CN116151098A - 一种基于随机排列重要性的机载传感器配置方法 - Google Patents
一种基于随机排列重要性的机载传感器配置方法 Download PDFInfo
- Publication number
- CN116151098A CN116151098A CN202211618754.4A CN202211618754A CN116151098A CN 116151098 A CN116151098 A CN 116151098A CN 202211618754 A CN202211618754 A CN 202211618754A CN 116151098 A CN116151098 A CN 116151098A
- Authority
- CN
- China
- Prior art keywords
- sensor
- feature
- algorithm model
- importance
- algorithm
- 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
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Optimization (AREA)
- Strategic Management (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
Abstract
本发明提供了一种基于随机排列重要性的机载传感器配置方法,包括建立航空发动机系统的传感器配置架构;进行地面综合试验,采集传感器配置架构中各传感器数据,形成全传感器数据集;依据全传感器数据集,构建算法模型,并计算算法模型评估指标值;基于算法模型和随机排列重要性算法,计算各特征的特征重要性值,每个传感器对应于一个特征,依据特征重要性值对传感器配置架构内传感器排序;依据传感器重要性排序结果,对航空发动机系统上传感器配置。本发明的方法具有特征重要性计算可解释性强、运算量小且泛化性强等优点,可用于航空发动机健康管理系统机载传感器配置性安装的依据。
Description
技术领域
本发明涉及航空发动机故障预测与健康管理技术领域,具体为一种基于随机排列重要性的机载传感器配置方法。
背景技术
航空发动机稳定运行是保障飞机安全性、可靠性的关键,跟踪发动机运行状态和预测未来可能发生的故障,是飞机预测性维护中关键且必要的一个环节,因此飞机故障诊断与健康管理(Prognostics and HealthManagement,PHM)技术被广泛应用于航空发动机预测性维护中。
目前,随着航空发动机PHM系统逐渐工程化应用,数据驱动思想愈加凸显,其是基于传感器数据建立算法模型进行数据挖掘和分析,从而实现故障诊断和寿命预测等功能。在此过程中,由于航空发动机系统具有复杂性高、功能交联多等特点,使传感器需要采集的数据增多,且传感器数据类型及数据量都呈爆炸性增长趋势。
在机载环境中,由于飞机重量、空间和可靠性等要求,通常难以在飞机上配置如此多的传感器采集点,目前飞机上传感器传统的配置方法主要是根据专家经验和物理模型,从物理驱动思想角度考虑,通过物理机理分析确定哪些传感器数据对预测目标较为重要,从而选择将该传感器安装在飞机中。但是这种配置方法对于较复杂的航空发动机来说,容易忽略数学模型中某些特征,从而导致某些重要数据采集点在飞机上并未配置传感器,比如滑油金属屑,其在传统物理模型中难以确定与发动机剩余使用寿命相关,但是在数学模型中经验证其与剩余使用寿命预测相关性很大。
因此,需要一种从数据驱动思想角度出发的对飞机上的传感器进行配置。
发明内容
为了实现提高飞机上机载传感器配置的准确度,防止无用的传感器被配置于飞机中,确保飞机空间、重量资源利用率的目的,本发明设计了一种基于随机排列重要性的机载传感器配置方法。
实现发明目的的技术方案如下:一种基于随机排列重要性的机载传感器配置方法,包括以下步骤:
建立航空发动机系统的传感器配置架构;
进行地面综合试验,采集传感器配置架构中各传感器数据,形成全传感器数据集;
依据全传感器数据集,构建算法模型,并计算算法模型评估指标值;
基于算法模型和随机排列重要性算法,计算各特征的特征重要性值,每个传感器对应于一个特征,依据特征重要性值对传感器配置架构内传感器排序;
依据排序结果,对航空发动机系统上传感器配置。
在一个实施例中,进行地面综合试验采集传感器配置架构中各传感器数据,形成全传感器数据集的方法包括:
依据传感器配置架构,在航空发动机系统上布置传感器;
进行地面综合试验,采集航空发动机系统上布置的所有传感器的数据;
将传感器的数据转化成标准格式后形成全传感器数据集。
