简介:摘要:随着社会的快速进步,我国在各领域都得到了迅速的发展,航空运输业发展及其快速,对于航空业的要求也越来越高,涉及到航空设备技术研发和航空器的安全等多个方面,在这样的背景之下,航空电器装置的应用研究也极其的重要,从我国目前的航空实际情况出发,针对于航空电器的健康管理方面提出了新的方法,主要包含的范围有航空电器装置故障预测的应用和航空电器故障的管理措施两个部分。
简介:摘要:电气故障管理是航空事业发展的基础,但是自从人类飞向天空的那时起,飞机的事故问题也在不断增加,残害了无数无辜的生灵,世界各国的科技人员们为了飞机的飞行安全问题绞尽脑汁,尝试了许多办法、写了许多著作,但都没有真正的解决掉这一问题。历史中因为电气系统导致的事故和安全隐患比比皆是,曾经的一份埃航空难的报告显示,因为飞机的迎角传感器受到损坏损,由此产生的错误数据启动了自动防失速系统,正是由于该系统在飞机爬升过程中一直发送错误的指令,最终因为飞机向下力太大,导致飞机无法被稳定,最终坠不受控制而坠毁,不仅造成了无法估量的生命损失,也给了航空事业沉重的一击。
简介:摘要目的探讨时序预测模型中的差分自回归滑动平均(ARIMA)和自回归(AR)模型在预测广州市急救调度日出车数量方面的价值。方法采用Matlab仿真软件对广州市2021年1月1日至2021年12月31日的急救调度出车记录分析计算日出车数量时间序列,对该序列进行时序预测模型辨识,得到ARIMA(1,1,1)、AR(4)以及AR(7)模型,利用这些模型对日出车数量做出预测拟合。ARIMA(1,1,1)模型将数据分为训练集和测试集,参数运算采用Prony方法,预测拟合未来的出车数量;AR(4)和AR(7)模型采用均匀系数,预测当天出车数量。结果ARIMA(1,1,1)、AR(4)以及AR(7)都可以实现对日出车数量的有效预测,ARIMA(1,1,1)的预测拟合误差随着预测时间的延长下降。两个月内的急救调度日出车量预测拟合平均绝对百分比误差(MAPE)低于6%,结果基本都位于95%置信区间内,利用模型的残差分析验证了模型显著有效。结论ARIMA模型可以对两个月内的急救调度日出车量做长期预测拟合,AR模型可以对急救调度日出车量做短期有效预测。
简介:摘要:由于刀具磨损状态对加工质量影响较大,提出了一种基于单隐含层前馈神经网络——ELM的刀具磨损状态在线监测方法。根据铣削刀具的实时工况数据,采用统计分析、快速傅里叶变换和小波变换多种特征提取方法,提取出34个对刀具磨损敏感的时域、频域、时频域混合特征。将提取的特征与磨损量输入极限学习机网络框架中进行训练得到ELM模型,把测试集特征放入ELM模型进行预测评估,得到对应的预测刀具磨损量及剩余走刀次数。通过与SVR和遗传算法优化BP神经网络的预测结果比较发现,ELM具有学习速度快、预测精度高、泛化能力强的显著优势,能实现刀具磨损状态的在线监测。
简介:摘要:航空电子系统高度集成化和电子化导致故障错综复杂,单一的故障现象难以准确定位故障单元,导致系统维护越来越专业化,增加了维护成本,降低了维修效率。因此找到高效的故障诊断技术是当前面临的主要问题。在系统维护时,由设计人员综合多种故障信息定位故障单元,对设备维护人员的专业技术要求高。由于人员的技术水平和工程经验参差不齐,故障单元定位的准确性和效率无法保证。目前故障诊断的技术研究,集中于机械类故障,使用神经网络对故障单元进行诊断和器件寿命的预判,对复杂系统中故障单元如何定位则缺少相关研究。本文对的航空电子系统故障单元定位问题展开研究,采用故障综合诊断的方式,快速有效地定位故障单元,降低产品维护的专业技术要求,提高了故障单元定位的精准度,缩短了产品维护的周期。