基于在线SVDD的航空发动机异常检测方法

针对飞参数据样本量大、分布不均衡且随时间不断积累的特点给航空发动机异常检测带来的问题,提出采用在线SVDD进行航空发动机异常检测的方法。首先介绍了在线SVDD的基本原理,然后采用大规模数据对比分析了现有在线SVDD方法的性能,最后采用两组典型发动机典型异常进行实验。结果表明,在线SVDD能够快速准确地识别发动机异常。     

基于RBF神经网络的飞参数据预处理

由于存在干扰,飞参系统记录的发动机参数中,经常会有不少间断点和奇异值.为了利用数据对发动机性能趋势进行预测,必须对数据进行预处理.发动机作为一个系统,其各主要输入和输出参数之间必然存在着一定的函数关系.本文研究了利用RBF神经网络和参数之间的关系对数据进行预处理,得到了较为正常的数据,结果表明该方法是有效的.     

基于数字滤波技术的飞参数据预处理

由于存在干扰,飞参系统记录的发动机参数中会存在噪声误差.为了利用数据对发动机工作状态和性能趋势进行监控,必须对数据进行预处理.本文利用动态数字滤波技术对高、低压转速数据进行预处理.处理后的数据更加连续、平滑,且更加清晰地反映出参数随时间的变化趋势,由此证明该方法是有效的.处理结果可在航空发动机状态监控中得到应用.     

某型飞机飞参振动数据分析

介绍了常用的振动数据分析方法,选取某型飞机飞行状态较为稳定的飞参振动数据进行了仿真分析,并针对仿真过程中出现的频率进行了定性分析。仿真实验通过多组数据的频谱统计分析,发现左发动机自由涡轮存在轻微不对中问题。对于发动机异常振动识别具有重要意义。     

飞参数据的应用研究现状及发展趋势

飞参系统记录了飞机飞行过程中的大量参数,这些参数在飞机的研制、试飞、训练、维护和事故调查等方面都有着巨大的应用价值.本文总结了国内外对飞参数据的应用研究现状,在此基础上,探讨了今后我国该领域研究的发展趋势.     

复合神经网络在飞参缺损数据估计中的应用

针对飞参记录仪工作中存在数据缺损的现象,提出一种基于复合神经网络(CNN)对缺失数据估计的方法。仿真结果表明,运用该方法进行数据处理,可以有效地解决飞参缺损数据的问题,并且能够提高飞参数据的准确性和可信度。     

飞参数据的应用与发展前景

飞参数据是调查飞行事故的重要依据,随着飞参数据记录系统的发展,飞参数据的应用远远不止如此.目前,飞参数据在飞机研制、试飞、训练、状态监控、视情维修等方面起到十分重要的作用.深入挖掘飞参数据的应用价值,对确保飞行安全,提高部队战斗力起着相当重要的作用.本文总结了国内外飞参数据应用发展现状,分析了飞参数据的发展前景,指出了我国今后在飞参数据方面需要研究的关键技术.     

基于飞参数据的航空发动机综合性能评估方法

根据航空发动机综合性能分析的需要,建立了某型航空发动机的综合性能评估模型。首先依据发动机工作状态的不同,分别选取了合适的飞参数据作为性能评估指标,然后分别采用层次分析法和模糊隶属函数法计算了各性能评估指标的权重值和归一化值,并在此基础上采用线性加权和法计算了发动机综合性能评估值。实例分析表明,该模型得出的发动机综合性能评估值能够较好地反映发动机综合性能的好坏,对发动机的状态监控及故障诊断有着重要指导意义。     

基于物联网技术的电力通信网络异常数据检测方法

为提升电力通信网络异常数据检测结果准确率,该文引入了物联网技术,进行了对基于物联网技术的电力通信网络异常数据检测方法的设计研究。在电力通信网络跨区域环境中,建立电力通信网络信道模型;通过小波包分解的方式提取电力通信网络数据特征集;引入物联网技术,实现对异常数据的识别以及对离群异常数据的检测。对比试验证明,新的检测方法可有效提高检测结果的精度,检测结果能更准确地描述电力通信网络中数据运行的实际情况。     

污染源自动监控中异常数据的分析与处置

随着人民群众和环保部门对环境质量的要求和管理力度不断加强,安装污染源自动监控设备的企业也不断增多,数据量也逐渐增加,成效也越来越明显。然而在传输和分析过程中,因受到传输环境及仪器设备运行状态等因素影响,监控数据可能出现偏差。该文针对出现异常数据的情况,结合其检测和判别方法进行深入分析,并在此基础上给出提升准确性的建议和按照相关文件要求对异常数据的处置。     

岭回归协助稀疏表示红外小目标检测

提出一种基于岭回归协助稀疏表示的红外小目标检测方法。该方法分别采用二维高斯模型和正态分布随机矩阵生成红外小目标样本和背景样本,继而建立超完备字典。红外小目标检测包括两个阶段,在第一阶段利用岭回归表示快速计算所有测试样本的岭回归重建误差;在第二阶段,根据岭回归重建误差自适应选择候选目标,并计算其稀疏表示重建误差实现目标检测。对提出的方法进行了实验验证,结果表明:提出的方法具有较快的速度和较强的鲁棒性。     

