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FPGA的红外目标识别神经网络加速器设计

在红外目标识别领域，基于卷积神经网络的深度学习算法的识别精度已远远超过了传统模式识别算法,但神经网络的实现需要庞大的计算和存储，难以在无人机等嵌入式平台上进行部署。针对此问题，将通道级量化策略和梯度的近似优化训练引入到了低比特神经网络模型的建立中，并提出了一种可充分利用硬件计算资源的FPGA加速器，其整体平均性能为65.6GOPS。与其他相关工作的对比表明，低比特量化方法及其FPGA加速器实现，可以为嵌入式红外目标识别系统提供一种能效高、识别精度高的解决方案。     

基于低比特量化神经网络的红外目标识别方法及其FPGA实现

红外目标识别系统成为航空航天、无人驾驶等军事和民用领域中一项至关重要的技术。红外目标识别算法是红外目标检测识别系统中的核心之一。传统红外目标识别技术往往依赖人为的特征选择，无法对复杂困难的红外目标实现高效、准确的识别。本文提出了训练中反量化与通道级量化相结合的量化策略，有效减小量化误差对网络模型性能的影响。实验结果表明:本文提出的低比特量化算法在红外数据集上有着优异的表现。在硬件部署方面，本文提出了更加高效的卷积计算单元，提高了硬件资源的利用率，同时也达到了更高的峰值性能。最终，在PYNQ-Z2嵌入式现场可编程门阵列(FPGA)上进行验证，系统在150 MHz的时钟频率下达到了90.6 GOP/s的峰值吞吐率，其功耗为2.5 W。     

火箭发动机涡轮泵故障检测及预测算法研究

涡轮泵作为液体火箭发动机的核心部件，恶劣的工作环境和极高的转速使其易发生组件断裂、烧蚀等问题。为了对液体火箭发动机的涡轮泵进行健康管理，提出针对某型液体火箭发动机涡轮泵的数据驱动故障检测、故障预测及健康状态评估方法。在某型液体火箭发动机试车数据集上，通过对涡轮泵轴、径、切向振动数据进行对应的时域、频域特征处理后，送入训练好的ResNet网络、自主设计的图像特征识别算法以及退化模式线性回归模型，分别实现了对该型液体火箭发动机涡轮泵的故障检测、预测及健康状态评估，具有较高的准确性。     

火箭喷管极性自动化测试系统的改进设计研究

使用计算机视觉方法进行的发动机极性自动化测试是火箭地面测试中重要的测试环节，该环节存在进一步改进和提升的空间。将递归全对场变换（Recurrent All-pairs Field Transforms, RAFT）光流算法替代传统光流法检测技术用于发动机喷管实时运动监测，并根据现场测试场景对光流算法进行了优化，提升了运动检测速度与测量精确度，使自动测试系统具备了摆角的估测能力；在软件系统设计层面，引入差异图像直方图法监听法辅助喷管动作识别，避免了光流法对于未处在监测流程中的摄像头的冗余监听资源消耗，降低了系统硬件设备的负载，同时实现了一种可视化在线判读软件的设计。提出的软件与算法方面的改进在当前已投入使用的极性自动化测试系统上实现了进一步的优化。