起落架刹车系统是飞机的重要组成部分,及时准确地诊断起落架刹车系统的故障,可以避免因故障导致的事故,提高飞机安全性。针对起落架刹车系统现有诊断算法识别精度较低和缺乏系统的参数优化等问题,提出了一种利用冠豪猪优化器(Crested Po...起落架刹车系统是飞机的重要组成部分,及时准确地诊断起落架刹车系统的故障,可以避免因故障导致的事故,提高飞机安全性。针对起落架刹车系统现有诊断算法识别精度较低和缺乏系统的参数优化等问题,提出了一种利用冠豪猪优化器(Crested Porcupine Optimizer,CPO)算法优化卷积神经网络融合长短期记忆网络(Convolutional Neural Network-Long Short Term Memory,CNN-LSTM)的飞机起落架刹车系统故障诊断方法。利用CPO的快速寻优能力,将找到的最优参数代入CNN-LSTM中重新构建模型,对起落架飞参数据进行训练分类并输出结果。诊断实验中,以某型号飞机起落架刹车系统真实飞参数据为输入,对起落架刹车系统的常见故障模式进行分类。实验结果表明,所提出的故障诊断方法有较好的故障诊断性能和实际的应用价值。展开更多
【目的】针对降雨诱发型滑坡位移序列在阶跃型突变阶段呈现强非平稳性、跨尺度耦合及动力学突变失配的特征,现有基于单一分解或纯数据驱动的深度学习模型在突变起始时刻普遍出现相位滞后、幅值削弱甚至虚假振荡失效,难以同时兼顾长期蠕...【目的】针对降雨诱发型滑坡位移序列在阶跃型突变阶段呈现强非平稳性、跨尺度耦合及动力学突变失配的特征,现有基于单一分解或纯数据驱动的深度学习模型在突变起始时刻普遍出现相位滞后、幅值削弱甚至虚假振荡失效,难以同时兼顾长期蠕滑演化与短期突变响应的预测精度,本文提出一种融合改进二次分解与物理特征约束的深度学习预测模型,以解决滑坡位移在突变触发阶段的结构性预测失真问题。【方法】首先,针对原始位移序列的模态混叠问题,采用完备集合经验模态分解(CEEMDAN)提取趋势项与非平稳分量;其次,为解决高频降雨响应信号的提取难题,引入冠豪猪优化算法(CPO)自适应寻优变分模态分解(VMD)的关键参数,实现高频残差的精细化二次分解;进而,构造速度、加速度及改进切向角等运动学特征,通过LSTM-Transformer串联网络捕捉时序依赖与跨尺度全局关联,并在损失函数中引入物理一致性正则项以约束预测结果的动力学合理性。【结果】以湖北省十堰市郧西县枣树洼滑坡为例的实验表明:该模型在强降雨突变段的相位滞后小于1 d,综合预测精度(RMSE=2.975 mm, R^(2)=0.985)较单一分解模型提升约38%,有效克服了纯数据驱动模型在非降雨期易产生虚假波动的缺陷。【结论】研究不仅验证了物理特征约束策略的有效性,更为解决滑坡中突变信号的精细化分离提供了新范式,同时显著增强了深度学习模型在地质灾害预测中的物理可解释性与工程应用信度。展开更多
文摘起落架刹车系统是飞机的重要组成部分,及时准确地诊断起落架刹车系统的故障,可以避免因故障导致的事故,提高飞机安全性。针对起落架刹车系统现有诊断算法识别精度较低和缺乏系统的参数优化等问题,提出了一种利用冠豪猪优化器(Crested Porcupine Optimizer,CPO)算法优化卷积神经网络融合长短期记忆网络(Convolutional Neural Network-Long Short Term Memory,CNN-LSTM)的飞机起落架刹车系统故障诊断方法。利用CPO的快速寻优能力,将找到的最优参数代入CNN-LSTM中重新构建模型,对起落架飞参数据进行训练分类并输出结果。诊断实验中,以某型号飞机起落架刹车系统真实飞参数据为输入,对起落架刹车系统的常见故障模式进行分类。实验结果表明,所提出的故障诊断方法有较好的故障诊断性能和实际的应用价值。
文摘【目的】针对降雨诱发型滑坡位移序列在阶跃型突变阶段呈现强非平稳性、跨尺度耦合及动力学突变失配的特征,现有基于单一分解或纯数据驱动的深度学习模型在突变起始时刻普遍出现相位滞后、幅值削弱甚至虚假振荡失效,难以同时兼顾长期蠕滑演化与短期突变响应的预测精度,本文提出一种融合改进二次分解与物理特征约束的深度学习预测模型,以解决滑坡位移在突变触发阶段的结构性预测失真问题。【方法】首先,针对原始位移序列的模态混叠问题,采用完备集合经验模态分解(CEEMDAN)提取趋势项与非平稳分量;其次,为解决高频降雨响应信号的提取难题,引入冠豪猪优化算法(CPO)自适应寻优变分模态分解(VMD)的关键参数,实现高频残差的精细化二次分解;进而,构造速度、加速度及改进切向角等运动学特征,通过LSTM-Transformer串联网络捕捉时序依赖与跨尺度全局关联,并在损失函数中引入物理一致性正则项以约束预测结果的动力学合理性。【结果】以湖北省十堰市郧西县枣树洼滑坡为例的实验表明:该模型在强降雨突变段的相位滞后小于1 d,综合预测精度(RMSE=2.975 mm, R^(2)=0.985)较单一分解模型提升约38%,有效克服了纯数据驱动模型在非降雨期易产生虚假波动的缺陷。【结论】研究不仅验证了物理特征约束策略的有效性,更为解决滑坡中突变信号的精细化分离提供了新范式,同时显著增强了深度学习模型在地质灾害预测中的物理可解释性与工程应用信度。
