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
- 中国民航安全趋势分析及国内外对比研究
- 作者： 赵奉鲁 来源： 中国民航大学 年份： 2018 文献类型 ： 学位论文 关键词： 时间序列 季节调整 ARIMA 指数回归 事故征候
- 描述： 中国民航安全趋势分析及国内外对比研究
- 航空公司发动机送修决策研究
- 作者： 李永广 来源： 中国民航大学 年份： 2018 文献类型 ： 学位论文 关键词： 时间序列 主成分分析 送修工作范围 下发日期决策 送修等级
- 描述： 航空公司发动机送修决策研究
- 航母甲板运动预报算法研究
- 作者： 金书羽 来源： 哈尔滨工程大学 年份： 2021 文献类型 ： 学位论文 关键词： 时间序列 极大似然估计 经验模态分解 自回归 最小二乘算法
- 描述： 航母甲板运动预报算法研究
- 基于分形理论的航空运输量预测
- 作者： 王飞 魏林琳 来源： 第十六届中国智能交通年会（ITSAC 2021） 年份： 2021 文献类型 ： 会议论文 关键词： 时间序列 航空运输量预测 分形分布模型 航空运输 Hurst指数
- 描述： 基于分形理论的航空运输量预测
- 基于时间序列的民用运输航空器碳排放预测研究
- 作者： 向小军 杨志晗 赵赶超 来源： 现代计算机 年份： 2023 文献类型 ： 期刊 关键词： 时间序列 LSTM ARIMA WOA 碳排放
- 描述： 随着中国民航业的高速发展，运输航空器的碳排放问题逐渐引起关注。采用时间序列的方法建立了传统的差分整合移动平均自回归（ARIMA）模型以及优化的长短期记忆网络（LSTM）模型，对航空器碳排放量、碳排放强度以及吨公里碳排放量进行了预测，通过鲸鱼优化算法（WOA）对LSTM中的学习率和隐藏节点数进行优化，避免了人为选择参数的主观性和盲目性，有利于提高模型预测的准确性。通过对比两种模型的均方根误差（RMSE）和平均绝对误差（MAE）,ARIMA模型在航空器碳排放预测中有较好表现，WOA-LSTM模型在碳排放强度、吨公里碳排放的预测中有较好表现。
- 基于LSTM分类器的航空发动机预测性维护模型
- 作者： 蔺瑞管 王华伟 车畅畅 倪晓梅 熊明兰 来源： 系统工程与电子技术 年份： 2022 文献类型 ： 期刊 关键词： 二分类 长短期记忆网络 时间窗 故障预测与健康管理 预测性维护
- 描述： 利用传感器数据进行预测性维护是航空发动机故障预测与健康管理(prognostic and health management, PHM)的关键问题。针对发动机剩余寿命预测准确性低的问题，提出基于长短期记忆网络(long short-term memory network, LSTM)分类器的预测性维护模型。LSTM分类器通过门控单元对长时间序列信息进行充分筛选，并将有效信息用于时间序列预测。首先，采用滑动时间窗口制备训练样本。其次，将预处理后的样本输入LSTM,预测设备在特定时间窗口内的失效概率。然后，通过调整窗口大小，得到最优性能的二分类模型，以更好地适应预测维护需求。最后，利用美国航空航天局C-MAPSS数据集验证了该模型的有效性，相比于已有分类方法，其在剩余使用寿命分类方面更加准确。
- 飞机APU故障趋势预测研究
- 作者： 王琪琛 来源： 中国民航大学 年份： 2020 文献类型 ： 学位论文 关键词： 长短期记忆网络 辅助动力装置 极端梯度提升 蚁狮优化 故障预测
- 描述： 飞机APU故障趋势预测研究
- 基于数据驱动的民机运行风险评估研究
- 作者： 严晓婧 来源： 南京航空航天大学 年份： 2020 文献类型 ： 学位论文 关键词： 数据驱动 长短期记忆网络 寿命预测 支持向量机模型 民机运行风险
- 描述： 基于数据驱动的民机运行风险评估研究
- 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。