CN111566375B - 用于诊断飞行器驻停制动器的磨损状态的方法 - Google Patents
用于诊断飞行器驻停制动器的磨损状态的方法 Download PDFInfo
- Publication number
- CN111566375B CN111566375B CN201980007375.1A CN201980007375A CN111566375B CN 111566375 B CN111566375 B CN 111566375B CN 201980007375 A CN201980007375 A CN 201980007375A CN 111566375 B CN111566375 B CN 111566375B
- Authority
- CN
- China
- Prior art keywords
- classification
- signal
- parking brake
- data set
- actuator
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T17/00—Component parts, details, or accessories of power brake systems not covered by groups B60T8/00, B60T13/00 or B60T15/00, or presenting other characteristic features
- B60T17/18—Safety devices; Monitoring
- B60T17/22—Devices for monitoring or checking brake systems; Signal devices
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T17/00—Component parts, details, or accessories of power brake systems not covered by groups B60T8/00, B60T13/00 or B60T15/00, or presenting other characteristic features
- B60T17/18—Safety devices; Monitoring
- B60T17/22—Devices for monitoring or checking brake systems; Signal devices
- B60T17/221—Procedure or apparatus for checking or keeping in a correct functioning condition of brake systems
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16D—COUPLINGS FOR TRANSMITTING ROTATION; CLUTCHES; BRAKES
- F16D66/00—Arrangements for monitoring working conditions, e.g. wear, temperature
- F16D66/02—Apparatus for indicating wear
- F16D66/021—Apparatus for indicating wear using electrical detection or indication means
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16D—COUPLINGS FOR TRANSMITTING ROTATION; CLUTCHES; BRAKES
- F16D66/00—Arrangements for monitoring working conditions, e.g. wear, temperature
- F16D2066/006—Arrangements for monitoring working conditions, e.g. wear, temperature without direct measurement of the quantity monitored, e.g. wear or temperature calculated form force and duration of braking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- General Engineering & Computer Science (AREA)
- Valves And Accessory Devices For Braking Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- Manufacturing & Machinery (AREA)
Abstract
本发明涉及一种诊断包括至少一个电机的致动器的磨损状态的方法。该方法包括下列步骤:在致动器的激活和停用期间记录来自电机的信号,该信号包括激活期间的第一最大值和停用期间的第二最大值;对该信号执行加窗算法,以便获得包括该第一和第二最大值的标准化数据集;使用用于分类成至少两种类别的至少一种分类方法,以便为该数据集确立该分类方法的诸类别中的每一者中的分数;以及·根据数据集的分数评估致动器的磨损状态。
