-
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: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:CN102682348B
公开(公告)日:2015-10-14
申请号:CN201210146648.0
申请日:2012-05-14
Applicant: 哈尔滨工业大学(威海)
IPC: G06Q10/04
Abstract: 本发明涉及一种设备维修方案,具体地说是一种特别适用于复杂装备部件维修级别优化的复杂装备部件维修级别优化系统及其建立方法,包括以下步骤:建立维修级别知识库,获得基于支持向量机的部件维修级别与整机性能贡献的挖掘模型,确定部件送修目标;获得部件最低维修级别;优化各部件维修级别,本发明与现有技术相比,能够提高复杂装备部件维修效率,具有准确、可靠等优点。
-
-
-