CN115114770B - 一种基线自适应的辅助动力装置性能趋势分析方法 - Google Patents

一种基线自适应的辅助动力装置性能趋势分析方法 Download PDF

Info

Publication number
CN115114770B
CN115114770B CN202210627845.8A CN202210627845A CN115114770B CN 115114770 B CN115114770 B CN 115114770B CN 202210627845 A CN202210627845 A CN 202210627845A CN 115114770 B CN115114770 B CN 115114770B
Authority
CN
China
Prior art keywords
apu
degradation
compared
personalized
egt
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
Application number
CN202210627845.8A
Other languages
English (en)
Other versions
CN115114770A (zh
Inventor
刘大同
刘连胜
王本宽
高文佳
刘晓磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202210627845.8A priority Critical patent/CN115114770B/zh
Publication of CN115114770A publication Critical patent/CN115114770A/zh
Application granted granted Critical
Publication of CN115114770B publication Critical patent/CN115114770B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/16—Customisation or personalisation
    • 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种基线自适应的辅助动力装置性能趋势分析方法，首先，构建可以用来度量不同退化特征样本之间相似性的特征，以此为基础，在整个机队搜索与之相似的轨迹以完成退化轨迹的个性化匹配工作，进而对匹配出的轨迹进行回归，以构建其个性化标准回归模型，计算样本与它的个性化回归模型之间的距离来衡量其性能偏离情况，实现APU性能趋势的有效分析；本发明抑制了个体差异及实际工作环境因素对于APU性能趋势分析的影响；分析的APU性能趋势更能反映APU健康状态的变化特性；提高了APU性能趋势分析的有效性。

