发动机转子系统早期故障特征提取方法

对飞机发动机转子系统早期故障特点进行分析的基础上,提出了利用虚拟仪器和Matlab小波工具箱分析软件对其早期故障进行检测和特征提取的方法.文中对早期故障特征量的选取、有用信号与噪声信号的分离方法、突变信号与奇异信号的特征提取等进行了分析和研究,并以转子早期碰摩和早期不平衡为例进行了实验研究.结果表明,Labview和Matlab小波分析软件相结合,能够快速有效地提取发动机转子系统的早期故障特征,为发动机转子系统早期故障的快速识别提供了一种新途径.     

智能赋能流体力学展望

人工智能（AI）是21世纪的前沿科技,流体力学如何在智能化时代焕发青春是值得本领域研究者思考的话题。从智能赋能流体力学角度,就其研究内涵、研究内容、近期研究及难点进行了总结,并对智能流体力学未来的发展进行了展望。研究指出,流体力学计算或试验中所产生的数据是天生的大数据,如何通过深度神经网络、随机森林、强化学习等机器学习方法来利用这些数据,缓解甚至替代理论和方法层面对人脑的依赖,挖掘新的知识,成为一种新的研究范式;相关研究将涵盖流动控制方程的机器学习、湍流模型的机器学习、物理量纲分析与标度的智能化以及数值模拟方法的智能化;借助人工智能技术,发展流动信息特征提取与多源数据融合的智能化是流体力学发展的迫切需求;研究内容应至少涵盖海量数据挖掘方法以及多源气动数据的智能融合;发展数据驱动的流体力学多学科、多物理场耦合建模与控制是工程应用的迫切需求,相关工作涉及多场耦合建模、气动外形智能优化设计以及流动智能自适应控制等方面。     

航空发动机叶片进排气边缘形状自动评价方法

针对目前对航空发动机叶片进排气边缘形状的评价主要依赖人工目测,主观性强、效率低等问题。提出一种叶片进排气边缘形状自动评价方法,通过非均匀有理B样条（NURBS）曲线拟合、最小二乘椭圆拟合、等半径法等算法拟合叶型并提取相关型面参数,针对5类叶片进排气边缘不合格形状给出了定性的定义,根据叶片进排气边缘在不同形状时的曲率特征以及偏差值变化特征对其形状做出评价。通过实例验证表明：该方法能够实现对尖头、钝头、歪头、缩颈及大小大/小大小（LSL/SLS）5类叶片进排气边缘形状的自动判读,对于不同叶片型号和验收标准的应用场景具有较好的通用性,有效提高了叶片进排气边缘形状评价的效率。     

多源数据融合与改进注意力机制的轴承智能故障诊断

单一传感器信号不能全面表达机械设备的运行特征且容易受到自身品质、性能的影响,为此本文提出了一种多源数据融合与改进注意力机制相结合的滚动轴承智能诊断方法。采集不同位置的传感器振动信号作为模型的输入向量,每一个传感器信号作为一个通道,将多通道信号同时送入模型特征输入层;引入改进注意力机制建立各通道和空间动态权重参数,随着模型训练,不断增强故障特征、弱化无用特征;运用深度卷积神经网络模型的卷积、池化等操作将多传感器信号进一步融合并提取故障特征,输出诊断结果。在进行滚动轴承故障诊断实验时,该方法诊断准确率达到100%,高于准确率最佳值为97.42%的单传感器。与其他方法相比,本文方法可以自适应融合多传感器数据以满足诊断任务的要求,具有良好的自适应性和鲁棒性,为滚动轴承的故障诊断提供了一种可行的方法。     

高分辨率SAR图像分割及目标特征提取

提出了一种非监督SAR图像快速分割算法,对分割得到的目标区域进行特征提取.分割方法利用固体热扩散模型与图像尺度空间的等价性,在SAR图像初始分割的基础上,引入最大后验概率矩阵的各向异性多尺度平滑,在保持图像结构信息的同时滤除斑点噪声对于分割的影响.然后提取目标区域6个特征以详细描述目标,实验结果表明：该方法计算速度快,能够从获得的目标区域得到大量有用的信息.     

基于微多普勒的空间锥体目标微动分类

空间锥体目标在飞行时存在多种微动,具体可分为章动、进动及自旋,准确获取目标微动形式是弹道目标微动及结构参数估算的前提。首先分析了3种微动形式下锥体目标锥顶及锥底滑动型散射源微多普勒及其频谱分布特性,发现自旋锥体目标散射源微多普勒为0 Hz,章动锥体目标任意散射源微多普勒谱的峰值非等间距分布,进动锥体目标任意散射源微多普勒谱的峰值等间距分布。据此提出利用微多普勒阈值识别自旋、利用微多普勒谱峰值是否等间距分布识别章动和进动的分类方法。最后通过仿真说明了本文分类方法的有效性,可为空间锥体目标微动分类提供一定的参考。     

一种雷达信号特征参数提取方法及其高速实现

数字信号处理技术的发展使得雷达信号高精度参数测量和脉内细微特征分析成为可能,高速处理器件的发展为雷达信号实时处理奠定了基础。研究了基于瞬时自相关法的脉冲参数测量和脉内特征参数提取技术,并用DSP实现了高速处理。     

医学超声图像的特征提取方法初探

本文在分析了医学超声图像特殊性的基础上,构建了基于灰度共生矩阵的四个纹理特征描述算子,对正常肝和非正常肝的超声图像进行了特征提取。MATLAB仿真实验结果验证了该算法的有效性。     

基于加权朴素贝叶斯分类器和极端随机树的蛋白质接触图预测

提出一个新的基于集成学习的预测器(TargetPCM),对蛋白质接触图(特别是中长程)进行高精度的预测。首先,TargetPCM使用加权朴素贝叶斯分类器(Weighted Nave Bayes classifier,WNBC)融合3个接触图预测器的输出,其中WNBC中的权重参数通过粒子群算法优化得到;其次,将WNBC融合后的输出和基于序列的特征进行组合,得到更具鉴别能力的特征;在此基础上,应用极端随机树训练得到最终的蛋白质接触图预测模型。为了验证TargetPCM的有效性,在包含98个非冗余蛋白质的数据集上进行了测试。结果表明:对于短程、中程和长程接触,TargetPCM的Top L/5精度比现有最好的集成预测器(NeBcon)分别提高了8.2%,16.1%和5.3%。在CASP11上进一步的验证表明,对于短程、中程和长程接触,TargetPCM的Top L/5精度比现有最好的基于协同进化的集成预测器(MetaPSICOV)分别提高了7.4%,9.1%和7.5%。实验结果验证了本文所提蛋白质接触图预测方法的有效性。