基于风险优先数的航空发动机可靠性设计方法

为了解决故障模式和影响分析难以融入航空发动机设计中的难题,提高可靠性水平,在型号研制工作中摸索出利用故障模式和影响分析中风险优先数的概念开展零部件某故障模式设计改进。运用风险优先数（RPN）的概念对设计故障模式和影响分析中严酷度和故障模式发生概率划分了1～10级评分原则,增加了故障被检测难度,且结合航空发动机特点,对故障被检测难度也划分了1～10级评分原则,得出了故障模式的风险优先数,确定了故障模式的优化排序,提出了确定风险改进项的方法。以某发动机的密封装置为例,利用严酷度、故障模式发生概率和故障被检测难度等级评分原则,得出了密封装置各故障模式风险优先数,确定了2项风险改进项。结果表明：利用严酷度、故障模式发生概率和故障被检测难度划分的1～10级评分原则进行风险优先数计算,可得出风险改进项,为提高发动机的可靠性水平提供了方向。     

DDS在跳频频率合成器中的应用

本文对直接数字频率合成（DDS）基本原理进行了简要介绍,提出了一种由DDS和直接频率合成（DS）构成的适用于宽带跳频通信系统的频率合成器设计方案。     

融合注意力机制的航天器重建信号异常检测

针对航天器遥测数据异常检测时先验知识缺失、难以进行有监督条件下机器学习的问题,提出一种融合注意力机制的航天器信号智能异常检测算法。首先,通过注意力机制捕捉航天器遥测数据长距离特征,分析注意力关系矩阵为异常溯源提供指导。其次,采用堆叠自动编码器压缩数据维度并基于此重建输入信号,利用输入信号与重建信号间的残差获取误差重构序列。然后,基于窗口阈值法标记误差重构序列异常索引,实现航天器遥测信号异常检测。最后,通过多通道航天器遥测信号算例验证算法在提高航天器遥测信号异常检测性能与可解释能力的有效性。     

基于波段选择的RX改进算法

针对高光谱检测亚像元飞机的问题,提出基于大气吸收谱段的改进RX异常检测算法,实现亚像元检测能力和检测效率的提升.阐述了改进算法的基本原理,对比了10 km高度和地面大气吸收系数的曲线差异,建立了改进算法的检测模型,采用仿真的客用飞机可见-短波高光谱数据和海水背景高光谱数据,获得了信噪比10 dB的高光谱仿真图像.采用经...     

基于剪枝和去噪的航空发动机故障图像识别与预测

航空发动机叶片作为航空器重要的零件,其健康状况直接关系到航班的运行安全。叶片由于工作环境恶劣很容易产生裂纹、掉块、烧灼等损伤,目前基于孔探技术的叶片损伤检测以人工为主,检测结果在很大程度上受到人为因素的影响。因此,实现叶片损伤的自动识别及测量对于减轻劳动强度和提高检测精度都有实际的应用价值。首先选择PRIDnet图像去噪算法对原始孔探图像进行预处理,按照训练精度和训练速度两个指标对传统目标检测模型进行通道剪枝和微调。数据集采用国内某航空公司获取到CFM56型发动机在实际运营后机务人员所拍摄的孔探图像,实验结果表明,相比于原始目标检测YOLOv5算法和未经图像预处理的目标检测模型,本方法对航空发动机孔探图像内损伤的检测精度提高4%～10%,在检测效率上提高6%～20%。     

飞机电缆智能绝缘检测系统

针对飞机大修过程中传统的线缆绝缘检测需要大量的人工重复工作、测试人员用工多、测试项目无法自动执行的问题,提出了一种基于自动线路切换的智能电缆绝缘检测系统。系统硬件部分主要包括绝缘检测模块、高压输出切换矩阵、嵌入式控制主机等。控制主机通过GPIO与线路切换矩阵相连,线路切换矩阵按照要求将测试高压送给指定的线缆,控制主机接收来自绝缘电阻检测模块的检测结果。软件部分具有待测线缆选择、检测参数调整、检测执行以及检测结果记录分析等功能。实测结果表明该检测系统检测结果满足检测误差要求,可自动执行系统的自动化检测流程,检测过程更加简单高效。     

连续纤维增强钛基复合材料整体叶环的超声检测试验研究

本文结合连续纤维增强钛基复合材料（TMCs）整体叶环的制备工艺和结构特点,重点分析了TMCs整体叶环内部质量的超声检测难点,并通过对特定尺寸TMCs整体叶环的超声检测试验及解剖对应分析,确定了纤维碎断、纤维束开裂、纤维屈曲、纤维挤出及焊缝处开裂（未焊合）等可能存在的主要缺陷类型及超声回波信号特征。试验结果表明,基于适当的超声检测工艺参数对TMCs整体叶环的内部质量进行检测,检测灵敏度可达Φ0.8 mm当量平底孔。     

基于深度学习的自冲铆接偏铆缺陷检测算法研究

自冲铆接技术适合铝钢等异种材料连接,接头性能可靠,在航空工业中有着广阔的应用场景,但目前针对自冲铆接缺陷无损检测的相关研究较少。提出了基于深度学习的自冲铆接偏铆缺陷检测算法,首先通过剪切力学性能试验得出偏铆自冲铆接件相较于正常铆接件力学性能下降了5.6%;然后通过自冲铆接偏铆件外部形貌特征将偏铆程度由外部特征定义在0～10的区间;最后探究了单步检测同双步检测间的检测效果差异,提出了YOLOv5s(You Only Look Once v5s)加ResNet18的检测方案,并通过Grad-CAM(Gradient-Weighted Class Activation Mapping)对不同检测方案的效果差异进行了可视化的解释。测试表明,提出的YOLOv5s加ResNet18的检测方案在所采集的数据测试集中可以达到100%正确率,高于仅用YOLOv5s取得的95.18%正确率,远高于仅用ResNet18取得的84.1%正确率。