ES2237096T3 - Sistema y procedimiento para el diagnostico de las condiciones de un grupo motoporpulsor. - Google Patents
Sistema y procedimiento para el diagnostico de las condiciones de un grupo motoporpulsor.Info
- Publication number
- ES2237096T3 ES2237096T3 ES99914427T ES99914427T ES2237096T3 ES 2237096 T3 ES2237096 T3 ES 2237096T3 ES 99914427 T ES99914427 T ES 99914427T ES 99914427 T ES99914427 T ES 99914427T ES 2237096 T3 ES2237096 T3 ES 2237096T3
- Authority
- ES
- Spain
- Prior art keywords
- information
- parameters
- didactic
- neural network
- layer
- 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.)
- Expired - Lifetime
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
- G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
-
- 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
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S706/00—Data processing: artificial intelligence
- Y10S706/902—Application using ai with detail of the ai system
- Y10S706/903—Control
- Y10S706/905—Vehicle or aerospace
-
- 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
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S706/00—Data processing: artificial intelligence
- Y10S706/902—Application using ai with detail of the ai system
- Y10S706/911—Nonmedical diagnostics
- Y10S706/913—Vehicle or aerospace
Abstract
La invención se refiere a un sistema y a procedimientos para diagnóstico de las condiciones de un grupo motopropulsor. El sistema y el procedimiento están espacialmente enfocados a extraer las características de diferentes fuentes de información y su procesamiento. Junto con una serie de conexiones a dos redes neuronales. Estas características forman el núcleo del sistema y del procedimiento. Esto asegura que se realiza un diagnóstico fiable de las condiciones del grupo motopropulsor y que especialmente se detectan los errores. El grupo motopropulsor se puede mantener por lo tanto de acuerdo con sus condiciones actuales.
Description
Sistema y procedimiento para el diagnóstico de
las condiciones de un grupo motopropulsor.
La presente invención se refiere a un sistema así
como a un procedimiento para el diagnóstico de las condiciones de
un grupo motopropulsor.
De manera convencional, el diagnóstico de las
condiciones de un grupo motopropulsor es efectuado por el empleo de
unas señales de oscilación y sobre la base de unos límites de
amplitud, que son deducidos de una experiencia general, y/o por el
empleo de unas características típicas de las marcas de oscilación,
de la experiencia de unos acontecimientos durante la fase de
desarrollo o de la experiencia de un proceso de certificación.
Se producen, por regla general, unas
modificaciones en la producción de serie, las cuales son costosas y
exigen, además, un muy considerable tiempo.
En este caso, el diagnóstico de oscilación es
efectuado por distintos equipos de especialistas cualificados, sin
ningún concreto intercambio de experiencias entre la empresa
explotadora y el fabricante de los grupos motopropulsores y sin una
sistemática recopilación ni evaluación de los errores, de los
efectos secundarios o de los síntomas ni de las causas de los
mismos.
De este modo, en el diagnóstico de oscilación,
hasta ahora efectuado para las condiciones de los grupos
motopropulsores, existe -entre otras dificultades más- el problema
de que unas pocas posiciones de medición poseen, a efectos de su
evaluación, tan sólo una limitada cantidad de informaciones. Si
bien existen, desde la fase del desarrollo, unos catálogos de
errores, pero éstos son, en la mayoría de los casos, muy
incompletos. La influencia de un gran número de parámetros - como,
por ejemplo, las normas de construcción; las tolerancias; la
magnitud y la posición de unos desequilibrios; los efectos de las
temperaturas; los parámetros de la potencia y del vuelo; etc, etc.,
así como las faltas de una linealidad y las inexactitudes en la
medición - permanece, sin embargo, ampliamente sin ser tenida en
consideración.
Por lo tanto, con este tipo de diagnóstico de
oscilación, existe la posibilidad de que unas peligrosas
condiciones de la posibilidad de que unas peligrosas condiciones de
oscilación sigan existiendo sin ser detectadas durante el
funcionamiento; se pueden presentar unos mayores daños secundarios
a causa de una detección demasiado tarde de los errores, y se
incrementan las inversiones en el mantenimiento teniendo en cuenta
que, en la mayoría de los casos, se hace necesario un completo
despiece del grupo motopropulsor.
Por consiguiente, la presente invención tiene el
objeto de proporcionar un sistema y un procedimiento para el
diagnóstico de las condiciones de los grupos motopropulsores, en los
cuales la seguridad o fiabilidad quede garantizada por la detección
de unas peligrosas condiciones de oscilación; unos mayores daños
secundarios sean impedidos por una detección temprana de los
errores; la inversión en el mantenimiento sea reducida por una
exacta eliminación de las causas de la oscilación; y en los cuales
pueda ser llevado a efecto un mantenimiento correspondiente al
estado actual del grupo motopropulsor (es decir, de tipo
"On-Condition" o según las condiciones
momentáneas).
De acuerdo con la presente invención, este objeto
se consigue por medio de las medidas, que se indican en las
reivindicaciones de patente 1) y 8), respectivamente. En las
reivindicaciones secundarias pueden ser apreciadas unas
convenientes forma para la realización así como unas ampliaciones
de las mismas.
A continuación, se describe un ejemplo para la
realización de la presente invención, el cual está representado en
los planos adjuntos, en los que:
La Figura 1A muestra una vista esquematizada de
la estructura de una red neuronal de tipo multicapa para la
concentración de la información;
La Figura 1B indica una vista esquematizada de la
estructura de una red neuronal de tipo multicapa para el enlace de
la información;
La Figura 1C muestra la estructura de una unidad
neuronal, que es utilizada en las redes según las Figuras 1A y 1B;
mientras que
La Figura 2 indica un esquema de bloques para
poner de manifiesto la estructura del sistema según la presente
invención, el cual está previsto para el diagnóstico de las
condiciones de un grupo motopropulsor.
Lo esencial de la presente invención se encuentra
en un procedimiento y en un dispositivo para la extracción de las
características de unas distintas fuentes de información así como
para el procesamiento de las primeras. Estas características, que de
una manera extensiva caracterizan el estado o las condiciones de un
grupo motopropulsor, constituyen el núcleo del sistema, en conjunto
con la conexión en serie de las dos redes neuronales.
A efectos de la generación de unos modelos de
oscilación (datos de entrenamiento) para el diagnóstico de las
condiciones de un grupo motopropulsor pueden ser empleadas tanto
una simulación como una medición. Estos dos procedimientos tienen
sus ventajas e inconvenientes, que se explican a continuación.
