CN111649951A - 航空发动机故障检测方法、装置、计算机设备及存储介质 - Google Patents
航空发动机故障检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111649951A CN111649951A CN202010295791.0A CN202010295791A CN111649951A CN 111649951 A CN111649951 A CN 111649951A CN 202010295791 A CN202010295791 A CN 202010295791A CN 111649951 A CN111649951 A CN 111649951A
- Authority
- CN
- China
- Prior art keywords
- exhaust temperature
- temperature parameter
- parameter group
- aircraft engine
- exhaust
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/04—Testing internal-combustion engines
- G01M15/10—Testing internal-combustion engines by monitoring exhaust gases or combustion flame
- G01M15/102—Testing internal-combustion engines by monitoring exhaust gases or combustion flame by monitoring exhaust gases
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本申请公开了一种航空发动机故障检测方法、装置、计算机设备及存储介质,涉及航空技术领域,获取当前时刻的第一排气温度参数组,所述第一排气温度参数组包括多个排气温度参数项的参数数据;对所述第一排气温度参数组进行特征分析,得到当前时刻的第一排气温度;获取所述当前时刻之前预设时长内的多个第二排气温度参数组,对所述第二排气温度参数组进行分析,得到所述当前时刻之后的目标时间点的第二排气温度;根据所述第一排气温度和所述第二排气温度确定航空发动机是否发生故障。本申请实施例可以通过第一排气温度和第二排气温度可以实现对航空发动机故障的预测。
Description
技术领域
本申请涉及航空技术领域,特别是涉及一种航空发动机故障检测方法、装置、计算机设备及存储介质。
背景技术
飞行安全是航空安全管理的重要关注点。飞机在飞行过程中可能存在的安全隐患非常多,其中,航空发动机的排气温度是用于监控飞行安全的重要参数,其中,排气温度是指发动机排出的废气的温度。排气温度过高将导致发动机发生故障,因此,对发动机的排气温度的精确监控就显得格外重要。
现有技术中,对发动机排气温度的监控方法,一般是在航空发动机上安装传感器,传感器可以在废气离开发动机时测量排气温度,飞机上的控制设备可以根据传感器测量到的排气温度判断航空发动机是否发生故障。
然而,采用传感器实时测量的方法无法对航空发动机故障进行预警,因此不能对航空发动机故障进行预测。
发明内容
基于此,有必要针对上述航空发动机故障检测方法无法对航空发动机故障进行预警的问题,提供一种航空发动机故障检测方法、装置、计算机设备及存储介质。
一种航空发动机故障检测方法,该方法包括:
获取当前时刻的第一排气温度参数组,第一排气温度参数组包括多个排气温度参数项的参数数据;
对第一排气温度参数组进行特征分析,得到当前时刻的第一排气温度;
获取当前时刻之前预设时长内的多个第二排气温度参数组,对第二排气温度参数组进行分析,得到当前时刻之后的目标时间点的第二排气温度;
根据第一排气温度和第二排气温度确定航空发动机是否发生故障。
在一个实施例中,对第一排气温度参数组进行特征分析之前,该方法还包括:
采用主成分分析法对第一排气温度参数组进行降维处理,得到降维后的第一排气温度参数组;
相应的,对第一排气温度参数组进行特征分析,包括:
对降维后的第一排气温度参数组进行特征分析。
在一个实施例中,对第一排气温度参数组进行特征分析,得到当前时刻的第一排气温度,包括:
将第一排气温度参数组输入至已经训练好的温度预测模型中,得到温度预测模型输出的当前时刻的第一排气温度。
在一个实施例中,将第一排气温度参数组输入至已经训练好的温度预测模型中之前,该方法还包括
获取训练样本集,训练样本集包括多个样本,样本包括训练排气温度参数组和训练排气温度参数组对应的实际排气温度;
基于梯度学习算法建立初始温度预测模型,利用训练样本集对初始温度预测模型进行训练,得到训练好的温度预测模型。
在一个实施例中,获取当前时刻之前预设时长内的多个第二排气温度参数组,包括:
根据预设时长确定当前时刻之前的目标时间段;
获取目标时间段内的多个第二排气温度参数组。
在一个实施例中,获取目标时间段内的多个第二排气温度参数组,包括:
获取目标时间段内的按照时序排列的多个候选排气温度参数组;
根据预设的各排气温度参数项的重要度排序确定多个目标排气温度参数项;
对于各候选排气温度参数组,根据多个目标排气温度参数项从候选排气温度参数组中提取出第二排气温度参数组,得到多个第二排气温度参数组。
在一个实施例中,根据第一排气温度和第二排气温度确定航空发动机是否发生故障,包括:
当第一排气温度或者第二排气温度大于温度阈值时,确定航空发动机发生故障。
一种航空发动机故障检测装置,该装置包括:
获取模块,用于获取当前时刻的第一排气温度参数组,第一排气温度参数组包括多个排气温度参数项的参数数据;
第一预测模块,用于对第一排气温度参数组进行特征分析,得到当前时刻的第一排气温度;
第二预测模块,用于获取当前时刻之前预设时长内的多个第二排气温度参数组,对第二排气温度参数组进行分析,得到当前时刻之后的目标时间点的第二排气温度;
检测模块,用于根据第一排气温度和第二排气温度确定航空发动机是否发生故障。
一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该计算机程序被该处理器执行时实现以下步骤:
获取当前时刻的第一排气温度参数组,第一排气温度参数组包括多个排气温度参数项的参数数据;
对第一排气温度参数组进行特征分析,得到当前时刻的第一排气温度;
获取当前时刻之前预设时长内的多个第二排气温度参数组,对第二排气温度参数组进行分析,得到当前时刻之后的目标时间点的第二排气温度;
