基于无监督学习和粒子滤波的非视距信号检测

全球卫星导航系统(GNSS)是目前应用最广泛的定位技术,研究城市峡谷中的定位问题时,由于高楼大厦的阻塞,仍存在非视距传播导致的性能退化问题。为此,提出了无监督学习粒子滤波(UL-PF)算法。在卫星信号分类阶段,使用核k-means聚类的无监督学习分类方法,在定位阶段,使用通过聚类算法优化的粒子滤波方法。所提算法考虑了采样粒子在状态空间分布中的内在相似性,探索在每个聚类中选择一个粒子作为重要粒子,利用时间序列相关技术提高重采样粒子集的多样性。实验表明：在城市场景中,所提算法的平均定位精度从传统算法的15 m提高到约5 m,收敛时间从500 s缩短到200 s左右。     

基于极大熵聚类的工程项目风险预警模型

该方法针对当前大部分工程风险预警模型只能报警,不能预测的现状,提出了基于熵最优化的工程项目风险预警方法.利用判别熵最小化选取项目风险预警指标值,通过特征选取找出那些最有效的特征,研究出一种新的聚类算法——极大熵聚类算法,极大熵聚类算法是以概率为比例将任一指标向量分配给所有码向量,而不是仅仅只分配给与之最近的码向量,该算法是C-均值算法的一种推广.最后用实例验证该模型,用此算法对预测结果进行分类,判断项目的风险状态.结果表明这种方法估计工程项目风险快捷有效,与实际情况基本一致,可以应用于工程分析.      

基于序列-图像映射的航天器智能故障诊断方法

卫星组网是未来航天的发展大趋势,要保证众星在轨安全可靠稳定运行,要求单星具备高精度的在轨自主故障诊断能力。本文针对航天器控制系统故障闭环传播和数据维数高的特点,结合某航天器的地面测试数据,首先对高维耦合序列数据进行处理,实现序列到灰度图像的映射,然后采用卷积神经网络完成高精度同一故障部件的故障诊断。通过将所提方法与K邻近算法、基于主成分分析的K邻近算法等非图像化机器学习算法进行对比验证,说明了本文所提方法的有效性。     

基于DDPG的航天器性能-故障关系图谱推理方法研究

对深度确定性策略算法进行改进,结合图注意力网络,提出将知识与人工智能结合的航天器故障推理方法.在构建航天器部件级知识图谱的基础上,根据航天器知识图谱的结构、语义配置强化学习的环境,设置独特的奖励函数、策略网络与价值网络.针对航天器知识图谱的图结构数据特性,引入图注意力机制进行更为准确的故障定位.模拟故障发生情况进行实验验证,实验结果表明该方法能够由测点与测点特征出发进行反向故障推理,获得故障路径,快速自主定位发生故障的功能模块与故障模式.     

状态划分下基于Bi-LSTM-Att的轴承剩余寿命预测

准确预测滚动轴承剩余使用寿命(remaining useful life, RUL),对于保证工程设备安全稳定可靠运行具有极其重要的作用.现有深度学习预测方法往往直接建立振动监测数据与剩余寿命之间的映射关系,通常忽略滚动轴承性能退化的不同状态差异性,且并未考虑深度学习模型所提取各类特征的差异性,给剩余寿命预测结果带来了极大的偏差.鉴于此,提出一种新型滚动轴承退化状态划分方法和RUL预测方法.提取轴承振动信号的特征,利用Mann-Kendall检验法进行趋势判断,确定出退化期的起始点;通过归一化奇异值相关系数走势确定出慢速退化期的终点;构建基于融合注意力机制的双向长短时记忆网络(bidirectional long short-term memory with attention, Bi-LSTM-Att)的滚动轴承RUL预测模型,利用所截取的慢速退化期数据与对应RUL标签训练预测模型实现RUL预测.通过轴承公开数据集验证所提方法对轴承RUL预测的准确性和有效性.     

