GNF论坛之“航天医学与大众健康”争鸣

2013年9月25日,以“航天医学与大众健康”为主题的全球网络论坛（GNF）在北京国家会议中心隆重举行,来自美国、俄罗斯、德国、法国、加拿大、罗马尼亚、巴西、日本和中国的7名航天员、5名航天生物医学研究机构负责人、     

航天器预测与健康管理技术研究

从研究进展、体系结构和关键技术三方面概述了航天器预测与健康管理(Prognostics and Health Management,PHM)技术。概括了国内外航天器PHM研究进展,总结了PHM通用方法体系和逻辑分层、视情维修等通用性PHM体系结构,在此基础上提出采用星地协同三级闭环的模式构建卫星PHM系统;结合航天器技术特点,分析了航天器PHM各个功能层级的关键技术,并对我国航天器PHM技术的发展提出了建议。     

印刷传感器的研究进展及其在飞机结构健康监测中的应用

印刷传感器是利用印刷电子技术将导电墨水直接在基板上沉积图案或电路而形成的传感器，具有低成本、易操作、可大规模生产等优点，在飞机结构健康监测等领域极具应用潜力。本文首先按照导电颗粒的分类标准，分别介绍了金属、碳系、聚合物三类导电墨水。随后详细介绍了制造印刷传感器的三大技术：喷墨打印、丝网印刷及增材制造。同时，本文还回顾了目前印刷传感器在飞机结构健康监测上的三类主要应用，包括应力/应变传感器、损伤传感器以及温度传感器。最后，展望了印刷传感器的发展趋势，为印刷传感器在飞机结构健康监测领域的研究与应用提供有益参考。     

批产航天器自测试系统设计

集成快检、存储快检与射前快检成为批产航天器亟待解决的问题。传统航天器综合测试模式存在测试效率低、测试改装部署繁琐、测试成本高、测试周期长和难以深入产品内部探查的问题,不能很好地适应批产研制与测发需求。针对该问题,从航天器可测试性与自测试设计出发,研究航天器自测试功能单元的设计方法、自测试通信交互模式、基于结构模型与行为模型的自测试诊断模型设计方法,设计了分层的自测试系统架构,通过总线快速调度自测试流程,提升快速检修能力,满足批产航天器快检需求。     

基于域自适应的复合材料结构损伤识别方法

深度学习模型能够辅助提高基于导波的复合材料结构损伤监测的可靠性，但需要大量的损伤样本。以大量的模拟损伤样本和少量的真实损伤样本为基础，设计一种基于域自适应的损伤识别模型，实现从模拟损伤识别向真实损伤识别能力的迁移。首先，通过粘贴质量块收集大量模拟损伤数据，设计卷积-时序混合神经网络，实现对模拟损伤的高准确率识别；然后，在模型中加入域自适应模块，使模拟损伤和真实损伤数据在特征空间内分布规律近似，进而在无需对真实损伤进行标注的情况下，实现准确识别。实验结果表明，该方法对真实损伤的检出准确率为85.7%,优于传统深度学习模型。     

基于改进L-SHADE算法的航空发动机性能退化评估

针对航空发动机健康因子求解寻优精度差的问题，提出了一种基于改进L-SHADE算法的航空发动机性能退化评估方法。首先，采用多工作点分析方法拓展发动机健康因子估计的适应度函数，解决气路测量传感器数量不足的问题；其次，通过引入非线性种群缩减策略解决种群快速缩减的问题，同时通过改进的优化加权变异策略，改变不同迭代阶段贪婪算子的权值，增加算法的全局搜索和局部开发能力；最后，在30个经典基准函数上验证了改进算法的收敛精度和鲁棒性。对航空发动机性能退化评估的计算结果表明，改进L-SHADE算法增强了算法迭代前期的种群多样性和算法后期的开发能力，计算精度较标准L-SHADE算法平均提高了65.5%，能够满足工程精度要求，具有较强的工程适应性，能够应用于实际飞参数据，从而为发动机健康管理和性能监测提供理论依据。     

基于LSTM-ResNet模型的时变结构损伤检测

面向火箭结构健康监测，提出了一种基于深度学习的损伤检测方法，直接将多个通道的振动数据作为输入，并基于由长短时记忆网络LSTM（Long Short-Term Memory Networks）和残差卷积神经网络ResNet（Residual Convolutional Neural Networks）组合而成的LSTM-ResNet网络进行损伤识别。其优点在于，首先利用LSTM提取信号的时间依赖特征，减轻了由某些通道信号缺失带来的影响，再利用ResNet在不损耗特征的情况下进一步提取空间特征，提高了训练效率和损伤辨识准确性。通过充液圆筒振动放水实验模拟火箭飞行状态下的燃料消耗，并基于自主构建的数据集和公用数据集对LSTM-ResNet、LSTM、ResNet以及ResNet-LSTM网络进行了训练，训练结果表明，LSTM-ResNet组合网络无论在传感器是否存在故障的情况下都具有更好的性能，损伤检测精度更高。     

基于数字孪生的飞机起落架健康管理技术

针对飞机起落架系统，传统健康管理方式存在知识不完备、数据不平衡和模型固化等问题，开展了数字孪生驱动的健康管理技术研究，提出以自更新模型为基础实现故障诊断与预测的数字孪生健康管理框架。从起落架系统物理和行为2个维度建立孪生模型来实现真实系统的数字映射，依托强化学习算法实现数字孪生模型参数的更新，确保孪生模型实时跟踪和反映实体健康状态，并以此为基础设计基于事件的故障诊断和基于粒子滤波的故障预测方案。以起落架收放系统为例完成实验验证，与传统方法相比，本文方法在实时性、准确性和鲁棒性方面表现更优。     

基于数学建模的压电传感器动态特性补偿方法

近年来,基于压电传感器和Lamb波的结构健康监测技术因其对小损伤敏感以及监测范围广等优点被广泛地研究并应用于飞行器上。由于材料特性以及其它复杂因素的影响,压电传感器采集的信号与原始信号并不能够完全一致,需要后续补偿处理。针对圆形压电传感器,从其工作机理出发,推导了其动态特性的理论公式,建立起传感器数学模型。利用MATLAB建立数学建模仿真得到传感器模型的动态特性曲线,并与实验获得的标定曲线进行了对比,验证了模型的合理性。为了改善压电传感器的动态特性,采用零极点配置法设计了动态补偿滤波器。结果表明,经过补偿的压电传感器的各方面动态指标较未补偿前有了很大的改善,响应速度得到了很大的提高,工作频带从315.9 kHz拓宽到609.1 kHz,说明经过补偿后的压电传感器可以应用到工程实践当中。