基于图像识别的机械振动信号特征提取与寿命预测方法研究

滚动轴承作为许多机械设备的关键组件,被广泛应用于机械制造、航空航天等领域,其健康状态直接影响了相应设备的剩余寿命,因此在设备故障预测与健康管理(Prognostics and Health Management, PHM)领域,滚动轴承寿命预测具有很高的研究价值。目前基于数据驱动的轴承寿命预测方法主要利用特征提取并构造健康因子(Health Indicator, HI),然而在这一过程中特征的选择与融合依然依赖于专家先验知识,并且健康因子也很难从复杂的时序数据中进行提取。因此,提出了一种新型的数据驱动寿命预测算法,在特征提取方面,通过连续小波变换(Continuous Wavelet Transform,CWT)将传感器振动信号转换为时频谱图,再通过深度残差网络(Deep residual network, ResNet)结合时空卷积网络(Temporal Convolutional Network, TCN)将时频谱图中的时域频域特征构造成为健康因子,最后完成剩余寿命预测。本研究在PRONOSTIA数据集上与现有的数据驱动算法进行了对比,证明了该算法可以更准确地完成剩余寿命预测。     

飞机液压系统柱塞泵热分析

随着飞机液压系统向高压化、大功率化方向发展，液压系统的发热及温升问题受到了广泛关注。柱塞泵作为液压系统中重要的能量转换装置，对液压系统的功率损失和温度有重大的影响，良好的柱塞泵的热分析对液压系统的热设计和温度控制有重要的意义。然而传统的柱塞泵热分析方法，如平均油温法、软件仿真法和热节点网络法，因不够准确、高效和简洁而不能满足现代飞机液压系统热分析和热设计的相关需求。本文针对飞机液压系统柱塞泵发热的相关问题，采用基于集总参数的热网络分析方法，建立了柱塞泵热网络模型，通过对柱塞泵不同工况下的仿真，验证了模型的有效性和准确性，为柱塞泵及液压系统的热分析提供了参考。     

基于飞行资源分离的航班延误传播研究

在航班串设计及机组排班过程中,经常涉及飞行资源(飞机、机组)分离的问题。而延误航班的飞行资源分离将导致共享资源的衔接航班发生延误,并传播至后续航班串。本文考虑带有飞行资源分离的航班串,利用基于贝叶斯网络的比例风险回归模型,对资源分离后的航班离港延误进行分析。对比两种不同时刻飞机与机组资源分离方案下,各延误因素对衔接航班离港延误,以及整个后续航班串延误时间的影响,结果表明,不同时刻分离方案会造成不同的延误传播效果。本文为飞机、机组资源分离时刻的选择提供了定量分析方法,结果表明,资源分离时刻的不同对衔接航班的离港延误,以及整个后续航班串延误波及时间的影响都不同。     

大气色散对航空双谱段高分辨率斜视成像影响

航空双谱段高分辨率斜视成像载荷作为重要的成像手段,具有焦距长、分辨率高等特点,由于大气层上疏下密的分层特性,光线在大气中斜视传播时,导致光谱展宽并产生色散和畸变,严重影响系统成像分辨率和目标定位精度。文章分析了斜视成像的几何特性;利用MODTRAN软件仿真分析了斜视成像时大气透过特性和光谱散射特性;通过光线追踪法定量分析了大气色散对可见光和中波红外谱段的光线弯曲和光谱色散的影响,并提出了基于多光谱ZnS楔形窗口补偿方法。结果表明,远距离斜视成像可见光近红外0.50～0.95μm透过率高,散射小;中波3.70～4.80μm散射和路径辐射效应较小,光线斜视传播时,光线弯曲角度基本一致;大气色散对可见光谱段影响较大,航高20km斜视120km时,成像分辨率由0.375m退化至4.2m,大气色散对中波红外谱段影响较小;色散补偿后,可见光谱段色散角度下降为原来的1/2,中波红外谱段不受影响,在提升可见光成像品质的同时,保持中波红外谱段色散特性不变。     

高效率的特征型紧致WENO混合格式

特征型紧致加权基本无振荡（WENO）混合格式HCW-R结合了迎风紧致格式CS5-P和WENO格式，具有十分优异的分辨率特性。但在求解多维方程组时，HCW-R格式需要求解块状三对角方程组，因而计算代价十分高昂。采用迎风紧致格式CS5-F代替CS5-P，构造了一个新的特征型紧致WENO混合格式HCW-E。由于HCW-E的特殊形式，其可沿迎风方向、由边界处向内推进求解，避免了处理三对角或块状三对角方程组，从而其计算代价与显式格式无异。虽然就分辨率而言，HCW-E稍逊于HCW-R，但前者的计算效率要显著高于后者。因此，当花费相同的计算代价，HCW-E格式可以获得更好的数值结果。一系列求解Euler方程组的数值试验验证了HCW-E的高分辨率特性和相比HCW-R更高的计算效率。HCW-E格式的效率优势在求解高维问题时更为明显。      

一种可变锚框候选区域网络的目标检测方法

目标检测作为计算机视觉领域的热点问题，目前基于深度学习的目标检测方法可以分为2类:两步检测和一步检测，前者有着较高准确性，后者有着较好速度，但是为提高检测的性能两者都引入了锚机制。为提高目标检测系统的性能，基于深度卷积神经网络的两步检测算法引入了注意力引导（AG）模块，通过对候选区域网络（RPN）的锚机制进行引导，使得对于预选锚框形状的选择更具有多样性；同时针对传统的后处理方式非极大值抑制（NMS）算法存在的误检和漏检的问题，提出了一种置信度因子的NMS（Cf-NMS）算法，对于模型的整体性能有着很大的贡献。实验结果说明，所提方法虽然在速度性能上有略微的下降，但是无论是在RPN变体还是现有的先进算法在准确性方面都有提升。      

基于LSTMAttention网络的短期风电功率预测

提出一种基于LSTMAttention网络的短期风电功率预测方法。首先,使用LSTM网络对数值天气预测(NWP)数据的特征信息进行提取,同时采用注意力机制有效分析了模型输入与输出的相关性,从而获取了更多重要时间的整体特征；其次,使用卷积神经网络(CNN)提取NWP数据的局部特征,并引入压缩和奖惩网络(SE)模块学习特征权重,利用特征重新标定方式提高网络表示能力；最后,将局部特征和整体特征进行特征融合,通过分类器输出分类结果。利用NOAA提供的美国加利福尼亚州某风电场的数据进行案例分析,证明了所提方法的有效性。试验结果表明,与BP神经网络、自回归积分滑动平均模型(ARIMA)模型和LSTM模型相比,LSTMAttention模型具有更高的预测精度,证明了该方法的有效性。