基于神经网络的红外型空空导弹故障诊断专家系统

普通的导弹自动测试系统只能给出主要参数的检测结果,针对以上不足,通过对神经网络和专家系统在自动测试领域中的深入研究,设计完成了一种基于神经网络的故障诊断专家系统,克服了传统专家系统故障定位慢、容易出错、数据库难修改的缺点,提高了装备保障工作的时效性和可靠性。重点阐述了知识库和推理机的构建思路和方法,采用VC＋＋6.0进行软件设计。通过大量实验验证得出,该系统执行速度快、故障定位准确,具有广阔的应用前景。     

基于卷积稀疏表示的图像融合方法

图像融合是图像处理领域中比较重要的一门技术,传统的图像融合方法会降低图像融合质量。针对稀疏表示在图像融合中存在一定的缺陷,提出了一种基于卷积稀疏表示的图像融合方法。首先,对高频子带系数进行合理有效处理,利用相似度分析和视觉显著性进行融合。然后,将低频子带系数整体融合改进为使用Butworth低通滤波对低频子带进行分解,得到低频近似子带和强边缘子带。最后,再用改进的脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)对强边缘子带进行融合。实验结果表明,与其它传统的图像融合方法相比,信息熵(Information Entropy,IE)提高了将近3%,标准差(Standard Deviation,SD)提高了将近9%,空间频率(Space Frequency,SF)提升了将近30%,互信息(Mutual Information,MI)提升了将近25%。同时,时间效率也有了一定程度地提升。     

飞机舱门锁机构多失效模式可靠性分析方法

如何提高飞机舱门锁机构关闭系统的可靠性计算效率,减少计算时间,降低舱门故障率是亟待解决的 问题。选取某型飞机舱门锁机构为研究对象,通过 LMS建立飞机舱门锁机构仿真模型,研究锁机构关闭过程 中最大液压力失效和关锁时间失效模式的影响因素,考虑两种失效模式之间的相关性,基于重要抽样法和 B-P 神经网络方法,计算飞机舱门锁机构多失效模式下的可靠性;将这两种方法仿真计算结果与传统蒙特卡罗方法 计算结果进行对比,结果表明:以上两种计算飞机舱门锁机构可靠性的方法是合理的,其误差范围均在3%以 内,且两种方法的计算效率相较于传统方法均有所提高;其中,B-P神经网络方法比重要抽样法计算精度和效 率更高,更适用于研究飞机舱门锁机构的可靠性问题。     

水下运载体导航技术

本文第一部分综合了国外近几十年根据不同需求形成的多种水下导航技术,论述了面上导航信息利用水声技术向水下转化的多种形式以及利用不同地球物理参数与地理位置相关性导航的各自特点与问题,论述了在测绘海底地形、重力与其它地球物理特性及其变化时在传感器层面和任务层面融而为一所形成的独具水下特色的同步定位与建图(Simultaneous Localization and Mapping,SLAM)导航技术,论述了NavLab作为一个通用工具软件在水下导航系统研发、精度分析以及作业前导航功能规划和导航信息事后处理方面的独特作用。本文第二部分以极具代表性的挪威HUGIN AUV系列产品军民两用为实例,根据任务和导航功能需求,从其“导航工具箱”(ToolBox)选择适用手段,给出典型任务对应的导航方式和传感器。文章结束部分给出了基于先进人工智能技术的未来展望。     

综合模块化航电系统FC网络的机内测试设计

针对综合模块化航电系统FC网络单元分布范围广、故障定位困难、维修效率低的问题,设计了一种机内自测试方法.在网络构建时间和通信效率的约束条件下,通过网络构建和故障检测同步进行的机制实现快速的任务前故障检测,通过实时监测和故障触发相结合实现低开销的任务中故障检测.在网络故障发生后,通过网络遍历和通信自环绕测试将故障有效地隔离至单个模块,提高检测和维修的效率.     

