CN107505931A - 一种基于深度信念网络的航空发动机维修等级决策方法 - Google Patents
一种基于深度信念网络的航空发动机维修等级决策方法 Download PDFInfo
- Publication number
- CN107505931A CN107505931A CN201710554791.6A CN201710554791A CN107505931A CN 107505931 A CN107505931 A CN 107505931A CN 201710554791 A CN201710554791 A CN 201710554791A CN 107505931 A CN107505931 A CN 107505931A
- Authority
- CN
- China
- Prior art keywords
- aircraft engine
- maintenance level
- mrow
- aero
- engine maintenance
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
- G05B23/0294—Optimizing process, e.g. process efficiency, product quality
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度信念网络的航空发动机维修等级决策方法,包括:构建航空发动机状态监测参数与维修等级之间的映射关系、针对航空发动机维修等级决策特点,建立航空发动机维修等级决策的深度信念网络模型、训练航空发动机维修等级决策模型中的限制玻尔兹曼机、优化基于深度信念网络的航空发动机维修等级决策模型、进行基于状态监测参数的航空发动机维修等级决策。本发明结合航空发动机多状态参数信息和维修等级特点,采用深度学习方法挖掘状态监测及维修等级决策之间的深层次对应关系,实现对维修等级的分类和预测,提高航空发动机维修等级决策的准确率。
Description
技术领域
本发明涉及航空安全技术领域,具体指代一种基于深度信念网络的航空发动机维修等级决策方法。
背景技术
航空发动机维修等级决策是航空发动机翼下管理的重要内容,对发动机维修后的性能、在翼寿命、航空发动机维修成本乃至航空公司运营成本控制都有重要影响。发动机通过状态监控来确保发动机的可靠性以及发动机功能状态,并根据航空发动机的状态信息确定其送修等级。维修等级划分不准确,将出现过维修或欠维修,增加维修成本,甚至影响运行安全。当前依靠确定单元体维修等级制造商提供的工作范围计划指导文件,无法考虑到航空公司实际情况及发动机的实际状态,影响了维修等级决策的准确性,有必要挖掘航空发动机状态监测参数与维修等级决策之间的深层次联系,从而提高维修等级决策的准确度。
发明内容
针对于上述现有技术的不足,本发明的目的在于提供一种基于深度信念网络的航空发动机维修等级决策方法,以解决现有技术中航空发动机的维修等级决策方法数据利用不充分,决策不准确,易造成过维修和欠维修等问题。
为达到上述目的,本发明采用的技术方案如下:
本发明的一种基于深度信念网络的航空发动机维修等级决策方法,包括步骤如下:
1)建立基于深度信念网络的航空发动机维修等级决策模型;
2)求解和计算基于深度信念网络的航空发动机维修等级决策模型;
3)运用深度信念网络方法构建航空发动机状态监测参数与维修等级决策之间的深层次关系;
4)优化基于深度信念网络的航空发动机维修等级决策模型;
5)进行基于深度信念网络的航空发动机维修等级决策,测试其准确性。
优选地,所述的步骤1)中的深度信念网络指有多层感知器的神经网络,其由一系列受限玻尔兹曼机堆叠而成的,属于无监督学习;每个维修等级决策模型中的限制玻尔兹曼机由航空发动机状态参数层和航空发动机维修等级特征层组成,层与层之间通过权值连接,层内无连接;建立航空发动机维修等级决策能量函数为:
其中,设参数θ={W,a,b},w为航空发动机状态参数与维修等级之间限制玻尔兹曼机的权值矩阵;v为航空发动机状态参数;h为航空发动机维修等级特征;b和a为航空发动机参数影响因子;n和m分别为航空发动机状态参数和航空发动机维修等级特征的神经元个数;其中i∈[1,n],j∈[1,m],wij为航空发动机状态参数节点i与航空发动机维修等级特征节点j之间的连接权重值;vi为航空发动机状态参数第i个神经元的状态,hj为航空发动机维修等级特征第j个神经元的状态,ai、bj分别为航空发动机状态参数和航空发动机维修等级特征的偏置值该模型通过不断优化参数w、b和a,从而使航空发动机维修等级决策能量函数取得最小值,从而达到航空发动机维修等级决策的要求;航空发动机状态参数v和航空发动机维修等级特征h的联合概率分布函数:
其中
优选地,所述的步骤2)具体包括:由联合概率分布函数得到v和h的条件分布,求出航空发动机维修等级决策模型中各节点的激活概率;设v,h中的神经元为二维随机单元,已知航空发动机状态参数v,航空发动机维修等级单元hj被激活值为1的概率为其中δ(x)=1/(1+exp(-x)),同理可得已知航空发动机维修等级,航空发动机状态参数单元被激活的概率为
优选地,所述的步骤3)具体包括:参数w、a、b矩阵各元素初值设为0.1,学习率ε设置为0.5;输入航空发动机状态参数为x={x1,x2,x3,…,xn},设置初始航空发动机状态参数层的状态为v(1)=x,小标1代表训练次数;开始第一次训练,用求出各航空发动机维修等级特征节点的并从中抽样出h(1)层的状态;已知h(1)利用求出并得出v(2)的状态;开始第二次训练,已知v(2)求并抽样出h(2)的状态;已知两次训练的状态参数,设为样本的似然函数,为得出最大似然函数估计,采用随机梯度上升法优化参数θ,其迭代公式为:然后依次训练下一层维修等级模型中的限制玻尔兹曼机,在训练达到规定的次数或者重构误差小于规定值时完成训练;通过已知航空发动机状态参数和维修等级特征,抽样出重构样本,通过比较重构样本与原始样本的差异得出维修等级模型中的限制玻尔兹曼机训练的重构误差。
优选地,所述的步骤4)具体包括:将航空发动机维修等级模型中的限制玻尔兹曼机训练得到的深度信念网络参数θ和航空发动机维修等级样本特征标签带入BP神经网络模型,逐步反向重新调整航空发动机维修等级的深度信念网络模型的参数,使模型结果达到全局最优化。
优选地,所述的步骤5)具体包括:将需要维修等级决策的航空发动机状态参数数据带入到基于深度信念网络的航空发动机维修等级决策模型中,得出维修决策结果,然后通过对比维修等级决策结果与实际结果统计正确率,从而检验其准确性。
本发明的有益效果:
(1)应用基于深度信念网络的航空发动机维修等级决策模型,能够对航空发动机大量的状态参数进行分析,提高了样本利用率,更加符合航空发动机监测信息丰富、健康状况信息多样、运行速率高、安全性要求严格的特点。
(2)先输入航空发动机状态参数到基于深度信念网络的维修等级决策模型中进行无监督学习,然后把训练结果和航空发动机维修等级样本标签输入到BP神经网络进行有监督学习,使航空发动机维修等级决策模型能够更充分的在特征提取和分类决策方面各取所长,提高了模型的适应性和决策稳定性。
(3)通过建立基于深度信念网络的维修等级决策模型挖掘出了航空发动机状态监测信息与维修等级决策之间的深层次非线性映射关系,实现依据航空发动机状态监测参数动态调整维修等级决策,避免因维修等级误判而带来的不必要的损失。
附图说明
图1为本发明方法的流程图。
具体实施方式
为了便于本领域技术人员的理解,下面结合实施例与附图对本发明作进一步的说明,实施方式提及的内容并非对本发明的限定。
参照图1所示,本发明的基于深度信念网络的航空发动机维修等级决策方法,针对航空发动机维修等级分类过程中的过维修和欠维修问题,从航空发动机主要状态参数中提取与维修等级相关的特征,从而进行更准确的维修等级决策。其实施过程可以分为以下5个步骤:
1.构建基于深度信念网络的航空发动机维修等级决策模型;
基于深度信念网络的航空发动机维修等级决策模型由多层感知器组成,其由一系列受限玻尔兹曼机堆叠而成的;每个维修等级决策模型中的限制玻尔兹曼机由航空发动机状态参数层和航空发动机维修等级特征层组成,层与层之间通过权值连接,层内无连接。先建立航空发动机维修等级决策能量函数,然后定义航空发动机状态参数v和航空发动机维修等级特征h的联合概率分布函数。
1.1建立航空发动机维修等级决策能量函数
航空发动机维修等级决策能量函数用来表示网络模型的状态,能量函数最低值对应维修等级决策模型的稳态;航空发动机维修等级决策能量函数的公式如下:
其中,参数θ={W,a,b},w为航空发动机状态参数与维修等级之间限制玻尔兹曼机的权值矩阵;v为航空发动机状态参数;h为航空发动机维修等级特征;b和a为航空发动机参数影响因子;其中n和m分别为航空发动机状态参数和航空发动机维修等级特征的神经元个数;其中i∈[1,n],j∈[1,m],wij为航空发动机状态参数节点i与航空发动机维修等级特征节点j之间的连接权重值;vi为航空发动机状态参数第i个神经元的状态,hj为航空发动机维修等级特征第j个神经元的状态,ai、bj分别为航空发动机状态参数和航空发动机维修等级特征的偏置值。该模型通过不断优化参数w、b和a,从而使航空发动机维修等级决策能量函数取得最小值,从而达到航空发动机维修等级决策的要求。
1.2定义航空发动机状态参数v和航空发动机维修等级特征h的联合概率分布函数
