CN112731903A - 一种全电传飞控故障的诊断系统及方法 - Google Patents
一种全电传飞控故障的诊断系统及方法 Download PDFInfo
- Publication number
- CN112731903A CN112731903A CN202011363324.3A CN202011363324A CN112731903A CN 112731903 A CN112731903 A CN 112731903A CN 202011363324 A CN202011363324 A CN 202011363324A CN 112731903 A CN112731903 A CN 112731903A
- Authority
- CN
- China
- Prior art keywords
- fault
- database
- probability
- flight control
- module
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0229—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions knowledge based, e.g. expert systems; genetic algorithms
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种全电传飞控故障的诊断系统及方法,包括故障查询模块、专家知识库模块、故障数据库模块和故障记录模块;本发明能够根据飞控计算机记录的故障代码,自动判定出飞控故障所有可能的故障原因,给出每一条故障原因所对应的故障概率、故障处置措施及相关电路图;所述故障原因所对应的故障概率包括专家推算故障概率、基于故障数据库的机器学习推算概率和数据库近几次统计故障概率。通过本方法,能有效解决现有飞控故障诊断定位耗时长、精准度不高、对地勤人员技术水平要求高的问题。
Description
技术领域
本发明属于飞机故障诊断技术领域,具体涉及一种全电传飞控故障的诊断系统及方法。
背景技术
飞控计算机是全电传飞控系统的控制核心,飞控计算机接收飞行员操纵指令和飞控传感器送来的电信号经过综合运算后输出控制指令到飞控作动器驱动飞机各舵面偏转来控制飞机安全飞行。
全电传飞控系统的飞控计算机具备机内自检测功能,当飞控系统发生故障时,飞控计算机可以检测出故障并将故障记录下来用于飞机地勤维护人员进行飞控故障诊断。目前,飞机出现飞控故障,地勤维护人员使用飞控地面维护设备读取飞控计算机记录的故障代码后,由相关技术专家现场分析故障代码并查阅相关图纸资料后判定可能的故障原因并制定排故方案,这种故障诊断方法不仅需耗费大量时间,而且现场制定的排故方案不能保证为最优方案,从而造成人力、物力资源的浪费。
发明内容
为解决上述技术问题,本发明提出了一种全电传飞控故障的诊断系统及方法,能够自动判定出飞控故障所有可能的故障原因,给出每一条故障原因所对应的故障概率及相关电路图,解决了现有飞控故障诊断定位耗时长、精准度不高、对地勤人员技术水平要求高的问题。
本发明是通过采用下述技术方案实现的:
一种全电传飞控故障的诊断系统,其特征在于:包括故障查询模块、专家知识库模块、故障数据库模块和故障记录模块;所述故障查询模块用于提供故障代码输入接口,所述故障代码对应每一个故障原因,所述故障原因对应专家推算的故障概率、基于故障数据库的机器学习推算概率、数据库近几次统计故障概率、相关电路图以及故障处置措施显示接口;所述专家知识库模块用于存储技术专家知识,所述专家知识为提供所有故障代码的故障原因、每一种故障原因的专家推算故障概率和故障处理方法;所述故障数据库模块用于存储发生飞控故障的飞机编号、故障发生时间、飞控计算机记录的故障代码和实际故障原因,所述故障数据库模块向故障查询模块提供每一种故障原因的故障统计数据;所述故障记录模块用于将发生飞控故障的飞机编号、故障发生时间、飞控计算机记录的故障代码和实际故障原因写入故障数据库。
一种全电传飞控故障的诊断方法,包括以下步骤:
a.飞机的飞控系统发生故障后,在故障查询模块输入具体的故障代码以及飞机编号信息;
b.系统判断故障代码是否存在,如故障代码不存在,则结束,如故障代码存在,则故障查询模块向专家知识库模块和故障数据库模块发送检索信息;
c.专家知识库模块和故障数据库模块收到故障查询模块发送的检索信息后,专家知识库模块将故障代码所对应的所有故障原因、每一种故障原因对应的专家推算概率、每一种故障原因的处置措施和相关电路图反馈给故障查询模块;故障数据库模块将故障代码所对应的每一种故障原因的故障统计数据和近几次统计故障概率反馈给故障查询模块;
