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
- 基于深度学习的航空发动机磨损部位识别方法
- 作者： 苗慧慧 曹桂松 孙智君 康玉祥 马佳丽 陈果 来源： 润滑与密封 年份： 2023 文献类型 ： 期刊 关键词： 航空发动机 一维卷积残差网络 能谱分析 深度学习 磨损
- 描述： 针对航空发动机润滑系统中摩擦副部件复杂、磨损颗粒能谱监测元素众多，靠人工经验难于进行磨损部位精确识别的问题，提出一种基于深度学习的航空发动机润滑系统磨损部位识别方法。该方法应用一维卷积核为计算单元
- 基于时空特征的航空发动机剩余使用寿命预测
- 作者： 徐震震 薛林 马凯 杨玉迪 来源： 电子测量技术 年份： 2023 文献类型 ： 期刊 关键词： 航空发动机 深度学习 时间特征 剩余寿命预测 空间特征
- 描述： 提出了一种时空特征融合的网络模型，利用图卷积神经网络和长短时记忆网络分别提取空间特征和时间特征，运用并行结构将时间特征与空间特征融合。在CMAPSS数据集上进行验证，子数据集FD001的RMSE为12.81,Score为252.04,实验结果表明，该方法相对于其他预测方法，预测精度更高。
- 基于社交隐式模型的运输类飞机人员疏散轨迹预测
- 作者： 陈琨 李放 冯振宇 陈向明 段龙坤 来源： 交通运输工程学报 年份： 2024 文献类型 ： 期刊 关键词： 民用航空 深度学习 轨迹预测 应急撤离 社交隐式模型
- 描述： 基于社交隐式模型的运输类飞机人员疏散轨迹预测
- 基于深度学习的智慧航空物流综合服务智能问答方法
- 作者： 章丰田 来源： 自动化应用 年份： 2024 文献类型 ： 期刊 关键词： 综合服务 智能问答 深度学习 航空物流 智慧航空
- 描述： 基于深度学习的智慧航空物流综合服务智能问答方法
- 飞机装配过程错漏装检测技术研究进展
- 作者： 王振宇 张祥春 严佳 张晓庆 武湛君 来源： 无损检测 年份： 2024 文献类型 ： 期刊 关键词： 错漏装 机器视觉 深度学习 无损检测 模板匹配
- 描述： 飞机装配过程错漏装检测技术研究进展
- 技能领域深度学习评价核心指标构建与量表开发研究——以飞机维修虚拟仿真学习为例
- 作者： 穆肃 高春瑾 田巨 来源： 广州开放大学学报 年份： 2024 文献类型 ： 期刊 关键词： 飞机维修 深度学习 量表开发 虚拟仿真 评价指标
- 描述： 学生主动、有深度的学习有利于促进职业技能提升。教学质量评价是职业技能教学的重要一环，深度学习理论可为技术支持下的专业技能教学与评价提供理论支持和实践指导。本研究以飞机维修虚拟仿真教学为例，采用专家
- 航空发动机叶片表面损伤与检测研究进展
- 作者： 程亚茹 李湉 薛辉 黎红英 王丹 唐鋆磊 来源： 航空发动机 年份： 2024 文献类型 ： 期刊 关键词： 航空发动机 机器视觉 叶片损伤 深度学习 无损检测
- 描述： 航空发动机叶片的工作环境极其恶劣，表面会出现各种类型的损伤。在损伤早期进行表面检测能够有效预防因损伤扩展导致的叶片失效断裂。发动机叶片表面损伤的检测和评估主要由人工操作，严重依赖工作经验，但人工检测不仅效率低下，而且检测结果容易受到人为因素的影响。为了高效、高精度地检测发动机叶片表面损伤，从叶片失效形式出发，综述了发动机叶片在停放和运行2种状态下的损伤机理，并重点阐述了涡流检测、渗透检测等常用于叶片表面损伤检测的方法。总结了基于机器视觉的检测技术，分析机器视觉检测面临数据集稀缺和单一性的挑战，认为收集大量数据并进一步完善评估标准是未来发动机叶片表面损伤检测系统研究的重点方向。
- 基于深度学习的水上飞机非定常水载荷重构
- 作者： 樊云翔 艾化楠 王明振 曹楷 刘学军 吕宏强 来源： 航空学报 年份： 2024 文献类型 ： 期刊 关键词： 扩散模型 时序卷积网络 稀疏数据 深度学习 非定常流场重构
- 描述： 载荷数据非线性强且数据稀疏，传统的流场重构方法难以适用。采用时序卷积网络（TCN）对水上飞机入水的船底时序流场重构问题进行建模研究，通过深度学习优秀的非线性拟合能力学习流场规律，并在传统的TCN基础上
- 基于概率稀疏自注意力的航空发动机剩余寿命预测
- 作者： 王欣 黄佳琪 许雅玺 来源： 科学技术与工程 年份： 2024 文献类型 ： 期刊 关键词： 航空发动机 Transformer 深度学习 概率稀疏自注意力 剩余寿命预测
- 描述： 航空发动机剩余寿命预测对其健康管理具有重要意义，针对长序列、多维度的航空发动机监测参数，提出一种基于概率稀疏自注意力(ProbSparse Self-Attention)的Transformer模型以实现航空发动机剩余寿命的准确预测。用ProbSparse Self-Attention取代原始Transformer中的常规自注意力机制，使得模型更关注时间序列中重要的时间节点，大幅缩减时间维度，减小了时间和空间复杂度；通过注意力层整合后的信息，进一步通过前馈神经网络层和卷积层，提取传感器的空间特征，编码层之间通过扩张因果卷积相连接，扩大了感受野，提高了模型对长序列信息的捕获能力。在新公开的N-CMAPSS数据集上验证算法，实验结果表明，相比于实验中的对比模型，所提模型的RMSE和Score值均有提升，推理速度也优于其他模型。