质量控制图智能识别中样本数据的预处理

神经网络在质量控制图的异常模式识别应用中,小参数样本之间的模式特征在强随机干扰下差别不明显,易造成误判。本课题采用了两种样本数据的预处理方法--模糊化处理和指数加权滑动平均(EWMA)处理,可明显改善小参数异常模式的被识别能力。     

控制图异常模式参数估计的神经网络方法

对质量控制图的异常模式进行参数估计可进一步揭示加工过程潜在的质量问题。本文提出了一种基于SLFM网络的参数估计方法 ,可对异常模式的参数进行有效估计。数字仿真表明 ,该网络训练速度快、估计的精度高 ,且有很强的可塑性 ,适用于控制图异常模式的在线实时参数估计。     

难加工材料切削状态的识别——模式识别技术的应用

本文介绍模式识别技术在难加工材料切削状态识别中的应用,这是实现适应性控制的第一步。根据切削试验中切削力随机信号处理的结果,可以看出在自相关图和自功率谱图与切削现象之间存在着内在联系。在此基础上分别建立了有无积屑瘤以及将切屑分成三类的判别函数。利用这些判别函数来识别切削状态的结果表明,模式识别技术在切削加工中的应用是成功的。     

基于模糊模式识别的电力远动通道监控系统

分析了电力远动通道监控系统的现状,为解决其不足之处提出了一种电力远动通道监控的新方案.采用了一种基于模糊模式识别的综合评判远动通道通信质量的方法来实现对远动通道的监控,并详细论述了方案中模糊模式识别模型的建立,同时给出了系统的实现方案.在实际应用中表明,该系统能够有效地解决目前监控系统存在的不足,为电力远动通道监控开辟了新途径.     

基于装配过程的关键特性识别与控制方法研究

基于关键特性的质量控制技术是一种先进的质量控制方法,该方法通过对下层关键特性进行监控,间接地保证产品的质量.在装配误差积累传递分析的基础上,研究了装配关键特性定性分析和定量识别方法,再结合统计过程控制理论,开发了关键特性识别与控制系统软件.该软件在某型号飞机应急门装配应用中,能够准确快速地识别关键特性,并有效地进行控制分析.     

基于AMSAA模型的系统可靠性评估方法研究

针对航空机载设备可靠性增长试验数据不规则的特点,在AMSAA模型的基础上提出了识别异常点的AMSAA模型与处理截断数据的AMSAA模型,并给出了模型拟合优度检验方法。经实例验证表明,识别异常点的AMSAA模型可以在给定置信度下识别出异常点并排除异常点对瞬时MTBF（平均故障间隔时间）极大似然估计值的干扰;截断数据的AMSAA模型能够利用被截取的部分数据,得到准确的瞬时极大似然估计值。     

一种改进的快速全天星图识别算法

针对三角形算法中模式识别率低、易造成误识别的问题,提出了一种改进的三角形算法。 首先,该算法通过对全天区导航星进行筛选,缩小星库存储空间;同时,在识别过程中对找到的三 边角距集合采用设置状态标识的方法,加快对探测星三角形的识别速度;在三角形匹配识别结果 不唯一时,引入其他观测星进行验证,确定唯一的匹配对应;在识别结束后,应用投影验证检验识 别结果。仿真结果表明,该算法能够有效地节省存储空间,缩短全天星图识别时间,与传统的三角 形算法相比具有较大的优势。     

抗差自适应分步滤波算法在PPP/INS组合导航中的应用

针对常规抗差自适应滤波算法在PPP/INS组合导航应用中存在难以准确识别和分离观测粗差及运动异常对定位结果影响的问题，基于分类因子自适应滤波原理,提出了一种抗差自适应分步滤波算法。该算法首先执行第一步滤波,对状态模型异常信息进行隔离，仅对观测粗差进行诊断和抗差处理；然后在第一步滤波的基础上，执行第二步滤波，对状态模型异常进行诊断和自适应处理。算法分析表明，抗差自适应分步滤波算法可以准确地识别和分离观测粗差和运动异常扰动。实验结果表明，抗差自适应分步滤波算法能够进一步增强滤波算法抵抗观测粗差和运动异常扰动对滤波结果的影响，提高PPP/INS组合导航系统定位结果的稳定性和可靠性。     

基于模型的双转子-支撑系统快速故障识别方法

建立了双转子-支撑系统的有限元模型,模拟了质量不平衡故障和局部轴弯曲故障下的振动信号.根据有限元模型,提出了基于模型的双转子-支撑系统故障识别方法,依次通过单一故障遍历、双故障遍历和三故障遍历方法,实现了故障快速准确识别.仿真结果表明:该方法能够准确识别单一故障和多故障,同时确定故障发生的位置、严重程度和相位情况,优化了故障识别过程,理想情况下减少了98.9%的计算量,加快了故障识别的速度.此外,比较了添加了不同信噪比噪音信号的诊断结果,诊断结果相对误差控制在1%左右,表明该方法具有良好的抗噪声干扰的能力.      

