基于残差NLSTM网络和注意力机制的航空发动机剩余使用寿命预测

针对长短期记忆（LSTM）网络对于多维数据特征识别和提取上存在不足的问题，在其改进模型嵌套式长短期记忆（NLSTM）网络的基础上，提出了一种基于注意力机制和残差NLSTM网络的剩余使用寿命预测方法。该方法将双层NLSTM网络代替残差块中的主网络，保留捷径连接中的卷积神经网络结构，既能充分提取时序特征又能保证有用数据在网络层中的跳层传递，并融入注意力机制构建多层残差网络，注意力机制的使用能够选择出对预测结果有重要影响的信息，有效提高预测的准确率。在航空发动机退化实验数据集上进行实验分析，结果表明：所述方法能有效建立监测数据与发动机健康状态之间的关系，剩余使用寿命预测误差较未改进残差结构方法平均降低10.8%，比未融入注意力机制方法平均降低18.9%，有效提高了预测精度。     

详细化学反应机理对预混丙烷钝体熄火模拟影响

航空发动机熄火预测是重要关键问题之一，湍流和化学反应的非线性相互作用使预测非常困难。本文采用大涡模拟（LES）对湍流进行高精度模拟，采用概率密度函数输运方程湍流燃烧模型（TPDF）耦合JL4、Z66和H73三种化学反应机理，对预混丙烷钝体熄火现象和规律进行研究。JL4的反应机理最简单，反应释热快，局部放热高，火焰宽度大，火焰两侧温度梯度大，燃烧更加趋于稳定，无法模拟出熄火状态。H73机理绝热火焰温度低，火焰温度低，回流区中部OH含量高；在近熄火状态，大量CO被氧化，释放热量过高导致无法模拟出熄火现象。Z66机理可以模拟出火焰正常状态，在低当量比下也可以模拟出熄火状态。本文算例中，局部Da数大于1的区域超过35%则会发生熄火。     

复杂动态环境下无人飞行器动态避障近似最优轨迹规划

针对复杂动态环境下无人飞行器的动态障碍规避问题，基于合理假设建立了无人飞行器和动态障碍的运动学模型，并综合考虑无人飞行器飞行过程中的终端约束、控制输入约束、安全避障约束等，以能量最少为性能指标构建动态避障问题数学描述。之后，针对终端约束和控制输入约束，依据优化模型预测静态规划算法(OMPSP)生成初始轨迹；针对动态避障问题的不等式约束，引入松弛变量并结合滑模变结构控制方法设计松弛变量动力学，实现对一个、多个或同时多个动态障碍的安全规避；最后，依据有限时间微分动态规划(RHDDP)算法进行轨迹优化，获得满足上述各种约束并能规避动态障碍的近似最优轨迹。     

散射对高温气体-碳黑颗粒混合物辐射传输的影响

基于全光谱k分布(Full spectrum k distribution,FSK)模型、MIE理论和有限体积法(Finite volume method,FVM),构建了均温、均质辐射参与性气体-碳黑颗粒混合物介质热辐射传输模型,并分析了碳黑不同尺寸、不同体积浓度以及介质不同路径长度和不同温度条件下,因忽略碳黑颗粒散射所导致的介质热辐射传输特性(如辐射热流、辐射源项)的计算误差。研究结果表明:体积分数不变,增大粒径,计算误差呈现出先增大后减小的趋势;数密度不变,增大粒径,或者粒径不变,增大体积分数,均将使得计算误差相应增大;粒径、体积分数不变,增大路径长度,或者升高介质温度,均将增大计算误差。通常对于含有大颗粒、高碳黑浓度的辐射参与性气体-碳黑颗粒混合物介质,碳黑颗粒散射不能忽略。     

基于机器学习方法的三维粒子重构技术

通过三维粒子重构获取粒子场的分布情况是层析粒子图像测速的关键步骤，有限二维投影下的三维粒子重构是一个欠定的反问题，其精确解往往很难得到。一般情况下，可以通过优化方法得到近似解。为了获取质量更高的粒子场并用于层析粒子图像测速，提出了一种基于卷积神经网络（Convolutional Neural Networks，CNN）的粒子重构方法。所提出的技术可以从基于传统的代数重构技术（Algebraic Reconstruction Technique，ART）的方法所得到的粗略粒子分布中进一步提高粒子重构质量。与现有的基于ART的算法相比，新技术在重构质量方面有了显著的改进，可以有效剔除虚假粒子并更准确地还原粒子形状，并且在粒子浓度较稠密的情况下计算速度至少快了一个数量级。     

基于客流密度的地铁列车空调夏季送风温度控制模型研究

客流密度是影响地铁列车客室内热舒适性环境的重要因素,传统的地铁列车客室温度控制主要是根据UIC-553标准,以室内外温差作为控制核心.本文通过构建全尺寸地铁列车客室-乘客-空调送风耦合的一体化模型,利用实车试验与数值模拟相结合的方法,对地铁列车客室内的热舒适性展开研究.探讨客流密度对地铁列车客室内热舒适环境的影响规律以及不同客流密度下客室平均温度与空调送风温度之间的关系,得到了不同客流密度下能满足人体热舒适性体验的空调送风温度,提出了一种基于客流密度的地铁列车空调夏季送风温度控制模型.     

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。     

先进战斗机过失速机动大气数据融合估计方法

可控的过失速机动是先进战斗机超机动性能的重要标志，飞机飞行包线的扩大已超出传统的大气数据系统测量范围，可靠的迎角、侧滑角、总压、静压等飞行大气数据是制约先进战斗机过失速机动中飞行控制的关键因素。以中国推力矢量验证机为对象，基于过失速机动飞行试验的数据，开展大气参数估计与验证研究。结合过失速机动的时间与空间特性，研究了基于风速、地速、空速矢量和惯性姿态、导航参数的大气参数融合计算方法；针对过失速大迎角状态下飞机周围气流非定常、模型非线性导致的融合大气参数误差的复杂特性，进一步构建深度神经网络，对机动状态融合迎角、侧滑角的强非线性误差进行拟合。仿真和飞行试验表明：该方法可在大迎角飞行状态下实现主要大气参数的融合估计，过失速机动过程中融合迎角误差优于2.3°，融合得到的大气参数可为过失速大迎角机动飞行控制提供可靠的大气参数状态反馈。     

基于深度神经网络的粒子图像测速算法

粒子图像测速(PIV)作为一种流体力学实验技术,能够从流体图像中获取全局、定量的速度场信息。随着人工智能技术的发展,设计用于粒子图像测速的深度学习技术具有广泛的应用前景和研究价值。借鉴在计算机视觉领域用于运动估计的光流神经网络,采用人工合成的粒子图像数据集进行监督学习训练,从而获得适用于流体运动估计的深度神经网络模型,并且能够高效地提供单像素级别分辨率的速度场。文中采用人工合成的湍流流场粒子图像进行初步实验评估,并讨论PIV神经网络的隐藏层输出和内在原理,同时将训练而成的深度神经网络模型与传统的相关分析法、光流法对比;随后进行射流流场测速实验,验证深度神经网络PIV的实用性。实验结果表明,文中提出的基于深度神经网络的粒子图像测速在精度、分辨率、计算效率上具有优势。