基于局部几何特征的稠密点云配准方法

针对现有的稠密点云配准方法依赖初始位置设定、计算成本高、配准成功率不高等问题，提出了一种基于点云局部几何特征的稠密点云配准方法。采用深度卷积网络模型提取点云的局部几何特征，从而减少了三维点云数据的噪声、低分辨率和不完备性等带来的影响。在此基础上，使用K维树搜索完成局部几何特征描述子的关联工作。最后，通过随机采样一致算法对点云的相对位姿进行鲁棒的估计。通过对开源数据集上5个典型场景中的数据测试表明，该方法的配准成功率达到92.5%，配准精度达到0.0434m，配准时间相对最邻点迭代配准算法缩短了74.7%，实验结果验证了该方法的有效性、实时性和鲁棒性。     

Structure-aware fusion network for 3D scene understanding

In this paper, we propose a Structure-Aware Fusion Network(SAFNet) for 3D scene understanding. As 2D images present more detailed information while 3D point clouds convey more geometric information, fusing the two complementary data can improve the discriminative ability of the model. Fusion is a very challenging task since 2D and 3D data are essentially different and show different formats. The existing methods first extract 2D multi-view image features and then aggregate them into sparse 3D po...     

基于Kinect三维重建的地下井室可视化方法研究

针对现有地下井室病害探测与维护方法的不足,提出了一种基于Kinect三维重建的地下井室可视化方法,以实现其三维可视化探测与维护.还提出了一种基于多项式曲面拟合的Kinect深度测量误差修正方法,利用联合双边滤波算法对深度图像数据进行预处理;结合SIFT特征匹配和改进的RANSAC算法获取相邻点云间的初始位姿,并利用基于...     

基于深度学习的混合翼型前缘压力分布预测

提出了一种基于深度学习的混合翼型前缘压力分布预测方法,通过对翼型几何特征提取、压力分布曲线的参数化,建立了卷积神经网络模型（CNN）,并利用计算流体力学（CFD）的计算结果作为其训练样本,实现对混合翼型前缘压力分布的预测。结果表明:两种方法计算结果的拟合优度大于0.98,基于深度学习的计算方法耗时1.7 s,CFD方法耗时大于50 s,计算时间大大缩短。该方法能够在满足计算精度的条件下提高计算效率并可应用于其他的翼型设计过程。      

基于神经网络的翼型优化设计方法研究

针对气动外形优化设计中,气动特性计算可信度要求与巨大计算量之间的矛盾,采用一种基于神经网络构建适用于气动外形优化设计的气动特性计算模型的计算方法.同时,以神经网络近似模型来代替原有的流场数值计算气动分析程序,结合基于遗传算法建立的气动外形优化搜索方法,建立了一种新的翼型优化设计方法.实际翼型优化设计算例表明该方法有效减少了计算量,提高了工作效率,可以获得具有高可信度的设计结果.     

轴流压气机静子容腔对性能影响的全三维数值模拟

鉴于轴流压气机静子根部容腔对压气机性能影响显著,本文利用CFD数值模拟手段,以某小流量多级轴流压气机第一级为研究对象,详细分析了该压气机第一级带静子容腔与不带静子容腔模型中的三维流动情况。结果显示,静子容腔叶根间隙泄漏流会造成静子叶根附近的流动发生明显变化,效率下降,级稳定工作范围变窄。     

基于神经网络模型的动态非线性气动力辨识方法

 在标准径向基函数（RBF）神经网络模型的基础上发展了带输出反馈的RBF神经网络。将计算流体力学(CFD)方法计算的时域气动载荷作为输入信号,建立跨声速非定常非线性气动力模型,并进一步运用CFD方法验证模型的精度。算例表明带输出反馈的RBF神经网络较标准RBF神经网络精度更高,能更准确描述跨声速激波大幅振荡时的非线性和非定常特性,并可推广用于多自由度运动的动态非线性气动力建模。用多级信号训练,预测简谐信号输入下的气动力算例表明带输出反馈的RBF神经网络能够预测不同振幅、不同频率的信号激励下的非线性气动力。     

基于深度学习的航空发动机不平衡故障部位识别

针对基于机匣测点的航空发动机不平衡故障部位识别问题,提出了基于深度卷积神经网络的航空发动机不平衡故障部位诊断方法。针对某典型双转子航空发动机,建立整机耦合动力学模型,并利用数值积分算法实现不平衡故障数值仿真;在从发动机压气机端到涡轮端的高、低压转子上选择4个不平衡故障部位作为诊断对象,通过仿真分析得到发动机典型转速下的转子不同部位不平衡故障的仿真样本;计算4个机匣测点信号的规范化频谱,通过对大量仿真数据的处理得到反映不同不平衡故障部位的故障样本集;利用仿真得到的大量不平衡故障样本,训练深度卷积神经网络,利用深度卷积神经网络的优良特征学习能力实现航空发动机不平衡故障的不同部位进行识别,数值试验结果表明该方法对航空发动机不平衡故障部位的识别准确率达到95%。     

