-
公开(公告)号：CN107357994B
公开(公告)日：2020-04-28
申请号：CN201710575219.8
申请日：2017-07-14
Applicant: 哈尔滨工业大学(威海)
IPC: G06F30/20
Abstract: 本发明涉及航空发动机性能评估方法技术领域，具体的说是一种分阶段的航空发动机性能衰退模式挖掘方法，其特征在于包括以下步骤：进行性能参数预处理，具体包括粗大误差处理、降噪处理；进行性能衰退模式挖掘，包括快速衰退阶段模式挖掘和正常衰退阶段模式挖掘，本发明通过挖掘出发动机的长期衰退模式，为航空发动机的稳定运行和高效率维护提供了保证。
-
公开(公告)号：CN107358046B
公开(公告)日：2019-12-31
申请号：CN201710567229.7
申请日：2017-07-12
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明涉及航空发动机维修技术领域，具体地说是一种考虑结构相关性的多寿命件更换策略搜索算法，在综合考虑航空发动机寿命件之间经济相关性和结构相关性的基础上，以全生命周期内寿命件更换总成本最低为优化目标，建立了多寿命件机会更换问题优化模型；针对优化模型的特点，提出了四种模型解空间约简规则，基于提出的规则提出一种基于约简规则的搜索算法，该算法可以获取模型的最优解。最后采用数值实验和应用案例对提出算法进行了评估和验证。结果表明，提出算法能够实现小规模多寿命件机会更换问题的精确求解。
-
公开(公告)号：CN110285976A
公开(公告)日：2019-09-27
申请号：CN201910615101.2
申请日：2019-07-09
Applicant: 哈尔滨工业大学(威海)
IPC: G01M15/05
Abstract: 本发明涉及一种基于DBN的多维时序信息驱动航空发动机气路故障诊断方法，包括：收集航空发动机ACARS数据；归一化处理，利用小波包变换方法提取参数内时序信息，利用动态时间归整方法提取参数间相关信息；将参数内时序信息与参数间相关信息向量化，转化为一维向量；训练故障诊断模型，故障诊断模型先利用DBN对输入的一维向量进行深度特征提取，再利用SVM基于深度特征提取结果进行故障诊断；利用训练好的故障诊断模型对测试集提取得到的发动机样本特征进行故障识别；统计故障诊断模型的故障识别结果，并进行评价；利用保存的故障诊断模型对航空发动机ACARS数据进行故障识别，得到诊断结果。该方法可以充分利用数据的多维时序信息，有效处理数据高维特征。
-
公开(公告)号：CN108334907B
公开(公告)日：2019-05-17
申请号：CN201810131253.0
申请日：2018-02-09
Applicant: 哈尔滨工业大学(威海)
IPC: G06K9/62
Abstract: 本发明涉及一种基于深度学习的复杂装备点异常检测方法及系统，其中方法包括：训练样本处理步骤、选取复杂装备的监控性能参数，并获取监控性能参数的正常样本和异常样本，构成训练样本集；特征提取步骤、构建基于SDAE的特征提取模型，输入所述训练样本集进行模型训练；检测模型训练步骤、根据经特征提取模型训练得到的特征构建基于GSM的异常检测模型，得到异常检测模型的特征均值和特征标准差；异常检测步骤、将待测样本输入到基于SDAE的特征提取模型，得到的特征输入到基于GSM的异常检测模型中，进行点异常检测。本发明对于复杂装备尤其是航空发动机出现的点异常检测效果明显。
-
公开(公告)号：CN109753742A
公开(公告)日：2019-05-14
申请号：CN201910028648.2
申请日：2019-01-11
Applicant: 哈尔滨工业大学(威海)
IPC: G06F17/50
Abstract: 本申请涉及一种基于不均衡样本的航空发动机故障诊断方法、系统。所述基于不均衡样本的航空发动机故障诊断方法包括：获取不均衡样本集的不均衡样本特征集；对不均衡样本特征集进行采样，从而生成多个均衡样本特征子集；为每个均衡样本特征子集生成与每个均衡样本特征子集对应的训练后的集成分类器，各个训练后的集成分类器形成一个训练后的集成分类器组；获取航空发动机待测试集的待测试特征集；生成与均衡样本特征子集数量相同的均衡样本待测试特征子集；将均衡样本待测试特征子集输入至训练后的集成分类器组中，从而获得对应的航空发动机是否故障的结果。本申请提供的基于不均衡样本的航空发动机故障诊断方法通过进行采样，具有更可靠的准确性。
-
Patent Agency Ranking
公开(公告)号：CN107103658B
公开(公告)日：2019-05-14
申请号：CN201710278824.9
申请日：2017-04-25
Applicant: 哈尔滨工业大学
IPC: G07C5/08
