摘要：为了提高轴承故障诊断准确率,缩短神经网络训练时间,将周期能量特征和优化的局域均值分解(local mean decomposition,简称LMD)特征结合,提出了一种新的轴承故障诊断方法。首先,采用形态滤波法对振动信号去噪;其次,以轴承一个旋转周期采样点数为标准,对振动信号进行截取,提取周期能量特征和LMD特征;然后,对提取的特征进行u律压扩和滑动平均优化处理;最后,设计两个同精度神经网络,采用经优化和未优化的特征对设计好的RBF神经网络进行训练,用训练好的神经网络进行故障诊断。实验结果表明,神经网络收敛迭代次数减少了50次,诊断正确率提高了10%,提高了轴承故障诊断正确率,缩短了神经网络训练时间。

摘要：直升机旋翼桨叶在高速旋转时,进行全场景桨叶摆振测量和分析,对直升机桨叶载荷设计和旋翼结构设计具有重要意义。本文设计了桨叶摆振量立体视觉测量系统,并进行摆振模式拟合分析。首先,对课题组已有立体视觉测量系统进行改进,并在风洞试验中完成不同总距及周期变距下的旋转桨叶标记点三维坐标测量;其次,解算桨毂坐标系下的桨叶摆振量;最后,采用一阶多项式对桨叶在特定时刻下的摆振模式进行拟合分析,采用复合正弦函数对桨叶旋转过程中的摆振规律进行拟合分析。风洞测量实验结果表明,在4.6 m×4.6 m场景中测量的摆振量均方根误差小于1 mm;桨叶摆振模式和规律模型拟合度好,其均方根误差小于1 mm,为直升机桨叶设计提供了数据支撑。

摘要：提出一种新的快速搜索算法 首先 ,采用空间分块策略 ,把数据空间分成许多大小相同的立方体子空间 ,立方体的大小决定了最近点的搜索速度 ;然后 ,综合考虑了数据集的范围、点的总数及最近点数目k,给出了一种新的估算立方体边长的方法 大量真实数据的实验结果表明

摘要：局部均值分解(Local Mean Decomposition,简称LMD)方法是一种新的自适应时频分析方法,并成功运用于滚动轴承故障诊断中,但对噪声比较敏感。为消除噪声对诊断结果的影响,提出了一种小波包降噪与LMD相结合的滚动轴承故障诊断方法。该方法首先利用小波包去除信号中的噪声,然后,进行LMD分解,并将分解后PF分量与分解前信号的相关系数作为判断标准,剔除多余低频PF分量,最后,选取有效PF集进行功率谱分析,提取故障特征。通过仿真数据和真实滚动轴承数据的故障诊断实验,其结果验证了该方法的有效性。

摘要：为提高蛋白质点检测的效率,利用图像处理单元(GPU)在并行计算和内存管理方面的优势,提出一种基于CUDA的蛋白质点检测快速实现方法。首先,对蛋白质点检测算法中最耗时的图像预处理、蛋白质点粗检测和重叠蛋白质点分割三部分进行并行化设计;然后,根据CUDA单指令多线程的执行方式对数据空间进行二维分块,利用共享寄存器和二维纹理内存的内存管理措施实现了蛋白质点快速检测。通过本文方法与中央处理器(CPU)串行方法进行真实凝胶图像的检测对比实验,结果表明,本文方法的执行效率明显高于CPU串行方法,并且随着图像大小的增加,效率也随之提高,对于2 048×2 048大小的图像数据,CPU串行实现时间为52 641ms,GPU则为4 384ms,效率提高了11倍。

摘要：利用每个数据点的k近邻点计算其法向量,并以扫描区域中心点的法向量为基准,使所有点的法向量指向球心;然后根据扫描仪的测量精度计算误差范围,以扫描区域中心点法向量的延长端点为中心提取出球面数据点;最后以球面数据点法向量延长端的质心为该定标球的球心.大量真实数据实验表明,文中算法具有较高的精度和较好的稳定性.

摘要：针对直升机自动倾斜器滚动轴承工况复杂、噪声干扰大,造成故障诊断效果不佳的问题,提出一种基于深度卷积自编码器(Deep Convolutional AutoEncoder,DCAE)和卷积神经网络(Convolutional Neural Network,CNN)的轴承故障诊断方法。该方法首先采用小波变换方法构造不同状态下振动信号的时频图,然后使用DCAE对时频图进行图像去噪,最后利用CNN对去噪后的时频图进行故障分类。利用课题组和美国凯斯西储大学的滚动轴承故障数据开展诊断实验,并与CNN、堆叠降噪自编码器(Stacked Denoise AutoEncoder,SDAE)两种深度学习方法进行对比,结果表明,该方法在高噪声环境下具有更高的故障识别率。

摘要：为了提高基于立体视觉的直升机旋翼共锥度动态测量系统的精度和可操作性,全面分析了其测量误差。首先,介绍了测量系统模型及误差来源;其次,分析了双目立体视觉静态三维测量的误差;再次,针对旋翼共锥度的多目标动态测量特点,分析了系统安装误差对共锥度解算精度的影响;最后,利用原理样机进行了6 058次静态测量重复实验,通过统计分析可知静态测量误差小于1.4 mm。对动态测量误差进行了仿真实验分析,给出了各参数对精度影响的量化结果,为实际共锥度测量的误差控制提供了理论依据。在标记点安装精度小于10 mm的情况下,动态测量误差小于3.5 mm,合成产生的总测量误差小于4.9 mm,能满足旋翼共锥度动态测量精度要求。

摘要：针对现有基于卷积神经网络的故障诊断方法存在模型参数量和计算量大的问题,提出一种改进的SqueezeNet模型应用于直升机滚动轴承故障诊断。该模型借鉴VGG16模型的思想,在经典的SqueezeNet基础上,采用3个3×3卷积核代替1个7×7卷积核,实现了在相同感知野条件下增加网络容量、增强非线性、减少网络参数量,采用卷积层、池化层和Fire模块、池化层两大结构交替的方式组成模型特征提取层,在保障特征提取能力的情况下,进一步减少了网络参数量。通过轴承数据开展模型故障诊断实验,结果表明该模型诊断精度达到99.65%,与传统卷积神经网络及经典的SqueezeNet模型相比诊断精度相当,而计算量与参数量最大缩减约6倍和36倍。

摘要：针对现有对抗攻击方法只能用于攻击实数卷积神经网络这一限制,提出了一种基于生成对抗网络的复数对抗样本生成方法。首先,设计了一种产生有效对抗样本的复数模型,并引入了复数计算模块;其次,利用残差神经网络作为基本骨架,将预训练的复数网络作为判别器实现对抗训练,以增强对抗样本的攻击能力;最后,通过替代模型实现可迁移的对抗攻击,以此实现了更高的攻击成功率。实验结果表明,所提方法在有目标攻击和无目标攻击任务下的成功率分别达到了76.338%和87.841%,迁移的成功率更高且对抗样本与原始干净样本更为接近。所提方法将对抗攻击扩展到复数神经网络后,避免了合成孔径雷达目标信息和精度的丢失,为实际合成孔径雷达自动目标识别系统的安全性和鲁棒性提供了参考方案。