航空发动机限寿件疲劳可靠度计算新方法

针对目前的航空发动机限寿件（ELLP）疲劳可靠性分析中的小失效概率事件以及其极限状态函数具有较强非线性的特点，提出了一种具有自更新机制的半径外自适应重要抽样（AUMCROAIS）疲劳可靠性分析方法。该方法首先利用蒙特卡罗自适应重要抽样（MCAIS）快速逼近真实设计验算点（MPP）附近，随后以近似设计验算点为中心进行极坐标抽样，并依次构造主动学习函数，对近极限状态函数和抽样半径进行最优选取，从而实现最优抽样半径的更新，通过不断的更新确定出最优抽样半径，加速失效概率计算的收敛。本方法提高了设计验算点的收敛速度同时保证了计算精度，解决了小失效概率事件以及强非线性极限状态函数可靠度计算难题，最后以某型发动机压气机轮盘为对象应用本方法，并与传统的蒙特卡罗仿真（MCS）方法、蒙特卡罗半径外自适应重要抽样法（MCROAIS）和一阶可靠性方法（FORM）进行了对比，验证了本方法的高效率、鲁棒性和仿真精度。     

月球表层采样样品智能确认方法

表层采样是月球采样探测的重要方式，样品智能确认有助于提升工作效率与复杂问题处理能力。结合月球表层采样铲挖工作过程，分析了铲挖过程中臂载相机图像的特点，模仿有人参与识别过程，提出了层次解耦的月球样品智能识别流程，利用深度学习方法构建了一类深度卷积识别网络，完整地描述了图像、特征、标记在网络中的正反传递关系，并在月球表层采样地面试验中进行了验证，结果表明该方法对不同光照、不同背景、不同过程、不同形态的样品，具有较好的泛化识别能力，误识别率优于8.1%，平均单幅识别时间约0.7 s。     

基于 Stacking集成学习的飞行模拟器设备故障预判

为精准研判飞行模拟器故障问题,提升飞行模拟器故障应急处理能力,提出了 1种基于 Stacking集成学习的设备故障预判方法。首先,针对设备故障数据具有高维度和时序性的特点,采用正态分布法,对采集的原始故障数据进行缺失值和异常值处理,获取归一化数据,并基于核主成分分析法,提取数据的特征并降低数据维度;然后,构建以 CNN、RF、BP神经网络为基分类器,XGBoost为元分类器的 Stacking集成学习模型,采用交叉验证训练策略,对设备的故障类型作出预判;最后,构架典型案例。仿真结果表明,所提方法可正确有效地识别设备的多种故障状态。     

基于集成学习模型的飞行学员认知负荷研究

在飞行过程中,飞行员需要在短时间内接收大量信息,并做出正确的判断与决策,而过高的认知负荷会影响其感知、判断、决策等认知过程,进而影响飞行安全。首先通过飞行模拟实验获取飞行学员在执行不同飞行任务时的生理数据;然后通过时域、频域分析等方法提取呼吸和心电信号的特征,并通过统计学方法筛选出能够反映认知负荷水平的指标;最后结合支持向量机、K 最邻近、人工神经网络等方法建立集成学习模型,对飞行学员的认知负荷进行评估,并与单一算法进行对比。结果表明：本文建立的集成学习模型具有较高的准确率,能够更好地反映飞行学员认知负荷水平。     

基于鲁棒迭代学习的四旋翼无人机轨迹跟踪

针对四旋翼无人机高精度轨迹跟踪问题,充分考虑外部扰动等因素,提出了一种带遗忘因子的基于可变增益的前馈-反馈鲁棒迭代学习控制算法。其中,前馈迭代学习控制器采用选择迭代学习方案,弥补了传统的基于遗忘因子迭代学习控制方法的不足,且控制器学习增益可随迭代变化,可以加快算法的收敛性。反馈控制器采用比例-微分控制器,可以保持系统稳定并且加快跟踪误差收敛速度。最后通过收敛性分析和四旋翼仿真试验验证了所提出算法的有效性,所设计算法具有很好的鲁棒性和较高精度。     

一种卫星对地观测需求分析方法

针对卫星对地观测任务需求分析方法研究的复杂性和迫切需要,文章通过把文本化的卫星观测需求编码成数值向量的形式,提出需求之间的相似度度量方法。进而基于无监督学习的相关理论和算法,给出向量化表示的需求聚类算法。同时为了能在二维平面直观展示分析高维需求数据,在引入需求之间距离计算方法的基础上介绍了高维数据的降维算法,并且通过测试数据验证了算法的有效性和可行性。通过把繁杂的需求信息转换成高维空间向量,能大大降低分析人员对领域专业知识的依赖,提升需求分析的效率和科学性。     

基于 LSTM的飞控系统状态监控

监测飞控系统状态参数是保证无人机飞行安全的重要手段。针对无人机飞控系统的组成特点和飞行控制律,设计并构建了基于长短期记忆网络(Long Short Term Memory Network,LSTM)的飞控系统状态监控模型。首先,利用无人机历史飞参数据训练模型,建立输入飞参数据与状态参数的回归映射关系;然后,利用训练好的网络模型,实时预测飞控系统的状态参数,通过对比实测值与预测值之间的差异,实现飞控系统的状态监控。选取无人机飞参数据进行实验,基于 LSTM的算法比反向传播神经网络(BPNN)、支持向量机(SVM)预测精度高,MSE平均值分别低 0.01和 0.26,MAE平均值分别低 0.05和 0.12。结果表明,所提出的方法能够有效监控飞控系统,为无人机飞行管理决策提供数据支持。     

基于深度学习的自冲铆接偏铆缺陷检测算法研究

自冲铆接技术适合铝钢等异种材料连接,接头性能可靠,在航空工业中有着广阔的应用场景,但目前针对自冲铆接缺陷无损检测的相关研究较少。提出了基于深度学习的自冲铆接偏铆缺陷检测算法,首先通过剪切力学性能试验得出偏铆自冲铆接件相较于正常铆接件力学性能下降了5.6%;然后通过自冲铆接偏铆件外部形貌特征将偏铆程度由外部特征定义在0～10的区间;最后探究了单步检测同双步检测间的检测效果差异,提出了YOLOv5s(You Only Look Once v5s)加ResNet18的检测方案,并通过Grad-CAM(Gradient-Weighted Class Activation Mapping)对不同检测方案的效果差异进行了可视化的解释。测试表明,提出的YOLOv5s加ResNet18的检测方案在所采集的数据测试集中可以达到100%正确率,高于仅用YOLOv5s取得的95.18%正确率,远高于仅用ResNet18取得的84.1%正确率。