CN117634318A - 基于迁移学习的无人机健康状态评估方法及系统 - Google Patents
基于迁移学习的无人机健康状态评估方法及系统 Download PDFInfo
- Publication number
- CN117634318A CN117634318A CN202311837111.3A CN202311837111A CN117634318A CN 117634318 A CN117634318 A CN 117634318A CN 202311837111 A CN202311837111 A CN 202311837111A CN 117634318 A CN117634318 A CN 117634318A
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- data
- health state
- model
- 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
- 230000036541 health Effects 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000013526 transfer learning Methods 0.000 title claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 81
- 238000012549 training Methods 0.000 claims abstract description 69
- 238000004088 simulation Methods 0.000 claims abstract description 46
- 238000013210 evaluation model Methods 0.000 claims abstract description 35
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 238000012423 maintenance Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 6
- 230000003862 health status Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000008014 freezing Effects 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 description 4
- 206010033799 Paralysis Diseases 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
Classifications
-
- 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
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及无人机预测性维护技术领域,提供了一种基于迁移学习的无人机健康状态评估方法及系统,所述方法包括:S1、确定无人机故障类型、各类别数据量、模型的输入变量;S2、进行拷机试验与仿真试验,得到各类别数据,构建拷机试验数据集与仿真数据集;S3、无人机健康状态评估模型;S4、对模型进行训练;S5、使用模型进行无人机健康评估。本发明相比基于真实历史数据训练模型的健康评估方法,可识别更多类型的健康状态,且模型泛化能力更强;相比基于拷机试验数据训练模型的健康评估方法,本发明训练模型的数据成本更低、数据采集周期更短;相比基于仿真数据训练模型的健康评估方法,本发明训练的模型更符合实际应用场景下的物理规律。
Description
技术领域
本发明涉及无人机预测性维护技术领域,特别涉及一种基于迁移学习的无人机健康状态评估方法及系统。
背景技术
随着无人机生产制造技术的日益成熟,无人机已经逐渐广泛应用于灾害救援、环保检测、农业植保等领域。这些应用场景多涉及无人机的独立作业,对无人机设备的可维修性提出了较高的要求。高效、准确地评估无人机设备健康状态,并对存在健康隐患的设备进行按需维护,可以保证无人机的可维修性、减少冗余维护和保养不足、有效降低灾难性事故和连带损坏的风险、极大减少计划外停机时间,从而进一步提高作业效率与质量。
目前常用的健康状态评估方法逐渐趋向于建立用于评估无人机健康状态的深度学习模型,对飞行过程中传感器采集的数据进行诊断。该方法受限于训练深度学习模型的数据集,数据主要来源包括:真实历史数据通常存在类别不平衡的特点,健康数据量远大于故障数据量,深度学习模型无法训练得到有效知识;拷机试验可以得到类别平衡的数据集,但往往成本过高、耗时较久,能获取的数据量不足以满足训练要求;仿真试验数据成本较低,可以满足训练集数据量的需求,但会与真实物理情况存在偏差,影响模型实际应用时的准确性。为了解决单一来源训练数据的局限性,本发明提出一种基于迁移学习的无人机设备健康状态评估方法,实现多源数据融合建模,降低模型训练的成本与耗时,提升模型在实际应用中的预测精度与泛化能力,保证无人机健康状态评估的效率与有效性。
