CN108801387B - 一种基于学习模型的飞机油箱剩余油量测量系统和方法 - Google Patents

一种基于学习模型的飞机油箱剩余油量测量系统和方法 Download PDF

Info

Publication number
CN108801387B
CN108801387B CN201810490299.1A CN201810490299A CN108801387B CN 108801387 B CN108801387 B CN 108801387B CN 201810490299 A CN201810490299 A CN 201810490299A CN 108801387 B CN108801387 B CN 108801387B
Authority
CN
China
Prior art keywords
sensor
airplane
learning model
data detected
angle
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
Application number
CN201810490299.1A
Other languages
English (en)
Other versions
CN108801387A (zh
Inventor
郭毅博
徐明亮
潘俊
陈广豪
王�华
薛均晓
姜晓恒
周兵
吕培
牛猛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhengzhou University
Jincheng Nanjing Electromechanical Hydraulic Pressure Engineering Research Center Aviation Industry Corp of China
Original Assignee
Zhengzhou University
Jincheng Nanjing Electromechanical Hydraulic Pressure Engineering Research Center Aviation Industry Corp of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhengzhou University, Jincheng Nanjing Electromechanical Hydraulic Pressure Engineering Research Center Aviation Industry Corp of China filed Critical Zhengzhou University
Priority to CN201810490299.1A priority Critical patent/CN108801387B/zh
Publication of CN108801387A publication Critical patent/CN108801387A/zh
Application granted granted Critical
Publication of CN108801387B publication Critical patent/CN108801387B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
    • G01F23/80—Arrangements for signal processing

Abstract

本发明提供一种基于学习模型的飞机油箱剩余油量测量系统和方法，系统包括处理器，处理器连接有角度传感器，角度加速度传感器和至少两个液位传感器；角度传感器用于检测飞机的飞行角度，角度加速度传感器用于检测飞机飞行角度的加速度，各液位传感器用于设置在飞机油箱的不同位置，检测飞机油箱的液位；所述处理器根据学习模型对各传感器检测到的数据进行处理得到飞机油箱的剩余油量。本发明所提供的技术方案，采用角度传感器、角度加速度传感器和多个液位传感器对飞机的飞行角度、飞行角度加速度和油箱液位进行检测，并采用学习模型根据各传感器检测到的数据判断飞机油箱的剩余油量，从而解决飞机油箱剩余油量检测结果精度较低的问题。

