CN111907730B - 一种实时在线的无人机多故障异常检测方法及设备 - Google Patents
一种实时在线的无人机多故障异常检测方法及设备 Download PDFInfo
- Publication number
- CN111907730B CN111907730B CN202010760931.7A CN202010760931A CN111907730B CN 111907730 B CN111907730 B CN 111907730B CN 202010760931 A CN202010760931 A CN 202010760931A CN 111907730 B CN111907730 B CN 111907730B
- Authority
- CN
- China
- Prior art keywords
- model
- real
- fault
- unmanned aerial
- value
- 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
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
- B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
- B64F5/60—Testing or inspecting aircraft components or systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Transportation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种实时在线的无人机多故障异常检测方法及设备,检测方法包括:获取无人机传感器控制数据与测量数据,建立异常检测模型并对模型进行迭代更新,更新之后根据更新步长是否在给定时间内小于给定阈值来判定模型是否达到稳定;检测模型稳定之后,计算渐进型故障阈值、对数似然比以及实时误差的Z值;根据渐进型故障阈值、对数似然比以及Z值判断是否发生故障。本发明同时提供了一种异常检测装置、终端以及计算机可读存储介质。本发明易于移植,能在线实时检测,计算过程简单,并且能够准确检测多种类型的故障。
Description
技术领域
本发明属于无人机检测领域,涉及一种实时在线的无人机多故障异常检测方法及设备。
背景技术
无人机是利用无线电遥控设备和自备的程序控制装置操纵的不载人飞机。无人机已经广泛应用于航拍、农业、植保、微型自拍等领域。当前,我国无人机产业发展成绩显着,从技术研发、产品生产、企业布局到市场规模、领域应用和产业细分,都取得了长足发展。随着民用无人机的耐久性和使用成本等问题得到根本性的解决,无人机在民用市场的应用将更具多样化。同时,需求的增长和管理措施的不断完善将促使无人机继续成为世界航空航天工业最具增长活力的市场之一。在无人设备领域,无人机具有使用寿命长、操作门槛低、作业效率高和节省劳动力等特点。由于重量轻,油耗也低,与有人机相比,运行成本大大的降低。同时体积小,可以长期保存于仓库,有效减少飞行器维护费用。此外,无人机可以使用虚拟的坐舱,通过操控键盘进行训练,虚拟的训练系统费用大大减少。同时一名无人机操控员可以同时控制几架甚至数十架的无人机,大大提高了作业效率,有效的减少了人工成本。
无人机具有自主作业与遥控作业两种,在异常检测方面,无论是人工操控还是自主操控,都需要高效快速的异常检测方法。无人机异常检测效果的好与坏,对无人机能否长时间正常工作至关重要。无人机异常中有两类异常需要关注,一类是突发型异常,该异常发生迅速,可能为引擎瞬时故障或舵机瞬时失灵等。此类故障对无人机正常飞行影响巨大,可能造成无人机坠机的危险。另一类异常为渐进型异常,该异常持续时间长,但影响积少成多,可能为引擎转速失常或导航小幅度偏移等。该故障对无人机正常作业产生持续性影响,降低无人机作业稳定性。无人机异常检测方法有很多种,一般有基于飞行器模型的检测方法、基于线下数据分析的检测方法和基于学习的检测方法。基于飞行器模型的检测方法根据具体飞行器设计检测模型,具有较高检测准确性,但是该方法无法进行移植,普适性较差。此外,一旦飞行器的工作模式发生改变,其检测方法也需要进行相应调整。基于线下数据分析的检测方法根据大数据分析,在线下对过往飞行器数据进行分析,确定故障时间点。该方法由于时间滞后性,无法实时反馈无人机异常状况。基于学习的检测方法根据飞行数据进行学习,建立检测模型。基于学习可分为“线上学习检测”和“线下学习线上检测”两种,相比“线下学习线上检测”方法,“线上学习检测”具有更好的便捷性与普适性,针对不同的飞行器,无需提前积累学习数据,就可以在不同的飞行情况进行实时的异常检测,但该方法的准确性还需提升。
发明内容
本发明的目的在于针对上述现有技术中无人机异常检测方法可移植性差,不能实时检测故障以及准确性不足的问题,提供一种实时在线的无人机多故障异常检测方法及设备,易于移植,能在线实时检测,计算过程简单,并且能够准确检测多种类型的故障。
