结构模糊非概率混合可靠性分析方法

针对模糊非概率混合不确定性下结构可靠性分析问题,基于模糊数学分解原理将混合可靠性分析模型转化为[0,1]内连续分布隶属度水平下的非概率可靠性分析模型;针对非概率可靠度计算复杂性,基于逐维策略将结构功能函数最值的计算转化为最值点向量的逐维计算,提出一种确定结构功能函数界限的算法;通过在[0,1]内遍历隶属度值确定结构可靠度的隶属度函数实现结构可靠度模糊性的定量化.算例表明该方法的合理性,计算精度高和计算量小的特点为复杂工程结构可靠度分析及优化设计提供了可行途径.      

径向基过程神经元网络及其应用研究

提出了一种径向基过程神经元网络,该网络模型为3层前向结构,由输入层、径向基过程神经元隐层和输出层组成.输入层到隐层的变换是非线性的,隐层到输出层的变换是线性的.隐层神经元完成对过程式输入信息的模式匹配和对时间的聚合运算,输出层对输入模式作出响应.在输入空间中引入函数正交基,将输入函数在正交基下展开,利用基函数的正交性,简化聚合运算过程.给出了相应的学习算法,并以旋转机械故障诊断问题为例验证了模型和方法的有效性.      

基于置信分布的系统可靠度评估蒙特卡罗方法

大型系统、复杂系统的可靠度的求解问题是可靠性工程中一个热点和难点的问题,针对这个问题,提出了一种基于蒙特卡罗模拟仿真的系统可靠度求解方法.通过利用系统的各个单元产品的可靠度置信分布和系统可靠度函数进行蒙特卡罗仿真,评估出系统可靠度.本方法克服了以往的蒙特卡罗仿真方法处理离散分布时抽取时间样本的困难,并且对系统的结构和复杂程度没有要求.最后,给出计算实例对比说明了该方法的正确性和可用性.      

一种非线性系统集员辨识算法

针对带有未知有界噪声的非线性动态系统的鲁棒辨识问题,提出了一种新的非线性动态系统的集员辨识算法.利用径向基函数神经网络的逼近能力,根据系统的输入输出数据,选用径向基函数神经网络对未知非线性系统建模.径向基函数神经网络的中心被确定之后,考虑到建模误差与系统噪声有界,利用径向基函数神经网络为参数线性模型的特点,使用参数线性集员辨识算法辨识径向基函数神经网络的输出权值.由于集员辨识算法所得到的是网络输出权值的集合估计,在系统运行过程中,可以很方便地利用所建模型预测实际系统的输出范围.仿真表明,集员辨识算法辨识网络的输出权值比最小二乘法较少的受未知动态系统噪声分布的影响.     

基于降维算法和Edgeworth级数的结构可靠性分析

针对工程实际中存在功能函数为隐式或高维非线性的复杂结构,本文提出了一种基于降维算法和Edgeworth级数的可靠性分析方法。利用降维算法将n维函数展开为n个一维函数,经变量转换后变量都相互独立且服从均值为0、方差为0.5的正态分布,再结合Gauss-Hermite积分方法计算出一维函数的原点矩,从而得到结构功能函数的中心矩,将所得的矩信息应用到Edgeworth级数展开式中,给出功能函数的累积分布函数表达式,计算得到结构的失效概率。该方法避免了功能函数对变量梯度的要求,仅需少量的确定性重分析计算。数值算例结果表明了本方法的有效性和正确性。      

高温结构可靠性分析的时变响应面法

高温条件下结构的本构方程和承载能力都随时间变化,传统的结构可靠性模型在分析这种时变结构可靠性问题时效率较低.提出一种可用于高温结构可靠性分析的热响应与响应量阈值均随时间变化的时变响应面法.首先,通过引入结构各基本变量与时间的交叉二次函数并结合Box-Behnken试验设计建立结构热响应量的时变模型;进而,以温度为中间变量,建立结构响应量阈值与时间的函数关系,据此得到用随机过程表示的时变极限状态函数.具体给出了基本变量服从正态分布情形下的结构时变可靠度计算方法.算例分析表明该方法切实可行,能够在保证计算精度的基础上大幅提高计算效率.      

利用变环境数据的Weibull分布可靠性综合评估

为了提高可靠性评估精度,研究了环境因素对产品可靠性的影响,提出了一种适用于Weibull分布的变环境数据可靠性综合评估方法.首先通过利用径向基函数法来度量不同环境因素及其交互作用对可靠性的影响,建立了关于环境因素的位置参数模型.并针对刻度参数依赖于环境因素的情形,利用线性模型来建立刻度参数模型.然后利用广义线性模型,给出了位置和刻度参数模型系数的极大似然估计,并给出了可靠度近似置信下限.实例表明该方法能较好地度量环境因素对可靠性的影响,而且合理可行便于工程应用.     

航空电子WDM光网络可靠性建模

为了构建先进综合化航空电子系统的统一网络,提出了基于WDM （Wave-length Division Multiplexing）光网络的航电骨干网与外接边缘网互连方式的航电统一网络,并采用多跳ShuffleNet网络作为航电光骨干网的模型.针对综合化航电网络的可靠性问题,建立了基于航电任务与任务路径的可靠性建模方法,给出了保证任务执行成功的可靠度计算公式.以ShuffleNet航电光骨干网作为建模实例,通过对航电任务可靠度的分析计算,得到了系统任务的执行时间、网络规模、任务路径的跳数对系统可靠度影响最大,而同等条件下光纤链路的复用波长数对任务可靠度影响不明显的结论.仿真结果显示,基于任务的可靠性建模与计算方法可以为航电系统的可靠性分析提供理论基础.     

伞状天线旋转关节运动功能的可靠性分析

针对某星载伞状天线展开机构中的旋转关节,分析指出了其运动功能可靠性中包含了两个并联的功能函数:即矩的功能函数和功的功能函数;利用随机函数的矩法和可靠性分析中的一次二阶矩法,分别对天线展开过程中的起始阶段、展开阶段和网面产生预紧力阶段,构建了按矩的功能函数和按功的功能函数对应的可靠性计算表达式;通过实例计算获得了天线展开机构运动功能的可靠性指标随展开角度的变化结果.      

可靠性增长的单调约束模型

大型复杂产品研制过程中每一阶段的试验数据通常具有小样本特征.对此在产品可靠性评估中,提出使用约束条件,即"下一阶段可靠度真值总是大于前一阶段",综合利用产品多阶段试验数据的方法.产品研制过程中可靠性通常是增长的,因此这种方法具有广泛的适用性.在上述约束条件下,可靠度被看作一个随机变量.首先推导出了可靠度在此条件下的分布函数表达式,然后给出了一种近似计算方法,最后通过一个实例与仅使用单阶段试验数据的评估结果作了对比.由于该方法的约束条件简单且可以求得可靠度的分布函数,因此其工程适应性强于传统的AMSAA(Army Materiel System Analysis Activity)模型,并能获得Duane模型无法给出的可靠度区间估计.     

基于改进加权响应面的结构可靠度计算方法

在结构可靠度分析中,响应面法由于具有良好的适用性和可操作性,是目前广泛使用的基于代理模型的分析方法。针对响应面法的计算效率和精度难以平衡兼顾等难点问题,提出一种基于改进加权响应面的结构可靠度计算方法。首先,在迭代过程中,同时考虑样本点与验算点距离、极限状态函数值、联合概率密度函数值3个权重因子对样本点进行赋权,采用加权回归并重复利用已有样本点更新不含交叉项的二次多项式响应面函数。其次,在迭代收敛后,选取已有样本点中权重较大的样本点加权拟合含有交叉项的二次多项式响应面函数。最后,结合数值算例和工程案例,通过与传统抽样方法和其他响应面法进行对比,验证了改进加权响应面法的可行性。结果表明所提方法具有较高效率的同时也保证了精度。      

卷积神经网络求解有限元单元刚度矩阵

随着深度学习在众多领域的成功应用与快速发展，将深度学习与传统的结构分析相融合已经成为了新的研究方向。在求解有限元单元刚度矩阵的具体问题上，研究了卷积神经网络在结构分析上的应用。以四边形平面应力单元为例，基于卷积神经网络，提出了一个求解有限元总体刚度矩阵的神经网络模型；同时分析了网络的学习效果与网络卷积核数目、训练样本数目之间的关系。计算实例表明，在一定范围内，网络的学习能力随着卷积核数目、训练样本数目的增加而不断提升。在现实应用时，可以根据具体的精度要求而设定相应的卷积神经网络。卷积神经网络训练完成后，单元刚度矩阵的计算具有实时性，且精度满足工程要求。      

高超声速飞行器预设性能反演控制方法设计

为解决吸气式高超声速飞行器的飞行控制问题,提出了一种新型预设性能神经反演控制器设计方法。通过构造预设性能函数,保证速度跟踪误差和高度跟踪误差能够按照预设的收敛速度、超调量及稳态误差收敛至期望的区域,同时满足系统预设的瞬态性能和稳态精度。在反演控制设计结构下,引入径向基函数（RBF）神经网络对模型未知函数及不确定项进行逼近,提高了控制系统的鲁棒性。引入的RBF神经网络中仅有一个参数需要在线更新,有效提高了控制准确性,避免了通常反演控制方法中经常出现的"微分膨胀问题",并降低了计算量。通过仿真实验验证了所设计控制系统的有效性和可行性。      

基于改进的动态Kriging模型的结构可靠度算法

对于复杂航空航天机械产品,极限状态方程往往表现出隐式、高度非线性的特点,而且通常需要调用有限元分析,从而耗费大量时间。将混合粒子群-模拟退火（PSOSA）算法应用到Kriging模型中相关参数的寻优过程,提高了预测精度。同时结合动态更新机制,逐渐加入样本点,尽可能减少函数的调用次数,从而提高了计算效率,并将该算法应用到结构可靠性分析中。通过案例分析,和传统蒙特卡罗模拟方法、响应面等经典方法进行对比,所提算法与蒙特卡罗模拟方法计算结果更加接近,计算时间大大缩短,效率和精度都明显改进。      

基于神经网络的自由漂浮空间机械臂 自适应鲁棒控制

针对自由漂浮空间机械臂动力学模型难以精确获得,且无法表达为关于未知参数的线性形式问题,提出基于自适应神经网络的鲁棒控制方法.对于不确定性空间机械臂系统模型中存在的未知不确定部分,利用神经网络的万能逼近特性,设计神经网络控制器来补偿未知模型,避免传统控制中的保守上界估计;采用泰勒线性化技术将神经网络隐含层中的高斯函数线性化,设计包括网络权值、高斯中心及宽度在内的网络全参数自适应学习律,实现在线实时调整,提高控制精度;设计鲁棒自适应控制器来抑制外界扰动,并补偿逼近误差,提高系统鲁棒性;基于Lyapunov理论证明闭环系统的一致最终有界（UUB）.仿真试验表明所提控制方法能够获得较好控制效果,对空间机械臂控制具有一定工程应用价值.     

基于深度学习的航天器组合体惯性参数在轨智能辨识

针对在轨服务过程形成新组合体的动力学参数未知的问题,借助深度学习在多参数寻优上的优势,提出了一种基于卷积神经网络的智能参数辨识算法,实现在外力作用下,线动量和角动量不守恒条件下的航天器组合体多参数辨识。利用卷积神经网络权值共享的特点,设计4层卷积神经网络,通过短时间内对大量特定存储形式的状态数据的训练,实现航天器组合体多参数快速高精度辨识。利用数学仿真试验对算法的可行性进行验证,结果表明：在24s内,质量与质心位置收敛;1190s内,惯量参数收敛,辨识精度在3%以内。说明所提方法在外界随机干扰力和力矩影响下能准确快速辨识出航天器组合体质量、质心位置和惯量矩阵。     

考虑控制约束和不确定性的火星最优进入制导

摘要： 针对火星进入段控制受约束、大气环境以及探测器自身参数不确定性等问题,提出控制受约束的火星最优鲁棒进入制导方法.将针对参数不确定系统的最优性能指标转换为针对标称系统的修正性能指标;同时考虑控制约束,在性能指标中引入饱和函数,将制导问题转化为求解修正Hamilton Jacobi Bellman (HJB)方程问题;由于HJB方程是偏微分方程,求解有难度,利用神经网络的逼近能力近似求解.本文制导方法保证了不确定系统有最优的性能指标上界和较强的鲁棒性.最后将其应用到火星进入制导中,仿真结果表明系统存在不确定的情况下,仍可以很好地满足火星进入段终端条件,控制量也在约束的范围内,从而验证所提方法的有效性.