基于RBFNN自适应混合学习算法的航天测控系统任务可靠性分配

为解决执行航天测控任务的各设备存在复杂的时空关联、可视与信息关联等动态约束关系,使得航天测控系统任务可靠性分配建模和分析极其困难,同时模型求解效率低的问题,提出了自适应混合学习算法的径向基神经网络建模方法.算法通过训练样本相关性矩阵的主成分分析确定网络隐含层初始节点数;在此基础上,利用梯度信息衰减因子改进了迭代过程中网络参数的梯度信息计算方式,避免了学习过程早熟的不足,且加快了迭代收敛速度.最后,通过采集航天测控系统输入-输出数据,将自适应混合学习算法应用于参数训练,并给出了具体实现步骤.通过算例仿真,表明算法在解决航天测控系统任务可靠性分配问题时具有较高泛化能力和分配结果稳定等优点.      

基于BDD的航天测控系统任务可靠性分析

针对航天测控系统任务可靠性分析问题,提出了基于二值决策图（BDD）的航天测控系统任务可靠性分析模型和算法。将航天测控系统视为一个多阶段任务系统,采用任务剖面描述任务时序逻辑关系。根据各阶段的可靠性逻辑结构建立了单阶段的BDD,依次对各阶段的BDD进行运算得到系统的BDD,据此计算系统的可靠度。最后给出了一个算例,验证了算法的有效性。     

基于DSPN的航天测控系统任务可靠性仿真建模

提出了基于确定与随机Petri网（deterministic and stochastic Petri nets,DSPN）的航天测控系统（tracking,telemetry and command,TT&C）任务可靠性定量分析方法,旨在对相关航天测控方案进行可靠性预计.通过对TT&C系统任务剖面进行时序弧段划分,考虑实际系统中测控单元阶段依赖、单元故障可修以及各单元参与任务起止时间不同等其他建模方法难以处理的复杂因素,建立了“单元层-系统逻辑层-阶段层”3层相互关联的TT&C系统任务可靠性DSPN模型.通过对模型仿真运行,实现了对给定测控方案下TT&C系统任务可靠性定量化评估.分析表明:仿真结果随着仿真次数增加逐渐收敛,与Markov解析方法求得的精确值对比误差控制在1%以内.      

基于自适应粒子群优化算法的无人机三维航迹规划

针对传统的粒子群优化算法容易陷入局部最优解的问题,提出了一种自适应粒子群优化算法,在迭代寻优过程中自适应地调节惯性权重和2个学习因子的数值。建立了无人机在山区环境执行勘察任务的航迹规划环境模型,分析了无人机自身约束条件。设计了自适应粒子群优化算法的适应度函数和航迹规划算法流程。分别采用自适应粒子群优化算法和传统粒子群优化算法开展了无人机三维航迹规划仿真实验。仿真结果对比表明,所提出的自适应粒子群优化算法比传统粒子群优化算法具有更高的全局搜索能力和搜索精度。     

基于OBDD的可修航天测控系统任务可靠性分析

基于顺序二元决策图(OBDD)理论,针对航天测控系统(TT&C系统)特点定义了新的OBDD数据结构,提出了一种考虑设备可修的TT&C系统任务可靠性分析方法.通过将各测控站的时间窗口划分为不同阶段,分析各阶段内设备逻辑关系并构建阶段OBDD模型,然后将所有阶段OBDD模型合并为最终的任务OBDD模型.采用连续时间Markov链(CTMC)分析可修设备的状态转移行为,基于新的OBDD数据结构给出了任务可靠性计算算法.与Markov方法和仿真方法的对比分析结果表明:所提出的方法能够精确计算设备可修的TT&C系统任务可靠性,设备数量多于30个时算法效率高于Markov方法.      

