CN112528483A - 一种飞参数据诊断方法 - Google Patents
一种飞参数据诊断方法 Download PDFInfo
- Publication number
- CN112528483A CN112528483A CN202011406688.5A CN202011406688A CN112528483A CN 112528483 A CN112528483 A CN 112528483A CN 202011406688 A CN202011406688 A CN 202011406688A CN 112528483 A CN112528483 A CN 112528483A
- Authority
- CN
- China
- Prior art keywords
- airplane
- level
- parameter data
- diagnosis
- algorithm
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 238000004891 communication Methods 0.000 claims abstract description 6
- 238000002405 diagnostic procedure Methods 0.000 claims description 10
- 238000010845 search algorithm Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction 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
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004132 cross linking Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000036244 malformation Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请属于飞机综合保障及健康管理技术领域，具体涉及一种飞参数据诊断方法，包括：基于多信号交流的相关性建模方法，建立飞机区域级、飞机级的相关性模型；对相关性模型的测试点与飞参数据进行匹配；将飞参数据按时序进行划分，形成诊断序列；构建飞机区域级、飞机级的推理诊断算法；基于相关性模型、推理诊断算法，对诊断序列进行诊断，以判断飞机是否故障，对飞机故障情形覆盖全面，能够显著降低飞机故障漏报率，维护、升级时仅需修改模型中的相关部分，快捷、方便。
Description
技术领域
本申请属于飞机综合保障及健康管理技术领域，具体涉及一种飞参数据诊断方法。
背景技术
对飞参数据进行诊断，是判断飞机是否故障，对飞机综合保障及健康管理的前提。
当前对飞参数据畸形诊断，多是依靠预先制定的规则库或专家知识库对飞参数据自动判断，该种方法存在以下缺陷：
1)飞机设计中各专业人员的认知范围有限，制定的相关规则或专家知识库只源于各自专业范围内的经验积累，内容相对较少，对飞机故障情况覆盖不够全面；
2)未充分考虑飞机系统间的交联故障，存在飞机故障漏报的情形；
3)制定的规则库、专家知识库是离散的，在飞机状态发生变化需更改规则时，需先判断哪些条目需要更改，其后再对需要更改的条目逐条更改，维护、升级困难。
鉴于上述技术缺陷的存在提出本申请。
需注意的是，以上背景技术内容的公开仅用于辅助理解本发明的发明构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本申请的申请日已经公开的情况下，上述背景技术不应当用于评价本申请的新颖性和创造性。
发明内容
本申请的目的是提供一种飞参数据诊断方法，以克服或减轻已知存在的至少一方面的技术缺陷。
本申请的技术方案是：
一种飞参数据诊断方法，包括：
基于多信号交流的相关性建模方法，建立飞机区域级、飞机级的相关性模型；
对相关性模型的测试点与飞参数据进行匹配；
将飞参数据按时序进行划分，形成诊断序列；
构建飞机区域级、飞机级的推理诊断算法；
基于相关性模型、推理诊断算法，对诊断序列进行诊断。
根据本申请的至少一个实施例，上述的飞参数据诊断方法中，所述对相关性模型的测试点与飞参数据进行匹配过程中，若飞参数据无法直接作为测试点，则对飞参数据进行离散化，形成测试成功或失败的逻辑表达式，将飞参数据转化为测试点。
根据本申请的至少一个实施例，上述的飞参数据诊断方法中，所述构建飞机区域级、飞机级的推理诊断算法，具体为：
根据本申请的至少一个实施例，上述的飞参数据诊断方法中，所述构建飞机区域级、飞机级的推理诊断算法，具体为：
基于对半分割算法，构建飞机区域级、飞机级的推理诊断算法。
根据本申请的至少一个实施例，上述的飞参数据诊断方法中，所述构建飞机区域级、飞机级的推理诊断算法，具体为：
基于动态规划算法，构建飞机区域级、飞机级的推理诊断算法。
根据本申请的至少一个实施例，上述的飞参数据诊断方法中，所述构建飞机区域级、飞机级的推理诊断算法，具体为：
基于穷举算法，构建飞机区域级、飞机级的推理诊断算法。
根据本申请的至少一个实施例，上述的飞参数据诊断方法中，所述构建飞机区域级、飞机级的推理诊断算法，具体为：
基于直接搜索算法，构建飞机区域级、飞机级的推理诊断算法。
根据本申请的至少一个实施例，上述的飞参数据诊断方法中，所述构建飞机区域级、飞机级的推理诊断算法，具体为：
