CN113283004A - 一种基于迁移学习的航空发动机退化状态故障诊断方法 - Google Patents
一种基于迁移学习的航空发动机退化状态故障诊断方法 Download PDFInfo
- Publication number
- CN113283004A CN113283004A CN202110440994.9A CN202110440994A CN113283004A CN 113283004 A CN113283004 A CN 113283004A CN 202110440994 A CN202110440994 A CN 202110440994A CN 113283004 A CN113283004 A CN 113283004A
- Authority
- CN
- China
- Prior art keywords
- data
- domain data
- target domain
- fault
- model
- 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 40
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 28
- 230000015556 catabolic process Effects 0.000 title claims abstract description 27
- 238000013526 transfer learning Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 239000000446 fuel Substances 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000002474 experimental method Methods 0.000 description 8
- 230000036541 health Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000001617 migratory effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Testing Of Engines (AREA)
Abstract
本发明提供一种基于迁移学习的航空发动机退化状态故障诊断方法,该方法基于极限学习机(ELM)实现,并将迁移学习的思想加入其中。该方法利用了发动机未退化时的大量运行数据,和发动机某一退化状态的少量数据,并将未退化时的数据视为源域数据,将退化后的数据视为目标域数据。该方法一共分为两个阶段,第一个阶段采用源域的数据训练极限学习机模型,提取源域的信息;在第二个阶段,采用目标域数据进行训练,对目标域进行适配。本发明通过迁移学习解决了航空发动机故障诊断数据缺乏的问题,并将其与ELM结合,保证了故障诊断的实时性和准确性。
Description
技术领域
本发明针对航空发动机退化状态的故障诊断,为了解决某一退化状态下故障数据量较小的问题,采用未退化状态下收集的数据进行补充,并基于极限学习机利用迁移学习将两个领域的信息充分利用。
背景技术
故障诊断是航空发动机健康管理的重要组成部分,对保障飞机与发动机的健康运行具有重要意义。由于90%的航空发动机故障都是气路部件故障,因此非常有必要对气路部件进行故障诊断。流量与效率的改变能够直接反映发动机部件的健康状态,但是它们不能被直接观测到。而发动机上一些可以测量的参数,比如温度、压力、转速等等,并不能直接反映航空发动机部件的健康状态。这给航空发动机的故障诊断带来了一定的困难。
以机器学习方法为代表的智能故障诊断方法能够建立起航空发动机上可测量参数和发动机部件的健康状态的联系。由于机器学习方法的飞速发展,航空发动机故障诊断的有效性得到了极大的提高。这类方法通常将发动机历史运行过程中的带标签的数据作为训练数据,将当前运行状态下收集的数据作为测试数据。这些方法都假定训练集和测试集中的数据服从同一分布,换句话说,就是训练数据和测试数据从同一个条件下收集。然而,由于发动机状态不同、运行工况不同、发动机存在安装误差等情况,训练数据和测试数据很难服从同一分布。
比如,在航空发动机的寿命周期内,随着使用次数的增加,发动机的整体性能会下降。当这种下降到了一定的程度,就到了发动机寿命的终点。在不同程度的退化状态下,航空发动机的性能会不同,因此,在不同程度的退化状态下收集的数据会服从于不同的分布。所以,利用在不同状态下收集的数据来训练同一个故障诊断模型会导致模型的性能较低甚至不可用。另外,从同一个状态下收集到足够的数据来训练故障诊断模型也是不可行的。因为故障数据的获取非常困难,并且通常都会花费非常大的代价。
迁移学习旨在解决机器学习领域的数据缺乏问题,其主要的思想就是提取其他领域(源域)的信息,并且运用到目标领域。源域与目标域具有一定的相似性,并且源域的数据丰富,包含了大量的有用信息。然而由于源域与目标域之间存在差异,包含在源域中的信息不能被直接利用。庆幸的是,可以通过迁移学习将该信息迁移到目标域中,从而解决目标域中数据不充分的情况。对于航空发动机故障诊断,可以利用迁移学习将从其他状态下收集的数据中包含的信息提取,并将其用来训练当前发动机的故障诊断模型。特别地,对于退化状态下的发动机故障诊断,可以将发动机在当前退化状态下收集的数据作为目标域数据,将未退化或者其他程度的退化状态下收集的数据作为源域数据,利用迁移学习解决当前状态下数据不足以训练故障诊断模型的问题。