Al tratarse de una simulación, es conveniente que
se efectúen un análisis de los distintos casos de error
previamente definidos y, además, una combinación de los mismos. En
este supuesto, la evaluación puede ser efectuada en cualquiera de
las posiciones, cuya cantidad está limitada solamente por el número
de los grados de libertad del modelo de simulación. Pueden ser
analizados unos casos extremos de destrucción. Para ello, resulta,
además, conveniente emplear unas señales puras, sin las partes
proporcionales de ruidos. Las simulaciones de los funcionamientos
de los grupos motopropulsores son relativamente favorables en
relación con los costos.
Una simulación tiene, sin embargo, el
inconveniente de que la misma está sujeta a distintas suposiciones
como, por ejemplo, en la modelación de los enlaces, en las
propiedades de una amortiguación, etc., etc. Los otros
inconvenientes de una simulación son la limitada validez de la misma
como, por ejemplo, solamente para una determinada banda de
frecuencia (normalmente la gama inferior de las frecuencias) así
como el hecho de que algunos efectos sólo pueden ser tenidos en
consideración con una muy elevada inversión. Además, los modelos de
simulación describen solamente unas determinadas propiedades de la
estructura con una gran precisión. Las otras propiedades -como, por
ejemplo, los efectos térmicos, etc.- en cambio, son tenidas en
consideración sólo de una manera global.
En comparación con una simulación, la medición
tiene las ventajas siguientes. Es empleada la real estructura
actual, y ninguna idealización física de la misma. Sobre todo en
los procesos de desarrollo y de certificación son analizados
ciertos supuestos de la carga, los cuales corresponden a unos
determinados errores como, por ejemplo, a la pérdida de la hoja en
distintas fases de las partes componentes individuales del grupo
motopropulsor. Además, en las mediciones pueden ser tenidas en
consideración, de forma adicional, unos parámetros de
funcionamiento; sobre todo en las investigaciones durante el vuelo
es registrada toda una serie de parámetros adicionales.
No obstante, también en una medición surgen
problemas. Tienen un efecto negativo la inexactitud o la dispersión
de las mediciones, al igual que los errores de medición o los
efectos del ruido. De forma adicional, son problemáticas la
individualidad de los grupos motopropulsores así como las
cambiantes condiciones de una referencia. Las observaciones pueden
ser efectuadas solamente en unas pocas posiciones
fijas.
fijas.
Por consiguiente, para eliminar estos
inconvenientes y problemas, se presentan las exigencias
siguientes:
Tiene que ser efectuada una extensiva generación
numérica de señales características de oscilación, la cual ha de
estar acompañada de la generación de unas marcas experimentales.
Para ello son precisas la definición de parámetros, que deben ser
observados para ser empleados en el diagnóstico, al igual que la
confección de un catálogo de errores. Los errores a identificar
tienen que ser definidos, y ha de tener lugar un análisis de los
enlaces o de la relación entre los errores.
Asimismo, son necesarios la extracción de
características y una evaluación de los enlaces o de las relaciones
entre los síntomas, los efectos secundarios o los indicios. Los
parámetros tienen que ser identificados; han de ser desarrollados
los modelos de los grupos motopropulsores, y deben ser establecidos
los enlaces o las relaciones entre los errores y los efectos
secundarios o los síntomas.
Es necesario, además, el desarrollo de unos
extensos sistemas de diagnóstico sobre la base de unas redes
neuronales, teniendo en consideración las distintas informaciones
físicas (oscilaciones; las características de la potencia; las
temperaturas; etc., etc) así como las fuentes de estadísticas o de
probabilidades de la información.
Tienen que ser definidas las propiedades de las
redes neuronales como son, por ejemplo, su tipo o clase; la
arquitectura; el procedimiento de los entrenamientos; etc, etc.
Como añadidura, deben ser efectuadas unas investigaciones acerca de
la posible aplicación de las redes neuronales, en combinación con
una lógica confusa. Finalmente son optimados -a través de un
análisis de sensibilidad y de correlación- los modelos y
procedimientos de simulación así como las técnicas de la
medición.
Los problemas principales, que se presentan en
unas observaciones técnicas de la medición, son la dispersión de
los datos; la identificación de unos datos sobre los ruidos; la
limitada cantidad de datos para un análisis completo; así como las
cambiantes condiciones de una referencia para cada grupo
motopropulsor. Las posibles soluciones de los problemas consisten en
una asignación de modelos; en una clasificación; así como en una
identificación de las informaciones mediante unos procedimientos
neuronales o de tipo neuronal-confuso (de tipo
fuzzy).
Según la presente invención, para el diagnóstico
de las condiciones de los grupos motopropulsores no son empleados
-como es habitual- solamente las detectadas señales de oscilación
del grupo motopropulsor, sino asimismo los otros parámetros de un
funcionamiento como son, por ejemplo, la altura, la temperatura,
etc., que también influyen en el estado o en las condiciones del
grupo motopropulsor. Además, han de ser tenidas en cuenta, de forma
adicional, también unas consideraciones de estadística y de
probabilidades.
En este caso, el diagnóstico de las condiciones
del grupo motopropulsor es efectuado por el empleo de un sistema
inteligente de tipo didáctico. Este sistema es aplicado desde la
fase de desarrollo hasta la producción en serie. A efectos del
diagnóstico, son empleadas unas adicionales informaciones de tipo
físico como son los parámetros del funcionamiento; las
temperaturas; los parámetros de la potencia; etc., etc. Según el
sistema y el procedimiento de la presente invención, son
registrados y evaluados de una manera sistemática el actual
estándar de la construcción y los datos históricos del grupo
motopropulsor así como los síntomas y las verificadas causas de
errores de éstos últimos.
Este sistema inteligente es aplicado en especial
por el empleo de los modelos de una simulación física; a este
efecto, los modelos físicos son perfeccionados de forma interactiva
o paso por paso por el empleo de una correlación con las
mediciones. De forma adicional, el sistema inteligente es aplicado
por medio de unos acontecimientos o incidencias efectivos o
reales.
Además, los supuestos de errores de todos los
clientes son recopilados y evaluados por los productores por la
utilización de una base de datos o de un banco de datos común.
