RU2686252C2 - Способ оценки нормальности или ненормальности измеренного значения физического параметра двигателя летательного аппарата - Google Patents
Способ оценки нормальности или ненормальности измеренного значения физического параметра двигателя летательного аппарата Download PDFInfo
- Publication number
- RU2686252C2 RU2686252C2 RU2016142123A RU2016142123A RU2686252C2 RU 2686252 C2 RU2686252 C2 RU 2686252C2 RU 2016142123 A RU2016142123 A RU 2016142123A RU 2016142123 A RU2016142123 A RU 2016142123A RU 2686252 C2 RU2686252 C2 RU 2686252C2
- Authority
- RU
- Russia
- Prior art keywords
- value
- specified
- parameter
- exec
- values
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 42
- 238000005259 measurement Methods 0.000 claims abstract description 36
- 239000006185 dispersion Substances 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000005856 abnormality Effects 0.000 claims abstract description 16
- 238000013500 data storage Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract 2
- 238000004364 calculation method Methods 0.000 claims description 13
- 239000000446 fuel Substances 0.000 claims description 7
- 239000012530 fluid Substances 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract 1
- 239000000126 substance Substances 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000011365 complex material Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/14—Testing gas-turbine engines or jet-propulsion engines
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C11/00—Arrangements, systems or apparatus for checking, e.g. the occurrence of a condition, not provided for elsewhere
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Complex Calculations (AREA)
Abstract
Группа изобретений относится к способу, аппаратуре и системе для оценки нормальности или ненормальности измеренного датчиком физического параметра устройства. Для оценки контрольные значения для рабочего параметра устройства сохраняют в средствах хранения данных, при помощи средств обработки данных вычисляют оценочное значение параметра определенным образом, вычисляют соответствующую погрешность, вычисляют оценочное значение дисперсии физического параметра для значения рабочего параметра, вычисляют вклад аномалии измеренного значения, сравнивают вклад аномалии измеренного значения с порогом, при превышении порога отображают измерение как ненормальное на интерфейсных средствах. Аппаратура содержит средства хранения данных и средства обработки данных для реализации способа. Система содержит испытательный стенд, содержащий датчик и выполненный с возможностью установки на нем устройства, аппаратуру для оценки измеренного параметра. Обеспечивается повышение надежности и эффективности контроля измерения параметров, связанных с двигателем, выявление искажений среди совокупности измерений. 3 н. и 10 з.п. ф-лы, 9 ил.
Description
Область техники
Настоящее изобретение относится к области тестов авиационного оборудования.
В частности, оно относится к способу оценки нормальности или ненормальности измеренного значения физического параметра устройства, в частности, двигателя летательного аппарата.
Уровень техники
Испытательный стенд является площадкой, позволяющей измерять характеристики испытываемой машины (как правило, двигателя летательного аппарата) во время тестов в контролируемых условиях, чтобы отслеживать ее поведение. Во время таких тестов считываются многочисленные данные при помощи датчиков, которыми оснащен стенд и/или испытываемая машина, чтобы внести их в специальную базу данных, называемую также базой данных испытаний и в дальнейшем называемую базой испытания. Для упрощения в дальнейшем речь пойдет о датчиках стенда, которые по сути включают в себя датчики, которыми оснащен двигатель в рамках испытаний.
Как правило, испытываемая машина является либо прототипом в фазе разработки, который необходимо протестировать (после чего полученные данные используются в конструкторских бюро для усовершенствования машин и их доводки), либо конечным изделием, для которого необходимо произвести проверку спецификаций и надежности (в этом случае получаемые данные используются бригадами контроля качества). В альтернативном варианте испытываемая машина может быть либо двигателем в комплекте, либо компонентом двигателя для частичных испытаний.
Однако по причине дефектов одного или нескольких датчиков стенда и/или испытываемой машины получаемые данные часто имеют ненормальные или искаженные значения. В этом случае база данных испытаний оказывается «загрязненной» данными, полученными в результате «ненадлежащего» измерения.
Это создает проблему для пользователей базы (в частности, для конструкторских бюро), которые пользуются всеми записанными данными, в частности, чтобы производить сравнения характеристик. Эти данные можно также использовать для применения цифровых моделей двигателя к стенду.
Кроме того, в ходе самого испытания можно быстро обнаруживать любой неисправный датчик, поскольку решение об остановке испытания принимается в зависимости от серьезности аномалии. Действительно, испытания являются очень дорогими, поэтому важно оптимизировать эти испытания и, в частности, их воспроизведение.
Во французской заявке FR 2965915 описан пример способа мониторинга в реальном времени датчиков испытательного стенда, который позволяет выявить неисправность датчика, однако он не может обнаруживать отклонение качества измерений как таковое. Кроме того, известные способы неотделимы от испытательного стенда и не позволяют идентифицировать впоследствии ненормальные измерения среди измерений, внесенных в базу испытания.
Поэтому существует потребность в надежном, эффективном и воспроизводимом контроле измерений параметров, связанных с двигателем, позволяющем без труда идентифицировать искаженное измерение среди совокупности измерений.
Сущность изобретения
В качестве первого объекта настоящим изобретением предложен способ оценки нормальности или ненормальности измеренного датчиком значения физического параметра устройства для значения рабочего параметра указанного устройства, при этом множество пар, каждая из которых определяет контрольное значение физического параметра для значения рабочего параметра, сохраняют в базе данных, хранящейся в средствах хранения данных, при этом способ включает в себя осуществление следующих этапов при помощи средств обработки данных:
(a) в зависимости от регрессионной модели, связанной с указанным множеством пар, вычисляют оценочное значение физического параметра для значения рабочего параметра;
(b) вычисляют соответствующую погрешность;
(c) в зависимости от дисперсионной модели, связанной с указанным множеством пар, вычисляют оценочное значение дисперсии физического параметра для значения рабочего параметра;
(d) в зависимости от погрешности, от оценочного значения дисперсии и от среднего значения погрешностей для указанного множества пар вычисляют вклад аномалии;
(e) вклад аномалии измеренного значения сравнивают с порогом в виде числа стандартных отклонений;
(f) если вклад аномалии превышает указанный порог, на интерфейсных средствах измерение отображают как ненормальное.
