全部
图书
期刊
学位论文
会议论文
报纸
图片
视频
新闻
关键词
- 多源数据融合的民航发动机修后性能预测
- 作者： 谭治学 钟诗胜 林琳 来源： 北京航空航天大学学报 年份： 2019 文献类型 ： 期刊 关键词： 特征提取 航空发动机 多源数据融合 发动机维修决策 修后性能预测
- 描述： 针对民航发动机修后排气温度裕度预测过程中的多源异构数据融合问题,提出了卷积自编码器与极端梯度提升模型结合的方法。利用所提出的条件熵增长因子规整发动机修前多元传感器参数序列中的参数排序,采用卷积自编码器提取规整后的参数序列和维修工作范围的数据特征,并将其与发动机使用时间信息组成合成特征以训练极端梯度提升模型,从而预测发动机修后性能并评估各影响因素的重要程度。经发动机机队维修案例验证,所提方法预测精度高于单维参数序列预测方法,对发动机修后排气温度的平均相对预测误差不高于8. 3%。
- 基于邻域点特征分割与对应的航空发动机叶片损伤点云配准
- 作者： 蔡舒妤 郝峰伟 史涛 来源： 北京航空航天大学学报 年份： 2025 文献类型 ： 期刊 关键词： 特征提取 损伤检测 压气机叶片 点云配准 迭代最近点
- 描述： 基于邻域点特征分割与对应的航空发动机叶片损伤点云配准
- 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： 航空发动机的结构完整性关乎飞行安全。目前基于孔探技术的航空发动机缺陷检测以人工操作为主。为提高检测精度和效率，提出了一种融合注意力和多尺度特征的航空发动机缺陷智能检测算法，以辅助孔探工作。首先，针对原始孔探图像中缺陷样本的类别不平衡问题，采用了一种基于几何变换和泊松图像编辑的多样本融合数据增强方法，丰富小样本图像并构建缺陷数据集。然后，在基准网络YOLOv5中融入协调注意力模块(CA)，以强调缺陷特征的提取，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损失，实现对缺陷目标快速、准确地定位和识别。实验结果表明，本文算法检测缺陷的平均精确度达到了89.7％，较基准网络提升了6.3％，训练后的模型大小仅为14.0M。因此，所提方法可以有效地检测航空发动机的主要缺陷。
- 遥感图像飞机目标高效搜检深度学习优化算法
- 作者： 郭琳 秦世引 来源： 北京航空航天大学学报 年份： 2019 文献类型 ： 期刊 关键词： 停机坪与跑道分割 深度神经网络 深度学习 飞机目标检测 大幅面遥感图像
- 描述： 为了实现大幅面遥感图像中飞机目标的高效检测与准确定位,通过深度神经网络(DNN)的级联组合,提出了一种新颖的搜寻与检测相集成的飞机目标高效检测算法。首先,运用高性能的端到端DNN网络,进行停机坪与跑道区域的像素级高效精准分割,从而大幅度缩小飞机目标的搜索范围,以降低虚警发生概率,完成飞机目标候选检测区域的快速搜寻。然后,针对分割所得停机坪与跑道区域,借助手工数据集对YOLO网络模型进行迁移式强化训练,一方面可以弥补训练集在样本类型与数据规模上的不足,另一方面借助YOLO网络的强时效性优势对飞机目标的位置进行回归求解,可以显著提高飞机目标的检测效率。停机坪与跑道区域分割DNN网络在分割精度与时效性上具有显著优势,而迁移式强化训练YOLO网络不仅具有很高的检测效率,在检测精度上也能保持良好的性能。通过一系列综合实验与对比分析,验证了提出的搜寻与检测相集成的DNN级联组合式飞机目标高效检测算法的性能优势。
- 基于深度学习的航空发动机故障融合诊断
- 作者： 车畅畅 王华伟 倪晓梅 洪骥宇 来源： 北京航空航天大学学报 年份： 2018 文献类型 ： 期刊 关键词： 航空发动机 故障诊断 深度学习 抗干扰能力 决策融合
- 描述： 通过对航空发动机故障诊断,能够正确判断各部件工作状态,快速确定维修方案,保证飞行安全。在结合深度信念网络和决策融合理论的基础上,提出了基于深度学习的航空发动机故障融合诊断模型。该模型通过分析发动机
- 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： 航空发动机的结构完整性关乎飞行安全。目前基于孔探技术的航空发动机缺陷检测以人工操作为主。为提高检测精度和效率，提出了一种融合注意力和多尺度特征的航空发动机缺陷智能检测算法，以辅助孔探工作。首先，针对原始孔探图像中缺陷样本的类别不平衡问题，采用了一种基于几何变换和泊松图像编辑的多样本融合数据增强方法，丰富小样本图像并构建缺陷数据集。然后，在基准网络YOLOv5中融入协调注意力模块(CA)，以强调缺陷特征的提取，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损失，实现对缺陷目标快速、准确地定位和识别。实验结果表明，本文算法检测缺陷的平均精确度达到了89.7％，较基准网络提升了6.3％，训练后的模型大小仅为14.0M。因此，所提方法可以有效地检测航空发动机的主要缺陷。