CN114707098B - 一种基于多源传感器状态距离的航空发动机性能退化状态评价方法 - Google Patents
一种基于多源传感器状态距离的航空发动机性能退化状态评价方法 Download PDFInfo
- Publication number
- CN114707098B CN114707098B CN202210075541.5A CN202210075541A CN114707098B CN 114707098 B CN114707098 B CN 114707098B CN 202210075541 A CN202210075541 A CN 202210075541A CN 114707098 B CN114707098 B CN 114707098B
- Authority
- CN
- China
- Prior art keywords
- degradation
- sensor
- state
- data
- calculating
- 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
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 126
- 230000015556 catabolic process Effects 0.000 title claims abstract description 73
- 238000011156 evaluation Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000013178 mathematical model Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000005653 Brownian motion process Effects 0.000 claims description 8
- 230000036541 health Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000005537 brownian motion Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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
- G01M15/14—Testing gas-turbine engines or jet-propulsion engines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种基于多源传感器状态距离的航空发动机性能退化状态评价方法，包括以下步骤：步骤一、数据预处理；步骤二、计算传感器的权重；步骤三、计算多源传感器状态距离表征退化状态；步骤四、计算退化过程的近似数学模型；本方法提出了一种基于多评价指标的传感器特征加权的方法，充分利用了多源传感器退化数据，同时提出了一种基于多源传感器状态距离的航空发动机性能退化状态评价方法，充分考虑了传感器之间的关联性以及初始运行条件不同等问题，因此可以更加准确描述航空发动机退化过程。
Description
技术领域
本发明属于航空发动机性能退化技术领域，具体涉及一种基于多源传感器状态距离的航空发动机性能退化状态评价方法。
背景技术
航空发动机退化分析是航空工业领域研究的重点之一，如何有效分析发动机的传感器退化数据并得到描述发动机性能退化的综合指标是退化状态评价的关键。随着传感器技术和大数据的发展，基于数据驱动的航空发动机退化评价方法成为重要趋势。基于数据驱动的方法重点在于如何将退化过程中的传感器监测数据有效利用起来以准确描述发动机的退化过程。
目前，现有的方法采用与退化过程最相关的传感器数据近似描述发动机的退化过程。这种简化的方法虽然可以描述退化的整体趋势，但是单一传感器所包含的信息较少，这些信息不足以准确描述退化过程。随着数据融合技术的发展，许多研究开始通过融合退化过程中的多传感器数据得到一个综合指标描述发动机退化状态。融合多传感器数据的方法与单一传感器数据方法相比较有很大的提升，但是目前大多数研究都没有考虑退化过程中传感器的重要性和传感器之间的相关性。在退化过程的多个传感器中，一部分传感器对性能退化影响很大，另一部分传感器对性能退化过程影响很小。此外，部分传感器之间还存在某些关系，例如温度和压力等。因此，航空发动机的传感器退化监测数据具有不同的特点和相关性。为了解决上述问题，提出了一种新的描述发动机性能退化状态的方法，即基于多源传感器状态距离的性能退化状态评价方法。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于多源传感器状态距离的性能退化状态评价方法。通过多源传感器状态距离的方法，将退化过程中的多个传感器数据融合为一个综合变量表征退化过程，提出的方法充分考虑了发动机退化过程中不同传感器对退化过程影响不同、传感器之间的关联性以及初始运行条件不同等问题，所以可以更加准确描述退化过程。
为解决上述技术问题，本发明采用的技术方案是：一种基于多源传感器状态距离的性能退化状态评价方法，其特征在于，包括以下步骤：
