基于验前信息的测试性验证试验方案确定方法

针对目前测试性验证试验方案样本量过大、工程上实现困难的问题,提出了基于验前信息的复杂设备的Bayes测试性验证试验方案.首先,利用Beta分布对测试性验前信息的不确定性进行描述,运用不同来源的验前信息确定验前分布超参数;然后,定义了验前分布不确定性测度和支持度作为验前信息加权因子,设计了相应的融合算法;接着,利用融合后的验前信息建立成败型装备测试性验证试验方案的Bayes决策模型;最后,通过实例分析表明,与经典验证试验方案相比,新方案减少试验样本量40%左右,又克服了传统Bayes验证试验方案的冒进.      

基于模糊TOPSIS的FMEA方法

针对传统故障模式及影响分析(FMEA)中评价故障模式的影响因素和计算风险优先数存在的缺陷,提出了一种基于模糊逼近理想解排序法(TOPSIS)的FMEA方法。该方法采用模糊置信结构对影响因素的评价进行表示,并通过去模糊化和加权平均建立明确置信矩阵。考虑各影响因素的权重对分析结果的重要性,将主、客观赋权法相结合来分配各影响因素的权重,进而建立加权规范化矩阵,根据相对贴近度的大小确定各故障模式的风险水平。最后,举例验证了该方法的可行性和有效性。      

层次分析法在多目标决策中的应用

由于定量型多目标决策的各指标值均为数量，因而按９度法建立各指标下的判断矩阵就很困难，限制了层次分析法在这一领域的运用，作者对此做了较深入的研究，认为层次分析法求解定量型多目标决策问题是可行的。为了便于构造判断阵，将决策中的所有指标分为正向指标、逆向指标和中心指标三类，同时给出了构造这三类指标的判断矩阵的方法，而且构造出来的判断矩阵自然满足一致性要求。给出的方法简单有效，并扩展了层次分析法的应用领域     

基于多目标优化与强化学习的空战机动决策

为了解决无人机自主空战中的机动决策问题,提出了一种将优化思想与机器学习相结合的机动决策模型。采用多目标优化方法作为决策模型核心,既解决了传统优化方法需要为多个优化目标设置权重的困难,又提高了决策模型的可拓展性;同时在多目标优化的基础上通过强化学习方法训练评价网络进行辅助决策,解决了决策模型在对抗时博弈性不足的缺点。为了测试决策模型的性能,以近距空战为背景,设计了3组仿真实验分别验证多目标优化方法的可行性、辅助决策网络的有效性以及决策模型的总体性能,仿真结果表明,决策模型可以对有机动的敌机进行有效的实时机动对抗。      

航空发动机研制中量化评估方法探索

本文参考国内外重大项目研制中所采取的先进的、科学的量化评估方法,对在航空发动机研制中采用量化评估方法进行了探索,对用于航空发动机的技术成熟度定义、可行性量化评估方法、风险量化评估方法均进行了较为详细的描述,每种方法均给出了实例。     

飞行员与决策辅助系统之间的权限划分

研究了人和机器在处理不确定信息的可靠性差别,并从OODA(观测、评价、决策、作用)的思想出发,在研究了权限分配和辅助级别划分的方法后,提出了辅助系统的运行模式和设计原则,然后提出了基于效费值评估的定量模型,并基于此定量模型给出了可实现辅助级别动态判定的系统结构,最后给出了辅助系统的动态判定仿真示例。     

基于物理规划的固体火箭发动机不确定性优化设计

在基于建模与仿真的固体火箭发动机设计过程中客观存在许多不确定性,决策不确定性定义为设计与优化问题描述和决策过程中存在的模糊性。传统优化设计模型将优化设计问题作为确定性问题求解,可能会漏掉真正的工程实际可接受的最优结果。采用物理规划方法建立优化设计模型,可得到综合满足多个设计准则的Pareto解。以固体火箭发动机总体方案优化设计为例,证明了物理规划方法作为固体火箭发动机设计决策不确定性建模方法的有效性。     

基于比例风险模型的可靠性灵敏度分析

为了定量描述产品可靠性随环境因素的动态变化,研究了环境因素对可靠性的影响,提出了一种基于比例风险模型的可靠性灵敏度分析方法。首先利用比例风险模型描述产品可靠性水平与环境因素的定量影响关系。结合试验数据选取基准环境协变量,对比例风险模型进行变换,并利用广义线性模型给出了可靠性模型参数的极大似然估计。进而给出了产品关于不同环境因素的可靠性灵敏度,用于度量可靠性对环境因素的灵敏性。结合实例表明该方法综合利用了不同环境条件下的试验数据,提高了可靠性灵敏度分析精度,可用于分析产品可靠性关于环境因素的动态变化特征。     

FAA开始试验探鸟雷达

飞机与飞乌互撞会对飞行造成重大安全风险。近年来研究表明,鸟群已经成为美国一些机场的重要危险因素,如纽约的拉瓜迪亚机场地区,2007年飞行员和管制员报告发生撞击87起,而2001年只有25起。     

无人集群系统行为决策学习奖励机制

未来作战的发展方向是由多智能体系统构成的无人集群系统通过智能体之间自主协同来完成作战任务。由于每个智能体自主采取行为和改变状态,增加了智能群体行为策略训练的不稳定性。通过先验约束条件和智能体间的同构特性增强奖励信号的实时性,提高训练效率和学习的稳定性。采用动作空间边界碰撞惩罚、智能体间时空距离约束满足程度奖励;通过智能体在群体中的关系特性,增加智能体之间经验共享,进一步优化学习效率。在实验中,将先验增强的奖励机制和经验共享应用到多智能体深度确定性策略梯度（MADDPG）算法中验证其有效性。结果表明,学习收敛性和稳定性有大幅提高,从而提升了无人集群系统行为学习效率。