CN115808209A - 一种基于神经网络的电静压伺服机构状态监测方法及系统 - Google Patents
一种基于神经网络的电静压伺服机构状态监测方法及系统 Download PDFInfo
- Publication number
- CN115808209A CN115808209A CN202211648096.3A CN202211648096A CN115808209A CN 115808209 A CN115808209 A CN 115808209A CN 202211648096 A CN202211648096 A CN 202211648096A CN 115808209 A CN115808209 A CN 115808209A
- Authority
- CN
- China
- Prior art keywords
- data
- electro
- servo mechanism
- neural network
- motor
- 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
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于神经网络的电静压伺服机构状态监测方法及系统,该方法包括:建立深度神经网络模型;收集正常状态下电静压伺服机构在各种位移指令下对应的作动器速度、液压泵进口压力、出口压力,液压油缸进口压力、出口压力,电机电流,电机转速,增压油箱压力,液压油温;将电机转速作为输出数据,其余作为输入数据,对深度神经网络模型训练得到电机转速预测模型;将电机电流作为输出数据,其余数据作为输入数据,训练得到电机电流预测模型;利用两个预测模型构建电静压伺服机构状态监测指标并获取故障阈值;获取需要监测的电静压伺服机构在指定位移、速度指令下的状态数据,计算出监测指标并与阈值比较,判定电静压伺服机构状态变化情况。
Description
技术领域
本发明属于神经网络技术领域,尤其涉及一种基于神经网络的电静压伺服机构状态监测方法及系统。
背景技术
电静压伺服机构(Electro-Hydrostatic Actuator,简称为EHA),又称作电静液作动器,电静压伺服系统,机构特点是采用“双向定量液压泵+液压作动器”作为减速器和执行部件,由伺服电机控制定量泵输出流量。电静压伺服机构兼顾机电伺服机构高效节能、使用维护方便和电液伺服机构高可靠、重载能力强的优点,广泛用于飞机、运载火箭等领域。
飞机、运载火箭对伺服机构的最突出要求是高可靠性。因此,实现对电静压伺服机构的状态监测、保障高可靠执行任务是亟需考虑的问题。现有技术中,在电静压伺服机构是否存在异常进行检测时,通常采用单一的输入位移信号以得到输出信号,然后将输出信号与期望输出信号的值进行误差分析,若误差在可接受的范围内,则判定电静压伺服机构不存在异常。但是,采用该方法检测电静压伺服机构时,仅能够判定电静压伺服机构是否能够工作,无法监测电静压伺服机构的状态劣化趋势,导致在预判电静压伺服机构剩余寿命时缺乏依据。
发明内容
本申请实施例的目的是提供一种基于神经网络的电静压伺服机构状态监测方法及系统,旨在解决如何实现对电静压伺服机构的状态劣化过程进行监测的问题,满足伺服机构剩余寿命预测的需求。
根据本申请实施例的第一方面,提供一种基于神经网络的电静压伺服机构状态监测方法,包括:
步骤(1):建立深度神经网络模型;
步骤(2):建立电静压伺服机构状态数据库:收集正常状态下电静压伺服机构在各种位移x1指令下运动时对应的作动器速度x2、液压泵进口压力x3、出口压力x4,液压油缸进口压力x5、出口压力x6,电机电流x7,电机转速x8,增压油箱压力x9,液压油温x10数据;
步骤(3):将所述电静压伺服机构状态数据库的每一组数据中的电机转速x8作为第一输出数据,其余数据作为第一输入数据,对所述深度神经网络模型进行训练,得到电机转速预测模型;
步骤(4):将所述电静压伺服机构状态数据库的每一组数据中的电机电流x7作为第二输出数据,其余数据作为第二输入数据,对所述深度神经网络模型进行训练,得到电机电流预测模型;
步骤(5):利用所述电机转速预测模型和电机电流预测模型,构建电静压伺服机构状态监测指标,并获取故障阈值HImin;
步骤(6):获取需要监测的电静压伺服机构在指定位移、速度指令下的状态数据,计算出监测指标HI,并将所述监测指标HI与阈值HImin比较,判定电静压伺服机构状态变化情况。
进一步地,所述深度神经网络模型为前馈神经网络模型,包括输入层、隐藏层及输出层。
进一步地,所述步骤(3)包括:
对这n每小组时序数据分别按照r1、r2和r3百分比进行测试、训练、验证数据集分配,其中r1+r2+r3=100%;
分别将获得的n份测试、训练、验证数据集汇总,形成第一深度神经网络模型训练数据集;
进一步地,r1≥60%,r2≥20%,r2≥10%,r1+r2+r3=100%。