在一个实施例中,依据全传感器数据集,构建算法模型的方法包括:
将全传感器数据集划分为训练集、测试集;
选用算法并构建算法模型,输入训练集训练算法模型;
将测试集输入训练后的算法模型,计算算法模型的评估指标值;
调整算法模型参数对评估指标优化,获得评估指标最优的算法模型,完成算法模型构建。
在一个改进的实施例中,依据全传感器数据集,构建算法模型的方法中,在将全传感器数据集划分为训练集、测试集前,还包括:对全传感器数据集进行预处理及特征工程。
优选地,全传感器数据集预处理方法包括对全传感器数据集进行数据清洗和/或数据集成,以及数据变换、数据特征提取。
在一个改进的实施例中,所述算法包括分类算法或回归算法,且所述分类算法的评估指标包括准确度、精度、召回率,所述回归算法的评估指标包括精度、召回率、平均绝对误差、均方根误差、相对绝对误差、相对平方误差、决定系数。
在一个实施例中,基于算法模型和随机排列重要性算法,计算各特征的特征重要性值,每个传感器对应于一个特征,依据特征重要性值对传感器配置架构内传感器排序的方法包括:
将全传感器数据集划分为训练集、测试集;
遍历测试集中每一列特征,并打乱其中一列特征数据顺序,得到新测试集;
将新测试集输入算法模型,计算算法模型的评估指标值和特征的特征重要性值;
依次打乱其他列特征数据顺序,并计算其他列特征的特征重要性值;
每个传感器对应于一个特征,依据特征重要性值对传感器配置架构内传感器重要性排序,从而生成机载传感器配置方案。
在一个改进的实施例中,遍历每一个传感器的数据,计算特征的特征重要性值,包括以下步骤:
设置计算一列特征对应的新测试集的特征重要性值重复次数;
计算每重复一次时对应的评估指标值;
计算新测试集的评估指标值平均值;
获取评估指标值平均值与算法模型构建时的评估指标值的差值绝对值,作为该特征的特征重要性值。
与现有技术相比,本发明的有益效果是:本发明设计的基于随机排列重要性的机载传感器配置方法,可以提高机载传感器的准确度,防止无用的传感器被配置于飞机中,从而提高飞机空间、重量资源利用率。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍。
图1为本发明基于随机排列重要性的机载传感器配置方法的流程图;
图2为具体实施方式中构建算法模型的流程图;
图3为具体实施方式中依据随机排列特征重要性算法计算各个传感器的重要性的流程图。
具体实施方式
下面结合具体实施例来进一步描述本发明,本发明的优点和特点将会随着描述而更为清楚。但这些实施例仅是范例性的,并不对本发明的范围构成任何限制。本领域技术人员应该理解的是,在不偏离本发明的精神和范围下可以对本发明技术方案的细节和形式进行修改或替换,但这些修改和替换均落入本发明的保护范围内。
航空发动机故障诊断与健康管理系统中,在地面综合试验环境中,通常尽可能多的配置传感器用于采集试验数据,这些数据可用于发动机健康管理系统数据处理及分析。但是在实际工况中,由于飞机上的空间、重量、可靠性等要求,难以将地面综合试验时安装的传感器都安装到飞机上以进行数据采集,选择哪些传感器安装在飞机上成为关键问题,而选择哪些传感器作为机载传感器安装于飞机上的问题是比较难以解决的问。在此基础上,本具体实施方式公开了一种基于随机排列重要性的机载传感器配置方法。
参见图1所示,基于随机排列重要性的机载传感器配置方法,包括以下步骤:
S1、建立航空发动机系统的传感器配置架构;
S2、进行地面综合试验,采集传感器配置架构中各传感器数据,形成全传感器数据集;
S3、依据全传感器数据集,构建算法模型,并计算算法模型评估指标值;
S4、基于算法模型和随机排列重要性算法,计算各特征的特征重要性值,每个传感器对应于一个特征,依据特征重要性值对传感器配置架构内传感器排序;
S5、依据排序结果,对航空发动机系统上传感器配置。
在一个实施例中,步骤S2中,进行地面综合试验采集传感器配置架构中各传感器数据,形成全传感器数据集的方法包括:
S21、依据传感器配置架构,在航空发动机系统上尽可能多的布置传感器;
S22、进行地面综合试验,采集航空发动机系统上布置的所有传感器的数据;
S23、将传感器的数据转化成标准格式后形成全传感器数据集。
在一个实施例中,步骤S3中,依据全传感器数据集,构建算法模型的方法包括:
S31、将全传感器数据集划分为训练集、测试集;
S32、选用算法并构建算法模型,输入训练集训练算法模型;
S33、将测试集输入训练后的算法模型,计算算法模型的评估指标值;
S34、调整算法模型参数对评估指标优化,获得评估指标最优的算法模型,完成算法模型构建。
在一个改进的实施例中,步骤S3中,依据全传感器数据集,构建算法模型的方法中,在将全传感器数据集划分为训练集、测试集前,还包括S30,即对全传感器数据集进行预处理及特征工程。
