机载系统综合状态监测与诊断架构设计及应用

针对高度综合化、模块化机载系统高安全、高可靠与易维护的需求,提出了基于“健康管理域”的综合状态监测与诊断架构,以解决多平台、多场景条件下多层次机载系统诊断要素综合集成难题。该架构针对机载系统高集成化电路设计特点,引入软件逻辑测试与异常检测模型,提出了通用模块、功能线程和总线网络的综合状态监测方法,可实现在不增加硬件开销的前提下提升机载系统在线健康感知能力;设计了松耦合、模块化的“健康管理域”,定义了通用的健康评估与诊断模型结构,提出了机理数据融合的多模型集成算法框架,解决了机载系统多平台诊断模型知识迁移与多场景差异化模型融合应用问题;开发了图形化的健康管理显控界面和面向对象的健康管理数据库,提升了健康管理系统的界面友好性与功能可扩展性。所提架构在飞机综合模块化机载任务系统上进行了应用,为状态监测与诊断子系统开发提供了指导。

基于多模型融合的航空电子产品故障预测方法

针对复杂机载环境应力条件下航空电子产品故障预测所面临的退化趋势差异大、训练数据样本量小等问题,提出了一种改进长短期记忆(Long Short-Term Memory,LSTM)神经网络模型与集成学习框架相结合的故障预测方法,以满足现代综合航空电子系统智能调度管理与自主维护保障的需求。该方法在LSTM模型中引入Dropout机制,构建基于不同历史数据集的差异性LSTM模型组,以解决故障预测时序信息记忆问题与小样本条件下数据驱动模型训练过拟合问题;采用Adaboosting算法计算模型权重,并基于实时数据动态调整,以滤除复杂机载环境应力引入的预测误差,解决多模型融合的性能差异问题。最后,采用NASA公开的锂电池退化数据集进行仿真验证,实验结果表明,相较于传统BP神经网络、经典LSTM和LSTM基模型,该方法具有更高的趋势拟合度和预测精度。

基于多深度置信网络融合的航空电子设备故障预测

由于航空电子设备性能退化趋势与工作环境(温度、振动、负载等)存在强耦合关系,历史数据和实时数据分布存在难以量化的差异,因此航空电子设备的故障预测一直是业内难题。针对工程应用中的故障预测需求,提出了一种基于多深度置信网络(Multi-deep Belief Network,DBN)模型融合的故障预测方法,基于历史数据和实时数据对多个DBN模型进行含Dropout的迁移训练,有效解决历史域和目标域数据分布差异带来的预测偏差;采用改进遗传算法对DBN模型组进行融合,在迁移学习的基础上进一步提升故障预测的精准度。实验显示,所提方法预测的均方根误差为0.008,相对误差均值为0.9%,相关度为0.9647,预测精度高于单一DBN模型和支持向量机,在航空电子设备的故障预测领域有一定的应用价值。

机载TACAN设备接收信道健康评估方法

根据现代飞机视情维修模式下机载设备健康评估实时性与可量化的要求,提出了一种基于自动增益控制(Automatic Gain Control,AGC)偏差的机载战术空中导航(Tactical Air Navigation,TACAN)设备接收信道健康评估方法,以解决目前工程实践中机载TACAN设备机内测试结果无法量化与地面测试开展时机受限的问题。该方法以机载TACAN设备在飞行中记录的设备工作模式、空空或空地测距结果、接收信道AGC衰减值等数据为输入,建立接收信道AGC衰减值偏差、增益损耗与TACAN功能作用距离的计算模型,以及以增益损耗为健康表征参数的接收信道健康度评估模型,并采用实测数据与仿真分析相结合的方式证明了方法的可行性。该方法可用于维护人员在飞行数据离线分析时精准、量化评估机载设备的健康状态,以减少因设备故障导致的停机时间。

基于深度学习反演区域气溶胶光学厚度

为了解决现有陆地气溶胶光学厚度(AOD)反演算法精度和空间分辨率较低的问题,基于深度学习的思想,使用深度置信神经网络(DBN),实现了具有30 m空间分辨率的陆地气溶胶光学厚度反演。算法的训练样本包括全球长时间序列的AERONET站点数据以及在时空上与之对应的Landsat8 OLI的观测几何数据和表观反射率数据。为了保证反演的精度和稳定性,研究了AERONET站点数据的处理方法、卫星与站点数据的时空匹配方法以及DBN结构的设置。使用独立于训练样本的AERONET站点数据,对不同地表类型的550 nm处的AOD估算结果进行了整体验证,并对研究区域进行小尺度精度验证。结果表明,该方法的均方根误差和平均绝对误差分别为0.11与0.072。该方法打破了现有的气溶胶光学厚度反演方法依赖于其他遥感产品或者其他时相数据的局面,有效提高了气溶胶光学厚度反演的效率和空间分辨率。

基于改进LCCD算法的高分六号WFV数据云检测研究

高分六号WFV是搭载在我国高分六号卫星上的高空间分辨率多光谱传感器,该传感器实现了高分辨率和宽覆盖的结合。精确识别高分六号WFV数据的云像元对于农业资源监测、林业资源调查以及防灾减灾等行业具有重要意义。基于全球土地覆盖产品FROM-GLC10数据,改进地表类型支持的云检测算法(LCCD算法),开展了高分六号WFV数据的云检测工作。以FROM-GLC10作为先验数据,充分考虑不同地表类型反射率的变化,在每种地表类型上分别采用不同的方法设置阈值。通过目视解译的方法对云检测结果进行精度评价,云正确率整体达到了92.46%,其中植被类、水体类、高亮地表类的云正确率分别为93.09%、95.60%和88.70%。结果表明,改进的基于地表类型的云检测算法有效提高了高分六号WFV数据云检测的精度。

CDAG改进算法及其在GF-6 WFV数据云检测中的应用

为提高GF-6 WFV数据的利用效率,研究了GF-6 WFV数据的云检测算法。该算法是基于阈值自动生成的云检测(CDAG)算法,通过挖掘云和典型地表在可见光、近红外波段的光谱差异信息,实现了对多光谱卫星传感器的云检测。考虑到GF-6 WFV数据光谱范围相对较窄,云与亮地表的识别能力相对较弱的问题,加入了离差指数和亮地表指数,使用更多的波段组合方式,更加深入地分析云像元和晴空像元的差异,提高了典型地表与云的识别精度。通过遥感目视判读的方法对本研究中抽取的不同子区域的云检测结果进行分析,识别精度达到85.16%,漏分误差和错分误差分别为14.84%和2.39%,实现了较高的识别精度。