Abstract: 基于深度学习与高斯分布的航空发动机气路异常检测方法，本发明涉及航空发动机气路异常检测方法。本发明的目的是为了解决现有的发动机气路异常检测方法中QAR数据没有得到广泛应用、发动机异常检测的虚警率高以及准确度低的问题。一、在QAR数据中选择参数集，参数集包括发动机气路性能参数和外界环境参数；二、在参数集中计算同一架飞机上两台发动机性能参数的差异值，将差异值与外界环境参数构成新的参数集；三、选用深度学习方法中的堆积去噪自动编码器模型对二中的新参数集提取数据特征；四、采用基于高斯分布的密度估计算法对步骤三得到的数据特征进行异常检测，得到结果。本发明用于航空发动机故障诊断技术领域。
-
公开(公告)号：CN107977526B
公开(公告)日：2019-02-26
申请号：CN201711365259.6
申请日：2017-12-18
Applicant: 哈尔滨工业大学(威海)
IPC: G06F17/50
Abstract: 本发明涉及一种大涵道比民航发动机性能诊断方法及系统，其中方法包括：采用非线性方法对发动机各个气路单元体进行单独建模并组建为发动机整机稳态模型，并利用健康发动机的观测数据对模型参数进行训练；通过滑动窗口采样方法获得待诊断发动机的气路参数的观测值，基于所述发动机整机稳态模型，利用改进的无迹卡尔曼滤波的观测方程对待诊断发动机的气路参数的观测值进行滤波，得到用于评估单元体衰退程度的多个单元体衰退因子。本发明通过将发动机稳态建模和无迹卡尔曼滤波相结合对单元体衰退趋势进行跟踪，在民航发动机飞行数据上的实验显示，该方法所获得的性能诊断结果具有较高的准确性。
-
公开(公告)号：CN109115501A
公开(公告)日：2019-01-01
申请号：CN201810763325.3
申请日：2018-07-12
Applicant: 哈尔滨工业大学(威海)
CPC classification number: G01M15/00 , G06K9/6256 , G06K9/6269 , G06N3/0454 , G06N3/08
Abstract: 本发明涉及一种基于CNN与SVM的民航发动机气路故障诊断方法，包括获取民航发动机气路状态数据；构造训练集和测试集；利用训练集对CNN模型进行训练；利用训练完成的CNN模型对测试集中的样本进行特征挖掘，组成测试样本特征集；利用测试样本特征集训练SVM对各种故障进行分类；将待诊断的民航发动机气路状态数据输入训练完的CNN模型得到待测样本特征，并利用所述SVM进行分类，得到气路故障类型。本发明利用卷积神经网络直接对矩阵进行处理，既考虑了输入参数随时间变化的关系，又考虑了输入参数之间的关系；同时利用SVM进行分类，很好地解决了民航发动机故障样本不足的局限，能够有效且准确的实现民航发动机气路故障诊断。
-
公开(公告)号：CN109035488A
公开(公告)日：2018-12-18
申请号：CN201810889863.7
申请日：2018-08-07
Applicant: 哈尔滨工业大学(威海)
CPC classification number: G07C5/0808 , G06K9/6256 , G06K9/6267 , G06N3/0454 , G06N3/084
Abstract: 本发明涉及一种基于CNN特征提取的航空发动机时间序列异常检测方法，包括：从航空发动机监控数据中选取多个监控参数的时间序列，对所述多个监控参数的排序进行优化；根据故障报告从航空发动机监控数据中选取正常样本和异常样本，并按照优化后的监控参数排序构建训练集；构建卷积神经网络模型，并使用训练集进行模型训练和特征提取；使用卷积神经网络模型提取的训练集的特征对BP神经网络进行训练；按照优化后的监控参数排序从航空发动机监控数据中提取待检测样本构成测试集；利用训练后的卷积神经网络模型对所述测试集进行特征提取，并通过训练后的BP神经网络生成是否异常的分类结果。本发明对航空发动机时间序列形式异常具有很好的检测效果。
-
公开(公告)号：CN108334907A
公开(公告)日：2018-07-27
申请号：CN201810131253.0
申请日：2018-02-09
Applicant: 哈尔滨工业大学(威海)
IPC: G06K9/62
CPC classification number: G06K9/6267 , G06K9/6256
Abstract: 本发明涉及一种基于深度学习的复杂装备点异常检测方法及系统，其中方法包括：训练样本处理步骤、选取复杂装备的监控性能参数，并获取监控性能参数的正常样本和异常样本，构成训练样本集；特征提取步骤、构建基于SDAE的特征提取模型，输入所述训练样本集进行模型训练；检测模型训练步骤、根据经特征提取模型训练得到的特征构建基于GSM的异常检测模型，得到异常检测模型的特征均值和特征标准差；异常检测步骤、将待测样本输入到基于SDAE的特征提取模型，得到的特征输入到基于GSM的异常检测模型中，进行点异常检测。本发明对于复杂装备尤其是航空发动机出现的点异常检测效果明显。
-
-
-
-
-
-
-
-
-
Search Results
75
records
(took 0.032 seconds)
