基于深度学习的航空发动机内部损伤实时检测方法

针对航空发动机内部损伤实时检测问题,提出了基于YOLOv4框架下的目标识别网络模型,该网络模型具有检测精确度高,推理速度快的优点,实现了发动机内部损伤的实时检测。在具体实施过程中,该方法首先对不同损伤类型进行分类并对损伤位置进行标注,将图片与之对应的标注导入到改进网络中进行训练并得到对应的检测模型,最后,基于训练好的模型,对图片和视频流上的损伤进行实时检测。利用Pascal VOC（visual object classes）标准数据集与真实的航空发动机孔探图像数据集进行方法验证,结果表明所提出的目标识别网络在保证准确率的前提下每秒检测的帧率相比原目标识别网络提升了23.7%以上。为解决孔探损伤检测中人为因素导致的检测结果不准确与检测效率低下等问题提供了有效途径,具有很强的工程实用价值。      

基于冲击特征提取的旋转机械智能故障诊断

针对齿轮、轴承故障,提出了基于冲击特征提取胶囊网络的旋转机械智能故障诊断模型。在胶囊网络的构架基础上,将原始故障振动信号作为输入,通过构造首层小波核卷积层,针对性提取冲击故障特征,提高深度学习网络特征提取的可解释性。在小波核卷积层之后扩展一层卷积层,强化首层小波核卷积层提取的特征,将强化的特征经初级胶囊层、数字胶囊层输出分类结果,从而构造了“端到端”的小波卷积胶囊网络模型。通过对各层提取的特征可视化分析,证明了该模型对故障振动信号的冲击特征具有良好的提取能力。3个不同实验平台的数据集验证结果表明不同故障类型、不同故障程度的齿轮及轴承的识别精度最高可达到100%,并具有良好的泛化能力。      

基于多模型的航空发动机传感器混合故障诊断方法

本文在多模型架构下,提出一种航空发动机传感器在线混合故障检测与隔离算法。利用长短期记忆网络逼近航空发动机建模误差、健康参数变化、过程噪声和测量噪声等不确定性源引起的真实发动机与机载模型之间的偏差。将传感器测量输出与不确定性值的偏差用于一种基于多模型的混合卡尔曼滤波器组算法中,利用贝叶斯方法计算每个传感器在健康模式和不同故障模式下的条件概率,然后根据最大概率准则进行传感器故障检测与隔离,克服了阈值难以选取的问题。针对某型涡扇发动机传感器发生偏置故障、漂移故障和间歇性故障的情形进行仿真验证,并对比了不同传感器之间的检测与隔离精度。结果表明：所提出的方法可以在更高水平的退化下诊断出发动机传感器常见的故障,混合方法对不同不确定性源具有鲁棒性。     

仿鹰眼-中脑机制的无人机空中加油显著性检测

空中加油是提高无人机（UAV）空中持续作战能力的重要技术,其中对加油锥套的检测和识别是实现空中加油的首要任务。针对空中加油快速、准确的目标检测难题,结合鹰眼敏锐的视觉机制,设计了一种仿鹰眼-中脑机制的显著性检测算法,采用仿鹰眼颜色拮抗和明暗适应机制模型从加油锥套视频序列中提取多通道图像特征,为适应锥套在图像中的面积,模拟仿鹰中脑网络门控机制对多通道特征显著图进行空间门控处理,模拟仿鹰中脑网络增益机制对显著图进行增强处理。通过公开数据集和空中加油试飞数据集分别进行了测试,仿真对比实验结果验证了所提出的显著性检测算法可在设定显著目标面积占比的条件下有效抑制背景影响,并能检测到空中加油的锥套目标。     

基于残差NLSTM网络和注意力机制的航空发动机剩余使用寿命预测

针对长短期记忆（LSTM）网络对于多维数据特征识别和提取上存在不足的问题,在其改进模型嵌套式长短期记忆（NLSTM）网络的基础上,提出了一种基于注意力机制和残差NLSTM网络的剩余使用寿命预测方法。该方法将双层NLSTM网络代替残差块中的主网络,保留捷径连接中的卷积神经网络结构,既能充分提取时序特征又能保证有用数据在网络层中的跳层传递,并融入注意力机制构建多层残差网络,注意力机制的使用能够选择出对预测结果有重要影响的信息,有效提高预测的准确率。在航空发动机退化实验数据集上进行实验分析,结果表明:所述方法能有效建立监测数据与发动机健康状态之间的关系,剩余使用寿命预测误差较未改进残差结构方法平均降低10.8%,比未融入注意力机制方法平均降低18.9%,有效提高了预测精度。      

