全部
图书
期刊
学位论文
会议论文
报纸
图片
视频
新闻
按文献类别分组
按栏目分组
关键词
- 基于相似性与GA-RF的航空发动机剩余寿命预测
- 作者： 赵洪利 魏凯 来源： 机床与液压 年份： 2022 文献类型 ： 期刊 关键词： 健康指数 遗传算法 多模型相似性 随机森林 发动机寿命预测
- 描述： 仿真数据集(C-MPASS)验证所提方法的有效性。结果表明：该方法的RMSE为6.128、MAE为4.901,且融合健康指数和多模型相似匹配极大地提高了发动机剩余寿命预测精度。
- 基于健康指数相似的航空发动机剩余寿命预测
- 作者： 曹惠玲 梁佳旺 崔科璐 来源： 科学技术与工程 年份： 2020 文献类型 ： 期刊 关键词： 健康指数 时间序列 航空发动机 相似性寿命预测 聚类分析
- 描述： 基于健康指数相似的航空发动机剩余寿命预测
- 非完美维修下民航发动机剩余寿命预测
- 作者： 曹惠玲 崔科璐 郭静 来源： 机械科学与技术 年份： 2020 文献类型 ： 期刊 关键词： 民航发动机 Wiener过程 剩余寿命预测 非完美维修
- 描述： 针对现阶段剩余寿命(RUL)预测方法没有考虑在发动机性能衰退阶段维修因素影响的问题，提出了以考虑非完美维修下的性能衰退模型预测民航发动机RUL的方法。采用带漂移点的Wiener过程对民航发动机的性能退化进行建模。根据历史性能退化数据以及历史维修记录数据，通过极大似然估计算法对模型参数进行估计，实现对航空发动机的RUL预测。通过航空公司实际发动机机载快速存取记录器(QAR）数据进行模型验证，结果表明：该方法能够更好地跟踪发动机实际性能退化过程，预测精度较高，能为民航发动机维修计划的制定提供依据。
- 基于LSTM-DBN的航空发动机剩余寿命预测
- 作者： 李京峰 陈云翔 项华春 蔡忠义 来源： 系统工程与电子技术 年份： 2020 文献类型 ： 期刊 关键词： 长短时记忆网络 健康指标 深度置信网络 剩余寿命预测
- 描述： 针对航空发动机剩余寿命预测中多传感器监测数据维度高、规模大以及时间序列信息考虑不充分等问题,提出一种融合长短时记忆网络和深度置信网络的剩余寿命预测方法。首先,利用长短时记忆网络分别对单一传感器进行
- 基于改进LSTM的航空发动机寿命预测方法研究
- 作者： 郭晓静 殷宇萱 贠玉晶 来源： 机床与液压 年份： 2022 文献类型 ： 期刊 关键词： 长短期记忆网络 航空发动机 自动编码器 剩余寿命预测
- 描述： ，优化LSTM模型，改善航空发动机RUL预测效果。利用SDAE进行特征提取，构建健康因子(HI)曲线；同时考虑运行工况、故障模式和传感器3个因素，并分别训练其权重。利用LSTM模型进行发动机剩余寿命预测
- 基于滤波模型的航空制导弹药剩余寿命分布
- 作者： 马长刚 李青 陈明 陈丽 来源： 海军航空工程学院学报 年份： 2018 文献类型 ： 期刊 关键词： 滤波模型 参数估计 剩余寿命预测 动态主成分分析
- 描述： 如何更好地利用技术检测数据来预测航空制导弹药剩余寿命,这是弹药质量控制研究中的一个重要方向。利用动态主成分分析法提取了航空制导弹药状态检测参数主成分,解决了弹药检测参数冗余、相互关联的问题,为剩余寿命分布研究奠定了基础。基于滤波模型和威布尔分布以及正态分布,建立了航空制导弹药剩余寿命分布模型。通过实例,就能很好地将弹药剩余寿命分布与弹药故障联系起来,并动态掌握其剩余寿命分布情况。
- 基于Transformer模型的航空发动机剩余寿命预测方法研究
- 作者： 吴直遥 来源： 数字通信世界 年份： 2023 文献类型 ： 期刊 关键词： 航空发动机 门控循环单元 剩余寿命预测
- 描述： 文章针对现有预测模型对航空发动机退化信息提取不充分的不足，构建了一种基于Transformer模型的预测模型，该模型在Transformer编码器模型基础上加入了门控循环单元，以增加模型对序列数据中局部退化信息的提取能力。基于C-MAPSS数据集，对文中所建立模型的预测性能进行评估。实验结果表明，该模型在发动机运行状态单一的数据集上优于现有的模型，验证了模型的先进性。
- 基于ALSTM-MHA的航空发动机寿命预测
- 作者： 修瑞 丁建完 刘笑炎 高创 来源： 机床与液压 年份： 2024 文献类型 ： 期刊 关键词： 航空发动机 注意力长短时记忆网络 多头自注意力机制 剩余寿命预测
- 描述： 基于ALSTM-MHA的航空发动机寿命预测
- 面向可迁移跨域自适应学习的航空发动机剩余寿命预测方法
- 作者： 李文骁 李勇成 李鹏 马浩统 雷印杰 来源： 现代计算机 年份： 2024 文献类型 ： 期刊 关键词： 可迁移对抗 跨域学习 域自适应 剩余寿命预测
- 描述： 航空发动机剩余寿命（RUL）预测任务中数据集标签较少且工况多变，导致传感器时间序列之间存在明显分布差异，限制了RUL预测方法的泛化能力。跨域学习的提出为该任务提供了一种可行的解决方案。传统跨域学习通过域自适应方法最小化源域和目标域特征之间的分布差异，得到跨域对齐特征，实现跨域知识迁移。但随着航空发动机的退化，前后时间步的语义信息也发生变化，导致原先对齐特征的局部语义不匹配，影响模型性能。针对该问题，提出方法基于可迁移对抗方法对跨域RUL预测方法展开研究，通过优化局部域鉴别器输出的概率熵，使得对齐特征在局部上难以区分。利用模型在RUL预测过程中的目标互信息进行语义约束，得到同时具有局部可迁移性和目标语义重要性的域不变特征，提升模型的泛化能力。在CMAPSS航空发动机数据集上进行的实验表明，该方法在RMSE和SCORE两个指标上均超过现有的其他跨域自适应方法，证实了其有效性。