基于深度特征的民航发动机气路异常检测方法研究

目录

第1 章 绪 论

1.1 课题背景及研究的目的和意义

1.2 国内外研究发展现状

1.2.1 民航发动机气路异常检测方法研究现状

1.2.2 QAR 数据异常检测方法研究现状

1.2.3 性能参数偏差值数据异常检测方法研究现状

1.2.4 ACARS 数据异常检测方法研究现状

1.2.5 小样本下的异常检测方法研究现状

1.2.6 无标签下的异常检测方法研究现状

1.3 本文的主要研究内容

第2章基于同机双发性能差异的间歇性气路异常检测

2.1 引言

2.2.1 QAR数据的特点

2.2.2 QAR数据深度特征提取难点分析

2.3 联合SDAE与高斯分布的间歇性气路异常检测

2.3.1 QAR数据参数选择

2.3.2 同机双发性能参数差异值计算

2.3.3 基于SDAE的性能参数差异值深度特征提取

2.3.4 性能参数差异值深度特征高斯模型构建

2.3.5 异常检测模型性能评估指标

2.4.1 实验数据准备

2.4.2 SDAE模型超参数设置

2.4.3 实验结果及其分析

2.5 本章小结

第3章 性能参数偏差值驱动的持续性气路异常检测

3.1 引言

3.2 性能参数偏差值的特点与深度特征提取

3.2.1 性能参数偏差值的特点

3.2.2 性能参数偏差值深度特征提取难点分析

3.3 懒惰学习与 CNN 融合的异常检测策略

3.3.1 CNN 模型的优势与基本结构

3.3.2 懒惰学习与 CNN 的概率融合方法

3.3.3 懒惰学习自适应调整样本权重方法

3.4 性能参数偏差值驱动的持续性气路异常检测方法验证

3.4.1 实验数据准备

3.4.2 超参数设置

3.4.3 实验结果及其分析

3.5 本章小结

第4章 ACARS 报文驱动的持续性气路异常检测

4.1 引言

4.2 ACARS 报文数据的特点与深度特征提取

4.2.1 ACARS 报文数据的特点

4.2.2 ACARS 报文数据深度特征提取难点分析

4.3 基于分组卷积去噪自编码器的持续性气路异常检测

4.3.1 ACARS 参数分组策略研究

4.3.2 卷积特征映射参数的无监督学习

4.3.3 卷积特征映射与池化

4.3.4 基于分组卷积去噪自编码器的异常检测主要步骤

4.4 ACARS 报文驱动的持续性气路异常检测方法验证

4.4.1 实验数据准备

4.4.2 模型超参数设置

4.4.3 实验结果及其分析

4.5 本章小结

第5章 基于深度特征迁移的小样本下的气路异常检测

5.1 引言

5.2 小样本下的发动机气路异常检测问题分析

5.2.1 Fine-tuning 方法适用性分析

5.2.2 基于 fine-tuning 方法的深度特征迁移难点分析

5.3 基于自适应 fine-tuning 方法的跨型号气路异常检测

5.3.1 基于相似性度量的源型号选择策略

5.3.2 跨型号气路异常检测模型的深度特征迁移优化

5.3.3 跨型号气路异常检测流程

5.4 基于深度特征迁移的小样本下的气路异常检测方法验证

5.4.1 实验数据准备与超参数设置

5.4.2 实验结果及其分析

5.5 本章小结

第6章 基于深度特征迁移的无标签下的气路异常检测

6.1 引言

6.2 无标签下的发动机气路异常检测问题分析

6.2.1 对抗领域自适应框架下的方法选择

6.2.2 基于对抗判别领域自适应方法的深度特征迁移难点分析

6.3 基于改进对抗判别领域自适应的深度特征迁移

6.3.1 对抗判别领域自适应方法

6.3.2 平衡对抗判别领域自适应方法

6.3.3 标签约束对抗判别领域自适应方法

6.3.4 权重约束对抗判别领域自适应方法

6.4 基于深度特征迁移的无标签下的气路异常检测方法验证

6.4.1 实验数据准备与超参数设置

6.4.2 对抗判别领域自适应方法实验结果及其分析

6.4.3 平衡对抗判别领域自适应方法实验结果及其分析

6.4.4 标签约束对抗判别领域自适应方法实验结果及其分析

6.4.5 权重约束对抗判别领域自适应方法实验结果及其分析

6.5 本章小结

结 论

参考文献

攻读博士学位期间发表的论文及其它成果

声明

致 谢

个人简历