Dentro de un sistema inteligente de este tipo son
empleadas unas redes neuronales. Una tal red neuronal se compone
de un elevado número de neuronas, de los cuales cada uno posee una
línea característica de entrada/salida no lineal, y los mismos
están unidos entre si mediante unos elementos de unión con unos
respectivos coeficientes de peso, que son recíprocamente
independientes. Los coeficientes de peso pueden ser modificados a
través de unos procesos didácticos. En este caso y sobre la base de
una combinación especial de valores de entrada, la señal de salida
de la red neuronal es comparada con un conocido valor (valor
didáctico), que se encuentra en correspondencia con estos valores
de entrada. De esta comparación es deducida una modificación en los
valores de los coeficientes de peso como, por ejemplo, para acercar
el valor de salida de la red neuronal más a un valor didáctico. A
este efecto, es empleado un algoritmo didáctico o un procedimiento
de cálculo. El proceso didáctico es repetido, de manera sucesiva,
para un determinado número de distintos valores didácticos y de las
correspondientes combinaciones de los valores de entrada. Esto ha
de ser, aplicado sobre todo para la red neuronal indicada en la
figura 1B, por cuya aplicación puede ser empleado, por ejemplo, el
método de la controlada propagación de retorno o "Back
Propagation". Existe, además, la posibilidad de emplear otros
procedimientos o métodos para la aplicación de las redes
neuronales.
En este caso, se puede tratar, por ejemplo, de
unos procedimientos no controlados (por ejemplo, el método de los
mapas de autoorganización de Kohonen), que son empleados en
especial para las tareas de una clasificación dentro de la red
neuronal, indicada en la Figura 1A.
Una red neuronal de tipo multicapa según las
Figuras 1A y 1B está constituida por unas capas -entre sí
sucesivas- de neuronas, con unos enlaces intermedios mediante unos
elementos de unión, los cuales están unidos entre las neuronas de
una capa y las neuronas de las capas anteriores así como de las
capas posteriores. Estos elementos de unión multiplican las señales
de salida por los coeficientes de peso W_{n,i,j} o W_{N,J,K}.
Durante el proceso didáctico de una red neuronal, estos coeficientes
de peso, W_{N,I,J}, o W_{ N,I,K}, pueden ser variados, y los
mismos son determinados de una forma recíprocamente independiente.
Los valores de los coeficientes de peso W_{N,I,J,}, que unen la
capa de entrada con la capa intermedia, pueden ser considerados
como las respectivas intensidades de acoplamiento entre las
neuronas de la capa intermedia U_{2J} y las neuronas de la capa
de entrada U_{1,I}. Al componerse la capa de salida U_{3,K} de
la red neuronal de solamente una neurona individual U_{3,1},
resulta que un valor de salida individual de la última neurona de
la red neuronal responderá a una determinada combinación de valores
de las señales de entrada, que son aportadas a la capa de entrada
de la red neuronal.
La Figura 1C muestra una neurona 30, y puede ser
considerada que la misma se compone de un tramo de entrada 20 y de
un tramo de salida 40. El tramo de entrada 20 suma los valores
ponderados de las señales de entrada, que son aportadas al mismo;
en este caso, cada uno de estos valores de las señales de entrada
es multiplicado por un correspondiente coeficiente de peso
W_{m,i,j}. La resultante señal sumada de salida, la que es
producida por el tramo de entrada 20 de la neurona 30, lleva la
denominación X_{m,i}, y la misma es aportada al tramo de salida
40 de la neurona. Este tramo de salida 40 lleva a efecto un
procesamiento, correspondiente a una función no lineal
Y=F(x) para así obtener la señal de salida Y_{n,i}, que es
aportada a una neurona o a varias neuronas de la capa siguiente
después de que la señal haya sido multiplicada por el respectivo
coeficiente de peso.
A continuación, se describen -de una manera
esquematizada y con referencia a la Figura 2- el sistema y el
procedimiento de la presente invención, previstos para el
diagnóstico de las condiciones de un grupo motopropulsor.
El sistema y el procedimiento de la presente
invención reciben, a través de un transmisor de valores de medición
2, las informaciones físicas 10 como, por ejemplo, la presión y la
temperatura en los distintos niveles de un grupo motopropulsor 1,
al igual que reciben los parámetros de un seguimiento del gas
dentro del grupo motopropulsor 1 así como del análisis de las
partículas en el aceite gastado. Este sistema recibe, además, unas
informaciones sobre oscilaciones dentro de la gama de tiempos 11 y,
al término del procesamiento de las informaciones, el mismo recibe
-de un dispositivo de análisis de oscilaciones 3- unas
informaciones dentro de la gama de frecuencias 12. Al sistema son
transmitidas, adicionalmente, las informaciones, que son el
resultado de unas consideraciones de estadística y de
probabilidades 9 de los datos de un correspondiente banco de datos
20. Por la aplicación de unos algoritmos especiales, de esta
abundancia de informaciones son extraídas por un módulo para la
extracción de características 4 las características 13 que
caracterizan, de una manera exhaustiva, el grupo motopropulsor
1.
El sistema y el procedimiento según la presente
invención emplean una primera red neuronal 5, que posee en la capa
de entrada más neuronas que en la capa de salida. Esta red tiene la
tarea de clasificar las características 13, que son aportadas, y de
identificar sobre todo las relaciones y las dependencias, que
existen entre las características. Son formados unos grupos de
características, que durante el ulterior proceso son tenidos en
consideración por unos elegidos "representantes", es decir,
por los parámetros 14 aquí mencionados. De esta manera, se consigue
una concentración de los datos por la eliminación de unas
informaciones redundantes.
La primera red neuronal 5 es empleada por la
aplicación de distintos métodos y por medio de un primer
dispositivo didáctico 7. Es empleado, entre otros procedimientos
más, el método de la propagación de retorno o de "Back
Propagation", con los conjuntos de datos 16 y 17; no obstante,
también puede ser aplicado el procedimiento de los mapas de
autoorganización.
Dentro del sistema y del procedimiento de la
presente Invención está prevista, además, una segunda red neuronal
6. Las señales de entrada de la segunda red neuronal 6 -que se
encuentra conectada en serie con la primera red neuronal- son los
parámetros identificados 14. La tarea de esta segunda red neuronal
consiste en la clasificación y en la detección de las relaciones,
que existen entre los parámetros 14, y de unas determinadas
constelaciones de error 15. Dentro del marco del sistema de la
presente invención, este proceso es denominado diagnóstico, habida
cuenta de que los errores 15 -a través de los parámetros 14 y
éstos, a su vez, a través de las características 13- están
asociados causalmente con las propiedades del grupo motopropulsor
1, las cuales pueden ser interpretadas de forma física.
Cada una de las distintas capas de la segunda red
neuronal 6 se compone de varias neuronas. El número de las capas
cubiertas será -tal como esto es habitual en unos procesos de
clasificación- relativamente reducido (1 ó 2 capas). Sin embargo,
la cantidad de neuronas en estas capas será, por regla general,
mayor que el número de neuronas de las capas exteriores. La señal
de salida de la segunda red neuronal es una señal de diagnóstico,
que es el indicativo de una determinada constelación de errores
15.
