全部
图书
期刊
学位论文
会议论文
报纸
图片
视频
新闻
关键词
- 某航空发动机防喘控制系统故障预测与健康管理技术应用研究
- 作者： 李晓明 来源： 吉林大学 年份： 2018 文献类型 ： 学位论文 关键词： 航空发动机 防喘控制系统 隐马尔可夫模型 比例故障率模型 威布尔分布模型 故障预测与健康管理
- 描述： 某航空发动机防喘控制系统故障预测与健康管理技术应用研究
- 某航空发动机防喘控制系统故障预测与健康管理技术应用研究
- 作者： 李晓明 来源： 吉林大学 年份： 2018 文献类型 ： 学位论文 关键词： 航空发动机 防喘控制系统 隐马尔可夫模型 比例故障率模型 威布尔分布模型 故障预测与健康管理
- 描述： 某航空发动机防喘控制系统故障预测与健康管理技术应用研究
- 基于数据驱动的航空装备生产系统PHM方法与应用系统设计
- 作者： 张浩驰 张星一 崔赟 刘谨尧 来源： 航空科学技术 年份： 2023 文献类型 ： 期刊 关键词： CRISP 数据驱动 DM模型 航空装备生产系统 故障预测与健康管理 PHM应用系统
- 描述： 随着航空装备生产系统复杂度、集成度的不断提高，传统航空装备制造企业的综合保障能力和水平已无法满足现役航空装备生产需求。为了有效优化航空装备制造企业生产效能，实现生产系统状态监测、故障诊断、寿命预测及智能运维，基于数据驱动的故障预测和健康管理（PHM）技术得到广泛关注和应用。目前，PHM相关研究工作主要聚焦于数据体系的管理维护，较少涉及应用系统架构设计。本文结合大数据分析的CRISP-DM模型，从业务理解到模型评估部署提出一种基于数据驱动的航空装备生产系统PHM分析流程，基于“云+端”的技术架构刻画了PHM应用系统的总体设计和功能设计思路，能够高效实现PHM分析过程中的数据资源化和模型化，有力支撑航空装备生产系统的智能决策，为推进PHM技术创新应用和航空装备制造业转型升级提供参考。
- 基于数据驱动的航空装备生产系统PHM方法与应用系统设计
- 作者： 张浩驰 张星一 崔赟 刘谨尧 来源： 航空科学技术 年份： 2023 文献类型 ： 期刊 关键词： CRISP 数据驱动 DM模型 航空装备生产系统 故障预测与健康管理 PHM应用系统
- 描述： 随着航空装备生产系统复杂度、集成度的不断提高，传统航空装备制造企业的综合保障能力和水平已无法满足现役航空装备生产需求。为了有效优化航空装备制造企业生产效能，实现生产系统状态监测、故障诊断、寿命预测及智能运维，基于数据驱动的故障预测和健康管理（PHM）技术得到广泛关注和应用。目前，PHM相关研究工作主要聚焦于数据体系的管理维护，较少涉及应用系统架构设计。本文结合大数据分析的CRISP-DM模型，从业务理解到模型评估部署提出一种基于数据驱动的航空装备生产系统PHM分析流程，基于“云+端”的技术架构刻画了PHM应用系统的总体设计和功能设计思路，能够高效实现PHM分析过程中的数据资源化和模型化，有力支撑航空装备生产系统的智能决策，为推进PHM技术创新应用和航空装备制造业转型升级提供参考。
- 基于长短期记忆网络与轻梯度提升机的航空发动机大修期内剩余寿命预测
- 作者： 杨硕 高成 来源： 航空发动机 年份： 2024 文献类型 ： 期刊 关键词： 长短期记忆网络 航空发动机 组合模型 轻梯度提升机 剩余寿命预测
- 描述： 针对航空发动机大修期内由性能主导的剩余使用寿命预测中复杂设备具有状态变量多、非线性特征严重的特点以及单一模型面临特征提取不充分、预测精度不足等问题，提出一种长短期记忆网络（LSTM）与轻梯度提升机
- 基于深度学习方法的航空发动机寿命预测模型
- 作者： 郭晓静 贠玉晶 徐晓慧 来源： 振动.测试与诊断 年份： 2024 文献类型 ： 期刊 关键词： 注意力机制 长短期记忆网络 航空发动机 剩余寿命预测 协方差分析
- 描述： （root mean square error，简称RMSE）范围为[4.83,13.66]，与卷积神经网络（convolutionneuralnetworks，简称CNN）、LSTM和双向长短期记忆网络
- 机场航空器场面轨迹预测和路径规划关键技术研究
- 作者： 姚梦飞 来源： 电子科技大学 年份： 2018 文献类型 ： 学位论文 关键词： 长短期记忆网络 遗传算法 轨迹预测 航空器 路径规划
- 描述： 机场航空器场面轨迹预测和路径规划关键技术研究
- 基于可自动扩展的LSTM模型的航空发动机剩余寿命预测方法
- 作者： 胡立坤 何旭杰 殷林飞 来源： 计算机应用研究 年份： 2023 文献类型 ： 期刊 关键词： 长短期记忆网络 航空发动机 自动扩展 子模块级联 剩余寿命预测
- 描述： 对航空发动机进行实时状态监测与健康管理可以有效降低发动机故障风险，确保飞机飞行安全。准确预测航空发动机的剩余寿命是有效监测发动机运行状态的一种重要手段，其中长短期记忆(Long-Short Term Memory,LSTM)网络常被使用。但由于航空发动机复杂的机械结构与运行模式，使用传统的LSTM网络对航空发动机的剩余寿命进行单次预测后，所得预测结果的准确率不足以满足其寿命预测的精度要求。基于LSTM网络的广泛使用以及它对时间序列数据的有效预测能力，并考虑到采用多级预测的方法能够有效降低预测误差，提出了一种新型的可自动扩展的长短期记忆(AutomaticallyExpandableLSTM,AELSTM)预测模型。AELSTM模型依托多个子模块逐级连接的网络结构，不断地提取前一级模块的输出误差作为后一级模块的训练值，形成了误差的多级预测机制，有效降低了模型的预测误差，提升了预测结果的准确性。最后，基于美国国家航空航天局发布的C-MAPSS数据集的四个子集，对AELSTM模型的预测效果进行了测试。实验结果表明，与传统的LSTM网络相比，AELSTM模型在四个子集上的均方根误差平均减少了95.44%，同时它的预测效果也优于现有的一些先进算法。实验充分验证了AELSTM模型在提升航空发动机剩余寿命预测准确度方面的有效性与优势。