奇异谱分析在故障时间序列分析中的应用

由于日益增长的飞行安全和飞机维护质量需求,飞机使用可靠性已经成为一个重要的研究领域。从某航空公司波音737飞机使用过程中现场所记录的18年的故障数据出发,应用奇异谱分析（SSA）方法,对故障时间序列进行了建模和预测,进一步以预测结果的均方根误差（RMSE）最小为优化目标对SSA模型参数进行了优选。在此基础上,提出了一种更为广泛的模型组合方法和实现算法,这种方法采用不同的时间序列模型来构造SSA分解出的趋势、周期和残差等成分。通过与三次指数平滑（Holt-Winters）、自回归移动平均（ARIMA）2种时间序列模型的实验结果对比,SSA及其参数优选和模型组合方法在故障时间序列分析中具有更好的拟合和预测精度。      

一种基于时间梳技术的高频正弦信号幅值测量方法

本文研究了一种基于时间梳原理的高频正弦信号幅值测量方法,介绍了时间梳原理并详细分析了其特点,并将此原理应用于高频信号的幅值测量中,可以在不满足乃奎斯特采样定理的条件下,用低于被测信号的频率对被测高频信号进行同步采样,避免了高频信号采样的高采样率,结合自相关和多重自相关技术,实现了对高频正弦信号的幅值的准确测量,实验结果表明本文算法对高频信号的幅值测量具有很高的测量准确度,尤其在低信噪比下也有较高的测量准确度,具有较高的工程实用价值。     

基于IFA-ELM的航空发动机自适应PID控制新方法

针对大涵道比涡扇发动机强非线性、变参数的特点,提出了一种基于优化极端学习机(ELM)对发动机参数进行预测的自适应PID控制方法.为提高ELM的预测精度和实时性,采用适用于多峰值寻优的改进萤火虫算法(IFA)优化ELM网络参数,形成优化的ELM训练方法IFA-ELM.该算法在保证预测精度的前提下,有效简化了网络规模,并提高了其泛化能力.利用该算法建立发动机风扇转速预测模型,基于该模型,采用梯度下降法在线调整PID参数,提升发动机动态性能.数字仿真验证表明,与常规PID控制相比,基于IFA-ELM的自适应PID法调节时间减少了0.2~1.4s,超调量降低了0.2%~1.5%,验证了该控制方法的有效性.      

基于近邻传播聚类的航空电子部件LMK诊断模型

针对小样本条件下,航空电子部件功能模块故障诊断精度不高的问题,将局部多核学习（LMKL）算法的多分辨率解释与局部特征自适应表示能力和超限学习机（ELM）运算高效的特点相结合,提出一种新的局部聚类MK-ELM（LCMKELM）诊断模型。通过引入近邻传播（AP）聚类,在挖掘训练样本局部特征信息的同时,有效约减了局部算法的计算复杂性,避免了过学习问题的出现;通过分别分析输入空间与特征空间的聚类特征,构造了相应的2种选通函数M₁、M₂,以优化选通函数的模型参数取代优化局部权重,有效解决了核超限学习机（KELM）的对偶优化形式关于局部权重二次非凸的问题。将本文模型应用于某型机旋转变压器激励发生电路功能模块故障诊断,结果表明:相比于4种常用的多核诊断算法,模型在实现低漏警、低虚警的同时,采用M₁选通函数的诊断算法将诊断精度平均提升了3.80%,采用M₂选通函数的诊断算法将诊断精度平均提升了5.98%。同时,模型在实现与流行的LMKL算法相近的训练时间的同时,测试时间更短。      

Time synchronization of new-generation BDS satellites using inter-satellite link measurements

