CN115169155A - 发动机故障预测方法、装置、计算机设备和存储介质 - Google Patents
发动机故障预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115169155A CN115169155A CN202210926464.XA CN202210926464A CN115169155A CN 115169155 A CN115169155 A CN 115169155A CN 202210926464 A CN202210926464 A CN 202210926464A CN 115169155 A CN115169155 A CN 115169155A
- Authority
- CN
- China
- Prior art keywords
- engine
- information
- fault
- prediction
- condition
- 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
-
- 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本申请涉及一种发动机故障预测方法、装置、计算机设备和存储介质。所述方法包括:获取发动机的多个运行数据信息、以及目标预测时段的预测环境信息;根据各所述运行数据信息,确定所述发动机的运行情况信息;根据所述预测环境信息、所述发动机的运行情况信息,通过故障预测模型,仿真发动机的工作情况,得到所述发动机在目标预测时段的预测工作状态;根据所述发动机的预测工作状态,确定所述发动机的隐性故障信息;所述隐性故障信息为所述发动机可能产生的故障情况信息。采用本方法能够预测发动机的故障的效率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种发动机故障预测方法、装置、计算机设备和存储介质。
背景技术
航空发动机健康管理(EHM)系统经历了从状态监视、故障诊断到预测与健康管理的逐步发展和完善过程,对健康管理系统及其收集的大数据进行分析并将其结构化为有用的信息,这些信息可用于提高航空发动机性能、减少停机时间并在故障中断操作之前预测故障。
传统的航空发动机的故障预测方式只能通过航空发动机健康管理系统,获取该航空发动机的运行情况信息,并通过该航空发动机的运行情况信息,人工判断该发动机可能存在的故障信息,从而导致预测发动机的故障的效率较差。
发明内容
基于此,有必要针对上述技术问题,提供一种发动机故障预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种发动机故障预测方法。所述方法包括:
获取发动机的多个运行数据信息、以及目标预测时段的预测环境信息;
根据各所述运行数据信息,确定所述发动机的运行情况信息;
根据所述预测环境信息、所述发动机的运行情况信息,通过故障预测模型,仿真发动机的工作情况,得到所述发动机在目标预测时段的预测工作状态;
根据所述发动机的预测工作状态,确定所述发动机的隐性故障信息;所述隐性故障信息为所述发动机可能产生的故障情况信息。
可选的,所述获取预测环境信息,包括:
获取目标预测时段的环境信息,对所述预测环境信息进行仿真操作,得到初始预测环境信息;
对所述初始预测环境信息进行除噪处理,得到所述预测环境信息。
可选的,所述根据各所述运行数据信息,确定所述发动机的运行情况信息,包括:
根据各所述运行数据信息,通过数据推演算法,得到所述发动机的运行效率、以及所述发动机的运行参数;
将所述运行效率、以及所述运行参数,作为所述发动机的运行情况信息。
可选的,所述根据所述预测环境信息、所述发动机的运行情况信息,通过故障预测模型,仿真发动机的工作情况,得到所述发动机在目标预测时段的预测工作状态,包括:
将所述预测环境信息、以及所述发动机的运行情况信息,输入故障预测模型,得到所述发动机在所述预测环境信息的情况下的当前的运行状态;
通过故障预测模型,按照预设仿真计划,仿真所述发动机在所述预测环境信息的情况下的运行情况信息,得到所述发动机的仿真运行结果;
根据所述发动机的仿真运行结果,确定所述发动机的预测工作状态。
可选的,所述预设仿真计划包含多个仿真条件信息,所述通过故障预测模型,按照预设仿真计划,仿真所述发动机在所述预测环境信息的情况下的运行情况信息,得到所述发动机的仿真运行结果,包括:
针对每个仿真条件信息,通过所述故障预测模型,按照所述仿真条件信息,调整所述发动机的运行状态,仿真在已调整的运行状态、以及所述预测环境信息的情况下,所述发动机的运行情况信息,得到所述仿真条件信息对应的所述发动机的运行情况信息;
将各所述仿真条件信息对应的所述发动机的运行情况信息进行分类汇总,得到所述发动机的仿真运行结果。
可选的,所述确定所述发动机的隐性故障信息之后,还包括:
获取所述发动机在目标预测时段之后的实际故障信息;
计算所述隐性故障信息与所述实际故障信息的相似度;
在所述相似度不大于预设相似度的情况下,通过所述实际故障信息、以及所述隐性故障信息,对所述故障预测模型进行优化,得到已优化的故障预测模型;
将所述故障预测模型替换为所述已优化的故障预测模型,并返回计算所述隐性故障信息与所述实际故障信息的相似度步骤,直到所述隐性故障信息与所述实际故障信息的相似度大于预设相似度的情况下,将最后一次迭代得到的已优化的故障预测模型,作为故障预测模型。
第二方面,本申请还提供了一种发动机故障预测装置。所述装置包括:
获取模块,用于获取发动机的多个运行数据信息、以及目标预测时段的预测环境信息;
确定模块,用于根据各所述运行数据信息,确定所述发动机的运行情况信息;
仿真模块,用于根据所述预测环境信息、所述发动机的运行情况信息,通过故障预测模型,仿真发动机的工作情况,得到所述发动机在目标预测时段的预测工作状态;
预测模块,用于根据所述发动机的预测工作状态,确定所述发动机的隐性故障信息;所述隐性故障信息为所述发动机可能产生的故障情况信息。
可选的,所述获取模块,具体用于:
获取目标预测时段的环境信息,对所述预测环境信息进行仿真操作,得到初始预测环境信息;
对所述初始预测环境信息进行除噪处理,得到所述预测环境信息。
可选的,所述确定模块,具体用于:
根据各所述运行数据信息,通过数据推演算法,得到所述发动机的运行效率、以及所述发动机的运行参数;
将所述运行效率、以及所述运行参数,作为所述发动机的运行情况信息。
可选的,所述仿真模块,具体用于:
将所述预测环境信息、以及所述发动机的运行情况信息,输入故障预测模型,得到所述发动机在所述预测环境信息的情况下的当前的运行状态;
通过故障预测模型,按照预设仿真计划,仿真所述发动机在所述预测环境信息的情况下的运行情况信息,得到所述发动机的仿真运行结果;
根据所述发动机的仿真运行结果,确定所述发动机的预测工作状态。
可选的,所述仿真模块,具体用于:
针对每个仿真条件信息,通过所述故障预测模型,按照所述仿真条件信息,调整所述发动机的运行状态,仿真在已调整的运行状态、以及所述预测环境信息的情况下,所述发动机的运行情况信息,得到所述仿真条件信息对应的所述发动机的运行情况信息;
将各所述仿真条件信息对应的所述发动机的运行情况信息进行分类汇总,得到所述发动机的仿真运行结果。
可选的,所述装置还包括:
样本获取模块,用于获取所述发动机在目标预测时段之后的实际故障信息;
计算模块,用于计算所述隐性故障信息与所述实际故障信息的相似度;
优化模块,用于在所述相似度不大于预设相似度的情况下,通过所述实际故障信息、以及所述隐性故障信息,对所述故障预测模型进行优化,得到已优化的故障预测模型;
迭代模块,用于将所述故障预测模型替换为所述已优化的故障预测模型,并返回计算所述隐性故障信息与所述实际故障信息的相似度步骤,直到所述隐性故障信息与所述实际故障信息的相似度大于预设相似度的情况下,将最后一次迭代得到的已优化的故障预测模型,作为故障预测模型。
第三方面,本申请提供了一种计算机设备。所述计算机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第一方面中任一项所述的方法的步骤。
第四方面,本申请提供了一种计算机可读存储介质。其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面中任一项所述的方法的步骤。
第五方面,本申请提供了一种计算机程序产品。所述计算机程序产品包括计算机程序,该计算机程序被处理器执行时实现第一方面中任一项所述的方法的步骤。
上述发动机故障预测方法、装置、计算机设备和存储介质,通过获取发动机的多个运行数据信息、以及目标预测时段的预测环境信息;根据各所述运行数据信息,确定所述发动机的运行情况信息;根据所述预测环境信息、所述发动机的运行情况信息,通过故障预测模型,仿真发动机的工作情况,得到所述发动机在目标预测时段的预测工作状态;根据所述发动机的预测工作状态,确定所述发动机的隐性故障信息;所述隐性故障信息为所述发动机可能产生的故障情况信息。通过基于发动机的运行情况信息、以及预测环境信息,在故障预测模型中,仿真发动机的预测工作状态,从而模拟得到该发动机的隐性故障信息,从而提升了预测发动机的故障的效率。