由于航空发动机故障诊断对实时性要求较高,一种单隐含层前馈神经网络(single-hidden-layer feedforward networks,简称SLFN)在故障诊断领域得到了大量的应用。含有SLFN结构的方法大致可以分为3类,分别是:基于梯度优化的算法,采用了标准的优化程序的算法以及采用了最小二乘方法的算法。基于梯度优化的算法,比如BP神经网络,很容易陷入局部最优点。采用标准优化程序的算法,比如支持向量机(support vectormachine,简称SVM),通常都会有非常复杂的步骤。而基于最小二乘方法的算法,如ELM,在训练和测试的速度上有着很大的优势。ELM在2004年被提出,在航空发动机故障诊断领域应用广泛。ELM的网络权重通过随机产生和直接计算的方式得到,因此,ELM的训练速度非常快,并且还拥有很好的泛化性能。它的这些优点都与航空发动机的故障诊断的要求一致。
由于ELM在航空发动机故障诊断方面的表现优异,本发明选择在ELM的基础上利用迁移学习来解决退化状态下航空发动机故障诊断问题。
发明内容
发明目的:
为了解决航空发动机退化到某一阶段时,由于故障数据不足而不能训练出性能良好的故障诊断模型的问题,本发明采用了迁移学习的思想,利用未退化时收集的数据作为源域数据,利用当前退化状态下收集的数据作为目标域数据,设计了基于ELM的航空发动机故障诊断模型,提高发动机故障诊断的有效性。
技术方案:
一种基于迁移学习的航空发动机退化状态故障诊断方法,即两阶段迁移学习极限学习机算法(Two-stage-transfer-learning ELM,简称TSTL-ELM),包括以下步骤:
步骤1:在发动机标称状态下收集历史飞行数据作为源域数据;
步骤2:在发动机当前退化程度下收集飞行数据作为目标域数据;
步骤3:利用源域数据训练正则化极限学习机模型,得到中间模型,转入步骤4;或利用源域数据和目标域数据的组合训练正则化极限学习机模型,得到故障诊断模型,转入步骤5;
步骤4:利用目标域数据继续训练中间模型,得到故障诊断模型;
步骤5:将实时飞行数据输入故障诊断模型,诊断故障是否发生,以及发生的部件。
优选地,步骤1和2中,收集的飞行数据来自10个传感器,包括:高压转子转速NH,低压转子转速NL,风扇出口温度T22,压气机出口压力T3,压气机出口压力P3,低压涡轮进口温度T45,低压涡轮出口温度T46,低压涡轮出口压力P46,掺混室进口温度T65,以及主燃油流量WFB。
优选地,步骤1中收集的标称状态历史运行数据包括了故障数据和非故障数据,其中,每一类数据的数据量在100个以上,步骤2中收集的当前退化程度下收集的飞行数据包括了故障数据和非故障数据,每一类数据的数据量超过2个;源域数据的数据量大于目标域数据的数据量,且至少相差两个数量级。
优选地,步骤3中利用源域数据训练正则化极限学习机模型得到中间模型的具体步骤为:
所述正则化极限学习机模型的目标函数为:
其中,β为模型的输出权重,T为数据的实际输出,H为隐含层的输出,H的计算方法如下:
公式中的wi、bi分别表示第i个隐含层神经元对应的输入权值和偏置,i=1,2,…,L,j=1,2,…,N,L表示隐含层神经元个数,N表示样本数量,g(·)表示隐含层的激活函数,h(xj)表示第j个样本对应的隐含层输出;
该目标函数的最优解为:
其中,I为相应维数的单位矩阵,C为正则化常数;
Xs表示源域数据,Ts表示源域标签向量,IL表示维度为L的单位矩阵。
优选地,步骤4中利用目标域数据继续训练中间模型的具体步骤包括:
其中,C1>0,C2>0为两个常数;
通过对公式(5)求导,并令其等于0,得到最优解:
Xt表示目标域数据,Tt表示目标域标签向量;
最后利用目标域数据进行测试。
优选地,步骤3中利用源域数据和目标域数据的组合训练正则化极限学习机模型的具体步骤包括:
所述正则化极限学习机模型的目标函数为:
其中C1、C2为两个大于0的常数;通过对式(7)求导,并令导数等于0,得到解为:
最后利用目标域数据进行测试。
两阶段迁移学习极限学习机算法的具体步骤包括:
步骤1:给定源域数据、目标域数据、隐含层节点类型、隐含层节点数目、正则化常数C,平衡参数C1,C2。
3)隐含层节点类型:一般采用sigmoid函数、tanh函数、ReLU函数等。
4)隐含层节点数目L:一般通过经验或者仿真实验确定,该参数对模型的性能影响很大。
5)正则化常数C:第一个阶段的正则化常数,保证模型的泛化能力。
6)平衡参数C1,C2:这两个参数用来防止模型过拟合以及控制源域信息的保留程度。
步骤2:随机生成网络的输入权重w以及隐含层偏置b。
步骤3:根据公式(2),分别用源域和目标域的数据计算H(Xs)和H(Xt)。
步骤6:输入实时飞行数据,对发动机进行实时故障诊断。
本发明的另一个方案:一阶段迁移学习极限学习机算法(OSTL-ELM),该算法在源域数据中选择一部分来作为训练数据(ud_train),在目标域中选择一部分数据作为训练数据(d_train),选择一部分作为测试数据(d_test);利用ud_train和d_train同时训练,但通过对两部分赋予不同的参数。具体步骤包括:
步骤1:给定源域数据、目标域数据、隐含层节点类型、隐含层节点数目以及平衡参数C1、C2。
步骤2:随机生成网络的输入权重w以及隐含层偏置b。
步骤3:根据公式(2),分别用源域和目标域的数据计算H(Xs)和H(Xt)。
步骤6:输入实时飞行数据,对发动机进行实时故障诊断。
有益效果:
该基于迁移学习的航空发动机退化状态故障诊断方法能够将在其他状态下收集的数据中的信息进行提取并应用在当前状态的发动机上,从而解决当前退化程度下发动机故障数据不足的问题,提高了故障诊断的有效性。
附图说明
图1为本发明的流程图;
图2为TSTL-ELM的计算流程;
图3为双转子涡扇发动机结构示意图;
图4为在工况1下改变隐含层节点数目的诊断效果曲线;
图5为在工况2下改变隐含层节点数目的诊断效果曲线;
图6为在工况3下改变隐含层节点数目的诊断效果曲线;
图7为在工况4下改变隐含层节点数目的诊断效果曲线;
图8为在工况1下改变目标域与源域数据量之比的诊断效果曲线;
图9为在工况2下改变目标域与源域数据量之比的诊断效果曲线;
图10为在工况3下改变目标域与源域数据量之比的诊断效果曲线;
图11为在工况4下改变目标域与源域数据量之比的诊断效果曲线。
具体实施方式
本次实验为仿真实验,实验中使用的发动机模型为某型涡扇发动机模型。主要部件包括了风扇、压气机(HPC)、燃烧室、高压涡轮(HPT)、低压涡轮(LPT)、微喷管。其示意图如图3所示,为了明确发动机内部参数的意义,对图中的部分截面进行了编号。其中截面2表示风扇进口截面,截面22表示风扇出口截面,截面3表示压气机出口截面,截面42表示高压涡轮出口截面,截面46表示低压涡轮出口截面。
在航空发动机性能退化或者发生故障时,发动机的健康参数会发生变化,因此,本发明通过改变发动机的健康参数来模拟发动机的性能退化和故障的发生。性能退化是发动机整体性能都发生了下降,因此将发动机部件的健康参数都下降(部分参数是增加)了1%来模拟发动机的性能退化。而发动机的故障是通过改变单个部件的健康参数来进行模拟。本次实验共设置了四种故障,分别为风扇故障、压气机故障、高压涡轮故障、低压涡轮故障。收集的数据包括:高压转子转速NH,低压转子转速NL,风扇出口温度T22,压气机出口压力T3,压气机出口压力P3,低压涡轮进口温度T45,低压涡轮出口温度T46,低压涡轮出口压力P46,掺混室进口温度T65,以及主燃油流量WFB。
为了测试模型的泛化能力,实验使用了从不同工况下收集的数据。通过改变高度和飞行马赫数来改变工况,实验中的四种工况如表1所示。
表1四种工况
在实验中,将标称状态(未退化)下收集的数据作为源域数据,将退化状态下收集的数据作为目标域数据。在源域数据中选择一部分来作为训练数据(ud_train),在目标域中选择一部分数据作为训练数据(d_train),选择一部分作为测试数据(d_test)。实验中各个数据集的数据量如表2所示。
表2各数据集数据量
备注:#normal state表示正常数据的个数,#fan fault表示风扇故障数据的个数,#HPC fault表示压气机故障数据的个数,#HPT fault表示高压涡轮故障数据的个数,#LPT fault表示低压涡轮故障数据的个数。
为了证明本发明的有效性,实验中还采用了一些其他的方法进行对比实验。每种方法具体做法如下:
·Baseline1:利用ud_train训练RELM模型,用d_test进行测试。
·Baseline2:利用ud_train和d_train一起训练RELM模型,然后用d_test进行测试。
·Baseline3:利用d_train训练RELM模型,并用d_test进行测试。
·OSTL-ELM:一阶段迁移学习极限学习机算法,该算法利用ud_train和d_train同时训练,但通过对两部分赋予不同的参数,其目标函数为:
其中C1、C2为两个大于0的常数。通过对该式求导,并令导数等于0,可以得到其解为:
最后利用d_test进行测试。
·TSTL-ELM:第一阶段采用ud_train进行训练,第二阶段采用d_train进行训练,
最后采用d_test进行测试。
表3为5种方法的实验结果,包括各个方法使用的参数以及在不同工况下的诊断精度。为了保证模型的实时性能,所有算法的隐含层节点数目均为50。
表3实验结果
从表3中可以看出,TSTL-ELM拥有最高的诊断精度,OSTL-ELM其次。三个Baseline方法中,Baseline2的诊断精度最高,其次是Baseline1和Baseline2。这是由于Baseline2同时使用了源域和目标域的数据进行训练。Baseline2方法也可以看做是OSTL-ELM的一种特殊情况,即C1=C2的情况,OSTL-ELM方法能够调整两个域信息的比例,因此能够得到更高的诊断精度。但是,由于TSTL-ELM分为了两个阶段,第一个阶段提取了源域的信息,第二阶段单独对目标域进行适配,因此TSTL-ELM方法拥有最高的诊断精度。
图4到图7展示了在不同工况下改变隐含层节点数目对各个算法诊断效果的影响。从图中可以看出来,各个算法的诊断精度都会随着隐含层节点数目的增加而增加,在不同的隐含层节点数目下,TSTL-ELM都拥有最高的诊断精度。