Оценка дисперсии в зависимости от рабочего параметра позволяет отказаться от вариации погрешности измерения (зависящей от контекста использования). Построенный интервал достоверности (допуск σ на Zscore) относительно регрессионной модели является, таким образом, более реалистичным, чем постоянный разброс, и обнаружение ненормальных точек становится более точной. Модель тревожного оповещения за счет этого выигрывает в эффективности.
Согласно другим предпочтительным и не ограничительным признакам:
- способ содержит предварительную фазу обработки указанного множества пар из базы данных, включающую в себя осуществление следующих этапов при помощи средств обработки данных:
(а0) определяют указанную регрессионную модель, связанную с указанным множеством пар, при помощи регрессии, моделирующей значение y физического параметра в зависимости от значения х рабочего параметра на основании множества 
, где xi, yi обозначает значения пары, записанной в базе данных;
(a1) для каждой из пар вычисляют оценочное значение физического параметра и соответствующую погрешность;
(а2) вычисляют среднее значение указанных погрешностей;
(а3) в скользящем окне размером w вычисляют множество значений дисперсии погрешности, каждое из которых связано со значением рабочего параметра пары;
(а4) определяют указанную дисперсионную модель, связанную с указанным множеством пар, при помощи регрессии, моделирующей значение var дисперсии погрешности в зависимости от значения x рабочего параметра на основании множества 
, где varj обозначает вычисленное значение дисперсии погрешности, и xj обозначает соответствующее значение рабочего параметра.
- предварительная фаза включает в себя этап (а5) определения, в зависимости от указанной определенной модели дисперсии, зоны достоверности вокруг указанной определенной регрессионной модели и отображения указанной зоны достоверности на интерфейсных средствах;
- зону достоверности определяют по верхней огибающей, отвечающей формуле 
, и нижней огибающей, отвечающей формуле 
, где 
является регрессионной моделью, и g является дисперсионной моделью;
- вклад аномалии получают по формуле 
, где resexec обозначает погрешность, связанную с измеренным значением физического параметра, 
обозначает оценочное значение дисперсии, и mean является средним значением погрешности для указанного множества пар;
- указанное устройство является двигателем летательного аппарата;
- указанный физический параметр выбирают из группы, в которую входят связанные с двигателем давление, температура, скорость потока текучей среды и уровень шума;
- указанный рабочий параметр выбирают из группы, в которую входят связанные с двигателем режим и расход топлива;
- двигатель установлен на испытательном стенде, содержащем датчик, при этом этап (е) содержит остановку испытательного стенда, если измерение признается ненормальным;
- этап (е) содержит добавление пары, образованной измеренным значением физического параметра и соответствующим значением рабочего параметра, в указанную базу данных пар, если измерение не признается ненормальным.
Вторым объектом изобретения является аппаратура для оценки нормальности или ненормальности измеренного датчиком значения физического параметра устройства для значения рабочего параметра указанного устройства, содержащая средства обработки данных, средства хранения данных, хранящие в базе данных множество пар, каждая из которых определяет контрольное значение физического параметра для значения рабочего параметра, и интерфейсные средства, при этом аппаратура отличается тем, что средства обработки данных выполнены с возможностью реализации:
- модуля вычисления в зависимости от регрессионной модели, связанной с указанным множеством пар, оценочного значения физического параметра для значения рабочего параметра;
- модуля вычисления соответствующей погрешности;
- модуля вычисления в зависимости от дисперсионной модели, связанной с указанным множеством пар, оценочного значения дисперсии физического параметра для значения рабочего параметра;
- модуля вычисления вклада аномалии в зависимости от погрешности, от оценочного значения дисперсии и от среднего значения погрешности для указанного множества пар;
- модуля сравнения вклада аномалии измеренного значения с порогом в виде числа стандартных отклонений;
- модуля передачи тревожного сигнала на интерфейсные средства, извещающего об идентификации измерения как аномалии, если вклад аномалии превышает указанный порог σ.
Согласно другим предпочтительным и не ограничительным признакам, модуль обработки данных выполнен также с возможностью реализации:
- модуля определения указанной регрессионной модели, связанной с указанным множеством пар, при помощи регрессии, моделирующей значение y физического параметра в зависимости от значения х рабочего параметра на основании множества , где xi; yi обозначает значения пары, сохраненной в базе данных;
- модуля вычисления для каждой из пар оценочного значения физического параметра и соответствующей погрешности;
- модуля вычисления среднего значения указанных погрешностей;
- модуля вычисления в скользящем окне размером w множества значений дисперсии погрешностей, каждое из которых связано со значением рабочего параметра пары;
- модуля определения указанной дисперсионной модели, связанной с указанным множеством пар, при помощи регрессии, моделирующей значение var дисперсии погрешности в зависимости от значения х рабочего параметра на основании множества , где varj обозначает вычисленное значение дисперсии погрешности, и xj обозначает соответствующее значение рабочего параметра.
Третьим объектом изобретения является система, содержащая:
- испытательный стенд, содержащий датчик и выполненный с возможностью установки на нем устройства;
- аппаратуру согласно второму объекту изобретения для оценки нормальности или ненормальности измеренного датчиком значения физического параметра указанного устройства для значения рабочего параметра указанного устройства.
Четвертым и пятым объектами изобретения являются компьютерный программный продукт, содержащий командные коды для исполнения способа согласно первому объекту изобретения для оценки нормальности или ненормальности измеренного датчиком значения физического параметра указанного устройства для значения рабочего параметра указанного устройства; и средство хранения данных, считываемое компьютерной аппаратурой, на котором записанный компьютерный программный продукт содержит командные коды для исполнения способа согласно первому объекту изобретения для оценки нормальности или ненормальности измеренного датчиком значения физического параметра указанного устройства для значения рабочего параметра указанного устройства.
Краткое описание чертежей
Другие признаки и преимущества настоящего изобретения будут более очевидны из нижеследующего описания предпочтительного варианта осуществления. Это описание представлено со ссылками на прилагаемые чертежи, на которых:
фиг. 1 - пример среды, в которой осуществляют заявленный способ;
фиг. 2а-2b иллюстрируют этапы двух фаз примера заявленного способа;
фиг. 3a-3f - примеры отображения на интерфейсе данных, полученных на различных этапах заявленного способа.