根据第一排气温度和第二排气温度确定航空发动机是否发生故障。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:
获取当前时刻的第一排气温度参数组,第一排气温度参数组包括多个排气温度参数项的参数数据;
对第一排气温度参数组进行特征分析,得到当前时刻的第一排气温度;
获取当前时刻之前预设时长内的多个第二排气温度参数组,对第二排气温度参数组进行分析,得到当前时刻之后的目标时间点的第二排气温度;
根据第一排气温度和第二排气温度确定航空发动机是否发生故障。
本申请实施例提供的技术方案带来的有益效果至少包括:
上述航空发动机故障检测方法、装置、计算机设备及存储介质,可以对航空发动机故障进行预警。该航空发动机故障检测方法中,获取当前时刻的第一排气温度参数组,其中,第一排气温度参数组包括多个排气温度参数项的参数数据,排气温度参数项是指与发动机的排气温度相关的参数项;对第一排气温度参数组进行特征分析,得到当前时刻的第一排气温度;获取当前时刻之前预设的时间窗口内的按照时序排列的多个第二排气温度参数组,对多个第二排气温度参数组进行分析,得到当前时刻之后的目标时间点的第二排气温度,根据第一排气温度和第二排气温度确定航空发动机是否发生故障,本申请实施例中,第一排气温度可以用于反映当前时刻的排气温度,第二排气温度可以用于反映当前时刻之后的未来的目标时间点的排气温度,因此通过第一排气温度和第二排气温度可以实现对航空发动机故障的预测。
附图说明
图1为本申请实施例提供的航空发动机故障检测方法的实施环境的示意图;
图2为本申请实施例提供的一种航空发动机故障检测方法的流程图;
图3为本申请实施例提供的模型训练的示意图;
图4为本申请实施例提供的基学习器的个数对模型精度的影响的示意图;
图5为本申请实施例提供的LSTM网络记忆功能的实现过程的示意图;
图6为本申请实施例提供的LSTM网络中损失函数随迭代次数的变化的示意图;
图7为本申请实施例提供的第二温度预测模型的预测结果与真实的排气温度的对比示意图;
图8为本申请实施例提供的主成分分析结果的示意图;
图9为本申请实施例提供的另一种航空发动机故障检测方法的流程图;
图10为本申请实施例提供的另一种航空发动机故障检测方法的流程图;
图11为本申请实施例提供的一种航空发动机故障检测装置的模块图;
图12为本申请实施例提供的一种计算机设备的模块图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
飞行安全是航空安全管理的重要关注点。飞机在飞行过程中可能存在的安全隐患非常多,其中,航空发动机的排气温度是用于监控飞行安全的重要参数,其中,排气温度是指发动机排出的废气的温度。排气温度过高将导致发动机发生故障,因此,对发动机的排气温度的精确监控就显得格外重要。
现有技术中,对发动机排气温度的监控方法,一般是在航空发动机上安装传感器,传感器可以在废气离开发动机时测量排气温度,飞机上的控制设备可以根据传感器测量到的排气温度判断航空发动机是否发生故障。
然而,采用传感器实时测量的方法无法对航空发动机故障进行预警,因此不能对航空发动机故障进行预测。
本申请实施例提供一种航空发动机故障检测方法,该方法包括获取当前时刻的第一排气温度参数组,对第一排气温度参数组进行特征分析,得到当前时刻的第一排气温度;获取预设的时间窗口内的按照时序排列的多个第二排气温度参数组,对多个第二排气温度参数组进行分析,得到当前时刻之后的目标时间点的第二排气温度,根据第一排气温度和第二排气温度确定航空发动机是否发生故障,本申请实施例中,第一排气温度可以用于反映当前时刻的排气温度,第二排气温度可以用于反映当前时刻之后的目标时间点的排气温度,因此通过第一排气温度和第二排气温度可以实现对航空发动机故障的预测。
下面,将对本申请实施例提供的航空发动机故障检测方法所涉及到的实施环境进行简要说明。
图1为本申请实施例提供的航空发动机故障检测方法所涉及到的一种实施环境的示意图,如图1所示,该实施环境可以包括地面中心的服务器101和飞机上的控制器102,服务器101和控制器102之间可以通过有线网络或无线网络进行通信。
服务器101可以为一台服务器,也可以为由多台服务器组成的服务器集群。
飞机上的控制器102可以将飞行参数记录仪QAR(英文:Quick Access Recorder,简称:QAR)记载的数据发送给地面中心的服务器101,服务器101可以从QAR记载的数据中获取当前时刻的第一排气温度参数组和预设的时间窗口内按照时序排列的多个第二排气温度参数组,服务器101可以对第一排气温度参数组进行特征分析,得到当前时刻的第一排气温度。服务器101可以对多个第二排气温度参数组进行分析,得到当前时刻之后的目标时间点的第二排气温度,服务器101可以根据第一排气温度和第二排气温度确定航空发动机是否发生故障。可选的,服务器101可以将航空发动机发生故障或者航空发动机无故障的检测结果返回给控制器102。
在一些可能的实现方式中,本申请实施例提供的航空发动机故障检测方法,所涉及到的实施环境可以仅包括飞机上的控制器102。
在实施环境仅包括飞机上的控制器102的情况下,控制器102可以从飞行参数记录仪QAR记载的数据中获取当前时刻的第一排气温度参数组和预设的时间窗口内按照时序排列的多个第二排气温度参数组,并基于分别根据第一排气温度参数组和第二排气温度参数组确定第一排气温度和第二排气温度,控制器102可以根据第一排气温度和第二排气温度确定航空发动机是否发生故障。
请参考图2,其示出了本申请实施例提供的一种航空发动机故障检测方法的流程图,该航空发动机故障检测方法可以应用于图1所示实施环境中的地面中心的服务器或者飞机上的控制器中,本申请实施例仅以该航空发动机故障检测方法应用于地面中心的服务器中为例进行说明,该航空发动机故障检测方法应用于飞机上的控制器时的技术过程与该航空发动机故障检测方法应用于地面中心的服务器时的技术过程同理,本申请实施例对其不再赘述。如图2所示,该航空发动机故障检测方法可以包括以下步骤:
步骤201,服务器获取当前时刻的第一排气温度参数组。
第一排气温度参数组包括多个排气温度参数项的参数数据,排气温度参数项是指与航空发动机。
飞行参数记录仪QAR(英文:Quick Access Recorder,简称:QAR)是一种存储飞行参数的机载设备,现已广泛安装于各型飞机,QAR记录了飞机在飞行过程中的飞行姿态、速度以及发动机状态等关键数据,其包含上千种参数,同时,飞机执行一次飞行任务一般会产生几千到上万条不等的飞参数据,其组成的数据集具有数据量大、数据结构化程度高、数据存取简便等特点,使得基于飞参数据和前沿的数据挖掘技术对飞机的事故状态进行监控和预测成为了可能。
