装备系统剩余使用寿命预测技术研究进展

社会的稳定发展离不开制造业的高水平发展，生产是制造业的关键步骤，长期持续稳定的产出依赖于装备系统的稳定运行。系统故障引起的停产势必会造成一定的经济损失。如何尽早地发现装备系统的故障来避免停工停产带来的经济损失，已经成为了当前应用研究中的热点。采用定期人工检查的传统方法不仅提高了生产成本，还使得问题发现较为滞后，达不到实时监控的目的。而且，随着信息技术的高速发展，装备系统的监测也变得更加智能化。利用装备系统的历史数据检测其状态能够更敏捷、更高效地发现装备运行中的“亚健康”问题，能给装备管理者提供有益的决策支持。基于装备剩余使用寿命的数据预测，能够提供高效智能的解决方案，在工业领域有着宽广的应用前景。因此，本文聚焦于装备系统剩余使用寿命预测技术的研究进展，对近年来剩余使用寿命预测的研究进行归纳总结，并讨论各剩余使用寿命预测理论与方法的优缺点。最后，总结并展望装备系统剩余使用寿命预测技术的未来研究方向和发展趋势。     

基于迁移学习的太空台风自动识别

太空台风是极盖区内一种新发现的大尺度亮斑状极光结构，直观表征了地磁平静期的一种堪比磁暴的太阳风能量注入现象，这更新了人们对太阳风–磁层–电离层耦合过程的认识，如何从海量星载极光数据中准确髙效识别出太空台风事件具有重要的科学意义。采用深度学习的方法，通过六种网络模型的对比，最终基于迁移学习和EfficientNetB2网络提出了一种太空台风自动识别方法。在2005-2021年美国国防气象卫星（Defense Meteorological Satellite Program,DMSP）上搭载的紫外光谱成像仪（Special Sensor Ultraviolet Spectrographic Imager,SSUSI）的观测数据中验证了该模型的有效性，识别准确率达到97.7%。研究结果表明，该方法可用于从海量星载极光观测数据中自动识别太空台风事件。     

电子上妆技术在载人航天中的应用设计

针对空间站为代表的空间活动驻留宇航员上镜时的妆容美化需求和空间环境资源限制等问题，通过图像处理的方法为宇航员进行虚拟上妆，优化航天员个人形象。对妆容迁移技术现状和载人航天中的问题进行了初步的探索和讨论，进一步提出虚拟上妆的优化设想，设计了基于生成对抗网络的妆容迁移模型。通过该模型可以对宇航员图像或视频的关键帧进行自动美颜，实现宇航员面部的虚拟上妆。实验结果表明，在不会改变宇航员的身份信息的基础上，通过优化后的循环一致性生成对抗网络对宇航员图像面部、眼部及唇部都可以进行迁移上妆，且不需要额外的手动交互。电子上妆技术解决了太空中宇航员个人形象维护难的问题，对进一步提升航天员形象有一定的参考价值。     

结合迁移学习基于全卷积神经网络的ISAR自聚焦算法

逆合成孔径雷达（ISAR）成像目标多为非合作目标，在目标相对运动状态未知情况下的运动补偿是ISAR成像的关键。基于全卷积网络（FCN）具有强大的数据抽象特征挖掘和拟合能力，将FCN用于ISAR自聚焦，提出一种结合迁移学习基于FCN的ISAR自聚焦算法。通过构造大量不同相位误差的仿真数据集并进行训练，使FCN具有相位补偿能力，对不同姿态下仿真以及实测数据进行迁移训练，进一步提升平动相位补偿的能力。实测数据处理结果表明，结合迁移学习基于FCN的自聚焦成像效果优于传统类自聚集算法，验证了所提算法的有效性，相比传统方法更具优越性。     

基于迁移学习的小样本目标识别研究进展与展望

在空、天、海等复杂环境下的目标识别任务中，高质量的样本数据往往较少。特别是在干扰对抗环境下，某些特定领域的目标信息获取困难，可靠的标注数据较少。小样本问题对深度学习技术在目标识别任务中的应用提出了新的挑战。迁移学习为小样本不确定环境下的目标识别问题提供了新的研究思路。本文针对小样本目标问题，以机载雷达等空天传感器信息对海面目标识别为例，介绍了迁移学习的主要思路和方法，对迁移学习在海面目标识别问题中的应用现状进展进行了总结；分析和归纳了迁移学习在海面目标识别应用中的主要挑战。最后对可解释性及鲁棒性的海洋目标识别技术需求及未来发展方向进行了展望。     

