CN117010179B - 基于深度学习的无监督深度适应参数修正方法 - Google Patents
基于深度学习的无监督深度适应参数修正方法 Download PDFInfo
- Publication number
- CN117010179B CN117010179B CN202310897948.0A CN202310897948A CN117010179B CN 117010179 B CN117010179 B CN 117010179B CN 202310897948 A CN202310897948 A CN 202310897948A CN 117010179 B CN117010179 B CN 117010179B
- Authority
- CN
- China
- Prior art keywords
- data
- black box
- test flight
- deep learning
- flight data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013135 deep learning Methods 0.000 title claims abstract description 37
- 238000012937 correction Methods 0.000 title claims abstract description 32
- 230000006978 adaptation Effects 0.000 title claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 69
- 238000004088 simulation Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于航空发动机试验数据分析与深度学习技术领域，具体公开了一种基于深度学习的无监督深度适应参数修正方法。其中，为了提高黑盒模型输出数据的精度，进而提高试飞数据与黑盒模型仿真数据的一致性和准确性，本发明基于深度学习的强大学习能力提出了一种无监督深度适应参数修正方法，通过挖掘不同场景、状态和科目对试飞数据与黑盒模型仿真数据之间的差异并进行修正，从而缩小了试飞数据与黑盒数据之间的特征差异性，进而提高了黑盒模型输出数据的精度，大大缩减了参数修正过程中的时间成本和经费成本。
Description
技术领域
本发明属于航空发动机试验数据分析与深度学习技术领域，具体涉及一种基于深度学习的无监督深度适应参数修正方法。
背景技术
航空发动机试验是保证飞机发动机安全可靠运行的必要手段之一，发动机性能模型是评估发动机性能的重要工具，其准确性对于飞机的安全和经济性都有很大的影响。
在发动机性能模型修正中，试飞数据是关键的信息源。试飞数据是通过在实际飞行中测量得到的，因此其准确性和可靠性非常高。试飞数据的分析和处理是模型修正的关键步骤，需要使用一系列的统计方法和数据分析技术来提取试飞数据的特征信息。
在发动机性能模型的研究中，黑盒模型是一种重要的方法。黑盒模型基于试飞数据和测试数据来构建数学模型，以预测发动机的性能和响应。但是，黑盒模型也存在精度不足的问题，尤其是在一些稳态和动态的模拟仿真上，这增加了安全隐患和经济损失的风险。
目前，深度学习技术在发动机模型方向提供了修改参数方面的研究基础，例如：
专利文献1公开了一种基于深度学习的航空发动机模型自适应修正方法，该方法利用循环神经网络算法构建动态并行补偿器，对航空发动机性能未蜕化状态下全包线范围内原始非线性模型误差进行补偿；利用遗传算法调整原始非线性部件级模型中待修正健康参数的修正因子，通过基于集成评价的多指标决策算法确定待修正健康参数。该方法提高了航空发动机全包线建模精度，为控制系统和故障诊断系统设计提供了支持。然而该文献没有考虑航空发动机运行环境对模型误差的影响，也没有对比其他深度学习算法在建模精度上的优劣。
专利文献2公开了一种基于神经网络的航空发动机线性变参数模型建立方法，该方法利用在线训练的神经网络模型，能够根据航空发动机的调度参数，获得线性变参数模型的状态方程和输出方程的输出，进而建立航空发动机线性变参数模型。然而，该专利文献没有考虑神经网络模型的稳定性和鲁棒性问题，也没有对比其他建模方法的优劣。
然而，专利文献1和专利文献2虽然给出了利用深度学习技术在发动机模型方向修改参数方面的研究基础，但并未充分挖掘试飞数据与黑盒模型仿真数据之间的关系，具体体现在：以上两篇专利文献均未考虑航空发动机运行环境(不同场景、状态和科目)对模型误差的影响，也没有充分挖掘实际试飞数据与发动机模型仿真数据的差异和深度联系。