一般而言,QAR记载的数据的类型包括几千到上万项,本申请实施例中,服务器可以从QAR记载的数据中提取与发动机的排气温度相关的参数的参数数据,该些与发动机的排气温度相关的参数即为排气温度参数项。排气温度参数项可以包括发动机转速、排气压力、扭矩、燃油温度、油压等。
服务器可以将提取到的多个排气温度参数项的参数数据组成第一排气温度参数组。
步骤202,服务器对第一排气温度参数组进行特征分析,得到当前时刻的第一排气温度。
本申请实施例中,对第一排气温度参数进行特征分析的过程可以是:将第一排气温度参数组输入至已经训练好的温度预测模型中,得到温度预测模型输出的当前时刻的第一排气温度,第一排气温度是当前时刻的航空发动机的排气温度。
本申请实施例中,当前时刻的发动机的排气温度可以用于对发动机的当前状态进行监督。
本申请实施例中,对温度预测模型进行训练的过程可以包括以下内容:
步骤A1:获取训练样本集,训练样本集包括多个样本,样本包括训练排气温度参数组和训练排气温度参数组对应的实际排气温度。
QAR记载的数据中包括了大量的不同时刻的数据,服务器可以从QAR记载的数据中提取任意一个时刻的与发动机的排气温度相关的参数项的参数数据,然后将多个参数项的参数数据组成一个训练排气温度参数组,服务器还可以从QAR记载的数据中提取对应于该任意一个时刻的实际排气温度,将该实际排气温度确定为训练排气温度参数组对应的实际排气温度,实际排气温度可以是通过传感器检测得到的。
服务器可以根据训练排气温度参数组和该训练排气温度参数组对应的实际排气温度组成一个样本。采用类似的方法可以得到多个样本。
可选的,本申请实施例中,可以采用与获取训练样本集相同的方法获取训练测试集。训练测试集中包括测试样本,测试样本用于对训练好的温度预测模型进行测试。
步骤A2:基于梯度学习算法建立初始温度预测模型,利用训练样本集对初始温度预测模型进行训练,得到训练好的温度预测模型。
本申请实施例中,梯度学习算法是集成学习思想的一种方法实现,其以决策树作为基分类器,结合实际需求确定损失函数。梯度学习算法通过在使损失函数减小的梯度方向上拟合出新的模型来优惠损失函数,以达到提升预测精度的目的。
本申请实施例中,基于梯度学习算法建立的初始温度预测模型为包含有N个决策树(即N个基分类器)的GBDT集成学习模型。在对初始温度预测模型进行训练时,通过依次对N个决策树进行训练,实现对N个决策树迭代训练。其中,如图3所示,图3示出了对初始温度预测模型中的N个决策树迭代训练的过程。每一次迭代过程都是为了减少上一次迭代过程的残差,并且在残差减少的梯度方向上建立一个新的模型,使得梯度提升与决策树模型相结合,相当于每迭代一次,在之前模型残差减少的梯度方向上建立一棵新的决策树模型,迭代N次,不断更新样本评估值,得到N个回归决策树弱学习器,通过对弱学习器的决策结果累加而构成一个强学习模型,即训练好的温度预测模型。
可以采用训练测试集对训练好的温度预测模型进行测试,并计算训练好的温度预测模型的精度。
本申请实施例中训练好的温度预测模型是将多个弱学习器的决策结果累加而形成的强学习模型。相比于弱学习器,引入集成学习思想构建的强学习器在实现过程中会涉及到一个非常重要的参数——决策树的个数(即基学习器的个数)。决策树的个数N会直接影响到温度预测模型的复杂程度和预测精度,本申请实施例中,在算例验证过程中,进一步探究了基学习器个数对温度预测模型的精度的影响,其结果如图4所示,通过图4可以看出,当基学习器的个数达到60个时,温度预测模型的均方根误差可以趋于0,也即温度预测模型的温度较高。基学习器的个数少于60时,精度较低,基学习器的个数大于60时,精度没有变化。为了保证温度预测模型的预测精度以及简化模型的复杂度,本申请实施例中,温度预测模型包括的基学习器的个数为60个。
步骤203,服务器获取当前时刻之前预设时长内的多个第二排气温度参数组,对第二排气温度参数组进行分析,得到当前时刻之后的目标时间点的第二排气温度。
本申请实施例中,服务器可以从QAR记载的数据中提取处于当前时刻之前预设时长(即预设时间窗口)内的QAR数据,从QAR数据中提取与发动机的排气温度相关的参数的参数数据,得到排气温度参数集合,排气温度参数集合中包括每个采样时刻与发动机的排气温度相关的参数的参数数据。服务器可以将对应于同一采样时刻的与发动机的排气温度相关的参数的参数数据组成一个第二排气温度参数组,根据预设时长内的采样时刻,确定排气温度参数集合中包括的第二排气温度参数组的个数。
可选的,时间窗口可以是10秒,当前时刻与目标时间点之间的时长为时间提前量,时间提前量可以是30秒。
本申请实施例中,第二排气温度参数组中还包括有时序标签,时序标签可以用于表示第二排气温度参数组在预设时长内的时序位置。本申请实施例中,可以根据每个第二排气温度参数组对应的采样时刻,确定每个第二排气温度参数组的时序标签。
可选的,第二排气温度参数组中包括的多个排气温度参数项可以与第一排气温度参数组中包括的多个排气温度参数项相同,也可以不同。
可选的,本申请实施例中,第二排气温度参数组中包括的多个排气温度参数项为第一排气温度参数组中包括的多个排气温度参数项中的一部分排气温度参数项。
本申请实施例中,对第二排气温度参数组进行分析的过程可以包括以下内容:
将多个第二排气温度参数组按照时序顺序依次输入到已经训练好的第二温度预测模型中,得到第二温度预测模型输出的目标时间点的第二排气温度。
本申请实施例中,对第二温度预测模型进行训练的过程可以包括以下内容:
步骤B1:获取第二训练样本集。
第二训练样本集包括多个训练样本,每个训练样本包括一个时间窗口内的多个训练第二排气温度参数组,训练第二排气温度参数组包括时序标签和多个排气温度参数项的参数数据。
可选的,本申请实施例还可以获取第二测试样本集,第二测试样本集用于对第二温度预测模型进行测试。
步骤B2:利用第二训练样本集对初始第二温度预测模型进行训练,得到训练好的第二温度预测模型。
本申请实施例中,可以基于LSTM网络建立的初始第二温度预测模型,其中,初始第二温度预测模型是基于LSTM(英文:Long Short-Term Memory,中文:长短期记忆)网络建立的,其中,初始第二温度预测模型包括输入层、输出层和隐藏层,隐藏层数量约为500层。第二温度预测模型不仅考虑了一次飞行过程中排气温度随时间的变化规律,也考虑了与发动机的排气温度相关的排气温度参数项对排气温度的造成的影响。
LSTM网络的特点是在RNN(英文:Recurrent Neural Network,中文:循环神经网络)结构以外添加了各层的阀门节点,阀门有3类,遗忘阀门(英文:forget gate),输入阀门(英文:input gate)和输出阀门(英文:output gate)这些阀门可以打开或关闭。LSTM网络的记忆功能可以由这些阀门节点的打开或关闭来实现。如图5所示,当阀门打开时,前面模型的训练结果就会关联到当前的模型计算中;而当阀门关闭时,之前的计算结果就不再影响当前的计算。因此,通过调节阀门的开关就可以实现早期序列对最终结果的影响。
