CN112200220A - 一种基于数据归纳的飞机机载设备健康监控方法 - Google Patents
一种基于数据归纳的飞机机载设备健康监控方法 Download PDFInfo
- Publication number
- CN112200220A CN112200220A CN202010985734.5A CN202010985734A CN112200220A CN 112200220 A CN112200220 A CN 112200220A CN 202010985734 A CN202010985734 A CN 202010985734A CN 112200220 A CN112200220 A CN 112200220A
- Authority
- CN
- China
- Prior art keywords
- data
- working state
- initial
- abnormal
- clustering
- 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.)
- Pending
Links
- 230000036541 health Effects 0.000 title claims abstract description 45
- 238000012544 monitoring process Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000006698 induction Effects 0.000 title claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims description 44
- 238000012360 testing method Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 238000012217 deletion Methods 0.000 description 4
- 230000037430 deletion Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 239000010687 lubricating oil Substances 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 239000000295 fuel oil Substances 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003028 elevating effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000010705 motor oil Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明属于航空器健康管理领域,涉及一种基于数据归纳的飞机机载设备健康监控方法。该方法包括:接收初始样本,初始样本包括未发生异常或故障的飞机原始数据;根据初始样本,使用聚类算法从多个待选的聚类数中选出肘点作为最优聚类数m;将上述由初始样本聚类成的m个工作状态组作为正常状态库的工作状态组。
Description
技术领域
本发明属于航空器健康管理领域,涉及一种基于数据归纳的飞机机载设备健康监控方法。
背景技术
在航空领域,当前的健康监控流程主要有三个单独的步骤。
第一步是确定健康系统的构成。健康的航空器,或正常运行的航空器,被定义为遥测值在预期值范围内的航空器。创建预期值的参考值是最常见的做法,需要对系统有广泛的了解。除了需要熟悉整个系统的人之外,还需要大量的时间来开发一个正常值范围的参考值,参考值准确描述了航空器的所有正常健康状态。
第二步是连续地读取航空器的当前遥测值,并将其与健康遥测值的参考值进行比较。然后通过检查这一比较来确定航空器的健康状况。如果航空器的所有遥测值都包含在参考值中的健康值范围内,则系统视为健康;航空器处于额定状态。如果一个或多个数值超出健康值范围,则认为系统不健康;航空器处于非正常状态。
最后一步是确定异常状态的原因,以及纠正异常的程序。这一步骤由与航空器有关的工程师在地面上执行。确定异常状态的原因需要对异常情况进行快速调查,并由一组专家就如何使航空器恢复健康状态做出快速决策。
从当前的健康监控流程可以看出,虽然确定简单系统的健康状态是合理的,“但随着传感器和组件交互数量的增加,使用传统方法确定交联和复杂系统的健康状态变得越来越困难”。有时,创建一个准确描述复杂系统中所有交互和状态的模型被认为太困难或不可能。异常的监测、诊断、隔离与处理对专家的能力要求越来越高,从实际情况来看,航空器的排故时间也越来越长,对新的能够有效解决复杂系统数据下异常监测、故障诊断的健康监控方法需求越来越明显。