为了实现上述目的,本发明有如下的技术方案:
一种实时在线的无人机多故障异常检测方法,包括以下步骤:
步骤一、获取无人机传感器控制数据与测量数据,建立异常检测模型并对模型进行迭代更新,更新之后根据更新步长是否在给定时间内小于给定阈值来判定模型是否达到稳定;
步骤二、检测模型稳定之后,计算渐进型故障阈值、对数似然比以及实时误差的Z值;
步骤三、根据渐进型故障阈值、对数似然比以及Z值判断是否发生故障。
优选的,所述的步骤一基于递推最小二乘法模型建立异常检测模型,确定数据窗口大小Na作为每次模型更新的输入数据长度,获取Na长度的无人机传感器数据,作为输入φ。
优选的,所述的步骤一引入可变遗忘因子λ对模型进行迭代更新,通过更新数据输入φ,分别计算增益矩阵L,实时误差e(n),修正函数M(n),可变遗忘因子λ,协方差矩阵C以及模型更新步长。
优选的,所述的步骤一设定模型稳定阈值∈大小,若模型更新步长小于∈给定时间后即确定模型稳定。
优选的,所述的步骤二根据实时误差呈正态分布的特性,计算实时误差e的Z值。
优选的,步骤三中当对数似然比大于0且对数似然比Ln(e(n))大于渐进型故障阈值T时,确定渐进型故障发生;当对数似然比Ln(e(n))不大于渐进型故障阈值T,则同时进行Z值故障检测,若Z值在99.99931%置信区间对应阈值以上时,确定突发型故障发生;而当对数似然比小于0时,若Z值在99.99931%置信区间对应阈值以上时,确定突发型故障发生。
本发明同时一种实时在线的无人机多故障异常检测装置,包括:
异常检测模型建立模块,用于获取无人机传感器控制数据与测量数据,建立异常检测模型并对模型进行迭代更新,更新之后判定模型是否达到稳定,将稳定的模型发送给计算模块;
计算模块,用于通过稳定的异常检测模型计算出渐进型故障阈值、对数似然比以及实时误差的Z值,并将计算结果发送给异常检测模块;
异常检测模块,用于根据渐进型故障阈值、对数似然比以及Z值判断是否发生故障。
本发明还提供了一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明上述实时在线的无人机多故障异常检测方法的步骤。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述实时在线的无人机多故障异常检测方法的步骤。
相较于现有技术,本发明具有如下的有益效果:使用传感器控制数据与测量数据进行模型更新,不依赖于无人机结构,使得本发明能够在不同种类以及不同工作模式的无人机上进行使用,从而解决固定模型移植难的问题。本发明提供的是一种实时在线的检测方式,无需前期飞行数据积累与线下模型训练,这样能够有效节省前期准备时间。检测模型稳定之后,根据渐进型故障阈值、对数似然比以及Z值判断是否发生故障,既能够检测突发型故障,也能够有效检测渐进型故障,相较于特定形式故障的检测,本发明更具有普适性。
进一步的,本发明基于递推最小二乘法模型建立异常检测模型,引入可变遗忘因子λ对模型进行迭代更新,使用线性数据进行计算,模型更简单,根据渐进型故障阈值、对数似然比及实时误差的Z值,故障检测分类明确,计算资源消耗少,有效减轻了无人机计算的负担。
附图说明
图1本发明实施例的无人机传感器控制数据与测量数据图;
图2本发明实施例的参数计算流程图;
图3本发明实施例的故障检测分类示意图;
图4本发明实施例的对数似然比序列示意图;
图5本发明实施例的Z值序列示意图;
图6本发明实时在线的无人机多故障异常检测方法整体流程图。
具体实施方式
下面结合附图对本发明做进一步的详细说明。
本发明通过建立含有可变遗忘因子λ的RLS模型,使用Z值-SPRT结合方法进行异常检测。主体分为三部分:第一部分是模型建立,根据实时飞行数据,迭代更新模型,达到检测模型稳定;第二部分是检测准备,在检测模型稳定后,计算实时误差的Z值与对数似然比;第二部分是异常检测,使用Z值-SPRT结合的方法对实时飞行数据进行检测。
RLS为递推最小二乘法,SPRT为改进概率序贯比算法。
本发明所使用的符号如下表所示:
符号 | 含义 |
u | 控制信号序列 |
y | 测量信号序列 |
φ | 模型输入数据集合 |
Na | 模型输入数据长度 |
λ | 可变遗忘因子 |
L | 增益矩阵 |
e | 实时误差向量 |
M | 修正函数 |
C | 协方差矩阵 |
θ | 模型参数矩阵 |
L<sub>n</sub> | 对数似然比 |
α | 虚警率 |
β | 误检率 |
T | 渐进型故障阈值 |
Z | Z值 |
本发明的实施例中使用飞行器姿态传感器的控制信号数据序列u与对应的测量信号数据序列y作为输入数据,本实施例中有一处突发型故障,如图1所示。
参见图6,本发明实时在线的无人机多故障异常检测方法,包括以下步骤:
1.模型建立;
含有可变遗忘因子λ的RLS模型建立流程如图2所示,具体如下:
(1a)根据数据采样率确定窗口大小,取一秒内采样点数量为时间窗口,实施例中时间窗口Na为25。对时间点n,取(n,n-Na+1)长度的控制信号u与对应测量信号y作为初始输入φ(n),φ随着无人机飞行数据迭代。
