空中交通管制中人的因素分析

空中交通管制中“人的因素”分析是目前空管领域研究的重要课题之一。本从空中交通管制工作中管制员易犯的五种错误现象入手，联系人与其他因素之间的相互关系和作用，阐述人为差错的由来，将控制论中的负反馈理论和错误分析中常用的概率分析应用到人的因素分析中，以寻找克服问题的方法，同时提出相应的预防措施，达到保障飞行安全的目的。     

基于深度学习的水下条纹投影三维测量方法

水下加工制造在航空、船舶等领域发挥着重要作用,制造过程的原位在线三维检测成为水下制造质量保障的迫切需求。条纹投影轮廓术（FPP）作为经典的光学三维测量技术之一,具备无接触、快速以及高精度等优势。然而,在浑浊水体中,由于光的吸收和散射作用,相机捕获的条纹光强衰减、对比度降低、图像细节模糊、引入大量噪声,导致条纹图质量不佳。根据低质量条纹计算出的相位具有不可忽视的相位误差,造成三维测量精度下降。为减小水下吸收与散射的影响,提出了一种基于深度学习的端到端的条纹图像增强算法,运用条纹图像增强卷积神经网络（FPENet）将低对比度高噪声条纹转换为高对比度低噪声条纹后获取更准确的相位结果。FPENet针对不同浑浊度水体皆可有效提高条纹质量,降低相位误差。尤其在高浑浊度水体中,相位误差可减小50%左右,显著提升水下FPP的测量精度,对于提高FPP在复杂场景中的适用性具有重要意义。     

基于卷积神经网络的航天复合材料缺陷智能检测

针对传统的缺陷图像识别处理方式存在着准确度与辨识度不足,且处理缺陷种类单一的问题,提出了一种基于Cascade R-CNN和Mask R-CNN的神经网络模型。首先,为了提高缺陷检测的可视化效果和检测准确度,在实例分割卷积网络Mask R-CNN的基础上,结合级联神经网络Cascade R-CNN结构,组合成了新的级联实例分割Cascade Mask R-CNN网络;其次,对组合而成的级联卷积神经网络进行了训练,将训练好的模型对复合材料缺陷图像进行了检测。实验结果表明:检测的平均准确度达到了91.5%,平均置信度达到了97.3%,达到了检测精度的要求。该研究成果可运用于航天复合材料缺陷识别。     

国产深度学习推理框架嵌入式适用性研究

随着端侧AI应用的不断丰富及深度学习技术的不断渗入,端侧深度学习模型部署需求日益增长。各机构研发出不同的AI推理框架来实现深度学习模型部署的高性能全景统一目标,通过接入多训练框架利用多硬件资源的方式来进行推理性能的加速。选择四个典型的国产深度学习推理框架,分别从设计原理、落地实现和特殊优化方式三个维度进行介绍与对比,并通过实验验证性能、支持精度、硬件支持这三个衡量指标对比探究四个框架是否适用于航空领域任务需求。     

主动学习基自适应PC-Kriging模型的复合材料结构可靠度算法

针对复合材料机翼随机固有频率可靠性分析复杂、高维、高度非线性和计算时间长的问题,本文提出了一种主动学习基自适应PC-Kriging模型的可靠度算法。在基自适应PC-Kriging模型中,采用一种基自适应策略来确定多项式混沌展开部分的正交多项式基,以近似数值模型的全局响应,Kriging用于高阶非线性插值以近似数值模型的局部响应。在主动学习可靠度计算框架中,引入加权K均值聚类,在一次迭代中添加K个对失效概率贡献较大的候选样本点以减少迭代次数和加快收敛速度。通过一个高度非线性的数值算例分析,证明了所提方法的有效性和准确性。将该方法应用于复合材料板和复合材料机翼的随机固有频率可靠性分析,获得了准确高效的可靠度计算结果。     

