CN111275101A - 一种飞机液压系统故障识别方法，设备及可读存储介质 - Google Patents
一种飞机液压系统故障识别方法，设备及可读存储介质 Download PDFInfo
- Publication number
- CN111275101A CN111275101A CN202010060854.4A CN202010060854A CN111275101A CN 111275101 A CN111275101 A CN 111275101A CN 202010060854 A CN202010060854 A CN 202010060854A CN 111275101 A CN111275101 A CN 111275101A
- Authority
- CN
- China
- Prior art keywords
- hydraulic system
- fault
- data set
- time sequence
- aircraft
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 13
- 239000000523 sample Substances 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 241000243251 Hydra Species 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- QRXWMOHMRWLFEY-UHFFFAOYSA-N isoniazide Chemical compound NNC(=O)C1=CC=NC=C1 QRXWMOHMRWLFEY-UHFFFAOYSA-N 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000010792 warming Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Fluid-Pressure Circuits (AREA)
Abstract
本发明提供本发明提供了一种飞机液压系统故障识别方法，设备及可读存储介质，获取飞机多个架次的N种对液压系统故障敏感的飞参数据，并构建时序数据集；对于N种液压系统参数所构建的时序数据集进行数据预处理；对于N种液压系统参数所构建的时序数据集进行划分，分为具有标注故障状态的时序数据集和未标注故障状态的时序数据集；然后利用N种液压系统参数，构建基于半监督学习的飞机液压系统故障识别模型；根据基于半监督学习的飞机液压系统故障识别模型及真实数据集，确定飞机液压系统的实际故障状态。本发明采用一种基于半监督学习的飞机液压系统故障识别模型对飞机液压系统的故障进行识别，可有效识别飞机液压系统的故障情况。
Description
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半监督学习的飞机液压系统故障识别方法。
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，而保障飞机液压系统在其中是最为根本的因素。军事科技的飞速发展对飞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，飞机液压系统的保障技术总是落后于其他航天装备的技术。原有的飞机液压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。
飞机液压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。飞机液压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液压系统的故障状态时，难以做到心中有数，预见性不足，导致难以准确地对飞机液压系统进行故障预测。
当飞机液压系统在发生故障后，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。这使得飞机液压系统维修成本增大，同时液压系统也得不到良好的维护，导致资源的浪费。
飞行液压系统的故障识别是预测飞机液压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，如何为飞机液压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
为了克服上述现有技术中的不足，本发明提供一种应用于机务外场自主保障信息支持系统的基于半监督学习的飞机液压系统故障识别方法，可有效对飞机液压系统的故障进行识别。
方法包括：
步骤1，获取飞机多个架次的N种对液压系统故障敏感的飞参数据，并构建时序数据集，并进行数据预处理；
步骤2，对于N种液压系统参数所构建的时序数据集进行划分，分为具有标注故障状态的时序数据集和未标注故障状态的时序数据集；
步骤3，然后利用N种液压系统参数，构建基于半监督学习的飞机液压系统故障识别模型，并优化该半监督学习模型；
步骤4，根据基于半监督学习的飞机液压系统故障识别模型及真实数据集，确定飞机液压系统的实际故障状态。
基于上述故障识别方法本发明还提供一种实现飞机液压系统故障识别方法的设备，包括：
存储器，用于存储计算机程序及飞机液压系统故障识别方法；
处理器，用于执行所述计算机程序及飞机液压系统故障识别方法，以实现飞机液压系统故障识别方法的步骤。
基于上述故障识别方法本发明还提供一种具有飞机液压系统故障识别方法的可读存储介质，可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现飞机液压系统故障识别方法的步骤。
从以上技术方案可以看出，本发明具有以下优点：