参考文献
专利文献1中国发明专利申请公开号：CN108416086A，公开日期：20180817；
专利文献2中国发明专利申请公开号：CN113282004A，公开日期：20210820。
发明内容
本发明的目的在于提出一种基于深度学习的无监督深度适应参数修正方法，以缩小试飞数据与黑盒模型仿真数据之间的特征差异性，从而使得经过补偿模型网络修正后的数据更加贴近于试飞数据，从而提高了黑盒模型输出数据的精度。
本发明为了实现上述目的，采用如下技术方案：
基于深度学习的无监督深度适应参数修正方法，包括如下步骤：
步骤1.数据预处理；
收集不同飞行状态、不同试飞科目以及不同引气构型场景、状态下的黑盒模型仿真输出参数和发动机响应数据参数，对收集的试飞数据和黑盒模型仿真数据进行预处理；
将预处理后的试飞数据和黑盒模型仿真数据分别组成发动机响应参数数据集即试飞数据以及黑盒模型仿真参数数据集即黑盒数据，用于补偿模型网络的训练；
步骤2.搭建补偿模型网络；
补偿模型网络同时用来处理试飞数据和黑盒数据，补偿模型网络结构包括全连接层FC1、全连接层FC2、全连接层FC3、全连接层FC4以及全连接层FC5；
FC1和FC2用于学习试飞数据和黑盒数据的特征表示，每一层使用激活函数将输入数据映射到更高级的表示空间，通过距离损失函数训练两个特征空间趋于靠近；
FC3、FC4和FC5用于学习一个强回归器，使得黑盒数据的输出贴近试飞数据；
步骤3.利用步骤1中得到的试飞数据以及黑盒数据两个数据集，对步骤2搭建的补偿模型网络进行训练，来同时学习两个数据集的表示以及一个强回归器；
训练完成后，利用训练好的补偿模型网络生成趋近于试飞数据的黑盒模型修正数据。
此外，在上述基于深度学习的无监督深度适应参数修正方法的基础上，本发明还提出了一种计算机设备，该计算机设备包括存储器和一个或多个处理器。
所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，用于实现上面述及的基于深度学习的无监督深度适应参数修正方法的步骤。
此外，在上述基于深度学习的无监督深度适应参数修正方法的基础上，本发明还提出了一种计算机可读存储介质，其上存储有程序。该程序被处理器执行时，用于实现上面述及的基于深度学习的无监督深度适应参数修正方法的步骤。
本发明具有如下优点：
如上所述，本发明述及了一种基于深度学习的无监督深度适应参数修正方法。本发明基于深度学习的强大学习能力，分析与挖掘出在不同飞行状态、不同试飞科目和不同引气构型场景下黑盒模型仿真数据与试飞数据之间的稳态误差和动态误差，提出一种基于无监督深度适应的参数修正方法，该参数修正方法缩小了试飞数据与黑盒模型仿真数据之间的特征差异性，使得经过补偿模型网络修正后的数据更加贴近于试飞数据，从而提高了黑盒模型输出数据的精度，大大缩减了参数修正过程中的时间成本和经费成本。
附图说明
图1为本发明实施例中基于深度学习的无监督深度适应参数方法的修正流程图。
图2为本发明实施例中搭建的补偿模型网络结构图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明：
实施例1
在发动机性能模型研究中，试飞数据是在实际飞行中采集的，包含飞机和发动机的运行状态和性能参数等信息，反映了飞机和发动机在真实环境下的运行情况。试飞数据通常是通过对飞机和发动机进行大量的测试和实验得到的，因此具有较高的准确性和可靠性。
而黑盒模型可以被视为一个模拟器，用于模拟发动机的运行情况，以预测发动机的性能和响应。黑盒模型数据是通过对发动机进行试验和测试得到的，通常包括发动机的输入和输出参数，如推力、转速、油耗等。
由于试飞数据和黑盒模型数据具有不同的来源和性质，因此它们是来自不同领域的数据，同样具有不同的数据特征。为了缩小试飞数据与黑盒模型仿真数据之间的领域差异性、特征差异性，本发明利用黑盒模型和相关试飞数据，基于深度学习的强大的学习能力，分析与挖掘出在不同的飞行状态、不同试飞科目的影响和不同引气构型场景、状态下黑盒模型仿真数据与试飞数据之间的稳态误差和动态误差(差异关系)，从而提出一种基于深度学习的无监督深度适应参数修正方法，如图1所示，该方法包括如下步骤：
步骤1.数据预处理。
收集不同飞行状态(慢车到爬升、空中加减速、空中启动、进近到慢车、巡航等)、不同试飞科目(油门杆操作方法、频率等)的试飞数据(即发动机响应数据参数)以及不同引气构型(需通过稳态模型进行计算的统计分析)场景、状态下的黑盒模型仿真数据。
