CN113761795A - 一种飞机发动机故障检测方法和系统 - Google Patents
一种飞机发动机故障检测方法和系统 Download PDFInfo
- Publication number
- CN113761795A CN113761795A CN202110943801.1A CN202110943801A CN113761795A CN 113761795 A CN113761795 A CN 113761795A CN 202110943801 A CN202110943801 A CN 202110943801A CN 113761795 A CN113761795 A CN 113761795A
- Authority
- CN
- China
- Prior art keywords
- aircraft engine
- term memory
- memory network
- network model
- short term
- 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
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
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种飞机发动机故障检测方法和系统,所述方法包括如下步骤:获取飞机发动机性能参数,构建飞机发动机性能参数样本集;建立双向长短期记忆网络模型,根据所述飞机发动机性能参数确定所述双向长短期记忆网络模型的输入层和输出层,并训练所述双向长短期记忆网络模型;获取所述长短期记忆网络模型参数建立遗传个体和种群,根据遗传算法将种群中个体进行交叉、变异和复制中的至少一种;将所述种群多次迭代后计算每一个体的适应度,选取最高的适应度的长短期记忆网络模型参数对应的飞机发动机故障检测结果作为最终结果。基于优化的双向长短期记忆网络(Bi‑LSTM)对飞机发动机进行检测,可以降低输入数据和参数的选择要求,并提高故障检测效果。
Description
技术领域
本发明涉及飞机故障检测技术领域,特别涉及一种飞机发动机故障检测方法和系统
背景技术
随着国内外航空市场的快速发展,飞机已经成为现代社会最为重要的一种交通工具,飞机的安全飞行对于保证旅客生命财产安全、减少飞行事故和促进民航企业发展等方面都有着十分重要的现实意义。而航空发动机作为飞机运行的主要动力装置,因其工作环境较为苛刻,长时间在高温、高压和强腐蚀的环境下运行,极易发生故障,从而对飞机的健康安全造成威胁,因此对飞机发动机进行准确的故障诊断十分必要,保证发动机稳定可靠的工作是飞机安全运行的关键。
目前发动机故障诊断方法主要是使用人工智能算法,例如支持向量机、专家系统、神经网络、长短期记忆网络等。支持向量机在解决多分类问题时存在困难;专家系统虽然具有较强的可解释性,但是过分依赖过往经验且学习能力较差,限制了其在飞机发动机故障诊断中的应用;神经网络虽然可以有效的处理分类问题,但易出现梯度消失和梯度爆炸;LSTM网络虽然改善了神经网络的梯度问题,但对输入数据和参数的选择要求较高。
发明内容
本发明其中一个发明目的在于提供一种飞机发动机故障检测方法和系统,所述方法和系统基于优化的双向长短期记忆网络(Bi-LSTM)对飞机发动机进行检测,可以降低输入数据和参数的选择要求,并提高故障检测效果。
本发明另一个发明目的在于提供一种飞机发动机故障检测方法和系统,所述方法和系统将所述双向长短期记忆网络的相关参数采用遗传算法进行迭代优化,增强了所述双向长短期记忆网络的泛化能力,解决了飞机故障诊断中无法充分提取故障数据在时间序列中的长期依赖关系,诊断效率低以及诊断准确率不高的问题。
本发明另一个发明目的在于提供一种飞机发动机故障检测方法和系统,所述方法和系统通过优化的双向长短期记忆网络提取时间序列中的信息,从而可以适应于飞机发动机性能监测,提高飞机发动机中故障诊断的准确率和稳定性。
为了实现至少一个上述发明目的,本发明进一步提供一种飞机发动机故障检测方法,所述方法包括如下步骤:
获取飞机发动机性能参数,构建飞机发动机性能参数样本集;
建立双向长短期记忆网络模型,根据所述飞机发动机性能参数确定所述双向长短期记忆网络模型的输入层和输出层,并训练所述双向长短期记忆网络模型;
获取所述长短期记忆网络模型参数建立遗传个体和种群,根据遗传算法将种群中个体进行交叉、变异和复制中的至少一种;
将所述种群多次迭代后计算每一个体的适应度,选取最高的适应度的长短期记忆网络模型参数对应的飞机发动机故障检测结果作为最终结果。
根据本发明其中一个较佳实施例,在所述飞机发动机性能参数的构建过程中,包括对样本参数进行归一化处理,所述归一化处理的变换公式为:
其中xi表示第i个数据,xmin表示数据中的最小值,xmax表示数据中的最大值。
根据本发明另一个较佳实施例,所述双向长短期记忆网络模型包括:输入层、Bi-LSTM层、全连接层、softmax层、分类输出层,其中Bi-LSTM层由两层LSTM反向组合而成,而LSTM层包含了多个LSTM单元,LSTM单元的状态激活函数为tanh,门激活函数为sigmoid。