飞机液压系统故障识别方法能够实现对飞机液压系统的故障识别及量化分析，而且在实际使用及维护过程中，根据数据分析，结合理论与实际分析。飞机液压系统的故障状态具有自动识别机制，设备维护人员在检测飞机液压系统的故障状态时，可以做到心中有数，准确地对飞机液压系统进行故障预测。
当飞机液压系统在发生故障后，维护人员根据具有飞机液压系统故障识别方法的设备可以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，从而找到最优的异常检测方法。可以降低飞机液压系统维修成本，同时液压系统得到良好的维护。基于半监督学习的飞机液压系统故障识别方法，可有效对飞机液压系统的故障进行识别。
附图说明
为了更清楚地说明本发明的技术方案，下面将对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附图。
图1为飞机液压系统故障识别方法流程图。
具体实施方式
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本发明提供一种飞机液压系统故障识别方法，如图1所示，方法包括：
步骤1，获取飞机多个架次的N种对液压系统故障敏感的飞参数据，并构建时序数据集，并进行数据预处理；
步骤11，所述的N种对液压系统故障敏感的飞机参数包括液压1(Hydr_1)、液压2(Hydr_2)、低液压1开关表决信号(v_vdhd1sw_0)、低液压2开关表决信号(v_vdhd2sw_0)、电子设备热(TroubleWord2_4)、探头加温系统故障(TroubleWord2_5)；
步骤12，对所构建的时序数据集进行数据预处理，所述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。
本发明实施例中，所述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；先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2，对于N种液压系统参数所构建的时序数据集进行划分，分为具有标注故障状态的时序数据集和未标注故障状态的时序数据集；
所述的对于N种液压系统参数所构建的时序数据集进行划分，分为具有标注故障状态的时序数据集和未标注故障状态的时序数据集；进行标注故障状态时，由用户进行手动标注；
液压系统的故障状态分为正常状态和故障状态，分别标记为0或1。
步骤3，然后利用N种液压系统参数，构建基于半监督学习的飞机液压系统故障识别模型，并优化该半监督学习模型；
具体的，包括以下子步骤：
步骤1031，对于具有标注故障状态的时序数据集进行聚类，并计算得到聚类中心；
本发明实施例中，聚类中心的计算公式为：
其中，Pik＝f(xi；θ)[k]表示历史标注故障状态的样本xi属于第k类的概率，i表示历史标注样本的序号，k表示历史标注样本的标签类别序号，θ为半监督学习模型中的“student”模型权重参数；θ′半监督学习模型中的“teacher”模型权重参数；分类函数f(xi；θ)由特征抽取器z和线性分类器g构成，即f＝g·z；
步骤1032，根据模型计算具有标注时序数据集的预测标签，结合预测标签与实际标签求得第一损失函数Ls；
本发明实施例中，第一损失函数Ls为：
其中，XV为具有标注故障状态的时序数据集，K为聚类中心μk的集合。
步骤1033，将未标注故障状态的样本和聚类中心的历史标注故障状态的样本中的对应特征进行比对分析，并基于二者特征的偏差来计算得到第二损失函数Lc；
本发明实施例中，第二损失函数Lc为：
其中，XU为未标注故障状态的时序数据集，K为聚类中心μk的集合。
步骤1034，结合第一损失函数和第二损失函数，并采用预设的半监督学习算法优化模型的参数。
本发明实施例中，使用指数移动平均加权算法作为预设的半监督学习算法。
步骤4，根据基于半监督学习的飞机液压系统故障识别模型及真实数据集，确定飞机液压系统的实际故障状态。
本发明实施例中，根据基于半监督学习的飞机液压系统故障识别模型及真实数据集，识别飞机液压系统的实际故障状态。
这样，飞机液压系统故障识别方法能够实现对飞机液压系统的故障识别及量化分析，而且在实际使用及维护过程中，根据数据分析，结合理论与实际分析。飞机液压系统的故障状态具有自动识别机制，设备维护人员在检测飞机液压系统的故障状态时，可以做到心中有数，准确地对飞机液压系统进行故障预测。
基于上述故障识别方法本发明还提供一种实现飞机液压系统故障识别方法的设备，包括：
存储器，用于存储计算机程序及飞机液压系统故障识别方法；
处理器，用于执行所述计算机程序及飞机液压系统故障识别方法，以实现飞机液压系统故障识别方法的步骤。
基于上述故障识别方法本发明还提供一种具有飞机液压系统故障识别方法的可读存储介质，可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现飞机液压系统故障识别方法的步骤。
实现飞机液压系统故障识别方法的设备是结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的实现飞机液压系统故障识别方法的设备可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据实现飞机液压系统故障识别方法公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的索引方法。
所属技术领域的技术人员能够理解，实现飞机液压系统故障识别方法的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种飞机液压系统故障识别方法，其特征在于，方法包括：
步骤1，获取飞机多个架次的N种对液压系统故障敏感的飞参数据，并构建时序数据集，并进行数据预处理；
步骤2，对于N种液压系统参数所构建的时序数据集进行划分，分为具有标注故障状态的时序数据集和未标注故障状态的时序数据集；
步骤3，利用N种液压系统参数，构建基于半监督学习的飞机液压系统故障识别模型，并优化该半监督学习模型；
