CN108170945A - 一种航空发动机修后排气温度裕度预测方法 - Google Patents
一种航空发动机修后排气温度裕度预测方法 Download PDFInfo
- Publication number
- CN108170945A CN108170945A CN201711436066.5A CN201711436066A CN108170945A CN 108170945 A CN108170945 A CN 108170945A CN 201711436066 A CN201711436066 A CN 201711436066A CN 108170945 A CN108170945 A CN 108170945A
- Authority
- CN
- China
- Prior art keywords
- engine
- performance
- maintenance
- repair
- machine 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Geometry (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Automation & Control Theory (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Aviation & Aerospace Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种航空发动机修后排气温度裕度预测方法,本发明涉及航空发动机修后排气温度裕度预测方法。本发明为了解决现有技术航空发动机修后排气温度裕度预测误差较大的缺点。本发明包括:一:采用五次多项式拟合对航空发动机送修前性能参数序列进行特征提取,得到送修前性能参数特征向量矩阵;二:采用堆叠自编码深度学习网络对航空发动机单元体维修深度进行特征提取,得到单元体维修深度特征向量矩阵;三:将送修前性能参数特征向量和单元体维修深度特征向量进行合并,得到修后性能特征向量;四:利用修后性能特征向量和每个维修案例对应的修后性能参数序列,采用BP神经网络建立航空发动机修后性能预测模型;本发明用于发动机的维修维护领域。
Description
技术领域
本发明涉及航空发动机维修优化技术领域,具体涉及航空发动机修后排气温度裕度预测方法。
背景技术
航空发动机是在民航飞机等飞行器的主要动力来源和引气装置,其工作环境复杂且可靠性要求较高。因此,航空发动机在全使用寿命周期内需要进行科学的维修与维护。预测发动机在执行某深度维修后的性能状态是进行维修优化的基础。航空发动机的修后性能主要受到其送修前性能状态和维修深度两方面因素的影响。发动机的性能参数是时间序列,其维修深度又是高维离散量。在航空发动机的修后性能预测相关研究中,目前尚缺乏能够同时处理这两类参数的方法和模型。
对于同一台航空发动机,其送修前后的性能状态可视为两个具有一定差异的相似非线性系统。两系统之间的差异主要是由维修工作造成的。在航空发动机的修后性能预测中,需要同时考虑两个非线性系统的“相似性”和“差异度”,其中发动机送修前性能参数可用来表征“相似性”,而“差异度”可用维修深度进行表征。但在实际运维中,修后性能与影响因素的映射关系尚不明确,需要对修后性能预测模型进行进一步研究。
预测模型总体上可分为:数据驱动模型、物理数学模型以及混合模型。但某些复杂装备由于缺少精确的物理数学模型,限制了物理模型及混合模型在预测问题上的应用。航空发动机在运行过程中积累了大量的运维数据,这些数据可为数据驱动模型的研究提供重要基础。因此,本发明以航空发动机实际运维数据为基础,建立其修后性能预测模型。
在航空发动机修后性能预测模型中,发动机的性能状态可用性能参数时间序列进行表征。发动机时序性能参数的预测方法已有一定研究基础。但在修后性能预测模型中还需考虑航空发动机的维修深度,而维修深度需用离散量进行表示。因此,传统的时序参数预测方法不能够完全适用于航空发动机的修后性能预测。
航空发动机是航空器的主要动力来源和引气装置。航空发动机也是工作在高温、高速环境中的复杂热力机械。为保证航空发动机运行可靠性,在其全使用寿命周期内需要进行科学的维修与维护。预测发动机在执行某深度维修后的性能状态是进行维修优化的基础。航空发动机的修后性能主要受到其送修前性能状态和维修深度两方面因素的影响。发动机的性能参数是时间序列,其维修深度又是高维离散量。在航空发动机的修后性能预测相关研究中,目前尚缺乏能够同时处理这两类参数的方法和模型。