服务器可以通过第二训练样本集对初始第二温度预测模型进行训练,得到训练好的第二温度预测模型。
然后,服务器可以通过第二测试样本集对训练好的第二温度预测模型进行测试,并计算训练好的第二温度预测模型的预测精度。
如图6所示,图6示出了损失函数随迭代次数的变化情况,根据图6可知,随着迭代次数的增加,损失函数的损失值越来越小,损失值越小表明第二温度预测模型的性能越好。需要说明的是,本申请实施例中,第二温度预测模型的损失函数为平均绝对误差函数,在面向非平稳时间序列的建模过程中,平均绝对误差具有很强的鲁棒性。
为了直观地看出第二温度预测模型的预测精度,图7示出了第二温度预测模型的预测结果与真实的排气温度的对比示意图。可以看出,在测试阶段,第二温度预测模型对第二测试样本集的预测值与实际值非常接近,说明第二温度预存模型的预测精度较高。
步骤B3:将当前时刻的多个第二排气温度参数组输入到已经训练好的第二温度预测模型中,得到第二温度预测模型输出的目标时间点的第二排气温度。
其中,通过对当前时刻之后目标时间点的第二排气温度进行预测,可以预先确定在当前时刻之后的目标时间点航空发动机的状态,从而实现对航空发动机故障的预警。
本申请实施例中,通过建立时间序列模型,并在时间维度上设置时间提前量和时间窗口以实现预警逻辑,挖掘发动机的排气温度在时间序列下的演变规律,因此可以准确地对航空发动机故障进行预警。
步骤204,服务器根据第一排气温度和第二排气温度确定航空发动机是否发生故障。
本申请实施例中,第一排气温度表示当前时刻发动机的排气温度,用于对当前时刻发动机的状态进行监督,第二排气温度表示未来目标时间点的排气温度,用于对未来目标时间点发动机的状态进行预测。
可选的,本申请实施例中,可以通过步骤201-步骤203获取从当前时刻到目标时间点之间的每个时刻的第二排气温度。本申请实施例中,可以根据当前时刻的第一排气温度以及当前时刻到目标时间点之间的每个时刻预测得到的多个第二排气温度生成温度变化曲线,并基于温度变化曲线判断航空发动机是否可能发生故障。
在一种可选的实现方式中,本申请实施例,确定航空发动机是否发生故障是指判断从当前时刻到目标时间点之间的时长内航空发动机是否发生故障。
在一种可选的实现方式中,本申请实施例,可以获取温度阈值,将第一排气温度和温度阈值比较,将第二排气温度和温度阈值比较,当第一排气温度和第二排气温度中任一一个大于等于温度阈值时,说明航空发动机存在发生故障的风险,因此确认航空发动机发生故障。当第一排气温度和第二排气温度均小于温度阈值,说明航空发动机不存在发生故障的风险,因此,确认航空发动机没有发生故障。
在一种可选的实现方式中,当确定航空发动机发生故障时,可以服务器可以向飞机的控制器发送故障警报,故障警报用于向飞机驾驶员提示航空发动机可能发生故障的状态。
需要说明的是,本申请实施例中,虽然只论述了航空发动机,但航空航天领域的发动机的排气温度的预测均可以采用本申请实施例提供的方法进行预测。
本申请实施例提供的航空发动机故障检测方法,通过获取当前时刻的第一排气温度和当前时刻之后的目标时间点的第二排气温度,根据第一排气温度和第二排气温度确定航空发动机是否发生故障,一方面通过对排气温度参数组包括的排气温度参数项进行分析得到第一排气温度,另一方面从时序上对多个第二排气温度参数组进行分析得到第二排气温度,挖掘发动机的排气温度在时间序列下的演变规律,因此,通过第一排气温度和第二排气温度可以实现对航空发动机故障的预测。
本申请实施例中,步骤202之前,还可以包括以下步骤:
采用主成分分析法对第一排气温度参数组进行降维处理,得到降维后的第一排气温度参数组。
由于与航空发动机的排气温度相关的排气温度参数项具有高纬度的特定,如果多个参数项之间存在较强的相关系,那么将该多个参数项输入到温度预测模型中,就会造成数据冗余,温度预测模型的运算速度下降,而且会提高温度预测模型运算的难度,降低温度预测模型的预测精度。为了解决这个问题,本申请实施例提出对第一排气温度参数组进行降维处理。
本申请实施例提出,对第一排气温度参数组中包括的多个排气温度参数项进行相关性分析,然后在相关性分析的基础上采用主成分分析法降维。
可选的,对多个排气温度参数项进行相关性分析的过程可以包括以下内容:
对多个排气温度参数项进行相关性分析可以确定各排气温度参数项之间的相关程度。
例如,两个排气温度参数项分别用X和Y表示,两个排气温度参数项各自维度的方差分别为var(X)和var(Y),两个排气温度参数项之间的协方差为cov(X,Y),可通过下式计算两个排气温度参数项之间的相关系数:
对于整个数据集而言,假设(X1,Y1),(X2,Y2),…,(Xn,Yn)为两个排气温度参数项总体(X,Y)的n个样本数据,则根据样本数据可计算得到两个排气温度参数项的相关系数为:
对含多个排气温度参数项的第一排气温度参数组而言,进行针对属性集的相关性分析需要对各属性之间的相关性进行计算,因此引入相关性矩阵的概念。假设多维数据集中含p1,p2,…,pm这m个属性,计算这m个属性两两之间的相关系数组成相关系数矩阵R。
其中R矩阵中的元素rij代表第i个属性和第j个属性的相关系数,进一步对相关系数矩阵进行分析,其对角线上元素为某一属性和自身的相关系数求解,其值为1,同时rij=rji,所以相关系数矩阵的对角线元素的值都为1,只取下三角阵就可以包含属性之间相关系数的全部信息,因此可以对相关系数矩阵简化如下:
根据相关系数矩阵中的每个矩阵元素可以确定出第一排气温度参数组每两个排气温度参数项之间是正相关关系或者是负相关关系。
可选的,采用主成分分析法降维的过程可以包括以下内容:
根据第一排气温度参数组每两个排气温度参数项之间是正相关关系或者是负相关关系对第一排气温度参数组中的多个排气温度参数项进行主成分分析,可以计算出每个排气温度参数项的特征值、方差及其对应的累计贡献率。按照方差大小对第一排气温度参数组包括的多个排气温度参数项进行排序。若将第m个特征值和前m-1个特征值的累加和大于贡献率阈值,那么将第1到第m个特征值分别对应的排气温度参数项提取出来,得到降维后的第一排气温度参数组。而将第m个特征值以后的数据舍弃。其中,贡献率阈值可以是在85%~95%之间取值。本申请实施例中,贡献率阈值可以为93%,如图8所示,第1到第6个成分的累计贡献率大于93%,因此第1到第6个排气温度参数项为主成分分析的结果,其余第7-第44的数据舍弃。由第1到第6个排气温度参数项的参数数据组成降维后的第一排气温度参数组。
相应的,步骤202中,对第一排气温度参数组进行特征分析的过程即对降维后的第一排气温度参数组进行特征分析。
