Optimal crater landmark selection based on optical navigation performance factors for planetary landing

Planetary craters are natural navigation landmarks that widely exist and are easily observed. Optical navigation based on crater landmarks has become an important autonomous navigation method for planetary landing. Due to the increase in observed crater landmarks and the limitation of onboard computation, the selection of good crater landmarks has gradually become a research hotspot in the field of landmark-based optical navigation. This paper designs a fast crater landmark selection method, which not only considers the configuration observability of crater subsets but also focuses on the influence on navigation performance arising from the measurement uncertainty and the matching confidence of craters, which is different from other landmark selection methods. The factor of measurement uncertainty, which is anisotropic, correlated and nonidentically distributed, is quantified and integrated into selection based on crater pairing detection and localization error evaluation. In addition, the concept of the crater matching confidence factor is introduced, which reflects the possibility of 2D projection measurements corresponding to 3D positions. Combined with the configuration observability factor, the crater landmark selection indicator is formed. Finally, the effectiveness of the proposed method is verified by Monte Carlo simulations.     

嵌入维数自适应最小二乘支持向量机状态时间序列预测方法

 针对航空发动机状态时间序列预测中嵌入维数难于有效选取的问题,提出一种基于嵌入维数自适应最小二乘支持向量机(LSSVM)的预测方法。该方法将嵌入维数作为影响状态时间序列预测精度的重?问?以交叉验证误差为评价准则,利用粒子群优化（PSO）进化搜索LSSVM预测模型的最优超参数与嵌入维数,同时通过矩阵变换原理提高交叉验证过程的计算效率,并最终建立优化后的LSSVM预测模型。航空发动机排气温度（EGT）预测实例表明,该方法可自适应选取适用于状态时间序列预测的最优嵌入维数且预测精度高,适用于航空发动机状态时间序列预测。     

改进型SVM在轴向磁轴承转子位移自检测中的应用

磁轴承采用位移自检测技术能够减少磁轴承体积、降低成本和提高可靠性。提出了一种基于混合核函数最小二乘支持向量机(LSSVM)预测模型的磁轴承自检测技术。介绍了轴向主动磁轴承的工作原理并推导了其悬浮力的数学模型;在混合核函数LSSVM回归原理的基础上,建立了控制线圈电流与转子位移之间的非线性预测模型,并优化了LSSVM参数,实现了无位移传感器控制。构建了轴向主动磁轴承系统自检测仿真模型,针对所提自检测方法进行了仿真研究,仿真结果表明该模型能够准确预测转子轴向位移。进一步的试验结果表明,该方法具有良好的轴向位移自检测性能,实现了轴向主动磁轴承无位移传感器下稳定悬浮运行。     

基于支持向量经验模态分解的故障率时间序列预测

 针对故障率时间序列的非线性与非平稳特性,提出一种基于支持向量经验模态分解(SVEMD)的预测方法。首先,将故障率时间序列分解为多个固有模态函数(IMF)与一个余量(RF),利用最小二乘支持向量机(LSSVM)预测时间序列两端的局部极值点,以抑制传统经验模态分解(EMD)的边缘效应;同时以LSSVM回归方式形成包络线,以取代传统EMD中的三次样条插值;然后,建立各IMF与RF的预测模型;最终,将各IMF与RF的预测结果相加以获得故障率时间序列的预测结果。仿真结果表明,该方法的预测精度较传统基于EMD的预测方法与单一预测方法有显著提高,可实现对故障率的准确预测。     

基于支持向量机和卡尔曼滤波器的航空发动机故障诊断研究

针对航空发动机上可用传感器测量参数偏少情况下的健康参数估计问题,提出1种先分类后估计的方法。将传感器测量参数输入异常监测模块,对发动机工作状态进行监测,若监测结果为无故障则直接给出无部件故障的诊断结论;否则将测量参数输入最小二乘支持向量机(LSSVM),对部件故障进行分类,卡尔曼滤波器根据分类结果只对故障部件的健康参数进行估计。仿真结果表明:该方法可以减少需要估计的健康参数,提高估计精度。     

