基于优化多尺度排列熵和卷积神经网络的滚动轴承故障诊断方法

针对滚动轴承故障分类中特征信号微弱、信号非线性和多尺度特征难提取的问题，提出基于优化多尺度排列熵（MPE）和卷积神经网络（CNN）的滚动轴承故障诊断方法:通过改进自适应噪声完备集合经验模式分解（ICEEMDAN）对轴承信号进行分解和重构，实现信号降噪；通过粒子群算法（PSO）对MPE进行优化，提出PSO-MPE特征提取方法，参数优化后的MPE能够提取更为关键的特征信息；将所得的排列熵输入到CNN中进行故障分类以及降维可视化分析。以凯斯西储大学开放轴承数据库样本为测试对象，将文章所提出的ICEEMDAN-PSO-MPE-CNN方法与ICEEMDAN-PSO-MPE-RNN、CEEMDAN-SVM、ICEEMDAN-PSO-MPE-SVM等方法进行纵向和横向对比分析，结果表明改进方法的分类准确率和效率更高，在T-SNE可视化下的分类效果更明显，能够实现滚动轴承故障的高精度和高效率检测。     

基于CNN-LSTM神经网络的前视成像算法

雷达前视成像作为雷达成像领域的难点与重点,在自动驾驶、导航、精确制导等方面具有广阔的应用前景。传统的前视成像算法受限于天线孔径的宽度,无法实现高分辨率的成像,本文使用卷积神经网络（Convolutional Neural Networks, CNN）与长短期记忆（Long Short-Term Memory,LSTM）网络相结合实现前视成像中方位向的预测,首先介绍了扫描前视成像信号的类卷积模型及其病态性,利用脉冲压缩以及距离徙动校正对回波信号预处理,输入CNN-LSTM神经网络逐距离单元进行方位向估计。仿真结果表明：算法能有效提高前视成像的方位分辨率,实现前视成像的超分辨。     

基于小波神经网络的PIM功率时间序列预测

无源互调（passive intermodulation，PIM）是影响通信系统性能的关键因素之一。研究表明，PIM信号并非一个定值，而是随时间变化的非平稳信号。基于PIM功率信号的时间序列特性，文章提出基于小波神经网络的PIM功率时间序列预测方法。首先，详细介绍小波神经网络预测模型及其预测方法；其次，以同轴连接器为验证对象，通过PIM实验测试系统获得3阶PIM功率的时间序列；最后，依据获得的PIM功率时间序列，结合构建的小波神经网络预测模型对后续的时间序列进行预测分析，并将预测结果与实验结果进行比较，从而验证小波神经网络在预测PIM功率时间序列方面的有效性。该研究对于开展PIM抑制技术具有一定的参考价值。     

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...     

基于图像识别的机械振动信号特征提取与寿命预测方法研究

滚动轴承作为许多机械设备的关键组件,被广泛应用于机械制造、航空航天等领域,其健康状态直接影响了相应设备的剩余寿命,因此在设备故障预测与健康管理(Prognostics and Health Management, PHM)领域,滚动轴承寿命预测具有很高的研究价值。目前基于数据驱动的轴承寿命预测方法主要利用特征提取并构造健康因子(Health Indicator, HI),然而在这一过程中特征的选择与融合依然依赖于专家先验知识,并且健康因子也很难从复杂的时序数据中进行提取。因此,提出了一种新型的数据驱动寿命预测算法,在特征提取方面,通过连续小波变换(Continuous Wavelet Transform,CWT)将传感器振动信号转换为时频谱图,再通过深度残差网络(Deep residual network, ResNet)结合时空卷积网络(Temporal Convolutional Network, TCN)将时频谱图中的时域频域特征构造成为健康因子,最后完成剩余寿命预测。本研究在PRONOSTIA数据集上与现有的数据驱动算法进行了对比,证明了该算法可以更准确地完成剩余寿命预测。     

长寿命卫星寿命评估方法探讨

分析了影响卫星长寿命的关键因素,调研了当前卫星寿命评估方法的研究进展情况,包括基于性能退化和加速退化的无失效寿命数据评估方法,此外还对基于推进剂剩余量预测的卫星寿命评估方法进行了探讨。     

飞行器健康度神经网络预测方法

提出了一种飞行器健康状态的智能预测方法,用于飞行器实时控制健康预测,是一种实时在线健康预测算法。该方法改变了传统飞行器事后补救的健康处置方案,采用实时输出飞行器的健康预测值。包括5个模型:飞行器数据模拟模型、基于RNN和LSTM的数据集正样本训练预测模型、基于灰色模型的预测模型、组合预测模型,以及健康度计算模型。     