本申请实施例中,由主成分分析的结果可知,原有的44个特征参数可以降维处理到6个成分,其中累计(方差)贡献率表示降维处理后的数据集(含6个参数)可以代表原始数据集(含44个参数)93%的信息量,以此来衡量降维处理的有效性和可行性。
可选的,本申请实施例中,以某航班一次飞行任务的QAR记载的数据为例进行温度预测模型的算例验证。
为了比较降维处理损失的信息对预测精度的影响,将输入数据集分为经降维处理的数据集和未经降维处理的数据集,分别对其进行训练集和测试集的划分,且划分原则保持一致。对于回归问题可选择的精度衡量指标有很多,本研究采用均方误差(MSE)、均方根误差(RMSE)和拟合优度(R_squared)三种定量指标进行衡量。表1给出了温度预测模型模型分别在经降维处理的数据集和未经降维处理的数据集的测试集精度计算结果。
表1
MSE均方误差 | RMSE均方根误差 | R_squared精度 | |
未经降维处理的数据集 | 0.509 | 0.713 | 99% |
经降维处理的数据集 | 2.965 | 1.722 | 99% |
根据表1可知,进行降维处理后的数据集其均方误差比未经降维处理的数据集大一些,但是对于整个测试集而言,其拟合优度没有明显的差异。
本申请实施例通过对数据降维,降低了数据运算量,提高了运算速度,而没有损失预测精度。
在本申请的一个实施例中,如图9所示,步骤203还可以包括以下内容:
步骤901,服务器根据预设时长确定当前时刻之前的目标时间段。
当前时刻之前的目标时间段是指以当前时刻为起点,向前倒推预设时长确定出时间终点,起点与终点之间的时间段即目标时间段。
例如当前时刻为13:10分,预设时长为3分钟,那么目标时间段即为13:07分到13:10分之间的这个时间段。
步骤902,服务器获取目标时间段内的按照时序排列的多个第二排气温度参数组。
在一种可选的实现方式中,如图10所示,本申请实施例获取目标时间段内的按照时序排列的多个第二排气温度参数组的过程可以包括:
步骤1001,服务器获取目标时间段内的按照时序排列的多个候选排气温度参数组。
服务器可以从QAR记载的数据中按照预设的采样频率提取13:07分到13:10分之间这个时段的与发动机的排气温度相关的多个排气温度参数项的参数数据。例如每隔30秒采集一次,每一次采集可以得到一个候选排气温度参数组,在目标时间段内可以采集到的6个候选排气温度参数组。
步骤1002,服务器根据预设的各排气温度参数项的重要度排序确定多个目标排气温度参数项。
由于与发动机的排气温度相关的多个排气温度参数项对于发动机的排气温度的贡献不同,因此,每个排气温度参数项的重要度不同。
本申请实施例中,可以根据每个排气温度参数项对排气温度的重要程度给多个排气温度参数项进行排序,并把排序在前目标位的排气温度参数项作为目标排气温度参数项,其中,前目标位可以是指前10位或者前8位等。
步骤1003,服务器对于各候选排气温度参数组,根据多个目标排气温度参数项从候选排气温度参数组中提取出第二排气温度参数组,得到多个第二排气温度参数组。
对每个候选排气温度参数组,根据多个目标排气温度参数项提取各目标排气温度参数项的参数数据,然后用提取出来的多个目标排气温度参数项的参数数据组成第二排气温度参数组。
本申请实施例,不仅考虑了时间变化对排气温度的影响,还考虑了相关特征变量的演变对排气温度的作用,并通过建立相应的预警逻辑实现了在时间维度上对发动机排气温度的预测过程,因此,提高了预测精度。
请参考图11,其示出了本申请实施例提供的一种航空发动机故障检测装置的框图,该航空发动机故障检测装置可以配置在图1所示实施环境中的服务器或者飞机上的控制器中。如图11所示,该航空发动机故障检测装置可以包括获取模块1101、第一预测模块1102、第二预测模块1103和检测模块1104,其中:
获取模块1101,用于获取当前时刻的第一排气温度参数组,第一排气温度参数组包括多个排气温度参数项的参数数据;
第一预测模块1102,用于对第一排气温度参数组进行特征分析,得到当前时刻的第一排气温度;
第二预测模块1103,用于获取当前时刻之前预设时长内的多个第二排气温度参数组,对第二排气温度参数组进行分析,得到当前时刻之后的目标时间点的第二排气温度;
检测模块1104,用于根据第一排气温度和第二排气温度确定航空发动机是否发生故障。
在一个实施例中,第一预测模块1102还用于采用主成分分析法对第一排气温度参数组进行降维处理,得到降维后的第一排气温度参数组;相应的,对第一排气温度参数组进行特征分析,包括:对降维后的第一排气温度参数组进行特征分析。
在一个实施例中,第一预测模块1102还用于将第一排气温度参数组输入至已经训练好的温度预测模型中,得到温度预测模型输出的当前时刻的第一排气温度。
在一个实施例中,第一预测模块1102还用于获取训练样本集,训练样本集包括多个样本,样本包括训练排气温度参数组和训练排气温度参数组对应的实际排气温度;
基于梯度学习算法建立初始温度预测模型,利用训练样本集对初始温度预测模型进行训练,得到训练好的温度预测模型。
在一个实施例中,第二预测模块1103还用于根据预设时长确定当前时刻之前的目标时间段;获取目标时间段内的多个第二排气温度参数组。
在一个实施例中,第二预测模块1103还用于获取目标时间段内的按照时序排列的多个候选排气温度参数组;根据预设的各排气温度参数项的重要度排序确定多个目标排气温度参数项;对于各候选排气温度参数组,根据多个目标排气温度参数项从候选排气温度参数组中提取出第二排气温度参数组,得到多个第二排气温度参数组。
在一个实施例中,检测模块1104还用于当第一排气温度或者第二排气温度大于温度阈值时,确定航空发动机发生故障。
关于航空发动机故障检测装置的具体限定可以参见上文中对于航空发动机故障检测方法的限定,在此不再赘述。上述航空发动机故障检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在本申请的一个实施例中,提供了一种计算机设备,该计算机设备可以为服务器,其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该数据库用于存储预先训练好的温度预测模型和第二温度预测模型。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机程序被处理器执行时以实现一种航空发动机故障检测方法。
