基于动态增添法的DBN滚动轴承故障诊断

针对深度信念网络(DBN)层数的不确定性而导致故障诊断精度不高的问题,提出了一种基于动态增添算法的DBN诊断方法。首先通过动态增添算法确定隐含层层数,之后按照逐层递减原则,设置模型的隐含层神经元节点数目;并以滚动轴承为研究对象,通过分析其训练样本与测试样本的分类误差曲线,来表明基于动态增添算法的DBN方法对滚动轴承故障的诊断精度,并针对不同深度DBN模型的诊断性能进行对比,证明了本方法在滚动轴承故障诊断方面优势明显。     

LLE算法的模态识别及影响因素研究

局部线性嵌入算法(LLE)是一种实现对高维数据降维的流形学习算法,可基于结构响应数据进行模态参数识别,算法的噪声敏感度和稳定性对参数识别精度具有重要影响。本文以一块复合材料板为研究对象,利用LLE算法对其振动响应数据进行降维处理从而实现模态识别,重点分析了该算法的噪声敏感度和其在不同采样频率下的流形特征稳定性,同时利用模态置信准则(MAC)衡量LLE算法提取得到的振型与有限元振型的相关性。结果表明,利用LLE算法识别的模态参数具有较高的精度,且LLE算法具有较强的抗噪声干扰能力,采样频率对LLE算法的影响与采样定理相一致。     

基于时频图和CNN的滚动轴承故障诊断

针对传统轴承故障诊断方法泛化能力差,提出了一种基于时频图和卷积神经网络(CNN)的滚动轴承故障诊断方法。首先,对振动信号进行短时傅里叶变换,构造时频图;然后,将训练信号的时频图作为卷积神经网络的输入,训练网络模型;最后,将测试信号的时频图输入网络模型,实现对滚动轴承的故障状态识别。通过美国凯斯西储大学的开放数据集进行多组验证实验,结果表明该方法能够有效的判断轴承是否存在故障,并且能够识别故障类型,准确率可以达到97.63%以上。     

一种新的模态置信因子

如何确切地鉴别噪声模态是模态参数Ibrahim时域识别法实用中的主要障碍之一。本文提出一种新的模态置信因子——“模态幅值因子”(MAF)来改善这一状况。计算机模拟试验结果表明效果良好。此外,它还能指示自由振动数据中各模态分量和噪声分量的能量分配关系;给出系统模态识别精度的估计和处置方案的提示。这将有助于这种识别技术的实用化。     

基于SVM方法的APU故障预测方法

针对辅助动力装置(Auxiliary power unit,APU)故障预测时,仅基于快速存取记录器(Quick access recorder,QAR)数据存在实时性欠缺或精度不足的问题,提出了基于实时报文数据的APU故障预测方法。首先,对报文所采集的数据进行预处理,将每次航班的报文数据规整为一条数据集;其次,从参数阈值、维修记录及APU序列号变化情况等角度对数据集进行标注工作;随后,针对特征选择算法具有较差解释性的缺点,提出通过相关性分析选取能够表征APU运行性能的参数;最后,建立基于支持向量机(Support vector machine,SVM)的多参数故障预测模型并优化。经验证,该模型提高了预测正确率,为APU视情维修策略的制定提供参考。     

基于深度学习的离港航班延误预测模型研究

为了对离港航班延误进行有效预测,在融合航班数据和气象数据的基础之上,提出一种基于深度学习的离港航班延误预测模型。针对航班延误数据集的非平衡特性,提出利用焦点损失函数来减轻非平衡数据集对模型的影响;针对小数据集时模型预测效果不佳问题,提出了一种简单的数据集增强方法,在一定程度上提高了模型的预测精度。以成都双流机场的相关数据对模型进行仿真实验,结果表明模型可以达到85%以上预测精度,具有一定的实际价值。     

基于轻量级卷积神经网络的人证比对

在证件审核场景中,常规的深度学习人脸识别方法人证比对精度低且在嵌入式设备运行效率差。为解决上述问题,本文提出了改进的轻量级卷积神经网络Lightnet,并采用了迁移学习方法。Lightnet是结合深度可分离卷积、线性瓶颈结构和注意力模块构成的轻量级卷积神经网络模块,引入附加角度裕量的损失函数AM-Softmax监督训练后,网络模型能够保持较高的验证精度,并有效解决标准卷积神经网络参数冗余、计算量大的问题。迁移学习通过冻结预训练模型的卷积层权重,并在自制的人证数据集微调,提高了网络模型的人证场景的识别性能。实验结果表明,所设计的轻量级人证比对算法在验证精度、参数量以及运行效率等方面取得了很好的效果,且对生活场景有较好的鲁棒性。     