进一步地,第j组测试集数据编号为
第j小组训练集数据为
第j小组验证数据集为
其中j=1,2,…n。
进一步地,所述步骤(5)包括:
(5.1)收集电机在给定作动器位移x1指令运动时,收集位移速度液压泵进口压力出口压力液压油缸进口压力出口压力电机电流电机转速增压油箱压力液压油温的时序数据,其中i=1,2,3...N,N为数据序列编号;
(5.2)利用位移速度液压泵进口压力出口压力液压油缸进口压力出口压力电机转速电流数据,通过步骤(3)所述电机转速预测模型得到电机转速利用位移速度液压泵进口压力出口压力液压油缸进口压力出口压力电机转速数据,通过步骤(4)所述电机电流预测模型得到电机电流则电静压伺服机构状态监测指标HI计算方法如下:
其中,HIa为电流平均相对偏差,HIb为速度平均相对偏差;
(5.3)通过收集历史数据、人工模拟电静压伺服机构各种故障等技术,获取电静压伺服机构在各种故障状态下的数据库,并按照步骤(5.2)的计算方法计算电静压伺服机构状态监测指标HI的范围[HImin,Imax];根据计算结果,取最小值HImin作为判定电静压伺服机构故障的阈值。
根据本申请实施例的第二方面,提供一种基于神经网络的电静压伺服机构状态监测系统,包括:
数据采集单元,用于采集正常状态下电静压伺服机构在各种位移x1指令下运动时对应的作动器速度x2、液压泵进口压力x3、出口压力x4,液压油缸进口压力x5、出口压力x6,电机电流x7,电机转速x8,增压油箱压力x9,液压油温x10数据;
数据处理单元,用于建立深度神经网络模型,将所述电静压伺服机构状态数据库的每一组数据中的电机转速x8作为第一输出数据,其余数据作为第一输入数据,对所述深度神经网络模型进行训练,得到电机转速预测模型;将所述电静压伺服机构状态数据库的每一组数据中的电机电流x7作为第二输出数据,其余数据作为第二输入数据,对所述深度神经网络模型进行训练,得到电机电流预测模型;
状态监测与预警单元,用于利用所述电机转速预测模型和电机电流预测模型,构建电静压伺服机构状态监测指标,并获取故障阈值HImin;获取需要监测的电静压伺服机构在指定位移、速度指令下的状态数据,计算出监测指标HI,并将所述监测指标HI与阈值HImin比较,判定电静压伺服机构状态变化情况;
数据存储模块,用于存贮数据采集单元采集得到的电静压伺服机构状态监测数据和状态监测与预警单元得到的分析结果。
根据本申请实施例的第三方面,提供一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面所述的方法。
根据本申请实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现如第一方面所述方法的步骤。
本申请的实施例提供的技术方案可以包括以下有益效果:
由上述实施例可知,本申请通过采用基于神经网络的数据预测,解决了电静压伺服机构状态劣化过程监测的技术问题,在不增加传感器和数据采集设备的前提下边能实现状态监测。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是根据一示例性实施例示出的一种基于神经网络的电静压伺服机构状态监测方法的流程图。
图2是根据一示例性实施例示出的一种基于神经网络的电静压伺服机构状态监测系统的框图。
图3是根据一示例性实施例示出的一种电子设备的示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
图1是根据一示例性实施例示出的一种基于神经网络的电静压伺服机构状态监测方法的流程图,如图1所示,该方法可以包括以下步骤:
步骤(1):建立深度神经网络模型;
步骤(2):建立电静压伺服机构状态数据库:收集正常状态下电静压伺服机构在各种位移x1和速度x2指令下运动时对应的液压泵进口压力x3、出口压力x4,液压油缸进口压力x5、出口压力x6,电机电流x7,电机转速x8,增压油箱压力x9,液压油温x10数据;
步骤(3):将所述电静压伺服机构状态数据库的每一组数据中的电机转速x8作为第一输出数据,其余数据作为第一输入数据,对所述深度神经网络模型进行训练,得到电机转速预测模型;
步骤(4):将所述电静压伺服机构状态数据库的每一组数据中的电机电流x7作为第二输出数据,其余数据作为第二输入数据,对所述深度神经网络模型进行训练,得到电机电流预测模型;
步骤(5):利用所述电机转速预测模型和电机电流预测模型,构建电静压伺服机构状态监测指标,并获取故障阈值HImin;
步骤(6):获取需要监测的电静压伺服机构在指定位移、速度指令下的状态数据,计算出监测指标HI,并将所述监测指标HI与阈值HImin比较,判定电静压伺服机构状态变化情况。
由上述实施例可知,本申请通过采用基于神经网络的数据预测,解决了电静压伺服机构状态劣化过程监测的技术问题,在不增加传感器和数据采集设备的前提下边能实现状态监测。
步骤(1):建立深度神经网络模型;
