基于ResNet-LSTM的航空发动机性能异常检测方法

为了实现数据驱动的航空发动机性能异常的智能检测,提出了一种基于残差网络（ResNet）-长短期记忆网络（LSTM）的发动机性能异常检测方法。采用发动机性能数据图像化方法,在数据降维的同时,完备保留数据的关联特征和时序特征;以残差单元构建发动机性能异常检测模型,在加深网络结构的同时,消除深层网络梯度消失问题,提高发动机性能图像空间关联特征的提取能力。同时,引入LSTM,提出基于ResNet-LSTM的发动机性能异常检测模型,通过ResNet与LSTM的融合,强化异常检测模型对时序特征的提取,提升发动机性能异常检测的准确率;通过发动机运行数据进行验证。结果表明：在训练集上,该方法的异常检测准确率为94.95%,比基于ResNet18、ResNet34、ResNet50异常检测模型的分别提高10.87%、8.00%、3.23%;在测试集上,该方法的异常检测准确率为92.15%,比基于ResNet18、ResNet34、ResNet50异常检测模型的分别提高11.81%、9.45%、3.78%。     

基于“分段-组合”残差神经网络的超声速氢气零维点火计算方法

受限于发动机燃烧数值模拟需要长时间超级计算机运行的问题，发展了一种基于“分段-组合”残差神经网络的氢气零维点火计算方法。以氢气零维点火算例为基础，基于自主研发的高超声速内外流耦合数值模拟软件AHL3D构建数据集。数据集中输入变量为超声速工况下的温度、压强及8种组分质量分数的初始状态值，输出变量为3000个时刻点的温度、压强及8种组分质量分数状态值。构建了一种“分段”训练、“组合”预测的残差神经网络框架。算法首先将高维输入数据进行降维训练，再将“分段”模型预测后的参数冻结形成“组合”模型。与氢燃料直接计算相比，实验结果表明“分段-组合”残差神经网络可显著提升计算效率，对于11组分29反应的反应动力学模型可获得9.13倍的计算加速比，均方根误差降到了7.85×10-5，氢燃料参数的预测精度都高于98%，计算效率及精度优于现有的神经网络燃烧计算方法。     

对流层和电离层延迟残差对GPS飞行器定位精度影响

GPS(全球定位系统)飞行器定位中,飞行器起飞后,基准站与移动站的距离和高程差逐渐增大,对流层、电离层延迟残差对定位精度的影响也将越来越大。利用在短基线条件下,用Kalman滤波和LAMBDA(最小二乘模糊度降相关平差法)算法固定整周模糊度,并在随后保持固定。在此基础上研究对流层、电离层延迟残差参数估计对定位精度的影响。算例结果表明,短基线条件时,电离层延迟残差估计将使定位精度变差,高程定位误差小于10cm;中长基线时,电离层延迟残差估计将改善载波相位残差,从而改善定位精度,取得与消电离层组合定位一致的定位精度。而在视场内缺少低仰角卫星时,对流层延迟残差参数估计将使定位精度变差。     

Topology Optimal Design of Material Microstructures Using Strain Energy-based Method

提出了基于能量法的微结构灵敏度计算和构型优化新方法,与均匀化方法相比,虽然本质相同,但计算效率高、且软件实现更加简便。本文以微结构等效弹性矩阵各分量的不同组合为设计目标,采用对偶凸规划方法结合周长约束策略进行二维、三维微结构构型优化设计。算例结果表明,采用能量法的微结构优化方法与均匀化方法具有相同的效果,不仅能获得具有极端特性构型的材料微结构,而且具有推导简洁、编程简单的优点。     

模型基涡轴发动机传感器故障诊断研究

基于干扰解耦思想,针对涡轴发动机工作中传感器瞬时断路硬故障模式,提出一种基于模型的涡轴发动机未知输入观测器传感器硬故障诊断方法。通过对地面、高空工作的涡轴发动机不同传感器故障的模拟,验证了该故障诊断方法的有效性。结果表明,基于模型设计的未知输入观测器(UIO),能够对系统输入中的测量干扰未知输入信号进行有效解耦,同时传感器故障信息通过UIO计算获得的输出估计具有鲁捧残差性能。     

跟踪测量数据系统误差残差的影响分析

重点考虑外测设备单站跟踪下系统误差残差对弹道计算结果的影响，进行了系统误差残差建模、误差残差的定性分析和定量计算，所得结论对外测数据事后处理以及测量设备标校、弹道精度分析与评估以及制导误差分离等工作有参考价值。     

时空域上下文学习的视频多帧质量增强方法

卷积神经网络（CNN）在视频增强方向取得了巨大的成功。现有的视频增强方法主要在空域探索图像内像素的相关性,忽略了连续帧之间的时域相似性。针对上述问题,提出一种基于时空域上下文学习的多帧质量增强方法（STMVE）,即利用当前帧以及相邻多帧图像共同增强当前帧的质量。首先根据时域多帧图像直接预测得到当前帧的预测帧,然后利用预测帧对当前帧进行增强。其中,预测帧通过自适应可分离的卷积神经网络（ASCNN）得到;在后续增强中,设计了一种多帧卷积神经网络（MFCNN）,利用早期融合架构来挖掘当前帧及其预测帧的时空域相关性,最终得到增强的当前帧。实验结果表明,所提出的STMVE方法在量化参数值37、32、27、22上,相对于H.265/HEVC,分别获得0.47、0.43、0.38、0.28 dB的性能增益;与多帧质量增强（MFQE）方法相比,平均获得0.17 dB的增益。      

高阶满阵线性代数方程组的快速解法及其应用研究

在非对称、非正定满阵线性方程组的求解过程中,本文以高斯迭代为基础,提出一种残差优化的迭代法.该法在迭代收敛过程中,残差单调下降,大大缩短了线性方程组的求解时间.用该法替代直接解法,增大了求解方程组的阶数,缩短了计算周期,对复杂飞行器气动、隐身一体化优化设计具有重要的工程价值.该方法还可以广泛地推广到其它应用领域.     

基于灰色系统理论的测控设备状态预测算法研究

随着在轨航天器数量的增加,为支持航天器的可靠运行,地面测控设备需长期处于加电状态,这对设备状态检测与维护管理带来较大难度.提出两种基于灰色系统理论的GM和Verhulst测控设备状态预测模型,采用数据平滑和背景值改进等措施,对地面测控设备状态预测模型进行优化,有效提高了预测精度,并通过实例分析,梳理了两种预测模型的适用...     

基于残差学习的自适应无人机目标跟踪算法

无人机已被广泛应用于军事和民用领域,目标跟踪技术是无人机应用的关键技术之一。针对无人机视频跟踪过程中目标易发生尺度变化、遮挡等问题,提出一种基于残差学习的自适应无人机目标跟踪算法。首先,结合残差学习和空洞卷积的优点构建深度网络提取目标特征,同时克服网络退化问题;其次,将提取的目标特征信息输入核相关滤波算法,构建定位滤波器确定目标的中心位置;最后,根据目标外观特性的不同进行自适应分块,并计算出目标尺度的伸缩系数。仿真实验结果表明:所提算法能够有效应对尺度变化、遮挡等情况对跟踪性能的影响,在跟踪成功率和精确度上均高于其他对比算法。