基于任务弧段的测控通信任务可靠性建模方法

基于对任务的弧段划分,建立了测控通信任务的可靠性模型.根据任务执行时序图,参与任务的测控通信资源及任务成败标准,将测控通信任务划分为不同的任务弧段,定义了正常任务弧段和空闲任务弧段,基于Markov过程,提出了正常任务弧段和空闲任务弧段的可靠性建模方法.提出了在考虑测控通信资源的开机准备时间和停机时间的情况下的可靠性建模方法,对测控通信任务重新划分任务弧段,各任务弧段依据相应方法单独建立模型,依次求解各模型可得整个任务的可靠性.最后以具体的测控通信任务为例,计算并分析了不考虑资源开机准备时间和停机时间、仅考虑资源开机准备时间、仅考虑资源停机时间以及考虑资源开机准备时间和停机时间的任务可靠性,验证了模型的正确性.      

粒子群优化的Kriging近似模型及其在可靠性分析中的应用

将粒子群优化(PSO)算法引入Kriging建模过程,依靠PSO算法的群体搜索能力克服了模式搜索法单点序列搜索方式的局限性以及严重依赖于初猜解的缺点,保证了在任意初始条件下都能获取极大似然意义下的最优相关参数,从而有效确保了Kriging预测结果的最优无偏性.涡轮盘低循环疲劳可靠性分析实例表明,粒子群优化的Kriging(PSO-Kriging)近似模型对危险点周向应变变程的预测精度相对神经网络有数量级上的优势(最大误差由5.94%降低到0.09%),可不牺牲精度地代替有限元程序进行Monte Carlo模拟;同时PSO-Kriging建模与预测的总时间不及一次有限元分析的1/10.由于预测精度高(其最优无偏性由PSO算法保证)且计算开销不大,提出的PSO-Kriging对于实际工程结构的可靠性分析有一定应用价值.      

基于模拟退火粒子群算法的波浪发电系统最大功率跟踪控制

波浪发电系统最大功率点跟踪控制中,传统粒子群算法存在早熟收敛和局部搜索能力不足问题,为此提出基于模拟退火算法的粒子群优化方案。该算法每次更新粒子的速度和位置时,通过比较当前温度下各个粒子的适配值与随机数的大小,从所有粒子中确定全局最优解的替代值,从而使粒子群算法在发生早熟收敛时能够跳出局部最优并快速找到全局最优解。仿真结果表明,与传统粒子群优化算法相比,模拟退火粒子群算法可有效避免波浪发电系统陷入局部最大功率点,并快速实现全局最大功率跟踪,提高了波浪能捕获率。     

基于复合优化的航空发动机模型参数估计

本文提出了一种复合优化方法,用于发动机多变量,状态空间模型的时域辨识。优化中粒子群优化算法和最小二乘优化算法按照“串联”方式运行。粒子群优化从一个初始种群出发,通过进化来搜索最优解。然而有些时候,粒子群算法会陷入次优解。那么最小二乘优化算法就可以从粒子群的次优解出发,通过共轭梯度法获得问题的最优解。本方法适用于待估计参数较多,且参数变化范围大的高阶多变量系统。本文将复合优化算法用于4输入4输出状态变量模型参数的估计。仿真结果表明了所提出方法的有效性。     

基于云自适应粒子群算法的高压转子复杂接触有限元模型参数修正

为建立更加准确的航空发动机高压转子的有限元模型,提出一种修正有限元模型描述航空发动机复杂接触的方法.将修正问题转化为求解定义在时域的误差函数的极小值,运用云自适应方法动态调整粒子群算法的惯性权重,使得算法在接近较优解时,惯性因子分布在云低端,有利于收敛得到更优解;当问题解较差时,其惯性因子分布在云顶端,有利于跳出局部极小点,扩大搜索范围.以仿真算例和实际航空发动机高压转子模型为例,通过与相关算法的修正结果比较,证明该算法是可行且有效的.      

整机基本可靠性与任务可靠性指标协同分配方法

在总结整机可靠性分配工作的工程约束的基础上,针对性地提出了一种实用性好的整机基本可靠性指标与任务可靠性指标协调分配模型。该模型在某教练飞机的可靠性分配中进行了运用,证实了该模型的合理性与工程适用性。     

舰空导弹贮存可靠性分配与预计方法研究

基于舰空导弹武器系统的可靠性特征,设计了型号总体贮存可靠性分配与预计的工作流程.针对舰空导弹及各分系统不同的可靠性结构,提出了运用不同的方法或方法组合进行可靠性分配与预计的策略.以某型舰空导弹动力分系统为例,在分析其可靠性基础上,建立了可靠性模型和故障树模型;对该分系统进行了可靠性分配和预计,获得了该分系统设备、组件的...     

