基于小波神经网络的航空刀具磨损状态识别

针对航空零件的加工特点,采集刀具在不同磨损状态下的声发射(AE,Acoustic Emission)信号,对AE信号进行时频分析和小波变换,运用快速傅里叶变换(FFT, Fast Fourier Transform)以及db8小波5层分解,提取AE信号幅值的均方根和主能量频段的能量作为特征向量,对特征向量进行归一化处理后作为输入向量对小波神经网络进行训练.小波神经网络运用参数调整算法,在权值和阈值的修正中加入动量项.测试结果表明:AE信号对刀具磨损敏感的频率范围在10~150kHz,网络实际输出与期望结果的误差小于0.03,该方法能够对刀具不同磨损状态进行正确的识别.      

基于EMD与LS-SVM的刀具磨损识别方法

针对刀具磨损声发射信号的非平稳特征和BP神经网络学习算法收敛速度慢、易陷入局部极小值等问题,提出了基于经验模态分解和最小二乘支持向量机的刀具磨损状态识别方法.首先对声发射信号进行经验模态分解,将其分解为若干个固有模态函数之和,然后分别对每一个固有模态函数进行自回归建模,最后提取每一个自回归模型的系数组成特征向量,特征向量被分为两组,一组用于对最小二乘支持向量机训练,另一组用于识别刀具磨损状态.试验结果表明:该方法能很好地识别刀具磨损状态,与BP神经网络相比具有更高的识别率.      

改进BP算法在模糊神经网络中的应用

引入一种改进的BP算法——动量因子-自适应学习率算法.通过调节动量因子以及在学习过程中的学习率实现自适应,以提高学习速率和增强学习的平稳性.将该学习算法引入到串形结构的多层前向模糊神经网络中,通过学习确定了模糊映射关系,实现了对象的模糊故障诊断.在应用模糊神经网络进行故障诊断时,被监测的故障征兆信号与网络输入层相连,即将输入向量输入到网络中,经过模糊化处理,得到各故障征兆在所定义征兆的模糊子集上的隶属度向量,再利用神经网络的前向计算,得到故障原因的模糊隶属度向量,最后通过对向量的分析确定故障原因的类型.将上述模糊神经网络应用到空气静压轴承中,实现了设备的故障诊断,测试结果验证了该方法的有效性.      

基于BP神经网络的飞行绩效评价模型

为实现飞行绩效的客观评价,利用眼动数据,建立了拓扑结构为6-14-3型的BP(Back Propagation)神经网络模型.已有的实验数据和随机插值法得到的数据作为建模的数据来源,数据分为训练集和测试集并归一化.基于Matlab的神经网络工具箱,利用经验公式和实验比较法确定了BP网络模型的隐含层节点数;对BP算法的各种改进算法进行了优化选择;将训练集数据和测试集数据先后输入网络模型进行学习训练和仿真测试;对3个技术水平的飞行员的飞行绩效进行了预测和评价.研究表明,眼动数据的BP神经网络模型可以较为准确地评价飞行绩效,评价方法可以为飞行训练提供参考.     

积冰几何特性对翼型性能影响的神经网络预测

积冰几何形状对翼型气动系数的影响是复杂的.采用BP(Back Propagation)神经网络的LM(Levenberg-Marguardt)学习算法,建立明冰的典型几何特性(冰角前缘半径、冰角高度和冰角位置)对翼型气动系数影响的神经网络,得到该3种几何参数对气动系数影响的规律;建立了典型冰形参数对最大升力系数影响的神经网络,该网络能很好的预测冰形参数对应的最大升力系数值;此外,建立了冰型位置对舵面铰链力矩系数影响的神经网络.仿真结果表明,BP神经网络仿真结果与实验值具有高度一致性,并能预测非实验值条件下的气动系数;翼型表面积冰位置变化对气动系数影响最大;铰链力矩系数在失速迎角达到之前就发生突变,可以更安全地用来预测失速的发生.      

基于BP神经网络的纳卫星轨道温度预测

为了实现纳卫星在轨温度的预测,在对纳卫星热系统动态特性模型分析的基础上,建立BP神经网络预测模型实现纳卫星在轨温度的预测.通过分析纳卫星热系统动态特性模型,得到用于BP神经网络预测模型的输入、输出变量以及训练神经网络所需的数据样本.BP神经网络预测模型分别以纳卫星外壳、辐射器、舱内仪器的热流及温度值为神经网络输入、输出,预测纳卫星10s后的轨道温度.经验证,神经网络预测模型预测结果与纳卫星实际轨道温度吻合较好,表明神经网络预测模型是快捷有效的.      

基于PSO-BP神经网络的平流层风场短期快速预测

平流层风场环境对临近空间低速飞行器驻空飞行性能有重要影响。研究了基于PSO-BP神经网络的平流层区域风场建模与快速预测方法,根据历史风场数据,采用主成分分析法对数据进行降维处理,通过BP神经网络对风场进行预测建模,利用粒子群优化（PSO）算法对其进行优化,采用Biharmonic样条曲面插值方法构建区域预测风场。以南海地区5年历史风场为对象,对比分析了基于BP神经网络和基于PSO-BP神经网络的风场预测模型,结果表明:使用具有全局寻优特性的PSO算法改进BP神经网络,能够有效避免传统BP神经网络易陷入局部最优的缺点,提高预测精度;通过结合PSO-BP神经网络预测与Biharmonic样条曲面插值,可实现区域风场的预测。研究结果可为临近空间低速飞行器的轨迹规划与区域驻留等任务的高精度区域快速预报风场提供解决途径。      

电离层f_0F_2参数提前24小时预测

利用中国9个垂测站(海口、广州、重庆、拉萨、兰州、北京、乌鲁木齐、长春、满洲里)一个太阳周(1976-1986年)的数据资料,采用三层前向反馈神经网络(BP网络)实现了电离层F2层临界频率(f0F2)参数提前24h预测.通过对f0F2参数的时间序列及其与日地活动之间进行相关分析,确定f(t)(当前时刻f0F2)、经过变换的F10.7指数等5个参数作为神经网络的输入参数,并通过同时段训练法获得不同时刻的预测值,本文与自相关分析法进行了预测性能比较.结果表明,上述方法构建的神经网络可以达到较高的预测精度.针对暴时数据,对神经网络算法进行了改进,提高了神经网络法对暴时数据的适用性.     

复合泡沫塑料力学行为模拟的ANN方法

对人工神经网络(ANN)方法在复合泡沫塑料力学行为模拟中的应用进行了研究.首先,选取影响材料力学行为的因素和所需模拟、预测的力学性能作为输入、输出量;然后,利用反向传播算法建立了四层神经网络模型,对复合泡沫塑料的力学性能和本构关系进行了模拟和预测.数值结果表明,训练后的神经网络模型能较好地模拟、预测材料的模量、屈服强度和不同应变率及不同温度下的压缩应力-应变曲线.此外,3种不同改进训练方法的比较说明,Bayesian规则化法的泛化能力最好,LM法收敛最快,而自适应梯度下降动量法则需要较长的迭代时间才能达到相同的精度.      

基于神经网络的磁平静期赤道电集流预测

利用BP神经网络技术分别对2008年后磁平静期印度扇区、秘鲁扇区以及CHAMP卫星的赤道电集流（EEJ）变化进行预测，其中神经网络训练数据为对应的2000—2007年磁平静期EEJ观测数据，输入参量为天数、地方时、太阳天顶角、太阳活动指数（F_10.7）、太阴时以及卫星地理经度，输出参量为EEJ.对EEJ预测结果进行了统计学分析，并且与实际观测结果进行对比.结果表明:BP神经网络对事件中EEJ的变化具有很好的预测能力，预测结果能够反映EEJ的重要分布特征；EEJ预测值与观测值之间具有很好的相关性，其中地磁台站观测值与预测值相关性系数可达85%以上.此外，将BP神经网络模型的预测结果与Yamazaki提出的经验模型结果进行对比，结果显示BP神经网络与其经验模型性能相当.研究结果表明，BP神经网络技术在平静期EEJ变化预测方面性能优异，具有良好的应用前景.      

单层板撞击成坑声发射辨识及参数估计研究

空间碎片撞击航天器的威胁对发展在轨感知系统提出需求,为研制基于声发射技术的感知系统,有必要研究利用声发射波形分析对防护结构进行损伤模式辨识的方法。文章利用超声传感器进行了铝弹丸超高速撞击单层板的声发射信号采集实验及其数值仿真,并对波形在时域和频域内进行分析,结果表明:声发射波形的主波谷值随撞击速度增加而线性增加,直到防护结构被击穿;声发射波形中的高频分量与低频分量幅值之比存在一个区别成坑模式与击穿模式的阈值。基于上述结果提出了一种在撞击弹丸尺寸已知条件下辨识成坑模式并对其撞击速度及其弹坑尺寸进行估计的方案。     

基于支持向量机的滚动轴承状态寿命评估

应用状态寿命描述滚动轴承的使用寿命,并建立了滚动轴承的状态寿命评估模型.状态寿命评估模型建模的关键是振动信号的特征提取和状态的识别算法.针对滚动轴承振动的特点,提取小波包重构信号的频带能量构造特征向量,利用支持向量机作为辨识算法建立滚动轴承状态寿命评估模型.滚动轴承全寿命试验验证了模型的有效性和可信性.     

热、力耦合作用下热障涂层的失效机制

针对热障涂层服役环境中热物理化学环境与机械载荷耦合作用的特点,采用交流阻抗谱法与声发射法对热障涂层在恒定外载荷(高温蠕变)以及交变载荷(高温低周疲劳)作用下的失效过程进行了考察分析,研究发现,交流阻抗谱中低频段阻抗值的变化可以有效地反映热障涂层热氧化层内横向裂纹的萌生及扩展;有无外机械载荷作用下热障涂层的热循环失效的模式截然不同,在高温蠕变条件下,热障涂层的裂纹并不产生在热氧化层内,而是产生在热氧化层与柱状晶之间的等轴晶区;而在高温低周疲劳条件下裂纹是在粘结层与高温合金基体的扩散层处.      

基于BDS-GD的低截获概率雷达信号识别

针对在信号特征提取与识别中使用双谱估计数据量大、维度高的问题,提出了双谱对角切片（BDS）与广义维数（GD）相结合的识别方法。通过提取信号双谱对角切片减少数据量,并利用多重分形理论中的广义维数降低数据维度,对切片内部特性进行细微描述,基于距离测度提出特征评价指标,从而选出最具有区分度的3个阶数对应的广义维数作为特征向量,输入到最小二乘支持向量机中进行分类识别。使用4种低截获概率（LPI）雷达信号作为待识别信号,仿真结果表明,本文方法提取的信号特征在特征空间中有良好的聚集性和离散性,在0 dB信噪比下,识别准确率能达到92.2%,与选取的其他方法对比说明其具有很好的识别性能。      

大型转动机械碰摩故障分析的声发射检测系统

汽轮发电机、空气压缩机等采用油膜支撑的大型转动机械,由于安装或运行中的原因,在转子旋转过程中,可能和器壁发生轻微的摩擦和碰击,简称碰摩.声发射技术在碰摩发生特别是故障早期诊断上有优越性.本系统的特点是没有沿用传统的计数、幅度、能量和持续时间等声发射特性参数,而是在声发射包络信号的频率分析中进行特征提取.声发射发生的过程分析和现场试验都表明这种方法对碰摩检测很敏感,在碰摩发生的起始阶段,包络谱中与转速同步的周期性分量显著增加.根据这种新的设计思想自行研制了BUAA碰摩声发射检测仪并对此作了介绍.     

基于峭度熵与分层极限学习机的动量轮轴承故障诊断研究

动量轮是卫星姿态控制系统的关键部件，其可靠性直接关系到整星寿命与安全。作为动量轮的核心组件，轴承易于发生故障，且独特结构和复杂运行环境导致监测信号信噪比低，早期故障诊断困难。针对这种情况，对变分模态分解和峭度熵结合的特征提取方法进行研究，获得动量轮轴承监测信号中的微弱故障特征，并建立特征向量。引入分层极限学习机，对结构和编码方法进行优化后用于轴承故障的识别。最后，将提出的方法用于实际故障的诊断，并通过与传统ELM方法比较，得出提出的方法在动量轮轴承故障诊断中具有更高的诊断精度，达到98.5%。