CN113297680B - 一种小涵道比航空燃气发动机性能趋势分析方法 - Google Patents
一种小涵道比航空燃气发动机性能趋势分析方法 Download PDFInfo
- Publication number
- CN113297680B CN113297680B CN202110685685.8A CN202110685685A CN113297680B CN 113297680 B CN113297680 B CN 113297680B CN 202110685685 A CN202110685685 A CN 202110685685A CN 113297680 B CN113297680 B CN 113297680B
- Authority
- CN
- China
- Prior art keywords
- engine
- exhaust temperature
- moving average
- engine exhaust
- trend
- 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.)
- Active
Links
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
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Testing Of Engines (AREA)
Abstract
本申请属于航空发动机领域,特别涉及一种小涵道比航空燃气发动机性能趋势分析方法。包括步骤一、获取预定运转时间内的发动机排气温度数据;步骤二、对所述发动机排气温度数据进行处理;步骤三、基于处理后的所述发动机排气温度数据构建自回归移动平均联合模型;步骤四、根据所述自回归移动平均联合模型预测发动机排气温度变化趋势,并根据发动机排气温度变化趋势进行发动机性能趋势分析。本申请结合小涵道比航空发动机运转采集数据,针对排气温度变化趋势进行评估,预测发动机未来一定时间内的性能变化情况,并以此给出发动机的维修建议。利用该方法可以达到发动机维修时机的最优化,为发动机最终实现视情维修提供支持。
Description
技术领域
本申请属于航空发动机领域,特别涉及一种小涵道比航空燃气发动机性能趋势分析方法。
背景技术
航空发动机性能会随着使用时间的增加而逐渐衰减,发动机性能衰减的主要表现为推力下降、耗油率升高、排气温度升高。发动机排气温度是衡量发动机综合性能的关键参数,当排气温度上升达到控制系统设定的限制值时,继续在此状态下使用可能降低发动机的有效寿命,同时也会降低发动机运转的安全性和可靠性。新一代作战飞机要求发动机具有高性能、高经济可承受能力,这对发动机的可靠性、安全性、经济性以及维护保障等提出了更高的要求。发动机健康管理技术已是当今发动机技术发展趋势,健康管理系统中性能趋势分析功能,通过监控发动机关键参数,评估发动机健康状况,判断发动机的性能衰减程度,由此确定发动机的最佳返修时间。这样既可以提高发动机运转的安全性和可靠性,还可以降低发动机的维修成本、提高维修效率。发动机性能趋势分析功能是先进航空发动机实现视情维修的前提条件。
目前在小涵道比航空发动机上还未采用性能趋势分析技术,在役的我国小涵道比军用发动机上,主要采用的维护方式为定期维护,即确定发动机的首翻期,发动机首翻期的制定主要决定因素包括:飞机类型、用户的使用条件(含工作温度压力条件、油门/功率使用历程等)、可接受的风险、发动机允许的性能衰减程度、发动机使用可靠性和维护经济性等,当发动机的使用时间到达首翻期时,进行脱发维修。发动机的首翻期方案,主要的缺点是不能在发动机需要维修的最佳时机进行脱发维修,发动机在首翻期到期后,如果发动机性能衰减较大,则会导致发动机的可靠性下降、作战效能下降,而且在发动机维修时也会带来更多地维修成本;如果发动机性能衰减量较小,则在发动机还具有较好的作战使用效能的情况下进行脱发维修,同样也会增加发动机使用成本。
因此,希望有一种技术方案来克服或至少减轻现有技术的至少一个上述缺陷。
发明内容
本申请的目的是提供了一种小涵道比航空燃气发动机性能趋势分析方法,以解决现有技术存在的至少一个问题。
本申请的技术方案是:
一种小涵道比航空燃气发动机性能趋势分析方法,包括:
步骤一、获取预定运转时间内的发动机排气温度数据,所述发动机排气温度数据包括发动机运转时间,以及各时间点对应的排气温度数值;
步骤二、对所述发动机排气温度数据进行处理;
步骤三、基于处理后的所述发动机排气温度数据构建自回归移动平均联合模型;
步骤四、根据所述自回归移动平均联合模型预测发动机排气温度变化趋势,并根据发动机排气温度变化趋势进行发动机性能趋势分析。
在本申请的至少一个实施例中,步骤二中,所述对所述发动机排气温度数据进行处理包括:
S201、将所述发动机排气温度数据中的排气温度换算成海平面标准大气条件下的标准排气温度;