由于目标域数据非常缺乏,其数据量的大小对发动机故障诊断模型的性能影响非常大。表4列出了不同的目标域数据量,图8到图11展示了当目标域数据占源域数据量的比值改变的时候,各个算法的诊断精度变化曲线。当目标域数据的比例处于较低水平时,TSTL-ELM方法的诊断精度最高。随着该比例的逐渐提高,除了Baseline1以外的算法的诊断精度都逐渐提高,其中Baseline3增加的速度最快,这是因为该方法直接使用了目标域的数据。从总体来看,TSTL-ELM依然有最高的诊断精度,特别是在目标域数据较少的情况下更加明显。因此,本发明采用的方法比较适合于航空发动机退化过程中的故障诊断。
表4各个数据集详细情况
Claims (6)
1.一种基于迁移学习的航空发动机退化状态故障诊断方法,其特征在于,包括以下步骤:
步骤1:在发动机标称状态下收集历史飞行数据作为源域数据;
步骤2:在发动机当前退化程度下收集飞行数据作为目标域数据;
步骤3:利用源域数据训练正则化极限学习机模型,得到中间模型,转入步骤4;或利用源域数据和目标域数据的组合训练正则化极限学习机模型,得到故障诊断模型,转入步骤5;
步骤4:利用目标域数据继续训练中间模型,得到故障诊断模型;
步骤5:将实时飞行数据输入故障诊断模型,诊断故障是否发生,以及发生的部件。
2.根据权利要求1所述的一种基于迁移学习的航空发动机退化状态故障诊断方法,其特征在于,步骤1和2中,收集的飞行数据来自10个传感器,包括:高压转子转速NH,低压转子转速NL,风扇出口温度T22,压气机出口压力T3,压气机出口压力P3,低压涡轮进口温度T45,低压涡轮出口温度T46,低压涡轮出口压力P46,掺混室进口温度T65,以及主燃油流量WFB。
3.根据权利要求1所述的一种基于迁移学习的航空发动机退化状态故障诊断方法,其特征在于,步骤1中收集的标称状态历史运行数据包括了故障数据和非故障数据,其中,每一类数据的数据量在100个以上,步骤2中收集的当前退化程度下收集的飞行数据包括了故障数据和非故障数据,每一类数据的数据量超过2个;源域数据的数据量大于目标域数据的数据量,且至少相差两个数量级。
4.根据权利要求1所述的一种基于迁移学习的航空发动机退化状态故障诊断方法,其特征在于,步骤3中利用源域数据训练正则化极限学习机模型得到中间模型的具体步骤为:
所述正则化极限学习机模型的目标函数为:
其中,β为模型的输出权重,T为数据的实际输出,H为隐含层的输出,H的计算方法如下:
公式中的wi、bi分别表示第i个隐含层神经元对应的输入权值和偏置,i=1,2,…,L,j=1,2,…,N,L表示隐含层神经元个数,N表示样本数量,g(·)表示隐含层的激活函数,h(xj)表示第j个样本对应的隐含层输出;
该目标函数的最优解为:
其中,I为相应维数的单位矩阵,C为正则化常数;
Xs表示源域数据,Ts表示源域标签向量,IL表示维度为L的单位矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110440994.9A CN113283004A (zh) | 2021-04-23 | 2021-04-23 | 一种基于迁移学习的航空发动机退化状态故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110440994.9A CN113283004A (zh) | 2021-04-23 | 2021-04-23 | 一种基于迁移学习的航空发动机退化状态故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113283004A true CN113283004A (zh) | 2021-08-20 |
Family
ID=77277188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110440994.9A Pending CN113283004A (zh) | 2021-04-23 | 2021-04-23 | 一种基于迁移学习的航空发动机退化状态故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113283004A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619342A (zh) * | 2018-06-20 | 2019-12-27 | 鲁东大学 | 一种基于深度迁移学习的旋转机械故障诊断方法 |
US20200150622A1 (en) * | 2018-11-13 | 2020-05-14 | Guangdong University Of Technology | Method for detecting abnormity in unsupervised industrial system based on deep transfer learning |
CN112116101A (zh) * | 2020-09-17 | 2020-12-22 | 南京航空航天大学 | 一种基于群体约减核极限学习机的航空发动机故障诊断方法 |
-
2021
- 2021-04-23 CN CN202110440994.9A patent/CN113283004A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619342A (zh) * | 2018-06-20 | 2019-12-27 | 鲁东大学 | 一种基于深度迁移学习的旋转机械故障诊断方法 |
