基于虚拟样本生成的铺丝表面缺陷检测

自动铺丝构件在实际生产过程中会受到环境和工艺等因素的影响,从而导致缺陷的产生并对铺丝构件以及装配整体带来严重危害。由于自动铺丝成型技术的保密性以及制造工艺昂贵和耗时等因素,有关缺陷图像的样本数据集难以获取,造成了小样本学习的问题。提出通过虚拟样本生成的方法来扩容数据集并将其作为目标检测网络的输入训练样本。针对铺丝缺陷特点,在YOLOv5s中添加坐标注意力机制来优化设计,得到最终的目标检测网络模型并命名为Place-YOLO,其精度值为0.941,平均精度均值mAP为0.833,与原始YOLOv5s相比提升了1.8%。     

基于显著图数据增强的飞行器识别与检测算法

数据增强技术能够有效解决民用航空等领域机器学习模型训练数据严重不足的问题，对于提升智能模型的性能至关重要。为此，针对航空领域飞行器识别和检测的典型应用场景，本文提出基于显著图的数据增强方法，在不同种类的飞行器数据集上分别进行分类和检测试验。试验结果表明，在飞行器目标检测数据集上，利用本文提出的数据增强方法可以提升飞行器目标检测精度。     

航空发动机气路部件故障融合诊断方法研究

针对发动机气路部件故障,提出了一种基于模型和基于数据驱动的融合诊断方法。采用极端学习机(ELM)实现基于数据驱动的故障诊断。针对ELM随机选择输入层权值和隐含层偏置带来的缺点,采用改进微分进化(IDE)算法以训练样本的均方根误差(RMSE)和输出层权值的范数为评价标准对其进行优化,减少了ELM的隐含层节点数,提高了网络的泛化能力。同时,由于传感器数目的不足,采用基于奇异值分解(SVD)的Kalman(SVD-Kalman)滤波器实现基于模型的部件故障诊断。为了提高航空发动机部件故障诊断的精度,利用改进的迭代约简最小二乘支持向量回归机(IRR-LSSVR)算法对两种算法的估计结果在特征层进行定量融合。仿真结果表明,在发动机稳态状态下,与单独使用基于模型和数据驱动的诊断方法相比,采用特征层融合有效地提高了部件故障诊断的精度和准确率。     

基于小波包和改进核最近邻算法的风机齿轮箱故障诊断方法

齿轮箱作为风力机组的核心部件,故障频发,研究风机齿轮箱的故障诊断方法意义重大。针对最近邻(KNN)诊断方法对离群噪声不敏感和诊断精度较低的缺陷,提出了基于小波包和改进核最近邻算法的风机齿轮箱故障诊断方法。该方法应用小波包分析技术对故障特征进行提取,利用互近邻准则将故障数据集中的离群噪声点剔除,构建出基于核空间的改进型最近邻分类决策规则来识别齿轮箱的故障类型。试验表明:该方法可以有效地提升故障诊断精度和鲁棒性,为智能诊断技术的研究提供新思路。     

小样本目标检测综述

小样本学习是指在样本数据不足或质量较低的情况下进行的深度学习训练和预测的方法.针对深度学习目标检测应用中可能会面对的样本数据不足的问题,分析了小样本目标检测的数学模型和误差来源,将适用于小样本目标检测的方法分成数据、模型和算法三个类别进行了归纳总结,简述了各个方案的缺点与不足,并枚举了近年来在小样本目标检测上的可行方法...     

激光剪切散斑方法对脱粘缺陷的定量测量

采用胶接方式连接的复合结构在生产制造过程中容易出现脱粘问题,将严重影响产品的结构完整性.采用新型检测方法对脱粘缺陷进行定量测量对于保障产品质量、提高检测效率起到至关重要的作用.本文介绍了激光剪切散斑方法的检测原理、蜂窝夹层结构中脱粘缺陷的形成原因与结构特点及对脱粘缺陷的验收规范.利用激光剪切散斑方法对脱粘缺陷进行检测,分析激光剪切散斑方法对脱粘缺陷进行定量测量的检测精度.通过对已知间距缺陷进行定量测量,检测结果与实际缺陷尺寸吻合较好,检测精度在10％以内.结果表明该方法对脱粘缺陷的检测精度能够满足实际生产的检测需要.     

基于滑动时窗策略自适应优化支持向量机的航空发动机性能参数在线预测

针对传统航空发动机性能参数时间序列预测方法存在的不足,提出了基于滑动时窗策略自适应优化支持向量机(Support Vector Machine,SVM)在线预测模型。该方法解决了训练样本动态适应性差的特点和老旧数据信息影响预测模型精度的问题。在该方法中,滑动时窗策略实时更新时窗数据训练样本,最终误差预报准则(Final Prediction Error,FPE)自适应地确定嵌入维数,遗传算法(Genetic Algorithm,GA)则实时自适应优化SVM建模参数。应用航空发动机排气温度偏差值(Delta Exhaust Gas Temperature,DEGT)数据进行实例验证,结果表明基于滑动时窗策略的自适应GA优化的SVM (GASVM)在线预测模型比传统的GASVM预测模型预测精度有显著提高。进一步分析了预测模型不同时窗宽度对短期预测精度的影响,展示了1步～10步预测的效果,结果表明在线预测模型在不同时窗宽度下短中期(5步以内)预测效果良好且稳定。文中提出的在线预测模型可用于航空发动机性能参数的预测,实现对航空发动机未来性能变化的预警。     

基于相控阵超声的铝合金熔焊缝缺陷深度定位技术研究

传统的射线照相检测技术仍是铝合金熔焊缝缺陷的主要检测方式,由于传统射线照相检测无法测量缺陷在焊缝高度方向上的尺寸和位置,在缺陷的定位和排除方面存在不足,从而加大缺陷排除的工作量,甚至由于缺陷排除方向错误造成焊缝挖穿,影响补焊质量.相控阵超声检测技术通过接收缺陷回波来实现缺陷检测,可以反映缺陷的尺寸和位置信息.本文采用Omni Scan MX相控阵超声检测仪和5L64-A2相控阵探头针对对比试块、铝合金熔焊缝缺陷进行了定位技术研究,并与缺陷微观测量、宏观测量的结果进行对比,结果表明基于相控阵超声检测的铝合金熔焊缝缺陷深度定位检测结果与微观检测结果基本一致,可以采用相控阵超声检测技术进行铝合金熔焊缝缺陷深度定位.     

焊缝射线检测智能化评定系统研制

目前X射线检测存在检测底片难于长时间保存、对操作人员依赖性强等不足,底片检测信息处理智能化水平较低。随着搅拌摩擦焊、激光焊等新方法的应用,制造业数字化车间的建设,对缺陷检测、质量检测信息的有效保存、处理也提出了更高的要求。为解决轨道车辆车体焊接结构内部缺陷检测可视化、自动化的需求,研发高质量的X射线检测底片扫描技术、先进的信息处理技术,开发X射线检测底片的数字化及自动化评定技术,实现底片有效信息的无损数字化,底片缺陷自动搜寻、测量与分类,研发国内首套高速列车射线底片智能化评定系统,提升X射线检测技术的信息化、自动化水平,实现底片自动化评定。相关技术可向航空航天产品进行推广。     

基于递归径向基神经网络的航空发动机盘腔瞬态壁温预测

针对航空发动机空气系统盘腔瞬态壁温动态预测难的问题,提出了一种基于径向基神经网络的递归预测模型。通过时序数据多维重构的方法建立训练样本,强化径向基神经网络对“时滞性”的预测能力,分析了模型固有超参数和由多维重构引入抽样控制参数对模型预测精度的影响。采用简化的典型盘腔壁面换热模型结合公开的试验历程转速数据,构建了供模型训练和测试的瞬态壁温数据样本,以递归调用模型的方式完成了对测试样本时序数据的预测和验证。结果表明,与常规的径向基神经网络预测模型相比,该模型的平均相对预测偏差由3.0%降低至0.45%,有效提升了模型的预测精度。为航空发动机盘腔瞬态壁温异常监控及超温排故问题提供了一种新的预判方法。     

X 射线照相缺陷定位方法分析与验证

相对于公式法,双标记法解决了焦距和焦点位移测量误差所带来的问题.但此方法在射线检测领域普及程度并不高,其中原因,首先是原理较复杂,针对性研究少,其次是测量精度没有被量化,可信度不高.本文从公式法入手,通过对原理公式的变化分析和线性化分析,明晰了双标记法缺陷深度定位原理,推导了缺陷深度定位公式,利用简化模型,对双标记法的定位精度做了进一步的分析与计算,最后针对具体被检测物,测试验证了双标记法的计算公式和测量精度,用理论和实践证明了方法和精度的可靠性.     

基于三维激光扫描的蒙皮对缝检测研究

针对传统蒙皮对缝检测方法误差大、效率低等问题以及二维激光对缝检测的缺陷,采用了一种基于三维激光扫描蒙皮对缝的检测方法并开发出相应软件。提出了蒙皮对缝三维点云数据的去噪、临界点识别及提取方法,根据蒙皮对缝间隙阶差对气动外形的影响,分析其实际几何结构,与理论结构对比,提炼出了计算蒙皮对缝间隙阶差的数学模型,并通过对试验模拟件对缝的检测,验证了其计算精度。结果表明:该检测方法可行,与二维激光检测相比精度和重复精度更高,间隙测量精度达到0.04mm,阶差测量精度达到0.02mm,可以满足蒙皮对缝检测需求,为分析间隙阶差对装配质量的影响提供数值依据。     

基于飞行过程数据的航空发动机故障诊断方法研究

针对航空发动机飞行过程数据,结合门控循环单元（GRU）动态网络和深度神经网络（DNN）,提出了一种数据驱动的航空发动机故障诊断结构。首先,从飞行数据中抽取发动机健康数据,并通过一组GRU网络建立发动机在健康状态下的动态模型。其次,通过GRU动态模型的预测值与真实测量信号生成残差信号,残差信号作为DNN网络的输入预测发动机健康参数。最后,通过诊断决策模块实现对发动机的故障检测与识别。使用仿真生成的真实飞行工况数据集对提出的故障诊断系统进行了验证。结果表明,相比于直接使用传感器测量数据,基于GRU网络的残差结构能够大幅提升故障检测和识别性能,故障检测和识别准确率分别可达96.51%和95.06%,并且对训练数据样本数量的依赖性较小,较少的训练样本也能获得很好的预测结果。     

基于稀疏最小二乘支持向量机的航空发动机动态过程辨识

针对现有最小二乘支持向量机(LS-SVM)稀疏性不足的难题,提出一种稀疏化策略,应用此方法建立了航空发动机动态过程模型.在对原始样本预求解过程中,该策略使用改进Gram-Schmidt正交化算法对非线性映射矩阵实施递归分解,同时以阈值监督输出向量的残差化过程,从而优选训练样本,降低样本规模,节省内存,提高LS-SVM学习速度.仿真表明,基于优选样本的学习模型较之其他训练样本学习模型提高了回归精度和速度,验证了方法的可行性;基于实际试验数据建立的航空发动机动态过程模型在类似过程参数预测以及性能递推预估仿真表明,高压转子相对转速误差低于0.2%,低压转子相对转速误差低于0.35%,涡轮后燃气温度误差小于3.5℃,满足控制与仿真的需要.      

数据驱动的航天器异常检测工具对未来中国空间站管理的启示

随着人工智能和大数据技术的飞速发展,数据驱动的自动异常检测技术成为国内外研究的热点,并在航天工程中得到了一定的应用.对数据驱动的航天器异常检测工具——美国航空航天局的IMS工具、欧空局开发的Novelty Detection工具、日本东京大学开发的ADAMS平台进行了分析,针对目前中国工程上主要依靠阈值自动判读以及专家...     

基于加权融合的多信源弹道数据实时野值检测方法

研究多信源弹道数据实时处理中斑点野值的检测问题.通过计算各信源数据的实时精度,给出了具有自适应加权系数的加权融合方法,实现了对目标状态参数较高精度的估计,从而实时、准确、高效地检测各信源数据野值.仿真结果表明,本方法可以快速、有效地检测多信源数据的斑点野值,解决因数据切换带来的台阶跳跃问题.     

旋转不变的数据驱动稀薄流非线性本构计算方法

DNCR方法基于Navier-Stokes方程和UGKS方法的数值模拟结果作为流场样本训练数据,借助机器学习构建热流/应力与流场特征参数的高维复杂非线性回归关系模型,最终通过耦合数据驱动的非线性本构关系求解宏观量守恒方程得到待预测稀薄非平衡流数值解。但现有DNCR方法的特征参数(速度、压力、密度等)和标记值(热流、应力张量等)不具备旋转不变特征,所得训练模型无法适用于坐标系旋转或平移后的计算网格。针对这一缺陷,本文构建全新且具有旋转不变性的特征参数与标记值,并结合典型算例预测结果与特征参数权重反馈优化所有训练集特征参数;同时瞄准回归模型预示范围与泛化性能提升,针对极端随机树开展选参与调参研究,发展了一种基于旋转不变量的改进DNCR方法。针对不同来流条件、不同几何外形条件下的二维高超声速圆柱绕流与顶盖方腔驱动流,评估了改进DNCR方法对比原始方法的计算精度提升效果。计算结果表明：使用旋转不变量能够显著提升训练模型对坐标系旋转、外形变化的适应能力,使DNCR方法具备更好的泛化性能。     

基于机器视觉与UMAC的自动铺丝成型构件缺陷检测闭环控制系统

为保证自动铺丝成型构件的性能,实现对成型构件表面质量的高效检测,本文基于机器视觉检测技术,自行研发自动铺丝成型构件表面缺陷检测闭环控制系统,使自动铺丝过程中预浸纱之间的间隙或重叠在允许范围内,从而保证铺丝精度。研究主要分为三个部分:铺丝成型构件表面图像提取与缺陷检测,检测数据传输,运动轴反馈控制,实现在自动铺丝过程中对成型构件表面缺陷检测实时闭环控制。针对电荷耦合相机采集到的预浸纱图像存在运动模糊和信噪比低等问题,将图像预处理划分为图像复原和降噪两大功能,根据不同类型的噪声采用对应滤波法进行降噪处理,提高了图像的信噪比,为后续检测提供高质量图像;预浸纱缺陷主要由其边缘直线这一几何特征进行表征,因此通过对预浸纱边缘检测实现缺陷识别;利用工控机向图像采集控制器发送命令实现图像采集,同时通过工控机与运动控制器之间信息流和数据流的交换实现检测数据的传输。探讨模糊控制理论用于闭环控制的研究,在反模糊化环节后面,加入自适应参数调节,以适应加工过程的突变,并成功地应用到自动铺丝缺陷检测闭环控制系统中,提高了伺服跟踪精度和跟踪实时性,从而提高铺丝精度。     

基于PD处理技术的雷达弱信号检测方法

针对脉冲跟踪测量雷达普遍存在的远距离弱信号检测能力不足的问题,基于PD（PulseDoppler,脉冲多普勒）雷达的杂波抑制与信号处理技术,提出脉冲雷达中的弱信号检测方法;详细分析了在脉冲跟踪测量雷达中应用PD处理技术的可行性,得出在一定约束条件下,可将PD处理技术运用于脉冲跟踪测量雷达,并提出了具体实现方法;最后,通过数据仿真和脉冲雷达实际测量数据进行验证,结果表明该方法能有效提高信噪比。     

复合材料瞬变电磁检测的模拟试验

建立了小尺度浅层瞬变电磁法检测碳纤维复合材料的计算模型.沿测线将计算模型进行简化,通过Hankel变换求取测点的瞬变电磁响应,组合所有测点的数据获得复合材料的瞬变电磁响应.结果表明:异常与试块缺陷有很好的对应关系,计算精度随测点间距的减小而增加.通过与检测试验数据的对比,分析和验证了计算模型的适用性和精度.