Description
本发明涉及一种诊断电致动器的磨损状态的方法,尤其但非排他性地,该电致动器是用于飞行器机轮的制动系统的致动器。本发明还涉及用于实现这种方法的装备。
发明的背景
通常,飞行器机轮制动器包括摩擦元件,这些摩擦元件中的一些被固定到机轮,且这些摩擦元件中的另一些被固定到定子;以及液压制动致动器或“千斤顶”,其被布置成在摩擦元件上施加足够的力以阻止飞行器机轮旋转。
当驻停时,制动千斤顶由专用控制设备(在本文中称为“驻停制动系统”)激活,该专用控制设备不同于用于在着陆时控制制动致动器的设备。驻停制动系统包括液压驻停制动换向阀(PBSV),该液压PBSV由具有两个电机的致动器来控制。
由于在发生用于在着陆时控制制动器的设备故障的紧急情况中可能需要使用驻停制动系统,因此,作为安全措施而做出规定:如果驻停制动系统已故障,则飞行器将不被授权起飞。
公认的是,控制PBSV的电机是驻停制动系统中的故障的主要来源。执行包括检查制动千斤顶在PBSV的控制下正确移动的维护测试,然而它们的效力有限,因为它们仅用于检测电机之一的明显故障,并且它们没有诊断驻停制动系统的磨损状态。作为结果,在执行维护测试之后,成功的结果无法保证驻停制动系统正常工作。
驻停制动系统的许多故障因而在服务中被检测出,其可导致航班延误或取消,这对航空公司来说代价很大。
因此,将有利的是,能够计划在这两个电机之一的故障在服务中被检测出之前更换致动器,同时出于明显的经济原因,还要注意避免过早更换电机。
发明目的
因此,本发明的目的是提供用于诊断诸如飞行器驻停制动系统的致动器等电致动器的磨损状态的装置。
发明内容
为了达成该目的,本发明提供了一种诊断包括至少一个电机的致动器的磨损状态的方法。该方法包括以下步骤:
-在致动器的激活和停用期间记录来自电机的信号,该信号包括激活期间的第一最大值和停用期间的第二最大值;
-对该信号执行加窗算法,以便获得包括该第一和第二最大值的标准化数据集;
-使用用于分类成至少两种类别的至少一种分类方法,以便为该数据集确立该分类方法的诸类别中的每一者中的分数;以及
-根据数据集的分数评估致动器的磨损状态。
对数据执行加窗算法用于以标准化格式自动地从该信号提取相关数据。分析信号所需的时间因而被缩短,并且通过分类方法获得的分数的质量得以改善,因为所述方法可基于可比较的数据来训练。
根据一特定特性,致动器具有两个电机。
根据另一特定特性,所记录的信号是电机的供电电流。
在本发明的优选实现中,加窗算法包括以下步骤:以经确定的采样频率对信号进行采样;在该信号中搜寻第一和第二最大值;以及定义围绕该第一最大值的第一时间窗和围绕该第二最大值的第二时间窗。
这样的加窗算法尤其用于在信号正被记录的情况下避免将致动器在操作员的控制下的激活和停用之间流逝的时间纳入考虑。
有利地,该第一和第二时间窗具有等同的时间维度。由致动器的激活产生的信号和由致动器的停用产生的信号因而在共同时间尺度上延伸。
以特定方式,加权因子被具体地应用于信号,以便能够将其与另一信号进行比较。
根据一特定特性,分类方法使用支持向量机技术。
根据另一特定特性,分类方法使用神经网络技术。
根据又一特定特性,分类方法使用随机森林技术。
在本发明的一特定实现中,分类方法的训练利用分布在所述方法的诸类别之间的第一数据集编群,以便覆盖与每个数据集相关联的分类。
在本发明的另一实现中,分类方法的参数通过使用第二数据集编群来设置,以便改善由所述方法确立的分数的可靠性水平。
以特定方式,分类方法被布置成执行分类成四种类别的分类。
作为示例,分类方法的四种类别是:“新”、“磨合”、“磨损”和“故障”。
本发明还提供了用于执行本发明的方法的诊断装备。该诊断装备包括用于记录来自电机的信号的记录装置和用于执行加窗算法并用于执行分类方法的计算单元。
以特定方式,该装备包括连接装置,该连接装置适于插在飞行器的电网和驻停制动器之间,以便控制电机和/或记录来自驻停制动致动器的电机的信号。
附图简述
根据以下描述,可以更好地理解本发明,该描述仅是说明性的而非限制性的,并且应当参考附图进行阅读,其中:
-图1示出了本发明的一特定实施例中的诊断装备的框图;
-图2示出了本发明的第一实现中的方法的步骤;
-图3示出了如由图1中所示的诊断装备记录的信号,其中加窗算法被应用于该信号;
-图4示出了加窗算法的步骤;
-图5示出了使用不同分类方法获得的信号分数表;以及
-图6示出了本发明的第二实现中的方法的步骤。
本发明的详细描述
下面将本发明描述为应用于飞行器机轮制动器。以已知方式,这样的制动器包括摩擦元件,这些摩擦元件中的一些被固定到机轮,且这些摩擦元件中的另一些被固定到定子;以及液压制动千斤顶,其被布置成在摩擦元件上施加足够的力以阻止飞行器机轮旋转。制动千斤顶与驻停制动系统相关联。
参考图1,飞行器1包括驻停制动系统2,该驻停制动系统2包括由第一电机3和第二电机4控制的液压换向阀。换向阀控制千斤顶的移动,以将力施加在制动摩擦元件上,以供阻止飞行器1的机轮5旋转的目的。
根据本发明,用于诊断驻停制动器的磨损状态的装备6包括连接装置7,该连接装置在维护期间插在飞行器1的电网8和驻停制动系统2之间。连接装置7使装备6能够借助于控制单元9来控制驻停制动系统2的电机3和4。装备6还包括记录装置10,以用于记录来自电机3和4的信号,且更具体地是表示用于电机的供电电流的信号,这些信号由连接装置7拾取。
装备6还包括使其能够处理所记录的信号的计算单元11。关于处理的信息,且尤其是处理的结果,可被显示在显示器12上。
在如图2中所示的本发明的第一实现中,该装备执行一系列操作,该一系列操作包括第一步骤100,该第一步骤100包括:在第二电机4不活跃的情况下控制第一电机3序贯地激活和停用驻停制动器2,并且随后在第一电机3不活跃的情况下控制第二电机4序贯地激活和停用驻停制动器2。并行地,装备6记录用于第一电机3的第一供电电流信号23,并接着记录用于第二电机4的第二供电电流信号24。第一和第二信号23和24代表由在服务中的第一和第二电机3和4递送的力,并因而代表驻停制动器2的磨损。
如图3所示,第一信号23和第二信号24分别包括形状大致等同的第一尖峰30a和第二尖峰30b,其中供电电流是非零的。第一尖峰30a和第二尖峰30b分别对应于驻停制动器2被激活和被停用,并且它们分别呈现第一最大值31a和第二最大值31b。
第一和第二尖峰30a和30b在基本上等同的历时32a和32b上延伸(在该示例中,这些历时等于0.2秒),历时32a和32b对应于激活和停用驻停制动器2所分别需要的时间。历时33(在此期间供电电流为零)位于第一峰值30a和第二峰值30b之间。历时33对应于在激活驻停制动器的结束与停用驻停制动器的开始之间流逝的时间。历时34(在此期间供电电流为零)在第一峰值30a之前。历时34对应于在记录的开始与激活驻停制动器的开始之间流逝的时间。历时35(在此期间供电电流为零)跟随第二峰值30b。历时35对应于在停用驻停制动器2的结束与结束记录之间流逝的时间。
第二步骤200包括对第一信号23和第二信号24执行加窗算法40。如图4所示,该算法首先包括以经确定的采样频率对第一信号23和第二信号24进行采样,并且随后对于所述第一和第二信号23和24,搜寻第一尖峰30a的第一最大值31a和第二尖峰30b的第二最大值31b,以便限定分别框起第一和第二最大值31a和31b的第一和第二窗41a和41b。第一和第二窗41a和41b的尺寸按如下方式选择成:使得第一和第二窗41a和41b分别完全包围第一和第二尖峰30a和30b并且位于所考虑的记录的开始和结束之间。在该示例中,第一和第二窗41a和41b具有等同的历时,等于0.4s。第一尖峰30a在第一窗41a中的位置基本上类似于第二尖峰30b在第二窗41b中的位置。
在第一尖峰30a或第二尖峰30b不存在或不完整的情况下,加窗算法40向操作员警告记录错误(例如借助于装备6的显示器12),并提议不考虑有问题的记录,并且再次开始记录。
加窗算法40因而用于将第一信号23和第二信号24自动变换成第一数据集53和第二数据集54,这些数据集是标准化的且因此能够与彼此进行比较,并且还能够在各驻停制动系统间进行比较。加窗算法40还可用于消除记录之间的不相干的差异,例如诸如在用于激活和用于停用驻停制动器的命令之间流逝的时间。如果必要的话,加权因子可被应用于第一信号23和/或第二信号24,以便能够将它们彼此进行比较,或者将它们与来自另一驻停制动器的其他信号进行比较,尤其是在标称供电电压因电机而异的情况下。
加窗算法40的目的因而是对信号进行预处理来便消除记录中的差异,以便促成分析。
第三步骤300包括通过执行分类方法A来分析第一和第二数据集53和54,以用于将它们分类成四种类别,这些类别中的每一者代表驻停制动器的相应磨损状态,即:N=新,R=磨合,W=磨损,且F=故障。作为示例,该方法可利用支持向量机(SVM)技术、神经网络技术、或实际上随机森林技术。
作为示例,SVM技术的参数可被选择为如下:
-核=多项式(鉴于数据集的分布,选择线性核是不合适的);
-幂次=2(大于1且被选择为位于[2:10]的范围内的正整数);
-类型=C(为了易于优化和计算速度);
-C=1(以避免高方差和高偏差这两者的问题);
-对于大约2000个训练数据集,γ=0.005(使用参数γ使得可以从这样的想法开始:接近数据集的十分位数(decile)的逆(inverse)的值接近最优值)。
-加权:N=0.1R=2W=2F=1(期望能够使用训练数据集的数据库而不管诸类别的分布要求间隔相对较宽,以便确信获得感兴趣的结果)。
分类方法A的目的是向第一和第二数据集53和54中的每一者给予在类别N、R、W和F中的每一者中的分数。为此,分类方法A需要数据集的样本,这些数据集在此示例中分布成大小相等的两个编群:第一数据集编群60(称为“训练数据集”),其分布在类别N、R、W和F中,以使得分类方法A覆盖要采用的分类;以及第二数据集编群70(称为“测试数据集”),其同样分布在类别N、R、W和F中,但为了验证通过所述方法确立的分数的可靠性水平。
在该示例中,数据集的样本是从刚刚生产的驻停制动器和因飞行器上的疑似故障而被返回至车间的驻停制动器取得的。在该示例中,训练数据集60和测试数据集70由制动系统专家按类别N、R、W和F来手动分发,该专家能够根据所记录的尖峰的波形和幅值来对数据集进行分类。
测试数据集70还被用来通过确定用于分类方法A的使得能够以最小可能的错误率来预测驻停制动器的磨损状态的参数设置80来改善所述方法的可靠性水平95。为此,针对测试数据集70中的每一者运行一遍一组参数组合。呈现最佳错误率的参数组合接着被选择。这用于优化参数设置80。
图5示出了如通过分类方法A针对类别N、R、W和F中的每一者确立的第一数据集23的分数的示例。分数中的每一者表示类别N、R、W和F中的每一者在第一数据集23中的构成百分比。因而,约定获得最高分数的类别代表电机的磨损状态,并因而被指派给第一数据集23。在图5中,电机3被分类方法A认为是磨损的。针对电机3的磨损状态的预测90接着被确定,并且其与先前计算的针对分类方法A的可靠性水平相关联。应当理解,第一电机3的磨损状态和如在与第一电机3相同的条件下确定的第二电机4的磨损状态相组合,使得在第四步骤400期间评估驻停制动系统2的磨损状态成为可能。然后可以决定更换第一电机3和/或第二电机4。
在如图6中所示的本发明的第二实现中,不单单是一种,而是三种不同的分类方法A、B和C被执行,以便评估驻停制动器2的磨损状态。分类方法A使用支持向量机技术,分类方法B使用神经网络技术,并且分类方法C使用随机森林技术。单独而言,分类方法A、B、C中的每一者呈现略大于99%的预测率。
如上面所描述,使用相同的数据集样本对方法A、B和C进行训练并设置它们的参数。然而,在该实现中,驻停制动器2的磨损状态通过以下来确定:将如分别通过分类方法A、B和C中的每一者针对第一电机3和第二电机4获得的分数A、B和C进行组合。
当利用不同技术的分类方法A、B和C都对给定数据集提供相同的类别时(如大多数场合发生的),与该数据集相关联的驻停制动电机的磨损状态随后以高可靠性水平来评估。
当方法A、B和C将不同类别指派至给定数据集时,组合算法350例如通过基于每种分类方法A、B和C的已知能力而对分数A、B和C的类别N、R、W和F中的每一者使用加权系数来将一类别指派至该数据集。
当分数A、B和C中的每一者的总和不等同时,除了所述加权系数之外,组合算法350还可针对分类方法A、B和C中的每一者利用用于将分数A、B和C带到共同尺度上的函数。
以这种方式,分类方法A、B和C中的每一者的分数是相互可比较的,并且根据它们各自的可靠性水平来被加权。
具体而言,例如,当分类方法A、B和C如下面给出的那样返回分数A、B和C时,分类方法A的最高分数不一定比分类方法B或C的最高分数给出对致动器的磨损状态的更好预测。
组合算法350的第一步骤可接着尤其包括计算分类方法A、B和C中的每一者的分数的总和,以便由此推导出使每个所述总和变为1的系数。这将产生以下重新计算的分数A'、B'和C':
虽然如此,分数A'、B'和C'并非总是可从一种分类方法直接与另一种分类方法进行比较。为此目的,在“归一化”第二步骤期间,组合算法350可将相应函数应用于分数A'、B'和C'中的每一者,对于每种分类方法,分数A'、B'和C'取决于最高的分数所针对的类别。该函数(也称为“校正”函数)被定义为在训练数据集上获得的结果的函数,并且其用于将分数A'、B'和C'带到单个尺度上。因而,一旦被校正,分数A'、B'和C'变得总是可从一种分类方法直接与另一种分类方法进行比较。
然后,在第三步骤期间,可以对每种分类方法的能力给予资格和进行比较,以正确识别与致动器的实际状态相对应的类别:
-检测与致动器的实际状态相对应的类别的高概率;以及
-指派不与致动器的实际状态相对应的类别(“误报”)的低概率。
因而,可以对每种分类方法的所有经校正分数A'、B'和C'应用单一加权。加权取决于最高的分数所针对的类别,并且所述加权可根据训练数据集来定义。
作为示例,组合算法350可因而计算由给定分类方法指派的诸类别中的每一者的可靠性水平(当分类方法A指派类别N时,正确率是98.6%;当分类方法B指派类别N时,正确率是81.3%;等等……)。
使用多种分类方法因而使得可以利用每种方法的特定特征,并获得既准确又可靠的最终预测,该最终预测实际上消除了分类错误以及第一电机3或第二电机4的意外故障的任何风险。
当然,本发明不限于所描述的实现,而是涵盖落在由所附权利要求限定的本发明的范围内的任何变型。
当控制驻停制动系统2的电机的数目等于一个或大于两个时,由诊断装备6执行的操作顺序保持不变。该顺序适用于驻停制动致动器的每个电机。
同样,当来自电机3、4的信号23、24呈现出等于一个或大于两个的最大值的数目(即,尖峰的数目)时,由诊断装备6执行的操作顺序保持不变。加窗算法40定义了与最大值数目一样多的窗。
尽管如本文中所描述,是诊断装备在控制驻停制动电机以便在它们处于服务中时记录它们的信号,但是操作员可以在信号正被记录的情况下手动地控制电机。
可以记录除电机供电电流以外的信号以便评估驻停制动器的磨损状态,例如来自电机的扭矩的供电电压。
尽管所描述的诊断装备是可移动的以适合于连接至多个飞行器,但其同样可被固定,或甚至可被搭载在飞行器上并且仅专用于该飞行器。
在每次使用诊断装备之后,可将数据集53和54自动添加到训练数据集60,以便改善通过分类方法A、B和C确立的分数。
Claims (15)
1.一种诊断包括至少一个电机的致动器的磨损状态的方法,所述方法包括以下步骤:
-在所述致动器的至少一次激活和/或停用期间记录来自所述电机的信号,所述信号包括激活期间的第一最大值和停用期间的第二最大值;
-对所述信号执行加窗算法,以便获得包括所述第一和第二最大值的标准化数据集;
-使用用于分类成至少两种类别的至少一种分类方法,以便为所述数据集确立所述分类方法的诸类别中的每一者中的分数;以及
-根据所述数据集的分数评估所述致动器的磨损状态。
2.根据权利要求1所述的方法,其特征在于,所述致动器具有两个电机。
3.根据任一前述权利要求所述的方法,其特征在于,所记录的信号是所述电机的供电电流。
4.根据权利要求1所述的方法,其特征在于,所述加窗算法包括以下步骤:
-以经确定的采样频率对所述信号进行采样;
-在所述信号中搜寻所述第一和第二最大值;以及
-定义围绕所述第一最大值的第一时间窗和围绕所述第二最大值的第二时间窗。
5.根据权利要求4所述的方法,其特征在于,所述第一和第二时间窗具有等同的时间维度。
6.根据权利要求4或权利要求5所述的方法,其特征在于,加权因子被应用于所述信号。
7.根据权利要求1所述的方法,其特征在于,所述分类方法使用支持向量机技术。
8.根据权利要求1所述的方法,其特征在于,所述分类方法使用神经网络技术。
9.根据权利要求1所述的方法,其特征在于,所述分类方法使用随机森林技术。
10.根据权利要求1或2所述的方法,其特征在于,所述分类方法的训练利用分布在所述方法的诸类别之间的第一数据集编群,以便覆盖与每个数据集相关联的分类。
11.根据权利要求1或2所述的方法,其特征在于,所述分类方法的参数通过使用第二数据集编群来设置,以便改善通过所述方法确立的所述分数的可靠性水平。
12.根据权利要求1或2所述的方法,其特征在于,所述分类方法被布置成执行分类成四种类别的分类。
13.根据权利要求12所述的方法,其特征在于,所述分类方法的四种类别是:“新”、“磨合”、“磨损”和“故障”。
14.一种用于执行根据任一前述权利要求所述的方法的诊断装备,所述装备包括:用于记录所述信号的记录装置;以及用于执行加窗算法和用于执行所述分类方法的计算单元。
15.根据权利要求14所述的装备,其特征在于,包括连接设备,所述连接设备适于插在飞行器的电网和驻停制动器之间,以便控制所述电机和/或记录来自所述驻停制动器的电机的所述信号。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1850053A FR3076267B1 (fr) | 2018-01-04 | 2018-01-04 | Procede pour diagnostiquer un etat d'usure d'un frein de parking d'aeronef |
FR1850053 | 2018-01-04 | ||
PCT/EP2019/050041 WO2019134918A1 (fr) | 2018-01-04 | 2019-01-02 | Procede pour diagnostiquer un etat d'usure d'un frein de parking d'aeronef |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111566375A CN111566375A (zh) | 2020-08-21 |
CN111566375B true CN111566375B (zh) | 2022-05-27 |
Family
ID=61521740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980007375.1A Active CN111566375B (zh) | 2018-01-04 | 2019-01-02 | 用于诊断飞行器驻停制动器的磨损状态的方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11760332B2 (zh) |
CN (1) | CN111566375B (zh) |
FR (1) | FR3076267B1 (zh) |
WO (1) | WO2019134918A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111209955A (zh) * | 2020-01-03 | 2020-05-29 | 山东超越数控电子股份有限公司 | 基于深度神经网络和随机森林的飞机电源系统故障识别方法 |
IT202000011830A1 (it) * | 2020-05-21 | 2021-11-21 | Cnh Ind Italia Spa | Sistema di monitoraggio di usura di un freno di stazionamento idraulico |
CN117515081B (zh) * | 2023-12-29 | 2024-04-02 | 杭州杭叉桥箱有限公司 | 一种叉车制动器用磨损程度评估方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201834649U (zh) * | 2010-09-30 | 2011-05-18 | 北京工业大学 | 一种矿用提升机盘式制动器状态监测装置 |
CN102171728A (zh) * | 2008-09-30 | 2011-08-31 | 欧陆汽车有限责任公司 | 用于汽车磨损诊断的方法和装置 |
CN102713777A (zh) * | 2010-01-22 | 2012-10-03 | 株式会社日立制作所 | 诊断装置及诊断方法 |
DE102011016126A1 (de) * | 2011-04-05 | 2012-10-11 | Lucas Automotive Gmbh | Technik zum Bestimmen des Verschleißzustands eines Bremsbelags |
JP2012232740A (ja) * | 2006-01-31 | 2012-11-29 | Hydro Aire Inc | カーボンブレーキの摩耗を低減させるシステム |
CN104118324A (zh) * | 2013-04-23 | 2014-10-29 | 现代自动车株式会社 | 加速器踏板力的主动控制方法 |
CN104655507A (zh) * | 2013-11-25 | 2015-05-27 | 维特根有限公司 | 磨损诊断方法和维护方法 |
CN104727863A (zh) * | 2013-12-20 | 2015-06-24 | 航空技术空间股份有限公司 | 压缩器涡轮中的耐磨带 |
CN107180016A (zh) * | 2017-05-23 | 2017-09-19 | 南京工业大学 | 应用磨损比耗指数预测滚刀磨损量的分层求和法 |
CN107194427A (zh) * | 2017-05-26 | 2017-09-22 | 温州大学 | 一种铣削刀具故障监测与识别方法及系统 |
DE102017106528A1 (de) * | 2016-03-28 | 2017-09-28 | Toyota Jidosha Kabushiki Kaisha | Fahrzeugbremssystem und Verfahren zum Erfassen von Verschleiß eines Reibelements |
CN107378641A (zh) * | 2017-08-23 | 2017-11-24 | 东北电力大学 | 一种基于图像特征和lltsa算法的刀具磨损状态监测方法 |
CN107505850A (zh) * | 2017-07-04 | 2017-12-22 | 南京航空航天大学 | 一种刀具换刀判断方法 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4377220A (en) * | 1980-05-21 | 1983-03-22 | Dravo Corporation | Automatic rail clamp |
JP2004505838A (ja) * | 2000-08-04 | 2004-02-26 | ダンロップ・エアロスペース・リミテッド | ブレーキ状態の監視 |
DE10147817C5 (de) * | 2001-09-27 | 2011-02-24 | Siemens Ag | Verfahren zur Verschleisserkennung bei einer Bremse oder einer Kupplung |
DE10228115B4 (de) * | 2002-06-24 | 2004-05-13 | Lucas Automotive Gmbh | Elektrisch betätigbare Fahrzeugbremse und Verfahren zur Steuerung einer elektrisch betätigbaren Fahrzeugbremse |
DE10336611A1 (de) * | 2003-08-08 | 2005-03-03 | Wabco Gmbh & Co.Ohg | Druckmittelbetriebene Bremsanlage für ein Fahrzeug |
DE10361042B3 (de) * | 2003-12-23 | 2005-05-25 | Lucas Automotive Gmbh | Feststellbremse und Verfahren zur Steuerung derselben |
EP1800809A1 (de) * | 2005-12-19 | 2007-06-27 | ABB Technology AG | Bremsvorrichtung für einen Roboterantrieb und Verfahren zum Erkennen eines Bremsenzustandes |
DE102007035219A1 (de) * | 2007-07-25 | 2009-01-29 | Robert Bosch Gmbh | Objektklassifizierungsverfahren und Einparkhilfesystem |
US7877216B2 (en) * | 2008-07-30 | 2011-01-25 | Honeywell International Inc. | Method, system, and apparatus for friction pad wear and brake condition monitoring |
DE102010029225B4 (de) * | 2009-06-23 | 2021-10-07 | Continental Teves Ag & Co. Ohg | Elektromechanisches Bremssystem, insbesondere Feststellbremssystem und Verfahren zum Betreiben des Bremssystems |
FR2970387B1 (fr) * | 2011-01-10 | 2013-12-13 | Messier Bugatti | Actionneur electromecanique a double excitation. |
US8620550B2 (en) * | 2011-02-28 | 2013-12-31 | Deere & Company | Measuring brake wear |
DE102011077786A1 (de) * | 2011-06-20 | 2012-12-20 | Continental Teves Ag & Co. Ohg | Aktuatorsystem und Betriebsverfahren für ein Aktuatorsystem |
DE102014113371A1 (de) * | 2014-09-17 | 2016-03-17 | Knorr-Bremse Systeme für Schienenfahrzeuge GmbH | Verfahren zur Überwachung und Diagnose von Komponenten eines Schienenfahrzeugs, mit erweiterbarer Auswertungssoftware |
DE102015001152A1 (de) * | 2015-02-02 | 2016-08-04 | Wabco Europe Bvba | Verfahren zur Überwachung einer Bremse für Kraftfahrzeuge, Bremssystem zur Durchführung des Verfahrens sowie Kraftfahrzeug mit einem solchen |
FR3036515B1 (fr) * | 2015-05-19 | 2019-01-25 | Tellmeplus | Procede et systeme de prediction de la realisation d'un etat predetermine d'un objet. |
DE102016209042A1 (de) * | 2016-05-24 | 2017-11-30 | Robert Bosch Gmbh | Verfahren zum Überwachen der Bremskraft in einem Fahrzeug |
CN106769052B (zh) * | 2017-03-21 | 2018-12-21 | 桂林电子科技大学 | 一种基于聚类分析的机械系统滚动轴承智能故障诊断方法 |
-
2018
- 2018-01-04 FR FR1850053A patent/FR3076267B1/fr active Active
-
2019
- 2019-01-02 CN CN201980007375.1A patent/CN111566375B/zh active Active
- 2019-01-02 WO PCT/EP2019/050041 patent/WO2019134918A1/fr active Application Filing
- 2019-01-02 US US16/959,861 patent/US11760332B2/en active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012232740A (ja) * | 2006-01-31 | 2012-11-29 | Hydro Aire Inc | カーボンブレーキの摩耗を低減させるシステム |
CN102171728A (zh) * | 2008-09-30 | 2011-08-31 | 欧陆汽车有限责任公司 | 用于汽车磨损诊断的方法和装置 |
CN102713777A (zh) * | 2010-01-22 | 2012-10-03 | 株式会社日立制作所 | 诊断装置及诊断方法 |
CN201834649U (zh) * | 2010-09-30 | 2011-05-18 | 北京工业大学 | 一种矿用提升机盘式制动器状态监测装置 |
DE102011016126A1 (de) * | 2011-04-05 | 2012-10-11 | Lucas Automotive Gmbh | Technik zum Bestimmen des Verschleißzustands eines Bremsbelags |
CN104118324A (zh) * | 2013-04-23 | 2014-10-29 | 现代自动车株式会社 | 加速器踏板力的主动控制方法 |
CN104655507A (zh) * | 2013-11-25 | 2015-05-27 | 维特根有限公司 | 磨损诊断方法和维护方法 |
CN104727863A (zh) * | 2013-12-20 | 2015-06-24 | 航空技术空间股份有限公司 | 压缩器涡轮中的耐磨带 |
DE102017106528A1 (de) * | 2016-03-28 | 2017-09-28 | Toyota Jidosha Kabushiki Kaisha | Fahrzeugbremssystem und Verfahren zum Erfassen von Verschleiß eines Reibelements |
CN107180016A (zh) * | 2017-05-23 | 2017-09-19 | 南京工业大学 | 应用磨损比耗指数预测滚刀磨损量的分层求和法 |
CN107194427A (zh) * | 2017-05-26 | 2017-09-22 | 温州大学 | 一种铣削刀具故障监测与识别方法及系统 |
CN107505850A (zh) * | 2017-07-04 | 2017-12-22 | 南京航空航天大学 | 一种刀具换刀判断方法 |
CN107378641A (zh) * | 2017-08-23 | 2017-11-24 | 东北电力大学 | 一种基于图像特征和lltsa算法的刀具磨损状态监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111566375A (zh) | 2020-08-21 |
US20200331448A1 (en) | 2020-10-22 |
WO2019134918A1 (fr) | 2019-07-11 |
FR3076267B1 (fr) | 2020-01-17 |
FR3076267A1 (fr) | 2019-07-05 |
US11760332B2 (en) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111566375B (zh) | 用于诊断飞行器驻停制动器的磨损状态的方法 | |
JP6672132B2 (ja) | 昇降機診断システム、昇降機診断装置、及び昇降機診断方法 | |
JP7249254B2 (ja) | 工場ロボットの状態ベースメンテナンスのための運動非感知性特徴 | |
CN105424395B (zh) | 设备故障的确定方法和装置 | |
DE69732569T2 (de) | System zur erkennung von störungen von elektromotoren | |
CN110135492B (zh) | 基于多高斯模型的设备故障诊断与异常检测方法及系统 | |
RU2669128C2 (ru) | Способ и система для акустического анализа машины | |
KR101539896B1 (ko) | 유도전동기 오류 진단 방법 | |
DE102010038827A1 (de) | Verfahren und System für die Fehlervorhersage mit Hilfe eines Agenten | |
US6006170A (en) | Method and system for ascertaining anomalies in electric motors | |
US9607451B2 (en) | Method and a system for merging health indicators of a device | |
EP2405357A2 (en) | Methods systems and apparatus for determining whether built-in-test fault codes are indicative of an actual fault condition or a false alarm | |
JP2019182252A (ja) | ホームドア診断装置、診断方法、及び診断プログラム | |
US11544554B2 (en) | Additional learning method for deterioration diagnosis system | |
US11423713B2 (en) | Systems and methods to determine maintenance-focused aircraft data recording frame configurations | |
EP0428703B1 (en) | A method for monitoring the operational state of a system | |
US20200156680A1 (en) | Railway vehicle major component and system diagnosis apparatus | |
DE112019007899T5 (de) | System und Methode für die Vorhersage von Gerätefehler mittels akustischer Signale im Ultraschallfrequenzband | |
Azevedo et al. | Estimation of health indicators using advanced analytics for prediction of aircraft systems remaining useful lifetime | |
US20220187787A1 (en) | Method for determining a property of a machine, in particular a machine tool, without metrologically capturing the property | |
CN116720073A (zh) | 一种基于分类器的异常检测提取方法与系统 | |
CN114924543A (zh) | 一种调节阀的故障诊断与预测方法及装置 | |
Shen | Diagnosis of the Powertrain Systems for Autonomous Electric Vehicles | |
CN114021602A (zh) | 一种转辙机故障诊断模型中数据处理方法和系统 | |
US20210125088A1 (en) | Product detection device, method, and program |
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 |