CN112052871B - 一种基于支持向量机的火箭发动机健康诊断方法及系统 - Google Patents

一种基于支持向量机的火箭发动机健康诊断方法及系统 Download PDF

Info

Publication number
CN112052871B
CN112052871B CN202010705689.3A CN202010705689A CN112052871B CN 112052871 B CN112052871 B CN 112052871B CN 202010705689 A CN202010705689 A CN 202010705689A CN 112052871 B CN112052871 B CN 112052871B
Authority
CN
China
Prior art keywords
support vector
vector machine
data
rocket engine
training
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
Application number
CN202010705689.3A
Other languages
English (en)
Other versions
CN112052871A (zh
Inventor
谢立
绍硕
金益辉
荣为君
张元明
林倩倩
王伟哲
况羿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Aerospace System Engineering Institute
Original Assignee
Shanghai Aerospace System Engineering Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Aerospace System Engineering Institute filed Critical Shanghai Aerospace System Engineering Institute
Priority to CN202010705689.3A priority Critical patent/CN112052871B/zh
Publication of CN112052871A publication Critical patent/CN112052871A/zh
Application granted granted Critical
Publication of CN112052871B publication Critical patent/CN112052871B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02K—JET-PROPULSION PLANTS
    • F02K9/00—Rocket-engine plants, i.e. plants carrying both fuel and oxidant therefor; Control thereof
    • F02K9/96—Rocket-engine plants, i.e. plants carrying both fuel and oxidant therefor; Control thereof characterised by specially adapted arrangements for testing or measuring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Testing Of Engines (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

一种基于支持向量机的火箭发动机健康诊断系统，包括数据输入预处理模块、样本训练模块、数据验证模块；数据输入预处理模块用于对火箭启动过程的原始测量数据进行数据标准化操作，样本训练模块利用处理过后的数据、高斯核函数、超参数进行支持向量机模型的训练，训练结束后，获得训练后的支持向量机模型；数据验证模块采集火箭发动机的实际测试数据，利用训练后支持向量机模型和滑窗方法，判断发动机的工作状态是否正常。

