CN112348002A - 一种用于发动机测试的数据处理方法 - Google Patents

一种用于发动机测试的数据处理方法 Download PDF

Info

Publication number
CN112348002A
CN112348002A CN202110023174.XA CN202110023174A CN112348002A CN 112348002 A CN112348002 A CN 112348002A CN 202110023174 A CN202110023174 A CN 202110023174A CN 112348002 A CN112348002 A CN 112348002A
Authority
CN
China
Prior art keywords
data
test
engine
model
processing method
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
Application number
CN202110023174.XA
Other languages
English (en)
Other versions
CN112348002B (zh
Inventor
唐冰
吴凌华
刘以建
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.)
Chengdu Yunding Intelligence Control Technology Co ltd
Original Assignee
Chengdu Yunding Intelligence Control Technology Co ltd
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 Chengdu Yunding Intelligence Control Technology Co ltd filed Critical Chengdu Yunding Intelligence Control Technology Co ltd
Priority to CN202110023174.XA priority Critical patent/CN112348002B/zh
Publication of CN112348002A publication Critical patent/CN112348002A/zh
Application granted granted Critical
Publication of CN112348002B publication Critical patent/CN112348002B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Signal Processing (AREA)
  • Operations Research (AREA)
  • Testing Of Engines (AREA)

Abstract

本发明涉及发动机的测试，尤其涉及一种用于发动机测试的数据处理方法，包括以下步骤：对发动机测试中获取的数据进行预处理，得到待提取数据；对待提取数据进行识别并提取稳定测试段的试验数据样本；对提取的发动机稳定测试段的试验数据样本进行数据重构；设置置信区间，剔除置信区间外的数据，得到已剔除处理的数据；对所述已剔除处理的数据进行拟合得到数据模型；对所述数据模型进行采样，以得到数据模型样本均值；对所述数据模型样本均值和试验数据样本的方差进行随机正态抽样完成数据重构以得到重构后数据；对所述重构后数据进行滤波处理得到最终数据。通过采用上述方法，可获得更为可靠的测试数据。