d.故障查询模块在收到专家知识库模块和故障数据库模块反馈的信息后,判断故障数据库记录的故障数据量是否满足故障诊断系统机器学习推算要求,若故障数据量不满足故障诊断系统机器学习要求,便将故障代码对应的所有故障原因以及每一种故障原因所对应的专家推算故障概率、数据库统计近几次故障概率、相关电路图以及故障处置措施进行显示,辅助飞机地勤维护人员进行飞控故障排除工作;若故障数据量满足故障诊断系统机器学习要求,则通过对故障数据库的故障数据进行机器学习分析计算出基于故障数据库的机器学习推算概率,再将故障代码对应的所有故障原因以及每一种故障原因所对应的专家推算故障概率、基于故障数据库的机器学习推算概率、数据库统计近几次故障概率、相关电路图以及故障处置措施进行显示,辅助飞机地勤维护人员进行飞控故障排除工作。
所述步骤d中通过对故障数据库的故障数据进行机器学习分析计算出基于故障数据库的机器学习推算概率,具体计算方法包括:
d1.分别计算发生故障的其中一种故障原因出现的概率a1和a2:根据故障数据库的故障数量N将故障数据分成两组,按发生的时间排列,将距离故障发生时最近的B个故障数据为一组,其它的(N-B)个故障数据为另外一组;分别利用线性回归模型,求解该B个故障数据对应的其中一个故障原因的故障概率a1和(N-B)个故障数据对应的该故障原因的故障概率a2,所述线性回归模型为:
d2.根据d1中求解的a1和a2,计算对应的故障原因出现的概率a:
a=a1*P+a2*(1-P);
其中,P为故障概率a1的权重,50%<P<100%;
d3.进入步骤d1,计算该故障的另外一种故障原因,直至所有故障原因都计算完成,再结束。
还包括步骤f,飞控故障故障排除后,故障记录模块根据飞机地勤维护人员的反馈,确认本次飞控故障的实际故障原因,并将飞机编号、故障时间、飞控计算机记录的故障代码及实际故障原因写入故障数据库模块内。
与现有技术相比,本发明的有益效果表现在:
1、全电传飞控故障诊断系统根据输入的飞控故障代码自动给出故障原因、每一种故障原因的专家推算故障概率、基于故障数据库的机器学习推算概率和数据库近几次故障统计概率、故障处置措施和相关电路图,大大缩减了飞机发生飞控故障后制定排故方案的时间,提高了飞控故障定位的效率和准确率,解决了现有飞控故障诊断定位耗时长、精准度不高、对地勤人员技术水平要求高的问题。
本发明中还对每种故障原因的出现概率都进行了推算和统计,包括专家推算故障概率、基于故障数据库的机器学习推算概率和数据库近几次故障统计概率,使得故障原因出现概率的统计更加全面和准确,便于地勤人员甄别。
2、本发明中基于故障数据库进行了机器学习推算概率,在计算时,对数据库中的数据进行分组,按发生的时间排列,将距离故障发生时最近的B个故障数据为一组,其它的(N-B)个故障数据为另外一组。计算方法更加准确,通过设置不同的权重系数,综合了两组数据,使得计算出的概率更加准确。
3、本发明中,在进行故障原因推断时,按发生的时间进行排列,统计了数据库近几次统计故障概率,而不是对整体数据库中的所有数据进行统计,样本数量更少且更准确,提高了统计效率,统计的故障概率也更准确,便于地勤人员更快找到故障原因。
附图说明
下面将结合说明书附图和具体实施方式对本发明作进一步的详细说明,其中:
图1为本发明的流程示意图。
具体实施方式
实施例1
作为本发明基本实施方式,本发明包括一种全电传飞控故障的诊断系统,包括故障查询模块、专家知识库模块、故障数据库模块和故障记录模块。
所述故障查询模块用于提供故障代码输入接口,所述故障代码对应每一个故障原因,所述故障原因对应专家推算的故障概率、基于故障数据库的机器学习推算概率、数据库近几次统计故障概率、相关电路图以及故障处置措施显示接口。
所述专家知识库模块用于存储技术专家知识,所述专家知识为提供所有故障代码的故障原因、每一种故障原因的专家推算故障概率和故障处理方法。
所述故障数据库模块用于存储发生飞控故障的飞机编号、故障发生时间、飞控计算机记录的故障代码和实际故障原因,所述故障数据库模块向故障查询模块提供每一种故障原因的故障统计数据和近几次统计故障概率。
所述故障记录模块用于将发生飞控故障的飞机编号、故障发生时间、飞控计算机记录的故障代码和实际故障原因写入故障数据库。
参照说明书附图1,一种全电传飞控故障的诊断方法,包括以下步骤:
a、飞机的飞控系统发生故障后,在故障查询模块输入具体的故障代码以及飞机编号信息,所述故障代码可以为XX9;
b、系统首先判断故障代码XX9是否存在,如故障代码不存在,则结束;如故障代码存在,则故障查询模块向专家知识库模块和故障数据库模块发送检索信息。
c、专家知识库模块在收到故障查询模块发送的检索信息后,将故障代码XX9所对应的所有故障原因(线路故障、XX计算机故障和XX作动器故障)、每一种故障原因对应的专家推算概率(线路故障-40%、XX计算机故障-40%、XX作动器故障-20%)、每一种故障原因的处置措施(线路故障-修复线路、XX计算机故障-更换XX计算机、XX作动器故障-更换XX作动器)和相关电路图(1XXA/112——147XPS/XSP/58——3XXB/2、1XXA/113——147XPS/XSP59——3XXB/1、1XXA/114——147XPS/XSP/60——3XXB/3)反馈给故障查询模块。
