基于IGA-Elman算法的民航发动机基线挖掘研究

为进一步提高民航发动机性能参数基线挖掘的准确性,提出了一种基于改进遗传算法(IGA)优化Elman动态回归神经网络的基线预测模型.该模型通过改进遗传算法的交叉和变异概率更新操作,并优化Elman网络的初始权值和阈值.同时,结合EHM系统输出的飞行数据报告,对该神经网络进行训练,用训练好的神经网络对某航空公司提供的监控数...     

PSO-RBF神经网络在舵机系统故障诊断中的应用

文章建立了基于RBF神经网络的故障观测器模型,提出了一种将粒子群优化算法(PSO)与正则化正交最小二乘法(ROLS)相结合的2级RBF学习方法,并将该RBF网络观测器应用于导弹舵机系统的故障诊断.实验结果表明,基于该RBF神经网络的故障观测器能够有效地实现导弹舵机系统的故障检测.     

OLS算法在无人机传感器故障诊断中的应用

在故障诊断领域,神经网络故障诊断方法以其优良的特性正得到越来越广泛的应用。本文针对无人机的特点提出一种基于RBF神经网络故障诊断方法,通过建立神经网络预测器来实现无人机机载传感器的故障诊断,其中网络学习算法的选取将直接影响神经网络故障诊断的性能。正交最小二乘算法(OLS)以其在设定网络参数方面的优点常用来作为RBF神经网络学习算法。本文将介绍OLS算法的原理和实现步骤,通过VC 6.0编程实现OLS算法,并利用无人机机载传感器数据来验证OLS算法的有效性。     

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.     

基于RBF神经网络的数字模式识别方法

在介绍径向基函数神经网络基本原理的基础上,讨论了基于 RBF 的数字模式识别的设计及其原则,包括识别数字网络模型结构、最近聚类学习算法等问题。     

改进的RBF神经网络在翼梢小翼优化设计中的应用

为了提高径向基函数(RBF)神经网络模型的预测精度,在其基础上提出了一种自适应RBF神经网络模型。该预测模型在RBF神经网络模型表达式中引入自适应向量(向量维数与样本点自变量维数相同),采用优化搜索方式确定自适应向量值,从而提高模型预测的准确度和普适性。与其他RBF神经网络模型的改进相比,本文直接从改变基函数的形式入手,使用较少的参数优化达到对网络模型的自适应构造;该方法本质上改变了基函数网络中心与宽度对网络模型预测的作用以及样本点自变量向量的各个维对因变量的影响度,其对目标问题具有自适应性。将本文的自适应RBF神经网络模型应用在基于机身+机翼+翼梢小翼模型的翼梢小翼优化设计中,在约束弯矩的情况下进行巡航减阻优化设计,设计结果验证了该预测模型的可行性,表明其具有一定的工程实用价值。     

基于进化神经网络的压气机结垢性能退化评估

采用进化神经网络方法,通过测量参数对压气机结垢性能退化模式进行了定量监控和评估。运用粒子群算法优化径向基函数(Radial Base Function,RBF)神经网络的初始权值,即由神经网络训练样本所得到的实际和期望的输出之间的误差平方和构造适应度函数,对RBF神经网络的隐层中心、半径以及输入输出权值进行全局寻优搜索,设计了进化RBF神经网络,并对模拟得到的压气机结垢的样本进行训练和测试。结果表明:进化RBF神经网络的模式识别能力比普通RBF神经网络的要强,对燃气轮机性能退化评估和健康管理具有重要理论意义和应用价值。     

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.     

基于模糊径向基函数神经网络的永磁同步电机滑模观测器设计

针对传统滑模控制易导致系统出现抖振的问题,提出了一种模糊径向基函数(RBF)神经网络滑模观测器来实现永磁同步电机(PMSM)无传感器控制。为了减小观测器系统抖振,利用模糊RBF神经网络算法动态调整滑模增益,并采用李雅普诺夫稳定性定理证明了该模糊神经网络观测器的稳定性；利用锁相环(PLL)技术提高估算精度,并削弱计算噪声。基于MATLAB/Simulink软件平台搭建了仿真模型,将模糊RBF神经网络滑模观测器系统与传统滑模观测系统进行对比。结果表明,与传统的滑模观测器相比,新型滑模观测器能够快速、有效地跟踪转子位置,精确估算出转子速度,同时具有较好的动态特性。     

基于神经网络的故障率预测方法

 为了更好地预测产品故障率,提出了基于神经网络的故障率预测方法,分别给出了基于反向传播(BP)网络和径向基函数(RBF)网络进行故障率预测的基本思想、预测模型和实施步骤。分别对比分析了神经网络法与回归分析法、分解分析法、移动平均法、指数平滑法、自适应过滤法、自回归移动平均混合(ARMA)模型等统计预测方法的区别,对照故障率的特点,说明了神经网络法是其中最适用于故障率预测的统计方法。最后分别按这两种模型对某航空公司波音飞机故障率进行了预测,预测结果表明：这两种模型均适用于故障率预测,预测值与真实值的误差在20%之内,且RBF网络的预测效果略优于BP网络,此外通过与上述统计预测法的误差进行对比,说明神经网络法预测误差最小。     

基于改进的灰色RBF模型的初始备件预测研究

针对初始备件故障规律不稳定和历史消耗数据少的特点,将遗传算法、GM（1,1）模型和RBF神经网络有机结合．提出了改进的灰色RBF预测模型。该模型利用遗传算法对GM（1,1）模型参数进行动态寻优,并利用RBF网络对预测值进行残差修正。最后,通过采集新机部队某初始备件上半年的消耗数据,对该模型进行了实例仿真。结果表明：改进...     

航空发动机全包线自适应解耦控制器设计

为实现航空发动机在全包线的解耦控制, 在飞行包线内选择了若干点, 使用遗传算法对单神经元自适应解耦控制器的比例系数进行了离线优化。以优化得到的若干组参数为训练样本, 离线训练径向基函数(RBF)神经网络, 训练后的网络可映射高度、马赫数与比例系数之间的非线性关系, 飞行包线内任意点的解耦控制器比例系数即可由该网络得到。仿真表明:在设计点和非设计点, 系统均具有良好的动态特性和解耦特性。该方法结构简单、易于实现, 具有实用价值。      

超临界翼型稳健型优化设计研究

基于标准遗传算法、RBF神经网络以及类函数/型函数变形技术建立了翼型气动优化设计系统,在选取3次CST方法即分别对翼型上下表面采用4个设计变量进行参数化,对某型客机基本翼型在给定设计指标下进行优化设计,分别研究了巡航状态下的气动优化,以及结合蒙特卡洛分析方法马赫数随机平均分布下的翼型稳健型优化设计。结果显示,优化后的翼型的气动特性有着显著提高。     

基于IPSO Elman神经网络的航空发动机故障诊断

为提高航空发动机故障诊断的精度,提出改进粒子群优化的Elman神经网络对航空发动机故障诊断的方法。利用MIV(平均影响值)对神经网络的输入端自变量进行筛选，降低输入维度；采用改进粒子群优化算法对Elman神经网络的权值和阀值进行优化，并对优化的神经网络进行训练；用训练好的神经网络对航空发动机故障进行诊断并与常规的BP（back propagation）、Elman神经网络、GM（1,n）、SVM (support vector machines)进行对比。仿真结果表明:IPSO Elman(improved particle swarm optimization Elman neural network)神经网络的诊断误差在不同数量训练样本时都小于其他方法，并且在参选故障诊断的性能参数不同时，其诊断误差相近，展现出较强的适应能力。      

基于微波辐射测量的电波折射修正技术

针对电波折射修正精度直接影响无线电系统的探测和定位精度这一问题,提出了利用微波辐射计反演大气折射率剖面进行电波折射修正的解决方法,并引入RBF（Radial Basis Function,径向基）神经网络算法反演大气折射率.在青岛市气象局架设MP-3000A型多通道微波辐射计,开展了长达1个月的与探空数据的联合观测比对实验,对输出的大气折射率剖面进行了详细的分析.实验结果表明：RBF神经网络算法与MP-3000A自带的神经网络算法相比,反演大气折射率剖面的精度提高了30％以上,同时,电波折射修正的精度也得以提高.因此,利用微波辐射计反演大气折射率剖面进行电波折射修正方法可行.     

Neural Networks Combined with Importance Sampling Techniques for Reliability Evaluation of Explosive Initiating Device

Concerning the issue of high-dimensions and low-failure probabilities including implicit and highly nonlinear limit state function, reliability analysis based on the directional importance sampling in combination with the radial basis function (RBF) neural network is used, and the RBF neural network based on first-order reliability method (FORM) is to approximate the unknown implicit limit state functions and calculate the most probable point (MPP) with iterative algorithm. For good efficiency, based on the ideas that directional sampling reduces dimensionality and importance sampling focuses on the domain contributing to failure probability, the joint probability density function of importance sampling is constructed, and the sampling center is moved to MPP to ensure that more random sample points draw belong to the failure domain and the simulation efficiency is improved. Then the numerical example of initiating explosive devices for rocket booster explosive bolts demonstrates the applicability, versatility and accuracy of the approach compared with other reliability simulation algorithm.