Description

一种基于学习模型的飞机油箱剩余油量测量系统和方法
技术领域
本发明属于飞机油箱油量检测技术领域，具体涉及一种基于学习模型的飞机油箱剩余油量测量系统和方法。
技术背景
飞机油箱中的剩余油量是评估飞机续航能力、确保飞行安全的重要指标，提高燃油测量系统的精度可以使飞行人员掌握更准确的燃油信息，对续航时间、剩余航程等飞行信息有更准确的预判，能在安全范围内更有效的利用燃油，对飞机的性能具有重要的影响。
在飞机燃油油量测量领域，国内外研究人员做了很多研究，提出了一些测量方法。目前燃油油量测量方法主要有如下几种：
1.切片叠加法
首先使用切片叠加法计算飞机燃油体积，使用切平面将飞机油箱内燃油实体切分为多个小薄片，分别计算每个小薄片的体积，再将每个小薄片的体积叠加得到飞机燃油体积。该方法缺点在于，每次计算之前都要先得到飞机油箱的有限元模型，并且针对每一步都要编写相应的计算程序，计算方法复杂。
2.三维CAD软件模拟
根据飞机油箱油面高度传感器以及飞行姿态传感器得到飞机飞行姿态、油面高度以及加速度信息，计算得到油平面方程，通过CATIA二次开发自动生成油箱燃油体积特性数据库。或者采用CAD技术建立飞机油箱模型，利用油面高度传感器的输出值及飞机姿态信息，对燃油油量进行实时测量及姿态误差修正。或者将飞机燃油系统的设计与飞机机身结构结合起来，能够计算飞机飞行状态下燃油质量和重心位置的变化情况。这种方法的缺点在于，油箱建模复杂，且精度要求较高的情况下，体积特性数据库容量会很大。
3.神经网络
使用了基于BP神经网络的方法来进行燃油体积特性计算，针对BP神经网络存在学习效率低、收敛速度慢和易陷入局部极小等局限，采用改进粒子群算法优化BP神经网络的训练，具有训练时间短，相对误差小，控制精度高等优点。另外，国外也有多篇文献使用了神经网络的方法来进行燃油体积特性计算。这种方法的缺点在于，没有考虑之前一段时间的输入数据对当前燃油液面波动情况的影响，预测结果精度及稳定性较差。
因此，现有技术中对飞机油箱剩余油量进行检测时，普遍存在检测精度低的问题。
发明内容
本发明提供一种基于学习模型的飞机油箱剩余油量测量系统和方法，用于解决现有技术中对飞机油箱剩余油箱检测结果精度较低的问题。
一种基于学习模型的飞机油箱剩余油量测量系统，包括处理器，处理器连接有角度传感器，角度加速度传感器和至少两个液位传感器；角度传感器用于检测飞机的飞行角度，角度加速度传感器用于检测飞机飞行角度的加速度，各液位传感器用于设置在飞机油箱的不同位置，检测飞机油箱的液位；所述处理器根据学习模型对各传感器检测到的数据进行处理得到飞机油箱的剩余油量；
所述学习模型包括设定数量的LSTM层，设定数量的dropout层和全连接层，其中第一个LSTM层包括公式
Figure GDA0002366289700000021
其中第j个LSTM层包括公式
Figure GDA0002366289700000022
第i个dropout层包括公式
Figure GDA0002366289700000023
其中
Figure GDA0002366289700000028
表示ti时刻各传感器所检测到的数据，Uj，Wj，Vj表示第j个LSTM层相应的权重矩阵，
Figure GDA0002366289700000029
表示第j个LSTM层隐藏层的值，rj表示第j个dropout层激活神经元的概率值，
Figure GDA0002366289700000024
和
Figure GDA0002366289700000025
均为激励函数；
全连接层根据
Figure GDA0002366289700000026
计算出飞机剩余油量
Figure GDA0002366289700000027
其中R表示相应的权重矩阵，m为所述设定数量，且m大于1。
进一步的，根据所述飞机剩余油量结果
Figure GDA00023662897000000210
和数据样本对应的数值标签
Figure GDA00023662897000000211
计算得到损失函数，并根据损失函数对学习模型中的各权重矩阵进行更新。
进一步的，得到损失函数之后，对损失函数进行优化处理，然后根据优化后的损失函数对学习模型中的各权重矩阵进行更新。
进一步的，其特征在于，在学习模型对各传感器检测到的数据进行处理时，首先判断各传感器所检测的数据是否在相应的设定范围内，如果不在，则判断为该传感器所检测到的该数据失真。
进一步的，判断各传感器所检测的数据是否在相应的设定范围内时，首先对各传感器检测到的数据进行归一化处理，然后根据归一化处理的结果判断各传感器所检测的数据是否在相应的设定范围内。
一种基于学习模型的飞机油箱剩余油量测量方法，包括如下步骤：
