面向无人机故障诊断的知识图谱构建应用方法

近年无人机作业安全保障问题面临着严峻挑战,确保无人机安全作业至关重要。传统的无人机故障诊断方法具有容易造成知识浪费等问题,已无法满足日益复杂的工作需求,基于新兴研究热点的知识图谱,充分利用无人机先验知识进行故障诊断,可实现组件关联诊断并依靠专家知识实现诊断结果的可解释性。目前面向故障诊断知识图谱的研究较少,通常采用“预训练”模型解决深度学习模型训练的数据不足,但这种方法应用场景限制较大,且不能为后续研究者提供有价值可参考的训练样本。以无人机故障维修手册为主要数据,提出一种基于远程监督的机标人校数据标注方法,获得数量可观、标注精确的无人机故障语料库,并根据数据结构特点结合基于规则和BiLSTM-CRF网络的知识抽取方法,实验证明实体抽取效果良好。基于无人机故障诊断本体完成无人机故障诊断知识图谱的构建,通过Neo4j进行存储及可视化展示,并搭建无人机系统故障的智能问答系统,为无人机故障提供有理有据的精准诊断,证明了知识图谱在故障诊断领域的有效性,为基于知识图谱的故障诊断体系构建提供科学依据。     

航空制造知识图谱构建研究综述

目前航空装备制造企业的设计、制造相关流程中积累了大量数据,基于知识图谱技术可以对这些数据进行有效融合与管理,对不断更新的制造知识进行挖掘,将为航空制造企业智慧化升级提供有力的知识支撑。为探明知识图谱在航空制造领域的理论支撑体系与实际应用情况,通过文献调研分析航空制造知识图谱架构、定义及特点;阐明知识图谱领域构建过程中的核心技术并进行研究综述,对比航空制造知识图谱与通用知识图谱构建技术上的异同,并提出了三个切合实际的航空制造知识图谱应用方向及其解决方案;最后对未来航空制造知识图谱的挑战进行了分析及展望,为后续该领域的研究提供一些思路。     

基于混合APP的生产设备监测系统研究

现阶段很多车间移动管理应用普遍采用原生开发,这种开发方式不但周期长,而且成本高。为了大幅度降低车间设备监测系统开发时间与成本,加快企业车间机加工设备管理信息化进程,提高企业管理能力,文中结合最新混合APP移动应用开发、信息通讯、电子电工等技术,提出可以在Android、IOS等主流系统运行的车间设备监测系统架构,并对车间机加工设备的工作状态进行远程监测、控制,提高企业信息化水平和生产效率。     

无人机飞控系统故障诊断技术研究综述

近年来，无人机因其运行成本低、机动性强等独特优势被广泛应用于军民各复杂领域；同时，复杂多样的任务对无人机系统的可靠性和安全性提出了更高的要求。无人机故障诊断技术能够及时准确地提供诊断结果，有助于无人机的维护、保养与维修，对提升无人机的作战效能具有重要意义。因此，从无人机的飞控系统剖析各类常见故障的机理，并进行故障归类。主要围绕飞控系统中的传感器、执行器和其他部件的故障诊断技术，分析总结了无人机故障诊断技术的研究方法和现状。探讨了无人机故障诊断技术面临的主要挑战，并指出了未来的发展方向；旨在为无人机故障诊断技术领域研究人员提供一定参考，促进我国无人机故障诊断技术水平的提升。     

基于VAE-LSTM模型的无人机飞行数据异常检测

无人机飞行数据是反映其自身飞行安全的重要状态参数,通过对飞行数据进行异常检测,是提高无人机整体飞行安全性的关键举措。尽管基于数据驱动方法不需专家先验知识和精确的物理模型,但缺乏参数选择且检测网络结构模型单一,使得检测模型由于参数过多导致过拟合以及无法有效捕捉数据异常模式的问题。文中结合变分自编码器和长短期记忆网络的优势,提出了一种基于VAE-LSTM的无人机飞行数据异常检测模型方法。首先,引入肯德尔相关性分析方法用于选择相关依赖的飞行数据参数集;其次,将具有相关性的参数集对所设计的VAE-LSTM深度混合模型进行训练,学习不同数据特征之间的关系映射;最后,以无监督异常检测方式在真实多维无人机飞行数据进行验证。实验结果表明,VAE-LSTM的精密度、检测率、准确率、F1分数及误检率的各项平均性能指标分别达到95.24%、98.71%、98.8%、 96.82%、 1.31%,相比于KNN、OC-SVM、VAE、LSTM模型,整体上展现出较好异常检测性能。     

基于深度卷积神经网络的轴承多故障诊断研究

针对现有研究轴承单一故障较多而研究复杂多故障较少的不足,结合卷积神经网络自动提取特征的特性,文章提出较为先进的无需人工提取故障特征的端到端深度卷积神经网络方法进行轴承多故障诊断。与基于人工提取故障特征的神经网络故障诊断方法相比较,该方法提高了轴承多故障诊断的精度,并有效区分故障发生位置,可为工业应用提供可靠的理论实验依据。     

基于自我监督学习策略的层智能图卷积网络

为了解决当前图卷积网络需要依赖大型数据集,从而导致时间和空间复杂度上升问题,提出了基于自我监督学习策略的层智能图卷积网络(RRLFS-L-GCN)。首先,通过在层智能图卷积网络(layer-wise graph convolutional network, L-GCN)中添加多任务机制以提高算法的泛化能力;然后,设计一种随机删除固定步长边(aandomly remove links with a fixed step, RRLFS)的自我监督学习策略,从而提出基于自我监督学习策略的层智能图卷积网络算法;最后,通过边预测验证RRLFS-L-GCN的性能。实验结果表明,该算法的识别率最高可达97.13%。对于Cora测试集,该算法所得识别准确率比未改进的层智能图卷积网络算法提高了6.73%。对于PubMed测试集,该算法所得识别准确率比未改进的层智能图卷积网络算法提高了8.13%。与图卷积网络相比,在Citeseer数据集上,识别准确率提高了18.43%。     

基于深度卷积网络的多工况寿命预测方法研究

机电设备的寿命预测是状态维修中的一项重要任务,目前在多工况条件下的机电设备寿命预测效果并不理想,为了更好的预测多工况条件下的设备剩余寿命。文章对现有的涡轮风扇发动机开源数据集进行了研究,提出了一种新的多工况深度卷积神经网络模型(MC-DCNN)来估计剩余寿命。将原始数据输入文章提出的MC-DCNN模型中,模型输出不同工况下的设备剩余寿命。该模型能更好的预测多工况设备的剩余寿命,在实际生产中也更有价值。最后通过对公开数据集进行实验,并与现有的模型进行分析对比,证明该模型的有效性。     

基于在线评论数据驱动的产品感性评价方法

为了解决传统感性工学主观性过强、实时性差、数据少等问题,提出一种产品在线评论数据驱动的感性工学方法。以某电子商务平台智能手机在线评论为数据源,提出词频与评估、强度、活动3个维度相结合的TFEPA方法,并使用该方法提取在线评论中的感性词;为获得更合理的感性评价,采用面向在线评论的词聚类结合程度副词的方法计算感性评价值,再从认知心理学的角度,结合产品属性参数与用户感性意象,构建了基于BP神经网络的非线性映射模型,用于模拟用户心理评估机制。最后,评估了模型的泛化能力,验证了所提方法的可行性与有效性。