基于堆栈自编码器和DeepAR的航空发动机剩余寿命预测

作者： 李浩   王卓健   李哲   陈煊   李园   来源： 推进技术 年份： 2023 文献类型 ： 期刊 关键词： 航空发动机   寿命预测   深度学习   预测模型   数据融合  

描述： 针对现有航空发动机剩余寿命预测大多基于单点预测模式，不能准确给出预测结果置信区间的问题，提出了一种基于堆栈自编码器结合DeepAR模型的概率分布预测模型。首先，堆栈自编码器通过无监督式深度学习对发动机监测数据进行特征提取，构建反映性能退化的健康指标（HI），基于双向长短期记忆（BiLSTM）网络构建DeepAR预测模型，将提取后的HI序列输入到DeepAR模型中，预测模型对HI序列与使用时间的隐含关系进行全局学习，并输出发动机剩余寿命的概率分布参数。利用CMPASS涡扇发动机退化数据集进行实验，验证所提方法的有效性。结果表明，本文所提预测方法同其他方法相比，对监测数据融合的效果更好，预测模型性能提高6.4%，实际剩余寿命基本在95%置信区间内。

时间域航空电磁激发极化参数三维反演研究

作者： 满开峰   殷长春   刘云鹤   孙思源   熊彬   来源： 地球物理学报 年份： 2023 文献类型 ： 期刊 关键词： Pearson相关约束   激发极化效应   时间域航空电磁   深度学习   3D反演  

描述： 时间域航空电磁中心回线(或重叠回线)装置晚期道数据受激电效应影响常出现符号反转现象.这类数据与多个激电参数相关，并且各参数之间灵敏度差异较大，导致反演存在严重的非唯一性.本文提出一种基于Pearson相关性约束和深度学习算法相结合的时间域航空电磁激发极化参数反演策略.该反演策略首先基于深度学习预测时间域航空电磁激电参数，进而给时间常数和频率相关系数一个较小的约束范围后再反演电阻率和极化率，由此大大减少反演的多解性.针对电阻率和极化率的反演，我们采用统计学中Pearson相关系数构建两种物性参数的相关性约束，进一步减少反演多解性.为验证反演策略的有效性，我们对双棱柱模型和拱形模型分别进行反演试算.理论测试结果表明，基于Pearson相关性约束的电阻率和极化率的反演结果比传统的高斯-牛顿反演结果更接近真实模型，而基于深度学习预测时间常数和频率相关系数后的电阻率和极化率反演结果与给定真实时间常数和频率相关系数后的反演结果效果相当.最后，我们对来自澳大利亚的带激电效应的航空电磁实测数据在考虑和不考虑激电效应条件下进行反演，结果表明考虑激电效应的反演无论数据拟合还是地电断面的连续性均得到明显改善.

基于深度学习的航空发动机滑油磨粒检测研究

作者： 侯媛媛   李江红   薛军印   来源： 计算机测量与控制 年份： 2022 文献类型 ： 期刊 关键词： 航空发动机   YOLOv3模型   滑油磨粒检测   深度学习   SER算法  

描述： 针对滑油中磨粒形状复杂且尺寸大小不一，传统滑油磨粒检测方法存在时效性差、检测尺度小、精度低、非铁磁性磨粒不能检测等缺点；设计了一种基于深度学习的航空发动机滑油磨粒检测方法；基于连续流微流控芯片的滑油图像采样方法，构建滑油图像采样系统；设计图像增强方法，进行图像数据增强消融试验研究，针对YOLOv3模型和Faster RCNN模型进行精度测试，结果表明消融试验后的YOLOv3模型检测能力明显优于Faster RCNN模型；为减少消融后YOLOv3模型的误检率，提出SER算法以优化该模型的推理置信度阈值；研究结果表明滑油磨粒检测方法可解决传统测试中存在的问题，且在0.35的置信度阈值下，YOLOv3模型的检测结果能够达到94.2%的召回率和95.9%的精确度。

基于多传感器融合卷积神经网络的航空发动机轴承故障诊断

作者： 杨洁   万安平   王景霖   单添敏   缪徐   李客   左强   来源： 中国电机工程学报 年份： 2022 文献类型 ： 期刊 关键词： 航空发动机   卷积神经网络   多传感器信息融合   故障诊断   深度学习  

描述： 航空发动机轴承进行故障诊断。该模型采用一维卷积神经网络(one dimensional convolutional neural network,1D-CNN)对实验获取的某航空发动机的轴承故障振动

基于深度学习的航空发动机磨损部位识别方法

作者： 苗慧慧   曹桂松   孙智君   康玉祥   马佳丽   陈果   来源： 润滑与密封 年份： 2023 文献类型 ： 期刊 关键词： 航空发动机   一维卷积残差网络   能谱分析   深度学习   磨损  