基于退化信息融合理论的可靠性预测研究

传统的可靠性评估方法一般基于失效寿命数据,而目前对于高可靠长寿命的电子产品,很难通过加速试验获得其失效寿命时间。为解决这一矛盾,将性能退化理论、信息融合技术与传统可靠性评估方法相结合,提出基于退化信息融合理论的可靠性预测的新方法,并应用某型雷达24V/2A稳压电源板的加速性能退化试验进行验证,结果表明方法用于高可靠长寿命电子产品的可靠性评估是正确有效的。     

一种LSTM模型预测BC值的空间碎片无控再入预报方法

提出一种利用长短周期记忆(LSTM)神经网络模型动态预测无控再入过程中弹道系数(BC)值实现空间碎片高精度再入时刻预报。通过利用空间碎片两行根数(TLE)、简化通用摄动模型(SGP4)与公开的物体陨落时间作为实测数据样本,利用迭代修正BC值方法构建预测模型的训练集,由此构造用于预测BC值的LSTM模型预测BC,再采用高精度轨道外推动力学模型配合预测BC值预报再入时刻,结果表明基于LSTM模型预测BC的空间碎片再入时刻预报方法是可行的,在95%的置信度内,90天以上的再入时刻预报精度小于10%,30天预报精度小于8%。     

特征定量识别的航天精密伺服机构轴承运行可靠性评估方法及应用

滚动轴承是航天精密伺服机构中的关键运动副,其可靠性常作为表征伺服机构寿命的重要指标。针对航天精密伺服机构的复杂载荷、极端环境与具体轴承个性问题,本文开展基于特征定量识别的航天精密伺服机构轴承动态可靠性评估方法及其应用研究。采用自适应标准多小波定量识别机构关键轴承运行状态特征,基于降半正态分布函数构建关键轴承运行状态特征与其隶属可靠度的映射关系,建立轴承运行状态信息的可靠性评估模型,为精密伺服机构轴承可靠性评估缺乏大样本数据和当下产品可靠度难以真实评价的工程难题开辟新途径。工程实例表明:该方法可以有效揭示试验台轴承外圈损伤所引起的运行可靠性降低的原因,并成功应用于评估某型航天精密伺服机构轴承运行状态。     

基于LSTM-ResNet模型的时变结构损伤检测

面向火箭结构健康监测，提出了一种基于深度学习的损伤检测方法，直接将多个通道的振动数据作为输入，并基于由长短时记忆网络LSTM（Long Short-Term Memory Networks）和残差卷积神经网络ResNet（Residual Convolutional Neural Networks）组合而成的LSTM-ResNet网络进行损伤识别。其优点在于，首先利用LSTM提取信号的时间依赖特征，减轻了由某些通道信号缺失带来的影响，再利用ResNet在不损耗特征的情况下进一步提取空间特征，提高了训练效率和损伤辨识准确性。通过充液圆筒振动放水实验模拟火箭飞行状态下的燃料消耗，并基于自主构建的数据集和公用数据集对LSTM-ResNet、LSTM、ResNet以及ResNet-LSTM网络进行了训练，训练结果表明，LSTM-ResNet组合网络无论在传感器是否存在故障的情况下都具有更好的性能，损伤检测精度更高。     

电液仿真转台控制系统设计与仿真研究

针对影响三轴电液仿真转台动、静态性能最大的同步驱动、摩擦和大惯量负载干扰三个问题，采用了模拟人脑基于经验控制的FNN（模糊神经网络）控制器和基于学习校正的PNN（预测神经网络）控制器分别对应转台内环（角速度环）和外环（角度环）反馈系统。FNN同步控制器分为等同和主从同步控制模式，两种模式相互切换，提高了系统同步性能；PNN摩擦干扰控制器采用了基于双网络模型的NARMA（非线性自回归滑动平均）预测模型，具有较强的非线性系统辨识能力，提高了系统抗干扰能力。软件仿真结果表明，当转台外框负载发生变化或外框两马达转速相差较大时，使用PNN—FNN模型的智能控制系统仍具有较高的位置跟踪精度和动态性能。     

星载大功率GaN固态功放寿命评估方法

近年来大功率氮化镓（GaN）固态功放开始逐步星载应用,但产品可靠性仍未得到充分验证。文章提出利用加速寿命试验（ALT）和在轨工作情况相结合的方法进行大功率GaN固态功放寿命评估。首先利用故障模式、机理及影响分析（FMMEA）确定固态功放的薄弱环节和主要失效机理;然后基于阿仑尼乌斯（Arrhenius）模型研究加速寿命试验激活能和加速应力的取值方法,对产品进行75 ℃、10 000 h的加速寿命试验;最后综合加速寿命试验结果和在轨工作情况对GaN固态功放进行寿命评估。评估结果显示:该产品45 ℃条件下在轨工作时,平均无故障时间（MTTF）为1.26×106 h,失效率为7.93×10-7,15年工作可靠度为0.901。     