El empleo de la segunda red neuronal es llevado a
efecto por un segundo dispositivo didáctico 8 y a través del
controlado procedimiento de la propagación de retorno o "Back
Propagation". En este caso, los conocidos errores 19, y los
síntomas de los mismos, son empleados en la forma de los parámetros
18.
Ahora se describe, con mayor exactitud, cuáles de
las señales de entrada son aportadas al módulo para la extracción
de características 4. Tal como anteriormente indicado, estos datos
de entrada son las señales de oscilación dentro de las gamas del
tiempo 11 y de la frecuencia 12 así como, de forma adicional, son
unos parámetros de observación de tipo físico 10 y de tipo
estadístico y de probabilidades 9. Dentro del módulo para la
extracción de las características, estas informaciones son
procesadas de una manera separada; están previstas, sin embargo,
unas identificaciones en común para el ulterior procesamiento.
En primer lugar, hacemos referencia a las señales
de oscilación dentro de la gama del tiempo 11. En este caso, son
aplicados unos procedimientos y unas técnicas, que son usuales para
el reconocimiento de la voz. Son empleados, además, el valor
efectivo (RMS = Root Mean Square o media cuadrática); las
envolventes; las modulaciones; los valores absolutos; un análisis
de potencia; unos parámetros estadísticos (desviaciones
normalizadas, etc.); unas funciones de distribución; un análisis de
ondas rizadas, etc., etc. de las señales de oscilación como unos
indicadores dentro de la gama del tiempo 11.
En cambio, para las señales de oscilación dentro
de la gama de la frecuencia 12 es empleada una representación en
forma de un llamado diagrama de cascada. Esta representación
gráfica de la información es tratada luego con unos procedimientos
de procesamiento de imágenes, y de la misma se seleccionan después
las características correspondientes. Por consiguiente, es llevada
a efecto una observación global, teniendo en cuenta que todas las
zonas de la imagen (diagrama de tipo cascada) son procesadas con la
misma ponderación. Son realizadas, además, unas observaciones
geométricas con el objeto de generar unos indicadores como, por
ejemplo, el punto esencial de la imagen en su conjunto o los puntos
esenciales de determinadas regiones de la imagen, los cuales son
definidos según unas determinadas consideraciones físicas (por
ejemplo, la zona subarmónica o la zona superarmónica). Las llamadas
líneas de horizonte o Sky-Lines del diagrama de
cascada -considerado el mismo desde la perspectiva de la gama de
frecuencia o de tiempo/eje del número de revoluciones- suministran
unas características adicionales de la imagen.
Además, las informaciones de los diagramas de
tipo cascada son registradas de forma numérica. De este modo, se
produce adicionalmente la posibilidad de emplear unos métodos del
cálculo matricial y del cálculo vectorial (distintas normas,
longitudes, etc.) como, por ejemplo, la determinación de valores
máximos y mínimos; de normas de suma; de normas de Eúclides; de unos
coeficientes de correlación; de unos coeficientes de regresión; de
desviaciones normalizadas, etc., etc., para la obtención de unos
indicadores. Aparte de ello, del desarrollo de las amplitudes de
las oscilaciones del número de revoluciones de funcionamiento del
respectivo rotor, las cuales están asignadas a un múltiplo y a unas
combinaciones de los mismos, son extraídas unas informaciones, que
permiten la generación de unas características adicionales. Otra
alternativa para el procesamiento de las informaciones numéricas
consiste en la aplicación de unos procedimientos para la
identificación del sistema (método de la estimación directa, etc.)
dentro de la gama de frecuencias y en relación con unos espectros
individuales (es decir, un número de revoluciones quasiconstante)
y/o en relación con los desarrollos arriba mencionados de la
armónica del número de revoluciones. La observación de las funciones
de la transmisión así como un análisis de la distribución de los
datos numéricos suministran unos indicadores adicionales de las
señales de oscilación dentro de la gama de la frecuencia 12.
Una fuente completamente distinta para unas
características son las observaciones de unos parámetros físicos
adicionales 10. De este grupo de parámetros forman parte el consumo
de aceite a unas determinadas marchas del grupo motopropulsor; unos
números con referencia a la potencia, como son la presión y la
temperatura en determinados niveles del grupo motopropulsor; el
análisis de las partículas dentro del aceite gastado y en los gases
de escape del grupo motopropulsor; así como el análisis del
recorrido del gas. Otra alternativa está basada en unas
consideraciones de estadística o de probabilidades de los errores
9. Por medio de este análisis, unos determinados elementos o partes
componentes del grupo motopropulsor pueden ser clasificados como
especialmente propensos a unos errores. Esta información es
utilizada en la forma de unas características.
Estas características 13 -resultantes del
correspondiente módulo para la extracción de características 4-
constituyen luego los datos de entrada de la capa de entrada de la
primera red neuronal 5. La tarea de esta red consiste en la
concentración de las informaciones de entrada, que son bastante
extensivas, así como en la generación de unos parámetros
ampliamente independientes 14.
A la segunda red neuronal 6 son aportados los
parámetros 14, que son transmitidos por la primera red neuronal 5,
y la segunda red emite entonces, en base a ello, una correspondiente
señal de diagnóstico (señal de error) 15.
Por consiguiente, con el empleo de las dos redes
neuronales y a través del sistema y del procedimiento de la
presente invención, puede ser conseguido un diagnóstico fiable de
las condiciones de un grupo motopropulsor.
En lugar de las dos redes neuronales, asimismo
pueden ser empleadas unas redes neuronales en relación con una
lógica confusa o bien las conexiones de una lógica confusa
pura.
