首页>
根据【关键词:时间序列,航空发动机,故障诊断,支持向量数据描述,异常检测】搜索到相关结果 377 条
-
基于云模型SDG的航空发动机多工况故障诊断方法
-
作者:
张振良
何荣荣
张鉴靓
来源:
航空发动机
年份:
2022
文献类型 :
期刊
关键词:
多工况
航空发动机
故障诊断
故障传播
气源系统
符号有向图
云模型
-
描述:
针对航空发动机的故障寻源以及故障传播问题,提出了基于云模型符号有向图(SDG)的发动机多工况故障诊断方法。在SDG模型的基础上根据发动机结构进行模块化以便于推理,应用故障关联矩阵进行相容通路的推理
-
基于重加权谱峭度方法的航空发动机故障诊断
-
作者:
张忠强
张新
王家序
刘治汶
来源:
航空学报
年份:
2022
文献类型 :
期刊
关键词:
航空发动机
快速谱峭度
故障诊断
滤波器参数
重加权谱峭度
重加权峭度
-
描述:
。仿真信号分析结果显示,在强冲击干扰下重加权谱峭度方法仍能选择有效滤波器参数,提取到周期性故障冲击。通过在航空发动机附齿轮箱中轴承故障诊断中的应用以及与常见方法的对比分析,进一步验证了重加权谱峭度方法的有效性与优势。
-
我国航空公司债务风险存在同群效应吗——基于海航债务危机事件的分析
-
作者:
王皓羽
姚丽霞
王丹阳
彭恩慧
来源:
中国乡镇企业会计
年份:
2022
文献类型 :
期刊
关键词:
时间序列
债务风险
同群效应
-
描述:
本文以重资产高负债的航空公司为研究主体,基于海航债务危机事件进行分析,尝试验证债务风险中的债务违约风险在民航业中是否存在传染的同群效应。进一步地,使用时间序列模型和对比分析法,分解出季节因素
-
基于VMD-LSTM的民航运输量预测
-
作者:
王飞
韩翔宇
来源:
2022世界交通运输大会(WTC2022)论文集(交通工程与航空运输篇)
年份:
2022
文献类型 :
会议论文
关键词:
时间序列
民航运输
分解集成模型
民航运输量预测
-
描述:
基于VMD-LSTM的民航运输量预测
-
基于VMD-LSTM的民航运输量预测
-
作者:
王飞
韩翔宇
来源:
2022世界交通运输大会(WTC2022)论文集(交通工程与航空运输篇)
年份:
2022
文献类型 :
会议论文
关键词:
时间序列
民航运输
分解集成模型
民航运输量预测
-
描述:
基于VMD-LSTM的民航运输量预测
-
通用航空训练飞行发动机数据异常检测初探
-
作者:
王翔
来源:
内燃机与配件
年份:
2022
文献类型 :
期刊
关键词:
深度学习
训练飞行
异常检测
-
描述:
大型运输机发动机的健康管理研究较为广泛,相对于运输航空,针对通用航空领域以训练飞行为主的小型教练机发动机的异常检测技术还不够成熟。训练飞行具有飞行模式固定,起降频次较高,信息数据结构简单的特点
-
通用航空训练飞行发动机数据异常检测初探
-
作者:
王翔
来源:
内燃机与配件
年份:
2022
文献类型 :
期刊
关键词:
深度学习
训练飞行
异常检测
-
描述:
大型运输机发动机的健康管理研究较为广泛,相对于运输航空,针对通用航空领域以训练飞行为主的小型教练机发动机的异常检测技术还不够成熟。训练飞行具有飞行模式固定,起降频次较高,信息数据结构简单的特点
-
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。
-
基于机器学习的航空异常着陆事件检测
-
作者:
杨雄
苏志刚
杨金锋
张海刚
来源:
计算机工程与设计
年份:
2022
文献类型 :
期刊
关键词:
机载快速存取记录器
特征选取
极限梯度提升树
贝叶斯优化
航空安全
异常检测
-
描述:
性能,使用贝叶斯优化训练出最佳异常检测模型。实验结果表明,与其它算法对比,该模型特征提取时间和训练时间短,准确率、F1分数、ROC和PR曲线面积表现出突出的性能。
-
基于VMD和LSTM模型的航空液压管路卡箍故障诊断
-
作者:
张小龙
汪曦
于晓光
薛政坤
崔芷宁
吕佳文
来源:
液压与气动
年份:
2022
文献类型 :
期刊
关键词:
液压管路卡箍
故障诊断
LSTM神经网络
VMD
-
描述:
航空发动机液压管路-卡箍系统中卡箍振动信号具有非线性和非平稳性的特点,难以从卡箍故障信号中准确识别出其故障类型。针对该问题,提出了一种基于变分模态分解(Variational Mode