发明内容
本发明的目的就是克服现有技术的不足:当前无人机健康评估方法中深度学习模型单一来源的训练数据集存在类别不平衡、采集成本高耗时长、与真实物理情况存在偏差;提供了一种基于迁移学习的无人机健康状态评估方法及系统,提升无人机健康评估的精度与效率。
本发明采用如下技术方案:
一方面,本发明提供了一种基于迁移学习的无人机健康状态评估方法,包括:
S1、确定无人机的故障类型、各类别数据的数据量、无人机健康状态评估模型的输入变量;
S2、根据步骤S1确定的各类别数据的数据量,对无人机进行拷机试验与仿真试验,得到各类别数据,对数据进行标准化与归一化处理,划分为时序数据,构建拷机试验数据集与仿真数据集,并各自划分训练集与测试集;
S3、根据步骤S1确定的无人机的故障类型、及无人机健康状态评估模型的输入变量,建立以长短期记忆网络LSTM进行特征提取、以全连接网络与Softmax层进行分类的无人机健康状态评估模型;
S4、基于步骤S2建立的数据集,对步骤S3中得到的无人机健康状态评估模型进行训练,并进行测试,精度满足设定要求后即得训练后的无人机健康状态评估模型。
S5、基于步骤S4得到的训练后的无人机健康状态评估模型对无人机的健康状态进行评估。
如上所述的任一可能的实现方式,进一步提供一种实现方式,步骤S1中,所述无人机的故障类型包括潜在的轻微事故、未遂先兆、事故隐患;所述输入变量包括无人机传感器采集的数据、无人机运行环境数据。
如上所述的任一可能的实现方式,进一步提供一种实现方式,仿真数据的数据量应为输入变量的10-15倍,拷机试验数据的数据量应为输入变量的2-5倍,仿真数据与拷机试验数据中各类别的数据分布应尽可能均衡。
如上所述的任一可能的实现方式,进一步提供一种实现方式,步骤S2的具体方法包括:
S2.1搭建试验台,进行拷机试验,通过传感器采集无人机设备运行过程中产生的时序数据,并记录过程中设备的健康状态;
S2.2基于MATLAB Simulink环境搭建各类健康状态下的仿真模型,运行模型并采集仿真过程中产生的时序数据;
S2.3对步骤S2.1和步骤S2.2采集到的时序数据进行归一化,目的为消除不同输入变量的数值尺度相差较大对建模精度的影响,具体方法如式(1)所示:
其中,x′0为归一化后的某数据,x0为原始数据,xmin为该数据所属输入变量所有数据的最小值,xmax为该数据所属输入变量所有数据的最大值;
S2.4对经过步骤S2.3处理后的时序数据,确定单条时序数据步长,根据步长将拷机试验数据与仿真数据进行切片,并为每个切片赋予健康状态标签;
S2.5按设定比例将拷机试验数据切片集划分为试验数据训练集与测试集,根据同样的比例将仿真数据划分为仿真数据训练集与测试集。
如上所述的任一可能的实现方式,进一步提供一种实现方式,步骤S2.5中,所述设定比例为8:2。
如上所述的任一可能的实现方式,进一步提供一种实现方式,步骤S3中,建立无人机健康状态评估模型的方法具体包括:
S3.1建立用于飞行数据时序特征提取的LSTM网络,确定网络的超参数,包括:输入数据的特征维数、隐藏层的维度、神经网络层数、激活函数;
S3.2建立用于对LSTM网络输出张量进行分类的全连接网络与Softmax层,确定网络的超参数,包括网络的层数、各层的神经元数、各层的激活函数;
S3.3串联LSTM网络、全连接网络与Softmax层,作为完整的无人机健康状态评估模型;
S3.4设置模型的训练超参数,包括训练轮数、批次大小、损失函数。
如上所述的任一可能的实现方式,进一步提供一种实现方式,步骤S3.4中,所述损失函数包括且不限于交叉熵函数、均方误差、指数损失。
如上所述的任一可能的实现方式,进一步提供一种实现方式,步骤S4中,对无人机健康状态评估模型进行训练的具体方法包括:
S4.1基于仿真数据训练集对步骤S3中建立的无人机健康状态评估模型进行训练,基于仿真数据测试集进行预测精度测试,满足精度要求后的模型命名为预训练模型;
S4.2冻结预训练模型中LSTM网络的神经元使其不参与训练;
S4.3基于拷机试验数据训练集对冻结了LSTM网络的预训练模型基于迁移学习finetune方法进行重训练,基于拷机试验数据测试集进行模型精度测试,满足精度要求后的模型即为最终应用于预测性维护的无人机设备健康状态评估模型。
另一方面,本发明还提供了一种基于迁移学习的无人机健康状态评估系统,包括:
数据采集及处理模块,用于采集无人机拷机试验数据与仿真试验数据,对数据进行标准化与归一化处理,构建拷机试验数据集与仿真数据集;
无人机健康状态评估模型建立与训练模块,根据无人机的故障类型、及无人机健康状态评估模型的输入变量,建立以长短期记忆网络LSTM进行特征提取、以全连接网络与Softmax层进行分类的无人机健康状态评估模型;
无人机健康状态评估模型训练模块,基于数据采集及处理模块建立的数据集,对无人机健康状态评估模型进行训练,并进行测试。
无人机健康状态评估模块,使用训练后的无人机健康状态评估模型对无人机健康状况进行评估。