附图说明
图1为一个实施例中发动机故障预测方法的流程示意图;
图2为一个实施例中确定发动机的预测工作状态步骤的流程示意图;
图3为一个实施例中发动机故障预测示例的流程示意图;
图4为一个实施例中发动机故障预测装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的发动机故障预测方法,可以应用于终端中,也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。其中,终端可以包括但不限于是各种个人计算机、笔记本电脑、平板电脑等。该终端通过基于发动机的运行情况信息、以及预测环境信息,在故障预测模型中,仿真发动机的预测工作状态,从而模拟得到该发动机的隐性故障信息,从而提升了预测发动机的故障的效率。
在一个实施例中,如图1所示,提供了一种发动机故障预测方法,以该方法应用于终端为例进行说明,包括以下步骤:
步骤S101,获取发动机的多个运行数据信息、以及目标预测时段的预测环境信息。
本实施例中,终端通过机载健康管理系统数字样机,获取发动机的多个运行数据信息,并通过地面健康管理系统数字样机,接收环境预测部门发送的目标预测时段的环境信息,得到预测环境信息。环境预测部门可以但不限于是气象局等。机载健康管理系统数字样机为航空发动机上原本设置的机载健康管理系统的数字模拟系统,地面健康管理系统数字样机为地面指挥管理系统上原本设置的地面健康管理系统的数字模拟系统,机载健康管理系统数字样机、以及地面健康管理系统数字样机可以在同一个终端进行仿真操作。
机载健康管理系统数字样机与真实机载健康管理系统具有完全一样的健康监测软件算法。地面健康管理系统数字样机软件与真实地面健康管理系统具有完全一样的软件算法。地面健康管理系统数字样机的故障预测算法分析能够涵盖发动机控制器和机载健康管理系统数字样机的全部故障和健康状态。
运行数据信息可以但不限于是发动机各个部件的测量参数,以及发动机的燃油量等。
步骤S102,根据各运行数据信息,确定发动机的运行情况信息。
本实施例中,终端根据发动机的各运行数据信息,计算发动机各个部件的当前运行情况,得到发动机的运行情况信息。
步骤S103,根据预测环境信息、发动机的运行情况信息,通过故障预测模型,仿真发动机的工作情况,得到发动机在目标预测时段的预测工作状态。
本实施例中,终端将预测环境信息、发动机运行情况信息,输入故障预测模型,并通过故障预测模型,仿真发动机在目标预测时段的工作情况,得到发动机在目标预测时段的预测工作状态,具体仿真过程后续将详细说明。其中故障预测模型为机载健康管理系统数字样机、以及地面健康管理系统数字样机。
步骤S104,根据发动机的预测工作状态,确定发动机的隐性故障信息。
其中,隐性故障信息为发动机可能产生的故障情况信息。
本实施例中,终端预设发动机的每个部件的正常工作状态范围,根据发动机的预测工作状态,判断发动机的各个部件的预测工作状态是否在正常工作状态范围中,并将不在正常工作状态范围的预测工作状态对应的发动机部件,记录为发动机的隐性故障信息。
基于上述方案,通过基于发动机的运行情况信息、以及预测环境信息,在故障预测模型中,仿真发动机的预测工作状态,从而模拟得到该发动机的隐性故障信息,从而提升了预测发动机的故障的效率。
可选的,获取预测环境信息,包括:获取目标预测时段的环境信息,对预测环境信息进行仿真操作,得到初始预测环境信息;对初始预测环境信息进行除噪处理,得到预测环境信息。
本实施例中,终端在接收到环境预测部门发送的目标预测时段的环境信息之后,通过故障预测模型,将目标预测时段的环境信息进行仿真模拟,得到初始预测环境信息,终端在得到初始预测环境信息中,通过信息除噪技术,对初始预测环境信息进行除噪处理,得到无噪声的初始预测环境信息。终端将无噪声的初始预测环境信息作为预测环境信息。其中,信息除噪技术可以但不限于是任意一种可以实现上述步骤的信息除噪技术。
基于上述方案,通过对预测环境信息进行除噪处理,降低后续仿真发动机的预测工作状态的噪声影响,提高了发动机的仿真精确度。
可选的,根据各运行数据信息,确定发动机的运行情况信息,包括:根据各运行数据信息,通过数据推演算法,得到发动机的运行效率、以及发动机的运行参数;将运行效率、以及运行参数,作为发动机的运行情况信息。