故障数据库模块在收到故障查询模块发送的检索信息后,将故障代码所对应的每一种故障原因的故障统计数据和近几次统计故障概率(线路故障-30%、XX计算机故障-60%、XX作动器故障-10%)反馈给故障查询模块。
d、故障查询模块在收到专家知识库模块和故障数据库模块反馈的信息后,首先判断故障数据库记录的故障数据量是否满足故障诊断系统机器学习推算要求,若故障数据量不满足故障诊断系统机器学习要求,便将故障代码对应的所有故障原因(线路故障、XX计算机故障、XX作动器故障)以及每一种故障原因所对应的专家推算故障概率(线路故障-40%、XX计算机故障-40%、XX作动器故障-20%)、数据库近几次统计故障概率(线路故障-30%、XX计算机故障-60%、XX作动器故障-10%)、相关电路图(1XXA/112——147XPS/XSP/58——3XXB/2、1XXA/113——147XPS/XSP59——3XXB/1、1XXA/114——147XPS/XSP/60——3XXB/3)以及故障处置措施(线路故障-修复线路、XX计算机故障-更换XX计算机、XX作动器故障-更换XX作动器)进行显示,辅助飞机地勤维护人员进行飞控故障排除工作。
若故障数据量满足故障诊断系统机器学习要求,即故障数据量N大于等于A,该A为根据实际情况预设的一个数值,则通过对故障数据库的故障数据进行机器学习分析计算出基于故障数据库的机器学习推算概率,具体计算方法如下:
来表示故障发生次数和故障原因1发生次数之间的对应关系。公式中a即为一个具体故障发生时,故障原因1出现的概率。利用线性回归模型最小二乘法原理可得:
根据故障数据库的故障数量将故障数据分成两组,按发生的时间排列,最近发生的B个故障数据为一组,其它的(N-B)个故障数据为另外一组。分别利用线性回归模型:
进行机器学习分别得出最近发生的B个故障数据对应的故障原因1故障概率a1和其它的(N-B)个故障数据对应的故障原因1故障概率a2。在对故障概率a1和a2进行综合得到故障原因1最终的机器学习推算故障概率:a1=a1*P+a2*(1-P),其中P为故障概率a1的权重,50%<P<100%。
根据同样的原理再依次得出故障原因2或3的机器学习推算故障概率a2或a3等。
故障查询模块计算出所有故障原因对应的机器学习推算故障概率后,在将故障代码对应的所有故障原因(线路故障、XX计算机故障、XX作动器故障)以及每一种故障原因所对应的专家推算故障概率(线路故障-40%、XX计算机故障-40%、XX作动器故障-20%)、基于故障数据库的机器学习推算概率、数据库近几次统计故障概率(线路故障-30%、XX计算机故障-60%、XX作动器故障-10%)、相关电路图(1XXA/112——147XPS/XSP/58——3XXB/2、1XXA/113——147XPS/XSP59——3XXB/1、1XXA/114——147XPS/XSP/60——3XXB/3)以及故障处置措施(线路故障-修复线路、XX计算机故障-更换XX计算机、XX作动器故障-更换XX作动器)进行显示,辅助飞机地勤维护人员进行飞控故障排除工作。
f、飞控故障故障排除后,故障记录模块根据飞机地勤维护人员的反馈,确认本次飞控故障的实际故障原因,并将飞机编号、故障时间、飞控计算机记录的故障代码及实际故障原因写入故障数据库模块内,用于进行故障统计分析。
综上所述,本领域的普通技术人员阅读本发明文件后,根据本发明的技术方案和技术构思无需创造性脑力劳动而作出的其他各种相应的变换方案,均属于本发明所保护的范围。
Claims (4)
1.一种全电传飞控故障的诊断系统,其特征在于:包括故障查询模块、专家知识库模块、故障数据库模块和故障记录模块;所述故障查询模块用于提供故障代码输入接口,所述故障代码对应每一个故障原因,所述故障原因对应专家推算的故障概率、基于故障数据库的机器学习推算概率、数据库近几次统计故障概率、相关电路图以及故障处置措施显示接口;所述专家知识库模块用于存储技术专家知识,所述专家知识为提供所有故障代码的故障原因、每一种故障原因的专家推算故障概率和故障处理方法;所述故障数据库模块用于存储发生飞控故障的飞机编号、故障发生时间、飞控计算机记录的故障代码和实际故障原因,所述故障数据库模块向故障查询模块提供每一种故障原因的故障统计数据;所述故障记录模块用于将发生飞控故障的飞机编号、故障发生时间、飞控计算机记录的故障代码和实际故障原因写入故障数据库。
2.一种全电传飞控故障的诊断方法,其特征在于:包括以下步骤:
a.飞机的飞控系统发生故障后,在故障查询模块输入具体的故障代码以及飞机编号信息;
b.系统判断故障代码是否存在,如故障代码不存在,则结束,如故障代码存在,则故障查询模块向专家知识库模块和故障数据库模块发送检索信息;
c.专家知识库模块和故障数据库模块收到故障查询模块发送的检索信息后,专家知识库模块将故障代码所对应的所有故障原因、每一种故障原因对应的专家推算概率、每一种故障原因的处置措施和相关电路图反馈给故障查询模块;故障数据库模块将故障代码所对应的每一种故障原因的故障统计数据和近几次统计故障概率反馈给故障查询模块;
