基于模型与数据驱动的自适应模糊规则故障诊断方法

针对复杂装备系统故障模糊性强的特点,以及目前基于模型和数据驱动的故障诊断大都局限于决策层融合的问题,提出了 1种利用诊断模型作为数据驱动方法的初始条件来辅助网络模型构建和学习的方法。首先,通过 T-S故障树理论分析,建立系统各故障模式之间的逻辑关系和描述规则;然后,根据 T-S故障树模型,将诊断模型映射为模糊神经网络(FuzzyNeuralNetworks,FNN)模型,并利用误差反向传播算法对网络参数进行学习,进而提出 1种模糊规则自动更新机制;最后,以某组合导航系统为实验对象进行仿真实验。结果表明:提出的方法能够准确地诊断出故障,且具有较快的收敛速度和较好的泛化能力。     

动态模糊RBF神经网络焊接接头力学性能预测建模

建立动态模糊径向基神经网络RBF( Radial Basis Function,RBF)焊接接头力学性能预测模型,克服静态RBF和模糊神经网络( Fuzzy Neural Network,FNN)在结构辨识、动态样本训练及学习算法的不足。该模型的结构参数不再提前预设,在训练过程中动态自适应调整,适用动态样本数据学习,学习算法引入分级学习和模糊规则修剪策略,加速训练并使模型结构更加紧凑。利用三种厚度、不同工艺TC4钛合金TIG焊接试验数据对该模型进行仿真。结果表明：模型具有较高的预测精度,适用于预测焊接接头力学性能,为焊接过程在线控制开辟了新的途径。     

基于双重注意力机制及S-BiGAN的机电设备故障诊断

标签样本少条件下机电设备的准确故障诊断对于提高复杂机电设备的健康管理能力具有重要意义。针对标签样本少条件下难以建立准确故障诊断模型的问题,在半监督生成对抗网络的基础上,将注意力模块引入生成对抗网络,并利用格拉姆角场将一维数据转换为二维图像;结合双向生成对抗网络特点,提出一种基于双重注意力机制的半监督双向生成对抗网络（S-BIGAN）机电设备故障诊断模型,以轴承数据为例进行验证。结果表明：与CNN-SVM、SGAN 等算法相比,本文提出的模型能够提高样本生成质量和故障分类特征,有效解决标签样本少情况下的故障诊断问题,极大地提高了故障诊断准确率。     

基于DNN的飞机俯仰运动响应预测研究

针对人工智能的辨识方法在飞行器模型辨识应用中存在间接依赖数学模型以及泛化能力较低的局限性问题,基于深度学习思想,提出了一种新的数据处理方式,完成飞行器的系统模型辨识。首先,针对飞行器动态模型的特点,提出一种基于时序性的飞行数据处理方式;其次,采用交叉熵损失函数进一步优化深度神经网络;最后,针对飞行器纵向非线性模型进行仿真计算。仿真结果表明,训练好的模型成功提取了飞行器输入与输出之间的非线性映射关系,使得基于深度神经网络的飞行器模型能够对未知输入进行状态预测,克服了目前基于神经网络辨识算法的局限性。     

基于神经网络的Haynes 282合金高温流动行为表征及其有限元应用北大核心CSCD

通过在热/力学模拟试验机上开展等温压缩试验获得了Haynes 282合金的真应力-应变数据。Haynes 282合金在高温变形过程中表现出显著的动态再结晶特性,其流动应力对热力参数敏感度较高,且与热力参数呈复杂的非线性关系。为了准确地描述和预测Haynes 282合金的真应力-应变关系,将热变形参数作为输入,将流动应力作为输出构建了反向传播神经网络。对神经网络的评估结果表明所构建的神经网络能够精确地表征Haynes 282合金的高温流动行为。通过将构建的神经网络以材料子程序的形式植入有限元软件中,建立等温压缩试验有限元模型,实现了Haynes 282合金高温流动行为的精确仿真。     

基于POD-RBFN降阶模型的串列叶栅流场预测

通过传统实验或CFD 手段获取流场信息的方法往往需要耗费大量资源或时间,这在需要快速获取大量流场信息时产生的成本是无法接受的,发展比传统CFD 更快速的流场预测方法具有重要意义。采用本征正交分解（POD）方法对样本流场进行模态分解,提取流场的主导模态;而后采用径向基函数神经网络（RBFN）响应POD 基函数的系数,实现流场降阶预测模型的构建,并在模型中采用基于函数响应偏差的自适应抽样方法;通过某串列叶栅非定常流场数据对预测模型进行验证。结果表明：本文构建的POD-RBFN 混合模型可以快速准确地预测出串列叶栅的流场参数分布;与静态采样相比,本文采用的自适应采样方法在采样效率上表现出明显优势,同样重构精度所需的样本数降低了25% 左右。     

基于傅立叶描述子特征的红外成象GIF目标识别算法及实现

在红外成象GIF引信工作过程中,实时目标识别及分类是一个重要的环节,它对于引信在弹道终端参与目标的继续跟踪、瞄准点的选择以及炸点的控制方面有很大的帮助.本文提出一种基于傅立叶描述子特征的红外成象GIF目标识别算法,利用归一化的、表示目标完整轮廓的边界点集的傅立叶描述子特征,结合BP神经网络,完成了巡航导弹、直升机、战斗机三种类型目标的识别.通过MATLAB仿真,验证了该算法的可行性,并在DSP硬件开发平台上对程序代码进行了测试,通过傅立叶描述子特征提取程序的改进,对算法进行优化,使算法的实时性得到较大的改善.     

BP神经网络在导弹落点预测中的应用

给出了基于BP神经网络的导弹落点预测设计方案。考虑到预测精度和网络稳定性，选取了一种相对优化的预测方法。结合实例对用此方法和一般常用方法的预测效果进行了比较。结果表明基于BP神经网络的导弹落点预测是一种可行的、有效的方法。     

进化神经网络在复合材料格栅结构设计中的应用

根据Kolmogorov多层神经网络映射存在定理,利用进化神经网络来实现结构设计参数(输入)与结构响应参数(输出)的全局非线性映射关系,以此来代替实际结构优化过程中存在的大量有限元计算,从而提高优化效率。以遗传算法为优化求解器,神经网络屈曲稳定性响应面为主要约束,对复合材料格栅加筋结构的优化问题进行了分析研究。算例表明,在相同(有限元)样本数据的情况下,进化神经网络通过自适应调节网络结构和权值,可获得比BP神经网络更高精度的映射模型,具有很强的泛化能力。该方法可为解决大型复合材料结构优化设计提供一条高效途径。     

挠性航天器高精度智能控制方案研究

从工程角度出发，研究了智能控制方案，旨在提高挠性航天器的姿态指向精度和稳定度。针对挠性模态不可测的特点，文中采用了输出反馈变结构控制来抑制挠性附件的振动，并用神经网络自适应控制来补偿系统的不确定性因素。智能控制的引入使得控制器具有很强的自学习和自适应能力，可降低不确定性因素对系统产生的影响，减小系统的稳态误差，从而达到高精度控制的目的。仿真结果证明了该方法的有效性。