本发明的有益效果为:本发明基于迁移学习finetune方法,融合无人机拷机试验数据与仿真数据进行深度学习建模,基于训练得到的模型进行无人机设备健康状态评估。相比基于单一来源数据训练模型的健康评估方法,本发明具有以下优势:①相比基于真实历史数据训练模型的健康评估方法,本发明可以识别更多类型的健康状态,且模型泛化能力更强;②相比基于拷机试验数据训练模型的健康评估方法,本发明训练健康评估模型的数据成本更低、数据采集周期更短;③相比基于仿真数据训练模型的健康评估方法,本发明训练的健康评估模型更符合实际应用场景下的物理规律。
附图说明
图1所示为本发明实施例一种基于迁移学习的无人机健康状态评估方法的流程示意图。
图2所示为实施例中无人机健康状态评估模型的网络架构图。
图3所示为LSTM网络神经元结构。
具体实施方式
下文将结合具体附图,详细描述本发明具体实施例。应当注意的是,下述实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的,它们可以被相互组合从而达到更好的技术效果。
如图1所示,以某无人机的活塞式发动机为例,本发明实施例一种基于迁移学习的无人机健康状态评估方法,包括:
S1、确定无人机的故障类型、各类别数据的数据量、无人机健康状态评估模型的输入变量;
S2、根据步骤S1确定的各类别数据的数据量,对无人机进行拷机试验与仿真试验,得到各类别数据,对数据进行标准化与归一化处理,划分为时序数据,构建拷机试验数据集与仿真数据集,并各自划分训练集与测试集;
S3、根据步骤S1确定的无人机的故障类型、及无人机健康状态评估模型的输入变量,建立以长短期记忆网络LSTM进行特征提取、以全连接网络与Softmax层进行分类的无人机健康状态评估模型;
S4、基于步骤S2建立的数据集,对步骤S3中得到的无人机健康状态评估模型进行训练,并进行测试,精度满足设定要求后即得训练后的无人机健康状态评估模型。
S5、基于步骤S4得到的训练后的无人机健康状态评估模型对无人机的健康状态进行评估。
在一个具体实施例中,步骤S1中,所述无人机的故障类型包括潜在的轻微事故、未遂先兆、事故隐患;所述输入变量包括无人机传感器采集的数据。该实施例共包含燃油温度、滑油温度等12个设计变量,计划采集180组仿真数据与30组试验数据,三种类型的故障各占三分之一。
在一个具体实施例中,步骤S2的具体方法包括:
S2.1搭建试验台,进行拷机试验,通过传感器采集无人机设备运行过程中产生的时序数据,并记录过程中设备的健康状态;
S2.2基于MATLAB Simulink环境搭建轻微事故、未遂先兆、事故隐患状态下的仿真模型,运行模型并采集仿真过程中产生的时序数据;
S2.3对步骤S2.1和步骤S2.2采集到的时序数据进行归一化,目的为消除不同输入变量的数值尺度相差较大对建模精度的影响,具体方法如式(1)所示:
其中,x′0为归一化后的某数据,x0为原始数据,xmin为该数据所属输入变量所有数据的最小值,xmax为该数据所属输入变量所有数据的最大值;
S2.4对经过步骤S2.3处理后的时序数据,确定单条时序数据步长,根据步长将拷机试验数据与仿真数据进行切片,并为每个切片赋予健康状态标签;
S2.5按设定比例将拷机试验数据切片集划分为试验数据训练集与测试集,根据同样的比例将仿真数据划分为仿真数据训练集与测试集。
在一个具体实施例中,步骤S2.5中,所述设定比例为8:2。
在一个具体实施例中,步骤S3中,建立无人机健康状态评估模型的方法具体包括:
S3.1建立用于飞行数据时序特征提取的LSTM网络,确定网络的超参数,包括:输入数据的特征维数、隐藏层的维度、神经网络层数、激活函数;
S3.2建立用于对LSTM网络输出张量进行分类的全连接网络与Softmax层,确定网络的超参数,包括网络的层数、各层的神经元数、各层的激活函数;
S3.3串联LSTM网络、全连接网络与Softmax层,作为完整的无人机健康状态评估模型;网络架构如图2所示;
S3.4设置模型的训练超参数,包括训练轮数、批次大小、损失函数。
在一个具体实施例中,步骤S3.4中,所述损失函数包括且不限于交叉熵函数、均方误差、指数损失。
在一个具体实施例中,步骤S4中,对无人机健康状态评估模型进行训练的具体方法包括:
S4.1基于仿真数据训练集对步骤S3中建立的无人机健康状态评估模型进行训练,基于仿真数据测试集进行预测精度测试,满足精度要求后的模型命名为预训练模型;
S4.2冻结预训练模型中LSTM网络的神经元使其不参与训练;LSTM网络的神经元结构如图3所示;
S4.3基于拷机试验数据训练集对冻结了LSTM网络的预训练模型基于迁移学习finetune方法进行重训练,基于拷机试验数据测试集进行模型精度测试,满足精度要求后的模型即为最终应用于预测性维护的无人机设备健康状态评估模型。
因为仿真数据的数据量更大,有利于模型充分学习到通用特征,避免训练过程发生过拟合;而使用拷机试验数据对模型进行迁移学习是为了能够模型的预测结果更贴近拷机数据而非仿真数据。如果反过来,第一步也就是预训练会发生过拟合,而第二步也就是迁移学习会导致模型预测结果与拷机试验数据偏差变大,导致预测精度降低。
本发明实施例一种基于迁移学习的无人机健康状态评估系统,包括:
数据采集及处理模块,用于采集无人机拷机试验数据与仿真试验数据,对数据进行标准化与归一化处理,构建拷机试验数据集与仿真数据集;
无人机健康状态评估模型建立与训练模块,根据无人机的故障类型、及无人机健康状态评估模型的输入变量,建立以长短期记忆网络LSTM进行特征提取、以全连接网络与Softmax层进行分类的无人机健康状态评估模型;
