共查询到10条相似文献,搜索用时 31 毫秒
1.
为解决液体火箭发动机故障标签缺失条件下流数据无监督检测问题,以及满足不同发动机台次和不同工况的自适应检测需求,基于增量学习思想,提出了基于增量式孤立森林的异常检测算法。设计了多工况流数据检测条件下的在线更新策略、异常分数表达式,并通过更新停止策略避免故障数据对模型的污染。利用多台次试车数据对该模型进行验证,并与传统方法进行比较,结果表明,该算法能够对样本异常程度进行量化评价,能够有效检测早期缓变故障,其F1指标较原始孤立森林算法提高了43%,检测及时性优于红线算法和自适应阈值算法。 相似文献
2.
随着机载航空电子设备的快速发展,使得传统地面系统承担的发动机诊断任务可以在线实现。实时数据的使用,可以在线监测发动机性能退化,减少故障检测和隔离的潜伏期,增加间歇性故障的检测率。为此,提出并设计了一种用于航空发动机气路故障检测和隔离、健康监测及参数估计的在线综合诊断结构。基于xPC Target 原理搭建了硬件实时仿真平台,对该结构进行了仿真验证。仿真结果表明,该结构中的机载自适应模型对发动机健康参数、可测参数和不可测参数的估计误差在0.5%以内;气路故障诊断系统采用实时数据,可以更早地检测和隔离包含间歇性故障在内的各种气路故障。 相似文献
3.
通过监控航空发动机性能参数,准确判断发动机的工作状态,预知发动机的异常变化.为预防和排除故障提供充足的时间和决策依据。开发出利用QAR(quick access Feeorder.快速存取记录器)数据的发动机故障检测系统,该系统基于民航发动机的QAR数据,由于发动机正常运行数据容易获取.而故障样本难以获得.因而采用单类支持向量机(OCSVM),仅依靠发动机的健康数据建立其分类器。利用OCSVM分类器.监控后续航班参数是否出现异常,通过分析检测结果,实现发动机故障检测。采用该系统监控航空发动机性能参数.及时发现发动机运行状态异常,证明了系统的可行性和有效性。 相似文献
4.
参考计算机视觉等领域的研究与应用进展,提出了拟图智能化故障诊断概念;拟照VGG16图像分类网络,提出了一种航空传感器故障检测与分类方法。首先,基于仿真、实飞等手段建立了航空传感器故障飞行数据库;该数据库包含4型大型客机、通航飞机在5种飞行状态的飞行数据,并可有效模拟气动数据、惯性测量单元等传感器的故障。其次,提出将航空器气动数据、惯性测量单元等传感器的测量数据堆叠成灰度图像数据格式;该图像保留了传感器测量数据的时间、空间耦合特征,将传感器故障检测与分类转换成为图像上的异常区域检测与分类问题。再次,提出了一种数据增强方法,将堆叠形成的传感器测量数据图像的维度增强为VGG16图像分类网络输入维度,并基于预训练的VGG16图像分类网络,采用微调优化网络模型,最终得到了拟图智能化航空传感器故障检测与分类深度神经网络。在多个航空器数据集上的实验结果表明,网络的平均测试准确度可以达到97.6%。最后,参考计算机视觉领域的深度神经网络可解释性分析方法,基于类激活映射图(CAM)对本文发展的传感器故障检测与分类网络进行了分析,初步阐明了网络内部各层卷积核节点特征提取运算的机理,提升了该网络故障检测与分... 相似文献
5.
为了实时监控液体火箭发动机涡轮泵的状态,提高其安全性,降低其故障带来的破坏程度,提出了短数据均值自适应阈值算法(SDM—ATA),建立了实时故障检测的统计学模型、研究了阈值区间均值与方差的自适应计算及其带宽系数的自适应训练、故障综合决策逻辑,以及故障数据对阈值贡献的踢除等方法,并利用某型火箭发动机地面试车涡轮泵振动测量数据和某型转子试验平台实时测量数据对该算法进行离线和实时在线故障检测试验验证。结果表明,SDM—ATA没有发生误检测情况,并具有实时故障检测的能力。 相似文献
6.
针对航空发动机传感器故障检测方法的适用范围缺乏量化数据问题,提出以故障检测性能指标为依据,对基于卡尔曼
滤波器和基于自适应滑模观测器的故障检测方法适用性进行对比分析。分别设计了基于卡尔曼滤波器的残差生成和自适应滑模观
测器的故障估计检测方法,根据故障检测策略实现故障检测;以蒙特卡罗法生成随机故障,对比分析在故障和干扰同时存在的情况
下2 种方法的故障检测效果和适用范围;基于DGEN 380 发动机进行仿真,仿真结果表明:基于卡尔曼滤波器的故障检测方法对高
斯噪声的处理能力较强,但故障检测率不足50%,尤其是针对软故障效果较差;而基于滑模观测器的故障检测方法在不考虑测量噪
声的情况下,针对软硬故障检测的效果均较好,但处理传感器测量噪声的能力较差。 相似文献
7.
8.
9.
10.
小样本学习指只利用目标类别的少量监督信息来训练机器学习模型。由于其实用价值,学术界和工业界提出很多针对该问题的解决方案,但是目前国内缺少该问题的综述。本文对国内外学者提出的小样本学习算法及基于小样本学习的目标检测算法进行了系统的总结和探索。首先,给出了小样本学习的问题定义,列举其与其他一些经典的机器学习问题之间的联系,同时从理论上阐述小样本学习问题面临的挑战;接着,对基于小样本学习的图像分类进行了概述,并对其中代表性的工作进行介绍与分析;在此基础上,重点针对基于小样本学习的目标检测,特别是零样本条件下的目标检测问题,详细介绍和分析了现有的研究工作;最后,立足于现有方法的优缺点,从问题设定、理论研究、实现技术以及应用场景等几个方面对小样本学习的未来发展进行了展望,期望为该领域后续的研究工作提供启示。 相似文献