基于切削力信号-几何信息-工艺信息的铣削加工刀具状态实时辨识

刀具状态的实时辨识对提高数控加工效率和质量、降低加工成本具有重要作用。对于单件小批量生产模式下的复杂零件,加工过程中的几何形状和切削参数不断变化,为刀具状态的准确辨识带来很大挑战。针对以上问题,提出了一种基于切削力信号-几何信息-工艺信息的铣削加工刀具状态辨识方法。采集加工过程中不同刀具状态的切削力信号,并对其做时域和时频分析,提取切削力信号的特征量,与加工工艺信息和零件几何信息相关联,建立输入向量,构建基于BP神经网络的刀具状态辨识模型并训练,在实际加工中通过神经网络模型实现刀具状态的实时辨识。经过试验验证,该方法可以基本满足铣削加工刀具状态的实时辨识。     

基于磨粒磨损机理的机械磨损状态监测

针对机械设备磨损状态监测准确率较低的问题,基于不同磨损机理下磨粒具有不同的形状和纹理特征,提出了一种基于磨粒特征识别的机械磨损状态监测的数学模型。通过形状特征识别球状磨粒和切削磨粒,结合形状、纹理特征识别疲劳磨粒和严重滑动磨粒,基于提取的特征参数建立机械磨损状态监测的特征向量,通过量子粒子群优化(QPSO)的径向基函数神经网络模型,实现对机械磨损状态的监测和判别。实验结果表明:QPSO-RBF神经网络数学模型结构简单,比传统PSO-RBF神经网络模型的识别准确率高5%,可用于常见机械磨损状态的检测。      

基于遗传算法优化小波网络的柔性喷管力矩特性辨识方法

为准确辨识负载力矩并提高主动加载负载模拟的真实度，使用了一种基于遗传算法优化的神经网络辨识方法。使用小波分析方法对测试信号进行预处理，将消噪与分解后得到的信息作为神经网络训练的扩充样本，提高了辨识精度。使用遗传算法选择最优输入信息、网络结构和隐含层规模，加快网络收敛速度并简化计算过程，实现对柔性喷管力矩的快速准确辨识。仿真结果表明该辨识方法可以准确地描述柔性喷管在典型测试信号激励下的力矩特性，平均辨识误差为2%，对于实现精确主动加载控制和验证伺服控制性能具有重要意义。     

高速运动舵机的气动伺服加载特性研究

高速运动舵机是一种高能量密度的作动器,具有瞬时、高速及高加速的特征.由于高速运动舵机应用的特殊性,必须对其进行严格的产品性能测试,尤其是其带载工况下的工作可靠性,需要通过模拟负载工况来进行测试.由于高速运动舵机的固有特征,传统电液和电动伺服加载方式将产生难以克服的多余力,基于此,提出一种气动伺服加载方案.首先,对气动加载进行了建模与仿真,验证了气动伺服加载的合理性,优化了系统参数;然后,构建了气动伺服加载实验台,进行了对高速运动舵机在不同工况下的载荷谱加载实验.经过实验验证表明,该气动伺服加载系统能够实现对高速运动舵机进行变梯度动态载荷的加载,并具有较高的精度和可重复性,对高速运动舵机的测试具有重要的意义.     

面向终端区航空器飞行状态识别的HMM方法

为了准确掌握和预测终端区航空器飞行状态及其时序,为管制指挥提供参考,提出了一种基于隐马尔可夫模型的终端区飞行状态识别模型。通过对终端区雷达数据的一致化处理,形成符合隐马尔可夫模型的雷达航迹特征表示;采用雷达特征航迹训练隐马尔可夫模型,建立航空器飞行状态及其时序识别模型。实验表明:对于常规进场的航空器,方法快速有效,平均识别率高达91.53%;模型充分体现了管制意图信息与飞行意图信息;可以帮助管制员及时准确判断航空器的飞行状态。     

基于深度学习的航空器异常飞行状态识别

飞行设备快速存取记录仪(Quick Access Recorder,以下简称QAR)保留了原始航班各类重要飞行参数在内的航行信息,使研究分析航空器实时状况和保障飞行质量成为可能。针对QAR数据高维大样本的特点,在如今大数据背景下,除了传统机理建模分析航空器飞行状态外,采用深度学习的方式建立基于数据驱动的航空器飞行状态识别模型,理论与实用意义兼具。通过对真实QAR飞行数据的研究,开发了基于深度稀疏受限玻尔兹曼机的异常飞行状态识别程序。首先利用小波降噪技术对原始飞行数据进行预处理清洗,在一系列典型飞行参数上提取经典时域特征以及小波奇异熵等信息熵特征构成特征集。在此基础上,分别利用经典的线性主元分析技术和深度稀疏玻尔兹曼机对特征集进行有效降维,最后采用四折交叉验证方式,通过高斯过程分类器实现对飞行状态的辨识。实验结果显示,基于深度受限玻尔兹曼机-高斯过程分类的飞行状态识别具有较高分类准确性。     

