卷积神经网络和峭度在轴承故障诊断中的应用

针对传统智能诊断方法依靠专家知识和人工提取数据特征工作量大的问题,结合深度学习方法在特征提取和处理大数据方面的优势,研究了一种基于卷积神经网络和振动信号峭度指标的滚动轴承故障诊断方法。该方法将深度学习应用于轴承故障诊断,提取滚动轴承正常状态、内圈故障、外圈故障和滚动体故障4种状态的振动信号,将振动信号分段处理得到峭度指标,使用数据到图像的转换方法将峭度指标转换为灰度图,送入卷积神经网络模型完成故障分类。在进行滚动轴承故障诊断的实验时,所提的模型诊断准确率达到99.5%,高于传统支持向量机(SVM)算法的95.8%。      

液体推进剂在轨剩余量测量方法研究进展

介绍了在轨航天器液体推进剂剩余量测量技术国内外研究进展,并展望了未来的研究方向。首先简要介绍了造成微重力条件下液体推进剂剩余量测量困难的原因;接着回顾了液体推进剂剩余量测量技术的发展脉络,将其技术发展分为技术萌芽、技术成熟和新技术探索三个阶段;然后从基本原理、误差分析、研究进展等方面综述了常用的簿记法(Book-Keeping,BK)、压力体积温度法(Pressure-Volume-Temperature,PVT)和热量激励法(Thermal Gauging Method,TGM)等液体推进剂在轨剩余量测量技术,对比分析了各种方法的优缺点;最后,展望了液体推进剂在轨剩余量测量技术的发展方向:一是利用不同测量技术在不同卫星寿命期间具有不同测量精度的特点,将多种测量技术进行结合,以提高整体测量精度;二是开发适用于卫星全寿命周期高精度测量的新方法。     

基于深度学习的组合体航天器模型预测控制

利用模型预测算法先预测控制结果后控制的类人行为特点，借助深度学习在多参数寻优上的优势，提出了一种基于卷积神经网络的模型预测控制算法，满足航天工程低硬件需求，实现组合航天器多场景下姿态控制律的重构。该算法首先利用模型预测控制将组合航天器从初始状态控制到预期状态，然后将控制过程中状态量用于3层3核卷积神经网络的训练，训练完成后，用该卷积神经网络代替模型预测对组合航天器进行控制，从而降低计算资源需求。仿真校验表明：该算法可预测5个控制周期内的控制参数，相比传统模型预测算法所需硬件计算时间降低约5倍，在一般硬件环境下30 s内即可完成各场景下的组合航天器姿态控制，控制精度在10 -4 量级。     

基于T-Scan的三维激光扫描系统测量误差分析

三维激光自动扫描系统可以快速获取零件表面信息,提高扫描系统的测量精度可以进一步提高系统性能。针对扫描精度问题,对扫描系统的测量误差进行了分析和评估,在试验中使用的扫描系统由机器人和商业三维激光扫描仪T-Scan组成,这种商业三维激光扫描仪的基本原理是激光三角法,测量误差受到扫描位姿的影响。将T-Scan的扫描位姿分解为扫描深度、俯仰角和偏转角,通过控制变量试验研究了扫描位姿对随机误差和系统误差的影响。试验结果显示,扫描结果的随机误差远小于系统误差,系统误差与扫描深度和俯仰角呈双线性关系。根据试验结果建立了系统误差的预测模型,通过模型预测的系统误差与实际试验结果的偏差最大为26μm,该预测模型是优化扫描轨迹从而提高测量精度的前提条件。     

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。     

增广误差模型算法在目标跟踪中的应用

针对目标机动运行过程中,滤波模型与机动状态模型失配的问题,提出了一种新的增广状态误差滤波模型。不同于现有增广方案,该模型从模型失配所致状态滤波误差的角度出发,将状态估计误差增广为一状态量,通过滤波估计后用其校正原状态量。算法分析表明,该增广滤波模型具有自适应调节多重渐消因子的等效特性,增强了对目标的跟踪能力。基于该增广状态误差滤波模型,给出了滤波算法设计并进行了仿真实验。实验结果表明,基于该模型的滤波算法在对机动目标进行跟踪时具有更强的鲁棒性。     

智能方法在惯性系统误差参数辨识中的应用

总结了目前我国提高惯性系统导航精度的技术途径,阐述了国内外惯性系统误差参数辨识方法的研究现状,介绍了当前滤波算法、智能优化算法和人工神经网络方法在惯性系统导航领域的应用情况以及存在的不足。最后,分析了空间飞行器惯性系统误差参数辨识技术的未来研究方向,即智能优化算法和人工神经网络方法等智能方法将在惯性系统误差参数辨识中发挥越来越重要的作用,通过将误差系数标定问题转换为参数辨识问题,采用智能方法在庞大的解空间内实现对惯性系统误差参数的快速辨识。     

北斗空间信号误差统计特征及描述方法研究

通过对比北斗卫星导航系统(BeiDou Navigation Satellite System,BDS)广播星历与事后精密星历,提取了轨道和卫星时钟误差。基于北斗轨道误差及北斗卫星时钟误差统计特征分析,构建区别于全球定位系统(Global Positioning System,GPS)的BDS空间信号用户测距误差(Signal-In-Space User Range Error,SISRE)描述方法,对BDS广播星历中用户测距精度(User Range Accuracy,URA)进行了验证。6个月的北斗数据测试结果表明,北斗GEO、IGSO和MEO卫星的URA分别为3.0m、1.9m和1.6m。     

基于深度学习特征提取的遥感影像配准

传统的影像配准算法,如尺度不变特征变换(SIFT)、加速稳健特征(SURF)等,对遥感卫星影像配准存在提取特征点少、错误匹配多等缺点。文章使用数据驱动的随机特征选择卷积神经网络(RanSelCNN)方法,对Landsat-8卫星不同时相或同一时相具有重叠度的遥感影像进行配准,卷积层使用随机特征选择,增加特征提取的鲁棒性;训练时使用联合损失函数,同时对特征探测器和特征描述符进行优化,减少特征的错误匹配。结果表明:基于随机选择的深度神经网络的遥感影像配准能提取更多的特征点,有效降低错误匹配率。与传统的人工设计特征相比,该算法能明显提高卫星影像配准的精度。     

高速率光信号消光比测量的误差分析

介绍了基于示波器眼图的对光纤通信系统中高速率光信号消光比的测量方法,对测量过程中的主要误差来源进行了详细分析,并给出了减小这些误差项对测量结果影响的解决办法。