本实施例中,终端通过数据推演算法,对发动机的所有部件的运行数据信息进行数据推演处理,得到发动机每个部件的运行参数,以及发动机每个部件的运行效率,终端将发动机每个部件的运行参数,以及发动机每个部件的运行效率座位发动机的运行情况信息。
其中,数据推演算法可以但不限于是基于数学模型的、数据相似原理等方法的数据演化算法。
基于上述方案,通过对发动机的运行数据信息进行推演,得到发动机的运行情况信息,为后续仿真发动机的预测工作状态提供数据基础。
可选的,如图2所示,根据预测环境信息、发动机的运行情况信息,通过故障预测模型,仿真发动机的工作情况,得到发动机在目标预测时段的预测工作状态,包括:
步骤S201,将预测环境信息、以及发动机的运行情况信息,输入故障预测模型,得到发动机在预测环境信息的情况下的当前的运行状态。
本实施例中,终端将预测环境信息、以及发动机的运行情况信息,输入故障预测模型,并初始化故障预测模型,得到发动机在预测环境信息的情况下的当前的运行状态。
步骤S202,通过故障预测模型,按照预设仿真计划,仿真发动机在预测环境信息的情况下的运行情况信息,得到发动机的仿真运行结果。
本实施例中,终端预设仿真计划,并通过故障预测模型,仿真发动机在预测环境信息、目标预测时段的情况下,发动机各个部件的运行情况信息。终端将发动机的各个部件的运行情况信息分类汇总,得到发动机的仿真运行结果。
步骤S203,根据发动机的仿真运行结果,确定发动机的预测工作状态。
本实施例中,终端将发动机各个部件的运行情况信息,进行分类汇总,得到发动机的整体运行情况信息。终端根据发动机的整体运行情况信息,确定发动机在目标预测时段的预测工作状态。
基于上述方案,通过故障预测模型,仿真发动机的工作情况,得到发动机在目标预测时段的预测工作状态。提升了预测发动机在目标预测时段的故障的效率。
可选的,预设仿真计划包含多个仿真条件信息,通过故障预测模型,按照预设仿真计划,仿真发动机在预测环境信息的情况下的运行情况信息,得到发动机的仿真运行结果,包括:针对每个仿真条件信息,通过故障预测模型,按照仿真条件信息,调整发动机的运行状态,仿真在已调整的运行状态、以及预测环境信息的情况下,发动机的运行情况信息,得到仿真条件信息对应的发动机的运行情况信息;将各仿真条件信息对应的发动机的运行情况信息进行分类汇总,得到发动机的仿真运行结果。
本实施例中,终端预设仿真计划、以及该仿真计划对应的多个仿真条件信息。针对每个仿真条件信息,终端按照仿真条件信息,调整发动机的运行状态,并通过故障预测模型,仿真该发动机在已调整的运行状态、以及预测环境信息的情况下,发动机的运行情况信息,得到该仿真条件信息对应的发动机的运行情况信息。同样的,通过上述步骤,终端得到所有仿真条件信息对应的发动机的运行情况信息。其中仿真条件信息可以是发动机的各个工况信息,例如,航空发动机慢车、巡航、最大推力等。仿真条件信息也可以是发动机的各类故障信息,例如,发动机气路故障、执行机构卡涩、传感器失效等各类故障信息。
终端将所有各仿真条件对应的发动机的运行情况信息,按照仿真条件信息的种类进行分类,并统计汇总,得到发动机的仿真运行结果。仿真条件信息的种类可以但不限于是仿真条件信息的类别,例如,工况信息类、故障信息类等。
基于上述方案,通过针对多个仿真条件信息,御用故障预测模型,对发动机进行仿真试验,提升了预测发动机故障的全面性、以及多样性。
可选的,确定发动机的隐性故障信息之后,还包括:获取发动机在目标预测时段之后的实际故障信息;计算隐性故障信息与实际故障信息的相似度;在相似度不大于预设相似度的情况下,通过实际故障信息、以及隐性故障信息,对故障预测模型进行优化,得到已优化的故障预测模型;将故障预测模型替换为已优化的故障预测模型,并返回计算隐性故障信息与实际故障信息的相似度步骤,直到隐性故障信息与实际故障信息的相似度大于预设相似度的情况下,将最后一次迭代得到的已优化的故障预测模型,作为故障预测模型。
本实施例中,终端针对同一发动机,在目标预测时段之后,获取该发动机的实际故障信息,并计算该实际故障信息与仿真预测的发动机的隐性故障信息的相似度。终端预设相似度阈值(即预设相似度),并判断该实际故障信息与仿真预测的发动机的隐性故障信息的相似度是否大于预设相似度阈值。在该实际故障信息与仿真预测的发动机的隐性故障信息的相似度大于预设相似度阈值的情况下,终端将本次仿真预测的发动机的隐性故障信息对应的故障预测模型,直接用于下次仿真故障预测。
