基于深度学习的航空传感器故障诊断方法

作者： 郑晓飞   郭创   姚斌   冯华鑫   来源： 计算机工程 年份： 2018 文献类型 ： 期刊 关键词： 信号重构   故障诊断   深度学习   航空传感器   深度置信网络   故障隔离  

描述： 为解决传统神经网络进行传感器故障诊断时存在的过拟合、泛化能力有限等问题,提出一种基于深度置信网络观测器的航空传感器故障诊断方法。利用深度置信网络替代浅层神经网络,在优化网络结构的基础上,给出深度置信网络隐层节点数选取的递推公式,构建深度置信网络状态观测器。离线训练时,利用飞行数据训练深度置信网络观测器。在线诊断时,通过比较观测器输出值与实际输出值判断故障类型,并给出3种故障隔离与信号重构方法。仿真结果表明,与BP神经网络观测器相比,该方法能够快速准确地进行故障诊断与隔离,并且完成信号重构。

一种基于改进堆栈自动编码器的航空发电机旋转整流器故障特征提取方法

作者： 崔江   唐军祥   龚春英   张卓然   来源： 中国电机工程学报 年份： 2018 文献类型 ： 期刊 关键词： 特征提取   航空发电机   旋转整流器   深度学习   灰色关联度分析   自编码机  

描述： 提出一种基于灰色关联度分析优化堆栈自动编码器的故障特征自适应提取方法,并用于航空发电机的旋转整流器二极管故障诊断中。首先,采集发电机交流励磁机励磁电流信号;其次,借助灰色关联度和深度学习理论对堆栈编码器网络进行训练学习,以确立其较优的网络结构,通过该网络可以自适应地从励磁电流信号中提取故障特征;训练完毕,借助于支持向量机(support vector machine,SVM)分类器实施故障诊断。对所提方法与快速傅里叶变换方法进行了仿真和物理实验,并对分类性能进行比较。结果表明,所提方法自动化程度高,自适应性能好,所提取的特征用SVM评估可以取得很好的分类效果。

基于残差网络的航空发动机滚动轴承故障多任务诊断方法

作者： 康玉祥   陈果   尉询楷   潘文平   王浩   来源： 振动与冲击 年份： 2022 文献类型 ： 期刊 关键词： 滚动轴承   故障诊断   深度学习   多任务   残差网络   损伤大小  

描述： 针对当前基于深度学习的航空发动机滚动轴承故障诊断技术诊断任务单一的问题，提出一种基于多任务残差网络的滚动轴承故障诊断方法，该方法采用残差网络为深层特征提取与共享主框架，建立能够同时进行故障诊断的多任务模型。首先，在数据预处理中，将滚动轴承的振动加速度时域信号转换为频谱图，并直接作为网络的输入；然后，应用标签平滑技术对故障类别标签做了平滑处理以提高网络的测试精度；最后，利用两组实际的滚动轴承故障数据集对所建立的多任务模型进行试验验证，将诊断任务划分为：故障状态识别(正常和异常)、故障部位识别(内圈、外圈和滚动体故障)、以及故障程度识别(损伤尺寸大小预测)。结果表明，所搭建的多任务模型在故障状态识别和部位诊断中的准确率达到97%以上。同时，在故障识别中，损伤大小预测达到了满意的精度，充分表明该方法具有很强的故障多任务诊断能力。

民用航空发动机故障诊断与健康管理现状、挑战与机遇Ⅱ：地面综合诊断、寿命管理和智能维护维修决策

作者： 曹明   王鹏   左洪福   曾海军   孙见忠   杨卫东   魏芳   陈雪峰   来源： 航空学报 年份： 2023 文献类型 ： 期刊 关键词： 故障融合决策   数字孪生   航空发动机健康管理系统   深度学习   智能视情维护维修   知识图谱   寿命管理  

描述： 基于民用航空发动机健康管理（EHM）的需求及发展目标，从CBM+全流程的角度分析民用航空发动机健康管理系统应用现状及行业发展趋势，进而总结民用航空发动机健康管理的应用现状及差距、挑战，并指出未来国内需要重点关注的民用发动机EHM研发方向。针对各个EHM功能模块的需求、差距、解决方案进行了深入论证分析，重点讨论了民用发动机EHM“下游”3个模块：地面综合诊断、寿命管理和智能视情维护维修决策的需求、必要性、现状及未来发展趋势和热点技术。

不确定环境下的航空发动机装配线适应性调度方法

作者： 王怡琳   刘鹃   乔非   张家谔   来源： 控制与决策 年份： 2023 文献类型 ： 期刊 关键词： 调度规则   航空发动机装配   适应性调度   深度学习   扰动识别   门控循环神经网络  

描述： 航空发动机装配是航空发动机制造过程的关键环节，其工序多，流程复杂，生产过程中扰动频发，如装配时间波动、不合格返工等。针对不确定环境下的航空发动机装配线的调度问题，本文提出一种基于门控循环神经网络（Gate Recurrent Unit, GRU）的适应性调度方法。该调度方法包含扰动识别和调度规则调整两个部分。扰动识别模块以滑动时间窗口为周期，利用GRU神经网络进行渐进型扰动的识别；调度规则调整模块以扰动识别的结果为触发，通过构建基于GRU神经网络的调度规则决策模型，输出适配当前生产状态的新的调度规则，用以指导生成更新的调度方案。最后，以某航空发动机装配线为研究案例，对本文提出的适应性调度方法进行验证分析，对比实验结果表明，本方法能够有效提升装配线的设备利用率、日均生产率等性能.