设参数θ={W,a,b},得出航空发动机状态参数v和航空发动机维修等级特征h的联合概率分布函数:
其中
2.求解和计算基于深度信念的航空发动机维修等级决策模型;
通过对航空发动机维修等级决策能量函数和航空发动机状态参数v与航空发动机维修等级特征h的联合概率分布函数的定义,可以推导出航空发动机状态参数v与航空发动机维修等级特征h之间的条件概率关系,从而定义航空发动机维修等级决策模型中网络节点被激活传递下去的概率函数。
2.1航空发动机状态参数v与航空发动机维修等级特征h之间的条件概率关系
由联合概率分布函数可以得出:
从而求出v和h的条件概率分布为:
和
2.2航空发动机维修等级决策模型中网络节点被激活传递下去的概率函数
为方便推导,设v,h中的神经元为二维随机单元,所以可以推导出已知航空发动机状态参数v,航空发动机维修等级单元hj被激活(即取值为1)的概率为同理可得已知航空发动机维修等级,航空发动机状态参数单元被激活的概率为其中δ(x)=1/(1+exp(-x))。
3.运用深度信念网络方法构建航空发动机状态监测参数与维修决策之间的深层次关系;
构建航空发动机状态监测参数与维修决策之间的深层次关系需要用深度信念网络对航空发动机维修等级决策模型中网络节点进行初始赋值,然后进行航空发动机维修等级决策模型中的网络参数进行更新,然后统计重构误差,用于判断航空发动机维修等级决策模型参数更新后的质量。
3.1航空发动机维修等级决策模型网络参数赋值与更新
航空发动机维修等级决策模型中参数w、a、b矩阵各元素初值设为0.1,学习率ε设置为0.5;输入航空发动机状态参数为x={x1,x2,x3,…,xn},设置初始航空发动机状态参数层的状态为v(1)=x;小标1代表训练次数。开始第一次训练,用求出各航空发动机维修等级特征节点的并从中抽样出即h(1)层的状态;已知h(1)利用求出并得出v(2)的状态;开始第二次训练,已知v(2)求并抽样出h(2)的状态;已知两次训练的状态参数,用最大似然函数表示为采用随机梯度上升法优化参数θ,其迭代公式为:其中ε为预训练的学习率,参数更新公式如下:
a=a+ε(v(1)-v(2))
重复训练,完成规定迭代次数的参数更新。在训练完该层维修等级模型中的限制玻尔兹曼机后,把最后一次迭代后得到的h(2)作为下一个维修等级模型中的限制玻尔兹曼机的v(1),然后训练下一层维修等级模型中的限制玻尔兹曼机,从而完成多层限制玻尔兹曼机训练过程,构建航空发动机状态监测参数与维修等级之间的深层次关系。
3.2统计航空发动机维修等级决策模型参数更新后的重构误差
通过已知航空发动机状态参数和训练后得出的维修等级特征,抽样出重构样本。设x为航空发动机状态参数原始样本,x={x1,x2,…xs,…xn};xt表示航空发动机状态参数重构样本,表示第t次迭代得出的重构样本。通过计算重构样本与原始样本的差异得出维修等级模型中的限制玻尔兹曼机训练的重构误差,用下式表示:
其中T为航空发动机状态参数进行重构的次数。
4.优化基于深度信念网络的航空发动机维修等级决策模型;
将航空发动机维修等级模型中的限制玻尔兹曼机训练得到的深度信念网络参数和航空发动机维修等级样本标签作为BP神经网络的输入,进行维修等级决策模型的有监督训练,通过反复迭代来调整航空发动机状态参数与对应维修等级的权值,使对应的误差足够小,从而完成反向优化过程使模型结果达到全局最优化,然后通过sigmoid函数输出各维修等级所对应的置信度。
5.进行基于深度信念网络的航空发动机维修等级决策,测试其准确性。
将需要维修等级决策的航空发动机状态参数据带入到基于深度信念网络的航空发动机维修等级决策模型中,得出每组状态参数对应三个维修等级的置信度Bk,k={1,2,3},然后取max(B1,B2,B3)中的下标k对应的航空发动机维修等级作为最终决策结果。通过对比维修等级决策结果与实际结果可以统计正确率,从而检验其准确性。
本发明具体应用途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进,这些改进也应视为本发明的保护范围。
Claims (6)
1.一种基于深度信念网络的航空发动机维修等级决策方法,其特征在于,包括步骤如下:
1)建立基于深度信念网络的航空发动机维修等级决策模型;
2)求解和计算基于深度信念网络的航空发动机维修等级决策模型;
3)运用深度信念网络方法构建航空发动机状态监测参数与维修等级决策之间的深层次关系;
4)优化基于深度信念网络的航空发动机维修等级决策模型;
5)进行基于深度信念网络的航空发动机维修等级决策,测试其准确性。
