数据驱动的卫星关键部件剩余寿命预测模型

针对目前基于统计学方法对卫星及其关键部件进行剩余寿命预测时普遍存在的建模困难、预测精度不高等问题,为更快速、更精确地预测在轨运行卫星关键零部件的剩余使用寿命（RUL）,选取时序数据特征提取能力较强的门控循环单元（GRU）网络构建RUL预测模型。在模型构建时,除了利用卫星遥测数据之外,还将反映卫星通信质量的统计类数据添加到模型中;同时,为进一步提高GRU模型的预测精度,将卷积神经网络（CNN）与GRU融合。最后,以某型号卫星的天线转发器这一关键部件作为研究对象,通过模型预测结果的评价对比,验证CNN-GRU预测模型的RUL预测精度相比GRU模型的有明显提升。     

基于CNN和LSTM的航天用涂层型自润滑关节轴承寿命预测及可靠性评估

为探索适用于涂层型自润滑关节轴承的寿命预测和可靠性评估方法,提出一种基于卷积神经网络（CNN）和长短期记忆（LSTM）神经网络的轴承剩余寿命预测模型。首先利用CNN对关节轴承的摩擦扭矩信号进行失效特征提取,然后将通过主成分分析（PCA）和滤波处理后的扭矩信号输入LSTM神经网络中进行训练,得到涂层型自润滑关节轴承寿命预测模型,可实现对轴承剩余寿命的准确预测。最后,基于加速寿命试验数据,采用两参数Weibull分布模型对涂层型自润滑关节轴承的服役可靠性进行评估,结果表明涂层型自润滑关节轴承在轻载低频工况下能够维持在高可靠性水平（90%）下进行长时间稳定服役。     

连续小波变换与信号时频分析

对连续小波变换、傅里叶变换及短时傅里叶变换等几种信号时频分析方法进行了理论分析,并通过确定信号的处理研究了各种方法的优势及局限性,研究结果对实际信号分析具有一定的参考价值.     

基于小波矩特征和神经网络的灰度图像识别算法研究

小波矩结合了矩特征和小波特征,既反映了图像的全局性信息,又反映了图像的局域性信息,并且具有旋转、平移和缩放不变性。文章研究了基于小波矩的灰度图像特征提取算法,并将其与BP神经网络组合,利用神经网络的强学习能力和容错性,形成一个灰度图像识别系统。仿真实验表明,在图像失真较小的情况下识别率可达到100％,较之未提取特征的神经网络识别方法而言,网络收敛速度与识别精度都有较大的提高。     

基于遥测信号的小波变换与数字滤波联合滤波方法研究

为了弥补数字滤波器不能滤除遥测信号通带内噪声的不足,提出小波变换与数字滤波联合滤波的方法。重点讨论数字滤波器的选择、小波滤波分解级数的确定和小波消噪中阈值的选择。将该方法应用于遥测信号滤波,取得了较好的效果。     

基于实测数据的随机振动疲劳寿命预测方法

为研究随机振动载荷下构件的疲劳特性,采用振动台对试件开展随机振动疲劳试验。通过对试件应变计改装,完成试验过程中试件应变响应载荷测量,并实现试件疲劳过程的实时监测,准确获取了试件疲劳时刻。基于实测时域数据,结合雨流计数法和线性累积损伤理论,预估3种量级下试件的随机振动疲劳寿命。预估值与试验值对比均在3倍分散带内,验证了上述随机振动疲劳寿命预测方法的可行性及有效性。后续可通过载荷数据的实测开展危险结构件的疲劳失效监测及寿命预测。     

基于可调品质因子小波和簇稀疏增强的磁异常信号特征提取研究

在磁异常信号目标探测中,由于存在背景噪声的干扰,导致采集到的磁信号中的有用特征极其微弱,从而极大地增加了特征提取的难度。文章提出了一种基于重叠簇收缩算法的可调品质因子小波变换的稀疏特征提取方法。与传统的固定品质因子值相比,该方法可根据信号的振荡特性调整品质因子,从而有效地诱导稀疏;此外,重叠簇收缩算法可有效地从具有簇特性的信号中提取微弱特征,从而增强特征的提取精度。经工程验证,将该方法应用于磁异常信号特征提取,可从复杂背景干扰信号中精确地提取出有用的稀疏目标特征。     

基于非线性系数的金属构件寿命预测研究

通过对位错引起的超声非线性行为理论模型的研究,发现超声非线性系数的变化与疲劳损伤累积过程中位错密度的变化趋势相对应。基于上述理论,利用非线性超声对45#钢三点弯曲试件的微裂纹扩展进行了检测,实验发现位错密度的变化趋势与微裂纹扩展的3个阶段紧密相关。因此,利用非线性系数作为特征参数实现了对微裂纹扩展不同阶段的表征,从而实现了金属构件剩余寿命的预测,并且验证了超声非线性系数与位错密度成正比的位错理论。     

基于形态学的小波变换图像去噪方法研究

数学形态学和小波变换在信号处理领域应用广泛,论文提出基于数学形态学的小波自适应算法进行图像去噪处理,通过实验证明该算法不仅可以对图像进行有效的去噪处理,而且能很好地保留原图像的细节特征,避免了常规算法的缺点,效果良好。     

小天体光学导航特征识别与提取研究进展

针对小天体探测自主光学导航特征信息精确,快速获取的需求,阐述了利用图像信息实现光学导航特征识别与提取的必要性。首先分析了小天体光学导航特征识别与提取面临的主要问题;然后根据小天体探测各阶段目标成像特点,总结并分析了小天体探测光学导航特征识别与提取涉及的关键技术;最后,根据关键技术结合现有问题和未来发展需求,分析并对未来小天体探测光学导航特征识别与提取的发展趋势进行了展望。     

基于数据扩充和特征增强的雷达回波无人机检测

针对基于雷达无人机目标识别难度高、精确度低、适应性差等问题,本文提出了利用深度学习的方法,对雷达回波进行无人机检测。首先,利用相参累积的方法生成雷达回波的距离-多普勒图像,增强目标特征并提高信噪比;其次,采用生成对抗模型对距离-多普勒图像进行数据扩充,以获得充足的图像数据减小网络的过拟合并提高网络鲁棒性;最后,使用基于位置感知的卷积神经网络增强特征,通过构建基于距离-多普勒图像的感知模块,实现对目标距离和运动速度的检测。通过在雷达回波序列中弱小飞机目标检测跟踪数据集上验证的结果表明:最终检测结果在召回率89%的情况下达到了91%的准确率。相比于基准方法,本文提出的方案具有更高的检测精度和更好的网络运行效率。