发明内容
本发明的目的是:提供一种基于飞行数据归纳的飞机机载设备健康监控方法,本方法的主要目标是使传统的“构建正常范围参考值、健康监控、故障诊断”这一过程的三个步骤自动化。本方法可分为两部分:学习算法和监控算法。学习算法从现有的数据建立监控对象的正常状态库和正常值范围参考值,从而消除专家确定正常值范围的需要。监控算法使用学习算法生成的正常状态库和正常值范围参考值作为系统当前遥测数据的健康监控参考。然后,监控算法自动确定航空器是正常运行还是非正常运行。如果非正常值,监控算法会报告一个偏移值,该值显示系统异常数据项偏离正常值的程度,并指定到特定功能和飞机设备,将异常或故障隔离到一个模糊集,最终形成一种基于数据归纳的飞机机载设备健康监控方法。
本发明的技术方案是:
一种基于数据归纳的飞机机载设备健康监控方法,包括:
接收初始样本,初始样本包括未发生异常或故障的飞机原始数据;
根据初始样本,使用聚类算法从多个待选的聚类数中选出肘点作为最优聚类数m;
将上述由初始样本聚类成的m个工作状态组作为正常状态库的工作状态组。
进一步的,将初始样本聚类成m个工作状态组之后,所述方法还包括:
接收测试样本,测试样本包括飞机待测试是否出现异常的飞机原始数据;
采用正常状态库对测试样本进行测试,判定飞机原始数据是否出现异常。
进一步的,聚类算法中工作状态组的初始聚类点需要满足以下条件:
第一个选取的工作状态组的初始聚类点为对应样本的算术中心点;
其他的工作状态组的初始聚类点到自身之前选取的初始聚类点之间的距离和最大。
进一步的,根据初始样本,通过聚类算法从多个待选的聚类数中选出肘点作为最优聚类数m,包括:
根据经验给出多个待选的聚类数;
通过聚类算法,计算出不同待选的聚类数下的工作状态组;
分别计算同一聚类数下的各工作状态组的方差的算术平均值W;
肘点为各待选聚类数条件下的W的拟合曲线的二阶导数的最大值的对应点;
进一步的,采用正常状态库对测试样本进行测试,判定飞机原始数据是否出现异常,包括:
通过K-近邻算法,确定待测试样本中的数据所归属的目标工作状态组;
若该数据处于目标工作状态组的边界内,该数据为健康数据;
若该数据处于目标工作状态组的边界之外,该数据为异常或故障数据。
进一步的,边界所包围的区域为以目标工作状态组的中心点位圆心,以中心点到目标工作状态组内最远点之间的距离为半径所包含的区域。
进一步的,该数据为异常或故障数据之后,所述方法还包括:
获取目标工作状态组的中心点的健康数据;
分别对比健康数据的数据项和待测试样本中数据对应的数据项,确定各数据项的偏移量;
确定最大偏移量的数据项对应的功能或飞机设备发生异常或故障。
一种计算机可读的存储介质,所述存储介质上存储有计算机程序,所述计算机程序包括用于执行上述任一项所述的方法。
本发明的有益效果是:提供一种基于飞行数据归纳的飞机机载设备健康监控方法,本方法的主要目标是使传统的“构建正常范围参考值、健康监控、故障诊断”这一过程的三个步骤自动化。本方法可分为两部分:学习算法和监控算法。学习算法从现有的数据建立监控对象的正常状态库和正常值范围参考值,从而消除专家确定正常值范围的需要。监控算法使用学习算法生成的正常状态库和正常值范围参考值作为系统当前遥测数据的健康监控参考。然后,监控算法自动确定航空器是正常运行还是非正常运行。如果非正常值,监控算法会报告一个偏移值,该值显示系统异常数据项偏离正常值的程度,并指定到特定功能和飞机设备,将异常或故障隔离到一个模糊集,最终形成一种基于数据归纳的飞机机载设备健康监控方法。通过健康监控过程自动化降低开发周期的成本。随着航空业与运输业的发展,对飞机设备健康监控工具化的需求越来越大,本发明有很大的应用前景。
附图说明
图1为基于数据归纳的飞机机载设备健康监控方法流程图;
图2为状态聚类方差示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
一种基于数据归纳的飞机机载设备健康监控方法,包括以下步骤:
第一步:数据样本处理:
1.1)对飞机原始数据进行丢包、增删处理,形成完整可用的飞机原始数据,包括N个数据项,再根据飞机异常和故障事件日志数据完成对飞机原始数据的标记;
1.2)针对飞机不同的设备,如起落架、发动机、操纵舵等,分别梳理其运行数据,初步确定其工作状态数S0。
第二步:构建正常状态库
2.1)针对飞机某设备,将其标记为正常的离散和连续数据作为初始样本,对其各数据项进行[0,1]归一化处理,记录各数据项的最大值和最小值集合 xi_max(i=1,2,…,N)和xi_min(i=1,2,…,N)。假定其工作状态约有S0个,选定状态聚类数Ci=i(i=2,3,…,2*S0)、共2*S0-1个,分别用“优化K-均值聚类算法”对归一化后的数据进行聚类,算出对应的2*S0-1个状态聚类的方差的算术平均值 Wi(i=2,3,…,2*S0),选取Wi的拟合曲线的二阶导数的最大值W″m对应的聚类数m,作为最佳聚类数。