2.根据权利要求1所述的基于深度信念网络的航空发动机维修等级决策方法,其特征在于,所述的步骤1)中的深度信念网络指有多层感知器的神经网络,其由一系列受限玻尔兹曼机堆叠而成的,属于无监督学习;每个维修等级决策模型中的限制玻尔兹曼机由航空发动机状态参数层和航空发动机维修等级特征层组成,层与层之间通过权值连接,层内无连接;建立航空发动机维修等级决策能量函数为:
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>,</mo>
<mi>h</mi>
<mo>;</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<msup>
<mi>v</mi>
<mi>T</mi>
</msup>
<mi>W</mi>
<mi>h</mi>
<mo>-</mo>
<msup>
<mi>b</mi>
<mi>T</mi>
</msup>
<mi>v</mi>
<mo>-</mo>
<msup>
<mi>a</mi>
<mi>T</mi>
</msup>
<mi>h</mi>
<mo>=</mo>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<msub>
<mi>h</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>v</mi>
<mi>i</mi>
</msub>
<msub>
<mi>h</mi>
<mi>j</mi>
</msub>
</mrow>
其中,设参数θ={W,a,b},w为航空发动机状态参数与维修等级之间限制玻尔兹曼机的权值矩阵;v为航空发动机状态参数;h为航空发动机维修等级特征;b和a为航空发动机参数影响因子;n和m分别为航空发动机状态参数和航空发动机维修等级特征的神经元个数;其中i∈[1,n],j∈[1,m],wij为航空发动机状态参数节点i与航空发动机维修等级特征节点j之间的连接权重值;vi为航空发动机状态参数第i个神经元的状态,hj为航空发动机维修等级特征第j个神经元的状态,ai、bj分别为航空发动机状态参数和航空发动机维修等级特征的偏置值该模型通过不断优化参数w、b和a,从而使航空发动机维修等级决策能量函数取得最小值,从而达到航空发动机维修等级决策的要求;设参数θ={W,a,b},得出航空发动机状态参数v和航空发动机维修等级特征h的联合概率分布函数:
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>,</mo>
<mi>h</mi>
<mo>;</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>Z</mi>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mi>E</mi>
<mo>(</mo>
<mrow>
<mi>v</mi>
<mo>,</mo>
<mi>h</mi>
<mo>;</mo>
<mi>&theta;</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中
3.根据权利要求2所述的基于深度信念网络的航空发动机维修等级决策方法,其特征在于,所述的步骤2)具体包括:由联合概率分布函数得到v和h的条件分布,求出航空发动机维修等级决策模型中各节点的激活概率;设v,h中的神经元为二维随机单元,已知航空发动机状态参数v,航空发动机维修等级单元hj被激活值为1的概率为其中δ(x)=1/(1+exp(-x)),同理可得已知航空发动机维修等级,航空发动机状态参数单元被激活的概率为
4.根据权利要求3所述的基于深度信念网络的航空发动机维修等级决策方法,其特征在于,所述的步骤3)具体包括:参数w、a、b矩阵各元素初值设为0.1,学习率ε设置为0.5;输入航空发动机状态参数为x={x1,x2,x3,…,xn},设置初始航空发动机状态参数层的状态为v(1)=x,小标1代表训练次数;开始第一次训练,用求出各航空发动机维修等级特征节点的并从中抽样出h(1)层的状态;已知h(1)利用求出并得出v(2)的状态;开始第二次训练,已知v(2)求并抽样出h(2)的状态;已知两次训练的状态参数,设为样本的似然函数,为得出最大似然函数估计,采用随机梯度上升法优化参数θ,其迭代公式为:然后依次训练下一层维修等级模型中的限制玻尔兹曼机,在训练达到规定的次数或者重构误差小于规定值时完成训练;通过已知航空发动机状态参数和维修等级特征,抽样出重构样本,通过比较重构样本与原始样本的差异得出维修等级模型中的限制玻尔兹曼机训练的重构误差。