Description

一种基线自适应的辅助动力装置性能趋势分析方法
技术领域
本发明属于辅助动力技术领域，具体地，涉及一种基线自适应的辅助动力装置性能趋势分析方法。
背景技术
辅助动力装置(Auxiliary Power Unit,APU)是民用飞机上必不可少的重要部件，其本质上是一台转速恒定的小型燃气涡轮发动机，主要用于提供压缩空气和电力。APU性能趋势分析对于预测APU健康状态退化和失效时间，进而降低其运维成本，提高其运行安全性，具有重要意义。不同APU具有不同的性能退化趋势，但总体都是随着使用时间的增加，退化特征值逐渐增大或减小。然而，在实际工程中，考虑到不同APU个体间的差异性以及实际工作环境等因素的影响，同种工作环境下的不同APU之间的退化轨迹不一定彼此相似，而不同种工作环境下的不同APU之间的退化轨迹也不一定完全不相似。
发明内容
本发明针对APU性能退化趋势受个体差异及实际工作环境因素影响较大，难以准确分析的问题，提出了一种基线自适应的辅助动力装置性能趋势分析方法。
本发明通过以下技术方案实现：
一种基线自适应的辅助动力装置性能趋势分析方法：
所述方法具体包括以下步骤：
步骤1、构建可以用来度量不同退化特征样本之间相似性的特征：分别对标准退化轨迹库内的全寿命周期APU所对应的EGT数据，以及待比较APU所对应的EGT数据进行退化特征提取，构建相似性特征；
步骤2、退化轨迹个性化匹配：在步骤1构建相似性特征后，在整个APU机队搜索与待比较APU相似的退化轨迹以完成退化轨迹的个性化匹配工作；
步骤3、构建个性化标准回归模型：对步骤2匹配出的轨迹进行回归，以构建其个性化标准回归模型；
步骤4、计算性能偏离值：计算待比较APU样本与它的个性化回归模型之间的距离来衡量其性能偏离情况，实现APU性能趋势的有效分析。
进一步地，在步骤1中，
在整个APU机队中，选择标准退化轨迹库中的全寿命周期APU所对应的EGT数据，并对所述EGT数据进行退化特征提取，记提取后的数据为i＝1,2,…N，其中，N是所提取出的退化轨迹个数；
对待比较的APU的EGT数据进行相同操作，记其所提取的数据为EGTfeature_c。
进一步地，对标准退化轨迹库以及待比较退化轨迹的各退化特征曲线进行分段，并对段内曲线进行线性拟合，同时以各段的斜率作为对应的段内特征，将每个退化特征曲线所对应的全部分段斜率构成该曲线的斜率集R＝[r1,r2,…,rn]，其中，n是分段数；
通过斜率集R来表征对应退化特征曲线的形态变化，即斜率集R就是对应退化特征曲线的形态特征集合F。
进一步地，在步骤2中，
计算EGTfeature_c的形态特征集合Fc和形态特征集合Fi之间的均方根误差值，并以该值为基础获得针对待比较APU的距离矩阵M：
进一步地，在获得距离矩阵M后，利用K-means聚类算法和轮廓系数确定针对距离矩阵M的聚类个数K，即以聚类个数为横坐标，以对应的轮廓系数作为纵坐标；
按照K值对距离矩阵M进行聚类，设其对应的聚类结果为C＝[c1,c2,…,cK]，对每个类分别求取其类内成分的均值；
设ci是类成分均值最小的类，那么ci所包含的成分即针对待比较APU在机队标准历史库中所搜索出的个性化匹配成分。
进一步地，
设个性化匹配成分构成了待比较APU的匹配曲线集L＝[l1,l2,…,lJ]，在距离矩阵M中可以找到各曲线lj所对应的距离mj，在此基础上可以构成权重
设匹配曲线集L中各成分长度的最小值为T，接下来以T为基准对匹配曲线集进行加权拟合，设拟合后的曲线为其中/> 是匹配成分lj在t时刻的参数值，其中t＝1,2,…,T。
进一步地，在步骤3中，
存在部分APU的使用时间会超出匹配曲线集L所涵盖的时间区间，需要对L进行区间外的预测，首先要对L先进行K-means聚类，假设APU的健康状态被划分为P个等级，即将聚类数设置为P；设聚类结果为对P个类成分求取对应的类均值；
设为类成分均值最大的类，对/>类的分量按时间进行线性拟合并在此基础上进行预测；
设待比较APU的使用时间为T2，那么预测长度为Tp＝T2-T；
即对于使用时间长于L的APU来说，这些预测数据将和L一起作为待比较APU的个性化基线回归模型来参与接下来的性能偏离值计算。
进一步地，在步骤4中，
在计算性能偏离值时，使用式(2)、(3)来衡量其偏离情况；EGT值越大说明APU性能退化的可能越大；
在式(2)中说明在t时刻，当前APU的EGT要高于机队水平，所以/>时应更引起关注，最后按照式(3)对所有/>求取平方误差来代表当前APU与机队标准水平的具体偏离情况；
式中——待比较APU的EGT退化特征曲线在时刻t时的参数值；
yt——对应加权拟合曲线在时刻t时的参数值；
T+——ηt>0的个数。
一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时实现上述任一项所述方法的步骤。
本发明有益效果
本发明相对于现有方法，引入基于聚类的特征相似性思想，实现APU性能退化轨迹的个性化匹配，在此基础上，通过构建APU个性化基线回归模型，获取APU的标准性能退化轨迹，进而利用APU待测样本与标准性能退化轨迹之间的距离，来衡量其性能偏离情况计算，有效提高了APU性能趋势分析的准确性。