US20200150622A1 (en) * | 2018-11-13 | 2020-05-14 | Guangdong University Of Technology | Method for detecting abnormity in unsupervised industrial system based on deep transfer learning |
CN112116101A (zh) * | 2020-09-17 | 2020-12-22 | 南京航空航天大学 | 一种基于群体约减核极限学习机的航空发动机故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
刘冬冬;李友荣;徐增丙;: "选择性集成迁移算法在轴承故障诊断领域的应用", 机械设计与制造, no. 05, 8 May 2020 (2020-05-08) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A directed acyclic graph network combined with CNN and LSTM for remaining useful life prediction | |
CN112131760B (zh) | 基于cbam模型的航空发动机剩余寿命预测方法 | |
CN111175054B (zh) | 一种基于数据驱动的航空发动机故障诊断方法 | |
WO2020000248A1 (zh) | 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法 | |
Marinai et al. | Prospects for aero gas-turbine diagnostics: a review | |
Zhao et al. | Extreme learning machine based transfer learning for aero engine fault diagnosis | |
Kong et al. | Spatio-temporal fusion attention: A novel approach for remaining useful life prediction based on graph neural network | |
CN105911975A (zh) | 一种航空发动机气路故障融合诊断方法 | |
CN107563251B (zh) | 基于极限学习机的风机故障诊断方法 | |
CN111160457B (zh) | 基于软一类极限学习机的涡轴发动机故障检测方法 | |
Zhong et al. | Aero-engine exhaust gas temperature prognostic model based on gated recurrent unit network | |
CN109359668A (zh) | 一种航空发动机多故障并发诊断方法 | |
WO2024087128A1 (zh) | 针对航空发动机剩余使用寿命预测的多尺度混杂注意力机制建模方法 | |
CN110334383A (zh) | 基于ga和l-m组合优化的燃气轮机故障诊断专家系统方法 | |
CN115081484A (zh) | 基于crj-oselm算法的航空发动机传感器故障诊断方法 | |
Zhang et al. | A new adaptive Mamdani-type fuzzy modeling strategy for industrial gas turbines | |
CN112364446B (zh) | 基于ec-rbelm算法的发动机整机性能衰减预测方法 | |
CN114077867A (zh) | 一种基于可迁移神经网络的航空发动机故障诊断方法 | |
Yan et al. | Reliability prediction of CNC machine tool spindle based on optimized cascade feedforward neural network | |
CN107545112A (zh) | 多源无标签数据机器学习的复杂装备性能评估与预测方法 | |
Zhao et al. | The perceptron algorithm with uneven margins based transfer learning for turbofan engine fault detection | |
CN113283004A (zh) | 一种基于迁移学习的航空发动机退化状态故障诊断方法 | |
Işık et al. | A neural network model for UAV propulsion system | |
Kong et al. | Intelligent performance diagnostics of a gas turbine engine using user‐friendly interface neural networks | |
CN114741922A (zh) | 一种基于Attention机制的透平叶片蠕变-疲劳寿命预测方法 |
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 |