基于AO*算法，构建飞机区域级、飞机级的推理诊断算法。
本申请至少存在以下有益技术效果：
提供一种飞参数据诊断方法，其基于相关性模型、推理诊断算法，对诊断序列进行诊断，以判断飞机是否故障，对飞机故障情形覆盖全面，能够显著降低飞机故障漏报率，维护、升级时仅需修改模型中的相关部分，快捷、方便。
附图说明
图1是本申请实施例提供的飞参数据诊断方法的流程图；
图2是本申请实施例提供的基于多信号交流的相关性建模方法，建立飞机区域级、飞机级的相关性模型的简要过程；
图3是本申请实施例提供的对相关性模型的测试点与飞参数据进行匹配的简要过程；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；此外，附图用于示例性说明，其中描述位置关系的用语仅限于示例性说明，不能理解为对本专利的限制。
具体实施方式
为使本申请的技术方案及其优点更加清楚，下面将结合附图对本申请的技术方案作进一步清楚、完整的详细描述，可以理解的是，此处所描述的具体实施例仅是本申请的部分实施例，其仅用于解释本申请，而非对本申请的限定。需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分，其他相关部分可参考通常设计，在不冲突的情况下，本申请中的实施例及实施例中的技术特征可以相互组合以得到新的实施例。
此外，除非另有定义，本申请描述中所使用的技术术语或者科学术语应当为本申请所属领域内一般技术人员所理解的通常含义。本申请描述中所使用的“上”、“下”、“左”、“右”、“中心”、“竖直”、“水平”、“内”、“外”等表示方位的词语仅用以表示相对的方向或者位置关系，而非暗示装置或元件必须具有特定的方位、以特定的方位构造和操作，当被描述对象的绝对位置发生改变后，其相对位置关系也可能发生相应的改变，因此不能理解为对本申请的限制。本申请描述中所使用的“第一”、“第二”、“第三”以及类似用语，仅用于描述目的，用以区分不同的组成部分，而不能够将其理解为指示或暗示相对重要性。本申请描述中所使用的“一个”、“一”或者“该”等类似词语，不应理解为对数量的绝对限制，而应理解为存在至少一个。本申请描述中所使用的“包括”或者“包含”等类似词语意指出现在该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。
此外，还需要说明的是，除非另有明确的规定和限定，在本申请的描述中使用的“安装”、“相连”、“连接”等类似词语应做广义理解，例如，连接可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，领域内技术人员可根据具体情况理解其在本申请中的具体含义。
下面结合附图1-3对本申请做进一步详细说明。
一种飞参数据诊断方法，包括：
基于多信号交流的相关性建模方法，建立飞机区域级、飞机级的相关性模型；
对相关性模型的测试点与飞参数据进行匹配；
将飞参数据按时序进行划分，形成诊断序列；
构建飞机区域级、飞机级的推理诊断算法；
基于相关性模型、推理诊断算法，对诊断序列进行诊断。
对于上述实施例公开的飞参数据诊断方法，领域内技术人员可以理解的是，其基于相关性模型、推理诊断算法，对诊断序列进行诊断，以判断飞机是否故障，对飞机故障情形覆盖全面，能够显著降低飞机故障漏报率，维护、升级时仅需修改模型中的相关部分，快捷、方便。
在一些可选的实施例中，上述的飞参数据诊断方法中，所述对相关性模型的测试点与飞参数据进行匹配过程中，若飞参数据无法直接作为测试点，则对飞参数据进行离散化，形成测试成功或失败的逻辑表达式，将飞参数据转化为测试点。
对于上述实施例公开的飞参数据诊断方法，领域内技术人员可以理解的是，基于多信号交流的相关性建模方法，建立飞机区域级、飞机级的相关性模型可具体包括建立飞机结构层次、设置端口、添加故障模式、添加测试、分配信号、建立相关性关系等步骤，具体可参见图2。
对于上述实施例公开的飞参数据诊断方法，领域内技术人员可以理解的是，对相关性模型的测试点与飞参数据进行匹配，由于模型仅接受“故障”或“无故障”的测试结果，对于多数机电、飞控、推进系统的传感器监测类飞参记录数据，输出的状态信息无法直接作为模型的测试点，因此通过机上数据梳理，对各区域测试性模型的测试点与机上真实信号进行了匹配，对无法直接作为测试结果的信息进行了参数离散化，梳理了机上信号和测试之间的逻辑关系，确定各信号的阈值、比较关系，形成了测试成功和失败的逻辑表达式，将信号参数转换为模型中测试的结果，具体可参见图3。
在一些可选的实施例中，上述的飞参数据诊断方法中，所述构建飞机区域级、飞机级的推理诊断算法，具体为：
根据本申请的至少一个实施例，上述的飞参数据诊断方法中，所述构建飞机区域级、飞机级的推理诊断算法，具体为：
基于对半分割算法，构建飞机区域级、飞机级的推理诊断算法。
根据本申请的至少一个实施例，上述的飞参数据诊断方法中，所述构建飞机区域级、飞机级的推理诊断算法，具体为：
基于动态规划算法，构建飞机区域级、飞机级的推理诊断算法。
根据本申请的至少一个实施例，上述的飞参数据诊断方法中，所述构建飞机区域级、飞机级的推理诊断算法，具体为：
基于穷举算法，构建飞机区域级、飞机级的推理诊断算法。
根据本申请的至少一个实施例，上述的飞参数据诊断方法中，所述构建飞机区域级、飞机级的推理诊断算法，具体为：
基于直接搜索算法，构建飞机区域级、飞机级的推理诊断算法。
根据本申请的至少一个实施例，上述的飞参数据诊断方法中，所述构建飞机区域级、飞机级的推理诊断算法，具体为：
基于AO*算法，构建飞机区域级、飞机级的推理诊断算法。
