装备系统剩余使用寿命预测技术研究进展

社会的稳定发展离不开制造业的高水平发展，生产是制造业的关键步骤，长期持续稳定的产出依赖于装备系统的稳定运行。系统故障引起的停产势必会造成一定的经济损失。如何尽早地发现装备系统的故障来避免停工停产带来的经济损失，已经成为了当前应用研究中的热点。采用定期人工检查的传统方法不仅提高了生产成本，还使得问题发现较为滞后，达不到实时监控的目的。而且，随着信息技术的高速发展，装备系统的监测也变得更加智能化。利用装备系统的历史数据检测其状态能够更敏捷、更高效地发现装备运行中的“亚健康”问题，能给装备管理者提供有益的决策支持。基于装备剩余使用寿命的数据预测，能够提供高效智能的解决方案，在工业领域有着宽广的应用前景。因此，本文聚焦于装备系统剩余使用寿命预测技术的研究进展，对近年来剩余使用寿命预测的研究进行归纳总结，并讨论各剩余使用寿命预测理论与方法的优缺点。最后，总结并展望装备系统剩余使用寿命预测技术的未来研究方向和发展趋势。     

基于迁移学习的太空台风自动识别

太空台风是极盖区内一种新发现的大尺度亮斑状极光结构，直观表征了地磁平静期的一种堪比磁暴的太阳风能量注入现象，这更新了人们对太阳风–磁层–电离层耦合过程的认识，如何从海量星载极光数据中准确髙效识别出太空台风事件具有重要的科学意义。采用深度学习的方法，通过六种网络模型的对比，最终基于迁移学习和EfficientNetB2网络提出了一种太空台风自动识别方法。在2005-2021年美国国防气象卫星（Defense Meteorological Satellite Program,DMSP）上搭载的紫外光谱成像仪（Special Sensor Ultraviolet Spectrographic Imager,SSUSI）的观测数据中验证了该模型的有效性，识别准确率达到97.7%。研究结果表明，该方法可用于从海量星载极光观测数据中自动识别太空台风事件。     

结合迁移学习基于全卷积神经网络的ISAR自聚焦算法

逆合成孔径雷达（ISAR）成像目标多为非合作目标，在目标相对运动状态未知情况下的运动补偿是ISAR成像的关键。基于全卷积网络（FCN）具有强大的数据抽象特征挖掘和拟合能力，将FCN用于ISAR自聚焦，提出一种结合迁移学习基于FCN的ISAR自聚焦算法。通过构造大量不同相位误差的仿真数据集并进行训练，使FCN具有相位补偿能力，对不同姿态下仿真以及实测数据进行迁移训练，进一步提升平动相位补偿的能力。实测数据处理结果表明，结合迁移学习基于FCN的自聚焦成像效果优于传统类自聚集算法，验证了所提算法的有效性，相比传统方法更具优越性。     

基于迁移学习的小样本目标识别研究进展与展望

在空、天、海等复杂环境下的目标识别任务中，高质量的样本数据往往较少。特别是在干扰对抗环境下，某些特定领域的目标信息获取困难，可靠的标注数据较少。小样本问题对深度学习技术在目标识别任务中的应用提出了新的挑战。迁移学习为小样本不确定环境下的目标识别问题提供了新的研究思路。本文针对小样本目标问题，以机载雷达等空天传感器信息对海面目标识别为例，介绍了迁移学习的主要思路和方法，对迁移学习在海面目标识别问题中的应用现状进展进行了总结；分析和归纳了迁移学习在海面目标识别应用中的主要挑战。最后对可解释性及鲁棒性的海洋目标识别技术需求及未来发展方向进行了展望。     

先驱体转化─热压烧结法制备C_f/SiC复合材料

以Y2 O3-Al2 O3和MgO -Al2 O3为烧结助剂体系 ,研究了烧结助剂体系及其含量对Cf/SiC复合材料密度与力学性能的影响。结果表明 ,以Y2 O3-Al2 O3为烧结助剂时 ,复合材料的力学性能优于烧结助剂为MgO -Al2 O3时复合材料的力学性能。当烧结助剂为Y2 O3-Al2 O3时 ,随着烧结助剂含量的增加 ,复合材料力学性能不断提高 ,断裂韧性在烧结助剂含量为 12 %时达到最大值 14.83MPa·m1/ 2 。进一步增加烧结助剂的含量 ,复合材料的抗弯强度虽有提高 ,但断裂韧性急剧降低。烧结助剂含量超过 15%后 ,抗弯强度也急剧降低。结果同时证明 ,复合材料的断裂行为取决于纤维 /基体间的界面结合强度 ,即纤维 /基体间的界面结合情况是决定纤维增强陶瓷基复合材料力学性能的关键因素     

腺鳞癌转化在肺癌耐药中的功能和机制研究

肺癌是一种高致死率的疾病，具有高度的异质性和可塑性。基于病理学分型，肺癌可分为小细胞肺癌和非小细胞肺癌，后者又可细分为腺癌，鳞癌和大细胞癌。临床上可观察到同一个肿瘤内部混合腺癌和鳞癌(腺鳞癌)，或小细胞肺癌混合腺癌或鳞癌(混合型小细胞肺癌)。其中，腺鳞癌在临床上占非小细胞肺癌的 4%~10%。近几年越来越多的临床案例报道，肺腺癌患者经过化疗、靶向治疗或免疫治疗，肿瘤类型会从腺癌转变成鳞癌，并表现出耐药性。动物模型的研究发现， 肝激酶 B1(Lkb1)缺失会促进小鼠肺腺癌向鳞癌转化，而腺鳞癌是转化过程的中间态。从细胞起源来看，Club 细胞和 AT2 (Alveolar Epithelial Type 2)来源的肺腺癌可以转化成鳞癌。从分子机制来看，肺腺癌向鳞癌转化的过程中，胞外基质重塑以及代谢重编程会导致细胞氧化应激异常，使得活性氧(Reactive Oxygen Species，ROS)水平急剧上升并诱导 p63 上调，最终导致腺鳞癌转化并伴随肿瘤耐药。本综述将总结近年来肺腺鳞癌转化领域的进展并阐述其与耐药的关系，以期为深入理解临床肺癌的可塑性奠定理论基础。     

信息、数据、知识、档案的“情报转化”及延伸

在合理吸收国内外相关研究成果的基础上，构建出信息、数据、知识、档案的“情报转化”模型。指出信息、数据、知识、档案之间的相互转化为“基础转化”,在情报学或情报学基本理论的视角下，四者各自的“情报转化”是“关键转化”,从而显示出情报转化的核心价值。而情报转化为竞争情报、竞争情报转化为国家竞争情报、国家竞争情报转化为大国竞争情报则属于“延伸转化”。     

基于导波-高斯混合模型蒙特卡罗迁移度量的结构损伤定量化诊断方法研究

在线准确定量诊断飞行器结构疲劳裂纹损伤对于保证结构安全、降低维护费用具有重要意义，为了提升复杂服役条件环境下结构损伤定量化诊断的可靠性，本文提出了一种导波-高斯混合模型（Gaussian mixture model,GMM）蒙特卡罗迁移度量的损伤定量化诊断方法。首先建立表征结构不同状态下导波特征概率分布的GMM，再通过大数据随机采样的蒙特卡罗方法计算监测状态GMM相对于基准GMM的迁移距离，该方法在避免了复杂积分计算的同时，能够更准确地计算GMM的迁移距离，实现复杂服役条件下损伤扩展的准确定量化追踪诊断。选取重要飞行器耳片连接结构进行了孔边裂纹监测，有效实现了裂纹定量化监测，结果表明，相比传统的最小匹配迁移距离计算方法，本文提出的方法使裂纹定量化精度提高了29%。     

故障机理与领域自适应混合驱动的机械故障智能迁移诊断

航空发动机的健康稳定对于保障飞行器的安全运行具有重要的作用，针对各台发动机建立具备高准确率的智能诊断模型是飞行器稳定运行的关键。现有故障诊断方法在具备故障数据的条件下能取得较好效果，但实际应用中往往因仅含正常数据，无法实现诊断模型的构建。针对该问题，提出一种故障机理与领域自适应混合驱动的机械故障智能迁移诊断方法，该方法首先依据故障机理和源域数据建立旋转机械故障虚拟样本生成模型，再采用目标域正常数据实现生成模型对目标域的自适应，最后通过虚拟样本训练得到目标域故障诊断模型。采用标准数据集和实验室轴承数据对提出方法进行验证，结果表明，提出方法对不同型号轴承诊断时取得88.61%的平均准确率，相比对比方法高41.22%。     

遥感场景分类的批处理协方差神经网络方法

针对卫星遥感图像场景分类数据集中存在的局部区域特征异常问题，提出一种采用批处理协方差层的神经网络(CovNN)模型进行遥感场景分类的方法。该方法通过计算全输入通道的局部区域均值实现一种3D批处理协方差算法，能够有效消除局部区域均值的影响，从而更好地处理局部光照过强和局部区域存在无关特征的问题。将其应用于存在局部光照异常和局部无关特征问题的卫星采集AID数据集和NWPU RESISC45数据集中，实验表明CovNN在两个数据集上均取得了超过现有卷积神经网络(CNN)的召回率，可有效降低图像局部区域特征异常的不利影响。