CN114741945A - 一种航空发动机在线故障的诊断方法 - Google Patents
一种航空发动机在线故障的诊断方法 Download PDFInfo
- Publication number
- CN114741945A CN114741945A CN202210165138.1A CN202210165138A CN114741945A CN 114741945 A CN114741945 A CN 114741945A CN 202210165138 A CN202210165138 A CN 202210165138A CN 114741945 A CN114741945 A CN 114741945A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- engine
- fault diagnosis
- training
- 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 45
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012360 testing method Methods 0.000 claims abstract description 35
- 230000036541 health Effects 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000010354 integration Effects 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000012905 input function Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 16
- 230000011218 segmentation Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory 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]
- G06F30/20—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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明一种航空发动机在线故障的诊断方法,包括以下步骤:将采集到的发动机多维时序性能参数样本制作成数据集,并进行数据预处理;构建基于深度自编码网络的故障诊断模型;将正常性能参数样本输入故障诊断模型进行训练,构建发动机健康模型;将正常和异常的数据输入发动机健康模型进行测试,得到满足要求的发动机健康模型;将在线实时采集的发动机多维性能参数数据进行预处理,然后将数据输入健康模型中,判断发动机是否发生故障。该方法能实现在变工况下对发动机多维时序性能参数进行监控和故障诊断,并且本发明能有效提取发动机多维健康参数的隐藏特征,并通过建立发动机健康模型,提高了故障诊断的准确率。
Description
技术领域
本发明涉及了发动机在线故障诊断的技术领域,具体涉及了一种航空发动机在线故障的诊断方法。
背景技术
航空发动机是飞机的“心脏”,其工作状态和性能将直接影响飞机的飞行安全。采用有效的发动机故障诊断方法来及时检测发动机故障对于确保飞机的飞行安全和降低发动机维修成本具有重要意义。
近几年来,一种属于无监督学习的深度学习算法-自编码网络也在航空发动机故障诊断中得到了一定的研究应用。但是现有技术常常采用一维卷积神经网络模型对振动信号进行特征提取和类型识别,而在实际的航空发动机状态监控过程中,难以满足同时对多维数据进行监控及诊断;同时采用有监督学习神经网络—卷积神经网络模型进行故障诊断,具有很强的数据标签依赖性,一旦发动机的工况发生变化,需要重新对数据进行标签处理,难以满足在线诊断的要求。
因此,研发一种可实时动态监控诊断发动机多维性能参数,同时提高发动机故障的准确率的航空发动机在线故障的诊断方法具有十分重要的意义。
发明内容
本发明的目的在于:针对现有技术航空发动机故障诊断方法中存在难以实现在变工况下对发动机多维时序性能参数进行监控和故障诊断的问题,提供一种新颖的航空发动机在线故障的诊断方法,该诊断方法可同时满足对多维数据进行监控及诊断,模型数据标签依赖性低,可用以实时检测发动机的在线故障,提高发动机故障诊断的准确率,增强航空发动机工作的可靠性,降低发动机维修成本,确保飞行安全。
为了实现上述目的,本发明采用的技术方案为:
一种航空发动机在线故障的诊断方法,包括以下步骤:
步骤1、构建基于深度自编码网络的故障诊断模型:将输入自编码网络的多维数据整合为单维数据,并对单维数据进行编码和解码操作;
步骤2、将采集到的发动机多维时序性能参数样本制作成数据集,并对数据集进行预处理,以消除数据中的高频噪声;