Осуществление изобретения
Описываемый со ссылками на фиг. 1 настоящий способ является способом оценки нормальности или ненормальности измеренного датчиком 20 значения yexec физического параметра управляемого устройства 1 для значения хехес рабочего параметра указанного двигателя 1. В частности, управляемое устройство 1 является двигателем 1 летательного аппарата, как правило, газотурбинным двигателем полностью или частью газотурбинного двигателя, в частности, двухконтурного газотурбинного двигателя.
Хотя в настоящем изобретении в дальнейшем рассмотрен предпочтительный пример газотурбинного двигателя (во время полета или на испытательном стенде), понятно, что изобретение этим примером не ограничивается, и под «устройством» следует понимать любую физическую систему, получающую «на входе» по меньшей мере один рабочий параметр, который необходимо отслеживать при помощи датчика и поведение которого может быть сложным для непосредственного моделирования. Название «испытываемая машина» соответствует случаю, когда устройство находится в стадии теста, например, на стенде (а не во время реальной работы).
Настоящий способ можно осуществлять для любого наземного или не наземного устройства создания тяги.
Понятно, что кроме тяговых систем, настоящий способ может находить другое применение в авиации, в частности, в системах взлетно-посадочных шасси или в любых сложных материальных устройствах, требующих мониторинга нормальной работы.
В другой области, например, в области железнодорожного транспорта, можно указать системы торможения поездов или любое другое устройство обеспечения безопасности транспортного средства.
Изобретение может также касаться других систем на стадии изготовления или испытания.
Настоящий способ можно применять для любого мониторинга измерений (в том числе во время эксплуатации устройства), но предпочтительно в данном случае рассмотрен пример испытательных измерений: двигатель 1 (или другое устройство) установлен на испытательном стенде 2, с которым соединен датчик 20. Испытательный стенд 2 выполнен с возможностью имитации работы двигателя 1 в реальных условиях. Задачей настоящего изобретения является подтверждение или не подтверждение достоверности измерения, произведенного во время испытания. Таким образом, нормальность измерения напрямую связана с его достоверностью. Измерение, признанное недостоверным, будет считаться ненормальным.
Рабочий параметр (значение х) является «объясняющей» или «предсказывающей» переменной в отличие от измеряемого физического параметра (значение у), который является «объясняемой» или «предсказываемой» переменной. Иначе говоря, значение х рабочего параметра является причиной, тогда как значение у физического параметра является следствием.
В частности, рабочий параметр является контролируемым значением, связанным с двигателем 1, на которое может либо воздействовать пользователь, либо влиять окружающая среда. Иначе говоря он является командой. В дальнейшем тексте настоящего описания взят пример режима двигателя (то есть числа оборотов, осуществляемых ротором двигателя 1 за единицу времени), но понятно, что можно отслеживать многие другие рабочие параметры, такие как расход топлива, впрыскиваемого в двигатель 1, температура топлива, впрыскиваемого в двигатель 1, окружающее давление вокруг двигателя 1 и окружающая температура вокруг двигателя 1. Этот параметр является входным параметром, выбираемым для двигателя.
Физический параметр отображает физическую величину, характеризующую ожидаемое поведение двигателя 1 в ответ на приложение рабочего параметра, то есть физическую величину, для измерения которой предназначен датчик. Понятно, что для разных физических величин можно предусмотреть множество соответствующих датчиков. В частности, этим физическим параметром может быть давление в определенной точке двигателя 1, внутренняя температура в определенной точке двигателя 1, скорость потока текучей среды в определенной точке двигателя 1, уровень шума, производимого двигателем 1, плотность топлива в двигателе 1 и т.д. Специалист в данной области может выбирать измеряемую физическую величину в зависимости от задач испытания. В дальнейшем тексте описания будет рассмотрен пример давления, измеряемого датчиком 20 давления.
Пара (х; у) обозначает точечное считывание: для значения х рабочего параметра датчик 20 измеряет значение у физического параметра.
Множество пар 
, каждая из которых определяет контрольное значение yi физического параметра для значения xi рабочего параметра, записаны в базе данных (которая и является вышеупомянутой базой данных испытаний), которая, в свою очередь, хранится в средствах 32 хранения данных. Под «контрольными» значениями следует понимать, что они получены во время стабилизированных фаз испытаний, то есть могут считаться нормальными. Возможные ненормальные значения уже удалены из базы.
Средства 32 хранения данных (которые, как правило, являются жестким диском) и средства 31 обработки данных (например, процессор) принадлежат либо к аппаратуре 3, подсоединенной к датчику 20 (как показано на фиг. 1), либо встроены непосредственно в испытательный стенд 2. Аппаратура 3 (или другое оборудование) имеет интерфейсные средства 33 (такие как клавиатура и экран) для взаимодействия с базой данных и, в частности, для отображения результатов (см. ниже).
Пара (хехес; уехес) обозначает «отслеживаемое» измерение, то есть измерение, для которого необходимо определить, является измеренное значение yexec нормальным или нет.
Это отслеживаемое измерение может быть как измерением, полученным в реальном времени (в частности, во время работы в ходе эксплуатации двигателя), так и ранее записанным измерением (пара (хехес; yexec) уже хранится в базе данных и находится в стадии ожидания использования).
Можно применять систему запроса и анализа базы данных в реальном времени, используемую средствами 31 обработки.
Фаза обучения
Настоящий способ включает в себя две фазы. Первая является фазой обучения, а вторая - фазой исполнения. Предпочтительно фазу обучения осуществляют предварительно, чтобы создать модели, которые будут описаны ниже (и, в случае необходимости, сохранить их на средствах 32 хранения данных), после чего осуществляют фазу исполнения при каждом новом получении измерения. Именно фаза исполнения позволяет оценить нормальность или ненормальность измеренного значения yexec в соответствии с изобретением. Фазу обучения можно опять запускать время от времени, чтобы обновить модели.
