基于半监督迁移学习的轴承故障诊断方法

针对航空发动机轴承故障诊断过程中预测精度不足以及过拟合的问题,提出基于迁移学习的半监督集成学习器（SSIT）用以发动机轴承故障预测。首先,训练改进的基于迁移学习的极限学习机（TELM）以及基于迁移学习的支持向量机（TSVM）,分别迁移不同目标空间的高相似度样本加入到源样本空间进行训练。然后,与对应的基学习器集成同簇学习器来识别未标记样本,构成半监督学习器不断调整初始基学习器权重,并继续集成半监督基学习器的识别结果到SSIT中。通过此学习机识别提取特征后的,用以故障识别。实验结果清楚地表明:此种方法可以有效降低迁移学习中的负迁移效果,提升迁移精度10%左右,降低机器学习中的过拟合效果,提高半监督学习稳定性,与现有的预测方法相比可以提高精度9%以上。      

基于机器学习的管材数控弯曲质量预测

在管材数控（NC）弯曲过程中,可能出现起皱、过度减薄的质量缺陷,同时会不可避免地发生回弹,都将严重影响成形质量。为了对数控弯曲成形质量进行预测,提出了使用有限元模拟与机器学习相结合的方法,并建立了快速的成形质量预测方法。首先,建立了有效的管材数控弯曲的参数化有限元模型,在工艺参数取值范围中随机选择进行大量的模拟实验作为样本,完成学习数据的挖掘。随后,基于径向基函数（RBF）神经网络建立壁厚减薄与回弹程度的预测模型并使用支持向量机（SVM）建立管材起皱的预测模型。最后,使用模型对新的实例进行预测,并利用模拟与数控弯曲实验对预测模型进行验证。 该方法可以对大直径薄壁管材数控弯曲质量进行有效的预测,提高弯曲管件零件设计效率。      

基于过程神经网络的液体火箭发动机状态预测

提出一种基于极限学习算法的离散过程神经网络模型,用于解决液体火箭发动机状态预测这一难题。首先,在历史数据的基础上建立离散过程神经网络（DPNN）预测模型;然后,根据在线更新的数据样本,采用递推极限学习（EL）算法对双并联前馈离散过程神经网络（DPFDPNN）隐层到输出层的权值进行更新,并应用权值更新后的过程神经网络对发动机状态进行预测;最后,以液体火箭发动机状态预测中氢涡轮泵扬程预测为例,分别采用有权值更新和无权值更新两种预测模型进行了试验。结果表明,通过更新过程神经网络权值可以使模型具有更高的预测精度和更好的适应能力,该方法能够为液体火箭发动机状态预测提供一种有效的解决途径。      

基于记忆关联学习的小样本高光谱图像分类方法

高光谱图像（HSI）分类是遥感领域的基础应用之一。该任务旨在根据部分带类别标签的像素样本训练分类器，预测图像中剩余像素对应的类别标签。在实际应用中，由于人工标记样本成本过高，只能获得少量带标签的样本。针对少量样本无法准确描述数据分布从而导致训练过程过拟合的问题，提出一种基于记忆关联学习的小样本高光谱图像分类方法。考虑到无标签样本中包含大量与数据分布相关的信息，构建基于有标签样本记忆模块，并根据样本间的特征关联，利用不断更新的记忆模块学习无标签样本的潜在类别分布，构建无监督分类模型，并与传统的有监督分类模型进行联合学习。在多个高光谱图像分类数据集上的实验结果表明，所提方法能有效提升小样本高光谱图像分类的准确性。      

基于样本类别确定度的半监督分类

在对遥感图像进行分类时,全监督算法往往需要足够的标记样本进行训练,然而标记的过程是耗时和昂贵的,相反收集大量的无标记样本是很容易的。为了在学习过程中能够有效利用未标记样本的信息,本文提出了基于样本类别确定度（CCS）的半监督分类算法。首先,利用多分类支持向量机（SVM）得到未标记样本属于各类别的确定度,有效地衡量了未标记样本类别可靠性;其次,对样本类别确定度进行预处理,提升利用未标记样本的安全性;最后,基于样本类别确定度设计了半监督线性判别分析（LDA）降维算法并对其进行核化,使得样本在降维后的子空间更具有可分性,并根据降维后的数据特点,采用最近邻分类器对新样本进行分类。利用真实的合成孔径雷达（SAR）图像进行测试,验证了在标记样本较少的情况下,本文算法在性能上优于全监督和其他半监督算法,并能够快速收敛。      