其中，试飞数据和黑盒模型仿真数据包括N1、N2以及ETG等。对收集的试飞数据和黑盒模型仿真数据进行预处理，包括丢弃异常值以及数据标准化操作等，以确保数据的质量和格式一致性。将预处理后的试飞数据和黑盒模型仿真数据分别组成发动机响应参数数据集即试飞数据以及黑盒模型仿真参数数据集即黑盒数据，用于补偿模型网络的训练。
步骤2.搭建补偿模型网络。
通过分析不同场景下，有效的试飞数据与黑盒模型仿真数据之间的特征差异，在黑盒发动机仿真数据与试飞数据之间建立一种补偿模型网络，使得黑盒模型的输出参数通过映射修正后的值与试飞数据的参数值满足精度要求。因此，本发明的目的是尽可能缩小试飞数据和黑盒模型仿真数据之间的距离，搭建的补偿模型网络结构如图2所示。
补偿模型网络同时用来处理试飞数据和黑盒数据，看做两个处理过程相同、对应的补偿模型参数共享的网络模型并行运行，如图2所示，本实施例中补偿模型网络结构包括全连接层FC1、全连接层FC2、全连接层FC3、全连接层FC4以及全连接层FC5。
FC1和FC2用于学习试飞数据和黑盒数据的特征表示，每一层使用激活函数将输入数据映射到更高级的表示空间，通过距离损失函数训练两个特征空间趋于靠近。
FC3、FC4和FC5用于学习一个强回归器，使得黑盒数据的输出贴近试飞数据。
需要说明的是，在补偿模型网络的全连接层FC3和全连接层FC4中，在全连接和激活函数之间都有一个批量标准化，以确保激活值都在分布区间内。
FC5输出维度大小等同于输入数据维度大小，以保证黑盒数据输出内容贴近试飞数据。
步骤3.利用步骤1中得到的试飞数据以及黑盒数据两个数据集，对步骤2搭建的补偿模型网络进行训练，来同时学习两个数据集的表示以及一个强回归器。
网络训练完成后，利用训练好的补偿模型网络生成趋近于试飞数据的黑盒模型修正数据。
补偿模型网络的训练过程具体如下：
本发明基于反向传播学习的算法，输入为试飞数据Xs及黑盒数据Xt，以及训练代数T、学习率α和超参数λ，输出为黑盒数据的补偿后的参数集Ot。
在每一轮训练中，使用mini-batched梯度下降法更新补偿模型网络的参数U＝[u1,u2,u3,u4,u5]，使用离线梯度下降更新补偿模型中的参数u1至u5。
其中，u1、u2、u3、u4、u5分别对应表示全连接层FC1、全连接层FC2、全连接层FC3、全连接层FC4以及全连接层FC5中包含的权重和偏差的参数。
其中，表示t+1时刻第f个全连接层对应的权重和偏差的参数，/>表示t时刻第f个全连接层对应的权重和偏差的参数；f＝1,2,3,4,5。
具体的，在训练补偿模型网络时，目标是满足最小化试飞数据和黑盒数据之间的距离以及训练一个强回归器；为了满足这个学习目标，将损失函数ι被定义为：
ι＝ιc(Xs,Ys)+λ×Distance(Qs,Qt) (1)
损失函数ι由回归损失ιc(Xs,Ys)及距离损失Distance(Qs,Qt)组成。
其中，Xs表示输入的试飞数据，Ys表示试飞数据经过补偿模型网络的输出，ιc(Xs,Ys)为训练在数据集Xs上的回归损失；λ是一个常量，控制着距离对损失函数贡献的重要性；
Qs、Qt分别为补偿模型网络中FC2的试飞数据和黑盒数据的输出。
使用试飞数据及黑盒数据生成的特征数据来训练距离损失。
回归损失ιc(Xs,Ys)使用均方误差MSE计算，公式如下：
其中，分别表示试飞数据输入Xs和试飞数据输出Ys对应的第t′个时序特征表示，p表示时序特征的数量。
距离损失Distance(Qs,Qt)使用最大平均差异MMD计算，公式如下：
其中，k(.,.)是核函数，本实施例中使用的是高斯核。
n,m分别表示FC2的试飞数据和黑盒数据的输出Qs,Qt的特征维度大小，对应试飞数据产生的特征的第i,j个值，/>对应黑盒数据产生的特征的第i,j个值。
对于每次迭代，通过最小化ιc(Xs,Ys)来调整u1,u2,u3,u4,u5的参数，通过最小化Distance(Qs,Qt)来重新调整u1,u2参数。
通过梯度下降法来最小化损失函数ι即公式(1)，通过采用反向传播算法最小化损失函数ι，使得补偿模型学习两个数据集的表示和一个强回归器。
网络训练完成后，利用训练好的补偿模型网络生成趋近于试飞数据的黑盒模型修正数据，提高了黑盒模型输出数据的精度，大大缩减了参数修正过程中的时间成本和经费成本。
本发明通过构建基于深度学习的无监督深度适应参数修正方法，借助深度学习实现黑盒模型仿真数据向试飞数据的迁移，使得黑盒模型输出数据更加趋近于试飞数据，精度提高。
实施例2
本实施例2述及了一种计算机设备，该计算机设备用于实现上述实施例1中述及的基于深度学习的无监督深度适应参数修正方法。