发明内容
本发明的目的是为了解决现有技术航空发动机修后排气温度裕度预测误差较大的的缺点,而提出一种航空发动机修后排气温度裕度预测方法。
一种航空发动机修后排气温度裕度预测方法包括以下步骤:
步骤一:采用五次多项式拟合对航空发动机送修前性能参数序列进行特征提取,得到s×c维的送修前性能参数特征向量矩阵Ps×c;所述xs,m为第s个发动机维修案例(发动机维修一次即为一个维修案例)送修前第m个飞行循环的排气温度裕度值,c为送修前性能参数特征向量矩阵Ps×c的列数(s为行数);
步骤二:采用堆叠自编码深度学习网络对航空发动机单元体维修深度原始信息矩阵进行特征提取,得到s×d维的单元体维修深度特征向量矩阵Rs×d;
所述ys,n为第s个发动机维修案例第n个单元体维修深度信息表征量,d为单元体维修深度特征向量矩阵Rs×d的列数;
步骤三:将步骤一得到的送修前性能参数特征向量和步骤二得到的单元体维修深度特征向量进行合并,得到修后性能特征向量As×(c+d);
步骤四:利用步骤三得到的修后性能特征向量As×(c+d)和每个维修案例对应的修后性能参数序列zs,k为第s个发动机维修案例送修后第k个飞行循环的排气温度裕度值,采用BP神经网络建立航空发动机修后性能预测模型;所述BP神经网络的结构为单隐层,隐层节点数为h;
步骤五:将步骤四建立的航空发动机修后性能预测模型采用粒子群优化算法进行d和h的优化,得到最优航空发动机修后性能预测模型。
本发明的有益效果为:
本发明基于过程神经网络和堆叠自编码深度学习网络建立了航空发动机的修后性能预测模型。本发明运用过程神经网络对航空发动机的送修前性能参数序列进行处理,利用堆叠自编码深度学习网络提取航空发动机的维修深度特征,利用BP学习网络实现航空发动机修后性能参数序列的预测。所建立的修后性能预测模型用以估计某状态航空发动机在执行某深度维修后的性能状态,可为维修工作范围的优化提供基础支持。经航空发动机实际运维数据的对比验证,以某航空发动机修后30飞行循环的EGTM性能参数为例,本发明预测结果的循环相对误差分别低于传统神经网络预测模型和支持向量回归模型5.2%和1.6%。
附图说明
图1为本发明修后性能预测模型建模流程图;
图2为维修深度特征提取网络节点结构图;
图3为修后性能参数预测示例图,图中EGTM为排气温度裕度。
具体实施方式
具体实施方式一:一种航空发动机修后排气温度裕度预测方法包括以下步骤:
步骤一:采用五次多项式拟合对航空发动机送修前性能参数序列进行特征提取,得到s×c维的送修前性能参数特征向量矩阵Ps×c;
其中s为发动机维修案例个数,c为送修前性能参数特征向量矩阵Ps×c的列数(s为行数);
步骤二:采用堆叠自编码深度学习网络对航空发动机单元体维修深度进行特征提取,得到s×d维的单元体维修深度特征向量矩阵Rs×d;
其中所述d为单元体维修深度特征向量矩阵Rs×d的列数;
步骤三:将步骤一得到的送修前性能参数特征向量和步骤二得到的单元体维修深度特征向量进行合并,得到修后性能特征向量As×(c+d);
步骤四:利用步骤三得到的修后性能特征向量As×(c+d)和每个维修案例对应的修后性能参数序列zs,k为第s个发动机维修案例送修后第k个飞行循环的排气温度裕度值,采用BP神经网络建立航空发动机修后性能预测模型;所述BP神经网络的结构为单隐层,隐层节点数为h;
步骤五:将步骤四建立的航空发动机修后性能预测模型采用粒子群优化算法进行d和h的优化,得到最优航空发动机修后性能预测模型。
(1)航空发动机送修前性能参数特征提取
在航空发动机的运维中,多以ACARS及其解算参数表征发动机的性能状态。ACARS参数是以飞行循环为单位并按飞行时序进行记录的,其是典型的时间序列。为了保留航空发动送修前性能参数的时序特性,本发明利用过程神经网络的相关技术对送修前性能参数序列进行处理。在本发明中,采用五次多项式拟合的方法对送修前性能参数进行表达,并将五次多项式的6位系数作为送修前性能参数的特征向量。
(2)航空发动机单元体维修深度特征提取
航空发动机的维修深度可由各单元体的修理级别或拆解程度表达。若每个单元体的维修深度由3位“0-1”变量表征,以拥有20个单元体及子单元体的CFM56-5B系列航空发动机为例,每台发动机需要60位“0-1”变量表达其维修深度信息。在此情况下,航空发动机的维修深度信息表达为高维离散变量。由于航空发动机各单元体之间存在着较强的关联关系,由60位“0-1”变量构成的整机维修深度信息之间势必会存在着一定程度的信息冗余。为了有效利用维修深度信息对航空发动机的修后性能进行预测,有必要对维修深度数据进行特征提取。