根据本发明另一个较佳实施例,在所述双向长短期记忆网络模型训练过程中采用分类交叉熵作为损失函数,并采用Adam优化算法调整所述长短期记忆网络模型的权重。
根据本发明另一个较佳实施例,所述遗传算法包括:计算初始种群中每个个体的适应度,其中适应度的计算采用均方误差MSE作为适应度函数f(i):
根据本发明另一个较佳实施例,采用轮盘赌法对所述种群的个体进行选择,每个个体的被选择概率为:
其中每个个体被选中的概率为Pi,每个个体的适应度为fi。
根据本发明另一个较佳实施例,设定当前种群的交叉概率Pc和变异概率Pm,对当前种群设置交叉、变异操作,未进行交叉操作的个体直接复制,生成包括多个子代个体的子代种群,进一步计算子代个体的适应度。
根据本发明另一个较佳实施例,多次种群迭代后,根据所述适应度函数获取最佳的适应度的个体,并将该个体对应的长短期记忆网络模型参数作为测试集输入到所述长短期记忆网络模型中获取最终的模型预测结果。
为了实现至少一个上述发明目的,本发明进一步提供一种飞机发动机故障检测系统,所述系统执行上述一种飞机发动机故障检测方法。
本发明提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序可被处理器执行上述一种飞机发动机故障检测方法。
附图说明
图1显示的是本发明一种飞机发动机故障检测方法流程示意图。
图2显示的是本发明中双向长短期记忆网络发动机故障诊断模型示意图。
图3显示的是本发明中双向长短期记忆网络示意图。
图4显示的是本发明中基于遗传算法的双向长短期记忆网络飞机发动机故障检测总体流程示意图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例,本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。
可以理解的是,术语“一”应理解为“至少一”或“一个或多个”,即在一个实施例中,一个元件的数量可以为一个,而在另外的实施例中,该元件的数量可以为多个,术语“一”不能理解为对数量的限制。
请参考图1-图4,本发明提供一种飞机发动机故障检测方法和系统,所述检测方法基于遗传算法优化的双向长短期记忆网络模型,可以实现快速的提取故障数据在时间序列中的长期依赖关系,使得所述双向长短期记忆网络模型可以快速诊断飞机发动机故障。
所述检测方法包括:首先需要从飞机的QAR系统中获取飞机发动机的性能参数,其中所述飞机发动机性能参数包括但不仅限于燃油滑油量、燃油滑油温度、转子转速和排气温度等参数,并将上述参数根据具体数值划分为正常参数和故障参数,上述参数作为发动机故障的特征参数。进一步建立样本数据,其中所述样本数据中的每个样本都包括燃油滑油量、燃油滑油温度、转子转速和排气温度等特征参数,所述样本数据分为训练集和测试集,所述训练集用于训练模型,测试集检测模型的故障检测结果,进一步的根据每个不同的特征参数值进行归一化处理,所述归一化处理的方法包括:
其中xi表示第i个特征参数,xmin表示特征参数中的最小值,xmax表示特征参数中的最大值。
在完成特征参数的归一化处理后,进一步建立双向长短期记忆网络模型,确定所述模型的输入层,所述输入层包括燃油滑油量(OilQty)、燃油滑油温度(OilTemp)、转子转速(N1)、排气温度(EGT)作为故障的特征参数,将上述特征参数转化为特征向量后输入到双向长短期记忆网络模型。进一步确定所述双向长短期记忆网络模型的输出层,所述输出层包括无故障、滑油故障、发电机故障、EGT指示系统故障,分别作为网络输出层的四个输出神经元,分别对应0,1,2,3进行输出。由于LSTM单元构成的网络结构仅能训练获得权重或特征,不能对不同故障类型进行分类,所以需要在网络顶层加入softmax回归模型进行分类。考虑到故障的发生可能不止由一个参数引起,所以将滑油故障的产生归纳为滑油温度异常或滑油量异常或两者同时异常。
所述双向长短期记忆网络模型包括五个网络层,分别为:输入层、Bi-LSTM层、全连接层、softmax层、分类输出层,其中Bi-LSTM层由两层LSTM反向组合而成,而LSTM层包含了多个LSTM单元,LSTM单元的状态激活函数为tanh,门激活函数为sigmoid。在所述模型的训练过程中采用分类交叉熵作为损失函数对所述双向长短期记忆网络模型进行训练,并通过Adma优化算法的调整所述模型的参数。
值得一提的是,所述LSTM单元由遗忘门(forgetgate),输入门(inputgate)和输出门(outputgate)组成。其中所述LSTM单元可以看成一个细胞,并在通过所述遗忘门(forgetgate),输入门(inputgate)和输出门(outputgate)实现对细胞的更新。其中遗忘门可以决定细胞的状态中丢弃不需要的信息,遗忘门输出一个0-1之间的数值,其中0表示完全舍弃,1表示完全保留,遗忘门的数值选择可以有效地过滤非必要数据,从而使得细胞中数据更新更趋向于需要的数据状态。所述遗忘门的输出结果公式为:
ft=σ(Wf·[ht-1,xt]+bf)。
输入门决定在细胞中加入新的信息,其中新信息加入包括2个步骤:第一步由一个sigmoid层决定哪些信息需要更新,通过tanh层生成备选用于细胞信息更新,具体公式为:
it=σ(Wi·[ht-1,xt]+bi)
第二步,更新细胞状态Ct,新细胞状态=遗忘门结果×旧细胞状态+要更新的新信息,具体公式为:
进一步的,所述输出门中通过一个sigmoid层来确定细胞状态中哪一部分的信息排出到细胞状态之外,具体公式为:
ot=σ(Wo[ht-1,xt]+bo);
最终通过tanh层处理排出的信息,并确定当前LSTM单元ht的输出值。
上述LSTM单元的公式中ht-1表示上一时刻LSTM单元的输出值,xt表示当前时刻的输入序列,ft表示遗忘门的状态,it表示输入门的状态,ot表示输出门的状态,Ct表示当前细胞状态,表示备选内容,W表示权值矩阵,b为偏置项,σ为sigmoid函数,tanh为tanh激活函数。
所述全连接层连接LSTM层,且所述全连接层将所述LSTM层的输出作为输入向量,并采用softmax函数输出最终的故障类别,具体公式为:
y=softmax(θd·x+bd);
其中θd和bd表示全连接层的权值矩阵和偏置矩阵,x表示LSTM层的输出,y表示最后的输出结果。
值得一提的是,本发明核心的优势在于采用遗传算法对双向长短期记忆网络模型中相关的参数的取值进行遗传迭代,获取最优的取值,具体包括如下步骤:
获取双向长短期记忆网络模型中包括但不仅限于隐含层单元数、时间窗步长、学习率和训练次数等参数,对上述模型参数进行实数编码,编码方法包括但不仅限于二进制编码,比如隐含层单元数为5时,其可以编码为[0101],表示隐含层数为5,同时将该编码的数据作为隐含层的基因,进一步将其他参数编码为具有相同总长度基因。进一步将所有基因组合到一起建立模型参数的遗传个体,通过包括但不仅限于基因编码随机组合设置的方式建立具有多个模型参数遗传个体的模型参数遗传种群。在本发明其中一个较佳实施例中,所述初始种群可以设置为30个模型参数的遗传个体。
进一步计算所述初始种群中每一个体的遗传适应度,所述遗传适应度采用均方误差MSE作为遗传适应度函数f(i)进行计算:
采用轮盘赌法对当前种群中的个体进行选择,获取当前种群中每一个体的遗传适应度f(i),并计算每一个体的被选择的概率:
其中N为个体,Pi为被选中的概率,进一步设置交叉概率Pc和变异概率Pm对当前种群进行交叉和变异操作,若未进行交叉操作,则个体的基因直接复制,生成子代的遗传个体和子代种群。优选的,本发明设置交叉概率Pc=0.4,设置变异概率Pm=0.1。
进一步计算子代种群中每一子代个体的遗传适应度,并进一步将子代种群进行多次迭代,直到遗传算法符合收敛条件或迭代结束。获取所有种群中遗传适应度最高的个体作为最佳模型参数组合。
将所述最佳模型参数组合作输入到所述双向长短期记忆网络模型进行测试。将预先设置好的测试集输入到所述双向长短期记忆网络模型进行飞机发动机故障诊断,并采用F1-score来评估模型的表现:
其中F1为F1-score,P为精准率,R为召回率。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线段、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线段的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线段、电线段、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域的技术人员应理解,上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明,本发明的目的已经完整并有效地实现,本发明的功能及结构原理已在实施例中展示和说明,在没有背离所述原理下,本发明的实施方式可以有任何变形或修改。
Claims (10)
1.一种飞机发动机故障检测方法,其特征在于,所述方法包括如下步骤:
获取飞机发动机性能参数,构建飞机发动机性能参数样本集;
建立双向长短期记忆网络模型,根据所述飞机发动机性能参数确定所述双向长短期记忆网络模型的输入层和输出层,并训练所述双向长短期记忆网络模型;
获取所述长短期记忆网络模型参数建立遗传个体和种群,根据遗传算法将种群中个体进行交叉、变异和复制中的至少一种;
将所述种群多次迭代后计算每一个体的适应度,选取最高的适应度的长短期记忆网络模型参数对应的飞机发动机故障检测结果作为最终结果。
3.根据权利要求1所述的一种飞机发动机故障检测方法,其特征在于,所述双向长短期记忆网络模型包括:输入层、Bi-LSTM层、全连接层、softmax层、分类输出层,其中Bi-LSTM层由两层LSTM反向组合而成,而LSTM层包含了多个LSTM单元,LSTM单元的状态激活函数为tanh,门激活函数为sigmoid。
4.根据权利要求1所述的一种飞机发动机故障检测方法,其特征在于,在所述双向长短期记忆网络模型训练过程中采用分类交叉熵作为损失函数,并采用Adam优化算法调整所述长短期记忆网络模型的权重。
7.根据权利要求5所述的一种飞机发动机故障检测方法,其特征在于,设定当前种群的交叉概率Pc和变异概率Pm,对当前种群设置交叉、变异操作,未进行交叉操作的个体直接复制,生成包括多个子代个体的子代种群,进一步计算子代个体的适应度。