对于上述实施例公开的飞参数据诊断方法，领域内技术人员可以理解的是，穷举法、直接搜索法(顺序测试法)、对半分割、动态规划算法、AO*算法为常用的故障推理方法有，考虑到系统复杂性及推理效率，可优先采用有限步搜索AO*算法进行故障诊断推理。
AO*算法是一种全局最优的启发式宽度搜索算法，该算法以启发式评估函数为核心，采用与或图搜索策略来构造诊断树，法采取全局择优搜索的策略，总是选择费用估计最小的支路向下扩展，根据启发式评估函数选出下一步最优测试，然后对已有状态集的费用估计进行修正，若发现以前所选的测试并非最优，则将这些测试剔除掉，并重新选择，确保每步所选的测试均为全局最优，进而确保整个诊断树为最优，可用于验证其它搜索算法。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
至此，已经结合附图所示的优选实施方式描述了本申请的技术方案，领域内技术人员应该理解的是，本申请的保护范围显然不局限于这些具体实施方式，在不偏离本申请的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本申请的保护范围之内。
Claims (7)
1.一种飞参数据诊断方法，其特征在于，包括：
基于多信号交流的相关性建模方法，建立飞机区域级、飞机级的相关性模型；
对相关性模型的测试点与飞参数据进行匹配；
将飞参数据按时序进行划分，形成诊断序列；
构建飞机区域级、飞机级的推理诊断算法；
基于相关性模型、推理诊断算法，对诊断序列进行诊断。
2.根据权利要求1所述的飞参数据诊断方法，其特征在于，
所述对相关性模型的测试点与飞参数据进行匹配过程中，若飞参数据无法直接作为测试点，则对飞参数据进行离散化，形成测试成功或失败的逻辑表达式，将飞参数据转化为测试点。
3.根据权利要求1所述的飞参数诊断方法，其特征在于，
所述构建飞机区域级、飞机级的推理诊断算法，具体为：
基于对半分割算法，构建飞机区域级、飞机级的推理诊断算法。
4.根据权利要求1所述的飞参数诊断方法，其特征在于，
所述构建飞机区域级、飞机级的推理诊断算法，具体为：
基于对动态规划算法，构建飞机区域级、飞机级的推理诊断算法。
5.根据权利要求1所述的飞参数诊断方法，其特征在于，
所述构建飞机区域级、飞机级的推理诊断算法，具体为：
基于穷举算法，构建飞机区域级、飞机级的推理诊断算法。
6.根据权利要求1所述的飞参数诊断方法，其特征在于，
所述构建飞机区域级、飞机级的推理诊断算法，具体为：
基于直接搜索算法，构建飞机区域级、飞机级的推理诊断算法。
7.根据权利要求1所述的飞参数诊断方法，其特征在于，
所述构建飞机区域级、飞机级的推理诊断算法，具体为：
基于AO*算法，构建飞机区域级、飞机级的推理诊断算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011406688.5A CN112528483A (zh) | 2020-12-04 | 2020-12-04 | 一种飞参数据诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011406688.5A CN112528483A (zh) | 2020-12-04 | 2020-12-04 | 一种飞参数据诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112528483A true CN112528483A (zh) | 2021-03-19 |
Family
ID=74997184
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011406688.5A Pending CN112528483A (zh) | 2020-12-04 | 2020-12-04 | 一种飞参数据诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112528483A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114348291A (zh) * | 2021-12-17 | 2022-04-15 | 国营芜湖机械厂 | 一种基于飞参数据和仿真的飞行故障诊断方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2494569A (en) * | 2012-04-16 | 2013-03-13 | Flight Data Services Ltd | Flight data validation apparatus and method |
| CN105808805A (zh) * | 2014-12-31 | 2016-07-27 | 北京航天测控技术有限公司 | 一种基于混合诊断模型的测试性建模方法 |
| CN106886620A (zh) * | 2015-12-16 | 2017-06-23 | 北京空间技术研制试验中心 | 航天器测试资源优化配置方法 |
| CN108255649A (zh) * | 2017-11-30 | 2018-07-06 | 中国航空综合技术研究所 | 一种基于建模仿真协同分析的诊断策略设计方法 |
| CN108304661A (zh) * | 2018-02-05 | 2018-07-20 | 南京航空航天大学 | 基于tdp模型的诊断预测方法 |
