运载火箭姿态系统自适应神经网络容错控制

针对运载火箭姿态系统跟踪问题,考虑干扰、执行器故障和模型不确定因素的影响,设计了一种基于自适应神经网络的非线性容错控制律。该控制算法结合了连续的终端滑模控制,径向基神经网络和自适应控制方法。首先,基于滑模控制理论,设计了一种快速终端滑模面,保证系统跟踪误差能够在有限时间收敛至零。然后,在终端滑模面基础上,提出了一种基于自适应径向基神经网络估计的终端滑模控制律。利用自适应参数的神经网络逼近系统参数并提高抗干扰性能,采用平滑连续控制策略消除了终端滑模中的颤动现象。通过李雅普诺夫的分析方法证明了闭环系统的收敛性和全局稳定性。采用数值仿真,验证了提出的基于自适应径向基神经网络的终端滑模控制律具有较好的跟踪性能和精度。     

基于复合疲劳试验的涡轮叶片振动应力反推法

提出了一种利用复合疲劳试验和外场故障数据反推涡轮叶片实际振动应力的方法.该方法针对与故障叶片同批次的叶片,开展数个振动应力水平下的单件试验和某一特定振动应力水平下的成组试验,利用极大似然法推导出叶片的概率-应力-寿命曲线(P-S-N);最后基于99.87%存活率下的概率-应力-寿命曲(P_99.87%-S-N),结合叶片的外场故障统计结果,反推出叶片实际工作中振动应力的范围和可能的最大振动应力.      

火箭发动机涡轮泵故障检测及预测算法研究

涡轮泵作为液体火箭发动机的核心部件,恶劣的工作环境和极高的转速使其易发生组件断裂、烧蚀等问题。为了对液体火箭发动机的涡轮泵进行健康管理,提出针对某型液体火箭发动机涡轮泵的数据驱动故障检测、故障预测及健康状态评估方法。在某型液体火箭发动机试车数据集上,通过对涡轮泵轴、径、切向振动数据进行对应的时域、频域特征处理后,送入训练好的ResNet网络、自主设计的图像特征识别算法以及退化模式线性回归模型,分别实现了对该型液体火箭发动机涡轮泵的故障检测、预测及健康状态评估,具有较高的准确性。     

三轴稳定遥感卫星姿控系统故障情况下的系统重构

论述三轴对地稳定遥感卫星姿控系统中部分轮子或部分陀螺故障情况下的姿控系统重构。文中论述了只在俯仰通道有一偏置动量轮正常工作，而滚动和偏航通道轮子故障条件下的系统重构。另外还论述了偏航陀螺故障，姿控系统其它部件正常情况下，控制系统采用Whecon原理与PIM控制相结合的设计。以上两种系统重构拟用于实际系统中，经过数学仿真验证，姿控系统在故障情况下能够完成基本任务。     

基于神经网络的SINS/GPS/TAN 容错组合导航系统设计

在联邦滤波器结构的基础上 ,设计了一种基于神经网络的天文惯性导航系统 /全球卫星定位系统 /战术导航系统 (SINS/GPS/TAN)容错组合导航系统。该系统首先在各子滤波器中用神经网络滤波 (NNF)代替传统的卡尔曼滤波 ,然后用模糊神经网络 (FNN)对各子系统进行故障检测 ,最后由神经元进行全局融合。通过仿真 ,验证了该方法的有效性     

基于磁场映像的印制电路板故障诊断方法研究

简要分析了印制电路板的电磁场，提出了用电磁感应法测量磁场的电咱故障诊断新方法，并给出了测试系统组成方案。最后通过验证实验证明了该方法是确实可行的。     

固体火箭发动机可靠性评定技术

分析了固体火箭发动机可靠性评定的主要方法，并简要分析了固体火箭发动机可靠性评定中的某些关键技术及其发展动向，如失效模式和故障判据的选用，复杂承载条件下的应用计算，可靠性模型的建立以及先进算法在可靠性评定中的应用等。     

基于深度学习的发动机叶片故障检测技术

为了解决航空发动机叶片故障检测中存在的检测精度欠佳、检测效率不高的问题,提出了一种基于深度学习的目标检测方法。针对小样本数据集检测精度低、模型训练速度慢等问题,对Faster R-CNN目标检测算法进行结构优化,引入Res2Net结构,通过分割串联的策略强化残差模块的卷积学习能力,搭建了细粒级的多尺度残差模型Res2Net-50,以提升模型的特征提取能力。同时,在网络的训练过程中,采用多次余弦退火衰减法对学习率进行调整,以加快模型的训练速度,提升模型的训练质量。针对航空发动机叶片裂纹和缺损2种故障类型进行网络训练与检测试验,试验结果表明：优化后的模型识别准确率提高了0.7%,模型的平均检测精度提高了1.8%,训练时间缩短了5.56%,取得了比较好的检测效果。     

基于相对骨骼点特征和时序自适应感受野的动作识别方法

针对长时间动作识别难以充分利用时空域信息的问题,提出了基于相对骨骼点特征和时序自适应感受野的动作识别方法。首先,该方法在特征获取部分增加了相对骨骼点特征,以满足节点多样性和互补性要求,将其分别输入到空域图卷积网络,获得空间中相邻关节聚合的局部特征。然后,设计了一个时序自适应感受野网络,以获取在时域中关节变化的局部特征,并且增加了网络对不同持续时长动作的适应性。最后,经过决策级融合模块,计算类别概率,得到分类结果。仿真结果表明,基于NTU RGB+D和Kinetics-skeleton两大基准数据集,对比多种主流方法,均取得了更高的识别准确率,分别为96.2%与60.1%。该方法可以较好地提取不同动作的区别性时间特征,提高了动作时空特征的判别能力。