8.根据权利要求7所述的一种飞机发动机故障检测方法,其特征在于,多次种群迭代后,根据所述适应度函数获取最佳的适应度的个体,并将该个体对应的长短期记忆网络模型参数作为测试集输入到所述长短期记忆网络模型中获取最终的模型预测结果。
9.一种飞机发动机故障检测系统,其特征在于,所述系统执行上述权利要求1-8中任意一项所述的一种飞机发动机故障检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序可被处理器执行上述权利要求1-8中任意一项所述的一种飞机发动机故障检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110943801.1A CN113761795A (zh) | 2021-08-17 | 2021-08-17 | 一种飞机发动机故障检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110943801.1A CN113761795A (zh) | 2021-08-17 | 2021-08-17 | 一种飞机发动机故障检测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113761795A true CN113761795A (zh) | 2021-12-07 |
Family
ID=78790165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110943801.1A Pending CN113761795A (zh) | 2021-08-17 | 2021-08-17 | 一种飞机发动机故障检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113761795A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114166509A (zh) * | 2022-02-10 | 2022-03-11 | 中国人民解放军海军工程大学 | 一种电机轴承故障预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110501585A (zh) * | 2019-07-12 | 2019-11-26 | 武汉大学 | 一种基于Bi-LSTM和油中溶解气体分析的变压器故障诊断方法 |
CN110689171A (zh) * | 2019-09-05 | 2020-01-14 | 哈尔滨工程大学 | 一种基于e-lstm的汽轮机健康状态预测方法 |
US20200104200A1 (en) * | 2018-09-27 | 2020-04-02 | Oracle International Corporation | Disk drive failure prediction with neural networks |
WO2020191801A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
CN112804336A (zh) * | 2020-10-29 | 2021-05-14 | 浙江工商大学 | 故障检测方法、装置、系统、计算机可读存储介质 |
CN112990435A (zh) * | 2021-03-22 | 2021-06-18 | 华北电力大学 | 一种长短时记忆网络电站风机故障预警方法及系统 |
CN112990258A (zh) * | 2021-02-01 | 2021-06-18 | 山东建筑大学 | 一种冷水机组故障诊断方法及系统 |
EP3839684A1 (en) * | 2019-12-20 | 2021-06-23 | Pratt & Whitney Canada Corp. | Method and system for diagnosing an engine or an aircraft |
-
2021
- 2021-08-17 CN CN202110943801.1A patent/CN113761795A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200104200A1 (en) * | 2018-09-27 | 2020-04-02 | Oracle International Corporation | Disk drive failure prediction with neural networks |
WO2020191801A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
CN110501585A (zh) * | 2019-07-12 | 2019-11-26 | 武汉大学 | 一种基于Bi-LSTM和油中溶解气体分析的变压器故障诊断方法 |
