基于RBF神经网络的航空发动机故障诊断

航空发动机的故障诊断研究在民航安全发面有着重要的意义，而故障诊断模型的建立尤其关键。采用径向基函数（RBF）神经网络建立发动机的故障诊断模型，论述了径向基函数神经网络的结构、学习和运行，并通过该模型对发动机参数进行辨识，结果表明RBF神经网络具有较高的故障诊断正确率。     

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IGA算法优化的RBF神经网络应用

提出了一种基于改进遗传算法(Improved Genetic Algorithm,IGA)优化的径向基函数(RBF)神经网络,将实数编码的自适应交叉和变异操作的遗传算法与梯度下降法混合交互运算,作为RBF网络的学习算法,并应用于非线性函数的逼近和导弹故障模式的识别问题。仿真结果表明,基于IGA算法的RBF神经网络不仅结构简单,而且具有较好的网络泛化性能。     

基于LMD和RBF相结合的尾桨台传动系统滚动轴承故障诊断方法

提出了局部均值分解(Local mean decomposition,简称LMD)方法和径向基函数神经网络(Radial Basis Function Neural Network,简称RBF)相结合的滚动轴承故障诊断方法.LMD方法是一种新的自适应时频分析方法,能够有效地提取故障特征.该方法首先采用LMD对滚动轴承振动信号进行分解,计算分解得到的PF分量能量比,作为特征向量输入到RBF神经网络中,进行故障分类和识别.通过真实滚动轴承数据的故障诊断实验,验证了该方法的有效性.     

动态模糊RBF神经网络焊接接头力学性能预测建模

建立动态模糊径向基神经网络RBF( Radial Basis Function,RBF)焊接接头力学性能预测模型,克服静态RBF和模糊神经网络( Fuzzy Neural Network,FNN)在结构辨识、动态样本训练及学习算法的不足。该模型的结构参数不再提前预设,在训练过程中动态自适应调整,适用动态样本数据学习,学习算法引入分级学习和模糊规则修剪策略,加速训练并使模型结构更加紧凑。利用三种厚度、不同工艺TC4钛合金TIG焊接试验数据对该模型进行仿真。结果表明：模型具有较高的预测精度,适用于预测焊接接头力学性能,为焊接过程在线控制开辟了新的途径。     

基于RBF神经网络的军机研制费用估算模型研究

对现代军机研制费用估算模型现状进行了简要分析，基于径向基函数(RBF——Radial Basis Function)神经网络理论建立了一种新的研制费用估算模型，给出建模流程；编制了仿真软件，在小样本情况下，进行了数字仿真，对所建研制费用神经网络模型的有效性进行了验证。仿真结果表明，所建RBF神经网络估算模型对研制费用的预算估计是有效的，且该估算模型的费用估计精度比传统回归分析方法所建立的估算方程的估算精度高。     

改进的RBF神经网络非线性预测模型在语音编码中的应用

用一种改进的径向基函数(RBF)神经网络建立非线性预测模型来对语音信号进行处理,在提高预测精度的同时不影响传输码率。这种改进的RBF神经网络具有计算量小,学习速度快,不易陷入局部极小等优点。将此模型应用在ADPCM语音编码系统中进行验证,其恢复的语音质量优于CCITT建议G.721中的ADPCM编码,表明该非线性预测模型具有较高的预测精度,且在语音编码系统中有着很大的实用性。     

基于D-S证据理论和不同子神经网络集成的磨粒识别

针对磨粒识别问题,建立了基于D-S证据理论的集成神经网络磨粒融合诊断方法.首先对特征参数进行优化分组,然后对每一组建立对应的分类子神经网络,分别采用径向基函数(RBF)神经网络和反向传播(BP)神经网络进行识别,得到初步的诊断结果,经过归一化后作为2组基本概率分配函数,最后运用D-S证据理论进行融合得到最终识别结果.算例分析表明,基于D-S证据法和集成神经网络的磨粒融合识别方法比单个诊断方法具有更高的准确性.     

基于RBF网络的航空发动机辨识模型

利用实测到的发动机飞行试验数据作为学习样本, 采用径向基函数 (RBF)神经网络建立了发动机的辨识模型。利用这种方法对不同飞行高度发动机的参数进行了辨识, 并与几种 BP网络进行了比较。研究结果表明: 这种方法具有训练时间短、学习速度快、辨识精度高等优点。      

基于RBF神经网络的航空发动机故障诊断模型

利用某型发动机地面定检状态实测数据作为学习样本，采用径向基函数(RBF)神经网络建立发动机的故障诊断模型。通过该模型对起飞状态实测的发动机参数进行了辨识，结果表明：这种方法具有训练时间短、学习速度快、诊断精度高等优点。     