Description

一种用于发动机测试的数据处理方法
技术领域
本发明涉及发动机的测试，尤其涉及一种用于发动机测试的数据处理方法。
背景技术
目前由于发动机试车测试设备限制，测力传感器采样频率不能满足奈奎斯特采样定理，测试数据属于欠采样数据，无法采用常规的频域滤波处理方法。同时由于样本数量偏小，直接取均值的数据处理方法可能具有较大的误差。
发明内容
本发明的目的是提供一种具有针对发动机试车测试中，能更为准确的采集数据，使得到的采集数据更可靠的数据处理方法。
本申请提供了一种用于发动机测试的数据处理方法，一种用于发动机测试的数据处理方法，包括以下步骤：
Step1、对发动机测试中获取的数据进行预处理，用于剔除野值并进行数据补正后得到待提取数据；
Step2、对待提取数据进行识别并提取稳定测试段的试验数据样本；
Step3、对提取的发动机稳定测试段的试验数据样本进行数据重构；
Step3.1所述数据重构包含设置置信区间，剔除置信区间外的数据，得到已剔除处理的数据；所述置信区间根据试验数据样本的均值和方差设置；
Step3.2对所述已剔除处理的数据进行拟合得到数据模型；
Step3.3对所述数据模型进行采样，以得到数据模型样本均值；
Step3.4对所述数据模型样本均值和试验数据样本的方差进行随机正态抽样完成数据重构以得到重构后数据；
Step4、对所述重构后数据进行滤波处理得到最终数据。
在进行测试时，涡喷发动机ECU时钟频率是1Hz（主要是反馈发动机转速指令），测时软件同时要接收发动机的回传数据和测力传感器的回传数据，为了数据的时间统一，测试软件采用了1Hz的采样频率，但是测力传感器采样频率不能满足奈奎斯特采样定理，测试数据属于欠采样数据，采用常规的频域滤波处理方法进行数据采集的话，采集的数据误差较大，由此，本申请人发明创造了一种用于发动机测试的数据处理方法，通过采用上述方法，可获得更为可靠的测试数据。
ECU是ElecmalControlUnit的缩写，即电子控制单元，也可以叫“行车电脑 ”。作为现代发动机电子的核心元件之一。
进一步地是，所述对待提取数据进行识别为根据发动机运行信息与对发动机发出指令信息的匹配程度进行判断。
进一步地是，所述匹配程度进行判断包含通过对发动机转速达到控制指令持续三个时间周期以上时，进行连续性判断，用于剔除超调数据。一个时间周期是指发动机转速信号采样周期（即采样频率的倒数），例如当前发动机采样频率f=1Hz，时间周期T=1/f=1秒。
进一步地是，在对发动机测试中获取的数据进行预处理中，所述剔除野值采用七点二阶多项式滑动拟合法将获取的数据中的偶然误差进行剔除。
进一步地是，所述七点二阶多项式为：
Figure 910259DEST_PATH_IMAGE001
其中，y 1 ,y 2 ,…，y n 为一组测试数据，
Figure 309623DEST_PATH_IMAGE002
为七阶二点公式对测试数据的估计值；y i 为任意一个测试数据；n为任意自然数；
野值判别按该式：
Figure 761464DEST_PATH_IMAGE003
其中，y k 为某一个测试数据，
Figure 625515DEST_PATH_IMAGE004
为某一个测试数据七阶二点公式的估计值；k为任意一个整数，其中，k≥7；
当测试数据与七阶二点公式的估计值之差的绝对值大于判别阈值（上式不等式的右端）时，认为该测试数据为野值，剔除该值。
进一步地是，在对发动机测试中获取的数据进行预处理中，所述进行数据补正采用线性插值法对剔除的野值进行补正。
进一步地是，对所述已剔除处理的数据拟合采用二阶傅里叶模型非线性最小二乘拟合。
进一步地是，所述采用二阶傅里叶模型非线性最小二乘拟合包含：
根据二阶傅里叶模型：
Figure 157997DEST_PATH_IMAGE005
进行非线性最小二乘拟合，主要步骤如下：
a)列出误差向量，误差向量包含模型系数的函数向量
Figure 449301DEST_PATH_IMAGE006
f(x n )表示第n个测试时间对应的傅里叶模型估计值；
b)给定初始值
Figure 185175DEST_PATH_IMAGE007
Figure 852917DEST_PATH_IMAGE008
为二阶傅里叶模型的第0个迭代步的系数；
c）按下列式子进行迭代计算：
Figure 475791DEST_PATH_IMAGE009
Figure 937996DEST_PATH_IMAGE010
直至所求模型系数收敛为止，其中雅可比矩阵计算公式如下：
Figure 161167DEST_PATH_IMAGE011
其中，r(a k )为第k个迭代步的误差向量，v k 为第k个迭代步的系数向量增量，r 1 ,r 2 ,… r n ,即为步骤a)中误差向量r(a)的元素，a 1 ,a 2 ,…,a m 为拟合模型（本实施例为二阶傅里叶模型）的系数。a k 为迭代计算的第k步值。
a为二阶傅里叶模型的系数向量，因为涉及迭代法求解非线性方程组，这里的上标0是指的第0个迭代步的值。
进一步地是，所述进行随机正态抽样包含假设试验数据的噪声满足正态随机分布的白噪声，所述数据模型样本均值、试验数据样本的方差按符合奈奎斯特采样定理的频率进行随机正态抽样完成数据重构。
白噪声(white noise)是指功率谱密度在整个频域内均匀分布的噪声。所有频率具有相同能量密度的随机噪声称为白噪声。
在进行模拟/数字信号的转换过程中，当采样频率fs.max大于信号中最高频率fmax的2倍时(fs.max>=2fmax)，采样之后的数字信号完整地保留了原始信号中的信息，一般实际应用中保证采样频率为信号最高频率的5～10倍;采样定理又称奈奎斯特定理。
下面结合附图和具体实施方式对本发明做进一步的说明。本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显。或通过本发明的实践了解到。
附图说明
构成本发明的一部分的附图用来辅助对本发明的理解，附图中所提供的内容及其在本发明中有关的说明可用于解释本发明，但不构成对本发明的不当限定。在附图中：
图1为用于说明实施方式中的一种用于发动机测试的数据处理方法的流程示意图；
图2为用于说明实施方式中的一种用于发动机测试的数据处理方法进行数据剔除的折线图；
图3为用于说明实施方式中的一种用于发动机测试的数据处理方法采用二阶傅里叶模型进行非线性最小二乘拟合图；
图4为本实施方式中完成数据重构的图。
具体实施方式
下面结合附图对本发明进行清楚、完整的说明。本领域普通技术人员在基于这些说明的情况下将能够实现本发明。在结合附图对本发明进行说明前，需要特别指出的是：
本发明中在包括下述说明在内的各部分中所提供的技术方案和技术特征，在不冲突的情况下，这些技术方案和技术特征可以相互组合。
此外，下述说明中涉及到的本发明的实施例通常仅是本发明一分部的实施例，而不是全部的实施例。因此，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
关于本发明中术语和单位。本发明的说明书和权利要求书及有关的部分中的术语“包括”以及它的任何变形，意图在于覆盖不排他的包含。
参照图1至图4，本用于发动机测试的数据处理方法包括S1、数据预处理；S2、有效数据提取；S3、数据重构；S4、滤波处理。
主要由以下步骤组成：
S1.1、时间统一；S1.2、野值剔除；S1.3、数据补正；S2.1、试验段数据提取；S2.2、超调段数据剔除；S3.1、参数估计；S3.2、数据剔除；S3.3、数据拟合；S3.4、模型采样；S3.5、随机正态抽样；S4、滤波处理。
数据预处理主要是包括时间统一处理，即将发动机信号与测试传感器信号的时间进行匹配；野值剔除，即将偶然误差剔除，采用七点二阶多项式滑动拟合法；数据补正，采用线性插值法对剔除的野值进行补正。七点二阶多项式滑动拟合公式如下：
Figure 616288DEST_PATH_IMAGE001
野值判别：
Figure 608515DEST_PATH_IMAGE003
有效数据提取是指识别并提取稳定测试段的试验数据，通过发动机转速指令是否达到控制指令进行判断。此外由于转速控制存在超调过程，发动机转速会短时间达到控制指令，但该状态不属于稳定测试段，可通过连续性判断（例如发动机转速达到控制指令持续3个时间周期以上）剔除超调数据。
数据重构主要包括以下几步：
1）参数估计
将提取得到的稳定段试验数据y=[y 1 ,y 2 ,…,y n ]，采用矩估计计算样本的均值和方差。计算公式如下：
样本均值：
Figure 507201DEST_PATH_IMAGE012
样本方差：