本领域技术人员可以理解,图12中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在本申请的一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取当前时刻的第一排气温度参数组,第一排气温度参数组包括多个排气温度参数项的参数数据;对第一排气温度参数组进行特征分析,得到当前时刻的第一排气温度;获取当前时刻之前预设时长内的多个第二排气温度参数组,对第二排气温度参数组进行分析,得到当前时刻之后的目标时间点的第二排气温度;根据第一排气温度和第二排气温度确定航空发动机是否发生故障。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:采用主成分分析法对第一排气温度参数组进行降维处理,得到降维后的第一排气温度参数组;相应的,对第一排气温度参数组进行特征分析,包括:对降维后的第一排气温度参数组进行特征分析。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:将第一排气温度参数组输入至已经训练好的温度预测模型中,得到温度预测模型输出的当前时刻的第一排气温度。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:获取训练样本集,训练样本集包括多个样本,样本包括训练排气温度参数组和训练排气温度参数组对应的实际排气温度;基于梯度学习算法建立初始温度预测模型,利用训练样本集对初始温度预测模型进行训练,得到训练好的温度预测模型。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:根据预设时长确定当前时刻之前的目标时间段;获取目标时间段内的多个第二排气温度参数组。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:获取目标时间段内的按照时序排列的多个候选排气温度参数组;根据预设的各排气温度参数项的重要度排序确定多个目标排气温度参数项;对于各候选排气温度参数组,根据多个目标排气温度参数项从候选排气温度参数组中提取出第二排气温度参数组,得到多个第二排气温度参数组。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:当第一排气温度或者第二排气温度大于温度阈值时,确定航空发动机发生故障。
本申请实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在本申请的一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取当前时刻的第一排气温度参数组,第一排气温度参数组包括多个排气温度参数项的参数数据;对第一排气温度参数组进行特征分析,得到当前时刻的第一排气温度;获取当前时刻之前预设时长内的多个第二排气温度参数组,对第二排气温度参数组进行分析,得到当前时刻之后的目标时间点的第二排气温度;根据第一排气温度和第二排气温度确定航空发动机是否发生故障。
在本申请的一个实施例中,计算机程序被处理器执行时还可以实现以下步骤:采用主成分分析法对第一排气温度参数组进行降维处理,得到降维后的第一排气温度参数组;相应的,对第一排气温度参数组进行特征分析,包括:对降维后的第一排气温度参数组进行特征分析。
在本申请的一个实施例中,计算机程序被处理器执行时还可以实现以下步骤:将第一排气温度参数组输入至已经训练好的温度预测模型中,得到温度预测模型输出的当前时刻的第一排气温度。
在本申请的一个实施例中,计算机程序被处理器执行时还可以实现以下步骤:获取训练样本集,训练样本集包括多个样本,样本包括训练排气温度参数组和训练排气温度参数组对应的实际排气温度;基于梯度学习算法建立初始温度预测模型,利用训练样本集对初始温度预测模型进行训练,得到训练好的温度预测模型。
在本申请的一个实施例中,计算机程序被处理器执行时还可以实现以下步骤:根据预设时长确定当前时刻之前的目标时间段;获取目标时间段内的多个第二排气温度参数组。
在本申请的一个实施例中,计算机程序被处理器执行时还可以实现以下步骤:获取目标时间段内的按照时序排列的多个候选排气温度参数组;根据预设的各排气温度参数项的重要度排序确定多个目标排气温度参数项;对于各候选排气温度参数组,根据多个目标排气温度参数项从候选排气温度参数组中提取出第二排气温度参数组,得到多个第二排气温度参数组。
在本申请的一个实施例中,计算机程序被处理器执行时还可以实现以下步骤:当第一排气温度或者第二排气温度大于温度阈值时,确定航空发动机发生故障。
本申请实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种航空发动机故障检测方法,其特征在于,所述方法包括:
获取当前时刻的第一排气温度参数组,所述第一排气温度参数组包括多个排气温度参数项的参数数据;
对所述第一排气温度参数组进行特征分析,得到当前时刻的第一排气温度;
获取所述当前时刻之前预设时长内的多个第二排气温度参数组,对所述第二排气温度参数组进行分析,得到所述当前时刻之后的目标时间点的第二排气温度;
根据所述第一排气温度和所述第二排气温度确定航空发动机是否发生故障。
2.根据权利要求1所述的方法,其特征在于,所述对所述第一排气温度参数组进行特征分析之前,所述方法还包括:
采用主成分分析法对所述第一排气温度参数组进行降维处理,得到降维后的第一排气温度参数组;
相应的,对所述第一排气温度参数组进行特征分析,包括:
对所述降维后的第一排气温度参数组进行特征分析。
3.根据权利要求1所述的方法,其特征在于,所述对所述第一排气温度参数组进行特征分析,得到当前时刻的第一排气温度,包括:
将所述第一排气温度参数组输入至已经训练好的温度预测模型中,得到所述温度预测模型输出的当前时刻的所述第一排气温度。
4.根据权利要求3所述的方法,其特征在于,所述将所述第一排气温度参数组输入至已经训练好的温度预测模型中之前,所述方法还包括:
获取训练样本集,所述训练样本集包括多个样本,所述样本包括训练排气温度参数组和训练排气温度参数组对应的实际排气温度;
基于梯度学习算法建立初始温度预测模型,利用所述训练样本集对所述初始温度预测模型进行训练,得到训练好的所述温度预测模型。
5.根据权利要求1所述的方法,其特征在于,所述获取所述当前时刻之前预设时长内的多个第二排气温度参数组,包括:
根据所述预设时长确定当前时刻之前的目标时间段;
获取所述目标时间段内的多个第二排气温度参数组。
6.根据权利要求5所述的方法,其特征在于,所述获取所述目标时间段内的多个第二排气温度参数组,包括:
获取所述目标时间段内的按照时序排列的多个候选排气温度参数组;
根据预设的各所述排气温度参数项的重要度排序确定多个目标排气温度参数项;
对于各所述候选排气温度参数组,根据所述多个目标排气温度参数项从所述候选排气温度参数组中提取出所述第二排气温度参数组,得到多个所述第二排气温度参数组。
7.根据权利要求1所述的方法,其特征在于,所述根据所述第一排气温度和所述第二排气温度确定航空发动机是否发生故障,包括:
当所述第一排气温度或者所述第二排气温度大于温度阈值时,确定航空发动机发生故障。
8.一种航空发动机故障检测装置,其特征在于,所述装置包括:
获取模块,用于获取当前时刻的第一排气温度参数组,所述第一排气温度参数组包括多个排气温度参数项的参数数据;
第一预测模块,用于对所述第一排气温度参数组进行特征分析,得到当前时刻的第一排气温度;
第二预测模块,用于获取所述当前时刻之前预设时长内的多个第二排气温度参数组,对所述第二排气温度参数组进行分析,得到所述当前时刻之后的目标时间点的第二排气温度;
检测模块,用于根据所述第一排气温度和所述第二排气温度确定航空发动机是否发生故障。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010295791.0A CN111649951B (zh) | 2020-04-15 | 2020-04-15 | 航空发动机故障检测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010295791.0A CN111649951B (zh) | 2020-04-15 | 2020-04-15 | 航空发动机故障检测方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111649951A true CN111649951A (zh) | 2020-09-11 |
CN111649951B CN111649951B (zh) | 2021-10-15 |
Family
ID=72352129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010295791.0A Active CN111649951B (zh) | 2020-04-15 | 2020-04-15 | 航空发动机故障检测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111649951B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396250A (zh) * | 2020-11-30 | 2021-02-23 | 中船动力研究院有限公司 | 一种柴油机故障预测方法、装置、设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007269517A (ja) * | 2006-03-30 | 2007-10-18 | National Agriculture & Food Research Organization | 吸引通気式堆肥製造施設の排気処理装置及び排気処理方法 |
CN102519733A (zh) * | 2011-12-02 | 2012-06-27 | 南京航空航天大学 | 一种基于监测信息融合的航空发动机在翼可靠性评估方法 |
CN102562239A (zh) * | 2011-11-13 | 2012-07-11 | 哈尔滨工业大学 | 一种航空发动机排气温度的监测方法 |
CN106503746A (zh) * | 2016-11-03 | 2017-03-15 | 哈尔滨工业大学 | 一种基于性能偏移量的航空发动机故障诊断方法 |
CN108170945A (zh) * | 2017-12-26 | 2018-06-15 | 哈尔滨工业大学 | 一种航空发动机修后排气温度裕度预测方法 |
CN108363844A (zh) * | 2018-01-26 | 2018-08-03 | 大连理工大学 | 一种航空发动机启动过程排气温度预测方法 |
CN108375474A (zh) * | 2018-01-26 | 2018-08-07 | 大连理工大学 | 一种航空发动机过渡态关键性能参数预测方法 |
CN109359869A (zh) * | 2018-10-18 | 2019-02-19 | 中国航天空气动力技术研究院 | 航空发动机健康管理方法、装置及系统 |
CN110285976A (zh) * | 2019-07-09 | 2019-09-27 | 哈尔滨工业大学(威海) | 基于dbn的多维时序信息驱动航空发动机故障诊断方法 |
CN110362064A (zh) * | 2019-07-17 | 2019-10-22 | 东北大学 | 一种航空发动机排气温度传感器的故障诊断方法 |
-
2020
- 2020-04-15 CN CN202010295791.0A patent/CN111649951B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007269517A (ja) * | 2006-03-30 | 2007-10-18 | National Agriculture & Food Research Organization | 吸引通気式堆肥製造施設の排気処理装置及び排気処理方法 |
CN102562239A (zh) * | 2011-11-13 | 2012-07-11 | 哈尔滨工业大学 | 一种航空发动机排气温度的监测方法 |
CN102519733A (zh) * | 2011-12-02 | 2012-06-27 | 南京航空航天大学 | 一种基于监测信息融合的航空发动机在翼可靠性评估方法 |
CN106503746A (zh) * | 2016-11-03 | 2017-03-15 | 哈尔滨工业大学 | 一种基于性能偏移量的航空发动机故障诊断方法 |
CN108170945A (zh) * | 2017-12-26 | 2018-06-15 | 哈尔滨工业大学 | 一种航空发动机修后排气温度裕度预测方法 |
CN108363844A (zh) * | 2018-01-26 | 2018-08-03 | 大连理工大学 | 一种航空发动机启动过程排气温度预测方法 |
CN108375474A (zh) * | 2018-01-26 | 2018-08-07 | 大连理工大学 | 一种航空发动机过渡态关键性能参数预测方法 |
CN109359869A (zh) * | 2018-10-18 | 2019-02-19 | 中国航天空气动力技术研究院 | 航空发动机健康管理方法、装置及系统 |
CN110285976A (zh) * | 2019-07-09 | 2019-09-27 | 哈尔滨工业大学(威海) | 基于dbn的多维时序信息驱动航空发动机故障诊断方法 |
