CN111474919B - 基于aann网络组的航空发动机控制系统传感器故障诊断方法 - Google Patents
基于aann网络组的航空发动机控制系统传感器故障诊断方法 Download PDFInfo
- Publication number
- CN111474919B CN111474919B CN202010341766.1A CN202010341766A CN111474919B CN 111474919 B CN111474919 B CN 111474919B CN 202010341766 A CN202010341766 A CN 202010341766A CN 111474919 B CN111474919 B CN 111474919B
- Authority
- CN
- China
- Prior art keywords
- aann
- network
- sensor
- fault
- control system
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提出一种基于AANN网络组的航空发动机控制系统传感器故障诊断方法,首先采集航空发动机在不同工作状态下,控制系统中的若干可测传感器数据,得到样本数据集;然后建立不同工作状态对应的AANN网络;将样本数据集输入对应的AANN网络,计算出每一时刻网络输入与输出之间的残差;之后利用残差计算随着测量状态实时变化的自适应阈值,通过比对残差和自适应阈值,进行故障诊断。本发明实现传感器故障的检测、隔离和信号重构功能的同步,同时满足鲁棒性的要求,对噪声干扰不敏感,适应航空发动机的不确定性和多变工况。
Description
技术领域
本发明属于航空发动机控制系统故障诊断领域,具体涉及一种基于AANN网络组的航空发动机控制系统传感器故障诊断方法。
背景技术
航空发动机是长期工作在高转速、高负荷和高温环境下的复杂热力机械,对可靠性和安全性要求极高。航空发动机控制系统以传感器测量信号为基础进行工作,但由于传感器测量数据多、分布广、且其安装部位特殊,长时间工作在高温、高压、强振动的工况中,是控制系统中最容易发生故障的部件。传感器一旦故障有可能导致整个控制系统失效,造成严重的经济损失。因此,对传感器进行及时、有效的故障诊断和信号重构,以提高航空发动机的安全性和可靠性,具有十分重要的意义。
传统的传感器故障诊断的方法是基于分析模型的方法。如Kobayashi等研究了基于自适应模型的传感器故障诊断方法,对比自适应模型和真实传感器的输出,通过阈值判断其是否发生故障。基于模型的方法需要建立被诊断对象的高精度模型。随着建模不确定性和非线性复杂性的增加,航空发动机等复杂非线性系统模型的可靠性降低,从而降低了诊断系统的可靠性。避免模型构建问题的数据驱动诊断已经被开发为对上述问题的响应。随着智能算法的出现,以模型和信号处理为核心的原有诊断过程被以知识处理和知识推理为核心的诊断过程所取代,其中包括神经网络。
神经网络具有自学习能力和拟合任意连续非线性函数的能力,是目前应用最广泛的故障诊断方法。目前文献中所提到的诸多故障诊断技术可以完成故障的诊断与隔离,但是都需要分两步或者多步进行。而根据对诊断快速性的要求,需要诊断系统能够对故障的检测、隔离、恢复同时进行。这其中,AANN网络能够提取最具代表性的低维子空间反映了系统的高维参数空间结构网络输入,有效地滤除噪声和测量误差的测量数据,所以它可以完成故障诊断和信号重构的同步进行。如李欢欢等针对火电机组提出了一种基于AANN网络模型的传感器故障诊断方法及诊断流程。但航空发动机是一个多变量、多耦合的综合系统,存在着复杂的不确定性,如有时候动态系统的参数会随着时间发生改变。且传感器工作条件十分严峻,存在作用于系统的干扰和噪声信号。此外,航空发动机飞行包线大,工作多变,不同的工作状态下各输出量的解析关系不同。而基本的AANN网络不能精准的模拟发动机气路系统里各变量之间的相互作用关系,因此难以适应发动机工作中的不确定性和复杂工况,会造成误判、漏判的情况。
发明内容
为了准确识别复杂非线性的航空发动机系统传感器的故障模式,对噪声干扰不敏感,并可以精确对多种故障模式进行分类,同步进行故障的检测、隔离、恢复,本发明提出了一种基于自适应阈值和AANN网络组的航空发动机控制系统传感器故障诊断方法。
本发明的技术方案为:
所述一种基于AANN网络组的航空发动机控制系统传感器故障诊断方法,其特征在于:包括以下步骤:
步骤1:分别采集航空发动机在不同工作状态下,航空发动机控制系统中的若干可测传感器数据,得到多组航空发动机控制系统传感器的样本数据集,每组样本数据集对应航空发动机的一个工作状态;
步骤2:对于每组样本数据集,将其分为训练集和验证集两部分,其中训练集均为健康数据,用于训练AANN网络模型,验证集采用健康数据与故障数据随机混合,用于验证训练好的AANN网络模型的性能;
步骤3:根据设定的航空发动机工作状态数,建立相同个数的AANN网络形成网络组,每个网络对应相应的工作状态;然后将每种工作状态相对应的样本数据训练集输入到相应的AANN网络中,训练AANN网络组直至达到训练要求;
步骤4:将验证集中的传感器数据根据其所属的工作状态输入到相应的AANN网络中,计算出每一时刻t的网络输入与输出之间的残差,所述残差由各个传感器对应残差组成;
步骤5:对于每个传感器的残差值,计算随着测量状态实时变化的自适应阈值:
步骤5.1:选择一个时长T的窗口,从当前时刻t开始,向前截取一段残差数据;
步骤5.2:对截取的残差数据进行正态转化;
步骤5.3:利用正态转化后的残差数据计算[t-T,t]时间段内的固定阈值JRMS,将此阈值作为“窗口”中最后时刻t的残差阈值:
其中T为窗口的长度,t为当前时刻,r(t)为正态转化后的残差数据;之后逐步移动窗口,不断重复上述计算,得到每个步长时刻的残差自适应阈值;
步骤6:将残差与对应的残差自适应阈值进行比较,如果残差超出自适应阈值则断定该传感器发生故障;
步骤7:将验证结果与验证集中的故障数据进行准确率判断,当准确率达到设定要求后,利用训练得到的AANN网络组对航空发动机控制系统传感器进行实时故障诊断;如果准确率没有达到设定要求,则返回步骤3重新进行AANN网络训练。
进一步的,步骤1中采集航空发动机6个工作状态下的控制系统传感器样本数据集,分别为停车,慢车,最大状态、中间状态、最小加力状态和最大加力状态。
进一步的,航空发动机控制系统传感器包括油门杆角度传感器,进气道温度传感器,低压转速传感器,高压转速传感器,压缩机入口温度传感器,压缩机出口压力传感器,高压涡轮出口温度传感器,低压涡轮出口温度传感器和低压涡轮出口压力传感器。
进一步的,在训练前,对样本数据集中的数据进行预处理:
其中
xj为待预处理的第j个传感器的样本数据向量,yj为预处理后的第j个传感器的样本数据向量,所有传感器的样本数据向量组合得到预处理后的样本数据集;为待预处理的第j个传感器的样本数据向量中的第i个样本数据,n为样本数据向量中的样本个数。
进一步的,步骤3中建立的AANN网络模型包含1个输入层,1个映射层、1个瓶颈层,1个解映射层和1个输出层;瓶颈层的节点个数要少于映射层和解映射层的节点个数,并且映射层和解映射层的节点个数相同,且映射层与解映射层节点的数量和小于观测值个数。
进一步的,AANN网络模型中输入层、映射层、瓶颈层、解映射层和输出层的节点数为9-32-6-32-9。
进一步的,每个AANN网络的训练过程为:
首先随机设置AANN网络模型的初始系数,所述初始系数包括权值和偏置系数;
其次将样本数据训练集中的数据输入AANN网络模型中;
再次计算网络训练的目标函数:
其中K为样本数据训练集中的样本个数,uk和vk为AANN网络模型输入和输出数据;
之后训练网络模型,修正模型系数,当达到设定的最大迭代周期后,模型训练结束。
进一步的,采用BP算法训练网络模型。
进一步的,对于航空发动机控制系统传感器传感器故障,可按照故障发生原因进行分类:
(a)正常情况,无故障原因,编号为0,信号的表现形式为在大小为1附近波动的恒定信号;
(b)偏置故障,故障原因为偏置电流或偏置电压等,编号为1,信号的表现形式为在正常信号上叠加了一恒定的小信号;
(c)尖峰故障,故障原因为电源和地线中的随机干扰、浪涌、电火花放电D/A变换器中的毛刺等,编号为2,信号的表现形式为在正常信号上叠加了一脉冲信号;
(d)开路故障,故障原因为信号线断、芯片管脚没连上等,编号为3,信号的表现形式为大小在信号最大值附近波动的恒定信号;
(e)漂移故障,故障原因为温漂等,编号为4,信号的表现形式为以某一速率偏移正常信号;
(f)短路故障,故障原因为污染引起的桥路腐蚀线路短接等,编号为5,信号的表现形式为在大小为0附近波动的恒定信号;
