睡眠剥夺在飞行员认知决策领域的研究探讨

随着航空技术的不断进步和发展,飞机单程长距离飞行的技术难题正在解决,在长时飞行复杂变化环 境和高认知负荷情况下,睡眠剥夺对飞行员的认知损害存在明显的影响。本文从睡眠剥夺对主体认知机能的 影响分析切入,分析睡眠剥夺对感知注意能力、执行功能的影响,结合飞行员飞行认知需求,总结相关研究的实 验方法与研究结论,并从感知、决策与执行三个方面分析睡眠剥夺对飞行员所致的影响,指出睡眠剥夺对飞行 员认知决策的研究方向,对长时飞行条件下的驾驶舱总体设计具有借鉴意义。     

基于多特征图像增强深度卷积神经网络的航天用电子元器件分类算法

为了实现航天用电子元器件的全自动及非接触识别,并减少由照明系统造成的图像亮度不均、偏色等问题对检测结果的影响,通过结合局部、区域和总体三个层次特征提升物体检测精度,提出了一种基于多特征图像增强深度卷积神经网络(MFIE-DCNN)的航天用电子元器件分类算法。MFIE-DCNN算法包含多特征学习和深度学习,其学习过程类似于人类视觉系统,能够对形状、方向和颜色特征进行深度挖掘,突出元器件边界信息,抑制背景杂波干扰。实验结果表明,该算法能够区分电路板板载元器件的种类,检测准确度优于传统算法。对比基于稀疏自动编码器的深度神经网络,检测结果提高了近20%。     

加力用扇形喷嘴雾化特性试验

根据加力燃烧室内锥凹腔点火与联焰要求,设计了扇形喷嘴并开展相应的雾化试验,研究了供油压差、扇形角度及扇形出口高度等参数对流量特性和雾化特性的影响以及加力环境下横向气流的温度、速度和供油压差对索太尔平均直径(SMD)及穿透深度的影响。采用称质量法测量流量系数,利用马尔文粒度仪和高速摄影仪对下游SMD、雾化角度及穿透深度进行测量。结果表明:①供油压差增大,流量系数先减少,后稳定;②供油压差一定,扇形出口角度越大,流量系数和雾化角度也越大;③扇形出口高度增加,雾化效果变好;④出口位置对雾化特性影响不大;⑤供油压差越大,穿透深度越大,SMD减小;⑥横向气流速度越大、温度越高,穿透深度越浅,油雾场越靠近下游;⑦横向气流温度越高, SMD越小。     

喷油杆和凹腔支板稳定器近距匹配的液雾分布可视化

液雾分布与稳定器的燃油布置方式、油气分配、火焰稳定及火焰传播密切相关。以RP-3为雾化介质,在来流马赫数为0.2及来流温度为10~400℃的条件下,采用高速摄影法和激光片光/照相法,对喷油杆与凹腔支板稳定器间隔31.5 mm且顺喷时的液雾分布特点进行了可视化研究,并探讨了来流温度及油气动量比对其液雾分布轨迹的影响。结果表明:顺喷喷油杆与凹腔支板稳定器近距匹配方式有利于燃油在支板前缘形成挡溅雾化;挡溅雾化后的一部分燃油在支板表面形成油膜,并在凹腔前缘与尾缘进行二次雾化,来流温度较高时高温支板表面也有利于燃油的蒸发雾化;另一部分燃油则以类似横向射流的形式进行雾化。当来流温度一定时,油气动量比增大,液雾轴向分布距离和横向穿透深度均增大;来流温度升高,液雾穿透深度增加,油气动量比对液雾分布的影响更明显。      

基于深度信念网络的航空发动机维修等级决策

准确的航空发动机维修等级决策,能够避免过维修和欠维修,在保证航空发动机运行安全的前提下节约维修成本。结合航空发动机状态监控信息和维修等级特点,采用深度信念网络（DBN）算法,挖掘状态监测及维修等级决策之间的深层次对应关系,实现对维修等级的分类和预测。该模型通过DBN预训练和反向传播(BP)神经网络反向微调提取出样本特征,从而提高维修等级预测准确率。以某航空公司CF6航空型发动机的状态参数和维修等级数据作为实例进行验证,结果显示:该模型能够通过构建多层网络结构挖掘出样本的更深层次信息,在分类能力、决策准确性方面优于传统神经网络,有较强的特征提取能力,对维修等级分类有较高的正确率,能得出更准确的维修等级决策结果,避免因维修等级误判而带来不必要的损失。      