CN110362064A (zh) * | 2019-07-17 | 2019-10-22 | 东北大学 | 一种航空发动机排气温度传感器的故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
LINGPING JIANG: "Gas path fault diagnosis system of aero-engine based on Grey Relationship Degree", 《PROCEDIA ENGINEERING》 * |
王奕首: "基于KPCA和DBN的航空发动机排气温度基线模型", 《航空发动机》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396250A (zh) * | 2020-11-30 | 2021-02-23 | 中船动力研究院有限公司 | 一种柴油机故障预测方法、装置、设备及存储介质 |
CN112396250B (zh) * | 2020-11-30 | 2024-04-26 | 中船动力研究院有限公司 | 一种柴油机故障预测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111649951B (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2016287383B2 (en) | Method for detecting anomalies in a water distribution system | |
CN109766583B (zh) | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 | |
RU2522037C2 (ru) | Идентификация отказов в авиационном двигателе | |
CN110912867B (zh) | 工业控制系统的入侵检测方法、装置、设备和存储介质 | |
AU2016201425B2 (en) | Systems and methods for predictive reliability mining | |
Saxena et al. | Metrics for evaluating performance of prognostic techniques | |
US20060212281A1 (en) | System and method for system-specific analysis of turbomachinery | |
US10032322B2 (en) | Validation tool for an aircraft engine monitoring system | |
Ghosh et al. | A Novel Model Based on Nonlinear Manifold Detection for Software Defect Prediction | |
Sohier et al. | Improvement of the representativity of the morris method for air-launch-to-orbit separation | |
Armstrong et al. | Implementation of an integrated on-board aircraft engine diagnostic architecture | |
CN111649951B (zh) | 航空发动机故障检测方法、装置、计算机设备及存储介质 | |
Naseer et al. | Fannet: Formal analysis of noise tolerance, training bias and input sensitivity in neural networks | |
CN114091930B (zh) | 业务指标预警方法、装置、电子设备和存储介质 | |
Schwartz et al. | An unsupervised approach for health index building and for similarity-based remaining useful life estimation | |
Wan et al. | Robust air data sensor fault diagnosis with enhanced fault sensitivity using moving horizon estimation | |
Wang et al. | A novel aircraft fault diagnosis and prognosis system based on Gaussian mixture models | |
CN115186486A (zh) | 导弹低高精度性能数据的独立融合建模及响应预测方法 | |
CN110865939B (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
Gibson et al. | Data-driven strain prediction models and fatigue damage accumulation | |
Haifeng et al. | Support vector with ROC optimization method based fuel consumption modeling for civil aircraft | |
Jadhav et al. | Software defect prediction utilizing deterministic and probabilistic approach for optimizing performance through defect association learning | |
CN111598220B (zh) | 一种基于相关性分析的燃气轮机故障预测方法 | |
Le Son et al. | Reliability growth assessment under several operating stress conditions | |
Yu et al. | EGT baseline model of aeroengine based on kernel principal component analysis and deep belief network |
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 |