В альтернативном варианте можно обходиться без предварительного обучения и определять модели в реальном времени при каждом осуществлении фазы исполнения.
Далее следует описание обеих фаз.
Фазу обучения можно рассматривать как совокупность этапов обработки только данных из базы (то есть независимо от пары (хехес; yexec)).
Как показано на фиг. 2а (где используется пример параметров режим/давление), фаза обучения начинается с этапа (а0) определения регрессионной модели, связанной с указанным множеством пар , при помощи регрессии, моделирующей y в зависимости от х на совокупности значений пар . Эту регрессионную модель можно применять в фазе исполнения.
Регрессия обозначает совокупность хорошо известных специалисту статистических методов для анализа связи переменной (в данном случае y) с одной или несколькими другими переменными (в данном случае х). Иначе говоря, на этапе (а0) определяют функцию 
, позволяющую произвести аппроксимацию значений yi в зависимости от значений xi для данного типа связи. Известны линейная, полиномная, экспоненциальная, логарифмическая и т.д. регрессии.
Выбор используемого типа связи предпочтительно производят в зависимости от характера кривой, и он может происходить автоматически с оптимизацией посредством максимизации коэффициента определения, например, как описано в патентной заявке FR 2939928.
На фиг. 3а показаны облако точек, образованное из n пар , и модель, полученная при помощи регрессии.
На втором этапе (a1) фаза обучения включает в себя вычисление, для каждой из пар, оценочного значения 
физического параметра и погрешности resi, связанных друг с другом, погрешность является разностью между оценочным значением и измеренным значением. На основании регрессионной модели просто получают эти значения по формулам 
и 
, при 
. На фиг. 3b показаны полученные остатки погрешности.
На этапе (а2) вычисляют среднее значение указанных погрешностей: 
.
После создания регрессионной модели средства 31 обработки данных определяют другую модель, применяемую в фазе исполнения: речь идет о дисперсионной модели.
Эту модель, тоже связанную с указанным множеством пар , обычно вычисляют в ходе двух последовательных этапов. На этапе (а3) вычисляют множество значений 
дисперсии погрешности, и это множество значений позволит в дальнейшем применить регрессию на этапе (а4) для получения дисперсионной модели.
Как известно, дисперсию вычисляют в виде среднего значения квадратов погрешностей. Множество значений дисперсии получают при помощи «скользящего окна» размером w (w является заранее определенным параметром алгоритма, и его предпочтительно выбирают достаточного размера, чтобы избежать проблемы расширения трубы достоверности, см. ниже. Например, можно взять 10% числа выборок). В частности, каждое значение varj дисперсии вычисляют на подмножестве (индексы от j до j+w-1) множества пар значений . В частности, 
.
Аналогично этапу (а0), дисперсионную модель, связанную с указанным множеством определяют на этапе (а4) при помощи регрессии, моделирующей var в зависимости от х. Иначе говоря, на этом этапе средства 31 обработки данных определяют функцию g, при которой 
, где 
.
На фиг. 3с показаны облако точек, образованное из n-w+1 пар 
, и модель, полученная при помощи регрессии.
На факультативном этапе (а5) фаза обучения может включать в себя получение «трубы достоверности» (то есть зоны достоверности) вокруг регрессионной модели. Эта труба имеет верхнюю огибающую и нижнюю огибающую. Между этими двумя огибающими точка, связанная с парой значений (х; у), считается нормальной и не находится снаружи, как будет показано ниже.
Трубу достоверности определяют по разности амплитуды 
относительно регрессионной модели, где порог σ является числом стандартных отклонений (см. ниже). Как было указано выше, эта труба определяет интервал достоверности, зависящий от дисперсии, что увеличивает реальность результатов: число отрицательных ложных заключений и положительных ложных заключений значительно уменьшилось.
Уравнение верхней огибающей задается формулой 
, а уравнение нижней огибающей - формулой 
.
Предпочтительно трубу достоверности добавляют к изображению облака точек, образованного n парами , и модели, полученной при помощи регрессии (типа показанной на фиг. 3а), чтобы получить изображение, показанное на фиг. 3d. Как будет показано ниже, эта труба позволяет упредить результат исполнения и наглядно (а также понятно, в том числе через не инициированные точки) показать, является измерение нормальным или нет.
Следует отметить, что распределение точек не является одинаковым по параметру х. Действительно, в примере, где рабочим параметром является режим, производят гораздо больше измерений в режиме полного газа, чем в режиме малого газа. Это неодинаковое распределение может привести к расширению трубы достоверности в ее начале, как показано на фиг. 3е, если параметр w выбран неверно.
Предпочтительно параметр w выбирают достаточно большим, чтобы функция g была возрастающей. Для этого этапы (а3), затем (а4) можно итеративно повторять с возрастающими значениями w, пока это условие не будет соблюдено.
Фаза исполнения
Как было указано выше, фаза обучения представляет собой подготовительную работу для ускорения фазы исполнения (которая соответствует сути настоящего заявленного способа). В альтернативном варианте фазу обучения можно осуществлять «одновременно» с фазой исполнения. В данной части описание будет ссылаться на все описанные ранее соответствующие формулы.
Эта фаза позволяет оценить нормальность или ненормальность измеренного значения уехес физического параметра для значения хехес рабочего параметра.
Эта фаза показана на фиг. 2b. Если до этого была осуществлена фаза обучения, модели можно загрузить из средств 32 записи данных, как показано на этой фигуре.
На этапе (а) вычисляют оценочное значение 
физического параметра для значения хехес рабочего параметра в зависимости от регрессионной модели, связанной с указанным множеством пар (в случае необходимости, эту модель определяют в фазе обучения). Как было указано выше, это вычисление производят при помощи формулы 
.
На следующем этапе (b) вычисляют соответствующую погрешность Resexec: 
.
На этапе (с) (который можно осуществлять перед одним и/или другим из этапов (а) и (b)) вычисляют оценочное значение 
дисперсии физического параметра для значения хехес рабочего параметра в зависимости от дисперсионной модели, связанной с указанным множеством пар (в случае необходимости, эту модель определяют в фазе обучения). Как было указано выше, это вычисление производят при помощи формулы 
.