基于卷积双向长短期记忆网络的轴承故障尺寸估计

基于振动监测数据的航空发动机滚动轴承损伤大小识别,对于研究滚动轴承故障演化、故障预测和故障诊断具有重要意义。针对传统模型对先验知识依赖性高、特征提取不充分、故障尺寸训练类别有限等问题,提出了一种基于深度学习的滚动轴承损伤尺寸预计方法,能够对训练过程中未出现的中间尺寸进行准确识别。在经典模型的基础上,搭建了一种深度卷积网络与长短期记忆网络组合模型,该模型可对轴承振动信号的多维特征与时序特征进行充分提取,实现轴承故障的智能和高效诊断。最后,利用滚动轴承加速疲劳试验机,进行了多种转速与损伤尺寸下的滚动轴承故障试验,基于试验数据进行了方法的比较,结果表明,该组合网络的在正常和加噪的情况下预测精度分别达到99.94%和98.67%,较单独的深度卷积网络、长短期记忆网络及其他模型精度更高,比较结果充分表明了本文所提方法的优越性。     

基于改进DRSN的航空发动机故障风险预警模型

航空发动机属于多发性故障机械,运用先进的计算训练方法可有效地实现准确的风险预警分析,为发动机的运维指导提供参考。在发动机故障风险预警征兆数据集中提取多变量时间序列样本,将样本矩阵化,转换为灰度图样本。预处理并增强图像数据样本,热编码化序列样本标签。深度残差收缩网络（deep residual shrinkage network,DRSN）中融入深度注意力机制与带有阈值的残差收缩块,获取高判别性特征,实现软阈值化。结合长短时记忆神经网络层与多个隐层,改进DRSN模型,使用主成分分析重构特征与主元提取,累积可解释方差贡献率为93.7%。对潜在20种故障征兆识别、分类并预警,训练精确度为96.1%。提出了改进DRSN航空发动机故障风险预警模型,与其他算法相比有较强的鲁棒性,预警正确率至少提高4.4%。      

基于TransUNet的机动微弱目标智能检测前跟踪算法

隐身技术的发展和运用给雷达目标探测带来了极大的挑战,检测前跟踪技术作为微弱目标探测的重要技术方向之一,常被用于雷达探测中,但传统的检测前跟踪算法计算量大、受目标运动模型限制,难以有效检测各种不同运动状态的机动目标。针对该问题,提出基于TransUNet的微弱目标智能检测前跟踪算法,算法不受任何运动模型限制,可以有效识别各种运动状态的机动目标。首先,利用目标运动轨迹的空-时相关性特征,基于TransUNet模型设计了一种适用于不同运动状态的机动微弱目标粗检测算法,实现微弱机动目标的初步检测;然后,利用初步检测结果对目标量测进行区域搜索,实现微弱机动目标点迹的回溯;最后,针对低信噪比情况下初步回溯点迹的漏检问题,利用部分成功检测点迹的辅助信息,结合最佳抛物线值函数实现目标点迹的精细检测和航迹的完整回溯。仿真试验验证了本方法能够对多种运动状态的微弱机动目标实现有效检测。     

基于多模态掩码Transformer网络的社会事件分类

多模态社会事件分类的关键是充分且准确地利用图像和文字2种模态的特征。然而,现有的大多数方法存在以下局限性：简单地将事件的图像特征和文本特征连接起来,不同模态之间存在不相关的上下文信息导致相互干扰。因此,仅仅考虑多模态数据模态间的关系是不够的,还要考虑模态之间不相关的上下文信息（即区域或单词）。为克服这些局限性,提出一种新颖的基于多模态掩码Transformer网络（MMTN）模型的社会事件分类方法。通过图-文编码网络来学习文本和图像的更好的表示。将获得的图像和文本表示输入多模态掩码Transformer网络来融合多模态信息,并通过计算多模态信息之间的相似性,对多模态信息的模态间的关系进行建模,掩盖模态之间的不相关上下文。在2个基准数据集上的大量实验表明：所提模型达到了最先进的性能。     

基于顶点与主体区域同步检测的精准车牌定位

为应对非约束环境下的车牌精定位问题,提出一种基于顶点局部区域与主体区域同步检测策略的非约束性车牌定位算法。通过删减YOLOv5网络的输出结构,训练得到可同步检测车牌及顶点区域的车牌检测网络,在兼顾精度与计算速度的前提下,实现车牌顶点和主体区域的同步定位。针对一幅图中存在多个车牌区域及顶点区域存在少量漏检和误检的情况,分别设计了车牌顶点归类和单一缺失顶点预测后处理算法,借助顶点间的空间位置关系进行漏检目标预测和误检目标排查,有效改善了因场景复杂导致的个别顶点目标检测效果差的问题。所提算法在中国城市停车场数据集(CCPD)上的测试结果显示,平均精准率达99.25%,平均召回率达98.70%。所提算法不仅能够准确预测出车牌的4个顶点坐标,而且在中端GPU硬件平台上处理速度可达121帧/s,具有较好的应用价值。