本发明抑制了个体差异及实际工作环境因素对于APU性能趋势分析的影响；分析的APU性能趋势更能反映APU健康状态的变化特性；提高了APU性能趋势分析的有效性。
附图说明
图1为本发明基线自适应的辅助动力装置性能趋势分析方法整体框架；
图2为本发明基线自适应的辅助动力装置性能趋势分析具体方案。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
结合图1至图2，本发明提出了一种基线自适应的辅助动力装置(AuxiliaryPowerUnit,APU)性能趋势分析方法。
面向的数据对象是基于排气温度(Exhaust Gas Temperature,EGT)的APU退化特征数据，记为EGTfeature。图1示例了该方法的整体框架，首先构建可以用来度量不同退化特征样本之间相似性的特征，并以此为基础在整个机队去搜索与之相似的轨迹以完成退化轨迹的个性化匹配工作。之后对匹配出的轨迹进行回归以构建其个性化基线回归模型，最后计算样本与它的个性化回归模型之间的距离来衡量其性能偏离情况。
一种基线自适应的辅助动力装置性能趋势分析方法：
所述方法具体包括以下步骤：
步骤1、构建可以用来度量不同退化特征样本之间相似性的特征：分别对标准退化轨迹库内的全寿命周期APU所对应的EGT数据，以及待比较APU所对应的EGT数据进行退化特征提取，构建相似性特征；
步骤2、退化轨迹个性化匹配：在步骤1构建相似性特征后，在整个APU机队搜索与待比较APU相似的退化轨迹以完成退化轨迹的个性化匹配工作；
步骤3、构建个性化标准回归模型：对步骤2匹配出的轨迹进行回归，以构建其个性化标准回归模型；
步骤4、计算性能偏离值：计算待比较APU样本与它的个性化回归模型之间的距离来衡量其性能偏离情况，实现APU性能趋势的有效分析。
在步骤1中，
在整个APU机队中，选择标准退化轨迹库中的全寿命周期APU所对应的EGT数据，并用退化特征提取方法对所述EGT数据进行退化特征提取，记提取后的数据为i＝1,2,…N，其中，N是所提取出的退化轨迹个数；
对待比较的APU的EGT数据进行相同操作，记其所提取的数据为EGTfeature_c。
对标准退化轨迹库以及待比较退化轨迹的各退化特征曲线进行分段，并对段内曲线进行线性拟合，同时以各段的斜率作为对应的段内特征，将每个退化特征曲线所对应的全部分段斜率构成该曲线的斜率集R＝[r1,r2,…,rn]，其中，n是分段数；
通过斜率集R来表征对应退化特征曲线的形态变化，即斜率集R就是对应退化特征曲线的形态特征集合F。
在步骤2中，
计算EGTfeature_c的形态特征集合Fc和形态特征集合Fi之间的均方根误差值，并以该值为基础获得针对待比较APU的距离矩阵M：
距离矩阵M的聚类个数K，即以聚类个数为横坐标，以对应的轮廓系数作为纵坐标；如果一个类个数所对应的轮廓系数为众多轮廓系数的最大值，那么这个类个数就是最终的聚类个数K。
按照K值对距离矩阵M进行聚类，设其对应的聚类结果为C＝[c1,c2,…,cK]，对每个类分别求取其类内成分的均值；
设ci是类成分均值最小的类，那么ci所包含的成分即针对待比较APU在机队标准历史库中所搜索出的个性化匹配成分。
设个性化匹配成分构成了待比较APU的匹配曲线集L＝[l1,l2,…,lJ]，在距离矩阵M中可以找到各曲线lj所对应的距离mj，在此基础上可以构成权重
设匹配曲线集L中各成分长度的最小值为T，接下来以T为基准对匹配曲线集进行加权拟合，设拟合后的曲线为其中/> 是匹配成分lj在t时刻的参数值，其中t＝1,2,…,T。
在步骤3中，
存在部分APU的使用时间会超出匹配曲线集L所涵盖的时间区间，需要对L进行区间外的预测，首先要对L先进行K-means聚类，假设APU的健康状态被划分为P个等级，即将聚类数设置为P；设聚类结果为对P个类成分求取对应的类均值；
设为类成分均值最大的类，对/>类的分量按时间进行线性拟合并在此基础上进行预测；
设待比较APU的使用时间为T2，那么预测长度为Tp＝T2-T；
即对于使用时间长于L的APU来说，这些预测数据将和L一起作为待比较APU的个性化基线回归模型来参与接下来的性能偏离值计算。
在步骤4中，
在计算性能偏离值时，使用式(2)、(3)来衡量其偏离情况；结合先验知识可知，EGT值越大说明APU性能退化的可能越大；
在式(2)中说明在t时刻，当前APU的EGT要高于机队水平，所以/>时应更引起关注，最后按照式(3)对所有/>求取平方误差来代表当前APU与机队标准水平的具体偏离情况；
式中——待比较APU的EGT退化特征曲线在时刻t时的参数值；
yt——对应加权拟合曲线在时刻t时的参数值；
T+——ηt>0的个数。
一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时实现上述任一项所述方法的步骤。
以上对本发明所提出的一种基线自适应的辅助动力装置性能趋势分析方法，进行了详细介绍，对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (5)

