基于深度学习的光学遥感图像飞机检测算法

作者： 董永峰   仉长涛   汪鹏   冯哲   来源： 激光与光电子学进展 年份： 2020 文献类型 ： 期刊 关键词： 遥感图像   卷积神经网络   图像处理   目标检测   深度学习   Mask   RCNN算法  

描述： 基于深度学习的光学遥感图像飞机检测算法

光学遥感图像飞机目标识别算法

作者： 胡楠   李润生   王载武   来源： 影像技术 年份： 2020 文献类型 ： 期刊 关键词： 遥感图像   R   CNN   飞机识别   深度学习   Faster  

描述： 光学遥感图像中蕴含着大量信息,更新速度非常快。使用人工方法对光学遥感图像进行判读和目标的识别显然早已达不到现代社会各领域的需求。实时、高效地从光学遥感图像中识别出感兴趣目标具有非常重要的意义。本文对基于人工智能的图像飞机识别研究现状进行了总结,方便后续学者研究。

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。

民用航空发动机故障诊断与健康管理现状、挑战与机遇Ⅱ：地面综合诊断、寿命管理和智能维护维修决策

作者： 曹明   王鹏   左洪福   曾海军   孙见忠   杨卫东   魏芳   陈雪峰   来源： 航空学报 年份： 2023 文献类型 ： 期刊 关键词： 故障融合决策   数字孪生   航空发动机健康管理系统   深度学习   智能视情维护维修   知识图谱   寿命管理  

描述： 基于民用航空发动机健康管理（EHM）的需求及发展目标，从CBM+全流程的角度分析民用航空发动机健康管理系统应用现状及行业发展趋势，进而总结民用航空发动机健康管理的应用现状及差距、挑战，并指出未来国内需要重点关注的民用发动机EHM研发方向。针对各个EHM功能模块的需求、差距、解决方案进行了深入论证分析，重点讨论了民用发动机EHM“下游”3个模块：地面综合诊断、寿命管理和智能视情维护维修决策的需求、必要性、现状及未来发展趋势和热点技术。

不确定环境下的航空发动机装配线适应性调度方法

作者： 王怡琳   刘鹃   乔非   张家谔   来源： 控制与决策 年份： 2023 文献类型 ： 期刊 关键词： 调度规则   航空发动机装配   适应性调度   深度学习   扰动识别   门控循环神经网络  

描述： 航空发动机装配是航空发动机制造过程的关键环节，其工序多，流程复杂，生产过程中扰动频发，如装配时间波动、不合格返工等。针对不确定环境下的航空发动机装配线的调度问题，本文提出一种基于门控循环神经网络（Gate Recurrent Unit, GRU）的适应性调度方法。该调度方法包含扰动识别和调度规则调整两个部分。扰动识别模块以滑动时间窗口为周期，利用GRU神经网络进行渐进型扰动的识别；调度规则调整模块以扰动识别的结果为触发，通过构建基于GRU神经网络的调度规则决策模型，输出适配当前生产状态的新的调度规则，用以指导生成更新的调度方案。最后，以某航空发动机装配线为研究案例，对本文提出的适应性调度方法进行验证分析，对比实验结果表明，本方法能够有效提升装配线的设备利用率、日均生产率等性能.

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。

基于卷积LSTM模型的航空器轨迹预测

作者： 刘龙庚   翟俐民   韩云祥   来源： 计算机工程与设计 年份： 2022 文献类型 ： 期刊 关键词： 长短期记忆网络   时间序列   空管大数据   航迹聚类   深度学习   智能交通   航迹预测  

描述： 采集空管大数据,根据空管大数据的特点,对数据进行数据融合,利用改进的聚类算法处理航迹数据,对得到的各类航迹数据分别构建模型,提高模型的预测精度。分别构建Stack LSTM和基于卷积LSTM的航空器轨迹预测模型,以真实雷达数据为例进行仿真实验,对仿真结果进行对比,其结果表明,基于卷积LSTM的航空器轨迹预测模型可以将预测的均方根误差控制在400s内,验证了预测模型可以实现航空器轨迹的精确预测。

基于SW/YOLO模型的航空发动机叶片损伤实时检测

作者： 何宇豪   曹学国   刘信良   蒋浩坤   王静秋   来源： 推进技术 年份： 2023 文献类型 ： 期刊 关键词： 航空发动机   实时检测   叶片损伤   深度学习   目标检测   孔探检测  

描述： 孔探检测技术是航空发动机叶片损伤检测的主要手段，但目前依赖人工操作，耗时耗力。本文提出了一个孔探视频检测的SW/YOLO模型，该模型包括输入端、主干网络、颈部网络、头部网络4个模块。首先，在主干网络加入了空间通道注意力模块（Spatial Channel / Convolutional Block Attention Module，SC/CBAM），有效避免位置信息丢失，提高目标边界回归能力，相较于YOLOv5，其平均精度均值mAP@0.5提高了5.4%。其次，在颈部网络对特征金字塔网络（Feature Pyramid Network，FPN）进行了改进，通过融合低层特征，扩大了模型感受野，有利于较小损伤区域的检测，如烧蚀损伤，平均精度提高了8.1%。最后，通过与YOLOv5，Faster R/CNN，SSD模型的对比实验，结果表明SW/YOLO模型的平均精度均值分别提高了7%，6.2%，6.3%，检测速度满足实时检测需求，有利于提高航空发动机孔探检测的自动化和智能化水平。