2.2)依据2.1)选取的最佳聚类数m,保存其对应的聚类结果为工作状态组,计算m个工作状态组内的聚类中心点和数据点的距离最大值Ri_max(i= 1,2,…,m),与xi_max(i=1,2,…,N)和xi_min(i=1,2,…,N)共同构成正常状态库。
第三步:进行健康监控
依靠2.2)获得的正常状态库,将步骤1.1)只进行丢包、增删处理的未知异常或故障状态数据作为测试样本,使用正常状态库的xi_max(i=1,2,…,N)和 xi_min(i=1,2,…,N)进行归一化处理,使用“K-近邻算法”构建监控模型,选取K 值为2.1)中的最佳聚类数m,将测试样本聚类到m个工作状态组中。得到测试样本对应的工作状态组后,比较该工作状态组内的测试样本到状态中心点的距离Rt与正常状态库内该组的距离最大值Ri_max(i=1,2,…,m),作为待测试的未知异常或故障状态数据的判定依据。
若Rt≤Ri_max,该待测数据处于目标工作状态组的边界内,该数据为健康数据。若Rt>Ri_max,该待测数据为异常或故障数据。
第四步:初步故障隔离
确认待测试未知异常或故障状态数据位异常或故障后,依靠其对应的工作状态组的中心点的健康数据,分别对比健康数据的数据项和测试样本中数据对应的数据项,确定各数据项的偏移量,确定最大偏移量的数据项对应的功能或飞机设备发生异常或故障。
本发明的技术方案是:一种基于数据归纳的飞机机载设备健康监控方法,总体流程如图1,包括以下步骤:
第一步:数据样本处理:
1.1)对飞机原始数据进行丢包、增删处理,形成完整可用的飞机原始数据,再根据飞机异常和故障事件日志数据完成对飞机原始数据的标记;
本发明采用某无人机遥测数据作为实验数据库。遥测数据记录约300个参数,参数包含发动机参数、空速、地速、气压高度等重要参数,有模拟量,也有数字信号、开关量等。这些参数来源于无人机记录的是实际飞行时参数值,设其共有N个数据项,记录周期为40毫秒。
对故障和异常数据的标记采用编码制,例如,共有10种故障,则标记为 10位编码,当某故障出现,则对应标记为“1”,否则标记为“0”,则每一个原始数据均会被标记。
1.2)针对飞机不同的设备,如起落架、发动机、操纵舵等,分别梳理其运行数据,初步确定其工作状态数S0。
需要提取并处理的无人机运行数据包括但不限于实验数据参数表,如表1 所示。
表1
起落架 | 发动机 | 操纵舵 |
左刹车压力 | 全机油量低字节 | 左副翼位置 |
右刹车压力 | TCU转速低字节 | 右副翼位置 |
起落架收起/放下 | 发动机转速低字节 | 左升降舵位置 |
滑油温度 | 右升降舵位置 | |
滑油压力 | 左方向舵位置 | |
冷却液温度1 | 右方向舵位置 | |
排气温度1低字节 | 左襟翼位置 | |
节风门位置 | 右襟翼位置 | |
发电机电压 | ||
发电机电流 |
对于起落架,其工作状态有“收起/放下”,“刹车/不刹车”等,其故障有刹车压力低、起落架收起失效、放下失效等。
对于发动机,其工作状态有“怠速、巡航、加力、减速、重启”等,其故障有滑油低压、燃油油量低、滑油超温、涡轮超温、燃油流速超速、发电机故障、发动机燃油切断异常。
对于操纵舵,其状态针对有副翼、襟翼、升降舵、方向舵等,在不同的飞控指令下有不同的作动状态,其常见的故障有舵机卡死、舵机失效、舵机偏移等。
第二步:构建正常状态库
2.1)针对飞机某设备,将其标记为正常的离散和连续数据作为初始样本,各数据项进行[0,1]归一化处理,记录各数据项的最大值和最小值集合 xi_max(i=1,2,…,N)和xi_min(i=1,2,…,N)。考虑到实验数据特性,这里采用如下公式:
假定其工作状态约有S0个,选定状态聚类数Ci=i(i=2,3,…,2*S0)、共 2*S0-1个,分别用“优化K-均值聚类算法”对归一化后的数据进行聚类步骤如下:
1.选中状态聚类数Ci=i(i=2,3,…,2*S0);
2.选择数据集的各项算术平均数作为第一个中心点x1。计算数据集中到已选中心点的距离和距离最大值Di,定义为:
Di=max(||xi-x1||+||xi-x2||+…+||xi-xi-1||) (2)
其中下标||xi-x1||表示点xi到点x1的距离,以此类推。xk(k=1,2,…,i-1)是表示所有先前确定的中心点的向量。当选择更多的中心时,此向量的大小会增加。Di对应的xi是第i个中心点,直到选出Ci个中心点。
3.计算每个数据点和每个中心之间的距离。
4.第一次循环时,确定每个数据点最近的中心,并将数据点指定给该中心的聚类,后续循环时,确定每个数据点前K个最近的点,将该数据点指定到前 K个最近的点内的最大占比例的聚类。
5.计算分配给聚类的所有数据点的平均值。成为新的中心。
