基于卷积神经网络技术的直升机旋翼谱识别方法

针对直升机雷达回波在时频二维分布图上的分布特性,提出一种基于卷积神经网络技术的直升机旋翼谱识别方法,实现了直升机旋翼谱与其他类型目标的区分,从而有效识别直升机。当雷达工作在低重复频率(LPRF)时,直升机旋翼回波在时频分布图上呈现明显的扩展特征。通过仿真与实测数据分析,表明该特征与其他目标回波在频率维分布特性存在较大差异。利用卷积神经网络中的卷积核技术,将实测数据与卷积核矩阵进行二维卷积运算,依据输出矩阵实现了直升机旋翼谱的识别。利用实际采集的直升机回波数据进行验证,证明该方法是有效的,可应用于各种采用脉冲多普勒工作体制的雷达系统。     

基于深度学习算法的极化合成孔径雷达通用分类器设计

地物分类是PolSAR(极化合成孔径雷达)的重要应用方向。传统算法需要基于特定数据人工选取特征和设计分类器,而深度学习算法能够自行从海量数据中提取层次化特征。在深度学习算法总结的基础上,结合深度学习和PolSAR大数据,提出了一种高效率、高精度的通用分类器设计方法。使用人工标记的数据训练CNN(深度卷积网络),自动化地进行特征学习和提取,并实现高精度的地物自动分类。在具有不同分辨率的机载和星载PolSAR数据上对通用分类器进行测试,都能快速、准确地分类。研究成果可快速将PolSAR数据转译为更直观的地物分类结果,对海量数据,特别是GF-3卫星PolSAR图像的利用有一定的辅助价值。     

基于深度卷积神经网络的遥感影像目标检测

随着遥感影像数据规模的快速扩张,如何高效准确地识别遥感影像中的典型目标成为当前的研究热点。为解决传统遥感影像目标检测方法准确率低的问题,用基于深度卷积神经网络进行遥感影像目标检测,在遥感影像数据集上用基于Faster-RCNN的神经网络模型对VGG16卷积网络进行训练,对输入的遥感影像通过区域推荐网络标注出待检目标的包围框和置信度,实现对遥感影像的目标检测。以飞机和油罐为例,在TensorFlow深度学习框架下实现了数据预处理、网络训练、目标检测等功能,并在当前测试数据集上取得了较高的检测准确率和置信度。该研究成果可应用于遥感影像解译和处理等相关领域。     

超视距雷达探测高超声速飞行器可行性分析

在前期开展再入飞行器RCS（雷达散射截面）特性试验和理论研究的基础上,对典型临近空间高超声速飞行器RCS特性开展了研究,分析了绕流和尾迹对飞行器本体RCS特性的影响。研究表明等离子体流场在头身部绕流、近尾尾迹和部分远尾尾迹的最大电子密度将远高于电离层最高电子密度,更高于典型天波超视距雷达工作频段对应的临界电子密度。因而等离子体尾迹将会对3~30 MHz频段电磁波产生较强的散射,使得等离子体尾迹的RCS远远大于飞行器本体的RCS。利用临近空间高超声速飞行器尾迹RCS的这一特点,有可能实现对临近空间高超声速飞行器的超视距探测。     

对失控翻滚目标逼近的神经网络自适应滑模控制

针对失控航天器在空间中自由翻滚的情况,研究追踪器对失控翻滚目标逼近的位置和姿态六自由度耦合控制问题。建立追踪器与目标器相对运动的姿轨一体化动力学模型,设计追踪器逼近过程的标称轨迹和标称姿态。综合考虑系统不确定性和外部干扰,设计无抖振的神经网络自适应滑模控制器。将滑模控制与神经网络逼近相结合,采用径向基函数(RBF)神经网络对系统未知部分进行自适应逼近。由Lyapunov方法导出神经网络自适应律,通过自适应权重的调节保证整个闭环系统的稳定性。数值模拟实例说明了所设计的标称轨迹和标称姿态的合理性,同时验证了神经网络自适应滑模控制器的有效性。     

