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
- 基于维修日志的飞机设备故障原因判别方法
- 作者： 王锐光 吴际 刘超 杨海燕 来源： 软件学报 年份： 2019 文献类型 ： 期刊 关键词： 维修日志 卷积神经网络 故障诊断 随机森林
- 描述： 在飞机维修与保养过程中,航空维修公司已积累了大量经验性的维修日志数据.合理利用该类维修日志,结合机器学习方法,可以辅助维修人员做出正确的故障诊断决策.首先,针对维修日志的特殊性,提出一种迭代式
- 基于模态分析的某型飞机液压管路故障诊断
- 作者： 寸文渊 赵正大 陈果 张茂林 陈雪梅 侯民利 来源： 液压与气动 年份： 2019 文献类型 ： 期刊 关键词： 故障诊断 飞机管路 模态分析 液压系统
- 描述： 针对某型飞机液压管路吸油模块与扩口式直角接头连接处螺纹损坏,接头脱出,导致液压系统漏油的故障,建立了管道有限元动力学模型,进行了管道模态仿真分析。发现故障管道出现了导致管道故障的危险模态,该阶模态频率范围正好在发动机的工作转速范围内,在发动机振动频率的激励下,激发该阶模态振动,引起管道共振,产生很大的作用力,导致连接螺纹损坏和接头脱出,从而形成故障。基于模态分析方法,对该管道进行了改进,有效地避免了该阶模态的出现。实际的飞机管路系统的改进效果表明了分析方法的正确性。
- 基于隶属度和LMK-ELM的航空电子部件诊断方法
- 作者： 朱敏 许爱强 李睿峰 戴金玲 来源： 航空学报 年份： 2019 文献类型 ： 期刊 关键词： 模糊C均值聚类 局部多核学习 故障诊断 超限学习机
- 描述： 为提高航空电子部件模块级故障诊断精度，提出一种新的面向“软聚类”的局部多核学习（LMKL）-超限学习机（ELM）离线诊断方法。通过引入模糊C均值聚类对样本空间进行模糊划分，挖掘聚类内部多样性的同时
- 某型飞机武器发控通道测点选择方法及应用
- 作者： 吕晓峰 周德云 马羚 来源： 电光与控制 年份： 2019 文献类型 ： 期刊 关键词： 武器发射控制 故障诊断 启发式函数 测点选择
- 描述： 测点选择是故障诊断的前提。通过对信号和故障模式之间关系的分析,建立了武器发控通道系统关系模型和相关性矩阵,以构造衡量测点优劣程度的启发式函数为基础,设计了一种启发式测试优化方案,运用遗传算法求解最佳测点集。仿真结果表明,该方案能够有效地提高某型飞机武器发控通道故障诊断效率。
- 人工智能在航空装备故障诊断中的应用
- 作者： 贾晓霞 谢登峰 来源： 2019航空装备服务保障与维修技术论坛暨中国航空工业技术装备工程协会年会 年份： 2019 文献类型 ： 会议论文 关键词： 故障诊断 人工智能 特征向量 知识图谱
- 描述： 人工智能在航空装备故障诊断中的应用
- 基于迁移深度降噪自动编码器的飞机关键机械部件故障诊断方法
- 作者： 李兴球 姜洪开 王瑞欣 吴正红 来源： 第十三届全国振动理论及应用学术会议 年份： 2019 文献类型 ： 会议论文 关键词： 迁移深度降噪自动编码器 标签数据缺少 飞机关键机械部件 故障诊断
- 描述： 基于迁移深度降噪自动编码器的飞机关键机械部件故障诊断方法
- 基于深度学习的航空监视方法研究
- 作者： 王艳明 王宝珠 来源： 电子测量技术 年份： 2019 文献类型 ： 期刊 关键词： 航空监视 深度学习 人工智能 国土安全 俯视视角
- 描述： 我国是一个幅员辽阔的国家,地理条件复杂,常规的国土安全巡检方法会耗费大量人力物力。为此,提出了一种基于深度学习的航空监视方法,其利用无人机从高空采集图像,并利用卷积神经网络对采集图像进行分类判断,从而对场景进行监视。其目的在于用人工智能的手段,通过无人机代替人工进行巡检,从而提高国土安全监视效率。为此,本文建立了包含10种不同场景的俯视视角的数据库。通过卷积神经网络模型,对不同场景的图像特征进行学习,使得模型可以分辨不同的场景。为了验证本方法的可行性,本文在10种空基视角的数据库上进行了实验,结果显示其分类准确率达到97%。说明本方法可满足安全监视的需求,为实现智能监视提供了思路。
- 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。