RU195143U1 - Устройство прогнозирования остаточного ресурса радиотехнического средства - Google Patents
Устройство прогнозирования остаточного ресурса радиотехнического средства Download PDFInfo
- Publication number
- RU195143U1 RU195143U1 RU2019129898U RU2019129898U RU195143U1 RU 195143 U1 RU195143 U1 RU 195143U1 RU 2019129898 U RU2019129898 U RU 2019129898U RU 2019129898 U RU2019129898 U RU 2019129898U RU 195143 U1 RU195143 U1 RU 195143U1
- Authority
- RU
- Russia
- Prior art keywords
- unit
- input
- rts
- output
- block
- Prior art date
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
Техническое решение относится к средствам диагностирования радиотехнических средств и может быть использовано для прогнозирования их технического состояния и оценки остаточного ресурса в процессе эксплуатации.Сущность заявленного решения заключается в том, что устройство прогнозирования остаточного ресурса радиотехнического средства содержит объект контроля с входящими в его состав датчиками, коммутатор, аналого-цифровой преобразователь, блок регистрации времен наработки функциональных блоков радиотехнического средства, блок управления, блок визуализации, вычислительное устройство, содержащее блок определения ближайшего к предельному значению контролируемого параметра радиотехнического средства, блок временной задержки, блок предельных значений контролируемых параметров радиотехнического средства, блок сравнения, блок вычисления остаточного ресурса радиотехнического средства, блок нейросетевого прогнозирования, содержащий искусственную нейронную сеть, блок, отвечающий за структуру искусственной нейронной сети и блок обучения искусственной нейронной сети, методом обучения искусственной нейронной сети является эвристическая модификация алгоритма Левенберга-Марквардта, в вычислительное устройство дополнительно введены блок нормировки контролируемых параметров радиотехнического средства и блок денормировки контролируемых параметров радиотехнического средства.Технический результатом при реализации заявленного решения выступает повышение достоверности и точности прогноза. 1 ил.
Description
Техническое решение относится к техническим средствам диагностирования радиотехнических средств и может быть использовано для прогнозирования их технического состояния и оценки остаточного ресурса в процессе эксплуатации.
Известно техническое решение прибор диагностирования системы электрического пуска (патент РФ №2297011, опубл. 10.04.2007 г.), содержащий блок коммутации и сопряжения, блок измерений, аналого-цифровой преобразователь (АЦП), вторичный источник питания, блок формирования тестирующих сигналов, модуль обработки сигналов, блок ввода команд, блок управления, перезаписываемое постоянное запоминающее устройство (ППЗУ), модуль эталонных матриц, модуль сравнения, модуль поиска неисправности, модуль формирования сообщений, блок питания, блок визуализации, при этом первый и второй выходы блока ввода команд связаны соответственно с первым входом блока управления и входом блока питания, второй выход которого связан с блоком визуализации, а первый - с входом вторичного источника питания, причем его первый и второй выходы связаны соответственно со вторым входом блока управления и первым входом блока формирования тестового сигнала, выход которого связан со вторым входом блока коммутации и сопряжения, а его первый выход и первый вход связаны с разъемом ШЗ прибора автоматики согласующего проверяемой системой электрического пуска двигателя образца бронетанковой вооруженной техники и второй выход - с первым входом блока измерений, выход которого связан с входом АЦП, а выход с него - через модуль обработки сигналов с первым входом ППЗУ, первый и второй выходы которого связаны с третьим входом блока управления и третьим входом модуля сравнения соответственно, первый и второй выходы модуля сравнения соответственно связаны со вторым входом модуля поиска неисправности и третьим входом модуля формирования сообщения, причем выход модуля поиска неисправности связан со вторым входом модуля формирования сообщения, а с его первым входом связан четвертый выход блока управления, выход модуля формирования сообщения связан со вторым входом блока визуализации, первый, второй, третий, пятый, седьмой и шестой выходы блока управления соответственно связаны со вторыми входами блока формирования тестового сигнала, блока измерений и ППЗУ, первым входом модуля поиска неисправности, вторым входом модуля сравнения и входом модуля эталонных матриц, выход которого связан с первым входом модуля сравнения.
