基于卷积神经网络的航空零件去噪技术

作者： 赵安安   郑炜   郭俊刚   来源： 机械设计与制造工程 年份： 2023 文献类型 ： 期刊 关键词： 卷积神经网络   法线估计   计算机辅助设计   点云去噪  

描述： 为去除在用三维激光扫描技术扫描航空零部件时，因扫描环境、设备等因素带来的大量零件点云噪声，提出基于卷积神经网络的航空零件去噪技术。首先应用经典卷积神经网络预测点云法线信息，然后以此进一步对点云进行位置更新，从而实现点云去噪。经实验证明，与目前的去噪方法相比，所提方法在去噪方面更具优越性。

深度卷积网络在航空高光谱岩性识别中的应用——以塔木素铀矿床北部地区为例

作者： 张川     易敏     童勤龙     叶发旺     徐清俊     李泊凇   来源： 世界核地质科学 年份： 2024 文献类型 ： 期刊 关键词： 卷积神经网络   深度学习   航空高光谱遥感   岩性识别  

描述： 岩矿信息识别是高光谱遥感在地质勘探领域的主要应用方向。传统高光谱遥感方法尽管在矿物识别中取得了良好效果，但对于岩性识别存在瓶颈。深度学习是当前人工智能领域的研究热点，卷积神经网络是适用于图像识别

基于目标图像块激活的航空图像目标检测技术研究

作者： 张佳     冯婕     张骏鹏     朱潇雨   来源： 航空科学技术 年份： 2025 文献类型 ： 期刊 关键词： 航空图像   注意力机制   高效目标检测   卷积神经网络  

描述： 基于目标图像块激活的航空图像目标检测技术研究

基于Ghost-YOLOv5的光学图像飞机目标检测方法

作者： 赵玲娜   来源： 现代商贸工业 年份： 2025 文献类型 ： 期刊 关键词： 卷积神经网络   YOLOv5   光学飞机目标检测   Ghostnet  

描述： 基于Ghost-YOLOv5的光学图像飞机目标检测方法

航空轴承可靠性试验样本数及试验时间设计

作者： 安浩俊   王健   许冬冬   刘公平   马德锋   来源： 轴承 年份： 2022 文献类型 ： 期刊 关键词： 定时截尾试验   滚动轴承   小样本   航空轴承   角接触球轴承   可靠性试验  

描述： 为节约试验成本，航空轴承可靠性试验通常采用小样本定时截尾试验的方式，样本数和试验时间是影响试验结果可靠性的关键因素。根据韦布尔分布基本原理，对样本数、试验时间与可靠度指标、给定寿命、置信度、错判概率等因素的相关性进行了推演，提出了一种考虑置信度和错判概率的航空轴承无失效数据定时截尾试验设计方法，并结合实例进行了验证。

非线性共振及其计算和应用

作者： 侯磊   陈予恕   来源： 机械工程学报 年份： 2019 文献类型 ： 期刊 关键词： 滚动轴承   组合共振   航空发动机转子   VC共振   故障共振   非线性共振  

描述： 通过总结非线性动力学系统现有部分成果，给出了非线性共振的含义及其计算方法。结合课题组在航空发动机转子系统非线性动力学研究领域的部分研究成果，以滚动轴承转子系统的VC共振、Duffing系统的亚谐共振

外圈旋转航空轴承试验机机械结构设计

作者： 闫众   闫国斌   孔令骏   来源： 轴承 年份： 2017 文献类型 ： 期刊 关键词： 外圈旋转   滚动轴承   航空轴承   试验机   静刚度   ANSYS  

描述： 针对航空轴承外圈旋转、内圈静止的工况,通过使用ANSYS分析软件、轴承静刚度计算公式及Flo Xpress流体分析软件等工具,设计了一种特殊的航空轴承试验机机械结构,以验证航空轴承的性能、寿命及极限能力等特性。

作者： 佟鑫宇     沙云东     栾孝驰     赵俊豪     张振鹏   来源： 装备环境工程 年份： 2024 文献类型 ： 期刊 关键词： 滚道损伤   滚动轴承   损伤程度   损伤因子   声发射   特征参数  

描述：

航空发动机磨损故障多目标融合诊断

作者： 马佳丽     陈果     康玉祥     王雨薇     苗慧慧     曹桂松   来源： 航空动力学报 年份： 2024 文献类型 ： 期刊 关键词： 滚动轴承   一维卷积残差网络   融合诊断   D   S证据理论   磨损故障  

描述： 针对多种油液分析数据的特点，建立了航空发动机磨损故障融合诊断方法，实现基于油液分析数据的航空发动机磨损状态综合评估。该故障融合诊断方法包括磨损故障定性分析、定位分析和定因分析。定性分析以光谱、铁谱

基于深度学习的离场航空器滑行时间预测（英文）

作者： 李楠   焦庆宇   朱新华   王少聪   来源： Transactions of Nanjing University of Aeronautics and Astronautics 年份： 2021 文献类型 ： 期刊 关键词： 卷积神经网络   场面运行   滑行时间   深度学习   航空运输  

描述： 随着航班数量的不断增加,机场协同决策系统(Airport collaborative decision-making,A-CDM)的使用也越来越广泛。滑行时间预测的准确性对A-CDM计算离场航空器起飞排序队列和给出准确的撤轮挡时间具有重要的作用。本文提出一种基于时间-空间-环境数据的深度学习模型(Spatio-temporal-environment deep learning model,STEDL)来提高滑行时间预测的准确性。该模型由时间-流量变量(机场实际容量,场面航空器数量,时间段)、空间变量(滑行距离)、外部环境变量(天气,流控信息,跑道运行模式,机型)3部分组成。使用STEDL模型对香港机场离场航空器滑行时间进行预测验证。实验结果显示,STEDL模型预测准确率为95.4%,预测精度明显优于其他机器学习算法。