首页>
根据【作者:车畅畅 】搜索到相关结果 8 条
基于深度学习的民机系统维修决策研究
作者:
车畅畅
来源:
南京航空航天大学
年份:
2018
文献类型 :
学位论文
关键词:
维修决策
深度信念网络
维修等级决策
深度学习
结构方程模型
维修感知
民机系统
故障预测
描述:
基于深度学习的民机系统维修决策研究
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。
基于深度信念网络的航空发动机维修等级决策
作者:
车畅畅
王华伟
刘伟
来源:
航空动力学报
年份:
2018
文献类型 :
期刊
关键词:
运行安全
特征提取
维修等级决策
深度信念网络
状态监控
描述:
准确的航空发动机维修等级决策,能够避免过维修和欠维修,在保证航空发动机运行安全的前提下节约维修成本。结合航空发动机状态监控信息和维修等级特点,采用深度信念网络(DBN)算法,挖掘状态监测及维修等级决策之间的深层次对应关系,实现对维修等级的分类和预测。该模型通过DBN预训练和反向传播(BP)神经网络反向微调提取出样本特征,从而提高维修等级预测准确率。以某航空公司CF6航空型发动机的状态参数和维修等级数据作为实例进行验证,结果显示:该模型能够通过构建多层网络结构挖掘出样本的更深层次信息,在分类能力、决策准确性方面优于传统神经网络,有较强的特征提取能力,对维修等级分类有较高的正确率,能得出更准确的维修等级决策结果,避免因维修等级误判而带来不必要的损失。
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。