数据驱动的运载火箭氧涡轮泵异常分析方法

基于模糊聚类和LSTM网络，提出了一种数据驱动的运载火箭发动机氧涡轮泵数据异常分析方法。通过模糊聚类对工况复杂，标签不完整的数据样本进行预分类，得到完整的标签并且分析特征贡献度，为LSTM网络的特征筛选和训练打下基础；通过LSTM网络对氧涡轮泵数据进行预测，并计算预测结果与原始数据之间的平均误差，再根据非参数阈值计算方法计算的阈值判据来判断设备是否异常，最终实现了氧涡轮泵数据驱动的故障检测报警，相较于红线阈值检测方法准确率提升7%。     

翼型不确定性量化中正交匹配追踪的应用

不确定性在实际系统中广泛存在，为了研究不确定性因素影响下系统输出的随机响应特性，传统的不确定性量化方法如蒙特卡洛采样、混沌多项式展开等需要大量的样本，制约了在飞机机翼等复杂系统中的应用。近年来，在信号处理领域发展迅速的压缩感知技术，利用原始信号的稀疏性可以用少量的样本精确重构信号。这一特性促使研究人员探索将压缩感知技术应用于不确定性量化研究中。以RAE2822实际翼型为研究对象，使用类函数/形函数变换将原始翼型参数化，考虑加工、装配过程和实际飞行工况下的几何不确定性，将压缩感知技术与混沌多项式展开相结合，利用正交匹配追踪算法实现多项式系数的稀疏重构，获得翼型气动力系数和流场参数在考虑几何不确定性影响下的均值和标准差，并与蒙特卡洛采样和满秩概率配点法获得的结果进行对比。通过对收敛性能、样本数需求和重构精度等方面的对比分析表明，正交匹配追踪算法能够利用相对较少的样本获得与传统不确定性量化方法相近的精度。考虑到实际系统的随机响应在混沌多项式基底上大多具有稀疏的展开形式，因此将压缩感知技术应用到不确定性量化中可以显著降低样本数需求，从而降低时间成本，提高计算效率。     

舰载直升机系统安全评价指标体系

为了准确地对舰载机系统进行安全分析，确定客观的安全评价指标，文章选择“人、机、环境、管理”4个方面共29个评价指标，这些指标基本涵盖了舰载机系统的安全评价所包含的有效信息。利用模糊聚类的方法再对该指标体系进行筛选，最终确定了精简且具有科学性的指标体系。     

真空磁过滤电弧离子镀法制备类金刚石涂层方法及性能研究

采用真空磁过滤电弧离子镀方法，在GT35基体上沉积类金刚石膜。通过对清洗工艺及弧电流、工件所加负偏压、沉积温度等参数的研究，制定出了合理的工艺路线，并对这种膜层进行了X－射线光电子谱（XPS）分析，利用干涉仪、纳米硬度计对膜层的粗糙度、纳米硬度作了进一步检测。结果表明，采用此种方法制备的类金刚石膜层，SP^3含量约为40．1％；组织致密，无大的颗粒；镀膜后的粗糙度可以达到0．015μm；纳米硬度约为55GPa。并将膜层与TiN膜层组成摩擦副，进行了耐磨性试验。结果表明膜层的耐磨性较好。     

复合薄膜表面技术研究进展

概述了复合薄膜表面技术研究进展以及在航空，航天等方面的应用，并提出了有待深入研究的问题。     

基于有向图-链表-继承类的流体网络数据结构

针对流体网络1维计算模型，设计得到新型数据结构，顶层为二元有向图，其中的元素为流体网络的各分支，使用二元 关系矩阵表达二元有向图，元素数值为1则表示2分支间存在有向连接关系；中间层为分支，其中的元素为流体网络中的各类典型 元件，将不同类型的各元件连接为双向链表，方便计算程序调试时对相邻元件参数的监控；底层结构即为各元件元素，各类元件由 标准类继承而来，其中将元件的计算函数及关键参数封装于标准类中，编写代码调用计算函数及元件进出口参数时只需调用标准 类统一代码。新型数据结构在数据存储占用空间、程序调试、计算代码编写、网络结构变更时数据结构的改动等方面都有明显优 势。应用于供气系统流体网络模型，流量计算结果仅比试验结果高2%。     

一种改进的固液火箭发动机故障诊断方法

针对固液火箭发动机的可靠性问题，设计了一种改进的贝叶斯网络故障诊断方法，可以通过网络化自主逻辑推理，对固液火箭发动机进行故障诊断。为了提取时序观测信号的故障特征，提出将步进法与核主成分分析(KPCA)相结合的分析方法，并根据模糊C均值聚类算法(FCM)建立模糊多态贝叶斯网络，实现对观测信号尺度的模糊处理，提高对不确定性故障的诊断能力。通过Matlab/Simulink建立改进的贝叶斯网络故障诊断系统。仿真结果表明，改进的算法能够实现对固液火箭发动机常见故障的有效诊断，并能够适应小样本集学习的情况。与传统贝叶斯诊断算法相比，故障诊断的平均准确率提高了20.9%。     

基于深度表征学习的紫外极光卵图像聚类

极光受太阳风驱动的地磁亚暴等大尺度动力学影响，其形态及演化因不同的太阳风-磁层-电离层耦合作用可能表现不同。目前，极光卵及其形态的归类大多依据极光演化理论作主观定性分析，没有明确的分类标准，故难以借助统计分析方法和有监督分类模型开展客观定量研究。建立了基于深度表征学习的紫外极光卵图像聚类模型（MoCo-GMM），并利用空间环境参数设计了评估模型物理合理性的方法，在大规模POLAR卫星紫外极光卵图像数据上进行了实验，聚类结果不仅具有良好的簇内凝聚性和簇间分散性，且具备一定的物理可解释性，有效实现了基于图像的极光卵及其形态的客观归类。     

基于EEG信号特征的脑力疲劳快速检测方法

空间站飞行过程中航天员容易产生脑力疲劳，其是影响作业效率和引起失误的主要因素。为此，研究人体脑力疲劳的快速检测方法，将有利于保障在轨运行安全。脑电波(EEG)的特征变化能够反映出大脑疲劳状态，但现有EEG方法分析脑力疲劳时需要多个导联的信号，这严重限制了其在空间站环境中的实际应用。通过地基实验，采用36 h睡眠剥夺的方式成功诱发出45名受试者的多种脑力疲劳状态。针对EEG信号的非平稳性，设计的8层db4小波变换结构，有效分解出了δ、θ、α和β脑节律波。先使用方差分析( ANOVA)和Logistic回归筛选出脑力疲劳敏感特征，再依据脑力疲劳敏感特征数量进一步筛选出脑力疲劳敏感导联，应用6个敏感导联的特征分别构建了随机森林回归模型。加权融合6个导联处的回归模型，形成脑力疲劳快速检测模型，其平均精确率高达85.25%。