基于声发射的铝蜂窝板超高速撞击损伤模式识别方法

为通过声发射技术识别铝合金蜂窝板超高速撞击(HVI)的损伤状态,提出一种基于神经网络的损伤模式识别方法。通过超高速撞击实验获取声发射信号,结合精确源定位技术、时频分析技术、小波分析技术及模态声发射技术,提出了10个与损伤相关的特征参数,通过非参数检验分析其与损伤的关系,设计了一种基于贝叶斯正则化BP神经网络的超高速撞击损伤模式识别方法。建立最优网络模型,通过不同参数组合识别能力分析,优选出2种特征参数组合,通过非同源样本对其损伤模式识别能力进行验证。结果表明:传播距离与损伤模式无关,却是识别损伤模式的重要参数;125~250kHz频域的自动加窗小波能量比会降低损伤模式的识别能力;采用贝叶斯正则化的BP神经网络可以较好地识别蜂窝板超高速撞击损伤模式,参数组合为传播距离、上升时间、持续时间、截止频率、4个自动加窗小波能量比及小波能量熵,共9个参数,对任意选取非同源样本识别错分率仅为9.38%。     

面向问题的稀疏分布式记忆模型

在Kanerva所提出的稀疏分布式记忆(SDM)或存贮模型的基础上,为实现对特定类问题的大维数输入空间的模式识别,如汉字识别,脸谱辩认等,根据问题的具体情况,诸如汉字的频率分布等,提出了一个面向问题的稀疏分布式记忆模型。改进后的模型更符合实际应用,其中的学习规则采用了指数型记忆规则,使模型具有更高的信噪比,存贮容量亦大大提高。计算机模拟表明了这一点。     

Weighted marginal fisher analysis with spatially smooth for aircraft recognition

Due to limitations to extract invariant features for recognition when the aircraft presents various poses and lacks enough samples for training, a novel algorithm called Weighted Marginal Fisher Analysis with Spatially Smooth （WMFA-SS） for extracting invariant features in aircraft rec- ognition is proposed. According to the Graph Embedding （GE） framework, Heat Kernel function is firstly introduced to characterize the interclass separability when choosing the weights of penalty graph. Furthermore, Laplacian penalty is applied to constraining the coefficients to be spatially smooth in this algorithm. Laplacian penalty is able to incorporate the prior information that neigh- boring pixels are correlated. Besides, using a Laplacian penalty can also avoid the singularity of Laplacian matrix of intrinsic graph. Once compact representations of the images are obtained, it can be considered as invariant features and then be performed in classification to recognize different patterns of aircraft. Real aircraft recognition experiments show the superiority of our proposed WMFA-SS in comparison to other GE algorithms and the current aircraft recognition algorithm; the accuracy rate of our proposed method is 90.00% for dataset BH-AIR1.0 and 99.25% for dataset BH-AIR2.0.     

航空发动机故障的支持矢量机智能诊断

引入支持矢量机和多元分类算法到航空发动机故障诊断当中。通过设计的多元分类支持矢量机构建了小样本多参数航空发动机故障智能诊断模型，然后通过发动机故障仿真器对典型发动机气路故障进行了诊断。结果表明，支持矢量机具有优秀的故障学习能力，采用它进行航空发动机故障诊断是可行、有效的。     

失谐叶栅的受迫振动响应特性分析

采用基于计算流体力学(CFD)方法的降阶气动力模型并耦合结构运动方程,实现了存在外激励载荷时失谐叶栅受迫振动响应的快速分析。针对典型的跨声速叶栅,通过求解其位移响应幅值较系统地研究了失谐方式、失谐强度和叶片质量比对失谐叶栅受迫振动响应幅值的影响。研究表明文中刚度失谐形式可以改善叶栅振动的稳定性,同时导致系统受迫振动响应局部化程度的增加,并且受迫响应的最大振幅放大因子随失谐强度增加或者质量比降低存在先增大后减小的一个峰值,不同失谐形式则对这个峰值的大小有着明显的影响。由于该方法可高效地分析失谐叶栅受迫振动各参数对模态局部化的影响,在工程上有一定的应用价值。     