Description

一种基于支持向量机的火箭发动机健康诊断方法及系统
技术领域
本发明涉及一种基于支持向量机的火箭发动机健康诊断方法及系统，属于火箭健康检测技术领域。
背景技术
航空航天一直是我国战略部署中相当重要的一个板块，作为航空航天的动力源泉的火箭发动机更是显得尤为重要。在火箭发射试验中，发动机可靠输出是火箭任务成败的关键因素，如何在高动态的发射过程中，以高可靠的检测手段对发动机进行健康检测是火箭能否实现容错的关键，是火箭动力冗余控制的关键。当前主流检测方法主要包括参数阈值检测，数学模型预测等，这些手段依赖于对发动机各部件模型系数固定，不能很好的动态反应发动机各个参数间内在联系，对不同发动机工艺上的差异性不能很好的匹配，对发动机工况诊断结果可靠度较低，不足以满足作为火箭判断动力输出健康度的依据。
发明内容
本发明要解决的技术问题是：克服现有技术的不足，提供了一种基于支持向量机的火箭发动机健康诊断方法及系统，通过原始训练数据找到最大边距超曲面作为决策边界，以支持向量为判断基础，利用滑窗方法，再对输出结果进行阈值比较，通过对比结果即可判定是否应该发出警告，针对火箭发动机试车及飞行数据的有限性及样本单一特征，采用在小样本学习上具有巨大优势的支持向量机模型作为基础模型。
本发明目的通过以下技术方案予以实现：
一种基于支持向量机的火箭发动机健康诊断方法，包括如下步骤：
S1、对火箭发动机的原始测量数据进行归一化处理；
S2、根据原始数据的维度，建立支持向量机模型；
S3、利用归一化后的原始测量数据作为训练样本对支持向量机模型进行训练；获得训练后的支持向量机模型；
S4、对训练后的支持向量机模型进行准确率验证，如果准确率不满足预设要求，迭代计算超参数，然后转入S3；否则获得最终支持向量机模型转入S5；
S5、设置最终支持向量机模型的滑窗大小和预设异常阈值，将发动机实时测试数据依次输入到最终支持向量机模型中，将滑窗时间段数据的输出结果进行累加，得到累计异常数，计算实时异常率，直到火箭发动机工作结束；如果实时异常率大于预设异常阈值时，判定火箭发动机异常，输出异常警告。
上述基于支持向量机的火箭发动机健康诊断方法，优选的，原始测量数据包括主涡轮泵转速、煤油一级泵出口压力、推力室点火路压力、点火导管前压力、运行时间。
上述基于支持向量机的火箭发动机健康诊断方法，优选的，利用发动机的正常测试数据，拟合确定异常阈值。
上述基于支持向量机的火箭发动机健康诊断方法，优选的，将归一化后的原始测量数据随机划分为训练集和测试集，以及正标签集和负标签集，在负标签数据不足的情况下，通过随机生成的方法生成相应量级的数据。
上述基于支持向量机的火箭发动机健康诊断方法，优选的，利用训练集对训练后的支持向量机模型进行准确率验证。
一种基于支持向量机的火箭发动机健康诊断系统，包括数据输入预处理模块、样本训练模块、数据验证模块；
数据输入预处理模块用于对火箭启动过程的原始测量数据进行数据归一化，样本训练模块利用处理过后的数据、高斯核函数、超参数进行支持向量机模型的训练，训练结束后，获得训练后的支持向量机模型；数据验证模块采集火箭发动机的实际测试数据，利用训练后支持向量机模型和滑窗方法，判断发动机的工作状态是否正常。
上述基于支持向量机的火箭发动机健康诊断系统，优选的，所述数据验证模块首先设置最终支持向量机模型的滑窗大小和预设异常阈值，然后将发动机实时测试数据依次输入到训练后支持向量机模型中，将滑窗时间段数据的输出结果进行累加，得到累计异常数，计算实时异常率，直到火箭发动机工作结束；如果实时异常率大于预设异常阈值时，判定火箭发动机异常，输出异常警告。
上述基于支持向量机的火箭发动机健康诊断系统，优选的，利用发动机的正常测试数据，拟合确定异常阈值。
上述基于支持向量机的火箭发动机健康诊断系统，优选的，原始测量数据包括主涡轮泵转速、煤油一级泵出口压力、推力室点火路压力、点火导管前压力、运行时间。
上述基于支持向量机的火箭发动机健康诊断系统，优选的，利用梯度下降法来确定最优的超参数。