基于改进DeepSORT的视觉/激光雷达目标跟踪与定位方法CSCD

通过结合目标跟踪与相对定位,在对多帧检测目标进行关联与分析的同时,可以获取其三维信息。但当目标外观特征变换较大时,传统目标跟踪算法较易发生漏匹配或身份变换,而仅依靠对齐点云的相对定位算法较易出现定位失效的情况。针对以上问题,提出了一种基于改进DeepSORT的目标跟踪与定位方法在原始DeepSORT算法中加入基于位置约束的匹配,解决了因外观改变导致的漏匹配问题;在获取跟踪信息的基础上,设计了基于目标运动模型的相对定位方法,解决了图像中目标较小时相对定位不连续且定位精度较低的问题。试验结果表明,与传统DeepSORT算法相比,多目标跟踪准确度提高了5.9%;与仅依靠对齐点云的相对定位算法相比,定位精度提高了62.4%。     

物理启发的深度学习模型及其在热端部件散热中的应用

热端部件散热是众多空天设备的关键技术。表面温度分布是散热设计中用到的重要信息,常规的解析建模手段和机器学习方法均无法有效地表达此类高维信息。近年来兴起的图像深度学习算法是解决表面温度信息预测的有效手段。然而,现有的基于大数据的深度学习方法往往对于物理数据和小样本数据不适用,体现为泛化精度差、数据兼容性差、可解释性差。因此,有必要结合传热的先验知识发展物理启发的新型深度学习算法,以增强高自由度、高复杂度散热对象上的设计能力。本文基于卷积算子和有限差分求解方式的类比关系,提出了一种物理启发式的循环卷积神经网络。以横向出流的冲击冷却为例,开展了变计算域大小、变工况、变尺寸的批量数值模拟,获取了冲击冷却关键特征的小样本图像数据。进一步通过神经网络的训练,构建了多参数、大范围内有较好拟合能力的温度、传热系数、压力代理模型。研究结果表明,本文提出的物理启发神经网络模型,对于计算域大小没有限制,可以统一表达不同空间范围内获取的物理数据的共性规律。模型的各类超参设定均具有明确的物理意义,且与经典的微分方程求解理论有一定的类比关系,增强了神经网络调参的方向性。通过传热物理规律与黑箱模型的融合,本文实现了小样本多参数物理数据的共性建模。该方法可以迅速重构热端部件的高维分布信息,可服务于热端部件的快速分析设计以及优化。     

面向结构化场景的激光雷达点云高精度配准与定位方法

在基于先验地图的激光雷达室内导航方案中,通常采用点云配准的方法进行无人设备位姿初始化.在结构化场景下,传统配准算法特征鲁棒性较差,导致点云配准的误差较大且易陷入局部最优.针对该问题,提出了一种基于多平面空间模型的点云快速配准方法.首先该方法利用特征直方图的思想对空间点云进行快速粗聚类,根据平面一致性将粗聚类后的点集进行...     

基于深度学习的单排孔气膜冷却性能预测

气膜冷却是增强涡轮叶片的高温耐受力,间接提高涡轮进口温度的有效手段之一。目前气膜冷却孔布局的主流设计方法是先通过计算流体力学（CFD）筛选和优化初始方案,再进行模型实验。这种方法设计周期长,时间成本高。传统上用于快速评估冷却效率的经验公式法存在函数形式复杂,拟合精度有限,参数适用范围较窄等问题。因此基于深度学习原理,设计了一种基于多层感知器模型（MLP）的深度神经网络,建立了绝热气膜冷却效率的预测模型。使用CFD数据训练网络,结果表明：深度学习模型在训练集和验证集上具有大于0.95的拟合度,在测试集上具有大于0.99的拟合度,可以较好地识别数据集中的抽象特征,具有较高的精度和较好的泛化能力。此外,在满足精度要求的前提下,一个完成训练的深度学习模型能够有效减少预测耗时,提高预测效率,在快速评估冷却布局性能方面具有较好的应用前景。     

基于多特征图像增强深度卷积神经网络的航天用电子元器件分类算法

为了实现航天用电子元器件的全自动及非接触识别,并减少由照明系统造成的图像亮度不均、偏色等问题对检测结果的影响,通过结合局部、区域和总体三个层次特征提升物体检测精度,提出了一种基于多特征图像增强深度卷积神经网络(MFIE-DCNN)的航天用电子元器件分类算法。MFIE-DCNN算法包含多特征学习和深度学习,其学习过程类似于人类视觉系统,能够对形状、方向和颜色特征进行深度挖掘,突出元器件边界信息,抑制背景杂波干扰。实验结果表明,该算法能够区分电路板板载元器件的种类,检测准确度优于传统算法。对比基于稀疏自动编码器的深度神经网络,检测结果提高了近20%。     

