航空发动机叶片数控加工区域误差识别方法（英文）

作者： 张云   朱燏   朱正清   来源： Transactions of Nanjing University of Aeronautics and Astronautics 年份： 2022 文献类型 ： 期刊 关键词： 非刚性配准   误差区域   数控补加工   边界识别   航空发动机叶片  

描述： 随着对航空发动机性能要求的不断提高，叶片型面加工精度要求愈加严格。然而，目前常用的型面精加工方式中，精密铣削、磨削或近净成形工艺在工艺定形前都需要经过烦琐的迭代误差补偿。而在该过程中若能快速确定误差区域和边界将有助于提高后续迭代过程的效率。为此，本文提出了一种针对叶片复杂型面误差区域自动识别的最小面积误差区域边界求交方法，包括基于最小误差区域的截面非刚性配准和基于三角网格求交的边界识别。应用实例说明了该方法的有效性和优越性。

航空发动机叶片数控加工区域误差识别方法（英文）

作者： 张云   朱燏   朱正清   来源： Transactions of Nanjing University of Aeronautics and Astronautics 年份： 2022 文献类型 ： 期刊 关键词： 非刚性配准   误差区域   数控补加工   边界识别   航空发动机叶片  

描述： 随着对航空发动机性能要求的不断提高，叶片型面加工精度要求愈加严格。然而，目前常用的型面精加工方式中，精密铣削、磨削或近净成形工艺在工艺定形前都需要经过烦琐的迭代误差补偿。而在该过程中若能快速确定误差区域和边界将有助于提高后续迭代过程的效率。为此，本文提出了一种针对叶片复杂型面误差区域自动识别的最小面积误差区域边界求交方法，包括基于最小误差区域的截面非刚性配准和基于三角网格求交的边界识别。应用实例说明了该方法的有效性和优越性。

基于深度学习的离场航空器滑行时间预测（英文）

作者： 李楠   焦庆宇   朱新华   王少聪   来源： Transactions of Nanjing University of Aeronautics and Astronautics 年份： 2021 文献类型 ： 期刊 关键词： 卷积神经网络   场面运行   滑行时间   深度学习   航空运输  

描述： 起飞排序队列和给出准确的撤轮挡时间具有重要的作用。本文提出一种基于时间-空间-环境数据的深度学习模型(Spatio-temporal-environment deep learning model

基于深度学习的离场航空器滑行时间预测（英文）

作者： 李楠   焦庆宇   朱新华   王少聪   来源： Transactions of Nanjing University of Aeronautics and Astronautics 年份： 2021 文献类型 ： 期刊 关键词： 卷积神经网络   场面运行   滑行时间   深度学习   航空运输  

描述： 起飞排序队列和给出准确的撤轮挡时间具有重要的作用。本文提出一种基于时间-空间-环境数据的深度学习模型(Spatio-temporal-environment deep learning model

稀疏驱动的航空发动机主轴承智能监测研究（英文）

作者： 丁宝庆   武靖耀   孙闯   王诗彬   陈雪峰   李应红   来源： Transactions of Nanjing University of Aeronautics and Astronautics 年份： 2021 文献类型 ： 期刊 关键词： 特征提取   稀疏模型   变分自编码   智能监测   深度学习   航空发动机主轴承  

描述： 微弱特征提取是航空发动机健康监测与智能诊断的关键技术之一。本文针对航空发动机主轴承微弱故障智能监测难题,基于信号先验提出增强稀疏驱动的智能监测方法。通过分析经典凸稀疏诊断模型难以兼顾信号降噪与特征重构性能的缺陷,构建基于莫罗包络理论的非凸正则凸优化增强稀疏模型,以实现微弱特征提取;进而提出稀疏驱动的深度卷积变分自编码网络智能监测方法,通过对健康状态稀疏降噪样本的训练实现对故障异常状态的智能识别。通过航空发动机主轴承疲劳寿命试验的工程案例对提出方法进行性能验证,结果表明:增强稀疏驱动的智能监测方法具有良好的异常状态智能识别能力,能够有效支撑航空发动主轴承微弱故障的智能监测与诊断。

稀疏驱动的航空发动机主轴承智能监测研究（英文）

作者： 丁宝庆   武靖耀   孙闯   王诗彬   陈雪峰   李应红   来源： Transactions of Nanjing University of Aeronautics and Astronautics 年份： 2021 文献类型 ： 期刊 关键词： 特征提取   稀疏模型   变分自编码   智能监测   深度学习   航空发动机主轴承  

描述： 微弱特征提取是航空发动机健康监测与智能诊断的关键技术之一。本文针对航空发动机主轴承微弱故障智能监测难题,基于信号先验提出增强稀疏驱动的智能监测方法。通过分析经典凸稀疏诊断模型难以兼顾信号降噪与特征重构性能的缺陷,构建基于莫罗包络理论的非凸正则凸优化增强稀疏模型,以实现微弱特征提取;进而提出稀疏驱动的深度卷积变分自编码网络智能监测方法,通过对健康状态稀疏降噪样本的训练实现对故障异常状态的智能识别。通过航空发动机主轴承疲劳寿命试验的工程案例对提出方法进行性能验证,结果表明:增强稀疏驱动的智能监测方法具有良好的异常状态智能识别能力,能够有效支撑航空发动主轴承微弱故障的智能监测与诊断。