弯曲模试冲缺陷智能诊断技术

分析了弯曲模试冲时的缺陷及原因,建立了缺陷征兆—原因关系表;介绍了应用人工神经网络技术对弯曲模试冲缺陷进行正向诊断的方法,探讨了人工神经网络技术应用于弯曲模试冲缺陷诊断的可行性。     

带有广义不确定性的导弹非线性控制系统设计

 在导弹系统存在广义不确定性情况下,提出了一种基于反演设计技术和RBF神经网络的导弹非线性自适应控制系统设计方法。设计过程中将不确定性对系统的影响合成为一项,然后应用RBF神经网络消除了其对系统的影响,有效地解决了控制系数矩阵未知时控制器设计问题,同时放松了现有文献中对控制系数矩阵不确定性的要求。应用Lypunov稳定性定理推导出神经网络权重矩阵的自适应调节律,并证明了闭环系统的所有信号均有界且指数收敛至系统原点的一个邻域。最后给出的BTT导弹非线性六自由度数字仿真结果验证了该算法的有效性。     

采用模糊RBF神经网络的直升机旋翼不平衡故障诊断

提出一种利用模糊径向基函数(Radial basis function,RBF)神经网络进行直升机旋翼不平衡故障诊断的方法,建立了用于直升机旋翼不平衡故障识别的模糊诊断模型。基于直升机旋翼不平衡故障模拟实验,对采集于旋翼配重不平衡、桨距不平衡、后缘调整不平衡和正常状态下的试验台体振动信号进行功率谱分析,并采用主分量分析(Principal component analysis,PCA)的方法进行故障特征提取。采用模糊RBF神经网络诊断模型对旋翼不平衡故障进行了故障分类识别,同时分析了不同主分量累计贡献率和模糊子空间对故障分类精度的影响,并与RBF神经网络的诊断模型、支持向量机(Support vector machine,SVM)诊断模型进行了故障识别效果对比。结果表明,模糊聚类RBF神经网络的诊断方法对旋翼不平衡故障具有更好的识别能力。     

基于RBF和主动学习的非概率可靠度求解方法

进行结构非概率可靠性分析时，对于失效域与超椭球不确定域发生干涉的情况，非概率可靠度相较于非概率可靠度指标更具有适用性。为了提高超椭球模型下结构非概率可靠度的求解效率，本文提出一种求解非概率可靠度问题的高效主动学习方法。首先，结合交叉验证和jackknifing方法推导了RBF模型在未知点处的jackknifing方差以评估模型预测的不确定性，并根据该方差基于RBF的主动学习函数对非概率可靠度进行求解。其次，提出有效收敛准则来终止非概率可靠性分析的主动学习过程。最后，3个算例表明该方法能够在较少功能函数调用次数下得到精确的非概率可靠度估计值，具有良好的工程应用价值。     

喷射成形TiCp/ZA35复合材料热挤压工艺的ANN优化和组织研究

采用人工神经网络(ANN)的方法，研究挤压比、挤压比压、挤压温度和挤压速率对喷射成形TiC_p/ZA35复合材料力学性能的影响，建立了TiC_p/ZA35复合材料热挤压的人工神经网络模型。模型的输入参数为挤压比、挤压比压、挤压温度和挤压速率，输出参数为复合材料的抗拉强度。该模型可以仿真TiC_p/ZA35复合材料在不同热挤压工艺参数下的力学性能，也可以优化热挤压工艺参数，模型结果与实验结果误差小于1.8%，拟合率为0.986。推荐热挤压工艺优化参数为：挤压比22，挤压比压415 MPa，挤压温度315℃，挤压速率8 mm·s^-1，此工艺条件下复合材料的抗拉强度为486.7 MPa。热挤压间接对复合材料进行了时效处理，材料晶内析出晶须状和颗粒状的MnAl6强化相。弥散强化和位错强化作用使热挤压喷射沉积TiCp/ZA35复合材料较未挤压复合材料抗拉强度提高38.3%。     

基于表面成分检测的铝合金精准分类方法研究

铝合金凭借其优良特性广泛应用于工业制造，产生了大量废旧铝合金，而新生产铝合金会消耗大量能源且对环境造成污染，因此回收再利用废旧铝合金有重要意义，须找到对铝合金进行分类回收的高效分类方法。基于表面成分检测技术-激光诱导击穿光谱技术(LIBS),先采集铝合金表面成分的光谱信息，再结合ELMAN神经网络、人工神经网络(ANN)以及随机森林(RF)模型分别对全谱数据和特征谱线数据进行了铝合金系列分类和牌号分类。研究表明：LIBS结合RF模型，能够更加快速准确的对6个系列11个牌号的铝合金进行分类，该结果为废旧铝合金系列及牌号的快速分类提供了参考方法。     

航天复合材料智能健康监测技术研究进展北大核心CSCD

航天复合材料智能健康监测技术水平是衡量航天型号可靠性与先进性的重要标志之一,是支撑航天装备向多次重复使用、长期可靠运行发展的关键技术之一。本文总结了近年来复合材料智能健康监测在传感器制作技术、传感器与复合材料集成技术、复合材料状态监测技术、复合材料损伤及失效表征技术、人工神经网络数据处理和分析技术主要研究进展及发展现状,提出了航天复合材料智能健康监测技术存在的问题以及后续未来发展的重要方向。     

目标加速度未知下的导弹自适应滑模拦截制导

针对机动目标拦截过程中加速度信息难以获取的实际问题，设计了一种基于RBF神经网络的自适应滑模拦截制导律，有效提高了导弹制导系统的鲁棒性能。首先，结合空间几何知识，构建了弹-目三维空间相对运动模型；然后，利用RBF神经网络对拦截目标的未知加速度进行了有效估计，消除了制导设计对目标加速度信息的依赖性；在此基础上，结合零化视线角速率的制导理念，分别在导弹俯仰平面和偏航平面设计了对应的自适应滑模制导律，同时采用连续高增益法削弱了系统的抖振现象，并给出更符合导弹制导实现的法向过载指令，利用Lyapunov定理证明了所提方法的收敛性；最后，通过仿真验证，在三种不同的拦截场景下进行了仿真对比，仿真结果表明所提滑模拦截制导律对目标机动有较高的自适应性和鲁棒性。     

基于改进ALO-RBF的高频地波雷达海杂波预测模型

高频地波雷达是海上动目标检测的重要手段，其中海杂波是影响海面目标检测性能的主要因素。为了提高海杂波的预测精度进而有效抑制海杂波，本文提出了一种基于改进蚁狮算法（Ant Lion Optimizer，ALO）优化RBF神经网络的海杂波预测模型（MGPALO-RBF，Multiple elites dynamic guidance Ant Lion Optimizer based on Gaussian difference variation-based learning with Perturbation factor-radial basis function）。由于标准蚁狮算法具有易陷入局部最优且收敛速度慢的缺点，本文在蚂蚁进行随机行走的过程中加入扰动因子以增加种群的活跃性和多样性，并提出多个精英动态引导机制，强化算法前期的探索能力和后期的开发能力，同时对种群中较差蚁狮进行高斯差分变异以提高算法的收敛速度。仿真结果表明：改进的蚁狮算法在对比算法中具有更高的收敛精度和收敛速度，MGPALO-RBF模型具有更好的海杂波预测性能。     

基于径向基函数的变量预测模型模式识别方法

针对变量预测模型模式识别方法中4种数学模型不足以反映特征值之间复杂关系的缺陷.因此,提出了一种基于径向基函数的变量预测模型(VPMRBF)模式识别方法,把提取的特征值输入到VPMRBF分类器中,然后通过训练样本建立反映特征值之间复杂关系的径向基函数预测模型,最后把测试样本的特征值作为径向基函数预测模型的输入,以预测误差平方和为依据完成分类.该方法充分有效地利用并且结合径向基函数和变量预测模式识别方法的优点,实现了故障特征提取到故障识别的全程诊断. 滚动轴承故障诊断实验分析结果表明:与径向基神经网络、支持向量机和变量预测模式识别方法相比,VPMRBF的识别率分别提高了4.75%，1.75%和5.25%.