维修深度信息特征提取的目的是在尽量保留原始信息的前提下降低数据的维度,同时降低原始信息中的冗余。常见的特征提取方法有主成分分析法等,其是利用多元统计分析方法,把原始数据转换为几个包含综合特征信息的特征量,从而达到降低原始信息线性相关冗余的目的。但主成分分析等传统方法难以满足模型中的非线性需求,且难以从大规模数据中提取深层信息。而深度学习方法能够使用深层结构对原始数据进行特征抽象,深度学习的实现方法是建立一个多层的神经网络结构,将前一个网络的输出作为后一个网络的输入。通过这种形式的多层无监督结构,获得原始数据的深层抽象特征。因此,本发明利用深度学习网络对航空发动机维修深度数据进行特征提取,利用提取得到的维修深度特征向量建立修后性能预测模型。
(3)特征提取深度网络节点参数确定及修后性能参数预测
堆栈自编码网络的结构与较为常见的深度信任网络相似,都是由若干结构单元堆栈而成。不同之处是堆栈自编码网络中的结构单元体为自编码器(stacked auto-encoders,SAE)。每个自编码器均是一个两层的神经网络,分别是编码层和解码层。
自编码器中编码层的非线性映射函数可用式(1)表示。
hi=f(xi)=SB(w1xi+b1) (1)
其中w1为权重系数,b1为偏置向量。经过编码层的非线性映射,编码器的输入向量转化为中间层向量。中间层向量既是编码层的输出向量,又作为解码层的输入向量。通过解码层的非线性映射,中间层向量转换为同编码器输入向量维度相同的解码向量。自编码器解码层非线性映射函数可用式(2)表示。
其中w2为权重系数,b2为偏置向量。
在自编码深度网络中,解码层激活函数SB和编码层激活函数SJ通常采用Sigmoid函数,则解码层和编码层的非线性映射函数表示为式(3)和(4)。
自编码器以获得最小重构误差为目标对网络进行训练,主要训练的参数是编码层权重系数及偏置和解码层的权重系数及偏置,{w1,w2,b1,b2},训练的目标函数表示为式(5)。
在堆栈自编码深度网络中,多个自编码器按次序叠加,前一个编码器的输出作为后一个编码器的输入。一般情况下,将编码层的输出向量作为单个自编码器的输出。将自编码器用于特征提取时,一般通过设定编码层输出维度的方式达到数据降维和特征提取的目的。
本发明提出基于过程神经网络和堆叠自编码深度学习网络的航空发动机修后性能预测模型中,首先采用过程神经网络思想对发动机的送修前性能参数序列进行拟合,并利用自编码深度学习网络对各单元体维修深度数据进行特征提取。获得送修前性能参数特征向量Pi×j及维修深度特征向量Ri×k后,将两个特征向量合并为修后性能预测模型的计算因子,如式(6)所示。
As×(p+r)=[Ps×p,Rs×r] (6)
其中s表示样本总数,p表示单样本送修前性能特征向量维度,r表示单样本维修深度特征向量的维度。
获得预测模型的计算因子后,可利用神经网络、支持向量回归等预测方法对航空发动机的修后性能进行预测。在本发明提出的航空发动机修后性能预测模型试验中,采用BP(Back Propagation)神经网络对发动机的修后性能参数进行预测,预测模型建立流程如图1所示。
本发明运用深度学习网络分别提取送修前性能参数及维修深度的特征向量,并综合利用这两类参数的特征向量预测航空发动机的修后性能。所建立的修后性能预测模型用以估计某状态航空发动机在执行某深度维修后的性能状态,可为维修工作范围的优化提供基础支持。
具体实施方式二:本实施方式与具体实施方式一不同的是:所述步骤一中航空发动机送修前性能参数序列具体为所述xs,m为第s个发动机维修案例(发动机维修一次即为一个维修案例)送修前第m个飞行循环的排气温度裕度值。
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:所述步骤二中航空发动机单元体维修深度原始信息矩阵具体为所述ys,n为第s个发动机维修案例第n个单元体维修深度信息表征量。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:所述步骤三中修后性能特征向量As×(c+d)通过下式得到:
As×(c+d)=[Ps×c,Rs×d]
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:所述步骤四中BP神经网络的输入层节点数为c+d,输出层节点数为k。