Outlier Detection for Water Supply Data Based on Joint Auto-Encoder

With the development of science and technology, the status of the water environment has received more and more attention. In this paper, we propose a deep learning model, named a Joint Auto-Encoder network, to solve the problem of outlier detection in water supply data. The Joint Auto-Encoder network first expands the size of training data and extracts the useful features from the input data, and then reconstructs the input data effectively into an output. The outliers are detected based on the network’s reconstruction errors, with a larger reconstruction error indicating a higher rate to be an outlier. For water supply data, there are mainly two types of outliers: outliers with large values and those with values closed to zero. We set two separate thresholds, τ₁ and τ₂, for the reconstruction errors to detect the two types of outliers respectively. The data samples with reconstruction errors exceeding the thresholds are voted to be outliers. The two thresholds can be calculated by the classification confusion matrix and the receiver operating characteristic (ROC) curve. We have also performed comparisons between the Joint Auto-Encoder and the vanilla Auto-Encoder in this paper on both the synthesis data set and the MNIST data set. As a result, our model has proved to outperform the vanilla Auto-Encoder and some other outlier detection approaches with the recall rate of 98.94 percent in water supply data.     

Real-Time Monitoring of High-Dimensional Functional Data Streams via Spatio-Temporal Smooth Sparse Decomposition

High-dimensional data monitoring and diagnosis has recently attracted increasing attention among researchers as well as practitioners. However, existing process monitoring methods fail to fully use the information of high-dimensional data streams due to their complex characteristics including the large dimensionality, spatio-temporal correlation structure, and nonstationarity. In this article, we propose a novel process monitoring methodology for high-dimensional data streams including profiles and images that can effectively address foregoing challenges. We introduce spatio-temporal smooth sparse decomposition (ST-SSD), which serves as a dimension reduction and denoising technique by decomposing the original tensor into the functional mean, sparse anomalies, and random noises. ST-SSD is followed by a sequential likelihood ratio test on extracted anomalies for process monitoring. To enable real-time implementation of the proposed methodology, recursive estimation procedures for ST-SSD are developed. ST-SSD also provides useful diagnostics information about the location of change in the functional mean. The proposed methodology is validated through various simulations and real case studies. Supplementary materials for this article are available online.     

一种快速的基于稀疏表示的人脸识别算法

基于稀疏表示的人脸识别算法（SRC）识别率相当高,但是当使用l1范数求最优的稀疏表示时,大大增加了算法的计算复杂度,矩阵随着维度的增加,计算时间呈几何级别上升,该文提出利用拉格朗日算法求解矩阵的逆的推导思路,用一种简化的伪逆求解方法来代替l1范数的计算,可将运算量较高的矩阵求逆运算转变为轻量级向量矩阵运算,基于AR人脸库的实验证明,维度高的时候识别率高达97%,同时,计算复杂度和开销比SRC算法大幅度降低95%。     

光滑逼近超完备稀疏表示的图像超分辨率重构

为改善单帧降质图像的分辨率水平,提出了一种新的基于稀疏表示的学习法超分辨率图像重构方法。针对信号在既定的欠定超完备字典下的非稀疏性问题,采用光滑的递减函数逼近L0范数以避免对稀疏度先验的依赖,从而实现待重构图像块的有效稀疏表示,同时通过梯度下降的迭代优化获得稳定的收敛解。与双立方插值相比,图像的三倍超分辨实验显示,图像峰值信噪比(PSNR)提高2dB,框架相似性(SSIM)改善0.04,重构图像剔除了更多的模糊退化及边缘伪迹。该方法适于单帧降质图像的超分辨率增强。     

基于YOLOV4的工件表面质量在线检测方法研究

目的 提升自动化产线上工件表面微小缺陷的检测精度和检测速度。方法 首先,在预处理阶段提出采用CutMix的数据增强方法,增加训练样本的多样性,提高模型的鲁棒性和泛化能力,避免训练模型产生过拟合;使用K–means++聚类算法生成边界候选框,以适应不同尺寸的缺陷,并较早地筛选出更精细的特征。其次,借助CSP Darknet53网络及SPP模块提取输入原始图像的特征,通过训练获得针对工件表面质量的在线检测模型,提升YOLOV4缺陷位置检测及识别的精度。结果 实验结果表明,文中所提出的基于YOLOV4的工件表面质量在线监测方法的预测精度达到97.5%,检测速度达到32.8帧/s,均优于同类的深度学习算法。以贵州某航空工业产品的自动化产线作为实验平台验证了所提方法的可行性和有效性。结论 该方法具备结构简单清晰、自适应性强等优点,检测精度和速度均满足工业场景需求,可以将其用于产品表面质量的在线检测。