面向结构静力试验监测的高精度数字孪生方法

试验验证和数值仿真是评估结构强度的两种典型方法,然而基于离散传感器的试验验证方法难以保证结构应力监测覆盖度,数值仿真方法又因为对物理实体的简化和理想化处理而导致应力结果精度不足,如何综合利用两种强度评估方法的优势并进行数据融合以实现结构应力场监测是一个具有挑战性的问题。提出一种面向结构静力试验监测的数字孪生（DT-SSTM）方法,可获得高精度的结构静力试验数字孪生模型,以实现结构应力场的实时监测与强度评估。DT-SSTM方法包括离线、在线2个阶段。离线阶段,采用梯度提升树（GBDT）算法对仿真数据进行训练,建立预训练模型。在线阶段,基于集成学习理论,采用Stacking算法对试验数据响应值与预训练模型响应值之间的残差进行训练并建立残差模型。通过叠加预训练模型与残差模型实现多源数据融合,建立高精度的数字孪生模型。最后,开展了开口矩形壁板轴向拉伸试验来验证DT-SSTM方法的有效性。结果表明,DT-SSTM方法能够建立高精度的结构静力试验数字孪生模型,且相比同类数据融合方法具有更高的全局、局部预测精度以及融合效率,为结构应力场实时监测提供了一种新颖的解决方案。     

航空发动机叶片表面损伤与检测研究进展

航空发动机叶片的工作环境极其恶劣,表面会出现各种类型的损伤。在损伤早期进行表面检测能够有效预防因损伤扩展导致的叶片失效断裂。发动机叶片表面损伤的检测和评估主要由人工操作,严重依赖工作经验,但人工检测不仅效率低下,而且检测结果容易受到人为因素的影响。为了高效、高精度地检测发动机叶片表面损伤,从叶片失效形式出发,综述了发动机叶片在停放和运行2种状态下的损伤机理,并重点阐述了涡流检测、渗透检测等常用于叶片表面损伤检测的方法。总结了基于机器视觉的检测技术,分析机器视觉检测面临数据集稀缺和单一性的挑战,认为收集大量数据并进一步完善评估标准是未来发动机叶片表面损伤检测系统研究的重点方向。     

面向电力系统的多粒度隐患检测方法

由于电力系统的安全问题往往会造成严重的经济或社会影响,隐患检测已成为电力系统不可或缺的重要环节。随着人工智能领域的发展,基于深度学习的智能化电力系统隐患检测技术逐渐得到越来越多的关注。但目前的方法大多只是单一地考虑图像的全局特征或局部特征,无法全面彻底表征图像,进而难以捕捉电力领域尤其室外复杂背景下的隐患检测。为此,基于深度学习技术,提出了一种面向电力系统的多粒度隐患检测方法MGNet。通过引入图像的多粒度信息,构建全局和局部网络,进行多粒度级检测;并通过不同粒度级检测结果的协作式融合,增强检测的全面性。在杆塔连接金具隐患和线路通道机械隐患2个数据集上进行了实验比较和分析,对所提模型的检测性能进行评估。通过与现有最优隐患检测基准方法相比,所提方法在2种不同数据集上的平均精度均值分别提升了2.74%和2.77%,验证了模型的有效性。      

基于无监督学习的多模态可变形配准

针对医学图像配准问题,传统方法提出通过解决优化问题进行配准,但计算成本高、运行时间长。深度学习方法提出使用网络学习配准参数,从而进行配准并在单模态图像上取得高效性能。但在多模态图像配准时,不同模态图像的强度分布未知且复杂,大多已有方法严重依赖标签数据,现有方法不能完全解决此问题。提出一种基于无监督学习的深度多模态可变形图像配准框架。该框架由基于损失映射量的特征学习和基于最大后验概率的变形场学习组成,借助空间转换函数和可微分的互信息损失函数实现无监督训练。在MRI T1、MRI T2以及CT的3D多模态图像配准任务上,将所提方法与现有先进的多模态配准方法进行比较。此外,还在最新的COVID-19的CT数据上展示了所提方法的配准性能。大量结果表明:所提方法与其他方法相比,在配准精度上具有竞争优势,并且大大减少了计算时间。      

商用航空发动机智能制造研究与探索

为了推进航空发动机智能制造,通过分析其本质和特点,研究国外航空发动机智能制造的实践与发展趋势,及中国商用航空发动机行业智能制造的现状与内、外部挑战。认为推进商用航空发动机智能制造的关键是构建产品、生产和业务 3 个维度高度集成的智能制造生态系统。针对商用航空发动机行业特点和技术、管理现状,提出构建基于模型的企业、实施基于模型的系统工程、推进大数据应用、建立智能制造标准体系,以及开展试点、示范项目建设等是推进商用航空发动机智能制造的重点。