步骤一、数据预处理：
步骤101：整个退化过程的时刻为N，输入完整退化过程中m个传感器退化序列数据Xo1＝[X1,X2,…,Xm]，第j个传感器的退化序列表示为剔除性能退化过程中的无关传感器数据，最终保留k个传感器退化数据Xo2＝[X1,X2,…,Xk]，k≤m；
步骤102：对输入的k个传感器退化数据进行归一化处理，根据公式计算各个传感器归一化后的数据，其中x表示归一化前的数据，x' 表示归一化后的数据；第j个传感器归一化后的数据为/>
步骤二、计算传感器的权重：
步骤201：根据公式计算整个退化过程中每个传感器的单调性指标；
步骤202：根据公式计算整个退化过程中每个传感器的预测性指标，其中/>初始时刻的均值；/>为失效时刻的均值；σ(xf)为失效时刻的标准差；
步骤203：根据公式计算整个退化过程中每个传感器的相关性指标，其中ti表示退化过程的时间序列， i＝1,2,…,N；
步骤204：将单调性、预测性和相关性三个指标组成向量(Mon,Pre,Corr) 与最优向量(1,1,1)计算欧式距离D，D描述了多评价指标的坐标向量与最优点之间的绝对差异；
步骤205：根据公式将绝对差异转化为相似度S＝[s1,s2,…,sk]，再根据公式/>归一化相似度得到传感器的权重W＝[w1,w2,…,wk]；
步骤三、计算多源传感器状态距离表征退化状态：
步骤301：生成权重矩阵，将权重W＝[w1,w2,…,wk]转化为对角线权重矩阵
步骤302：根据公式计算传感器数据之间的相关系数，其中X和Y表示不同的传感器数据，生成相关系数矩阵/>
步骤303：根据公式计算性能退化状态，其中DIi表示第i个时刻的性能退化状态指标；/>表示第i个时刻的传感器数据向量；/>表示健康状态的传感器数据向量；表示失效状态的传感器数据向量；T 表示向量转置；W和R表示权重矩阵和相关系数矩阵；
步骤四、计算退化过程的近似数学模型：
步骤401：选择非线性维纳过程描述退化过程，设定的方程为 x(t)＝x(0)+aebt+σB(t)其中x表示退化状态指标，B(t)表示标准布朗运动，a、b 和σ表示求解的参数，令Θ＝{a,b,σ}；
步骤402：设发动机从健康状态运行到完全失效状态共得到N个时刻表示退化性能状态的指标DI＝{x1,x2,…,xN},退化过程中的时间序列为T＝{t1,t2,…,tN}，退化指标的增量数据集为ΔDI＝{Δx1,Δx2,…,ΔxN}，则根据非线性维纳过程的性质可以计算得到关于Θ＝{a,b,σ}的似然函数为
步骤403：采用多维搜索优化的方法求解参数的极大似然估计值。
本发明与现有技术相比具有以下优点：
1、本发明提出的基于单调性、预测性和相关性的传感器特征加权方法，可以更合理地计算退化过程中各个传感器的权重。
2、本发明提出的基于多源传感器状态距离的航空发动机性能退化状态评价方法，充分考虑了发动机退化过程中不同传感器对退化过程影响不同、传感器之间的关联性以及初始运行条件不同等问题，可以更合理地融合退化过程的传感器数据以表征退化过程。
综上所述，本发明通过基于多源传感器状态距离的方法，将退化过程中的多个传感器数据融合为一个综合变量表征退化过程，提出的方法充分考虑了发动机退化过程中不同传感器对退化过程影响不同、传感器之间的关联性以及初始运行条件不同等问题，更加准确地描述退化过程。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的流程框图
图2为100台发动机退化状态指标图
图3为5种方法生成的退化状态指标
图4为计算的近似数学模型
图5为15个传感器的单调性、预测性和相关性指标计算结果
图6为15个传感器计算的权重结果
图7为100台涡扇发动机5种不同方法的评价标准平均值
图8为100台涡扇发动机5种不同评价状态退化方法的在翼时间误差平均值。
具体实施方式
下面结合实施例对本发明的方法作进一步详细的说明。
如图1所示，本发明包括以下步骤：
步骤一、数据预处理：
为了验证提出了方法的有效性，采用NASA公开的C-MAPSS数据集进行验证。C-MAPSS数据集包含4个子数据集，每个子集包含不同的工况数和故障数，采用单工况和单故障模式条件下的FD001子集展示实施过程。
步骤101：FD001数据集包含100台发动机的完整退化过程传感器数据，其中包含3个工况操作数据，21维传感器监测数据。剔除无关传感器数据和 3个工况操作参数数据，最终保留15维传感器监测数据；
步骤102：对最终保留的15传感器数据进行归一化处理，根据公式计算各个传感器归一化后的数据Xnor＝[X1,X2,…,Xk]，其中第j 个传感器归一化后的数据为
步骤二、计算传感器的权重：
步骤201：根据公式计算整个退化过程中每个传感器的单调性指标。实际使用过程中，分别计算15维传感器数据的单调性指标值。
步骤202：根据公式计算整个退化过程中每个传感器的预测性指标，其中/>为初始时刻的均值；/>为失效时刻的均值；σ(xf)为失效时刻的标准差。实际使用时，选择前5％的初始时刻的数据计算初始时刻的均值/>选择后5％的退化末期的数据计算失效时刻的均值/>分别计算 15维传感器数据的预测性指标值。
步骤203：根据公式计算整个退化过程中每个传感器的相关性指标，其中ti表示退化过程的时间序列， i＝1,2,…,N。实际使用过程中，分别计算15维传感器数据的相关性指标值。