1.一种基线自适应的辅助动力装置性能趋势分析方法，其特征在于：
所述方法具体包括以下步骤：
步骤1、构建可以用来度量不同退化特征样本之间相似性的特征：分别对标准退化轨迹库内的全寿命周期APU所对应的EGT数据，以及待比较APU所对应的EGT数据进行退化特征提取，构建相似性特征；
在步骤1中，
在整个APU机队中，选择标准退化轨迹库中的全寿命周期APU所对应的EGT数据，并对所述EGT数据进行退化特征提取，记提取后的数据为其中，N是所提取出的退化轨迹个数；
对待比较的APU的EGT数据进行相同操作，记其所提取的数据为EGTfeature_c；
对标准退化轨迹库以及待比较退化轨迹的各退化特征曲线进行分段，并对段内曲线进行线性拟合，同时以各段的斜率作为对应的段内特征，将每个退化特征曲线所对应的全部分段斜率构成该曲线的斜率集R＝[r1,r2,…,rn]，其中，n是分段数；
通过斜率集R来表征对应退化特征曲线的形态变化，即斜率集R就是对应退化特征曲线的形态特征集合F；
步骤2、退化轨迹个性化匹配：在步骤1构建相似性特征后，在整个APU机队搜索与待比较APU相似的退化轨迹以完成退化轨迹的个性化匹配工作；
在步骤2中，
计算EGTfeature_c的形态特征集合Fc和形态特征集合Fi之间的均方根误差值，并以该值为基础获得针对待比较APU的距离矩阵M：
在获得距离矩阵M后，利用K-means聚类算法和轮廓系数确定针对距离矩阵M的聚类个数K，即以聚类个数为横坐标，以对应的轮廓系数作为纵坐标；
按照K值对距离矩阵M进行聚类，设其对应的聚类结果为C＝[c1,c2,…,cK]，对每个类分别求取其类内成分的均值；
设ci是类成分均值最小的类，那么ci所包含的成分即针对待比较APU在机队标准历史库中所搜索出的个性化匹配成分；
设个性化匹配成分构成了待比较APU的匹配曲线集L＝[l1,l2,…,lJ]，在距离矩阵M中可以找到各曲线lj所对应的距离mj，在此基础上可以构成权重
设匹配曲线集L中各成分长度的最小值为T，接下来以T为基准对匹配曲线集进行加权拟合，设拟合后的曲线为其中/> 是匹配成分lj在t时刻的参数值，其中t＝1,2,…,T；
步骤3、构建个性化标准回归模型：对步骤2匹配出的轨迹进行回归，以构建其个性化标准回归模型；
步骤4、计算性能偏离值：计算待比较APU样本与它的个性化标准回归模型之间的距离来衡量其性能偏离情况，实现APU性能趋势的有效分析。
2.根据权利要求1所述方法，其特征在于：在步骤3中，
存在部分APU的使用时间会超出匹配曲线集L所涵盖的时间区间，需要对L进行区间外的预测，首先要对L先进行K-means聚类，假设APU的健康状态被划分为P个等级，即将聚类数设置为P；设聚类结果为对P个类成分求取对应的类均值；
设为类成分均值最大的类，对/>类的分量按时间进行线性拟合并在此基础上进行预测；
设待比较APU的使用时间为T2，那么预测长度为Tp＝T2-T；
即对于使用时间长于L的APU来说，这些预测数据将和L一起作为待比较APU的个性化标准回归模型来参与接下来的性能偏离值计算。
3.根据权利要求2所述方法，其特征在于：在步骤4中，
在计算性能偏离值时，使用式(2)、(3)来衡量其偏离情况；EGT值越大说明APU性能退化的可能越大；
在式(2)中说明在t时刻，当前APU的EGT要高于机队水平，所以/>时应更引起关注，最后按照式(3)对所有/>求取平方误差来代表当前APU与机队标准水平的具体偏离情况；
式中——待比较APU的EGT退化特征曲线在时刻t时的参数值；
yt——对应加权拟合曲线在时刻t时的参数值；
T+——ηt>0的个数。
4.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至3中任一项所述方法的步骤。
5.一种计算机可读存储介质，用于存储计算机指令，其特征在于，所述计算机指令被处理器执行时实现权利要求1至3中任一项所述方法的步骤。
CN202210627845.8A 2022-06-06 2022-06-06 一种基线自适应的辅助动力装置性能趋势分析方法 Active CN115114770B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210627845.8A CN115114770B (zh) 2022-06-06 2022-06-06 一种基线自适应的辅助动力装置性能趋势分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210627845.8A CN115114770B (zh) 2022-06-06 2022-06-06 一种基线自适应的辅助动力装置性能趋势分析方法

