基于深度学习的航空遥感图像目标检测算法研究

作者： 常洪彬   来源： 吉林大学 年份： 2022 文献类型 ： 学位论文 关键词： 遥感图像   注意力机制   深度学习   目标检测  

描述： 基于深度学习的航空遥感图像目标检测算法研究

融合多传感器数据的发动机剩余寿命预测方法

作者： 任子强   司小胜   胡昌华   王玺   来源： 航空学报 年份： 2019 文献类型 ： 期刊 关键词： 极大似然估计   复合健康指标   剩余寿命预测   线性维纳过程   贝叶斯参数更新  

描述： 针对基于单一传感器数据的剩余寿命预测方法存在数据利用率低和预测精度不高的问题，论文提出了一种融合多传感器数据的发动机剩余寿命预测方法。首先将多个传感器数据融合成一个复合健康指标来表征发动机的退化性能，采用线性维纳过程对复合健康指标进行退化建模，通过极大似然估计方法确定模型参数，进而得到发动机的预测寿命。为了确定融合系数，提出了一种利用真实寿命与预测寿命的预测均方误差最小化的方法。融合系数确定后，基于训练发动机历史寿命数据，确定出模型参数的离线估计值；然后利用Bayesian公式，同时结合发动机的实时监测数据与参数的先验分布对模型参数进行实时更新，接着在首达时间的意义下推导出剩余寿命的概率分布，进而实现了发动机的剩余寿命在线预测。最后，选择商用模块化航空推进系统仿真数据集进行数值仿真实验，结果表明：相较于基于单一传感器的方法，论文所提方法能够提高剩余寿命预测的准确性，其剩余寿命预测的相对均方误差降低了2%左右。

航空发动机的健康指标构建与剩余寿命预测

作者： 彭开香   皮彦婷   焦瑞华   唐鹏   来源： 控制理论与应用 年份： 2019 文献类型 ： 期刊 关键词： 健康指标   隐马尔可夫模型   深度置信网络   剩余寿命预测   健康状态识别  

描述： ,通过DBN-HMM混合模型来计算系统剩余寿命.采用商用模块化航空推进系统仿真软件(C-MAPSS)给出的航空发动机数据集,验证了上述方法的有效性.

基于多源信息融合的飞行器部件剩余寿命预测

作者： 张秋雁   杨忠   姜遇红   张启伦   卢凯文   张辉斌   来源： 机械制造与自动化 年份： 2020 文献类型 ： 期刊 关键词： 多源信息融合   余弦相似度   相似性   神经网络   剩余寿命预测  

描述： 方法,将服役部件和参考部件退化模型进行模式匹配,确定与服役部件具有相同退化模式的参考部件,进而提高基于相似性剩余寿命预测方法的预测精度。通过NASA航空发动机数据集和相同评价指标下的对比分析,验证了该方法的有效性。

基于QAR的航空发动机性能发展预测研究

作者： 王冉   来源： 中国民航大学 年份： 2020 文献类型 ： 学位论文 关键词： QAR数据   时间序列预测   发动机基线   剩余寿命预测   异常检测  

描述： 基于QAR的航空发动机性能发展预测研究

民航发动机送修决策优化研究

作者： 蒋雄伟   来源： 中国民航大学 年份： 2020 文献类型 ： 学位论文 关键词： 健康指数   送修方案   送修等级   寿命件   剩余寿命预测  

描述： 民航发动机送修决策优化研究

基于退化轨迹相似性的航空发动机剩余寿命预测方法研究

作者： 李固良   来源： 重庆大学 年份： 2021 文献类型 ： 学位论文 关键词： means++   分段梯度匹配   贪婪匹配原则   k   剩余寿命预测  

描述： 基于退化轨迹相似性的航空发动机剩余寿命预测方法研究

民用飞机空气涡轮起动机剩余寿命预测研究

作者： 刘正华   来源： 中国民航大学 年份： 2020 文献类型 ： 学位论文 关键词： 相关向量机   起动机   经验模式分解   增量学习   剩余寿命预测  

描述： 民用飞机空气涡轮起动机剩余寿命预测研究

基于特征优选的航空发动机剩余寿命预测

作者： 李鹏   丁瀛   黄培炜   杜艺博   来源： 中国测试 年份： 2022 文献类型 ： 期刊 关键词： 特征优选   II   长短时记忆网络   NSGA   剩余寿命预测  

描述： 研究针对航空发动机剩余寿命预测中的特征选择问题，提出一种基于特征优选的航空发动机剩余寿命预测方法。首先，基于长短时记忆网络建立单序列监测数据预测模型，预测不同工况下发动机测试样本的数据集。其次，基于

航空发动机状态监控和预测性维护应用研究

作者： 廖鹏程   李昂   王骁   来源： 测控技术 年份： 2023 文献类型 ： 期刊 关键词： 特征提取   深度学习   健康管理   剩余寿命预测   故障预测  

描述： 据进行降噪并预测剩余寿命，通过美国国家航空航天局(NASA)的航空发动机仿真数据集验证了模型能达到91.3%的准确率；采用核主成分分析(KPCA)结合深度置信网络(DBN)的方法建立发动机气路健康监控模型