期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于长短期记忆神经网络的多级涡轮过渡态叶尖间隙预测
被引量：
2
1
作者
杨超
毛军逵
+3 位作者
杨悦
王飞龙
邵发宁
毕帅
《推进技术》
北大核心
2025年第2期248-257,共10页
为了解决多级涡轮模型在高维度变量的复杂空间耦合效应下向高效、高精度过渡态叶尖间隙预测提出的挑战,本文搭建了基于贝叶斯优化和多任务学习算法的长短期记忆神经网络(BO-MTLLSTM)多级涡轮过渡态叶尖间隙智能预测模型,以实现过渡态叶...
为了解决多级涡轮模型在高维度变量的复杂空间耦合效应下向高效、高精度过渡态叶尖间隙预测提出的挑战,本文搭建了基于贝叶斯优化和多任务学习算法的长短期记忆神经网络(BO-MTLLSTM)多级涡轮过渡态叶尖间隙智能预测模型,以实现过渡态叶尖间隙高效、高精度预测。在BOMTL-LSTM模型中,通过高效的长短期记忆神经网络(Long Short-Term Memory,LSTM)模型对基于有限元分析方法得到的高精度过渡态叶尖间隙时序信息进行学习,并在LSTM模型的基础上,引入多任务学习(Multi-Task Learning,MTL)用于多个叶尖间隙预测任务之间的信息共享,以缓解高维度变量复杂空间耦合作用的影响。同时,结合贝叶斯优化(Bayesian Optimization,BO)对神经网络模型超参数进行全局自动优化,提升预测精度与训练效率。结果表明,相比于传统计算模型,BO-MTL-LSTM模型在同等预测精度下,能够在秒量级时间内完成一个完整发动机历程的多级涡轮过渡态叶尖间隙的预测。此外,相比常规的BO-LSTM模型,BO-MTL-LSTM模型的均方根误差和平均绝对误差分别降低了84.39%和89.21%,模型训练时间缩短了30%,该模型可以实现多级叶尖间隙的高效、精准预测。
展开更多
关键词
多级涡轮
叶尖
间隙预测
多任务学习
长短期记忆神经网络
贝叶斯优化
在线阅读
下载PDF
职称材料
应用CNN-BiLSTM-SE Attention模型预测电磁超声测厚间隙
2
作者
昌志阳
朱飞
+3 位作者
高斯佳
刘天然
刘海波
王永青
《中国测试》
北大核心
2025年第9期158-166,共9页
合理的测量间隙是保证电磁超声非接触测厚稳定性和准确性的重要因素,目前依然缺少测厚过程同步监测间隙的电磁超声测量方法。为在超声非接触测厚过程中更准确地监测间隙状态,结合电磁超声信号特性设计模型架构,提出一种基于卷积神经网络...
合理的测量间隙是保证电磁超声非接触测厚稳定性和准确性的重要因素,目前依然缺少测厚过程同步监测间隙的电磁超声测量方法。为在超声非接触测厚过程中更准确地监测间隙状态,结合电磁超声信号特性设计模型架构,提出一种基于卷积神经网络(convolution neural network,CNN)、双向长短期记忆网络(bidirectional long and shortterm memory,BiLSTM)和SE注意力机制(squeeze-and-excitation networks attention mechanism,SE Attention)的混合预测模型(CNN-BiLSTM-SE Attention)。通过间隙标定试验建立数据集并进行预处理,建立网络模型架构,利用CNN提取超声回波信号局部特征,通过BiLSTM双向捕捉信号中的长期依赖关系,引入SE注意力机制自动为各隐藏层分配权重,增强超声关键特征信息;基于间隙标定数据展开模型训练及调优,对测试集合成不同信噪比数据集测试,预测误差在0.10 mm以内的平均准确率最高可达95.74%,相比与CNN、BiLSTM、CNN-BiLSTM模型及拟合函数法具有更好的预测精度和抗噪性,可以在电磁超声测厚过程中提供间隙状态的预测。
展开更多
关键词
电磁超声测厚
间隙预测
卷积神经网络
双向长短期记忆网络
SE注意力机制
在线阅读
下载PDF
职称材料
题名
基于长短期记忆神经网络的多级涡轮过渡态叶尖间隙预测
被引量：
2
1
作者
杨超
毛军逵
杨悦
王飞龙
邵发宁
毕帅
机构
南京航空航天大学能源与动力学院
出处
《推进技术》
北大核心
2025年第2期248-257,共10页
基金
国家科技重大专项(2017-Ⅲ-0010-0036)。
文摘
为了解决多级涡轮模型在高维度变量的复杂空间耦合效应下向高效、高精度过渡态叶尖间隙预测提出的挑战,本文搭建了基于贝叶斯优化和多任务学习算法的长短期记忆神经网络(BO-MTLLSTM)多级涡轮过渡态叶尖间隙智能预测模型,以实现过渡态叶尖间隙高效、高精度预测。在BOMTL-LSTM模型中,通过高效的长短期记忆神经网络(Long Short-Term Memory,LSTM)模型对基于有限元分析方法得到的高精度过渡态叶尖间隙时序信息进行学习,并在LSTM模型的基础上,引入多任务学习(Multi-Task Learning,MTL)用于多个叶尖间隙预测任务之间的信息共享,以缓解高维度变量复杂空间耦合作用的影响。同时,结合贝叶斯优化(Bayesian Optimization,BO)对神经网络模型超参数进行全局自动优化,提升预测精度与训练效率。结果表明,相比于传统计算模型,BO-MTL-LSTM模型在同等预测精度下,能够在秒量级时间内完成一个完整发动机历程的多级涡轮过渡态叶尖间隙的预测。此外,相比常规的BO-LSTM模型,BO-MTL-LSTM模型的均方根误差和平均绝对误差分别降低了84.39%和89.21%,模型训练时间缩短了30%,该模型可以实现多级叶尖间隙的高效、精准预测。
关键词
多级涡轮
叶尖
间隙预测
多任务学习
长短期记忆神经网络
贝叶斯优化
Keywords
Multi-stage turbine
Tip clearance prediction
Multi-task learning
Long short-term memo⁃ry neural network
Bayesian optimization
分类号
V231 [航空宇航科学与技术—航空宇航推进理论与工程]
在线阅读
下载PDF
职称材料
题名
应用CNN-BiLSTM-SE Attention模型预测电磁超声测厚间隙
2
作者
昌志阳
朱飞
高斯佳
刘天然
刘海波
王永青
机构
高性能精密制造全国重点实验室
大连理工大学机械工程学院
西安航天发动机有限公司
出处
《中国测试》
北大核心
2025年第9期158-166,共9页
基金
国家重点研发计划项目(2022YFB3404704)。
文摘
合理的测量间隙是保证电磁超声非接触测厚稳定性和准确性的重要因素,目前依然缺少测厚过程同步监测间隙的电磁超声测量方法。为在超声非接触测厚过程中更准确地监测间隙状态,结合电磁超声信号特性设计模型架构,提出一种基于卷积神经网络(convolution neural network,CNN)、双向长短期记忆网络(bidirectional long and shortterm memory,BiLSTM)和SE注意力机制(squeeze-and-excitation networks attention mechanism,SE Attention)的混合预测模型(CNN-BiLSTM-SE Attention)。通过间隙标定试验建立数据集并进行预处理,建立网络模型架构,利用CNN提取超声回波信号局部特征,通过BiLSTM双向捕捉信号中的长期依赖关系,引入SE注意力机制自动为各隐藏层分配权重,增强超声关键特征信息;基于间隙标定数据展开模型训练及调优,对测试集合成不同信噪比数据集测试,预测误差在0.10 mm以内的平均准确率最高可达95.74%,相比与CNN、BiLSTM、CNN-BiLSTM模型及拟合函数法具有更好的预测精度和抗噪性,可以在电磁超声测厚过程中提供间隙状态的预测。
关键词
电磁超声测厚
间隙预测
卷积神经网络
双向长短期记忆网络
SE注意力机制
Keywords
electromagnetic ultrasonic thickening
gap prediction
convolutional neural network
bi-directional long and short-term memory network
SE attention mechanism
分类号
TB9 [机械工程—测试计量技术及仪器]
TB552 [理学—声学]
TP183 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于长短期记忆神经网络的多级涡轮过渡态叶尖间隙预测
杨超
毛军逵
杨悦
王飞龙
邵发宁
毕帅
《推进技术》
北大核心
2025
2
在线阅读
下载PDF
职称材料
2
应用CNN-BiLSTM-SE Attention模型预测电磁超声测厚间隙
昌志阳
朱飞
高斯佳
刘天然
刘海波
王永青
《中国测试》
北大核心
2025
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