关于提高运营故障数据处理和利用效率的方法研究

某型飞机作为国产民机运营的探路者和先行者,在积累运行经验同时,也暴露出日利用率低(某型机队日利用率仅为空客机队的三分之一)、使用困难和机队重复故障多(空客机队重复故障为零,某型机队重复故障为两位数)、部分故障得不到及时有效的回复等问题。这些问题的存在有飞机设计可靠性的原因,但同时也反映出运营支持能力的不足,而其中运营数据处理的能力又是运营能力的核心体现。通过对运营故障数据的标记和分析,提高故障数据处理效率,为型号的设计优化提供支持和检验,从而大幅提升国产民机的运营支持能力,以提高飞机的商业竞争力。     

航空发动机转子系统主动抑振控制方法研究

现代先进航空燃气涡轮发动机均不断追求高性能,高可靠性设计,在初始结构设计时,常由于布局构型不合理迫使对结构改型,不仅大大延长了设计周期,而且往往造成费用的超额支出。采用多种现代控制理论结合的综合控制方法,通过对主动控制器的设计,从而实现对航空发动机转子系统的临界转速裕度、不平衡量敏感性以及快速衰减瞬态振动等的综合力学性能的改善。仿真表明,通过主动抑振控制器设计,可以大幅度提高转子系统的抑振能力,有效提升转子系统的可靠性和安全性,可以为航空发动机转子结构减振的主动控制策略提供参考。     

基于ACMPE、ISSL-Isomap和GWO-SVM的行星齿轮箱故障诊断

针对从行星齿轮箱非线性、非平稳振动信号特征提取困难的问题,提出了一种基于自适应复合多尺度排列熵(ACMPE)、改进监督型自组织增量学习神经网络界标点等度规映射(ISSL-Isomap)和灰狼群优化支持向量机(GWO-SVM)相结合的行星齿轮箱故障诊断方法。利用ACMPE从复杂域提取振动信号的故障特征,构建高维故障特征集;采用ISSL-Isomap方法对高维故障特征集进行维数约简,提取出低维、敏感故障特征;应用GWO -SVM分类器对低维故障特征进行模式识别,判断故障类型。行星齿轮箱故障诊断实验结果分析表明:与多尺度排列熵(MPE)、复合多尺度排列熵(CMPE)等特征提取方法相比,ACMPE方法在分类效果和识别精度上更具优势;与局部切空间排列(LTSA)、等度规映射(Isomap)、加权Isomap(W-Isomap)、监督Isomap(S-Isomap)和监督型自组织增量学习神经网络界标点Isomap(SSL-Isomap)等降维方法进行比较,ISSL-Isomap方法降维效果最佳;所提方法的故障识别率达到100%,具有一定优越性。      

气动推力矢量无舵面飞翼的飞行实验

为实现对无舵面飞翼姿态的控制,针对基本型旁路式双喉道气动推力矢量喷管提出了“单发倒Ⅴ双喷管”布局。随后对该布局的喷管进行测力实验,并且最终将其安装在飞行器上进行了成功试飞,并对采集到的飞行数据进行了分析。结果表明:喷管矢量角随喷管阀门开度基本呈线性变化,且无滞回性;安装该布局喷管的飞行器可以不通过舵面控制,仅仅依靠旁路式双喉道气动推力矢量喷管即可有效地控制飞行器姿态;对于所研究的飞行器,在滚转机动性方面,矢量控制与舵面控制效果相近,而对于俯仰机动性,矢量控制效果较弱;后续如果使用该布局喷管控制飞行器姿态时,应当增大两个喷管之间的夹角,将更适用于飞翼布局飞行器的操纵。      

基于机匣信号的滚动轴承故障卷积神经网络诊断方法

针对在滚动轴承故障激励下的机匣微弱故障特征,提出了基于卷积神经网络(CNN)的故障诊断方法。利用矩阵图法、峭度图法以及小波尺度谱法3种振动信号的预处理方法,将一维原始信号转换为图像信号;利用卷积神经网络对故障进行识别。通过比较分析发现:通过连续小波尺度谱更易提取滚动轴承的故障特征,其故障识别率达到95.82%,均高于其他几种振动信号预处理方法;由于卷积神经网络可以利用深层网络结构自适应地提取滚动轴承故障特征,比传统支持向量机(SVM)方法的故障识别率高约7%。结果证明了该方法的有效性与可行性,且具有较好的泛化能力和稳健性。