然后,将预处理后的数据集分为训练集和测试集,训练集仅包括正常性能参数样本,测试集包含正常性能参数样本和异常性能参数样本;
步骤3、采用训练集的数据输入所述步骤1构建的故障诊断模型进行训练,提取正常样本性能参数的隐藏特征,构建发动机健康模型;
步骤4、将测试集的数据输入所述步骤3构建的发动机健康模型进行测试;若模型测试效果不满足要求,则进一步调整发动机健康模型相关结构和参数,重新进行步骤3的模型训练和步骤4的模型测试,直至步骤4的模型测试效果满足要求,保存满足要求的发动机健康模型;
步骤5、将在线实时采集的发动机多维性能参数数据进行预处理,然后将数据输入所述步骤4保存的发动机健康模型中,得到模型拟合输出的预测值,将模型拟合输出的预测值与输入的实际值进行比较,若偏差较大则表明该发动机存在故障,否则该发动机不存在故障。
在实际的发动机状态监控中,需对多维时序性能参数进行监控,同时发动机的工况也随时间不断变化。为了能实现在变工况下对发动机多维时序性能参数进行监控和故障诊断,本发明通过对深度自编码网络的第一级编码层进行优化,加入维度整合函数,可将多维时序性能参数进行维度整合为单维时序性能参数,进而对数据进行编码和解码操作。同时,由于深度自编码网络属于无监督学习的神经网络算法,其对数据标签无依赖性,因此该方法能适用于变工况下的发动机故障诊断,进一步达到了在线诊断的目标。此外,现有技术采用故障数据为训练样本,并提取故障参数特征来进行故障诊断,然而实际情况下发动机的故障模式非常多,很难一一列举,本发明有效提取发动机多维健康参数的隐藏特征,并通过建立发动机健康模型,以发动机健康参数特征为基准来判断异常故障,符合发动机控制规律,比在现行发动机地面监控过程中通过设定告警阈值等诊断方法更加精确,也能提前捕捉故障先兆,能够更准确有效的识别异常,提高了故障诊断的准确率。
进一步的,所述步骤1和所述步骤2可调换顺序。
进一步的,所述步骤1中,基于深度自编码网络的故障诊断模型具体的构建方法如下:步骤11、将多维数据输入维度整合函数,得到单维数据;
其中,维度整合函数为:
式中xt表示输入函数,a和b表示常数;
单维数据最终表示如下:
函数使用多路并行,以时间作为基准节点,分别对每一列数据进行计算和插入,以保证时间序列数据原有的时间顺序不会被打乱;
式中xf表示最终多维度数据整合后所得到的单维数据;xni表示当遗忘率为n时维度数据xi对应的值;n表示送入的遗忘率参数;rd表示由系统生成的区间内的随机值;c表示修正率;
步骤12、将维度整合后的单维数据进行编码和解码操作;模型中编码部分共有N层,每个层级间采用激活函数进行激活,解码网络与编码网络对称;
最终模型输入输出关系为:
本发明参考长短期记忆网络LSTM(Long Short-Term Memory)遗忘门常用的tanh函数,构造维度整合函数,函数使用多路并行,以时间作为基准节点,分别对每一列数据进行计算和插入,以保证时间序列数据原有的时间顺序不会被打乱。以确保在连续多个点没有使用到该列数据的值时有一个值能够送入,防止在遗忘率设置过高时造成数据特征向某一列数据偏移。
首先将输入的多维时序数据经过维度整合函数处理为单维时序数据,然后通过编码层将数据从高维空间映射到低维特征空间,最后通过解码层再从低维特征空间进行数据重构;构建基于深度自编码网络的故障诊断模型,该深度自编码网络属于无监督学习的神经网络算法,其对数据标签无依赖性,因此该方法能适用于变工况下的发动机故障诊断,进一步达到了在线诊断的目标。
进一步的,所述步骤2中,采用小波变换、去均值方法对数据集进行预处理,以消除数据中的高频噪声。
进一步的,所述步骤3中,在模型训练前,采用长度为L1、步长为S1滑窗对数据进行分割。
进一步的,所述步骤4中,在模型测试前,采用长度为L2、步长为S2的滑窗对数据进行分割。
进一步的,L1和L2通常选取2的N次方,如2,4,8,16等,因为计算机的二进制编码,该方法会在一定程度上优化计算速度。可根据实际的计算资源优化,如人工智能训练中比较玄学的43等等,但是通常分割的值最好不要超过总数据量的10%,切分的L1和L2越大,训练时占用的内存和显存也会相应增加。S1选用10以内的步长分割,S2选用L2的大小。
进一步的,所述相关结构和参数包括滑动窗口的大小、选取训练数据集大小、网络的训练迭代次数、隐藏层数、节点数及激活函数。
进一步的,所述步骤4中,模型测试过程中,发动机健康模型的预测残差值分别于0值附近,且小于原始深度自编模型的预测残差值时,即为模型测试效果满足要求,否则为模型测试效果不满足要求。