基于LSTM循环神经网络的故障时间序列预测

有效地预测使用阶段的故障数据对于合理制定可靠性计划以及开展可靠性维护活动等具有重要的指导意义。从复杂系统的历史故障数据出发,提出了一种基于长短期记忆（LSTM）循环神经网络的故障时间序列预测方法,包括网络结构设计、网络训练和预测过程实现算法等,进一步以预测误差最小为目标,提出了一种基于多层网格搜索的LSTM预测模型参数优选算法,通过与多种典型时间序列预测模型的实验对比,验证了所提出的LSTM预测模型及其参数优选算法在故障时间序列分析中具有很强的适用性和更高的准确性。      

基于健康度分析与分层数据融合的导弹健康状态评估

针对导弹装备提出了一种基于健康度分析与分层数据融合的评价方法,可以实现对导弹健康状态的评估与分级。首先,利用导弹各个部件的性能参数来计算部件的健康度,并通过部件的履历信息对其健康度进行修正。然后,对各部件的修正健康度进行分层数据融合来得到导弹综合健康状态的评估结果。特别地,设计了一种基于惩罚型权重更新的健康度分层数据融合算法,能够有效提高导弹综合健康状态评估结果的合理性和可靠性。最后,采用导弹的性能参数数据对所提出的方法进行了仿真验证,仿真结果表明了所提方法的可行性与有效性。     

基于功耗残差的航天器CMG退化特征提取方法

为实现航天器控制力矩陀螺(CMG)性能退化状态评估,提出了一种基于卷积神经网络(CNN)与功耗残差的CMG退化特征提取方法。由于CMG控制系统对高速转子运动状态的高精准控制,CMG退化特征难以从转子运动状态数据中直接提取。针对该问题,从转子系统的能量损耗角度出发,通过分析CMG工作机理确定了影响单位时间内转子电机功耗的变量,并通过CNN建立了CMG运行状态参数与电机功耗之间的映射。将退化状态下电机实际功耗与模型输出的残差作为退化特征对CMG退化状态进行评价。通过某型号CMG的加速寿命实验数据进行验证,结果表明：构建的退化特征能够表征CMG转子轴承的性能退化情况,从而为CMG状态监测和故障预警提供参考。     

核空间聚类在图像纹理分类中的简化算法

模糊c均值聚类已广泛应用于模糊模式识别领域,但对于线性不可分数据并不适用.在核方法中通过将输入数据经过非线性映射投影到高维特征空间来解决非线性分类的问题.将传统的模糊c均值聚类算法应用于核空间中,对线性不可分的样本进行了核空间聚类的分类实验,得到了正确的分类结果.由于图像分类中分类样本(对应图像像素)数目庞大,造成了核空间聚类算法中特征距离的计算量过大.因此,在核空间聚类的基础上,提出了对图像先进行过分割,再对过分割的图像块进行核空间聚类的方法,大大降低了高维空间特征距离计算的运算成本,并取得了良好的分类效果.      

非合作机动目标交会的相对位置控制

研究目标航天器存在机动的情况下追踪航天器与目标航天器的交会问题.只利用两航天器之间的相对位置测量信息,考虑目标机动、外部干扰以及状态耦合,提出一种改进的特征压缩方式并建立相应的解耦特征模型,基于该特征模型设计解耦的自适应控制方法实现追踪航天器与机动目标航天器的交会.仿真结果验证了算法的有效性,并表明其优于传统的PD控制方法.     

基于数据驱动的非合作航天器姿态估计与预测方法

针对临近操作对非合作航天器的相对导航问题,考虑角速度测量缺失以及视觉特征丢失,提出了一种融合乘性扩展卡尔曼滤波和姿态预测的框架,实现了对非合作航天器的姿态估计和预测。采用惯性参数对状态向量进行了扩维,在缺少角速度测量的情况下预估了非合作航天器的姿态和相对转动惯量的比值。基于函数拟合和神经网络分别设计了两种姿态预测方法,解决了传统方法误差随时间累积的问题,有效减少了计算成本。最后,通过数值仿真验证了滤波估计和姿态预测算法的实时性和准确性。     