本发明相比于现有技术具有如下有益效果：
(1)、本发明提供的发动机健康诊断方法对原有分段阈值处理方法进行了改进，对常规故障诊断率有较大提升。
(2)、本发明在训练样本阶段融入了专家知识及噪声、拉偏手段，训练的模型更加真实有效。
(3)、本发明提供的火箭发动机诊断系统在实际应用中引入了滑窗技术，采用故障积累模式对故障进行统计，对过程中的野值处理十分有效，误警率大大降低。
(4)、本发明可针对不同批次发动机分别训练，对模型中超参数进行微调，且训练过程算法收敛较快，满足实际工程应用需求。
附图说明
图1为本发明健康诊断系统示意图。
图2为样本训练模块工作示意图。
图3为数据验证模块工作示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步详细描述。
一种基于支持向量机的火箭发动机健康诊断系统，如图1所示，包括：数据输入预处理模块、样本训练模块、数据验证模块。其中：数据输入预处理模块用于对火箭启动过程的原始测量数据进行数据标准化操作，样本训练模块调用处理过后的数据并进行支持向量机模型的训练，训练结束后，保存训练得到的所有支持向量和相关参数(后简称支持向量机模型文件)；数据预测模块则是将火箭发动机测试采集数据根据模型入口需求处理，通过支持向量机模型的输出来对发动机的工作状态进行实时判断，给出火箭发动机健康诊断结果。
原始数据选择直接影响发动机推力性能及表征发动机建压过程数据，包括：主涡轮泵转速(nt)、煤油一级泵出口压力(Pepf1)、推力室点火路压力(Pigc)，点火导管前压力(Piti)、时间(t)、数据采样频率1KHz。
由于因为火箭发动机各维度上的值跨度不同，数据输入预处理模块对原始数据集进行划分并进行归一化处理，标准化操作其公式为其中：x为原始数据，μ为原始数据的标准差，σ为原始数据的方差，x’为标准化后的数据。
样本训练模块模型中使用了核方法，本发明中选择了高斯核函数，其函数公式为其中x1、x2是输入的数据。
样本训练模块对处理完的数据集进行划分，得到训练集Dtrain和测试集Dtest，以及正标签集和负标签集，在负标签数据不足的情况下，通过随机生成的方法生成相应量级的数据，以避免数据不平衡的问题，其中生产负标签数据原则主要包括两种：
1、依据现有负标签数据加入噪声、拉偏等手段生成
2、依据发动理论机故障模型生成
设定预选超参数，搭建相应的支持向量机模型。结合实际发动机数据特点考虑，设置惩罚因子C，取值偏小，以获得一个以获取一个泛化能力更强的模型。在参数的最终确定上，可以借助网格搜索和梯度下降，寻找出表现最优的超参数θ＝argminθl(θ,X)，保留结果，由牛顿法可以求出每次下降的幅度为
所述的样本训练模块，为高效地解决优化问题，使用SMO算法。其具体步骤如下：
S1:挑选一对进行优化的变量αi和αj，此处可以使用启发式函数去选择对整体优化程度最大的一对变量
S2：改变αi和αj的值对目标函数进行优化，同时保证αk,k≠i,j的值不变重复S1和S2直至结果收敛。
数据验证模块，接收维度为(n，m)的输入，返回一个shape为(n，1)的向量。其中n为滑窗的大小，m为单个数据的维度，n在实际应用中可灵活变动。
所述数据验证模块利用所述的样本训练模块输出的模型，对发动机实时工作过程采集数据经标准化处理后，输入数据验证模块进行预测和分析。考虑到实际发动机运行时传感器收集数据的野值、偏差等状况的考虑，引入滑窗方法来降低模型的误警率，增强模型的鲁棒性。
一种基于支持向量机的火箭发动机健康诊断方法，包括如下步骤：
S1、对火箭发动机的原始测量数据进行归一化处理；原始测量数据包括主涡轮泵转速、煤油一级泵出口压力、推力室点火路压力、点火导管前压力、运行时间。
S2、根据原始数据的维度，建立支持向量机模型。
S3、利用归一化后的原始测量数据作为训练样本对支持向量机模型进行训练；获得训练后的支持向量机模型。
