应用人工神经网络技术对波音747—200型飞机发动机故障诊断研究

用人工神经网络技术,对波音７４７－２００型飞机的ＪＴ９Ｄ发动机的故障诊断进行了研究,并构成了诊断装置。该研究使用北京飞机维修工程有限公司提供的发动机性能监控数据央脱机后根据性能排队情况艇经验推定法,对发动机的一些常见故障和突发性故障进行了诊断。在诊断过程中,首先搜集发动机的故障状态数据,并对这些数据进行归纳选择,制成了诊断用的教师信号“故障模型”,通过神经网络系统对教师信号的学习,在一定范围内,对     

基于神经网络的机械加工信息融合

概述了基于神经网络的信息融合技术在机械加工中的刀具状态监控、加工精度预测、误差补偿等方面的应用,并展望了该技术的应用前景。     

基于自联想网络的发动机传感器解析余度技术

本文提出了一种基于自联想神经网络的传感器解析余度技术。在这种网络中,冗余传感器的信息被压缩、重组进入网络的第一部分,网络的第二部分将压缩信息恢复出来。基于数据融合原理,若一个传感器发生故障,其它传感器仍可提供足够的信息代替发生故障的传感器。理论分析和用于涡轴发动机的仿真结果表明,这种特殊结构的自联想网络具有良好的过滤噪声和故障信号的作用,特别适合于用作不易建模的复杂对象的传感器信号重构     

基于故障树和神经网络模型的航天器智能诊断研究

提出基于故障树和神经网络模型的诊断方法,提出面向故障树的基于框架和广义规则的知识表示方法及相应的确定性和可能性推理策略,对于可能性推理的结果,通过基于神经网络模型的学习诊断来进一步确定其状态。在Ｗｉｎｄｏｗｓ环境下,用Ｂｏｒｌａｎｄ Ｃ＋＋实现了一个原型系统。通过对“实践４号”卫星能源系统故障模拟实验台的诊断验证了系统的有效性。     

自适应变结构神经网络在航空发动机故障诊断上的应用

根据样本空间的内积特性,提出一种无需迭代学习的自适应变结构神经网络。它的特点是学习速度快,准确性高,且能根据出现的新样本,随时改变结构。在对某型航空发动机故障诊断中,比原软件包采用的方法在准确性方面有显着提高,而且维护工作量减少,并具有实时处理能力,因此有着良好的推广应用前景。      

人工神经网络在CAPP系统开发工具中的应用

探讨了基于神经网络理论在ＣＡＰＰ系统开发工具的应用;建立了工艺过程设计系统的ＡＮＮ模型;详细讨论了工艺过程设计系统的推理机制,并给出了用集成ＢＰ网络选择加工方法及通过改进Ｈｏｐｆｉｅｌｄ网络确定工艺路线的过程。     

飞机智慧座舱发展技术研究

未来飞机座舱智慧化转型是必然趋势,研究飞机智慧座舱发展技术能够为未来飞机智慧座舱的设计提供参考支撑。本文探讨了智能与智慧的区别,提出了飞机智慧座舱的概念与设计内涵,总结出深度感知与沉浸式交互、类人的认知及开放性与个性化定制服务的智慧座舱功能设计要素;梳理了发展飞机智慧座舱亟需解决的五项关键技术：多维度深度信息感知与融合技术、先进信息显示技术、沉浸式自然交互技术、智能态势认知技术、多智能体自主适应技术。通过关键技术的分析对未来飞机智慧座舱的发展提出了新的思考。     

融合注意力机制的航天器重建信号异常检测

针对航天器遥测数据异常检测时先验知识缺失、难以进行有监督条件下机器学习的问题,提出一种融合注意力机制的航天器信号智能异常检测算法。首先,通过注意力机制捕捉航天器遥测数据长距离特征,分析注意力关系矩阵为异常溯源提供指导。其次,采用堆叠自动编码器压缩数据维度并基于此重建输入信号,利用输入信号与重建信号间的残差获取误差重构序列。然后,基于窗口阈值法标记误差重构序列异常索引,实现航天器遥测信号异常检测。最后,通过多通道航天器遥测信号算例验证算法在提高航天器遥测信号异常检测性能与可解释能力的有效性。     

基于循环神经网络的惯导重标期预测

现阶段,由于惯导标定技术研究主要集中在误差参数估计方法、惯导标定精度分析方面,较少涉猎惯导的标定周期,导致业内简单地将惯导的标定可靠性作为重新标定的周期.本文以循环神经网络技术为基础,对惯导关键数据进行分析,预测激光捷联惯导重标需求的方法.通过对多台惯导历史数据的回归验证发现,通过使用基于循环神经网络技术等人工智能手段...     

基于EEMD和BiLSTM的航班准点率预测研究

航班准点率问题是民航业最为关心的问题之一,准确地预测出航班的准点率能够有效降低航班延误所带来的不利影响、提高乘客满意度。为解决普通深度学习预测模型存在的航班准点率数据挖掘程度不足、预测准确度较低的问题,提出一种基于集合经验模态分解法(EEMD)和双向长短时记忆神经网络(BiLSTM)的机场短期航班准点率预测模型。模型使用EEMD算法将准点率时间序列进行分解,采用BiLSTM结构作为预测模型,使模型能够更深层、高效地处理航班准点率数据,提高预测准确度。实验数据为2018年上海虹桥机场航班准点率及天气数据,实验建立了多个参照模型与所提模型进行对比分析。结果表明：提出的EEMD-BiLSTM模型相较于一般模型预测误差更小,准确度更高。