d.故障查询模块在收到专家知识库模块和故障数据库模块反馈的信息后,判断故障数据库记录的故障数据量是否满足故障诊断系统机器学习推算要求,若故障数据量不满足故障诊断系统机器学习要求,便将故障代码对应的所有故障原因以及每一种故障原因所对应的专家推算故障概率、数据库统计近几次故障概率、相关电路图以及故障处置措施进行显示,辅助飞机地勤维护人员进行飞控故障排除工作;若故障数据量满足故障诊断系统机器学习要求,则通过对故障数据库的故障数据进行机器学习分析计算出基于故障数据库的机器学习推算概率,再将故障代码对应的所有故障原因以及每一种故障原因所对应的专家推算故障概率、基于故障数据库的机器学习推算概率、数据库统计近几次故障概率、相关电路图以及故障处置措施进行显示,辅助飞机地勤维护人员进行飞控故障排除工作。
3.根据权利要求2所述的一种全电传飞控故障的诊断方法,其特征在于:所述步骤d中通过对故障数据库的故障数据进行机器学习分析计算出基于故障数据库的机器学习推算概率,具体计算方法包括:
d1.分别计算发生故障的其中一种故障原因出现的概率a1和a2:根据故障数据库的故障数量N将故障数据分成两组,按发生的时间排列,将距离故障发生时最近的B个故障数据为一组,其它的(N-B)个故障数据为另外一组;分别利用线性回归模型,求解该B个故障数据对应的其中一个故障原因的故障概率a1和(N-B)个故障数据对应的该故障原因的故障概率a2,所述线性回归模型为:
d2.根据d1中求解的a1和a2,计算对应的故障原因出现的概率a:
a=a1*P+a2*(1-P);
其中,P为故障概率a1的权重,50%<P<100%;
d3.进入步骤d1,计算该故障的另外一种故障原因,直至所有故障原因都计算完成,再结束。
4.根据权利要求2或3所述的一种全电传飞控故障的诊断方法,其特征在于:还包括步骤f,飞控故障故障排除后,故障记录模块根据飞机地勤维护人员的反馈,确认本次飞控故障的实际故障原因,并将飞机编号、故障时间、飞控计算机记录的故障代码及实际故障原因写入故障数据库模块内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011363324.3A CN112731903B (zh) | 2020-11-27 | 2020-11-27 | 一种全电传飞控故障的诊断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011363324.3A CN112731903B (zh) | 2020-11-27 | 2020-11-27 | 一种全电传飞控故障的诊断系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112731903A true CN112731903A (zh) | 2021-04-30 |
CN112731903B CN112731903B (zh) | 2022-05-10 |
Family
ID=75597850
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011363324.3A Active CN112731903B (zh) | 2020-11-27 | 2020-11-27 | 一种全电传飞控故障的诊断系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112731903B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113485305A (zh) * | 2021-07-28 | 2021-10-08 | 成都飞机工业(集团)有限责任公司 | 一种飞机外勤故障诊断系统与方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6076083A (en) * | 1995-08-20 | 2000-06-13 | Baker; Michelle | Diagnostic system utilizing a Bayesian network model having link weights updated experimentally |
WO2002075578A2 (en) * | 2001-03-20 | 2002-09-26 | General Electric Company | Learning method and apparatus for a causal network |
CN104133981A (zh) * | 2014-06-25 | 2014-11-05 | 国家电网公司 | 一种基于模糊产生式规则知识库的光伏电站故障诊断方法 |
CN104794136A (zh) * | 2014-01-22 | 2015-07-22 | 华为技术有限公司 | 故障分析方法和装置 |