进一步的,所述步骤5中,将模型拟合输出的预测值与输入的实际值进行比较得到预测残差值,采用“3σ”原则来进行判断;当某时刻下多维数据预测残差的平均值超过“3σ”界限,则表示该组模型拟合输出的预测值与输入的实际值进行比较偏差较大,该组数据为异常点位,发动机存在故障。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、为了能实现在变工况下对发动机多维时序性能参数进行监控和故障诊断,本发明通过对深度自编码网络的第一级编码层进行优化,加入维度整合函数,可将多维时序性能参数进行维度整合为单维时序性能参数,进而对数据进行编码和解码操作。同时,由于深度自编码网络属于无监督学习的神经网络算法,其对数据标签无依赖性,因此该方法能适用于变工况下的发动机故障诊断,进一步达到了在线诊断的目标。
2、本发明有效提取发动机多维健康参数的隐藏特征,并通过建立发动机健康模型,以发动机健康参数特征为基准来判断异常故障,符合一定控制规律,比在现行发动机地面监控过程中通过设定告警阈值等诊断方法更加精确,也能提前捕捉故障先兆,能够更准确有效的识别异常,提高了故障诊断的准确率。
附图说明
图1为实施例1中航空发动机故障诊断流程示意图。
图2为基于深度自编码网络的故障诊断模型示意图。
图3为模型训练和测试前的数据分割策略示意图。
图4为原始深度自编码模型(DAE)和发动机健康模型(ODAE)的预测残差对比图。
具体实施方式
下面结合附图,对本发明作详细的说明。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例1
本实例以某型涡扇发动机转子轴承故障诊断为例来具体阐述本发明所述方法。
如图1所示,通过对发动机地面试车数据进行采集,选取振动信号及转速信号数据进行小波降噪和去均值处理,构建训练集和测试集,采用训练集对模型进行训练,将训练得到的且测试效果满足要求的发动机健康模型用于故障检测,并得出诊断结果。具体实施包括以下步骤:
步骤1:将采集到的发动机振动信号及转速信号数据制作成数据集,包含正常性能参数样本和异常性能参数样本;再采用小波变换、去均值方法对数据集进行预处理。由于本实例重点关注发动机转子轴承故障,因此选取了如表1所列的4维发动机性能参数。
表1发动机性能参数描述
名称 | 描述 | 单位 | 告警阈值 |
N<sub>1</sub> | 低压压气机转子换算转速 | % | 105 |
N<sub>2</sub> | 高压压气机转子换算转速 | % | 105 |
Veng(N<sub>1</sub>) | 发动机振动信号“N<sub>1</sub>”分量 | mm/s | 30 |
Veng(N<sub>2</sub>) | 发动机振动信号“N<sub>2</sub>”分量 | mm/s | 30 |
步骤2:如图2所示,搭建基于深度自编码网络的故障诊断模型,包括数据维度整合、编码部分和解码部分。本实例提出的深度自编码网络中编码部分的层数为N=3,三层网络结构分别为[20,12,3]、[12,6,3]、[6,1,3],激活函数采用ReLU函数,解码网络与编码网络结构对称。首先将输入的多维时序数据经过维度整合函数处理为单维时序数据,然后通过编码层将数据从高维空间映射到低维特征空间,最后通过解码层再从低维特征空间进行数据重构。
本实例将维度整合函数中的常数分别设置为a=5和b=1。
步骤3:将预处理后的数据集按一定比例分为训练集和测试集,其中训练集仅包含正常性能样本数据,测试集包含正常和异常性能参数样本。
步骤4:采用训练集对步骤2搭建的模型进行训练,并构建发动机健康模型。
如图3中的(a)所示,在模型训练前,为使模型学习到更多的参数特征,采用长度L1=20、步长S1=1的滑窗对数据进行分割后再进行训练。
步骤5:采用测试集测试步骤4构建的发动机健康模型,验证模型的预测效果和准确率。如图3中的(b)所示,在模型测试过程中,需采用不重复的连续数据进行测试,因此使用长度L2=20、步长S2=20的滑窗进行数据分割。若模型测试效果不满足要求,则需进一步调整模型相关结构和参数,重新进行步骤4的模型训练,直到满足要求。若测试效果满足要求,保存训练好的发动机健康模型。
如图4所示,以高压压气机转子换算转速N2为例,对比了原始深度自编码模型(DAE)和本发明的发动机健康模型(ODAE)的预测效果,其中纵坐标Re表示模型预测值和实际输入值的差——预测残差,横坐标Time为采样时间。从图中可以看出,发动机健康模型的预测残差更加均匀的分布于0值附近,且明显小于原始深度自编码模型的预测残差,说明发动机健康模型有更佳的预测效果。
步骤6:将在线实时采集到的发动机振动信号及转速信号数据经过预处理后,输入步骤5保存的发动机健康模型,将模型预测值和实际值进行对比,判断实际输入数据是否异常,若模型预测值和实际值之间偏差较大,则说明该发动机转子轴承可能存在故障。
本实例以一组异常性能数据为例,根据“3σ”原则来判断异常值。若在某时刻下4维数据的预测残差Re的平均值超过“3σ”界限,则判断这个点为异常点位。该组数据的异常值判断结果如表2所示。从表中可以看出,连续超过“3σ”界限10次及以上的只有Veng(N2)的预测残差,可判断本次振动值异常主要由高压压气机转子轴承工作异常引起,该诊断结果与专家经验契合。
表2异常值判断结果