在该实际故障信息与仿真预测的发动机的隐性故障信息的相似度不大于预设相似度阈值的情况下通过实际故障信息、以及隐性故障信息,对故障预测模型进行优化,得到已优化的故障预测模型;将故障预测模型替换为已优化的故障预测模型,并返回计算隐性故障信息与实际故障信息的相似度步骤,直到隐性故障信息与实际故障信息的相似度大于预设相似度的情况下,将最后一次迭代得到的已优化的故障预测模型,作为故障预测模型。
基于上述方案,通过对故障预测模型进行优化,提升了后续预测发动机故障的精准度。
本申请还提供了一种发动机故障预测示例,如图3所示,具体处理过程包括以下步骤:
步骤S301,获取发动机的多个运行数据信息、以及目标预测时段的预测环境信息。
步骤S302,根据各运行数据信息,通过数据推演算法,得到发动机的运行效率、以及发动机的运行参数。
步骤S303,将运行效率、以及运行参数,作为发动机的运行情况信息。
步骤S304,将预测环境信息、以及发动机的运行情况信息,输入故障预测模型,得到发动机在预测环境信息的情况下的当前的运行状态。
步骤S305,针对每个仿真条件信息,通过故障预测模型,按照仿真条件信息,调整发动机的运行状态,仿真在已调整的运行状态、以及预测环境信息的情况下,发动机的运行情况信息,得到仿真条件信息对应的发动机的运行情况信息。
步骤S306,将各仿真条件信息对应的发动机的运行情况信息进行分类汇总,得到发动机的仿真运行结果。
步骤S307,根据发动机的仿真运行结果,确定发动机的预测工作状态。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的发动机故障预测方法的发动机故障预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个发动机故障预测装置实施例中的具体限定可以参见上文中对于发动机故障预测方法的限定,在此不再赘述。
在一个实施例中,如图4所示,提供了一种发动机故障预测装置,包括:获取模块410、确定模块420、仿真模块430和预测模块440,其中:
获取模块410,用于获取发动机的多个运行数据信息、以及目标预测时段的预测环境信息;
确定模块420,用于根据各运行数据信息,确定发动机的运行情况信息;
仿真模块430,用于根据预测环境信息、发动机的运行情况信息,通过故障预测模型,仿真发动机的工作情况,得到发动机在目标预测时段的预测工作状态;
预测模块440,用于根据发动机的预测工作状态,确定发动机的隐性故障信息;隐性故障信息为发动机可能产生的故障情况信息。
可选的,获取模块410,具体用于:
获取目标预测时段的环境信息,对预测环境信息进行仿真操作,得到初始预测环境信息;
对初始预测环境信息进行除噪处理,得到预测环境信息。
可选的,确定模块420,具体用于:
根据各运行数据信息,通过数据推演算法,得到发动机的运行效率、以及发动机的运行参数;
将运行效率、以及运行参数,作为发动机的运行情况信息。
可选的,仿真模块430,具体用于:
将预测环境信息、以及发动机的运行情况信息,输入故障预测模型,得到发动机在预测环境信息的情况下的当前的运行状态;
通过故障预测模型,按照预设仿真计划,仿真发动机在预测环境信息的情况下的运行情况信息,得到发动机的仿真运行结果;
根据发动机的仿真运行结果,确定发动机的预测工作状态。
可选的,仿真模块430,具体用于:
针对每个仿真条件信息,通过故障预测模型,按照仿真条件信息,调整发动机的运行状态,仿真在已调整的运行状态、以及预测环境信息的情况下,发动机的运行情况信息,得到仿真条件信息对应的发动机的运行情况信息;
将各仿真条件信息对应的发动机的运行情况信息进行分类汇总,得到发动机的仿真运行结果。
可选的,装置还包括:
样本获取模块,用于获取发动机在目标预测时段之后的实际故障信息;
计算模块,用于计算隐性故障信息与实际故障信息的相似度;
优化模块,用于在相似度不大于预设相似度的情况下,通过实际故障信息、以及隐性故障信息,对故障预测模型进行优化,得到已优化的故障预测模型;
迭代模块,用于将故障预测模型替换为已优化的故障预测模型,并返回计算隐性故障信息与实际故障信息的相似度步骤,直到隐性故障信息与实际故障信息的相似度大于预设相似度的情况下,将最后一次迭代得到的已优化的故障预测模型,作为故障预测模型。
上述发动机故障预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种发动机故障预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种发动机故障预测方法,其特征在于,所述方法包括:
