机器人运动的学习控制

机器人学习控制旨在采用简单的控制器结构和易于实现的控制算法,提高机器人轨迹动态跟踪精度。本文讨论了机器人控制研究中存在的困难,简要回顾了早期学习控制思想的形成和发展,重点介绍了近年来国内外有关机器人学习控制研究的现状。     

线性摩擦焊设备的振动测量和分析

针对线性摩擦焊设备焊接误差较大的问题，采用参数记录系统和加速度传感器测量了设备多个部位的振动幅度，并设计了高刚度顶锻滑台，为线性摩擦焊设备优化结构设计、减小振动以提高焊接精度提供了参考。     

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。      

基于脑电功率谱密度的作业人员脑力负荷评估方法

脑力负荷状态的准确识别对减少因作业人员无效脑力负荷导致的人因事故具有重要意义。针对人-机系统中作业人员脑力负荷客观评估问题开展了基于MATB-Ⅱ平台的3种不同脑力负荷水平下的航空情境实验，记录16名被试的NASA任务负荷指数（NASA-TLX）量表数据和脑电（EEG）信号，提出了一种基于脑电功率谱密度（PSD）和支持向量机（SVM）的个体脑力负荷评估方法。结果表明：随着实验设计脑力负荷水平增加，被试的主观脑力负荷得分显著提高（p<0.001），这表明该实验任务设计较好地诱发了低负荷、中负荷和高负荷情境。在此基础上，通过网格搜索法确定个体脑力负荷评估模型的统一优化参数，惩罚系数取3 000，核函数参数取0.000 1，模型测试正确率达到0.966 5±0.029 8，宏平均的受试者工作特征曲线下的面积（Macro-AUC）达到0.991 0±0.011 4。本文为作业人员脑力负荷状态的客观和准确评估提供了一种新的办法，为后期作业人员脑力负荷状态的实时判别提供模型基础。     

基于知识图谱和自动机器学习的软件缺陷预测

不稳定和召回率低效的软件缺陷预测模型难以在行业领域应用，为解决稳定和高效各项性能评价指标的软件缺陷预测模型在工程实践应用的问题，提出了一种基于知识图谱和自动化机器学习的软件缺陷预测方法AutoKGGAS，首先获取软件缺陷预测模型数据，对知识建模、知识获取、知识融合、知识储存与知识计算等知识图谱构建技术研究，实现知识图谱推荐优质软件缺陷预测模型作为自动化搜索的热启动输入条件，根据不同的软件缺陷预测评价指标，优化不同最佳的模型结构.其次实证研究采用NASA开源数据集实验对象和六种性能评价指标，实验结果表明， AutoKGGAS自动化软件缺陷预测模型在不同数据集不同评价指标方面，性能优于知识图谱推荐的传统经典软件缺陷预测模型.自动化软件缺陷预测模型为航天软件缺陷预测辅助代码审查测试提供了原型，在工程实践应用方面具有重要的意义.     

AADL在航天器控制系统设计中的应用研究

以某型号航天器为例提出了一种使用体系结构分析和设计语言(AADL,architecture analysis & design language)分层次建模的方法,建立控制系统软件及软件与硬件之间的交互模型.采用状态自动机方式描述串口通信协议,以便分析模型.     

数控机床及工装的发展与创新设计

在现代数控加工中,由于被加工件的精度要求以及复杂度不断提高,传统加工系统无法满足使用需求,为解决这一问题,数字控制系统的核心算法以及驱动系统得到了快速发展,一些创新机构也应用到了数控机床的整机结构设计中.这些解决措施大幅提升了被加工件的精度和表面质量,促进了市场上一系列新型数控机床的出现,如复合机床、镜像铣削机床等,与之配合的新型加工工装技术也取得了相应的突破.     

PSO-LSSVM在民机气动性能数学建模上的应用

目前风洞试验仅为民用飞机飞行性能提供有限数据.全飞行包线的技术支持对于民机飞行试验十分重要,需要采用数学建模和参数辨识的方法.选择合适的机器学习算法是参数辨识中最为关键的一步.支持向量机(SVM)采用结构风险最小化原理,尤其适用于小样本情形.根据A320非巡航起降阶段的几组真实数据,以及全机气动力估算的结果,使用最小二乘支持向量机建立预测模型.随后采用粒子群算法优化模型参数从而提升泛化能力.由此实现民机飞行包线的气动性能整体建模与辨识.与Ma=0.78时的实验数据相比较,PSO-LSSVM模型的预测结果吻合,是一种有效的气动数学建模方法.     

Multi-state autonomous drilling for lunar exploration

Due to the lack of information of subsurface lunar regolith stratification which varies along depth, the drilling device may encounter lunar soil and lunar rock randomly in the drilling process. To meet the load safety requirements of unmanned sampling mission under limited orbital resources, the control strategy of autonomous drilling should adapt to the indeterminable lunar environments. Based on the analysis of two types of typical drilling media (i.e., lunar soil and lunar rock), this paper proposes a multi-state control strategy for autonomous lunar drilling. To represent the working circumstances in the lunar subsurface and reduce the complexity of the control algo-rithm, lunar drilling process was categorized into three drilling states:the interface detection, initi-ation of drilling parameters for recognition and drilling medium recognition. Support vector machine (SVM) and continuous wavelet transform were employed for the online recognition of dril-ling media and interface, respectively. Finite state machine was utilized to control the transition among different drilling states. To verify the effectiveness of the multi-state control strategy, drilling experiments were implemented with multi-layered drilling media constructed by lunar soil simulant and lunar rock simulant. The results reveal that the multi-state control method is capable of detect-ing drilling state variation and adjusting drilling parameters timely under vibration interferences. The multi-state control method provides a feasible reference for the control of extraterrestrial autonomous drilling.     

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。