具体地,建立基本前馈神经网络模型,包括输入层、隐藏层及输出层三部分;前馈神经网络在理论上可以逼近任意连续函数,具有较强多维非线性数据回归分析能力,能够实现理想状态下作动器速度x2、液压泵进口压力x3、液压泵出口压力x4,液压油缸进口压力x5、出口压力x6,电机电流x7,电机转速x8,增压油箱压力x9,液压油温x10数据等之间函数关系的归回建模。
步骤(2):建立电静压伺服机构状态数据库:收集正常状态下电静压伺服机构在不同位移x1指令下运动时对应的作动器速度x2、液压泵进口压力x3、出口压力x4,液压油缸进口压力x5、出口压力x6,电机电流x7,电机转速x8,增压油箱压力x9,液压油温x10数据;
具体地,在电静压伺服机构处于正常状态时,控制在不同位移x1程序下运行,采集对应的作动器速度x2、液压泵进口压力x3、出口压力x4,液压油缸进口压力x5、出口压力x6,电机电流x7,电机转速x8,增压油箱压力x9,液压油温x10等信号数据,共收集正常状态下数据集N为数据序列编号。
具体地,首先将测得的N组数据按时序分为n小组,其中n取整数,N/n≥100;然后对这n每小组时序数据分别按照r1、r2和r3百分比进行测试、训练、验证数据集分配,其中r1≥60%,r2≥20%,r2≥10%,r1+r2+r3=100%;
第j组测试集数据编号为
第j小组训练集数据为
第j小组验证数据集为
最后,分别将获得的n份测试、训练、验证数据集汇总,形成深度神经网络模型训练数据集。最后,将电机转速作为第一输出数据,其中i=1,2,…N,其余数据作为第一输入数据,对所述深度神经网络模型进行训练,得到电机转速预测模型。
在一实施例中,测得N=100组数据,分为n=10组,r1、r2和r3依次为70%,20%和10%,
则测试集数据编号为:1,2,3,4,5,6,7;11,12,…17;…91,92,…97;
则训练集数据编号为:8,9;18,19;…;98,99;
则验证集数据编号为:10;20;…;100;
最好,依次按照测试集、训练集和验证集数据编号合并数据,形成新的数据集。
在进行电静压伺服机构状态数据采集时,获取的是变转速、变负载情况下下的时序信号数据,合理的分配测试、训练、验证数据集是提高电机转速预测模型泛化能力的关键。通过上诉技术分配测试、训练、验证数据集,可以获取更高精度的预测模型。
具体地,首先将测得的N组数据按时序分为n小组,其中n取整数,N/n≥100;然后对这n每小组时序数据分别按照r1、r2和r3百分比进行测试、训练、验证数据集分配,其中r1+r2+r3=100%;最后,分别将获得的n份测试、训练、验证数据集汇总,形成深度神经网络模型训练数据集。最后,将电机转速作为第一输出数据,其中i=1,2,…N,其余数据作为第二输入数据,对所述深度神经网络模型进行训练,得到电机电流预测模型。
在进行电静压伺服机构状态数据采集时,获取的是变转速、变负载情况下下的时序信号数据,合理的分配测试、训练、验证数据集是提高电机电流预测模型泛化能力的关键。通过上诉技术分配测试、训练、验证数据集,可以获取更高精度的预测模型。
步骤(5):利用所述电机转速预测模型和电机电流预测模型,构建电静压伺服机构状态监测指标,并获取故障阈值HImin;
具体地,步骤(5)可以包括以下子步骤:
(5.2)利用(5.1)获取的时序数据通过步骤(3)所述电机转速预测模型得到理想状态下电机转速通过步骤(4)所述电机电流预测模型得到理想状态下电机电流然后按照式(1)所给方法计算电静压伺服机构状态监测指标HI:
其中,HIa为电流平均相对偏差,HIb为速度平均相对偏差;
具体地,利用(5.1)获取的时序数据利用位移速度液压泵进口压力出口压力液压油缸进口压力出口压力电机转速电流数据,通过步骤(3)所述电机转速预测模型得到理想状态下电机转速利用位移速度液压泵进口压力出口压力液压油缸进口压力出口压力电机转速数据,通过步骤(4)所述电机电流预测模型得到理想状态下电机电流然后按照式(1)所给方法计算电静压伺服机构状态监测指标HI。
(5.3)获取电静压伺服机构在各种故障状态下工作时的数据库,并按照步骤(5.2)的计算方法计算电静压伺服机构状态监测指标HI的范围[HImin,Imax];根据计算结果,取最小值HImin作为判定电静压伺服机构故障的阈值。
具体地,首先通过收集故障状态下电静压伺服机构按照指定位移程序运行时的信号数据集或者通过人工模拟电静压伺服机构的各种故障,并收集不同故障状态下的信号数据集通过人工模拟方式收集故障数据,可以在电静压伺服机构发生故障之前便能获取故障数据,提状态检测以及故障预测的精度。
步骤(6):获取需要监测的电静压伺服机构在指定位移、速度指令下的状态数据,计算出监测指标HI,并将所述监测指标HI与阈值HImin比较,判定电静压伺服机构状态变化情况。
具体地,利用步骤(5)获取的不同故障状态下的信号数据,分别计算出与不同故障状态向对应的监测指标HI,然后取最小值HImin作为判定电静压伺服机构故障的阈值。通过上述方法获取故障的阈值,可以实现对各种电静压伺服机构故障的提前预警,从而避免发生故障。