(1)获取各液位传感器，角度传感器和角度加速度传感器检测到的数据；
(2)根据学习模型对各传感器检测到的数据进行处理得到飞机油箱的剩余油量；
所述学习模型包括设定数量的LSTM层，设定数量的dropout层和全连接层，其中第一个LSTM层包括公式
Figure GDA0002366289700000031
其中第j个LSTM层包括公式
Figure GDA0002366289700000032
第i个dropout层包括公式
Figure GDA0002366289700000033
其中
Figure GDA0002366289700000038
表示ti时刻各传感器所检测到的数据，Uj，Wj，Vj表示第j个LSTM层相应的权重矩阵，
Figure GDA0002366289700000039
表示第j个LSTM层隐藏层的值，rj表示第j个dropout层激活神经元的概率值，
Figure GDA0002366289700000034
和
Figure GDA0002366289700000035
均为激励函数；
全连接层根据
Figure GDA0002366289700000036
计算出飞机剩余油量
Figure GDA0002366289700000037
其中R表示相应的权重矩阵，m为所述设定数量，且m大于1。
进一步的，根据所述飞机剩余油量结果
Figure GDA0002366289700000042
和数据样本对应的数值标签
Figure GDA0002366289700000043
计算得到损失函数，并根据损失函数对学习模型中的各权重矩阵进行更新。
进一步的，得到损失函数之后，对损失函数进行优化处理，然后根据优化后的损失函数对学习模型中的各权重矩阵进行更新。
进一步的，其特征在于，在学习模型对各传感器检测到的数据进行处理时，首先判断各传感器所检测的数据是否在相应的设定范围内，如果不在，则判断为该传感器所检测到的该数据失真。
进一步的，判断各传感器所检测的数据是否在相应的设定范围内时，首先对各传感器检测到的数据进行归一化处理，然后根据归一化处理的结果判断各传感器所检测的数据是否在相应的设定范围内。
本发明所提供的技术方案，采用角度传感器、角度加速度传感器和多个液位传感器对飞机的飞行角度、飞行角度加速度和油箱液位进行检测，并采用学习模型根据各传感器检测到的数据计算飞机油箱的剩余油量，从而解决飞机油箱剩余油箱检测结果精度较低的问题。
附图说明
图1为实施例中基于学习模型的飞机油箱剩余油量测量系统的结构示意图。
具体实施方式
本发明提供一种基于学习模型的飞机油箱剩余油量测量系统和方法，用于解决现有技术中对飞机油箱剩余油箱检测结果精度较低的问题。
一种基于学习模型的飞机油箱剩余油量测量系统，包括处理器，处理器连接有角度传感器，角度加速度传感器和至少两个液位传感器；角度传感器用于检测飞机的飞行角度，角度加速度传感器用于检测飞机飞行角度的加速度，各液位传感器用于设置在飞机油箱的不同位置，检测飞机油箱的液位；所述处理器根据学习模型对各传感器检测到的数据进行处理得到飞机油箱的剩余油量；
所述学习模型包括设定数量的LSTM层，设定数量的dropout层和全连接层，所述第一个LSTM层包括公式
Figure GDA0002366289700000041
其中第j个LSTM层包括公式
Figure GDA0002366289700000051
第i个dropout层包括公式
Figure GDA0002366289700000052
其中
Figure GDA0002366289700000058
表示ti时刻各传感器所检测到的数据，Uj，Wj，Vj表示第j个LSTM层相应的权重矩阵，
Figure GDA0002366289700000059
表示第j个LSTM层隐藏层的值，rj表示第j个dropout层激活神经元的概率值，
Figure GDA0002366289700000053
和
Figure GDA0002366289700000054
均为激励函数；
全连接层根据
Figure GDA0002366289700000055
计算出飞机剩余油量
Figure GDA0002366289700000056
其中R表示相应的权重矩阵，m为所述设定数量，且m大于1。
下面结合具体实施方式对本发明的技术方案进行详细说明。
本实施例提供一种基于学习模型的飞机油箱剩余油量测量系统，由于对飞机油箱的剩余油量进行检测。
本实施例所提供的基于学习模型的飞机油箱剩余油量测量系统，其系统的硬件结构如图1所示，包括处理器，处理器连接有角度传感器，角度加速度传感器和液位传感器，液位传感器的数量设置有n个。各液位传感器分别设置在飞机油箱上不同位置，检测油箱中的液位，角速度传感器用于检测飞机的角速度，角度加速度传感器用于检测飞机角度的加速度，处理器根据各传感器检测到的数据对飞机油箱的油量进行预测，预测的方法如下：