Погрешность, оценочное значение 
дисперсии и среднее значение mean погрешности (в случае необходимости, вычисленное во время фазы обучения) для указанного множества пар позволяют средствам обработки данных вычислить на этапе (d) вклад аномалии (называемый также вкладом достоверности) Zscore измеренного значения yexec. Предпочтительно конечный итог аномалии получают по формуле 
. Чем больше этот вклад, тем больше вероятность ненормальности измерения.
На этапе (е) вклад аномалии Zscore измеренного значения yexec сравнивают с вышеупомянутым порогом σ (выраженным в виде числа стандартных отклонений, например, от трех до шести стандартных отклонений).
Если вклад аномалии Zscore превышает указанный порог σ, измерение отображают как ненормальное на интерфейсе 22 на этапе (f). При этом может сработать тревожный сигнал, если речь идет о тесте в реальном времени на испытательном стенде 2, который выключают (текущее испытание не подтверждается, и аномалию необходимо проанализировать, прежде чем опять использовать испытательный стенд). При этом в базу данных пару (хехес; yexec) не добавляют (или ее удаляют, если она находилась там в ожидании проверки).
В противном случае измерение считается нормальным, и пару (хехес, yexec) добавляют к контрольным значениям базы данных. В случае необходимости, можно опять запустить фазу обучения для обновления моделей.
Предпочтительно автоматически передается сводный отчет (например, предназначенный для конструкторского бюро).
Следует отметить, что ненормальное измерение отображается за пределами вышеупомянутой трубы достоверности, например, как показано на фиг. 3f.
В частности, если Zscore>σ, то 
(= половине диаметра трубы достоверности), и это значит, что соответствующая точка находится за пределами трубы достоверности.
Действительно, погрешности соответствуют нормальному закону со средней величиной mean. Тест (сравнение с Zscore) состоит в том, чтобы определить, может ли текущее наблюдение вытекать из этого закона.
Если графически построить распределение для нормального закона, то можно заметить, что превышение шести стандартных отклонений находится в «хвосте» распределения. Вероятность наблюдения чего-либо нормального сверх этого порога стандартных отклонений составляет порядка 10-9.
Аппаратура и система
Аппаратура 3 (показанная на фиг. 1) для осуществления описанного выше способа (оценки нормальности или ненормальности значения уехес, измеренного датчиком 20, физического параметра устройства 1, такого как двигатель летательного аппарата, для значения xexec рабочего параметра указанного устройства 1) содержит средства 31 обработки данных, средства 32 записи данных и интерфейсные средства 33.
Средства 32 записи данных хранят в базе данных множество пар , каждая из которых определяет контрольное значение yi физического параметра для значения xi рабочего параметра.
Средства 31 обработки данных выполнены с возможностью реализации:
- модуля вычисления на основе регрессионной модели, связанной с указанным множеством пар , оценочного значения 
физического параметра для значения хехес рабочего параметра;
- модуля вычисления соответствующей погрешности resexec;
- модуля вычисления на основе дисперсионной модели, связанной с указанным множеством пар оценочного значения 
дисперсии физического параметра для значения хехес рабочего параметра;
- модуля вычисления вклада аномалии Zscore измеренного значения уехес на основе погрешности resexec, оценочного значения 
дисперсии и среднего значения погрешности для указанного множества пар ;
- модуля сравнения вклада аномалии Zscore измеренного значения yexec с порогом σ в виде числа стандартных отклонений;
- модуля передачи тревожного сигнала на интерфейсные средства 33, извещающего об идентификации измерения как ненормального, если вклад аномалии Zscore превышает указанный порог σ.
Если аппаратура 3 осуществляет также фазу обучения, то модуль 31 обработки данных выполнен также с возможностью реализации:
- модуля определения указанной регрессионной модели, связанной с указанным множеством пар , при помощи регрессии, моделирующей значение у физического параметра в зависимости от значения х на основании множества 
(в случае необходимости, этот модуль конфигурируют таким образом, чтобы сохранять регрессионную модель в средствах 32 хранения данных для будущего использования);
- модуля вычисления для каждой из пар 
оценочного значения 
физического параметра и соответствующей погрешности resi,
- модуля вычисления среднего значения указанных погрешностей resi,
- модуля вычисления в скользящем окне размером w множества значений 
дисперсии погрешности;
- модуля определения указанной дисперсионной модели, связанной с указанным множеством пар , при помощи регрессии, моделирующей значение var в зависимости от значения х на основании множества 
(в случае необходимости, этот модуль конфигурируют таким образом, чтобы сохранять регрессионную модель в средствах 32 хранения данных для будущего использования).
Как было указано выше, предпочтительно аппаратура 3 принадлежит к системе, дополнительно содержащей испытательный стенд 2, содержащий датчик 20, измеряющий значение yexec физического параметра, и выполненный с возможностью установки на нем устройства 1.
Компьютерный программный продукт
Четвертым и пятым объектами изобретения являются компьютерный программный продукт, содержащий командные коды для исполнения (на средствах 31 обработки данных, в частности, аппаратуры 3) способа согласно первому объекту изобретения для оценки нормальности или ненормальности измеренного датчиком 20 значения yexec физического параметра устройства 1 для значения хехес рабочего параметра указанного устройства 1, а также средства хранения данных, считываемые компьютерной аппаратурой (например, средства 32 хранения данных этой аппаратуры 3), на которых записан этот компьютерный программный продукт.
Claims (37)
1. Способ оценки нормальности или ненормальности измеренного датчиком (20) значения (yexec) физического параметра устройства (1) для значения (хехес) рабочего параметра указанного устройства (1), характеризующийся тем, что множество пар значений 
, каждая из которых определяет контрольное значение (yi) физического параметра для значения (xi) рабочего параметра, сохраняют в базе данных, хранящейся в средствах (32) хранения данных, при этом способ включает осуществление при помощи средств (31) обработки данных этапов, на которых:
(a) вычисляют оценочное значение 
физического параметра для значения (хехес) рабочего параметра на основе регрессионной модели, связанной с указанным множеством пар ;
(b) вычисляют соответствующую погрешность (resexec);
(c) вычисляют оценочное значение 
дисперсии физического параметра для значения (хехес) рабочего параметра на основе дисперсионной модели, связанной с указанным множеством пар ;
(d) вычисляют вклад аномалии (Zscore) измеренного значения (yexec) на основе погрешности (resexec), оценочного значения дисперсии и среднего значения (mean) погрешности для указанного множества пар значений ;
(e) сравнивают вклад аномалии (Zscore) измеренного значения (yexec) с порогом (σ) в виде числа стандартных отклонений;
(f) если вклад аномалии (Zscore) превышает указанный порог (σ), на интерфейсных средствах (33) отображают измерение как ненормальное.