按照上述步骤(1)-(6),分别测得EHA在正常状态以及增压油箱欠压、内泄漏、油滤堵塞等故障状态下的状态数据,包括在各种位移x1和速度x2指令下运动时对应的液压泵进口压力x3、出口压力x4,液压油缸进口压力x5、出口压力x6,电机电流x7,电机(泵)转速x8,增压油箱压力x9,液压油温x10数据;然后按照步骤(1)至步骤(5),测算出不同状态下的健康指标,如表所示。实施案例结果表明,当EHA发生故障时,能够依据本发明方法判断电静压伺服机构的健康状态以及故障程度。
表1不同故障状态下的HI对比
与前述的基于神经网络的基于神经网络的电静压伺服机构的状态监测方法的实施例相对应,本申请还提供了基于神经网络的基于神经网络的电静压伺服机构的状态监测系统的实施例。
图2是根据一示例性实施例示出的一种基于神经网络的基于神经网络的电静压伺服机构的状态监测系统框图。参照图2,该系统可以包括:
数据采集单元21,用于采集正常状态下电静压伺服机构在各种位移x1指令下运动时对应的作动器速度x2、液压泵进口压力x3、出口压力x4,液压油缸进口压力x5、出口压力x6,电机电流x7,电机转速x8,增压油箱压力x9,液压油温x10数据;
数据处理单元22,用于建立深度神经网络模型,将所述电静压伺服机构状态数据库的每一组数据中的电机转速x8作为第一输出数据,其余数据作为第一输入数据,对所述深度神经网络模型进行训练,得到电机转速预测模型;将所述电静压伺服机构状态数据库的每一组数据中的电机电流x7作为第二输出数据,其余数据作为第二输入数据,对所述深度神经网络模型进行训练,得到电机电流预测模型;
状态监测与预警单元23,用于利用所述电机转速预测模型和电机电流预测模型,构建电静压伺服机构状态监测指标,并获取故障阈值HImin;获取需要监测的电静压伺服机构在指定位移、速度指令下的状态数据,计算出监测指标HI,并将所述监测指标HI与阈值HImin比较,判定电静压伺服机构状态变化情况;
数据存储模块24,用于存贮电静压伺服机构状态监测数据和分析结果。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
相应的,本申请还提供一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述的基于神经网络的基于神经网络的电静压伺服机构的状态监测方法。如图3所示,为本发明实施例提供的一种基于神经网络的基于神经网络的电静压伺服机构的状态监测方法所在任意具备数据处理能力的设备的一种硬件结构图,除了图3所示的处理器、内存、DMA控制器、磁盘、以及非易失内存之外,实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能,还可以包括其他硬件,对此不再赘述。
相应的,本申请还提供一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现如上述的基于神经网络的基于神经网络的电静压伺服机构的状态监测方法。所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元,例如硬盘或内存。所述计算机可读存储介质也可以是风力发电机的外部存储设备,例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、SD卡、闪存卡(Flash Card)等。进一步的,所述计算机可读存储介还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据,还可以用于暂时地存储已经输出或者将要输出的数据。
本领域技术人员在考虑说明书及实践这里公开的内容后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。
Claims (9)
1.一种基于神经网络的电静压伺服机构状态监测方法,其特征在于,包括:
步骤(1):建立深度神经网络模型;
步骤(2):建立电静压伺服机构状态数据库:收集正常状态下电静压伺服机构在各种位移x1指令下运动时对应的作动器速度x2、液压泵进口压力x3、出口压力x4,液压油缸进口压力x5、出口压力x6,电机电流x7,电机转速x8,增压油箱压力x9,液压油温x10数据;
步骤(3):将所述电静压伺服机构状态数据库的每一组数据中的电机转速x8作为第一输出数据,其余数据作为第一输入数据,对所述深度神经网络模型进行训练,得到电机转速预测模型;
步骤(4):将所述电静压伺服机构状态数据库的每一组数据中的电机电流x7作为第二输出数据,其余数据作为第二输入数据,对所述深度神经网络模型进行训练,得到电机电流预测模型;
步骤(5):利用所述电机转速预测模型和电机电流预测模型,构建电静压伺服机构状态监测指标,并获取故障阈值HImin;