S202、对换算处理后的发动机排气温度数据采用一阶差分方法进行平稳化处理,去除原始数据序列中排气温度随时间增加而上升的变化趋势。
在本申请的至少一个实施例中,步骤三中,所述基于处理后的所述发动机排气温度数据构建自回归移动平均联合模型包括:
S301、基于处理后的所述发动机排气温度数据构建q阶移动平均模型MA(q);
S302、基于处理后的所述发动机排气温度数据构建p阶自回归模型AR(p);
S303、根据q阶移动平均模型MA(q)以及p阶自回归模型AR(p)构建(p,q)阶自回归移动平均联合模型ARMA(p,q)。
在本申请的至少一个实施例中,S301中,所述q阶移动平均模型MA(q)为:
Zt=at-θ1at-1-θ2at-2-…-θqat-q
其中,Zt为t时刻的排气温度数值,at、at-1…at-q为各时间点对应的随机扰动,q为移动平均阶数,θ1…θq为各时间点对应的移动平均系数;
引入移动平均算子θ(B),则表示为:
Zt=θ(B)at
θ(B)=1-θ1B-θ2B2-…-θqBq
其中,B为后移算子,BZt=Zt-1,BjZt=Zt-1。
在本申请的至少一个实施例中,S302中,所述p阶自回归模型AR(p)为:
其中,Zt、Zt-1…Zt-p为各时间点对应的排气温度数值,at为t时刻的随机扰动,p为自回归阶数,为各时间点对应的自回归系数;
引入自回归算子则表示为:
其中,B为后移算子,BZt=Zt-1,BjZt=Zt-1。
在本申请的至少一个实施例中,S303中,所述(p,q)阶自回归移动平均联合模型ARMA(p,q)为:
令:
θ(B)=1-θ1B-θ2B2-…-θqBq
则,所述(p,q)阶自回归移动平均联合模型ARMA(p,q)为:
在本申请的至少一个实施例中,通过AIC准则和最小二乘法对所述(p,q)阶自回归移动平均联合模型ARMA(p,q)进行求解。
在本申请的至少一个实施例中,步骤四中,所述根据所述自回归移动平均联合模型预测发动机排气温度变化趋势,并根据发动机排气温度变化趋势进行发动机性能趋势分析包括:
S401、根据所述自回归移动平均联合模型预测预定时间内的发动机排气温度变化趋势;
S402、对预测得到预定时间内的发动机排气温度变化趋势进行一阶差分还原处理,获得处理后的预定时间内的发动机排气温度变化趋势;
S403、根据处理后的预定时间内的发动机排气温度变化趋势,判断预定时间内,发动机排气温度是否达到阈值;
若是,生成事件报告,为发动机是否进行维修提供支持;
若否,则返回步骤一获取新增的预定运转时间内的发动机排气温度数据。
发明至少存在以下有益技术效果:
本申请的小涵道比航空燃气发动机性能趋势分析方法,利用发动机运转过程中采集的数据,对发动机排气温度的变化趋势进行分析和预测,评估目前发动机排气温度剩余裕度,预估未来一定时间内的发动机排气温度分布趋势,根据变化趋势判断未来发动机运转一定时间内的排气温度是否达到了限制值,从而为发动机是否进行维修给出建议,最终为发动机由定期维护转为视情维修奠定基础。
附图说明
图1是本申请一个实施方式的小涵道比航空燃气发动机性能趋势分析方法流程图。
具体实施方式
为使本申请实施的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行更加详细的描述。在附图中,自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本申请一部分实施例,而不是全部的实施例。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。下面结合附图对本申请的实施例进行详细说明。
在本申请的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的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,因此不能理解为对本申请保护范围的限制。
下面结合附图1对本申请做进一步详细说明。
本申请提供了一种小涵道比航空燃气发动机性能趋势分析方法,包括以下步骤:
步骤一、获取预定运转时间内的发动机排气温度数据,发动机排气温度数据包括发动机运转时间,以及各时间点对应的排气温度数值;
步骤二、对发动机排气温度数据进行处理;
步骤三、基于处理后的发动机排气温度数据构建自回归移动平均联合模型;
步骤四、根据自回归移动平均联合模型预测发动机排气温度变化趋势,并根据发动机排气温度变化趋势进行发动机性能趋势分析。
本申请采用时间序列分析方法实现发动机排气温度变化趋势的预测,时间序列分析的一个重要目的是预测未来值,就是根据以往积累的数据进行分析,确定时间序列模型的形式,然后对未来可能出现的结果进行预测。本申请中,发动机在使用过程中,典型状态下排气温度变化数据集合属于典型的时间序列数据,因此通过自回归模型AR和移动平均模型MA联合构建出自回归移动平均联合模型ARMA,将ARMA模型应用于发动机排气温度趋势分析,并根据统计学方法常用数值给出95%置信区间,保证趋势分析结果的可信度。