无人机健康状态评估模型训练模块,基于数据采集及处理模块建立的数据集,对无人机健康状态评估模型进行训练,并进行测试。
无人机健康状态评估模块,使用训练后的无人机健康状态评估模型对无人机健康状况进行评估。
将本发明与仅使用仿真数据的健康评估方法、仅使用拷机试验数据的健康评估方法进行对比,结果如表1所示:
表1健康评估方法对比
由此可见,本发明实现多源数据融合建模,降低模型训练的成本与耗时,提升模型在实际应用中的预测精度与泛化能力,保证无人机健康状态评估的效率与有效性。
本文虽然已经给出了本发明的几个实施例,但是本领域的技术人员应当理解,在不脱离本发明精神的情况下,可以对本文的实施例进行改变。上述实施例只是示例性的,不应以本文的实施例作为本发明权利范围的限定。
Claims (8)
1.一种基于迁移学习的无人机健康状态评估方法,其特征在于,所述方法包括:
S1、确定无人机的故障类型、各类别数据的数据量、无人机健康状态评估模型的输入变量;
S2、根据步骤S1确定的各类别数据的数据量,对无人机进行拷机试验与仿真试验,得到各类别数据,对数据进行标准化与归一化处理,划分为时序数据,构建拷机试验数据集与仿真数据集,并各自划分训练集与测试集;
S3、根据步骤S1确定的无人机的故障类型、及无人机健康状态评估模型的输入变量,建立以长短期记忆网络LSTM进行特征提取、以全连接网络与Softmax层进行分类的无人机健康状态评估模型;
S4、基于步骤S2建立的数据集,对步骤S3中得到的无人机健康状态评估模型进行训练,并进行测试,精度满足设定要求后即得训练后的无人机健康状态评估模型;
S5、基于步骤S4得到的训练后的无人机健康状态评估模型对无人机的健康状态进行评估。
2.如权利要求1所述的基于迁移学习的无人机健康状态评估方法,其特征在于,步骤S1中,所述无人机的故障类型包括潜在的轻微事故、未遂先兆、事故隐患;所述输入变量包括无人机传感器采集的数据、无人机运行环境数据。
3.如权利要求1所述的基于迁移学习的无人机健康状态评估方法,其特征在于,步骤S2的具体方法包括:
S2.1搭建试验台,进行拷机试验,通过传感器采集无人机设备运行过程中产生的时序数据,并记录过程中设备的健康状态;
S2.2基于MATLAB Simulink环境搭建各类健康状态下的仿真模型,运行模型并采集仿真过程中产生的时序数据;
S2.3对步骤S2.1和步骤S2.2采集到的时序数据进行归一化,具体方法如式(1)所示:
其中,x′0为归一化后的某数据,x0为原始数据,xmin为该数据所属输入变量所有数据的最小值,xmax为该数据所属输入变量所有数据的最大值;
S2.4对经过步骤S2.3处理后的时序数据,确定单条时序数据步长,根据步长将拷机试验数据与仿真数据进行切片,并为每个切片赋予健康状态标签;
S2.5按设定比例将拷机试验数据切片集划分为试验数据训练集与测试集,根据同样的比例将仿真数据划分为仿真数据训练集与测试集。
4.如权利要求3所述的基于迁移学习的无人机健康状态评估方法,其特征在于,步骤S2.5中,所述设定比例为8:2。
5.如权利要求1所述的基于迁移学习的无人机健康状态评估方法,其特征在于,步骤S3中,建立无人机健康状态评估模型的方法具体包括:
S3.1建立用于飞行数据时序特征提取的LSTM网络,确定网络的超参数,包括:输入数据的特征维数、隐藏层的维度、神经网络层数、激活函数;
S3.2建立用于对LSTM网络输出张量进行分类的全连接网络与Softmax层,确定网络的超参数,包括网络的层数、各层的神经元数、各层的激活函数;
S3.3串联LSTM网络、全连接网络与Softmax层,作为完整的无人机健康状态评估模型;
S3.4设置模型的训练超参数,包括训练轮数、批次大小、损失函数。
6.如权利要求5所述的基于迁移学习的无人机健康状态评估方法,其特征在于,步骤S3.4中,所述损失函数包括且不限于交叉熵函数、均方误差、指数损失。
7.如权利要求1所述的基于迁移学习的无人机健康状态评估方法,其特征在于,步骤S4中,对无人机健康状态评估模型进行训练的具体方法包括:
S4.1基于仿真数据训练集对步骤S3中建立的无人机健康状态评估模型进行训练,基于仿真数据测试集进行预测精度测试,满足精度要求后的模型命名为预训练模型;
S4.2冻结预训练模型中LSTM网络的神经元使其不参与训练;
S4.3基于拷机试验数据训练集对冻结了LSTM网络的预训练模型基于迁移学习finetune方法进行重训练,基于拷机试验数据测试集进行模型精度测试,满足精度要求后的模型即为最终应用于预测性维护的无人机设备健康状态评估模型。
8.一种基于迁移学习的无人机健康状态评估系统,其特征在于,所述系统包括:
数据采集及处理模块,用于采集无人机拷机试验数据与仿真试验数据,对数据进行标准化与归一化处理,构建拷机试验数据集与仿真数据集;
无人机健康状态评估模型建立与训练模块,根据无人机的故障类型、及无人机健康状态评估模型的输入变量,建立以长短期记忆网络LSTM进行特征提取、以全连接网络与Softmax层进行分类的无人机健康状态评估模型;
无人机健康状态评估模型训练模块,基于数据采集及处理模块建立的数据集,对无人机健康状态评估模型进行训练,并进行测试;
