BP神经网络理论在模型修正的应用

神经网络由于其本身具有的优越性,已广泛应用于各个领域中的分类、联想问题。将神经网络理论用于对利用有限元分析方法得到的系统模型进行修正,从计算结果看,该方法收敛速度快且收敛到全局最优解。     

基于太阳黑子群数据的多模态太阳耀斑预报模型

当前的太阳耀斑预报模型主要通过统计关系建立,直接将从太阳黑子群磁图中提取的特征参量作为模型输入,系统的自主性低,导致图像数据中包含的与太阳耀斑相关的高阶抽象信息难以被充分利用,进而限制模型预报的精度.为解决当前太阳耀斑预报中数据利用不充分的问题,文章将海量太阳观测数据与先进的人工智能技术结合,综合利用太阳活动区磁场观测...     

基于深度学习的毫米波和亚毫米波成像仪的图像增强技术

风云四号卫星毫米波和亚毫米波成像仪(MMSI)数据根据采样方式分为过采样和非过采样数据。由于采样方式的影响,非过采样数据在采样过程中会有一定的信息损失。为解决采用简单的线性插值方法做精细化处理时提升精度有限问题,采用基于深度学习的方法增强MMSI亮温图像,设计卷积神经网络重建风云四号卫星MMSI的亮温图像和风云三号卫星微波成像仪亮温图像。实验结果显示:相比传统的双三次插值方法,在风云三号卫星微波成像仪亮温图像样本上峰值信噪比提升了1.13dB,结构相似度提升了0.01。实验结果表明:对于非过采样亮温数据,采用基于深度学习的方法增强图像具有更高的精度,同时可在其他微波探测仪数据中使用,具有很强的普适性。     

基于神经网络模型的襟翼主动控制旋翼减振分析

基于径向基函数(Radial basis function,RBF)神经网络构建了一种带后缘襟翼主动控制(Active controlled flap,ACF)的旋翼振动载荷计算模型。采用正交试验方法确立RBF网络训练样本的输入,在CAMRAD II中计算前飞状态下与训练样本对应的旋翼桨毂六力素,并将主通过频率下的分量作为样本输出,对RBF网络进行离线训练。在此基础上采用多周控制器对被控模型进行振动载荷主动控制。随后以2桨叶4m直径ACF旋翼为例,构建了其桨毂减振分析方法,并对桨毂动载荷各分量的减振效果进行了分析。研究表明,采用正交样本训练的RBF网络能够精确映射襟翼偏角与桨毂振动载荷的非线性关系,施加多周控制后,桨毂垂向振动载荷降低接近50%,其他方向的振动载荷也有不同程度的降低。     

航空发动机试飞关键参数趋势监控的实现及应用

为了实现航空发动机滑油压力、滑油温度、振动值在试飞中的趋势监控,采用神经网络方法对某型发动机大量试飞数据进行训练和验证,获得了这几个参数全过程较为准确的计算模型。计算模型应用于该型号另1台发动机参数趋势监控中,在应用前,利用有限架次试飞数据修正了这几个参数的计算模型,采用动态链接库形式实现计算模型与原有实时监控系统的协同工作,进行了模型计算结果和试飞结果趋势实时对比监控。结果表明:模型计算结果和试飞结果变化趋势吻合良好,说明了神经网络计算模型的准确性以及在关键参数趋势监控中的工程实用性。     

基于BP神经网络的航空发动机故障检测技术研究

为了提高航空发动机故障检测正确率,将BP神经网络应用于航空发动机故障检测中。从某航空公司使用的CFM56-7B系列发动机的实际飞行历史数据中选取研究样本,对比了6种训练方法的效果并最终选择弹性BP法对网络加以训练并进行测试。结果表明:该方法对CFM56-7B系列发动机的排气温度指示故障、进口总温指示故障和可调放气活门故障的检测正确率高达83.33%。BP神经网络能够很好地应用于航空发动机的实际故障检测,其学习记忆稳定、网络收敛速度快,具有一定的工程实用价值。     

基于视觉测振和卷积神经网络的螺栓松动检测方法

螺栓松动故障的准确检测对于确保机械产品可靠性具有重要意义。为了解决现有的基于卷积神经网络（CNN）的检测方法所需的大量高质量数据难以在实际工程中获取的问题,本文提出了一种基于视觉测振和CNN的螺栓松动检测方法。通过视觉测振技术,从视频中的每一个像素点提取出振动信号,有效解决了CNN模型训练数据难以获取的问题,通过少量实测视频样本即可对CNN模型进行训练,并实现对螺栓连接状态的准确预测。本文通过一个对悬臂梁结构的敲击实验验证了所提方法的有效性。     

基于射频指纹的测控地面站身份识别方法

卫星测控信道具有开放性特点,第三方容易截获测控信号,并通过特定信号分析手段获得通信编码体制甚至密钥,严重危害测控安全.为增强卫星的测控安全性,提出了一种基于射频指纹的测控地面站身份识别方法,即提取测控信号的射频指纹来验证测控指令是否来自于合法用户.使用卷积神经网络从21台发射机的变功率信号中识别特定发射机,识别精度高达...     

目标检测中特征不匹配问题研究进展

近年来基于深度卷积神经网络的目标检测器取得了跨越式进展,远远超过传统目标检测算法.但最新的研究表明特征不匹配问题已经成为深度目标检测器性能提升的一个瓶颈.目前在该问题的研究尚未有清晰的总结,因此本文首先对特征不匹配问题进行分析,提出特征不匹配问题的本质是由于目标检测的分类和回归任务优化目标的不一致造成,同时分析了特征不...     

应用于电机轴承和不对中复合故障的RNN诊断方法

提出一种基于伺服电机转速信号的轴承和不对中复合故障的故障诊断方法。首先,探讨了复合故障励磁引起的电机转速变化,分析了通过转速法实现复合故障诊断的理论可行性。实验表明,复合故障中轴承等微弱故障信号的检测容易受到不匹配安装故障的干扰,这将使传统的诊断算法失效。将预处理后的速度信号和通过FFT得到的信号分别通过循环神经网络（Recurrent neural network,RNN）,将输入的时域特征和频域特征融合在一起,作为故障分类的基础。这种时频域特征复合RNN模型（Time-frequency feature compound-RNN,TFFC-RNN）对不对中故障干扰下的轴承故障和正常信号的分类准确率可达90%以上。最后,研究了各RNN变体对于模型准确率的影响。实验结果表明利用门控循环单元进行频域部分的特征提取,模型的诊断正确率最高。