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
- 稀疏驱动的航空发动机主轴承智能监测研究（英文）
- 作者： 丁宝庆 武靖耀 孙闯 王诗彬 陈雪峰 李应红 来源： Transactions of Nanjing University of Aeronautics and Astronautics 年份： 2021 文献类型 ： 期刊 关键词： 特征提取 稀疏模型 变分自编码 智能监测 深度学习 航空发动机主轴承
- 描述： 微弱特征提取是航空发动机健康监测与智能诊断的关键技术之一。本文针对航空发动机主轴承微弱故障智能监测难题,基于信号先验提出增强稀疏驱动的智能监测方法。通过分析经典凸稀疏诊断模型难以兼顾信号降噪与特征重构性能的缺陷,构建基于莫罗包络理论的非凸正则凸优化增强稀疏模型,以实现微弱特征提取;进而提出稀疏驱动的深度卷积变分自编码网络智能监测方法,通过对健康状态稀疏降噪样本的训练实现对故障异常状态的智能识别。通过航空发动机主轴承疲劳寿命试验的工程案例对提出方法进行性能验证,结果表明:增强稀疏驱动的智能监测方法具有良好的异常状态智能识别能力,能够有效支撑航空发动主轴承微弱故障的智能监测与诊断。
- 面向航空影像下车辆目标的实时检测算法
- 作者： 杨国亮 许楠 洪志阳 范振 来源： 计算机工程与设计 年份： 2019 文献类型 ： 期刊 关键词： 卷积 实时 深度学习 神经网络 车辆检测 航空影像
- 描述： 为解决自然场景下的通用目标检测框架对航空影像下的小车辆目标检测性能不足的缺陷,提出一种专用于航空影像下的小车辆目标实时检测器,即轻量级尺度公平单卷积检测器(lightweight scale fair single convolution detector,LSFSCD)。相比传统检测方法和基于CNN的通用检测等方法,其架构更加简单,模型更小。该架构减少了误检和错检,实现更高检测精度的同时减少训练时间。通过使用Caffe框架在8g显存GTX1080上对VEDAI和DLR数据集进行实验,其结果验证了所提算法的有效性。
- 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。
- 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。