5.根据权利要求4所述的基于深度信念网络的航空发动机维修等级决策方法,其特征在于,所述的步骤4)具体包括:将航空发动机维修等级模型中的限制玻尔兹曼机训练得到的深度信念网络参数θ和航空发动机维修等级样本特征标签带入BP神经网络模型,逐步反向重新调整航空发动机维修等级的深度信念网络模型的参数,使模型结果达到全局最优化。
6.根据权利要求5所述的基于深度信念网络的航空发动机维修等级决策方法,其特征在于,所述的步骤5)具体包括:将需要维修等级决策的航空发动机状态参数数据带入到基于深度信念网络的航空发动机维修等级决策模型中,得出维修决策结果,然后通过对比维修等级决策结果与实际结果统计正确率,从而检验其准确性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710554791.6A CN107505931A (zh) | 2017-07-10 | 2017-07-10 | 一种基于深度信念网络的航空发动机维修等级决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710554791.6A CN107505931A (zh) | 2017-07-10 | 2017-07-10 | 一种基于深度信念网络的航空发动机维修等级决策方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107505931A true CN107505931A (zh) | 2017-12-22 |
Family
ID=60678856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710554791.6A Pending CN107505931A (zh) | 2017-07-10 | 2017-07-10 | 一种基于深度信念网络的航空发动机维修等级决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107505931A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109614669A (zh) * | 2018-11-23 | 2019-04-12 | 同济大学 | 网级桥梁结构性能评估预测方法 |
WO2022068213A1 (zh) * | 2020-09-30 | 2022-04-07 | 南京航空航天大学 | 基于ec-rbelm算法的发动机整机性能衰减预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951425A (zh) * | 2015-07-20 | 2015-09-30 | 东北大学 | 一种基于深度学习的云服务性能自适应动作类型选择方法 |
CN105868467A (zh) * | 2016-03-28 | 2016-08-17 | 南京航空航天大学 | 一种动稳态航空发动机机载模型构建方法 |
CN105867121A (zh) * | 2016-03-28 | 2016-08-17 | 南京航空航天大学 | 用于自旋恢复的直升机非线性预测控制方法及装置 |
CN106248368A (zh) * | 2016-09-21 | 2016-12-21 | 哈尔滨工程大学 | 一种基于深度学习的燃机涡轮叶片故障检测方法 |
CN106405640A (zh) * | 2016-08-26 | 2017-02-15 | 中国矿业大学(北京) | 基于深度信念神经网络的微震信号到时自动拾取方法 |
CN106680281A (zh) * | 2016-12-31 | 2017-05-17 | 中国科学技术大学 | 一种基于深度残差学习网络的柴油车尾气烟度检测方法 |
-
2017
- 2017-07-10 CN CN201710554791.6A patent/CN107505931A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951425A (zh) * | 2015-07-20 | 2015-09-30 | 东北大学 | 一种基于深度学习的云服务性能自适应动作类型选择方法 |
CN105868467A (zh) * | 2016-03-28 | 2016-08-17 | 南京航空航天大学 | 一种动稳态航空发动机机载模型构建方法 |
CN105867121A (zh) * | 2016-03-28 | 2016-08-17 | 南京航空航天大学 | 用于自旋恢复的直升机非线性预测控制方法及装置 |
CN106405640A (zh) * | 2016-08-26 | 2017-02-15 | 中国矿业大学(北京) | 基于深度信念神经网络的微震信号到时自动拾取方法 |