星载异构计算环境下的能耗优化任务调度

针对航空航天探测等要求高可靠性、强实时性、低功耗的尖端领域,基于新型的异构多核计算平台对全迁移策略的支持,提出了能耗优化的实时任务调度算法。算法主要分为2部分:负载分配和任务调度。负载分配确定每个任务在不同的处理器集群上工作量的分配比例,并对系统的能耗进行优化。任务调度在负载分配的基础上,采用时间片划分的思想对已分配的任务进行合理调度,保证每个任务都能满足系统约束条件。将此算法与现有的SA算法和Hetero-Split算法进行对比,实验结果显示:此算法比Hetero-Split算法在寻求可行性任务调度方案方面相当,但强于SA算法;在能耗比方面,此算法比Hetero-Split算法在系统总能耗方面有大幅度的降低,降低比率约为23%～24%。     

基于导波-高斯混合模型蒙特卡罗迁移度量的结构损伤定量化诊断方法研究

在线准确定量诊断飞行器结构疲劳裂纹损伤对于保证结构安全、降低维护费用具有重要意义，为了提升复杂服役条件环境下结构损伤定量化诊断的可靠性，本文提出了一种导波-高斯混合模型（Gaussian mixture model,GMM）蒙特卡罗迁移度量的损伤定量化诊断方法。首先建立表征结构不同状态下导波特征概率分布的GMM，再通过大数据随机采样的蒙特卡罗方法计算监测状态GMM相对于基准GMM的迁移距离，该方法在避免了复杂积分计算的同时，能够更准确地计算GMM的迁移距离，实现复杂服役条件下损伤扩展的准确定量化追踪诊断。选取重要飞行器耳片连接结构进行了孔边裂纹监测，有效实现了裂纹定量化监测，结果表明，相比传统的最小匹配迁移距离计算方法，本文提出的方法使裂纹定量化精度提高了29%。     

基于二维紧凑型四阶格子模型的激波管流动模拟

为了提高格子的稳定性，使用Hermite展开方法，构建了新的二维四阶紧凑型格子模型，即D2Q37A。比较了D2Q37A和与Philippi给出的紧凑型格子模型(D2Q37B)的稳定性。在相同的碰撞频率下，与D2Q37B相比，D2Q37A可以模拟初始密度比更高的一维激波管流动。这表明D2Q37A与现有格子模型相比，具有更好的稳定性。详细给出了适用于高阶格子模型的边界条件实现方式。此边界条件实现方式保留了体现LBM（lattice Boltmann method）粒子特性的迁移 碰撞机制。用以上给出的格子模型和边界条件处理方式模拟激波管流动，得到的模拟结果和解析解吻合得很好。这表明所给出的边界处理方式是可行的。此边界格式同样可以用于其他类型的流动和边界。      

故障机理与领域自适应混合驱动的机械故障智能迁移诊断

航空发动机的健康稳定对于保障飞行器的安全运行具有重要的作用，针对各台发动机建立具备高准确率的智能诊断模型是飞行器稳定运行的关键。现有故障诊断方法在具备故障数据的条件下能取得较好效果，但实际应用中往往因仅含正常数据，无法实现诊断模型的构建。针对该问题，提出一种故障机理与领域自适应混合驱动的机械故障智能迁移诊断方法，该方法首先依据故障机理和源域数据建立旋转机械故障虚拟样本生成模型，再采用目标域正常数据实现生成模型对目标域的自适应，最后通过虚拟样本训练得到目标域故障诊断模型。采用标准数据集和实验室轴承数据对提出方法进行验证，结果表明，提出方法对不同型号轴承诊断时取得88.61%的平均准确率，相比对比方法高41.22%。     

遥感场景分类的批处理协方差神经网络方法

针对卫星遥感图像场景分类数据集中存在的局部区域特征异常问题，提出一种采用批处理协方差层的神经网络(CovNN)模型进行遥感场景分类的方法。该方法通过计算全输入通道的局部区域均值实现一种3D批处理协方差算法，能够有效消除局部区域均值的影响，从而更好地处理局部光照过强和局部区域存在无关特征的问题。将其应用于存在局部光照异常和局部无关特征问题的卫星采集AID数据集和NWPU RESISC45数据集中，实验表明CovNN在两个数据集上均取得了超过现有卷积神经网络(CNN)的召回率，可有效降低图像局部区域特征异常的不利影响。