航空发动机部件性能故障融合诊断方法研究

提出一种对航空发动机部件性能蜕化进行融合诊断的模糊决策融合机制,以改善单独采用基于模型和基于数据的部件性能故障诊断的漏诊与误诊的问题.传感器测量值同时输入到基于自适应模型的和基于数据的诊断模块中,分别利用卡尔曼滤波算法和最小二乘支持向量机(LSSVM)对主要部件故障性能参数估计,再利用模糊逻辑调整决策权重以进行D-S(Dempster-Shafer)证据理论的决策融合诊断.以某型涡扇发动机为对象进行单部件和双部件蜕化仿真研究表明,与单独使用基于模型和基于数据的诊断方法相比,采用决策融合机制有效地提高了部件故障诊断精度.      

高温高压有机工质密度实验测量及预测方法

针对有机工质高温高压下密度的测量较为困难的问题,特别是超临界状态下,设计出高温高压下密度的测量方法,并提出了基于最小二乘支持向量机（LSSVM）的密度预测方法.该方法首先利用实验手段对有机工质在不同温度、压力点下的密度进行测量,并通过对该离散的实验段数据的学习,利用最小二乘支持向量机方法预测得到T-p面上密度的连续值,尤其是实验手段难以测量的超临界下的密度.基于该方法,以有机工质六甲基二硅氧烷为例,得到了其在T（600~850K）与p（1.3~2.25MPa）范围内的密度值及密度关于温度压力的函数公式,并将其结果与公布的密度数据对比,结果表明:两者的相对误差仅为2.4%,证明了方法的有效性.      

基于免疫聚类分析的特征提取及其在发动机故障诊断中的应用

以提高航空发动机故障诊断的快速性和准确性为目的，基于人工免疫理论中的克隆选择算法，结合聚类分析方法，提出了基于免疫聚类分析的故障特征提取方法。该方法通过删除对分类无关的特征以及压缩类间相关特征，得到最有利于分类的子特征集，提高了分类器的分类性能。并且该算法具有本质上的并行性、计算效率高和聚类能力强等优点。多类支持向量机的分类实验表明，经过基于免疫聚类分析提取的特征对发动机的故障具有更好的识别能力，为发动机的状态监测与故障诊断提供了依据。     

行星表面陨石坑检测与匹配方法

 针对深空探测器光学导航技术的需要,提出了行星表面陨石坑导航路标的提取与匹配方法。陨石坑是行星表面最显著的地形特征,在光照条件下,陨石坑具有清晰的几何轮廓。结合光照方向,通过陨石坑边缘的检测、边缘配对以及形状参数拟合等处理实现陨石坑的提取。对检测出的陨石坑,基于平面二次曲线的几何不变特性,采用投票策略实现与陨石坑数据库的匹配,并设计陨石坑误匹配及失配的校正策略,从而有效地确定陨石坑在目标天体表面的全局位置。最后通过嫦娥一号获得的目表图像验证了所提方法的有效性和可行性。     

基于动态优化数据的航空发动机过渡态控制方法

针对一般稳态燃油前馈PID算法在发动机过渡态过程中控制效果差的问题,提出了一种基于动态优化数据的涡轴发动机瞬态控制方法。采用带约束限制的序列二次规划（SQP）优化算法采集包线范围内各点的过渡态参数变化数据作为样本数据,利用稀疏化的最小二乘支持向量机（LSSVM）对样本数据进行训练、测试,将训练得到的LSSVM模型作为前馈与PI构成闭环控制器共同对涡轴发动机进行过渡态控制。通过对民用涡轴发动机部件级模型的包线内某两点不同功率水平进行仿真,结果表明,过渡态过程中动力涡轮转速超调量与下垂量均小于0.4%,稳态误差为0,动力涡轮转速稳定时间小于2s,各参数均未超限,因此,该控制器能有效提高涡轴发动机过渡态控制效果,实现对参数的限制管理。     

飞机蒙皮缺陷磁光图像识别算法研究

提出一种基于模糊支持向量机自动识别飞机蒙皮磁光图像中铆钉裂纹缺陷的新方法。针对铆钉磁光图像的不规则圆形特点．采用阈值法确定近似铆钉区域中心，将由中心发出的星形射线矢量作为识别的基本特征，采用模糊支持向量机方法对铆钉周围裂纹的方向进行分类。其中，支持向量机采用径向基核函数，利用网格法选取核宽度惩罚常数．并结合模糊隶属度函数解决多类分类问题中存在的错分、拒分现象。样本测试实验结果表明，算法具有很高的识别率。     

基于VMD的自适应复合多尺度模糊熵及其在滚动轴承故障诊断中的应用

提出了一种基于自适应多尺度模糊熵、ILS（迭代拉普拉斯得分）特征选择和粒子群优化支持向量机(PSO-SVM)的滚动轴承故障诊断方法。该方法采用变分模态分解对振动信号进行分解和重构,并计算重构信号的复合多尺度模糊熵;同时采用迭代拉普拉斯得分选择敏感故障特征,并将特征选择结果输入到基于粒子群优化支持向量机的多故障分类器进行识别。将提出的方法应用于滚动轴承试验数据分析。结果表明:该方法对试验数据的故障识别率为100%。并将基于ILS特征选择方法与基于SFS（sequential forward selection）特征选择进行了对比,表明基于SFS特征选择的最高识别率为92.86%,而基于ILS特征选择的故障识别率达到100%。      

基于改进HOG特征的空间非合作目标检测

传统的非合作目标检测方法大都基于一定的匹配模板,这不仅需要预先指定先验信息,进而设计合适的检测模板,而且同一模板只能对具有相似形状的目标进行检测,不易直接用于检测形状未知的非合作目标。为降低检测过程中对目标形状等先验信息的要求,借鉴基于规范化梯度的物体区域估计方法,提出一种基于改进方向梯度直方图特征的目标检测方法,首先构建包含有自然图像和目标图像的训练数据集;然后提取标记区域的改进方向梯度直方图特征,以更好地保持局部特征的结构性,并根据级联支持向量机训练模型,从数据集中自动学习目标物体的判别特征;最后,将训练后的模型用于检测测试集图像中的目标。实验结果表明,算法在由4953幅和100幅图像构成的测试集中分别取得94.5%和94.2%的检测率,平均每幅图像的检测时间约为0.031 s,具有较低的时间开销,且对目标的旋转及光照变化具有一定的鲁棒性。     

最小二乘支持向量回归机在发动机推力估计中的应用

实现直接推力控制的首要问题就是要估计出推力.基于最小二乘支持向量回归机提出了一种Wrapper算法进行特征选择,此算法不仅能降低计算的复杂度,而且能增强模型的泛化能力.另外,在对最小二乘支持向量回归机进行稀疏性建模的时候,用QR分解法代替传统的协方差法,增强了数值的稳定性.最后,推力估计器设计的应用实例,验证了本文提出的特征选择法和QR分解法进行稀疏性建模的可行性和实用性.      

基于DE-RLSSVM算法的航空发动机传感器故障诊断

为了使约简最小二乘支持向量机(RLSSVM)具有更好的稀疏性和泛化能力,利用微分进化(DE)算法选择RLSSVM的支持向量,提出了DE-RLSSVM算法.在benchmark回归数据集上的仿真试验表明该算法具有很好的稀疏性和泛化能力.然后将该算法用于航空发动机传感器故障的诊断,提出了基于DE-RLSSVM算法的航空发动机传感器故障诊断方法.该方法利用DE-RLSSVM算法对传感器故障进行监测,然后进行定位和隔离.数字仿真结果表明该传感器故障诊断系统能够实现对航空发动机传感器硬故障的检测与隔离.      

Near Surface Stratigraphy and Regolith Production in Southwestern Elysium Planitia,Mars: Implications for Hesperian-Amazonian Terrains and the InSight Lander Mission

The presence of rocks in the ejecta of craters at the InSight landing site in southwestern Elysium Planitia indicates a strong, rock-producing unit at depth. A finer regolith above is inferred by the lack of rocks in the ejecta of 10-m-scale craters. This regolith should be penetrable by the mole of the Heat Flow and Physical Properties Package (HP³). An analysis of the size-frequency distribution (SFD) of 7988 rocky ejecta craters (RECs) across four candidate landing ellipses reveals that all craters >200 m in diameter and \({<}750 \pm 30\ \mbox{Ma}\) in age have boulder-sized rocks in their ejecta. The frequency of RECs however decreases significantly below this diameter (\(D\)), represented by a roll-off in the SFD slope. At \(30\ \text{m} < D < 200\ \text{m}\), the slope of the cumulative SFD declines to near zero at \(D < 30\ \text{m}\). Surface modification, resolution limits, or human counting error cannot account for the magnitude of this roll-off. Rather, a significant population of <200 m diameter fresh non-rocky ejecta craters (NRECs) here indicates the presence of a relatively fine-grained regolith that prevents smaller craters from excavating the strong rock-producing unit. Depth to excavation relationships and the REC size thresholds indicate the region is capped by a regolith that is almost everywhere 3 m thick but may be as thick as 12 to 18 m. The lower bound of the thickness range is independently confirmed by the depth to the inner crater in concentric or nested craters. The data indicate that 85% of the InSight landing region is covered by a regolith that is at least 3 m thick. The probability of encountering rockier material at depths >3 m by the HP³ however increases significantly due to the increase in boulder-size rocks in the lower regolith column, near the interface of the bedrock.     

基于小波包分析与多核学习的滚动轴承故障诊断

为了更准确地诊断滚动轴承故障,提出了一种基于小波包分析与多核学习的滚动轴承故障诊断方法.该方法首先对振动信号进行3层小波包分解,将振动信号分解为不同频带的信号,提取各频带的相对能量特征,构建特征向量;然后采用多核学习算法从训练样本集中学习核函数与分类器;最后使用训练出的分类器识别滚动轴承故障类型.为了验证方法的有效性,进行了滚动轴承故障诊断实验,实验结果表明该方法的故障诊断准确率达到98.25%,与传统的基于小波包与支持向量机的滚动轴承故障诊断方法相比,其故障诊断准确率更高,同时由于避免了核函数的选择问题,该方法更便于实际应用.      

基于SVM和广义粗糙度特征的航空发动机振动故障诊断方法

通过对航空发动机振动信号进行小波分解,依据多尺度空间局部能量分布和粗糙性提取基于子带信号能量加权广义粗糙度特征实现对振动情况的描述.然后将上述特征送入支持向量机(support vector machine,简称SVM)分类器进行训练,根据分类器的输出结果判断航空发动机的工作状态和故障类型.通过对实测航空发动机试车时得到的振动信号的实验分析结果表明,该算法可以有效地识别发动机的振动故障.      

基于大规模训练集SVM的发动机故障诊断

提出了一种新的学习策略,用于解决发动机故障诊断中大规模支持向量机(SVM)的训练问题.通过保留初始SVM分类器支持向量超平面附近的样本以及错分样本,使最终得到的约减集规模明显缩小,从而可在保持较高分类精度的前提下使训练时间明显缩短;同时,由于支持向量的数量减小,分类时间也相应缩短.探讨了序贯最小优化(SMO)算法的参数选择和实现过程中的关键问题,为这种极具潜力的算法在发动机故障诊断中的实际应用奠定了坚实的基础.仿真实例表明,这种基于大规模训练集SVM的发动机故障诊断方法有效、可靠,容易实现,可以作为工程应用的基础.