神经网络在飞翼布局飞机主动涡流控制中的应用

以小展弦比飞翼布局飞机为研究对象,其本体的优化增稳控制器由3个气动舵面(连续控制面)构成.为增加操纵能力,基于神经网络设计了主动涡流(bang-bang型控制面)优化控制器.为加快网络的训练速度和收敛精度,采用三层反馈神经网络,通过改变每层网络权重和隐层神经元单元个数对网络进行优化.最后给出了增加主动涡流控制器的飞机闭环系统的响应结果.与仅采用气动舵面闭环响应结果的对比仿真表明,增加主动涡流控制器后闭环系统可获得更好的响应特性,系统达到稳态的时间和所需气动舵面的控制量均明显减小.      

基于模型诊断技术的神经网络实现方法

针对基于模型的故障诊断流程中故障检测和故障识别两个关键问题,提出了一种基于神经网络的实现方法.首先利用BP神经网络进行参数估计,并结合系统模型进行故障检测;然后采用ART2神经网络进行数据聚类,并基于聚类结果进行系统故障识别;最后,设计实现了基于BP/ART2神经网络的故障诊断系统.基于BP神经网络的参数估计方法可以准确地估计诊断对象在不同状态下的参数,为故障检测提供有效依据;基于ART2神经网络的数据聚类不仅可以识别对象的已知故障类型,还可以识别出未知故障,对先验信息较少的系统进行故障识别更具有效性.通过永磁直流电机故障诊断案例的应用,证明方法能具有一定的工程实用性.     

基于神经网络的电磁干扰的预测

提出了一种应用神经网络预测电磁干扰的方法.针对遗传算法总体搜索能力较强但容易陷入局部最优,而模拟退火算法具有较强的局部搜索能力,又能避免搜索陷入局部最优解的特点,将模拟退火算法与遗传算法相结合,优化多层前馈(BP,Back Propagation)神经网络,获取最优的权值和阈值,并采用模拟退火的思想确定隐含层神经元的个数,进而建立基于神经网络的电磁干扰预测模型.以双平行导线间的电磁干扰问题为实例,明确干扰要素,建立训练样本和测试样本,对比期望输出和预测输出之间的误差,结果表明该方法可以准确有效地进行电磁干扰预测.     

提高电动加载系统输出平滑的CMAC复合控制

CMAC(Cerebellar Model Articulation Controller)和PD(Proportional Derivative)复合控制算法有时因输出不平滑会引起加载电机抖动而影响控制效果.通过对该输出不平滑问题进行分析,提出了一种新的提高输出平滑性的改进CMAC复合控制算法,该方法通过新的权值更新公式,在权值更新时直接达到减小误差和提高输出平滑性的目的.仿真和实验结果表明:改进后的算法能够有效提高输出平滑性,降低了21％的稳态误差,且保证在加载时有良好的稳定性和抗干扰能力.     

高超声速巡航导弹的神经网络虚拟目标微分对策中制导律

针对高超声速巡航导弹的高空巡航飞行段,采用虚拟目标的定义方法,结合微分几何知识以及运动学方程建立了导弹与目标的相对运动模型,并在此基础上视其与虚拟目标之间的运动为单目标微分对策问题。利用哈密尔顿函数求解方法推导了开环微分对策中制导律,同时建立了一种新的闭环微分对策中制导律结构图,并对反向传播神经网络的训练样本进行了设计。通过反向传播神经网络的函数逼近功能实现了高超声速巡航导弹微分对策中制导律的智能化。仿真验证表明了其有效性。     

各向异性层合阻尼结构的BP集成神经网络模型设计

本文以各向异性层合阻尼结构为研究对象,设计一种基于BP集成神经网络的智能分析模型。该模型中的集成神经网络由两个子系统神经网络并联融合而成,学习算法主要采用Sigmoid函数。同时,该模型设计针对各向异性层合阻尼结构参数的扰动性问题综合采用结构模式归类、学习算法的改进、小波分析方法予以处理。计算结果表明:该BP集成神经网络模型,较好地解决了各向异性层合阻尼结构参数的扰动性问题,并能有效量化结构参数的变化影响。     

基于LVQ神经网络模型的飞机故障分类诊断

为了能够快速诊断出飞机故障产生的原因,判断故障发生的准确位置,把LVQ神经网络模型和分类诊断理论运用到了飞机的故障诊断中,以飞机电子设备和发动机故障诊断为实例,验证了此方法的故障诊断能力.实践表明:基于LVQ神经网络模型的飞机故障分类诊断方法能够为机务工作者提供有力的辅助决策参考.     

航空发动机多变量神经网络自适应控制仿真研究

针对航空发动机是一个具有强非线性、时变不确定性的被控对象,提出了一种基于RBF网络的航空发动机多变量神经网络自适应控制方法,该方法采用RBF网络对发动机非线性模型进行实时辨识,并将系统的灵敏度信息反馈给神经网络控制器,保证了控制器对被控对象的准确控制.通过某涡扇发动机在飞行包线内的数字仿真,结果表明该方法不依赖被控对象的精确模型,有效地实现了对发动机的多变量自适应控制,而且具有较好的动静态性能.     

GPS失锁时基于神经网络预测的MEMS-SINS误差反馈校正方法研究

GPS信号失锁时,MEMS-SINS组合GPS导航误差会随着时间迅速积聚而无法导航.提出一种基于RBF神经网络预测的MEMS-SINS误差反馈校正方法,GPS有信号时对神经网络进行训练,GPS信号中断时用训练好的RBF神经网络预测MEMS-SINS的导航误差.地面车载跑车试验,证实了训练后的RBF神经网络能很高精度地逼近MEMS-SINS/GPS组合导航系统输入与输出间的关系,在4个50s以内的GPS人为失锁过程中,该方法导航结果与参考系统比较,平均位置误差为3.8m,平均速度误差为0.6m/s,平均姿态误差为0.5°.     

基于ReliefF-LMBP算法的涡轴发动机气路故障模式识别—两机专刊

针对涡轴发动机气路故障模式识别精度不高的问题,提出了一种基于ReliefF-LMBP故障特征提取的发动机故障模式识别方法。应用ReliefF算法对发动机传感器参数赋予权值,对传感器参数特征权重值进行迭代更新和排序,聚集好的特征样本,离散异类样本。根据筛选出的特征子集,利用LMBP神经网络算法进行发动机故障模式识别。以涡轴发动机为对象进行气路故障诊断验证,结果表明所提方法能提取特征传感器参数并实现有效的故障模式识别。