首页>
根据【关键词:液压管路,故障诊断,深度学习,Bi/GRU模型】搜索到相关结果 455 条
-
基于双树复小波和深度置信网络的航空液压管路故障诊断研究
-
作者:
刘忠鑫
来源:
辽宁科技大学
年份:
2021
文献类型 :
学位论文
关键词:
小波变换
故障诊断
深度学习
数据处理
振动实验
-
描述:
基于双树复小波和深度置信网络的航空液压管路故障诊断研究
-
基于深度学习的航空发动机故障诊断方法研究
-
作者:
马善涛
来源:
哈尔滨理工大学
年份:
2022
文献类型 :
学位论文
关键词:
自监督学习
小样本
故障诊断
孪生网络
深度学习
-
描述:
基于深度学习的航空发动机故障诊断方法研究
-
基于征兆量偏差的航空发动机气路故障诊断研究
-
作者:
麦吾兰江·阿不都瓦衣提
屈卫东
来源:
第30届中国过程控制会议(CPCC 2019)
年份:
2019
文献类型 :
会议论文
关键词:
CNN
故障诊断
深度学习
征兆量偏差
基线
-
描述:
基于征兆量偏差的航空发动机气路故障诊断研究
-
基于RDK-ELM的航空发动机控制系统故障诊断
-
作者:
陈虹潞
黄向华
来源:
航空发动机
年份:
2021
文献类型 :
期刊
关键词:
航空发动机
极限学习机
控制系统
简约改进
故障诊断
深度学习
-
描述:
为保持较高诊断正确率,缩短训练时间,满足航空发动机故障诊断对于实时性和高诊断率的需求,提出1种对深度核极限学习机的简约改进方法。输入数据中随机选取部分数据作为支持向量,结合深度学习网络的多层结构
-
基于深度学习的航空传感器故障诊断方法
-
作者:
郑晓飞
郭创
姚斌
冯华鑫
来源:
计算机工程
年份:
2018
文献类型 :
期刊
关键词:
信号重构
故障诊断
深度学习
航空传感器
深度置信网络
故障隔离
-
描述:
为解决传统神经网络进行传感器故障诊断时存在的过拟合、泛化能力有限等问题,提出一种基于深度置信网络观测器的航空传感器故障诊断方法。利用深度置信网络替代浅层神经网络,在优化网络结构的基础上,给出深度置信
-
基于残差网络的航空发动机滚动轴承故障多任务诊断方法
-
作者:
康玉祥
陈果
尉询楷
潘文平
王浩
来源:
振动与冲击
年份:
2022
文献类型 :
期刊
关键词:
滚动轴承
故障诊断
深度学习
多任务
残差网络
损伤大小
-
描述:
针对当前基于深度学习的航空发动机滚动轴承故障诊断技术诊断任务单一的问题,提出一种基于多任务残差网络的滚动轴承故障诊断方法,该方法采用残差网络为深层特征提取与共享主框架,建立能够同时进行故障诊断
-
基于深度学习网络的航空发电机旋转整流器诊断技术研究
-
作者:
师鸽
来源:
南京航空航天大学
年份:
2018
文献类型 :
学位论文
关键词:
航空发电机
旋转整流器
故障诊断
深度学习
自动编码器
深度置信网络
-
描述:
基于深度学习网络的航空发电机旋转整流器诊断技术研究
-
一种地面试验使用的飞机液压管路万用过渡接头设计
-
作者:
陈寅
来源:
科技创新导报
年份:
2017
文献类型 :
期刊
关键词:
液压管路
地面试验
液压系统
过渡接头
-
描述:
飞机液压管路有多种接头形式,相互之间的连接往往通过加工专用接头解决,这种方法费时费力。该文介绍了另一种思路,即可以使用一种飞机液压管路使用的万用过渡接头的设计,通过分接头的变换来创造所需的过渡接头。这种设计可以用不多的分接头满足几乎所有的过渡连接需求,并且具有优秀的扩展性和兼容性。文中还对其在实际工作中的用途进行了说明,然后给出了其总体设计构想,并描述了各组成部分的具体内容。
-
民用飞机液压管路系统设计流程与方法
-
作者:
杨志敏
张亚平
张倩
来源:
航空工程进展
年份:
2018
文献类型 :
期刊
关键词:
设计需求
液压管路
压降平衡设计
压力限制
-
描述:
飞机液压管路系统设计的优劣直接影响着液压系统及用户系统的性能。为了形成设计指导,根据民用飞机的设计思路,从需求入手,总结民用飞机研制各阶段液压管路系统设计输入、输出信息的捕获、设计方法及应达到的设计目标。通过实例,验证了所采用的压降曲线谱快速分配、调整压降及管径方法简单有效,本文所总结的设计流程与方法能够指导民用飞机液压管路系统的设计。
-
航空发动机液压管路疲劳寿命预测模型研究
-
作者:
闫国华
杜豪
刘勇
刘中华
来源:
机床与液压
年份:
2023
文献类型 :
期刊
关键词:
液压管路
航空发动机
预测模型
疲劳寿命
-
描述:
为较为准确地评估航空发动机液压管路的疲劳寿命,提出一种疲劳寿命预测模型。该模型重点计算一个循环周期内载荷对液压管路造成的损伤,在此基础上,建立液压管路危险点处的应力与疲劳寿命之间的解析关系式。将该模型用于某型航空发动机外部液压管路疲劳寿命的计算,并将该理论计算结果与有限元仿真结果进行对比,验证了该疲劳寿命预测模型的有效性。