基于相似体系的民机结构超手册维修案例分析

为了解决超出手册范围的民机结构维修问题,提出一种基于相似体系的民机结构超手册维修案例体系模型。通过提取航空公司现有民机结构案例的损伤信息和维修方案信息,依据信息性质,采用数值分析、层次法、属性度量、术语频率-逆文档频率(term frequency-inverse document frequency,TF-IDF)方法进行系统的相似度分析,建立案例相似度指标体系。导入维修案例数据,通过支持向量机(support vector machine,SVM)分类以及弹性网络回归对指标体系进行权重分配并验证其可靠度达到82%。最后通过实例深度分析了该体系的可行性,实例证明,案例相似度指标体系的权重分配与区分效果总体符合实际,对民机结构超手册维修案例的制定有着重要参考意义。

基于文本挖掘的民航事件风险评估

为实现“安全第一、预防为主、综合治理”的民航安全管理目标,建立了从报告中学习并评估风险等级的深度学习模型.首先采集航空安全报告系统中10年报告,根据严重度建立事件后果的量化指标,确定5个风险等级:高、中高、中、中低和低风险,并消除事件结果分布不平衡和结果多样性的影响.然后应用卷积神经网络(Convolutional Neural Network,CNN)探索非结构化的事件概要与风险等级之间的关系,通过该模型对事件进行分类,确定风险等级.风险评估模型与不同量化指标和不同方法对比,其分类准确率可达96%,优于其他指标和方法.最后应用该模型对非结构化的事件概要挖掘,对2020年事件进行快速的风险评估,预测准确率可达80%.基于CNN的民航风险评估模型可以对文本格式的事件概要充分挖掘,快速评估与主动感知风险,对支持安全预警具有重要意义.

基于迁移学习与加权多通道融合的齿轮箱故障诊断

针对齿轮箱单一传感器故障识别精度波动大、数据利用率低、可靠性低及故障诊断模型在多工况下泛化能力不足等问题,提出了一种加权融合多通道数据与深度迁移模型的齿轮箱故障诊断方法。首先,为了充分挖掘齿轮箱多通道数据的信息,提出了基于信息熵加权的多通道融合方法,采用信息熵法计算各通道数据的融合权重,并对各通道的采样数据进行加权融合。其次,利用源域的融合数据对深度迁移模型进行预训练,将预训练得到的模型参数作为目标域模型的初始化参数,同时冻结目标域模型特征提取器的参数,并利用目标域的融合数据对目标域模型分类器的参数进行微调,实现深度迁移模型从源域到目标域的迁移以适应新的目标样本识别任务。最后,齿轮箱多工况迁移诊断试验结果表明,所提方法可有效用于齿轮箱的故障诊断,相比传统迁移学习方法平衡分布自适应算法(balanced distribution adaptation,BDA)、迁移成分分析(transfer component analysis,TCA)、联合分布自适应算法(joint distribution adaptation,JDA)、统计分布和几何空间联合调整算法(joint geometric and statistical alignment,JGSA)、测地线流式核算法(geodesic flow kernel,GFK)及深度迁移学习方法自适应批归一化(adaptive batch normalization,AdaBN)、多核最大均值差异(multi-kernel maximum mean discrepancy,MK-MMD)、深度卷积迁移学习网络(deep convolutional transfer learning network,DCTLN)这8种当前常用方法,具有更高的平均迁移诊断精度和变工况下良好的泛化性能。