航空领域机器学习技术应用体系研究

通过分析航空领域机器学习技术应用现状和需求和基于大数据、云计算等新一代信息技术应用，提出航空领域机器学习技术应用体系，包括：组织机构、技术方法、业务流程、标准体系、平台工具等内容，并结合航空百科知识建设项目验证该体系的有效性，为机器学习技术在航空领域的系统性、规范化应用提供参考。     

智能赋能流体力学展望

人工智能（AI）是21世纪的前沿科技,流体力学如何在智能化时代焕发青春是值得本领域研究者思考的话题。从智能赋能流体力学角度,就其研究内涵、研究内容、近期研究及难点进行了总结,并对智能流体力学未来的发展进行了展望。研究指出,流体力学计算或试验中所产生的数据是天生的大数据,如何通过深度神经网络、随机森林、强化学习等机器学习方法来利用这些数据,缓解甚至替代理论和方法层面对人脑的依赖,挖掘新的知识,成为一种新的研究范式;相关研究将涵盖流动控制方程的机器学习、湍流模型的机器学习、物理量纲分析与标度的智能化以及数值模拟方法的智能化;借助人工智能技术,发展流动信息特征提取与多源数据融合的智能化是流体力学发展的迫切需求;研究内容应至少涵盖海量数据挖掘方法以及多源气动数据的智能融合;发展数据驱动的流体力学多学科、多物理场耦合建模与控制是工程应用的迫切需求,相关工作涉及多场耦合建模、气动外形智能优化设计以及流动智能自适应控制等方面。     

机器学习辅助湍流建模在分离流预测中的应用

数据驱动湍流建模是近年来发展的提高雷诺平均N-S方程预测精度的有效手段,通过机器学习算法能够从高置信度数据中自动提取特征,建立准确的从平均流动特征到雷诺应力的预测模型。针对高雷诺数下积冰翼型绕流这一类典型的复杂流动分离问题,基于此前研究者提出的机器学习预测框架,从输入输出特征选择和翼型绕流中数据分布特性两个方面出发,对机器学习预测结果的光滑性和准确性进行改善。提出了基于雷诺应力张量分析和流动特征辨识的输入特征选择准则;提出了局部区域建模方法以及基准模型和机器学习预测模型混合的代入计算方法。将改进方法应用于积冰翼型绕流问题之中,结果表明改进的方法能够准确给出训练集和预测集上的雷诺应力结果,并且代入平均流计算可以得到和真实分布更加接近的流动和机翼表面压力分布。     

高加筋壁板结构树脂膜渗透(RFI)技术研究

传统RFI工艺的树脂渗透原理决定了其所成型零件高度方向的尺寸必然受到限制,一定程度上限制了RFI工艺在航空领域的应用。提出了一种新的RFI工艺树脂流动控制方法,并建立了新的树脂流动模型,突破了传统RFI工艺对加筋高度的限制,降低了传统RFI工艺对树脂粘度和工作时间的过分依赖,可实现任意高度加筋壁板结构RFI工艺成型,提高了RFI工艺的结构适用性,为低成本液体成型技术在航空结构上的扩大应用奠定了基础。     

基于卷积神经网络的深度学习流场特征识别及应用进展

深度学习架构的出色性能使得机器学习在流体力学中的应用得到新的发展,可以应对流体力学中诸多问题和需求。卷积神经网络（CNN）强大的非线性映射能力以及分层提取信息特征的功能,使其成为当下流场特征研究不容忽视的工具。围绕这一研究前沿与热点问题,概述和归纳了这一研究领域的进展与成果。首先,对深度学习在流体力学中的发展以及卷积神经网络进行了简单的回顾。然后,从卷积神经网络能够识别特征出发,先后介绍了基于卷积的深度学习特征识别在流场预测、流动外形优化、流场可视化精度提升和生成对抗等应用方面的研究进展。最后,对深度学习在流场识别领域的应用进行了展望,为后续的研究提供参考。     

前缘直板扰流对高速空腔的降噪效果分析

高速空腔复杂流动和噪声一直是航空航天领域所关注的问题,高强度的空腔噪声不仅影响腔内仪器设备的正常运行,还会对其自身的结构产生疲劳破坏,进而影响飞行器的飞行安全和品质,因此空腔噪声的抑制研究和典型控制方法的降噪效果分析对提高飞行器结构安全性意义重大。本文通过开展高速风洞试验研究跨超声速（Ma=0.9和Ma=1.5）来流条件下前缘直板装置对空腔（长深比为6）流动和噪声的控制机理,通过对比多种前缘直板控制条件下的腔内噪声声压级（SPL）分布,确定直板控制参数的优化选择方法及最优参数;利用静态/动态压力传感器和油流试验采集腔内静压、脉动压力和壁面流谱,着重分析前缘直板对腔内流动结构、声压级和声压频谱的影响规律。结果表明：前缘直板可以大幅度抬高剪切层的位置,使得后缘的撞击区域后移,从而削弱流体进入腔内的流量和强度;可以有效降低腔内静压、减小回流强度和范围,对腔内声压级和峰值噪声也具有显著的抑制效果,Ma=0.9和Ma=1.5时后缘声压级降低幅值可达11.13 dB和8.0 dB。前缘直板流动控制为高速来流条件下空腔噪声的抑制提供了一种新的方法,可有效应用于飞行器上空腔结构的流动/噪声控制,具有重要的工程应用价值和前景。     

微型飞行器相关技术研究进展

微型飞行器是航空领域一个新的研究热点，涉及多个技术研究领域。围绕与微型飞行器相关的低雷诺数空气动力学问题，进行了绕圆柱体低雷诺数非定常流动的数值模拟方法研究、低雷诺数机翼粘性非定常流动机理研究、扑翼的气动力估算方法研究、微流动控制的数值模拟研究和微型飞机的气动实验研究，指出了微型飞行器面临的问题，并展望了其发展趋势。     

燃气轮机涡轮叶顶间隙气热技术研究进展

涡轮叶顶间隙泄漏流动对其流道内气动损失、传热状况甚至总体效率都有较为明显的影响,是降低涡轮气热性能的关键因素之一。长期以来,叶顶间隙区域的流动传热机理及其气热控制一直是燃气轮机领域研究的一个热点和难点问题。鉴于此,从叶顶间隙泄漏流动机理及影响因素、间隙泄漏控制方法、叶顶传热冷却机理、影响因素与控制、叶顶间隙气热优化以及过渡态叶顶间隙变化规律及建模与控制等方面对国内外近十年来涡轮叶顶间隙气热技术方面的研究进展进行综述,并简要总结了叶顶间隙泄漏流的常用研究方法,包括流动传热试验与数值计算方法等。最后,对涡轮叶顶间隙气热技术的未来研究重点和发展趋势进行了展望。     

轴流压气机角区分离的研究进展

角区分离是一种常发生于轴流压气机"吸力面-端壁"角区的三维分离现象,该现象以及随之产生的流场堵塞和流场损失会对压气机的稳定工作和效率造成不良影响,严重时会发展为"角区失速"。随着现代轴流压气机单级负荷的提升,角区分离所产生的负面影响日益突出,严重阻碍了高负荷压气机的发展,各种主动、被动流动控制方法也因此被广泛应用于角区分离的流动控制。首先,从角区分离对轴流压气机性能的影响、角区分离的流场特征和角区失速的判别准则3个方面对轴流压气机角区分离的流动机理研究进行了回顾,详细讨论了角区分离的影响因素、角区分离的流动拓扑分析以及角区失速的定义与判别方法。其次,对三维叶片设计、翼刀与凹槽、旋涡发生器、非轴对称端壁造型、射流式旋涡发生器、等离子体气动激励以及附面层抽吸与附面层射流7类流动控制方法的研究进展进行了回顾,重点探讨了这些流动控制方法在抑制角区分离方面的应用,并给出了这些流动控制方法的对角区分离的作用机制。最后,对角区分离领域的研究现状进行了简要地总结,指出了现有角区分离的机理研究和流动控制研究所存在的不足,并对该领域未来的发展进行了展望。     

基于三层模型的机器学习建模工具设计与实现

机器学习和数据挖掘任务作为一种解决模糊规划和凸优化问题的实际工程技术,近年来依托互联网、大数据等领域的发展逐渐为人们所熟知.针对现行机器学习软件系统所存在的问题,提出一种三层式的加壳软件模型的建模的的方法,并以此实现了一个轻量化的通用机器学习建模平台.     

Recent progress of machine learning in flow modeling and active flow control

In terms of multiple temporal and spatial scales, massive data from experiments, flow field measurements, and high-fidelity numerical simulations have greatly promoted the rapid development of fluid mechanics. Machine Learning(ML) provides a wealth of analysis methods to extract potential information from a large amount of data for in-depth understanding of the underlying flow mechanism or for further applications. Furthermore, machine learning algorithms can enhance flow information and automat...     