无人机健康状态评估模块,使用训练后的无人机健康状态评估模型对无人机健康状况进行评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311837111.3A CN117634318A (zh) | 2023-12-28 | 2023-12-28 | 基于迁移学习的无人机健康状态评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311837111.3A CN117634318A (zh) | 2023-12-28 | 2023-12-28 | 基于迁移学习的无人机健康状态评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117634318A true CN117634318A (zh) | 2024-03-01 |
Family
ID=90030613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311837111.3A Pending CN117634318A (zh) | 2023-12-28 | 2023-12-28 | 基于迁移学习的无人机健康状态评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117634318A (zh) |
-
2023
- 2023-12-28 CN CN202311837111.3A patent/CN117634318A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109947086B (zh) | 基于对抗学习的机械故障迁移诊断方法及系统 | |
CN111539515B (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
CN109490814B (zh) | 基于深度学习和支持向量数据描述的计量自动化终端故障诊断方法 | |
CN110288046B (zh) | 一种基于小波神经网络与隐马尔科夫模型的故障预测方法 | |
Liu et al. | Fault diagnosis of water quality monitoring devices based on multiclass support vector machines and rule-based decision trees | |
CN111695731B (zh) | 基于多源数据和混合神经网络的负荷预测方法、系统及设备 | |
CN110879377B (zh) | 基于深度信念网络的计量装置故障溯源方法 | |
CN110738349A (zh) | 基于多模型融合的电网故障抢修时长预测方法 | |
CN114969990B (zh) | 一种多模型融合的航空电子产品健康评估方法 | |
CN109472097B (zh) | 一种输电线路在线监测设备故障诊断方法 | |
CN114282443B (zh) | 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法 | |
CN114218872B (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
CN115204302A (zh) | 一种无人机小样本故障诊断系统及方法 | |
CN115017826B (zh) | 一种装备剩余使用寿命预测方法 | |
Akpudo et al. | An automated sensor fusion approach for the rul prediction of electromagnetic pumps | |
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 | |
CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
CN116840764A (zh) | 一种电容式电压互感器综合误差状态评估方法及系统 | |
Xu et al. | New RUL prediction method for rotating machinery via data feature distribution and spatial attention residual network | |
CN112836719B (zh) | 一种融合二分类和三元组的示功图相似性检测方法 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
CN116776209A (zh) | 一种关口计量装置运行状态辨识方法、系统、设备及介质 | |
Wu et al. | Ensemble recurrent neural network-based residual useful life prognostics of aircraft engines | |
CN117634318A (zh) | 基于迁移学习的无人机健康状态评估方法及系统 | |
CN116007937A (zh) | 一种机械设备传动部件智能故障诊断方法及装置 |
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 |