递推的TLS参数估计方法及其在飞轮FDD中的应用

飞轮是很多卫星姿态控制系统中的重要执行部件，其星上自主故障诊断是一个很有意义的研究课题。本文根据飞轮系统的特点，在最小二乘（ＬＳ）参数估计方法的基础上提出了全最小二乘（ＴＬＳ）参数估计的递推形式，证明了它对飞轮参数估计的收敛性，并用于飞轮缓变故障的检测和诊断，取得了较好结果。     

磨粒监测与分析系统在航空发动机状态监控中的应用(英文)

磨损颗粒是研究机器磨损状态时最直接、最重要的信息元 ,通过对滑油中的磨粒进行监测与分析以判断机械设备的磨损状况 ,可以监测并预防机械设备的磨损故障。本文介绍的磨粒监测与分析系统 ( DMAS)具有制谱简单、自动化程度高、能及时准确预报及诊断机器的各种磨损类故障等特点 ,可以有效地保障机器安全可靠地运行。本文详细地阐述了这套系统的基本原理、软硬件组成 ,以及在航空发动机磨损状态监测中的应用     

水洞实验图像的一种测量与处理方法

在水洞实验中,由于光线在空气、水和观察窗面板中发生折射,准确实验图像的获取一直是一个难题。本文在大量水洞实验图象测量经验积累的基础上,以水洞模型超空化实验中的超空泡外形测量为例,提出了一种基于计算机图形学的水洞实验图像测量与处理的三步法。该方法不仅可对水洞实验中所拍摄的图像进行修正,消除因不同介质引起的折射误差,而且把图像数据化,可利用计算机对图形自动进行定量处理。经多次应用表明,图像测量与处理的三步法应用方便,具有较高的精度,取得了很好的应用效果。     

直升机涡环区域边界包线的确定

在旋臂式模型旋翼试验机（简称“旋臂机”）上模拟直升机的垂直下降和斜下降飞行，试验中首次发现了旋翼进入涡环区域的特征现象——旋翼轴扭矩的异常变化。在分析试验结果的基础上，探讨了确定涡环区域的方法，对美国Ｐｅｔｅｒｓ教授提出的涡环边界判据进行了试验修正，进而建立了一套通用的半经验算法，计算出了涡环区域的速度边界包线。计算结果与模型试验结果吻合较好。     

小型无人机电视引导撞网回收中的电视图像测距方法

以撞网方式回收无人机是符合现代无人机发展方向的回收方式。以此方式回收无人机对近场无人机测距提出了更高要求。本文研究了双摄像机绑定跟踪测距的方法，它结合传统光学测距技术和数字图像分析技术．与传统的光学测距相比，提高了测距速度和精度。本文介绍了双摄像机测距原理，给出了空中飞机图像捕捉和目标匹配算法，并介绍了测距误差的校正。实物地面实验结果证明这种测距系统可安全引导无人机撞网回收。     

单晶双斜探头探伤时缺陷定位问题的研究

当今社会对产品质量的检测要求越来越严格和全面了，在这种严格的检测下，各种专用的新型超声检测探头不断涌现，其中用于内燃机曲轴及石油钻铤等部位探伤的单晶双斜探头也得到了应用，但由于这种探头的特殊结构，以至它不易对缺陷定位，所在在这里，本文主要针对这种双斜探头的缺陷定位问题，进行探讨和研究。实验证明，所求计算公式达到了预期效果。     

基于改进YOLOv4的航空发动机小目标损伤检测研究

智能化的航空发动机损伤检测是飞机故障诊断重要的研究方向,针对现有目标检测模型对航空发动机的小目标损伤检测效果差的问题,提出了一种改进的基于You Only Look Once version 4(YOLOv4)的多尺度目标检测方法。在路径聚合网络（PANet）中构建低层次的特征融合层,将更浅层的特征与深层特征融合,提高网络对小目标损伤的检测性能。为减少网络中的冗余参数,在颈部结构中引入了深度可分离卷积,将标准卷积重构为深度可分离卷积的形式。实验表明：改进后的YOLOv4对小目标损伤的检测精度提升了3.43%,模型大小降低了54.06 MB,同时检测速度提高了31.03%。研究结果表明改进的YOLOv4模型对小目标损伤具有更好的检测性能。     

基于AR/CGARCH模型的液体火箭发动机自适应阈值故障检测算法

为了解决传统自适应阈值算法对时间序列方差跟踪能力不足,以及故障阶段带宽自动放大的问题,提出了紧广义自回归条件异方差（Compact General Auto-Regressive Conditional Heteroskedasticity,CGARCH）模型。针对液体火箭发动机稳态试车数据的波动性特点,提出一种基于自回归（Auto-Regressive,AR）模型和CGARCH模型的自适应阈值故障检测算法。采用AR模型对稳态参数的均值进行估计,并采用CGARCH模型对稳态参数的方差进行估计,从而利用均值和方差的估计值自适应地构造检测阈值。用某氢氧火箭发动机的热试车数据进行验证,结果表明,该算法能够准确、快速、灵敏地检测液体火箭发动机故障,在正常工作阶段,能够有效跟踪数据波动性,在故障阶段,能够避免阈值变宽带来的漏检。     

基于改进YOLOv5的无人机实时密集小目标检测算法

无人机航拍图像与自然场景图像相比背景更复杂,存在大量密集小目标,对检测网络提出了更高的要求。在保证目标检测实时性的前提下,针对无人机视角下密集小目标检测精度低的问题,提出一种基于YOLOv5的无人机实时密集小目标检测算法。首先,将空间注意力(SAM)与通道注意力(CAM)相结合,改进CAM中特征压缩后的全连接层,降低计算量。另外,改变CAM与SAM的连接结构,提高空间维度特征捕获能力。综上,提出一种空间-通道注意力模块(SCAM),提高模型对特征图中小目标聚集区域的关注程度;其次,提出一种基于SCAM的注意力特征融合模块(SC-AFF),根据不同尺度特征图自适应分配注意力权重,增强小目标的特征融合效率;最后,在主干网络中引入Transformer模块,并利用SC-AFF模块改进原有的残差连接处的特征融合方式,更好地捕获全局信息和丰富的上下文信息提高复杂背景下密集小目标的特征提取能力。在VisDrone2021数据集上进行实验,YOLOv5s基准下,改进后模型的mAP₅₀提高了6.4%,mAP₇₅提高了5.8%,对高分辨率图像的FPS可达到46...