基于CNN和LSTM的航天用涂层型自润滑关节轴承寿命预测及可靠性评估

为探索适用于涂层型自润滑关节轴承的寿命预测和可靠性评估方法,提出一种基于卷积神经网络（CNN）和长短期记忆（LSTM）神经网络的轴承剩余寿命预测模型。首先利用CNN对关节轴承的摩擦扭矩信号进行失效特征提取,然后将通过主成分分析（PCA）和滤波处理后的扭矩信号输入LSTM神经网络中进行训练,得到涂层型自润滑关节轴承寿命预测模型,可实现对轴承剩余寿命的准确预测。最后,基于加速寿命试验数据,采用两参数Weibull分布模型对涂层型自润滑关节轴承的服役可靠性进行评估,结果表明涂层型自润滑关节轴承在轻载低频工况下能够维持在高可靠性水平（90%）下进行长时间稳定服役。     

高周疲劳损伤的磁记忆二维检测研究

 对40Cr钢缺口试件在三级应力水平下进行了高周疲劳试验和磁记忆二维检测(2-D MMMT),并引入李萨如图分析方法,研究应力集中、疲劳损伤及疲劳应力对二维磁信号的影响规律,分析李萨如图特征值与疲劳损伤程度之间的关系。结果表明:在应力集中部位会出现磁记忆法向分量过零点及切向分量峰值的现象,并且该现象的位置随着疲劳损伤程度的增加产生漂移,逐渐向缺口根部靠拢;可利用磁记忆信号切向分量梯度K曲线异变峰特征来表征构件损伤位置;磁记忆信号切向分量梯度最大值随疲劳损伤程度的增大而增加;磁记忆信号梯度K曲线形成的李萨如图闭合区域面积与疲劳损伤程度有较好的对应关系。梯度最大值可作为反映构件损伤程度的特征量,根据李萨如图面积可以判断构件疲劳损伤状态。     

卫星通信中有记忆功放预失真研究进展

目前,卫星通信面临频谱资源紧张和功放功率效率低等问题,虽然采用高阶调制方式可缓解资源紧张问题,但信号通过功放时会产生失真,影响通信质量。功率回退法可在一定程度上改善信号的失真,但会导致功放功率效率不高。功放线性化技术是改善信号质量、提高功放功率效率的有效途径之一。针对卫星通信传输面临的问题,简要介绍目前国内外关于功放线性化技术的研究状况,对各种技术的实现原理和主要的技术手段进行介绍和总结,分析其优缺点;同时,介绍了为提高精度而融合多种预失真技术的预失真算法应用情况;并针对高峰均比等特殊信号,概述了目前信号预处理技术和预失真技术的联合使用情况。最后,指出预失真技术未来的发展方向。     

时滞BAM神经网络周期解的存在唯一性

研究了一类具有变系数及状态依赖时滞或分布时滞的BAM神经网络模型的周期解存在唯一性问题,利用不动点定理获得了周期解的存在唯一性条件,并应用数例说明结论的有效性。     

构件隐性损伤的磁记忆检测方法研究

构件的隐性损伤是影响其可靠性的重要因素，但因为没有形成明显的物理不连续而难以得到及时的检测。本文研究了采用金属磁记忆检测技术检测构件的隐性损伤的机理。通过试验发现，金属磁记忆检测技术可以较好地检测构件的隐性损伤，实现损伤的早期诊断。构件中存在隐性损伤的区域的导磁性能发生变化．这一变化可以通过磁场参数的相应改变而显示。与其他无损检测方法相比，该方法可以更早地发现损伤区域，检测过程速度更快，并且不需要对构件的表面作更多的处理，如清洗，除渣等。金属磁记忆检测信号易受环境的影响，文中提出了减少干扰的初始磁化方法，并分析了不同栽荷作用过程对金属磁记忆检测信号的影响。     

基于金属磁记忆技术的18CrNi4A钢缺口试件疲劳损伤模型

对18CrNi4A钢缺口试件进行了疲劳试验和磁记忆检测,研究了磁信号在疲劳过程中的变化规律,基于连续损伤力学理论,采用磁信号特征参量作为损伤参量,提出了一种新的18CrNi4A钢缺口试件疲劳损伤模型。结果表明,在稳定循环阶段,磁信号随疲劳循环周次增加无显著改变,疲劳裂纹萌生后,磁信号逐渐增加,并在断裂后发生激变。磁信号特征参量绝对值在疲劳过程中表现为三阶段变化特征,随疲劳损伤程度的加剧而逐渐增加。磁信号特征参量绝对值与应力水平存在强烈的相关性,应力水平越大,其值越大。疲劳损伤试验结果与基于磁信号特征参量的疲劳损伤模型显示的疲劳损伤演变规律符合较好。     

基于LSTM循环神经网络的故障时间序列预测

有效地预测使用阶段的故障数据对于合理制定可靠性计划以及开展可靠性维护活动等具有重要的指导意义。从复杂系统的历史故障数据出发,提出了一种基于长短期记忆（LSTM）循环神经网络的故障时间序列预测方法,包括网络结构设计、网络训练和预测过程实现算法等,进一步以预测误差最小为目标,提出了一种基于多层网格搜索的LSTM预测模型参数优选算法,通过与多种典型时间序列预测模型的实验对比,验证了所提出的LSTM预测模型及其参数优选算法在故障时间序列分析中具有很强的适用性和更高的准确性。      

基于长短时记忆神经网络(LSTM)的钟差预报算法

原子钟钟差预报在原子时计算和原子钟频率驾驭中发挥着重要的作用。长短时记忆神经网络（LSTM）预报算法能够处理多参数长期依赖关系的时间序列预报,以氢钟和铯钟实测数据为样本,通过构建LSTM钟差预报模型,降低了长期原子钟内部噪声以及原子钟漂移对钟差预报的影响,并以72h,240h和720h为预报时长,分别与线性多项式模型、灰色模型和Kalman模型原子钟钟差预报模型进行预报误差对比。研究表明,在240h以上的预报时长中,LSTM建模长期依赖关系的优势得以体现,相较于其他3类模型可以获得更高的预报精度。     

基于自编码器和LSTM的模型降阶方法

自编码器是一种有效的数据降维方法,可以学习到数据中的隐含特征,并重构出原始输入数据.本文提出了一种基于多层自编码器和长短期记忆网络的模型降阶方法,以提升降阶模型的精度.文中以二维圆柱绕流为例,对该方法进行了分析与验证.首先用多层自编码器对原始数据进行降阶和特征提取,然后构建基于长短期记忆网络的预测模型,最后将自编码器和...     

基于迁移学习的航天器遥测数据异常检测技术

航天器遥测数据异常检测是识别航天器状态、保障航天器安全可靠运行的关键技术.然而,航天器遥测数据异常检测通常面临时序数据维度大、异常不平衡、标签样本缺乏等问题.基于数据预测的异常检测思想,提出一种基于迁移学习的深度异常检测模型.根据遥测数据时序相关性强的特点,采用具有注意力机制的长短期记忆网络建立遥测数据预测模型.为了克服航天器遥测数据异常标签少、数据维度高的问题,采用微调的迁移学习方法对预测模型进行优化,同时采用全连接层统一不同数据集维度,从而提高了迁移学习模型精度,提升异常检测水平.以美国宇航局公开的两个航天器数据集为实验对象,利用提出的异常检测方法对该数据集异常状态进行识别,结果表明,与经典异常检测算法相比,引入迁移学习能明显提升模型性能,实验结果优于目前常见的异常检测模型,证明了方法的有效性.