任务可靠性指标分配的比例组合法及评分分配法

提出了一种工程化的任务可靠性指标分配的方法。分析了任务可靠性分配的实质,把适用于基本可靠性指标分配的比例组合法与评分分配法的原则拓广到任务可靠性指标的分配,提出了工程化的任务可靠性指标分配方法,给出了表格化、规范化的工作程序,并讨论了这种工程处理方法的精度、收敛性等特点。     

可靠性增长下的Bayes序贯检验方法

针对可靠性增长下的序贯检验分析问题,提出了一种变总体Bayes序贯检验方法.该方法依据产品研制过程中产生的多状态试验数据,利用离散AMSAA(Army Material Systems Analysis Activity)可靠性增长模型对产品可靠性的变化规律进行描述,给出了变总体试验数据似然函数的表达式,并对变总体Bayes序贯检验的后验概率比和决策阈值进行了定义,进而构建了可靠性增长下的Bayes序贯检验模型.研究结果表明,提出的方法有效地解决了具有可靠性增长的可靠性指标的假设检验问题.      

Weibull分布下任务时间可靠度的置信限研究

为解决高可靠度要求的产品系统可靠度的评定问题，针对产品系统的工作时间服从威布尔分布，采用Fiducial方法，提出了只凭工作时间的‘小子样、零失效’可靠性试验样本，求取任务时间可靠度各置信限的方法及公式。给出算例，计算和分析了不同试验样本下系统任务时间可靠度的置信限。结果表明利用数个‘长寿’的‘小子样、零失效’工作时间试验样本，可以获得高置信度下系统任务时间可靠度的大下限；单凭非‘长寿’情况下的‘小子样、零失效’试验样本，只能得到任务时间可靠度的最高限，如能补充辅助可靠性信息，就能得到系统任务时间可靠度的可用置信估计。     

对偶型最大熵概率密度函数模型及其优化解法

针对经典型最大熵概率密度函数模型及其计算目前存在的非线性程度高,优化不收敛,求解效率低等问题,提出了一种对偶型最大熵概率密度函数模型+逐次优化的方法.根据优化过程不稳定,重新推导了拉格朗日系数的线性变换公式.针对几种常见及一种复杂的概率密度函数,采用经典型与对偶型最大熵概率密度函数模型分别计算概率密度及可靠度的对比表明:与经典型最大熵概率密度函数模型相比,对偶型最大熵概率密度函数模型优化函数形式简单,非线性程度低.逐次优化法求解拉格朗日系数不仅克服了初始值敏感性问题,而且计算效率高.对偶型最大熵概率密度函数模型+逐次优化法与其他方法相比,计算精度最高,且能很好的应用于复杂概率分布及可靠性问题.      

Unmanned aerial vehicle swarm mission reliability modeling and evaluation method oriented to systematic and networked mission

With the development of Unmanned Aerial Vehicle (UAV) system autonomy, network communication technology and group intelligence theory, mission execution in the form of a UAV swarm will be an important realization of future applications. Traditional single-UAV mission reliability modeling methods have been unable to meet the requirements of UAV swarm mission reliability modeling. Therefore, the UAV swarm mission reliability modeling and evaluation method is proposed. First, aimed at the interdependence among the multiple layers, a multi-layer network model of a UAV swarm is established. At the same time, based on the system having the following characteristics—using a mission chain to complete the mission and applying the connectivity of the mission network—the mission network model of a UAV swarm is established. Second, vulnerability and connectivity are selected as two indicators to reflect the reliability of the mission, and aimed at random attack and deliberate attack, vulnerability and connectivity evaluation methods are proposed. Finally, the validity and accuracy of the constructed model are verified through simulations, and the model and selected indicators can meet the reliability requirements of the UAV swarm mission. In this way, this study provides quantitative reference for UAV-swarm-related decision-making work and supports the development of UAV-swarm-related work.