STABC-IR: An air target intention recognition method based on bidirectional gated recurrent unit and conditional random field with space-time attention mechanism

The battlefield environment is changing rapidly, and fast and accurate identification of the tactical intention of enemy targets is an important condition for gaining a decision-making advantage. The current Intention Recognition (IR) method for air targets has shortcomings in temporality, interpretability and back-and-forth dependency of intentions. To address these problems, this paper designs a novel air target intention recognition method named STABC-IR, which is based on Bidirectional Gated Recurrent Unit (BiGRU) and Conditional Random Field (CRF) with Space-Time Attention mechanism (STA). First, the problem of intention recognition of air targets is described and analyzed in detail. Then, a temporal network based on BiGRU is constructed to achieve the temporal requirement. Subsequently, STA is proposed to focus on the key parts of the features and timing information to meet certain interpretability requirements while strengthening the timing requirements. Finally, an intention transformation network based on CRF is proposed to solve the back-and-forth dependency and transformation problem by jointly modeling the tactical intention of the target at each moment. The experimental results show that the recognition accuracy of the jointly trained STABC-IR model can reach 95.7%, which is higher than other latest intention recognition methods. STABC-IR solves the problem of intention transformation for the first time and considers both temporality and interpretability, which is important for improving the tactical intention recognition capability and has reference value for the construction of command and control auxiliary decision-making system.     

基于LSTM的飞行数据挖掘模型构建方法

提出了一种基于LSTM （Long Short Time Memory）模型的飞行历史数据挖掘模型的构建方法,此模型可以将飞行数据中有价值的目标数据自动提取出来。首先,通过滑动窗口法获得待检测数据;然后,将预先做好的训练样本数据输入到所构造的LSTM模型中进行训练,得到数据挖掘模型;最后,将待检测数据导入到训练好的LSTM模型中进行模式识别,将目标数据片段挖掘出来。结果表明,基于LSTM模型的飞行数据挖掘模型构建方法通用化程度高,可用于挖掘不同类型的目标数据,且识别率高,具有很高的工程应用价值。     

Separation of target rigid body and micro-doppler effects in ISAR imaging

Micro-Doppler (m-D) effect is caused by moving parts of the radar target. It can cover rigid parts of a target and degrade the inverse synthetic aperture radar (ISAR) image. Separation of the patterns caused by stationary parts of the target from those caused by moving (rotating or vibrating) parts is the topic of this paper. Two techniques for separation of the rigid part from the rotating parts have been proposed. The first technique is based on time-frequency (TF) representation with sliding window and order statistics techniques. The first step in this technique is recognition of rigid parts in the range/cross-range plane. In the second step, reviewed TF representation and order statistics setup are employed to obtain signals caused by moving parts. The second technique can be applied in the case of very emphatic m-D effect. In the first step the rotating parts are recognized, based on the inverse Radon transform (RT). After masking these patterns, a radar image with the rigid body reflection can be obtained. The proposed methods are illustrated by examples     

基于遗传规划和线性鉴别分析的故障特征提取模型及其应用

1引言航空发动机故障诊断需要从原始监测数据中获取合理的特征参数,如果依靠专家经验手工从众多的监测参数中选取特征参数,将是十分烦琐和低效的。因此,构造优质的特征参数是提高故障诊断效率及其准确性的关键。许多机器学习方法被应用到特征参数的自动选取中,例如神经网络[1],     

基于几何模式识别的发动机传感器故障诊断

提出一种基于几何模式识别技术的发动机传感器故障诊断方法,以解决传感器缓慢漂移故障和由于安装制造差异和性能蜕化等造成的模型不匹配难以区分的问题。传感器测量值输入到自适应模型中,产生一组部件性能修正因子,作为故障模式来对传感器故障进行诊断,每种故障或性能蜕化都对应惟一的模式,采用几何模式识别技术隔离出传感器故障。以某型涡扇发动机为对象进行的仿真结果表明,该方法能诊断出传感器小漂移故障,并能对部件状态进行监控。