Autonomous satellite navigation is based on the ability of a Global Navigation Satellite System (GNSS), such as Beidou, to estimate orbits and clock parameters onboard satellites using Inter-Satellite Link (ISL) measurements instead of tracking data from a ground monitoring network. This paper focuses on the time synchronization of new-generation Beidou Navigation Satellite System (BDS) satellites equipped with an ISL payload. Two modes of Ka-band ISL measurements, Time Division Multiple Access (TDMA) mode and the continuous link mode, were used onboard these BDS satellites. Using a mathematical formulation for each measurement mode along with a derivation of the satellite clock offsets, geometric ranges from the dual one-way measurements were introduced. Then, pseudoranges and clock offsets were evaluated for the new-generation BDS satellites. The evaluation shows that the ranging accuracies of TDMA ISL and the continuous link are approximately 4?cm and 1?cm (root mean square, RMS), respectively. Both lead to ISL clock offset residuals of less than 0.3?ns (RMS). For further validation, time synchronization between these satellites to a ground control station keeping the systematic time in BDT was conducted using L-band Two-way Satellite Time Frequency Transfer (TWSTFT). System errors in the ISL measurements were calibrated by comparing the derived clock offsets with the TWSTFT. The standard deviations of the estimated ISL system errors are less than 0.3?ns, and the calibrated ISL clock parameters are consistent with that of the L-band TWSTFT. For the regional BDS network, the addition of ISL measurements for medium orbit (MEO) BDS satellites increased the clock tracking coverage by more than 40% for each orbital revolution. As a result, the clock predicting error for the satellite M1S was improved from 3.59 to 0.86?ns (RMS), and the predicting error of the satellite M2S was improved from 1.94 to 0.57?ns (RMS), which is a significant improvement by a factor of 3–4.     

基于深度强化学习的软件定义卫星姿态控制算法

深度强化学习（DRL）作为一种新型的基于机器学习的控制算法,在机器人和无人机等智能控制领域展现出了优异的性能,而卫星姿态控制领域仍然在广泛使用传统的PID控制算法。随着卫星的小型化、智能化以至软件定义卫星的出现,传统控制算法越来越难以满足姿态控制系统对适应性、自主性、鲁棒性的需求。因此对基于深度强化学习的姿态控制算法进行了研究,该算法使用基于模型的算法,比非基于模型的算法拥有更快的收敛速度。与传统控制策略相比,该算法无需对卫星的物理参数和轨道参数等先验知识,具有较强的适应能力和自主控制能力,可以满足软件定义卫星适应不同硬件环境,进行快速研发和部署的需求。此外,该算法通过引入目标网络和并行化启发式搜索算法之后,在网络精度和计算速度方面进行了优化,并且通过仿真实验进行了验证。      

基于空谱融合特征主动学习的高光谱图像分类

针对高光谱图像分类过程中存在的样本量少和分类精度低的问题,提出一种基于空谱融合特征主动学习的高光谱图像分类方法。主要包括构造三通道图像,全卷积网络提取空间特征,空谱特征结合,主动学习方法选择训练样本几个部分。通过结合像素的光谱特性和相邻像素间的空间关联,提取出可以反映像素空谱联合特性的综合特征,提高了像素特征的表达能力。为克服高光谱图像标注数据少、缺乏训练样本的问题,应用主动学习算法,充分选择更具有代表性的样本进行训练,达到少样本情况下较高的分类正确率。通过在标准数据集上进行实验,结果表明:该方法可以达到在总样本数1%作训练样本的情况下,分类正确率达到99.79%,优于传统的高光谱分类算法。     

基于深度学习的语义分割算法综述

图像的语义分割是对图像中的每个像素标注其所属的类别。在航天领域,语义分割技术可用于定位航天器及其零部件,为航天器故障排除、部件维修、太空垃圾清理等在轨服务创造条件。近几年,全部或部分使用深度学习时,语义分割的效果获得了很大的提升。本文对基于深度学习的语义分割算法进行综述。首先介绍常用的数据集和通用的深度神经网络,随后对两类具有重大实用意义的分割算法:编码器-解码器算法和整合上下文信息算法进行总结。最后对语义分割的发展进行了展望。     

地球同步轨道目标物深度学习检测方法

针对欧空局SpotGEO竞赛中地球同步轨道目标物的检测问题,提出面向低精度CCD空间图像的深度学习检测方法。在图像预处理环节,分别采用高斯过程回归和模板匹配实现前景/背景分割和多帧图像配准。根据地球同步轨道物体的运动特征,采用拓扑扫描提取候选目标物。在此基础上,提出一套基于深度学习的目标物筛选方法。该方法利用卷积神经网络,依次对拓扑扫描前后候选目标物进行筛选,显著减少噪声点数量,提高检测效率。仿真结果表明,该方法达到98%的目标检测准确率,适用于存在光污染、云层遮挡等干扰的复杂环境。     

自适应学习率的增量强化学习飞行控制

针对预先设定学习率的增量强化学习(IRL)飞行控制律失败率较高,并且无法适应飞行器大范围动力学特性变化下的稳定控制问题,提出一种自适应学习率的增量强化学习(ALRIRL)控制方法.首先,基于小波分析方法构造控制系统稳定度评价函数,用于评估控制器稳定度.然后,基于梯度下降法设计学习率在线迭代计算方法,以提升强化学习控制器...