优选地,全传感器数据集预处理方法包括对全传感器数据集进行数据清洗和/或数据集成,以及数据变换、数据特征提取。
具体的:
数据清洗是对缺失值采取数据补差处理,对异常值采取删除或平均值修正处理。
数据集成是识别是否有冗余属性的数据,并将冗余属性的数据进行删除处理。
数据变换是对时间序列数据,采取对数变换或差分运算从而将非平稳序列转换为平稳序列,对数据进行最小到最大(min-max)规范化处理从而消除指标间量纲影响。
特征提取是对全传感器数据集进行标准化处理后利用主成分分析方法做降维处理。
在一个改进的实施例中,所述算法包括分类算法或回归算法,且所述分类算法的评估指标包括准确度、精度、召回率,所述回归算法的评估指标包括精度、召回率、平均绝对误差、均方根误差、相对绝对误差、相对平方误差、决定系数。
在一个实施例中,步骤S4中,基于算法模型和随机排列重要性算法,计算各特征的特征重要性值,每个传感器对应于一个特征,依据特征重要性值对传感器配置架构内传感器排序的方法包括:
S40、将全传感器数据集划分为训练集、测试集;
S41、遍历全传感器数据集的测试集中每一列特征,打乱其中一列特征数据顺序,测试集中其他列特征数据不变,得到新测试集;
S42、将新测试集输入算法模型,计算此时算法模型的评估指标值;
S43、计算该列特征的特征重要性值;
S44、同理,打乱其他列特征数据顺序,重复步骤S41~S43,计算测试集中其他列特征的特征重要性值;
S45、每个传感器对应于一个特征,依据特征重要性值对传感器配置架构内传感器重要性排序,从而生成机载传感器配置方案。
在一个改进的实施例中,步骤S43中,计算特征的特征重要性值,包括以下步骤:
S431、设置计算一列特征对应的新测试集的特征重要性值重复次数;
S432、计算每重复一次时对应的评估指标值;
S433、计算新测试集的评估指标值平均值;
S434、获取评估指标值平均值与算法模型构建时的评估指标值的差值绝对值,作为该特征的特征重要性值。
本发明设计的基于随机排列重要性的机载传感器配置方法,可以提高机载传感器的准确度,防止无用的传感器被配置于飞机中,从而提高飞机空间、重量资源利用率。
本具体实施方式以某型涡扇喷气发动机为例,对航空发动机PHM系统(飞机故障诊断与健康管理系统)的传感器配置为例对本发明的方法进行说明。
步骤1、生成全传感器数据集:在地面综合试验环境中,包含在多个采集点上设置约80个传感器,以采集发动机转速、振动信号、液压管路压力、温度和滑油金属屑等数据,将各个传感器数据源汇总到统一的数据仓库中,生成全传感器数据集;
步骤2、构建航空发动机故障诊断或寿命预测算法模型:参见图2所示,输入全传感器数据集,对全传感器数据集内数据进行预处理和特征工程;创建RUL预测模型;按7.5:2.5将处理后的数据集划分为训练集和测试集,进行训练、测试评估计算评估指标值,依据评估指标是否最优对RUL预测模型调整模型参数优化评估指标,直至获得最优评估指标后完成算法模型的构建。
具体的,包括以下步骤:
步骤2.1、数据预处理和特征工程是对全传感器数据集进行数据清洗或数据集成,以及数据变换和特征提取操作。
步骤2.2、训练集和测试集的划分是采用纯随机的采样方式分割数据集,设置随机数种子,保证每次生成的划分结果都是一样的。
步骤2.3、创建算法模型,以预测航空发动机的剩余使用寿命为例,创建长短时记忆神经网络(Long Short-Term Memory,LSTM)预测模型,设置网络参数:Batch为128,优化器为adam,初始学习率为0.005,学习策略为piecewise,设置每训练20轮乘以因子0.1来降低学习率,梯度阈值为1。
步骤2.4、算法模型训练,将步骤2.2生成的训练集输入到算法模型中进行训练,训练轮数设置为80。
步骤2.5、计算评估指标值,将步骤2.2生成的测试集输入到算法模型中获得预测结果,将预测结果与测试集真实值进行对比计算获得评估指标值,回归模型评估指标包括平局绝对误差MAE、均方根误差RMSE和拟合系数R2,其公式为:其中,/>为预测值,y为真实值,/>是y的平均值,I为为测试集样本序号,n为测试集样本总数。
步骤2.6、调整算法模型的参数对评估指标优化,直至得到评估指标最优的算法模型后完成算法模型的构建。
步骤3、将全传感器数据集输入到算法模型中,利用随机排列特征重要性算法计算各个传感器的重要性。参见图3所示,各个特征的特征重要性值计算包括以下步骤:
步骤3.1、遍历全传感器数据集的测试集中每一列特征,打乱一列特征数据顺序,测试集中其他列特征数据不变,得到新测试集D。
步骤3.2、将新测试集输入算法模型,计算算法模型的评估指标s=R2or RMSE。
步骤3.3、遍历测试集D中每一个特征j(每个传感器对应于一个特征),通过公式计算各个特征的特征重要性值,从而得出各传感器的重要性;步骤3.3.1、设置计算一列特征对应的新测试集的特征重要性值重复次数k(1,2,…,K):
步骤4、根据各传感器的重要性生成传感器配置方案。
上述传感器配置方案可以提高机载传感器的准确度,防止无用的传感器被配置于飞机中,从而提高飞机空间、重量资源利用率。
此外,本具体实施方式还公开了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于随机排列重要性的机载传感器配置方法。
本具体实施方式还公开了一种计算机可读存储介质,计算机可读存储介质存储有执行上述基于随机排列重要性的机载传感器配置方法。
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、改进等,均应包含在本发明的保护范围之内。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (8)
1.一种基于随机排列重要性的机载传感器配置方法,其特征在于,包括以下步骤:
建立航空发动机系统的传感器配置架构;
进行地面综合试验,采集传感器配置架构中各传感器数据,形成全传感器数据集;
依据全传感器数据集,构建算法模型,并计算算法模型评估指标值;
基于算法模型和随机排列重要性算法,计算各特征的特征重要性值,每个传感器对应于一个特征,依据特征重要性值对传感器配置架构内传感器排序;
依据排序结果,对航空发动机系统上传感器配置。
2.根据权利要求1所述的机载传感器配置方法,其特征在于,进行地面综合试验采集传感器配置架构中各传感器数据,形成全传感器数据集的方法包括:
依据传感器配置架构,在航空发动机系统上布置传感器;
进行地面综合试验,采集航空发动机系统上布置的所有传感器的数据;
将传感器的数据转化成标准格式后形成全传感器数据集。
3.根据权利要求1所述的机载传感器配置方法,其特征在于,依据全传感器数据集,构建算法模型的方法包括:
将全传感器数据集划分为训练集、测试集;
选用算法并构建算法模型,输入训练集训练算法模型;
将测试集输入训练后的算法模型,计算算法模型的评估指标值;
调整算法模型参数对评估指标优化,获得评估指标最优的算法模型,完成算法模型构建。
4.根据权利要求3所述的机载传感器配置方法,其特征在于,依据全传感器数据集,构建算法模型的方法中,在将全传感器数据集划分为训练集、测试集前,还包括:对全传感器数据集进行预处理及特征工程。
5.根据权利要求4所述的机载传感器配置方法,其特征在于,全传感器数据集预处理方法包括对全传感器数据集进行数据清洗和/或数据集成,以及数据变换、数据特征提取。
6.根据权利要求3所述的机载传感器配置方法,其特征在于,所述算法包括分类算法或回归算法,且所述分类算法的评估指标包括准确度、精度、召回率,所述回归算法的评估指标包括精度、召回率、平均绝对误差、均方根误差、相对绝对误差、相对平方误差、决定系数。
7.根据权利要求1所述的机载传感器配置方法,其特征在于,基于算法模型和随机排列重要性算法,计算各特征的特征重要性值,每个传感器对应于一个特征,依据特征重要性值对传感器配置架构内传感器排序的方法包括:
将全传感器数据集划分为训练集、测试集;
遍历测试集中每一列特征,并打乱其中一列特征数据顺序,得到新测试集;
将新测试集输入算法模型,计算算法模型的评估指标值和特征的特征重要性值;
依次打乱其他列特征数据顺序,并计算其他列特征的特征重要性值;
每个传感器对应于一个特征,依据特征重要性值对传感器配置架构内传感器重要性排序,从而生成机载传感器配置方案。
8.根据权利要求7所述的机载传感器配置方法,其特征在于,计算特征的特征重要性值,包括以下步骤:
设置计算一列特征对应的新测试集的特征重要性值重复次数;
计算每重复一次时对应的评估指标值;
计算新测试集的评估指标值平均值;
获取评估指标值平均值与算法模型构建时的评估指标值的差值绝对值,作为该特征的特征重要性值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211618754.4A CN116151098A (zh) | 2022-12-15 | 2022-12-15 | 一种基于随机排列重要性的机载传感器配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211618754.4A CN116151098A (zh) | 2022-12-15 | 2022-12-15 | 一种基于随机排列重要性的机载传感器配置方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116151098A true CN116151098A (zh) | 2023-05-23 |
