基于增量式孤立森林的液体火箭发动机异常检测方法

为解决液体火箭发动机故障标签缺失条件下流数据无监督检测问题,以及满足不同发动机台次和不同工况的自适应检测需求,基于增量学习思想,提出了基于增量式孤立森林的异常检测算法。设计了多工况流数据检测条件下的在线更新策略、异常分数表达式,并通过更新停止策略避免故障数据对模型的污染。利用多台次试车数据对该模型进行验证,并与传统方法进行比较,结果表明,该算法能够对样本异常程度进行量化评价,能够有效检测早期缓变故障,其F₁指标较原始孤立森林算法提高了43%,检测及时性优于红线算法和自适应阈值算法。     

一种非规则采样航空时序数据异常检测方法

航天器遥测数据的实时异常检测对于航天任务具有重要意义。以往方法大都考虑规则采样且缺失率较低的时序数据,然而航空时序数据具有维度大、噪声多、缺失率高、采样间隔不规则等特点,因此异常检测任务较为困难。针对非规则采样且具有缺失值的多维航空时序数据提出非规则采样多维时序数据异常检测（IMAD）算法。首先,采用带有可训练迟滞项的门控循环单元（GRU-D）对缺失值和非规则采样的时序数据进行建模;然后,采用变分自编码器建立随机性模型,学习正常时序数据的分布,从而对噪声数据具有鲁棒性;最后,利用基于极值理论的自适应阈值确定法确定合适阈值进行异常检测。结果显示,在两个真实航空时序数据集上,IMAD具有超出当前最新异常检测算法的性能;多个实验表明,IMAD在缺失率、参数以及数据集变化时,能够维持较好的异常检测效果,具有较强的鲁棒性。     

航天器在轨故障特征数据生成方法

针对故障特征数据模拟生成算法与航天器的原理、模型关联度高,航天器状态描述模型不成熟、难以应用于工程实践的现状,根据反映航天器在轨故障的遥测数据表现形式和变化时间长短,将航天器故障进行分类。从遥测数据变化的角度,针对每类故障遥测数据的变化特点,研究了符合每类故障数据变化规律的故障特征数据生成算法及基于WEB服务的故障特征数据生成原型系统实现方式。生成的故障特征数据在故障检测、诊断与预警等方面得到成功应用,使航天器对象、状态演化规则和测控信息产生等故障输入数据更接近真实的动态特征。     

数据挖掘在运载火箭智能测试中的应用

针对运载火箭复杂系统的故障检测难以建立准确的数学模型的问题,研究了基于数据驱动的数据挖掘异常检测算法,对多种数据挖掘算法在运载火箭发动机异常检测的应用进行了研究和分析,提出了基于混合概率密度统计的多策略异常检测评价算法。该算法基于非监督学习的算法挖掘火箭发动机不同参数间的正常关联模型,火箭发动机早期的异常数据会引起正常关联模型的破坏,引入混合概率密度统计的多策略异常检测评价机制,可以有效屏蔽参数测量故障对系统故障检测的影响,从而更加准确给出系统异常程度。使用发动机历史试车数据作为样本进行特征模型的训练,使用一元、多元和混合概率密度模型对存在异常的发动机试车数据进行了实时异常检测的实验验证。实验结果表明,相比传统基于阈值和规则的异常检测算法,基于概率密度统计的多策略异常检测算法不仅可给出系统的正常和异常的状态,还可计算各参数和整个系统的异常值,为运载火箭进一步的故障诊断提供更加灵活的参考。     

基于BCP异常数据检测方法的应用与研究

针对应用系统数据集成过程中产生异常数据的问题,介绍数据集成的概念以及异常数据造成的危害,提出基于反向约束传播的异常数据检测方法,并详细阐述检测原理。构建反向约束传播检测原型,通过仿真实验验证该方法可以对数据集成流程中的异常数据进行检测和回收,提高数据集成的质量。     

基于数据关联性分析的飞轮异常检测

针对航天器早期故障在闭环系统下难以被检测、数学模型难以精确建立的问题,提出了一种基于数据关联性分析的归纳式系统异常监测(IMS)方法。该方法采用无监督学习的聚类算法,利用具有关联性的参数构建数据向量,通过聚类分析自动建立健康数据向量的族类阈值区间。关联关系的破坏将引起部分参数超出族类阈值区间,使系统的异常程度存在模糊性与随机性。引入云模型评价指标,将闭环系统异常程度的不确定性通过熵与超熵定量表示,从而更加准确地判断闭环系统的异常程度。仿真结果表明:该方法能够建立卫星飞轮闭环系统的族类知识库,并可以根据云模型提供的定性知识有效判断系统的异常程度。     