基于深度神经网络的粒子图像测速算法

粒子图像测速(PIV)作为一种流体力学实验技术,能够从流体图像中获取全局、定量的速度场信息。随着人工智能技术的发展,设计用于粒子图像测速的深度学习技术具有广泛的应用前景和研究价值。借鉴在计算机视觉领域用于运动估计的光流神经网络,采用人工合成的粒子图像数据集进行监督学习训练,从而获得适用于流体运动估计的深度神经网络模型,并且能够高效地提供单像素级别分辨率的速度场。文中采用人工合成的湍流流场粒子图像进行初步实验评估,并讨论PIV神经网络的隐藏层输出和内在原理,同时将训练而成的深度神经网络模型与传统的相关分析法、光流法对比;随后进行射流流场测速实验,验证深度神经网络PIV的实用性。实验结果表明,文中提出的基于深度神经网络的粒子图像测速在精度、分辨率、计算效率上具有优势。     

飞行仿真气动力数据机器学习建模方法

基于机器学习思想,提出了一种大空域、宽速域的气动力建模方法。该方法利用飞行仿真弹道数据辨识的气动力数据,采用人工神经网络技术,实现了对高度、速度、姿态和舵偏角等多维度强非线性特性的全弹道气动力数据的高精度逼近。首先,分析了神经网络层数、隐含层神经元个数等对建模误差的影响,通过对典型弹道气动数据的神经网络建模计算,确定了较合适的神经网络层数和较优的隐层神经元个数。进而,利用飞行仿真的弹道数据辨识出沿弹道的气动力,采用神经网络建立了包含多个弹道融合的气动力模型,输出量分别为三轴气动力系数和力矩系数。最后通过气动模型输出量与原样本数据的对比,以及4条未参与训练弹道气动数据的预测,验证了该气动力建模方法具有较高的精度。建模结果表明:采用神经网络方法建立的飞行器气动力模型,对拟合多源耦合输入全弹道非线性气动力是可行的和有效的,在样本覆盖的高度、速度、姿态和控制舵偏角范围内,气动力拟合能力较强,并具有一定的外推性。该项研究可以为基于飞行试验数据的气动建模提供新的方法,并且能为飞行器气动力数据挖掘、飞行仿真和总体性能分析提供参考。     

无人机类脑吸引子神经网络导航技术

当前无人机在非结构化或未知环境下飞行主要采用SLAM进行导航与定位,存在如下突出问题：依赖高精度昂贵激光雷达等环境感知传感器;需要建立准确世界和无人机物理模型;受环境影响较大;自主智能水平较低,无法较好地满足无人机对导航系统的要求,需要发展自主智能的导航方式。基于吸引子神经网络的类脑导航技术,无需训练模型参数,不依赖高精度传感器,无需精确建模,且复杂环境下鲁棒性较强,具有解决上述问题的潜力。简要阐述了动物大脑导航机理,分析了吸引子神经网络和基于吸引子神经网络的类脑导航关键技术,最后讨论了吸引子类脑导航技术在无人机应用中的挑战。     

基于深度学习的混合翼型前缘压力分布预测

提出了一种基于深度学习的混合翼型前缘压力分布预测方法,通过对翼型几何特征提取、压力分布曲线的参数化,建立了卷积神经网络模型（CNN）,并利用计算流体力学（CFD）的计算结果作为其训练样本,实现对混合翼型前缘压力分布的预测。结果表明:两种方法计算结果的拟合优度大于0.98,基于深度学习的计算方法耗时1.7 s,CFD方法耗时大于50 s,计算时间大大缩短。该方法能够在满足计算精度的条件下提高计算效率并可应用于其他的翼型设计过程。      

卷积神经网络和峭度在轴承故障诊断中的应用

针对传统智能诊断方法依靠专家知识和人工提取数据特征工作量大的问题,结合深度学习方法在特征提取和处理大数据方面的优势,研究了一种基于卷积神经网络和振动信号峭度指标的滚动轴承故障诊断方法。该方法将深度学习应用于轴承故障诊断,提取滚动轴承正常状态、内圈故障、外圈故障和滚动体故障4种状态的振动信号,将振动信号分段处理得到峭度指标,使用数据到图像的转换方法将峭度指标转换为灰度图,送入卷积神经网络模型完成故障分类。在进行滚动轴承故障诊断的实验时,所提的模型诊断准确率达到99.5%,高于传统支持向量机(SVM)算法的95.8%。