航天器下行数据异变检测算法研究

针对航天器下行遥测数据故障检测问题,建立了相应的非平稳+异常分量模型,并借鉴采样数据新息增量过程的回归系数有界影响辨识方法,提出了航天器下行数据异常突变在线检测算法,该算法具有简捷的递推关系和良好的容错能力。实测数据结果表明,该算法可以有效地检测出航天器异常数据,并能克服异常数据的不利影响,提高在轨航天器测控过程的可靠性。     

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。     

基于 Stacking集成学习的飞行模拟器设备故障预判

为精准研判飞行模拟器故障问题,提升飞行模拟器故障应急处理能力,提出了 1种基于 Stacking集成学习的设备故障预判方法。首先,针对设备故障数据具有高维度和时序性的特点,采用正态分布法,对采集的原始故障数据进行缺失值和异常值处理,获取归一化数据,并基于核主成分分析法,提取数据的特征并降低数据维度;然后,构建以 CNN、RF、BP神经网络为基分类器,XGBoost为元分类器的 Stacking集成学习模型,采用交叉验证训练策略,对设备的故障类型作出预判;最后,构架典型案例。仿真结果表明,所提方法可正确有效地识别设备的多种故障状态。     

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。     

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。     

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。     

基于BiGRU-SVDD的ADS-B异常数据检测模型

广播式自动相关监视（ADS-B）作为新一代空管监视技术，由于采用明文方式广播发送数据，因而存在易遭受网络攻击的安全问题。为了准确检测ADS-B数据攻击行为，在充分考虑时间相关性的基础上，提出了针对ADS-B数据的异常数据检测模型。首先利用双向门控循环单元（BiGRU）神经网络预测ADS-B数据，得到了ADS-B数据预测值。再将预测值和实际值作差，将差值放入支持向量数据描述（SVDD）训练，得到了能检测ADS-B异常数据的超球体分类器。并且，选择了合适的滑动窗口，在保证异常检测准确率的同时，缩短BiGRU神经网络的训练时长。实验结果表明，BiGRU-SVDD模型能检测出随机位置偏移攻击、高度偏差攻击、重放攻击、拒绝服务（DOS）等攻击下的ADS-B异常数据。并且，与其他机器学习和深度学习方法相比，BiGRU-SVDD异常检测模型的准确率更佳，适应性更优。     

基于粒子群核极限学习机的涡扇发动机加速过程模型辨识

针对解析法建立涡扇发动机加速过程模型精度和实时性不高的问题,提出了一种基于粒子群核极值学习机(PSO-KELM)的涡扇发动机加速过程模型数据驱动辨识方法,构建涡扇发动机加速过程模型,结合加速过程试车数据,利用PSO-KELM方法对该加速模型进行辨识。试验结果表明:低压转子转速、高压转子转速和低压涡轮出口燃气总温都较好地逼近了试车数据,最大相对误差均值分别为1.013%,0.355%和1.055%,平均计算时间为0.04ms。精度和实时性均优于反向传播神经网络和粒子群支持向量回归方法,可用于发动机状态监控和性能优化控制。     

基于SAR的海洋内波参数的自动化检测算法与实现

为解决依靠计算机实现从SAR数据中提取内波参数的问题,从实用的角度出发建立了SAR海洋内波传播方向的自动化检测算法,该方法在多种SAR内波数据中进行了检验,证明了这种方法的有效性和实用性。     

一种新的雷达数据剔野方法

基于雷达测量数据是一种特殊的时间序列这一特性,提出了一种针对雷达数据的序列剔野方法。先求得序列的边缘点,计算边缘权重因子,再在特征空间中计算异常因子来识别野值。从子列的角度检测雷达测量数据的野值,弥补了单点检测的局限性。采用某型雷达在某次任务中斜距R的一段测量数据进行实验,并将野值识别情况与用传统方法所得结果进行比较,结果表明,这种针对雷达测量数据的序列剔野方法较传统方法更能有效地剔除雷达数据中的野值。     

飞机综合保障数据集成管理分析

本文提出了飞机综合保障数据集成管理的模式,介绍了飞机综合保障数据集成管理的内容,包括信息数据分类、数据集成管理功能分类以及综合保障数据库的设计思路。根据飞机的特点设计了飞机综合保障数据管理系统的硬件框架、软件体系、开发以及数据库工具。     

飞机单一产品数据源集成模型研究

根据对飞机产品构型及复杂历史状态的研究,给出了飞机产品单一产品数据源基本特点。设计了基于主/子模型集成的集成方法,并根据集合论关系原理,分析了单一产品数据源数据组织的约束关系。采用实体建模方法设计了数据库系统,并给出了满足状态管理要求的更改规则。根据集成模型开发了单一产品数据源原型系统,集成了工程数据及装配工艺数据,实现了由构型变化驱动的数据有效性传递,并支持了装配生产现场的无纸化操作和检验。     

基于模型与数据驱动的自适应模糊规则故障诊断方法

针对复杂装备系统故障模糊性强的特点,以及目前基于模型和数据驱动的故障诊断大都局限于决策层融合的问题,提出了 1种利用诊断模型作为数据驱动方法的初始条件来辅助网络模型构建和学习的方法。首先,通过 T-S故障树理论分析,建立系统各故障模式之间的逻辑关系和描述规则;然后,根据 T-S故障树模型,将诊断模型映射为模糊神经网络(FuzzyNeuralNetworks,FNN)模型,并利用误差反向传播算法对网络参数进行学习,进而提出 1种模糊规则自动更新机制;最后,以某组合导航系统为实验对象进行仿真实验。结果表明:提出的方法能够准确地诊断出故障,且具有较快的收敛速度和较好的泛化能力。     