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种航空发动机在线故障的诊断方法,其特征在于,包括以下步骤:
步骤1、构建基于深度自编码网络的故障诊断模型:将输入自编码网络的多维数据整合为单维数据,并对单维数据进行编码和解码操作;
步骤2、将采集到的发动机多维时序性能参数样本制作成数据集,并对数据集进行预处理,以消除数据中的高频噪声;
然后,将预处理后的数据集分为训练集和测试集,训练集仅包括正常性能参数样本,测试集包含正常性能参数样本和异常性能参数样本;
步骤3、采用训练集的数据输入所述步骤1构建的故障诊断模型进行训练,提取正常样本性能参数的隐藏特征,构建发动机健康模型;
步骤4、将测试集的数据输入所述步骤3构建的发动机健康模型进行测试;若模型测试效果不满足要求,则进一步调整发动机健康模型相关结构和参数,重新进行步骤3的模型训练和步骤4的模型测试,直至步骤4的模型测试效果满足要求,保存满足要求的发动机健康模型;
步骤5、将在线实时采集的发动机多维性能参数数据进行预处理,然后将数据输入所述步骤4保存的发动机健康模型中,得到模型拟合输出的预测值,将模型拟合输出的预测值与输入的实际值进行比较,若偏差较大则表明该发动机存在故障,否则该发动机不存在故障。
2.根据权利要求1所述的航空发动机在线故障的诊断方法,其特征在于,所述步骤1中,基于深度自编码网络的故障诊断模型具体的构建方法如下:
步骤11、将多维数据输入维度整合函数,得到单维数据;
其中,维度整合函数为:
式中xt表示输入函数,a和b表示常数;
单维数据最终表示如下:
函数使用多路并行,以时间作为基准节点,分别对每一列数据进行计算和插入,以保证时间序列数据原有的时间顺序不会被打乱;
式中xf表示最终多维度数据整合后所得到的单维数据;xni表示当遗忘率为n时维度数据xi对应的值;n表示送入的遗忘率参数;rd表示由系统生成的区间内的随机值;c表示修正率;
步骤12、将维度整合后的单维数据进行编码和解码操作;模型中编码部分共有N层,每个层级间采用激活函数进行激活,解码网络与编码网络对称;
最终模型输入输出关系为:
y=f(xf)
3.根据权利要求1所述的航空发动机在线故障的诊断方法,其特征在于,所述步骤2中,采用小波变换、去均值方法对数据集进行预处理,以消除数据中的高频噪声。
4.根据权利要求1所述的航空发动机在线故障的诊断方法,其特征在于,所述步骤3中,在模型训练前,采用长度为L1、步长为S1滑窗对数据进行分割。
5.根据权利要求1所述的航空发动机在线故障的诊断方法,其特征在于,所述步骤4中,在模型测试前,采用长度为L2、步长为S2的滑窗对数据进行分割。
6.根据权利要求1所述的航空发动机在线故障的诊断方法,其特征在于,所述相关结构和参数包括滑动窗口的大小、选取训练数据集大小、网络的训练迭代次数、隐藏层数、节点数及激活函数。
7.根据权利要求1所述的航空发动机在线故障的诊断方法,其特征在于,所述步骤4中,模型测试过程中,发动机健康模型的预测残差值分别于0值附近,且小于原始深度自编模型的预测残差值时,即为模型测试效果满足要求,否则为模型测试效果不满足要求。
8.根据权利要求1-7任意一项所述的航空发动机在线故障的诊断方法,其特征在于,所述步骤5中,将模型拟合输出的预测值与输入的实际值进行比较得到预测残差值,采用“3σ”原则来进行判断;当某时刻下多维数据预测残差的平均值超过“3σ”界限,则表示模型拟合输出的预测值与输入的实际值进行比较偏差较大,数据为异常点位,发动机存在故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210165138.1A CN114741945A (zh) | 2022-02-17 | 2022-02-17 | 一种航空发动机在线故障的诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210165138.1A CN114741945A (zh) | 2022-02-17 | 2022-02-17 | 一种航空发动机在线故障的诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114741945A true CN114741945A (zh) | 2022-07-12 |
Family
ID=82274355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210165138.1A Pending CN114741945A (zh) | 2022-02-17 | 2022-02-17 | 一种航空发动机在线故障的诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114741945A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116028849A (zh) * | 2022-12-30 | 2023-04-28 | 西安重装智慧矿山工程技术有限公司 | 基于深度自编码网络的乳化液泵故障诊断方法 |
