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
- 民用航空发动机振动配平功能设计
- 作者： 尚洋 来源： 航空发动机 年份： 2018 文献类型 ： 期刊 关键词： N1振动值 发动机配平 影响系数法 涡扇发动机
- 描述： 振动故障是航空发动机常见并且危害较大的故障,可能导致发动机运营事故或提前更换,增加航空公司运营成本,进行转子平衡是降低发动机振动的重要措施。根据民用涡扇发动机的设计特点和振动配平相关原理,设计了利用
- 民用航空发动机振动配平功能设计
- 作者： 尚洋 来源： 航空发动机 年份： 2018 文献类型 ： 期刊 关键词： N1振动值 发动机配平 影响系数法 涡扇发动机
- 描述： 振动故障是航空发动机常见并且危害较大的故障,可能导致发动机运营事故或提前更换,增加航空公司运营成本,进行转子平衡是降低发动机振动的重要措施。根据民用涡扇发动机的设计特点和振动配平相关原理,设计了利用
- 民用航空涡扇发动机增压级后可调放气阀控制规律设计
- 作者： 唐鸿羽 阙建锋 邱建 来源： 航空科学技术 年份： 2018 文献类型 ： 期刊 关键词： 修正系数 控制规律 增压级 涡扇发动机 增压级后可调放气阀
- 描述： 换算转速N1R为主控参数,以及放气面积与高压相对换算转速转差比值A24/ΔN2R为修正系数的VBV控制规律设计方法,为民用航空涡扇发动机VBV控制规律设计提供了具体思路。
- 民用航空涡扇发动机增压级后可调放气阀控制规律设计
- 作者： 唐鸿羽 阙建锋 邱建 来源： 航空科学技术 年份： 2018 文献类型 ： 期刊 关键词： 修正系数 控制规律 增压级 涡扇发动机 增压级后可调放气阀
- 描述： 换算转速N1R为主控参数,以及放气面积与高压相对换算转速转差比值A24/ΔN2R为修正系数的VBV控制规律设计方法,为民用航空涡扇发动机VBV控制规律设计提供了具体思路。
- 应用深度核极限学习机的航空发动机部件故障诊断
- 作者： 逄珊 杨欣毅 张勇 韦祥 来源： 推进技术 年份： 2018 文献类型 ： 期刊 关键词： 极限学习机 故障诊断 深度神经网络 核方法 涡扇发动机 部件
- 描述： 运用传统单隐层的神经网络进行航空发动机部件故障诊断识别受其浅层结构影响,精度不高,而用深度置信网络(Deep belief network,DBN)等深度学习方法则存在耗时、参数训练复杂的问题。为解决现有的基于数据驱动的发动机部件故障诊断方法的不足,提高诊断精度,缩短训练时间,将核方法和多层极限学习机(Multilayer extreme learning machine,M-ELM)相结合,提出一种深度核极限学习机(Deep kernel extreme learning machine,DK-ELM)。算法首先利用深度网络结构对输入数据进行逐层的特征提取,抽象得到的特征通过核函数实现高维空间映射分类。这些措施有利于提高算法的分类精度和泛化性能,在训练速度上较深度学习也有明显的提高。将该算法与深度学习和其他极限学习机算法进行综合比较研究,结果表明:基于DK-ELM的诊断方法有效、可靠,便于实现,为航空发动机部件故障诊断提供一个更为优秀实用的工具。
- 应用深度核极限学习机的航空发动机部件故障诊断
- 作者： 逄珊 杨欣毅 张勇 韦祥 来源： 推进技术 年份： 2018 文献类型 ： 期刊 关键词： 极限学习机 故障诊断 深度神经网络 核方法 涡扇发动机 部件
- 描述： 运用传统单隐层的神经网络进行航空发动机部件故障诊断识别受其浅层结构影响,精度不高,而用深度置信网络(Deep belief network,DBN)等深度学习方法则存在耗时、参数训练复杂的问题。为解决现有的基于数据驱动的发动机部件故障诊断方法的不足,提高诊断精度,缩短训练时间,将核方法和多层极限学习机(Multilayer extreme learning machine,M-ELM)相结合,提出一种深度核极限学习机(Deep kernel extreme learning machine,DK-ELM)。算法首先利用深度网络结构对输入数据进行逐层的特征提取,抽象得到的特征通过核函数实现高维空间映射分类。这些措施有利于提高算法的分类精度和泛化性能,在训练速度上较深度学习也有明显的提高。将该算法与深度学习和其他极限学习机算法进行综合比较研究,结果表明:基于DK-ELM的诊断方法有效、可靠,便于实现,为航空发动机部件故障诊断提供一个更为优秀实用的工具。
- 应用深度核极限学习机的航空发动机部件故障诊断
- 作者： 逄珊 杨欣毅 张勇 韦祥 来源： 推进技术 年份： 2018 文献类型 ： 期刊 关键词： 极限学习机 故障诊断 深度神经网络 核方法 涡扇发动机 部件
- 描述： 运用传统单隐层的神经网络进行航空发动机部件故障诊断识别受其浅层结构影响,精度不高,而用深度置信网络(Deep belief network,DBN)等深度学习方法则存在耗时、参数训练复杂的问题。为解决现有的基于数据驱动的发动机部件故障诊断方法的不足,提高诊断精度,缩短训练时间,将核方法和多层极限学习机(Multilayer extreme learning machine,M-ELM)相结合,提出一种深度核极限学习机(Deep kernel extreme learning machine,DK-ELM)。算法首先利用深度网络结构对输入数据进行逐层的特征提取,抽象得到的特征通过核函数实现高维空间映射分类。这些措施有利于提高算法的分类精度和泛化性能,在训练速度上较深度学习也有明显的提高。将该算法与深度学习和其他极限学习机算法进行综合比较研究,结果表明:基于DK-ELM的诊断方法有效、可靠,便于实现,为航空发动机部件故障诊断提供一个更为优秀实用的工具。
- 应用深度核极限学习机的航空发动机部件故障诊断
- 作者： 逄珊 杨欣毅 张勇 韦祥 来源： 推进技术 年份： 2018 文献类型 ： 期刊 关键词： 极限学习机 故障诊断 深度神经网络 核方法 涡扇发动机 部件
- 描述： 运用传统单隐层的神经网络进行航空发动机部件故障诊断识别受其浅层结构影响,精度不高,而用深度置信网络(Deep belief network,DBN)等深度学习方法则存在耗时、参数训练复杂的问题。为解决现有的基于数据驱动的发动机部件故障诊断方法的不足,提高诊断精度,缩短训练时间,将核方法和多层极限学习机(Multilayer extreme learning machine,M-ELM)相结合,提出一种深度核极限学习机(Deep kernel extreme learning machine,DK-ELM)。算法首先利用深度网络结构对输入数据进行逐层的特征提取,抽象得到的特征通过核函数实现高维空间映射分类。这些措施有利于提高算法的分类精度和泛化性能,在训练速度上较深度学习也有明显的提高。将该算法与深度学习和其他极限学习机算法进行综合比较研究,结果表明:基于DK-ELM的诊断方法有效、可靠,便于实现,为航空发动机部件故障诊断提供一个更为优秀实用的工具。