基于ResNet-LSTM的航空发动机性能异常检测方法

为了实现数据驱动的航空发动机性能异常的智能检测,提出了一种基于残差网络（ResNet）-长短期记忆网络（LSTM）的发动机性能异常检测方法。采用发动机性能数据图像化方法,在数据降维的同时,完备保留数据的关联特征和时序特征;以残差单元构建发动机性能异常检测模型,在加深网络结构的同时,消除深层网络梯度消失问题,提高发动机性能图像空间关联特征的提取能力。同时,引入LSTM,提出基于ResNet-LSTM的发动机性能异常检测模型,通过ResNet与LSTM的融合,强化异常检测模型对时序特征的提取,提升发动机性能异常检测的准确率;通过发动机运行数据进行验证。结果表明：在训练集上,该方法的异常检测准确率为94.95%,比基于ResNet18、ResNet34、ResNet50异常检测模型的分别提高10.87%、8.00%、3.23%;在测试集上,该方法的异常检测准确率为92.15%,比基于ResNet18、ResNet34、ResNet50异常检测模型的分别提高11.81%、9.45%、3.78%。     

工程变更雪崩传播的预测方法

为了避免高风险、高花费的工程变更雪崩传播,本文提出了两种预测雪崩传播的方法。首先,分析了雪崩传播的原因及其主要特性:约束冲突和被影响零件数目超过一定范围;然后,提出了分别利用有向图方法面向约束冲突和利用复杂网络相关知识对这两个特性进行检测的雪崩传播预测方法;第三,利用一个单级变速器实例说明了本文所提方法的实现过程,验证了该方法合理性;最后,提出了本文方法的缺陷以及改进方向。     

基于D-S证据理论和不同子神经网络集成的磨粒识别

针对磨粒识别问题,建立了基于D-S证据理论的集成神经网络磨粒融合诊断方法.首先对特征参数进行优化分组,然后对每一组建立对应的分类子神经网络,分别采用径向基函数(RBF)神经网络和反向传播(BP)神经网络进行识别,得到初步的诊断结果,经过归一化后作为2组基本概率分配函数,最后运用D-S证据理论进行融合得到最终识别结果.算例分析表明,基于D-S证据法和集成神经网络的磨粒融合识别方法比单个诊断方法具有更高的准确性.     

基于预处理BP神经网络的开关磁阻电机建模

针对开关磁阻电机(SRM)强耦合、强非线性、难以精确解析建模的问题,提出一种基于数据预处理的反向传播(BP)神经网络建模方法。首先通过传统直流脉冲法测量一个电周期内SRM静态电磁特性,获取建模样本数据;其次充分利用电机先验知识,通过可以初步反映SRM非线性特性的磁链和转矩解析表达式对实测样本数据进行预处理并作为BP神经网络新的输入,降低神经网络拟合误差。与传统BP神经网络建模的对比结果显示,引入预处理方法可以有效减少BP神经网络节点数量,增强神经网络泛化能力,提高神经网络建模精度。     

大尺寸精密测量技术及其应用

大尺寸精密测量技术应用问题是我国当前制造领域研究的热点问题.为了正确、高效应用大尺寸精密测量技术,首先对多种先进数字化测量系统进行分析对比,介绍了测量原理、特点及精度.其次,揭示了大尺寸精密测量与装配过程集成的内涵,以测量模型为核心实现多个环节的数据与过程集成.再次,提出了多数字化测量系统集成与数据融合基本架构,构建大尺寸数字化测量场.然后,给出了测量辅助装配中的核心算法及其与数据、过程间的关系,实现数据在装配过程中的传递.另外,为保证数字化检测技术应用,提出基于模型的检测规划与质量保证的基本架构.最后,研究了面向任务的测量不确定分析方案,总结不确定评估方法.     

面向服务的航天发射场异构数据库集成研究

在航天发射场信息化发展过程中,异构数据库日益成为制约其信息共享的因素。首先阐述了某发射场异构数据现状,而后对异构数据库集成方法进行了讨论,结合中间件和XML技术,设计了一个面向服务的发射场异构数据集成框架。该框架以数据存取中间件为核心,充分发挥XML跨平台的技术特点和面向服务的松散耦合特性,为发射场解决信息孤岛提供支持。     

一种INS性能参数重复性离群数据挖掘方法

惯性导航系统参数长期重复性是影响导航性能的重要因素。批量生产的惯性导航系统在生产过程、运输存贮、标定等方面偶尔出现异常因素,导致个别产品性能参数长期重复性出现异常变化,进而影响惯导系统导航精度。为了快速挖掘异常数据,根据批次参数随时间变化特点,提出了一种多属性关联规则的惯性导航系统离群数据挖掘方法。通过对某型平台惯导系统参数长期重复性数据进行离群数据挖掘,结果表明对于参数长期重复性差导致的惯性导航系统性能异常现象, 使用所述方法可以有效检测出离群数据,并且能发现离群数据内部的关联关系。