其它步骤及参数与具体实施方式一至四之一相同。
实施例一:
为了对基于过程神经网络和深度学习的航空发动机修后性能预测模型进行验证,本发明以某航空公司的CFM56-5B航空发动机机队为样本,收集得到94台次的发动机维修案例。整理得到各维修案例的单元体维修深度数据以及当次维修的送修前后性能参数。
航空发动机实际运维中常以排气温度裕度(Exhaust Gas Temperature Margin,EGTM)作为发动机性能的综合指征。因此,本发明实验中也采用EGTM表征航空发动机的性能状态。在航空发动机修后性能预测实验中,同时利用送修前EGTM序列及各单元体维修深度数据,对发动机的修后EGTM参数序列进行预测。
在94台次的维修案例中,随机挑选20台次维修案例作为测试样本,其余74台次维修案例作为修后性能预测模型的训练样本。针对每台次维修案例,从航空发动机厂家解算的ACARS性能参数中截取该台次维修案例送修前后各50飞行循环的EGTM参数序列,分别用于表征发动机送修前后的性能状态。依据各台次维修案例的修理报告,提取得到航空发动机风扇、核心机、低压压气机三大主单元体及各子单元体共计20个单元体的拆解深度数据。
本发明利用5次多项式拟合的方式对航空发动机的送修前行性能参数进行处理,并将拟合得到的6位系数作为送修前性能参数的特征。本发明在对发动机维修深度数据进行特征提取时,结合粒子群优化算法及对比实验对堆栈自编码深度学习网络的节点结构进行优化。维修深度特征提取的深度学习网络节点结构是:60-23-10-8。其中第一个编码器的编码层输入节点数为60,分别对应按单元体序号排序的维修深度“0-1”数据。其他三个自编码器的解码层输入节点数分别是23,10和8,如图2所示。在维修深度特征值提取中,利用深度学习网络将每个维修案例的60位维修深度参数编码转化为8维特征向量。由于本发明对比实验考虑了发动机风扇、核心机和低压压气机3个主单元体及其子单元体的维修深度,且各单元体的维修深度均用0-1变量表征。因此,维修深度特征向量的维度大于主单元体数,具有一定的合理性。
获得训练样本送修前性能特征向量P74×6以及维修深度特征向量R74×8后,将两特征向量合并作为预测模型的输入计算因子A74×14=[P74×6,R74×8],将各维修案例对应的修后50飞行循环的性能参数作为输出计算因子,使用BP神经网络建立发动机的修后性能预测模型。本发明实验中,经过优化得到的神经网络隐层节点数为12。
按照以上步骤建立发动机修后性能预测模型后,运用测试样本对预测模型进行验证。为弱化神经网络模型的预测波动,本发明实验采用多次建模并取平均值的方式计算最终预测结果。运用本发明提出的基于过程神经网络和深度学习的航空发动机修后性能预测模型预测得到某3台测试样本的修后50飞行循环性能参数序列如图3所示。
为了验证本发明提出的基于过程神经网络和深度学习的航空发动机修后性能预测模型的有效性,本发明建立了2个对比实验模型:(1)传统BP神经网络对比实验模型;(2)支持向量回归对比实验模型;将这两个对比实验模型顺序编号为模型1、模型2。将本发明提出的基于过程神经网络和深度学习的预测模型编号为模型3。利用相同案例库送修前50飞行循环的EGTM性能参数序列及各发动机60位维修深度数据,基于各模型分别对测试样本修后50飞行循环的性能参数进行对比预测实验。为了弱化神经网络的预测波动,模型1和模型3均采用多次建模预测并取平均值的方式获得最终预测结果。对比实验结果中,将各模型预测得到的修后性能参数序列与测试样本的实际修后性能参数序列进行比对。采用预测参数序列与实际参数序列的平均循环绝对误差和平均循环相对误差对各模型的预测准确性进行描述,各模型的预测误差如表1所示。
表1修后性能预测实验误差对比
由各组对比实验的预测误差可看出,模型3的预测误差是最小的。其他三组对比实验的预测误差由大到小依次是:模型1和模型2。由于在模型1中未对原始数据进行特征提取,其预测准确度是3个预测模型中最低的。从实验过程来看,由于模型1的数据节点数过多,其运算时间也是最长的。由此可见,过程神经网络和深度学习在航空发动机的送修前性能参数及维修深度数据特征提取方面均具有较好的适用性。基于过程神经网络和深度学习的航空发动机修后性能预测模型的预测准确性要明显好于传统的预测模型。本发明提出的基于过程神经网络和深度学习的航空发动机修后性能预测模型在预测准确性均好于其两组对比实验模型。其循环相对误差分别低于三个对比模型5.8%,1.6%。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (5)
