苏州今科慧邦科技有限公司 | 一种基于改进卷积神经网络的航空器附件在线检测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111259949A (zh) | 飞机环控系统故障识别模型构建方法、模型及识别方法 | |
CN106895975B (zh) | 基于Stacked SAE深度神经网络的轴承故障诊断方法 | |
US8868985B2 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
Yu et al. | A neural network ensemble-based model for on-line monitoring and diagnosis of out-of-control signals in multivariate manufacturing processes | |
CN113469060A (zh) | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 | |
CN112294341B (zh) | 一种基于轻量卷积神经网络的睡眠脑电纺锤波识别方法及系统 | |
CN108647707B (zh) | 概率神经网络创建方法、故障诊断方法及装置、存储介质 | |
CN104050361A (zh) | 一种监狱服刑人员危险性倾向的智能分析预警方法 | |
US11520981B2 (en) | Complex system anomaly detection based on discrete event sequences | |
CN113868006A (zh) | 时间序列的检测方法、装置、电子设备及计算机存储介质 | |
CN104490391A (zh) | 一种基于脑电信号的战斗人员状态监测系统 | |
CN117196066A (zh) | 智慧运维信息分析模型 | |
CN111126820A (zh) | 反窃电方法及系统 | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
CN111506635A (zh) | 一种基于自回归和朴素贝叶斯算法的居民用电行为分析的系统及方法 | |
CN117351659B (zh) | 一种水文地质灾害监测装置及监测方法 | |
CN113707175B (zh) | 基于特征分解分类器与自适应后处理的声学事件检测系统 | |
Pranesh et al. | Vibration-based brake health prediction using statistical features–A machine learning framework | |
CN111125186A (zh) | 一种基于调查问卷的数据处理方法及系统 | |
CN113974655A (zh) | 一种基于脑电信号的癫痫发作预测方法 | |
Muhamad et al. | Mahalanobis-Taguchi system for pattern recognition: A brief review | |
CN110320802B (zh) | 基于数据可视化的复杂系统信号时序识别方法 | |
Suyatinov et al. | Identification of situations based on synergetic model | |
CN115600695B (zh) | 一种计量设备的故障诊断方法 | |
Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200609 |