基于深度学习的航空发动机不平衡故障部位识别

针对基于机匣测点的航空发动机不平衡故障部位识别问题,提出了基于深度卷积神经网络的航空发动机不平衡故障部位诊断方法。针对某典型双转子航空发动机,建立整机耦合动力学模型,并利用数值积分算法实现不平衡故障数值仿真;在从发动机压气机端到涡轮端的高、低压转子上选择4个不平衡故障部位作为诊断对象,通过仿真分析得到发动机典型转速下的转子不同部位不平衡故障的仿真样本;计算4个机匣测点信号的规范化频谱,通过对大量仿真数据的处理得到反映不同不平衡故障部位的故障样本集;利用仿真得到的大量不平衡故障样本,训练深度卷积神经网络,利用深度卷积神经网络的优良特征学习能力实现航空发动机不平衡故障的不同部位进行识别,数值试验结果表明该方法对航空发动机不平衡故障部位的识别准确率达到95%。     

故障机理与领域自适应混合驱动的机械故障智能迁移诊断

航空发动机的健康稳定对于保障飞行器的安全运行具有重要的作用，针对各台发动机建立具备高准确率的智能诊断模型是飞行器稳定运行的关键。现有故障诊断方法在具备故障数据的条件下能取得较好效果，但实际应用中往往因仅含正常数据，无法实现诊断模型的构建。针对该问题，提出一种故障机理与领域自适应混合驱动的机械故障智能迁移诊断方法，该方法首先依据故障机理和源域数据建立旋转机械故障虚拟样本生成模型，再采用目标域正常数据实现生成模型对目标域的自适应，最后通过虚拟样本训练得到目标域故障诊断模型。采用标准数据集和实验室轴承数据对提出方法进行验证，结果表明，提出方法对不同型号轴承诊断时取得88.61%的平均准确率，相比对比方法高41.22%。     

基于飞行过程数据的航空发动机故障诊断方法研究

针对航空发动机飞行过程数据,结合门控循环单元（GRU）动态网络和深度神经网络（DNN）,提出了一种数据驱动的航空发动机故障诊断结构。首先,从飞行数据中抽取发动机健康数据,并通过一组GRU网络建立发动机在健康状态下的动态模型。其次,通过GRU动态模型的预测值与真实测量信号生成残差信号,残差信号作为DNN网络的输入预测发动机健康参数。最后,通过诊断决策模块实现对发动机的故障检测与识别。使用仿真生成的真实飞行工况数据集对提出的故障诊断系统进行了验证。结果表明,相比于直接使用传感器测量数据,基于GRU网络的残差结构能够大幅提升故障检测和识别性能,故障检测和识别准确率分别可达96.51%和95.06%,并且对训练数据样本数量的依赖性较小,较少的训练样本也能获得很好的预测结果。     

航空发动机性能图像纹理片段划分方法

为了解决深度学习在航空发动机性能异常检测中出现的数据不平衡的问题，在高频次纹理片段对应性能稳定状态、低 频次纹理片段对应异常波动状态的合理假设下，提出了一种航空发动机性能图像纹理片段划分方法。通过研究性能数据空间与 RGB彩色空间的映射，提出高维性能数据图像化。引入分形盒维理论，定义纹理特征维数表征性能图像纹理特征，提出基于高频 次生长树的图像纹理片段划分方法，实现性能图像按纹理出现频次的精细划分，建立正常样本和异常样本数量接近的数据集。选 取多个航段发动机性能数据，与时频图和采样法生成的数据集进行对比验证。验证结果表明：该方法可以生成数量相当且真实 客观的正常样本和异常样本，在ResNet50模型上的准确率达91.72%，减小了数据不平衡对准确率的影响。     

使用深度残差网络的乘波体气动性能预测

本文探究深度学习人工智能技术在飞行器气动外形预测中的应用。以激波装配法乘波体设计为背景,建立气动数据快速生成工具,使用拉丁超立方采样得到海量样本数据。使用深度残差神经网络构建气动外形参数到气动性能数据的代理模型,并与随机森林和双隐层神经网络等普通机器学习模型对比;同时将数据转换为图片,研究基于图片识别的深度学习模型搭建,省略飞行器外形的参数化表达。测试结果说明,深度残差网络作为数据代理模型的精度是随机森林和双隐层神经网络的3倍以上,而基于图片识别的代理模型精度提高有限。研究表明,深度残差网络在乘波体等易于生成大量数据的气动外形的性能预测中效果明显,为深度学习技术在气动外形设计中的应用奠定了基础。     