CN106248368A (zh) * | 2016-09-21 | 2016-12-21 | 哈尔滨工程大学 | 一种基于深度学习的燃机涡轮叶片故障检测方法 |
CN106680281A (zh) * | 2016-12-31 | 2017-05-17 | 中国科学技术大学 | 一种基于深度残差学习网络的柴油车尾气烟度检测方法 |
Non-Patent Citations (3)
Title |
---|
冯正权: "《非织造企业的成本管理》", 31 October 2008 * |
南京航空航天大学科技部: "《南京航空航天大学论文集 2006年 第28册 民航学院》", 31 March 2007 * |
李本威等: "深度置信网络在发动机气路部件性能衰退故障诊断中的应用研究", 《推进技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109614669A (zh) * | 2018-11-23 | 2019-04-12 | 同济大学 | 网级桥梁结构性能评估预测方法 |
CN109614669B (zh) * | 2018-11-23 | 2022-02-18 | 同济大学 | 网级桥梁结构性能评估预测方法 |
WO2022068213A1 (zh) * | 2020-09-30 | 2022-04-07 | 南京航空航天大学 | 基于ec-rbelm算法的发动机整机性能衰减预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106555788B (zh) | 基于模糊处理的深度学习在液压装备故障诊断中的应用 | |
CN108960303B (zh) | 一种基于lstm的无人机飞行数据异常检测方法 | |
CN110262463B (zh) | 一种基于深度学习的轨道交通站台门故障诊断系统 | |
CN109141847B (zh) | 一种基于mscnn深度学习的飞机系统故障诊断方法 | |
CN101587155B (zh) | 一种油浸式变压器的故障诊断方法 | |
CN102496069B (zh) | 基于模糊层次分析法的电缆多状态安全运行评估方法 | |
CN113283027B (zh) | 一种基于知识图谱和图神经网络的机械故障诊断方法 | |
CN104502758B (zh) | 航空静止变流器故障诊断方法 | |
CN112051481B (zh) | 一种基于lstm的交直流混联电网故障区域诊断方法和系统 | |
CN103489009B (zh) | 基于自适应修正神经网络的模式识别方法 | |
CN104155574A (zh) | 基于自适应神经模糊推理系统的配电网故障分类方法 | |
WO2015158198A1 (zh) | 一种基于神经网络自学习的故障识别方法及系统 | |
CN111680875B (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN107941537A (zh) | 一种机械设备健康状态评估方法 | |
CN108038300A (zh) | 基于改进的隶属度函数结合神经网络的光纤状态评估方法 | |
CN107274011A (zh) | 综合马尔科夫模型和概率网络的设备状态识别方法 | |
CN104794534A (zh) | 一种基于改进深度学习模型的电网安全态势预测方法 | |
CN103995237A (zh) | 一种卫星电源系统在线故障诊断方法 | |
CN103488869A (zh) | 一种最小二乘支持向量机的风力发电短期负荷预测方法 | |
CN104751229A (zh) | 一种改进bp神经网络估值的缺失数据轴承故障诊断方法 | |
CN112039687A (zh) | 一种面向小样本特征的基于改进生成对抗网络的故障诊断方法 | |
CN103714382B (zh) | 一种城轨列车安全检测传感网可靠性多指标综合评估方法 | |
CN105606914A (zh) | 一种基于iwo-elm的航空功率变换器故障诊断方法 | |
CN109376933A (zh) | 基于神经网络的锂离子电池负极材料能量密度预测方法 | |
CN114154619A (zh) | 一种基于cnn和bilstm的船舶轨迹预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171222 |
|
RJ01 | Rejection of invention patent application after publication |