基于多分辨率特征自选择的遮挡物识别算法

光伏组件的遮挡物识别是光伏运维系统中不可或缺的环节，传统识别算法多依赖人工巡检，成本高昂且效率低下。基于卷积神经网络，提出了一种面向光伏组件的遮挡物识别算法PORNet。通过引入特征金字塔，构建多个分辨率下具有丰富语义信息的图像特征，提升对遮挡物尺度和密度的敏感性。通过特征自选择，筛选出语义最具代表性的特征图，以加强物体环境的语义信息表达。用筛选出的特征图完成遮挡物识别，从而提升识别准确率。在自建光伏组件落叶遮挡数据集上进行了实验比较和分析，并对识别性能进行了评估，通过与现有物体识别算法相比，所提算法的准确率和召回率分别提升了9.21%和15.79%。      

应用于智能芯片的可视化反馈系统研究

当前，市场上普遍使用的负责推理的终端人工智能（AI）芯片使用训练好的参数对数据进行快速高效运算。但在通常训练过程中使用的数据集和真实数据的分布不一致，由此获得的参数会导致终端AI芯片识别准确度降低。为此，提出了一种基于终端AI芯片的可视化反馈系统架构方法。使用反卷积特征可视化方法，在具有高效计算性能的终端AI芯片上，对卷积核参数进行迭代优化，达到可识别该图像目的。相比于CPU/GPU和FPGA，所提架构在卷积神经网络模型里，更具有高效处理能力和灵活可塑性。实验表明，该研究有效提高了终端AI芯片的普适性、识别准确度和处理效率。      

基于边频相对能量和的柱塞泵磨损状态识别

摩擦磨损是飞机柱塞泵典型的渐进性故障,因磨损量难以直接测量,通常采用振动信号进行间接测量.磨损引起的振动信号故障特征微弱,对磨损状态进行准确地识别比较困难.针对上述问题,提出了基于谐波分量边频相对能量和的磨损状态识别方法,该方法对壳体振动信号进行Hilbert包络解调消除高频周期干扰,得到清晰的谐波分量,在各谐波分量的特定边频区间内计算最大能量与平均能量的比值并求和,将该值作为新的特征量来表征柱塞泵的不同磨损状态,利用网格法对边频区间范围寻优.结果表明,边频相对能量和相比传统的特征频率能量对磨损状态的区分度更高,适于磨损状态识别.      

基于小波包和Elman神经网络的液压泵故障诊断

针对液压泵出口故障检测信号信噪比低、难以进行故障特征提取的特点,及 传统的BP网络进行故障诊断时网络学习具有收敛速度慢和学习、记忆不稳定的缺陷,提出了 一种将小波包变换和改进Elman神经网络相结合,进行液压泵故障诊断的新方法.利用具有 紧支结构的小波函数对信号进行分解,削减小波系数以滤除信号中的噪声;单支重构以有效 提取各频带的故障特征,并以频带能量作为识别故障的特征向量;应用改进的Elman神经网 络建立从特征向量到故障模式之间的映射,实现液压泵故障分类.试验结果表明,采用小波 包和改进Elman神经网络相结合的方法可有效的实现液压泵故障的诊断.      

基于深度神经网络的航天器姿态控制系统故障诊断与容错控制研究

针对传统航天姿控系统故障诊断与容错控制诊断精度及控制分配效率较低的问题，提出了一种基于深度神经网络的航天器姿态控制系统故障诊断与容错控制方法。以控制力矩陀螺为执行机构的航天器发生执行机构故障工况时，所提出的方法可保证鲁棒的姿态控制。首先，利用三个异构深度神经网络实现传统容错控制器的故障诊断、姿态控制和力矩分配等功能，建立了全神经网络的智能自适应容错控制器架构。然后，对三个神经网络的网络层数、神经元数目和激活函数等参数进行优化调整，对比分析了神经网络参数对控制器性能的影响。最后，对所提出的新型控制器在控制力矩陀螺发生故障时的控制精度和鲁棒性进行了仿真验证。仿真结果表明，对于具有冗余控制力矩陀螺的航天器，提出的方法不仅能在单一陀螺故障下实现高精度的容错控制，也能在发生多陀螺故障时保证一定的姿态稳定控制。     

基于AE-BN的发电机滚动轴承故障诊断

为解决风力发电机在复杂工况及耦合性、不确定性条件下故障识别的准确性问题，提出了一种基于自动编码器(AE)与贝叶斯网络(BN)的AE-BN故障诊断方法。采用AE对电流信号进行特征提取，得到能够高度表征信号的特征分量；基于故障与特征之间的因果关系，建立由故障位置、故障状态和故障特征搭建的三层BN；将AE的特征分量与BN的拓扑结构相结合建立风力发电机故障诊断模型，解决故障诊断中的不确定性问题，提高多故障诊断的准确性。实验结果表明：所提方法能够对故障特征信号进行分析及诊断，精确辨识不同故障类型，相比K近邻算法等具有明显优势。     

基于模型诊断技术的神经网络实现方法

针对基于模型的故障诊断流程中故障检测和故障识别两个关键问题,提出了一种基于神经网络的实现方法.首先利用BP神经网络进行参数估计,并结合系统模型进行故障检测;然后采用ART2神经网络进行数据聚类,并基于聚类结果进行系统故障识别;最后,设计实现了基于BP/ART2神经网络的故障诊断系统.基于BP神经网络的参数估计方法可以准确地估计诊断对象在不同状态下的参数,为故障检测提供有效依据;基于ART2神经网络的数据聚类不仅可以识别对象的已知故障类型,还可以识别出未知故障,对先验信息较少的系统进行故障识别更具有效性.通过永磁直流电机故障诊断案例的应用,证明方法能具有一定的工程实用性.     

航天器永磁同步电机容错式直接转矩控制

电机被广泛应用到航天器的各种关键机构，要求在故障发生时具有带故障运行能力.永磁电机相比于感应电机、磁阻电机具有高功率密度、高可靠性、高效率、低转矩脉动等优点，五相永磁电机相对于传统三相电机，由于相数的增加，电机具有更高的自由度，提升了电机的容错运行性能，具有更高的可靠性，适用于航天器等场合，但存在着绕组开路故障时转矩脉动大和谐波电流含量大的问题.针对此问题本文选用功率密度高且具有更好容错性能的五相永磁同步电机(PMSM)，提出一种改进的容错式直接转矩控制算法，通过对零序电流的抑制来减小开路故障时的转矩脉动和谐波电流.通过MATLAB/Simulink搭建了电机控制系统的仿真模型，验证了所提控制策略的正确性.     

飞机电源系统整流装置故障诊断方法

某型号飞机电源系统现有的机上自检测装置由传统的硬件逻辑电路构成,存在功能扩展性差、可靠性低等缺点.为符合新一代机上自检测装置微机化、智能化的特点,在对其进行故障模式分析的基础上,采用基于小波神经网络的故障诊断方法,通过对整流装置输出电压的实测信号样本的频谱分析,获得对故障敏感的特征频率点,根据小波变换的多分辨率分析理论,确定了与特征频率点相对应的小波母函数和变换尺度.在此基础上,通过定义频带能量特征向量,将小波变换得到的小波系数转换为一组特征向量.将特征向量作为BP神经网络的前端输入,由神经网络完成故障的识别与分类.经验证,故障特征得到了有效地提取,使神经网络可在各种工况下对故障进行故障诊断,符合灵敏性、鲁棒性的要求.      

基于多特征融合的电磁换向阀故障模式识别

为提高基于驱动端电流检测的电磁换向阀故障诊断方法的可靠性和识别准确度，开展了电磁换向阀故障模式识别方法研究。提出一种基于多特征融合的方法对电流信号时频分析和时域参数的特征值提取融合；通过设计电磁换向阀驱动端电流信号的采集实验，获取电磁换向阀驱动端电流的时域信号和二阶变化率的多特征曲线，提取时域参数及二阶变化率相应频带能量作为特征值，构建多特征融合的特征向量；采用基于径向基核函数的多分类支持向量机对电磁换向阀进行模式识别。结果表明：基于多特征融合的支持向量机较基于能量特征值的支持向量机可提升8.7%的识别精度和42.11%的验证准确率。     

结合自组织映射网络及三角形算法的星图识别方法

三角形方法是最经典且应用最广的星图识别方法之一,但是存在搜索范围大、匹配冗余、抗噪能力弱等问题。将神经网络技术应用到星图识别过程中,结合自组织映射网络（SOM）优秀的分类能力和三角形算法可靠的角距匹配能力,提出了一种新的识别方法。该方法基于邻近星的分布来构建每颗导航星的特征向量,将其作为SOM网络的输入向量,通过训练得到具有分类识别功能的网络及相应的三角形库。识别阶段,输入待识别星的特征向量,网络输出识别类,在该类对应的三角形库中应用三角形算法查找匹配三角形,完成星图识别。试验发现该方法减小三角形搜索范围、实现快速匹配的同时,提高了识别系统的抗噪能力,在全天识别过程中平均识别时间低于5ms,识别率在噪声标准差为0.025时仍高达99%。     

卷积神经网络卫星信号自动调制识别算法

自动调制识别是空间认知通信系统的关键技术，有助于实现自适应信号解调。深度神经网络虽然具有特征提取能力强的优势，但也存在参数众多、计算量大的问题，难以实现空间在轨应用。针对以上问题，提出了一种轻量化、高性能的卷积神经网络结构。网络先提取信号的同相正交相关特征，再提取时域特征，最后提取各通道特征均值进行分类。对11种调制方式分类的实验结果表明:当信噪比高于0 dB时，平均识别准确率能达到86.94%，较传统的高阶累积量的方法提高了31.54%;与目前高识别准确率的深度神经网络模型相比，仅使用不到10%的模型参数，在树莓派4B上计算速度平均提高了20倍。      

基于VMD-MPE的开关磁阻电机功率变换器故障诊断

故障诊断是提升开关磁阻电机(SRM)调速系统可靠性的重要技术。针对功率变换器故障信号非线性不稳定、有效信息易被噪声掩盖的特点, 提出了一种新的故障特征提取方法。对直流母线电流进行变分模态分解, 得到若干本征模态分量, 取多尺度有效模态分量排列熵平均值作为特征向量, 输入支持向量机分类器进行故障识别。为验证所提方法的可行性, 建立仿真模型, 与传统的小波分析等故障诊断方法进行对比；搭建了开关磁阻电机实验台架, 测试了开路、短路故障状态。仿真和实验结果表明:所提方法可减小噪声影响, 提高故障识别准确率。      

基于查表的开环MPM预失真器

提出了一种基于查表的开环记忆多项式模型(MPM,Memory Polynomial Model)预失真器.从MPM预失真器系数估计和执行信号预失真处理两方面加以考虑.首先,利用预失真器和高功率放大器(HPA,High Power Amplifier)传输特性的互补性,由采集到的HPA输入、输出基带数据进行单次最小二乘估计得到MPM预失真器的系数,避免了以往递归结构的收敛性和计算量大等问题.然后,利用MPM预失真器的特点,建立了基于输入信号强度索引的一维向量表,通过查表实现MPM预失真器的幂次累加项,极大地减少了实现预失真器所需的计算量及硬件开销.仿真显示,采用提出的预失真器可以有效补偿HPA对信号的记忆非线性失真,有效带宽内获得了近20 dB的功率改善,也显著改善了系统误码性能.     

基于DCNN和全连接CRF的舌图像分割算法

针对中医舌诊中舌体分割不准确、分割速度较慢且需要人工标定候选区域等问题,提出了一种端到端的舌图像分割算法。与传统舌图像分割算法相比,所提算法可以得到更为准确的分割结果,并且不需要人工操作。首先,使用孔卷积算法,可以在不增加参数的条件下扩大网络的特征图谱。其次,使用孔卷积空间金字塔池化（ASPP）模块,令网络通过不同的感受野学习舌图像的多尺度特征。最后,将深度卷积神经网络（DCNN）和全连接的条件随机场（CRF）相结合,细化分割后的舌体边缘。实验结果表明:所提算法优于传统舌图像分割算法和主流的深度卷积神经网络,具有较高的分割精度,平均交并比达到了95.41%。      

基于深度神经网络的空间目标结构识别

利用空间目标雷达散射截面(Radar Cross Section, RCS)序列开展空间目标结构识别是空间态势感知的重要组成部分。文章针对 RCS序列受目标物理特性、姿态特性影响大,序列信号非平稳特征明显的问题,利用深度神经网络（Deep Neural Network,DNN）算法解决空间目标结构特征识别的问题;针对特征提取不具区分度的问题,提出利用分形分析提取RCS序列的分数维特征,并利用Fisher判决率对传统特征进行选取;介绍了DNN算法以及数据处理过程;最后,利用一组仿真测试数据对算法进行了仿真验证。分析结果表明,DNN算法在解决利用RCS序列进行目标结构识别这一问题中具有鲁棒性强、识别准确的特点。     

基于深度迁移学习的航天器故障诊断

随着航天科技的发展，智能故障诊断技术是确保航天器控制系统安全、自主运行的关键技术之一.由于在轨航天器遥测数据样本少、噪声高、未标记，因此缺乏自适应能力、学习能力的传统故障诊断方法难以准确诊断在轨航天器故障.本文针对上述问题提出一种基于深度迁移学习的航天器故障诊断方法，为在轨航天器实时故障诊断提供了可行方法.首先，对航天器运行数据进行预处理，将多维时域信号转换为二维图像信号；其次，搭建基于残差网络的故障诊断深度学习框架，并利用地面测试数据与其他航天器在轨运行数据对网络进行预训练；进而，为了实现当前在轨航天器实时故障诊断，本文采用迁移学习自适应方法，设计网络联合分布自适应代价函数，对故障诊断模型进行参数重调，使模型适应当前在轨航天器故障诊断任务.仿真结果表明，所提出的基于深度迁移学习的故障诊断方法可以快速准确的诊断出航天器故障.     

基于神经网络的卫星控制系统故障识别方法

闭环控制系统的反馈调节机制,可能破坏开环系统的可辨识性,导致误报率和漏报率同时上升,还可能导致同一故障模式下的多个变量发生异常,给闭环控制系统故障识别带来难度。针对单输入单输出系统,分析了闭环控制对可辨识性、误报率和漏报率的影响,对多输入多输出系统,理论上推导了闭环控制系统传感器故障的传播机理,分析了闭环控制系统对系统变量的影响关系,利用神经网络构建了闭环故障识别算法。数值仿真结果验证了闭环对故障系统诊断的不利影响,而卫星姿态控制系统的仿真结果标明:与传统方法相比,提出的方法识别性能更高。