基于形态自适应网络的无人机目标跟踪方法

针对无人机影像目标跟踪过程中常出现的目标方向变化、目标遮挡变化、样本多样性不足等问题,提出了一种基于形态自适应网络的无人机航空影像目标跟踪算法。首先使用基于数据驱动的方法对数据集进行扩增,添加了遮挡样本和多旋转角度样本,提高样本多样性;提出的形态自适应网络模型通过旋转不变约束改进深度置信网络,提取强表征能力的深度特征,使得模型能够自动适应目标形态变化,利用深度特征变换算法获取待检测目标的预定位区域,采用基于Q学习算法的搜索机制对目标进行自适应精准定位,使用深度森林分类器提取跟踪目标的类别信息,得到高精度的目标跟踪结果。在多个数据集上进行了对比实验,实验结果表明该算法能够达到较高的跟踪精度,可以适应目标旋转、目标遮挡等形态变化情况,具有较好的准确性和鲁棒性。     

基于SVM算法的虚假航迹识别

针对云雨杂波和主被动干扰导致多雷达传感器产生虚假目标航迹的问题,利用支持向量机(SVM)算法的自主学习能力,通过构建基于数据驱动的判别模型进行虚假航迹识别。针对航迹起始得到的目标潜在航迹,利用人工智能数据驱动、自学习的特点,设计了SVM算法。通过对已标记真假的目标航迹样本进行离线学习,形成虚假航迹识别的SVM分类器,实现了基于数据驱动的判别模型代替先验知识规则约束的固定模型,并在工程应用中,利用SVM分类器在线识别虚假航迹,完成实时剔除。通过实测雷达数据实验验证,该算法的目标虚假航迹准确率高达95%以上,完全满足实际的工程应用需求。相比基于阈值或规则进行硬性判断的传统虚假航迹识别方法,所提出的算法不仅提高了准确率,还具有较高的实时性,能够适应复杂多变的杂波环境,在实际应用中具有更强的适应性和实用性。因此,提出的基于SVM算法的虚假航迹识别方法对于密集杂波场景下的虚假航迹剔除问题具有显著的实际应用价值。     

基于迁移学习的无人机对地面目标识别研究

无人机对地面目标的识别精度受到数据集少和目标小的影响。传统深度学习需要大量有标注的数据集,限制了在具有小样本下的无人机对地面目标识别领域的应用。将迁移学习的方法用于卷积神经网络VGG16,并修改VGG16网络最后的3个连接层;同时利用单样本数据增强法将UC Merced数据集扩大到原来的8倍,对其进行验证和对比分析。实验结果表明,基于迁移学习的VGG16网络对地面目标识别的准确度可达97.62%,相较于未使用迁移学习的VGG16网络模型,整体提高了23.53%。并且在相同训练参数的设置下,模型比SqueezeNet、AlexNet、Inceptionv3、MobileNet-v2以及EfficientNetb0模型验证精度提高了3.63%～17.38%,收敛速度最快,可基本满足对地面目标的识别。     

物理启发的深度学习模型及其在热端部件散热中的应用

热端部件散热是众多空天设备的关键技术。表面温度分布是散热设计中用到的重要信息,常规的解析建模手段和机器学习方法均无法有效地表达此类高维信息。近年来兴起的图像深度学习算法是解决表面温度信息预测的有效手段。然而,现有的基于大数据的深度学习方法往往对于物理数据和小样本数据不适用,体现为泛化精度差、数据兼容性差、可解释性差。因此,有必要结合传热的先验知识发展物理启发的新型深度学习算法,以增强高自由度、高复杂度散热对象上的设计能力。本文基于卷积算子和有限差分求解方式的类比关系,提出了一种物理启发式的循环卷积神经网络。以横向出流的冲击冷却为例,开展了变计算域大小、变工况、变尺寸的批量数值模拟,获取了冲击冷却关键特征的小样本图像数据。进一步通过神经网络的训练,构建了多参数、大范围内有较好拟合能力的温度、传热系数、压力代理模型。研究结果表明,本文提出的物理启发神经网络模型,对于计算域大小没有限制,可以统一表达不同空间范围内获取的物理数据的共性规律。模型的各类超参设定均具有明确的物理意义,且与经典的微分方程求解理论有一定的类比关系,增强了神经网络调参的方向性。通过传热物理规律与黑箱模型的融合,本文实现了小样本多参数物理数据的共性建模。该方法可以迅速重构热端部件的高维分布信息,可服务于热端部件的快速分析设计以及优化。     

基于ARCN模型的轴承故障诊断

提出注意力循环机制与胶囊网络融合的注意力循环胶囊网络（ARCN）的诊断模型。提取时序特征信息构建初级胶囊;自适应融合路由机制、注意力循环机制构建数字胶囊特征;基于西储大学轴承实验数据,验证了ARCN模型的准确率、鲁棒性、稳定性、收敛误差,其准确率相比Caps模型识别准确率提高1.2%、收敛误差达到0.2。基于实验仿真平台,采集正常、内环故障、外环故障和滚动体故障的振动信号,并通过小波基变换获取的时频图构建ARCN模型的数据集。仿真实验结果表明:ARCN模型下,每类故障被误诊的概率不超过总样本的1%。      