采用模糊RBF神经网络的直升机旋翼不平衡故障诊断

提出一种利用模糊径向基函数(Radial basis function,RBF)神经网络进行直升机旋翼不平衡故障诊断的方法,建立了用于直升机旋翼不平衡故障识别的模糊诊断模型。基于直升机旋翼不平衡故障模拟实验,对采集于旋翼配重不平衡、桨距不平衡、后缘调整不平衡和正常状态下的试验台体振动信号进行功率谱分析,并采用主分量分析(Principal component analysis,PCA)的方法进行故障特征提取。采用模糊RBF神经网络诊断模型对旋翼不平衡故障进行了故障分类识别,同时分析了不同主分量累计贡献率和模糊子空间对故障分类精度的影响,并与RBF神经网络的诊断模型、支持向量机(Support vector machine,SVM)诊断模型进行了故障识别效果对比。结果表明,模糊聚类RBF神经网络的诊断方法对旋翼不平衡故障具有更好的识别能力。     

基于熵权-TOPSIS法的货运航线网络设计研究

本文提出了一种轴辐式货运航线网络设计的方法。运用聚类分析(K-Means)进行枢纽机场选址,以枢纽机场间多重连接的方式,建立无机场容量限制的轴辐式货运航线网络优化模型,运用枚举法求解最终得到一个较为合理的货运航线网络。其中为提高聚类精度,引入熵权-TOPSIS法对数据进行处理,通过对TOPSIS评价数据进行聚类得到精度较高的聚类结果,实验表明基于熵权-TOPSIS的聚类分析较传统的聚类分析降低了运输成本。     

改进相似性度量的谱聚类算法

传统的谱聚类算法通常利用高斯核函数作为相似度函数,由于算法对核参数非常敏感,且难于确定一个合适的尺度参数。为解决该问题,通过改进相似度函数,给出了谱聚类算法。在人工数据集和UCI数据集上的仿真实验表明,该算法提高了聚类的准确度,提升谱聚类算法的性能。     

机翼带外挂颤振模型模态试验与参数识别

本文介绍了带外挂风洞颤振模型模态试验与参数识别方法。重点放在如何提高结果的可靠性和精度上。利用我们研制的识别程序,在通用计算机上识别了前九阶模态的全部模态参数。采用了四种数据检验手段以保证试验数据和识别结果的可靠性与精度。     

基于深度神经网络的飞机结冰冰形预测模型（英文）

结冰是威胁航空飞行安全的重要因素,适航条例要求需要根据不同结冰工况开展结冰安全评估。由于飞机结冰过程十分复杂,快速预测结冰冰形仍是当前面临的重要挑战。基于深度置信神经网络(Deep belief network,DBN)及栈式自动编码器(Stacked auto-encoder,SAE)深度神经网络建立了一种高效的飞机结冰预测模型。在完成网络结构详细设计的基础上,利用结冰数值计算方法构建的冰形样本空间,实现神经网络训练。以NACA0012翼型为研究对象,开展了冰形预测研究。结果表明:构建的预测模型能够准确地捕捉飞机结冰过程中的非线性行为,进而实现冰形的高准确度预测。预测模型为飞机结冰分析提供了一种有效的方法。     

SA-FRCNN：一种改进的机场停机坪目标检测方法（英文）

机坪场景下包含丰富的空间位置关系上下文信息。传统目标检测器往往只关注单一的视觉外观而忽略上下文信息;此外机坪数据集中部分类别识别准确率较低。针对上述问题,提出一种改进的机场停机坪目标检测方法,称为SA-FRCNN。该方法利用图卷积网络来捕获机坪场景下目标间的相对空间关系,将空间位置关系上下文融入模型生成空间感知特征;在特征提取过程中引入注意力机制,聚焦机坪目标的空间位置和关键特征;使用距离交并比损失实现目标更精确地回归定位。实验结果表明,SA-FRCNN方法在机坪数据集上目标检测均值平均精准度达到95.75%,部分较难检测类别的检测效果提升显著;有效提高机坪目标检测的准确性,较其他方法具有领先优势。     

基于图像特征分类和RBF网络的两轴车辆动态称重技术

汽车在行驶过程中的总重信号通常由各轴重信号确定,各轴重信号的测试精度取决于对车辆运动参数和振动信号等的精确分析。本文采用径向基函数(Radial basis function,RBF)网络处理轴重信号,针对该网络的泛化能力与拟合精度的矛盾,将车辆按照重量分为大、中、小3种类型,并进行整车建模和网络训练;实际测试过程中,利用汽车俯视图像提取类型特征,然后根据汽车的类型将测试参数输入不同的神经网络进行处理,以静态测量结果为相对真值。仿真结果表明,分类建模比单一混合建模具有更高的测试精度。     