2. Способ по п. 1, содержащий предварительную фазу обработки указанного множества пар значений из базы данных, включающую осуществление при помощи средств (31) обработки данных этапов, на которых:
(а0) определяют указанную регрессионную модель, связанную с указанным множеством пар значений , при помощи регрессии, моделирующей значение y физического параметра в зависимости от значения х рабочего параметра, на основании множества 
, где xi; yi - значения пары, хранящейся в базе данных;
(a1) для каждой из пар значений вычисляют оценочное значение 
физического параметра и соответствующую погрешность (resi);
(а2) вычисляют среднее значение (mean) указанных погрешностей (resi);
(а3) в скользящем окне размером w вычисляют множество значений 
дисперсии погрешности, каждое из которых связано со значением (xj) рабочего параметра пары значений 
;
(а4) определяют указанную дисперсионную модель, связанную с указанным множеством пар значений 
, при помощи регрессии, моделирующей значение var дисперсии погрешности в зависимости от значения х рабочего параметра на основании множества 
, где varj обозначает вычисленное значение дисперсии погрешности, и xj обозначает соответствующее значение рабочего параметра.
3. Способ по п. 2, в котором предварительная фаза включает этап (а5), на котором определяют, в зависимости от указанной определенной модели дисперсии, зоны достоверности вокруг указанной определенной регрессионной модели и отображают указанную зону достоверности на интерфейсных средствах (33).
4. Способ по п. 3, в котором зону достоверности определяют по верхней огибающей, соответствующей формуле 
, и нижней огибающей, соответствующей формуле 
, где 
является регрессионной моделью, и g является дисперсионной моделью.
5. Способ по одному из пп. 1-4, в котором вклад аномалии (Zscore) получают по формуле 
, где resexec обозначает погрешность, связанную с измеренным значением физического параметра, 
обозначает оценочное значение дисперсии, и mean - среднее значение погрешности для указанного множества пар значений 
.
6. Способ по одному из пп. 1-5, в котором указанное устройство (1) является двигателем летательного аппарата.
7. Способ по п. 6, в котором указанный физический параметр выбирают из группы, в которую входят связанные с двигателем (1) давление, температура, скорость потока текучей среды, уровень шума и плотность топлива.
8. Способ по п. 6 или 7, в котором указанный рабочий параметр выбирают из группы, в которую входят связанные с двигателем (1) режим, расход топлива, температура топлива, окружающее давление и окружающая температура.
9. Способ по одному из пп. 6-8, в котором двигатель (1) устанавливают на испытательный стенд (2), содержащий датчик (20), при этом на этапе (е) останавливают испытательный стенд (2), если измерение признается ненормальным.
10. Способ по одному из пп. 1-8, в котором на этапе (е) добавляют пару значений (хехес; yexec), образованную измеренным значением физического параметра и соответствующим значением рабочего параметра, в указанную базу данных пар значений 
, если измерение не признается ненормальным.
11. Аппаратура (3) для оценки нормальности или ненормальности измеренного датчиком (20) значения (yexec) физического параметра устройства (1) для значения (хехес) рабочего параметра указанного устройства (1), содержащая средства (31) обработки данных, средства (32) хранения данных, хранящие в базе данных множество пар значений 
, каждая из которых определяет контрольное значение yi физического параметра для значения xi рабочего параметра, и интерфейсные средства (33), при этом средства (31) обработки данных выполнены с возможностью реализации:
- модуля вычисления оценочного значения 
физического параметра для значения хехес рабочего параметра на основе регрессионной модели, связанной с указанным множеством пар значений 
;
- модуля вычисления соответствующей погрешности (resexec);
- модуля вычисления оценочного значения 
дисперсии физического параметра для значения (хехес) рабочего параметра на основе дисперсионной модели, связанной с указанным множеством пар значений 
;
- модуля вычисления вклада аномалии (Zscore) измеренного значения (yexec) на основе погрешности (resexec), оценочного значения дисперсии и среднего значения (mean) погрешности для указанного множества пар значений ;
- модуля сравнения вклада аномалии (Zscore) измеренного значения (yexec) с порогом (σ) в виде числа стандартных отклонений;
- модуля передачи тревожного сигнала на интерфейсные средства (33), извещающего об идентификации измерения как ненормального, если вклад аномалии (Zscore) превышает указанный порог (σ).
12. Аппаратура по п. 10, в которой модуль (31) обработки данных выполнен также с возможностью реализации:
- модуля определения указанной регрессионной модели, связанной с указанным множеством пар значений , при помощи регрессии, моделирующей значение y физического параметра в зависимости от значения х рабочего параметра на основании множества 
, где xi; yi - значения пары, хранящиеся в базе данных;
- модуля вычисления для каждой из пар значений оценочного значения физического параметра и соответствующей погрешности (resi);
- модуля вычисления среднего значения (mean) указанных погрешностей (resi);
- модуля вычисления в скользящем окне размером w множества значений 
дисперсии погрешности, каждое из которых связано со значением (xj) рабочего параметра пары 
;
- модуля определения указанной дисперсионной модели, связанной с указанным множеством пар значений 
, при помощи регрессии, моделирующей значение var в зависимости от значения х на основании множества 
, где 
обозначает вычисленное значение дисперсии погрешности, и xj обозначает соответствующее значение рабочего параметра.
