CN110633790A - 基于卷积神经网络的飞机油箱剩余油量测量方法和系统 - Google Patents
基于卷积神经网络的飞机油箱剩余油量测量方法和系统 Download PDFInfo
- Publication number
- CN110633790A CN110633790A CN201910886463.5A CN201910886463A CN110633790A CN 110633790 A CN110633790 A CN 110633790A CN 201910886463 A CN201910886463 A CN 201910886463A CN 110633790 A CN110633790 A CN 110633790A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- convolutional neural
- airplane
- 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.)
- Granted
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Fluid Mechanics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种基于卷积神经网络的飞机油箱剩余油量测量方法,包括如下步骤:在飞机飞行过程中检测飞机的飞行数据;判断各时刻的飞行数据是否失真,如果有时刻的飞行数据失真,则将该时刻的飞行数据删除;对飞行数据进行标准化处理,并根据标准化处理后的飞行数据得到训练集;建立卷积神经网络模型,采用训练集对该卷积神经网络模型进行训练,得到训练后的卷积神经网络模型;卷积神经网络模型包括一层输入层、五层卷积层、五层池化层和两层全连接层;在飞机飞行过程中实时检测飞机的飞行数据,将其带入到训练好的卷积神经网络模型中,得到飞机油箱的剩余油量。本发明所提供的技术方案能够解决现有技术中对飞机油箱剩余油量检测结果精度较低的问题。
Description
技术领域
本发明属于飞机油箱剩余油量检测技术领域,具体涉及一种基于卷积神经网络的飞机油箱剩余油量测量方法和系统。
背景技术
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,使驾驶员能在安全范围内更有效的利用燃油,因此飞机油箱剩余油量的计算对飞机的性能具有重要意义。
在飞机燃油油量测量领域,国内外研究人员做了很多研究并提出了一些测量方法。目前飞机油箱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软件模拟法: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.神经网络法: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。
综上所述,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
本发明的目的是提供一种基于卷积神经网络的飞机油箱剩余油量测量工方法和系统,以解决现有技术中对飞机油箱剩余油量检测结果精度较低的问题。
为实现上述目的,本发明采用如下技术方案:
一种基于卷积神经网络的飞机油箱剩余油量测量方法,包括如下步骤:
(1)在飞机飞行过程中检测飞机的飞行数据;飞机的飞行数据包括飞机的飞行角度、角加速度和飞机油箱油面图像;
判断各时刻的飞行数据是否失真,如果有时刻的飞行数据失真,则将该时刻的飞行数据删除;
对飞行数据进行标准化处理,并根据标准化处理后的飞行数据得到训练集;
(2)建立卷积神经网络模型,采用训练集对该卷积神经网络模型进行训练,得到训练后的卷积神经网络模型;
所述卷积神经网络模型包括一层输入层、五层卷积层、五层池化层和两层全连接层;所述输入层与第一层卷积层连接,各层卷积层和各层池化层依次交替连接,第一层全连接层连接第五层池化层,第二层全连接层连接第一层全连接层;
(3)在飞机飞行过程中实时检测飞机的飞行数据,将其带入到训练好的卷积神经网络模型中,得到飞机油箱的剩余油量。
进一步的,判断各时刻的飞行数据是否失真的方法为:判断是否有时刻飞机的飞行角度与上一时刻飞行角度之差大于设定角度差,或者角加速度与上一时刻的角加速度之差大于设定加速度差;如果有,则判断为该时刻飞机的飞行数据失真。
进一步的,所述训练方法为:
对所建立的卷积神经网络模型中的权重和偏置项进行初始赋值;
采用训练集对卷积神经网络模型进行设定次数的更新,得到训练后的卷积神经网络模型;
采用对卷积神经网络模型更新的方法为:
将训练集带入到卷积神经网络模型中,计算出飞机油箱的剩余油量;
