基于知识重用的刀具选配技术研究

在分析了传统刀具选配模式存在的不足的基础上,对基于知识重用的刀具选择技术进行了研究.采用实例推理技术进行刀具智能选择,对刀具智能选择过程中涉及的特征提取、知识表示、检索策略、相似度计算等实例推理的关键技术进行了研究.     

一种基于实例推理的刀具选配方法研究

为了快速准确地选择出合适的切削刀具,提出了一种基于实例推理的刀具选配方法,利用以往的经验和知识来解决新的刀具选择问题.重点研究了刀具选配实例的知识表示和检索匹配.最后举例验证了方法的可行性.     

基于CBR的数控设备故障诊断系统知识表示

随着数控设备越来越复杂,对设备故障诊断与维修提出了更高的要求,采用专家系统的方式建立故障诊断系统以实现数控设备的快速诊断和维修.针对CBR (Case-Based Reasoning)系统自身的增量学习模式使系统的实例库逐渐增大,系统效能大大降低的缺点.根据数控系统结构的特点采用分层检索的方法,依据该检索方法采用框架型的知识表示方式,提高了大实例库的检索效率.将该方法应用于数控设备的故障诊断系统中,提高了故障诊断的诊断效率.      

非流形几何模型的拓扑表示——粘合边结构

提出了一个非流形结构的表示方法--粘合边结构,其数学基础是代数拓扑中的复形理论。粘合边结构表示的拓扑元素之间的逻辑关系简洁、直观,并且可以表示物体的内部结构。     

一种设计型专家系统模型及其实现

针对工程设计的复杂性、规模,提出了一种通用的设计型专家系统模型,讨论了该模型的特点;并结合飞机结构中压延零件成型方案的确定及其模具设计,论述了该模型专家系统的实现方法。     

基于稀疏空间谱估计的星载SAR DBF算法

针对星载合成孔径雷达(SAR)系统利用俯仰向数字波束形成(DBF)技术接收场景回波时受地形的影响,会出现波束指向偏差的问题,提出了基于稀疏空间谱估计的星载SAR数字波束形成方法。该方法将目标场景高程估计问题转换为波达方向估计问题,考虑到回波信号的稀疏性,进而等效为稀疏空间谱估计问题,然后利用凸优化方法求解得到目标波达方向。最后,仿真实验验证了该方法的有效性,结果表明该方法可以降低传统自适应方法受小样本和低信噪比影响的限制,实现复杂地形下的正确波束指向,保证回波信号的接收增益。     

动态系统元器件失效率的矩独立重要性测度分析

针对不确定性元器件失效率对动态系统失效概率影响程度的度量问题,研究了动态系统元器件失效率的重要性分析方法。分析了不确定性情况下动态系统失效概率的特点;依据Borgonovo的矩独立灵敏度分析思想,提出了两种新的矩独立不确定性重要性测度,给出了基于蒙特卡罗数值仿真的一般求解方法,分别用来分析系统工作时间给定和在区间变化两种情况下元器件失效率不确定对系统失效概率分布函数的贡献程度;建立了重要性测度的高效算法,通过稀疏网格积分技术将多元函数的积分问题转化成一元函数积分的张量积组合,通过Edgeworth级数方法将响应量分布函数的求解问题转化为基于其前四阶矩的失效概率估计,从而有效降低了功能函数的调用次数,提高了重要性测度的求解效率。最后,通过两个算例验证了所提方法的合理性和算法的高效性。     

航天器传动部件振动数据稀疏多分类智能故障诊断

针对航天器传动链机械零部件发生故障时训练数据稀缺以及信号的强非平稳\非线性特点,提出了动态数据驱动的子空间稀疏多分类智能故障诊断算法。首先对采集的单一传感器动态信号进行分形小波变换,生成常规和非常规二进小波尺度。然后对生成的各子空间提出基于故障能量指标的稀疏多分类器,以监测部件的故障特征频率为搜索目标,在子空间的包络解调谱上计算特征频率及其倍频附近的能量峰值,导出特定故障模式的稀疏评价指标,以各种故障模式的最大值识别和判定故障类型。所提出的算法完全实现了无人工监督的智能故障诊断。最后以航天器轴承故障诊断为例验证了该算法的有效性。所研究算法的泛化能力较强,技术路线同样适用于其他航天器传动部件的在线监测与故障智能预警。     

基于开放式知识表示的智能化产品设计

基于知识的智能化产品设计是CAD技术的发展方向之一,但现有知识表示方式缺乏对产品设计人员的开放性,不利于设计人员理解和维护设计系统中的知识。针对这一不足,研究机械产品设计领域常见的公式、表格、二维映射图、过程、规则等类型知识的开放式表示方法,给出了其BNF(Backus Naur Form)范式描述,并研究了各类知识的推理方法。所研究的开放式知识表示及相应推理方法具有以下优点:1)知识不再固化于设计系统;2)知识便于设计人员自行录入和维护。最后以基于知识的航空发动机涡轮叶片气膜孔设计为例,验证了该方法应用于工程实践的可行性。     

Asymptotic Performance of Sparse Signal Detection Using Convex Programming Method

The detection of sparse signals against background noise is considered. Detecting signals of such kind is difficult since only a small portion of the signal carries information. Prior knowledge is usually assumed to ease detection. In this paper, we consider the general unknown and arbitrary sparse signal detection problem when no prior knowledge is available. Under a Neyman-Pearson hypothesis-testing framework, a new detection scheme is proposed by combining a generalized likelihood ratio test (GLRT)-like test statistic and convex programming methods which directly exploit sparsity in an underdetermined system of linear equations. We characterize large sample behavior of the proposed method by analyzing its asymptotic performance. Specifically, we give the condition for the Chernoff-consistent detection which shows that the proposed method is very sensitive to the 2 norm energy of the sparse signals. Both the false alarm rate and the miss rate tend to zero at vanishing signal-to-noise ratio (SNR), as long as the signal energy grows at least logarithmically with the problem dimension. Next we give a large deviation analysis to characterize the error exponent for the Neyman-Pearson detection. We derive the oracle error exponent assuming signal knowledge. Then we explicitly derive the error exponent of the proposed scheme and compare it with the oracle exponent. We complement our study with numerical experiments, showing that the proposed method performs in the vicinity of the likelihood ratio test (LRT) method in the finite sample scenario and the error probability degrades exponentially with the number of observations.