6.重复步骤3-5,直到中心不再移动或移动小于设定的公差。
有许多不同的方法用于确定数据点和中心之间的距离。本发明使用欧几里得距离,两个n维向量a和b的距离Dab的定义如下:
7.定义聚类内和聚类间相似性的一种方法是利用方差算术平均值Wi。方差值是计算每个聚类内的分散度。为了计算它,假设有一组聚类数据点,其中i=1, 2,3,…p,其中p是点的个数,j=1,2,3,…n,其中n是数据点的维数。设 dii'为点i与指定中心i'之间的欧几里得距离的平方,如下:
然后,通过添加所有聚类内距离来计算方差算术平均值。
8.重复步骤1-7,直到计算出所有Wi=i(i=2,3,…,2*S0)。
算出对应的2*S0-1个状态聚类的方差算术平均值Wi(i=2,3,…,2*S0),如图2,选取均方差Wi的拟合曲线的二阶导数最大值W″m对应的聚类数m,作为最佳聚类数;
2.2)依据2.1)选取的最佳聚类数m,保存其对应的聚类结果为工作状态组,针对标记为正常的数据,步骤2.1)中使用“优化K-均值聚类算法”算出A1、A2、 A3、…、Am共m个聚类,得到对应m个聚类中心点和各工作状态组数据点的距离最大值Ri_max(i=1,2,…,m),与xi_max(i=1,2,…,N)和xi_min(i=1,2,…,N)共同构成正常状态库。
第三步:进行健康监控
依靠2.2)获得的正常状态库,使用“K-近邻搜索”算法进行健康监控,步骤如下:
1.将步骤1.1)只进行丢包、增删处理的未知异常或故障状态数据作为待测试数据,使用正常状态库的xi_max(i=1,2,…,N)和xi_min(i=1,2,…,N)进行归一化处理;
2.使用“K-近邻算法”构建监控模型,选取K值为2.1)中的最佳聚类数m,将待测试数据聚类到m个工作状态组中。
3.得到待测试数据对应的工作状态组后,比较该工作状态组内的待测试数据到状态中心点的距离Rt与正常状态库内该组的距离最大值Ri_max(i=1,2,…,m),作为待测试的未知异常或故障状态数据的判定依据。
4.若Rt≤Ri_max,该待测数据处于目标工作状态组的边界内,该数据为健康数据。若Rt>Ri_max,该待测数据为异常或故障数据。
第四步:初步故障隔离
确认待测试未知异常或故障状态数据为异常或故障后,依靠其对应的工作状态组的中心点的健康数据和异常数据的数据偏移分析,可以对故障对应的数据数据项进行初步隔离。步骤如下:
1.状态偏移率定义为:一个N维数组,以百分比的形式包含N个数据项的相较于正常初始状态偏移。如果数据发生异常,则定义第i个数据项的偏移率p(i) 为
此处Di是第i个数据项相较于中心的偏移绝对值,所以p(i)区间为[0,100%]。
2.通过计算偏移率,可以初步判定较大偏移量的数据项对应的功能或飞机设备发生异常或故障。
综上,本发明能够以现有的飞机数据为基础,建立监控对象的正常状态库和正常范围参考值,监控模型自动确定飞机是否正常运行,并针对异常数据给出偏移率,将异常隔离到一个模糊集。
本发明提供一种基于飞行数据归纳的飞机机载设备健康监控方法,本方法的主要目标是使传统的“构建正常范围参考值、健康监控、故障诊断”这一过程的三个步骤自动化。本方法可分为两部分:学习算法和监控算法。学习算法从现有的数据建立监控对象的正常状态库和正常值范围参考值,从而消除专家确定正常值范围的需要。监控算法使用学习算法生成的正常状态库和正常值范围参考值作为系统当前遥测数据的健康监控参考。然后,监控算法自动确定航空器是正常运行还是非正常运行。如果非正常值,监控算法会报告一个偏移值,该值显示系统异常数据项偏离正常值的程度,并指定到特定功能和飞机设备,将异常或故障隔离到一个模糊集,最终形成一种基于数据归纳的飞机机载设备健康监控方法。
Claims (8)
1.一种基于数据归纳的飞机机载设备健康监控方法,其特征在于,包括:
接收初始样本,初始样本包括未发生异常或故障的飞机原始数据;
根据初始样本,使用聚类算法从多个待选的聚类数中选出肘点作为最优聚类数m;
将上述由初始样本聚类成的m个工作状态组作为正常状态库的工作状态组。
2.根据权利要求1所述的方法,其特征在于,将初始样本聚类成m个工作状态组之后,所述方法还包括:
接收测试样本,测试样本包括飞机待测试是否出现异常的飞机原始数据;
采用正常状态库对测试样本进行测试,判定飞机原始数据是否出现异常。
3.根据权利要求2所述的方法,其特征在于,聚类算法中工作状态组的初始聚类点需要满足以下条件:
第一个选取的工作状态组的初始聚类点为对应样本的算术中心点;
其他的工作状态组的初始聚类点到自身之前选取的初始聚类点之间的距离和最大。
4.根据权利要求1所述方法,其特征在于,根据初始样本,通过聚类算法从多个待选的聚类数中选出肘点作为最优聚类数m,包括:
根据经验给出多个待选的聚类数;
通过聚类算法,计算出不同待选的聚类数下的工作状态组;
分别计算同一聚类数下的各工作状态组的方差的算术平均值W;