具体的，该计算机设备包括存储器和一个或多个处理器。在存储器中存储有可执行代码，当处理器执行可执行代码时，用于实现基于深度学习的无监督深度适应参数修正方法的步骤。
本实施例中计算机设备为任意具备数据数据处理能力的设备或装置，此处不再赘述。
实施例3
本实施例3述及了一种计算机可读存储介质，该计算机可读存储介质用于实现上述实施例1中述及的基于深度学习的无监督深度适应参数修正方法。
具体的，本实施例3中的计算机可读存储介质，其上存储有程序，该程序被处理器执行时，用于实现上述基于深度学习的无监督深度适应参数修正方法的步骤。
该计算机可读存储介质可以是任意具备数据处理能力的设备或装置的内部存储单元，例如硬盘或内存，也可以是任意具备数据处理能力的设备的外部存储设备，例如设备上配备的插接式硬盘、智能存储卡(Smart Media Card，SMC)、SD卡、闪存卡(Flash Card)等。
当然，以上说明仅仅为本发明的较佳实施例，本发明并不限于列举上述实施例，应当说明的是，任何熟悉本领域的技术人员在本说明书的教导下，所做出的所有等同替代、明显变形形式，均落在本说明书的实质范围之内，理应受到本发明的保护。
Claims (9)
1.基于深度学习的无监督深度适应参数修正方法，其特征在于，包括如下步骤：
步骤1.数据预处理；
收集不同飞行状态、不同试飞科目的试飞数据以及不同引气构型场景、状态下的黑盒模型仿真输出参数，对收集的试飞数据和黑盒模型仿真数据进行预处理；
将预处理后的试飞数据和黑盒模型仿真数据分别组成发动机响应参数数据集即试飞数据以及黑盒模型仿真参数数据集即黑盒数据，用于补偿模型网络的训练；
步骤2.搭建补偿模型网络；
补偿模型网络同时用来处理试飞数据和黑盒数据，补偿模型网络结构包括全连接层FC1、全连接层FC2、全连接层FC3、全连接层FC4以及全连接层FC5；
FC1和FC2用于学习试飞数据和黑盒数据的特征表示，每一层使用激活函数将输入数据映射到更高级的表示空间，通过距离损失函数训练两个特征空间趋于靠近；
FC3、FC4和FC5用于学习一个强回归器，使得黑盒数据的输出贴近试飞数据；
步骤3.利用步骤1中得到的试飞数据以及黑盒数据两个数据集，对步骤2搭建的补偿模型网络进行训练，来同时学习两个数据集的表示以及一个强回归器；
训练完成后，利用训练好的补偿模型网络生成趋近于试飞数据的黑盒模型修正数据。
2.根据权利要求1所述的基于深度学习的无监督深度适应参数修正方法，其特征在于，
所述黑盒模型仿真输出参数和发动机响应数据参数，包括N1、N2和EGT。
3.根据权利要求1所述的基于深度学习的无监督深度适应参数修正方法，其特征在于，
所述预处理包括丢弃异常值以及数据标准化操作。
4.根据权利要求1所述的基于深度学习的无监督深度适应参数修正方法，其特征在于，
所述步骤2中，在补偿模型网络的全连接层FC3和全连接层FC4中，在全连接和激活函数之间都有一个批量标准化，以确保激活值都在分布区间内；
FC5输出维度大小等同于输入数据维度大小，以保证黑盒数据输出内容贴近试飞数据。
5.根据权利要求1所述的基于深度学习的无监督深度适应参数修正方法，其特征在于，
所述步骤3中，补偿模型网络的训练过程具体如下：
在训练补偿模型网络时，目标是满足最小化试飞数据和黑盒数据之间的距离以及训练一个强回归器；为了满足这个学习目标，将损失函数ι被定义为：
ι＝ιe(Xs，ys)+λ×Distance(Qs,Qt) (I)
损失函数ι由回归损失ιc(Xs,Ys)及距离损失Distance(Qs,Qt)组成；
其中，Xs表示输入的试飞数据，Ys表示试飞数据经过补偿模型网络的输出，ιc(Xs,Ys)为训练在数据集Xs上的回归损失；
Qs、Qt分别为补偿模型网络中FC2的试飞数据和黑盒数据的输出；
使用试飞数据及黑盒数据生成的特征数据来训练距离损失Distance(Qs,Qt)；
定义U＝[u1,u2,u3,u4,u5]是每层全连接层中包含权重和偏差的参数；
其中，u1、u2、u3、u4、u5分别对应表示全连接层FC1、全连接层FC2、全连接层FC3、全连接层FC4以及全连接层FC5中包含的权重和偏差的参数；
对于每次迭代，通过最小化ιc(Xs,Ys)来调整u1,u2,u3,u4,u5的参数，通过最小化Distance(Qs,Qt)来重新调整u1,u2参数；
采用反向传播算法最小化损失函数l，使得模型学习两个数据集的表示和一个强回归器。
6.根据权利要求5所述的基于深度学习的无监督深度适应参数修正方法，其特征在于，
所述步骤3中，使用均方误差MSE计算回归损失ιc(Xs,Ys)，计算公式如下：
