粗糙条件熵算法在故障诊断中应用分析

给出了一种基于条件熵的算法,并应用于弹载电子设备故障诊断中。结果表明,诊断结果准确可靠,且弥补了差别矩阵算法和差别函数算法的不足。     

系统可靠性评定的熵（法）近似限

将近代Ｓｈａｎｎｏｎ信息论的信息概念广义化,利用信息量的“可加性”特性和离散变量熵的一般表达式,并与可靠性工程理论相结合,推导了由成败型或指数型单元所组成的串、并联系统可靠性评定用的熵（法）近似下限计算公式。应用本文公式所得出的评定结果总是介于经典和贝叶斯（法）近似下限之间,既不偏于保守,又不过分冒进,相当令人满意     

k/N(G)系统可靠性评定的熵(法)近似限

将近代,Shannon信息论与可靠性工程理论相结合,推导了由不同成败型或不同指数型单元组成的k/N（G）系统可靠性评定用的熵（法）第一、二近似下限计算公式。评定结果令人满意。     

基于熵与TOPSIS法的空中目标威胁判断

针对舰艇对空防御空中目标威胁判断指标属性权重与属性值均为区间数的情况,通过以各方案与理想方案偏差最小、与负理想方案偏差最大,以及权系数熵的最大化为优化目标,用拉格朗口乘子法给出模型的最优解,得到指标的权重值;基于区间数的4种不同的距离度量方式,建立基于TOPSIS法的威胁判断模型;通过实例对比在不同距离度量下的排序效果...     

基于ACMPE、ISSL-Isomap和GWO-SVM的行星齿轮箱故障诊断

针对从行星齿轮箱非线性、非平稳振动信号特征提取困难的问题，提出了一种基于自适应复合多尺度排列熵(ACMPE)、改进监督型自组织增量学习神经网络界标点等度规映射(ISSL-Isomap)和灰狼群优化支持向量机(GWO-SVM)相结合的行星齿轮箱故障诊断方法。利用ACMPE从复杂域提取振动信号的故障特征，构建高维故障特征集；采用ISSL-Isomap方法对高维故障特征集进行维数约简，提取出低维、敏感故障特征；应用GWO -SVM分类器对低维故障特征进行模式识别，判断故障类型。行星齿轮箱故障诊断实验结果分析表明:与多尺度排列熵(MPE)、复合多尺度排列熵(CMPE)等特征提取方法相比，ACMPE方法在分类效果和识别精度上更具优势；与局部切空间排列(LTSA)、等度规映射(Isomap)、加权Isomap(W-Isomap)、监督Isomap(S-Isomap)和监督型自组织增量学习神经网络界标点Isomap(SSL-Isomap)等降维方法进行比较，ISSL-Isomap方法降维效果最佳；所提方法的故障识别率达到100%，具有一定优越性。      

装备体系结构脆性及其评价方法

为了表征多元环境下装备体系在遭受自身或外部干扰和破坏后的抵抗能力,根据装备体系结构网络化的特点,在对其组成系统进行集对分析的基础上,对装备体系结构的脆性进行评价分析。该方法首先讨论了装备体系结构脆性及其传递机理,然后通过引入信息熵的概念来定量地评估了装备体系结构的脆性,用以衡量在危机因素发生时装备体系结构发生崩溃的不确定程度。最后,以舰载机保障体系为例,证明该脆性评价方法对于装备体系的设计具有一定的意义。     

复杂微通道内对流传热的场协同及熵产

利用场协同和熵产原理研究了针肋宽度、凹穴宽度及雷诺数(Re)对凹穴和针肋组合式微通道内对流传热特性的影响,分析了微结构强化传热的本质原因,并对微通道的综合性能进行了评价。结果表明,增大针肋和凹穴宽度能够显著减小传热协同角,提高流场和温度场的协同程度,有利于强化对流传热,但局部漩涡会使流动协同角减小,增大微通道压降;增大针肋宽度能够提高能量利用效率,从而强化传热,但同时导致流动熵产率增大;适当增大凹穴宽度能够减小传热熵产率,但凹穴宽度过大会导致传热不可逆性和流动摩擦均增大;综合考虑泵功、相对针肋宽度和相对凹穴宽度,提出了预测热阻的经验关联式;当相对针肋宽度为0.2,相对凹穴宽度为2时,微通道的热阻最小,综合性能最好。      

基于MED和LMD的自动倾斜器轴承广义Shannon熵谱分析

针对轴承信号微弱故障特征易被强背景噪声淹没的问题,提出采用最小熵反褶积,通过逆滤波器最优化设计,对目标信号进行降噪处理,其峭度值提高了约3.8倍,增强了信号的微弱故障特征;针对非平稳非线性信号频率成分复杂难以解调的问题,提出采用局部均值分解(LMD)和峭度-相关系数筛选准则,其可对非平稳非线性信号进行自适应分解和最优重构,提高了信号的信噪比;针对信号耦合调制及边频突出的问题,通过引入广义Shannon熵进行包络谱带内降噪处理,信号一阶故障特征调制频率与故障特征频率的幅度比降低了24%~43%。通过实验室信号及某型直升机自动倾斜器轴承故障诊断地面试验的分析结果验证了该方法的合理性和可行性。      

基于神经网络的飞行科目模板样本集建立方法

为建立某一飞行科目的模板样本集,提出一套基于神经网络和卡尔曼滤波的数据处理方法。任选一次试飞样本,建立Kohonen自组织神经网络进行参数降维、聚类分析、特征提取等,使样本量缩减90%以上,得到该科目的模板样本集。用处理后的样本训练BP神经网络,对其他未经处理的试飞样本进行载荷预测,误差均在3%之内,说明处理后的样本能代表该科目的数据特点,即为模板样本集。方法可以为飞机载荷监控数据库的完善工作服务。