具体的,本申请的小涵道比航空燃气发动机性能趋势分析方法,首先提取相关状态之前一定运转时间内的发动机排气温度数据,作为建模的基础。
采用时间序列分析方法进行发动机性能趋势分析,要求发动机排气温度数据具有平稳性,即数据序列中不存在趋势性和周期性,但随着发动机使用时间的增加,发动机排气温度变化呈现增加的趋势,属于非平稳数据序列。因此,在构建自回归移动平均联合模型ARMA之前,需要对排气温度随时间变化的数据进行平稳化处理。
在本申请的优选实施方案中,选择差分的方法对发动机排气温度数据进行平稳化处理,消除排气温度随使用时间增加而上升的变化趋势,具体方法如下:
S201、将发动机排气温度数据中的排气温度换算成海平面标准大气条件下的标准排气温度;
S202、对换算处理后的发动机排气温度数据采用一阶差分方法进行平稳化处理,去除原始数据序列中排气温度随时间增加而上升的变化趋势。
本实施例中,将发动机排气温度随时间变化的非平稳时间序列数据记为Xt,对Xt做一次一阶差分后记为▽Xt,则:
▽Xt=Xt-Xt-1 (1)
对差分后的序列进行分析与预测,最后再通过差分的反运算得到Xt的有关结果。
在本申请的优选实施例中,步骤三中,基于处理后的发动机排气温度数据构建自回归移动平均联合模型包括:
S301、基于处理后的发动机排气温度数据构建q阶移动平均模型MA(q);
S302、基于处理后的发动机排气温度数据构建p阶自回归模型AR(p);
S303、根据q阶移动平均模型MA(q)以及p阶自回归模型AR(p)构建(p,q)阶自回归移动平均联合模型ARMA(p,q)。
对于一个平稳时间序列的子样观测值,用Zi表示,在将Zt表示成为过去冲击的加权和再加上一个新的冲击at的线性过程中,如果只有前面q个值的权是非零的,便是一个可逆移动平均模型。在本实施例中,S301中,构建的q阶移动平均模型MA(q)为:
Zt=at-θ1at-1-θ2at-2-…-θqat-q (2)
其中,Zt为t时刻的排气温度数值,at、at-1…at-q为各时间点对应的随机扰动,q为移动平均阶数,θ1…θq为各时间点对应的移动平均系数;
引入移动平均算子θ(B),则式(2)表示为:
Zt=θ(B)at (3)
θ(B)=1-θ1B-θ2B2-…-θqBq,
其中,B为后移算子,BZt=Zt-1,BjZt=Zt-1。
若将时间序列过程Zt写成自回归表示形式,即用t时刻序列值与关于它的历史值加上随机扰动进行回归,则在本实施例中,S302中,构建的p阶自回归模型AR(p)为:
其中,Zt、Zt-1…Zt-p为各时间点对应的排气温度数值,at为t时刻的随机扰动,p为自回归阶数,为各时间点对应的自回归系数;
引入自回归算子则表示为:
其中,B为后移算子,BZt=Zt-1,BjZt=Zt-1。
如上所述,一个平稳和可逆的时间序列过程可以用一个移动平均形式或者一个自回归形式来表示,但是,无论用以上哪种形式表示都存在一个突出的问题,那就是有可能存在太多的参数,即使所构建的MA模型或AR模型的阶数都是有限的,也会为了追求好的拟合而形成高阶模型。因此,为了节省参数,简化模型形式,在建模时同时考虑移动平均和自回归。如果假定序列中部分是自回归项,部分是移动平均项,则可以得到一个较为普遍的时间序列模型。
在本实施例中,S303中,构建的(p,q)阶自回归移动平均联合模型ARMA(p,q)为:
令:
θ(B)=1-θ1B-θ2B2-…-θqBq
则,(p,q)阶自回归移动平均联合模型ARMA(p,q)为:
有利的是,可以通过AIC准则和最小二乘法对所述(p,q)阶自回归移动平均联合模型ARMA(p,q)进行求解,求解出模型中的阶数和系数。
本申请的小涵道比航空燃气发动机性能趋势分析方法,在构建自回归移动平均联合模型后,根据自回归移动平均联合模型预测发动机排气温度变化趋势,并根据发动机排气温度变化趋势进行发动机性能趋势分析包括:
S401、根据自回归移动平均联合模型预测预定时间内的发动机排气温度变化趋势;
S402、对预测得到预定时间内的发动机排气温度变化趋势进行一阶差分还原处理,获得处理后的预定时间内的发动机排气温度变化趋势;
S403、根据处理后的预定时间内的发动机排气温度变化趋势,判断预定时间内,发动机排气温度是否达到阈值;
若是,生成事件报告,为发动机是否进行维修提供支持;
若否,则返回步骤一获取新增的预定运转时间内的发动机排气温度数据,循环上述步骤实时的进行发动机性能趋势分析。
本申请的小涵道比航空燃气发动机性能趋势分析方法,结合小涵道比航空发动机运转采集数据,针对排气温度变化趋势进行评估,预测发动机未来一定时间内的性能变化情况,并以此给出发动机的维修建议。利用该方法可以达到发动机维修时机的最优化,为发动机最终实现视情维修提供支持。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种小涵道比航空燃气发动机性能趋势分析方法,其特征在于,包括:
步骤一、获取预定运转时间内的发动机排气温度数据,所述发动机排气温度数据包括发动机运转时间,以及各时间点对应的排气温度数值;
步骤二、对所述发动机排气温度数据进行处理;
步骤三、基于处理后的所述发动机排气温度数据构建自回归移动平均联合模型;
步骤四、根据所述自回归移动平均联合模型预测发动机排气温度变化趋势,并根据发动机排气温度变化趋势进行发动机性能趋势分析。
2.根据权利要求1所述的小涵道比航空燃气发动机性能趋势分析方法,其特征在于,步骤二中,所述对所述发动机排气温度数据进行处理包括:
S201、将所述发动机排气温度数据中的排气温度换算成海平面标准大气条件下的标准排气温度;
S202、对换算处理后的发动机排气温度数据采用一阶差分方法进行平稳化处理,去除原始数据序列中排气温度随时间增加而上升的变化趋势。
3.根据权利要求2所述的小涵道比航空燃气发动机性能趋势分析方法,其特征在于,步骤三中,所述基于处理后的所述发动机排气温度数据构建自回归移动平均联合模型包括:
S301、基于处理后的所述发动机排气温度数据构建q阶移动平均模型MA(q);
S302、基于处理后的所述发动机排气温度数据构建p阶自回归模型AR(p);
S303、根据q阶移动平均模型MA(q)以及p阶自回归模型AR(p)构建(p,q)阶自回归移动平均联合模型ARMA(p,q)。
4.根据权利要求3所述的小涵道比航空燃气发动机性能趋势分析方法,其特征在于,S301中,所述q阶移动平均模型MA(q)为:
Zt=at-θ1at-1-θ2at-2-…-θqat-q
其中,Zt为t时刻的排气温度数值,at、at-1…at-q为各时间点对应的随机扰动,q为移动平均阶数,θ1…θq为各时间点对应的移动平均系数;
引入移动平均算子θ(B),则表示为:
Zt=θ(B)at
θ(B)=1-θ1B-θ2B2-…-θqBq
其中,B为后移算子,BZt=Zt-1,BjZt=Zt-1。
5.根据权利要求4所述的小涵道比航空燃气发动机性能趋势分析方法,其特征在于,S302中,所述p阶自回归模型AR(p)为:
其中,Zt、Zt-1…Zt-p为各时间点对应的排气温度数值,at为t时刻的随机扰动,p为自回归阶数,为各时间点对应的自回归系数;
引入自回归算子则表示为:
其中,B为后移算子,BZt=Zt-1,BjZt=Zt-1。
6.根据权利要求5所述的小涵道比航空燃气发动机性能趋势分析方法,其特征在于,S303中,所述(p,q)阶自回归移动平均联合模型ARMA(p,q)为:
令:
则,所述(p,q)阶自回归移动平均联合模型ARMA(p,q)为:
7.根据权利要求6所述的小涵道比航空燃气发动机性能趋势分析方法,其特征在于,通过AIC准则和最小二乘法对所述(p,q)阶自回归移动平均联合模型ARMA(p,q)进行求解。
8.根据权利要求6所述的小涵道比航空燃气发动机性能趋势分析方法,其特征在于,步骤四中,所述根据所述自回归移动平均联合模型预测发动机排气温度变化趋势,并根据发动机排气温度变化趋势进行发动机性能趋势分析包括:
S401、根据所述自回归移动平均联合模型预测预定时间内的发动机排气温度变化趋势;
S402、对预测得到预定时间内的发动机排气温度变化趋势进行一阶差分还原处理,获得处理后的预定时间内的发动机排气温度变化趋势;
S403、根据处理后的预定时间内的发动机排气温度变化趋势,判断预定时间内,发动机排气温度是否达到阈值;
若是,生成事件报告,为发动机是否进行维修提供支持;
若否,则返回步骤一获取新增的预定运转时间内的发动机排气温度数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110685685.8A CN113297680B (zh) | 2021-06-21 | 2021-06-21 | 一种小涵道比航空燃气发动机性能趋势分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110685685.8A CN113297680B (zh) | 2021-06-21 | 2021-06-21 | 一种小涵道比航空燃气发动机性能趋势分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113297680A CN113297680A (zh) | 2021-08-24 |
CN113297680B true CN113297680B (zh) | 2023-08-08 |
Family
ID=77329023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110685685.8A Active CN113297680B (zh) | 2021-06-21 | 2021-06-21 | 一种小涵道比航空燃气发动机性能趋势分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113297680B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102597449A (zh) * | 2009-10-27 | 2012-07-18 | 雷诺股份公司 | 用于控制内燃发动机冷却回路的系统和方法 |
