基于物理信息神经网络的气动数据融合方法

为了解决训练传统深度神经网络对大数据的依赖问题,气动数据中包含的物理结构信息需要被充分利用。物理信息神经网络（physics-informed neural network, PINN）是一种非监督的学习算法,采用深度神经网络直接逼近流场偏微分方程的解,因此适用于气动数据的建模。然而训练PINN时,损失函数反映的是抽样点处神经网络所拟合的偏微分方程值的偏差,对于复杂的非线性偏微分方程,这一偏差不能准确反映神经网络所拟合的函数与微分方程解函数的偏差,而且用神经网络拟合初始条件和边界条件时,不可避免存在拟合误差,误差随空间和时间累计,这使PINN的建模精度相比传统的模型没有优势。为了解决这些问题,本文把PINN与流场的计算流体动力学（Computational Fluid Dynamics, CFD）仿真结果进行融合,在流场抽样点处的损失函数中增加了PINN在该点的输出与流场在该点的CFD值偏差,从而提高了神经网络的建模精度。根据CFD仿真时使用的模型,融合方式采用瞬时模式或时均模式。测试结果表明该方法能够有效提高PINN的建模精度。     

Integration of GPS and low cost INS for pedestrian navigation aided by building layout

In outdoor environments, GPS is often used for pedestrian navigation by utilizing its signals for position computation, but in indoor or semi-obstructed environments, GPS signals are often unavailable. Therefore, pedestrian navigation for these environments should be realized by the integration of GPS and inertial navigation system （INS）. However, the lowcost INS could induce errors that may result in a large position drift. The problem can be minimized by mounting the sensors on the pedestrian＇s foot, using zero velocity update （ZUPT） method with the standard navigation algorithm to restrict the error growth. However, heading drift still remains despite using ZUPT measurements since the heading error is unobservable. Also, tbot mounted INS suffers from the initialization ambiguity of position and heading from GPS. In this paper, a novel algorithm is developed to mitigate the heading drift problem when using ZUPT. The method uses building lay- out to aid the heading measurement in Kalman filter, and it could also be combined for the initial- ization. The algorithm has been investigated with real field trials using the low cost Microstrain 3DM-GX3-25 inertial sensor, a Leica GS10 GPS receiver and a uBlox EVK-6T GPS receiver. It could be concluded that the proposed method offers a significant improvement in position accuracy for the long period, allowing pedestrian navigation for nearly40 min with mean position error less than 2.8 m. This method also has a considerable effect on the accuracy of the initialization.     

基于正则化多核判别分析的航空发动机滚动轴承早期故障融合诊断方法

针对基于机匣测点信号的航空发动机滚动轴承早期故障诊断问题,提出了一种基于正则化多核判别分析的融合诊断方法.该方法首先提取多种类型的滚动轴承故障特征;然后采用相同的一组核参数为不同类型的特征分别构造一组核矩阵,并将所有核矩阵组合在一起;最后通过求解一个半无限线性规划得到该组核矩阵关于正则化核判别分析的目标函数的最优线性组合系数,进一步采用该系数计算所有核矩阵的线性组合,从而实现多种类型特征信息的融合.实验结果表明:该方法诊断正确率与采用单一类型特征诊断的最高正确率相比提高了9.25%,同时可以避免核矩阵需要人工选择的问题,从而进一步提高了故障诊断的自动化水平.      

飞机驾驶舱自动调光系统中光照传感器布局设计

为满足飞机驾驶舱自动调光系统中环境光检测需要,本文提出一种光照传感器布局方法,该布局方法首先利用SPEOS光学仿真软件分析驾驶舱各区域在不同季节、航向、时间点时的环境光分布;其次,结合各区域发光器件分布情况,确定出光照传感器安装的候选位置;最后,在自然光环境下验证光照传感器候选位置的合理性,并根据验证结果确立光照传感器安装位置。该布局设计方法结合了光分布仿真分析的快速性、可重复性和自然光环境验测真实性的优点,能实现驾驶舱光照传感器的合理布置,为驾驶舱自动调光系统提供准确的环境光信息。     