Publications (2)

Publication Number Publication Date
CN115114770A CN115114770A (zh) 2022-09-27
CN115114770B true CN115114770B (zh) 2024-04-16

Family

ID=83325539

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210627845.8A Active CN115114770B (zh) 2022-06-06 2022-06-06 一种基线自适应的辅助动力装置性能趋势分析方法

Country Status (1)

Country Link
CN (1) CN115114770B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109215165A (zh) * 2018-08-08 2019-01-15 南京航空航天大学 一种民用飞机apu性能评估及故障预警方法
CN112905863A (zh) * 2021-03-19 2021-06-04 青岛檬豆网络科技有限公司 基于K-Means聚类的客户自动分类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11780609B2 (en) * 2019-06-12 2023-10-10 Honeywell International Inc. Maintenance recommendations using lifecycle clustering

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109215165A (zh) * 2018-08-08 2019-01-15 南京航空航天大学 一种民用飞机apu性能评估及故障预警方法
CN112905863A (zh) * 2021-03-19 2021-06-04 青岛檬豆网络科技有限公司 基于K-Means聚类的客户自动分类方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
"A Hybrid Method of Remaining Useful Life Prediction for Aircraft Auxiliary Power Unit";Xiaolei Liu 等;《IEEE Sensors Journal》;20200715;第20卷(第14期);第7848-7858页 *
"A review of aircraft auxiliary power unit faults, diagnostics and acoustic measurements";Umair Ahmed 等;《Progress in Aerospace Sciences》;20211031;第1-24页 *
"一种新的基于工况区分和轨迹相似性的ＲＵＬ预测方法";刘紫阳 等;《电子测量技术;20200731;第43卷(第13期);第31-36页 *
"基于统计回归和非线性Wiener过程的交流接触器剩余寿命预测";李奎 等;《电工技术学报》;20191031;第34卷(第19期);第4058-4070页 *
"飞机APU故障趋势预测研究";王琪琛;《中国优秀硕士学位论文全文数据库（信息科技辑）》;20210115;第1-70页 *

Also Published As

Publication number Publication date
CN115114770A (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
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
CN112629863B (zh) 变工况下动态联合分布对齐网络的轴承故障诊断方法
CN110018670B (zh) 一种基于动态关联规则挖掘的工业过程异常工况预测方法
CN113569338B (zh) 一种基于时间扩张卷积网络的压气机旋转失速预警方法
CN114282579A (zh) 基于变分模态分解和残差网络的航空轴承故障诊断方法
Zheng et al. Fault diagnosis method based on supervised particle swarm optimization classification algorithm
CN115905974B (zh) 一种高炉异常炉况检测方法
CN114218872A (zh) 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法
CN113918642A (zh) 一种基于电力物联网设备的数据过滤监测预警方法
CN115375026A (zh) 一种多故障模式下的航空发动机寿命预测方法
CN104680010B (zh) 一种汽轮机组稳态运行数据筛选方法
CN111027594A (zh) 一种基于字典表示的分步式异常检测方法
CN115114770B (zh) 一种基线自适应的辅助动力装置性能趋势分析方法
CN112949735A (zh) 一种基于离群数据挖掘的液态危化品挥发浓度异常发现方法
CN111192163B (zh) 基于风电机组运行数据的发电机可靠度中短期预测方法
CN110414734B (zh) 一种计及风资源利用率预测评估的方法
CN117272753A (zh) 一种基于过程参数的输电线路覆冰舞动预警方法
CN112067298A (zh) 一种基于层次全局模糊熵的滚动轴承故障诊断方法
CN111766513A (zh) 一种基于胶囊网络的三相感应电机变工况多故障诊断方法
CN116538092A (zh) 一种压缩机在线监测及诊断方法、装置、设备及存储介质
Mi et al. A nonparametric cumulative sum-based fault detection method for rolling bearings using high-level extended isolated forest
CN115375038A (zh) 一种飞机发动机失效模式识别和寿命预测方法
Lu et al. A modified active learning intelligent fault diagnosis method for rolling bearings with unbalanced samples
Xuntao et al. A Method for Remaining Useful Life Prediction of Transformer Based on the CNN-LSTM Networks
Cen et al. CAResNet Based Aero-engine Remaining Useful Life Prediction

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