Недостатком известного технического решения является недостаточная достоверность и точность прогноза.
Наиболее близким техническим решением является устройство прогнозирования остаточного ресурса электромеханической системы (патент RU 146951 U1, опубл. 20.10.2014 г.), содержащее измерительный блок, коммутатор, АЦП, блок управления, блок визуализации, вычислительное устройство, содержащее модуль обработки сигналов и блок сравнения, блок регистрации времен наработки функциональных блоков электромеханической системы (ЭМС), модуль обработки сигналов вычислительного устройства выполнен из блока нейросетевого прогнозирования, содержащего нейронную сеть, к второму входу которой подключены блок обучения нейронной сети и блок, отвечающий за структуру нейронной сети, вычислительное устройство также содержит блок определения ближайшего к предельному контролируемого параметра, блок вычисления остаточного ресурса ЭМС, блок предельных значений контролируемых параметров, блок временной задержки и блок сравнения, причем выходы объекта контроля связаны с входами коммутатора посредством измерительного блока, выход коммутатора связан с АЦП, выход которого связан с первым входом нейронной сети блока нейросетевого прогнозирования и первым входом блока временной задержки, второй вход которого связан с выходом блока управления, связанным с блоком коммутатора, блок управления связан со вторым входом блока определения ближайшего к предельному контролируемого параметра, выход которого связан с первым входом блока вычисления остаточного ресурса ЭМС, второй вход которого связан с выходом блока предельных значений контролируемых параметров, а третий вход его связан с выходом блока регистрации времен наработки функциональных блоков ЭМС, связанным с объектом контроля, выход блока вычисления остаточного ресурса ЭМС связан с входом блока визуализации, выход блока временной задержки связан с первым входом блока сравнения, второй вход которого связан с выходом нейронной сети блока нейросетевого прогнозирования, а выход блока сравнения - с блоком, отвечающим за структуру нейронной сети.
Недостатком наиболее близкого решения является недостаточная достоверность и точность прогноза.
Задачей предложенного технического решения является повышение достоверности и точности прогноза остаточного ресурса радиотехнического средства (РТС).
Поставленная задача достигается за счет того, что устройство прогнозирования остаточного ресурса РТС содержит объект контроля (РТС) с входящими в его состав датчиками, коммутатор, АЦП, блок регистрации времен наработки функциональных блоков РТС, блок управления, блок визуализации, вычислительное устройство, содержащее блок определения ближайшего к предельному значению контролируемого параметра РТС, блок предельных значений контролируемых параметров РТС, блока вычисления остаточного ресурса РТС, блок временной задержки, блок сравнения, блок нейросетевого прогнозирования, состоящий из искусственной нейронной сети (ИНС), блока, отвечающего за структуру ИНС, и блока обучения ИНС, дополнительно в состав вычислительного устройства введены блок нормировки контролируемых параметров РТС и блок денормировки контролируемых параметров РТС, причем выходы датчиков объекта контроля, связаны с входами коммутатора, выход которого связан с входом АЦП, выход которого связан с первым входом блока временной задержки и входом блока нормировки контролируемых параметров РТС, выход которого связан с первым входом ИНС, второй вход которой связан с выходом блока обучения ИНС и выходом блока, отвечающего за структуру ИНС, выход ИНС связан с входом блока денормировки контролируемых параметров РТС, выход которого связан с первым входом блока определения ближайшего к предельному значению контролируемого параметра РТС и вторым входом блока сравнения, выход блока определения ближайшего к предельному значению контролируемого параметра РТС связан с первым входом блока вычисления остаточного ресурса РТС, второй вход которого связан с выходом блока предельных значений контролируемых параметров РТС, третий вход блока вычисления остаточного ресурса РТС связан с выходом блока регистрации времен наработки функциональных блоков РТС, вход которого связан с выходом объекта контроля, выход блока вычисления остаточного ресурса РТС связан с входом блока визуализации, блок управления связан с коммутатором, с вторым входом блока определения ближайшего к предельному значению контролируемого параметра РТС и вторым входом блока временной задержки, выход которого связан с первым входом блока сравнения.