S4、将归一化后的原始测量数据随机划分为训练集和测试集，以及正标签集和负标签集，在负标签数据不足的情况下，通过随机生成的方法生成相应量级的数据；利用训练集对训练后的支持向量机模型进行准确率验证，如果准确率不满足预设要求，迭代计算超参数，然后转入S3；否则获得最终支持向量机模型转入S5。
S5、设置最终支持向量机模型的滑窗大小和预设异常阈值，将发动机实时测试数据依次输入到最终支持向量机模型中，将滑窗时间段数据的输出结果进行累加，得到累计异常数，计算实时异常率，直到火箭发动机工作结束；如果实时异常率大于预设异常阈值时，判定火箭发动机异常，输出异常警告。其中利用发动机的正常测试数据，拟合确定异常阈值。
实施例：
如图1所示，本实施例涉及一种基于支持向量机的火箭发动机健康诊断方法，如图2和图3所示，具体包括以下步骤：
步骤1：输入测量所得到的发动机性能原始数据，进行归一化以满足后续输入要求。考虑到发动机数据不均衡的实际情况，根据不同的发动机故障状况，有针对地生成相应数量的负标签数据。
所述原始数据包括：主涡轮泵转速(nt)，煤油一级泵出口压力(Pepf1)，推力室点火路压力(Pigc)，点火导管前压力(Piti)和运行时间(t)。
所述原始数据的存储格式如表1所示。
表1
所述原始数据实例如表2所示。
表2
t Pepf1 nt Piti Pigc
-2.0 0.36 0 0.54 0.16
-1.99 0.36 0 0.53 0.16
-1.98 0.36 0 0.53 0.16
-1.97 0.36 0 0.53 0.16
-1.96 0.37 0 0.53 0.16
步骤2：根据输入数据格式(原始数据指标个数)建立支持向量机模型，因为火箭发动机各维度上的值跨度不同，所以对原始数据集进行划分并进行归一化处理。在结合发动机实际情况后，选取高斯核和相应的超参数初值，开始训练。
所述的归一化处理为简单的减去均值除以标准差，其公式为其中：x为原始数据，μ为原始数据的标准差，σ为原始数据的方差，x’为标准化后的数据。
所述的高斯核函数的公式为其中x1、x2是输入的数据。
步骤3：利用已经处理好的原始数据训练作为训练样本对已构建好的模型进行训练
在确定超参数θ＝argminθl(θ,X)时，采用了梯度下降法来确定最优的超参数，其更新法则为
每一步的步长p可以利用牛顿法进行求解，带入后得到最终的更新公式为
其中，θ为超参数，为损失函数对θ的一次偏导，/>为损失函数对θ的二次偏导。
所述训练实质是一个优化问题，通过最大化目标函数，获得作为预测标准的支持向量，原优化问题为：
s.t.y(ωTx+b)＞0
利用拉格朗日算子，把原问题转化为一个没有限制的凸优化问题：
对目标函数进行求导置零，得到：
将等式代入到优化问题中，把问题转化为：
s.t.αi≥0,i＝1,...,m
其中m为训练样本的个数，用高斯核去替换＜x(i),x(j)＞以增强支持向量机的拟合能力
步骤4：对已经训练好的模型进行保存，用训练集进行准确率验证
步骤5：如果准确率没有达到相应的标准，，更新超参数进入步骤3.
步骤6：运用步骤3至步骤5训练出符合要求的模型。
步骤7：设定好模型的滑窗大小L和预设阈值T，阈值T可以根据不同时段发动机状况的方差等特征量进行设定。
步骤8：将发动机实时测试数据依次输入到模型中去，将滑窗时间段数据的输出结果进行累加，得到累计异常数wtmp。然后用累计异常数除以滑窗大小，得到实时异常率
步骤9：判断实时异常率R是否大于预设阈值T，若大于预设阈值，则发出异常警告，否则选择下一滑窗时间段的数据，返回步骤8，直至发动机工作结束。
所述的阈值是指对异常数据和正常数据的划分阈值，体现出监测系统的严格程度。阈值越小，则监测系统越越严格，阈值越大则说明监测系统的严格性更低。
本实施例中阈值是由正常数据的输出拟合求得的。具体为：模型训练结束以后，获取所有正常数据的输出，求得均值μ以及方差σ2。然后使用如下公式拟合得到阈值。
本实施例中，该值计算结果越为0.028。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。

