量子超球神经网络在振动故障检测中的应用

提出了一种基于量子超球神经网络的液体火箭发动机振动故障检测方法,采用可变量子超球代表发动机工作模式,自然地提供了反映故障程度的概率幅;网络的离线学习算法可以从训练样本中自动提取发动机振动知识,监测算法不仅能正确预报故障,还能在线学习新的振动信息。试验数据检验结果表明：量子超球神经网络可以成功用于液体火箭发动机振动故障检测。     

一种基于迁移学习的遥测数据异常检测方法

为解决卫星遥测数据异常检测面临的数据不平衡且缺乏有标签样本的问题，提出一种基于一维卷积神经网络(1dCNN)迁移学习的异常检测方法。首先利用源域卫星的遥测数据对1dCNN进行预训练，使得模型的卷积层具有卫星状态特征的提取能力；然后将训练好的模型迁移到缺乏标签数据的目标域卫星中；利用目标域有标签样本对预训练模型进行微调，从而实现了对目标域测试集样本的异常检测。为了使1dCNN能够适应遥测数据样本的不平衡性，引入了代价敏感训练策略，建立动态损失函数，从而提升代价敏感一维卷积神经网络(cs 1dCNN)对于异常样本的识别能力。以某两个卫星的电源分系统遥测数据进行了验证，实验结果表明该异常检测迁移方法具有较好的有效性和鲁棒性。     

结合邻域聚类分割的高光谱图像异常检测支持向量数据描述方法

支持向量数据描述方法在高光谱图像小异常目标检测中具有较好的检测性能,但是待检异常的几何形状受到约束和背景的选择具有盲目性影响检测效果,且检测需要对整幅图像进行遍历导致计算量大。提出邻域聚类分割和支持向量数据描述相结合的异常检测方法,首先利用邻域聚类方法分割图像,将几何尺寸小的分割块作为潜在异常目标;其次选择与潜在异常的形状和大小相适应的背景窗进行背景像元收集;最后采用SVDD方法从潜在异常中快速且准确地检测出异常目标。对HYMAP图像的实验结果表明,该算法提高了复杂地物背景下异常的检测性能,降低了SVDD用于高光谱图像异常检测的计算量。     

遥感场景分类的批处理协方差神经网络方法

针对卫星遥感图像场景分类数据集中存在的局部区域特征异常问题，提出一种采用批处理协方差层的神经网络(CovNN)模型进行遥感场景分类的方法。该方法通过计算全输入通道的局部区域均值实现一种3D批处理协方差算法，能够有效消除局部区域均值的影响，从而更好地处理局部光照过强和局部区域存在无关特征的问题。将其应用于存在局部光照异常和局部无关特征问题的卫星采集AID数据集和NWPU RESISC45数据集中，实验表明CovNN在两个数据集上均取得了超过现有卷积神经网络(CNN)的召回率，可有效降低图像局部区域特征异常的不利影响。     

基于BP神经网络的磁悬浮飞轮控制

针对磁悬浮飞轮控制对鲁棒性、低功耗及不平衡振动抑制等要求,提出BP神经网络直接控制方法。设计了两层结构BP神经网络控制器,基于磁轴承电磁力方程推导网络权值更新算法,实现了神经网络的在线训练。仿真表明,控制器权值更新算法对环境变化适应能力强,训练成功率高;BP神经网络控制器具有起浮迅速、抗干扰能力强、功耗低等性能,并具备不平衡振动抑制能力。结果表明BP神经网络控制器满足磁悬浮飞轮控制要求,具有可行性和有效性。     

液体火箭发动机基于ATA算法的实时故障检测与报警系统实现

以平台液体火箭发动机为研究对象,改进和完善了用于发动机实时故障检测的自适应阈值门限算法（ATA算法）,提高了算法检测的适用性。然后,从健康监控系统的功能和要求出发,基于LabWindows／CVI实现了发动机地面试车的实时故障检测与报警系统。结合实际试车数据的检测结果表明,系统不仅能够及时地对异常试车数据进行检测报警,同时,对正常试车数据也没有误报警。     

基于视觉显著性和卷积神经网络的机场目标快速检测

针对现有的机场目标检测算法用于大幅面遥感图像时检测速度慢、准确率低的问题,文章提出了一种基于视觉显著性和卷积神经网络相结合的高效、精确的机场目标检测方法。首先,根据机场形状特征,采用基于直线分布特征的视觉显著性检测方法提取候选区域,对机场的可能位置进行粗定位;然后,设计了一种改进的卷积神经网络分类模型判断候选区域是否为机场;最后,使用非极大值抑制的方法去除冗余的预测框,获得最终的检测结果。利用从谷歌地球收集的图像数据集对该神经网络模型进行训练和测试,结果表明其在精准率和召回率上均具有较大优势。此外,文章所提算法在来自不同卫星平台的大量大幅面遥感图像上进行了机场目标检测,结果显示其适应性强且检测效率有大幅度提升。     

基于LSTM-ResNet模型的时变结构损伤检测

面向火箭结构健康监测，提出了一种基于深度学习的损伤检测方法，直接将多个通道的振动数据作为输入，并基于由长短时记忆网络LSTM（Long Short-Term Memory Networks）和残差卷积神经网络ResNet（Residual Convolutional Neural Networks）组合而成的LSTM-ResNet网络进行损伤识别。其优点在于，首先利用LSTM提取信号的时间依赖特征，减轻了由某些通道信号缺失带来的影响，再利用ResNet在不损耗特征的情况下进一步提取空间特征，提高了训练效率和损伤辨识准确性。通过充液圆筒振动放水实验模拟火箭飞行状态下的燃料消耗，并基于自主构建的数据集和公用数据集对LSTM-ResNet、LSTM、ResNet以及ResNet-LSTM网络进行了训练，训练结果表明，LSTM-ResNet组合网络无论在传感器是否存在故障的情况下都具有更好的性能，损伤检测精度更高。     

GEO卫星太阳电池阵输出电流拟合算法研究

通过对在轨GEO卫星大量遥测数据的分析,综合分析太阳电池阵输出电流与太阳入射光强等主要影响因素之间的量化关系,得到的太阳电池阵输出电流拟合公式适用于太阳电池阵的异常检测,且其相对误差较小(约为3%)。该拟合方法可用于GEO卫星的在轨管理工作,并为太阳电池阵异常检测及预警提供参考。     

机床主轴承多源信息融合故障诊断

针对机床主轴承的故障诊断,为解决传统方法仅由单一传感器数据分析准确性低的问题,提出基于主元小波包、递归神经网络以及振动及噪声信号多源数据融合的轴承故障诊断方法,实现对锻压机床主轴承的故障诊断。将振动及噪声传感器采集的信号,经主元小波包处理提取特征值,再利用递归神经网络进行局部故障诊断,得到不同传感器对轴承故障互相独立的故障证据,然后采用基于数据修正D-S证据理论将振动及噪声诊断结果融合,发现基于递归神经网络及数据修正D-S证据理论的诊断方法。该方法解决了单一传感器的不稳定性和局限性以及传统D-S证据理论冲突证据失效的问题,使故障诊断具备容错能力,提高了传统故障诊断的精确度。     

基于卷积神经网络的运载火箭测发网络流量异常检测技术

运载火箭测发网络是维系各型号运载火箭远距离测试及发射控制的重要国防基础设施,对测发网络流量进行异常检测是保证其正常工作的关键举措。近年来,随着测发网络功能的拓展,其面临的网络安全威胁越来越严重,而当前的安全检测主要依赖于基于异常特征库匹配的流量异常检测方法,这种检测方法对一些新型攻击检测能力非常有限。本文结合运载火箭测发网络实际特点,针对以使用用户数据报协议(UDP)为主的测发网络流量,设计一种新的基于固定数据包数目的流量图片样本生成方法,首次提出在测发网络流量异常检测问题上使用卷积神经网络,以原始网络流量作为输入,避开难以解决的人工特征集设计问题。通过测发网络真实网络流量数据进行实验,取得了较高的精度、召回率和准确率,验证了本方法具备一定的实用性。     

面向卫星电源系统的一种新颖异常检测方法

面向卫星电源高维周期性时序遥测数据，提出了一种新颖的代表性特征自编码器（RFAE）模型，并用于无监督的异常检测。RFAE采用改进的堆叠自编码器损失函数和训练算法，从而使模型可以学习到相位相同样本的代表性特征；然后根据代表性特征重构样本，根据重构误差来判断样本是否异常。在试验部分首先通过模拟数据校验了RFAE算法能够有效地检测出高维周期性时序数据的异常，然后又采用某卫星电源系统2014年1~12月真实遥测数据进行试验，RFAE异常检测准确率达到99%，检测效果明显优于目前的其他异常检测算法，具有较高应用价值。     

基于深度卷积神经网络的遥感影像目标检测

随着遥感影像数据规模的快速扩张,如何高效准确地识别遥感影像中的典型目标成为当前的研究热点。为解决传统遥感影像目标检测方法准确率低的问题,用基于深度卷积神经网络进行遥感影像目标检测,在遥感影像数据集上用基于Faster-RCNN的神经网络模型对VGG16卷积网络进行训练,对输入的遥感影像通过区域推荐网络标注出待检目标的包围框和置信度,实现对遥感影像的目标检测。以飞机和油罐为例,在TensorFlow深度学习框架下实现了数据预处理、网络训练、目标检测等功能,并在当前测试数据集上取得了较高的检测准确率和置信度。该研究成果可应用于遥感影像解译和处理等相关领域。     

融合注意力机制的航天器重建信号异常检测

针对航天器遥测数据异常检测时先验知识缺失、难以进行有监督条件下机器学习的问题,提出一种融合注意力机制的航天器信号智能异常检测算法。首先,通过注意力机制捕捉航天器遥测数据长距离特征,分析注意力关系矩阵为异常溯源提供指导。其次,采用堆叠自动编码器压缩数据维度并基于此重建输入信号,利用输入信号与重建信号间的残差获取误差重构序列。然后,基于窗口阈值法标记误差重构序列异常索引,实现航天器遥测信号异常检测。最后,通过多通道航天器遥测信号算例验证算法在提高航天器遥测信号异常检测性能与可解释能力的有效性。     

基于最小熵约束的可解释卷积神经网络

导弹武器系统上的光学探测算法要求具备高可靠性,卷积神经网络属于"黑盒"模型,本文提出一种基于最小熵约束的可解释卷积神经网络,为卷积神经网络模型在导弹武器系统上的应用创造条件.该方法通过传统方法(连通域检测、边缘检测等)找到图片中存在可解释特征,通过模型对可解释特征进行评分,聚类,并通过这些特征对原模型训练提供约束,在最终预测的同时,通过评分对模型给出解释.经实验验证,该方法能够在尽量保证模型分类性能的前提下,极大提高模型的可解释性.     

多舱段航天器振动基频分配速算方法

多舱段航天器在研制阶段初期面临着如何分配各舱段基频以及确认基频分配方案是否满足运载火箭方要求的问题,但在这个阶段各舱段的设计尚未定型,建立航天器三维有限元模型缺少必要的输入且时间成本较高,无法满足设计迭代和优化的需求。文章采用多段杆模型模拟航天器的纵向振动特性,采用多段梁模型模拟航天器的横向振动特性,基于基频等效原则建立航天器舱段设计参数与梁杆模型参数的数学关系,分别推导多段杆和多段梁的振动频率方程,提出多舱段航天器振动基频分配速算方法。通过某月球探测器三维有限元模型模态分析数据和力学试验数据验证了该方法的有效性。所提出的方法可用于验证基频分配方案的正确性,并为开展设计优化提供了途径。     

关于静不稳定导弹自动驾驶仪设计的若干问题

讨论用于静不稳定弹体的自动驾驶仪的设计原理和控制特性.适当选择阻尼回路的参数能使静不稳定弹体可稳定并可控制.使用静不稳定弹体能显著提高导弹的过载能力,过载能力随弹体不稳定度的增加而增加,但放宽静不稳定度有一定的限度.静不稳定弹体自动驾驶仪要求其阻尼回路的传递系数足够大,时间常数比较小,并且还要求舵机有足够大的输出功率和响应速度.     

基于自适应带通滤波的航天器正弦扫频试验数据处理方法

为解决传统STFT(Short Time Fourier Transform)方法因非同步采样引起频谱泄漏,造成频域曲线幅值降低,产生较大误差的问题,提出一种基于频域带通滤波的数据处理方法,通过在频域逐次移动带通滤波器的中心频率,获得信号中各个频率分量幅值的最大值。利用该方法对某载人航天器搭载的力学参数测量系统在整器正弦振动试验中采集的数据进行频谱分析,结果表明,该方法可有效获取力学参数测量系统各测点的频率幅值曲线,减少传统STFT方法产生的能量泄漏的影响。研究成果也可用于不依赖振动控制仪或无COLA通道的数据采集系统正弦振动试验的数据处理。     

应用自适应滑动窗口的卫星模拟量遥测数据跳变检测方法

提出一种应用自适应滑动窗口的卫星模拟量遥测数据跳变检测方法,针对卫星模拟量遥测数据特性,设计一种低计算量、简单易行的滑动窗口机制,并结合指数平滑方法处理遥测数据,根据遥测数据的局部波动情况自适应调整滑动窗口的检测灵敏度,通过组合滑动窗口实现对模拟量遥测数据的跳变检测、拐点检测和噪声检测,提高跳变信息检测的正确性。通过对某导航卫星热试验期间的真实遥测数据进行计算分析,验证了所提方法的正确性。该方法不依赖先验模型知识和标签数据集,具备可量化、低虚警、计算简易及适用性广的特点,可用于地面测试和在轨运行过程中的实时数据判读。     

基于神经网络的非线性结构有限元模型修正研究

现有的动态有限元模型修正方法几乎都是建立在线性假设基础之上，修正中利用固有频率等线性系统特征量。工程中，真实的结构振动系统都是非线性的。虽然在许多情况下，线性化假设获得的结果能够较为准确地反映真实系统的特性。但是，在结构的非线性特征较为明显时，必须考虑非线性因素，这时，现有的模型修正方法将不再适用。现以非线性梁为研究对象，采用基于神经网络的修正方法探索了非线性结构的有限元模型修正问题。仿真研究中利用有限元分析的响应数据训练神经网络。修正结果表明，包括非线性弹簧刚度系数在内的三个设计参数修正后误差均在1％以内。说明基于神经网络的有限元模型修正方法适用于解决非线性结构的有限元模型修正问题。