На Фиг. 1 представлена структурная схема устройства прогнозирования остаточного ресурса РТС, где введены следующие обозначения:
{D1, D2,…, DN} - датчики из состава РТС;
N - число датчиков, соответствующее числу контролируемых параметров РТС.
Устройство прогнозирования остаточного ресурса РТС выполнено из объекта контроля 1, содержащего датчики, количество которых определяется числом контролируемых параметров РТС. Выходы датчиков объекта контроля 1 связаны с входами коммутатора 2, выход которого связан с входом АЦП 3, выход которого связан с первым входом блока временной задержки 11 и входом блока нормировки контролируемых параметров РТС 5. В вычислительное устройство 4 входит блок нейросетевого прогнозирования 6, который состоит из ИНС 7, первый вход которой связан с выходом блока нормировки контролируемых параметров РТС 5, ко второму входу ИНС 7 подключены выходы блока обучения ИНС 8 и блока, отвечающего за структуру ИНС 9. Выход ИНС 7 связан с входом блока денормировки контролируемых параметров РТС 10, выход которого связан с первым входом блока определения ближайшего к предельному значению контролируемого параметра РТС 13 и вторым входом блока сравнения 18, выход блока определения ближайшего к предельному значению контролируемого параметра РТС 13 связан с первым входом блока вычисления остаточного ресурса РТС 14, второй вход которого связан с выходом блока предельных значений контролируемых параметров РТС 15, третий вход блока вычисления остаточного ресурса РТС 14 связан с выходом блока регистрации времен наработки функциональных блоков РТС 16, вход которого связан с выходом объекта контроля 1, выход блока вычисления остаточного ресурса РТС 14 связан с входом блока визуализации 17. Блок управления 12 связан с коммутатором 2, со вторым входом блока определения ближайшего к предельному значению контролируемого параметра РТС 13 и вторым входом блока временной задержки 11, выход которого связан с первым входом блока сравнения 18.
Работает устройство прогнозирования остаточного ресурса РТС следующим образом. N - количество датчиков (Di, i=1,…,N) по числу
контролируемых параметров РТС, входящих в состав объекта контроля 1, производят преобразование измеряемых контролируемых параметров РТС в электрические сигналы, которые подают на входы коммутатора 2, выполненного в виде мультиплексора. Коммутатор 2 по команде от блока управления 12 подключает последовательно на время канального интервала поочередно выходы каждого датчика к входу АЦП 3, в котором информацию о значениях контролируемых параметров РТС преобразуют в цифровой код. С выхода АЦП 3 цифровой отсчет о текущем значении каждого контролируемого параметра РТС xi (t), 
в момент времени (t) поступает на вход блока нормировки контролируемых параметров РТС 5 и одновременно на первый вход блока временной задержки 11. Так как контролируемые параметры технического состояния РТС могут иметь различные единицы измерения, соответственно, для того чтобы ИНС 7 блока нейросетевого прогнозирования 6 могла производить над ними арифметические и логические действия, их необходимо нормировать, переходя к безразмерным величинам. В связи с этим в состав вычислительного устройства 4 дополнительно введен блок нормировки контролируемых параметров РТС 5, наличие которого положительно влияет на скорость обучения ИНС 7, а также на достоверность и точность прогноза значений контролируемых параметров РТС в будущий момент времени.
В связи с тем, что в качестве функции активации нейронов сети выбрана сигмоидальная функция, контролируемые параметры РТС необходимо привести к единичному масштабу [0,1], что обеспечивается нормировкой каждого значения контролируемых параметров РТС. Предлагается ориентироваться при нормировке не на экстремальные значения (линейная нормировка), а на типичные, т.е. статистические характеристики данных, такие как среднее и дисперсия. Преобразование 
, 
в диапазон [0,1] осуществляется в соответствии с выражениями, содержащими функцию нелинейного преобразования:
где 
- среднее значение i -го параметра за N1 отсчетов;
σi - среднеквадратическое отклонение значения i-го параметра за N1 отсчетов;
N1 - число прецедентов выборки.