Claims (9)

1.一种基于支持向量机的火箭发动机健康诊断方法，其特征在于，包括如下步骤：
S1、对火箭发动机的原始测量数据进行归一化处理；
S2、根据原始数据的维度，建立支持向量机模型；
S3、利用归一化后的原始测量数据作为训练样本对支持向量机模型进行训练；获得训练后的支持向量机模型；
S4、对训练后的支持向量机模型进行准确率验证，如果准确率不满足预设要求，迭代计算超参数，然后转入S3；否则获得最终支持向量机模型转入S5；
S5、设置最终支持向量机模型的滑窗大小和预设异常阈值，将发动机实时测试数据依次输入到最终支持向量机模型中，将滑窗时间段数据的输出结果进行累加，得到累计异常数，计算实时异常率，直到火箭发动机工作结束；如果实时异常率大于预设异常阈值时，判定火箭发动机异常，输出异常警告。
2.根据权利要求1所述的一种基于支持向量机的火箭发动机健康诊断方法，其特征在于，原始测量数据包括主涡轮泵转速、煤油一级泵出口压力、推力室点火路压力、点火导管前压力、运行时间。
3.根据权利要求1所述的一种基于支持向量机的火箭发动机健康诊断方法，其特征在于，利用发动机的正常测试数据，拟合确定异常阈值。
4.根据权利要求1所述的一种基于支持向量机的火箭发动机健康诊断方法，其特征在于，将归一化后的原始测量数据随机划分为训练集和测试集，以及正标签集和负标签集，在负标签数据不足的情况下，通过随机生成的方法生成相应量级的数据。
5.根据权利要求4所述的一种基于支持向量机的火箭发动机健康诊断方法，其特征在于，利用训练集对训练后的支持向量机模型进行准确率验证。
6.一种基于支持向量机的火箭发动机健康诊断系统，其特征在于，包括数据输入预处理模块、样本训练模块、数据验证模块；
数据输入预处理模块用于对火箭启动过程的原始测量数据进行数据归一化，样本训练模块利用处理过后的数据、高斯核函数、超参数进行支持向量机模型的训练，训练结束后，获得训练后的支持向量机模型；数据验证模块采集火箭发动机的实际测试数据，利用训练后支持向量机模型和滑窗方法，判断发动机的工作状态是否正常；
所述数据验证模块首先设置最终支持向量机模型的滑窗大小和预设异常阈值，然后将发动机实时测试数据依次输入到训练后支持向量机模型中，将滑窗时间段数据的输出结果进行累加，得到累计异常数，计算实时异常率，直到火箭发动机工作结束；如果实时异常率大于预设异常阈值时，判定火箭发动机异常，输出异常警告。
7.根据权利要求6所述的一种基于支持向量机的火箭发动机健康诊断系统，其特征在于，利用发动机的正常测试数据，拟合确定异常阈值。
8.根据权利要求6所述的一种基于支持向量机的火箭发动机健康诊断系统，其特征在于，原始测量数据包括主涡轮泵转速、煤油一级泵出口压力、推力室点火路压力、点火导管前压力、运行时间。
9.根据权利要求6所述的一种基于支持向量机的火箭发动机健康诊断系统，其特征在于，利用梯度下降法来确定最优的超参数。
CN202010705689.3A 2020-07-21 2020-07-21 一种基于支持向量机的火箭发动机健康诊断方法及系统 Active CN112052871B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010705689.3A CN112052871B (zh) 2020-07-21 2020-07-21 一种基于支持向量机的火箭发动机健康诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010705689.3A CN112052871B (zh) 2020-07-21 2020-07-21 一种基于支持向量机的火箭发动机健康诊断方法及系统

Publications (2)

Publication Number Publication Date
CN112052871A CN112052871A (zh) 2020-12-08
CN112052871B true CN112052871B (zh) 2024-05-07

Family

ID=73601938

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010705689.3A Active CN112052871B (zh) 2020-07-21 2020-07-21 一种基于支持向量机的火箭发动机健康诊断方法及系统

Country Status (1)