步骤204：将单调性、预测性和相关性三个指标组成向量(Mon,Pre,Corr) 与最优向量(1,1,1)计算欧式距离，所述的计算公式为D描述了多评价指标的坐标向量与最优点之间的绝对差异。实际使用过程中，图5展示了15维传感器的单调性、预测性和相关性三个指标组成向量(Mon,Pre,Corr)。
步骤205：根据公式将绝对差异转化为相似度S＝[s1,s2,…,sk]，再根据公式/>归一化相似度得到传感器的权重W＝[w1,w2,…,wk]。实际使用过程中，图6展示了15维传感器计算的权重结果。
步骤三、计算多源传感器状态距离表征退化状态：
步骤301：生成权重矩阵，将权重W＝[w1,w2,…,wk]转化为对角线权重矩阵
步骤302：根据公式计算传感器数据之间的相关系数，其中X和Y表示不同的传感器数据，生成相关系数矩阵/>
步骤303：根据公式计算性能退化状态，其中DIi表示第i个时刻的性能退化状态指标；/>表示第i个时刻的传感器数据向量；/>表示健康状态的传感器数据向量；表示失效状态的传感器数据向量；T 表示向量转置；W和R表示权重矩阵和相关系数矩阵；
实际使用过程中，计算FD001数据集下100台发动机的退化状态如图2 所示，图中横轴表示时刻，纵轴表示退化状态值。从图2可以看出，基于多源传感器状态距离得出的100台涡扇发动机的退化状态退化趋势基本保持一致，每条退化状态曲线在退化初期变化缓慢，随着运行时间的增加，发动机的退化状态逐渐加快，越靠近退化的末期，退化趋势变化越剧烈。
为了证明方法的有效性，选取与退化最相关的单一传感器直接作为性能退化评价方法M1、由基于欧式距离构建退化性能评价方法M2、基于马氏距离构建退化性能方法M3和基于粗糙核距离构建性能退化方法M4这四种方法进行对比。图3展示了FD001下一台发动机通过5种方法得出的退化状态曲线，从图3中可以看出提出的方法提升效果很大，可以更准确的描述发动机的状态退化过程。图7展示了100台涡扇发动机初始健康状态周期个数设定不同下5种不同退化状态评价方法计算得出的预测性，单调性以及相关性评价标准的平均值，同样证明提出方法的有效性。
步骤四、计算退化过程的近似数学模型：
步骤401：选择非线性维纳过程描述退化过程，设定的方程为 x(t)＝x(0)+aebt+σB(t)其中x表示退化状态指标，B(t)表示标准布朗运动，a、b 和σ表示求解的参数，令Θ＝{a,b,σ}；
步骤402：设发动机从健康状态运行到完全失效状态共得到N个时刻表示退化性能状态的指标DI＝{x1,x2,…,xN},退化过程中的时间序列为 T＝{t1,t2,…,tN}，退化指标的增量数据集为ΔDI＝{Δx1,Δx2,…,ΔxN}，则根据非线性维纳过程的性质可以计算得到关于Θ＝{a,b,σ}的似然函数为
步骤403：采用多维搜索优化的方法求解参数的极大似然估计值；
实际使用过程中，通过非线性维纳过程计算的近似数学模型如图4所示，图中横轴表示时刻，纵轴表示退化状态值，DI表示退化状态值。为了进一步验证方法的有效性，通过非线性维纳过程对所提出的方法计算的退化状态指标以及四种对比方法进行方程建模，用以表征退化状态。如图4所示，将每种方法计算的退化状态指标，代入到对应的非线性维纳方程中，计算每个退化状态所对应方程预测的在翼时间与真实的在翼时间的误差。图8展示了100 台涡扇发动机在5种不同的方法建立退化状态指标后在翼时间预测的误差的平均值，同样可以证明提出的方法的有效性。
以上所述，仅是本发明的实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。
Claims (2)
1.一种基于多源传感器状态距离的航空发动机性能退化状态评价方法，其特征在于，包括以下步骤：
步骤一、数据预处理：
步骤101：整个退化过程的时刻为N，输入完整退化过程中m个传感器退化序列数据Xo1＝[X1,X2,…,Xm]，第j个传感器的退化序列表示为剔除性能退化过程中的无关传感器数据，最终保留k个传感器退化数据Xo2＝[X1,X2,…,Xk]，k≤m；
步骤102：对输入的k个传感器退化数据进行归一化处理，根据公式计算各个传感器归一化后的数据，其中x表示归一化前的数据，x'表示归一化后的数据；第j个传感器归一化后的数据为/>j＝1,2,…,k；
步骤二、计算传感器的权重：
步骤201：根据公式计算整个退化过程中每个传感器的单调性指标；
步骤202：根据公式计算整个退化过程中每个传感器的预测性指标，其中/>为初始时刻的均值；/>为失效时刻的均值；σ(xf)为失效时刻的标准差；
步骤203：根据公式计算整个退化过程中每个传感器的相关性指标，其中ti表示退化过程的时间序列，i＝1,2,…,N；
步骤204：将单调性、预测性和相关性三个指标组成向量(Mon,Pre,Corr)与最优向量(1,1,1)计算欧式距离D，D描述了多评价指标的坐标向量与最优点之间的绝对差异；
步骤205：根据公式将绝对差异转化为相似度S＝[s1,s2,…,sk]，再根据公式归一化相似度得到传感器的权重W＝[w1,w2,…,wk]；
步骤三、计算多源传感器状态距离表征退化状态：
步骤301：生成权重矩阵，将权重W＝[w1,w2,…,wk]转化为对角线权重矩阵
步骤302：根据公式计算传感器数据之间的相关系数，其中X和Y表示不同的传感器数据，生成相关系数矩阵/>