1.一种航空发动机修后排气温度裕度预测方法,其特征在于:所述航空发动机修后排气温度裕度预测方法包括以下步骤:
步骤一:采用五次多项式拟合对航空发动机送修前性能参数序列进行特征提取,得到s×c维的送修前性能参数特征向量矩阵Ps×c;
其中s为发动机维修案例个数,c为送修前性能参数特征向量矩阵Ps×c的列数;
步骤二:采用堆叠自编码深度学习网络对航空发动机单元体维修深度进行特征提取,得到s×d维的单元体维修深度特征向量矩阵Rs×d;
其中所述d为单元体维修深度特征向量矩阵Rs×d的列数;
步骤三:将步骤一得到的送修前性能参数特征向量和步骤二得到的单元体维修深度特征向量进行合并,得到修后性能特征向量As×(c+d);
步骤四:利用步骤三得到的修后性能特征向量As×(c+d)和每个维修案例对应的修后性能参数序列zs,k为第s个发动机维修案例送修后第k个飞行循环的排气温度裕度值,采用BP神经网络建立航空发动机修后性能预测模型;所述BP神经网络的结构为单隐层,隐层节点数为h;
步骤五:将步骤四建立的航空发动机修后性能预测模型采用粒子群优化算法进行d和h的优化,得到最优航空发动机修后性能预测模型。
2.根据权利要求1所述的一种航空发动机修后排气温度裕度预测方法,其特征在于:所述步骤一中航空发动机送修前性能参数序列具体为所述xs,m为第s个发动机维修案例送修前第m个飞行循环的排气温度裕度值。
3.根据权利要求2所述的一种航空发动机修后排气温度裕度预测方法,其特征在于:所述步骤二中航空发动机单元体维修深度原始信息矩阵具体为所述ys,n为第s个发动机维修案例第n个单元体维修深度信息表征量。
4.根据权利要求3所述的一种航空发动机修后排气温度裕度预测方法,其特征在于:所述步骤三中修后性能特征向量As×(c+d)通过下式得到:
As×(c+d)=[Ps×c,Rs×d]。
5.根据权利要求4所述的一种航空发动机修后排气温度裕度预测方法,其特征在于:所述步骤四中BP神经网络的输入层节点数为c+d,输出层节点数为k。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711436066.5A CN108170945B (zh) | 2017-12-26 | 2017-12-26 | 一种航空发动机修后排气温度裕度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711436066.5A CN108170945B (zh) | 2017-12-26 | 2017-12-26 | 一种航空发动机修后排气温度裕度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108170945A true CN108170945A (zh) | 2018-06-15 |
CN108170945B CN108170945B (zh) | 2021-07-02 |
Family
ID=62521745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711436066.5A Active CN108170945B (zh) | 2017-12-26 | 2017-12-26 | 一种航空发动机修后排气温度裕度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108170945B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858635A (zh) * | 2018-12-20 | 2019-06-07 | 威海众成信息科技股份有限公司 | 一种根据软时限制定发动机维修决策的管理方法 |
CN111649951A (zh) * | 2020-04-15 | 2020-09-11 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 航空发动机故障检测方法、装置、计算机设备及存储介质 |
CN111862388A (zh) * | 2020-07-17 | 2020-10-30 | 南京航空航天大学 | 一种基于数据的航空发动机排气温度裕度寿命计算方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090063115A1 (en) * | 2007-08-31 | 2009-03-05 | Zhao Lu | Linear programming support vector regression with wavelet kernel |
