质量控制的智能化研究

简述了工序质量检验的智能方法及应用人工神经网络技术进行质量控制图异常模式自动识别等质量控制的智能化方法．重点介绍了作者提出的基于质量特性预测、采用自适应自校正网络的质量控制方法，以及依据确定性测量理论、应用有监督线性特征映射网络（SLFM）的过程参数控制法．     

航空发动机叶片数控加工工时估算方法研究

为了快速合理地估算航空发动机叶片数控加工工时,在分析影响零件工时的主要因素(特征参数)的基础上,提出了基于SLFM神经网络模型的计算工时定额的思路。以影响零件工时的特征参数作为网络输入、以匹配的相似零件集作为训练样本,采用C++语言构建了定额计算网络模型。与BP网络对比试验表明,这种方法具有计算速度快,估算准确的优点。     

基于有监督线性特征映射(SLFM)网络的材料性能预测模型

构造了基于 SLFM网络的材料性能预测模型 ,探讨了实现该预测模型时网络的拓扑结构、学习和预测机制以及参数选择 ,提供了其对 Ti-2 6合金性能进行预测的实验 ,实验结果良好。在此基础上对 Ti-2 6合金的部分性能影响因素进行了优化 ,优化后的性能测算结果和实验结果相符。     

基于RBFNN自适应混合学习算法的航天测控系统任务可靠性分配

为解决执行航天测控任务的各设备存在复杂的时空关联、可视与信息关联等动态约束关系,使得航天测控系统任务可靠性分配建模和分析极其困难,同时模型求解效率低的问题,提出了自适应混合学习算法的径向基神经网络建模方法.算法通过训练样本相关性矩阵的主成分分析确定网络隐含层初始节点数;在此基础上,利用梯度信息衰减因子改进了迭代过程中网络参数的梯度信息计算方式,避免了学习过程早熟的不足,且加快了迭代收敛速度.最后,通过采集航天测控系统输入-输出数据,将自适应混合学习算法应用于参数训练,并给出了具体实现步骤.通过算例仿真,表明算法在解决航天测控系统任务可靠性分配问题时具有较高泛化能力和分配结果稳定等优点.      

LEACH协议的改进与仿真研究

无线传感器网络由能量受限的节点组成,高效节能的路由算法是路由设计的关键问题。在LEACH算法的基础上,提出了一种新的分簇式路由策略,从簇头个数的确定、簇头选举方法对LEACH算法进行了改进,数据传输方式允许采用多跳方式与基站节点通信,仿真结果表明该算法具有降低网络能耗、延长网络生命周期的优点。     

控制图异常模式参数估计的神经网络方法

对质量控制图的异常模式进行参数估计可进一步揭示加工过程潜在的质量问题。本文提出了一种基于SLFM网络的参数估计方法 ,可对异常模式的参数进行有效估计。数字仿真表明 ,该网络训练速度快、估计的精度高 ,且有很强的可塑性 ,适用于控制图异常模式的在线实时参数估计。     

基于模仿强化学习的固定翼飞机姿态控制器

研究了基于模仿强化学习的飞机姿态控制器。首先,建立专家经验数据集,并利用行为克隆对控制网络参数初始化;而后,控制网络利用强化学习和监督学习混合模式训练,通过奖励函数塑形和经验数据集监督学习引导强化学习算法快速收敛,使姿态控制器姿态响应优化的同时符合专家经验。控制网络输入为飞机姿态角误差、角速度等状态变量,输出控制增稳系统指令。实验表明,模仿强化学习控制器能够实现不同初始条件下飞机姿态角快速响应并与经验数据相符。     

基于RBF神经网络的航空发动机故障诊断研究

采用改进算法优化了径向基函数(RBF)网络.针对航空发动机工作条件和结构的复杂性,提出了用RBF网络进行故障诊断的方法,构建了基于RBF网络的多参数航空发动机故障智能诊断模型,并对典型发动机故障进行了诊断.结果表明,RBF网络具有优秀的故障学习能力,采用它进行航空发动机故障诊断是行之有效的,具有较好的应用前景.     

神经网络在经济预测中的应用

阐述了针对BP神经网络在经济预测应用中存在的网络学习速度缓慢、计算量大、网络容易陷入局部极小、学习步长需要通过实验由人工来设置和调整等问题,提出将自组织理论、扩展Kalman滤波、模糊算法、小波理论等与神经网络相结合,构成新的网络结构或改进学习算法,以克服BP神经网络自身不足的思路。     

深度置信网络在发动机气路部件性能衰退故障诊断中的应用研究

为提高发动机转动部件性能衰退故障诊断精度,针对传统的浅层网络和支持向量机(SVM)方法在诊断时存在泛化能力欠缺、易产生局部最优解等问题,引入近年来在模式识别领域取得巨大突破,模拟人脑多层结构的深度置信网络(DBN)进行发动机部件性能衰退故障的诊断。为改进深度置信网络性能,提出一种在无监督和有监督训练阶段都可自适应调整权值的改进算法(ad_DBN)。以涡扇发动机为对象,将两种DBN算法与BP,RBF和SVM方法从诊断精度、计算时间、抗噪能力三方面进行综合比较分析。结果表明DBN算法诊断精度明显优于反向传播(BP)神经网络,径向基(RBF)神经网络和支持向量机(SVM)方法,得益于权值的自适应调整,ad_DBN诊断的平均精度高达97.84%,其抗噪声能力也明显优于其他算法,能够提高故障诊断的有效性和可靠性。     

基于优化最小二乘支持向量机的小样本预测研究

统计学中的预测问题主要是通过对已知数据的分析,找到数据内在的相互依赖关系,从而获得对未知数据的预测能力。该文提出了最小二乘支持向量机参数优化方法———多层动态自适应优化算法,构建了基于最小二乘支持向量机的预测模型,并对Ti 26合金的性能预测进行了研究。结果表明:优化的最小二乘支持向量机具有优秀的小样本数据学习能力和预测能力。     

过程质量控制新方法研究

]     

智能制造系统质量控制的神经网络方法研究

研究了利用人工神经网络预测质量参数的方法,提出了用有监督线性特征映射网络构造自校正神经网络的方法及网络参数的选择,并提供了在磨削尺寸预测中的应用,研究表明该方法具有广泛的应用前景。     

基于RBF神经网络的液压位置伺服系统故障诊断

针对液压系统的非线性、时变、流固耦合的特点,提出双级径向基函数(Radial Basis Function,RBF)神经网络模型实现液压伺服系统故障检测与定位.采用第1级RBF网络作为液压伺服系统的故障检测滤波器,通过实际系统与RBF观测器输出的残差实现液压伺服系统故障检测.利用第1级RBF观测器的输出残差和网络结构参数,应用第2级RBF网络实现液压伺服系统典型故障定位.针对K均值聚类算法收敛速度慢的缺点,提出了改进K均值聚类算法和学习速率自适应调整算法,利用网络优化结构参数和学习率,加快神经网络收敛速度,减少运算量.实验结果表明,利用双级RBF神经网络能够有效地检测出液压位置伺服系统的故障,并能实现系统的故障定位.     

控制图异常模式的识别技术研究

质量控制图中所呈现出的异常状态可揭示出加工过程潜在的质量问题。本文提出了一种基于SLFM网络的控制图模式识别模型 ,该模型不仅能够识别控制图的 6种基本模式 ,对混合型的异常模式也能够有效识别。数字仿真表明 ,该模型训练速度快 ,识别精度高 ,并且具有很强的可塑性 ,适用于质量控制图的在线实时模式识别     

无监督深度学习单目视觉里程计研究

针对传统单目视觉里程计存在的尺度漂移和尺度不一致问题，提出了一种基于无监督深度学习的单目视觉里程计。首先，联合使用空间几何约束和图像相似性约束，得到长序列尺度一致的深度估计网络和鲁棒的光流估计网络；然后，对密集光流进行采样，得到精确的稀疏对应关系，减少尺度漂移；最后，根据改进的ORB-SLAM初始化方法，选择最优跟踪方式，结合深度信息进行尺度对齐，从而得到全局尺度一致的视觉里程计。在KITTI数据集上进行大量实验，结果表明，相较于ORB-SLAM2和基于深度学习的端到端的视觉里程计系统，该算法在通用评估指标方面性能有明显提升，验证了该算法的有效性。     

An online ensemble semi-supervised classification framework for air combat target maneuver recognition

Online target maneuver recognition is an important prerequisite for air combat situation recognition and maneuver decision-making. Conventional target maneuver recognition methods adopt mainly supervised learning methods and assume that many sample labels are available. However, in real-world applications, manual sample labeling is often time-consuming and laborious. In addition, airborne sensors collecting target maneuver trajectory information in data streams often cannot process information in real time. To solve these problems, in this paper, an air combat target maneuver recognition model based on an online ensemble semi-supervised classification framework based on online learning, ensemble learning, semi-supervised learning, and Tri-training algorithm, abbreviated as Online Ensemble Semi-supervised Classification Framework (OESCF), is proposed. The framework is divided into four parts: basic classifier offline training stage, online recognition model initialization stage, target maneuver online recognition stage, and online model update stage. Firstly, based on the improved Tri-training algorithm and the fusion decision filtering strategy combined with disagreement, basic classifiers are trained offline by making full use of labeled and unlabeled sample data. Secondly, the dynamic density clustering algorithm of the target maneuver is performed, statistical information of each cluster is calculated, and a set of micro-clusters is obtained to initialize the online recognition model. Thirdly, the ensemble K-Nearest Neighbor (KNN)-based learning method is used to recognize the incoming target maneuver trajectory instances. Finally, to further improve the accuracy and adaptability of the model under the condition of high dynamic air combat, the parameters of the model are updated online using error-driven representation learning, exponential decay function and basic classifier obtained in the offline training stage. The experimental results on several University of California Irvine (UCI) datasets and real air combat target maneuver trajectory data validate the effectiveness of the proposed method in comparison with other semi-supervised models and supervised models, and the results show that the proposed model achieves higher classification accuracy.     

基于IGA算法优化的RBF神经网络应用

提出了一种基于改进遗传算法(Improved Genetic Algorithm,IGA)优化的径向基函数(RBF)神经网络,将实数编码的自适应交叉和变异操作的遗传算法与梯度下降法混合交互运算,作为RBF网络的学习算法,并应用于非线性函数的逼近和导弹故障模式的识别问题。仿真结果表明,基于IGA算法的RBF神经网络不仅结构简单,而且具有较好的网络泛化性能。     

遗传寻优神经网络在平台温控系统建模中的应用

温度直接影响惯性仪表及惯性平台的使用精度,而高精度温控系统的设计依赖于准确的平台加温模型,针对平台系统中多种惯性仪表加温过程复杂度高,当前采用的阶跃响应辨识方法存在模型适应性差、精度不高等情况,且针对基于梯度下降的BP学习算法存在局部收敛的问题.采用基于遗传算法寻优的神经网络辨识的方法,对惯性仪表加温模型进行建模,试验验证通过遗传寻优后的BP神经网络学习算法,提高了网络的学习精度,进而提高了平台系统中惯性仪表加温过程数学模型的精度,模型适应性较高,为后续惯性仪表的加温控制方法的设计提供了必要的条件.