Claims (15)
1. Sistema para el diagnóstico de las condiciones
de un grupo motopropulsor, el cual comprende:
* Un dispositivo para la aportación de unas
informaciones de estadistica o de probabilidades (9) sobre la cuota
de errores de unas partes componentes individuales del grupo
motopropulsor, las cuales son el resultado de la evaluación de un
correspondiente banco de datos (20) y/o de una multitud de
transmisores de valores de medición (2) para el registro de unas
informaciones físicas (10) como son, por ejemplo, las presiones y
las temperaturas a los distintos niveles del grupo motopropulsor y,
además, de los parámetros de un análisis de las partículas dentro
del aceite gastado y en los gases de escape del grupo
motopropulsor, además de los parámetros de un análisis del
recorrido del gas;
* Una multitud de transmisores de valores de
medición (2) para el registro de informaciones sobre la oscilación
de un grupo motopropulsor (1) dentro de la gama del tiempo
(11);
* Un dispositivo de evaluación de oscilaciones
(3) para generar -sobre la base de las informaciones de
oscilaciones dentro de la gama del tiempo (11)- unas informaciones
sobre las oscilaciones dentro de la gama de la frecuencia (12);
* Un módulo para la extracción de características
(4) a los efectos de procesar las informaciones físicas (10) y/o
las informaciones de estadística o de probabilidades (9) así como
las informaciones sobre las oscilaciones dentro de la gama del
tiempo (11) y de la gama de la frecuencia (12) y para la extracción
de una serie de características (13) que describen, de una manera
exhaustiva, el estado o las condiciones del grupo
motopropulsor;
* Una primera red neuronal (5), con la cual están
enlazadas las características (13); prevista para la clasificación
de las características (13), para la identificación de las
relaciones y de las dependencias entre las características, y para
la correspondiente realización de una concentración en la
información así como para la emisión de parámetros (14); a este
efecto, la primera red neuronal (5) posee una capa de entrada, una
o varias capas intermedias, como asimismo posee una capa de salida,
todas ellas de neuronas; en este caso, la capa de entrada tiene más
neuronas que la capa intermedia o las capas intermedias y éstas
últimas tienen, a su vez, más neuronas que la capa de salida, y las
neuronas de una capa están unidas entre si a través de una multitud
de elementos de unión con unos coeficientes de peso de tipo
variable;
variable;
* Un primer dispositivo didáctico (7) para la
aportación de señales didácticas de entrada (16) a la primera red
neuronal (5) y para la comparación de la señal de salida (14) -que,
a raíz de ello, es emitida por la primera red neuronal (5)- con una
señal didáctica de entrada (17) y para la modificación de los
coeficientes de peso variables de la primera red neuronal (5) a
través de la aplicación de un algoritmo didáctico previamente
determinado y correspondiente a las diferencias entre la señal
didáctica de entrada (17) y la señal de salida (14) o bien para la
realización de un entrenamiento no controlado de la primera red
neuronal (5) por medio de las señales didácticas de entrada (16)
solamente;
* Una segunda red neuronal (6), con la cual están
enlazados los parámetros (14), que son emitidos por la primera red
neuronal (5); prevista para la clasificación de los parámetros
(14), para la detección de unas relaciones entre los parámetros 14)
y unas determinadas constelaciones de errores, para la
correspondiente realización de un enlace entre las informaciones, y
para la emisión de una señal de diagnóstico (15); a este efecto, la
segunda red neuronal (6) posee una capa de entrada, una o varias
capas intermedias, como asimismo posee una capa de salida, todas
ellas de neuronas; en este caso, la capa de entrada y la capa de
salida tienen menos neuronas que la capa intermedia o las capas
intermedias, y las neuronas de una capa están unidas con las
neuronas de la capa siguiente a través de una multitud de elementos
de unión con unos coeficientes de peso de tipo variable; como
asimismo comprende este sistema:
- \text{*}
- Un segundo dispositivo didáctico (8) para la aportación de señales didácticas de entrada (18) a la segunda red neuronal (6) y para la comparación de la señal de salida (15) -que, a raíz de ello, es emitida por la segunda red neuronal (6)- con una señal didáctica de entrada (19), así como para la modificación de los coeficientes de peso variables de la segunda red neuronal (6) por medio de la aplicación de un algoritmo didáctico, previamente determinado y correspondiente a las diferencias entre la señal didáctica de entrada (19) y la señal de salida (15).
2. Sistema conforme a la reivindicación 1), en el
cual el módulo para la extracción de características (4) emplea
unos parámetros físicos (10) como son el consumo de aceite durante
determinadas marchas del grupo motopropulsor; unos datos
relacionados con la potencia como son, por ejemplo, la presión y la
temperatura a determinados niveles del grupo motopropulsor; los
parámetros de un análisis de las partículas dentro del aceite
gastado y en los gases de escape del grupo motopropulsor; así como
los parámetros de un análisis del recorrido del gas.
3. Sistema conforme a la reivindicación 1), en el
cual el módulo para la extracción de características (4) emplea
unos procedimientos, que son habituales en el reconocimiento de la
voz, y este módulo extrae, entre otros datos, los valores
efectivos; las propiedades de las envolventes; las modulaciones;
unos valores absolutos; los análisis de la potencia; unos
parámetros estadísticos; las funciones de una distribución; así
como un análisis de ondas rizadas de las informaciones sobre la
oscilación como unas características dentro de la gama del tiempo
(11).
4. Sistema conforme a la reivindicación 1), en el
cual el dispositivo de evaluación de oscilaciones (3) procesa las
señales de la oscilación dentro de la gama del tiempo y determina,
en base a las mismas, unas correspondientes informaciones sobre la
oscilación dentro de la gama de frecuencias (12).
5. Sistema conforme a una de las reivindicaciones
1) o 4), en el cual el módulo para la extracción de características
(4) emplea una representación de la información en forma de un
llamado diagrama de cascada; esta representación gráfica de la
información es procesada por el mismo mediante unos procedimientos
de procesamiento de imágenes, y este módulo determina de ello las
correspondientes características de las informaciones sobre la
oscilación dentro de la gama de frecuencias (12).
6. Sistema conforme a la reivindicación 5), en el
cual el módulo para la extracción de características (4) lleva a
efecto también unas observaciones geométricas de la imagen en su
conjunto o de unas determinadas regiones de la imagen, y/o el
módulo para la extracción de características (4) tiene en
consideración, además, las llamadas líneas de horizonte o
"sky-lines" del diagrama de tipo cascada desde
la perspectiva del eje de frecuencia o tiempo/número de
revoluciones.
7. Sistema conforme a la reivindicación 5), en el
cual el módulo para la extracción de características (4) registra,
además, de forma numérica la información sobre la oscilación de los
diagramas de tipo cascada, y este módulo emplea unos métodos del
cálculo matricial y del cálculo vectorial á emplea unos
procedimientos para la identificación del sistema dentro de la gama
de frecuencias para la obtención de unas características de las
informaciones sobre las oscilaciones dentro de la gama de
frecuencias (12), y/o el mismo emplea unas funciones de transmisión
así como un análisis de la distribución de los datos numéricos.
