作者： 王善求     李春梅     谷佳澄     谭佳伟   来源： 长春工程学院学报(自然科学版) 年份： 2024 文献类型 ： 期刊 关键词： 注意力机制   时间卷积网络   寿命预测   粒子群算法   超参数优化  

描述：

作者： 王善求     李春梅     谷佳澄     谭佳伟   来源： 长春工程学院学报(自然科学版) 年份： 2024 文献类型 ： 期刊 关键词： 注意力机制   时间卷积网络   寿命预测   粒子群算法   超参数优化  

描述：

一种考虑多通道检测数据的航空发动机剩余寿命预测方法

作者： 刘翠琴   王海瑞   朱贵富   来源： 机械科学与技术 年份： 2023 文献类型 ： 期刊 关键词： 航空发动机   小波降噪   时间卷积网络   剩余使用寿命   多头注意力机制  

描述： 针对航空发动机传感器检测数据高噪声，多维度，同剩余使用寿命一致衰减特性的问题，本文采用小波降噪（WD）、时间卷积网络（TCN）和多头注意力（MHA）机制，提出一种新的网络结构模型：时间卷积

一种考虑多通道检测数据的航空发动机剩余寿命预测方法

作者： 刘翠琴   王海瑞   朱贵富   来源： 机械科学与技术 年份： 2023 文献类型 ： 期刊 关键词： 航空发动机   小波降噪   时间卷积网络   剩余使用寿命   多头注意力机制  

描述： 针对航空发动机传感器检测数据高噪声，多维度，同剩余使用寿命一致衰减特性的问题，本文采用小波降噪（WD）、时间卷积网络（TCN）和多头注意力（MHA）机制，提出一种新的网络结构模型：时间卷积

一种考虑多通道检测数据的航空发动机剩余寿命预测方法

作者： 刘翠琴   王海瑞   朱贵富   来源： 机械科学与技术 年份： 2023 文献类型 ： 期刊 关键词： 航空发动机   小波降噪   时间卷积网络   剩余使用寿命   多头注意力机制  

描述： 针对航空发动机传感器检测数据高噪声，多维度，同剩余使用寿命一致衰减特性的问题，本文采用小波降噪（WD）、时间卷积网络（TCN）和多头注意力（MHA）机制，提出一种新的网络结构模型：时间卷积

一种考虑多通道检测数据的航空发动机剩余寿命预测方法

作者： 刘翠琴   王海瑞   朱贵富   来源： 机械科学与技术 年份： 2023 文献类型 ： 期刊 关键词： 航空发动机   小波降噪   时间卷积网络   剩余使用寿命   多头注意力机制  

描述： 针对航空发动机传感器检测数据高噪声，多维度，同剩余使用寿命一致衰减特性的问题，本文采用小波降噪（WD）、时间卷积网络（TCN）和多头注意力（MHA）机制，提出一种新的网络结构模型：时间卷积

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

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

基于随机森林和时间卷积网络的航空发动机故障预测

作者： 王秀娜   鲁守银   任飞   来源： 计算机时代 年份： 2022 文献类型 ： 期刊 关键词： 航空发动机   时间卷积网络   随机森林   故障预测  

描述： 基于随机森林和时间卷积网络的混合模型。该模型利用随机森林算法进行重要性特征提取，然后添加滚动平均值和滚动标准差以增强数据特征，最后整合数据特征输入至时间卷积网络进行故障预测。采用C-MAPSS数据集进行验证，结果表明，该模型的故障预测性能相比于其他机器学习模型有较大幅度的提升。

基于随机森林和时间卷积网络的航空发动机故障预测

作者： 王秀娜   鲁守银   任飞   来源： 计算机时代 年份： 2022 文献类型 ： 期刊 关键词： 航空发动机   时间卷积网络   随机森林   故障预测  

描述： 基于随机森林和时间卷积网络的混合模型。该模型利用随机森林算法进行重要性特征提取，然后添加滚动平均值和滚动标准差以增强数据特征，最后整合数据特征输入至时间卷积网络进行故障预测。采用C-MAPSS数据集进行验证，结果表明，该模型的故障预测性能相比于其他机器学习模型有较大幅度的提升。