CN101976285A (zh) * | 2010-10-26 | 2011-02-16 | 哈尔滨工业大学 | 汽轮发电机关键部件的参数化设计方法 |
EP2363453A1 (en) * | 2005-06-03 | 2011-09-07 | ExxonMobil Research and Engineering Company | Ashless detergents and formulated lubricating oil containing same |
CN102562239A (zh) * | 2011-11-13 | 2012-07-11 | 哈尔滨工业大学 | 一种航空发动机排气温度的监测方法 |
CN104748962A (zh) * | 2015-04-03 | 2015-07-01 | 西安交通大学 | 一种基于堆叠自动编码机的行星齿轮箱智能诊断方法 |
CN105988374A (zh) * | 2015-02-12 | 2016-10-05 | 中航商用航空发动机有限责任公司 | 用于发动机半物理仿真的高速直驱传动系统 |
CN106777554A (zh) * | 2016-11-29 | 2017-05-31 | 哈尔滨工业大学(威海) | 基于状态基线的航空发动机气路单元体健康状态评价方法 |
-
2017
- 2017-12-26 CN CN201711436066.5A patent/CN108170945B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2363453A1 (en) * | 2005-06-03 | 2011-09-07 | ExxonMobil Research and Engineering Company | Ashless detergents and formulated lubricating oil containing same |
US20090063115A1 (en) * | 2007-08-31 | 2009-03-05 | Zhao Lu | Linear programming support vector regression with wavelet kernel |
CN101976285A (zh) * | 2010-10-26 | 2011-02-16 | 哈尔滨工业大学 | 汽轮发电机关键部件的参数化设计方法 |
CN102562239A (zh) * | 2011-11-13 | 2012-07-11 | 哈尔滨工业大学 | 一种航空发动机排气温度的监测方法 |
CN105988374A (zh) * | 2015-02-12 | 2016-10-05 | 中航商用航空发动机有限责任公司 | 用于发动机半物理仿真的高速直驱传动系统 |
CN104748962A (zh) * | 2015-04-03 | 2015-07-01 | 西安交通大学 | 一种基于堆叠自动编码机的行星齿轮箱智能诊断方法 |
CN106777554A (zh) * | 2016-11-29 | 2017-05-31 | 哈尔滨工业大学(威海) | 基于状态基线的航空发动机气路单元体健康状态评价方法 |
Non-Patent Citations (3)
Title |
---|
TICHUN WANG等: "Research on Extension Knowledge Base System for Scheme Design of Mechanical Product", 《MATHEMATICAL MODELLING OF ENGINEERING PROBLEMS》 * |
崔江等: "一种基于改进堆栈自动编码器的航空发电机旋转整流器故障特征提取方法", 《中国电机工程学报》 * |
陈果: "用结构自适应神经网络预测航空发动机性能趋势", 《航空学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858635A (zh) * | 2018-12-20 | 2019-06-07 | 威海众成信息科技股份有限公司 | 一种根据软时限制定发动机维修决策的管理方法 |