肘点为各待选聚类数条件下的W的拟合曲线的二阶导数的最大值的对应点。
5.根据权利要求1所述的方法,其特征在于,采用正常状态库对测试样本进行测试,判定飞机原始数据是否出现异常,包括:
通过K-近邻算法,确定待测试样本中的数据所归属的目标工作状态组;
若该数据处于目标工作状态组的边界内,该数据为健康数据;
若该数据处于目标工作状态组的边界之外,该数据为异常或故障数据。
6.根据权利要求5所述的方法,其特征在于,边界所包围的区域为以目标工作状态组的中心点位圆心,以中心点到目标工作状态组内最远点之间的距离为半径所包含的区域。
7.根据权利要求5所述的方法,其特征在于,该数据为异常或故障数据之后,所述方法还包括:
获取目标工作状态组的中心点的健康数据;
分别对比健康数据的数据项和待测试样本中数据对应的数据项,确定各数据项的偏移量;
确定最大偏移量的数据项对应的功能或飞机设备发生异常或故障。
8.一种计算机可读的存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序包括用于执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010985734.5A CN112200220A (zh) | 2020-09-18 | 2020-09-18 | 一种基于数据归纳的飞机机载设备健康监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010985734.5A CN112200220A (zh) | 2020-09-18 | 2020-09-18 | 一种基于数据归纳的飞机机载设备健康监控方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112200220A true CN112200220A (zh) | 2021-01-08 |
Family
ID=74015458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010985734.5A Pending CN112200220A (zh) | 2020-09-18 | 2020-09-18 | 一种基于数据归纳的飞机机载设备健康监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112200220A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091035A (zh) * | 2014-07-30 | 2014-10-08 | 中国科学院空间应用工程与技术中心 | 一种基于数据驱动算法的空间站有效载荷健康监测方法 |
CN106291149A (zh) * | 2015-05-22 | 2017-01-04 | 中国电力科学研究院 | 一种10kV开关柜的带电检测方法 |
CN107767293A (zh) * | 2017-09-20 | 2018-03-06 | 国网浙江省电力公司电力科学研究院 | 一种基于改进AP和K‑means聚类的电力大用户细分方法 |
CN108009590A (zh) * | 2017-12-13 | 2018-05-08 | 广东机场白云信息科技有限公司 | 航班信息显示系统及其终端设备故障显示方法 |
CN108256008A (zh) * | 2018-01-03 | 2018-07-06 | 昆明理工大学 | 运用l1范数及余弦定理在均匀分布中求最优值的方法 |
CN109558897A (zh) * | 2018-11-08 | 2019-04-02 | 华北电力大学 | 一种基于数据挖掘的电网规划多场景提取方法 |
US20190205195A1 (en) * | 2017-12-30 | 2019-07-04 | Moogsoft, Inc. | System for decomposing events from managed infrastructures with natural language processing |
US20200019815A1 (en) * | 2018-07-16 | 2020-01-16 | Here Global B.V. | Clustering for k-anonymity in location trajectory data |
CN110826623A (zh) * | 2019-11-04 | 2020-02-21 | 深圳雷霆应急科技有限公司 | 基于气象数据的分类方法、装置、计算机设备及存储介质 |
CN111046331A (zh) * | 2019-11-21 | 2020-04-21 | 中国航空无线电电子研究所 | 一种基于信号异常的健康监控方法 |