13. Система для оценки нормальности или ненормальности измеренного датчиком (20) значения (yexec) физического параметра устройства (1) для значения (хехес) рабочего параметра указанного устройства (1), содержащая:
- испытательный стенд (2), содержащий датчик (20) и выполненный с возможностью установки на нем устройства (1);
- аппаратуру (3) по п. 10 или 11 для оценки нормальности или ненормальности измеренного датчиком (20) значения (yexec) физического параметра указанного устройства (1) для значения (хехес) рабочего параметра указанного устройства (1).
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1452650 | 2014-03-27 | ||
| FR1452650A FR3019295B1 (fr) | 2014-03-27 | 2014-03-27 | Procede d'estimation du caractere normal ou non d'une valeur mesuree d'un parametre physique d'un moteur d'aeronef |
| PCT/FR2015/050785 WO2015145085A1 (fr) | 2014-03-27 | 2015-03-26 | Procédé d'estimation du caractère normal ou non d'une valeur mesurée d'un paramètre physique d'un moteur d'aéronef |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| RU2016142123A RU2016142123A (ru) | 2018-04-28 |
| RU2016142123A3 RU2016142123A3 (ru) | 2018-09-24 |
| RU2686252C2 true RU2686252C2 (ru) | 2019-04-24 |
Family
ID=50780782
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2016142123A RU2686252C2 (ru) | 2014-03-27 | 2015-03-26 | Способ оценки нормальности или ненормальности измеренного значения физического параметра двигателя летательного аппарата |
Country Status (8)
| Country | Link |
|---|---|
| US (1) | US10060831B2 (ru) |
| EP (1) | EP3123139B1 (ru) |
| CN (1) | CN106233115B (ru) |
| BR (1) | BR112016022187B1 (ru) |
| CA (1) | CA2943397C (ru) |
| FR (1) | FR3019295B1 (ru) |
| RU (1) | RU2686252C2 (ru) |
| WO (1) | WO2015145085A1 (ru) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102016202370A1 (de) * | 2016-02-17 | 2017-08-17 | MTU Aero Engines AG | Verfahren zum Ermitteln eines Einflusses eines Innen-Prüfstands auf eine im Innen-Prüfstand betriebene Gasturbine |
| CN106053087A (zh) * | 2016-05-12 | 2016-10-26 | 大工（青岛）新能源材料技术研究院有限公司 | 一种燃气内燃机测评方法 |
| CN106200621A (zh) * | 2016-08-17 | 2016-12-07 | 中国航空工业集团公司西安飞行自动控制研究所 | 一种飞控系统正常工作判据的获取方法 |
| SE541872C2 (en) * | 2016-09-22 | 2020-01-02 | Scania Cv Ab | Method and system for predicting the fuel consumption for a vehicle |
| US10642852B2 (en) | 2016-09-26 | 2020-05-05 | Splunk Inc. | Storing and querying metrics data |
| US10587635B2 (en) * | 2017-03-31 | 2020-03-10 | The Boeing Company | On-board networked anomaly detection (ONAD) modules |
| FR3074590B1 (fr) * | 2017-12-04 | 2023-03-17 | Soc Air France | Methode de prediction d'une anomalie de fonctionnement d'un ou plusieurs equipements d'un ensemble |
| FR3075359B1 (fr) * | 2017-12-18 | 2019-11-22 | Safran Aircraft Engines | Detection et accomodation de circuits ouverts intermittents sur un capteur moteur d'une turbomachine d'aeronef |
| CN108734371A (zh) * | 2018-02-12 | 2018-11-02 | 阿里巴巴集团控股有限公司 | 一种针对风控指令的处理方法、装置及设备 |
| CN108563739B (zh) * | 2018-04-11 | 2021-05-04 | 平安科技（深圳）有限公司 | 天气数据获取方法及装置、计算机装置及可读存储介质 |
| FR3095424B1 (fr) * | 2019-04-23 | 2024-10-04 | Safran | Système et procédé de surveillance d’un moteur d’aéronef |
| CN112580903A (zh) * | 2019-09-27 | 2021-03-30 | 华晨宝马汽车有限公司 | 用于评估发动机质量稳定性的方法和装置及存储介质 |
| US11615656B2 (en) * | 2019-12-20 | 2023-03-28 | Pratt & Whitney Canada Corp. | Method and system for diagnosing an engine or an aircraft |
| CN111967508A (zh) * | 2020-07-31 | 2020-11-20 | 复旦大学 | 基于显著图的时间序列异常点检测方法 |
| CN112179522A (zh) * | 2020-09-14 | 2021-01-05 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种飞行器表面温度传感器测试系统及测试方法 |
| CN112378670B (zh) * | 2020-11-10 | 2021-10-15 | 北京航空航天大学 | 一种基于改进粒子滤波的火箭发动机故障检测方法 |
| CN116391131A (zh) * | 2020-12-17 | 2023-07-04 | 浙江吉利控股集团有限公司 | 一种电池温度预测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7072797B2 (en) * | 2003-08-29 | 2006-07-04 | Honeywell International, Inc. | Trending system and method using monotonic regression |
| RU2282940C2 (ru) * | 2001-12-03 | 2006-08-27 | Юнайтид Текнолоджиз Копэрейшн | Комплексная система для контроля за состоянием изделия из удаленного пункта |
| US20090112519A1 (en) * | 2007-10-31 | 2009-04-30 | United Technologies Corporation | Foreign object/domestic object damage assessment |
| RU2011129339A (ru) * | 2008-12-15 | 2013-01-20 | Снекма | Нормализация данных, используемых для контроля авиационного двигателя |
| US20130179097A1 (en) * | 2011-12-05 | 2013-07-11 | Snecma | Method for monitoring a measuring chain of a turbojet engine |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3593886B2 (ja) * | 1998-06-17 | 2004-11-24 | 日産自動車株式会社 | 車両用能動型振動制御装置 |
| US7464533B2 (en) * | 2003-01-28 | 2008-12-16 | General Electric Company | Apparatus for operating gas turbine engines |
| US7062370B2 (en) * | 2004-03-30 | 2006-06-13 | Honeywell International Inc. | Model-based detection, diagnosis of turbine engine faults |
| DE102005054735B4 (de) * | 2005-11-17 | 2019-07-04 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Betreiben einer Brennkraftmaschine |