(g)周期性干扰,故障原因为电源50Hz干扰等,编号为6,信号的表现形式为在正常信号叠加了一某一频率的信号。
有益效果
(1)该方法具有良好的鲁棒性、特征提取和噪声滤波能力。
(2)该方法只使用发动机传感器输出来训练神经网络,不需要发动机模型,从而进一步提升故障诊断系统的快速性和故障检测率,故障检测准确率高达90%。
(3)该方法可实现故障检测、隔离和调节功能的同步。
(4)该方法使用的AANN网络具有一定的容错能力:输入节点的干扰可以分布到网络中,并且对网络的输出有一定的影响。将控制器切换到估计值,发动机系统可以继续正常的运行。在这种方案下,只要正常的传感器不小于瓶颈节点,即使有多个传感器,系统也能保持可操作性。
(5)该方法采用了自适应阈值,能够随着测量状态实时变化,以解决AANN网络不能适应航空发动机不确定性的问题,减少故障诊断过程中存在不确定性和未知干扰的影响。
(6)该方法采用离线学习,在线运行的方式,可用于航空发动机控制系统传感器的实时测量数据的故障诊断。
(7)该方法设计了AANN网络组,能够适应航空发动机的多变工况。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1基于AANN网络的航空发动机控制系统传感器故障诊断流程图;
图2AANN网络的结构;
图3传感器故障诊断方法;
图4AANN网络组结构;
图5传感器的故障信号;(a)短路故障,(b)开路故障,(c)尖峰故障,(d)偏置故障,(e)漂移故障,(f)正常信号,(g)周期性干扰故障。
具体实施方式
航空发动机控制系统建立数学模型困难,故障诊断的效果往往受到模型精度的制约;而且目前对传感器的故障诊断技术可以完成故障的诊断与隔离,但是都需要分两步或者多步进行。对信号重构研究也较少;根据对诊断快速性的要求,需要诊断系统能够对故障的检测、隔离、恢复同时进行。且航空发动机传感器工作在严峻的工况条件下,干扰较多,基本的AANN网络难以适应发动机工作中的不确定性和多变工况。因此,为解决上述问题,提高传感器故障诊断准确率,高效准确的识别复杂非线性的航空发动机系统的故障模式,实现传感器故障的检测、隔离和信号重构功能的同步,同时满足鲁棒性的要求,对噪声干扰不敏感,适应航空发动机的不确定性和多变工况,本发明基于AANN网络组和自适应阈值提出了一种用于航空发动机控制系统传感器的故障诊断方法。
针对航空发动机的不同工作状态,我们分别收集航空发动机在6个工作状态下(停车,慢车,最大状态、中间状态、最小加力和最大加力)的飞行记录仪数据,得到6组航空发动机控制系统传感器的样本数据集(相同工作状态下的数据为一组)。本实施例中样本数据集包括航空发动机控制系统中的九个关键的可测传感器数据:油门杆角度传感器PLA,进气道温度T1,低压转速NL,高压转速NH,压缩机入口温度T25,压缩机出口压力P3,高压涡轮出口温度T4.5,低压涡轮出口温度T5和低压涡轮出口压力P5。
然后对于每组样本数据集,将其分为训练集和验证集两部分,其中训练集均为健康数据,用于训练AANN网络模型,验证集采用健康数据与故障数据随机混合,用于验证训练好的AANN网络模型的性能;本实施例中采用样本数据集的70%为训练集,样本数据集的30%为验证集。
为了减小在信号采集过程中产生的测量信号的误差,减小计算复杂度,本实施例中对样本数据集中的数据进行预处理:
其中
xj为待预处理的第j个传感器的样本数据向量,yj为预处理后的第j个传感器的样本数据向量,所有传感器的样本数据向量组合得到预处理后的样本数据集;为待预处理的第j个传感器的样本数据向量中的第i个样本数据,n为样本数据向量中的样本个数。
由于我们主要取了航空发动机的6个典型工作状态,建立6个AANN网络形成网络组,每个网络对应相应的工作状态。将每种工作状态相对应的预处理后的样本数据训练集输入到相应的AANN网络中,训练AANN网络组直至达到训练要求,每个网格的训练过程如下:
首先确定AANN的初始参数和网络节点数。本实施例中的采用的AANN网络模型包含1个输入层,1个映射层、1个瓶颈层,1个解映射层和1个输出层。
AANN网络模型的初始系数(包括权值,偏置系数)设定为由计算机产生的伪随机数。