应用型本科高校产教融合难点与发展动力研究

产教融合是应用型本科高校实现转型升级的可靠抓手,也是积极响应社会经济发展需要与中国教育现代化2035战略目标的有效途径。以应用型本科高校产教融合难点、发展动力与提升策略为研究对象,通过研究发现：应用型本科高校产教融合普遍存在合作模式、企业参与意愿、“双师型”师资队伍与政府引领与监管等方面的问题;当前的产教融合发展动力主要在于高校与企业人员素质提升、学校与企业设施资源互补共享、高校学生就业与企业招聘、科研成果培育与转化四方面的需要;可从深化应用型本科高校内涵建设、通过产业学院推动科研成果与人才培育、提高企业参与产教融合的“话语权”、校企共建高素质“双师双能型”师资队伍与多元主体共推等方面推动应用型本科高校产教融合深入发展。     

先进碳纤维增强复合材料螺栓连接结构损伤监测技术

螺栓连接是飞行器复合材料结构最常用的连接方式,由于复合材料螺栓连接结构本身的特点及所受载荷和使用环境的复杂性,复合材料螺栓连接结构的完整性与耐久性分析非常困难。如何有效智能实时监测复合材料螺栓连接结构的服役状态,并在线诊断评估其可靠性、完整性是一项亟须解决与突破的关键技术难题。本文提出并发展了基于柔性涡流传感阵列薄膜和基于碳基纳米压阻传感器的先进碳纤维增强复合材料螺栓连接结构损伤监测技术,系统阐述了其传感监测原理、传感器制备工艺及传感器与螺栓连接结构集成方案,并对所提出的先进传感技术监测功能开展了一系列试验验证,试验结果表明该先进传感技术具有很好的损伤模式辨识能力与损伤参数量化监测能力。     

多无人系统协同视觉SLAM算法

针对传统同时定位与地图构建(SLAM)方法受计算能力、存储能力的限制无法在大范围场景下作业,无法建立大范围场景的全局一致性地图等问题,基于ORB-SLAM2系统框架建立了一种中心式的多无人系统协同视觉SLAM算法。设计了地图大小限制策略,以保证无人系统不受机载设备算力和存储能力的影响,基于字典机制和Sim3转换构建了地图融合优化算法,以完成全局地图构建与优化。最后进行了数据集测试,结果表明：所提出算法能够完成多无人系统协同SLAM,相对传统SLAM算法具有明显优势。     

基于深度学习的融合空域空管指令语义解析技术

随着无人机技术的快速发展,无人机数量与空域需求显著增长,无人机进入融合空域成为趋势。为改进传统的“人在回路”空管模式,提高融合空域的管控效率,对深度学习方法用于空管指令解析进行了研究。根据空管用语的特点对指令进行整理、扩充、分类和标注,编写了可用于自然语言理解模型学习的空管指令数据集。使用BiGRU-CRF模型作为深度学习的基础架构,加入注意力机制与意图反馈机制构建联合模型获取指令意图及指令参数。分别在空管指令数据集和ATIS数据集上进行了评估,结果表明模型在意图识别和槽填充任务较基础架构均有近1.5%的提升,证明论文方法具备实用性和有效性,为无人机自然语言指控技术的发展提供了有力支撑。     

多源数据融合与改进注意力机制的轴承智能故障诊断

单一传感器信号不能全面表达机械设备的运行特征且容易受到自身品质、性能的影响,为此本文提出了一种多源数据融合与改进注意力机制相结合的滚动轴承智能诊断方法。采集不同位置的传感器振动信号作为模型的输入向量,每一个传感器信号作为一个通道,将多通道信号同时送入模型特征输入层;引入改进注意力机制建立各通道和空间动态权重参数,随着模型训练,不断增强故障特征、弱化无用特征;运用深度卷积神经网络模型的卷积、池化等操作将多传感器信号进一步融合并提取故障特征,输出诊断结果。在进行滚动轴承故障诊断实验时,该方法诊断准确率达到100%,高于准确率最佳值为97.42%的单传感器。与其他方法相比,本文方法可以自适应融合多传感器数据以满足诊断任务的要求,具有良好的自适应性和鲁棒性,为滚动轴承的故障诊断提供了一种可行的方法。     

一种融合的长时单目标跟踪策略

本文提出一种融合的长时单目标跟踪策略,融合基于深度学习的目标检测算法和基于相关滤波的单目标跟踪算法,形成两种跟踪模式,根据多种判断策略控制跟踪模式切换,能够在保证跟踪鲁棒性的情况下大幅度提高跟踪实时性。将该跟踪策略用在自制数据集ATP-UAV上,取得了较好的跟踪效果。