基于LSTM循环神经网络的故障时间序列预测

有效地预测使用阶段的故障数据对于合理制定可靠性计划以及开展可靠性维护活动等具有重要的指导意义。从复杂系统的历史故障数据出发,提出了一种基于长短期记忆（LSTM）循环神经网络的故障时间序列预测方法,包括网络结构设计、网络训练和预测过程实现算法等,进一步以预测误差最小为目标,提出了一种基于多层网格搜索的LSTM预测模型参数优选算法,通过与多种典型时间序列预测模型的实验对比,验证了所提出的LSTM预测模型及其参数优选算法在故障时间序列分析中具有很强的适用性和更高的准确性。      

未知载荷条件下机械系统剩余寿命预测方法

针对无法确定复杂机械系统的随机工作载荷的问题，提出了一种基于隐半马尔可夫模型(HSMM)的寿命预测方法。在完成基于隐半马尔可夫模型的载荷空间构建后，引入前向-后向过渡参数，并结合Viterbi算法对模型参数进行求解，通过估计参数预测随机未来载荷的转移走向及对应的概率。将载荷预测的结果结合基于多传感器信息的寿命预测模型预测系统的剩余寿命。使用NASA的商用模块化航空推进系统仿真数据验证所提方法的有效性和正确性。      

带空间结构的人工神经网络建模方法

将遍历搜索法引入带空间结构的人工神经网络模型,提出一种新的模型估计和空间数据样本外预测方法。该方法基于人工神经网络,结合空间自回归模型思想,在网络模型中引入空间滞后项来考虑变量的空间效应,提出使用遍历搜寻最优解的方式替代传统极大似然法进行空间自回归系数估计和建模。结合样本外数据和空间结构,扩展空间权重矩阵并代入所提模型进行样本外预测,充分发挥了人工神经网络模型泛化能力强的特点。仿真分析指出:在合理考虑空间效应的情况下,所提模型的预测效果较普通人工神经网络有显著提升;而且当空间变量间存在非线性关系时,所提模型的预测精度同样优于空间自回归模型。      

基于平流层风场预测的浮空器轨迹控制

平流层风场环境对浮空器设计和轨迹控制具有重要影响。针对平流层风场建模,以长沙地区2005—2010年的风场数据为例,首先采用本征正交分解（POD）方法对风场数据进行降阶处理;然后分别采用Fourier级数与BP神经网络算法对平流层风场进行预测,并对2种模型的预测精度进行比较分析;最后通过建立临近空间浮空器的动力学模型和高度调控模型,分析2种风场预测模型对浮空器轨迹控制的影响。研究结果表明,相对于Fourier预测模型,基于BP神经网络预测模型的预测精度更高,可信度更强,能够更好地为浮空器飞行轨迹控制提供参考价值。      

基于生成对抗网络的航天异常事件检测方法

航天环境复杂,技术难度大,风险高,安全可靠性要求苛刻。航天异常事件样本少,且难以获取,有针对性地开展异常事件检测（AED）很有必要。为预防航天事故,尽早发现可能导致故障的异常事件,深入研究了最新人工智能和生成对抗网络（GAN）技术,提出了一种基于生成对抗网络的航天异常事件检测方法。使用正生成对抗网络模拟生成正常事件样本,训练反生成对抗网络模拟生成异常事件样本,设计合理算法训练测试,计算输入事件与正生成对抗网络生成的模拟正常事件欧氏距离,以及输入事件与反生成对抗网络生成的模拟异常事件的欧氏距离差,实现对异常事件的精确检测。通过在美国国家标准与技术研究所数据库（MNIST）数据集全部使用正常数据训练,并对异常事件检测性能进行了试验验证,试验结果表明:在MNIST数据集下,精确率和召回率综合评价指标（F1）及精确率和召回率曲线下面积（PRC）等关键技术指标比变分自动编码器（VAE）方法相应指标性能至少分别提升了31%和11%。在真实环境下采集的模拟航天音频数据试验,异常事件检测性能良好,进一步证实了所提方法真实可用。      

基于强化学习的航空兵认知行为模型

航空兵的认知行为模型为仿真航空兵的空战决策提供支持,通过强化学习积累战术决策经验.在虚拟战场环境中,作战态势通过多个属性进行描述,这使得强化学习过程将面临一个高维度的问题空间.传统的空间离散化方法处理高维空间时将对计算资源和存储资源产生极大需求,因此不可用.通过构造一个基于高斯径向基函数的拟合网络解决了这个问题,大大减少了对资源的需求以及强化学习周期,并最终产生了合理的机动策略.模型的有效性和自适应性通过一对一的空战仿真进行了验证,产生的交战轨迹与人类飞行员产生的交战轨迹类似.     

