基于概率模型运动检测技术的视频对象分割技术研究

MPEG-4最重要的特点是用音频-视频对象来描述内容和进行编码。这就需要按照视频对象进行视频图像分割,而视频对象具有时域和空域这两大特点,而时域分割又占主要的地位。研究了一种时域分割算法,即研究了一种运动检测技术方案,采用Til Aach,Andre Kaup提出的基于概率模型的运动检测技术,用Gauss模型描述噪声引起的像素值变化,将运动目标和有噪声的背景区别开来。最后,采用二值开闭重建滤波器来去除前景和背景中的“小洞”,从而获取了最终的运动检测掩码。     

基于双隐层过程神经网络的飞机发动机故障检测

利用双隐层过程神经网络模型可以直接处理时变信号的特点，提出了一种用双隐层过程神经网络模型对飞机发动机进行故障检测的方法。由过程神经元隐层完成对输入信息过程模式特征的提取和对时间的聚合运算，非时变一般神经元隐层用于提高网络对系统输入输出之间复杂关系的映射能力。分别利用递归神经网络和双隐层过程神经网络对发动机排气温度裕度进行仿真预测。结果表明，双隐层过程神经网络收敛速度快、精度高，优于递归神经网络的预测结果。为飞机发动机状态监测问题提供了一种有效的方法。     

复合材料加筋壁板的后屈曲逐步损伤及承载能力研究

通过对复合材料加筋壁板的后屈曲有限元分析和试验,给出了复合材料加筋壁板的临界载荷、损伤演化和后屈曲承载能力。理论预测与试验结果符合情况良好。     

G/K织物混杂增强复合材料层合板冲击损伤特性研究

采用空气炮实验装置、渗透剂增强的X射线照相法和高强光背射法对中心受到横向冲击的G／K织物混杂增强复合材料层合板的冲击损伤情况进行研究，讨论了G、K织物交替铺层时层合板的应力特征与损伤状况，分析了面、背板与芯板材质变化时层合板的应力与冲击损伤的关系、铺层角变化时层合板的损伤特征。结论强调指出，为提高复合材料层合板的抗弹能力，应采用混杂铺层、铺层角的错配方式，并避免将Kevlar作为背板使用。     

基于小生境遗传算法的分布式OS-CFAR检测系统优化与性能分析

 利用小生境遗传算法,对不同检测窗长度和检测信噪比的三传感器分布式 OS-CFAR检测系统进行了优化设计,给出了一组针对不同检测环境与融合方式的搜索结果。分析表明,对于非一致环境下分布式 OS-CFAR检测系统,小生境遗传算法是一种良好的优化算法。利用搜索结果,研究了不同融合方式下环境变化对分布式 OS-CFAR检测系统的性能影响,结果表明,“或”融合对检测环境的非一致变化具有较强的鲁棒性,而“3选2”融合和“与”融合对检测环境的变化比较敏感。     

应用涡流电导率检测技术评定铝合金的热损伤

综述了铝合金产品在现代航空工业中的重要作用,举例说明了涡流电导率检测技术在评定铝合金热损伤方面的潜在用途,指出这种检测方法是今后铝合金质量控制的有效手段,特别是在飞机结构件烧伤的检测中有独特的优越性。     

分层损伤对含孔复合材料层合板剩余强度影响

以国产碳纤维复合材料CCF300/QY8911含孔层合板静力拉伸试验为基础,建立了符合其损伤失效模式的有限元三维预测模型.通过引入Cohesive界面单元分析了层合板拉伸过程中的分层扩展,数值模拟的结果与试验结果吻合较好,破坏载荷预测结果与试验数据相比误差在5%以内.根据CCF300复合材料构件在制造过程和实际使用中产生的孔边分层缺陷的情况,在孔边预置分层,分析了初始分层损伤对于层合板剩余强度的影响.结果表明表面预制分层对剩余强度影响较小,但会引起自由边提前分层失效.      

波音民用飞机结构损伤分类及处理程序

介绍了波音民用飞机结构常见的损伤类型,结合基地大修时的维护经验分析了相关的评估、处理方法以及超手册范围损伤的报告程序。     

TC4钛合金与多层TiN/Ti涂层的砂尘冲蚀损伤试验

建了砂尘冲蚀试验系统,采用粒子成像测速方法获得了气体压力和砂尘速度之间的关系,并在砂尘质量浓度为28.91g/m3,速度为80m/s,冲蚀角度为30°的条件下,对TC4钛合金和多层TiN/Ti涂层进行了冲蚀试验.结果表明:TC4钛合金抗冲蚀损伤能力较差,平均质量损失率达0.7mg/min.多层TiN/Ti涂层可承受砂尘冲蚀200min以上,且TiN/Ti调制比为1:3涂层的抗冲蚀能力优于调制比为1:1的涂层.砂尘粒子垂直冲击速度分量引起的微区剥落是涂层冲蚀损伤的主要原因,增加多层涂层韧性是提高其抗冲蚀性能的关键.      

Impulse feature extraction method for machinery fault detection using fusion sparse coding and online dictionary learning

Impulse components in vibration signals are important fault features of complex machines. Sparse coding(SC) algorithm has been introduced as an impulse feature extraction method, but it could not guarantee a satisfactory performance in processing vibration signals with heavy background noises. In this paper, a method based on fusion sparse coding(FSC) and online dictionary learning is proposed to extract impulses efficiently. Firstly, fusion scheme of different sparse coding algorithms is presented to ensure higher reconstruction accuracy. Then, an improved online dictionary learning method using FSC scheme is established to obtain redundant dictionary and it can capture specific features of training samples and reconstruct the sparse approximation of vibration signals. Simulation shows that this method has a good performance in solving sparse coefficients and training redundant dictionary compared with other methods. Lastly, the proposed method is further applied to processing aircraft engine rotor vibration signals. Compared with other feature extraction approaches, our method can extract impulse features accurately and efficiently from heavy noisy vibration signal, which has significant supports for machinery fault detection and diagnosis.