设在时间序列T＝{t1，t2，…，t100}中其中一个时刻ti，各传感器对飞机进行检测，得到该时刻飞机的数据
Figure GDA0002366289700000057
其中s1，s2，…，sn分别为时刻ti飞机油箱中各液位传感器所检测到的数据，α为时刻ti飞机的俯仰角，β为时刻ti飞机的滚转角，θ为时刻ti飞机的俯仰角加速度，
Figure GDA00023662897000000510
为时刻ti飞机的滚转角加速度，均为表示飞机飞行姿态传感器数据；
Figure GDA0002366289700000064
为ti时刻的飞机燃油剩余油量体积或百分比。
从飞机油箱数据集中提取数据，检测传感器数据是否有如下情况：
测量数据不连续，此时可能由于油面姿态角过大，导致燃油液面处于传感器测量盲区；
测量数据突然变大，此时可能由于飞机在做大角度机动，燃油液面产生较大的浪涌和飞溅，导致传感器数据失真。
当发生以上情况时，表明飞机传感器数据失真，此时应去除失真数据或者直接使用前一个有效的测量值。
对数据异常情况处理后，从中选取变化幅度符合条件的数据以保证能够尽可能的获取更多有用信息，具体思路如下：
(1)初始设置步长为1，并设置一个变化幅度阈值区间[λ1，λ2]；
(2)从当前时刻开始向前选取数据，若当前选择数据与下一个待选数据的变化幅度小于λ1时，增大步长，直至变化幅度处于阈值区间内；若当前选择数据与下一个待选数据的变化幅度大于λ2时，减小步长，直至变化幅度处于阈值区间内或步长减为1；其中，变化幅度的计算方法如下：
首先对数据
Figure GDA0002366289700000065
使用最大最小标准化方法进行归一化处理，得到
Figure GDA0002366289700000061
公式如下：
Figure GDA0002366289700000062
x为其中一个传感器所检测数据，minA和maxA分别为该数据的最小值和最大值；变化幅度
Figure GDA0002366289700000066
为对应项相减结果的绝对值的和，如果不满足
Figure GDA0002366289700000063
则判断数据失真。
对各传感器所检测数据进行异常处理之后，采用学习模型对飞机油箱的剩余油量进行预测。本实施了的学习模型包括LSTM层1、dropout层1、LSTM层2、dropout层2、LSTM层3、dropout层3和全连接层。
LSTM层1计算公式为
Figure GDA0002366289700000071
其中U1，W1，V1分别表示LSTM层1相应的权重矩阵，
Figure GDA0002366289700000077
表示LSTM层1的隐藏层值；
dropout层1的计算公式为
Figure GDA0002366289700000072
其中r1表示dropout层1激活神经元的概率值。
LSTM层2的计算公式为
Figure GDA0002366289700000073
其中U2，W2，V2分别表示LSTM层2相应的权重矩阵，
Figure GDA0002366289700000078
表示LSTM层2的隐藏层值。
dropout层2计算公式为
Figure GDA0002366289700000074
其中r2表示dropout层2激活神经元的概率值。
LSTM层3的计算公式为
Figure GDA0002366289700000075
其中U3，W3，V3分别表示LSTM层3相应的权重矩阵，
Figure GDA0002366289700000079
表示LSTM层3的隐藏层值。
dropout层3计算公式为
Figure GDA0002366289700000076
其中r3表示dropout层3激活神经元的概率值。
全连接层计算公式位
Figure GDA0002366289700000081
其中R表示全连接层的权重矩阵，
Figure GDA0002366289700000082
表示预测的飞机剩余油量。
根据预测结果
Figure GDA0002366289700000083
和数据样本对应的数值标签
Figure GDA0002366289700000084
计算得到损失函数，并通过Adam优化器对损失函数进行优化，并根据优化后的损失函数更新网络模型的权重矩阵。此外，经过多次参数调试，发现当学习率为e-3时，网络模型获得较好的训练结果。
本实施例中，学习模型中设置有三个LSTM层和三个dropout层；作为其他实施方式，LSTM层和dropout层的数量可根据需求设置。

