用于航天电子装置多余物检测的自学习分类模型研究

The existance of loose particles is one of the main reasons of aerospace equipment failure and aerospace catastrophe. The conventional loose particle detection method used for electronic components could not satisfy the high precise requirements of more complex aerospace equipments. This project builds a self-learning classification model where a self-learning structure and its fast parameter identification method are proposed, which can prevent the curse of both huge date storage and model dimension. This model simultaneously realises the loose particle dection and material identification by classifying the loose particle signal, which can address the misjudge of the module signal, the fuzzy classification boundaries and the contradiction between effectiveness and accuracy，to improve the accuracy of and efficiency on loose particle detection and material identification. Therefore, the research has important theoretical significance and practical value.

多余物的存在是导致航天电子装置失效和航天事故的主要原因之一。传统的电子元器件多余物检测方法不能满足复杂的航天电子装置多余物检测和材质识别精度要求。本项目建立用于航天电子装置多余物检测的自学习分类模型，提出自学习模型结构和快速模型参数辨识方法，克服传统自学习模型存在的数据存储灾难和模型维数灾难问题。该模型通过对多余物信号分类，同时完成多余物有无检测和材质识别，解决组件信号易被误判为多余物信号的难题、材质分类界线模糊、海量数据处理速度与精度矛盾等问题，实现高精度和高效率航天电子装置多余物检测和材质识别，提高航天电子装置的可靠性，因此本研究具有重要的理论意义和实用价值。

多余物是导致航天电子装置失效和航天事故的主要原因之一，传统的基于单传感器的继电器和元器件多余物检测模型和方法不能满足复杂的航天电子装置多余物检测和材质识别精度要求。本项目的主要研究内容为基于多传感器航天电子装置多余物检测故障自学习模型和方法。以航天电子设备为研究对象，系统地研究了多余物微粒噪声检测中微粒粒径、振动力学条件和微粒材质属性对多余物信号的影响，并选取频谱质心作为影响声音信号的评价参量，定性地验证了多余物声音信号频域的数学特性。研究多传感器数据融合问题。建立三层自学习故障诊断数学模型。应用核函数进行数据提取，将非线性问题转化成为线性问题。研究了新的自然算法，在满足精度要求，避免病态矩阵的产生。使用多种鉴别方式进行材质分类研究。从而实现高精度和高效率航天电子装置多余物检测和材质识别，提高航天电子装置的可靠性。本研究具有重要的理论意义和实用价值。