网络节点的选择遵循的原则:瓶颈层的神经元个数要少于映射层和解映射层的个数,并且映射层和解映射层的神经元个数要相同,且映射和解映射节点的数量和要小于观测值个数。可通过在实验中多次训练对比得到具有最佳降噪能力的网络结构为9-32-6-32-9,其平均降噪水平在68.49%。
其次将样本数据训练集中的数据输入AANN网络模型中。
再次计算网络训练的目标函数:
其中K为样本数据训练集中的样本个数,uk和vk为AANN网络模型输入和输出数据。
之后训练网络模型,修正模型系数,这里可以采用BP算法训练网络模型。而当达到设定的最大迭代周期后,模型训练结束。
将验证集中的传感器数据根据其所属的工作状态输入到相应的AANN网络中,根据AANN的映射规则将输入变为输出,网络产生的输出会尽可能接近估计输入uk的真实值而非传感器的测量值(即网络的输入),此时计算出每一时刻t的网络输入与输出之间的残差。本实施例中,这里的残差也是由9个传感器对应残差组成的。
对于每个传感器的残差,在获得残差之后,计算能够随着测量状态实时变化的自适应阈值,以解决诊断敏感性和鲁棒性的问题,减少故障诊断过程中存在不确定性和未知干扰的影响。计算过程如下:
首先选取一个“窗口”,截取窗口内一段残差数据;然后对该段残差数据进行正态转化,利用正态转化后的残差数据计算[t-T,t]时间段内的固定阈值JRMS,将此阈值作为“窗口”中最后时刻t的残差阈值:
其中T为窗口的长度,t为时间,r(t)为正态转化后的残差数据。之后逐步移动窗口,不断重复上述计算,得到每个步长时刻的残差自适应阈值。
之后将残差与计算得到的残差自适应阈值进行比较,如果残差超出自适应阈值则断定该传感器发生故障。检测到发生了故障传感器后,将该传感器与网络的输入层断开。神经网络将继续使用神经网络最近的对应输出。网络最近的输出即是对传感器的故障估计值。如未超出自适应阈值的范围,则断定传感器处于正常状态,进行下一时刻的故障诊断。
而对出传感器故障,可按照故障发生原因进行分类,其原因分析、编号方法如下:
(a)正常情况,无故障原因,编号为0,信号的表现形式为在大小为1附近波动的恒定信号;
(b)偏置故障,故障原因为偏置电流或偏置电压等,编号为1,信号的表现形式为在正常信号上叠加了一恒定的小信号;
(c)尖峰故障,故障原因为电源和地线中的随机干扰、浪涌、电火花放电D/A变换器中的毛刺等,编号为2,信号的表现形式为在正常信号上叠加了一脉冲信号;
(d)开路故障,故障原因为信号线断、芯片管脚没连上等,编号为3,信号的表现形式为大小在信号最大值附近波动的恒定信号;
(e)漂移故障,故障原因为温漂等,编号为4,信号的表现形式为以某一速率偏移正常信号;
(f)短路故障,故障原因为污染引起的桥路腐蚀线路短接等,编号为5,信号的表现形式为在大小为0附近波动的恒定信号。
(g)周期性干扰,故障原因为电源50Hz干扰等,编号为6,信号的表现形式为在正常信号叠加了一某一频率的信号。
最后计算该故障诊断方法的准确率,验证后得到模型的故障诊断准确率高达90%;
其中,sum为求和函数,yc表示神经网络传感器故障信号的输出,yl是传感器故障信号的实际结果,N为yc的维数。yc==yl表示当yc=yl时,输出为1,否则输出为0。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.一种基于AANN网络组的航空发动机控制系统传感器故障诊断方法,其特征在于:
包括以下步骤:
步骤1:分别采集航空发动机在不同工作状态下,航空发动机控制系统中的若干可测传感器数据,得到多组航空发动机控制系统传感器的样本数据集,每组样本数据集对应航空发动机的一个工作状态;
步骤2:对于每组样本数据集,将其分为训练集和验证集两部分,其中训练集均为健康数据,用于训练AANN网络模型,验证集采用健康数据与故障数据随机混合,用于验证训练好的AANN网络模型的性能;
步骤3:根据设定的航空发动机工作状态数,建立相同个数的AANN网络形成网络组,每个网络对应相应的工作状态;然后将每种工作状态相对应的样本数据训练集输入到相应的AANN网络中,训练AANN网络组直至达到训练要求;
步骤4:将验证集中的传感器数据根据其所属的工作状态输入到相应的AANN网络中,计算出每一时刻t的网络输入与输出之间的残差,所述残差由各个传感器对应残差组成;
步骤5:对于每个传感器的残差值,计算随着测量状态实时变化的自适应阈值:
步骤5.1:选择一个时长T的窗口,从当前时刻t开始,向前截取一段残差数据;
步骤5.2:对截取的残差数据进行正态转化;