相关向量机及其在故障诊断与预测中的应用

相关向量机(RVM)是一种基于稀疏Bayesian学习理论的新型机器学习方法,具有概率式输出、稀疏性强、参数设置简单、核函数选择灵活等优点,克服了人工神经网络(ANN)和支持向量机(SVM)等典型机器学习方法的诸多固有缺陷。文章从模型选择与优化、模型计算效率和模型鲁棒性改进3个方面综述了RVM的理论研究进展;总结了RVM在故障诊断与预测中的应用研究现状;分析指出了当前研究中存在的问题,并讨论了基于RVM的故障诊断与预测技术的研究方向。     

面向智能感知的小样本学习研究综述

小样本学习指只利用目标类别的少量监督信息来训练机器学习模型。由于其实用价值，学术界和工业界提出很多针对该问题的解决方案，但是目前国内缺少该问题的综述。本文对国内外学者提出的小样本学习算法及基于小样本学习的目标检测算法进行了系统的总结和探索。首先，给出了小样本学习的问题定义，列举其与其他一些经典的机器学习问题之间的联系，同时从理论上阐述小样本学习问题面临的挑战；接着，对基于小样本学习的图像分类进行了概述，并对其中代表性的工作进行介绍与分析；在此基础上，重点针对基于小样本学习的目标检测，特别是零样本条件下的目标检测问题，详细介绍和分析了现有的研究工作；最后，立足于现有方法的优缺点，从问题设定、理论研究、实现技术以及应用场景等几个方面对小样本学习的未来发展进行了展望，期望为该领域后续的研究工作提供启示。     

Continual learning fault diagnosis:A dual-branch adaptive aggregation residual network for fault diagnosis with machine increments

As a data-driven approach, Deep Learning(DL)-based fault diagnosis methods need to collect the relatively comprehensive data on machine fault types to achieve satisfactory performance. A mechanical system may include multiple submachines in the real-world. During condition monitoring of a mechanical system, fault data are distributed in a continuous flow of constantly generated information and new faults will inevitably occur in unconsidered submachines, which are also called machine increments....     

一种可用于航空发动机健康状态预测的动态集成极端学习机模型

提出一种动态集成极端学习机模型用于航空发动机健康状态预测.采用AdaBoost.RT集成学习算法对极端学习机（ELM）进行集成,在训练时采用每个训练样本的近邻样本对ELM的局域性能进行评估;在预测时首先确定新样本在训练样本集中的近邻样本,然后根据ELM在近邻样本上的性能来赋予集成权值实现弱学习机的动态集成.以燃油流量为指标进行航空发动机健康状态预测,动态集成ELM模型短期预测结果的平均相对误差绝对值（MAPE）为3.688%,小于单一ELM模型的3.830%以及静态集成ELM模型的3.719%;长期预测结果中动态集成ELM模型的MAPE为3.075%,小于单一ELM模型的4.355%以及静态集成ELM模型的3.884%.因此动态集成ELM模型更适用于航空发动机健康状态预测.      

流体力学深度学习建模技术研究进展

深度学习技术在图像处理、语言翻译、疾病诊断、游戏竞赛等领域已带来了颠覆性的变化。流体力学问题由于维度高、非线性强、数据量大等特点,恰恰是深度学习擅长并可以带来研究范式创新的重要领域。目前,深度学习技术已在流体力学领域得到了初步应用,其应用潜力逐渐得到证实。以流体力学深度学习技术为背景,结合课题组近期研究结果,探讨了流体力学深度学习建模技术及其最新进展。首先,对深度学习技术所涉及的基本理论做了介绍,阐释流场建模中常用深度学习方法背后的数学原理。其次,分别对流体力学控制方程、流场重构、特征量建模和应用等几个典型的人工智能与流体力学交叉问题应用场景所涉及的深度学习技术研究进展进行了介绍。最后,探讨了流体力学深度学习建模技术所面临的挑战与未来发展趋势。     

基于机器学习的航空器进近飞行时间预测

为了准确预测航空器的落地时间，提高空管部门间的协作效率，采用机器学习的方法对航空器进近阶段飞行时间进行了预测。从实际运行出发，分析航空器在进近管制空域飞行时间产生差异的原因，提出了影响航空器在进近空域飞行的8类因素和17个重要特征。以航空器在进近飞行时间为标签，基于提出的重要特征，采用岭回归、支持向量机、随机森林和神经网络算法，建立了4种基于机器学习的航空器进近飞行时间预测模型。以南京进近为实例，对4种机器学习模型进行训练、验证和测试，对模型的性能指标、特征重要性和影响因素展开分析。研究结果表明，对于航空器进近飞行时间的预测，基于随机森林的模型表现出了最高的预测性能，模型的泛化能力最好、精确度高，回归效果越显著；进场状态是影响航空器进近飞行时间的最重要因素，而进场点和进场高度特征则对结果的贡献度最大。     

机器学习技术在气动优化中的应用

近年来优化设计在气动设计中发挥了越来越多的作用，但实用性和效率是制约其发挥作用的两大障碍。在大型客机超临界机翼设计中，通过"人在回路"（依靠人的经验在优化进行过程中实施必要干预）等努力，取得了较好的效果，机器学习技术逐步得到发展。提出了利用机器学习技术模拟人在优化过程中的合理行为和作用机制，以深层次利用信息和知识，改善优化的实用性和效率。梳理了机器学习技术在气动优化中应用的发展脉络，并结合工作实践介绍了机器学习在优化设计中的典型应用。进一步探讨了深度学习在气动优化中的可能应用方式。