获取发动机的多个运行数据信息、以及目标预测时段的预测环境信息;
根据各所述运行数据信息,确定所述发动机的运行情况信息;
根据所述预测环境信息、所述发动机的运行情况信息,通过故障预测模型,仿真发动机的工作情况,得到所述发动机在目标预测时段的预测工作状态;
根据所述发动机的预测工作状态,确定所述发动机的隐性故障信息;所述隐性故障信息为所述发动机可能产生的故障情况信息。
2.根据权利要求1所述的方法,其特征在于,所述获取预测环境信息,包括:
获取目标预测时段的环境信息,对所述预测环境信息进行仿真操作,得到初始预测环境信息;
对所述初始预测环境信息进行除噪处理,得到所述预测环境信息。
3.根据权利要求1所述的方法,其特征在于,所述根据各所述运行数据信息,确定所述发动机的运行情况信息,包括:
根据各所述运行数据信息,通过数据推演算法,得到所述发动机的运行效率、以及所述发动机的运行参数;
将所述运行效率、以及所述运行参数,作为所述发动机的运行情况信息。
4.根据权利要求1所述的方法,其特征在于,所述根据所述预测环境信息、所述发动机的运行情况信息,通过故障预测模型,仿真发动机的工作情况,得到所述发动机在目标预测时段的预测工作状态,包括:
将所述预测环境信息、以及所述发动机的运行情况信息,输入故障预测模型,得到所述发动机在所述预测环境信息的情况下的当前的运行状态;
通过故障预测模型,按照预设仿真计划,仿真所述发动机在所述预测环境信息的情况下的运行情况信息,得到所述发动机的仿真运行结果;
根据所述发动机的仿真运行结果,确定所述发动机的预测工作状态。
5.根据权利要求4所述的方法,其特征在于,所述预设仿真计划包含多个仿真条件信息,所述通过故障预测模型,按照预设仿真计划,仿真所述发动机在所述预测环境信息的情况下的运行情况信息,得到所述发动机的仿真运行结果,包括:
针对每个仿真条件信息,通过所述故障预测模型,按照所述仿真条件信息,调整所述发动机的运行状态,仿真在已调整的运行状态、以及所述预测环境信息的情况下,所述发动机的运行情况信息,得到所述仿真条件信息对应的所述发动机的运行情况信息;
将各所述仿真条件信息对应的所述发动机的运行情况信息进行分类汇总,得到所述发动机的仿真运行结果。
6.根据权利要求1所述的方法,其特征在于,所述确定所述发动机的隐性故障信息之后,还包括:
获取所述发动机在目标预测时段之后的实际故障信息;
计算所述隐性故障信息与所述实际故障信息的相似度;
在所述相似度不大于预设相似度的情况下,通过所述实际故障信息、以及所述隐性故障信息,对所述故障预测模型进行优化,得到已优化的故障预测模型;
将所述故障预测模型替换为所述已优化的故障预测模型,并返回计算所述隐性故障信息与所述实际故障信息的相似度步骤,直到所述隐性故障信息与所述实际故障信息的相似度大于预设相似度的情况下,将最后一次迭代得到的已优化的故障预测模型,作为故障预测模型。
7.一种发动机故障预测装置,其特征在于,所述装置包括:
获取模块,用于获取发动机的多个运行数据信息、以及目标预测时段的预测环境信息;
确定模块,用于根据各所述运行数据信息,确定所述发动机的运行情况信息;
仿真模块,用于根据所述预测环境信息、所述发动机的运行情况信息,通过故障预测模型,仿真发动机的工作情况,得到所述发动机在目标预测时段的预测工作状态;
预测模块,用于根据所述发动机的预测工作状态,确定所述发动机的隐性故障信息;所述隐性故障信息为所述发动机可能产生的故障情况信息。
8.一种计算机设备,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6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210926464.XA CN115169155A (zh) | 2022-08-03 | 2022-08-03 | 发动机故障预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210926464.XA CN115169155A (zh) | 2022-08-03 | 2022-08-03 | 发动机故障预测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115169155A true CN115169155A (zh) | 2022-10-11 |
Family