模糊诊断规则自学习中规则条件优选技术研究

规则条件优选技术是模糊诊断规则自学习方法的重要环节之一.针对条件优选问题,提出了一种基于面积计算的模糊贴近度函数,并采用该函数对各规则条件的可区分程度做出评估,然后根据得到的评估矩阵设计了规则条件和测点的优选算法.仿真证明,通过条件优选可以大量减少规则中条件的数量,减少了规则学习的计算量,提高了学习的效率;同时,所研究的测点优选技术还可为自动测试程序的设计提供参考.      

基于深度强化学习的高超声速飞行器动态面控制方法

针对高超声速飞行器控制问题,通过将深度强化学习与动态面控制方法相结合,设计了智能姿态控制算法。首先,利用模型先验知识,采用传统的动态面控制方法设计控制器结构。然后,考虑跟踪误差和控制量幅值约束的指标情况下,采用深度学习算法完成对控制器参数的智能寻优,代替传统设计中的人工调参试错过程。为提升训练效果,在奖励函数中引入了控制量变化率。最后,通过数值仿真验证了本文所设计控制方法的有效性与鲁棒性。     

嫦娥五号探测器热平衡试验方案设计与实现

针对嫦娥五号探测器热平衡试验中面临的难题,在分析以往国内外航天器热平衡试验技术现状基础上,依据验证充分、有效与全面的原则,构建出一套探测器热平衡试验方案,提出一种基于“专用红外吸收式空间外热流模拟方式”的热平衡试验方法,设计了典型试验工况,同时优化了试验技术流程。地面热平衡试验结果结合在轨飞行数据表明：热平衡试验方案能够有效验证热控设计的正确性,专用红外吸收式外热流模拟装置偏差造成的温度影响不超过2℃,热平衡试验工况设置合理,技术流程优化,热分析模型相关性工作可使热分析模型更加准确可信。     

行星软着陆GPS有模型强化学习制导方法

由于距离地球较远、测控延时误差较大、飞行环境十分复杂且难以提前预测，行星软着陆的自主制导技术目前存在水平位置估计困难、导航参考信息匮乏、复杂地形着陆困难等挑战。针对行星软着陆存在的困难和挑战，提出了基于引导策略搜索算法的有模型强化学习制导方法，实现了着陆器在初始状态受到扰动时，无需重新规划，仍能在满足约束条件的情况下降落在指定位置。该方法将迭代线性二次调节器作为控制器，产生初始轨迹；其次，使用多层神经网络拟合制导策略；最后，利用控制器监督策略学习，进而收敛产生可行策略。针对行星表面软着陆的仿真验证结果显示该算法仅通过几次循环，即可以实现初始状态变化的快速软着陆。一方面表明了基于有模型强化学习的数据高效利用率，另一方面也证明了强化学习方法在深空探测领域中具有广阔的应用前景。     

一类非线性系统的一阶D型迭代学习控制

传统的D型迭代学习控制的控制律设计方案依赖于被控系统的相对度.为解决该问题以及相对度增益与高阶微分运算的问题,针对一类具有任意高阶相对度的非线性系统,提出了基于虚拟模型的一阶D型迭代学习控制设计方法.该方法的主要思想是与具有任意高阶相对度的非线性被控系统并联一个一阶子系统,构造一个相对度为1、相对度增益可以任意设计的虚拟模型,在此基础上设计一个一阶D型迭代学习控制律,使得虚拟模型能够实现期望轨迹的完全跟踪,从而实际被控系统在一定误差范围内实现期望轨迹的跟踪.仿真实例验证了所提方法的可行性与有效性.     

基于PWM的气动软体空间机械臂压力控制系统

针对气动软体空间机械臂的压力控制需求,提出了基于PWM的软体臂压力控制技术。设计了气动软体空间机械臂的气动系统结构,并建立了各部分的数学模型。根据开关阀和PWM控制的特性,提出了基于零位补偿和双阀同步脉宽调制(PWM)的软体臂压力控制系统结构,并阐述了各部分设计方法。利用Python建立了整个系统的仿真模型,并将仿真结果与实验结果进行了对比,对比结果表明,模型具有一定的准确性。对该压力控制系统进行了正弦跟踪实验,实验结果表明该系统可以进行低频跟随,能够满足气动软体空间机械臂的压力控制需求。