(1b)更新输入数据φ后,进行含有可变遗忘因子λ的RLS模型更新,模型每一轮计算有六个步骤,具体如下:
(1b1)模型更新第1步为计算增益矩阵L,增益矩阵L用于更新协方差矩阵C、更新模型参数θ和判定模型是否稳定,计算表达式如下:
其中,协方差矩阵C初始值为单位对角矩阵,λ初始值为全1向量。
(1b2)模型更新第2步为计算实时误差e(n),其含义为实时测量值y与模型预测值的差值,计算表达式如下:
e(n)=y(n)-φT(n)θ(n-1)
其中,模型参数θ初始值为全0向量。
(1b3)模型更新第3步为计算修正函数M(n),该变量用于更新可变遗忘因子λ。
计算表达式如下:
M(n)=-round((μ*e(n))2)
其中,μ一般取值为10,round函数为四舍五入取整函数。
(1b4)模型更新第4步为计算可变遗忘因子λ,可变遗忘因子λ可改变输入数据对模型的影响权重,可使模型更快速地达到稳定状态,计算表达式如下:
λ(n)=1+(1-λmin)×2M(n)
其中,λmin一般取值为0.8。
(1b5)模型更新第5步为计算协方差矩阵C,该变量用于更新下一轮次的增益矩阵L。
计算方法如下式所示:
C(n)=C(n-1)-L(n)φT(n)C(k-1)
(1b6)模型更新第6步为更新RLS模型参数θ,该参数向量包含此RLS模型的参数集合,用于计算模型预测值,计算如下公式所示:
θ(n)=θ(n-1)+L(n)e(n)
其中,θ初始值为全0向量。
(1c)对于每一轮次的模型更新,都会进行模型稳定判定,根据如下条件:
||L(n)e(n)||∞<∈
该条件表示,如果模型参数θ中更新步长的最大值小于一个小正数,且条件成立一定时间,则模型稳定。其中∈为一个小正数,此处取0.035。
2.检测准备;
本发明使用Z值-SPRT结合异常检测方法,在进行异常检测前,需要计算出实时误差e的均值与方差、渐进型故障阈值T和实时误差的Z值,具体如下:
(2b)使用给定的虚警率α与误检率β计算渐进型故障阈值T,用于Z值-SPRT结合异常检测中渐进型故障的判定。
本实施例中,虚警率α与误检率β的取值与T的计算值如下表:
变量 | 对应值 |
虚警率α | 0.01 |
误检率β | 0.01 |
渐进型故障阈值T | 4.591 |
(2c1)计算对数似然比Ln(e(n)),用于结合渐进型故障阈值进行异常检测。
(2c2)根据中心极限定理,实时误差e的分布可视为高斯分布,根据Z值计算公式计算实时误差Z值Z(n),计算的表达式如下:
3.异常检测;
当方差不再大幅度变化后,使用SPRT-Z值结合方法进行故障检测,参见图3,具体如下:
(3a)对实时检测点n,当对数似然比Ln(e(n))>0时,若对数似然比Ln(e(n))>渐进型故障阈值T,则有故障发生,判定故障类型为渐进型故障。若Ln(e(n))<T,则进行Z值故障检测。若Z(n)≥4.5,则有故障发生,判定故障类型为突变型故障。
(3b)若对数似然比Ln(e(n))≤0,则进行Z值故障检测。若Z(n)≥4.5,则有故障发生,判定故障类型为突变型故障。
本发明实施例数据经计算得到的对数似然比序列如图4所示。
结合图1与图4可以看出,在异常发生时,对数似然比Ln(e(n))<T,使用Z值辅助判断。实施例数据实时误差的Z值如图5所示。
结合图1与图5可以看出,在异常发生后,含有高于99.99931%置信区间对应阈值的数据点,证明存在突发型异常。
本发明同时提供一种实时在线的无人机多故障异常检测装置,包括:
异常检测模型建立模块,用于获取无人机传感器控制数据与测量数据,建立异常检测模型并对模型进行迭代更新,更新之后判定模型是否达到稳定,将稳定的模型发送给计算模块;
计算模块,用于通过稳定的异常检测模型计算出渐进型故障阈值、对数似然比以及实时误差的Z值,并将计算结果发送给异常检测模块;
异常检测模块,用于根据渐进型故障阈值、对数似然比以及Z值判断是否发生故障。
本发明还提供一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明上述实时在线的无人机多故障异常检测方法的步骤。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述实时在线的无人机多故障异常检测方法的步骤。
所述的计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明的方法。所述/终端可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备,也可以是处理器、存储器。
处理器可以是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述针对底板信号特征值的连线关系筛选的设备各种功能。
以上所述仅仅是本发明的一种实施例,并不用以对本发明的技术方案进行任何限制,本领域技术人员应当理解的是,在不脱离本发明精神和原则的前提下,该技术方案还可以进行若干简单的修改和替换,这些修改和替换也均属于权利要求书所涵盖的保护范围之内。
