基于多特征综合的角点检测算法

角点检测是计算机视觉处理的首要步骤，本提出一种平面曲线角点检测的方法。首先，从人类视觉感知出发．给出角点两个重要性质作为对传统角点性质的补充，基于上述两个性质，模糊集合的概念被引入到检测问题。然后，给出三组包含角点隶属度的特征提取公式，综合三组特征，给出角点检测、定位、优选的判据。中最后给出算例检测结果和感兴趣部分的特征曲线，以及对历史献测试图像的检测结果。结果表明，本算法使用模糊集合理论，在实现上非常简单，检测效果也很理想。     

铁谱图像自动识别系统的开发与设计

立足于我国航空发动机发展的现状,结合铁谱技术的发展,阐述了铁谱图像自动识别系统的结构和组成部分,进一步促进我国新型飞机油液故障诊断系统的研究、设计与发展。     

模糊温度控制系统在橡塑制品硫化工艺中的应用

根据橡塑制品的特点,以PLC为中心,在温度控制系统中应用PID 模糊抑制超调技术,研制一套平板硫化机模糊温度控制系统,提高硫化温度的精度,试验结果表明,所研制的系统能够全自动进行橡塑产品的硫化,操作方便,控制简单。     

基于模糊逻辑的航空发动机虚拟传感器

在双通道的发动机控制系统中，未超过故障阈值的传感器慢漂移故障难以隔离，且在故障检出前影响控制系统的反馈信号。引入机栽自校正实时模型作为第三通道的虚拟传感器，并提出模糊隶属度加权和动态阈值技术以获得可靠的传感器适应值，实现双余度系统中失效传感器的检测和隔离。仿真结果表明，这种方法能可靠地改进适应信号，将由于传感器故障引起的发动机控制系统扰动抑制到0．2％以内，并能避免失控。     

无拖曳卫星推力器动态模型研究

无拖曳技术能够有效地抵消卫星的非保守力,适用于未来的空间探测任务.这种技术的实现对推力器提出很高的要求.在广泛调研的基础上,归纳无拖曳卫星中微推力器的工作原理及特点,并介绍其应用情况.根据中国无拖曳技术的发展要求,针对无拖曳冷气微推力器中比例阀的流量控制过程,建立其动态模型进行仿真,并在此基础上设计模糊自适应PID控制器,改善了系统的动态性能.     

可变速发电机对多机电力系统的稳定性提高的影响

阐述了可变速发电机(ASG)对多机电力系统的稳定性提高有着明显的效果。为了利用电力系统模拟仿真器进行实时仿真，开发了基于个人计算机(PC)的可变速发电机模组。通过将Matlab／Simulink环境下建立的ASG三相瞬时值模型装到PC里的数字处理器(DSP)板上运行，来实现更为详细的实时仿真。通过DSP板上的AD／DA转换接口，对基于PC的ASG模组与电力系统模拟仿真器等实施了物理连接，进行了多机电力系统的实时仿真．所有的仿真结果均显示，引入可变速发电机后，多机电力系统的整体稳定性有了大幅度的提高．     

基于改进IRN网络的航空发动机故障诊断

建立了一种带偏差单元的内部回归神经网络.该网络的主要特点是记忆特性好,收敛速度快、稳定性强.介绍了该神经网络在航空发动机故障诊断中的应用方法,并通过实例验证了该方法在发动机故障分类中的实用性.在对某型航空发动机故障诊断中,准确性极高.从而在适时与视情维修过程中提出合理的建议,以便为相应维修方法的实施、改进和研究应用提供可靠的依据,有着良好的推广应用前景.     

截断分布下广义失效概率的可靠性分析方法

提出基于随机变量为截断分布和失效域模糊下的结构可靠性分析方法。由于常规的可靠性分析方法不能直接用于截断分布情况下广义失效概率的计算,因此,先将截断分布情况下的可靠性分析模型转化为非截断分布情况下的多模式并联系统模型,在此基础上引入模糊失效域的隶属函数,将截断分布情况下的模糊可靠性分析问题转化为一般的随机可靠性问题,利用Monte Carlo法和重要抽样法求得广义失效概率。给出了方法的实现步骤和原理,并用不同算例验证了方法的合理性与可行性。     

基于深度学习的雷达干扰识别方法研究

针对复杂电磁环境下雷达干扰信号识别问题,从优化卷积神经网络结构的角度出发,本文提出了一种对卷积神经网络结构LeNet-5增加批量归一化层和改变激活函数的方法。该方法能够加速网络收敛,提升网络的学习效率。本文首先建立舰船目标模型,分析了噪声调幅干扰、噪声调频干扰、梳状谱干扰和无干扰的真实目标回波信号在时频域的差异,然后利用四种信号对舰船目标模型生成数据集,最后通过本文所提方法实现雷达干扰的自动识别。仿真结果表明：在全信噪比条件下,本文所提方法对四种信号的识别准确率达到98.1%,表明所提方法有着较好的稳定性和鲁棒性。     

基于图像识别的机械振动信号特征提取与寿命预测方法研究

滚动轴承作为许多机械设备的关键组件,被广泛应用于机械制造、航空航天等领域,其健康状态直接影响了相应设备的剩余寿命,因此在设备故障预测与健康管理(Prognostics and Health Management, PHM)领域,滚动轴承寿命预测具有很高的研究价值。目前基于数据驱动的轴承寿命预测方法主要利用特征提取并构造健康因子(Health Indicator, HI),然而在这一过程中特征的选择与融合依然依赖于专家先验知识,并且健康因子也很难从复杂的时序数据中进行提取。因此,提出了一种新型的数据驱动寿命预测算法,在特征提取方面,通过连续小波变换(Continuous Wavelet Transform,CWT)将传感器振动信号转换为时频谱图,再通过深度残差网络(Deep residual network, ResNet)结合时空卷积网络(Temporal Convolutional Network, TCN)将时频谱图中的时域频域特征构造成为健康因子,最后完成剩余寿命预测。本研究在PRONOSTIA数据集上与现有的数据驱动算法进行了对比,证明了该算法可以更准确地完成剩余寿命预测。