基于频谱法与神经网络的航空起动发电机的故障检测与诊断

应用频谱法对航空直流起动发电机发电状态进行故障检测与诊断。采用对电机的电枢纹波电流信号进行频谱分析,提取该信号在频率域特征量,将频谱特征向量作为学习样本,通过训练,使神经网络能够反映频谱特征向量和故障类型的映射关系,从而达到故障检测与诊断的目的。电机故障实验和分析表明,与常规方法相比,频谱分析与神经网络相结合的方法进行实时检测和诊断具有简单、有效等优点。     

对特定传感器故障敏感的最优奇偶向量检测与隔离方法

 提出了一种利用对特定传感器故障敏感的最优奇偶向量进行故障检测与隔离的方法。主要思想是设计一个性能指标函数，使得最优奇偶向量对被检测的传感器故障最敏感，而对其余传感器故障和未知输入不敏感。与常用的广义似然比方法相比，该方法明显地提高了故障的检测能力，此外，对故障的隔离效果也更好。     

一种建立航空发动机状态变量模型的新方法

本文提出了一种用于建立航空发动机状态变量模型的新方法—拟合法：即用发动机部件级模型在稳态工作点处的非线性动态响应数据拟合该点处的小偏离状态变量模型。并应用这种方法建立了某型涡扇发动机在高空稳态工作点处的小偏离状态变量模型,以及地面加速过程的大偏离状态变量模型。通过动态仿真研究,可以看出：与偏导数法比较,拟合法明显提高了建摸精度。     

基于定性和定量关系的液体火箭发动机故障诊断

针对定性故障诊断系统的固有缺陷，利用模糊数学知识，在符号有向图上加入定量信息，形成定性定量模型，通过计算和比较被诊断模式对已知故障类型的模式的隶属度来确定系统的故障。该方法比较充分地利用了系统被监测参数的数值资源，对故障模式具有较强的识别和区分能力。     

TECHNIQUE USED INDETECTING EXTRANEOUS HARMONICS FOR VARIABLE SPEED CONSTANT FREQUENCY（VSCF）POWER SUPPLY

ＴＥＣＨＮＩＱＵＥ　ＵＳＥＤ　ＩＮＤＥＴＥＣＴＩＮＧ　ＥＸＴＲＡＮＥＯＵＳ　ＨＡＲＭＯＮＩＣＳ　ＦＯＲ　ＶＡＲＩＡＢＬＥ　ＳＰＥＥＤ　ＣＯＮＳＴＡＮＴ　ＦＲＥＱＵＥＮＣＹ（ＶＳＣＦ）ＰＯＷＥＲ　ＳＵＰＰＬＹＬｉｕＸｉａｎｇ；ＤａｉＪｕｎ（Ｎａｎｊｉｎ...     

检测滤波器在FADEC系统传感器FDI中的应用研究

研究将检测滤波器应用于全权限航空发动机控制系统(FADEC)的传感器故障检测和隔离(FDI).完整设计了针对于某型FADEC系统传感器的检测滤波器系统, 然后利用非线性发动机模型进行了仿真。数字仿真结果表明, 检测滤波器是十分有效的。      

基于重构算法的一种微弱目标检测后处理方法

 重点研究了形态学重构算法在微弱目标检测和跟踪中的应用,主要体现在对原始图像的背景估计过程和检测后处理过程。对于经过背景估计和二值化后的图像,若直接进行跟踪算法,由于虚警点数目太多,会严重影响跟踪算法的效率,同时也给跟踪结果造成了负面效应。因此,考虑在二值化之后,跟踪之前,引进后处理过程,以消除虚警点。在已知目标大致尺寸的情况下,选用不同的两个标记重构,同时消除小于目标的虚警点和大于目标的虚假目标。     

低信噪比图像目标检测技术研究——Ⅰ.数据流程与背景感知

提出了一种将背景区域感知与目标特征分析相结合的自动提取图像目标的层次化数据处理流程;探讨了线性预测估计和非线性均值滤波两种常用背景估计技术和自适应空间滤波的形态学背景感知方法。实验测评表明,形态滤波算法对背景的自适应感知能力强,能真实贴切地反映图像背景的起伏变化规律。     

基于注意力机制和改进YOLOv3的红外弱小目标检测

红外弱小目标检测技术是红外探测系统的核心技术之一。针对远距离复杂场景下红外弱小目标对比度低、信噪比低和纹理特征稀疏分散导致目标检测率低的问题,提出一种融合注意力机制和改进YOLOv3的红外弱小目标检测算法。首先,在YOLOv3的基础上,用更大尺度的检测头替换最小尺度的检测头,在保证推理速度的基础上有效提升了红外图像中小目标的检测概率。然后,在检测头之前设计了Infrared Attention模块,通过通道间的信息交互,抽取出更加关键重要的信息供网络学习。最后,用完全交并比损失(Complete IoU Loss)替代交并比损失(Intersection over Union Loss)来衡量预测框的检测能力,通过梯度回传实现更好的模型训练。实验结果表明,提出的YOLOv3-DCA能完成多种场景下红外弱小目标的检测任务,且检测准确率、召回率、F1和平均准确率分别达到91.8%、88.8%、93.0%和88.8%,平均准确率比YOLOv3基线提升约7%,与主流的SSD、CenterNet和YOLOv4模型对比平均准确率也取得了目前最优。     

基于改进SSD的风机叶片表面缺陷检测方法

针对无人机对风机叶片表面缺陷检测中出现的多尺度目标问题,提出一种基于改进SSD的风机叶片缺陷检测方法。以具有多尺度结构框架的目标检测模型SSD为基础,引入残差网络ResNet50作为其特征提取网络,用以获取更深层次的细节特征信息,从而提升缺陷检测模型的整体效果。在建立的风机叶片表面缺陷图像数据集下进行模型验证,结果表明,该方法的平均精确度mAP@.5为84.29%,与YOLOv3和RetainNet相比,对各类型缺陷的平均精确度分别提高了2.92%和8.69%,同时较传统SSD算法平均精确度提升了2.21%。