Claims (9)
1.一种实时在线的无人机多故障异常检测方法,其特征在于,包括以下步骤:
步骤一、获取无人机传感器控制数据与测量数据,建立异常检测模型并对模型进行迭代更新,更新之后根据更新步长是否在给定时间内小于给定阈值来判定模型是否达到稳定;所述的步骤一引入可变遗忘因子λ对模型进行迭代更新,通过更新数据输入φ,分别计算增益矩阵L,实时误差e(n),修正函数M(n),可变遗忘因子λ,协方差矩阵C以及模型更新步长;
步骤二、检测模型稳定之后,计算渐进型故障阈值、对数似然比以及实时误差的Z值;
步骤三、根据渐进型故障阈值、对数似然比以及Z值判断是否发生故障。
2.根据权利要求1所述实时在线的无人机多故障异常检测方法,其特征在于:所述的步骤一基于递推最小二乘法模型建立异常检测模型,确定数据窗口大小Na作为每次模型更新的输入数据长度,获取Na长度的无人机传感器数据,作为输入φ。
3.根据权利要求1所述实时在线的无人机多故障异常检测方法,其特征在于:所述的步骤一设定模型稳定阈值∈大小,若模型更新步长小于∈给定时间后即确定模型稳定。
5.根据权利要求1所述实时在线的无人机多故障异常检测方法,其特征在于:所述的步骤二根据实时误差呈正态分布的特性,计算实时误差e的Z值。
6.根据权利要求1所述实时在线的无人机多故障异常检测方法,其特征在于,所述的步骤三在具体判断过程中,当对数似然比大于0且对数似然比Ln(e(n))大于渐进型故障阈值T时,确定渐进型故障发生;当对数似然比Ln(e(n))不大于渐进型故障阈值T,则同时进行Z值故障检测,若Z值在99.99931%置信区间对应阈值以上时,确定突发型故障发生;而当对数似然比小于0时,若Z值在99.99931%置信区间对应阈值以上时,确定突发型故障发生。
7.一种实时在线的无人机多故障异常检测装置,其特征在于,包括:
异常检测模型建立模块,用于获取无人机传感器控制数据与测量数据,建立异常检测模型并对模型进行迭代更新,更新之后判定模型是否达到稳定,将稳定的模型发送给计算模块;所述的异常检测模型建立模块引入可变遗忘因子λ对模型进行迭代更新,通过更新数据输入φ,分别计算增益矩阵L,实时误差e(n),修正函数M(n),可变遗忘因子λ,协方差矩阵C以及模型更新步长;
计算模块,用于通过稳定的异常检测模型计算出渐进型故障阈值、对数似然比以及实时误差的Z值,并将计算结果发送给异常检测模块;
异常检测模块,用于根据渐进型故障阈值、对数似然比以及Z值判断是否发生故障。
8.一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于:所述处理器执行所述计算机程序时实现如权利要求1-6中任意一项所述实时在线的无人机多故障异常检测方法的步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1-6中任意一项所述实时在线的无人机多故障异常检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010760931.7A CN111907730B (zh) | 2020-07-31 | 2020-07-31 | 一种实时在线的无人机多故障异常检测方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010760931.7A CN111907730B (zh) | 2020-07-31 | 2020-07-31 | 一种实时在线的无人机多故障异常检测方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111907730A CN111907730A (zh) | 2020-11-10 |
CN111907730B true CN111907730B (zh) | 2021-12-10 |
Family
ID=73287364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010760931.7A Active CN111907730B (zh) | 2020-07-31 | 2020-07-31 | 一种实时在线的无人机多故障异常检测方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111907730B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113382413B (zh) * | 2021-06-07 | 2022-09-27 | 西安电子科技大学 | 基于机器学习的智能无人设备组网异常检测方法及系统 |
CN115514621B (zh) * | 2022-11-15 | 2023-03-21 | 阿里云计算有限公司 | 故障监测方法、电子设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8121818B2 (en) * | 2008-11-10 | 2012-02-21 | Mitek Analytics Llc | Method and system for diagnostics of apparatus |
