排序方式: 共有3条查询结果,搜索用时 15 毫秒
1
1.
针对单一深度学习网络对涡扇发动机退化特征提取不足、超参数选择困难的问题,提出一种改进一维卷积神经网络(1-Dimensional Convolutional Neural Network, 1D-CNN)和长短时记忆网络(Long Short-Term Memory, LSTM)的涡扇发动机剩余寿命预测方法。首先,利用相关性、单调性和离散性一系列评价指标对涡扇发动机的多维传感器特征参数进行评价和选择,将综合评价指标高的优选特征参数作为1D-CNN的原始输入特征;然后,通过改进激活函数和Dropout函数来提升1D-CNN的特征提取能力,构建表征发动机退化趋势的一维复合健康指标;最后,利用贝叶斯优化(Bayesian Optimization, BO)的LSTM挖掘一维复合健康指标的时间特征,并实现剩余寿命预测。为验证此方法的预测效果,采用美国国家航空航天局提供的涡扇发动机退化数据集进行剩余寿命预测,实验的均方根误差为14.040 2,评分函数值为314.607 8。结果表明:相比于单一深度学习方法和传统机器学习方法,该方法不仅能获得较高的剩余寿命预测精度,还能有效解决深度学习模型超参数... 相似文献
2.
3.
为设计能减轻铸件打磨工人工作姿势负荷的工作平台,首先在现场录制打磨工作的视频,然后运用OWAS(Ovako working posture analysis system)分析视频中打磨作业的工作姿势,发现工人在打磨铸件时须长时间保持背部和腿部弯曲的姿势,86%的工作姿势劳累等级为迫切需要改进的AC3级和AC4级。针对姿势分析发现的问题,结合人体尺寸数据和打磨作业的现实约束条件,设计适用于打磨作业的工作平台,并采用Jack软件对改善后打磨工人的工作姿势进行验证。结果表明,在工作平台进行打磨工作时,AC1级姿势占42.6%,AC2级占57.4%,基本消除AC3级和AC4级姿势。打磨工人的工作姿势得到显著改善。 相似文献
1