一种基于Deep-GBM的航空发动机中介轴承故障诊断方法

针对航空发动机中介轴承故障信号难于识别的特点，提出了一种深度梯度提升模型（Deep-GBM）对振动信号特征进行逐层学习以提高分类模型的准确率。开展某型航空发动机中介轴承故障模拟实验，并采用经验模式分解(EMD)方法对采集的振动信号进行分解，提取内蕴模式函数(IMF)分量非线性动力学参数样本熵作为原始故障特征。采用Deep-GBM对中介轴承内环故障、内环和滚动体综合故障、正常、滚棒剥落、滚棒划伤五种不同状态进行识别。实验结果表明，所提出的Deep-GBM故障诊断准确率达到87%，相对于传统的机器学习模型准确率最高提升了28%，并具有良好的泛化能力。      

基于YOLO智能网络的红外弱小多目标检测技术

复杂背景下的红外弱小多目标检测是红外目标检测的难点,现有算法的稳健性难以满足实际弹载应用需求。针对弹载环境下的红外场景图像开展了基于典型深度学习网络模型的目标检测应用研究,提出一种基于YOLO(you only look once)网络的智能目标检测方法,通过高维特征学习表征和推理实现红外弱小多目标检测。采用传统的模板匹配算法和YOLO深度学习算法进行识别性能对比分析,验证了YOLO网络在红外弱小多目标检测方面的良好性能。实验结果表明:YOLO算法的检测概率可达92.2%,平均检测精度为0.844,与传统的模板匹配方法相比,YOLO具有明显的优势。     

可靠性设计优化的球空间设计法

可靠性设计优化（RBDO）在航空航天等领域已经被广泛应用，具有显著提高可靠性的效果；然而它包含两个迭代循环-总体优化循环和可靠性分析循环，双循环求解方法效率低下甚至难以承受。本文提出一种可以提高可靠性设计优化求解效率的方法-球空间设计法，该方法可以方便地表达搜索区域，最大可能失效点可以从极值点处精确获取；同时，该方法可以将总体优化以及可靠性分析同步进行。本文所提出的球空间法的有效性将通过2个算例进行测试，测试结果表明该方法不仅精度与同类方法持平，求解效率有明显提升，它将会对提高航空航天装备如卫星、火箭、飞行器等产品的可靠性提供更为有效的方法和技术支持。     

空间目标监视雷达信号频率的优选准则

随着在轨微小卫星及空间碎片数量不断增加，为保证在轨卫星的运行安全，需要对微小目标进行有效跟踪探测及稳定编目。雷达作为近地空间目标监视的主用设备，在对厘米级小目标进行探测跟踪时，其工作频率是决定其能否可靠探测关键因素，高频有利于探测小目标，并可获得相对稳定的RCS，但高频信号的波束小、搜索能力较低，实现难度大，也使得成本过高。为适于实际工程应用，需从效费比出发，对频率进行优选。本文从目标RCS的角度提出一种空间目标监视雷达信号频率的优选准则，给出该准则下周长波长比ka的取值范围。为了更加清楚地说明该优选准则的应用，给出了直径5 cm和10 cm的目标在该准则下信号频率的取值范围，并与国外工作做了比较，证明该准则可行。     

基于G-M制冷机的大尺寸冷屏设计方法

介绍了基于Gifford-Mcmahon (G-M)制冷机的大尺寸冷屏的设计方法。该低温冷屏配合真空环境模拟室共同使用，为遥感卫星的星载遥感器等部件的红外定标试验提供20K的低温冷背景。该冷屏采用5台G-M制冷机进行制冷，外形尺寸达到1m×1m，是目前国内同类型冷屏中尺寸最大的。详细介绍了冷屏在容器内的安装布置、冷缩时的补偿等结构设计方法、冷屏的表面温度分布以及降温时间等计算分析。成功解决了大尺寸冷屏在低温环境下的冷缩补偿难题，试验结果表明:冷屏主要测点温度为15K，温度均匀性误差为±1K，达到并超过设计要求。      

MIDACO software performance on interplanetary trajectory benchmarks

A numerical study of the MIDACO optimization software on the well known GTOP benchmark set, published by the European Space Agency (ESA), is presented. The GTOP database provides trajectory models of real-world interplanetary space missions such as Cassini, Messenger or Rosetta. The trajectory models are formulated as constrained nonlinear optimization problems and are known to be difficult to solve.     