基于径向基函数与混合背景网格的动态网格变形方法

发展了一种基于径向基函数(RBF)插值和混合背景网格映射的动态网格变形方法。混合背景网格由运动物面附近的各向异性网格和偏离运动物面的各向同性网格组成。物面变形或运动后,包含在各向异性背景网格中的所有物面网格点的位移由指定的物面运动规律得到,而各向同性背景网格点的位移通过径向基函数插值获得。然后变形后的计算网格利用计算网格与混合背景网格之间固定的映射关系代数插值得到。各向同性网格距离物面一定的距离,消除了物面保形对径向基函数插值的要求,从而可以减少径向基函数基点的数量,以提高插值的效率和可靠性。最后,通过二维和三维算例对该方法的变形网格质量、参数影响、网格拓扑依赖性、复杂外形变形能力及网格变形效率进行了测试。测试结果表明,该方法能够高效生成大变形下高质量的变形网格。     

结构可靠度逐步逼近径向基神经网络响应面法

提出了逐步逼近径向基神经网络响应面法计算结构可靠度,这种数值方法较好地解决了结构功能函数非线性及结构随机变量非正态分布时采用结构可靠度指标度量结构可靠度存在误差的问题.经过多个数值试验表明,该算法迭代收敛迅速、计算准确性较高、应用过程简单.利用这种方法对含有多个随机变量的结构进行可靠性分析和设计,特别是当结构功能函数具有较强的非线性或结构随机变量分布具有较大的偏斜度时,具有一定的应用价值.      

Mesh deformation on 3D complex configurations using multistep radial basis functions interpolation

The Radial Basis Function (RBF) method with data reduction is an effective way to perform mesh deformation. However, for large deformations on meshes of complex aerodynamic configurations, the efficiency of the RBF mesh deformation method still needs to be further improved to fulfill the demand of practical application. To achieve this goal, a multistep RBF method based on a multilevel subspace RBF algorithm is presented to further improve the efficiency of the mesh deformation method in this research. A whole deformation is divided into a series of steps, and the supporting radius is adjusted in accordance with the maximal displacement error. Furthermore, parallel computing is applied to the interpolation to enhance the efficiency. Typical deformation problems of the NASA Common Research Model (CRM) configuration, the DLR-F6 wing-body-nacelle-pylon configuration, and the DLR-F11 high-lift configuration are tested to verify the feasibility of this method. Test results show that the presented multistep RBF mesh deformation method is efficient and robust in dealing with large deformation problems over complex geometries.     

基于神经网络的多模态故障检测

研究了使用RBF网络进行多模态辨识的结构和其在多模态故障检测中的应用。在信号满足持续激励的条件下 ,状态估计误差渐进趋向于零 ,辨识器的参数估计能够达到满意的效果。使用多个神经网络辨识器 ,对一非线性系统的多模态故障检测进行了仿真研究     

基于神经网络的MIMO非线性最小相位系统鲁棒自适应控制

 针对一类模型未知的具有不确定性和外部干扰的多输入多输出（MIMO）非线性最小相位系统提出了鲁棒自适应输出反馈跟踪控制方案。用高斯径向基函数（RBF）神经网络逼近对象未知非线性,用高增益观测器估计系统不可测量状态。所设计的鲁棒自适应控制器不仅能使闭环系统稳定,所有状态有界,而且跟踪误差一致最终有界,并保证最终边界足够小。仿真结果表明了所提出方法的有效性。     

RBF网络用于边界层转捩中抽吸流优化控制

 在抽吸气流控制边界层转捩问题中 ,将径向基神经网络用于抽吸流速与转捩位置间的函数关系建模 ,构造了网络结构 ,利用一组两通道抽吸流控制转捩的实验数据训练网络 ,获得了优化的网络参数。在此基础上 ,利用训练网络所获得的输入 /输出关系模型求解了最优抽吸流速。结果表明 ,RBF网络可有效地应用于边界层转捩主动控制中的系统函数关系建模。     

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SVR多学科设计优化代理模型技术研究

为挖掘设计潜力,提高飞机设计质量,通过代理模型方法研究了多学科设计优化(MDO)。基于径向基函数模型,研究了一种新的代理模型技术--支持向量回归方法(SVR)。通过数值算例和某通用航空飞机多学科设计优化应用算例对支持向量回归方法的有效性进行了验证。研究结果表明,支持向量回归是一种比较有效的代理模型方法,在飞机多学科设计优化的理论研究和工程实践方面具有重要的参考意义。     

机械手的神经网络自适应滑动模控制器设计

 针对多关节机械手的鲁棒跟随控制器设计问题，提出了一种新的机械手神经网络自适应滑动模控制器设计方法，机械手的动力学非线性假设是完全未知的。在提出的控制结构中，高斯径向基函数神经网络用于在线补偿机械手的动力学非线性，参数学习律由稳定性理论得到。给出了系统稳定性和参数收敛性的证明。最后提出方法的可行性通过仿真得到验证。