成组技术中计算机辅助零件分类方法的探讨

成组技术是有效实现CAD/CAM的基础之一,是提高多品种、中小批量生产水平的重要手段。本文提出了在成组技术中应用模糊数学理论进行计算机辅助零件分类的新方法,并对回转零件进行了分类试验,取得了满意的结果。采用这种方法,不需要对零件进行编码,可以对零件相似性进行定量分析,使得零件分类更具有柔性,为成组技术中零件分类提供了新的方法。     

低轨卫星缺失时序数据的模式识别方法

在航天应用中，低轨卫星经常会由于原始数据缺失而影响卫星时序数据模式识别结果，降低准确率。针对该问题提出了一种新型MR-GRU模型，可有效处理缺失时序数据，并获得较好的模式识别准确率。区别于传统模型的补全缺失数据的方法，MR-GRU模型直接在缺失时序数据上运用循环神经网络进行训练，对传统门控循环单元结构进行了改进，增加了两个新变量：掩蔽项和衰减项。掩蔽项作用于输入，衰减项作用于输入和隐层单元输出。MR-GRU模型不仅能够保持时序数据固有的时间特性，还能有效提高模式识别精度。在卫星时序数据上的模式识别试验表明，MR-GRU模型准确率优于传统模型。     

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。     

基于图和子图同构算法的制造特征识别方法

针对传统制造特征难以快速识别的难题,提出了基于图和子图同构算法的制造特征识别方法。通过提取零件模型中的几何信息与拓扑信息,构造出加权属性邻接图,对零件模型进行精准描述,为建立制造特征库,定义了文件数据的存储结构,结合子图同构算法以及相关判定规则实现对常见制造特征的识别与匹配。以Creo软件中生成的零件模型为例,在VS2010平台中进行二次开发,最后以界面窗口形式展示识别结果,验证了该方法的有效性。     

一种虹膜特征提取与匹配方法

人眼虹膜尺寸很小，并且容易受到干扰，如果不能有效地提取出稳定的虹膜特征进行模式匹配，将严重影响虹膜识别的准确性和鲁棒性。本文提出一种稳定的虹膜特征提取与匹配方法，在虹膜注册端通过构建强特征分类器获得增强型特征模板，在虹膜识别端通过多样本特征映射融合提取稳定的特征样本，并根据风险预测自适应地确定分类阈值，然后进行特征匹配与虹膜分类，从而有效提高虹膜识别的准确性和鲁棒性。     

基于改进的卷积神经网络的步态识别

为了提高惯性传感器采集到的序列数据中步态识别的准确率,建立了一个激励层改进的卷积神经网络(CNN)模型。针对三轴加速度传感器对运动太过敏感导致步态周期划分不准确的问题,采用加速度传感器与弯曲度传感器组合获取人体运动信息。将CNN模型中激励层的线性整流函数(ReLU)改进为带泄露线性整流函数(Leaky ReLU),以解决遇到卷积输出数据小于0时神经元被抑制的问题,进而达到提高步态识别准确率的目的。实验结果表明激励层优化的CNN模型在行走、上下楼和上下坡五种步态模式下识别率达到了95.79%,与未采用弯曲度传感器的改进CNN模型和未进行激励层改进的CNN模型相比,步态识别率有所提高。     

Spatial transformation of general sampling-aliasing frequency region for rotating-blade parameter identification with emphasis on single-probe blade tip-timing measurement

Blade-health monitoring is intensely required for turbomachinery because of the high failure risk of rotating blades. Blade-Tip Timing (BTT) is considered as the most promising technique for operational blade-vibration monitoring, which obtains the parameters that characterize the blade condition from recorded signals. However, its application is hindered by severe undersampling and stringent probe layouts. An inappropriate probe layout can make most of the existing methods invalid or inaccurate. Additionally, a general conflict arises between the allowed and required layouts because of arrangement restrictions. For the sake of economy and safety, parameter identification based on fewer probes has been preferred by users. In this work, a spatial-transformation-based method for parameter identification is proposed based on a single-probe BTT measurement. To present the general Sampling-Aliasing Frequency (SAFE) map definition, the traditional time–frequency analysis methods are extended to a time-sampling frequency. Then, a SAFE map is projected onto a parameter space using spatial transformation to extract the slope and intercept parameters, which can be physically interpreted as an engine order and a natural frequency using coordinate transformation. Finally, the effectiveness and robustness of the proposed method are verified by simulations and experiments under uniformly and nonuniformly variable speed conditions.     

改进BA优化的MKSVDD航空发动机工作状态识别

为了提高航空发动机工作状态识别准确率和效率,避免人工识别中存在的误判和耗时耗力问题,提出了基于混沌脉冲蝙蝠算法（CRBA）优化的多核支持向量数据描述（CRBA-MKSVDD）智能识别方法。研究了多核支持向量数据描述（MKSVDD）改进策略,引入混沌脉冲发射率提高了蝙蝠算法（BA）的收敛速度和收敛精度,得到了CRBA;通过CRBA优化MKSVDD的惩罚因子和核参数,同时对飞参数据进行了特征提取;基于特征飞参数据训练了CRBA-MKSVDD分类器,并对某型发动机一个飞行架次的工作状态进行了识别。结果表明,该方法识别准确率达到97.547 9%,可用于与发动机工作状态的相关研究和应用。      

通用航空机队设备可靠性动态识别模型

通用航空机队设备可靠性是通航单位安全运行的前提条件,是影响运营单位经济效益的重要因素之一。根据通航单位机队设备可靠性数据统计、分析及实际使用情况,采用ATA100章节名称作为指标源。综合可变模糊识别方法和权重阶梯朴素贝叶斯分类器模型的优势,构建了通用航空机队设备可靠性动态识别模型。为了避免主观给定指标权重导致的不合理,应用熵权法客观获取指标权重。最后利用实例测试样本验证了权重阶梯朴素贝叶斯分类器的合理性,并基于该方法对待识别样本进行了可靠性状态识别。实例分析表明：基于权重阶梯朴素贝叶斯分类器的通用航空机队设备可靠性状态识别模型具有较强的可行性和合理性,为通用航空机队设备可靠性状态提供了一种科学的识别方法。     

基于LSTM的飞行数据挖掘模型构建方法

提出了一种基于LSTM （Long Short Time Memory）模型的飞行历史数据挖掘模型的构建方法,此模型可以将飞行数据中有价值的目标数据自动提取出来。首先,通过滑动窗口法获得待检测数据;然后,将预先做好的训练样本数据输入到所构造的LSTM模型中进行训练,得到数据挖掘模型;最后,将待检测数据导入到训练好的LSTM模型中进行模式识别,将目标数据片段挖掘出来。结果表明,基于LSTM模型的飞行数据挖掘模型构建方法通用化程度高,可用于挖掘不同类型的目标数据,且识别率高,具有很高的工程应用价值。