CN104914851A (zh) * | 2015-05-21 | 2015-09-16 | 北京航空航天大学 | 一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法 |
CN108805202A (zh) * | 2018-06-11 | 2018-11-13 | 上海新增鼎数据科技有限公司 | 一种用于电解槽故障预警的机器学习方法及其应用 |
CN110377001A (zh) * | 2019-06-04 | 2019-10-25 | 上海华电奉贤热电有限公司 | 基于数据融合的工业设备智能故障诊断系统和方法 |
CN110456774A (zh) * | 2019-08-15 | 2019-11-15 | 中车大连机车研究所有限公司 | 一种快捷货运机车的故障诊断与预警装置及方法 |
CN110489254A (zh) * | 2019-07-13 | 2019-11-22 | 西北工业大学 | 基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理系统及方法 |
CN111680882A (zh) * | 2020-05-15 | 2020-09-18 | 北京航空航天大学 | 一种概率耦合关系下无人机系统多层级风险评估方法 |
CN111709453A (zh) * | 2020-05-22 | 2020-09-25 | 成都飞机工业(集团)有限责任公司 | 一种航空发动机电气系统在线故障诊断方法 |
CN111950084A (zh) * | 2020-08-11 | 2020-11-17 | 中国民航大学 | 一种面向机载航线维修的航电故障诊断系统的实现方法 |
CN111984511A (zh) * | 2020-07-28 | 2020-11-24 | 苏州浪潮智能科技有限公司 | 一种基于二分类的多模型磁盘故障预测方法和系统 |
US20200371858A1 (en) * | 2018-01-19 | 2020-11-26 | Hitachi, Ltd. | Fault Predicting System and Fault Prediction Method |
-
2020
- 2020-11-27 CN CN202011363324.3A patent/CN112731903B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6076083A (en) * | 1995-08-20 | 2000-06-13 | Baker; Michelle | Diagnostic system utilizing a Bayesian network model having link weights updated experimentally |
WO2002075578A2 (en) * | 2001-03-20 | 2002-09-26 | General Electric Company | Learning method and apparatus for a causal network |
CN104794136A (zh) * | 2014-01-22 | 2015-07-22 | 华为技术有限公司 | 故障分析方法和装置 |
CN104133981A (zh) * | 2014-06-25 | 2014-11-05 | 国家电网公司 | 一种基于模糊产生式规则知识库的光伏电站故障诊断方法 |
CN104914851A (zh) * | 2015-05-21 | 2015-09-16 | 北京航空航天大学 | 一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法 |
US20200371858A1 (en) * | 2018-01-19 | 2020-11-26 | Hitachi, Ltd. | Fault Predicting System and Fault Prediction Method |
CN108805202A (zh) * | 2018-06-11 | 2018-11-13 | 上海新增鼎数据科技有限公司 | 一种用于电解槽故障预警的机器学习方法及其应用 |
CN110377001A (zh) * | 2019-06-04 | 2019-10-25 | 上海华电奉贤热电有限公司 | 基于数据融合的工业设备智能故障诊断系统和方法 |
CN110489254A (zh) * | 2019-07-13 | 2019-11-22 | 西北工业大学 | 基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理系统及方法 |
CN110456774A (zh) * | 2019-08-15 | 2019-11-15 | 中车大连机车研究所有限公司 | 一种快捷货运机车的故障诊断与预警装置及方法 |