CN111563628A (zh) * | 2020-05-09 | 2020-08-21 | 重庆锐云科技有限公司 | 房地产客户成交时间预测方法、装置及存储介质 |
-
2020
- 2020-09-18 CN CN202010985734.5A patent/CN112200220A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091035A (zh) * | 2014-07-30 | 2014-10-08 | 中国科学院空间应用工程与技术中心 | 一种基于数据驱动算法的空间站有效载荷健康监测方法 |
CN106291149A (zh) * | 2015-05-22 | 2017-01-04 | 中国电力科学研究院 | 一种10kV开关柜的带电检测方法 |
CN107767293A (zh) * | 2017-09-20 | 2018-03-06 | 国网浙江省电力公司电力科学研究院 | 一种基于改进AP和K‑means聚类的电力大用户细分方法 |
CN108009590A (zh) * | 2017-12-13 | 2018-05-08 | 广东机场白云信息科技有限公司 | 航班信息显示系统及其终端设备故障显示方法 |
US20190205195A1 (en) * | 2017-12-30 | 2019-07-04 | Moogsoft, Inc. | System for decomposing events from managed infrastructures with natural language processing |
CN108256008A (zh) * | 2018-01-03 | 2018-07-06 | 昆明理工大学 | 运用l1范数及余弦定理在均匀分布中求最优值的方法 |
US20200019815A1 (en) * | 2018-07-16 | 2020-01-16 | Here Global B.V. | Clustering for k-anonymity in location trajectory data |
CN109558897A (zh) * | 2018-11-08 | 2019-04-02 | 华北电力大学 | 一种基于数据挖掘的电网规划多场景提取方法 |
CN110826623A (zh) * | 2019-11-04 | 2020-02-21 | 深圳雷霆应急科技有限公司 | 基于气象数据的分类方法、装置、计算机设备及存储介质 |
CN111046331A (zh) * | 2019-11-21 | 2020-04-21 | 中国航空无线电电子研究所 | 一种基于信号异常的健康监控方法 |
CN111563628A (zh) * | 2020-05-09 | 2020-08-21 | 重庆锐云科技有限公司 | 房地产客户成交时间预测方法、装置及存储介质 |
Non-Patent Citations (9)
Title |
---|
BIAODIANFU: "聚类算法之K-Means及其变种", pages 1, Retrieved from the Internet <URL:htpps://juejin.cn/post/6844903618588442632> * |
CHENG-HAO DENG等: "Fast k-means based on KNN Graph", 《ARXIV》, 4 May 2017 (2017-05-04), pages 1 - 10 * |
JIAKUN WANG等: "Health classification of hydraulic system based on k-means", 《2020 INTERNATIONAL CONFERENCE ON URBAN ENGINEERING AND MANAGEMENT SCIENCE (ICUEMS)》, pages 550 - 553 * |
RODRIGO HARTSTEIN SALIM等: "Extended fault-location formulation for power distribution systems", 《IEEE TRANSACTIONS ON POWER DELIVERY》, vol. 24, no. 02, pages 508 - 516, XP011252880 * |
XIAHAO ZHANG等: "A fault detection algorithm for cloud computing using QPSO-based weighted one-class support vector machine", 《ICA3PP 2019:ALGORITHMS AND ARCHITECTURES FOR PARALLEL PROCESSING》, vol. 11945, pages 3 * |