应用于智能芯片的可视化反馈系统研究

当前，市场上普遍使用的负责推理的终端人工智能（AI）芯片使用训练好的参数对数据进行快速高效运算。但在通常训练过程中使用的数据集和真实数据的分布不一致，由此获得的参数会导致终端AI芯片识别准确度降低。为此，提出了一种基于终端AI芯片的可视化反馈系统架构方法。使用反卷积特征可视化方法，在具有高效计算性能的终端AI芯片上，对卷积核参数进行迭代优化，达到可识别该图像目的。相比于CPU/GPU和FPGA，所提架构在卷积神经网络模型里，更具有高效处理能力和灵活可塑性。实验表明，该研究有效提高了终端AI芯片的普适性、识别准确度和处理效率。      

一种月表采样器合理铲挖深度的研究

铲挖深度是月表采样器的重要技术指标,合理的铲挖深度需既能降低采样器安全风险又可确保一定的采样效率。设计了一种斜插式铲挖方法的月表采样器,针对其构型与铲挖方法,在Reece模型的基础上,通过离散元法推导了月表采样器铲挖阻力矩的表达式。参考历次阿波罗飞船(Apollo)月壤样本数据,在实验室环境下构筑了与月壤物理特性相匹配的模拟月壤,并测得模拟月壤的物理特性参数。然后,根据所测得模拟月壤的物理特性参数,利用所推导的铲挖阻力矩表达式,对月表采样器典型输出力矩下的铲挖深度进行了仿真分析与试验验证,仿真分析结果与试验结果吻合。根据试验结果与月表采样器设计参数确定了合理的铲挖深度,可为月表采样器在月面采样时提供参考。     

基于深度强化学习的机器人推拨优化装箱问题研究

三维装箱问题是指在满足容积限制、稳定性限制等条件下,将一定数量的物体放入较大容量的箱子中并使空间利用率最大的组合优化问题.三维装箱问题是典型的NP完全问题,通常采用启发式算法规划物体放置的位姿.在使用机器人完成装箱任务时,还要额外考虑机器人操作限制,如机械臂或末端执行器与物体或箱子之间的碰撞、机械臂运动轨迹的规划等,使得部分最优位姿不可行,只能将物体从更高处落下或者将物体放在最优位姿的附近.机器人在抓取、识别和放置时的不确定性也会导致最终放置位置与规划产生偏差.因此,本文提出基于深度强化学习的机器人三维装箱推拨优化方法,以最小化包装箱中物体放置位置的启发式算法分数为目标,通过推拨动作对于已放置的物体位置进行调整、归集,将物体朝角落中压缩,以腾出更多空间,提高装箱空间利用率,减小由于机器人操作不确定性对装箱结果的影响.     

基于深度强化学习的机器人推拨优化装箱问题研究

三维装箱问题是指在满足容积限制、稳定性限制等条件下,将一定数量的物体放入较大容量的箱子中并使空间利用率最大的组合优化问题.三维装箱问题是典型的NP完全问题,通常采用启发式算法规划物体放置的位姿.在使用机器人完成装箱任务时,还要额外考虑机器人操作限制,如机械臂或末端执行器与物体或箱子之间的碰撞、机械臂运动轨迹的规划等,使得部分最优位姿不可行,只能将物体从更高处落下或者将物体放在最优位姿的附近.机器人在抓取、识别和放置时的不确定性也会导致最终放置位置与规划产生偏差.因此,本文提出基于深度强化学习的机器人三维装箱推拨优化方法,以最小化包装箱中物体放置位置的启发式算法分数为目标,通过推拨动作对于已放置的物体位置进行调整、归集,将物体朝角落中压缩,以腾出更多空间,提高装箱空间利用率,减小由于机器人操作不确定性对装箱结果的影响.