Нормированные значения каждого контролируемого параметра РТС 
, 
в момент времени (t) поступают на первый вход блока нейросетевого прогнозирования 6, состоящего из ИНС 7, блока обучения ИНС 8 и блока, отвечающего за структуру ИНС 9. ИНС 7 представлена в виде многослойного персептрона с сигмоидальными функциями активации для всех нейронов скрытого и выходного слоев. Нейроны входного слоя выполняют только распределительные функции для входных сигналов. Размерность входного слоя - n равна произведению количества контролируемых параметров РТС, умноженному на число отсчетов в течение периода основания прогноза. Размерность выходного слоя сети - т принимают равной числу параметров РТС, значения которых необходимо прогнозировать. Количество нейронов в скрытом слое изначально принимают эмпирически согласно выражению - 2(n+m). Если в процессе обучения требуемого качества прогноза не достигают, то количество нейронов в скрытом слое изменяют.
В блоке обучения ИНС 8 находятся статистические данные, которые формируют обучающую выборку, которую разбивают на два множества обучающее и тестовое. Обучающее множество включает примеры, набранные по параметрам однотипных РТС. Тестовое множество также включает записи (примеры), содержащие входные и желаемые выходные целевые значения, но используемые не для обучения ИНС, а для проверки результатов обучения.
В наиболее близком техническом решении (патент RU 146951 U1, опубл. 20.10.2014 г.) ИНС обучают методом обратного распространения ошибки. Данный метод достаточно универсальный, однако, не всегда обеспечивает наилучшей сходимости и требует достаточно много времени для обучения ИНС, а также необходимо эмпирическое или алгоритмическое определение оптимальной скорости обучения, которая значительно влияет на результативность алгоритма. Значительное улучшение результативности может быть достигнуто применением алгоритмов обучения второго порядка, таких как алгоритм Ньютона, алгоритм сопряженных градиентов или алгоритм Левенберга-Марквардта. Алгоритм Левенберга-Марквардта позволяет достигать наименьшей ошибки ИНС, причем, нередко с наименьшими временными затратами. Одной из особенностей алгоритма Левенберга-Марквардта, как и всех алгоритмов локального поиска, является его чувствительность к локальным минимумам ошибки целевой функции. Для решения этой проблемы предлагается использовать эвристический подход, который позволяет избежать «залипания» поискового процесса в локальных минимумах. Оригинальный алгоритм Левенберга-Марквардта не позволяет совершать шагов, которые увеличивают среднюю ошибку нейронной сети. Предлагаемый эвристический подход заставляет алгоритм совершать «рискованные» шаги по поверхности ошибки в случайном направлении с нарастающей величиной шага, пытаясь таким образом «выскочить» из локального минимума, чтобы затем продолжить продвижение к новому минимуму, используя правила оригинального алгоритма. После 6 неудачных попыток найденный минимум признается наименьшим и алгоритм завершает свою работу.
Шаги эвристически модифицированного алгоритма Левенберга-Марквардта для обучения ИНС выглядят следующим образом:
1. Инициализировать начальные значения пороговых величин θij, параметра Левенберга-Марквардта μ и весовых коэффициентов ИНС wij случайными числами.
2. Вычислить матрицу Якоби (матрицу первых производных целевой функции по wij) по формуле:
3. Вычислить матрицу, аппроксимирующую матрицу Гессе, по формуле:
где J(wij) - матрица Якоби;
JT (wij) - транспонированная матрица Якоби;
μ - параметр Левенберга-Марквардта, является скалярной величиной, изменяющейся в процессе оптимизации;
I(wij) - диагональная матрица из элементов главной диагонали произведения матриц (JT (wij)J(wij)).
4. Определить значение изменения весовых коэффициентов нейронной сети по выражению:
где Ek (wij) - ошибка обучения ИНС на k итерации.
5. Скорректировать весовые коэффициенты ИНС для k+1 итерации:
wk+1 : = wk-Δw.