基于多特征融合的航天器锂电池健康评估技术

传统的航天器蓄电池可靠性试验按照最大放电深度进行定额充放电，所构建的失效模型用于支撑航天器总体可靠性设计，不能用于在轨锂离子蓄电池健康评估任务；航天器在蓄电池遥测的采样率、精度、样本量方面无法与民用领域相比，基于高采样、大样本的民用蓄电池健康估计方法也不适用于在轨锂离子蓄电池健康评估。针对该问题，从在轨航天器蓄电池数据特性出发，挖掘在轨状态下所能提取的退化特征，并采用多特征综合评价方法，设计了一种基于多特征融合的在轨锂离子蓄电池健康评估方法，实现了在轨蓄电池放电内阻、同放电深度下的终端电压、恒压充电时间3项退化特征融合的健康量化评估，应用于某型号卫星的在轨监测与健康评估，具有良好的工程实用性，可作为国内航天器健康评估技术的参考。     

基于多尺度时间卷积网络的航空发动机寿命预测

剩余寿命预测对于航空发动机设备的安全运行、制定维修计划具有重要的意义.目前现有方法无法有效提取设备复杂工况和复杂故障下的退化特征.针对此问题,提出一种基于多尺度时间卷积网络(MTCN)的发动机寿命预测方法.该方法利用时间卷积网络提取数据时序信息,并通过多尺度卷积核的不同感受野提取设备复杂工况下的退化特征,从而更好地预测极端条件下的设备剩余使用寿命(RUL)值.为了验证所提出方法的有效性,在航空发动机C-MAPSS数据集上进行试验.结果表明所提出方法能有效提高设备在复杂工况和复杂故障下的RUL预测精度.     

基于迁移学习的航天器遥测数据异常检测技术

航天器遥测数据异常检测是识别航天器状态、保障航天器安全可靠运行的关键技术.然而,航天器遥测数据异常检测通常面临时序数据维度大、异常不平衡、标签样本缺乏等问题.基于数据预测的异常检测思想,提出一种基于迁移学习的深度异常检测模型.根据遥测数据时序相关性强的特点,采用具有注意力机制的长短期记忆网络建立遥测数据预测模型.为了克服航天器遥测数据异常标签少、数据维度高的问题,采用微调的迁移学习方法对预测模型进行优化,同时采用全连接层统一不同数据集维度,从而提高了迁移学习模型精度,提升异常检测水平.以美国宇航局公开的两个航天器数据集为实验对象,利用提出的异常检测方法对该数据集异常状态进行识别,结果表明,与经典异常检测算法相比,引入迁移学习能明显提升模型性能,实验结果优于目前常见的异常检测模型,证明了方法的有效性.     

模型数据混合驱动的航天器健康监测技术

针对现有纯数据驱动的航天器健康监测技术不能覆盖非测控弧段,遥测数据有限,无法满足功能复杂化、任务多样化、在轨时间长期化的航天任务需求的问题,提出一种模型和数据混合驱动的航天器健康监测系统架构.该系统以高保真的数字化模型为基础,通过遥测数据与模型的融合,实现对航天器全时间段、连续可靠的状态监控及状态预示.本文对架构中模型实现、遥测数据与模型数据融合、故障诊断等关键技术进行详细描述,并说明在某型号航天器任务过程中的应用验证情况.     

面向装备RUL预测的平行仿真技术

装备平行仿真是系统建模与仿真领域的新兴仿真技术,已经成为研究热点。在装备维修保障领域中,分析了装备剩余寿命（RUL）预测存在的突出问题,即模型参数固定、不具备自适应演化能力,成为阻碍实现装备剩余寿命自适应预测的首要因素。结合装备平行仿真理论,在建模分析的基础上提出了面向装备剩余寿命预测的平行仿真框架,该框架以Wiener状态空间模型为基础仿真模型,在动态注入的装备退化观测数据驱动下,利用期望最大化（EM）算法在线更新模型参数,并利用卡尔曼滤波（KF）算法实现仿真输出数据与观测数据的同化（DA）,从而实现仿真模型动态演化,使得仿真输出不断逼近装备真实退化状态,为准确预测剩余寿命提供高逼真度仿真模型和数据输出。以某轴承性能退化数据为数据驱动源,对该框架进行了验证,仿真结果表明平行仿真方法能准确仿真装备性能退化过程,在提高预测精度的基础上实现了装备剩余寿命的自适应预测,有力证明了平行仿真方法的可行性和有效性。      