CN111649951A (zh) * | 2020-04-15 | 2020-09-11 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 航空发动机故障检测方法、装置、计算机设备及存储介质 |
CN111862388A (zh) * | 2020-07-17 | 2020-10-30 | 南京航空航天大学 | 一种基于数据的航空发动机排气温度裕度寿命计算方法 |
CN111862388B (zh) * | 2020-07-17 | 2021-09-07 | 南京航空航天大学 | 一种基于数据的航空发动机排气温度裕度寿命计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108170945B (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108153982A (zh) | 基于堆叠自编码深度学习网络的航空发动机修后性能预测方法 | |
Yu et al. | Width & depth pruning for vision transformers | |
Qi et al. | Prediction of mechanical properties of carbon fiber based on cross-scale FEM and machine learning | |
CN105183993B (zh) | 一种电磁轨道炮综合仿真平台及方法 | |
CN112233723B (zh) | 基于深度学习的蛋白质结构预测方法及系统 | |
CN112001110B (zh) | 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法 | |
CN108170945A (zh) | 一种航空发动机修后排气温度裕度预测方法 | |
Xu et al. | Application of QGA-BP for fault detection of liquid rocket engines | |
CN112766315B (zh) | 一种用于测试人工智能模型鲁棒性的方法和系统 | |
CN107544904A (zh) | 一种基于深度cg‑lstm神经网络的软件可靠性预测模型 | |
CN108256173A (zh) | 一种航空发动机动态过程的气路故障诊断方法及系统 | |
Soma et al. | Neural network reconstruction of the dense matter equation of state from neutron star observables | |
CN111177974A (zh) | 基于双层嵌套寻优和子集模拟的结构小失效概率计算方法 | |
CN113158445A (zh) | 一种卷积记忆残差自注意力机制的航空发动机剩余使用寿命预测算法 | |
CN110082738B (zh) | 基于高斯混合和张量循环神经网络的雷达目标识别方法 | |
CN115659797B (zh) | 针对航空发动机数据重构的生成对抗多头注意力神经网络自学习方法 | |
CN112200262B (zh) | 支持多任务和跨任务的小样本分类训练方法及装置 | |
CN113255432B (zh) | 基于深度神经网络与流形对齐的汽轮机振动故障诊断方法 | |
CN103955714A (zh) | 基于水军检测模型构建方法和系统及水军检测方法 | |
CN117591961A (zh) | 基于自归一化分类模型的脉冲星候选体识别方法及系统 | |
CN105628868B (zh) | 一种复合材料结构的欠采样信号冲击定位处理方法和系统 | |
CN111192158A (zh) | 一种基于深度学习的变电站日负荷曲线相似度匹配方法 | |
CN108805419B (zh) | 基于网络嵌入与支持向量回归的电网节点重要度计算方法 | |
Li et al. | Fatigue reliability analysis of aeroengine blade-disc systems using physics-informed ensemble learning | |
CN109885875A (zh) | 一种涡轮叶片概率损伤容限分析方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |