基于迁移学习的跨公司航天软件缺陷预测

为提高航天软件测试的效率和质量,针对同公司航天软件数量少、研制周期长的特点,提出了一种跨公司航天软件缺陷预测方法。从航天软件背景信息复杂、规模大、功能独立等特征出发,提出基于静态分类缺陷预测的模型构建思想。引入迁移学习方法,利用最近邻分类器和数据引力模型,对训练数据的分布特征进行修正,提高训练数据与目标数据的相似性;为提高模型的泛化能力以适应目标数据的多样性,提出在训练数据中加入少量目标数据用于模型训练。将该方法在实际工程中进行应用,实验结果表明,与已有软件缺陷预测方法相比,该方法在保持较低误报率(不高于0.3)的情况下可有效提高召回率(接近0.6),整体可信度得到有效增强(G-measure超过0.6),方法稳定度高,泛化能力较强;本方法在实际工程中对测试规模影响可控,测试效率得到提高。     

似然关系模型在航天软件缺陷预测中的应用

将似然关系模型在描述和推理多属性类之间关系及其不确定性知识方面的优势用于预测软件缺陷,提出了航天软件缺陷预测模型PRM_METHOD.首先,提出了基于软件测试的软件缺陷分类方法,以软件缺陷类关系为例分析了似然关系模型用于航天软件缺陷预测的理论依据;然后,在对人员能力、缺陷数量特征等数据进行定义和泛化等预处理的基础上,描述了提出的预测模型PRM_METHOD,详细阐述其结构、学习过程以及预测过程,并针对数据集的分类操作提出了基于弥合数据缝隙的k-均值聚类方法.最后,以某航天项目软件为例验证了模型PRM_METHOD的实现过程,并以实际测试工作中产生的历史数据作为训练集和验证集进行实验验证.验证结果显示,验证集的记录与预测结果的平均绝对偏差均值为0.086 8,即模型的预测精度为0.913 2,表明该模型对关联关系较为复杂的航天软件缺陷有较好的预测精度.     

基于整群抽样和支持向量回归模型的高功率半导体激光器剩余使用寿命预测

剩余使用寿命（RUL）预测是高功率半导体激光器在各种环境应力作用下可靠性评估的核心问题。在实际应用中,现有支持向量回归（SVR）方法均侧重于保证所训练模型的回归曲线的整体误差最小,以追求方法的泛化性,这往往造成关键预警阶段特别是临近故障失效前的预测结果不理想,不能可靠地支持维护决策。提出了一种基于整群抽样的SVR模型训练方法,对测试样本后期观测数据进行多次整群抽样后用于SVR模型测试,SVR模型中的参数使得SVR模型对训练样本的后期数据拟合得更好。实例分析验证了该方法的有效性和稳健性,研究结果表明,所提方法的预测性能和实用价值优于现有几种代表性的小样本分析方法。     

软件可靠性预测方法

软件可靠性测试中可以近似认为相似软件等量时间的失效数据可以选用同一种数据域模型预测,所以可以根据软件测试结果历史数据,使用神经网络预测同类软件的缺陷数.试验结果表明,神经网络预测软件缺陷比传统模型有更好的预测精度和估测能力.     

基于数据对齐的深度ANN机械寿命预测

传统智能数据驱动机械剩余寿命预测存在两个问题：（1）预测起始时间的确定精度不高（2）实体之间数据分布的显著差异,为此提出一种基于数据对齐的深度对抗性神经网络机械寿命预测。利用生成性对抗性神经网络学习机器健康状态下的数据分布,建立系统异常的有效指标,确定预测的预测起始时间。将学习到的特征进一步用于剩余寿命估计,并对不同实体的数据比对引入对抗训练。在学习子空间中通过数据对齐策略来提取实体不变特征,弥补数据分布差异,提高了数据驱动程序方法的泛化能力。最后利用两组加速滚动轴承退化测试数据集验证了所提出的预测方法,结果表明提出的方法能够有效提升预测精度,并且有效解决了数据差异问题。     

基于对抗熵的转子系统跨工况故障诊断方法

传统数据驱动的故障诊断方法通常依赖于测试工况数据的可用性，然而转子系统实际运行工况多变，测试工况的先验数据分布难以获取，增加了跨工况故障诊断的难度。针对此问题，提出了基于对抗熵的域泛化网络(Adversarial entropy-based domain generalization network, AEDG)用于转子系统跨工况故障诊断。该方法受信息瓶颈理论与生成对抗网络启发，通过熵的最大最小化博弈实现潜在数据分布的对抗性扰动，旨在提高诊断模型在未知工况下的泛化能力。首先建立条件对抗域适应网络，通过多线性映射融合深度嵌入特征与分类器预测输出，实现多源域诊断知识的深度融合。为进一步提高模型在未知工况下的泛化性能，通过多源域联合嵌入特征的预测输出信息熵最大最小化实现底层数据的对抗性扰动，增强模型对未知工况下数据分布漂移的适应能力。最后采用转子系统故障数据集验证了提出方法的有效性，结果表明提出方法具有良好的跨工况识别精度与泛化能力。     

一种用于故障分类与预测的多任务特征共享神经网络

智能故障诊断与预测技术在工业实际中得到了广泛地应用,但仍存在以下局限性:1)将不同退化程度的同类型故障作为多种不同的故障模式进行分类识别,脱离了工程应用的实际; 2)基于特定数据训练的诊断模型工况泛化能力差。针对上述问题,提出一种多任务特征共享神经网络,并将其应用于轴承的智能故障诊断与预测。首先,利用卷积神经网络(CNN)构建自适应特征提取器,从原始振动信号中提取深层次特征;其次,同时建立分类与预测的多任务特征共享诊断模型,实现故障类型分类以及故障尺寸预测。最后,通过凯斯西储大学轴承数据集验证了所提方法。试验结果表明:所提方法不但能同时实现对故障类型的分类以及故障尺寸的预测,而且具有较强的工况泛化能力。     

车联网环境下车辆最优车速闭环快速模型预测控制

为解决智能交通系统中多辆车的最优车速预测问题,提高车辆燃油经济性及控制算法的执行效率,提出一种基于交通信号灯正时（SPAT）的方法来计算目标车速范围,避免车辆红灯停车;提出基于最优巡航车速和最优加速度跟随的模型预测控制建模方法;提出考虑效率反馈的闭环车速预测控制方法并采用快速模型预测求解最优目标车速。基于云计算的软件在环仿真结果表明,提出的控制方法可以避免车辆红灯怠速以及发生碰撞;相比于基准方法1和基准方法2,平均燃油经济性分别提高6.44%和37.1%;相比于基准方法1,系统平均驱动效率提高7.13%;快速模型预测程序执行效率为模型预测的13倍,且每一步长的实际计算时间小于计算步长,可以实现实时控制。     

CLS-SVM:一种时间序列预测的局部建模方法

针对LS-SVM应用于大样本时间序列预测时存在的计算复杂度高和泛化能力降低的问题,提出一种采用局部模型的时间序列预测方法.该方法采用K-means算法对训练样本进行聚类,并以VRC原则确定最佳聚类数,然后利用LS-SVM对聚类后样本进行局部建模;同时,针对一般LS-SVM建模过程中共轭梯度方法计算效率低的问题,采用Cholseky分解方法以实现计算效率的提升.仿真实验和应用测试表明,该方法用于大规模数据分析时,可在保持预测精度的前提下,提高训练效率5 ～ 28倍,在降低计算复杂度的同时,有效地提高了模型的泛化能力.     

基于栈式自动编码器的火箭总装完工时间预测

针对运载火箭总装过程中由于各种不确定因素和动态事件可能引发的火箭不能按时交付的问题,提出一种基于栈式自动编码器的火箭总装完工时间预测方法。通过逐层训练浅层自动编码器代替传统方法中的特征提取过程,利用无监督学习过程学习完工时间相关因素的非线性压缩特征;通过堆叠浅层自动编码器构成精调网络,利用监督学习过程及参数优化过程精确预测火箭完工时间。通过仿真数据以及上海某航天设备制造厂火箭总装实际数据中的测试数据集,验证了该方法比传统预测方法具有更优秀的泛化性能,能够提升预测精度。     

基于需求模型的航天软件测试用例生成方法

为了提高航天软件测试的效率和覆盖率,增加航天软件测试的有效性,提出了一种基于需求模型的软件测试用例设计方法。针对航天软件测试的特点,该方法采用从用例层深入至步骤层的测试优化策略。首先,基于元建模方法定义了一种测试需求模型;通过建立模型,将测试需求加以拆分,获取了测试需求之间的先后依赖关系以及测试需求与测试步骤之间的对应关系。然后,基于测试需求模型,构建了测试需求的路径图,进而通过对图的遍历获得了测试用例。最后,将该方法用于工程实践进行了实验验证。验证结果表明,该方法有效保证了测试活动的充分性和有效性,降低了测试用例约简的风险。与不约简的测试方法相比,该方法减少测试工作量达18%,减少测试用例数量为40%以上,软件测试的执行时间也减少了40%以上,在满足需求覆盖率的同时,有效提高了测试效率。     

A method for predicting hobbing tool wear based on CNC real-time monitoring data and deep learning

Intelligent monitoring and diagnosis of tool status are of great significance for improving the manufacturing efficiency and accuracy of the workpiece. It is difficult to quickly and accurately predict the wear state of worm gear hob under different working conditions. This paper proposes a novel approach to predict hob wear status based on CNC real-time monitoring data. Based on the open platform communication unified architecture (OPC UA) technology and orthogonal test, the machine data of motor power, current, etc. related to tool wear are collected online in the worm gear machining process. And then, an improved deep belief network (DBN) is used to generate a tool wear model by training data. A growing DBN with transfer learning is introduced to automatically decide its best model structure, which can accelerate its learning process, improve training efficiency and model performance. The experiment results show that the proposed method can effectively predict hob wear status under multi-cutting conditions. To show the advantages of the proposed approach, the performance of the DBN is compared with the traditional back propagation neural network (BP) method in terms of the mean-squared error (MSE). The compared results show that this tool wear prediction method has better prediction accuracy than the traditional BP method during worm gear hobbing.     

基于复合加工特征的航空结构件频响快速预测

航空结构件作为飞机中占比最大的零件，具有大尺寸、多槽腔、弱刚性和高材料去除率等特点，如何在保证加工过程稳定的前提下高效去除结构件材料是航空结构件加工的一大瓶颈问题，零件频响的快速预测是选择高效切削参数的前提。通过对典型航空结构件加工特征的分类和提取，构建了“槽腔-筋”复合加工特征，建立了其参数化的频响特性分析模型，并计算了复合加工特征若干刚度薄弱点的频响特性。将其与复合加工特征零件、整体零件相应位置的频响函数进行对比，结果表明模型预测精度满足要求，验证了使用复合加工特征模型频响特性代替整体零件模型频响特性的可行性。同时，复合加工特征有限元模型的自由度数量远小于整体零件有限元模型自由度数量，充分体现了所提出的方法预测结构件频响的快速性。     

基于深度残差网络的多人姿态估计

为了提高人体姿态估计的准确度和检测速度,提出了一种基于深度残差网络的多人姿态估计算法。首先使用现有的先进目标检测算法检测出人体位置,再在人体边界框内作单人姿态估计。对现有模型的残差块进行改造,降低了模型的参数量,加入多尺度监督模块和多尺度回归模块辅助训练,提高了模型的学习效率,并采用新的坐标提取方法进一步提高了模型的泛化能力和推理速度,在流行的MPII、COCO数据集上进行了训练和测试。MPII测试集上PCKh@0.5获得了92.1%的得分,2017 COCO test-dev集上mAP获得了72.4的得分,比Simple Baseline基准模型提高了2.4%。使用一张GTX1080Ti显卡对平均每帧有5个人体实例的图片进行推理时,运行速度达到26帧,推理速度极具竞争力。这充分证明了所提出的算法有效提高了人体关键点的识别精度和速度。     

采用深度学习的铣刀磨损状态预测模型

为提高刀具磨损监测的预测精度与泛化性能，研究了基于深度学习的铣刀磨损状态预测，提出了基于堆叠稀疏自动编码网络与卷积神经网络的两种预测模型。堆叠稀疏自动编码网络对特征向量进行降维并将其纳入分类器来实现预测，可避免特征选择对先验知识的依赖；卷积神经网络将铣削振动数据转化为小波尺度图并输入模型完成分类，精简了传统建模流程。最后将提出的两种模型与传统神经网络模型进行比较，验证了所提模型的效率与精度。     

基于深度学习和迁移学习的液压泵健康评估方法

对液压泵建立健康评估模型需要大量训练数据,然而由于其工作条件随时间的地点变化,使得获取特定条件下的数据比较困难。为了在目标数据不足的条件下对液压泵建立健康评估模型,提出了一种深度学习和迁移学习的液压泵健康评估方法。首先,通过卷积神经网络的方法对已有大量历史条件下液压泵振动的频域信号建立预测模型,再用迁移学习的思想在少量目标液压泵数据上对深度学习模型进行微调。实验结果表明,该方法可以有效地提高预测准确率。     

Prediction of the machined surface quality of ball-end milling of H13 die steel using MLBP method

Abstract

Based on the characteristics of the surface quality prediction system of high-speed milling, the prediction model is used to predict the surface quality of analyzing the advantages of the two methods of using the multilinear and BP neural network model (MLBP) method. This article through the in-depth study of the surface quality, study the surface quality prediction based on the characteristics of multiinput multioutput nonlinear systems, respectively, established a linear regression equation, BP neural network model, and the surface quality of specific conditions to start prediction. The prediction results show that these prediction methods can play a special role as certain conditions. However, owing to the limitations of multiple linear regression and BP neural networks, their generalization ability and robustness cannot meet actual needs. Drawing on the idea of interpolation, and analyzing the advantages and disadvantages of linear regression and BP neural network to solve nonlinear problems, a new prediction method is developed. The main idea are to use interpolation method to insert preprediction under the premise of linear prediction; to process the values and obtain a unified prediction result from linear regression; to combine the experimental results from the pretreatment results; to use these input information as the input content of the BP neural network; to establish a training model based on the BP neural network model self-learning process. This training model predicts the quality of the machined surface. This method is abbreviated as the MLBP method. The experimental results and comparison of model prediction results show that this method can effectively improve the generalization ability and robustness of the prediction model, and further improve the model’s prediction accuracy.     

基于深度学习的铸件缺陷检测方法

针对铸件X射线图像获取困难、人工及传统识片方法效率低且漏判率高的问题,文中提出了一种基于深度学习的铸件缺陷检测方法。首先,采用Overlap切图（重叠切图）数据增广方法实现缺陷扩充,并基于简化Mosaic数据增广进一步提升图像的复杂度;然后,基于仅浏览一次（You Only Look Once, YOLO）的理念实现缺陷检测模型构建;最后,提出一种基于边界框抑制的测试图像缺陷检测方法,以子图迭代方式完成测试图像中的缺陷检测。实验结果表明,该方法能够有效实现多种铸件缺陷的自动检测,为铸件缺陷检测提供了基于深度学习的解决方案。     

基于LabWindows/CVI和数据库的雷达测试软件系统的设计

目前,传统的雷达测试系统已经不能满足现代雷达测试的要求,尤其是软件系统的不足成为完成测试项目的障碍。将虚拟仪器技术和数据库技术与VXI、PXI等总线平台相结合,实现了雷达测试软件系统的设计。文章介绍了系统设计的意义,重点阐述了软件的设计思想与实现过程。实践证明,该雷达测试软件系统有效地缩短了测试软件的开发周期,提高了测试软件的标准化程度和测试效率。