ID=83477644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210926464.XA Pending CN115169155A (zh) | 2022-08-03 | 2022-08-03 | 发动机故障预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115169155A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116148600A (zh) * | 2023-04-20 | 2023-05-23 | 清华大学 | 航空发动机加力线路故障定位模型校正方法、装置和设备 |
-
2022
- 2022-08-03 CN CN202210926464.XA patent/CN115169155A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116148600A (zh) * | 2023-04-20 | 2023-05-23 | 清华大学 | 航空发动机加力线路故障定位模型校正方法、装置和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114285728B (zh) | 一种预测模型训练方法、流量预测方法、装置及存储介质 | |
CN113887845B (zh) | 极端事件预测方法、装置、设备和存储介质 | |
CN110806509B (zh) | 雷电活动空间特征检测方法和装置 | |
US10268963B2 (en) | System, method, and program for supporting intervention action decisions in hazard scenarios | |
De Wilde et al. | Building simulation approaches for the training of automated data analysis tools in building energy management | |
CN115689018A (zh) | 物资需求预测方法、装置、设备、存储介质和程序产品 | |
CN115169155A (zh) | 发动机故障预测方法、装置、计算机设备和存储介质 | |
CN117033039A (zh) | 故障检测方法、装置、计算机设备和存储介质 | |
CN113946983A (zh) | 产品可靠性薄弱环节评估方法、装置和计算机设备 | |
CN113254153A (zh) | 流程任务处理方法、装置、计算机设备和存储介质 | |
CN114610645B (zh) | 任务可靠性和测试性联合确定方法、装置和计算机设备 | |
CN117078480A (zh) | 碳排放量监测方法、装置、设备、存储介质和计算机产品 | |
CN116191398A (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
CN115277132A (zh) | 网络安全态势感知方法、装置、计算机设备和存储介质 | |
CN113887676A (zh) | 设备故障预警方法、装置、设备、介质和计算机程序产品 | |
CN113610174A (zh) | 基于Phik特征选择的电网主机负载预测方法、设备及介质 | |
CN114818484A (zh) | 驾驶环境模型的训练方法及驾驶环境信息的预测方法 | |
CN114741284A (zh) | 任务可靠性评估方法、装置、计算机设备和存储介质 | |
CN114239639A (zh) | 特征选择方法、装置、计算机设备和存储介质 | |
CN111008311A (zh) | 基于邻域弱连接的复杂网络节点重要性评估方法和装置 | |
CN110377501B (zh) | 模型测试方法、装置、计算机设备和存储介质 | |
CN116681203A (zh) | 基于大数据分析的企业管理咨询方法与系统 | |
CN116128289A (zh) | 客群的风险预测方法、装置、计算机设备和存储介质 | |
CN115442214A (zh) | 业务异常排障方法、装置、设备、存储介质和程序产品 | |
CN115248563A (zh) | 发动机控制系统的仿真方法、装置、计算机设备和存储介质 |
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 |