一种基于时序形态的航天器动态模式提取方法

针对航天器动态特性分析过程中遇到的建模过程复杂、处理速度较慢、分析结果不易进行直观解释等问题,通过借鉴符号化近似思想,提出了一种基于时序形态的航天器动态模式提取方法。该方法首先采用分段线性化算法获取一系列分割线段以近似表示遥测序列形态,然后使用系统聚类分析技术对分割线段进行分类,最后基于分类结果将遥测时间序列数据转化为蕴含形态信息的符号序列。验证结果表明该方法简单、有效,所提取的动态模式符号序列不仅可体现遥测时序数据的显著变化,也可表征遥测序列的细微变化,可作为遥测序列识别与异常检测的依据。     

基于稀疏自动编码器的飞参数据异常检测

为了改善人工判读飞参数据效率低且易出现误判和漏判的不良状况,本文提出一种基于稀疏自动编码器(Sparse auto-encoder,SAE)的飞参数据异常检测方法。首先构建了SAE的基本框架,然后以滑动窗口的形式生成训练样本。其次,用正常样本并结合BP算法对整个网络模型进行训练和优化以得到相应的正常样本重构误差分布阈值。最后,根据测试样本的重构误差对飞参数据中的典型异常进行检测。实验证明,该方法可在样本不平衡的情况下,仅利用正常样本构建参数空间,并得到正常样本重构误差分布门限,准确检测出飞参数据中的异常,实现飞参数据机器判读。     

一种基于阴性选择算法的飞行数据异常值检测方法

研究了基于阴性选择算法的飞行数据异常值检测问题。针对传统的基于数据趋势进行数据异常值检测方法难以处理连续异常值的问题,提出通过提取待测参数的相关参数并在检测器编码中加入相关参数信息,使得阴性选择算法能够用于连续多个异常值的检测,算法不需要关于数据异常的任何先验知识。实验表明,采用改进编码后的阴性选择算法识别飞行数据中的异常值具有较高的精度。     

基于划分检测模型的终端区异常轨迹检测方法

针对异常轨迹对轨迹聚类效果的影响以及给进离场程序管制适用性的量化分析提供分析数据的考虑，在结合数据挖掘中异常检测理论的基础上，利用划分检测框架及将距离和密度结合起来，设计了一种有效检测算法，运用到终端区飞行轨迹的异常检测当中，检测出飞行轨迹中的异常轨迹，从而改善轨迹的聚类效果。实例仿真结果表明：方法可以准确地检测出异常轨迹。     

基于数据统计的流体火箭发动机地面试车故障检测算法

研制了一种用于液体火箭发动机地面试车的故障检测算法，既适于发动机启动瞬态过程又可用于稳态过程。算法能设置一些预先设置或在线计算的参数门限，检查参数测量值的平滑值，当连续多次检查到多个参数异常时就判定发动机异常。用下沉试车数据和满足起动条件的异常试车数据进行测试。没有出现报警和漏报警，对满足妄动条件的异常试车，均在现有的红线关机系统关朵之间报警。     

航天器上升段轨道快速重构算法

针对航天器上升飞行过程中由于干扰的影响导致实际轨道偏离初始设计轨道的问题,提出了基于状态量提前修正的航天器上升段轨道快速重构算法。使用该算法对大气干扰下上升段轨道进行了快速重构仿真分析,结果表明,该算法能够综合考虑上升段飞行过程的状态量约束、终端约束、入轨精度、重构时间等因素,实现快速重构。     

基于数据统计的液体火箭发动机地面试车故障检测算法

研制了一种用于液体火箭发动机地面试车的故障检测算法，既适于发动机启动瞬态过程又可用于稳态过程。算法能设置一些预先设置或在线计算的参数门限，检查参数测量值的平滑值，当连续多次检查到多个参数异常时就判定发动机异常。用正常试车数据和满足启动条件的异常试车数据进行测试，没有出现误报警和漏报警。对满足启动条件的异常试车，均在现有的红线关机系统关机之前报警。     

采样时间序列的故障数据检测与滑动容错滤波

在导出采样时间序列数据滑动LS滤波的基础上，本文建立了了组简洁的故障数据检测与修复算法，地故障数据修复与滤波估计相结合，构造了对突发性故障数据有良好容错能力的滑动容错滤波算法。仿计算证实，该方法有效、可靠。     