步骤5.3:利用正态转化后的残差数据计算[t-T,t]时间段内的固定阈值JRMS,将此阈值作为“窗口”中最后时刻t的残差阈值:
其中T为窗口的长度,t为当前时刻,r(t)为正态转化后的残差数据;之后逐步移动窗口,不断重复上述计算,得到每个步长时刻的残差自适应阈值;
步骤6:将残差与对应的残差自适应阈值进行比较,如果残差超出自适应阈值则断定该传感器发生故障;
步骤7:将验证结果与验证集中的故障数据进行准确率判断,当准确率达到设定要求后,利用训练得到的AANN网络组对航空发动机控制系统传感器进行实时故障诊断;如果准确率没有达到设定要求,则返回步骤3重新进行AANN网络训练。
2.根据权利要求1所述一种基于AANN网络组的航空发动机控制系统传感器故障诊断方法,其特征在于:步骤1中采集航空发动机6个工作状态下的控制系统传感器样本数据集,分别为停车,慢车,最大状态、中间状态、最小加力状态和最大加力状态。
3.根据权利要求1所述一种基于AANN网络组的航空发动机控制系统传感器故障诊断方法,其特征在于:航空发动机控制系统传感器包括油门杆角度传感器,进气道温度传感器,低压转速传感器,高压转速传感器,压缩机入口温度传感器,压缩机出口压力传感器,高压涡轮出口温度传感器,低压涡轮出口温度传感器和低压涡轮出口压力传感器。
5.根据权利要求1所述一种基于AANN网络组的航空发动机控制系统传感器故障诊断方法,其特征在于:步骤3中建立的AANN网络模型包含1个输入层,1个映射层、1个瓶颈层,1个解映射层和1个输出层;瓶颈层的节点个数要少于映射层和解映射层的节点个数,并且映射层和解映射层的节点个数相同,且映射层与解映射层节点的数量和小于观测值个数。
6.根据权利要求5所述一种基于AANN网络组的航空发动机控制系统传感器故障诊断方法,其特征在于:AANN网络模型中输入层、映射层、瓶颈层、解映射层和输出层的节点数为9-32-6-32-9。
8.根据权利要求7所述一种基于AANN网络组的航空发动机控制系统传感器故障诊断方法,其特征在于:采用BP算法训练网络模型。
9.根据权利要求1所述一种基于AANN网络组的航空发动机控制系统传感器故障诊断方法,其特征在于:对于航空发动机控制系统传感器故障,可按照故障发生原因进行分类:
(a)正常情况,无故障原因,编号为0,信号的表现形式为在大小为1附近波动的恒定信号;
(b)偏置故障,故障原因为偏置电流或偏置电压,编号为1,信号的表现形式为在正常信号上叠加了一恒定的小信号;
(c)尖峰故障,故障原因为电源和地线中的随机干扰、浪涌、电火花放电D/A变换器中的毛刺,编号为2,信号的表现形式为在正常信号上叠加了一脉冲信号;
(d)开路故障,故障原因为信号线断、芯片管脚没连上,编号为3,信号的表现形式为大小在信号最大值附近波动的恒定信号;
(e)漂移故障,故障原因为温漂,编号为4,信号的表现形式为以某一速率偏移正常信号;
(f)短路故障,故障原因为污染引起的桥路腐蚀线路短接,编号为5,信号的表现形式为在大小为0附近波动的恒定信号;
(g)周期性干扰,故障原因为电源50Hz干扰,编号为6,信号的表现形式为在正常信号叠加了一某一频率的信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010341766.1A CN111474919B (zh) | 2020-04-27 | 2020-04-27 | 基于aann网络组的航空发动机控制系统传感器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010341766.1A CN111474919B (zh) | 2020-04-27 | 2020-04-27 | 基于aann网络组的航空发动机控制系统传感器故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111474919A CN111474919A (zh) | 2020-07-31 |
CN111474919B true CN111474919B (zh) | 2022-03-25 |
Family
ID=71755764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010341766.1A Active CN111474919B (zh) | 2020-04-27 | 2020-04-27 | 基于aann网络组的航空发动机控制系统传感器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111474919B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950505B (zh) * | 2020-08-24 | 2023-08-29 | 湖南科技大学 | 一种ssa-aann的风力发电机传感器状态评估方法 |
CN112906855A (zh) * | 2020-12-30 | 2021-06-04 | 西北工业大学 | 动态阈值的变循环发动机多重故障诊断器 |
CN112818461A (zh) * | 2020-12-30 | 2021-05-18 | 西北工业大学 | 基于自联想型神经网络的变循环发动机多重故障诊断器 |
CN112881017A (zh) * | 2021-01-07 | 2021-06-01 | 西北工业大学 | 基于模式梯度谱熵的航空发动机控制系统传感器的智能故障诊断方法 |
CN112881018A (zh) * | 2021-01-07 | 2021-06-01 | 西北工业大学 | 基于改进模式梯度谱熵的航空发动机控制系统传感器的智能故障诊断方法 |
CN113255546B (zh) * | 2021-06-03 | 2021-11-09 | 成都卡莱博尔信息技术股份有限公司 | 一种用于飞机系统传感器故障的诊断方法 |
CN117499199B (zh) * | 2023-08-30 | 2024-06-14 | 长沙理工大学 | 一种基于vae的信息增强解耦网络故障诊断方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103983453A (zh) * | 2014-05-08 | 2014-08-13 | 南京航空航天大学 | 一种航空发动机的执行机构和传感器故障诊断的区分方法 |
CN104850889A (zh) * | 2014-11-19 | 2015-08-19 | 北京航空航天大学 | 一种飞机旋转作动器驱动装置自适应故障检测、隔离与健康评估的方法 |
CN109543743A (zh) * | 2018-11-19 | 2019-03-29 | 天津大学 | 一种基于重建预测残差的制冷机组多传感器故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7181334B2 (en) * | 2003-05-14 | 2007-02-20 | General Motors Corporation | Method and apparatus to diagnose intake airflow |
-
2020
- 2020-04-27 CN CN202010341766.1A patent/CN111474919B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103983453A (zh) * | 2014-05-08 | 2014-08-13 | 南京航空航天大学 | 一种航空发动机的执行机构和传感器故障诊断的区分方法 |
CN104850889A (zh) * | 2014-11-19 | 2015-08-19 | 北京航空航天大学 | 一种飞机旋转作动器驱动装置自适应故障检测、隔离与健康评估的方法 |
CN109543743A (zh) * | 2018-11-19 | 2019-03-29 | 天津大学 | 一种基于重建预测残差的制冷机组多传感器故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111474919A (zh) | 2020-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111474919B (zh) | 基于aann网络组的航空发动机控制系统传感器故障诊断方法 | |
CN111506049B (zh) | 基于aann网络系统的航空发动机控制系统多重故障诊断方法 | |
CN109446187B (zh) | 基于注意力机制与神经网络的复杂装备健康状态监测方法 | |
CN110441065B (zh) | 基于lstm的燃气轮机在线检测方法与装置 | |
CN109522600B (zh) | 基于组合深度神经网络的复杂装备剩余使用寿命预测方法 | |
CN111259532B (zh) | 基于3dcnn-jtfa的航空发动机控制系统传感器的故障诊断方法 | |
Volponi et al. | The use of Kalman filter and neural network methodologies in gas turbine performance diagnostics: a comparative study | |
CN109635318B (zh) | 一种航空发动机传感器智能解析余度设计方法 | |
Mast et al. | Bayesian belief networks for fault identification in aircraft gas turbine engines | |
CN112801267A (zh) | 动态阈值的航空发动机多重故障诊断器 | |
CN110889646A (zh) | 一种适应工况变化的发电机组运行参数正确性检验的方法 | |
Li et al. | Multiple fault diagnosis of aeroengine control system based on autoassociative neural network | |
CN105279553A (zh) | 一种高加给水系统故障程度识别方法 | |
Li et al. | Fault diagnosis and reconstruction for sensor of aeroengine control system based on AANN network | |
CN112749789A (zh) | 基于自联想型神经网络的航空发动机多重故障诊断器 | |
Xue et al. | Application of Kalman filters for the fault diagnoses of aircraft engine | |
CN113465930B (zh) | 基于混合方法的燃气轮机多传感器故障检测方法 | |
Zhang | A brief review of condition monitoring techniques for gas turbines | |
Wang et al. | Remaining useful life prediction of nonlinear degradation process based on EKF | |
CN113447273B (zh) | 基于交叉验证的燃气轮机传感器及执行机构故障检测方法 | |
Tao et al. | Aircraft Engine Gas Path Fault Diagnosis Method Based on Gray AHP | |
Wang | Fault diagnosis and fault-tolerant control for Manifold Absolute Pressure sensor (MAP) of Diesel engine based on Elman network observer | |
Shen et al. | Hybrid Machine Learning-Based Methodologies for Fault Diagnosis, Prognosis and Health Management | |
Eustace | A Real-World Application of Fuzzy Logic and Influence Coefficients for Gas Turbine Performance Diagnostics | |
Simani et al. | Identification and fault diagnosis of an industrial gas turbine prototype model |
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 |