宋东等: "基于数据挖掘技术的飞机故障诊断专家系统设计", 《计算机测量与控制》, vol. 20, no. 10, pages 2603 - 2605 * |
曾聪: "飞控系统故障诊断方法研究与实现", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, vol. 2020, no. 01, pages 031 - 158 * |
池程芝等: "基于场景的民用飞机健康管理可视化仿真研究与实现", 《航空科学与技术》, vol. 31, no. 07, pages 35 - 39 * |
韩卓等: "基于时空聚类的职住分析研究", 《计算机与数字工程》, vol. 48, no. 03, pages 2 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114997051B (zh) | 一种基于迁移学习的航空发动机寿命预测与健康评估方法 | |
CN113053171B (zh) | 一种民机系统风险预警方法及系统 | |
US10431019B2 (en) | Health monitoring of an actuator in a flying device | |
CN110609524B (zh) | 一种工业设备剩余寿命预测模型及其构建方法和应用 | |
CN107807628B (zh) | 民用飞机空调系统热交换器性能退化评估方法 | |
CN111459142A (zh) | 一种基于堆叠稀疏降噪自编码器的飞机液冷失效故障诊断方法 | |
CN110782007B (zh) | 一种基于神经网络的飞行数据缺失补充方法 | |
CN113607205A (zh) | 一种航空发动机传感器故障检测方法及装置 | |
CN115688609A (zh) | 一种用于航空发动机的智能推力预测及实时预警方法 | |
CN112749764B (zh) | 一种基于qar数据的航空发动机运行状态分类方法 | |
Amrutha et al. | Aircraft engine fuel flow parameter prediction and health monitoring system | |
CN112200220A (zh) | 一种基于数据归纳的飞机机载设备健康监控方法 | |
Pan et al. | A model of fuel consumption estimation and abnormality detection based on airplane flight data analysis | |
CN111598161A (zh) | 一种基于cnn迁移学习的发动机气路状态诊断系统 | |
Wang et al. | A novel aircraft fault diagnosis and prognosis system based on Gaussian mixture models | |
CN116521406A (zh) | 一种基于残差门gru-vae模型的航空发动机未超限飞参数据异常检测方法 | |
CN110704215A (zh) | 一种机载冗余系统带多重故障运行的时间间隔计算方法 | |
Chen et al. | APU feature integration based on multi-variant flight data analysis | |
CN111721480A (zh) | 一种基于飞行数据的民机机组氧气系统渗漏预警方法 | |
CN112906855A (zh) | 动态阈值的变循环发动机多重故障诊断器 | |
Zhang et al. | Research on general aircraft cluster health assessment method | |
Zakharov et al. | Network redundant dcs configuration management | |
Kim et al. | Fault diagnosis in turbine engines using unsupervised neural networks technique | |
CN114877925B (zh) | 一种基于极限学习机的综合能源系统传感器故障诊断方法 | |
Zhai et al. | Prognostics and Health Management (PHM) System Based on a Large-Scale Civil Aircraft Engine System |
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 |