基于特征优化与改进KNN的航空发动机故障诊断

为有效解决航空发动机气路故障诊断难题,建立了基于特征优化与改进KNN的航空发动机气路故障诊断模型。利用特征优化算法对发动机故障特征进行处理,包括特征增维与近邻成分分析算法;将特征优化后的特征输入改进KNN算法,建立基于特征优化与改进KNN算法的故障诊断模型;为验证所建立故障诊断模型的准确性,在四台CFM56-7FB发动机数据上进行实验验证,结果表明：基于特征优化与改进KNN算法的故障诊断模型的准确率可达98%以上,能够达到智能诊断的目的。     

基于EEG的驾驶舱告警信息设计研究

针对直升机驾驶舱人机交互中认知负荷问题,设计飞行模拟试验,探究视觉和听觉告警对飞行员认知负荷的影响。基于多元线性回归方法,通过主观评价结果、反应时间、准确率和脑电信号等指标,构建了直升机驾驶舱人机交互认知负荷评估模型。结果表明文字颜色、语音提示两种告警特征对飞行员信息加工均会产生影响,使用多元线形回归模型可对不同告警方式下受试对象的认知负荷水平进行评估,构建的评估模型能够较准确地评估直升机驾驶舱中飞行员的认知负荷,可为优化驾驶舱交互设计、降低飞行员认知负荷、减少人为差错提供依据。     

基于改进Yolov3 算法的舰船目标检测识别系统

针对复杂战场环境下对海目标检测识别的需求,设计了一种基于改进Yolov3 算法的海面舰船目标实 时检测识别系统。使用微调分类网络、增加训练尺度、聚类目标边框维度、二级特征分类等方法对Yolov3 检 测识别网络模型进行了优化,在提高识别精度的同时有效降低了漏检率和虚警率。实验结果表明,优化后的网 络模型在自建的舰船图像数据库中将检测识别平均准确率提高到了79.3%,对真实海上航拍视频中舰船目标识 别的平均准确率达到了81% 以上。     

基于集成学习模型的飞行学员认知负荷研究

在飞行过程中,飞行员需要在短时间内接收大量信息,并做出正确的判断与决策,而过高的认知负荷会影响其感知、判断、决策等认知过程,进而影响飞行安全。首先通过飞行模拟实验获取飞行学员在执行不同飞行任务时的生理数据;然后通过时域、频域分析等方法提取呼吸和心电信号的特征,并通过统计学方法筛选出能够反映认知负荷水平的指标;最后结合支持向量机、K 最邻近、人工神经网络等方法建立集成学习模型,对飞行学员的认知负荷进行评估,并与单一算法进行对比。结果表明：本文建立的集成学习模型具有较高的准确率,能够更好地反映飞行学员认知负荷水平。     

基于深度学习的滑油监测方法研究

针对传统的数据特征提取方法难以提取航空发动机滑油监测数据有效特征的缺陷,提出了一种基于多尺度卷积神经网络(Multi-scales convolutional neural network,MSCNN)、长短期记忆(Long short-term memory,LSTM)神经网络和BP网络的单通道网络模型MSCNN-LSTM-BP。将多尺度学习融入CNN,MSCNN和LSTM以串行方式提取数据在空间维度和时间维度的二维特征。实验结果表明:3尺度的MSCNN-LSTM-BP对数据样本的分类准确率达到98.2%,单组电容数据采集测试时间仅为2.1986ms,综合分类率F1达到98.57%,总体性能优于CNN,LSTM和传统的多尺度特征提取方法。MSCNN-LSTM-BP满足航空发动机滑油监测对于实时性和准确性的要求,具有良好的适用性。     

基于近似粗糙集分辨力分类算法的飞机类型预测

传统的C4.5分类决策树作为数据分类算法具有计算简单、准确率高的优势，由于飞机具有参数多和数据量大的因素，C4.5算法需要对连续属性值进行多次顺序扫描，分类时间效率较低。针对此问题，提出近似粗糙集和决策分辨力分类算法，利用粗糙集近似度来判断属性划分样本数据能力，并将其代入到决策分辨力算法中，以决策分辨力最大的属性作为分裂特征建立分类决策树。算法在保证分类决策准确率的同时，提高计算效率并减少过拟合问题的产生。通过对UCI(University of California, Irvine)数据集上多组数据样本的对比实验分析，验证了本文提出PSRP(rough set and resolving power)的算法在保证相同准确率的情况下，平均计算时间效率提升约10%，可靠性提升2%。     

飞行训练评估系统引入生理信息的方法探讨

飞行训练评估系统可根据飞行过程中记录的飞行参数按飞行标准自动判定飞行员飞行水平,但现有的飞行训练评估系统只评判出飞行成绩,没有体现出飞行员的生理状态.本文探讨在飞行训练评估系统中引入生理信息的方法,以便了解飞行员飞行水平与生理状态的变化关系.方法 采用生理参数检测装备获取飞行员生理信息;基于生理信息数据进行生理状态挖掘...     

基于GASVM-HMM算法的飞行员操控意图识别

针对传统意图识别方法的识别单一性和实时性差的问题,提出基于GASVM-HMM算法的飞行员操控意图识别方法。20名被试者在A320飞行模拟器上进行测试,采集飞行过程中飞行员与显示屏和控制装置的交互动作数据,并建立操控意图数据集。方法将GA与SVM算法结合进行优化,提高识别的精度,并将GASVM层的输出转化为概率作为HMM层的输入值,进一步提高整体意图识别模型的准确性。与传统的算法进行对比后发现,GASVM-HMM算法的准确率较高,达到92.92%。最后进行实时验证,证明了算法的有效性。     

基于RS-CART决策树的航空发动机小样本故障诊断

针对CART(classification and regression tree)分类决策树构建过程中由于小样本集特征维数高及噪声等造成的过拟合问题,在CART决策树算法训练过程中引入基于互信息的粗糙集(rough sets,RS)属性约简,考虑信息熵与基尼(GINI)系数刻画样本集“纯净度”的相似关系,对历史故障数据进行属性约简,降低属性维度以优化训练集,在此基础上构建分类决策树,可视化输出规则。实验结果表明:将改进的CART决策树算法应用于某型航空发动机油液故障诊断,提取的规则可解释性强,能够减小冗余属性及噪声对决策的影响,与常用故障诊断算法相比,该模型的诊断准确率提升20%左右,AUC(area under curve)值高达92%,可以有效处理高维离散型航空发动机小样本故障问题。     

基于改进马田系统的发动机转子振动信号研究

针对发动机转子系统的振动信号分析问题,提出了一种基于改进马田系统的故障模式识别和分类方法。利用最优阈值小波包变换方法对振动信号进行降噪;对降噪后的振动信号进行小波包分解,提取时频域特征构建基准空间;然后利用岭估计回归分析消除马氏距离的复共线性,使用切比雪夫定理计算马田系统的概率阈值,运用有向非循环图方法对不同模式进行分类;将方法应用于转子振动数据中以验证算法的有效性。结果表明,基于改进的马田系统算法模式识别准确率高,是一种有效的振动信号故障模式分类方法。     

基于降噪自编码器的航空发动机性能退化评估

针对航空发动机性能退化的形式及规律,提出一种基于降噪自编码器的航空发动机性能退化评估方法。针对采集的航空发动机6个状态监测参数,采用降噪自编码器,利用贪婪逐层训练算法,挖掘各参数对发动机性能的深层影响,提取出更有利于评估的数据特征,进行性能退化评估。将提出的算法与BP(back propagation)神经网络以及支持向量机得到的结果进行测试比较,测试表明:提出的方法准确率有所提高,达到93.5%,具有较强的鲁棒性,在信噪比为10dB时准确率达到84.5%,并且能够防止航空发动机状态监测中小样本过拟合的问题。     

基于特征增维和近邻成分分析的民航发动机故障分类方法

为提高航空发动机故障诊断准确度,提出了一种从快速存取记录器（QAR）数据中提取最合适故障特征的方法。对原始QAR数据进行缺失值填补和巡航点提取操作,选择部分发动机性能参数差值作为初始特征值;再采用特征增维方法挖掘隐藏特征信息,进而采用近邻成分分析算法进行特征筛选优化,将所提方法与朴素贝叶斯等4种分类算法相结合,对某航空公司CFM56-7B发动机的QAR数据进行试验验证。结果表明：从QAR数据中提取最合适故障特征的方法能有效地提高发动机故障分类算法的准确率,且适用于不同的诊断算法,准确率优于80%。     

基于全航段QAR数据和卷积神经网络的航空发动机状态辨识

为了充分挖掘全航段飞行数据中蕴含的丰富信息以提高发动机状态辨识的准确率,提出一种基于全航段快速存取记录器（QAR）数据和卷积神经网络的发动机状态辨识方法。该方法将每次飞行循环的全航段QAR数据变换为一个红绿蓝（RGB）多通道样本实现全航段数据图像化处理,根据发动机维修记录中的水洗时间,将发动机划分为不同的衰退状态,采用卷积神经网络对不同衰退状态进行分类和辨识。该方法经某航空公司飞机QAR数据验证,结果表明：基于全航段QAR数据的衰退状态辨识算法的精确度相比于仅使用巡航段数据的精确度提升超过13%,辨识准确率达到98%。     

飞行员头部特征分析及头型分类方法研究

通过对飞行员进行实地调查,发现目前装备的飞行头盔舒适度并不理想。由此,本文介绍了一种新的头部分析方案,借助光栅投影图像测量技术构建的飞行员头部三维模型,通过数值拟合方法分析获得飞行员的头部特征外形参数。同时按照统计学原理,根据头高、头宽、头长尺寸对飞行员的头型进行了科学地分类。本文描述的外形参数分析方法和头型分类方法可以用在今后大规模飞行员头部特征测量分析以及改进头盔设计的工作中。相关标准对今后头盔设计的改进工作有参考意义。     

新一代智能座舱总体结构设计

传统座舱通过引入各种自动化功能,辅助飞行员完成任务,减小操控负担。随着战场态势变化的日趋繁杂,传统座舱设计辅助飞行员的能力达到了瓶颈,亟需研究总体结构设计改进方法,提升辅助决策能力。深入分析了传统座舱存在的问题,研究了适应新型战机的座舱设计,并综合运用态势评估、故障诊断等技术,以任务为核心,对新一代智能座舱的结构及其辅助决策等级进行了设计,阐述了各系统内部结构及功能,探讨了智能座舱与飞行员之间的关系转变。最后,梳理了相关技术途径,指明了下一步的研究重点。     

机器学习情感分析方法改进研究

近年来,随着社交网络的迅速发展,舆情监督成为国内外研究的热点。由于网民参与评论的渠道多种多样,因此,需要对网络用户进行网络言论监测。舆情分析的基础是情感分析技术,然而,现存的情感分析技术存在着不足,准确率难以得到保证。基于对情感分析方法进行改进,以及进一步提高分析结果准确率的研究目标,通过采用知网情感词典并对其合并扩展的情感分析方法和基于机器学习的SVM和KNN情感分析方法,在比较了基于情感词典的情感分析方法以及基于机器学习的情感分析方法的优缺点后,提出了用情感词典和机器学习方法相结合的方式进行情感分析。实验表明,结合情感词典以及SVM和KNN加权方式提高情感分类的准确率较之前提升了近5个百分点,准确率明显提高。     

