基于MEMD和ELM的飞机机翼健康状态预测技术

复合材料在现代飞机结构中的应用越来越广泛,为了有效地对飞机机翼健康状态进行预测,提出了基于多元经验模态分解(MEMD)和极限学习机(ELM)的飞机机翼健康状态预测方法。以某型飞机复合材料机翼盒段为具体研究对象,对其进行冲击与疲劳加载试验,利用光纤传感器及其采集系统募集飞机复合材料机翼盒段的原始应变信息,对其健康状态予以表征。对所采集的原始应变信息进行MEMD分解,提取分解后各频带信号的能量熵作为表征飞机复合材料机翼盒段健康状态的特征信息,采用动态主元分析法(DPCA)将所提取的能量熵特征信息进行融合,采用融合后所得到的能量熵构建ELM预测模型,对某型飞机复合材料机翼盒段健康状态进行预测。试验研究表明,本文方法可以有效实现飞机机翼的健康状态预测,具有很好的应用前景。     

脉冲星候选样本分类方法综述

脉冲星搜索是射电天文学中的重要前沿领域。随着现代搜索设备性能的不断提升,可以接收到更弱的信号,如何从海量信号中准确地识别出脉冲星疑似信号成为一个挑战。介绍了国内外关于脉冲星候选样本分类方法的发展历史和发展状态,归纳总结了发展过程中各个阶段的处理方法:人工识别方法和机器学习方法;最后对未来的发展趋势进行了分析。     

一类非线性系统的D型在线学习控制

结合对初始状态的学习,给出了一类输出方程不含控制变量的时变非线性系统的D型在线学习控制算法及其收敛条件。其特点是将学习误差在线反馈,且迭代初始状态只需通过理想信号及系统的部分信息即可确定。最后,将所得结论应用于机器人系统,表明本文方法是有效的。     

月球探测器路径规划的基于案例的学习算法研究

讨论了基于案例的学习方法在月球探测器局部路径规划中的应用问题。基于案例的学习算法是人工智能中的一种学习方法 ,它根据过去的经验进行学习及问题求解 ,是一种增量式的学习过程。本文对基于案例的学习方法在月球探测器路径规划中的应用框架进行了一些讨论 ,提出了一些算法。     

“做中教”教学法在高职教学中的应用

阐述“教学做合一”教育思想的精髓及其教学观的主要内涵,论述高职教育应以实践教学为中心,教师在教学中应学会在“做中教”,努力达到“教学做合一”。     

基于多智能体深度强化学习的多星观测任务分配方法

为应对多星环境中复杂多约束条件下的任务分配场景,提出一种多星自主决策观测任务分配算法,该算法采用基于集中式训练、分布式执行的多智能体深度强化学习算法。通过这种方式训练后的卫星智能体,即使在没有中心决策节点或通信受限的情况下,仍具有一定的自主协同能力及独立实现多星观测任务的高效分配能力。     

一种基于学习的高超声速飞行器智能控制方法

针对吸气式高超声速飞行器的飞行控制问题,提出一种基于学习的智能控制方法。为便于控制器设计,将飞行器动力学模型划分为速度子系统和高度子系统：为解决速度子系统控制输入受限的问题,提出一种基于强化学习的智能控制方案;对于考虑有限通信资源的高度子系统跟踪控制问题,提出一种基于事件触发的确定学习控制方案。该方案包含离线学习训练和在线触发控制两个阶段。首先在本地离线学习训练阶段获取并存储系统的未知动态知识,随后利用所获取的经验知识设计基于事件触发机制的在线触发控制器。本文所提方案基于学习的思想将离线学习训练获取的智能体和经验知识应用于在线控制,使得所提方案能够快速计算控制指令且通信资源占用少。仿真结果说明了所提出方法的有效性。     

基于在线学习RBF神经网络的故障预报

提出了一种基于在线学习神经网络的故障预报方法.该方法在网络设计过程中结合了"添加"准则和基于对网络输出贡献相对较小的"剪枝"准则."添加"过程中利用隐层的最大输出判断神经元的活跃性;"剪枝"过程中加入了滑动窗口,避免了误"剪枝".同时,调整过程只对输出响应比较大的神经元进行,大大减少了计算量,提高了实时性.仿真结果表明,利用该算法能够对一类带时变参数的非线性系统进行故障预报.     

基于迭代滑模的机械臂控制策略

针对机械臂这类非线性的不确定性系统,基于迭代学习控制与滑模控制策略,提出了一种有效的迭代滑模控制方法。该控制方法通过将滑模控制律引入到迭代学习控制中,并运用Lyapunov理论对控制律进行证明,从而确保系统的稳定性。基于拉格朗日力学法建立动力学模型,得到相对简化的n关节机械臂模型。以一个二关节机械臂为例,通过MATLAB仿真验证所提控制策略可有效提高关节的跟踪速度与跟踪精度,并且在一定程度上可减缓传统滑模控制的抖振现象,与传统迭代学习控制相比,系统具有鲁棒性。物理试验验证了所提控制策略的有效性。     

An aero-engine life-cycle maintenance policy optimization algorithm: Reinforcement learning approach

An aero-engine maintenance policy plays a crucial role in reasonably reducing maintenance cost. An aero-engine is a type of complex equipment with long service-life. In engineering,a hybrid maintenance strategy is adopted to improve the aero-engine operational reliability. Thus,the long service-life and the hybrid maintenance strategy should be considered synchronously in aero-engine maintenance policy optimization. This paper proposes an aero-engine life-cycle maintenance policy optimization algorithm that synchronously considers the long service-life and the hybrid maintenance strategy. The reinforcement learning approach was adopted to illustrate the optimization framework, in which maintenance policy optimization was formulated as a Markov decision process. In the reinforcement learning framework, the Gauss–Seidel value iteration algorithm was adopted to optimize the maintenance policy. Compared with traditional aero-engine maintenance policy optimization methods, the long service-life and the hybrid maintenance strategy could be addressed synchronously by the proposed algorithm. Two numerical experiments and algorithm analyses were performed to illustrate the optimization algorithm in detail.