步骤4，根据基于半监督学习的飞机液压系统故障识别模型及真实数据集，确定飞机液压系统的实际故障状态。
2.根据权利要求1所述的故障识别方法，其特征在于，
步骤1还包括：
步骤11，所述的N种对液压系统故障敏感的飞机参数包括液压1(Hydr_1)、液压2(Hydr_2)、低液压1开关表决信号(v_vdhd1sw_0)、低液压2开关表决信号(v_vdhd2sw_0)、电子设备热(TroubleWord2_4)、探头加温系统故障(TroubleWord2_5)；
步骤12，对所构建的时序数据集进行数据预处理，所述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。
3.根据权利要求1所述的故障识别方法，其特征在于，
步骤2还包括：
所述的对于N种液压系统参数所构建的时序数据集进行划分，分为具有标注故障状态的时序数据集和未标注故障状态的时序数据集；进行标注故障状态时，由用户进行手动标注；
液压系统的故障状态分为正常状态和故障状态，分别标记为0或1。
4.根据权利要求1中所述的故障识别方法，其特征在于，
步骤3还包括：
步骤31，对于具有标注故障状态的时序数据集进行聚类，并计算得到聚类中心；聚类中心的计算公式为：
其中，Pik＝f(xi；θ)[k]表示历史标注故障状态的样本xi属于第k类的概率，i表示历史标注样本的序号，k表示历史标注样本的标签类别序号，θ为半监督学习模型中的student模型权重参数；
θ′半监督学习模型中的teacher模型权重参数；
分类函数f(xi；θ)由特征抽取器z和线性分类器g构成，即f＝g·z；
步骤32，根据模型计算具有标注时序数据集的预测标签，结合预测标签与实际标签求得第一损失函数；
步骤33，将未标注故障状态的样本和聚类中心的历史标注故障状态的样本中的对应特征进行比对分析，并基于二者特征的偏差来计算得到第二损失函数Lc；
其中，XU为未标注故障状态的时序数据集，K为聚类中心μk的集合；
步骤34，结合第一损失函数和第二损失函数，并采用预设的半监督学习算法优化模型的参数。
5.根据权利要求1中所述的故障识别方法，其特征在于，
步骤4还包括：
所述的根据基于半监督学习的飞机液压系统故障识别模型及真实数据集，确定飞机液压系统的实际故障状态。
6.一种实现飞机液压系统故障识别方法的设备，其特征在于，包括：
存储器，用于存储计算机程序及飞机液压系统故障识别方法；
处理器，用于执行所述计算机程序及飞机液压系统故障识别方法，以实现如权利要求1至5任意一项所述飞机液压系统故障识别方法的步骤。
7.一种具有飞机液压系统故障识别方法的可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现如权利要求1至5任意一项所述飞机液压系统故障识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010060854.4A CN111275101A (zh) | 2020-01-19 | 2020-01-19 | 一种飞机液压系统故障识别方法，设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010060854.4A CN111275101A (zh) | 2020-01-19 | 2020-01-19 | 一种飞机液压系统故障识别方法，设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111275101A true CN111275101A (zh) | 2020-06-12 |
Family
ID=71003451
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010060854.4A Pending CN111275101A (zh) | 2020-01-19 | 2020-01-19 | 一种飞机液压系统故障识别方法，设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111275101A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111724867A (zh) * | 2020-06-24 | 2020-09-29 | 中国科学技术大学 | 分子属性测定方法、装置、电子设备及存储介质 |
| CN111894946A (zh) * | 2020-07-20 | 2020-11-06 | 中国人民解放军空军工程大学 | 基于作战强度和环境的装备液压系统故障预测方法 |
| CN112182783A (zh) * | 2020-11-02 | 2021-01-05 | 中国运载火箭技术研究院 | 航天飞行器系统的风险识别方法、设备及存储介质 |
| CN112182783B (zh) * | 2020-11-02 | 2024-05-10 | 中国运载火箭技术研究院 | 航天飞行器系统的风险识别方法、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109992916A (zh) * | 2019-04-09 | 2019-07-09 | 山东超越数控电子股份有限公司 | 一种基于飞参数据的机务外场飞机发动机故障预测方法，终端及可读存储介质 |
| CN109992915A (zh) * | 2019-04-09 | 2019-07-09 | 山东超越数控电子股份有限公司 | 一种基于深度学习的机务外场飞机燃油系统故障预测方法，终端机及可读存储介质 |
| CN110298415A (zh) * | 2019-08-20 | 2019-10-01 | 视睿（杭州）信息科技有限公司 | 一种半监督学习的训练方法、系统和计算机可读存储介质 |
-
2020
- 2020-01-19 CN CN202010060854.4A patent/CN111275101A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109992916A (zh) * | 2019-04-09 | 2019-07-09 | 山东超越数控电子股份有限公司 | 一种基于飞参数据的机务外场飞机发动机故障预测方法，终端及可读存储介质 |
| CN109992915A (zh) * | 2019-04-09 | 2019-07-09 | 山东超越数控电子股份有限公司 | 一种基于深度学习的机务外场飞机燃油系统故障预测方法，终端机及可读存储介质 |
| CN110298415A (zh) * | 2019-08-20 | 2019-10-01 | 视睿（杭州）信息科技有限公司 | 一种半监督学习的训练方法、系统和计算机可读存储介质 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111724867A (zh) * | 2020-06-24 | 2020-09-29 | 中国科学技术大学 | 分子属性测定方法、装置、电子设备及存储介质 |
| CN111724867B (zh) * | 2020-06-24 | 2022-09-09 | 中国科学技术大学 | 分子属性测定方法、装置、电子设备及存储介质 |
| CN111894946A (zh) * | 2020-07-20 | 2020-11-06 | 中国人民解放军空军工程大学 | 基于作战强度和环境的装备液压系统故障预测方法 |
| CN111894946B (zh) * | 2020-07-20 | 2022-07-15 | 中国人民解放军空军工程大学 | 基于作战强度和环境的装备液压系统故障预测方法 |
| CN112182783A (zh) * | 2020-11-02 | 2021-01-05 | 中国运载火箭技术研究院 | 航天飞行器系统的风险识别方法、设备及存储介质 |
| CN112182783B (zh) * | 2020-11-02 | 2024-05-10 | 中国运载火箭技术研究院 | 航天飞行器系统的风险识别方法、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111178456B (zh) | 异常指标检测方法、装置、计算机设备和存储介质 | |
| EP2854053B1 (en) | Defect prediction method and device | |
| US9459950B2 (en) | Leveraging user-to-tool interactions to automatically analyze defects in IT services delivery | |
| CN109489977B (zh) | 基于KNN-AdaBoost的轴承故障诊断方法 | |
| CN111343161B (zh) | 异常信息处理节点分析方法、装置、介质及电子设备 | |
| CN106201757B (zh) | 一种异常处理方法和装置 | |
| CN106201871A (zh) | 基于代价敏感半监督的软件缺陷预测方法 | |
| CN109992484B (zh) | 一种网络告警相关性分析方法、装置和介质 | |
| CN111259959A (zh) | 一种航天飞行控制器故障状态识别方法，设备及可读存储介质 | |
| CN109409444B (zh) | 一种基于先验概率的多元电网故障类型的判别方法 | |
| US20190163549A1 (en) | Label rectification and classification/prediction for multivariate time series data | |
| CN111275101A (zh) | 一种飞机液压系统故障识别方法，设备及可读存储介质 | |
| CN112434178A (zh) | 图像分类方法、装置、电子设备和存储介质 | |
| CN109753408A (zh) | 一种基于机器学习的流程异常预测方法 | |
| CN116450399A (zh) | 微服务系统故障诊断及根因定位方法 | |
| CN111126820A (zh) | 反窃电方法及系统 | |
| CN111276247B (zh) | 一种基于大数据处理的飞参数据健康评估方法及设备 | |
| CN114338351B (zh) | 网络异常根因确定方法、装置、计算机设备及存储介质 | |
| CN117094184B (zh) | 基于内网平台的风险预测模型的建模方法、系统及介质 | |
| Bodík et al. | HiLighter: Automatically Building Robust Signatures of Performance Behavior for Small-and Large-Scale Systems. | |
| CN114756420A (zh) | 故障预测方法及相关装置 | |
| CN103136440A (zh) | 数据处理方法和装置 | |
| CN111178374B (zh) | 损坏模式确定方法及装置、电子设备、存储介质 | |
| CN116167370A (zh) | 基于日志时空特征分析的分布式系统异常检测方法 | |
| CN115372752A (zh) | 故障检测方法、装置、电子设备以及存储介质 |
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: 20200612 |
|
| RJ01 | Rejection of invention patent application after publication |