相关向量机及其在故障诊断与预测中的应用

相关向量机(RVM)是一种基于稀疏Bayesian学习理论的新型机器学习方法,具有概率式输出、稀疏性强、参数设置简单、核函数选择灵活等优点,克服了人工神经网络(ANN)和支持向量机(SVM)等典型机器学习方法的诸多固有缺陷。文章从模型选择与优化、模型计算效率和模型鲁棒性改进3个方面综述了RVM的理论研究进展;总结了RVM在故障诊断与预测中的应用研究现状;分析指出了当前研究中存在的问题,并讨论了基于RVM的故障诊断与预测技术的研究方向。     

智能故障诊断方法的研究和展望

在综合大量智能故障诊断技术和方法文献的基础上,对目前国内、外智能故障诊断技术的发展和应用进行了总结,并指出了不同的智能故障诊断方法的特点,最后对智能故障诊断技术的发展方向进行了展望。     

航空发动机故障的支持矢量机智能诊断

引入支持矢量机和多元分类算法到航空发动机故障诊断当中。通过设计的多元分类支持矢量机构建了小样本多参数航空发动机故障智能诊断模型，然后通过发动机故障仿真器对典型发动机气路故障进行了诊断。结果表明，支持矢量机具有优秀的故障学习能力，采用它进行航空发动机故障诊断是可行、有效的。     

基于机器学习的航空器进近飞行时间预测

为了准确预测航空器的落地时间，提高空管部门间的协作效率，采用机器学习的方法对航空器进近阶段飞行时间进行了预测。从实际运行出发，分析航空器在进近管制空域飞行时间产生差异的原因，提出了影响航空器在进近空域飞行的8类因素和17个重要特征。以航空器在进近飞行时间为标签，基于提出的重要特征，采用岭回归、支持向量机、随机森林和神经网络算法，建立了4种基于机器学习的航空器进近飞行时间预测模型。以南京进近为实例，对4种机器学习模型进行训练、验证和测试，对模型的性能指标、特征重要性和影响因素展开分析。研究结果表明，对于航空器进近飞行时间的预测，基于随机森林的模型表现出了最高的预测性能，模型的泛化能力最好、精确度高，回归效果越显著；进场状态是影响航空器进近飞行时间的最重要因素，而进场点和进场高度特征则对结果的贡献度最大。     

面向智能感知的小样本学习研究综述

小样本学习指只利用目标类别的少量监督信息来训练机器学习模型。由于其实用价值，学术界和工业界提出很多针对该问题的解决方案，但是目前国内缺少该问题的综述。本文对国内外学者提出的小样本学习算法及基于小样本学习的目标检测算法进行了系统的总结和探索。首先，给出了小样本学习的问题定义，列举其与其他一些经典的机器学习问题之间的联系，同时从理论上阐述小样本学习问题面临的挑战；接着，对基于小样本学习的图像分类进行了概述，并对其中代表性的工作进行介绍与分析；在此基础上，重点针对基于小样本学习的目标检测，特别是零样本条件下的目标检测问题，详细介绍和分析了现有的研究工作；最后，立足于现有方法的优缺点，从问题设定、理论研究、实现技术以及应用场景等几个方面对小样本学习的未来发展进行了展望，期望为该领域后续的研究工作提供启示。     

激光选区熔化增材制造缺陷智能监测与过程控制综述

激光选区熔化（SLM）技术被认为是最有应用前景的增材制造技术之一,已应用于航空航天、医疗器械等领域。然而,如何确保构件质量的可靠性和制造的可重复性是SLM面临的最大挑战,已被认为是限制SLM及其他金属增材制造技术发展和工业应用的最大壁垒。其中,主要原因是SLM过程中会产生难以控制的缺陷。因此,对SLM进行过程监测和实时反馈控制是解决这一挑战的重要研究方向,也已成为学术界和工业界的研究热点之一。通过对近十年该领域的文献调研,综述了金属激光增材制造中常见的冶金缺陷及其产生机理,对金属增材制造过程产生的信号及其监测手段,如声信号、光信号及热信号等进行了详细描述;总结了信号数据的处理方法,包括传统的统计处理方法和新兴的基于机器学习的智能监测方法;随后,综述了金属增材制造过程的质量控制方法,包括非闭环控制和闭环控制,并对全文进行了总结,展望了未来SLM智能监测和控制领域值得深入的研究方向。     

小推力转移燃料消耗估计的机器学习方法

深空探测任务设计初段往往需要求解复杂的全局优化问题。小推力轨迹的设计与优化问题精确求解较为复杂,求解速度较慢。由于计算能力与时间要求,不可能在全局优化的过程中对每一个方案都进行精确的小推力数值求解,所以在全局优化阶段需要对小推力转移进行快速准确地估计。采用机器学习的方法,对燃料最优小推力转移的燃料消耗进行了估计,其结果明显优于目前最为常用的Lambert估计方法。根据轨道描述方法的不同以及是否带有Lambert估计特征,采用不同的特征组合进行机器学习,分析结果发现带有Lambert估计特征的春分点轨道根数的特征组合为较好的机器学习特征组合。可为未来深空探测任务轨道设计提供参考。     

三维物体平稳堆放概念的学习

提出在机器人动作规划控制系统中，增加学习模块，通过分析各种三维物体堆放的不稳定因素，从和平稳的正面例和堆放倒塌的反面例中，学习平稳堆放Ｓｔａｂｌｅ－Ｓｔａｃｋ概念。利用抽象的Ｓｔａｂｌｅ－Ｓｔａｃｋ概念，修正和改进机器人动作规划的制定以提高机器人自动化水平。     

小推力最优轨迹协态估计的高效机器学习方法

针对变比冲小推力轨迹间接优化中的协态变量初值猜测问题,提出了一种基于机器学习的协态变量初值高精度高效估计方法。首先,基于标称最优轨迹延拓,建立了状态量边值高扰动上限情形下的数据集生成方法,并分析了扰动上限对求解效率的影响。然后,构建了基于位置速度、轨道根数和改进春分点轨道根数多形式状态量组合输入的人工神经网络(ANN)映射关系,分析并优化了神经网络结构。将提出的方法应用于深空探测小推力转移场景,仿真结果表明该方法相对于标称轨迹直接扰动的数据集生成方法及单一形式状态量输入的人工神经网络映射方法,均有效地提升了求解收敛率,能够高效高精度地估计协态变量初值,实现轨迹快速优化。     

人工智能在空腔气动/声学特性预测与控制参数优化中的应用

多参数多条件下的精准气动特性数据是进行飞行器快速设计、系统完善、性能评估、指标考核的基本前提和根本保证。基于人工智能的深度学习技术与流体力学交叉融合已成为当前发展趋势,并在湍流模型改造、系统理论建模、气动数据预测、控制参数优化、复杂流场重构等方面得到成功应用。为最大限度发挥深度学习的强大表征能力,围绕内埋弹舱作战运用和智能优化设计需求,构建了弹舱空腔气动特性多场载荷数据库,采用基于数据驱动的深度学习方法,建立了耦合因素影响下的空腔气动/声学特性智能分析深度前馈神经网络模型,实现了有限约束条件下的空腔气动/声学特性快速预测,并引入随机搜索和贝叶斯超参数优化方法增强了模型鲁棒性,为空腔噪声有效控制模型快速优化设计提供了数据基础和方法途径。