一种基于在线预测的航天产品热待机剩余寿命评估方法研究

基于航天产品热待机剩余寿命难以实时预测的需要,提出步进加速寿命试验设计过程、基于双应力数据处理的剩余寿命实时在线预测技术,给出加速试验中加速模型的确立及试验的优化设计,研究了实时剩余寿命预测的样本开关机对热待机寿命影响的数学模型,最后给出了具体的在线预测热待机剩余寿命的处理过程和实施步骤。     

基于ABC-BP神经网络的航空发动机滑油金属含量预测

为有效监测发动机滑油状态,本文建立基于ABC-BP神经网络的滑油金属含量预测模型。在参数的初始化阶段,人工蜂群的适应度为BP神经网络的误差函数,神经网络的阈值和权值选定为适应度最优的一组参数。通过实验仿真对民航实际数据进行研究,实验表明模型预测效果理想,为实现健康管理和故障预测奠定基础。     

基于单隐层神经网络的空天飞行器直接自适应轨迹线性化控制

基于轨迹线性化方法（TLC）及神经网络技术研究了一种新的直接自适应TCC控制方案。利用单隐层神经网络（SHLNN）对于光滑非线性函数的逼近能力，对消系统中不确定因素的影响，神经网络自适应律采用Lyapunov方法设计，保证了整个系统所有信号有界。最后利用该方案设计了空天飞行器飞行控制系统，并在高超声速飞行条件下进行了仿真验证，仿真结果表明整个控制系统具有很好的性能和鲁棒性。     

基于性能退化数据的可靠性评估

传统的可靠性评估方法一般基于失效寿命数据，对于高可靠长寿命产品，很难通过寿命试验和加速寿命试验获得失效寿命时间，这种情况下产品的性能退化数据可提供可靠性评估的重要信息。在基于失效数据可靠性评估及性能可靠性评估方法的基础上，提出了基于退化轨迹与基于性能退化量分布两种可靠性评估方法，以对具有退化失效机理的高可靠长寿命产品进行可靠性评估。基于退化轨迹的可靠性评估方法首先选取合适的退化轨迹模型，利用退化数据对退化轨迹进行模型拟合得到模型参数，然后根据退化轨迹外推得到伪失效寿命，最后根据完全寿命试验数据的统计分析方法进行统计分析得到产品可靠性信息。基于性能退化量分布的可靠性评估方法首先计算不同测量时刻产品性能退化量的统计特征，对其进行曲线拟合得到统计特征随时间变化的函数，即性能退化量分布参数，最后利用可靠性与性能退化量分布的关系评估产品的可靠性。本文最后给出了两种可靠性评估方法的应用案例，验证了方法的正确性与有效性。     

基于稳流电路退化过程建模的激光惯组剩余寿命预测方法

针对激光陀螺仪周边控制电路的可靠性大大低于激光陀螺仪,而其稳定性又会对惯组可靠性产生很大影响的特点,提出了基于稳流电路退化过程建模的激光惯组剩余寿命预测方法。该方法从激光惯组误差产生机理出发,以稳流电路左右两路输出电流差值为激光惯组的一项健康指征,先根据取样电阻、运算放大器和场效应管等元器件的衰变曲线获得稳流控制电路仿真衰变数据,然后用ARMA模型对衰变数据中的两路输出电流差值数据进行拟合,进而对激光惯组剩余寿命进行预测。仿真试验证明了该方法的有效性。     

基于神经网络结构化组合的下行链路SINR预测

针对无线蜂窝系统下行链路信道SINR预测方法存在的只能对单一信道参数场景进行一步预测、预测误差较大等不足,根据信道参数变化场景下SINR序列相关性的变化,对长短期记忆网络(LSTM)和前馈神经网络(FNN)进行结构化组合,提出一种基于LSTM-FNN预测模型的SINR预测方法,并通过预训练-全局训练策略和迭代调优策略对组合网络进行较好地训练。仿真实验表明,LSTM-FNN模型相比于传统的自回归积分滑动平均模型(ARIMA)和单一FNN、LSTM网络,在信道参数变化场景下具有更好的SINR预测性能,且时间复杂度的增加在可接受范围内。     

GPS失锁时基于神经网络预测的MEMS-SINS误差反馈校正方法研究

GPS信号失锁时,MEMS-SINS组合GPS导航误差会随着时间迅速积聚而无法导航.提出一种基于RBF神经网络预测的MEMS-SINS误差反馈校正方法,GPS有信号时对神经网络进行训练,GPS信号中断时用训练好的RBF神经网络预测MEMS-SINS的导航误差.地面车载跑车试验,证实了训练后的RBF神经网络能很高精度地逼近MEMS-SINS/GPS组合导航系统输入与输出间的关系,在4个50s以内的GPS人为失锁过程中,该方法导航结果与参考系统比较,平均位置误差为3.8m,平均速度误差为0.6m/s,平均姿态误差为0.5°.