基于脑电微状态分析的模拟飞行多任务脑力负荷敏感性研究

为探讨脑电微状态用于测量飞行活动脑力负荷的可行性,比较4类脑电微状态参数在不同脑力负荷下的变化.12名男性受试者依次完成高、低负荷的模拟飞行多任务,采用模拟飞行目标追踪、仪表监视、突发事件处理的多任务作为任务模型.每项任务完成后填写NASA-TLX量表,任务过程中采集受试者脑电信号.采用聚类方法分析脑电微状态,提取反映...     

基于雨流计数法和功率谱密度法的随机声疲劳应用研究

针对燃烧室火焰筒结构中的声疲劳问题,研究了2种用于随机声载荷下结构疲劳寿命预估的有效方法。雨流计数法实时计数模型计数简单,直接对载荷时间历程进行计数,克服了以往计数模型的局限性;基于iMner线性理论,提出了基于功率谱密度法的随机声疲劳寿命预估方法,并建立了疲劳寿命预估模型。对某型航空发动机燃烧室火焰筒结构进行了疲劳寿命估算,结果表明2种方法对航空薄壁结构随机疲劳寿命分析具有实用性。     

空中交通管制员疲劳检测与管理综述

我国民航事业的发展需要依靠大型运输客机的自主研发和高效的空中交通管理体系两大软硬实力的支撑。空中交通管制员作为空中交通管理的核心要素,其疲劳状态的检测与管理对于航空安全具有重要作用。本文首先从传统主观量表评定和客观评定方法两个方面详细阐述了国内外疲劳检测的研究成果,分析其优缺点;然后介绍了基于语音分析的管制员疲劳特征提取与检测算法,并且着重介绍了基于深度学习模型的语音疲劳状态识别算法;最后阐述了管制员疲劳检测成果对管制运行安全和效率提升的应用前景。研究成果可为从事管制员疲劳检测与管理的研究人员提供参考和借鉴。     

脑电信号源脑电图定位方法的综述

临床神经外科医生针对某一种脑部病变做病灶(可看作一种信号源)摘除的手术时，需要对该病变的病灶做精确的定位。本文对脑电信号产生的根源、脑电信号源定位的重要性以及脑电信号源定位方法进行了探讨。     

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。     

基于深度学习的非定常周期性流动预测方法

为了克服传统CFD计算需要耗费大量的计算时间与成本的缺陷,提出了一种基于深度学习的非定常周期性流场的预测框架,可以实时生成给定状态的高可信度的流场结果。将条件生成对抗网络与卷积神经网络相结合,改进条件生成对抗网络对生成样本的约束方法,建立了基于深度学习策略采用改进的回归生成对抗网络模型,并与常规的条件生成对抗网络模型的预测结果进行对比。研究表明,基于改进的回归生成对抗网络的深度学习策略能准确预测出指定时刻的流场变量,且总时长比CFD数值模拟减少至少1个量级。     

基于导波原位检测的复合材料疲劳表征与寿命预测研究

随着复合材料在先进飞行器结构中占比的逐渐增加,复合材料在服役过程中力学性能的变化对飞行器整体的安全至关重要。为了实现基于导波原位检测的飞行器复合材料整体部件疲劳评估和寿命预测,首先,从宏观和细观的角度研究复合材料疲劳损伤演化规律;在此基础上,通过分析导波波场信息,探究导波相速度、模态能量比等特征在表征复合材料疲劳方面的潜力;其次,从复合材料损伤机理出发,建立导波相速度与疲劳损伤累积的演化模型;然后,构建深度学习框架,以数据驱动的方式从导波波场中提取疲劳演化特征;最后,提 出基于贝叶斯模型平均方法的疲劳演化模型,对复合材料剩余疲劳寿命进行预测。结果表明：通过提取和分析导波特征信息,可以准确地对复合材料疲劳状态进行表征,结合贝叶斯模型平均方法和置信区间准则,实现了在试件疲劳破坏之前的剩余寿命预测。     

Softmax分类器深度学习图像分类方法应用综述

基于深度学习的人工智能图像分类方法研究是当前计算机视觉领域的研究热点。面向深度学习中的Softmax图像分类方法，首先回顾了图像分类技术的发展历程，接着介绍了图像识别技术中的分类器，并解释了Softmax回归函数的分类实现原理。基于Softmax回归分类器的应用，详细阐述了多种图像分类技术，具体包括浅层神经网络、深度置信网络、深度自编码器和卷积神经网络。同时，对比介绍了各种级联模型的具体结构、训练方法、实际应用、分类效果以及优缺点。最后，从Softmax回归分类器、深度学习网络模型和高维数据分类三个方面对基于Softmax回归分类器的深度学习模型在图像分类方面的发展与应用前景进行了展望。     

CFM56-7B发动机高压涡轮叶片疲劳寿命预测

基于CFM56-7B发动机运行产生的QAR数据,通过建立模型、确立边界条件、有限元软件仿真,在最大起飞功率状态下完成了高压涡轮叶片温度场以及应力、应变场的计算。考虑到实际叶片在多轴非比例循环载荷下工作,选用SWT模型作为疲劳寿命的预测模型,得到叶片的疲劳寿命。结果表明,仿真计算得到的叶片疲劳寿命为14778个循环,与实际叶片的平均寿命的误差率仅为5.09%,此方法可用于监控涡轮叶片的剩余寿命、维修计划的制定。     

基于深度学习的图像匹配方法综述

图像匹配是飞行器视觉导航中的一项关键技术。基于深度学习的图像匹配方法在近几年快速发展,其特征提取网络比传统方法具有明显优势与广阔的应用前景。基于深度学习的图像匹配方法可以按照网络结构的不同分为单环节网络模型匹配方法和端到端网络模型匹配方法。首先对单环节网络模型中的特征检测模型、描述符学习模型、相似度度量模型和误差剔除模型逐一进行了深度调研及分析,然后对端到端匹配网络模型中的单网络结构方法和多网络结构组合方法进行了针对性的综述,并对经典的端到端匹配网络模型算法进行了介绍和分析。最后,结合目前基于深度学习的图像匹配方法存在的问题,指出未来可能的发展趋势和方向,为后续研究者在深度学习图像匹配的研究提供一定参考。     

基于灰色神经网络的疲劳裂纹预测方法研究

为对构件疲劳损伤进行预测,提出了基于灰色神经网络模型的疲劳裂纹扩展预测方法。将灰色GM（I,1）模型向BP网络映射,建立了一维灰色神经网络GNNM（1,1）模型。基于灰色GM（1,1）模型的发展系数和灰作用量给出了GNNM（1,1）模型初始权值。应用建立的GNNM（1,1）模型预测了某不锈钢构件腐蚀疲劳裂纹的扩展,并与GM（I,1）模型的预测结果进行了对比,表明GNNM（1,1）模型具有更高的预测精度和模型精度。     

基于神经网络模型的动态非线性气动力辨识方法

 在标准径向基函数（RBF）神经网络模型的基础上发展了带输出反馈的RBF神经网络。将计算流体力学(CFD)方法计算的时域气动载荷作为输入信号,建立跨声速非定常非线性气动力模型,并进一步运用CFD方法验证模型的精度。算例表明带输出反馈的RBF神经网络较标准RBF神经网络精度更高,能更准确描述跨声速激波大幅振荡时的非线性和非定常特性,并可推广用于多自由度运动的动态非线性气动力建模。用多级信号训练,预测简谐信号输入下的气动力算例表明带输出反馈的RBF神经网络能够预测不同振幅、不同频率的信号激励下的非线性气动力。     

基于磨粒磨损机理的机械磨损状态监测

针对机械设备磨损状态监测准确率较低的问题,基于不同磨损机理下磨粒具有不同的形状和纹理特征,提出了一种基于磨粒特征识别的机械磨损状态监测的数学模型。通过形状特征识别球状磨粒和切削磨粒,结合形状、纹理特征识别疲劳磨粒和严重滑动磨粒,基于提取的特征参数建立机械磨损状态监测的特征向量,通过量子粒子群优化(QPSO)的径向基函数神经网络模型,实现对机械磨损状态的监测和判别。实验结果表明:QPSO-RBF神经网络数学模型结构简单,比传统PSO-RBF神经网络模型的识别准确率高5%,可用于常见机械磨损状态的检测。      

基于小波神经网络的齿轮系统故障诊断

通过对齿轮系统在不同的运转状态下不同的故障类型进行试验测试分析,获取了有关的测试信号,对振动特征信号进行了小波阈值去噪,采用离散小波变换(DWT)对去噪后的信号进行8层分解处理,对各层的小波系数进行了小波重构,得到8层细节信号和1层近似信号,并计算了各层信号的能量,得到了信号的能量分布特征.在此基础上把各层信号特征作为神经网络的输入,进行了网络的研究、分析处理和故障分类,并对小波神经网络方法与单独采用神经网络方法的故障诊断结果进行了比较评价.研究表明,去噪处理后的效果比没有去噪的信号特征更加明显,而采用小波神经网络诊断方法,对于齿轮无故障、齿根裂纹故障、分度圆裂纹故障和齿面磨损故障能够进行很好地区分与诊断,其诊断成功率均在95%以上,可对实际工程工作的齿轮系统进行故障诊断.      

基于神经网络与果蝇优化算法的涡轮叶片低循环疲劳寿命健壮性设计

在对涡轮叶片低循环疲劳寿命概率分析的基础上,将广义回归型神经网络(generalized regression neural network,GRNN)与果蝇优化算法(fruit fly optimization algorithm,FFOA)结合,利用果蝇优化算法的多点全局的快速搜索能力来优化影响疲劳寿命的随机变量,进行涡轮叶片低循环疲劳寿命健壮性优化设计.优化结果表明:疲劳寿命的概率区间减小17.9%,对随机变量的敏感度降低,从而可以更精确地对疲劳寿命进行估计.计算结果验证了该方法在工程应用中的可行性.      

基于CWT-CNN的齿轮箱运行故障状态识别

针对传统故障诊断中提取的特征不具有自适应能力、很难匹配特定故障的问题,提出了一种基于连续小波变换（CWT）和二维卷积神经网络（CNN）的齿轮箱故障诊断方法。该方法对齿轮箱故障振动信号采用连续小波变换构造其时频图,以其为输入构建卷积神经网络模型,通过多层卷积池化形成深层分布式故障特征表达。利用反向传播算法调整网络各层的结构参数,使模型建立从信号特征到故障状态之间的准确映射。在不同工况和不同故障状态下的实验中,故障识别准确率达到了99.2%,验证了方法有效性。采用这种自适应学习信号中丰富的信息的方法,可以为故障诊断智能化提供基础。      

基于VBGMM-DCNN的列车卫星定位欺骗干扰检测方法

面向基于全球导航卫星系统的铁路列车定位实施欺骗干扰的主动检测，在卫星定位解算层次，运用深度学习建模学习方法的优势，提出一种基于变分贝叶斯高斯混合模型-深度卷积神经网络（variational Bayesian Gaussian mixture model-deep convolutional neural network, VBGMM-DCNN）的列车卫星定位欺骗干扰检测方法。该方法首先提取能够充分体现欺骗干扰对定位解算过程作用影响的卫星观测特征参数，构建干扰检测特征矢量；然后，采用VBGMM模型拟合经过预处理的特征向量的概率分布，得到二维概率密度图；最后，将概率密度图用于DCNN模型实施欺骗干扰的检测决策。结合现场实验所得运行场景数据，利用实验室搭建的欺骗干扰测试环境实施了干扰注入测试与检验，结果表明,欺骗干扰检测性能随着DCNN网络深度的增加而提升，相对于常规有监督决策方法F1值最高提升44.68%。基于VBGMM-DCNN的欺骗干扰检测能够适应测试验证中运用的列车运行特征及定位观测条件，所达到的检测性能优于对比算法。     

优选小波神经网络在周跳探测与修复中的应用

北斗导航定位过程中,传统的周跳探测与修复方法缺乏检验环节,无法保证修复结果的可靠性。为此,提出了一种级联式小波变换结合NARX神经网络多步循环预测修复的方法处理周跳问题。该方法通过构造载波相位双差模型检验量,探测周跳发生历元,采用NARX神经网络预测方法修复周跳,利用优选小波基函数进行周跳修复效果检验。实验证明,相较于经验模态分解和变分模态分解等模态分解法,优选小波神经网络周跳探测与修复方法可用于小周跳探测并判断出周跳正负性;构造的NARX神经网络周跳修复模型,解决了普通神经网络模型和传统多项式拟合法容易造成的二次奇异值问题。相较于长短期记忆(LSTM)和门控循环单元(GRU)深度学习神经网络模型,周跳预测精度分别提高了45.2%和55.9%。     

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%。