根据计算出的飞机油箱剩余油量与飞机油箱实际剩余油量,得到各卷积层、池化层和全连接层的误差;
根据各卷积层、池化层和全连接层的误差对其中的权重和偏置项进行调节。
进一步的,所述卷积层的输出函数为:
所述池化层的输出函数为:
aj=f(sj)
其中Wi、分别表示第i层卷积层的卷积核的权重和偏置项;si表示第i层卷积层的输出;si表示第i层池化层的输出;Vi、分别表示第i层全连接层权重和偏置项;hi表示第i层全连接层的输出。conv(Wi,X)为第i层卷积层的卷积操作,f(sj)为第j层池化层的池化操作。
进一步的,第一层全连接层的输出函数为
第二层全连接层的输出函数为
一种基于卷积神经网络的飞机油箱剩余油量测量系统,包括处理器和存储器,所述存储器上存储有用于在处理器上执行的计算机程序,所述处理器执行该计算机程序时,实现如下步骤:
(1)在飞机飞行过程中检测飞机的飞行数据;飞机的飞行数据包括飞机的飞行角度、角加速度和飞机油箱油面图像;
判断各时刻的飞行数据是否失真,如果有时刻的飞行数据失真,则将该时刻的飞行数据删除;
对飞行数据进行标准化处理,并根据标准化处理后的飞行数据得到训练集;
(2)建立卷积神经网络模型,采用训练集对该卷积神经网络模型进行训练,得到训练后的卷积神经网络模型;
所述卷积神经网络模型包括一层输入层、五层卷积层、五层池化层和两层全连接层;所述输入层与第一层卷积层连接,各层卷积层和各层池化层依次交替连接,第一层全连接层连接第五层池化层,第二层全连接层连接第一层全连接层;
(3)在飞机飞行过程中实时检测飞机的飞行数据,将其带入到训练好的卷积神经网络模型中,得到飞机油箱的剩余油量。
进一步的,判断各时刻的飞行数据是否失真的方法为:判断是否有时刻飞机的飞行角度与上一时刻飞行角度之差大于设定角度差,或者角加速度与上一时刻的角加速度之差大于设定加速度差;如果有,则判断为该时刻飞机的飞行数据失真。
进一步的,所述训练方法为:
对所建立的卷积神经网络模型中的权重和偏置项进行初始赋值;
采用训练集对卷积神经网络模型进行设定次数的更新,得到训练后的卷积神经网络模型;
采用对卷积神经网络模型更新的方法为:
将训练集带入到卷积神经网络模型中,计算出飞机油箱的剩余油量;
根据计算出的飞机油箱剩余油量与飞机油箱实际剩余油量,得到各卷积层、池化层和全连接层的误差;
根据各卷积层、池化层和全连接层的误差对其中的权重和偏置项进行调节。
进一步的,所述卷积层的输出函数为:
所述池化层的输出函数为:
aj=f(sj)
其中Wi、分别表示第i层卷积层的卷积核的权重和偏置项;si表示第i层卷积层的输出;si表示第i层池化层的输出;Vi、分别表示第i层全连接层权重和偏置项;hi表示第i层全连接层的输出。conv(Wi,X)为第i层卷积层的卷积操作,f(sj)为第j层池化层的最大化操作。
进一步的,第一层全连接层的输出函数为
第二层全连接层的输出函数为
本发明所提供的技术方案,首先判断各时刻的飞行数据是否失真,然后将失真的飞行数据删除,采用非失真的飞行数据对卷积神经网络模型进行训练,所以用本发明中卷积神经网络模型计算出的飞机油箱剩余油量比较准确,能够解决现有技术中对飞机油箱剩余油量检测结果精度较低的问题。
附图说明
图1是本发明方法实施例中基于卷积神经网络的飞机油箱剩余油量检测方法的流程图;
图2是本发明方法实施例中所建立的卷积神经网络模型的结构示意图。
具体实施方式
方法实施例:
本实施例提供一种基于卷积神经网络的飞机油箱剩余油量检测方法,用于解决现有技术中对飞机油箱剩余油量检测不准确的问题。
本实施例所提供的基于卷积神经网络的飞机油箱剩余油量检测方法,其流程如图1所示,包括如下步骤:
(1)建立卷积神经网络模型。
本实施例中所建立的卷积神经网络模型如图2所示,包括一个输入层、五层卷积层、五层池化层和两层全连接层。
第一卷积层与输入层连接,第一池化层与第一卷积层连接,第二卷积层与第一池化层连接,第二池化层与第二卷积层连接,第三卷积层与第二池化层连接,第三池化层与第三卷积层连接,第四卷积层与第三池化层连接,第四池化层与第四卷积层连接,第五卷积层与第四池化层连接,第五池化层与第五卷积层连接,第一全连接层与第五池化层连接,第二全连接层与第一圈连接层连接。
各层卷积层用于根据输入层输入的飞机油箱燃油油面图像信息计算特征图,其中第i层输入层计算特征图时采用的计算公式为:
各层池化层用于对相应卷积层输出的特征图进行采样,并得到采样区的最大值,其中第j层卷积层采集区域最大值的计算公式为:
aj=f(sj)
将第五池化层结果与飞机的飞行角度、角度加速度拼接,将拼接结果作为第一层全连接层的输入,拼接后得到的数据为:
将第一层全连接层的输出作为第二层全连接层的输入,第二层全连接层输出飞机剩余油量。本实施例中第一层全连接层和第二层全连接层的输出分别为:
其中,X,α,β分别表示飞机油箱燃油油面图像数据、角度传感器数据和角加速度传感器数据;Wi、分别表示第i层卷积层的卷积核的权重和偏置项;si表示第i层卷积层的输出;si表示第i层池化层的输出;Vi、分别表示第i层全连接层权重和偏置项;hi表示第i层全连接层的输出。conv(Wi,X)为第i层卷积层的卷积操作,f(sj)为第j层池化层的最大化操作。
(2)检测飞机的飞行数据,对检测到的飞行数据进行标准化处理,并采用处理后的飞行数据对建立好的卷积神经网络模型进行训练,得到训练后的卷积神经网络模型。
本实施例中飞机的飞行数据包括飞机的飞行角速度、飞行角速度的加速度和飞机油箱油面图像。在飞机行安装有角度传感器、角加速度传感器,并在飞机的油箱内安装有用于采集油箱油面图像的红外摄像头。
在飞机飞行过程中通过角度传感器检测飞机的飞行角度,通过角加速度传感器检测飞机的角加速度,采用高精度红外摄像头在低光照情况下获取飞机油箱油面图像。
由于飞机在做大角度机动时,燃油液面会产生较大的浪涌和飞溅,可能出现失真情况,因此在对检测到的飞行数据进行标准化处理时,首先判断是否有飞行数据失真,如果有,则将失真的飞行数据删除。
本实施例中判断所检测数据是否失真的方法为:
判断各时刻与其上一时刻检测到的飞行角度之差是否大于设定角度、飞行角速度的加速度是否大于设定加速度;
如果有时刻与其上一时刻检测到的飞行角度之差大于设定角度,或飞行角速度的加速度大于设定加速度,则判断为该时刻检测到的飞机飞行数据失真,将该时刻检测到的飞机飞行数据删除。
本实施例中采用min-max标准化方法对飞机飞行数据进行归一化处理,即标准化处理,将飞机飞行数据映射到0-1之间。对飞行数据中飞行角度、角加速度和飞机油箱进行归一化处理的方法相同,以飞行角度归一化处理的方法为例进行说明:
设飞行角度的最大值为xmax,最小值为xmin,则飞行角度x归一化处理后得到的飞行角度为:
然后将归一化处理后的飞机飞行数据生成训练集、交叉验证集和测试集,方法为:首先获取处理后的数据,然后使用其对预先测得的油量信息对数据进行标注,将标注后的数据整理成设定格式的数据集,最后将数据集按照比例6:2:2划分为训练集、交叉验证集和测试集。某时刻的油面图像提取后的特征、飞行角度、角加速度整理成的设定格式的数据集为其中a′、β′分别为该时刻油面图像提取后的特征、飞行角度、角加速度。
建立好的卷积神经网络模型进行训练,训练的过程包括模型初始化、模型参数更新、模型保存和模型测试。
模型初始化:对所建立的卷积神经网络模型中的权重和偏置项进行初始赋值,将建立的卷积神经网络模型初始化。
模型参数更新:将训练集中的数据输入到所建立的卷积神经网络模型中,经过卷积神经网络模型的处理后输出油量检测结果;
将通过卷积神经网络模型得到的检测结果与实际的油量之差和第二层全部全连接层的权重,再使用卷积神经网络模型得到的检测结果与实际的油量计算得到平方误差,然后依次计算误差值对卷积神经网络中每层中每个权重的偏导数,最后使用计算得到的偏导值更新各层的权重。
然后根据各层的误差对各层的权重进行调节;
模型保存:持续对卷积神经网络模型进行参数更新,并更新设定次数后保存该卷积神经网络模型;
模型测试:对保存的卷积神经网络模型测试,使用测试集中的数据样本作为模型输入,经过卷积神经网络模型计算后,再使用卷积神经模型输出与数据样本对应的标注数据计算损失值,从而得到卷积神经网络模型的性能;当卷积神经网络模型的损失值达到设定损失值时,判断为其性能达到设定程度,此时的卷积神经网络模型即为训练后的卷积神经网络模型。
(3)在飞机飞行过程中检测飞机的飞行数据,对飞机飞行数据进行失真判断和标准化处理,然后将其输入到训练好的卷积神经网络模型中,计算出飞机油箱的剩余油量;如果飞机油箱的剩余油量小于设定油量,则发出报警信号。
系统实施例:
本实施例提供一种基于卷积神经网络的飞机油箱剩余油量测量系统,包括处理器和存储器,存储器上存储有用于在处理器上执行的计算机程序,控制器执行该计算机程序时,实现如上述方法实施例中基于卷积神经网络的飞机油箱剩余油量测量方法。
Claims (10)
1.一种基于卷积神经网络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)在飞机飞行过程中检测飞机的飞行数据;飞机的飞行数据包括飞机的飞行角度、角加速度和飞机油箱油面图像;
判断各时刻的飞行数据是否失真,如果有时刻的飞行数据失真,则将该时刻的飞行数据删除;
对飞行数据进行标准化处理,并根据标准化处理后的飞行数据得到训练集;
(2)建立卷积神经网络模型,采用训练集对该卷积神经网络模型进行训练,得到训练后的卷积神经网络模型;
所述卷积神经网络模型包括一层输入层、五层卷积层、五层池化层和两层全连接层;所述输入层与第一层卷积层连接,各层卷积层和各层池化层依次交替连接,第一层全连接层连接第五层池化层,第二层全连接层连接第一层全连接层;
