基于CNN-Seq2Seq的航空发动机喘振诊断模型的研究

作者： 姚艳玲   袁化成   陆超   唐晓澜   黄爱华   来源： 测控技术 年份： 2022 文献类型 ： 期刊 关键词： 序列到序列   卷积神经网络   故障诊断   发动机喘振  

描述： 和价值。当前针对航空发动机喘振故障诊断的模型存在诊断时间长、诊断准确率不高的特点。为了解决这些问题，在序列到序列(Seq2Seq)模型的基础上，使用卷积神经网络(CNN)代替Seq2Seq中编码器

基于CNN-Seq2Seq的航空发动机喘振诊断模型的研究

作者： 姚艳玲   袁化成   陆超   唐晓澜   黄爱华   来源： 测控技术 年份： 2022 文献类型 ： 期刊 关键词： 序列到序列   卷积神经网络   故障诊断   发动机喘振  

描述： 和价值。当前针对航空发动机喘振故障诊断的模型存在诊断时间长、诊断准确率不高的特点。为了解决这些问题，在序列到序列(Seq2Seq)模型的基础上，使用卷积神经网络(CNN)代替Seq2Seq中编码器

基于深度学习的航空发动机齿轮故障诊断

作者： 万安平   杨洁   王景霖   陈挺   缪徐   黄佳湧   杜翔   来源： 振动.测试与诊断 年份： 2022 文献类型 ： 期刊 关键词： 航空发动机   卷积神经网络   多传感器信息融合   故障诊断   深度学习  

描述： 传统的机械故障诊断方法需要将采集的故障波信号进行信号处理，再结合神经网络进行特征提取与分类，不仅流程复杂、耗费时间，而且识别准确率不高。针对此问题，采用一维卷积神经网络（one

基于多传感器融合卷积神经网络的航空发动机轴承故障诊断

作者： 杨洁   万安平   王景霖   单添敏   缪徐   李客   左强   来源： 中国电机工程学报 年份： 2022 文献类型 ： 期刊 关键词： 航空发动机   卷积神经网络   多传感器信息融合   故障诊断   深度学习  

描述： 航空发动机轴承进行故障诊断。该模型采用一维卷积神经网络(one dimensional convolutional neural network,1D-CNN)对实验获取的某航空发动机的轴承故障振动

基于多传感器融合卷积神经网络的航空发动机轴承故障诊断

作者： 杨洁   万安平   王景霖   单添敏   缪徐   李客   左强   来源： 中国电机工程学报 年份： 2022 文献类型 ： 期刊 关键词： 航空发动机   卷积神经网络   多传感器信息融合   故障诊断   深度学习  

描述： 航空发动机轴承进行故障诊断。该模型采用一维卷积神经网络(one dimensional convolutional neural network,1D-CNN)对实验获取的某航空发动机的轴承故障振动

基于数据的航空发动机总体性能预测方法研究

作者： 胡金涛   陈敏   唐海龙   来源： 第六届空天动力联合会议暨中国航天第三专业信息网第四十二届技术交流会暨2021航空发动机技术发展高层论坛 年份： 2022 文献类型 ： 会议论文 关键词： 性能预测   航空发动机   卷积神经网络  

描述： 基于数据的航空发动机总体性能预测方法研究

基于视频序列的飞机乘客检测方法研究与应用

作者： 黄欣欣   来源： 中国科学院大学(中国科学院沈阳计算技术研究所) 年份： 2022 文献类型 ： 学位论文 关键词： 行人检测   注意力机制   卷积神经网络   CSP算法  

描述： 基于视频序列的飞机乘客检测方法研究与应用

基于改进卷积神经网络的航空发动机RUL预测方法研究

作者： 孙行行   来源： 河南大学 年份： 2022 文献类型 ： 学位论文 关键词： 特征提取   卷积神经网络   多故障   剩余使用寿命预测  

描述： 基于改进卷积神经网络的航空发动机RUL预测方法研究

基于多尺度卷积神经网络的飞机识别定位系统的设计

作者： 李昭   来源： 西安电子科技大学 年份： 2022 文献类型 ： 学位论文 关键词： 卷积神经网络   飞机定位系统   目标检测   图像分割  

描述： 基于多尺度卷积神经网络的飞机识别定位系统的设计

基于改进的SENet航空发动机振动预测

作者： 夏存江   詹于游   来源： 航空动力学报 年份： 2022 文献类型 ： 期刊 关键词： 数据驱动   注意力机制   卷积神经网络   多参数融合   振动预测  

描述： 为实时监测和预警航空发动机振动状态，基于气路及振动参数，提出一种使用改进的SENet(squeeze-and-excitation network)模型，对航空发动机近未来的振动进行预测。该研究相比以往采用的实验室模拟数据和仿真数据，使用了真实的QAR(quick access recorder)数据并进行随机采样，以求更能表征发动机振动和工作参数之间的关系。同时，不仅使用其他振动信号进行验证，还在其他型号的发动机上进行测试。结果表明：针对航空发动机的振动进行预测是可行的，SENet模型可以有效并实时追踪振动的突变和波动。此外，该方法对于其他振动信号和不同类型的发动机具有一定的适用性。而且相较于以往采用的其他经典的深度模型，SENet模型在振动的预测中能得到更小的误差。实验证明，相较于以往只使用振动这个单参数进行预测，并行使用与振动相关的多参数融合进行研究更能提高预测的准确性。