硅半球深腔结构无损检测技术

半球深腔的加工质量是决定硅基MEMS半球陀螺精度的关键因素之一，及时检测半球深腔的形貌参数并将其反馈至加工过程，是确保高性能MEMS半球陀螺研制成功的重要措施。由于硅半球深腔的深度较大，台阶仪和光学显微成像系统无法对半球深腔的形貌特征进行有效测量。因此,需要将硅深腔结构剖开后采用扫描电镜(SEM)进行检测。这种检测方式时间周期长，且属于破坏性的样本检测，效率和测试精度都较低。提出以硅半球深腔为模具，利用PDMS铸模将硅半球深腔的结构尺寸和表面形貌转移到PDMS凸起的半球模型上，通过检测PDMS半球模型的尺寸结构和表面形貌，即可反推出硅半球深腔的尺寸特征。经实验验证，脱模后的PDMS模型可以准确地反映出半球深腔的尺寸信息，测量结果的不确定度小于5‰，有效解决了硅半球深腔无损检测的难题。     

基于深度混合模型评分推荐

从用户-项目评分矩阵中学习用户对项目的个性化偏好,对于评分推荐来说至关重要。许多推荐方法如潜在因子模型,无法充分利用评分矩阵中的交互信息学到较好的个性化偏好而得到较差推荐效果。受深度学习中Wide and Deep模型应用于APP推荐启发,本文提出一种深度混合模型并命名为DeepHM用于评分推荐。与Wide and Deep模型相比,使用DeepWide和DNN部分重构Wide模型和Deep模型得到DeepHM,并且DeepWide和DNN部分共享交互信息输入。因此,DeepHM可以更有效地使用评分矩阵中的用户和项目的交互信息学到个性化偏好信息。DeepHM将评分推荐作为分类问题旨在提高推荐准确性。实验表明在公开的Movielens数据集上DeepHM算法相比现有的基于评分推荐模型具有更好的效果。     

基于TEC的空间站末端回路温控系统建模及其热力学性能分析

针对空间站中间回路温度波动过大,高温时导致科学载荷工作温度超出允许范围的问题,设计了一种基于热电制冷器(TEC)的末端单向流体回路温控系统。该系统包含一个TEC温控模块,当中间回路温度过高,末端回路冷却功率不足时,该模块可提供额外的制冷量,降低流入冷板的工质温度,形成针对科学载荷的相对低温区域,恢复回路的冷却能力。分别建立了温控系统数学模型与数值仿真模型,并完成了热负载扰动、中间回路温度扰动、末端回路流量扰动和并联支路热扰动等4种扰动对系统热力学特性影响的仿真分析,验证了TEC模块的温控性能。结果表明:在科学载荷发热功率增加30%、中间回路的温度升高5K、末端回路流量减小至0.0015kg/s等多种工况下,所设计的温控系统能够将载荷温度控制在1K以内,实现科学载荷精确温控。      

基于DDPG算法的无人机集群追击任务

无人机的集群化应用技术是近年来的研究热点，随着无人机自主智能的不断提高，无人机集群技术必将成为未来无人机发展的主要趋势之一。针对无人机集群协同执行对敌方来袭目标的追击任务，构建了典型的任务场景，基于深度确定性策略梯度网络（DDPG）算法，设计了一种引导型回报函数有效解决了深度强化学习在长周期任务下的稀疏回报问题，通过引入基于滑动平均值的软更新策略减少了DDPG算法中Eval网络和Target网络在训练过程中的参数震荡，提高了算法的训练效率。仿真结果表明，训练完成后的无人机集群能够较好地执行对敌方来袭目标的追击任务，任务成功率达到95%。可以说无人机集群技术作为一种全新概念的作战模式在军事领域具有潜在的应用价值，人工智能算法在无人机集群的自主决策智能化发展方向上具有一定的应用前景。