首页>
根据【关键词:航空发动机,故障诊断,振动信号】搜索到相关结果 2922 条
-
基于改进LSTM的航空发动机气路参数预测方法
-
作者:
马帅
吴亚锋
郑华
缑林峰
来源:
测控技术
年份:
2024
文献类型 :
期刊
关键词:
航空发动机
性能参数预测
特征注意力机制
LSTM网络
故障诊断
-
描述:
以航空燃气涡轮发动机气路故障诊断为导向,提出了一种用于发动机气路参数预测的特征注意力增强型长短时记忆网络(Feature Attention Enhanced Long Short-Term
-
一种基于TCN-LGBM的航空发动机气路故障诊断方法
-
作者:
吕卫民
孙晨峰
任立坤
赵杰
李永强
来源:
兵工学报
年份:
2024
文献类型 :
期刊
关键词:
轻量级梯度提升机
注意力机制
航空发动机
故障诊断
时间卷积神经网络
-
描述:
长时间工作在高温高压、强振动等恶劣气路环境下的航空发动机经常面临部件疲劳、腐蚀和性能退化的问题,且其故障诊断时序逻辑性不强、故障参数耦合较深等特点十分明显,为此提出一种基于时间卷积神经网络
-
基于贝叶斯网络的航空发动机故障诊断研究
-
作者:
徐嫄乐
缪志松
姜哲
来源:
航空计算技术
年份:
2020
文献类型 :
期刊
关键词:
蒙特卡罗仿真
航空发动机
贝叶斯网络
故障诊断
气路系统
-
描述:
针对航空发动机气路系统故障诊断,采用贝叶斯统计方法,建立气路部件健康参数与测量参数残差构成的贝叶斯网络模型,采用离散化方法计算得到贝叶斯网络中各个节点的条件概率分布,结合测量残差的实测信息,实现
-
航空发动机故障智能检测技术研究
-
作者:
郝立华
来源:
电子设计工程
年份:
2021
文献类型 :
期刊
关键词:
相关向量机
航空发动机
遗传算法
故障诊断
光谱分析
-
描述:
针对当前航空发动机故障诊断技术中支持向量机(SVM)培训时间较长、相关向量机(RVM)误差较大的问题。文中根据航空发动机的工作原理,以某款发动机为例,通过检测发动机油耗颗粒信息,提出了一种基于
-
航空发动机故障智能检测技术研究
-
作者:
郝立华
来源:
电子设计工程
年份:
2021
文献类型 :
期刊
关键词:
相关向量机
航空发动机
遗传算法
故障诊断
光谱分析
-
描述:
针对当前航空发动机故障诊断技术中支持向量机(SVM)培训时间较长、相关向量机(RVM)误差较大的问题。文中根据航空发动机的工作原理,以某款发动机为例,通过检测发动机油耗颗粒信息,提出了一种基于
-
基于贝叶斯网络的航空发动机故障诊断研究
-
作者:
徐嫄乐
缪志松
姜哲
来源:
航空计算技术
年份:
2020
文献类型 :
期刊
关键词:
蒙特卡罗仿真
航空发动机
贝叶斯网络
故障诊断
气路系统
-
描述:
针对航空发动机气路系统故障诊断,采用贝叶斯统计方法,建立气路部件健康参数与测量参数残差构成的贝叶斯网络模型,采用离散化方法计算得到贝叶斯网络中各个节点的条件概率分布,结合测量残差的实测信息,实现
-
航空发动机故障智能检测技术研究
-
作者:
郝立华
来源:
电子设计工程
年份:
2021
文献类型 :
期刊
关键词:
相关向量机
航空发动机
遗传算法
故障诊断
光谱分析
-
描述:
针对当前航空发动机故障诊断技术中支持向量机(SVM)培训时间较长、相关向量机(RVM)误差较大的问题。文中根据航空发动机的工作原理,以某款发动机为例,通过检测发动机油耗颗粒信息,提出了一种基于
-
航空发动机故障智能检测技术研究
-
作者:
郝立华
来源:
电子设计工程
年份:
2021
文献类型 :
期刊
关键词:
相关向量机
航空发动机
遗传算法
故障诊断
光谱分析
-
描述:
针对当前航空发动机故障诊断技术中支持向量机(SVM)培训时间较长、相关向量机(RVM)误差较大的问题。文中根据航空发动机的工作原理,以某款发动机为例,通过检测发动机油耗颗粒信息,提出了一种基于
-
航空发动机传感器与执行机构信息重构算法
-
作者:
孙浩
郭迎清
赵万里
来源:
北京航空航天大学学报
年份:
2021
文献类型 :
期刊
关键词:
航空发动机
故障诊断
广义似然比(GLR)
故障幅值估计
信息重构
-
描述:
为实现航空发动机传感器与执行结构在故障情形下的故障幅值估计及信息重构,缓解故障对发动机性能的影响,在已有故障检测和故障隔离算法的基础上,提出一种基于修正的广义似然比(GLR)方法的信息重构算法。针对
-
基于深度学习的航空发动机齿轮故障诊断
-
作者:
万安平
杨洁
王景霖
陈挺
缪徐
黄佳湧
杜翔
来源:
振动.测试与诊断
年份:
2022
文献类型 :
期刊
关键词:
航空发动机
卷积神经网络
多传感器信息融合
故障诊断
深度学习
-
描述:
machine,简称SVM)对故障进行分类识别相比,该方法准确率提高了15.89%。本方法能够直接将波形振动信号作为输入,通过卷积、池化等一系列操作,输出最后的分类结果,简化了传统方法先进行信号处理再通过机器学习诊断的步骤,为航空发动机故障诊断提供一种可行方法。