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.     

基于模因算法的飞机装配序列规划

针对飞机制造的装配序列规划问题,提出一种基于模因算法的飞机部件装配序列规划方法。在装配优先约束矩阵和非正交干涉矩阵的基础上构建装配规划模型,以飞机零部件间的装配方向和装配工具的差异性来构建适应度函数。在非干涉解空间中进行全局搜索,获得较优的装配规划方案,通过二叉树中序遍历法将较优的方案转化为可行解,再经过交叉操作和变异操作后,在可行解空间内进行局部搜索,最终获取较优的装配方案。以某型号的飞机舱门装配为例,通过与传统遗传算法对比,证实模因算法在飞机装配序列规划中的可行性和有效性。     

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。     

CFRP反射器型面主动控制和作动器位置优化

研究了运用压电陶瓷作动器对碳纤维增强复合材料（CFRP）格栅反射器的型面主动控制。首先，采用了一种具有独立电压自由度的梁单元，以及考虑高阶剪切变形的板单元，对主控格栅反射器进行有限元建模；运用能量变分哈密尔顿原理推导了主控格栅反射器的有限元控制方程，并给出了反射面型面残余均方根（RMS）误差最小的电压最优控制方法。然后，研究了在典型载荷下，反射面残余RMS误差最小的PZT作动器位置分布的优化配置问题；提出了一种将遗传算法和梯度投影方法相结合的改进优化方法，用来求出在限定作动器数量的条件下，作动器几何位置的优化配置，使控制后反射面的残余RMS误差最小；给出的数值算例验证了方法的正确性和有效性。最后，研制了格栅反射器型面主动控制的实验样机，针对反射器的初始制造误差进行了型面主动控制，验证了控制方法的可行性和有效性。     

空间载荷机柜热控设计的仿真研究

空间站主动热控系统的作用是提供和保持航天员、仪器设备和结构部件所要求的温度、湿度和风速等热环境。本文以空间载荷机柜为热控系统的基本单元，建立了以单相流体循环回路为基础、采用液冷结合风冷的冷却方式的载荷机柜数学模型；介绍了模糊增量控制算法的工作原理；提出了采用模糊增量控制算法，以液冷支路进出口温差和风冷支路冷却量占总冷却量的比值为控制目标的反馈控制策略。同时文章采用数值模拟方法研究了控制系统的动态响应效果。仿真结果显示，模糊增量控制算法具有响应迅速、超调量小、无静态误差的特点，控制策略满足有效性、稳定性和高精确度的要求。     

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.      

弱引力下小行星动量驱动机器人的可控跳跃行为

以小行星表面着陆探测为背景,提出一种动量驱动机器人(MoRo)以满足弱引力复杂环境下的探测需求。该机器人利用弱引力环境下的摩擦和碰撞特性,通过主动辨识环境参数,规划和控制动量轮以产生期望的驱动力矩,完成可控性跳跃及腾空后的稳定拍照等任务。首先,基于MoRo的动量轮刹车机构特性,分析了MoRo在弱引力环境下的跳跃机理并对其跳跃方式进行了规划;接着考虑动量轮驱动机构三闭环伺服系统的非线性特性,基于Herze碰撞模型和Karnopp摩擦模型建立了MoRo在小行星表面的跳跃行为动力学模型;其次,使用机器学习算法建立环境参数和MoRo运动的函数关系,并基于环境参数规划动量轮转速实现跳跃距离和腾空高度的可控。最后,通过数值仿真校验了MoRo跳跃规划方法和控制方法的可行性。     

针对旋翼流场模拟的自适应网格算法

针对基于格心格式求解器的旋翼流场模拟,提出了相应的自适应笛卡尔网格的数据存储结构及自适应算法。给出了相应的单元处理策略,简化了对自适应笛卡尔网格的处理;对于频繁的自适应加密过程中产生的大量重复点,采用了高效的交替数字树算法(Alternating digital tree,ADT)予以删除;对于自适应疏化过程中产生的大量无用点,提出了标记-删除-移动(Mark,delete,move,MDM)算法予以快速地删除,减少了不必要的计算资源消耗。对CaradonnaTung旋翼在不同悬停状态下进行了模拟验证,对比了压力分布系数与桨尖涡位置。之后对HELISHAPE 7A旋翼在前飞情况下进行了模拟验证,计算值与实验值吻合。此外,求解器对桨尖涡的捕捉效果得到了明显的提高,表明本文方法具有良好的有效性与鲁棒性。     

一种基于虚拟页地址映射的NAND Flash管理算法

本文提出了一种基于虚拟页地址映射的NAND Flash管理算法.该算法通过定义坏块表、对应表等结构，以及设计的坏块替换策略和虚拟页地址到实际物理页地址的转换算法，实现上层软件采用虚拟地址对NAND Flash的无坏块连续页地址访问.该算法是一种高效的地址映射算法，能高效地对数据进行索引，占用SRAM空间较少，使系统达到高性能，并使得闪存使用的更加稳定持久.     

AP聚类改进免疫算法用于航空发动机故障诊断

在免疫算法训练过程中引入近邻传播(AP)聚类与熵权法,对训练样本进行聚类与权值计算,将权值引入免疫算法中样本选择阈值的计算,以解决训练过程采用固定选择阈值所造成的检测器在部分区域过拟合,部分区域欠拟合的问题。结果表明:改进的免疫算法用于典型非线性函数的寻优时,迭代性能均优于传统免疫算法,并在大部分情况下优于粒子群算法与量子遗传算法,在进行某型发动机故障诊断的实例实验时,改进后的算法的诊断准确率达到98.06%,高于传统免疫算法的92.60%。