描述:
对航空发动机进行实时状态监测与健康管理可以有效降低发动机故障风险,确保飞机飞行安全。准确预测航空发动机的剩余寿命是有效监测发动机运行状态的一种重要手段,其中长短期记忆(Long-Short Term Memory,LSTM)网络常被使用。但由于航空发动机复杂的机械结构与运行模式,使用传统的LSTM网络对航空发动机的剩余寿命进行单次预测后,所得预测结果的准确率不足以满足其寿命预测的精度要求。基于LSTM网络的广泛使用以及它对时间序列数据的有效预测能力,并考虑到采用多级预测的方法能够有效降低预测误差,提出了一种新型的可自动扩展的长短期记忆(AutomaticallyExpandableLSTM,AELSTM)预测模型。AELSTM模型依托多个子模块逐级连接的网络结构,不断地提取前一级模块的输出误差作为后一级模块的训练值,形成了误差的多级预测机制,有效降低了模型的预测误差,提升了预测结果的准确性。最后,基于美国国家航空航天局发布的C-MAPSS数据集的四个子集,对AELSTM模型的预测效果进行了测试。实验结果表明,与传统的LSTM网络相比,AELSTM模型在四个子集上的均方根误差平均减少了95.44%,同时它的预测效果也优于现有的一些先进算法。实验充分验证了AELSTM模型在提升航空发动机剩余寿命预测准确度方面的有效性与优势。
描述:
针对航空航天大类人才培养面临学科综合性、交叉性强,对学生实践能力要求高的问题,以提升项目为主的“大学生科研训练计划”(Students Research Training Program,SRTP)模式的培养成效为目标,通过建立“四阶段”“一提升”的分阶段渐进式科研能力培养机制,构建教师和本科生科研实践共同体,探索一种可持续的科研实践引领航空航天大类人才全过程培养模式。面向航空航天大类本科生,以飞行器隐身技术科研项目为培养范例,开展具有科技前沿、跨专业知识交叉融合特点的SRTP实践。实践表明,基于分阶段渐进式科研能力培养机制,开展以项目为主的SRTP,有助于实现本科生科研“软、硬”技能的提升,培养本科生创新实践和交叉应用能力,为其终身学习和发展奠定更为坚实的科学基础。