Family
ID=86351715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211618754.4A Pending CN116151098A (zh) | 2022-12-15 | 2022-12-15 | 一种基于随机排列重要性的机载传感器配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116151098A (zh) |
-
2022
- 2022-12-15 CN CN202211618754.4A patent/CN116151098A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109472110B (zh) | 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法 | |
Marinai et al. | Prospects for aero gas-turbine diagnostics: a review | |
CN110807257A (zh) | 航空发动机剩余寿命预测方法 | |
KR101842347B1 (ko) | 플랜트 이상 감지를 위한 자동 학습 시스템 및 방법 | |
Shuai et al. | Hybrid software obsolescence evaluation model based on PCA-SVM-GridSearchCV | |
CN115034248A (zh) | 用于设备的自动诊断方法、系统和存储介质 | |
US20160202693A1 (en) | Anomaly Diagnosis System and Anomaly Diagnosis Method | |
US20180335772A1 (en) | System and method for fleet reliabity monitoring | |
CN106909756A (zh) | 一种滚动轴承剩余寿命预测方法 | |
CN107944090B (zh) | 基于关键部件失效模型的燃气轮机系统性能预测方法 | |
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 | |
US9116965B2 (en) | Method and apparatus for monitoring performance characteristics of a system and identifying faults | |
CN111340282A (zh) | 基于da-tcn的设备剩余使用寿命的估计方法及系统 | |
CN112396250B (zh) | 一种柴油机故障预测方法、装置、设备及存储介质 | |
Qin et al. | Remaining useful life prediction for rotating machinery based on optimal degradation indicator | |
CN109643087B (zh) | 用于选择用于设备操作安全的可控参数的系统和方法 | |
CN116629136A (zh) | 数字孪生模型的更新方法、装置、设备及存储介质 | |
CN115964907A (zh) | 复杂系统健康趋势预测方法、系统、电子设备及存储介质 | |
CN112417700A (zh) | Eh油站基于状态评价的故障诊断系统 | |
Yan et al. | An optimal lubrication oil replacement method based on selected oil field data | |
CN116662743A (zh) | 一种基于多模态深度学习的发动机剩余寿命预测方法 | |
WO2018169722A1 (en) | Fatigue crack growth prediction | |
CN108825482B (zh) | 一种飞机轴向柱塞泵的故障检测方法及检测系统 | |
CN116151098A (zh) | 一种基于随机排列重要性的机载传感器配置方法 | |
Lee et al. | Data-driven health condition and RUL prognosis for liquid filtration systems |
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 |