| US20090030752A1 (en) * | 2007-07-27 | 2009-01-29 | General Electric Company | Fleet anomaly detection method |
| US20090043447A1 (en) * | 2007-08-07 | 2009-02-12 | General Electric Company | Systems and Methods for Model-Based Sensor Fault Detection and Isolation |
| JP2010025024A (ja) * | 2008-07-22 | 2010-02-04 | Toyota Motor Corp | 温度センサの異常検出装置 |
| DE102009061036B4 (de) * | 2009-04-28 | 2016-03-31 | Airbus Operations Gmbh | Vorrichtung und Verfahren zur Residuengenerierung zur Erkennung von fehlerhaften Transienten, Drift oder Oszillationen im Systemverhalten eines Systems eines Flugzeugs, und Flugzeug |
| FR2965915B1 (fr) | 2010-10-11 | 2013-08-02 | Snecma | Systeme de surveillance d'un banc d'essai de moteur d'aeronef |
| US8219356B2 (en) * | 2010-12-23 | 2012-07-10 | General Electric Company | System and method for detecting anomalies in wind turbines |
-
2014
- 2014-03-27 FR FR1452650A patent/FR3019295B1/fr active Active
-
2015
- 2015-03-26 WO PCT/FR2015/050785 patent/WO2015145085A1/fr active Application Filing
- 2015-03-26 CA CA2943397A patent/CA2943397C/fr active Active
- 2015-03-26 RU RU2016142123A patent/RU2686252C2/ru active
- 2015-03-26 BR BR112016022187-7A patent/BR112016022187B1/pt active IP Right Grant
- 2015-03-26 CN CN201580016936.6A patent/CN106233115B/zh active Active
- 2015-03-26 EP EP15717037.4A patent/EP3123139B1/fr active Active
- 2015-03-26 US US15/129,279 patent/US10060831B2/en active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2282940C2 (ru) * | 2001-12-03 | 2006-08-27 | Юнайтид Текнолоджиз Копэрейшн | Комплексная система для контроля за состоянием изделия из удаленного пункта |
| US7072797B2 (en) * | 2003-08-29 | 2006-07-04 | Honeywell International, Inc. | Trending system and method using monotonic regression |
| US20090112519A1 (en) * | 2007-10-31 | 2009-04-30 | United Technologies Corporation | Foreign object/domestic object damage assessment |
| RU2011129339A (ru) * | 2008-12-15 | 2013-01-20 | Снекма | Нормализация данных, используемых для контроля авиационного двигателя |
| US20130179097A1 (en) * | 2011-12-05 | 2013-07-11 | Snecma | Method for monitoring a measuring chain of a turbojet engine |
Also Published As
| Publication number | Publication date |
|---|---|
| BR112016022187A2 (ru) | 2017-08-15 |
| EP3123139A1 (fr) | 2017-02-01 |
| CA2943397C (fr) | 2019-10-15 |
| CA2943397A1 (fr) | 2015-10-01 |
| RU2016142123A (ru) | 2018-04-28 |
| BR112016022187B1 (pt) | 2022-09-13 |
| RU2016142123A3 (ru) | 2018-09-24 |
| EP3123139B1 (fr) | 2018-05-23 |
| FR3019295A1 (fr) | 2015-10-02 |
| US20170176292A1 (en) | 2017-06-22 |
| CN106233115B (zh) | 2018-02-23 |
| US10060831B2 (en) | 2018-08-28 |
| CN106233115A (zh) | 2016-12-14 |
| FR3019295B1 (fr) | 2016-03-18 |
| WO2015145085A1 (fr) | 2015-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2686252C2 (ru) | Способ оценки нормальности или ненормальности измеренного значения физического параметра двигателя летательного аппарата | |
| CN106428617B (zh) | 用于运载工具管理和监测的集成系统和方法 | |
| EP2384971B1 (en) | Method of determining a maneuver performed by an aircraft | |
| CN109447263B (zh) | 一种基于生成对抗网络的航天异常事件检测方法 | |
| CN107545095A (zh) | 用于飞行器大修期间的结构修理的预测方法和系统 | |
| US8694283B2 (en) | System and method for modeling conditional dependence for anomaly detection in machine condition monitoring | |
| US20200143292A1 (en) | Signature enhancement for deviation measurement-based classification of a detected anomaly in an industrial asset | |
| US11137318B2 (en) | Model-based diagnosis in frequency domain | |
| JP6906985B2 (ja) | 振動診断システム、振動診断方法及びパラメータ設定方法 | |
| KR20170031985A (ko) | 공기조화시스템의 고장 검출 및 진단 방법 | |
| US11009431B2 (en) | Failure mode specifying system, failure mode specifying method, and program | |
| KR20170067292A (ko) | 기계 시스템의 잔여 수명 예측 장치 및 방법 | |
| RU2667794C2 (ru) | Способ оценки релевантной точки на кривой для обнаружения аномалии двигателя и система обработки данных для его осуществления | |
| US11460818B2 (en) | Evaluation apparatus, evaluation system, and evaluation method | |
| JP2023179851A (ja) | 装置状態評価システムおよび装置状態評価方法 | |
| US7366639B2 (en) | Methods for establishing alerts and/or alert limits for monitoring mechanical devices | |
| CN103218277A (zh) | 服务器环境的自动检测方法与装置 | |
| US8839664B2 (en) | Detection and classification of failures of power generating equipment during transient conditions | |
| KR102461180B1 (ko) | 소프트웨어 안전성 분석 방법 및 장치 | |
| US20230315559A1 (en) | Fault diagnosis apparatus, non-transitory computer-readable recording medium, and fault diagnosis method | |
| CN113030558B (zh) | 一种识别数据异常的方法、装置、设备及可读存储介质 | |
| RU2777950C1 (ru) | Обнаружение нештатных ситуаций для прогнозного технического обслуживания и определения конечных результатов и технологических процессов на основании качества данных | |
| Zhaobing et al. | Verification and validation of integrated vehicle health management system | |
| CN115014821A (zh) | 作业机械异常检测方法、装置及作业机械 | |
| CN118838815A (zh) | 代码质量检测方法、装置、电子设备及存储介质 |