6. Вычислить ошибку обучения ИНС на k+1 итерации по выражению:
7. Сравнить величину ошибки на k+1 итерации с заданным значением ошибки обучения ИНС:
где Δε - предельное значение локальной целевой функции;
ε - абсолютная погрешность выходного значения нейрона в выходном
слое.
При выполнении условия обучение ИНС заканчивается. Если условие не выполнено, то необходимо перейти к следующему шагу алгоритма.
8. Сравнить величину ошибки на k+1 итерации с предыдущим значением ошибки обучения ИНС. Если ошибка выросла по отношению к предыдущей итерации Ek+1(wij)>Ek{(wij), то необходимо перейти к следующему шагу алгоритма, если нет, то переход к шагу 11.
9. Увеличить параметр Левенберга-Марквардта в 10 раз μ:=μ⋅10.
10. Оценить количество неудачных попыток выхода из области локального минимума ошибки обучения нейронной сети mi≤6. Если данное условие выполняется, то необходимо перейти к шагу 5. При невыполнении условия, переход к шагу 2.
11. Уменьшить параметр Левенберга-Марквардта в 10 раз μ:=μ/10 и сохранить значения весовых коэффициентов нейронной сети на данной итерации wk :=wk+1. Далее перейти к шагу 2.
В блоке, отвечающем за структуру ИНС 9, содержатся данные о количестве скрытых слоев сети, количестве нейронов в скрытых слоях и значении параметра наклона сигмоидальной функции активации нейронов сети.
С выхода блока нейросетевого прогнозирования 6, спрогнозированные нормированные значения контролируемых параметров РТС поступают на блок денормировки контролируемых параметров РТС 10. Денормировка из диапазона [0,1] осуществляется по формуле:
С выхода блока денормировки контролируемых параметров РТС 10 спрогнозированные значения контролируемых параметров РТС xi прогн (t+1), в момент времени (t+1) поступают на первый вход блока определения ближайшего к предельному значению контролируемого параметра 13, где выбирается параметр, который ближе всего к своему предельному значению, а с него на первый вход блока вычисления остаточного ресурса РТС 14.
Одновременно спрогнозированные значения контролируемых параметров РТС поступают с выхода блока денормировки контролируемых параметров РТС 10 на вход блока сравнения 18.
На второй и третий вход блока вычисления остаточного ресурса РТС 14 поступают соответственно сигналы с блока предельных значений контролируемых параметров РТС 15, в котором хранятся данные о предельных и номинальных значениях контролируемых параметров РТС и с блока регистрации времен наработки функциональных блоков РТС 16.
В блоке вычисления остаточного ресурса РТС 14 по ближайшему к предельному спрогнозированному значению контролируемого параметра РТС осуществляют расчеты по формулам:
если значение контролируемого параметра увеличивается
если значение контролируемого параметра уменьшается. Полученное значение остаточного ресурса РТС поступает на блок визуализации 17.
В блоке временной задержки 11 осуществляют задержку сигнала xi (t), 
на период прогнозирования, длительность которого регулируют блоком управления 12, подачей с него команды на второй вход блока временной задержки 11. С выхода блока временной задержки 11 через период прогноза получают фактические значения контролируемых параметров РТС, xi (факт) (t+1), 
в момент времени (t+1), которые поступают на второй вход блока сравнения 18, где производят их сравнение с спрогнозированными значениями xi (прогн) (t+1), . Если разница спрогнозированных и фактических значений превышает заранее заданную погрешность, то это свидетельствует о недостаточной точности прогноза, и тогда сигнал с выхода блока сравнения 18 поступает на блок, отвечающий за структуру ИНС 9, изменяя количество скрытых слоев в ИНС 7, количество нейронов в скрытых слоях или значение параметра наклона сигмоидальной функции активации ИНС, до тех пор, пока погрешность прогноза не станет соответствовать требуемой. Кроме этого блок управления 12 согласовывает работу блока определения ближайшего к предельному значению контролируемого параметра РТС 13.
