基于渐近均匀化的梯度加筋板结构优化设计

梯度加筋板结构以其优异性能广泛应用于航空航天、汽车和交通等领域。针对梯度板的渐变结构导致均匀化及两尺度优化设计计算量过大及效率过低的问题,本文采用机器学习方法搭建以微结构变形参数为输入、等效刚度系数为输出的人工神经网络,实现等效刚度的高效预测。在优化过程中,本文引入表征单胞变形的单元设计变量,实现梯度板局部变形的显式控制,并引入映射函数节点设计变量,保证优化过程中单胞的局部变形与映射函数一致,方便两尺度优化结果解耦。数值算例验证了本文方法的有效性和正确性。     

裂纹转子非线性振动特征的谐波小波与分形识别

通过对谐波小波的分析研究,指出了谐波小波对振动信号局部频段分析的优良特性。采用谐波小波对裂纹转子的非线性振动信号在低频段进行了分析。理论分析与实验结果表明:对实际裂纹转子信号,经谐波小波的频段分析后,能够得到通常难以由理论分析与实验结果获得的非整数倍周期分叉的非线性特征频谱。计算了裂纹转子的分形维数,发现裂纹转子的振动信号比理论结果要复杂、可以用多重分形作为判断实际转子是否有裂纹的一个特征。提出了用谐波小波变换后的奇异谱来识别裂纹转子非整数倍周期分叉的非线性特征频谱的方法,并对实际转子信号进行分析,得到了明显的非整数倍周期分叉的奇异谱。      

运用神经网络进行冷挤压工艺设计的特征编码技术

将人工神经网络引入冷挤压工艺规划的基础和关键是将冷挤压零件的几何信息和工艺信息转换成人工神经网络所能辨识的数据信息。本文介绍的将模式性知识引入到冷挤压工艺设计过程中,对零件进行特征编码完成信息转换的方法可以有效地解决这个问题。     

空间机器人神经网络自适应滑模目标操控轨迹跟踪控制

针对参数未知的空间目标操控问题,考虑空间机器人负载不确定性、系统动力学不确定性和环境扰动等因素,为实现操作过程的稳定控制及机器人轨迹的有效跟踪,提出一种基于径向基神经网络估计不确定项的自适应增益非奇异终端滑模变结构控制器。首先基于拉格朗日法建立空间机器人的刚体动力学模型。考虑空间机器人基座姿态主动控制模式,使用径向基神经网络对模型中的不确定项进行估计。进而提出基于神经网络估计的非奇异终端滑模控制器,并针对不确定性和扰动的估计误差设计自适应增益,以期实现空间机器人系统轨迹跟踪控制的收敛。仿真校验结果表明所设计的控制方法具有较好的误差收敛速度和控制精度。     

一种融合神经网络与熵权法的多用户飞行程序评价体系

飞行程序人员主要依据国际民航组织（International Civil Aviation Organization, ICAO）第8168号规章从飞行安全考虑,兼顾部分经济性指标进行程序设计。目前,飞行程序设计鲜有考虑所涉及的不同用户的需求。同时,对飞行程序的评价主要依据专家经验打分,缺少对客观因素的分析。本文面向飞行程序涉及的4个用户,提出了一种融合神经网络与熵权法的飞行程序评价体系。首先,分析了飞行员、民航管制员、军航管制员、机场和城市规划部门4个飞行程序用户对飞行程序的需求,从而基于多用户需求建立了飞行程序的三级评价体系。再次,通过利用基于神经网络计算的主观权重以及基于熵权法的客观权重,利用博弈论框架得到了一种综合性主客观权重的评价体系。最后,基于中国西部某军民航合用机场的离场程序,对评估体系进行了实例验证,并对程序中的改进方向提出了建议。综合多用户需求的飞行程序将在空域资源受限条件下进一步提升空中飞行效率,降低延误。     

基于深度学习与灰度图的肌电机械手手势识别

为了提高肌电机械手手势识别的精度,首先将肌电信号信息转换为图片,实现更直观、更明显的肌电信息展示,然后使用迁移学习微调Res Net50模型,构建基于肌电信号灰度图的肌电机械手手势识别模型,并使用该模型对三种手势进行识别实验。结果显示,ResNet50模型对基于肌电灰度图的手势识别率高达93%,有效减少了过拟合现象并提高了识别精度。     

基于BP网络模型的电机壳加工工艺参数优化

本文基于BP神经网络优良的逼近拟合特性,将BP神经网络算法引进电机壳体加工工艺过程中,使用BP神经网络模型预测电机壳体拉伸成形质量,结合电机壳体拉伸成形实验以验证BP神经网络模拟的准确性,并结合实验结果优选出电机壳体拉伸成形的最佳工艺参数,并得到最优的毛坯形状尺寸,实验结果表明电机壳体拉深成形效果良好,进一步验证了参数优化结果的可靠性。     

动力涡轮导叶可调的三轴式船用燃气轮机动态实时仿真

鉴于传统的燃气轮机建模方法用于动力涡轮导叶可调的三轴式船用燃气轮机动态实时仿真时具有一定局限性,提出了一种新型的基于径向基函数(Radical basis function,RBF)的神经网络与部件法(Component modeling method,CMM)的复合建模方法 (HMRC)。该方法针对该型燃气轮机的结构和总体性能特点,合理地选取了样本点以减小样本规模。通过神经网络与部件法分别计算燃气发生器与动力涡轮相关参数,采用MATLAB/SIMULINK仿真软件建立实时仿真模型。与传统的部件法建立起来的仿真模型对比,新方法计算结果与部件法吻合度高,误差低于1%,同时模型的实时性得到了大幅提升,计算速度约为部件法的7倍。     

基于深度学习递归神经网络的电离层总电子含量经验预报模型

利用行星际太阳风参数与太阳活动指数、地磁活动指数、电离层总电子含量格点化地图数据,首次基于一种能处理时间序列的深度学习递归神经网络（Recurrent Neural Network,RNN）,建立提前24h的单站电离层TEC预报模型.对北京站（40°N,115°E）的预测结果显示,RNN对扰动电离层的预测误差低于反向传播神经网络（Back Propagation Neural Network,BPNN）0.49～1.46TECU,将太阳风参数加入预报因子模型后对电离层正暴预测准确率的提升可达16.8%.RNN对2001和2015年31个强电离层暴预报的均方根误差比BPNN低0.2TECU,将太阳风参数加入RNN模型可使31个事件的平均预报误差降低0.36～0.47TECU.研究结果表明深度递归神经网络比BPNN更适用于电离层TEC的短期预报,且在预报因子中加入太阳风数据对电离层正暴的预报效果有明显改善.