(3)在飞机飞行过程中实时检测飞机的飞行数据,将其带入到训练好的卷积神经网络模型中,得到飞机油箱的剩余油量。
2.根据权利要求1所述的基于卷积神经网络的飞机油箱剩余油量测量方法,其特征在于,判断各时刻的飞行数据是否失真的方法为:判断是否有时刻飞机的飞行角度与上一时刻飞行角度之差大于设定角度差,或者角加速度与上一时刻的角加速度之差大于设定加速度差;如果有,则判断为该时刻飞机的飞行数据失真。
3.根据权利要求1所述的基于卷积神经网络的飞机油箱剩余油量测量方法,其特征在于,所述训练方法为:
对所建立的卷积神经网络模型中的权重和偏置项进行初始赋值;
采用训练集对卷积神经网络模型进行设定次数的更新,得到训练后的卷积神经网络模型;
采用对卷积神经网络模型更新的方法为:
将训练集带入到卷积神经网络模型中,计算出飞机油箱的剩余油量;
根据计算出的飞机油箱剩余油量与飞机油箱实际剩余油量,得到各卷积层、池化层和全连接层的误差;
根据各卷积层、池化层和全连接层的误差对其中的权重和偏置项进行调节。
6.一种基于卷积神经网络的飞机油箱剩余油量测量系统,包括处理器和存储器,所述存储器上存储有用于在处理器上执行的计算机程序,其特征在于,所述处理器执行该计算机程序时,实现如下步骤:
(1)在飞机飞行过程中检测飞机的飞行数据;飞机的飞行数据包括飞机的飞行角度、角加速度和飞机油箱油面图像;
判断各时刻的飞行数据是否失真,如果有时刻的飞行数据失真,则将该时刻的飞行数据删除;
对飞行数据进行标准化处理,并根据标准化处理后的飞行数据得到训练集;
(2)建立卷积神经网络模型,采用训练集对该卷积神经网络模型进行训练,得到训练后的卷积神经网络模型;
所述卷积神经网络模型包括一层输入层、五层卷积层、五层池化层和两层全连接层;所述输入层与第一层卷积层连接,各层卷积层和各层池化层依次交替连接,第一层全连接层连接第五层池化层,第二层全连接层连接第一层全连接层;
(3)在飞机飞行过程中实时检测飞机的飞行数据,将其带入到训练好的卷积神经网络模型中,得到飞机油箱的剩余油量。
7.根据权利要求6所述的基于卷积神经网络的飞机油箱剩余油量测量系统,其特征在于,判断各时刻的飞行数据是否失真的方法为:判断是否有时刻飞机的飞行角度与上一时刻飞行角度之差大于设定角度差,或者角加速度与上一时刻的角加速度之差大于设定加速度差;如果有,则判断为该时刻飞机的飞行数据失真。
8.根据权利要求6所述的基于卷积神经网络的飞机油箱剩余油量测量系统,其特征在于,所述训练方法为:
对所建立的卷积神经网络模型中的权重和偏置项进行初始赋值;
采用训练集对卷积神经网络模型进行设定次数的更新,得到训练后的卷积神经网络模型;
采用对卷积神经网络模型更新的方法为:
将训练集带入到卷积神经网络模型中,计算出飞机油箱的剩余油量;
根据计算出的飞机油箱剩余油量与飞机油箱实际剩余油量,得到各卷积层、池化层和全连接层的误差;
根据各卷积层、池化层和全连接层的误差对其中的权重和偏置项进行调节。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910886463.5A CN110633790B (zh) | 2019-09-19 | 2019-09-19 | 基于卷积神经网络的飞机油箱剩余油量测量方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910886463.5A CN110633790B (zh) | 2019-09-19 | 2019-09-19 | 基于卷积神经网络的飞机油箱剩余油量测量方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110633790A true CN110633790A (zh) | 2019-12-31 |
CN110633790B CN110633790B (zh) | 2022-04-08 |
Family
ID=68971712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910886463.5A Active CN110633790B (zh) | 2019-09-19 | 2019-09-19 | 基于卷积神经网络的飞机油箱剩余油量测量方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110633790B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111246320A (zh) * | 2020-01-08 | 2020-06-05 | 郑州大学 | 一种云-雾弹性光网络中的深度强化学习流量疏导方法 |