其中，分别表示试飞数据输入Xz和试飞数据输出Ys对应的第t′个时序特征表示，p表示时序特征的数量。
7.根据权利要求5所述的基于深度学习的无监督深度适应参数修正方法，其特征在于，
所述步骤3中，使用最大平均差异MMD计算距离损失，计算公式如下：
其中，k(.,.)是核函数；
n,m分别表示FC2的试飞数据和黑盒数据的输出Qs,Qt的特征维度大小，对应试飞数据产生的特征的第i,j个值，/>对应黑盒数据产生的特征的第i,j个值。
8.一种计算机设备，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，其特征在于，所述处理器执行所述可执行代码时，实现如权利要求1至7任一项所述的基于深度学习的无监督深度适应参数修正方法的步骤。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时，实现如权利要求1至7任一项所述的基于深度学习的无监督深度适应参数修正方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310897948.0A CN117010179B (zh) | 2023-07-21 | 2023-07-21 | 基于深度学习的无监督深度适应参数修正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310897948.0A CN117010179B (zh) | 2023-07-21 | 2023-07-21 | 基于深度学习的无监督深度适应参数修正方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117010179A CN117010179A (zh) | 2023-11-07 |
| CN117010179B true CN117010179B (zh) | 2024-01-23 |
Family
ID=88572037
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310897948.0A Active CN117010179B (zh) | 2023-07-21 | 2023-07-21 | 基于深度学习的无监督深度适应参数修正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117010179B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416086A (zh) * | 2018-01-25 | 2018-08-17 | 大连理工大学 | 一种基于深度学习算法的航空发动机全包线模型自适应修正方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019144337A1 (zh) * | 2018-01-25 | 2019-08-01 | 大连理工大学 | 一种基于深度学习算法的航空发动机全包线模型自适应修正方法 |
| CN111047182B (zh) * | 2019-12-10 | 2021-12-28 | 北京航空航天大学 | 一种基于深度无监督学习的空域复杂度评估方法 |
-
2023
- 2023-07-21 CN CN202310897948.0A patent/CN117010179B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416086A (zh) * | 2018-01-25 | 2018-08-17 | 大连理工大学 | 一种基于深度学习算法的航空发动机全包线模型自适应修正方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117010179A (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112149316B (zh) | 基于改进的cnn模型的航空发动机剩余寿命预测方法 | |
| CN107944648B (zh) | 一种大型船舶航速油耗率预测方法 | |
| CN114675535B (zh) | 一种基于强化学习的航空发动机过渡态寻优控制方法 | |
| Norouzi et al. | Real time estimation of impaired aircraft flight envelope using feedforward neural networks | |