基于改进GRA-TOPSIS法的飞行员核心胜任力评估

为评估飞行员岗位核心胜任力,有针对性地改进飞行训练,基于改进的GRA-TOPSIS法对飞行员核心胜任力水平进行评估。首先,通过CBTA体系和EBT手册确定9大核心胜任力评估指标,以资深飞行员、教员为对象进行问卷调查、专家访谈,对所得结果进行信度、效度、独立样本检验,最终确定了33项飞行员核心胜任力指标。其次,运用群决策相对熵结法、熵权法确定指标体系权重,改进GRA-TOPSIS算法以相对贴近度形式评价飞行员核心胜任力。最后,对随机抽取5名A330机型机长和副驾驶的核心胜任力进行综合评估,并以雷达图算法表征各飞行员核心胜任力水平差异。结果表明,改进的评估方法可以客观反应权重数值,能有效评估飞行员核心胜任力,有效识别各飞行员的胜任力偏差。     

基于IRCMNDE和NNCHC的滚动轴承故障诊断

针对多尺度散布熵（MDE）在粗粒化过程中易发生信息丢失、产生虚假信息,难以全面提取轴承故障信息的问题,提出了基于改进的精细复合多尺度归一化散布熵（IRCMNDE）和最近邻凸包分类（NNCHC）的滚动轴承故障诊断方法。引入精细复合多尺度散布熵（RCMDE）,将其粗粒化过程中平均值替换为最大值来表示数据段信息,以克服传统粗粒化过程的不足并突出故障特征。通过归一化操作减弱熵值计算时不同参数选择导致的熵值波动幅度,得到IRCMNDE。将IRCMNDE作为故障特征,使用NNCHC分类器对故障特征进行分类。经实验验证,该方法可达到98.98%的故障识别准确率,相比基于MDE（故障识别准确率为95.99%）和RCMDE（故障识别准确率为97.60%）的方法,能够更准确地提取滚动轴承的故障特征信息,提高承故障分类的准确性。      

建筑尾迹中直升机进场着陆策略研究

城区环境中的建筑尾迹对直升机的安全起降有很大的影响,为研究建筑尾迹中安全进场着陆策略,提出了一种基于飞行员工作负荷的飞行安全评估方法。以某型直升机为研究对象,建立耦合建筑尾迹流场的飞行动力学模型,进行人在环飞行仿真,并基于Cooper-Harper评级体系建立了飞行员工作负荷评估模型。采用该评估模型对直升机城区建筑尾迹中,不同进场着陆方式的最优化飞行操纵进行评估。结果表明:直升机平衡计算与试飞数据吻合良好,验证了飞行动力学模型的准确性;采取迎风的进场方式,可有效减小飞行员工作负荷,为提高进场着陆的安全性,采用45°~60°方位进场较合适。     

基于特征重用和语义聚合的SAR图像舰船目标检测

针对单阶段算法SSD(Single Shot Detector)检测SAR图像舰船目标时特征利用率不高的问题,提出了基于特征重用和语义聚合的SAR图像舰船目标检测算法。该算法主要包括特征重用算法和语义聚合算法。在SSD检测算法的网络模型中,针对用于目标预测的前端网络进行了改进,通过提出的特征重用算法,将特征图按照通道分成2部分:一部分被卷积处理进行参数学习;另一部分经过池化之后,采用拼接的方式重新利用,可以在进行参数学习的同时,减小参数量和计算量。通过提出的语义聚合算法,将前端网络中位置信息丰富的底层特征和语义信息丰富的高层特征进行融合,提高了区分和定位舰船目标的能力。同时,还根据数据集SSDD中舰船目标尺寸和长宽比的分布情况,减小了锚框的尺寸,增大了锚框的长宽比,使产生的锚框更符合舰船目标特点。实验结果显示,检测准确率在数据集SSDD上从77.81%提升到81.43%,而增加的计算量不显著(平均处理时间从17 ms增加到23 ms)。