8. Procedimiento para el diagnóstico de las
condiciones de un grupo motopropulsor, el cual comprende las fases
de:
* Aportación de unas informaciones de estadística
o de probabilidades (9) sobre la cuota de errores de unas
individuales partes componentes del grupo motopropulsor;
informaciones éstas que son el resultado de una evaluación de un
correspondiente banco de datos (20); y/o
* Registro de unas informaciones físicas (10)
como, por ejemplo, las presiones y las temperaturas a distintos
niveles del grupo motopropulsor a través de una multitud de
transmisores de valores de medición (2), aparte de registrar los
parámetros de un análisis de las partículas dentro del aceite
gastado y en los gases de escape del grupo motopropulsor así como
los parámetros de un análisis del recorrido del gas; y/o registro de
las informaciones sobre la oscilación de un grupo motopropulsor (1)
dentro de la gama del tiempo (11) y por parte de una multitud de
transmisores de valores de medición (2); y
* Generación de unas informaciones sobre la
oscilación dentro de la gama de frecuencias (12) en base a las
informaciones sobre la oscilación dentro de la gama del tiempo (11)
y por medio de un dispositivo de evaluación de oscilaciones
(3);
* Procesamiento de las informaciones físicas {10)
y/o de las informaciones de estadística o de probabilidades (9) y/o
de las informaciones sobre la oscilación dentro de la gama del
tiempo (11) y dentro de la gama de las frecuencias (12) así como
extracción de una serie de características (13) que representan, de
una manera exhaustiva, el estado o las condiciones del grupo
motopropulsor, por medio de un módulo para la extracción de
características (4);
* Clasificación de las características (13);
identificación de las relaciones y de las dependencias entre las
características y, por consiguiente, realización de una
concentración de la información así como emisión de los parámetros
{14) por parte de una primera red neuronal (5), que está enlazada
con las características (13); a este efecto, la primera red neuronal
(5) posee una capa de entrada, una o varias capas intermedias, como
asimismo posee una capa de salida, todas ellas de neuronas; en este
caso, la capa de entrada tiene más neuronas que la capa intermedia o
las capas intermedias, y éstas últimas tienen, a su vez, más
neuronas que la capa de salida, y las neuronas de una capa se
encuentran unidas entre si a través de una multitud de elementos de
unión con unos coeficientes de peso de tipo variable;
* Aportación de unas señales didácticas de
entrada (16) a la primera red neuronal (5) y comparación de la
señal de salida (14) -emitida, a raíz de ello, por la primera red
neuronal (5)- con una señal didáctica de entrada (17) y
modificación de los coeficientes de peso variables de la primera
red neuronal (5) a través de la aplicación de un algoritmo
didáctico previamente determinado y correspondiente a las
diferencias entre la señal didáctica de entrada (17) y la señal de
salida, o bien para la realización de un entrenamiento no
controlado de la primera red neuronal (5) por medio de las señales
didácticas de entrada (16) solamente y a través de un primer
dispositivo didáctico (7);
* Clasificación de los parámetros (14); detección
de las relaciones entre los parámetros (14) y determinadas
constelaciones de error y, por consiguiente, realización de un
enlace de la información y emisión de una señal de diagnóstico (15)
por una segunda red neuronal (6), con la que están enlazados los
parámetros (14), qué son emitidos por la primera red neuronal (5);
a este efecto, la segunda red neuronal (6) posee una capa de
entrada y una o varias capas intermedias así como una capa
exterior, todas ellas de neuronas; en este caso, la capa de entrada
y la capa de salida tienen menos neuronas que la capa intermedia o
las capas intermedias, y las neuronas de una capa se encuentran
unidas con las neuronas de la capa siguiente a través de unos
elementos de unión con unos coeficientes de peso de tipo variable;
así
como
como
* Aportación de las señales didácticas de entrada
(18) a la segunda red neuronal (6) y comparación de la señal de
salida (15) -que, a raíz de ello, es emitida por la segunda red
neuronal (6)- con una señal didáctica de entrada (19) y
modificación de los coeficientes de peso variables de la segunda
red (6) a través de la aplicación de un algoritmo didáctico
previamente determinado y correspondiente a las diferencias entre
la señal didáctica de entrada (19) y la señal de salida (15) por
medio de un segundo dispositivo didáctico (8).
9. Procedimiento conforme a la reivindicación 8),
en el cual los registrados parámetros físicos (10) comprenden el
consumo de aceite en determinadas marchas del grupo motopropulsor;
unos datos en relación con la potencia como, por ejemplo, la
presión y la temperatura a unos determinados niveles del grupo
motopropulsor; los parámetros de un análisis de partículas dentro
del aceite gastado y en los gases de escape del grupo
motopropulsor; como asimismo comprenden los parámetros de un
análisis del recorrido del gas.
10. Procedimiento conforme a la reivindicación
8), en el cual en la extracción de las características por medio de
las informaciones de estadística o de probabilidades (9) unos
determinados elementos del grupo motopropulsor o bien algunas
partes componentes del mismo son clasificados, a título de ejemplo,
como especialmente propensos a los errores, y estas informaciones
son emitidas en la forma de características (13).
11. Procedimiento conforme a la reivindicación
8), en el que para el procesamiento de las informaciones y para la
extracción de las características son empleados unos
procedimientos, que son habituales en el reconocimiento de la voz, y
como características son extraídos, entre otros datos, también los
valores efectivos; las propiedades de las envolventes; las
modulaciones; unos valores absolutos; los análisis de la potencia;
unos parámetros estadísticos; las funciones de la distribución; así
como un análisis de ondas rizadas de las informaciones sobre la
oscilación dentro de la gama del tiempo (11).
12. Procedimiento conforme a la reivindicación
8), en el cual la información sobre la oscilación es procesada
-dentro de la gama del tiempo (11)- mediante un dispositivo de
evaluación de oscilaciones (3), y en base a la misma son
determinadas las correspondientes informaciones sobre la oscilación
dentro de la gama de la frecuencia (12).
13. Procedimiento conforme a una de las
reivindicaciones 8) hasta 12), en el que para el procesamiento de
las informaciones sobre oscilaciones dentro de la gama de
frecuencias (12) es empleada la representación de la información en
forma de un llamado diagrama de cascada; esta representación
gráfica de la información es procesada por unos procedimientos de
procesamiento de imágenes, y en base a la misma son determinadas
las correspondientes características de las informaciones sobre la
oscilación dentro de la
gama de frecuencias (12).
gama de frecuencias (12).