| CN112597702B (zh) | 基于径向基函数的气动建模生成式对抗网络模型训练方法 | |
| CN110516394A (zh) | 基于深度神经网络的航空发动机稳态模型建模方法 | |
| Baklacioglu | Fuel flow-rate modelling of transport aircraft for the climb flight using genetic algorithms | |
| Andrianantara et al. | Aircraft engine performance model identification using artificial neural networks | |
| CN114995152A (zh) | 一种民用航空发动机性能模型偏差修正方法 | |
| CN115204041A (zh) | 一种大型航空器进场和进近阶段耗油量预测方法 | |
| Ruan et al. | Remaining useful life prediction for aero-engine based on lstm and cnn | |
| CN117010179B (zh) | 基于深度学习的无监督深度适应参数修正方法 | |
| Morris et al. | Mob-a european project on multidisciplinary design optimisation | |
| Zhou et al. | Fault diagnosis based on relevance vector machine for fuel regulator of aircraft engine | |
| Tondji et al. | Identification of the Bombardier CRJ-700 stall dynamics model using neural networks | |
| CN114880767B (zh) | 一种基于注意力机制Dense-GRU网络的航空发动机剩余使用寿命预测方法 | |
| Lin et al. | Construction of the operating limits diagram for a ship-based helicopter using the design of experiments with computational intelligence techniques | |
| Li et al. | Study on blade fault diagnosis of free flying UAV based on multiparameter and deep learning method | |
| Tondji et al. | Neural networks and support vector regression for the CRJ-700 longitudinal dynamics modeling | |
| CN117350164A (zh) | 基于gan网络的航空发动机仿真参数修正方法 | |
| CN113741170B (zh) | 一种基于深度神经网络的航空发动机直接推力逆控制方法 | |
| KR20140084645A (ko) | 헬리콥터 ｆｂｗ 시스템 개발용 비행 동역학 해석/시뮬레이션 프로그램을 기록한 컴퓨터 판독가능한 기록 매체 | |
| Fang et al. | Optimization control with multi-constraint of aeroengine acceleration process based on reinforcement learning | |
| Rezvani et al. | A Gas Turbine Engine Model of Transient Operation Across the Flight Envelope | |
| Martinez-Gonzalez et al. | Reduced order aerodynamic modeling augmented with neural network surrogate models coupled with rotorcraft comprehensive analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |