飞行器智能设计愿景与关键问题

未来飞行器正朝着多元化、无人化和智能化的方向发展，高超声速、超隐身和变体等新型飞行器不断涌现。而传统飞行器解耦分拆的设计方法越来越难以满足未来飞行器综合性能全面提升的要求，只有通过整体化设计才能充分发掘飞行器的潜能。通过分析传统飞行器设计中存在的问题，提出满足全生命周期要求的飞行器智能设计体系理念，利用知识库的构建将智能赋予飞行器平台系统设计、制造生产和运维这3个阶段，并通过数字孪生技术进行飞行器全生命周期的仿真、分析和预测，以对飞行器设计、运行等数据进行更新，使该体系形成闭环。就飞行器智能设计体系中需要的关键技术及涉及的科学问题等进行了讨论，并给出了未来发展方向以供参考。     

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.     

航空发动机限寿件疲劳可靠度计算新方法

针对目前的航空发动机限寿件（ELLP）疲劳可靠性分析中的小失效概率事件以及其极限状态函数具有较强非线性的特点，提出了一种具有自更新机制的半径外自适应重要抽样（AUMCROAIS）疲劳可靠性分析方法。该方法首先利用蒙特卡罗自适应重要抽样（MCAIS）快速逼近真实设计验算点（MPP）附近，随后以近似设计验算点为中心进行极坐标抽样，并依次构造主动学习函数，对近极限状态函数和抽样半径进行最优选取，从而实现最优抽样半径的更新，通过不断的更新确定出最优抽样半径，加速失效概率计算的收敛。本方法提高了设计验算点的收敛速度同时保证了计算精度，解决了小失效概率事件以及强非线性极限状态函数可靠度计算难题，最后以某型发动机压气机轮盘为对象应用本方法，并与传统的蒙特卡罗仿真（MCS）方法、蒙特卡罗半径外自适应重要抽样法（MCROAIS）和一阶可靠性方法（FORM）进行了对比，验证了本方法的高效率、鲁棒性和仿真精度。     

基于改进SSD的舰船目标精细化检测方法

以SSD为代表的主流深度学习方法在目标检测领域取得了显著的成绩，但由于该类方法只能以矩形框给出目标的概略位置，检测结果具有很大的背景冗余区域，特别是港口密集停泊的舰船在图像中会出现区域重叠，导致误检和漏检。针对以上问题，提出了一种具有旋转不变性的舰船目标精细化检测方法，该方法综合利用可变形卷积、可变形池化、旋转的边框回归和旋转的非极大值抑制等模块的优点，借鉴MobileNet架构对网络加速，通过学习密集区域目标的几何形变，有效预测目标的旋转角度，最终以旋转的矩形框给出目标的位置。实验结果表明，该算法可实现多类舰船目标类型区分和目标朝向判定的功能，有效地解决了实际应用中的目标精确定位定向难题，提高了自动目标识别的精确性，并满足工程应用的实时性要求。     

抗离群值的鲁棒正则化贯序超限学习机

针对离群值环境下的在线学习问题,提出一种鲁棒正则化贯序超限学习机(Robust regularized online sequential extreme learning machine,RR-OSELM)。RR-OSELM以增量学习新样本的方式实现在线学习,并在学习过程中基于样本的先验误差进行逆向加权计算以降低学习模型对于离群值的敏感性;同时RR-OSELM通过融合使用Tikhonov正则化技术进一步增强了其在实际应用中的稳定性。实验结果表明,RR-OSELM具有较同类算法更好的鲁棒性和实用性,对于离群值环境下的在线建模与预测问题是积极有效的。     

基于梯度提升决策树的量子科学实验卫星光学实验预测

量子科学实验卫星在轨运行期间完成4种光学实验，地面监测人员通过遥测参数阈值判断卫星是否进行光学实验、实验类型及实验结果.这种方法需要预先设定大量阈值，并且这些阈值需要根据在轨卫星重新设定，可扩展性较差.针对以上问题，提出一种基于机器学习的光学实验判别方法，将量子科学实验卫星的光学实验监测任务抽象为机器学习中的多元分类问题，构建分类模型，利用量子科学实验卫星的真实历史遥测数据对模型进行训练，并通过真实实验计划对训练得到的模型进行验证.实验结果表明，本文提出的方法在没有专家先验知识的前提下，判别准确率达到99%，可用于量子科学实验卫星光学实验的实时监测任务.提出的基于机器学习的判别方法具有较强的可扩展性，可应用于卫星在轨运行的其他监测任务.      

无人平台复杂地形探测的视触融合方法

为提高无人平台在复杂环境中的地形探测能力以及解决在小样本数据下识别地形困难的问题，提出了一种无人平台复杂地形探测的视触融合方法。在原始宽度学习的基础上，建立了多模态级联特征节点宽度学习框架。首先进行触觉和视觉初步特征提取和融合特征提取，随后将融合特征矩阵经宽度学习分类器得到地形识别的结果。最后，在自建的视觉-触觉地形 (V-T2)数据集进行了实验验证。结果表明，相比于传统的融合算法，提出的融合算法有很好的准确性和鲁棒性，为无人平台地形探测提供了有效的策略。     

联邦学习安全与隐私保护综述

联邦学习是一种新型的分布式学习框架，它允许在多个参与者之间共享训练数据而不会泄露其数据隐私。但是这种新颖的学习机制仍然可能受到来自各种攻击者的前所未有的安全和隐私威胁。本文主要探讨联邦学习在安全和隐私方面面临的挑战。首先，本文介绍了联邦学习的基本概念和威胁模型，有助于理解其面临的攻击。其次，本文总结了由内部恶意实体发起的3种攻击类型，同时分析了联邦学习体系结构的安全漏洞和隐私漏洞。然后从差分隐私、同态密码系统和安全多方聚合等方面研究了目前最先进的防御方案。最后通过对这些解决方案的总结和比较，进一步讨论了该领域未来的发展方向。     

Semi-supervised gear fault diagnosis using raw vibration signal based on deep learning

In aerospace industry, gears are the most common parts of a mechanical transmission system. Gear pitting faults could cause the transmission system to crash and give rise to safety disaster. It is always a challenging problem to diagnose the gear pitting condition directly through the raw signal of vibration. In this paper, a novel method named augmented deep sparse autoencoder (ADSAE) is proposed. The method can be used to diagnose the gear pitting fault with relatively few raw vibration signal data. This method is mainly based on the theory of pitting fault diagnosis and creatively combines with both data augmentation ideology and the deep sparse autoencoder algorithm for the fault diagnosis of gear wear. The effectiveness of the proposed method is validated by experiments of six types of gear pitting conditions. The results show that the ADSAE method can effectively increase the network generalization ability and robustness with very high accuracy. This method can effectively diagnose different gear pitting conditions and show the obvious trend according to the severity of gear wear faults. The results obtained by the ADSAE method proposed in this paper are compared with those obtained by other common deep learning methods. This paper provides an important insight into the field of gear fault diagnosis based on deep learning and has a potential practical application value.     

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%。