以学科建设驱动研究生创新能力培养模式的探索与实践——以南昌航空大学环境专业为例

作者： 邓颖   杨波   邓芳   杨丽霞   来源： 南昌航空大学学报(自然科学版) 年份： 2022 文献类型 ： 期刊 关键词： 创新能力   研究生培养   联动模式   学科建设  

描述： 目前我国研究生创新能力培养过程中存在人均科研资源有限，专业教学与思政育人不能同频共振，科研育人机制不健全等问题。南昌航空大学以传统优势学科——环境专业领域的硕士研究生为培养对象，以学科平台建设

浅谈我国航空制造企业如何借助新媒体加强青少年航空科普工作：以中国商飞上海飞机制造有限公司“上飞”微信公众平台为例

作者： 阎超   来源： 中国梦·航空梦—青少年航空科普教育——首届中国航空科普教育大会 年份： 2016 文献类型 ： 会议论文 关键词： 航空制造企业　　新媒体　　青少年　　航空科普  

描述： 本文探讨了航空制造企业借助新媒体加强青少年航空科普工作的必要性,并基于对"上飞"微信公众平台的简析,认为新媒体给航空科普工作在传播效果上带来了极大变革,最后提出了航空制造企业如何突破现有瓶颈,助力青少年航空科普工作的建议。

京津冀协同创新共同体下高端装备制造业发展研究——以航空航天器制造业为例

作者： 王晓婷   邹昭晞   来源： 学习与探索 年份： 2018 文献类型 ： 期刊 关键词： 协同创新   创新共同体   高端装备制造业   京津冀协同  

描述： 京津冀高端装备制造业协同发展是在产业技术链的不同阶段互为协同主导方和参与方不断深化的一种过程。与一般性产业协同有所区别,京津冀高端装备制造业产业协同有着更为丰富的内涵,技术特性也更明显。从研发、生产

航空发动机燃烧室环境中非预混旋流火焰的标量特征

作者： 肖华林   罗坤   金台   王海鸥   樊建人   来源： 燃烧科学与技术 年份： 2022 文献类型 ： 期刊 关键词： 直接数值模拟   标量通量   火焰因子   非预混火焰   旋流燃烧室  

描述： 参考航空发动机燃烧室典型工况设计了微型模型非预混旋流燃烧室并进行了直接数值模拟，基于火焰因子对火焰标量特征进行了分析．研究发现，在非预混燃烧中，预混燃烧模态广泛存在且是放热的主要贡献者．不同工况中火

航空发动机转子关键构件疲劳寿命预测及可靠性评估方法研究

作者： 赵丙峰   来源： 东北大学 年份： 2019 文献类型 ： 学位论文 关键词： 多轴疲劳   场强法   航空发动机转子   临界面法   疲劳寿命   系统可靠性  

描述： 航空发动机转子关键构件疲劳寿命预测及可靠性评估方法研究

基于残余应力的航空发动机压气机叶片剩余寿命预测研究

作者： 答宇航   来源： 西安电子科技大学 年份： 2019 文献类型 ： 学位论文 关键词： 支持向量机   BP神经网络   压气机叶片   X射线衍射法   残余应力  

描述： 基于残余应力的航空发动机压气机叶片剩余寿命预测研究

基于LSTM模型流量预测的平面信号交叉口交通组织优化研究

作者： 方婷   来源： 兰州交通大学 年份： 2020 文献类型 ： 学位论文 关键词： 交通组织优化   RNN与LSTM网络模型   流量预测   平面信号交叉口  

描述： 基于LSTM模型流量预测的平面信号交叉口交通组织优化研究

民航机务维修人员违章行为风险识别及预警研究

作者： 龚明璐   来源： 武汉理工大学 年份： 2020 文献类型 ： 学位论文 关键词： 违章行为   风险预警指标   民航机务维修人员   风险预测预警   风险识别  

描述： 民航机务维修人员违章行为风险识别及预警研究

航空燃料电池用馈流式半桥DC/DC变换器预测优化控制研究

作者： 赵冬冬   李海言   夏磊   方淳   马睿   皇甫宜耿   赵犇   来源： 中国电机工程学报 年份： 2023 文献类型 ： 期刊 关键词： 模型预测控制   扩张卡尔曼观测器   馈流式半桥DC/DC变换器   燃料电池飞机  

描述： 的负载扰动及燃料电池和变换器模型不精确引起的系统模型失配等问题，设计扩张卡尔曼观测器以实时估计等效负载，同时校正预测模型，提高抗扰能力。最后，通过一个250W的实验样机，对所提出的控制器性能进行验证。

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。