-
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。
-
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。
-
Patent Agency Ranking
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。
-
公开(公告)号：CN106503746B
公开(公告)日：2018-07-06
申请号：CN201610957730.X
申请日：2016-11-03
Applicant: 哈尔滨工业大学
IPC: G06K9/62
Abstract: 一种基于性能偏移量的航空发动机故障诊断方法，本发明涉及基于性能偏移量的航空发动机故障诊断方法。本发明是为了解决现有技术忽略航空发动机个体之间的差异、航空发动机故障样本数据量较少以及现有方法大多采用仿真数据导致实用性较低的问题。本发明步骤为：步骤一：进行航空发动机气路性能数据获取及分组；步骤二：根据步骤一的分组结果，进行航空发动机性能偏移量模型建立及性能偏移量求解；步骤三：根据步骤二得到的性能偏移量求解结果，进行支持向量机多核函数的确定及故障分类。本发明方法在故障分类准确率和泛化性上均好于传统的基于时间序列拟合的故障诊断方法。本发明应用于航空发动机维修优化技术领域。
-
公开(公告)号：CN107977526A
公开(公告)日：2018-05-01
申请号：CN201711365259.6
申请日：2017-12-18
Applicant: 哈尔滨工业大学(威海)
IPC: G06F17/50
CPC classification number: G06F17/5009
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：CN107730014A
公开(公告)日：2018-02-23
申请号：CN201710993647.2
申请日：2017-10-23
Applicant: 哈尔滨工业大学
Abstract: 一种基于CBM的机队维修决策方法，本发明涉及基于CBM的机队维修决策方法。本发明为了解决现有方法是针对民用航空发动机和非结构件，单机保有率达不到训练要求，及没有考虑机队的维修成本的问题。本发明包括：一：进行飞机疲劳结构的剩余寿命预测，得到疲劳结构的剩余寿命；二：根据得到的疲劳结构的剩余寿命，建立单机维修成本决策优化模型；三：根据步骤二建立的单机维修成本决策优化模型，建立机队的维修成本决策优化模型；四：建立机队保有率优化模型；五：根据步骤三和步骤四建立机队的多目标优化决策模型，根据多目标优化决策模型采用非支配排序的多目标优化算法方法确定机队各飞机疲劳结构的最优维修方案。本发明用于机队维修领域。
-
-
-
-
-
-
-
-
-
Search Results
145
records
(took 0.032 seconds)