WO2019144386A1 (zh) * | 2018-01-26 | 2019-08-01 | 大连理工大学 | 一种航空发动机过渡态关键性能参数预测方法 |
CN110298132A (zh) * | 2019-07-05 | 2019-10-01 | 国家电网有限公司 | 一种水轮发电机组轴承摆度趋势预测方法 |
-
2021
- 2021-06-21 CN CN202110685685.8A patent/CN113297680B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102597449A (zh) * | 2009-10-27 | 2012-07-18 | 雷诺股份公司 | 用于控制内燃发动机冷却回路的系统和方法 |
WO2019144386A1 (zh) * | 2018-01-26 | 2019-08-01 | 大连理工大学 | 一种航空发动机过渡态关键性能参数预测方法 |
CN110298132A (zh) * | 2019-07-05 | 2019-10-01 | 国家电网有限公司 | 一种水轮发电机组轴承摆度趋势预测方法 |
Non-Patent Citations (1)
Title |
---|
基于时间序列模型的燃气轮机气路性能退化预测;王伟影;王建丰;崔宝;李淑英;;热能动力工程(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113297680A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Giantomassi et al. | Hidden Markov model for health estimation and prognosis of turbofan engines | |
CN110398368B (zh) | 基于fbm的长相关模型的轴承内圈故障剩余寿命预测方法 | |
CN110659779B (zh) | 一种基于长短期记忆网络的配电系统网损预测方法 | |
CN110135064B (zh) | 一种发电机后轴承温度故障预测方法、系统及控制器 | |
CN111652461A (zh) | 基于sae-hmm的航空发动机连续健康状态评估方法 | |
CN109544399B (zh) | 基于多源异构数据的输电设备状态评价方法及装置 | |
CN112857434A (zh) | 一种基于lpwan的矿井高压电缆实时监测系统 | |
JP5684813B2 (ja) | 油入電気機器の異常予測診断方法 | |
CN115905974B (zh) | 一种高炉异常炉况检测方法 | |
CN116050665B (zh) | 供热设备故障预测方法 | |
CN114925718A (zh) | 一种变压器铁芯接地电流在线预测方法、装置、存储介质及故障诊断方法 | |
CN112418682B (zh) | 一种融合多源信息的安全性评估方法 | |
CN110513336B (zh) | 一种电站燃气轮机离线水洗时间的确定方法 | |
CN113297680B (zh) | 一种小涵道比航空燃气发动机性能趋势分析方法 | |
CN117371207A (zh) | 一种特高压换流阀状态评价方法、介质及系统 | |
CN114462688A (zh) | 一种基于lstm模型和动态阈值确定算法的爆管检测方法 | |
CN115187145B (zh) | 考虑弃水风险的梯级水库日前调度期末库水位控制方法 | |
CN109033569B (zh) | 一种用于舰载机传感器系统预防检修阈强度和次数优化的方法 | |
CN116596517A (zh) | 一种基于神经网络模型的光伏组件清洗决策方法及系统 | |
CN116522594A (zh) | 基于卷积神经网络的时间自适应暂态稳定预测方法及装置 | |
CN116305985A (zh) | 一种基于多传感器数据融合的局部智能通风方法 | |
CN116300812A (zh) | 轨道列车vobc健康诊断方法、系统、装置及存储介质 | |
CN115983477A (zh) | 基于K-means聚类与卷积神经网络模型的负荷预测方法 | |
CN113221248B (zh) | 一种基于pf-garch模型的船舶系统设备状态参数预测方法 | |
CN115906437A (zh) | 一种风机状态确定方法、装置、设备和存储介质 |
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 |