描述： 针对航空发动机润滑系统中摩擦副部件复杂、磨损颗粒能谱监测元素众多，靠人工经验难于进行磨损部位精确识别的问题，提出一种基于深度学习的航空发动机润滑系统磨损部位识别方法。该方法应用一维卷积核为计算单元，搭建一维卷积残差网络模型。以航空发动机润滑油中磨损颗粒能谱分析数据为输入，采用所搭建的一维卷积残差网络模型实现对能谱数据的特征提取以及航空发动机磨损部位的定位识别；以某型航空发动机润滑油中磨损颗粒实测能谱数据验证该方法的有效性，并和Resnet18、Resnet34、CNN等网络模型进行对比验证。结果表明，所提方法对航空发动机磨损部位的识别精度达到95%以上。为了验证模型的鲁棒性和泛化能力，在真实的某型航空发动机能谱数据基础上，对含氧数据和噪声数据分别进行测试，进一步说明该模型用于对磨损定位识别的有效性，具备实际应用的可行性。

航空装配领域中命名实体识别的持续学习框架

作者： 刘沛丰   钱璐   赵兴炜   陶波   来源： 浙江大学学报(工学版) 年份： 2023 文献类型 ： 期刊 关键词： 航空装配   深度学习   智能制造   命名实体识别   持续学习  

描述： 框架在正确率、召回率、F1值上均显著优于以往算法，所提框架可以为航空装配领域命名实体识别任务持续提供可信的结果.

高分辨率航空遥感图像的建筑物识别

作者： 王玉琴   尤静静   蔡世鑫   来源： 北京测绘 年份： 2023 文献类型 ： 期刊 关键词： 遥感图像   RCNN)模型   快速区域卷积神经网络(Faster   建筑物识别   深度学习  

描述： 目前深度学习方法的研究已在语音辨别、图像识别、信息检索等方面取得较大成果。建筑物的自动检测与识别已成为遥感图像处理范畴研究的热点。针对高分辨率航空遥感影像中的建筑物快速、精准识别的应用问题，文章提出利用深度学习方法中的快速区域卷积神经网络(Faster RCNN)模型对航空遥感图像进行建筑物识别，经验证，利用Faster RCNN模型对航空遥感图像进行建筑物识别其结果可达93.7%的精准率，平均每张图像识别时间为74 ms,证明了Faster RCNN模型应用于航空遥感图像建筑物识别中的有效性及高效性。

航空发动机状态监控和预测性维护应用研究

作者： 廖鹏程   李昂   王骁   来源： 测控技术 年份： 2023 文献类型 ： 期刊 关键词： 特征提取   深度学习   健康管理   剩余寿命预测   故障预测  

描述： 为了深化飞参数据的应用价值，通过研究发动机转动件故障预测、剩余寿命预测以及气路健康等，为发动机保障决策和预测性维护提供参考。采用经验模态分解(EMD)结合相对向量机(RVM)、灰度模型(GM)用于发动机转动件、气路监测的状态监控和故障预测，选取波音某型飞机故障数据验证了模型的准确性，平均绝对百分比误差(MAPE)能达到8.46%;采用卡尔曼滤波(KF)结合梯度提升决策树(GBDT)的方法对数据进行降噪并预测剩余寿命，通过美国国家航空航天局(NASA)的航空发动机仿真数据集验证了模型能达到91.3%的准确率；采用核主成分分析(KPCA)结合深度置信网络(DBN)的方法建立发动机气路健康监控模型，经过大量QAR数据验证和测试，预测相对误差为0.43%。针对基于数据挖掘的航空发动机故障诊断算法开展研究，设计了相应的算法，开展了实验验证，通过有效的数据预处理和模型参数调节，使得故障诊断性能达到较高水准，为航空发动机的预测性维护提供了重要参考。

基于深度学习的航空发动机磨损部位识别方法

作者： 苗慧慧   曹桂松   孙智君   康玉祥   马佳丽   陈果   来源： 润滑与密封 年份： 2023 文献类型 ： 期刊 关键词： 航空发动机   一维卷积残差网络   能谱分析   深度学习   磨损  

描述： 针对航空发动机润滑系统中摩擦副部件复杂、磨损颗粒能谱监测元素众多，靠人工经验难于进行磨损部位精确识别的问题，提出一种基于深度学习的航空发动机润滑系统磨损部位识别方法。该方法应用一维卷积核为计算单元，搭建一维卷积残差网络模型。以航空发动机润滑油中磨损颗粒能谱分析数据为输入，采用所搭建的一维卷积残差网络模型实现对能谱数据的特征提取以及航空发动机磨损部位的定位识别；以某型航空发动机润滑油中磨损颗粒实测能谱数据验证该方法的有效性，并和Resnet18、Resnet34、CNN等网络模型进行对比验证。结果表明，所提方法对航空发动机磨损部位的识别精度达到95%以上。为了验证模型的鲁棒性和泛化能力，在真实的某型航空发动机能谱数据基础上，对含氧数据和噪声数据分别进行测试，进一步说明该模型用于对磨损定位识别的有效性，具备实际应用的可行性。

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。