一种基于VPL 的元器件快速建模方法

为了更好地落实航空电子模块的可制造性设计审查工作,结合航空电子模块产品特点和技术要求,建设了基于Valor软件的PCB/PCBA设计与检测自动化分析系统.元器件模型库作为该系统的必要组成部分,其覆盖范围和数据精度对审查结果至关重要.本文将从元器件模型库建设必要性、建设过程和建模工艺要求三个方面进行阐述,并提出一种基于Valor VPL的元器件快速建模方法,应用结果表明,该方法能够高效构建满足系统审查精度的元器件模型,使大规模元器件模型库的建设成为可能.     

基于深度学习的无人机航拍目标检测研究综述

目标检测是提高无人机（UAV）感知能力的关键技术之一,其研究对于无人机的应用有着重要意义。与基于手工特征的传统方法相比,基于卷积神经网络的深度学习方法具有强大的特征学习和表达能力,成为目前目标检测任务的主流算法。近年来,目标检测技术已经在自然场景图像上取得了一系列突破性进展,在无人机领域的研究也逐渐成为热点。首先系统阐述了基于深度学习的目标检测算法的研究进展,并总结了相关算法的优缺点。对常见的航空影像数据集进行了梳理并介绍了迁移学习的方法;从无人机影像背景复杂、目标较小、视场大、目标具有旋转性的特点出发,对无人机目标检测在近期的研究进行了归纳和分析。最后讨论了存在的问题和未来可能的发展方向。     

基于形态自适应网络的无人机目标跟踪方法

针对无人机影像目标跟踪过程中常出现的目标方向变化、目标遮挡变化、样本多样性不足等问题,提出了一种基于形态自适应网络的无人机航空影像目标跟踪算法。首先使用基于数据驱动的方法对数据集进行扩增,添加了遮挡样本和多旋转角度样本,提高样本多样性;提出的形态自适应网络模型通过旋转不变约束改进深度置信网络,提取强表征能力的深度特征,使得模型能够自动适应目标形态变化,利用深度特征变换算法获取待检测目标的预定位区域,采用基于Q学习算法的搜索机制对目标进行自适应精准定位,使用深度森林分类器提取跟踪目标的类别信息,得到高精度的目标跟踪结果。在多个数据集上进行了对比实验,实验结果表明该算法能够达到较高的跟踪精度,可以适应目标旋转、目标遮挡等形态变化情况,具有较好的准确性和鲁棒性。     

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。     

基于深度学习的X射线胶片数字化与缺陷检测算法

X射线胶片数字化和焊缝缺陷自动检测对提高航天大型零件生产加工质量和检测效率具有重要意义。在某些特定场景中,X射线检测无法采用数字式接收器,将X射线胶片转化为数字图像是缺陷识别的前提,但现有方法难以实现X射线胶片的高保真数字化,此外,大型零件的焊缝缺陷具有小目标特点,人工判读和传统图像检测算法难以保证识别精度。本文提出了一种基于深度学习的X射线胶片缺陷检测算法,首先基于全卷积神经网络在X射线胶片上不同曝光时间的图像中自动选择曝光时间最佳的数字图像,然后设计了基于轻量级MoGaA网络的缺陷检测网络,实现了数字化图像中的小目标缺陷检测。数字化和检测结果表明,该算法对于焊缝缺陷检测的准确率可达96%,取得了良好的检测效果。     

基于DNN的飞机俯仰运动响应预测研究

针对人工智能的辨识方法在飞行器模型辨识应用中存在间接依赖数学模型以及泛化能力较低的局限性问题,基于深度学习思想,提出了一种新的数据处理方式,完成飞行器的系统模型辨识。首先,针对飞行器动态模型的特点,提出一种基于时序性的飞行数据处理方式;其次,采用交叉熵损失函数进一步优化深度神经网络;最后,针对飞行器纵向非线性模型进行仿真计算。仿真结果表明,训练好的模型成功提取了飞行器输入与输出之间的非线性映射关系,使得基于深度神经网络的飞行器模型能够对未知输入进行状态预测,克服了目前基于神经网络辨识算法的局限性。     

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。     

应用深度核极限学习机的航空发动机部件故障诊断

运用传统单隐层的神经网络进行航空发动机部件故障诊断识别受其浅层结构影响,精度不高,而用深度置信网络(Deep belief network,DBN)等深度学习方法则存在耗时、参数训练复杂的问题。为解决现有的基于数据驱动的发动机部件故障诊断方法的不足,提高诊断精度,缩短训练时间,将核方法和多层极限学习机(Multilayer extreme learning machine,M-ELM)相结合,提出一种深度核极限学习机(Deep kernel extreme learning machine,DK-ELM)。算法首先利用深度网络结构对输入数据进行逐层的特征提取,抽象得到的特征通过核函数实现高维空间映射分类。这些措施有利于提高算法的分类精度和泛化性能,在训练速度上较深度学习也有明显的提高。将该算法与深度学习和其他极限学习机算法进行综合比较研究,结果表明:基于DK-ELM的诊断方法有效、可靠,便于实现,为航空发动机部件故障诊断提供一个更为优秀实用的工具。     

结合深度学习的机械臂视觉抓取控制

针对基于视觉的机械臂抓取精确抓取的需求,考虑传统的视觉识别算法受环境、对象变化的制约且在识别正确率及快速性上存在的问题,在现有研究的基础上,提出了一种基于深度学习的目标精确检测与识别方法。首先基于深度学习改进了YOLO算法,通过对数据集的训练,基于英伟达Jetson TX1高性能处理单元实现了复杂环境下多目标的识别与定位,给出了目标的类别与位置等信息;以此为基础,结合利用Move It!功能包完成的机械臂运动轨迹的求解与规划,以及基于李群李代数建立的递推正逆动力学模型,设计了机械臂抓取控制的滑模控制律。仿真及实物验证表明,基于深度神经网络的方法学习到的特征对复杂背景具有较强的鲁棒性和稳定性;所设计的滑模控制算法在0.21 s时跟踪误差在2%,取得了较高的控制精度。可为后续视觉抓取任务提供参考。     

国产元器件高可靠装联常见问题及其启示北大核心CSCD

针对航天高可靠、长寿命电子产品用国产元器件,通过近年元器件国产化的应用实践,从电子装联的角度,对元器件国产化过程中的常见共性问题进行了分析和总结,并浅谈了元器件国产化过程中这些问题对我们的启示及后续应注意的问题及相关建议。     

物理启发的深度学习模型及其在热端部件散热中的应用

热端部件散热是众多空天设备的关键技术。表面温度分布是散热设计中用到的重要信息,常规的解析建模手段和机器学习方法均无法有效地表达此类高维信息。近年来兴起的图像深度学习算法是解决表面温度信息预测的有效手段。然而,现有的基于大数据的深度学习方法往往对于物理数据和小样本数据不适用,体现为泛化精度差、数据兼容性差、可解释性差。因此,有必要结合传热的先验知识发展物理启发的新型深度学习算法,以增强高自由度、高复杂度散热对象上的设计能力。本文基于卷积算子和有限差分求解方式的类比关系,提出了一种物理启发式的循环卷积神经网络。以横向出流的冲击冷却为例,开展了变计算域大小、变工况、变尺寸的批量数值模拟,获取了冲击冷却关键特征的小样本图像数据。进一步通过神经网络的训练,构建了多参数、大范围内有较好拟合能力的温度、传热系数、压力代理模型。研究结果表明,本文提出的物理启发神经网络模型,对于计算域大小没有限制,可以统一表达不同空间范围内获取的物理数据的共性规律。模型的各类超参设定均具有明确的物理意义,且与经典的微分方程求解理论有一定的类比关系,增强了神经网络调参的方向性。通过传热物理规律与黑箱模型的融合,本文实现了小样本多参数物理数据的共性建模。该方法可以迅速重构热端部件的高维分布信息,可服务于热端部件的快速分析设计以及优化。     

基于深度图推理的卫星背板部件检测方法

在轨加注是一种典型的在轨服务操作,它对于降低空间运输成本和任务风险起着重要的作用,视觉感知系统可以感知操作任务周围环境并提供给控制系统。目前在轨加注依赖于人,在人员监控下完成或通过遥操作完成,缺乏自主性。本文围绕未来高自主性的基于深度强化学习的在轨加注方法,对基于深度学习的视觉感知方法展开了研究,针对基于深度学习的方法对相似实例的检测存在精确率低、对光照变化敏感等缺点,提出了基于深度图推理的卫星背板部件检测方法。提出的方法可以有效地检测复杂形状的目标,不依赖于手工设计的特征;提高了复杂光照环境下部件的检测正确率;可以有效区分外形相似的不同部件;其有效性在数学仿真和物理仿真中均得到了验证。     

Drogue detection for autonomous aerial refueling based on convolutional neural networks

Drogue detection is a fundamental issue during the close docking phase of autonomous aerial refueling(AAR). To cope with this issue, a novel and effective method based on deep learning with convolutional neural networks(CNNs) is proposed. In order to ensure its robustness and wide application, a deep learning dataset of images was prepared by utilizing real data of ‘‘Probe and Drogue" aerial refueling, which contains diverse drogues in various environmental conditions without artificial features placed on the drogues. By employing deep learning ideas and graphics processing units(GPUs), a model for drogue detection using a Caffe deep learning framework with CNNs was designed to ensure the method's accuracy and real-time performance. Experiments were conducted to demonstrate the effectiveness of the proposed method, and results based on real AAR data compare its performance to other methods, validating the accuracy, speed, and robustness of its drogue detection ability.     

基于混合神经网络模型的磨粒电荷检测方法研究

由于传统的滑油磨粒在线监测方法无法获取电荷分布位置信息,难以准确测量荷电颗粒数目及其携带的电荷量。为此,本文提出一种基于静电层析成像（Electrostatic tomography,EST）技术和深度学习算法的荷电颗粒检测方法。对EST传感器测量数据采用BP神经网络算法重建出测量截面上电荷的分布图像,采用卷积神经网络（Convolutional neural networks,CNN）算法分析重建图像以识别荷电颗粒数目,将识别的颗粒数目和传感器测量数据组合成输入向量,通过1个多层前馈网络确定带电颗粒数目、感应电荷值与颗粒电荷量值之间的映射关系,得到准确的各颗粒的电荷量值。实验结果表明：混合神经网络模型对数据样本的测量误差为9%,可满足滑油监测对于准确性的要求。     

Target localization method of non-cooperative spacecraft on on-orbit service

With the explosion of the number of meteoroid/orbital debris in terrestrial space in recent years, the detection environment of spacecraft becomes more complex. This phenomenon causes most current detection methods based on machine learning intractable to break through the two difficulties of solving scale transformation problem of the targets in image and accelerating detection rate of high-resolution images. To overcome the two challenges, we propose a novel non-cooperative target detection method using the framework of deep convolutional neural network.Firstly, a specific spacecraft simulation dataset using over one thousand images to train and test our detection model is built. The deep separable convolution structure is applied and combined with the residual network module to improve the network’s backbone. To count the different shapes of the spacecrafts in the dataset, a particular prior-box generation method based on K-means cluster algorithm is designed for each detection head with different scales. Finally, a comprehensive loss function is presented considering category confidence, box parameters, as well as box confidence. The experimental results verify that the proposed method has strong robustness against varying degrees of luminance change, and can suppress the interference caused by Gaussian noise and background complexity. The mean accuracy precision of our proposed method reaches 93.28%, and the global loss value is 13.252. The comparative experiment results show that under the same epoch and batchsize, the speed of our method is compressed by about 20% in comparison of YOLOv3, the detection accuracy is increased by about 12%, and the size of the model is reduced by nearly 50%.     

Semi-supervised gear fault diagnosis using raw vibration signal based on deep learning

In aerospace industry, gears are the most common parts of a mechanical transmission system. Gear pitting faults could cause the transmission system to crash and give rise to safety disaster. It is always a challenging problem to diagnose the gear pitting condition directly through the raw signal of vibration. In this paper, a novel method named augmented deep sparse autoencoder (ADSAE) is proposed. The method can be used to diagnose the gear pitting fault with relatively few raw vibration signal data. This method is mainly based on the theory of pitting fault diagnosis and creatively combines with both data augmentation ideology and the deep sparse autoencoder algorithm for the fault diagnosis of gear wear. The effectiveness of the proposed method is validated by experiments of six types of gear pitting conditions. The results show that the ADSAE method can effectively increase the network generalization ability and robustness with very high accuracy. This method can effectively diagnose different gear pitting conditions and show the obvious trend according to the severity of gear wear faults. The results obtained by the ADSAE method proposed in this paper are compared with those obtained by other common deep learning methods. This paper provides an important insight into the field of gear fault diagnosis based on deep learning and has a potential practical application value.     

模糊超体神经网络及其在火箭发动机故障分离中的应用

提出了一种用模糊集表示火箭发动机故障模式的神经网络二次分离器,模糊集是由模糊超体聚集形成的集合体,模糊超体在一次分离中表现为由半径和球心确定的n维超球,在二次分离中是一个由夹角、球心和方向矢量确定的部分超球。神经网络二次分离学习算法与一次学习算法相比,提高了训练样本的分离精度,增强了神经网络对故障的敏感性。      

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。      

Framework and development of data-driven physics based model with application in dimensional accuracy prediction in pocket milling

In the manufacturing of thin wall components for aerospace industry, apart from the side wall contour error, the Remaining Bottom Thickness Error (RBTE) for the thin-wall pocket component (e.g. rocket shell) is of the same importance but overlooked in current research. If the RBTE reduces by 30%, the weight reduction of the entire component will reach up to tens of kilograms while improving the dynamic balance performance of the large component. Current RBTE control requires the off-process measurement of limited discrete points on the component bottom to provide the reference value for compensation. This leads to incompleteness in the remaining bottom thickness control and redundant measurement in manufacturing. In this paper, the framework of data-driven physics based model is proposed and developed for the real-time prediction of critical quality for large components, which enables accurate prediction and compensation of RBTE value for the thin wall components. The physics based model considers the primary root cause, in terms of tool deflection and clamping stiffness induced Axial Material Removal Thickness (AMRT) variation, for the RBTE formation. And to incorporate the dynamic and inherent coupling of the complicated manufacturing system, the multi-feature fusion and machine learning algorithm, i.e. kernel Principal Component Analysis (kPCA) and kernel Support Vector Regression (kSVR), are incorporated with the physics based model. Therefore, the proposed data-driven physics based model combines both process mechanism and the system disturbance to achieve better prediction accuracy. The final verification experiment is implemented to validate the effectiveness of the proposed method for dimensional accuracy prediction in pocket milling, and the prediction accuracy of AMRT achieves 0.014 mm and 0.019 mm for straight and corner milling, respectively.