14. Procedimiento conforme a la reivindicación
13) en el que, a efectos del procesamiento de las informaciones
sobre oscilaciones dentro de la gama de frecuencias (12), son
llevadas a efecto unas observaciones geométricas de la imagen en su
conjunto o de unas determinadas regiones de la imagen; y/o durante
el tratamiento de las informaciones sobre oscilaciones dentro de la
gama de frecuencias (12) son tenidas en consideración, además, las
llamadas líneas de horizonte o "sky-lines" del
diagrama de tipo cascada desde la perspectiva del eje de
frecuencias o tiempo/número de revoluciones, y de ello son
extraídas las características correspondientes.
15. Procedimiento conforme a la reivindicación
13) en el cual -durante el procesamiento de las informaciones sobre
oscilaciones dentro de la gama de frecuencias (12)- las
informaciones de los diagramas de tipo cascada son registradas,
además, de forma numéricas, y son empleados unos métodos del
cálculo matricial y del cálculo vectorial o unos procedimientos
para la identificación del sistema dentro de la gama de frecuencias
para la obtención de las informaciones sobre oscilaciones dentro de
la gama de frecuencias (12) y/o son empleados unas funciones de
transmisión así como un análisis de distribución de los datos
numéricos.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE19808197A DE19808197C2 (de) | 1998-02-27 | 1998-02-27 | System und Verfahren zur Diagnose von Triebwerkszuständen |
| DE19808197 | 1998-02-27 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| ES2237096T3 true ES2237096T3 (es) | 2005-07-16 |
Family
ID=7859038
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES99914427T Expired - Lifetime ES2237096T3 (es) | 1998-02-27 | 1999-02-24 | Sistema y procedimiento para el diagnostico de las condiciones de un grupo motoporpulsor. |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US6574613B1 (es) |
| EP (1) | EP0988583B1 (es) |
| DE (2) | DE19808197C2 (es) |
| ES (1) | ES2237096T3 (es) |
| WO (1) | WO1999044106A1 (es) |
Families Citing this family (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19942144A1 (de) * | 1999-09-03 | 2001-06-07 | Schroeder Dierk | Verfahren zur adaptiven Schwingungsdämpfung mittels neuronaler Netze |
| DE19949637A1 (de) * | 1999-10-14 | 2001-04-19 | Dietrich Kuehner | Verfahren und Vorrichtungen zur Geräuscherkennung und -trennung sowie Lärmüberwachung und -prognose |
| US6728658B1 (en) * | 2001-05-24 | 2004-04-27 | Simmonds Precision Products, Inc. | Method and apparatus for determining the health of a component using condition indicators |
| FR2831666B1 (fr) * | 2001-10-25 | 2004-03-12 | Air Liquide | Capteur logiciel nox en sortie des cheminees des fours utilisant l'air enrichi en oxygene ou de l'oxygene pur comme comburant |
| DE10153576B4 (de) * | 2001-10-29 | 2004-04-15 | Ima Materialforschung Und Anwendungstechnik Gmbh | Verfahren zur Unwuchtermittlung an starren Rotoren im Betriebszustand |
| US7085655B2 (en) | 2002-03-18 | 2006-08-01 | Eurocopter | Method and device for detecting defects of at least one rotary wing aircraft rotor |
| US7035834B2 (en) * | 2002-05-15 | 2006-04-25 | Caterpillar Inc. | Engine control system using a cascaded neural network |
| US7164794B2 (en) * | 2002-08-22 | 2007-01-16 | Winbond Electronics Corp. | Unconstrained handwriting recognition |
| EP1706718A2 (en) * | 2004-01-14 | 2006-10-04 | ABB Inc. | Method and apparatus to diagnose mechanical problems in machinery |
| DE102004006848A1 (de) * | 2004-02-12 | 2005-09-01 | Deere & Company, Moline | Verfahren und Überwachungssystem zur Überwachung des Zustands von Arbeitsmaschinen |
| US7136779B2 (en) * | 2004-05-28 | 2006-11-14 | Daimlerchrysler Ag | Method for simplified real-time diagnoses using adaptive modeling |
| US7769507B2 (en) * | 2004-08-26 | 2010-08-03 | United Technologies Corporation | System for gas turbine health monitoring data fusion |
| DE102004054271A1 (de) * | 2004-11-09 | 2006-05-11 | Fev Motorentechnik Gmbh | Vorhersageverfahren für Betriebszustände einer Verbrennungskraftmaschine |
| AT10073U9 (de) * | 2008-01-14 | 2009-02-15 | Avl List Gmbh | Verfahren und vorrichtung zur analyse und bewertung von messdaten eines messsystems |
| FR2958911B1 (fr) * | 2010-04-19 | 2012-04-27 | Snecma | Procede et systeme de surveillance du niveau d'huile contenue dans un reservoir d'un moteur d'aeronef |
| US10032659B2 (en) * | 2012-12-28 | 2018-07-24 | Sunedison Semiconductor Limited (Uen201334164H) | Methods and systems for preventing unsafe operations |
| US10235994B2 (en) * | 2016-03-04 | 2019-03-19 | Microsoft Technology Licensing, Llc | Modular deep learning model |
| CN107458383B (zh) * | 2016-06-03 | 2020-07-10 | 法拉第未来公司 | 使用音频信号的车辆故障自动检测 |
| EP3327419B1 (en) * | 2016-11-29 | 2020-09-09 | STS Intellimon Limited | Engine health diagnostic apparatus and method |
| US11263590B2 (en) * | 2018-02-09 | 2022-03-01 | International Business Machines Corporation | Cognitive assessment of permit approval |
| CN108594660B (zh) * | 2018-05-07 | 2021-04-30 | 华侨大学 | 一种时不变结构的工作模态参数识别方法和系统 |
| CN109871614B (zh) * | 2019-02-19 | 2022-11-29 | 北京工业大学 | 基于bp神经网络的气动式微滴喷射状态预测的方法 |
| EP3936861B1 (en) | 2020-07-10 | 2023-06-07 | Infineon Technologies AG | Gas sensing device for sensing one or more gases in a mixture of gases |
| CN111948531A (zh) * | 2020-09-14 | 2020-11-17 | 山东电工电气集团有限公司 | 基于多参量提取的有载分接开关带电检测方法 |
| CN112446098B (zh) * | 2020-12-03 | 2023-08-25 | 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) | 海洋装备中推进器的极限性能模拟方法 |
| CN115839848B (zh) * | 2023-02-22 | 2023-05-05 | 中国船舶集团有限公司第七一九研究所 | 一种用于船舶诊断的数据采集及管理方法 |