Предложенное техническое решение позволило повысить достоверность и точность прогноза остаточного ресурса РТС, за счет предварительной нормировки результатов измерений контролируемых параметров РТС, которая обеспечивает корректную работу ИНС с входными данными, а также за счет применения эвристической модификации алгоритма Левенберга-Марквардта для обучения ИНС, который по сравнению с методом обратного распространения ошибки обладает большей результативностью и позволяет достигать наименьшей ошибки ИНС.
Claims (1)
- Устройство прогнозирования остаточного ресурса радиотехнического средства (РТС), содержащее коммутатор, аналого-цифровой преобразователь, блок управления, блок регистрации времен наработки функциональных блоков РТС, блок визуализации, вычислительное устройство, в которое дополнительно введены блок нормировки контролируемых параметров РТС и блок денормировки контролируемых параметров РТС, а также содержащее блок временной задержки, блок определения ближайшего к предельному значению контролируемого параметра РТС, блок вычисления остаточного ресурса РТС, блок предельных значений контролируемых параметров РТС, блок сравнения, блока нейросетевого прогнозирования, состоящий из искусственной нейронной сети (ИНС), блока, отвечающий за структуру ИНС, блока обучения ИНС, при этом методом обучения ИНС является эвристическая модификация алгоритма Левенберга-Марквардта, причем выходы датчиков объекта контроля, связаны с входами коммутатора, выход которого связан с входом аналого-цифрового преобразователя, выход которого связан с первым входом блока временной задержки и входом блока нормировки контролируемых параметров РТС, выход которого связан с первым входом ИНС, второй вход которой связан с выходом блока обучения ИНС и выходом блока, отвечающего за структуру ИНС, выход ИНС связан с входом блока денормировки контролируемых параметров РТС, выход которого связан с первым входом блока определения ближайшего к предельному значению контролируемого параметра РТС и вторым входом блока сравнения, выход которого связан с входом блока, отвечающего за структуру ИНС, выход блока определения ближайшего к предельному значению контролируемого параметра РТС связан с первым входом блока вычисления остаточного ресурса РТС, второй вход которого связан с выходом блока предельных значений контролируемых параметров РТС, третий вход блока вычисления остаточного ресурса РТС связан с выходом блока регистрации времен наработки функциональных блоков РТС, вход которого связан с выходом объекта контроля, выход блока вычисления остаточного ресурса РТС связан с входом блока визуализации, блок управления связан с коммутатором, с вторым входом блока определения ближайшего к предельному значению контролируемого параметра РТС и вторым входом блока временной задержки, выход которого связан с первым входом блока сравнения.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2019129898U RU195143U1 (ru) | 2019-09-23 | 2019-09-23 | Устройство прогнозирования остаточного ресурса радиотехнического средства |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2019129898U RU195143U1 (ru) | 2019-09-23 | 2019-09-23 | Устройство прогнозирования остаточного ресурса радиотехнического средства |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU195143U1 true RU195143U1 (ru) | 2020-01-15 |
Family
ID=69167512
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2019129898U RU195143U1 (ru) | 2019-09-23 | 2019-09-23 | Устройство прогнозирования остаточного ресурса радиотехнического средства |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU195143U1 (ru) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000099132A (ja) * | 1998-09-17 | 2000-04-07 | Ishikawajima Harima Heavy Ind Co Ltd | 機器の劣化診断方法及び装置 |
