面向持续适航的航空器运行风险研究

作者： 倪晓梅   来源： 南京航空航天大学 年份： 2018 文献类型 ： 学位论文 关键词： 不安全事件   运行风险   深度学习   风险管理   持续适航  

描述： 面向持续适航的航空器运行风险研究

基于改进GRU的航空发动机剩余寿命预测

作者： 车畅畅   王华伟   倪晓梅   付强   来源： 航空计算技术 年份： 2021 文献类型 ： 期刊 关键词： 航空发动机   时间序列预测   性能退化分析   GRU神经网络   剩余寿命预测  

描述： 针对航空发动机状态参数多样且非线性相关、退化过程复杂的特点,提出了基于改进GRU(Gated Recurrent Units)神经网络的航空发动机剩余寿命预测模型。模型具有多层的GRU神经网络,将多状态参数输入到第一层GRU进行性能退化分析得到性能指标;利用剩下的GRU层对性能指标进行时间序列预测;在得到性能指标预测的基础上,通过设定阈值得到最终的剩余寿命预测结果。通过实验验证证明:与传统的时间序列预测模型相比,改进GRU模型解决了传统GRU模型在处理多状态参数时的重复建模问题,并且有更高的剩余寿命预测准确率和更强的抗干扰能力。

基于改进GRU的航空发动机剩余寿命预测

作者： 车畅畅   王华伟   倪晓梅   付强   来源： 航空计算技术 年份： 2020 文献类型 ： 期刊 关键词： 学习型工厂   思考与实践   高技能人才培养模式   技师学院   发动机部件   综合职业能力   发动机装配   高技能人才培训  

描述： 针对航空发动机状态参数多样且非线性相关、退化过程复杂的特点,提出了基于改进GRU(Gated Recurrent Units)神经网络的航空发动机剩余寿命预测模型。模型具有多层的GRU神经网络,将多状态参数输入到第一层GRU进行性能退化分析得到性能指标;利用剩下的GRU层对性能指标进行时间序列预测;在得到性能指标预测的基础上,通过设定阈值得到最终的剩余寿命预测结果。通过实验验证证明:与传统的时间序列预测模型相比,改进GRU模型解决了传统GRU模型在处理多状态参数时的重复建模问题,并且有更高的剩余寿命预测准确率和更强的抗干扰能力。

基于深度学习的航空发动机故障融合诊断

作者： 车畅畅   王华伟   倪晓梅   洪骥宇   来源： 北京航空航天大学学报 年份： 2018 文献类型 ： 期刊 关键词： 航空发动机   故障诊断   深度学习   抗干扰能力   决策融合  

描述： 通过对航空发动机故障诊断,能够正确判断各部件工作状态,快速确定维修方案,保证飞行安全。在结合深度信念网络和决策融合理论的基础上,提出了基于深度学习的航空发动机故障融合诊断模型。该模型通过分析发动机的大量性能参数,首先利用深度学习算法提取出性能参数中的隐藏特征,得出故障分类置信度;然后对多次故障分类结果进行决策融合,从而得出更准确的诊断结果。将普惠JT9D-74R发动机故障系数用于数据仿真,通过实例验证本文提出算法的有效性;算例计算结果表明:多次实验结果经数据融合提高了可信度,该模型具有较高的故障分类诊断准确性和抗干扰能力。

考虑不平衡数据的民航不安全事件分析

作者： 倪晓梅   王华伟   洪骥宇   严晓婧   来源： 航空计算技术 年份： 2018 文献类型 ： 期刊 关键词： 不安全事件   主成分分析   SMOTE   民航安全  

描述： 民航事故的产生具有随机性,导致民航不安全事件的数据也具有较大的波动性,如何从波动的安全数据中提取出反映民航安全变化的本质安全特征,直接决定安全分析的准确度。引入不平衡数据的概念,利用SMOTE和随机向下抽样的方法平衡民航数据,通过主成分分析方法提取引起航空器空中运行、起飞着陆、地面运行等六个方面不安全事件的主要因素。针对不安全事件的特点提出改进措施,从而达到提高民航安全水平的目的。

基于GSP仿真和SDAE的航空发动机故障诊断

作者： 车畅畅   王华伟   倪晓梅   蔺瑞管   来源： 航空发动机 年份： 2022 文献类型 ： 期刊 关键词： 燃气涡轮发动机性能仿真软件   航空发动机   故障诊断   堆栈降噪自编码器  

描述： 为了深入研究航空发动机故障机理，提出基于航空燃气涡轮发动机性能仿真软件（GSP）和堆栈降噪自编码器（SDAE）的航空发动机故障诊断方法。通过GSP性能仿真方法模拟发动机在不同设计参数下的部件故障，并得到对应的运行状态参数；从每种故障类型下的长时间序列的状态参数中提取出向量化的曲线特征，构成故障样本；将故障样本带入SDAE模型中进行深度特征提取，经过前向传播和反向微调得到训练好的模型用于发动机故障诊断。结果表明：GSP能够通过参数更改来模拟微弱故障下的状态参数，从而构建多故障样本集；SDAE的重构误差和反向传播误差能够快速收敛到较小值，SDAE的故障诊断正确率为99.5%；与深度信念网络（DBN）、人工神经网络（ANN）以及经典机器学习方法支持向量机（SVM）相比，SDAE的故障分类正确率分别提高了0.8%、6.9%和10.1%。

基于LSTM分类器的航空发动机预测性维护模型

作者： 蔺瑞管   王华伟   车畅畅   倪晓梅   熊明兰   来源： 系统工程与电子技术 年份： 2022 文献类型 ： 期刊 关键词： 二分类   长短期记忆网络   时间窗   故障预测与健康管理   预测性维护  

描述： 利用传感器数据进行预测性维护是航空发动机故障预测与健康管理(prognostic and health management, PHM)的关键问题。针对发动机剩余寿命预测准确性低的问题，提出基于长短期记忆网络(long short-term memory network, LSTM)分类器的预测性维护模型。LSTM分类器通过门控单元对长时间序列信息进行充分筛选，并将有效信息用于时间序列预测。首先，采用滑动时间窗口制备训练样本。其次，将预处理后的样本输入LSTM,预测设备在特定时间窗口内的失效概率。然后，通过调整窗口大小，得到最优性能的二分类模型，以更好地适应预测维护需求。最后，利用美国航空航天局C-MAPSS数据集验证了该模型的有效性，相比于已有分类方法，其在剩余使用寿命分类方面更加准确。

基于LSTM分类器的航空发动机预测性维护模型

作者： 蔺瑞管   王华伟   车畅畅   倪晓梅   熊明兰   来源： 系统工程与电子技术 年份： 2022 文献类型 ： 期刊 关键词： 二分类   长短期记忆网络   时间窗   故障预测与健康管理   预测性维护  

描述： 利用传感器数据进行预测性维护是航空发动机故障预测与健康管理(prognostic and health management, PHM)的关键问题。针对发动机剩余寿命预测准确性低的问题，提出基于长短期记忆网络(long short-term memory network, LSTM)分类器的预测性维护模型。LSTM分类器通过门控单元对长时间序列信息进行充分筛选，并将有效信息用于时间序列预测。首先，采用滑动时间窗口制备训练样本。其次，将预处理后的样本输入LSTM,预测设备在特定时间窗口内的失效概率。然后，通过调整窗口大小，得到最优性能的二分类模型，以更好地适应预测维护需求。最后，利用美国航空航天局C-MAPSS数据集验证了该模型的有效性，相比于已有分类方法，其在剩余使用寿命分类方面更加准确。