Intrinsic component filtering for fault diagnosis of rotating machinery

Fault diagnosis of rotating machinery has always drawn wide attention. In this paper, Intrinsic Component Filtering (ICF), which achieves population sparsity and lifetime consistency using two constraints: $l_{1/2}$ norm of column features and $l_{3/2}$ -norm of row features, is proposed for the machinery fault diagnosis. ICF can be used as a feature learning algorithm, and the learned features can be fed into the classification to achieve the automatic fault classification. ICF can also be used as a filter training method to extract and separate weak fault components from the noise signals without any prior experience. Simulated and experimental signals of bearing fault are used to validate the performance of ICF. The results confirm that ICF performs superior in three fault diagnosis fields including intelligent fault diagnosis, weak signature detection and compound fault separation.     

SiC/SiBCN-Si3N4复合材料力学性能研究

为了深入了解SiC/SiBCN-Si₃N₄材料微观形貌与高温力学行为,建立科学可靠的定量表征方法,本文使用多种表征手段对SiC/SiBCN-Si₃N₄材料进行定量观测,首先进行材料孔隙率及密度的测试,随后进行材料高温原位力学性能测试并对材料损伤机理进行了分析,最后基于试验数据构建了一种可解释的深度学习模型,实现了材料高温非线性本构关系预测。样件力学性能分析结果表明：平均应力预测误差为0.27%~0.59%、平均应变预测误差为1.96%~3.41%;同时通过量化分析明确了影响力学性能的因素依次为温度、偏轴角度、孔隙率及密度。本文实现了不同环境温度、偏轴角度与外载荷作用下SiC/SiBCN-Si₃N₄宏观力学性能的预测,可为陶瓷基复合材料高温本构模型的建立提供新思路。     

一种新的联想记忆系统及其学习收敛性

提出了一种新的联想记忆系统--基于牛顿前向插公式的联想记忆系统(NFI AMS),用以实现在任意阶多变量多项式函数的高精度逼近,设计了相应的学习方法,并证明了在通常情况下对于任意多变量连续函数,NFI-AMS的学习总是以任意精度收敛的.该系统较之传统的CMAC类型的AMS,具有所需供学习的样本点较少,学习精度高和存储单元空间较小的优点,且比多层BP网络具有学习算法简单和收敛速度快的特点,可望在智能控制与信号处理,模式识别中得到应用.     

基于深度学习的雷达辐射源识别算法

为解决雷达辐射源识别中特征提取困难、低信噪比条件下识别效率低的问题,提出了一种基于一维卷积神经网络和长短期记忆网络的深度学习智能识别算法,构建了一个CNN-LSTM网络,能实现对不同脉内调制方式雷达辐射源的端到端识别.该网络首先利用卷积层学习信号局部特征,然后将卷积层输出的结果输入长短期记忆网络,学习信号的全局特征,最...     

遥感影像弱小目标智能解译算法研究

随着遥感技术的快速发展,光学遥感影像弱小目标智能解译成为遥感信息处理的研究热点之一。遥感影像的地物目标常具有尺度小、种类多、数量大、部分重点小目标移动速度快的特点,易受到复杂背景环境及噪声影响,使得提取遥感影像弱小目标的信息面临着巨大的挑战。早期智能解译算法中的弱小目标分割、检测及跟踪等算法研究,多依赖模板匹配及先验知识,此类算法需耗费大量资源、算力及专家知识成本,存在着计算量大、泛化能力差的问题。近年来,随着深度学习等人工智能技术的快速发展,在海量遥感数据中准确获取弱小目标的信息,通过结合深度学习算法可对弱小目标的特征进行快速提取,以提供高效、准确的解译信息。本文综述了遥感影像弱小目标智能解译算法研究进展,包括基于传统图像处理方法的弱小目标分割、检测和跟踪算法,以及基于深度学习等典型相关算法。通过分析这些方法的优点与局限性,对于提高相关目标的信息获取能力、提升观测的态势感知水平以及未来应用等方面具有重要意义。     

高分七号卫星总体设计与技术创新

高分七号卫星(GF-7)是中国自主研制的首颗1∶1万比例尺立体测绘卫星, 是国家高分辨率对地观测系统重大专项的重要组成部分。卫星围绕“双线阵相机与激光测高仪主被动复合测绘”的新体制,形成了高精度内/外方位元素稳定性设计、高精度姿态稳定控制、首个X频段自适应高速率数据传输系统、星上智能星务管理系统等一系列关键技术和创新点,实现了少控制点或无控制点区域的大比例尺立体测绘能力。介绍了卫星的总体设计情况,总结了观测体制、高精度载荷、姿态控制、高速数传、智能星务等技术创新点,通过卫星在轨初步测试结果进行了评价,认为卫星能够满足1∶1万测绘任务的要求。     

基于Faster R-CNN的精密零部件的识别方法

在航空航天领域中,惯性陀螺等精密器件装配精度要求较高,目前大多采用人工装配的方法,装配效率低、装配过程受人主观影响大。针对上述存在的问题,采用基于Faster R-CNN模型的目标识别算法,通过VGG16特征提取网络提取特征信息,在模型训练过程中利用COCO数据集的深度网络模型进行迁移训练,防止模型过拟合并加速参数的训练过程。同时,该方法还与其他深度学习模型以及传统的目标识别算法进行了对比,在自建的数据模型测试集上进行试验。结果表明,基于VGG16的Faster R-CNN目标识别模型在复杂环境及物体发生遮挡的情况下对于惯性陀螺的识别具有明显的优势,准确率可达到87.80%,召回率80.30%,识别速度可达到15FPS,能够满足实时性要求。     

非结构化数据的多粒度集成分类方法

深度学习模型已经在文本和图像等分类任务上取得了不错的效果,然而深度学习模型很难为分类结果提供可解释性。本文提出一种非结构化数据的多粒度集成分类方法,与其他学习方法相比,多粒度集成分类方法能够保留数据的上下文信息。在多粒度集成分类方法中,数据被划分成不同的粒度,用于训练不同的基学习器,这些学习结果为集成模型最后的分类提供了可解释性。基学习器根据它们在验证集上的精度被赋予不同的权重,从而构造出一个较好的集成学习器。在实验中,本文验证了所提出模型在3种非结构化数据类型（文本、医学图像和时间序列）上的有效性。实验结果表明, 本文的模型比现有的基准方法简单,具有较好的分类精度,并且能够为数据的分类提供可解释性。     

我国可持续发展的瓶颈因素及实现机制

可持续发展是全球各国热切关注的问题。我国人口众多,人均资源短缺,科学技术相对落后,在经济建设中更应积极走可持续发展之路。我国作为一个发展中国家,有许多因素制约了可持续发展战略的实现,这些因素可以归纳为人口、制度、资源三大瓶颈。要解决制约我国可持续发展的瓶颈因素,切实实现可持续发展战略,要建立健全四大机制：经济机制、政治机制、社会机制与技术机制。     

智能故障诊断方法的研究和展望

在综合大量智能故障诊断技术和方法文献的基础上,对目前国内、外智能故障诊断技术的发展和应用进行了总结,并指出了不同的智能故障诊断方法的特点,最后对智能故障诊断技术的发展方向进行了展望。