加速退化试验测量不确定度评定方法

受测量分散性、仪器误差等因素影响，加速退化试验中存在测量不确定性问题。提出了加速退化试验测量不确定度的传播与评定方法，以提高试验评估结果的准确性和可信性。首先，介绍了加速退化试验中的测量不确定度来源，并结合维纳过程加速退化模型参数估计过程分析了测量不确定度的传播效应；其次，分别利用测量不确定度指南评定法（GUM）和蒙特卡洛法，量化评定了加速退化试验中性能观测数据测量不确定度对正常应力水平下产品可靠性评估结果的影响；最后，采用某型空间用高分子传感器案例对本文所提方法进行验证，并针对2种方法的估计结果进行了对比分析，验证了所提出方法的有效性。     

复合材料的智能化修理

<正>嵌入式传感器监控技术正在为复合材料修理带来新变革。随着复合材料结构在各种新机型中所占的比例越来越大、发挥的作用越来越重要,如何保证修理后重新投入运营的复合材料结构的健康状况已经成为维修业必须面对的课题。在研究修理后复合材料结构的原位检测方法时,基于传感器的结构健康监控技术进入了研究人员的视野。位于法国巴黎的GMI Aero公司自成立以来,一直从事复合材料结构修理研究。尽管刚开始主要以设计复合材料制造设备和过程控制设备为主,但后来     

视觉与惯性融合的多旋翼飞行机器人室内定位技术

随着人工智能技术的发展，无人机的应用场景趋向多元，人们对无人机的需求也不仅仅满足于简单的飞行任务，而是赋予其飞行机器人的角色，对其自主导航、复杂环境下的定位以及智能协同方面提出了更高的要求。针对室内场景下的定位需求，融合视觉与惯性数据实现了多旋翼飞行机器人的室内定位。在视觉前端加入图像增强算法以提高图像灰度对比度，减少了光流跟踪的误匹配点数。提出了一种基于图像信息的特征点提取和图像帧发布策略提高了定位精度，解决了室内环境下的定位漂移问题。针对飞行机器人室内自主跟踪及降落任务，设计了基于视觉定位的飞行机器人自主降落系统。在Gazebo中搭建飞行机器人模型仿真验证自主降落系统有效性，在EuRoC数据集下对定位算法进行对比评估，搭建飞行机器人平台在真实场景下进行室内定位实验，完成了室内场景下平台自主跟踪及降落任务，并采用运动捕捉系统获取的定位真值数据进行了误差分析，结果表明该定位技术满足室内场景下的自主跟踪及降落任务需求。     

基于改进的卷积神经网络的步态识别

为了提高惯性传感器采集到的序列数据中步态识别的准确率,建立了一个激励层改进的卷积神经网络(CNN)模型。针对三轴加速度传感器对运动太过敏感导致步态周期划分不准确的问题,采用加速度传感器与弯曲度传感器组合获取人体运动信息。将CNN模型中激励层的线性整流函数(ReLU)改进为带泄露线性整流函数(Leaky ReLU),以解决遇到卷积输出数据小于0时神经元被抑制的问题,进而达到提高步态识别准确率的目的。实验结果表明激励层优化的CNN模型在行走、上下楼和上下坡五种步态模式下识别率达到了95.79%,与未采用弯曲度传感器的改进CNN模型和未进行激励层改进的CNN模型相比,步态识别率有所提高。     

民机维修任务分析的人因可靠性预测模型

人为因素作为人机关系中的重要环节,是影响民航安全的关键因素。定量分析机务人因可靠性水平对于减少无意识犯错、保障飞行安全具有重要意义。根据NASA建议开发出一套THERP+CREAM结合的模型,针对民航特点对THERP数据表进行优化处理,采用模糊贝叶斯网络与CREAM结合的方法确定机务维修人员的认知控制模式,利用平均权重因子将THERP的预测值嵌入CREAM,实现两代方法的结合,以提高机务人因可靠性预测的精度。研究结果表明：通过对某航空公司某维修小组的调查,证实了所提的THERP+CREAM预测模型能够较好地预测机务人因可靠性水平,实现了依据维修手册中的维修任务,即可进行人因可靠性分析,为研制单位维修任务分析中的人素分析提供了一个定量评估方法。     

基于卷积双向长短期记忆网络的轴承故障尺寸估计

基于振动监测数据的航空发动机滚动轴承损伤大小识别,对于研究滚动轴承故障演化、故障预测和故障诊断具有重要意义。针对传统模型对先验知识依赖性高、特征提取不充分、故障尺寸训练类别有限等问题,提出了一种基于深度学习的滚动轴承损伤尺寸预计方法,能够对训练过程中未出现的中间尺寸进行准确识别。在经典模型的基础上,搭建了一种深度卷积网络与长短期记忆网络组合模型,该模型可对轴承振动信号的多维特征与时序特征进行充分提取,实现轴承故障的智能和高效诊断。最后,利用滚动轴承加速疲劳试验机,进行了多种转速与损伤尺寸下的滚动轴承故障试验,基于试验数据进行了方法的比较,结果表明,该组合网络的在正常和加噪的情况下预测精度分别达到99.94%和98.67%,较单独的深度卷积网络、长短期记忆网络及其他模型精度更高,比较结果充分表明了本文所提方法的优越性。     

基于多模型的航空发动机传感器混合故障诊断方法

本文在多模型架构下,提出一种航空发动机传感器在线混合故障检测与隔离算法。利用长短期记忆网络逼近航空发动机建模误差、健康参数变化、过程噪声和测量噪声等不确定性源引起的真实发动机与机载模型之间的偏差。将传感器测量输出与不确定性值的偏差用于一种基于多模型的混合卡尔曼滤波器组算法中,利用贝叶斯方法计算每个传感器在健康模式和不同故障模式下的条件概率,然后根据最大概率准则进行传感器故障检测与隔离,克服了阈值难以选取的问题。针对某型涡扇发动机传感器发生偏置故障、漂移故障和间歇性故障的情形进行仿真验证,并对比了不同传感器之间的检测与隔离精度。结果表明：所提出的方法可以在更高水平的退化下诊断出发动机传感器常见的故障,混合方法对不同不确定性源具有鲁棒性。