纤维增强整体叶环/盘强度问题分析

为了尽可能全面剖析纤维增强整体叶环(简称叶环)的优点和结构强度问题,明确纤维增强叶环转子强度优化问题及加工制造要求,利用ANSYS有限元软件,在分析典型纤维增强叶环和特殊纤维增强整体叶盘(简称叶盘)结构的受力特性基础上,结合前期对纤维增强叶环/盘特性的认识了解,提出了纤维增强叶环/盘结构在设计使用中出现的减质、寿命、刚度和热变形不协调等结构强度问题,并分析了这些问题产生的机理,可供纤维增强转子结构设计、加工、试验和检查时参考。     

相关向量机及其在故障诊断与预测中的应用

相关向量机(RVM)是一种基于稀疏Bayesian学习理论的新型机器学习方法,具有概率式输出、稀疏性强、参数设置简单、核函数选择灵活等优点,克服了人工神经网络(ANN)和支持向量机(SVM)等典型机器学习方法的诸多固有缺陷。文章从模型选择与优化、模型计算效率和模型鲁棒性改进3个方面综述了RVM的理论研究进展;总结了RVM在故障诊断与预测中的应用研究现状;分析指出了当前研究中存在的问题,并讨论了基于RVM的故障诊断与预测技术的研究方向。     

基于模糊强化学习的多柔性梁振动控制仿真

空间机械结构趋向大型化、复杂化、柔性化特点,容易导致残余振动,且残余振动频率低,振动时间长.针对多柔性梁耦合结构残余振动问题,通过有限元法建立了动力学模型,分析了振动特性,呈现密频特性,拍频特征.对于残余振动问题,结合模糊强化学习控制算法,构建模糊规则表,使用ε-贪婪法选择每条规则中的动作,进而生成最终的控制电压,与环...     

多变量系统二次型最优控制的自学习实现

提出了多变量系统二次型最优控制的一种自学习算法，该算法使控制系统能通过学习，获得二次型最优准则意义下的最优控制品质。文中对算法收敛性给予了理论上的证明，对算法在造纸机网前箱控制问题中的应用进行了仿真研究，获得了令人满意的结果。     

三维物体平稳堆放概念的学习

提出在机器人动作规划控制系统中，增加学习模块，通过分析各种三维物体堆放的不稳定因素，从和平稳的正面例和堆放倒塌的反面例中，学习平稳堆放Ｓｔａｂｌｅ－Ｓｔａｃｋ概念。利用抽象的Ｓｔａｂｌｅ－Ｓｔａｃｋ概念，修正和改进机器人动作规划的制定以提高机器人自动化水平。     

INVERSE KINEMATICS FOR A 6 DOF MANIPULATOR BASED ON NEURAL NETWORK

运用神经网络求解机器人运动学位姿逆解，突破了文献局限于研究位置逆解的状况，首次实现自组织神经网络求解机器人姿态逆解。通过深入分析基于Ｋｏｈｏｎｅｎ网络原理和Ｖｉｄｒｏｗ－Ｈｏｆ误差修正的Ｍ．Ｒ．Ｓ．自组织神经网络及机器人运动学特性，创新了自组织神经网络训练算法并建立了一类工业机器人位姿逆解的神经网络方法。对ＰＵＭＡ５６０机器人的计算机仿真结果表明，本算法在自组织能力和定位控制精度方面大幅度提高。     

基于深度置信网络的近距空战态势评估

针对传统态势评估方法权值确定困难、大规模数据处理和特征提取能力不足的问题,结合当前空战数据特征,将深度置信网络(DBN)应用于近距空战态势评估。通过密度峰值算法对空战特征数据进行聚类分析,并结合态势函数和专家判读进行修正,建立标准空战态势样本库;以重构误差和测试错误率为基础,建立网络拓扑结构和最优参数确定方法,提高模型的训练效率,并通过样本数据,对模型进行训练和验证。实验表明,模型态势分类正确率达到92.7%,模型运行时间满足应用需求,实例评估结果与客观态势一致性强。     

基于深度学习的航空发动机故障融合诊断

通过对航空发动机故障诊断,能够正确判断各部件工作状态,快速确定维修方案,保证飞行安全。在结合深度信念网络和决策融合算法的基础上,提出了基于深度学习的航空发动机故障融合诊断模型。该模型通过分析发动机的大量性能参数,先利用深度学习模型提取出性能参数中的隐藏特征,得出故障分类置信度;其后对多次故障分类结果进行决策融合,从而得出更准确的诊断结果。将普惠JT9D发动机故障系数用于数据仿真,通过算例验证本文算法的有效性;算例计算结果表明:多次实验结果经数据融合提高了可信度,该模型具有较高的故障分类诊断准确性和抗干扰能力。      

基于半监督集成学习的多核设计空间探索

随着处理器的系统结构日趋复杂,设计空间呈指数式增长,并且软件模拟技术极为费时,成为处理器设计的重要挑战。提出了一种结合集成学习和半监督学习技术的高效设计空间探索方法。具体而言,该方法包括2个阶段:使用均匀随机采样方法从处理器设计空间中选择一小组具有代表性的设计点,通过模拟获得性能响应,从而组成训练数据集;提出基于半监督学习的AdaBoost（SSLBoost）模型预测未模拟的样本配置的响应,从而搜索最优的处理器设计配置。实验结果表明,与现有的基于人工神经网络和支持向量机（SVM）的有监督预测模型相比,SSLBoost模型能够使用更少的模拟样本构建出不差于现有方法性能的预测模型;而当模拟样本数量相同时,SSLBoost模型的预测精度更高。      

基于随机森林的月球表面软着陆实时最优控制

针对传统月球表面软着陆在处理入轨偏差或降落过程轨迹偏离实时性差,文章提出一种通过监督学习离线训练随机森林结构,使得着陆器在降落过程中根据其状态,通过训练的随机森林结构在线计算其控制量,从而达到实时控制的目的。文章还提出一种基于随机森林的模型对月球着陆过程轨迹重规划技术,通过动力学建模将月球着陆过程分成制动段、接近段和着陆段共3个阶段,利用离线训练好的模型根据航天器状态在线计算其控制量,并通过三段下降过程逐渐降低航天器位置速度误差。仿真结果表明,针对入轨偏离500m的情况,通过第一阶段将位置误差缩短至50m,保证了航天器状态位于第二阶段训练集内,经过接近段后再将位置误差缩小至10m范围内,速度误差降至0.01m/s量级,满足着陆误差要求,且控制量计算时间短,达到了轨迹实时重规划的目的。