步骤303：根据公式计算性能退化状态，其中DIi表示第i个时刻的性能退化状态指标；/>表示第i个时刻的传感器数据向量；/>表示健康状态的传感器数据向量；/>表示失效状态的传感器数据向量；T表示向量转置；W和R表示权重矩阵和相关系数矩阵；
步骤四、计算退化过程的近似数学模型：
步骤401：选择非线性维纳过程描述退化过程，设定的方程为x(t)＝x(0)+aebt+σB(t)其中x表示退化状态指标，B(t)表示标准布朗运动，a、b和σ表示求解的参数，令Θ＝{a,b,σ}；
步骤402：设发动机从健康状态运行到完全失效状态共得到N个时刻表示退化性能状态的指标DI＝{x1,x2,…,xN},退化过程中的时间序列为T＝{t1,t2,…,tN}，退化指标的增量数据集为ΔDI＝{Δx1,Δx2,…,ΔxN}，则根据非线性维纳过程的性质可以计算得到关于Θ＝{a,b,σ}的似然函数为
步骤403：采用多维搜索优化的方法求解参数的极大似然估计值。
2.所述权利要求1步骤204中计算欧式距离的公式为
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210075541.5A CN114707098B (zh) | 2022-01-22 | 2022-01-22 | 一种基于多源传感器状态距离的航空发动机性能退化状态评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210075541.5A CN114707098B (zh) | 2022-01-22 | 2022-01-22 | 一种基于多源传感器状态距离的航空发动机性能退化状态评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114707098A CN114707098A (zh) | 2022-07-05 |
| CN114707098B true CN114707098B (zh) | 2024-03-08 |
Family
ID=82167466
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210075541.5A Active CN114707098B (zh) | 2022-01-22 | 2022-01-22 | 一种基于多源传感器状态距离的航空发动机性能退化状态评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114707098B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1724717A2 (en) * | 2001-03-08 | 2006-11-22 | California Institute Of Technology | Real-time spatio-temporal coherence estimation for autonomous mode identification and invariance tracking |
| CN107153759A (zh) * | 2017-04-27 | 2017-09-12 | 西安交通大学 | 一种多源数据融合的航空涡扇发动机剩余寿命预测方法 |
| CN109460574A (zh) * | 2018-10-09 | 2019-03-12 | 南京航空航天大学 | 一种航空发动机剩余寿命的预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108629073B (zh) * | 2018-03-14 | 2019-05-03 | 山东科技大学 | 一种多模式的退化过程建模及剩余寿命预测方法 |
-
2022
- 2022-01-22 CN CN202210075541.5A patent/CN114707098B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1724717A2 (en) * | 2001-03-08 | 2006-11-22 | California Institute Of Technology | Real-time spatio-temporal coherence estimation for autonomous mode identification and invariance tracking |
| CN107153759A (zh) * | 2017-04-27 | 2017-09-12 | 西安交通大学 | 一种多源数据融合的航空涡扇发动机剩余寿命预测方法 |
| CN109460574A (zh) * | 2018-10-09 | 2019-03-12 | 南京航空航天大学 | 一种航空发动机剩余寿命的预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 基于多工况自动聚类的飞机发动机健康状态评估;施浩;黄亦翔;刘成良;;机电一体化;20161115(11);全文 * |