CN112304388A (zh) * | 2020-10-19 | 2021-02-02 | 珠海格力电器股份有限公司 | 一种水位检测方法及装置 |
CN112749764A (zh) * | 2021-01-28 | 2021-05-04 | 厦门大学 | 一种基于qar数据的航空发动机运行状态分类方法 |
CN115218986A (zh) * | 2022-09-07 | 2022-10-21 | 中航(成都)无人机系统股份有限公司 | 一种飞机油量计算方法、装置、设备及存储介质 |
CN117268498A (zh) * | 2023-11-20 | 2023-12-22 | 中国航空工业集团公司金城南京机电液压工程研究中心 | 一种油量测量方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140278036A1 (en) * | 2013-03-15 | 2014-09-18 | Us Airways, Inc. | Departure sequencing systems and methods |
CN107437081A (zh) * | 2017-08-07 | 2017-12-05 | 北京中星微电子有限公司 | 基于深度卷神经网络的人脸识别方法、装置和存储介质 |
CN108801387A (zh) * | 2018-05-21 | 2018-11-13 | 郑州大学 | 一种基于学习模型的飞机油箱剩余油量测量系统和方法 |
CN109146058A (zh) * | 2018-07-27 | 2019-01-04 | 中国科学技术大学 | 具有变换不变能力且表达一致的卷积神经网络 |
CN109272107A (zh) * | 2018-08-10 | 2019-01-25 | 广东工业大学 | 一种改进深层卷积神经网络的参数个数的方法 |
CN109612708A (zh) * | 2018-12-28 | 2019-04-12 | 东北大学 | 基于改进卷积神经网络的电力变压器在线检测系统及方法 |
CN109992915A (zh) * | 2019-04-09 | 2019-07-09 | 山东超越数控电子股份有限公司 | 一种基于深度学习的机务外场飞机燃油系统故障预测方法,终端机及可读存储介质 |
-
2019
- 2019-09-19 CN CN201910886463.5A patent/CN110633790B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140278036A1 (en) * | 2013-03-15 | 2014-09-18 | Us Airways, Inc. | Departure sequencing systems and methods |
CN107437081A (zh) * | 2017-08-07 | 2017-12-05 | 北京中星微电子有限公司 | 基于深度卷神经网络的人脸识别方法、装置和存储介质 |
CN108801387A (zh) * | 2018-05-21 | 2018-11-13 | 郑州大学 | 一种基于学习模型的飞机油箱剩余油量测量系统和方法 |
CN109146058A (zh) * | 2018-07-27 | 2019-01-04 | 中国科学技术大学 | 具有变换不变能力且表达一致的卷积神经网络 |
CN109272107A (zh) * | 2018-08-10 | 2019-01-25 | 广东工业大学 | 一种改进深层卷积神经网络的参数个数的方法 |
CN109612708A (zh) * | 2018-12-28 | 2019-04-12 | 东北大学 | 基于改进卷积神经网络的电力变压器在线检测系统及方法 |
CN109992915A (zh) * | 2019-04-09 | 2019-07-09 | 山东超越数控电子股份有限公司 | 一种基于深度学习的机务外场飞机燃油系统故障预测方法,终端机及可读存储介质 |
Non-Patent Citations (3)
Title |
---|
MITCH R.WITHERS 等: "Economic and environmental assessment of liquefied natural gas as a supplemental aircraft fuel", 《PROGRESS IN AEROSPACE SCIENCES》 * |
杨朋涛 等: "基于飞机油箱模型形状特征的油量测量切片步长选择方法研究", 《航空学报》 * |