Family Cites Families (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4215404A (en) * | 1977-09-29 | 1980-07-29 | Alt Viktor V | Automatic device for diagnostic checkup of vehicles |
| JP2717665B2 (ja) * | 1988-05-31 | 1998-02-18 | 株式会社豊田中央研究所 | 内燃機関の燃焼予測判別装置 |
| JPH0692914B2 (ja) * | 1989-04-14 | 1994-11-16 | 株式会社日立製作所 | 機器／設備の状態診断システム |
| US5041976A (en) * | 1989-05-18 | 1991-08-20 | Ford Motor Company | Diagnostic system using pattern recognition for electronic automotive control systems |
| JPH0711256B2 (ja) * | 1989-09-06 | 1995-02-08 | 本田技研工業株式会社 | 内燃エンジンの制御装置 |
| USH1006H (en) * | 1990-03-27 | 1991-12-03 | The United States Of America As Represented By The Secretary Of The Air Force | Multilevel classifier structure for gas turbine engines |
| US5869752A (en) * | 1990-12-10 | 1999-02-09 | Sensortech L.L.C. | Engine degradation detector |
| US6175787B1 (en) * | 1995-06-07 | 2001-01-16 | Automotive Technologies International Inc. | On board vehicle diagnostic module using pattern recognition |
| DE4124501C2 (de) * | 1991-07-24 | 1994-09-15 | Dieter Prof Dr Ing Barschdorff | Neuronales Netz mit automatischer Installation von Zwischenneuronen |
| US5313407A (en) * | 1992-06-03 | 1994-05-17 | Ford Motor Company | Integrated active vibration cancellation and machine diagnostic system |
| US5361628A (en) * | 1993-08-02 | 1994-11-08 | Ford Motor Company | System and method for processing test measurements collected from an internal combustion engine for diagnostic purposes |
| DE4421950C2 (de) * | 1993-12-09 | 1998-06-04 | Peter Mueller | Einrichtung zum Diagnostizieren und Regeln eines Verbrennungs- oder Elektromotors |
| US5566273A (en) * | 1993-12-30 | 1996-10-15 | Caterpillar Inc. | Supervised training of a neural network |
| US5566092A (en) * | 1993-12-30 | 1996-10-15 | Caterpillar Inc. | Machine fault diagnostics system and method |
| US5821412A (en) * | 1994-08-09 | 1998-10-13 | Ford Global Technologies, Inc. | Apparatus and method for processing engine measurements |
| DE19617620A1 (de) * | 1996-05-02 | 1997-11-13 | Traub Drehmaschinen Gmbh | Diagnoseeinrichtung |
| US5732382A (en) * | 1996-11-06 | 1998-03-24 | Ford Global Technologies, Inc. | Method for identifying misfire events of an internal combustion engine |
| DE29700028U1 (de) * | 1997-01-02 | 1997-03-20 | Siemens Ag | Selbstdiagnostizierendes Gerät mit Fuzzy-Neuro-Logik-Diagnoseeinrichtung |
-
1998
- 1998-02-27 DE DE19808197A patent/DE19808197C2/de not_active Expired - Fee Related
-
1999
- 1999-02-24 WO PCT/DE1999/000491 patent/WO1999044106A1/de active IP Right Grant
- 1999-02-24 EP EP99914427A patent/EP0988583B1/de not_active Expired - Lifetime
- 1999-02-24 DE DE59911635T patent/DE59911635D1/de not_active Expired - Lifetime
- 1999-02-24 ES ES99914427T patent/ES2237096T3/es not_active Expired - Lifetime
- 1999-02-24 US US09/403,878 patent/US6574613B1/en not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| DE59911635D1 (de) | 2005-03-24 |
| EP0988583B1 (de) | 2005-02-16 |
| DE19808197C2 (de) | 2001-08-09 |
| US6574613B1 (en) | 2003-06-03 |
| WO1999044106A1 (de) | 1999-09-02 |
| DE19808197A1 (de) | 1999-09-09 |
| EP0988583A1 (de) | 2000-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| ES2237096T3 (es) | Sistema y procedimiento para el diagnostico de las condiciones de un grupo motoporpulsor. | |
| JP5390513B2 (ja) | 遠隔検査システム及び方法 | |
| US20220058525A1 (en) | Model integration apparatus, model integration method, computer-readable storage medium storing a model integration program, inference system, inspection system, and control system | |
| Pannu et al. | Improved particle swarm optimization based adaptive neuro‐fuzzy inference system for benzene detection | |
| CN107766879A (zh) | 基于特征信息抽取的mlp电网故障原因诊断方法 | |
| JP2013040926A (ja) | システムの健康状態の判断 | |
| CN109117353A (zh) | 故障诊断结果的融合方法及装置 | |
| Labati et al. | A decision support system for wind power production | |
| US20220067584A1 (en) | Model generation apparatus, model generation method, computer-readable storage medium storing a model generation program, model generation system, inspection system, and monitoring system | |
| CN110533789A (zh) | 一种基于区块链的设备巡检管理方法及装置 | |
| CN105956798A (zh) | 一种基于稀疏随机森林的配网设备运行状态评估方法 | |
| CN105019482B (zh) | 一种用于隧道悬挂风机基础稳定性在线监测方法及系统 | |
| Braik et al. | Hybrid neural network models for forecasting ozone and particulate matter concentrations in the Republic of China | |
| Rokade et al. | IOT-Based Medical Informatics Farming System with Predictive Data Analytics Using Supervised Machine Learning Algorithms | |
| KR102067110B1 (ko) | 높은 정확도를 가지는 기축 건물의 에너지 데이터 처리장치 및 방법 | |
| CN113657023A (zh) | 基于机器学习和深度学习结合的近地面臭氧浓度反演方法 | |
| Dehra | Acoustic Filters for Sensors and Transducers: Energy Policy Instrument for Monitoring and Evaluating Holy Places and Their Habitants, in book ‘Energy Policy’edited by Dr. Tolga Taner | |
| Raptis et al. | Multimodal data collection system for UAV-based precision agriculture applications | |
| KR102064918B1 (ko) | 제로에너지 구축을 위한 높은 정확도를 가지는 에너지 진단 시스템 및 이의 방법 | |
| Zarri | Operational expert system applications in Europe | |
| Hülsmann et al. | Explaining complex energy systems: A challenge | |
| Rashid et al. | Subspace-Constrained Continuous Methane Leak Monitoring and Optimal Sensor Placement | |
| Beaver et al. | Pattern-based evaluation of coupled meteorological and air quality models | |
| Kharola et al. | Advances in soft computing applications | |
| Ashwitha et al. | Smart weather acquisition, analysis and alert system |