Claims (10)

1.一种基于学习模型的飞机油箱剩余油量测量系统，包括处理器，处理器连接有角度传感器，角度加速度传感器和至少两个液位传感器；角度传感器用于检测飞机的飞行角度，角度加速度传感器用于检测飞机飞行角度的加速度，各液位传感器用于设置在飞机油箱的不同位置，检测飞机油箱的液位；其特征在于，所述处理器根据学习模型对各传感器检测到的数据进行处理得到飞机油箱的剩余油量；
所述学习模型包括设定数量的LSTM层，设定数量的dropout层和全连接层，其中第一个LSTM层包括公式
Figure FDA0002366289690000011
其中第j个LSTM层包括公式
Figure FDA0002366289690000012
第i个dropout层包括公式
Figure FDA0002366289690000013
其中
Figure FDA0002366289690000014
表示ti时刻各传感器所检测到的数据，Uj，Wj，Vj表示第j个LSTM层相应的权重矩阵，
Figure FDA0002366289690000015
表示第j个LSTM层隐藏层的值，rj表示第j个dropout层激活神经元的概率值，
Figure FDA0002366289690000016
和
Figure FDA0002366289690000017
均为激励函数；
全连接层根据
Figure FDA0002366289690000018
计算出飞机剩余油量
Figure FDA0002366289690000019
其中R表示相应的权重矩阵，m为所述设定数量，且m大于1。
2.根据权利要求1所述的基于学习模型的飞机油箱剩余油量测量系统，其特征在于，根据所述飞机剩余油量测量结果
Figure FDA00023662896900000110
和数据样本对应的数值标签
Figure FDA00023662896900000111
计算得到损失函数，并根据损失函数对学习模型中的各权重矩阵进行更新。
3.根据权利要求2所述的基于学习模型的飞机油箱剩余油量测量系统，其特征在于，得到损失函数之后，对损失函数进行优化处理，然后根据优化后的损失函数对学习模型中的各权重矩阵进行更新。
4.根据权利要求1或2或3所述的基于学习模型的飞机油箱剩余油量测量系统，其特征在于，在学习模型对各传感器检测到的数据进行处理时，首先判断各传感器所检测的数据是否在相应的设定范围内，如果不在，则判断为该传感器所检测到的数据失真。
5.根据权利要求4所述的基于学习模型的飞机油箱剩余油量测量系统，其特征在于，判断各传感器所检测的数据是否在相应的设定范围内时，首先对各传感器检测到的数据进行归一化处理，然后根据归一化处理的结果判断各传感器所检测的数据是否在相应的设定范围内。
6.一种基于学习模型的飞机油箱剩余油量测量方法，其特征在于，包括如下步骤：
(1)获取各液位传感器，角度传感器和角度加速度传感器检测到的数据；
(2)根据学习模型对各传感器检测到的数据进行处理得到飞机油箱的剩余油量；
所述学习模型包括设定数量的LSTM层，设定数量的dropout层和全连接层，其中第一个LSTM层包括公式
Figure FDA0002366289690000021
其中第j个LSTM层包括公式
Figure FDA0002366289690000022
第i个dropout层包括公式
Figure FDA0002366289690000023
其中
Figure FDA0002366289690000024
表示ti时刻各传感器所检测到的数据，Uj，Wj，Vj表示第j个LSTM层相应的权重矩阵，
Figure FDA0002366289690000025
表示第j个LSTM层隐藏层的值，rj表示第j个dropout层激活神经元的概率值，
Figure FDA0002366289690000026
和
Figure FDA0002366289690000027
均为激励函数；
全连接层根据
Figure FDA0002366289690000028
计算出飞机剩余油量
Figure FDA0002366289690000029
其中R表示相应的权重矩阵，m为所述设定数量，且m大于1。
7.根据权利要求6所述的基于学习模型的飞机油箱剩余油量测量方法，其特征在于，根据所述飞机剩余油量结果
Figure FDA0002366289690000031
和数据样本对应的数值标签
Figure FDA0002366289690000032
计算得到损失函数，并根据损失函数对学习模型中的各权重矩阵进行更新。
8.根据权利要求7所述的基于学习模型的飞机油箱剩余油量测量方法，其特征在于，得到损失函数之后，对损失函数进行优化处理，然后根据优化后的损失函数对学习模型中的各权重矩阵进行更新。
9.根据权利要求6或7或8所述的基于学习模型的飞机油箱剩余油量测量方法，其特征在于，在学习模型对各传感器检测到的数据进行处理时，首先判断各传感器所检测的数据是否在相应的设定范围内，如果不在，则判断为该传感器所检测到的数据失真。
10.根据权利要求9所述的基于学习模型的飞机油箱剩余油量测量方法，其特征在于，判断各传感器所检测的数据是否在相应的设定范围内时，首先对各传感器检测到的数据进行归一化处理，然后根据归一化处理的结果判断各传感器所检测的数据是否在相应的设定范围内。
CN201810490299.1A 2018-05-21 2018-05-21 一种基于学习模型的飞机油箱剩余油量测量系统和方法 Active CN108801387B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810490299.1A CN108801387B (zh) 2018-05-21 2018-05-21 一种基于学习模型的飞机油箱剩余油量测量系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810490299.1A CN108801387B (zh) 2018-05-21 2018-05-21 一种基于学习模型的飞机油箱剩余油量测量系统和方法

Publications (2)

Publication Number Publication Date
CN108801387A CN108801387A (zh) 2018-11-13
CN108801387B true CN108801387B (zh) 2020-04-03

Family

ID=64091320

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810490299.1A Active CN108801387B (zh) 2018-05-21 2018-05-21 一种基于学习模型的飞机油箱剩余油量测量系统和方法

Country Status (1)