传感器饱和约束下网络化系统的故障检测

针对通信带宽受限和传感器饱和约束的网络环境,通过引入一种基于事件触发机制的传输策略,研究一类网络化动态系统的故障检测问题。首先,以全阶滤波器作为残差发生器并利用状态增广的方法将原系统故障检测问题转化为H∞滤波问题;然后,利用Lyapunov稳定性理论和时滞系统自由权阵分析方法建立了故障检测滤波器的存在条件,并基于此条件求解凸优化问题得到最优滤波器参数;最后,通过数值仿真验证所提出事件触发机制故障检测方法的有效性。     

具有两条裂纹的转轴刚度特性分析及应用

基于断裂力学理论,采用应变能释放率的方法得到具有两条裂纹的转轴在受到两垂直剪力作用下的附加柔度矩阵和刚度矩阵,分析了转轴上裂纹的张开程度、裂纹深度、裂纹夹角等参数的变化对其在两剪力方向上的刚度及耦合刚度的影响。以具有两条不同裂纹夹角的转子系统为例,介绍了转轴刚度矩阵在裂纹转子故障诊断上的应用。研究结果表明:采用该方法得到的不同裂纹参数下的转轴刚度矩阵精度较高,将其应用到转子的故障诊断中可以清晰的反映出转子的故障特征,从而有效的实现转子裂纹故障诊断。     

一种基于粗糙集理论的粗糙神经网络构造方法

提出在BP神经网络中使用粗糙集理论网络的设计，由于粗糙集理论有强大的数值分析能力,而BP神经网络具有准确的逼近收敛能力和较高的精度，所以通过两者的结合，可以得到一种可理解性好，计算简单，收敛速度快的神经网络模型，这种神经网络的算法的主要过程为：首先利用粗糙集能力去发现给定数据集的一些规则，然后根据这些规则构造神经网络稳含层的神经元个数，最后用BP算法迭代求了网络的各种参数，完成网络的设计，本文最后给出了一个三维非线性函数的实例进一步验证了网络的正确性。     

基于时间序列数据挖掘的旋转机械故障预报

提出一种基于时间序列数据挖掘的故障预报新方法。把故障前兆因子作为一种暂态,根据旋转机械轴承振动的实验数据建立时间序列．利用时延嵌入的方法重构状态空间,在状态空间中使用遗传算法搜寻最优暂态束．组成暂态集。用暂态集对旋转机械轴承振动的测试数据进行分析．判断是否为故障前兆因子．从而实现故障预报。     

过渡状态倾转旋翼气动力模拟的高效CFD方法

为显著减少倾转旋翼过渡飞行时气动力CFD模拟的计算代价,提出并建立了适合倾转旋翼过渡状态气动特性分析的高效混合CFD方法。首先,提出了适合于过渡状态模拟的嵌套网格系统,并发展了相应的挖洞和贡献单元搜寻方法。在此基础上,结合叶素理论和动量理论建立了旋翼气动力模拟的简化虚拟桨盘模拟方法(Virtual rotor model,VBM)。为了能够分析倾转旋翼气动力的细节特性,多层运动嵌套网格系统和单指令多数据流(Single program multiple data,SPMD)并行技术被引入来建立精确的旋翼模拟方法(Real blade model,RBM)。然后,通过将VBM和RBM方法结合,构建了适合倾转旋翼过渡状态气动特性分析的高效(Hybrid blade model,HBM)方法。最后,通过对有试验值对比的悬停状态典型旋翼和7A旋翼分别验证了VBM和RBM方法的有效性。分别采用3种方法预测了过渡状态不同倾转角下旋翼的气动特性,VBM表现出最优的计算效率,能用于倾转旋翼总体气动性能的分析。HBM方法在保证流场求解精度的基础上,相对于高精度的RBM方法节省了1/3的计算时间。     

基于多噪声数据训练CNN的自动倾斜器滚动轴承故障诊断

针对传统卷积神经网络(Convolutional Neural Network,CNN)在直升机自动倾斜器滚动轴承噪声环境下诊断效果不佳的问题,提出一种基于多噪声数据训练CNN的自动倾斜器滚动轴承故障诊断方法。该方法首先在原始振动信号中随机添加不同大小的高斯白噪声,然后利用小波变换方法构造不同噪声下的时频图,最后利用CNN对不同噪声下的时频图进行故障分类。利用课题组和美国凯斯西储大学的公开轴承数据集开展真实诊断实验,结果表明,与传统CNN相比,极大地提高了在噪声环境下的故障识别率。