基于注意力与LSTM的航空发动机剩余寿命预测

作者： 王欣   孟天宇   周俊曦   来源： 科学技术与工程 年份： 2022 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   预测性维护  

描述： C-MAPSS涡扇发动机仿真数据集进行实验，与未加注意力机制的长短期记忆网络等多种模型进行对比实验。实验结果表明，提到的Attention-LSTM模型的均方根误差相比较于未引入注意力机制的长短期记忆网络降低了17.8%,拟合度提升了3.2%,各项评估指标均也优于其他对比模型。

基于特征注意力机制的GRU-GAN航空发动机剩余寿命预测

作者： 袁烨   黄虹   程骋   虞文武   丁汉   来源： 中国科学:技术科学 年份： 2022 文献类型 ： 期刊 关键词： 注意力机制   生成对抗网络   特征提取   航空航天   剩余寿命预测  

描述： 控循环单元(Gate recurrent unit, GRU)的预测能力相结合,提出一种基于特征注意力机制的GAN和GRU融合模型.为了对时序关系进行建模,首先利用特征注意力机制和GRU分别提取空间和时间上

基于特征注意力机制的GRU-GAN航空发动机剩余寿命预测

作者： 袁烨   黄虹   程骋   虞文武   丁汉   来源： 中国科学:技术科学 年份： 2022 文献类型 ： 期刊 关键词： 注意力机制   生成对抗网络   特征提取   航空航天   剩余寿命预测  

描述： 控循环单元(Gate recurrent unit, GRU)的预测能力相结合,提出一种基于特征注意力机制的GAN和GRU融合模型.为了对时序关系进行建模,首先利用特征注意力机制和GRU分别提取空间和时间上

基于注意力机制和CNN-BiLSTM模型的航空发动机剩余寿命预测

作者： 张加劲   来源： 电子测量与仪器学报 年份： 2022 文献类型 ： 期刊 关键词： 注意力机制   航空发动机   卷积神经网络   剩余寿命   双向长短期记忆网络  

描述： ，提出了一种基于注意力机制的卷积神经网络和双向长短期网络融合模型。首先，采用卷积神经网络提取特征和双向长短期记忆网络获取特征中的长短期依赖关系；其次，使用注意力机制来突出特征中的重要部分，提高模型预测

基于优化混合模型的航空发动机剩余寿命预测方法

作者： 刘月峰   张小燕   郭威   边浩东   何滢婕   来源： 计算机应用 年份： 2022 文献类型 ： 期刊 关键词： 注意力机制   航空发动机   卷积神经网络   剩余使用寿命   双向长短期记忆网络  

描述： 的路径提取特征：1）将原始数据的均值和趋势系数输入至全连接网络；2）将原始数据输入双向长短期记忆（Bi-LSTM）网络，并采用注意力机制处理得到的特征；3）使用注意力机制处理原始数据，并将加权特征输入

融合注意力和多尺度特征的航空发动机缺陷检测

作者： 赵崇林   朱江   胡永进   李祖泽   王鹏举   谢涛   来源： 北京航空航天大学学报 年份： 2023 文献类型 ： 期刊 关键词： 注意力机制   航空发动机   YOLOv5   深度学习   缺陷检测  

描述： 缺陷特征的提取，增强网络对缺陷目标和复杂背景的区分。在颈部网络中构建加权双向特征金字塔结构(BiFPN)，以完成更高层次的特征融合，提升对多尺度目标的表达能力。最后，将边界框回归损失函数定义为EIOU

基于知识图谱的航空安全事件推理方法的研究

作者： 林海舟   来源： 中国民航大学 年份： 2020 文献类型 ： 学位论文 关键词： 注意力机制   卷积神经网络   航空安全事件   知识图谱   链接预测  

描述： 基于知识图谱的航空安全事件推理方法的研究

民航陆空通话语义分析与校验方法研究

作者： 乔璇   来源： 中国民航大学 年份： 2020 文献类型 ： 学位论文 关键词： 注意力机制   密集网络   陆空通话   语义分析   文本匹配  

描述： 民航陆空通话语义分析与校验方法研究

基于卷积神经网络的飞机液压系统故障诊断算法研究

作者： 李时奇   来源： 南京航空航天大学 年份： 2020 文献类型 ： 学位论文 关键词： 注意力机制   卷积神经网络   故障诊断   飞机液压系统   传感器融合  

描述： 基于卷积神经网络的飞机液压系统故障诊断算法研究

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。