| US20190026963A1 (en) * | 2016-01-06 | 2019-01-24 | Ge Aviation Systems Limited | Fusion of aviation-related data for comprehensive aircraft system health monitoring |
| US20200239162A1 (en) * | 2017-10-06 | 2020-07-30 | Mitsubishi Heavy Industries, Ltd. | Aircraft health diagnostic device and aircraft health diagnostic method |
| US20200269995A1 (en) * | 2016-01-06 | 2020-08-27 | GE Aviation Systems Taleris Limited | Automated fusion and analysis of multiple sources of aircraft data |
| CN111605724A (zh) * | 2020-05-22 | 2020-09-01 | 成都飞机工业（集团）有限责任公司 | 一种大气数据系统仿真试验方法 |
-
2020
- 2020-12-04 CN CN202011406688.5A patent/CN112528483A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2494569A (en) * | 2012-04-16 | 2013-03-13 | Flight Data Services Ltd | Flight data validation apparatus and method |
| CN105808805A (zh) * | 2014-12-31 | 2016-07-27 | 北京航天测控技术有限公司 | 一种基于混合诊断模型的测试性建模方法 |
| CN106886620A (zh) * | 2015-12-16 | 2017-06-23 | 北京空间技术研制试验中心 | 航天器测试资源优化配置方法 |
| US20190026963A1 (en) * | 2016-01-06 | 2019-01-24 | Ge Aviation Systems Limited | Fusion of aviation-related data for comprehensive aircraft system health monitoring |
| US20200269995A1 (en) * | 2016-01-06 | 2020-08-27 | GE Aviation Systems Taleris Limited | Automated fusion and analysis of multiple sources of aircraft data |
| US20200239162A1 (en) * | 2017-10-06 | 2020-07-30 | Mitsubishi Heavy Industries, Ltd. | Aircraft health diagnostic device and aircraft health diagnostic method |
| CN108255649A (zh) * | 2017-11-30 | 2018-07-06 | 中国航空综合技术研究所 | 一种基于建模仿真协同分析的诊断策略设计方法 |
| CN108304661A (zh) * | 2018-02-05 | 2018-07-20 | 南京航空航天大学 | 基于tdp模型的诊断预测方法 |
| CN111605724A (zh) * | 2020-05-22 | 2020-09-01 | 成都飞机工业（集团）有限责任公司 | 一种大气数据系统仿真试验方法 |
Non-Patent Citations (14)
| Title |
|---|
| 中国航空综合技术研究所主编: "《航空标准化与通用技术》", vol. 2013, 31 December 2013, 航空工业出版社, pages: 334 - 335 * |
| 刘东升, 高健, 王树逵: "基于可靠性试验的飞机振动环境测试与数据处理", 兰州理工大学学报, no. 05 * |
| 刘陶;李晓白;郎荣玲;路辉;: "飞行参数的分段线性表示及其应用", 微计算机信息, no. 13 * |
| 孙毅刚;席佳睿;赵珍;: "飞机航电系统故障测试点优化选择研究", 计算机仿真, no. 09 * |
| 屈建兵;: "基于CPCI总线的直升机飞参外场便携式测试系统研究", 直升机技术, no. 04 * |
| 张玉叶;王颖颖;王春歆;彭海军;: "分析参数相关和时序特征的飞行动作识别方法", 计算机工程与应用, no. 05 * |
| 徐章遂等: "《故障信息诊断原理及应用》", vol. 2000, 31 July 2000, 国防工业出版社, pages: 6 * |
| 戴敏;祝加雄;贺元骅;: "基于SOM算法和免疫神经网络的飞机燃油系统故障诊断", 计算机测量与控制, no. 11 * |
| 梁建海, 孙秀霞, 杜军: "基于数据挖掘的飞行参数处理方法研究", 弹箭与制导学报, no. 01 * |
| 王子玲;许爱强;林雪原;李树民;: "一种冗余系统诊断策略优化设计算法", 海军航空工程学院学报, no. 05 * |
