基于知识图谱与模糊贝叶斯推理的航空发动机故障诊断

作者： 张亮     吴闯     贾宇航     谢小月     唐希浪   来源： 空军工程大学学报 年份： 2024 文献类型 ： 期刊 关键词： 模糊贝叶斯网络   航空发动机   故障诊断   知识图谱  

描述： 基于知识图谱与模糊贝叶斯推理的航空发动机故障诊断

基于知识图谱与模糊贝叶斯推理的航空发动机故障诊断

作者： 张亮     吴闯     贾宇航     谢小月     唐希浪   来源： 空军工程大学学报 年份： 2024 文献类型 ： 期刊 关键词： 模糊贝叶斯网络   航空发动机   故障诊断   知识图谱  

描述： 基于知识图谱与模糊贝叶斯推理的航空发动机故障诊断

基于RSM/XGBoost和KF的航空发动机RUL预测

作者： 李东文   王海瑞   朱贵富   刘翠琴   杨修琦   来源： 空军工程大学学报 年份： 2023 文献类型 ： 期刊 关键词： 随机搜索算法   航空发动机   XGBoost   卡尔曼滤波   剩余使用寿命  

描述： 航空发动机精确的剩余使用寿命预测是确保发动机安全服役必须开展的环节。针对复杂工况环境下涡扇发动机的剩余使用寿命预测问题，提出了一种基于极端梯度提升和卡尔曼滤波的寿命预测模型。首先，采用高斯分布对原始

基于双通道模型的航空发动机剩余寿命预测

作者： 车鲁阳     高军伟     付惠琛   来源： 空军工程大学学报 年份： 2023 文献类型 ： 期刊 关键词： 航空发动机   寿命预测   时间卷积网络   卷积长短时间记忆网络   多头注意力机制  

描述： 针对现阶段航空发动机单一剩余使用寿命预测模型数据挖掘深度不足导致预测精度低的问题，提出一种双通道模型的预测方法。首先，构建双通道网络结构：通道一使用时间卷积网络，通过残差结构和空洞卷积使得网络具有

基于RSM/XGBoost和KF的航空发动机RUL预测

作者： 李东文   王海瑞   朱贵富   刘翠琴   杨修琦   来源： 空军工程大学学报 年份： 2023 文献类型 ： 期刊 关键词： 随机搜索算法   航空发动机   XGBoost   卡尔曼滤波   剩余使用寿命  

描述： 航空发动机精确的剩余使用寿命预测是确保发动机安全服役必须开展的环节。针对复杂工况环境下涡扇发动机的剩余使用寿命预测问题，提出了一种基于极端梯度提升和卡尔曼滤波的寿命预测模型。首先，采用高斯分布对原始

基于双通道模型的航空发动机剩余寿命预测

作者： 车鲁阳     高军伟     付惠琛   来源： 空军工程大学学报 年份： 2023 文献类型 ： 期刊 关键词： 航空发动机   寿命预测   时间卷积网络   卷积长短时间记忆网络   多头注意力机制  

描述： 针对现阶段航空发动机单一剩余使用寿命预测模型数据挖掘深度不足导致预测精度低的问题，提出一种双通道模型的预测方法。首先，构建双通道网络结构：通道一使用时间卷积网络，通过残差结构和空洞卷积使得网络具有

基于MIC特征提取与BO-CatBoost的航空发动机RUL预测

作者： 李东君     李亚     李东文     朱贵富   来源： 空军工程大学学报 年份： 2024 文献类型 ： 期刊 关键词： 航空发动机   MIC   贝叶斯优化   剩余使用寿命   Bo   CatBoost  

描述： 针对航空发动机传感器监测的退化参数提取困难，易受噪声干扰及发动机剩余使用寿命预测精度不足等问题，利用最大信息系数、贝叶斯优化算法和类别特征梯度提升算法，提出了一种新的发动机剩余使用寿命预测模型。首先

基于数据融合与GRU的航空发动机剩余寿命预测

作者： 李路云   王海瑞   朱贵富   来源： 空军工程大学学报 年份： 2022 文献类型 ： 期刊 关键词： 维纳过程   航空发动机   寿命预测   自助法   门控循环单元   多源传感器数据融合  

描述： 的剩余寿命预测模型，实现对航空发动机剩余寿命的区间预测。为证明所提方法的可行性和优越性，采用涡扇发动机退化数据集(C-MAPSS)的数据进行实验，得到的均方根误差为15.825 4,评分函数值为344.210 5。结果表明，该方法不仅能获得较好的预测效果，还能有效解决深度学习在发动机剩余寿命预测中存在的缺陷。

基于数据融合与GRU的航空发动机剩余寿命预测

作者： 李路云   王海瑞   朱贵富   来源： 空军工程大学学报 年份： 2022 文献类型 ： 期刊 关键词： 维纳过程   航空发动机   寿命预测   自助法   门控循环单元   多源传感器数据融合  

描述： 的剩余寿命预测模型，实现对航空发动机剩余寿命的区间预测。为证明所提方法的可行性和优越性，采用涡扇发动机退化数据集(C-MAPSS)的数据进行实验，得到的均方根误差为15.825 4,评分函数值为344.210 5。结果表明，该方法不仅能获得较好的预测效果，还能有效解决深度学习在发动机剩余寿命预测中存在的缺陷。