基于地面站辅助的无人机自主架线系统

将无人机（unmanned aerial vehicle, UAV）技术用于实现电力线展放正逐步成为电力行业发展的主要趋势,研究无人机自主架线技术能够有效提高作业效率、降低施工成本和保障工人安全。但现阶段无人机架线技术面临的问题主要有：1）大多数无人机依赖人工操控或地面站发布航点控制,智能化水平低,长期作业会给电力工人带来较强负荷;2）无人机缺乏自主避障能力且感知能力不足,电线、电杆等障碍物会对其造成安全隐患。为解决上述问题,首先,构建了无人机自主架线系统的硬件框架和以ROS（robot operating system,机器人操作系统）为基础的模块化软件框架,并在此基础上实现了架线任务规划算法和架线弓检测算法等,使无人机具备稳定的自主架线能力。然后,利用碰撞检测方法构建了无人机碰撞模型,并提出了无人机路径规划算法,同时引入地面站辅助避障策略,以有效提高无人机的安全性。实验结果表明：所设计的无人机自主架线系统的软、硬件框架合理,架线任务规划算法能帮助无人机高效稳定地完成自主架线任务;地面站能够实时监控无人机状态,并在必要时及时辅助无人机避障,最大程度地保证了无人机的安全。所设计系统安全可靠,可满足实际电力架线作业的需求。     

基于改进CNN-LSTM的飞控系统剩余寿命预测

数据驱动的剩余寿命（remaining useful life,RUL）预测是复杂系统健康管理的重点研究内容,然而数据集的缺乏制约了不同系统上RUL预测的研究。针对这一问题,以飞控系统为例,提出一种仿真模型和数据混合驱动的RUL预测方法。该方法通过模型仿真提供充足的故障数据,并结合改进CNN-LSTM网络实现高质量的故障信息提取。首先对系统及其故障模式建立仿真模型,利用蒙特卡罗方法生成随机故障时间序列并依次注入故障,根据仿真响应和失效阈值确定序列的寿命标签,即可生成包含多组随机序列的系统失效数据集;其次利用长短时记忆网络（long short-term memory,LSTM）提取系统状态参数时间序列的故障信息,结合一维卷积神经网络（1D-CNN）提取不同状态参数之间的关联特征,从而形成时序-空间相结合的剩余寿命预测网络。充分的实验结果证明了所提方法对不同系统均能帮助达到动态和准确的剩余寿命预测。     

引入轻量注意力的孪生神经网络目标跟踪算法

针对目标跟踪算法在各种场景下很难做到准确率和实时性平衡的问题,提出了一种引入轻量注意力的孪生神经网络（siamese neural network）目标跟踪算法,称为SiamNL。SiamNL算法使用基于深度级卷积（depth-wise convolution）的交叉相关运算,降低了网络的参数量和运算量,提升了算法的实时性。同时,SiamNL使用Non-Local注意力网络编码模板图特征和搜索图特征,对特征进行了自注意力和互注意力的运算,有效提升了算法的准确率。在VOT2016、VOT2018、OTB100等公开数据集上的测试结果表明,SiamNL算法优于主流的目标跟踪算法,更有效地平衡了准确率和实时性。