| 基于非线性数据融合的设备多阶段寿命预测;牛一凡;邵景峰;;信息与控制;20191215(06);全文 * |
| 李京峰 ; 陈云翔 ; 项华春 ; 蔡忠义 ; .基于LSTM-DBN的航空发动机剩余寿命预测.系统工程与电子技术.(07),全文. * |
| 赵广社 ; 吴思思 ; 荣海军 ; .多源统计数据驱动的航空发动机剩余寿命预测方法.西安交通大学学报.(11),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114707098A (zh) | 2022-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112580263B (zh) | 基于时空特征融合的涡扇发动机剩余使用寿命预测方法 | |
| CN107292023B (zh) | 一种基于损伤指标体系窄域特性的桥梁结构状态诊断方法 | |
| CN115618733B (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 | |
| CN108959778B (zh) | 一种基于退化模式一致性的航空发动机剩余寿命预测方法 | |
| CN109460574A (zh) | 一种航空发动机剩余寿命的预测方法 | |
| CN114492533B (zh) | 一种变工况轴承故障诊断模型的构建方法及应用 | |
| CN112232244A (zh) | 一种滚动轴承故障诊断方法 | |
| US20230152786A1 (en) | Industrial equipment operation, maintenance and optimization method and system based on complex network model | |
| CN114297918A (zh) | 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法 | |
| CN115618732B (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
| Zhao et al. | Research on digital twin driven rolling bearing model-data fusion life prediction method | |
| CN115375026A (zh) | 一种多故障模式下的航空发动机寿命预测方法 | |
| CN114781577A (zh) | 基于VMD-DCNN-SVM的Buck电路故障诊断方法 | |
| Lu et al. | A modified active learning intelligent fault diagnosis method for rolling bearings with unbalanced samples | |
| Zhou et al. | An adaptive remaining useful life prediction model for aeroengine based on multi-angle similarity | |
| Li et al. | Spherical-dynamic time warping–A new method for similarity-based remaining useful life prediction | |
| CN114707098B (zh) | 一种基于多源传感器状态距离的航空发动机性能退化状态评价方法 | |
| Wu et al. | A multi-sensor fusion-based prognostic model for systems with partially observable failure modes | |
| CN114818811B (zh) | 一种基于孪生网络度量学习的航空发动机滚动轴承故障诊断方法 | |
| Chen et al. | Bearings Degradation Assessment Based on Signal Significance Index and Deep Cumulative Features | |
| CN114169091B (zh) | 工程机械部件剩余寿命的预测模型建立方法及预测方法 | |
| Shen et al. | A Generative Transfer Learning Method for Extreme Class Imbalance Problem and Applied to Piston Aero-Engine Fault Cross-Domain Diagnosis | |
| CN111913461A (zh) | 一种基于正则化gcca模型的分布式化工过程监测方法 | |
| CN114169091A (zh) | 工程机械部件剩余寿命的预测模型建立方法及预测方法 | |
| CN115729212B (zh) | 柱塞泵故障智能诊断方法、诊断系统、计算机设备及介质 |
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 |