基于自适应代理模型的结构动力可靠度分析方法

结构动力可靠度分析对于衡量结构的安全状态和工作性能具有重要的指导意义。采用一种同时考虑 动态激励载荷和材料力学性能参数随机性的动力可靠度计算高效方法,通过建立不确定性材料力学性能参数 与条件动力可靠度之间的 Kriging代理模型,推导动力可靠度的解析表达式;提出一个新的学习函数来构建自 适应的 Kriging代理过程,通过复合材料飞行器蒙皮骨架结构在随机振动载荷和随机材料力学性能参数共同作 用下的动力可靠度分析对所提方法的准确性与高效性进行验证。结果表明:所提方法不仅能够避免使用代理 模型对动力可靠度求解时由于使用数值积分所引入的误差,同时能够使用尽可能少的计算成本获得准确的动 力可靠度结果。     

基于局部几何特征的稠密点云配准方法

针对现有的稠密点云配准方法依赖初始位置设定、计算成本高、配准成功率不高等问题，提出了一种基于点云局部几何特征的稠密点云配准方法。采用深度卷积网络模型提取点云的局部几何特征，从而减少了三维点云数据的噪声、低分辨率和不完备性等带来的影响。在此基础上，使用K维树搜索完成局部几何特征描述子的关联工作。最后，通过随机采样一致算法对点云的相对位姿进行鲁棒的估计。通过对开源数据集上5个典型场景中的数据测试表明，该方法的配准成功率达到92.5%，配准精度达到0.0434m，配准时间相对最邻点迭代配准算法缩短了74.7%，实验结果验证了该方法的有效性、实时性和鲁棒性。     

基于深度神经网络的粒子图像测速算法

粒子图像测速(PIV)作为一种流体力学实验技术,能够从流体图像中获取全局、定量的速度场信息。随着人工智能技术的发展,设计用于粒子图像测速的深度学习技术具有广泛的应用前景和研究价值。借鉴在计算机视觉领域用于运动估计的光流神经网络,采用人工合成的粒子图像数据集进行监督学习训练,从而获得适用于流体运动估计的深度神经网络模型,并且能够高效地提供单像素级别分辨率的速度场。文中采用人工合成的湍流流场粒子图像进行初步实验评估,并讨论PIV神经网络的隐藏层输出和内在原理,同时将训练而成的深度神经网络模型与传统的相关分析法、光流法对比;随后进行射流流场测速实验,验证深度神经网络PIV的实用性。实验结果表明,文中提出的基于深度神经网络的粒子图像测速在精度、分辨率、计算效率上具有优势。     

基于改进SSD的舰船目标精细化检测方法

以SSD为代表的主流深度学习方法在目标检测领域取得了显著的成绩,但由于该类方法只能以矩形框给出目标的概略位置,检测结果具有很大的背景冗余区域,特别是港口密集停泊的舰船在图像中会出现区域重叠,导致误检和漏检。针对以上问题,提出了一种具有旋转不变性的舰船目标精细化检测方法,该方法综合利用可变形卷积、可变形池化、旋转的边框回归和旋转的非极大值抑制等模块的优点,借鉴MobileNet架构对网络加速,通过学习密集区域目标的几何形变,有效预测目标的旋转角度,最终以旋转的矩形框给出目标的位置。实验结果表明,该算法可实现多类舰船目标类型区分和目标朝向判定的功能,有效地解决了实际应用中的目标精确定位定向难题,提高了自动目标识别的精确性,并满足工程应用的实时性要求。     

基于深度学习的混合翼型前缘压力分布预测

提出了一种基于深度学习的混合翼型前缘压力分布预测方法,通过对翼型几何特征提取、压力分布曲线的参数化,建立了卷积神经网络模型（CNN）,并利用计算流体力学（CFD）的计算结果作为其训练样本,实现对混合翼型前缘压力分布的预测。结果表明:两种方法计算结果的拟合优度大于0.98,基于深度学习的计算方法耗时1.7 s,CFD方法耗时大于50 s,计算时间大大缩短。该方法能够在满足计算精度的条件下提高计算效率并可应用于其他的翼型设计过程。      

卷积神经网络和峭度在轴承故障诊断中的应用

针对传统智能诊断方法依靠专家知识和人工提取数据特征工作量大的问题,结合深度学习方法在特征提取和处理大数据方面的优势,研究了一种基于卷积神经网络和振动信号峭度指标的滚动轴承故障诊断方法。该方法将深度学习应用于轴承故障诊断,提取滚动轴承正常状态、内圈故障、外圈故障和滚动体故障4种状态的振动信号,将振动信号分段处理得到峭度指标,使用数据到图像的转换方法将峭度指标转换为灰度图,送入卷积神经网络模型完成故障分类。在进行滚动轴承故障诊断的实验时,所提的模型诊断准确率达到99.5%,高于传统支持向量机(SVM)算法的95.8%。      

基于优化智能网络的发动机推力指令模型

针对航空发动机性能退化缓解控制中推力指令模型输入量有限问题,提出1种双智能网络串联的推力指令建模方法.其中子模型Ⅰ采用BP网络映射与推力密切相关的气路参数,其输出作为子模型Ⅱ的输入;子模型Ⅱ采用优化极端学习机(ELM)算法,输出为额定发动机推力,并以此推力为性能蜕化缓解控制指令.为了减小ELM网络规模,提高推力指令模型实时性,采用微分进化算法(DE)优化ELM初始网络参数.数字仿真验证表明:各飞行包线内推力指令模型预测值最大相对误差小于4‰,远优于单一神经网络最大8.17％和单一极端学习机最大14.5％的误差,模型推力指令计算时间仅需0.64ms,实时性好,验证了该推力指令模型的有效性.     

涡扇发动机气路传感器故障诊断

为了实现对某涡扇发动机传感器故障的在线诊断,提出并设计了1种基于在线贯序极端学习机的故障诊断算法。其核心思想是在定位某传感器故障后,在线建立针对该故障传感器"预学习"的信号重构算法,解决多故障混叠问题。在线信号重构算法以泛化能力指标为判定条件,利用选择策略对算法网络权值进行选择性更新,提高了故障诊断系统的实时性。以某型涡扇发动机为对象开展了传感器故障诊断与重构仿真,结果表明:该算法能够对发动机单、双传感器故障进行准确地诊断与信号重构,且具有良好的实时性。     

基于深度学习的航空器异常飞行状态识别

飞行设备快速存取记录仪(Quick Access Recorder,以下简称QAR)保留了原始航班各类重要飞行参数在内的航行信息,使研究分析航空器实时状况和保障飞行质量成为可能。针对QAR数据高维大样本的特点,在如今大数据背景下,除了传统机理建模分析航空器飞行状态外,采用深度学习的方式建立基于数据驱动的航空器飞行状态识别模型,理论与实用意义兼具。通过对真实QAR飞行数据的研究,开发了基于深度稀疏受限玻尔兹曼机的异常飞行状态识别程序。首先利用小波降噪技术对原始飞行数据进行预处理清洗,在一系列典型飞行参数上提取经典时域特征以及小波奇异熵等信息熵特征构成特征集。在此基础上,分别利用经典的线性主元分析技术和深度稀疏玻尔兹曼机对特征集进行有效降维,最后采用四折交叉验证方式,通过高斯过程分类器实现对飞行状态的辨识。实验结果显示,基于深度受限玻尔兹曼机-高斯过程分类的飞行状态识别具有较高分类准确性。     

深度自编码观测器飞机操纵面快速故障诊断

为了避免扩展多模型自适应估计故障诊断方法中的雅克比矩阵计算,解决飞机精确模型难以获得的问题,降低在线故障诊断的计算量,提出了一种基于深度自编码观测器的飞机操纵面快速故障诊断方法.基于离线训练、在线估计的思想,采用量测的飞行数据训练得到不同故障下的飞机模型,代替扩展多模型自适应估计方法的卡尔曼滤波器进行状态估计;基于基础自编码器的隐层节点数选取经验公式,推导了两种深度自编码器的隐层节点数选取的递推公式.仿真结果表明,该方法无需精确的飞机模型,故障诊断速度快、精度高.