基于深度学习的航空发动机涡轮叶片自动射线检测技术研究

作者： 王栋欢   肖洪   吴丁毅   来源： 推进技术 年份： 2023 文献类型 ： 期刊 关键词： 航空发动机   涡轮叶片   射线图像   深度学习   射线检测   缺陷检测  

描述： 一直以来，航空发动机涡轮叶片的射线检测依靠检验员人工评片。为避免经验差异、眼睛疲劳、标准理解等人为因素影响，有效改善传统射线检测费时费力、效率低下等问题，针对航空发动机涡轮叶片射线图像，基于YOLOv4模型提出了一种双主干特征融合的缺陷自动检测算法（DBFF-YOLOv4）；通过设计包含所有特征映射的新型连接结构搭建缺陷检测颈部网络，建立了适用于涡轮叶片射线图像的缺陷自动检测模型；针对每个缺陷，采用9次裁剪、旋转和亮度增减的图像数据增强方法扩充样本数据，在此基础上进行了模型训练与测试。结果表明，针对完整涡轮叶片，建立的缺陷检测模型在0.5的置信度阈值下可获得96.7%的平均查准率和91.87%的平均查全率，优于通用目标检测算法YOLOv4模型。9次缺陷裁剪、旋转和亮度增减的图像数据增强方法能够显著提高模型的缺陷检测精度（平均精度分别得到了59.19%和2.53%的提升）。该研究为涡轮叶片自动射线检测提供了一种新方法。

基于卷积LSTM模型的航空器轨迹预测

作者： 刘龙庚   翟俐民   韩云祥   来源： 计算机工程与设计 年份： 2022 文献类型 ： 期刊 关键词： 长短期记忆网络   时间序列   空管大数据   航迹聚类   深度学习   智能交通   航迹预测  

描述： 采集空管大数据,根据空管大数据的特点,对数据进行数据融合,利用改进的聚类算法处理航迹数据,对得到的各类航迹数据分别构建模型,提高模型的预测精度。分别构建Stack LSTM和基于卷积LSTM的航空器轨迹预测模型,以真实雷达数据为例进行仿真实验,对仿真结果进行对比,其结果表明,基于卷积LSTM的航空器轨迹预测模型可以将预测的均方根误差控制在400s内,验证了预测模型可以实现航空器轨迹的精确预测。

一种基于级联神经网络的飞机检测方法

作者： 王晓林   苏松志   刘晓颖   蔡国榕   李绍滋   来源： 智能系统学报 年份： 2021 文献类型 ： 期刊 关键词： 嵌入式设备   遥感图像   级联   卷积神经网络   两阶段   深度学习   飞机检测   由粗到细  

描述： 由于旋转角度多样性、极端的尺度差异的影响,遥感图像中的飞机检测目前仍存在挑战。为了解决旋转和尺度的问题,目前的策略是将现有的自然场景下的目标检测算法(如Faster R-CNN、SSD等)直接迁移到遥感图像中。这些算法的主干网络复杂,模型占用空间大,难以应用到低功耗和嵌入式设备中。为了在准确率不降低的情况下提高检测速度,本文提出了一个仅包含9层的卷积神经网络来解决飞机检测问题。该网络采用了由粗到细的策略,通过级联两个网络的方式减少计算开销。为了评估方法的有效性,我们建立了一个针对飞机检测的遥感数据集。实验结果表明,该方法超越了VGG16等复杂的主干网络,达到了接近主流检测方法的性能表现,同时显著降低了参数量并使检测速度提高了2倍以上。

基于深度学习的航司航空发动机智能损伤检测一体化解决方案

作者： 王锦申   黄旭   万夕里   来源： 航空维修与工程 年份： 2022 文献类型 ： 期刊 关键词： 损伤检测   编码器   发动机   目标检测   深度学习   一体化解决方案   神经网络   在线计数   孔探检测  

描述： 航空发动机作为飞机的关键部件，其损伤诊断和维护是保障飞机飞行安全的核心任务。目前，通过人工的定期孔探检测开展检查和维护工作，既费时又容易出错。为此，本文给出了融合上下文编码的神经网络深度学习框架、深度融合网络、目标检测和追踪算法等三种深度学习方法，以实现对大型航司发动机的损伤进行识别、检测、追踪、在线计数和孔探报告自动生成。实现结果表明这些方法对减轻劳动强度、提高生产效率和提高检测精度具有实际的应用价值，对保证发动机适航具有重要意义。

基于统一网络架构的多模态航空影像质量评价研究

作者： 闫婧   武林伟   刘伟杰   韩如雪   来源： 现代电子技术 年份： 2023 文献类型 ： 期刊 关键词： 无参考模型   特征提取   卷积神经网络   特征融合   多模态数据   深度学习   网络结构   影像质量评价  

描述： 高质量无人机航空影像是目标检测、分析、识别的重要前提条件，但各类传感器成像机理不同，质量影响因素多样，往往需要根据不同模态数据的特性设计不同的网络模型，从而大大增加了质量评价算法在无人机上的应用难度。针对这一问题，提出一种基于统一网络框架的无参考多模态影像质量评价模型，通过自适应地学习图像块内部的局部特征与图像块之间的相互关系，完成空间维度上的全局信息融合和时间维度上的时序信息融合，实现对多种模态影像数据的质量评估，进而快速有效地监测筛选采集数据的质量，提高有效数据采集效率。实验结果表明，该方法在多种模态的影像数据质量评价上具备泛用性和有效性。