一种基于二元估计与粒子滤波的故障预测算法

假设对象系统的故障演化过程可以由一个含有未知缓变参数的状态空间模型加以描述,则故障预测问题就可以转化为一个在已知当前系统信息的条件下,对系统未来某一时刻的状态变量的估计问题.针对该问题的求解提出了一种基于二元估计和粒子滤波的故障预测算法.算法的实施分为两个主要阶段:在状态估计阶段,采用两个并联的粒子滤波器迭代估计当前时刻对象系统故障演化模型状态和未知参数的后验分布.在状态预测阶段,对当前时刻故障演化模型状态的后验分布进行迭代采样,以采样样本粒子来近似估计未来时刻的状态变量的先验分布密度.在上述计算结果的基础上,结合相应的故障判据,算法采用计算对象系统未来时刻故障概率的方法预测其剩余使用寿命.仿真实验中将本文提出的算法与基于联合估计的故障预测算法进行对比,实验结果证明了所提算法的有效性.      

基于超统计的多阶段航空发动机剩余寿命预测

针对传统航空发动机剩余寿命（RUL）预测模型无法客观描述多阶段性能衰退过程及对于RUL预测精度不高的问题, 提出了一个新的多阶段航空发动机RUL预测模型, 包括超统计理论、突变点检测、无迹卡尔曼滤波（UKF）与非线性预测4部分内容。提出了基于超统计理论的多阶段分割滤波（BS-MSF）算法。首先, 该算法采用超统计理论进行突变点检测, 将航空发动机的健康数据划分为多个退化阶段；其次, 应用UKF对融合的时变参数进行滤波处理；最后, 通过非线性拟合对发动机RUL进行预测, 实验采用美国NASA发布的航空发动机数据进行数据分析和验证。结果表明:所提算法在发动机性能退化中的预测具有更好的适应性和更小的拟合误差, 能更准确地预测发动机的RUL, 预测精度比单阶段方法提高5.5%。      

基于阈值的激光雷达K均值聚类算法

针对同一距离不同目标的激光雷达全波形回波数据聚类准确率低的问题,在分析K均值聚类算法原理的基础上,提出了一种基于阈值的K均值聚类算法。首先,利用强度信息对距离信息进行标定,使用强度信息作为特征进行聚类以区分同距离的不同目标。然后,利用阈值限定聚类中心间的最小距离,提高聚类准确率。最后,搭建了扫描验证平台进行平移和旋转成像,对算法有效性进行验证。通过不同颜色目标和模拟道路回波数据聚类实验表明,在不同阈值的情况下,提出的基于阈值的K均值聚类算法的聚类准确率均在90%以上,相比于无阈值的K均值聚类算法准确率提升10%以上,能够有效进行目标聚类和模拟道路提取。      

人机协作中人的动作终点预测

为实现安全高效的人机协作（HRC）,需要机器人及时对人的动作做出预测,从而积极主动地辅助人工作。为解决在HRC装配场景中机器人对人的动作终点预测问题,提出了一种基于长短时记忆（LSTM）网络的动作终点预测方法。在训练阶段,用人的动作序列与对应的动作终点组成的样本训练LSTM网络,构建动作序列与动作终点之间的映射。在应用阶段,根据人的动作的初始部分对动作终点提前做出预测。通过在装配场景中,对人抓取工具或零件的动作终点进行预测,验证了所提方法的有效性。在观测到50%的动作片段时,预测准确率达到80%以上。