袁梅 等: "采用CAD技术对飞机燃油测量进行姿态误差修正", 《北京航空航天大学学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111246320A (zh) * | 2020-01-08 | 2020-06-05 | 郑州大学 | 一种云-雾弹性光网络中的深度强化学习流量疏导方法 |
CN112304388A (zh) * | 2020-10-19 | 2021-02-02 | 珠海格力电器股份有限公司 | 一种水位检测方法及装置 |
CN112304388B (zh) * | 2020-10-19 | 2021-12-03 | 珠海格力电器股份有限公司 | 一种水位检测方法及装置 |
CN112749764A (zh) * | 2021-01-28 | 2021-05-04 | 厦门大学 | 一种基于qar数据的航空发动机运行状态分类方法 |
CN112749764B (zh) * | 2021-01-28 | 2022-09-13 | 厦门大学 | 一种基于qar数据的航空发动机运行状态分类方法 |
CN115218986A (zh) * | 2022-09-07 | 2022-10-21 | 中航(成都)无人机系统股份有限公司 | 一种飞机油量计算方法、装置、设备及存储介质 |
CN115218986B (zh) * | 2022-09-07 | 2022-12-09 | 中航(成都)无人机系统股份有限公司 | 一种飞机油量计算方法、装置、设备及存储介质 |
CN117268498A (zh) * | 2023-11-20 | 2023-12-22 | 中国航空工业集团公司金城南京机电液压工程研究中心 | 一种油量测量方法及系统 |
CN117268498B (zh) * | 2023-11-20 | 2024-01-23 | 中国航空工业集团公司金城南京机电液压工程研究中心 | 一种油量测量方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110633790B (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
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 | |
CN103500262B (zh) | 用于监视结构的方法和系统 | |
CN112446091A (zh) | 一种基于人工神经网络的脉动压力预测方法 | |
CN108170127A (zh) | 一种无人机飞行控制系统的故障检测方法 | |
CN114004023A (zh) | 一种基于循环神经网络的飞行器气动参数辨识的方法 | |
CN114995152A (zh) | 一种民用航空发动机性能模型偏差修正方法 | |
CN104102127A (zh) | 一种机载气动参数辨识系统 | |
CN108984864A (zh) | 基于高斯过程方差估计的高维复杂飞行器模型表征方法 | |
CN117421701B (zh) | 一种自升式平台桩腿三维空间姿态分布式监测方法 | |
CN113408200B (zh) | 航空装备振动环境分析和预测方法 | |
CN116992577B (zh) | 跨介质航行器的仿真方法、系统、设备及存储介质 | |
CN114492176A (zh) | 一种基于生成对抗网络的动力学模型参数辨识方法及系统 | |
CN113128047A (zh) | 一种航空发动机推力计算方法、存储介质及计算设备 | |
CN114993604B (zh) | 一种基于深度学习的风洞天平静态校测方法 | |
CN112131752A (zh) | 一种基于拟准检定的超强崩溃污染率抗差估计算法 | |
CN104408326B (zh) | 一种对深空探测自主导航滤波算法的评估方法 | |
CN115455838B (zh) | 一种面向时程数据的高空间分辨率流场重构方法 | |
CN114722695A (zh) | 一种基于无量纲输入输出神经网络的fads解算系统及方法 | |
CN113108949B (zh) | 一种基于模型融合的探空仪温度传感器误差预测方法 | |
CN113496097B (zh) | 一种基于sph的飞机油箱燃油晃动仿真分析方法 | |
CN114035536A (zh) | 一种基于蒙特卡洛法的飞行控制系统鲁棒性评估方法 | |
CN113901572B (zh) | 基于频域辨识的多旋翼飞行器传递函数模型建模方法 | |
CN113836805B (zh) | 一种列车表面压力预测方法、装置、电子设备及存储介质 | |
CN111581801B (zh) | 一种航空器巡航温室效应计算方法 |
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 |