CN111680882A (zh) * | 2020-05-15 | 2020-09-18 | 北京航空航天大学 | 一种概率耦合关系下无人机系统多层级风险评估方法 |
CN111709453A (zh) * | 2020-05-22 | 2020-09-25 | 成都飞机工业(集团)有限责任公司 | 一种航空发动机电气系统在线故障诊断方法 |
CN111984511A (zh) * | 2020-07-28 | 2020-11-24 | 苏州浪潮智能科技有限公司 | 一种基于二分类的多模型磁盘故障预测方法和系统 |
CN111950084A (zh) * | 2020-08-11 | 2020-11-17 | 中国民航大学 | 一种面向机载航线维修的航电故障诊断系统的实现方法 |
Non-Patent Citations (4)
Title |
---|
PENG, BIN-SEN: "Research on intelligent fault diagnosis method for nuclear power plant based", 《PROGRESS IN NUCLEAR ENERGY》 * |
王晨: "飞机自动飞行系统故障诊断专家系统设计", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
葛科宇: "飞机液压系统磨损故障案例推理诊断方法", 《机械科学与技术》 * |
魏晓晴: "飞控系统专家诊断平台的设计", 《工业仪表与自动化装置》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113485305A (zh) * | 2021-07-28 | 2021-10-08 | 成都飞机工业(集团)有限责任公司 | 一种飞机外勤故障诊断系统与方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112731903B (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858886B (zh) | 一种基于集成学习的费控成功率提升分析方法 | |
CN104134010B (zh) | 一种基于朴素贝叶斯算法面向离散型数据的卫星故障诊断方法 | |
CN102054179A (zh) | 一种旋转机械在线状态监测与故障诊断装置及方法 | |
CN104677997B (zh) | 一种变压器油色谱在线监测差异化预警方法 | |
CN112731903B (zh) | 一种全电传飞控故障的诊断系统及方法 | |
CN114239734B (zh) | 一种分布式车载健康管理系统 | |
CN113485305B (zh) | 一种飞机外勤故障诊断系统与方法 | |
CN112906764A (zh) | 基于改进bp神经网络的通信安全设备智能诊断方法及系统 | |
CN111638988A (zh) | 一种基于深度学习的云主机故障智能预测方法 | |
CN115099260A (zh) | 双螺杆输油泵在线监测机械故障实时诊断方法 | |
CN112434390A (zh) | 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法 | |
JP3766232B2 (ja) | 機器カルテ管理評価装置および同装置を用いた機器カルテ管理評価方法 | |
CN117194919A (zh) | 一种生产数据分析系统 | |
CN117170303B (zh) | 一种基于多元时间序列预测的plc故障智能诊断维护系统 | |
CN116300812A (zh) | 轨道列车vobc健康诊断方法、系统、装置及存储介质 | |
CN114167837B (zh) | 一种铁路信号系统的智能故障诊断方法及系统 | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
CN108763728B (zh) | 用并联型深度神经网络分层特征提取的机械故障诊断方法 | |
CN113159342A (zh) | 一种基于模糊综合评判的地铁信号系统维修方法 | |
CN113094826A (zh) | 一种基于任务可靠度的多态制造系统剩余寿命预测方法 | |
CN107943002B (zh) | 环卫设备故障诊断方法及系统 | |
CN110703183A (zh) | 一种智能电能表故障数据分析方法及系统 | |
CN114400776B (zh) | 基于数字镜像的变电站自动化设备状态诊断方法和系统 | |
CN112686530B (zh) | 一种继电保护运行可靠性评价方法 | |
CN109165108B (zh) | 软件可靠性加速测试的失效数据还原方法及测试方法 |
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 |