Figure 217668DEST_PATH_IMAGE013
2）数据剔除
根据估计得到的样本均值和方差，设定置信区间（实例采用1倍σ，即
Figure 178277DEST_PATH_IMAGE014
），剔除置信区间外的试验数据。目的是剔除偏差较大的小概率数据，如图2。
3）数据拟合
对剔除后剩余的数据，采用某种数学模型（实例采用的是二阶傅里叶模型）进行非线性最小二乘拟合，参照图3。图3中，y1是一组测试数据样本，t1是该组样本对应的测试时间。
采用低阶傅里叶模型拟合，目的是充分还原原始数据特性的同时降低数据的分散性，拟合得到连续函数用于下一步抽样。
二阶傅里叶模型：
Figure 477540DEST_PATH_IMAGE005
由于二阶傅里叶模型存在非线性参数a 6 ，因此采用高斯-牛顿迭代方法进行非线性最小二乘拟合，主要步骤如下：
a)列出误差向量，误差向量是包含模型系数的函数向量
Figure 484810DEST_PATH_IMAGE006
f(x n )表示第n个测试时间对应的傅里叶模型估计值；
b)给定初始值
Figure 948153DEST_PATH_IMAGE007
迭代计算：
Figure 246541DEST_PATH_IMAGE009
Figure 213360DEST_PATH_IMAGE010
直至所求模型系数收敛为止，其中雅可比矩阵计算公式如下：
Figure 453849DEST_PATH_IMAGE011
其中误差向量r(a)的每一个元素r 1 ,r 2 ,…,r n 分别是系数向量a的函数，例如:
Figure 873329DEST_PATH_IMAGE015
4）模型采样
设置一定的采样频率（实例采样的是与测试设备相同的采样频率1Hz），对上一步中的数学模型进行采样，目的是用于计算样本均值。
5）随机正态抽样
假设试验数据的噪声是满足正态随机分布的白噪声，试验均值采用步骤4）中得到的样本均值、方差采用步骤1）中的方差，按符合奈奎斯特采样定理的频率（实例采用100Hz）进行随机正态抽样完成数据重构，如图4。
滤波处理是指采用频域方法滤除噪声干扰得到稳态测试数据，通常可以采用低通滤波、卡尔曼滤波等方法。
定义变量与参数如下所示：
y n :某一个测试数据；
y i :任意一个测试数据；
y k :任意一个测试数据；
a m :二阶傅里叶模型中的待定系数；
a 0 :给定的初始值；
x:二阶傅里叶模型输出对应的输入，即测试数据y对应的时间；
A:雅可比矩阵；
A T :转置的雅可比矩阵；
v k :第k个迭代步的系数向量增量；
r(a k ):第k个迭代步的误差向量；
r(a):误差向量；
r n :误差向量r(a)的某个元素，其中每一个元素r 1 ,r 2 ..r n 分别是系数向量a的函数；
i或k:任意一整数，数据的编号；
a k :迭代计算的第k步系数向量；
Figure 473943DEST_PATH_IMAGE016
为本申请文件中的七阶二点公式对测试数据的估计值；
Figure 793804DEST_PATH_IMAGE017
为本申请文件中的七阶二点公式对任意一个测试数据的估计值；
Figure 205194DEST_PATH_IMAGE004
为本申请文件中的七阶二点公式对任意一个测试数据的估计值。
表1可以看出，经本方法处理后的数据大概率优于直接使用欠采样数据取均值处理的结果，尤其是在欠采样数据偏离真实数据较大的情况，效果更佳。
表1测试
试验序号 试验数据稳态值 采样数据样本均值 重构数据稳态值
1 10.151 10.195 10.147
2 10.093 11.969 9.475
3 9.921 11.106 10.838
4 10.126 10.409 9.149
5 10.056 9.340 10.272
6 9.842 10.761 9.399
7 9.909 12.273 10.210
8 9.885 10.044 9.768
9 9.726 7.086 8.915
10 10.011 10.203 9.763
以上对本发明的有关内容进行了说明。本领域普通技术人员在基于这些说明的情况下将能够实现本发明。基于本发明的上述内容，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

Claims (9)

1.一种用于发动机测试的数据处理方法，其特征在于，包括以下步骤：
Step1、对发动机测试中获取的数据进行预处理，用于剔除野值并进行数据补正后得到待提取数据；
Step2、对待提取数据进行识别并提取稳定测试段的试验数据样本；
Step3、对提取的发动机稳定测试段的试验数据样本进行数据重构；
Step3.1、所述数据重构包含设置置信区间，剔除置信区间外的数据，得到已剔除处理的数据；所述置信区间根据试验数据样本的均值和方差设置；
Step3.2、对所述已剔除处理的数据进行拟合得到数据模型；
Step3.3、对所述数据模型进行采样，以得到数据模型样本均值；
Step3.4、对所述数据模型样本均值和试验数据样本的方差进行随机正态抽样完成数据重构以得到重构后数据；
Step4、对所述重构后数据进行滤波处理得到最终数据。
2.如权利要求1所述的一种用于发动机测试的数据处理方法，其特征在于，所述对待提取数据进行识别为根据发动机运行信息与对发动机发出指令信息的匹配程度进行判断。
3.如权利要求2所述的一种用于发动机测试的数据处理方法，其特征在于，所述匹配程度进行判断包含，通过对发动机转速达到控制指令持续三个时间周期以上时，进行连续性判断，用于剔除超调数据；其中，一个时间周期为发动机转速信号采样周期。
4.如权利要求1所述的一种用于发动机测试的数据处理方法，其特征在于，在对发动机测试中获取的数据进行预处理中，所述剔除野值采用七点二阶多项式滑动拟合法将获取的数据中的偶然误差进行剔除。
5.如权利要求4所述的一种用于发动机测试的数据处理方法，其特征在于，所述七点二阶多项式为：
Figure 736046DEST_PATH_IMAGE001
其中，
Figure 664294DEST_PATH_IMAGE002
为一组测试数据，
Figure 201586DEST_PATH_IMAGE003
为七阶二点公式对测试数据的估计值；y i 为任意一个测试数据；
野值判别按该式：
Figure 792973DEST_PATH_IMAGE004
其中，y k 为某一个测试数据，
Figure 782926DEST_PATH_IMAGE005
为某一个测试数据七阶二点公式的估计值；k为任意一个整数，其中，k≥7；
当测试数据与七阶二点公式的估计值之差的绝对值大于判别阈值时，认为该测试数据为野值，剔除该值。
6.如权利要求1所述的一种用于发动机测试的数据处理方法，其特征在于，在对发动机测试中获取的数据进行预处理中，所述进行数据补正采用线性插值法对剔除的野值进行补正。
7.如权利要求1所述的一种用于发动机测试的数据处理方法，其特征在于，对所述已剔除处理的数据拟合采用二阶傅里叶模型非线性最小二乘拟合。
8.如权利要求7所述的一种用于发动机测试的数据处理方法，其特征在于，所述采用二阶傅里叶模型非线性最小二乘拟合包含：
根据二阶傅里叶模型：
Figure 94959DEST_PATH_IMAGE006
进行非线性最小二乘拟合，主要步骤如下：
a)列出误差向量，误差向量是包含模型系数的函数向量
Figure 971910DEST_PATH_IMAGE007
b)给定初始值
Figure 484931DEST_PATH_IMAGE008
Figure 477027DEST_PATH_IMAGE009
为二阶傅里叶模型的第0个迭代步的系数；
c）按下列式子进行迭代计算：
Figure 61592DEST_PATH_IMAGE010
Figure 307897DEST_PATH_IMAGE011
直至所求模型系数收敛为止，其中雅可比矩阵计算公式如下：
Figure 497480DEST_PATH_IMAGE012
其中，r（a k ）为第k个迭代步的误差向量，v k 为第k个迭代步的系数向量增量，
Figure 586659DEST_PATH_IMAGE013
即为步骤a)中误差向量r(a)的元素，
Figure 850281DEST_PATH_IMAGE014
为二阶傅里叶模型的系数；f(x n )表示第n个测试时间对应的傅里叶模型估计值。
9.如权利要求1所述的一种用于发动机测试的数据处理方法，其特征在于，所述进行随机正态抽样包含假设试验数据的噪声满足正态随机分布的白噪声，所述数据模型样本均值、试验数据样本的方差按符合奈奎斯特采样定理的频率进行随机正态抽样完成数据重构。
CN202110023174.XA 2021-01-08 2021-01-08 一种用于发动机测试的数据处理方法 Active CN112348002B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110023174.XA CN112348002B (zh) 2021-01-08 2021-01-08 一种用于发动机测试的数据处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110023174.XA CN112348002B (zh) 2021-01-08 2021-01-08 一种用于发动机测试的数据处理方法

Publications (2)

Publication Number Publication Date
CN112348002A true CN112348002A (zh) 2021-02-09
CN112348002B CN112348002B (zh) 2021-03-30

Family

ID=74427917

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110023174.XA Active CN112348002B (zh) 2021-01-08 2021-01-08 一种用于发动机测试的数据处理方法

Country Status (1)

Country Link
CN (1) CN112348002B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080175457A1 (en) * 2007-01-22 2008-07-24 Watson Charles C Spatially localized noise adaptive smoothing of emission tomography images
CN101872337A (zh) * 2009-04-24 2010-10-27 中芯国际集成电路制造(上海)有限公司 相似性检测方法及系统
CN102798364A (zh) * 2012-08-17 2012-11-28 河南工业职业技术学院 反求工程中异常测量数据点的剔除方法
CN104698836A (zh) * 2013-12-05 2015-06-10 天津工业大学 一种飞行数据的预处理方法
CN107765347A (zh) * 2017-06-29 2018-03-06 河海大学 一种高斯过程回归和粒子滤波的短期风速预测方法
CN110826020A (zh) * 2019-10-21 2020-02-21 西安航天动力研究所 一种液体火箭发动机热试车数据快速分析方法和系统
US20200184131A1 (en) * 2018-06-27 2020-06-11 Dalian University Of Technology A method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080175457A1 (en) * 2007-01-22 2008-07-24 Watson Charles C Spatially localized noise adaptive smoothing of emission tomography images
CN101872337A (zh) * 2009-04-24 2010-10-27 中芯国际集成电路制造(上海)有限公司 相似性检测方法及系统
CN102798364A (zh) * 2012-08-17 2012-11-28 河南工业职业技术学院 反求工程中异常测量数据点的剔除方法
CN104698836A (zh) * 2013-12-05 2015-06-10 天津工业大学 一种飞行数据的预处理方法
CN107765347A (zh) * 2017-06-29 2018-03-06 河海大学 一种高斯过程回归和粒子滤波的短期风速预测方法
US20200184131A1 (en) * 2018-06-27 2020-06-11 Dalian University Of Technology A method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction
CN110826020A (zh) * 2019-10-21 2020-02-21 西安航天动力研究所 一种液体火箭发动机热试车数据快速分析方法和系统

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
ZHENG HU等: "A Non-Uniformly Under-Sampled Blade Tip-Timing Signal Reconstruction Method for Blade Vibration Monitoring", 《SENSORS 》 *
冯斌: "液体火箭发动机试验数据处理方法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *
刘超等: "用于气动导数辨识的试飞数据处理方法研究", 《航空工程进展》 *
左思佳等: "航空发动机试飞数据野值识别与补正算法", 《机械研究与应用》 *
杜海平等: "发动机瞬时转速测试及消除干扰噪声", 《数据采集与处理》 *
杨敬磊等: "基于数据重构的观测系统评价方法", 《2017年物探科技研讨会》 *
胡新民: "发动机测试中数据的预处理", 《车用发动机》 *

Also Published As

Publication number Publication date
CN112348002B (zh) 2021-03-30

Similar Documents

Publication Publication Date Title
US6141196A (en) Method and apparatus for compensation of phasor estimations
US8010320B2 (en) Reducing gas turbine performance tracking estimation non-repeatability
Zhang A new residual generation and evaluation method for detection and isolation of faults in non‐linear systems
CN110967599A (zh) 一种电能质量扰动检测与定位算法
CN107729845B (zh) 一种基于子空间特征值分解的实测频响函数降噪方法
CN111079710A (zh) 一种基于改进ceemd滚动轴承信号的多层降噪方法
Clifton et al. Bayesian extreme value statistics for novelty detection in gas-turbine engines
González et al. Consistent identification of continuous-time systems under multisine input signal excitation
CN112348002B (zh) 一种用于发动机测试的数据处理方法
CN113960412A (zh) 一种配电网故障行波信号处理方法及装置
US20220412793A1 (en) Method, device and computer program for monitoring a rotating machine of an aircraft
CN106980722B (zh) 一种脉冲响应中谐波成分的检测和去除方法
EP3454034A1 (fr) Procédé et dispositif de mesure d'une marge de poussée d'une turbomachine
CN111079591B (zh) 基于改进多尺度主成分分析的不良数据修复方法及系统
CN112948755B (zh) 一种遥测正弦参数判读方法
CN115409245A (zh) 电力系统的预测辅助状态估计方法、装置、设备及介质
CN114792053A (zh) 一种基于初值-速率相关退化模型的可靠性评估方法
Zhang Fault detection and isolation based on adaptive observers for nonlinear dynamic systems
CN112213561A (zh) 主导负荷参数类噪声辨识的量测数据预处理方法和装置
CN114357638A (zh) 传感器状态检测方法、装置、电子设备及存储介质
CN116973663A (zh) 一种基于压缩感知的电能质量扰动数据检测方法和装置
CN111178232B (zh) 一种源信号的确定方法及系统
CN110207967B (zh) 一种基于小波包能量特征与互相关的状态识别方法与系统
Surender et al. Adaptive Myriad filter for improved gas turbine condition monitoring using transient data
Zhang et al. Aeroengine performance monitoring and fault diagnosis based on transient measurements

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