将深度学习应用于航空航天和建筑系统的预测健康监测][Applying Deep Learning for Prognostic Health Monitoring of Aerospace and Building Systems]



将深度学习应用于航空航天和建筑系统的预测健康监测

Applying Deep Learning for Prognostic Health Monitoring of Aerospace and Building Systems

课程网址: https://videolectures.net/videos/kdd2016_reddy_deep_learning   主讲教师: Kishore K. Reddy 开课单位: KDD 2016研讨会 开课时间: 2016-11-07 课程语种: 英语 中文简介:

数据驱动的预测有助于在预测和健康管理（PHM）系统中实现异常检测、传感器估计和预测。深度学习（DL）等机器学习技术的最新进展使PHM中的数据驱动分析重新焕发活力。由于存在大量数据及其在学习过程中学习特征的能力，DL算法取得了成功。与手工制作的功能相比，从DL技术中学习的功能的性能改进是显著的。本文建议在三种不同的航空航天和建筑系统应用中使用深度信念网络（DBN）和深度自动编码器（DAE）：（i）估算喷气发动机中的燃料流量，（ii）使用智能手机检测电梯轿厢门的故障，以及（iii）预测供暖、通风和空调（HVAC）系统中的冷却器功耗。 课程简介: Data-driven prognostics are instrumental in enabling anomaly detection, sensor estimation and prediction in prognostics and health management (PHM) systems. Recent advances in machine learning techniques such as deep learning (DL) has rejuvenated data-driven analysis in PHM. DL algorithms have been successful due to the presence of large volumes of data and its ability to learn the features during the learning process. The performance improvement is significant from the features learnt from DL techniques as compared to the hand crafted features. This paper proposes using deep belief networks (DBN) and deep auto encoders (DAE) in three different aerospace and building systems applications: (i) estimation of fuel flow rate in jet engines, (ii) fault detection in elevator cab doors using smart phone, and (iii) prediction of chiller power consumption in heating, ventilation, and air conditioning (HVAC) systems. 关 键 词: 深度学习; 航空航天; 建筑系统; 健康监测 课程来源: 视频讲座网 数据采集: 2024-12-27：liyq 最后编审: 2024-12-27：liyq 阅读次数: 13 学科专业 开课单位 最近更新(30天) 热门开放课程(TOP100) 开放课程搜索 开放利用(For You)课程编辑志愿者 公开课与MOOCs平台

相关知识

航空发动机振动监测与故障诊断技术研究进展
结构健康监测的传感器优化布置研究进展与展望
机器学习技术在环境健康领域中的应用进展
Passive Wireless RFID Sensors and Their Applications in Structural Health Monitoring
光纤光栅在超声结构健康监测中的应用与展望
面向驾驶员的个性化健康导航
基于BIM的结构健康监测研究
基于时序巡航图像的茶树生长监测研究
航天器控制系统智能健康管理技术发展综述
中国古建筑木结构健康监测Benchmark平台

网址: 将深度学习应用于航空航天和建筑系统的预测健康监测][Applying Deep Learning for Prognostic Health Monitoring of Aerospace and Building Systems] https://www.trfsz.com/newsview1266704.html