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。

基于深度学习的航空重力梯度测量事后误差补偿方法研究

作者： 程一   来源： 吉林大学 年份： 2021 文献类型 ： 学位论文 关键词： 信号仿真   旋转式重力梯度仪   误差补偿   深度学习   航空重力梯度测量误差  

描述： 基于深度学习的航空重力梯度测量事后误差补偿方法研究

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。

面向民航陆空通话的语音识别技术研究

作者： 王佳文   来源： 南京航空航天大学 年份： 2018 文献类型 ： 学位论文 关键词： 语种识别   民航陆空通话   深度学习   迁移学习   语音识别  

描述： 面向民航陆空通话的语音识别技术研究

基于QAR数据的飞机发动机故障诊断方法的研究

作者： 荆茂春   来源： 中国民航大学 年份： 2020 文献类型 ： 学位论文 关键词： QAR数据   稀疏自编码器   深度学习   ELM   ConvLstm  

描述： 基于QAR数据的飞机发动机故障诊断方法的研究

VHR航空影像城市建筑物提取及其变化检测研究

作者： 林欣   来源： 长安大学 年份： 2020 文献类型 ： 学位论文 关键词： 数据集   建筑物提取   深度学习   变化检测   航空影像  

描述： VHR航空影像城市建筑物提取及其变化检测研究

基于特征表示的民航地空对讲系统干扰检测技术研究

作者： 乔涛   来源： 西安电子科技大学 年份： 2018 文献类型 ： 学位论文 关键词： 干扰检测   BP神经网络   深度学习   特征表示   民航地空对讲系统  

描述： 基于特征表示的民航地空对讲系统干扰检测技术研究

飞机液压系统关键部件性能变化趋势预测方法研究

作者： 李鹏程   来源： 沈阳航空航天大学 年份： 2019 文献类型 ： 学位论文 关键词： 极限学习机   深度学习   粒子群算法   趋势预测   飞机液压泵  

描述： 飞机液压系统关键部件性能变化趋势预测方法研究

民航发动机全寿命周期机队维修策略优化方法研究

作者： 李臻   来源： 哈尔滨工业大学 年份： 2019 文献类型 ： 学位论文 关键词： 面向机队优化   全寿命优化   深度学习   强化学习   民航发动机维修  

描述： 民航发动机全寿命周期机队维修策略优化方法研究

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.