Country Link
CN (1) CN108801387B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111398079B (zh) * 2019-01-02 2023-03-14 中国石油化工股份有限公司 存储器、汽油辛烷值的测定方法、装置及设备
CN110631766B (zh) * 2019-08-30 2021-03-09 四川腾盾科技有限公司 一种不同飞行状态下无人机燃油重心的检测方法
CN110633790B (zh) * 2019-09-19 2022-04-08 郑州大学 基于卷积神经网络的飞机油箱剩余油量测量方法和系统
CN110569481B (zh) * 2019-10-12 2023-01-24 中铁四局集团有限公司 一种任意油箱的油量计算方法
CN110889227B (zh) * 2019-11-28 2023-05-05 四川泛华航空仪表电器有限公司 一种基于多传感器信息融合的飞机燃油测量方法
CN110927172B (zh) * 2019-12-10 2020-08-25 南京航空航天大学 一种飞机整体油箱密封胶漏涂在线检测装置及方法
CN111811609B (zh) * 2020-07-01 2022-07-22 中科灵动航空科技成都有限公司 一种飞行器油量检测方法及系统
CN112229464A (zh) * 2020-10-10 2021-01-15 江西洪都航空工业集团有限责任公司 一种综合利用飞行大姿态变化的燃油测量系统
CN112798074A (zh) * 2021-01-14 2021-05-14 慧加油(北京)物联科技有限公司 油感精度测量方法及装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0506466D0 (en) * 2005-03-31 2005-05-04 Smiths Group Plc Fluid-gauging systems
US9767671B2 (en) * 2014-11-05 2017-09-19 Intel Corporation System for determining sensor condition
JP5965012B1 (ja) * 2015-03-17 2016-08-03 Dmg森精機株式会社 液位検出方法及び液位検出装置、並びにこの液位検出装置を備えた工作機械
US10745263B2 (en) * 2015-05-28 2020-08-18 Sonicu, Llc Container fill level indication system using a machine learning algorithm
CN105181086B (zh) * 2015-08-28 2018-08-03 惠州华阳通用电子有限公司 一种汽车油量检测方法和装置
CN204944618U (zh) * 2015-09-15 2016-01-06 苏州塔夫电子科技有限公司 一种车辆油箱油位测量装置
CN107576365B (zh) * 2017-09-01 2020-02-07 一步到味(天津)科技有限公司 一种显示流量的液体容器及其液体流量检测方法
CN107961007A (zh) * 2018-01-05 2018-04-27 重庆邮电大学 一种结合卷积神经网络和长短时记忆网络的脑电识别方法

Also Published As

Publication number Publication date
CN108801387A (zh) 2018-11-13

Similar Documents

Publication Publication Date Title
CN108801387B (zh) 一种基于学习模型的飞机油箱剩余油量测量系统和方法
CN110633790B (zh) 基于卷积神经网络的飞机油箱剩余油量测量方法和系统
CN110348752B (zh) 一种考虑环境干扰的大型工业系统结构安全性评估方法
CA2807984C (en) Method and system for monitoring a structure
CN102037421B (zh) 辅助检测航空器的硬着陆的辅助方法
EP2570880A2 (en) A method for real-time model based structural anomaly detection
CN111638034B (zh) 基于深度学习的应变天平温度梯度误差补偿方法及系统
CN112884051B (zh) 数据驱动的轻量级无人机多部件在线复杂故障诊断方法
CN110162895B (zh) 一种两阶段的高能效船型优化设计方法
CN108427400A (zh) 一种基于神经网络解析冗余的飞机空速管故障诊断方法
CN110941902A (zh) 一种输电线路雷击故障预警方法和系统
WO2024021642A1 (zh) 一种基于多传感器数据融合的无人船定位方法
CN106886657B (zh) 一种基于kriging函数的有限元模型建立方法
CN116341901A (zh) 一种滑坡面域-单体危险性预警的一体化评价方法
CN116992577B (zh) 跨介质航行器的仿真方法、系统、设备及存储介质
CN115455833B (zh) 一种考虑分类的气动不确定性表征方法
CN117007147A (zh) 飞机燃油油量自适应测量方法及系统
CN107729920A (zh) 一种基于bp神经网络与d‑s证据理论结合的状态估计方法
CN110532607B (zh) 高超声速飞行器舵面结构分布载荷识别的传感器布局方法
CN113570165A (zh) 基于粒子群算法优化的煤储层渗透率智能预测方法
CN112965965A (zh) 一种基于模糊预测系统的野值剔除方法、系统及计算机相关产品
CN113642785A (zh) 基于先验信息的空间碎片轨道长期预报方法、系统及设备
CN113128053A (zh) 一种非线性系统参数识别方法、装置、设备及介质
Zheng et al. Application of principal component analysis-assisted neural networks for the rotor blade load prediction
CN106647355B (zh) 一种飞行情景环境评价的数据处理方法和系统

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