企业逆向物流外包的合作伙伴选择研究

在分析了企业逆向物流外包及其优势的基础上,从企业选择逆向物流外包合作伙伴的步骤入手,构建了一套逆向物流服务供应商的评价指标体系,并运用模糊综合评价方法对备选的逆向物流外包的合作伙伴进行评价和选择.     

航空发动机性能综合评判模型

利用模糊数学的模糊聚类原理,选取适当的影响因子,建立了航空发动机性能综合评判模型,对所录取的航空发动机在多个试验工况下的试验数据进行了聚类分析。结果表明:计算结果与实际结果吻合,为航空发动机性能综合评判提供了重要依据。     

基于弹性小波神经网络的故障诊断研究

航空电源系统是机上设备的重要组成部分,任意一个环节出现故障,将会影响整个飞机系统的正常安全运行。针对神经网络收敛速度慢,易陷入局部最小的缺点,将小波神经网络结合弹性BP算法应用到电源系统故障诊断中。训练过程及仿真结果表明：小波神经网络故障诊断算法收敛时间方面表现更优,具有较高故障诊断率。     

基于模糊语言变量的航空项目研制风险决策分析

分析了航空项目研制风险中一系列影响技术风险的相关因素.针对其风险决策过程中的不确定性,提出了基于模糊语言变量的评价决策分析方法.通过模糊风险语言术语集的建立,由决策者对研制方案给出模糊语言判断矩阵,使用EOWA算子进行集结,并求得方案中技术风险的语言标度,对方案进行择优排序,提高了航空项目研制风险决策的准确性和可操作性,对最终的风险管理具有重要意义.     

航空发动机小波神经网络PID控制

提出了一种基于小波神经网络在线辨识的航空发动机比例-积分-微分(PID)控制算法.网络采用三层前向网络结构,以小波函数作为隐含层的激励函数.采用离线训练的方式训练出网络参数,以网络输出和输入之间的偏导数代替发动机模型输出和输入变量之间的偏导数,用以在线修正PID控制器的参数.阶跃响应测试表明,用小波神经网络整定的PID控制系统动态调节时间小于2s,稳态误差为零,在全飞行包线内均稳定正常工作.      

航空发动机数控系统多故障识别

提出了一种基于模糊逻辑的航空发动机数控系统多故障的识别方法.首先采用Takagi-Sugeno(T-S)模糊模型描述一种涡喷发动机数控系统的非线性模型,然后应用全解耦奇偶方程进行多故障的检测和隔离,并结合卡尔曼滤波器识别出传感器和执行器故障参数.仿真结果表明,针对传感器和执行器同时发生故障的情况,此方法能有效检测故障,并能准确识别出故障参数.      

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。     

利用神经网络规则提取方法获取转静碰摩故障诊断知识

 获取易于理解的航空发动机转静碰摩故障诊断知识规则对于深刻认识碰摩故障机理、有效诊断碰摩故障具有重要意义。鉴于此,研究了一种新的基于功能性观点的神经网络（NN）规则提取方法,介绍了连续属性离散、训练样本产生、神经网络训练、示例样本产生及规则提取等关键算法,并用Iris数据对方法进行了验证。最后,通过航空发动机转子实验器获取碰摩故障样本,利用神经网络规则提取方法从故障样本中提取了碰摩故障诊断知识规则,并对其进行了验证分析,验证结果充分表明了该方法的正确有效性。     

基于证据理论的航空发动机早期故障诊断方法

在分析航空发动机早期故障特点和数据融合的基础上,将证据理论应用于发动机故障征兆级别的数据融合中,提出了构造基本信任指派函数的方法,从而得到了更准确的早期故障征兆.在此基础上,应用模糊聚类分析方法,依据最大隶属度原则得到发动机早期故障源.该方法考虑了发动机早期故障征兆不明确、不精确、不肯定等特点,应用模糊测度来表示征兆,更符合发动机早期故障的实际情况.      

基于LC理论和概率神经网络的损伤识别

本文提出了结构健康监测中一种新颖的方法用于时变系统的损伤识别,选取FS-TARMA(函数基时变自回归移动平均)时间序列模型应用于一种随机振动信号中,这种振动信号在时变系统中用来估计TAR/TMA参数和创新方差。基于一种特征值分解技术,被估计的TAR/TMA参数和创新方差能够为损伤估计提供更多信息和数据,从而形成了一种新的理论LCs(潜在成分)。LCs被组合和分解成数值,接着输入概率神经网络中进行损伤识别。将这种新方法用于三自由度时变系统中进行评估,根据质量和弹簧刚度的降低来模拟不同级别的损伤。这种方法能够找出系统参数的时变性质和质量及刚度变化引起的损伤级别。结果表明:使用这种方法,与其他的非降维和普通的特征提取方法相比,识别的成功率有相当大的提高。