XiaoMi-AI文件搜索系统
World File Search System飞机故障
基于 CEEMD 和... 的飞机故障率预测方法
准确预测飞机故障率可以提高飞行安全和备件供应效率，有效提供良好的维修保养决策和健康管理指导。为了实现非线性非平稳飞机故障率的准确预测，提出了一种基于互补集经验模态分解（CEEMD）与组合模型融合的飞机故障率预测方法。首先利用互补集经验模态将故障率分解为多个不同频率的分量，然后选取集成移动平均自回归模型（ARIMA）模型和灰色Verhulst模型对不同分量进行预测，利用熵权重法求解组合模型的系数，最后将各预测模型的预测结果乘以各自的权重系数，得到最终的预测结果。以飞机燃油控制系统故障率数据的实际案例应用为例进行试验，采用7个评价函数作为评价标准来评估组合模型的性能。实验结果表明，所开发的组合模型优于其他误差平方和（SSE）、平均绝对误差（MAE）等模型，可以显著提高飞机故障率的预测精度，证明了该模型可以提高飞机故障率的预测精度。
基于Word2vec和Stacking集成学习的文本驱动的飞机故障诊断模型
摘要：传统的飞机维修保障工作主要基于结构化数据。非结构化数据，如文本数据，尚未得到充分利用，这意味着资源的浪费。这些非结构化数据蕴含着巨大的故障知识库，可以为飞机维修保障工作提供决策支持。因此，本文提出了一种基于文本的故障诊断模型。所提方法利用Word2vec将文本单词映射到向量空间，然后将提取的文本特征向量输入基于堆叠集成学习方案的分类器。使用真实的飞机故障文本数据集验证了其性能。结果表明，所提方法的故障诊断准确率为97.35％，比次优方法提高了约2％。
使用基于案例的飞机故障排除优化...
故障隔离手册 (FIM) 被视为一种专业系统，它承载着工程师和技术团队对飞机部件和系统操作的期望和专业知识。它基本上是一本手册，支持维护人员在确定的情况下采取适当行动以正确隔离故障。尽管 FIM 是当今协助维护人员进行故障排除过程的最常用工具，但它没有充分考虑现场经验，也没有探索维护操作员资源有限的情况，例如缺乏工具和设备。这些缺点主要是由于该方法缺乏灵活性或适应性，因为它是一本静态手册。在系统故障排除和飞机维护领域研究了几种动态方法，例如人工神经网络、支持向量机、K 近邻和许多其他机器学习算法。这些技术被认为非常强大和有用；然而，数据驱动策略的训练过程需要大量数据才能提供可靠的结果。