Stall flutter prediction based on multi-layer GRU neural network

The modeling of dynamic stall aerodynamics is essential to stall flutter, due to the flow separation in a large-amplitude pitching oscillation process. A newly neural network based Reduced Order Model (ROM) framework for predicting the aerodynamic forces of an airfoil undergoing large-amplitude pitching oscillation at various velocities is presented in this work. First, the dynamic stall aerodynamics is calculated by solving RANS equations and the transitional SST-γ model. Afterwards, the stall flutter bifurcation behavior is calculated by the above CFD solver coupled with structural dynamic equation. The critical flutter speed and limit-cycle oscillation amplitudes are consistent with those obtained by experiments. A newly multi-layer Gated Recurrent Unit (GRU) neural network based ROM is constructed to accelerate the calculation of aerodynamic forces. The training and validation process are carried out upon the unsteady aerodynamic data obtained by the proposed CFD method. The well-trained ROM is then coupled with the structure equation at a specific velocity, the Limit-Cycle Oscillation (LCO) of stall flutter under this flow condition is predicted precisely and more quickly. In order to predict both the critical flutter velocity and LCO amplitudes after bifurcation at different velocities, a new ROM with GRU neural network considering the variation of flow velocities is developed. The stall flutter results predicted by ROM agree well with the CFD ones at different velocities. Finally, a brief sensitivity analysis of two structural parameters of ROM is carried out. It infers the potential of the presented modeling method to depict the nonlinearity of dynamic stall and stall flutter phenomenon.     

航空发动机直纹叶片的线形特征点云构造算法

针对航空领域形状复杂、高精度的直纹叶片曲面的逆向设计问题,借助该类叶片曲面的几何特征,提出一种线形特征点云的构造算法.在对叶片散乱点云边界进行快速识别的基础上,采用反投影法提取直纹母线矢量,利用退火算法求解边界数据点配准的多目标优化问题,以实现边界点云数据的非刚性配准.根据配准结果构造等分点,进而得到规则有序的线形特征点云,达到快速生成高质量叶片曲面的目的.本算法在处理直纹叶片点云数据方面具有较好的效果.对直纹叶片的曲面重建具有一定的理论意义和应用价值,通过实验验证了该算法的可行性.     

DLR-F4翼身组合体的阻力计算

为了考察自行研发的CFD软件的计算能力和阻力计算精度，本文采用LU—SGS方法、MUSCL差分格式和Baldwin—Lomax代数湍流模型，数值模拟了AIAA阻力计算工作室提供的DLR—F4翼身组合体的绕流流场，综合分析了easel和case2的气动力的计算结果，并与NASA Christopher L．Rumsey采用CFL3D6．0和AFRL/VAAC Don W．Kinsey采用Cobalt60提供的两组计算结果以及AGARD提供的两种不同风洞的测力试验结果作了比较。计算结果表明，本文计算精度与国外CFD软件相当。为了提高激波，边界层干扰的模拟精度，今后要重点加强湍流模型的应用研究。     

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。     

基于卷积神经网络和多项式混沌方法的翼型鲁棒性优化

在常规的翼型优化设计方法中,设计点处最优翼型的气动性能会在非设计点处有所恶化,因此有必要对翼型鲁棒性优化方法进行研究。提出一种基于卷积神经网络和多项式混沌方法的翼型鲁棒性设计方法,首先搭建基于卷积神经网络的气动力预测模型;其次采用多项式混沌方法对马赫数和攻角进行不确定度量化,构建翼型鲁棒性气动优化设计系统;最后对以 RAE2822 翼型为基准翼型的气动优化设计问题进行优化设计验证。结果表明：本文提出的翼型鲁棒性设计方法可行,优化后翼型的气动性能和鲁棒性气动优化设计效率在较宽的设计范围内都有所提升。     

涵道气动优化设计方法

基于动量源方法进行涵道气动力的计算,分别采用响应面模型和基于神经网络模型对NASA涵道构型进行优化设计,并对优化结果采用CFD进行验证,优化结果表明两种优化方法均取得了一定的优化效果,悬停状态下,基于响应面方法,涵道拉力增加了19.4%,基于神经网络方法,涵道拉力增加了21.2%.并为了较为细致地研究涵道拉力产生的机理,在对涵道进行建模时,采用一种分区的方法,将涵道划分为6个区域,并得到了涵道拉力在此6个区域上的分布.计算结果表明:涵道唇口形成的负压是产生涵道附加拉力的主要因素,且靠近涵道内侧唇口提供的拉力占比重较大.该优化方法可以有效地应用于涵道外形的气动优化设计中.      

基于能量法的跨声速风扇叶片气弹稳定性研究

基于能量法原理,采用弱耦合的方法对跨声速风扇叶片进行气弹稳定性分析;采用3维线性插值算法编程实现CSD/CFD数据交换。利用有限元法计算叶片的模态振型和固有振动频率;应用FLUENT动网格技术,对NASA R 67风扇叶片在不同模态振动下的非定常流场进行数值模拟,给出在前3阶模态振动下叶片表面的周期累积气动功和气动阻尼,并探讨了激波对跨声速风扇叶片气弹稳定性的影响。