步骤(6):获取需要监测的电静压伺服机构在指定位移、速度指令下的状态数据,计算出监测指标HI,并将所述监测指标HI与阈值HImin比较,判定电静压伺服机构状态变化情况。
2.根据权利要求1所述的方法,其特征在于,所述深度神经网络模型为前馈神经网络模型,包括输入层、隐藏层及输出层。
4.根据权利要求3所述的方法,其特征在于,r1≥60%,r2≥20%,r2≥10%,
r1+r2+r3=100%。
6.根据权利要求1所述的方法,其特征在于,所述步骤(5)包括:
(5.1)收集电机在给定作动器位移x1指令运动时,收集位移速度液压泵进口压力出口压力液压油缸进口压力出口压力电机电流电机转速增压油箱压力液压油温的时序数据,其中i=1,2,3...N,N为数据序列编号;
(5.2)利用位移速度液压泵进口压力出口压力液压油缸进口压力出口压力电机转速电流数据,通过步骤(3)所述电机转速预测模型得到电机转速利用位移速度液压泵进口压力出口压力液压油缸进口压力出口压力电机转速数据,通过步骤(4)所述电机电流预测模型得到电机电流则电静压伺服机构状态监测指标HI计算方法如下:
其中,HIa为电流平均相对偏差,HIb为速度平均相对偏差;
(5.3)通过收集历史数据、人工模拟电静压伺服机构各种故障等技术,获取电静压伺服机构在各种故障状态下的数据库,并按照步骤(5.2)的计算方法计算电静压伺服机构状态监测指标HI的范围[HImin,Imax];根据计算结果,取最小值HImin作为判定电静压伺服机构故障的阈值。
7.一种基于神经网络的基于神经网络的电静压伺服机构的状态监测系统,其特征在于,包括:
数据采集单元,用于采集正常状态下电静压伺服机构在各种位移x1指令下运动时对应的作动器速度x2、液压泵进口压力x3、出口压力x4,液压油缸进口压力x5、出口压力x6,电机电流x7,电机转速x8,增压油箱压力x9,液压油温x10数据;
数据处理单元,用于建立深度神经网络模型,将所述电静压伺服机构状态数据库的每一组数据中的电机转速x8作为第一输出数据,其余数据作为第一输入数据,对所述深度神经网络模型进行训练,得到电机转速预测模型;将所述电静压伺服机构状态数据库的每一组数据中的电机电流x7作为第二输出数据,其余数据作为第二输入数据,对所述深度神经网络模型进行训练,得到电机电流预测模型;
状态监测与预警单元,用于利用所述电机转速预测模型和电机电流预测模型,构建电静压伺服机构状态监测指标,并获取故障阈值HImin;获取需要监测的电静压伺服机构在指定位移、速度指令下的状态数据,计算出监测指标HI,并将所述监测指标HI与阈值HImin比较,判定电静压伺服机构状态变化情况;
数据存储模块,用于存贮数据采集单元采集得到的电静压伺服机构状态监测数据和状态监测与预警单元得到的分析结果。
8.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5任一项所述的方法。
9.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,该指令被处理器执行时实现如权利要求1-5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211648096.3A CN115808209A (zh) | 2022-12-21 | 2022-12-21 | 一种基于神经网络的电静压伺服机构状态监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211648096.3A CN115808209A (zh) | 2022-12-21 | 2022-12-21 | 一种基于神经网络的电静压伺服机构状态监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115808209A true CN115808209A (zh) | 2023-03-17 |
Family
ID=85486402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211648096.3A Pending CN115808209A (zh) | 2022-12-21 | 2022-12-21 | 一种基于神经网络的电静压伺服机构状态监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115808209A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116517921A (zh) * | 2023-07-03 | 2023-08-01 | 成都飞机工业(集团)有限责任公司 | 航空液压油车状态在线检测方法及系统 |
-
2022