基于DNN的飞机俯仰运动响应预测研究

针对人工智能的辨识方法在飞行器模型辨识应用中存在间接依赖数学模型以及泛化能力较低的局限性问题,基于深度学习思想,提出了一种新的数据处理方式,完成飞行器的系统模型辨识。首先,针对飞行器动态模型的特点,提出一种基于时序性的飞行数据处理方式;其次,采用交叉熵损失函数进一步优化深度神经网络;最后,针对飞行器纵向非线性模型进行仿真计算。仿真结果表明,训练好的模型成功提取了飞行器输入与输出之间的非线性映射关系,使得基于深度神经网络的飞行器模型能够对未知输入进行状态预测,克服了目前基于神经网络辨识算法的局限性。     

进气压力调节执行机构故障诊断方法研究

面向高空台进气压力调节系统试验和维护需求,提出了一种基于滑模观测器的执行机构故障诊断方法。考虑特种调节阀的流量-压差气动特性对执行机构外负载作用机制,建立了电液伺服执行机构的非线性模型。由其识别出最佳估计数学模型,以获得自适应滑模观测器。分析确定不同故障对应伺服阀或液压缸的主导特征参数,据此选择可观测状态量且结合自适应阈值进行判断某部件是否发生故障,仿真验证该观测器对典型故障的诊断效果。结果表明,基于自适应滑模观测器的故障诊断方法可实现对进气压力调节系统中电液伺服执行机构典型液压、机械、电气故障的诊断和定位,诊断准确率达91%以上。     

机载雷达天线伺服控制扰动观测器建模仿真

机载雷达天线伺服控制的精度是雷达系统精确搜索、识别和探测目标的重要指标之一。由于风速和载体运动速度的影响,雷达天线做扫描运动时会承受较大的空气阻力,空气阻力随着时间和扫描运动角度的变化而变化,使雷达天线伺服控制产生附加负载扰动转矩。为了尽可能减小扰动对雷达伺服控制精度的影响,本文提出一种基于扰动观测器的雷达天线伺服控制解决方案。建立雷达天线伺服控制系统的动力学模型、伺服控制模型,将空气阻力产生的附加转矩通过扰动观测器引入被控对象的控制输入端进行补偿,并对不同风速影响进行建模仿真和试验分析。结果表明：基于扰动观测器的雷达天线伺服控制精度有显著提高。     

基于特征的飞机结构件加工状态监测方法

为有效监测飞机结构件加工过程中出现的刀具严重磨损、刀具破损和加工颤振等异常加工状态,提出基于特征的飞机结构件加工状态监测方法.分析了加工特征对监测加工状态监测的影响,运用小波分析方法提取加工特征关于加工状态的信号特征量,应用支持向量机方法对加工状态进行辨识.实例结果表明,该方法能有效的监测飞机结构件异常加工状态,具有较高的工程实用价值.     

交流伺服系统控制器在线参数自整定方法

伺服系统转动惯量的变化会影响伺服控制性能。为提高伺服性能需要对转动惯量进行在线辨识,实现伺服控制器参数的在线自整定。详细介绍了基于模型参考自适应的转动惯量在线辨识方法,提出了动态调整自适应增益和滤波器时间的方法,有效解决了自适应算法辨识速度和辨识精度的矛盾。根据转动惯量的辨识结果,利用对称优化法则,实时调整伺服控制器参数,以保证控制器动态性能的一致性和鲁棒性。仿真和试验验证了方法的有效性。     

基于小波降噪和EMD-SVM的加工中心主轴系统状态监测技术

主轴系统是数控机床的重要功能部件,其运行状态直接影响机床的可靠性与加工精度。为了实现状态实时监测、故障预警和维修策略优化,针对加工中心主轴系统,设计了状态监测方案,研制和搭建了加工中心状态监测平台的硬件系统和软件系统。集成小波降噪方法和经验模态分解-支持向量机(EMD-SVM)算法对采集信号处理与分析,实现加工中心主轴系统的状态实时监测,进而对主轴系统典型故障状态进行识别与诊断。基于研制的加工中心主轴状态监测系统,进行了主轴系统皮带松动故障监测试验分析,验证其对主轴系统的典型故障状态识别的准确度。     

基于CWT-CNN的齿轮箱运行故障状态识别

针对传统故障诊断中提取的特征不具有自适应能力、很难匹配特定故障的问题,提出了一种基于连续小波变换（CWT）和二维卷积神经网络（CNN）的齿轮箱故障诊断方法。该方法对齿轮箱故障振动信号采用连续小波变换构造其时频图,以其为输入构建卷积神经网络模型,通过多层卷积池化形成深层分布式故障特征表达。利用反向传播算法调整网络各层的结构参数,使模型建立从信号特征到故障状态之间的准确映射。在不同工况和不同故障状态下的实验中,故障识别准确率达到了99.2%,验证了方法有效性。采用这种自适应学习信号中丰富的信息的方法,可以为故障诊断智能化提供基础。      