| 王宏力等: "《惯性测量组合智能故障诊断及预测技术》", vol. 2017, 31 May 2017, 国防工业出版社, pages: 7 * |
| 葛宇飞;: "时序大数据在飞参测试中的应用分析", 中国新通信, no. 22 * |
| 项国辉;刘鹏;张磊;: "飞参在飞机故障诊断中的应用", 教练机, no. 04 * |
| 龚勇;景小宁;陈云翔;吕振中;张林;: "基于多信号流图的飞控系统实时故障诊断", 电光与控制, no. 06, pages 1 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114348291A (zh) * | 2021-12-17 | 2022-04-15 | 国营芜湖机械厂 | 一种基于飞参数据和仿真的飞行故障诊断方法 |
| CN114348291B (zh) * | 2021-12-17 | 2023-10-24 | 国营芜湖机械厂 | 一种基于飞参数据和仿真的飞行故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6480810B1 (en) | Process for the monitoring and diagnostics of data from a remote asset | |
| CN108563214A (zh) | 车辆诊断方法、装置及设备 | |
| CN114585983B (zh) | 用于检测设备的异常运行状态的方法、装置和系统 | |
| CN108833170B (zh) | 一种网络级自适应can总线故障诊断方法 | |
| EP1960853B1 (en) | Evaluating anomaly for one-class classifiers in machine condition monitoring | |
| CN110191018A (zh) | 车辆can总线的异常监测方法、装置和计算机设备 | |
| RU2755354C1 (ru) | Диагностическая система и способ обработки данных транспортного средства | |
| CN108027611B (zh) | 利用受专家意见监督的决策模式学习的用于机器维护的决策辅助系统和方法 | |
| JP2004118839A (ja) | 技術設備内で故障した機能ユニットの特定を支援する方法 | |
| US11776330B2 (en) | Closed-loop diagnostic model maturation for complex systems | |
| JP2005048770A (ja) | 故障を診断し分離するためのモデルベースのインテリジェントエージェントを利用する方法 | |
| US11760507B2 (en) | Onboard diagnosis and correlation of failure data to maintenance actions | |
| CN110515781B (zh) | 一种复杂系统状态监测及故障诊断方法 | |
| US20220101666A1 (en) | Method and Apparatus for Determining a Residual Service Life based on a Predictive Diagnosis of Components of an Electric Drive System Using Artificial Intelligence Techniques | |
| CN108255158A (zh) | 车辆诊断方法和装置 | |
| CN112528483A (zh) | 一种飞参数据诊断方法 | |
| JP2021066232A (ja) | ホームドア診断装置、ホームドアシステム、ホームドア診断方法、及びホームドア診断プログラム | |
| JP2019511061A (ja) | 保守に重点を置いた航空機のデータ記録フレーム構成を決定するためのシステムおよび方法 | |
| MXPA03009292A (es) | Diagnostico que utiliza informacion especifica para un subsistema. | |
| CN107966648A (zh) | 一种基于相关性矩阵的嵌入式故障诊断方法 | |
| US11794758B2 (en) | Selective health information reporting systems including integrated diagnostic models providing least and most possible cause information | |
| KR102545672B1 (ko) | 기계고장 진단 방법 및 장치 | |
| EP4095533A2 (en) | Early detection of cable failure in automotive networks | |
| US20220385544A1 (en) | Early detection of cable failure in automotive networks | |
| CN115931359A (zh) | 一种涡轮泵轴承故障诊断方法及装置 |
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 |