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%。     

Predicting lean blow-off of bluffbody stabilized flames based on Damköhler number

Lean Blow-Off(LBO) prediction is important to propulsion system design. In this paper,a hybrid method combining numerical simulation and Da(Damk?hler) model is proposed based on bluffbody stabilized flames. In the simulated reacting flow, Practical Reaction Zone(PRZ) is built based on OH radical concentration, and it is considered to be the critical zone that controls LBO.Da number is obtained based on the volume-averaged parameters of PRZ. The flow time scale(s_f)indicates the residence time of the fresh mixture flowing through the PRZ. It is obtained based on the characteristic length and volume-averaged axial velocity of the PRZ. The chemical time scale(s_c) indicates the shortest time needed to trigger the reaction of the mixture. It is obtained by commercial software CHEMKIN through monitoring the transient variation of the reactor temperature. The result shows that the average Da number under different LBO conditions is 1.135(the Da number under each LBO condition ranges from 0.673 to 1.351). This indicates that the flow time scale and chemical time scale are comparable. The combustion is in a critical state where LBO is easy to occur. With the increase of the fuel mass flow rate(the global fuel/air ratio increases from 0.004761 to 0.01095), s_f increases from 0.001268 s to 0.007249 s, and s_c decreases from 0.00124 s to0.00089 s. Accordingly, Da number increases from 1.023 to 8.145, which shows that the combustion becomes more stable. The above results show that the method proposed in the present study can properly predict the LBO limits of combustors, which provides important technical supports for combustor design and optimization.     

自动编码器在流场降阶中的应用

自动编码器作为一种压缩算法,在数据降维和去噪等方面有着广泛实践,有条件作为一种降阶方法在流场识别与数据处理方面得到应用。文章中以圆柱绕流为例,首先对圆柱后速度场建立了编码模型,用来对原始数据进行降维和特征提取,之后将编码后的数据与流场特征量相关联,建立了由流场编码回归圆柱表面压力系数的神经网络,探索了降维后数据的应用。结果表明,自动编码得到的结果能够承载原始速度场的主要信息,解码后速度场与原速度场测试均方根误差小于0.02,压力回归测试均方根误差可小于0.1。说明自动编码器能够作为一种流场的特征提取和降阶方法,在未来得到更广泛的应用。     

基于隶属度和LMK-ELM的航空电子部件诊断方法

为提高航空电子部件模块级故障诊断精度,提出一种新的面向软聚类的局部多核学习（LMKL）-超限学习机（ELM）离线诊断方法。通过引入模糊C均值聚类对样本空间进行模糊划分,挖掘聚类内部多样性的同时,实现了对过学习的抑制;将模糊划分产生的隶属度信息融入LMKL-ELM的优化过程,运用基于初始-对偶混合优化问题的三步优化策略克服了局部核权重二次非凸的问题,在l₁-范数与l₂-范数约束下分别给出了相应的更新方法。将所提方法应用于某型机前端接收机,结果表明：与4种流行的多核诊断方法相比,该方法可有效避免漏警、抑制虚警,在l₁-范数和l₂-范数约束下,其诊断精度比其他方法的平均值分别提升了4.09%和5.13%。     

TDICCD在航天遥感器中的应用

文中介绍TDICCD的优点,重点阐述TDICCD在航天遥感器应用需要考虑的主要技术问题及国外发展概况。     

伸展悬臂梁动态特性分析

本文基于Ｌａｇｒａｎｇｅ方法推导了伸展悬臂梁的动力学方程，分析了伸展速度、加速度对梁动态特性的影响。对悬臂梁在不同的伸展规律、不同的外激励下的响应进行了数值模拟。结果表明，伸展长度、速度对梁的动态特性有显著影响。     

基于1-DISVM的聚类模型及直升机齿轮箱故障诊断应用

针对当前故障诊断中存在的训练样本少、知识难获取的问题,结合SVM小样本学习的特点,提出一种基于SVM的自学习聚类模型。通过改进无监督1-SVM算法上的不足,形成一种改进决策1-SVM(1-DISVM)算法,由此构建了多模式训练与分类算法,并设计出基于1-DISVM的自学习聚类模型。最后对其进行仿真验证,并应用于直升机齿轮箱的故障诊断,结果表明该方法能从少量样本中自学习输入模式的内在规律,自适应地对未知故障模式进行准确地分类识别。     

飞控-飞机低阶等效系统的在线辨识

以飞控—飞机低阶等效系统为背景，采用Taylor展开法研究了带纯延迟环节的二阶系统的在线辨识。采取了对低信息点进行抛弃，变步数起动等算法对传统的最小二乘法加以改进，大大减少了辨识过程中产生的误差，更适合于实时辨识。实际应用结果表明：该方法可以有效地对具有时变特性的带纯延迟的非线性系统加以辨识，辨识结果满足工程要求。     

前向神经网络快速学习算法在发动机模型辨识中的应用

介绍一种采用前向神经网络辨识发动机非线性模型的快速学习方法,与现有同类方法相比,该方法采用矩阵的QR分解求解线性方程组,解决了维数过高的矩阵直接求逆带来的解失真问题,并把这种方法应用于航空发动机的非线性模型辨识。算例仿真验证了算法的可行性。      

基于拉普拉斯变换的空间目标碰撞概率计算方法

碰撞概率是空间碎片碰撞预警中评判碰撞发生可能性大小的重要依据,对航天器机动规避具有重要意义。基于拉普拉斯变换的碰撞概率计算方法利用拉普拉斯变换以及幂级数的定义,推导了在短时间接近情况下碰撞概率的幂级数表达式,分析了碰撞概率的截断误差并确定了在不同精度要求下的幂级数项数。针对2009年美俄卫星的碰撞事件,将基于拉普拉斯变换的碰撞概率计算结果与Chan方法、Monte Carlo方法的计算结果进行比较,验证了基于拉普拉斯变换方法在计算精度上的优势。