FR3028331B1 (fr) * | 2014-11-10 | 2016-12-30 | Snecma | Procede de surveillance d'un moteur d'aeronef en fonctionnement dans un environnement donne |
CN110161847B (zh) * | 2018-09-18 | 2020-12-08 | 南京航空航天大学 | 一种基于分布式奇异观测器的无人机编队系统传感器故障估计方法 |
CN111006860B (zh) * | 2019-12-19 | 2021-02-26 | 南京航空航天大学 | 一种基于AdaBoost-ASVM算法的飞机执行器故障诊断方法 |
-
2020
- 2020-07-31 CN CN202010760931.7A patent/CN111907730B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111907730A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111907730B (zh) | 一种实时在线的无人机多故障异常检测方法及设备 | |
CN108594788B (zh) | 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法 | |
He et al. | ADMOST: UAV flight data anomaly detection and mitigation via online subspace tracking | |
CN112036440A (zh) | 一种基于随机森林的卫星姿态控制系统故障诊断与预警方法 | |
CN112882954A (zh) | 一种分布式数据库运维动态阈值告警方法及装置 | |
CN112947392B (zh) | 一种基于鲁棒观测器的飞行控制系统执行器和传感器复合微小故障估计方法 | |
CN113091872A (zh) | 一种诊断故障传感器的方法与装置 | |
CN114609546A (zh) | 基于孤立森林的模块化多电平换流器开路故障诊断方法 | |
CN111444035A (zh) | 基于故障传播网络的复杂电子系统故障诊断方法 | |
CN114611616A (zh) | 一种基于集成孤立森林的无人机智能故障检测方法及系统 | |
Solomentsev et al. | Substantiation of probability characteristics for efficiency analysis in the process of radio equipment diagnostics | |
CN110673568A (zh) | 玻璃纤维制造业工业设备故障顺序确定方法及系统 | |
CN111639304A (zh) | 基于Xgboost回归模型的CSTR故障定位方法 | |
CN113378351B (zh) | 一种卫星姿态敏感器测量数据在线智能剔野方法 | |
CN108508873B (zh) | 超声波辅助检测的潜艇舵系统故障诊断与容错控制方法 | |
CN113900894A (zh) | 一种预测大规模集群状态的方法、系统、设备及介质 | |
CN109283915A (zh) | 一种带自诊断功能的智能气动系统 | |
CN106874531B (zh) | 一种大气数据系统在故障时的异常测量值数据自恢复方法 | |
CN111475966A (zh) | 一种基于数字孪生的电力电子电路故障诊断方法 | |
CN112224241A (zh) | 一种速度采集系统、故障报警方法及装置 | |
CN109446629A (zh) | 一种基于概率图模型的工业过程报警根源识别方法 | |
CN112114578B (zh) | 一种多工序多变量过程在线监控和异常源诊断的稳健方法 | |
Wang et al. | Numerical solution of stochastic differential equations in Stiefel manifolds via tangent space parametrization | |
CN114330437A (zh) | 一种故障检测方法及故障分类模型的训练方法、装置 | |
Ermakov et al. | Aspects of designing a fail-safe flight and navigation system for unmanned aerial vehicles |
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 |