在线实时工件测长系统开发

在线实时工件测长系统是将数字图像处理技术与在线图像检测技术应用于工业生产现场的一个典型实例，系统中采用光学摄像机采集工件图像信息，应用图像增强、边缘检测、图像识别等数字图像处理技术对所采集到的图像信息进行处理识别，实现了在远距离条件下以非接触方式对生产线上的工件进行实时长度测量，并实现了对测量结果的显示、记录及传送。大量实验表明，在线实时工件测长系统能够准确地进行在线工件全天候测长，保证了检测的客观性和真实性。此外，系统还具有耐高温耐污染的特点，适合于工业现场的环境。     

故障型备件供应分析的面向对象仿真模型研究

准确预测航空备件需求是实现备件供应优化的基础。本文指出了当前航空备件供应中存在的问题及其原因,并对现有备件需求预测方法进行了简要分析,指出其不足、改进方向和本文研究的立足点。进而,利用OOS建模框架,研究了故障型备件供应的影响因素、仿真模型的建模对象、模型结构与行为、建模分析过程和实现要点。同时,针对典型问题,进行了仿真实验研究。实验证明:该建模和分析方法描述能力强,适用性和灵活性高。     

利用分数阶Fourier域滤波的机载SAR多运动目标检测

 强度相差较大的多运动目标检测是机载合成孔径雷达 ( SAR)技术的一个重点和难点,传统的频域滤波和现代的时频分布方法都无法解决这个问题。首先分析了机载 SAR运动目标回波本质上为线性调频信号,据此提出一种基于分数阶 Fourier域滤波的运动目标检测新方法,并且应用逐次消去的思想有效地解决了强度相差较大的多目标检测问题。仿真的结果验证了算法的有效性。     

基于模型的推进系统故障检测与诊断

针对泵压式供应系统液体火箭发动机的健康监控问题，提出了故障检测与诊断的基本框架，并讨论了基于发动机系统非线性数学模型，推广的卡尔曼滤波的故障检测方法的基于低阶线性模型的故障诊断方法。     

利用改进时序模型提取空间推进系统特征参数

介绍了利用改进时序模型提取空间飞行器推进系统特征参数的方法，利用此方法，结合某飞行器推进系统试验的实测数据，提取出了相应的特征参数，并以此为基础得出了故障判据的阈值，数据回访表明此阈值较领域专家提供的阈值对“泄漏”故障更为敏感，结合多参数辅佐检测，可以很好地完成推进系统的故障检测功能，具有工程实用可行性。     

一种改进的空间目标接近分析快速算法

Alfano-Negron(1993)提出的空间目标接近分析算法将最小相对距离及其对应时刻和进出误差椭球时刻的求解问题均转化为插值多项式求根问题.A-N算法在判断三次多项式根的存在性、筛选合理实根时存在缺陷,可能导致多余计算.由A-N算法提出的准则不能直接计算插值时间步长并可能导致丢根,对此根据多项式插值误差理论提出了一种自适应的插值时间步长选取方法.相比原始A-N算法,完善后的A-N算法计算结果更加可靠.与精确的逐秒比较结果相比,改善后的A-N算法计算速度远高于逐秒比较,具有较高精度,更适合于有实时计算要求的任务.     

微文字识别系统关键技术研究

分析研究了微型汉字识别系统设计中的关键技术。主要包括：汉字识别、语音合成、系统设计；该系统通过前端的单片微型摄像头对文字进行图像采集，然后由DSP处理器进行图像分析和汉字识别，最后通过语音合成芯片进行朗读。     

惯性辅助的北斗导航故障自适应方法研究

北斗导航系统完好性是指北斗导航系统不能用于导航服务或导航精度超出给定范围时,具备及时发现故障并通知用户的能力.针对北斗导航完好性检测问题,为改善北斗导航定位系统的精度、连续性、完好性和可用性,研究了基于惯性辅助的北斗导航故障检测方法,设计了北斗导航系统的量测修正与故障检测实现方案,构建了基于新息正交性的自适应滤波北斗/SINS紧组合导航架构,根据滑动窗口内新息动态变化特性修正系统量测噪声方差,在北斗导航信号受到较大干扰、发生异常的情况下,对品质较差的卫星测量信号进行识别,并对检测超出一定阈值的突变卫星信号实现故障隔离,从而提高系统适应能力,增强北斗/SINS紧组合导航系统容错性.构建了北斗/SINS组合导航系统仿真验证模型,结果表明,基于惯性辅助的北斗导航方法能够有效检测出卫星信号故障,提高了系统的适应性和定位精度.     

飞机总装数字化脉动生产线技术

飞机总装生产线作为新型生产组织模式,对提高飞机装配效率和质量,满足飞机批量生产要求具有重要作用.在分析总结国内外典型飞机总装生产线及其应用情况的基础上,对飞机数字化总装脉动生产线涉及的大部件数字化对接技术、数字化检测技术、精准移动技术、集成装配平台技术、物料精益配送技术等关键技术进行了探讨,为构建适合我国飞机总装配的脉动生产线提供思路.     

基于深度学习的PIV流场图像修复技术

粒子图像测速技术（PIV）是空天动力装置研究中常用的流场测试方法。但对具有复杂流动特征的燃烧室,通过传统互相关算法处理得到的流场结果往往具有一定缺陷。本文将深度学习应用于PIV后处理中,以实现流场数据的异常检测和修复。在甲烷预混对冲火焰数据集上,将异常划分为两种类型,并搭建U-Net卷积神经网络架构。经过训练和优化,模型以较高置信水平识别两类异常并使用不同策略自适应修复,过滤噪声并保留原始正常数据。同时模型具有较好的可迁移性,可以为其它种类的流场数据修复提供参考。与POD迭代法和中值滤波相比,神经网络强大的非线性特征具有明显的优势,这种方法不仅修复率高,而且在不同工况下鲁棒性好。