| RU2297011C1 (ru) * | 2006-02-27 | 2007-04-10 | Общевойсковая Академия Вооруженных Сил Российской Федерации (Оа Вс Рф) | Прибор диагностирования системы электрического пуска |
| RU146951U1 (ru) * | 2014-05-07 | 2014-10-20 | Дмитрий Маркович Шпрехер | Устройство прогнозирования остаточного ресурса электромеханической системы |
-
2019
- 2019-09-23 RU RU2019129898U patent/RU195143U1/ru not_active IP Right Cessation
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000099132A (ja) * | 1998-09-17 | 2000-04-07 | Ishikawajima Harima Heavy Ind Co Ltd | 機器の劣化診断方法及び装置 |
| RU2297011C1 (ru) * | 2006-02-27 | 2007-04-10 | Общевойсковая Академия Вооруженных Сил Российской Федерации (Оа Вс Рф) | Прибор диагностирования системы электрического пуска |
| RU146951U1 (ru) * | 2014-05-07 | 2014-10-20 | Дмитрий Маркович Шпрехер | Устройство прогнозирования остаточного ресурса электромеханической системы |
Non-Patent Citations (2)
| Title |
|---|
| Диссертация: ИНДИВИДУАЛЬНОЕ ПРОГНОЗИРОВАНИЕ ПОКАЗАТЕЛЕЙ КАЧЕСТВА И НАДЕЖНОСТИ КОМПОНЕНТОВ РАДИОЭЛЕКТРОННЫХ СРЕДСТВ КОСМИЧЕСКИХ АППАРАТОВ, 2018. Научная статья: ЭКСПЕРТНАЯ СИСТЕМА ДИАГНОСТИКИ СИЛОВЫХ ТРАНСФОРМАТОРОВ, Ж, Инженерный вестник Дона, 2013. Научное издание: Модели и методы оценки * |
| Диссертация: ИНДИВИДУАЛЬНОЕ ПРОГНОЗИРОВАНИЕ ПОКАЗАТЕЛЕЙ КАЧЕСТВА И НАДЕЖНОСТИ КОМПОНЕНТОВ РАДИОЭЛЕКТРОННЫХ СРЕДСТВ КОСМИЧЕСКИХ АППАРАТОВ, 2018. Научная статья: ЭКСПЕРТНАЯ СИСТЕМА ДИАГНОСТИКИ СИЛОВЫХ ТРАНСФОРМАТОРОВ, Ж, Инженерный вестник Дона, 2013. Научное издание: Модели и методы оценки остаточного ресурса изделий радиоэлектроники, 2015;. * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Hidden Markov model with auto-correlated observations for remaining useful life prediction and optimal maintenance policy | |
| 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 | |
| Zheng et al. | Long short-term memory network for remaining useful life estimation | |
| Wang et al. | Remaining useful life estimation using functional data analysis | |
| Binu et al. | Rider-deep-LSTM network for hybrid distance score-based fault prediction in analog circuits | |
| JP6740247B2 (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
| CN109814527B (zh) | 基于lstm循环神经网络工业设备故障预测方法及装置 | |
| JP4601492B2 (ja) | 生産工程の品質予測システムおよびその方法 | |
| KR102479755B1 (ko) | 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템 및 그 방법 | |
| Mo et al. | Multi-head CNN-LSTM with prediction error analysis for remaining useful life prediction | |
| CN112132394A (zh) | 一种电厂循环水泵预测性状态评估方法及系统 | |
| CN114912640A (zh) | 基于深度学习的发电机组的异常模式检测方法及系统 | |
| CN116070508A (zh) | 一种桥梁健康状态预测预警方法 | |
| RU195143U1 (ru) | Устройство прогнозирования остаточного ресурса радиотехнического средства | |
| CN111523727A (zh) | 基于不确定过程的考虑恢复效应的电池剩余寿命预测方法 | |
| CN115062528A (zh) | 一种针对工业过程时序数据的预测方法 | |
| Tian et al. | Software reliability prediction using recurrent neural network with Bayesian regularization | |
| RU146951U1 (ru) | Устройство прогнозирования остаточного ресурса электромеханической системы | |
| JP2009230209A (ja) | ソフトセンサの性能評価装置 | |
| CN107437112A (zh) | 一种基于改进多尺度核函数的混合rvm模型预测方法 | |
| CN112016241A (zh) | 一种基于mLASSO-MLP模型的软测量建模方法 | |
| CN117233638A (zh) | 锂电池soh的检测方法、装置、电子设备及存储介质 | |
| CN116858766A (zh) | 基于多源摩擦信息回归的摩擦系数预测方法及系统 | |
| Kakati et al. | Remaining useful life predictions for turbofan engine degradation using online long short-term memory network | |
| Huh et al. | An integrated uncertainty quantification model for longitudinal and time-to-event data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM9K | Utility model has become invalid (non-payment of fees) |
Effective date: 20200129 |