WO2024045246A1 (zh) * | 2022-08-30 | 2024-03-07 | 大连理工大学 | 一种针对航空发动机故障预测的脉冲回声状态网络模型 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214416A (zh) * | 2018-07-23 | 2019-01-15 | 华南理工大学 | 一种基于深度学习的多维信息融合变压器故障诊断方法 |
CN112461537A (zh) * | 2020-10-16 | 2021-03-09 | 浙江工业大学 | 基于长短时神经网络与自动编码机的风电齿轮箱状态监测方法 |
CN112509696A (zh) * | 2020-11-04 | 2021-03-16 | 江南大学 | 基于卷积自编码器高斯混合模型的健康数据检测方法 |
CN113240827A (zh) * | 2021-03-31 | 2021-08-10 | 成都飞机工业(集团)有限责任公司 | 一种发动机系统预警隔离及多余度防护系统及方法 |
CN113704075A (zh) * | 2021-09-23 | 2021-11-26 | 中国人民解放军国防科技大学 | 一种基于故障日志的高性能计算系统故障预测方法 |
CN113962308A (zh) * | 2021-10-25 | 2022-01-21 | 成都飞机工业(集团)有限责任公司 | 一种航空设备故障预测方法 |
CN115711746A (zh) * | 2022-09-30 | 2023-02-24 | 成都飞机工业(集团)有限责任公司 | 航空发动机故障检测方法、系统、设备及存储介质 |
-
2022
- 2022-02-17 CN CN202210165138.1A patent/CN114741945A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214416A (zh) * | 2018-07-23 | 2019-01-15 | 华南理工大学 | 一种基于深度学习的多维信息融合变压器故障诊断方法 |
CN112461537A (zh) * | 2020-10-16 | 2021-03-09 | 浙江工业大学 | 基于长短时神经网络与自动编码机的风电齿轮箱状态监测方法 |
CN112509696A (zh) * | 2020-11-04 | 2021-03-16 | 江南大学 | 基于卷积自编码器高斯混合模型的健康数据检测方法 |
CN113240827A (zh) * | 2021-03-31 | 2021-08-10 | 成都飞机工业(集团)有限责任公司 | 一种发动机系统预警隔离及多余度防护系统及方法 |
CN113704075A (zh) * | 2021-09-23 | 2021-11-26 | 中国人民解放军国防科技大学 | 一种基于故障日志的高性能计算系统故障预测方法 |
CN113962308A (zh) * | 2021-10-25 | 2022-01-21 | 成都飞机工业(集团)有限责任公司 | 一种航空设备故障预测方法 |
CN115711746A (zh) * | 2022-09-30 | 2023-02-24 | 成都飞机工业(集团)有限责任公司 | 航空发动机故障检测方法、系统、设备及存储介质 |
Non-Patent Citations (7)
Title |
---|
MENGYU CHEN等: "Unsupervised Fault Detection Driven by Multivariate Time Series for Aeroengines", JOURNAL OF AEROSPACE ENGINEERING, vol. 36, no. 2, 5 December 2022 (2022-12-05) * |
PETER WOLF 等: "Unsupervised Data-driven Automotive Diagnostics with Improved Deep Temporal Clustering", 2019 IEEE 90TH VEHICULAR TECHNOLOGY CONFERENCE (VTC2019-FALL), 7 November 2019 (2019-11-07) * |
XU704928452: "维度设计值维度整合与拆分", Retrieved from the Internet <URL:https://blog.csdn.net/xu704928452/article/details/102832292> * |