基于重构系统的永磁交流伺服系统在线转动惯量辨识

为了使伺服系统在负载变动下得到优良的动态响应,提出了一种基于实际电机控制系统输入输出构建的非线性可调重构模型,对实际系统进行重构,并根据收敛之后的重构模型参数,完成电机关键机械参数的准确辨识。其中,全维观测器用来获得电机负载转矩状态观测量,与输入电磁转矩一同作为所构建的自适应机构的输入参数;当可调重构系统的输出与实际系统的输出为无差收敛时,实现对实际系统的重构。仿真和试验验证了该方法的可行性和有效性,能够对模型中预设的不同转动惯量进行准确的辨识。     

航空发动机作动筒的伺服控制建模与分析

针对典型航空发动机阀控不对称作动筒的结构在带负载工况下的应用和理论分析情况,讨论了作动筒正、反向负载对伺服作动控制的影响,提出了1种阀控不对称作动筒的伺服控制系统建模与分析方法。将该方法在项目案例上的分析结果与实际项目试验数据进行对比,结果表明:该方法切实可靠,模型置信度高,对实际应用具有指导意义。同时,为了使作动筒往返控制效果一致,作动筒负载方向应设计为反向负载,负载力大小应设计在FL0附近。     

基于深度神经网络的空中目标作战意图识别

传统基于空中目标特征状态推理作战意图的方法,需要大量的领域专家知识对特征状态的权重、先验概率等进行量化,明确特征状态与意图之间的对应关系,而神经网络可以在领域专家知识不足条件下,通过自身训练得到特征状态与意图之间的规则。针对反向传播（BP）算法在更新网络节点权值时收敛速度慢、容易陷入局部最优的问题,通过引入ReLU（Rectified Linear Unit）激活函数和自适应矩估计（Adam）优化算法,设计了基于深度神经网络的作战意图识别模型,提高了模型收敛速度,有效地防止陷入局部最优。仿真结果表明,所提方法能够有效识别空中目标作战意图,获得更高的识别率。     

基于ODE参数辨识的液压伺服系统灰箱建模

 针对液压伺服系统常规"白箱"建模由于参数无法精确获得导致所得模型精度不高及"黑箱"建模所得模型内部结构未知的问题,本文提出基于ODE参数辨识的液压伺服系统"灰箱"建模。首先,建立了工程上实用的系统状态空间模型, 根据系统特征确定了待辨识参数,将模型辨识问题转化为常微分方程(ODE)参数辨识问题;然后,采用正弦扫频信号作为激励信号和基于带边界约束的信赖域优化算法的初值问题方法进行参数辨识;为了和ODE参数辨识结果进行对比,本文同时采用系统的频率响应数据和最小二乘法辨识得到系统的"黑箱"传递函数模型;最后,通过大量实验验证了辨识模型的精确度。实验结果表明,本文提出的基于信赖域算法的液压伺服系统模型辨识方法可以有效处理参数的边界问题,使辨识模型既具有实际的物理意义,又与实际系统高度符合。     

基于试飞数据的航空发动机加力瞬态过程模型辨识

为了对某航空发动机慢车至最大以及最大至慢车加力瞬态过程的工作状态进行监控,在该发动机实际飞行试验数据基础上,基于三层前向人工神经网络,辨识得到了该型发动机加力瞬态过程模型,对模型预测精度进行了分析讨论,利用额外的飞行试验数据对模型进行了检验。结果表明,辨识模型能够指示加力燃烧室工作状态,模型计算模拟参数与实际飞行试验数据吻合良好。该辨识模型可应用至该型发动机飞行试验的实时监控中,也可为其他型号发动机模型辨识提供参考。     

基于综合识别的高速飞行器在线姿态控制方法

针对高速飞行器控制方法中控制模型难以适应大包络飞行和算法中辨识存在收敛性的问题,设计了一种基于综合识别的在线控制方案.首先,由在线直接可测量构成三通道的特征状态量,以特征状态量建立面向控制的特征模型;然后,通过反馈线性化进行通道间的解耦,采用极点配置来进行在线控制参数的实时调节.仿真结果表明,在气动参数拉偏的情况下,三个通道均取得了较好的控制效果,控制器具有快速性和鲁棒性,且易于工程实现.     

面向再入目标跟踪的估计与辨识联合优化算法

准确的弹道系数辨识和精确的目标状态估计是再入目标高精度跟踪与高可靠识别的关键。一方面,状态估计的误差会造成模型参数(弹道系数)的辨识风险;另一方面,模型参数的辨识偏差又会导致模型失配从而降低目标状态的估计精度。因此,需要实现再入目标的状态估计和参数辨识的联合优化。针对再入目标弹道系数未知情形,提出了一种基于期望最大化(EM)框架并采用粒子滤波(PF)平滑器实现的PF-EM联合优化算法。在E步基于粒子平滑器得到目标状态的后验平滑估计,M步采用数值优化算法更新上一次迭代的弹道系数,通过E步和M步的不断迭代,以保证状态估计和弹道系数辨识的一致性。算法仿真对比表明:所提算法的状态估计和参数辨识精度均优于传统的状态增广算法。