基于卷积双向长短期记忆网络的轴承故障尺寸估计

基于振动监测数据的航空发动机滚动轴承损伤大小识别,对于研究滚动轴承故障演化、故障预测和故障诊断具有重要意义。针对传统模型对先验知识依赖性高、特征提取不充分、故障尺寸训练类别有限等问题,提出了一种基于深度学习的滚动轴承损伤尺寸预计方法,能够对训练过程中未出现的中间尺寸进行准确识别。在经典模型的基础上,搭建了一种深度卷积网络与长短期记忆网络组合模型,该模型可对轴承振动信号的多维特征与时序特征进行充分提取,实现轴承故障的智能和高效诊断。最后,利用滚动轴承加速疲劳试验机,进行了多种转速与损伤尺寸下的滚动轴承故障试验,基于试验数据进行了方法的比较,结果表明,该组合网络的在正常和加噪的情况下预测精度分别达到99.94%和98.67%,较单独的深度卷积网络、长短期记忆网络及其他模型精度更高,比较结果充分表明了本文所提方法的优越性。     

一种基于Deep-GBM的航空发动机中介轴承故障诊断方法

针对航空发动机中介轴承故障信号难于识别的特点，提出了一种深度梯度提升模型（Deep-GBM）对振动信号特征进行逐层学习以提高分类模型的准确率。开展某型航空发动机中介轴承故障模拟实验，并采用经验模式分解(EMD)方法对采集的振动信号进行分解，提取内蕴模式函数(IMF)分量非线性动力学参数样本熵作为原始故障特征。采用Deep-GBM对中介轴承内环故障、内环和滚动体综合故障、正常、滚棒剥落、滚棒划伤五种不同状态进行识别。实验结果表明，所提出的Deep-GBM故障诊断准确率达到87%，相对于传统的机器学习模型准确率最高提升了28%，并具有良好的泛化能力。      

改进的 YOLOv4在飞机蒙皮损伤检测中的应用

针对飞机蒙皮检测中存在的小目标检测欠佳、漏检等问题,提出了 1种基于增强特征融合和 ATSS的 YO. LOv4飞机蒙皮图像目标检测算法。首先,增加用于目标预测的大尺度浅层特征层,以提高模型对小目标的检测效果;其次,增加特征融合网络层数,通过浅层与深层特征层的深度融合,丰富多尺度特征图中的特征信息;然后,通过 K-means++聚类算法对数据集的真实框聚类,获得更具代表性的先验框尺寸,以提高预测框对目标的定位准确度;最后,引入 ATSS对 YOLOv4的样本选择策略进行优化,通过自适应获取最优的 IoU阈值,实现正负样本自动划分,提升模型的检测性能。实验表明,在增加少量计算成本的情况下,算法的检测性能得到有效提升,mAP提升 7.7%,检 测的准确率达到 80%以上。     

基于自适应采样的高超声速飞行器气动热全局快速预示

高超声速飞行器热防护系统设计中高精度气动热分析模型使得设计计算成本不断增加，基于数据驱动的气动热环境预示方法受到广泛关注。针对有限高精度模型计算成本下提升全局预示精度的问题，提出一种基于模糊聚类的批量自适应采样方法。根据预示误差分布特征通过聚类采用超球分割构建采样影响域，兼顾误差较大的重点采样域与全局探索；通过当地误差评分系数加权构建采样拒绝域，减小新增样本冗余；结合maxmin准则在综合确定的重点采样空间中新增样本，提升采样质量，进而实现预示模型全局精度快速提升。数值测试算例表明，所提方法与One-Shot、APSFC、CV-Voronoi方法相比能有效降低所需采样规模，加速提升预示精度。通过类HTV-2飞行器气动热快速预示实例，验证了方法的有效性与工程实用性。     

基于深度学习的航空器异常飞行状态识别

飞行设备快速存取记录仪(Quick Access Recorder,以下简称QAR)保留了原始航班各类重要飞行参数在内的航行信息,使研究分析航空器实时状况和保障飞行质量成为可能。针对QAR数据高维大样本的特点,在如今大数据背景下,除了传统机理建模分析航空器飞行状态外,采用深度学习的方式建立基于数据驱动的航空器飞行状态识别模型,理论与实用意义兼具。通过对真实QAR飞行数据的研究,开发了基于深度稀疏受限玻尔兹曼机的异常飞行状态识别程序。首先利用小波降噪技术对原始飞行数据进行预处理清洗,在一系列典型飞行参数上提取经典时域特征以及小波奇异熵等信息熵特征构成特征集。在此基础上,分别利用经典的线性主元分析技术和深度稀疏玻尔兹曼机对特征集进行有效降维,最后采用四折交叉验证方式,通过高斯过程分类器实现对飞行状态的辨识。实验结果显示,基于深度受限玻尔兹曼机-高斯过程分类的飞行状态识别具有较高分类准确性。     

结合深度学习的机械臂视觉抓取控制

针对基于视觉的机械臂抓取精确抓取的需求,考虑传统的视觉识别算法受环境、对象变化的制约且在识别正确率及快速性上存在的问题,在现有研究的基础上,提出了一种基于深度学习的目标精确检测与识别方法。首先基于深度学习改进了YOLO算法,通过对数据集的训练,基于英伟达Jetson TX1高性能处理单元实现了复杂环境下多目标的识别与定位,给出了目标的类别与位置等信息;以此为基础,结合利用Move It!功能包完成的机械臂运动轨迹的求解与规划,以及基于李群李代数建立的递推正逆动力学模型,设计了机械臂抓取控制的滑模控制律。仿真及实物验证表明,基于深度神经网络的方法学习到的特征对复杂背景具有较强的鲁棒性和稳定性;所设计的滑模控制算法在0.21 s时跟踪误差在2%,取得了较高的控制精度。可为后续视觉抓取任务提供参考。     

基于迁移学习的小样本目标识别研究进展与展望

在空、天、海等复杂环境下的目标识别任务中，高质量的样本数据往往较少。特别是在干扰对抗环境下，某些特定领域的目标信息获取困难，可靠的标注数据较少。小样本问题对深度学习技术在目标识别任务中的应用提出了新的挑战。迁移学习为小样本不确定环境下的目标识别问题提供了新的研究思路。本文针对小样本目标问题，以机载雷达等空天传感器信息对海面目标识别为例，介绍了迁移学习的主要思路和方法，对迁移学习在海面目标识别问题中的应用现状进展进行了总结；分析和归纳了迁移学习在海面目标识别应用中的主要挑战。最后对可解释性及鲁棒性的海洋目标识别技术需求及未来发展方向进行了展望。     

基于MTF-MSMCNN的小样本滚动轴承故障诊断方法

针对样本数量不足以及工况条件复杂导致故障识别精度低下的问题，提出一种基于马尔科夫转移场与多维监督卷积神经网络（Markov transition field and multidimensional supervised module convolutional neural networks, MTF-MSMCNN）的小样本滚动轴承故障诊断方法。采用MTF编码方式将一维滚动轴承信号转化为二维特征图像，使其保留时间相关性；提出多维监督模块（Multidimensional supervision module, MSM），在空间维度和通道维度监测重要故障特征并自适应赋予权重，提升模型捕捉关键特征的能力；将MSM嵌入到卷积神经网络中，构建出MSMCNN模型；通过试验构建复杂工况条件，将MTF图像输入到所提模型进行故障诊断，并运用两种数据集验证模型有效性。试验结果表明，MTF-MSMCNN在每类故障训练集样本仅有10个且在0 dB噪声污染下故障诊断精度依然可达90%左右，对比其他诊断模型，本文所提方法在小样本、变工况以及噪声干扰条件下具有更高的识别准确率、更强的泛化能力以及抗噪性能。     

基于1-DISVM的聚类模型及直升机齿轮箱故障诊断应用

针对当前故障诊断中存在的训练样本少、知识难获取的问题,结合SVM小样本学习的特点,提出一种基于SVM的自学习聚类模型。通过改进无监督1-SVM算法上的不足,形成一种改进决策1-SVM(1-DISVM)算法,由此构建了多模式训练与分类算法,并设计出基于1-DISVM的自学习聚类模型。最后对其进行仿真验证,并应用于直升机齿轮箱的故障诊断,结果表明该方法能从少量样本中自学习输入模式的内在规律,自适应地对未知故障模式进行准确地分类识别。     

基于深度神经网络的超声速隔离段湍流涡黏性系数辨识

雷诺平均Navier-Stokes(RANS)方程由于计算成本较低，当前仍然在工程设计领域广泛应用。为了进一步提升计算精度和减少时间，应用深度神经网络（deep neural networks, DNN）方法自适应辨识稳态湍流涡黏性系数。以隔离段的激波串前缘位置检测流场生成为例，使用Wilcox-2006 k-ω湍流模型进行模拟。在不同的背压情况下，产生稳定状态的湍流涡黏性流场作为模型学习的训练数据集。最后在不同背压条件下开展了测试。结果表明：提出的DNN方法能够快速预测湍流涡黏性系数的值，预测值与计算流体力学数值模拟计算的参数值相比，方均根误差较小，可决系数大于99%，预测的流场结果与真实流场基本一致，进一步验证了深度学习技术在湍流模型参数辨识的可行性。