冯玉伯;丁承君;陈雪;: "滚动轴承故障检测深度卷积稀疏自动编码器建模研究", 机械科学与技术, no. 10, 23 May 2018 (2018-05-23), pages 96 - 102 * |
包涵: "基于有监督学习的数据流多维序列异常检测技术研究", 中国优秀硕士学位论文全文数据库 信息科技辑, 15 January 2019 (2019-01-15), pages 138 - 1969 * |
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, 15 April 2018 (2018-04-15), pages 86 - 90 * |
董洋: "基于 DCNN 的齿轮箱轴承故障诊断与健康识别研究", 知网研学, 7 April 2023 (2023-04-07) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024045246A1 (zh) * | 2022-08-30 | 2024-03-07 | 大连理工大学 | 一种针对航空发动机故障预测的脉冲回声状态网络模型 |
CN116028849A (zh) * | 2022-12-30 | 2023-04-28 | 西安重装智慧矿山工程技术有限公司 | 基于深度自编码网络的乳化液泵故障诊断方法 |
CN116028849B (zh) * | 2022-12-30 | 2024-05-14 | 西安重装智慧矿山工程技术有限公司 | 基于深度自编码网络的乳化液泵故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111797567B (zh) | 一种基于深度学习网络的轴承故障分类方法及系统 | |
CN107657250B (zh) | 轴承故障检测及定位方法及检测定位模型实现系统和方法 | |
CN114741945A (zh) | 一种航空发动机在线故障的诊断方法 | |
CN108256173B (zh) | 一种航空发动机动态过程的气路故障诊断方法及系统 | |
CN113640027B (zh) | 基于边缘计算和神经网络的换热机组故障诊断方法及系统 | |
CN116226646B (zh) | 轴承健康状态及剩余寿命的预测方法、系统、设备及介质 | |
CN111680788A (zh) | 基于深度学习的设备故障诊断方法 | |
CN110348468B (zh) | 一种相关向量机优化强重构边缘降噪自动编码器的轴承亚健康识别方法 | |
CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN112101142A (zh) | 泥浆泵运行状态评估方法、监控终端和计算机可读存储介质 | |
CN111881848A (zh) | 基于变分模态分解与改进粒子群的电机故障信号提取方法 | |
Shi et al. | Research on the Initial Fault Prediction Method of Rolling Bearings Based on DCAE‐TCN Transfer Learning | |
CN115375026A (zh) | 一种多故障模式下的航空发动机寿命预测方法 | |
CN114861349A (zh) | 一种基于模型迁移和维纳过程的滚动轴承rul预测方法 | |
CN114964783B (zh) | 基于vmd-ssa-lssvm的齿轮箱故障检测模型 | |
CN116735206A (zh) | 基于吸引子和卷积神经网络的轴承摩擦状态识别方法 | |
CN113409213B (zh) | 柱塞泵故障信号时频图降噪增强方法和系统 | |
CN114459760B (zh) | 一种强噪声环境下的滚动轴承故障诊断方法及系统 | |
CN113705405B (zh) | 一种核管道故障诊断方法 | |
Qi et al. | A new deep fusion network for automatic mechanical fault feature learning | |
CN115017939A (zh) | 一种飞机燃油泵故障智能诊断方法、装置和存储介质 | |
CN115345192A (zh) | 一种变工况和复杂噪音环境下滚动轴承的故障诊断方法 | |
Yan et al. | Fault diagnosis based on a stacked sparse auto-encoder network and KNN classifier | |
Gao et al. | Construction method of turbine engine health indicator based on deep learning |
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 |