CN110689171A (zh) * | 2019-09-05 | 2020-01-14 | 哈尔滨工程大学 | 一种基于e-lstm的汽轮机健康状态预测方法 |
EP3839684A1 (en) * | 2019-12-20 | 2021-06-23 | Pratt & Whitney Canada Corp. | Method and system for diagnosing an engine or an aircraft |
CN112804336A (zh) * | 2020-10-29 | 2021-05-14 | 浙江工商大学 | 故障检测方法、装置、系统、计算机可读存储介质 |
CN112990258A (zh) * | 2021-02-01 | 2021-06-18 | 山东建筑大学 | 一种冷水机组故障诊断方法及系统 |
CN112990435A (zh) * | 2021-03-22 | 2021-06-18 | 华北电力大学 | 一种长短时记忆网络电站风机故障预警方法及系统 |
Non-Patent Citations (2)
Title |
---|
唐赛;何荇兮;张家悦;尹爱军;: "基于长短期记忆网络的轴承故障识别", 汽车工程学报, no. 04 * |
王维锋;邱雪欢;孙剑桥;张惠民;: "基于双层长短时记忆网络的齿轮故障诊断方法", 装甲兵工程学院学报, no. 02 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114166509A (zh) * | 2022-02-10 | 2022-03-11 | 中国人民解放军海军工程大学 | 一种电机轴承故障预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116639010B (zh) | 充电桩的智能控制系统及其方法 | |
JP7242101B2 (ja) | 融合ニューラルネットワークモデルに基づくエンジンサージング故障の予測システム及び方法 | |
CN108960303B (zh) | 一种基于lstm的无人机飞行数据异常检测方法 | |
CN109141847B (zh) | 一种基于mscnn深度学习的飞机系统故障诊断方法 | |
CN105606914A (zh) | 一种基于iwo-elm的航空功率变换器故障诊断方法 | |
CN112000015B (zh) | 一种基于lstm和生物激励神经网络的重型燃机控制系统控制器模块智能bit设计方法 | |
CN109973331B (zh) | 一种基于bp神经网络的风力发电机组风轮叶片故障诊断算法 | |
CN112147432A (zh) | 基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统 | |
CN115618732B (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
Lo et al. | Intelligent automatic fault detection for actuator failures in aircraft | |
CN116577677A (zh) | 退役动力电池的放电测试系统及其方法 | |
Wang et al. | A remaining useful life prediction model based on hybrid long-short sequences for engines | |
CN106453294A (zh) | 基于模糊淘汰机制的小生境技术的安全态势预测方法 | |
CN113705094A (zh) | 一种基于pso-gru的船舶燃油管道故障预测方法 | |
CN113761795A (zh) | 一种飞机发动机故障检测方法和系统 | |
CN114021758A (zh) | 一种基于梯度提升决策树与逻辑回归融合的运维人员智能推荐方法和装置 | |
CN114460481A (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
CN117171681B (zh) | 非平衡小样本下的无人机舵面智能故障诊断方法及装置 | |
CN112560252A (zh) | 一种航空发动机剩余寿命预测方法 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN112380763A (zh) | 一种基于数据挖掘的堆内构件可靠性分析系统及方法 | |
CN116776209A (zh) | 一种关口计量装置运行状态辨识方法、系统、设备及介质 | |
CN115828161A (zh) | 一种基于循环神经网络的汽车故障类型预测方法及装置 | |
CN115375038A (zh) | 一种飞机发动机失效模式识别和寿命预测方法 | |
CN114692729A (zh) | 基于深度学习的新能源场站不良数据辨识与修正方法 |
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 |