基于模糊神经网络的飞机智能故障诊断技术研究

随着科技的进步和各种智能故障诊断技术的应用,传统的飞机维修方法已经不能满足现代战争的需求.无论是传统的视情维修还是预防性维修都有其内在的缺点,传统的视情维修主要是依靠维护人员的经验以及规程对装备进行检测,容易造成漏检;而预防性维修以预防为主,容易造成不必要的拆装,不仅增加了维护人员的工作量,还会影响装备的使用寿命.     

一种预测航天火工装置可靠性的小样本方法

给出了一种预测航天火工装置功能可靠性的新方法。当产品特性值服从正态分布,且已知产品上（下）规范限时,基于应力-强度模型,结合可靠性、统计学等相关知识,给出了航天火工装置可靠性的小样本预测方法。该方法可用20发以内的试验样本量来预测火工装置0.999999的高可靠性指标。此方法虽以火工装置为研究背景,但其基本原理可应用到其他机械类产品的可靠性预测之中,为可靠性的预测提供一种新的途径。     

信息匮乏事件预测及优化方法性能研究

为找到更适用于贫乏样本信息预测问题的预测方法及优化方法,提出基于实验数据解析的方法性能对比研究,通过大量预测实验与优化实验,研究预测方法的准确性、稳定性以及优化方法的修正性.研究中分别使用5种传统单项预测方法对贫乏样本信息预测问题进行预测,并运用标准差法对这5种方法分配权重,进行组合预测.对预测结果的精度进行排名,排名...     

捷联惯组历次测试数据验前分布随机加权中心融合估计法

在小子样理论中,验前分布的获取与表示是一个关键问题。针对捷联惯性测量组合(捷联惯组)历次测试数据验前分布的获取问题,探讨了在异总体情况下,多种验前信息的融合问题。提出了通过随机加权中心融合法实现多种异源信息融合,以获取捷联惯组历次测试数据验前分布,从而减小了小样本情况下的统计分析误差。     

小样本大型武器系统的可靠性评定

阐述了大型武器系统可靠性评定的基本方法和计算公式,介绍了小子样数据处理的技术要点.     

基于故障率的测试性验证试验故障样本分配方案

现有的分层抽样算法中故障率数据不准确是导致测试性验证试验结果不可信的一个原因。为解决这个问题,提出了利用验前信息和Monte Carlo仿真相结合的方法计算故障率。首先考虑故障率的随机特性和量级范围,用Gamma分布来拟合故障率的概率分布,根据上下限分位点确定了Gamma分布中的超参数。然后利用舍取抽样得到了大量的服从Gamma分布的随机数,求平均值作为实际系统的故障率值。以此故障率数据进行分层抽样,得到的故障样本分配方案更合理,试验结果更可信。     

基于样本分位数的机载燃油泵故障状态特征提取及实验研究

机载燃油泵的健康状态关系着飞行任务的完成和飞行安全,对机载燃油泵的故障状态特征提取及诊断成为亟需解决的问题。通过对机载燃油实验系统的振动与压力信号进行综合分析,提出了一种基于样本分位数的故障状态特征提取方法。首先,根据样本分位数的渐近分布定理,讨论了样本分位数的统计特性,分析了故障状态与样本分位数的对应关系,从理论上保证了该方法的可行性,在实测数据统计分析的基础上,讨论了样本容量对样本分位数稳定性的影响;其次,根据样本分位数渐近分布定理计算各故障状态的置信区间,并与Bootstrap方法得到的置信区间进行对比,结果显示,依据样本分位数渐近分布定理得到的置信区间真实可靠,为在线故障诊断提供了依据;然后,以各故障状态下提取的样本分位数为特征向量构建贝叶斯判别函数,进行故障诊断;最后依据故障诊断的正确率对传感器进行优化,结果表明,同时安装振动传感器与压力传感器可以提高故障诊断的正确率,并且只安装1个压力传感器与1个特定方向的振动传感器即可对机载燃油泵的故障状态进行完全识别。为快速准确的在线判断机载燃油泵的状态提供了理论支撑,并且可以降低工程应用中机载燃油泵监测系统的体积、功耗及复杂性。     

基于EMD样本熵-LLTSA的故障特征提取方法

针对振动信号的非线性、非平稳性以及微弱故障特征难以提取的问题,提出了一种基于经验模态分解(EMD)、样本熵和流形学习的故障特征提取方法.该方法将EMD、样本熵和流形学习相结合.首先,利用EMD的自适应多分辨率的特点计算分解得到的IMF(固有模态函数)信号的样本熵,初步提取滚动轴承状态特征值;然后利用流形学习方法对初步的提取的滚动轴承状态特征进行进一步的提取;最后利用支持向量机(SVM)对该特征提取方法进行分类评估,并将该方法运用在滚动轴承故障诊断实验中,实验证明该特征提取方法与基于小波包样本熵的故障诊断方法相比具有很好的聚类性能,且对于SVM的分类结果可达100%,在降低了特征数据的复杂度的同时,增强了故障模式识别的分类性能,具有一定的优越性.     

一种结合全局和局部相似性的小样本分割方法

针对小样本分割中如何提取支持图像和查询图像共性信息的问题,提出一种新的小样本分割模型,同时结合了全局相似性和局部相似性,实现了更具泛化能力的小样本分割。具体地,根据支持图像和查询图像全局特征和局部特征之间的相似性,提出了一种新型注意力谱生成器,进而实现查询图像的注意力谱生成和区域分割。所提注意力谱生成器包含2个级联模块:全局引导器和局部引导器。在全局引导器中,提出了一种新的基于指数函数的全局相似性度量,对查询图像特征和支持图像的全局特征进行关系建模,输出前景增强的查询图像特征。在局部引导器中,通过引入局部关系矩阵对支持图像特征和查询图像特征之间的局部相似性进行建模,得到与类别无关的注意力谱。在Pascal-5i数据集上做了大量的实验,在1-shot设定下mIoU达到了59.9%,5-shot设定下mIoU达到了61.9%,均优于现有方法。      

基于LIME的恶意代码对抗样本生成技术

基于机器学习检测恶意代码技术的研究和分析,针对机器学习模型对抗样本的生成提出一种基于模型无关的局部可解释（LIME）的黑盒对抗样本生成方法。该方法可以对任意黑盒的恶意代码分类器生成对抗样本,绕过机器学习模型检测。使用简单模型模拟目标分类器的局部表现,获取特征权重;通过扰动算法生成扰动,根据生成的扰动对原恶意代码进行修改后生成对抗样本;基于2015年微软公布的常见恶意样本数据集和收集的来自50多个供应商的良性样本数据对所提方法进行实验,参照常见恶意代码分类器实现了18个基于不同算法或特征的目标分类器,使用所提方法对目标分类器进行攻击,使分类器的真阳性率均降低到接近0。此外,对MalGAN和ZOO两个先进的黑盒对抗样本生成方法与所提方法进行对比,实验结果表明:所提方法能够有效生成对抗样本,且方法本身具有适用范围广泛、能灵活控制扰动和健全性的优点。