Country Link
CN (1) CN112052871B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114459762B (zh) * 2020-12-25 2024-02-23 北京天兵科技有限公司 一种火箭发动机健康状态诊断系统及方法
CN112906295B (zh) * 2021-01-28 2021-12-24 中国人民解放军国防科技大学 固体火箭发动机燃速预示方法、装置和设备
CN114688926B (zh) * 2022-03-22 2024-06-04 中国运载火箭技术研究院 一种运载火箭健康检测验证评估系统和方法
CN116629143A (zh) * 2023-07-25 2023-08-22 东方空间技术(山东)有限公司 一种火箭模拟发射参数判读方法、计算设备及存储介质
CN118568653A (zh) * 2024-08-05 2024-08-30 山东大学 基于多特征参量的组合电器开关设备状态感知与故障诊断方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110207997A (zh) * 2019-07-24 2019-09-06 中国人民解放军国防科技大学 基于卷积自编码器的液体火箭发动机故障检测方法
CN110443002A (zh) * 2019-08-16 2019-11-12 中国水利水电科学研究院 一种高边坡形变预测方法及系统
CN111337263A (zh) * 2020-02-12 2020-06-26 中国民航大学 发动机涡轮盘故障诊断方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105704103B (zh) * 2014-11-26 2017-05-10 中国科学院沈阳自动化研究所 基于OCSVM双轮廓模型的Modbus TCP通信行为异常检测方法
US9818242B2 (en) * 2014-12-16 2017-11-14 University Of Southern California Gas turbine engine anomaly detections and fault identifications
EP3327419B1 (en) * 2016-11-29 2020-09-09 STS Intellimon Limited Engine health diagnostic apparatus and method
CN108388860B (zh) * 2018-02-12 2020-04-28 大连理工大学 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110207997A (zh) * 2019-07-24 2019-09-06 中国人民解放军国防科技大学 基于卷积自编码器的液体火箭发动机故障检测方法
CN110443002A (zh) * 2019-08-16 2019-11-12 中国水利水电科学研究院 一种高边坡形变预测方法及系统
CN111337263A (zh) * 2020-02-12 2020-06-26 中国民航大学 发动机涡轮盘故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
单类支持向量机在涡轮泵试车数据分析中的应用;胡雷;胡茑庆;秦国军;邱忠;;振动、测试与诊断(02);全文 *

Also Published As

Publication number Publication date
CN112052871A (zh) 2020-12-08

Similar Documents

Publication Publication Date Title
CN112052871B (zh) 一种基于支持向量机的火箭发动机健康诊断方法及系统
CN111275288B (zh) 基于XGBoost的多维数据异常检测方法与装置
CN108760327B (zh) 一种航空发动机转子故障的诊断方法
CN114282579A (zh) 基于变分模态分解和残差网络的航空轴承故障诊断方法
CN110823576B (zh) 基于生成对抗网络的机械异常检测方法
CN112257530B (zh) 基于盲信号分离和支持向量机的滚动轴承故障诊断方法
CN112729834B (zh) 一种轴承故障的诊断方法、装置和系统
WO2024065777A1 (en) Method, apparatus, electronic device, and storage medium for diagnosing industrial fault
CN111637045B (zh) 一种海洋平台空气压缩机故障诊断方法
CN113567131A (zh) 基于s变换与微型卷积神经网络模型的轴承故障诊断方法
CN110007660B (zh) 一种火电厂汽轮机组瞬态等效热应力在线软测量方法
CN114048688A (zh) 一种风力发电机轴承寿命预测方法
CN114707706A (zh) 一种基于不均衡数据的柴油发动机故障诊断方法
CN115791174B (zh) 一种滚动轴承异常诊断方法、系统、电子设备及存储介质
CN114548272A (zh) 一种离心泵空化状态识别方法
CN114962390A (zh) 液压系统故障诊断方法、系统及作业机械
CN114741945B (zh) 一种航空发动机在线故障的诊断方法
CN115687864A (zh) 基于XGBoost-KDE的风机主轴承故障预警方法
CN115860708A (zh) 一种舰船装备状态监测和故障诊断方法
CN114818811A (zh) 一种基于孪生网络度量学习的航空发动机滚动轴承故障诊断方法
CN112378651A (zh) 一种基于数据驱动的设备动态可靠性评估方法
Zhang et al. Fault Diagnosis of Rolling Bearing Based on CNN with Attention Mechanism and Dynamic Learning Rate
Tian et al. Fault diagnosis method for inter-shaft bearings based on information exergy and random forest
CN117972616B (zh) 一种抽水蓄能发电机组安全状态监测诊断方法及系统
Chen et al. A Multivariate Time Series Anomaly Detection Method Based on Generative 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