- 2022-12-21 CN CN202211648096.3A patent/CN115808209A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116517921A (zh) * | 2023-07-03 | 2023-08-01 | 成都飞机工业(集团)有限责任公司 | 航空液压油车状态在线检测方法及系统 |
CN116517921B (zh) * | 2023-07-03 | 2023-11-10 | 成都飞机工业(集团)有限责任公司 | 航空液压油车状态在线检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110118128B (zh) | 微型燃气轮机传感器故障诊断和容错控制方法 | |
Isermann | Fault-diagnosis applications: model-based condition monitoring: actuators, drives, machinery, plants, sensors, and fault-tolerant systems | |
Volponi et al. | The use of Kalman filter and neural network methodologies in gas turbine performance diagnostics: a comparative study | |
Polverino et al. | Model-based diagnosis through structural analysis and causal computation for automotive polymer electrolyte membrane fuel cell systems | |
CN103983453B (zh) | 一种航空发动机的执行机构和传感器故障诊断的区分方法 | |
Jiang | Sensor Fault Detection and Isolation Using System Dynamics Identification Techniques. | |
CN109447236A (zh) | 一种混合动力汽车热管理系统的故障诊断方法 | |
CN104850889A (zh) | 一种飞机旋转作动器驱动装置自适应故障检测、隔离与健康评估的方法 | |
CN106055770A (zh) | 一种基于滑模理论的航空发动机气路故障诊断方法 | |
CN114564000B (zh) | 基于智能飞行器执行器故障诊断的主动容错方法及系统 | |
CN103261987A (zh) | 监测涡轮喷气发动机变几何形状部件传动系统伺服控制回路的方法和装置 | |
CN106873568A (zh) | 基于h无穷鲁棒未知输入观测器的传感器故障诊断方法 | |
CN115808209A (zh) | 一种基于神经网络的电静压伺服机构状态监测方法及系统 | |
Simani | Residual generator fuzzy identification for automotive diesel engine fault diagnosis | |
CN113283004A (zh) | 一种基于迁移学习的航空发动机退化状态故障诊断方法 | |
CN114201872A (zh) | 一种柴油机燃油系统的数字孪生建模方法 | |
CN117851810A (zh) | 一种盾构机故障检测及解决方法及系统 | |
Zhou et al. | Fault diagnosis based on relevance vector machine for fuel regulator of aircraft engine | |
CN114572361B (zh) | 船舶智能机舱运维系统验证平台 | |
CN115563868A (zh) | 一种航空交流发电机油路系统故障诊断方法及装置 | |
Luo et al. | Agent-based real-time fault diagnosis | |
CN109657699B (zh) | 一种基于马尔科夫的动态故障树分析评价涡轮发动机的方法 | |
Dallabona et al. | Fault Diagnosis and Prognosis Capabilities for Wind Turbine Hydraulic Pitch Systems | |
Wang et al. | A simulation software of prognostics and health management for aircraft fuel system | |
Wang et al. | Remaining useful life prediction of nonlinear degradation process based on EKF |
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 |