基于单视图的非合作航天器三维体素重构算法CSCD

空间对抗态势下,针对非合作航天器的快速高精度智能感知、意图识别与威胁评估等在轨相对导航任务,均依赖精准的目标三维模型先验信息。但星载传感器感知视场有限,传统基于多帧图像的模型重构算法存在流程复杂、实时性差及恢复精度低等问题。为此,提出了一种基于单视图的航天器三维体素重构算法,能够基于单帧图像高效地恢复目标的空间三维信息。首先,针对空间航天器视觉感知任务研究中普遍存在的数据饥饿问题,通过整理航天器三维模型,利用图像渲染技术构建了小规模本地数据集,包括航天器三维模型、对应体素和多视角采样图像三部分。接着,设计了基于单视图的三维重建模型,使用单帧非合作航天器图像作为输入,通过2D-3D混合卷积完成“编码-解码-调优”三个子模块计算,实现对目标三维体素结构的恢复。最后,在本地数据集上进行网络模型的训练和评估,验证了当前模型能够实时精确重建目标航天器三维体素模型,并在现有数据上取得了0.895的MIoU值;同时,网络对不同航天器的重建效果体现了模型具有强大的泛化能力。     

嵌入式大气数据传感系统研究进展

大气数据的精确测量对飞行器的导航与控制至关重要。相较于传统的探针式大气数据测量系统,嵌入式大气数据传感系统更适用于隐身性能要求、大迎角飞行要求的飞行器或高超声速飞行器。回顾了嵌入式大气数据传感系统的发展历程,介绍了该系统完整的组成部分及其工作原理,并指出该系统在应用时的四项关键技术(测压孔布局、气动模型及求解算法、校正算法、故障检测及管理技术),结合国外多种飞行器上该系统不同的应用方案,分别对比分析四项关键技术不同应用方式的优缺点;指出了该系统的四项关键技术均会影响系统精度及可靠性,实际应用中需综合考虑选择其应用方式;最后展望了该系统在未来航空航天领域的应用。     

基于双树复小波和形态学的卫星异常数据滤波方法

受系统结构复杂、工作环境恶劣等因素影响,卫星的工作状态会存在介于正常和故障之间的异常状态,导致其遥测数据中不仅含有噪声,还存在异常数据。采用传统滤波算法进行去噪处理时,会存在对异常数据保留不充分的问题,从而导致突变信息丢失。针对上述问题,提出一种基于双树复小波与形态学滤波的卫星遥测数据组合滤波方法,设计一种半软阈值滤波函数来提高双树复小波的滤波性能,并提出一种组合滤波算法。通过仿真实验进行验证,结果表明:本文方法可以对遥测数据中的噪声进行有效滤除并对异常数据进行保留。     

多测速系统应答信标数据实时分类算法

为了提高目标轨迹解算的稳定性,针对多测速系统在应答模式下的测量数据分类问题,提出了一种新的实时分类算法。首先分析了现有方法的缺陷;其次设计了一种能够将应答数据、信标数据与异常数据进行分类的新算法。该算法的关键是选择适当的分类参考,采用目标理论轨迹与已经分类的历史测量数据等2种分类参考相结合的方法,以适应不同的应用情形;最后,利用2类主站配置模式下的典型实测数据对新算法进行验证,结果表明新算法能够将3类数据正确分类。在此基础上,解算出的实时轨迹平稳且连续,测量数据的利用率明显提高。因此新分类算法的性能优于现有方法,对改善其他测量系统中的实时数据分类效果也具有借鉴意义。     

基于流形学习的涡轮泵海量数据异常识别算法

为了获取海量试车数据中的信息以分析涡轮泵的健康状态,提出一种基于流形学习的海量数据异常识别算法.该算法将反映涡轮泵状态的振动数据重构到高维空间中,利用扩散映射方法直接对其进行学习,提取出数据内在的低维流形特征,以可视化的方式直观地识别出涡轮泵数据中的异常状态.仿真与试车数据验证结果表明了所提算法的可行性和有效性.该算法克服了传统方法解决非线性问题不足的缺点,为试车后涡轮泵的健康分析提供了一条新的途径.     

基于改进型CFAR的SAR图像目标检测算法

针对传统的双参数恒虚警率(Constant False Alarm Rate,CFAR)算法存在的虚警率高、实现过程繁琐、算法执行效率低等问题,提出了一种改进型的CFAR检测算法。该算法根据SAR图像的统计直方图,对可疑的目标像素进行预筛选,再用2个滑动窗口对像素进行判别。改进型的CFAR检测算法简化了原检测算法的结构,降低了检测结果的虚警率,提高了算法的计算效率,并在国际公开的雷达数据集上进行软件与DSP硬件的应用验证,测试表明该算法的有效性。